SEMINAR TUGAS AKHIR
Fuzzy Clustering untuk Optimasi Perencanaan Letak Unit Pembangkit Listrik di Jawa Timur Dosen pembimbing : Subchan, P.hD Drs. I G Ngurah Rai Usadha, M.Si Surabaya, 18 Juli 2013
Arista Dwi Purwanto 1209100039
Latar Belakang
Pertumbuhan ekonomi
Kebutuhan listrik meningkat
Gardu Induk Jauh Susut energi semakin besar
Letak unit pembangkit
Latar Belakang
Fuzzy Clustering adalah suatu teknik pengelompokkan objek kedalam beberapa cluster (kelas). GI 1
GI 2
GI 3
Unit pembangkit
GI 4
GI 5
GI 6
Menekan angka rasio susut energi
Rumusan Masalah Beberapa permasalahan yang dirumuskan dalam penelitian ini adalah: Bagaimana mendapatkan cluster dari Gardu Induk di Jawa Timur dengan parameter jarak. Bagaimana mendapatkan letak titik unit pembangkit yang berada di pusat cluster Gardu Induk.
Batasan Masalah
Data yang digunakan adalah data letak koordinat 104 Gardu Induk 70 &150 kV. Metode yang digunakan untuk mendapatkan cluster adalah metode Substractive clustering, Fuzzy C-Mean, Kohonen SOM, dan Fuzzy Learning Vector Quantization. Proses klasterisasi didasarkan pada jarak antar Gardu Induk. Analisis uji homogenitas menggunakan metode Sum Squared Error (SSE) Software yang digunakan adalah Matlab.
Tujuan Mendapatkan analisa cluster terbaik dari Gardu Induk di Jawa Timur. Mendapatkan letak optimal perencanaan pembangunan letak Unit Pembangkit Listrik.
Manfaat Manfaat yang diperoleh dari penelitian ini : Memberikan informasi cluster terbaik Gardu Induk kepada pihak PT PLN Distribusi Jawa Timur. Memberikan informasi kepada pihak PT PLN Distribusi Jawa Timur mengenai perencanaan letak unit pembangkit listrik guna menekan ratio susut energi.
Flowchart penelitian Proses clustering Start
Pengumpulan Data
Penentuan Kelas menggunakan Substractive Clustering Penentuan V0 menggunakan FCM
Algoritma Kohonen SOM
Algoritma FLVQ
Uji Homogenitas Didapat kelas serta titik pusat yang optimal
Kesimpulan dan saran
end
Tinjauan Pustaka 2.1 Studi Pendahuluan Beberapa penelitian tentang fuzzy clustering pernah dilakukan sebelumnya. Azwar Habibi (2011) melakukan klasterisasi stasiun pos hujan untuk membuat Zona Prakiraan Iklim (ZPI) di wilayah kabupaten Karawang, kabupaten Subang, dan kabupaten Indramayu [3]. Penelitian yang dilakukan oleh Azwar membahas pengelompokkan stasiun pos hujan menggunakan metode Fuzzy c-means clustering dan Fuzzy c-shell. Untuk mengevaluasi kinerja kedua metode tersebut digunakan kriteria nilai simpangan baku dalam kelompok (Sw) dan antar kelompok(SB).
Tinjauan Pustaka 1. 2. 3. 4.
Gardu Induk merupakan sub sistem dari sistem penyaluran (transmisi) tenaga listrik. Fungsi Gardu Induk Mentransformasikan daya listrik Untuk pengukuran, pengawasan operasi serta pengamanan dari system tenaga listrik. Untuk sarana telekomunikasi (pada umumnya untuk internal PLN), yang kita kenal dengan istilah SCADA Menyalurkan daya listrik ke gardu distribusi. Di Jawa Timur sendiri terdapat 104 Gardu induk 70kv & 150kv yang akan menjadi inputan dalam tugas akhir ini,
Tinjauan Pustaka Metode Clustering 1. Partisi Klasik Partisi Klasik (hard partition) konsep partisi yang bertujuan untuk membagi himpunan data X kedalam c kelompok (grup atau kelas) dengan batasan yang jelas. 2. Partisi Fuzzy (Fuzzy Partition) Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak antar vektor. Jika pada partisi klasik suatu data secara eksklusif berada menjadi anggota hanya pada satu cluster saja, tidak demikian halnya dengan partisi fuzzy. Pada partisi fuzzy, nilai keanggotaan suatu data pada suatu cluster , terletak pada interval [0,1].
