ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DENGAN JARINGAN SYARAF TIRUAN BACKPROPAGATION PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI INDONESIA SAMPAI TAHUN 2022 Nahar Nurkholiq *), Tejo Sukmadi, and Agung Nugroho Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia *)
E-mail:
[email protected]
Abstrak Pada penelitian ini, untuk optimalisasi penyediaan energi listrik di Indonesia, diperlukan suatu perkiraan / peramalan kebutuhan energi listrik. Metoda peramalan yang digunakan adalah logika fuzzy dan jaringan saraf tiruan backpropagation dengan dua lapisan tersembunyi dan satu lapisan output. Peramalan yang dilakukan bersifat jangka panjang, yaitu sampai tahun 2022. Peramalan / perkiraan kebutuhan energi listrik jangka panjang umumnya mengacu pada statistik masa lalu dan atas dasar analisis karakteristik konsumsi energi yang lalu. Karakteristik tersebut biasanya dipengaruhi oleh beberapa faktor, seperti jumlah penduduk, jumlah pelanggan listrik (rumah tangga, industri, bisnis, sosial, gedung kantor pemerintah, penerangan jalan umum), rasio elektrifikasi, pertumbuhan ekonomi dan lain sebagainya. Sehingga, metoda logika fuzzy ini menggunakan data historis / aktual yang diakumulasikan dalam beberapa periode waktu, yaitu dari tahun 2004 sampai 2012. Hasil peramalan dengan menggunakan logika fuzzy dan menunjukkan bahwa kebutuhan energi listrik di Indonesia pada tahun 2022 sebesar 215.203 GWh. Nilai ini tidak jauh berbeda dengan peramalan yang dilakukan oleh jaringan saraf tiruan backpropagation yaitu sebesar 242.120 GWh. Nilai kesalahan (error) antara hasil peramalan logika fuzzy dengan jaringan saraf tiruan backpropagation pada tahun 2022 masing- masing adalah 8,2413% dan 2,8027%. Kata kunci : logika fuzzy, jaringan saraf tiruan back propagation, peramalan kebutuhan energi listrik, , data historis / aktual,
Abstract In this research to optimize the energy supply of electricity in Indonesia required an estimation / forecasting of electric energy needs., forecasting methods used are fuzzy logic and Backpropagation neural network with two hidden layers and one output layer. Forecasting is done long term, until 2022. Forecast / estimate the long-term electric energy demand generally refers to the statistics of the past and on the basis of analysis of energy consumption characteristics ago. Such characteristics are usually influenced by several factors, such as population, number of electricity customers (home, industry, business, social, goverment office, public lighting), electrification ratio, economic growth and the others. Thus, this fuzzy logic method and Backpropagation neural network uses historical data / actual accumulated in several time periods, namely from 2004 to 2012. The results of forecasting using fuzzy logic and Backpropagation neural network shows that the electrical energy needs in Indonesia in 2022 amounted to 215.203 GWh. This value is not much different from the prediction made by Backpropagation neural network, which amounted to 242. 120 GWh. Error value between the results of forecasting with fuzzy logic to Backpropagation neural network in 2022 was 8,2413% and 2,8027% . Key words : fuzzy logic, backpropagation neural network ,electric energy demand forecasting, historical data / actual,
1.
Pendahuluan
Pertumbuhan permintaan tenaga listrik di Indonesia dalam dua tahun terakhir mencapai angka rata rata pertumbuhan sekitar 8,7% per tahun. Indikator penjualan energi listrik
yang merefleksikan permintaan tenaga listrik masyarakat meningkat dari 100.097,47 GWh pada tahun 2004 menjadi 173.990,79 GWh di tahun 2012. Jumlah energi listrik terjual pada tahun 2012 sebesar 173.990,75 GWh, meningkat 10,12% dibandingkan tahun sebelumnya.
