Jurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
|
|
- Widya Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah, dan Irrine B. Sulistiawati Jurusan Teknik Elektro, Institut Teknologi Nasional Malang Abstrak Salah satu fungsi utama perencanaan dan pengoperasian suatu sistem tenaga listrik adalah perkiraan beban listrik jangka pendek, yaitu perkiraan kebutuhan beban listrik untuk beberapa jam hingga beberapa hari berikutnya. Keakuratan perkiraan mempunyai dampak ekonomis terhadap perusahaan listrik. Oleh karena itu diperlukan keakuratan perkiraan yang baik sehingga ada kesesuaian antara pembangkitan dengan permintaan daya. Pada tulisan ini di analisis perkiraan beban jangka pendek dengan menggunakan metode Radial Basis Function Network () yang dibandingkan dengan metode Fuzzy Neural Network (). Kedua metode ini di aplikasikan untuk peramalan beban jangka pendek pada Gardu Induk Gondang Wetan Pasuruan sebagai lokasinya. Digunakannya dua metode ini untuk mengetahui mana diantara kedua metode tersebut yang paling akurat untuk memperkirakan beban jangka pendek pada Gardu Induk Gondang Wetan. Berdasarkan hasil analisis, metode lebih baik dari metode. Hal ini dapat dilihat dari MAPE rata-rata nilainya lebih kecil dari metode dan juga waktu peramalan lebih singkat dari pada metode. Nilai eror rata-rata pada 7 hari peramalan pada tanggal 5 Januari 2008 sampai 11 Januari 2008 untuk sebesar 2,058% dan 2.382% untuk. Kata kunci Jaringan syaraf tiruan, Radial basis function network, Fuzzy neural network, perkiraan beban jangka pendek I. PENDAHULUAN Kebutuhan akan daya listrik yang semakin meningkat seiring dengan meningkatnya taraf hidup masyarakat dan pertumbuhan penduduk, maka sangat perlu untuk menyediakan daya listrik dalam skala besar guna memenuhi kebutuhan tersebut. Untuk dapat menyalurkan daya listrik sesuai dengan kebutuhan konsumen perlu diatur sistem pengoperasiannya, sehingga pendistribusian daya listrik dapat secara merata dalam berbagi sektor seperti industri, komersial, dan rumah tangga dengan kualitas daya dan kualitas tegangan yang baik. Apabila sumber energi yang tersedia berasal dari berbagai sumber pembangkitan, maka perlu adanya sinkronisasi dan koordinasi antara pembangkitan agar kebutuhan daya dapat disalurkan sesuai dengan kebutuhan konsumen. Untuk menjaga kualitas daya yang disalurkan, perlu upaya untuk menekan rugi-rugi pada saluran terutama pada saluran yang jauh antara pembangkit dan pusat beban. Perkiraan beban jangka pendek menunjukkan perkiraan permintaan daya listrik setiap jam dalam satu hari. Persediaan daya yang ada ditentukan oleh keakuratan dari perkiraan, misalnya adalah cuaca. Cuaca memiliki efek yang signifikan pada beban, artinya jika terjadi perubahan pada temperatur, maka beban yang dilayani oleh gardu induk juga akan berubah seiring dengan perubahan temperatur. Agar tujuan tersebut dapat tercapai maka perusahaan pembangkit listrik tersebut harus mengetahui besarnya beban atau permintaan daya listrik di masa yang akan datang baik jangka pendek, menengah ataupun jangka panjang. Pengunaan metode Radial Basis Function Network () dan Fuzzy Neural Network () dalam memberikan perkiraan jangka pendek dengan tingkat kesalahan (error) yang paling kecil dalam memperkirakan beban jangka pendek di Gardu Induk Gondang Wetan Pasuruan. II. KAJIAN PUSTAKA A. Sistem Perencanaan prakiraan Prakiraan pada dasarnya merupakan suatu dugaan/ ramalan atau perkiraan mengenai suatu kejadian atau peristiwa yang akan datang. Dalam kegiatan perencanaan, prakiraaan