Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia

ANALISIS PERBANDINGAN METODE JARINGAN SARAF TIRUAN TANPA DAN DENGAN FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 2019 Muhammad Addin Bratawijaya *), Hermawan, and Susatyo Handoko Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia *)

E-mail: [email protected]

Abstrak Kebutuhan energi listrik di Indonesia terus meningkat dari waktu ke waktu. Dalam memenuhi permintaan terhadap kebutuhan energi listrik diperlukan pembangunan pembangkit listrik. Pada pembangunan pembangkit listrik ini dibutuhkan suatu peramalan. Hasil peramalan bisa digunakan pemerintah untuk menyiapkan langkah-langkah mengantisipasi peningkatan konsumsi energi listrik. Penelitian ini bertujuan untuk memproyeksikan besarnya konsumsi energi listrik pada tahun 2014 hingga 2019 di Indonesia dan menganalisis kebutuhan daya pada tahun 2019. Metode yang digunakan adalah jaringan saraf tiruan backpropagation dan metode hybrid antara JST backpropagation-fuzzy clustering dengan menggunakan software Matlab R2013b. Proyeksi dilakukan di Indonesia untuk masa peramalan tahun 2014 hingga 2019. Data Input dan Target yang digunakan pada peramalan adalah data historis produk domestik bruto dan data kelistrikan (jumlah pelanggan dan konsumsi energi listrik) dari tahun 2002 sampai dengan 2013. Hasil proyeksi konsumsi energi listrik di Indonesia dengan metode jaringan saraf tiruan backpropagation sebesar 272.630 GWh pada tahun 2019, mengalami kenaikan sebesar 85.089 GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,22%. Untuk hasil dengan metode jaringan saraf tiruan backpropagation-fuzzy clustering sebesar 284.663 GWh pada tahun 2019, mengalami kenaikan sebesar 97.122 GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,96%. Hasil proyeksi dari kedua metode memiliki rata-rata selisih sebesar 18.730 GWh dan 12.802 GWh terhadap RUPTL. Kata kunci : Proyeksi Kebutuhan Energi Listrik, JST, FCM

Abstract Electricity needs in Indonesia continues to increase over time. In compliance demand electrical energy needs required the construction power plants. On the construction this power plant needed forecasting. Forecasting results can be used government to prepare measures anticipation increased consumption of electrical energy. This research aims to project amount of electrical energy consumption in 2014 to 2019 in Indonesia and analyzing power requirement in 2019. Methods used is backpropagation ANN and hybrid method between Backpropagation ANN-Fuzzy Clustering by using Matlab R2013b. Projections performed in Indonesia for the forecasting period 2014 to 2019. Input and target data used in forecasting is gross domestic product historical data and electricity data (number of customers and electricity consumption) from 2002 to 2013. The projection of electrical energy consumption in Indonesia with back propagation neural network method amounted to 272 630 GWh in 2019, an increase of 85 089 GWh with average increase of 6.22% each year. For results of the method propagation neural network-fuzzy clustering amounted to 284 663 GWh in 2019, an increase of 97 122 GWh with average increase of 6.96% each year. The projection of two methods has an average difference of 18 730 GWh and 13 427 GWh against RUPTL. Key words : Projection of Electrical Energy Requirements, ANN, FCM

1.

Pendahuluan

Keberhasilan pembangunan nasional maupun daerah tidak bisa terlepas dari ketersediaan energi listrik [1]. Ketersediaan energi listrik yang memadai dan tepat sasaran akan memicu perkembangan pembangunan

daerah seperti sektor industri, komersial, pelayanan publik dan bahkan kualitas hidup masyarakat dengan semakin banyaknya warga yang menikmati energi listrik [2]. Kemudian secara langsung maupun tidak langsung hal itu akan mempengaruhi pertumbuhan ekonomi dan tingkat kesejahteraan masyarakat.

TRANSIENT, VOL.5, NO. 1, MARET 2016, ISSN: 2302-9927, 93

Dalam memenuhi permintaan terhadap kebutuhan daya tersebut dibutuhkan perancangan dan perhitungan yang cermat, terutama dalam hal peramalan seberapa besar tenaga listrik yang dibutuhkan masyarakat dan yang akan dihasilkan pembangkit [3]. Adapun tujuan dari penulisan penelitian sebagai berikut: 1. Memproyeksikan konsumsi energi listrik di Indonesia tahun 2014 hingga 2019 dengan menggunakan perangkat lunak Matlab R2013b dengan metode neuro-fuzzy (JST backpropagation-fuzzy clustering) 2. Membandingkan hasil proyeksi menggunakan Jaringan saraf tiruan backpropagation-fuzzy clustering dengan hasil proyeksi jaringan saraf tiruan backpropagation. 3. Membandingkan hasil proyeksi kebutuhan daya pembangkit dengan dokumen resmi dari pemerintah yaitu RUPTL 2015-2024

2.

