Proposal Ta
-
Upload
fitriani-fitri -
Category
Documents
-
view
242 -
download
0
Transcript of Proposal Ta
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 1/16
ABSTRAK
Seiring dengan pertumbuhan penduduk dan ekonomi di Indonesia pada
umumnya dan Aceh khususnya akan menuntut PT. PLN sebagai penyedia energi
listrik untuk dapat memenuhi kebutuhan akan energi listrik secara memadai dengan
tidak mengesampingkan mutu dari energi tersebut. Dalam hal ini PT. PLN dituntut
untuk membuat sebuah perencanaan dalam rangka pengembangan jaringan listrik
untuk memenuhi kebutuhan pelanggan yang semakin melonjak. Sebelum membuat
perencanaan tersebut dibutuhkan sebuah peramalan atau prakiraan agar jaringan
listrik yang akan dikembangkan untuk masa yang akan datang dapat dimanfaatkan
secara efisien. Dalam tugas akhir ini penulis akan membahas berapa besar
kebutuhan akan energi listrik di kota Banda Aceh untuk masa yang akan datang
dengan menggunakan metode backpropagation.
Kata kunci : Energi listrik, Peramalan, Backpropagation.
1
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 2/16
BAB I
PENDAHULUAN
1.1 Latar belakang
Energi listrik merupakan energi yang sangat dibutuhkan oleh masyarakat
dewasa ini. Seiring dengan perkembangan teknologi dalam berbagai bidang yang
semakin pesat, teknologi kelistrikan juga terjadi peningkatan dalam penyediaannya
yang disesuaikan dengan kebutuhan masyarakat. Dalam hal ini PLN selaku penyedia
energi tersebut dituntut untuk menyediakannya secara kuntinyu. Selain itu, PLN juga
dituntut untuk menjaga mutu dari energi tersebut.
Pertambahan penduduk dapat memicu terjadinya peningkatan kebutuhan
energi listrik, tetapi hal ini tidak seimbang dengan peningkatan penyediaan tenaga
listrik, dimana kapasitas daya terpasang masih tetap, sementara kebutuhan
masyarakat terus meningkat dan berbagai kegiatan pendukungnya. Hal ini dapat
dikatakan bahwa ketergantungan dalam pemakaian tenaga listrik sangat tinggi, tidak
hanya untuk kebutuhan penerangan tetapi juga untuk mendukung kegiatan ekonomi.
Maka dari itu akibat yang ditimbulkan adalah seringnya terjadi pemadaman aliran
listrik oleh PLN, terutama pada saat beban puncak. Hal ini disebabkan oleh akibat
pemakaian beban yang melebihi daya yang telah disediakan.
Dalam penyaluran energi listrik perlu adanya sebuah peramalan untuk masa
yang akan datang agar menghasilkan sebuah sistem yang andal. Dewasa ini telah
tersedia software atau program yang dirancang khusus untuk perhitungan, sehingga
dapat mempermudah dalam perhitungan peramalan beban tersebut. Penggunaan
software ini tidak hanya demi kepastian, tetapi juga untuk meningkatkan ketelitiandalam perhitungan.
Peramalan kebutuhan energi listrik telah banyak dilakukan pada beberapa
waktu yang lalu, salah satunya adalah peramalan beban listrik menggunakan jaringan
saraf tiruan metode kohonen oleh Galang Jiwo Syeto, Arna Fariza, S.kom, M.kom,
2
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 3/16
Setiawardhana, S.T. Dalam tugas akhir ini, sebelum masuk peramalan beban listrik
menggunakan jaringan saraf tiruan metode kohonen, digunakan terlebih dahulu
metode backpropagation dan counterpropagation untuk menghitung peramalan mean
dan standar deviasi. Kedua nilai peramalan mean dan standar deviasi selanjutnya
akan digunakan sebagai parameter pembentuk jaringan kohonen.
Dalam Tugas Akhir peramalan beban menggunakan metode Backpropagation
ini penulis hanya menggunakan metode Backpropagation dan tidak
membandingkannya dengan metode yang lain.
1.2 Tujuan khusus
Adapun tujuan khusus yang ingin dicapai dalam Tugas Akhir ini adalah untuk
mengetahui kebutuhan energi listrik jaringan distribusi kota Banda Aceh dimasa yang
akan datang dengan menggunakan software SPSS 19 sebagai program pendukung
melalui metode Backpropagation.
