ANDI PARDELA (2024) EVALUASI PREDIKSI BEBAN LISTRIK YANG TERHUBUNG OLEH TRAFO DAYA 150 KV TERHADAP GARDU INDUK MENGGUNAKAN MACHINE LEARNING GOOGLE COLAB DENGAN MODEL LONG SHORT-TERM MEMORY MULTIPLE VARIETIES. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (909kB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (1MB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (220kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (177kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (711kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (363kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (574kB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (18kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (382kB)
[thumbnail of Lampiran] Text (Lampiran)
Lampiran.pdf
Restricted to Registered users only
Download (143kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (285kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (2MB)

Abstract

Studi ini bertujuan untuk mengevaluasi prediksi beban listrik PLN GIS Cawang Baru kepada pelanggan yang terhubung oleh transformator daya 150 kV terhadap gardu induk menggunakan metode Machine Learning dengan model Long Short-Term Memory (LSTM) multiple varieties di platform Google Colab. Data historis berbagai variabel seperti beban listrik sebelumnya, dan Daya Nyata (MW) digunakan untuk melatih dan menguji model. Evaluasi dilakukan untuk mengukur tingkat akurasi prediksi model terhadap data aktual. Implementasi LSTM multiple varieties diharapkan dapat meningkatkan ketepatan prediksi beban listrik, yang dapat mendukung perencanaan dan pengelolaan sistem distribusi daya secara efisien.

Dosen Pembimbing: Karisma Trinanda Putra, , Ir., S.ST., M.T., Ph.D. | NIDN0519069003
Item Type: Thesis (S1)
Uncontrolled Keywords: Long Short-Term Memory (LSTM), Google Colab, Real Power (MW), 150 kV power transformer
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Bima
Date Deposited: 30 Jul 2024 07:15
Last Modified: 04 Sep 2024 02:26
URI: https://etd.umy.ac.id/id/eprint/46586

Actions (login required)

View Item View Item