Skripsi

Peramalan fluktuasi energi setiap jam menggunakan metode Long Short-Term Memory (LSTM) / Faradini Usha Setyaputri

Abstrak
Penggunaan energi menjadi faktor krusial dalam berbagai aktivitas manusia baik individu masyarakat maupun industri. Energi mendukung pertumbuhan ekonomi kesejahteraan sosial dan kemajuan teknologi. Namun meningkatnya kebutuhan energi dan perubahan lingkungan memerlukan pemahaman yang lebih mendalam tentang pola penggunaan energi. Data energi sering berupa time series yang kompleks seperti konsumsi energi setiap jam atau musiman. Kompleksitas ini dapat diatasi melalui pendekatan deep learning. Dalam peramalan data time series menggunakan deep learning normalisasi diperlukan untuk mengatasi perbedaan rentang nilai atribut. Metode normalisasi yang tepat dapat mempengaruhi kinerja deep learning. Metode normalisasi seperti min-max dan z-score dapat diterapkan. Penelitian ini memfokuskan pada pemilihan metode normalisasi yang tepat untuk model deep learning LSTM melakukan peramalan fluktuasi energi. LSTM dengan konsep gate dan long-term memory cell diharapkan mampu memberikan hasil optimal dalam penelitian ini. Tahapan penelitian dilakukan dengan mengadaptasi metode CRISP-DM. Data didapatkan dari kaggle.com dengan judul ldquo Hourly Energy Demand Time Series Forecast rdquo dengan periode Januari 2015 hingga Desember 2018. Data memiliki 35064 instance dan 29 atribut. Model pada penelitian ini didapatkan dari penggunaan 5 skenario attribute selection yang mengimplementasikan 2 normalisasi yaitu min-max dan z-score. Hyperparameter LSTM didapatkan dari proses hyperparameter tuning grid search. Terdapat 3 hasil evaluasi yaitu Mean Absolute Percentage Error (MAPE) Root Mean Square Error (RMSE) dan R-Square (R2). Hasil evaluasi yang didapatkan dari rata-rata 5 kali percobaan pada setiap skenario menunjukkan bahwa penggunaan normalisasi min-max pada LSTM menghasilkan performa terbaik dengan MAPE sebesar 3 9002% RMSE terbaik sebesar 0 0621 dan R2 terbaik sebesar 0 9021. Pengujian dengan menggunakan normalisasi z-score pada LSTM menghasilkan performa yang lebih rendah. MAPE terbaik yang dicapai adalah sebesar 10 4299% RMSE terbaik sebesar 0 76 dan R2 terbaik sebesar 0 4215. Berdasarkan hasil evaluasi normalisasi min-max memberikan performa yang lebih optimal dalam peramalan data fluktuasi energi menggunakan LSTM.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2023.

Deskripsi Fisik

xi, 41 hlm. : ilus.

Bahasa

Indonesia

No Reg

4545/RS/23

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2023

Subjek

1. ALGORITMA KOMPUTER
2. LONG SHORT-TERM MEMORY
3. COMPUTER ALGORITHMS

Pembimbing

1. Aji Prasetya Wibawa, S.T., M.Mt., Ph.D

Lampiran Berkas