PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC
ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM)
DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN
PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI
NI LUH PUTU SATYANING PRADNYA PARAMITA
1308 100 055
Pembimbing : Dr Irhamah S.Si M.Si
BAB 1
PENDAHULUAN
LATAR BELAKANG
Jumlah rumah tangga di
Indonesia meningkat
sekitar 1,2 juta atau 3,15%
per tahun
Peningkatan jumlah
rumah tangga akan
menyebabkan
peningkatan kebutuhan
listrik
Pembangunan bidang
kelistrikan harus dapat
mengimbangi kebutuhan
energi listrik yang
terus-menerus naik setiap
tahun
Untuk membangkitkan
dan menyalurkan energi
listrik secara ekonomis
harus dibuat peramalan
beban listrik jauh
sebelum listrik tersebut
PENELITIAN SEBELUMNYA
Kwang-Ho dkk, 2000 ; Kyung-Bin Song dkk, 2005
Rani, 2011
Jirong Gu dkk, 2011)
Beberapa metode berbasis kecerdasan buatan seperti Fuzzy Inference
System, Fuzzy Linear Regresion, dan Artificial Neural Network,
memang telah banyak diaplikasikan pada peramalan beban listrik dan
ternyata hasilnya memuaskan
Penelitian tentang penerapan GA-SVM yang terbilang baru adalah
peramalan harga rumah yang menyimpulkan bahwa GA-SVM
mempunyai performansi tinggi.
Metode SVM yang digabungkan dengan sebuah metode optimasi akan
menghasilkan ramalan yang lebih baik dibandingkan SVM biasa maupun
metode berbasis kecerdasan buatan lainnya
R
UMUSAN
MASALAH
Bagaimana meramalkan beban listrik menggunakan Support
Vector Machine (SVM)?
Bagaimana meramalkan beban listrik menggunakan Genetic
Algorithm-Suppot Vector Machine (GA-SVM)?
Bagaimana perbandingan hasil peramalan dari kedua metode
tersebut ?
TUJUAN
Meramalkan beban listrik dengan menggunakan Support Vector
Machine (SVM)
Meramalkan beban listrik dengan menggunakan Genetic
Algorithm-Suppot Vector Machine (GA-SVM)
Membandingkan hasil peramalan dari kedua metode tersebut
MANFAAT
Sebagai rekomendasi untuk PT PLN (Persero) dalam penentuan
metode terbaik yang dapat digunakan untuk meramalkan beban
listrik
Sebagai kontribusi untuk penelitian mengenai peramalan
kebutuhan listrik
Sebagai aplikasi metode GA-SVM untuk kasus peramalan beban
listrik, karena sampai saat ini penelitian tersebut belum pernah
dilakukan di Indonesia.
Sebagai pengambangan keilmuan yang menggabungkan metode
GA dan metode SVM, dimana keduanya dapat menghasilkan
solusi global optimum, sehingga gabungan dari keduanya
diharapkan dapat menghasilkan solusi global yang sangat
BAB 2
TINJAUAN PUSTAKA
P
ERANAN
PERAMALAN
BEBAN
LISTRIK
Suatu model peramalan beban yang akurat sangat penting
dalam perencanaan dan pengoperasian system tenaga listrik.
Peramalan beban sangat membantu perusahaan listrik dalam
mengambil keputusan untuk menyuplai tenaga listrik
termasuk keputusan dalam mengatur pembangkitan,
pemutusan beban (load switching), dan juga pembangunan
infrastruktur (Prasetyo dkk, 2008).
Peramalan beban listrik (load forecast) atau kebutuhan listrik
(demand forecast) merupakan langkah awal dari Rencana
Usaha Penyediaan Tenaga Listrik (RUPTL). Peramalan beban
listrik pada unit bisnis (UB) PLN di setiap wilayah memiliki
peranan sangat penting dalam penyusunan RUPTL.
J
ANGKA
WAKTU
PERAMALAN
Peramalan beban jangka pendek
(short-term load forecasting)
Peramalan beban jangka
menengah (medium-term load
forecasting)
Peramalan beban jangka panjang
(long-term load forecasting)
11
DERET WAKTU (TIME SERIES) (1)
Peramalan merupakan proses untuk menduga kejadian atau
kondisi di masa mendatang yang bertujuan untuk memperkecil
resiko kesalahan. (Makridakis, Wheelwright, McGee, 1999)
Analisis deret waktu adalah salah satu prosedur statistika
yang diterapkan untuk meramalkan struktur probabilistik
keadaan yang akan terjadi dimasa yang akan datang dalam
rangka pengambilan keputusan.
