Pengaruh Perubahan Jumlah Layer Pada Prediksi Konsumsi Daya Listrik
Mgs. Abd. Fattah1, Erliza Yuniarti2*, Sofiah3
1,2,3Electrical Engineering Department, Universitas Muhammadiyah, Palembang
*Koresponden email: [email protected]
Diterima: 4 September 2021 Disetujui: 15 Oktober 2021
Abstract
Electrical load forecasting is very important to meet consumer needs according to load patterns. The electricity generated if it exceeds the amount needed will cause waste, on the other hand if the generator is smaller than the demand it can result in rotating power outages which result in losses to consumers. The purpose of this study was to determine the performance metric of the mean absolute percentage error (MAPE) in forecasting the load one day ahead by using an artificial neural network (ANN) algorithm.
Forecasting with this ANN uses variations in the number of layers, namely 1 layer, 2 layers, 3 layers and other constant parameters. Forecasting uses time series data in period one from 1-28 December 2017.
Forecasting output finds that ANN 1 layer provides the best value with a MAPE of 5,0053%, and is able to identify existing load patterns.
Keywords: layer, performance metrics, MAPE, load pattern, ANN
Abstrak
Peramalan beban listrik sangat penting dilakukan untuk memenuhi kebutuhan konsumen sesuai dengan pola beban. Daya listrik yang dibangkitkan jika melebihi jumlah kebutuhan akan menyebabkan pemborosan, di lain sisi jika pembangkit lebih kecil dari permintaan dapat mengakibatkan pemadaman listrik secara bergilir yang mengakibatkan kerugian pada pihak konsumen. Tujuan penelitian ini adalah untuk mengetahui metrik kinerja Mean Absolute Percentage Error (MAPE) pada peramalan beban satu hari ke depan dengan menggunakan algoritma jaringan syaraf tiruan (JST). Peramalan dengan JST ini menggunakan variasi jumlah layer yaitu 1 layer, 2 layer, 3 layer dan parameter lain yang konstan.
Peramalan memakai data time series dalam periode satu dari tanggal 1-28 Desember 2017. Output peramalan menunjukkan bahwa JST 1 layer memberikan nilai terbaik dengan MAPE 5,0053% dan mampu mengidentifikasi pola beban yang ada.
Kata Kunci: layer, metrik kinerja, MAPE, pola beban, JST
1. Pendahuluan
Kebutuhan energi listrik yang berubah-ubah mengakibatkan daya listrik yang dibutuhkan tidak tetap, sehingga diperlukannya perencanaan, pengaturan, dan peramalan beban listrik agar daya listrik yang dihasilkan selalu dalam kualitas yang baik [1]. Pentingnya peramalan beban adalah menghasilkan suatu daya pembangkit yang akan ditransmisikan ke pusat beban tidak terlalu besar, karena suplai yang berlebih menimbulkan pemborosan energi yang dapat mengakibatkan kerugian bagi pihak perusahaan pembangkit listrik. Sebaliknya, jika daya yang dihasilkan suatu pembangkit lebih kecil dari permintaan dapat mengakibatkan pemadaman listrik secara bergilir yang mengakibatkan kerugian pada pihak konsumen [2].
Penyaluran energi yang seimbang antara kebutuhan dan suplai menjadi solusi mendapatkan kepuasan bersama.
