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 NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055 Pembimbing : Dr Irhamah S.Si M.Si 1
BAB 1 PENDAHULUAN 2
LATAR BELAKANG Jumlah rumah tangga di Indonesia meningkat sekitar 1,2 juta atau 3,15% per tahun
Peningkatan jumlah rumah tangga akan menyebabkan peningkatan kebutuhan listrik
Untuk membangkitkan dan menyalurkan energi listrik secara ekonomis harus dibuat peramalan beban listrik jauh sebelum listrik tersebut dibutuhkan
Pembangunan bidang kelistrikan harus dapat mengimbangi kebutuhan energi listrik yang terusmenerus naik setiap tahun
3
PENELITIAN SEBELUMNYA Kwang-Ho dkk, 2000 ; Kyung-Bin Song dkk, 2005 Beberapa metode berbasis kecerdasan buatan seperti Fuzzy Inference System, Fuzzy Linear Regresion, dan Artificial Neural Network, memang telah banyak diaplikasikan pada peramalan beban listrik dan ternyata hasilnya memuaskan Rani, 2011 Metode SVM yang digabungkan dengan sebuah metode optimasi akan menghasilkan ramalan yang lebih baik dibandingkan SVM biasa maupun metode berbasis kecerdasan buatan lainnya Jirong Gu dkk, 2011) Penelitian tentang penerapan GA-SVM yang terbilang baru adalah peramalan harga rumah yang menyimpulkan bahwa GA-SVM mempunyai performansi tinggi. 4
RUMUSAN MASALAH
Bagaimana meramalkan beban listrik menggunakan Support Vector Machine (SVM)?
Bagaimana meramalkan beban listrik menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)?
Bagaimana perbandingan hasil peramalan dari kedua metode tersebut ?
5
TUJUAN
Meramalkan beban listrik dengan menggunakan Support Vector Machine (SVM)
Meramalkan beban listrik dengan menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)
Membandingkan hasil peramalan dari kedua metode tersebut
6
MANFAAT Sebagai rekomendasi untuk PT PLN (Persero) dalam penentuan metode terbaik yang dapat digunakan untuk meramalkan beban listrik
Sebagai kontribusi untuk penelitian mengenai peramalan kebutuhan listrik
Sebagai aplikasi metode GA-SVM untuk kasus peramalan beban listrik, karena sampai saat ini penelitian tersebut belum pernah dilakukan di Indonesia. Sebagai pengambangan keilmuan yang menggabungkan metode GA dan metode SVM, dimana keduanya dapat menghasilkan solusi global optimum, sehingga gabungan dari keduanya diharapkan dapat menghasilkan solusi global yang sangat optimum.
7
BAB 2 TINJAUAN PUSTAKA
8
PERANAN 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). Peramalan beban listrik pada unit bisnis (UB) PLN di setiap wilayah memiliki peranan sangat penting dalam penyusunan RUPTL. 9
JANGKA WAKTU PERAMALAN Peramalan beban jangka pendek (short-term load forecasting)
Peramalan beban jangka menengah (medium-term load forecasting)
Peramalan beban jangka panjang (long-term load forecasting) 10
DERET WAKTU (TIME SERIES) (1) Peramalan merupakan proses untuk menduga kejadian atau kondisi di masa mendatang yang bertujuan untuk memperkecil resiko kesalahan. (Makridakis, Wheelwright, McGee, 1999) Peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data masa lalu maupun data pada saat ini. (Aswi dan Sukarna, 2006) 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. 11
DERET WAKTU (TIME SERIES) (2) Lebih banyak menuntut analisis yang didasarkan pada pemikiran intuitif, perkiraan logis dan informasi atau pengetahuan yang telah diperoleh peneliti sebelumnya.
