STUDI ANALISIS PENERAPAN JARINGAN SYARAF TIRUAN UNTUK PRAKIRAAN BEBAN KELISTRIKAN SE JAWA – BALI Oleh Nasrif, Ir,MT, Endang Sri Rahayu, Ir, Mkom, Iyoni Teknik Elektro Fakultas Teknologi Industri Universitas Jayabaya Jakarta
Abstrak Metode Jaringan Syaraf Tiruan adalah metode yang sangat banyak digunakan dalam penelitian dan pengembangan sistem daya listrik.Dalam makalah ini akan dijelaskan mengenai studi penerapan Jaringan Syaraf Tiruan Backpropagation error untuk prakiraan beban listrik se Jawa-Bali. Data histori beban, informasi kalender dan informasi lainnya diolah oleh jaringan syaraf tiruan pada fase pembelajaran. Hasil pembelajaran tersebut menghasilkan bobot bobot jaringan yang nantinya digunakan dalam prakiraan beban. Kata kunci : Jaringan Syaraf Tiruan, Backpropagation, Prakiraan Beban. 1.
Pendahuluan
Prakiraan beban adalah masalah yang sangat penting dalam pengoperasian dan perencanaan sistem daya listrik. Untuk meminimalisasi biaya operasi, supplier listrik menggunakan prakiraan beban untuk mengontrol banyaknya unit generator yang bisa dioperasikan. Prakiraan jangka pendek ( Short term Forecasting ) adalah prakiraan beban dari jam ke jam dan merupakan hal yang sangat penting dalam pemeliharaan harian pada Power Plant dan juga untuk studi dan analisa aliran daya. Dalam berbagai penelitian yang dilakukan di negara maju, informasi kalender ( hari libur, hari akhir pekan, hari hari dalam seminggu, hari perayaan nasional, dll ) dan data histori merupakan faktor yang dominan dalam penentuan
struktur Jaringan Syaraf Tiruan yang digunakan dalam prakiraan beban. Sedangkan informasi lainnya seperti temperatur/cuaca, temperatur rata rata dan temperatur puncak di lokasi yang akan diprediksi besar bebannya banyak yang tidak menggunakan informasi tersebut dalam prakiraan beban dengan Jaringan Syaraf Tiruan. Berbagai variasi metode yang digunakan dalam penelitian dan aplikasi jaringan syaraf tiruan dalam prakiraan beban, ada yang menggunakan metode Unsupervised Leaning, yaitu suatu metode pembelajaran jaringan syaraf tiruan tanpa pengawasan. Maksudnya adalah pola input yang akan diajarkan ke jaringan tanpa membutuhkan pola output, sedangkan metode yang lainnya adalah metode Supervised Learning, yaitu suatu metode pembelajaran yang membutuhkan pasangan pola input dan pola output. Dalam penelitian ini digunakan metode Backpropagation Error yang merupakan salah satu metode dari metode Supervised Learning. 2.
Klasifikasi Beban
dan
Karakteristik
Gambar 1 merupakan kurva beban listrik se jawa-bali perjam dalam 2 minggu, yaitu tanggal 1 sampai dengan tanggal 12 bulan September 2003. Pola beban hari demi hari dalam seminggu ( senin – sabtu ) hampir sama, hanya sedikit variasi, begitu juga dengan kurva beban pada hari akhir pekan ( hari minggu ). Beban puncak umumnya tejadi pada jam 18.00 – 19.30
wib, hal ini wajar terjadi karena semua penerangan rumah, TV, kulkas dan lainnya pada digunakan, sedangkan dari jam 23.00 – 07.00 wib beban cendrung turun, karena kebanyakan peralatan rumah tangga yang menggunakan tenaga listrik tidak digunakan pada jam jam tersebut, karena jam-jam tersebut adalah jam istirahat. Beban cendrung naik mulai jam 07.00 – 08.00, karena pada jam tersebut banyak aktifitas industri, seperti pemanasan mesin industri, dll. Dari jam 08.00 – 17.00 beban cendrung stabil, karena pada jam-jam tersebut kegiatan industri sudah stabil.
Jaringan syaraf dikarakteristikkan sebagai : 1. Suatu bentuk yang dihubungkan dengan neuron. 2. Dipakai suatu metode untuk mendapatkan nilai penimbang pada sambungan tersebut (disebut algoritma pembelajaran) dan 3. Funsi Aktifasi, yaitu suatu fungsi yang digunakan untuk mengolah sinyal input menjadi sinyal keluaran neuron. Umumnya yang digunakan adalah fungsi sigmoid seperti berikut : Y_output = 1 / (1 + e-y_input) ................1 3.1.
