Ditemukan 193490 dokumen yang sesuai dengan query
Fakultas Teknik Universitas Indonesia, 2001
S39942
UI - Skripsi Membership Universitas Indonesia Library
Fajar Alya RahmanFajar Alya Rahman
"Peramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dan kinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhan listrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan beban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, dan Kecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forward dan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasil didapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.
Electrical load forecasting has an important role for efficiency and performance from PLN.Various types of methods have been used to provide an accurate load forecasting on purpose that the transmitted power appropriates the demand of consumers. This research will discuss short term load forecasting using Artificial Neural Network (ANN). Short term load is influenced by weather factors, those will become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed, Data used for study are actual data in 2011. Architecture used for this research is feed-forward and Algorithm that is used is backpropagation. The final result shows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which are below the forecasting error limit."
Depok: Fakultas Teknik Universitas Indonesia, 2012
S54227
UI - Skripsi Open Universitas Indonesia Library
Aulia Khair
"Saat ini peramalan beban listrik hanya menggunakan acuan data historis sebagai masukan pada metode peramalan beban. Berbagai jenis metode digunakan untuk menghasilkan peramalan beban yang akurat dan presisi dengan harapan daya yang disalurkan tepat ukuran sesuai dengan kebutuhan beban listrik konsumen.
Skripsi ini membahas teknik kombinasi metode permodelan Auto Regressive Integrated Moving Average (ARIMA) yang dikaitkan dengan metode regresi linear dari hubungan suhu dan beban listrik untuk menghasilkan metode peramalan yang lebih akurat dan presisi dari sekedar peramalan beban yang mengacu pada data historis saja. Berdasarkan hasil, terlihat bahwa MAPE kombinasi peramalan (4,19%) lebih baik dibanding menggunakan metode ARIMA (5,16%) dan Regresi Linear (5,28%) saja.
Nowadays electrical load forecasting uses historical data as a reference input on load forecasting method. Various types of this methods used to produce an accurate load forecasting and precision in the hope that appropriate resources are distributed according to the size of electrical load demand of consumers. This research will discuss combination technique of Auto Regressive Integrated Moving Average (ARIMA), which is associated with linear regression method from the relationship of temperature and electrical load to produce a more accurate and precise than a load forecasting based on historical data only. The final results show that combination technique gives MAPE 4,19%, better than ARIMA (5,16) and Linear Regression (5,28%)."
Depok: Fakultas Teknik Universitas Indonesia, 2011
S631
UI - Skripsi Open Universitas Indonesia Library
Barqi Azmi
"Sebagai dasar dalam perencanaan operasi, dibutuhkan prakiraan yang tepat untuk mengetahui kebutuhan tenaga listrik dalam periode waktu tertentu. Prakiraan biasanya berupa prakiraan beban load forecasting meliputi beban puncak MW, dan prakiraan kebutuhan energi listrik MWh. Dalam melakukan prakiraan telah berkembang berbagai macam metode, salah satunya metode koefisien yang digunakan oleh PT PLN Persero- P2B untuk memprakirakan beban harian dan mingguan dengan data realisasi 3 tahun sebagai pengembangan dari metode autoregresi. Metode prakiraan ini merupakan metode yang relatif akurat dengan tingkat kesalahan terhadap nilai-nilai beban aktual berkisar 5 - 10.
A basis for operations planning, precise forecasts are needed to determine the demand for electricity over a period of time. Forecasts usually includes load forecasting including peak load MW, and forecasts for electrical energy MWh. In doing the work has evolved a variety of methods, one of which is the coefficient method used by PT PLN Persero P2B to forecast daily and weekly loads with 3 years realization data as the development of the autoregression method. This forecasting method is a relatively accurate method with an error rate against actual load values ranging from 5 10."
