1. TUGAS1_METODOLOGI_PENELITIAN_TEKNOLOGI_INFORMASI_HENDRO GUNAWAN_200401072103_IT701.pdf

YAYASAN MEMAJUKAN ILMU DAN KEBUDAYAAN
UNIVERSITAS SIBER ASIA
Kampus Menara, Jl. RM. Harsono, Ragunan - Jakarta Selatan.Daerah Khusus Ibukota Jakarta 12550.
Telp. (+6221) 27806189. asiacyberuni@acu.ac.id. Universitas Siber Asia | Official Website (unsia.ac.id)
Mata Kuliah : Metodologi Penelitian Teknologi Informasi
Kelas : IT 701
Prodi : PJJ Informatika
Nama Mahasiswa : Hendro Gunawan
NIM : 200401072103
Dosen : Bapak Riad Sahara, S.Si., M.T
Bapak Riad Sahara, S.Si, M.T=
TUGAS
METODOLOGI PENELITIAN TEKNOLOGI INFORMASI

i
Kata Pengantar
Saya ucapkan puji syukur kepada Allah SWT dengan telah selesainya penulisan tugas 1 mata kuliah
Metodologi Penelitian Teknologi Informasi dengan tema penelitian “Penerapan Deep Learning dan
Reinforcement Learning”, dan judul penelitian “Penerapan Deep Learning dan Reinforcement Learning
dengan Metode Convolutional Neural Network (CNN) untuk Pengisian Mobil Listrik (Electric Vehicle) di
Jaringan Pintar”. Penelitian ini bersumber dari jurnal internasional yang diambil dari situs web Browse
journals and books | ScienceDirect.com dengan memilih sebanyak lima belas jurnal dan lima jurnal yang
dijadikan sebagai referensi penelitian yaitu:
1. Hebba-Allah. El-Azab, R. S.-A. (2023, Oktober). Seasoning electric vehicle forecasting model based on
machine learning and Deep Learning techniques. Diambil kembali dari ScienceDirect:
https://doi.org/10.1016/j.egyai.2023.100285.
2. Tai-Yu Ma, S. F. (2022, April 1). Multistep electric vehicle charging station occupancy prediction using
hybrid LSTM neural networks. Diambil kembali dari ScienceDirect:
https://doi.org/10.1016/j.energy.2022.123217.
3. Mouaad Boulakhbar, M. F. (2022, Desember). A deep learning approach for prediction of electrical vehicle
charging stations power demand in regulated electricity markets: The case of Morocco. Diambil kembali dari
ScienceDirect: https://doi.org/10.1016/j.cles.2022.100039.
4. Andrey Poddubnyy, P. N. (2023, Desember). Online EV charging controlled by reinforcement learning with
experience replay. Diambil kembali dari ScienceDirect: https://doi.org/10.1016/j.segan.2023.101162.
5. Sooji Ha, D. J. (2021, Januari 22). Topic classification of electric vehicle consumer experiences with
transformer-based deep learning. Diambil kembali dari ScienceDirect:
https://doi.org/10.1016/j.patter.2020.100195.
Disamping itu saya juga membuat studi literatur (literature review) dari lima jurnal tersebut untuk dijadikan
sebagai literatur utama dalam bentuk tabel dan paragraf. Yang terakhir adalah membuat nilai inovasi atau
perbedaan penelitian yang akan dilakukan berdasarkan literature review yang sudah dibuat. Tugas 1 ini masih
jauh dari sempurna sehingga diperlukan perbaikan terus menerus dan untuk itu saya tunggu masukan dari
pembaca . Selamat membaca.
Gresik, 12 November 2023
Hendro Gunawan
Email: hendro.gnwn@gmail.com
hendro.gnwn@ymail.com
hendro.gnwn@outlook.com

ii
Daftar Isi
Kata Pengantar.....................................................................................................................................................i
Daftar Isi.............................................................................................................................................................ii
Lembar Jawaban………………………….........................................................................................................1
BAB I Soal Tugas 1……………………………………………………………………………………...….…1
BAB II Jawaban Tugas 1…………………………………………………………………….…………….…..1
1. Tema dan Judul Penelitian Tugas Akhir…………………………………………………………………….1
1.1. Tema Penelitian……………………………………………………..…………………………….……1
1.2. Judul Penelitian………………………..……….....................................................................................1
2. Daftar Jurnal Penelitian Internasional………….………………………………………………………..…..1
3. Literature Review……………………………………………………………………………………………3
3.1. Jurnal 1……………………………………………………………………………………………...…..3
3.2. Jurnal 2………………………………………………………………………………………………...18
3.3. Jurnal 3…………………………………………………………………………………………….…..27
3.4. Jurnal 4……………………………………………………………………………………………..….32
3.5. Jurnal 5…………………………………………………………………………………………….…..42
3.6. Literature Review dalam Bentuk Narasi/Paragraf………………………………….............................49
3.6.1. Jurnal 1……………………………………………………………………………………….....49
3.6.2. Jurnal 2……………………………………………………………………………………….....50
3.6.3. Jurnal 3……………………………………………………………………………………….....50
3.6.4. Jurnal 4…………………………………………………………………………………….........51
3.6.5. Jurnal 5…………………………………………………………………………………….........52
4. Nilai Inovasi atau Perbedaan Penilaian yang Akan Dilakukan Berdasarkan Literature Review yang Sudah
Dibuat……………………………………………………………………………...………………….…...52
4.1. Jurnal 1……………………………………………………………………………….……………..…52
4.2. Jurnal 2…………………………………………………………………………….………………..…53
4.3. Jurnal 3………………………………………………………………………….……………….….…53
4.4. Jurnal 4………………………………………………………………….………………………..……54
4.5. Jurnal 5………………………………………………………………….…………………………..…55
BAB III Kesimpulan………………………………………..………………………………………………...56
Referensi…………………………………………………………………………………………………...…56
Link File…………………………………………………………………………………………………..…..56
Tabel Nilai……………………………………………………………………………………………….…...57

LEMBAR JAWABAN
TUGAS 1
SEMESTER GANJIL TAHUN AJARAN 2023/2024
Mata Kuliah : Metodologi Penelitian Teknologi Informasi
Kelas : IT 701
Prodi : PJJ Informatika
Nama Mahasiswa : Hendro Gunawan
NIM : 200401072103
Dosen : Bapak Riad Sahara, S.Si., M.T
BAB I
Soal Tugas 1
No Uraian Tugas
1 Tentukan tema dan atau judul dari penelitian yang rencananya akan dijadikan sebagai laporan untuk
Tugas Akhir.
2 Cari minimal 15 (lima belas) jurnal (jurnal nasional atau internasional) sesuai dengan tema yang sudah
ditentukan pada point nomor 1. Jurnal harus memiliki identitas yang jelas dan valid minimal memiliki
ISSN/P-ISSN/E-ISSN.
3 Buat studi literatur /Literature Review dari jurnal yang dijadikan sebagai referensi penelitian, ambil 5
jurnal yang sudah dicari dan akan dijadikan sebagai literatur utama. Studi Literatur/Literature Review
dibuat dalam bentuk tabel lalu buatkan juga dalam bentuk narasi/paragraf.
4 Buat nilai inovasi atau perbedaan penilaian yang akan dilakukan berdasarkan Literature Review yang
sudah dibuat.
BAB II
Jawaban Tugas 1
1. Tema dan Judul Penelitian Tugas Akhir
1.1. Tema penelitian
Penerapan Deep Learning dan Reinforcement Learning.
1.2. Judul penelitian
Id: Penerapan Deep Learning dan Reinforcement Learning dengan Metode Convolutional Neural
Network (CNN) untuk Pengisian Mobil Listrik (Electric Vehicle) di Jaringan Pintar.
En: Application of Deep Learning and Reinforcement Learning with the Convolutional Neural
Network (CNN) Method for Charging Electric Vehicles in Smart Networks.
Website: Application of Deep Learning and Reinforcement Learning with the Convolutional Neural
Network (CNN) Method for Charging Electric Vehicles in Smart Networks. - Search |
ScienceDirect.com
2. Daftar Jurnal Penelitian Internasional
2.1.Seasonal electric vehicle forecasting model based on machine learning and Deep
Learning techniques.

2
https://doi.org/10.1016/j.egyai.2023.100285
2.2. Multistep electric vehicle charging station occupancy prediction using hybrid LSTM
neural networks.
https://doi.org/10.1016/j.energy.2022.123217
2.2. A Deep Learning approach for prediction of electrical vehicle charging stations power
demand in regulated electricity markets: The case of Morocco.
https://doi.org/10.1016/j.cles.2022.100039
2.4. Online EV charging controlled by reinforcement learning with experience replay.
https://doi.org/10.1016/j.segan.2023.101162
2.5. A data-driven framework for medium-term electric vehicle charging demand
forecasting.
https://doi.org/10.1016/j.egyai.2023.100267
2.6. Mind the gap: Modelling difference between censored and uncensored electric vehicle
charging demand.
https://doi.org/10.1016/j.trc.2023.104189
2.7. A survey of applications of artificial intelligence and machine learning in future mobile
networks-enabled systems.
https://doi.org/10.1016/j.jestch.2023.101455
2.8. Flexibility Prediction of Aggregated Electric Vehicles and Domestic Hot Water Systems
in Smart Grids.
https://doi.org/10.1016/j.eng.2021.06.008
2.9. Learning the state-of-charge of heterogeneous fleets of distributed energy resources
with temporal residual networks.
https://doi.org/10.1016/j.est.2023.107979
2.10. Reinforcement learning for electric vehicle applications in power systems:A critical
review.
https://doi.org/10.1016/j.rser.2022.113052
2.11. Comparison of electric vehicle load forecasting across different spatial levels with
incorporated uncertainty estimation.
https://doi.org/10.1016/j.energy.2023.129213
2.12. Deep Learning methods utilization in electric power systems.
https://doi.org/10.1016/j.egyr.2023.09.028
2.13. Topic classification of electric vehicle consumer experiences with transformer-based
Deep Learning.
https://doi.org/10.1016/j.patter.2020.100195
2.14. A systematic review of machine learning applications in the operation of smart
distribution systems.

3
https://doi.org/10.1016/j.egyr.2022.09.068
2.15. The role of artificial intelligence in the mass adoption of electric vehicles.
https://doi.org/10.1016/j.joule.2021.07.012
3. Literature Review
3.1. Jurnal 1
Judul Jurnal :
Seasonal electric vehicle forecasting model based on machine learning and
Deep Learning techniques
Volume &
Halaman
: Volume (14) & Halaman 1-17
ISDS/ISSN : 100285
Tahun : 2023
Penulis :
1. Heba-Allah I. El-Azab
2. R.A. Swief
3. Noha H. El-Amary
4. H.K. Temraz
Abstrak : Dalam makalah ini, beberapa algoritma Machine Learning unggulan dan algoritma Deep
Learning diterapkan dalam meramalkan profil beban pengisian kendaraan listrik dari
kumpulan data nyata jaringan listrik Spanyol. Studi ini bertujuan untuk menyediakan
dataset realistis profil beban kendaraan listrik untuk mengatasi potensi peningkatan
penetrasi kendaraan listrik dengan mempertimbangkan efek musiman. Masalah teknis
disebabkan oleh jaringan distribusi jaringan listrik, seperti daya pengisian yang besar
dan perilaku pengisian stokastik dari pengemudi kendaraan listrik karena peluncuran
massal kendaraan listrik. Peramalan profil beban kendaraan listrik diperlukan untuk
menghadapi tantangan untuk memecahkan masalah potensi peluncuran massal penetrasi
kendaraan listrik. Namun, kendaraan listrik dianggap sebagai salah satu solusi paling
menjanjikan yang berkembang lebih cepat daripada solusi terbarukan stokastik lainnya
untuk mengurangi emisi gas rumah kaca. Efek musim adalah salah satu tantangan besar
pada beban listrik, sehingga diselidiki dengan membuat empat jaringan peramalan
terpisah untuk meningkatkan akurasi sistem dan mempelajari efek faktor musim seperti
fluktuasi suhu di empat musim yang mempengaruhi baterai kendaraan listrik dalam
mode pengisian dan penggunaan. Faktor-faktor ini mempengaruhi akurasi model
peramalan. Empat algoritma unggulan diselidiki. Artificial Neural Networks dan
Adaptive Neuro-Fuzzy Inference Systems diterapkan sebagai algoritma Machine
Learning, dan Long Short-Term Memory dan Gated Recurrent Units yang terjaga
keamanannya juga digunakan sebagai algoritma Deep Learning. Model Gated Recurrent
Units berkinerja sedikit lebih baik daripada memori jangka pendek panjang yang
digunakan pada data historis harian rata-rata per jam untuk pengisian kendaraan listrik.
Sementara System Inferensi Neuro-Fuzzy Adaptif mengumpulkan keunggulan Artificial
Neural Network dan System Inferensi Fuzzy.

