Sistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation

Transkripsi

1 1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan. Pertumbuhan eonomi pada suatu daerah menyebaban peningatan onsumsi energi listri. Pemenuhan ebutuhan energi listri pada suatu daerah diperluan perencanaan sistem tenaga listri yang tepat. Penelitian ini mengembangan suatu model system informasi peramalan beban punca listri anga panang menggunaan metode Jaringan syaraf tiruan (JST) bacpropagation. Hasil penelitian menunuan bahwa peramalan beban punca listri menggunaan JST bacropagation memilii rata-rata Mean Absolute Percentage Error (MAPE) sebesar 17,09%, Kata Kunci Peramalan beban punca listri anga panang, Sistem Informasi, Jaringan Syaraf Tiruan, Bacpropagation. P I. PENDAHULUAN ENAMBAHAN panang aringan transmisi tenaga listri mengalami peningatan sebesar 11% selama periode 5 tahun sea tahun 2004 [3], perembangan setor industri dan pariwisata diramalan mengalami pertumbuhan beban dengan pesat.penyediaan tenaga listri harus menadi prioritas dalam pembangunan dan dalam prosesnya harus diembangan dengan prinsipprinsip eterandalan. Dengan menggunaan SPK yang bai diharapan membantu piha PLN sebagai pengguna SPK untu memperiraan, mengaloasian apasitas ebutuhan beban listri untu periode edepan dan perencanaan pemilihan loasi penempatan trafo distribusi pada pengembangan aringan baru yang tepat meruu pada hasil peramalan beban listri anga panang. Peramalan beban listri adalah penopang dasar untu operasi manaemen dan ontrol real-time sistem operasi listri [7]. Sebuah perencanaan sistem tenaga listri dibuat berbasisan hasil estimasi beban listri. Dodi Setiabudi adalah Dosen Jurusan Teni Eletro, Faultas Teni Universitas Jember, Jember, Indonesia ( gbdoydist@gmail.com). Metode prairaan beban listri anga panang dengan rentang 1 sampai 10 tahun [1] selama ini yang digunaan PLN adalah dengan cara onvensional berbasis metode statisti, yaitu metode oefisien beban yang dilauan dengan mempelaari data historis beban listri terdahulu. JST adalah algoritma penyelesaian masalah omputasi yang prinsip eranya meniruan aringan syaraf manusia. Salah satu enis dari metode JST yaitu Bacpropagation. Metode ini dipilih arena saat output tida sama dengan target yang diharapan maa output aan disebaran mundur (bacward) pada hidden layer untu diterusan e unit pada input layer, sehingga aan ada umpan bali untu memvalidasi hasil eluaran JST [3]. Pada penelitian ini Metode JST Bacpropagation digunaan untu subsistem peramalan beban punca listri anga panang. Menawab berbagai permasalahan dalam hal perencanaaan sistem tenaga listri yang tepat maa dibutuhan suatu system informasi peramalan beban listri anga panang di abupaten Jember. II. DASAR TEORI A. Peramalan beban listri anga panang Secara umum, beban yang dilayani oleh sistem distribusi listri ini dibagi dalam beberapa setor yaitu setor perumahan, setor industri, setor omersial, dan setor publi atau umum. Masing masing setor mempunyai arateristi arateristi yang berbeda. Ramalan dalam bidang tenaga listri pada dasarnya merupaan ramalan ebutuhan energi listri (watt am) dan ramalan beban tenaga listri (watt). Keduanya disebut dengan istilah load (demand) forecasting. Hasil peramalan ini dipergunaan untu membuat rencana pemenuhan ebutuhan maupun pengembangan penyediaan tenaga listri setiap saat secara bai dan ontinyu. Peramalan beban listri anga panang adalah untu anga watu di atas satu tahun [1]. B. Jaringan syaraf tiruan bacpropagation Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang mempunyai arateristi menyerupai aringan syaraf biologi [2]. Ide dasarnya adalah mengadopsi cara era ota manusia yang memilii ciri ciri pararel processing, processing element dalam umlah besar dan faulttolerance.

