ABDI RAFIDAN SAPUTRA, - (2025) ANALISIS PERBANDINGAN TINGKAT AKURASI FEEDFORWARD BACKPROPAGATION DAN RECURRENT NN PADA PERAMALAN DAYA TERSAMBUNG DI PROVINSI RIAU TAHUN 2025-2029. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text (Bab Gabungan) BISMILLAH SKRIPSI (ACC) TA ABDI RAFIDAN ( tanpa bab hasil ) - ABDI RAFIDAN SAPUTRA TEKNIK ELEKTRO.pdf - Published Version Download (3MB) | Preview
	Text (Bab Hasil) BISMILLAH SKRIPSI (ACC) TA ABDI RAFIDAN (bab hasil) - ABDI RAFIDAN SAPUTRA TEKNIK ELEKTRO.pdf - Published Version Restricted to Repository staff only Download (835kB)
Preview	Text (Pernyataan) Surat peryataan akademis - ABDI RAFIDAN SAPUTRA TEKNIK ELEKTRO.pdf - Published Version Download (619kB) | Preview

Abstract

Ketersediaan daya listrik di Provinsi Riau masih mengalami ketidakseimbangan antara kebutuhan dan kapasitas produksi, yang dapat menyebabkan defisit atau pemanfaatan kapasitas pembangkit yang kurang optimal. PT PLN menggunakan berbagai metode peramalan, seperti regresi linear, time series, dan single exponential smoothing, dari hasil peramalan dari berbagai metode yang digunakan PLN masih mengalami defesit listik tiap tahunnya. Oleh karena itu, diperlukan metode peramalan daya tersambung yang andal sebagai dasar perencanaan energi. Penelitian ini membahas akurasi peramalan daya tersambung menggunakan dua metode kecerdasan buatan, yaitu Feed Forward Backpropagation (FFBP) dan Recurrent Neural Network (RNN). Data yang digunakan meliputi jumlah pelanggan PLN, konsumsi listrik, dan daya tersambung selama periode 2015–2024, yang diperoleh dari PLN dan Badan Pusat Statistik (BPS). Hasil peramalan menunjukkan bahwa FFBP menghasilkan Mean Absolute Percentage Error (MAPE) sebesar 6,09%, sedangkan RNN mencapai MAPE sebesar 3,63%, sehingga RNN menunjukkan tingkat akurasi lebih tinggi. Prediksi daya tersambung di Provinsi Riau untuk 2025–2029 meningkat secara bertahap, yaitu 5.538 MVA pada 2025, 6.646 MVA pada 2026, 7.758 MVA pada 2027, 8.931 MVA pada 2028, dan 10.158 MVA pada 2029. Hasilnya metode Recurrent Neural Network lebih baik dibandingkan metode Feed Forward Backpropagation yang mana mampu menghasilkan MAPE Eror lebih kecil. Maka dari itu metode Recurrent Neural Network direkomendasikan untuk melakukan peramalan kedepannya, serta strategi pengelolaan penyediaan energi di masa depan.

Actions (login required)

View Item