its undergraduate 12683 paper
TRANSCRIPT
8/6/2019 ITS Undergraduate 12683 Paper
http://slidepdf.com/reader/full/its-undergraduate-12683-paper 1/6
Peramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan
Jawa Timur dan Bali Menggunakan Fuzzy Time Series
BAGUS HANDOKO – 2206 100 125
Jurusan Teknik Elektro, Fakultas Teknologi Industri, ITS Surabaya
Abstrak - Tenaga listrik adalah salah satu
kebutuhan dasar masyarakat pada era modern ini.
Besarnya konsumsi listrik pada suatu waktu tidak dapat
dihitung secara pasti. Jumlah konsumsi listrik yang
tidak tentu dan tanpa diperkirakan terlebih dahulu dapat
berpengaruh pada kesiapan dari unit pembangkit untuk
menyediakan pasokan listrik kepada konsumen.
Ketidakseimbangan daya listrik antara sisi supply dan
sisi demand dapat mengakibatkan kerugian seperti
pemborosan pada sisi pembangkit dan pemadaman pada
sisi konsumen. Oleh karena itu, peramalan mempunyai
peran yang penting dalam pengoperasian dasar suatusistem tenaga listrik. Untuk dapat meramal dengan
tepat, maka diperlukan suatu metode yang andal.
Metode yang digunakan pada peramalan beban jangka
pendek pada tugas akhir ini adalah fuzzy time series.
Kelebihan dari metode fuzzy time series dibandingkan
dengan metode peramalan konvensional adalah apabila
data yang digunakan berbentuk linguistik. Harapan
penggunaan model fuzzy time series ini adalah untuk
meningkatkan hasil ketepatan peramalan dalam
menanggapi ketidakpastian (uncertainty) dan
ketidakjelasan (vagueness). Model ini kemudian
digunakan untuk meramalkan beban jangka pendek
pada sistem kelistrikan Jawa Timur dan Bali dengan
data selama bulan Juni 2009 digunakan untuk
meramalkan minggu pertama bulan Juli 2009. Hasil
peramalan menggunakan metode Song-Chissom
menghasilkan error rata-rata yaitu 2.5%, lebih kecil
dibandingkan dengan metode Singh yang menghasilkan
error rata-rata 2.6%
Keywords : Peramalan Beban Jangka Pendek,
Fuzzy Relational, Fuzzy Time Series
1. PENDAHULUANTenaga listrik merupakan kebutuhan pokok bagi
masyarakat. Tenaga listrik digunakan oleh beberapa
sektor, antara lain sektor rumah tangga, industri, usaha
komersial, dan tempat layanan umum. Besar konsumsi
listrik pada suatu rentang waktu tidak dapat dihitung
secara pasti. Oleh karena itu, yang dapat dilakukan
adalah meramalkan besar konsumsi listrik.
Jika besar konsumsi listrik tidak diperkirakan
maka dapat mempengaruhi kesiapan dari unit pem-
bangkit untuk menyediakan pasokan listrik kepada
konsumen. Ketidakseimbangan daya listrik antara sisi
supply dan sisi demand dapat mengakibatkan kerugian.
Pada sisi pembangkit dapat terjadi pemborosan apabila
daya yang dibangkitkan lebih besar daripada
penggunaan listrik di sisi konsumen. Pada sisi
konsumen dapat terjadi pemadaman apabila daya yang
dibangkitkan lebih kecil dari kebutuhan listrik
konsumen [1].
Peramalan beban jangka pendek bertujuan untuk
memperkirakan beban listrik pada jangka waktu menit,
jam, hari atau minggu. Peramalan beban jangka pendek
mempunyai peran yang penting dalam real-time control
dan fungsi-fungsi keamanan dari suatu sistem mana-
jemen energi [2]. Sebuah peramalan beban listrik jang-ka pendek yang tepat dapat menghasilkan penghematan
biaya operasional dan kondisi aman yang memung-
kinkan utilitas untuk mengolah sumber daya produksi
untuk mengoptimalkan harga energi dan pertukaran de-
ngan produsen dan konsumen. Peramalan beban jangka
pendek untuk jangka waktu 1-24 jam ke depan berperan
penting untuk operasi sehari-hari dari sebuah utilitas da-
ya. Peramalan beban ini digunakan untuk pengope-
rasian sistem tenaga listrik, antara lain unit commitment,
energy transfer scheduling dan load dispatch [3,4].
