PERAMALAN DAYA LISTRIK BERBASIS LONG SHORT TERM MEMORIES PADA PEMBANGKIT LISTRIK TENAGA MICROHYDRO (PLTM) MUARA, DESA SAMBANGAN, BULELENG, BALI - Submit Jurnal
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Wahyudhi, Rizky
Subject
T Technology (General)
Datestamp
2023-07-13 05:49:53
Abstract :
PLTM Muara merupakan pembangkit energi listrik yang bergerak dalam bidang renewable energy yang memanfaatkan aliran sungai sebagai penggerak pada generator untuk menghasilkan daya yang disalurkan pada Perusahaan Listrik Negara (PLN) dengan daya yang tidak tentu. Hal tersebut terjadi akibat faktor alam seperti curah hujan, angin, dan sinar matahari. Hal ini menyebabkan perlu adanya peramalan daya listrik pada PLTMH Muara sebagai penjadwalan, pengendalian dan pengoperasian sehari-hari. Pada tugas akhir ini perancangan model peramalan dengan menggunakan data daya, debit air, dan curah hujan dengan simulasi menggunakan model Long Short Term Memories (LSTM). Simulasi LSTM menggunakan parameter 100 hidden layer, 250 epoch, 0,001 gradient threshold, 125 learnrate drop period, dan 0,2 learn drop factor dan Artificial Neural Network (ANN) menggunakan parameter 10 neuron, 0,001 learning rate, dan fungsi aktivasi trainlm berdasarkan pengujian dalam periode 24 jam dan 168 jam. Hasil penelitian dengan model LSTM dan ANN pada peramalan 24 jam kedepan diperoleh nilai RMSE dan MAPE sebesar 79,0477 dan 0,1192% sedangkan ANN diperoleh rata-rata nilai RMSE dan MAPE sebesar 46,6042 dan 0,11604%. Pada peramalan 168 jam kedepan LSTM diperoleh nilai RMSE dan MAPE sebesar 84,8242 dan 0,0088% sedangkan ANN diperoleh nilai RMSE dan MAPE sebesar 78,9486 dan 0,01779%. Pada peramalan 24 jam dan 168 jam rata-rata time computation model LSTM membutuhkan 52,6 detik, sedangkan model ANN membutuhkan 0,27 detik.
PLTM Muara merupakan pembangkit energi listrik yang bergerak dalam bidang renewable energy yang memanfaatkan aliran sungai sebagai penggerak pada generator untuk menghasilkan daya yang disalurkan pada Perusahaan Listrik Negara (PLN) dengan daya yang tidak tentu. Hal tersebut terjadi akibat faktor alam seperti curah hujan, angin, dan sinar matahari. Hal ini menyebabkan perlu adanya peramalan daya listrik pada PLTMH Muara sebagai penjadwalan, pengendalian dan pengoperasian sehari-hari. Pada tugas akhir ini perancangan model peramalan dengan menggunakan data daya, debit air, dan curah hujan dengan simulasi menggunakan model Long Short Term Memories (LSTM). Simulasi LSTM menggunakan parameter 100 hidden layer, 250 epoch, 0,001 gradient threshold, 125 learnrate drop period, dan 0,2 learn drop factor dan Artificial Neural Network (ANN) menggunakan parameter 10 neuron, 0,001 learning rate, dan fungsi aktivasi trainlm berdasarkan pengujian dalam periode 24 jam dan 168 jam. Hasil penelitian dengan model LSTM dan ANN pada peramalan 24 jam kedepan diperoleh nilai RMSE dan MAPE sebesar 79,0477 dan 0,1192% sedangkan ANN diperoleh rata-rata nilai RMSE dan MAPE sebesar 46,6042 dan 0,11604%. Pada peramalan 168 jam kedepan LSTM diperoleh nilai RMSE dan MAPE sebesar 84,8242 dan 0,0088% sedangkan ANN diperoleh nilai RMSE dan MAPE sebesar 78,9486 dan 0,01779%. Pada peramalan 24 jam dan 168 jam rata-rata time computation model LSTM membutuhkan 52,6 detik, sedangkan model ANN membutuhkan 0,27 detik.
File :
04191074_cover.pdf
04191074_statement_of_authenticity.pdf
04191074_notations.pdf
04191074__chapter_1.pdf
04191074_chapter_2.pdf
04191074_chapter_3.pdf
04191074_chapter_4.pdf
04191074_conclusions.pdf
04191074_bibliography.pdf
04191074_enclosure.pdf
04191074_paper.pdf
04191074_Form. TA-020.pdf
04191074_publishing_agreement.pdf
04191074_approval_sheet.pdf
04191074_preface.pdf
04191074_abstract_id.pdf
04191074_abstract_en.pdf
04191074_table_of_content.pdf
04191074_illustrations.pdf
04191074_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
