JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
ISSN : 2086 – 4981
PERAMALAN BEBAN LISTRIK DAERAH SUMATERA BARAT JANGKA PANJANG DENGAN MENGGUNAKAN INTEGRASI JARINGAN SYARAF TIRUAN DAN SISTEM FUZZY Heru Dibyo Laksono1 Nicko Fajira2
ABSTRACT The journal discusses the electrical load forecasting long-term West Sumatra using artificial neural network integration and fuzzy systems. The development of the power system is necessary to forecast the electricity demand in the future. Forecasting results obtained can be considered for future policy formulation. It aims to achieve the optimization of the electricity production process. Forecasting results indicate that the forecasting between Neuro Fuzzy system is not much different from the results of forecasting PT. PLN region of West Sumatra. Value of the average error of 1.3831%. Keywords: estimation of electrical energy, artificial neural networks, fuzzy systems INTISARI Jurnal ini membahas peramalan beban listrik daerah Sumatera Barat jangka panjang dengan menggunakan integrasi jaringan syaraf tiruan dan sistem fuzzy. Pengembangan sistem tenaga listrik diperlukan adanya peramalan kebutuhan tenaga listrik dimasa yang akan datang. Hasil peramalan yang didapatkan bisa dijadikan bahan pertimbangan untuk merumuskan kebijakan masa mendatang. Hal ini bertujuan demi tercapainya optimalisasi dalam proses penyediaan energi listrik. Hasil Peramalan menunjukkan bahwa peramalan antara sistem Neuro Fuzzy tidak jauh berbeda dengan hasil peramalan PT. PLN Wilayah Sumatera Barat. Nilai kesalahan rata –rata sebesar 1.3831 %. Kata Kunci : perkiraan kebutuhan energi listrik, jaringan syaraf tiruan, sistem fuzzy
1 2
Dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas Padang Alumni Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas Padang
122
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
PENDAHULUAN Kosumsi energi listrik di Provinsi Sumatera Barat setiap tahun mengalami peningkatan setiap tahunnya. Menurut informasi yang dikeluarkan PT. Perusahaan Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat, rata – rata pertumbuhan kebutuhan energi listrik setiap tahun dari tahun 2002 sampai tahun 2011 sebesar 4.22 %, dimana kosumsi energi listrik masyarakat provinsi Sumatera Barat mengalami peningkatan dari 1360.40 GWh pada tahun 2002 menjadi 2403.00 GWh pada tahun 2011 dengan komposisi pertumbuhan yang terbesar berasal dari sektor rumahtangga sebesar 44.0000 %, kedua sektor industri sebesar 34.0063 %, ketiga sektor komersil sebesar 13.5500 % dan keempat sektor publik sebesar 7.8000 % [1]. Dalam memenuhi permintaan terhadap kebutuhan daya tersebut, diperlukan pembangunan pembangkit listrik yang bertujuan untuk pengembangan kapasitas sistem pembangkit di Sumatera Barat. Dalam pembangunan pembangkit listrik ini, dibutuhkan perancangan dan perhitungan yang cermat, terutama dalam hal peramalan seberapa besar tenaga listrik yang dibutuhkan masyarakat dan yang akan dihasilkan pembangkit. Hasil peramalan bisa dijadikan pertimbangan dalam pengambilan keputusan untuk masa mendatang demi tercapainya optimasi dalam pemenuhan kebutuhan daya listrik.Pertambahan jumlah penduduk juga mengakibatkan pertambahan konsumsi energi listrik, sehingga membentuk suatu pola tertentu yang disebut time-series. Untuk memodelkan secara matematis data time series yang tidak linear akan sangat sulit, bahkan hampir tidak mungkin
ISSN : 2086 – 4981
dilakukan. Untuk itu diperlukan suatu cara pemodelan data yang dapat memodelkan data-data non-linear, sehingga dapat didisain data-data nonlinear ke dalam sebuah model linear yang dapat dipakai untuk mendesain sebuah sistem maupun untuk forecasting.Adapun struktur pemodelan yang digunakan tersebut adalah struktrur Neuro-Fuzzy. Beban listrik merupakan salah satu data time-series yang dapat diramalkan dengan struktur pemodelan Neuro-Fuzzy. Dalam beberapa tahun terakhir metoda ini banyak digunakan untuk melakukan peramalan dari data time-series. Beberapa peramalan memberikan hasil yang sangat baik dalam pelatihandanperformansi peramalan. Untuk itu digunakan model NeuroFuzzydalam peramalan beban listrik tersebut. Peramalan kebutuhan energi listrik ini telah dilakukan oleh beberapa peneliti dengan berbagai metoda diantaranya oleh Rinaldi Dalimi [2], Hesham K. Alfares [3], Kyung-Bin Song [4], Chenthur Pandian [5], dan Rob J. Hyndman [6], Heru Dibyo Laksono dkk [7], Utama [8] dan Kuswanto [9]. Adapun tujuan dari penelitian ini adalahuntuk memodelkan data time-series beban listrik di Provinsi Sumatera Barat dengan metoda Neuro-Fuzzy sehingga bisa diperkirakan besarnya kebutuhan daya listrik di provinsi Sumatera Barat sampai tahun 2018. Hasil peramalan yang diperoleh dapat dijadikan salah satu bahan pertimbangan dalam melakukan analisa beban listrik di Provinsi Sumatera Barat. Penelitian ini dilakukan dengan batasan sebagai berikut 1. Data yang digunakan untuk peramalan adalah data historis beban energi listrik Provinsi Sumatera Barat dari Tahun 2002 sampai dengan tahun 2008.
