SIMULASI MULTI ATRIBUT DI DASARKAN PADA AGEN UNTUK KEHANDALAN DISTRIBUSI ENERGI LISTRIK MENGGUNAKAN METODE LVQ Dodk Arwin Dermawan1, Supeno Mardi1, Mochamad Hariadi1 1
Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111 energi listrik, dimulai dari pembangkit listrik sampai dengan end user yaitu konsumen sebagai pengguna listrik. Kualitas energi listrik yang diterima konsumen sangat dipengaruhi oleh sistem pendistribusian, oleh karena itu diperlukan sistem distribusi energi listrik dengan kehandalan yang tinggi. Kehandalan dalam sistem distribusi listrik adalah suatu ukuran ketersediaan / tingkat pelayanan penyediaan tenaga listrik dari sistem ke pemakai / pelanggan [3]. Tolak ukur kehandalan dari sistem distribusi listrik adalah seberapa sering sistem distribusi listrik mengalami pemadaman, berapa lama pemadaman terjadi dan berapa cepat waktu yang dibutuhkan untuk memulihkan kondisi dari pemadaman yang terjadi. Sistem yang mempunyai kehandalan tinggi akan mampu memberikan energi listrik setiap saat dibutuhkan, sedangkan sistem dikatakan mempunyai keandalan rendah bila tingkat ketersediaan energi listrik rendah. Kehandalan yang tinggi pada sistem distribusi energi listrik di dasarkan pada indikasi titik beban dan indikasi performansi sistem, yang terdiri dari Frequency of failures (λ), average duration of a failure (r), average annual outage time (U) [7]. Didasarkan pada indikasi tersebut, maka untuk mencapai kehandalan tinggi pada sistem distribusi energi listrik terdapat beberapa atribut (Multy Atribut) yang dapat dijadikan pertimbangan diantaranya indikasi titik beban, SAIFI, dan SAIDI. Selanjutnya pada Multy Atribut tersebut diberikan pelatihan (learning) dengan menggunakan metode LVQ (Learning Vector Quantization) agar secara otomatis dapat melakukan klasifikasi terhadap vektor input yang diberikan. Keunggulan dari metode LVQ adalah kemampuan metode tersebut untuk memberikan pelatihan terhadap lapisan – lapisan kompetitif sehingga secara otomatis dapat mengklasifikasikan vektor input yang diberikan. Proses untuk menentukan kehandalan yang tinggi pada sistem distribusi energi listrik selanjutnya disimulasikan pada suatu agen. Agen tersebut dapat membantu menentukan sistem distribusi lisrik yang memiliki kehandalan tinggi dengan mempertimbangkan banyak atribut sehingga kualitas energi listrik yang diterima oleh konsumen lebih baik. Agen adalah suatu
Abstrak : Kualitas energi listrik yang diterima oleh konsumen sangat dipengaruhi oleh sistem pendistribusiannya, sehingga diperlukan sistem distribusi energi listrik dengan kehandalan yang tinggi. Kehandalan pada sistem distribusi energi listrik dapat terpenuhi dengan mempertimbangkan multi atribut, diantaranya indikasi titik beban yang terdiri dari tingkat kegagalan, rata – rata waktu keluar, dan rata – rata ketidaktersediaan tahunan. Untuk indikasi performansi sistem terdiri SAIFI dan SAIDI, serta metode yang digunakan adalah LVQ (Learning Vector Quantization). Metode LVQ merupakan suatu metode untuk melakukan pelatihan terhadap lapisan – lapisan kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Apabila beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor – vektor input tersebut akan dikelompokkan dalam kelas yang sama. Pengambilan keputusan dengan mempertimbangkan