PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM

PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

AGUS HASIM

SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Prakiraan Beban Listrik Kota Pontianak Dengan Jaringan Syaraf Tiruan (Artificial Neural Network), adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Mei 2008

Agus Hasim NRP. G651050084

ABSTRAK AGUS HASIM. Prakiraan Beban Listrik Kota Pontianak dengan Jaringan Syaraf Tiruan (Artificial Neural Network). Dibimbing oleh PRAPTO TRI SUPRIYO dan SUGI GURITMAN. Tenaga listrik harus disediakan pada jumlah atau besaran yang sesuai dengan kebutuhan dan pada waktu yang tepat. Penyedian tenaga listrik yang melebihi kebutuhan beban berakibat pada terjadinya kerugian daya listrik. Sebaliknya, jika terjadi kekekurangan pasokan (penyedian) listrik, akan berakibat pada terjadinya pemadaman. Untuk menyediakan tenaga listrik yang sesuai dengan kebutuhan tersebut, harus ada rencana penyediaan listrik yang dilakukan dengan cara membuat prediksi atau prakiraan beban listrik. Oleh karena itu persoalan prakiraan beban listrik menjadi sangat penting didalam penyediaan tenaga listrik yang efisien. Untuk memprediksi kebutuhan beban listrik, PLN selama ini menggunakan metode koefisien beban. Perhitungan dengan metode ini didasarkan pada pengalaman-empiris perencana penyedia listrik yang relatif sulit dilakukan terutama dalam hal koreksi-koreksi yang perlu dilakukan terhadap perubahan beban. Oleh karena itu diperlukan suatu metode yang lebih baik dari metode koefisien beban. Pada penelitian ini, penulis mencoba untuk membangun suatu model prediksi beban listrik jangka pendek menggunakan jaringan syaraf tiruan (JST) dengan algoritma pembelajaran backpropagation dan fungsi aktivasi sigmoid. Lingkup pengambilan data penelitian dibatasi beban listrik pada wilayah kerja Kota Pontianak Propinsi Kalimantan Barat. Hasil penelitian ini memperlihatkan bahwa prediksi JST lebih baik dari pada prediksi yang dihitung dengan menggunakan metode sebelumnya. Prediksi beban listrik tanggal 17 Mei sampai dengan 23 Mei 2007 memperlihatkan bahwa rata-rata error JST adalah 5.81% sedangkan rata-rata error metode koefisien beban adalah 8.24%. Dengan demikian, dapat disimpulkan bahwa prediksi beban listrik menggunakan JST lebih akurat sebesar 2.43% dibandingkan dengan metode koefisien beban. Kata kunci : beban listrik, prakiraan beban listrik jangka pendek, jaringan syaraf tiruan, backpropagation.

ABSTRACT AGUS HASIM. Electrics Load Forecasting of Pontianak City by Using Artificial Neural Network. Under direction of PRAPTO TRI SUPRIYO and SUGI GURITMAN Electric power should be provided in amount or magnitude to meet the requirement and also in the right time. Excess of the requirement electric power may cause loss. On the contrary, lacking electric power supply, will cause blacking out. Thus, to provide adequate electric power that meet the requirement, there should be an electric power’s plan performed by making a prediction or electric load forecasting. Therefore, matter of electric load forecasting become much important in efficient electric power supply. To predict electric load needs, PLN currently using load coefficient (koefisien beban) method. Such computing method is based on empirical experience of electric power’s planning division which relatively harder to complete especially in several correction needed for change of load. Therefore, a better method is still needed than load coefficient method. In this research, the author attempted to build a prediction model for shortterm electric load by using artificial neural network (ANN) with backpropagation learning algorithm and sigmoid activation function. Research data collection scope was limited by electric load in work region of Pontianak city, Kalimantan Barat province. The result showed that prediction outcome of ANN was generally better than prediction which calculated using the previous method. Electrics load forecast of 17th May to 23rd May 2007 presenting that mean error of ANN was about 5.81%, while mean error of the load coefficient method was about 8.24%. Thereby, the conclusion can be made here is that the load prediction method using ANN is more accurate by 2.43% compared to the load coefficient method. Keywords: electric load, short term electric load forecast, artificial neural network, backpropagation.

RINGKASAN AGUS HASIM. Prakiraan Beban Listrik Kota Pontianak dengan Jaringan Syaraf Tiruan (Artificial Neural Network). Dibimbing oleh PRAPTO TRI SUPRIYO dan SUGI GURITMAN. Tenaga listrik mempunyai sifat-sifat khusus yang berbeda dengan “komoditi” lain pada umumnya. Tingkat produksi atau tenaga yang dihasilkan oleh mesin pembangkit listrik harus sesuai dengan tingkat kebutuhan atau besar beban yang harus dilayani. Penyesuaian atau pengendalian antara produksi dengan kebutuhan beban listrik menjadi sangat penting untuk dilakukan mengingat sifat khusus (khas) dari tenaga listrik, yakni tenaga listrik tidak dapat disimpan dalam skala besar, dengan demikian tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya akan timbul persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap atau selalu berubah dari waktu ke waktu, sehingga harus ada penjadualan dalam mengoperasikan suatu sistem tenaga listrik agar selalu dapat memenuhi permintaan daya pada setiap saat. Apabila daya yang dikirim dari suatu pembangkit listrik jauh lebih besar daripada permintaan daya pada beban, maka akan terjadi pemborosan pada perusahaan listrik. Sebaliknya apabila daya yang dibangkitkan atau yang disediakan pembangkit listrik lebih rendah dari permintaan atau kebutuhan beban konsumen maka akan terjadi over load yang akan berdampak pada terjadinya pemadaman. Agar tercapai penyesuaian antara pembangkitan dan permintaan daya, maka pihak penyedia listrik harus mengetahui beban atau permintaan daya listrik untuk beberapa waktu ke depan. Berdasarkan jangka waktu, prakiraan beban listik dapat dikelompokkan dalam: 1) prakiraan beban jangka panjang (long term); 2) prakiraan beban jangka menengah (medium term); 3) prakiraan beban jangka pendek (short term). Metode prakiraan beban listrik jangka pendek yang selama ini dikembangkan atau telah diterapkan PLN adalah dengan cara konvensional berbasis statistik, yaitu metode koefisien beban yang dilakukan dengan mempelajari data historis beban listrik terdahulu. Koefisien beban dibuat untuk tiap jam selama 24 jam dari hari senin s/d minggu yang merupakan angka atau representasi dari prosentase atau perbandingan besar beban pada jam tersebut terhadap beban puncak pada hari tersebut (juga merupakan hasil prakiraan) termasuk koreksi-koreksi yang harus dilakukan disesuaikan dengan beban yang sesungguhnya terjadi. Keberhasilan prediksi beban dengan metode ini terletak pada pengalaman dan keahlian ”seorang” perencana penyediaan listrik yang lebih banyak dilakukan secara empiris. Oleh karena itu adanya metode lain yang dapat melakukan prakiraan beban listrik jangka pendek yang lebih sistematis dan akurat dengan menyertakan faktor-faktor yang mempengaruhinya sangat di-perlukan. Pada penelitian ini akan dibangun model prediksi yang dapat melakukan prakiraan beban listrik jangka pendek yang dapat digunakan untuk penjadualan dalam pengoperasian mesin pembangkit listrik menggunakan jaringan syaraf tiruan. Neural network atau artificial neural network (jaringan syaraf tiruan disingkat JST) adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Definisi lain menurut

Fausett (1994) artificial neural network adalah suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi. Jaringan syaraf tiruan juga dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model syaraf biologi. Model jaringan syaraf tiruan memiliki kemampuan dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. Setiap pengolahan elemen membuat perhitungan berdasarkan pada jumlah masukan (input). Sebuah kelompok pengolahan elemen disebut layer atau lapisan dalam jaringan. Lapisan pertama adalah input dan yang terakhir adalah output. Lapisan di antara lapisan input dan output disebut dengan lapisan tersembunyi (hidden layer). Jaringan syaraf tiruan merupakan suatu bentuk arsitektur yang terdistribusi paralel dengan sejumlah besar neuron dan hubungan antar neuron tersebut. Tiap titik hubungan dari satu neuron ke neuron yang lain mempunyai harga yang diasosiasikan dengan bobot. Setiap neuron memiliki suatu nilai yang diasosiasikan sebagai titik aktivasi neuron. Berdasarkan cara memodifikasi bobotnya, ada dua macam pelatihan yang dikenal yaitu dengan terawasi atau terbimbing (supervised) dan tanpa pengawasan atau tanpa bimbingan (unsupervised). Dalam pelatihan dengan supervised, terdapat sejumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai ”guru” untuk melatih jaringan hingga diperoleh bentuk yang terbaik. ”Guru” akan memberikan informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk meningkatkan unjuk kerjanya. Pada setiap kali pelatihan, suatu input diberikan ke jaringan. Jaringan akan memperoses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Jaringan yang proses atau metode pelatihannya dengan pengawasan antara lain adalah perceptron, adaline dan backpropagation atau propagasi balik. Sebaliknya dalam pelatihan tanpa pengawasan (unsupervised), tidak ada ”guru” yang akan mengarahkan proses pelatihan. Perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut. Dalam melakukan prakiraan beban listrik, langkah pertama yang perlu dilakukan adalah dengan mempelajari dan mengevaluasi pola-pola beban setiap hari dalam satu minggu sampai beberapa minggu. Pola beban dalam setiap hari, menunjukkan perilaku konsumen atau pelanggan dalam menggunakan atau memanfaatkan tenaga listrik. Beban pada saat ini (current load) diakibatkan atau dipengaruhi oleh beban beberapa waktu berlalu. Data atau pola beban sebagai input yang relatif besar, jaringan dengan banyak lapisan (multilayer net) dengan algoritma pembelajaran backpropagation dan beberapa fungsi pelatihan (training functions) akan diterapkan pada penelitian ini. Pada jaringan (model JST) diberikan sepasang pola yang terdiri dari pola masukan dan pola yang diinginkan atau target.

Data beban yang digunakan sebagai input bagi model JST yang dikembangkan adalah data beban listrik harian (beban selama 24 jam) dan data temperatur udara harian Kota Pontianak dari bulan Januari 2007 s/d Mei 2007. Untuk data temperatur yang akan digunakan atau menjadi masukan bagi model JST adalah temperatur udara harian yang terdiri dari temperatur udara minimum, maksimum dan rata-rata. Besarnya data yang akan digunakan dan relatif kompleksnya persoalan yang harus diselesaikan maka model JST yang akan dikembangkan adalah JST dengan arsitektur multilayer net yang terdiri dari 3 (tiga) layer (lapisan) yaitu: lapisan input yang terdiri dari 54 neuron; satu lapisan tersembunyi dengan beberapa neuron yang jumlahnya dilakukan dengan cobacoba (trial and error); lapisan output/keluaran yang terdiri dari 24 neuron. Untuk mencapai konvergensi yang lebih cepat, model yang dikembangkan diatur pada learning rate, jumlah neuron pada lapisan tersembunyi (hidden layer) serta dengan mengubah fungsi pelatihan atau training functions (traingd, traingda, traingdx, traingdm, traincgf, traincgp, traincgb). Dengan mencoba berbagai nilai atau besaran untuk learning rate dan jumlah neuron hidden layer, didapat nilai 0.5 untuk learning rate dan 220 untuk jumlah neuron hidden layer. Pada nilai tersebut ketika training atau pelatihan dilakukan, proses iterasi yang terjadi pada model JST menghasilkan nilai MSE yang semakin baik atau konvergen menjadi lebih cepat. Dari hasil pelatihan tersebut, dengan menetapkan galat error atau MSE = 0.0001 diketahui bahwa fungsi pelatihan traincgb, menghasilkan MSE = 0.00009962 pada epoch ke 642. Bobot yang telah didapat kemudian disimpan, selanjutnya model JST yang telah dilatih tersebut diberikan lagi pola data input baru yaitu data yang belum pernah digunakan selama pelatihan dengan maksud untuk menguji model tersebut. Pada pengujian model JST selama satu minggu yaitu prediksi beban listrik untuk tanggal 17 Mei - 23 Mei 2007 memberikan hasil sebagai berikut: rata-rata error prediksi JST adalah 5.81% sedangkan rata-rata error prediksi PLN adalah 8.24%. Demikian juga dengan error tertinggi (maksimum error) prediksi JST adalah 8.07% sedangkan error tertinggi prediksi PLN adalah 16.05%. Secara umum hasil prediksi beban listrik dengan jaringan syaraf tiruan memberikan hasil yang lebih baik dibandingkan dengan prediksi menggunakan metode koefesien beban yang selama ini digunakan oleh PLN. Kata kunci : beban listrik, prakiraan beban listrik jangka pendek, jaringan syaraf tiruan, backpropagation.

© Hak Cipta milik IPB, tahun 2008 Hak Cipta dilindungi Undang-undang 1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah b. Pengutipan tidak merugikan kepentingan yang wajar IPB 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB

PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

AGUS HASIM

Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer

SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008

Judul Tesis Nama NIM

: Prakiraan Beban Listrik Kota Pontianak Dengan Jaringan Syaraf Tiruan (Artificial Neural Network) : Agus Hasim : G651050084

Disetujui Komisi Pembimbing

Ir. Prapto Tri Supriyo, M.Kom Ketua

Dr. Sugi Guritman Anggota

Diketahui

Ketua Program Studi Ilmu Komputer

Dr. Sugi Guritman

Tanggal Lulus :

Dekan Sekolah Pascasarjana

Prof. Dr. Ir. Khairil Anwar Notodiputro, MS

Tanggal Ujian : 2 Mei 2008

PRAKATA Puji dan syukur penulis panjatkan kepada ALLAH SWT atas Rahmat dan KaruniaNya, sehingga Tesis ini dapat diselesaikan. Topik yang dipilih dalam penelitian ini adalah Prakiraan Beban Listrik Kota Pontianak dengan Jaringan Syaraf Tiruan (Artificial Neural Network). Penyusunan Tesis merupakan salah satu syarat untuk menyelesaikan studi dan untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer, Sekolah Pascasarjana Institut Pertanian Bogor. Pada kesempatan ini penyusun bermaksud untuk menyampaikan penghargaan dan terima kasih kepada : - Bapak Gubernur Kalbar yang telah memberikan kesempatan dan pembiayaan untuk mengikuti pendidikan Strata-2. - Bapak Ir. Prapto Tri Supriyo, M.Kom dan Bapak Dr. Sugi Guritman selaku ketua dan anggota komisi pembimbing yang telah meluangkan waktu dalam memberikan arahan dan masukan sehingga tesis ini dapat diselesaikan. - Bapak Aziz Kustiyo, S.Si., M.Kom Selaku dosen penguji yang telah memberikan masukan demi perbaikan tesis ini. - Pimpinan PLN Wilayah Kalbar dan Kepala BMG Supadio Pontianak, yang telah membantu dalam memberikan data beban listrik dan data temperatur udara Kota Pontianak. - Emak, Bapak (alm), istriku Emiliya dan anak-anakku tersayang Rizka, Taufik dan Lutfi yang telah memberikan semangat, motivasi dan bersabar menunggu selama menempuh dan menyelesaikan pendidikan ini. - Staf Pengajar atau para Dosen Program Studi Ilmu Komputer yang telah memberikan bekal pengetahuan, membuka dan menambah wawasan. - Teman-teman Prodi Ilmu Komputer khususnya “Angkatan-7”, atas kerjasama, bantuan dan support-nya. - Pihak-pihak yang baik secara langsung maupun tidak langsung telah membantu baik ketika perkuliahan maupun dalam penyusunan tesis ini. Penyusun menyadari bahwa tesis ini masih banyak kekurangannya, namun demikian semoga karya ilmiah ini bermanfaat dan ikut memberikan kontribusi dalam khazanah pengembanga ilmu pengetahuan. Bogor, Mei 2008

Agus Hasim NRP. G651050084

RIWAYAT HIDUP Penulis dilahirkan di Pontianak pada tanggal 24 Agustus 1966. Merupakan anak keempat dari sembilan bersaudara dari orang tua Zainal A. Madjid dan Ra’onah A. Rani. Penulis beristrikan Emiliya dan mempunyai tiga orang anak, satu putri dan dua putra. Penulis menempuh pendidikan sarjana teknik elektro pada Jurusan Teknik Elektro pada Fakultas Teknik Universitas Tanjungpura Pontianak mulai dari tahun 1987 hingga 1994. Pada akhir tahun 1994 sampai dengan tahun 1998 bekerja di perusahaan swasta dan sejak akhir tahun 1998 hingga saat ini, penulis bekerja sebagai pegawai negeri sipil di Bappeda Propinsi Kalimantan Barat.

DAFTAR ISI Halaman DAFTAR TABEL ..............................................................................................

xiii

DAFTAR GAMBAR .........................................................................................

xiv

DAFTAR LAMPIRAN ......................................................................................

xv

BAB I PENDAHULUAN ...................................................................................

1

1.1. Latar Belakang ..............................................................................................

1

1.2. Rumusan Permasalahan ................................................................................

2

1.3. Tujuan Penelitian ..........................................................................................

3

1.4. Ruang Lingkup …………………………………………………………….

3

1.5. Manfaat Penelitian …………………………………………………………

3

BAB II TINJAUAN PUSTAKA ........................................................................

4

2.1. Beban dan Prakiraan Beban Listrik ..............................................................

4

2.2. Pengertian Neural Network ..........................................................................

6

2.3. Arsitektur Jaringan Syaraf Tiruan ................................................................

10

2.4. Propagasi Balik (Back Propagation) ...........................................................

11

2.5. Mean Square Error (MSE) ...........................................................................

17

2.6. Transformasi Data ........................................................................................

18

2.7. Missing Value ...............................................................................................

19

2.8. Penelitian Terdahulu ....................................................................................

19

BAB III METODE PENELITIAN ................................................................... 3.1. Kerangka Pemikiran .....................................................................................

20 20

3.2 Data dan Alat ...............................................................................................

23

3.3 Waktu dan Tempat Penelitian ……………………………………………..

24

BAB IV PERANCANGAN DAN IMPLEMENTASI MODEL JST .............

25

4.1. Desain Arsitektur Model JST .......................................................................

25

4.2. Penentuan Pola Input dan Ouput .................................................................. 4.3. Praproses Data ..............................................................................................

25 27

4.4. Algoritma Pembelajaran Jaringan ................................................................

28

4.5. Hasil Pelatihan Model JST ........................................................................... 4.6. Tahap Pengujian ...........................................................................................

28 33

BAB V SIMPULAN DAN SARAN ...................................................................

44

5.1. Simpulan ......................................................................................................

44

5.2. Saran ...........................................................................................................

45

DAFTAR PUSTAKA ......................................................................................... LAMPIRAN .......................................................................................................

46 48

DAFTAR TABEL Halaman 1. Input-Output Model Jaringan ............................................................................ 26 2. Kinerja Model JST Pada Beberapa Fungsi Pelatihan ....................................... 33 3. Beban Listrik tanggal 17 Mei 2007 .................................................................. 4. Beban Listrik tanggal 18 Mei 2007 .................................................................. 5. Beban Listrik tanggal 19 Mei 2007 ..................................................................

34 36 37

6. Beban Listrik tanggal 20 Mei 2007 .................................................................. 7. Beban Listrik tanggal 21 Mei 2007 ................................................................. 8. Beban Listrik tanggal 22 Mei 2007 ................................................................. 9. Beban Listrik tanggal 23 Mei 2007 ................................................................ 10. Rata-Rata Error Hasil Prediksi JST dan PLN Satu Minggu ..........................

