ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Beban listrik umumnya menunjukkan pola yang dinamis dan berfluktuasi mengikuti karakteristik pemakaian harian. Penelitian ini memberikan kontribusi baru studi prediksi beban listrik jangka pendek berbasis data time series pada salah satu independen power plant di Kota Tarakan, Provinsi Kalimantan Utara. Penelitian ini bertujuan untuk membandingkan dua pendekatan metode neural network (NN), yaitu NN tanpa pengolahan data time series dan NN berbasis data time series (NN-TS). Data yang digunakan berupa data historis beban listrik harian yang berasal dari sumber data pembangkit. Proses prediksi dilakukan melalui tahap stasioneri sehingga diperoleh model terbaik. Melalui model terbaik NN-TS diperoleh Arsitrektur NN yang berbeda. Pada pola NN diperoleh layer 24-10-1 sedangkan NN-TS 24-2-1. Hasil prediksi beban listrik jangka pendek menggunakan metode NN mendapatkan MAPE sebesar 6,0846% dan dengan menggunakan metode NN-TS sebesar 4,33%.
ThesisOpen AccessMetadata saja
2026•
Kebutuhan energi listrik serta dinamika konsumsi listrik yang fluktuatif menuntut perencanaan sistem tenaga listrik yang akurat dan efisien. Salah satu langkah penting dalam perencanaan tersebut adalah prediksi beban listrik jangka pendek, yang bertujuan untuk memprediksi konsumsi listrik dalam kurun waktu harian hingga mingguan guna mendukung pengambilan keputusan operasional. Penelitian ini bertujuan untuk menganalisis dan membandingkan tingkat akurasi dua metode prediksi, yaitu Regresi Linier dan Time Series, dalam memprediksi beban listrik harian pada PT. Siantar Tara Sejati Tarakan. Penelitian ini menggunakan data beban listrik selama 14 hari dengan jumlah data sebanyak 336 data. Pengolahan data metode Time Series dilakukan menggunakan software Minitab, sedangkan metode evaluasi yang digunakan adalah Mean Absolute Percentage Error (MAPE) untuk mengukur tingkat akurasi masing-masing model. Hasil penelitian menunjukkan bahwa metode Time Series melalui hasil prediksi model ARMA (2,1) menghasilkan nilai MAPE sebesar 6,752866%, sedangkan metode Regresi Linier sebesar 9,027497%. Berdasarkan nilai tersebut, hasil prediksi model ARMA (2,1) menunjukkan tingkat akurasi yang lebih baik dibandingkan Regresi Linier, sehingga lebih efektif digunakan untuk prediksi beban listrik jangka pendek pada penelitian ini. Kata kunci: Prediksi Beban Listrik Jangka Pendek, Regresi Linier, Time Series, Dinamika Beban Listrik.
ThesisOpen AccessMetadata saja
2026•
Kebutuhan energi listrik serta dinamika konsumsi listrik yang fluktuatif menuntut perencanaan sistem tenaga listrik yang akurat dan efisien. Salah satu langkah penting dalam perencanaan tersebut adalah prediksi beban listrik jangka pendek, yang bertujuan untuk memprediksi konsumsi listrik dalam kurun waktu harian hingga mingguan guna mendukung pengambilan keputusan operasional. Penelitian ini bertujuan untuk menganalisis dan membandingkan tingkat akurasi dua metode prediksi, yaitu Regresi Linier dan Time Series, dalam memprediksi beban listrik harian pada PT. Siantar Tara Sejati Tarakan. Penelitian ini menggunakan data beban listrik selama 14 hari dengan jumlah data sebanyak 336 data. Pengolahan data metode Time Series dilakukan menggunakan software Minitab, sedangkan metode evaluasi yang digunakan adalah Mean Absolute Percentage Error (MAPE) untuk mengukur tingkat akurasi masing-masing model. Hasil penelitian menunjukkan bahwa metode Time Series melalui hasil prediksi model ARMA (2,1) menghasilkan nilai MAPE sebesar 6,752866%, sedangkan metode Regresi Linier sebesar 9,027497%. Berdasarkan nilai tersebut, hasil prediksi model ARMA (2,1) menunjukkan tingkat akurasi yang lebih baik dibandingkan Regresi Linier, sehingga lebih efektif digunakan untuk prediksi beban listrik jangka pendek pada penelitian ini. Kata kunci: Prediksi Beban Listrik Jangka Pendek, Regresi Linier, Time Series, Dinamika Beban Listrik.