Fuzzy time series adalah sebuah konsep yang
diusulkan oleh Song dan Chissom untuk menyelesai-
kan masalah peramalan apabila data historis adalah ni-
lai-nilai linguistik. Dalam penelitian sebelumnya, ber-
dasarkan teori himpunan fuzzy, logika fuzzy dan
penalaran perkiraan, Song dan Chissom mengajukan
fuzzy time series dan garis besar pemodelan dengan cara
persamaan fuzzy relational dan penalaran perkiraan.
Fuzzy time series juga dikembangkan oleh Singh
berdasarkan konsep Song dan Chissom dengan metode
komputasional untuk menggantikan proses penghi-
tungan persamaan fuzzy relational dan penalaran perki-
raan. Metode fuzzy time series ini diusulkan untuk dapat
digunakan dalam menyelesaikan permasalahan pera-
malan beban jangka pendek pada pengoperasian sistem
tenaga listrik.
2. DASAR TEORI
2.1 Fuzzy Time SeriesFuzzy time series adalah sebuah konsep baru yang
diusulkan oleh Song dan Chissom berdasarkan teori
fuzzy set dan konsep variabel linguistik dan aplikasinya
oleh Zadeh. Fuzzy time series digunakan untuk
menyelesaikan masalah peramalan yang mana data
historis adalah nilai-nilai linguistik. Misalnya, dalam
8/6/2019 ITS Undergraduate 12683 Paper
http://slidepdf.com/reader/full/its-undergraduate-12683-paper 2/6
masalah peramalan, data historis tidak dalam bentuk
angka real, namun berupa data linguistik. Dalam hal ini,
tidak ada model time series konvensional yang dapat
diterapkan, akan tetapi model fuzzy time series dapat
diterapkan dengan lebih tepat.
Pada penelitian sebelumnya, berdasarkan teori
himpunan fuzzy, logika fuzzy dan penalaran perkiraan,
Song dan Chissom mengajukan definisi fuzzy time
series dan garis besar pemodelan dengan cara
persamaan relasional fuzzy dan penalaran perkiraan.
Kemudian oleh Chen (pada tahun 1996) diperkenalkan
sebuah metode peramalan fuzzy time series menggu-
nakan operasi arithmetic. Huarng (pada tahun 2001),
menyajikan model heuristic untuk peramalan time
series menggunakan heuristic increasing and decre-
asing relations untuk memperbaiki peramalan enroll-
ments dan exchange di Taiwan. Kemudian oleh Singh
tahun 2007, diajukan algoritma komputasi sederhana,
sehingga dapat mengurangi waktu untuk menghasilkan
persamaan relational dengan menggunakan operasi
komposisi max-min yang kompleks dan mengurangiwaktu untuk proses defuzzifikasi pada metode Song dan
Chissom. Metode Singh dapat menyelesaikan masalah
dalam mencari prosedur defuzzifikasi yang cocok untuk
menghasilkan nilai output crisp dengan akurasi yang
lebih baik.
2.2 Definisi Fuzzy Time Series [5,6]
Beberapa definisi tentang fuzzy time series dari
metode yang diajukan oleh Singh adalah sebagai
berikut :
Definisi 1. Sebuah fuzzy set adalah sebuah kelas
atau golongan dari obyek dengan sebuah rangkaiankesatuan (continuum) dari derajat keanggotaan (grade
of membership). Misalkan U adalah himpunan semesta
dengan U = {u1 ,u2 ,u3 ,….un} dengan ui adalah nilai yang
mungkin dari U , kemudian variable linguistic Ai
terhadap U dapat dirumuskan pada persamaan 2.1:
n
n Ai Ai Ai Ai
iu
u
u
u
u
u
u
u A
)(..........
