PERAMALAN BEBAN LISTRIK JANGKA PANJANG PROVINSI D.I. YOGYAKARTA MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION

Peramalan Beban Listrik Jangka Panjang

PERAMALAN BEBAN LISTRIK JANGKA PANJANG PROVINSI D.I. YOGYAKARTA MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION Ricky Ardian Pratama Teknik Elektro, Fakultas Teknik, Universitas Negeri Surabaya e-mail: [email protected]

Dr. Lilik Anifah, S.T., M.T Teknik Elektro, Fakultas Teknik, Universitas Negeri Surabaya e-mail: [email protected]

Abstrak Peramalan merupakan upaya memprediksikan apa yang terjadi di masa mendatang dengan berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kuantitatif yang dilakukan secara sistematis. Penelitian ini mengkaji tentang Neural Network dengan algoritma Backpropagation untuk peramalan beban listrik jangka panjang Provinsi Yogyakarta. Tujuan penelitian ini adalah untuk mencari hasil peramalan beban listrik jangka panjang pada Provinsi Yogyakarta dan membandingkan hasil peramalan neural network backpropagation dengan hasil peramalan pada RUPTL PLN Tahun 2015-2024. Melalui perhitungan dan hasil simulasi peramalan beban listrik jangka panjang Provinsi Yogyakarta pada tahun 2015 hingga 2024 tidak berbeda jauh dengan peramalan Rencana Usaha Penyedia Tenaga Listrik (RUPTL) dengan rata-rata pertumbuhan beban listrik setiap satuan PLN/Provinsi pertahun sebesar 8,1007%. Komparasi hasil peramalan beban listrik menggunakan neural network backpropagation dengan hasil peramalan beban listrik oleh RUPTL PT. PLN 2015-2024 menghasilkan rata-rata persentase perbedaan data sebesar 9,8820%. Rata-rata persentase perbedaan data yang menghasilkan nilai positif(+) menunjukkan peramalan neural network backpropagation lebih tinggi dibandingkan dengan RUPTL PT. PLN 2015-2024. Kata Kunci: Neural Network Backpropagation, Peramalan, Beban Listrik

Abstract Forecasting is an attempt to predict what happens in the future on the basis of data in the past, based on the scientific method and qualitative systematic. This study examines the Backpropagation Neural Network algorithm for long-term load forecasting. The purpose of this study is to find the results of each unit load forecasting electricity of Province Yogyakarta and compares the results with the forecasting results in RUPTL PLN Year 2015-2024. Through calculation and simulation results of long-term power load forecasting of Province Yogyakarta in 2015 to 2024 was not much different from forecasting the Electricity Business Plan Provider (RUPTL) with average growth in electrical load of Province Yogyakarta annually at 8,1007 %. Comparison of the results of the electrical load forecasting using a back propagation neural network with electricity load forecasting results by RUPTL PT. PLN 2015-2024 resulted in an average percentage difference in the data of 9,8820%. The average percentage difference data to produce a positive value (+) indicates backpropagation neural network forecasting higher than RUPTL PT. PLN 2015-2024. Keywords: Neural Network Backpropagation, Forecasting, Load

Jika besar konsumsi listrik tidak diperkirakan maka dapat mempengaruhi kesiapan dari unit pembangkit untuk menyediakan pasokan energi listrik kepada konsumen. Ketidakseimbangan daya listrik antara sisi supply dan sisi demand dapat mengakibatkan kerugian. Pada sisi pembangkit dapat terjadi pemborosan apabila daya yang dibangkitkan lebih besar daripada konsumsi listrik. Pada sisi konsumen dapat terjadi pemadaman apabila daya yang dibangkitkan lebih kecil dari kebutuhan listrik konsumen. Oleh karena itu, yang dapat

PENDAHULUAN Tenaga listrik merupakan kebutuhan pokok bagi kehidupan masyarakat. Tenaga listrik digunakan oleh beberapa sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Besar konsumsi listrik pada suatu rentang waktu tidak dapat dihitung secara pasti. Ketidakpastian itu apabila tidak kita perkirakan akan menjadi masalah, karena kebutuhan listrik semakin bertambah tetapi penyediaan listrik kurang (Handoko, 2009).

