RECORD DETAIL
Back To Previous
Back To Previous
| Title | Prediksi Beban Listrik Menggunakan Kernel Ridge Regression untuk Mengurangi Resiko Dump Power dan Energy Not Served |
| Edition | |
| Call Number | |
| ISBN/ISSN | |
| Author(s) | Wahyuda |
| Subject(s) | Data Mining Kernel Ridge Regression |
| Classification | 006 |
| Series Title | GMD | Tugas Akhir |
| Language | Indonesia |
| Publisher | Jurusan Teknik Industri FTI-ITS |
| Publishing Year | 2009 |
| Publishing Place | Surabaya |
| Collation | |
| Abstract/Notes | |
| Specific Detail Info | Penyediaan beban listrik yang cepat dan tepat menjadi masalah yang penting manakala kita dihadapkan pada efisiensi biaya, pelayanan dan sekaligus penghematan sumber daya penghasil energi. Dilain hal, beban listrik yang sudah diproduksi dan tidak terpakai akan terbuang karena tidak bisa disimpan (terjadi Dump Power), Sedangkan bila energy yang disediakan berada di bawah beban yang diminta akibat peramalan yang tidak akurat maka akan terjadi pemadaman bergilir ( Energy Not Served). Untuk memenuhi kebutuhan listrik pada periode selanjutnya harus sudah disediakan dari sekarang, maka dari itu dibutuhkan peramalan. Data beban listrik bersifat non linier, oleh karenanya untuk mencapai hasil peramalan yang baik juga harus digunakan metode peramalan yang bisa mengatasi ketidaklinieran pada data, misalnya dengan datamining. Salah satu metode peramalan yang terkenal di data mining adalah Support Vector Regression (SVR), tetapi untuk kasus ini dimana datanya berukuran besar, SVR terbukti membutuhkan waktu proses yang lama dan membutuhkan memori yang besar untuk menghasilkan matriks kernelnya. Oleh karena itu kemudian digunakan Metode Kernel Ridge Regression, dimana dihasilkan pembelajaran yang lebih cepat dan hasil yang juga akurat. Pada kasus Prediksi Beban Listrik ini dilakukan selama 48 periode ke depan atau selama 2 hari, hasilnya menunjukkan bahwa Peramalan dengan ARIMA akan menghasilkan MSE terkecil akan tetapi bila menggunakan pertimbangan Dump Power dan juga Energy Not Served, maka akan lebih bermanfaat bila menggunakan Kernel Ridge Regression Kata kunci : Arima, Beban Listrik, Datamining, Kernel Ridge Regression, Peramalan |
| Image |  |
| File Attachment | LOADING LIST... |
| Pembimbing | Ir. Budi Santosa, M.Sc, ph.D;Nani Kurniati, ST., MT. |
| Volume | 1 |
| Availability | LOADING LIST... |
| Back To Previous |