Skripsi

Peramalan fluktuasi energi tiap jam menggunakan metode Recurrent Neural Network (RNN) / Ade Kurnia Ganesh Akbari

Abstrak
Peramalan penggunaan energi memiliki kepentingan dalam mengidentifikasi tren konsumsi energi untuk mengoptimalkan penggunaan yang terus meningkat. Teknologi informasi mempermudah pengumpulan data time series penggunaan energi per jam. Model deep learning digunakan untuk menganalisis data ini. Dalam rangka meningkatkan kinerja model deep learning pada tugas peramalan fungsi normalisasi diterapkan. Pemilihan metode normalisasi yang tepat dapat secara signifikan meningkatkan performa model deep learning. Dalam penelitian ini menggunakan metode Recurrent Neural Network (RRN). Proses analisis diarahkan mengikuti metodologi CRISP-DM yang terdiri dari enam tahapan. Sumber data yang digunakan berasal dari dataset time-series yang dapat diunduh dari kaggle.com dengan judul Hourly Energy Demand Time Series Forecast . Dataset ini memiliki 35064 instance dan 29 atribut. Penelitian ini mencakup lima skenario atribut dan dua skenario normalisasi berbeda yaitu metode min-max dan z-score. Penentuan parameter dilakukan melalui proses hyperparameter menggunakan grid search. Penggunaan normalisasi min-max memberikan performa terbaik dengan nilai MAPE 3 9398% RMSE 0 0630 dan R2 0 8996. Pada pengujian dengan normalisasi z-score memiliki performa MAPE 10 6120% RMSE 0 7648 dan R2 0 4142. Jadi dalam perbandingan kedua normalisasi min-max lebih unggul daripada z-score pada kasus analisis data peramalan energi.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2023.

Deskripsi Fisik

xii, 38 hlm. : ilus.

Bahasa

Indonesia

No Reg

4569/RS/23

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2023

Subjek

1. KONSUMSI ENERGI - PERAMALAN - SISTEM
2. RECURRENT NEURAL NETWORK
3. ENERGY CONSUMPTION - FORECASTING - SYSTEM

Pembimbing

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

Lampiran Berkas