4
Key Word : Adaptive neuro-fuzzy inference system; Deep Learning; Electric vehicles; Gated
recurrent units; Long short-term memory; Neural network; Short-term load forecasting
Latar
Belakang
Masalah
: Jaringan listrik generasi berikutnya didefinisikan dalam istilah "smart grid".
menunjukkan komunikasi dua arah yang terintegrasi ke dalam smart grid untuk
meningkatkan peningkatan pembangkit dan manajemen energi. Kemampuan kontrol
yang dapat diandalkan, tahan lama, dan dapat dilindungi dalam jaringan pintar dicapai
dengan peningkatan pembangkit dan manajemen energi. Oleh karena itu, transfer smart
grid yang efisien telah diukur dengan kontrol otomatis dan komunikasi sinkron. Namun,
bahan bakar fosil adalah sumber energi utama dalam pembangkitan listrik selain sektor
transportasi. Usaha untuk menemukan sumber energi alternatif diperlukan untuk kedua
sektor. Oleh karena itu, diperlukan sumber energi bersih yang ramah seperti angin,
matahari, dan penyimpanan energi. Sumber daya energi terbarukan menjadi ruang
lingkup penelitian ilmiah. Kendaraan listrik adalah salah satu aplikasi yang menjanjikan
dari sistem penyimpanan energi yang terlibat dalam jaringan pintar.
Langkah penting menuju pengurangan emisi gas rumah kaca adalah penggunaan sumber
energi terbarukan terutama di sektor elektrifikasi transportasi. Investasi besar-besaran
dalam elektrifikasi transportasi dilakukan oleh sebagian besar pemerintah. Menurut
International Energy Agency (IEA) pada tahun 2018, lebih dari 5,1 juta pengemudi EV
secara global dipertimbangkan dalam mobilitas listrik di jalan . Kendaraan Listrik (EV)
menyediakan bauran energi rendah karbon. Alternatif yang kredibel untuk EV
mendukung sektor transportasi dalam transisi karbon yang lebih rendah daripada di
Internal Combustion Engine Vehicles (ICEV). Pada tahun 2019, 47% kira-kira mewakili
pangsa EV di pasar di beberapa negara. Selain itu, tingginya kadar karbon yang
dikeluarkan oleh kendaraan berbahan bakar bensin, solar dan gas (non listrik)
menyebabkan pencemaran terhadap lingkungan. Sehingga dibutuhkan alternatif energi
bahan bakar terbarukan.
Tujuan
Penelitian
: Adapun tujuan dalam pembuatan penelitian ini adalah:
1. Untuk meneliti pengaruh pengisian harian mobil listrik (electric vehicle) pada musim
yang berbeda yaitu musim dingin, musim semi, musim panas, dan musim gugur.
2. Mengetahui seberapa besar Mean Squared Error (MSE), Root Square Mean Error
(RMSE), Mean Absolute Percentage Error (MAPE), dan Mean Absolute Error
(MAE) yang dihasilkan dari dataset penggunaan mobil listrik.
3. Memahami jenis algoritma Deep Learning yang digunakan dalam meneliti model
peramalan kendaraan listrik (electric vehicle) di jaringan pintar.
4. Mendapatkan prediksi dari data set hasil pengujian di masa yang akan datang.
Manfaat
Penelitian
: Penelitian ini mempunyai manfaat sebagai berikut
1. Karya ilmiah ini diharapkan dapat memberi pemahaman dan edukasi tentang
pengaruh penggunaan mobil listrik (electric vehicle) pada empat musim di negara
maju seperti Eropa dan Amerika.
2. Dapat menjadi referensi dalam edukasi pembelajaran Deep Learning dan Machine
Learning.

5
3. Pemaparan informasi tentang penggunaan mobil listrik di jaringan pintar (Smart
Grid).
4. Dapat menjadi bahan pembelajaran dalam mengurangi emisi gas rumah kaca.
Metode : 1. Recurrent Neural Network (RNN)
2. Long Short-Term Memory (LSTM)
3. Gated Recurrent Units (GRU)
4. Adaptive Neural Fuzzy Inference System (ANFIS)
Algoritma
yang
Digunakan
:
Implementasi
dan
Kebutuhan
Perangkat
Lunak Dari
Metode yang
Dilakukan
: Implementasi dan kebutuhan perangkat lunak dari metode yang dilakukan yaitu
menggunakan komputer dengan spesifikasi yang digunakan yaitu RAM 16.00 GB versi
MATLAB 2021a, CPU Intel® Core™ i7–9750H @ 2.60 GHz.
Hasil
Penelitian
: Pada penelitian ini peneliti menggunakan sekelompok kesalahan seperti Root Mean
Square Error (RMSE), Mean Absolute Error (MAE) dan Mean Absolute Percentage
Error (MAPE) untuk mengevaluasi efektivitas algoritma yang diusulkan. RMSE, MAE,
dan MAPE dapat dihitung dengan rumus:
a) Hasil Simulasi Untuk Skenario Musim Dingin
Gambar 1.1 menunjukkan hasil untuk skenario musim dingin pada Januari 2019 yang
menampilkan dataset pengujian yang dinormalisasi dan nilai prediksi, yang diperoleh

6
dari empat algoritma unggulan yang diusulkan ANN, LSTM, GRU, dan ANFIS masing-
masing, dibagi menjadi empat bagian dalam satu gambar a, b, c, dan d.
Gambar 1.1. Pengujian dan dataset nilai prediksi pengisian harian rata-rata per jam EV per bulan setelah
pra-pemrosesan data untuk skenario musim dingin, disimulasikan dari ANN, LSTM, GRU, dan ANFIS.
Tabel 1.1 menampilkan grup kesalahan (RMSE, MAE, dan MAPE) untuk nilai prediksi
himpunan data, namun, nilai-nilai ini diperoleh dengan membagi lebih dari 31 hari untuk
bulan "Januari" untuk mendapatkan grup kesalahan per jam per hari. Semua hasil
diperoleh dan dibandingkan pada faktor Korelasi "R" yang hampir sama.
Tabel 1.1. Ringkasan hasil untuk grup kesalahan (RMSE, MAE, dan MAPE) untuk empat algoritma
unggulan (NN, LSTM, GRU, dan ANFIS) untuk skenario musim dingin.
NN LSTM GRU ANFIS
RMSE/hari 0.00155 0.000897 0.001239 0.000209
MAE/hari 0.00124 0.000684 0.000894 0.000919
MAPE/hari 6.75103 4.1870 4.3073 0.56036
R 0.9933 0.9931 0.9932 0.9935
b) Hasil Simulasi Untuk Skenario Musim Semi
Gambar 1.2 menunjukkan hasil untuk skenario musim semi pada bulan April 2019 yang
masing.

7
Gambar 1.2. Pengujian dan dataset nilai prediksi pengisian harian rata-rata per jam EV
per bulan setelah pra-pemrosesan data untuk skenario pegas, disimulasikan dari ANN,
LSTM, GRU, dan ANFIS.
bulan "April" untuk mendapatkan grup kesalahan per jam per hari. Semua hasil
diperoleh dan dibandingkan pada faktor korelasi yang hampir sama.
Tabel 1.2. Ringkasan hasil untuk kelompok kesalahan (RMSE, MAE, dan MAPE) untuk empat algoritma
unggulan (NN, LSTM, GRU, dan ANFIS) untuk skenario musim semi.
NN LSTM GRU ANFIS
RMSE/hari 0.003706 0.0028 0.0022 0.00039
MAE/hari 0.003191 0.0023 0.0017 0.0011
MAPE/hari 1.606235 0.9262 0.6865 0.39592
R 0.9721 0.9777 0.9779 0.9804
c) Hasil Simulasi untuk Skenario Musim Panas
Gambar 1.3 menunjukkan hasil untuk skenario musim panas pada Juni 2019 yang
masing, dibagi menjadi empat bagian dalam satu gambar a, b, c, dan d.

8
Gambar 1. 3. Pengujian dan dataset nilai prediksi pengisian harian rata-rata per jam EV per bulan setelah
pra-pemrosesan data untuk skenario musim panas, disimulasikan dari ANN, LSTM, GRU, dan ANFIS.
bulan "Juni" untuk mendapatkan grup kesalahan per jam per hari. Semua hasil diperoleh
dan dibandingkan pada faktor korelasi yang hampir sama.
Tabel 1.3. Ringkasan hasil untuk kelompok kesalahan (RMSE, MAE, dan MAPE) untuk empat algoritma
unggulan (NN, LSTM, GRU, dan ANFIS) untuk skenario musim panas.
NN LSTM GRU ANFIS
RMSE/hari 0.00204 0.0025 0.00215 0.00033
MAE/hari 0.00167 0.0019 0.0017 0.0014
MAPE/hari 1.31010 1.2633 1.1898 0.42892
R 0.9917 0.9734 0.9834 0.9856
d) Hasil Simulasi Untuk Skenario Musim Gugur
Gambar 1.4 menunjukkan hasil untuk skenario musim gugur pada Oktober 2019 yang
masing, dibagi menjadi empat bagian dalam satu Gambar a, b, c, dan d.

9
Gambar 1.4. Pengujian dan dataset nilai prediksi pengisian harian rata-rata per jam EV
per bulan setelah pra-pemrosesan data untuk skenario musim gugur, disimulasikan dari
ANN, LSTM, GRU, dan ANFIS.
bulan "Oktober" untuk mendapatkan grup kesalahan per jam per hari. Semua hasil
diperoleh dan dibandingkan pada faktor korelasi yang hampir sama.
Tabel 1.4. Ringkasan hasil untuk grup kesalahan (RMSE, MAE, dan MAPE) untuk empat algoritma
unggulan (NN, LSTM, GRU, dan ANFIS) untuk skenario musim gugur.
NN LSTM GRU ANFIS
RMSE/hari 0.0022 0.00181 0.0019 0.00040
MAE/hari 0.00202 0.0014 0.0016 0.0013
MAPE/hari 1.3874 1.4484 1.6737 0.66382
R 0.9751 0.9822 0.9808 0.97063
Rekap dari Gambar 1.1 sebelumnya, Gambar 1.2, Gambar 1.3, Gambar 1.4, Tabel 1.1,
Tabel 1.2, Tabel 1.3, Tabel 1.4, dapat disimpulkan sebagai berikut:
• Nilai prediksi dibandingkan dengan nilai aktual dari empat model yang diberikan
pada Gambar 1.1, Gambar 1.2, Gambar 1.3, Gambar 1.4 yang menunjukkan hasil
dalam data pengujian, di mana AREP dilambangkan sebagai titik kesalahan nyata
absolut.
• Kesalahan absolut menunjukkan perbedaan absolut antara nilai aktual dan nilai
prediksi.

10
• Di musim dingin, Gambar 1.1:
a. Nilai yang diperkirakan dari ANN secara signifikan mendekati nilai aktual kecuali
pada jam 1, 5-7, 12-13, dan 21-23 dengan AREP tertinggi pada jam 19.
b. Nilai yang diperkirakan dari LSTM secara signifikan mendekati nilai aktual kecuali
pada jam 20-22 dengan AREP tertinggi pada jam 21.
c. Nilai yang diperkirakan dari GRU secara signifikan mendekati nilai aktual kecuali
pada jam 2, 19-23 dengan AREP tertinggi pada jam 2.
d. Nilai yang diperkirakan dari ANFIS secara signifikan mendekati nilai aktual kecuali
pada jam 1-2, 14-15, dan 21 dengan AREP tertinggi pada jam 2.
• Di musim semi, Gambar 1.1:
a. Nilai yang diperkirakan dari ANN sedikit mendekati nilai aktual dengan AREP
tertinggi dalam 24 jam.
b. Nilai perkiraan dari LSTM secara signifikan mendekati nilai aktual kecuali pada jam
22 dengan AREP tertinggi pada jam 22.
c.Nilai yang diperkirakan dari GRU secara signifikan mendekati nilai aktual kecuali
pada jam 19-23 dengan AREP tertinggi pada jam 22.
d. Nilai perkiraan dari ANFIS secara signifikan mendekati nilai aktual kecuali pada jam
1-2, dan 22-24 dengan AREP tertinggi pada jam 22.
• Di musim panas, Gambar 1.2:
pada jam 1, 9, 17, 22-23 dengan AREP tertinggi pada jam 23.
pada jam 1, 9, 17, 22-23 dengan AREP tertinggi pada jam 23.
d. Nilai yang diperkirakan dari ANFIS secara signifikan mendekati nilai aktual kecuali
pada jam 1-6, 15, dan 23-24 dengan AREP tertinggi pada jam 24.
• Di musim gugur, Gambar 1.3:
pada jam 11-20, dan 22 dengan AREP tertinggi pada jam 22.
pada jam 11-13, 17-19, dan 22-23 dengan AREP tertinggi pada jam 22.
d. Nilai perkiraan dari ANFIS secara signifikan mendekati nilai aktual kecuali pada jam
2 dengan AREP tertinggi pada jam 2.
• Dapat dilihat bahwa AREP adalah yang tertinggi pada Gambar 1.1, sedangkan AREP
adalah yang terendah pada Gambar 4 selama beban puncak yang dicapai pada pukul
6 pagi pada hari terakhir tahun ini yang dilambangkan sebagai hari musim semi dan
musim gugur.
• Membandingkan hasil yang diperoleh dari mesin Deep Learning pada Tabel
1.1, 1.2, 1.3, dan 1.4:

