PERAMALAN BEBAN JANGKA PENDEK HUSUS HARI LIBUR BERBASIS JARINGAN SYARAF TIRUAN DGN ALGORITMA BACK PROPAGATION.

(1)

Undang Harman, 2013

Peramalan Beban Jangka Pendek Husus Hari Libur Berbasis Jaringan Syaraf Tiruan Dgn Algoritma Back Propagation

Universitas Pendidikan Indonesia | repository.upi.edu

PERAMALAN BEBAN JANGKA PENDEK KHUSUS HARI

LIBUR BERBASIS JARINGAN SYARAF TIRUAN DENGAN

ALGORITMA BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Persyaratan Penyelesaian Program S-1 di Program Studi Teknik Elektro

Fakultas Pendidikan Teknologi dan Kejuruan Universitas Pendidikan Indonesia

Oleh:

UNDANG HARMAEN

NIM 0805351

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN PENDIDIKAN TEKNIK ELEKTRO

FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN

UNIVERSITAS PENDIDIKAN INDONESIA

(2)

PERAMALAN BEBAN JANGKA PENDEK KHUSUS HARI LIBUR

BERBASIS JARINGAN SYARAF TIRUAN DENGAN ALGORITMA

BACKPROPAGATION

Oleh Undang Harmaen

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Teknologi dan Kejuruan

Maret 2013

Hak Cipta dilindungi undang-undang.

Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian, dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa ijin dari penulis.

LEMBAR PENGESAHAN SKRIPSI

“

PERAMALAN BEBAN JANGKA PENDEK KHUSUS HARI LIBUR

BERBASIS JARINGAN SYARAF TIRUAN DENGAN ALGORITMA

(3)

Universitas Pendidikan Indonesia | repository.upi.edu Oleh :

Undang Harmaen NIM 0805351

Menyetujui, Dosen Pembimbing I,

Drs. Yadi Mulyadi, M.T NIP. 19630727 199302 1 001

Dosen Pembimbing II,

Dr.Ade Gaffar Abdullah, S.Pd, M.Si NIP. 19721113 199903 1 001

Mengetahui, Ketua, TPS

Jurusan Pendidikan Teknik Elektro

DR.Ade Gaffar Abdullah, S.Pd, M.Si NIP. 19721113 199903 1 001

Ketua Jurusan Pendidikan Teknik Elektro FPTK UPI

(4)

Universitas Pendidikan Indonesia | repository.upi.edu i ABSTRAK

Penelitian ini mengkaji tentang peramalan beban listrik jangka pendek khusus hari libur berbasis jaringan syaraf tiruan dengan algoritma backpropagation

menggunakan teknologi komputasi dengan bantuan software Matlab. Data yang dipakai adalah data konsumen dari pengeluaran beban listrik dari Penyaluran dan Pusat Pengaturan Beban (P3B) PT. PLN (Persero) Region Jawa Barat setiap setengah jam mulai pukul 00.30 sampai dengan 24.00 WIB mulai dari tahun 2006 sampai dengan 2010. Peramalan dibagi menjadi dua kategori hari libur, contoh hari libur cuti bersama dan hari libur biasa, karena ke dua libur ini mempunyai pola beban listrik yang berbeda. Data yang dibelajarkan bervariasi mulai dari 5, 10, 20, dan 30 input. Tujuan dari penelitian ini adalah membuat model input pembelajaran data PLN yang berbeda, dan mengetahui hasil peramalan optimal yang didapatkan berdasarkan input yang dibelajarkan bervariasi dan mengetahui hasil vareasi perbedaan fungsi aktivasi dan hidden layer. Melalui perhitungan dari hasil simulasi input yang paling optimal dan memberikan error pradiksi terkecil adalah input 20 didapatkan rata-rata error peramalan beban libur cuti bersama sebesar 0,3574%, sedangkan untuk libur biasa sebesar 0,1964% . Hasil optimasi penggabungan kedua libur dengan input yang dibelajarkan 20 adalah 0,6099% ternyata penggabungan kedua libur ini memberikan error prediksi yang tidak lebih baik jika dibandingkan dengan hasil eksperimen sebelumnya. Hal ini memberikan bukti beban jika terdapat pola beban yang berbeda sebaiknya data di pisah berdasarkan karakteristik pola beban yang hampir identik. Sehingga data yang bersifat fulktuatif tidak mengganggu data yang bersifat identik. Hasil optimasi jumlah hidden layer membuktikan bahwa jumlah hidden layer ataupun variasi fungsi aktivasi tidak memberikan kontribusi terhadap perbaikan terhadap perbaikan mulai error prediksi. Terlihat bahwa penggunaan satu hidden layer juga dapat memberikan error prediksi yang lebih baik. Ini membuktikan bahwa logika pengenalan pola pada JST bersifat random sehingga optimasi hanya dapat diperoleh secara trial and error. Dengan demikian dapat disimpulkan Karakteristik ke dua libur cuti bersama dan libur biasa menunjukan perbedaan yang signifikan, dikarenakan pemakaian listrik ke dua libur ini yang tidak merata, disebabkan dengan beberapa faktor ekonomi dan sosial. Hasil peramalan dengan input yang dibelajarkan lebih banyak menghasilkan error yang lebih kecil dibandingkan dengan input yang dibelajarkan sedikit, adapun terjadinya perbedaan aktivasi antara data pembelajaran 20 input dan 30 input masih dapat di toleransi karena selisihnya tidak begitu jauh. Berdasarkan hasil eksperimen, data pembelajaran yang banyak juga memiliki kendala yaitu waktu komputernya yang lama dan kadang-kadang menimbulkan redudansi. Untuk jumlah hidden layer

tunggal fungsi aktifasi sigmoid polar menunjukan error yang lebih kecil dibandingkan dengan sigmoid biner, sedangkan jumlah hidden layer lebih dari satu dengan sigmoid bipolar – sigmoid biner – sigmoid bipolar menunjukan error

lebih kecil dibandingkan dengan hidden layer tunggal.

(5)

2.1.2 Faktor-faktor yang Mempengaruhi Beban Listrik ... 14

2.1.3 Karakteristik Beban Listrik Jawa Bali Region Jawa Barat Pada Hari Biasa dan Hari Libur... 15

2.2 Algoritma Backpropagation ... 16

2.2.1 Arsitektur Jaringan ... 16

2.2.2 Fungsi Aktivasi ... 17

2.2.3 Pelatihan Standar Backpropagation ... 18

BAB III METODE PENELITIAN ... 21

3.1 Pengumpulan Data Beban Listrik dari PLN ... 21

3.2 Model Algoritma Backpropagation ... 22

3.3.1 Pelatihan Algoritma Backpropagation ... 23

3.4 Penyusunan Model Matematis ... 24

BAB IV HASIL DAN PEMBAHASAN ... 26

4.1 Hasil Perkiraan Backpropagation ... 26

4.1.1 Karakteristik Beban Listrik Jawa Bali Region Jawa Barat Pada Hari Libur ... 26

4.1.2 Hasil dan pembahasan Optimasi Libur Cuti Bersama ... 28

4.1.3 Hasil dan Pembahasan Optimasi Libur Biasa ... 30

4.1.4 Hasil dan Pembahasan Penggabungan Libur ... 32

4.1.5 Vareasi Unit Hidden Layer dan Parameter Training Learning Rate ... 33

4.2 Model Matematis Backpropagation ... 37

(6)

v

BAB V KESIMPULAN DAN SARAN ... 40

5.1 Kesimpulan ... 40

5.2 Saran ... 41

(7)

Universitas Pendidikan Indonesia | repository.upi.edu 1 BAB I

PENDAHULUAN

1.1 Latar Belakang

Saat ini kebutuhan masyarakat akan tenaga listrik terus meningkat dari tahun ke tahun. Energi listrik merupakan kebutuhan yang sangat vital, baik bagi industri, masyarakat perkotaan serta masyarakat pedesaan. Untuk tetap dapat melayani kebutuhan tenaga listrik, maka sistem tenaga listrik haruslah dikembangkan seirama dengan kenaikan kebutuhan akan tenaga listrik dari para pelanggan. Peramalan beban (load forecasting) adalah salah satu cara untuk membantu dalam hal perencanaan pembangkitan maupun pengeluaran energi listrik. Peramalan beban dapat dibagi menjadi tiga katagori yaitu peramalan beban jangka pendek (short term load forecasting), jangka menengah (medium forecasting), dan jangka panjang (long term forecasting).

(8)

2

Menurut James W. Taylor, at.al, 2006, dan menurut Lacir J. Soares, at.al , 2008, menyatakan analisis peramalan beban listrik jangka pendek dapat dilakukan dengan pendekatan statistik misalnya dengan metode ARMA dan ARIMA , dan menurut Rafal Weron, at.al, 2008, dengan pendekatan deret waktu parametrik dan non parametrik , menurut Nguyen-Vu Truong, at.al, 2008, dan menurut Bai-Ling Zhang, at.al, 2001, juga dilakukan dengan menggunakan metode wavelet dua dimensi. Menurut M. A. El-Sharkawi, at.al, 1991, menyatakan perkembangan terkini para peneliti telah melakukan penelitian berbasis kecerdasan buatan dengan menggunakan algoritma perceptron, dan menurut Luciano S. Moulin, at.al, 1999, confidence interval, menurut Barzimini, R, at.al, 2005, fuzzy inference system dan menurut Kyung-Bin Song, at.al, 2005, fuzzy linear regression. Berdasarkan hasil penelitian tersebut sebagian besar menganalisis peramalan beban jangka pendek untuk hari-hari normal, padahal diperlukan juga model peramalan beban untuk hari libur.

Jika melihat karakteristik penggunaan listrik oleh masyarakat Indonesia, ternyata terdapat perbedaan yang cukup mencolok penggunaan listrik pada hari libur dan hari biasa dikarenakan penurunan aktivitas industri maupun aktivitas konsumen, oleh karena itu diperlukan suatu studi untuk mendapatkan temuan hasil peramalan beban listrik jangka pendek khusus hari libur. Algoritma

(9)

3

Stavrakakis dan E.M Anagnostakis, 2002, melakukan prediksi beban listrik jangka pendek berdasarkan pada implementasi pararel jaringan saraf tiruan. G.A Adepoju, M.Sc. , S.O.A. Ogunjuyigbe, M.S.c. , dan K.O. Alawode , B.Tech, 2007, melakukan Metode jaringan saraf tiruan untuk peramalan beban listrik di Nigeria . Zainab H. Osman, Mohamed L. Awed dan Tawfik K. Mahmoud, 2009 melakukan pendekatan berbasis JST untuk peramalan beban jangka pendek .

1.2 Perumusan Masalah

Dalam Skripsi ini di rumuskan beberapa permasalahan yaitu : 1. Bagaimana karakteristik pada beban listrik pada saat hari libur?

2. Bagaimana akurasi prakiraan beban listrik harian menggunakan JST jika diberikan input pembelajaran yang berbeda?

3. Bagaimana hasil prakiraan optimal yang didapatkan berdasarkan perbedaan fungsi aktivasi dan jumlah hidden layer yang digunakan?

1.3 Pembatasan Masalah

Pembatasan masalah pada Skripsi ini :

(10)

4

2. Interkoneksi Pusat Pembagi Beban (P3B). PT. PLN (Persero) Jawa Bali Region Jawa Barat terdiri dari 82 GI yang tersebar di Jawa Barat, daftar nama GI terlampir.

3. Data yang dibelajarkan bervariasi mulai dari 5, 10, 20 sampai 30 hari. 4. Prediksi dibedakan berdasar dua katagori hari libur, contoh hari libur biasa

dan hari libur cuti bersama.

5. Software pendukung untuk merancang program digunakan MATLAB ver. R2010a dari The MathWorks, Inc.

6. Fungsi aktivasi yang digunakan untuk optimasi prakiraan menggunakan fungsi aktivasi : sigmoid biner, sigmoid bipolar, sigmoid bipolar.

7. Jumlah hidden layer yang digunakan sebanyak 3 layer.

1.4 Tujuan Penulisan Tugas Akhir

Adapun tujuan penulisan Skripsi ini adalah :

1. Mengetahui karakteristik beban listrik pada saat hari libur.

2. Mengetahui akurasi perkiraan beban listrik harian menggunakan JST jika diberikan input pembelajaran yang berbeda.

(11)

5

Universitas Pendidikan Indonesia | repository.upi.edu 1.5 Manfaat Tugas Akhir

Manfaat yang diharapkan dari Skripsi ini yaitu:

1. Bertambahnya pengetahuan, keterampilan dan pemahaman dalam mengaplikasikan teori-teori kelistrikan terutama dalam memperkirakan beban listrik.

2. Diharapkan dapat menjadi salah satu masukan positif bagi PLN dengan metode prakiraan beban listrik berbasis komputasi Jaringan Syaraf Tiruan merupakan metode prakiraan beban yang dapat dipertimbangkan untuk digunakan.

3. Memberikan manfaat positif pada dunia pendidikan dan diharapkan dapat meningkatkan pengetahuan pada bidang kelistrikan yang berbasis komputasi terutama dalam bidang prediksi beban listrik.

1.6 Sistematika Penulisan

Untuk memudahkan dalam membaca dan memahami Skripsi ini, maka disusun sistematika penulisan sebagai berikut:

BAB 1 PENDAHULUAN

Memaparkan latar belakang masalah, perumusan masalah, pembatasan masalah, tujuan penulisan, manfaat tugas akhir, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

(12)

6

BAB III METODE PEMBUATAN HASIL ESTIMASI

Memaparkan model metoda Jaringan Syaraf Tiruan dengan diberikan input

pembelajaran yang berbeda, jumlah hidden layer yang digunakan.

BAB IV HASIL DAN PEMBAHASAN

Memaparkan hasil simulasi perkiraan beban listrik berbasis JST dengan diberikan input pembelajaran yang berbeda, jumlah hidden layer dan rata-rata

error.

BAB V KESIMPULAN DAN SARAN

(13)

21

Universitas Pendidikan Indonesia | repository.upi.edu BAB III

METODE PENELITIAN

3.1 Pengumpulan Data Beban Listrik dari PLN

Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006 - 2010, selanjutnya data beban listrik harian dipisah antara libur cuti bersama dan libur biasa seperti pada tabel 3.1 dan tabel 3.2.

Tabel 3.1 Data historislibur cuti bersama

No Tahun 2006 Tahun 2007 Tahun 2008 Tahun 2009 Tahun 2010

1 01 Januari 1 Januari 1 Januari 1 Januari 1 Januari

2 10 Januari 17 Agustus 17 Agustus 17 Agustus 17 Agustus

3 17 Agustus 12 Oktober 18 Agustus 21 September 9 September

4 23 Oktober 13 Oktober 29 September 22 September 10 September

5 24 Oktober 14 Oktober 30 September 27 November 11 September

6 25 Oktober 15 Oktober 1 Oktober - 12 September

7 26 Oktober 16 Oktober 2 Oktober - 13 September

8 27 Oktober 17 Oktober 3 Oktober - 17 November

9 - - 8 Desember -

-Tabel 3.2 Data historislibur biasa

(14)

22

3.2Model Algoritma Backpropagation

Model algoritma backpropagation yang digunakan untuk membuat perancangan perkiraan beban listrik menggunakan JST dan diagram alir yang ditunjukan pada Gambar 3.1

Mulai

Memasukan Data Beban

Inisialisasi Data Beban

Membanghun Jaringan Syaraf

Tentukan Maksimum Epoh : 9000

Target Error : 0,001 Learning rate : 0,5

Tetapkan Bobot

Error < 0,001

Hitung Nilai Faktor Perubahan Bobot

Hitung Selisih Output Jaringan Dengan Target

Selesai

Tidak

Ya Hitung Prediksi Error

(15)

23

 Data input yang dibelajarkan sebagai pola digunakan data beban harian listrik per setengah jam yang dibelajarkan sebanyak 5, 10, 20, 30.  Pembentukan jaringan pada algoritma backpropagation menggunakan

jaringan feedforward dengan banyak lapisan. Dan instruksi untuk membentuk jaringan tersebut adalah newff.

 Menentukan parameter-parameter untuk pelatihan jaringan backpropagation diantaranya adalah parameter maximum pelatihan (max epochs), parameter kinerja tujuan (target error), parameter

learning rate, dan parameter momentum yang fungsinya akan memperbaiki bobot-bobot jaringan.

 Simulasi jaringan dilakukan untuk mengetahui error dan unjuk kerja. Gunakan perintah sim untuk melakukan simulasi jaringan sehingga dapat ditemukan outputnya.

 Analisis hasil pelatihan menggunakan fungsi postreg sehingga dapat dievaluasi hasil pelatihannya.

3.2.1 Pelatihan Algoritma Backpropagation

(16)

24

3.3 Penyusunan Model Matematis

Error (kesalahan) yang diperoleh metoda backpropagation diolah untuk menentukan estimasi. Dengan hasil estimasi backpropagation ini, maka akan diperoleh formula untuk menentukan data selanjutnya. Pendekatan yang digunakan dalam menentukan model matematis dari estimasi backpropagation

yaitu dengan menggunakan perhitungan matriks Gauss-Jordan Elimination.

Untuk menghitung matriks diatas digunakan kembali software Matlab, dikarenakan memiliki ukuran matrix yang berbeda maka diberikan perintah inv,

(17)

25

x = … %titik-titik diisi dengan input data perharinya; y = … %titik-titik diisi dengan data hasil peramalan; a = inv (x'*x)*(x'*y);

a1 = a(1,:) a2 = a(2,:) a3 = a(3,:) a4 = a(4,:) a5 = a(5,:)

Maka akan mendapatkan model matematis

y = a1x1 + a2x2 + a3x3 + a4x4 + a5x5

Dimana : y : Target hasil backpropagation

α : Koefisien

(18)

40

BAB V

KESIMPULAN DAN SARAN

5. 1 Kesimpulan

1. Karakteristik ke dua libur cuti bersama dan libur biasa menunjukan perbedaan yang signifikan, dikarenakan pemakaian listrik ke dua libur ini yang tidak merata, disebabkan dengan beberapa faktor ekonomi dan sosial.

2. Dari hasil simulasi dapat disimpulkan bahwa semakin banyak data yang dibelajarkan maka semakin memperkecil error pradiksi. Adapun terjadinya perbedaan aktivasi antara data pembelajaran 20 input dan 30 input masih dapat di toleransi karena selisihnya tidak begitu jauh. Berdasarkan hasil eksperimen, data pembelajaran yang banyak juga memiliki kendala yaitu waktu komputernya yang lama dan kadang-kadang menimbulkan redudansi.

(19)

41

Universitas Pendidikan Indonesia | repository.upi.edu 5.2 Saran

1. Mengingat pentingnya studi mengenai prediksi beban listrik, maka terhadap dunia pendidikan khususnya bagi pihak yang berkonsentrasi dalam bidang ketenagalistrikan, diharapkan dapat mengembangkan studi ini lebih jauh lagi baik dalam bentuk mata kuliah maupun dalam bentuk materi pengayaan.

(20)

42

DAFTAR PUSTAKA

Bai-Ling Zhang, Zhao-Yang Dong, 2001. “ An adaptive neural-wavelet model

for short term load forecasting”. Electric power System Research.

Barzamini, R., Menhaj, M., B., Khosravi, A., Kamalvand, S., H., 2005. “ Short Term Load Forecasting for Iran Nation Power System and Its Region Using Multi Layer Perceptron and Fuzzy Inference Systems”.

Proceedings of International Joint Conference on Neural Networks, Montreal, Canada, July 31 - August 4.

G.A. Adepoju, M.Sc. , S.O.A. Ogunjuyigbe, M.Sc. , and K.O. Alawode, B.Tech., 2007. “ Application of Neural Network to Load Forecasting in Nigerian Electrical Power System”. The Pacific Journal of Science and Technology.

James W. Taylor, Lilian m. de Menezes, Patrick E. McSharry, 2006. “ A Comparison of Univariate Methods for Forecasting Electricity Demand Up to a Day Ahead”. international journal of Forecasting. Kyung-Bin Song, Member, IEEE, Young-Sik Baek, Dug Hun Hong, and

Gilsoo Jang, Member, IEEE, 2005. “ Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method”. IEEE Transsactions On Power System, VOL. 20, No.1, February.

K. Kalaitzakis, G.S. Stavrakakis, E.M. Anagnostakis, 2002. “ Short-term load

forecasting based on artiﬁcial neural networks parallel

implementation”. Electric Power Systems Research.

Kwang-Ho Kim, Jong-Keun Park, Kab-Ju Hwang, Sung-Hak Kim, 1995. “ Implementation of Hybrid Short-term Load Forecasting System Using Artificial Neural Networks and Fuzzy Expert Systems”. IEEE Transactions on Power Systems.

Lacir J. Soares, Marcelo C. Medeiros, 2008. “ Modeling and Forecasting Short-Term Electricity Load: A Comparison of Methods whit an Application

to Brazilian Data”. International Journal of Forecasting.

(21)

43

M. A. El-Sharkawi, S. Oh, R. J. Marks, M. J. Damborg, 1991. “ Short Term Electric Load Forecasting Using An Adaptively Trained Layered

Perceptron”. Departement of Electrical Engineering University of

Washington.

Marsudi, Djiteng. (2006). Operasi Sistem Tenaga Listrik. Yogyakarta: Graha Ilmu.

Mataram Made I, 2008. “ Peramalan Beban Hari Libur Menggunakan Artificial Neural Network”. Kampus Bukit Jimbaran, Bali, 80361.

Nguyen-Vu Truong, Liuping Wang, Peter K.C. Wong, 2008. “ Modelling and Short Term forecasting of daily peak power demand in Victoria using two dimensional wavelet based SDP models”. Electrical Power and Energy Systems.

Rafal weron, Adam Misiorek, 2008. “ Forecasting spot electricity prices: A Comparison of Parametric and semiparametric time series models”.

International Journal of Forecasting.

RM Andri, 2010, Studi Model Prakiraan Beban Listrik Harian Menggunakan Metode Moving Average dan Metode Backpropagation, Pendidikan Teknik Elektro Fakultas Pendidikan Teknologi dan Kejuruan UPI. Saied S. Sharif, James H. Taylor, 1999. “Short-Term Load Forecasting by

Feed-Forward Neural Networks”. Department of Electrical and Computer Engineering, University of New Brunswick.

Siang, Jong Jek. (2005). Jaringan Syaraf Tiruan dan Pemogramannya dengan MATLAB, Yogyakarta: Andi

T. Yalcinoz, U. Eminoglu, 2005. “ Short term and medium term power distribution load forecasting by neural network”. Energy Conversion and Management.

Ying Chen, Peter B. Luh, Fellow, IEEE, Che Guan, Yige Zhao, Laurent D. Michel, Matthew A. Coolbeth, Peter B. Friedland, and Stephen J. Rourke, Senior Member, IEEE , 2010. “ Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks”. IEEE Transactions on Power Systems, Vol, 25, NO.1, February.