Prediksi Penggunaan Energi Listrik Menggunakan Metode Feedforward Neural Network
DOI:
https://doi.org/10.34818/eoe.v8i6.17067Abstrak
Memprediksi total biaya penggunaan energi listrik dengan tingkat akurasi yang tinggi sangatlah penting. Penerapan metode yang sesuai sangat berpengaruh terhadap tingkat akurasi yang dihasilkan dalam prediksi. Dalam prediksi ini menggunakan metode Feedforward Neural Network (FFNN) dengan algoritma Backpropagation. Dalam Tugas Akhir ini akan membuat sistem berbasis web untuk melakukan prediksi penggunaan energi listrik dengan model neural network. feed forward neural network (FFNN) merupakan model yang lebih sering digunakan karena dikenal memiliki kemampuan pendekatan yang baik dan bersifat universal. Selain itu, metode FFNN telah dikenal akan keunggulannya, yaitu memiliki nilai prediksi yang sangat mendekati nilai aktualnya sehingga menghasilkan error yang kecil serta memiliki kemampuan untuk mendeteksi atau melakukan analisis untuk permasalahan yang bersifat sangat kompleks. Untuk itu penelitian ini menggunakan metode Feedforward Neural Network dalam memprediksi total biaya penggunaan energi listrik dengan dipengaruhi oleh jumlah unit neuron pada hidden layer, yang meungkinkan nilai error yang di dapat lebih kecil. Keakuratannya pada metode ini bisa di lihat dengan menggunakan MSE (Mean Square Error). Pada Tugas Akhir ini menggunakan data history penggunaan kWh Gedung P Fakultas Teknik Elektro. Hasil pengujian FFNN menggunakan parameter terbaik yaitu dengan partisi data 70% data training 30% data testing, learning rate 0.001, dan epoch sebesar 80 sehingga menghasilkan nilai MSE sebesar 0.35037. Kata Kunci: Prediksi, Feedforward Neural Network (FFNN), error.Referensi
[1] Markidakis , ”Metode dan Aplikasi Peramalan,“ Erlangga Jakarta, 1995.
[2] Z. Zhong, ”Time Series Forecasting Using a Hybrid RBF Neural Network and AR Model Based on Binomial
Smoothing,“ Word Academy of Science, Engginering and Technology 75, 2011.
[3] Kriesel D, “A Brief Introduction to Neural Network,” 2007.
[4] Robert E. Uhrig, “Introduction to Artifical Neural Network,” Prossedings of IECOM Annual Conference on IEEE
Industrial Electronics, 1995.
[5] A. K. H. and Y. Sures, “Multilayer Feedforward Neural Network to Predict the Speed of Wind,” IEEE, Bengaluru, 2016.
[6] S. P. Siregar and A. Wanto, “Analysis of Artificial Neural Network Accuracy Using Backpropagation Algorithm In
Predicting Process Forecasting,” Int. J. Inf. Syst. Technol., vol. 1, no. 1, pp. 34–42, 2017.
[7] P. Antwi et al., “Estimation of Biogas and Methane Yields in an UASB Treating Potato Starch Processing Wastewater
With Backpropagation Artificial Neural Network,” Journal Bioresour Technology, vol. 228, pp. 106–115, 2017.
[8] D. Huang and Z. Wu, “Forecasting Outpatient Visits Using Empirical Mode Decomposition Coupled With
Backpropagation Artificial Neural Networks Optimized by Particle Swarm Optimization,” PLoS One, vol. 12, no. 2, pp.
1–18, 2017.
[9] Fausett, Laurene,” Fundamentals of Neural Network Architectures, Algoriths, and Application,” London : Prentice
Hall, Inc, 1994.
[10] Chang, P.-C., Wang, Y.-W. & Liu, C.-H.,” The Development of a Weighted Evolving Fuzzy Neural Network for PCB
Sales Forecasting,” Expert Systems with Applications, Volume 32, pp. 88 – 89, 2007.
[11] Mohammadi, K. et al.,” Predicting The Wind Power Density Based Upon Extreme Learning Machine,” Energy, Volume
86, pp. 232-239, 2015.
[12] M. F. Almas, B. D. Setiawan, Sutrisno,“ Implementasi Metode Beckpropagation untuk Prediksi Harga Batu Bara,” Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer, 2018.
[13] Karlik,B., dan Olgac,V,A. (2011),” Performance Analysis of Various Activation Functions in Generalized MLP
Architectures of Neural Networks”, International Journal of Artificial Intelligence And Expert Systems (IJAE), 111-122.
[14] Novita, D., & Amelia, L. (2019). Analisis Usability Aplikasi Pengisian Krs Online Stmik Xyz Palembang Menggunakan
Use Questionnaire. Jurnal Informasi Dan Komputer, 7(1), 17–28.
