336 PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE
BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK MENGURANGI NILAI RMSE
PADA PREDIKSI BEBAN PENYULANGAN LISTRIK JANGKA PENDEK
Mayang Sari
Fakultas Teknologi Informasi Universitas Islam Kalimantan Email: [email protected]
ABSTRAK
Penelitian ini dilakukan dengan maksud mencari hasil optimal dalam penerapan algoritma Support Vector Machine (SVM) dengan melakukan optimasi menggunakan algoritma Particle Swarm Optimization (PSO) sehingga mengurangi nilai Root Mean Square Error (RMSE) pada prediksi beban penyulangan listrik jangka pendek. Metode prediksi rentet waktu seperti SVM pada dasarnya sudah dianggap cukup untuk memprediksi beban listrik jangka pendek, namun SVM memiliki kelemahan pada sulitnya pemilihan parameter SVM yang optimal, untuk itu diperlukan sebuah metode untuk meningkatkan akurasi dengan menggunakan algoritma PSO.Dilihat dari permasalahn yang ada dalam penelitian ini, maka peneitian ini menggunakan metode penelitian eksperimen dengan tahapan awal yaitu pengumpulan data, setelah data terkumpul dilanjutkan dengan tahap pengolahan data yang meliputi proses pre-processing, untuk mendapatkan atribut data yang sesuai dengan format algoritma softcomputing. Dilanjutkan dengan tahap eksperimen dan pengujian metode meliputi cara pemilihan arsitektur yang tepat dari model atau metode yang diusulkan sehingga didapatkan hasil yang dapat membuktikan bahwa metode yang digunakan adalah tepat dan diakhiri dengan evaluasi dengan mengamati hasil prediksi menggunakan algoritma softcomputing.
Kata Kunci : SVM, Beban Listrik Jangka Pendek, PSO
ABSTRACT
This research was conducted with the intention of achieving optimal results in the application of the algorithm Support Vector Machine (SVM) by performing optimization algorithm using Particle Swarm Optimization (PSO), thereby reducing the value of Root Mean Square Error (RMSE) in predictions of short-term power load.Time prediction methods such as SVM is basically considered sufficient to predict the short-term power, but the SVM has a weakness in the difficulty of selecting the optimal parameters of SVM, it will require a method to improve the accuracy by using PSO algorithm.Judging from the existing problems in this study, this study used an experimental research method with the initial stages of data collection, after data is collected followed by a phase of data processing which includes the pre-processing, to obtain the attribute data in accordance with the format softcomputing algorithm. Followed by a phase of experiment and testing methods include the election of the right architecture of the proposed model or method to obtain results that can prove that the method used was appropriate and ends with the evaluation by observing the results predicted using algorithms softcomputing.
Keywords: SVM, Short-Term Electricity Load, PSO
337 PENDAHULUAN
Tak dapat dipungkiri lagi pada saat ini listrik adalah kebutuhan vital bagi seluruh penduduk di Indonesia, bahkan di dunia. Tanpa listrik, kehidupan manusia akan sangat terganggu. Di dunia ini, terdapat berbagai jenis sumber pembangkit listrik seperti batubara, energi nuklir, atau matahari. Di Indonesia ada berbagai macam jenis pembangkit listrik, mulai dari Pembangkit Listrik Tenaga Uap (PLTU), Pembangkit Listrik Tenaga Air (PLTA), Pembangkit Listrik Tenaga Diesel (PLTD), Pembangkilt Listrik Tenaga Panas Bumi (PLTP), dll. Di Kalimantan Selatan khususnya masih menggunakan Pembangkit Listrik Tenaga Uap (PLTU) sebagai sumber energi listrik, yang mana PLTU tersebut memerlukan batubara sebagai sumber energi yang mana kita tahu bahwa batubara adalah sumber daya alam yang tidak dapat diperbaharui dan tidak menutup kemungkinan beberapa puluh tahun yang akan datang sumber daya alam ini akan habis. Oleh karena itu, sebagai daerah yang sangat memanfaatkan sumber energi tersebut sangat perlu kiranya agar dapat mengurangi penggunaan sumber energi ini agar pasokan listrik khususnya di Kalimantan Selatan dapat selalu terpenuhi. Mengingat bahwa tenaga listrik tidak dapat disimpan dalam skala besar, karenanya tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya timbul persoalan dalam penghadapi kebutuhan daya listrik yang tidak tepat dari waktu ke waktu.