123
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 2. Peramalan dilakukan dengan asumsi bahwa tidak ada perubahan radikal dalam 10 tahun mendatang yang menyebabkan pola pertumbuhan beban listrik berbeda dari trend selama ini. 3. Struktur yang digunakan untuk pemodelan dan peramalan beban listik adalah struktur Neuro-Fuzzy 4. Model Fuzzy yang digunakan adalah model FuzzyTakagi – Sugeno 5. Metoda pelatihan yang digunakan pada Neuro – Fuzzy adalah metoda Levenberg – Marquardt Algorithm (LMA) 6. Toleransi kesalahan untuk peramalan kebutuhan energi listrik ini sebesar 10 %.
ISSN : 2086 – 4981
2. Perkiraan jangka menengah, jangka waktunya mulai dari satu minggu sampai satu tahun. 3. Perkiraan jangka panjang, dengan jangka waktu 1 sampai 10 tahun. Perkiraan dengan jangka waktu yang berbeda-beda memiliki peranan yang berbeda pula terhadap sebuah sistem tenaga. Perkiraan jangka pendek penting untuk operasi kondisi real dan kendali sistem tenaga. Perkiraan jangka menengah memiliki peranan penting untuk perawatan dan perencanaan program. Perkiraan jangka panjang memainkan peranan dalam pengembangan fasilitas pembangkit, transmisi, dan distribusi tenaga listrik. Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan suatu ruang masukan ke dalam suatu ruang keluaran. Logika fuzzy ditemukan oleh Prof. Lotfi A. Zadeh dari Universitas California di Barkeley pada tahun 1965. Sebelum ditemukannya teori logika fuzzy (fuzzy logic), dikenal sebuah logika tegas (crisp logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya logika fuzzy merupakan sebuah logika yang memiliki kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy, sebuah nilai bisa bernilai benar atau salah secara bersamaan namun berapa besar kebenaran atau kesalahan suatu nilai tergantung kepada bobot / derajat keanggotaan yang dimilikinya.Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) merupakan pengelompokan sesuatu berdasarkan variabel bahasa (linguistic variable), yang dinyatakan dalam fungsi keanggotaan (membership function). Didalam semesta pembicaraan (universe of discourse) U, fungsi keanggotaan dari suatu himpunan fuzzy tersebut
PENDEKATAN PEMECAHAN MASALAH Peramalan Energi Listrik Metode peramalan adalah suatu cara yang digunakan untuk mengukur atau memperkirakan kejadian dimasa yang akan datang. Perkiraan dapat dilakukan secara kualitatif maupun secara kuantitatif. Perkiraan dengan metode kualitatif adalah perkiraan yang didasarkan pada pendapat dari yang melakukan perkiraan, sedangkan perkiraan kuantitatif adalah perkiraan yang menggunakan metode statistik.Peramalan kebutuhan energi listrik sangat diperlukan untuk membantu mengambil kebijaksanaan penyediaan energi listrik, baik jangka pendek, jangka menengah, maupun jangka panjang. Berdasarkan waktu peramalannya, peramalannya dapat dibagi dalam tiga kelompok [8] yaitu : 1. Perkiraan jangka pendek, dengan jangka waktunya mulai dari satu hari sampai satu minggu.
124
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 bernilai antara 0 sampai 1. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Beberapa fungsi keanggotaan logika fuzzy dapat dilihat pada [9]. Adapun langkah – langkah yang dilakukan dalam sistem kendali logika fuzzy adalah fuzzifikasi, evaluasi aturan dan defuzifikasi. Lebih detail pembahasan logika fuzzy ini dilihat pada [10], [11], [12]
ISSN : 2086 – 4981
keluaran menuju neuron-neuron yang lain. Neuron merupakan unit pemroses informasi yang merupakan dasar operasi jaringan saraf tiruan.Pada jaringan saraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron. Neuron-neuron pada satu lapisan akan dihubungkan dengan lapisanlapisan sebelum dan sesudahnya. Informasi yang diberikan pada jaringan saraf akan dirambatkan dari lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang dikenal dengan lapisan tersembunyi. Jaringan saraf tiruan ditentukan oleh beberapa hal sebagai berikut: 1. Pola hubungan antar neuron (arsitektur jaringan) 2. Metode untuk menentukan bobot penghubung (metode learning/training) 3. Penggunaan bias 4. Fungsi aktifasi