Prediksi beban listrik berdampak besar dalam operasi sistem tenaga listrik mulai dari perencanaan pembangkitan, analisis aliran daya, unit commitment, sistem hydro thermic, dan operasi ekonomis sistem tenaga [3]. Kebutuhan energi listrik dalam satuan hari bahkan jam setiap harinya cenderung berubah-ubah, sehingga Perusahaan Listrik Negara (PLN) sebagai penyedia energi listrik harus bisa memprediksi kebutuhan beban listrik setiap harinya. Banyak cara dalam memprediksi kebutuhan akan energi listrik atau dikenal dengan peramalan beban listrik, untuk itu diperlukan pemilihan metode yang baik dalam dan keakuratan yang tinggi, sehingga dapat menekan biaya dalam memproduksi energi listrik
Penggunaan metode statistik untuk peramalan banyak dipergunakan, dengan membuat model matematika dari periode data sebelumnya. Metode ini tidak membutuhkan komputasi yang tinggi sehingga masih menjadi alternatif yang dapat dipergunakan, dengan akurasinya yang baik [4]. Riset terdahulu untuk peramalan beban diantaranya adalah: riset [5] membahas pertumbuhan beban di wilayah Ngawi dan
Magetan yang diperuntukkan sebagai kawasan industri yang berkembang. Riset ini menggunakan data beban dari transformator daya berkapasitas 150kV/20kV dari Tahun 2011-2018 dengan tiga penyulang selama 8 tahun untuk memprediksi Tahun 2019-2026 di gardu induk (GI). Berdasarkan rata-rata pertumbuhan beban 18,66%, dan dengan metode regresi linier dapat diprediksi bahwa delapan tahun ke depan kapasitas GI adalah 60 MVA. Riset [4] menggunakan data dalam periode 30 menit dari PT. PLN Bulan Mei 2009 sampai dengan 8 Juni 2009 yang terdiri dari data beban puncak, beban dasar, dan beban diambil untuk peramalan satu minggu ke depan menggunakan metode Autoregressive Integrated Moving Average (ARIMA). Hasil riset memakai model ARIMA ini mendapatkan Mean Absolute Percentage Error (MAPE) untuk beban puncak 0,801 %; beban dasar 1,036%; dan beban harian sebesar 0,982 %. Metode time series dekomposisi yaitu dengan menggabungkan tren data, siklus dan musiman untuk meramalkan konsumsi daya listrik pada gardu induk [6], untuk meningkatkan akurasi peramalan daya listrik tahunan di gardu induk Cengkareng. Analisa perhitungan daya dimanfaatkan untuk menyatakan sistem safe atau overload dengan kapasitas transformator maksimal 80% di gardu induk. Akurasi peramalan dihitung dalam dengan Mean Square Error (MSE) dan MAPE, dengan hasil MSE yaitu 137, 16 dan MAPE 9,11%.
Metode lain yang dapat dipilih untuk prediksi beban adalah menggunakan algoritma jaringan syaraf tiruan (JST). Riset [7] yang menyatakan bahwa jaringan syaraf tiruan (JST) adalah salah satu cabang kecerdasan buatan yang dapat digunakan mengidentifikasi pola data. Peramalan menggunakan metode jaringan syaraf tiruan yang telah dilakukan oleh beberapa peneliti sebelumnya yang membuktikan bahwa JST mampu meramal dan mendapatkan hasil yang lebih baik dibandingkan dengan metode yang lainnya.
Hasil peramalan menggunakan JST dibandingkan dengan metode koefisien, JST mendapatkan nilai akurasi lebih baik yaitu 98,15% [8].Oleh karena itu, penggunaan metode yang tepat dalam peramalan tentulah hal yang sangat penting untuk dilakukan, karena hal tersebut dapat mempengaruhi hasil peramalan itu sendiri.
Penelitian lainnya menggunakan JST dengan data time series dalam peramalan beban diantaranya adalah [9] dengan mempertimbangkan efek suhu pada permintaan listrik Thailand, [10] pada prediksi energi listrik dengan solar sel sebagai sumber energi terbarukan, [11] prediksi beban untuk hari-hari libur di Bali.
Ketersediaan data dalam peramalan beban listrik umumnya berbentuk data berurutan atau grafik time series. Ketersediaan data yang akurat atau lengkap dalam bentuk berurutan sedapat mungkin dalam periode yang sama, pencatatan pada data operator di PT. PLN (Persero) tidak hanya memuat data berurutan satuan jam saja, terdapat empat kali pencatatan disaat saat beban puncak (WBP) yaitu pada pukul 18.00-20.00 WIB dalam periode tiga puluh menit dan waktu diluar beban puncak (LWBP) pada pukul 20.00-18.00 WIB (keesokan harinya) [12]. Pencatatan pada penelitian lain yang juga menggunakan data dalam satuan jam pada riset [13], [14], namun terdapat beberapa penelitian lainnya menggunakan satuan periode 30 menit yang juga dipergunakan untuk prediksi beban listrik [15], [16]. Tujuan penelitian ini adalah untuk mengetahui pengaruh jumlah layer terhadap akurasi prediksi dalam metrik kinerja Mean Absolute Percentage Error (MAPE), pada peramalan beban satu hari ke depan dengan menggunakan algoritma JST.