METODE PERAMALAN
METODE KUALITATIF METODE KUANTITATIF Membutuhkan informasi masa lalu yang dikuantitatifkan dalam bentuk data numerik. Metode peramalan secara kuantitatif mendasarkan ramalannya pada metode statistika 12 dan matematika. Terdapat dua jenis model peramalan kuantitatif, yaitu model deret waktu dan model regresi.
STASIONERITAS DALAM TIME SERIES (1) Stasioneritas adalah suatu keadaan dimana, terjadi perubahan atau fluktuasi data berada disekitar nilai rata-rata yang konstan, tidak tergantung waktu dan ragam dari fluktuasi tersebut. Time Series data yang digunakan harus memenuhi kestasioneritasan baik dalam mean maupun dalam varians. Apabila tidak stasioner dalam mean, maka dilakukan differencing. (Makridakis, Wheelwright dan McGee, 1999)
13
STASIONERITAS DALAM TIME SERIES (2) Apabila tidak stasioner dalam varians, maka dapat dilakukan Transformasi Box Cox (Wei, 2006).
Nilai (lambda)
Transformasi 1 Zt 1
-1 -0,5
Zt
0
Ln Zt
0,5 1
Zt
Zt
(Tidak ditransformasi)
14
FUNGSI AUTOKORELASI (ACF) Digunakan untuk suatu proses yang stasioner baik dalam mean (dimana, E(Zt)=µ) maupun dalam varians (dimana, Var (Zt) = ), maka untuk menduga model yang sesuai dapat melihat Autocorrelation Function (ACF). Dimana, Zt dipengaruhi oleh serangkaian urutan waktu berdasarkan pada interval tertentu. Oleh karena itu dituliskan korelasi diantara Zt dan Zt+k adalah sebagai berikut.
ρk =
cov(Z t , Z t + k ) var Z t var(Z t + k )
dengan
γ k = cov(Z t , Z t + k ) = E ( Z t − µ )( Z t −k − µ )
15
FUNGSI AUTOKORELASI PARSIAL Selain dengan melihat plot ACF dari data Time Series, pendugaan model dapat dilakukan dengan bersama-sama melihat plot Partial Autocorrelation Function (PACF). Dalam pengamatan time series, sampel PACF dinotasikan dengan dengan perhitungan seperti yang diberikan oleh Durbin yaitu sebagai berikut. k
ˆ φ k +1, k +1 =
ˆ ρ ˆ k +1 − ∑ φ ˆ ρ kj k +1− j j=1 k
ˆ ρ ˆj 1− ∑φ kj j=1
dengan
φˆ k +1, j = φˆ kj − φˆ k +1, k +1 φˆ k , k +1− j
16
SUPPORT VECTOR MACHINE (SVM)
Konsep dasar dari SVM adalah berusaha menemukan fungsi optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda (Vapnik, 1964). 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%.
17
SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (1)
Fungsi SVR adalah
(2.1) Koefisien (wi dan b) diestimasi dengan meminimumkan regularized risk function (2.2) dimana (2.3) dengan C dan ε adalah parameter yang nilainya ditentukan.
18
SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (2)
Persamaan (2.2) ditransformasi
(2.4)
Persamaan Karush-Krun-Tucker diaplikasikan ke dalam regresi sehingga persamaan (2.4) menghasilkan Lagrangian ganda (dual) (2.5)
19
SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (3)
Lagrange multiplier pada persamaan (2.5) memenuhi . Lagrange multiplier dihitung dan suatu bobot vektor yang optimal dari regresi hyperplane adalah (2.6) Sehingga fungsi regresinya adalah (2.7)
20
METODE KERNEL (1)
Dengan Metode Kernel suatu data x pada input space di-mapping ke feature space F dengan dimensi yang lebih tinggi melalui map φ sebagai berikut. φ : x → φ(x) Oleh karena itu, data x pada input space menjadi φ(x) di feature space. Pemilihan fungsi Kernel yang tepat merupakan hal yang sangat penting karena akan menentukan feature space dimana fungsi klasiner akan dicari. Sepanjang fungsi Kernel-nya legilitimate, SVM akan beroperasi secara benar meskipun tidak mengetahui mapping yang digunakan (Sentosa, 2007 ; Robandi, 2008).
