1
PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM) DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI 1
Ni Luh Putu Satyaning Pradnya Paramita, 2 Irhamah
1
2
Mahasiswa Program Sarjana, Jurusan Statistika FMIPA-ITS Dosen Pembimbing Tugas akhir Jurusan Statistika FMIPA-ITS
ABSTRAK Peramalan beban jangka pendek selalu menjadi hal penting dalam perencanaan dan pengoperasian sistem tenaga listrik. Penelitian akan menerapkan metode GA-SVM untuk meramalkan beban listrik di PT PLN (Persero) sub unit Penyaluran dan Pusat Pengatur Beban (P3B) Jawa Timur-Bali. Untuk melihat keakuratan peramalan menggunakan GA-SVM, maka dilakukan pula perbandingan antara hasil ramalan dengan metode GA-SVM dengan metode SVM biasa. Kriteria keakuratan yang digunakan adalah MAPE, MSE, AIC, SBC, dan R2. Peramalan beban listrik menggunakan metode GA-SVM menghasilkan nilai AIC, SBC, RMSE, dan MAPE yang lebih kecil dibandingkan dengan metode SVM. R2 yang dihasilkan dari metode GA-SVM juga memiliki nilai yang lebih besar dibandingkan nilai R2 yang dihasilkan dari metode SVM. Dapat dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data aktual dibandingkan dengan metode SVM. Dari hasil peramalan menggunakan GA-SVM, PT PLN Sub Unit P3B Jawa Timur dan Bali dapat menyediakan tenaga listrik yang sesuai dengan kebutuhan listrik konsumen. Kata Kunci: peramalan beban listrik jangka pendek, Support Vector Machine (SVM), Genetic Algorithm-Support Vector Machine (GA-SVM)
1. PENDAHULUAN Sensus penduduk menunjukkan bahwa setiap tahunnya jumlah penduduk Indonesia mengalami peningkatan. Kuswartojo (2005) menyebutkan bahwa jumlah rumah tangga di Indonesia meningkat sekitar 1,2 juta atau 3,15% per tahun. Peningkatan jumlah rumah tangga akan menyebabkan peningkatan kebutuhan listrik, karena listrik merupakan kebutuhan pokok bagi setiap rumah tangga. Oleh karena itu, untuk membangkitkan dan menyalurkan energi listrik secara ekonomis harus dibuat peramalan beban listrik jauh sebelum listrik tersebut dibutuhkan. Peramalan beban jangka pendek bertujuan untuk meramalkan beban listrik pada jangka waktu menit, jam, hari atau minggu. Peramalan beban jangka pendek memainkan peran yang penting dalam real-time control dan fungsi-fungsi keamanan dari suatu sistem manajemen energi (Dipti, 1998). Sebuah peramalan beban listrik jangka pendek yang tepat, dapat menghasilkan penghematan biayas operasional bagi produsen dan pengotimalan penyediaan tenaga listrik kepada konsumen (Nahi, 2006). Peramalan beban listrik jangka pendek untuk jangka waktu 1-24 kam ke depan adalah penting untuk operasi sehari-hari dari utilitas daya. Peramalan beban ini digunakan untuk unit commitment, energy transfer scheduling, dan load dispatch (El-Sharkawi, 1996). Banyak metode telah dikembangkan untuk peramalan beban jangka pendek. Metode tersebut antara lain metode parametrik, nonparametrik, dan metode berbasis kecerdasan buatan. Beberapa metode berbasis kecerdasan buatan seperti Fuzzy Inference System, Fuzzy Linear Regresion, dan Artificial Neural Network, telah banyak diaplikasikan pada peramalan beban listrik dan ternyata hasilnya memuaskan (Kwang-Ho dkk, 2000 ; Kyung-Bin Song dkk, 2005). Support Vector Machine (SVM) merupakan metode berbasis kecerdasan buatan yang sangat populer digunakan untuk peramalan beban listrik dan akurasi peramalannya sangat bagus dibandingkan dengan metode lain. SVM memiliki kinerja yang baik bahkan untuk persoalanpersoalan dengan jumlah input yang besar (Li dkk, 2005 ; Yang, 2004). Rani (2011) telah