2. Metode Penelitian
Penelitian di lakukan pada laboratorium Fisika Universitas Muhammadiyah Palembang. Pelaksanaan penelitian mulai dari pengumpulan data, penyusuan data, pembuatan program dan lainnya, berlangsung selama sembilan bulan yaitu dimulai pada bulan Januari 2021 sampai dengan September 2021. Penelitian ini mengaplikasi metode JST, dimana JST merupakan model yang terinspirasi oleh organisasi dan fungsi neuron biologis menjadi teknologi terbaik dalam memperkirakan beban listrik. Keunggulan utama JST adalah kemampuan komputasi yang paralel dengan cara belajar dari pola-pola yang diajarkan [8].
JST merupakan pembelajaran yang terawasi (supervised learning) dengan menggunakan lapisan atau layer yang banyak jumlahnya untuk mengubah bobot dan bias yang terkoneksi dengan neuron-neuron yang terdapat pada hidden layers [17], dengan kata lain JST dengan back propagation memiliki tiga tahap kerja, yaitu tahap perambatan maju, tahap perambatan-balik, serta tahap perubahan bobot dan bias. Untuk mendapatkan selisih antara input dan output atau error, tahap perambatan maju (forward propagation) dilakukan terlebih dahulu dan mengaktifkan fungsi aktivasi; algoritma back propagation yang dilakukan setelahnya, memanfaatkan selisih kesalahan output untuk mengubah nilai bobot pada arah mundur.
Diagram alir riset ini (Gambar 1) adalah susunan prosedur riset yang menggambarkan langkah- langkah kerja. Riset ini, dimulai dengan mengumpulkan dan menyusun data yang diperoleh dari PT. PLN (Persero) Keramasan Palembang berupa data tabulasi harian. Data penelitian yang dipakai yaitu data beban transformator daya 150 MVA yang sudah disusun kembali ke dalam Microsoft Excel. Dataset disusun dalam bentuk baris, sehingga pada saat ingin dimasukkan data ke dalam aplikasi Matlab yang dapat dilakukan dengan mudah. Pengolahan data menggunakan software Matlab R2007b dan hardware yang digunakan pada riset ini laptop Asus X453S.
Gambar 1. Langkah-langkah penelitian Sumber: Data peneliti, 2021
Langkah berikutnya yaitu penentuan parameter JST, yang ditentukan adalah jumlah layer, neuron, dan epoch. Parameter lainnya digunakan default dalam aplikasi Matlab. Selanjutnya dilakukan perhitungan hasil output dengan performa didasarkan pada variasi jumlah layer. Output program dibandingkan untuk mendapatkan algoritma terbaik dengan membandingkan pengaruh jumlah layer terhadap output program.
Pengukuran performa prediksi dibandingkan berdasarkan besarnya MAPE, dalam persamaan matematik dinyatakan:
𝑀𝐴𝑃𝐸 =1
𝑁∑𝑌𝑖− 𝑌̌𝑖 𝑌𝑖
𝑁
𝑖=1
𝑥100%
Dengan,
N : Jumlah Sampel Yi : Nilai Aktual 𝑌̌𝑖 : Nilai Prediksi
3. Hasil dan Pembahasan Data Beban Trasformator
Penelitian ini menggunakan data beban transformator selama satu bulan yaitu bulan 1 - 28 Desember 2017 selama 24 jam yaitu atau 672 data. Data dipilih dengan asumsi musiman yang terjadi di Indonesia, dimana di bulan Desember adalah puncak musim hujan dan akhir tahun, dengan asumsi bahwa pada saat ini aktivitas beban umumnya normal karena tidak terdapat banyak hari libur nasional kecuali akhir tahun.
Beban perkantoran, perumahan, sekolah, gedung-gedung atau beban komersial dan aktivitas sosial berjalan normal. Selain itu beban sektor industri berjalan dengan maksimal karena industri umumnya memenuhi target pekerjaan sampai akhir tahun. Konsumsi beban listrik pada 1 - 28 Desember 2017 dari transformator daya 150 MVA Keramasan dapat dilihat pada Tabel 1.
