Evaluasi Komparatif DFFNN, DFFNN yang Dioptimasi GA, DFFNN yang Dioptimasi GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik Menggunakan Sliding Window Cross-Validation

Giovanni Dimas Prenata

doi:10.31358/techne.v25i1.656

Authors

Giovanni Dimas Prenata Universitas 17 Agustus 1945 Surabaya

DOI:

https://doi.org/10.31358/techne.v25i1.656

Keywords:

DFFNN, Genetic Algorithm, Grey Wolf Optimizer, LSTM, Prediksi Energi Listrik, Sliding Window Cross-Validation

Abstract

Prediksi konsumsi energi listrik yang akurat sangat penting untuk perencanaan jaringan dan efisiensi pasokan. Penelitian ini membandingkan empat pendekatan, yaitu Deep Feedforward Neural Network (DFFNN), DFFNN dengan Genetic Algorithm (GA), DFFNN dengan Grey Wolf Optimizer (GWO), serta Long Short-Term Memory (LSTM), menggunakan teknik Sliding Window Cross-Validation (SWCV). Tiga skenario evaluasi dilakukan: tanpa SWCV (2015-2018 latih, 2019 uji), SWCV mode 1 (2015-2017 latih, 2018 uji), dan SWCV mode 2 (2016-2018 latih, 2019 uji). Hasil menunjukkan bahwa DFFNN-GWO unggul dalam efisiensi, rata-rata hanya membutuhkan <1.000 iterasi untuk konvergen dengan MSE terbaik mencapai 6.0×10E-5 dan akurasi uji hingga 0,94-0,99. LSTM menunjukkan kestabilan temporal dengan akurasi uji konsisten di atas 0,90, meskipun MSE stagnan di kisaran 0,047. DFFNN-GA menghasilkan prediksi sangat akurat pada beberapa run (AE ? 0,00), tetapi performanya fluktuatif dengan iterasi tinggi hingga >50.000. Sementara itu, DFFNN standar berfungsi sebagai baseline dengan MSE rata-rata ~1.0×10??, namun membutuhkan iterasi 10.000-25.000 untuk stabil. Analisis ketiga skenario menegaskan bahwa kedekatan temporal data latih dengan data uji (seperti pada SWCV mode 2) meningkatkan generalisasi semua model. Secara keseluruhan, kombinasi optimisasi metaheuristik dan validasi temporal terbukti meningkatkan akurasi dan efisiensi prediksi konsumsi energi listrik, dengan GWO menonjol pada efisiensi dan LSTM pada kestabilan jangka panjang.

Downloads

Download data is not yet available.

References

A. F. Insani, “Pemodelan Prediksi Konsumsi Energi Listrik pada Segmen Pelanggan Rumah Tangga Menggunakan Machine Learning : Studi Kasus PT PLN (PERSERO)", Tesis Program Magister, Institut Teknologi Bandung, Desember 2024.

R. Saputra, S. Sunardiyo, A. Nugroho, and S. Subiyanto, “Implementasi Multilayer Perceptron Artificial Neural Network untuk Prediksi Konsumsi Energi Listrik PT PLN (Persero) UP3 Salatiga,” Elektrika, vol. 15, no. 2, p. 60, 2023, doi: 10.26623/elektrika.v15i2.6411.

N. Dewi and J. E. Riwurohi, “Forecasting the Electricity Consumptions of PLN UP3 Cengkareng using Deep Learning,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 13, no. 1, pp. 13–20, 2024, doi: 10.32736/sisfokom.v13i1.1849.

J. Fikriaziz, M. N. Estri, S. Maryani, and I. Sihwaningrum, “Metode Long Short-Term Memory Untuk Memprediksi Konsumsi Energi Listrik Di Kabupaten Kebumen Tahun 2023,” Pros. Semin. Nas. Sains Data, vol. 4, no. 1, pp. 823–831, 2024, doi: 10.33005/senada.v4i1.345.

E. A. Madrid and N. Antonio, “Short-term electricity load forecasting with machine learning,” Inf., vol. 12, no. 2, pp. 1–21, 2021, doi: 10.3390/info12020050.

P. K. Sarangi, N. Singh, R. K. Chauhan, dan R. Singh, “Short term load forecasting using artificial neural network: A comparison with genetic algorithm implementation,” ARPN Journal of Engineering and Applied Sciences, vol. 4, no. 9, pp. 88–93, Nov. 2009.

G. Hafeez, K. Saleem, and I. Khan, “Electric load forecasting based on deep learning and optimized by heuristic algorithm in smart grid,” Appl. Energy, vol. 269, no. June 2019, p. 114915, 2020, doi: 10.1016/j.apenergy.2020.114915.

D. Shanmugam, “Different Meta-Heuristic Optimized Radial Basis Function Neural Network Models for Short-Term Power Consumption Forecasting,” Advances in Engineering and Intelligence Systems, vol. 3, no. 2, pp. 63–82, 2024. doi: 10.22034/aeis.2024.458715.1198

J. L. Viegas, S. M. Vieira, R. Melício, V. M. F. Mendes, J. M. C Sousa, "GA-ANN Short-Term Electricity Load Forecasting," in L. M. Camarinha-Matos, A. J. Falcão, N. Vafaei, S. Najdi, Technological Innovation for Cyber-Physical Systems. DoCEIS 2016. IFIP Advances in Information and Communication Technology, vol 470. Springer, 2016. doi: 10.1007/978-3-319-31165-4_45

S. Haykin, Neural networks and learning machines, vol. 2. 1999. Upper Saddle River, NJ, USA: Pearson Education, 2009, doi: 10.1109/64.163674.

P. Waluyo, “Algoritma Genetika: Teori dan Aplikasinya untuk Bisnis dan Industri,” 2018. [Online]. Available: https://www.academia.edu/15288949/ALGORITMA_GENETlKA_Teori_dan_Aplikasinya_untuk_Bisnis_dan_Industri?bulk

Download=thisPaper-topRelated-sameAuthor-citingThis-citedByThis-secondOrderCitations&from=cover_page

S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey Wolf Optimizer,” Adv. Eng. Softw., vol. 69, pp. 46–61, 2014, doi: 10.1016/j.advengsoft.2013.12.007.

Z. Mustaffa, Y. Yusof, and S. S. Kamaruddin, “Application of Grey Wolf Optimizer for Time Series Forecasting,” in Proc. Asian Conf. Society, Education and Technology (ACSET), 2014, pp. 1–10.

S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997, doi: 10.1162/neco.1997.9.8.1735.

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, Cambridge, MA, USA: MIT Press, 2016.

W. Sulandari, Y. Yudhanto, S. Subanti, E. Zukhronah, and M. Z. Subarkah, “Implementing Time Series Cross Validation to Evaluate the Forecasting Model Performance,” KnE Life Sci., vol. 2024, pp. 229–238, 2024, doi: 10.18502/kls.v8i1.15584.