JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 6 NO. 1 MARET 2013

Transkripsi

1 PENGGUNAAN LOGIKA FUZZYCLUSTERING UNTUK PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT Heru Dibyo Laksono 1 Abraham Arief 2 ABSTRACT Development of power systems it is necessary to forecast the electricity demand in the future. Forecasting results obtained can be considered for future policy formulation. It aims to achieve the optimization of the electricity production process. This study uses a method of forecasting fuzzy c-means cluster and Sugeno type fuzzy system inteference. Forecasting is done long term, ie until Forecasting long-term electric energy demand generally refers to the statistics of the past and on the basis of analysis of the energy consumption characteristics. These characteristics are usually influenced by several factors, such as population, number of electricity customers, the electrification ratio GDP (Constant 2000), and so forth. Methods of forecasting fuzzy clusters and fuzzy c- means type sugenoini inteference system uses historical data accumulated in the period from 2002 to Forecasting results indicate that the electrical energy needs in West Sumatra province in 2021 amounted GWh. This value is not much different from the estimates made by PT. State Electricity Company (PT PLN) (Persero) region of West Sumatra, in the amount of GWh. Keywords: estimation of electrical energy, fuzzy c-means cluster, fuzzy inteference system, Sugeno INTISARI Pengembangan sistem tenaga listrik diperlukan adanya peramalan kebutuhan tenaga listrik dimasa yang akan datang. Hasil peramalan yang didapatkan bisa dijadikan bahan pertimbangan untuk merumuskan kebijakan masa mendatang. Hal ini bertujuan demi tercapainya optimalisasi dalam proses penyediaan energi listrik. Penelitian ini menggunakan metoda peramalan fuzzy cluster c-means dan fuzzy inteference system tipe sugeno. Peramalan yang dilakukan bersifat jangka panjang, yaitu sampai tahun Peramalan kebutuhan energi listrik jangka panjang umumnya mengacu pada statistik masa lalu dan atas dasar analisis karakteristik konsumsi energi yang lalu. Karakteristik tersebut biasanya dipengaruhi oleh beberapa faktor, seperti jumlah penduduk, jumlah pelanggan listrik, rasio elektrifikasi PDRB (Harga Konstan 2000), dan lain sebagainya. Metoda peramalan fuzzy cluster c-means dan fuzzy inteference system tipe sugenoini menggunakan data historis yang diakumulasikan dalam jangka waktu dari tahun 2002 sampai Hasil Peramalan menunjukkan bahwa kebutuhan energi listrik di Provinsi Sumatera Barat pada tahun 2021 sebesar 1 Dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas 2 Alumni Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas 9

2 GWh. Nilai ini tidak jauh berbeda dengan perkiraan yang dilakukan oleh PT. Perusahaan Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat, yaitu sebesar GWh. Kata Kunci : perkiraan kebutuhan energi listrik, fuzzy cluster c-means, fuzzy inteference system, sugeno 10

