S TE 1100243 Chapter3

(1)

16

Kartika Ainur Rohmah, 2016

OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB III

METODE PENELITIAN

3.1. Sumber Data Penelitian

Penulis menggunakan rujukan kalender hari libur sebagai sumber data

penelitian yang berdasarkan pada Surat Keputusan Bersama Menteri

Agama, Menteri Tenaga Kerja dan Transmigrasi, dan Menteri

Pendayagunaan Aparatur Negara dan Reformasi Birokrasi Republik

Indonesia tentang “Hari Libur Nasional dan Cuti Bersama”, yang

menetapkan sebagai berikut :

[image:1.595.117.512.353.550.2]

1. Hari Libur Nasional Tahun 2008 s.d. 2015

Tabel 3.1. Hari Libur Nasional Tahun 2008 s.d. 2015

2. Cuti Bersama Tahun 2008 s.d. 2015

Tabel 3.2. Cuti Bersama Tahun 2008 s.d. 2015

2008 2009 2010 2011 2012 2013 2014 2015

1 Januari 1 Januari 1 Januari 1 Januari 1 Januari 1 Januari 1 Januari 1 Januari 10 Januari 26 Januari 14 Februari 3 Februari 23 Januari 24 Januari 14 Januari 3 Januari 7 Februari 9 Maret 26 Februari 15 Februari 5 Februari 10 Februari 31 Januari 19 Februari

7 Maret 26 Maret 16 Maret 5 Maret 23 Maret 12 Maret 31 Maret 21 Maret 20 Maret 10 April 2 April 22 April 6 April 29 Maret 18 April 3 April

21 Maret 9 Mei 13 Mei 17 Mei 6 Mei 9 Mei 1 Mei 1 Mei

1 Mei 21 Mei 28 Mei 2 Juni 17 Mei 25 Mei 15 Mei 14 Mei 20 Mei 20 Juli 10 Juli 29 Juni 17 Juni 6 Juni 27 Mei 16 Mei 30 Juli 17 Agustus 17 Agustus 17 Agustus 17 Agustus 8 Agustus 29 Mei 2 Juni 18 Agustus 21 September 10 September 30 Agustus 19 Agustus 9 Agustus 28 Juli 17 Juli

1 Oktober 22 September 11 September 31 Agustus 20 Agustus 17 Agustus 29 Juli 18 Juli 2 Oktober 27 November 17 November 6 November 26 Oktober 15 Oktober 17 Agustus 17 Agustus 8 Desember 18 Desember 7 Desember 27 November 15 November 5 November 5 Oktober 24 September 25 Desember 25 Desember 25 Desember 25 Desember 25 Desember 25 Desember 25 Oktober 14 Oktober

29 Desember 25 Desember 24 Desember

25 Desember

2008 2009 2010 2011 2012 2013 2014 2015

11 Januari 2 Januari 9 September 16 Mei 18 Mei 5 Agustus 30 Juli 16 Juli 29 September 18 September 13 September 3 Juni 21 Agustus 6 Agustus 31 Juli 20 Juli 30 September 23 Spetember 24 Desember 29 Agustus 22 Agustus 7 Agustus 1 Agustus 21 Juli

3 Oktober 24 Desember 1 September 16 November 14 Oktober 26 Desember 26 Desember 2 September 24 Desember 26 Desember

[image:1.595.112.513.639.721.2]

(2)

Kartika Ainur Rohmah, 2016

OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Data historis yang diambil dari Penyaluran dan Pusat Pengaturan

Beban Jawa Bali Area Pengaturan Beban Jawa Barat diseleksi menjadi 140

data beban hari libur nasional dan cuti bersama yang ditunjukkan pada

Tabel 3.1 dan Tabel 3.2. Data hasil penyeleksian selanjutnya digunakan

sebagai data beban anomali. Tanggal 16 Mei 2015 bertepatan dengan Isra

Mi’raj Nabi Muhammad SAW ditentukan sebagai target untuk pembelajaran dari data historis lainnya yang berperan sebagai input.

3.2. Perangkat Penunjang Penelitian

Penelitian yang dilakukan membutuhkan beberapa peralatan untuk

menunjang semua kegiatan yang berkaitan dengan short term load

forecasting. Oleh karena itu, perangkat keras yang digunakan adalah PC

atau laptop dengan spesifikasi Operating System Windows 7 Ultimate 64-bit

(6.1, Build 7601); Processor Intel(R) Core(TM) i3-2328M CPU @ 2.20GHz (4CPUs), ~2.2GHz; Memory 2048MB RAM. Sedangkan perangkat lunak yang digunakan adalah Matlab R2012a, Microsoft Office Excel 2007, Mendeley Desktop ver. 1.13.8.0, dan Microsoft Office Visio 2007.

