Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Penelitianinimengkajitentangdesain model
untukperkiraanbebanlistrikjangkamenengahdenganmetodemultiple
regressiondanmetodebackpropagationberbasisjaringansyaraftiruan. Data yang
dipakaiadalah data bebanlistrikdari PT. PLN (Persero) P3B Jawa Bali Region II Jawa Barat setiapbulanmulaijanuarisampaidengandesembermulaidaritahun 2007 sampaidengan 2013 yang kemudian data tersebutakandilakukanpembuatan model
multiple regressiondenganmelakukanperhitungandenganmicrosoft excel.
SedangkanuntukmetodeBackpropagationberbasisjaringansyaraftiruan data
tersebutakandibelajarkanpadasistemperangkatlunak yang
sudahdirancangdenganalgoritmabackpropagation.Softwarependukunguntukmeran cang program tersebutdigunakanMatlab ver. R2009a dariThe MathWork. Inc. melaluiperhitungandarihasildesain model denganmenggunakanmetodemultiple
regressionmenunjukkanrata-rata error 0,0114atausebesar 1.14% dandarihasilujiforecastuntuk data digesersatutahunmenunjukan rata-rata error 0.0386 atausebesar 3.86% halinimasihdalamtoleransinilai yang diberikanoleh PT.
PLN yaitusebesar 5%. Sedangkandarihasilsimulasidesain model load
forecastingdenganmetodebackpropagationberbasisjaringansyaraftiruanmenunjuka
ntingkaterror rata-rata sebesar 0.012% dengannilaiepoch 9000 dannilailearning
ratepada 0,5.
Dengandemikiandapatdisimpulkanbahwaperamalanbebanlistrikjangkamenengahd enganmenggunakanmetodebackpropagationberbasisjaringansyaraftiruanlebihbaik
dibandingkandengandesain model
perkiraanbebanlistrikdenganmenggunakanmultiple regression.
Kata kunci :PeramalanBebanJangkaMenengah, Multiple Regression,
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ABSTRACT
This studyexamines thedesign ofa modelforthe
medium-termelectricityloadforecastby the method ofmultiple regressionandback propagationmethodbased onartificial neuralnetworks. The dataused is theelectricityload datafromPT. PLN(Persero) P3BJawaBaliRegionIIWest Javaeverymonth startingJanuaryuntil Decemberrangingfrom 2007to 2013and
thenthe data isperformedmultiple
regressionmodelingtoperformcalculationswithMicrosoft Excel. As for themethod ofbackpropagationartificial neuralnetwork-based datawillbe taughtina softwaresystemthat has beendesignedwithback propagationalgorithm. Supporting softwareis usedto designthe programMatlabver. R2009afrom TheMathWork. Inc..throughthe calculationofthe results ofthe designmodelsby usingmultiple
regressionmethodshowsan averageerrorof1.14% or0.0114oftest
resultsandforecastsforthe datais shiftedoneyearshowedan
averageerrorof0.0386or3.86%, this is stillwithinthe tolerancevaluegivenbyPT.
PLNis equal to5%. While the results ofthe simulationmodel
designloadforecastingmethodbased onback propagationneural networksshowan averageerrorrateof0.012% with a9000epochvalueandthe valueof learning rateat 0.5. It can be concludedthat themid-termelectricload forecastingusing
amethodbased onback propagationneural networkis better than
thedesignestimatemodelsof electricloadby usingmultiple regression.
