TUGAS AKHIR
ANALISIS PERKIRAAN BEBAN LISTRIK PADA SISI TEGANGAN RENDAH DI PLN (PERSERO) UNIT PELAKSANA PELAYANAN PELANGGAN CIRACAS DENGAN MENGGUNAKAN METODE BACKPROPAGATION
NEURAL NETWORK
Diajukan guna melengkapi sebagian syarat Dalam mencapai gelar Sarjana Strata Satu (S1)
Disusun Oleh :
Nama : Ade Gumilar
NIM : 41416110061
Pembimbing : Akhmad Wahyu Dani, ST, MT
PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK
UNIVERSITAS MERCU BUANA JAKARTA
2020
ABSTRAK
Dengan semakin bertambahnya jumlah penduduk hal itu akan menyebabkan kebutuhan akan penggunaan energi listrik tiap tahunnya akan semakin bertambah. Dari data Rencana Usaha Penyediaan Tenaga Listrik PT PLN (Persero) tahun 2019 sampai dengan 2028, tentang proyeksi penjualan tenaga listrik tercatat pada tahun 2017 jumlah penduduk Indonesia 262.24 juta dengan penjualan tenaga listrik (Gwh) rumah tangga 93.837, bisnis 40.873, publik 14.641, dan industri 71.716. Penggunaan listrik yang tidak terkendali akan mengakibatkan terjadinya overload yang dapat berdampak pada kerusakan peralatan listrik di sisi jaringan tegangan rendah. Untuk itu perencanaan sistem tenaga listrik sangat penting bagi penyedia tenaga listrik (PLN). Salah satunya hal yang dapat dilakukan yaitu adalah dengan cara melakukan peramalan beban listrik Salah satu algoritma yang digunakan untuk melakukan peramalan dalam jaringan syaraf tiruan adalah backpropagation. Dengan melakukan pengujian pada aplikasi software RapidMiner algoritma backpropagation akan diuji dengan menggunakan beberapa parameter, yaitu learning rate, momentum, dan training cycles. Operator yang digunakan yaitu operator windowing, multiply, neural net, apply model, dan performance. Parameter pada operator windowing nilai yang digunakan adalah angka 5 untuk window size dan angka 1 untuk step size.
Sedangkan parameter pada Neural Net yang diatur yaitu training cycles 200/500, learning rate 0.01/0.02 dan momentum 0.9/0.8 selama pengujian parameter Neural Net nilainya menyesuaikan parameter yang digunakan.
Optimasi neural network pada analisis perkiraan beban untuk waktu tertentu pada jaringan tegangan rendah, dengan menggunakan parameter windowing dengan window size 5 dan step size 1 akan menghasilkan struktur neural network algoritma backpropagation dengan 10 input, 1 Hidden Layer (7 neuron), dan 1 output memiliki root mean squared error yang terkecil dengan menggunakan parameter Neural Net dengan Learning Rate 0.02 Momentum 0.9 dan Training Cycles 500. Sehingga analisa waktu perkiraan beban untuk waktu tertentu pada jaringan tegangan rendah dapat diprediksi dengan memiliki root mean squared error yaitu untuk Beban R 8.403, Beban S 10.67 dan Beban T 4.806.
.
Kata Kunci : peramalan, jaringan tegangan rendah, backpropagation, root mean squared error.
KATA PENGANTAR
Puji syukur atas kehadirat Allah SWT penulis dapat menyusun laporan Tugas Akhir ini yang berjudul “Analisis Perkiraan Beban Listrik Pada Sisi Tegangan Rendah Di PLN (Persero) Unit Pelaksana Pelayanan Pelanggan Ciracas Dengan Menggunakan Metode Backpropagation Neural Network”.
