Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
[email protected],
[email protected],
[email protected] Abstraksi Meningkatnya jumlah kebutuhan energi listrik menjadi sebuah masalah baru, karena jumlah energi listrik yang tersedia saat ini tidak dapat mengimbangi besarnya kebutuhan masyarakat akan energi listrik tersebut. Agar tercapai keseimbangan antara pemenuhan kebutuhan pada saat ini dengan pertumbuhan dan penyediaan energi listrik, maka perlu dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik. Penghematan energi listrik juga menjadi sebuah permasalahan pada PT. PLN (Persero) Wilayah Riau dan Kepulauan Riau Cabang Dumai UP. Bengkalis. Penjadwalan pembangkit listrik masih dilakukan secara manual, yaitu berdasarkan kebutuhan listrik yang tercatat pada mesin pengukur. Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif menjadi tidak terpenuhi. Permasalahan tersebut dapat diminimalisir dengan melakukan peramalan jumlah kebutuhan energi listrik yang akan disalurkan. Dengan adanya peramalan kebutuhan beban, dapat ditentukan mesin pembangkit listrik yang akan digunakan. Dengan demikian energi listrik tidak terbuang percuma. Pada penelitian ini, dilakukan peramalan jumlah kebutuhan energi listrik menggunakan algoritma genetika. Pemilihan algoritma genetika didasarkan pada kemudahan implementasi dan kemampuannya untuk menemukan solusi yang bagus (bisa diterima) secara cepat. Hasil peramalan tersebut akan digunakan untuk memberikan rekomendasi alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu tertentu. Pengujian dilakukan untuk melihat persentase tingkat keberhasilan algoritma genetika dalam melakukan peramalan. Pada tahap pengujian, dilakukan peramalan pemakaian beban pada tanggal dan waktu tertentu, menggunakan data 5 minggu sebelumnya. Dari beberapa kali uji coba, didapatkan tingkat keberhasilan peramalan yang dinilai cukup baik, yaitu sebesar ±90%. Nilai prediksi yang diperoleh selanjutnya digunakan untuk memberikan rekomendasi alternatif mesin pembangkit listrik yang layak untuk dioperasikan.
Kata Kunci : peramalan, energi listrik, algoritma genetika 1.
PENDAHULUAN
Listrik merupakan bentuk energi yang paling cocok dan nyaman bagi manusia modern. Makin bertambahnya konsumsi listrik perkapita di seluruh dunia menunjukkan kenaikan standar kehidupan manusia. Dengan pertumbuhan permintaan tenaga listrik, maka harus direncanakan pembangunan pusat-pusat listrik baru atau menciptakan bentuk energi-energi baru untuk mendukung kapasitas pusat listrik yang tidak cukup mendukung. Pembangunan tenaga listrik memerlukan dana yang besar dan waktu yang lama, selain itu juga dipengaruhi pertimbangan-pertimbangan politis, ketersediaan bahan bakar dan sumber daya manusianya. Untuk dapat dicapai tujuan yang seimbang antara pemenuhan kebutuhan pada saat sekarang maupun pertumbuhan permintaan tenaga listrik dan penyediaannya dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik.
permasalahan-permasalahan yang dialami oleh PT. PLN diantaranya adalah tidak adanya pengaturan dalam penjadwalan pengoperasian pembangkit listrik karena adanya deviasi antara besarnya permintaan beban dengan daya yang dibangkitkan yang disebabkan oleh terjadinya kerusakan pada pembangkit. Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif menjadi tidak terpenuhi. Untuk mengatasi permasalahan tersebut, perlu dilakukan suatu prediksi operasi yang berfungsi untuk memberikan gambaran kondisi operasi kepada operator sebagai hasil prediksi yang optimal, dan dari hasil prediksi akan dilakukan penjadwalan yang tepat untuk pengoperasian pembangkit. Jika dalam operasi terjadi ketidakcocokan antara prediksi dengan kondisi nyata terutama pada kejadian yang tidak terduga, maka hal inilah yang disebut kesenjangan antara perencanaan operasi dan operasi waktu nyata. Dalam memprediksi perencanaan operasi agar penghematan dan pengaturan penyediaan tenaga listrik dapat lebih optimal
e-Indonesia Initiative 2008 (eII2008) Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia 21-23 Mei 2008, Jakarta
1
dilakukan dengan menggunakan algoritma genetika. Algoritma genetika adalah suatu algoritma pencarian yang meniru mekanisme dari teknik generasi alam. Algoritma genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan untuk mendapatkan solusi yang tepat dan merupakan model komputasi yang sangat menjanjikan pada masalah praktis yang berfokus pada pencarian parameter-parameter optimal (Suyanto, 2005). Pada penelitian ini akan dirancang sebuah aplikasi dalam memprediksi besarnya pemakaian beban listrik menggunakan metode algoritma genetika dan memberikan alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu tertentu sesuai dengan hasil prediksi yang didapat.