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR ISI
PERNYATAAN ... i
ABSTRAK ... ii
KATA PENGANTAR ... iii
UCAPAN TERIMAKASIH ... iv
DAFTAR ISI ... vi
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... ix
DAFTAR LAMPIRAN ... x
BAB 1 PENDAHULUAN 1.1 Latar Belakang …………... 1
1.2 Identifikasi Masalah ... 3
1.3 Rumusan Masalah ………. 3
1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 4
1.6 Struktur Organisasi Skripsi ……... 4
BAB II TINJAUAN PUSTAKA 2.1 Beban Listrik …... 6
2.2 Peramalan Beban Listrik …... 9
2.3 Faktor-faktor yang Mempengaruhi Beban Listrik ……… 15
2.4 Teori Multiple Regression ………. 15
2.5 Teori Jaringan Syaraf Tiruan ……… 18
2.5.1 Arsitektur Jaringan …………... 18
2.5.2 Fungsi Aktivasi ... 19
2.5.3 Pelatihan Standar Backpropagation ... 20
2.6 Pengukuran Kesalahan Peramalan ……...………. 22
2.7 Originalitas Perkembangan Penelitian ……….. 24
BAB III METODE PENELITIAN 3.1 Metode Penelitian …………... 25
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.3 Data Penelitian ……... 26
3.4 Langkah-langkah Penelitian ... 26
3.5 Model Multiple Regression ... 28
3.6 Model Algoritma Backpropagation ………... 29
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Klasifikasi Data ………... 33
4.2 Analisis Perkiraan Beban Puncak dengan Metode Multiple Regression .. 34
4.2.1 Analisis Uji Model ………. 34
4.2.2 Analisis Uji Forecast ……….. 38
4.3 Analisis Perkiraan Beban Puncak dengan Metode Jaringan Syaraf Tiruan ………... 41
4.4 Model Matematis Backpropagation ……….. 46
4.5 Hasil dan Pembahasan Perbandingan Metode Multiple Regression dan Jaringan Syaraf Tiruan ……….. 47
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 50
5.2 Saran ... 51
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
METODE PENELITIAN
3.1Metode Penelitian
Metodologi yang digunakan dalam penelitian Skripsi ini antara lain
adalah :
1. Studi literatur, yaitu cara menelaah, menggali, serta mengkaji
teorema-teorema yang mendukung dalam pemecahan masalah yang diteliti.
Teorema-teorema tersebut didapat baik dari jurnal ilmiah, hasil
penelitian sebelumnya, maupun dari buku-buku referensi yang
mendukung penelitian ini. Selain itu, studi literatur dilakukan untuk
mendapatkan data-data yang diinginkan.
2. Observasi, yaitu mengumpulkan data-data yang diperlukan untuk
penelitian yang didapatkan dari lapangan. Data-data tersebut didapat
dari hasil survey yang dilakukan di PT.PLN (Persero) P3B Jawa Bali
Region II Jawa Barat.
3. Diskusi, yaitu melakukan konsultasi dan bimbingan dengan dosen,
pembimbing di PT.PLN (Persero) P3B Jawa Bali region II Jawa Barat,
dan pihak-pihak lain yang dapat membantu terlaksananya penelitian
ini.
4. Program MATLAB ver R2009a dari The MathWorks, Inc, dengan
melakukan analisis model peramalan menggunakan simulasi program
MATLAB ver R2009a untuk mendapatkan desain model yang sesuai
sehingga didapatkan peramalan beban yang memiliki error terkecil.
3.2Waktu dan Lokasi Penelitian
Pelaksanaan penelitian Skripsi ini berlangsung selama 4 (empat) bulan,
yaitu dari 28 September 2013 sampai 23 Januari 2014. Lokasi penelitian ini
dilaksanakan di PT.PLN (Persero) P3B Jawa Bali Region II Jawa Barat yang
26
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.3Data Penelitian
Dalam melakukan penelitian desain model load forecasting ini
digunakan data-data historis beban harian dari PT.PLN (Persero) P3B Jawa
Bali Region II Jawa Barat yang akan diambil sebagai evaluasi yaitu selama
tujuh tahun pada periode 2007-2013, selanjutnya data beban listrik harian
diambil beban puncak setiap bulannya untuk dipisah dan diurutkan sesuai
dengan bulan setiap tahunnya seperti terlihat pada tabel berikut ini :
Tabel 3.1 Data Beban Puncak Bulanan Region II Jawa Barat Selama Tujuh
Tahun Tahun Bulan 2007 (MW) 2008 (MW) 2009 (MW) 2010 (MW) 2011 (MW) 2012 (MW) 2013 (MW)
Januari 3161.30 3287.10 3175.89 3438.32 3724.45 4028.25 4317.05
Februari 3107.02 3198.40 3166.65 3492.96 3797.65 4108.24 4347.00
Maret 3159.20 3235.10 3312.20 3525.60 3770.85 4095.56 4382.25
April 3160.30 3293.40 3366.70 3640.90 3812.75 4214.60 4426.91
Mei 3222.10 3335.80 3438.90 3679.30 3886.30 4222.03 4512.77
Juni 3260.50 3337.10 3451.80 3614.80 3857.05 4265.85 4542.52
Juli 3224.40 3312.40 3462.70 3696.00 3949.80 4250.70 4469.68
Agustus 3232.00 3284.70 3476.50 3666.20 3891.60 4136.47 4560.19
September 3246.00 3333.60 3476.50 3655.90 3987.57 4309.55 4648.69 Oktober 3261.60 3290.05 3542.70 3765.20 4079.50 4359.20 4683.51
November 3309.20 3194.60 3543.90 3703.30 4056.36 4323.96 4644.93 Desember 3272.50 3158.00 3460.90 3719.40 4010.61 4318.26 4634.97
3.4Langkah-Langkah Penelitian
Langkah-langkah yang sistematis dalam penelitian harus diperhatikan.
