Jurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:

Transkripsi

1 Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah, dan Irrine B. Sulistiawati Jurusan Teknik Elektro, Institut Teknologi Nasional Malang Abstrak Salah satu fungsi utama perencanaan dan pengoperasian suatu sistem tenaga listrik adalah perkiraan beban listrik jangka pendek, yaitu perkiraan kebutuhan beban listrik untuk beberapa jam hingga beberapa hari berikutnya. Keakuratan perkiraan mempunyai dampak ekonomis terhadap perusahaan listrik. Oleh karena itu diperlukan keakuratan perkiraan yang baik sehingga ada kesesuaian antara pembangkitan dengan permintaan daya. Pada tulisan ini di analisis perkiraan beban jangka pendek dengan menggunakan metode Radial Basis Function Network () yang dibandingkan dengan metode Fuzzy Neural Network (). Kedua metode ini di aplikasikan untuk peramalan beban jangka pendek pada Gardu Induk Gondang Wetan Pasuruan sebagai lokasinya. Digunakannya dua metode ini untuk mengetahui mana diantara kedua metode tersebut yang paling akurat untuk memperkirakan beban jangka pendek pada Gardu Induk Gondang Wetan. Berdasarkan hasil analisis, metode lebih baik dari metode. Hal ini dapat dilihat dari MAPE rata-rata nilainya lebih kecil dari metode dan juga waktu peramalan lebih singkat dari pada metode. Nilai eror rata-rata pada 7 hari peramalan pada tanggal 5 Januari 2008 sampai 11 Januari 2008 untuk sebesar 2,058% dan 2.382% untuk. Kata kunci Jaringan syaraf tiruan, Radial basis function network, Fuzzy neural network, perkiraan beban jangka pendek I. PENDAHULUAN Kebutuhan akan daya listrik yang semakin meningkat seiring dengan meningkatnya taraf hidup masyarakat dan pertumbuhan penduduk, maka sangat perlu untuk menyediakan daya listrik dalam skala besar guna memenuhi kebutuhan tersebut. Untuk dapat menyalurkan daya listrik sesuai dengan kebutuhan konsumen perlu diatur sistem pengoperasiannya, sehingga pendistribusian daya listrik dapat secara merata dalam berbagi sektor seperti industri, komersial, dan rumah tangga dengan kualitas daya dan kualitas tegangan yang baik. Apabila sumber energi yang tersedia berasal dari berbagai sumber pembangkitan, maka perlu adanya sinkronisasi dan koordinasi antara pembangkitan agar kebutuhan daya dapat disalurkan sesuai dengan kebutuhan konsumen. Untuk menjaga kualitas daya yang disalurkan, perlu upaya untuk menekan rugi-rugi pada saluran terutama pada saluran yang jauh antara pembangkit dan pusat beban. Perkiraan beban jangka pendek menunjukkan perkiraan permintaan daya listrik setiap jam dalam satu hari. Persediaan daya yang ada ditentukan oleh keakuratan dari perkiraan, misalnya adalah cuaca. Cuaca memiliki efek yang signifikan pada beban, artinya jika terjadi perubahan pada temperatur, maka beban yang dilayani oleh gardu induk juga akan berubah seiring dengan perubahan temperatur. Agar tujuan tersebut dapat tercapai maka perusahaan pembangkit listrik tersebut harus mengetahui besarnya beban atau permintaan daya listrik di masa yang akan datang baik jangka pendek, menengah ataupun jangka panjang. Pengunaan metode Radial Basis Function Network () dan Fuzzy Neural Network () dalam memberikan perkiraan jangka pendek dengan tingkat kesalahan (error) yang paling kecil dalam memperkirakan beban jangka pendek di Gardu Induk Gondang Wetan Pasuruan. II. KAJIAN PUSTAKA A. Sistem Perencanaan prakiraan Prakiraan pada dasarnya merupakan suatu dugaan/ ramalan atau perkiraan mengenai suatu kejadian atau peristiwa yang akan datang. Dalam kegiatan perencanaan, prakiraaan beban merupakan awal dari kegiatan dari proses perencanaan, dengan demikian prakiraan ini sangat penting. Dengan adanya prakiraan beban ini, dapat diperkirakan pemakian beban kedepan dalam jangka waktu berupa: - Jangka Pendek, 1 jam sampai 168 jam kedepan - Jangka Menengah, beberapa bulan sampai satu tahun - Jangka Panjang, diatas 1 tahun Dalam jangka waktu ini, perlu disadari bahwa semakin jauh jangka waktu prakiraan, semakin sulit dan semakin besar ketidak pastiannya. Dalam upaya mendapatkan prakiraan yang hampir mendekati dan mendapatkan hasil yang akurat untuk suatu perencanaan kedepan, maka perlu perkiraan beban jangka pendek karena hanya dipengaruhi oleh beberapa variabel. B. Pemodelan Kurva Beban Dalam praktek standar, operator sistem perlu menyesuaikan hasil perkiraan beban agar juga dapat memperhitungkan data beban yang terakhir. Hasil 129