Kohonen Self – Organizing Maps Jaringan yang ditemukan oleh Kohonen merupakan salah satu jaringan yang banyak dipakai oleh untuk membagi data kedalam beberapa kelompok (cluster). Misalkan inputan berupa vector yang terdiri dari n komponen (tuple) yang akan dikelompokkan kedalam maksimum m kelompok. Keluaran jaringan merupakan kelompok yang paling dekat atau mirip dengan masukan yang diberikan. Ada beberapa ukuran kedekatan yang dipakai, dan pada Tugas akhir ini ukuran kedekatan/kemiripan antar objek ialah jarak Euclidan yang paling minimum.
Fuzzy Learning Vector Quantization Fuzzy Learning Vector Quantification merupakan salah satu metode pembelajaran pada jaringan syaraf tiruan dengan tujuan melakukan pengelompokkan terhadap M vector data pelatihan menjadi C kelas (cluster)[9].
Algoritma FLVQ diberikan sebagai berikut : 1. Tetapkan : Jumlah cluster = C Pangkat pembobot = mi dan mf Maksimum = N Toleransi error = e k=0 2. tetapkan nilai awal pada cluster V awal = {V1, V2,…Vm} 3. k = k+1
Lanjutan algoritma FLVQ
Algoritma ini sering dipakai dalam pengelompokkan data dengan inputan awal serta kelas yang telah diketahui.
Tinjauan Pustaka Uji homogenitas Membandingkan antara hasil pengelompokan metode klastering dapat dilakukan dengan berbagai cara dan rumusan. Salah satunya adalah dengan menghitung performansi klaster dengan cara menghitung nilai Sum Squared Error dari hasil pengolahan data. Semakin kecil nilai SSE cluster tersebut, maka anggota cluster tersebut semakin homogen. Perumusan Keterangan : k = banyak kelas x = data pada cluster mi = mean (rata-rata) dari setiap klaster
Analisis dan Pembahasan
Menentukan letak titik (0,0)
GI Pacitan terletak pada koordinat 8º490.762 LS dan 111º123.791 BT Konversi GI lain terhadap titik (0,0) diberikan sebagai berikut :
Keterangan : Xn = koordinat x Gardu Induk ke-n Yn = koordinat y Gardu Induk ke-n 1 º = 111,1236 km
Misalkan untuk X(1) yang merepresentasikan gardu induk Bojonegoro dengan koordinat (111.938414, 7.126665) konversi kedalam satuan km dengan titik (0,0) diberikan sebagai berikut : D1 = |111°93841-111°123791|,|7°126665- 8°490762| = | 0.814623 | , | -1,184097 | = (0.814623 , 1.284097)º = ( 90.6161 , 151.7379) km D2 = |112°14667-111°123791|,|7°122303- 8°490762| = | 1.022887 | , | -1,38684| = (1.022887 , 1.3868459)º = ( 113.7827 , 152.2231) km D104 = |112°70735-111°123791|,|7°340288- 8°490762| = | 1.583944 | , | -1,150746 | = (1.583944 , 1.150746)º = ( 176.012 , 127.791) km
No Gardu induk
BT
LS
x
y
1
GI Bojonegoro
111.938414 7.126665
90.62
151.74
2
GI Babat
112.146678 7.122303
113.78
152.22
3
GI lamongan
112.246480 7.086678
124.88
156.19
4
GI Tuban
112.034405 6.886678
101.29
178.43
5
GI Semen Tuban 112.114652 7.009876
110.22
164.73
6
GI Manisrejo
111.547850 7.640790
47.17
94.55
7
GI Magetan
111.328854 7.655293
22.81
92.93
8
GI Caruban
