Electronic Theses and Dissertation

Permintaan energi listrik di kota banda aceh terus meningkat setiap tahunnya. untuk mengantisipasi kenaikan tersebut perlu diupayakan kajian strategis untuk memastikan infrastruktur kelistrikan di kota banda aceh mampu memenuhi permintaan tersebut. salah satu kajian yang dilakukan terlebih dahulu adalah dengan membuat model prakiraan jangka menengah. penelitian ini mengembangkan algoritma radial basis function (rbf) untuk membuat model prakiraan beban listrik jangka menengah. model rbf tersebut dilengkapi dengan struktur training data yang terdiri dari 4 (empat) variabel data masukan dan 1 (satu) data target. model tersebut dilatih dengan variasi fungsi training, yaitu lavenberg marquardt (trainlm), gradient descent and adaptive learning rate (traingda) serta gradient descent with momentum and adaptive learning rate (traingda). instrumen mape digunakan untuk mengukur tingkat akurasi model pada simulasi training dan testing. berdasarkan hasil simulasi training dan testing, model rbf menggunakan fungsi trainlm memberikan kontribusi nilai mape terbaik sebesar 0,08 % untuk golongan tarif beban rumah tangga dan 5,6e-04 % untuk golongan tarif beban industri. kata kunci: prakiraan beban listrik jangka menengah, mape, trainlm.

The electricity demand in the city of Banda Aceh continues to increase every year. To anticipate this rise, it is necessary to conduct a strategic study to ensure that the electrical infrastructure in the city of Banda Aceh can meet this demand.One of the preliminary studies conducted is by creating a medium-term forecasting model. This research develops the Radial Basis Function (RBF) algorithm to create a medium-term electricity load forecasting model.The RBF model is equipped with a training data structure consisting of 4 input data variables and 1 target data variable.The model is trained using various training functions, namely lavenberg-Marquardt (trainlm), Gradient Descent with Adaptive Learning Rate (traingda), and Gradient Descent with Momentum and Adaptive Learning Rate (traingda).The Mean Absolute Percentage Error (MAPE) metric is used to measure the accuracy level of the model in both training and testing simulations.Based on the results of the training and testing simulations, the RBF model using the trainlm function provides the best MAPE values of 0.08% for the household tariff category and 5.6E-04% for the industrial tariff category. Keywords: medium-term electricity load forecasting, MAPE, trainlm