1.3 Urgensi (keutamaan) penelitian
Dengan adanya Tugas Akhir ini diharapkan dapat menjadi referensi kepada
pihak PT. PLN cabang Banda Aceh sebagai unit pelayanan kebutuhan tenaga listrik
di kota Banda Aceh untuk pengembangan jaringan listrik dimasa yang akan datang
dan energi listrik yang disalurkan dapat dimanfaatkan secara efisien.
3
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 4/16
BAB II
STUDI PUSTAKA
2.1 Pendahuluan
Pada dasarnya peramalan merupakan suatu dugaan atau prakiraan mengenai
terjadinya suatu kejadian atau peristiwa dimasa yang akan datang. Peramalan
merupaka langkah awal dari sebuah perencanaan.
Dalam perencanaan disuatu instansi baik itu pemerintah maupun swasta,
peramalan merupakan kebutuhan yang sangat mendasar. Dimana baik maupun
buruknya ramalan dapat mempengaruhi seluruh bagian instansi, karena waktutenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun.
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan
efisien.
Kegunaan dari suatu peramalan dapat dilihat pada saat pengambilan
keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas
pertimbangan apa yang terjadi saat keputusan tersebut dilakukan. Apabila keputusan
yang diambil kurang tepat sebaiknya keputusan tersebut tidak dilaksanakan.
Pengambilan keputusan merupakan masalah yang selalu dihadapi maka peramalan
juga merupakan masalah yang selalu dihadapi karena peramalan berkaitan erat
dengan pengambilan suatu keputusan.
Baik tidaknya suatu peramalan yang disusun, ditentukan oleh metode,
informasi maupun data yang digunakan atau pun ketepatan ramalan yang dibuat.
Apabila data yang digunakan tidak dapat meyakinkan maka hasil peramalan yang
disusun juga akan sukar dipercaya ketepatannya. Oleh karena itu, ketepatan dari
ramalan tersebut merupakan hal yang sangat penting. Walaupun demikian perlu
disadari bahwa suatu ramalan adalah tetap ramalan, dimana selalu ada unsur
kesalahannya. Sehingga yang penting diperhatikan adalah usaha untuk memperkecil
kesalahan tersebut.
4
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 5/16
Terdapat dua hal dalam peramalan di bidang tenaga listrik, yaitu kebutuhan
energi listrik (watt/jam) dan beban tenaga listrik (watt). Keduanya sering disebut
dengan istilah Demand and Load Forecasting. Hasil peramalan ini nantinya akan
dipergunakan untuk rencana pemenuhan kebutuhan maupun pengembangan
penyediaan tenaga listrik (Daman Suswanto, 2010).
Secara garis besar terdapat 3 tahap dalam pembuatan peramalan kebutuhan
tenaga listrik, yaitu :
- Pengumpulan dan penyiapan data.
- Pengolahan dan analisa data.
- Penentuan metode dan pembuatan model.
Prakiraan kebutuhan energi listrik dapat dikelompokkan menurut jangka
waktunya menjadi tiga kelompok, yaitu :
a. Prakiraan jangka panjang
Prakiraan jangka panjang adalah prakiraan untuk jangka waktu diatas satu
tahun. Dalam prakiraan jangka panjang masalah-maslah makro ekonomi yang
merupakan masalah ekstern perusahaan listrik merupakan faktor utama yang
menentukan arah prakiraan kebutuhan energi. Faktor makro tersebut diatas misalnya
adalah Pendapatan Domestik Regional Bruto (PDRB).
b. Prakiraan jangkah menengah
Prakiraan jangka menengah adalah prakiraan untuk jangka waktu dari satu
bulan sampai dengan satu tahun. Dalam prakiraan beban jangka menengah faktor-
faktor manajerial perusahaan merupakan faktor utama yang menentukan. Masalah-
masalah manajerial misalnya kemampuan teknis memperluas jaringan distribusi,kemmapuan teknis menyelesaikan proyek pembangkit listrik baru serta juga
kemampuan teknis menyelesaikan proyek saluran transmisi.
5
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 6/16
c. Prakiraan jangka pendek
Prakiraan jangka pendek adalah prakiraan untuk jangka waktu beberapa jam
sampai satu minggu (168 jam). Dalam prakiraan jangka pendek terdapat batas atas
untuk beban maksimum dan batas bawah untuk beban minimum yang ditentukan oleh
prakiraan beban jangka menengah.
Pemilihan metode yang harus digunakan / dipilih sangat tergantung dari
beberapa hal antara lain :
• Tujuan prakiraan,
• Subyektifitas yang membuat prakiraan, kemudahan metodenya serta
kemudahan memperoleh data pendukungnya (Daman Suswanto, 2010).
