Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
199
Pendukung Keputusan Dalam Penanganan Gangguan Jaringan Distribusi Listrik Menggunakan Neural Network Oman Somantri*), Mohammad Khambali**), Dody Herdiana***) * Teknik Informatika, Politeknik Harapan Bersama Tegal ** Teknik Listrik, Politeknik Negeri Semarang *** Teknik Informatika, STMIK Sumedang * E-Mail:
[email protected], **
[email protected], ***
[email protected] Abstrak Ketepatan dalam mengambil sebuah keputusan yang tepat pada suatu keadaan dimana perlu sebuah keputusan yang optimal, menjadi sebuah permasalahan yang terkadang sulit untuk dilakukan. Hampir setiap orang menggunakan intuisi sebagai pola dasar dalam membuat keputusan. Penanganan sebuah gangguan jaringan distribusi listrik harus ditangani dengan optimal, hal ini mungkin akan sangat membahayakan bagi para pekerja dilapangan yang bekerja apabila salah dalam menentukan sebuah keputusan dalam penanganannya. Model Neural Network dengan algoritma backpropagation digunakan sebagai sebuah solusi sebagai pendukung keputusan untuk dapat mengoptimalkan penanganan gangguan jaringan distribusi listrik. Dengan menerapkan Jaringan syaraf tiruan menggunakan algoritma backpropagation ternyata memiliki kemampuan untuk membentuk suatu pola model jaringan terawasi sehingga dapat diterapkan kedalam proses pengambilan sebuah keputusan. Dari hasil yang didapatkan setelah dilakukan penelitian ternyata model yang digunakan sekitar 75 % mengenali data target. Kata kunci: Backpropagation , Gangguan listrik, Neural Network, Pendukung keputusan
1. PENDAHULUAN Dalam Peraturan Pemerintah PP Republik Indonesia No.3 tahun 2005 Pasal 21 tentang keselamatan ketenagalistrikan isinya mengatakan bahwa setiap usaha peyediaan tenaga listrik wajib memenuhi ketentuan mengenai keselamatan ketenagalistrikan yang meliputi standarisasi, pengamanan instalasi tenaga listrik dan pengamanan pemanfaat tenaga listrik, untuk mewujudkankonsidi andaldan aman bagi instalasi dan kondisi akarab lingkungan serta tersertifikasi. Menurut undang-undang Republik Indonesia mengenai ketenagalistrikan bahwa keselamatan ketenagalistrikan adalah segala upaya atau langkah-langkah pengamanan instalasi tenaga listrik dan pengamanan pemanfaat tenaga listrik untuk mewujudkan kondisi andal bagi instalasi dan kondisi aman dari bahaya bagi manusia, serta kondisi akrab lingkungan atau ramah lingkungan di sekitar instalasi tenaga listrik [1].
ISBN: 979-26-0280-1
Terkait dengan keamanan instalasi listrik, sebuah perusahaan besar PT. PLN yang hampir seluruh kegiatannya berkecimpung dalam penyediaan tenaga listrik sangat berkepentingan menerapkan sistem dan peraturan yang telah ditetapkan oleh pemerintah tersebut, mengingat begitu pentingnya tujuan utama diberlakukannya peraturan tersebut bagi perusahaan dan keselamatan para pekerja yang bekerja pada perusahaan. Keselamatan instalasi adalah upaya untuk mewujudkan kondisi andal dan aman bagi instalasi, dengan memberikan perlindungan, pencegahan dan pengamanan terhadap terjadinya gangguan dan kerusakan yang mengakibatkan instalasi tidak dapat berfungsi secara normal dan atau tidak dapat beroperasi [2]. Gangguan dan kerusakan yang mengakibatkan terjadinya gangguan permasalahan distribusi listrik merupakan sebuah kendala yang harus dihadapi oleh setiap perusahaan penyedia energi listrik pada saat menjalankan setiap pengoperasian
200
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
sistem ketenagalistrikan. Ketepatan dalam mendapatkan sebuah jawaban penyebab gangguan distribusi listrik menjadi sebuah prioritas yang harus dilakukan, hal ini mengingat bahwa kesalahan yang dilakukan dalam menyimpulkan penyebab gangguan distribusi serta penanganannya akan mengakibatkan ketidaktepatan dalam mengatasi gangguan sistem yang dihadapi, tidak menutup kemungkinan akan mengakibatkan adanya kesalahan dalam pengerjaan penanganan gangguan yang mengakibatkan adanya kecelakaan kerja. Penelitian dalam menangani gangguan jaringan listrik sebelumnya telah dilakukan oleh E.A. Mohamed (1995) yaitu menerapkan neural network sebagai pendiagnosa kesalahan sistem distribusi energi listrik penyulang feeder yaitu low impedance faults (LIFs) dan High impedance faults (HIFs) [3]. Penelitian lain dilakukan oleh S.R. Samantaray, dkk (2006) mengenai klasifikasi kesalahan jaringan listrik dengan menggunakan HS transform dan Radial Basis