21
METODE KERNEL (2) Fungsi yang digunakan untuk metode SVM adalah sebagai berikut. Linier : Polinomial : Radial basis function (RBF) : Tangen hyperbolic (sigmoid) : tanh (β + βi) dimana β,βi R
22
GENETIC ALGORITHM (GA) (1) Genetic Algorithm pada awalnya ditemukan dan dikembangkan oleh John Holland sekitar tahun 1975. Genetic Algorithm digunakan untuk permasalahan pencarian dengan melakukan minimisasi biaya dan probabilitas yang tinggi untuk mendapat solusi global optimum (Holland, 1975). Menurut Haupt dan Haupt (2004), Genetic Algorithm adalah suatu teknik optimasi yang didasarkan pada prinsip genetika dan seleksi alam.
23
GENETIC ALGORITHM (GA) (2) Beberapa keuntungan dari Genetic Algorithm adalah sebagai berikut. Dapat digunakan untuk variabel diskrit maupun kontinyu Pencarian dari sampling yang luas secara serentak Dapat digunakan untuk jumlah variabel yang besar Hasil akhir berupa beberapa variabel yang optimum, tidak hanya satu penyelesaian saja Optimasi dilakukan dengan mengkodekan variabel Dapat digunakan pada data numerik, data eksperimental, atau fungsi analitik
24
GENETIC ALGORITHM (GA) (3) Tujuh komponen penting Genetic Algorithm : 1. Skema Pengkodean Pengkodean yang dimaksud meliputi pengkodean gen dan kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya mewakili satu variabel. 2. Nilai fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati. 3. Seleksi Orang Tua Pemilihan dua buah kromosom sebagai orang tua yang akan dipindahsilangkan dilakukan secara proporsional sesuai dengan nilai fitness-nya. Metode seleksi yang biasa digunakan adalah roulette wheel.25
GENETIC ALGORITHM (GA) (4) 4. Pindah Silang Crossover adalah salah satu komponen paling penting dalam GA. Sebuah kromosom yang mengarah pada solusi yang bagus dapat diperoleh dari proses memindah-silangkan ini. 5. Mutasi Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau lebih gen dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.
26
GENETIC ALGORITHM (GA) (5) 6. Etilisme Suatu individu yang memiliki nilai fitness tertinggi belum pasti akan selalu terpilih. Hal ini disebabkan karena proses penyeleksian dilakukan secara random. Walaupun individu bernilai fitness tertinggi terpilih, namun tidak menutup kemungkinan bahwa individu tersebut rusak karena proses pindah silang. Oleh karena itu perlu dilakukan etilisme, yaitu suatu prosedur pengopian individu agar individu yang memiliki nilat fitness tertinggi tidak hilang selama proses evolusi. 7. Penggantian Populasi Skema penggantian populasi dalam GA dikenal sebagai general replacement, yang berarti semua individu (N individu dalam satu populasi) dari suatu generasi digantikan sekaligus oleh N individu baru hasil pindah silang dan mutasi. Terdapat beberapa prosedur penghapusan individu ini seperti penghapusan individu yang paling tua atau individu yang memiliki nilai fitness paling rendah.
27
BAB 3 METODOLOGI PENELITIAN 28
SUMBER DATA Data yang digunakan dalam penelitian ini adalah data sekunder. Data yang diambil adalah data beban harian tiap 30 menit pada bulan Oktober 2011 dan pada tanggal 1-2 Nopember. Data yang diramal yaitu beban listrik pada tanggal 3-4 Nopember 2011. Data diambil dari PT PLN (Persero) sub unit Penyaluran dan Pusat Pengatur Beban (P3B) Jawa Timur-Bali.
