Prediksi Produksi Energi Listrik PLTA Ir. H. Djuanda Menggunakan Algoritma Jaringan Syaraf Tiruan dengan Pendekatan Backpropagation

Yuliani Putri Handayani, Farid Hijri, Respitawulan Respitawulan

Abstract


Abstract. The production of PLTA Djuanda’s electricity influenced by  water discharge that entering the turbin, electricity load and production of the electrical energy. The variables will be used to predicti the electrical energy production using artificial neural network (ANN) with backpropagation approach. ANN algorithm is a computation system whose architecture and operation comes from biological neural inside the brain. The calculation is done using MATLAB based on a certain epoch and MSE (Mean Square Error) value. The result is production of electricity prediction with training and testing. The calculation with backpropagation algoritm then compared to the field data. In April, the average difference between the real data with the production using Traingd function is 14%, Traingdx function is 17%, and Traincgb function is 53%. In July, average difference between real data and the prediction result using Traingd function is 9%, Traingdx function is 7%, and Traincgb is 11%. Thus, in April, the best result was given by Traingd and, in July, by Traingdx.

Keyword : Artificial Neural Network, backpropagation algorthm, PLTA Djuanda, Electricity.

Abstrak. Dalam produksi listrik PLTA Djuanda, variabel yang mempengaruhi hasil produksi energi listrik adalah debit air yang masuk ke turbin, beban dan produksi energi listrik. Variabel tersebut digunakan untuk memprediksi besaran produksi listrik mengunakan algoritma Jaringan Syaraf Tiruan (JST) dengan pendekatan backpropagation. Algoritma JST adalah sistem komputasi dengan arsitektur dan operasinya diilhami dari pengetahuan sel syaraf biologi di dalam otak. Perhitungan menggunakan MATLAB berdasarkan nilai epoch dan MSE (Mean Square Error). Hasilnya adalah prediksi produksi energi listrik dengan proses pelatihan dan pengujian. Hasil perhitungan dengan algoritma Backpropagation dibandingkan dengan data lapangan. Pada bulan April  dari ketiga fungsi didapat bahwa rata-rata persentase selisih data asli dengan hasil prediksi dengan menggunakan fungsi Traingd mencapai 14%, fungsi Traingdx mencapai 17% dan fungsi Traincgb mencapai 53%. Pada bulan Juli dari ketiga fungsi didapat bahwa rata-rata persentase selisih data asli dengan hasil prediksi dengan fungsi Traingd mencapai 9%, fungsi Traingdx mencapai 7% dan fungsi Traincgb mencapai 11%. Jadi untuk bulan April hasil terbaik diberikan oleh Traingd dan bulan Juli oleh Traingdx.

Kata Kunci: Jaringan Syaraf Tiruan, algoritma Backpropagation, PLTA Djuanda, Energi Listrik.


Keywords


Jaringan Syaraf Tiruan, algoritma Backpropagation, PLTA Djuanda, Energi Listrik.

Full Text:

PDF

References


Hasim, Agus, 2008, Prakiraan Beban Listrik Kota Pontianak dengan Jaringan Syataf Tiruan (Artifical Neural Network), Tesis. Tidak diterbitkan. Institut Pertanian Bogor.

Febriana, Mira dan dkk, Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation, Jurnal Teknik Industri, Vol.1, No.2, Juni 2013, pp. 174-179, ISSN 2302-495X.

Putra, Khelvin Ovela, dan dkk, Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Volume Pemakaian Air Dengan Metode Backpropagation (Studi Kasus PT. PDAM Kota Padang), Jaringan Sisterm Informasi Robotik Vol. 2, No.01, Maret 2018




Flag Counter