Peramalan fluktuasi energi setiap jam menggunakan metode convolutional neural network (cnn) / Andien Khansa\'a Iffat Paramarta

Paramarta, Andien Khansa'a Iffat Paramarta (2023) Peramalan fluktuasi energi setiap jam menggunakan metode convolutional neural network (cnn) / Andien Khansa\'a Iffat Paramarta. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

Peramalan energi diperlukan untuk mengenali pola penggunaan energi agar dapat mengoptimalkan penggunaan energi yang kebutuhannya terus meningkat. Teknologi informasi memudahkan pengambilan data multivariate time series penggunaan energi per jam. Proses analisis dapat dilakukan menggunakan model deep learning. Normalisasi diperlukan untuk meningkatkan kinerja model deep learning dalam peramalan. Metode normalisasi yang dapat digunakan seperti normalisasi min-max dan normalisasi z-score. Pemilihan metode normalisasi yang tepat dapat membuat performa model deep learning semakin optimal. Penelitian ini menggunakan metode CNN (Convolutional Neural Network). Berbeda dengan CNN untuk gambar CNN untuk data time-series menggunakan 1D-CNN. Metode ini dipilih karena dapat mempelajari pola data multivariate time-series. Tahap analisis mengadaptasi metode CRISP-DM yang terdiri dari 6 tahapan. Menggunakan dataset multivariate time-series dari kaggle.com berjudul ldquo Hourly Energy Demand Time Series Forecast rdquo yang memiliki 35064 instance dan 29 atribut. Model penelitian menggunakan 5 macam skenario atribut dan 2 skenario normalisasi berbeda yakni min-max dan z-score. Parameter yang dibutuhkan didapatkan dari proses hyperparameter tuning grid search. Evaluasi kinerja analisis menggunakan 3 macam nilai evaluasi yakni Mean Absolute Percentage Error (MAPE) Root Mean Square Error (RMSE) dan R-square (R2). Nilai evaluasi didapatkan dari rata-rata 5 kali percobaan di setiap skenario. Pada normalisasi min-max dengan model 1D-CNN didapatkan performa terbaik memiliki nilai MAPE sebesar 4 8088% RMSE sebesar 0 0731 dan R2 sebesar 0 8646. Sedangkan normalisasi z-score menggunakan model 1D-CNN memberikan performa terbaik dengan nilai MAPE sebesar 10 4386% RMSE sebesar 0 7600 dan R2 sebesar 0 4218. Dari hasil yang didapatkan dengan mengimplementasikan metode 1D-CNN normalisasi min-max memiliki performa lebih baik dibandingkan normalisasi z-score dalam analisis peramalan data energi.

Item Type:	Thesis (Diploma)
Subjects:	?? ??
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	library UM
Date Deposited:	25 Aug 2023 04:29
Last Modified:	09 Sep 2023 03:00
URI:	http://repository.um.ac.id/id/eprint/292912

Actions (login required)

View Item