Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem tenaga listrik di seluruh dunia menghadapi masalah teknis dalam pengoperasian, perencanaan, dan pengontrolan agar suplai tenaga listrik menjadi lebih efektif dan efisien. Namun, daya yang dikonsumsi oleh konsumen tidaklah selalu konstan, apalagi khususnya daya yang dipakai oleh pendingin ruangan. Ketika suhu meningkat, tentunya mengakibatkan banyak orang menggunakan pendingin ruangan dengan suhu yang lebih rendah dan ini berarti mengakibatkan daya yang dikonsumsi pun meningkat, begitu juga sebaliknya. Agar mencapai tujuan tersebut, diperlukan suatu peramalan beban yang tepat dengan tingkat kesalahan yang sangat kecil. Peramalan yang akan dilakukan dalam skripsi ini adalah peramalan jangka pendek dengan rentang waktu tiap satu jam dengan membuat pemodelan antara daya yang dikonsumsi konsumen tiap jam sebagai fungsi temperatur dan beban sebelumnya. Data beban dan temperatur yang digunakan untuk membuat pemodelan adalah data selama tahun 2010 yang didapat dari PLN dan BMKG. Pemodelan yang akan dibuat berupa pemodelan linier dengan satu varibel terikat dan empat belas variabel bebas. Koefisien dari pemodelan dicari dengan menggunakan metode kuadrat terkecil analisis regresi berganda. Hasil dari pemodelan yang telah dibuat menunjukan tingkat kesalahan rata-rata yang cukup kecil setiap harinya, yaitu sekitar 2% untuk hari biasa dan 5% untuk libur hari raya.

---

Power system in overall the world is facing technique problems in operating, scheduling, and controlling in order power supply can more effective and efficient. In contrast, power consumed by consumers is not constant, especially power used by air conditioner. When the temperature increase, it makes most people use air conditioner by low temperature and it means that power consumed by the air conditioner is increase, and also the reverse. To achieve the purpose, needed an accurate load forecasting with very low error.

Forecasting that has been done in this undergraduate thesis is short term forecasting with one hour interval by constructing the model between consumer power consumption every hour as the last temperature and load function. Load and temperature data used to make the modeling is data obtained during 2010 from PLN and BMKG. Modeling that will be made is linear modeling with one independent variable and fourteen dependent variable. The coefficients of modeling were searched using the least squares method of multivariate regression analysis. The result of the modeling that has been created showing the average error rate is small enough each day, about 2% for weekdays and 5% for the holiday feast."

"Saat ini peramalan beban listrik hanya menggunakan acuan data historis sebagai masukan pada metode peramalan beban. Berbagai jenis metode digunakan untuk menghasilkan peramalan beban yang akurat dan presisi dengan harapan daya yang disalurkan tepat ukuran sesuai dengan kebutuhan beban listrik konsumen. Skripsi ini membahas teknik kombinasi metode permodelan Auto Regressive Integrated Moving Average (ARIMA) yang dikaitkan dengan metode regresi linear dari hubungan suhu dan beban listrik untuk menghasilkan metode peramalan yang lebih akurat dan presisi dari sekedar peramalan beban yang mengacu pada data historis saja. Berdasarkan hasil, terlihat bahwa MAPE kombinasi peramalan (4,19%) lebih baik dibanding menggunakan metode ARIMA (5,16%) dan Regresi Linear (5,28%) saja.

---

Nowadays electrical load forecasting uses historical data as a reference input on load forecasting method. Various types of this methods used to produce an accurate load forecasting and precision in the hope that appropriate resources are distributed according to the size of electrical load demand of consumers.

This research will discuss combination technique of Auto Regressive Integrated Moving Average (ARIMA), which is associated with linear regression method from the relationship of temperature and electrical load to produce a more accurate and precise than a load forecasting based on historical data only. The final results show that combination technique gives MAPE 4,19%, better than ARIMA (5,16) and Linear Regression (5,28%)."

"Peramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dan kinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhan listrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan beban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, dan Kecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forward dan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasil didapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.

---

Electrical load forecasting has an important role for efficiency and performance from PLN.Various types of methods have been used to provide an accurate load forecasting on purpose that the transmitted power appropriates the demand of consumers. This research will discuss short term load forecasting using Artificial Neural Network (ANN). Short term load is influenced by weather factors, those will become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed, Data used for study are actual data in 2011. Architecture used for this research is feed-forward and Algorithm that is used is backpropagation. The final result shows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which are below the forecasting error limit."