Peramalan merupakan suatu teknik untuk memperkirakan
suatu nilai pada masa yang akan datang dengan
memperhatikan data masa lalu maupun data pada saat ini.
(Aswi dan Sukarna, 2006)
12
DERET WAKTU (TIME SERIES) (2)
METODE
PERAMALAN
METODE
KUALITATIF
METODE
KUANTITATIF
Lebih banyak menuntut analisis yang didasarkan
pada pemikiran intuitif, perkiraan logis dan
informasi atau pengetahuan yang telah diperoleh
peneliti sebelumnya.
Membutuhkan informasi masa lalu yang
dikuantitatifkan dalam bentuk data numerik.
Metode peramalan secara kuantitatif
mendasarkan ramalannya pada metode statistika
dan matematika. Terdapat dua jenis model
peramalan kuantitatif, yaitu model deret waktu
13
STASIONERITAS DALAM TIME SERIES (1)
Stasioneritas adalah suatu keadaan dimana, terjadi perubahan
atau fluktuasi data berada disekitar nilai rata-rata yang
konstan, tidak tergantung waktu dan ragam dari fluktuasi
tersebut. Time Series data yang digunakan harus memenuhi
kestasioneritasan baik dalam mean maupun dalam varians.
Apabila tidak stasioner dalam mean, maka dilakukan differencing.
14
STASIONERITAS DALAM TIME SERIES (2)
Apabila tidak stasioner dalam varians, maka dapat dilakukan
Transformasi Box Cox (Wei, 2006).
Nilai (lambda)
Transformasi
-1
-0,5
0
Ln
0,5
1
(Tidak ditransformasi)
t Z 1 tZ
1
tZ
tZ
tZ
FUNGSI AUTOKORELASI (ACF)
15
Digunakan untuk suatu proses yang stasioner baik dalam mean (dimana,
E(Z
t
)=µ) maupun dalam varians (dimana, Var (Z
t
) = ), maka untuk
menduga model yang sesuai dapat melihat Autocorrelation Function
(ACF). Dimana, Z
t
dipengaruhi oleh serangkaian urutan waktu
berdasarkan pada interval tertentu. Oleh karena itu dituliskan korelasi
diantara Z
t
dan Z
t+k
adalah sebagai berikut.
)
var(
var
)
,
cov(
k
t
t
k
t
t
k
Z
Z
Z
Z
+
+
=
ρ
)
)(
(
)
,
cov(
µ
µ
γ
k
=
Z
t
Z
t
+
k
=
E
Z
t
−
Z
t
−
k
−
dengan
FUNGSI AUTOKORELASI PARSIAL
16
Selain dengan melihat plot ACF dari data Time Series, pendugaan
model dapat dilakukan dengan bersama-sama melihat plot Partial
Autocorrelation Function (PACF). Dalam pengamatan time series,
sampel PACF dinotasikan dengan dengan perhitungan seperti
yang diberikan oleh Durbin yaitu sebagai berikut.
∑
∑
=
=
+
−
+
+
+
ρ
φ
−
ρ
φ
−
ρ
=
φ
k
1
j
j
kj
k
1
j
j
1
k
kj
1
k
1
k
,
1
k
ˆ
ˆ
1
ˆ
ˆ
ˆ
ˆ
dengan
j
1
k
,
k
1
k
,
1
k
kj
j
,
1
k
ˆ
ˆ
ˆ
ˆ
−
+
+
+
+
=
φ
−
φ
φ
φ
S
UPPORT
VECTOR
MACHINE
(
SVM
)
Konsep dasar dari SVM adalah berusaha menemukan fungsi
optimal yang bisa memisahkan dua set data dari dua kelas yang
berbeda (Vapnik, 1964).
Support Vector Machine (SVM) adalah sistem pembelajaran yang
menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam
sebuah ruang fitur (featute space) berdimensi tinggi, dilatih dengan
algoritma pembelajaran yang didasarkan pada teori optimasi
dengan mengimplementasikan learning bias (Vapnik, 1995 ;
Scholkopf dkk, 2002 ; Gunn, 1998 ; Cristianini, 2000 ; Santosa,
2007).
SVM dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali
dikenalkan pada tahun 1992 di Annual Workshop on
Computational Learning Theory (Cristianini, 2000) dan menjadi
populer karena kesuksesannya dalam mengenali digit tulisan
S
UPPORT
VECTOR
MACHINE
FOR
REGRESSION
(
SVR
) (1)
Fungsi SVR adalah
(2.1)
Koefisien (w
i
dan b) diestimasi dengan meminimumkan
regularized risk function
(2.2)
dimana
(2.3)
dengan C dan ε adalah parameter yang nilainya
ditentukan.
