Article Sidebar

Download
PDF

Main Article Content

Abstract





Penggunaan energi listrik yang meningkat menimbulkan tantangan terkait keterbatasan sumber daya alam dan dampak lingkungan, mendorong upaya global menuju efisiensi energi. Di gedung bertingkat, kurangnya sistem prediksi daya pada Sub Distribution Panel (SSDP) menghambat efisiensi dan keandalan distribusi energi listrik. Untuk mengatasi masalah ini, dikembangkan teknologi berbasis neural network yang memanfaatkan sensor PM2100 dan mikrokontroler ESP32 untuk memonitor dan memprediksi penggunaan daya listrik. Data ditampilkan dalam aplikasi Android, memungkinkan pemantauan real-time dan perencanaan yang lebih efisien. Hasil penelitian menunjukkan peningkatan pengelolaan daya, pencegahan kerusakan, dan optimasi penggunaan energi, menjadikan sistem ini model potensial bagi institusi lain dalam meningkatkan efisiensi dan keandalan distribusi energi listrik.





Keywords

efisiensi energi energi listrik neural network

Article Details

License

Copyright (c) 2024 Agus Khumaidi, Muhammad Khoirul Hasin, Anggarjuna Puncak Pujiputra, Sholahuddin Muhammad Irsyad, Noorman Rinanto, Isa Rachman, Perdinan Setia Budi Didi, Alfianto Taufiqul Malik, Nurissabiqoh Binta Bayu

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

References

  1. F. A. Prastyo, M. Ahsan, D. A. Nugraha, P. S. Informatika, and K. Lumajang, “Autoregressive Integrated Moving Average Untuk
  2. Memprediksi Kebutuhan Daya Listrik Kabupaten Lumajang,” vol. 6, no. 2, pp. 1–4, 2022.
  3. D. A. Putra and R. Mukhaiyar, Monitoring Daya Listrik Secara Real Time. Jurnal Vocational Teknik Elektronika dan Informatika: Padang,
  4. A. F. H. Sitanggang, Perancangan Alat Monitoring Arus Bocor pada Kabel 20 kV Menggunakan Filter Kalman Berbasis Internet of Things.
  5. Kampus: Jakarta, 2022.
  6. R. Sistem and F. Bencana, Algoritma Fungsi Perlatihan pada Machine Learning berbasis ANN, vol. 1, no. 10. 2021.
  7. B. Fachri, A. P. Windarto, and I. Parinduri, “Penerapan Backpropagation dan Analisis Sensitivitas pada Prediksi Indikator Terpenting
  8. Perusahaan Listrik,” J. Edukasi dan Penelit. Inform., vol. 5, no. 2, p. 202, 2019, doi: 10.26418/jp.v5i2.31650.
  9. K. T. Brilliansyah and U. T. Kartini, “Peramalan Jangka Sangat Pendek Daya Listrik PLTS On Grid Rumah Tinggal Menggunakan Metode
  10. Recurrent Neural Network Long Short Term Memory (RNN-LSTM) Berdasarkan Data Meteorologi,” J. Tek. Elektro, vol. 12, no. 1, pp. 60–
  11. , 2023, doi: 10.26740/jte.v12n1.p60-66.
  12. R. Dwisatya and M. R. Kirom, “Prediksi Beban Listrik Jangka Pendek Menggunakan Algoritma Feed Forward Back Propagation dengan
  13. Mempertimbangkan Variasi Tipe Hari,” Electrans, vol. 14, no. 1, pp. 34–40, 2016.
  14. A. H. Wijaya, “Artificial Neural Network Untuk Memprediksi Beban Listrik Dengan Menggunakan Metode Backpropagation,” J. CoreIT, vol.
  15. , no. 2, pp. 61–70, 2019.
  16. E. D. Aruna, B. Fatkhurrozi, and ..., “Peramalan Beban Listrik Kabupaten Cilacap,” ULIL ALBAB J. …, vol. 3, no. 2, pp. 385–396, 2024,
  17. [Online]. Available: https://journal-nusantara.com/index.php/JIM/article/view/2813
  18. K. E. Purwantoro, U. T. Kartini, B. Suprianto, and A. I. Agung, “Prediksi Daya Listrik Jangka Sangat Pendek Pembangkit Photovoltaic
  19. Berbasis Internet of Things Menggunakan Feed Forward Neural Network,” J. Tek. …, 2022, [Online]. Available:
  20. https://ejournal.unesa.ac.id/index.php/JTE/article/view/48876%0Ahttps://ejournal.unesa.ac.id/index.php/JTE/article/download/48876/40726