TRANSIENT, VOL.3, NO. 2, JUNI 2014, ISSN: 2302-9927, 246
Kelompok pelanggan Industri mengkonsumsi 60.175,96 GWh (34,59%), Rumah Tangga 72.132,54 GWh (41,46%), Bisnis 30.988,64 GWh (17,81%), dan Lainnya (sosial, gedung pemerintah dan penerangan jalan umum) 10.693,61 GWh (6,15%). Penjualan energi listrik untuk semua jenis kelompok pelanggan yaitu Industri, Rumah Tangga, Bisnis dan lainnya mengalami peningkatan masing-masing sebesar 9,96%, 10,78%, 9,47% dan 8,59%. Jumlah pelanggan pada akhir tahun 2012 sebesar 49.795.249 pelanggan meningkat 8,50% dari akhir tahun 2011. Harga jual listrik rata-rata per kWh selama tahun
2012 sebesar Rp 728,32 lebih tinggi dari tahun sebelumnya sebesar Rp 714,24. Untuk memenuhi permintaan terhadap tenaga listrik tersebut, saat ini PT. PLN Persero merencanakan akan membangun beberapa pembangkit listrik dengan semakin meningkatnya permintaan energi listrik di Indonesia dengan alasan sebagai berikut: 1. Rasio Elektrifikasi yang masih 75 %,. 2. Konsumsi energi listrik per kapita yang masih Rendah jika dibanding negara negara lain.
2.
Metode
2.1.
Metode Logika Fuzzy dan Jaringan Saraf Tiruan Backpropagation
Gambar 1 Diagram alir metode logika fuzzy dan jaringan saraf tiruan backpropagation
3.
Hasil dan Analisa
3.1
Logika Fuzzy
3.1.1 Pengumpulan Data Historis / Aktual Dengan menggunakan data historisis atau aktual yang dikumpulkan mulai dari tahun 2004 sampai 2012, akan diramalkan kebutuhan energi listrik untuk 10 tahun ke depan. Berikut ini data yang didapatkan : Tabel 1 Data aktual dari tahun 2004 sampai 2012 Jumlah Pelanggan ( pelanggan ) Tahun 2004 2005 2006 2007 2008 2009 2010 2011 2012
Rumah Tangga
Industri
Bisnis
Sosial
Gd.Kantor Pemerintah
31.095.970 32.174.922 33.118.262 34.684.540 36.025.071 37.099.830 39.324.520 42.577.542 46.219.780
46.520 46.475 46.366 46.818 47.536 47.900 48.675 50.365 52.661
1.382.416 1.455.797 1.655.325 1.610.574 1.716.046 1.879.429 1.912.150 2.049.361 2.218.342
686.851 716.194 748.558 790.781 838.129 861.067 909.312 963.766 1.032.830
87.187 89.533 92.395 97.886 103.821 114.971 113.676 120.246 128.252
Penerang an Jalan Umum 67.502 76.432 90.318 103.130 113.483 114.488 127.054 133.865 143.384
Populasi (103 jiwa)
Rasio Elektrifi kasi (%)
216.381 219.204 222.051 224.904 227.779 230.632 233.477 236.331 239.174
57 62 63 64 65,1 65,8 67,2 72,9 75,8
Pertum buhan ekono mi 4,76 5,8 5,51 6,31 6,03 4,57 6,1 6,5 6,23
Konsums i Energi (GWh) 100.097 107.032 112.610 121.247 129.019 134.582 147.297 157.993 173.990
TRANSIENT, VOL.3, NO. 2, JUNI 2014, ISSN: 2302-9927, 247
3.1.2 Pembentukan Fungsi (Membership Function)
Pelanggan PLN jenis rumah tangga, industri, bisnis, sosial, gedung kantor pemerintah, penerangan jalan umum, serta jumlah penduduk / populasi, rasio elektrifikasi, pertumbuhan ekonomi dijadikan sebagai input peramalan, sedangkan konsumsi energi dijadikan sebagai output. FIS yang digunakan adalah tipe Mamdani. Masing-masing variabel tersebut memiliki himpunan ariabel bahasanya (fuzzy set) yang direpresentasikan dalam bentuk fungsi keanggotaan (membership function) segitiga. Tabel 2 Variabel himpunan fuzzy Fungsi