38 39 40 41 43

DAFTAR GAMBAR Halaman 1. Struktur Unit Jaringan Syaraf Tiruan ............................................................... 7 2. Jaringan Syaraf Tiruan dengan 3 Lapisan ........................................................ 8 3. Jaringan Syaraf Tiruan dengan Banyak Lapisan ............................................ 10 4. Tiga Lapisan Jaringan Propagasi Balik ........................................................... 11 5. Langkah Perambatan Maju ............................................................................. 12 6. Fungsi Sigmoid Beserta Turunannya ............................................................... 13 7. Backpropagation Dengan Satu Lapisan Tersembunyi ..................................... 15 8. Diagram Alir Model Prakiraan Beban Listrik Jangka Pendek ......................... 21 9. Diagram Blok Model JST ................................................................................ 26 10. Arsitektur Model JST yang dikembangkan ................................................... 27 11. Grafik performance JST dengan fungsi pelatihan traingd ............................. 29 12. Grafik performance JST dengan fungsi pelatihan traingda ........................... 30 13. Grafik performance JST dengan fungsi pelatihan traingdx ........................... 30 14. Grafik performance JST dengan fungsi pelatihan traingdm .......................... 15. Grafik performance JST dengan fungsi pelatihan traincgf ............................ 16. Grafik performance JST dengan fungsi pelatihan traincgp ...........................

31 31 32

17. Grafik performance JST dengan fungsi pelatihan traincgb ........................... 18. Kurva Beban Listrik tanggal 17 Mei 2007 .................................................... 19. Kurva Beban Listrik tanggal 18 Mei 2007 .................................................... 20. Kurva Beban Listrik tanggal 19 Mei 2007 .................................................... 21. Kurva Beban Listrik tanggal 20 Mei 2007 .................................................... 22. Kurva Beban Listrik tanggal 21 Mei 2007 .................................................... 23. Kurva Beban Listrik tanggal 22 Mei 2007 .................................................... 24. Kurva Beban Listrik tanggal 23 Mei 2007 ....................................................

32 35 36 37 38 39 40 41

DAFTAR LAMPIRAN Halaman 1. Data Beban Listrik Harian Kota Pontianak untuk Pelatihan Model JST.......... 49 2. Data Beban Listrik Harian Kota Pontianak untuk Pengujian Model JST......... 53 3. Data Temperatur Udara Harian Kota Pontianak untuk Pelatihan Model JST... 4. Data Temperatur Udara Harian Kota Pontianak untuk Pengujian Model JST.. 5. Gambar Pengguna Antarmuka (GUI) .............................................................. 6. Listing Program GUI .......................................................................................

54 56 57 58

BAB I PENDAHULUAN 1.1. Latar Belakang Listrik atau tenaga listrik sudah menjadi kebutuhan masyarakat saat ini baik dalam memenuhi kebutuhan hidup sehari-hari sebagai konsumen biasa, maupun dalam memenuhi kebutuhan dunia industri. Kebutuhan akan tenaga atau energi listrik ini akan terus meningkat baik dari sisi kuantitas maupun kualitas seiring dengan bertambahnya jumlah penduduk dan semakin beragamnya aktivitas. Tenaga listrik mempunyai sifat-sifat khusus yang berbeda dengan “komoditi” lain pada umumnya. Distribusi atau penyaluran tenaga listrik hingga saat ini harus melalui jaringan tertentu, kemudian tingkat produksi atau tenaga yang dihasilkan oleh mesin pembangkit listrik harus sesuai dengan tingkat kebutuhan atau besar beban yang harus dilayani. Penyesuaian atau pengendalian antara produksi dengan kebutuhan beban listrik ini menjadi sangat penting untuk dilakukan mengingat sifat khusus (khas) dari tenaga listrik, yakni tenaga listrik tidak dapat disimpan dalam skala besar, dengan demikian tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya akan timbul persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap atau selalu berubah dari waktu ke waktu, sehingga harus ada penjadualan dalam mengoperasikan suatu sistem tenaga listrik agar selalu dapat memenuhi permintaan daya pada setiap saat, dengan kualitas baik dan efisien. Apabila daya yang dikirim dari suatu pembangkit listrik jauh lebih besar daripada permintaan daya pada beban, maka akan terjadi pemborosan energi pada perusahaan listrik. Sebaliknya apabila daya yang dibangkitkan atau yang disediakan pembangkit listrik lebih rendah dari permintaan atau kebutuhan beban konsumen maka akan terjadi over load yang akan berdampak pada terjadinya pemadaman, hal ini tentunya harus dihindari karena akan merugikan pihak konsumen dalam hal kontinuitas layanan. Oleh karena itu diperlukan suatu pengendalian atau penyesuaian antara pembangkitan dengan permintaan daya. Agar tercapai penyesuaian antara pembangkitan dan permintaan daya, maka pihak penyedia listrik harus mengetahui beban atau permintaan daya listrik untuk beberapa waktu ke depan.

2 Prakiraan permintaan beban listik berdasarkan jangka waktu dapat dikelompokkan dalam (Marsudi, 2006) : 1) Prakiraan beban jangka panjang (long term) adalah prakiraan permintaan beban dengan jangka waktu di atas 1 (satu) tahun. 2) Prakiraan beban jangka menengah (medium term) adalah prakiraan permintaan beban dengan jangka waktu satu bulan sampai dengan satu tahun. 3) Prakiraan beban jangka pendek (short term) adalah prakiraan permintaan beban dengan jangka waktu beberapa jam dalam sehari sampai dengan satu minggu. Pada penelitian kali ini akan dibangun model prediksi yang dapat melakukan prakiraan beban listrik jangka pendek yang dapat digunakan untuk penjadualan dalam pengoperasian mesin pembangkit listrik.

1.2. Rumusan Permasalahan Metode prakiraan beban listrik jangka pendek yang selama ini dikembangkan atau telah diterapkan PLN adalah dengan metode koefisien beban yang merupakan metode konvensional berbasis statistik, yang dilakukan dengan mempelajari data beban listrik terdahulu. Koefisien beban didapatkan untuk tiap-tiap jam selama 24 jam untuk hari Senin s/d Minggu yang merupakan angka atau representasi dari prosentase atau perbandingan besar beban pada jam tersebut terhadap beban puncak pada hari tersebut. Koefisien beban yang telah didapat kemudian digunakan untuk memprediksi beban minggu berikutnya dengan mengalikan koefisien tersebut dengan beban puncak minggu yang sama tahun lalu. Selanjutnya koefisien beban ini perlu dikoreksi secara terus menerus berdasarkan hasil pengamatan atas beban yang sesungguhnya terjadi. Keberhasilan prediksi beban dengan metode ini terletak pada pengalaman dan keahlian ”seorang” perencana penyediaan listrik yang lebih banyak dilakukan secara empiris. Oleh karena itu adanya metode lain yang dapat melakukan prakiraan beban listrik jangka pendek yang lebih sistematis dan akurat dengan menyertakan faktorfaktor yang mempengaruhinya sangat diperlukan.

3 1.3. Tujuan Penelitian Tujuan dari penelitian ini adalah untuk membangun dan merancang suatu model yang dapat digunakan untuk melakukan prediksi atau prakiraan beban listrik jangka pendek (short term) dengan menggunakan jaringan syaraf tiruan. Alasan dari penggunaan jaringan syaraf tiruan (JST) adalah karena JST mampu melakukan pembelajaran terhadap pola data atau contoh yang diinputkan atau dapat melakukan generalisasi, abstraksi dan ekstraksi terhadap propertis data statistik data historis beban listrik kemudian dapat melakukan prediksi atau prakiraan besar beban yang akan datang.

1.4. Ruang Lingkup Ruang lingkup dalam penelitian ini, adalah : 1) Model prediksi atau prakiraan beban listrik yang akan dibangun adalah untuk Wilayah Kerja PT. PLN untuk Kota Pontianak atau PLN Wilayah Kalimantan Barat Sektor Kapuas. 2) Faktor cuaca yang akan digunakan sebagai variabel dalam model yang dikembangkan adalah suhu atau temperatur udara, yang diperoleh di Kantor Badan Meteorologi dan Geofisika (BMG) Pontianak. 3) Model JST yang akan dibangun menggunakan metode pembelajaran backpropagation atau propagasi balik dengan beberapa fungsi pelatihan (training functions).

1.5. Manfaat Penelitian Model prediksi yang dikembangkan pada penelitian ini dapat menjadi salah satu model alternatif untuk membuat atau menyusun jadual pengoperasian mesin pembangkit tenaga/daya listrik jangka pendek (harian atau mingguan) dan menjadi acuan bagi operator pembangkit listrik dalam penyediaan/suplai tenaga listrik sesuai dengan permintaan daya atau kebutuhan konsumen.

BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban sistem tenaga listrik merupakan pemakaian tenaga listrik dari para pelanggan listrik (konsumen) oleh karenanya besar kecilnya beban beserta perubahannya tergantung pada kebutuhan para pelanggan akan tenaga listrik, sedangkan sisi pembangkitan merupakan bagian yang memproduksi tenaga listrik. Seperti telah disebutkan terdahulu, bahwa tingkat produksi atau tenaga yang dihasilkan oleh mesin pembangkit listrik harus sesuai dengan tingkat kebutuhan atau besar beban yang harus dilayani. Oleh karenanya dalam mengoperasikan sistem tenaga listrik diperlukan perencanaan yang baik, untuk itu perlu dibuat Rencana Operasi terlebih dahulu sebelum suatu sistem akan dioperasikan. Rencana Operasi adalah suatu rencana mengenai bagaimana suatu sistem tenaga listrik akan dioperasikan untuk kurun atau jangka waktu tertentu. Rencana Operasi ini selanjutnya akan dipakai sebagai pedoman dalam pengoperasian sistem tenaga listrik. Rencana operasi berkaitan erat dengan upaya penyediaan tenaga listrik yang efisien dan handal. Efisien dimaksudkan agar tenaga listrik yang dibangkitkan benarbenar sesuai dengan yang dibutuhkan, sedangkan handal berkenaan dengan kualitas dan kuntinyuitas pelayanan. Untuk mengetahui berapa besar beban listrik yang harus dilayani, sebenarnya tidak ada perhitungan yang eksak mengenai berapa besar beban pada suatu saat, yang bisa dilakukan hanyalah membuat prakiraan atau prediksi beban. Untuk membuat prakiraan beban yang baik, perlu data atau informasi tentang beban sistem tenaga listrik yang sudah terjadi di masa lalu (Marsudi 2006). Oleh karenanya data statistik beban dari masa lalu sangat diperlukan untuk melakukan prakiraan beban listrik di masa yang akan datang yang dilakukan dengan cara mengekstrapolir grafik beban di masa lampau ke masa yang akan datang. Beberapa hal yang menyebabkan terjadinya perubahan beban listrik, antara lain sebagai berikut : 1) Bertambahnya jumlah konsumen atau pelanggan tenaga listrik;

5 2) Bertambahnya tingkat konsumsi tenaga listrik dari konsumen, misalnya karena menambah peralatan listrik; 3) Suhu udara, ketika suhu udara tinggi maka pemakaian alat-alat pendingin ruangan bertambah; 4) Aktivitas atau kegiatan ekonomi dalam masyarakat; 5) Kegiatan sosial dalam masyarakat.

Prakiraan beban listrik berdasarkan jangka waktu dapat dikelompokkan menjadi (Marsudi 2006) : 1. Perkiraan Beban Jangka Panjang Perkiraan beban jangka panjang adalah untuk jangka waktu di atas satu tahun. Persoalan makroekonomi merupakan masalah ekstern perusahaan listrik yang sangat menentukan arah prakiraan beban, masalah makroekonomi tersebut antara lain adalah pendapatan per kapita penduduk Indonesia. Karena prakiraan beban jangka panjang banyak menyangkut masalah makroekonomi yang bersifat ekstern, maka penyusunannya perlu mendapat pengarahan dari pemerintah. 2. Perkiraan Beban Jangka Menengah Prakiraan beban jangka menengah adalah untuk jangka waktu satu bulan sampai dengan satu tahun. Berbeda dengan prakiraan beban jangka panjang yang lebih banyak digunakan untuk keperluan perencanaan pengembangan sistem, sedangkan dalam prakiraan beban jangka menengah aspek operasional yang menonjol, karena dalam jangka menengah (kurang dari satu tahun) tidak banyak yang dapat dilakukan dalam segi pengembangan. Penyambungan langganan baru yang mempunyai daya tersambung dengan nilai antara 1% sampai dengan 3% dari beban puncak sistem perlu diperhitungkan dalam prakiraan beban jangka menengah. 3. Perkiraan Beban Jangka Pendek Prakiraan beban jangka pendek adalah untuk jangka waktu beberapa jam sampai satu minggu (168 jam). Dalam prakiraan beban jangka pendek terdapat batas atas untuk beban maksimum dan batas bawah untuk beban minimum yang ditentukan oleh prakiraan beban jangka menengah. Besarnya beban untuk setiap jam ditentukan dengan memperhatikan langgam/perilaku beban di waktu yang lalu

6 dengan memperhatikan berbagai informasi yang dapat mempengaruhi besarnya beban sistem seperti acara televisi dan suhu udara. Metode yang telah dikembangkan dan diterapkan oleh PLN dalam melakukan prakiraan beban listrik jangka pendek adalah Metode Koefisien Beban. Beban listrik untuk setiap jam diberi koefisien yang menggambarkan besarnya beban pada jam tersebut dalam perbandingannya terhadap beban puncak, misalnya k4 = 0,6 berarti bahwa beban pada jam 04.00 adalah sebesar 0,6 kali beban puncak yang terjadi pada jam 19.00 atau pada k19 = 1,0. Koefisien-koefisien ini berbeda untuk hari Senin s/d Minggu dan juga untuk hari libur bukan Minggu. Beban puncak dapat diperkirakan dengan melihat beban puncak mingguan pada tahun-tahun yang lalu kemudian dengan menggunakan koefisien-koefisien tersebut di atas bisa diperkirakan grafik beban harian untuk suatu minggu yang akan datang. Koefisien-koefisien ini perlu dikoreksi secara terus-menerus berdasarkan hasil pengamatan atas beban yang sesungguhnya terjadi.

2.2. Pengertian Neural Network Neural network atau artificial neural network (jaringan syaraf tiruan disingkat JST) adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Definisi lain menurut Fausett (1994) artificial neural network adalah suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi. Jaringan syaraf tiruan tercipta sebagai generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan pada asumsi : 1) Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron, unit, sel atau node. 2) Isyarat mengalir di antara sel syaraf/neuron melalui suatu sambungan penghubung. 3) Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan isyarat yang dikirim melaluinya.

7 4) Setiap sel syaraf/neuron akan menerapkan fungsi aktivasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya. Karakteristik jaringan syaraf tiruan ditentukan oleh : - pola hubungan antar neuron (disebut dengan arsitektur jaringan); - metode untuk menentukan bobot penghubung (disebut metode training/ learning/algoritma); - fungsi aktivasi. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron tersebut. Beberapa neuron akan mentransformasikan informasi yang diterimanya melalui sambungan keluaran menuju neuron-neuron yang lain. Dengan kata lain, neuron adalah sebuah unit pemroses informasi yang merupakan dasar operasi jaringan syaraf tiruan. Neuron ini dimodelkan dari penyederhanaan sel syaraf manusia yang sebenarnya. Gambar 1 adalah ilustrasi atau gambar yang menunjukkan suatu neuron.

Gambar 1. Struktur Unit Jaringan Syaraf Tiruan

Gambar 1 memperlihatkan struktur unit pengolah jaringan syaraf tiruan. Pada sisi sebelah kiri terlihat beberapa masukan yang menuju ke unit pengolah, yang masingmasing datang dari unit-unit yang berbeda Xn. Setiap sambungan mempunyai kekuatan hubungan terkait (bobot) yang disimbolkan dengan Wn. Unit pengolah akan membentuk penjumlahan berbobot dari tiap masukannya dan menggunakan fungsi

8 ambang non-linier (fungsi aktivasi) untuk menghitung keluarannya. Hasil perhitungan akan dikirimkan melalui hubungan keluaran seperti pada gambar pada sisi sebelah kanan. Pada Gambar 2 diperlihatkan suatu jaringan syaraf tiruan yang terdiri atas 3 lapisan unit pengolah. Lapisan pertama adalah unit-unit masukan. Unit-unit ini menyatakan nilai sebuah pola sebagai masukan jaringan. Lapisan tengah adalah lapisan tersembunyi (hidden layer) yang menanggapi sifat-sifat tertentu yang mungkin terlihat dalam pola masukan. Kadang-kadang terdapat lebih dari satu lapisan tersembunyi dalam satu jaringan. Lapisan terakhir adalah lapisan keluaran, yang bertugas sebagai tempat keluaran bagi jaringan syaraf.

Gambar 2. Jaringan Syaraf Tiruan dengan 3 Lapisan

Jaringan syaraf tiruan juga dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model syaraf biologi. Model syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. Rao (1993) mendefinisikan jaringan syaraf (tiruan) sebagai sebuah kelompok pengolahan elemen dalam suatu kelompok yang khusus membuat perhitungan sendiri dan memberikan hasilnya kepada kelompok kedua atau berikutnya. Setiap sub-

9 kelompok menurut gilirannya harus membuat perhitungan sendiri dan memberikan hasilnya untuk subgrup atau kelompok yang belum melakukan perhitungan. Pada akhirnya sebuah kelompok dari satu atau beberapa pengolahan elemen tersebut menghasilkan keluaran (output) dari jaringan. Setiap pengolahan elemen membuat perhitungan berdasarkan pada jumlah masukan (input). Sebuah kelompok pengolahan elemen disebut layer atau lapisan dalam jaringan. Lapisan pertama adalah input dan yang terakhir adalah output. Lapisan di antara lapisan input dan output disebut dengan lapisan tersembunyi (hidden layer). Jaringan syaraf tiruan merupakan suatu bentuk arsitektur yang terdistribusi paralel dengan sejumlah besar neuron dan hubungan antar neuron tersebut . Tiap titik hubungan dari satu neuron ke neuron yang lain mempunyai harga yang diasosiasikan dengan bobot. Setiap neuron memiliki suatu nilai yang diasosiasikan sebagai titik aktivasi neuron. Berdasarkan cara memodifikasi bobotnya, ada dua macam pelatihan yang dikenal yaitu dengan terawasi atau terbimbing (supervised) dan tanpa pengawasan atau tanpa bimbingan (unsupervised). Dalam pelatihan dengan supervised, terdapat sejumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai ”guru” untuk melatih jaringan hingga diperoleh bentuk yang terbaik. ”Guru” akan memberikan informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk meningkatkan unjuk kerjanya. Pada setiap kali pelatihan, suatu input diberikan ke jaringan. Jaringan akan memperoses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Jaringan yang proses atau metode pelatihannya dengan pengawasan antara lain adalah perceptron, adaline dan backpropagation. Sebaliknya dalam pelatihan tanpa pengawasan (unsupervised), tidak ada ”guru” yang akan mengarahkan proses pelatihan. Perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut.

10 2.3. Arsitektur Jaringan Syaraf Tiruan Jaringan syaraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh (general rule) dimana seluruh model jaringan memiliki konsep dasar yang sama. Arsitektur JST berkenaan dengan susunan neuron yang memperlihatkan pola hubungan antar neuron serta banyaknya layer/lapisan yang diterapkan pada jaringan. Arsitektur sebuah jaringan akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalahan dapat diselesaikan dengan arsitektur yang sama. Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak di antara lapisan input dan lapisan output seperti terlihat pada Gambar 3. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada lapisan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit.