2
melakukan penelitian untuk meramalkan beban listrik di Jawa Timur-Bali dengan menggabungkan metode Support Vector Machine (SVM) dan Hybrid Improved Particle Swarm Optimization (IPSO) yang disebut dengan metode IPSO-SVM. Hasil dari perbandingan kriteria keakuratan, MAPE, RMSE, AIC, SBC, dan R2, menunjukkan bahwa hasil peramalan IPSOSVM lebih baik daripada SVM dan ANN. Hal ini menimbulkan dugaan bahwa metode SVM yang digabungkan dengan sebuah metode optimasi akan menghasilkan ramalan yang lebih baik dibandingkan SVM biasa maupun metode berbasis kecerdasan buatan lainnya. Beberapa penelitian juga menggabungkan metode Genetic Algortihm dengan Support Vector Machine untuk mendapatkan hasil ramalan terbaik. Dalam hal ini, Genetic Algorithm berperan untuk mengoptimasi nilai parameter SVM. Pai dan Hong (2005) melakukan peramalan beban listrik regional berdasarkan Recurrent Support Vector Machine dengan Genetic Algortihm, ada pula penelitian tentang Genetic Algorithm untuk pemilihan model Support Vector Machine (Lessmann, Stahlbock, Crone, 2006), dan aplikasi Genetic Algortihm-Support Vector Machine (GA-SVM) untuk prediksi aktivitas saluran kalium (Pourbasheer, Riahi, Ganjali, dan Norouzi, 2009). Penelitian tentang penerapan GA-SVM yang terbilang baru adalah peramalan harga rumah oleh Jirong Gu, Mingcang Zhu, dan Liuguangyan Jiang (2011). Penelitian kali ini akan menerapkan metode GA-SVM untuk meramalkan beban listrik di PT PLN (Persero) sub unit Penyaluran dan Pusat Pengatur Beban (P3B) Jawa Timur-Bali. Diusulkan metode GA-SVM karena metode ini dapat mengatasi kasus nonlinier yang terdapat pada peramalan beban listrik. Metode SVM yang digunakan dalam penelitian ini adalah metode SVM untuk regresi yang biasa dikenal dengan Support Vector for Regression (SVR). Pemilihan parameter SVM adalah penting untuk akurasi peramalan, sehingga dalam kasus ini GA digunakan untuk optimasi nilai parameter SVM secara otomatis dengan harapan dapat menghasilkan peramalan yang akurat. Untuk melihat keakuratan peramalan menggunakan GASVM, maka dilakukan pula perbandingan antara hasil ramalan dengan metode GA-SVM dengan metode SVM biasa. Kriteria keakuratan yang digunakan adalah MAPE, RMSE, AIC, SBC, dan R2 . 2. TINJAUAN PUSTAKA 2.1 Peramalan Beban Listrik Suatu model peramalan beban yang akurat sangat penting dalam perencanaan dan pengoperasian system tenaga listrik. Peramalan beban sangat membantu perusahaan listrik dalam mengambil keputusan untuk menyuplai tenaga listrik termasuk keputusan dalam mengatur pembangkitan, pemutusan beban (load switching), dan juga pembangunan infrastruktur (Prasetyo dkk, 2008). Peramalan beban listrik (load forecast) atau kebutuhan listrik (demand forecast) merupakan langkah awal dari Rencana Usaha Penyediaan Tenaga Listrik (RUPTL). RUPTL disusun oleh PT PLN Pusat. Peramalan beban listrik pada unit bisnis (UB) PLN di setiap wilayah memiliki peranan sangat penting dalam penyusunan RUPTL. Menurut jangka waktunya, peramalan beban listrik dapat dikelompokkan menjadi tiga jenis. Pengelompokkan tersebut adalah sebagai berikut. 