PRAKIRAAN BEBAN TENAGA LISTRIK JANGKA PENDEK DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN STUDI KASUS DI KANTOR P.T PLN DISTRIBUSI BANDUNG BURDEN ELECTRICITY SHORT-
RANGE ASSESMENT WITH ARTIFICIAL NEURAL NETWORK METHOD RESEARCH IN P.T. PLN DISTRIBUSI B
Sigit Pramono¹, -²
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Tenaga listrik tidak dapat disimpan dalam skala besar, sehingga akan menjadi masalah apabila P.T PLN membangkitkan tenaga listrik lebih besar dari kebutuhan konsumen. Untuk itu akan lebih baik apabila tenaga listrik dibangkitkan sesuai dengan kebutuhan masyarakat, tidak
mengalami kelebihan tenaga listrik yang terlalu besar sehingga terjadi pemborosan energi. Untuk itu diperlukan suatu metode yang digunakan untuk memprediksikan seberapa besar tenaga listrik yang perlu dibangkitkan agar sesuai dengan kebutuhan konsumen.
Untuk memprediksikan seberapa besar tenaga listrik yang perlu dibangkitkan agar sesuai dengan kebutuhan konsumen, akan dibuat suatu applikasi yang dapat memperkirakan jumlah tenaga listrik yang diperlukan konsumen P.T PLN dalam jangka pendek atau setiap jam dalam satu hari.
Dimana applikasi ini akan dibuat dengan metode Jaringan Syaraf Tiruan Backpropagation Momentum. Keunggulan utama Jaringan Syaraf Tiruan adalah kemampuan komputasi yang pararel dengan cara belajar dari pola-pola yang diajarkan.
Keuntungan yang didapatkan dari hasil pembuatan sistem ini adalah mampunya P.T PLN untuk memprediksikan kebutuhan tenaga listrik sesuai dengan kebutuhan konsumen.
Kata Kunci : Jaringan Syaraf Tiruan Backpropagation Momentum, komputasi yang pararel.
Abstract
It is realized that electricity can not be kept in big amount, will become a trouble if P.T PLN rises electricity higher than customers need. So it’s better that electricity is risen as much as people need, not overloaded that makes a wasteful of energy. Therefore we need a method to predict how much electricity should be risen appropriately to the customers need.
In order to predict how much electricity shoul be risen appropriately to the customers need, we will make an application that approximate the number of electricity needed in a short term or in every hours in a day. This application will be made by Backpropagation Momentum of Artificial Neural Network method. The major superiority of Artificial Neural Network is the ability of paralel computing by learning the taught patterns.
The advantage of this system application is P.T PLN can predict much electricity that should be risen appropriately to the customers need.
Keywords : Backpropagation Momentum of Artificial Neural Network, parallel computation.
BAB I
PENDAHULUAN
1.1 Latar Belakang
Sesuai dengan kemajuan teknologi saat ini dimana pekerjaan yang biasanya dilakukan secara manual akan dikerjakan oleh komputer. Sebagai contohnya yaitu menentukan nilai seberapa besar beban tenaga listrik jangka pendek yang perlu dibangkitkan oleh P.T PLN. Saat ini P.T PLN dalam menentukan besar tenaga listrik yang perlu dibangkitkan dilakukan dengan memberikan nilai tetap sebesar 750 Kva, sehingga memungkinkan sekali P.T PLN mengalami kerugian energi, yaitu energi yang digunakan untuk membangkitkan tenaga listrik, karena jumlah tenaga listrik yang dibangkitkan jauh lebih besar dari kebutuhan konsumen.
Sedangkan kebutuhan tenaga listrik setiap jam adalah kebutuhan yang terpola sesuai dengan pola kegiatan hidup manusia, sehingga kebutuhan tenaga listrik dapat dipelajari polanya, sehingga kebutuhan tenaga listrik dapat diprediksikan.
Dengan adanya masalah penentuan besar tenaga listrik yang perlu dibangkitkan oleh P.T PLN, maka berdasarkan pola kebutuhan tenaga listrik oleh konsumen yang dapat dipelajari akan dibangun sistem yang mampu membantu memprediksikan nilai seberapa besar beban tenaga listrik jangka pendek yang perlu dibangkitkan oleh P.T PLN, dengan tujuan nilai hasil prediksi dapat membantu menentukan seberapa besar tenaga listrik yang perlu dibangkitkan sehingga dapat menyelesaikan kelebihan tenaga listrik yang sangat besar yang mengakibatkan P.T PLN mengalami kerugian.