2 penyesuaian ini dapat berbeda drastis dengan hasil perkiraan beban yang sebenarnya. Dengan menggunakan pemodelan hari ini (current day modeling), seorang operator dapat melakukan prakiraan beban untuk 7 hari kedepan agar dapat dilakukan penjadwalan. C. Faktor-faktor yang mempengaruhi Beban Pertumbuhan beban jangka panjang mempunyai korelasi yang kuat dengan aspek pengembangan komunitas pengembangan lahan. Faktor ekonomi seperti laju kenaikkan pendapatan penduduk perkapita, harga BBM, data demografi, data tata penggunaan lahan serta pengembangannya merupakan data-data input dalam proses prakiraan beban jangka panjang. Sedangkan output perkiraan beban tersebut dapat berupa kerapatan beban yang dapat dinyatakan dalam kw. Lain halnya perkiraan yang dilakukan dalam waktu jangka pendek, seperti per-jam, harian atau mingguan. Faktor-faktor eksternal seperti diatas yang perubahannya dalam jangka waktu yang panjang tidak akan berpengaruh pada pola beban, sebaliknya faktor-faktor yang berubah secara cepat dalam lingkup hari atau jam akan berpengaruh besar. Karena itu pada umumnya kondisi cuaca berpengaruh terhadap pola beban, seperti halnya temperatur, kelembaban, kecepatan angin, kondisi awan, termasuk kondisi abnormal seperti badai yang berpengaruh besar terhadap pola beban sangat sulit diakomodasikan karena ketidakpastiannya. D. Cara-cara Memperkirakan Beban Jangka Pendek Salah satu faktor yang sangat menentukan dalam membuat rencana operasi sistem tenaga listrik adalah perkiraan beban yang akan dialami oleh sistem yang bersangkutan. Selama ini belum ada rumusan yang baku dalam memperkirakan beban, namun karena pada umumnya kebutuhan tenaga listrik seorang konsumen sifatnya periodik, maka grafik beban sistem tenaga listrik juga bersifat periodik. Oleh karena itu data beban masa lalu beserta analisisnya sangat diperlukan untuk memprakirakan beban yang akan datang. Ada beberapa metode yang sudah dipakai untuk memprakirakan beban saat ini antara lain, metode koofisien beban, metode pendekatan linier, Fuzzy Logic (FL), Neural Network (NN), Probabilistic Reasoning (PR), Genetic Algorithms (GA), Multilayer Perceptron Network, Elman Recurrent Neural Network, Radial Basis Function Network, Hopfield Model, Fuzzy Inference System, Fuzzy Neural Network, dan lain sebagainya. III. PENERAPAN RADIAL BASIS FUNCTION NETWORK DAN FUZZY NEURAL NETWORK PADA PERAMALAN BEBAN A. Radial Basis Function Network () Model termasuk kedalam jaringan neural dengan banyak lapisan (multilayer), karena jaringan ini terdiri dari tiga lapisan : lapisan-lapisan masuk, tersembunyi (hidden) dan lapisan keluar. Node-node dalam setiap lapisan secara penuh terhubungkan dengan lapisan sebelumnya. Variabel-variabel masuk masing-masing diserahkan pada sebuah node dalam lapisan masukan dan langsung melewati lapisan tersembunyi. Node tersembunyi atau unit-unit merupakan fungsi basis radial (RBF), juga disebut fungsi transfer. Pada dasarnya metode ini sama dengan ANN dasar atau Neural Network hanya saja pada hidden layer pada Neural Network yang biasanya menggunakan fungsi Sigmoid binner diganti dengan Fungsi Gauss. Hal ini dilakukan untuk mengurangi waktu proses pembelajaran yang lama pada ANN dan juga peramalan yang lebih akurat [1]. Gambar 1. Radial Basis Function Network [1]. Output menggunakan Fungsi Linier Hidden Layer menggunakan Fungsi Gauss B. Fuzzy Neural Network () adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno. Arsitektur juga sama dengan jaringan syaraf dengan fungsi radial yang memiliki sedikit batasan tertentu. Bisa dikatakan bahwa adalah suatu metode yang mana dalam melakukan panyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data. Pada juga memungkinkan aturan-aturan untuk beradaptasi. secara umum digambarkan bagaimana menjabarkan himpunan parameter-parameter jaringan adaptif untuk memfasilitasi aturan pembelajaran pada arsitektur yang dapat mewakili model fuzzy Sugeno. Ada dua model yang biasa digunakan yaitu metode Tsukamoto dan metode Sugeno (TSK). 1. Metode Tsukamoto Sistem inferensi fuzzy didasarkan pada konsep penalaran monoton. Pada metode penalaran secara monoton, nilai crisp pada daerah konsekuen dapat diperoleh secara langsung berdasarkan fire strength pada antesendennya. Salah satu syarat yang harus dipenuhi pada metode penalaran ini adalah himpunan fuzzy pada konsekuennya harus bersifat monoton (baik monoton naik maupun monoton turun). 2. Metode Sugeno (TSK) Pada tahun 1985 Takagi Sugeno Kang memperkenalkan suatu sistem inferensi fuzzy yang mmiliki ciri kusus dimana konsekuen bukan merupakan himpunan fuzzy melainkan sebuah persamaan linier dimana variabelvariabelnya tidak lain adalah variabel-variabel input. Ada dua metode pembelajaran yang dilakukan oleh yaitu metode Backpropagation dan metode Hybrid Learning Rule. Dalam tulisan ini metode pembelajaran yang digunakan adalah metode backpropagation. 130