1. Peramalan beban jangka pendek (short-term load forecasting) merupakan peramalan yang meramalkan beban dalam jangka waktu per jam hingga per minggu. Dalam peramalan jangka pendek terdapat batas atas untuk beban maksimum dan batas bawah untuk beban minimum yang ditentukan oleh peramalan beban jangka menengah. 2. Peramalan beban jangka menengah (medium-term load forecasting) merupakan peramalan yang meramalkan beban dalam jangka mingguan hingga satu tahun. Dalam peramalan jangka menengah, faktor-faktor manajerial perusahaan merupakan faktor utama yang menentukan. Masalah-masalah manajerial misalnya kemampuan teknis memperluas jaringan distribusi, kemampuan teknis menyelesaikan proyek pembangkit listrik baru, serta juga kemampuan teknis menyelesaikan proyek saluran transmisi. 3. Peramalan beban jangka panjang (long-term load forecasting) merupakan peramalan yang meramalkan beban dalam jangka waktu satu tahun atau lebih. Dalam peramalan jangka panjang, masalah-masalah makro ekonomi yang merupakan masalah eksternal perusahaan
3
listrik merupakan faktor utama yang menentukan arah peramalan. Faktor makro tersebut misalnya adalah Regional Gross Domestic Product (RGDP) 2.2 Deret Waktu (Time Series) Menurut Makridakis, Wheelwright dan McGee (1999) yang menyatakan bahwa peramalan merupakan proses untuk menduga kejadian atau kondisi di masa mendatang yang bertujuan untuk memperkecil resiko kesalahan. Adanya waktu tenggang (lead time) ini merupakan alasan utama bagi perencanaan dan peramalan. Hal ini juga sesuai dengan pernyataan dari Aswi dan Sukarna (2006) yang menyatakan bahwa peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data masa lalu maupun data pada saat ini. Metode peramalan dapat dibagi dalam dua kategori utama, yaitu metode kualitatif dan metode kuantitatif. Deret waktu merupakan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu tetap. Analisis deret waktu adalah salah satu prosedur statistika yang diterapkan untuk meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang akan datang dalam rangka pengambilan keputusan. Metode peramalan dapat dibagi dalam dua kategori utama, yaitu: 1. Metode kualitatif, lebih banyak menuntut analisis yang didasarkan pada pemikiran intuitif, perkiraan logis dan informasi atau pengetahuan yang telah diperoleh peneliti sebelumnya. 2. Metode kuantitatif merupakan metode yang membutuhkan informasi masa lalu yang dikuantitatifkan dalam bentuk data numerik. Metode peramalan secara kuantitatif mendasarkan ramalannya pada metode statistika dan matematika. Terdapat dua jenis model peramalan kuantitatif, yaitu model deret waktu dan model regresi. 2.3 Support Vector Machine (SVM) Support Vector Machine (SVM) adalah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (featute space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias (Vapnik, 1995 ; Scholkopf dkk, 2002 ; Gunn, 1998 ; Cristianini, 2000 ; Santosa, 2007). SVM dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dikenalkan pada tahun 1992 di Annual Workshop on Computational Learning Theory (Cristianini, 2000) dan menjadi populer karena kesuksesannya dalam mengenali digit tulisan tangan dengan error sebesar 1%. Konsep dasar dari SVM adalah berusaha menemukan