Metode

2.1.

JST Backpropagation

JST adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis,seperti proses

serentak untuk menyelesaikan masalah tertentu. Cara kerja JST sama seperti cara kerja manusia, yaitu belajar melalui contoh. Jaringan saraf tiruan perambatan balik (Backpropagation Neural Network) merupakan salah satu model dari jaringan saraf tiruan umpan mundur dengan menggunakan pelatihan terbimbing yang disusun berdasar pada algoritme kesalahan perambatan balik. Pola masukan dan target diberikan sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap maju untuk mendapatkan galat keluaran yang selanjutnya galat ini digunakan dengan tahap mundur untuk memperoleh nilai bobot yang sesuai agar dapat memperkecil nilai galat sehinggga target keluaran yang dikehendaki tercapai. Pada penelitian ini memerlukan data masa lalu untuk meramalkan konsumsi energi listrik. Tabel 1, tabel 2 dan tabel 3 adalah data masa lalu tahun 2002 hingga 2013 yang dijadikan input pelatihan.

2.2. Flowchart Secara garis besar, penyusunan penelitian dengan metode jst backpropagation dapat digambarkan melalui diagram alir (flowchart) pada gambar 1.

informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja Tabel 1. Data PDB Tahun 2002 Hingga 2013 No.

PDB 2002

1

2 3 4 5 6 7

8 9

Pertanian, Pertenakan kehutanan dan Perikanan Pertambanga n dan Penggalian Industri Pengolahan Listrik, Gas dan Air Bersih Bangunan Perdagangan , hotel dan Restoran Pengangkuta n dan komunikasi keuangan, persewaan & jasa perusahaan jasa-jasa

2003

2004

2005

2006

PDB (Miliar Rupiah) Tahun 2007 2008

2009

2010

2011

2012

2013

231.613,5 240.387,3 247.163,6 253.881,7 262.402,8 271.509,3 284.619,1 295.883,8 304.777,1 315.036,8 328.279,7 339.560,8

169.932 167.603,8 160.100,5 165.222,6 168.031,7 171.278,4 172.496,3 180.200,5 187.152,5 190.143,2 193.139,2 195.853,2 419.387,8 441.754,9 469.952,4 491.561,4 514.100,3 538.084,6 557.764,4 570.102,5 597.134,9 633.781,9 670.190,6 707.481,7 9.868,2

10.349,2

10.897,6

84.469,8

89.621,8

96.334,4 103.598,4 112.233,6 121.808,9 131.009,6 140.267,8 150.022,4 159.122,9 170.884,8 182.117,9

243.266,6 256.516,6 271.142,2 76.173,1

85.458,4

11.584,1

12.521

13.517

14.994,4

293.654 312.518,7 340.437,1 363.818,2

17.136,8

18.050,2

138.982,4 145.104,9 152.906,1 160.799,3 170.705,4

181.706

20.094

21.254,8

368.463 400.474,9 437.472,9 473.152,6 501.040,6

96.896,7 109.261,5 124.808,9 142.326,7 165.905,5 192.198,8 217.980,4

131.523 140.374,4 151.123,3 161.252,2 170.074,3 183.659,3 198.799,6

18.899,7

241.303 265.383,7

291.404

209.163 221.024,2 236.146,6 253.000,4 272.141,6

193.049 205.434,2 217.842,2 232.659,1

244.807 258.198,4

TRANSIENT, VOL.5, NO. 1, MARET 2016, ISSN: 2302-9927, 94

Tabel 2. Data Jumlah Pelanggan Listrik Tahun 2002-2013 No 1 2 3 4 5 6

Tahun Jumlah Pelanggan 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 Rumah 28.903.32 29.997.55 31.095.97 32.174.92 33.118.26 34.684.54 36.025.07 37.099.83 39.324.52 42.577.54 46.219.78 50.116.12 tangga 5 4 0 2 2 0 1 0 0 2 0 7 industri 46.824 46.818 46.520 46.475 46.366 46.818 47.536 47.900 48.675 50.365 52.661 55.546 Bisnis 1.245.709 1.310.686 1.382.416 1.455.797 1655.325 1.610.574 1.716.046 1.879.429 1.912.150 2.049.361 2.218.342 2.418.431 sosial 633.114 659.034 686.851 716.194 748.558 790.781 838.129 861.067 909.312 963.766 1.032.830 1.110.450 Gd, Kantor Pemerintah 80.954 83.810 87.187 89.533 92.395 97.886 103.821 114.971 113.676 120.246 128.252 137.762 an PJU 43.993 53.514 67.502 76.432 90.318 103.130 113.483 114.488 127.054 133.865 143.384 157.892

