Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia.

Transkripsi

1 ANALISIS PERBANDINGAN METODE JARINGAN SARAF TIRUAN TANPA DAN DENGAN FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 9 Muhammad Addin Bratawijaya *), Hermawan, and Susatyo Handoko Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 575, Indonesia *) addin.brata@gmail.com Abstrak Kebutuhan energi listrik di Indonesia terus meningkat dari waktu ke waktu. Dalam memenuhi permintaan terhadap kebutuhan energi listrik diperlukan pembangunan pembangkit listrik. Pada pembangunan pembangkit listrik ini dibutuhkan suatu peramalan. Hasil peramalan bisa digunakan pemerintah untuk menyiapkan langkah-langkah mengantisipasi peningkatan konsumsi energi listrik. Penelitian ini bertujuan untuk memproyeksikan besarnya konsumsi energi listrik pada tahun 4 hingga 9 di Indonesia dan menganalisis kebutuhan daya pada tahun 9. Metode yang digunakan adalah jaringan saraf tiruan backpropagation dan metode hybrid antara backpropagation-fuzzy clustering dengan menggunakan software Matlab R3b. Proyeksi dilakukan di Indonesia untuk masa peramalan tahun 4 hingga 9. Data Input dan Target yang digunakan pada peramalan adalah data historis produk domestik bruto dan data kelistrikan (jumlah pelanggan dan konsumsi energi listrik) dari tahun sampai dengan 3. Hasil proyeksi konsumsi energi listrik di Indonesia dengan metode jaringan saraf tiruan backpropagation sebesar 7.63 GWh pada tahun 9, mengalami kenaikan sebesar GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,%. Untuk hasil dengan metode jaringan saraf tiruan backpropagation-fuzzy clustering sebesar GWh pada tahun 9, mengalami kenaikan sebesar 97. GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,96%. Hasil proyeksi dari kedua metode memiliki rata-rata selisih sebesar 8.73 GWh dan.8 GWh terhadap RUPTL. Kata kunci : Proyeksi Kebutuhan Listrik,, FCM Abstract Electricity needs in Indonesia continues to increase over time. In compliance demand electrical energy needs required the construction power plants. On the construction this power plant needed forecasting. Forecasting results can be used government to prepare measures anticipation increased consumption of electrical energy. This research aims to project amount of electrical energy consumption in 4 to 9 in Indonesia and analyzing power requirement in 9. Methods used is backpropagation ANN and hybrid method between Backpropagation ANN-Fuzzy by using Matlab R3b. Projections performed in Indonesia for the forecasting period 4 to 9. Input and target data used in forecasting is gross domestic product historical data and electricity data (number of customers and electricity consumption) from to 3. The projection of electrical energy consumption in Indonesia with back propagation neural network method amounted to 7 63 GWh in 9, an increase of GWh with average increase of 6.% each year. For results of the method propagation neural network-fuzzy clustering amounted to GWh in 9, an increase of 97 GWh with average increase of 6.96% each year. The projection of two methods has an average difference of 8 73 GWh and 3 47 GWh against RUPTL. Key words : Projection of Electrical Energy Requirements, ANN, FCM. Pendahuluan Keberhasilan pembangunan nasional maupun daerah tidak bisa terlepas dari ketersediaan energi listrik []. Ketersediaan energi listrik yang memadai dan tepat sasaran akan memicu perkembangan pembangunan daerah seperti sektor industri, komersial, pelayanan publik dan bahkan kualitas hidup masyarakat dengan semakin banyaknya warga yang menikmati energi listrik []. Kemudian secara langsung maupun tidak langsung hal itu akan mempengaruhi pertumbuhan ekonomi dan tingkat kesejahteraan masyarakat.