Tabel 1. Data beban transformator 150 MVA
Jam Tanggal
1-12-2017 ... 5-12-2017 ... 28-12-2017
00.00 43 ... 37 ... 32
01.00 41 ... 35 ... 32
02.00 40 ... 35 ... 31
03.00 38 ... 35 ... 31
04.00 35 ... 34 ... 31
05.00 35 ... 33 ... 30
06.00 34 ... 33 ... 30
07.00 33 ... 32 ... 30 Penyusunan Data Harian
Analisis Trend
Penentuan Parameter JST
Perhitungan dengan variasi layer
Perbandingan Validasi
... ... ... ... ... ...
17.00 42 ... 44 ... 40
18.00 49 ... 47 ... 45
19.00 51 ... 49 ... 49
20.00 52 ... 49 ... 48
21.00 52 ... 47 ... 48
22.00 48 ... 43 ... 45
23.00 44 ... 40 ... 43
24.00 40 ... 30 ... 35 Sumber: PT. PLN (Persero)
Ilustrasi dalam grafik beban selama satu minggu dapat dilihat pada Gambar 2. Beban listrik gardu induk ini dibedakan konsumsi listriknya berdasarkan hari. Terdapat tiga jenis hari pengelompokan yaitu hari kerja untuk hari Senin-Jumat, akhir pekan untuk hari Sabtu dan hari libur Minggu atau hari besar lainnya.
Konsumsi di hari kerja memiliki pola yang sama dengan akhir pekan dan hari libur, hal ini merepresentasikan bahwa beban komersial, industri dan perumahan di semua jenis hari ini tetap menjalankan aktifitas normal. Walaupun secara jumlah beban berkurang di hari akhir pekan dan hari libur.
Namun pada akhir pekan di hari libur terjadi kenaikan beban yang dimungkinkan banyaknya aktifitas di dalam rumah (65% beban adalah perumahan), lokasi komersial dan industri bekerja lebih lama untuk memenuhi target produksi.
Gambar 2. Konsumsi daya pada hari kerja, hari libur dan akhir pekan Pada transformator 150 MVA
Sumber: PT. PLN (Persero)
Prediksi Beban Listrik
Adapun data yang digunakan untuk peramalan beban dibagi menjadi dua yaitu data training dan data testing dengan masing-masing pembagian data training sebanyak 80% dan data testing 20%. Data input satu bulan dipisahkan menjadi training, testing dan target selama satu hari sebagai output, yang diperoleh dari hasil peramalan menggunakan JST. Masing-masing data aktual sebagai data input dan satu data target yang disusun dalam Window M-file pada Matlab. Untuk selanjutnya juga menggunakan data yang sama dengan tanggal yang berbeda-beda disesuaikan dengan hari yang ditentukan. Parameter JST yang dipergunakan disajikan pada Tabel 2 dan parameter lainnya diambil default dalam program.
0 10 20 30 40 50 60
00.00 01.00 02.00 03.00 04.00 05.00 06.00 07.00 08.00 09.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00
Daya (MW)
J a m
Hari Libur Hari Kerja Akhir Pekan
Tabel 2. Parameter peramalan beban
Fungsi/Tipe Keterangan
Tipe Jaringan : Feed-Forward Bacpropogation Fungsi Pelatihan : Train Levenberg - Marquardt Fungsi Pembelajaran : Learngdm
Fungsi Performance : MSE (Mean Square Error) Jumlah hidden layer : 1, 2, 3
Jumlah neuron : 10
Fungsi Transfer : Pureline
Epoch : 100
Sumber: Data peneliti
Tabel 3 berikut adalah hasil perhitungan matrik kinerja program dapat dilihat data aktual (data input) terdiri dari satu input dan satu output dengan satu dan multi layer, untuk peramalan satu hari ke depan.
Hasil output diperoleh dari hasil peramalan menggunakan JST dengan parameter sebagaimana Tabel 2.
Pengulangan input juga dilakukan terhadap perubahan jumlah hidden layer yaitu satu, dua dan tiga dengan parameter lainnya yang sama. Besarnya hasil perbandingan MAPE dari ke tiga variasi layer adalah sebagai berikut:
Tabel 3. Akurasi Prediksi Listrik Layer MAPE (%)
1 5,0053
2 6,8549
3 7,0453
Sumber: Data peneliti
Nilai MAPE hasil peramalan dari ke-tiga variasi layer mendapatkan nilai lebih kecil dari 10%, yang menunjukkan bahwa nilai yang di dapat cukup baik [18]. MAPE terbaik atau terkecil didapatkan dari output 1 layer, dan bertambahnya jumlah layer mendapatkan hasil MAPE yang lebih besar. Grafik perbandingan data aktual dan hasil output program ditampilkan pada Gambar 3.