11
a. Terlihat bahwa algoritma GRU lebih baik dalam kinerja dengan sekelompok
kesalahan yang kurang dari LSTM dengan sedikit peningkatan faktor korelasi R.
b. Hasil yang diperoleh dari mesin Machine Learning menunjukkan bahwa algoritma
ANFIS lebih baik kinerjanya dengan sekelompok kesalahan yang lebih kecil dari ANN
dengan peningkatan faktor korelasi R yang signifikan.
c. Hasil yang diekstrak dari algoritma yang diusulkan (ANFIS) membuktikan efisiensi
dan akurasinya untuk hasil Neural Network (NN), Long Short-Term Memory (LSTM),
dan Gated Recurrent Unit (GRU) dengan faktor korelasi terbaik R di antara ketiga
algoritma lainnya.
d. Membandingkan hasil yang diperoleh dari dua musim di musim dingin dan musim
panas, terlihat bahwa MAPE di musim panas sedikit lebih baik dan kurang dari MAPE
di musim dingin yang disimulasikan dari empat algoritma.
e. Membandingkan hasil yang diperoleh dari dua musim di musim semi dan musim
gugur, terlihat bahwa MAPE di musim semi secara signifikan lebih baik dan kurang dari
MAPE di musim dingin, yang disimulasikan dari tiga algoritma, yaitu LSTM, GRU, dan
ANFIS. Sedangkan MAPE di musim semi sedikit lebih tinggi dari MAPE di musim
gugur yang disimulasikan dari ANN.
f. Hasil ANFIS (RMSE, MAPE) yang diperoleh pada musim gugur adalah yang terburuk
dengan faktor korelasi terburuk R di antara hasil keseluruhan yang diperoleh dalam tiga
musim lainnya.
g. Hasil ANFIS (RMSE, MAPE) yang diperoleh pada musim semi adalah yang terbaik
dengan nilai moderat faktor korelasi R di antara hasil keseluruhan yang diperoleh pada
tiga musim lainnya.
Kesimpulan : Dari penelitian yang dilakukan dapat disimpulkan bahwa:
1. Model peramalan beban dianggap sebagai solusi utama karena peningkatan dramatis
dalam jumlah EV dengan perilaku pengisian online yang menyebabkan peningkatan
jumlah data. Dalam studi ini, model-model baru dengan metodologi konser yang
menjanjikan yang meningkatkan kecepatan dan akurasi prediksi diantisipasi. Empat
algoritma yang diusulkan diterapkan untuk memperkirakan permintaan rata-rata per jam
selama efek musiman. Di mana model peramalan telah dipengaruhi oleh faktor
musiman, diwakili dalam rentang suhu, yang memiliki dampak besar pada profil beban
EV dalam pengisian dan pengurasan baterai yang bergantung pada penumpang EV
karena menggunakan AC dan pemanas.
2. Empat algoritma unggulan digunakan dalam penelitian lain yang menyangkut
fluktuasi suhu seperti jaringan syaraf tiruan (ANN), memori jangka pendek panjang
(LSTM), Gated Recurrent Unit (GRU), dan sistem inferensi fuzzy syaraf adaptif
(ANFIS). Algoritma yang disebutkan sebelumnya ini telah mengusulkan kerangka kerja
peramalan yang lebih kuat dan akurat dengan kelompok kesalahan paling sedikit.
3. Dengan menerapkan algoritma Deep Learning, dataset prakiraan yang diperoleh dari
algoritma Gated Recurrent Unit lebih akurat dengan rata-rata absolute percentage error
(MAPE) yang lebih sedikit daripada hasil yang diperoleh dari algoritma Long Short-
Term Memory. Hal ini karena bahwa MAPE akumulatif dalam 24 jam telah menurun

12
sebesar 0,1203%, 0,2397%, dan 0,0735% dengan akurasi masing-masing 99,3%,
97,7%, dan 98,3% di musim dingin, musim semi, dan musim panas.
4. MAPE akumulatif meningkat sebesar 0,2253% dengan akurasi 98,08% di musim
gugur. Untuk algoritma pembelajaran mesin, himpunan data yang diperkirakan
diperoleh dari inferensi neuro-fuzzy adaptif lebih akurat dengan persentase kesalahan
absolut rata-rata yang lebih sedikit daripada hasil yang diperoleh dari algoritma Jaringan
Syaraf Tiruan. Hal ini karena bahwa MAPE akumulatif dalam 24 jam telah menurun
sebesar 6,1907%, 1,2103%, 0,8812%, dan 0,7236% dengan akurasi masing-masing
99,35%, 98,04%, 98,56%, dan 97,06% di musim dingin, musim semi, musim panas, dan
musim gugur. Oleh karena itu, algoritma Adaptive Neuro Fuzzy Inference System
membuktikan bahwa dataset yang diperkirakan adalah yang paling akurat dan kinerja
terbaik dengan kesalahan persentase absolut rata-rata akumulatif paling sedikit di antara
algoritma lain yang diusulkan. Namun, hasil yang diperoleh dari ANFIS secara
signifikan dipengaruhi oleh efek musiman dari pengisian permintaan EV per jam.
5. Studi ini berusaha untuk memperkirakan EV per jam yang mengisi listrik per hari
dalam empat musim dan di mana efek musiman (suhu dan sifat konsumsi pemilik EV)
mempengaruhi pengisian dan drainase baterai EV. Dalam pekerjaan masa depan dan
studi selanjutnya.
Saran untuk
Penelitian
Selanjutnya
: 1. Peneliti selanjutnya diharapkan untuk mengkaji lebih banyak sumber ataupun
referensi terkait objek yang diteliti agar hasil penelitiannya lebih lengkap lagi.
2. Objek penelitian ini diharapkan dapat diperluas lagi dan tidak terbatas pada negara
maju melainkan negara berkembang lainnya agar dapat mengetahui perbedaan diantara
keduanya agar hasil yang diperoleh maksimal.
3. Peneliti selanjutnya disarankan agar meningkatkan ketelitian, baik dalam segi
kelengkapan data maupun proses pencarian informasi.
4. Penelitian selanjutnya diharapkan mengambil informasi lebih akurat dengan
melakukan wawancara narasumber yang kompeten.
5. Untuk keakuratan data, disarankan bagi peneliti selanjutnya untuk mengambil
referensi dan sumber data yang baru, minimal yang terbit lima tahun yang lalu, memiliki
ISDS/ISSN atau nomor seri, dan jelas siapa publishernya.
6. Penelitian selanjutnya diharapkan untuk menggunakan lebih banyak sumber data baik
dari buku maupun dari internet dan jurnal lainnya.
7. Bagi peneliti selanjutnya diharapkan untuk dapat menjaga sikap dan tingkah laku,
serta mematuhi setiap peraturan selama proses penelitian agar dapat menjaga nama baik
Universitas.
8. Penelitian selanjutnya dapat menggunakan hasil penelitian ini, namun tetap harus
mengembangkan sumber data dan referensi terbaru untuk memperoleh hasil penelitian
yang berkualitas.
9. Penelitian selanjutnya diharapkan untuk berhati-hati selama proses penelitian karena
banyak tantangan dalam pengumpulan sumber data.

13
10. Penelitian selanjutnya diharapkan menggunakan bahasa Inggris/Indonesia dengan
baik dan benar agar pembaca dapat memahami kalimat yang ada di dalam jurnal
penelitian tersebut.
Kelebihan
Jurnal
: 1. Teori dan model analisis yang digunakan tepat.
2. Penulis lengkap dalam menyimpulkan keseluruhan isi dari jurnal ini.
3. Penulis sangat detail dalam memaparkan hasil yang didapat.
4. Penulis melakukan penelitian yang sangat baik sehingga didapatkan hasil yang
maksimal.
Kekurangan
Jurnal
: Referensi yang digunakan ada yang masih bersumber dari jurnal yang diterbitkan bukan
lima tahun terakhir.
URL/Daftar
Pustaka yang
Digunakan
: [1] Li Y, Kubicki S, Guerriero A, Rezgui Y. Review of building energy performance
certification schemes towards future improvement. Renew Sustain Energy Rev
2019;113:109244.
[2] International energy outlook 2011: Energy Information Administration (EIA),
Office of Integrated Analysis and Forecasting, U.S. Department of Energy, Washington,
DC; 2011.
[3] AustralianEnergyMarketCommission(AEMC). Market arrangements for electric
and natural gas vehicles. Approach paper, Sydney;2011.
[4] European Commission Directive 2009/28/EC of the European Parliament and
of the Council of 23 April 2009 on the promotion of the use of energy from renewable
sources and amending and subsequently repealing directives 2001/77/EC and
2003/30/EC (2009). Available online: https://eur-lex.europa.eu/LexUriSer
v/LexUriServ.do?uri=OJ:L:2009:140:0016:0062:en:PDF (accessed on 19 April 2022).
[5] Renewable Energy in Europe—2018. EEA Report No 20/2018. Luxembourg:
Publications Office of the European Union; 2018.
[6] Global EV Outlook. Scaling-up the transition to electric mobility. International
Energy Agency; 2019. Available online, https://www.iea.org/reports/global-ev-o
utlook-2019. accessed on 19 April 2022Global EV Outlook 2019: Scaling-Up the
Transition to Electric Mobility; OECD: Paris, France, 2019.
[7] International Energy Agency. Global EV outlook 2019: scaling-up the transition
to electric mobility. Paris, France: OECD; 2019.
[8] Kvisle H. The Norwegian charging station database for electromobility
(NOBIL).
World Electr Veh J 2012;5:702–7.
[9] International Energy Agency. Electric vehicle stock in the EV30@30 scenario.
Library catalog. Available online: www.iea.org (accessed on 19 April 2022).
[10] Clean energy ministerial. Electric vehicles initiative. Available online:
www.cleane nergyministerial.org/initiative-clean-energyministerial/electric-vehicles-
initiative (accessed on 22 April 2022).
[11] Koch AK, Fowler MW, Fraser RA. Implementation of a fuel cell plug-in hybrid
electric vehicle and factors affecting transportation policy. Int J Energy Res 2011;
35:1371–88.
[12] García-Villalobos J, Zamora I, San Martín J, Asensio F, Aperribay V. Plug-in
electric vehicles in electric distribution networks: a review of smart charging
approaches.

14
Renew Sustain Energy Rev 2014;38:717–31.
[13] Grahn P. Ph.D. Thesis. Stockholm, Sweden: Electric Power Systems, KTH Royal
Institute of Technology; 2014.
[14] Raza MQ, Khosravi A. A review on artificial intelligence based load demand
forecasting techniques for smart grid and buildings. Renew Sustain Energy Rev
2015;50:1352–72.
[15] Wang S, Ren P, Takyi-Aninakwa P, Jin S, Fernandez C. A critical review of
improved deep convolutional neural network for multi-timescale state prediction of
lithium-ion batteries. Energies 2022;15:5053. https://doi.org/10.3390/ en15145053.
[16] Wang S, Takyi-Aninakwa P, Jin S, Yu C. An improved feedforward-long short-
term memory modeling method for the whole-life-cycle state of charge prediction of
lithium-ion batteries considering current-voltage-temperature variation. Energy
2022;254(5):124224.
[17] Shohan MJA, Faruque MO, Foo SY. Forecasting of electric load using a hybrid
LSTM-neural prophet model. Energies 2022;15:2158. https://doi.org/10.3390/
en15062158.
[18] Dominguez-Jimenez JA, Campillo JE, Montoya OD, Delahoz E, Hernandez JC.
´ Seasonality effect analysis and recognition of charging behaviors of electric vehicles:
a data science approach. Sustainability 2020;12(18):7769. https://doi.
org/10.3390/su12187769.
[19] Arias MB, Kim M, Bae S. Prediction of electric vehicle charging-power demand
in realistic urban traffic networks. Appl Energy 2023;195(2017):738–53. https://doi.
org/10.1016/j.apenergy.2017.02.021.
[20] Jenn A, Highleyman J. iScience ll distribution grid impacts of electric vehicles :
a California case study. ISCIENCE 2022;25(1):103686. https://doi.org/10.1016/j.
isci.2021.103686.
[21] Box GE, Jenkins GM, Reinsel GC, Ljung GM. Time series analysis: forecasting
and control. Hoboken, NJ, USA: John Wiley & Sons; 2015.
[22] Li W, Zhang ZG. Based on time sequence of ARIMA model in the application of
short-term electricity load forecasting. In: Proceedings of the 2009 international
conference on research challenges in computer science; 2009. p. 11–4. 28–29
December.
[23] Haida T, Muto S. Regression based peak load forecasting using a transformation
technique. IEEE Trans Power Syst 1994;9:1788–94.
[24] Shankar R, Chatterjee K, Chatterjee TK. A very short-term load forecasting
using Kalman filter for load frequency control with economic load dispatch. J Eng Sci
Technol Rev 2012;5:97–103.
[25] Park DC, El-Sharkawi MA, Marks RJ, Atlas LE, Damborg MJ. Electric load
forecasting using an artificial neural network. IEEE Trans Power Syst 1991;6:
442–9.
[26] Chen BJ, Chang MW. Load forecasting using support vector machines: a study
on EUNITE competition 2001. IEEE Trans Power Syst 2004;19:1821–30.
[27] Hinton GE, Osindero S, Teh YW. A fast learning algorithm for deep belief nets.
Neural Comput 2006;18:1527–54.
[28] Vermaak J, Botha EC. Recurrent neural networks for short-term load
forecasting.