Gambar 3. Jaringan Syaraf Tiruan dengan Banyak Lapisan

11 2.4. Propagasi Balik (Backpropagation) Jaringan propagasi balik (backpropagation) merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan persoalan atau masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih (learned) dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan secara berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan. Algoritma pelatihan jaringan syaraf tiruan propagasi balik terdiri atas 2 langkah, yaitu perambatan/propagasi maju dan perambatan/propagasi mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan. Jaringan propagasi balik terdiri atas 3 atau lebih lapisan/layer. Perbedaannya hanya pada jumlah lapisan tersembunyi yang dimilikinya, ada yang 1 lapisan ada yang lebih dari 1 lapisan. Gambar 4 menunjukkan jaringan propagasi balik dengan 3 lapisan, bagian bawah gambar sebagai masukan, bagian tengah disebut sebagai lapisan tersembunyi dan bagian atas disebut lapisan keluaran. Ketiga lapisan ini terhubung secara penuh.

Gambar 4. Tiga Lapisan Jaringan Propagasi Balik

12 Perambatan maju dimulai dengan memberikan pola masukan ke lapisan masukan. Pola masukan ini merupakan nilai aktivasi unit-unit masukan. Dengan melakukan perambatan maju dihitung nilai aktivasi pada unit-unit di lapisan berikutnya. Pada setiap lapisan, tiap unit pengolah melakukan penjumlahan berbobot dan menerapkan fungsi sigmoid untuk menghitung keluarannya.

Untuk menghitung nilai penjumlahan berbobot digunakan rumus : n

S = ∑x w j

i =0

i

ji

........................................................................................... (2.1)

Dengan :

xi

= masukan yang berasal dari unit i

wji = bobot sambungan dari unit i ke unit j. Setelah nilai Sj dihitung, fungsi sigmoid diterapkan pada Sj untuk membentuk f(Sj). Fungsi sigmoid ini mempunyai persamaan :

f (S j ) =

1 …………………………….……...………………. (2.2) 1 + e − Sj

Gambar 5. Langkah Perambatan Maju

Hasil perhitungan f(Sj) ini merupakan nilai aktivasi pada unit pengolah j. Nilai ini dikirimkan ke seluruh keluaran unit j. Setelah perambatan maju selesai dikerjakan maka jaringan siap melakukan perambatan mundur. Pada perambatan mundur yang dilakukan adalah menghitung galat dan mengubah bobot-bobot pada semua interkoneksinya. Di sini galat dihitung pada

13 semua unit pengolah dan bobotpun diubah pada semua sambungan. Perhitungan dimulai dari lapisan keluar dan mundur sampai lapisan masukan. Hasil keluaran dari perambatan maju dibandingkan hasil keluaran yang diinginkan. Berdasarkan perbedaan ini kemudian dihitung galat untuk tiap-tiap lapisan pada jaringan. Pertama-tama dihitung galat untuk lapisan keluaran (Gambar 6.a), kemudian bobotbobot setiap sambungan yang menuju lapisan keluaran disesuaikan. Setelah itu dihitung harga galat pada lapisan tersembunyi (Gambar 6.b) dan dihitung perubahan bobot yang menuju ke lapisan tersembunyi. Demikian proses dilakukan mundur sampai ke lapisan masukan secara iteratif.

Jika j adalah salah satu unit pada lapisan keluaran maka galat lapisan keluaran dapat dihitung dengan rumus : δj = (tj – yj) f’(Sj) .................................................................................. (2.3) Dengan : tj

= keluaran yang diinginkan dari unit j

yj

= keluaran dari unit j

f’(Sj) = turunan pertama dari fungsi sigmoid Sj

= hasil penjumlahan berbobot.

Gambar 6. Fungsi Sigmoid Beserta Turunannya.

Jika j adalah suatu lapisan tersembunyi, maka galat lapisan tersembunyi dapat dihitung dengan menggunakan rumus :

δ j = k [∑ δ k wkj . f ']( S j )

…………...…………………………………. (2.4)

14

∆wji = α.δj.xi .............................................................................................. (2.5) Dengan : ∆wji = perubahan bobot dari unit i ke unit j α

= laju belajar (learning rate)

δj

= galat lapisan tersembunyi

xi

= masukan yang berasal dari unit i

Variabel α menyatakan suatu konstanta belajar yang berharga antara 0.25-0.75. Nilai ini menunjukkan kecepatan belajar dari jaringan. Nilai yang terlalu tinggi dapat menyebabkan jaringan menjadi tidak stabil sedangkan nilai yang terlalu kecil dapat menjadikan waktu belajar yang lama. Oleh karena itu pemilihan nilai α harus seoptimal mungkin agar didapatkan proses belajar yang cepat. Dalam hal cara memodifikasi bobot (weight), pada propagasi balik standar, perubahan bobot didasarkan atas gradien yang terjadi untuk pola yang dimasukkan saat itu. Modifikasi yang dapat dilakukan adalah melakukan perubahan bobot yang didasarkan atas arah gradien pola terakhir dan pola sebelumnya (disebut momentum) yang dimasukkan (Jong 2005). Jadi tidak hanya pola masukkan terakhir saja yang diperhitungkan. Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lain (outlier). Apabila beberapa data terakhir yang diberikan ke jaringan memiliki pola serupa (berarti arah gradien sudah benar), maka perubahan bobot dilakukan secara cepat. Namun apabila data terakhir yang dimasukkan memiliki pola yang berbeda dengan sebelumnya, maka perubahan dilakukan secara lambat. Algoritma selengkapnya pelatihan jaringan backpropagation adalah sebagai berikut (Fausett 1994): Langkah 0

: Inisialisasi bobot-bobot (tetapkan dalam nilai acak kecil)

Langkah 1

: Bila syarat berhenti adalah salah, kerjakan langkah 2 sampai 9.

Langkah 2

: Untuk setiap pasangan pelatihan, kerjakan langkah 3 sampai 8.

Umpan maju : Langkah 3

: Tiap unit masukan (xi, i = 1,....,n) menerima isyarat masukan xi dan diteruskan ke unit-unit tersembunyi.

15 Langkah 4

: Tiap unit tersembunyi (zj, j = 1,...,p) menjumlahkan isyarat masukan berbobot, n

z _ in j = voj + ∑ xi vij ................................................................ (2.6) i =1

dengan menerapkan fungsi aktivasi hitung : zj = f(z-inj) ................................................................................. (2.7) dan kirim isyarat ini ke unit-unit keluaran.

Gambar 7. Backpropagation Dengan Satu Lapisan Tersembunyi

Langkah 5

: Tiap unit keluaran (yk, k = 1,....,m) menjumlahkan isyarat masukan berbobot, p

y _ in k = wok + ∑ z j w jk ............................................................ (2.8) j =1

dengan menerapkan fungsi aktivasi hitung, yk = f(y_ink) ............................................................................... (2.9)

Perambatan Balik Galat : Langkah 6

: Tiap unit keluaran (yk, k = 1,...,m) menerima pola sasaran berkaitan dengan pola pelatihan masukannya.

16 Hitung galat informasi : δk = (tk – yk) f’(y_ink) .............................................................. (2.10) Hitung koreksi bobot dan prasikapnya: ∆ wjk = α δk zj .......................................................................... (2.11) ∆ w0k = α δk ............................................................................. (2.12) Langkah 7

: Tiap unit tersembunyi (zj, j = 1,....,p) menjumlahkan delta masukannya (dari unit-unit di lapisan atasnya). m

δ _ in j = ∑ δ k k =1

w

jk

................................................................. (2.13)

Hitung galat informasinya : δj = δ_inj f’(z_inj) .................................................................... (2.14) Hitung koreksi bobot dan prasikapnya :

∆vij = α δj xi ............................................................................. (2.15) Perbaharui bobot dan prasikapnya : Langkah 8

: Tiap unit keluaran (yk, k=1,...,m) memperbaharui bobot-bobot dan prasikapnya (j=0,1, ....,p) wjk(baru) = wjk(lama) + ∆wjk .................................................. (2.16) Tiap unit tersembunyi (zj, j=1,...,p) memperbaharui bobot dan prasikapnya (i=0,1,…,n); vij(baru) = vij(lama) + ∆vij ........................................................ (2.17)

Langkah 9

: Uji syarat berhenti.

Prosedur pembaharuan bobot-bobot dapat dimodifikasi dengan menggunakan momentum. Dengan menambahkan momentum ke dalam rumus pembaharuan bobot, biasanya konvergensi akan lebih cepat dicapai. Dalam pembaharuan bobot menggunakan momentum, nilai bobot pada iterasi ke (t+1) ditentukan oleh nilai bobot pada iterasi ke t dan ke (t-1). Rumus pembaharuan bobotnya adalah sebagai berikut :

wij (t + 1) = w jk (t ) + αδ k z j + µ ⎣w jk (t ) − w jk (t − 1)⎦ atau, ∆wij (t + 1) = αδ k z j + µ∆wij (t ) ............................................................. (2.18)

17 dan, vij (t + 1) = v jk (t ) + αδ j xi + µ ⎣v jk (t ) − v jk (t − 1) ⎦ atau, ∆vij (t + 1) = αδ j xi + µ∆vij (t ) ............................................................... (2.19)

Dengan : x1..xn : masukan y1..yn : keluaran z1..zn : nilai lapisan tersembunyi vij

: bobot antara lapisan masukan dan lapisan tersembunyi

wjk

: bobot antara lapisan tersembunyi dan lapisan keluaran

δ

: galat informasi

α

: kecepatan atau laju belajar

µ

: momentum

Kecepatan konvergensi juga dapat ditingkatkan dengan memodifikasi laju belajar menjadi adaptive yang berubah selama proses pelatihan. Jika galat yang muncul lebih besar daripada galat sebelumnya maka nilai bobot-bobot, prasikap, keluaran, dan galat yang baru diabaikan, dan nilai laju belajar diturunkan. Jika galat yang muncul lebih kecil daripada galat sebelumnya, maka nilai bobot-bobot, prasikap, keluaran, dan galat yang baru disimpan, dan laju belajar ditingkatkan.

2.5. Mean Square Error (MSE) Jaringan syaraf tiruan propagasi balik dilatih dengan metode belajar terbimbing. Pada metode ini jaringan diberi sekumpulan pasangan pola yang terdiri dari pola masukan dan pola yang diinginkan. Pelatihan dilakukan berulang-ulang sehingga dihasilkan jaringan yang memberikan tanggapan yang benar terhadap semua masukannya. Perhitungan kesalahan (error) merupakan pengukuran bagaimana jaringan dapat belajar dengan baik, sehingga jika dibandingkan dengan pola yang baru akan dengan mudah dikenali. Kesalahan (error) pada keluaran jaringan merupakan selisih antara keluaran sebenarnya (current output) dan keluaran yang diinginkan (desired output) atau target.

18 Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan persamaan :

-

Sum Square Error (SSE) : SSE = ∑ p

-

jp

− Y jp ) 2 ....................................................................... (2.20)

j

Mean Square Error (MSE) :

MSE = -

∑ (T

SSE .......................................................................................... (2.21) n p .n j

Root Mean Square Error (RMSE) :

RMSE = MSE …………………………..…..……………………….. (2.22) Dimana : Tjp = nilai keluaran yang diinginkan atau target jaringan syaraf Yjp = nilai keluaran jaringan syaraf np = jumlah seluruh pola nj = jumlah keluaran 2.6. Transformasi Data

Sebelum menggunakan data dengan metode atau teknik yang akan diterapkan, kita harus melakukan praprosesing terhadap data. Hal ini dilakukan untuk mendapatkan hasil analisis yang lebih akurat dalam pemakaian teknik-teknik

machine learning atau data mining. Dalam beberapa hal, praprosesing bisa membuat nilai data menjadi lebih kecil tanpa merubah informasi yang dikandungnya. Ada beberapa cara transformasi data yang dilakukan sebelum menerapkan suatu metode, antara lain adalah normalisasi atau scaling adalah prosedur mengubah data sehingga berada dalam skala tertentu (Santosa 2007). Skala ini bisa antara (0,1), (-1,1) atau skala lain yaang dikehendaki. Misalkan kita akan mentransformasi data beban listrik, data beban tersebut akan dikonversi ke dalam skala atau rentang nilai antara 0 sampai dengan 1. Dalam hal ini batas bawah (BB) adalah 0 dan batas atas (BA) adalah 1. Jika nilai maksimum tiap kolom adalah Xmax dan nilai minimumnya adalah Xmin, untuk mengubah data ke skala baru, untuk setiap data bisa dilakukan rumus :

X’ =

X − X min * ( BA − BB ) + BB ................................................... X max − X min

(2.23)

19 2.7. Missing Value

Jika suatu set data mempunyai beberapa pengamatan dengan missing value (record dengan beberapa nilai variabel tidak ada), maka ada beberapa cara mengatasinya. Kalau jumlah datanya besar, maka pengamatan dengan missing value bisa diabaikan. Ini dengan pertimbangkan bahwa pengamatan yang serupa masih banyak ditemukan di dalam data. Jika jumlah pengamatan terbatas atau kecil, maka missing value bisa diganti dengan nilai rata-rata dari variabel yang bersangkutan.

2.8. Penelitian Terdahulu

Sebenarnya penelitian atau riset terdahulu tentang prediksi beban listrik menggunakan jaringan syaraf tiruan (artificial neural network) bukanlah hal baru, namun telah banyak dilakukan baik oleh peneliti luar maupun peneliti dalam negeri sendiri, antara lain sebagai berikut : 1) El-Sharkawi (1991). Short Term Electric Load Forecasting Using An Adaptively Trainer Layered Perceptron, IEEE. 2) Lee dan Park (1992). Short Term Load Forecasting Using an Artificial Neural Network, IEEE. 3) Karmila (2006). Pengembangan Jaringan Syaraf Tiruan pada Pemodelan Prakiraan Beban Listrik Jangka Pendek (Studi Kasus beban listrik Region I Jakarta-Banten). 4) Adepoju et al. (2007). Application of Neural Network to Load Forecasting in Nigerian Electrical Power System, The Pacific Journal of Science Technology. Hasil penelitian dari para peneliti tersebut di atas adalah Jaringan Syaraf Tiruan dapat digunakan untuk melakukan prediksi atau prakiraan beban listrik relatif lebih baik atau lebih akurat dari metode konvensional berbasis statistik.

BAB III METODE PENELITIAN 3.1. Kerangka Pemikiran

Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk mendapatkan besar beban listrik jam per jam selama satu hari ke depan (besok), yang dapat digunakan para operator dalam pengendalian dan penjadualan mesin pembangkit listrik. Untuk melakukan prakiraan beban listrik, langkah pertama yang perlu dilakukan adalah dengan mempelajari dan mengevaluasi pola-pola beban setiap hari dalam satu minggu sampai beberapa minggu. Pola beban dalam setiap hari, menunjukkan perilaku konsumen atau pelanggan dalam menggunakan atau memanfaatkan tenaga listrik. Beban pada saat ini (current load) diakibatkan atau dipengaruhi oleh beban beberapa waktu berlalu (Lee dan Park 1992), misalnya beban pada hari Rabu dipengaruhi oleh beban pada hari Senin dan Selasa. Dengan kata lain, beban listrik pada jam ke-49 dipengaruhi oleh beban listrik yang terjadi 48 jam sebelumnya. Kerangka pemikiran untuk membangun suatu model prediksi/prakiraan beban listrik tersebut diperlihatkan seperti diagram alir berikut. Diagram alir ini memperlihatkan tahapan-tahapan ataupun proses-proses yang akan dilakukan dalam rencana penelitian ini. 1. Identifikasi masalah Identifikasi masalah merupakan tahap awal dari rencana penelitian ini. Prakiraan beban listrik beberapa waktu (satu hari sampai satu minggu) ke depan diperlukan dalam rangka membuat penjadualan sebagai pedoman bagi operator dalam pengoperasian mesin pembangkit listrik. Metode yang digunakan oleh pihak PLN selama ini adalah metode koefisien beban. Metode ini relatif sulit dilakukan dan memerlukan keahlian khusus serta pengalaman dalam memahami karakteristik beban (listrik) suatu daerah, sehingga tersedianya suatu metode alternatif yang cukup akurat dan relatif lebih mudah dilakukan untuk memprediksi beban masih diperlukan.

21

Gambar 8. Diagram Alir Model Prakiraan Beban Listrik Jangka Pendek

22 2. Pengumpulan Data Pengumpulan data, merupakan kegiatan yang bertujuan untuk mendapatkan dan melengkapi data yang diperlukan untuk melakukan penelitian, dalam hal ini adalah berupa data historis beban listrik dan temperatur udara kota Pontianak beberapa bulan yang lalu. Data tersebut berupa data beban listrik harian yang memperlihatkan perilaku beban listrik Kota Pontianak, berupa besar beban listrik dalam Mega-Watt (MW) dan waktu terjadinya beban tersebut dalam setiap hari (24 jam). Data tersebut diperoleh di PT. PLN Wilayah Kalbar (Unit Sektor Kapuas) untuk data beban listrik, sedangkan data atau informasi tentang temperatur udara harian berupa data temperatur minimum, rata-rata dan maksimum Kota Pontianak yang didapat di Badan Meteorologi dan Geofisika Supadio Pontianak. Kedua jenis data historis (beban listrik dan temperatur) tersebut di atas adalah data harian dengan rentang waktu Januari 2007 – Mei 2007. 3. Praproses Data Praproses data dimaksudkan untuk mempersiapkan dan memperlakukan data beban listrik dan temperatur udara agar dapat diproses atau diterapkan pada model JST yang akan dikembangkan, beberapa tahapan dapat disampaikan sebagai berikut : a) Koreksi Data Koreksi terhadap data perlu dilakukan, baik terhadap record data beban listrik maupun temperatur udara yang hilang (miss value) dengan cara yang dapat dibenarkan yaitu dengan mengganti nilai tersebut dengan nilai rata-rata. b) Normalisasi Data Normalisasi data diperlukan dengan maksud untuk mempermudah proses perhitungan yaitu dengan mentransformasi nilai data kedalam range atau rentang nilai tertentu. Misalnya range data ditransformasi menjadi antara 0 dan 1, artinya data minimal adalah 0 dan data maksimal adalah 1. Hal ini disesuaikan dengan kebutuhan ataupun metode aktivasi yang diterapkan pada model JST yang dikembangkan.

23 4. Data Training dan Testing Membagi data tersebut menjadi 2 (dua) bagian, untuk keperluan pelatihan (data training) dan pengujian (data testing) agar menjadi data sebagai input (vektor input) maupun sebagai target (output) yang sesuai dengan model JST yang dikembangkan. 5. Rancangan Model dengan Jaringan Syaraf Tiruan (JST) Rancangan model prakiraan beban listrik jangka pendek dilakukan dengan membangun Jaringan Syaraf Tiruan (JST) dengan metode pembelajaran backpropagation atau propagasi balik, kemudian melakukan perubahan pada

learning rate dan jumlah neuron pada hidden layer dengan trial and error, dengan harapan agar terjadinya konvergen menjadi lebih cepat. 6. Pengujian Model Pengujian pada model JST dilakukan untuk mengetahui ketepatan atau akurasi hasil atau ouput dari model prakiraan yang dibangun, dibandingkan dengan besar beban listrik yang sebenarnya (beban real). 7. Model Prakiraan Beban Listrik Model prakiraan yang telah dilakukan pengujian, telah siap untuk melakukan prakiraan beban listrik beberapa waktu kedepan dengan meng-inputkan data baru yang belum pernah dipakai pada proses training.

