PREDIKSI KONSUMSI LISTRIK BANGUNAN MENGGUNAKAN METODE STASTIK

Teuku Iqbal Faridiansyah

doi:10.29103/techsi.v8i1.116

PREDIKSI KONSUMSI LISTRIK BANGUNAN MENGGUNAKAN METODE STASTIK

Teuku Iqbal Faridiansyah

Abstract

Persoalan untuk memperoleh prediksi yang akurat dari konsumsi listrik telah banyak dibahas oleh banyak karya-karya sebelumnya. Berbagai teknik telah digunakan seperti metode statistik, time-series, metode heuristik dan banyak lagi. Apapun teknik yang digunakan, akurasi prediksi tergantung pada ketersediaan data historis serta seleksi yang tepat dari data. Bahkan data yang lengkap, harus dipilih sehingga akurasi prediksi dapat ditingkatkan. Paper ini mempresentasikan metode prediksi konsumsi listrik dari data konsumsi listrik bangunan komersial yang dipilih. Dua metode prediksi yang berbeda digunakan (yaitu. Moving Average, MA, dan Exponential Smoothing, ES) untuk mengevaluasi akurasi prediksi dengan menggunakan kumpulan data yang direkomendasikan. Hasil menunjukkan bahwa metode Moving Average (MA) lebih akurasi dibandingkan metode Exponential Smoothing (ES) dalam memprediksi konsumsi listrik bangunan dengan nilai error akurasi 0,2 dan 0,8.

Full Text:

PDF

References

Tenaga, S. 2012. National Energy Balance 2012. Suruhanjaya Tenaga (Energy Commission): Putrajaya, Malaysia.

Ben-Nakhi AF, Mahmoud MA. Cooling load prediction for building using general regression neural networks. Energy Conversion and Management 2004;45(13-14):2127-41.

Wong SL, Wan KKW, Lam TNT. Artificial neural networks for energy analysis of office building with daylighting. Applied Energy 2010;87(2):551-7.

Aydinalp M, Urgusal VI, Fung AS. Modeling of the appliance, lighting, and space cooling energy consumption in the residential sector using neural networks. Applied Energy 2002;71(2):87-110.

Languang Z., Jing H., Jinxiang P., and Fengzhong Z., Electrical energy demand forecasting with GRNN for energy saving strategy, Applied Mechanics and Materials vols. 198-199 (2012), p. 639-643.

Victor M., Gareth A. Taylor, and Arthur E., A novel econometrics model for peak demand forecasting, IEEE, 2014.

Arindrajit Pal, Jyoti Prakash Singh, Paramartha Dutta, The Path Length Prediction of MANET Using Moving Average Model, Procedia Technology, Volume 10, 2013, Pages 882-889

Everette S. Gardner Jr., Exponential smoothing: The state of the art—Part II, International Journal of Forecasting, Volume 22, Issue 4, October–December 2006, Pages 637-666

Shalabh, A revisit to efficient forecasting in linear regression models, Journal of Multivariate Analysis, Volume 114, February 2013, Pages 161-170.

DOI: https://doi.org/10.29103/techsi.v8i1.116