Tabel 3. Data Konsumsi Energi Listrik Tahun 2002-2013 No 1

Data Listrik Konsumsi Energi Listrik (GWh)

2002

2003

87.088,74 90.440,95

2004

2005

2006

2007

Tahun 2008

2009

2010

2011

2012

2013

100.097,4 107.032,2 112.609,8 121.246,8 129.018,8 134.581,9 147.297,4 157.992,6 173.990,7 187.541,0 7 3 3 1 1 8 7 6 5 2

Gambar 1. Lanjutan

2.3.

Jaringan Saraf Tiruan Backpropagation-Fuzzy Clustering

Neural Fuzzy System (NFS) dirancang untuk merealisasikan proses penalaran fuzzy, dimana bobotbobot yang terhubung pada jaringan tersebut berhubungan dengan parameter-parameter penalaran fuzzy. Dengan menggunakan algoritme pembelajaran backpropagation, NFS dapat mengidentifikasi aturan-aturan fuzzy tersebut. Fuzzy Clustering memiliki kemampuan untuk mengelompokkan data sesuai derajat keanggotaannya. Jaringan saraf tiruan backpropagation sebagai pengendali penalaran fuzzy pada bagian anteseden (membangkitkan fungsi keanggotaan), maupun pada bagian konsekuen (melakukan inferensi) yang telah didapatkan melalui proses pengelompokan. Jaringan saraf tiruan memiliki kemampuan untuk mengenali pola yang dilatihkan.

Gambar 1. Diagram Alir Penyusunan Penelitian Metode JST Backpropagation

TRANSIENT, VOL.5, NO. 1, MARET 2016, ISSN: 2302-9927, 95

Pada penelitian ini memerlukan data masa lalu untuk meramalkan konsumsi energi listrik sama dengan data yang dibutuhkan untuk metode jst backpropagation. 2.4. Flowchart

3.

Hasil dan Analisis

3.1.

Proyeksi Konsumsi Backpropagation

Energi

Listrik

JST

Proyeksi konsumsi energi listrik jst backpropagation didapatkan konsumsi energi listrik tahun 2014-2019:

MULAI

Tabel 4. Hasil Peramalan Konsumsi Energi Listrik Pengumpulan Data Runtun Waktu

No 1 2 3 4 5 6

Penentuan data input dan target output

Preprocessing Data Runtun Waktu

Tahun 2014 2015 2016 2017 2018 2019

Konsumsi Energi (GWh) 198.520 210.360 223.850 238.240 254.420 272.630

Dengan tabel diatas kita dapat membuat grafik hasil permalan konsumsi energi listrik pada tahun 2014-2019.

Melakukan Proses Clusterisasi menggunakan FCM

Membangun serta melatih JST Backpropagation untuk bagian anteseden (IF)

Membangun serta melatih JST Backpropagation untuk bagian konsekuen (THEN)

Konsumsi Energi Listrik (GWh)

300000 Merubah Matriks Partisi Awal

250000 200000 150000 100000 50000 0

2014 2015 2016 2017 2018 2019

Diperoleh bobot dan bias jaringan

Gambar 3. Grafik Hasil Peramalan JST Prediksi data input untuk masa peramalan

Dari gambar 3 bisa kita lihat hasil peramalan menggunakan Jaringan saraf tiruan dengan metode JST Backpropagation pada tahun 2019 didapatkan Konsumsi Energi Listrik Indonesia sebesar 272.630 GWh. Konsumsi energi listrik mengalami kenaikan sebesar 85.089 GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,22%. Dari konsumsi energi yang didapatkan didapatkan energi produksi, beban puncak, reserve margin, kebutuhan daya pembangkit, dan tambahan pembangkit sebagai berikut:

