Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
The feed forward neural network (FFANN) model has been the most popular form of artificial neural network model used for forecasting, particularly in economics and finance. In this paper, we elucidate the application of FFANN as a means of modeling financial data. We particularly focus on the model building of FFANN as time series model and use inflation rates in Indonesia as a case study. A comparison is drawn between FFANN model and the best existing models based on traditional econometrics time series approach. The best models are selected on forecasting ability by using the MSE, particularly on the dynamic forecast. The results show that FFANN models outperform the traditional econometric time series model.

Abstrak :
Dalam perencanaan operasi harian, diperlukan perkiraan beban beberapa waktu kedepan sebagai dasar penentuan strategi pembangkit. Saat ini belum dibentuk suatu model matematis yang dapat digunakan untuk melakukan perkiraan beban listrik secara akurat. Untuk itu pada penelitian kali ini akan disusun model matematis yang dapat melakukan peramalan beban secara akurat. Metode yang digunakan pada penelitian ini untuk melakukan peramalan beban listrik di Jawa-Bali adalah dengan menggunakan Feed Forward Neural Networks dan Bayesian Neural Networks. Hasil dari pengolahan data yang telah dilakukan diperoleh hasil bahwa peramalan dengan Feed Forward Neural Networks memberikan hasil peramalan yang lebih baik untuk rentang waktu 1 minggu kedepan, sedangkan untuk melakukan ramalan 1 ? 2 hari kedepan Bayesian Neural Networks memberikan hasil yang lebih akurat. ...... In the daily operations planning, required load estimates as a basis for determining the generating strategy. Currently a mathematical model that can be used to perform accurately estimate the electric load has not been established. Therefore in the present study will be developed a mathematical model that can perform load forecasting accurately. The method used in this study to to forecast electricity load in Java-Bali is by using Feed Forward Neural Networks and Bayesian Neural Networks. The results shows forecasting with Feed Forward Neural Networks provide better forecasting results for a span of 1 week ahead, while to do a forecast 1-2 days ahead of Bayesian Neural Networks provide more accurate results.

Abstrak :
Baterai lead-acid merupakan salah satu penyimpanan energi listrik untuk energi terbarukan. Harga baterai yang relatif murah, efisiensi listrik yang baik sekitar 70%, dapat bekerja dengan baik pada suhu rendah dan tinggi, serta komponen sel yang mudah didaur ulang menyebabkan baterai ini sangat menjanjikan keadaan muatan merupakan salah satu parameter penting dalam baterai. Selain itu, estimasi keadaan muatan juga diperlukan untuk membantu memprediksi siklus pengisian pada baterai sehingga dapat memperlama umur dari baterai lead-acid. Terdapat banyak metode dalam pengestimasian keadaan muatan. Pada studi ini, keadaan muatan pada baterai lead-acid diestimasikan menggunakan metode perhitungan Coulomb dan FFNN. Kedua hasil estimasi tersebut dibandingkan untuk melihat tingkat efisiensi dari masing-masing metode. Hasil studi ini menunjukkan bahwa metode FFNN lebih baik daripada metode perhitungan coulomb dengan selisih nilai kesalahan sebesar 5,56% pada masukkan data percobaan dan 0.46% pada masukkan data simulasi. ......The lead-acid battery is one of the type of renewable energy storage. It cheaps price, good electricity-effisiense around 70%, work well at low and high temperatures, and the cell components are easily recycled cause this battery is very promising for the future. The state of charge is one of the essential parameters in the battery. Besides, an estimated state of charge is also needed to predict the battery charging cycle so that it can improve the lifetime of the lead-acid battery. There are many methods in estimating the state of charge. In this study, the state of charge on lead-acid batteries is estimated using the Coulomb counting and feed-forward neural network method. The two estimation results are compared to see the level of efficiency of each method. The resulst of this study show that the feed-forward neural network method is better than the Coulomb Counting method with a ratio of 5,56% on the first input and 0,46% on the second input.