Secara umum proses peramalan dapat dibagi menjadi 4 bagian (Galang Jiwo
Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T, 2010), yaitu:
1. Perhitungan Mean (μt) dan standar deviasi (st) per hari dan prediksi mean dan
standar deviasi hari berikutnya.
24,1,24
24
1
,
==
∑= i
yi
it
t µ ……………………………………………………………..
(1)
24
),( 224
1
t
i
t
i yt
S
µ −
=
∑=
……………………………………………………………(2)
Dimana nilai i adalah data jam dalam satu hari (24 jam), nilai t adalah data hari
dan y adalah data beban listrik.
2. Perhitungan profil normal per hari (nyt,i).
nyt,i =t
t
S i yt µ −
, ………………………………………………………………......
(3)
3. Klasifikasi mean dan standar deviasi.
4. Perhitungan prediksi 24 jam ke depan (y’ t,i).
6
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 7/16
ŷ = nyt,i . St + µt, i = 1,24………………………………………………………....(4)
2.2 Jaringan Syaraf Tiruan
Neural Network atau Jaringan Syaraf Tiruan adalah sistem pemroses
informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Jaringan
syaraf tiruan ditentukan oleh 3 hal:
a. Pola hubungan antar neuron (arsitektur jaringan).
b. Metode untuk menentukan bobot penghubung (disebut metode
trainning/learning/algoritma).
c. Fungsi aktivasi.
Beberapa manfaat dari jaringan syaraf tiruan adalah sebagai berikut:
a. Pengenalan Pola, Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal
angka, huruf, angka, suara, atau tanda tangan) yang sudah sedikit berubah.
b. Signal Processing, Jaringan syaraf tiruan dapat dipakai untuk menekan noise dalam
saluran telepon.
c. Peramalan, Jaringan syaraf tiruan dapat dipakai untuk meramalkan pola kejadian
dimasa yang akan datang dengan pola kejadian di masa lampau.
Beberapa aplikasi yang sudah ditemukan dalam Jaringan Syaraf Tiruan untuk
bidang –bidang tertentu antara lain:
a. Klasifikasi : ADALINE, LVQ, Backpropagation, SOM dan lain-lain.
b. Pengenalan Pola : Adaptive Resonance Theory, LVQ, Backpropagation,
Neocognition.
c. Peramalan : ADALINE, MADALINE, Backpropagation, Radial Basis dan lain-
lain.
d. Optimasi : ADALINE, Hopfield, Boltzman, Backpropagation dan lain-lain (Farid
Ma’ruf.dkk, 2010).
2.3 Backpropagation
7
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 8/16
Algoritma backpropagation untuk neural network umumnya diterapkan pada
perceptron berlapis banyak (multilayer perceptrons). Perceptron paling tidak
mempunyai bagian input , bagian output dan beberapa lapis yang berada diantara
input dan output . Lapis ditengah ini, yang juga dikenal dengan lapis tersembunyi
(hidden layers)boleh satu, dua, tiga dst. Dalam praktek, banyaknya hidden layer
paling banyak adalah tiga lapis. Dengan tiga lapis ini hampir semua permasalahan
dalam dunia industri telah bisa diselesaikan. Output lapis terakhir dari hidden layer
langsung dipakai sebagai output dari neural network . Untuk penerapan peramalan,
banyaknya lapis yang diperlukan cukup dua lapis. Hanya dengan dua layer ,
perceptron neural network hampir dapat mengepaskan semua bentuk kurva data
runtun waktu yang ada. Banyaknya neuron yang diperlukan bisa divariasi. Misalnya,untuk menyesuaikan terhadap bentuk kurva yang komplek, maka banyak neuron bisa
dibuat banyak. Semakin banyak neuron yang dipakai, neural network akan semakin
bias mendekati kuva yang rumit sekalipun. Namun semakin banyak neuron yang
dipakai akan semakin banyak pula parameter yang harus diset dengan demikian
perhitungan menjadi semakin lama.
Untuk penerapan peramalan, neural network diinginkan untuk dapat
menghitung atau menghasilkan satu angka output terhadap satu angka input , seperti
memplot kurva dua dimensi. Bentuk perangkat data yang digunakan untuk melatih
neural network juga berupa pasangan data angka berupa angka input dan angka
target. Oleh karena itu neural network untuk peramalan ini mempunyai satu input dan
satu output saja (T. Iwan B. Pratama, 1999).
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi
beberapa syarat yaitu: kontinu, terdifferensial dengan mudah dan merupakan fungsi
yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga
sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).
f (x) = x
e−
+1
1dengan turunan f’(x) = f(x) (1- f(x))………………………………...