15
IEEE Trans Power Syst 1998;13:126–32.
[29] Bouktif S, Fiaz A, Ouni A, Serhani M. Optimal deep learning lstm model for
electric load forecasting using feature selection and genetic algorithm: comparison with
machine learning approaches. Energies 2018;11:1636.
[30] Zheng H, Yuan J, Chen L. Short-term load forecasting using EMD-LSTM neural
networks with a Xgboost algorithm for feature importance evaluation. Energies
2017;10:1168.
[31] Gensler A, Henze J, Sick B, Raabe N. Deep Learning for solar power
forecasting—An approach using AutoEncoder and LSTM neural networks. In:
Proceedings of the 2016 IEEE international conference on systems, man, and
cybernetics (SMC); 2016. p. 002858–65. 9–12 October.
[32] Kumar J, Goomer R, Singh AK. Long short term memory recurrent neural
network (lstm-rnn) based workload forecasting model for cloud datacenters. Procedia
Comput Sci 2018;125:676–82.
[33] Kuan L, Yan Z, Xin W, Yan C, Xiangkun P, Wenxue S, Zhe J, Yong Z, Nan X, Xin
Z. Short-term electricity load forecasting method based on multilayered self-
normalizing GRU network. In: Proceedings of the 2017 IEEE conference on energy
internet and energy system integration (EI2); 2017. p. 1–5. 26–28 November.
[34] Zhu J, Yang Z, Guo Y, Zhang J, Yang H. Short-term load forecasting for electric
vehicle charging stations based on deep learning approaches. Appl Sci (Switzerland)
2019;9(9). https://doi.org/10.3390/app9091723.
[35] Yunyan L, Yuansheng H, Meimei Z. Short-term load forecasting for electric
vehicle charging station based on niche immunity lion algorithm and convolutional
neural network. Energies 2018;11:1253.
[36] Das UK, Tey KS, Seyedmahmoudian M, Mekhilef S, Idris MYI, Van Deventer W,
Horan B, Stojcevski A. Forecasting of photovoltaic power generation and model
optimization: a review. Renew Sustain Energy Rev 2018;81(April 2017):912–28.
https://doi.org/10.1016/j.rser.2017.08.017.
[37] Souhe FGY, Mbey CF, Boum AT, Ele P. Forecasting of electrical energy
consumption of households in a smart grid forecasting of electrical energy consumption
of households in a smart grid. Int J Energy Econ Policy 2021;11(6):
221–33. https://doi.org/10.32479/ijeep.11761.
[38] Ayman ER. Toward a sustainable more electrified future: the role of electrical
machines and drives. IEEE Electrif Mag 2019;7:49–59.
[39] IEA. Technical Report. Paris: IEA; 2022. https://www.iea.org/reports/world-ene
rgy-outlook-2022. License: CC BY 4.0 (report); CC BY NC SA 4.0.
[40] Shahidinejad S, Filizadeh S, Bibeau E. Profile of charging load on the grid due
to plug-in vehicles. IEEE Trans Smart Grid 2012;3:135–41.
[41] Shao S, Pipattanasomporn M, Rahman S. Demand response as a load shaping
tool in an intelligent grid with electric vehicles. IEEE Trans Smart Grid 2011;2:624–
31.
[42] Zhao Y, Che Y, Wang D, Liu H, Shi K, Yu D. An optimal domestic electric vehicle
charging strategy for reducing network transmission loss while taking seasonal factors
into consideration. Appl Sci 2018;8.
[43] Boston D, Werthman A. Plug-in vehicle behaviors: an analysis of charging and
driving behavior of Ford plug-in electric vehicles in the real world. World Electr Veh J
2016;8.

16
[44] Ul-Haq A, Azhar M, Mahmoud Y, Perwaiz A, Al-Ammar EA. Probabilistic
modeling of electric vehicle charging pattern associated with residential load for
voltage unbalance assessment. Energies 2017;10.
[45] Taylor JW, McSharry PE. Short-term load forecasting methods: an evaluation
based on European data. IEEE Trans Power Syst 2007;22:2213–9.
[46] Franke T, Krems JF. Understanding charging behaviour of electric vehicle
users.
Transp Res Part F Traff Psychol Behav 2013;21:75–89.
[47] Chen L, Nie Y, Zhong Q. A model for electric vehicle charging load forecasting
based on trip chains. Trans China Electrotech Soc 2015;30:216–25.
[48] Wang H, Wang B, Fang C, Li W, Huang H. Charging load forecasting of electric
vehicle based on charging frequency. In: IOP conference series: earth and
environmental science. IOP Publishing; 2019, 062008.
[49] Wang S, Xue G, Ping C, Wang D, You F, Jiang T. The application of forecasting
algorithms on electric vehicle power load. In: Proceedings of the 2018 IEEE
international conference on mechatronics and automation (ICMA); 2018. p. 1371–5. 5–
8 August.
[50] Lee DH, Kim MS, Roh JH, Yang JP, Park JB. Forecasting of electric vehicles
charging pattern using Bayesians method with the convolustion. IFAC- PapersOnLine
2019;52:413–8.
[51] Huber J, Dann D, Weinhardt C. Probabilistic forecasts of time and energy
flexibility in battery electric vehicle charging. Appl Energy 2020;262:114525.
[52] Sun Q, Liu J, Rong X, Zhang M, Song X, Bie Z, Ni Z. Charging load forecasting
of electric vehicle charging station based on support vector regression. In: Proceedings
of the 2016 IEEE PES Asia-Pacific power and energy engineering conference
(APPEEC); 2016. p. 1777–81. 25–28 October.
[53] Li Y, Huang Y, Zhang M. Short-term load forecasting for electric vehicle
charging station based on niche immunity lion algorithm and convolutional neural
network.
Energies 2018;11:1253.
[54] Zhu J, Yang Z, Mourshed M, Guo Y, Zhou Y, Chang Y, Wei Y, Feng S. Electric
vehicle charging load forecasting: a comparative study of deep learning approaches.
Energies 2019;12:2692.
[55] Abumohsen M, Owda AY, Owda M. Electrical load forecasting using LSTM,
GRU, and RNN algorithms. Energies 2023;16(5):1–31. https://doi.org/10.3390/
en16052283.
[56] Saleh AE, Moustafa MS, Abo-Al-Ez KM, Abdullah AA. A hybrid neuro-fuzzy
power prediction system for wind energy generation. Int J Electr Power Energy Syst
2016; 74:384–95. https://doi.org/10.1016/j.ijepes.2015.07.039.
[57] Lu K, Sun W, Ma C, Yang S, Zhu Z, Zhao P, Zhao X, Xu N. Load forecast method
of electric vehicle charging station using SVR based on GA-PSO. IOP Conf Ser Earth
Environ Sci 2017;69:012196.
[58] Koohfar S, Woldemariam W, Kumar A. Prediction of electric vehicles charging
demand: a transformer-based deep learning approach. Sustainability (Switzerland)
2023;15(3). https://doi.org/10.3390/su15032105.
[59] Arias MB, Bae S. Electric vehicle charging demand forecasting model based on
big data technologies. Appl Energy 2016;183:327–39.

17
[60] Su S, Zhao H, Zhang H, Lin X, Yang F, Li Z. Forecast of electric vehicle charging
demand based on traffic flow model and optimal path planning. In: Proceedings of the
2017 19th international conference on intelligent system application to power systems
(ISAP); 2017. p. 1–6. 17–20 September.
[61] Lee KY, Cha YT, Ku CC. A study on neural networks for short-term load
forecasting. In: Proceedings of the First international forum on applications of neural
networks to power systems; 1991. p. 2630. 23–26 July.
[62] Lee KY, Choi TI, Ku CC, Park JH. Short-term load forecasting using diagonal
recurrent neural network. In: Proceedings of the second international forum on
applications of neural networks to power systems; 19–22 April 1992. p. 227–32. 19–22
April 1.
[63] Xie Y, Ueda Y, Sugiyama M. A two-stage short-term load forecasting method
using long short-term memory and multilayer perceptron. Energies 2021;14(18):1–17.
https://doi.org/10.3390/en14185873.
[64] Tian C, Ma J, Zhang C, Zhan P. A deep neural network model for short-term
load forecast based on long short-term memory network and convolutional neural
network. Energies 2018;11:3493.
[65] David K, Michael M, Stephan S. Short-term temperature forecasts using a
convolutional neural network—An application to different weather stations in Germany.
Mach Learn Appl 2020;2:100007.
[66] Li C, Guo Q, Shao L, Li J, Wu H. Research on short-term load forecasting based
on optimized GRU neural network. Electronics (Switzerland) 2022;11(22). https://
doi.org/10.3390/electronics11223834.
[67] Chen JF, Do QH, Nguyen TA, Doan TTH. Forecasting monthly electricity
demands by wavelet neuro-fuzzy system optimized by heuristic algorithms. Information
(Switzerland) 2018;9(3). https://doi.org/10.3390/info9030051.
[68] Tay KG, Muwafaq H, Tiong WK, Choy YY. Electricity consumption forecasting
using adaptive neuro-fuzzy inference system (ANFIS). Universal J Electr Electron Eng
2019;6(5).
[69] Saleh AI, Rabie AH, Abo-Al-Ez KM. A data mining based load forecasting
strategy for smart electrical grids. Adv Eng Inform 2016;30(3):422–48. https://doi.org/
10.1016/j.aei.2016.05.005.
[70] Cama-Pinto D, Martínez-Lao JA, Solano-Escorcia AF, Cama-Pinto A.
Forecasted datasets of electric vehicle consumption on the electricity grid of Spain.
Data Brief 2020;31:105823. https://doi.org/10.1016/j.dib.2020.105823.
[71] optimization-algorithms-neural-networks @ www.kdnuggets.com. (n.d.).
https://www.kdnuggets.com/2020/12/optimization-algorithms-neural-networks. html.
[72] Duchi J, Hazan E, Singer Y. Adaptive subgradient methods for online learning
and stochastic optimization. J Mach Learn Res 2011;12:2121–59.
[73] Tieleman T, Hinton G. Lecture 6.5-rmsprop: divide the gradient by a running
average of its recent magnitude. COURSERA Neural Netw Mach Learn 2012;4: 26–31.
[74] Zeiler, M.D. ADADELTA: an adaptive learning rate method. arXiv 2012, arXiv:
1212.5701.
[75] Kingma, D.P.; Ba, J.Adam: A method for stochastic optimization. arXiv 2014,
arXiv:1412.6980.
[76] 5_Algorithms_To_Train_a_Neural_Network @ www.neuraldesigner.com.
(n.d.). htt
ps://www.neuraldesigner.com/blog/5_algorithms_to_train_a_neural_network.

18
3.2. Jurnal 2
[77] Fraihat H, Almbaideen AA, Al-Odienat A, Al-Naami B, De Fazio R, Visconti P.
Solar radiation forecasting by Pearson correlation using LSTM neural network and
ANFIS method: application in the West-Central Jordan. Future Internet 2022;14(3).
https://doi.org/10.3390/fi14030079.
[78] Edelmann D, Mori TF, Sz´ ´ekely GJ. On relationships between the Pearson
and the distance correlation coefficients. Stat Probab Lett 2021;169:108960.
https://doi. org/10.1016/j.spl.2020.108960.
[79] Liu L. Short-term load forecasting based on correlation coefficient and weighted
support vector regression machine. In: Icitmi; 2015. p. 1077–81. https://doi.org/
10.2991/icitmi-15.2015.181.
[80] Martínez-Lao J, Montoya FG, Montoya MG, Manzano-Agugliaro F. Electric
vehicles in Spain: an overview of charging systems. Renew Sustain Energy Rev 2017;77
(2017):970–83. https://doi.org/10.1016/j.rser.2016.11.23.
[81] Montoya FG, Martínez-Lao J, Torres-Moreno J, Manzano-Agugliaro F, Baron
V.
Analysis of charging stations for electric vehicles in Spain. Renew Energy Power Q J
2016;1(14). https://doi.org/10.24084/repqj14.37. 20164 94–4 99 art. no. 372.
[82] Index of /Data. Available Online https://climateknowledgeportal.worldbank.
org/country/spain/climate-data. (accessed on 2 March 2022).
Link Jurnal : https://doi.org/10.1016/j.egyai.2023.100285
Judul Jurnal :
Multistep electric vehicle charging station occupancy prediction using hybrid
LSTM neural networks
Volume &
Halaman
ISDS/ISSN : 123217
Tahun : 2022
Penulis :
1. Tai-Yu Ma
2. Sebastien Faye
Abstrak : Prediksi hunian stasiun pengisian umum memainkan peran penting dalam
mengembangkan strategi pengisian daya cerdas untuk mengurangi ketidaknyamanan
operator kendaraan listrik (electric vehicle) dan pengguna. Namun, penelitian yang ada
terutama didasarkan pada metodologi ekonometrik konvensional atau deret waktu
dengan akurasi terbatas. Peneliti mengusulkan Jaringan Syaraf Tiruan Long-Short Term
Memory (LSTM) baru yang menggabungkan urutan status pengisian historis dan fitur
terkait waktu untuk prediksi status hunian pengisian daya diskrit multilangkah. Berbeda
dengan jaringan LSTM yang ada, model yang diusulkan memisahkan berbagai jenis fitur
dan menanganinya secara berbeda dengan arsitektur jaringan syaraf campuran. Model
ini dibandingkan dengan sejumlah pembelajaran mesin canggih dan pendekatan
pembelajaran mendalam berdasarkan data pengisian EV yang diperoleh dari portal data
terbuka kota Dundee, Inggris. Hasilnya menunjukkan bahwa metode yang diusulkan
menghasilkan prediksi yang sangat akurat (masing-masing 99,99% dan 81,87% untuk 1