S
UPPORT
VECTOR
MACHINE
FOR
REGRESSION
(
SVR
) (2)
Persamaan (2.2) ditransformasi
(2.4)
Persamaan Karush-Krun-Tucker diaplikasikan
ke dalam regresi sehingga persamaan (2.4)
menghasilkan Lagrangian ganda (dual)
(2.5)
S
UPPORT
VECTOR
MACHINE
FOR
REGRESSION
(
SVR
) (3)
Lagrange multiplier pada persamaan (2.5) memenuhi .
Lagrange multiplier dihitung dan suatu bobot vektor
yang optimal dari regresi hyperplane adalah
(2.6)
Sehingga fungsi regresinya adalah
(2.7)
M
ETODE
KERNEL
(1)
Dengan Metode Kernel suatu data x pada input space
di-mapping ke feature space F dengan dimensi yang
lebih tinggi melalui map φ sebagai berikut.
φ : x → φ(x)
Oleh karena itu, data x pada input space menjadi φ(x)
di feature space.
Pemilihan fungsi Kernel yang tepat merupakan hal
yang sangat penting karena akan menentukan
feature space dimana fungsi klasiner akan dicari.
Sepanjang fungsi Kernel-nya legilitimate, SVM akan
beroperasi secara benar meskipun tidak mengetahui
mapping yang digunakan (Sentosa, 2007 ; Robandi,
2008).
M
ETODE
KERNEL
(2)
Fungsi yang digunakan untuk metode SVM
adalah sebagai berikut.
Linier :
Polinomial :
Radial basis function (RBF) :
Tangen hyperbolic (sigmoid) : tanh (β + β
i
)
dimana β,β
i
R
G
ENETIC
ALGORITHM
(
GA
) (1)
Genetic Algorithm pada awalnya ditemukan dan
dikembangkan oleh John Holland sekitar tahun
1975.
Genetic Algorithm digunakan untuk
permasalahan pencarian dengan melakukan
minimisasi biaya dan probabilitas yang tinggi
untuk mendapat solusi global optimum (Holland,
1975).
Menurut Haupt dan Haupt (2004), Genetic
Algorithm adalah suatu teknik optimasi yang
didasarkan pada prinsip genetika dan seleksi
alam.
G
ENETIC
ALGORITHM
(
GA
) (2)
Beberapa keuntungan dari Genetic Algorithm
adalah sebagai berikut.
Dapat digunakan untuk variabel diskrit maupun
kontinyu
Pencarian dari sampling yang luas secara serentak
Dapat digunakan untuk jumlah variabel yang besar
Hasil akhir berupa beberapa variabel yang
optimum, tidak hanya satu penyelesaian saja
Optimasi dilakukan dengan mengkodekan variabel
Dapat digunakan pada data numerik, data
G
ENETIC
ALGORITHM
(
GA
) (3)
Tujuh komponen penting Genetic Algorithm :
1. Skema Pengkodean
Pengkodean yang dimaksud meliputi pengkodean gen dan kromosom. Gen
merupakan bagian dari kromosom. Satu gen biasanya mewakili satu
variabel.
2. Nilai fitness
Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai
ukuran performansinya. Di dalam evolusi alam, individu yang bernilai
fitness tinggi yang akan bertahan hidup. Sedangkan individu yang
bernilai fitness rendah akan mati.
3. Seleksi Orang Tua
Pemilihan dua buah kromosom sebagai orang tua yang akan
dipindahsilangkan dilakukan secara proporsional sesuai dengan nilai
G
ENETIC
ALGORITHM
(
GA
) (4)
4. Pindah Silang
Crossover adalah salah satu komponen paling penting dalam GA.
Sebuah kromosom yang mengarah pada solusi yang bagus dapat
diperoleh dari proses memindah-silangkan ini.
5. Mutasi
Mutasi menciptakan individu baru dengan melakukan modifikasi
satu atau lebih gen dalam individu yang sama. Mutasi berfungsi
untuk menggantikan gen yang hilang dari populasi akibat proses
seleksi yang memungkinkan munculnya kembali gen yang tidak
muncul pada inisialisasi populasi.
G
ENETIC
ALGORITHM
(
GA
) (5)
6. Etilisme
Suatu individu yang memiliki nilai fitness tertinggi belum pasti
akan selalu terpilih. Hal ini disebabkan karena proses
penyeleksian dilakukan secara random. Walaupun individu
bernilai fitness tertinggi terpilih, namun tidak menutup
kemungkinan bahwa individu tersebut rusak karena proses
pindah silang. Oleh karena itu perlu dilakukan etilisme, yaitu
suatu prosedur pengopian individu agar individu yang memiliki
nilat fitness tertinggi tidak hilang selama proses evolusi.