Dalam memprediksikan seberapa besar tenaga listrik jangka pendek yang harus dibangkitkan oleh P.T PLN akan digunakan metode Jaringan Syaraf Tiruan Backpropagation Momentum, karena Jaringan Syaraf Tiruan mempunyai kelebihan dalam proses forcasting yang lebih cepat, yang lama hanya pada proses pelatihannya saja. Selain itu Jaringan Syaraf Tiruan mempunyai kemampuan mengenali pola-pola data dari data yang dilatihkan.
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
BAB I PENDAHULUAN _______ I - 2
1.2 Perumusan Masalah
P.T PLN dalam membangkitkan tenaga listrik dilakukan dengan memberikan nilai tetap yaitu sebesar 750 Kva tanpa memperdulikan kebutuhan konsumen setiap jam, sehingga akan memungkinkan terjadi pemborosan energi yang digunakan untuk membangkitkan tenaga listrik yang di karenakan besar tenaga listrik yang dibangkitkan P.T PLN jauh lebih besar dari kebutuhan konsumen.
Apabila sistem yang digunakan untuk memprediksikan nilai tenaga listrik yang perlu dibangkitkan oleh P.T PLN belum disediakan maka applikasi yang akan dibangun oleh penulis dapat digunakan untuk membantu memprediksikan beban listrik yang perlu dibangkitkan dimasa yang akan datang, dengan tujuan tenaga listrik yang dihasilkan tidak jauh lebih besar dari kebutuhan konsumen.
Untuk memprediksi beban listrik jangka pendek yang perlu dibangkitkan dimasa yang akan datang akan digunakan metode Jaringan Syaraf Tiruan Backpropagation Momentum.
Output dari sistem ini adalah nilai besar tenaga listrik jangka pendek yang seharusnya dibangkitkan oleh P.T PLN dimasa yang akan datang.
1.3 Tujuan
Tujuan yang ingin dicapai dalam tugas akhir ini adalah :
1. Dapat mengimplementasi metode Jaringan Syaraf Tiruan Backpropagation Momentum yang digunakan untuk memprediksikan kebutuhan tenaga listrik jangka pendek dimasa yang akan datang.
2. Dapat memberikan hasil analisa kesalahan dari data yang dihasilkan oleh applikasi yang dibuat terhadap kebutuhan tenaga listrik yang sesunguhnya berdasarkan suatu parameter dengan satu arsitektur Jaringan Syaraf Tiruan yang sama setiap jamnya.
1.3 Batasan Masalah
Untuk memberikan pedoman yang jelas bagi tugas akhir ini maka penyusun akan membatasi masalah. Batasan masalah tersebut adalah :
1. Studi kasus dilakukan di kantor P.T PLN Distribusi kota Bandung.
2. Prakiraan tenaga listrik adalah prakiraan jangka pendek atau setiap jam.
3. Prakiraan tenaga listrik hanya dilakukan untuk hari – hari biasa bukan hari besar agama ataupun hari libur nasional.
4. Output dari sistem yang dibangun berupa angka yang merupakan hasil prediksi sistem setiap jam.
1.4 Sistematika Pembahasan
Laporan tugas akhir ini disusun dalam lima bab, dengan perincian sebagai berikut :
Bab I PENDAHULUAN
Pada bagian ini dikemukakan secara singkat mengenai latar belakang, perumusan persoalan, batasan persoalan, tujuan dan sistematika pembahasan.
Bab II DASAR TEORI
Pada bagian ini dikemukakan mengenai pengertian dari beban listrik jangka pendek, pengertian dari Jaringan Syaraf Tiruan, struktur Jaringan Syaraf Tiruan Backpropagation, Jaringan Syaraf Tiruan Backpropagation Momentum dan algoritma pelatihan Jaringan Syaraf Tiruan Backpropagation.
Bab III ANALISIS DAN PERANCANGAN.
Pada bagian ini akan diuraikan analisa data yang dibutuhkan sebagai data inputan sistem, perancangan sistem berdasarkan data – data hasil analisa yang dilakukan di kantor PLN distribusi bandung, dan implementasi sistem dari hasil perancangan sistem. Perancangan dan implementasi dilakukan dengan Diagram Aliran Data (DAD).
