16
BAB III
PERANCANGAN SISTEM
Bab perencanaan sistematis ini menjelaskan bagaimana backpropagation atau jaringan syaraf tiruan menggunakan metode backpropagation dapat digunakan untuk memprediksi potensi energi listrik dari radiasi dan kecepatan angin desain yang digunakan dan langkah-langkah yang diambil
1. Mempelajari literatur yang berhubungan dengan skripsi ini.
2. Pengumpulan data deret waktu cuaca dari 2012-2021
3. Analisis dan perancangan jaringan syaraf tiruan time series propagasi balik untuk prakiraan cuaca.Mengevaluasi hasil prediksi yang telah dibuat sistem.
4. Konversi hasil data prakiraan cuaca menjadi energi listrik.
Dalam melakukan penelitian ini ada beberapa tahapan dalam melakukan penelitian ini yang dilakukan secara sistematis dimulai dengan praskripsi, studi literatur, dan diakhiri dengan tahap akhir yaitu penulisan laporan untuk mencapai hasil yang diinginkan. Tahap-tahap dalam penelitian ini secara sistematis dapat dilihat pada Gambar 3.1
Mulai
Studi Literatur
Mengubah Data Dengan Microsoft Excel Apakah data
terpenuhi
Pengambilan Data Penelitian: Data Iradiasi Matahar Dan Kecepatan Angin
A
A
Simulasi Data Iradiasi Matahari Dan Kecepatan Angin dengan Jaringan Syaraf Tiruan
Konversi Iradiasi Matahari dan Kecepatan Angin Menjadi Daya Keluaran
Analisis dan Penyusunan Laporan
Selesai
Gambar 3.1 Diagram Alir Penelitian
17
DATA IRADIASI MATAHARI DAN
KECEPATAN ANGIN
NORMALISASI
DENORMALISASI PELATIHAN
KONVERSI MENJADI DAYA
PENGUJIAN DAN
PREDIKSI
Gambar 3.2 Diagram Blok
Prediksi potensial listrik berdasarkan radiasi dan kecepatan angin menggunakan metode jaringan syaraf tiruan backpropagation dengan tahapan sebagai berikut :
1. Setelah mendapatkan data intensitas matahari dan data kecepatan angin kemudian didapat parameter data.
2. Bagi data menjadi dua kelompok yaitu 70% untuk pelatihan jaringan syaraf tiruan dan 30% untuk proses pengujian
3. Melakukan normalisasi data untuk disimulasikan di Matlab.
4. Memasukan data input untuk proses pelatihan untuk mendapatkan jaringan.
5. Melakukan pengujian dan prediksi dengan berdasarkan jaringan yang dibuat saat pelatihan dengan nilai MSE terkecil.
6. Menggunakan Backpropagation sebagai metode pelatihan maju atau mundur untuk mendapatkan nilai kesalahan yang lebih kecil. Dan melakukan denormalisasi kembali.
7. Setelah hasil simulasi dengan jaringn syaraf tiruan berhasil maka data iradiasi matahari dan kecepatan angin siap untuk dikonversi menjadi daya keluaran
3.1 Pengumpulan Data
Data yang diperlukan pada penelitian ini adalah data sekunder berupa data suhu lingkungan, kelembaban, intensitas radiasi matahari dan kecepatan angin.
Data suhu lingkungan, kelembaban, dan kecepatan angin diperoleh dari kantor BMKG Salahuddin di Kota Bima, dan radiasi matahari dihitung oleh peneliti sendiri. Data berikut digunakan untuk mensimulasikan jaringan saraf tiruan.
