ABSTRAK

Tingginya kebutuhan energi listrik kepada konsumen mengharuskan produsen

menyediakan suplai energi listrik yang handal tetapi tetap ekonomis. Oleh karena itu,
diperlukan strategi dan metode untuk penyesuaian antara pembangkitan dan permintaan daya.
Hal tersebut dapat dicapai dengan melakukan perencanaan operasi yang baik dan tepat, salah
satu langkah perencanaan operasi sistem tenaga listrik yang penting yaitu prediksi kebutuhan
beban listrik. Salah satu metode prediksi beban listrik adalah menggunakan JST (Jaringan
Syaraf Tiruan). JST merupakan sistem pemroses informasi yang mempunyai karakteristik
mirip jaringan syaraf biologi. Pada metode ini digunakan JST dengan algoritma
backpropagation dan hasil prediksi diperoleh dengan menambahkan data beban listrik (KW)
hari-hari similar yang telah dipilih. Pengolahan JST menggunakan software MATLAB.
Arsitektur jaringan syaraf tiruan yang digunakan yaitu 15 input layer, 15 output layer, dan 10
hidden layer serta fungsi aktivasi yang digunakan logsig dan purelin. Logsig untuk hidden layer
dan purelin untuk output layer. Hasil prediksi beban listrik dengan menggunakan Jaringan
Syaraf Tiruan metode backpropagation nilai Mean Square Error (MSE) pelatihan jaringan
sebesar 0.1 dan nilai MAPE pengujian data sebesar 6.5%. Hasil prediksi penggunaan listrik
pada hunian gedung bertingkat pada bulan Februari 2023 secara berturut-turut diprediksi akan
mencapai 152.0271 kWh, 431.5677 kWh, 145.2697 kWh, 164.9601 kWh, 223.3199 kWh,
147.7518 kWh, 135.6533 kWh, 135.6533 kWh, 141.5546 kWh, 154.0903 kWh, 132.673 kWh,
136.9591 kWh, 119.4781 kWh, 140.0989 kWh, 137.9133 kWh, dan 120.5262 kWh.
Kata Kunci : JST, Metode Backpropagation, MATLAB, MSE, MAPE
 ABSRACT
The high demand for electrical energy to consumers requires producers to provide a
reliable but economical supply of electrical energy. Therefore, strategies and methods are
needed to match the power generation and demand. This can be achieved by planning a good
and proper operation, one of the important steps in planning the operation of the electric power
system is the prediction of the need for electrical loads. One method of predicting electrical
loads is to use ANN (Artificial Neural Networks). ANN is an information processing system
that has characteristics similar to biological neural networks. In this method, ANN with
backpropagation algorithm is used and the prediction results are obtained by adding electrical
load data (KW) for the selected similar days. ANN processing using MATLAB software. The
artificial neural network architecture used is 15 input layers, 15 output layers, and 10 hidden
layers and the activation function used is logsig and purelin. Logsig for hidden layers and
purelin for output layers. The results of the prediction of the electrical load using an artificial
neural network with the backpropagation method, the Mean Square Error (MSE) value of
network training is 0.1 and the MAPE value of data testing is 6.5%. The results of the prediction
of electricity use in high-rise residential buildings in February 2023 are predicted to reach
152.0271 kWh, 431.5677 kWh, 145.2697 kWh, 164.9601 kWh, 223.3199 kWh, 147.7518
kWh, 135.6533 kWh, 135.6533 kWh, 141.5546 kWh, 154.0903 kWh, 132.673 kWh, 136.9591
kWh, 119.4781 kWh, 140.0989 kWh, 137.9133 kWh, and 120.5262 kWh.
Keywords : JST, Backpropagation method, MATLAB, MSE, MAPE