19
langkah (10 menit) dan 6 langkah (1 jam) ke depan, dan mengungguli pendekatan
benchmark secara signifikan (þ22,4% untuk prediksi satu langkah ke depan dan þ6,2%
untuk 6 langkah ke depan). Analisis sensitivitas dilakukan untuk mengevaluasi dampak
parameter model terhadap akurasi prediksi.
Key Word : Long short-term memory; Charging occupancy; Electric vehicle; Forecasting
Latar
Belakang
Masalah
: 1. Kendaraan listrik (Electric Vehicle) telah dipromosikan sebagai solusi yang diterima
secara luas untuk mengurangi emisi CO2 global dan perubahan iklim. Untuk membuat
alternatif energi rendah emisi diterima secara luas, infrastruktur pengisian dan
pemeliharaan perlu tersedia secara luas di seluruh Eropa.
2. Meskipun telah terjadi peningkatan fasilitas pengisian ulang yang dipasang di
berbagai negara, masih ada sejumlah pengisi daya cepat (rapid charger) juga disebut
sebagai titik pengisian karena biaya investasinya yang tinggi. Misalnya, pada akhir tahun
2020, hanya ada 51 titik pengisian umum di Manhattan, New York City (51 pengisi daya
Level 2 dan Level 3). Terbatasnya jumlah pengisi daya publik cepat telah menjadi salah
satu hambatan utama untuk adopsi EV yang meluas.
3. Karena semakin banyak EV yang ada, menjadi perjuangan untuk menemukan titik
pengisian sebelum kehabisan baterai. Sementara platform stasiun EV yang ada seperti
ChargePoint (www.chargepoint.com)http://www.chargepoint.com/atau ChargeHub.
(https://chargehub.com) memberikan informasi ketersediaan titik pengisian real time
bagi pengguna, reservasi terlebih dahulu di stasiun pengisian umum masih belum
tersedia
4. Pengguna EV mungkin akhirnya menunggu dalam antrian ketika tiba di stasiun
pengisian daya yang kosong beberapa menit sebelumnya. Sebuah studi baru-baru ini
menunjukkan bahwa mengoperasikan armada EV untuk perusahaan jaringan
transportasi membawa tantangan tambahan karena EV perlu mengisi daya beberapa kali
sehari dan terutama mengandalkan pengisi daya cepat
5. Mengurangi kemacetan di stasiun pengisian cepat publik telah menjadi masalah
penting untuk efisiensi manajemen infrastruktur pengisian daya dan untuk
meningkatkan pengalaman pengguna secara keseluruhan dan penerimaan EV oleh
masyarakat umum.
Untuk tujuan ini, memprediksi pola hunian pengisian daya memungkinkan platform
layanan pengisian daya untuk mengelola sumber daya pengisian daya terbatas yang
tersedia dengan lebih baik dan mengurangi kehilangan waktu tunggu pengisian daya
pelanggan. Misalnya, dengan perkiraan waktu tunggu pengisian daya di stasiun
pengisian, sistem penugasan/rekomendasi stasiun pengisian kendaraan waktu nyata
dapat dikembangkan untuk mengurangi waktu tunggu pengisian armada EV.

20
Tujuan
Penelitian
: Adapun tujuan dalam pembuatan penelitian ini adalah:
1. Untuk mempercepat waktu pengisian daya pada mobil listrik (electric vehicle) di area
sibuk dan padat penduduknya di kota Dundee Inggris.
2. Memberikan informasi ketersediaan titik pengisian real time bagi pengguna .
3. Mengurangi kemacetan di stasiun pengisian cepat (fast charger).
4. Untuk memprediksi pengisian profil status hunian untuk setiap pengisian daya untuk
beberapa langkah ke depan (dari 10 menit hingga beberapa jam).
Manfaat
Penelitian
1. Penelitian ini diharapkan dapat memberi pemahaman dan edukasi tentang
penggunaan jaringan syaraf tiruan yang berbasis LSTM hibrida yang
mempertimbangkan status hunian pengisian daya jangka pendek dan jangka panjang
untuk memodelkan profil hunian pengisian EV di pengisi daya.
2. Dapat menjadi referensi dalam edukasi pembelajaran Deep Learning yang
menggunakan metode Long Short-Term Memory (LSTM).
3. Pemaparan informasi tentang penggunaan mobil listrik di negara maju.
4. Dapat menjadi bahan pembelajaran dalam memprediksi pengaruh pengisian EV
pada waktu dan hari-hari tertentu.
Metode : 1. Long Short-Term Memory (LSTM)
Algoritma
yang
Digunakan
:
Algoritma arsitektur jaringan LSTM hibrida yang diusulkan.
Implementasi
dan
Kebutuhan
Perangkat
Lunak Dari
Metode yang
Dilakukan
: 1. Python
2. Benchmark

21
Hasil
Penelitian
: 1. Matrik performa model
Hasil prediksi multistep untuk model LSTM hybrid dan metode benchmark
menunjukkan bahwa panjang jendela waktu prediksi berkisar dari 1 (10 menit) hingga
36 (6 jam) langkah waktu ke depan. Hasil yang dilaporkan adalah rata-rata 10 berjalan
pada dataset pengujian untuk semua stasiun pengisian cepat. Model LSTM hibrida yang
diusulkan mengungguli metode pembelajaran mesin benchmark secara signifikan.
Prediksi 1 langkah model LSTM hybrid sangat akurat (0,9999) dibandingkan dengan
metode benchmark (akurasi berkisar antara 0,7511 hingga 0,8837). Akurasi prediksi
menurun seiring bertambahnya panjang jendela waktu prediksi. Untuk prediksi langkah
3 dan 6 kali ke depan, akurasi model LSTM hybrid tetap memuaskan (0,8926 dan
0,8187), mengungguli metode benchmark (masing-masing 0,8042 dan 0,7563).
Sedangkan untuk skor F1, nilainya turun secara signifikan mulai dari perkiraan 12
langkah ke depan. Kita dapat menyimpulkan bahwa pendekatan yang diusulkan cocok
untuk pengisian prediksi status hunian untuk jendela waktu kurang dari 60 menit ke
depan.
2. Perbandingan kinerja dengan pendekatan Deep Learning
a. LSTM: Gunakan jaringan LSTM klasik hanya untuk menghubungkan urutan input
data fitur untuk prediksi status pengisian multilangkah.
b. Bi-LSTM: Gunakan jaringan LSTM dua arah untuk mempertimbangkan informasi
maju dan mundur dari urutan input urutan data fitur untuk prediksi multistep.
c. GRU: Gunakan jaringan unit berulang terjaga keamanannya (GRU), yang mirip
dengan LSTM tetapi dengan arsitektur yang lebih sederhana dan lebih sedikit parameter
untuk dipelajari, untuk prediksi status pengisian multilangkah. Untuk tiga struktur
jaringan di atas, urutan input fitur terhubung dengan blok LSTM / Bi-LSTM / GRU,
diikuti oleh lapisan yang terhubung sepenuhnya, lapisan dropout, dan lapisan output
yang terhubung sepenuhnya dengan fungsi sigmoid.
d. Conv1D: Gunakan dua lapisan konvolusional 1 dimensi, satu lapisan penyatuan Max,
dan satu lapisan yang terhubung sepenuhnya untuk prediksi status hunian stasiun
pengisian daya berurutan. Fitur input dihubungkan dengan dua lapisan konvolusional
1D berurutan (ukuran kernel 1/ 4, 4) untuk memfilter informasi, dan kemudian diikuti
oleh lapisan penyatuan Max. Yang terakhir diratakan dan kemudian dihubungkan oleh
lapisan yang terhubung penuh dan lapisan output.
e. Stacked LSTM: Tumpuk beberapa lapisan LSTM satu sama lain untuk mempelajari
transisi status tersembunyi-ke-tersembunyi yang diperdalam untuk pengenalan pola
yang lebih kompleks. Peneliti menghubungkan fitur input dengan dua lapisan LSTM
berturut-turut, diikuti oleh lapisan yang terhubung sepenuhnya, lapisan drop-out, dan
lapisan output.
f. ConvLSTM: LSTM konvolusional adalah kombinasi dari jaringan konvensional dan
jaringan LSTM untuk prediksi data yang berkorelasi secara spasial dengan
mengintegrasikan filter konvolusional ke dalam struktur LSTM. Urutan fitur input
dihubungkan oleh sel Konveksi LSTM 2D dengan ukuran kernel satu dimensi (1, 4)
untuk menangani data deret waktu satu dimensi dalam kasus peneliti. Output sel

22
ConvLSTM diratakan dan kemudian dihubungkan oleh lapisan yang terhubung
sepenuhnya, lapisan dropout, dan lapisan output untuk beberapa prediksi langkah waktu.
g. CNN-LSTM: Berbeda dari Conv LGTM, CNN-LSTM menggunakan beberapa
lapisan CNN untuk menyaring informasi dan kemudian menghubungkan output mereka
dengan sel LSTM untuk mempelajari hubungan temporal tersembunyi. Peneliti
menghubungkan fitur input dengan beberapa lapisan CNN dan beberapa lapisan Max
pooling di antaranya. Sel LSTM terhubung setelah meratakan lapisan CNN, kemudian
terhubung ke lapisan yang terhubung sepenuhnya, lapisan dropout, dan lapisan output.
3. Analisa sensitivitas
Untuk lebih mengeksplorasi pengaruh parameter model, peneliti melakukan serangkaian
analisis sensitivitas mengenai lima parameter model utama. Setiap percobaan berbeda
dengan memvariasikan nilai hiperparameter yang diuji sambil menjaga hiperparameter
lainnya tetap identik. Hasil yang dilaporkan didasarkan pada rata-rata 5 kali berjalan
pada himpunan data pengujian untuk semua pengisi daya cepat untuk prediksi 6 langkah
waktu. Hasilnya menunjukkan bahwa menggunakan pengaturan hyperparameter yang
berbeda dapat meningkatkan sedikit akurasi prediksi yang konsisten dengan penelitian
sebelumnya.
Kesimpulan : Makalah ini mengusulkan pendekatan baru untuk memprediksi hunian stasiun pengisian
EV. Masalah ini sangat penting untuk pengelolaan armada EV dan hampir tidak dibahas
dalam literatur ilmiah sebagai masalah pemodelan pengisian EV yang diskrit. Untuk
melakukannya, penulis mengusulkan jaringan syaraf LSTM hibrida yang
mempertimbangkan status hunian pengisian daya jangka pendek dan jangka panjang
untuk memodelkan profil hunian pengisian EV di pengisi daya. Kumpulan data terbuka
yang disediakan oleh kota Dundee, Inggris, digunakan sebagai dasar untuk menerapkan
pendekatan dan memverifikasi kinerjanya. Metode ini dibandingkan dengan empat
metode pembelajaran mesin konvensional lainnya dan tiga jaringan DL lainnya. Dalam
semua kasus, tingkat akurasi dan skor F1 menunjukkan kinerja yang lebih tinggi, baik
untuk prediksi jangka pendek (10 menit: þ 22% peningkatan skor F1 dibandingkan
pendekatan bersaing terbaik) dan prediksi jangka panjang (6 jam: þ 2%). Temuan serupa
diperoleh ketika membandingkan pendekatan pembelajaran mendalam canggih lainnya.
Kode dan data komputasi tersedia secara bebas untuk aplikasi dan ekstensi potensial
mereka.
Hasil ini menunjukkan potensi kuat untuk peningkatan metode prediksi hunian stasiun
pengisian, yang memungkinkan operator layanan mobilitas berbasis EV untuk
mengembangkan strategi penjadwalan pengisian daya pintar. Selain itu, metodologi
yang diusulkan dapat mengarah pada rekomendasi atau strategi alokasi yang lebih maju
daripada yang ada saat ini, misalnya, menggunakan pendekatan pengoptimalan multi-
tujuan untuk memenuhi berbagai kendala (misalnya stasiun pengisian mana yang harus
dipertimbangkan pengguna mengingat waktu tunggu, potensi pendatang baru, dan posisi
geografis stasiun itu). Demikian pula, pengembangan praktis dari strategi baru ini akan
membutuhkan pertukaran informasi berkecepatan tinggi dan jaringan interkoneksi
latensi rendah penuh yang dapat melibatkan masalah jaringan terdistribusi atau yang

23
khusus untuk literatur komunikasi nirkabel dan 5G. Pekerjaan di masa depan dapat
memperluas metodologi yang diusulkan untuk peramalan deret waktu lainnya yang
melibatkan variabel kontinu dengan data heterogen (deret waktu dan cross-sectional).
Saran untuk
Penelitian
Selanjutnya
Universitas.
yang berkualitas.
Kelebihan
Jurnal
maksimal.
Kekurangan
Jurnal
: Belum adanya penjelasan mengenai perangkat keras yang digunakan dalam penelitian
ini.
URL/Daftar
Pustaka yang
Digunakan
: [1] Eickhout B. European strategy for low-emission mobility. European Parliament
report; 2017. https://www.europarl.europa.eu/doceo/document/A-82017-
0356_EN.html.
[2] Engel H, Hensley R, Knupfer S, Sahdev S. Charging ahead: electric-vehicle
infrastructure demand. McKinsey Center for Future Mobility; 2018.

