Evaluasi Komparatif DFFNN, DFFNN yang Dioptimasi GA, DFFNN yang Dioptimasi GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik Menggunakan Sliding Window Cross-Validation
Techné : Jurnal Ilmiah Elektroteknika · 06.05.2026 · 25 (1) · 91-104
DOI: 10.31358/techne.v25i1.656 ↗Kurz gefasst
Fachartikel in der Zeitschrift Techné : Jurnal Ilmiah Elektroteknika, online erschienen am 06.05.2026. Verfasst von Giovanni Dimas Prenata. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).
Abstract (Originalsprache)
Prediksi konsumsi energi listrik yang akurat sangat penting untuk perencanaan jaringan dan efisiensi pasokan. Penelitian ini membandingkan empat pendekatan, yaitu Deep Feedforward Neural Network (DFFNN), DFFNN dengan Genetic Algorithm (GA), DFFNN dengan Grey Wolf Optimizer (GWO), serta Long Short-Term Memory (LSTM), menggunakan teknik Sliding Window Cross-Validation (SWCV). Tiga skenario evaluasi dilakukan: tanpa SWCV (2015-2018 latih, 2019 uji), SWCV mode 1 (2015-2017 latih, 2018 uji), dan SWCV mode 2 (2016-2018 latih, 2019 uji). Hasil menunjukkan bahwa DFFNN-GWO unggul dalam efisiensi, rata-rata hanya membutuhkan 50.000. Sementara itu, DFFNN standar berfungsi sebagai baseline dengan MSE rata-rata ~1.0×10??, namun membutuhkan iterasi 10.000-25.000 untuk stabil. Analisis ketiga skenario menegaskan bahwa kedekatan temporal data latih dengan data uji (seperti pada SWCV mode 2) meningkatkan generalisasi semua model. Secara keseluruhan, kombinasi optimisasi metaheuristik dan validasi temporal terbukti meningkatkan akurasi dan efisiensi prediksi konsumsi energi listrik, dengan GWO menonjol pada efisiensi dan LSTM pada kestabilan jangka panjang.
Zitieren
APA
Prenata, G. D. (2026). Evaluasi Komparatif DFFNN, DFFNN yang Dioptimasi GA, DFFNN yang Dioptimasi GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik Menggunakan Sliding Window Cross-Validation. Techné : Jurnal Ilmiah Elektroteknika, 25(1), 91-104. https://doi.org/10.31358/techne.v25i1.656
Vancouver
Prenata GD. Evaluasi Komparatif DFFNN, DFFNN yang Dioptimasi GA, DFFNN yang Dioptimasi GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik Menggunakan Sliding Window Cross-Validation. Techné : Jurnal Ilmiah Elektroteknika. 2026;25(1):91-104. doi:10.31358/techne.v25i1.656
BibTeX
@article{Prenata2026,
author = {Prenata, Giovanni Dimas},
title = {Evaluasi Komparatif DFFNN, DFFNN yang Dioptimasi GA, DFFNN yang Dioptimasi GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik Menggunakan Sliding Window Cross-Validation},
journal = {Techné : Jurnal Ilmiah Elektroteknika},
year = {2026},
volume = {25},
number = {1},
pages = {91--104},
doi = {10.31358/techne.v25i1.656}
}
EUVIMED