Tentunya dalam menyelesaikan laporan Tugas Akhir ini, penulis mendapat banyak bantuan moril dan non moril serta motivasi dari banyak pihak. Oleh karena itu penulis ingin mengucapkan rasa terima kasih kepada :
1. Allah SWT yang telah memberikan kelancaran dalam kegiatan penelitian Tugas Akhir ini.
2. Ayah dan Ibu serta keluarga tercinta yang telah memberikan ijin, doa, motivasi baik materil dan spritual.
3. Dr. Setiyo Budiyanto, ST, MT selaku Ketua Jurusan Teknik Elektro Fakultas Teknik Universitas Mercu Buana.
4. Bapak Akhmad Wahyu Dani, ST, MT selaku pembimbing dan Dosen Jurusan Teknik Elektro Universitas Mercu Buana.
5. Seluruh Dosen program studi Teknik Elektro Universitas Mercu Buana di Kampus Meruya
6. Bapak Nur Widi Priambodo, ST, MT selaku Analis Enggineer PT PLN (Persero) Pusat penelitian dan pengembangan ketenagalistrikan.
7. Teman-teman dari kelas Reguler 2 Universitas Mercu Buana Kampus Meruya program studi Teknik Elektro Angkatan 29 yang selalu kompak.
8. Rekan-rekan pegawai PLN angkatan 12 dan teman teman di PT PLN (Persero) Unit Pelaksana Pelayanan Pelanggan Ciracas, Bagian pengatur jaringan.
9. Rekan kerja di PT PLN (Persero) Pusat sertifikasi Lab Tegangan dan Arus Tinggi
10. Semua pihak yang membantu dan menyelesaikan Tugas Akhir ini.
Penulis menyadari bahwa dalam pembuatan laporan tugas akhir ini masih banyak kekurangan dalam penulisan dan penyusunannya, oleh karena itu penulis dengan senang hati menerima kritik dan sarannya yang bersifat membangun demi penyempurnaan Tugas Akhir ini. Semoga Tugas Akhir ini dapat bermanfaat bagi semua pihak dan tambahan ilmu, bagi rekan-rekan mahasiswa Mercu Buana, rekan Mahasiswa lainya semua pembaca dan bagi penulis khususunya.
Jakarta, 26 Juni 2020 Penulis
Ade Gumilar
DAFTAR ISI
LEMBAR PERNYATAAN ...i
LEMBAR PENGESAHAN ...ii
ABSTRAK ...iii
KATA PENGANTAR...iv
DAFTAR ISI...vi
DAFTAR GAMBAR...ix
DAFTAR TABEL ...xiii
DAFTAR GRAFIK ...xvi
BAB I PENDAHULUAN...1
1.1 Latar Belakang ...1
1.2 Rumusan Permasalahan...4
1.3 Tujuan Tugas Akhir ...4
1.4 Batasan Masalah...4
1.5 Metode Penelitian...5
1.6 Sistematika Penulisan...6
BAB II LANDASAN TEORI ...7
2.1 Tinjauan Pustaka ...7
2.2 Definisi-definisi Peramalan Beban...9
2.2.1 Pengertian Peramalan Beban ...9
2.2.2 Tipe-tipe Beban ...11
2.3 Pengertian Beban Listrik ...12
2.3.1 Beban Resistif (R) ...12
2.3.2 Beban Induktif (L) ...13
2.3.3 Beban Kapasitif (C) ...13
2.4 Pengertian Jaringan Tegangan Rendah ...14
2.5 Pengertian Jaringan Syaraf Tiruan ...16
2.5.1 Neuron...17
2.5.2 Metode Pelatihan Jaringan Saraf Tiruan ...18
2.5.3 Fungsi Aktivasi Jaringan Saraf Tiruan...19
2.5.4 Arsitektur Jaringan Saraf Tiruan ...22
2.5.5 Backpropagation ...25
2.5.6 Arsitektur dan Pelatihan Jaringan Backpropagation ...26
2.6 Performance Evaluation ...28
2.6.1 Root Mean Square Error (RMSE) ...28
2.7 Aplikasi RapidMiner ...29
2.8 Operator Windowing ...30
2.8.1 Konsep Windowing ...31
2.9 Operator Neural Net ...32
2.9.1 Hidden layers ...32
2.9.2 Training cycles ...33
2.9.3 Momentum ...33
BAB III METODE PENELITIAN ...34
3.1 Waktu dan Tempat penelitian ...34
3.2 Objek Penelitian ...34
3.3 Bahan Penelitian...35
3.4 Alat yang Digunakan...36
3.5 Langkah Penelitian ...37
3.6 Pengolahan Data...38
3.7 Design untuk Melakukan Pengujian ...40
BAB IV HASIL DAN PEMBAHASAN ...41
4.1 Pengujian Menggunakan Software RapidMiner ...41
4.1.1 Pengumpulan Data...41
4.1.2 Mempersiapkan Data ...41
4.2 Parameter Windowing ...43
4.3 Parameter Neural Net ...44
4.4 Pengujian Beban R ...44
4.4.1 Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...46
4.4.2 Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...48
4.4.3 Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...50