Hal tersebut berguna untuk memberikan arahan untuk mempermudah
[image:6.595.107.524.322.630.2]Langkah-Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
langkah penelitian tersebut diperlihatkan pada gambar bagan alir penelitian
dibawah ini :
Mulai
Pengambilan data di lapangan
Verifikasi data
Data lengkap
Lakukan Perhitungan Manual dengan Bantuan Ms excell
Lakukan Simulasi Desain Model dengan Matlab
Lakukan Analisis Hasil dan Pembahasan
Berhasil
Selesai Y Y
T
[image:7.595.203.424.162.708.2]T
28
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.5Model Multiple Regression
Model Multiple Regression merupakan pemodelan regresi yang
menggunakan lebih dari satu variabel independen dan diagram alir yang
ditunjukan pada gambar 3.2
Mulai
Memasukan Data Beban
Inisialisasi Data Beban
Lakukan Perhitungan Persamaan dengan Bantuan Ms Excell dan
MATLAB
Hitung Prediksi Error
Error ≤ 5%
Selesai
Tentukan Nilai Variabel X 1, X2, X3, …, Xn dan Variabel Y
Y
[image:8.595.208.418.192.720.2]T
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.6Model Algoritma Backpropagation
Model algoritma backpropagation yang digunakan untuk membuat
perancangan perkiraan beban listrik menggunakan Jaringan Syaraf Tiruan dan
diagram alir yang ditunjukan pada Gambar 3.3
Mulai
Memasukan Data Beban
Inisialisasi Data Beban
Membangun Jaringan Syaraf
Tentukan Maksimum Epoch : 9000
Target Error : 0.001 Learning Rate : 0.5
Tetapkan Bobot
Hitung Prediksi Error
Error ≤ 0.001
Selesai Ya
30
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Gambar 3.3 Diagram Alir (Flow Chart) Proses Model Pelatihan Backropagation
Data input yang dibelajarkan sebagai pola digunakan data beban puncak setiap bulannya yang dibelajarkan sebanyak 5 dan 6.
Pembentukan jaringan pada algoritma backpropagation menggunakan jaringan feedforward dengan banyak lapisan. Dan instruksi untuk
membentuk jaringan tersebut adalah newff.
Menentukan parameter-parameter untuk pelatihan jaringan
backpropagation diantaranya adalah parameter maximum pelatihan
(max epochs), parameter kinerja tujuan (target error), parameter
learning rate, dan parameter momentum yang fungsinya akan
memperbaiki bobot-bobot jaringan.
Simulasi jaringan dilakukan untuk mengetahui error dan unjuk kerja. Gunakan perintah sim untuk melakukan simulasi jaringan sehingga
dapat ditemukan outputnya.
Analisis hasil pelatihan menggunakan fungsi postreg sehingga dapat dievaluasi hasil pelatihannya.
Selanjutnya model prakiraan Jaringan Syaraf Tiruan dengan algoritma
backpropagtion yang telah dirumuskan diatas akan dilatihkan untuk
memprediksi beban listrik setiap bulannya dengan input pembelajaran 5 dan 6.
Untuk membangun pelatihan tersebut dibangun suatu jaringan syaraf tiruan
dengan susunan script seperti pada lampiran 1.
