Versions
- 2025-06-17 (3)
- 2025-06-17 (2)
- 2025-06-17 (1)
Keywords
Beban
JST
MATLAB
Backpropagation
Abstract
The amount of electricity consumption over time tends to increase, the amount of which cannot be determined with certainty. If this uncertainty is not expected, it will become a problem, because electricity demand is increasing but electricity supply is lacking. This research was conducted to forecast and predict the growth rate of electricity loads in the Maros ULP work area in 2023-2032 using artificial neural network methods and the MATLAB R2015a application. The data used is population, number of customers, and consumption of electrical energy used. Based on the results of this research, it was found that household use experienced a growth of 9% per year, public use experienced a growth of 5% per year, and industrial use experienced a growth of 1% per year. Based on forecasting results using this method, it shows that there will be an increase in the electricity load in the ULP Maros working area from 2023-2032, experiencing a significant increase each year for household and public use, however, for industrial use the increase is quite slow each year.References
[1] Binoto, M., & Kristiawan, Y. (2015). Peramalan Eergi Listrik Terjual dan Daya Listrik yang Tersambung pada Sistem Ketenagalistrikan untuk jangka panjang di Solo Menggunakan Metode Artificial Neural Network. Prosiding SNATIF Ke-2, 235.
[2] Septyawan, R. (2018). Analisis Peramalan Kebutuhan Energi Listrik PLN Area Batam Menggunakan Metode Regresi Linear. Yogyakarta: Tugas Akhir Universitas Islam Indonesia.
[3] Slamet Suripto, M. (2017). Sistem Tenaga Listrik . Yogyakarta: LP3M UMY.
[4] Handayani, I., Alimuddin, & Suhendar. (2012). Peramalan Beban Tenaga Listrik jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. SETRUM, I, 36.
[5] Suhadi, d. (2008). Teknik Distribusi Tenaga Listrik (1 ed.). Jakarta: Direktorat Pembinaan Sekolah Menengah Kejuruan.
[6] Attaqwa, S. (2018). Peramlaan Jangka Pendek dengan Menggunakan Metode ARIMA pada Gedung Elektro Kampus 2 PNUP. Makassar: Skripsi Politeknik Negeri ujung Pandang.
[7] Maulidin, M. S., & Assaffat, L. (2014, Desember). Jaringan Syaraf Tiruan sebagai Metode Peramalan Beban Listrik Harian di PT.Pismatex Pekalongan. Media Elektrika, Vol. 7 No. 2, 36-44.
[8] Alamsyah, F. (2021). Peramalan Beban Listrik Harian Menggunakan Artificial Neural Network.Universitas Negeri Surabaya, Volume 1 No. 1, 205.
[9] Setiabudi, D. (2012, Oktober). Sistem Informasi Peramalan Beban Listrik jangka Panjang di Kabupaten Jember Menggunakan JST Backpropogation. SMATICS, I, 1-4.
[10] Tindriyani, N. A. (2017). Implementasi Neural Network pada MATLAB untuk Peramalan Komsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur. Semarang: Skripsi Univesitas Negeri Semarang.
[11] Rodney, M. F. (2022). Peramalan Beban Listrik Menggunakan Kombinasi Metode Jaringan Syaraf Tiruan dan Regresi Linear di ULP Sungguminasa. Makassar: Skripsi Politeknik Negeri Ujung Pandang.
[12] Rahmah, F. (2018). Analisa Peramalan Beban Daya 900 VA Sebagai Salah Satu Acuan Perencanaan Pembangkitan Sumber Energi Alternatif. Makassar: Skripsi Politeknik Negeri Ujung Pandang.
[13] Marwan. (2018). Komputasi Sistem Tenaga Listrik. Yogyakarta: Andi.
[14] Robandi, I. (2019). Artificial Intelegence : Mengupas Rekayasa Kecerdasan Tiruan. Yogyakarta: Andi.
[15] Handayani, I., Alimuddin, & Suhendar. (2012). Peramalan Beban Tenaga Listrik jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. SETRUM, I, 36.
[16] Tim Dosen. (2016). Pedoman Penulisan Proposal dan Skripsi Program Diploma Empat (D-4) Bidang Rekayasa dan Tata Niaga. Makassar: Politeknik Negeri Ujung Pandang.
[17] Badan Pusat Statistik Sulawesi Selatan,2023,http://sulsel.bps.go.id/indicator/12/83/2/jumlah-penduduk-menurut-kabupaten-kota.html, 2 Mei 2023, pukul 16.31.
This work is licensed under a Creative Commons Attribution-NoDerivatives 4.0 International License.
Copyright (c) 2025 Journal of Power Energy System