3.2 Data dan Alat

Data yang dibutuhkan pada penelitian ini adalah data historis beban listrik dan data temperatur udara Kota Pontianak untuk wilayah/area yang menjadi fokus penelitian. Data tersebut diperoleh di PT. PLN Wilayah Kalbar dan Kantor Badan Meteorologi dan Geofisika Supadio Pontianak ataupun unit/satuan kerja lain yang terkait. Alat-alat dan software (tool) yang digunakan diantaranya, seperangkat Personal Computer (Notebook) dengan spesifikasi Processor type Intel Pentium-4 1.8 GHz, RAM 512 Mb, Hardisk 60 Gb, dan software Matlab versi 7.0, dan Microsoft Office 2003 untuk pengetikan dan dokumentasi penelitian.

24 3.3 Waktu dan Tempat Penelitian

Penelitian dilaksanakan mulai Juni 2007 dan direncanakan akan selesai pada April 2008 bertempat di Laboratorium Komputer Program Magister Ilmu Komputer FMIPA-Institut Pertanian Bogor di Baranangsiang Bogor.

BAB IV PERANCANGAN DAN IMPLEMENTASI MODEL JST 4.1. Desain Arsitektur Model JST Rancangan arsitektur model JST yang akan dikembangkan disesuaikan dengan aplikasi yang akan dikembangkan. Untuk melakukan prediksi atau prakiraan beban listrik yang memerlukan data atau pola beban atau input yang relatif besar, jaringan dengan banyak lapisan (multilayer net) dengan algoritma backpropagation dan metode pembelajaran terawasi (learning supervised) merupakan pilihan yang baik. Pada jaringan (model JST) diberikan sepasang pola yang terdiri dari pola masukan dan pola yang diinginkan atau target. Data beban yang digunakan sebagai input bagi model JST yang dikembangkan adalah data beban listrik setiap jam dalam sehari (beban selama 24 jam) dari bulan Januari 2007 s/d Mei 2007. Untuk data temperatur yang akan digunakan atau menjadi masukan bagi model JST adalah temperatur udara harian yang terdiri dari temperatur minimum, maksimum dan rata-rata. Dengan besarnya data yang akan digunakan dan relatif kompleksnya persoalan yang harus diselesaikan maka model JST yang akan dikembangkan adalah JST dengan arsitektur multilayer net yang terdiri dari 3 (tiga) layer (lapisan) yaitu : -

Satu lapisan input yang terdiri dari beberapa neuron yang jumlahnya disesuaikan pola input.

-

Satu lapisan tersembunyi dengan beberapa neuron yang jumlahnya dilakukan dengan coba-coba (trial and error), yang dipilih adalah yang menghasilkan konvergensi dengan jumlah iterasi (epoch) paling sedikit.

-

Satu lapisan output/keluaran yang terdiri dari bebarapa neuron tergantung pola keluaran yang diinginkan.

4.2. Penentuan Pola Input dan Ouput A. Pola Input -

Data beban listrik per hari yang memperlihatkan besar beban listrik dalam setiap jam selama 24 jam.

26 -

Beban listrik atau pola beban listrik besok (yang akan datang) dipengaruhi oleh pola beban kemarin dan hari ini.

B. Pola Ouput Keluaran yang diharapkan dari model atau jaringan adalah berupa prediksi atau prakiraan pola beban listrik besok (mendatang) atau besar beban listrik jam per jam selama 24 jam. Dengan demikian jumlah neuron keluaran jaringan adalah 24 neuron. Variabel yang mempengaruhi perilaku beban listrik adalah temperatur udara sehingga data atau record tentang kondisi suhu udara pada hari yang sama dengan terjadinya suatu beban dimasukkan sebagai input jaringan yang terdiri dari temperatur minimum, maksimum dan rata-rata. Berikut adalah gambar diagram blok dari model JST yang akan dikembangkan :

Beban kemarin (24) Beban besok (24) (Hasil Prediksi)

Beban hari ini (24) Model JST

Temperatur kemarin (3) Temperatur hari ini (3)

Gambar 9. Diagram Blok Model JST

Tabel 1. Input-Output Model Jaringan Input Model JST (Xn)

Keterangan

X1,...,X24

Data beban listrik kemarin jam per jam selama 24 jam, 24 neuron input

X25,...,X48

Data beban listrik hari ini jam per jam selama 24 jam, 24 neuron input.

X49 - X51

Data suhu udara kemarin (Tmin, Tavg, Tmaks), 3 neuron input

X52 - X54

Data suhu udara hari ini (Tmin, Tavg, Tmaks), 3 neuron input

27 Output Model JST (Yn)

Keterangan

Y1,...,Y24

Keluaran dari model JST berupa besar beban listrik besok (prakiraan) jam per jam selama 24 jam, 24

neuron output

Jumlah varibel yang menjadi input bagi model JST adalah 54. Jumlah data atau banyaknya pola beban yang akan digunakan pada model JST pada penelitian ini adalah data beban listrik dan temperatur harian dari bulan Januari 2007 s/d Mei 2007 (5 bulan).

Gambar 10. Arsitektur Model JST yang dikembangkan

4.3. Praproses Data -

Data beban listrik dan temperatur dibagi menjadi 2 (dua) bagian, 138 pola data digunakan sebagai data untuk men-training model JST sedangkan sisanya atau 7 pola data digunakan untuk pengujian model.

-

Fungsi aktivasi yang diterapkan pada jaringan adalah fungsi sigmoid biner yang memiliki rentang nilai antara 0 s/d 1, sehingga data beban listrik dan temperatur udara perlu dilakukan normalisasi data dengan menggunakan persamaan (2.23).

28 4.4. Algoritma Pembelajaran Jaringan

Algoritma pembelajaran yang diterapkan pada model prediksi JST adalah propagasi balik (backpropagation) dengan metode supervised learning (pembelajaran terawasi), dimana ada nilai target yang akan dicapai oleh keluaran (output) jaringan/model JST yang dikembangkan.

4.5. Hasil Pelatihan Model JST

Kinerja dari model JST dinyatakan dengan MSE (mean square error) yang merupakan ukuran ketepatan atau kemampuan model JST dalam mencapai nilai target atau nilai yang diinginkan. Pelatihan propagasi balik (backpropagation) menggunakan metode pencarian titik minimum untuk mencari bobot dengan error minimum. Pada proses pencarian ini dikenal 2 macam mode yaitu metode incremental dan metode kelompok (batch). Dalam metode incremental, bobot diubah setiap kali pola masukan diberikan ke jaringan. Sebaliknya, dalam mode kelompok, bobot diubah setelah semua pola masukan diberikan ke jaringan. Error yang terjadi dalam setiap pola masukan dijumlahkan untuk menghasilkan bobot baru. Metode yang paling sederhana untuk merubah bobot adalah metode penurunan gradien (gradient descent). Bobot dan bias diubah pada arah dimana unjuk kerja fungsi menurun paling cepat, yaitu dalam arah negatif gradiennya. Untuk mencapai konvergensi yang lebih cepat model yang dikembangkan diatur pada learning rate, jumlah neuron pada lapisan tersembunyi (hidden layer) serta dengan mengubah fungsi pelatihan atau training functions (traingd, traingda, traingdx, traingdm, traincgf, traincgp, traincgb). Pada penelitian ini banyaknya data (pola data) yang digunakan untuk training adalah 138 pola. Dengan mencoba berbagai nilai atau besaran untuk learning rate dan jumlah neuron hidden layer, dimulai dengan learning rate 0.1, 0.2,...,1 kemudian jumlah neuron pada hidden layer menggunakan kelipatan 10 (10, 20, 30,...,280) sedangkan training function yang digunakan adalah Traingd. Selanjutnya dengan cara atau kombinasi yang sama digunakan training functions traingda, traingdx, traingdm, traincgf, traincgp, traincgb. Dari hasil coba-coba (trial and error) didapat nilai 0.5 untuk learning rate dan 220 untuk jumlah neuron hidden layer. Pada nilai

29 tersebut ketika training dilakukan, proses iterasi yang terjadi pada model JST menghasilkan nilai MSE yang semakin baik atau terjadi konvergen menjadi lebih cepat. Berikut ini adalah ilustrasi hasil pelatihan terhadap model jaringan syaraf tiruan yang dibangun dengan menerapkan beberapa fungsi pelatihan (training

function). Untuk learning rate = 0.5 dengan jumlah neuron hidden layer = 220 dan fungsi pelatihan traingd :

Performance is 0.0128382, Goal is 0.0001

0

10

-1

Training-Blue Goal-Black

10

-2

10

-3

10

-4

10

-5

10

0

500

1000 1500 2500 Epochs

2000

2500

Gambar 11. Grafik performance JST dengan fungsi pelatihan traingd

30 Untuk learning rate = 0.5 dengan jumlah neuron hidden layer = 220 dan fungsi pelatihan traingda : Performance is 0.005257, Goal is 0.0001

0

10

-1

Training-Blue Goal-Black

10

-2

10

-3

10

-4

10

-5

10

0

500

1000 1500 2500 Epochs

2000

2500

Gambar 12. Grafik performance JST dengan fungsi pelatihan traingda Untuk learning rate = 0.5 dengan jumlah neuron hidden layer = 220 dan fungsi pelatihan traingdx : Performance is 0.00311258, Goal is 0.0001

0

10

-1

Training-Blue Goal-Black

10

-2

10

-3

10

-4

10

-5

10

0

500

1000 1500 2500 Epochs

2000

2500

Gambar 13. Grafik performance JST dengan fungsi pelatihan traingdx

31 Untuk learning rate = 0.5 dengan jumlah neuron hidden layer = 220 dan fungsi pelatihan traingdm : Performance is 0.0134572, Goal is 0.0001

0

10

-1

Training-Blue Goal-Black

10

-2

10

-3

10

-4

10

-5

10

0

500

1000 1500 2500 Epochs

2000

2500

Gambar 14. Grafik performance JST dengan fungsi pelatihan traingdm Untuk learning rate = 0.5 dengan jumlah neuron hidden layer = 220 dan fungsi pelatihan traincgf : Performance is 0.00191028, Goal is 0.0001

0

10

-1

Training-Blue Goal-Black

10

-2

10

-3

10

-4

10

-5

10

0

500

1000 1500 2500 Epochs

2000

2500

Gambar 15. Grafik performance JST dengan fungsi pelatihan traincgf

32 Untuk learning rate = 0.5 dengan jumlah neuron hidden layer = 220 dan fungsi pelatihan traincgp : Performance is 9.96558e-005, Goal is 0.0001

0

10

-1

Training-Blue Goal-Black

10

-2

10

-3

10

-4

10

-5

10

0

100

200

300

400 787 Epochs

500

600

700

Gambar 16. Grafik performance JST dengan fungsi pelatihan traincgp

Untuk learning rate = 0.5 dengan jumlah neuron hidden layer = 220 dan fungsi pelatihan traincgb: Performance is 9.96249e-005, Goal is 0.0001

0

10

-1

Training-Blue Goal-Black

10

-2

10

-3

10

-4

10

-5

10

0

100

200

300 400 642 Epochs

500

600

Gambar 17. Grafik performance JST dengan fungsi pelatihan traincgb

33 Setelah melakukan training dan menerapkan beberapa fungsi pelatihan didapat bahwa JST dengan fungsi pelatihan traincgb, model memberikan respon yang baik dengan menghasilkan nilai MSE 0.00009962 pada epoch ke 642. Kemudian nilai bobot (weight) yang telah didapat disimpan.

Hasil pelatihan dengan beberapa fungsi pelatihan disampaikan dalam bentuk tabel 2 berikut ini :

Tabel 2. Kinerja Model JST pada beberapa Fungsi Pelatihan Fungsi Pelatihan

Epoch

MSE

Keterangan

Traingd

2500

0.01283

Belum konvergen

Traingda

2500

0.005257

Belum konvergen

Traingdx

2500

0.003112

Belum konvergen

Traingdm

2500

0.013457

Belum konvergen

Traincgf

2500

0.00191028

Belum konvergen

Traincgp

787

0.00009965

Konvergen

Traincgb

642

0.00009962

Konvergen

Keterangan : Learning rate = 0.5 Jumlah neuron hidden layer = 220 Galat (toleransi kesalahan) = 0.0001 Maksimum epoch = 2500

4.6. Tahap Pengujian

Tahap pengujian pada model JST dilakukan dengan memberikan pola data baru yang belum pernah digunakan pada proses pelatihan. Data ini memang sudah dipisahkan sejak awal atau ketika tahapan praproses data. Data yang dimasukkan ke JST adalah data beban listrik dan suhu udara pada hari Selasa 15 Mei 2007 dan Rabu 16 Mei 2007. Hasil atau output jaringan merupakan data beban listrik hari Kamis 17 Mei 2007 merupakan hasil prediksi. Hasilnya dalam bentuk tabel dan dalam bentuk grafik disampaikan sebagai berikut.

34

Tabel 3. Beban Listrik tanggal 17 Mei 2007 Waktu

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00

Beban Real

Prediksi JST

Prediksi PLN

Real-JST

Real-PLN

Error JST

Error PLN

(MW)

(MW)

(MW)

(MW)

(MW)

(%)

(%)

85.40 81.60 77.40 72.70 70.60 74.20 69.60 65.30 66.40 70.80 74.90 67.20 66.00 65.80 68.10 72.20 62.70 74.10 76.70 99.10 102.80 103.60 94.60 89.00

85.58 77.10 72.73 64.05 65.31 69.43 72.76 62.51 68.68 63.59 63.62 64.74 64.14 58.70 59.85 55.85 54.94 63.50 95.29 96.90 101.95 95.20 94.62 92.97

93.02 88.58 85.84 83.83 82.88 86.47 80.67 69.16 70.11 69.47 69.26 69.47 68.95 67.78 65.99 65.14 67.68 90.38 103.47 105.58 101.15 105.90 99.99 91.54

-0.18 -7.62 4.50 -6.98 4.67 -8.44 8.65 -11.13 5.29 -12.28 4.77 -12.27 -3.16 -11.07 2.79 -3.86 -2.28 -3.71 7.21 1.33 11.28 5.64 2.46 -2.27 1.86 -2.95 7.10 -1.98 8.25 2.11 16.35 7.06 7.76 -4.98 10.60 -16.28 -18.59 -26.77 2.20 -6.48 0.85 1.65 8.40 -2.30 -0.02 -5.39 -3.97 -2.54 Rata-rata error

0.21 5.52 6.03 11.90 7.49 6.43 4.54 4.28 3.43 10.19 15.06 3.66 2.82 10.78 12.11 22.65 12.38 14.30 24.24 2.22 0.82 8.10 0.02 4.46 8.07

8.92 8.56 10.90 15.31 17.40 16.54 15.90 5.91 5.58 1.87 7.53 3.38 4.46 3.02 3.10 9.77 7.94 21.97 34.90 6.54 1.61 2.22 5.69 2.85 9.25

Tabel 3 di atas memperlihatkan besar beban listrik yang sebenarnya terjadi pada tanggal 17 Mei 2007 di Kota Pontianak atau disebut beban Real. Sedangkan prediksi JST adalah prakiraan atau prediksi tentang besar beban listrik yang dilakukan oleh model JST yang dikembangkan dalam penelitian ini, dan prediksi PLN adalah prakiraan atau prediksi yang dibuat oleh PLN. Selisih antara beban beban real dengan beban hasil prediksi JST diperlihatkan pada kolom ”Real – JST”. Tanda minus (-) menunjukkan bahwa beban hasil prediksi lebih besar dari beban real, sedangkan yang tidak bertanda ( ) adalah plus yang berarti kebalikannnya yaitu beban real lebih besar dari beban hasil prediksi. Secara grafis besar beban listrik yang merupakan beban real, prakiraan (prediksi) JST dan prakiraan PLN dapat diilustrasikan pada Gambar 18 berikut ini.

35 Kurva Beban Listrik, Kamis 17 Mei 2008 120

Mw

100 80

Real

60

Prediksi JST

40

Prediksi PLN

20 0 1

3

5

7

9

11

13

15

17

19

21

23

Jam

Gambar 18. Kurva Beban Listrik tanggal 17 Mei 2007

Berdasarkan Tabel 3 diketahui bahwa perbedaan terbesar beban real dan beban hasil prediksi JST adalah sebesar -18.59 MW tanda minus (-) menunjukkan bahwa hasil prediksi lebih besar dari beban real dan beban ini terjadi pada pukul 18.00, sedangkan perbedaan terkecil terjadi pada pukul 22.00 yaitu terjadi perbedaan sebesar -0.02 MW. Besar perbedaan beban tersebut jika diprosentase adalah 24.24% untuk beban terbesar sedangkan untuk beban terkecil adalah 0.02%. Rata-rata error dalam satu hari (24 jam) adalah jumlah error tiap-tiap jam dibagi 24 sehingga hasilnya adalah 8.07%. Perbedaan terbesar antara beban real dengan beban hasil prediksi PLN terjadi pada pukul 18.00 yaitu sebesar -26.77 MW atau dalam prosentase adalah 34.9%, sedangkan perbedaan terkecil terjadi pada pukul 09.00 yaitu sebesar 1.33 MW atau sekitar 1.87%. Jika dirata-ratakan error hasil prediksi PLN dalam satu hari adalah 9.25%, dengan demikian jika kedua hasil prediksi pada tanggal 17 Mei 2007 dibandingkan, ternyata hasil prediksi model JST lebih baik dari prediksi PLN. Berikut ini adalah hasil-hasil prakiraan beban listrik harian Kota Pontianak menggunakan jaringan syaraf tiruan (JST) dibandingkan dengan beban yang sebenarnya terjadi (beban real) dan juga dengan beban hasil prediksi PLN untuk tanggal 18 Mei s/d 23 Mei 2007 yang disajikan dalam bentuk tabel dan grafik.