2 2 Jaringan propagasi bali terdiri atas tiga atau lebih lapisan atau layer[5]. Perbedaannya hanya pada umlah lapisan tersembunyi yang dimilii. Gambar.1.Lapisan Jaringan Bacpropagation Algoritma selengapnya pelatihan aringan bacpropagation adalah sebagai beriut [2]: 1. Langah 0 : Inisialisasi bobot-bobot (tetapan dalam nilai aca ecil) 2. Langah 1 : Bila syarat berhenti adalah salah, eraan langah 2 sampai Langah 2 : Untu setiap pasangan pelatihan, eraan langah 3 sampai 8. Umpan mau : 4. Langah 3 : Tiap unit masuan (x i, i = 1,...,n) menerima isyarat masuan x i dan diterusan e unit-unit tersembunyi. 5. Langah 4 : Tiap unit tersembunyi (z, = 1,...,p) menumlahan isyarat masuan berbobot, n z _ in v x v (1) 0 i1 dengan menerapan fungsi ativasi hitung : Z = f(z_in ) (2) dan irim isyarat ini e unit-unit eluaran. 6. Langah 5 : Tiap unit eluaran (y, = 1,...,m) menumlahan isyarat masuan berbobot, i p i1 i y _ in w z w (3) 0 dengan menerapan fungsi ativasi hitung, y =f(y_in ) (4) Perambatan Bali Error : 7. Langah 6 : Tiap unit eluaran (y, = 1,...,m) menerima pola sasaran beraitan dengan pola pelatihan masuannya. Hitung error informasi : ( t y ) f ( y _ in ) Hitung oresi bobot dan biasnya: W z i (5) (6) w 0 (7) 8. Langah 7 : Tiap unit tersembunyi (z, = 1,...,p) menumlahan delta masuannya (dari unit-unit di lapisan atasnya). m _ in w i1 Hitung error informasinya : _ in f ( z _ in ) Hitung oresi bobot dan biasnya : (8) (9) vi x i (10) Perbaharui bobot dan bias : 9. Langah 8 :Tiap-tiap unit output (Y, =1,2,3,...,m) memperbaii bias dan bobotnya (=0,1,2,...,p): w ( baru) w ( lama) w (11) Tiap-tiap unit tersembunyi (Z, =1,2,3,...,p) memperbaii bias dan bobotnya (i=0,1,2,...,n) vi ( baru) vi ( lama) wi (12) 10. Langah 9 : Ui syarat berhenti III. METODE PENELITIAN Penelitian ini mengembangan model subsistem peramalan beban listri anga panang di abupaten. Data seunder yang digunaan adalah data umlah populasi pendudu, umlah rumah tangga, umlah pelanggan listri tiap tiap setor dan penggunaan beban listri setor industri yang diperoleh dari PT. PLN APJ dan BPS abupaten Jember. A. Peramalan beban listri Gambar 4 merupaan tahapan peramalan beban listri anga panang menggunaan JST bacpropagation. Algoritma ini mengadopsi pendeatan incremental dalam memperbarui bobot, yaitu bobot berubah segera setelah pola pelatihan dilauan.proses pelatihan aan dihentian sampai target error tercapai. Gambar. 2. Diagram alir peramalan beban listri menggunaan metode JST bacpropagation IV. HASIL DAN PEMBAHASAN A. Pengumpulan data Data historis diambil 6 tahun e belaang tiap loasi yang ada di abupaten Jember dengan 6 variabel masuan yaitu Populasi Pendudu, Jumlah Rumah Tangga, Pelanggan Setor Publi, Pelanggan Setor Bisnis, Pelanggan Setor Industri, Penggunaan Setor Industri dan terdapat 1 variabel sebagai target yaitu Beban punca Listri. Dengan demiian ada 36 data masuan (6 x 6) sebagai historis untu pelatihan per