3.3. Prosedur Penelitian

Penelitian mengenai optimal anomalous short term load forecasting

berbasis algoritma feed forward backpropagation dilakukan dengan menggunakan data beban anomali untuk meramalkan beban anomali di

masa yang akan datang. Sebelum proses pembelajaran dilakukan, dilakukan

inisialisasi pada bebearapa komponen karena metode yang digunakan

adalah pembelajaran terawasi (supervised). Kemudian data anomali beserta pengaturannya diproses melalui pembelajaran menggunakan Matlab. Output

yang didapat kemudian didokumentasikan. Metode feed forward

backpropagation ini bersifat probabilistik dan random. Sehingga dilakukan 5 kali percobaan untuk mengambil rata-rata hasil akhirnya. Berikut ini

(3)

Kartika Ainur Rohmah, 2016

OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION

3.3.1 Flowchart

MULAI

Data Beban Anomali

Inisialisasi hidden layer dan parameter

Pelatihan data feed forward backpropagation

Beban output hasil

peramalan

5 kali percobaan

SELESAI

Ya Tidak

Gambar 3.1. Flowchart Prosedur Penelitian

Pelatihan data dengan feed forward backpropagation diproses dengan

Matlab ditampilkan pada Gambar 3.2. Pengaturan awal yang telah diberikan

sebelumnya akan diproses pertama kali untuk menghasilkan bobot awal dari

input layer. Kemudian sinyal bobot disebarkan ke setiap unit pada hidden layer dan diaktifasi dengan fungsi sigmoid. Setiap unit di output layer akan menangkap sinyal input dari hidden layer untuk memproses pembaruan bobot dan dikembalikan ke hidden layer lalu mengkalkulasi informasi

errornya. Apabila bias dan bobot baru telah memenuhi error standar, maka proses pelatihan data selesai, namun apabila belum maka proses kembali ke

(4)

Kartika Ainur Rohmah, 2016

OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu Inisialisasi

bobot

Error <= 5% Penyebaran

sinyal input ke hidden layer

Sinyal disebarkan ke output layer menggunakan fungsi aktivasi

Mengumpulkan sinyal bobot

input

Koreksi bobot dikirim ke hidden layer

Kalkulasi informasi error

Bias dan bobot diperbaharui

SELESAI MULAI

Tidak

Ya

Gambar 3.2. Flowchart Pelatihan Feed Forward Backpropagation

3.3.2 Pembahasan

1. Data yang didapat dipilah menjadi data hari kerja dan data hari libur

(data beban anomali).

2. Memasukkan nilai awal untuk : hidden layer; parameter epoch, goal,

learning rate, dan momentum constanta. 3. Proses pelatihan data.

Pelatihan jaringan backpropagation melibatkan tiga tingkatan yang terdiri dari feedforward dari pola pelatihan input, backpropagation

dari error penghubung, dan penyesuaian bobot.

Algoritma feed forward backpropagation adalah sebagai berikut : Tahap 0. Inisialisasi bobot (atur ke nilai kecil secara acak).

Tahap 1. Saat kondisi penghentian tidak sesuai, lakukan tahap 2-9.

(5)

Kartika Ainur Rohmah, 2016

OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION

Feed forward :

Tahap 3. Setiap input unit (Xi, i = 1, . . . , n) menerima sinyal input xi dan menyebarkannya ke seluruh

unit di hidden layer.

Tahap 4. Setiap hidden unit (Zj, j = 1, . . . , p) mengumpulkan sinyal bobot input,

_ = + ∑

=1

.

aplikasikan fungsi aktivasi tersebut untuk

menghitung sinyal outputnya

= � _ .

dan kirim sinyal tersebut ke seluruh unit di

output layer

Tahap 5. Setiap output unit (Yk, k = 1, . . . , m) mengumpulkan sinyal bobot input

_ = + ∑

�

=1

.

dan aplikasikan fungsi aktivasi tersebut untuk

menghitung sinyal output

Error backpropagation :

Tahap 6. Setiap output unit (Yk, k = 1, . . . , m) menerima pola target sesuai dengan pola pelatihan input, hitung informasi error dengan,

(6)

Kartika Ainur Rohmah, 2016

OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION

kalkulasi koreksi bobotnya dengan (digunakan

kemudian untuk memperbaharui wjk),

∆ = �� .

dan kirim � ke unit di layer sebelumnya.

Tahap 7. Setiap hidden unit (Zj, j = 1, . . . , p) mengumpulkan delta input (dari unit

setelahnya),

�_ = ∑� =1

.

kalikan dengan turunan fungsi aktivasinya untuk

mengkalkulasi informasi error dengan,

� = �_ �′ _ .

kalkulasi koreksi bobotnya dengan (digunakan

untuk memperbaharui vij),

∆ = �� .

dan kalkulasi koreksi bias dengan (digunakan

kemudian untuk memperbaharui v0j)

∆ = �� .

Memperbaharui bobot dan bias :

(7)

Kartika Ainur Rohmah, 2016

OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION

� = + ∆ .

Setiap hidden unit (Zj, j = 1, . . . , p) memperbaharui bias dan bobotnya (i= 0, . . . , n):

� = + ∆ .

Tahap 9. Kondisi penghentian pengujian.

(Fausett, 1994; Abdullah et al., 2010)

4. Hasil output pembelajaran adalah beban listrik peramalan yang dibutuhkan untuk menghitung error accuracy.