Depok: Fakultas Teknik Universitas Indonesia, 2017
S67179
UI - Skripsi Membership Universitas Indonesia Library
Indira Untari
"Perkembangan teknologi yang sangat pesat di bidang kelistrikan saat ini adalah pemanfaatan distributed generation khususnya PLTS Atap atau dikenal dengan PV Rooftop. Pelanggan memanfaatkan energi listrik dari PV Rooftop untuk kebutuhan listriknya dan juga dapat mentransfer energinya (eksport) ke system kelistrikan PLN jika energi dari PV Rooftop berlebih. Sedangkan PLN tetap mengirimkan energi ke pelanggan jika energi dari PV tidak memenuhi konsumsi listriknya (import). Dengan ketersediaan data smart-meter orde jam beban pelanggan PV Rooftop, maka optimalisasi data untuk keperluan data scientist, data analyst, dan data engineer sehingga informasi data ini dapat dignakan untuk manajemen energi yang efisien dan andal. Peralaman beban untuk pelanggan PV menjadi masalah yang sulit dipecahkan dikarenakan beragamnya tipe penggunaan listrik (konsumsi listrik) dan ketidakpastian faktor eksternal (cuaca) karena penggunaan sumber energi terbarukan (energi matahari) sehingga menimbulkan celah dalam akurasinya. Untuk memecahkan masalah tersebut, penelitian ini menggunakan pendekatan machine-learning yaitu Jaringan Syaraf Tiruan (Artificial Neural Network-ANN) pada MATLAB® dengan algoritma pembelajaran backpropagation dan fungsi aktivasi sigmoid untuk menghasilkan model peramalan beban orde jam meliputi hari kerja dan hari libur pada pelanggan PV per segment tarif (Pelanggan Rumah Tangga, Pelanggan Bisnis, Pelanggan Industri, Pelanggan Sosial dan Pelanggan Pemerintah). dengan mempertimbangkan variasi konsumsi listrik dan temperatur. Lingkup pengambilan data penelitian dibatasi beban listrik pada pelanggan di Jakarta dan sampling dilakukan selama bulan Juli s/d Oktober 2019. Hasil penelitian ini memperlihatkan bahwa prediksi ANN menghasilkan kinerja dengan
Mean Square Error (MSE) sebesar 2%. Prediksi beban listrik tanggal 21 s/d 27 Oktober 2019 memperlihatkan rata-rata error ANN adalah 21%, sedangkan rata-rata error metode regresi adalah 39%. Dengan demikian dapat disimpulkan bahwa prediksi beban listrik menggunakan ANN lebih akurat sebesar 20% dibandingkan dengan metode regresi oleh PLN. Berdasarkan analisis keekonomian, pelanggan mendapatkan efisiensi biaya listrik sebesar 21%, sedangkan PLN berkurang pendapatan sebesar ± Rp. 300 juta/bulan. Strategi manajemen yang diusulkan dengan mempertimbangkan benefit kedua pihak (PLN dan Konsumen) adalah dengan keterlibatan PLN sebagai integrator (sisi hulu dan sales), ketelibatan Pemerintah dan keterlibatan dukungan Bank sebagai
The very rapid technological development in the electricity sector at present is the use of special distributed PLTS known as PV Rooftop. Customers use energy from the PV for their electricity needs and can also transfer their energy (export) to the PLN electricity system if the energy from their PV is excessive. While PLN continues to send energy to customers if using energy from PV does not meet its electricity consumption (imports). While the avaibility of fine-grained smart meter data for PV customers load, optimization could be done for the needs of data scientists, data analysts and data engineers makes this data information usable for efficient and reliable energy management. Forecasting the PV Customer load, however, can be an intractable problem. These loads are characterized by uncertainty and variations due to the use of renewable energy sources (solar energy), leaving much room to improve accuracy. To improve the PV customer load forecast accuracy, this paper advocates a machine-learning tool called Artificial Neural Network (ANN) on MATLAB® with backpropagation learning algorithm and sigmoid activation, include load forecasting per tariff segment (Household Customers, Business Customers, Industrial Customers, Social Customers and Government Customers). The scope of the study took data on electricity loads to customers in Jakarta and sampling was conducted from July to October 2019. The test results show that ANN deterministic load forecasting model can achieve satisfactory performance with the mean square error (MSE) of 2% . Electricity load predictions from 21 to 27 October 2019 have an average error of ANN is 21%, while the average error of the regression method is 39%. Thus it can be concluded that the estimated cost of using ANN electricity is more accurate by 20% compared to the regression method by PLN. Based on economic analysis, customers get electricity cost efficiencies of 21%, while PLN reduces revenue by ±Rp. 300 million/month. The proposed management strategy by considering the benefits of both parties (PLN and Consumers) is to involve PLN as an integrator (upstream and sales side), Government involvement and involvement of Bank supporters as lenders."
Depok: Fakultas Teknik Universitas Indonesia, 2020
T54037
UI - Tesis Membership Universitas Indonesia Library
Evi Lutfiati
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2000
S28481
UI - Skripsi Membership Universitas Indonesia Library
Kafahri Arya Hamidie
"Konsumsi daya listrik mempunyai peranan penting dalam pelaksanaan pembangunan untuk peningkatan kesejahteraan dan kegiatan ekonomi. Sehingga, diperlukan peramalan beban listrik untuk menyelenggarakan usaha penyediaan daya listrik dalam jumlah merata. Tujuan dari peramalan beban listrik tersebut adalah untuk melakukan analisa nilai beban mingguan dan harian pada tahun 2009 menggunakan metode koefisien energi. Dari hasil analisa didapat nilai error beban mingguan 2009 4,525% dan beban harian 2009 5,234%.
