Library Automation and Digital Archive
LONTAR
Fakultas Ilmu Komputer
Universitas Indonesia

Pencarian Sederhana

Find Similar Add to Favorite

Call Number KA-1163 (Softcopi KA-1156) MAK KA-809
Collection Type Karya Akhir (KA)
Title Prediksi kebutuhan batubara PLTU menggunakan data mining hybrid particle swarm optimization (PSO) dan autoregessive integrated moving average (ARIMA)
Author Rinaldi Rusli;
Publisher Jakarta : Program Studi Magister Teknologi Informasi Fasilkom UI, 2019
Subject Data mining
Location FASILKOM-UI-MTI;
Lokasi : Perpustakaan Fakultas Ilmu Komputer
Nomor Panggil ID Koleksi Status
KA-1163 (Softcopi KA-1156) MAK KA-809 Ind TERSEDIA
Tidak ada review pada koleksi ini: 46518
PT. PLN (Persero) adalah satu satunya perusahaan BUMN yang bergerak pada sektor ketenagalistrikan. Dalam melayani kebutuhan masyarakat Indonesia terhadap listrik 49,91% merupakan Pembangkit Listrik Tenaga Uap (PLTU) yang berbahan bakar batubara. Untuk menjaga operasional batubara, PLN memiliki Peraturan Direksi PLN menjaga batasan stok rata rata batubara 22 26 hari operasi, selain itu PLN juga memiliki aplikasi Batubara Online (BBO) yang mencatat kondisi stok batubara di masing masing PLTU. Walaupun sudah memiliki regulasi dan aplikasi, stok batubara di beberapa PLTU masih mengalami krisis stok yang disebabkan oleh volatilitas kebutuhan batubara PLTU akibat capacity factor (CF) dan specific fuel consumption (SFC) yang berubah ubah. Oleh karena itu diperlukan sebuah model untuk memperkirakan kebutuhan batubara di PLTU sehingga dapat membantu Manajemen mengambil keputusan di awal sebelum terjadinya krisis stok. Penelitian ini melakukan prediksi kebutuhan batubara dari data time series CF, dan SFC, Batubara diterima dan konsumsi batubara diambil dari aplikasi BBO untuk periode 2013 s/d 2017. Algoritma yang digunakan adalah hibrida antara model Autoregressive Integrated Moving Average (ARIMA) dengan algoritma Particle Swarm Optimization (PSO). Hasil penerapan data mining untuk melakukan prediksi terhadap kebutuhan batubara di PLTU Indramayu menggunakan ARIMA menghasilkan prediksi dengan tingkat kesalahan paling kecil sebesar 9.028211% terdapat pada skenario harian, sedangkan menggunakan hybrid ARIMA dan PSO menghasilkan prediksi dengan tingkat kesalahan sebesar 4.688781% terdapat pada skenario harian.