ITSITS

International Journal of Business and Management Technology in SocietyInternational Journal of Business and Management Technology in Society

Tujuan – Penelitian ini bertujuan untuk mengembangkan metode akurat guna memprediksi operasi harian pembangkit listrik guna mendukung penjadwalan optimal produksi dan pemeliharaan. Metodologi – Sebuah filter adaptif berbasis wavelet symlet (adaplet) diterapkan menggunakan algoritma Normalized Least Mean Square (NMLS). Model menyesuaikan koefisiennya secara dinamis berdasarkan data operasional historis guna meminimalkan error prediksi. Temuan – Metode diuji pada data operasi pembangkit listrik Indonesia dan berhasil mencapai Mean Square Error (MSE) sebesar 0,079. Evaluasi berbasis segmentasi menegaskan kemampuan model untuk memberikan akurasi prediksi yang konsisten pada berbagai kerangka waktu. Keaslian – Penelitian ini memperkenalkan pendekatan inovatif dengan menggabungkan wavelet symlet dan filter adaptif dalam konteks prediksi operasi pembangkit listrik, yang memungkinkan pemodelan akurat dengan data terbatas. Keterbatasan Penelitian – Penelitian terbatas pada prediksi jangka pendek (hingga 3 hari ke depan) dan tidak memasukkan faktor eksternal seperti cuaca atau permintaan sistem. Hanya algoritma NLMS yang digunakan tanpa perbandingan dengan metode adaptif lain. Implikasi Praktis – Metode yang diusulkan memungkinkan operator menghasilkan jadwal yang lebih akurat dan andal, meningkatkan kinerja sistem secara keseluruhan serta mengurangi risiko gangguan. Implikasi Sosial – Peningkatan reliabilitas operasi pembangkit listrik berkontribusi pada pasokan listrik yang lebih stabil, secara tidak langsung mendukung layanan publik dan aktivitas ekonomi.

Filter adaptif berbasis wavelet symlet dapat digunakan untuk memprediksi operasi harian pembangkit dengan nilai Mean Square Error sebesar 0,079.Metode ini mampu memberikan prediksi yang akurat walaupun menggunakan data terbatas.Selanjutnya, prediksi operasi harian pembangkit dapat dilakukan dengan meningkatkan panjang koefisien urutan parent wavelet yang digunakan atau dengan menerapkan filter RLS (Recursive Least Square).

Pertama, penelitian yang dapat memanfaatkan data cuaca dan permintaan listrik sebagai variabel tambahan dapat meningkatkan akurasi prediksi jangka menengah hingga panjang, sehingga operator dapat merencanakan pemeliharaan secara lebih tepat. Kedua, perbandingan performa antara algoritma NLMS yang saat ini digunakan dengan algoritma adaptif lain seperti RLS (Recursive Least Squares) atau LMS tambahan dapat memberikan wawasan tentang bagaimana memilih algoritma optimal berdasarkan karakteristik data historis. Ketiga, pengembangan model prediksi yang menilai operasi simultan beberapa pembangkit listrik dalam satu jaringan, termasuk sinkronisasi waktu dan distribusi beban, dapat memperluas kapabilitas sistem dalam kondisi real‑time, membantu mengurangi risiko kelebihan beban atau kegagalan sistem. Dengan tiga pendekatan tersebut, penelitian selanjutnya dapat memperkuat basis ilmiah dan praktis untuk sistem operasi pembangkit listrik yang lebih andal. Penelitian juga dapat mengevaluasi dampak penggunaan data sensor real‑time dari peralatan pembangkit, sehingga model dapat menyesuaikan prediksi ketika terjadi perubahan kondisi mesin secara langsung. Terakhir, pendekatan pembelajaran mesin berbasis jaringan saraf melibatkan pengolahan data historis yang lebih kompleks dapat diuji untuk mengeksplorasi potensi peningkatan akurasi lebih lanjut pada prediksi jangka panjang.

Read online
File size360.7 KB
Pages4
DMCAReport

Related /

ads-block-test