37

Jurnal Teknik Elektro. Volume 05 Nomor 03 Tahun 2016, 0 - 47

dilakukan adalah meramalkan besar konsumsi listrik (Handoko, 2009). Peramalan (forecasting) merupakan proses untuk memperkirakan kejadian/hal pada masa yang akan datang. Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang dilingkupinya. Peramalan jangka pendek meliputi jangka waktu hingga satu tahun, tetapi umumnya kurang dari tiga bulan. Peramalan jangka menengah atau intermediate umumnya mencakup hitungan bulan hingga tiga tahun. Peramalan jangka panjang umumnya untuk perencanaan masa tiga tahun atau lebih (Heizer dan Render, 2009). Di bidang tenaga listrik, peramalan biasanya berupa peramalan beban (load forecasting) meliputi peramalan beban puncak (MW) dan peramalan kebutuhan energi listrik (demand forecasting) (MWh). Peramalan berdasarkan rentang waktu dapat dikategorikan menjadi tiga: jangka pendek, jangka menengah dan jangka panjang (Hamidie, 2009). Peramalan Beban Tenaga Listrik (Electric Power Load Forecasting) adalah proses penting dalam perencanaan industri listrik dan pengoperasian sistem tenaga listrik. Perkiraan akurat mengakibatkan penghematan substansial dalam biaya operasi dan pemeliharaan, peningkatan kehandalan pasokan listrik dan sistem pengiriman, dan keputusan yang benar untuk pembangunan masa depan (Minaye dan Matewose, 2013). Peramalan jangka panjang berawal dari hitungan tahun sampai puluhan tahun. Peramalan memiliki peran penting dalam konteks pembangkitan, transmisi dan perencanaan jaringan distribusi di sistem tenaga. Tujuan utama dari perencanaan sistem tenaga adalah untuk menentukan ekspansi ekonomi dari peralatan dan fasilitas untuk memenuhi kebutuhan listrik masa depan pelanggan dengan tingkat yang dapat diterima keandalan dan kualitas daya (Minaye dan Matewose, 2013). Metoda peramalan untuk kebutuhan tenaga listrik saat sekarang ini telah berkembang dengan pesat. Sistem cerdas (artificial intelligence) merupakan suatu sistem yang paling banyak diaplikasikan oleh para pakar untuk memperkirakan atau meramal kebutuhan tenaga listrik untuk masa yang akan datang (Putra, 2011). Neural Network merupakan salah satu sistem cerdas yang dapat digunakan dalam peramalan tersebut. Jaringan saraf tiruan dapat dipakai untuk meramalkan apa yang terjadi di masa depan berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat dilakukan karena kemampuan jaringan saraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya (Yahya, 2012). Neural network atau jaringan syaraf tiruan (JST) adalah algoritma penyelesaian masalah komputasi yang prinsip kerjanya menirukan jaringan syaraf manusia.

Salah satu jenis dari metode JST yaitu Backpropagation. Metode ini dipilih karena saat output tidak sama dengan target yang diharapkan maka output akan disebarkan mundur (backward) pada hidden layer untuk diteruskan ke unit pada input layer, sehingga akan ada umpan balik untuk memvalidasi hasil keluaran JST (Setiabudi, 2015). Selain itu, metode JST backpropagation dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting) (Jong Jek Siang, 2009). Dalam penelitian ini, metode neural network backpropagation yang akan digunakan untuk meramal beban tenaga listrik. Peramalan dilakukan untuk menghitung total beban per tahun setiap provinsi di Indonesia. Data yang digunakan dalam penelitian ini adalah data yang ada pada Rencana Usaha Penyediaan Tenaga Listrik (RUPTL) PT. PLN (PERSERO) dan Statistik PT. PLN (PERSERO). KAJIAN PUSTAKA Peramalan Beban Peramalan (forecasting) merupakan proses untuk memperkirakan kejadian/hal pada masa yang akan datang. Peramalan juga merupakan seni dan ilmu memprediksi peristiwa-peristiwa masa depan. Peramalan memerlukan pengambilan data historis dan memproyeksikannnya ke masa depan dengan beberapa model matematis (Heizer dan Render, 2009). Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang dilingkupinya. Horizon waktu terbagi menjadi beberapa kategori (Heizer dan Render, 2009). a. Peramalan jangka pendek. Peramalan ini meliputi jangka waktu hingga satu tahun, tetapi umumnya kurang dari tiga bulan. b. Peramalan jangka menengah. Peramalan jangka menengah atau intermediate umumnya mencakup hitungan bulan hingga tiga tahun. c. Peramalan jangka panjang. Umumnya untuk perencanaan masa tiga tahun atau lebih. Beban listrik adalah sesuatu yang harus "dipikul" oleh pembangkit listrik. Dalam aplikasi sehari-hari dapat digambarkan bahwa beban listrik adalah peralatan yang mengunakan daya listrik agar bisa berfungsi. Contoh beban listrik dalam rumah tangga diantaranya televisi, lampu penerangan, setrika, mesin cuci, lemari es dan lain-lain. Peramalan beban listrik adalah penerapan dari ilmu peramalan yang diaplikasikan untuk memprediksikan perubahan beban listrik yang diminta konsumen. Di bidang tenaga listrik, peramalan biasanya berupa peramalan beban (load forecasting) meliputi peramalan beban puncak (MW) dan peramalan