29
VARIABEL PENELITIAN Variabel penelitian yang digunakan hanya data beban listrik harian dengan jumlah data sebanyak 48 data per hari, karena pengaruh temperature dan tingkat ekonomi diabaikan. 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 (yt1, 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. 30
LANGKAH ANALISIS Melakukan pengumpulan data beban listrik tahunan Melakukan analisis ARIMA untuk memperoleh input vaiabel bebas Mengolah data menggunakan algoritma SVM dengan software Matlab 7.0.1. Mengolah data beban listrik menggunakan algoritma GA-SVM dengan software Matlab 7.0.1. Melakukan analisis dan perbandingan hasil ramalan
31
MULAI
Input data
Tentukan parameter Kernel, C Mapping data x ke feature space lewat fungsi Kernel Polynomial
ALGORITMA SVM
Lakukan optimasi variabel Lagrange dengan formula QP untuk mendapatkan beta dan bias
Tidak
Hasil optimal
Ya
Hitung nilai peramalan dengan fungsi regresi SELESAI
32
MULAI Inisialisasi parameter
dan C
Membangkitkan populasi secara random Training SVM
ALGORITMA GA-SVM
Perhitungan nilai fitnress
Fitness memenuhi
Ya
Validasi GA-SVM
Tidak SELESAI Reproduksi Crossover Mutasi Populasi Baru
33
BAB 4 PEMBAHASAN 34
ARIMA untuk menentukan input peramalan beban listrik menggunakan metode SVM dan GA-SVM DATA TRAINING : BEBAN LISTRIK HARIAN PER 30 MENIT OKTOBER 2011 Box-Cox Plot of C1
Time Series Plot of C1
Lower CL
Upper CL Lambda
87,5
4500
(using 95,0% confidence)
85,0
C1
STASIONER DALAM VARIANS ?
3500
StDev
4000
Estimate
0,10
Lower CL Upper CL
-0,34 0,57
Rounded Value
82,5
0,00
80,0
77,5
3000
Limit 75,0 1
149
298
447
596
745 894 Index
1043
1192
1341
-5,0
-2,5
0,0 Lambda
2,5
5,0
35
Time Series Plot of C2 8,5 8,4
C2
DATA YANG DITRANSFORMASI LN
8,3 8,2 8,1 8,0 7,9 1
149
298
447
596
745 Index
894
1043
1192
1341
Autocorrelation Function for Transfformasi Box-Cox (with 5% significance limits for the autocorrelations)
1,0 0,8
BELUM STASIONER TERHADAP MEAN, POLA MUSIMAN HARIAN
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
36
Time Series Plot of Diff 48 0,3
0,2
DIFFERENCING 48
Diff 48
0,1
0,0
-0,1
-0,2 1
149
298
447
596
745 Index
894
1043
1192
1341
Autocorrelation Function for Diff 48
(with 5% significance limits for the autocorrelations) 1,0 0,8
Autocorrelation
0,6 0,4
ACF MASIH TURUN SECARA LAMBAT
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
37
Time Series Plot of Diff 48,1 0,2
0,1
Diff 48,1
DIFFERENCING 1
0,0
-0,1
-0,2 1
Autocorrelation Function for Diff 48,1
298
447
596
745 Index
894
1043
1192
1341
Partial Autocorrelation Function for Diff 48,1
(with 5% significance limits for the autocorrelations)
(with 5% significance limits for the partial autocorrelations)
1,0
1,0
0,8
0,8
0,6
0,6
Partial Autocorrelation
Autocorrelation
149
0,4 0,2 0,0 -0,2 -0,4 -0,6
0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8
-0,8
-1,0
-1,0 1
10
20
30
40 Lag
50
60
70
80
1
10
20
30
40 Lag
50
60
70
80
LAG PACF YANG SIGNIFIKAN : 1, 3, 12, 15, 18, 21, 30, 42, 46, 47, 48
38
PERAMALAN DENGAN SVM MODEL 1. C = 80, d = 0,005
2. C =95, d = 0
39
3. C = 100, d = 0,001
4. C = 110, d = 0,05
5. C = 120, d = 0,01
40
DATA TESTING
Percobaan 1
2
3
4
5
80
95
100
110
120
0,005
0
0,001
0,05
0,01
AIC
10,92512
10,92839
10,92925
10,93071
10,93202
SBC
10,97855
10,98181
10,98268
10,98413
10,98544
RMSE
230,841
231,218
231,318
231,487
231, 638
MAPE
4,9525 %
4,961 %
4,9634 %
4,9671 %
4,9706 %
C
C = 80 dan ε = 0,005, dimana AIC sebesar 10,92512, SBC sebesar 10,97855, RMSE sebesar 230,841, dan MAPE sebesar 4,9525%. 41
Perbandingan Data Aktual dan Ramalan SVM Variable Data Aktual Data Ramalan (SVM)
4600
Beban Listrik (MW)
4400 4200 4000 3800 3600
SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan.
