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]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
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
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
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.
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
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,
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
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 :
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
� = + ∆ .
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.