)()()(
3
3
2
2
1
1 (2.1)
μ Ai adalah membership function dari fuzzy set Ai.,
sedemikian hingga μ Ai : U → [0,1]. Jika ui adalah
keanggotaan dari Ai, maka μ Ai (ui) adalah derajat
keanggotaan ui terhadap Ai.
Definisi 2. Misalkan Y(t)(t = ….0,1,2,3,….) adalah
subset dari R yang merupakan himpunan semesta dari
fuzzy set f i(t)(i = 1,2,3….) dirumuskan dan F(t) adalah
kumpulan dari f i, maka F(t) dirumuskan sebagai fuzzy
time series pada Y(t)
Definisi 3. Andaikan F(t) adalah disebabkan
hanya oleh F(t-1) → F(t), maka ada hubungan fuzzy
antara F(t) dan F(t-1) dan dapat dinyatakan dalam
persamaan 2.2 :
)1,()1()( t t Rt F t F (2.2)
Tanda “ ” adalah operator komposisi max-min.
Relation R disebut sebagai model orde pertama dariF(t). Jika fuzzy relation R (t,t-1) dari F(t) adalah tidak
tergantung waktu t, dapat dikatakan untuk perbedaan
waktu t 1 dan t 2 , R (t 1 ,t 1-1) = R (t 2 ,t 2-1), maka F(t)
disebut time-invariant fuzzy time series
Definisi 4. Jika F(t) disebabkan oleh lebih kecil
dari beberapa fuzzy sets F(t-n),F(t-n+1), . . .F(t-1),
maka fuzzy relationship-nya diwakili oleh persamaan
2.3 :
jtnt t A A A A ,......., 21 (2.3)
Dengan F(t-n)=At1 , F(t-n+1)=At2 , . . . F(t-1)=Atn,hubungan ini disebut nth-order fuzzy time series model
Definisi 5. Misalkan F(t) disebabkan oleh sebuah
F(t-1),F(t-2), . . . , dan F(t-m) (m > 0) secara simultan
dan hubungannya adalah time variant. F(t) dikatakan
time-variant fuzzy time series dan hubungan ini dapat
dinyatakan sebagai fuzzy relation pada persamaan 2.4.
)1,()1()( t t Rt F t F w
(2.4)
w>1 adalah parameter waktu mempengaruhi
peramalan F(t). Berbagai metode-metode komputasi
sulit telah tersedia untuk komputasi berhubunganterhadap R
w(t,t-1).
3. Metode PenelitianTahapan penelitian untuk melakukan penelitian
tugas akhir ini diuraikan sebagai berikut :
Tahap 1.
Studi literatur dilakukan dengan cara mencari dan
membaca sumber referensi yang memuat aplikasi fuzzy
time series dalam bentuk buku, paper dan website di
internet
Tahap 2.Melakukan pengumpulan data beban listrik harian
selama bulan Juni-Juli 2009, pada sistem kelistrikan
wilayah Jawa Timur dan Bali (region IV) di PT. PLN
(Persero) P3B Region Jawa Timur dan Bali. Kemudian
melakukan pengelompokan data untuk masing-masing
hari (Senin, Selasa, Rabu, Kamis, Jum’at, Sabtu,Minggu)
8/6/2019 ITS Undergraduate 12683 Paper
http://slidepdf.com/reader/full/its-undergraduate-12683-paper 3/6
Tahap 3.
