14
BAB III
PERANCANGAN SISTEM
3.1. Pengerjaan Tugas Akhir
Dalam tugas akhir ini peneliti melakukan monitoring beban puncak dengan menerapkan algoritma Artificial Neural Network pada data historis beban puncak milik PT.PLN di wilayah Makassar. Untuk metode yang digunakan dalam monitoring beban puncak wilayah makassar ialah menggunakan metode Artificial Neural Network yang menggunakan pembelajaran backpropagation.
Artificial Neural Network (ANN) dengan pembelajaran backpropagation merupakan metode yang dapat menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi yang bervariasi dan faktor-faktor lainnya, serta dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi.
Sebelum melakukan monitoring beban puncak, yakni pertama menentukan arsitektur backpropagation yang akan digunakan dalam penelitian dengan cara, data variabel input dan variabel target diklasifikasi dan kemudian di lakukan proses pelatihan (training) jaringan dengan menggunakan algoritma backpropagation dengan variabel yang telah ditentukan sebelumnya.
3.2 Karakteristik Kelistrikan PLN SULSELRABAR
Makassar merupakan kota metropolitan terbesar di kawasan Indonesia Timur. Makassar terletak di pesisir barat daya Pulau Sulawesi dan berbatasan dengan Selat Makassar di sebelah barat, Kabupaten Kepulauan Pangkajene di sebelah utara, Kabupaten Maros di sebelah timur dan Kabupaten Gowa di sebelah selatan.
Berikut gambar singe line diagram dari sistem kelistrikan wilayah SULSELRABAR yang mencakup wilayah Makassar. [6]
15
11 10 12
16
15 14
13
G1 G2
G4 G5 G3
G7 G6
G8 G9 G10
1 3 2
5 4 6
8 7 9
17
18 19 20
21
22 23 24
26 25
28 27 30 29
32 31 34 33
35
36
PLTA BAKARU PLTA Teppo
PLTD Pare
PLTD Suppa PLTU Barru
PLTD Tello PLTD
Agreko
PLTD
Sungguminasa PLTD Arena PLTD Mateko
G11 PLTA Tmanipi
PLTGU Sengkang G13 G12
PLTD Pjlsang
G14 PLTD Palopo G15 PLTD Malea PLTA Bili
G16
37
Gambar 3.1 Single Line Diagram PT. PLN Sulselrabar
Berikut ialah penomoran bus sistem pada single line diagram PT. PLN Sulselrabar Tabel 3.1 Sistem Penomoran Sistem Bus Sulselrabar
Bus Nama Bus
Tegangan
(kV) Bus Nama Bus
Tegangan (kV)
1 Bakaru 150 20 Borongloe 70
2 Polmas 150 21 Daya 70
3 Pinrang 150 22 Sidrap 150
4 Pare - Pare 150 23 Makale 150
5 Barru 150 24 Palopo 150
6 Pangkep 150 25 Sengkang 150
7 Bosowa 150 26 Soppeng 150
8 Tello 150 27 Bone 150
9 Tello Lama 150 28 Sinjai 150
10 Mamuju 150 29 Bulukumba 150
11 Majene 150 30 Jeneponto 150
12 Suppa 150 31 TIP 30
16
13 Pangkep II 70 32 Talasa 150
14 Tonasa 70 33 Sungguminasa 150
15 Mandai 70 34 TanjungBunga 150
16 Tello A 30 35 Tello Lama II 70
17 Tello B 30 36 Bontoala 70
18 Panakukkang 150 37 Marros 150
19 Barawaja 30
3.3
Monitoring Beban Menggunakan metode ANN BackpropagationMonitoring / prediksi beban puncak dengan backpropagation neural network digunakan langkah-langkah sebagai berikut :
3.3.1 Pengumpulan Data
Data yang digunakan pada penelitian ini ialah menggunakan data beban puncak historis tahun 2016 wilayah makassar yang merupakan data sekunder milik PT.PLN Sulselrabar yang di dapat dari penelitian sebelumnya yang menggunakan metode perhitungan GJR-GARCH.