24
[3] Sawers P. Google Maps will now show real-time availability of electric vehicle
charging stations. 2019. https://venturebeat.com/2019/04/23/google-mapswill-now-
show-real-time-availability-of-charging-stations-for-electric-cars/.
[4] Jenn A. Electrifying ride-sharing: transitioning to a cleaner future. UC Davis:
National Center for Sustainable Transportation; 2019.
[5] Tian Z, Jung T, Wang Y, Zhang F, Tu L, Xu C, Tian C, Li XY. Real-time charging
station recommendation system for electric-vehicle taxis. IEEE Trans Intell
Transport Syst 2016;17:3098e109. https://doi.org/10.1109/
[6] TITS.2016.2539201.
[7] Yuan Y, Zhang D, Miao F, Chen J, He T, Lin S. P2Charging: proactive partial
charging for electric taxi systems. In: Proceedings - international conference on
distributed computing systems; 2019. https://doi.org/10.1109/ ICDCS.2019.00074.
[8] Ma T-Y, Xie S. Optimal fast charging station locations for electric ridesharing with
vehicle-charging station assignment. Transport Res Transport Environ
2021;90:102682.
[9] Ma T-Y. Two-stage battery recharge scheduling and vehicle-charger assignment
policy for dynamic electric dial-a-ride services. PLoS One 2021;16(5).
e0251582ee0251582.
[10] Eu Science Hub. Electric vehicles: a new model to reduce time wasted at
charging points. https://ec.europa.eu/jrc/en/news/electric-vehicles-newmodel-
reduce-time-wasted-charging-points; 2019.
[11] Bikcora C, Refa N, Verheijen L, Weiland S. Prediction of availability and
charging rate at charging stations for electric vehicles. In: 2016 int. Conf.
Probabilistic methods appl. To power syst. PMAPS 2016 - proc; 2016. p. 1e6.
https://doi.org/10.1109/PMAPS.2016.7764216.
[12] Motz M, Huber J, Weinhardt C. Forecasting BEV charging station occupancy at
work places. In: Reussner RH, Koziolek A, Heinrich R, Hrsg, editors. Informatik
2020. Bonn: Gesellschaft für Informatik; 2021. p. 771e81. https://doi.org/
10.18420/inf2020_68.
[13] Soldan F, Bionda E, Mauri G, Celaschi S. Short-term forecast of EV charging
stations occupancy probability using big data streaming analysis. 2021. arXiv:
2104.12503.
[14] Amara-Ouali Y, Goude Y, Massart P, Poggi JM, Yan H. A review of electric
vehicle load open data and models. Energies 2021;14(8):2233.
[15] Flammini MG, Prettico G, Julea A, Fulli G, Mazza A, Chicco G. Statistical
characterisation of the real transaction data gathered from electric vehicle charging
stations. Elec Power Syst Res 2019;166:136e50. https://doi.org/
10.1016/j.epsr.2018.09.022.
[16] Iversen EB, Morales JM, Madsen H. Optimal charging of an electric vehicle
using a Markov decision process. Appl Energy 2014;123:1e12. https://doi.org/
10.1016/j.apenergy.2014.02.003.

25
[17] Lee ZJ, Li T, Low SH. ACN-data: analysis and applications of an open EV
charging dataset. In: Proceedings of the tenth ACM international conference on
future energy systems; 2019. p. 139e49.
[18] Majidpour M, Qiu C, Chu P, Pota HR, Gadh R. Forecasting the EV charging
load based on customer profile or station measurement? Appl Energy 2016;163:
134e41.
[19] Ma T-Y, Pantelidis T, Chow JY. Optimal queueing-based rebalancing for
oneway electric carsharing systems with stochastic demand. In: Paper presented in
transportation Research board 98th annual meeting; 2019. https://
arxiv.org/abs/2106.02815.
[20] Pantelidis T, Li L, Ma TY, Chow JY, Jabari SE. Node-charge graph-based online
carshare rebalancing with capacitated electric charging. 2020. arXiv: 2001.07282.
[21] Gruoss G, Mion A, Gajani GS. Forecasting of Electrical Vehicle impacton
infrastructure: Markov chains model of charging stations occupation.
eTransportation 2020;6:100083. https://doi.org/10.1016/j.etran.2020.100083.
[22] Verma A, Asadi A, Yang K, Maitra A, Asgeirsson H. Analyzing household
charging patterns of Plug-in electric vehicles (PEVs): a data mining approach.
Comput Ind Eng 2019;128:964e73.
[23] Van Houdt G, Mosquera C, Napoles G. A review on the long short-term memory
model. Artif Intell Rev 2020;53:5929e55.
[24] Kim TY, Cho SB. Predicting residential energy consumption using CNN-LSTM
neural networks. Energy 2019;182:72e81.
[25] Yang Y, Hong W, Li S. Deep ensemble learning based probabilistic load
forecasting in smart grids. Energy 2019;189:116324.
[26] Sajjad M, Khan ZA, Ullah A, Hussain T, Ullah W, Lee MY, Baik SW. A novel
CNN-GRU-based hybrid approach for short-term residential load forecasting. IEEE
Access 2020;8:143759e68.
[27] Ullah FUM, Ullah A, Haq IU, Rho S, Baik SW. Short-term prediction of
residential power energy consumption via CNN and multi-layer bi-directional LSTM
networks. IEEE Access 2019;8:123369e80.
[28] Wang JQ, Du Y, Wang J. LSTM based long-term energy consumption prediction
with periodicity. Energy 2020;197:117197.
[29] Laib O, Khadir MT, Mihaylova L. Toward efficient energy systems based on
natural gas consumption prediction with LSTM Recurrent Neural Networks. Energy
2019;177:530e42.
[30] Hochreiter S, Schmidhuber J. Long short-term memory. Neural Comput
1997;9(8):1735e80.
[31] Zhang Q, Wang H, Dong J, Zhong G, Sun X. Prediction of sea surface
temperature using long short-term memory. Geosci Rem Sens Lett IEEE
[32] 2017;14(10):1745e9.

26
[33] Schwemmle N. Short-term spatio-temporal demand pattern predictions of trip
demand. Master Thesis. Katholieke Universiteit Leuven; 2021. https://
zenodo.org/record/4514435#.YRZTNYgzbIU.
[34] Schwemmle N, Ma T-Y. Hyperparameter optimization for neural network based
taxi demand prediction. In: Proceedings of the BIVEC-GIBET transport Research
days 2021; 2021.
[35] Bergstra J, Bardenet R, Bengio Y, Kegl B. Algorithms for hyper-parameter
optimization. In: Proceedings of the 25th annual conference on neural information
processing systems; 2011. p. 2546e54.
[36] Linoff GS, Berry MJA. Data mining techniques for marketing, sales and
customer support. Wiley; 2011.
[37] Smola AJ, Scho€lkopf B. A tutorial on support vector regression. Stat Comput
2004;14(3):199e222.
[38] Ho T-K. Random decision forests. In: Proceedings of the 3rd International
Conference on Document Analysis and Recognition, 1; 1995. p. 278e82.
[39] https://doi.org/10.1109/ICDAR.1995.598994. ISBN 978-0-8186-7128-9.
[40] Freund Y, Schapire RE. A decision-theoretic generalization of on-line learning
and an application to boosting. J Comput Syst Sci 1997;55(1):119e39.
[41] Brownlee J. How to backtest machine learning models for time series
forecasting. 2016. https://machinelearningmastery.com/backtest-machinelearning-
models-time-series-forecasting/.
[42] Kiperwasser E, Goldberg Y. Simple and accurate dependency parsing using
bidirectional LSTM feature representations. Trans Assoc Comput Linguis
2016;4:313e27.
[43] Cho K, Van Merrie€nboer B, Gulcehre C, Bahdanau D, Bougares F, Schwenk
H, Bengio Y. Learning phrase representations using RNN encoder-decoder for
statistical machine translation. 2014. arXiv preprint arXiv:1406.1078.
[44] Barkost PH. Detecting EV charging from hourly smart meter data. Master's
thesis. UiT Norges arktiske universitet; 2020.
[45] Pascanu R, Gulcehre C, Cho K, Bengio Y. How to construct deep recurrent
neural networks. 2013. arXiv preprint arXiv:1312.6026.
[46] Shi X, Chen Z, Wang H, Yeung D-Y, Wong W-K, Woo W-C. Convolutional LSTM
network: a machine learning approach for precipitation nowcasting. In: Proceedings
of the 28th international conference on neural information processing systems, vol.
1; 2015. p. 802e10.
[47] Petersen NC, Rodrigues F, Pereira FC. Multi-output bus travel time prediction
with convolutional LSTM neural network. Expert Syst Appl 2019;120:426e35.
[48] Donahue J, Anne Hendricks L, Guadarrama S, Rohrbach M, Venugopalan S,
Saenko K, Darrell T. Long-term recurrent convolutional networks for visual
recognition and description. In: Proceedings of the IEEE conference on computer
vision and pattern recognition; 2015. p. 2625e34.

27
3.3. Jurnal 3
[49] Zhao K, Khryashchev D, Vo H. Predicting taxi and uber demand in cities:
approaching the limit of predictability. IEEE Trans Knowl Data Eng
2019;33(6):2723e36.
Link Jurnal : https://doi.org/10.1016/j.energy.2022.123217
Judul Jurnal :
A deep learning approach to the prediction of electric vehicle charging station
power demand in regulated electricity markets: The case of Morocco
Volume &
Halaman
ISDS/ISSN : 100039
Tahun : 2022
Penulis :
1. Mouaad Boulakhbar
2. Markos Farag
3. Kawtar Benabdelaziz
4. Tarik Kousksou
5. Malika Zazi
Abstrak : Sektor transportasi adalah sumber utama peningkatan konsumsi bahan bakar dan emisi
gas rumah kaca (GRK). Kendaraan listrik (Electric Vehicle) dianggap sebagai solusi
yang menarik untuk masalah tersebut. Namun, karena variasi dalam permintaan
pengisian daya, penetrasi kendaraan listrik yang tinggi dapat menyebabkan masalah
yang berbeda pada jaringan distribusi dan keandalannya. Oleh karena itu, beberapa
pendekatan digunakan untuk memprediksi permintaan pengisian EV dan menghindari
kendala yang ada. Makalah ini membandingkan kinerja empat model Deep Learning
yang terkenal, yaitu Artificial Neural Network (ANN), Recurrent Neural Networks
(RNNs), Long Short-Term Memory (LSTM), dan Gated Recurrent Units (GRUs), dalam
memprediksi permintaan pengisian daya untuk pengguna EV setelah sesi pengisian
dimulai. Peneliti menggunakan dataset yang terdiri dari 2000 pengamatan peristiwa
pengisian daya yang dikumpulkan dari dua stasiun pengisian umum di Maroko. Menurut
hasil data numerik, lapisan pertama dari pendekatan regresi GRU sedikit mengalahkan
tiga metode lainnya dalam memperkirakan kebutuhan pengisian daya. Secara khusus,
model regresi GRU memiliki RMSE dan MAPE masing-masing 1,39% dan 0,50% pada
tahap pelatihan dan 2,90% dan 0,76% pada tahap pengujian. Temuan ini dapat
membantu Electrical Office dan National Water di Maroko dalam memastikan
keandalan utilitas jaringan dalam jangka pendek dan membimbing mereka untuk
membangun stasiun pengisian tambahan dalam jangka panjang.
Key Word : Load forecasting; Deep Learning; Electric vehicles; Regulated electricity market;
Morocco.
Latar
Belakang
Masalah
: Efisiensi mobilitas individu dan barang yang membuat peluang ekonomi dan layanan
sosial dapat diakses adalah salah satu ukuran pembangunan sosial ekonomi ( Alonso
Raposo et al., 2021 ). Tetapi, sektor transportasi merupakan sumber emisi gas rumah

28
kaca (GRK) yang menonjol, terutama dari karbon dioksida, menyumbang 21% dari
emisi karbon global pada tahun 2021 ( World Economic Forum Annual Report, 2021 ).
Oleh karena itu, kebutuhan untuk mengadopsi kebijakan berkelanjutan di sektor
transportasi menjadi mendesak. Kendaraan listrik (Electric Vehicle) sering ditata ulang
sebagai solusi untuk mengurangi emisi di sektor itu, terutama ketika didukung oleh
sumber energi hijau. Berdasarkan kebijakan dan inisiatif yang diumumkan saat ini,
diproyeksikan bahwa stok EV dapat mencapai 125 juta mobil secara global pada tahun
2030 (World Energy Outlook, 2018). Ini menyiratkan bahwa infrastruktur pengisian
daya yang diperlukan di jalan harus direncanakan dan dibangun untuk memenuhi
permintaan yang diharapkan untuk kendaraan tersebut. Ini juga berarti bahwa banyak
tantangan tampaknya muncul sebagai akibat dari variasi dalam permintaan pengisian
daya pengguna mereka. Misalnya, karena perilaku pengisian stokastik pengguna EV,
penetrasi kendaraan listrik yang tinggi dapat menyebabkan masalah yang berbeda pada
sistem tenaga listrik ( Wu et al., 2022).
Tujuan
Penelitian
: Adapun tujuan pembuatan penelitian tersebut adalah:
1. Secara akurat memperkirakan permintaan pengisian mobil listrik (Electric Vehicles)
di negara Maroko menggunakan pendekatan Deep Learning.
2. Memberikan informasi tentang seberapa besar tingkat kesalahan penelitian dilihat dari
evaluasi terhadap RMSE dan MAPE.
3. Membantu pemerintah dalam meminimalisir efek emisi gas rumah kaca.
4. Memprediksi konsumsi energi dan datetime dari stasiun permintaan pengisian umum
di pasar listrik secara akurat.
Manfaat
Penelitian
1. Karya ilmiah ini diharapkan dapat memberi pemahaman dan edukasi tentang
penggunaan jaringan syaraf tiruan yang berbasis ANN, RNN, LSTM, dan GRU.
2. Dapat menjadi referensi dalam edukasi pembelajaran Deep Learning.
4. Dapat menjadi bahan pembelajaran dalam memprediksi pengaruh pengisian EV
terhadap pencemaran lingkungan.
Metode : 1. Artificial Neural Network (ANN)
2. Recurrent Neural Network (RNN)
3. Long Short_Term Memory (LSTM)
4. Gated Recurrent Unit (GRU)
Algoritma
yang
Digunakan
:

29
Implementasi
dan
Kebutuhan
Perangkat
Lunak Dari
Metode yang
Dilakukan
: 1. Python
2. CPU Intel Core i5 8.0 GHz dan RAM 64 GB
Hasil
Penelitian
: Dari hasil penelitian tersebut didapat bahwa:
1. Model RNN menyimpan output dari node pemrosesan dan memasukkan kembali ke
model dimana model LSTM yang digunakan memberikan hasil yang lebih baik dari pada
model ANN dan RNN.
2. Model regresi RNN memiliki kesalahan kuadrat rata-rata 1,60 % dan 0,58% pada
tahap pelatihan, masing-masing 2,94% dan 0,94% pada tahap pengujian. Hal ini
menunjukkan bahwa akurasi model RNN sangat tinggi dan menunjukkan potensi untuk
memberikan hasil terbaik untuk masalah regresi.
3. Model dapat memberikan hasil yang akurat mengikuti tren yang ditunjukkan oleh nilai
riil.
4. Hasil menggunakan GRU memiliki kinerja yang baik dan memiliki akurasi yang
tinggi dikarenakan kemampuannya untuk mendeteksi deret waktu dan pola pada dataset
yang digunakan.
Kesimpulan : 1. Dengan meningkatnya penggunaan kendaraan listrik (Electric Vehicle) di pasar
elektrisitas yang diatur dan ketersediaan infrastruktur pengisian EV yang meluas, stasiun
pengisian daya mereka telah menjadi komponen integral dari beban daya di pasar-pasar
ini.
2. Berdasarkan dataset yang terdiri dari 2000 pengamatan peristiwa pengisian daya yang
dikumpulkan dari dua stasiun charging publik di Maroko, empat model pembelajaran
mendalam yang terkenal diterapkan, yaitu Artificial Neural Network (ANN), Recurrent
Neural Network (RNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit
(GRU) dan kinerjanya dievaluasi berdasarkan metrik yang ditetapkan.
3. Temuan mengungkapkan bahwa keempat algoritma regresi dapat memberikan
prediksi yang bertanggung jawab dan efisien untuk permintaan pengisian EV di Maroko.
Namun demikian, model single hidden layer Gated Recurrent Unit (GRU) mengungguli
tiga model lainnya model regresi memiliki RMSE dan MAPE masing-masing 1,39% dan
0,50% pada tahap pelatihan dan 2,90% dan 0,76% pada tahap pengujian. Namun,
dibandingkan dengan hasil dari karya sebelumnya yang menggunakan algoritma Deep
Learning untuk predikat beban EV, hasil tersebut harus ditafsirkan dengan hati-hati
karena peneliti menggunakan ukuran sampel yang relatif sedang dibandingkan dengan
pekerjaan lain karena ketersediaan data. Namun demikian, hasil ini dapat berfungsi
sebagai alat keputusan untuk otoritas regulasi listrik di Maroko.
4. Secara khusus, penelitian akan meningkatkan presisi peramalan untuk pengiriman
yang optimal, mendorong pembangunan stasiun pengisian umum tambahan,
meningkatkan adopsi EV, dan sangat penting untuk pemeliharaan dan pengoperasian
stasiun pengisian. Dengan demikian, ini memberikan pemahaman yang lebih baik
tentang dampak jaringan integrasi EV di Maroko.

30
5. Secara keseluruhan, jelas bahwa pengisian kendaraan listrik (Electric Vehicle) yang
tidak terkendali di Maroko kemungkinan akan menghasilkan masalah untuk jaringan
distribusi daya. Mengingat meningkatnya penggunaan EV, pendekatan pengisian daya
pintar yang mencegah masalah seperti itu sangat penting. Sementara itu, mengingat
potensi energi terbarukan yang signifikan, peraturan energi Maroko harus bekerja pada
metodologi pengisian daya pintar yang memungkinkan kendaraan listrik (Electric
Vehicle) memanfaatkan energi terbarukan secara lebih efisien dan meningkatkan
stabilitas jaringan. Pekerjaan ini dapat diperluas dengan mengevaluasi perilaku
pengisian daya di stasiun pengisian umum di lokasi perkotaan pada setiap jam. Selain
itu, dengan memanfaatkan nilai energi yang diharapkan, pendekatan V2G dapat
digunakan untuk mengendalikan jaringan listrik dan konsumsi energi pelanggan selama
permintaan puncak di pasar listrik yang diatur.
Saran untuk
Penelitian
Selanjutnya
Universitas.
yang berkualitas.
Kelebihan
Jurnal
maksimal.

31
Kekurangan
Jurnal
: 1. Perangkat komputer yang digunakan masih minim.
URL/Daftar
Pustaka yang
Digunakan
: [1] Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado,
G.S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving,
G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2016).
TensorFlow: large-scale machine learning on heterogeneous distributed systems.
http://arxiv.org/abs/1603.04467
[2] Almaghrebi, A., Aljuheshi, F., Rafaie, M., James, K., Alahmad, M., 2020. Data-
driven charging demand prediction at public charging stations using supervised
machine learning regression methods. Energies 13 (6). doi: 10.3390/en13164231 .
[3] Alonso Raposo, M., Grosso, M., Mourtzouchou, A., Krause, J., Duboz, A., Ciuffo,
B., 2021. Economic implications of a connected and automated mobility in Europe.
Res. Transp. Econ. doi: 10.1016/j.retrec.2021.101072 .
[4] Bae, S., Kwasinski, A., 2012. Spatial and temporal model of electric vehicle
charging demand. IEEE Trans. Smart Grid 3 (1), 394–403. doi:
10.1109/TSG.2011.2159278 .
[5] Bedi, J., Toshniwal, D., 2018. Empirical mode decomposition based Deep
Learning for electricity demand forecasting. IEEE Access 6, 49144–49156. doi:
10.1109/AC- CESS.2018.2867681 .
[6] Boulakhbar, M., Lebrouhi, B., Kousksou, T., Smouh, S., Jamil, A., Maaroufi, M.,
Zazi, M., 2020. Towards a large-scale integration of renewable energies in Morocco.
J. Energy Storage 32. doi: 10.1016/j.est.2020.101806 .
[7] Cho, K., van Merrienboer, B., Bahdanau, D., & Bengio, Y. (2014). On the
properties of neural machine translation: encoder-decoder approaches.
http://arxiv.org/abs/1409.1259
[8] Gao, M., Shi, G., Li, S., 2018. Online prediction of ship behavior with automatic
identifica- tion system sensor data using bidirectional long short-term memory
recurrent neural network. Sensors 18 (12). doi: 10.3390/s18124211 , (Switzerland) .
[9] Graves, A., Mohamed, A., & Hinton, G. (2013). Speech Recognition with Deep
Recurrent Neural Networks. http://arxiv.org/abs/1303.5778
[10] Habachi, R., Touil, A., Charkaoui, A., Echchatbi, A., 2017. Management and
control of smart grid systems: opportunities and challenges in Mo- rocco. Int. J.
Math. Comput. Sci. 3 (2), 6–14. http://www.aiscience.
org/journal/ijmcshttp://creativecommons.org/licenses/by/4.0/ .
[11] Hill, T., Marquezb, L., O’connor, M., Remusa, W., 1994. Artificial neural network
models for forecasting and decision making. Int. J. Forecast. 10 .
[12] Hippert, H.S., Pedreira, C.E., Souza, R.C., 2001. Neural networks for short-term
load forecasting: a review and evaluation. IEEE Trans. Power Syst. 16 (Issue 1) .
[13] IEA(2022). International energy agency – key energy statistics. Obtained
from: https://www.iea.org/countries/morocco
[14] Jamii, M., Maaroufi, M., 2021. The forecasting of electrical energy consumption
in Mo- rocco with an autoregressive integrated moving average approach. Math.
Probl. Eng. doi: 10.1155/2021/6623570 , 2021 .
[15] Kim, D.J., Ryu, K.S., Ko, H.S., Kim, B., 2020. Optimal operation strategy of ESS
for EV charging infrastructure for voltage stabilization in a secondary feeder of a
distribution system. Energies 13 (1). doi: 10.3390/en13010179 .
[16] Li, Y., Huang, Y., Zhang, M., 2018. Short-term load forecasting for electric
vehicle charging station based on niche immunity lion algorithm and convolutional
neural network. Energies 11 (5). doi: 10.3390/en11051253 .
[17] Lin, C., & Chi, M. (2017). Comparisons of BKT, RNN and LSTM for Predicting
Student Learning Gains.
[18] Lindemann, B., Maschler, B., Sahlab, N., Weyrich, M., 2021. A survey on
anomaly detection for technical systems using LSTM networks. Comput. Ind. 131.
doi: 10.1016/j.compind.2021.103498 , Elsevier B.V .
[19] Liu, I.-T., & Ramakrishnan, B. (2014). Bach in 2014: Music Composition with
Recurrent Neural Network. http://arxiv.org/abs/1412.3191
[20] Moroccan Energy Outlook : Achievements and perspective. (2018). https://www.
unescwa.org/sites/default/files/event/materials/item_6._country_perspective_
morocco.pdf

32
3.4. Jurnal 4
[21] Mouaad, B., 2022. Electric vehicles arrival and departure time prediction based
on deep learning: the case of Morocco. In: Proceedings of the 2nd International
Conference on Innovative Research in Applied Science, Engineering and Technology
(IRASET), pp. 1–8 .
[22] National Office of Electricity and Water. (2022). http://www.one.org.ma
[23] Nationally Determined Contribution Report. (2021).
https://ndcpartnership.org/news/ morocco-submits-enhanced-ndc-raising-ambition-
455-percent-2030.
[24] Salvatti, G.A., Carati, E.G., Cardoso, R., da Costa, J.P., de Oliveira Stein, C.M.,
2020. Elec-tric vehiclesenergy management with V2G/G2V multifactor optimization
of smart grids. Energies 13 (5). doi: 10.3390/en13051191 .
[25] Srithapon, C., Ghosh, P., Siritaratiwat, A., Chatthaworn, R., 2020. Optimization
of electric vehicle charging scheduling in urban village networks considering energy
arbitrage and distribution cost. Energies 13 (2). doi: 10.3390/en13020349 .
[26] Wang, J., Yan, J., Li, C., Gao, R.X., Zhao, R., 2019. Deep heterogeneous GRU
model for pre-dictive analytics in smart manufacturing: Application to tool wear
prediction. Comput. Ind. 111, 1–14. doi: 10.1016/j.compind.2019.06.001 .
[27] Willmott, C.J., Ackleson, S.G., Davis, R.E., Feddema, J.J., Klink, K.M., Legates,
D.R., O’donnell, J., Rowe, C.M, 1985. Statistics for the evaluation and comparison
of mod-els. J. Geophys. Res. 90 (C5) .
[28] World Economic Forum Annual Report. (2021).
https://www.weforum.org/reports/ annual-report-2020-2021
[29] World Energy Outlook. (2018). https://www.iea.org/reports/world-energy-
outlook-2018
[30] Wu, Y., Wang, Z., Huangfu, Y., Ravey, A., Chrenko, D., Gao, F., 2022.
[31] Hierarchical oper-ation of electric vehicle charging station in smart grid
integration applications - an overview. Int. J. Electr. Power Energy Syst. 139. doi:
10.1016/j.ijepes.2022.108005 , Elsevier Ltd. .
[32] Zhu, J., Yang, Z., Mourshed, M., Guo, Y., Zhou, Y., Chang, Y., Wei, Y., Feng, S.,
2019. Electric vehicle charging load forecasting: a comparative study of Deep
Learning approaches. Energies 12 (14). doi: 10.3390/en12142692 .
Link Jurnal : https://doi.org/10.1016/j.cles.2022.100039
Judul Jurnal :
Online EV charging controlled by reinforcement learning with experience
replay
Volume &
Halaman
ISDS/ISSN : 101162
Tahun : 2023
Penulis :
1. Andrey Poddubnyy
2. Phuong Nguyen
3. Han Slootweg
Abstrak : Penetrasi ekstensif Distributed Energy Resources (DER), khususnya kendaraan listrik
(electric vehicle), menciptakan tantangan besar bagi jaringan distribusi karena
kapasitas yang terbatas. Pendekatan untuk pengisian daya pintar mungkin meringankan
masalah ini, tetapi sebagian besar algoritma pengoptimalan telah dikembangkan sejauh
ini dengan asumsi mengetahui masa depan, atau menggabungkannya dengan model
perkiraan yang rumit. Dalam tulisan ini peneliti mengusulkan untuk menggunakan
Reinforcement Learning (RL) dengan mengulang pengalaman masa lalu secara optimal