Pemodelan peramalan beban listrik jangka pendek
pada sistem kelistrikan Jawa Timur-Bali menggunakan
fuzzy time series. Model fuzzy time series yang
digunakan pada penelitian ini adalah model fuzzy time
series Song-Chissom dan Singh. Untuk model fuzzy
time series Song-Chissom, orde dan model basis (w)
yang digunakan adalah orde-1 dan model basis (w) = 4,
maka F (t ) dihitung dengan persamaan 3.1 [7]:
)1,()1()( t t Rt F t F w
(3.1)
Untuk model fuzzy time series Singh, orde yang
digunakan adalah orde 3. Dengan F (t ) disebabkan oleh
F (t-1),F (t-2), dan F (t-3). F (t ) dihitung dengan
persamaan 3.2 [5] :
)3,2,1()1()( t t t Rt F t F (3.2)
Pada metode fuzzy time series yang diajukan olehSong-Chissom F (t ) dihasilkan dari penentuan dan
penghitungan matrix fuzzy relationship R. Berbeda
denga metode fuzzy time series oleh Singh, proses
penentuan dan penghitungan matrix fuzzy relationship
R diganti dengan parameter difference. Prosedur (step)
bertahap metode yang diusulkan untuk fuzzy time series
forecasting didasarkan pada data deret waktu historis,
yaitu :
Step 1. Menentukan universe discourse (U )
didasarkan pada kisaran yang tersedia data deret
waktu historis, menurut aturan :
U = │ Dmin − D1, Dmax − D2│ (3.3)
dengan
Dmin adalah nilai minimum beban listrik
Dmax adalah nilai maksimum beban listrik
D1 dan D2 adalah dua bilangan positif yang tepat.
Dari data beban harian diperoleh nilai maksimum
adalah 3887.7 MW dan nilai minimum adalah
2290.8 MW. Kemudian dipilih suatu bilangan
D1=290.8 dan D2=112.3 sehingga diperoleh interval
universe discourse (U ) = [2000,4000]
Step 2. Pemisahan universe discourse ke interval
dengan panjang yang sama: u1 , u2,. . . , um. Jumlah
interval yang akan sesuai dengan jumlah variabel
linguistik (fuzzy set) A1, A2,. . . Am harus
diperhatikan.
Pada tugas akhir ini U dipartisi menjadi 10 bagian,
range ui adalah sebagai berikut :
u1 = [2000,2200]
u2 = [2200,2400]
u6 = [2000,3200]
u7 = [2000,3400]
u3 = [2000,2600]
u4 = [2000,2800]
u5 = [2000,3000]
u8 = [2000,3600]
u9 = [2000,3800]
u10 = [3800,4000]
Step 3. Membangun fuzzy set Ai sesuai dengan
interval di langkah 2 dan menerapkan aturan
keanggotaan segitiga (triangular membership) untuk
setiap interval di setiap fuzzy set yang dibangun.
Step 4. Fuzzifikasi data historis dan menetapkan
hubungan logika fuzzy oleh aturan:
Jika Ai adalah produksi fuzzy hari n-1 dan A j adalah
produksi hari fuzzifikasi n, maka hubungan logis
fuzzy dinyatakan sebagai Ai → A j.
Pada metode fuzzy time series oleh Song-Chissom,
step ke-5 berbeda untuk menghitung F(t), berbeda
dengan metode fuzzy time series oleh Singh.
Step 5. Untuk metode fuzzy time series oleh Song-Chissom. Digunakan persamaan 3.4 untuk
menghitung Rw(t ,t-1) dan menggunakan R untuk
menghitung F (t ). Dan selanjutnya adalah proses
defuzzifikasi untuk memperoleh nilai aktual dari
peramalan.
)1()(
...)1()2()1,(
wt f wt f
t f t f t t R
T
T w
(3.4)
Untuk metode fuzzy time series oleh Singh,
dijelaskan sebagai berikut.
Beberapa notasi yang digunakan yaitu :
[*A j] adalah interval yang sesuai u j keanggotaandengan Aj adalah supremum (yaitu 1)
L [*A j] adalah batas bawah dari interval u j
U [*A j] adalah batas atas dari interval u j
l[*A j] adalah panjang interval u j yang
keanggotaannya di A j adalah supremum (yaitu 1)
M [*A j] adalah nilai pertengahan uj interval
memiliki nilai Supremum A j.