4.4.4 Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...52
4.4.5 Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...54
4.4.6 Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...56
4.4.7 Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...58
4.4.8 Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...60
4.5 Pengujian Beban S ...62
4.5.1 Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...64
4.5.2 Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...66
4.5.3 Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...68
4.5.4 Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...70
4.5.5 Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...72
4.5.6 Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...74
4.5.7 Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...76
4.5.8 Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...78
4.6 Pengujian Beban T ...80
4.6.1 Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...82
4.6.2 Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...84
4.6.3 Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...86
4.6.4 Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...88
4.6.5 Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...90
4.6.6 Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...92
4.6.7 Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...94
4.6.8 Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...96
4.7 Rangkuman Hasil Pengujian ...98
BAB V PENUTUP...99
5.1 Kesimpulan...99
5.2 Saran ...99
DAFTAR PUSTAKA ...100
LAMPIRAN...102
DAFTAR GAMBAR
Gambar 2.1 Gelombang Resisitif AC ...12
Gambar 2.2 Grafik Arus dan Tegangan Pada Beban Resistif...12
Gambar 2.3 Gelombang Induktif AC...13
Gambar 2.4 Grafik Arus dan Tegangan Pada Beban Induktif ...13
Gambar 2.5 Gelombang Kapasitif AC ...14
Gambar 2.6 Grafik Arus dan Tegangan Pada Beban Kapasitif ...14
Gambar 2.7 Koneksi Tegangan Menengah ke Tegangan Rendah dan Konsumen ...15
Gambar 2.8 Diagram Jaringan Syaraf Tiruan ...17
Gambar 2.9 Struktur Unit Jaringan Syaraf Tiruan ...18
Gambar 2.10 Fungsi aktivasi sigmoid biner ...20
Gambar 2.11 Fungsi aktivasi sigmoid bipolar ...21
Gambar 2.12 Fungsi aktivasi Identitas...21
Gambar 2.13 Fungsi Threshold...22
Gambar 2.14 Jaringan Dengan Lapisan Tunggal...23
Gambar 2.15 Jaringan Dengan Banyak Lapisan ...23
Gambar 2.16 Jaringan Dengan Lapisan Kompetitif ...24
Gambar 2.17 Jaringan Umpan Maju (Feedforward Network) ...24
Gambar 2.18 Jaringan Umpan Balik (Recurrent Network) ...25
Gambar 2.19 Arsitektur Jaringan Backpropagation ...26
Gambar 2.20 Aplikasi RapidMiner Studio...29
Gambar 2.21 Konsep Windowing ...31
Gambar 2.22 Operator Windowing ...32
Gambar 3.1 Kontruksi Perangkat Hubung Bagi Gardu Susun ...35
Gambar 3.2 Tahapan Penelitian ...37
Gambar 3.3 Tahapan Pengujian software Rapidminer ...38
Gambar 3.4 Design perspective ...40
Gambar 4.1 Pengujian dengan Operator Windowing...43
Gambar 4.2 Parameter Operator Windowing ...43
Gambar 4.3 Pengujian Beban R pada RapidMiner ...44
Gambar 4.4 RMSE Pengujian Beban R Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...47
Gambar 4.5 RMSE Pengujian Beban R Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...49
Gambar 4.6 RMSE Pengujian Beban R Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...51
Gambar 4.7 RMSE Pengujian Beban R Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...53
Gambar 4.8 RMSE Pengujian Beban R Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...55
Gambar 4.9 RMSE Pengujian Beban R Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...57
Gambar 4.10 RMSE Pengujian Beban R Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...59
Gambar 4.11 RMSE Pengujian Beban R Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...61