multi atribut pada sistem distribusi energi listrik untuk menentukan kehandalan yang tinggi, disimulasikan pada agen. Agen adalah suatu komponen atau individu yang dapat memberikan tanggapan terhadap lingkungan dengan mempertimbangkan banyak atribut, serta mampu beradaptasi sehingga dapat membuat keputusan yang independen. Penggunaan agen di dalam simulasi untuk menentukan kehandalan sistem distribusi energi listrik adalah untuk membantu menvisualisasikan pendistribusian listrik dalam memenuhi kualitas energi listrik yang diterima oleh konsumen, sehingga mempermudah dalam mempelajari permasalahan yang dihadapi oleh distribusi listrik. Kata kunci: Kehandalan
Distribusi
Listrik,
LVQ,
Agen,
I. Pendahuluan Energi listrik merupakan salah satu kebutuhan hidup manusia yang mengalami peningkatan tajam, hal tersebut dikarenakan sebagain besar energy yang dibutuhkan oleh manusia khususnya masyarakat modern disuplay dalam bentuk energy listrik [1]. Proses distribusi listrik merupakan salah satu rangkaian penting dalam melayani kebutuhan
1
dengan variasi tegangan yang baik. Tetapi bila terjadi suatu gangguan pada jaringan, sistem sama sekali tidak bisa melayani beban tersebut. Jadi perlu diperbaiki terlebih dahulu. Tentu saja pada sistem ini peralatan-peralatan pengamannya relatif sangat sedikit jumlahnya. Kontinyuitas pelayanan, penyaluran jaringan distribusi tergantung pada jenis dan macam sarana penyalur dan peralatan pengaman, dimana sarana penyalur (jaringan distribusi) mempunyai tingkat kontinyuitas yang tergantung pada susunan saluran dan cara pengaturan sistem operasinya, yang pada hakekatnya direncanakan dan dipilih untuk memenuhi kebutuhan dan sifat beban. Tingkat kontinyuitas pelayanan dari sarana penyalur disusun berdasarkan lamanya upaya menghidupkan kembali suplai setelah pemutusan karena gangguan. (SPLN 52, 1983).
komponen atau individu yang dapat memberikan tanggapan terhadap lingkungan dengan mempertimbangkan banyak atribut, serta mampu beradaptasi sehingga dapat membuat keputusan yang independen. Tujuan penggunaan simulasi multi atribut di dasarkan pada agen di dalam proses distribusi listrik adalah untuk membantu memvisualisasikan proses pendistribusian listrik dalam memenuhi kualitas energi listrik yang diterima oleh konsumen, sehingga mempermudah dalam mempelajari permasalahan yang dihadapi oleh distribusi listrik. II. Atribut Untuk Kehandalan Sistem Distribusi Listrik II.1 Kehandalan Sistem Distribusi Listrik Kehandalan dalam sistem distribusi adalah suatu ukuran ketersediaan / tingkat pelayanan penyediaan tenaga listrik dari sistem ke pemakai. Ukuran keandalan dapat dinyatakan sebagai seberapa sering sistem mengalami pemadaman, berapa lama pemadaman terjadi dan berapa cepat waktu yang dibutuhkan untuk memulihkan kondisi dari pemadaman yang terjadi (restoration). Sistem yang mempunyai keandalan tinggi akan mampu memberikan tenaga listrik setiap saat dibutuhkan, sedangkan sistem mempunyai keandalan rendah bila tingkat ketersediaan tenaganya rendah yaitu sering padam. Adapun macam – macam tingkatan keandalan dalam pelayanan dapat dibedakan menjadi 3 (tiga) hal antara lain : 1. Kehandalan sistem yang tinggi (High Reliability System). Pada kondisi normal, sistem akan memberikan kapasitas yang cukup untuk menyediakan daya pada beban puncak dengan variasi tegangan yang baik. Dan dalam keadaan darurat bila terjadi gangguan pada jaringan, maka sistem ini tentu saja diperlukan beberapa peralatan dan pengaman yang cukup banyak untuk menghindarkan adanya berbagai macam gangguan pada sistem. 