3.3.2 Data Masukan
Data Masukan ialah data yang digunakan untuk melakukan pelatihan jaringan ANN dan data masukan yakni data PT.PLN yang telah diklasifikasi menjadi 3 bagian yakni data input, data pelatihan, dan data pengujian.
3.3.3 Klasifikasi data
Klasifikasi data ialah membagi data menjadi 3 bagian yakni yang pertama sebagai data pelatihan, data target pelatihan dan data pengujian jaringan. Data beban puncak pada bulan Januari – Juli akan digunakan sebagai data pelatihan selama perancangan JST sedangkan data bulan September - Desember digunakan sebagai data pengujian.
3.3.4 Data Target
Data target pelatihan ialah data target/acuan terhadap hasil permalan beban puncak, data target digunakan pula untuk mendapatkan nilai error MSE untuk mengindikasikan bahwa hasil peramalan bernilai akurat atau tidaknya.
3.3.5 Normalisasi Data
17 Sebelum data di masukkan pada ANN untuk melakukan perancangan model jaringan, data masukan tersebut di normalisasikan terlebih dahulu. Normalisasi data ditujukan agar data mencapai jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, 1] karena dalam prediksi beban puncak, nilai beban selalu bernilai positif. Untuk melakukan normalisasi maka digunakanlah persamaan 3.1
𝑋′= 0.8(𝑋−𝑎)
(𝑏−𝑎) + 0.1 (3.1)
dimana :
X’ = Data Normalisasi X = Data Aktual
a = Data Aktual Minimum b = Data Aktual Maksimum 3.3.6 Pelatihan Jaringan
Setelah dilakukannya normalisasi data selanjutnya yaitu tahap pelatihan jaringan menggunakan algoritma backpropagation. Pelatihan jaringan dilakukan menggunakan software Matlab R2017b. Pada saat proses pelatihan, nilai learning rate bersifat adaptive yang berubah-ubah selama proses pelatihan. Proses pelatihan jaringan akan berhenti jika iterasi telah mencapai batas maksimum yang ditentukan yaitu 1000 iterasi, atau pelatihan akan berhenti jika target error yang ditentukan telah tercapai.
Tahapan pelatihan jaringan akan dilakukan sebanyak lima atau enam kali.
Pada setiap pelatihan jumlah neuron pada lapisan tersembunyi divariasikan pada rentang 5,10, dan 14 neuron.
3.3.7 Pengujian Jaringan
Pengujian ditujukan untuk menguji parameter backpropagation yang meliputi pengujian jumlah neuron input dan neuron hidden, jumlah learning rate (alpha), jumlah data training dan juga jumlah iterasi. Dengan cara mengukur nilai error yang keluar pada nilai output menggunakan rumus perhitungan MSE pada persamaan 3.2
𝑀𝑆𝐸 =
1𝑛
∑
𝑛𝑡=1(𝑦𝑡 − 𝑦
′𝑡)
2 (3.2)18 dimana,
n = jumlah data yang di uji yt = nilai observasi hasil prediksi y’t = nilai observasi aktual 3.3.8 Denormalisasi Data
Setelah data diuji dan dihitung menggunakan MSE selanjutnya data – data hasil prediksi yang masih dengan bentuk angka interval [0,1] maka selanjutnya dilakukan denormalisasi untuk mengembalikan bentuk angka kedalam bentuk bilangan real dengan menggunakan fungsi berikut. [7]
𝑋 =
(𝑋′−0.1)(𝑏−𝑎)0.8
+ 𝑎
(3.3)dimana :