3 PENDAHULUAN Konsumsi energi listrik di Provinsi Sumatera Barat setiap tahun mengalami peningkatan setiap tahunnya. Menurut informasi yang dikeluarkan PT. Perusahaan Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat, rata rata pertumbuhan kebutuhan energi listrik setiap tahun dari tahun 2002 sampai tahun 2011 sebesar 4.22 %, dimana kosumsi energi listrik masyarakat provinsi Sumatera Barat mengalami peningkatan dari GWh pada tahun 2002 menjadi GWh pada tahun 2011 dengan komposisi pertumbuhan yang terbesar berasal dari sektor rumahtangga sebesar %, kedua sektor industri sebesar %, ketiga sektor komersil sebesar % dan keempat sektor publik sebesar % [1]. Untuk memenuhi kebutuhan energi listrik masyarakat Provinsi Sumatera Barat ini, PT. Perusahaan Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat merencanakan akan membangun beberapa pembangkit listrik diantaranya Pembangkit Listrik Tenaga Uap (PLTU) Teluk Sirih Kecamatan Bungus Teluk Kabung Kota Padang. Pembangunan Pembangkit Listrik Tenaga Uap (PLTU) Teluk Sirih ini bertujuan untuk menambah kapasitas pembangkitan energi listrik di Pulau Sumatera umumnya dan Provinsi Sumatera Barat Khususnya[1]. Untuk membangun sebuah pembangkit tenaga listrik dibutuhkan perencanaan yang matang terutama perencanaan pengembangan kapasitas pembangkit yang akan dibangun. Dalam perencanaan pengembangan sistem tenaga listrik diperlukan suatu sistem peramalan kebutuhan tenaga listrik dimasa yang akan dating dengan faktor kesalahan yang kecil. Hasil peramalan yang diperoleh bisa dijadikan pertimbangan bagi manajemen PT. Perusahaan Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat untuk membuat kebijakan mengenai kebutuhan energi listrik di Provinsi Sumatera Barat. Selain itu peramalan kebutuhan energi listrik ini bertujuan untuk memperoleh optimalisasi dalam proses penyediaan energi listrik. Hasil peramalan kebutuhan energi listrik ini akan membentuk suatu pola tertentu yang dikenal dengan nama pola data time series. Pola data yang terbentuk ini tidak bersifat linier sehingga sulit atau bahkan tidak mungkin untuk dimodelkam secara matematis dengan pengelompokkan data secara biasa. Data yang dikelomppokan secara biasa terdapat garis batas antar kelompok yang tegas. Jika data tidak termasuk kelompok yang satu berarti data tersebut termasuk kelompok yang lain, tetapi ada data yang berada diantara batas kelompok, maka data tersebut tidak dianggap kelompok manapun. Untuk itu digunakan pengelompokkan data dengan menggunakan logika fuzzy (Fuzzy Clustering ). Penerapana logika fuzzy untuk peramalan kebutuhan tenaga listrik ini telah dilakukan oleh beberapa para penelitinya diataranya Rinaldi Dalimi [2],Hesham K. Alfares [3], Kyung-Bin Song [4], Chenthur Pandian [5], dan RobJ. Hyndman [6], Heru Dibyo Laksono dkk [7], Utama [8]. Adapun tujuan dari penelitian ini adalah untuk meramalkan besarnya pemakaian energi listrik di Provinsi Sumatera Barat sampai tahun 2021 dengan menggunakan logika fuzzy clustering. Hasil peramalan yang diperoleh dapat dijadikan salah satu bahan pertimbangan dalam melakukan analisa kebutuhan energi listrik di Provinsi Sumatera Barat. Penelitian ini dilakukan dengan batasan sebagai berikut 11

