SKRIPSI
DEDEK ANSHORI 091402127
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PREDIKSI PEMAKAIAN BEBAN DAYA LISTRIK DENGAN METODE
ADAPTIVE NEUROFUZZY INFERENCE SYSTEM
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
DEDEK ANSHORI 091402127
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Judul : PREDIKSI PEMAKAIAN BEBAN DAYA LISTRIK DENGAN METODE ADAPTIVE
NEUROFUZZY INFERENCE SYSTEM
Kategori : SKRIPSI
Nama : DEDEK ANSHORI
Nomor Induk Mahasiswa : 091402127
Program Studi : SARJANA (S-1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di
Medan, Bulan 2014 Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Baihaqi Siregar, S.Si.M.T
NIP.19790108 201212 1002
Muhammad Fadly Syahputra B.Sc.M.Sc.IT
NIP. 19830129 200912 1003
Diketahui/Disetujui oleh
Program Studi Teknologi Informasi Ketua,
II
PERNYATAAN
PREDIKSI PEMAKAIAN BEBAN DAYA LISTRIK DENGAN METODE
ADAPTIVE NEUROFUZZY INFERENCE SYSTEM
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Bulan 2014
Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karuniaNya lah penulis bisa menyelesaikan penyusunan tugas akhir ini.
Proses penyusunan skripsi ini tidak lepas dari dukungan dan bantuan dari pihak lain. Oleh karena itu penulis mengucapkan terima kasih banyak kepada :
1. Keluarga penulis, terutama kedua orang tua penulis. Ibunda, Hj. Sri Wahyuni dan Ayahanda, H. Adnan Harun yang selalu sabar dalam mendidik dan membesarkan penulis. Kakak penulis Zuraini S.E dan Abang Penulis Zuhri Husyairi A.md yang selalu memberikan semangat kepada penulis, serta Pacar Penulis dr. Anita Merry Cisca yang tidak henti-hentinya memberikan semangat dan motivasi kepada penulis.
2. Bapak Muhammad Fadly Syahputra B.Sc.M.Sc.IT dan Bapak Baihaqi Siregar S.Si.M.T selaku pembimbing yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
3. Bapak Sajadin Sembiring S.Si.M.Comp.Sc dan Ibu Sarah Purnamawati S.T.M.Sc selaku penguji yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
4. Ketua dan Sekretaris Program Studi Teknologi Informasi, Muhammad Anggia Muchtar S.T.MM.IT dan Muhammad Fadly Syahputra B.Sc.M.Sc.IT
5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi.
6. PT.PLN UPB P3B Medan telah membantu dan membimbing penulis dalam melakukan riset.
7. Seluruh sahabat terbaik penulis yang selalu memberikan dukungan, Ahmad Najam, Wildan Afifi, Denny Pratama, Mahathir Febrian, Darma Warista, Andre H Lubis, Teddy Armando Vandia, Aser Heber Ginting, Sintong Siregar, Thomas Sihombing, Defri Agung, Anak-anak kantin Pak Kumis serta seluruh angkatan 09, serta teman-teman seluruh angkatan mahasiswa USU lainnya yang tidak dapat penulis sebutkan satu persatu, Semoga Allah SWT membalas kebaikan kalian dengan nikmat yang berlimpah.
IV
ABSTRAK
PT. PLN merupakan Badan Usaha Milik Negara (BUMN) yang mengelola kelistrikan di Indonesia. Dimulai dari pembangkit listrik, distribusi listrik kepada masyarakat, dan pelayanan pemasangan listrik baru. Sebagai BUMN yang memiliki pembangkit listrik sendiri dan melayani pemasangan listrik baru, harus melakukan penyesuaian antara besar daya yang PLN dihasilkan oleh pembangkit listrik dengan jumlah peningkatan penggunaan daya oleh masyarakat. Hal ini untuk memperhitungkan apakah sebuah pembangkit listrik dapat menghasilkan daya sesuai dengan permintaan, Tugas akhir ini mengguunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi beban daya listrik berdasarkan data beban listrik sebelumnya. ANFIS adalah salah satu sistem hybrid dimana metode pembelajaran jaringan syaraf tiruan digunakan untuk mengimplementasikan metode Fuzzy Inference System. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan ANFIS dengan parameter laju penbelajaran 0.7, momentum 0.1, max epoch 400 dan kriteria penghentian 0.000001 pada beban daya listrik, yang di dapatkan dari PT. PLN P3B UPB Sumatera Bagian Utara periode 1 Januari 2007 sampai dengan 31 Desember 2012, menghasilkan error rata-rata sebesar 11.25%.
ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ABSTRACT
PT. PLN is a state-owned entity that manages electricity of Indonesia, ranging from power generation, distribution of electricity to the community and the installation of new electrical service. As state that has its own power plant, and installation of new electrical service, adjustments must be made between large power produced by the power plants with an increased number of power usage by the public. This is to take into account whether a power plant can generate power on demand, or perform maintenance on power plant at regular intervals. In this study a method used Adaptive Neuro Fuzzy Inference System (ANFIS) to predict the electric power load basen on the electric load data previously. ANFIS is a hybrid system which one neural network learning methods are used to implement the method of Fuzzy Inference System. Measuring the leve of accuracy of the predictions made by the MAPE (Mean Absolute Percentage Error) value. The results of predictions made using ANFIS with learning rate parameter 0.6, momentum 0.1, max epoch 400 and stopping criterion 0.000001 on electric power load in PT.PLN P3B UPB North Sumatera period January 1st 2007 until December 31st 2012 result in an average error of 1.125%.
VI
DAFTAR ISI
Hal Persetujuan ... I Pernyataan ... II Ucapan Terima Kasih ... III Abstrak... IV Abstract ... V Daftar Isi ... VI Daftar Tabel ... VIII Daftar Gambar ... IX
BAB 1 PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 3
1.3. Batasan Masalah ... 3
1.4. Tujuan Penelitian ... 3
1.5. Manfaat Penelitian ... 3
1.6. Metodologi Penelitian ... 4
1.7. Sistematika Penulisan ... 6
BAB 2 LANDASAN TEORI ... 7
2.1. Beban Puncak Daya Listrik ... 7
2.2. Normalisasi Data ... 8
2.3. Fuzzy System ... 9
2.3.1 Fuzzifikasi ... 9
2.3.1.1 Fungsi Keanggotaan ... 10
2.3.1.2 Fuzzy Clustering ... 11
2.4. Inferensi ... 13
2.4.1 Operasi Himpunan Fuzzy ... 14
2.7. Prediksi Menggunakan Anfis... 16
2.8. Penelitian Terdahulu ... 23
BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 24
3.1. Identifikasi Masalah ... 24
3.2. Lokasi Kajian ... 24
3.3. Data Yang Dibutuhkan... 24
3.4. Analisi Teknikal Prediksi Beban Daya Listrik Menggunakan Anfis . 25 3.5. Perancangan Sistem ... 29
3.5.1 Use Case Diagram Sistem ... 29
3.5.2 Use Case Pecification... 30
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 34
4.1. Implementasi Sistem ... 3334
4.1.1 Spesifikasi Perangkat Keras Dan Lunak Yang Digunakan ... 34
4.1.2 Implementasi Perancangan Antarmuka ... 35
4.2. Pengujian Sistem ... 39
4.2.1 Rencana Pengujian Sistem ... 40
4.2.2 Pengujian Data ... 44
BAB 5 KESIMPULAN DAN SARAN ... 45
5.1. Kesimpulan ... 45
5.2. Saran ... 46
DAFTAR PUSTAKA ... 47 Lampiran Kode Program ... 5505557555545750
VIII
DAFTAR TABEL
Hal
Tabel 2.1 Tabel Penelitian Terdahulu 23
Tabel 3.1 Use Case Spesifikasi untuk Use Case Login 30
Tabel 3.2 Use Case Spesifikasi untuk Use Case Kontak 31
Tabel 3.3 Use Case Spesifikasi untuk Use Case Data 32
Tabel 3.4 Use Case Spesifikasi untuk Use Case Prediksi 32
Tabel 4.1 Rencana Pengujian 41
Tabel 4.2 Rencana Pengujian Lanjutan 41
Hal
Gambar 1.1 Sistem Yang Akan di Bangun 5
Gambar 2.1 Proses Fuzzy Inference System 9
Gambar 2.2 Contoh Kurva Generalized Bell 10
Gambar 2.3 Contoh Blok diagram ANFIS 18
Gambar 3.1 Sample Data Beban Daya Listrik 25
Gambar 3.2 Sample Chart Data Beban Daya Listrik 25
Gambar 3.3 Algoritma ANFIS pada Sistem 26
Gambar 3.4 Use Case Diagram Sistem Prediksi 29
Gambar 4.1 Halaman Home 35
Gambar 4.2 Halaman Prediksi 35
Gambar 4.3 Halaman Kontak 36
Gambar 4.4 Halaman Login 36
Gambar 4.5 Halaman Prediksi Lanjutan 37
Gambar 4.6 Halaman Prediksi 37
Gambar 4.7 Halaman Hasil Prediksi 38
Gambar 4.8 Halaman Grafik Prediksi Beban 39
Gambar 4.9 Halaman Kontak 40
IV
ABSTRAK
PT. PLN merupakan Badan Usaha Milik Negara (BUMN) yang mengelola kelistrikan di Indonesia. Dimulai dari pembangkit listrik, distribusi listrik kepada masyarakat, dan pelayanan pemasangan listrik baru. Sebagai BUMN yang memiliki pembangkit listrik sendiri dan melayani pemasangan listrik baru, harus melakukan penyesuaian antara besar daya yang PLN dihasilkan oleh pembangkit listrik dengan jumlah peningkatan penggunaan daya oleh masyarakat. Hal ini untuk memperhitungkan apakah sebuah pembangkit listrik dapat menghasilkan daya sesuai dengan permintaan, Tugas akhir ini mengguunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi beban daya listrik berdasarkan data beban listrik sebelumnya. ANFIS adalah salah satu sistem hybrid dimana metode pembelajaran jaringan syaraf tiruan digunakan untuk mengimplementasikan metode Fuzzy Inference System. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan ANFIS dengan parameter laju penbelajaran 0.7, momentum 0.1, max epoch 400 dan kriteria penghentian 0.000001 pada beban daya listrik, yang di dapatkan dari PT. PLN P3B UPB Sumatera Bagian Utara periode 1 Januari 2007 sampai dengan 31 Desember 2012, menghasilkan error rata-rata sebesar 11.25%.
ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ABSTRACT
PT. PLN is a state-owned entity that manages electricity of Indonesia, ranging from power generation, distribution of electricity to the community and the installation of new electrical service. As state that has its own power plant, and installation of new electrical service, adjustments must be made between large power produced by the power plants with an increased number of power usage by the public. This is to take into account whether a power plant can generate power on demand, or perform maintenance on power plant at regular intervals. In this study a method used Adaptive Neuro Fuzzy Inference System (ANFIS) to predict the electric power load basen on the electric load data previously. ANFIS is a hybrid system which one neural network learning methods are used to implement the method of Fuzzy Inference System. Measuring the leve of accuracy of the predictions made by the MAPE (Mean Absolute Percentage Error) value. The results of predictions made using ANFIS with learning rate parameter 0.6, momentum 0.1, max epoch 400 and stopping criterion 0.000001 on electric power load in PT.PLN P3B UPB North Sumatera period January 1st 2007 until December 31st 2012 result in an average error of 1.125%.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan elektronik, baik itu di perumahan, industri, pertokoan, perkantoran, pusat pendidikan, pusat pemeritahan dan sebagainya. Semakin banyaknya pengguna listrik membuat peningkatan penggunaan beban daya yang dilakukan oleh masyarakat.
PT. PLN merupakan sebuah Badan Usaha Milik Negara (BUMN) yang mengelola listrik di Indonesia, mulai dari pembangkit listrik, distribusi listrik kepada masyarakat dan pelayanan pemasangan listrik baru. Sebagai BUMN yang memiliki pembangkit listrik sendiri, dan melayani pemasangan listrik baru, harus dilakukan penyesuaian antara besar daya yang dihasilkan oleh pembangkit listrik dengan jumlah peningkatan penggunaan daya oleh masyarakat. Hal ini untuk memperhitungkan apakah sebuah pembangkit listrik dapat menghasilkan daya sesuai dengan permintaan. Bila tidak melakukan prediksi peningkatan penggunaan pemakaian beban daya listrik, maka akan menimbulkan kekurangan pemasokan beban daya listrik yang dihasilkan dan menyebabkan pemadaman listrik akibat jumlah beban yang digunakan oleh konsumen lebih besar dari pasokan beban daya listrik yang dihasilkan oleh pembangkit listrik.
Selain perawatan, dapat juga dilakukan penambahan kemampuan pembangkit daya listrik untuk mengantisipasi peningkatan permintaan beban daya listrik yang melebihi kemampuan dari pembangkit daya listrik.
Prediksi terhadap pemakaian beban daya listrik untuk mengatasi permasalahan kekurangan beban daya listrik, dapat dilakukan dengan menggunakan prediksi jangka panjang. Prediksi ini digunakan untuk perencanaan produk dan perencanaan sumber daya. Dengan prediksi jangka panjang maka penyedia listrik dapat membuat rencana perbaikan, penambahan dan kegiatan lainnya.
Adaptive Neuro Fuzzy Inference Systems (ANFIS) merupakan salah satu metode yang dapat melakukan prediksi jangka panjang. ANFIS merupakan gabungan dari dua buah sistem yaitu sistem logika fuzzy dan sistem jaringan saraf tiruan. Dimana sistem inferensi fuzzy mendapatkan training dari sistem jaringan saraf tiruan. Bila dibandingkan dengan Neural Network, ANFIS memiliki waktu learning yang lebih cepat. Dengan waktu learning yang lebih cepat, ANFIS dapat melakukan training tanpa harus merubah bentuk model arsitektur dari jaringan saraf tiruan yang sudah ditentukan.
Pada penenlitian ini digunakan Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi beban daya listrik berdasarkan data beban daya listrik sebelumnya. ANFIS adalah salah satu system hybrid dimana metode pembelajaran jaringan syaraf digunakan untuk mengimplementasikan metode Fuzzy Inference System (Kuncahyo, et al, 2012). Logika fuzzy memiliki kemampuan menghubungkan antara informasi kuantitatif (data numerik) dan informasi kualiatatif (penyataan linguistik), yang dapat bersama-sama diolah menggunakan komputasi fuzzy.
3
mengenai prediksi beban listrik sudah banyak dilakukan oleh peneliti seperti: Prediksi Jangka Panjang pada Pembangkit Listrik Tenaga Air Manwan (Chun-Tian Cheng dkk, 2005), kemudian (Kuncoro dan Dalimi,2005) memprediksikan beban listrik jangka panjang di Indonesia menggunakan aplikasi jaringan syaraf tiruan.
1.2Rumusan Masalah
Semakin meningkatnya kebutuhan listrik, pihak penyedia listrik memerlukan prediksi mengenai pemakaian beban daya listrik untuk menghindari kekurangan pasokan distribusi beban listrik ke pengguna. Untuk itu dibutuhkan suatu metode untuk memprediksi pemakaian beban daya listrik.
1.3Batasan Masalah
Agar pembahasan penelitian ini tidak menyimpang dari apa yang telah dirumuskan, maka diperlukan batasan masalah, yaitu:
1. Data yang digunakan merupakan data penggunaan beban daya listrik perjam. Data yang digunakan adalah data penggunaan beban daya wilayah Kota Medan pada periode bulan Januari tahun 2007 hingga bulan Desember tahun 2012. Data didapatkan dari PT. PLN P3B UPB Sumatera Bagian Utara.
2. Penelitian tidak memperhitungkan beban rata-rata penggunaan daya listrik per rumah atau kantor.
1.4Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk memprediksi penggunaan beban daya listrik secara periodik dengan menggunakan metode ANFIS.
1.5Manfaat Penelitian
1. Dengan penelitian ini dapat membantu penyedia listrik untuk menyusun rencana jangka panjang pemakain beban daya listrik yg di butuhkan oleh konsumen. 2. Mengetahui kemampuan metode ANFIS dalam memprediksi data beban daya
listrik di daerah Sumatera bagian Utara.
