Perancangan Sistem Prediksi Penggunaan Listrik Rumah Tangga Berbasis Website
DOI:
https://doi.org/10.34818/eoe.v9i5.18488Abstract
Abstrak-Prediksi konsumsi beban listrik merupakan langkah awal yang tepat untuk mengatasi permasalahan kebutuhan konsumsi listrik di berbagai sektor rumah tangga. Prediksi konsumsi beban listrik juga sangat dibutuhkan dalam pengembangan jaringan listrik untuk ke depannya. Dalam penelitian ini dirancang suatu sistem untuk prediksi beban listrik berbasis website untuk dapat memprediksi beban listrik dan biaya selang waktu yang diinginkan. Pada pembuatan website ini metode prediksi yang akan di gunakan adalah metode Extreme Gradient Boosting (XGBoost) serta Framework streamlit digunakan dalam penelitian ini dalam membuat website. Data yang digunakan dalam prediksi konsumsi beban listrik harian per jam (24 jam) adalah 38 hari, yaitu dari tanggal 22 Maret 2020 hingga 28 April 2020. Hasil prediksi yang di dapat yaitu selama 6 hari untuk tanggal 23 April sampai tanggal 28 April yang menghasilkan nilai dengan MSE (Mean Square Eror) sebesar: 9,861 dan MAE (Mean Absolute Error): 0,055 MAPE (Mean Absolute Percent Error): 0,1414.Kata kunci— Kata kunci sedapat mungkin menjelaskan isi tulisan, dan ditulis dengan huruf kecil, kecuali akronim. Kata kunci tidak lebih dari 6 kataReferences
[1] Agustin, R., & Wikarya, U. (2019). Pengaruh Kebijakan Tariff Adjustment Listrik terhadap Konsumsi Listrik Rumah Tangga di Indonesia. Jurnal Kebijakan Ekonomi, 15(1), 11.
[2] Sholeh, M., & Firdaus, F. Analisis Efisiensi Penggunaan Energi Listrik Sektor Rumah Tangga di Pekanbaru Menggunakan Perangkat Lunak LEAP (Doctoral dissertation, Riau University).
[3] Muhtar, G. A. (2022). LISTRIK BERDAYA RENDAH LEBIH EFISIEN DI PERKOTAAN: PENDEKATAN SISTEM INFORMASI GEOGRAFIS. JUIK (Jurnal Ilmu Komputer), 2(1), 67-71.
[4] Arief, M. R. (2011). Pemrograman Web Dinamis Menggunakan Php Dan Mysql. Yogyakarta: Andi.
[5] Streamlit. (2020). Home: Streamlit. Diambil Kembali Dari Streamlit.Io: Https://Docs.Streamlit.Io/En/Stable/#:~:Text=Streamlit%20is%20an%20open %2dsource, Apps%20%2d%20so%20let's%20get%20started!
[6] Python. “Pickle – Python Object Serialization” [Online],
[7] Suswanto, D. (2009). Sistem Distribusi Tenaga Listrik. Universitas Negeri Padang, Padang.
[8] Dwiantoro, B. (2012). Peramalan Beban Listrik Jangka Pendek Berdasarkan Data Historis Menggunakan Metode Generalized Autoregressive Conditionalheteroskedasticity (Garch).
[9] N. Zheng, Y. Shao, S. Zou, And Z. Ma, “Short-Term Load Forecasting Based On Wavelet Decomposition And Xgboost,” Proc. 2020 10th Int. Work. Comput. Sci. Eng. (Wcse 2020), No. Wcse, Pp. 19–21, 2020, Doi: 10.18178/Wcse.2020.06.060.
[10] Sautomo, S., & Pardede, H. F. (2021). Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (Lstm). Jurnal Resti (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 99-106.
[11] Putro, B. (2018). Prediksi Jumlah Kebutuhan Pemakaian Air Menggunakan Metode Exponential Smoothing (Studi Kasus: Pdam Kota Malang) (Doctoral Dissertation, Universitas Brawijaya).
[12] Putra, M. L. P. (2021). Sistem Prediksi Harga Rumah Di Pulau Jawa Dengan Analisis Random Forest Dan Website Interaktif Mengunakan Framework Streamlit.