Untuk hubungan logis fuzzy Ai → A j:
Ai adalah fuzzifikasi nilai beban hari n-1
A j adalah fuzzifikasi nilai beban hari n
E i adalah nilai beban sebenarnya hari n-1
E i-1 adalah nilai beban sebenarnya hari n-2
E i-2 adalah nilai beban sebenarnya hari n-3F j adalah nilai beban crips yang diramalkan pada
hari n
Model orde tiga memanfaatkan data historis hari n-
3, n-2, n-1 untuk membingkai aturan implementasi
fuzzy logical relation Ai → A j, dengan Ai adalah
fuzzifikasi data beban hari n-1 dan A j adalah
fuzzifikasi data beban hari n. Metode yang
diusulkan untuk peramalan disebutkan sebagai rule
8/6/2019 ITS Undergraduate 12683 Paper
http://slidepdf.com/reader/full/its-undergraduate-12683-paper 4/6
(aturan) untuk menghasilkan hubungan antara data
time series hari n-3, n-2, n-1 untuk meramalkan
enrollments pada hari n.
Rules : meramalkan untuk hari n dan seterusnya.A i → A j Compute
Di = ||(E i - E i-1)| -|(E i-1 – E i-2)||
X i = E i + D i/2
XX i = E i - D i/2
Y i = E i + D i
YYi = E i - D i
For I = 1 to 4
If X i ≥ L [*A i] And X i ≤ U [*A i]
Then P1 = X i; n = 1
Else P1 = 0; n = 0
Next I
If XX i ≥ L [*A i] And XX i ≤ U [*A i]
Then P2 = XX i; m = 1
Else P2 = 0; m = 0
Next I If Y i ≥ L [*A i] And Y i ≤ U [*A i]
Then P3 = Y i; o = 1
Else P3 = 0; o = 0
Next I
If YY i ≥ L [*A i] And YY i ≤ U [*A i]
Then P4 = YY i; p = 1
Else P4 = 0; p = 0
B = P1 + P2 + P3 + P4
If B = 0 Then F j = M [*A j]
Else F j = (B + M [*A i])/(m + n + o
+ k + 1)
Next k
Tahap 4.
Menghitung error peramalan dengan persamaan
3.5 dan persamaan 3.6:
Forecasting Error (%) = %100||
actual
actual forecast (3.5)
Average Forecasting Error (%) =
error of number
error g forecastinof sum (3.6)
Tahap 5.
Membandingkan hasil peramalan, dokumentasi
serta kesimpulan. Hasil simulasi menggunakan fuzzy
time series dibuat dalam suatu tabel dan gambar,kemudian dianalisis untuk menarik kesimpulan.
START
PENGELOMPOKAN DATABERDASARKAN HARI
PEMODELAN PERAMALAN MENGGUNAKANFUZZY TIME SERIES
SIMULASI DAN ANALISIS
APAKAH MODELSUDAH SESUAI?
IMPLEMENTASI FUZZY TIME SERIES UNTUKPERAMALAN
STOP
ya
tidak
Gambar 3.1 Tahapan Iteratif Penelitian.
START
INPUT DATA BEBAN
STEP 1. PENENTUAN UNIVERSE
DISCOURSE (U)
STEP 2. PARTISI UNIVERSE
DISCOURSE (U )
STEP 3. FUZZYFIKASI DATABEBAN
STEP 4. PENENTUAN
PERSAMAAN FUZZY LOGICALRELATIONSHIP (R )
STEP 5. MENGGUNAKAN
PERSAMAAN FUZZY LOGICALRELATIONSHIP UNTUK
FORECASTING
STEP 6. DEFUZZYFIKASI DATA
BEBAN
STOP
Gambar 3.2 Langkah-Langkah Simulasi Peramalan
Menggunakan Fuzzy Time Series.
