Latar Belakang
Sejak menjadi daerah otonomi baru pada tanggal 12 oktober 1999, kabupaten
lembata terus berkembang dibidang kelistrikan. Permintaan kebutuhan akan
ketersediaan energi listrik yang kian terus meningkat, memerlukan perencanaan
dan prediksi/peramalan yang matang dan terstuktur. Kebutuhan energi listrik pada
suatu daerah didorong oleh tiga faktor utama, yaitu pertumbuhan ekonomi,
program elektrifikasi dan pengalihan captive power ke jaringan PLN.
Menurut pelelitian sebelumnya metode backpropagation dan metode learning
vector quantization ini bisa digunakan untuk peramalan atau prediksi.
BAB I
Rumusan Masalah
1. Bagaimana memprakirakan beban listrik dikota lewoleba mengunakan metode
backpropagation dan metode learning vector quanzation?
2. Bagaimana hasil prediksi dengan mengunakan metode backpropagation dan metode
learning vector quanzation?
Tujuan
1. Untuk memprakiran/memprediksi beban listrik di kota lewoleba
2. Untuk membandingkan beban listrik pada saat dilakukan pelatihan, pengujian dan prediksi
dari metode backpropagation dan metode learning vector quanzation.
BAB I
Batasan Masalah
1. Prediksi beban listrik di kota Lewoleba hanya sampai pada bulan desember tahun 2025
2. Peneliti hanya mangunakan metode backpropagation dan leraning vector quantization
Kontribusi
1. Dapat menghasilkan sebuah aplikasi prakiraan beban listrik
2. Dapat dijadikan sebagai data acuan untuk menyiapkan energi listrik dimasa mendatang.
BAB II
Pengertian Backpropagation
Backpropogation merupakan algoritma pembelajaran yang terawasi yang menggunakan
banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya.
Aristektur Backpropagation
Jaringan syaraf tiruan Backpropogation terdiri dari banyak lapisan.
Algoritma Backpropagation
Fase I: Propagasi maju, Fase II: Propagasi mundur, Fase III: Perubahan bobot.
Tahapan Peramalan
Beban Listrik
1. Beban rumah tangga. 1. Menentukan tujuan dari peramalan
2. Beban komersial. 2. Memilih item independent demand yang akan diramalkan
3. Beban industri. 3. Menentukan horison waktu dari peramalan (jangka pendek,
4. Beban Fasilitas Umun. menengah, atau panjang)
4. Memilih model-model peramalan
Peramalan 5. Memperoleh data yang dibutuhkan untuk melakukan
1. Peramalan Jangka Panjang peramalan
2. Peramalan Jangka Menengah 6. Validasi model peramalan
3. Peramalan Jangka Pendek 7. Membuat peramalan
8. Implementasi hasil-hasil peramalan
9. Memantau keandalan hasil peramalan
BAB II
2016 - - - 2016 - - -
2017 - - -
2017 - - -
2018 - - -
2018 - - -
2019 Januari 0.809330172 0.818625271
2019 Januari 25644 2,062,110.00
2019 Februari 0.832946058 0.771726809
2019 Februari 25893 1,814,317.00
2019 Maret 0.841387078 0.722915402
2019 Maret 25982 1,953,128.00
2019 April 0.845275637 0.800484231
2019 April 26023 1,975,600.00
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12
HASIL PELATIHAN ERROR (MAPE) AKURASI Bulan Juli Tahun 2015 Sampai Bulan Juni Tahun 2016
TARGET
REAL BP LVQ
BP VLQ BP LVQ BP LVQ
Akurasi
99.2
99
98.8
98.6
98.4
98.2
98
1 2 3 4 5 6 7 8 9 10 11 12
Bulan Juli Tahun 2015 Sampai Bulan Juni Tahun 2016
2016 - - - - - - - -
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
