Peramalan Kebutuhan Beban Sistem Tenaga Listrik
Menggunakan Algoritma Genetika
M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad
Jurusan Teknik Informatika - Universitas Islam Negeri
Sultan Syarif Kasim Riau
safrizal.ilal@gmail.com
,
kesumaw@yahoo.com
,
irsyadtech@gmail.com
Abstraksi
Meningkatnya jumlah kebutuhan energi listrik menjadi sebuah masalah baru, karena jumlah energi listrik yang tersedia saat ini tidak dapat mengimbangi besarnya kebutuhan masyarakat akan energi listrik tersebut. Agar tercapai keseimbangan antara pemenuhan kebutuhan pada saat ini dengan pertumbuhan dan penyediaan energi listrik, maka perlu dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik. Penghematan energi listrik juga menjadi sebuah permasalahan pada PT. PLN (Persero) Wilayah Riau dan Kepulauan Riau Cabang Dumai UP. Bengkalis. Penjadwalan pembangkit listrik masih dilakukan secara manual, yaitu berdasarkan kebutuhan listrik yang tercatat pada mesin pengukur. Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif menjadi tidak terpenuhi. Permasalahan tersebut dapat diminimalisir dengan melakukan peramalan jumlah kebutuhan energi listrik yang akan disalurkan. Dengan adanya peramalan kebutuhan beban, dapat ditentukan mesin pembangkit listrik yang akan digunakan. Dengan demikian energi listrik tidak terbuang percuma. Pada penelitian ini, dilakukan peramalan jumlah kebutuhan energi listrik menggunakan algoritma genetika. Pemilihan algoritma genetika didasarkan pada kemudahan implementasi dan kemampuannya untuk menemukan solusi yang bagus (bisa diterima) secara cepat. Hasil peramalan tersebut akan digunakan untuk memberikan rekomendasi alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu tertentu. Pengujian dilakukan untuk melihat persentase tingkat keberhasilan algoritma genetika dalam melakukan peramalan. Pada tahap pengujian, dilakukan peramalan pemakaian beban pada tanggal dan waktu tertentu, menggunakan data 5 minggu sebelumnya. Dari beberapa kali uji coba, didapatkan tingkat keberhasilan peramalan yang dinilai cukup baik, yaitu sebesar ±90%. Nilai prediksi yang diperoleh selanjutnya digunakan untuk memberikan rekomendasi alternatif mesin pembangkit listrik yang layak untuk dioperasikan.
Kata Kunci : peramalan, energi listrik, algoritma genetika
1.
PENDAHULUAN
Listrik merupakan bentuk energi yang paling cocok dan nyaman bagi manusia modern. Makin bertambahnya konsumsi listrik perkapita di seluruh dunia menunjukkan kenaikan standar kehidupan manusia. Dengan pertumbuhan permintaan tenaga listrik, maka harus direncanakan pembangunan pusat-pusat listrik baru atau menciptakan bentuk energi-energi baru untuk mendukung kapasitas pusat listrik yang tidak cukup mendukung. Pembangunan tenaga listrik memerlukan dana yang besar dan waktu yang lama, selain itu juga dipengaruhi pertimbangan-pertimbangan politis, ketersediaan bahan bakar dan sumber daya manusianya. Untuk dapat dicapai tujuan yang seimbang antara pemenuhan kebutuhan pada saat sekarang maupun pertumbuhan permintaan tenaga listrik dan penyediaannya dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik.
permasalahan-permasalahan yang dialami oleh PT. PLN diantaranya adalah tidak adanya pengaturan dalam penjadwalan pengoperasian pembangkit listrik karena adanya deviasi antara besarnya permintaan beban dengan daya yang dibangkitkan yang disebabkan oleh terjadinya kerusakan pada pembangkit. Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif menjadi tidak terpenuhi.
Untuk mengatasi permasalahan tersebut, perlu dilakukan suatu prediksi operasi yang berfungsi untuk memberikan gambaran kondisi operasi kepada operator sebagai hasil prediksi yang optimal, dan dari hasil prediksi akan dilakukan penjadwalan yang tepat untuk pengoperasian pembangkit. Jika dalam operasi terjadi ketidakcocokan antara prediksi dengan kondisi nyata terutama pada kejadian yang tidak terduga, maka hal inilah yang disebut kesenjangan antara perencanaan operasi dan operasi waktu nyata. Dalam memprediksi perencanaan operasi agar penghematan dan pengaturan penyediaan tenaga listrik dapat lebih optimal
dilakukan dengan menggunakan algoritma genetika. Algoritma genetika adalah suatu algoritma pencarian yang meniru mekanisme dari teknik generasi alam. Algoritma genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan untuk mendapatkan solusi yang tepat dan merupakan model komputasi yang sangat menjanjikan pada masalah praktis yang berfokus pada pencarian parameter-parameter optimal (Suyanto, 2005). Pada penelitian ini akan dirancang sebuah aplikasi dalam memprediksi besarnya pemakaian beban listrik menggunakan metode algoritma genetika dan memberikan alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu tertentu sesuai dengan hasil prediksi yang didapat.