kebutuhan energi listrik (demand forecasting) (MWh). Peramalan berdasarkan rentang waktu dapat dikategorikan menjadi tiga: jangka pendek, jangka menengah dan jangka panjang (Hamidie, 2009). Hasil peramalan ini dipergunakan untuk membuat rencana pemenuham kebutuhan maupun pengembangan penyediaan tenaga elektrik setiap saat secara cukup dan baik serta terus menerus. Peramalan permintaan merupakan studi penting untuk setiap industri yang terlibat dalam produksi barang atau jasa. Dalam industri tenaga listrik, beban peramalan memainkan peran penting dalam sistem perencanaan dan operasi yang efektif dari sistem tenaga. Tren peramalan masa depan permintaan listrik penting untuk perencanaan jaringan, pembangunan infrastruktur, ekonomic dispatch, penjadwalan bahan bakar dan satuan pemeliharaan (Alawode dan Oyedeji, 2013). Peramalan beban jangka panjang dari sistem tenaga didasarkan pada peramalan tahunan dan triwulanan. signifikansi adalah untuk membantu menentukan instalasi baru unit pembangkit (termasuk kapasitas ukuran, jenis, lokasi dan waktu) dan perencanaan jaringan, peningkatan kapasitas dan konversi. Jadi peramalan beban jangka panjang dari sistem tenaga merupakan tugas penting dari sektor perencanaan listrik (Ke Zhao, 2012). Secara umum, beban listrik yang dilayani oleh sistem distribusi listrik dibagi dalam beberapa sektor, yaitu sektor perumahan, sektor industri, sektor komersial, dan sektor publik atau umum. Masing – masing sektor mempunyai karakteristik yang berbeda. Peramalan beban listrik jangka panjang adalah untuk jangka waktu di atas satu tahun. Ramalan dalam bidang tenaga listrik pada dasarnya merupakan ramalan kebutuhan energi listrik (watt jam) dan ramalan beban tenaga listrik (watt). Keduanya disebut dengan istilah load (demand) forecasting. Hasil peramalan ini nantinya akan digunakan untuk membuat rencana pemenuhan kebutuhan maupun pengembangan dalam penyediaan energi listrik setiap saat secara baik dan kontinyu untuk beberapa tahun kedepan (Setiabudi, 2015).

dasar antara beban dan berbagai faktor variabel yang mempengaruhi mereka. Maka sistem jaringan saraf dilatih dengan input data (fungsi beban masa lalu, cuaca, jam, beban baru-baru ini, tren dalam cuaca yang akan datang). Berdasarkan pengamatan yang tersedia, jaringan saraf yang terlatih dengan baik dapat memprediksi data yang dibutuhkan. Dengan demikian, berdasarkan pelatihan yang baik konvergensi menjadi sangat kecil untuk peramalan beban akurat. Keuntungan utama adalah bahwa ia memiliki respon yang cepat terhadap penyimpangan antara beban yang sebenarnya dan yang diprediksi (Sruthi dan Catherine, 2015) JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, denga asumsi bahwa: a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). b. Sinyal dikirm diantara neuron-neuron melalui penghubung-penghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. JST ditentukan 3 hal: a. Pola hubungan antar neuron (disebut arsitektur jaringan) b. Metode untuk menentukan bobot penghubung (disebut metode training/learning/algoritma) c. Fungsi aktivasi Kelemahan JST yang terdiri dari layar tunggal membuat perkembangan JST menjadi terhenti pada sekitar tahun 1970-an. Penemuan backpropagation yang terdiri dari beberapa layar membuka kembali cakrawala. Terlebih setelah berhasil ditemukan berbagai aplikasi yang dapat diselesaikan dengan backpropagation, membuat JST semakin diminati orang. JST dengan layar tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini dapat ditanggulangi dengan menambahkan satu/beberapa layar tersembunyi diantara layar masukan dan keluaran. Meskipun penggunaan lebih dari satu layar tersembunyi memiliki kelebihan manfaat untuk beberapa kasus, tapi pelatihannya memerlukan waktu yang lama. Maka umumnya orang mulai mencoba dengan sebuah layar tersembunyi lebih dahulu. Seperti halnya model JST lain, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola

Jaringan Syaraf Tiruan Backpropagation (Neural Network Backpropagation) Neural Network atau yang biasa disebut dengan Jaringan Syaraf Tiruan (JST) atau adalah suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi. Ide dasarnya adalah mengadopsi cara kerja otak manusia yang memiliki ciri – ciri pararel processing, processing element dalam jumlah besar dan fault tolerance (Setiabudi, 2015). Sebuah fitur penting dari Artificial Neural Network (ANN) adalah kemampuan untuk epeajari data yang kompleks. Untuk beban peramalan, pertama hubungan 39


masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah niai bobot-bobotnya dalah arah mundur (backward). Untuk mendapatkan error ini , tahap perambatan maju (forward propagation) harus dierjakan terlebih dahulu (Kusumadewi, 2004). Secara garis besar, mengapa algoritma ini disebut sebagai propagasi balik, karena ketika JST diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapis tersembunyi untuk diteruskan ke unit-unit lapis keluaran. Kemudian unitunit lapis keluaran memberikan tanggapan yang disebut sebagai keluaran JST. Saat keluaran JST tidak sama dengan keluaran yang diharapkan maka keluaran akan disebarkan mundur (backward) pada lapis tersembunyi diteruskan ke unit pada lapis masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation (propagasi balik) (Purnomo dan Kurniawan, 2006). Tahap pelatihan ini merupakan langkah untuk melatih suatu JST, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapis yang membentuk JST melalui masing-masing unitnya). Sedangkan penyelesaian masalah, akan dilakukan jika proses peltihan tersebut telah selesai, fase ini disebut sebagai fase mapping atau proses pengujian/testing (Purnomo dan Kurniawan, 2006). Arsitektur Backpropagation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi (hidden layer). Gambar 2.1 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m unit keluaran. Vji merupakan bobot garis dari unit masukan xi ke unit layar tersembnyi zj (vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi zj). Wkj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran yk (wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran zk).

Gambar 1. Arsitektur Backpropagation Fungsi Aktivasi Backpropagation Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0, 1). f(x) =

.................................................................(1)

dengan turunan f’(x) = f (x) ( 1 – f (x)) ...................................................(2) Grafik fungsinya tampak pada gambar 2

Gambar 2. Grafik Fungsi Sigmoid Biner Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1, 1). f(x) =

− 1 ..........................................................(3)

dengan turunan f ’(x) =

( )

( )

.............................................(4)

Grafik fungsinya tampak pada gambar 3

Gambar 3. Grafik Fungsi Sigmoid Bipolar


Fungsi sigmoid memiliki nilai maksimum =1. Maka untuk pola yang targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang bukanlayar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas: f(x) = x.

yang berhubungan langsung dengan unit masukan dihitung. 3) Fase III : Perubahan Bobot Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan

Pelatihan Standar Backpropagation Pelatihan Backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yaditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. 1) Fase I : Propagasi Maju Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= zj) tersebut selanjutnya dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan fungsi lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (= yk). Berikutnya, keluaran jaringan (=yk) dibandingkan dengan target yang harus tercapai (= tk). Selisih tk–yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi. 2) Fase II : Propagasi Mundur Berdasarkan kesalahan tk – yk, dihitung faktor δk (k = 1, 2, ... , m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersebut yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj di setiap unit di layar tersembunyi sebagai dasar perubahan obot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hinga semua faktor δ di unit tersembunyi

METODE PENELITIAN Penelitian ini mengembangkan model peramalan beban listrik jangka panjang pada setiap satuan PLN/Provinsi di Indonesia. Tahapan perancangan penelitian secara garis besar di jelaskan dalam gambar 4. Mulai Studi Literatur Pengambilan Data Analisis Data Desain Sistem Konfigurasi Neural Network Training Testing Produk

Selesai

Gambar 4. Flowchart Metode Penelitian Gambar 4 merupakan suatu flowchart yang menjelaskan metode penelitian pada peramalan beban listrik jangka panjang. Penjelasan dari flowchart adalah sebagai berikut: 1. Mulai Membuat proposal penelitian 2. Studi Literatur Mencari referensi melalui buku dan jurnal penelitian 3. Pengambilan Data Data didapatkan dari:

41


4.

5.

6.

7.

8.

