PERAMALAN PENGGUNAAN BAHAN BAKAR PADA PEMBANGKIT LISTRIK TENAGA GAS UAP MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

Article Sidebar

PDF
Published: Oct 17, 2020
DOI: https://doi.org/10.26740/jram.v4n2.p82-92

Main Article Content

Emi Fatchurin
Aris Fanani
Moh. Hafiyusholeh

Abstract

Bahan bakar yang memadai sangat diperlukan dalam pembangkitan energi listrik karena bahan bakar merupakan komponen utama dalam pembangkitan energi listrik. Penggunaan bahan bakar yang efektif dan eï¬sien tentu saja disesuaikan dengan kebutuhan beban yang diminta sehingga tidak ada energi yang terbuang ataupun kekurangan bahan bakar dalam proses pembangkitan. Dibutuhkan suatu perencanaan yang baik dengan melakukan prediksi terhadap penggunaan bahan bakar gas yang dikeluarkan oleh Unit PLTGU PT. PJB Unit Pembangkitan Gresik. Penelitian ini bertujuan untuk keefektifan dan keefesiensian pembangkit dalam memprediksi dan mempersiapkan bahan bakar di kemudian hari dengan menggunakan metode backpropagation neural network serta memprediksi biaya yang dibutuhkan untuk proses pembangkitan. Hasil Prediksi penggunaan bahan bakar gas Unit PLTGU PT. PJB Unit Pembangkitan Gresik pada minggu ke-1 bulan Oktober yaitu sebesar 24.814 KNm3/h sehingga biaya yang dibutuhkan untuk keperluan bahan bakar gas yaitu sebesar Rp 92.695.620.617 MAPE sebesar 15,0825%. Hal tersebut menunjukkan bahwa model yang dibangun oleh jaringan backpropagation termasuk ke dalam kategori baik dalam kemampuan memprediksi karena nilai error berada diantara 10-20% dan akurasinya sebesar 84,9175%. Arsitektur jaringan Backpropagation yang paling optimal yaitu dengan menggunakan 1 hidden layer dengan 9 node dengan momentum 0,9 dan learning rate 0,01. Dari hasil penelitian diatas dapat disimpulkan bahwa metode Backpropagation Neural Network baik untuk memprediksi penggunaan bahan bakar gas pada Unit PLTGU PT. PJB UP Gresik yang akan digunakan di kemudian hari.

Article Details

Issue
Vol. 4 No. 2 (2020): October, JRAM
Section
Combinatorics and Computational Mathematics
The copyright of the received article once accepted for publication shall be assigned to the journal as the publisher of the journal. The intended copyright includes the right to publish the article in various forms (including reprints). The journal maintains the publishing rights to the published articles.
 
 

References

[1] M. Firdaus, œPenentuan Beban Optimal Pada Turbin Gas PLTGU Dengan Menggunakan Nonlinear Programming, Universitas Indonesia, Depok, 2010.

[2] A. M. Tarigan, H. F. A. Ayjat, and N. Hasananto, œMonitoring Longterm Washing Kompresor Terhadap Efisiensi Kompresor Turbin Gas Block 1 PT. PJB UP Gresik, Malang, 2016.

[3] D. R. Baskoro, œPeramalan Jangka Pendek Beban Tenaga Listrik Pada PT. PJB UP Gresik Menggunakan Metode Constructive Backpropagation Neural Network Serta Prediksi Kebutuhan Bahan Bakar Gas Pembangkitan, Universitas Jember, 2017.

[4] I. Amri, Masniar, and J. B. E. Laos, œSimposium Nasional Teknologi Terapan (SNTT) 2013 ISSN 2339-028X, Simp. Nas. Teknol. Ter., vol. 5, pp. 6570, 2017.

[5] N. Azizah, K. Adi, and A. Widodo, œMetode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk Prediksi Tingkat Layanan Jalan, J. Sist. Inf. Bisnis, vol. 3, no. 3, pp. 127131, 2016, doi: 10.21456/vol3iss3pp.

[6] R. Ata and Y. Kocyigit, œAn adaptive neuro-fuzzy inference system approach for prediction of tip speed ratio in wind turbines, Expert Syst. Appl., vol. 37, no. 7, pp. 54545460, 2010, doi: 10.1016/j.eswa.2010.02.068.

[7] U. Khasanah, D. C. R. Novitasari, W. D. Utami, and P. K. Intan, œAnalisis Peramalan Beban Listrik Jangka Pendek Menggunakan Metode Adaptive Neuro Fuzzy Inference System (Studi Kasus¯: Pt. Pln (Persero) Area Pengaturan Distribusi Jawa Timur), Math Vis., vol. 01, no. 01, pp. 1724, 2019.

[8] S. Y. Amalutfia and M. Hafiyusholeh, œAnalisis Peramalan Nilai Tukar Rupiah Terhadap Dollar dan Yuan Menggunakan FST-Markov Chain, J. Pendidik. Mat. dan Mat., vol. 2, no. 2, pp. 102113, 2020.

[9] H. Effendi, œAplikasi Logika Fuzzy untuk Peramalan Beban Listrik Jangka Pendek Menggunakan Matlab, Sainstek, vol. XII, no. 1, pp. 5258, 2009, [Online]. Available: http://ejournal.unp.ac.id/index.php/sainstek/article/view/149.

[10] I. N. T. Adnyana, I. G. P. S. Wijaya, and M. A. Albar, œJaringan Syaraf Tiruan Backpropagation Untuk Peramalan Suhu Minimum dan Maksimum , J-Cosine, vol. 3, no. 2, pp. 127136, 2019.

[11] B. Satria, œPrediksi Volume Penggunaan Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation, J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 3, pp. 674684, 2018, doi: 10.29207/resti.v2i3.575.

[12] N. A. Tindriyani, œImplementasi Neural Network Pada Matlab Untuk Peramalan Konsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur, Universitas Negeri Semarang, Semarang, 2017.

[13] M. A. Kurniawan, œPenerapan Metode Feed Forward Neural Network ( Ffnn ) Backpropagation Untuk, Universitas Negeri Semarang, Semarang, 2017.

[14] D. E. Rufiyanti, œImplementasi Jaringan Syaraf Tiruan Backpropagation Dengan Input Model Arima Untuk Peramalan Harga Saham, Universitas Negeri Semarang, Semarang, 2015.

[15] M. Andrijasa and Mistianingsih, œPenerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation, J. Inform. Mulawarman, vol. 5, no. 1, 2010.

[16] M. Y. Habibi and E. Riksakomara, œPeramalan Harga Garam Konsumsi Menggunakan Artificial Neural Network Feedforward-Backpropagation (Studi Kasus¯: PT. Garam Mas, Rembang, Jawa Tengah), J. Tek. ITS, vol. 6, no. 2, 2017.

[17] U. Khasanah and N. Ulinnuha, œPrediksi Biaya Konsumsi Bahan Bakar Gas Menggunakan Metode Backpropagation Neural Network, J. Sains Mat. dan Stat., vol. 5, no. 2, pp. 917, 2019.

[18] A. S. Rachman, I. Cholissodin, and M. A. Fauzi, œPeramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan, Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 16831689, 2018, [Online]. Available: https://www.researchgate.net/publication/322963136.