Electrical power consumption plays important role in developing our country, especially in economic and welfare. Load forecast is needed to distribute the electrical power evenly. By using load forecasting method, we want to analyze the 2009 weekly and daily load value using energy coefficient. From calculation the error percentage of 2009 weekly load is 4.525% and the 2009 daily load is 5.234%"
Depok: Fakultas Teknik Universitas Indonesia, 2012
S1832
UI - Skripsi Open Universitas Indonesia Library
Muhammad Pandu Rizkhi Prasetyo
"Pertumbuhan ekonomi dan populasi menyebabkan peningkatan konsumsi energi listrik. Oleh karena itu, konsumsi energi dan penyediaan daya di masa mendatang perlu diprakirakan sejak dini. Terdapat beberapa metode yang telah diterapkan, namun dalam hal ini penulis melakukan peramalan kebutuhan energi menggunakan metode Neural Network (NN) berdasarkan data-data meliputi rasio elektrifikasi, energi terjual pelanggan, PDRB (Produk Domestik Regional Bruto) serta jumlah penduduk pada wilayah Jamali (Jawa Madura Bali). Adapun simulasi NN dilakukan pada software Matlab. Walaupun demikian, peramalan kebutuhan energi kali ini hanya dapat dilakukan pada waktu yang terbatas, karena tingkat kepercayaan ramalan menurun mengikuti kenaikan tahun dimana tingkat kepercayaan maksimum R2 = 0,9852 diperoleh pada peramalan kebutuhan energi selama 6 tahun ke depan.
Economic and population growth led to increased consumption of electrical energy. Therefore, energy consumption and power supply in the future need to be predicted early on. There are several methods that can be applied, but this study will use artificial Neural Network (ANN) for demand forecasting based on data that consist of electrification ratio, energy-sold customers, GDP (Gross Domestic Product) and the number of residents in the area of Jamali. The simulation is done by using Matlab. However, the peak demand forecasting can only be done in a limited time, because the confidence level forecast to decline following the year in which the increase in the maximum confidence level R2 = 0.9852 is obtained on demand forecasting for the next 6 years."
Depok: Universitas Indonesia, 2015
S58442
UI - Skripsi Membership Universitas Indonesia Library
Hutabarat, Binsar
2007
T23990
UI - Tesis Membership Universitas Indonesia Library
Hariyanto
"
ABSTRAKPada penelitian ini menjelaskan bagaimana pengenalan suara otomatis menggunakan bahasa daerah yang berasal indonesia yaitu bahasa sunda, yang dapat mengontrol alat-alat elektronik pada suatu rumah. Bahasa sunda merupakan bahasa daerah dengan penuturan terbanyak kedua di indonesia setelah bahasa jawa. Pengenalan suara menggunakan bahasa sunda dilakukan pada penelitian ini dengan tujuan dapat mengontrol beberapa alat elektronik didalam rumah secara langsung dengan akurasi yang baik. Adapun metode yang digunakan dalam pengenalan suara bahasa sunda adalah metode ekstraksi Mel Frequency Cepstral Coefficient (MFCC) dan metode classifikasi jaraingan saraf tiruan berbasis algoritma backpropagation. Ada 16 intruksi bahasa sunda yang digunakan dalam pengenalan suara sebagai input pada sistem, setiap instruksi memiliki 2 sampai 3 suku kata bahasa sunda. Output yang digunakan penulis dalam penelitian ini sebanyak 6 alat elektronik rumah tangga, untuk menghidupkan atau mematikan satu output dikontrol menggunakan 2 instruksi bahasa sunda. Data suara yang digunakan dalam proses pembelajaran algoritma backpropagation adalah sebanyak 480 data yang masing-masing instruksi bahasa sunda adalah 30 data suara yang sama, hasil dari proses pembelajaran adalah berupa bobot yang dapat digunakan untuk proses pengetesan hardware, berdasarkan hasil percobaan langsung didapat tingkat akurasi pengenalan sebesar 96.875% saat dilakukan testing terhadap sistem.
ABSTRACTIn this study explain how automatic speech recognition uses regional languages that originate from Indonesia, namely Sundanese language, which can control electronic devices in a home. Sundanese is the second most spoken local language in Indonesia after Javanese. Voice recognition using Sundanese language was carried out in this study to be able to directly control several electronic devices in the house with good accuracy. The method used in Sundanese speech recognition is the Mel Frequency Cepstral Coefficient (MFCC) extraction method and the artificial neural network classification method based on the backpropagation algorithm. There are 16 Sundanese language instructions used in speech recognition as input to the system; each instruction has 2 to 3 Sundanese language syllables. The output used by the author in this study was five household electronic devices, to turn on or turn off one output controlled using 2 Sundanese language instructions. Sound data used in the learning process of the backpropagation algorithm is 480 data, each Sundanese language instruction is 30 of the same sound data, the results of the learning process are in the form of weights that can be used for hardware testing, based on the results of direct experiments 96.875 % when testing the system."
2019
T53572
UI - Tesis Membership Universitas Indonesia Library