Gambar 3. Perbandingan data aktual dan hasil prediksi dengan JST 1, 2, dan 3 hidden layer Sumber : Data peneliti
Hasil prediksi dari Gambar 3, bahwa hasil prediksi secara umum masih lebih kecil dikomparasi dengan data aktual atau sebenarnya. Hasil prediksi dari layer 1 dan 2 dengan parameter lainnya yang sama, mendapatkan hasil yang berhimpit satu dengan lainnya, atau saling mendekati. Besaran daya yang dihasilkan peramalan satu jam ke depan mendapatkan lebih kecil dari data aktual dari jam 06.00-21.00, sebaliknya lebih besar pada jam 23.00-00.00 pada hari berikutnya. Berbeda dengan hasil output dengan 2 layer mendapatkan hasil juga lebih kecil dari data aktual, namun pada jam 21.00-00.00 lebih besar dari
30 35 40 45 50 55 60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Daya (MW)
J a m
Aktual 1 Layer 2 Layer 3 Layer
data aktual dan lebih besar dibandingkan dari prediksi dengan 1 atau 3 layer. Prediksi dengan JST ini dapat mengidentifikasi pola beban atau karakteristik beban sesungguhnya yaitu data bulan Desember 2017.
Perubahan beban di tiap waktu ataupun hari pada transformator tentu sangat mempengaruhi hasil pada peramalan. Selain perubahan data yaitu penurunan beban data yang cukup drastis pada jam 17.00- 18.00 dan mengalami kenaikan kedua setelah jam 18.00 membuat, kesalahan peramalan yang lebih besar, dibandingkan dengan peramalan pada jam lainnya (Gambar 3). Penentuan parameter layer dan neuron dengan metode “trial and error” ini, tentu juga sangat berpengaruh pada hasil. Riset ini dapat dikembangkan dengan menggunakan variasi jumlah neuron dan epoch untuk meningkatkan hasil peramalan.
4. Kesimpulan
Berdasarkan hasil penelitian dan pembahasan dapat disimpulkan besarnya konsumsi daya listrik yang diukur pada transformator daya, cenderung memiliki pola yang sama, yaitu di hari kerja, akhir pekan dan hari libur. Walaupun besarnya daya yang dikonsumsi di hari akhir pekan dan hari libur lebih kecil dibandingkan hari kerja. Algoritma JST feed forward back propagation dengan parameter 100 epoch, 10 neuron, dengan variasi jumlah layer yaitu 1, 2, dan 3 mendapatkan hasil yang memuaskan, dengan metrik kinerja MAPE berturut-turut 5,0053%, 6,8549 %, 7,0453%. Komparasi secara grafis hasil prediksi satu hari ke depan dan aktual selama 24 jam, hasil prediksi dari jumlah layer 1 dan 2 mendekati satu dengan yang lainnya. Hanya daya hasil peramalan satu jam ke depan mendapatkan lebih kecil dari data aktual dari jam 06.00-21.00, sebaliknya lebih besar pada jam 23.00-00.00 pada hari berikutnya. Hasil peramalan dengan 2 layer lebih kecil dari data aktual, namun lebih besar dibandingkan dari prediksi dengan 1 atau 3 layer.
5. Referensi
[1] E. Hossain, M. R. Tur, S. Padmanaban, S. Ay, and I. Khan, “Analysis and Mitigation of Power Quality Issues in Distributed Generation Systems Using Custom Power Devices,” IEEE Access, vol.
6, pp. 16816–16833, 2018, doi: 10.1109/ACCESS.2018.2814981.
[2] S. Sulistiyono and H. N. Azis, “Analisis Pengaruh Masa Operasional Terhadap Penurunan Kapasitas Transformator Distribusi Di PT PLN (PERSERO),” J. Teknol. Elektro, vol. 8, no. 1, 2017, doi:
10.22441/jte.v8i1.1380.
[3] M. Danus, “Aplikasi Metode Moving Average Terhadap Peramalan Beban Listrik Jaringan Distribusi 20 Kv Pada Penyulang Simpang Tiga Satu Di Gardu Induk Keramasan,” J. Ampere, vol.
