APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI BEBAN PUNCAK DI KABUPATEN MANOKWARI (Artificial Neural Network Application for Peak Load Prediction in Manokwari Regency) Adelhard Beni Rehiara Jurusan Teknik Fakultas MIPA Universitas Negeri Papua email :
[email protected]
ABSTRACT The usage of electrical power in Manokwari has increased annually. Electrical generation is needed to be predicted in order to know its reliability. Artificial neural networks are used in many applications and it was used to predict peak load in Manokwari. The result shows that in December 2011, peak load in Manokwari is about 10809.18kW and 10812.15 kW for online and offline prediction respectively. This condition shows that as long as no generator set is overhauled, the electrical generation unit in Manokwari can handle the peak load until December 2011. Keywords : Artificial neural network, peak load, prediction.
PENDAHULUAN
JARINGAN SARAF TIRUAN
Energi listrik merupakan energi sekunder yang sangat vital dibutuhkan manusia. Hal ini dikarenakan energi listrik mudah dibangkitkan, ditransmisikan dan juga mudah dikonversikan. Karena energi listrik merupakan bentuk energi sekunder maka energi listrik tidak diperoleh secara langsung di alam dan perlu dibangkitkan menggunakan energi primer yang tersedia Salah satu indikator kemajuan dan percepatan pembangunan pada suatu daerah adalah peningkatan pemakaian energi listrik pada masyarakat yang mendiami daerah tersebut. Beban puncak yang biasanya terjadi antara pukul 16.0021.00 dapat dipakai sebagai acuan yang tepat bagi PT PLN untuk menghadapi perilaku pelanggan (Adelhard, 2006). Jaringan saraf tiruan merupakan tiruan dari jaringan saraf untuk dilatih dan dipergunakan untuk menyelesaikan problem tertentu. Jaringan saraf tiruan telah banyak dikembangkan sebagai pengendali, prakiraan cuaca maupun pemodelan (Adelhard, 2010). Dalam tulisan ini, perilaku beban puncak di Kabupaten Manokwari akan diprediksikan menggunakan jaringan saraf tiruan.
Sebuah jaringan saraf tiruan merupakan elemen-elemen paralel komputasi yang menyerupai sistem saraf makhluk hidup. Banyak penelitian mengenai jaringan saraf tiruan telah dilakukan untuk mentransfer kecerdasan manusia pada mesin untuk membuat mesin tersebut lebih cerdas dalam bekerja. Otak manusia Sekarang ini jaringan saraf tiruan telah banyak digunakan sebagai alat utama untuk menyelesaikan banyak problem kompleks pada berbagai aplikasi antara lain pada pengendali, pemrosesan sinyal, pengenalan pola, dsb. Berbeda dengan sebuah komputer yang perlu diprogram sebelumnya untuk melaksanakan tugas tertentu, sebuah jaringan saraf tiruan perlu untuk di latih dari pengalaman-pengalaman sebelumnya atau lebih dikenal dengan supervised learning sebelum digunakan. Sebuah jaringan saraf tiruan yang terdiri dari banyak lapisan (layer) dapat digambarkan sebagai input, hidden dan output layer. Jaringan saraf tiruan dapat terdiri dari satu atau banyak neuron yang bekerja sama untuk mencapai maksud tertentu. Sebuah neuron dapat digambarkan pada gambar 1 (Adelhard, 2010; Brian 2006).