7. Penggantian Populasi
Skema penggantian populasi dalam GA dikenal sebagai general
replacement, yang berarti semua individu (N individu dalam satu
populasi) dari suatu generasi digantikan sekaligus oleh N
individu baru hasil pindah silang dan mutasi. Terdapat beberapa
prosedur penghapusan individu ini seperti penghapusan individu
yang paling tua atau individu yang memiliki nilai fitness paling
BAB 3
METODOLOGI
PENELITIAN
S
UMBER
DATA
Data yang digunakan dalam penelitian ini adalah data
sekunder. Data yang diambil adalah data beban harian
tiap 30 menit pada bulan Oktober 2011 dan pada
tanggal 1-2 Nopember. Data yang diramal yaitu beban
listrik pada tanggal 3-4 Nopember 2011. Data diambil
dari PT PLN (Persero) sub unit Penyaluran dan Pusat
Pengatur Beban (P3B) Jawa Timur-Bali.
V
ARIABEL
PENELITIAN
Variabel penelitian yang digunakan hanya data beban listrik harian
dengan jumlah data sebanyak 48 data per hari, karena pengaruh
temperature dan tingkat ekonomi diabaikan. Berikut ini adalah variabel
bebas dan variabel tak bebas yang digunakan dalam penelitian ini.
1. Variabel tak bebas (y
t
) adalah data beban listrik yang dijadikan data
aktual/target.
2. Variabel bebas (x) adalah data beban listrik pada waktu sebelumnya (y
t-1
, y
t-2
, y
t-3
, …, y
t-n
).
Berdasarkan variabel penelitian tersebut, peramalan beban listrik ini
memiliki tiga tahapan peramalan yaitu melakukan pemodelan
berdasarkan data training, memvalidasi model dengan data testing, dan
menghitung nilai ramalan. Keakuratan peramalan beban listrik diketahui
dari MAPE, MSE, AIC, SBC, dan R
2
.
L
ANGKAH
ANALISIS
Melakukan pengumpulan data
beban listrik tahunan
Melakukan analisis ARIMA untuk
memperoleh input vaiabel bebas
Mengolah data menggunakan
algoritma SVM dengan software
Matlab 7.0.1.
Mengolah data beban listrik
menggunakan algoritma GA-SVM
dengan software Matlab 7.0.1.
Melakukan analisis dan
32
MULAI
Input data
Tentukan parameter Kernel, C Mapping
data x ke feature space lewat fungsi
Kernel Polynomial
Lakukan optimasi variabel Lagrange
dengan formula QP untuk mendapatkan
beta dan bias
Hasil optimal
Hitung nilai peramalan dengan fungsi
regresi
SELESAI
Ya
Tidak
ALGORITMA
SVM
33
Ya
Tidak
Mutasi
Populasi Baru
Reproduksi
Crossover
Fitness memenuhi
MULAI
Inisialisasi parameter dan C
Membangkitkan populasi secara
random
Training SVM
Perhitungan nilai fitnress
Validasi
GA-SVM
SELESAI
ALGORITMA
GA-SVM
BAB 4
PEMBAHASAN
35
1341 1192 1043 894 745 596 447 298 149 1 4500 4000 3500 3000 Index C 1Time Series Plot of C1
5,0 2,5 0,0 -2,5 -5,0 87,5 85,0 82,5 80,0 77,5 75,0 Lambda S tD e v Lower CL Upper CL Limit Estimate 0,10 Lower CL -0,34 Upper CL 0,57 Rounded Value 0,00 (using 95,0% confidence) Lambda Box-Cox Plot of C1
ARIMA
untuk menentukan input peramalan beban listrik
menggunakan metode SVM dan GA-SVM
DATA TRAINING : BEBAN LISTRIK HARIAN PER 30 MENIT OKTOBER 2011
STASIONER
DALAM
VARIANS ?