3 Input Variable Fuzzy Interference System Neural Network Learning Algorithm - + Output Variable Fuzzification MULAI Input Data -Data beban historis -Data beban target -Data temperatur -Tipe hari Inisialisasi -Penentuan kurva keanggotaan -Penentuan jumlah input&output fungsi keanggotaan -Penentuan Epoch (iterasi) Gambar 2. Struktur dari Arsitektur Fuzzy Neural Network [1]. C. Keakuratan Prediksi Presentasi mutlak kesalahan (Mean Absolute Percentage Error) digunakan untuk memperoleh nilai error ramalan dengan nilai actual yang didefinisikan sebagai berikut: MAPE = Iterasi» Max Epoch Penentuan arsitektur jaringan dan Jumlah neutron input dan output Proses pembelajaran dengan metode backpropagation dan proses perkiraan dengan ERNN Error «Error target Mekakukan perkiraan beban 1 N Beban Aktual Beban Perkiraan x100% N i = 1 Beban Aktual dimana : N = Jumlah observasi IV. MODEL PENYELESAIAN A. Algoritma Perkiraan Beban Jangka Pendek dengan Metode Algoritma dalam memperkirakan beban secara umum adalah sebagai berikut. 1. Memasukkan data parameter berupa data beban historis, data beban, data temperatur minimum, temperatur maximum, temperatur rata-rata harian dan tipe hari. 2. Memasukkan parameter jaringan syaraf tiruan yang terdiri dari inisialisasi bobot awal input ke hidden, bobot awal bias ke hidden, bobot awal hidden ke output, maksimum epoh, toleransi error dan pembelajaran (learning rate). 3. Menentukan arsitektur jaringan meliputi penentuan jumlah neuron pada input layer, hidden layer, dan output layer. 4. Melakukan proses Backpropagation Menghitung semua output pada hidden layer, dan output layer. Menghitung error pada output layer dan hidden layer Melakukan penyesuaian bobot antara input layer, hidden layer, dan output layer. Mencetak total error, apakah error jaringan sesuai dengan error toleransi (E E toleransi), proses pembelajaran akan terus berlangsung sampai total error dapat diterima, maka bobot akan tersimpan. 5. Menggunakan bobot tersimpan/terlatih untuk melakukan perkiraan 6. Cetak hasil Gambar 3 memperlihatkan diagram alir. Cetak Hasil Perkiraan SELESAI Gambar 3. Diagram alir Radial Basis Function Network. B. Algoritma Perkiraan Beban Jangka Pendek dengan Metode seperti langkah-langkah berikut. 1. Memasukkan data per-jam untuk pola beban hari yang diinginkan dari Excel ke matlab menggunakan Excellink. 2. Menentukan jumlah Input, Output dan bentuk membership function (MF) sebagai acuan penyusunan struktur Fuzzy Neural Network serta epoch yang diinginkan. 3. Mekanisme penyusunan struktur Fuzzy Neural Network berdasarkan 30 lapisan pada arsitekturnya. 4. Membentuk aturan fuzzy 5. Menampilkan informasi hasil training data berupa aturan (rule) fuzzy serta parameter input yang kemudian digunakan untuk perkiraan beban listrik. 6. Training oleh Neural Network 7. Menghitung error menggunakan rumus MAPE 8. Mencetak hasil perkiraan beban C. Data analisis dan Data dan skala waktu yang digunakan sebagai data inputan pada perkiraan beban yang akan dilakukan dalan tulisan ini dapat dilihat pada Tabel I. TABEL I DATA SKALA WAKTU SEBAGAI DATA INPUTAN Data 5 s/d 11 Januari 2008 Beban historis Pemperatur Per-hari Skala waktu Setiap jam Jumlah data 7 hari (168 jam) Dua jenis data yang digunakan untuk perkiraan beban jangka pendek, yaitu data beban historis dan data temperatur pada bulan Januari Januari Dari data inputan diatas, maka akan diperoleh hasil error yang ingin dicapai pada tiap jam seharinya. 131