36 Tabel 4. Beban Listrik tanggal 18 Mei 2007

Waktu

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00

Beban Real

Prediksi JST

Prediksi PLN

Real-JST

Real-PLN

Error JST

Error PLN

(MW)

(MW)

(MW)

(MW)

(MW)

(%)

(%)

81.23 76.28 72.71 71.13 69.05 74.79 73.21 67.56 77.37 82.62 86.68 86.78 86.09 87.67 85.49 81.33 71.82 83.61 99.66 105.90 101.94 100.06 91.83 87.97

-2.90 0.17 -5.13 0.32 -1.34 2.19 -0.44 -0.83 -2.87 2.45 0.22 1.11 -12.34 -7.11 -1.75 0.74 -3.61 -5.21 -4.30 -5.22 -0.33 -6.78 0.84 -4.58 -3.40 -6.99 -2.80 -8.07 -1.87 -3.59 -2.79 1.97 -3.32 5.58 1.76 -7.01 4.94 3.04 10.92 1.40 4.67 -1.74 -0.64 -1.76 2.11 -0.23 5.14 3.13 Rata-rata error

3.56 6.69 1.79 0.63 4.02 0.30 18.67 2.57 5.00 5.56 0.42 1.02 4.30 3.51 2.28 3.34 4.29 2.29 4.81 10.17 4.66 0.65 2.30 5.64 4.10

0.21 0.42 2.92 1.18 3.43 1.46 10.75 1.08 7.22 6.74 8.49 5.57 8.83 10.14 4.39 2.36 7.21 9.15 2.96 1.30 1.73 1.79 0.25 3.44 4.29

81.40 76.60 74.90 70.30 71.50 75.90 66.10 68.30 72.16 77.40 79.90 82.20 79.10 79.60 81.90 83.30 77.40 76.60 102.70 107.30 100.20 98.30 91.60 91.10

84.30 81.73 76.24 70.74 74.37 75.68 78.44 70.05 75.77 81.70 80.23 81.36 82.50 82.40 83.77 86.09 80.72 74.84 97.76 96.38 95.53 98.94 89.49 85.96

Kurva Beban Jum'at 18 Mei 2007 120

Mw

100 80

Real

60

Prediksi JST

40

Prediksi PLN

20 0 1

3

5

7

9

11

13

15

17

19

21

23

Jam

Gambar 19. Kurva Beban Listrik tanggal 18 Mei 2007

37 Tabel 5. Beban Listrik tanggal 19 Mei 2007

Waktu

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00

Beban Real

Prediksi JST

Prediksi PLN

Real-JST

Real-PLN

Error JST

Error PLN

(MW)

(MW)

(MW)

(MW)

(MW)

(%)

(%)

79.40 76.90 74.90 72.90 72.80 75.40 73.90 69.90 70.10 71.20 69.50 70.40 74.10 76.20 77.40 75.40 72.90 78.00 99.80 105.50 101.60 99.90 92.20 88.50

88.21 78.60 84.45 78.55 77.92 76.06 69.79 63.02 72.53 74.17 68.49 65.43 62.52 66.68 65.57 70.23 69.31 95.00 100.31 102.85 100.64 94.20 95.26 91.35

80.77 75.59 73.19 71.20 70.60 73.09 66.51 63.42 63.22 64.42 67.31 65.71 68.21 66.71 69.40 68.31 66.41 78.88 103.71 105.90 103.71 105.90 103.31 97.62

-8.81 -1.37 -1.70 1.31 -9.55 1.71 -5.65 1.70 -5.12 2.20 -0.66 2.31 4.11 7.39 6.88 6.48 -2.43 6.88 -2.97 6.78 1.01 2.19 4.97 4.69 11.58 5.89 9.52 9.49 11.83 8.00 5.17 7.09 3.59 6.49 -17.00 -0.88 -0.51 -3.91 2.65 -0.40 0.96 -2.11 5.70 -6.00 -3.06 -11.11 -2.85 -9.12 Rata-rata error

11.09 2.21 12.75 7.75 7.03 0.87 5.56 9.84 3.47 4.17 1.45 7.06 15.62 12.50 15.28 6.85 4.93 21.80 0.51 2.51 0.94 5.70 3.32 3.22 6.94

1.73 1.71 2.28 2.33 3.02 3.06 10.00 9.27 9.81 9.53 3.15 6.66 7.95 12.45 10.33 9.41 8.90 1.12 3.91 0.38 2.07 6.01 12.05 10.31 6.14

Kurva Beban Listrik, Sabtu 19 Mei 2007 120

Mw

100 80

Real

60

Prediksi JST

40

Prediksi PLN

20 0 1

3

5

7

9

11

13

15

17

19

21

23

Jam

Gambar 20. Kurva Beban Listrik tanggal 19 Mei 2007

38 Tabel 6. Beban Listrik tanggal 20 Mei 2007

Waktu

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00

Beban Real

Prediksi JST

Prediksi PLN

Real-JST

Real-PLN

Error JST

Error PLN

(MW)

(MW)

(MW)

(MW)

(MW)

(%)

(%)

81.00 74.80 72.30 71.30 71.30 72.30 68.10 65.70 65.20 68.50 71.70 68.60 64.60 61.30 66.40 64.60 60.40 65.10 92.20 103.80 105.30 101.80 92.10 84.90

78.43 77.54 73.47 69.71 70.75 72.43 70.53 72.61 70.51 63.81 68.13 70.73 68.97 68.30 68.80 71.06 81.53 82.56 103.04 108.37 104.17 102.90 91.34 82.34

88.23 83.84 77.69 77.40 76.03 78.38 71.15 65.49 69.49 70.96 74.47 76.42 74.08 73.89 73.40 71.84 70.37 75.25 99.65 105.90 105.70 103.46 91.65 86.67

2.57 -7.23 -2.74 -9.04 -1.17 -5.39 1.59 -6.10 0.55 -4.73 -0.13 -6.08 -2.43 -3.05 -6.91 0.21 -5.31 -4.29 4.69 -2.46 3.57 -2.77 -2.13 -7.82 -4.37 -9.48 -7.00 -12.59 -2.40 -7.00 -6.46 -7.24 -21.13 -9.97 -17.46 -10.15 -10.84 -7.45 -4.57 -2.10 1.13 -0.40 -1.10 -1.66 0.76 0.45 2.56 -1.77 Rata-rata error

3.17 3.67 1.62 2.23 0.77 0.18 3.57 10.51 8.14 6.85 4.99 3.10 6.77 11.42 3.62 10.00 34.98 26.83 11.76 4.41 1.07 1.08 0.82 3.02 6.86

8.93 12.09 7.46 8.56 6.64 8.40 4.48 0.32 6.59 3.59 3.87 11.40 14.68 20.53 10.54 11.20 16.51 15.60 8.08 2.02 0.38 1.63 0.49 2.09 7.75

Kurva Beban Listrik, Minggu 20 Mei 2007 120

Mw

100 80

Real

60

Prediksi JST

40

Prediksi PLN

20 0 1

3

5

7

9

11

13

15

17

19

21

23

Jam

Gambar 21. Kurva Beban Listrik tanggal 20 Mei 2007

39 Tabel 7. Beban Listrik tanggal 21 Mei 2007

Waktu

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00

Beban Real

Prediksi JST

Prediksi PLN

Real-JST

Real-PLN

Error JST

(MW)

(MW)

(MW)

(MW)

(MW)

(%)

(%)

78.40 74.50 71.20 70.10 69.50 73.70 71.00 65.80 74.60 81.90 85.80 86.70 85.30 83.20 91.00 90.90 78.30 70.50 91.80 98.70 95.50 93.60 89.40 83.60

80.98 75.86 74.12 71.99 69.82 73.30 75.00 67.27 73.77 74.57 81.58 82.40 76.62 77.25 83.32 88.07 83.66 74.56 96.39 103.71 102.63 101.34 91.32 84.89

84.62 79.50 75.20 75.10 73.67 79.40 75.92 72.34 79.50 85.74 89.02 91.17 91.37 95.05 88.71 89.32 85.03 88.10 101.70 105.90 103.75 97.71 90.96 84.00

3.29 1.82 4.10 2.70 0.47 0.55 5.64 2.24 1.12 8.95 4.92 4.97 10.18 7.15 8.44 3.11 6.85 5.76 5.00 5.07 7.46 8.27 2.15 1.54 4.66

7.93 6.71 5.62 7.14 6.00 7.73 6.93 9.94 6.57 4.69 3.75 5.15 7.12 14.25 2.52 1.73 8.59 24.96 10.79 7.29 8.64 4.40 1.75 0.48 7.11

-2.58 -6.22 -1.36 -5.00 -2.92 -4.00 -1.89 -5.00 -0.32 -4.17 0.40 -5.70 -4.00 -4.92 -1.47 -6.54 0.83 -4.90 7.33 -3.84 4.22 -3.22 4.30 -4.47 8.68 -6.07 5.95 -11.85 7.68 2.29 2.83 1.58 -5.36 -6.73 -4.06 -17.60 -4.59 -9.90 -5.01 -7.20 -7.13 -8.25 -7.74 -4.11 -1.92 -1.56 -1.29 -0.40 Rata-rata error

Error PLN

Kurva Beban Listrik, Senin 21 Mei 2007 120

Mw

100 80

Real

60

Prediksi JST

40

Prediksi PLN

20 0 1

3

5

7

9

11

13

15

17

19

21

23

Jam

Gambar 22. Kurva Beban Listrik tanggal 21 Mei 2007

40 Tabel 8. Beban Listrik tanggal 22 Mei 2007

Waktu

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00

Beban Real

Prediksi JST

Prediksi PLN

Real-JST

Real-PLN

Error JST

Error PLN

(MW)

(MW)

(MW)

(MW)

(MW)

(%)

(%)

77.23 72.99 72.07 70.78 69.56 71.60 69.33 65.58 68.34 66.08 66.74 64.76 68.27 68.37 69.87 63.78 72.00 88.19 85.13 100.50 97.21 93.58 97.19 88.97

87.34 80.96 78.28 78.61 78.39 82.75 81.19 77.27 83.09 84.09 81.19 80.96 78.95 77.61 75.82 67.99 77.83 85.21 95.95 102.88 105.90 105.34 95.61 87.00

-0.93 -11.04 0.71 -7.26 -0.27 -6.48 -0.78 -8.61 -0.06 -8.89 2.40 -8.75 -0.03 -11.89 -3.58 -15.27 0.06 -14.69 -0.48 -18.49 0.16 -14.29 -5.66 -21.86 -3.67 -14.35 -2.37 -11.61 -7.87 -13.82 -3.78 -7.99 -6.50 -12.33 -6.89 -3.91 4.57 -6.25 -8.20 -10.58 -6.51 -15.20 -0.18 -11.94 -10.59 -9.01 -8.17 -6.20 Rata-rata error

1.22 0.96 0.38 1.12 0.09 3.24 0.04 5.77 0.09 0.74 0.23 9.58 5.68 3.59 12.69 6.30 9.93 8.48 5.09 8.89 7.18 0.20 12.23 10.11 4.74

14.46 9.85 9.02 12.31 12.79 11.83 17.15 24.63 21.47 28.19 21.35 36.99 22.21 17.59 22.29 13.32 18.83 4.81 6.96 11.46 16.76 12.78 10.41 7.67 16.05

76.30 73.70 71.80 70.00 69.50 74.00 69.30 62.00 68.40 65.60 66.90 59.10 64.60 66.00 62.00 60.00 65.50 81.30 89.70 92.30 90.70 93.40 86.60 80.80

Kurva Beban Listrik, Selasa 22 Mei 2007 120

Mw

100 80

Real

60

Prediksi JST

40

Prediksi PLN

20 0 1

3

5

7

9

11

13

15

17

19

21

23

Jam

Gambar 23. Kurva Beban Listrik tanggal 22 Mei 2007

41 Tabel 9. Beban Listrik tanggal 23 Mei 2007

Waktu

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00

Beban Real

Prediksi JST

Prediksi PLN

Real-JST

Real-PLN

Error JST

Error PLN

(MW)

(MW)

(MW)

(MW)

(MW)

(%)

(%)

74.41 70.39 67.72 67.10 67.62 71.94 72.25 67.62 67.62 66.79 65.25 65.66 64.12 65.04 68.54 69.67 70.09 86.65 104.87 102.92 104.77 105.90 102.50 92.93

-1.98 -0.91 0.04 -0.59 -3.85 0.38 -2.03 0.50 -3.50 -2.42 -1.38 -2.94 1.86 -3.35 -3.75 -2.32 -8.47 -3.52 3.06 -0.99 7.43 2.65 0.26 2.94 -2.67 3.98 5.08 6.06 1.27 1.96 -3.22 -7.07 -10.28 -17.39 0.11 -18.85 1.86 -12.17 2.20 -3.42 8.07 -5.37 3.29 -6.90 11.89 -5.80 4.35 -9.03 Rata-rata error

2.70 0.05 5.66 3.00 5.36 2.00 2.69 5.75 13.22 4.65 10.94 0.38 3.92 7.15 1.80 5.14 19.50 0.16 2.01 2.21 8.12 3.33 12.30 5.19 5.30

1.24 0.85 0.56 0.74 3.70 4.26 4.86 3.55 5.48 1.51 3.91 4.29 5.85 8.52 2.78 11.30 32.99 27.81 13.13 3.43 5.40 6.97 6.00 10.77 7.08

73.50 69.80 68.10 67.60 65.20 69.00 68.90 65.30 64.10 65.80 67.90 68.60 68.10 71.10 70.50 62.60 52.70 67.80 92.70 99.50 99.40 99.00 96.70 83.90

75.48 69.76 71.95 69.63 68.70 70.38 67.04 69.05 72.57 62.74 60.47 68.34 70.77 66.02 69.23 65.82 62.98 67.69 90.84 97.30 91.33 95.71 84.81 79.55

Kurva Beban Listrik, Rabu 23 Mei 2007 120

Mw

100 80

Real

60

Prediksi JST

40

Prediksi PLN

20 0 1

3

5

7

9

11

13

15

17

19

21

23

Jam

Gambar 24. Kurva Beban Listrik tanggal 23 Mei 2007

42 Berdasarkan Tabel 4 sampai dengan Tabel 9 di atas yang merupakan perbandingan hasil prediksi/prakiraan beban listrik versi model jaringan syaraf tiruan dan versi metode koefisien beban (PLN) dari tanggal 18 Mei 2007 s/d 23 Mei 2007, disampaikan sebagai berikut : -

Untuk hari Jum’at tanggal 18 Mei 2007 rata-rata error hasil prediksi model jaringan syaraf tiruan adalah 4.10%, sedangkan rata-rata error versi PLN adalah 4.29%. Hasil prediksi pada hari ini memperlihatkan bahwa, prediksi JST lebih baik dari prediksi model JST.

-

Untuk hari Sabtu tanggal 19 Mei 2007 rata-rata error hasil prediksi model jaringan syaraf tiruan adalah 6.94%, sedangkan rata-rata error versi PLN adalah 6.14%. Hasil prediksi pada hari ini memperlihatkan bahwa, prediksi PLN lebih baik dari prediksi model JST.

-

Untuk hari Minggu tanggal 20 Mei 2007 rata-rata error hasil prediksi model jaringan syaraf tiruan adalah 6.86%, sedangkan rata-rata error versi PLN adalah 7.75%. Hasil prediksi pada hari ini memperlihatkan bahwa, prediksi model JST lebih baik dari prediksi PLN.

-

Untuk hari Senin tanggal 21 Mei 2007 rata-rata error hasil prediksi model jaringan syaraf tiruan adalah 4.66%, sedangkan rata-rata error versi PLN adalah 7.11%. Hasil prediksi pada hari ini memperlihatkan bahwa, prediksi model JST lebih baik dari prediksi PLN.

-

Untuk hari Selasa tanggal 22 Mei 2007 rata-rata error hasil prediksi model jaringan syaraf tiruan adalah 4.74%, sedangkan rata-rata error versi PLN adalah 16.05%. Hasil prediksi pada hari ini memperlihatkan bahwa, prediksi model JST lebih baik dari prediksi PLN.

-

Untuk hari Rabu tanggal 23 Mei 2007 rata-rata error hasil prediksi model jaringan syaraf tiruan adalah 5.30%, sedangkan rata-rata error versi PLN adalah 7.08%.

43 Hasil prediksi pada hari ini memperlihatkan bahwa, prediksi model JST lebih baik dari prediksi PLN.

Rata-rata error hasil prediksi model JST dan PLN selama satu minggu dapat disampaikan dalam bentuk Tabel 10 berikut ini :

Tabel 10. Rata-Rata Error Hasil Prediksi JST dan PLN Satu Minggu Tanggal 17 Mei 2007 18 Mei 2007 19 Mei 2007 20 Mei 2007 21 Mei 2007 22 Mei 2007 23 Mei 2007 Rata2 Error Mingguan

Rata-Rata Error Hasil Prediksi (%) JST PLN 8.07 9.25 4.10 4.29 6.94 6.14 6.86 7.75 4.66 7.11 4.74 16.05 5.30 7.08 5.81

8.24

Keterangan Error JST < Error PLN Error JST < Error PLN Error JST > Error PLN Error JST < Error PLN Error JST < Error PLN Error JST < Error PLN Error JST < Error PLN Error JST < Error PLN

Berdasarkan pada Tabel 10 di atas diketahui bahwa Rata-Rata Error hasil prediksi beban listrik selama satu minggu, prediksi JST lebih baik dari prediksi PLN yang menggunakan metode koefisien beban. Rata-rata error mingguan hasil prediksi JST adalah sebesar 5.81% sedangkan rata-rata error mingguan PLN adalah 8.24%. Demikian juga dengan error tertinggi (maksimum error) prediksi JST adalah 8.07% sedangkan error tertinggi prediksi PLN adalah 16.05%

BAB V SIMPULAN DAN SARAN 5.1 Simpulan

Dari hasil penelitian yang telah dilakukan dapat disimpulkan beberapa hal sebagai berikut : 1) Semakin banyak data historis atau pola data beban listrik yang digunakan untuk men-training model jaringan syaraf tiruan akan menghasilkan tingkat pengenalan ataupun generalisasi terhadap pola beban listrik menjadi semakin baik yang mengakibatkan pada kemampuan model jaringan syaraf tiruan dalam memprediksi beban akan semakin baik. 2) Selisih antara beban real dengan beban hasil prediksi (prakiraan) dinyatakan dengan persentase atau persen error. Persen error atau kesalahan tertinggi prediksi dengan jaringan syaraf tiruan pada tanggal 17 Mei 2007 adalah 24.24% yang terjadi pada pukul 18.00 dengan rata-rata error adalah 8.07%, sedangkan error tertinggi prediksi PLN adalah 34.90% yang terjadi pada pukul 18.00 dengan rata-rata error adalah 9.25%. 3) Hasil prediksi beban listrik selama satu minggu yaitu mulai tanggal 17 Mei 2007 s/d 23 Mei 2007, memberikan hasil sebagai berikut : ƒ

Hasil prediksi jaringan syaraf tiruan lebih baik untuk tanggal 17 Mei, 18 Mei, 20 Mei, 21 Mei, 22 Mei dan 23 Mei, sedangkan hasil prediksi PLN lebih baik hanya untuk tanggal 19 Mei.

ƒ

Rata-rata error hasil prediksi jaringan syaraf tiruan selama satu minggu adalah 5.81%, sedangkan rata-rata error hasil prediksi PLN selama satu minggu adalah 8.24%.

4) Secara umum hasil prediksi beban listrik dengan jaringan syaraf tiruan memberikan hasil yang lebih baik dibandingkan dengan prediksi menggunakan metode koefesien beban yang selama ini digunakan oleh PLN.

45 5.2 Saran

Penelitian ini masih dapat dikembangkan sebagai upaya untuk meningkatkan akurasi model JST dalam melakukan prakiraan atau prediksi beban listrik jangka pendek, antara lain dengan menambah data atau pola data input sebagai data training. Data input tersebut terdiri dari data beban listrik harian dan data temperatur udara harian. Pada penelitian ini data beban listrik harian yang didapat dan digunakan adalah lima bulan sedangkan data temperatur udara harian yang didapat terdiri dari temperatur rata-rata, minimum dan maksimum. Oleh karena itu hasil penelitian diharapkan akan lebih baik lagi jika menggunakan data beban listrik yang lebih banyak dan tersedia data temperatur udara harian dalam format jam per jam. Penelitian juga dapat dilanjutkan dengan meneliti besar daya (Mega-watt) dan nilai biaya (Rupiah) yang bisa dihemat.