a) RUPTL PT. PLN tahun 2009-2018, 2010-2019, 2011-2020, 2013-2022 dan 2015-2024 b) Statistik PT.PLN tahun 2009, 2010, 2011, 2012, 2013 dan 2014 Analisis Data Menganalisis data yang akan di gunakan untuk peramalan beban. a) Data beban listrik tahunan dengan satuan TWh b) Data persentase (%) energi terjual di setiap satuan PLN/provinsi. c) Data beban listrik dan data persentase energi terjual di setiap satuan PLN/provinsi yang akan digunakan merupakan data historis. d) Data akan dibagi menjadi dua bagian, yaitu data pelatihan (training) dan data pengujian (testing). e) Data yang akan diramal ada dua, yaitu data beban listrik seluruh Indonesia dan data persentase energi terjual di setiap satuan PLN/provinsi Desain Sistem a) Perancangan flowchart metode penelitian b) Perancangan flowchart training neural network c) Perancangan flowchart testing neural network Konfigurasi Neural Network a) Membangun jaringan neural network backpropagation menggunakan bantuan software. b) Inialisasi awal jaingan neural network backpropagation menggunakan bantuan software. Training Tujuan dari pelatihan (training) adalah untuk melakukan proses pembelajaran dengan backpropagation untuk menentukan nilai bobot baru. Data input dan data output dilatih untuk mendapatkan suatu nilai bobot baru. Parameter yang diperhatikan dalam inisialisasi jaringan pada jaringan adalah: a) Maksimum error b) Toleransi error c) Menentukan fungsi aktivasi d) Menentukan iterasi (epoch) e) Menentukan hidden layer dan output layer f) Menentukan fungsi pelatihan jaringan g) Menentukan learning rate Semua tahapan pelatihan (training) ini akan dilakukan berulang-ulang untuk mendapatkan bobot terbaik dengan error terkecil. Bobot terbaik tersebut akan digunakan untuk melakukan pengujian (testing). Testing Proses pengujian (testing) adalah proses melakukan tes pembelajaran dengan menggunakan bobot terlatih untuk melakukan peramalan. Dalam proses pengujian ada dua data yang diuji, yaitu data beban listrik seluruh Indonesia dan data persentase energi terjual di setiap satuan PLN/Provinsi.

9. Produk Produk penelitan ini adalah data peramalan beban listrik setiap satuan PLN/Provinsi di Indonesia untuk tahun 2015 hingga tahun 2024. Peramalan beban listrik setiap satuan PLN/Provinsi didapatkan dari peramalan beban listrik seluruh Indonesia dan dikalikan dengan data peramalan persentase konsumsi energi listrik setiap satuan PLN/Provinsi. Lalu produk akan dibandingkan dengan peramalan beban yang ada pada RUPTL PLN 2015-2024. Peramalan Beban Listrik Indonesia (TWh)

Peramalan Persentase Energi Terjual Setiap Satuan PLN/Provinsi (%)

Peramalan Beban Listrik Setiap Satuan PLN/Provinsi (TWh)

Gambar 5 Skema Pencarian Hasil Peramalan Gambar 5 merupakan suatu flowchart yang menjelaskan skema pencarian hasil peramalan. Hasil peramalan beban listrik Indonesia akan dikalikan dengan hasil peramalan persentase energi terjual setiap satuan PLN/provinsi untuk menghasilkan peramalan beban listrik setiap satuan PLN/provinsi. 10. Selesai Melakukan cetak hasil HASIL DAN PEMBAHASAN Peramalan Beban Listrik Indonesia Tabel 1 merupakan inialisasi yang digunakan dalam peramalan beban listrik Indonesia. Inialisasi ini digunakan dalam proses training neural network backpropagation peramalan beban listrik Indonesia. Tabel 1. Arsitektur Jaringan Peramalan Beban Listrik Indonesia Arsitektur Jaringan Neural Network Peramalan Beban Listrik Indonesia Jumlah Layer Neuron Layer ke-1 Neuron Layer ke-2 Fungsi Layer ke-1 Fungsi Layer ke-2 Fungsi Pelatihan Maksimum Epoch Target Error (MSE) Learning Rate Momentum

:2 :5 :1 : tansig : purelin : traingdx : 500 : 0,001 : 0,01 : 0,08


peramalan beban listrik Indonesia, apakah baik (sesuai target) atau tidak (tidak mencapai target). MSE mencapai target error pada epoch 260 dengan MSE 0,00096175.

Gambar 6. Training Neural Network Backpropagation Peramalan Beban Listrik Indonesia

Gambar 8. Plot Training State Peramalan Beban Listrik Indonesia

Gambar 6 merupakan tampilan utama proses training pada program neural network backpropagation peramalan beban listrik Indonesia. Gambar 6 menunjukkan arsitektur jaringan dan konfigurasi yang digunakan dalam proses training program neural network backpropagation dalam peramalan beban listrik Indonesia. Dalam gambar tersebut juga menunjukkan hasil training dengan performance 0,000962. Hasil training telah mencapai target error yaitu sebesar 0,001. Target error telah tercapai dalam 260 iterasi dengan waktu 7 detik.

Gambar 8 merupakan tampilan grafik perubahan gradient, jumlah validation checks dan perubahan learning rate pada proses training pada program neural network backpropagation peramalan beban listrik Indonesia. Grafik terhenti pada epoch 260 karena pada epoch 260 target error proses training telah tercapai. Gradient 0,017157 pada epoch 260, validation checks 0 pada epoch 260 dan learning rate 0,30019 pada epoch 260. Valiation check menunjukkan nilai 0, menunjukkan bahwa tidak ada kesalahan pada proses training dan semua data dapat dilatih dengan baik oleh neural network backpropagation.

