PREDIKSI PENGHASILAN DAYA PEMBANGKIT LISTRIK TENAGA SURYA MENGGUNAKAN MACHINE LEARNING ENSEMBLE

Yusuf, Luthfiansyah Ilhamnanda (2022) PREDIKSI PENGHASILAN DAYA PEMBANGKIT LISTRIK TENAGA SURYA MENGGUNAKAN MACHINE LEARNING ENSEMBLE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (215kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (350kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (448kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (359kB)
	Text (BAB V) BAB V.pdf Download (37kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (106kB)
	Archive (SOURCE CODE) Source Code-18.11.2304-Luthfiansyah Ilhamnanda Yusuf.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi-18.11.2304-Luthfiansyah Ilhamnanda Yusuf.pdf Restricted to Repository staff only Download (400kB)

Abstract

Penghasilan listrik terbarukan dari tahun ketahun semakin meningkat. Peningkatan penghasilan ini dapat berkontribusi dalam distribusi listrik secara keseluruhan. Karena sifat listrik terbarukan yang bergantung pada cuaca, maka diperlukan metode untuk manajemen listrik dalam menggabungkan listrik terbarukan dengan sistem distribusi listrik yang sudah ada. Microgrid adalah salah satu sistem manajemen listrik yang membagi penghasilan dan penggunaan listrik menjadi sistem-sistem kecil yang terhubung satu sama lain. Dalam manajemen listrik, diperlukan prediksi yang akurat untuk menentukan kapan listrik akan dihasilkan maupun akan digunakan. Dalam penelitian ini, Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) digabungkan dengan metode Ensemble Learning dan diuji untuk memprediksi penghasilan listrik dari PLTS dengan 2 sub-station di India. Akurasi prediksi diukur menggunakkan parameter RMSE dan MAE lalu dibandingkan antara algoritma LSTM, GRU dan Neural Network Ensemble menggunakan metode ANOVA. Hasil pengujian menunjukkan p-value perbandingan RMSE pada PLTS 1 sebesar 0,969511 dan pada PLTS 2 sebesar 0,969696, sedangkan p-value perbandingan MAE pada PLTS 1 sebesar 0,991506 dan pada PLTS 2 sebesar 0,991746. Jika diukur menggunakan significance level 0,05, maka ketiga algoritma tersebut tidak mempunyai perbedaan akurasi yang signifikan. GRU memiliki training lebih lama yaitu 6 menit 19 detik dibandingkan LSTM yaitu 3 menit 42 detik dalam memprediksi penghasilan listrik tenaga surya.

Actions (login required)

View Item