111.620530 7.380250
55.26
123.53
9
GI Kediri
112.200111 7.500240
44.84
82.78
10
GI Mliwang
111.883534 6.810321
84.51
186.93
11
GI Lodoyo
111.529083 7.746373
45.08
82.80
112.707735 7.340228
176.19
127.98
... ... 104 GI Ispat Indo
Sumber : PLN Dist.Jatim
Pembahasan
Substractive clustering
Metode ini digunakan sebagai dasar dalam menentukan banyaknya kelas (C) yang optimal dari inputan data yang diberikan. Langkah pemanggilan Substractive clustering pada Command window Matlab >>findcluster Inputan data dalam bentuk “.txt” Diperoleh banyaknya kelas seperti pada gambar berikut :
Terbentuk 5 plot hitam yang menandakan jumlah kelas (C)=5 Dengan ketentuan nilai : Influence range = 0,5 Squash = 1,25 Accept ratio = 0,5 Reject ratio = 0,15
Pembahasan
Fuzzy C-means Clustering Fuzzy c-means clustering merupakan teknik klasterisasi berdasarkan derajat keanggotaan setiap data. Fuzzy c-maens digunakan sebagai penentuan pusat awal (V0) dalam langkah clusterisasi selanjutnya berdasarkan jarak terdekat dengan menggunakan algoritma kohonen. Lengkah dalam pemanggilan FCM pada command window matlab. >> findcluster Load “data.txt” Dengan ketentuan : Cluster number = 5 Maks.iterasi = 1 Pangkat pembobot w = 2 Min improvement =
Didapat hasil seperti pada gambar :
Diperoleh pusat cluster awal : V0(1) = (155.7, 96.5) V0(4) = (154.1, 105.5) V0(2) = (157.8, 98.4) V0(5) = (154.0, 114.5) V0(3) = (164.3, 102.0)
Kohonen Self – Organizing Maps
Algoritma kohonen SOM diberikan sebagai berikut : 1. Inisialisasi Bobot (didapat dari hasil FCM) Laju α awal sebagai faktor penurunannya. 2. Selama kondisi penghentian masih bernilai salah lakukan langkah 3-8 3. Untuk setiap vector masukan x lakukan langkah 3-5 4. Hitung untuk semua j 5. Tentukan indeks J sedemikian hingga D(J) minimum 6. Untuk setiap j disekitar J modifikasi bobot : (4.1) 7. Modifikasi laju α 8. Uji kondisi penghentian.
Hasil iterasi pertama Bobot awal V0 merupakan matriks berukuran 5x2 dikarenakan jumlah cluster yang akan dibentuk ada 5 kelas.
α(0) = 0,9 Laju perbaikan : α(t+1) = 0,9 α(t) Untuk x(1)= (90.62, 151.74)
D(j) minimum pada j=5 sehingga modifikasi vektor bobot dihitung berdasarkan persamaan 4.1
Sehingga didapat w (baru)
Dilakukan untuk x(1) sampai dengan x(104) sehingga pada iterasi pertama diperoleh matriks pusat cluster sebagai berikut :
Plot gambar pada iterasi pertama :
Plot gambar pada iterasi kedua :
Didapat V pada iterasi kedua
Plot gambar pada iterasi terakhir
Pusat cluster 1 Pusat cluster 2 Pusat cluster 3 Pusat cluster 4 Pusat cluster 5
V(1) = (112.19, 51.03) V(2) = (161.44, 131.63) V(3) = (159.46, 125.07) V(4) = (290.02, 74.05) V(5) = (4.39, 6.71)
Nilai pergeseran V K= Vt - Vt-1 K = 1.e -6
Hasil clusterisasi Kohonen SOM Cluster
Anggota
Cluster 1 Pusat cluster Blitar
GI Manisrejo GI Caruban, GI Dalopo, GI Gudang garam, Gi Blitar baru, Gi surya zigzag, GI Lodoyo, Gi wlingi, PLTA TA, GI Sekar putih, GI Ploso, GI siman, GI Nganjuk
