ABSTRAK Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
COVER Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 1 Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 2 Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 3 Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 5 Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
DAFTAR Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
2023 TA TF ADZRA QANITA 13319066 LAMPIRAN.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 4 Adzra Qanita
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Penggunaan mikrogrid (MG) cerdas sampai saat ini masih menghadapi beberapa
tantangan, seperti degradasi kinerja yang disebabkan oleh kondisi lingkungan yang
tidak stabil atau kesalahan dalam operasi sistem. Penerapan Micro Grid Digital
Twin (MGDT) dalam sistem MG cerdas memungkinkan untuk menganalisis dan
mengoptimalkan performa MG dengan memanfaatkan data yang dihasilkan dari
MGDT pada platform digital twin (DT). Dalam konteks MG cerdas, kemampuan
model digital dalam memprediksi kinerja MG, terutama dalam pemodelan beban
listrik, menjadi krusial. Pola konsumsi energi listrik pada MG cerdas cenderung
bervariatif sehingga mengakibatkan model digital mengalami kesulitan dalam
mencerminkan kondisi aktual dari beban listrik yang ada. Prediksi yang akurat
dapat membantu dalam mengidentifikasi pola permintaan listrik, tren konsumsi,
dan perubahan beban yang signifikan sehingga pengelolaan sumber daya pada MG
lebih efisien.
Pada penelitian ini, dilakukan pengembangan model digital untuk prediksi
konsumsi energi listrik pada sistem MGcerdas di Laboratorium Manajemen Energi,
Teknik Fisika, Institut Teknologi Bandung. Alur pengembangan model digital
menggunakan kerangka kerja Cross Industry Standard for Data Mining (CRISPDM)
yang melibatkan data historis dan pembelajaran mendalam. Pemodelan
dilakukan dengan beberapa skenario data latih yang mempertimbangkan pola
konsumsi energi listrik. Hasil evaluasi menunjukkan bahwa pemodelan dengan pola
konsumsi energi 12 bulan memiliki kinerja yang paling baik. Adapun pembelajaran
mendalam yang digunakan adalah Deep Neural Networks (DNN), Recurrent
Neural Networks (RNN), dan Long Short-Term Memory (LSTM). Hasil evaluasi di
setiap metrik evaluasi menunjukkan bahwa model RNN memiliki akurasi yang
lebih baik dibandingkan model DNN dan LSTM. Adapun nilai MAE, RMSE, dan
MAPE yang dihasilkan oleh model RNN ketika dilakukan pengujian dengan data
uji secara berturut-turut adalah 46,37 W; 68,33 W; dan 5,85%. Hasil menunjukkan
bahwa model yang dikembangkan memiliki kinerja yang lebih baik dari model
DNN existing dengan peningkatan kinerja sebesar 16,07% pada MAPE.