3. Memberikan suatu teknik alternatif mengenai prediksi beban daya listrik di daerah Sumatera bagian Utara dengan menggunakan metode ANFIS serta sebagai referensi untuk penelitian lain yang berhubungan dengan metode ANFIS dan prediksi beban daya listrik.
1.6 Metodologi Penelitian
Metodologi penelitian yang digunakan pada penelitian ini adalah: a. Studi Literatur
Pada tahap ini pengumpulan refrensi atau rujukan mengenai Adadtive Neuro Fuzzy Inference Systems (ANFIS) yang berasal dari berbagai buku, jurnal, artikel, dan rujukan penelitian lainnya.
b. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap permasalahan untuk lebih memahami mengenai Adaptive Neuro Fuzzy Inference Systems, kemudian melakukan pengumpulan data, analisis data, algoritma, dan struktur data.
c. Perancangan
5
Start
Input untuk Training
Input Parameter & Fungsi Keanggotaan
Training
Input data untuk testing
Testing ANFIS
Output berupa prediksi
End
Gambar 1.1 Sistem Yang Akan di Bangun
Setelah menerima input berupa data beban bulanan, data tersebut diproses untuk dilakukan training yang akan dilakukan oleh ANFIS. Selain memberi input data untuk dilakukan training, juga ditetapkan fungsi keanggotaan dan nilai parameter dari ANFIS. Kemudian setelah didapatkan ANFIS yang telah di-training maka selanjutkan memasukan testing data untuk mendapatkan hasil prediksi yang dilakukan oleh ANFIS.
Dengan didapatkan sebuah prediksi, maka dapatlah dilakukan perbandingan antara prediksi yang dihasilkan oleh ANFIS dengan data aktual dari sumber.
d. Implementasi
Pada tahap ini dilakukan pengkodean perangkat lunak sesuai dengan spesifikasi yang ditentukan.
e. Pengujian
Pada tahap ini dilakukan pengujian terhadap perangkat lunak yang dibangun dengan menggunakan data yang telah dikumpulkan dan memastikan bahwa prediksi yang dilakukan berjalan sesuai dengan harapan.
f. Penyusunan Laporan
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
BAB 1 PENDAHULUAN
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
BAB 2: LANDASAN TEORI
Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan Neural Network dan Logika Fuzzy secara umum, kemudian penjelasan Adaptive Neuro Fuzzy Inference Systems.
BAB 3: ANALISIS DAN PERANCANGAN
Bab ini membahas tentang perancangan sistem dan program yang mencakup perancangan pangkalan data, perancangan sistem, dan perancangan interface. Dalam perancangan sistem dicantumkan data flow diagram untuk mempermudah penjelasan sistem.
BAB 4: IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan perangkat lunak yang disusun pada Bab 3 dan pengujian terhadap sistem yang dibangun.
BAB 5: KESIMPULAN DAN SARAN
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya Listrik di Sumatera Bagian Utara.
2.1Beban Puncak Daya Listrik
Prakiraan beban, terutama pada jam beban puncak adalah dasar untuk estimasi sistem dan kalkulasi teknis dan ekonomis. Hal ini memungkinkan untuk dikembangkan dalam operasi pemeliharaan peralatan listrik dan rencana konfigurasi operasi jaringan. Kesulitan utama dalam memprakirakan beban pada beban puncak untuk bus penerima dalam sistem distribusi tenaga listrik berasal dari sifat acak beban, keaenakaragaman bentuk beban di bagian sistem berbeda, kurangnya data terukur dan tidak lengkap serta tidak pastinya karakter informasi di beban dan konsumen. Konsumsi energi listrik dalam periode waktu yang berbeda, tingkat rata-rata konsumsi daya yang diijinkan oleh transformator dan pengukuran beban secara tersendiri, merupakan faktor-faktor pendekatan yang berhubungan dengan prakiraan beban dalam sistem distribusi bus. Pendekatan yang lain berupa konsumsi energi per periode oleh konsumen dibagi kedalam kelompok-kelompok yang memiliki bentuk beban yang berbeda. Pendekatan lebih lanjut didasari oleh pengevaluasian staff operasional atau secara non operasional.
analisa kencederungan atau (trend). Analisa kecenderungan adalah cara mempelajari sederat waktu atau suatu proses diwaktu yang lalu dan saat ini kemudian dibuat model matematikanya sehingga prediksi yang akan datang dapat diketetahui dari sekarang.
2.2Normalisasi Data
Normalisasi data berfungsi untuk membuat data yang akan diproses berada pada range tertentu sehingga dalam pemrosesan nantinya angka yang diolah tidak terlalu besar sehingga mempercepat proses perhitungan. Pada penelitian ini data pelatihan akan dinormalisasi dalam range 0,1 sampai 0,9. Adapun rumus untuk melakukan normalisasi data pada range 0,1 sampai 0,9 adalah sebagai berikut (Siang, 2005):
dimana: y = nilai normaliasai
x = nilai data beban daya listrik
a = nilai minimum dari data beban daya listrik b = nilai maximum dari data beban daya listrik
Setelah data masukan yang telah dinormalisasi diproses dan didapatkan hasil prediksi maka data hasil prediksi tersebut akan didenormalisasi kembali dengan menggunakan persamaan berikut:
dimana: y = nilai hasil normalisasi x = nilai hasil denormalisasi
9
2.3Fuzzy System
Sistem fuzzy atau Fuzzy Inference System (FIS) adalah adalah sistem kendali logika fuzzy yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya dan pengetahuannya (Effendi, 2009). Logika fuzzy adalah logika mengandung unsur ketidakpastian. Pada logika biasa atau logika tegas (crisp) hanya terdapat 2 anggota himpunan nilai yakni salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat kebenaran atau fungsi keanggotaan dalam interval 0 hingga 1 (Widodo, 2005).
Aturan/ Kaidah-Kaidah
Fuzzifikasi Penalaran Defuzzifikasi Output
Input
Gambar 2.1 Proses Fuzzy Inference System (Effendi, 2009)
Pada Fuzzy Inference System terdapat beberapa proses mulai dari pemasukan data hingga penarikan kesimpulan. Proses tersebut terdiri dari proses fuzzifikasi, inferensi (penalaran) dengan memanfaatkan aturan-aturan fuzzy (fuzzy rule), dan defuzzifikasi. Gambaran umum bagan Fuzzy Inference System dapat dilihat pada Gambar 2.1.
2.3.1 Fuzzifikasi
himpunan fuzzy disajikan dalam bentuk gabungan derajat keanggotaan tiap–tiap elemen pada semesta pembicaraan yang dinyatakan sebagai berikut:
F = µF(ui) / ui (2.3)
Secara fungsional himpunan fuzzy disajikan dalam bentuk persamaan matematis sehingga untuk mengetahui derajat keanggotaan dari masing-masing elemen dalam semesta pembicaraan memerlukan suatu perhitungan (Suratno, 2011). Pembentukan derajat keanggotaan dapat dilakukan dengan memetakan data secara langsung pada fungsi keanggotaan atau dengan menggunakan data cluster yang kemudian dipetakan pada fungsi keanggotaan.
2.3.1.1Fungsi keanggotaan
Fungsi keanggotaan digunakan untuk mendapatkan derajat keanggotaan dari suatu data terhadap himpunan semestaya. Adapun Fungsi keanggotaan yang biasa digunakan dalam logika fuzzy adalah sebagai berikut:
1. Fungsi Keanggotaan Generalized Bell (GBell)
Bentuk dari fungsi keanggotaan generalized bell ditentukan oleh tiga parameter {a,b,c} seperti ditunjukkan pada Gambar 2.2.
11
Fungsi keanggotaan Generalized Bell (GBell) dapat dinyatakan sebagai berikut:
| |
Keterangan :
: nilai bias yang biasanya bernilai positif agar kurva menghadap ke bawah. Jika negatif, maka fungsi keanggotaan akan menjadi upside-down bell.
c : nilai mean kurva.
a : standar deviasi yang terbentuk.