2. Kehandalan sistem yang menengah (Medium Reliability System). Pada kondisi normal sistem akan memberikan kapasitas yang cukup untuk menyediakan daya pada beban puncak dengan variasi tegangan yang baik. Dan dalam keadaan darurat bila terjadi gangguan pada jaringan, maka sistem tersebut masih bisa melayani sebagian dari beban meskipun dalam kondisi beban puncak. Jadi dalam sistem ini diperlukan peralatan yang cukup banyak untuk mengatasi serta menanggulangi gangguan – gangguan tersebut. 3. Kehandalan sistem yang rendah (Low Reliability System). Pada kondisi normal, sistem akan memberikan kapasitas yang cukup untuk menyediakan daya pada beban puncak
II.2 Indeks Kehandalan Indeks kehandalan merupakan suatu indikator kehandalan yang dinyatakan dalam suatu besaran probabilitas. Sejumlah indeks sudah dikembangkan untuk menyediakan suatu kerangka untuk mengevaluasi keandalan sistem tenaga. Evaluasi keandalan sistem distribusi terdiri dari indeks titik beban dan indeks sistem. Indeks kegagalan titik beban yang biasanya digunakan meliputi tingkat kegagalan λ (kegagalan/tahum), rata-rata waktu keluar (outage) r (jam/kegagalan) dan rata-rata ketidaktersediaan tahunan U (jam/tahun) (Reliability Evaluation of Power System, Billinton, 1996). Nilai rata-rata dari ketiga indeks titik beban dasar untuk titik beban j dapat dihitung dari sejarah operasi (up-down) dari titik beban dengan menggunakan persamaan sebagai berikut: λj =
Nj
…………………………..……….(1)
ΣTuj rj = Uj =
…………….…..(2)
ΣTdj Nj
…….…………...(3)
ΣTdj ΣTuj + ΣTdj
ΣTuj = up time untuk titik beban j ΣTdj = down time untuk titik beban j Nj = banyaknya kegagalan sepanjang simulasi untuk titik beban j
periode
Serta berdasarkan Viktoria Neimane [7] untuk mandapatkan tingkat kegagalan λ (kegagalan/tahun), rata-rata waktu keluar (outage) r (jam/kegagalan) dan rata-rata ketidaktersediaan tahunan U (jam/tahun) adalah sebagai berikut : ..
λs = λ1 + λ2 +…..λn
2
....................................(4)
rs = λ1.r1 + λ2.r2 +…..+ λn.rn λ 1 + λ2 +…..+ λn
....................(5)
Us = λs.rs = λ1.r1 + λ2.r2 + ……+ λn.rn....................(6) II.3 System Average Interruption Frequency Index (SAIFI) Indeks ini didefinisikan sebagai jumlah ratarata kegagalan yang terjadi per pelanggan yang dilayani oleh sistem per satuan waktu (umumnya pertahun). Indeks ini ditentukan dengan membagi jumlah semua kegagalan-pelanggan dalam satu tahun dengan jumlah pelanggan yang dilayani oleh sistem tersebut. Persamaan untuk SAIFI (rata-rata jumlah gangguan setiap pelanggan) ini dapat dilihat pada persamaan berikut : Σ λk Mk SAIFI =
ΣM
…………..(7)
Gambar 2.1. Distribusi Energi Listrik pada Supply Chain Energy
λk = angka keluar (outage rate) komponen Mk = jumlah customer pada load point k M = total customer pada sistem dsitribusi
Berdasarkan gambar diatas maka di dalam perencanaan atribut untuk menentukan kehandalan sistim distribusi listrik, di dasarkan pada indeks titik beban yang terdiri dari (λ, r, U) dan indeks performansi sistem yang terdiri dari SAIFI dan SAIDI.