Function Neural Network (RBFNN) [4]. Inigo Mondero, dkk (2007) dalam penelitiannya menerapkan neural network untuk mengklasifikasikan gangguan listrik secara real time, pada penelitian ini dibangun sebuah detektor real-time untuk dapat mengklasifikasikan gangguan listrik [5]. Tahun 2012, A.H.A. Bakar, dkk meneliti mengenai studi penerapan aplikasi relay proteksi untuk arus lebih (overcurrent) dan gangguan arus tanah (earth-fault), dari hasil penelitiannya disimpulkan bahwa aplikasi yang dibuat sebagai aplikasi relay proteksi arus lebih dan gangguan arus tanah dapat digunakan dengan baik dalam memproteksi gangguan feeder [6]. Pada penelitian ini optimalisasi dalam penanganan gangguan jaringan distribusi listrik diimplementasikan kedalam sebuah model sistem dengan menerapkan neural network menggunakan algoritma backpropagation dan terfokus pada klasifikasi untuk menentukan apakah penanganan gangguan jaringan distribusi listrik tersebut perlu dilakukan lokalisir atau tidak dilokalisir, sehingga dapat dijadikan sebagai sebuah pendukung keputusan dalam penanganan yang dilakukan menjadi lebih efektif dan efisien serta lebih optimal.
ISBN: 979-26-0280-1
2. TINJAUAN PUSTAKA 2.1 Tinjauan Studi Studi penelitian terkait dengan penanganan gangguan listrik telah dilakukan oleh beberapa peneliti sebelumnya. Penelitian dilakukan oleh Amitava Chatterjee, Madhubanti Maitra dan Swapan Kumar Goswami pada tahun 2009 untuk mengklasifikasikan gangguan overcurrent (arus lebih ) dan inrush current untuk kehandalan sistem menggunakan Slantlet transform dan artificial neural network. Hasil dari penelitian ini memperlihatkan bahwa BPNN (Backpropagation Neural network) dapat meningkatkan performance ST (Slantlet transform) sebagai alat feature extracting pada klasifikasi gangguan listrik feeder [7]. Tahun tahun 2013, J. Zhang, dkk melakukan penelitian menerapkan ANFIS digunakan untuk pendekatan mengklasifikasikan gangguan kesalahan pada sistem distribusi tenaga listrik. Pada penelitian ini ANFIS digunakan untuk mengklasifikasikan 10 tipe kesalahan shortcircuit jaringan listrik yaitu phasa AG, BG,CG,ABG, ACG, BCG, ABC/ABCG, AB, AC dan BC [8]. Penelitian dilakukan oleh Xiangtian Deng, dkk (2015), mengenai penggunaan SVM dalam menanggulangi kesalahan lokasi dalam jaringan distribusi listrik. Pada penelitian ini SVM digunakan untuk mencari letak kesalahan dalam singlephase grounding (SPG) yang terjadi dalam dua topologi jaringan yang berbeda [9]. Berdasarkan pada penelitian yang telah disebutkan, penggunaan model algoritma neural network dilakukan untuk mengklasifikasi sebuah fault kesalahan dalam jaringan distribusi feeder listrik dan terfokus pada gangguan yang terjadi akibat dari gangguan antar phasa jaringan listrik baik itu phasa R, S, T serta G (Ground). Penelitian yang telah disebutkan belum menyentuh kepada klasifikasi sebuah keputusan dari jenis gangguan yang terjadi, seperti dilakukan lokalisir jaringan atau tidak perlu dilakukan dengan mempertimbangkan beberapa variabel yang ada, maka penelitian ini berfokus pada sebuah klasifikasi dalam menentukan sebuah pendukung keputusan dalam melakukan lokalisasi jaringan distribusi listrik dilakukan dan tentunya dengan menerapkan algoritma
201
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
backpropagation neural network sebagai model yang digunakan. 2.2 Tujuan Penelitian Tujuan dari penelitian ini adalah memperoleh sebuah model yang tepat dalam menentukan prediksi klasifikasi sebuah keputusan dalam penanganan gangguan feeder beban listrik sehingga keputusan yang diambil menjadi lebih tepat dan mendapatkan tingkat akurasi prediksi lebih baik. 2.3 Neural Network Neural Network (NN) atau disebut juga dengan Jaringan Saraf Tiruan (JST) merupakan upaya untuk meniru fungsi otak manusia. Otak manusia diyakini terdiri dari jutaan unit pengolahan kecil yang bekerja secara paralel, yang disebut neuron. Neuron saling terhubung satu sama lain melalui koneksi neuron. Setiap individu neuron mengambil input dari satu set neuron. Hal ini kemudian memproses input tersebut dan melewati output untuk satu set neuron. Output dikumpulkan oleh neuron lain untuk diproses lebih lanjut [10]. Algoritma backpropagation adalah sebuah metode yang sistematik untuk pelatihan multilayer jaringan syaraf tiruan. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobotbobotnya dalam arah mundur (backward) [11].
