Skripsi

Peramalan fluktuasi setiap jam menggunakan metode Gated Recurrent Unit (GRU) / Alfiansyah Putra Pertama Triono

Abstrak
Pada era digital saat ini pemanfaatan energi memiliki peran yang tak terbantahkan dalam mendukung pertumbuhan ekonomi meningkatkan kesejahteraan sosial serta mendorong kemajuan teknologi. Informasi terkait energi sering kali tersaji dalam bentuk data rangkaian waktu yang rumit seperti data konsumsi energi per jam atau dalam pola musiman. Model deep learning digunakan untuk menganalisis data tersebut. Pilihan metode normalisasi yang tepat memiliki potensi besar untuk secara signifikan meningkatkan performa model deep learning. Pada model deep learning pada umumnya menggunakan beberapa metode normalisasi diantaranya yaitu min-max dan z-score. Metode normalisasi yang dipilih didasarkan pada karakteristik data dan fokus penelitian sehingga model deep learning dapat mencapai performa yang optimal. Dalam penelitian ini model deep learning yang dipilih adalah Gated Recurrent Unit (GRU) karena beban komputasi pada GRU lebih ringan sehingga tidak membutuhkan memori yang terlalu besar. Selain itu pada GRU data lebih mudah dilatih sehingga dapat menghemat waktu training. Tahap penelitian ini mengadopsi metodologi CRISP-DM dalam data mining sebagai solusi yang umum digunakan dalam bisnis dan penelitian. Metodologi ini melibatkan enam tahap yaitu Business Understanding Data Understanding Data Preparation Modelling Evaluation dan Deployment. Dalam penelitian ini model diperoleh dengan menggunakan 5 attribute selection yang menerapkan 2 metode normalisasi yaitu min-max dan z-score. Hyperparameter pada GRU diperoleh melalui proses hyperparameter tunning menggunakan metode grid search. Evaluasi yang dihasilkan yaitu Mean Absolute Percentage Error (MAPE) Root Mean Square Error (RMSE) dan R-Squared (R2). Hasil pengujian menunjukkan bahwa model GRU memberikan performa terbaik saat menggunakan normalisasi min-max. Pada normalisasi tersebut model GRU menghasilkan MAPE terbaik sebesar 3 9331% RMSE sebesar 0 9022 dan R2 sebesar 0 9022. Namun saat menggunakan normalisasi z-score performa model menurun dengan MAPE sebesar 10 4332% RMSE sebesar 0 7602 dan R2 sebesar 0 4213. Secara keseluruhan normalisasi min-max memberikan performa yang lebih baik dalam analisis data multivariate time series.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2023.

Deskripsi Fisik

xiv, 38 lembar : ilus.

Bahasa

Indonesia

No Reg

4878/RS/23

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2023

Subjek

1. KOMPUTASI - MODEL DEEP LEARNING - GRU
2. COMPUTING - DEEP LEARNING MODELS - GRU

Pembimbing

1. Aji Prasetya Wibawa, S.t., M.mt., Ph.d

Lampiran Berkas