II.4. System Average Interruption Duration Index (SAIDI) Indeks ini didefinisikan sebagai nilai ratarata dari lamanya kegagalan untuk setiap konsumen selama satu tahun. Indeks ini ditentukan dengan pembagian jumlah dari lamanya kegagalan secara terus menerus untuk semua pelanggan selama periode waktu yang telah ditentukan dengan jumlah pelanggan yang dilayani selama tahun itu. Persamaan untuk SAIDI (rata-rata jangka waktu gangguan setiap pelanggan) ini dapat dilihat pada persamaan berikut : SAIDI =
Uk Mk M
ΣUk Mk ΣM
II.6 Diagram Alir Proses Klasifikasi Penentuan kehandalan sistem distribusi dengan atribut indeks titik beban dan indeks performansi sistem diperlukan suatu proses klasifikasi, hal tersebut dikarenakan atribut indeks titik beban mempunyai vektor input (λ, r, U) dan atribut indeks performansi sistem mempunyai vektor input SAIFI SAIDI. Diagram alir proses klasifikasi dapat dijelelaskan pada gambar berikut ;
....................(8)
Vector Input
= waktu perbaikan komponen = jumlah customer pada load point k = total customer pada sistem dsitribusi λ
II.5. Dasar Perencanaan Atribut Distribusi listrik merupakan bagian dari Supply Chain Energy, hal tersebut dikarenakan baik dan buruknya kualitas energi listrik yang disalurkan dari pembangkit listrik sampai dengan konsumen ditentukan oleh sistem distribusi khususnya kehandalan sistem distribusi listrik. Berdasarkan (Viktoria Neimane 2001), banyak hal yang mempengaruhi distribusi energi listrik, diantaranya minimize power losses, minimize Cost, improve reability of supply, and satisfy operational constraint.
r
U
Indikasi Titik Beban
SAIFI
SAID I
Indikasi Performansi Sistem
Reability / Keandalan
Metode LVQ Level 1
Metode LVQ Level 2
Simulasi Agen
Gambar 2.2. Diagram alir penelitian
Proses klasifikasi pada multi atribut untuk menentukan kehandalan sistem distribusi menggunakan metode LVQ, secara detail dapat dilhat pada gambar 2.3, 2.4 dan 2.5 berikut ;
3
Gambar 2.3, 2.4, dan 2.5 merupakan langkah– langkah proses klasifikasi dari atribut indeks titik beban dan indeks performansi sistem sampai dengan diperoleh jarak terpendek dari vektor input terhadap kelas. Langkah – langkah tersebut dijelaskan sebagai berikut ; • Menentukan vektor input tiap – tiap atribut dengan mengambil data dari A Reability Test System For Educational Purposes-Basic Distribution System Data and Result, R. N. Allan, R. B ilinton, I Sjarif, L. Goal and K. S. So, IEEE Trans Power System • Menentukan pembobot awal (initial weight) secara random berdasarkan Introduction to Neural Networks Using Matlab 6.0, S. N. Sivanandam, Sumathi & Deepa • Menentukan kelas awal sebagai kelas target dalam proses training dari vektor input berdasarkan Machine Learning, Neuraland Statistical Classification, D.Michie, D.J. Spiegelhelter, C.C. taylor, 1994. • Di dalam proses pembelajaran pada hidden layer di cari jarak minimum vektor input terhadap kelas awal yang telah ditentukan dengan menggunakan rumus jarak euclidean berdasarkan Introduction to Neural Networks Using Matlab 6.0, S. N. Sivanandam, Sumathi & Deepa
Gambar 2.3. Flow diagram langkah penelitian atribut level 1
Dj = ∑ (Wij – Xi)………………………………(9) Gambar 2.4. Flow diagram langkah penelitian atribut level 2
