BAB V PENUTUP
5.2. Saran
BAB V
PENUTUP
Melihat dari hasil analisis dan pengujian yang sudah dilakukan, maka dapat di tarik kesimpulan dan saran sebagai berikut :
5.1. Kesimpulan
1. Metode extreme learning machine dapat diterapkan dalam peramalan konsumsi listrik pelanggan perbulan ditunjukkan dengan pengujian pada hasil peramalan yang sudah dilakukan dan mendapatkan nilai akurasi yang kecil. 2. Hasil peramalan konsumsi listrik yang digunakan dengan metode extreme
learning machine pada pelanggan mendapatkan tingkat akurasi MSE sebesar
0,03313. Dan untuk perbandingan data hasil peramalan dengan data aktual di peroleh tingkat akurasi MAPE 7,79% dimana dalam kriteria MAPE data untuk akurasi kurang dari 10% dikatakan peramalan sangat baik dapat disimpulkan bahwa peramalan yang dilakukan dapat dijadikan pengambilan keputusan dalam merencanakan penyediaan konsumsi listrik dimasa akan datang.
5.2. Saran
1. Untuk penelitian mendatang perlu untuk membandingkan dengan metode peramalan lainnya.
2. Data pemakaian konsumsi listrik untuk peramalan lebih di perbanyak dan menambahkan beberapa kelompok kategori tarif agar pihak perusahaan dapat lebih mudah mengambil keputusan dalam perencanaan penyediaan.
3. Perlu mengimplementasikannya kedalam sebuah sistem WEB agar dapat mepermudah dalam forcasting
DAFTAR PUSTAKA
Agustina, I. D., Anggraeni, W. and Mukhlason, A. (2005) ‘Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan’, Digilib, Institut
Teknologi Sepuluh Nopember, pp. 1–6.
Aji, C. S. (2010) ‘Faktor-Faktor Yang Mempengaruhi Konsumsi Listrik PLN Pada Kelompok Pelanggan Rumah Tangga ( R-1 900 VA ) di Kabupaten Purworejo Tahun 2002-2008’.
Bisnis, D. S. and Vokasi, F. (2017) ‘BERDASARKAN PEMAKAIAN KWH UNTUK KATEGORI INDUSTRI I-4 DI PT . PLN DISTRIBUSI TIMUR MENGGUNAKAN ARIMA BOX-JENKINS BERDASARKAN PEMAKAIAN KWH UNTUK KATEGORI INDUSTRI I-4 DI PT PLN ( PERSERO ) DISTRIBUSI JAWA TIMUR MENGGUNAKAN’.
F., A., Elsir, S. and Faris, H. (2015) ‘A Comparison between Regression, Artificial Neural Networks and Support Vector Machines for Predicting Stock Market Index’,
International Journal of Advanced Research in Artificial Intelligence, 4(7). doi:
10.14569/ijarai.2015.040710.
Fikriya, Z. A. et al. (2017) ‘928X Print) A 18’, Jurnal Sains dan Seni ITS, 6(1). Hadijah (2014) Analisis Faktor-faktor yang Mempengaruhi Permintaan Daya
Listrik Rumah Tangga di Kabupaten Soppeng, Fakultas Ekonomi dan Bisnis UIN Alauddin Makassar.
Huang, G. Bin, Zhu, Q. Y. and Siew, C. K. (2004) ‘Extreme learning machine: A new learning scheme of feedforward neural networks’, IEEE International
Conference on Neural Networks - Conference Proceedings, 2(August), pp. 985–
990. doi: 10.1109/IJCNN.2004.1380068.
Huang, G., Zhu, Q. and Siew, C. (2004) ‘Extreme Learning Machine : A New Learning Scheme of Feedforward Neural Networks’, (August). doi: 10.1109/IJCNN.2004.1380068.
Huang, Gao et al. (2015) ‘Trends in extreme learning machines: A review’, Neural
10.1016/j.neunet.2014.10.001.