3. METODE PENELITIAN 3.1 Dataset Dataset yang digunakan adalah data gangguan beban feeder distribusi listrik pada perusahaan PT.PLN persero distribusi Jabar dan Banten Gardu Induk sisi 20 KV GI Parakan Kondang Sumedang yang diambil selama 3 bulan yaitu mulai bulan Oktober sampai dengan bulan Desember 2010. Atribut yang digunakan pada penelitian ini diantaranya arus beban keluar, relay kerja, arus gangguan, cuaca, dan action (Tabel 1). Tabel 1. Dataset gangguan feeder
9
OC
Arus ganggua n 1245
12
OC-M
477
Cerah
99 33
GF GF
0 315
Cerah Hujan
A Out
Relay Kerja
ISBN: 979-26-0280-1
Cuac a Hujan
action lokalisi r lokalisi r Close Close
12 12 21 21
OC-M OC-M GF OC-M
408 372 234 432
Cerah Cerah Hujan Cerah
12
OC-M
444
Hujan
15 12
OC-M OC-M
657 489
Cerah Hujan
15
OC-M
658
Cerah
12 3
OC-M OC-M
540 0
Hujan Cerah
12 6
OC-M OC-M
457 535
Cerah Hujan
Close Close Close lokalisi r lokalisi r Close lokalisi r lokalisi r Close lokalisi r Close lokalisi r
Sebelum dimasukan kedalam pemrosesan pada model, dilakukan terlebih dahulu tahapan preprocessing data. Pada tahapan ini dilakukan normaliasi data dimana nilai record data dijadikan nilainya menjadi bilangan 1 dan 0 (Tabel 2). Tabel 2. Ketentuan nilai atribut Atribut A Out Relay Kerja Arus gangguan Cuaca action
Rentang nilai 0 – 15 16 – 100 OC, GF OC M, GF M 0 – 250 251 – 1000 Cerah Hujan Lokalisir Close
Nilai 0 1 0 1 0 1 0 1 0 1
Tabel 3. Dataset hasil preprocessing A Out 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0
Relay Kerja 0 1 0 0 1 1 0 1 1 1 1 1 1 1 1 1
Arus gangguan 1 1 0 1 1 1 0 1 1 1 1 1 1 0 1 1
Cuaca
action
1 0 0 1 0 0 1 0 1 0 1 0 1 0 0 1
0 0 1 1 1 1 1 0 0 1 0 0 1 0 1 0
202
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
3.2 Metode Yang diusulkan Metode yang diusulkan adalah menerapkan neural network algoritma backpropagation sebagai model yang digunakan untuk klasifikasi sebagai pendukung keputusan dalam menentukan tindakan penanganan gangguan penyulang distribusi listrik dan di komparasi hasilnya dengan model lain sehingga menghasilkan model dengan tingkat akurasi data terbaik (Gambar 1).
