Menggunakan Fuzzy Linear Regression (FLR) yang dioptimisasi
dengan Artificial Immune System (AIS)
( Studi Kasus di Kalimantan Selatan - Tengah )
Oleh:
Dessy Rika Astuti
2205 100 055
Dosen Pembimbing :
Prof. Dr. Ir. Imam Robandi, MT
Oleh:
Dessy Rika Astuti
2205 100 055
Dosen Pembimbing :
LATAR BELAKANG
KalSel-Teng Permintaan beban yang meningkat Penyediaan listrik oleh PLN Ketidakmampuan pembangkit PemadamanSolusi :
Peramalan beban jangka pendek
Fluktuasi beban pada hari libur
•
Peramalan beban jangka pendek (short-term load
forecasting) yang meramalkan beban dalam
jangka waktu perjam hingga perminggu.
•
Peramalan beban jangka menengah
(medium-term load forecasting) yang meramalkan beban
dalam jangka waktu mingguan hingga 1 tahun.
•
Peramalan beban jangka panjang (long-term load
forecasting) yang meramalkan beban tahunan
atau lebih dari satu tahun kedepan.
•
Peramalan beban jangka pendek (short-term load
forecasting) yang meramalkan beban dalam
jangka waktu perjam hingga perminggu.
•
Peramalan beban jangka menengah
(medium-term load forecasting) yang meramalkan beban
dalam jangka waktu mingguan hingga 1 tahun.
•
Peramalan beban jangka panjang (long-term load
forecasting) yang meramalkan beban tahunan
LATAR BELAKANG
Peramalan yang telah dilakukan [8]:
•
Fuzzy Linear Regression (FLR)
Rata-rata error beban puncak = 4.545 %
Peramalan yang dilakukan :
•
Fuzzy Linear Regression
(FLR) dengan Metode
Optimisasi Artificial Immune System (AIS) via Clonal
Selection Algorithm (CSA)
Rata-rata error beban puncak = 3.89 %
Peramalan yang telah dilakukan [8]:
•
Fuzzy Linear Regression (FLR)
Rata-rata error beban puncak = 4.545 %
Peramalan yang dilakukan :
•
Fuzzy Linear Regression
(FLR) dengan Metode
Optimisasi Artificial Immune System (AIS) via Clonal
Selection Algorithm (CSA)
Parameter Fuzzy
Parameter Fuzzy
Penelitian sebelumnya,
parameter fuzzy ditentukan
dengan Metode Simplek [8]
Penelitian sebelumnya,
parameter fuzzy ditentukan
dengan Metode Simplek [8]
Penentuan parameter
dengan Metode Optimisasi
Penentuan parameter
dengan Metode Optimisasi
Fuzzy Linear Regression
(FLR)
Fuzzy Linear Regression
(FLR)
Artificial Immune System (AIS) merupakan algoritma optimisasi yang digunakan
untuk mengoptimisasi parameter fuzzy dan tidak terjebak dalam lokal optimum.
Penentuan parameter
dengan Metode Optimisasi
Penentuan parameter
dengan Metode Optimisasi
[8] Agus Dharma, Mauridhi Hery P, Imam Robandi, “Peramalan Beban Jangka Pendek untuk Hari-hari Libur Menggunakan Metode Fuzzy Linear Regression (Studi Kasus di Pulau Bali)”, Seminar Teknik Elektro Universitas Negeri Surabaya, 2006.
TUJUAN
Tujuan Penelitian :
Menyelesaikan permasalahan peramalan beban jangka pendek pada
hari-hari libur di Kalimantan Selatan-Tengah dengan menggunakan metode
FLR-AIS, dan membandingkan peramalan FLR (metode simplek) dengan FLR-AIS.
Tujuan Penelitian :
Menyelesaikan permasalahan peramalan beban jangka pendek pada
hari-hari libur di Kalimantan Selatan-Tengah dengan menggunakan metode
FLR-AIS, dan membandingkan peramalan FLR (metode simplek) dengan FLR-AIS.
Tujuan Peramalan Beban:
Mempersiapkan unit-unit pembangkit yang akan beroperasi.
Tujuan Peramalan Beban:
Di Sisi Demand :
Terpenuhinya penyesuaian antara permintaan dan pembangkitan energi.
Di Sisi Demand :
Terpenuhinya penyesuaian antara permintaan dan pembangkitan energi.
