Kemajuan teknologi digital dan kecerdasan buatan (Artificial Intelligence) dalam beberapa tahun terakhir telah meningkatkan perhatian masyarakat terhadap penerapannya dalam berbagai aspek kehidupan, termasuk di sektor energi. Salah satu tantangan utama dalam pengelolaan energi listrik adalah memastikan kestabilan dan efisiensi distribusi energi, terutama ketika permintaan listrik terus meningkat secara dinamis. Dinamika perkembangan teknologi tersebut, sistem monitoring dan prediksi berbasis Internet of Things (IoT) serta kecerdasan buatan (AI) mulai diadopsi untuk membantu dalam pengambilan keputusan yang lebih cepat dan tepat dalam pengelolaan energi. Teknologi ini memungkinkan pengumpulan data real-time dari sistem kelistrikan dan menganalisisnya untuk mengidentifikasi pola penggunaan listrik, mendeteksi potensi gangguan, serta memprediksi kebutuhan energi di masa depan.
Pemanfaatan Artificial Neural Network (ANN) menjadi salah satu metode yang menjanjikan. ANN merupakan bagian dari kecerdasan buatan yakni Machine Learning atau Pembelajaran Mesin yang meniru cara kerja otak manusia dalam mengenali pola dan membuat prediksi berdasarkan data sebelumnya. ANN dapat digunakan dalam peramalan daya listrik (power forecasting), yang merupakan proses penting untuk memperkirakan jumlah energi listrik yang dibutuhkan pada waktu tertentu. Prediksi ini sangat penting untuk efisiensi operasional pembangkit listrik dan sistem distribusi tenaga.
Pada penelitian ini, dilakukan pengembangan sistem peramalan daya listrik menggunakan model ANN multi-output untuk memprediksi parameter daya aktif (P), daya reaktif (Q), dan daya semu (S) pada sistem listrik 3 fasa. Sistem ini didukung oleh sensor PZEM004T, mikrokontroler ESP32, RTC DS3231, Modul Memory Card, dan platform Firebase sebagai media penyimpanan data secara real-time. Data dikirim setiap 1 menit, kemudian dilakukan feature engineering (lag time series) dan proses normalisasi sebelum digunakan untuk pelatihan model ANN dengan Algoritma Backpropagation. Evaluasi model dilakukan dengan menggunakan metrik Mean Absolute Percentage Error (MAPE) dan Root Mean Square Error (RMSE) untuk memastikan tingkat akurasi peramalan.
[embeddoc url=”https://tre.sv.ugm.ac.id/wp-content/uploads/sites/1381/2025/05/Poster-PA-TRE21-Katon-Prasetyo.pdf” download=”all”]
[embedyt] https://www.youtube.com/watch?v=XNaSMt6ofBU[/embedyt]
Oleh: Katon Prasetyo [21/477988/SV/19229]
Pembimbing: Ir. Lukman Subekti, M.T., IPM