2 TRANSIENT, VOL.5, NO., MARET 6, ISSN: 3-997, 93 Dalam memenuhi permintaan terhadap kebutuhan daya tersebut dibutuhkan perancangan dan perhitungan yang cermat, terutama dalam hal peramalan seberapa besar tenaga listrik yang dibutuhkan masyarakat dan yang akan dihasilkan pembangkit [3]. Adapun tujuan dari penulisan penelitian sebagai berikut:. Memproyeksikan konsumsi energi listrik di Indonesia tahun 4 hingga 9 dengan menggunakan perangkat lunak Matlab R3b dengan metode neuro-fuzzy ( backpropagation-fuzzy clustering). Membandingkan hasil proyeksi menggunakan Jaringan saraf tiruan backpropagation-fuzzy clustering dengan hasil proyeksi jaringan saraf tiruan backpropagation. 3. Membandingkan hasil proyeksi kebutuhan daya pembangkit dengan dokumen resmi dari pemerintah yaitu RUPTL 5-4. Metode.. Backpropagation adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis,seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja sama seperti cara kerja manusia, yaitu belajar melalui contoh. Jaringan saraf tiruan perambatan balik (Backpropagation Neural Network) merupakan salah satu model dari jaringan saraf tiruan umpan mundur dengan menggunakan pelatihan terbimbing yang disusun berdasar pada algoritme kesalahan perambatan balik. Pola masukan dan target diberikan sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap maju untuk mendapatkan galat keluaran yang selanjutnya galat ini digunakan dengan tahap mundur untuk memperoleh nilai bobot yang sesuai agar dapat memperkecil nilai galat sehinggga target keluaran yang dikehendaki tercapai. Pada penelitian ini memerlukan data masa lalu untuk meramalkan konsumsi energi listrik. Tabel, tabel dan tabel 3 adalah data masa lalu tahun hingga 3 yang dijadikan input pelatihan... Flowchart Secara garis besar, penyusunan penelitian dengan metode jst backpropagation dapat digambarkan melalui diagram alir (flowchart) pada gambar. Tabel. Data PDB Hingga 3 No. 3 4 PDB Pertanian, Pertenakan kehutanan dan Perikanan Pertambanga n dan Penggalian Industri Pengolahan Listrik, Gas dan Air Bersih PDB (Miliar Rupiah) , , , ,7 6.4,8 7.59, , , , 35.36, , , ,8 6.,5 65.,6 68.3,7 7.78, ,3 8.,5 87.5,5 9.43, 93.39, , , , , ,4 54., , ,4 57., , ,9 67.9, , ,.349,.897,6.584, ,4 7.36,8 8.5, 8.899, ,8 5 Bangunan ,8 89.6, , ,4.33,6.88,9 3.9,6 4.67,8 5.,4 59., ,8 8.7,9 Perdagangan 6, hotel dan Restoran 43.66, ,6 7.4, , , , , , ,6 5.4,6 Pengangkuta 7 n dan komunikasi 76.73, , ,7 9.6,5 4.88,9 4.36, ,5 9.98,8 7.98, , keuangan, 8 persewaan & jasa perusahaan ,4 5.3,3 6.5, 7.74, , , , 36.46,6 53.,4 7.4,6 9 jasa-jasa 38.98,4 45.4,9 5.96, 6.799,3 7.75, , 7.84, 3.659, ,4

3 TRANSIENT, VOL.5, NO., MARET 6, ISSN: 3-997, 94 Tabel. Data Jumlah Pelanggan Listrik -3 No Jumlah Pelanggan Rumah tangga industri Bisnis sosial Gd, Kantor 5 Pemerintah an 6 PJU Tabel 3. Data Konsumsi Listrik -3 Data No Listrik Konsumsi.97,4 7.3,.69,8.46,8 9.8, , , , , , 87.88, ,95 Listrik Gambar. Lanjutan.3. Jaringan Saraf Tiruan Backpropagation-Fuzzy Neural Fuzzy System (NFS) dirancang untuk merealisasikan proses penalaran fuzzy, dimana bobotbobot yang terhubung pada jaringan tersebut berhubungan dengan parameter-parameter penalaran fuzzy. Dengan menggunakan