Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN)

Penulis

  • Nurfatima Selle Universitas Brawijaya, Malang
  • Novanto Yudistira Universitas Brawijaya, Malang
  • Candra Dewi Universitas Brawijaya, Malang

DOI:

https://doi.org/10.25126/jtiik.2022915585

Abstrak

Energi listrik telah menjadi salah satu kebutuhan yang sangat penting dan membantu kehidupan manusia di era modern saat ini. Energi listrik yang tidak dapat disimpan dalam waktu yang lama dan harus dapat selalu tersalurkan menyebabkan penyedia energi listrik harus dapat mampu menyediakan energi listrik dengan tepat. Oleh karena itu, diperlukan sebuah sistem yang mampu melakukan prediksi terhadap penggunaan listrik dengan memanfaatkan data historis penggunaan listrik sebelumnya. Sehingga PT. PLN selaku penyedia energi listrik harus dapat mampu menyesuaikan jumlah listrik yang harus disediakan dengan permintaan kebutuhan pelanggan. Penelitian ini menggunakan metode Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM) yang merupakan metode pembelajaran deep learning. Kedua metode ini mampu mengolah data dan melakukan prediksi dengan format data time series. Proses implementasi yang dilakukan yaitu normalisasi data, transformasi data, pembangunan model, training, testing, denormalisasi, dan pengujian hasil prediksi menggunakan Root Mean Square Error (RMSE). Berdasarkan penerapan metode LSTM dan pengujian pada fitur data siang dan malam, didapatkan kondisi terbaik pada penggunaan untuk fitur data siang dengan panjang sequence 20, hidden size 8, 3 LSTM layer, dan 70% data training menghasilkan rata-rata RMSE 46,72, sedangkan untuk fitur data malam didapatkan panjang sequence 30, hidden size 8, 1 LSTM layer, dan 80% data training menghasilkan rata-rata RMSE 51,05. Perbandingan antar RNN dan LSTM menghasilkan LSTM mampu menghasilkan kinerja yang lebih baik pada penggunaan deret waktu yang lebih panjang.

 

Abstract

Electrical energy has become one of the most important needs and helped human life nowadays. The electrical energy that cannot be stored for a long time and must always be distributed leads to an obligation for electricity providers to provide appropriate electrical energy. Therefore, we need a system that can predict the use of electricity by leveraging historical data on previous electricity usage. It aims that PT. PLN as a provider of electrical energy can able to adjust the amount of electricity that must be provided with the demands of customer needs. Our method uses are Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM), which is a deep learning architecture that able to capture time-series data. The process of implementing system is data normalization, data transformation, model building, training, testing, denormalization, and testing the prediction results using the Root Mean Squared Error (RMSE). Based on the experiments on day and night data features, the best conditions were obtained at the use for daylight data features with a sequence length of 20, hidden size of 8, 3 LSTM layers, and 70% data training resulted in an average RMSE of 46.72.  For the night data feature, the best result was achieved with the sequence length of 30, hidden size of 8, 1 LSTM layer, and 80% of training data resulting in an average RMSE of 51.05. Comparison between RNNs and LSTM shows LSTM capable of producing better performance when the longer time series is incorporated.

Downloads

Download data is not yet available.

Referensi

ALDI, M. W. P., JONDRI & ADITSANIA, A., 2018. Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Bitcoin. e-Proceeding of Engineering Fakultas Informatika, Universitas Telkom, Bandung.

DE, D., 2018. RNN or Recurrent Neural Network for Noobs. [Online] Available at: <https://medium.com/hackernoon/rnn-or-recurrent-neural-network-for-noobs-a9afbb00e860> [Accessed 19 March 2021].

FADILLAH, M. B., SUKMA, D. Y. & NURHALIM, 2015. Analisis Prakiraan Kebutuhan Energi Listrik Tahun 2015-2024 Wilayah Pln Kota Pekanbaru Dengan Metode Gabungan. Jom FTEKNIK, pp. 1-2.

GERS, F. A., SCHMIDHUBER, J. ¨. U. & CUMMINS, F., 2000. Learning to Forget: Continual Prediction with LSTM. IDSIA, 12(Neural Computation), pp. 1-21.

GOFUR, A. A. & WIDIANTI, U. D., 2013. Sistem Peramalan Untuk Pengadaan Material Unit Injection Di Pt. Xyz. Jurnal Ilmiah Komputer dan Informatika (KOMPUTA).

KEIM, R., 2020. How Many Hidden Layers and Hidden Nodes Does a Neural Network Need?, s.l.: All About Circuits.

LI, X. ET AL., 2017. Long short-term memory neural network for air pollutant concentration predictions: Method development and evaluation. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences.

NASUTION, D. A., KHOTIMAH, H. H. & CHAMIDAH, N., 2019. Perbandingan Normalisasi Data Untuk Klasifikasi Wine Menggunakan Algoritma K-Nn. CESS (Journal of Computer Engineering System and Science), p. 78.

RAJAGUKGUK, A. S. F., IR. MARTHINUS PAKIDING, M. & DR.ENG MEITA RUMBAYAN, S. M., 2015. Kajian Perencanaan Kebutuhan dan Pemenuhan Energi Listrik di Kota Manado. E-journal Teknik Elektro dan Komputer, pp. 1-12.

RYAN, M., 2017. Pengenalan LSTM (Long Short Term Memory). s.l., academia.edu.

SALMANA, A. G., HERYADIB, Y., ABDURAHMANB, E. & SUPARTAC, W., 2018. Single Layer & Multi-layer Long Short-Term Memory (LSTM) Model with Intermediate Variables for Weather Forecasting. International Conference on Computer Science and Computational Intelligence 2018, pp. 1-10.

WANG, Y. ET AL., 2017. Water Quality Prediction Method Based on LSTM Neural Network. International Conference on Intelligent Systems and Knowledge Engineering (ISKE).

WIRANDA, L. & SADIKIN, M., 2019. Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk PT. Metiska Farma. Jurusan Teknik Informatika, Fakultas Ilmu Komputer,.

Diterbitkan

07-02-2022

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN). (2022). Jurnal Teknologi Informasi Dan Ilmu Komputer, 9(1), 155-162. https://doi.org/10.25126/jtiik.2022915585