(5)
Pelatihan backpropagation meliputi 3 fase, yaitu sebagai berikut :
8
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 9/16
1. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar
masukan hingga layar keluaran menggunakan menggunakan fungsi aktivasi yang
ditentukan.
2. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dan target yang
diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan
mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar
keluaran.
3. Fase yang ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang
terjadi.
Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.
Umumnya kondisi penghentian yang dipakai adalah jumlah iterasi atau toleransikesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi
jumlah maksimum yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil
dari batas toleransi yang diijinkan (Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom,
Setiawardhana, S.T , 2010).
Gambar 1 dibawah ini menunjukkan arsitektur dari backpropagation dengan n
buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p
unit (ditambah sebuah bias), serta m buah unit keluaran.
9
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 10/16
Gambar 1 : Arsitektur Backpropagation ( Dinar Atika Sari, 2010).
Variable v ji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi z j. variable v j0 merupakan bobot garis yang menghubungkan bias di unit
masukan ke unit layar tersembunyi z j. Variable wkj merupakan bobot dari unit layar
tersembunyi z j ke unit keluaran yk . Variable wko merupakan bobot dari bias di layar
tersembunyi ke unit keluaran yk .
2.4 Peramalan beban listrik menggunakan metode backpropagation
Peramalan adalah salah satu bidang yang paling bagus dalam mengaplikasikan
metode backpropagation. Secara umum, masalah peramalan dapat dinyatakan dengan
sejumlah data runtun waktu (time series) x1, x2,..., xn. Masalahnya adalah
memperkirakan berapa harga xn+1 berdasarkan x1, x2,..., xn. Jumlah data dalam satu
periode (misalnya satu tahun) pada suatu kasus dipakai sebagai jumlah masukan
dalam backpropagation. Sebagai targetnya diambil data bulanan pertama setelah
periode berakhir.
Langkah-langkah membangun struktur jaringan untuk peramalan sebagai berikut:
1. Transformasi Data
Dilakukan transformasi data agar kestabilan taburan data dicapai dan juga untuk
menyesuaikan nilai data dengan range fungsi aktivasi yang digunakan dalam
jaringan. Jika ingin menggunakan fungsi aktivasi sigmoid (biner), data harus
ditransformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah [0.1].
Data bisa ditransformasikan ke interval [0.1]. Tapi akan lebih baik jikan
ditransformasikan keinterval yang lebih kecil, misalnya pada interval [0.1,0.9],
karena mengingat fungsi sigmoid nilainya tidak pernah mencapai 0 ataupun 1.
Untuk mentransformasikan data ke interval [0.1,0.9] dilakukan dengan
transformasi linier sebagai berikut :
Transformasi Linier pada selang [a,b]
10
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 11/16
minminmax ))((
' xab
a x x x x +
−
−−
= ……………………………………………………
(6)
dengan :
' x = nilai data setelah transformasi linier.
x = nilai data aktual.
xmin = nilai minimum data aktual keseluruhan.
xmax = nilai maksimum data aktual keeluruhan.
Dengan transformasi ini, maka data terkecil akan menjadi 0,1 dan data terbesar
akan menjadi 0,9.
2. Pembagian Data
Pembagian data dilakukan dengan membagi data penelitian menjadi data pelatihan
dan pengujian. Komposisi data pelatihan dan pengujian bias dilakukan dengan
trial and error , namun komposisi data yang sering digunakan adalah sebagai
berikut :
a. 90% untuk data pelatihan dan 10% untuk data pengujian.
b. 80% untuk data pelatihan dan 20% untuk data pengujian.
c. 70% untuk data pelatihan dan 30% untuk data pengujian.
d. Dan seterusnya.
Proses pembagian data ini sangat penting, agar jaringan mendapat data pelatihan
yang secukupnya. Jika data yang dibagi kurang dalam proses pelatihan maka akan
menyebabkan jaringan mungkin tidak dapat mempelajari taburan data dengan
baik. Sebaliknya, jika data yang dibagi terlalu banyak untuk proses pelatihan maka
akan melambatkan poses pemusatan (konvergensi). Masalah overtraining (data
pelatihan yang berlebihan) akan memyebabkan jaringan cenderung untuk menghafal data yang dimasukan daripada mengeneralisasi.
3. Perancang Arsitektur Jaringan Yang Optimum
11
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 12/16
Menentuan jumlah simpul masukan, simpul lapisan tersembunyi, simpul lapisan
tersembunyi berikutnya dan simpul keluaran yang akan digunakan dalam jaringan.