algoritme pembelajaran backpropagation, NFS dapat mengidentifikasi aturan-aturan fuzzy tersebut. Fuzzy memiliki kemampuan untuk mengelompokkan data sesuai derajat keanggotaannya. Jaringan saraf tiruan backpropagation sebagai pengendali penalaran fuzzy pada bagian anteseden (membangkitkan fungsi keanggotaan), maupun pada bagian konsekuen (melakukan inferensi) yang telah didapatkan melalui proses pengelompokan. Jaringan saraf tiruan memiliki kemampuan untuk mengenali pola yang dilatihkan. Gambar. Diagram Alir Penyusunan Penelitian Metode Backpropagation

4 Konsumsi Listrik TRANSIENT, VOL.5, NO., MARET 6, ISSN: 3-997, 95 Pada penelitian ini memerlukan data masa lalu untuk meramalkan konsumsi energi listrik sama dengan data yang dibutuhkan untuk metode jst backpropagation..4. Flowchart MULAI Pengumpulan Data Runtun Waktu Penentuan data input dan target output Preprocessing Data Runtun Waktu 3. Hasil dan Analisis 3.. Proyeksi Konsumsi Listrik Backpropagation Proyeksi konsumsi energi listrik jst backpropagation didapatkan konsumsi energi listrik tahun 4-9: Tabel 4. Hasil Peramalan Konsumsi Listrik No Konsumsi Melakukan Proses Clusterisasi menggunakan FCM Membangun serta melatih Backpropagation untuk bagian anteseden (IF) Membangun serta melatih Backpropagation untuk bagian konsekuen (THEN) Diperoleh bobot dan bias jaringan Prediksi data input untuk masa peramalan Peramalan Konsumsi Listrik Post-processing Data Didapat nilai Peramalan Konsumsi Listrik Merubah Matriks Partisi Awal Dengan tabel diatas kita dapat membuat grafik hasil permalan konsumsi energi listrik pada tahun Gambar 3. Grafik Hasil Peramalan Dari gambar 3 bisa kita lihat hasil peramalan menggunakan Jaringan saraf tiruan dengan metode Backpropagation pada tahun 9 didapatkan Konsumsi Listrik Indonesia sebesar 7.63 GWh. Konsumsi energi listrik mengalami kenaikan sebesar GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,%. Dari konsumsi energi yang didapatkan didapatkan energi produksi, beban puncak, reserve margin, kebutuhan daya pembangkit, dan tambahan pembangkit sebagai berikut: Tabel 5. Hasil Perhitungan Tambahan Hasil tiap SELESAI YA Analisis Perbandingan Hasil dengan RUPTL, dan backpropagation TIDAK Produksi Beban Puncak Reserve Margin Kebutuhan Daya Tambahan ,65,77 45,43 3, ,5,33 47,58 6, ,5 3, 5,64 9, ,87 3,95 53,83, ,35 4,8 57,7 5, ,58 5,95 6,53 9,98 Gambar. Diagram Alir Penyusunan Penelitian Metode Fuzzy Dengan tabel diatas kita dapat membuat grafik tambahan pembangkit pada tahun 4-9.

5 Konsumsi Listrik Tambahan (MW) Tambahan (MW) TRANSIENT, VOL.5, NO., MARET 6, ISSN: 3-997, Gambar 4. Grafik Tambahan pada 4-9 Dari gambar 4 diatas dapat terlihat bahwa daya yang dibutuhkan pada akhir tahun 9 sebesar 9,98 GW atau bisa disebut 9.98 MW. Pada Rencana Usahan Penyediaan Tenaga Listrik (RUPTL) PT PLN (Persero) 5-4 sub bab Rencana Pengembangan disana dituliskan program pembangunan ketenagalistrikan 5-9. Tambahan pembangkit baru yang diperlukan untuk 5 tahun kedepan sebesar 35 GW. Selisih antara hasil perhitungan dengan RUPTL sebesar 5, GW. 3.. Proyeksi Konsumsi Listrik Backpropagation-Fuzzy Proyeksi konsumsi energi listrik fuzzy clustering didapatkan konsumsi energi