4 1. Perangkat lunak yang digunakan adalah Matlab versi Pola pertumbuhan tenaga listrik sesuai dengan pola selama ini dengan batasan tidak ada perubahan radikal dalam jangka waktu 10 tahun kedepan. 3. Data yang digunakan adalah data kosumsi energi listrik Provinsi Sumatera Barat dari Tahun 2002 sampai dengan tahun Toleransi kesalahan untuk peramalan kebutuhan energi listrik ini sebesar 10 % PENDEKATAN PEMECAHAN MASALAH Peramalan Energi Listrik Metode peramalan adalah suatu cara yang digunakan untuk mengukur atau memperkirakan kejadian dimasa yang akan datang. Perkiraan dapat dilakukan secara kualitatif maupun secara kuantitatif. Perkiraan dengan metode kualitatif adalah perkiraan yang didasarkan pada pendapat dari yang melakukan perkiraan, sedangkan perkiraan kuantitatif adalah perkiraan yang menggunakan metode statistik.peramalan kebutuhan energi listrik sangat diperlukan untuk membantu mengambil kebijaksanaan penyediaan energi listrik, baik jangka pendek, jangka menengah, maupun jangka panjang. Berdasarkan waktu peramalannya, peramalannyadapat dibagi dalam tiga kelompok [8] yaitu : 1. Perkiraan jangka pendek, dengan jangka waktunya mulai dari satu hari sampai satu minggu. 2. Perkiraan jangka menengah, jangka waktunya mulai dari satu minggu sampai satu tahun. 3. Perkiraan jangka panjang, dengan jangka waktu 1 sampai 10 tahun. Perkiraan dengan jangka waktu yang berbeda-beda memiliki peranan yang berbeda pula terhadap sebuah sistem tenaga. Perkiraan jangka pendek penting untuk operasi kondisi real dan kendali sistem tenaga. Perkiraan jangka menengah memiliki peranan penting untuk perawatan dan perencanaan program. Perkiraan jangka panjang memainkan peranan dalam pengembangan fasilitas pembangkit, transmisi, dan distribusi tenaga listrik. Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan suatu ruang masukan ke dalam suatu ruang keluaran. Logika fuzzy ditemukan oleh Prof. Lotfi A. Zadeh dari Universitas California di Barkeley pada tahun Sebelum ditemukannya teori logika fuzzy (fuzzy logic), dikenal sebuah logika tegas (crisp logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya logika fuzzy merupakan sebuah logika yang memiliki kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy, sebuah nilai bisa bernilai benar atau salah secara bersamaan namun berapa besar kebenaran atau kesalahan suatu nilai tergantung kepada bobot / derajat keanggotaan yang dimilikinya.dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) merupakan pengelompokan sesuatu berdasarkan variabel bahasa (linguistic variable), yang dinyatakan dalam fungsi keanggotaan (membership function). Didalam semesta pembicaraan (universe of discourse) U, fungsi keanggotaan dari suatu himpunan fuzzy tersebut bernilai antara 0 sampai 1. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data ke dalam nilai keanggotaannya (sering juga disebut 12

5 dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Beberapa fungsi keanggotaan logika fuzzy dapat dilihat pada [9]. Adapun langkah langkah yang dilakukan dalam sistem kendali logika fuzzy adalah fuzzifikasi, evaluasi aturan dan defuzifikasi [9], [10]. Fuzzy C-Means Fuzzy c-means (FCM) dikenalkan pertama kali sebagai salah satu metode clustering menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Penjelasan lebih lanjut mengenai Fuzzy C-Means bisa dijelaskan pada [10] [11]. Metodologi Penelitian Adapun langkah langkah yang dilakukan dalam penelitian ini adalah o Mengumpulkan data-data yang berkaitan dengan peramalan diantaranya jumlah penduduk, jumlah pelanggan listrik, PDRB (Harga Konstan 2000), rasio elektrifikasi dan konsumsi energi listrik. Data-data ini diperoleh dari PT. Pembangkit Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat dan Badan Pusat Statistik (BPS) Sumatra Barat mulai dari tahun 2002 sampai tahun o Hasil data yang dikumpulkan tersebut kemudian dikelompokkan menjadi masukan dan keluaran. Untuk data masukan terdiri dari jumlah penduduk, jumlah pelanggan, PDRB harga konstan 2000 dan rasio elektrifikasi. Untuk data keluarannya berupa perkiraan konsumsi energi listrik o Melakukan proses clusterisasi untuk data masukan dan data keluaran. Proses clusterisasi dengan menggunakan clusterisasi c-meansdengan bantuan fuzzy logic toolbox dengan pemilihan tipe fuzzy inference system (FIS) adalah tipe Sugeno dan himpunan variabel bahasanya (fuzzy set) yang direpresentasikan dalam bentuk fungsi keanggotaan (membership function) Gaussian. o Melakukan proses fuzzifikasi. Proses fuzifikasi ini merupakan proses pembentukan fungsi keanggotan (membership function)masukan dan fungsi keanggotaan (membership function) keluaran. Pada penelitian ini digunakan rancangan fuzzy inference system (FIS) dengan 4 variabel masukan dan 1 variabel keluaran. Setelah itu untuk masing masing masukan dan keluarannya ditentukan himpunan variabel bahasanya. o Pembentukkn aturan (rule)menggunakan rule editor. Pembentukkan aturan (rule) ini berdasarkan cluster yang dihasilkan dari proses cluster c- means sebelumnya. Penggunaan rule editor untuk memudahkan penyusunan pernyataan pernyataan if then rule secara otomatis o Proses penalaran menggunakan model tipe Sugeno. o Setelah itu dilakukan peramalan kebutuhan kosumsi energi listrik untuk 10 tahun ke depan. o Membandingkan hasil peramalan kebutuhan energi listrik dengan menggunakan fuzzy clustering c- meansdan hasil peramalan kebutuhan energi listrik yang dilakukan oleh PT. PT. Pembangkit Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat. Untuk mendapatkan tingkat keakuratan perkiraan, harus menunggu hingga tahun perkiraan tersebut datang dan dibandingkan data konsumsi energi listrik 13