Jaringan Syaraf Tiruan Jaringan saraf tiruan merupakan suatu pemrosesan informasi yang di desain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses pembelajaran. Seperti halnya otak manusia, jaringan saraf tiruan terdiri dari neuron-neuron yang saling berhubungan. Informasi yang diterima neuron akan ditransformasikan melalui jaringan keluarannya ke neuron yang lain, hubungan ini dikenal dengan bobot. Informasi-informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Masukan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai semua bobot yang datang. Hasil dari penjumlahan ini kemudian dibandingkan dengan nilai ambang tertentu melalui fungsi aktifasi setiap neuron. Bila nilai input melewati nilai threshold maka neuron akan diaktifkan dan neuron tersebut akan mengirimkan nilai output melalui bobot-bobot output ke semua neuron yang terhubung.Jaringan saraf tiruan terdiri dari beberapa neuron dan terdapat hubungan antara neuronneuron tersebut. Neuron akan mentransformasikan informasi yang diterimanya melalui sambungan
Fuzzy C-Means Fuzzy C-means (FCM) dikenalkan pertama kali sebagai salah satu metode clustering menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Penjelasan lebih lanjut mengenai Fuzzy C-Means bisa dijelaskan pada [11] [12]. Neuro-Fuzzy System (NFS) Neuro-Fuzzy adalah gabungan dari dua sistem yaitu sistem logika fuzzy dan jaringan syaraf tiruan. Sistem Neuro-Fuzzy berdasar pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan. Pelatihan dengan jaringan syaraf dapat memberikan cara yang baik untuk mengatur pengetahuan kepakaran dan secara otomatis
125
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 membuat aturan-aturan dan fungsifungsi keanggotaan fuzzy tambahan untuk pencapaian suatu spesifikasi tertentu, Sistem inferensi fuzzy memperkaya kemampuan sistem jaringan syaraf untuk memberikan keluaran-keluaran yang lebih layak dengan ekstrapolasi diatas batas pelatihan. Dengan demikian sistem Neuro-Fuzzy memiliki semua kelebihan yang dimiliki oleh system inferensi fuzzy dan sistem jaringan syaraf tiruan. Model ini digunakan untuk akuisisi pengetahuan dan pembelajaran. Jaringan syaraf diminimalisasi dengan pengetahuan pakar dalam bentuk symbol, kemudian dilatih berdasarkan masukan-keluaran sistem nyata. Pengetahuan dalam bentuk symbol yang diperoleh dari pelatihan dasar tersebut kemudian direpresentasikan dalam logika fuzzy.Neuro-Fuzzy dirancang untuk merealisasikan proses penalaran fuzzy, dimana bobot-bobot yang terhubung pada jaringan tersebut berhubungan dengan parameter-parameter penalaran fuzzy dengan menggunakan algoritma pembelajaran backpropagation, sistem Neuro-Fuzzy dapat mengidentifikasikan aturan-aturan fuzzy dan melatih fungsi keanggotaan dari penalaran fuzzy tersebut. Biasanya, sistem NeuroFuzzy memiliki neuron-neuron yang terpisah antara bagian anteseden, bagian operator dan bagian konsekuen. sistem Neuro-Fuzzy berupa jaringan dengan banyak lapisan yang digunakan untuk menentukan relasi input-output pada system fuzzy. sistem Neuro-Fuzzy dapat melatih aturan-aturan yang berbentuk linguistic dan atau fungsi keanggotaan. Pada sistem NeuroFuzzy, perancangan jaringan syaraf dipandu oleh formalisme logika fuzzy, dimana perancangan jaringan saraf tersebut digunakan untuk mengimplementasikan logika fuzzy dan fuzzy decision making, dan juga
ISSN : 2086 – 4981
digunakan untuk merepresentasikan fungsi keanggotaan yang merepresentasikan himpunan fuzzy. Selain itu konsep dasar dari pemakaian jaringan saraf sebagai pengendali penalaran fuzzy adalah menggunakan jaringan saraf untuk merealisasikan atau membangkitkan sistem inferensifuzzy model sugeno, baik pada bagian anteseden (membangkitkan fungsi keanggotaan), maupun pada bagian konsekuen. Pembahasan lebih detail mengenai sistem Neuro – Fuzzy dapat dilihat pada [13]. Metodologi Penelitian Adapun langkah – langkah yang dilakukan dalam penelitian ini adalah 1. Mengumpulkan data-data yang berkaitan dengan peramalan diantaranya jumlah penduduk, jumlah rmah tangga, jumlah pelanggan listrik, rasio elektrifikasi, PDRB, daya terpasang dan konsumsi energi listrik. Data-data ini diperoleh dari PT. Pembangkit Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat dan Badan Pusat Statistik (BPS) Sumatra Barat mulai dari tahun 2000 sampai tahun 2008. 2. Normalisasi Data. Sebelum data masukan dan keluaran diimplementasikan kedalam jaringan saraf tiruan, harus terlebih dahulu melalui normalisasi data, berupa penskalaan yaitu normalisasi data. Tujuannya agar jaringan saraf dapat mengenali data yang akan menjadi masukan bobotbobotnya. Data akan bernilai 0 sampai 1, sesuai dengan fungsi aktivasi yang digunakan. 3. Penentuan variabel masukankeluaran dan data pelatihan. Penentuan variabel masukan keluaran dilakukan dengan cara mengeliminasi variabel-variabel yang tidak diperlukan dan
126
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
4.
5.
6.