5.
2. PEMBAHASAN Untuk memprediksi pemakaian beban membutuhkan model matematis yang disebut dengan Data Berkala (time series). Data pemakaian beban disusun berdasarkan urutan waktu dalam satu periode untuk mengukur dan menerangkan berbagai perubahan atau perkembangan data. Perubahan yang terjadi dalam sederetan waktu tertentu dapat membentuk trend, sehingga pola gerakan data atau nilai-nilai variabel dapat diketahui dan diikuti. Penentuan trend menggunakan metode setengah rata-rata yaitu dengan mencari rata-rata data yang ada. Analisis Algoritma Genetika Dalam Peramalan Metode dalam algoritma genetika yang akan dipakai untuk penyelesaian persoalan adalah sebagai berikut: 1. Skema Pengkodean Skema pengkodean gen pada kromosom menggunakan real number encoding. Pengkodean ini mempresentasikan kromosom dalam bentuk urutan angka yang menggambarkan urutan suatu kejadian sehingga penerapannya akan lebih mudah. 2. Membangkitkan Populasi Awal Menentukan nilai gen dalam tiap kromosom dengan membangkitkan bilangan acak (random). 3. Fungsi Evaluasi Proses ini menghitung nilai fitness dari setiap kromosom dalam populasi dan mengevaluasi sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum tercapai maka akan dibentuk lagi generasi berikutnya. 4. Seleksi Proses ini dilakukan dengan menggunakan metode roulette wheel selection. Metode ini dipilih karena dapat memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang memiliki nilai fitness terbaik untuk melakukan reproduksi, karena dilakukan dengan cara memetakan individu-individu dalam segmen garis secara berurutan sedemikian hingga setiap segmen individu memiliki ukuran yang sama dengan ukuran nilai fitness. Sebuah bilangan acak dibangkitkan dan
individu yang menjadi segmen dalam kawasan bilangan acak tersebut akan terpilih. Proses ini diulang hingga diperoleh sejumlah individu yang diharapkan. Membentuk Generasi Baru Generasi baru terbentuk dengan dua operator yaitu operator pindah silang (crossover) dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru. Spesifikasi untuk operator algoritma genetika adalah sebagai berikut: a. Pindah Silang (Crossover) Proses ini dilakukan dengan menggunakan onepoint crossover. Metode ini dipilih karena sebagian kromosom dari induk pertama disalin dan pada saat berhenti, kromosom tersebut diambil dalam induk kedua. Proses one-point crossover adalah proses yang paling sederhana, karena pemilihan titik perpotongan dilakukan sekali terhadap induk pertama, gen selanjutnya yang dipilih dari induk kedua adalah yang belum pernah terkunjungi dan kromosom yang dihasilkan cenderung menuruni sifat dari induknya. b. Mutasi Proses ini dilakukan dengan menggunakan suatu kriteria yaitu dengan cara memilih satu gen yang akan diubah berdasarkan probabilitas mutasinya. Dengan menggunakan teknik ini, diharapkan kromosom yang dihasilkan tidak kehilangan kemiripan dengan induknya.
Analisis Proses Langkah-langkah yang dilakukan dalam proses penyelesaian masalah adalah sebagai berikut: 1. Hitung rata-rata dari data pemakaian beban listrik (rata). 2. Ambil bilangan acak untuk gen A dan gen B sebanyak populasi yang diinginkan. 3. Hitung nilai fitness dari masing-masing kromosom yang dibangkitkan dengan menggunakan persamaan: Kromosom(n) = a + 3b
4.
Lakukan penyeleksian terhadap nilai kromosom. Karena yang diinginkan adalah kromosom yang mempunyai nilai yang lebih kecil mempunyai probabilitas untuk terpilih kembali lebih besar maka digunakan inverse(Q) dengan menggunakan persamaan: Inverse(Q)= 1 / Kromosom(n)
Untuk mencari probabilitas (P) digunakan persamaan: Probabilitas(P) = Q(n) / Jumlah total Q(n)
Untuk mencari probabilitas kumulatif (C) digunakan persamaan: Kumulatif(C) = C(n-1) + P(n)
Proses roulette wheel selection dilakukan dengan membangkitkan bilangan acak (R) antara 0 sampai 1. Jika R(n) < C(n) maka kromosom ke-n adalah induk, selain itu pilih kromosom ke-n sebagai induk jika C(n-1) < R(n) < C(n). Hasilnya akan terbentuk kromosom baru. 2
e-Indonesia Initiative 2008 (eII2008) Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia 21-23 Mei 2008, Jakarta
5.