Input
Variabel
Rumah Tangga
Input
Industri
Input
Bisnis
Input
Sosial
Input
Gedung kantor pemerintah
Input
Penerangan jalan umun
Input
Jumlah penduduk / populasi
Input
Rasio Elektrifikasi
Input
Pertumbuha n ekonomi
Output
Konsumsi energi listrik
Himpunan Fuzzy A1 A2 A3 A4 A5 A6 A7 B1 B2 B3 B4 B5 C1 C2 C3 C4 C5 C6 D1 D2 D3 D4 D5 D6 E1 E2 E3 E4 E5 F1 F2 F3 F4 F5 G1 G2 G3 G4 G5 G6 G7 H1 H2 H3 H4 I1 I2 I3 I4 J1 J2
Semesta Pembicaraan
45.35 - 60.12
50.07 - 56.36
21.79 - 30.65
104.6 - 142.3
130.5 - 177.9
153.5 - 237.6
241,9 – 267,7
75.69 - 93.4
5.941 - 6.454
J3 J4 J5 J6 J7
Keanggotaan
Domain 45.35 - 49.04 47.2 - 50.89 49.03 - 52.74 50.9 - 54.59 52.74 - 56.43 54.59 - 58.28 56.43 - 60.12 50.09 - 52.17 51.12 - 53.22 52.18 - 54.26 53.22 - 55.3 54.26 - 56.36 21.8 - 24.32 23.05 - 25.59 24.33 - 26.85 25.58 - 28.12 26.86 - 29.38 28.11 - 30.65 104.6 - 115.4 109.9 - 120.7 115.3 - 126.1 120.8 - 131.6 126.1 - 136.9 131.5 - 142.3 130.5 - 146.3 138.4 - 154.2 146.2 - 162.2 154.3 - 170.1 161.9 - 177.9 153.5 - 181.5 167.5 - 195.5 50.09 - 52.17 195.6 - 223.6 209.5 - 237.7 241.9 - 248.8 245.3 - 251.8 248.6 - 255 251.8 - 258.3 254.8 - 261.3 257.7 - 264.5 261.3 - 267.7 75.7 - 82.78 79.23 - 86.31 82.77 - 89.85 86.31 - 93.39 5.94 - 6.146 6.043 - 6.249 6.146 - 6.352 6.249 - 6.455 175.4 - 195.4 185.4 - 205.2
175.4 - 255
195.1 - 215.1 205.2 - 225.2 215.3 - 235.1 225.1 - 245.1 235.2 - 255
3.1.3 Pembentukan Aturan atau Rule Dengan memperhatikan hubungan antara berbagai input terhadap output, maka dapat dibuat aturan-aturan (rule) untuk peramalan tahun-tahun berikutnya. Sehingga didapatkanlah aturan sebanyak 211 aturan . Berikut ini hasil peramalan konsumsi energi listrik yang dihasilkan oleh logika fuzzy yang dibandingkan terhadap peramalan yang dilakukan regresi linier pada Ms.Excel : Tabel 3 Perbandingan peramalan konsumsi energi listrik fungsi regresi linier Ms.Excel dengan logika fuzzy
Tahun
Peramalan regresi linier (GWh)
Logika Fuzzy (GWh)
Error (%)
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
175.407 184.253 193.100 201.947 210.793 219.640 228.487 237.334 246.180 255.027
215.203 215.216 213.544 214.896 220.185 215.203 235.101 238.505 245.093 215.203
22,6880 16,8041 10,5873 6,4122 4,4551 2,0201 2,8949 0,4938 0,4415 15,6155
Dapat dilihat bahwa hasil peramalan antara regresi linier pada Ms.excel dengan logika fuzzy tidak jauh berbeda. Nilai error rata-rata yang didapat sebesar 8,2413%. Perlu diketahui, bahwa data peramalan konsumsi energi listrik yang dihasilkan oleh regresi linier Ms.excel hanya digunakan sebagai data pembanding, karena nilai konsumsi energi listrik untuk 10 tahun ke depan belum dapat dipastikan.