Bab IV IMPLEMENTASI DAN ANALISA HASIL
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
BAB I PENDAHULUAN _______ I - 4
Pada bagian ini diuraikan hal-hal yang berkaitan dengan hasil implementasi sistem prakiraaan beban jangka pendek dan dilakukan pembahasan tingkat kesalahan sistem yang dilihat dari data yang dihasilkan dari sistem yang dibuat dibandingkan dengan kebutuhan konsumen sesunguhnya.
Bab V KESIMPULAN DAN SARAN
Pada bagian ini dibahas kesimpulan yang diperoleh berdasarkan hasil studi kepustakaan serta analisis hasil implementasi sistem prakiraan jangka pendek. Bagian akhir Bab V ini berisi saran-saran mengenai kemungkinan perbaikan dan pengembangan yang dapat dilakukan untuk penelitian lebih lanjut di masa mendatang.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Berdasarkan hasil penelitian ini disimpulkan bahwa metode Jaringan Syaraf Tiruan backpropagation Momentum lebih baik untuk peramalan beban listrik jangka pendek dibandingkan dengan cara manual yang dilakukan oleh P.T PLN dengan memberi nilai konstant 750 Kva setiap jam.
2. Dari parameter-parameter Jaringan Syaraf Tiruan Backpropagation Momentum dan arsitektur Jaringan Syaraf Tiruan dengan 7 neuron di input layer 16 neuron di hidden layer dan 1 neuron di output layer dari penelitian di atas dapat disimpulkan berdasarkan error rata-rata dan standard deviasi dari hasil pengujian ternyata parameter 1 menghasilkan peramalan yang lebih baik dibandingkan parameter lain untuk meramalkan beban listrik selama 24 jam secara keseluruhan.
5.2 Saran
Penelitian ini merupakan langkah awal dalam menggunakan Jaringan Syaraf Tiruan Backpropagation Momentum untuk prakiraan beban listrik jangka pendek di P.T PLN distribusi Bandung yang masih banyak kekurangan. Penelitian lebih lanjut diharapkan dapat memperbaiki kekurangan dan mendapatkan hasil prakiraan beban listrik jangka pendek yang lebih baik. Untuk mencapai tujuan tersebut diberikan saran sebagai berikut :
1. Digunakan arsitektur jaringan Syaraf tiruan Backpropagation momentum yang lebih baik dengan parameter yang lebih tepat yang dapat memberikan hasil yang lebih akurat dan eppoch pada saat pelatihanya lebih kecil untuk setiap jamnya.
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
BAB V KESIMPULAN dan SARAN V - 2
2. Kemampuan masing-masing pelatihan terhadap data beban listrik dalam mencapai error minimum akan berbeda, pelatihan sebaiknya dihentikan jika sudah mencapai ratusan ribu eppoh, karena jika semakin diteruskan hasilnya belum tentu optimal.
3. Menambahkan variable lain seperti variable cuaca, hari, apakah hari libur atau bukan yang berkorelasi dengan beban listrik sebagai data inputan.
1. dayhoff, Judith E.Neural Network Architecture(An Introduction).USA:Van Nostrad Reinhold.1990.
2. Frenzel, L.W.Crash Course in Artificial Intelligence and Expert System.USA:Howard W.Sams & Co.1987.
3. Haykin, Simon.Neural Networks (A Comprehensive Foundation).New York : Macmillan College Publishing Company.
4. I.C.D.Ananto.Kontrol persajakan pada Text-TO-Speech Bahasa Indonesia berbasis Recurrent Neural Network. Bandung : STTTELKOM,2004.
5. Jong Jek Siang.Jaringan Syaraf Tiruan & Mathlab.ogjakarta : Andi.2004.
6. Linggard, Myers, dan Nightingale.Neural network for Vision Speech and Natural Language.Champman & Hall.England.1992.
7. Rich, Elaine dan Kevin Knight.Artificial Intelligence.New York:McGraw-hill inc.1991.
8. Sri Kusumadewi. Artificial Intelligence (Teknik dan Applikasinya).Jogjakarta :Graha ilmu.2003.
9. Sri kusumadewi.membangun Jaringan Syaraf Tiruan Menggunakan Mathlab
& Exel Link.Jogjakarta : Graha Ilmu.2004.
10. Suparman. Menggenal Artificial Intelligence.Edisi-1.Jogjakarta : Andi Offset.1991.
xi
Powered by TCPDF (www.tcpdf.org)
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