7.
mempertahankan variabelvariabel yang yang memberikan korelasi yang cukup signifikan terhadap variable keluaran dan kemudian data dibagi menjadi dua, yaitu data pelatihan dan data pengujian. Melakukan proses clusterisasi untuk data masukan dan data keluaran. Proses clusterisasi dengan menggunakan clusterisasi c-means dengan bantuan Fuzzy Logic Toolboxdengan pemilihan tipe Fuzzy Inference System(FIS) adalah tipe Sugeno dan himpunan variabel bahasanya (fuzzy set) yang direpresentasikan dalam bentuk fungsi keanggotaan (membership function) Gaussian. Pembelajaran jaringan saraf yang berhubungan dengan bagian anteseden (bagian IF) pada aturan-aturan Inferensi Fuzzy.Pada pembelajaran ini, akan diperoleh keluaran jaringan yang telah dilatih berupa derajat keanggotaan setiap data. Pembelajaran Jaringan saraf yang berhubungan dengan bagian konsekuen ( bagian THEN) pada aturan-aturan Inferensi Fuzzy.Pada bagian ini, akan dilakukan pembelajaran jaringan syaraf pada bagian THEN dari rule yang terbentuk. Selanjutnya hasil pelatihan akan diujikan pada data pengujian CHD untuk memperoleh SSE. Penyederhanaan bagian konsekuen (bagian THEN) menggunakan metoda eliminasi
ISSN : 2086 – 4981
backward. Variabel masukan yang berpartisipasi pada jaringan syaraf, tidak semuanya memiliki kontribusi yang cukup baik, kemudian akan dicoba dilakukan pengeliminasian salah satu variabel, kemudian melatih jaringan kembali, untik mendapatkan SSE terkecil. 8. Penentuan keluaran akhir 9. Denormalisasi. Denormalisasi adalah pengubahan dari data hasil sistem Neuro Fuzzy yang mempunyai range antara 0 sampai 1 menjadi data seperti nilai aslinya. 10. Validasi. Validasi ini adalah selisih antara data aktual dengan data keluaran sistem Neuro Fuzzy. 11. Setelah itu dilakukan peramalan kebutuhan kosumsi energi listrik. Untuk mendapatkan tingkat keakuratan perkiraan, harus menunggu hingga tahun perkiraan tersebut datang dan dibandingkan data konsumsi energi listrik aktualnya terhadap perkiraan konsumsi energi listrik yang dihasilkan. HASIL DAN PEMBAHASAN Pada penelitian ini, peramalan kebutuhan energi listrik di Provinsi Sumatera Baratdilakukan untuk jangka panjang. Dengan menggunakan data aktual yang dikumpulkan dari tahun 2000 sampai tahun 2008 akan diramalkan kebutuhan energi listrik sampai tahun 2020. Adapun data yang dipergunakan diperlihatkan pada Tabel 1. berikut
127
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
ISSN : 2086 – 4981
Tabel 1. Data Aktual Dari Tahun 2000 Sampai 2008 No 1 2 3 4 5 6 7 8
Tahun 2000 2001 2002 2003 2004 2005 2006 2007 2008 4241605 4243250 4375080 4456900 4528242 4603957 4632152 4697764 4763009 1019 1037 1053 1071 1079 1157 1140 1122 1074 619268 648444 677826 704473 736677 758261 779244 809019 846950 56.2 58 58.9 58.9 61.1 61.5 61.6 64.9 67.6 24208762 25057136 26146773 25805138 27578137 29159481 30949945 32912969 35007000 1294.92 1218.49 1358.49 1395.86 1466.94 1580.35 1740.8 1776.336 1940 596.26 655.55 658.66 694.31 737.8 775.58 807.67 854.26 916.7 327.92 399.78 497.82 578.29 608.95 612.41 633.35 627.53 640.51 Target Output 276.1 285.5 291.45 290.95 264.67 267.95 270.41 307.95 337.149
Data Input Jumlah Penduduk Jumlah Rumah Tangga Jumlah Pelanggan Total Ratio Elektrifikasi PDRB (Harga Konstan) Konsumsi Energi Listrik Total Daya Terpasang Total Harga Listrik rata-rata
9 Beban Puncak Tahunan
Sebelum data input pelatihan dilatihkan ke sistem Neuro Fuzzy, perlu dilakukan proses normalisasi data, sehingga data diproses dengan nilai yang lebih kecil tanpa kehilangan karakteristik data. Normalisasi data masukan dan target keluaran memungkinkan
pelatihan Jaringan Syaraf Tiruan menjadi lebih efisien. Pada penelitian ini normalisasi data data dilakukan dengan mengubah rentang nilai data masukan menjadi rentang nilai yang lebih kecil yaitu [0,1]. Data hasil normalisasi diperlihatkan pada Tabel 2. Berikut
Tabel 2. Data Masukan dan Target Keluaran Normalisasi
No 1 2 3 4 5 6 7 8
Data Input
2000
Jumlah Penduduk Jumlah Rumah Tangga Jumlah Pelanggan Total Ratio Elektrifikasi PDRB (Harga Konstan) Konsumsi Energi Listrik Total Daya Terpasang Total Harga Listrik rata-rata
9 Beban Puncak Tahunan
0 0 0 0 0 0.105931 0 0 0.157701
2001 0.003673 0.128034 0.128144 0.157895 0.078566 0 0.185027 0.229886
2002 2003 0.255992 0.412914 0.250109 0.374364 0.257192 0.374228 0.236842 0.315789 0.179475 0.147837 0.19455 0.245721 0.194732 0.305986 0.543523 0.800953 Target Output 0.287394 0.369486 0.362588
Nilai maksimum dan minimum data masukan dan target
Tahun 2004 0.549741 0.433222 0.515671 0.429825 0.31203 0.344347 0.441705 0.899037
2005 0.694954 1 0.61047 0.464912 0.458475 0.501532 0.559606 0.910106
2006 0.74903 0.879305 0.702629 0.473684 0.624285 0.724023 0.659749 0.977095