Penentuan ini dilakukan dengan trial and error .
4. Pemilihan Koefisien Pemahaman dan Momentum
Dalam hal ini pemilihan koefisien pemahaman dan momentum mempunyai
peranan yang penting untuk struktur jaringan yang akan dibangun. Dalam
membangun jaringan yang akan digunakan dalam peramalan, hasil keputusan yang
kurang memuaskan dapat diperbaiki dengan penggunaan koefisien pemahaman
dan momentum secara trial and error untuk mendapatkan nilai bobot yang paling
optimum agar MAPE dan MSE jaringan dapat diperbaiki.
5. Memilih dan Menggunakan Arsitektur Jaringan yang Optimum.
Tingkat keakuratan ramalannya akan dinilai setelah jaringan dibangun. Jaringan
yang optimum dinilai dengan melihat nilai MSE (Mean Square Error ) terkecil.
MSE = ∑∑==
−=n
t
t t
n
i
i y yn
en 1
2
1
2 )'(11
……………………………………………….
(7)
Dengan :
n = bilangan ramalan.
yt = nilai aktual pada waktu t.
y’t = nilai ramalan pada waktu t.
6. Pemilihan jaringan optimum dan penggunaannya untuk peramalan.
Jaringan dengan nilai MSE terkecil dipilih sebagai jaringan yang optimum untuk
digunakan dalam peramalan.
12
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 13/16
BAB III
METODE PENELITIAN
3.1 Metode Penelitian
Metode penelitian ini dilaksanakan dengan tahapan sebagai berikut:
1. Studi literatur, yaitu dengan membaca teori-teori yang berkaitan dengan
peramalan menggunakan metode backpropagation.
2. Pengumpulan data pendukung untuk peramalan.
3. Menganalisa sistem untuk dapat dimodelkan dengan software.
4. Menganalisa data dan membahas hasil yang telah didapatkan.
5. Penulisan laporan tugas akhir sebagai dokumentasi hasil.
13
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 14/16
Langkah-langkah penelitian dalam Tugas akhir ini dapat dilihat pada
flowchart dibawah ini :
14
Hitung Rata-rata,
pers. 1 dan 2 I n p u t T i d a k S e s u a i
Mulai
Peramalan BebanListrik
Simulasi
Jaringan
Input Data
Pengujian
Data pengujian
sesuai data pelatihan?
Ya
Tidak
Kurva beban
hasil
peramalan
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 15/16
Gambar 3.1 : Flowchart peramalan kebutuhan listrik dengan menggunakan metode
Backpropagation.
JADWAL PELAKSANAAN
Jadwal perencanaan penyelesaian tugas akhir ditunjukkan pada tabel 1
dibawah ini.
Table 1 : Jadwal pelaksanaan Tugas Akhir
No KegiatanBulan
1 2 3 4 5 6
1 Persiapan
penelitian
2 Literatur
3 Perancangan
4 Analisa data
5 Pembuatan
laporan
DAFTAR PUSTAKA
[1] Atika Sari, Dinar, 2010 “Peramalan kebutuhan beban jangka pendek
menggunakan jaringan syaraf tiruan backpropagation”. Jurusan Teknik Elektro
Fakultas Teknik Universitas Diponegoro.
[2] B. Pratama, T. Iwan, 1999 “metode peramalan memakai jaringan saraf buatan
dengan cara backpropagation, vol-III”. Teknologi industry - ITS. Surabaya.
[3] Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T, 2010
“Peramalan beban listrik menggunakan jaringan saraf tiruan metode kohonen”.
Program DIV Jurusan Teknik Informatika Politeknik Elektronika NegeriSurabaya-Institut Teknologi Sepuluh Nopember.
15
Selesai
5/10/2018 Proposal Ta - slidepdf.com
http://slidepdf.com/reader/full/proposal-ta-559e04181364b 16/16
[4] Kelompok II, 2010 “Tugas mata kuliah: Neural network” Program magister Jurusan statistika (komputasi statistik) Fakultas matematika dan ilmu
pengetahuan alam (fmipa) Institut Teknologi Sepuluh November Surabaya,
Surabaya.
[5] Kelompok III, 2010“Aplikasi jaringan saraf tiruan Dalam peramalan danklasifikasi” Program Magister Statistika – Konsentrasi Komputasi Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh
Nopember Surabaya, Surabaya.
[6] Suswanto, daman, 2010 “Analisis peramalan beban dan kebutuhan energi listrik”.
Erlangga. Jakarta.
16