Proses crossover dilakukan dengan cara membangkitkan bilangan acak (R) sebanyak jumlah populasi. Kromosom yang dipilih sebagai induk adalah jika:
4:00
4597
3785
4601
4488
4561
5255
5:00
4629
3782
4703
4207
4480
5047
6:00
5342
4040
4928
4285
4278
4863
7:00
5181
3994
4374
4525
4258
4536
8:00
5016
3885
4373
4371
4270
4300
9:00
4839
4077
4514
4599
4365
3893
10:00
4879
4086
4577
4705
4410
4000
11:00
4864
4106
4764
4704
4892
4202
12:00
4900
4088
4824
4925
4983
4223
13:00
5022
4080
4832
4955
4053
4490
14:00
5093
4393
5117
5193
4470
4609
15:00
5085
4531
4663
4801
4612
5353
16:00
5000
4465
4653
4866
4789
4664
17:00
2303
4552
4478
4442
4213
4514
18:00
4224
3552
4210
4949
4388
4310
19:00
4191
5097
4847
3959
5412
4931
20:00
3108
5128
4890
3884
5566
4948
21:00
4269
5021
4912
3907
5543
4875
22:00
4108
4876
4920
4934
5376
5315
23:00
4168
5282
4859
4637
4924
5105
24:00:00
4235
4926
5290
5131
5179
4716
R(n) < Probabilitas crossover (Pc)
Kromosom yang terpilih dipersilangkan dengan menukar gen pada induk pertama dengan gen pada induk kedua, dan seterusnya. Posisi gen yang akan dipertukarkan ditentukan dengan mengambil bilangan acak. Gen yang terpilih dipersilangkan dan akhirnya kromosom baru terbentuk. Proses Elitism dilakukan dengan cara memilih gen terbaik sebagai calon solusi setelah hasil seleksi. Untuk memilih gen yang terbaik, perlu dilakukan penilaian terhadap error yang dihasilkan dengan persamaan: Error = |Yaktual – Yprediksi|/Yaktual
6.
Proses mutasi dilakukan dengan cara menghitung panjang total gen dengan persamaan: Panjang gen = 2 * jumlah populasi
Jumlah mutasi persamaan:
diperoleh
dengan
menggunakan
Jumlah Mutasi = Pm * panjang gen
7.
8.
Posisi gen yang akan dimutasikan dipilih secara acak sebanyak jumlah mutasi. Gen-gen yang terpilih akan digantikan dengan gen baru yang diambil secara acak. Jika kondisi berhenti telah tercapai, hitung kembali kromosomnya untuk mendapatkan nilai fitness yang terkecil. Gen A dan gen B pada kromosom tersebut menjadi solusi yang paling optimum Gen A dan gen B dihitung untuk mendapatkan nilai prediksi dengan menggunakan persamaan: Prediksi = gen A + 6 * gen B
Pengujian Sistem Pengujian sistem terbagi dalam dua kategori diantaranya adalah pengujian sistem dan pengujian performansi prediksi menggunakan algoritma genetika untuk menganalisis alternatif pembangkit listrik yang akan dioperasikan. Pengujian performansi dilakukan dengan menggunakan data aktual dari pemakaian beban listrik pada PT. PLN (Persero) Wilayah Riau-Kepri Cabang Dumai UP. Bengkalis. Yang akan diprediksi adalah pemakaian beban listrik pada tanggal 7 Oktober 2007. Pengujian dilakukan sebanyak 5 kali pengujian dengan data yang sama. Performansi diperoleh dengan menghitung rata-rata performansi yang diberikan pada setiap kali pengujian. Data-data yang dibutuhkan pada pengujian performansi diantaranya: 1. Data pemakaian beban listrik selama lima minggu sebelumnya yaitu: Waktu Operasi
1:00 2:00 3:00
02/ 09/ 2007
Tanggal 09/ 16/ 23/ 09/ 09/ 09/ 2007 2007 2007
30/ 09/ 2007
5071
4042
5013
4912 4767
3965 3823
5285 5071 4922
5058 5072 4949
2.