Natural, Oktober 2010, Vol. 9 No.2
I1 I2
ISSN 1412 - 1328
w1j w2j wij
2
E ( w) = min
Σ
Hj
Ii
Gambar 1. Neuron pada hidden layer Sebuah jth neuron menerima N input dari input layer yang memiliki pemberat w dan diproses segera setelah pemberat yang dijumlahkan dengan bias bij mencapai ambang µ. Sehingga input h untuk jth hidden akan diberikan oleh persamaan 1 (Adelhard, 2010; Brian 2006). h j = ∑ wij I i + b j ≥ µ
(1)
Selanjutnya keluaran dari lapisan ini diberikan sebagai Hj=f(hj). Saat neuron diproses, keluaran H memiliki nilai yang tidak sama dengan nol. Ambang batas µ akan digantikan oleh fungsi aktifasi yang dapat ditentukan oleh satu dari tipe aktifasi sebagai berikut: • Fungsi sigmoid dengan f(h)=1/(1+e-h) • Fungsi tangen hiperbolik dengan f(h)=tanh(h) • Fungsi Gaussian f(h)=e-h2 Penjelasan diatas merupakan dasar dari feed forward neural network sebagai dasar utama dari jaringan saraf tiruan. Selanjutnya Back propagation algorithm yang digunakan dalam penelitian ini akan dijelaskan lebih detil. Gambar 2 akan digunakan untuk menjelaskan perilaku dari back propagation neural network.
1 2N
∑∑ (yˆ N
M
p k
− y kp
)
2
(2)
p =1 k =1
Pola input terdiri dari beberapa pola yang mana superskrip p menunjukkan jumlah dari pola. Subskrip i dan j pada hidden layer mengacu pada jumlah neuron input dan jumlah neuron hidden. Unit hidden j akan menerima sebuah jaringan input sebagai berikut (Adelhard, 2010; Brian 2006):
h jp = ∑ wijh x ip
(3)
Keluaran dari hidden layer H adalah fungsi dari unit hidden. Pada output layer, neuron k akan menerima beberapa input dari hidden layer sebagai (Adelhard, 2010; Brian 2006):
okp = ∑ w ojk H jp = ∑ w ojk f ∑ wijh xip i i i
(4)
Selanjutnya dari neuron output adalah:
yˆ kp = f (okp )
(5)
Untuk meminimalkan perbedaan antara jaringan k dan output yang diharapkan pada persamaan 2, pemberat w perlu untuk direvisi sepanjang proses belajar. Pemberat antara hidden dan output layer akan diperbaiki menggunakan aturan gradient descent pada persamaan berikut (Adelhard, 2010; Brian 2006).
∆w ojk = −η
∂E ∂yˆ kp ∂okp ∂E η = − ∂yˆ kp ∂okp ∂w ojk ∂w ojk
(6)
Dimana rating pembelajaran η yang menentukan ukuran langkah dan kesalahan keluaran efektif α kp dapat dikalkulasikan dengan persamaan 7. Semakin kecil rating maka kesesuaian akan semakin lambat tercapai namun semakin besar langkah maka kemungkinan nilai minimumnya tidak akan tercapai akan akan semakin besar bias (Adelhard, 2010; Brian 2006). Gambar 2. Back propagation neural network Back propagation algorithm dimulai dengan menghitung perbedaan antar input dan output atau error E menggunakan persamaan berikut (Adelhard, 2010; Brian 2006).
α kp = (yˆ kp − y kp )
(7)
Pemberat w antara input dan hidden layer dapat diperbaiki menggunakan persamaan berikut (Adelhard, 2010; Brian 2006).
Natural, Oktober 2010, Vol. 9 No.2
∆wijh = −η
ISSN 1412 - 1328
p p ∂E ∂E ∂H j ∂h j = − η ∂wijh ∂H jp ∂h jp ∂wijh
(8)
Penyelesaian dari perubahan pemberat ∆w pada persamaan 8 adalah ditunjukkan pada persamaan 9.
(
)
∆wijh = −η∑∑ yˆkp − ykp wojk f ' (hjp ) xip p
k
(9)
= −η∑∑αkp wojk f ' (hjp )xip p
k
Kesalahan efektif output pada hidden layer adalah diformulasikan pada persamaan 10.
