Peramalan Kebutuhan Beban Jangka Pendek Menggunakan Jaringan Syaraf Tiruan Backpropagation - Diponegoro University | Institutional Repository (UNDIP-IR)
Teks penuh
Gambar
Dokumen terkait
Tujuan dari feature extraction adalah untuk rnengubah sinyal suara digital rnenjadi suatu representasi data yang berdimensi lebih kecil untuk diproses lebih
Selanjutnya model prakiraan Jaringan Syaraf Tiruan dengan algoritma backpropagtion yang telah dirumuskan diatas akan dilatihkan untuk memprediksi beban harian mulai dari
Sedangkan yang dimaksud dengan data pengujian adalah data yang digunakan untuk mendapatkan keseimbangan antara pengenalan pola pelatihan secara benar dan respon
Berdasarkan nilai epoch dan mean square error (MSE) tertentu, arsitektur jaringan syaraf tiruan yang disusun digunakan untuk meramalkan permintaan beban dari tahun 2014 sampai
Dalam makalah ini akan dibahas salah satu algoritma yang digunakan untuk melakukan prediksi (forecasting) penjualan beban listrik yaitu algoritma
1) Semakin banyak data historis atau pola data beban listrik yang digunakan untuk men- training model jaringan syaraf tiruan akan menghasilkan tingkat pengenalan ataupun
Pada saat memprediksikan beban listrik jangka panjang dengan menggunakan metode backpropagation diperoleh rata-rata error sebesar 0,004%, perolehan nilai error tersebut mengakibatkan
Apabila dilihat pada gambar grafik bulan November 2019, kita dapat menyimpulkan bahwa hasil peramalan beban listrik menggunakan metode backpropagation neural network akan lebih