Jika diperoleh jarak minimum pada proses pembelajaran, maka titik tersebut dikatakan sebagai pemenang dan outputnya berupa jarak minimum vektor input terhadap kelas target disimbolkan dengan kelas pemenang. • Membandingkan kelas pemenang terhadap kelas target untuk dicari pembobot baru dengan menggunakan rumus berikut Neural Networks A Comprehensive Foundation, International Edition, Second Edition, Simon Haykin. if T=C W(new) = W(old) + α ( Xik – W(old))……..(10) else if T≠C W(new) = W(old) - α ( Xik – W(old))……...(11)
Hasil yang diperoleh berupa pembobot baru W(new), yang selanjutnya digunakan untuk melakukan proses percobaan (testing proses). • Proses percobaan terus menerus dilakukan dengan istilah epoch dan akan berhenti jika learning rate mencapai nilai minimum. Output dari proses tersebut berupa jarak minimum vektor input terhadap kelas, yang
Gambar 2.5. Proses pada atribut level 1 dan atribut level 2
4
selanjutnya data jarak minimum tersebut disimulasikan pada Agen. III. Metode LVQ LVQ merupakan suatu metode, yang di dasarkan pada algoritma pembelajaran unsupervised, LVQ juga dapat digunakan sebagai supervised vector quantizer. Hal tersebut dikarenakan jaringan LVQ memiliki titik kelas yang berhubungan dengan vektor input. [11]. Gambar 4.1. FSM agen kehandalan distribusi listrik
Skenario agen di dasarkan pada FSM dalam simulasi proses untuk menentukan kehandalan sistem distribusi listrik adalah sebagai berikut ; Agen melakukan scanning terhadap feeder (penyuplai) 1 sampai dengan feeder 7, untuk membaca data pada tiap – tiap feeder Selanjutnya agen membandingkan data – data tersebut yang berupa jarak vektor input terhadap kelas yang terdapat pada semua feeder. Agen menentukan jarak terpendek dari vektor input terhadap kelas 1 (kelas dengan gangguan atau interupsi terendah) Selanjutnya agen memblok atau memberikan tanda hijau pada feeder tersebut Simulasi menggunakan agen dilakukan per case pada data SAIFI dan SAIDI (IEEE)
Gambar 3.1 arsitektur LVQ : satu hidden layer denga kohonen neurons, adjustable weights antara input layer dan hidden layer. (www.neural –forcasting.com)
Algoritma LVQ berdasarkan Introduction to Neural Networks Using Matlab 6.0, S. N. Sivanandam, Sumathi & Deepa adalah sebagai berikut ; 1. Inisialisasi weights (pembobot) dan inisialisasi learning rate 2. Akan berhenti jika salah, melakukan langkah 3–7 3. Untuk training vektor input x, lakukan langkah 4–5 4. Hitung j menggunakan rumus jarak euclidean
V. Hasil Percobaan V.1. Percobaan 1 Nilai indikasi titik beban diperoleh dari total LP (Load Point) tiap masing – masing feeder pada BUS 4 Nilai SAIFI DAN SAIDI diperoleh dari perhitungan dengan menggunakan persamaan 7 dan 8 di dasarkan pada data IEEE. Input kelas untuk indikasi titik beban dan SAIFI SAIDI ditentukan secara acak seperti pada table 4.1 dan 4.2 Jumlah data = 7 Jumlah pembobot awal tiap atribut = 3 Jumlah kelas tiap atribut = 3 Max epoch = 10000000 berdasarkan kasus (A) yaitu : disconnect – fuses – alternative supply – repair transformer.
D(j)=∑(wij – xi)² cari j ketika D(j) minimum 5.
Update wj dengan ikuti syarat berikut ; If T=Cj, then wj(new) = wj(old) + α[ x - wj(old)] If T ≠ Cj, then wj(new) = wj(old) - α[ x - wj(old)]
