<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="113655">
 <titleInfo>
  <title>PRAKIRAAN BEBAN LISTRIK JANGKA MENENGAH KOTA BANDA ACEH MENGGUNAKAN ALGORITMA RADIAL BASIS FUNCTION (RBF)</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Astrid Pamela Putri</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Prog. Studi Magister Teknik Elektro</publisher>
   <dateIssued>2023</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Theses</form>
  <extent></extent>
 </physicalDescription>
 <note>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.&#13;
&#13;
Kata kunci: prakiraan beban listrik jangka menengah, MAPE, trainlm.</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>ALGORITHMS - COMPUTER PROGRAMMING</topic>
 </subject>
 <subject authority="">
  <topic>ELECTRICITY</topic>
 </subject>
 <classification>005.1</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>113655</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2023-08-24 16:17:23</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2023-08-25 10:26:18</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>