Cluster 2 Pusat cluster kabupaten Gresik
GI Bojonegoro, Babat, lamongan, tuban, semen 1,2,3, Mliwang, Kediri, Mojoagung, Ngoro, Jaya kertas, Ajino moto, ciwikimia, Batu, Lawang, Ujung, krembangan, sawahan, Kupang, Unda an, Ngagel, Alta prima, segoro madu, Darmo grand, maspion, sukolilo, Rungkut, Wonokromo, Tandes, cerme, karangpilang, waru, sby barat, ispat indo
Cluster 3 (Probolinggo)
GI Banyuwangi, GI Genteng, GI Jember, GI Tanggul, GI Lumajang, GI Bondowoso, GI Gending, GI Grati, GI Probolinggo, GI Kraksaan
Cluster 4 (Sumenep)
GI Sampang, GI Pamekasan, GI Sumenep
Cluster 5 (Pacitan)
GI Pacitan, GI Ponorogo, GI Magetan, GI Ngawi
Pembahasan
Fuzzy Learning Vector Quantization
Algoritma FLVQ diberikan sebagai berikut : 1. Tetapkan :
Jumlah cluster = C = 5
Pangkat pembobot = mi = 5 dan mf =2
Maksimum = N = 1000
Toleransi error = e =
k= 0
2. tetapkan nilai awal pada cluster V0 = 3. k = k+1 4. Hitung :
Lanjutan algoritma FLVQ
Nilai α pada iterasi pertama di tampilkan dalam tabel di bawah ini. Semakin besar nilai α di C, semakin cenderung data tersebut masuk kedalam cluster C GI
1 2 3 4 5 6 7 … 104
α1 0.0503 0.0400 0.0400 0.0400 0.0400 0.0400 0.0400
α2 0.0439 0.0400 0.0400 0.0400 0.0400 0.0400 0.0400
α3 0.0308 0.0400 0.0400 0.0400 0.0400 0.0400 0.0400
α4 0.0436 0.0400 0.0400 0.0400 0.0400 0.0400 0.0400
α5 0.0330 0.0401 0.0401 0.0401 0.0401 0.0401 0.0401
0.0400
0.0400
0.0400
0.0400
0.0400
Plot gambar pada iterasi pertama
Nilai error = 1 Pusat cluster masih berkumpul di titik (0,0)
Plot gambar pada iterasi ke-20
Keterangan : 1. pusat cluster 1 (102.7751, 48.7660) 4. pusat cluster 4 (145.7001, 112.1487) 2. Pusat cluster 2 (117.6379, 92.1895) 5. Pusat cluster 5 (177.1192, 105.6082) 3. Pusat cluster 3 (248.6309, 82.1186)
Plot gambar pada iterasi ke-86 (iterasi terakhir)
Keterangan : 1. pusat cluster 1 (117.8647, 48.3261) 2. Pusat cluster 2 (119.5341 105.3808) 3. Pusat cluster 3 (259.9170 83.0549)
4. Pusat cluster 4 (150.1591 ,107.5642) 5. Pusat cluster 5 (177.3457 135.4992)
Hasil perhitungan nilai α pada iterasi ke 86
α1
α2
GI 1
0.0012
0.0007
GI 2
0.0002
GI 3
α4
α5
0.0002
0.0005
0.0003
0.0016
0.0001
0.0009
0.0007
0.0002
0.0012
0.0001
0.0010
0.0009
GI 4
0.0003
0.0011
0.0001
0.0008
0.0007
GI 5
0.0003
0.0013
0.0001
0.0008
0.0006
GI 6
0.0003
0.0013
0.0001
0.0008
0.0006
GI 7
0.0003
0.0011
0.0001
0.0007
0.0006
GI 8
0.0009
0.0013
0.0001
0.0006
0.0003
GI 9
0.0009
0.0011
0.0001
0.0005
0.0003
GI104
0.0000
0.0001
0.0000
0.0005
0.0193
Data ke-
α3
Cluster 1
Cluster 2
Cluster 3
Cluster 4
Cluster 5
Terdapat 19 GI GI Bojonegoro, GI Gudang garam, GI Blitar Baru, GI Tulungagung, GI Wlingi, GI PLTA Tulungagung, GI Ponorogo, GI Pacitan, GI Trenggalek, GI Kebon agung, GI Blimbing, GI Sengguruh, GI Selorejo, GI Gampingan, GI Karang kates, GI Turen.