fungsi optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda (Vapnik, 1964). Teknik ini memiliki performasi yang meyakinkan dalam meramalkan suatu kelas data baru. SVM berada dalam satu kelas dengan Artifial Neural Network (ANN), yaitu termasuk dalam kelas supervisied learning, namun dalam implementasinya SVM memberikan hasil yang lebih baik daripada ANN, terutama dalam hal solusi yang dicapai. ANN menemukan solusi berupa lokal optimum sedangkan SVM menemukan solusi berupa global optimum yaitu mencapai solusi yang sama pada setiap trainingnya untuk data dan variabel yang sama (Scholkopf dkk, 2002 ; Gunn, 1998 ; Cristianini, 2000 ; Santosa, 2007). 2.3.1 Support Vector Machine for Regression (SVR) Konsep dasar SVR adalah memetakan data asli x yang non linier ke dalam ruang fitur (feature space) yang berdimensi lebih tinggi. Bila diberikan satu set data
4
dimana
5
6
6. Etilisme 7. Penggantian Populasi 3. METODOLOGI PENELITIAN Data yang digunakan dalam penelitian ini adalah data sekunder. Data diambil dari PT PLN (Persero) sub unit Penyaluran dan Pusat Pengatur Beban (P3B) Jawa Timur-Bali. Data yang diambil adalah data beban listrik tiap 30 menit pada bulan Oktober 2011 sebagai data training sebanyak 1488 data dan pada tanggal 1-2 Nopember sebagai data testing sebanyak 96 data. Data yang diramal yaitu beban listrik pada tanggal 3-4 Nopember 2011. Variabel penelitian yang digunakan hanya data beban listrik tiap 30 menit. Berikut ini adalah variabel bebas dan variabel tak bebas yang digunakan dalam penelitian ini. 1. Variabel tak bebas (yt) adalah data beban listrik yang dijadikan data aktual/target. 2. Variabel bebas (x) adalah data beban listrik pada waktu sebelumnya (yt-1, yt-2, yt-3, …, yt-n). Berdasarkan variabel penelitian tersebut, peramalan beban listrik ini memiliki tiga tahapan peramalan yaitu melakukan pemodelan berdasarkan data training, memvalidasi model dengan data testing, dan menghitung nilai ramalan. Keakuratan peramalan beban listrik diketahui dari MAPE, MSE, AIC, SBC, dan R2. Adapun langkah analisis data pada penelitian ini adalah sebagai berikut. 1. Melakukan pengumpulan data beban listrik harian pada bulan Oktober 2011 dan 1-2 Nopember 2011. 2. Mengolah data menggunakan algoritma SVM dengan software Matlab. Flowchart metode SVM untuk peramalan beban listrik ditunjukkan oleh Gambar 1. 3. Mengolah data beban listrik menggunakan algoritma GA-SVM dengan software Matlab Flowchart algoritma GA untuk optimasi parameter SVM dijelaskan pada Gambar 2. 4. Melakukan analisis data. 5. Membuat kesimpulan. 4. ANALISIS DAN PEMBAHASAN Pada bab ini akan dilakukan analisis dan pembahasan terhadap data beban listrik harian sesuai dengan metode penelitian yang telah dijelaskan pada bab sebelumnya. Analisis dan pembahasan meliputi peramalan beban listrik harian di PT PLN P3B Jawa Timur dan Bali SVM dan GA-SVM, serta dilakukan perbandingan terhadap kedua metode tersebut. Sebelum dilakukan peramalan menggunakan SVM dan GA-SVM, akan dilakukan analisis Time Series model ARIMA untuk menentukan input peramalan beban listrik menggunakan metode SVM dan GA-SVM. Langkah pertama sebelum melakukan analisis Time Series lebih lanjut adalah membuat plot untuk data beban listrik bulan Oktober 2011 yang dapat dilihat pada Gambar 4.1.
