O OPTIMALISASI NEURAL NETWORK BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK MEMPREDIKSI LAMA PENYINARAN MATAHARI DALAM MEMENUHI KEBUTUHAN ENERGI
Article Sidebar
Main Article Content
Abstract
Tingginya beban listrik yang mencapai 325 MegaWatt, hal ini merupakan perhatian penting bagi pemerintah Provinsi Gorontalo dalam kebutuhan energi listrik, maka perlu memprediksi lama penyinaran matarahari pada suatu daerah, Energi sel surya salah satunya bergantung pada lamanya penyinaran cahaya matahari. Diantaranya dengan melakukan perancangan model prediksi. Metode prediksi yang mimiliki nilai error terkecil adalah Neural Network, akan tetapi masih adanya kelemahan pada waktu pelatihan untuk mencapai konvergen dan overfitting. Maka perlu dilakukan optimalisasi pada bobot jaringan dengan menggunakan Particle Swarm Optimazition, yang merupakan salah satu metode terbaik dalam optimasi. Dengan penggunaan optimasi yang diukur melalui hasil peroleha Root Mean Square Error (RMSE). Hasil pengujian terhadap algoritma menunjukkan bahwa nilai RMSE mengunakan Neural Network 0,131, sedangkan dengan penerapan optimasi dengan particle swarm optimization hasil RMSE 0,127. Dengan penerapan metode optimasi terserbut dapat mengurangi nilai error
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[2] R. Pratama and Z. Kamus, “Pembuatan Sistem Pengukuran Durasi Penyinaran Matahari Berbasis Mikrokontroler Atmega8535 Menggunakan Sensor Ldr,” J. pillar physics, Jur. Fis. Univ. Negeri Padang, vol. 2, pp. 99–106, 2013.
[3] Y. S. Utomo, “Prediksi radiasi surya global bulanan kota bandung menggunakan data lpm (lama penyinaran matahari),” J. Mater. dan Energi Indones. FMIPA Univ. Padjadjaran, vol. 07, no. 02, pp. 21–27, 2017.
[4] A. Pujiastuti, “Sistem Perhitungan Lama Penyinaran Matahari ( Studi Kasus : ST . KLIMATOLOGI BARONGAN ),” ugm, FMIPA, vol. Volume 5, 2016.
[5] E. Noersasongko, F. T. Julfia, A. Syukur, , P., R. A. Pramunendar, and C. Supriyanto, “A Tourism Arrival Forecasting using Genetic Algorithm based Neural Network,” Indian J. Sci. Technol., vol. 9, no. 4, pp. 3–7, 2016.
[6] S. Sma, P. Prestasi, S. Sman, Y. A. Lesnussa, S. Latuconsina, and E. R. Persulessy, “Aplikasi Jaringan Saraf Tiruan Backpropagation untuk Memprediksi Prestasi Aplikasi Jaringan Saraf Tiruan Backpropagation untuk Memprediksi Prestasi Siswa SMA ( Studi kasus : Prediksi Prestasi Siswa SMAN 4 Ambon ),” J. Mat. Integr., vol. 11, no. 2 Oktober, pp. 149–160, 2015.
[7] D. Rahmalia and T. Herlambang, “Prediksi Cuaca Menggunakan Algoritma Particle Swarm Optimization-Neural Network ( Psonn ),” pp. 41–48, 2017.
[8] Y. D. Lestari, “Jaringan syaraf tiruan untuk prediksi penjualan jamur menggunakan algoritma backropagation,” J. ISD, vol. 2, no. 1, pp. 40–46, 2017.
[9] B. Di, P. Kota, S. Tiruan, B. Di, and P. Kota, “Prediksi Distribusi Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan,” J. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 2 January, pp. 83–87, 2016.
[10] I. Cholissodin, S. Sutrisno, A. A. Soebroto, L. Hanum, and C. A. Caesar, “Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa (PE) Menggunakan ELM-PSO Di UPT Pembibitan Ternak Dan Hijauan Makanan Ternak Singosari-Malang,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 1, p. 31, 2017.
[11] R. F. Margeritha, R. S. Hartati, and N. P. Satriya Utama, “AnalisisPenyambungan Distributed Generation Guna Meminimalkan Rugi-Rugi Daya Menggunakan Metode Particle Swarm Optimization (PSO),” Maj. Ilm. Teknol. Elektro, vol. 16, no. 3, p. 122, 2017.
[12] C. A. Caesar, L. Hanum, and I. Cholissodin, “Perbandingan Metode ANN-PSO Dan ANN-GA Dalam Pemodelan Komposisi Pakan Kambing Peranakan Etawa (PE) Untuk Optimasi Kandungan Gizi,” J. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, p. 216, 2016.
[13] H. Muhamad, C. A. Prasojo, N. A. Sugianto, L. Surtiningsih, and I. Cholissodin, “Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, p. 180, 2017.
[14] Irvan Muzakkir, A. Syukur, and I. N. Dewi, “Backpropagation Dengan Seleksi Fitur Particle Swarm Optimization Dalam Prediksi Pelanggan Telekomunikasi,” Pseudocode, vol. 1, pp. 1–10, 2014.
[15] A. Wanto, A. P. Windarto, D. Hartama, and I. Parlina, “Use of Binary Sigmoid Function And Linear Identity In Artificial Neural Networks For Forecasting Population Density,” IJISTECH (International J. Inf. Syst. Technol., vol. 1, no. 1, p. 43, 2017