4 i = MULAI Input Data -Data beban historis -Data beban target -Data temperatur -Tipe hari - Penentuan jenis kurva fungsi keanggotaan - Penentuan jumlah input dan output fungsi keanggotaan i = 1 Pelatihan Mekanisme Layer 1 Layer 30 Bentuk aturan Fuzzy Neural Network Iterasi > Max Epoch (Grafik 4-8). Batas toleransi MAPE agar selisih beban tidak terlalu besar adalah kurang lebih 5 %. Oleh karena itu agar tecapai penyesuaian antara pembangkitan dengan permintaan daya, maka proses pelatihan yang akurat sangat diperlukan untuk didapatkan hasil prakiraan yang baik, dimana hasil antara prakiraan dan beban yang sebenarnya tidak terlalu jauh berbeda hal ini dapat dilihat dari MAPE yang relatif kecil. VI. KESIMPULAN Setelah melakukan pengujian pada hasil analisa untuk memprakirakan beban dengan menggunakan metode Radial Basis Function Network dan Fuzzy Neural Network maka dapat dijelaskan beberapa kesimpulan sebagai berikut : 1. Berdasarkan hasil analisis, bahwa metode lebih baik. Hal ini dapat dilihat dari MAPE rata-rata nilainya lebih kecil dari metode. Yaitu 2,058 % untuk dan 2,382 % untuk. 2. Metode membutuhkan waktu yang relatif singkat pada proses peramalan. Hitung MAPE dan cetak MAPE Cetak Hasil SELESAI Gambar 4. Diagram alir Fuzzy Neural Network. A. Simulasi program aplikasi Untuk pencarian solusi pada masalah perkiraan beban pada tulisan ini menggunakan perangkat bantu komputer. Implementasi dari perancangan algoritma Radial Basis Function Network dan Fuzzy Neural Network ini menggunakan perangkat lunak berupa Matlab B. Tampilan perbandingan data Beban aktual dengan data beban ramalan Tabel II sampai dengan Tabel VII memperlihatkan data keluaran hasil ramalan dengan nilai parameter yang sama untuk tanggal 5, 6, 7 Januari 2008 pada Trafo I dan Trafo II. V. ANALISIS HASIL PRAKIRAAN Pada peramalan selama 1 Minggu yaitu pada tanggal 5 Januari 2008 sampai dengan 11 Januari 2008 pada Trafo I dan Trafo II, menghasilkan MAPE rata-rata sebesar 2,058 % dan MAPE rata-rata 2,382 %. Dengan proses pelatihan yang akurat maka akan didapatkan hasil data prakiraan yang baik, tetapi ada pada jam-jam tertentu yang nilai errornya melebihi nilai rata-rata, diakibatkan pola data inputan dari PLN terdapat lonjakan beban ataupun penurunan beban yang melebihi normalnya. Hal ini disebabkan oleh berbagai macam faktor, misalkan pemadaman listrik karena perbaikan, gangguan dan lainlain. Meskipun demikian hasil secara keseluruhan bisa dikatakan baik, ini dapat dilihat dari perbandingan antara prakiraan dan data beban yang sebenarnya tidak terlalu jauh beda, ini ditunjukkan dari MAPE yang relatif kecil yang ditunjukkan pada Gambar 11 (Grafik 4-7) dan Gambar 12 TABEL 2 HARI SABTU, TANGGAL 5 JANUARI 2008 PADA TRAFO I TRAFO I 5 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL

5 5 Januari Januari Gambar 5.Perbandingan Beban Aktual dan Beban Ramalan Tanggal 5 Januari 2008 pada Trafo I. TABEL III HARI MINGGU, TANGGAL 6 JANUARI 2008 PADA TRAFO I TRAFO I 6 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL Gambar 6. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 6 Januari 2008 pada Trafo I. TABEL IV HARI SENIN, TANGGAL 7 JANUARI 2008 PADA TRAFO I TRAFO I 7 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL

6 7 Januari Januari Acatual 7 Gambar 7. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 7 Januari 2008 pada Trafo I. TABEL V HARI SABTU, TANGGAL 5 JANUARI 2008 PADA TRAFO II Gambar 8. Perbandingan Beban Aktual dan Beban Ramalan Tanggal 5 Januari 2008 pada Trafo II. TABEL VI HARI MINGGU, TANGGAL 6 JANUARI 2008 PADA TRAFO II TRAFO II 5 JANUARI 2008 ACTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL TRAFO II 6 JANUARI 2008 ACTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL

7 6 Januari Januari Gambar 9. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 6 Januari 2008 pada Trafo II. TABEL VII HARI SENIN, TANGGAL 7 JANUARI 2008 PADA TRAFO II TRAFO II 7 JANUARI 2008 AKTUAL ERROR ERROR (MW) (MW) (MW) (%) (%) : : : : : : : : : : : : TOTAL Gambar 10. Perbandingan Beban Aktual dan Beban Ramalan Tanggl 7 Januari 2008 pada Trafo II. TABEL VIII HASIL APLIKASI ENERGI PER HARI SELAMA 1 MINGGU PADA TRAFO I (5 JANUARI 2008 S/D 11 JANUARI 2008) Tanggal TRAFO I 5 Januari s/d 11Januari 2008 AKTUAL MAPE MAPE (MWh) (MWh) (MWh) (%) (%) Rata ENERGI (MWh) /5/2008 1/6/2008 1/7/2008 1/8/2008 Tanggal 1/9/2008 1/10/2008 1/11/2008 Gambar 11. Perbandingan Energi aktual per-hari Dengan Energi Perkiraan per-hari Selama 1 Minggu Trafo I. 135

8 TABEL IX HASIL APLIKASI ENERGI PER HARI SELAMA 1 MINGGU PADA TRAFO II (5 JANUARI 2008 S/D 11 JANUARI 2008) Tanggal TRAFO II 5 Januari s/d 11Januari 2008 ACTUAL MAPE MAPE (MWh) (MWh) (MWh) (%) (%) Rata ENERGI (MWh) /5/2008 1/6/2008 1/7/2008 1/8/2008 1/9/2008 1/10/2008 1/11/2008 Tanggal Gambar 12. Grafik Perbandingan Energi aktual per-hari Dengan Energi Perkiraan per-hari Selama 1 Minggu Trafo II. DAFTAR PUSTAKA [1] Muhammad Riaz Khan & Ajith Abraham Short Term Load Forecasting Models in Czech Republic Using Soft Computing Paradigms. [2] Sri Kusumadewi Artificial Intelegent, Graha Ilmu, [3] Sri Kusumadewi & Sri Hartati Neuro-Fuzzy, Graha Ilmu, Yogyakarta [4] AS PABLA, Sistem Distribusi Tenaga Listrik, Jakarta 1994 [5] DjitengMarsudi, Operasi Sistem Tenaga Listrik, Balai Penerbit dan humas ISTN, Jakarta