3 3 loasi. Jumlah total data masuan menadi 36 x 25 ecamatan yaitu 900 data masuan. Data yang diumpulan adalah data historis dari tahun 2007 sampai tahun Salah satu contoh dari eenam variabel adalah data target. Data target adalah data beban punca listri dalam satuan MW. Gambar 3 memperlihatan data beban punca listri se-abupaten Jember b. Setiap unit tersembunyi (z, =1,2,3,,p) menumlahan bobot sinyal input dengan persamaan (1). Dan menerapan fungsi atifasi untu menghitung sinyal output-nya dengan persamaan (2.) emudian mengiriman sinyal tersebut e semua unit output. c. Setiap unit output (y, =1,2,3,,m) menumlahan bobot sinyal input dengan persamaan (3). Dan menerapan fungsi atifasi untu menghitung sinyal outputnya dengan persamaan (4). 1 1 X1 V11 V21 V31 V61 Z1 V01 X2 V12 V22 V32 V62 Z2 V02 W11 W21 W31 W61 y W01 output layer X3 V13 V23 V33 V63 V03 Z3 Gambar. 3. Lau pertumbuhan beban punca listri Kabupaten Jember (PT.PLN APJ dan UPT Jember, 2013). X6 Input layer V16 V26 V36 Z6 V66 V06 hidden layer Normalisasi data adalah proses pensalaan data input sesuai dengan range fungsi atifasi yang digunaan. Dari data master dietahui data minimum=0, dan data masimum= Bacpropagation menggunaan fungsi atifasi sigmoid biner dengan interval [0,1] di mana Upperbound=1 dan Lowerbound=0. Normalisasi data untu metode Bacpropagation : 1. Cari nilai α 2, Cari nilai β β= Upperbound-(α*(max(x)) β= 1-(2, * ) β= -0, Cari nilai x x`= α * x +β x`= 2, * (-0, ) x`= 0, B. Analisis metode bacpropagation. Arsitetur pelatihan JST yang digunaan dalam penelitian ini terdiri dari 3 layer, yaitu input layer, hidden layer dan output layer. Jumlah neuron lapisan masuan sebanya 6 neuron, penentuan umlah neuron berdasaran parameter yang diadian fator yang mempengaruhi peramalan beban listri. Gambar 4 menunuan pola arsitetur aringan. Beriut ini algoritma pelatihan metode Bacpropagation yang terdiri dari tiga tahapan: 1. Insialisasi bobot (ambil bilangan random yang cuup ecil) 2. Selama ondisi berhenti bernilai salah, eraan: Tahap 1: Perambatan Mau (Feed Forward) a. Setiap unit input (x i, i=1,2,3,,n) menerima sinyal x i dan menerusan sinyal tersebut e semua unit pada lapisan tersembunyi. Gambar. 4. Arsitetur pelatihan JST Tahap 2: Perambatan Bali (Bac Forward) a. Setiap unit output (y, =1,2,3,,m) menerima pola target yang sesuai dengan pola input pembelaaran, emudian hitung error dengan persamaan (5) emudian emudian hitung oresi bobot dengan persamaan (6). b. Setiap unit tersembunyi (z, =1,2,3,,p) menumlahan delta input-nya dengan persamaan (8) Untu menghitung informasi error, alian nilai ini dengan turunan dari fungsi atifasinya dengan persamaan (9) emudian hitung oresi bobot dengan persamaan (10). Setelah itu, hitung oresi bias dengan persamaan (10) Tahap 3: Perubahan Bobot dan Bias a. Setiap unit output (y, =1,2,3,,m) dilauan perubahan bobot dan bias (=0,1,2,,p) dengan persamaan (11) Setiap unit tersembunyi (z, =1,2,3,,p) dilauan perubahan bobot dan bias (i=0,1,2,,n) dengan persamaan (12) b. Tes ondisi berhenti. c. Algoritma Penguian Metode Bacpropagation 1. Load bobot dan bias input layer (v i ) dan hidden layer (w i ) hasil pelatihan. 2. Setiap unit input (x i, i=1,2,3,,n) menerima sinyal xi dan menerusan sinyal tersebut e semua unit pada lapisan tersembunyi. 3. Setiap unit tersembunyi (z, =1,2,3,,p) menumlahan bobot sinyal input dengan persamaan ( 1) dan menerapan fungsi atifasi untu menghitung sinyal output-nya dengan persamaan (2). 4. Setiap unit output (y, =1,2,3,,m) menumlahan bobot sinyal input dengan persamaan (3) dan menerapan fungsi atifasi untu menghitung sinyal output-nya dengan persamaan (4).

