JURNAL : Optimalisasi Neural Network dengan Bootstrap Aggregating (Bagging) untuk Penentuan Prediksi Harga Listrik

ABSTRAK - Memprediksi harga listrik merupakan sebuah faktor penentu pendukung keputusan dalam mengeluarkan sebuah kebijakan pemerintah dalam menentukan harga listrik. Ketepatan akurasi prediksi sebuah prediksi harga listrik menjadi hal yang sangat diperhitungkan, dengan menggunakan Neural Network prediksi harga listrik diprediksi dengan harapan menghasilkan tingkat akurasi yang baik. Neural Network masih mempunyai kelemahan dalam menentukan nilai bobot terbaik sehingga optimalisasi dilakukan dengan menerapkan bagging kedalam model yang diusulkan. Berdasarkan hasil penelitian didapatkan bahwa penerapan bagging pada Neural Network dapat meningkatkan tingkat akurasi prediksi dengan nilai RMSE sebesar 10.513. Maka dapat disimpulkan bahwa prediksi harga listrik dengan mengggunakan bagging pada Neural Network lebih akurat dibandingkan dengan Neural Network tradisional.

Kata Kunci: bagging, harga listrik, Neural Network

PENDAHULUAN - Sejak awal tahun 1990-an proses deregulasi di pasar dunia telah membentuk sebuah aturan perdagangan pada sektor listrik dan dalam hal ini pemerintah sendiri menjadi pengendalinya. Di banyak negara di seluruh dunia, listrik kini diperdagangkan dibawah aturan pasar menggunakan spot dan kontrak derivative, namun listrik yang merupakan komoditi sangat istimewa ini membutuhkan keseimbangan yang konstan antar produksi dan konsumsi untuk menjaga stabilitas sistem tenaga dan perekonomian [1]. Perkiraan harga listrik merupakan salah satu faktor penting di pasar listrik. Keakurasian dalam peramalan dan prediksi harga listrik sangat berguna sekali bagi pelaku pasar dalam memutuskan sebuah keputusan dan manajemen resiko dalam prediksi harga listrik. Selain itu bagi pemasok listrik, prediksi harga listrik adalah acuan dasar untuk membangun strategi penawaran listrik yang optimal sedangkan bagi konsumen, untuk membantu mereka untuk mendapatkan jadwal dalam memperoleh pembelian listrik dengan daya listrik yang maksimum dengan biaya pengeluaran yang minimum [2].