X’ = Data Normalisasi X = Data Aktual
a = Data Aktual Minimum b = Data Aktual Maksimum
3.3 Data Monitoring Beban Puncak
Jenis data yang digunakan dalam monitoring beban yaitu beban puncak wilayah makassar dengan menggunakan data sekunder milik PT. PLN Sulselrabar (Sulawesi Selatan Tenggara dan Barat) pada periode Januari sampai pada Desember 2016 dalam satuan Megawat Watt (MW) yang diperoleh dari penelitian sebelumnya yaitu analisis perkiraan beban puncak energi listrik menggunakan model gjr- garch(Nurzarina,2018). Data beban puncak periode Januari sampai dengan Desember dapat dilihat pada tabel 3.2
Tabel 3.2 Data Real Beban Puncak Januari – Juni 2016 Hari JAN
(MW)
FEB (MW)
MAR (MW)
APR (MW)
MEI (MW)
JUNI (MW) 1 808,74 952,06 951,57 921,65 919,6 753,14 2 854,86 925,59 934,13 904,4 962,23 935,41
19 3 863,09 880,39 935,1 859,98 983,98 935,28 4 911,12 882,64 900,46 886,1 930,88 897,27 5 946,02 809,25 897,12 919,49 940,47 895,64 6 949,29 920,07 898,31 947,01 896,22 925,88 7 929,87 923,97 964,61 934,75 929,63 944,8 8 948,2 929,43 972,85 923,25 919,25 967,67 9 888,71 959,58 898,09 855,91 931,95 965,05 10 867,63 948,42 916,93 862,19 942,28 944,89 11 908,14 901,86 958,37 921,25 962,9 928,18 12 912,53 888,61 943,39 907,91 996,03 895,08 13 929,5 917,13 890,78 946,63 985,23 928,49 14 935,25 901,47 924,98 924,83 971,86 890,19 15 905,54 958,32 902,63 916,16 924,43 922,96 16 893,77 934,54 912,61 868,93 962,32 905,03 17 895,69 894,61 908,93 871,96 964,35 914,36 18 934,84 921,82 934,54 929,04 961,01 891,62 19 802,42 914,65 927,41 926,12 908,5 875,58 20 857,31 902,2 920,64 916,6 933,94 879,77 21 855,49 890,94 932,7 907,77 924,56 900,01 22 848,88 894,08 954,2 900,59 934,44 933,97 23 883,56 904,94 954,2 917,85 820,91 907,22 24 861,57 909,78 895,26 897,9 962,4 908,44 25 907,37 916,49 875,34 920,9 969,61 868,29 26 913,79 866,97 886,27 939,17 944,25 880,54 27 971,97 870,88 861,53 879,79 918,45 931,37 28 964,6 901,5 976,89 897,71 903,67 933,76 29 959,44 949,06 920,74 911,87 889,17 901,47 30 913,11 915,18 932,82 934,73 958,32
31 902,8 899,78 963,96 934,54
Tabel 3.3 Data Real beban puncak periode Juli – Desember 2016
20 Hari JULI
(MW)
AGUS (MW)
SEPT (MW)
OKTO (MW)
NOV (MW)
DES (MW) 1 936,34 936,34 1.074,71 956,31 1.028,41 1.023,20 2 965,49 965,49 1.045,77 993,4 1.052,30 998,45 3 938,89 938,89 1.006,49 1.050,12 1.065,73 971,41 4 946,15 946,15 1.006,49 1.029,40 1.060,94 980,43 5 931,72 931,72 1.037,80 1.002,53 1.046,59 988,82 6 920,95 920,95 1.049,35 1.037,14 996,46 1.035,33 7 907,61 907,61 1.047,53 1.018,33 1.021,54 1.053,12 8 961,87 961,87 1.044,38 964,39 1.094,61 1.069,65 9 964,18 964,18 1.046,57 959,9 1.015,22 1.005,22 10 832,82 979,9 1.029,34 1.030,55 1.047,13 963,42 11 898,76 974,51 973,73 988,67 1.064,51 867,74 12 935,41 940,72 913,14 1.031,99 1.060,93 912,29 13 930,96 926,39 947,43 1.029,91 1.006,21 965,6 14 913,86 913,14 1.002,43 