DAFTAR PUSTAKA Adepoju, Ogunjuyigbe, Alawode. 2007. Application of Neural Network to Load

Forecasting in Nigerian Electrical Power System, The Pacific Journal of Science Technology. Alkaff G. 2006. Jaringan Syaraf Tiruan untuk Pengenalan Jenis Kayu Berbasis

Citra [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Basi D, Olivares O. 2006. Medium Term Electric Load Forecasting Using TLFN

Neural Networks, International Jornal of Computers, Communications & Control. Chen WK. 2004. The Electrical Engineering Handbook, Elsevier Academic Press. El-Sharkawi. 1991. Short Term Electric Load Forecasting Using An Adaptively

Trainer Layered Perceptron, IEEE. Fausett L. 1994. Fundamentals of Neural Networks Architectures, Algorithms

and Applications, London: Prantice-Hall, Inc. Gonen T. 1987. Electric Power Distribution System Engineering, Mc Graw-Hill Publ. Hermawan A. 2006. Jaringan Saraf Tiruan Teori dan Aplikasi, Yogyakarta: Penerbit Andi. Jong JS. 2005. Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan

Matlab, Yogyakarta: Penerbit Andi. Karmila S. 2006. Pengembangan Jaringan Syaraf Tiruan pada Pemodelan

Prakiraan Beban Listrik Jangka Pendek [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Kusumadewi S. 2003. Artificial Intelligence (Teknik dan Aplikasinya), Penerbit Graha Ilmu, Yogyakarta. Lee KY, Park JH. 1992. Short Term Load Forecasting Using an Artificial

Neural Network, IEEE. Marimin. 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajemen, Bogor: IPB Press. Marsudi D. 2006. Operasi Sistem Tenaga Listrik, Yogyakarta: Penerbit Graha Ilmu.

47 Pabla AS. 1981. Electric Power Distribution Systems, Mc Graw-Hill Publ. Pandjaitan LW. 2007. Dasar-dasar Komputasi Cerdas, Yogyakarta: Penerbit Andi. Pansini A. 2005. Guide to Electrical Power Distribution Systems, Published by The Fairmont Press, Inc. 700 Indian Trail Lilburn, GA 30047. Rao V. 1995. C++ Neural Networks and Fuzzy Logic, IDG Books Worldwide, Inc. Santosa B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan

Bisnis, Graha Ilmu Yogyakarta.

48

LAMPIRAN

49

LAMPIRAN 1. DATA BEBAN LISTRIK HARIAN KOTA PONTIANAK UNTUK PELATIHAN MODEL JST 00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

