Electronic Theses and Dissertation

Tenaga listrik mempunyai sifat khusus yang berbeda dengan komoditi lain pada umumnya. tingkat produksi atau tenaga yang dihasilkan oleh mesin pembangkit listrik harus sesuai dengan tingkat kebutuhan yang ada. apabila daya yang dibangkitkan pln lebih besar dari kebutuhan daya konsumen maka akan terjadi pemborosan, begitu juga sebaliknya jika kebutuhan daya lebih besar dibanding produksi daya oleh pln maka akan terjadi over load. disebakan hal tersebut diatas perlu adanya sebuah prakiraan beban listrik. pada penelitian ini, penulis mencoba untuk membangun suatu model prediksi beban puncak jangka pendek menggunakan jaringan saraf tiruan dengan algoritma pembelajaran backpropagation dan fungsi aktivasi sigmoid biner. setelah melalui proses latih, model jst dengan komposisi trainingfunction traincgb menghasilkan nilai mse terkecil atau terbaik yaitu sebesar 7.50823e-05 dengan learning rate 1 dan jumlah hidden neuron sebanyak 100 neuron pada epoch ke 52 dari maksimum 500 epoch. berdasarkan hasil prediksi menggunakan model jaringan saraf tiruan (jst) diperoleh rata-rata error harian minimum pada data tanggal 25 mei 2011 dengan nilai sebesar 1,62 % atau dengan tingkat akurasi sebesar 98,38 %. sedangkan rata- rata error harian maksimum basil prediksi model jst ditunjukkan pada data 23 mei 2011 dengan error sebesar 7,07 % atau dengan tingkat akurasi sebesar 92,93 %. setelah dibandingkan dengan metode moving average, model jst menghasilkan rata-rata error mingguan yang lebih baik yaitu sebesar 3,78%, sedangkan hasil prakiraan moving average menghasilkan 5,82%. kata ku.nci : energi listrik, peramalan, backpropagation.