Gambar 4.12 Pengujian Beban S pada RapidMiner ...62
Gambar 4.13 RMSE Pengujian Beban S Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...65
Gambar 4.14 RMSE Pengujian Beban S Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...67
Gambar 4.15 RMSE Pengujian Beban S Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...69
Gambar 4.16 RMSE Pengujian Beban S Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...71
Gambar 4.17 RMSE Pengujian Beban S Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...73
Gambar 4.18 RMSE Pengujian Beban S Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...75
Gambar 4.19 RMSE Pengujian Beban S Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...77
Gambar 4.20 RMSE Pengujian Beban S Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...79
Gambar 4.21 Pengujian Beban T pada RapidMiner ...80
Gambar 4.22 RMSE Pengujian Beban T Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...83
Gambar 4.23 RMSE Pengujian Beban T Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...85
Gambar 4.24 RMSE Pengujian Beban T Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...87
Gambar 4.25 RMSE Pengujian Beban T Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...89
Gambar 4.26 RMSE Pengujian Beban T Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...91
Gambar 4.27 RMSE Pengujian Beban T Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...93
Gambar 4.28 RMSE Pengujian Beban T Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...95
Gambar 4.29 RMSE Pengujian Beban T Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...97
DAFTAR TABEL
Tabel 1.1 Data historis penjualan tenaga listrik tahun 2009 s/d 2013 ...1
Tabel 1.2 Data historis penjualan tenaga listrik tahun 2014 s/d 2018 ...2
Tabel 3.1 Data Pada Saat Beban Minimum ...36
Tabel 3.2 Data Pada Saat Beban Maksimum ...36
Tabel 4.1 Data Beban Fasa R, S dan T ...42
Tabel 4.2 ExampleSet (Windowing) Pengujian beban R dengan window size 5 dan step size 1 ...45
Tabel 4.3 Hasil prediktif pengujian Beban R Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...46
Tabel 4.4 Hasil prediktif pengujian Beban R Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...48
Tabel 4.5 Hasil prediktif pengujian Beban R Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...50
Tabel 4.6 Hasil prediktif pengujian Beban R Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...52
Tabel 4.7 Hasil prediktif pengujian Beban R Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...54
Tabel 4.8 Hasil prediktif pengujian Beban R Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...56
Tabel 4.9 Hasil prediktif pengujian Beban R Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...58
Tabel 4.10 Hasil prediktif pengujian Beban R Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...60
Tabel 4.11 ExampleSet (Windowing) Pengujian beban S dengan window size 5 dan step size 1 ...63
Tabel 4.12 Hasil prediktif pengujian Beban S Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...64
Tabel 4.13 Hasil prediktif pengujian Beban S Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...66
Tabel 4.14 Hasil prediktif pengujian Beban S Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...68
Tabel 4.15 Hasil Prediktif pengujian Beban S Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...70
Tabel 4.16 Hasil Prediktif pengujian Beban S Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...72
Tabel 4.17 Hasil Prediktif pengujian Beban S Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...74
Tabel 4.18 Hasil prediktif pengujian Beban S Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...76