beban merupakan awal dari kegiatan dari proses perencanaan, dengan demikian prakiraan ini sangat penting. Dengan adanya prakiraan beban ini, dapat diperkirakan pemakian beban kedepan dalam jangka waktu berupa: - Jangka Pendek, 1 jam sampai 168 jam kedepan - Jangka Menengah, beberapa bulan sampai satu tahun - Jangka Panjang, diatas 1 tahun Dalam jangka waktu ini, perlu disadari bahwa semakin jauh jangka waktu prakiraan, semakin sulit dan semakin besar ketidak pastiannya. Dalam upaya mendapatkan prakiraan yang hampir mendekati dan mendapatkan hasil yang akurat untuk suatu perencanaan kedepan, maka perlu perkiraan beban jangka pendek karena hanya dipengaruhi oleh beberapa variabel. B. Pemodelan Kurva Beban Dalam praktek standar, operator sistem perlu menyesuaikan hasil perkiraan beban agar juga dapat memperhitungkan data beban yang terakhir. Hasil 129
2 penyesuaian ini dapat berbeda drastis dengan hasil perkiraan beban yang sebenarnya. Dengan menggunakan pemodelan hari ini (current day modeling), seorang operator dapat melakukan prakiraan beban untuk 7 hari kedepan agar dapat dilakukan penjadwalan. C. Faktor-faktor yang mempengaruhi Beban Pertumbuhan beban jangka panjang mempunyai korelasi yang kuat dengan aspek pengembangan komunitas pengembangan lahan. Faktor ekonomi seperti laju kenaikkan pendapatan penduduk perkapita, harga BBM, data demografi, data tata penggunaan lahan serta pengembangannya merupakan data-data input dalam proses prakiraan beban jangka panjang. Sedangkan output perkiraan beban tersebut dapat berupa kerapatan beban yang dapat dinyatakan dalam kw. Lain halnya perkiraan yang dilakukan dalam waktu jangka pendek, seperti per-jam, harian atau mingguan. Faktor-faktor eksternal seperti diatas yang perubahannya dalam jangka waktu yang panjang tidak akan berpengaruh pada pola beban, sebaliknya faktor-faktor yang berubah secara cepat dalam lingkup hari atau jam akan berpengaruh besar. Karena itu pada umumnya kondisi cuaca berpengaruh terhadap pola beban, seperti halnya temperatur, kelembaban, kecepatan angin, kondisi awan, termasuk kondisi abnormal seperti badai yang berpengaruh besar terhadap pola beban sangat sulit diakomodasikan karena ketidakpastiannya. D. Cara-cara Memperkirakan Beban Jangka Pendek Salah satu faktor yang sangat menentukan dalam membuat rencana operasi sistem tenaga listrik adalah perkiraan beban yang akan dialami oleh sistem yang bersangkutan. Selama ini belum ada rumusan yang baku dalam memperkirakan beban, namun karena pada umumnya kebutuhan tenaga listrik seorang konsumen sifatnya periodik, maka grafik beban sistem tenaga listrik juga bersifat periodik. Oleh karena itu data beban masa lalu beserta analisisnya sangat diperlukan untuk memprakirakan beban yang akan datang. Ada beberapa metode yang sudah dipakai untuk memprakirakan beban saat ini antara lain, metode koofisien beban, metode pendekatan linier, Fuzzy Logic (FL), Neural Network (NN), Probabilistic Reasoning (PR), Genetic Algorithms (GA), Multilayer Perceptron Network, Elman Recurrent Neural Network, Radial Basis Function Network, Hopfield Model, Fuzzy Inference System, Fuzzy Neural Network, dan lain sebagainya. III. PENERAPAN RADIAL BASIS FUNCTION NETWORK DAN FUZZY NEURAL NETWORK PADA PERAMALAN BEBAN A. Radial Basis Function Network () Model termasuk kedalam jaringan neural dengan banyak lapisan (multilayer), karena jaringan ini terdiri dari tiga lapisan : lapisan-lapisan masuk, tersembunyi (hidden) dan lapisan keluar. Node-node dalam setiap lapisan secara penuh