Upload
ricky-ardian-pratama
View
216
Download
0
Embed Size (px)
Citation preview
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.