Memprediksi nilai suatu besaran pada kondisinya dimasa yang akan datang dengan tepat adalah suatu pekerjaan yang sulit, apalagi jika besaran tersebut dipengaruhi oleh banyak faktor. Tetapi di lain pihak seringkali hasil prediksi tersebut menjadi salah satu masukan yang penting dalam menyusun rencana masa depan. Berdasarkan hal tersebut maka dapat disimpulkan bahwa kebutuhan PLN adalah bagaimana memprediksi beban listrik jangka pendek dengan lebih akurat. Untuk itu dipertimbangkan pendekatan dengan softcomputing.
Metode prediksi rentet waktu seperti Support Vector Machine dianggap cukup untuk memprediksi beban listrik jangka pendek yang mana SVM dapat memecahkan masalah- masalah seperti perlunya data training yang besar, lambat dalam konvergensi yang mana ini tepat untuk karakteristik data rentet waktu pada penyulangan beban listrik jangka pendek.
Namun SVM memiliki kelemahan pada sulitnya pemilihan parameter SVM yang optimal.
Particle Swarm Optimization (PSO) adalah metode optimasi yang terbukti efektif untuk meningkatkan akurasi. Maka pada penelitian ini PSO akan diterapkan untuk pemilihan parameter SVM yang sesuai dan optimal sehingga hasil prediksi lebih akurat.
338 METODE PENELITIAN
Metode penelitian yang dilakukan adalah metode penelitian eksperimen, dengan tahapan penelitian seperti berikut:
1. Pengumpulan Data
Tahapan mengumpulkan dataset yang di dapat dari PT. PLN Persero Tbk yang akan digunakan untuk penelitian.
2. Pengolahan Data
Tahap awal pengolahan data yang meliputi proses pre-processing, untuk mendapatkan atribut data yang sesuai dengan format algoritma softcomputing untuk penentuan opini positif dan negatif. Data di transpormasi dengan mencari nilai maksimum dan minimun dari data per bulan yang kemudian didapatkan attribut baru berupa data transformasi.
3. Eksperimen dan Pengujian Metode
Tahapan eksperimen, meliputi cara pemilihan arsitektur yang tepat dari model atau metode yang diusulkan sehingga didapatkan hasil yang dapat membuktikan bahwa
metode yang digunakan adalah tepat. Dalam penelitian ini metode yang digunakan adalah metode prediksi dengan algoritma SVM dan SVM-PSO yang akan diimplementasikan menggunakan RapidMiner.
4. Evaluasi
Tahapan mengamati hasil prediksi menggunakan algoritma softcomputing. Validasi dilakukan dengan mengukur hasil prediksi dibandingkan dengan data asal. Pengukuran kinerja dilakukan dengan membandingkan nilai error hasil prediksi masing-masing algoritma sehingga dapat diketahui algoritma yang lebih akurat. Pada penelitian ini akan digunakan indek evaluasi Root Mean Square Error (RMSE) sehingga didapat nilai error hasil prediksi dari algoritma SVM dan SVM-PSO.
PEMBAHASAN
Pengujian pertama dilakukan dengan data yang diperoleh dari PLN yaitu data beban dari tanggal 1 Juni 2014 sampai dengan 29 Mei 2015 sebanyak 3294 record data yang telah didekomposisi dengan beberapa inputan (x1, x2, x3, .... xn) dan output atau target (y) agar dapat diimplementasikan pada RapidMiner. Pengujian pertama dilakukan dengan data yang telah didekomposisi dengan 5 inputan sehingga menghasilkan 3289 record data.