6 aktualnya terhadap perkiraan konsumsi energi listrik yang dihasilkan. HASIL DAN PEMBAHASAN Pada penelitian ini, peramalan kebutuhan energi listrik di Provinsi Sumatera Baratdilakukan untuk jangka panjang. Dengan menggunakan data aktual yang dikumpulkan dari tahun 2002 sampai tahun 2011akan diramalkan kebutuhan energi listrik untuk 10 tahun ke depan. Adapun data yang dipergunakan diperlihatkan pada Tabel 1. berikut Tahun Penduduk (10 3 jiwa) Tabel 1. Data Aktual Dari Tahun 2000 Sampai 2008 Jumlah Pelanggan (10 3 pelanggan) Rasio Elektrifikasi (%) PDRB (harga konstan 2000) Konsumsi Energi (GWh) Data masukan dan keluaran dilakukan clusterisasidengan metoda fuzzy cluster c-means untuk menentukan nilai keanggotaan masing-masing data. Parameter yang digunakan dalam clusterisasi adalah 2 untuk fuzziness parameter, sedangkan jumlah cluster divariasikan adalah 3 cluster, 5 cluster, 7 cluster dan 9 cluster, maksimum iterasi bernilai 100 dan untuk tingkat kesalahan. Clusterisasi dilakukan menggunakan fungsi yang telah ada pada perangkat lunak Matlab yaitu fungsi genfis3. Fungsi ini akan menentukan secara otomatis matriks partisi awal dan menghitung pusat cluster matriks partisi awal tersebutdan kemudian melakukan perbaikan nilai pusat cluster dan mengupdate nilai matriks sesuai dengan pusat cluster yang baru didapat. Iterasi akan terus dilakukan hingga minimum kesalahan didapatkan, atau jumlah iterasi maksimum telah tercapai.clusterisasidengan fungsi fuzzy cluster c-meanspada perangkat lunak Matlab akan menghasilkan fuzzy inteference system(fis) tipesugeno beserta aturan (rule).adapun himpunan fuzzy untuk variabel masukandan keluaran diperlihatkan pada Tabel 2. Berikut 14

7 Fungsi Masukan Keluaran Tabel 2. Himpunan Fuzzy Variabel Masukandan Keluaran Himpunan Semesta Variabel Fuzzy Pembicaraan Penduduk Pelanggan Rasio PDRB Konsumsi Energi Domain In1cluster In1cluster In1cluster In2cluster In2cluster In2cluster In3cluster In3cluster In3cluster In4cluster In4cluster In4cluster Out1cluster Out1cluster Out1cluster Hasil clusterisasi diperoleh bahwa perubahan jumlah cluster dengan fuzzy inteference system(fis) tipesugeno tidak mempengaruhi hasil peramalan dimana untuk 3 cluster, 5 cluster, 7 cluster dan 9 cluster diperoleh rata rata kesalahan sebesar %. Adapun hasil peramalan kosumsi energi listrik dengan fuzzy inteference system(fis) tipesugeno untuk 3 cluster, 5 cluster, 7 cluster dan 9 cluster diperlihatkan pada Tabel 3. Berikut Tabel 3. Hasil Peramalan Dengan Variasi Cluster FIS Sugeno (GWh) Tahun 3 Cluster 5 Cluster 7 Cluster 9 Cluster