Gambar 2 Grafik perbandingan peramalan regresi linier dengan logika fuzzy
TRANSIENT, VOL.3, NO. 2, JUNI 2014, ISSN: 2302-9927, 248
3.2 Jaringan Saraf Tiruan Backpropagation 3.2.1 Penentuan Pola Input dan Target Output Penentuan pola input pelatihan JST untuk peramalan konsumsi energi listrik didasarkan pada teori bahwa peningkatan konsumsi energi listrik dipengaruhi oleh perkembangan penduduk, standar kehidupan dan perkembangan ekonomi. Faktor-faktor yang diperkirakan mempengaruhi perkembangan beban listrik adalah: 1. Pelanggan PLN jenis rumah tangga 2. Pelanggan PLN jenis industri 3. Pelanggan PLN jenis bisnis 4. Pelanggan PLN jenis sosial 5. Pelanggan PLN jenis gedung kantor pemerintah 6. Pelanggan PLN jenis penerangan jalan umun 7. jumlah penduduk / populasi 8. Rasio elektrifikasi 9. Pertumbuhan ekonomi 3.2.2 Preprosessing atau Normalisasi Data
sehingga data diproses dengan nilai yang lebih kecil tanpa kehilangan karakteristik data. Normalisasi data input dan target output memungkinkan pelatihan JST menjadi lebih efisien. Pada penelitian ini preprosessing data dilakukan dengan mengubah rentang nilai data input menjadi rentang nilai yang lebih kecil yaitu [-1,1]. Dengan Neural Network Toolbox pada matlab, preprocessing data dilakukan menggunakan perintah berikut: [PN,minp,maxp,TN,mint,maxt] = premnmx(P,T)
P dan T adalah matriks nilai asli dari data input dan target output, matriks PN dan TN adalah data input dan target output yang telah dinormalisasi. Nilai minimum dan maksimum data input dan target output disimpan pada vektor minp, maxp, mint dan maxt. Data input dan target ouput hasil normalisasi dapat dilihat pada Tabel 4 berikut :
Sebelum data input pelatihan dilatihkan ke JST, perlu dilakukan proses preprocessing atau normalisasi data, Tabel 4 data input dan target ouput pelatihan JST yang telah dinormalisasi 2004
2005
2006
2007
Tahun 2008
2009
2010
2011
2012
Rumah Tangga
-0.8688
-1.0000
-0.8657
-0.6426
-0.4517
-0.2986
0.0182
0.4814
1.0000
2
Industri
-0.9511
-0.9654
-1.0000
-0.8564
-0.6283
-0.5126
-0.2664
0.2705
1.0000
3
Bisnis
-1.0000
-0.8244
-0.3470
-0.4541
-0.2018
0.1891
0.2674
0.5957
1.0000
4
Sosial
-1.0000
-0.8304
-0.6433
-0.3992
-0.1255
0.0071
0.2860
0.6008
1.0000
5
-1.0000
-0.8857
-0.7464
-0.4789
-0.1899
0.3532
0.2901
0.6101
1.0000
-1.0000
-0.7646
-0.3986
-0.0610
0.2119
0.2384
0.5696
0.7491
1.0000
7
Gd. Kantor Pemerintah Penerangan Jalan Umum Jumlah Penduduk
-1.0000
-0.7506
-0.5018
-0.2509
0.0010
0.2500
0.5006
0.7503
1.0000
8
Rasio Elektrifikasi
-1.0000
-0.4681
-0.3617
-0.2553
-0.1383
-0.0638
0.0851
0.6915
1.0000
9
Pertumbuhan Ekonomi
-0.8031
0.2746
-0.0259
0.8031
0.5130
-1.0000
0.5855
1.0000
-0.3161
-1.0000
-0.8123
-0.6613
-0.4177
-0.2172
-0.0666
0.2775
0.5670
1.0000
No
Data Input
1
6
10
Target Output Konsumsi Energi Listrik Total
Nilai maksimum dan minimum data input dan target output dapat dilihat pada tabel berikut : Tabel 5 Nilai minp, maxp, mint, maxt preprosessing data No 1 2 3 4 5 6 7 8 9 10
Data Input Rumah Tangga Industri Bisnis Sosial Gd. Kantor Pemerintah Penerangan Jalan Umum Jumlah Penduduk Rasio Elektrifikasi Pertumbuhan Ekonomi Target Output Konsumsi Energi Listrik Total
Minp 32.1749 46.3660 13.8242 68.6851 87.1870 67.5020 108.3920 57.0000 4.5700
maxp 46.2190 52.6610 22.1834 103.2830 128.2520 143.3840 119.6989 75.8000 6.5000
Mint
Maxt
TRANSIENT, VOL.3, NO. 2, JUNI 2014, ISSN: 2302-9927, 249
3.2.3 Pelatihan Jaringan Backpropagation
Saraf
6 7 8 9
Tiruan
Pelatihan bertujuan untuk mengenalkan pola input ke JST. JST dianggap telah mampu mengenali pola yang dilatihkan jika telah memncapai nilai MSE yang diinginkan. Nilai MSE yang dihasilkan setiap iterasi (epochs) selama pelatihan sampai diperoleh nilai MSE yang diinginkan (MSE = 1 x 106).