2.
PEMBAHASAN
Untuk memprediksi pemakaian beban membutuhkan model matematis yang disebut dengan Data Berkala (time series). Data pemakaian beban disusun berdasarkan urutan waktu dalam satu periode untuk mengukur dan menerangkan berbagai perubahan atau perkembangan data. Perubahan yang terjadi dalam sederetan waktu tertentu dapat membentuk trend, sehingga pola gerakan data atau nilai-nilai variabel dapat diketahui dan diikuti. Penentuan trend
menggunakan metode setengah rata-rata yaitu dengan mencari rata-rata data yang ada.
Analisis Algoritma Genetika Dalam Peramalan
Metode dalam algoritma genetika yang akan dipakai untuk penyelesaian persoalan adalah sebagai berikut:
1. Skema Pengkodean
Skema pengkodean gen pada kromosom menggunakan
real number encoding. Pengkodean ini
mempresentasikan kromosom dalam bentuk urutan angka yang menggambarkan urutan suatu kejadian sehingga penerapannya akan lebih mudah.
2. Membangkitkan Populasi Awal
Menentukan nilai gen dalam tiap kromosom dengan membangkitkan bilangan acak (random).
3. Fungsi Evaluasi
Proses ini menghitung nilai fitness dari setiap kromosom dalam populasi dan mengevaluasi sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum tercapai maka akan dibentuk lagi generasi berikutnya.
4. Seleksi
Proses ini dilakukan dengan menggunakan metode
roulette wheel selection. Metode ini dipilih karena dapat memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang memiliki nilai fitness terbaik untuk melakukan reproduksi, karena dilakukan dengan cara memetakan individu-individu dalam segmen garis secara berurutan sedemikian hingga setiap segmen individu memiliki ukuran yang sama dengan ukuran nilai fitness. Sebuah bilangan acak dibangkitkan dan
individu yang menjadi segmen dalam kawasan bilangan acak tersebut akan terpilih. Proses ini diulang hingga diperoleh sejumlah individu yang diharapkan.
5. Membentuk Generasi Baru
Generasi baru terbentuk dengan dua operator yaitu operator pindah silang (crossover) dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru. Spesifikasi untuk operator algoritma genetika adalah sebagai berikut:
a. Pindah Silang (Crossover)
Proses ini dilakukan dengan menggunakan one-point crossover. Metode ini dipilih karena sebagian kromosom dari induk pertama disalin dan pada saat berhenti, kromosom tersebut diambil dalam induk kedua. Proses one-point crossover adalah proses yang paling sederhana, karena pemilihan titik perpotongan dilakukan sekali terhadap induk pertama, gen selanjutnya yang dipilih dari induk kedua adalah yang belum pernah terkunjungi dan kromosom yang dihasilkan cenderung menuruni sifat dari induknya.
b. Mutasi
Proses ini dilakukan dengan menggunakan suatu kriteria yaitu dengan cara memilih satu gen yang akan diubah berdasarkan probabilitas mutasinya. Dengan menggunakan teknik ini, diharapkan kromosom yang dihasilkan tidak kehilangan kemiripan dengan induknya.
Analisis Proses
Langkah-langkah yang dilakukan dalam proses penyelesaian masalah adalah sebagai berikut:
1. Hitung rata-rata dari data pemakaian beban listrik (rata). 2. Ambil bilangan acak untuk gen A dan gen B sebanyak
populasi yang diinginkan.
3. Hitung nilai fitness dari masing-masing kromosom yang dibangkitkan dengan menggunakan persamaan:
Kromosom(n) = a + 3b
4. Lakukan penyeleksian terhadap nilai kromosom. Karena yang diinginkan adalah kromosom yang mempunyai nilai yang lebih kecil mempunyai probabilitas untuk terpilih kembali lebih besar maka digunakan inverse(Q) dengan menggunakan persamaan:
Inverse(Q)= 1 / Kromosom(n)
Untuk mencari probabilitas (P) digunakan persamaan: Probabilitas(P) = Q(n) / Jumlah total Q(n) Untuk mencari probabilitas kumulatif (C) digunakan persamaan:
Kumulatif(C) = C(n-1) + P(n)
Proses roulette wheel selection dilakukan dengan membangkitkan bilangan acak (R) antara 0 sampai 1. Jika R(n) < C(n) maka kromosom ke-n adalah induk, selain itu pilih kromosom ke-n sebagai induk jika C(n-1) < R(n) < C(n). Hasilnya akan terbentuk kromosom baru.
