SKRIPSI
PERAMALAN BEBAN JANGKA PENDEK PADA
HARI LIBUR DI BALI MENGGUNAKAN METODE
GENERALIZED REGRESSION NEURAL NETWORK
(GRNN)
JUNIAR DOAN WIHARDONO
JURUSAN TEKNIK ELEKTRO DAN KOMPUTER
FAKULTAS TEKNIK UNIVERSITAS UDAYANA
BUKIT JIMBARAN
2016
SKRIPSI
PERAMALAN BEBAN JANGKA PENDEK PADA
HARI LIBUR DI BALI MENGGUNAKAN METODE
GENERALIZED REGRESSION NEURAL NETWORK
(GRNN)
JUNIAR DOAN WIHARDONO NIM. 1104405029
JURUSAN TEKNIK ELEKTRO DAN KOMPUTER
FAKULTAS TEKNIK UNIVERSITAS UDAYANA
BUKIT JIMBARAN
2016
iii
PERMALAN BEBAN JANGKA PENDEK PADA HARI LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL
NETWORK (GRNN)
Tugas Akhir/Skripsi ini Diajukan untuk Memperoleh Gelar Sarjana Strata 1 (S1) dalam Jurusan Teknik Elektro Dan Komputer pada Fakultas Teknik Universitas
Udayana
JUNIAR DOAN WIHARDONO NIM 1104405029
JURUSAN TEKNIK ELEKTRO DAN KOMPUTER
FAKULTAS TEKNIK UNIVERSITAS UDAYANA
v
UCAPAN TERIMA KASIH
Pertama-tama perkenankanlah saya memanjatkan puji syukur kehadapan Allah SWT/Tuhan Yang Maha Esa, karena hanya atas berkah dan rahmat-Nya usulan tugas akhir yang berjudul “Peramalan Beban Jangka Pendek Pada Hari Libur Di Bali Menggunakan Metode Generalized Regression Neural Network (GRNN)” dapat diselesaikan.
Dalam penyusunan usulan tugas akhir ini, penulis banyak memperoleh petunjuk dan bimbingan dari berbagai pihak. Sehingga pada kesempatan ini perkenankanlah saya mengucapkan terima kasih yang sebesar-besarnya kepada Bapak Prof. Ir. Ngakan Putu Gede Suardana, MT, Ph.D selaku Dekan Fakultas Teknik Universitas Udayana. Bapak Wayan Gede Ariastina, S.T., M.Eng.Sc., Ph.D. selaku ketua jurusan Teknik Elektro Fakultas Teknik Universitas Udayana. Bapak Dr. Ir. Agus Dharma, MT. sebagai Dosen Pembimbing 1. Bapak Ir. I Made Mataram, M.Erg., MT. sebagai Dosen Pembimbing 2. Kedua orang tua beserta keluarga. Rekan–rekan mahasiswa Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana. Serta semua pihak yang tidak bisa penulis sebutkan satu – persatu atas bantuan dan saran yang diberikan sehingga laporan ini bisa selesai tepat pada waktunya.
vi
ABSTRAK
Peramalan beban merupakan kegiatan penting dalam perencanaan operasi sistem tenaga listrik, karena keakuratan dalam meramalkan beban untuk sistem tenaga listrik akan meningkatkan efisiensi sehingga dapat mengurangi biaya operasional sebuah pembangkit. Kondisi beban pada saat hari libur merupakan suatu fenomena yang sangat menarik untuk diketahui seperti di Bali khususnya pada hari raya Nyepi. Penurunan beban akan terjadi saat hari libur terutama pada saat hari raya Nyepi. Kondisi tersebut perlu diketahui agar operasi sitem tenaga listrik seperti perencanaan penjadwalan pengiriman daya dan pemeliharaan dapat berjalan secara optimal. Penelitian ini akan menggunakan metode Generalized Regression Neural Nework (GRNN) dan dibandingkan dengan metode Radial Basis Function Neural Network (RBFNN) . Metode GRNN adalah metode jaringan syaraf dengan algoritma belajar satu garis dan paralel. GRNN mempunyai kelebihan pada proses belajar lebih cepat, mudah dalam pengontrolan dan memiliki pendekatan lebih halus dari fungsi target sehingga hanya membutuhkan lebih sedikit jumlah data sampel pelatihan.
Metode dalam peramalan menggunakan metode GRNN terdiri dari tiga tahap yaitu tahap pembagian data, tahap training dan tahap testing. Pada tahap training dan testing proses menggunakan software Mathlab. Data pada proses peramalan menggunakan data beban puncak harian pada hari libur di Bali tahun 2010 sampai 2014. Pemilihan data difokuskan pada data beban puncak pada 5 hari sebelum hari libur (h-4) sampai hari libur (h). Hasil dari proses training digunakan sebagai acuan untuk melakukan proses testing. Hasil peramalan menggunakan metode GRNN dibandingkan dengan metode RBFNN menggunakan parameter MSE dan MAPE untuk mengetahui keakuratan metode tersebut.
Hasil nilai error yang dihasilkan metode GRNN lebih kecil dibandingkan dengan metode RBFNN. Metode GRNN menghasilkan MSE sebesar 0.020089 dan MAPE sebesar 2.01%. sedangkan metode RBFNN menghasilkan MSE sebesar 0.022757 dan MAPE sebesar 2,28%. Pada peramalan dengan 3 input metode GRNN menghasilkan MSE sebesar 0.029174 dan MAPE sebesar 2,92% sedangkan metode RBFNN menghasilkan MSE 0.020953 dan MAPE sebesar 2,10%.
vii
ABSTRACT
Load forecasting is an important activity in the electric power system operation planning, because the accuracy in predicting the load on the power system will improve efficiency so as to reduce the operating costs of a plant. Load condition when the holiday is a very interesting phenomenon to be known as in Bali, especially on Nyepi. Decrease the load will occur during holidays, especially during Nyepi. Such conditions should be known that the electric power system operations such as planning and maintenance scheduling power delivery may be optimized. This study will use a method of Generalized Regression Neural Nework (GRNN) and compared with the method of Radial Basis Function Neural Network (RBFNN). GRNN method is a method of neural network with a learning algorithm and parallel lines. GRNN has the advantage in the learning process faster, easier to control and have a more subtle approach of the target function so that it takes less amount of sample data training.
The method in forecasting using GRNN method consists of three phases, the sharing of data, training and testing phase. At this stage of the training and testing process using Matlab software. Data on the forecasting process using the data daily peak loads on holidays in Bali in 2010 to 2014. Selection of the data focused on peak load data in the 5 days before a holiday (h-4) to holidays (h). Results of the training process is used as a reference for the process of testing. Forecasting results using GRNN method compared with RBFNN method using MSE and MAPE parameter to determine the accuracy of the method.
Results generated error value GRNN method is smaller than the RBFNN method. GRNN method produces MSE of 0.020089, and MAPE of 2.01%. whereas RBFNN method produces MSE of 0.022757, and MAPE of 2.28%. At forecasting with 3 inputs GRNN method produces MSE of 0.029174 and MAPE of 2.92% while the RBFNN method 0.020953 MSE and MAPE yield at 2.10
viii
DAFTAR ISI
SAMPUL DALAM ... i
PERSYARATAN GELAR ... ii
LEMBAR PERNYATAAN ORISINALITAS ... iii
LEMBAR PERSETUJUAN ... iv
UCAPAN TERIMAKASIH ... v
ABSTRAK ... vi
ABSTRACT ... vii
DAFTAR ISI ... viii
DAFTAR TABEL ... x
DAFTAR GAMBAR ... xi
DAFTAR ARTI LAMBANG,SINGKATAN DAN ISTILAH ... xii
DAFTAR LAMPIRAN ... xiii
BAB I PENDAHULUAN 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 3 1.3 Tujuan Penelitian ... 3 1.4 Manfaat Penelitian ... 3 1.5 Batasan Masalah ... 4
BAB II KAJIAN PUUSTAKA 2.1 Tinjauan Mutakhir ... 5
2.2 Tinjauan Pustaka ... 8
2.2.1 Peramalan beban ... 8
2.2.2 Jenis peramalan beban ... 8
2.2.3 Peramalan beban listrik menggunakan similar day ... 9
2.2.4 Generalized Regression Neural Network (GRNN) ... 10
2.2.5 Function GRNN di Matlab ... 12
2.2.6 MSE (Mean Square Error) ... 21
2.2.7 MAPE (Mean Absolut Percentage Error) ... 21
2.2.8 Training dan Testing Time ... 22
2.2.9 Aplikasi GRNN pada peramalan beban ... 22
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian ... 24
3.2 Sumber dan Jenis Data Penelitian ... 24
3.2.1 Sumber data ... 24
3.2.2 Jenis data ... 24
3.4 Analisis Data ... 24
ix
BAB IV HASIL DAN PEMBAHASAN
4.1 Pengumpulan data ... 27
4.2 Analisis dan pembahasan ... 27
4.2.1 Proses peramalan beban menggunakan metode GRNN ... 27
4.2.2 Perbandingan hasil peramalan metode GRNN dan RBFNN ... 31
4.2.3 Proses peramalan metode GRNN menggunakan 3 input ... 34
4.2.4 Perbandinga hasil peramalan metode GRNN dan RBFNN menggunakan 3 input ... 40
BAB V SIMPULAN DAN SARAN 5.1 Simpulan ... 48
5.2 Saran ... 48
x
DAFTAR TABEL
Tabel 2.1 Tinjauan Mutakhir (state of the art ) ... 5 Tabel 4.1 Hasil training peramalan dengan metode GRNN untuk hari libur tahun
2013 ... 20 Tabel 4.2 Hasil output peramalan dengan metode GRNN untuk hari libur tahun 2013
... 22 Tabel 4.3 Hasil testing peramalan dengan metode GRNN untuk hari libur tahun
2014 ... 31 Tabel 4.4 Hasil peramalan dengan metode GRNN dan RBFNN untuk hari libur
tahun 2014 ... 33 Tabel 4.5 Hasil training peramalan dengan 3 input metode GRNN untuk hari
libur tahun 2013 ... 36 Tabel 4.6 Hasil output peramalan dengan 3 input metode GRNN untuk hari libur
tahun 2013 ... 37 Tabel 4.7 Hasil testing peramalan dengan 3 input metode GRNN untuk hari libur
tahun 2014 ... 39 Tabel 4.8 Hasil peramalan dengan metode GRNN dan RBFNN dengan 3 input
untuk hari libur tahun 2014 ... 41 Tabel 4.9 Nilai error hasil peramalan dengan metode GRNN dan RBFNN untuk
hari libur tahun 2013 dan 2014 ... 43 Tabel 4.10 Nilai error hasil peramalan dengan metode GRNN dan RBFNN untuk
hari libur tahun 2013 ... 44 Tabel 4.11 Nilai error hasil peramalan dengan metode GRNN dan RBFNN untuk
hari libur tahun 2013 ... 45 Tabel 4.12 Perbandingan nilai error hasil peramalan metode GRNN dan RBFNN ... 46
xi
DAFTAR GAMBAR
Gambar 2.1 Arsitektur GRNN ... 11
Gambar 2.2 Arsitektur GRNN di Matlab ... 12
Gambar 2.3 Hasil simulasi newgrnn menggunakan 8 data ... 15
Gambar 2.4 Hasil simulasi newgrnn menggunakan 8 data dan spread ... 16
Gambar 2.5 Hasil simulasi newgrnn menggunakan input baru ... 17
Gambar 2.6 Hasil simulasi newgrnn menggunakan input yang ditampilkan ... 17
Gambar 2.7 Grafik fungsi radbas ... 18
Gambar 2.8 Grafik fungsi purelin ... 19
Gambar 3.1 Flowchart metode GRNN... 25
Gambar 3.2 Flowchart peramalan ... 26
Gambar 4.1 Grafik perbandingan hasil training dan data aktual hari libur nasional tahun 2013 ... 30
Gambar 4.2 Grafik perbandingan hasil peramalan dan data aktual hari libur nasional tahun 2014 ... 32
Gambar 4.3 Grafik perbandingan hasil peramalan GRNN, RBFNN dan data aktual hari libur nasional tahun 2014 ... 34
Gambar 4.4 Grafik perbandingan error peramalan GRNN dan RBFNN pada hari libur nasional tahun 2014 ... 34
Gambar 4.5 Grafik perbandingan hasil training 3 input dan data aktual hari libur nasional tahun 2013 ... 38
Gambar 4.6 Grafik perbandingan hasil peramalan dan data aktual dengan 3 input hari libur nasional tahun 2014 ... 40
Gambar 4.7 Grafik perbandingan hasil peramalan GRNN, RBFNN dan data aktual menggunakan 3 input hari libur nasional tahun 2014 ... 42
Gambar 4.8 Grafik perbandingan error GRNN dan RBFNN menggunakan 3 input hari libur nasional tahun 2014 ... 42
xii
DAFTAR SINGKATAN
GRNN = Generalized Regression Neural Network RBFNN = Radial Basic Function Neural Network PT = Perseroan Terbatas
PLN = Perusahaan Listrik Negara
MW = Mega Watt
ANN = Artificial Neural Network FIS = Fuzzy Inference System kWH = Killo Watt Hour
MSE = Mean Square Error JST = Jaringan Syaraf Tiruan
xiii
DAFTAR LAMPIRAN
Lampiran 1 Data beban puncak harian Bali ... 50 Lampiran 2 SKB 3 Menteri tentang hari libur nasional ... 53