Peramalan Jangka Panjang pada Gardu Induk Bangil Menggunakan Metode Generalized Regression Neural Network

Abstract

Peningkatan penggunaan energi listrik memiliki beberapa masalah salah satunya adalah karena energi tersebut merupakan sumber energi yang sulit disimpan sehingga jumlah energi yang diproduksi harus sesuai dengan jumlah yang dikonsumsi. Sedangkan penambahan kapasitas sistem tenaga tidak bisa dilaksanakan dalam waktu singkat sehingga perlu adanya peramalan beban untuk memprediksi pertumbuhan beban di masa depan. Beban listrik di transformator 3 dan 4 gardu induk bangil juga mengalami peningkatan tiap waktu. transformator 4 memiliki peningkatan yang lebih cepat dibandingkatn transformator 3. Selain itu gardu induk bangil yang terletak di dekat Kawasan industry mengakibatkan pertumbuhan beban juga dipengaruhi oleh konsumsi listrik disekitarnya. Oleh karena itu peramalan beban juga sangat dibutuhkan untuk memprediksi beban di gardu induk bangil di masa depan. Penelitian ini melakukan peramalan beban dengan menggunakan metode Generalized Regression Neural Network (GRNN) dan Feed Forward Backpropagation Neural Network (FFBNN), untuk menyelidi perbandingan tingkat akurasi kedua metode tersebut. Pemrosesan data yang digunakan adalah menggunakan STL Decomposition untuk membagi data beban puncak bulanan transformator 3 dan 4 menjadi 3 komponen yaitu komponen tren, seasonal dan residual. Pada penelitian ini peramalan dilakukan menggunakan data komponen tren dengan tujuan meningkatkan akurasi peramalan. Selain itu peramalan juga dilakukan pada data PDRB dan PDRB sektor industry. Data PDRB dan PDRB sektor industry yang merupakan data tahunan diubah ke data bulanan menggunakan interpolasi menggunakna metode cubic spline interpolation yaitu interpolasi dengan pendekatan fungsi kubik. Selanjutnya melakukan uji korelasi terhadap data hasil interpolasi PDR dan PDRB sektor industry dengan data beban puncak bulanan. Hasil korelasi menunjukkan PDRB dan PDRB sektor industry berkolerasi secara signifikan dengan data beban puncak bulanan transformator 4 tetapi tidak signifikan dengan data beban puncak bulanan transformator 3. Hasil prediksi model peramalan komponen tren transformator 3 dan4 serta PDRB dan PDRB sektor industry selanjutnya digabungkan menggunakan model aproksimasi untuk melakukan prediksi terhadap beban puncak bulanan yang sesungguhnya. Model aproksimasi transformator 3 hanya menggunakan hasil prediksi model peramalan komponen tren transformator 3, sedangkan model aproksimasi transformator 4 menggunakan hasil prediksi model peramalan komponen tren transformator 4 serta PDRB dan PDRB sektor industry. Hasil peramalan beban puncak bulanan transformator 3 menunjukkan transformator 3 akan mengalami overload yaitu ketika beban mencapai 80% dari arus nominal pada bulan Agustus 2038 dengna nilai beban yaitu 1407,7465 A. Sedangkan transformator 4 akan mengalami overload yaitu pada bulan Februari 2028 dengan nilai beban yaitu 1269,2173 A. Kemudian perbandingan akurasi hasil prediksi metode FFBNN pada Transformator 3 lebih akurat dibandingkan metode GRNN dengan nilai MAPE yaitu 10,522% dan MAE 74,204 dibandingkan dengan nilai MAPE 12,017% dan MAE 80,276. Sebaliknya hasil akurasi metode GRNN lebih akurat dibandingkan metode FFBNN pada transformator 4 dengan nilai MAPE 6,051% dan MAE adalah 46,557, dibandingkan dengan nilai MAPE ,589% dan nilai MAE adalah 47,964.