Humaini, Q. (2015) ‘Jaringan Syaraf Tiruan Extreme Learning Machine ( Elm ) Untuk Memprediksi Kondisi Cuaca’, pp. 1–86.
Ilmiyah, M. (2018) ‘Aplikasi metode Seasonal Autoregressive Integrated Moving Average dan Winter’s Exponential Smooting untuk meramalkan omzet koperasi Al-Kautsar Universitas …’. Available at: http://digilib.uinsby.ac.id/26732/.
Indonesia, U. et al. (2012) ‘Berdasarkan Data Historis Menggunakan Metode Generalized Autoregressive Conditional Heteroskedasticity ( Garch ) Metode Generalized Autoregressive Conditional’.
Jaskolka, K. et al. (2019) ‘A Python-based laboratory course for image and video signal processing on embedded systems’, Heliyon, 5(10). doi: 10.1016/j.heliyon.2019.e02560.
Jayanti, H. D., Cholissodin, I. and Santoso, E. (2018) ‘Peramalan Pemakaian Air Pada PLTGU Di Pembangkitan Listrik Jawa Bali Unit Gresik Menggunakan Extreme Learning Machine Dengan Optimasi Algoritme Genetika’, Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(11), pp. 4895–4904.
Jeno, G., Dengen, N. and Budiman, E. (2019) ‘Aplikasi Manajemen Stok Barang Pada Usaha Kecil Menengah Kebab Inidia Berbasis Web’, 4(1), pp. 16–19.
Kementerian ESDM (2020) ‘Tarif Dasar Listrik 2020’, pp. 11–13. Available at:
https://www.cekaja.com/info/daftar-tarif-dasar-listrik-terbaru-2020-beserta-rumus-penghitungannya/.
Khotimah, B. K., Sari R, E. M. and Yulianarta, H. (2010) ‘Kinerja metode extreme learning machine (elm) pada sistem peramalan *’, Jurnal Simantec, 1(3), pp. 186– 191.
Liang, Y. et al. (2016) ‘Analysis and Modeling for China ’ s Electricity Demand Forecasting Using a Hybrid Method Based on Multiple Regression and Extreme Learning Machine : A View from Carbon Emission’, pp. 1–22. doi: 10.3390/en9110941.
Makalesi, A., Aydın, D. and Toros, H. (2018) ‘Prediction of Short-Term Electricity Consumption by Artificial Neural Networks Using Temperature Variables’,
European Journal of Science and Technology, (14), pp. 393–398. doi: 10.31590.
Mardi, Y. (2017) ‘Data Mining : Klasifikasi Menggunakan Algoritma C4.5’, Jurnal
Edik Informatika, 2(2), pp. 213–219.
Meilia, V., Setiawan, B. D. and Santoso, N. (2018) ‘Optimasi Bobot pada Extreme Learning Machine untuk Prediksi Beban Listrik menggunakan Algoritme Genetika ( Studi Kasus : PT . PLN ( Persero ) APD Kalsel dan Kalteng )’, Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(11), pp. 4949–4956.
Muslimin (2015) ‘Peramalan Beban Listrik Jangka Menengah Pada Sistem Kelistrikan Kota Samarinda’, Jiti, 14(09), pp. 113–121.
Nababan, T. S. (2008) ‘Permintaan Energi Listrik Rumah Tangga (Studi Kasus pada Pengguna Kelompok Rumah Tangga Listrik PT PLN (Persero) di Kota Medan)’, Universitas Diponegoro, p. 232.
Prakoso, E. C., Wisesty, U. N. and . J. (2016) ‘Klasifikasi Keadaan Mata Berdasarkan sinyal EEG menggunakan Extreme Learning Machines’, Indonesian
Journal on Computing (Indo-JC), 1(2), p. 97. doi: 10.21108/indojc.2016.1.2.105.