4500
C1
4000
3500
3000
1
149
298
447
596
745 Index
894
1043
1192
1341
Gambar 4.1 Plot Time Series Beban Listrik Oktober 2011
Syarat yang harus dipenuhi untuk melakukan pemodelan ARIMA adalah data harus stasioner. Untuk mengetahui stasioneritas data dalam varians, dilakukan uji Box-Cox,
7
sedangkan dalam mean, dilihat plot ACF data. Data in-sample dilihat kestasioneritas datanya dalam varians dengan analisis Box-Cox dihasilkan lambda λ (Rounded Value) sebesar 0,00 sehingga harus dilakukan transformasi terlebih dahulu berdasarkan nilai lambda, dengan T(Zt) = ln (Zt). Hal ini dilakukan untuk menjamin stabilitas dari varians. Setelah data sudah dalam kondisi stasioner terhadap varians, selanjutnya adalah mengecek kestasioneran data terhadap mean berdasarkan plot ACF. Plot ACF data tersebut menunjukkan bahwa data belum stasioner terhadap mean, yang diduga karena pada data konsumsi listrik terdapat pola musiman harian. Oleh karena itu, dilakukan differencing 48 pada data in-sample. Setelah melakukan differencing untuk lag 48, kemudian dibuat plot data hasil differencing tersebut sehingga plot time series berubah. Dilakukan pengecekan kembali plot dari ACF data yang telah didifferencing 48 tadi sehingga menghasilkan plot ACF pada Gambar 4.6. Berdasarkan hasil differencing pada Gambar 4.6 dapat dilihat bahwa ACF masih turun secara lambat sehingga kita melakukan differencing lagi pada lag 1, karena diindikasikan adanya trend pada data, kemudian kita plotting kembali data hasil differencing 1 tersebut sehingga plot Time Series berubah seperti pada Gambar 4.2. 0.2
Diff 48,1
0.1
0.0
-0.1
-0.2 1
149
298
447
596
745 Index
894
1043
1192
1341
Gambar 4.2 Plot Time Series Beban Listrik (Differencing lag 48 dan 1)
Gambar 4.2 menunjukkan bahwa data beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali pada Oktober 2011 telah stasioner terhadap rata-rata. Hal ini dapat dilihat dari titik-titik plot yang menyebar secara konstan di sekitar rata-rata. Selain itu ACF dan PACF plot yang ditampilkan pada Gambar 4.3 dan Gambar 4.4. 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1
50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 Lag
Gambar 4.3 Plot ACF Beban Listrik (Differencing lag 48 dan 1)
8
1.0 0.8 Partial Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1
50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 Lag
Gambar 4.4 Plot PACF Beban Listrik (Differencing lag 48 dan 1)
Pada penelitian ini, lag yang signifikan pada plot PACF akan dimasukkan ke sebagai input untuk meramalkan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM dan GA-SVM. Adapun lag yang signifikan pada plot PACF adalah lag ke-1, ke-3, ke-6, ke-12, ke-15, ke-18, ke-21, ke-30, ke-42, ke-46, ke-47, ke-48. Sehingga diperoleh model sebagai input untuk peramalan beban listrik menggunakan metode SVM dan GA-SVM adalah sebagai berikut. yt= f (yt-1, yt-3, yt-12, yt-15, yt-18, yt-21, yt-30, yt-42, yt-46, yt-47, yt-48) 4.1 Peramalan Beban Listrik Harian di PT PLN Sub Unit P3B Jawa Timur dan Bali Menggunakan Metode SVM Peramalan beban listrik harian dibagi menjadi tiga tahap peramalan yaitu pembentukan model peramalan yang dilakukan berdasarkan data training, memvalidasi model dengan data testing, dan menghitung nilai ramalan. Data yang digunakan untuk training adalah data pada bulan Oktober 2011 yang telah stasioner. Pada penelitian ini digunakan variasi trial and error parameter SVM sebanyak 5 kali. Model peramalan berdasarkan data training adalah
9
Range C yang ditetapkan pada GA-SVM adalah 80 – 120, range dilakukan percobaan sebanyak lima kali karena parameter SVM sudah dioptimasi dengan GA. bulan Oktober 2011. Metode GA-SVM tidak dilakukan trial and error sehingga tidak perlu testing, dan menghitung nilai ramalan. Data yang digunakan untuk training adalah data pada model peramalan yang dilakukan berdasarkan data training, memvalidasi model dengan data Peramalan beban listrik harian dibagi menjadi tiga tahap peramalan yaitu pembentukan Menggunakan Metode GA-SVM 4.2 Peramalan Beban Listrik Harian di PT PLN Sub Unit P3B Jawa Timur dan Bali