3400
R-Square = 96,617 %
3200 3000 0
20 40 60 80 Waktu dalam 30 Menit selama 24 Jam
100
Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik.
42
DATA RAMALAN Jam
Data Ramalan (MW) 3 Nopember 2011 4 Nopember 2011
12.30
3668.5
3675.5
00.30
3335.7
3419.9
13.00
3731.2
3696.7
01.00
3292.4
3374.9
13.30
3746.3
3696.3
01.30
3278.6
3387.9
14.00
3809.1
3825.5
02.00
3253.8
3356.3
14.30
3909.1
3872.9
02.30
3196.1
3308.5
15.00
3864.6
3894
03.00
3226.1
3290.7
15.30
3879.3
3926.5
03.30
3234
3293.8
16.00
3904.2
3937.7
04.00
3208.5
3243.4
16.30
4002.7
4053.3
04.30
3230.4
3277.8
17.00
4085.3
4050
05.00
3250.5
3272.8
17.30
4113
4102.7
05.30
3252.2
3303.3
18.00
4205.2
4170.4
06.00
3265.1
3309.8
18.30
4228.3
4229
06.30
3267.6
3316.7
19.00
4269.3
4254.7
07.00
3307.2
3282.4
19.30
4245.4
4254
07.30
3352.5
3306.1
20.00
4196.2
4214.5
08.00
3440.5
3382.3
20.30
4129.9
4167.7
08.30
3438.9
3419.2
21.00
4051
4107.2
09.00
3542.1
3437.3
21.30
3991.5
4015.7
09.30
3608
3427.9
22.00
3890.9
3942
10.00
3633.8
3491.6
22.30
3729.9
3816.2
10.30
3732.7
3576.5
23.00
3650.3
3690.1
11.00
3643.8
3534
23.30
3580.8
3644.4
11.30
3680.1
3607
24.00
3502.1
3529.8
12.00
3708.1
3677.9
43
Hasil Ramalan SVM untuk 3 Nopember 2011 dan 4 Nopember 2011 4400
Variable Data Ramalan 3 Nop (SVM) Data Ramalan 4 Nop (SVM)
Beban Listrik (MW)
4200 4000 3800 3600 3400 3200 0
10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam
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. 44
PERAMALAN DENGAN GA-SVM MODEL Range C yang ditetapkan pada GA-SVM adalah 80 – 120, range yang ditetapkan adalah 0 – 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 105 dan = 0,030469.
45
DATA TESTING Range C yang ditetapkan pada GA-SVM adalah 80 – 120, range yang ditetapkan adalah 0 – 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 111,875 dan = 0,043018.