listrik tahun 4-9: Tabel 6. Hasil Peramalan Konsumsi Listrik No Konsumsi , , , , , ,49 Dengan tabel diatas kita dapat membuat grafik hasil permalan konsumsi energi listrik pada tahun Gambar 5. Grafik Hasil Peramalan Fuzzy Dari gambar 5 bisa kita lihat hasil peramalan menggunakan Fuzzy dengan metode Backpropagation dan Fuzzy C-Means pada tahun 9 didapatkan Konsumsi Listrik Indonesia sebesar ,49 GWh. Konsumsi energi listrik mengalami kenaikan sebesar 97. GWh dengan kenaikan rata-rata tiap tahunnya sebesar 6,96%. Dari konsumsi energi yang didapatkan didapatkan energi produksi, beban puncak, reserve margin, kebutuhan daya pembangkit, dan tambahan pembangkit sebagai berikut: Tabel 7. Hasil Perhitungan Tambahan Produksi Beban Puncak Reserve Margin Kebutuhan Daya Tambahan ,47,6 46,54 4, ,89,56 48,46 6, ,6 3,3 5,38 9, ,6 4, 54,83 3, ,7 5,3 59, 7, ,59 6,65 64,5 3,7 Dengan tabel diatas kita dapat membuat grafik tambahan pembangkit pada tahun Gambar 6. Grafik Tambahan pada 4-9 Dari gambar 6 diatas dapat terlihat bahwa daya yang dibutuhkan pada akhir tahun 9 sebesar 3,7 GW atau bisa disebut 3.7 MW. Pada Rencana Usahan Penyediaan Tenaga Listrik (RUPTL) PT PLN (Persero) 5-4 sub bab Rencana Pengembangan disana dituliskan program pembangunan ketenagalistrikan 5-9. Tambahan pembangkit baru yang diperlukan untuk 5 tahun kedepan sebesar 35 GW. Selisih antara hasil perhitungan dengan RUPTL sebesar,3 GW Validasi Program Validasi program dilakukan dengan membandingkan peramalan konsumsi energi listrik antara metode

6 Konsumsi Listrik Konsumsi Listrik TRANSIENT, VOL.5, NO., MARET 6, ISSN: 3-997, 97 Backpropagation, metode Backpropagation-Fuzzy C- Means dan RUPTL. Pada tabel 8 berikut menunjukan perbandingan hasil peramalan konsumsi energi listrik Metode, Metode FCM dan RUPTL. Tabel 8. Perbandingan Peramalan, FCM Dan RUPTL Peramalan Konsumsi RUPTL Selisih FCM FCM Rata-rata Hasil peramalan dari kedua metode memiliki rata-rata selisih sebesar 8.73 GWh untuk dan 3.47 GWh untuk FCM terhadap RUPTL. Selisih tersebut disebabkan oleh perbedaan penggunaan metode dan asumsi-asumsi yang dilakukan oleh PT PLN yang menyusun RUPTL. Untuk validasi program pada penelitian ini dilakukan dengan cara membagi data yang diketahui menjadi dua bagian. Bagian pertama yaitu data runtun waktu PDB dan Jumlah pelanggan dari tahun -8 digunakan sebagai input program peramalan penelitian untuk meramal tahun 9-3. Berikut adalah hasilnya: Tabel 9. Perbandingan Error Hasil Peramalan Dan Terhadap Data Aktual Peramalan Konsumsi Konsumsi Error (%) ,, ,5, ,4, ,99, ,54,89 MAPE 3,3,66 Dari tabel 9 dapat dilihat nilai error peramalan dengan data aktual memiliki nilai rata-rata error sebesar 3.3% sedangkan untuk nilai error peramalan Fuzzy dengan data aktual memiliki nilai rata-rata error sebesar,66%. Asumsi pertumbuhan ekonomi Indonesia RUPTL menggunakan data historis selama tahun yang besisi jumlah PDB pertahun. Untuk asumsi pertumbuhan penduduk PLN menggunakan laju pertumbuhan penduduk dari Buku Proyeksi Penduduk Bappenas-BPS- UNFPA bulan Desember 3. Sedangkan pada penilitian ini asumsi yang digunakan adalah pertumbuhan ekonomi, jumlah pelanggan listrik dan konsumsi energi listrik. Asumsi