Peramalan Konsumsi Energi Listrik

Post-processing Data Target Didapat nilai Peramalan Konsumsi Energi Listrik

Tabel 5. Hasil Perhitungan Tambahan Pembangkit TIDAK

∆ Hasil tiap Tahun >1

Tahun

Energi Produksi (GWh)

Beban Puncak (GW)

Reserve Margin (GW)

2014 2015 2016 2017 2018 2019

230.837 241.793 257.299 273.525 290.505 312.649

33,65 35,25 37,51 39,87 42,35 45,58

11,77 12,33 13,12 13,95 14,82 15,95

YA A

Analisis Perbandingan Hasil dengan RUPTL, dan JST backpropagation

SELESAI

Gambar 2. Diagram Alir Penyusunan Penelitian Metode JST-Fuzzy Clustering

Kebutuhan Daya Pembangkit (GW) 45,43 47,58 50,64 53,83 57,17 61,53

Tambahan Pembangkit (GW) 13,88 16,04 19,09 22,28 25,63 29,98

Dengan tabel diatas kita dapat membuat grafik tambahan pembangkit pada tahun 2014-2019.

TRANSIENT, VOL.5, NO. 1, MARET 2016, ISSN: 2302-9927, 96

Dari gambar 5 bisa kita lihat hasil peramalan menggunakan JST-Fuzzy Clustering dengan metode JST Backpropagation dan Fuzzy C-Means pada tahun 2019 didapatkan Konsumsi Energi Listrik Indonesia sebesar 284.666,49 GWh. Konsumsi energi listrik mengalami kenaikan sebesar 97.122 GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,96%.

Tambahan Pembangkit (MW)

35000 30000 25000 20000 15000 10000

Dari konsumsi energi yang didapatkan didapatkan energi produksi, beban puncak, reserve margin, kebutuhan daya pembangkit, dan tambahan pembangkit sebagai berikut:

5000 0

2014 2015 2016 2017 2018 2019 Tabel 7. Hasil Perhitungan Tambahan Pembangkit Gambar 4. Grafik Tambahan Pembangkit pada Tahun 2014-2019

Dari gambar 4 diatas dapat terlihat bahwa daya yang dibutuhkan pada akhir tahun 2019 sebesar 29,98 GW atau bisa disebut 29.980 MW. Pada Rencana Usahan Penyediaan Tenaga Listrik (RUPTL) PT PLN (Persero) 2015-2024 sub bab Rencana Pengembangan Pembangkit disana dituliskan program pembangunan ketenagalistrikan 2015-2019. Tambahan pembangkit baru yang diperlukan untuk 5 tahun kedepan sebesar 35 GW. Selisih antara hasil perhitungan dengan RUPTL sebesar 5,02 GW. Proyeksi Konsumsi Energi Listrik Backpropagation-Fuzzy Clustering

Tabel 6. Hasil Peramalan Konsumsi Energi Listrik Tahun

Konsumsi Energi (GWh)

1 2 3 4 5 6

2014 2015 2016 2017 2018 2019

203.375,33 214.225,57 227.141,37 242.667,86 261.517,23 284.663,49

Dengan tabel diatas kita dapat membuat grafik hasil permalan konsumsi energi listrik pada tahun 2014-2019.

2014 2015 2016 2017 2018 2019

236.483 246.236 261.082 278.608 299.905 326.449

34,47 35,89 38,06 40,61 43,72 47,59

12,06 12,56 13,32 14,21 15,30 16,65

Kebutuhan Daya Pembangkit (GW) 46,54 48,46 51,38 54,83 59,02 64,25

Tambahan Pembangkit (GW) 14,99 16,91 19,84 23,28 27,48 32,70

Dengan tabel diatas kita dapat membuat grafik tambahan pembangkit pada tahun 2014-2019.

35000 30000 25000 20000 15000 10000 5000 0

2014 2015 2016 2017 2018 2019 Gambar 6. Grafik Tambahan Pembangkit pada Tahun 2014-2019

Dari gambar 6 diatas dapat terlihat bahwa daya yang dibutuhkan pada akhir tahun 2019 sebesar 32,70 GW atau bisa disebut 32.700 MW. Pada Rencana Usahan Penyediaan Tenaga Listrik (RUPTL) PT PLN (Persero) 2015-2024 sub bab Rencana Pengembangan Pembangkit disana dituliskan program pembangunan ketenagalistrikan 2015-2019. Tambahan pembangkit baru yang diperlukan untuk 5 tahun kedepan sebesar 35 GW. Selisih antara hasil perhitungan dengan RUPTL sebesar 2,3 GW.