Gambar 1. Kurva beban Jawa-Bali perjam dalam 2 minggu
3.
Jaringan Syaraf Tiruan Dengan pendekatan artificial intelligent (kecedasan buatan) manusia berusaha menirukan bagaimana pola-pola dibentuk oleh jaringan syaraf manusia. Artificial Neural Network (jaringan syaraf buatan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia atau jaringan biologi dengan asumsi : • Pemrosesan informasi terjadi pada elemen-elemen dasar disebut dengan Neuron. • Sinyal/informasi lewat antar neuron melalui suatu sambungan jaringan. • Masing-masing sambungan diberi suatu weight (penimbang) yang pada umumnya bersifat mengalikan sinyal-sinyal. • Masing-masing neuron diaplikasikan diaplikasikan sebagai suatu fungsi aktivasi.
Struktur JST Backpropagation Error Gambar 2 merupakan struktur jaringan syaraf tiruan Backpropagation Error dengan 3 lapisan ( Layer ), yaitu 1 lapisan input, 1 lapisan hidden, 1 lapisan output. Untuk lapisan hidden bisa lebih dari 1 lapisan, tidak ada aturan yang baku untuk menentukan banyaknya lapisan tersebut. Lapisan Input berfungsi untuk menerima sinyal input eksternal dan selanjutnya output dari lapisan input ini (setelah dimasukkan kedalam fungsi aktifasi) digunakan oleh lapisan hidden untuk diproses. Output lapisan hidden digunakan oleh lapisan output untuk menghitung output jaringan. Proses ini disebut dengan Feed forward. Output jaringan dibandingkan dengan Target, jika errornya lebih besar dari yang diharapkan, maka terjadi proses balik, dari lapisan output ke lapisan hidden dan dari lapisan hidden ke lapisan input. Proses ini disebut sebagai proses Backward. Proses ini tujuannya adalah untuk mendapatkan bobot jaringan, yang nantinya digunakan untuk proses mapping atau proses pengujian hasil pembelajaran jaringan. Untuk lebih jelasnya dapat disimak pada bagian algoritma pembelajaran berikut ini.
LAPISAN HIDDEN LAPISAN INPUT
LAPISAN OUTPUT
Gambar 2. Struktur JST
3.2. Algoritma Pembelajaran Secara rinci algoritma trainingnya adalah sebagai berikut : Langkah 1:memberi inisialisasi factor penimbang (diberi nilai kecil karena random ) Langkah 2:Ulangi step 2 hingga kondisi step terpenuhi. Feed Forward Langkah 3:Masing-masing unit input ( XI , I=1, … n) menerima sinyal input xi dan disebarkan sinyal tersebut ke semua unit layer bagian atas (unit hidden) Langkah 4:masing-masing unit unit hidden menjumlah factor penimbang : Z_inj = voj + vij x Xi………..(2) Dan menghitung sesuai dengan fungsi aktivasi Zj = f ( z_inj ) …..……..…(3) Dan kemudian mengirim semua sinyal tersebut ke semua unit dia tasnya (output point) Langkah 5:Masing-masing unit output (Yk, k=1 … , m) dijumlahkan factor Penimbang. Y_ink = wok + wjk x Zj ….(4) Dan menghitung sesuai dengan fungsi aktivasi Yk = f ( y_ink ) ………..(5) Back Propagasi Error Langkah 6:Masing-masing unit output (Yk, k=1 … , m) menerima pola target Sesuai dengan pola masukan saat training dan menghitung error δk = (tk – yk) f’ (y_ink) .….(6)