Error (kesalahan) yang diperoleh metoda backpropagation diolah
untuk menentukan estimasi. Dengan hasil estimasi backpropagation ini, maka
akan diperoleh formula untuk menentukan data selanjutnya. Pendekatan yang
digunakan dalam menentukan model matematis dari estimasi backpropagation
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
1 1 1 2 1 3 1 4 1 5 1 6 2 1 2 2 2 3 2 4 2 5 2 6 3 1 3 2 3 3 3 4 3 5 3 6 4 1 4 2 4 3 4 4 4 5 4 6 5 1 5 2 5 3 5 4 5 5 5 6 6 1 6 2 6 3 6 4 6 5 6 6 7 1 7 2 7 3 7 4 7 5 7 6 8 1 8 2 8 3 8 4 8 5 8 6 9 1 9 2 9 3 9 4 9 5 9 6 10 1 10 2 10 3 10 4 10 5 10 6 11 1 11 2 11 3 11 4 11 5 11 6 12 1 12 2 12 3 12 4 12 5 12 6
�1 �2 �3 �4 �5 �6 1 2 3 4 5 6 7 8 9 10 11 12 Keterangan :
X11;X12;X13;X14; X15; X16 = Koefisien model beban listrik bulan Januari dan
setiap tahun.
X21;X22;X23;X24; X25; X26 = Koefisien model beban listrik bulan Februari dan
setiap tahun.
X31;X32;X33;X34; X35; X36 = Koefisien model beban listrik bulan Maret dan
setiap tahun.
X41;X42;X43;X44; X45; X46 = Koefisien model beban listrik bulan April dan
setiap tahun.
X51;X52;X53;X54; X55; X56 = Koefisien model beban listrik bulan Mei dan setiap
tahun.
X61;X62;X63;X64; X65; X66 = Koefisien model beban listrik bulan Juni dan setiap
tahun.
X71;X72;X73;X74; X75; X76 = Koefisien model beban listrik bulan Juli dan setiap
tahun.
X81;X82;X83;X84; X85; X86 = Koefisien model beban listrik bulan Agustus dan
setiap tahun.
X91;X92;X93;X94; X95; X96 = Koefisien model beban listrik bulan September dan
32
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
X10 1;X10 2;X10 3;X10 4; X10 5; X10 6 = Koefisien model beban listrik bulan
Oktober dan setiap tahun.
X11 1;X11 2;X11 3;X11 4; X11 5; X11 6 = Koefisien model beban listrik bulan
November dan setiap tahun.
X12 1;X12 2;X12 3;X12 4; X125; X12 6 = Koefisien model beban listrik bulan
Desember dan setiap tahun.
α1; α2; α3; α4; α5; α6 = Koefisien model yang akan dicari.
Y1;Y2;Y3; Y4;Y5;Y6; Y7;Y8;Y9; Y10;Y11;Y12; = Koefisien target pada bulan
Januari sampai Desember di
tahun selanjutnya.
Untuk menghitung matriks diatas digunakan kembali software
Matlab, dikarenakan memiliki ukuran matrix yang berbeda maka diberikan
perintah inv, agar matriks dapat dihitung, dengan script sebagai berikut:
x = … %titik-titik diisi dengan input data perbulannya;
y = … %titik-titik diisi dengan data hasil peramalan;
a = inv (x'*x)*(x'*y);
a1 = a(1,:)
a2 = a(2,:)
a3 = a(3,:)
a4 = a(4,:)
a5 = a(5,:)
Maka akan mendapatkan model matematis
�= �1 1+�2 2+�3 3+�4 4+�5 5+�6 6
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
α : Koefisien
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB V
KESIMPULAN DAN SARAN
5.1Kesimpulan
1. Hasil pembuatan model Regresi Multiple didapatkan persamaan =
−69.58−0.924 1+ 0.650 2+ 0.039 3−0.807 4+ 2.03 5.
2. Hasil pembuatan model matematis metode backpropagation berbasis
jaringan syaraf tiruan didapatkan persamaan = 0.393164 1 +
0.01391 2 + 0.38617 3 + −0.25745 4+ 0.523181 5+ (0.185323) 6.