6. Menghitung error dari nilai pembobot e(t+1) = ||W(t+1) – W(t)|| 7. Mengurangi learning rate 8. Test untuk kondisi berhenti, kondisi akan berhenti jika angka iterasi atau learning rate mencapai nilai terkecil
Tabel 4.1 Data indikasi titik beban dan kelas awal
IV. FSM dan Skenario Agen
Feeder F1 F2 F3 F4 F5 F6 F7
FSM (Finite State Machine) dari simulasi agen kehandalan distribusi listrik adalah sebagai berikut ;
5
Λ
r
U
Kelas
1.343 0.35 1.299 1.558 0.344 0.36 1.313
157.25 28.85 161.55 176.13 29.19 26.51 160.07
30.14 3.36 30.01 34.34 3.36 3.18 30.01
1 2 3 1 2 3 1
Hasil yang diperoleh dari atribut level 1 untuk ( λ, r, U) (rantai 2) ;
Tabel 4.2 Data indikasi performansi system dan kelas awal untuk case disconnect – fuses – alternative supply – repair transformer Feeder F1 F2 F3 F4 F5 F6 F7
SAIFI 0.191 0.117 0.186 0.195 0.115 0.120 0.188
SAIDI 4.29 1.12 4.30 4.30 1.12 1.06 4.31
Kelas 1 2 3 1 2 3 1
Hasil yang diperoleh dari atribut level 1 untuk SAIFI dan SAIDI (rantai 1) ;
Gambar 5.3 Grafik Vektor input ( λ, r, U) (case A)
Gambar 5.4 Grafik Error Vektor input ( λ, r, U) (case A) Gambar. 5.1 Grafik Vektor input SAIFI dan SAIDI (case A)
Hasil Simulasi Rantai 2 (case A) ********** Rantai 2 ********** Initial weight matrix 1.3430 0.3500 1.2990 157.2500 28.8500 161.5500 30.1400 3.3600 30.0100 weight matrix after epochs ke 56 1.4179 0.3364 1.1122 164.6319 30.9523 152.1007 31.6555 3.4954 26.9819 Jarak after epochs ke 56 7.5363 129.0816 6.0450 138.7030 2.1067 125.4963 3.4958 133.2656 9.9244 11.8081 148.4232 25.1346 138.3702 1.7675 125.1624 141.0307 4.4535 127.8285 4.8508 131.8156 8.5276 Kelas Awal 1 2 3 1 2 3 1 Kelas after Training 3 2 1 1 2 2 1
Gambar 5.2 Grafik Error untuk Vektor input SAIFI dan SAIDI (case A) ********** Rantai 1 ********** Initial weight matrix 0.1910 0.1170 0.1860 4.2900 1.1200 4.3000 weight matrix after epochs ke 56 0.1925 0.1127 0.1762 4.2985 1.1651 4.2940 Jarak after epochs ke 56 0.0087 3.1258 0.0154 3.1794 0.0453 3.1746 0.0067 3.1357 0.0115 0.0029 3.1359 0.0198 3.1795 0.0452 3.1746 3.2393 0.1054 3.2345 0.0123 3.1458 0.0199 Kelas Awal 1 2 3 1 2 3 1 Kelas after Training 1 2 1 1 2 2 1
Hasil yang diperoleh dari atribut level 2 (rantai 3) ;
Gambar 5.5 Grafik vektor input hasil dari indikasi titik beban dan indikasi performansi sistem (case A)
6
hasil dari klasifikasi rantai 2. Klasifikasi pada atribut level 2 rantai 3 merupakan proses klasifikasi terakhir untuk case A, dengan mempertimbangkan banyak atribut (multi atribut) serta menggunakan metode LVQ sebagai metode klasifikasi dan diperoleh feeder 3 sebesar 6.3104 sebagai feeder dengan jarak vektor input terpendek terhadap kelas 1 V.3 Hasil Percobaan Keseluruhan Setelah melakukan percobaan 1 sampai dengan 6 di dasarkan case A sampai dengan case F pada feeder 1 sampai dengan feeder 7 diperoleh hasil sebagai berikut ; \ Tabel 4.8 Jarak vektor input seluruh feeder terhadap kelas 1
Gambar 5.6 Grafik error vektor input hasil dari indikasi titik beban dan indikasi performansi sistem (case A) Hasil simulasi seluruh vektor input (case A) ********** Rantai 3 ********** Initial weight matrix 0.0087 3.1794 0.0067 3.1258 0.0453 3.1357 0.0154 3.1746 0.0115 7.5363 138.7030 129.0816 2.1067 6.0450 125.4963 weight matrix after epochs ke 56 0.0093 3.1344 3.1371 0.0000 0.0203 3.1295 8.6258 136.6172 135.7772 0.0001 12.6068 123.4060 Jarak after epochs ke 56 jkelas1 jkelas2 9.4379 217.0870 218.0859 3.6281 6.3104 219.9737 18.0830 217.4703 217.9233 3.0476 219.2783 7.6748 6.8253 219.0071 Kelas Awal 1 2 3 1 2 3 1 Kelas after Training 1 2 1 1 2 2 1