36
1341 1192 1043 894 745 596 447 298 149 1 8,5 8,4 8,3 8,2 8,1 8,0 7,9 Index C 2Time Series Plot of C2
800 750 700 650 600 550 500 450 400 350 300 250 200 150 100 50 1 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to co rr e la ti o n
Autocorrelation Function for Transfformasi Box-Cox
(with 5% significance limits for the autocorrelations)
DATA YANG
DITRANSFORMASI LN
BELUM STASIONER
TERHADAP MEAN,
POLA MUSIMAN
HARIAN
37
1341 1192 1043 894 745 596 447 298 149 1 0,3 0,2 0,1 0,0 -0,1 -0,2 Index D if f 4 8Time Series Plot of Diff 48
800 750 700 650 600 550 500 450 400 350 300 250 200 150 100 50 1 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to co rr e la ti o n
Autocorrelation Function for Diff 48
(with 5% significance limits for the autocorrelations)
DIFFERENCING 48
ACF MASIH TURUN
SECARA LAMBAT
38
1341 1192 1043 894 745 596 447 298 149 1 0,2 0,1 0,0 -0,1 -0,2 Index D if f 4 8 ,1Time Series Plot of Diff 48,1
80 70 60 50 40 30 20 10 1 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n
Autocorrelation Function for Diff 48,1
(with 5% significance limits for the autocorrelations)
80 70 60 50 40 30 20 10 1 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to co rr e la ti o n
Partial Autocorrelation Function for Diff 48,1
(with 5% significance limits for the partial autocorrelations)
DIFFERENCING 1
39
PERAMALAN DENGAN SVM
MODEL
1. C = 80, d = 0,005
40
3. C = 100, d = 0,001
4. C = 110, d = 0,05
41
Percobaan
1
2
3
4
5
C
80
95
100
110
120
0,005
0
0,001
0,05
0,01
AIC
10,92512
10,92839
10,92925
10,93071
10,93202
SBC
10,97855
10,98181
10,98268
10,98413
10,98544
RMSE
230,841
231,218
231,318
231,487
231, 638
MAPE
4,9525 %
4,961 %
4,9634 %
4,9671 %
4,9706 %
DATA TESTING
C = 80 dan ε = 0,005, dimana AIC sebesar 10,92512, SBC
sebesar 10,97855, RMSE sebesar 230,841, dan MAPE
42
100 80 60 40 20 0 4600 4400 4200 4000 3800 3600 3400 3200 3000Waktu dalam 30 Menit selama 24 Jam
B e b a n L is tr ik ( M W ) Data Aktual Data Ramalan (SVM) Variable
Perbandingan Data Aktual dan Ramalan SVM
SVM cukup baik dalam
meramalkan beban listrik
harian, terlihat dari
kemiripan plot dari data
aktual dan data hasil
ramalan.
R-Square = 96,617 %
Peramalan beban listrik harian di PT PLN
Sub Unit P3B Jawa Timur dan Bali
menggunakan metode SVM menghasilkan
nilai ramalan yang baik.
43
DATA RAMALAN
Jam Data Ramalan (MW)3 Nopember 2011 4 Nopember 2011 00.30 3335.7 3419.9 01.00 3292.4 3374.9 01.30 3278.6 3387.9 02.00 3253.8 3356.3 02.30 3196.1 3308.5 03.00 3226.1 3290.7 03.30 3234 3293.8 04.00 3208.5 3243.4 04.30 3230.4 3277.8 05.00 3250.5 3272.8 05.30 3252.2 3303.3 06.00 3265.1 3309.8 06.30 3267.6 3316.7 07.00 3307.2 3282.4 07.30 3352.5 3306.1 08.00 3440.5 3382.3 08.30 3438.9 3419.2 09.00 3542.1 3437.3 09.30 3608 3427.9 10.00 3633.8 3491.6 10.30 3732.7 3576.5 11.00 3643.8 3534 11.30 3680.1 3607 12.00 3708.1 3677.9 12.30 3668.5 3675.5 13.00 3731.2 3696.7 13.30 3746.3 3696.3 14.00 3809.1 3825.5 14.30 3909.1 3872.9 15.00 3864.6 3894 15.30 3879.3 3926.5 16.00 3904.2 3937.7 16.30 4002.7 4053.3 17.00 4085.3 4050 17.30 4113 4102.7 18.00 4205.2 4170.4 18.30 4228.3 4229 19.00 4269.3 4254.7 19.30 4245.4 4254 20.00 4196.2 4214.5 20.30 4129.9 4167.7 21.00 4051 4107.2 21.30 3991.5 4015.7 22.00 3890.9 3942 22.30 3729.9 3816.2 23.00 3650.3 3690.1 23.30 3580.8 3644.4 24.00 3502.1 3529.8
44
50 40 30 20 10 0 4400 4200 4000 3800 3600 3400 3200Waktu dalam 30 Menit selama 24 Jam
B e b a n L is tr ik ( M W )
Data Ramalan 3 Nop (SVM) Data Ramalan 4 Nop (SVM) Variable
Hasil Ramalan SVM untuk 3 Nopember 2011 dan 4 Nopember 2011
Kebutuhan maksimum akan listrik oleh konsumen
tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4
Nopember 2011 sebesar 4254,7 MW pada pukul 19.00
WIB.
