PREDIKSI KONSUMSI ENERGI MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK PADA SALAH SATU PUSAT PERBELANJAAN DI KOTA CIREBON

• Main Author: Dias Hegar Pinanggih, - (Author)
• Format: Book
• Published: 2020-07-23.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/50200/1/S_TE_1601296_Title.pdf; http://repository.upi.edu/50200/2/S_TE_1601296_Chapter1.pdf; http://repository.upi.edu/50200/3/S_TE_1601296_Chapter2.pdf; http://repository.upi.edu/50200/4/S_TE_1601296_Chapter3.pdf; http://repository.upi.edu/50200/5/S_TE_1601296_Chapter4.pdf; http://repository.upi.edu/50200/6/S_TE_1601296_Chapter5.pdf; http://repository.upi.edu/50200/7/S_TE_1601296_Appendix.pdf
• Keywords: L Education (General); TK Electrical engineering. Electronics Nuclear engineering

Suatu teknologi untuk memprediksi konsumsi energi merupakan suatu hal yang penting untuk penghematan dan efisiensi energi. Hal tersebut akan mendorong tercapainya tujuan penting pemerintah yaitu pemakaian energi listrik tepat sasaran serta mengurangi masalah lingkungan seperti efek rumah kaca. Maka perlunya prediksi dengan teknologi yang canggih berbasis kecerdasan buatan seperti artificial neural network. Diketahui bahwa metode ini sangat efektif dalam memecahkan masalah nonlinier karena mengadopsi jaringan syaraf manusia yang akan selalu melakukan pembelajaran untuk pola data yang digunakan. Hasil penelitian ini menunjukkan bahwa metode ini sangat baik dalam memecahkan masalah nonlinier dan lebih baik dibandingkan dengan metode konvensional yaitu exponential smoothing. A technology to predict energy consumption is important for saving and energy efficiency. This will encourage the achievement of an important government goal of using electricity on target and reducing environmental problems such as the greenhouse effect. So importance to predict with sophisticated technology based on artificial intelligence such as artificial neural networks. It is known that this method is very effective in solving nonlinear problems because it changes the human neural network that will always learn for the data patterns used. The results of this study indicate this method is very good at solving nonlinear problems and better than conventional methods namely exponential smoothing.