ABSTRAK Indonesia merupakan salah satu negara berkembang dengan segala perkembangan di setiap sektor dan juga didukung oleh kemajuan teknologi, itulah sebabnya mengapa permintaan listrik di Indonesia meningkat. Tanpa adanya rumus eksak yang dapat memastikan besarnya beban listrik disetiap waktu, maka yang dapat dilakukan adalah meramalkan beban listrik. Metode peramalan beban yang dibahas pada studi ini adalah metode Jaringan syaraf tiruan (JST) yang dijalankan dengan Backpropogation. Setelah simulasi dilakukan perbandingan antara hasil ramalan oleh Jaringan syaraf tiruan (JST) dan hasil koefisien beban menunjukkan rata-rata error dengan metode JST untuk satu minggu (Senin-Minggu) mencapai 0,12% dengan akurasi 99,88% dan rata-rata error dengan metode koefisien beban untuk satu minggu mencapai 1,85% dengan akuasi 98,15%. Hasil tersebut menunjukkan bahwa peramalan dengan JST lebih baik dari metode koefisien beban. Kata Kunci : peramalan, beban puncak, JST, backpropogation, akurasi ABSTRACT Indonesia is one of the developing countries with development in each sector and supported also by technological progress, that is the reasons why the demand of electric in Indonesia increases. The electric power generate system load is changing in every second depends on users’ necessities. Without any exact formula that can ensure how big the load in any time, then that can be done simply the forecasting. The load forecasting method which being discussed in this study is an artificial neural network method that is run by Backpropogation. After the simulation was done, the comparison between the forecast results of artificial neural network (ANN) and the load coefficient method, showed that the average error of ANN for one week (Monday to Sunday) reached 0.12% with the accuracy of 99.8% and the average error of load coefficient method for one week reached 1.85% with accuracy of 98.15%. The results showed that the artificial neural network method forecast was better than the load coefficient method. Keywords : forecasting, peak load, ANN, Backpropogation, accuracy
Copyrights © 2013