Gambar 7. Plot Performance Training Peramalan Beban Listrik Indonesia Gambar 9. Plot Regression Training Peramalan Beban Listrik Indonesia

Gambar 7 merupakan tampilan grafik performa proses training pada program neural network backpropagation peramalan beban listrik Indonesia. Dalam gambar 7 menunjukkan penurunan MSE (Mean Squared Error). MSE digunakan sebagai acuan performa training program neural network backpropagation dalam

Gambar 9 merupakan tampilan grafik regresi proses training pada program neural network backpropagation peramalan beban listrik Indonesia. Dalam gambar 9 menunjukkan hubungan output pada proses training

43


dengan target. Pada gambar 9 terlihat bahwa perbedaan output dengan target sangat kecil. Tingkat keakuratan ouput dengan target ditunjukkan dengan nilai R yang sebesar 0,99891. Nilai R yang hampir mencapai nilai 1 menunjukkan bahwa proses training berjalan dengan sangat baik, dengan nilai error sebesar 0,00109.

Gambar 10. Plot Hasil Pengujian (Testing) Peramalan Beban Listrik Indonesia Gambar 10 merupakan tampilan grafik hasil proses pengujian (testing) pada program neural network backpropagation peramalan beban listrik Indonesia. Dalam gambar 10 menunjukkan hubungan output pada proses testing dengan target. Pada gambar 10 terlihat bahwa perbedaan output dengan target sangat kecil. Hasil pengujian tidak jauh berbeda dengan target. Perbedaan besar terlihat pada data ke-6 hingga ke-9.

Peramalan Persentase Energi Terjual Provinsi D.I. Yogyakarta Tabel 3. Arsitektur Jaringan Peramalan Persentase Energi Terjual Provinsi D.I. Yogyakarta Arsitektur Jaringan Neural Network Peramalan Persentase Energi Terjual D.I Yogyakarta Jumlah Layer :2 Neuron Layer ke-1 :5 Neuron Layer ke-2 :1 Fungsi Layer ke-1 : tansig Fungsi Layer ke-2 : purelin Fungsi Pelatihan : traingdx Maksimum Epoch : 500 Target Error (MSE) : 0,001 Learning Rate : 0,01 Momentum : 0,5 Tabel 3 merupakan inialisasi yang digunakan dalam peramalan beban listrik Indonesia. Inialisasi ini digunakan dalam proses training neural network backpropagation peramalan persentase penjualan energi listrik Provinsi D.I. Yogyakarta.

Tabel 2. Hasil Peramalan Beban Listrik Indonesia Tahun 2015 2016 2017

Hasil Peramalan Beban Listrik Indonesia (TWh) 222,3940

MSE

237,7107 257,6654

2018 2019

279,1297 313,0650

2020 2021

353,6494 386,2575

2022

417,4053

2023 2024

445,2303 464,0250

0,00096175

Tabel 2 merupakan tabel hasil peramalan beban listrik Indonesia dari tahun 2015 hingga tahun 2024 dengan menggunakan metode neural network backpropagation. Peramalan beban listrik Indonesia ini menghasilkan nilai MSE (Mean Squared Error) sebesar 0,00096175.

Gambar 11. Training Neural Network Backpropagation Peramalan Persentase Energi Terjual Provinsi D.I. Yogyakarta Gambar 11 merupakan tampilan utama proses training pada program neural network backpropagation peramalan persentase energi terjual Provinsi D.I. Yogyakarta. Dalam gambar 11 menunjukkan hasil training dengan performance 0,000698. Hasil training telah mencapai target error yaitu sebesar 0,001. Target error telah tercapai dalam 45 iterasi dengan waktu 1 detik.


Gambar 14. Plot Regression Training Peramalan Persentase Energi Terjual Provinsi D.I. Yogyakarta

Gambar 12. Plot Performance Training Peramalan Persentase Energi Terjual Provinsi D.I. Yogyakarta

Gambar 14 merupakan tampilan grafik regresi proses training pada program neural network backpropagation peramalan persentase energi terjual Provinsi D.I. Yogyakarta. Pada gambar 14 terlihat bahwa perbedaan output dengan target sangat kecil. Tingkat keakuratan ouput dengan target ditunjukkan dengan nilai R yang sebesar 0,99997. Nilai R yang hampir mencapai nilai 1 menunjukkan bahwa proses training berjalan dengan sangat baik, dengan nilai error sebesar 0,00003.

Gambar 12 merupakan tampilan grafik performa proses training pada program neural network backpropagation peramalan persentase energi terjual D.I. Yogyakarta. Dalam gambar 12 menunjukkan penurunan MSE (Mean Squared Error). MSE digunakan sebagai acuan performa training program neural network backpropagation dalam peramalan, apakah baik (sesuai target) atau tidak (tidak mencapai target). MSE mencapai target error pada epoch 45 dengan MSE 0,00069802.