RATA-RATA
Bulan Juli Tahun 2015 Sampai Bulan Juni Tahun 2017
TARGET HASIL PELATIHAN ERROR (MAPE) AKURASI
BP LVQ
REAL BP VLQ BP LVQ BP LVQ
Akurasi
98.5
98
97.5
97
96.5
96
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Bulan Juli Tahun 2015 Sampai Bulan Juni Tahun 2017
PERCENTAGE ERROR
TARGET HASIL PELATIHAN AKURASI
TAHUN BULAN (PE)
REAL
BP VLQ BP LVQ BP LVQ
2015 juli 1817.494624 1817.495992 1781.42847 7.53E-05 1.98E+00 99.9999 98.0156
2016 - - - - - - - -
2017 - - - - - - - -
2000
1500
1000
500
RATA-RATA
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
TARGET HASIL PELATIHAN ERROR (MAPE) AKURASI Bulan Juli Tahun 2015 Sampai Bulan Juni Tahun 2018
REAL BP VLQ BP LVQ BP LVQ BP LVQ
Akurasi
97
96
95
94
93
92
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Bulan Juli Tahun 2015 Sampai Bulan Juni Tahun 2018
2017 - - - - - - - -
2018 - - - - - - - -
2500 100
Beban Listrik (kW)
2000 80
Akurasi
y = 10.566x + 2093.9
1500 R² = 0.3017 60
500 20
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Bulan Juli Tahun 2016 Sampai Bulan Juni Tahun 2019 Bulan Juli Tahun 2016 Sampai Bulan Juni Tahun 2019
RATA-RATA
2018 - - - - - - - -
3000 100
Beban Listrik (kW)
2500
80
Akurasi
y = 24.263x + 2396.4
2000
R² = 0.527
60
1500
40
1000
y = 29.088x + 1884.6
R² = 0.6509 20
500
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Bulan Juli Tahun 2017 Sampai Bulan Juni Tahun 2019 Bulan Juli Tahun 2017 Sampai Bulan Juni Tahun 2019
RATA-RATA
PERCENTAGE ERROR
TARGET HASIL PELATIHAN AKURASI
TAHUN BULAN (PE)
REAL
BP VLQ BP LVQ BP LVQ
2018 juli 2406.9476 2434.3851 2169.0074 1.1399 9.8856 98.8601 90.1144
3000 100
Beban Listrik (kW)
2500
80
Akurasi
2000 y = 21.208x + 2550.8
R² = 0.3167 60
1500
y = 31.858x + 2528.9
R² = 0.5259 40
1000
500 20
0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Bulan Juli Tahun 2018 Sampai Bulan Juni Tahun 2019 Bulan Juli Tahun 2018 Sampai Bulan Juni Tahun 2019
RATA-RATA
Paired Differences
95% Confidence Interval
Std. Std. Error t df Sig. (2-tailed)
Mean of the Difference
Deviation Mean
Lower Upper
Pair 1 BP - LVQ 1303.51535 219.72781 24.87927 1253.97438 1353.05632 52.394 77 0.000
Ho = tidak ada perbedaan hasil prediksi backpropagation dan learning vector quantization.
Ha = ada perbedaan hasil prediksi backpropagation dan learning vector quantization.
Jika nilai Sig. (2-tailed) < 0.05, maka Ho ditolak dan Ha diterima.
Sebaliknya, Jika nilai Sig. (2-tailed) > 0.05, maka Ho diterima dan Ha ditolak.
BAB IV Aplikasi Prakiraan Beban Listrik
BAB V
Kesimpulan
4. Backpropagation memberikan perkiraan beban listrik yang lebih baik dari pada metode
learning vector quantization untuk kasus/permasalan ini, akan tetapi kumpulan data pelatihan
tidak cukup banyak untuk digeneralisasi oleh model arsitektur terbaik yang didapat dari hasil
pelatihan Backpropagation. Faktor pendukung seperti jumlah pelanggan listrik tidak
dimasukkan. Sehingga, bisa saja memiliki pengaruh yang signifikan terhadap hasil.
5. model arsitektur terbaik yang didapat dari hasil pelatihan dan pengujian Backpropagation
hanya mampu memprediksi beban listrik dari bulan juli tahun 2019 sampai bulan april 2023.
BAB V
Saran