Untuk pengujian pertama data dengan lima inputan ini akan diuji dengan RapidMiner menggunakan algoritma Support Vector Machine yang nantinya akan dioptimasi menggunakan algoritma Particle Swarm Optimization. Tahap awal pada pengujian pertama
339 ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat terlihat pada gambar di bawah ini :
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data sebanyak 3289 record data yang telah didekomposisi dengan lima inputan sebesar 3,372 +/ - 0,000 dengan grafik seperti gambar di bawah ini.
Nilai RMSE SVM sebesar 3,372 dioptimasi menggunakan PSO agar didapat nilai error yang semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi PSO dengan data sebanyak 3289 record data yang didekomposisi dengan lima inputan sebesar 3,360 dengan grafik seperti terlihat pada gambar di bawah ini.
340 Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang dihasilkan oleh algoritma SVM sebesar 3,372 menurun setelah dioptimasi dengan PSO menjadi sebesar 3,360
Nilai Root Mean Squad Error yang dihasilkan dari optimasi algoritma SVM menggunakan PSO dengan data yang telah didekomposisi menjadi 5 inputan sebesar 3,360 dirasa belum sesuai dengan yang diharapkan, maka data kembali didekomposisi dengan menambahkan nilai inputan menjadi 7 inputan dengan data sebanyak 3287 record.
Tahap awal pada pengujian kedua ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat terlihat pada gambar di bawah ini :
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data sebanyak 3287 record data yang telah didekomposisi dengan tujuh inputan sebesar 3,539 +/ - 0,000 dengan grafik seperti gambar di bawah ini.
341 Nilai RMSE SVM sebesar 3,539 dioptimasi menggunakan PSO agar didapat nilai error yang semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi PSO dengan data sebanyak 3287 record data yang didekomposisi dengan lima inputan sebesar 3,412 dengan grafik seperti terlihat pada gambar di bawah ini.
Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang dihasilkan oleh algoritma SVM sebesar 3,539 menurun setelah dioptimasi dengan PSO menjadi sebesar 3,412.
Nilai Root Mean Squad Error yang dihasilkan dari optimasi algoritma SVM menggunakan PSO dengan data yang telah didekomposisi menjadi 7 inputan sebesar 3,412 dirasa belum sesuai dengan yang diharapkan, maka data kembali didekomposisi dengan menambahkan nilai inputan menjadi 9 inputan dengan data sebanyak 3285 record.
Tahap awal pada pengujian ketiga ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat terlihat pada gambar di bawah ini :
342 Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data sebanyak 3285 record data yang telah didekomposisi dengan sembilan inputan sebesar 3,351 +/ - 0,000 dengan grafik seperti gambar di bawah ini.
Nilai RMSE SVM sebesar 3,351 dioptimasi menggunakan PSO agar didapat nilai error yang semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi PSO dengan data sebanyak 3285 record data yang didekomposisi dengan sembilan inputan sebesar 3,234 dengan grafik seperti terlihat pada gambar di bawah ini.
343 Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang dihasilkan oleh algoritma SVM sebesar 3,351 menurun setelah dioptimasi dengan PSO menjadi sebesar 3,234.
Dalam pengujian ketiga menggunakan data yang telah didekomposisi ternyata masih belum menemukan hasil yang diharapkan yaitu menghasilkan nilai error yang lebih kecil maka untuk percobaan pengujian keempat, data dikembalikan ke bentuk data awal yang telah direkapitulasi.
Data yang berjumlah 3294 record berupa data beban dari tanggal 1 Juni 2014 sampai dengan 29 Mei 2015 terdiri dari tiga attribut yaitu tanggal, jam, dan BM kemudian akan ditransformasi sehingga menghasilkan attribut baru dengan nama attribut BM’ yang akan digunakan sebagai data uji yaitu dengan cara menggunakan rumus sebagai berikut.