Tabel 4.19 Hasil prediktif pengujian Beban S Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...78
Tabel 4.20 ExampleSet (Windowing) Pengujian Beban T dengan window size 5 dan step size 1 ...81
Tabel 4.21 Hasil Prediktif pengujian Beban T Learning Rate 0.01 Momentum 0.8 Training cycles 200 ...82
Tabel 4.22 Hasil Prediktif pengujian Beban T Learning Rate 0.01 Momentum 0.8 Training cycles 500 ...84
Tabel 4.23 Hasil Prediktif pengujian Beban T Learning Rate 0.01 Momentum 0.9 Training cycles 200 ...86
Tabel 4.24 Hasil Prediktif pengujian Beban T Learning Rate 0.01 Momentum 0.9 Training cycles 500 ...88
Tabel 4.25 Hasil Prediktif pengujian Beban T Learning Rate 0.02 Momentum 0.8 Training cycles 200 ...90
Tabel 4.26 Hasil Prediktif pengujian Beban T Learning Rate 0.02 Momentum 0.8 Training cycles 500 ...92
Tabel 4.27 Hasil Prediktif pengujian Beban T Learning Rate 0.02 Momentum 0.9 Training cycles 200 ...94
Tabel 4.28 Hasil Prediktif pengujian Beban T Learning Rate 0.02 Momentum 0.9 Training cycles 500 ...96
Tabel 4.29 Rangkuman Hasil Pengujian...98
DAFTAR GRAFIK
Grafik 4.1 Perkiraan beban R dengan menggunakan learning rate 0.01 momentum 0.8 dan training cycles 200 ...47
Grafik 4.2 Perkiraan beban R dengan menggunakan learning rate 0.01 momentum 0.8 dan training cycles 500 ...49
Grafik 4.3 Perkiraan beban R dengan menggunakan learning rate 0.01 momentum 0.9 dan training cycles 200 ...51
Grafik 4.4 Perkiraan beban R dengan menggunakan learning rate 0.01 momentum 0.9 dan training cycles 500 ...53
Grafik 4.5 Perkiraan beban R dengan menggunakan learning rate 0.02 momentum 0.8 dan training cycles 200 ...55
Grafik 4.6 Perkiraan beban R dengan menggunakan learning rate 0.02 momentum 0.8 dan training cycles 500 ...57
Grafik 4.7 Perkiraan beban R dengan menggunakan learning rate 0.02 momentum 0.9 dan training cycles 200 ...59
Grafik 4.8 Perkiraan beban R dengan menggunakan learning rate 0.02 momentum 0.9 dan training cycles 500 ...61
Grafik 4.9 Perkiraan Beban S dengan menggunakan learning rate 0.01 momentum 0.8 dan training cycles 200 ...65
Grafik 4.10 Perkiraan Beban S dengan menggunakan learning rate 0.01 momentum 0.8 dan training cycles 500 ...67
Grafik 4.11 Perkiraan Beban S dengan menggunakan learning rate 0.01 momentum 0.9 dan training cycles 200 ...69
Grafik 4.12 Perkiraan Beban S dengan menggunakan learning rate 0.01 momentum 0.9 dan training cycles 500 ...71
Grafik 4.13 Perkiraan Beban S dengan menggunakan learning rate 0.02 momentum 0.8 dan training cycles 200 ...73
Grafik 4.14 Perkiraan Beban S dengan menggunakan learning rate 0.02 momentum 0.8 dan training cycles 500 ...75
Grafik 4.15 Perkiraan Beban S dengan menggunakan learning rate 0.02 momentum 0.9 dan training cycles 200 ...77
Grafik 4.16 Perkiraan Beban S dengan menggunakan learning rate 0.02 momentum 0.9 dan training cycles 500 ...79
Grafik 4.17 Perkiraan Beban T dengan menggunakan learning rate 0.01 momentum 0.8 dan training cycles 200 ...83
Grafik 4.18 Perkiraan Beban T dengan menggunakan learning rate 0.01 momentum 0.8 dan training cycles 500 ...85
Grafik 4.19 Perkiraan Beban T dengan menggunakan learning rate 0.01 momentum 0.9 dan training cycles 200 ...87
Grafik 4.20 Perkiraan Beban T dengan menggunakan learning rate 0.01 momentum 0.9 dan training cycles 500 ...89
Grafik 4.21 Perkiraan Beban T dengan menggunakan learning rate 0.02 momentum 0.8 dan training cycles 200 ...91
Grafik 4.22 Perkiraan Beban T dengan menggunakan learning rate 0.02 momentum 0.8 dan training cycles 500 ...93
Grafik 4.23 Perkiraan Beban S dengan menggunakan learning rate 0.02 momentum 0.9 dan training cycles 200 ...95
Grafik 4.24 Perkiraan Beban T dengan menggunakan learning rate 0.02 momentum 0.9 dan training cycles 500 ...97
