Prediksi Beban Harian Menggunakan Metode Multi Layer Perceptron
DOI:
https://doi.org/10.26877/mrq61542Keywords:
Prediksi beban listrik, multi layer perceptron, ann, jaringan syaraf tiruanAbstract
Abstrak— Prediksi beban listrik merupakan salah satu langkah penting dalam mendukung pengelolaan sistem tenaga listrik yang andal dan efesien. Informasi mengenai kondisi prediksi listrik pada periode berikutnya dapat digunakan untuk membantu proses pemantauan, evaluasi kinerja sistem, serta pengambilan putusan dalam pengoprasian peralatan listrik. Penelitian ini bertujuan untuk memprediksi kelistrikan menggunakan metode Multi Layer Perceptron (MLP), berdasarkan data pengukuran kelistrikan Tingkat tinggi dari sebuah rumah indekos yang terdiri atas Real Power (Daya aktif), Apparent Power (Daya semu), dan Power Factor (Faktor daya). Model MLP kemudian dilatih menggunakan Algoritma Backpropagation agar mampu mempelajari hubungan nonlinear antarparameter kelistrikan. Selanjutnya performa model dievaluasi menggunakan Mean Absolute Percentage Error (MAPE) untuk mengukur Tingkat akurasi hasil prediksi. Hasil penelitian diharapkan menunjukkan bahwa metode MLP mampu menghasilkan prediksi parameter kelistrikan dengan Tingkat kesalahan rendah sehingga digunakan sebagai salah satu alternatif dalam mendukung proses pemantauan dan pengelolaan sistem tenaga listrik secara lebih efektif.
References
[1] N. D. Sidiq, "Analisa Listrik Kos," Kaggle, 2026. [Online]. Available: https://www.kaggle.com/datasets/nauvaldhonandsidiq/analisa-listrik-kos
[2] G. Dudek, "Multilayer Perceptron for Short-Term Load Forecasting: From Global to Local Approach," Neural Computing and Applications, vol. 32, no. 10, pp. 3695–3707, 2020, doi: 10.1007/s00521-019-04130-y.
[3] F. Baskoro, F. Alamsyah, B. Suprianto, and W. Ariwibowo, "Peramalan Beban Listrik Harian Menggunakan Artificial Neural Network," Jurnal Teknik Elektro, vol. 10, no. 1, pp. 203–209, 2021, doi: 10.26740/jte.v10n1.p203-209.
[4] P. V. Matrenin, V. Z. Manusov, A. I. Khalyasmaa, D. V. Antonenkov, S. A. Eroshenko, and D. N. Butusov, "Improving Accuracy and Generalization Performance of Small-Size Recurrent Neural Networks Applied to Short-Term Load Forecasting," Mathematics, vol. 8, no. 12, p. 2169, 2020, doi: 10.3390/math8122169.
[5] Z. Hamad and I. Abdulrahman, "Deep Learning-Based Load Forecasting Considering Data Reshaping Using MATLAB/Simulink," International Journal of Energy and Environmental Engineering, vol. 13, no. 2, pp. 853–869, 2022, doi: 10.1007/s40095-022-00480-x.
[6] Y. Chen and D. Zhang, "Theory-Guided Deep Learning for Electrical Load Forecasting (TgDLF) via Ensemble Long Short-Term Memory," Advances in Applied Energy, vol. 1, p. 100004, 2021, doi: 10.1016/j.adapen.2020.100004.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 hidayah dwi putra baraka, Anggraeny Sekar Kinasih, Syafiq Varel Maulana
This work is licensed under a Creative Commons Attribution 4.0 International License.