5. Proses crossover dilakukan dengan cara membangkitkan bilangan acak (R) sebanyak jumlah populasi. Kromosom yang dipilih sebagai induk adalah jika:
R(n) < Probabilitas crossover (Pc) Kromosom yang terpilih dipersilangkan dengan menukar gen pada induk pertama dengan gen pada induk kedua, dan seterusnya. Posisi gen yang akan dipertukarkan ditentukan dengan mengambil bilangan acak. Gen yang terpilih dipersilangkan dan akhirnya kromosom baru terbentuk.
Proses Elitism dilakukan dengan cara memilih gen terbaik sebagai calon solusi setelah hasil seleksi. Untuk memilih gen yang terbaik, perlu dilakukan penilaian terhadap error yang dihasilkan dengan persamaan:
Error = |Yaktual – Yprediksi|/Yaktual
6. Proses mutasi dilakukan dengan cara menghitung panjang total gen dengan persamaan:
Panjang gen = 2 * jumlah populasi
Jumlah mutasi diperoleh dengan menggunakan persamaan:
Jumlah Mutasi = Pm * panjang gen
Posisi gen yang akan dimutasikan dipilih secara acak sebanyak jumlah mutasi. Gen-gen yang terpilih akan digantikan dengan gen baru yang diambil secara acak. 7. Jika kondisi berhenti telah tercapai, hitung kembali
kromosomnya untuk mendapatkan nilai fitness yang terkecil. Gen A dan gen B pada kromosom tersebut menjadi solusi yang paling optimum
8. Gen A dan gen B dihitung untuk mendapatkan nilai prediksi dengan menggunakan persamaan:
Prediksi = gen A + 6 * gen B
Pengujian Sistem
Pengujian sistem terbagi dalam dua kategori diantaranya adalah pengujian sistem dan pengujian performansi prediksi menggunakan algoritma genetika untuk menganalisis alternatif pembangkit listrik yang akan dioperasikan.
Pengujian performansi dilakukan dengan menggunakan data aktual dari pemakaian beban listrik pada PT. PLN (Persero) Wilayah Riau-Kepri Cabang Dumai UP. Bengkalis. Yang akan diprediksi adalah pemakaian beban listrik pada tanggal 7 Oktober 2007. Pengujian dilakukan sebanyak 5 kali pengujian dengan data yang sama. Performansi diperoleh dengan menghitung rata-rata performansi yang diberikan pada setiap kali pengujian. Data-data yang dibutuhkan pada pengujian performansi diantaranya:
1. Data pemakaian beban listrik selama lima minggu sebelumnya yaitu: Tanggal Aktual Waktu Operasi 02/ 09/ 2007 09/ 09/ 2007 16/ 09/ 2007 23/ 09/ 2007 30/ 09/ 2007 07/10/ 2007 1:00 5071 4042 5285 5058 5013 5293 2:00 4912 3965 5071 5072 5103 5132 3:00 4767 3823 4922 4949 4981 5074 4:00 4597 3785 4601 4488 4561 5255 5:00 4629 3782 4703 4207 4480 5047 6:00 5342 4040 4928 4285 4278 4863 7:00 5181 3994 4374 4525 4258 4536 8:00 5016 3885 4373 4371 4270 4300 9:00 4839 4077 4514 4599 4365 3893 10:00 4879 4086 4577 4705 4410 4000 11:00 4864 4106 4764 4704 4892 4202 12:00 4900 4088 4824 4925 4983 4223 13:00 5022 4080 4832 4955 4053 4490 14:00 5093 4393 5117 5193 4470 4609 15:00 5085 4531 4663 4801 4612 5353 16:00 5000 4465 4653 4866 4789 4664 17:00 2303 4552 4478 4442 4213 4514 18:00 4224 3552 4210 4949 4388 4310 19:00 4191 5097 4847 3959 5412 4931 20:00 3108 5128 4890 3884 5566 4948 21:00 4269 5021 4912 3907 5543 4875 22:00 4108 4876 4920 4934 5376 5315 23:00 4168 5282 4859 4637 4924 5105 24:00:00 4235 4926 5290 5131 5179 4716
2. Parameter algoritma genetika dipilih secara acak, diantaranya: a.Jumlah Generasi = 25 b.Ukuran Populasi = 16 c.Probabilitas crossover (Pc) = 0,61 d.Probabilitas Mutasi (Pm) = 0,41 e.Performansi = 0,58 Hasil Pengujian
Dari pengujian sistem yang telah dilakukan, rata-rata performansi prediksi yang dihasilkan adalah sebesar 96,77296 %, dan memberikan alternatif pembangkit yang akan dioperasikan sesuai dengan kombinasi dari unit pembangkit yang dihasilkan.
