← Kembali ke Beranda/Virtual Forecasting Studio
VIRTUAL COMPUTATIONAL LABORATORY

Virtual Time Series & Forecasting Studio

Eksplorasi interaktif pembentukan deret waktu sistem tenaga, pengujian ketahanan estimator terhadap derau sensor (*sensor noise filtering*), serta simulasi peramalan beban jangka pendek (*Short-Term Load Forecasting*) menggunakan model parametrik dan Deep Learning.

VIRTUAL TIME SERIES & FORECASTING LAB

Simulasi Real-Time & Estimator Peramalan Beban

Eksplorasi pembentukan beban sistem tenaga, pemfilteran derau sensor (Kalman Filter), dan peramalan multi-cakrawala (Holt-Winters & SARIMA).

1. Sumber Data Sistem Tenaga
12 MW
2. Model Algoritma Peramalan
24 Jam
0.05
2.5
METRIK EVALUASI AKURASI
RMSE0.00
MAE0.00
MAPE0.0%
R² SCORE0.000
Target Asli (Ground Truth) Sinyal Sensor Berderau Estimasi & Peramalan Model
Estimator Real-Time Online
PANDUAN TEORITIS

Landasan Matematis Algoritma Estimator

Penjelasan formulasi matematis di balik model yang disimulasikan pada Virtual Studio.

Algoritma 1

Discrete Kalman Filter (BLUE)

Estimator linear kuadratik rekursif optimal untuk sistem stokastik berderau Gaussian.

$$\hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k (z_k - H \hat{x}_{k|k-1})$$ $$K_k = P_{k|k-1} H^T (H P_{k|k-1} H^T + R)^{-1}$$
  • Time Update (Prediksi): Proyeksikan status ke depan menggunakan model proses.
  • Measurement Update (Koreksi): Hitung Kalman Gain dan perbarui kovarians galat.
Algoritma 2

Holt-Winters Triple Smoothing

Model peramalan eksponensial adaptif dengan komponen Level, Tren, dan Musiman.

$$\hat{y}_{t+h|t} = (\ell_t + h b_t) s_{t+h-m(k+1)}$$
  • Mampu menangkap siklus musiman harian 24 jam dengan komputasi ultra-cepat.
  • Sangat handal untuk *baseline forecasting* sistem SCADA/EMS gardu induk.
Algoritma 3

SARIMA Box-Jenkins

Seasonal Autoregressive Integrated Moving Average (p,d,q)(P,D,Q)_s.

$$\Phi_P(B^s) \phi_p(B) (1-B)^d (1-B^s)^D y_t = \Theta_Q(B^s) \theta_q(B) \epsilon_t$$
  • Diferensiasi reguler dan musiman untuk mencapai kestasioneran kovarians.
  • Diagnostik kelayakan residu menggunakan uji Ljung-Box Q-test.
Algoritma 4

Deep LSTM Memory Gates

Jaringan saraf tiruan rekuren dengan gerbang memori Forget, Input, dan Output.

$$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$ $$C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$$
  • Menghindari masalah *vanishing gradient* pada dependensi temporal jangka panjang.
  • Sangat unggul untuk pola non-linear fluktuasi cuaca dan pembangkitan PLTS/PLTB.