2.3.1.2Fuzzy clustering
Fuzzy clustering merupakan pengelompokan data atau data cluster yang memiliki karakteristik yang hampir sama secara matematis dalam sebuah kelompok atau kelas tertentu. Membership function yang akan digunakan pada fuzzy clustering dimodelkan dari data-data yang telah ada. Proses pembentukan membership function ini disebut modeling (Fariska, 2010). Metode fuzzy clustering yang biasa digunakan untuk memodelkan data adalah Fuzzy C-Means (FCM) dan Fuzzy Subclustering.
Fuzzy Subclustering merupakan metode pengelompokan data secara tidak terawasi dimana jumlah cluster tidak perlu didefenisikan terlebih dahulu. Berbeda dengan Fuzzy Subclustering, FCM merupakan metode pengelompokan data secara terawasi dimana jumlah cluster harus ditentukan terlebih dahulu sebelum melakukan pengelompokan data.
Konsep dasar FCM pertama kali adalah menentukan pusat cluster pada kondisi awal pusat cluster ini masih belum akurat. Setiap data memiliki derajat keanggotaan untuk tiap cluster dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat (Fariska, 2010).
1. Menentukan matriks X berukuran n x m, dengan n = banyak data yang akan di cluster dan m = banyak variabel (kriteria). Penentuan n dan m disesuaikan dengan kondisi data yang digunakan.
2. Tentukan banyak cluster yang akan dibentuk dimana banyak cluster lebih besar atau sama dengan 2 (c ≥2).
3. Tentukan bobot pangkat cluster dimana bobot pangkat bernilai lebih besar 1 (pembobot w > 1).
4. Tentukan maksimum iterasi yang diinginkan.
5. Tentukan kriteria penghentian (ε = nilai positif yang sangat kecil).
6. Bentuklah matriks partisi awal U (derajat keanggotaan dalam cluster) dengan matriks partisi awal biasanya dibuat secara acak.
[
]
7. Hitung pusat cluster V untuk setiap cluster dengan menggunakan persamaan berikut:
∑ ∑
13
∑
dimana
∑
9. Tentukanlah kriteria penghentian iterasi, yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya dimana perubahan tersebut sebesar delta: Δ≡||Ut
- Ut-1||.
10. Apabila Δ<ε maka iterasi dihentikan dan jika tidak lanjutkan menghitung kembali pusat cluster ke-k.
11.Pada akhir proses FCM akan diperoleh suatu pengelompokan data yang terdiri dari nilai center tiap cluster.
Bila fungsi keanggotaan yang digunakan adalah kurva Generalized Bell (GBell), maka standar deviasi setiap cluster harus dihitung terlebih dahulu. Nilai fuzzy membership function pada setiap data dapat diperoleh dengan memasukkan data yang telah dinormalkan, nilai center dan standar deviasi cluster ke dalam persamaan kurva GBell. Informasi cluster ini nantinya akan membantu dalam pembangunan FIS model Sugeno yang bisa memodelkan hubungan data input-output dengan jumlah rule minimum. Definisi sebuah rule diasosiasikan dengan suatu cluster data (Sari, et al, 2012).
2.4. Inferensi
2009). Metode inferensi yang sering digunakan yaitu, metode Mamdani, Sugeno dan Sukamoto. Untuk melakukan proses inferensi, terdapat 3 operasi dasar yang umum digunakan yaitu max, min dan not.
2.4.1 Operasi himpunan fuzzy
Operasi-operasi pada himpunan fuzzy pada dasarnya mirip dengan operasi pada himpunan klasik dimana operasi logika AND diganti dengan min, operasi logika OR diganti dengan max, sedangankan operator NOT diganti dengan operasi komplemen pada himpunan tersebut (Irawan, 2007).
Menurut Sari (2001), operasi dasar himpunan fuzzy adalah sebagai berikut:
1. Operasi ―dan‖(Intersection)
A ―dan‖ B merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat keanggotaan dari A B adalah hasil yang diperoleh dengan mengambil nilai keanggotaan terkecil antara elemen-elemen pada himpunan-himpunan yang bersangkutan.
[ ]
2. Operasi ―atau‖ (Union)
A ―atau‖ B merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat keanggotaan dari A B adalah hasil yang diperoleh dengan mengambil nilai keanggotaan terbesar antara elemen-elemen pada himpunan-himpunan yang bersangkutan.
[ ]
3. Operasi ―Tidak‖ (Complement)
Operasi ―tidak‖ A merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat
15
mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.
2.5Defuzzifikasi
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output (Sari, et al, 2012). Metode defuzzifikasi yang digunakan dalam penelitian ini adalah weight average.
Pada metode weight average ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaaan, sehingga z* didefinisikan sebagai:
∑ (2.11)
dimana z adalah nilai crisp dan μ(z) adalah derajat keanggotaan dari nilai crisp z.
2.6Jaringan Saraf Tiruan
Untuk meningkatkan kemampuan pembelajaran, jaringan saraf tiruan dapat bekerja dengan sistem fuzzy. Sistem fuzzy menggambarkan suatu sistem dengan pengetahuan linguistik yang mudah dimengerti. Sistem inferensi fuzzy dapat ditalar dengan algoritma propagasi balik berdasarkan pasangan data masukan-keluaran menggunakan arsitektur jaringan neural. Dengan cara ini memungkinkan sistem fuzzy dapat belajar. Gabungan sistem fuzzy dengan jaringan neural ini biasa disebut dengan sistem Neuro Fuzzy (Fariza,2007).
2.7Prediksi Menggunakan ANFIS
Sistem Neuro Fuzzy berstruktur ANFIS (Adaptive Neuro Fuzzy Inference Sistem atau biasa disebut juga Adaptive Network based Fuzzy Inference Sistem) termasuk dalam kelas jaringan neural namun berdasarkan fungsinya sama dengan Fuzzy Inference System. Pada sistem Neuro Fuzzy, proses belajar pada neural network dengan sejumlah pasangan data yang berguna untuk memperbaharui parameter-parameter Fuzzy Inference System (Fariza, 2007).
Sebagai contoh, untuk model fuzzy Sugeno Orde-Satu, aturan yang umum dengan dua aturan fuzzy IF THEN sebagai berikut:
RULE 1 : IF x is A1 AND y is B1, THEN f1 = p1x + q1y + r1;
RULE 2 : IF x is A2 AND y is B2, THEN f2 = p2x + q2y + r2;
dengan x dan y adalah masukan tegas pada node ke i, Ai dan Bi adalah label linguistik
(rendah, sedang, tinggi, dan lain-lain) yang dinyatakan dengan fungsi keanggotaan yang sesuai, sedangkan pi, qi, dan ri adalah parameter consequent (i = 1 atau 2)
(Rosyadi, 2011).
17
Training dengan ANFIS menggunakan algoritma belajar hybrid, dimana dilakukan penggabungan metode Least-Squares Estimator (LSE) untuk menghitung nilai consequent pada alur maju dan menggunakan Error Backpropagation (EBP) dan gradient descent pada alur mundur untuk menghitung error yang terjadi pada tiap layer (Fariza, 2007).
ANFIS terdiri dari lima layer. Pada layer pertama terdiri dari proses fuzzifikasi dimana data masukan dan target dipetakan dalam derajat keanggotaannya. Pada layer kedua dan ketiga dilakukan proses inferensi yang digunakan untuk menentukan rule fuzzy menggunakan inferensi Sugeno dimana hasilnya akan diproses pada perhitungan selanjutnya. Pada layer 4 dilakukan proses pencarian nilai consequent dengan menggunakan LSE. Pada layer 5 dilakukan proses summary dari dua keluaran pada layer 4.
Pada ANFIS, Fuzzy Inference System (FIS) terletak pada layer 1, 2, 3 dan 4 dimana FIS adalah sebagai penentu hidden node yang terdapat pada sistem neural network (Fariza, 2007).
Setelah perhitungan alur maju dilakukan perhitungan alur mundur untuk menghitung nilai error tiap layer dan mengubah nilai parameter masukan menggunakan gradient descent. Proses perhitungan di atas akan berulang terus menerus sampai nilai error memenuhi nilai error maksimum yang telah ditentukan. Alur proses dari sebuah sistem ANFIS yang terdiri dari lima layer digambarkan pada Gambar 2.3.