Aktual Hasil Prediksi Performansi Waktu Operasi 07/10/2007 07/10/2007 % 01:00 5293 5048,8 96,84 02:00 5132 5045,6 95,42 03:00 5074 4903,6 95,438
04:00 5255 4547,8 96,816 05:00 5047 4477 97,342 06:00 4863 4284,4 93,75 07:00 4536 4369,6 97,925 08:00 4300 4372 99,614 09:00 3893 4493,6 99,104 10:00 4000 4588 98,576 11:00 4202 4806,4 96,992 12:00 4223 4880 97,566 13:00 4490 4809 94,998 14:00 4609 5028,4 96,22 15:00 5353 4672,6 98,77 16:00 4664 4776,2 99,206 17:00 4514 4257 93,56 18:00 4310 4227,4 99,08 19:00 4931 4844 96,07 21:00 4875 4646 96,38 22:00 5315 4911,2 98,62 23:00 5105 4836,6 98,12 24:00 4716 5138,8 96,256
Perbandingan antara nilai prediksi dengan nilai aktual pada tanggal 7 Oktober 2007 dapat dilihat pada grafik berikut ini:
0 1000 2000 3000 4000 5000 6000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Aktual Prediksi
Gambar Grafik perbandingan antara nilai aktual dengan hasil prediksi
3.
PENUTUP
Algoritma genetika dapat digunakan untuk memprediksi pemakaian beban listrik.
Performansi yang diberikan oleh algoritma genetika dalam memprediksi pemakaian beban listrik pada PT. PLN (Persero) adalah sekitar ± 96,77296 %.
Parameter-parameter yang diperlukan oleh sistem adalah: jumlah pembangkit, daya masing-masing pembangkit, rugi daya, data pemakaian beban selama lima minggu sebelumnya, jumlah generasi, ukuran
populasi, probabilitas crossover, probabilitas mutasi, dan performansi.
Informasi yang diberikan oleh sistem adalah berupa prediksi pemakaian beban pada waktu tertentu, jumlah daya yang harus disalurkan dan alternatif pembangkit yang layak dioperasikan.
Agar hasil prediksi lebih akurat, perlu adanya penambahan faktor-faktor eksternal yang ikut berperan dalam memprediksi pemakaian beban listrik misalnya parameter bulanan yang terdiri dari: faktor cuaca, faktor suhu, faktor kebiasaan konsumen.
Adanya perbandingan metode dalam memprediksi pemakaian beban listrik untuk mendapatkan hasil prediksi yang lebih baik.
Dengan adanya sistem prediksi pemakaian beban listrik ini dapat memberikan rekomendasi kepada PLN dalam mengelola dan mengatur pengoperasian pembangkit sehingga kebutuhan konsumen terhadap listrik terlayani dengan baik.
4.
Daftar Pustaka
[1].A. El-Sharkawi, Mohamed, Role Of Computational Intelligence In Targeted Forecasting.
http://cialab.ee.washington.edu/index_files/tutorial/ef.pdf
[2].Basuki, Ahmad, Trip & Trik Algoritma Genetika,
http://lecturer.eepis-its.edu/~basuki/lecture/TipsnTrikGA.pdf
[3].Dahal, Keshav, Soft computing techniques for optimisation and scheduling.
http://eastwest.inf.brad.ac.uk/document/2005%20Apr/Ke sahvChiangmai-SchedulingOptimisation.pdf
[4].Hilal, Hamzah, Metode Programming Linier Untuk Menyelesaikan Problem Pembangkitan Ekonomis Pada Sistem Tenaga Listrik.
http://komputasi.inn.bppt.go.id/semiloka05/1605.pdf [5].Hutauruk, Transmisi Daya Listrik, Jakarta: Erlangga,
1985.
[6].Javadi, Shahram, Software Development for Optimum Allocation of Power System Elements Based on Genetic Algorithm.
http://www.labplan.ufsc.br/congressos/WSEAS/papers/5 17-242.pdf
[7].Suyanto, Algoritma Genetika dalam Matlab, Yogyakarta: Andi Yogyakarta, 2005.