Metode AIC SBC GA-SVM 10,92 10,97
RMSE
MAPE
230,41
4,85%
AIC sebesar 11,29, SBC sebesar 11,34, RMSE sebesar 276,82, dan MAPE sebesar 5,77%. 46
Perbandingan Data Aktual dan Data Ramalan GA-SVM Variable Data Aktual Data Ramalan (GA-SVM)
4600
Beban Listrik (MW)
4400 4200 4000 3800 3600 3400 3200 3000 0
20 40 60 80 100 Waktu dalam 30 Menit selama 24 Jam
GA-SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. R-Square = 97,20 %
Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik. 47
DATA RAMALAN Jam
Data Ramalan (MW) 3 Nopember 2011
4 Nopember 2011
12.30
3669.197
3709.059
00.30
3358.093
3470.844
13.00
3799.634
3753.654
01.00
3310.015
3412.848
13.30
3836.704
3761.369
01.30
3271.229
3407.932
14.00
3878.297
3850.039
02.00
3262.204
3397.27
14.30
3933.631
3877.618
02.30
3228.636
3379.556
15.00
3894.309
3884.182
03.00
3256.045
3360.156
15.30
3876.58
3905.051
03.30
3311.376
3388.279
16.00
3886.238
3922.615
04.00
3316
3382.879
16.30
3969.429
4026.499
04.30
3329.263
3409.685
17.00
4109.71
4111.39
05.00
3328.195
3383.512
17.30
4208.463
4187.616
05.30
3286.306
3356.976
18.00
4312.154
4279.11
06.00
3231.272
3334.045
18.30
4344.225
4336.492
06.30
3232.509
3307.019
19.00
4380.901
4363.215
07.00
3293.485
3329.049
19.30
4356.726
4348.048
07.30
3366.586
3346.084
20.00
4297.358
4309.17
08.00
3500.944
3462.455
20.30
4209.331
4229.328
08.30
3509.121
3507.339
21.00
4109.657
4145.189
09.00
3604.309
3537.622
21.30
3995.482
4017.73
09.30
3673.749
3540.674
22.00
3920.19
3945.004
10.00
3718.172
3539.316
22.30
3766.224
3818.07
10.30
3746.789
3598.268
23.00
3652.53
3684.786
11.00
3687.332
3597.814
23.30
3578.319
3644.918
11.30
3673.624
3566.293
24.00
3539.057
3562.8
12.00
3705.446
3645.831
48
Hasil Ramalan GA-SVM untuk 3 Nopember dan 4 Nopember 2011 4400
V ariable Data Ramalan 3 N op (G A -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
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.
49
PERBANDINGAN SVM C = 80 dan = 0,005 GA-SVM C = 111,875 dan = 0,043018 Metode SVM GA-SVM
AIC 10,93
SBC 10,98
RMSE 230,84
MAPE 4,95%
10,92
10,97
230,41
4,85%
R2 96,62% 97,20%
AIC, SBC, RMSE, MAPE GA-SVM << SVM. R2 GA-SVM >> SVM
GA-SVM LEBIH BAIK DARI SVM 50
Perbandingan Data Aktual, Data Ramalan SVM, dan Data Ramalan GA-SVM Variable Data A k tual Data Ramalan SVM Data Ramalan GA -SVM
4600
Beban Listrik (MW)
4400 4200 4000 3800 3600 3400 3200 3000 0
20 40 60 80 Waktu dalam 30 Menit selama 24 Jam
100
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 dan lebih mendekati data aktual dibandingkan dengan metode SVM. Data Ramalan untuk 3 Nopember 2011 dengan SVM dan GA-SVM 4400
Data Ramalan untuk 4 Nopember 2011 dengan SVM dan GA-SVM 4400
V ariable D ata Ramalan 3 N op (S V M ) D ata Ramalan 3 N op (G A -S V M )
4200
Beban Listrik (MW)
Beban Listrik (MW)
4200
V ariable D ata Ramalan 4 N op (S V M ) D ata Ramalan 4 N op (G A -S V M )
4000 3800 3600 3400
4000 3800 3600
51
3400
3200 0
10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam
3200 0
10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam
BAB 5 KESIMPULAN, SARAN 52
KESIMPULAN (1) Ramalan menggunakan metode SVM menghasilkan R-Sq yang cukup tinggi yaitu 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 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.