10
Gambar 4.6 Hasil Ramalan dengan SVM untuk 3-4 Nopember 2011 0
Waktu dalam 30 Menit selama 24 Jam 10 20 30 40 50
3200
)WM( ki r tsiL nabeB
3400 3600 3800 4000 4200 4400
Data Ramalan 4 Nop (SVM) Data Ramalan 3 Nop (SVM) Variable
kebutuhan listrik konsumen. peramalan menggunakan SVM, PLN dapat menyediakan tenaga listrik yang sesuai dengan 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB.Dari hasil bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar yaitu sebesar 4269,3 MW dan 4254,7 MW ada pada pukul 19.00 WIB. Hal ini menunjukkan 4.6, dapat dilihat bahwa beban puncak pada tanggal 3 Nopember 2011 dan 4 Nopember 2011 Plot data ramalan disajikan pada Gambar 4.6. Berdasarkan hasil ramalan pada Gambar ditentukan. Unit P3B Jawa Timur dan Bali pada 3-4 Nopember 2011 menggunakan parameter yang telah = 0,005, sehingga selanjutkan dilakukan peramalan terhadap beban listrik di PT PLN Sub
Variable Data Aktual Data Ramalan (SVM)
4600 4400 4200
Y-Data
4000 3800
yang ditetapkan adalah 0 – 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8,
3600 3400 3200 3000 0
20 40 60 80 Waktu (30 Menit selama 24 Jam)
100
Gambar 4.5 Hasil Validasi dengan Data Testing Menggunakan Metode SVM
Gambar 4.5 menunjukkan bahwa SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. Hal ini juga dibuktikan dengan R-Square yang dihasilkan pada validasi memiliki nilai yang tinggi yaitu 96,617 %. Artinya, peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik. Peramalan data testing menunjukkan bahwa metode SVM menghasilkan error yang minimum ketika parameter C = 80 dan
11
dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 111,875 dan
= 0,043018. Model peramalan berdasarkan data training adalah sebagai berikut.
12
Hasil Ramalan GA-SVM untuk 3 Nopember dan 4 Nopember 2011 diperoleh bahwa optimasi dengan GA dapat menghasilkan parameter SVM C = 111,875 dan = 0,005. Sedangkan pada peramalan menggunakan metode GA-SVM
4400
V ariable Data Ramalan 3 N op (G A -SV M ) Data Ramalan 4 N op (G A -SV M )
= 0,043018. Perbandingan kriteria keakuratan kedua metode tersebut dapat dilihat pada Tabel 4.5 di bawah ini. Tabel 4.5 Perbandingan Keakuratan Peramalan Menggunakan SVM dan GA-SVM Metode AIC SBC RMSE MAPE R2 SVM 10,93 10,98 230,84 4,95% 96,62% GA-SVM 10,92 10,97 230,41 4,85% 97,20% Berdasarkan Tabel 4.5 dapat dilihat bahwa peramalan beban listrik menggunakan metode GA-SVM menghasilkan nilai AIC, SBC, RMSE, dan MAPE yang lebih kecil dibandingkan dengan metode SVM. R2 yang dihasilkan dari metode GA-SVM juga memiliki nilai yang lebih besar dibandingkan nilai R2 yang dihasilkan dari metode SVM. Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil, tetapi dapat dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data aktual dibandingkan dengan metode SVM. Namun, nilai MAPE menggunakan kedua metode masih belum memenuhi standar minimal MAPE PLN yaitu sebesar 2 %. Perbandingan antara data aktual dan data ramalan berdasarkan data testing menggunakan kedua metode secara grafis dapat dilihat pada Gambar 4.9 di bawah ini. Berdasarkan gambar tersebut juga dapat dilihat bahwa peramalan beban listrik menggunakan metode SVM dan GASVM menghasilkan nilai yang hampir sama. Gambar tersebut juga menunjukkan bahwa hasil ramalan menggunakan kedua metode sama-sama menghasilkan nilai ramalan yang mendekati nilai aktual. Selanjutnya dilakukan perbandingan hasil ramalan terhadap beban listrik di PT PLN Sub Unit P3B Jawa Timur dan Bali pada 3-4 Nopember 2011. Perbandingan hasil ramalan menggunakan metode SVM dan GA-SVM untuk tanggal 3 Nopember 2011 ditunjukkan pada Gambar 4.10, sedangkan untuk tanggal 4 Nopember 2011 ditunjukkan pada Gambar 4.111.