3. Dari hasil simulasi desain model load forecasting dengan menggunakan
Multiple Regression menunjukan tingkat error sebesar 1,14% dan dari
hasil uji forecast untuk metode multiple regression dengan data digeser 1
tahun menunjukan rata-rata error 0,0386 atau sebesar 3,86% hal ini masih
dalam toleransi nilai yang diberikan oleh PLN yaitu sebesar 5%. Namun
jika nilai tersebut melebihi dari nilai toleransi yang diberikan maka
diperlukan adanya pembuatan model yang baru. Sedangkan dari hasil
simulasi desain model load forecasting dengan menggunakan metode
backpropagation berbasis jaringan syaraf tiruan menunjukan tingkat error
rata-rata sebesar 0,012% dengan nilai epoch 9000 dan nilai learning rate
pada 0,5.
4. Hasil perkiraan beban puncak listrik jangka menengah dengan
menggunakan backpropagation telah dihasilkan dimana prediksi dengan
backpropagation lebih mendekati data aktualnya dan memberikan arti
yang signifikan dibandingkan dengan metode multiple regression.
5.2Saran
1. Mengingat pentingnya studi mengenai prediksi beban listrik, maka
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
dalam bidang ketenagalistrikan, diharapkan dapat mengembangkan studi
ini lebih jauh lagi baik dalam bentuk mata kuliah maupun dalam bentuk
materi pengayaan.
2. Bagi dunia praktis dalam hal ini PT.PLN, penulis menyarankan untuk
mengkaji ulang mengenai metode backpropagation untuk prakiraan beban
listrik jangka menengah yang dijalankan dengan jaringan syaraf tiruan,
dan menjadikan metode jaringan syaraf tiruan sebagai salah satu alternatif
metode prakiraan beban yang digunakan oleh PT.PLN.
3. Untuk penelitian selanjutnya diharapkan tampilan jaringan pada matlab
untuk dibuatkan Graphical User Interface (GUI) agar jaringan lebih
Andrian Bramana, 2014
DESAIN MODEL UNTUK PRAKIRAAN BEBAN JANGKA MENENGAH DENGAN REGRESI MULTIPLE DAN JARINGAN SYARAF TIRUAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR PUSTAKA
Abu-Shikhah, N., Elkarmi, F., M.aloquili, O. (2011) Medium-term electric load
forecasting using multivariable linear and non-linear regression. Journal of smart grid and renewable energy, hlm. 126-135.
Aslan, Y., Yavasca, S., dan Yasar, C. (2011) Long term electric peak load
forecasting of kutahya using different approaches. International journal on technical and physical problem of engineering, 3(2), hlm. 87-91.
Draper, N., Smith, H. (1992) Analisis regresi terapan. Jakarta:Gramedia Pustaka Utama.
Harmaen, U. (2013) Peramalan beban jangka pendek khusus hari libur berbasis
jaringan syaraf tiruan dengan algoritma backpropagation. Skripsi, Fakultas
Pendidikan Teknologi dan Kejuruan, Universitas Pendidikan Indonesia.
Herlambang Ngumar, Y. (2008) Aplikasi metode numeric dan matrik dalam
perhitungan koefisien-koefisien regresi linier multiple untuk peramalan. Jurnal konferensi nasional sistem dan informatika, hlm. 157-162.
Kadir, A. (1995) Energi. Jakarta:Universitas Indonesia.
Kutner, M.H., Nachtsheim, C.J., dan Neter, J. (2004) Applied linear regression
models. New York:Mc Graw-Hill Companies, Inc.
Li, F. dkk. (2013) The medium and long term load forecasting combined model
considering weight scale method. Journal school of electrical engineering and information, 11(4), hlm. 2181-2186.
Marsudi, D. (2005) Pembangkitan energi listrik. Jakarta:Erlangga.
Marsudi, D. (2006) Operasi sistem tenaga listrik. Yogyakarta:Graha ilmu.
Salam, I., Sugiyantoro, B., dan Harnoko. (2010) Perkiraan beban puncak jangka
menengah dengan jaringan syaraf tiruan di PT PLN (persero) P3B Jawa Bali region III Jawa Tengah dan DIY. Jurnal penelitian teknik elektro, 3(2), hlm.
98-102.
Sudjana. (2005) Metode statistika. Bandung:Tarsito.
Supriyono. (2007) Analisis perbandingan logika fuzzy dengan regresi berganda