4 4 Pada data epooh edua, uga dilauan langahlangah yang sama dengan menggunaan bobot baru atau nilai bobot ahir hasil pengolahan data pada epooh pertama. Proses ini dilauan secara berulangulang sampai pada epooh yang ditentuan (1000) atau target eror yang ditentuan(0,01). Setelah proses pelatihan selesai, Bacpropagation dapat dipaai untu penguian. Beriut ini penguian algoritma metode Bacpropagation: 1. Operasi pada Hidden Layer dengan persamaan (1) z_ in1 =0.1+(0.01* )+(0.01* )+(0.01* )+(0.01* )+(0.0 1* )+(0.01* ) z_ in1 = Fungsi atifasi pada hidden layer dengan persamaan (2) Z = f(z_ in ) Z 1 = = Operasi pada output layer dengan persamaan (3) y_ in =w 0 +w 1 *z 1 +w 2 *z 2 *w 3 *z 3 y_ in =0.3+(0.2* )+(0.5* ) +(0.1* ) = Berdasaran pola data yang diuian (pola data pada tahun 2008 di loasi Rambipui) dapat dietahui nilai min= dan max= Hasil penguian berupa data yang disalaan dengan notasi x atau y_ in = Sedangan berdasaran fungsi identitas pada penguian yang memilii interval [-1,1] dapat dietahui Upperbound=1 dan Lowerbound=-1. Sehingga perhitungan denormalisasinya adalah sebagai beriut: 1. Cari nilai α Cari nilai β β= Upperbound-(α*(max(x)) β= 1-( * ) β= Cari nilai x x`= α * x +β x= x= x= Dari hasil denormalisasi dapat dietahui bahwa data hasil predisi beban punca adalah MW C. Peramalan beban listri. Setelah melauan pelatihan dilanutan dengan tahap beriutnya yaitu prairaan atau predisi, dalam tahap ini dilauan prairaan untu 10 tahun mendatang yaitu sampai dengan tahun Hasil predisi pada gambar 6 dibawah diambil dari data predisi loasi Glantangan Pada fitur antarmua pengguna diberian beberapa menu atau fitur-fitur untu dapat menerusan proses sesuai dengan ebutuhan pengguna, yaitu fitur peramalan beban listri dan fitur beban punca masimum Pada tahap ini sistem aringan saraf tiruan aan diperenalan berdasaran pola-pola yang telah ditentuan. Proses perhitungannya tida aan ditampilan dalam program simulasi. Proses perhitungan tersebut aan beera dalam bentu mode bacground, sehingga yang aan terlihat dalam tampilan form hanya umlah iterasi yang telah dilauan dan hasil dari pelatihan. Poses pembelaaran pada tahap training ini merupaan proses pembelaaran supervised. Artinya, program aan dituntun untu mengenal pola-pola berdasaran database Gambar.5. Grafi predisi beban punca 10 tahun e depan D. Penguian metode bacpropagation Data selama 2 tahun terahir uga digunaan sebagai data untu mengui validitas data antara data yang dihasilan oleh PT.PLN APJ-UPT Jember dan data hasil perhitungan seperti yang ditunuan pada gambar 9 dibawah sehingga dapat dietahui nilai error yang dihasilan. Gambar. 6. Perbandingan beban punca atual dan JST bacpropagation Perhitungan aurasi Bacpropagation terhadap target dihitung dengan metode Mean Absolute Percentage Error (MAPE) :

5 5 Tahap implementasi sistem dalam program terdiri dari tampilan menu input data, pelatihan JST dan hasil, yaitu : [5] Lee KY., Par JH Short Term Load Forecasting Using an Artificial Neural Networ, IEEE. [6] Marimin Teni dan Apliasi Pengambilan Keputusan Kriteria Maemu, Grasindo, Jaarta. [7] Olesa V.,Wang Y., Jing Y., Gugulovsa T., Dimirovsi G., Short Term Load Forecasting: A Dynamic Neural Networ Based Genetic Algorithm Optimization, IEEE. [8] Turban. E, Jay E. Aronson and Ting Peng Liang.2005.Decision Support Systems and Intelegent Systems. Jilid 1, Andi. Yogyaarta. [9] Tzeng GH and Huang JJ Multipple Attribut Decision Maing, Methods and Applications, A Chapman and Hall Boo. CRC Press Gambar. 7. Tampilan menu input data. Gambar. 8. Tampilan menu pelatihan JST. V. KESIMPULAN Berdasaran tuuan serta hasil dan pembahasan maa dari penelitian ini dapat diperoleh beberapa esimpulan sebagai beriut : 1. Dihasilan satu model terintegrasi dari sistem informasi untu peramalan beban listri anga panang di Kabupaten Jember. 2. Selisih antara beban real dengan beban hasil predisi (prairaan) menggunaan JST Bacpropagation dinyataan dengan persentase atau Mean Absolute Percentage Error (MAPE). MAPE untu proses peramalan beban punca listri sebesar 17,09 %. 3. Perbedaan data riteria (umlah riteria, bobot, tipe preferensi riteria, parameter preferensi riteria dan nilai riteria) berpengaruh pada nilai hasil perhitungan yang berbeda. DAFTAR PUSTAKA [1] Badran S M., Abouelatta O B., 2006, Forecasting Electrical Load using ANN Combined with Multiple Regression Method, The Research Buletin of Jordan ACM, Volume II (II) [2] Fausett L Fundamentals of Neural Networs Architectures, Algorithms and Applications, London: Prantice- Hall, Inc. [3] Gustiadi R Estimasi Beban Listri Harian Menggunaan BPNN Dengan Error Correction Untu Perusahaan XYZ di Daerah Operasi Riau, Surabaya: ITS [4] Kusumadewi S Artificial Intelligence (Teni dan Apliasinya), Penerbit Graha Ilmu, Yogyaarta.