0 0.045254 0.079195 0.597138
keluarandiperlihatkan 3.berikut
pada
Tabel 3. Nilai Minimum dan Maksimum Dari Masing-Masing Variabel No 1 2 3 4 5
Data Masukan Jumlah Penduduk Jumlah Rumah Tangga Jumlah Pelanggan Total Ratio Elektrifikasi PDRB (Harga Konstan)
128
minP 4241605 1019.48 619268 56.2 24208762
2007 2008 0.874867 1 0.744223 0.395582 0.833404 1 0.763158 1 0.806077 1 0.773198 1 0.805143 1 0.958476 1
maxP 4763009 1157.1 846950 67.6 35007000
Tabel
1
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
6 7 8
Konsumsi Energi Listrik Total Daya Terpasang Total Harga Listrik rata-rata Data Keluaran
9
1218.49 596.26 327.92 minT
Beban Puncak Tahunan
Data masukan dan keluaran dilakukan clusterisasi dengan metoda fuzzy cluster c-means untuk menentukan nilai keanggotaan masing-masing data. Parameter yang digunakan dalam clusterisasi adalah 2 untuk fuzziness parameter, maksimum iterasi bernilai 100 dan 0.00001 untuk tingkat kesalahan.Pengclusteran dilakukan menggunakan fungsi yang telah ada pada software Matlab yaitu fungsi fcm. Masukan data yang akan dicluster dimasukkan dengan parameter-parameter yang diinginkan. Fungsi ini akan menentukan secara otomatis matriks partisi awal dan menghitung pusat cluster matriks partisi awal tersebut, dan kemudian melakukan perbaikan Tabel 4. Hasil clustering TRD
264.67
ISSN : 2086 – 4981
1940 916.7 640.51 maxT 337.149
nilai pusat cluster dan mengupdate nilai matriks sesuai dengan pusat cluster yang baru didapat. Iterasi akan terus dilakukan hingga minimum error didapatkan, atau jumlah iterasi maksimum telah tercapai. Pengclusteran dengan fungsi FCM pada Matlab akan memberikan 3 keluaran yaitu Matriks U sebagai matriks partisi akhir, Pusat cluster masing-masing data serta nilai fungsi objek. Pada penelitian ini, yang diperlukan hanyalah matriks partisi akhir U, untuk memperoleh nilai keanggotaan setiap data pada setiap cluster dan kecenderungan suatu data masuk ke suatu cluster terlihat pada Tabel 4. berikut
Kecendrungan Masuk Cluster
Data ke-
Matriks Partisi
1 2 3 4 5 6 7 8 9
0.083428 0.91657 0.032833 0.96717 0.018652 0.98135 0.18442 0.81558 0.48663 0.51337 0.81287 0.18713 0.92609 0.073914 0.97405 0.02595 0.84116 0.15884
Kelas-1
Untuk setiap vektor masukan pada TRD ditentukan nilai keanggotaan mi diperlihatkan pada Tabel 5. Berikut
129
Kelas-2 * * * * *
* * * *
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
Tabel 5. Nilai Keanggotan Mi Kecendrungan Masuk Data Cluster keKelas-1 Kelas-2 1 2 3 4 5 6 7 8 9
0.083428 0.032833 0.018652 0.18442 0.48663 0.81287 0.92609 0.97405 0.84116
ISSN : 2086 – 4981
Nilai Keanggotaan ms1
0.91657 0.96717 0.98135 0.81558 0.51337 0.18713 0.073914 0.02595 0.15884
Nilai keanggotaan mi pada Tabel 5. nantinya akan digunakan sebagai target keluaran pelatihan JST yang berhubungan dengan bagian anteseden (Bagian IF) pada sistem Neuro-Fuzzy. Untuk pembelajaran Jaringan Syaraf Tiruan (JST) pada bagian anteseden digunakan arsitektur
ms2 0 0 0 0 0 1 1 1 1
1 1 1 1 1 0 0 0 0
Jaringan Syaraf Tiruan (JST) Backpropagation banyak lapisan dengan menggunakanmasukan TRD dengan keluaran nilai keanggotan mi. Adapun pasangan masukan keluaran pada pelatihan Jaringan Syaraf Tiruan (JST) ini dapat dilihat pada Tabel 6. Berikut
Tabel 6. Data-Data Bagian Anteseden No 1 2 3 4 5 6 7 8
Data Input Jumlah Penduduk Jumlah Rumah Tangga Jumlah Pelanggan Total Ratio Elektrifikasi PDRB (Harga Konstan) Konsumsi Energi Listrik Total Daya Terpasang Total Harga Listrik rata-rata
9 ms1 10 ms2
2000 0 0 0 0 0 0.105931 0 0
2001 0.003673 0.128034 0.128144 0.157895 0.078566 0 0.185027 0.229886
0 1
0 1
2002 2003 0.255992 0.412914 0.250109 0.374364 0.257192 0.374228 0.236842 0.315789 0.179475 0.147837 0.19455 0.245721 0.194732 0.305986 0.543523 0.800953 Target Output 0 0 1 1
Jaringan Syaraf Tiruan (JST) ini terdiri dari 1 lapisan tersembunyi, 170 neuron dan 2 neuron pada lapiran keluaran. Pelatihan ini bertujuan untuk mengenalkan pola masukan ke Jaringan Syaraf Tiruan (JST). Jaringan Syaraf Tiruan (JST) ini dianggap telah mampu mengenali pola yang dilatihkan jika telah
Tahun 2004 0.549741 0.433222 0.515671 0.429825 0.31203 0.344347 0.441705 0.899037
2005 0.694954 1 0.61047 0.464912 0.458475 0.501532 0.559606 0.910106
2006 0.74903 0.879305 0.702629 0.473684 0.624285 0.724023 0.659749 0.977095
0 1
1 0
1 0
2007 2008 0.874867 1 0.744223 0.395582 0.833404 1 0.763158 1 0.806077 1 0.773198 1 0.805143 1 0.958476 1 1 0
mencapai nilai MSE yang diinginkan. Gambar 1 menunjukkan grafik hasil pelatihan Jaringan Syaraf Tiruan (JST) dengan perubahan nilai MSE selama pelatihan. Pada Gambar 2. terlihat nilai MSE yang dihasilkan setiap iterasi selama pelatihan sampai diperoleh nilai MSE yang diinginkan.