terhubungkan dengan lapisan sebelumnya. Variabel-variabel masuk masing-masing diserahkan pada sebuah node dalam lapisan masukan dan langsung melewati lapisan tersembunyi. Node tersembunyi atau unit-unit merupakan fungsi basis radial (RBF), juga disebut fungsi transfer. Pada dasarnya metode ini sama dengan ANN dasar atau Neural Network hanya saja pada hidden layer pada Neural Network yang biasanya menggunakan fungsi Sigmoid binner diganti dengan Fungsi Gauss. Hal ini dilakukan untuk mengurangi waktu proses pembelajaran yang lama pada ANN dan juga peramalan yang lebih akurat [1]. Gambar 1. Radial Basis Function Network [1]. Output menggunakan Fungsi Linier Hidden Layer menggunakan Fungsi Gauss B. Fuzzy Neural Network () adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno. Arsitektur juga sama dengan jaringan syaraf dengan fungsi radial yang memiliki sedikit batasan tertentu. Bisa dikatakan bahwa adalah suatu metode yang mana dalam melakukan panyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data. Pada juga memungkinkan aturan-aturan untuk beradaptasi. secara umum digambarkan bagaimana menjabarkan himpunan parameter-parameter jaringan adaptif untuk memfasilitasi aturan pembelajaran pada arsitektur yang dapat mewakili model fuzzy Sugeno. Ada dua model yang biasa digunakan yaitu metode Tsukamoto dan metode Sugeno (TSK). 1. Metode Tsukamoto Sistem inferensi fuzzy didasarkan pada konsep penalaran monoton. Pada metode penalaran secara monoton, nilai crisp pada daerah konsekuen dapat diperoleh secara langsung berdasarkan fire strength pada antesendennya. Salah satu syarat yang harus dipenuhi pada metode penalaran ini adalah himpunan fuzzy pada konsekuennya harus bersifat monoton (baik monoton naik maupun monoton turun). 2. Metode Sugeno (TSK) Pada tahun 1985 Takagi Sugeno Kang memperkenalkan suatu sistem inferensi fuzzy yang mmiliki ciri kusus dimana konsekuen bukan merupakan himpunan fuzzy melainkan sebuah persamaan linier dimana variabelvariabelnya tidak lain adalah variabel-variabel input. Ada dua metode pembelajaran yang dilakukan oleh yaitu metode Backpropagation dan metode Hybrid Learning Rule. Dalam tulisan ini metode pembelajaran yang digunakan adalah metode backpropagation. 130
3 Input Variable Fuzzy Interference System Neural Network Learning Algorithm - + Output Variable Fuzzification MULAI Input Data -Data beban historis -Data beban target -Data temperatur -Tipe hari Inisialisasi -Penentuan kurva keanggotaan -Penentuan jumlah input&output fungsi keanggotaan -Penentuan Epoch (iterasi) Gambar 2. Struktur dari Arsitektur Fuzzy Neural Network [1]. C. Keakuratan Prediksi Presentasi mutlak kesalahan (Mean Absolute Percentage Error) digunakan untuk memperoleh nilai error ramalan dengan nilai actual yang didefinisikan sebagai berikut: MAPE = Iterasi» Max Epoch Penentuan arsitektur jaringan dan Jumlah neutron input dan output Proses pembelajaran dengan metode backpropagation dan proses perkiraan dengan ERNN Error «Error target Mekakukan perkiraan beban 1 N Beban Aktual Beban Perkiraan x100% N i = 1 Beban Aktual dimana : N = Jumlah observasi IV. MODEL PENYELESAIAN A. Algoritma Perkiraan Beban Jangka Pendek dengan Metode Algoritma dalam memperkirakan beban secara umum adalah sebagai berikut. 1. Memasukkan data parameter berupa data beban historis, data beban, data temperatur minimum, temperatur maximum, temperatur rata-rata harian dan tipe hari. 2. Memasukkan parameter jaringan syaraf tiruan yang terdiri dari inisialisasi bobot awal input ke hidden, bobot awal bias ke hidden, bobot awal hidden ke output, maksimum epoh, toleransi error dan pembelajaran (learning rate). 