𝑥′ = 0.8 ∗ (𝑥 − 𝑎)/(𝑏 − 𝑎) + (0.1) ………..(10)
Dimana a adalah nilai minimun suatu range data, dan badalah nilai maksimum data dari suatu range. Di dalam pengujian keempat ini, data minimum dan maksimum diambil dari range data selama satu bulan. Contoh, untuk bulan Juli 2014 di peroleh nilai minimum (a) = 0 dan nilai maksimum (b) = 33,77. Nilai minimum (a) dan nilai maksimum (b) tersebut dimasukkan ke dalam rumus di atas hingga diperoleh :
x' = 0,8 * (23,97 – 0) / (33,77 – 0) + (0,1)
= 0,8 * 23,97 / 33,77 + 0,1
= 19,17 / 33,77 + 0,1
= 0,57 + 0,1
= 0,67
344 Dapat dilihat dari rumus diatas, data record pertama dengan nilai beban (x) = 23,97 didapatkan data transformasi sebesar 0,67 kemudian dilanjutkan dengan data berikutnya.
Tahapan ini berguna agar dapat bisa dihitung dengan nilai yang lebih kecil tanpa kehilangan karakteristiknya sendiri. Data hasil transformasi dapat dilihat didalam tabel berikut ini.
No Tanggal Jam BM BM’
1 01 Juni 2014 6:00:00 23,97 0,67
2 01 Juni 2014 10:00:00 28,48 0,77
3 01 Juni 2014 14:00:00 28,23 0,77
4 01 Juni 2014 18:00:00 30,2 0,82
5 01 Juni 2014 19:00:00 29,23 0,79
6 01 Juni 2014 20:00:00 31,63 0,85
7 01 Juni 2014 21:00:00 29,17 0,79
8 01 Juni 2014 22:00:00 28,8 0,78
9 01 Juni 2014 23:00:00 28,1 0,77
10 02 Juni 2014 6:00:00 23,56 0,66
11 02 Juni 2014 10:00:00 25,58 0,71
12 02 Juni 2014 14:00:00 28,89 0,78
13 02 Juni 2014 18:00:00 29,08 0,79
14 02 Juni 2014 19:00:00 29,52 0,80
15 02 Juni 2014 20:00:00 30,53 0,82
16 02 Juni 2014 21:00:00 30,43 0,82
17 02 Juni 2014 22:00:00 28,1 0,77
18 02 Juni 2014 23:00:00 27,52 0,75
19 03 Juni 2014 6:00:00 23,91 0,67
20 03 Juni 2014 10:00:00 27,17 0,74
21 03 Juni 2014 14:00:00 28,28 0,77
22 03 Juni 2014 18:00:00 31,25 0,84
23 03 Juni 2014 19:00:00 30,23 0,82
24 03 Juni 2014 20:00:00 32,42 0,87
25 03 Juni 2014 21:00:00 30,26 0,82
26 03 Juni 2014 22:00:00 30,3 0,82
27 03 Juni 2014 23:00:00 30,68 0,83
28 04 Juni 2014 6:00:00 25,57 0,71
345
29 04 Juni 2014 10:00:00 29,9 0,81
30 04 Juni 2014 14:00:00 31,76 0,85
31 04 Juni 2014 18:00:00 30,4 0,82
32 04 Juni 2014 19:00:00 29,56 0,80
3294 29 Mei 2015 23:00:00 29,05 0,72
Terlihat data di atas terdapat attribut baru yaitu BM’ berupa data transformasi dari attribut BM. Attribut baru ini yang dijadikan label dalam pengujian keempat yang akan diuji dengan RapidMiner menggunakan menggunakan algoritma Support Vector Machine yang nantinya akan dioptimasi menggunakan algoritma Particle Swarm Optimization. Tahap awal pada pengujian keempat ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat terlihat pada gambar di bawah ini :
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data sebanyak 3294 record data yang telah ditransformasi sebesar 0,260 +/ - 0,352 dengan grafik seperti gambar di bawah ini.