3.4958 133.2656 9.9244
Feed er 1 2 3 4 5 6 7
0.0089 3.1356 0.0066 -1.4916 124.1710 0.7983 jkelas3 11.5389 223.9050 13.8156 36.8417 223.6963 225.4143 12.5861
V.2. Analisa Percobaan 1 Dari percobaan atribut level 1 yang telah dilakukan pada rantai 1 dengan vektor input SAIFI dan SAIDI, diperoleh feeder dengan jarak terpendek dari vektor input terhadap kelas 1 atau kelas dengan kehandalan tinggi. Feeder tersebut adalah feeder 4 yang memiliki jarak vektor input terhadap kelas 1 sebesar 0.0029, dengan kata lain feeder 4 memiliki kehandalan sebagai sistem distribusi listrik lebih tinggi dibanding feeder – feeder yang lain. Pada percobaan berikutnya, yaitu atribut level 1 rantai 2 untuk vektor input (λ, r, U) diperoleh feeder 3 sebagai feeder yang memiliki kehandalan tinggi untuk sistem distribusi listrik. Hal tersebut dikarenakan feeder 3 memiliki jarak terpendek untuk vektor input terhadap kelas 1 sebesar 3.4958 Setelah melakukan percobaan untuk rantai 1 (SAIFI SAIDI) dan rantai 2 (λ, r, U), dilanjutkan proses klasifikasi pada atribut level 2 rantai 3 yaitu atribut dengan vektor input hasil dari proses klasifikasi rantai 1 dan
Case A
B
C
D
E
F
9.4379 218.0859 6.3104 18.0830 217.9233 219.2783 6.8253
9.6142 222.6989 6.6961 18.4926 222.5497 223.8759 7.1523
9.4381 218.1668 6.3168 18.0834 218.0080 219.3514 6.8277
9.4736 218.2161 6.3643 18.0994 218.0537 219.4085 6.8319
9.4379 218.0188 6.3104 18.0830 217.8560 219.2107 6.8253
10.0074 219.0970 7.3195 18.0878 218.9338 220.2855 6.8354
Gambar 5.7 Grafik jarak vektor input seluruh case terhadap kelas 1 Tabel 4.8 merupakan data jarak vektor input dari seluruh atribut pada seluruh case terhadap kelas 1 pada masing – masing feeder Klasifikasi multi atribut dilakukan terhadap 3 kelas yaitu : kelas 1 = baik, mewakili feeder dengn kehandalan sistem tinggi kelas 2 = sedang, mewakili feeder dengan kehandalan sistem menengah, kelas 3 = buruk, mewakili feeder dengan kehandalan sistem rendah
7
Penentuan kehandalan sistem distribusi dengan ketentuan tinggi, menengah, rendah di dasarkan pada SPLN 52, 1983. Oleh karena itu hanya ditampilkan feeder dengan jarak vektor input untuk seluruh case yang mendekati kelas 1 (kehandalan sistem tinggi) seperti yang terlihat pada tabel 4.8 Penentuan kehandalan juga ditentukan pada data atribut yang terdiri dari indeks titik beban dan indeks performansi sistem Selanjutnya data tersebut disimulasikan pada agen
dikarenakan simulasi membantu pemahaman secara visual. Khususnya simulasi didasarkan pada agen untuk kehandalan sistem distribusi listrik dapat membantu secara visual bagaimana menentukan suatu sistem distribusi listrik yang handal. VII. Saran 1. Penelitian selanjutnya di tekankan pada penentuan pembobot awal vektor input dari metode LVQ, hal tersebut dikarenakan pembobotan awal sangat penting untuk memperoleh akurasi proses klasifikasi. 2. Penelitian selanjutnya perlu dipertimbangkan penggunaan Multi Layer LVQ pada tiap - tiap hiden layer dapat mempengaruhi tingkat akurasi sehingga diharapankan dapat memperoleh hasil klasifikasi yang lebih baik. 3. Penelitian selanjutnya perlu diberikan metode pembanding untuk mengetahui tingkat akurasi dari metode LVQ dalam hal penentuan kehandalan sistem ditribusi energi listrik. Salah satu contoh metode pembanding adalah metode RBF