4. HASIL DAN ANALISADari keseluruhan simulasi peramalan beban jangka
pendek menggunakan fuzzy time series pada hari kerja
dan akhir minggu, secara umum dapat dikatakan
8/6/2019 ITS Undergraduate 12683 Paper
http://slidepdf.com/reader/full/its-undergraduate-12683-paper 5/6
metode fuzzy relational yang diajukan oleh Song-
Chissom menghasilkan data peramalan yang lebih baik
daripada metode komputasional parameter difference
oleh Singh. Rata-rata keseluruhan error untuk metode
yang diajukan oleh Song-Chissom adalah 2.5%,
sedangkan untuk metode yang diajukan oleh Singh
menghasilkan error keseluruhan 2.6%. Bahkan, dapat
dilihat pada tabel 4.1, hasil dari peramalan beban
menggunakan metode dari Song-Chissom adalah error
minimum yang mencapai 0% pada hari Jum’at danMinggu serta error maksimum 9.79% pada hari Ming-
gu. Sedangkan untuk metode yang diajukan oleh Singh
diperoleh error minimum 0.01% pada hari Jum’at danerror maksimum 10.38% pada hari Selasa. Namun
selain itu, dari hasil simulasi peramalan beban dengan
menggunakan metode fuzzy time series yang diajukan
oleh Singh, pada gambar 4.4 dan 4.5 dapat dilihat
bahwa output metode Singh menghasilkan output cripsyang lebih baik daripada metode Song-Chissom. Output
crips dari metode Singh lebih mendekati nilai
sebenarnya dari data real daripada output crips dari
metode Song-Chissom.
Tabel 4.1. Perbandingan Error pada hari Senin sampai denganMinggu
Perbandingan Error Peramalan Hasil Simulasi
(dalam %)
Hari Singh Song-Chissom
Senin
maksimum 5.62 6.40
minimum 0.07 0.03
rata-rata 1.94 2.10
Selasa
maksimum 10.38 8.18
minimum 0.05 0.11
rata-rata 3.02 2.61
Rabu
maksimum 9.14 7.25
minimum 0.06 0.05
rata-rata 3.05 2.63
Kamis
maksimum 9.84 8.16
minimum 0.01 0.16
rata-rata 2.97 2.98
Jum'at
maksimum 7.34 7.10
minimum 0.01 0.00
rata-rata 2.52 2.18
Sabtu
maksimum 8.64 9.06
minimum 0.04 0.01rata-rata 2.63 2.41
Minggu
maksimum 6.02 9.79
minimum 0.05 0.00
rata-rata 1.86 2.44
Gambar 4.1 Perbandingan Error Maksimum PeramalanSelama 1 Minggu.
Gambar 4.2 Perbandingan Error Minimum Peramalan Selama1 Minggu
Gambar 4.3 Perbandingan Error Rata-Rata Peramalan Selama
1 Minggu
0 5 10 15 20 25 30 35 40 45 502400
2600
2800
3000
3200
3400
3600
3800Perbandingan antara data real dan data prediksi
Waktu dalam 30 menit selama 24 jam
B e b a n d a l a m M W
Data real
Data prediksi (metode Singh)
Gambar 4.4 Contoh Hasil Peramalan Pada Hari Senin DenganMetode Singh.
8/6/2019 ITS Undergraduate 12683 Paper
http://slidepdf.com/reader/full/its-undergraduate-12683-paper 6/6
0 5 10 15 20 25 30 35 40 45 502400
2600
2800
3000
3200
3400
3600
3800Perbandingan antara data real dan data prediksi
Waktu dalam 30 menit selama 24 jam
B e b a n d a l a m M W
Data real
Data prediksi (metode Song-Chissom)
Gambar 4.5 Contoh Hasil Peramalan Pada Hari Senin DenganMetode Song-Chissom.
5. KESIMPULAN DAN SARANDari hasil serangkaian simulasi peramalan beban
jangka pendek menggunakan fuzzy time series dperoleh
kesimpulan dan saran untuk pengembangan lebih lanjut.
