Pemodelan Peramalan Beban Jangka Pendek untuk Subsistem Krian-Gresik Menggunakan Deep Learning LSTM-NN

Short-Term Forecasting Modelling for Krian-Gresik Subsystem Using Deep Learning LSTM-NN

Sistem perencanaan yang baik dibutuhkan untuk alasan efisiensi daya bangkitan, salah satunya adalah kegiatan forecasting atau peramalan terhadap konsumsi beban. Penelitian ini yakni membuat sebuah pemodelan peramalan menggunakan metode Long Short Term Memory (LSTM) yaitu salah satu arsitektur pada Deep Learning untuk melakukan peramalan jangka pendek selama 1 hari ke depan pada subsistem Krian-Gresik. Dilakukan beberapa eksperimen dengan mengubah beberapa parameter diantaranya lags, epoch dan batch. Kombinasi parameter yang menghasilkan prediksi yang paling baik adalah saat jumlah lags = 2, epoch = 250, dan batch = 256, dengan nilai akurasi  MAPE = 1.75% dan MSE = 0.0155 serta grafik hasil prediksi yang mendekati pola dari data aktual.

Kata Kunci: LSTM, Deep Learning, Forecasting, Neural Network, Load

A good planning system is needen for the sake of power generation efficiency, and one of its components is forecasting or predicting load consumption. This study focuses on creating a forecasting model using the Long Short Term Memory (LSTM) method, which is one of the architectures in Deep Learning, to forecast short-term load consumption for the next day in the Krian-Gresik subsystem. Several experiments were conducted by modifying various parameters. Including lags, epoch, and batch sizes. The combination of parameters that resulted in good predictions is when the number of lags = 2, epoch = 250 and batch = 256, with an accuracy of MAPE = 1.75% and MSE = 0.0155, as well as prediction graphs that closely matched the pattern of actual data.

Keywords: LSTM, Deep Learning, Forecasting, Neural Network, Load.