Electronic Theses and Dissertation

Prakiraan beban listrik jangka pendek memiliki peran vital dalam pengoperasian sistem tenaga listrik yang efisien dan ekonomis. Untuk itu nilai yang dihasilkan prakiraan tersebut harus menginformasikan seberapa besar kesalahan peramalan dibandingkan dengan nilai sebenarnya. Semakin kecil nilai presentasi kesalahan (percentage error) maka semakin akurat hasil peramalan tersebut dengan tingkat akurasi yang maksimal. Salah satu cara untuk mendapatkan nilai prakiraaan beban listrik jangka pendek dengan tingkat akurasi yang maksimal adalah dengan memanfaatkan metode jaringan syaraf tiruan dalam pengembangan model prakiraan. Penelitian ini mengembangkan model prakiraan beban listrik mingguan dengan memanfaatkan metode jaringan syaraf tiruan. Model prakiraan beban mingguan tersebut dibentuk berdasarkan pola klasifikasi pembebanan harian, yaitu berdasarkan pola pembebanan hari kerja (Senin – Jum’at) dan pola pembebanan hari libur (Sabtu dan Minggu). Selain itu, model prakiraan beban mingguan juga dilengkapi dengan variabel temperatur dan kelembaban udara sebagai variabel data masukan. Model prakiraan beban listrik mingguan tersebut dilatih menggunakan skema struktur lapisan ganda perambatan maju (Feedforward Multilayer Network) dan algoritma Lavenberg Marquardt sebagai fungsi training. Model prakiraan beban mingguan tersebut akan disimulasikan dua tahap, yaitu simulasi training model dan simulasi testing model. Instrumen MAPE (Mean Absolute Percentage Error) digunakan untuk mengukur diferensiasi nilai antara nilai output model dengan nilai aktualnya. Berdasarkan hasil simulasi training, model prakiraan beban mingguan menghasilkan nilai MAPE di bawah 10%. Sedangkan berdasarkan hasil simulasi testing, model prakiraan beban mingguan pola hari Rabu menghasilkan nilai MAPE terbaik sebesar 1,78%.

Kata kunci: Prakiraan beban listrik mingguan, jaringan syaraf tiruan, MAPE.

Short-term electricity load forecasting plays a vital role in the efficient and economical operation of the power system. The value generated by these forecasts should indicate the magnitude of forecasting errors compared to actual values. The smaller the value of the percentage error, the more accurate the forecasting results are, with a higher level of accuracy. One way to achieve highly accurate short-term electricity load forecasts is by utilizing artificial neural network methods in the development of the forecasting model. This study develops a model for weekly electricity load forecasting using artificial neural network methods. The weekly electricity load forecasting model is constructed based on daily load classification patterns, specifically the patterns for weekdays (Monday - Friday) and weekends (Saturday and Sunday). Additionally, the model is equipped with temperature and air humidity variables as input data. The model is trained using a feedforward multilayer network structure and the Levenberg-Marquardt algorithm as the training function. The model undergoes two simulation phases: model training simulation and model testing simulation. The Mean Absolute Percentage Error (MAPE) metric is employed to measure the discrepancy between the model's output values and the actual values. Based on the training simulation results, the weekly electricity load forecasting model produces a MAPE value below 10%. Moreover, from the testing simulation results, the weekly electricity load forecasting model for Wednesday load pattern yields the best MAPE value at 1.78%. Keywords: Weekly electricity load forecasting, artificial neural network, MAPE.