Parameter algoritma genetika dipilih secara acak, diantaranya: a. Jumlah Generasi = 25 b. Ukuran Populasi = 16 c. Probabilitas crossover (Pc) = 0,61 d. Probabilitas Mutasi (Pm) = 0,41 e. Performansi = 0,58
Hasil Pengujian Dari pengujian sistem yang telah dilakukan, rata-rata performansi prediksi yang dihasilkan adalah sebesar 96,77296 %, dan memberikan alternatif pembangkit yang akan dioperasikan sesuai dengan kombinasi dari unit
Aktual
5103 4981
07/10/ 2007 5293 5132 5074
pembangkit yang dihasilkan. Aktual
Hasil Prediksi
Performansi
07/10/2007
07/10/2007
%
01:00
5293
5048,8
02:00
5132
5045,6
95,42
03:00
5074
4903,6
95,438
Waktu Operasi
e-Indonesia Initiative 2008 (eII2008) Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia 21-23 Mei 2008, Jakarta
96,84
3
04:00
5255
4547,8
96,816
05:00
5047
4477
97,342
06:00
4863
4284,4
93,75
07:00
4536
4369,6
97,925
08:00
4300
4372
99,614
09:00
3893
4493,6
99,104
10:00
4000
4588
98,576
11:00
4202
4806,4
96,992
12:00
4223
4880
97,566
13:00
4490
4809
94,998
14:00
4609
5028,4
96,22
15:00
5353
4672,6
98,77
16:00
4664
4776,2
99,206
17:00
4514
4257
93,56
18:00
4310
4227,4
99,08
19:00
4931
4844
96,07
21:00
4875
4646
96,38
22:00
5315
4911,2
98,62
23:00
5105
4836,6
98,12
24:00
4716
5138,8
96,256
4. Daftar Pustaka
Perbandingan antara nilai prediksi dengan nilai aktual pada tanggal 7 Oktober 2007 dapat dilihat pada grafik berikut ini:
6000
5000
4000 Aktual
3000
populasi, probabilitas crossover, probabilitas mutasi, dan performansi. Informasi yang diberikan oleh sistem adalah berupa prediksi pemakaian beban pada waktu tertentu, jumlah daya yang harus disalurkan dan alternatif pembangkit yang layak dioperasikan. Agar hasil prediksi lebih akurat, perlu adanya penambahan faktor-faktor eksternal yang ikut berperan dalam memprediksi pemakaian beban listrik misalnya parameter bulanan yang terdiri dari: faktor cuaca, faktor suhu, faktor kebiasaan konsumen. Adanya perbandingan metode dalam memprediksi pemakaian beban listrik untuk mendapatkan hasil prediksi yang lebih baik. Dengan adanya sistem prediksi pemakaian beban listrik ini dapat memberikan rekomendasi kepada PLN dalam mengelola dan mengatur pengoperasian pembangkit sehingga kebutuhan konsumen terhadap listrik terlayani dengan baik.
Prediksi
2000
1000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Gambar Grafik perbandingan antara nilai aktual dengan hasil prediksi
[1].A. El-Sharkawi, Mohamed, Role Of Computational Intelligence In Targeted Forecasting. http://cialab.ee.washington.edu/index_files/tutorial/ef.pdf [2].Basuki, Ahmad, Trip & Trik Algoritma Genetika, http://lecturer.eepisits.edu/~basuki/lecture/TipsnTrikGA.pdf [3].Dahal, Keshav, Soft computing techniques for optimisation and scheduling. http://eastwest.inf.brad.ac.uk/document/2005%20Apr/Ke sahvChiangmai-SchedulingOptimisation.pdf [4].Hilal, Hamzah, Metode Programming Linier Untuk Menyelesaikan Problem Pembangkitan Ekonomis Pada Sistem Tenaga Listrik. http://komputasi.inn.bppt.go.id/semiloka05/1605.pdf [5].Hutauruk, Transmisi Daya Listrik, Jakarta: Erlangga, 1985. [6].Javadi, Shahram, Software Development for Optimum Allocation of Power System Elements Based on Genetic Algorithm. http://www.labplan.ufsc.br/congressos/WSEAS/papers/5 17-242.pdf [7].Suyanto, Algoritma Genetika dalam Matlab, Yogyakarta: Andi Yogyakarta, 2005.
3. PENUTUP
Algoritma genetika dapat digunakan untuk memprediksi pemakaian beban listrik. Performansi yang diberikan oleh algoritma genetika dalam memprediksi pemakaian beban listrik pada PT. PLN (Persero) adalah sekitar ± 96,77296 %. Parameter-parameter yang diperlukan oleh sistem adalah: jumlah pembangkit, daya masing-masing pembangkit, rugi daya, data pemakaian beban selama lima minggu sebelumnya, jumlah generasi, ukuran
e-Indonesia Initiative 2008 (eII2008) Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia 21-23 Mei 2008, Jakarta
4
e-Indonesia Initiative 2008 (eII2008) Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia 21-23 Mei 2008, Jakarta
5