3. Menentukan arsitektur jaringan meliputi penentuan jumlah neuron pada input layer, hidden layer, dan output layer. 4. Melakukan proses Backpropagation Menghitung semua output pada hidden layer, dan output layer. Menghitung error pada output layer dan hidden layer Melakukan penyesuaian bobot antara input layer, hidden layer, dan output layer. Mencetak total error, apakah error jaringan sesuai dengan error toleransi (E E toleransi), proses pembelajaran akan terus berlangsung sampai total error dapat diterima, maka bobot akan tersimpan. 5. Menggunakan bobot tersimpan/terlatih untuk melakukan perkiraan 6. Cetak hasil Gambar 3 memperlihatkan diagram alir. Cetak Hasil Perkiraan SELESAI Gambar 3. Diagram alir Radial Basis Function Network. B. Algoritma Perkiraan Beban Jangka Pendek dengan Metode seperti langkah-langkah berikut. 1. Memasukkan data per-jam untuk pola beban hari yang diinginkan dari Excel ke matlab menggunakan Excellink. 2. Menentukan jumlah Input, Output dan bentuk membership function (MF) sebagai acuan penyusunan struktur Fuzzy Neural Network serta epoch yang diinginkan. 3. Mekanisme penyusunan struktur Fuzzy Neural Network berdasarkan 30 lapisan pada arsitekturnya. 4. Membentuk aturan fuzzy 5. Menampilkan informasi hasil training data berupa aturan (rule) fuzzy serta parameter input yang kemudian digunakan untuk perkiraan beban listrik. 6. Training oleh Neural Network 7. Menghitung error menggunakan rumus MAPE 8. Mencetak hasil perkiraan beban C. Data analisis dan Data dan skala waktu yang digunakan sebagai data inputan pada perkiraan beban yang akan dilakukan dalan tulisan ini dapat dilihat pada Tabel I. TABEL I DATA SKALA WAKTU SEBAGAI DATA INPUTAN Data 5 s/d 11 Januari 2008 Beban historis Pemperatur Per-hari Skala waktu Setiap jam Jumlah data 7 hari (168 jam) Dua jenis data yang digunakan untuk perkiraan beban jangka pendek, yaitu data beban historis dan data temperatur pada bulan Januari Januari Dari data inputan diatas, maka akan diperoleh hasil error yang ingin dicapai pada tiap jam seharinya. 131
4 i = MULAI Input Data -Data beban historis -Data beban target -Data temperatur -Tipe hari - Penentuan jenis kurva fungsi keanggotaan - Penentuan jumlah input dan output fungsi keanggotaan i = 1 Pelatihan Mekanisme Layer 1 Layer 30 Bentuk aturan Fuzzy Neural Network Iterasi > Max Epoch (Grafik 4-8). Batas toleransi MAPE agar selisih beban tidak terlalu besar adalah kurang lebih 5 %. Oleh karena itu agar tecapai penyesuaian antara pembangkitan dengan permintaan daya, maka proses pelatihan yang akurat sangat diperlukan untuk didapatkan hasil prakiraan yang baik, dimana hasil antara prakiraan dan beban yang sebenarnya tidak terlalu jauh berbeda hal ini dapat dilihat dari MAPE yang relatif kecil. VI. KESIMPULAN Setelah melakukan pengujian pada hasil analisa untuk memprakirakan beban dengan menggunakan metode Radial Basis Function Network dan Fuzzy Neural Network maka dapat dijelaskan beberapa kesimpulan sebagai berikut : 1. Berdasarkan hasil analisis, bahwa metode lebih baik. Hal ini dapat dilihat dari MAPE rata-rata nilainya lebih kecil dari metode. Yaitu 2,058 % untuk dan 2,382 % untuk. 