V.4 Diagram Alir Simulasi Agen
VIII. Daftar Pustaka 1. E. P De mello and Concordia. “Concepts of Synchronous Machine Stability by Excitation Control. “IEEE. Vol.Pass-88. No.4. April 1969. pp316-329. 2. Eduardo G. Carrano, dkk, “Electrical Distribution Network Multiobjective Design Using a Problem – Specific Genetic Algorthm”. IEEE. TRANSACTION ON POWER DELEVERY, Vol 21. NO.2. April 2006 3. Rukmi Sari Hartati,”Penentuan Angka Keluar Peralatan Untuk Evaluasi Keandalan Sistem Distribusi Tenaga Listrik”, Jurnal Teknik Elektro Universitas Udayana Vol. 6 No. 2 Juli Desember 2007. 4. PT. PLN,” RENCANA PENYEDIAAN TENAGA LISTRIK Sebagai Bahan Rencana Pembangunan Jangka Menengah (RPJM) 2005 – 2009 5. IBG Manuaba dkk,”Aplikasi Simulasi Monte Carlo Untuk Menentukan KeandalanSistem Distribusi Primer Tenaga Listrik,” Jurnal Teknik Elektro Universitas Udayana Vol. 4 No. 2 Juli Desember 2005. 6. Abdul Kadir, “Distribusi Dan Utilisasi Tenaga Listrik”, 2000 7. Victoria Neimane ,”On Development Planning of Electricity Distribution Networks”, 2001. 8. Fujiki Morii, Kazuko Kurahashi, Clustering Based on Multiple Criteria For LVQ and K-Means Algorithm, paper 2009.
Gambar 5.8 Diagram alir simulasi agen VI. Kesimpulan 1. LVQ merupakan metode yang di dasarkan pada algoritma pembelajaran unsupervised, tetapi LVQ juga dapat digunakan sebagai supervised vector quantizer dikarenakan memiliki titik kelas yang berhubungan dengan vektor input. 2. Berdasarkan percobaan yang telah dilakukan untuk menentukan kehandalan sistem distribusi listrik menggunakan metode LVQ (Learning Vector Quantization) diperoleh hasil bahwa sistem distribusi listrik dapat dikatakan handal jika nilai – nilai gangguan atau interupsi rendah 3. Penggunaan atribut yang lebih detail akan dapat menentukan kehandalan sistem distribusi yang lebih akurat. Hal tersebut dikarenakan kehandalan sistem distribusi listrik dipengaruhi oleh banyak aspek yang dapat dijadikan atribut. 4. Penggunaan simulasi dalam beberapa permasalahan sangatlah penting, hal tersebut
8
9. S. N. Sivanandam, Sumathi & Deepa, Introduction to Neural Networks Using Matlab 6.0 10. R. N. Allan, R. B ilinton, I Sjarif, L. Goal and K. S. So A Reability Test System For Educational Purposes-Basic Distribution System Data and Result, , IEEE Trans Power System 11. D.Michie, D.J. Spiegelhelter, C.C. taylor Machine Learning, Neuraland Statistical Classification,1994. 12. Mauridhi Hery Purnomo, Agus Kurniawan, Supervised Neural Networks dan aplikasinya, 2006 13. Simon Haykin. Neural Networks A Comprehensive Foundation, International Edition, Second Edition IX. RIWAYAT HIDUP Nama : Dodik Arwin Dermawan Riwayat Pendidikan : 1. SDN Sawunggaling III Surabaya 2. SMP Negeri 6 Surabaya 3. SMA Negeri 4 Surabaya 4. Politeknik Elektronika Negeri Surabaya 5. Teknik Elektro Telekomunikasi Multimedia ITS Riwayat Pekerjaan : 1. Kabag Gudang PT. Ketabangkali Elektronika Industri (SEICO) 2. Laboran Lab. Komputer Jurusan Elektro UNESA 3. Tenaga pengajar di Politeknik NSC Surabaya 4. Dosen Diperbantukan di Jurusan Teknik Elektro UNESA
9