45
PERAMALAN DENGAN GA-SVM
MODEL
Range C yang ditetapkan pada GA-SVM adalah 80 – 120,
range yang ditetapkan adalah 0 – 0,05. Jumlah kromosom
dalam satu populasi adalah sepuluh, peluang pindah silang
adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi
parameter SVM dengan GA adalah C = 105 dan = 0,030469.
46
Metode
AIC SBC RMSE MAPE
GA-SVM
10,92
10,97 230,41 4,85%
DATA TESTING
Range C yang ditetapkan pada GA-SVM adalah 80 –
120, range yang ditetapkan adalah 0 – 0,05. Jumlah
kromosom dalam satu populasi adalah sepuluh,
peluang pindah silang adalah 0,8, dan peluang
mutasi adalah 0,05. Hasil optimasi parameter SVM
dengan GA adalah C = 111,875 dan = 0,043018.
AIC sebesar 11,29, SBC sebesar 11,34, RMSE
sebesar 276,82, dan MAPE sebesar 5,77%.
47
100 80 60 40 20 0 4600 4400 4200 4000 3800 3600 3400 3200 3000Waktu dalam 30 Menit selama 24 Jam
B e b a n L is tr ik ( M W ) Data Aktual Data Ramalan (GA-SVM) Variable
Perbandingan Data Aktual dan Data Ramalan GA-SVM
GA-SVM cukup baik dalam
meramalkan beban listrik
harian, terlihat dari
kemiripan plot dari data
aktual dan data hasil
ramalan.
R-Square = 97,20 %
Peramalan beban listrik harian di PT
PLN Sub Unit P3B Jawa Timur dan Bali
menggunakan metode GA-SVM
48
Jam Data Ramalan (MW) 3 Nopember 2011 4 Nopember 2011 00.30 3358.093 3470.844 01.00 3310.015 3412.848 01.30 3271.229 3407.932 02.00 3262.204 3397.27 02.30 3228.636 3379.556 03.00 3256.045 3360.156 03.30 3311.376 3388.279 04.00 3316 3382.879 04.30 3329.263 3409.685 05.00 3328.195 3383.512 05.30 3286.306 3356.976 06.00 3231.272 3334.045 06.30 3232.509 3307.019 07.00 3293.485 3329.049 07.30 3366.586 3346.084 08.00 3500.944 3462.455 08.30 3509.121 3507.339 09.00 3604.309 3537.622 09.30 3673.749 3540.674 10.00 3718.172 3539.316 10.30 3746.789 3598.268 11.00 3687.332 3597.814 11.30 3673.624 3566.293 12.00 3705.446 3645.831
DATA RAMALAN
12.30 3669.197 3709.059 13.00 3799.634 3753.654 13.30 3836.704 3761.369 14.00 3878.297 3850.039 14.30 3933.631 3877.618 15.00 3894.309 3884.182 15.30 3876.58 3905.051 16.00 3886.238 3922.615 16.30 3969.429 4026.499 17.00 4109.71 4111.39 17.30 4208.463 4187.616 18.00 4312.154 4279.11 18.30 4344.225 4336.492 19.00 4380.901 4363.215 19.30 4356.726 4348.048 20.00 4297.358 4309.17 20.30 4209.331 4229.328 21.00 4109.657 4145.189 21.30 3995.482 4017.73 22.00 3920.19 3945.004 22.30 3766.224 3818.07 23.00 3652.53 3684.786 23.30 3578.319 3644.918 24.00 3539.057 3562.849
50 40 30 20 10 0 4400 4200 4000 3800 3600 3400 3200Waktu dalam 30 Menit selama 24 Jam
Be ba n Li st ri k (M W )
Data Ramalan 3 Nop (GA -SV M) Data Ramalan 4 Nop (GA -SV M) V ariable
Hasil Ramalan GA-SVM untuk 3 Nopember dan 4 Nopember 2011
Kebutuhan maksimum akan listrik oleh
konsumen tanggal 3 Nopember 2011 sebesar
4380,901 MW dan 4 Nopember 2011 sebesar
4363,215 MW pada pukul 19.00 WIB.
50
Metode
AIC
SBC
RMSE MAPE
R
2
SVM
10,93
10,98
230,84 4,95% 96,62%
GA-SVM
10,92
10,97
230,41 4,85% 97,20%
PERBANDINGAN
SVM C = 80 dan = 0,005
GA-SVM C = 111,875 dan = 0,043018
AIC, SBC, RMSE, MAPE GA-SVM << SVM.
