Prediksi Penggunaan Energi Listrik Menggunakan Algoritma Recurrent Neural Network
Abstract
Abstrak—Penggunaan energi listrik merupakan salah satu faktor penting dalam kehidupan terutama pada sektor gedung dan bangunan. Penggunaan energi listrik dalam sektor gedung tentunya mengkonsumsi banyak energi listrik sehingga bisa menyebabkan keborosan, oleh karena itu dibutuhkan sesuatu yang bisa memprediksi serta memantau penggunaan energi listrik. Untuk memprediksi penggunaan energi listrik, penerapan deep learning dapat digunakan dalam bidang ini. Salah satu algoritma yang digunakan dalam penelitian ini adalah Recurrent Neural Network (RNN). Selain itu, akan dibangun sebuah sistem yang bisa memantau serta memprediksi penggunaan energi listrik secara langsung melalui sebuah website. Setelah melakukan pengujian parameter, didapatkan lah hasil untuk algoritma RNN dengan rasio pembagian antara data latih dan data tes yaitu 90% data latih dan 10% data tes, jumlah block sebanyak 1 Block RNN dengan 32 Neuron didalamnya, 1 Dense Layer dengan 8 Neuron, tipe algoritma optimasi Adam dengan learning rate sebesar 0,001, Epochs sejumlah 100 iterasi, dan Batch Size sebanyak 100 yang menghasilkan prediksi cukup baik dengan MAE 0,621, MSE 1,125, RMSE 1,060, R2 Score 72% dan MAPE 14%.Kata Kunci—penggunaan energi listrik, prediksi, RNN.
References
e. a. Kuhua Wu, An Attention Based CNN – LSTM – BiLSTM Model for Short Term Electric Load Forecasting in Integrated Energy System, WILEY,2020.
M. L. Abdurahman, "A Review on Deep Learning with Focus on Deep Recurrent Neural Network for Electricity Forecasting in Residential Building", 10th International Young Scientists Conference on Computational Science, 2021.
S. L. A. D. G. K. Hao Tu, "An LSTM Based Online Prediction Method for Building Electric Load during Covid-19", Annual Conference of The Prognostics and Health Management Society, 2020.
C. H. G. L. W. X. Kangji Li, “Building’s Electricity Consumption Prediction using Optimized Artificial Neural Network and Principal Component Analysis”, Energy and Buildings, 2015..
Yi Chung Hu, “Electricity Consumption Prediction using a Neural Network Based Grey Forecasting Approach”, Journal of the Operational Research Society, 2017.
A. M. A. A. S. A. M. R. A. S. N. A. Abdulla I Almazrouee, “Long-Term Forecasting of Electrical Loads in Kuwait using Prophet and Holt-Winters Models”, Applied Science, 2020.
X. W. Z. Z. Q. W. Y. B. M. Z. [7] Zhiyong Zou, “Prediction of Short Term Electric Load Based on Backpropagation Neural Network and ARIMA Combination”, 4th Information Technology and Mechatronics Engineering Conference (ITOEC), 2018.
D. L. M. M. M. Kasun Amarasinghe, “Deep Neural Network for Energy Load Forecasting”, IEEE, 2017.
S. P. H. L. M. P. Muhammad Amri Yahya, “Short Term Electric Load Forecasting using Recurrent Neural Network”, 4th International Conference on Science Technology (ICST), 2018.
J. X. C. L. Y. T. B. Z. C. L. Yun Bai, “Regression Modelling for Enterprise Electricity Consumption : A Comparison of Recurrent Neural Network and its Variants”, International Journal of Electrical Power and Energy Systems, 2021.
M. Imani, “Long-Short Term Memory Network and Support Vector Regression for Electrical Load Forecasting” International Conference on Power Generation Systems and Renewable Energy Technologies, (PGSRET), 2019.
G. P. Zhang, “Time Series Forecasting using Hybrid ARIMA and Neural Network Model”, Neurocomputing, 2003.