Monday, January 01, 2007

66.9

63.0

59.9

57.1

59.2

63.1

68.0

56.9

57.7

56.4

55.0

59.1

60.0

60.1

59.7

61.4

58.0

62.1

80.9

91.0

92.6

89.7

81.3

Tuesday, January 02, 2007

65.4

61.7

60.4

59.2

58.6

62.8

70.4

60.1

65.1

70.3

68.9

70.3

68.9

70.4

69.3

70.0

70.2

72.3

72.8

89.0

91.0

90.5

83.8

75.6 78.5

Wednesday, January 03, 2007

70.8

68.7

67.2

65.7

65.7

68.8

69.9

65.0

65.7

62.7

66.3

61.3

60.1

62.6

70.3

70.6

74.4

67.0

76.2

89.5

91.5

90.1

86.8

75.1

Thursday, January 04, 2007

71.9

66.9

67.1

63.8

64.2

68.1

70.0

69.0

74.4

77.3

79.2

73.8

69.4

75.7

75.3

76.1

76.6

77.4

90.1

97.1

96.5

91.4

82.7

75.4

Friday, January 05, 2007

69.2

64.2

61.3

62.2

62.3

65.9

66.9

63.3

70.2

75.7

80.5

78.0

76.0

81.2

82.5

80.8

80.7

76.5

95.1

93.4

92.6

95.3

92.1

85.7

Saturday, January 06, 2007

76.5

71.7

69.2

68.2

67.0

71.0

69.9

63.7

63.6

64.6

63.5

63.1

62.7

62.6

62.8

63.0

62.3

77.6

92.6

96.7

103.6

97.7

91.2

85.8

Sunday, January 07, 2007

81.8

74.8

71.8

70.2

68.4

70.1

69.9

66.4

66.4

67.8

65.4

62.4

63.3

65.9

63.6

68.3

67.5

69.9

87.5

102.8

102.4

102.0

94.1

86.0

Monday, January 08, 2007

79.8

74.2

71.4

68.9

69.5

73.8

72.6

61.7

67.8

72.8

79.6

81.2

80.3

82.8

87.5

84.0

82.5

78.7

93.7

100.6

102.4

102.9

96.0

87.7

Tuesday, January 09, 2007

79.1

75.9

73.4

72.0

71.5

75.0

73.0

62.0

67.7

67.3

67.9

63.7

65.0

66.5

64.9

63.8

70.2

83.6

93.5

101.7

102.0

101.5

99.0

91.9

Wednesday, January 10, 2007

85.1

70.8

69.8

71.7

70.1

72.9

70.0

65.7

62.2

62.9

64.1

63.0

64.3

65.0

64.0

66.7

68.0

80.7

96.8

99.4

98.7

100.5

98.8

91.9

Thursday, January 11, 2007

84.8

79.4

76.2

74.8

70.4

76.8

79.0

65.0

70.5

71.7

71.2

69.2

69.3

69.7

71.2

69.6

71.1

82.9

95.8

106.7

106.6

100.0

91.8

84.6

Friday, January 12, 2007

79.2

78.2

76.0

72.8

72.4

74.6

76.5

66.9

67.7

77.2

81.8

81.9

84.7

84.1

82.7

83.2

83.1

79.3

92.0

96.8

98.4

92.8

86.3

78.5

Saturday, January 13, 2007

69.2

69.1

67.1

66.7

65.5

69.8

69.9

53.4

58.3

58.8

58.1

57.3

56.7

57.1

56.2

53.2

58.3

73.7

86.0

87.2

93.8

96.1

92.5

84.6

Sunday, January 14, 2007

81.9

74.8

72.4

70.4

68.0

73.3

69.4

62.4

58.4

58.7

61.4

61.9

62.6

63.8

63.0

66.5

66.6

66.9

81.3

98.1

97.8

96.0

85.9

78.8

Monday, January 15, 2007

73.7

69.3

66.5

64.0

64.1

68.1

68.3

61.5

68.9

73.3

75.6

72.7

73.0

79.1

82.7

81.6

79.8

79.1

93.2

98.6

96.8

96.6

88.9

83.3

Tuesday, January 16, 2007

77.8

72.7

71.5

70.2

68.4

72.8

69.1

60.3

62.2

62.2

62.1

60.1

59.4

60.1

58.5

64.7

68.3

79.3

90.1

99.5

98.0

99.0

94.3

84.7

Wednesday, January 17, 2007

80.1

75.7

73.0

71.4

70.1

73.5

73.2

61.7

62.7

60.4

61.7

57.3

56.7

58.0

60.7

58.3

59.3

77.8

94.3

95.7

97.1

98.1

97.6

88.5 88.3

Thursday, January 18, 2007

81.9

76.4

74.7

72.6

71.2

73.2

74.1

64.4

58.9

59.2

61.4

59.3

60.9

62.1

61.2

59.2

63.6

83.6

96.4

98.2

99.7

96.3

96.5

Friday, January 19, 2007

81.5

76.0

73.8

71.6

70.9

74.6

74.9

66.2

73.8

78.4

84.2

84.7

82.8

84.8

84.4

81.1

82.7

74.5

78.5

97.9

98.8

99.6

97.9

90.6

Saturday, January 20, 2007

84.1

78.2

75.3

73.8

72.9

75.7

74.5

63.3

60.7

60.7

64.2

64.0

64.8

61.6

60.8

52.5

62.0

81.0

95.0

98.2

98.0

99.2

95.0

87.4

Sunday, January 21, 2007

81.4

78.4

74.0

71.2

69.5

71.8

69.4

64.5

64.8

65.4

61.2

66.6

67.3

65.2

65.0

64.5

53.1

66.4

83.5

97.4

97.4

96.8

96.3

87.9

Monday, January 22, 2007

81.0

78.7

74.5

73.0

73.1

76.1

77.1

64.7

71.4

72.1

79.9

83.5

80.0

81.4

79.5

80.9

83.0

85.5

97.7

99.0

97.9

95.7

87.0

78.8

Tuesday, January 23, 2007

71.0

69.0

67.0

65.9

67.5

70.6

71.2

59.0

60.6

61.9

60.8

59.3

61.2

65.2

67.4

67.4

68.3

88.3

87.3

94.7

92.3

91.3

82.3

76.4

Wednesday, January 24, 2007

77.4

73.1

71.5

69.5

67.5

72.9

74.6

61.6

57.7

53.6

58.3

59.1

59.2

59.4

61.7

61.2

61.2

84.5

93.0

100.9

99.6

94.6

85.1

76.4

Thursday, January 25, 2007

71.0

68.0

66.5

65.2

62.4

66.5

72.0

57.9

59.8

56.0

57.6

54.9

56.2

60.5

62.7

59.4

52.6

75.9

84.2

93.5

96.4

96.4

96.4

87.7

Friday, January 26, 2007

80.3

74.3

72.5

70.7

69.9

73.2

73.1

64.6

71.8

78.5

84.3

83.1

81.7

84.2

86.0

82.7

83.4

81.2

84.5

99.6

98.5

97.9

94.2

85.7

Saturday, January 27, 2007

80.3

75.6

73.0

71.5

70.8

74.1

82.4

61.7

67.3

63.0

61.7

63.8

63.5

62.5

69.1

69.8

71.0

75.2

90.1

99.4

97.4

97.4

89.9

79.5

Sunday, January 28, 2007

75.6

71.1

67.9

66.3

64.7

67.2

68.1

63.3

63.5

63.8

66.6

66.7

67.2

68.3

67.2

68.3

64.6

66.7

79.8

94.4

96.8

94.2

85.1

79.2

Monday, January 29, 2007

73.3

68.7

67.0

65.7

64.7

70.5

71.3

63.5

69.5

73.6

77.6

78.6

77.6

77.3

74.3

78.3

77.6

75.6

83.5

89.5

94.0

92.1

90.2

81.1

Tuesday, January 30, 2007

72.3

68.2

67.4

66.3

66.1

70.1

71.6

60.4

58.7

58.5

59.4

55.9

56.9

58.4

58.8

59.0

60.5

65.1

91.1

99.5

99.6

95.3

93.1

83.9

Wednesday, January 31, 2007

77.0

73.1

70.7

69.0

69.0

72.1

73.6

63.4

62.0

63.8

63.6

61.2

60.7

60.6

59.2

65.6

62.6

82.8

91.8

99.1

99.6

98.2

94.9

86.5

Thursday, February 01, 2007

77.6

73.1

71.0

68.8

66.6

72.0

73.2

52.4

58.6

56.5

57.1

53.8

53.9

56.6

54.7

53.9

53.9

80.7

82.8

91.4

92.8

96.0

95.3

87.5

Friday, February 02, 2007

80.7

75.7

72.6

70.8

69.2

73.6

73.4

61.9

72.3

77.1

82.1

81.9

81.4

86.8

87.4

84.0

80.2

76.9

80.1

95.2

97.8

96.7

92.4

84.2

Saturday, February 03, 2007

77.3

76.6

70.7

68.4

68.4

71.9

71.2

61.4

64.6

67.3

65.4

70.5

68.3

68.3

67.6

64.2

67.5

72.3

83.4

96.8

95.4

94.7

90.7

86.3

Sunday, February 04, 2007

80.2

74.3

71.3

69.8

73.6

70.7

73.4

64.3

62.1

64.7

66.1

65.6

64.9

64.0

63.9

64.9

64.2

69.1

84.5

91.6

91.1

96.7

93.2

86.3

Monday, February 05, 2007

78.1

74.3

71.4

69.5

66.1

72.7

69.5

63.0

68.4

76.5

79.5

82.5

82.1

80.5

87.8

86.6

84.3

79.7

86.5

92.6

93.4

97.6

91.8

87.6

50

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

Tuesday, February 06, 2007

80.1

76.4

72.1

69.3

68.2

72.4

73.8

56.2

62.6

56.8

60.2

60.4

60.1

60.1

61.2

60.0

59.0

71.1

76.3

92.1

96.2

98.0

94.9

87.6

Wednesday, February 07, 2007

78.5

77.1

74.6

71.8

71.2

75.1

66.6

55.4

55.2

58.1

59.3

57.5

57.1

56.9

55.2

53.4

57.8

83.1

91.0

95.6

96.1

96.5

97.5

91.3

Thursday, February 08, 2007

84.6

78.9

76.4

74.5

73.3

77.6

76.5

56.4

52.2

55.5

61.0

61.8

62.7

66.9

71.1

70.8

72.4

80.9

89.7

95.0

93.2

93.6

95.5

91.8

Friday, February 09, 2007

84.7

76.1

75.9

76.0

72.9

75.4

75.3

66.6

72.1

78.4

82.8

81.1

74.4

81.8

86.4

87.4

84.4

78.2

85.0

97.2

96.8

98.6

96.1

87.5

Saturday, February 10, 2007

81.7

76.7

74.5

69.3

72.0

75.4

78.5

68.3

66.7

65.4

67.6

61.2

59.9

59.7

61.9

63.1

61.9

65.0

80.8

94.9

100.3

99.0

94.6

86.9

Sunday, February 11, 2007

82.8

76.9

72.5

69.9

70.4

71.5

71.4

65.0

65.0

65.5

70.6

68.8

65.8

67.8

68.7

66.4

59.0

69.0

84.3

97.6

98.5

98.2

93.9

86.7

Monday, February 12, 2007

81.2

75.6

73.3

71.5

70.6

73.7

76.1

66.4

73.2

76.9

82.6

74.5

77.0

77.5

81.7

81.4

82.4

81.5

85.5

91.4

90.9

92.1

95.0

90.8

Tuesday, February 13, 2007

83.8

78.9

74.7

72.9

73.3

76.6

78.9

64.3

64.7

63.9

63.5

62.1

61.9

64.0

55.9

53.4

61.4

85.4

84.2

92.7

94.1

91.7

93.5

90.5

Wednesday, February 14, 2007

85.9

79.4

78.1

75.7

74.8

77.4

78.9

56.7

56.0

57.3

57.0

55.8

58.2

59.8

59.4

58.6

60.8

83.1

75.5

94.3

96.9

97.0

95.0

85.9

Thursday, February 15, 2007

79.3

75.4

73.2

70.6

71.1

74.5

78.0

63.1

64.2

60.0

61.2

61.4

61.1

62.1

63.4

62.6

61.2

85.3

91.0

98.9

101.8

101.0

96.7

90.4

Friday, February 16, 2007

78.9

76.2

73.9

72.8

72.3

73.0

74.8

66.1

70.7

74.0

77.7

79.8

81.0

82.0

81.6

81.9

80.3

67.2

86.0

96.7

95.2

96.2

95.3

91.3

Saturday, February 17, 2007

78.7

74.0

71.5

67.2

68.1

70.8

70.6

54.2

55.9

60.4

60.4

54.4

53.4

60.1

59.6

60.7

63.5

77.5

84.9

98.5

98.2

95.6

90.5

85.0

Sunday, February 18, 2007

77.1

74.6

72.2

70.2

69.4

71.8

71.6

66.7

63.3

64.4

66.6

65.9

69.3

68.7

67.0

69.5

69.4

75.4

83.5

98.7

97.6

94.7

86.5

79.6

Monday, February 19, 2007

74.3

69.8

65.8

66.0

65.1

68.3

70.5

63.2

66.4

70.3

74.3

72.7

74.7

79.2

79.5

78.3

75.2

74.2

78.9

100.2

99.9

97.1

91.4

84.8

Tuesday, February 20, 2007

76.7

75.4

73.3

72.1

64.1

73.2

76.0

71.3

65.2

66.1

66.0

65.0

61.6

63.8

60.3

58.5

64.0

70.2

81.0

97.2

95.9

95.4

90.3

82.7

Wednesday, February 21, 2007

77.2

71.7

70.2

69.7

69.4

71.2

74.9

65.8

66.7

66.2

66.7

60.9

60.8

62.4

64.9

63.5

63.7

79.5

87.8

100.8

96.1

99.7

93.6

84.0

Thursday, February 22, 2007

77.4

73.3

71.8

70.4

70.0

72.8

71.8

59.7

61.1

57.0

58.3

60.7

56.6

56.4

60.2

59.5

69.3

80.7

81.6

105.7

107.8

104.5

99.3

86.9

Friday, February 23, 2007

82.4

76.8

73.9

72.3

72.1

74.6

77.4

66.6

70.9

76.8

82.9

82.5

82.4

87.4

88.2

88.8

87.1

80.6

92.2

101.3

104.8

99.9

96.8

86.0

Saturday, February 24, 2007

83.3

78.0

75.9

73.3

72.3

73.3

70.2

66.9

67.8

69.8

77.0

73.4

69.2

70.3

71.4

74.0

73.6

78.7

87.0

103.4

106.7

104.4

99.3

92.4

Sunday, February 25, 2007

87.4

79.6

78.8

78.4

75.2

76.4

75.4

65.6

65.8

67.2

66.8

69.2

65.0

65.8

66.2

65.4

71.1

76.1

88.9

102.0

101.1

95.4

86.2

79.2

Monday, February 26, 2007

78.8

70.9

69.1

67.4

67.8

69.5

73.3

66.3

70.0

72.0

79.0

79.0

82.0

84.1

87.8

85.0

80.3

78.5

94.7

104.4

101.3

99.3

94.3

86.1 96.6

Tuesday, February 27, 2007

76.3

73.4

71.7

69.6

68.9

73.8

71.9

63.5

60.6

53.2

57.8

59.5

63.6

63.7

60.8

56.5

64.8

76.9

75.7

95.1

99.9

101.3

99.4

Wednesday, February 28, 2007

82.1

78.8

75.7

74.4

73.8

76.7

71.6

67.6

63.9

64.1

64.1

68.3

65.5

67.2

62.7

63.1

65.0

86.2

91.4

103.5

98.0

98.2

97.1

87.5

Thursday, March 01, 2007

80.8

76.8

76.6

74.5

73.7

75.7

69.1

62.6

60.1

60.2

61.6

57.6

58.4

58.3

60.4

59.8

63.1

81.6

94.0

98.0

97.4

90.4

87.4

80.0

Friday, March 02, 2007

75.7

71.5

69.3

67.5

66.8

67.0

71.8

67.8

71.8

72.8

75.6

73.9

74.4

76.4

78.2

80.1

78.7

78.5

78.6

86.9

91.1

89.7

90.4

82.3

Saturday, March 03, 2007

77.3

73.2

70.2

68.9

68.2

72.4

73.4

58.7

61.5

57.3

58.8

57.7

56.5

57.5

57.5

55.7

55.6

66.1

80.2

92.5

92.1

89.9

90.2

91.9

Sunday, March 04, 2007

86.4

80.1

74.1

70.0

71.9

74.0

73.6

58.6

62.5

63.9

57.9

57.7

53.4

53.0

53.5

53.5

60.0

71.0

80.1

88.3

91.0

90.5

90.8

86.9

Monday, March 05, 2007

82.0

76.4

73.1

71.3

70.4

73.3

75.3

66.4

72.5

72.0

72.2

74.9

78.5

82.9

82.2

81.8

79.1

80.2

85.8

95.5

93.1

93.9

94.8

91.1

Tuesday, March 06, 2007

82.7

79.7

77.4

75.7

74.0

76.0

76.3

58.9

58.9

63.1

61.5

62.0

58.8

58.5

58.0

60.2

60.8

78.0

89.2

96.2

95.0

94.9

95.9

90.6

Wednesday, March 07, 2007

85.2

80.2

76.6

75.1

72.2

76.1

77.4

56.4

57.2

56.3

52.4

54.5

56.9

60.7

60.3

57.3

57.1

81.4

82.1

92.9

91.6

92.0

92.4

92.0

Thursday, March 08, 2007

86.4

81.6

77.9

75.3

75.2

77.9

77.8

56.9

61.2

56.0

60.3

60.2

57.6

54.7

54.0

52.3

61.9

82.2

83.6

86.7

87.8

88.0

94.1

92.1

Friday, March 09, 2007

87.1

82.1

79.2

76.4

74.9

78.2

78.0

67.8

73.0

77.5

82.3

83.1

81.2

85.8

75.7

81.8

79.8

82.2

86.4

92.1

92.3

90.8

91.2

92.4

Saturday, March 10, 2007

86.3

80.4

78.1

76.1

74.8

77.6

73.8

54.1

60.2

60.5

59.8

53.3

56.0

58.7

58.3

57.6

58.1

83.7

79.9

89.4

92.7

91.3

90.2

88.4

Sunday, March 11, 2007

84.3

82.2

76.0

76.6

74.8

77.2

77.0

64.3

64.2

65.0

64.3

64.2

64.0

63.2

63.6

63.6

62.8

76.9

93.0

95.3

96.0

95.8

93.4

87.3

Monday, March 12, 2007

80.2

77.0

74.2

71.3

70.3

73.5

75.8

68.9

76.2

81.5

79.9

78.7

76.2

79.8

79.7

80.2

83.3

85.6

91.9

91.5

91.8

93.4

91.3

86.4

Tuesday, March 13, 2007

80.2

77.1

70.9

73.3

72.4

76.9

79.6

56.8

59.7

60.7

59.5

58.7

58.0

58.8

59.8

56.5

57.5

78.7

89.7

93.5

93.5

93.5

94.2

90.6

Wednesday, March 14, 2007

85.8

80.5

77.1

75.3

74.9

78.7

80.4

67.9

73.7

76.6

82.3

79.6

85.6

88.7

88.0

86.6

70.9

72.8

82.5

94.4

95.5

94.7

88.4

85.2

Thursday, March 15, 2007

78.6

73.0

70.0

68.8

68.2

70.3

78.1

58.1

61.9

62.2

62.9

61.8

61.1

64.7

65.0

64.2

65.7

87.9

99.5

105.6

106.1

96.6

90.1

83.9

Friday, March 16, 2007

81.8

73.0

71.1

69.4

69.3

73.3

74.1

66.4

68.8

77.6

82.5

83.8

82.8

88.1

90.3

90.2

86.2

83.3

94.7

91.0

94.7

94.7

95.0

88.1

51

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

Saturday, March 17, 2007

84.2

76.0

75.3

74.7

74.3

76.0

71.4

62.4

64.5

70.9

62.4

63.0

67.2

63.3

63.2

63.2

66.3

79.5

95.5

103.7

102.9

103.5

94.7

Sunday, March 18, 2007

81.7

76.3

74.5

73.5

73.0

74.3

74.3

66.5

64.3

66.3

65.8

64.0

62.2

63.7

62.1

60.7

62.5

76.8

89.9

103.5

98.0

103.6

97.0

86.4 91.1

Monday, March 19, 2007

84.6

81.0

75.9

74.2

73.3

75.3

74.6

60.7

61.8

64.5

65.5

63.9

62.4

64.7

65.8

68.1

71.9

76.8

90.1

102.1

102.8

105.1

95.2

94.4 92.6

Tuesday, March 20, 2007

80.4

76.2

73.5

67.5

70.8

75.7

75.6

62.2

64.1

58.1

60.1

61.6

58.6

58.4

60.4

60.9

51.2

73.7

97.4

104.4

106.8

106.2

101.0

Wednesday, March 21, 2007

86.3

80.6

77.9

75.7

75.2

78.4

69.2

63.6

68.6

71.8

66.7

65.0

64.6

64.2

67.3

66.9

66.9

82.7

104.0

99.0

96.9

100.3

97.8

91.0

Thursday, March 22, 2007

80.5

79.5

77.2

73.9

73.8

77.8

78.1

67.1

65.5

65.9

66.7

57.9

54.0

62.6

66.3

68.0

70.0

79.1

94.8

108.5

106.9

104.1

94.7

87.0

Friday, March 23, 2007

80.3

75.2

73.4

71.1

72.6

74.7

69.7

60.9

56.8

76.3

79.7

75.0

76.0

75.7

67.5

68.1

68.1

74.8

92.2

99.7

102.8

98.6

90.2

82.9

Saturday, March 24, 2007

76.2

73.7

73.2

71.4

70.6

73.5

74.5

58.2

61.7

65.0

63.5

62.3

60.3

61.8

56.1

63.6

61.9

79.9

85.0

99.1

99.0

105.6

100.5

93.0

Sunday, March 25, 2007

87.0

80.4

78.3

75.3

72.2

72.9

68.3

62.9

65.0

68.3

64.5

58.3

62.9

62.3

59.5

64.6

67.6

79.1

85.0

101.9

99.9

101.7

98.0

90.3

Monday, March 26, 2007

85.2

80.5

72.7

75.8

75.4

75.0

69.2

68.7

72.3

80.7

78.0

79.6

83.6

87.5

90.0

87.7

87.9

83.8

87.4

99.0

99.2

102.6

102.0

94.9

Tuesday, March 27, 2007

88.7

82.1

79.1

78.2

76.8

79.5

79.1

65.6

69.7

67.2

66.1

64.0

63.2

53.5

55.9

67.8

71.2

86.3

98.0

101.0

103.0

103.0

97.1

89.5

Wednesday, March 28, 2007

82.4

77.6

75.8

73.8

72.7

77.9

69.5

61.0

60.2

58.5

58.4

60.1

63.0

65.3

64.5

58.0

52.5

83.3

85.0

89.1

88.1

91.3

94.5

90.7

Thursday, March 29, 2007

81.3

77.2

75.8

72.8

71.5

75.2

80.7

66.9

64.4

64.6

67.3

71.3

71.8

83.9

80.9

83.5

84.5

86.4

92.8

99.5

101.9

97.5

97.1

88.8

Friday, March 30, 2007

78.8

73.9

70.1

69.4

67.7

72.4

72.7

65.7

72.9

78.7

82.2

85.4

84.6

88.0

87.4

79.3

78.0

83.2

90.8

97.9

100.9

101.2

93.9

87.8

Saturday, March 31, 2007

77.7

74.3

73.2

73.0

68.0

73.2

72.1

67.0

63.8

66.5

71.7

69.7

67.4

70.0

67.6

70.5

71.5

73.4

92.9

103.4

102.6

97.8

91.8

87.4

Sunday, April 01, 2007

80.1

75.1

73.1

70.9

66.2

69.8

70.1

64.9

65.3

67.1

70.5

70.1

71.3

71.7

69.6

67.6

69.0

63.0

83.1

101.4

101.3

97.8

90.2

83.0

Monday, April 02, 2007

76.3

71.5

69.5

66.9

64.8

69.6

68.6

63.1

70.2

76.0

82.0

83.3

81.2

86.6

89.6

89.2

86.7

82.5

99.5

104.0

102.2

101.0

97.0

89.4

Tuesday, April 03, 2007

80.3

77.5

77.0

75.3

74.2

76.5

76.4

69.3

68.0

67.9

67.5

66.8

65.0

67.5

64.6

71.2

70.0

72.1

94.8

107.6

105.8

102.1

97.1

89.9

Wednesday, April 04, 2007

82.3

78.1

76.5

76.0

74.2

77.8

69.0

62.8

60.9

56.0

57.6

57.4

54.5

56.7

53.5

65.5

71.1

86.1

96.6

106.0

106.0

105.5

101.2

90.4

Thursday, April 05, 2007

80.3

79.0

78.3

75.9

74.1

76.9

69.4

66.5

60.0

58.6

65.3

65.9

64.3

68.2

67.3

66.6

65.3

80.4

90.1

98.2

100.6

102.6

98.7

87.9

Friday, April 06, 2007

82.0

75.8

73.3

71.5

70.8

72.9

66.5

63.1

66.8

68.0

70.5

69.7

68.8

72.8

75.6

70.8

71.2

80.1

83.3

99.6

100.0

97.2

89.1

84.5

Saturday, April 07, 2007

78.5

72.9

71.8

71.6

69.1

72.3

70.9

59.7

62.5

65.8

66.6

68.2

67.5

67.5

65.2

62.9

70.2

84.6

94.5

102.4

100.8

93.4

86.6

81.7

Sunday, April 08, 2007

75.7

74.0

71.3

69.1

68.4

71.0

71.1

65.7

65.0

61.3

68.8

71.2

72.0

71.3

74.5

70.3

67.3

68.7

88.8

101.0

99.8

94.9

87.2

80.1

Monday, April 09, 2007

73.5

69.5

67.7

66.1

65.8

70.1

68.9

65.3

73.3

80.9

84.5

86.6

84.1

85.9

87.7

88.2

86.9

84.9

103.3

105.9

108.8

103.8

95.6

88.6

Tuesday, April 10, 2007

82.7

77.6

75.8

73.9

74.1

76.3

74.5

70.1

74.0

72.4

73.2

69.9

69.4

66.5

65.3

69.0

69.4

84.2

95.9

105.4

103.4

95.9

86.6

81.6

Wednesday, April 11, 2007

77.5

74.0

72.9

70.5

69.4

77.1

75.6

67.4

71.1

71.4

71.2

71.5

70.9

70.7

71.5

66.3

65.6

71.9

94.1

106.2

103.7

98.0

91.7

84.4

Thursday, April 12, 2007

75.2

72.7

71.4

68.8

66.7

71.9

72.3

65.4

64.1

64.6

64.8

64.6

63.9

64.2

65.6

66.0

66.0

73.2

100.4

104.1

103.1

103.5

95.7

88.0

Friday, April 13, 2007

82.4

74.0

68.5

64.8

64.7

68.6

67.6

63.2

70.8

76.2

78.6

82.1

83.1

87.1

87.7

88.6

88.6

79.9

100.9

102.2

97.7

97.0

99.3

89.9

Saturday, April 14, 2007

81.4

76.0

75.6

72.0

71.8

73.6

72.1

64.0

60.9

63.3

64.6

64.8

68.9

71.2

61.9

68.4

68.2

69.3

99.0

104.8

103.5

95.7

90.6

81.1

Sunday, April 15, 2007

74.8

74.2

71.3

68.8

67.4

69.9

69.6

64.9

65.0

64.2

69.3

67.3

70.0

70.6

71.2

69.9

70.7

82.5

86.8

98.0

99.5

101.9

94.2

88.8

Monday, April 16, 2007

83.8

76.2

74.1

68.4

64.4

67.9

70.1

65.3

75.4

78.7

84.5

85.2

84.9

89.1

89.6

87.2

86.5

60.6

90.2

93.6

98.5

100.9

96.2

87.4

Tuesday, April 17, 2007

85.3

80.3

77.6

74.5

72.2

77.7

75.5

61.0

64.4

62.9

62.0

63.1

64.3

65.5

68.6

65.2

67.4

84.8

103.5

101.4

104.7

102.3

101.2

93.6

Wednesday, April 18, 2007

87.5

84.3

77.8

77.8

77.1

81.2

72.2

65.1

56.8

60.7

59.2

59.8

58.4

57.6

57.4

53.4

59.2

68.3

87.2

87.6

95.6

95.7

89.6

92.1

Thursday, April 19, 2007

87.6

82.2

78.3

72.5

70.7

70.4

72.8

66.5

74.1

83.1

83.2

81.8

78.6

81.5

84.8

82.0

79.1

66.7

84.9

87.6

90.7

91.4

92.2

88.6

Friday, April 20, 2007

85.1

79.3

76.2

74.7

73.2

76.4

67.2

55.1

56.7

61.5

64.9

63.9

63.3

70.5

77.7

76.5

78.9

78.0

69.9

90.3

87.1

91.2

96.6

93.5

Saturday, April 21, 2007

86.2

81.6

78.8

76.8

75.2

73.5

75.5

57.5

57.6

56.9

55.9

53.9

53.9

55.8

52.9

54.1

57.3

87.2

93.8

94.7

98.4

98.9

96.9

88.0

Sunday, April 22, 2007

81.5

81.9

78.2

75.7

74.1

76.5

73.5

64.5

63.3

62.6

61.2

64.6

61.3

62.3

62.1

56.6

64.8

76.8

92.9

93.6

98.7

95.2

85.8

79.8

Monday, April 23, 2007

75.9

70.4

65.9

67.2

66.3

71.9

71.9

66.3

72.5

76.6

79.8

82.1

79.3

80.1

78.1

76.0

75.3

75.8

92.6

98.9

97.3

95.4

90.5

84.7

Tuesday, April 24, 2007

78.7

74.8

72.6

70.6

69.9

74.8

73.1

56.5

57.9

56.7

57.6

56.5

54.8

55.4

56.2

56.7

59.8

82.3

99.2

99.2

97.3

95.1

88.6

83.5

52

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

Wednesday, April 25, 2007

76.0

72.3

71.5

69.9

68.1

74.6

73.5

59.7

63.0

66.1

63.8

65.5

62.3

61.7

62.6

66.3

67.3

71.1

98.6

97.5

94.0

93.2

88.5

81.6

Thursday, April 26, 2007

72.1

70.5

69.3

68.4

67.0

71.8

72.2

66.3

70.8

75.5

81.2

83.3

82.9

82.0

85.6

83.3

80.9

80.0

90.3

89.5

89.1

88.6

89.0

82.4

Friday, April 27, 2007

76.5

71.3

68.5

66.5

66.1

70.2

71.8

64.9

72.9

74.6

80.6

80.3

81.1

85.3

89.5

85.4

86.7

81.7

75.0

96.5

95.1

99.4

89.8

82.6

Saturday, April 28, 2007

80.5

74.5

73.5

71.1

70.7

74.3

62.4

56.5

58.7

54.3

54.5

54.8

56.6

56.0

57.2

58.3

58.0

65.9

95.6

97.0

96.6

98.0

93.4

87.6

Sunday, April 29, 2007

77.3

75.7

72.7

70.3

69.8

73.4

67.5

67.8

66.2

60.8

63.9

65.4

62.4

63.8

67.8

66.3

66.4

70.2

90.7

97.1

96.7

94.4

82.3

75.5

Monday, April 30, 2007

77.0

72.3

68.5

66.9

67.3

72.5

71.3

64.8

72.7

77.1

77.7

81.4

80.7

85.9

87.6

86.0

83.5

76.4

82.6

99.3

92.6

88.4

84.4

79.1

Tuesday, May 01, 2007

74.8

70.8

72.0

70.7

71.6

72.6

67.5

64.9

65.5

61.5

58.6

60.5

61.2

58.9

58.1

57.4

57.5

89.2

95.1

105.9

104.1

99.6

90.0

83.7

Wednesday, May 02, 2007

79.1

75.6

76.0

75.6

72.3

75.0

74.5

68.5

68.0

66.5

66.2

66.7

61.9

63.6

62.9

63.1

62.5

81.7

101.9

105.7

103.7

104.1

93.6

85.7

Thursday, May 03, 2007

80.4

75.7

74.5

72.5

71.5

75.7

76.9

62.9

63.7

55.6

56.7

56.3

61.8

63.6

60.2

58.9

56.2

83.8

101.4

98.7

107.1

107.7

98.3

90.5

Friday, May 04, 2007

84.0

79.0

76.0

74.2

74.9

78.4

71.8

67.3

74.6

82.8

87.6

90.0

86.9

91.7

95.1

94.7

82.3

82.9

99.3

102.8

103.6

102.3

92.9

87.7

Saturday, May 05, 2007

80.6

77.0

74.8

72.6

73.3

73.7

70.6

58.1

57.6

59.1

58.3

61.1

60.9

59.6

58.6

58.6

52.2

64.5

85.9

103.6

102.0

97.3

88.6

80.5

Sunday, May 06, 2007

79.3

75.0

69.8

69.6

70.2

71.1

65.1

62.5

63.7

65.3

69.7

68.5

71.2

72.5

73.5

75.4

71.6

73.7

95.2

107.1

106.9

103.6

94.4

87.4 94.3

Monday, May 07, 2007

81.0

75.2

72.6

70.8

69.6

74.2

72.4

66.1

71.8

79.2

85.1

87.7

86.0

89.7

90.8

78.6

84.1

83.4

99.6

107.3

109.7

103.2

101.7

Tuesday, May 08, 2007

87.3

82.9

78.8

77.8

77.3

79.2

78.0

61.9

61.2

60.9

62.5

62.5

61.5

61.2

58.8

61.9

65.8

90.4

98.9

105.1

102.2

98.3

90.4

81.0

Wednesday, May 09, 2007

78.3

73.5

70.7

69.0

68.8

72.6

73.5

67.0

68.8

71.7

69.9

63.7

67.4

65.7

65.4

68.6

69.0

70.2

87.1

96.7

100.6

103.1

100.4

93.2

Thursday, May 10, 2007

88.1

83.9

81.3

79.4

78.5

81.9

76.4

65.5

66.4

65.8

65.6

65.8

65.3

64.2

62.5

61.7

64.1

85.6

98.0

100.0

95.8

100.3

94.7

86.7

Friday, May 11, 2007

82.0

77.0

73.4

71.8

69.7

75.5

73.9

68.2

78.1

83.4

87.5

87.6

86.9

88.5

86.3

82.1

72.5

84.4

100.6

106.9

102.9

101.0

92.7

88.8

Saturday, May 12, 2007

81.0

75.8

73.4

71.4

70.8

73.3

66.7

63.6

63.4

64.6

67.5

65.9

68.4

66.9

69.6

68.5

66.6

79.1

104.0

106.2

104.0

106.2

103.6

97.9

Sunday, May 13, 2007

90.4

85.9

79.6

79.3

77.9

80.3

72.9

67.1

71.2

72.7

76.3

78.3

75.9

75.7

75.2

73.6

72.1

77.1

102.1

108.5

108.3

106.0

93.9

88.8

Monday, May 14, 2007

82.7

77.7

73.5

73.4

72.0

77.6

74.2

70.7

77.7

83.8

87.0

89.1

89.3

92.9

86.7

87.3

83.1

86.1

99.4

103.5

101.4

95.5

88.9

82.1

53

LAMPIRAN 2. DATA BEBAN LISTRIK HARIAN KOTA PONTIANAK UNTUK PENGUJIAN MODEL JST 00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