R
2
GA-SVM >> SVM
51
50 40 30 20 10 0 4400 4200 4000 3800 3600 3400 3200Waktu dalam 30 Menit selama 24 Jam
Be ba n Li st ri k (M W )
Data Ramalan 3 Nop (SV M) Data Ramalan 3 Nop (GA -SV M) V ariable
Data Ramalan untuk 3 Nopember 2011 dengan SVM dan GA-SVM
50 40 30 20 10 0 4400 4200 4000 3800 3600 3400 3200
Waktu dalam 30 Menit selama 24 Jam
Be ba n Li st ri k (M W )
Data Ramalan 4 Nop (SV M) Data Ramalan 4 Nop (GA -SV M) V ariable
Data Ramalan untuk 4 Nopember 2011 dengan SVM dan GA-SVM
100 80 60 40 20 0 4600 4400 4200 4000 3800 3600 3400 3200 3000
Waktu dalam 30 Menit selama 24 Jam
Be ba n Li st ri k (M W ) Data Aktual Data Ramalan SVM Data Ramalan GA-SVM Variable
Perbandingan Data Aktual, Data Ramalan SVM, dan Data Ramalan GA-SVM
Meskipun nilai masing-masing kriteria keakuratan antara kedua
metode tersebut hanya terpaut selisih yang kecil, tetap dapat
dikatakan bahwa hasil ramalan menggunakan metode
GA-SVM
lebih akurat dan lebih mendekati data aktual dibandingkan
dengan metode SVM
.
BAB 5
KESIMPULAN,
SARAN
53
KESIMPULAN (1)
Ramalan menggunakan metode SVM menghasilkan R-Sq
yang cukup tinggi yaitu sebesar 96,617 %. Artinya, peramalan
beban listrik harian di PT PLN Sub Unit P3B Jawa Timur
dan Bali menggunakan metode SVM menghasilkan nilai
ramalan yang baik. Hasil ramalan menggunakan SVM
menunjukkan bahwa kebutuhan maksimum akan listrik oleh
konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan
54
KESIMPULAN (2)
Ramalan menggunakan metode GA-SVM menghasilkan
parameter optimum yaitu C = 111,875 dan = 0,043018, R-Sq
yang dihasilkan cukup tinggi yaitu sebesar 97,20 %. Artinya,
peramalan beban listrik harian di PT PLN Sub Unit P3B
Jawa Timur dan Bali menggunakan metode GA-SVM
menghasilkan nilai ramalan yang baik. Hasil ramalan
menggunakan GA-SVM menunjukkan bahwa kebutuhan
maksimum akan listrik oleh konsumen tanggal 3 Nopember
2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar
4363,215 MW pada pukul 19.00 WIB.
55
KESIMPULAN (3)
Peramalan beban listrik menggunakan metode GA-SVM
menghasilkan nilai AIC, SBC, RMSE, dan MAPE yang lebih
kecil dibandingkan dengan metode SVM. R
2
yang dihasilkan
dari metode GA-SVM juga memiliki nilai yang lebih besar
dibandingkan nilai R
2
yang dihasilkan dari metode SVM.
Meskipun nilai masing-masing kriteria keakuratan antara
kedua metode tersebut hanya terpaut selisih yang kecil,
tetap dapat dikatakan bahwa hasil ramalan menggunakan
metode GA-SVM lebih akurat dan lebih mendekati data
aktual dibandingkan dengan metode SVM. Dari hasil
peramalan menggunakan GA-SVM, PT PLN Sub Unit P3B
Jawa Timur dan Bali dapat menyediakan tenaga listrik yang
56
SARAN
Hal yang menjadi catatan penting dalam Tugas Akhir ini
adalah nilai MAPE yang dihasilkan dari metode SVM dan
GA-SVM masih belum memenuhi standar minimal MAPE
PLN yaitu sebesar 2%. Oleh karena itu, untuk peneliti
selanjutnya disarankan untuk melakukan pengembangan
D
AFTAR
PUSTAKA
(1)
A. Azadeh, R. Tavakkoli-Moghaddam, S. Tarverdian. 2004. Electrical Energi Consumption Estimation by Genetic Algorithm and Analysis of Variance. Research Institute of Energi Management and Planning and Department of Industrial Engineering, Faculty of Engineering, University of Tehran, Iran.
Arief H.K, Zuhal, Rinaldy D. 2007. “Long-Term Load Forecasting on the Java-Madura-Bali Electricity System Using Artificial Neural Network Method”. International Conference on Advances in Nuclear Science and Engineering in Conjunction with LKSTN, pp 177-181.
Bonadr, R., Sumardi, dan Sudjadi. 2002. Perbandingan Kinerja Algoritma Lms Dan Algoritma Genetik Untuk Filter Adaptif Penghilang Noise. Universitas Diponegoro.
Chatterjee, S., Laudat, M., dan Lynch, L.A., 1996. Genetic Algorithms And Their Statistical Applications:An Introduction. Journal Applied Computational Statistic and Data Analysis, 22, 633-651.