33
mengoperasikan pengisi daya EV. Peneliti juga memperkenalkan penghargaan
eksploratif untuk penyesuaian yang lebih baik terhadap perubahan lingkungan. Agen
pembelajaran penguatan mengontrol daya konsumsi pengisi daya untuk
mengoptimalkan biaya dan mencegah saluran dan transformator kelebihan beban.
Simulasi dilakukan pada bus test feeder IEEE 13 dengan data load profile berasal dari
area residensial. Untuk mensimulasikan ketersediaan data yang sebenarnya, agen
dilatih hanya dengan arus transformator dan status pengisi daya lokal, seperti status
pengisian daya (SOC) dan stempel waktu. Beberapa algoritma, yaitu Q-learning,
SARSA, Dyna-Q dan Dyna-Q + diuji untuk memilih yang terbaik untuk digunakan
dalam lingkungan stokastik dan frekuensi streaming data yang rendah.
Key Word : Congestion management; Jaringan distribusi; Kendaraan listrik; Reinforcement
learning
Latar
Belakang
Masalah
: Bertambahnya penggunaan kendaraan listrik (electric vehicle) menyebabkan
perubahan besar dalam bentuk konsumsi listrik. Ada banyak penelitian dalam beberapa
tahun terakhir, yang didedikasikan untuk penyebaran stasiun pengisian bahan skala
besar. Beberapa dari mereka terutama berfokus pada alokasi terbaik di stasiun electric
vehicle (EV) untuk memenuhi pasokan energi berkelanjutan atau di luar jam sibuk.
Dalam makalah ini masalah pengisian EV dibahas dari kedua perspektif,
mempertimbangkan kebutuhan pribadi pemilik mobil listrik. Untuk mengatasi hal ini
maka dibuatkan sebuah metode penelitian menggunakan Reinforcement Learning (RL)
dengan berdasarkan pada pengalaman masa lalu.
Tujuan
Penelitian
: Tujuan penelitian ini adalah:
1. Optimalisasi biaya pengisian dan pencegahan kemungkinan kelebihan beban pada
konsumsi pengisian electric vehicle (EV).
2. Mencegah investasi yang tidak perlu dan mempercepat penyebaran infrastruktur
mobil listrik.
3. Memperbaiki masalah pengisian daya mobil listrik pada pengalaman masa lalu.
4. Meringankan beban meningkatnya jumlah kendaraan listrik dengan melakukan
penelitian berdasarkan Reinforcement Learning (RL).
Manfaat
Penelitian
: Manfaat dari penelitian ini adalah:
1. Penelitian ini diharapkan dapat memberi pemahaman dan edukasi tentang
penggunaan Reinforcement Learning.
2. Dapat menjadi referensi dalam edukasi pembelajaran Reinforcement Learning
4. Dapat menjadi bahan pembelajaran dalam memprediksi pengaruh meningkatnya
jumlah kendaraan listrik.
Metode : 1. Markov Decision Process
2. Learning Temporal Differencess
3. Dyna-Q Algorithm
4. Dyna-Q+ Algorithm
5. Naïve Rule-based Control

34
Algoritma
yang
Digunakan
: 1. SARSA Algorithm
Initialize Q(S, A) arbitrarily for all s ∈ S+
, a ∈ A(s), except terminal states, where Q
= 0 for each episode do
Initialize St;
Choose At from St based on the policy and current Q
estimation; while St ̸ = terminal do Take At, observe R, St+1;
Choose At+1 from St+1 based on the policy and current Q estimation;
Make an update by the rule (2);
St ← St+1, At ← At+1; end while end for
2. Q-Learning Algorithm
Initialize Q(S, A) arbitrarily for all s ∈ S+
, a ∈ A(s), except terminal states, where Q
= 0
for each episode do
Initialize St;
while St ̸ = terminal do Take At, observe R, St+1;
Choose At from St based on the behavior policy and current
Q estimation;
Make an update by the rule (3);
St ← St+1; end while end for
3. Dyna-Q Algorithm
Initialize Q(S, A), Model(S, A) for all s ∈ S+
, a ∈ A(s),
for each episode do
Initialize St ← current state;
Initialize At ← ϵ-greedy policy(St, Q);
Take action At observe reward R and state St+1;
Make an update from the Q-learning update rule (3);
Model(St, At) ← R, St+1 assuming the deterministic environment for each planning
step do
St ← random previous state;
At ← random action, taken in the previous state;
Rt, St+1 ← Model(St, At);
Make an update by the rule (3); end for
end for
4. Dyna-Q+ Algorithm
Initialize Q(S, A), Model(S, A),τ(S, A) for all s ∈ S+
, a ∈ A(s),
for each episode do
Initialize St ← current state;
Initialize At ← ϵ-greedy policy(St, Q);
Take action At observe reward R and state St+1; Make an update from the Q-learning
update rule (3); τ(S, A) = τ(S, A) + 1, τ(St, At) = 0
Model(St, At) ← R, St+1 assuming the deterministic environment for each planning
step do

35
St ← random previous state;
At ← random action, taken in the previous state;
Rt, St+1 ← Model√ (St, At); Rt ← Rt + κ τ(St, At);
Make an update by the rule (3); end for
end for
Implementasi
dan
Kebutuhan
Perangkat
Lunak Dari
Metode yang
Dilakukan
: Python
Hasil
Penelitian
:
Gambar 4.1. Perbandingan proses pelatihan dengan 50 eksekusi independen untuk algoritma yang
berbeda dengan perubahan lingkungan di episode 200.
Seperti yang dapat dilihat pada gambar 4.1, algoritma yang berbeda memiliki kinerja
yang berbeda baik di awal dan setelah konsep drift dalam data lingkungan. Dyna-Q dan
Dyna-Q + secara signifikan mengungguli algoritma tabular sederhana setelah konsep
drift, sementara tertinggal sedikit di belakang sebelumnya.
Penemuan sesekali dibuat, sementara metode tabular hanya belajar dari pengalaman.
Kinerja yang lebih rendah di awal terhubung dengan fakta, bahwa algoritma ini
membuat banyak pembaruan hanya menggunakan beberapa poin pengalaman yang
mereka miliki dalam model, sehingga cocok dengan titik data pertama. Algoritma
berbasis aturan menunjukkan kinerja yang baik di awal proses pelatihan. Setelah
konsep melayang, reward yang terkumpul mulai berosilasi. Ini disebabkan oleh
beberapa faktor. Pertama, karena sekarang ada area baru yang sangat menguntungkan
di akhir episode. Kedua, data beban masih mengandung beberapa noise, yang lebih
tinggi pada periode tertentu dari dataset. Sementara algoritma tahan terhadap
kebisingan, pendekatan berbasis aturan terkadang gagal memenuhi persyaratan untuk
mengisi daya kendaraan. Itu berarti bahwa pendekatan berbasis aturan harus
disesuaikan secara manual dengan perubahan lingkungan.

36
Gambar 4.2. Perilaku komponen selama proses pelatihan algoritma Q-learning.
Kesimpulan menarik dapat dilakukan dari perilaku berbagai komponen fungsi multi-
objektif. Seperti yang terlihat pada Gambar 4.2, biaya dan reward beban transformator
naik, sedangkan reward SOC turun (Gambar 4.3).
Gambar 4.3. Komponen SOC dari fungsi reward selama perubahan lingkungan.
Hal ini disebabkan karena menunda pengisian baterai ke titik waktu yang lebih
menguntungkan nantinya. Setelah drift, istilah kapasitas mulai turun karena di akhir
episode, harga menjadi jauh lebih penting dan kapasitas diabaikan saat ini. Algoritma
Dyna-Q + menunjukkan kemampuan yang lebih baik untuk mempelajari harga dan
mengorbankan reward kapasitas untuk itu.
Gambar 4.4. Eksperimen peluncuran kebijakan. Kebijakan terlatih digunakan pada 40 hari terakhir
dari dataset dan metrik kinerjanya dilacak: (a) biaya rata-rata biaya, (b) beban transformator rata-
rata selama pengisian, (c) SOC sebelum keberangkatan atau pada akhir hari.
Kebijakan Dyna-Q+ terlatih digunakan selama eksperimen peluncuran terhadap
pendekatan berbasis aturan. Hasilnya ditunjukkan pada Gambar 4.4. Seperti yang bisa
dilihat, pengurangan yang signifikan dari biaya pengisian tercapai, mempertahankan
SOC pada tingkat yang sesuai. Ini datang dengan biaya konsumsi dalam jam yang lebih
banyak. Menimbang, bahwa waktu beban tinggi yang khas dihindari, tidak penting,
berapa beban transformator selama pengisian. Selain itu, algoritma berbasis aturan

37
gagal mengisi daya ke tingkat baterai yang sesuai, karena terkadang SOC tidak
melebihi 60%.
Analisis komparatif dari pengaruh γ yang berbeda pada proses pelatihan disediakan di
koran. Faktor diskon γ mewakili, betapa berharganya algoritma merasakan informasi,
dicapai pada tahap selanjutnya dari sebuah episode untuk memperkirakan fungsi nilai
pada keadaan saat ini. Umumnya, semakin rendah nilai γ , semakin penting agen
mempertimbangkan reward langsung dibandingkan dengan reward di masa depan, dan
sebaliknya.
Hyperparameter lainnya adalah ukuran langkah α, yang menentukan, berapa banyak
nilai tindakan yang harus diperbarui pada setiap iterasi. Parameter ini dipilih sebagai
α = 0,5 sebagai trade-off antara pembelajaran lambat dan overfitting ke timesteps
terbaru..
Gambar 4.5. Pengaruh γ pada proses pelatihan untuk algoritma Dyna-Q+ dengan 20 eksekusi
independen
Beberapa tes demonstratif dengan algoritma Dyna-Q + dan γ yang berbeda dengan
nilai tetap α = 0,5 ditunjukkan pada Gambar 4.5.
Seperti yang bisa dilihat, lebih tinggi γ s = 0,5 dan 0,9 mengarah pada pembelajaran
yang lebih baik setelah perubahan lingkungan. Hal ini disebabkan oleh fakta, bahwa
untuk mendistribusikan reward yang tertunda kembali ke awal episode, perlu untuk
mengambil reward di masa depan sebagai lebih penting. Oleh karena itu, tingkat
diskonto yang lebih tinggi mengarah ke bagian yang lebih besar dari reward timesteps
terakhir akan diperhitungkan dalam timesteps pertama setelah kedatangan.
Parameter penting lainnya, yang merupakan bagian dari algoritma Dyna-Q+, adalah
jumlah langkah perencanaan selama pemutaran ulang pengalaman dan parameter κ,
yang bertanggung jawab atas penskalaan reward dari θ. κ optimal tergantung pada
skala faktor fungsi multi-objektif dan harus dikoordinasikan dengannya. Umumnya, κ
yang terlalu tinggi menyebabkan reward rata-rata yang lebih rendah bahkan dengan
kebijakan yang optimal.

38
Gambar 4.6. Pengaruh jumlah langkah perencanaan pada proses pelatihan untuk algoritma Dyna-Q+
dengan 20 eksekusi independen.
Analisis sensitivitas langkah-langkah perencanaan dengan κ tetap = 0.3 disajikan pada
Gambar 4.6.
Beberapa langkah perencanaan akan mengubah algoritma menjadi Q-learning
sederhana, yang terlihat pada gambar. Nilai yang lebih tinggi 10 mengarah pada hasil
yang lebih stabil, daripada 1 langkah. Jumlah langkah perencanaan
Gambar 4.7. Perilaku agen di grid distribusi. Kiri: Bersandar Q, kanan: Dyna-Q+.
dipilih menjadi 10 karena angka yang lebih tinggi tidak akan memberikan peningkatan apapun, tetapi
menurunkan kecepatan komputasi.
Agen terlatih berhasil mengalihkan muatan ke titik, di mana ada trade-off antara beban
dan reward harga. Contoh perilaku satu hari dengan dua algoritma (Q-learning dan
Dyna-Q +) disajikan pada Gambar 4.7. Dalam hal ini, simulasi terjadi setelah
lingkungan berubah, dengan slot waktu harga nol di malam hari. Waktu keberangkatan
dan kedatangan dekat, tetapi sedikit berbeda karena keacakan setiap simulasi. Dalam
plot ini, EV berangkat di pagi hari sekitar jam 8 pagi (garis putus-putus di pagi hari)
dan tiba sekitar jam 6 sore (garis putus-putus di malam hari). Seperti yang dapat dilihat,
dalam kasus algoritma Dyna-Q + agen lebih suka sekarang area dengan harga nol,
bertentangan dengan Q-learning, yang masih jauh dari waktu malam. Hal ini terjadi
karena algoritma Q-learning jarang mengunjungi jam malam dan tidak dapat
memanfaatkan pengalaman itu sepenuhnya, sementara Dyna-Q + memiliki insentif
untuk menjelajahi ruang negara sesekali dan untuk mengungkap lintasan baru yang
bermanfaat.
Kesimpulan : Dalam karya ini kemungkinan menggunakan model Reinforcement Learning (RL)
untuk meringankan beban meningkatnya jumlah kendaraan listrik. Beberapa algoritma,
termasuk Q-learning dan SARSA yang sepenuhnya bebas model dan perencanaan

1. TUGAS1_METODOLOGI_PENELITIAN_TEKNOLOGI_INFORMASI_HENDRO GUNAWAN_200401072103_IT701.pdf

1. TUGAS1_METODOLOGI_PENELITIAN_TEKNOLOGI_INFORMASI_HENDRO GUNAWAN_200401072103_IT701.pdf

Recommended

Recommended

More Related Content

Similar to 1. TUGAS1_METODOLOGI_PENELITIAN_TEKNOLOGI_INFORMASI_HENDRO GUNAWAN_200401072103_IT701.pdf

Similar to 1. TUGAS1_METODOLOGI_PENELITIAN_TEKNOLOGI_INFORMASI_HENDRO GUNAWAN_200401072103_IT701.pdf (20)

More from HendroGunawan8

More from HendroGunawan8 (20)

Recently uploaded

Recently uploaded (20)

1. TUGAS1_METODOLOGI_PENELITIAN_TEKNOLOGI_INFORMASI_HENDRO GUNAWAN_200401072103_IT701.pdf