PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN JARINGAN SYARAF TIRUAN ALGORITMA RESILIENT PROPAGATION

• Main Author: SYIFA AULIA, .
• Format: Thesis
• Language: English
• Published: 2015
• Subjects: Matematika; Atkan; atkan
• Online Access: http://repository.unj.ac.id/29373/; http://repository.unj.ac.id/29373/1/SKRIPSI.pdf; http://repository.unj.ac.id/29373/2/Lembar%20Persetujuan%20Hasil%20Sidang%20Skripsi.pdf

Electricity is a very crucial needed to people nowadays, even more we could say that electricity is being primary needed for people. The demand of elec�tric power from consumer is not fixed by time to time. While the electrical load can not be stored on a large scale, but it should be available when people needed it. Many forecasting methods were developed to optimize the result. Artificial Neural Network (ANN) is one of the methods which are developed to get result of forecast near to the actual data. This thesis implemented artificial neural network Resilient Propagation to predict the consumption of electrical load. Used data for forecast�ing is daily data from July 2015 to August 2015. Prediction result of the smallest MSE 0,00061 with the architecture 4-10-6-1 that is 4 input neuron, 10 neuron in first hidden layer, 6 neuron in second hidden layer, and 1 output neuron. ********** Listrik merupakan kebutuhan yang sangat krusial bagi masyarakat pada saat ini, bahkan dapat dikatakan bahwa listrik sudah menjadi kebutuhan primer masyarakat. Kebutuhan konsumen terhadap daya listrik tidak tetap dari waktu ke waktu. Sedangkan listrik tidak dapat disimpan dalam skala besar, tetapi harus tersedia pada saat dibutuhkan. Banyak metode peramalan yang telah dikem�bangkan untuk mendapatkan hasil peramalan yang optimal. Jaringan syaraf tiru�an (JST) adalah salah satu metode yang saat ini dikembangkan untuk mendap�atkan hasil peramalan yang mendekati dengan data sebenarnya. Dalam skripsi ini dipaparkan implementasi jaringan syaraf tiruan Resilient Propagation (RPROP) untuk memprediksi pemakaian beban listrik. Data yang digunakan dalam pera�malan adalah data harian periode Juli 2015 sampai Agustus 2015. Dari hasil peramalan didapatkan MSE terkecil yaitu 0,00061 dengan arsitektur jaringan 4- 10-6-1 yaitu 4 neuron input, 10 neuron di hidden layer pertama, 6 neuron di hidden layer kedua, dan 1 neuron output.