Beban Listrik (MW)
4200 4000 3800 3600 3400 3200 0
10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam
Gambar 4.8 Hasil Ramalan GA-SVM untuk 3-4 Nopember 2011
4.3 Perbandingan Hasil Ramalan Beban Listrik Harian di PT PLN Sub Unit P3B Jawa Timur dan Bali Menggunakan Metode SVM dan GA-SVM Hasil peramalan menggunakan data testing dengan metode SVM dan GA-SVM dibandingkan untuk dapat memutuskan metode terbaik yang digunakan untuk meramalkan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali. Pada peramalan menggunakan metode SVM diperoleh bahwa error minimum yang dihasilkan adalah ketika parameter C = 80 dan
13
Variable Data Aktual Data Ramalan SVM Data Ramalan GA-SVM
4600 4400
Beban Listrik (MW)
4200 4000 3800 3600 3400 3200 3000 0
20 40 60 80 Waktu dalam 30 Menit selama 24 Jam
100
Gambar 4.9 Perbandingan Data Aktual dengan Ramalan Menggunakan SVM dan GA-SVM 4400
V ariable Data Ramalan 3 Nop (SV M ) Data Ramalan 3 Nop (GA -SV M )
Beban Listrik (MW)
4200 4000 3800 3600 3400 3200 0
10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam
Gambar 4.10 Hasil Ramalan Menggunakan SVM dan GA-SVM untuk 3 Nopember 2011 4400
V ariable Data Ramalan 4 N op (S V M ) Data Ramalan 4 N op (G A -S V M )
Beban Listrik (MW)
4200 4000
3800 3600 3400
3200 0
10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam
Gambar 4.11 Hasil Ramalan Menggunakan SVM dan GA-SVM untuk 4 Nopember 2011
Gambar 4.15 dan 4.16 sekali lagi memperlihatkan bahwa hasil ramalan menggunakan metode SVM dan GA-SVM hampir sama. Hanya saja, jika dibandingkan berdasarkan kriteria keakuratan yang telah dijelaskan sebelumnya, maka metode GA-SVM menghasilkan nilai ramalan yang lebih akurat dibandingkan dengan metode SVM. Dari hasil peramalan menggunakan GA-SVM, PLN dapat menyediakan tenaga listrik yang sesuai dengan kebutuhan listrik konsumen. 5. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan analisis dan pembahasan pada bab sebelumnya diperoleh kesimpulan sebagai berikut. 1. Ramalan menggunakan metode SVM menghasilkan R-Sq sebesar 96,617 %. Artinya, peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik. Hasil ramalan menggunakan SVM
14
menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB. 2. Ramalan menggunakan metode GA-SVM menghasilkan R-Sq sebesar 97,20 %. Artinya, peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik. Hasil ramalan menggunakan GASVM menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar 4363,215 MW pada pukul 19.00 WIB. 3. Peramalan beban listrik menggunakan metode GA-SVM menghasilkan nilai AIC, SBC, RMSE, dan MAPE yang lebih kecil dibandingkan dengan metode SVM. R2 yang dihasilkan dari metode GA-SVM juga memiliki nilai yang lebih besar dibandingkan nilai R2 yang dihasilkan dari metode SVM. Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil, tetap dapat dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dibandingkan dengan metode SVM. Dari hasil peramalan menggunakan GA-SVM, PT PLN Sub Unit P3B Jawa Timur dan Bali dapat menyediakan tenaga listrik yang sesuai dengan kebutuhan listrik konsumen. 