Di Sisi Sistem Tenaga :
1.
Ketepatan pengaturan jadwal pengiriman daya.
2.
Perencanaan pemeliharaan unit-unit pembangkit dan evaluasi
keandalan sistem.
Di Sisi Sistem Tenaga :
1.
Ketepatan pengaturan jadwal pengiriman daya.
2.
Perencanaan pemeliharaan unit-unit pembangkit dan evaluasi
BATAS MASALAH
1. Data yang diambil adalah data dari PT. PLN (Persero), Area
Pengatur dan Penyalur Beban (AP2B) Kalimantan
Selatan-Tengah, yaitu data beban harian tiap satu jam dari hari H-4
sampai hari H selama tahun 2005 sampai dengan 2009.
2. Data diolah dengan menggunakan metode Fuzzy Linear
Regression
(FLR)
dengan menggunakan Artificial Immune
System (AIS) via Clonal Selection Algorithm (CSA) untuk
optimisasi parameternya.
3. Data diprediksi berdasarkan hari libur nasional kemudian
dievaluasi terhadap realisasi data beban.
4. Hasil peramalan diolah menggunakan program MATLAB.
1. Data yang diambil adalah data dari PT. PLN (Persero), Area
Pengatur dan Penyalur Beban (AP2B) Kalimantan
Selatan-Tengah, yaitu data beban harian tiap satu jam dari hari H-4
sampai hari H selama tahun 2005 sampai dengan 2009.
2. Data diolah dengan menggunakan metode Fuzzy Linear
Regression
(FLR)
dengan menggunakan Artificial Immune
System (AIS) via Clonal Selection Algorithm (CSA) untuk
optimisasi parameternya.
3. Data diprediksi berdasarkan hari libur nasional kemudian
dievaluasi terhadap realisasi data beban.
FLR-AIS
Fuzzy linear Regression
(FLR)
Fuzzy linear Regression
(FLR)
FLR-AIS
Peramalan beban
Artificial Immune System
(AIS)
Artificial Immune System
(AIS)
FLR-AIS
FLR-AIS
Optimisasi
Parameter Fuzzy
KAJIAN TEORI
FLR-AIS
Start Input Data Beban Puncak
Bentuk Bilangan –bilangan Fuzzy Segitiga :
Xi: (xi, i) dan Yi: (yi, ei)
Dapatkan Nilai Optimum dari :
A0: (a0,0) dan A1: (a1,1) Dengan Metode AIS (CSA)
Yi = A0 (A1 Xi)
A
Bentuk Bilangan –bilangan Fuzzy Segitiga : Xi: (xi, i) dan Yi: (yi, ei) M m m m m xi 4 4 3 2 1 4 ) ( ) ( ) ( ) (1 2 2 2 3 2 4 2 i M m i M m i M m i M m i x x x x 2 5 dan e ( 5 y) M m yi i mM i Peramalan Beban Error Stop A
FUZZY LINEAR REGRESSION (FLR)
REGRESI LINEAR
REGRESI LINEAR
FUZZY (FLR)
3.5
4
4.5
Series 1
.
0.8
1
Series 1
.
0
0.5
1
1.5
2
2.5
3
3.5
x1
x2
x3
x4
x5
Series 1
.
.
.
.
.
.
.
.
0
0.2
0.4
0.6
0.8
x1 x2 x3 x4 x5
Series 1
.
.
.
.
.
.
.
.
