SETA AJI DWI ANGGARA (2024) ANALISIS PREDIKSI BEBAN LISTRIK YANG TERHUBUNG DENGAN TRANSFORMATOR DAYA 150 KV PADA GARDU INDUK MENGGUNAKAN MODEL MACHINE LEARNING. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (489kB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (305kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (19kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (90kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (291kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (245kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (337kB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (21kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (143kB)
[thumbnail of Lampiran] Text (Lampiran)
Lampiran.pdf
Restricted to Registered users only
Download (61kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (244kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

Long Short-Term Memory (LSTM) adalah jenis jaringan saraf tiruan yang khusus dirancang untuk menangani data deret waktu dan memiliki kemampuan untuk mengenali dan memprediksi pola-pola kompleks dalam data. Dalam konteks pengelolaan sistem tenaga listrik, prediksi beban yang akurat sangat penting untuk memastikan stabilitas dan efisiensi operasional. Metode penelitian ini melibatkan pengumpulan data historis beban listrik dari gardu induk yang dipelajari, diikuti dengan pelatihan model LSTM menggunakan data tersebut. Model ini kemudian diuji dan dievaluasi menggunakan evaluasi MAE, MSE, RMSE dan R2. Keakuratan prediksi yang lebih tinggi dari model LSTM dapat membantu operator sistem tenaga listrik dalam perencanaan dan pengelolaan beban, sehingga mengurangi risiko kegagalan sistem dan meningkatkan efisiensi operasi gardu induk. Penelitian ini memberikan kontribusi penting dalam bidang pengelolaan sistem tenaga listrik, khususnya dalam pengembangan metode prediksi beban yang lebih canggih dan akurat. Hasil yang diperoleh adalah dengan menggunakan nilai Epoch sebesar 250, nilai Batch Size sebesar 50 dan Jumlah Input dan Jumlah Hidden Neuron sebesar 50. Dengan nilai tersebut didapat hasil evaluasi MAE sebesar 2.86218, evaluasi MSE sebesar 15.24210, evaluasi RMSE sebesar 3.90411, dan evaluasi R2 sebesar -0.18891.

Dosen Pembimbing: Karisma Trinanda Putra, , Ir., S.ST., M.T., Ph.D. | NIDN0519069003
Item Type: Thesis (S1)
Uncontrolled Keywords: Long Short-Term Memory, Electric Power, Prediction
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Bima
Date Deposited: 01 Jul 2024 03:01
Last Modified: 01 Jul 2024 03:01
URI: https://etd.umy.ac.id/id/eprint/46329

Actions (login required)

View Item View Item