Negative
(TP) False Positive (FP)
True Negative (TN)
Persamaan perhitungan yang digunakan [12] adalah sebagai berikut : TP TN (1) Accuracy TP FN FP TN
4. HASIL DAN PEMBAHASAN Penelitian yang dilakukan menggunakan komputer dengan spesifikasi processor CPU Intel Core i5 2.67 GHz, RAM 4 GB, serta sistem operasi Windows 7 Professional 32bit. Aplikasi yang digunakan adalah RapidMiner 5.3. Hasil eksperimen yang didapatkan oleh neural network dengan menggunakan metode sampling shuffled. Nilai paramater NN di setting untuk training cycle = 500, learning rate = 0.5, dan momentum 0.9 kemudian dibandingkan hasilnya dengan model lain diantaranya Linear Regresion dan Naive Bayes sebagai evaluasi dari model yang diusulkan. Pada tabel 5 dan gambar 2 diperlihatkan hasil komparasi tingkat akurasi prediksi dari model yang diusulkan yaitu Neural network, Naive Bayes dan linear regression. Dengan menggunakan Shuffled sampling pada tahapan evaluasi, maka didapatkan hasil akurasi ketiga model (Tabel 5). Tabel 5. Perbandingan LR, NB dan NN No Algoritma Akurasi 1 Linear Regression (LR) 40.00% 2 Naïve Bayes (NB) 50.00% 3 Neural Network (NN) 75.00%
Gambar 1. Metode yang diusulkan Pada tahap evaluasi dilakukan dengan memperoleh hasil AUC dan accuracy. Evaluasi terhadap model dilakukan untuk mengukur akurasi dengan confusion matrix (Tabel 4) yang menitik beratkan pada class secara umum, sedangkan AUC menggunakan ROC Curve dan validasi dilakukan dengan menggunakan 10 Fold cross validation. Tabel 4. Confusion Matrix Actual Class
Positive
Predicted Class Positive Negative True False Negative Positive (FN)
ISBN: 979-26-0280-1
Gambar 2. Grafik komparasi LR, NB dn NN
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
5. KESIMPULAN Penelitian dengan menerapkan Neural Network yang diusulkan sebagai pendukung keputusan dalam menentukan penanganan gangguan feeder distribusi listrik telah dilakukan untuk mendapatkan sebuah model yang optimal untuk mendapatkan nilai akurasi yang lebih baik. Dari hasil ekperimen yang telah dilakukan terlihat bahwa Neural network terbukti lebih baik dibandingkan dengan Linear Regression dan Naïve Bayes yaitu dimana neural network menghasilkan tingkat akurasi sebesar 75%. Meskipun model yang telah dihasilkan memberikan hasil yang lebih baik tetapi untuk penelitian selanjutnya sebaiknya jumlah record dataset ditambahkan lebih banyak lagi, sehingga data training yang digunakan dalam proses training dari model yang diusulkan bisa menjadi lebih banyak dan dapat menghasilkan tingkat akurasi prediksi yang lebih baik lagi. Kemudian kedepannya diharapkan adanya upaya untuk optimalisasi peningkatan akurasi.
6. DAFTAR PUSTAKA [1] Republik Indonesia. 2009. UndangUndang No.30 Tahun 2009 tentang Ketenagalistrikan, lembaran negara RI tahun 2000. No.133. Sekretariat negara Jakarta. [2] Erhaneli & Riski, A. “Pengaruh Penambahan Jaringan Terhadap Drop Tegangan pada SUTM 20 KV Feeder Kersik Tuo Rayon Rayon Kersik Tuo Kabupaten Kerincipriyambodo TK”. Jurnal Momentum.Vol.15. No.2. Agustus 2013. [3] Mohamed,E.A and Rao, N.D. “Artificial neural network based fault diagnostic system for electric power distribution feeders”. Electric Power Systems Research 35. (1995). pp.1-10.
ISBN: 979-26-0280-1
203
[4] Samantaray,S.R., Dask, P.K and Panda, G. “Fault classification and location using HS-transform and radial basis function neural network”. Electric Power Systems Research. Vol.76. (2006). pp.897-905. [5] Monedero, Inigo., Leon,C., Ropero,J., Garcia, A., Manuel, J and Montano, J.C. “Classification of electrical disturbances in real time using neural network”. IEEE Transaction on Power Delivery. 2007. [6] Bakar, A.H.A., Mokhlis, H.A., Illias & Chong, P.L. “The study of directional overcurrent relay anda directional earthfault protection application for 33 KV underground cable system in Malaysia”. Electrical Power System and Energy System 40. (2012). pp.113-119. [7] Chatterjee, A., Maitra, M and Goswami, S.K. “Classification of overcurrent and inrush current for power system reliability using Slantlet transform and artificial neural network”. Expert Systems with Applications 36. (2009). pp.2391-2399. [8] Zhang, J., He, Z.Y., Lin,S., Zhang, Y.B and Qian, Q.Q. “An ANFISS-based fault classification approach in power distribution system”. Electrical Power and Energy System 49. (2013). pp.243252. [9] Deng, X., Yuan, R., Xiao, Z., Li, T and Liu Wang, K.L. “Fault location in loop distribution network using SVM technology”. Electrical Power and Energy System 65. (2015). Pp.254-261. [10] Shukla, A., Tiwari, R & Kala, R. Real Life Application of Soft Computing. CRC Press. 2010 [11] Kusrini & Luthfi, E.T. (2009). Algoritma Data Mining. Yogjakarta: Andi [12] Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Verlag Berlin Heidelberg: Springer.