FUZZY LINEAR REGRESSION (FLR)
•
Gambar Keanggotaan dari Koefisien Fuzzy :
KAJIAN TEORI
~ A 1.0 0 pi a ~ i A ci ci 1 ~ ebaliknya|
|
1
( )
0
i i i i i i i A i i s
p a
p c x p c
a
c
•
Gambar Keanggotaan dari Koefisien Fuzzy :
~ A 1.0 0 pi a ~ i A ci ci 1 ~ ebaliknya
|
|
1
( )
0
i i i i i i i A i i s
p a
p c x p c
a
c
Y = A
0
+ A
1
x
FUZZY LINEAR REGRESSION (FLR)
Fungsi objektif :
m j n ic
ix
ijO
1 1min
n i1pixij
n i 1cixij
n i1cixijFungsi output fuzzy
Batasan-batasan :
n i n i i ij ij i jp
x
h
c
x
y
1(
1
)
1
n
i
n
i
i
ij
ij
i
j
p
x
h
c
x
y
1
(
1
)
1
FUZZY LINEAR REGRESSION (FLR)
Konsep Peramalan Beban dengan FLR :
Bentuk Bilangan – bilangan Fuzzy Segitiga :
X
i: (x
i,
i) dan Y
i: (y
i, e
i)
Nilai optimal :
A
0: (a
0,
0) dan A
1: (a
1,
1)
Dengan Metode Pemrograman Linier :
Y
i=
= ( a
0+ a
1x
i, max (
0, |a
1|
i,
1|x
i|) )
KAJIAN TEORI
Konsep Peramalan Beban dengan FLR :
Bentuk Bilangan – bilangan Fuzzy Segitiga :
X
i: (x
i,
i) dan Y
i: (y
i, e
i)
Nilai optimal :
A
0: (a
0,
0) dan A
1: (a
1,
1)
Dengan Metode Pemrograman Linier :
Y
i=
FUZZY LINEAR REGRESSION (FLR)
•
Prediksi maksimum beban puncak pada hari
libur :
P
*
Max
= Y
4
x P
WD
Max
•
Error dari peramalan :
•
Prediksi maksimum beban puncak pada hari
libur :
P
*
Max
= Y
4
x P
WD
Max
Keterangan :
•
X
i: (x
i,
i)
= Anggota rata-rata dan simpangan baku dari
beban puncak harian untuk 4 hari sebelum hari
libur.
•
Y
i: (y
i, e
i)
= Informasi saat hari libur, menyatakan rata-rata
dan simpangan baku dari beban puncak saat
hari libur.
•
m1,m2,m3,m4
= beban puncak harian untuk 4 hari
sebelum hari libur
•
M
= beban paling besar diantara 4 nilai-nilai dari beban
puncak harian
•
m5 = beban puncak dari hari libur
•
P
WDMax
= beban maksimum dari empat hari sebelum
hari hari libur.
•
P*
Max= ramalan beban maksimum hari libur.
•
Jika X
4menjadi masukan data fuzzy untuk beban maksimum dari
4 hari sebelum hari libur , maka Y
4= nilai perkiraan.
Keterangan :
•
X
i: (x
i,
i)
= Anggota rata-rata dan simpangan baku dari
beban puncak harian untuk 4 hari sebelum hari
libur.
•
Y
i: (y
i, e
i)
= Informasi saat hari libur, menyatakan rata-rata
dan simpangan baku dari beban puncak saat
hari libur.
•
m1,m2,m3,m4
= beban puncak harian untuk 4 hari
sebelum hari libur
•
M
= beban paling besar diantara 4 nilai-nilai dari beban
puncak harian
•
m5 = beban puncak dari hari libur
•
P
WDMax
= beban maksimum dari empat hari sebelum
hari hari libur.
•
P*
Max= ramalan beban maksimum hari libur.
•
Jika X
4menjadi masukan data fuzzy untuk beban maksimum dari
ARTIFICIAL IMMUNE SYSTEM (AIS)
Clonal Selection :
Clonal selection adalah proses
yang digunakan oleh sistem
kekebalan
untuk
memilih
antibodi
yang
dapat
mengenali antigen.
Antigen Seleksi Berkembangbiak (Cloning) Pembedaan respon Plasma Cells Memory Cells M M Populasi AntibodyClonal Selection :
Clonal selection adalah proses
yang digunakan oleh sistem
kekebalan
untuk
memilih
antibodi
yang
dapat
mengenali antigen.
Antigen Seleksi Berkembangbiak (Cloning) Pembedaan respon Plasma Cells Memory Cells M M Populasi Antibody1. Pengkodean Input Antigen
Berupa 4 parameter fuzzy :
a
0,
0,
a
1,
12. Inisialisasi Populasi Antibodi
Pengkodean : real - number encoding
Ukuran populasi antibodi : 40
Immune=Rb + (Ra - Rb)* rand (Num_Ab,Cell)
3. Perhitungan Affinity
Evaluasi bagus atau jeleknya antibodi sesuai affinity.
KAJIAN TEORI
ARTIFICIAL IMMUNE SYSTEM (AIS)
1. Pengkodean Input Antigen
Berupa 4 parameter fuzzy :
a
0,
0,
a
1,
12. Inisialisasi Populasi Antibodi
Pengkodean : real - number encoding
Ukuran populasi antibodi : 40
Immune=Rb + (Ra - Rb)* rand (Num_Ab,Cell)
3. Perhitungan Affinity
Evaluasi bagus atau jeleknya antibodi sesuai affinity.
|
( )
( ) |
(%)
100%
( )
Forecast Actual Actualp
t
P
t
Error
x
P
t
4.