5.2 Saran Hal yang menjadi catatan penting dalam Tugas Akhir ini adalah nilai MAPE yang dihasilkan dari metode SVM dan GA-SVM masih belum memenuhi standar minimal MAPE PLN yaitu sebesar 2%. Oleh karena itu, untuk peneliti selanjutnya disarankan untuk melakukan pengembangan metode dan data yang digunakan dalam analisis. DAFTAR PUSTAKA Aswi dan Sukarna. (2006). Analisis Deret Waktu [Teori dan Aplikasi]. Makasar: Andira Publisher Budi Santosa. 2007. Data Mining Terapan dengan MATLAB. Yogyakarta : Graha Ilmu. Cristianini, N. dan Shawe Taylor, J, 2000. An Introduction to Support Vector Machines, Cambrige University Press. Eslam Pourbasheer, Siavash Riahi, Mohammad Reza Gazali, Parviz Norouzi. 2009. “Application of genetic alogithm-support vector machine (GA-SVM) for prediction of BK-channels activity”. European Journal of Medicinal Chemistry, Vol. 44, pp. 50235028. Gunn, S., 1998, Support Vector Machines for Classification and Regression, Tech.Rep.,Dep.of Electronics and Computer Science, University of Southampton. Holland, John H. 1975. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press. Jirong Gu, Mingcang Zhu, and Liuguangyan Jiang. 2011. “Housing price forecasting based on genetic algorithm and support vector machine”. Expert Systems with Applications : An International Journal, Vol. 38, Issue 4. Kusumadewi, Sri; Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi Menggunakan TeknikTeknik Heuristik. Yogyakarta : Graha Ilmu. Kuswartojo, T. (2005). Perumahan dan Pemukiman di Indonesia. Bandung: ITB. Kwang-Ho Kim, Hyoung-Sun Youn, Yong-Cheol Kang. 2000, “Short-Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method”, IEEE Transactions on Power System, Vol.15, No.2, May. Kyung-Bin Song, Young-Sik Baek, Dug Hun Hong, and Gilsoo Jang.2005. “Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method”, IEEE Transactions on Power System, Vol.20, No.1, February. Law, M. A Simple Introduction to Support Vector Machines. Lecture for CSE 802, Department of Computer Science and Engineering Michigan State University.
15
Makridakris S, Wheelmright SC dan Mc Gee VE. (1999). Metode dan Aplikasi Peramalan Edisi Kedua [Terjemahan]. Jakarta: Erlangga Ping-Fei Pai and Wei-Chiang Hong. 2005. “Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms”. Electric Power System Research, Vol. 74, pp. 417-425. Randy L. Haupt, S. E. Haupt. 2004. Practical genetic Algorithm. New Jersey: John Wiley & Sons, Inc. Rani Kemala T. 2011. Peramalan Beban Listrik Jangka Pendek Menggunakan Hybrid Improved Particle Swarm Optimization-Support Vector Machine di PLN Region Jawa Timur – Bali. Tugas Akhir, ITS. Scholkopf, B. dan Smola, A., 2002, Learning with Kernels, The MIT Press. Cambridge, Massachusetts. Sivanandan S. N. and Deepa S. N. 2007. Introduction to Genetic Algorithm. New York : Springer Berlin Heidelberg. Stefan Lessmann, Robert Stahlbock, and Sven F. Crone. 2006. “Genetic Algorithm for Support Vector Machine Model Selection”. International Joint Conference on Neural Networks. Suyanto. 2005. Algoritma Genetika dalam MATLAB (Genetic Algorithm in MATLAB). Yogyakarta : Andi Publisher. Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer Verlag. 94 X.M. Li, D. Gong, L. Li, and C.Y. 2005. “Next day load forecasting using SVM”, Proc. ISNN '05, Lecture Notes in Computer Science, Springer, Berlin, pp. 634-639.