53
KESIMPULAN (2) Ramalan menggunakan metode GA-SVM menghasilkan parameter optimum yaitu C = 111,875 dan = 0,043018, R-Sq yang dihasilkan cukup tinggi yaitu 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 GA-SVM 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.
54
KESIMPULAN (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 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. 55
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.
56
DAFTAR PUSTAKA (1) A. Azadeh, R. Tavakkoli-Moghaddam, S. Tarverdian. 2004. Electrical Energi Consumption Estimation by Genetic Algorithm and Analysis of Variance. Research Institute of Energi Management and Planning and Department of Industrial Engineering, Faculty of Engineering, University of Tehran, Iran. Arief H.K, Zuhal, Rinaldy D. 2007. “Long-Term Load Forecasting on the Java-Madura-Bali Electricity System Using Artificial Neural Network Method”. International Conference on Advances in Nuclear Science and Engineering in Conjunction with LKSTN, pp 177-181. Bonadr, R., Sumardi, dan Sudjadi. 2002. Perbandingan Kinerja Algoritma Lms Dan Algoritma Genetik Untuk Filter Adaptif Penghilang Noise. Universitas Diponegoro. Chatterjee, S., Laudat, M., dan Lynch, L.A., 1996. Genetic Algorithms And Their Statistical Applications:An Introduction. Journal Applied Computational Statistic and Data Analysis, 22, 633-651. Cristianini, N. dan Shawe Taylor, J, 2000. An Introduction to Support Vector Machines, Cambrige University Press. Dharma,A., Putu Eka Wahyu I, Imam Robandi. 2006. “Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Menggunakan Artificial Neural Network dan Fuzzy Inference System (ANNFIS) Studi Kasus di Pulau Bali”. Seminar Teknik Elektro Universitas Negeri Surabaya. Djiteng Marsudi. Operasi Sistem Tenaga Listrik. Balai Penerbit & Humas ISTN. Jakarta. 1990. 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. 5023-5028. Gunn, S., 1998, Support Vector Machines for Classification and Regression, Tech.Rep.,Dep.of Electronics and Computer Science, University of Southampton. Herman Darnel Ibrahim. Rencana Usaha Pengusahaan Tenaga Listrik (RUPTL) 2006-2015. Direktorat Transmisi dan Distribusi PT PLN (Persero). Jakarta. 2006. Holland, John H. 1975. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press. J. F. Yang and H. Z. Cheng. 2004. “Application of SVM to power system short- term load forecasting”. Electric Power Automation Equipment, Vol. 24, pp. 30-32.
57
DAFTAR PUSTAKA (2) 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. Kosasih, D., dan Rinaldo, (2006). Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum. Institut Teknologi Bandung. Kurniawan Fitrianto, Agung Nugroho, dan Bambang Winardi. 2005. Prakiraan Kebutuhan Energi Listrik Tahun 2006-2015 pada PT PLN (Persero) Unit Pelayanan Jaringan (UPJ) di Wilayah Kota Semarang dengan Metode Gabungan. Tugas Akhir. UNDIP. Kusumadewi, Sri; Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi Menggunakan Teknik- Teknik 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. Ong, C.S., Huang, J.J., dan Tzeng G.H., 2005. Model identification of ARIMA family using genetic algorithms. Journal Applied Mathematics and Computation, 164, 885-912. 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. Prasetyo Gusti, R.A., Imam Robandi. 2008. Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Dengan Metode Support Vector Machine. Tugas Akhir, ITS. Randy L. Haupt. S. E. Haupt. 2004. Practical genetic Algorithm. New Jersey: John Wiley & Sons, Inc. Santosa, B., 2007, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Teori dan Aplikasi, Graha Ilmu.
58
DAFTAR PUSTAKA (3) 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.
59
TERIMA KASIH
60
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 NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055 Pembimbing : Dr Irhamah S.Si M.Si 61