Kloning
•
Diambil 12 % (p
c= 0.12) antibodi terbaik (sekitar 5 antibodi).
•
Dikloning 8x tiap kandidat.
ARTIFICIAL IMMUNE SYSTEM (AIS)
0.7022 4.9063 8.6436 3.9986
.
.
.
.
1.7325 4.0960 9.0055 4.5018
4.8452 0.8142 7.9604 18.4807
0.8499 5.8127 12.3911 14.8026
0.5881 6.4059 18.9210 1.7870
0.7022 4.9063 8.6436 3.9986
.
.
.
.
1.7325 4.0960 9.0055 4.5018
4.8452 0.8142 7.9604 18.4807
0.8499 5.8127 12.3911 14.8026
0.5881 6.4059 18.9210 1.7870
8x
5. Hypermutasi
Affinity bagus=peluang mutasi kecil, dan sebaliknya.
6. Seleksi Ulang
Populasi antibodi setelah proses hypermutasi akan diurutkan
kembali berdasarkan nilai affinity.
ARTIFICIAL IMMUNE SYSTEM (AIS)
KAJIAN TEORI
5. Hypermutasi
Affinity bagus=peluang mutasi kecil, dan sebaliknya.
6. Seleksi Ulang
Populasi antibodi setelah proses hypermutasi akan diurutkan
kembali berdasarkan nilai affinity.
Input Data Beban Puncak
Bentuk Bilangan –bilangan Fuzzy Segitiga :
Xi: (xi, i) dan Yi: (yi, ei) M m m m m xi 4 4 3 2 1 4 ) ( ) ( ) ( ) (1 2 2 2 3 2 4 2 i M m i M m i M m i M m i x x x x 2 5 dan e ( 5 y) M m y mM i i i A Max Iterasi Kloning Hypermutasi Populasi antibodi solusi terbaik
Beban Puncak Hari Libur Diestimasi Oleh :
P* Max= Y4 x PWDMax Tidak Ya 2 5 dan e ( 5 y) M m y mM i i i
Dapatkan Nilai Optimum dari :
A0: (a0,0) dan A1: (a1,1)
Dengan Metode pemrograman Linear :
Yi = A0 (A1 Xi)
Inisialisasi awal dari populasi antibodi
A
Seleksi Ulang
Beban Puncak Hari Libur Diestimasi Oleh :
P* Max= Y4 x PWDMax Error Stop
Flowchart FLR-AIS
HASIL DAN PEMBAHASAN
•
Optimisasi dilakukan untuk mencari nilai
optimum dari 4 parameter fuzzy, yaitu parameter
a
0
,
0
dan a
1,
1
•
Simulasi :
1. 3 tahun sebelumnya
2. 2 tahun sebelumnya
•
Pengambilan data :
1. Data Training
2. Data Testing
•
Optimisasi dilakukan untuk mencari nilai
optimum dari 4 parameter fuzzy, yaitu parameter
a
0
,
0
dan a
1,
1
•
Simulasi :
1. 3 tahun sebelumnya
2. 2 tahun sebelumnya
•
Pengambilan data :
1. Data Training
2. Data Testing
No. Nama 2009 Error (%) Error (%) FLR-Simpek FLR-AIS 1 Idul Adha 5.80 1.56 5.80 7.56 2 Muharam 5.79 3.82 5.88 1.65 3 Maulid Nabi 6.22 1.67 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Grafik Konvergensi Artificial Immune System
Iterasi er ro r Data training : 2006-2008 Data testing : 2009
Gambar 1. Grafik Konvergensi Nyepi
4 Isra' Mi'raj 5.88 7.21 5 Idul Fitri 6.22 1.85 6 Tahun Baru 6.23 5.60 7 Proklamasi 6.17 3.28 8 Wafat 5.79 3.31 9 Kenaikan 6.58 7.39 10 Natal 6.23 2.89 11 Imlek 5.81 2.12 12 Waisak 5.78 4.41 13 Nyepi 6.70 0.83 Tertinggi 6.70 7.56 Terendah 5.78 0.83 Error Rata-rata 6.06 3.68
210.00
260.00
FLR-AIS (MW) Realisasi (MW)Tabel 1. Perbandingan error
Gambar 1. Grafik Konvergensi Nyepi
HASIL DAN PEMBAHASAN
No. Nama 2008 Error (%) Error (%) FLR-Simpek FLR-AIS 1 Idul Adha 6.89 5.53 1.62 0.52 2 Muharam 5.47 4.30 5.93 4.72 3 Maulid Nabi 2.03 1.97 Isra' Mi'raj 3.41 2.27 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16Grafik Konvergensi Artificial Immune System
Iterasi er ro r Data training : 2005-2007 Data testing : 2008 4 Isra' Mi'raj 3.41 2.27 5 Idul Fitri 4.57 4.26 6 Tahun Baru 8.99 8.57 7 Proklamasi 8.04 7.97 8 Wafat 1.15 0.08 9 Kenaikan 5.36 4.68 10 Natal 5.23 4.79 11 Imlek 1.87 0.16 12 Waisak 2.68 2.01 13 Nyepi 7.89 7.71 Tertinggi 8.99 8.57 Terendah 1.15 0.08 Error Rata-rata 4.74 3.97 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16
Grafik Konvergensi Artificial Immune System
Iterasi er ro r
175.00
225.00
275.00
Idul Adha Muhar am Maulid Nabi Isr a' Mi'r aj Idul Fitri Tahun Baru Pr oklamasi W af at K enaik an Natal Imlek W aisak Nyepi FLR-AIS (MW) Realisasi (MW)Tabel 2. Perbandingan error
Gambar 3. Grafik Konvergensi Wafat YK
No. Nama 2009 Error (%) Error (%) FLR-Simpek FLR-AIS 1 Idul Adha 6.98 5.37 2 Muharam 6.04 5.02 5.19 0.19 3 Maulid Nabi 7.84 1.55 4 Isra' Mi'raj 6.39 8.66 0 2 4 6 8 10 12 14 16 18 20 0 5 10 15 20 25 Iterasi e rr o r Data training : 2007-2008 Data testing : 2009 4 Isra' Mi'raj 6.39 8.66 5 Idul Fitri 4.15 1.69 6 Tahun Baru 5.96 5.94 7 Proklamasi 6.10 7.46 8 Wafat 7.42 2.91 9 Kenaikan 5.07 2.05 10 Natal 5.95 3.57 11 Imlek 6.90 2.97 12 Waisak 9.03 4.52 13 Nyepi 6.61 1.07 Tertinggi 9.03 8.66 Terendah 4.15 0.19 Error Rata-rata 6.40 3.78 0 2 4 6 8 10 12 14 16 18 20 0 5 10 15 20 25 Iterasi e rr o r
200.00
250.00
Idul Adha Muhar am Maulid Nabi Isr a' Mi'r aj Idul Fitri Tahun Baru Pr oklamasi W af at K enaik an Natal Imlek W aisak Nyepi FLR-AIS (MW) Realisasi (MW)Tabel 3. Perbandingan error
Gambar 5. Grafik Konvergensi Muharam
HASIL DAN PEMBAHASAN
No. Nama 2008 Error (%) Error (%) FLR-Simpek FLR-AIS 1 Idul Adha 4.62 5.60 4.62 1.33 2 Muharam 4.43 1.54 12.25 9.64 3 Maulid Nabi 4.43 0.09 4 Isra' Mi'raj 5.98 3.41 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20Grafik Konvergensi Artificial Immune System
Iterasi e rr o r Data training : 2006-2007 Data testing : 2008 4 Isra' Mi'raj 5.98 3.41 5 Idul Fitri 1.99 0.09 6 Tahun Baru 2.38 0.07 7 Proklamasi 12.98 4.85 8 Wafat 2.01 2.19 9 Kenaikan 4.51 0.77 10 Natal 4.01 1.49 11 Imlek 2.01 1.07 12 Waisak 3.10 1.23 13 Nyepi 9.83 4.02 Tertinggi 12.98 9.64 Terendah 1.99 0.07 Error Rata-rata 5.28 2.49 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Grafik Konvergensi Artificial Immune System
Iterasi e rr o r
150.00
200.00
250.00
FLR-AIS (MW) Realisasi (MW)Gambar 8. Kurva Hasil Ramalan dan Data Real Gambar 7. Grafik Konvergensi Tahun Baru
No. Nama 2007 Error (%) Error (%) FLR-Simpek FLR-AIS 1 Idul Adha 4.74 2.34 4.74 2.34 2 Muharam 5.26 0.01 3 Maulid Nabi 4.74 3.27 4 Isra' Mi'raj 5.06 0.09 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 Iterasi er ro r Data training : 2005-2006 Data testing : 2007
Gambar 9. Grafik Konvergensi Muharam 5.06 0.09 5 Idul Fitri 5.17 2.92 6 Tahun Baru 5.26 8.57 7 Proklamasi 5.48 4.33 8 Wafat 5.17 0.44 9 Kenaikan 5.11 6.34 10 Natal 9.73 3.77 11 Imlek 5.51 0.29 12 Waisak 5.89 0.31 13 Nyepi 5.27 2.48 Tertinggi 9.73 8.57 Terendah 4.74 0.01 Error Rata-rata 5.72 5.51
190.00
240.00
Idul Adha Muhar am Maulid Nabi Isr a' Mi'r aj Idul Fitri Tahun Baru Pr oklamasi W af at K enaik an Natal Imlek W aisak Nyepi FLR-AIS (MW) Realisasi (MW)Tabel 5. Perbandingan error
Gambar 9. Grafik Konvergensi Muharam
HASIL DAN PEMBAHASAN
300.00
Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi Beban
Periode 2006-2009.
200.00 250.00 FLR-AIS (MW) Realisasi (MW) FLR-Simplek (MW)Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi Beban
Periode 2005-2008.
275.00 175.00 225.00 FLR-AIS (MW) Realisasi (MW) FLR-Simplek (MW)HASIL DAN PEMBAHASAN
Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi Beban
Periode 2007-2009.
300.00 200.00 250.00 FLR-AIS (MW) Realisasi (MW) FLR-Simplek (MW)Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi Beban
Periode 2006-2008.
250.00 300.00 150.00 200.00 FLR-AIS (MW) Realisasi (MW) FLR-Simplek (MW)HASIL DAN PEMBAHASAN
Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi Beban
Periode 2005-2007.
275.00 175.00 225.00 FLR-AIS (MW) Realisasi (MW) FLR-Simplek (MW) AIS cocok digunakan sebagai metode optimisasi peramalan
beban karena menghasilkan error minimum.
Kelebihan metode AIS dalam optimisasi adalah proses
pencariannya yang secara global pada proses training-nya.
Peramalan dengan metode simplek, diperoleh rata-rata
error sebesar 5.64% (Sistem KalSel-Teng).
Peramalan dengan metode FLR-AIS (CSA), diperoleh
rata-rata error sebesar 3.89% (Sistem KalSel-Teng).
KESIMPULAN
AIS cocok digunakan sebagai metode optimisasi peramalan
beban karena menghasilkan error minimum.
Kelebihan metode AIS dalam optimisasi adalah proses
pencariannya yang secara global pada proses training-nya.
Peramalan dengan metode simplek, diperoleh rata-rata
error sebesar 5.64% (Sistem KalSel-Teng).
Peramalan dengan metode FLR-AIS (CSA), diperoleh
rata-rata error sebesar 3.89% (Sistem KalSel-Teng).
SARAN
Dapat dikembangkan dengan metode lain, seperti FLR-PSO atau
SVR-AIS.
DAFTAR
PUSTAKA
[1] H. Tanaka, S. Uejima, and K. Asai,”Linear regression analysis with fuzzy model,” IEEE Trans. Syst. Man Cybern., vol.12, pp.1291-1294, Dec, 1982.
[2] H. Tanaka and J. Watada,”Possibilistic linear systems and their application to linear regression model,” Fuzzy Sets and Syst., vol.27, pp.275-289, 1988.
[3] J. Nazarko and W. Zalewski,” The fuzzy regression approach to peak load estimation in power distribution systems,” IEEE Trans. Power Syst., vol. 14, pp.809-814, Aug, 1999.
[4] _____,”An application of the fuzzy regression analysis to the electrical load estimation,” in Proc. 8th Mediterranean Electrotechnical Conf. MELECON’96—Industrial Application in Power System , Computer Science and telecommunications, Bari, Italy, May 1996, pp.1563-1566.
[5] Kyung-Bin Song et al, “Short-term load forecasting for the holidays Using Fuzzy Linear Regression Method,” IEEE Trans. Power Syst., vol. 20, pp.96-101, Feb, 2005.
[6] Timothy J Ross, “Fuzzy Logic with Engineering Appications”, McGraw-Hill, Singapore, 1997
[7] D. H. Hong et al.,”Fuzzy linear regression analysis for fuzzy input-output data using shape preserving operations,” Fuzzy Sets and Syst., vol.122, pp.513-526, Sept. 2001.
[8] Agus Dharma, Mauridhi Hery P, Imam Robandi,.“Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Menggunakan Metode Fuzzy Linear Regression (Study Kasus di Pulau Bali)”, Seminar Teknik Elektro Universitas Negeri Surabaya, 2006. [9] De Castro, L. N. and Von Zuben, F. J, “Artificial Immune System: Part I – Basic Theory and Applications”, Technical Report
– RT DCA 01/99. 1999.
[10] Tonegawa, S. (1983), “Somatic Generation of Antibody Diversity”, Nature, 302, pp. 575-581.
[11] Tonegawa, S. (1985), “The Molecules of the Immune System”, Scientific American, 253(4), pp. 104-113.
[12] Janeway Jr, C. A. & P. Travers (1997), “Immunobiology The Immune System in Health and Disease”, Artes Médicas (in Portuguese), 2nd Ed.
[13] Perelson, A. S. & Weisbuch, G. (1997), “Immunology for Physicists”, Rev. of Modern Physics, 69(4), pp. 1219-1267.
[14] De Castro, L. N. and Von Zuben, F. J, “Learning and Optimization Using the Clonal Selection Principle’, IEEE Transaction on Evolutionary Computation, Vol.6, No. 3, pp. 239-251, 2002.
[1] H. Tanaka, S. Uejima, and K. Asai,”Linear regression analysis with fuzzy model,” IEEE Trans. Syst. Man Cybern., vol.12, pp.1291-1294, Dec, 1982.
[2] H. Tanaka and J. Watada,”Possibilistic linear systems and their application to linear regression model,” Fuzzy Sets and Syst., vol.27, pp.275-289, 1988.
[3] J. Nazarko and W. Zalewski,” The fuzzy regression approach to peak load estimation in power distribution systems,” IEEE Trans. Power Syst., vol. 14, pp.809-814, Aug, 1999.
[4] _____,”An application of the fuzzy regression analysis to the electrical load estimation,” in Proc. 8th Mediterranean Electrotechnical Conf. MELECON’96—Industrial Application in Power System , Computer Science and telecommunications, Bari, Italy, May 1996, pp.1563-1566.
[5] Kyung-Bin Song et al, “Short-term load forecasting for the holidays Using Fuzzy Linear Regression Method,” IEEE Trans. Power Syst., vol. 20, pp.96-101, Feb, 2005.
[6] Timothy J Ross, “Fuzzy Logic with Engineering Appications”, McGraw-Hill, Singapore, 1997
[7] D. H. Hong et al.,”Fuzzy linear regression analysis for fuzzy input-output data using shape preserving operations,” Fuzzy Sets and Syst., vol.122, pp.513-526, Sept. 2001.
[8] Agus Dharma, Mauridhi Hery P, Imam Robandi,.“Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Menggunakan Metode Fuzzy Linear Regression (Study Kasus di Pulau Bali)”, Seminar Teknik Elektro Universitas Negeri Surabaya, 2006. [9] De Castro, L. N. and Von Zuben, F. J, “Artificial Immune System: Part I – Basic Theory and Applications”, Technical Report
– RT DCA 01/99. 1999.
[10] Tonegawa, S. (1983), “Somatic Generation of Antibody Diversity”, Nature, 302, pp. 575-581.
[11] Tonegawa, S. (1985), “The Molecules of the Immune System”, Scientific American, 253(4), pp. 104-113.
[12] Janeway Jr, C. A. & P. Travers (1997), “Immunobiology The Immune System in Health and Disease”, Artes Médicas (in Portuguese), 2nd Ed.
[13] Perelson, A. S. & Weisbuch, G. (1997), “Immunology for Physicists”, Rev. of Modern Physics, 69(4), pp. 1219-1267.
[14] De Castro, L. N. and Von Zuben, F. J, “Learning and Optimization Using the Clonal Selection Principle’, IEEE Transaction on Evolutionary Computation, Vol.6, No. 3, pp. 239-251, 2002.