130
1 0
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
ISSN : 2086 – 4981
Performance is 5.78836e-012, Goal is 1e-011
0
10
-2
Training-Blue Goal-Black
10
-4
10
-6
10
-8
10
-10
10
-12
10
0
1
2
3
4 8 Epochs
5
6
7
8
Gambar 1.Grafik Pelatihan Jaringan Syaraf Tiruan (JST) Hasil simulasi dengan TRD menghasilkan nilai yang diperlihatkan pada Tabel 7. berikut Tabel 7. Data-Data Keluaran Jaringan Pada Bagian Anteseden
muAsi muA1i muA2i
muAs1 muAs2 muAs3 muAs4 muAs5 muAs6 muAs7 muAs8 muAs9 1.38E-06 1.39E-06 1.49E-06 1.32E-06 1.40E-06 1 1 1 1 1 1 1 1 1 3.07E-06 3.60E-06 4.29E-06 3.86E-06 Untuk pembelajaran Jaringan keluaran dibagi berdasarkan Syaraf Tiruan (JST) pada bagian klusternya. Hasil pengelompokkan konsekuen digunakan aturan – data diperlihatkan pada Tabel 8. Dan aturan inferensi fuzzy dimana data Tabel 9. berikut pasangan masukan TRD dan target Tabel 8. Data-Data Yang Akan Dilatih Pada R1 (NN1) No 1 2 3 4 5 6 7 8
Data Input
2005 Jumlah Penduduk 0.694954 Jumlah Rumah Tangga 1 Jumlah Pelanggan Total 0.61047 Ratio Elektrifikasi 0.464912 PDRB (Harga Konstan) 0.458475 Konsumsi Energi Listrik Total 0.501532 Daya Terpasang Total 0.559606 Harga Listrik rata-rata 0.910106 Output Beban Puncak Tahunan 0.045254
Tahun 2006 2007 2008 0.74903 0.874867 1 0.879305 0.744223 0.395582 0.702629 0.833404 1 0.473684 0.763158 1 0.624285 0.806077 1 0.724023 0.773198 1 0.659749 0.805143 1 0.977095 0.958476 1 0.079195 0.597138
Tabel 9. Data-Data Keluaran Jaringan Pada NN1
muS1
0.04616 0.080031 131
0.59627
0.99992
1
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 Selanjutnya dilakukan pembelajaran Jaringan Syaraf Tiruan (JST) pada masing – masing
ISSN : 2086 – 4981
kelompok data dan diperoleh grafik pada Gambar 2. berikut
Performance is 5.70677e-007, Goal is 1e-006
0
10
-1
10
Training-Blue Goal-Black
-2
10
-3
10
-4
10
-5
10
-6
10
-7
10
0
2
4
6
8
10 12 22 Epochs
14
16
18
20
22
Gambar 2. Grafik Pelatihan Jaringan Syaraf Tiruan (JST) Pada Bagian Konsekuen Hasil pelatihan menghasilkan nilai SSE sebesar 2.2827e-006. Angka ini menunjukkan bahwa pelatihan telah berjalan dengan baik dan Jaringan Syaraf Tiruan (JST) telah mampu mengenali pola data masukan yang dilatihkan ke Jaringan Syaraf Tiruan (JST).