2. Metode membutuhkan waktu yang relatif singkat pada proses peramalan. Hitung MAPE dan cetak MAPE Cetak Hasil SELESAI Gambar 4. Diagram alir Fuzzy Neural Network. A. Simulasi program aplikasi Untuk pencarian solusi pada masalah perkiraan beban pada tulisan ini menggunakan perangkat bantu komputer. Implementasi dari perancangan algoritma Radial Basis Function Network dan Fuzzy Neural Network ini menggunakan perangkat lunak berupa Matlab B. Tampilan perbandingan data Beban aktual dengan data beban ramalan Tabel II sampai dengan Tabel VII memperlihatkan data keluaran hasil ramalan dengan nilai parameter yang sama untuk tanggal 5, 6, 7 Januari 2008 pada Trafo I dan Trafo II. V. ANALISIS HASIL PRAKIRAAN Pada peramalan selama 1 Minggu yaitu pada tanggal 5 Januari 2008 sampai dengan 11 Januari 2008 pada Trafo I dan Trafo II, menghasilkan MAPE rata-rata sebesar 2,058 % dan MAPE rata-rata 2,382 %. Dengan proses pelatihan yang akurat maka akan didapatkan hasil data prakiraan yang baik, tetapi ada pada jam-jam tertentu yang nilai errornya melebihi nilai rata-rata, diakibatkan pola data inputan dari PLN terdapat lonjakan beban ataupun penurunan beban yang melebihi normalnya. Hal ini disebabkan oleh berbagai macam faktor, misalkan pemadaman listrik karena perbaikan, gangguan dan lainlain. Meskipun demikian hasil secara keseluruhan bisa dikatakan baik, ini dapat dilihat dari perbandingan antara prakiraan dan data beban yang sebenarnya tidak terlalu jauh beda, ini ditunjukkan dari MAPE yang relatif kecil yang ditunjukkan pada Gambar 11 (Grafik 4-7) dan Gambar 12 TABEL 2 HARI SABTU, TANGGAL 5 JANUARI 2008 PADA TRAFO I TRAFO I 5 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL
5 5 Januari Januari Gambar 5.Perbandingan Beban Aktual dan Beban Ramalan Tanggal 5 Januari 2008 pada Trafo I. TABEL III HARI MINGGU, TANGGAL 6 JANUARI 2008 PADA TRAFO I TRAFO I 6 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL Gambar 6. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 6 Januari 2008 pada Trafo I. TABEL IV HARI SENIN, TANGGAL 7 JANUARI 2008 PADA TRAFO I TRAFO I 7 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL
6 7 Januari Januari Acatual 7 Gambar 7. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 7 Januari 2008 pada Trafo I. TABEL V HARI SABTU, TANGGAL 5 JANUARI 2008 PADA TRAFO II Gambar 8. Perbandingan Beban Aktual dan Beban Ramalan Tanggal 5 Januari 2008 pada Trafo II. TABEL VI HARI MINGGU, TANGGAL 6 JANUARI 2008 PADA TRAFO II TRAFO II 5 JANUARI 2008 ACTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL TRAFO II 6 JANUARI 2008 ACTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL
7 6 Januari Januari Gambar 9. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 6 Januari 2008 pada Trafo II. TABEL VII HARI SENIN, TANGGAL 7 JANUARI 2008 PADA TRAFO II TRAFO II 7 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL Gambar 10. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 7 Januari 2008 pada Trafo II. TABEL VIII HASIL APLIKASI ENERGI PER HARI SELAMA 1 MINGGU PADA TRAFO I (5 JANUARI 2008 S/D 11 JANUARI 2008) Tanggal TRAFO I 5 Januari s/d 11Januari 2008 AKTUAL MAPE MAPE (MWh) (MWh) (MWh) (%) (%) Rata ENERGI (MWh) /5/2008 1/6/2008 1/7/2008 1/8/2008 Tanggal 1/9/2008 1/10/2008 1/11/2008 Gambar 11. Perbandingan Energi aktual per-hari Dengan Energi Perkiraan per-hari Selama 1 Minggu Trafo I. 135
8 TABEL IX HASIL APLIKASI ENERGI PER HARI SELAMA 1 MINGGU PADA TRAFO II (5 JANUARI 2008 S/D 11 JANUARI 2008) Tanggal TRAFO II 5 Januari s/d 11Januari 2008 ACTUAL MAPE MAPE (MWh) (MWh) (MWh) (%) (%) Rata ENERGI (MWh) /5/2008 1/6/2008 1/7/2008 1/8/2008 1/9/2008 1/10/2008 1/11/2008 Tanggal Gambar 12. Grafik Perbandingan Energi aktual per-hari Dengan Energi Perkiraan per-hari Selama 1 Minggu Trafo II. DAFTAR PUSTAKA [1] Muhammad Riaz Khan & Ajith Abraham Short Term Load Forecasting Models in Czech Republic Using Soft Computing Paradigms. [2] Sri Kusumadewi Artificial Intelegent, Graha Ilmu, [3] Sri Kusumadewi & Sri Hartati Neuro-Fuzzy, Graha Ilmu, Yogyakarta [4] AS PABLA, Sistem Distribusi Tenaga Listrik, Jakarta 1994 [5] DjitengMarsudi, Operasi Sistem Tenaga Listrik, Balai Penerbit dan humas ISTN, Jakarta