Purnama, R., Setiawan, A. A. and Suhanan, S. (2017) ‘Perkiraan Konsumsi Energi Listrik 2013 Hingga 2030 Aceh Tamiang’, Angkasa: Jurnal Ilmiah Bidang
Teknologi, 7(2), p. 85. doi: 10.28989/angkasa.v7i2.152.
Puspita, V. (2017) ‘Time Series untuk Peramalan Konsumsi Listrik Menggunakan Metode Support Vector Machine ( SVM )’, 3(1), pp. 261–264.
Rachman, A. S., Cholissodin, I. and Fauzi, M. A. (2018) ‘Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan’, Pengembangan Teknologi
Informasi dan Ilmu Komputer, 2(4), pp. 1683–1689. Available at:
https://www.researchgate.net/publication/322963136.
Radjabaycolle, J. and Pulungan, R. (2016) ‘Prediksi Penggunaan Bandwidth Menggunakan Elman Recurrent Neural Network’, BAREKENG: Jurnal Ilmu
Matematika dan Terapan, 10(2), pp. 127–135. doi: 10.30598/barekengvol10iss2pp127-135.
Rahmadayanti, R., Susilo, B. and Puspitaningrum, D. (2015) ‘Perbandingan Keakuratan Metode Autoregressive Integrated Moving Average (Arima) dan Exponential Smoothing pada Peramalan Penjualan Semen di PT Sinar Abadi’,
Jurnal Rekursif, 3(1), pp. 23–36.
Ruliah, S. and Rolyadely, R. (2012) ‘Prediksi Pemakaian Listrik Dengan Pendekatan Back Propagation’, pp. 465–476.
Rumagit, S. and SN, A. (2013) ‘Prediksi Pemakaian Listrik Menggunakan Jaringan Syaraf Tiruan dan ARIMA Di Wilayah Sulluttenggo’, Bimipa, 23(2), pp. 139–148. Sari, N. R., Mahmudy, W. F. and Wibawa, A. P. (2016) ‘Backpropagation on neural network method for inflation rate forecasting in Indonesia’, International Journal
of Advances in Soft Computing and its Applications, 8(3), pp. 69–87.
Schikuta, E. (2008) ‘Neural Networks and Database Systems’. Available at: http://arxiv.org/abs/0802.3582.
Sel, I. (1940) ‘Iruan 8’, pp. 149–204.
Sri Kusumadewi (2003) ‘Rtificial Ntelligence’, Artificial Intelligence (Teknik dan
Aplikasinya.
Vanich Sajee (2015) ‘Data Mining: Data Mining (เหมืองข้อมูล)’, 2019 5th
International Conference on Advanced Computing & Communication Systems
(ICACCS), 2(1), pp. 267–274. Available at:
http://sajeegm301.blogspot.com/2015/11/data-mining.html.
Yoo, S. G. and Myriam, H. Á. (2018) ‘Predicting residential electricity consumption using neural networks: A case study’, Journal of Physics: Conference
Series, 1072(1). doi: 10.1088/1742-6596/1072/1/012005.
Yuwida, N., Hanafi, L. and Wahyuningsih, N. (2012) ‘Estimasi Parameter α dan ϒ Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section’, Jurnal Sains dan Seni ITS, 1(1).
CNN INDONESIA, 2017, Penjualan listrik pln anjlok drastis di kuartal di
https://www.cnnindonesia.com/ekonomi/20170410123010-92-206268/penjualan-listrik-pln-anjlok-drastis-di-kuartal-i-2017, (Diakses pada tanggal 30 Maret)
Bps Indonesia, 2018, proyeksi penduduk kota balikpapan menurut kecamatan tahun 2010-2017, di https://balikpapankota.bps.go.id/statictable/2018/01/19/54/proyeksi-penduduk-kota-balikpapan-menurut-kecamatan-tahun-2010-2017.html , (Diakses pada tanggal 30 Maret)
Tafsir WEB, quran surah al-isra ayat 27 di