1.070,27 1.011,88 947,67 15 903,6 971,58 1.018,74 1.027,04 1.006,95 936,82 16 881,25 974,54 1.021,48 1.011,33 1.054,35 991,48 17 864,76 943,55 1.002,23 1.057,82 1.047,19 982,89 18 901,44 990,88 976,7 1.080,42 1.026,70 980,82 19 921,3 940,22 996,32 1.037,83 1.006,25 1.015,74 20 906,75 924,17 1.033,10 1.048,87 1.061,12 972,31 21 900,73 961 1.032,67 994,54 988,32 978,61 22 933,37 1.009,52 1.002,61 958,88 964,16 981,69 23 909,73 1.054,84 960,75 954,69 1.003,24 1.010,24 24 882,84 1.065,29 889,85 972,54 1.064,50 978,78 25 917,26 1.050,29 954,71 1.010,28 1.004,90 923,85 26 919,28 1.006,89 1.044,85 1.007,34 1.009,89 936,22 27 931,37 995,07 1.088,89 1.022,78 1.018,07 1.007,40 28 933,76 984,68 1.024,39 986,43 1.067,80 978,72 29 941,69 1.038,49 995,63 1.015,38 1.054,35 988,96
21 30 915,97 1.033,20 1.034,00 1.014,51 1.048,16 988,44
31 893 1.069,61 1.045,47 956,7
Agar data dapat diolah didalam ANN maka data – data tersebut harus diubah terlebih dahulu kedalam bilangan dengan range antara 0.1 hingga 1 agar tidak terdapat kesalahan saat dilakukan simulasi dengan ANN. Pada tabel 3.4 ditampilkan hasil dari normalisasi beban puncak wilayah Makassar tahun 2016.
Tabel 3.4 Data Normalisasi Beban Puncak Wilayah Makassar
Hari Jan Feb Mar Apr Mei Jun
1 0.23026 0.56603 0.56488 0.49479 0.48998 0.1 2 0.33831 0.50402 0.52403 0.45437 0.58986 0.52702 3 0.35759 0.39812 0.5263 0.35031 0.64081 0.52672 4 0.47012 0.40339 0.44514 0.4115 0.51641 0.43767 5 0.55188 0.23146 0.43732 0.48973 0.53888 0.43385 6 0.55954 0.49109 0.44011 0.5542 0.43521 0.5047 7 0.51405 0.50022 0.59543 0.52548 0.51348 0.54902 8 0.55699 0.51301 0.61474 0.49854 0.48916 0.6026 9 0.41762 0.58365 0.43959 0.34077 0.51892 0.59647 10 0.36823 0.5575 0.48373 0.35548 0.54312 0.54923 11 0.46314 0.44842 0.58082 0.49385 0.59143 0.51009 12 0.47342 0.41738 0.54572 0.4626 0.66905 0.43254 13 0.51318 0.4842 0.42246 0.55331 0.64374 0.51081 14 0.52665 0.44751 0.50259 0.50224 0.61242 0.42108 15 0.45704 0.5807 0.45023 0.48193 0.5013 0.49786 16 0.42947 0.52499 0.47361 0.37127 0.59007 0.45585 17 0.43397 0.43144 0.46499 0.37837 0.59483 0.47771 18 0.52569 0.49519 0.52499 0.5121 0.587 0.42443 19 0.21545 0.47839 0.50828 0.50526 0.46398 0.38685 20 0.34405 0.44922 0.49242 0.48296 0.52358 0.39667 21 0.33979 0.42284 0.52068 0.46227 0.5016 0.44409
22 22 0.3243 0.4302 0.57105 0.44545 0.52475 0.52365
23 0.40555 0.45564 0.57105 0.48588 0.25877 0.46098 24 0.35403 0.46698 0.43296 0.43915 0.59026 0.46384 25 0.46133 0.4827 0.38629 0.49303 0.60715 0.36977 26 0.47637 0.36668 0.4119 0.53583 0.54773 0.39847 27 0.61268 0.5292 0.35394 0.39672 0.48729 0.51756 28 0.59541 0.44758 0.6242 0.4387 0.45266 0.52316 29 0.58332 0.559 0.49266 0.47187 0.41869 0.44751 30 0.47478 0.47963 0.52096 0.52543 0.5807 31 0.45063 0.44355 0.59391 0.52499
Tabel 3.5 Data Normalisasi Beban Puncak Juli-Des Hari Juli Agus Sept Okto Nov Des