300000

Konsumsi Energi Listrik (GWh)

Reserve Margin (GW)

JST

Proyeksi konsumsi energi listrik JST-fuzzy clustering didapatkan konsumsi energi listrik tahun 2014-2019:

No

Beban Puncak (GW)

Tambahan Pembangkit (MW)

3.2.

Tahun

Energi Produksi (GWh)

250000 200000 150000 100000 50000 0

2014 2015 2016 2017 2018 2019 Gambar 5. Grafik Hasil Peramalan JST-Fuzzy Clustering

3.3.

Validasi Program

Validasi program dilakukan dengan membandingkan peramalan konsumsi energi listrik antara metode JST

TRANSIENT, VOL.5, NO. 1, MARET 2016, ISSN: 2302-9927, 97

Backpropagation, metode JST Backpropagation-Fuzzy CMeans dan RUPTL. Pada tabel 8 berikut menunjukan perbandingan hasil peramalan konsumsi energi listrik Metode JST, Metode JST-FCM dan RUPTL.

Untuk validasi program pada penelitian ini dilakukan dengan cara membagi data yang diketahui menjadi dua bagian. Bagian pertama yaitu data runtun waktu PDB dan Jumlah pelanggan dari tahun 2002-2008 digunakan sebagai input program peramalan penelitian untuk meramal tahun 2009-2013. Berikut adalah hasilnya:

Tabel 8. Perbandingan Peramalan JST, RUPTL

Tabel 9. Perbandingan Error Hasil Peramalan JST Dan JST-Clustering Terhadap Data Aktual

Peramalan Konsumsi Energi (GWh) JST

JST-FCM

2014

198.520

203.375

2015

210.360

2016

RUPTL (GWh)

Dan

Selisih (GWh) JST

JST-FCM

201.500

2.980

1.875

214.226

219.100

8.740

4.875

223.850

227.141

239.900

16.050

12.759

2017

238.240

242.668

260.000

21.760

17.333

2018

254.420

261.517

282.900

28.480

21.383

2019

272.630

284.663

307.000

34.370

22.337

18.730

13.427

Rata-rata

Hasil peramalan dari kedua metode memiliki rata-rata selisih sebesar 18.730 GWh untuk JST dan 13.427 GWh untuk JST-FCM terhadap RUPTL. Selisih tersebut disebabkan oleh perbedaan penggunaan metode dan asumsi-asumsi yang dilakukan oleh PT PLN yang menyusun RUPTL.

Konsumsi Energi Listrik (GWh)

Asumsi pertumbuhan ekonomi Indonesia RUPTL menggunakan data historis selama 10 tahun yang besisi jumlah PDB pertahun. Untuk asumsi pertumbuhan penduduk PLN menggunakan laju pertumbuhan penduduk dari Buku Proyeksi Penduduk Bappenas-BPSUNFPA bulan Desember 2013. Sedangkan pada penilitian ini asumsi yang digunakan adalah pertumbuhan ekonomi, jumlah pelanggan listrik dan konsumsi energi listrik. Asumsi pertumbuhan ekonomi, pertumbuhan pelanggan pada metode penelitian ini menggunakan data historis selama 12 tahun dan diambil disetiap sektor. 350000

Tahun

Peramalan Konsumsi Energi (GWh) JSTJST Clustering

134.580

2,10

2,66

2010

133.270

146.470

147.300

9,52

0,56

2011

152.610

158.100

157.990

3,40

0,07

2012

175.720

170.250

173.990

0,99

2,15

2013

188.550

182.130

187.540

0,54

2,89

3,31

1,66

MAPE

Dari tabel 9 dapat dilihat nilai error peramalan JST dengan data aktual memiliki nilai rata-rata error sebesar 3.31% sedangkan untuk nilai error peramalan JST-Fuzzy Clustering dengan data aktual memiliki nilai rata-rata error sebesar 1,66%. 200000 180000 160000 140000 120000 100000 80000 60000 40000 20000 0

JSTFuzzy Clustering

150000 100000

RUPTL

50000 0

2014 2015 2016 2017 2018 2019 Gambar 7. Grafik Perbandingan Peramalan JST, JSTFuzzy Clustering dan RUPTL

JST

JSTFuzzy Clustering

Data Aktual

2009 2010 2011 2012 2013

4.

200000

JSTClustering

138.160

Gambar 8.