134,58 147,30 157,99 173,99
134,58 147,30 157,99 173,99
0,00 0,00 0,00 0,00
Selama proses pelatihan, bobot-bobot dan bias akan diubah secara terus menerus. Hal ini bertujuan agar JST dapat menyesuaikan bobot-bobot setiap lapisan sengan target output. Bobot ini akan berubah sampai mencapaii nilai MSE 1 x 10-6 . Analisa hasil pelatihan JST dapat dilakukan dengan menggunakan fungsi postgre. Fungsi ini akan membandingkan respon output jaringan secara regresi dengan target output pelatihan. Fungsi ini menghasilkan tiga parameter yaitu: m=1 b = 6.6432e-004 r=1 ketiga parameter tersebut memperlihatkan bahwa pelatihan sudah berjalan dengan baik. Dari gambar 4 berikut dapat dilihat hasil pengujian dengan fungsi postgre
Gambar 4 Hasil simulasi input data pelatihan
Dari Tabel 6 dan Gambar 4 dapat dilihat hasil simulasi input target dibandingkan dengan target output pelatihan. data target output dengan hasil simulasi memiliki nilai yang persis sama dengan selisih nilai sebesar 0, ini menjelaskan bahwa pelatihan telah berjalan dengan baik, atau JST telah mampu mengenali pola data input yang dilatihkan ke JST. 3.2.4 Hasil Peramalan Data input JST untuk masa peramalan (2013-2022) yang diperoleh dari hasil trenline kemudian disimulasikan ke JST yang telah mengalami proses pelatihan. Output dari simulasi ini merupakan peramalan konsumsi energi listrik untuk tahun 2013 sampai tahun 2022. Hasil dari peramalan konsumsi energi listrik tahun 2013 sampai tahun 2022 dengan JST dapat dilihat pada tabel berikut 7 berikut: Tabel 7 Hasil peramalan Konsumsi energi Listrik dengan JST Tahun 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Gambar 3 Hasil pengujian dengan fungsi postgre
Selain dengan fungsi postgre, jaringan yang sudah dilatih juga dapat diuji dengan cara mensimulasikan kembali data input pelatihan ke JST tanpa menggunakan data target output dengan perintah sim. Hasil pengujian dengan perintah sim dapat dilihat pada Tabel 6 berikut: Tabel 6 Hasil simulasi input data pelatihan No 1 2 3 4 5
Target output (T) 100,10 107,03 112,61 121,61 129,02
Hasil simulasi(a) 100,10 107,03 112,61 121,61 129,02
T-a 0,00 0,00 0,00 0,00 0,00
3.3
Hasil Peramalan Konsumsi energi Listrik (Gwh) 179.578 192.327 201.535 208.868 215.549 221.886 227.874 233.363 238.156 242.120
Perbandingan Metode Logika Fuzzy Dengan Jaringan Saraf Tiruan Backpropagation Pada Peramalan Konsunsi Energi Listrik Di Indonesia Sampai Tahun 2022
Pada tabel 8 berikut menunjukkan perbandingan hasil peramalan dengan JST dan permalan oleh Logika Fuzzy.
TRANSIENT, VOL.3, NO. 2, JUNI 2014, ISSN: 2302-9927, 250
Tabel 8 perbandingan peramalan dengan JST dan Logika Fuzzy
Konsumsi energi listrik (Gwh)
Peramalan dengan Logika Fuzzy Konsumsi energi listrik (Gwh)
179.578 192.327 201.535 208.868 215.549 221.886 227.874 233.363 238.156 242.120
215.203 215.216 213.544 214.896 220.185 215.203 235.101 238.505 245.093 215.203
Peramalan dengan JST Tahun
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Data Real
100.097 107.032 112.610 121.247 129.019 134.582 147.297 157.993 173.990
Dalam tabel 8 diatas juga disajikan data real berdasarkan statistik dari tahun 2004-2012 dan hasil ramalan konsumsi energi listrik di Indonesia. Dari hasil peramalan dengan JST, konsumsi energi listrik mengalami kenaikan yaitu dari 173.990 Gwh pada tahun 2012 menjadi sebesar 242.120 pada tahun 2022, terjadi peningkatan konsumsi energi listrik sebesar 68.130 Gwh. Sedangkan peramalan oleh Logika Fuzzy tahun 2012 sampai tahun 2022 adalah sebesar 41.213 Gwh. Pada grafik dibawah ini dapat dilihat perbandingan antara hasil peramalan dengan JST dengan hasil peramalan oleh Logika Fuzzy.antara hasil peramalan dengan JST dengan hasil peramalan oleh Logika Fuzzy.