Gambar 13. Plot Training State Peramalan Persentase Energi Terjual Provinsi D.I. Yogyakarta

Gambar 15. Plot Hasil Pengujian (Testing) Peramalan Persentase Energi Provinsi D.I. Yogyakarta

Gambar 13 merupakan tampilan grafik perubahan gradient, jumlah validation checks dan perubahan learning rate pada proses training pada program neural network backpropagation peramalan persentase energi terjual Provinsi D.I. Yogyakarta. Grafik terhenti pada epoch 45 karena pada epoch 45 target error proses training telah tercapai. Gradient 0,05497, validation checks 0 dan learning rate 0,08985 pada epoch 45.

Gambar 15 merupakan tampilan grafik hasil proses pengujian (testing) pada program neural network backpropagation peramalan persentase energi terjual Provinsi D.I. Yogyakarta. Dalam gambar 15 menunjukkan hubungan output pada proses testing dengan target.

45


Tabel 4. Hasil Peramalan Persentase Energi Terjual Provinsi D.I. Yogyakarta Tahun 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

Hasil Peramalan Persentase Penjualan Energi Listrik Provinsi D.I. Yogyakarta (TWh) 1,1915 1,1879 1,1595 1,1889 1,1783 1,1595 1,1879 1,1786 1,1707 1,1919

MSE

0,00069802

Tabel 4 merupakan tabel hasil peramalan persentase energi terjual Provinsi D.I. Yogyakarta dari tahun 2015 hingga tahun 2024 dengan menggunakan metode neural network backpropagation. Peramalan ini menghasilkan nilai MSE (Mean Squared Error) sebesar 0,00069802. Peramalan Beban Listrik Provinsi D.I. Yogyakarta Setelah didapatkan hasil peramalan beban listrik Indonesia dan peramalan persentase energi terjual Provinsi D.I. Yogyakarta, langkah selanjutnya adalah mencari peramalan beban listrik Provinsi D.I. Yogyakarta.

Tabel 6. Hasil Perbandingan Peramalan Beban LIstrik Provinsi D.I.Yogyakarta RUPTL Neural Perbedaan Ratarata Thn PLN Network Data (TWh) (TWh) (%) (%) 3,836 2015 2,552 2,649862 3,247 2016 2,735 2,823757 1,650 2017 2,939 2,987506 2018 2019

3,161 3,400

3,318481 3,688984

4,983 8,500

2020

3,651

4,100394

2021 2022

3,918 4,203

4,588339 4,919639

12,309 17,108

2023 2024

4,507 4,831

5,212470 5,530744

9,882

17,050 15,653 14,484

Tabel 6 merupakan perbandingan peramalan beban listrik pada Provinsi D.I Yogyakarta dari mulai tahun 2015 hingga tahun 2024. Perbedaan data terendah antara NN dengan RUPTL terjadi pada tahun 2017 sebesar 0,0485TWh atau sebesar 1,6502% dari RUPTL. Perbedaan data tertinggi antara NN dengan RUPTL terjadi pada tahun 2022 sebesar 0,7166TWh atau sebesar 17,0497% dari RUPTL. Rata-rata perbedaan data peramalan NN dengan data peramalan RUPTL sebesar 9,8820%. Hasil peramalan NN rata-rata lebih tinggi dibandingkan dengan RUPTL karena perbedaan data menghasilkan nilai positif(+).

Tabel 5. Hasil Peramalan Beban LIstrik Provinsi D.I. Yogyakarta

2015 2016

2,6498617 2,823757

10,5761 6,1583

2017 2018

2,9875055 3,3184809

5,4811 9,9737

2019

3,6889835

2020 2021

4,1003938 4,5883393

10,0435 10,0334

2022 2023 2024

Rata-Rata Kelajuan Data (%)

8,1007

Perbandingan Peramalan Provinsi D.I Yogyakarta 6 5 4 3 NN

2 1 0

10,6345

2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

Kelajuan Data (%)

Energi Terjual (TWh)

Tahun

Hasil Peramalan Beban Listrik (TWh)

4,9196392 5,2124696

6,7342 5,6179

Tahun

5,5307441

5,7546

Tabel 5 merupakan tabel hasil peramalan beban listrik Provinsi D.I. Yogyakarta dari tahun 2015 hingga tahun 2024 dengan menggunakan metode neural network backpropagation. Dengan rata-rata kelajuan data sebesar 8,1007 % tiap tahun.

