7/26/2019 5.BAB I.docx

1/4

BAB I

PENDAHULUAN

A. Latar BelakangTenaga listrik merupakan kebutuhan pokok bagi

kehidupan masyarakat. Tenaga listrik digunakan

oleh beberapa sektor, antara lain sektor rumah

tangga, industri, usaha komersial, dan tempat layanan

umum. Besar konsumsi listrik pada suatu rentang

waktu tidak dapat dihitung secara pasti.Ketidakpastian itu apabila tidak kita perkirakan akan

menjadi masalah, karena kebutuhan listrik semakin

bertambah tetapi penyediaan listrik kurang (Handoko,

200!."ika besar konsumsi listrik tidak diperkirakan maka

dapat mempengaruhi kesiapan dari unit pembangkit

untuk menyediakan pasokan energi listrik kepada

konsumen. Ketidakseimbangan daya listrik antara

sisi supply dan sisi demand dapat mengakibatkan

kerugian. #ada sisi pembangkit dapat terjadi

pemborosan apabila daya yang dibangkitkan lebih

besar daripada konsumsi listrik. #ada sisi konsumen

dapat terjadi pemadaman apabila daya yang

dibangkitkan lebih kecil dari kebutuhan listrik

konsumen. $leh karena itu, yang dapat dilakukan

adalah meramalkan besar konsumsi listrik (Handoko,

200!.#eramalan adalah suatu kegiatan%usaha untuk

memprediksi kondisi di masa yang akan datang. &i

bidang tenaga listrik, peramalan biasanya berupa

peramalan beban (load forecasting! meliputi

peramalan beban puncak ('! dan peramalan

kebutuhan energi listrik (demand forecasting!

)

7/26/2019 5.BAB I.docx

2/4

2

('h!. #eramalan berdasarkan rentang waktu dapat

dikategorikan menjadi tiga* jangka pendek, jangka

menengah dan jangka panjang (Hamidie, 200!.Neural network atau jaringan syara+ tiruan ("T!

adalah algoritma penyelesaian masalah komputasi

yang prinsip kerjanya menirukan jaringan syara+

manusia. alah satu jenis dari metode "T yaitu

Backpropagation. 'etode ini dipilih karena saat

output tidak sama dengan target yang diharapkan

maka output akan disebarkan mundur (backward!

pada hidden layer untuk diteruskan ke unit padainput layer, sehingga akan ada umpan balik untuk

mem-alidasi hasil keluaran "T (etiabudi, 20)!.

elain itu, metode "T backpropagation dapat

diaplikasikan dengan baik dalam bidang peramalan

(forecasting! ("ong "ek iang, 200!.&alam skripsi ini, metode neural network

backpropagation yang akan digunakan untuk

meramal beban tenaga listrik. #eramalan dilakukanuntuk menghitung total beban per tahun setiap

pro-insi di /ndonesia. &ata yang digunakan dalam

penelitian ini adalah data yang ada pada encana

1saha #enyediaan Tenaga istrik (1#T! #T. #3

(#44$! dan tatistik #T. #3 (#44$!.

B. Rumusan Masalah

1. Bagaimana melakukan peramalan beban listrikjangka panjang untuk setiap pro-insi di /ndonesia

dengan menggunakan Neural Network

Backpropagation5

2. Bagaimana mencari model dan kon6gurasi

peramalan Neural Network Backpropagation yang

menghasilkan nilai errorterbaik5

3. Bagaimana hasil komparasi peramalan beban listrik

menggunakan Neural Network Backpropagation

7/26/2019 5.BAB I.docx

3/4

7

dengan hasil peramalan beban listrik oleh 1#T #T.

#3 20)82025

C. Tujuan Penelitian

). 'elakukan peramalan beban listrik untuk setiap

pro-insi di /ndonesia dengan menggunakan metode

Neural Network Backpropagation.2. 'encari model dan kon6gurasi peramalan Neural

Network Backpropagation yang menghasilkan nilai

errorterbaik.

7. 'engkomparasikan hasil peramalan beban listrik

menggunakan Neural Network Backpropagation

dengan hasil peramalan beban listrik oleh 1#T #T.

#3 20)8202.

D. Manfaat Penelitian. Bagi penulis, dapat menerapkan ilmu yang telah

diperoleh selama ini dalam menyelesaikan suatu

masalah secara nyata sehingga tidak hanya bersi+at

teori.!. Bagi pengguna akhir, nantinya dapat membantu

#3 dalam perencanaan penyediaan tenaga listrik

melalui peramalan beban listrik untuk beberapatahun kedepan dengan hasil yang lebih akurat.

E. Batasan Penelitian). #enelitian menggunakan data yang bersumber

pada 1#T #T. #3 dan tatistik #T. #3.2. &ata yang digunakan adalah data historis tahunan

beban kelistrikan /ndonesia

7/26/2019 5.BAB I.docx

4/4

9

3. #enelitian masih menggunakan 77 #ro-insi sebagai

acuan, sebelum adanya #ro-insi Kalimantan 1tara.

4. #eramalan menggunakan neural network jesnisbackpropagation.

5. #eramalan menggunakan aplikasi ':T:B 20)2.

". Asumsi). Hasil simulasi menggambarkan peramalan beban

listrik untuk 77 pro-insi di indonesia.2. #eramalan beban #ro-insi Kalimantan 1tara akan

menjadi satu dengan #ro-insi Kalimantan Timur.