PERAMALAN DAYA LISTRIK BERBASIS PARTICLE SWARM OPTIMIZATION MENGGUNAKAN METODE MULTIPLE LINEAR REGRESSION PADA PLTMH MUARA, BULELENG BALI
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Wahyudi, Irham
Subject
AI Indexes (General)
Datestamp
2023-07-14 07:22:05
Abstract :
Pemenuhan kebutuhan listrik ini dapat dilakukan dengan melakukan peramalan kebutuhan listrik sehingga tersedia listrik yang cukup dengan harga yang wajar. Permasalahannya yaitu jika daya yang dibangkitkan jauh melebihi kebutuhan warga maka dapat mengakibatkan kerugian pada pihak PLN dan apabila daya yang dibangkitkan lebih kecil dari kebutuhan warga maka akan merugikan warga yang menggunakannya. Maka sebab itu pihak PLTMH harus bisa memprediksi berapa besar kebutuhan daya pada warga, agar pihak PLTM Muara Raya Bali dapat menyuplai sesuai dengan permintaan pihak PLN. Dari hasil peneltian terdahulu maka pada penelitian kali ini mengusulkan sistem yang terintegrasi yang mencakup Multiple Linear Regression yang dioptimalkan menggunakan Particle Swarm Optimization (PSO) untuk melakukan peramalan daya listrik pada PLTMH Muara Raya. Data yang digunakan pada penelitian ini adalah debit air, curah hujan dan daya listrik selama 2 tahun yang terhitung dari 1 januari ? 31 Desember 2020 dan 2021. Penelitian ini menggunakan tingkat evaluasi error MAPE, RMSE dan LSE dari hasil tersebut didapatkan hasil prediksi terbaik untuk pengujian peramalan dilakukan sebanyak 10 kali setiap percobaannya pada metode Multiple Linear Regression berbasis Particle Swarm Optimization dengan error MAPE 1,117%, RMSE 0,01 dan LSE 1,004x10-4 pada tahun 2020 dan hasil error MAPE 0,911%, RMSE 0,0125, LSE 1,569x10-4 pada tahun 2021 sedangkan hasil dari peramalan menggunakan metode Multiple Linear Regression menggunakan data tahun 2020 MAPE 1,140%, RMSE 0,0096, LSE 9,235x10-5, data 2021 error MAPE 1,158%, RMSE 0,0121, LSE 1,469x10-4. Pada hasil pengujian yang telah dilakukan didapatkan bahwa peramalan 1 hari lebih baik dengan menggunakan evaluasi error LSE dan RMSE dimana hasil prediksi mendekati nilai aktualnya.
Pemenuhan kebutuhan listrik ini dapat dilakukan dengan melakukan peramalan kebutuhan listrik sehingga tersedia listrik yang cukup dengan harga yang wajar. Permasalahannya yaitu jika daya yang dibangkitkan jauh melebihi kebutuhan warga maka dapat mengakibatkan kerugian pada pihak PLN dan apabila daya yang dibangkitkan lebih kecil dari kebutuhan warga maka akan merugikan warga yang menggunakannya. Maka sebab itu pihak PLTMH harus bisa memprediksi berapa besar kebutuhan daya pada warga, agar pihak PLTM Muara Raya Bali dapat menyuplai sesuai dengan permintaan pihak PLN. Dari hasil peneltian terdahulu maka pada penelitian kali ini mengusulkan sistem yang terintegrasi yang mencakup Multiple Linear Regression yang dioptimalkan menggunakan Particle Swarm Optimization (PSO) untuk melakukan peramalan daya listrik pada PLTMH Muara Raya. Data yang digunakan pada penelitian ini adalah debit air, curah hujan dan daya listrik selama 2 tahun yang terhitung dari 1 januari ? 31 Desember 2020 dan 2021. Penelitian ini menggunakan tingkat evaluasi error MAPE, RMSE dan LSE dari hasil tersebut didapatkan hasil prediksi terbaik untuk pengujian peramalan dilakukan sebanyak 10 kali setiap percobaannya pada metode Multiple Linear Regression berbasis Particle Swarm Optimization dengan error MAPE 1,117%, RMSE 0,01 dan LSE 1,004x10-4 pada tahun 2020 dan hasil error MAPE 0,911%, RMSE 0,0125, LSE 1,569x10-4 pada tahun 2021 sedangkan hasil dari peramalan menggunakan metode Multiple Linear Regression menggunakan data tahun 2020 MAPE 1,140%, RMSE 0,0096, LSE 9,235x10-5, data 2021 error MAPE 1,158%, RMSE 0,0121, LSE 1,469x10-4. Pada hasil pengujian yang telah dilakukan didapatkan bahwa peramalan 1 hari lebih baik dengan menggunakan evaluasi error LSE dan RMSE dimana hasil prediksi mendekati nilai aktualnya.
File :
04191036_cover.pdf
04191036_statetment_of_authenticity.pdf
04191036_notations.pdf
04191036_chapter_1.pdf
04191036_chapter_2.pdf
04191036_chapter_3.pdf
04191036_chapter_4.pdf
04191036_conclusions.pdf
04191036_bibliography.pdf
04191036_enclosure.pdf
04191036_presentation.pdf
04191036_Form. TA-020.pdf
04191036_publishing_agreement.pdf
04191036_approval_sheet.pdf
04191036_preface.pdf
04191036_abstract_id.pdf
04191036_abstract_en.pdf
04191036_table_of_content.pdf
04191036_illustrations.pdf
04191036_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