RUPTL 20152024

Gambar 16. Skema Pencarian Hasil Peramalan Gambar 16 merupakan grafik perbandingan peramalan Provinsi D.I Yogyakarta. Data pada grafik berasal dari tabel 6. Grafik berwarna biru merupakan hasil peramalan NN dan grafik berwarna merah merupakan hasil peramalan RUPTL. Grafik NN lebih


Heizer, Jay dan Render, Barry. 2009. Manajemen Operasi. Edisi 9. Terjemahan Chriswan Sungkono. Jakarta: Salemba Empat. Jong Jek Siang. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB. Yogyakarta: ANDI. Ke Zhao, dkk. 2012. “Application of Combination Forecast Model in The Medium and Long term Power Forecast”. International Journal of Computer Science Issues (IJCSI). Vol. 9. No.3. Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK. Yoyakarta: Graha Ilmu. Minaye, Emiyamrew dan Matewose, Melaku. 2013. “Long Term Load Forecasting of Jimma Town for Sustainble Energy Supply”. International Journal of Science and Research (IJSR). Purnomo, Mauridhi Hery dan Kurniawan, Agus. 2006. Supervised Neural Networks dan Aplikasinya. Yogyakarta: Penerbit Graha Ilmu. Putra, Iwan Perdana. 2011. Aplikasi Logika Fuzzy Pada Peramalan Kebutuhan Energi Listrik Jangka Panjang Di Provinsi Sumatera Barat. Tugas Akhir tidak diterbitkan. Padang: PPs Universitas Andalas. Setiabudi, Dodi. 2015. “Sistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation”. Jurnal SMARTICS. Vol. 1 (1). Sruthi, Ja dan Catherine, R.L. Helen. 2015. “ A Review on Electrical Load Forecasting in Energy Management”. International Journal of Innovative Science, Engineering & Technology (IJISET). Vol. 2. Issues 3. Yahya, Sofian. 2012. “Fuzzy Logic, Neural Network, Genetic Algorithm & Knowledge Based Expert System and Computatioal Intelligence”. Kelompok Bidang Keahlian Pengendalian Daya & Mesin Listrik Departemen Teknik Elektro. Bandung: Politeknik Negeri Bandung.

tinggi, menunjukkan bahwa peramalan NN lebih tinggi dibandingkan hasil peramalan RUPTL. Pada gambar 16 menunjukkan bahwa perbedaan data mulai terlihat semakin besar mulai tahun 2019 dan perbedaan data terbesar terlihat pada tahun 2022. Pada tahun 2015 hingga tahun 2018 perbedaan data masih kecil. PENUTUP Simpulan Dari hasil penelitian peramalan beban listrik jangka panjang satuan PLN/Provinsi di Indonesia pada sistem kelistrikan menggunakan neural network backpropagation dapat disimpulkan sebagai berikut : Peramalan beban listrik Provinsi D.I, Yogyakarta menghasilkan rata-rata kelajuan data sebesar 8,1007% setiap tahunnya. Dengan kelajuan data tertinggi terjadi pada tahun 2021 yaitu sebesar 10,6345% dan kelajuan data terendah terjadi pada tahun 2017 yaitu sebesar 5,4811%. Komparasi hasil peramalan beban listrik menggunakan neural network backpropagation dengan hasil peramalan beban listrik oleh RUPTL PT. PLN 2015-2024 menghasilkan rata-rata persentase perbedaan data sebesar 9,882%. Rata-rata persentase perbedaan data yang menghasilkan nilai positif (+) menunjukkan peramalan neural network backpropagation lebih tinggi dibandingkan dengan RUPTL PT. PLN 2015-2024. Saran Penelitian ini hanya menggunakan data historis tahunan beban listrik Indonesia dan persentase energi terjual Provinsi Yogyakarta sebagai data acuan untuk peramalan. Disarankan untuk melanjutkan penelitian dengan variabel yang mempengaruhi konsumsi energi listrik seperti pertumbuhan jumlah penduduk, pertumbuhan ekonomi dan rasio elektrifikasi.

DAFTAR PUSTAKA Alawode, Kahinde O dan Oyedeji, Mojeed O. 2013. “A Comparison of Neural Network Models for Load Forecasting in Nigerian Power System”. International Journal of Research in Engineering and Technology (IJRET). Vol.2. No.5. Hamidie, Kafahri Arya. 2009. “Metode Koefisien Energi Untuk Peramalan Beban Jangka Pendek Pada Jaringan Jawa Madura Bali”. Jurnal. Handoko, Bagus. 2009. “Peramalan Beban Listrik Jangka Pendek Pada Sistem Kelistrikan Jawa Timur Dan Bali Menggunakan Fuzzy Time Series”. Jurnal. Surabaya: Institut Teknologi Sepuluh November (ITS) Surabaya. 47

PERAMALAN BEBAN LISTRIK JANGKA PANJANG PROVINSI D.I. YOGYAKARTA MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION

Recommend Documents