pertumbuhan ekonomi, pertumbuhan pelanggan pada metode penelitian ini menggunakan data historis selama tahun dan diambil disetiap sektor Fuzzy Data Aktual 35 3 Gambar 8. Grafik Perbandingan antara, Fuzzy dan Data Aktual Fuzzy RUPTL Gambar 7. Grafik Perbandingan Peramalan, Fuzzy dan RUPTL 4. Kesimpulan Hasil proyeksi konsumsi energi listrik metode Backpropagation, diperoleh kenaikan dari GWh pada tahun 3 menjadi sebesar 7.63 GWh pada tahun 9 dengan kenaikan rata-rata tiap tahunnya sebesar 6,%. Sedangkan untuk metode Fuzzy, diperoleh kenaikan dari GWh pada tahun 3 menjadi sebesar GWh pada tahun 9 dengan kenaikan rata-rata tiap tahunnya sebesar 6,96%. Untuk error terhadap data aktual yang dihasilkan oleh proyeksi Backpropagation sebesar 3,3% sedangkan untuk Fuzzy sebesar,66%. Hasil proyeksi tambahan pembangkit menggunakan

7 TRANSIENT, VOL.5, NO., MARET 6, ISSN: 3-997, 98 Backpropagation memiliki selisih sebesar 5, GW terhadap RUPTL sedangkan Fuzzy memiliki selisih sebesar,3 GW. Referensi []. Rencana Usaha Penyediaan Tenaga Listrik 5-5.PT PLN (Persero).5 []. Kartika, Meigy Restanaswari. Proyeksi Kebutuhan Listrik APJ Pekaloangan 4-8 Dengan Menggunakan Software Leap. Semarang : Universitas Diponegoro. 5. [3]. Laksnono, Heru Dibyo dan Fajira, Nicko.4.Peramalan Beban Listrik Daerah Sumatera Barat Jangka Panjang Dengan Menggunakan Integrasi Jaringan Syaraf Tiruan Dan Sistem Fuzzy. Jurnal Teknologi Informasi dan Pendidikan Vol. 7 No.. Universitas Andalas Padang [4]. Arief, Abraham.. Aplikasi Fuzzy C- Means Pada Peramalan Kebutuhan Listrik Jangka Panjang Di Provinsi Sumatera Barat Sampai. Padang: Universitas Andalas [5]. Ujianto, Tri. 5. Proyeksi Kebutuhan Listrik APJ Pekalongan 4-8 Menggunakan Jaringan Saraf Tiruan Metode Backpropagation Dengan Software Matlab R4A. Semarang: Universitas Diponegoro [6]. Suswanto, Daman. Sistem Distribusi Tenaga Listrik. Padang: Fakultas Teknik Universitas Negeri Padang.9 [7]. Nugroho, Agung. Peramalan Kebutuhan Listrik 6-5 Menggunakan Metode Gabungan Dengan Pemrograman Visual Basic. Semarang: Universitas Diponegoro. 8. [8]. Siregar, Syahrizal Agus. Studi Prakiraan Kebutuhan Listrik 3-7 Wilayah Kota Padang Sidimpuan Dengan Metode Gabungan. Medan: Universitas Sumatera Utara.3 [9]. Suhono. Kajian Perencanaan Permintaan dan Penyediaan Listrik di Wilayah Kabupaten Sleman Menggunakan Perangkat Lunak LEAP. Yogyakarta : Universitas Gadjah Mada.. []. Kassa, Deryanus. Ketersediaan Listrik Sulawesi Utara Sampai.Sulawesi Utara: Universitas Sam Ratulangi.5 []. Jong, J. S. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset. Yogyakarta, 5. []. Nurkholiq, Nahar. Analisa Perbandingan Metode Logika Fuzzy Dengan Jaringan Saraf Tiruan Backpropagation Pada Peramalan Kebutuhan Listrik Jangka Panjang di Indonesia Sampai. Semarang : Universitas Diponegoro.4. [3]. Kusumadewi, S., & Hartati, S. 6. Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf edisi. Yogyakarta: Graha Ilmu. [4]. Hicham, Attarius, Mohamed, Bouhorma & Abdellah, El Fallahi. Animproved approach based on fuzzy clustering and backpropagation Neural Networks with adaptive learning rate for sales forecasting. Case study of PCB industry. IJCSI Vol. 9, No..