Prediksi Penggunaan Energi Listrik Menggunakan Metode Feedforward Neural Network

ISSN : 2355-9365 e-Proceeding of Engineering : Vol.8, No.6 Desember 2021 | Page 12125 PREDIKSI PENGGUNAAN ENERGI LISTRIK MENGGUNAKAN METODE FEEDFORWARD NEURAL NETWORK PREDICTION OF ELECTRICITY USING FEEDFORWARD NEURAL NETWOKR METHOD Alifti Hammaines1, Casie Setianingsih2, Muhammad Ary Murti3 1,2,3 Universitas Telkom, Bandung .id1, .id2, .id3 Abstrak Memprediksi total biaya penggunaan energi listrik dengan tingkat akurasi yang tinggi sangatlah penting. Penerapan metode yang sesuai sangat berpengaruh terhadap tingkat akurasi yang dihasilkan dalam prediksi. Dalam prediksi ini menggunakan metode Feedforward Neural Network (FFNN) dengan algoritma Backpropagation. Dalam Tugas Akhir ini akan membuat sistem berbasis web untuk melakukan prediksi penggunaan energi listrik dengan model neural network. feed forward neural network (FFNN) merupakan model yang lebih sering digunakan karena dikenal memiliki kemampuan pendekatan yang baik dan bersifat universal. Selain itu, metode FFNN telah dikenal akan keunggulannya, yaitu memiliki nilai prediksi yang sangat mendekati nilai aktualnya sehingga menghasilkan error yang kecil serta memiliki kemampuan untuk mendeteksi atau melakukan analisis untuk permasalahan yang bersifat sangat kompleks. Untuk itu penelitian ini menggunakan metode Feedforward Neural Network dalam memprediksi total biaya penggunaan energi listrik dengan dipengaruhi oleh jumlah unit neuron pada hidden layer, yang meungkinkan nilai error yang di dapat lebih kecil. Keakuratannya pada metode ini bisa di lihat dengan menggunakan MSE (Mean Square Error). Pada Tugas Akhir ini menggunakan data history penggunaan kWh Gedung P Fakultas Teknik Elektro. Hasil pengujian FFNN menggunakan parameter terbaik yaitu dengan partisi data 70% data training 30% data testing, learning rate 0.001, dan epoch sebesar 80 sehingga menghasilkan nilai MSE sebesar 0.35037. Kata Kunci: Prediksi, Feedforward Neural Network (FFNN), error. Abstract Predicting the total cost of using electrical energy with a high degree of accuracy is very important. The application of the appropriate method greatly affects the level of accuracy produced in the prediction. This prediction uses Feedforward Neural Network (FFNN) method with Backpropagation algorithm. In this final project will create a web-based system to predict the use of electrical energy with a neural network model. feed forward neural network (FFNN) is a model that is more often used because it is known to have good approximation capabilities and universal. In addition, the FFNN method is known for its advantages, namely having a predictive value that is very close to the actual value so that it produces a small error and has the ability to detect or perform analysis for very complex problems. For this reason, this study uses the Feedforward Neural Network method in predicting the total cost of using electrical energy by being influenced by the number of neuron units in the hidden layer, which allows the error value to be smaller. Accuracy In this method can be seen by using the MSE (Mean Square Error). In this Final Task using historical data on the use of kWh Building P Faculty of Electrical Engineering. FFNN test results use the best parameters, namely with a data partition of 70% data training 30% data testing, learning rate 0.001, and epoch of 80 resulting in mse value of 0.35037. Keywords: Prediction, Feedforward Neural Network (FFNN), error. 1. Pendahuluan Energi listrik merupakan salah satu yang mempengaruhi kehidupan manusia saat ini, dimana hampir semua aktifitas manusia berhubungan dengan energi listrik. Pengguanaan energi listrik dapat dilihat secara langsung baik di lingkungan rumah tangga, sekolah, rumah sakit, perkantoran, dan industri-industri. Dalam penggunaan energi listrik ditetapkan tarif bulanan sesuai dengan pemakaian. Tagihan setiap bulannya tidak selalu sama, dikarenakan pemakaian serta daya yang digunakan pelanggan berbeda. Diperlukan perancanaan anggaran biaya tagihan listrik. Dalam hal ini dilakukan penelitian prediksi total biaya energi listrik dengan metode feedforward neural network. Pada feed forward neural network selain dari jumlah parameter yang digunakan, data time series dipengaruhi oleh jumlah unit neuron pada lapisan tersembunyi, yang memungkinkan nilai error semakin kecil dengan algoritma ISSN : 2355-9365 e-Proceeding of Engineering : Vol.8, No.6 Desember 2021 | Page 12126 beckpropagation. Keakuratan hasil prediksi sangat penting untuk membatu penelitian ini dengan menggunakan metode feedforward neural network. 2. Landasan Teori 2.1 Listrik Listrik merupakan suatu muatan yang terdiri dari muatan positif dan muatan negatif, dimana sebuah benda akan dikatakan memiliki energi listrik apabila suatu benda itu mempunyai perbedaan jumlah muatan. Energi listrik banyak di gunakan untuk berbagai peralatan atau mesin. Energi listrik tidak dapat dilihat secara langsung namun dampak atau akibat dari energi listrik dapat dilihat seperti sinar atau cahaya bola lampu[1]. 2.2 kiloWatt Hour (kWh) kWh Meter adalah alat penghitung pemakaian energi listrik. Alat ini bekerja menggunakan metode induksi medan magnet dimana medan magnet tersebut menggerakan piringan yang terbuat dari alumunium. Pengukur Watt atau Kwatt, yang pada umumnya disebut Watt-meter/Kwatt meter disusun sedemikian rupa, sehingga kumparan tegangan dapat berputar dengan bebasnya, dengan jalan demikian tenaga listrik dapat diukur, baik dalam satuan WH (watt Jam) ataupun dalam kWh (kilowatt Hour)[2]. 2.3 Prediksi Prediksi adalah ilmu pengetahuan untuk memprediksikan sesuatu yang akan terjadi di masa depan. Prediksi dapat dilakukan menggunakan data-data masa lalu yang diolah menggunakan metode prediksi. Tujuan dari prediksi adalah menjadi acuan pengambilan keputusan tentang sesuatu yang terjadi di masa depan yang telah diperkirakan di masa saat ini. Teknik prediksi terbagi menjadi dua, diantaranya adalah[1]: 1. Prediksi Kualitatif Prediksi yang menggunakan intuisi, pengalaman pribadi, dan berdasarkan pendapat (judgement) dari yang melakukan prediksi. 2. Prediksi Kualitatif Prediksi yang didasarkan pada informasi tentang masa lalu dengan asumsi bahwa beberapa aspek pola masa lalu akan terus berjalan pada masa yang akan datang. Data masa lalu dapat dipresentasikan menjadi suatu nilai atau angka yang sering disebut dengan data time series. 2.4 Neural Network Neural Network merupakan suatu metode Artifical Intelligence yang konsepnya meniru sistem jaringan syaraf yang ada pada tubuh manusia, dimana dibangun node-node yang saling berhubungan satu dengan yang lainnya. Nodenode yang terhubung melalui suatu link yang bisa disebut dengan istilah weight. Metode untuk menentukan nilai weight disebut dengan training, lerning, atau algoritma. Setiap neuron menggunakan fungsi aktifasi pada input untuk menentukan prediksi output[3]. Neuron-neuron dalam neural network di susun berkelompok, yang disebut dengan layer (lapis). Susunan neuronneuron dalam lapisan dan pola koneksi d (...truncated)