Gambar 5
Grafik perbandingan hasil peramalan dengan JST dan Logika Fuzzy
Perbandingan error hasil ramalan JST dengan peramalan Logika Fuzzy dapat dilihat pada tabel berikut :
Tabel 9 Error perbandingan hasil peramalan dengan JST dan Logika Fuzzy Tahun
Peramalan dengan JST
2013 179.578 2014 192.327 2015 201.535 2016 208.868 2017 215.549 2018 221.886 2019 227.874 2020 233.363 2021 238.156 2022 242.120 Rata-rata error (%)
Error (%) 2,3779 4,3817 4,3682 3,4272 2,2561 1,0224 0,2681 1,6728 3,2597 5,0609 2,8027
Peramalan dengan Logika Fuzzy 215.203 215.216 213.544 214.896 220.185 215.203 235.101 238.505 245.093 215.203
Error (%) 22,6880 16,8041 10,5873 6,4122 4,4551 2,0201 2,8949 0,4938 0,4415 15,6155 8,2413
Dari tabel diatas dapat dilihat hasil peramalan dengan JST tidak berbeda jauh dengan peramalan oleh logika fuzzy dengan rata-rata error 2.8027% untuk JST dan 8,2413% untuk logika fuzzy, hasil permalan ini cukup baik karena perusahaan listrik akan menerima kesalahan ramalan 10% untuk peramalan konsumsi energi listrik jangka panjang.
4.
Kesimpulan
Dapat dilihat bahwa hasil peramalan antara logika fuzzy dengan jaringan saraf tiruan backpropagation tidak jauh berbeda. Nilai error rata-rata yang didapat sebesar 8,2413 % untuk logika fuzzy dan 2,8027% untuk jaringan saraf tiruan backpropagation .Berdasarkan hasil peramalan konsumsi energi listrik di Indonesia tahun 2013 sampai tahun 2022 dengan Jaringan Saraf Tiruan Backpropagation diperoleh hasil ramalan sebesar 242.120 Gwh dan logika fuzzy sebesar 215.203 Gwh untuk tahun 2022.
Referensi [1]. Arief Heru Kuncoro dan Rinaldy Dalimi. 2005. Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal Teknologi, Edisi No. 3 Tahun XIX. [2]. CH.N.Elias, G.J. Tsekouras, S.Kavatza, and G.C. Contaxis. A Midterm Forecasting Method Using Fuzzy Logic. National Technical University of Athens, Greece. [3]. E. Srinivas and Amit Jain. 2009. A Methodology for ShortTerm Load Forecasting Using Fuzzy Logic and Similarity. The National Conference on Advances in Computational Intelligence Applications in Power, India, March. [4]. Fuller, Robert. 1995. Neural Fuzzy Systems. Abo Akademi University. [5]. Hesham K. Alfares and Mohammad Nazeeruddin. 2002. Electric Load Forecasting: Literature Survey and Classification of Methods. International Journal of Systems Science, volume 33. [6]. Jong, J. S., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Andi Offset, Yogyakarta, 2005. [7]. Kuncoro, Arif Heru dan Rinaldy Dalimi, 2005 “Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Indonesia”, UI.
TRANSIENT, VOL.3, NO. 2, JUNI 2014, ISSN: 2302-9927, 251
[8]. Kusumadewi, Sri. 2002. Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Yogyakarta : Penerbit Graha Ilmu. [9]. Kyung-Bin Song. 2005. Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method. IEEE Transactions On Power System, Vol. 20, No. 1, February. [10]. Mabrur, Andik. 2011. Face Recognition Using the Method of Adjacent Pixel Intensity Difference Quantization Histogram Generation. Surabaya: Institut Teknologi Sepuluh \