18 Table 3.1 Data Kecepatan Angin
Tahun Bulan
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
2012 2 1 1 1 1 2 2 3 3 2 2 1
2013 1 1 1 2 3 3 3 3 3 4 2 1
2014 1 1 1 1 2 3 3 3 3 3 3 1
2015 2 2 2 2 3 4 6 6 6 5 3 2
2016 1 1 1 1 2 3 3 3 3 3 1 1
2017 2 1 1 1 1 2 2 3 3 2 2 1
2018 1 1 1 1 2 3 3 3 3 3 1 1
2019 1 1 1 2 3 3 3 3 3 4 2 1
2020 1 1 1 1 2 3 3 3 3 3 3 1
2021 2 2 2 2 3 4 6 6 6 5 3 2
Tabel 3.2 Data Intensitas Radiasi Matahari
Tahun
Bulan
Jan Feb Mar Apr Mei Jun Jul Agus Sep Okt Nov Des 2012 432 432 445 501 504 478 510 546 543 526 400 400 2013 433 449 488 533 533 523 553 540 562 565 488 439 2014 397 472 440 469 547 527 537 546 560 556 543 459 2015 492 450 470 486 486 522 535 557 544 508 496 395 2016 469 420 462 498 508 478 488 530 521 488 478 368 2017 468 419 462 498 507 478 488 530 520 488 478 367 2018 433 432 446 501 504 478 510 546 543 527 400 400 2019 433 449 488 534 534 524 553 540 563 566 488 440 2020 398 473 441 470 548 528 538 547 561 557 544 460 2021 491 449 469 485 485 520 533 556 543 507 494 394
3.2 Pengolahan data
Data yang terkumpul kemudian menjadi dua bagian, yaitu 70% data latih dan 30% data uji.. Data utama yang diperlukan yaitu data iradiasi matahari dan kecepatan angin, sedangkan data kelembaban dan penyinaran matahari digunakan untuk mendukung perhitungan konversi. Data di normalisasi pada skala (0,1-0,9) sehingga data dapat dimasukkan ke dalam jaringan. Agar jaringan dapat mengolah data masukan maka jaringan dibentuk menjadi pola sesuai tabel 3.3. Pembagian
19
dataset dengan perbandingan 70% untuk proses training dan 30% untuk proses testing melalui potongan source code yang terlihat pada gambar 3.3 sebagai berikut.
% menyiapkan data latih normalisasi
tahun_latih = 7; % tahun 2012 s.d tahun 2018 jumlah_bulan = 12;
data_latih_norm = zeros(jumlah_bulan*tahun_latih- jumlah_bulan,jumlah_bulan);
% menyiapkan data uji normalisasi
tahun_uji = 3; % tahun 2019 s.d tahun 2021 jumlah_bulan = 12;
data_uji_norm = zeros(jumlah_bulan*tahun_uji- jumlah_bulan,jumlah_bulan);
Gambar 3.3 Pembagian Dataset
Pada gambar 3.3 pembagian dataset yang dilakukan pada data radiasi matahari dan data kecepatan angin selama 10 tahun. Untuk data training selama 7 tahun dan data testing selama 3 tahun. Adapun keluaran data training dan testing pada data radiasi matahari dan kecepatan angin dibawah ini, secara keseluruhan dapat dilihat pada halaman lampiran.
Table 3.3 Memberi Pola Data Training
No Data latih Target
1 Januari 2012 - Desember 2012 Januari 2013 2 Februari 2012 - Januari 2013 Februari 2013 3 Maret 2012 - Februari 2013 Maret 2013 4 Apilr 2012 - Maret 2013 April 2013 5 Mei 2012 - April 2013 Mei 2013 6 Juni 2012 - Mei 2013 Juni 2013 7 Juli 2012 - Juni 2013 Juli 2013 8 Agustus 2012 - Juli 2013 Agustus 2013 9 September 2012 - Agustus 2013 September 2013 10 Oktober 2012 - September 2013 Oktober 2013 11 November 2012 - Oktober 2013 November 2013 12 Desember 2012 – November 2013 Desember 2013 13 Januari 2013 – Desember 2014 Januari 2014 14 Februari 2013 – Januari 2014 Februari 2014
. . .
. . .
. . .
72 Desember 2017 - November 2018 Desember 2018
20
Setelah melalui preprocessing data diperoleh 72 data latih yang dapat digunakan dalam penelitian. Dalam dataset yang diperoleh, dataset kemudian dipisahkan berdasarkan rentang tahun, yaitu tahun 2012-2018 digunakan sebagai dataset training dan sisanya tahun 2019-2021 digunakan sebagai testing.
Pembagian dataset testing lebih jelas pada tabel 3.4 Tabel 3.4 Membuat Pola Data Testing
No Input Target
1 Januari 2019 - Desember 2019 Januari 2020 2 Februari 2019 - Januari 2020 Februari 2020 3 Maret 2019 - Februari 2020 Maret 2020 4 Apr 2019 - Maret 2020 April 2020
5 Mei 2019 - April 2020 Mei 2020
6 Juni 2019 - Mei 2020 Juni 2020
7 Juli 2019 - Juni 2020 Juli 2020 8 Agustus 2019 - Juli 2020 Agustus 2020 9 Sep 2019 - Agustus 2020 September 2020 10 Oktober 2019 - September 2020 Oktober 2020 11 Nov 2019 - Oktober 2020 November 2020 12 Desember 2019 - November 2020 Desember 2020
. . .
