PREDIKSI PEMAKAIAN BEBAN DAYA LISTRIK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
SKRIPSI
DEDEK ANSHORI 091402127
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2014
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
MEDAN 2014
i
PERSETUJUAN
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,
Muhammad Anggia Muchtar S.T.MM.IT NIP 19800110 200801 1 010
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
DEDEK ANSHORI 091402127
III
UCAPAN TERIMA KASIH
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.
Akhir kata, penulis memohon maaf bila dalam penulisan tugas akhir ini terdapat beberapa kesalahan, oleh karena itu penulis sangat mengharapkan adanya masukan - masukan yang membangun dan semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.
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%.
Kata Kunci— adaptive neuro fuzzy inference system, neural network, beban daya listrik
V
PREDICTION ELECTRIC POWER LOAD CONSUMPTION METHOD OF 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%.
Keyword: adaptive neuro fuzzy inference system, neuro fuzzy, neural network, fuzzy inference system, prediction, electric power load, PT.PLN P3B UPB North Sumatera.
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
VII
2.6. Jaringan Saraf Tiruan ... 15
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
IX
DAFTAR GAMBAR
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