menghitung pembetulan factor penimbang (selanjutnya untuk mem perbaiki wjk). ∆w jk = αδkZj ……..………..(7) Menghitung pembetulan koreksi ∆w ok = αδk ….……………(8) Dan mengirim nilai δk ke unit layer di bawahnya. Langkah 7:Masing-masing unit hidden (Zj, j=1 … ,p) mewnjumlahkan delta inputnya (dari unit layer diatasnya) δ_ink = Σ δk w jk ……..….(9) kemudian dikalikan dengan turunan dari fungsi aktivasinya untuk menghitung error δj = δ_inj f’ (z_inj) ……….(10) kemudian menghitung pembetulan penimbang (digunakan untuk memperbaiki vij kemudian) ∆v ij = αδjx1 ..………..…….(11) dan menghitung pembetulan bias (untuk memperbaiki voj kemudian) ∆v oj = αδj ……….…..……(12) Memperbaiki Penimbang DanB ias Langkah 8:Masing-masing unit output (Yk, k=1 … , m) diperbaiki bias dan penimbangnya (j=0, … ,p): Wjk (baru) = wjk (lama) + ∆wjk …………………………….(13) Masing-masing unit hidden (Zj, j=1 … , p) diperbaiki bias dan penimbangnya (I=0, …, n) : vjk (baru) = vjk (lama) + ∆vjk ………………………………………….(14) Langkah 9:Uji kondisi pemberhentian Gambar 3 adalah flowchart algoritma pembelajaran JST Backpropagation Error. Prosedure umum dalam pemberian nilai awal penimbang adalah bilangan random antar –0,5 dan 0,5 (atau antara –1 dan 1). Sedangkan konstanta pembelajaran umumnya diberi nilai 0.1 – 0.25 dan momentum umumnya diberi nilai antara 0.8 – 0.95. hal tersebut dapat dilakukan dengan cara trial and error.Semakin besar nilaikonstanta pembelajaran, maka semakin cepat proses
pembelajarannya, tetapi semakin besar kesalahannya. Sedangkan semakin tinggi nilai momentum, maka jaringan semakin sulit mencapai konvergent. Penentuan Parameter P : jumlah pola η : Konstanta belajar α : Momentum Inisialisasi Bobot V,W : Random E=0
Hitung Output Node Y = f(V Z ) O = f( W Y ) Hitung Error E = E + 0.5( d – 0 )2
Hitung sinyal error δo = 0.5 ( dk – ok )( 1 – ok )2 δy = 0.5 δo ( 1 – y)2 Wj
Koreksi Bobot W = W + ηw δo Y V = V + η δy Z
kelistrikan se Jawa Bali dibagi dalam 2 metode yaitu : 4.1 Metode pemilihan struktur JST dalam prakiraan beban per 1 jam Metode prakiraan beban per 1 jam didasari dari data beban histori, temperatur dan informasi lain yang mempengaruhi beban perjam pada suatu daerah. Model jaringan yang digunakan sebagai berikut : Net Struktur : 9 – 8 – 1 ( 9 net input, 8 net hidden dan 1 net output) Net input terdiri dari : 1. Jam ke i :1 – 24 ( Data beban pada jam yang akan diramal pada hari yang dimaksud) 2. Temperatur pada jam dan hari yang dimaksud. Jika temperatur tidak digunakan dalam prakiraan beban, maka cukup di isi dengan angka 0. 3. Data beban hari sebelumnya pada jam ke i 4. Data beban pada jam sebelumnya pada hari yang dimaksud 5. Data beban pada jam yang dimaksud 6. Akhir pekan : 1,0 ( jika akhir pekan di isi 1, jika bukan di isi 0 ) 7,8,9 Hari dalam seminggu : 001 – 111 ( Jika hari senin di isi 001, selasa 010, rabu 011, kamis 100, jumat 101, sabtu 101, minggu 111)
y
OUTPUT Data beban jam selanjutnya ( I + 1 ) pada hari yang dimaksud.
y
4.2.
Masih ada pola?
n E > Emax
n Stop Gambar 3. Flowchart pembelajaran JST Backpropagation Error
4.