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciAPLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB
52 APLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB (Hansi Effendi) *) ABSTRACT This research is conducted to apply Fuzzy Logic which is implemented in short term load
Lebih terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih terperinciPERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Jurnal Reka Elkomika 2337-439X Oktober 2013 Jurnal Online Institut Teknologi Nasional TeknikElektro Itenas Vol.1 No.4 PERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Lebih terperinci1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Salah satu aplikasi sistem cerdas yang paling sukses dan masih berkembang saat ini yaitu peramalan beban listrik. Peramalan beban listrik adalah suatu ilmu
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciPeningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur
Peningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur Imaad Al-Mutawakkil*, Dian Yayan Sukma** Jurusan Teknik Elektro Fakultas Teknik Universitas Riau Kampus Binawidya
Lebih terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB I PENDAHULUAN. berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi
BAB I PENDAHULUAN 1.1 Latar Belakang Operasi sistem tenaga listrik yang modern biasanya berhubungan dengan berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi dan proses pengambilan
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN
ESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN Jurusan Teknik Elekro Fakultas Teknik Universitas Udayana Kampus Bukit Jimbaran Bali 80361, tlp (0361)703315 Email : mertasana@ee.unud.ac.id Abstrak Aspek
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciPERAMALAN BEBAN JANGKA PENDEK PADA HARI LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN)
PERAMALAN BEBAN JANGKA PENDEK PADA HA LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK () Juniar Doan Wihardono 1, Agus Dharma 2, I Made Mataram 3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciBAB I PENDAHULUAN. kenaikan harga minyak mentah itu sendiri. Saat ini penetapan harga minyak
BAB I PENDAHULUAN A. Latar Belakang Minyak merupakan salah satu sumber energi yang sangat dibutuhkan manusia dalam berbagai aspek kehidupan. Peningkatan jumlah manusia yang membutuhkan minyak dalam kehidupan
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciImplementasi Neuro Fuzzy dalam Proses Belajar Mengajar untuk Meningkatkan Prestasi Mahasiswa
Implementasi Neuro Fuzzy dalam Proses Belajar Mengajar untuk Meningkatkan Prestasi Mahasiswa Nurjayadi Jurusan Manajemen Informatika STMIK Amik Riau nurjayadi@stmik-amik-riau.ac.id Abstrak Proses belajar
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciPRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM
PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciUNIVERSITAS INDONESIA PERAMALAN KECEPATAN ANGIN JANGKA PENDEK UNTUK PEMBANGKIT LISTRIK TENAGA BAYU MENGGUNAKAN JARINGAN SARAF TIRUAN PROPAGASI BALIK
UNIVERSITAS INDONESIA PERAMALAN KECEPATAN ANGIN JANGKA PENDEK UNTUK PEMBANGKIT LISTRIK TENAGA BAYU MENGGUNAKAN JARINGAN SARAF TIRUAN PROPAGASI BALIK TESIS ADEK PURNAMA 08 06 42 4 2 FAKULTAS TEKNIK PROGRAM