Untuk pembelajaran Jaringan Syaraf Tiruan (JST) pada bagian anteseden dimana data pasangan masukan dan keluaran diperlihatkan pada Tabel 10. Dan Tabel 11. berikut
Tabel 10. Data-Data Yang Akan Dilatih Pada R2 (NN2) No 1 2 3 4 5 6 7 8
Data Input Jumlah Penduduk Jumlah Rumah Tangga Jumlah Pelanggan Total Ratio Elektrifikasi PDRB (Harga Konstan) Konsumsi Energi Listrik Total Daya Terpasang Total Harga Listrik rata-rata Beban Puncak Tahunan
2000
2001 0 0.003673 0 0.128034 0 0.128144 0 0.157895 0 0.078566 0.105931 0 0 0.185027 0 0.229886 Output 0.157701 0.287394
Tahun 2002 0.255992 0.250109 0.257192 0.236842 0.179475 0.19455 0.194732 0.543523
2003 0.412914 0.374364 0.374228 0.315789 0.147837 0.245721 0.305986 0.800953
2004 0.549741 0.433222 0.515671 0.429825 0.31203 0.344347 0.441705 0.899037
0.369486 0.362588
0
Tabel 11. Data-Data Keluaran Jaringan Pada NN2 muS2 0.15851 0.28841 0.37046 0.36345 7.43E-08
132
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 Selanjutnya dilakukan pembelajaran Jaringan Syaraf Tiruan (JST) pada masing – masing kelompok data dan
ISSN : 2086 – 4981
diperoleh grafik pada Gambar 3. berikut
Performance is 6.75401e-007, Goal is 1e-006
-1
10
-2
Training-Blue Goal-Black
10
-3
10
-4
10
-5
10
-6
10
-7
10
0
5
10
15 29 Epochs
20
25
Gambar 3. Grafik Pelatihan Jaringan Syaraf Tiruan (JST) Pada Bagian Anteseden Hasil pelatihan menghasilkan nilai SSE sebesar 3.377e-006. Angka ini menunjukkan bahwa pelatihan telah berjalan dengan baik dan Jaringan Syaraf Tiruan (JST) telah mampu mengenali pola data
masukan yang dilatihkan ke Jaringan Syaraf Tiruan (JST). Selanjutkan dilakukan validasi keluaran dari sistem Neuro Fuzzy yang diperlihatkan pada Tabel 12. berikut
Tabel 12. Hasil Validasi Sistem Neuro Fuzzy
Output akhir Output akhir Validasi data beban puncak tahunan T- Y NFS setelah denormalisasi Aktual (T) NFS (Y) 0.15851 276.16 276.1 276.16 0.058737 0.28841 285.57 285.5 285.57 0.073628 0.37046 291.52 291.45 291.52 0.070646 0.36345 291.01 290.95 291.01 0.062498 9.36E-07 264.67 264.67 264.67 6.79E-05 0.04616 268.02 267.95 268.02 0.065631 0.08003 270.47 270.41 270.47 0.060522 0.59627 307.89 307.95 307.89 -0.063301 0.99992 337.14 337.15 337.14 -0.0060977 Selanjutnya dilakukan penentuan masukan data peramalan beban listrik dengan Jaringan Syaraf Tiruan (JST). Masukan jaringan merupakan perkiraan data dimasa yang akan datang dengan melihat
kecendrungan perkembangan data pada masa lalu. Perkiraan data masukan untuk tahun 2009 sampai tahun 2020 digunakan fasilitas trendline pada Microsoft Excel 2010. Dalam menghitung trendline
133
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 sekumpulan data dengan menggunakan Microsoft Excel 2010 terlebih dahulu dilakukan penentuan tipe trend data yang paling mendekati dengan kondisi data sebenarnya., ini dapat dilakukan dengan menguji nilai koefesien determinasi untuk masing –masing tipe. Tipe trendline yang dipilih adalah tipe trendlinedengan nilai koefesien determinasi mendekati 1.
ISSN : 2086 – 4981
Data masukan sistem Neuro Fuzzyuntuk waktu peramalan dari tahun 2009 sampai tahun 2020 diperoleh dari hasil trendline kemudian disimulasikan ke Jaringan Syaraf Tiruan (JST) yang telah mengalami pelatihan. Keluaran dari simulasi ini merupakan peramalan beban puncak untuk tahun 2009 sampai tahun 2020 yang diperlihatkan pada Tabel 13. berikut
Tabel 13. Hasil Peramalan Beban Puncak Dengan Sistem Neuro Fuzzy Hasil Peramalan Beban Puncak Tahun (MW) 2009 368.7000 2010
399.0700
2011
430.1300
2012
463.4000
2013
497.2300
2014
533.1700
2015
570.1300
2016
607.6600
2017
645.9500
2018
683.0500
2019
719.9800
2020
756.3600
Perbandingan hasil peramalan sistem Neuro Fuzzy dan PT. PLN
Wilayah Sumatera Barat diperlihatkan pada Tabel 14. berikut
Tabel 14. Perbandingan Hasil Peramalan Tahun
Data Real
2000
276.1000
2001
285.5000
2002
291.4500
2003
290.9500
2004
264.6700
2005
267.9500
2006
270.4100
2007
307.9500
Peramalan dengan NFS
PT. PLN wilayah
Beban Pertumbuhan Beban Pertumbuhan Puncak(MW) pertahun (%) Puncak(MW) pertahun (%)
134
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 2008
ISSN : 2086 – 4981
337.1500
2009
368.7000
9.3579
365.0000
8.2604
2010
399.0700
8.2370
398.7400
9.2438
2011
430.1300
7.7831
426.2900
6.9093
2012
463.4000
7.7349
456.4900
7.0844
2013
497.2300
7.3003
491.2900
7.6234
2014