Metode pemilihan struktur JST dalam Prakiraan Beban Kelistrikan se Jawa Bali
Struktur jaringan syaraf tiruan yang digunakan dalam prakiraan beban
Metode pemilihan struktur dalam prakiraan beban per 24 jam Metode prakiraan beban per 24 jam didasari data histori beban yang umum terjadi, misalnya data beban hari minggu dipengaruhi oleh data hari sabtu dan hari senin. Berikut adalah model persamaan non linier beban yang digunakan sebagai model prakiraan beban dalam 1 hari ( 24 jam ) : y(i) = F(Wi,Y(i-1)…………………(15) dimana : y(i) ={y(i,t): t=1,2,…,24} vector actual beban pada hari ke I y(i,t): Aktual beban pada hari I jam ke t
Y(i-1)=[y(I-1),y(i-2),…,y(i-k)]T k : Indek banyaknya data Wi : Vector bobot F(.,.): Fungsi vector non linier Pola beban di klasifikasikan dalam 2 bentuk pola yaitu pola data hari dalam seminggu dan pola data akhir pekan. Pola data harian dalam seminggu ditentukan dengan menggunakan persamaan berikut : y(i-1)=F(Wi, Y(i-2)) ………………..(16) dimana : y(i-1) : Data output pada hari ke i Y(i-2) = [y(i-2),y(i-3)]T adalah data beban pada hari ke i pada 2 minggu sebelumnya. Sedangkan untuk menentukan pola beban akhir pekan menggunakan persamaan sebagai berikut : y(id) = F(Wi,y(id-1),d=1,2…5 …..(17) dimana : y(id) : Data output pada akhir pekan ke i d : Type awal perhitungan hari. Missal i1 adalah sabtu atau i2 adalah senin Y(id-1) = [y(i-1),y(i-2)]T adalah data beban pada akhir pekan ke i pada 2 minggu sebelumnya. Net Struktur : 48 – 10 – 24 Net Input : 48 unit ( 24 jam hari ke i pada 1 minggu sebelumnya dan 24 jam Pada hari ke i pada 2 minggu sebelumnya) Net Hidden : 10 unit Net Output : 24 unit ( 24 jam pada hari ke i ) 5.
6. 1.
2.
3.
4.
5.
6.
7.
Kesimpulan 1.
2.
3.
Data histori beban, informasi kalender dan informasi cuaca merupakan data yang digunakan oleh JST dalam proses pembelajaran. Klasifikasi dan karakteristik beban faktor yang dominan dalam menentukan struktur jaringan Syaraf Tiruan Inisialisasi parameter (bobot,konstanta pembelajaran dan momentum) dan struktur jaringan sangat menentukan dalam proses pembelajaran JST.
8.
9.
Referensi Jie Bao “Short-term Load Forecasting based on Neural Network and Moving Average”Artificial Intelligence Lab, Lowa State University Pauli Murto, Raimo P.H “Neural network models for short-term load forecasting”Helsinki University of Technology. K.Y.Lee, J.H. Park “Short-term Load forecasting using an artificial Neural Network” Transaction on Power System, Vol 7, no.1 Feb 1992 T.Matsui, T.Iisaka,Y.Fukuyama “Peak Load Forecasting using analizable struktured Neural Network “ IEEE PES 2001 [Bakirtzis 2000] V.Petridis, A.Kehagias, A. Bakirtzis, S. Kiartzis “Short-term Load Forecasting using predictive Modular Neural “ A.Piras A. Germond, B.Buchenel, K.Imhof, Y. Jaccard “Hetereogeneous Artificial Neural Network for Short-term Load Forecasting “ IEEE PICA 95. Min-Huei Kim, M. Godoy Simões, Bimal K. Bose, “Neural Network-based Estimation of Power Electronic Waveforms”, IEEE Trans. Power elect., vol. 11, no.2, March. 1996. Valluru B. Rao, Hayagriva V. Rao “ + + Neural Network And Fuzzy Logic “, Management Information Source, Inc, New York, USA, 1993. Mauridhi Herry P, I Y O N I, “ Perhitungan Jumlah Sel Darah Merah Menggu nakan Jaringan Syaraf Tiruan ( Sub Judul : Jaringan Syaraf Tiruan ) “ Tugas Akhir Teknik Listrik Industri PENS ITS 2000.
10.
11.
12.
13.
Era Purwanto, Son Kuswandi, Riyanto Sigit, Agustinus Erwin Setiawan, “Implementasi Pengaturan Kecepatan Motor Induksi Dengan Pengendali Cerdas (Algoritma Neural Network)” Tugas akhir Teknik Listrik Industri PENS ITS 1999. Wahyu Tjatur SA, et.al.“Neural Network Finite Element for Analyzing Voltage Distribution in an Homogeneous Material”, EEPIS Journal Elect. Power Control and Telec., vol.4, no.1, Dec. 1999. Abdul Bari “ Implementasi Pengendali Cerdas Pada Sistem Docking Auto Pilot Kapal Laut “ Tugas Akhir 1999, PENS ITS Muhammad Saiful Arifin “ Pengenalan bentuk kepala manusia untuk menentukan jenis kelamin dengan menggunakan metode Jaringan Syaraf Tiruan “ Tugas Akhir Teknik Elektro ITS 1997