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciPERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
Lebih terperinciBAB I PENDAHULUAN. Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan
BAB I PENDAHULUAN A. Latar Belakang Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT
ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam perkembangan teknologi yang semakin pesat ini banyak sekali perubahan perkembangan yang telah terjadi untuk membantu kehidupan masyarakat. Dalam perkembangan
Lebih terperinciPREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION
PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION Imam Shabri, Mike Yuliana, Zaqiatud Darojah Jurusan Telekomunkasi - Politeknik Elektronika Negeri
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciJurnal Coding, Sistem Komputer UNTAN Volume 04, No.1 (2016), hal 1-10 ISSN : X
PREDIKSI BEBAN LISTRIK PADA PT.PLN (PERSERO) MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY [1] Prita Ayuningtyas, [2] Dedi Triyanto, [3] Tedy Rismawan [1,2,3] Jurusan Sistem Komputer, Fakultas MIPA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciPermodelan Kurva Karakteristik Inverse Non- Standart Pada Rele Arus Lebih Dengan Metode Adaptive Neuro Fuzzy Inference System (Anfis)
B163 Permodelan Kurva Karakteristik Inverse Non- Standart Pada Rele Lebih Dengan Metode Adaptive Neuro Fuzzy Inference System (Anfis) Erhankana Ardiana P., Margo Pujiantara dan Ardyono Priyadi Jurusan
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Lebih terperinciPeramalan Beban Listrik Jangka Menengah Menggunakan Jaringan Syaraf Tiruan Pada Sistem Kelistrikan Kota Ambon Soleman Sesa
Beban Listrik Jangka Menengah Menggunakan Jaringan Syaraf Tiruan Pada Sistem Kelistrikan Kota Ambon Soleman Sesa leman.sesa@yahoo.com Teknik Elektro Universitas Brawijaya, Malang, Indonesia. Hadi Suyono
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
Lebih terperinciPRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih terperinciStudi Prakiraan Beban dan Potensi Pemanfaatan PV untuk Mengurangi Beban Puncak di Penyulang Unsyiah Menggunakan ANN
KITEKTRO: Jurnal Online Teknik Elektro e-issn: 5-736 : -5 Studi Prakiraan Beban dan Potensi Pemanfaatan PV untuk Mengurangi Beban Puncak di Penyulang Unsyiah Menggunakan ANN Muhammad Ridha Munawar #, Hafidh
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciEstimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM)
Estimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM) Yadi Mulyadi 1) Ade Gafar Abdullah 2) Risman Nurjaman 3) Electric Power System Research Group Program Studi Teknik Tenaga Elektrik
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPenentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang)
Penentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang) Maria Bellaniar Ismiati 1, Latius Hermawan 2 Program Studi
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciEstimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM)
SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT S EDUCATIONS 2009 Estimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM) Yadi Mulyadi 1) Ade Gafar Abdullah 2) Risman Nurjaman 3) Electric
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang.
PRAKIRAAN PENGGUNAAN JUMLAH AKOMODASI KAPAL FERRY PADA PELABUHAN PT ASDP INDONESIA FERRY (PERSERO) CABANG KETAPANG-GILIMANUK DENGAN PENERAPAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinci