PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN
(ARTIFICIAL NEURAL NETWORK)
AGUS HASIM
SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2008
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Prakiraan Beban Listrik Kota Pontianak Dengan Jaringan Syaraf Tiruan (Artificial Neural Network), adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, Mei 2008
Agus Hasim NRP. G651050084
ABSTRAK
AGUS HASIM. Prakiraan Beban Listrik Kota Pontianak dengan Jaringan Syaraf Tiruan (Artificial Neural Network). Dibimbing oleh PRAPTO TRI SUPRIYO dan SUGI GURITMAN.
Tenaga listrik harus disediakan pada jumlah atau besaran yang sesuai dengan kebutuhan dan pada waktu yang tepat. Penyedian tenaga listrik yang melebihi kebutuhan beban berakibat pada terjadinya kerugian daya listrik.
Sebaliknya, jika terjadi kekekurangan pasokan (penyedian) listrik, akan berakibat pada terjadinya pemadaman. Untuk menyediakan tenaga listrik yang sesuai dengan kebutuhan tersebut, harus ada rencana penyediaan listrik yang dilakukan dengan cara membuat prediksi atau prakiraan beban listrik. Oleh karena itu persoalan prakiraan beban listrik menjadi sangat penting didalam penyediaan tenaga listrik yang efisien.
Untuk memprediksi kebutuhan beban listrik, PLN selama ini menggunakan metode koefisien beban. Perhitungan dengan metode ini didasarkan pada pengalaman-empiris perencana penyedia listrik yang relatif sulit dilakukan terutama dalam hal koreksi-koreksi yang perlu dilakukan terhadap perubahan beban. Oleh karena itu diperlukan suatu metode yang lebih baik dari metode koefisien beban.
Pada penelitian ini, penulis mencoba untuk membangun suatu model prediksi beban listrik jangka pendek menggunakan jaringan syaraf tiruan (JST) dengan algoritma pembelajaran backpropagation dan fungsi aktivasi sigmoid.
Lingkup pengambilan data penelitian dibatasi beban listrik pada wilayah kerja Kota Pontianak Propinsi Kalimantan Barat.
Hasil penelitian ini memperlihatkan bahwa prediksi JST lebih baik dari pada prediksi yang dihitung dengan menggunakan metode sebelumnya. Prediksi beban listrik tanggal 17 Mei sampai dengan 23 Mei 2007 memperlihatkan bahwa rata-rata error JST adalah 5.81% sedangkan rata-rata error metode koefisien beban adalah 8.24%. Dengan demikian, dapat disimpulkan bahwa prediksi beban listrik menggunakan JST lebih akurat sebesar 2.43% dibandingkan dengan metode koefisien beban.
Kata kunci : beban listrik, prakiraan beban listrik jangka pendek, jaringan syaraf tiruan, backpropagation.
ABSTRACT
AGUS HASIM. Electrics Load Forecasting of Pontianak City by Using Artificial Neural Network. Under direction of PRAPTO TRI SUPRIYO and SUGI GURITMAN
Electric power should be provided in amount or magnitude to meet the requirement and also in the right time. Excess of the requirement electric power may cause loss. On the contrary, lacking electric power supply, will cause blacking out. Thus, to provide adequate electric power that meet the requirement, there should be an electric power’s plan performed by making a prediction or electric load forecasting. Therefore, matter of electric load forecasting become much important in efficient electric power supply.
To predict electric load needs, PLN currently using load coefficient (koefisien beban) method. Such computing method is based on empirical experience of electric power’s planning division which relatively harder to complete especially in several correction needed for change of load. Therefore, a better method is still needed than load coefficient method.
In this research, the author attempted to build a prediction model for short- term electric load by using artificial neural network (ANN) with backpropagation learning algorithm and sigmoid activation function. Research data collection scope was limited by electric load in work region of Pontianak city, Kalimantan Barat province.
The result showed that prediction outcome of ANN was generally better than prediction which calculated using the previous method. Electrics load forecast of 17th May to 23rd May 2007 presenting that mean error of ANN was about 5.81%, while mean error of the load coefficient method was about 8.24%.
Thereby, the conclusion can be made here is that the load prediction method using ANN is more accurate by 2.43% compared to the load coefficient method.
Keywords: electric load, short term electric load forecast, artificial neural network, backpropagation.
RINGKASAN
AGUS HASIM. Prakiraan Beban Listrik Kota Pontianak dengan Jaringan Syaraf Tiruan (Artificial Neural Network). Dibimbing oleh PRAPTO TRI SUPRIYO dan SUGI GURITMAN.
Tenaga listrik mempunyai sifat-sifat khusus yang berbeda dengan
“komoditi” lain pada umumnya. Tingkat produksi atau tenaga yang dihasilkan oleh mesin pembangkit listrik harus sesuai dengan tingkat kebutuhan atau besar beban yang harus dilayani. Penyesuaian atau pengendalian antara produksi dengan kebutuhan beban listrik menjadi sangat penting untuk dilakukan mengingat sifat khusus (khas) dari tenaga listrik, yakni tenaga listrik tidak dapat disimpan dalam skala besar, dengan demikian tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya akan timbul persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap atau selalu berubah dari waktu ke waktu, sehingga harus ada penjadualan dalam mengoperasikan suatu sistem tenaga listrik agar selalu dapat memenuhi permintaan daya pada setiap saat.
Apabila daya yang dikirim dari suatu pembangkit listrik jauh lebih besar daripada permintaan daya pada beban, maka akan terjadi pemborosan pada perusahaan listrik. Sebaliknya apabila daya yang dibangkitkan atau yang disediakan pembangkit listrik lebih rendah dari permintaan atau kebutuhan beban konsumen maka akan terjadi over load yang akan berdampak pada terjadinya pemadaman. Agar tercapai penyesuaian antara pembangkitan dan permintaan daya, maka pihak penyedia listrik harus mengetahui beban atau permintaan daya listrik untuk beberapa waktu ke depan. Berdasarkan jangka waktu, prakiraan beban listik dapat dikelompokkan dalam: 1) prakiraan beban jangka panjang (long term); 2) prakiraan beban jangka menengah (medium term); 3) prakiraan beban jangka pendek (short term).
Metode prakiraan beban listrik jangka pendek yang selama ini dikembangkan atau telah diterapkan PLN adalah dengan cara konvensional berbasis statistik, yaitu metode koefisien beban yang dilakukan dengan mem- pelajari data historis beban listrik terdahulu. Koefisien beban dibuat untuk tiap jam selama 24 jam dari hari senin s/d minggu yang merupakan angka atau representasi dari prosentase atau perbandingan besar beban pada jam tersebut terhadap beban puncak pada hari tersebut (juga merupakan hasil prakiraan) termasuk koreksi-koreksi yang harus dilakukan disesuaikan dengan beban yang sesungguhnya terjadi. Keberhasilan prediksi beban dengan metode ini terletak pada pengalaman dan keahlian ”seorang” perencana penyediaan listrik yang lebih banyak dilakukan secara empiris. Oleh karena itu adanya metode lain yang dapat melakukan prakiraan beban listrik jangka pendek yang lebih sistematis dan akurat dengan menyertakan faktor-faktor yang mempengaruhinya sangat di-perlukan.
Pada penelitian ini akan dibangun model prediksi yang dapat melakukan prakiraan beban listrik jangka pendek yang dapat digunakan untuk penjadualan dalam pengoperasian mesin pembangkit listrik menggunakan jaringan syaraf tiruan.
Neural network atau artificial neural network (jaringan syaraf tiruan disingkat JST) adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Definisi lain menurut
Fausett (1994) artificial neural network adalah suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi.
Jaringan syaraf tiruan juga dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model syaraf biologi.
Model jaringan syaraf tiruan memiliki kemampuan dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya.
Setiap pengolahan elemen membuat perhitungan berdasarkan pada jumlah masukan (input). Sebuah kelompok pengolahan elemen disebut layer atau lapisan dalam jaringan. Lapisan pertama adalah input dan yang terakhir adalah output.
Lapisan di antara lapisan input dan output disebut dengan lapisan tersembunyi (hidden layer). Jaringan syaraf tiruan merupakan suatu bentuk arsitektur yang terdistribusi paralel dengan sejumlah besar neuron dan hubungan antar neuron tersebut. Tiap titik hubungan dari satu neuron ke neuron yang lain mempunyai harga yang diasosiasikan dengan bobot. Setiap neuron memiliki suatu nilai yang diasosiasikan sebagai titik aktivasi neuron.
Berdasarkan cara memodifikasi bobotnya, ada dua macam pelatihan yang dikenal yaitu dengan terawasi atau terbimbing (supervised) dan tanpa pengawasan atau tanpa bimbingan (unsupervised). Dalam pelatihan dengan supervised, terdapat sejumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai ”guru” untuk melatih jaringan hingga diperoleh bentuk yang terbaik. ”Guru” akan memberikan informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk meningkatkan unjuk kerjanya.
Pada setiap kali pelatihan, suatu input diberikan ke jaringan. Jaringan akan memperoses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Jaringan yang proses atau metode pelatihannya dengan pengawasan antara lain adalah perceptron, adaline dan backpropagation atau propagasi balik. Sebaliknya dalam pelatihan tanpa pengawasan (unsupervised), tidak ada ”guru” yang akan mengarahkan proses pelatihan. Perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut.
Dalam melakukan prakiraan beban listrik, langkah pertama yang perlu dilakukan adalah dengan mempelajari dan mengevaluasi pola-pola beban setiap hari dalam satu minggu sampai beberapa minggu. Pola beban dalam setiap hari, menunjukkan perilaku konsumen atau pelanggan dalam menggunakan atau memanfaatkan tenaga listrik. Beban pada saat ini (current load) diakibatkan atau dipengaruhi oleh beban beberapa waktu berlalu. Data atau pola beban sebagai input yang relatif besar, jaringan dengan banyak lapisan (multilayer net) dengan algoritma pembelajaran backpropagation dan beberapa fungsi pelatihan (training functions) akan diterapkan pada penelitian ini. Pada jaringan (model JST) diberikan sepasang pola yang terdiri dari pola masukan dan pola yang diinginkan atau target.
Data beban yang digunakan sebagai input bagi model JST yang dikembangkan adalah data beban listrik harian (beban selama 24 jam) dan data temperatur udara harian Kota Pontianak dari bulan Januari 2007 s/d Mei 2007.
Untuk data temperatur yang akan digunakan atau menjadi masukan bagi model JST adalah temperatur udara harian yang terdiri dari temperatur udara minimum, maksimum dan rata-rata. Besarnya data yang akan digunakan dan relatif kompleksnya persoalan yang harus diselesaikan maka model JST yang akan dikembangkan adalah JST dengan arsitektur multilayer net yang terdiri dari 3 (tiga) layer (lapisan) yaitu: lapisan input yang terdiri dari 54 neuron; satu lapisan tersembunyi dengan beberapa neuron yang jumlahnya dilakukan dengan coba- coba (trial and error); lapisan output/keluaran yang terdiri dari 24 neuron.
Untuk mencapai konvergensi yang lebih cepat, model yang dikembangkan diatur pada learning rate, jumlah neuron pada lapisan tersembunyi (hidden layer) serta dengan mengubah fungsi pelatihan atau training functions (traingd, traingda, traingdx, traingdm, traincgf, traincgp, traincgb). Dengan mencoba berbagai nilai atau besaran untuk learning rate dan jumlah neuron hidden layer, didapat nilai 0.5 untuk learning rate dan 220 untuk jumlah neuron hidden layer.
Pada nilai tersebut ketika training atau pelatihan dilakukan, proses iterasi yang terjadi pada model JST menghasilkan nilai MSE yang semakin baik atau konvergen menjadi lebih cepat. Dari hasil pelatihan tersebut, dengan menetapkan galat error atau MSE = 0.0001 diketahui bahwa fungsi pelatihan traincgb, menghasilkan MSE = 0.00009962 pada epoch ke 642. Bobot yang telah didapat kemudian disimpan, selanjutnya model JST yang telah dilatih tersebut diberikan lagi pola data input baru yaitu data yang belum pernah digunakan selama pelatihan dengan maksud untuk menguji model tersebut.
Pada pengujian model JST selama satu minggu yaitu prediksi beban listrik untuk tanggal 17 Mei - 23 Mei 2007 memberikan hasil sebagai berikut: rata-rata error prediksi JST adalah 5.81% sedangkan rata-rata error prediksi PLN adalah 8.24%. Demikian juga dengan error tertinggi (maksimum error) prediksi JST adalah 8.07% sedangkan error tertinggi prediksi PLN adalah 16.05%.
Secara umum hasil prediksi beban listrik dengan jaringan syaraf tiruan memberikan hasil yang lebih baik dibandingkan dengan prediksi menggunakan metode koefesien beban yang selama ini digunakan oleh PLN.
Kata kunci : beban listrik, prakiraan beban listrik jangka pendek, jaringan syaraf tiruan, backpropagation.
© Hak Cipta milik IPB, tahun 2008 Hak Cipta dilindungi Undang-undang
1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber
a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah
b. Pengutipan tidak merugikan kepentingan yang wajar IPB
2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB
PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN
(ARTIFICIAL NEURAL NETWORK)
AGUS HASIM
Tesis
Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Ilmu Komputer
SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2008
Judul Tesis : Prakiraan Beban Listrik Kota Pontianak Dengan Jaringan Syaraf Tiruan (Artificial Neural Network)
Nama : Agus Hasim
NIM : G651050084
Disetujui Komisi Pembimbing
Ir. Prapto Tri Supriyo, M.Kom Dr. Sugi Guritman
Ketua Anggota
Diketahui
Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana
Dr. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS
Tanggal Lulus : Tanggal Ujian : 2 Mei 2008
