ABIL DWI JUNICO, NIM.132022045 (2026) PREDIKSI BEBAN LISTRIK PADA SISTEM DISTRIBUSI MENGGUNAKAN MODEL HYBRID LSTM-GRU BERBASIS DEEP LEARNING DI GI PLN SEDUDUK PUTIH. ELTIKOM. (Unpublished)

	Text 132022045_SAMPUL_BAB1_DAFTAR PUSTAKA..pdf - Published Version Download (616kB)
	Text 132022045_BAB 2 TINJAUAN PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (387kB)
	Text 132022045_BAB 3 METODE PENELITIAN.pdf - Published Version Restricted to Repository staff only Download (314kB)
	Text 132022045_BAB 4_ DATA, PERHITUNGAN, PEMBAHASAN DAN ANALISA.pdf - Published Version Restricted to Repository staff only Download (697kB)
	Text 132022045_BAB 5 KESIMPULAN DAN SARAN.pdf - Published Version Restricted to Repository staff only Download (142kB)
	Text 132022045_DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (158kB)
	Text 132022045_LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text 132022045_SKRIPSI..pdf - Published Version Restricted to Repository staff only Download (2MB)

Abstract

Prediksi beban listrik diperlukan untuk mendukung pemantauan dan perencanaan operasi sistem distribusi tenaga listrik. Penelitian ini menerapkan model Hybrid LSTM-GRU, or Long Short-term Memory–Gated Recurrent Unit, untuk peramalan beban aktif pada GI PLN Seduduk Putih. Data yang digunakan meliputi beban aktif (MW), suhu transformator sisi Oil dan Winding, arus Penyulang Kacer dan Beo, tanggal, serta jam. Tahapan penelitian meliputi preprocessing, normalisasi Min-Max Scaler, analisis Moving average 14 hari dan regresi linier, serta pembentukan sequence 24 jam menggunakan metode one-step forecasting. Performa Hybrid LSTM-GRU dibandingkan dengan model LSTM dan GRU memakai MAE, RMSE, dan MAPE. Output akhir pengujian menunjukkan Hybrid LSTM-GRU memperoleh MAE 0,9424 MW, RMSE 1,3787 MW, dan MAPE 6,8664%, lebih rendah dibandingkan LSTM tunggal dan GRU tunggal. Hasil tersebut menyatakan bahwa Hybrid LSTM-GRU merupakan model unggul dalam penelitian dan mampu memprediksi pola beban aktif dengan tingkat kesalahan yang relatif rendah

Item Type:	Article
Additional Information:	Dr. Bengawan Alfaresi S.T., M.T. Taufik Barlian S.T., M.Eng.
Uncontrolled Keywords:	peramalan beban listrik , penggabungan LSTM-GRU, Deep learning, Time series, One step forecasting, Sistem Distribusi Tenaga Listrik.
Subjects:	Elektro > Elektromagnetik Elektro > Transfomator Elektro > Transmisi Teknologi informasi > pemrograman
Divisions:	Fakultas Teknik > Teknik Elektro (S1)
Depositing User:	Mahasiswa Fakultas Teknik
Date Deposited:	09 Sep 2026 06:23
Last Modified:	09 Sep 2026 06:23
URI:	http://repository.um-palembang.ac.id/id/eprint/37305

Actions (login required)

View Item