1 0.5292 0.5292 0.85338 0.57599 0.74491 0.7327 2 0.5975 0.5975 0.78558 0.66288 0.80088 0.67472 3 0.53518 0.53518 0.69355 0.79577 0.83234 0.61137 4 0.55219 0.55219 0.69355 0.74723 0.82112 0.6325 5 0.51838 0.51838 0.7669 0.68427 0.7875 0.65215 6 0.49315 0.49315 0.79396 0.76536 0.67005 0.76112 7 0.46189 0.46189 0.7897 0.72129 0.72881 0.8028 8 0.58902 0.58902 0.78232 0.59492 0.9 0.84152 9 0.59443 0.59443 0.78745 0.5844 0.714 0.69058 10 0.28668 0.63126 0.74708 0.74992 0.78876 0.59265 11 0.44116 0.61863 0.6168 0.6518 0.82948 0.36849 12 0.52702 0.53946 0.47485 0.75329 0.82109 0.47286 13 0.5166 0.50589 0.55518 0.74842 0.6929 0.59775 14 0.47654 0.47485 0.68404 0.84298 0.70618 0.55575 15 0.4525 0.61176 0.72225 0.7417 0.69463 0.53033 16 0.40014 0.6187 0.72867 0.70489 0.80568 0.65839 17 0.3615 0.54609 0.68357 0.81381 0.7889 0.63826 18 0.44744 0.65698 0.62376 0.86676 0.7409 0.63341 19 0.49397 0.53829 0.66973 0.76698 0.69299 0.71522 20 0.45988 0.50069 0.75589 0.79284 0.82154 0.61347
23 21 0.44578 0.58698 0.75489 0.66555 0.65098 0.62823 22 0.52224 0.70065 0.68446 0.58201 0.59438 0.63545 23 0.46686 0.80683 0.58639 0.57219 0.68594 0.70234 24 0.40386 0.83131 0.42029 0.61401 0.82946 0.62863 25 0.4845 0.79617 0.57224 0.70243 0.68983 0.49994 26 0.48923 0.69449 0.78342 0.69554 0.70152 0.52892 27 0.51756 0.6668 0.8866 0.73172 0.72068 0.69568 28 0.52316 0.64245 0.73549 0.64655 0.83719 0.62849 29 0.54174 0.76852 0.66811 0.71438 0.80568 0.65248 30 0.48148 0.75613 0.758 0.71234 0.79118 0.65126 31 0.42767 0.84143 0.78487 0.5769 Dapat dilihat pada gambar 3.2 dibawah untuk nilai data real atau nyata yang digunakan dalam penelitian.
Gambar 3.2 Grafik Data Beban Aktual
Kemudian pada gambar 3.3 dapat dilihat untuk grafik daya nyata yang telah diubah kedalam bentuk nilai 0-1. Sebagai data masukan ke dalam ANN.
24 Gambar 3.3 Grafik Data Beban Normalisasi
Dapat dilihat dari kedua gambar grafik diatas, data beban real dan normalisasi memiliki gambar grafik yang sama, hal tersebut menandakan bahwa nilai data normalisasi memiliki nilai yang sama dengan data aktual hanya saja diubah bentuk menjadi bilangan/nilai berbentuk 0-1.
3.4 Monitoring Data Historis Beban Puncak
Sebelum mulai menganalisis data, sebelumnya data dibagi menjadi bagian - bagian, yakni data training, data target, dan data validasi. Data beban pada tanggal 1 Januari 2016 hingga 31 April 2016 menjadi data pelatihan, kemudian data pada bulan Mei 2016 hingga Agustus 2016 menjadi data target pelatihan, dan data pada bulan September hingga Desember 2016 dijadikan data uji/validasi untuk melakukan peramalan. Dari masing - masing data tersebut dicari nilai perhitingan MSE dan error terkecil dengan menggunakan algoritma yang terdapat dalam matlab, apabila nilai MSE dan error kecil maka jaringan tersebut merupakan arsitektur jaringan ANN terbaik untuk melakukan peramalan/monitoring beban puncak listrik.