4, no. 1, p. 252, 2019, doi: 10.31851/ampere.v4i1.2877.
[4] H. Wibowo, Y. Mulyadi, and A. Gafar, “Peramalan Beban Listrik Jangka Pendek Terklasifikasi Berbasis Metode Autoregressive Integrated Moving Average,” Electrans, vol. 11, no. 2, pp. 44–50, 2012.
[5] Jimmy Trio Putra, N. Fadhilah, and M. Arrofiq, “Peramalan Beban pada Gardu Induk Mantingan dalam Penentuan Kapasitas Transformator dengan Metode Regresi Linear,” Electrician, vol. 15, no.
2, pp. 64–72, 2021, doi: 10.23960/elc.v15n2.2165.
[6] T. Nisa, R. Siregar, and W. Suliyanti, “Estimasi Daya Beban Listrik Pada Gardu Induk Cengkareng Dengan Menggunakan Metode Time Series Model Dekomposisi,” J. Teknol., vol. 2, no. 1, pp. 36–
52, 2019.
[7] Muslimin, “Peramalan Beban Listrik Jangka Menengah Pada Sistem Kelistrikan Kota Samarinda,”
Jiti, vol. 14, no. 9, pp. 113–121, 2015.
[8] Y. Triwulan, N. Hariyanto, and S. Anwari, “Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan,” Itenas J. Online Inst. Teknol. Nas. J. Reka Elkomika, vol. 1, no. 4, pp. 2337–439, 2013.
[9] K. Chapagain, S. Kittipiyakul, and P. Kulthanavit, “Short-term electricity demand forecasting:
Impact analysis of temperature for Thailand,” Energies, vol. 13, no. 10, 2020, doi:
10.3390/en13102498.
[10] H. Ettayyebi and K. El Himdi, “Artificial Neural Network for Forecasting One Day Ahead of Global Solar Irradiance,” SSRN Electron. J., 2018, doi: 10.2139/ssrn.3179472.
[11] I. Mataram, “Peramalan Beban Hari Libur Menggunakan Artificial Neural Network,” Maj. Ilm.
Teknol. Elektro, vol. 7, no. 2, 2013.
[12] E. Yuniarti, Nurmaini, B. Y. Suprapto, and M. Naufal Rachmatullah, “Short Term Electrical Energy Consumption Forecasting using RNN-LSTM,” ICECOS 2019 - 3rd Int. Conf. Electr. Eng. Comput.
Sci. Proceeding, pp. 287–292, 2019, doi: 10.1109/ICECOS47637.2019.8984496.
[13] K. Panklib, C. Prakasvudhisarn, and D. Khummongkol, “Electricity Consumption Forecasting in Thailand Using an Artificial Neural Network and Multiple Linear Regression,” Energy Sources, Part B Econ. Plan. Policy, vol. 10, no. 4, pp. 427–434, 2015, doi: 10.1080/15567249.2011.559520.
[14] V. Mansouri and M. E. Akbari, “Efficient Short-Term Electricity Load Forecasting Using Recurrent Neural Networks,” J. Artif. Intell. Electr. Eng., vol. 3, no. 9, pp. 46–54, 2014.
[15] A. T. Rahman, N. Hariyanto, and S. Anwari, “Peramalan Beban Puncak Jangka Pendek Khusus Hari Libur Nasional Berbasis Algoritma Fuzzy Subtractive Clustering, Studi Kasus di Jawa – Bali,” J.
Reka Elkomika, vol. 2, no. 2, pp. 119–131, 2014.
[16] A. Yang, W. Li, and X. Yang, “Short-term electricity load forecasting based on feature selection and Least Squares Support Vector Machines,” Knowledge-Based Syst., vol. 163, pp. 159–173, 2019, doi: 10.1016/j.knosys.2018.08.027.
[17] Y. K. Maju Binoto*, “Peramalan Energi Listrik Yang Terjual Dan Daya Listrik Tersambung Pada Sistem Ketenaglistrikan Untuk Jangka Panjang Di Solo Menggunakan Model Artificial Neural Network,” Prosiding SNATIF Ke -2, pp. 235–242, 2015.
[18] Anamika and N. Kumar, “Market-clearing price forecasting for Indian electricity markets,” in Advances in Intelligent Systems and Computing, vol. 479, pp. 633–642, doi: 10.1007/978-981-10- 1708-7_72. 2017