5.1 Kesimpulan1. Untuk peramalan beban jangka pendek, fuzzy time
series menggunakan metode persamaan fuzzy
relational yang diajukan oleh Song-Chissom
menghasilkan peramalan yang lebih baik daripada
metode parameter difference yang diajukan oleh
Singh. Keseluruhan error rata-rata untuk metode
yang diajukan oleh Song-Chissom adalah 2.5%
sedangkan untuk metode yang diajukan oleh Singh
adalah 2.6%.
2. Metode fuzzy time series menggunakan parameter
difference lebih sederhana,mudah dipahami dan
diterapkan dibandingkan dengan menggunakan
persamaan fuzzy relational.3. Metode fuzzy time series yang diajukan oleh Singh
menghasilkan output crips yang lebih baik dari
yang diajukan oleh Song-Chissom.
4. Metode yang diajukan oleh Singh tidak dapat
diaplikasikan untuk data linguistik karena untuk
menghitung parameter difference diperlukan data
kuantitatif sebenarnya.
5.2 SaranUntuk penelitian lebih lanjut dapat dilakukan studi
tentang model orde ataupun rasio interval yang sesuai
untuk peramalan beban jangka pendek sehingga dapat
menghasilkan peramalan yang lebih akurat.
6. DAFTAR REFERENSI[1] Dharma Agus. Indrawan P.E.W. Imam Robandi,
(2008), Peramalan Beban Listrik Jangka Pendek
Untuk Hari Libur Menggunakan Metode Artificial
Neural Network dan Fuzzy Inference System Studi
Kasus Di Pulau Bali. Symposium RAPI VII UMS,
Surakarta, hal. E91-99, 12 Desember 2008.
[2] Dipti Srinivasan. Evolving Artificial Neural
Networks for Short Term Load Forecasting Neuro-
computing, Volume 23, Issues 1-3, 7 December
1998, Pages 265-276.
[3] EI-Sharkawi M, Niebur D. Short-term Load
Forecasting With Artificial Neural Networks: the
international activities, IEEE power engineering
society: tutorial course on artificial neural
networks with applications to power systems, pp.
90 – 103, 1996.
[4] Kandil Nahi, René Wamkeue, Maarouf Saad,
Semaan Georges. An Eefficient Approach for
Short Term Load Forecasting Using Artificial
Neural Networks. International Journal of
Electrical Power & Energy Systems, Volume 28,
Issue 8, October 2006, Pages 525-530.
[5] Singh S.R.. A Simple Method of Forecasting
Based on Fuzzy Time Series. Applied
Mathematics and Computation, in press.
[6] Singh S.R.. A Robust Method of Forecasting
Based on Fuzzy Time Series. AppliedMathematics and Computation, 188(1),472-484.
[7] Q.Song, B.S.Chissom, Forecasting Enrollments
With Fuzzy Time Series, Part II, Fuzzy Sets Syst.
64 (1994) 1 – 8.
RIWAYAT PENULIS
Bagus Handoko, lahir di Madiun
3 Nopember 1988. Merupakan
anak ke-3 dari pasangan Bapak
Sudarsono dan Ibu Sriatun.
Menempuh jenjang pendidikan
di SDN Babat VI mulai 1994-1997 dan melanjutkan di SDN
Klegen II Madiun mulai 1997-
2000, SMPN 1 Madiun tahun
2000-2003 dan SMAN 3
Madiun tahun 2003-2006. Setelah lulus dari SMA,
penulis melanjutkan sekolah ke jenjang strata 1 di
Jurusan Teknik Elektro, Institut Teknologi Sepuluh
Nopember Surabaya. Penulis mengambil bidang studi
Teknik Sistem Tenaga, dan aktif dalam berbagai
kegiatan di Laboratorium Power System Operation And
Control. Selain itu, penulis juga aktif dalam organisasi
kampus lainnya yaitu UKM Badminton dan Eureka TV.