533.1700
7.2280
528.8500
7.6452
2015
570.1300
6.9321
569.3800
7.6638
2016
607.6600
6.5827
608.9000
6.9409
2017
645.9500
6.3012
651.2500
6.9552
2018
683.0500
5.7435
696.6500
6.9712
2019
719.9800
5.4066
745.3100
6.9849
2020
756.3600
5.0529
792.5000
6.3316
Rata-Rata Pertumbuhan (%)
6.9717
Hasil peramalan dengan sistem sistem Neuro Fuzzy diperoleh rata-rata pertumbuhan pertahun dari tahun 2009 sampai tahun 2020 adalah sebesar 6.9717 %. sedangkan peramalan yang dilakukan oleh PT. PLN Wilayah Sumatera Barat menunjukkan ratarata pertumbuhan pertahun adalah sebesar 7.3845 %. Terdapat
7.3845
perbedaan hasil ramalan antara sistem Neuro Fuzzydengan peramalan oleh PT. PLN Wilayah Sumatera Barat sebesar 0.4128 %. Adapun grafik hasil perbandingan antara sistem Neuro Fuzzy dengan hasil peramalan PT. PLN Wilayah Sumatera Barat diperlihatkan pada Gambar 4. Berikut
Gambar 4. Perbandingan Hasil Peramalan Tingkat kesalahan PT. PLN Wilayah Sumatera Barat perbandingan hasil ramalan sistem diperlihatkan pada Tabel 15. Berikut Neuro Fuzzydengan peramalan oleh
135
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
ISSN : 2086 – 4981
Tabel 15. Tingkat Kesalahan Perbandingan Hasil Peramalan Tahun
Peramalan dengan NFS
Peramalan PT. PLN Wilayah Sumatera Barat
Tingkat Kesalahan (%)
2009
368.7000
365.0000
1.0137
2010
399.0700
398.7400
0.0828
2011
430.1300
426.2900
0.9008
2012
463.4000
456.4900
1.5137
2013
497.2300
491.2900
1.2091
2014
533.1700
528.8500
0.8169
2015
570.1300
569.3800
0.1317
2016
607.6600
608.9000
-0.2036
2017
645.9500
651.2500
-0.8138
2018
683.0500
696.6500
-1.9522
2019
719.9800
745.3100
-3.3986
2020
756.3600
792.5000
-4.5603
Rata-Rata Error (%) Berdasarkan Tabel 15. Terlihat bahwa hasil peramalan dengan sistem Neuro Fuzzytidak berbeda jauh dengan hasil peramalan yang dilakukan oleh PT. PLN Sumatera Barat dimana tingkat kesalahannya sebesar 1.3831 %.
[2]
KESIMPULAN Hasil Peramalan antara PT. PLN (Persero) Wilayah Sumatra Barat dengan sistem Neuro Fuzzytidak jauh berbeda. Nilai kesalahan rata-rata yang didapat sebesar 1.3831%. Data peramalan konsumsi energi listrik yang dihasilkan oleh PT. PLN (Persero) Wilayah Sumatra Barat hanya digunakan sebagai data pembanding, karena nilai konsumsi energi listrik sampai tahun 2020 ke depan belum dapat dipastikan. DAFTAR PUSTAKA [1] Biro Pusat Statistik 2011,Sumbar Dalam tahun 2011, Padang.
1.3831 Arief Heru Kuncoro dan Rinaldy Dalimi. 2005. Aplikasi Jaringan Syaraf Tiruan Untuk Perkiraan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal Teknologi, Edisi No. 3 Tahun XIX.
[3] Hesham K. Alfares and Mohammad Nazeeruddin. 2002. Electric Load Forecasting: Literature Survey and Classification of Methods. International Journal of Systems Science, volume 33.
[4] Kyung-Bin Song. 2005. ShortTerm Load Forecasting for the Holidays Using Fuzzy Linear Regression Method. IEEE Transactions On Power System, Vol. 20, No. 1, February.
(BPS), Angka
136
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014
ISSN : 2086 – 4981
[5] Pandian, Chenthur. 2006. Fuzzy Approach for Short-Term Load Forecasting. Electric Power System Research.
[9] Kuswanto, Henry. 2007. Struktur Neuro-fuzzy Menggunakan Sistem Mimo-TS dan LMA Training untuk Electrical Load Forecasting. Padang
[6] Rob J. Hyndman and Shu Fan. 2008. Density Forecasting for Long-Term Peak Electricity Demand. Australia, Monash University.
[10] Jang, J.S.R., Sun, C.T., Mizutani,E., 1997.Neuro-Fuzzy and Soft Computing, London : Prentice-Hall International.
[7] Heru Dibyo Laksono, Hansi Effendi dan Iwan Perdana. 2011. Aplikasi Logika Fuzzy Pada Perkiraan Kebutuhan Energi Listrik Jangka Panjang di Provinsi Sumatera Barat Sampai Tahun 2018, Jurnal Teknologi Informasi dan Pendidikan Vol. 03 No. 01, Universitas Negeri Padang (UNP)
[11] Suyanto. 2008. Soft Computing : Membangun Mesin Ber-IQ Tinggi. Bandung : Penerbit Informatika.
[8] Utama, Ngakan Putu Satriya. 2007. Prakiraan Kebutuhan Tenaga Listrik Propinsi Bali Sampai Tahun 2018. Teknik Elektro, Vol.6 No.1.
[13] Kusumadewi, S., & Hartati, S. 2006. Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu.
[12] Kusumadewi, Sri. 2002. Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Yogyakarta : Penerbit Graha Ilmu.
[14] S.N. Sivanandam, S. Sumathi dan S.N Deepa. 2007.Introduction to Fuzzy Logic Using Matlab. Berlin : Springer
137