346 Nilai RMSE SVM sebesar 0,872 dioptimasi menggunakan PSO agar didapat nilai error yang semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi PSO dengan data sebanyak 3294 record data yang ditransform sebesar 0,141 +/- 0,015 dengan grafik seperti terlihat pada gambar di bawah ini.
Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang dihasilkan oleh algoritma SVM sebesar 0,872 menurun setelah dioptimasi dengan PSO menjadi sebesar 0,156.
KESIMPULAN
Dari penjelasan yang telah diuraikan dalam laporan ini dapat disimpulkan bahwa Algoritma SVM-PSO adalah algoritma yang memprediksi beban listrik jangka pendek dengan lebih akurat dalam parameter RMSE yaitu 0,156 dan Pengolahan data yang baik akan menghasilkan nilai yang lebih baik, terlihat bahwa data yang ditransformasi memberikan nilai error yang lebih rendah dibandingkan dengan data yang didekomposisi dengan beberapa inputan. Dengan demikian penerapan algoritma SVM-PSO mampu membantu operator
347 perencana dengan metodeprediksi yang kinerjanya lebih akurat dalammemprediksi beban listrik. Di samping itumampu dijadikan metode prediksi beban listrik bagi PLN jaringan distribusi Kalselteng
Saran yang dapat diberikan adalah bahwa Analisis dan perbandingan mengenai beban listrik jangka pendek dengan mengunakan berbagai algoritma ini hanya menempatkan akurasi (berdasar nilai error) sebagai factor uji. Untuk itu perlu kiranya dilakukan penelitian lebih lanjut agar dapat melakukan prediksi berapa beban penyulangan listrik jangka pendek yang akan datang.
DAFTAR PUSTAKA
A. S. Nugroho, A. B. Witarto, dan D. Handoko. 2003. Support Vector Machine Teori dan Aplikasinya dalam Bioinformatika. Ilmu Komputer
B. Santosa. 2006. Tutorial Particle Swarm Optimization. Surabaya: Institut Teknologi Sepuluh Nopember.
D. Kim. 2005. Performance Improvement in Traffic Vision Systems using SVMS. vol. 6, pp.
2589–2599,.
D. Suswanto. 2002. Sistem Distribusi Tenaga Listrik.
E. R. Zerda. 2009. Analisis dan Penerapan Algoritma Particle Swarm Optimization ( PSO ) pada Optimasi Penjadwalan Sumber Daya Proyek Analysis and Implementation of Particle Swarm Optimization ( PSO ) Algorithm on the Optimization of Project Resource Scheduling Departemen Teknik Informatika Institut Teknologi Telkom Bandung Lembar Pernyataan.
G. J. Syeto and A. Fariza, 2014. Tiruan Metode Kohonen. pp. 1–7.
I. Pranata. 2012. Penerapan Algoritma Wavalet Neural Network untuk Prediksi Beban Listrik Jangka Pendek. Semarang: Universitas Dian Nuswantoro.
K. E. dan S. D. Mineral. 2012. Keputusan Menteri Energi dan Sumber Daya Mineral Tentang Rencana Umum Ketenagalistrikan Nasional 2012-2031.
M. Settles and B. Rylander. 2002. Neural Network Learning using Particle Swarm Optimizers.
P. Liu. 2009. Application of Least Square Support Vector Machine based on Particle Swarm Optimization to Chaotic Time Series Prediction no. 2, pp. 1–5.
S. Ch, N. Anand, B. K. Panigrahi, and S. Mathur. 2013. Neurocomputing Streamflow forecasting by SVM with quantum behaved particle swarm optimization.
Neurocomputing, vol. 101, pp. 18–23.
Suhono. 2014. Kajian Perencanaan Permintaan dan Penyediaan Energi Listrik di Wilayah Kabupaten Sleman. Yogyakarta: Universitas Gadjah Mada.