α jp = f ' (h jp )∑α kp wojk
(10)
k
3
Pembelajaran yang dilakukan menggunakan software LabVIEW dengan toolkit aNETka yang dibuat oleh Prof. Stan Zurek dari Universitas Cardiff. Pada aNETka, proses pelatihan dapat dipercepat atau diperlambat dengan mengubah properti learning rate atau momentum. Hal ini sangat berbeda dengan neural network toolbox pada MATL:AB yang lebih kaku dan sulit dilakukan penyetingan. Pada gambar 3 terlihat proses pelatihan dengan menggunakan aNETka. Konfigurasi yang terlihat pada gambar adalah satu input dan output layer serta tiga hidden layer yang masing-masing terdiri dari 5 neuron. Jumlah layer dan neuron yang digunakan dipilih secara acak sehingga dicapai hasil yang maksimum.
Sehingga perubahan pemberat ∆w pada persamaan 6 berubah menjadi persamaan 11.
∆wijh = −η ∑ α jp xip
(11)
p
Persamaan 1 sampai 11 merupakan persamaan yang digunakan selama proses pelatihan dan proses ini akan berlangsung selama error E melebihi harga yang ditentukan. Proses akan berhenti ketika terjadi konvergensi antara nilai setting dan nilai keluaran. Setelah proses pembelajaran, sebuah jaringan saraf tiruan akan siap untuk digunakan. HASIL DAN PEMBAHASAN Data untuk pembelajaran jaringan saraf tiruan merupakan data sekunder yang diperoleh dari PT PLN Wilayah Papua Cabang Manokwari mengenai beban puncak tertinggi seperti dicantumkan pada tabel 1. Tabel 1. Data beban puncak Bulan Beban Puncak (kW) No 1 November 2009 8480 2 Desember 2009 9300 3 Januari 2010 10040 4 Februari 2010 10300 5 Maret 2010 10800 6 April 2010 10800 7 Mei 2010 10800 8 Juni 2010 10800 9 Juli 2010 10800 10 Agustus 2010 10800
Gambar 3. Proses Pembelajaran Proses pembejaran dilaksanakan secara offline dan online. Pada pembelajaran secara offline, pembejaran dilakukan hanya satu kali dan selanjutnya prediksi akan dilaksanakan. Sebaliknya pembelajaran secara online, data hasil prediksi akan digunakan untuk prediksi bulan berikutnnya. Konfigurasi secara online akan berubah-ubah sepanjang prediksi. Tabel 2 menunjukkan konfigurasi secara offline. Tabel 2. Data Pembelajaran Deskripsi Konfigurasi Fungsi Aktifasi Rating pembelajaran Momentum Korelasi Konvergen Iterasi
Pembelajran 1-5-5-5-1 Sigmoid 0.005 0.9 0.999955 1.0001 8480
Natural, Oktober 2010, Vol. 9 No.2
ISSN 1412 - 1328
Hasil prediksi secara online dan ofline diperlihatkan pada table 3. Hasil prediksi tersebut menunjukkan bahwa hasil prediksi secara online lebih flukuatif jika dibangingkan dengan secara offline yang sudah mencapai kondisi jenuh sejak bulan April sampai Desember 2011. Hasil prediksi secara online lebh mendekati kondisi dilapangan yang cenderung berubah-ubah seiring dengan terjadinya pemadaman bergilir yang sering terjadi akibat adanya perawatan generator yang harus dilaksanakan secara rutin pada unit pembangkit. Tabel 3. Hasil Prediksi No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Bulan September 2010 Oktober 2010 November 2010 Desember 2010 Januari 2011 Februari 2011 Maret 2011 April 2011 Mei 2011 Juni 2011 Juli 2011 Agustus 2011 September 2011 Oktober 2011 November 2011 Desember 2011
Prediksi Online Offline 10812.06 10812.06 10811.99 10812.1 10798.36 10812.12 10811.74 10812.13 10805.69 10812.14 10809.70 10812.14 10809.45 10812.14 10812.02 10812.15 10809.42 10812.15 10811.15 10812.15 10811.41 10812.15 10811.33 10812.15 10801.07 10812.15 10811.22 10812.15 10813.63 10812.15 10809.18 10812.15
Tabel 4 menunjukkan kondisi pembangkitan energi listrik di Kabupaten Manokwari. PT. PLN Cabang Manokwari memiliki 9 unit mesin pembangkit dengan total real yang dapat dibangkitkan sebesar 8410 kW. Dengan dibantu oleh rental swasta yang dapat menghasilkan daya 3000kW maka total daya real yang dapat dibangkitkan sebesar 11410 kW. Kondisi ini masih sangat memadai untuk mensuplai daya listrik kepada konsumen sampai dengan bulan Desember 2011.