Tuesday, May 15, 2007

78.1

72.4

70.0

70.3

70.1

74.0

72.6

69.1

74.3

75.2

72.6

72.4

70.6

69.4

67.8

60.8

69.6

76.2

85.8

92.0

94.7

94.2

85.5

77.8

Wednesday, May 16, 2007

72.3

68.4

65.8

65.2

65.7

69.9

70.2

65.7

65.7

64.9

63.4

63.8

62.3

63.2

66.6

67.7

68.1

84.2

101.9

100.0

101.8

102.9

99.6

90.3

Thursday, May 17, 2007

85.4

81.6

77.4

72.7

70.6

74.2

69.6

65.3

66.4

70.8

74.9

67.2

66.0

65.8

68.1

72.2

62.7

74.1

76.7

99.1

102.8

103.6

94.6

89.0

Friday, May 18, 2007

81.4

76.6

74.9

70.3

71.5

75.9

66.1

68.3

72.2

77.4

79.9

82.2

79.1

79.6

81.9

83.3

77.4

76.6

102.7

107.3

100.2

98.3

91.6

91.1

Saturday, May 19, 2007

79.4

76.9

74.9

72.9

72.8

75.4

73.9

69.9

70.1

71.2

69.5

70.4

74.1

76.2

77.4

75.4

72.9

78.0

99.8

105.5

101.6

99.9

92.2

88.5

Sunday, May 20, 2007

81.0

74.8

72.3

71.3

71.3

72.3

68.1

65.7

65.2

68.5

71.7

68.6

64.6

61.3

66.4

64.6

60.4

65.1

92.2

103.8

105.3

101.8

92.1

84.9

Monday, May 21, 2007

78.4

74.5

71.2

70.1

69.5

73.7

71.0

65.8

74.6

81.9

85.8

86.7

85.3

83.2

91.0

90.9

78.3

70.5

91.8

98.7

95.5

93.6

89.4

83.6

Tuesday, May 22, 2007

76.3

73.7

71.8

70.0

69.5

74.0

69.3

62.0

68.4

65.6

66.9

59.1

64.6

66.0

62.0

60.0

65.5

81.3

89.7

92.3

90.7

93.4

86.6

80.8

Wednesday, May 23, 2007

73.5

69.8

68.1

67.6

65.2

69.0

68.9

65.3

64.1

65.8

67.9

68.6

68.1

71.1

70.5

62.6

52.7

67.8

92.7

99.5

99.4

99.0

96.7

83.9

Thursday, May 24, 2007

77.9

73.1

72.4

72.4

71.3

65.9

73.4

55.8

59.5

60.8

57.2

60.7

60.6

63.7

65.4

63.2

58.5

81.2

101.3

101.4

100.1

103.0

100.0

92.7

Friday, May 25, 2007

88.1

82.9

78.2

73.3

71.6

76.3

74.0

71.3

74.3

80.2

86.4

86.5

85.3

85.9

84.1

84.5

83.4

82.7

94.9

97.9

97.0

97.6

91.2

84.4

Saturday, May 26, 2007

78.0

75.1

71.5

70.6

69.7

73.8

69.6

60.9

58.7

60.1

62.6

65.4

65.5

65.8

62.0

61.2

66.4

84.1

97.0

98.9

92.9

96.4

95.8

90.5

Sunday, May 27, 2007

83.6

77.7

74.9

72.2

71.5

73.8

68.1

67.1

60.8

64.5

66.7

66.3

61.8

63.7

65.2

68.3

67.3

72.0

94.3

98.7

103.8

102.3

95.2

87.9

Monday, May 28, 2007

80.6

76.3

73.7

70.7

71.4

77.5

75.1

67.8

76.6

82.4

86.9

86.4

79.2

80.3

78.5

80.7

83.0

88.7

105.6

101.4

106.8

103.1

98.7

94.9

Tuesday, May 29, 2007

86.4

82.1

78.6

76.8

75.7

79.5

78.0

58.3

68.2

63.3

61.4

62.5

63.4

64.9

67.0

66.9

70.9

76.3

106.6

101.0

103.4

102.0

99.0

91.7

Wednesday, May 30, 2007

81.6

78.2

75.7

72.8

72.6

76.7

75.6

65.0

67.7

63.7

67.4

60.7

61.8

61.4

60.4

65.5

79.1

80.5

102.3

108.4

108.9

106.1

98.7

90.5

Thursday, May 31, 2007

80.1

75.7

73.3

70.9

69.9

74.1

72.3

64.2

71.8

70.6

72.1

72.0

70.9

64.8

69.6

69.9

66.6

69.0

90.0

102.0

102.2

99.3

98.3

90.7

54

LAMPIRAN 3. DATA TEMPERATUR UDARA HARIAN KOTA PONTIANAK UNTUK PELATIHAN MODEL JST TANGGAL Monday, January 01, 2007 Tuesday, January 02, 2007 Wednesday, January 03, 2007 Thursday, January 04, 2007 Friday, January 05, 2007 Saturday, January 06, 2007 Sunday, January 07, 2007 Monday, January 08, 2007 Tuesday, January 09, 2007 Wednesday, January 10, 2007 Thursday, January 11, 2007 Friday, January 12, 2007 Saturday, January 13, 2007 Sunday, January 14, 2007 Monday, January 15, 2007 Tuesday, January 16, 2007 Wednesday, January 17, 2007 Thursday, January 18, 2007 Friday, January 19, 2007 Saturday, January 20, 2007 Sunday, January 21, 2007 Monday, January 22, 2007 Tuesday, January 23, 2007 Wednesday, January 24, 2007 Thursday, January 25, 2007 Friday, January 26, 2007 Saturday, January 27, 2007 Sunday, January 28, 2007 Monday, January 29, 2007 Tuesday, January 30, 2007 Wednesday, January 31, 2007

TEMPERATUR UDARA MIN MAKS AVR 23.0 24.0 23.6 23.8 23.0 23.4 23.8 24.0 23.8 23.0 23.6 24.2 23.0 23.6 23.4 24.0 24.0 24.0 23.6 23.6 23.2 23.6 23.4 23.6 22.6 22.8 23.5 23.0 23.6 22.6 23.0

30.6 30.0 29.4 27.4 31.2 31.0 33.0 33.4 34.6 33.2 31.8 31.4 31.3 29.6 31.9 32.6 32.5 33.4 33.6 34.0 34.4 29.4 31.5 31.2 31.4 32.0 31.5 32.2 30.4 31.4 33.0

26.3 26.4 26.3 24.7 26.7 26.6 27.8 27.8 27.7 27.4 27.6 26.1 26.4 26.3 26.9 27.7 27.7 27.3 27.4 26.7 27.4 25.9 26.4 25.8 26.3 26.9 25.6 26.1 26.0 25.7 26.8

TANGGAL Thursday, February 01, 2007 Friday, February 02, 2007 Saturday, February 03, 2007 Sunday, February 04, 2007 Monday, February 05, 2007 Tuesday, February 06, 2007 Wednesday, February 07, 2007 Thursday, February 08, 2007 Friday, February 09, 2007 Saturday, February 10, 2007 Sunday, February 11, 2007 Monday, February 12, 2007 Tuesday, February 13, 2007 Wednesday, February 14, 2007 Thursday, February 15, 2007 Friday, February 16, 2007 Saturday, February 17, 2007 Sunday, February 18, 2007 Monday, February 19, 2007 Tuesday, February 20, 2007 Wednesday, February 21, 2007 Thursday, February 22, 2007 Friday, February 23, 2007 Saturday, February 24, 2007 Sunday, February 25, 2007 Monday, February 26, 2007 Tuesday, February 27, 2007 Wednesday, February 28, 2007 Thursday, March 01, 2007 Friday, March 02, 2007 Saturday, March 03, 2007

TEMPERATUR UDARA MIN MAKS AVR 22.0 22.5 21.6 21.4 21.7 23.6 24.2 23.6 23.6 23.6 22.8 23.0 23.6 23.6 23.0 23.3 23.5 22.2 22.4 23.0 23.6 23.2 23.2 22.4 22.6 22.8 22.8 23.4 23.4 22.4 22.6

33.6 33.0 32.0 33.0 33.4 34.3 33.8 34.2 32.0 32.5 33.4 33.4 33.8 32.6 32.2 33.3 33.0 31.6 33.4 29.4 31.0 32.2 33.6 32.5 32.8 31.6 32.8 34.4 31.4 28.0 33.2

26.6 27.0 26.3 26.3 27.0 27.6 27.5 27.5 27.2 26.3 26.6 27.8 27.1 27.3 25.9 26.6 26.3 25.4 26.5 25.8 26.5 27.2 27.5 26.3 27.3 26.6 26.4 27.0 25.6 25.0 26.9

TANGGAL Sunday, March 04, 2007 Monday, March 05, 2007 Tuesday, March 06, 2007 Wednesday, March 07, 2007 Thursday, March 08, 2007 Friday, March 09, 2007 Saturday, March 10, 2007 Sunday, March 11, 2007 Monday, March 12, 2007 Tuesday, March 13, 2007 Wednesday, March 14, 2007 Thursday, March 15, 2007 Friday, March 16, 2007 Saturday, March 17, 2007 Sunday, March 18, 2007 Monday, March 19, 2007 Tuesday, March 20, 2007 Wednesday, March 21, 2007 Thursday, March 22, 2007 Friday, March 23, 2007 Saturday, March 24, 2007 Sunday, March 25, 2007 Monday, March 26, 2007 Tuesday, March 27, 2007 Wednesday, March 28, 2007 Thursday, March 29, 2007 Friday, March 30, 2007 Saturday, March 31, 2007

TEMPERATUR UDARA MIN MAKS AVR 23.3 23.0 22.4 22.4 22.2 23.2 23.6 23.6 23.6 23.0 23.5 23.6 23.0 23.6 23.0 23.5 23.8 23.4 23.4 23.0 23.4 23.6 23.0 23.8 23.6 23.2 23.2 23.0

33.6 33.2 33.8 34.0 35.2 34.8 34.2 34.6 31.0 31.2 34.2 32.4 32.4 31.6 33.6 33.2 32.8 32.6 29.6 28.5 32.2 33.5 34.4 33.0 35.2 32.0 33.4 33.6

24.5 27.2 27.2 26.2 27.2 27.1 27.7 27.7 26.1 26.7 28.0 26.5 26.1 26.3 26.9 27.4 26.7 27.2 25.0 24.8 27.4 27.6 28.2 25.8 28.1 26.9 26.7 26.6

55

TANGGAL Sunday, April 01, 2007 Monday, April 02, 2007 Tuesday, April 03, 2007 Wednesday, April 04, 2007 Thursday, April 05, 2007 Friday, April 06, 2007 Saturday, April 07, 2007 Sunday, April 08, 2007 Monday, April 09, 2007 Tuesday, April 10, 2007 Wednesday, April 11, 2007 Thursday, April 12, 2007 Friday, April 13, 2007 Saturday, April 14, 2007 Sunday, April 15, 2007

TEMPERATUR UDARA MIN MAKS AVR 23.4 23.4 23.6 23.6 22.6 23.2 24.0 22.7 22.9 22.5 22.8 23.0 22.6 23.2 23.0

30.6 33.2 34.2 33.4 33.6 32.0 31.8 33.4 33.0 32.6 34.0 31.4 33.6 32.5 33.6

26.7 26.9 27.1 27.5 26.6 27.2 26.5 26.1 26.7 26.3 26.7 26.7 27.2 26.4 27.1

TANGGAL Monday, April 16, 2007 Tuesday, April 17, 2007 Wednesday, April 18, 2007 Thursday, April 19, 2007 Friday, April 20, 2007 Saturday, April 21, 2007 Sunday, April 22, 2007 Monday, April 23, 2007 Tuesday, April 24, 2007 Wednesday, April 25, 2007 Thursday, April 26, 2007 Friday, April 27, 2007 Saturday, April 28, 2007 Sunday, April 29, 2007 Monday, April 30, 2007

TEMPERATUR UDARA MIN MAKS AVR 23.0 23.0 24.7 23.6 23.4 23.4 24.0 24.7 23.6 23.2 23.4 23.4 23.8 24.0 23.6

33.5 31.5 34.6 32.8 32.4 34.0 32.4 32.4 32.2 32.0 32.0 32.4 32.8 31.8 33.5

27.5 27.8 29.4 26.7 27.5 27.3 27.3 26.6 25.6 25.4 26.5 27.2 26.0 26.1 27.4

TANGGAL Wednesday, May 02, 2007 Thursday, May 03, 2007 Friday, May 04, 2007 Saturday, May 05, 2007 Sunday, May 06, 2007 Monday, May 07, 2007 Tuesday, May 08, 2007 Wednesday, May 09, 2007 Thursday, May 10, 2007 Friday, May 11, 2007 Saturday, May 12, 2007 Sunday, May 13, 2007 Monday, May 14, 2007

TEMPERATUR UDARA MIN MAKS AVR 23.0 23.6 24.5 23.2 22.9 23.0 25.4 23.2 23.0 23.4 23.6 24.2 23.8

32.3 33.8 34.0 29.4 32.0 34.2 32.2 34.0 33.6 34.0 34.0 34.2 33.6

26.3 27.9 27.8 25.6 27.1 28.8 27.0 27.5 28.2 27.0 28.1 28.1 26.8

56

LAMPIRAN 4. DATA TEMPERATUR UDARA HARIAN KOTA PONTIANAK UNTUK PENGUJIAN MODEL JST TANGGAL Tuesday, May 15, 2007 Wednesday, May 16, 2007 Thursday, May 17, 2007 Friday, May 18, 2007 Saturday, May 19, 2007 Sunday, May 20, 2007 Monday, May 21, 2007 Tuesday, May 22, 2007 Wednesday, May 23, 2007 Thursday, May 24, 2007 Friday, May 25, 2007 Saturday, May 26, 2007 Sunday, May 27, 2007 Monday, May 28, 2007 Tuesday, May 29, 2007 Wednesday, May 30, 2007 Thursday, May 31, 2007

TEMPERATUR UDARA MIN MAKS AVR 22.8 23.0 24.0 21.2 23.4 23.8 23.4 23.0 22.8 23.4 24.0 23.4 24.1 24.4 24.4 23.8 22.8

33.4 32.6 34.0 32.2 33.4 33.6 33.5 34.6 34.2 34.0 30.6 33.0 31.3 34.2 32.2 33.4 34.0

25.6 27.4 27.8 26.1 26.8 27.3 26.6 26.4 26.5 28.0 25.9 27.0 27.3 27.9 27.7 26.4 27.5

57

LAMPIRAN 5. Gambar Pengguna Antarmuka (Graphic User Interface)

58

LAMPIRAN 6. Listing Program Graphic User Interface function varargout = Gui_JST(varargin) % GUI_JST M-file for Gui_JST.fig % GUI_JST, by itself, creates a new GUI_JST or raises the existing % singleton*. % % H = GUI_JST returns the handle to a new GUI_JST or the handle to % the existing singleton*. % % GUI_JST('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in GUI_JST.M with the given input arguments. % % GUI_JST('Property','Value',...) creates a new GUI_JST or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before Gui_JST_OpeningFunction gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to Gui_JST_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help Gui_JST % Last Modified by GUIDE v2.5 07-Jan-2008 23:28:05 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Gui_JST_OpeningFcn, ... 'gui_OutputFcn', @Gui_JST_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin & isstr(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before Gui_JST is made visible. function Gui_JST_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure

59

% eventdata % handles % varargin

reserved - to be defined in a future version of MATLAB structure with handles and user data (see GUIDATA) command line arguments to Gui_JST (see VARARGIN)

% Choose default command line output for Gui_JST handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes Gui_JST wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Gui_JST_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes during object creation, after setting all properties. function Eshow_CreateFcn(hObject, eventdata, handles) % hObject handle to Eshow (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc set(hObject,'BackgroundColor','white'); else set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor')); end function Eshow_Callback(hObject, eventdata, handles) % hObject handle to Eshow (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of Eshow as text % str2double(get(hObject,'String')) returns contents of Eshow as a double % --- Executes during object creation, after setting all properties. function Erate_CreateFcn(hObject, eventdata, handles) % hObject handle to Erate (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

60

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc set(hObject,'BackgroundColor','white'); else set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor')); end

function Erate_Callback(hObject, eventdata, handles) % hObject handle to Erate (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of Erate as text % str2double(get(hObject,'String')) returns contents of Erate as a double

% --- Executes during object creation, after setting all properties. function Eerror_CreateFcn(hObject, eventdata, handles) % hObject handle to Eerror (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc set(hObject,'BackgroundColor','white'); else set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor')); end

function Eerror_Callback(hObject, eventdata, handles) % hObject handle to Eerror (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of Eerror as text % str2double(get(hObject,'String')) returns contents of Eerror as a double % --- Executes during object creation, after setting all properties. function Popfungsi_CreateFcn(hObject, eventdata, handles) % hObject handle to Popfungsi (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc

61

set(hObject,'BackgroundColor','white'); else set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor')); end

% --- Executes on selection change in Popfungsi. function Popfungsi_Callback(hObject, eventdata, handles) % hObject handle to Popfungsi (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns Popfungsi contents as cell array % contents{get(hObject,'Value')} returns selected item from Popfungsi %gets the selected option % --- Executes on button press in Pbtrain. function Pbtrain_Callback(hObject, eventdata, handles) proyek=guidata(gcbo); % hObject handle to Pbtrain (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %proyek=guidata(gcbo);----%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%% AGUS HASIM %%% G651050084 %%% Bagian ini untuk melakukan pelatihan Model JST. %%% P adalah pola data input berupa matrik beban listrik %%% dan suhu, sedangkan T adalah pola data Target %%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% show =str2double(get(proyek.Eshow,'string')); rate =str2double(get(proyek.Erate,'string')); error=str2double(get(proyek.Eerror,'string')); maks =str2double (get(proyek.Emaks,'string')); P=xlsread('P.xls'); T=xlsread('T.xls'); P=P'; T=T'; fungsi=get(handles.Popfungsi,'value') switch fungsi case 1 net=newff (minmax (P),[220,24],{'logsig','logsig'},'Traingd'); net.trainParam.show = show; %%%show net.trainParam.lr = rate; %%%learning rate net.trainParam.epochs = maks; %%% batas atau maksimum epoch net.trainParam.goal = error; %%%error

62

case 2 net=newff (minmax (P),[220,24],{'logsig','logsig'},'Traingda'); net.trainParam.show = show; %%%show net.trainParam.lr = rate; %%%learning rate net.trainParam.epochs = maks; net.trainParam.goal = error; %%%error case 3 net=newff (minmax (P),[220,24],{'logsig','logsig'},'Traingdm'); net.trainParam.show = show; %%%show net.trainParam.lr = rate; %%%learning rate net.trainParam.epochs = maks; net.trainParam.goal = error; %%%error case 4 net=newff (minmax (P),[220,24],{'logsig','logsig'},'Traingdx'); net.trainParam.show = show; %%%show net.trainParam.lr = rate; %%%learning rate net.trainParam.epochs = maks; net.trainParam.goal = error; %%%error case 5 net=newff (minmax (P),[220,24],{'logsig','logsig'},'Traincgp'); net.trainParam.show = show; %%%show net.trainParam.lr = rate; %%%learning rate net.trainParam.epochs = maks; net.trainParam.goal = error; %%%error case 6 net=newff (minmax (P),[220,24],{'logsig','logsig'},'Traincgf'); net.trainParam.show = show; %%%show net.trainParam.lr = rate; %%%learning rate net.trainParam.epochs = maks; net.trainParam.goal = error; %%%error case 7 net=newff (minmax (P),[220,24],{'logsig','logsig'},'Traincgb'); net.trainParam.show = show; %%%show net.trainParam.lr = rate; %%%learning rate net.trainParam.epochs = maks; net.trainParam.goal = error; %%%error %otherwise end net=train(net,P,T); %%% melatih jaringan dengan data input P dan target T save net.mat; %%% arsitektur jaringan dan bobot disimpan %%%SAMPAI SINI AJA%%%

63

% --- Executes on button press in Pbprediksi. function Pbprediksi_Callback(hObject, eventdata, handles) % hObject handle to Pbprediksi (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%% Bagian ini untuk pengujian atau prakiraan/prediksi. %%% PUji adalah data baru berupa matrik beban listrik %%% dan suhu (kemarin dan hari ini) untuk mendapatkan %%% beban besok hari. Hasilnya adalah "Outputan". %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% load('net.mat'); PUji=xlsread('PUji.xls'); PUji=PUji'; Outputan=sim(net,PUji); save Outputan.mat; % --- Executes on button press in Pbkeluar. function Pbkeluar_Callback(hObject, eventdata, handles) % hObject handle to Pbkeluar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close; %%% buat menutup GUI

% -------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles) % hObject handle to Untitled_1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) function Emaks_Callback(hObject, eventdata, handles) % hObject handle to Emaks (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of Emaks as text % str2double(get(hObject,'String')) returns contents of Emaks as a double

% --- Executes during object creation, after setting all properties. function Emaks_CreateFcn(hObject, eventdata, handles) % hObject handle to Emaks (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end