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.
Halaman Judul.pdf
Download (489kB)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (305kB)
Abstrak.pdf
Restricted to Registered users only
Download (19kB)
Bab I.pdf
Download (90kB)
Bab II.pdf
Restricted to Registered users only
Download (291kB)
Bab III.pdf
Restricted to Registered users only
Download (245kB)
Bab IV.pdf
Restricted to Registered users only
Download (337kB)
Bab V.pdf
Restricted to Registered users only
Download (21kB)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (143kB)
Lampiran.pdf
Restricted to Registered users only
Download (61kB)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (244kB)
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.
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Long Short-Term Memory, Electric Power, Prediction |
Divisions: | Fakultas Teknik > Teknik Elektro S1 |
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 |