Terdapat 19 GI GI Babat, GI lamongan, GI Tuban, GI semen tuban 1&2, GI semen tuban 3, GI Mliwang, GI Manisrejo, GI Magetan, GI Ngawi, GI Caruban, GI Dalopo, GI Kediri, GI Pare, GISekarputih, GI Mojoagung, GI Ngoro, GI Ploso, GI Nganjuk, GI Manyar
Terdapat 14 GI GI Banyuwangi, GI Genteng, GI Jember, GI Tanggul, GI Lumajang, GI Situbondo, GI Bondowoso,G I Paiton, GI Gending, GI Grati, GI Probolinggo, GI Kraksaan, GI Sampang, GI Pamekasan
Terdapat 22 GI Jaya kertas, GI Ajinomoto, GI Bangun, GI Kertosono, GI gondangwetan, GI Bangil, GI Bulukandang, GI Bumicokro, GI Pier, GI Pandaan, GI Sukorejo, GI Polehan, GI Pakis, GI Sengkaling, GI Batu, GI Lawang, GI Porong, GI Balong bendo, GI Tarik, GI Kasih jatim, GI Barata steel, GI Manyar
Terdapat 30 GI GI Ciwikimia, GI Krembangan, GI Ujung, GI Kenjeran, GI Sawahan, GI Simpang, GI Kupang, GI Undaan, GI Ngagel, GI altaprima, GI Segoromadu, GI Darmogrand, GI Maspion, GI SBY Selatan, GI Sukolilo, GI Rungkut, GI wonokromo, GI Tandes, GI Babadan, GI Driyorejo, GI Gilitimur, GI Bangkalan, GI Sampang, GI Semen Gresik, GI Petrokimia, GI karang pilang, GI waru, GI SBY barat, GI Ispat indo.
Pusat cluster pada FLVQ
V1 = (112.183, 8.0567) terletak pada kabupaten Blitar V2 = (112.199, 7.5427) terletak pada kabupaten Jombang V3 = (113.462 , 7.7436) terletak pada kabupaten Probolinggo V4 = (112.473, 7.5237) terletak pada kabupaten Mojokerto V4 = (112.718, 7.271) terletak pada kota surabaya.
Uji homogenitas Uji homogenitas inter-cluster pada masing-masing algoritma diberikan dalam tabel sebagai berikut : cluster
Algoritma Kohonen SOM
FLVQ
mi
SSE
mi
SSE
Cluster 1
43,25
539,62
43,01
1222,29
Cluster 2
29,47
334,56
48,82
1007,80
Cluster 3
46,85
677,26
52,00
848,50
Cluster 4
31,95
313,44
22,46
213,55
Cluster 5
62,81
1286,14
15,09
212,79
Nilai MSE
630,204
700,98
Dari indeks nilai SSE diatas dapat disimpulkan bahwa clustering menggunakan metode Kohonen SOM memiliki homogenitas inter-cluster yang lebih homogen daripada clustering dengan metode FLVQ.
