ABSTRAKSI: Salah satu target kinerja di lingkungan PT.PLN Distribusi Jawa Barat dan Banten adalah menekan losses. Oleh karena itu setiap APJ, khususnya PT.PLN APJ Depok, selalu mentargetkan Kwh beli, Kwh jual dan losses setiap tahunnya. Dengan memprediksi pemakaian energi listrik yang dipakai masyarakat (Kwh jual), diharapkan kita dapat menentukan langkah-langkah untuk mencapai target losses yang diinginkan.
Jaringan syaraf tiruan dapat dipakai untuk meramalkan apa yang akan terjadi dimasa yang akan datang berdasarkan kejadian yang ada di masa lampau, khususnya peramlan pemakaian beban listrik. Tugas akhir ini mengaplikasikan salah satu arsitektur jaringan syaraf tiruan, yaitu recurrent neural network dengan algoritma pelatihan real time recurrent learning untuk memprediksi pemakaian beban listrik (Kwh jual) setiap bulannya. Kemudian akan diukur keakuratan dari aplikasi ini dengan cara menghitung kesalahan peramalan.
Dari hasil pengujian, aplikasi ini dapat menjadi salah satu alternatif untuk masalah peramalan pemakaian beban listrik, namun keakuratannya hanya untuk satu bulan kedepan saja. Dengan menggunakan jumlah unit pada layer input = 9 dan jumlah unit pada layer tersembunyi = 2, aplikasi ini menghasilkan kesalahan peramalan terkecil.
Kata Kunci : Losses, Jaringan syaraf tiruan, Reccurent neural network, Real time recurrent learning.ABSTRACT: The one of target in PT. PLN distribution of West Java and Banten is to minimize losses. So, each APJ, especially PT. PLN APJ Depok, usually make targeting Kwh beli, Kwh jual, ant losses for a year. With load forecasting that used by people, we hope we can set up a plan to reach loosese that we want.
Neural network can use to forecast something that will happen in the future, based on something that happen in the past, especially for prediction load. This final task, applying one of neural network architecture,. It is recurrent neural network with real time recurrent learning algorithm that I use to prediction load (Kwh jual) for each month. Then I will estimate percentage error of this application.
Based on test, this application can use to be an alternative for load forecasting problem. But the performance of this application only to forecast one month. With unit input = 9 and unit hidden = 2, this application provide small error.Keyword: Losses, Neural network, Reccurent neural network, Real time recurrent learning.