250000

JST

131.760

JST

300000

Error (%)

Konsumsi Energi (GWh)

2009

Konsumsi Energi Listrik (GWh)

Tahun

JST-FCM

Grafik Perbandingan antara JST, JSTFuzzy Clustering dan Data Aktual

Kesimpulan

Hasil proyeksi konsumsi energi listrik metode JST Backpropagation, diperoleh kenaikan dari 187.541 GWh pada tahun 2013 menjadi sebesar 272.630 GWh pada tahun 2019 dengan kenaikan rata-rata tiap tahunnya sebesar 6,22%. Sedangkan untuk metode JST-Fuzzy Clustering, diperoleh kenaikan dari 187.541 GWh pada tahun 2013 menjadi sebesar 284.663 GWh pada tahun 2019 dengan kenaikan rata-rata tiap tahunnya sebesar 6,96%. Untuk error terhadap data aktual yang dihasilkan oleh proyeksi JST Backpropagation sebesar 3,31% sedangkan untuk JST-Fuzzy Clustering sebesar 1,66%. Hasil proyeksi tambahan pembangkit menggunakan JST

TRANSIENT, VOL.5, NO. 1, MARET 2016, ISSN: 2302-9927, 98

Backpropagation memiliki selisih sebesar 5,02 GW terhadap RUPTL sedangkan JST-Fuzzy Clustering memiliki selisih sebesar 2,3 GW. Referensi [1]. [2].

[3].

[4].

[5].

[6].

Rencana Usaha Penyediaan Tenaga Listrik 20152025.PT PLN (Persero).2015 Kartika, Meigy Restanaswari. Proyeksi Kebutuhan Energi Listrik APJ Pekaloangan Tahun 2014-2018 Dengan Menggunakan Software Leap. Semarang : Universitas Diponegoro. 2015. Laksnono, Heru Dibyo dan Fajira, Nicko.2014.Peramalan Beban Listrik Daerah Sumatera Barat Jangka Panjang Dengan Menggunakan Integrasi Jaringan Syaraf Tiruan Dan Sistem Fuzzy. Jurnal Teknologi Informasi dan Pendidikan Vol. 7 No. 1. Universitas Andalas Padang Arief, Abraham. 2012. Aplikasi Fuzzy Clustering CMeans Pada Peramalan Kebutuhan Energi Listrik Jangka Panjang Di Provinsi Sumatera Barat Sampai Tahun 2021. Padang: Universitas Andalas Ujianto, Tri. 2015. Proyeksi Kebutuhan Energi Listrik APJ Pekalongan Tahun 2014-2018 Menggunakan Jaringan Saraf Tiruan Metode Backpropagation Dengan Software Matlab R2014A. Semarang: Universitas Diponegoro Suswanto, Daman. Sistem Distribusi Tenaga Listrik. Padang: Fakultas Teknik Universitas Negeri Padang.2009

[7].

[8].

[9].

[10].

[11]. [12].

[13].

[14].

Nugroho, Agung. Peramalan Kebutuhan Energi Listrik Tahun 2006-2015 Menggunakan Metode Gabungan Dengan Pemrograman Visual Basic. Semarang: Universitas Diponegoro. 2008. Siregar, Syahrizal Agus. Studi Prakiraan Kebutuhan Energi Listrik Tahun 2013-2017 Wilayah Kota Padang Sidimpuan Dengan Metode Gabungan. Medan: Universitas Sumatera Utara.2013 Suhono. Kajian Perencanaan Permintaan dan Penyediaan Energi Listrik di Wilayah Kabupaten Sleman Menggunakan Perangkat Lunak LEAP. Yogyakarta : Universitas Gadjah Mada. 2010. Kassa, Deryanus. Ketersediaan Energi Listrik Sulawesi Utara Sampai Tahun 2020.Sulawesi Utara: Universitas Sam Ratulangi.2015 Jong, J. S. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset. Yogyakarta, 2005. Nurkholiq, Nahar. Analisa Perbandingan Metode Logika Fuzzy Dengan Jaringan Saraf Tiruan Backpropagation Pada Peramalan Kebutuhan Energi Listrik Jangka Panjang di Indonesia Sampai Tahun 2022. Semarang : Universitas Diponegoro.2014. Kusumadewi, S., & Hartati, S. 2006. Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf edisi 2. Yogyakarta: Graha Ilmu. Hicham, Attarius, Mohamed, Bouhorma & Abdellah, El Fallahi. Animproved approach based on fuzzy clustering and backpropagation Neural Networks with adaptive learning rate for sales forecasting. Case study of PCB industry. IJCSI Vol. 9, No. 1. 2012