"Dalam perencanaan operasi harian, diperlukan perkiraan beban beberapa waktu kedepan sebagai dasar penentuan strategi pembangkit. Saat ini belum dibentuk suatu model matematis yang dapat digunakan untuk melakukan perkiraan beban listrik secara akurat. Untuk itu pada penelitian kali ini akan disusun model matematis yang dapat melakukan peramalan beban secara akurat. Metode yang digunakan pada penelitian ini untuk melakukan peramalan beban listrik di Jawa-Bali adalah dengan menggunakan Feed Forward Neural Networks dan Bayesian Neural Networks. Hasil dari pengolahan data yang telah dilakukan diperoleh hasil bahwa peramalan dengan Feed Forward Neural Networks memberikan hasil peramalan yang lebih baik untuk rentang waktu 1 minggu kedepan, sedangkan untuk melakukan ramalan 1 ? 2 hari kedepan Bayesian Neural Networks memberikan hasil yang lebih akurat.

---

In the daily operations planning, required load estimates as a basis for determining the generating strategy. Currently a mathematical model that can be used to perform accurately estimate the electric load has not been established. Therefore in the present study will be developed a mathematical model that can perform load forecasting accurately. The method used in this study to to forecast electricity load in Java-Bali is by using Feed Forward Neural Networks and Bayesian Neural Networks. The results shows forecasting with Feed Forward Neural Networks provide better forecasting results for a span of 1 week ahead, while to do a forecast 1-2 days ahead of Bayesian Neural Networks provide more accurate results."

"Konsumsi daya listrik mempunyai peranan penting dalam pelaksanaan pembangunan untuk peningkatan kesejahteraan dan kegiatan ekonomi. Sehingga, diperlukan peramalan beban listrik untuk menyelenggarakan usaha penyediaan daya listrik dalam jumlah merata. Tujuan dari peramalan beban listrik tersebut adalah untuk melakukan analisa nilai beban mingguan dan harian pada tahun 2009 menggunakan metode koefisien energi. Dari hasil analisa didapat nilai error beban mingguan 2009 4,525% dan beban harian 2009 5,234%.

---

Electrical power consumption plays important role in developing our country, especially in economic and welfare. Load forecast is needed to distribute the electrical power evenly. By using load forecasting method, we want to analyze the 2009 weekly and daily load value using energy coefficient. From calculation the error percentage of 2009 weekly load is 4.525% and the 2009 daily load is 5.234%"

"Peramalan beban listrik dalam upaya menjaga kestabilan sistem tenaga listrik di Indonesia pada sistem interkoneksi Jawa-Bali sekarang ini hanya menggunakan acuan data historis sebagai masukan metode peramalan beban. Pola konsumsi daya listrik yang berbeda tiap selang waktu tertentu menimbulkan masalah variansi beban listrik tidak homogen (heteroskedastisitas). Metode Generalized Autoregressive Conditional Heteroskedasticity (GARCH) yang digunakan dalam peramalan beban listrik jangka pendek berdasarkan data historis pada penelitian ini memanfaatkan kondisi heteroskedastisitas tersebut untuk membuat model dan menghasilkan peramalan yang akurat dan presisi. Hasil penelitian menunjukkan bahwa peramalan metode GARCH dengan MAPE 2.668676 % lebih baik dibandingkan peramalan metode koefisien yang dilakukan PT PLN (Persero) dengan MAPE 3.739172 %.

---

Electrical load forecasting in an effort to maintain the stability of electric power systems in Indonesia on Java-Bali interconnection system is currently only used the historical data as a reference input to the load forecasting method. The different patterns of electrical power consumption in each time interval caused problems that the electrical load variance is not homogeneous (heteroskedasticity). Generalized Autoregressive Conditional Heteroskedasticity (GARCH) method used in the short term electrical load forecasting based on historical data in this study is taking the advantage of heteroskedasticity to model and generate an accurate and precision forecasting result. The results show that the GARCH forecasting method with 2.668676% of MAPE is better than the coefficient forecasting method by PT PLN (Persero) with 3.739172% of MAPE."

"Peramalan kecepatan angin menggunakan jaringan saraf tiruan propagasi balik merupakan salah satu metoda peramalan kecepatan angin jangka pendek (dalam orde jam) yang cukup efektif untuk diterapkan. Metoda ini mampu memberikan hasil peramalan kecepatan angin yang baik dengan error peramalan terkecil adalah 0.0017. Parameter output dari peramalan kecepatan angin sangat adaptif terhadap perubahan-perubahan yang terjadi pada parameter inputnya, sehingga hasil peramalan akan lebih mendekati kondisi sebenarnya. Parameter input yang digunakan meliputi temperatur udara, kelembaban udara, arah angin dan curah hujan.

