1. Home
  2. Vol 18, No 1 (2021)
  3. Dewi

OPTIMASI GENERAL REGRESSION NEURAL NETWORK DENGAN FRUIT FLY OPTIMIZATION ALGORITHM UNTUK PREDIKSI PEMAKAIAN ARUS LISTRIK PADA PENYULANG

Ni Putu Novita Puspa Dewi, Robertus Adi Nugroho

Abstract


Prediksi pemakaian arus listrik yang akurat pada setiap penyulang listrik sangat penting untuk memastikan distribusi listrik berjalan lancar  . Hasil prediksi pemakaian listrik dapat digunakan untuk mengetahui berapa banyak produksi listrik yang harus dilakukan demi memenuhi kebutuhan listrik secara menyeluruh. Model prediksi hybrid yang menggabungkan General Regression Neural Network (GRNN) dan algoritma optimasi Fruit Fly Optimization Algorithm (FOA) diusulkan untuk menghasilkan prediksi arus listrik yang akurat dan stabil. FOA digunakan untuk mengoptimasi GRNN untuk menemukan nilai smoothing parameter optimal. Data time-series dari 5 penyulang yang mendistribusikan listrik pada 5 wilayah berbeda digunakan untuk validasi model yang diusulkan. Hasil pengujian menunjukkan bahwa model hybrid FOAGRNN menghasilkan error, ketahanan, dan generalisasi yang lebih baik dalam prediksi ini jika dibandingkan dengan model GRNN saja. Pada pengujian terhadap 5 data testing, FOAGRNN menghasilkan error prediksi lebih kecil yaitu rata-rata Root Mean Square Error sebesar 6,98411 dan Mean Absolute Error 3,44542 dibandingkan.GRNN dengan rata-rata error secara berturut-turut 7,86073 dan 4,21529.  


Keywords


FOA; GRNN; prediksi; time-series; optimasi parameter

References


A. Gensler, J. Henze, B. SickRaabe, dan N. Raabe, Deep Learning for Solar Power Forecasting An Approach Using Autoencoder and LSTM Neural Networks,†pada 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC 2016), 2016, pp. 28582865.

S. Grubwinkler dan M. Lienkamp, Energy Prediction for EVs Using Support Vector Regression Methods Stefan,†pada 7th IEEE International Conference Intelligent Systems IS2014, 2015, vol. 322, pp. 769780.

D. Kryukov, M. Agafonova, dan A. Arestova, Comparison of Regression and Neural Network Approaches to Forecast Daily Power Consumption Kryukov,†pada IFOST-2016: Power Engineering and Renewable Energy Technologies Comparison, 2016, no. 4, pp. 247250.

J. Gonzalvez, E. Lezmi, T. Roncalli, dan J. Xu, Financial Applications of Gaussian Processes and Bayesian Optimization,†pp. 142, 2019, tersedia di SSRN: https://ssrn.com/abstract=3344332 atau http://dx.doi.org/10.2139/ssrn.3344332.

Y. Fu, Z. Li, H. Zhang, dan P. Xu, Using Support Vector Machine to Predict Next Day Electricity Load of Public Buildings with Sub-metering Devices,†9th Int. Symp. Heating, Vent. Air Cond. 3rd Int. Conf. Build. Energy Environ., vol. 121, pp. 10161022, 2015.

M. Syafruddin dan L. Hakim, Metode Regresi Linier Untuk Prediksi Kebutuhan Energi Listrik Jangka Panjang (Studi Kasus Provinsi Lampung),†Jurnal Informatika dan Teknik Elektro, no. 1, 2014.

O. Gamze, D. Omer F, dan Z. Selim, Forecasting Electricity Consumption with Neural Networks dan Support Vector Regression,†pada 8th International Strategic Management Conference Forecasting, 2012, vol. 58, pp. 15761585.

M. T. Leung, A. Chen, dan H. Daouk, Forecasting Exchange Rates Using General Regression Neural networks,†Comput. Oper. Res., vol. 27, no. 1112, pp. 10931110, 2000.

Adnyani dan Subanar, General Regression Neural Network (GRNN) Pada Peramalan Kurs Dolar dan Indeks Harga Saham Gabungan (IHSG),†Fakta Exacta, vol. 8, pp. 137144, 2015.

R. . Caraka, H. Yasin, dan P. A, Pemodelan General Regression Neural Network (Grnn) Pada Data Return Indeks Harga Saham Euro 50,†Gaussian, vol. 4, pp. 181192, 2015.

D. Niu, H. Wang, H. Chen, dan Y. Liang, The General Regression Neural Network Based on the Fruit Fly Optimization Algorithm and the Data Inconsistency Rate for Transmission Line Icing Prediction,†Energies, vol. 10, no. 2066, 2017.

N. K. Singh, A. K. Singh, dan P. Kumar, PSO optimized radial basis function neural network based electric load forecasting model,†2014 Australas. Univ. Power Eng. Conf. AUPEC 2014 - Proc., no. October, pp. 16, 2014.

O. C. Ozerdem, E. O. Olaniyi, dan O. K. Oyedotun, Short term load forecasting using particle swarm optimization neural network,†Procedia Comput. Sci., vol. 120, pp. 382393, 2017.

D. F. Specht, A General Regression Neural Network,†IEE Trans, vol. 2, pp. 568576, 1991.

W. Pan, Knowledge-Based Systems A new Fruit Fly Optimization Algorithm : Taking the financial distress model as an example,†Knowledge-Based Syst., vol. 26, pp. 6974, 2012.

B. Li, H. Guo, S.Zhao, H. Su, dan C. Wang, Annual Electric Load Forecasting by a Least Squares Support Vector Machine with a Fruit Fly Optimization Algorithm,†Energies, vol. 5, pp. 44304445, 2012.

D. F. Specht, General Regression Neural Network ( GRNN ),†pada General Regression Neural Network ( GRNN ), 1991, pp. 4260.


Full Text: PDF

DOI: 10.33751/komputasi.v18i1.2144 Abstract views : 625 views : 327

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.