Berikut ini adalah algoritma Adaptive Neuro Fuzzy Inference System yang digunakan untuk memprediksi data runtun waktu (Mordjaoui, et. al, 2011):
1. Melakukan inisialisasi terhadap parameter ANFIS, yaitu laju pembelajaran (lr), momentum (mc), batasan kesalahan (err), dan maksimum iterasi (Max Epoch). 2. Tahap pertama yang dilakukan adalah lajur maju yang berisi beberapa tahap untuk
mencari nilai consequent dari aturan yang dibuat dan melakukan penjumlah terhadap semua masukan pada layer terakhir. Adapun tahapan lajur maju adalah sebagai berikut:
Gambar 2.3 Blok diagram ANFIS (Rosyadi, 2011)
dimana:
x atau y : input dari node i
Ai atau Bi : sebuah label linguistik yang terhubung dengan node i.
O1,i : derajat keanggotaan sebuah himpunan fuzzy dengan fungsi kurva
Gbell yang terdapat pada persamaan (2.6).
b. Setiap node i pada layer kedua berupa node tetap yang keluarannya adalah hasil dari masukan. Operator yang digunakan adalah operator AND. Tiap-tiap node merepresentasikan α predikat dari aturan ke-i. Keluaran dari layer ini disebut dengan firing strength.
(2.13)
19
keseluruhan α predikat. Dimana hasilnya dinamakan dengan normalized firing strength.
̅
d. Tiap-tiap node pada layer keempat merupakan node adaptive terhadap suatu keluaran.
(2.15)
Dengan ̅ adalah normalized firing strength pada layer ketiga dan {pi, qi, ri}
adalah parameter-parameter pada node tersebut yang dinamakan consequent parameters.
e. Menentukan consequent parameters dengan menggunakan recursive least-squares estimator (LSE resahamif). Berikut ini adalah langkah untuk menentukan nilai consuquent dengan menggunakan LSE resahamif:
i. Buat matrix A dengan ukuran n x n yang berisi nilai dari keluaran pada layer keempat dan nilai n merupakan jumlah parameter keluaran pada layer keempat.
ii. Buat matrix Y dengan ukuran n x 1 yang berisi nilai dari target prediksi.
( )
iii. Melakukan pengulangan dari n+1 sampai data terakhir untuk mendapatkan nilai consequent.
( )
f. Pada layer kelima memiliki sebuah node yang tetap yang mempunyai tugas untuk menjumlahkan nilai dari semua masukan.
∑ ̅ ∑ ∑
g. Berdasarkan arsitektur ANFIS yang terdapat Gambar 2.6 ketika nilai dari parameter consequent telah ditetapkan, maka nilai output juga dapat ditetapkan sebagai persamaan linear yang merupakan kombinasi dari parameter consequent. Nilai simbul arsitektur dinotasikan dengan f.
̅ ̅
̅ ̅ ̅ ̅ ̅ ̅
3. Setelah tahap lajur maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan Error Backbropagation (EBP) untuk mengecek setiap error pada setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukan pada layer pertama. EBP menggunakan metode ordered derivative untuk mencari error pada setiap layer.
a. Menghitung nilai error pada layer kelima.
dimana:
yp = target prediksi
21
b. Menghitung nilai error pada layer keempat.
c. Menghitung nilai error pada layer ketiga.
d. Menghitung nilai error pada layer kedua.
∑ ∑
e. Menghitung nilai error pada layer pertama.
∑ ∑
f. Mengitung nilai error antara layer pertama dengan parameter masukan.
∑ ∑
g. Mengubah nilai parameter masukan pada layer pertama dengan menggunakan gradient descent.
dimana:
a : Mean c : Deviasi
: Laju pembelajaran
4. Menghitung jumlah kuadrat error (SSE) pada layer ke L data ke-p, 1 ≤ p ≤ N.
∑( )
5. Ulangi proses iterasi hingga nilai epoch < Max Epoch dan Ep > batasan kesalahan
(err).
6. Setelah melakukan training, dilakukan perhitungan kesalahan hasil prediksi dengan menggunakan MAPE (Mean Absolute Percentage Error), berikut adalah formula yang digunakan:
∑
| |
dimana:
23
[image:36.595.112.517.189.723.2]2.8Penelitian Terdahulu
Tabel 2.1 Penelitian Terdahulu
No Judul Pengarang Tahun
1. Adaptive-Network-based Fuzzy Inference Systems, IEEE Transaction on Systems,Man, and Cybernetics
J.S.R.Jang 1993
2. The Comparison of Fuzzy Inference Systems and Neural Network Approaches with ANFIS Method for Fuel Consumption Data
Hamdi Atmaca Bayram Cetişli
H. Serhan Yavuz
2001
3. Design of adaptive neuro-fuzzy inference system for predicting surface roughness in turning operation, Journal of Scientific & Industrial Research Vol. 64
Shibendu Shekhar Roy 2005
4. Penerapan Model DSARFIMA untuk Peramalan Beban Konsumsi Listrik Jangka Pendek di Jawa Timur dan Bali
Pramono Dwi Utomo, Heri Kuswanto, dan
Suhartono 2012
5. Long Term Forecasting with Fuzzy Time Series and Neural Network: a comparative study using Sugar production data
Ankur Kaushik , A.K.Singh
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar membahas analisis teknikal menggunakan metode Adaptive Neuro Fuzzy Inference System pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.
3.1Identifikasi Masalah
Pada penelitian ini dilakukan perkiraan kebutuhan energi listrik di masa yang akan datang untuk memperkirakan perkembangan beban listrik dilakukan secara deskriptif yaitu metode mengamati perkembangan beban listrik tiap-tiap beban pelanggan. Jika perkiraan beban listrik dilakukan secara tanpa melihat di setiap sektor maka kemungkinan penyimpangan yang terjadi semakin besar. Oleh karena itu metode ini memberikan perhitungan yang lebih baik dan teliti.`
3.2Lokasi Kajian
Data didapatkan dari PT. PLN (persero) P3B UPB Sumatera Bagian Utara.
3.3Data Yang Dibutuhkan
25
Gambar 3.1 Sample Data Beban Daya Listrik
Dalam bentuk chart, data beban daya listrik di atas dapat dilihat pada Gambar 3.2
Gambar 3.2 Sample Chart Data Beban Daya Listrik
Data akan dikelompokkan menjadi data pelatihan dan data pengujian. Data pelatihan yangdigunakan diambil dari jumlah hari sebelum hari yg dipilih dalam form prediksi, sedangkan data pengujian yang digunakan diambil dari jumlah sesudah hari yang di pilih dalam form prediksi.
3.4 Analisis Teknikal Prediksi Beban Daya Listrik Menggunakan ANFIS
[image:38.595.110.533.332.523.2]beban puncak daya listrik. Data tersebut akan dinormalisasi dan diklasifikasi, dan kemudian akan diproses dengan mengunakan algoritma ANFIS hingga diproleh hasil prediksi. Adapun metode ANFIS daat dilihat pada Gambar 3.3.
Mulai
Input nilai n, m, Kelas, Toleransi Error, Max Epoch, Laju Pembelajaran,
Momentum dan data beban
Normalisasi data saham dengan range [ 0.1 , 0.9 ]
Melakukan cluster data dengan FCM
Menentukan nilai Mean dan Standar Deviasi dari hasil cluster
Inisialisasi nilai Epoch =1
Epoch > Max Epoch dan Error < Toleransi Error
Denormalisasi data hasil prediksi ANFIS
Ouput berupa hasil prediksi dalam bilangan tegas (crisp)
Mengitung kesalahan prediksi menggunakan MAPE
Output persentase kesalan prediksi
Selesai T
Mencari nilai parameter konsekuen dengan menggunakan lajur maju dan
cari hasil defuzzifikasi
Menghitung Error lapisan 5, Error lapisan ke-4, Error lapisan ke-3, Error lapisan ke-2,
Error lapisan ke-1
Menghitung error parameter masukan terhadap layer pertama
Mengubah nilai parameter masukan menggunakan gradient descent
Menghitung kuadrat error (SSE)
[image:39.595.186.461.178.541.2]Epoch++ F
Gambar 3.3 Algoritma ANFIS pada Sistem
Adapun langkah-langkah sistem prediksi beban daya listrik yang akan dibangun adalah sebagai berikut:
1. Memasukkan data beban daya listrik yang ingin diprediksi.
27
3. Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada selang 0,1 s.d. 0,9. dengan menggunakan persamaan (2.1). Kemudian target dibuat pada selang 1 s.d 9.
4. Menentukan parameter FCM yaitu banyaknya cluster, nilai bobot pangkat cluster, Max Epoch, dan kriteria penghentian.
5. Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM dengan persamaan (2.8) dan persamaan (2.9). Pada sistem prediksi ini, setiap data input akan dibentuk dua buah cluster yaitu cluster 1 dan cluster 2 dimana cluster 1 merupakan data kelompok data dengan tingkat fluktuasi rendah dan cluster 2 merupakan kelompok data dengan tingkat fluktuasi tinggi.
6. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai mean dan standar deviasi.
7. Dilakukan pelatihan terhadap data masukan dengan nilai epoch lebih kecil dari nilai maximum pengulangan dan nilai error lebih besar dari nilai batas kesalahan.
a. Tahap pertama yang dilakukan adalah lajur maju yang melakukan beberapa tahap untuk mencari nilai consequent dari aturan yang dibuat untuk melakukan penjumlahan terhadap semua masukan pada layer terakhir.
i. Pada setiap node i pada layer pertama menghitung derajat keanggotaan dengan menggunakan persamaan (2.15).
ii. Pada setiap node i pada layer kedua mencari nilai firing strength dengan menggunakan persamaan (2.16).
iii. Pada setiap node i pada layer ketiga mencari nilai normalized firing strength dengan menggunakan persamaan (2.17).
iv. Pada setiap node i pada layer keempat mencari nilai parameter consequent dengan menggunakan persamaan (2.18).
semua masukkan yang ada menggunakan persamaan (2.23).
vii. Menghitung nilai keluaran yang merupakan persamaan linear yang merupakan kombinasi dari parameter consequent dengan menggunakan persamaan (2.24).
b. Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan Error Backpropagation (EBP) untuk mengecek error pada setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukkan pada layer pertama.
i. Menghitung error pada layer kelima dengan menggunakan persamaan (2.25).
ii. Menghitung error pada layer keempat dengan menggunakan persamaan (2.26).
iii. Menghitung error pada layer ketiga dengan menggunakan persamaan (2.27).
iv. Menghitung error pada layer kedua dengan menggunakan persamaan (2.28).
v. Menghitung error pada layer pertama dengan menggunakan persamaan (2.29).
vi. Menghitung error antara layer pertama dengan parameter masukan menggunakan persaman (2.30) dan persamaan (2.31).
vii. Setelah dilakukan penghitungan terhadap error pada setiap layer, maka selanjutnya melakukan perubahan terhadap parameter masukkan pada layer pertama dengan menggunakan persamaan (2.32) sampai dengan persamaan (2.35).
c. Menghitung nilai kuadarat error menggunakan persamaan (2.36).
d. Melakukan penambah nilai epoch.
29
8. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang sebenarnya dengan menggunakan persamaan (2.2).
9. Menghitung kesalahan hasil prediksi dengan menggunakan Mean Absolute PercentageError (MAPE) dengan persamaan (2.37).
3.5Perancangan Sistem
Perancangan sistem merupakan tahapan perancangan data dan perancangan antarmuka sistem yang akan diimplementasikan pada penelitian ini. Perancangan yang dilakukan menggunakan beberapa diagram dari Unified Modeling Language (UML) yaitu use casediagram, activitydiagram dan classdiagram.
3.5.1 Use case diagram sistem
[image:42.595.136.506.558.722.2]Use case merupakan deskripsi fungsi sebuah sistem dari perspektif pengguna. Use case dari sistem prediksi beban daya listrik ini dapat dilihat pada Gambar 3.4. Use case bekerja dengan cara mendeskripsikan tipikal interaksi antara user (pengguna) dengan sistem yang dibangun melalui kronologi bagaimana sistem tersebut digunakan oleh user. Pada sebuah use case, user biasanya disebuat dengan aktor. Urutan langkah-langkah yang menerangkan antara pengguna dan sistem disebut scenario. Setiap scenario mendeskripsikan urutan kejadian. Use case dapat terdiri dari beberapa scenario (Munawar, 2005).
Use case bekerja dengan cara mendeskripsikan tipikal interaksi antara user (pengguna) dengan sistem yang dibangun melalui kronologi bagaimana sistem tersebut digunakan oleh user. Pada sebuah use case, user biasanya disebuat dengan aktor. Urutan langkah-langkah yang menerangkan antara pengguna dan sistem disebut scenario. Setiap scenario mendeskripsikan urutan kejadian. Use case dapat terdiri dari beberapa scenario (Munawar, 2005).
Use case yang dibangun pada sistem prediksi ini memiliki dua aktor yaitu General User (pengguna biasa) dan Admin (Administrator). Use case ini juga terdiri dari 4 buah scenario, yakni Profil, Kontak, Pengaturan Data Beban, dan Prediksi Beban. Administrator dapat mengakses seluruh scenario sedangkan general user dapat mengakses seluruh scenario kecuali scenario Pengguna.
3.5.2 Use case specification
Sebuah use case specification menggambarkan masing-masing scenario dari usecase sistem yang dibangun secara lebih terperinci. Tabel use case specification untuk scenario Profil dari sistem prediksi beban daya listrik yang dibangun dapat dilihat pada Tabel 3.1
Tabel 3.1 Use Case Spesifikasi untuk Use Case Login Tipe Use Case Penjelasan
Nama Use Case Login
Aktor Administrator
Deskripsi Use case ini digunakan oleh aktor untuk masuk kedalam sistem.
Pre condition Aktor harus memiliki username dan password login.
Characteristic of activation
Eksekusi dapat dilakukan oleh administrator.
Basic flow - Aktor memilih menu Login.
31
- Administrator memasukkan User Name Dan Password Alternative flow -
Post condition Pada use case ini Admin memasukan User Name Dan Password
Limitations -
Scenariouse case Login dapat dilihat pada Tabel 3.1.
Tabel 3.2 Use Case Spesifikasi untuk Use Case Kontak Tipe Use Case Penjelasan
Nama Use Case Kontak
Aktor Administrator Dan User
Deskripsi Use case ini digunakan oleh aktor untuk mengatur pengguna yang dapat mengakses aplikasi ini.
Pre condition User memasukan Nama, Email dan Pesan.
Characteristic of activation
Eksekusi dapat dilakukan oleh administrator.
Basic flow -Aktor memilih menu Kontak.
-Sistem menampilkan data Kontak.
-Administrator dapat melihat pesan apa yang di berikan oleh user.
Alternative flow -
Post condition Pada use case ini Admin melihat pesan apa yang di berikan oleh user.
Limitations -.
Tipe Use Case Penjelasan Nama Use Case Data
Aktor Administrator
Deskripsi Use case ini digunakan administrator untuk memasukan data beban daya listrik. Pengguna dengan login administrator dapat mengedit isi beban.
Pre condition Aktor harus memiliki username dan password untuk login.
Characteristic of activation
Eksekusi dapat dilakukan oleh administrator.
Basic flow -Aktor memilih menu Data.
-Sistem menampilkan Data. Pengguna dengan login Administrator dapat mengedit isi Data
Alternative flow -
Post condition Pada use case ini aktor dapat melihat isi beban Daya Listrik.
Limitations -
Scenariouse case Data dapat dilihat pada Tabel 3.3.
Tabel 3.4 Use Case Spesifikasi untuk Use Case Prediksi Tipe Use Case Penjelasan
Nama Use Case Prediksi
Aktor Administrator dan User
[image:45.595.109.528.88.557.2]33
Pre condition Aktor harus memiliki username dan password untuk login.
Characteristic of activation
Eksekusi dapat dilakukan oleh administrator dan user.
Basic flow -Aktor memilih menu prediksi.
-Sistem menampilkan formulir parameter prediksi. -Aktor dapat mengisi parameter dan menekan tombol
prediksi.
-Use case ini berakhir ketika sistem telah selesai menampilkan semua data prediksi.
Alternative flow -
Post condition Pada use case ini aktor dapat melakukan prediksi beban daya listrik.
Limitations -
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan tentang proses pengimplementasian metode Adaptive Neuro Fuzzy Inference System (ANFIS) pada sistem, sesuai perancangan sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang telah dibangun.
4.1 Implementasi Sistem
Pada tahap ini, metode Adaptive Neuro Fuzzy Inference System (ANFIS) akan diimplementasikan ke dalam sistem prediksi beban daya listrik dengan menggunakan bahasa pemrograman PHP dan database MySQL sesuai perancangan yang telah dilakukan.
4.1.1 spesifikasi perangkat keras dan lunak yang digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut:
1. Prosesor AMD A8-5545M APU with Radeon™ HD Grapichs 1.70GHz. 2. Kapasitas hardisk 500 GB.
3. Operating System 64-bit, x64 Based Processor 4. Windows 8
5. Memori RAM yang digunakan 2.00 GB. 6. Visual Studio 2012.
7. Sistem operasi yang digunakan adalah Microsoft Windows 8. 8. Web server yang digunakan adalah XAMPP.
35
4.1.2 Implementasi perancangan antarmuka
Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada sistem ini terdapat 2 (dua) layer yaitu : Layer Pengguna dan Layer Administrator.
1. Layer Pengguna
1. Halaman Home
[image:48.595.123.503.332.514.2]Halaman Home merupakan halaman yang pertama kali muncul ketika sistem dijalankan. Pada halaman Home terdapat 4 (empat) Menu bar yaitu: home, prediksi, login, Kontak dapat dilihat pada Gambar 4.1.
Gambar 4.1 Halaman Home
1. Halaman Prediksi
Gambar 4.2 Halaman Prediksi
2. Halaman Kontak
Halaman Kontak adalah halaman yang digunakan oleh pengguna untuk memberikan saran kepada administrator, adapun form yang diisi adalah Nama, Email, dan Pesan . Adapun halaman Kontak pada sistem prediksi listrik dapat dilihat pada Gambar 4.3.
Gambar 4.3 Halaman Kontak
3. Halaman Login
[image:49.595.108.499.404.516.2]37
Gambar 4.4 Halaman Login
2. Layer Administrator
Pada layer admin terdapat 4 (empat) menu bar yaitu: Home, Prediksi, Data dan Kontak.
1. Halaman Home
Pada halaman home pada layer administrator sama dengan layer pengguna.
2. Halaman Prediksi
Halaman Prediksi adalah halaman untuk menampilkan prediksi yang akan dilakukan oleh sistem yang menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS). Pada Halaman ini Pengguna harus mengisi form Max. Epoch, Laju Pembelajaran, Momentum, Dari Tanggal dan Sampai Tanggal. Halaman Prediksi pada sistem prediksi listrik dapat dilihat pada Gambar 4.5.
[image:50.595.143.525.583.716.2]Setelah pengguna memasukkan range periode beban dan parameter ANFIS, maka sistem akan menentukan hasil prediksi beban dengan metode ANFIS yang telah dibahas di bab sebelumnya. Sistem juga akan menghitung tingkat error rata-rata prediksi berdasarkan data sebenarnya dan data hasil prediksi. Adapun halaman prediksi untuk sistem prediksi beban dapat dilihat pada Gambar 4.6
.
Gambar 4.6 Halaman Prediksi
Setelah pengguna mengisi form yg ada di halaman prediksi dan mengklik show maka akan menghasilkan output yang dapat di liahat di gambar 4.7.
3. Halaman Data Beban
Halaman Data Beban adalah halaman untuk menampilkan data Beban Daya Listrik yang ada pada database pada rentang waktu tertentu. Pada halaman ini pengguna administrator juga dapat menambah, mengubah dan menghapus data beban.
4. Halaman Kontak
39
Gambar 4.7 Halaman Hasil Prediksi
4.2 Pengujian Sistem
Pengujian sistem diperlukan untuk memeriksa kinerja antar komponen sistem yang diimplementasikan. Tujuan utama dari pengujian sistem adalah untuk memastikan bahwa elemen-elemen atau komponen-komponen dari sistem telah berfungsi sesuai dengan yang diharapkan. Metode pengujian yang digunakan adalah metode pengujian black box. Pengujian black box merupakan pengujian yang dilakukan pada interface sistem yang digunakan untuk mendemonstrasikan fungsi sistem yang dioperasikan (Gea, 2011).
Gambar 4.8 Halaman Grafik Prediksi Beban
Hasil predisksi yang dilakukan dapat dilihat melalui representasi grafik garis. Dimana garis berwarna biru merupakan grafik data actual dan garis berwarna hitam menunjukkan grafik hasil peramalan.
Gambar 4.9 Halaman Kontak
4.2.1 Rencana pengujian sistem
[image:53.595.121.512.445.634.2]41
Tabel 4.1 Rencana Pengujian
No. Komponen Sistem Yang Diuji Butir Uji
1. Halaman User Menu Home
Menu Prediksi
Menu Login
Menu Kontak
2. Halaman Administrator Menu Home
Menu Prediksi
Menu Data
[image:54.595.118.516.101.726.2]Menu Prediksi
Tabel 4.2 Rencana Pengujian Lanjutan
No. Komponen sistem yang diuji Butir uji
1. Menu Home Menampilkan tampilan keseluruhan
2. Menu Prediksi Tombol ―Form‖
Tombol ―Show‖
3. Menu Data Tombol ―Form‖
Tombol ―Save‖
4. Menu Kontak Tombol ―Form‖
Tombol ―Send‖
5. Menu Login Tombol ―Form‖
Tombol ―Login‖
dibangun menggunakan metode Black Box berdasarkan rencana pengujian pada Tabel 4.2. Hasil pengujian dengan menggunakan metode Black Box tersebut dapat dilihat pada Tabel 4.3.
Tabel 4.3 Hasil Pengujian
No.
Komponen sistem yang diuji
Scenario uji Hasil yang diharapkan Hasil pengujian
1. Login Masukkan
username dan password yang benar
Ketika data untuk login dimasukkan dan tombol Login ditekan, maka akan dilakukan proses pengecekkan data untuk login. Apabila data login benar, maka akan langsung masuk ke halaman profil.
Berhasil
Masukkan username dan password yang salah
Ketika data untuk login dimasukkan dan tombol Login ditekan, maka dilakukan proses pengecekkan data untuk login. Apabila data untuk login salah maka akan ditampilkan pesan kesalahan.
43
2. Menu Data Beban
Menekan tombol Select Date
berdasarkan jam
Ketika range periode beban dimasukkan lalu ditekan tombol Select Date, maka sistem akan mencari tanggal yang dimasukkan
Berhasil
Menekan tombol Save
Ketika pengguna ingin menambahakan data beban baru dan menekan tombol Save, kemudian sistem akan menampilkan form data input.
Berhasil
6 Halaman prediksi
Memasukkan data
parameter prediksi dan range periode berdasarkan tanggal lalu ditekan
tombol Show
Ketika pengguna
memasukkan data
parameter prediksi dan
range periode
berdasarkan tanggal lalu menekan tombol Show, maka sistem akan melakukan prediksi dan menampilkan hasil prediksi ke bagian tabel prediksi.
Berhasil
Menekan tombol Grafik
Ketika pengguna menekan tombol Grafik, maka sistem menampilkan hasil prediksi Beban Daya Listrik dalam bentuk grafik.
[image:56.595.110.526.76.720.2]Gambar 4.10 Hasil Pengujian
4.2.2 Pengujian data
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pengujian sistem prediksi beban daya listrik dengan menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS) diperoleh beberapa kesimpulan yaitu:
1. Dari hasil pelatihan didapat hasil error terkecil yaitu 1.125% dengan menggunakan data beban daya listrik PT.PLN P3B UPB Sumatera bagian Utara dari tanggal 01 Januari 2010 sampai dengan 31 Desember 2012 pada saat parameter laju penbelajaran 0.7, momentum 0.1, max epoch 400 dan kriteria penghentian 0.000001.