Kesimpulan Dari hasil pembahasan maka dapat dibuat kesimpulan sebagai berikut: 1. Berdasarkan algoritma fuzzy substractive clustering dengan Influence range = 0,5 Squash = 1,25 Accept ratio = 0,5 Reject ratio = 0.15 didapat kelas yang optimal C = 5 kelas. 2. Berdasarkan hasil iterasi menggunakan algoritma Kohonen SOM didapat 5 pusat cluster sebagai representasi perencanaan Unit Pembangkit : Cluster pertama : kabupaten Blitar Cluster kedua : kabupaten Gresik Cluster ketiga : kabupaten Probolinggo Cluster keempat : kabupaten Sumenep Cluster kelima : kabupaten Pacitan
kesimpulan Cluster 1 (25 anggota)
Cluster 2 (50 anggota)
Cluster 3 (12anggota)
Cluster 4 (3 anggota)
Cluster 5 (4 anggota)
GI Banyuwangi GI Sampang GI Manisrejo GI Bojonegoro, 3. Anggota GI di masing-masing cluster: GI Pamekasan GI Genteng GI Caruban, Babat, lamongan, GI Sumenep tuban, semen 1,2,3, GI Jember GI Dalopo, GI Tanggul Mliwang, Kediri, GI Gudang Mojoagung, Ngoro, GI Lumajang garam, Gi GI Bondowoso Jaya kertas, Ajino Blitar baru, GI Gending moto, ciwikimia, Gi surya GI Grati Batu, Lawang, zigzag, GI Ujung, krembangan, GI Probolinggo Lodoyo, Gi GI Kraksaan sawahan, Kupang, wlingi, PLTA TA, GI Unda an, Ngagel, Sekar putih, Alta prima, sego ro GI Ploso, GI madu, Darmo grand, maspion, sukolilo, siman, GI Rungkut, Wono Nganjuk kromo, Tandes, cerme, karangpilang, waru, sby barat, ispat indo
GI Pacitan GI Pono rogo GI Magetan GI Ngawi
Gambar peta pembangkit yang berada di jawa timur PLTGU Gresik
PERAK
SURABAYA
PLTU Perak PLTG/GU Grati
ke PEDAN
PLTU Paiton, Probolinggo PITON
KEDIRI
MALANG
GLNUK BWNGI
Keterangan : Unit Pembangkit Listrik
GAMBAR PERENCANAAN UNIT PEMBANGKIT LISTRIK PLTGU Gresik
SUMENEP
GRESIKPERAK
PLTU Perak PLTG/GU Grati
PLTU Paiton, Probolinggo PITON
PROBOLINGGO BLITAR
GLNUK BWNGI
PACITAN
Daerah APP (sekarang) Tuban Bojonegoro
gresik
APP SURABAYA
lamongan
ngawi
Surabaya mojokerto Jombang sidoarjo nganjuk pasuruan
magetan
kediri Ponorogo
APP MADIUN pacitan
tulunagung Trenggalek
malang
situbondo probolinggo bondowoso
APP PROBOLINGGO
APP MALANG lumajang Blitar
banyuwangi jember
44
DAERAH APP JATIM HASIL CLUSTER
Keterangan : Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Daftar Pustaka
[1] Bay, A.F. (2012). “ Studi peramalan Beban Listrik PLN Jawa Timur 2011-2020 dan Optimalisasi Pemilihan Prioritas Pembangunan Jaring Distribusi dengan Pendekatan Program Simple-E dan Program Linier”. Institut Teknologi Sepuluh Nopember Surabaya.. [2] Habibi, A. (2010). “Pengelompokkan Pos Hujan untuk Membuat Zona Prakiraan Iklim (ZPI), Studi Kasus Pengelompokkan ZPI dengan data curah hujan di kabupaten Karawang, Kabupaten Subang dan Kabupaten Indramayu”. Institut Teknologi Sepuluh Nopember Surabaya. [3] Bezdek, J.C, (1983), “Fuzzy c-means Clustering Alghorithm”. Mathematic Department, Utah State University. USA. [4] Statistika PLN 2012, (2021) Jakarta : sekretarian PT PLN Distribusi Jawa Timur (Persero). [5] Kususma, D. (2006). “Fuzzy Multi Atttribute Decision Making” Graha Ilmu,Yogyakarta. [6] Siang, J.J, (2005), “Jaringan Syaraf Tiruan”, Graha Ilmu, Yogyakarta. [7] Fausett, L.,(2006) “Fundamental of Neural Network, Pearson Education, USA [8] Lazulfa, I. (2013) “Analisis Cluster Kabupaten/Kota di Jawa Timur Berdasarkan Tingkat Pencemaran Udara”. ITS Surabaya.
