Jurnal Elkomika (Jul 2023)

Analisis Arsitektur Jaringan Syaraf Tiruan-Multilayer Perceptron untuk Efektivitas Estimasi Beban Energi Listrik PT. PLN (Persero) UP3 Salatiga

  • RONI SAPUTRA,
  • SAID SUNARDIYO,
  • ANAN NUGROHO,
  • SUBIYANTO SUBIYANTO

DOI
https://doi.org/10.26760/elkomika.v11i3.664
Journal volume & issue
Vol. 11, no. 3

Abstract

Read online

ABSTRAK PT PLN (Persero) UP3 Salatiga merupakan perusahaan penyedia energi listrik enam kabupaten di Jawa Tengah. Agar energi listrik yang mengalir ke pelanggan handal dan ekonomis, penyesuaian antara supply dan demand penting untuk dilakukan. Hal ini bisa dilakukan dengan perencanaan operasi sistem tenaga listrik dalam bentuk estimasi beban energi listrik. Pada penelitian ini, estimasi dilakukan dengan jaringan syaraf tiruan-multilayer perceptron. Sejumlah variasi jumlah layer dan node pada arsitektur perceptron diuji-cobakan untuk mendapatkan performa estimasi yang terbaik. Dari penelitian ini, diperoleh arsitektur terbaik yaitu TRAINGDA 4 hidden layer dengan 20 node hidden layer, dengan nilai MAPE sebesar 2.79% tahap training, serta nilai MAPE sebesar 3.24% tahap testing. Hasil ini mengindikasikan bahwa metode jaringan syaraf tiruan-multilayer perceptron lebih akurat sebagai estimator beban energi listrik PT PLN (Persero) UP3 Salatiga. Kata kunci: estimasi, estimasi beban, energi listrik, multilayer perceptron  ABSTRACT PT PLN (Persero) UP3 Salatiga is an electricity provider company for 6 districts in Central Java. To ensure reliable and economical electricity supply to customers, adjustment between supply and demand is important to be conducted. This can be achieved through planning of power system operation in the form of electricity load estimation. In this study, estimation was performed using artificial neural network-multilayer perceptron. Several variations of the number of layers and nodes in the perceptron architecture were tested to obtain the best estimation performance. From this study, the best architecture was obtained with TRAINGDA 4 hidden layers and 20 hidden layer nodes, resulting in MAPE value of 2.79% in the training phase and 3.24% in the testing phase. These results indicate that artificial neural network-multilayer perceptron method is more accurate as an estimator of electricity load for PT PLN (Persero) UP3 Salatiga. Keywords: estimation, load estimation, electrical energy, multilayer perceptron

Keywords