---

Wind speed forecasting using backpropagation artificial neural network is one of the short-term wind speed forecasting method (in the ordre of hours) which is quite effective to be applied. This method provides the good wind speeds forecasting result with the smallest error is 0.0017. The output parameters of wind speed forecast is very adaptive to the changes of the input parameters, so the forecast results will be closer to the real conditions. The input parameters that being used are air temperature, air humadity, wind direction and rainfall."

"Penelitian tesis ini mengusulkan metode data mining untuk peramalan beban listrik jangka pendek dengan menggunakan kombinasi wavelet transform dan algoritma group method of data handling (WGMDH). Wavelet transform digunakan untuk mendekomposisi dan menganalisis sinyal beban listrik yang memiliki tren dan berfungsi sebagai proses penyaringan untuk meningkatkan kualitas data sebelum dilakukan peramalan menggunakan GMDH. Metode diuji pada data beban listrik yang terdapat pada sistem ketenagalistrikan Sumatera. Kinerja metode yang diusulkan dibandingkan dengan metode GMDH tanpa kombinasi wavelet dan metode koefisien. Metode yang diusulkan dapat memperbaiki akurasi peramalan beban listrik jangka pendek dibandingkan dengan model GMDH tanpa wavelet dan metode koefisien, yaitu menghasilkan MAPE lebih kecil dari 2%.

---

This thesis proposes a method of data mining for short-term load forecasting using a combination of wavelet transform and group methods of data handling (WGMDH). The wavelet transform is used to decompose, analyze and filter the signals trend of the electrical load to generate electricity load data into a higher quality before forecasting using GMDH. The proposed method is tested on the datasets of the power system of Sumatera. The performance of the proposed method compared with the GMDH method without the combination of wavelet transform and coefficient method. The proposed method can improve the accuracy in short-term load forecasting rather than GMDH without wavelet and coefficient method, the MAPE result is less than 2%."

"Konsumsi energi merupakan indikator kritis pertumbuhan ekonomi dan perkembangan sosial di Indonesia. Dengan urbanisasi yang pesat dan pertumbuhan PDB yang fluktuatif, pemahaman mendalam tentang faktor-faktor yang mempengaruhi konsumsi energi menjadi sangat penting. Penelitian ini bertujuan untuk mengidentifikasi prediktor utama konsumsi energi dan membandingkan keefektifan model prediktif Regresi Linear dan Random Forest dalam konteks perkembangan ekonomi dan urbanisasi Indonesia.Menggunakan data dari Trading Economics, Our World in Data, dan World Bank, studi ini menganalisis data tahunan dari 1965 hingga 2022, dengan fokus pada jumlah penduduk kota, PDB per kapita, dan pertumbuhan PDB sebagai variabel independen, serta konsumsi energi sebagai variabel dependen. Analisis korelasi dan Variance Inflation Factor (VIF) mengungkap multikolinearitas antara jumlah penduduk kota dan PDB per kapita, yang mengarah pada penghapusan PDB per kapita dari model.Model Regresi Linear menunjukkan performa superior dengan Mean Absolute Percentage Error (MAPE) 7,55%, dibandingkan dengan Random Forest yang memiliki MAPE 13,45%. Temuan ini mengindikasikan hubungan yang dominan linear antara prediktor, terutama jumlah penduduk kota, dan konsumsi energi. Diagnostik residual mengkonfirmasi asumsi-asumsi regresi linear: normalitas, homoskedastisitas, dan non-autokorelasi.

---

Energy consumption is a critical indicator of economic growth and social development in Indonesia. With rapid urbanization and fluctuating GDP growth, a deep understanding of the factors influencing energy consumption is essential. This research aims to identify the key predictors of energy consumption and compare the effectiveness of Linear Regression and Random Forest predictive models in the context of Indonesia's economic development and urbanization. Using data from Trading Economics, Our World in Data, and the World Bank, the study analyzes annual data from 1965 to 2022, focusing on urban population, GDP per capita, and GDP growth as independent variables, and energy consumption as the dependent variable. Correlation analysis and Variance Inflation Factor (VIF) revealed multicollinearity between urban population and GDP per capita, leading to the exclusion of GDP per capita from the model. The Linear Regression model demonstrated superior performance with a Mean Absolute Percentage Error (MAPE) of 7.55%, compared to Random Forest, which had a MAPE of 13.45%. These findings indicate a predominantly linear relationship between the predictors, particularly urban population, and energy consumption. Residual diagnostics confirmed the assumptions of linear regression: normality, homoscedasticity, and non-autocorrelation."