2. Hasil error prediksi beban daya listrik PT.PLN P3B UPB Sumatera bagian Utara tidak berpengaruh signifikan terhadap kombinasi nilai paramater laju pembelajaran maupun momentum ANFIS yang dimasukkan ke dalam sistem prediksi. Namun banyaknya data dan semakin besarnya pergerakan data atau simpangan baku pada data pelatihan mempengaruhi tingkat error
4. Hasil prediksi sangat dipengaruhi oleh hasil pelatihan yang dilakukan sebelum pengujian, jika error pada saat pelatihan menghasilkan error yang besar, maka pada saat pengujian akan menghasilkan error yang besar pula dan berlaku sebaliknya.
Berdasarkan kesimpulan di atas ANFIS berhasil diimplementasikan pada suatu sistem prediksi beban yakni pada beban daya listrik PT.PLN P3B UPB Sumatera bagian Utara Rata-rata error hasil prediksi dengan menggunakan ANFIS adalah 11.25%.
5.2 Saran
Penulis menyarankan dalam pengembangan penelitian lebih lanjut untuk Prediksi pemakain beban daya listrik dengan metode ANFIS sebagai berikut:
1. Parameter data yang digunakan untuk prediksi lebih banyak seperti: data pemasangan listrik baru, data beban yang dihasilkan, pemakaian beban setiap rumah atau perkantoran, dsb. Agar prediksi pemakaian beban daya listrik menghasilkan error yang lebih akurat.
DAFTAR PUSTAKA
Ankur Kaushik , A.K.Singh. 2013. Long Term Forecasting with Fuzzy Time Series and Neural Network: a comparative study using Sugar production data. International Journal of Computer Trends and Technology (IJCTT) Vol 4 Issue 7:2299-2305
Arna Fariza, Afrida Helen, Annisa Rasyid. 2007. Performansi Neuro Fuzzy Untuk Peramalan Data Time Series. Seminar Nasional Aplikasi Teknologi Informasi:77-82.
Effendi. H. 2009. Aplikasi logika fuzzy untuk peramalan beban listrik jangka pendek menggunakan matlab. SAINTEK 7 pp. 52-58.
Fariska, M. 2010. Peramalan multi atribut dengan menggunakan fuzzy clustering (studi kasus: stock price). Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember.
Fariza, A., Helen, A., & Rasyid, A. 2007. Performansi neuro fuzzy untuk peramalan data time series. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) pp. D-77 – D-82.
Fowler, M. 2004. UML Distilled Panduan Singkat Bahasa Pemodelan Objek Standar. Edisi 3. Yogyakarta : ANDI Publisher.
Series Analysis, Springer.
Hamdi Atmaca Bayram Cetişli H. Serhan Yavuz. 2001. The Comparison of Fuzzy Inference Systems and Neural Network Approaches with ANFIS Method for Fuel Consumption Data, Eskisehir.
Hani Umi. 2013. Peramalan Harga Saham Syariah Menggunakan Adaptive Neuro Fuzzy Inference System. Skripsi. Universitas Sumatera Utara.
J.-S.R. Jang. 1993. ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics, 23(03):665-685.
Irawan, J. 2007. Sistem Pakar. Buku Pegangan Kuliah. Surabaya, Indonesia: Sekolah Tinggi Manajemen Informatika dan Teknik Komputer Surabaya.
Kadir, A. 2009. Dasar Perancangan dan Implementasi Database Relasional. Yogyakarta: Andi Publisher.
Kuncahyo, B. 2012. Penerapan metode adaptive neuro-fuzzy inference system untuk memprediksi nilai post test mahasiswa pada jurusan teknik informatika FTIF IT. Skripsi. Teknik Informatika Institut Teknologi Sepuluh November.
Melin, P. & Castillo, O. 2002. Modelling, Simutation, And Control Of Non-Linier Dynamical System: An Intelliigent Approach Using Soft Computing And Fractal Theory. New York : Taylor & Francis Inc.
49
Mordjaoui, M. & Boudjema. 2011. Forecasting and Modelling Electricity Demand Using Anfis Predictor. Journal of Mathematics and Statistics 7(4): 275-281.
Nachrowi, D., & Usman, H. 2004. Teknik Pengambilan Keputusan. Bandung: Grasindo.
Noertjahyana, Agustinus, & Yulia. 2002. Studi analisis pelatihan jaringan syaraf tiruan dengan dan tanpa algoritma genetika. Jurnal Informatika Petra Chrestian University: 13-18.
Palit, A.K. & Popovic, D.2005. Computational Intelegent in Time Series Forecasting: Theory and Engineering Application. London: Springer.
Panji, M. 2008. Multifraktalitas dan studi komparatif prediksi indeks dengan metode ARIMA dan Neural Network (studi komparatif pada indeks LQ45 periode 1997 – 2007). Skripsi. Universitas Diponegoro Semarang.
Pramono Dwi Utomo, Heri Kuswanto, dan Suhartono. 2012. Penerapan Model DSARFIMA untuk Peramalan Beban Konsumsi Listrik Jangka Pendek di Jawa Timur dan Bali. Jurnal Sains dan Seni Its Vol. 1 : 242-247.
1. Mengambil Data Dari Database
<?php
$yt=mysql_query("select sum(actual) as acttotal, sum(ramal) as actramal from ramal");
$rq=mysql_fetch_array($yt); $sumactual=$rq[acttotal]; $sumramal=$rq[actramal]; $ut=($sumactual/$sumramal);
2. Mengambil Nilai Maksimal dan Minimal Dari Rata-Rata Beban
$d=mysql_query("select max(rata) as max_data, min(rata) as min_data from beban");
while($d1 = mysql_fetch_array($d)) {
$maxNormal = $d1["max_data"]; $minNormal = $d1["min_data"]; }
$midNormal = ($minNormal + $maxNormal)/2;
$i=0;
$q = mysql_query("select * from beban"); $jumlahTes = mysql_num_rows($q);
while($q1 = mysql_fetch_array($q)) {
$dataTes[$i] = $q1["rata"]; $tanggalTes[$i] = $q1["tgl"]; $i++;
51
3. Normalisasi Data
for($i=0; $i<count($dataTes); $i++) {
$nilNormal[$i]=((0.8*($dataTes[$i] - $minNormal))/($maxNormal - $minNormal))+0.1;
}
4. Fuzzifikasi
for($i=0; $i<count($nilNormal); $i++) {
if($nilNormal[$i] < 0) $fuzzy[$i][0] = 0;
elseif($nilNormal[$i] >= 0 and $nilNormal[$i] < 0.5) $fuzzy[$i][0] = ($nilNormal[$i] - 0) / (0.5 - 0); elseif($nilNormal[$i] >= 0.5 and $nilNormal[$i] < 1) $fuzzy[$i][0] = (1 - $nilNormal[$i]) / (1 - 0.5); else
$fuzzy[$i][0] = 0;
$fuzzy[$i][1] = $nilNormal[$i]; }
$i=0; $rn=0;
$W1[$rn] = $W1[0];
$W2[$rn] = $fuzzy[$i][1];
$k=0; $l=0;
while($i < count($fuzzy)) {
$Dis=0;
for($j=0; $j<=$rn; $j++) {
$Dis += (abs($fuzzy[$i][0] - $W1[$j])/2); }
// Distance
// Activation A1(rn)
$Distance[$k][3] = exp(-(pow($Distance[$k][2], 2))); // get max(A1) from rule node (rn)
$maxA1[$rn][0] = $rn;
$maxA1[$rn][1] = $Distance[$k][3];
$A2 = $maxA1[$rn][1] * $W2[$rn]; $Err = abs($A2 - $fuzzy[$i][1]);
$maxA2[$rn][0] = $rn; $maxA2[$rn][1] = $A2; $maxA2[$rn][2] = $Err;
$hasil[$i][0] = $rn; $hasil[$i][1] = $i;
$hasil[$i][2] = $fuzzy[$i][0]; $hasil[$i][3] = $fuzzy[$i][1]; $hasil[$i][4] = $A2;
$hasil[$i][5] = $Err;
$i++; $rn++;
if($rn > $rn) {
$
