Unsil Teliti Aplikasi Algoritma Feed Forrward

radartasik.com, TASIK - Aplikasi Algoritma Feed Forrward Backpropagation untuk penggunaan beban listrik anomali. Itulah hasil penelitian Dosen Fakultas Teknik Universitas Siliwangi (Unsil) M Aris Risnandar SPd MT, Imam Taufiqurrahman SPd MT, dan Linda Faridah SPd MT.

Penggunaan beban listrik dari waktu ke waktu mengalami peningkatan. Hampir 3-7% beban meningkat dalam per tahun dan sudah terjadi selama bertahun-tahun.

Prediksi beban adalah salah satu cara untuk membantu dalam hal perencanaan pembangkitan maupun pengeluaran energi listrik. Pola beban listrik hari libur memiliki perbedaan yang mencolok dengan pola beban listrik pada hari normal, sehingga memerlukan prediksi secara khusus.

Aplikasi algoritma feed forwad backpropagation digunakan untuk menganalis beban listrik anomali dengan aplikasi MATLAB. Optimasi prediksi dilakukan dengan mengubah nilai learning rate dan jumlah input pembelajaran.

Data historis yang digunakan untuk memprediksi beban listrik jangka pendek yaitu menggunakan data pengeluaran beban listrik dari PT.PLN (persero) area II Jawa Barat. Data yang digunakan untuk menganalisis karakteristik penggunaan beban listrik yaitu data pengeluaran beban listrik konsumen Region II Jawa Barat data di ambil dari longsheet.

Data tersebut dibagi 3 tipe yaitu hari kerja, akhir pekan dan libur nasional cuti bersama dengan masing-masing data 30 buah. Beban anomali adalah beban yang menyimpang secara signifikan dari beban normal.

Penelitian ini dilakukan pada hari libur nasional cuti bersama yang memiliki beban anomali. Peneliti mengkategorikan yang termasuk beban anomaly mempunyai demand > 4000 MV dan demand < 2000 MV dari pola beban hari libur nasional cuti bersama. Dalam penelitian ini, kesalah presentasi absolute (MAPE) dianggap sebagai standar pengukuran untuk menguji akurasi dari prediksi.

Penelitian yang dilakukan menunjukan bahwa performa algoritma feed forward backpropagation untuk mempredikasi beban listrik hari libur tipe beban anomali menunjukan tingkat akurasi yang tinggi.

Untuk mencapai hasil yang maksimal optimasi dilakukan dengan mengubah nilai learning rate dan jumlah input. Hasil optimasi membuktikan bahwa input berpengaruh pada tingkat akurasi dari predikasi beban listrik hari libur tipe beban anomali.

Semakin banyak jumlah input pembelajaran maka semakin tinggi tingkat akurasi dan menunjukan error yang semakin kecil. Variasi learing rate membuktikan bahwa nilai learing rate pada nilai tengah memberikan hasil terbaik. (rls)