. . .
. . .
24 Desember 2020 - November 2021 Desember 2021 3.3 Perancangan
Perencanaan sistem pada jaringan syaraf tiruan dengan metode multilayer network (jaringan layar jamak) menggunakan metode backpropagation. Dengan metode backpropagation, jaringan dilatih untuk menyeimbangkan pengenalan pola selama proses pelatihan dan memberikan respon yang baik dalam pengujian.
Pengenalan pola dengan jaringan syaraf tiruan memiliki keterbatasan ketika hanya satu lapisan yang digunakan. Menambahkan lapisan tersembunyi antara lapisan input dan output mengatasi kelemahan ini. Dalam beberapa kasus, pengguna lebih dari satu lapisan tersembunyi memiliki kelebihan, tetapi pelatihan membutuhkan
21
waktu lama. Jadi gunakan satu hidden layer terlebih dahulu saat menjelajah untuk mendapatkan waktu yang relatif singkat. Peramalan daya membutuhkan data atau pola input yang relatif besar, dalam hal ini jaringan multilayer dengan algoritma propagasi balik dan metode pembelajaran terawasi adalah pilihan yang tepat.
Berdasarkan kompleksitas masalah yang akan dipecahkan dan jumlah data yang digunakan, model JST dengan algoritma backpropagation dikembangkan dan dipelajari. Arsitektur JST memiliki jaringan multilayer terdapat tiga macam lapisan yaitu:
• Lapisan pertama adalah lapisan masukan (input layer), yang terdiri dari beberapa neuron, yang jumlahnya disesuaikan dengan pola data masukan
• Lapisan kedua adalah lapisan tersembunyi, dimana jumlah neuron ditentukan secara trial and error, yang memiliki nilai MSE paling rendah dan cenderung menurun.
• Lapisan ketiga, yaitu lapisan keluaran (output layer), terdiri dari satu neuron yang menghasilkan dan menampilkan hasil prediksi.
3.4 Simulasi Jaringan Syaraf Tiruan
Data iradiasi matahari dan kecepatan angin disimulasikan dengan metode jaringan syaraf tiruan backpropgation dalam software Matlab 2019b untuk melakukan training dan testing untuk pemilihan arsitektur jaringan dengan metode backpropagation, setelah melakukan pengujian maka dilanjutkan dengan tahap selanjutnya yaitu prediksi sesuai jaringan yang dibuat saat pelatihan.
3.5 Normalisasi Data
Sebelum data training dan testing dimasukan kedalam simulasi Matlab jaringan syaraf tiruan maka data harus dinormalisasikan dengan range [1 s/d 9], karena data input jaringan syaraf tiruan menggunakan fungsi aktivasi logsig (sigmoid biner). Tetapi lebih baik jika ditansformasikan ke bilangan interval yang lebih kecil, misalnya pada interval [0.1 s/d 0.9]. Karena fungsi sigmoid biner merupakan fungsi asimtotik yang nilainya tidak pernah mencapai 0 ataupun 1.
Untuk menghitung nilai normalisasi menggunakan rumus pada persamaan 3.1 sebagai berikut:[13]
(3.1)
22 Keterangan:
𝑥′ = data yang akan diubah x = data yang dinormalisasi a = data minimun
b = data maksimum
Source code untuk melakukan normalisasi data kecepatan angin dan intensitas radiasi matahari menggunakan Matlab :
clc; clear; close all; warning off all;
data_asli = xlsread('data_radiasi_matahari',2,'H5:S14');
% proses normalisasi data min_data = min(data_asli);
max_data = max(data_asli);
[m,n] = size(data_asli);
data_norm = zeros(m,n);
for x = 1:m
for y = 1:n
data_norm(x,y) = 0.1+0.8*(data_asli(x,y)min_data) /(max_data-min_data);
end
end
Gambar 3.4 Source Code Normalisasi Data 3.6 Denormalisasi
Kemudian data hasil normalisasi akan di denormalisasi. Denormalisasi adalah proses mengembalikan data yang di normalisasi ke bentuk aslinya menggunakan nilai pelatihan dan hasil pengujian. Berikut ini adalah rumus denormalisasi yang dapat digunakan pada Persamaan 3.2: [13]
(3.2) Keterangan:
x” = data denormalisasi x’ = data normalisasi a = data minimum b = data maksimum
3.7 Konversi Intensitas Radiasi Matahari Dan Kecepatan Angin Menjadi Potensi Daya Keluaran.
3.7.1 Pembangkit Listrik Tenaga Surya
Pada penelitian ini menggunakan sel surya policystalline 200 WP Dengan parameter:
23 Tabel 3.5 Parameter Konversi Tenaga Surya
Vmp (V)
Imp (A)
Voc (V)
Isc (A)
Panjang modul (mm)
Lebar modul (mm) 26,9 7,43 32,3 8,33 1482 992
Dalam melakukan konversi iradiasi matahari menjadi daya maka dibutuhkan parameter seperti tabel 3.5 diatas. Data iradiasi matahari di lakukan prediksi dengan jaringan syaraf tiruan metode backpropagation dengan nilai error minimum untuk menghasilkan daya keluaran energi surya.
Setelah didapatkan data intensitas radiasi matahari jaringan latih buatan dari hasil simulasi, selanjutnya disesuaikan dengan spesifikasi PV. Jadi simulasi intensitas matahari dikonversikan ke daya keluaran menggunakan Persamaan 2.1 di atas. Contoh perhitungan PLTS, rata-rata iradiasi matahari yang digunakan pada bulan Januari 2012 adalah 432 W/m2. Untuk inverter biasanya 95%, dan efisiensi panel sebesar 13,59%.
𝑃𝑜𝑢𝑡 = 𝐼. 𝐴. 𝐸𝑝. 𝐸𝑖 (3.3) 𝑃𝑚𝑎𝑥 = 𝑉𝑜𝑐. 𝐼𝑠𝑐. 𝐹𝐹 (3.4) (3.5)
𝑃𝑚𝑎𝑥 = 32,3 𝑥 8,33 𝑥 0,743 = 199,91 Watt
𝜂 = 𝑃𝑚𝑎𝑥
𝑙𝑢𝑎𝑠 𝑚𝑜𝑑𝑢𝑙 𝑠𝑒𝑙 𝑠𝑢𝑟𝑦𝑎 𝑥 100% (3.6) 𝜂 = 199,91 𝑊𝑎𝑡𝑡
1,472 𝑥 100% = 13,59%
Dimana luas 1,47m2 adalah luas satu modul surya, sedangkan luas keseluruhan modul surya adalah 7,35m2.[17]
𝑃𝑖𝑛 = 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝑟𝑎𝑑𝑖𝑎𝑠𝑖 𝑚𝑎𝑡𝑎ℎ𝑎𝑟𝑖 𝑥 𝑙𝑢𝑎𝑠 𝑚𝑜𝑑𝑢𝑙 𝑠𝑒𝑙 𝑠𝑢𝑟𝑦𝑎 (3.7)
24
𝑃𝑖𝑛 = 432 𝑥 7,35 = 3.175,2 Watt
𝑃𝑜𝑢𝑡 = 3.175,2 𝑥 13,59% 𝑥 95% = 409,93 Watt 3.7.2 Pembangkit Listrik Tenaga Angin/Bayu
Parameter : Menggunakan wind turbin LWS, spesifikasi wind turbin:
Nilai daya : 1000 watt efektif Turbin angin terukur : 6m/s Kecepatan angin cut-in : 2m/s
Perlindungan kecepatan angin : kontrol tegangan Diameter rotor : 4 m
Tegangan keluaran terukur : 220/240 V
Berdasarkan parameter turbin angin diatas maka kecepatan angin yang digunakan pada bulan Januari 2012 adalah 2 m/s sebagai contoh perhitungan PLTB dengan persamaan 2.5 saat menghitung daya keluaran generator. Diameter turbin 4m, efisiensi generator sebesar 86% dan kerapatan udara biasanya 1.225 kg/m3.
𝐴 = 𝜋 . 𝑟2 (3.8) A adalah luas penampang
𝐴 = 3,14 . 22 = 12,56 𝑚2
(3.9)
= 52,93 watt
