PERBANDINGAN METODE-METODE DEEP LEARNING DALAM PREDIKSI KONSUMSI DAYA LISTRIK RUMAH JANGKA PENDEK

Konsumsi daya listrik terus mengalami peningkatan setiap harinya, seiring
dengan kemajuan teknologi, peningkatan penggunaan mesin yang bergantung
pada listrik dan pertumbuhan populasi manusia. Prediksi konsumsi daya listrik
sulit dilakukan karena berbagai hal seperti kondisi cuaca dan perilaku dinamis
penghuni. Jadi, untuk mengatasi hal ini digunakanlah metode deep learning yaitu
CNN (convolutional neural network), LSTM (long-short term memory),
BDLSTM (bi-directional long-short term memory), CNN-LSTM dan CNN-M- BDLSTM dengan tiga tahapan. Tahapan pertama yaitu memperbaiki missing
value. Tahapan kedua melakukan pengolahan data dan pembentukan model dari
metode-metode deep learning. Tahapan ketiga mengevaluasi hasil prediksi
dengan metrik kesalahan. Jenis metrik kesalahan yang digunakan yaitu MSE
(mean square error), MAE (mean absolute error), MAPE (mean absolute
percentage error) perhitungan dilakukan dengan membandingkan nilai data
sebenarnya dan nilai data hasil prediksi. Semakin besar nilai metrik kesalahan,
semakin besar error hasil prediksi. Dari hasil analisis, metode CNN menghasilkan
loss dan waktu training terkecil sebesar 0.0010 9/step ms, metode LSTM dan
CNN-LSTM menghasilkan loss terbesar yaitu 0.0019 sedangkan waktu training
terlama yaitu 139/step ms pada Metode BDLSTM. Nilai MSE, MAE, dan MAPE
terbesar yaitu masing-masing 0.150, 0.258 dan 0.176 hasil dari metode CNN.
Nilai MSE dan MAE terkecil yaitu 0.082 dan 0.174 hasil dari metode BDLSTM.
Sedangkan nilai MAPE terkecil diperoleh metode CNN-M-BDLSTM sebesar
0.148. Hal ini membuktikan bahwa kemampuan dalam memprediksi konsumsi
daya listrik jangka pendek yang menggunakan metode-metode deep learning
mempunyai kemampuan yang baik ditinjau dari hasil metrik kesalahannya.
Kata Kunci : Deep Learning, Metrik Kesalahan, Konsumsi Daya.