Cristianini, N. dan Shawe Taylor, J, 2000. An Introduction to Support Vector Machines, Cambrige University Press.
Dharma,A., Putu Eka Wahyu I, Imam Robandi. 2006. “Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Menggunakan Artificial Neural Network dan Fuzzy Inference System (ANNFIS) Studi Kasus di Pulau Bali”. Seminar Teknik Elektro Universitas Negeri Surabaya.
Djiteng Marsudi. Operasi Sistem Tenaga Listrik. Balai Penerbit & Humas ISTN. Jakarta. 1990.
Eslam Pourbasheer, Siavash Riahi, Mohammad Reza Gazali, Parviz Norouzi. 2009. “Application of genetic alogithm-support vector machine (GA-SVM) for prediction of BK-channels activity”. European Journal of Medicinal Chemistry, Vol. 44, pp. 5023-5028.
Gunn, S., 1998, Support Vector Machines for Classification and Regression, Tech.Rep.,Dep.of Electronics and Computer Science, University of Southampton.
Herman Darnel Ibrahim. Rencana Usaha Pengusahaan Tenaga Listrik (RUPTL) 2006-2015. Direktorat Transmisi dan Distribusi PT PLN (Persero). Jakarta. 2006.
Holland, John H. 1975. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press.
J. F. Yang and H. Z. Cheng. 2004. “Application of SVM to power system short- term load forecasting”. Electric Power Automation Equipment, Vol. 24, pp. 30-32.
D
AFTAR
PUSTAKA
(2)
Jirong Gu, Mingcang Zhu, and Liuguangyan Jiang. 2011. “Housing price forecasting based on genetic algorithm and support vector machine”. Expert Systems with Applications : An International Journal, Vol. 38, Issue 4. Kosasih, D., dan Rinaldo, (2006). Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi
Maksimum. Institut Teknologi Bandung.
Kurniawan Fitrianto, Agung Nugroho, dan Bambang Winardi. 2005. Prakiraan Kebutuhan Energi Listrik Tahun 2006-2015 pada PT PLN (Persero) Unit Pelayanan Jaringan (UPJ) di Wilayah Kota Semarang dengan Metode Gabungan. Tugas Akhir. UNDIP.
Kusumadewi, Sri; Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi Menggunakan Teknik- Teknik Heuristik. Yogyakarta : Graha Ilmu.
Kuswartojo, T. (2005). Perumahan dan Pemukiman di Indonesia. Bandung: ITB.
Kwang-Ho Kim, Hyoung-Sun Youn, Yong-Cheol Kang. 2000, “Short-Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method”, IEEE Transactions on Power System, Vol.15, No.2, May.
Kyung-Bin Song, Young-Sik Baek, Dug Hun Hong, and Gilsoo Jang.2005. “Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method”, IEEE Transactions on Power System, Vol.20, No.1, February.
Law, M. A Simple Introduction to Support Vector Machines. Lecture for CSE 802, Department of Computer Science and Engineering Michigan State University.
Ong, C.S., Huang, J.J., dan Tzeng G.H., 2005. Model identification of ARIMA family using genetic algorithms. Journal Applied Mathematics and Computation, 164, 885-912.
Ping-Fei Pai and Wei-Chiang Hong. 2005. “Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms”. Electric Power System Research, Vol. 74, pp. 417-425.
Prasetyo Gusti, R.A., Imam Robandi. 2008. Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Dengan Metode Support Vector Machine. Tugas Akhir, ITS.
Randy L. Haupt. S. E. Haupt. 2004. Practical genetic Algorithm. New Jersey: John Wiley & Sons, Inc.
Santosa, B., 2007, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Teori dan Aplikasi, Graha Ilmu.
D
AFTAR
PUSTAKA
(3)
Scholkopf, B. dan Smola, A., 2002, Learning with Kernels, The MIT Press. Cambridge, Massachusetts. Sivanandan S. N. and Deepa S. N. 2007. Introduction to Genetic Algorithm. New York : Springer Berlin
Heidelberg.
Stefan Lessmann, Robert Stahlbock, and Sven F. Crone. 2006. “Genetic Algorithm for Support Vector Machine Model Selection”. International Joint Conference on Neural Networks.
Suyanto. 2005. Algoritma Genetika dalam MATLAB (Genetic Algorithm in MATLAB). Yogyakarta : Andi Publisher.
Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer Verlag. 94
X.M. Li, D. Gong, L. Li, and C.Y. 2005. “Next day load forecasting using SVM”, Proc. ISNN '05, Lecture Notes in Computer Science, Springer, Berlin, pp. 634-639.