4
Tabel 4. Data Mesin Pembangkit DAYA (kW) Nominal Real DEUTZ BV 8M 638 1244.00 900.00 DEUTZ BV 8M 639 1244.00 950.00 MAN 6L 28/32 H 1000.00 870.00 MAN 6L 28/32 H 1000.00 870.00 DAIHATSU 6 PSHTC–26 DM 520.00 0.00 DAIHATSU 7 PSHTC–26 DM 520.00 300.00 DAIHATSU 6 DL – 28 1250.00 1000.00 KOMATSU SAA 12V140750.00 720.00 P1150 KOMATSU SAA 6D 170500.00 450.00 P800 KOMATSU SAA 6D 170500.00 450.00 P801 MITSUBISHI S16R – PT 1000.00 950.00 MITSUBISHI S16R – PT 1000.00 950.00 Jumlah 10528.00 8410.00 Rental Swasta 3000.00 3000.00 Total Sistem 13528.0011410.00 MESIN PENGGERAK
KONDISI Operasi Gangguan Gangguan Operasi Rusak Operasi Operasi Operasi Operasi Operasi Operasi Operasi
KESIMPULAN DAN SARAN Hasil prediksi beban puncak dengan jaringan saraf tiruan secara offline menunjukkan bahwa sejak bulan April 2011 sampai dengan bulan Desember 2011 beban puncak di Kabupaten Manokwari sebesar 10.812,15kW. Sebaliknya terjadi fluktuasi pada hasil prediksi secara online. Walaupun total daya listrik yang dapat dibangkitkan pada unit pembangkit milik PT. PLN Cabang Manokwari dan rental Swasta sebesar 11410 kW, kondisi ini masih kurang memadai. Untuk menghindari terjadinya pemadaman bergilir, pengadaan mesin pembangkit baru dapat menjadi prioritas. Hal ini mengingat jumlah pelanggan akan terus bertambah dan mesin-mesin yang ada perlu perawatan secara periodik. Untuk mendapatkan hasil prediksi yang lebih akurat dengan jaringan saraf tiruan maka perlu melibatkan data yang lebih bannyak dan lebih akurat. DAFTAR PUSTAKA Adelhard Beni Rehiara and Wim Smit., 2010, Controller design of a modeled AdeptThree robot arm, Proceeding of International Conference on Modelling, Identification
Natural, Oktober 2010, Vol. 9 No.2
ISSN 1412 - 1328
and Control 2010, Okayama University, Okayama, Japan, July 17-19, 2010. Brian Roffel and Ben Betlem, 2006, Process Dynamics and Control: Modeling for Control and Prediction, John Willey & Sons Ltd. Adelhard Beni Rehiara, 2010, Pemodelan Generator Permanen Magnet Dengan Jaringan Saraf Tiruan, Jurnal Istech, Vol.2 No. 2, Agustus 2010, pp. 55-59.
5
Adelhard Beni Rehiara, 2006, Prediksi Beban Puncak di Kabupaten Manokwari sampai dengan Tahun 2010, Jurnal Teknologi Industri, Vol. X, No. 4, Oktober 2006, pp. 273-280. pada http://fmipa.unipa.ac.id/ teknik/listrik/dosen/dosen_files/adel/JTI_0 6.pdf.