8 Rata - Rata Kesalahan % % % % Hasil perbandingan peramalan kosumsi energi listrik antara metoda fuzzy cluster c-meansdengan peramalan yang dilakukan oleh PT. Perusahaan Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Barat diperlihatkan pada Tabel 4. berikut Tabel 4.Perbandingan Hasil Peramalan Kosumsi Energi Listrik Tahun Peramalan PT. PLN (Persero) (GWh) Peramalan Logika Fuzzy (GWh) Kesalahan (%) Rata Rata Kesalahan Perbandingan pada Tabel 4. terlihat bahwa peramalan konsumsi energi listrik yang dilakukan olehpt. Perusahaan Listrik Negara (PT. PLN) (Persero) Wilayah Sumatera Baratdengan peramalan metoda fuzzy cluster c-meanstidak berbeda jauh dengan tingkat kesalahan sebesar %. Rata-rata kesalahan yang kecil ini menunjukkan bahwa bentuk fungsi keanggotaan serta jumlah himpunan fuzzy yang digunakan memberikan tingkat keakuratan yang tinggi. Hal ini diperlihatkan pada Gambar 1. berikut 16

9 Gambar 1.Grafik Perbandingan Perkiraan Kosumsi Energi KESIMPULAN Adapun kesimpulan dari penelitian ini adalah 1. Variasi jumlah cluster dengan metoda fuzzy cluster c- meanstidak mempengaruhi jumlah aturan (rule). 2. Peramalan dilakukan dengan menggunakan aturan aturan (rule) yang diperoleh dari clusterisasi dengan fuzzy inteference system(fis) tipesugeno pada data masukan. DAFTAR PUSTAKA [1] Biro Pusat Statistik (BPS), 2011,Sumbar Dalam Angka tahun 2011, Padang. [2] Arief Heru Kuncoro dan Rinaldy Dalimi Aplikasi Jaringan Syaraf Tiruan Untuk Perkiraan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal Teknologi, Edisi No. 3 Tahun XIX. 3. Hasil Peramalan antara PT. PLN (Persero) Wilayah Sumatra Barat dengan metoda fuzzy cluster c-meanstidak jauh berbeda. Nilai kesalahan rata-rata yang didapat sebesar %. Data peramalan konsumsi energi listrik yang dihasilkan oleh PT. PLN (Persero) Wilayah Sumatra Barat hanya digunakan sebagai data pembanding, karena nilai konsumsi energi listrik untuk 10 tahun ke depan belum dapat dipastikan. [3] Hesham K. Alfares and Mohammad Nazeeruddin Electric Load Forecasting: Literature Survey and Classification of Methods. International Journal of Systems Science, volume 33. [4] Kyung-Bin Song Short- Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method. IEEE Transactions On Power System, Vol. 20, No. 1, February. 17

10 [5] Pandian, Chenthur Fuzzy Approach for Short-Term Load Forecasting. Electric Power System Research. [6] Rob J. Hyndman and Shu Fan Density Forecasting for Long-Term Peak Electricity Demand. Australia, Monash University. [7] Heru Dibyo Laksono, Hansi Effendi dan Iwan Perdana Aplikasi Logika Fuzzy Pada Perkiraan Kebutuhan Energi Listrik Jangka Panjang di Provinsi Sumatera Barat Sampai Tahun 2018, Jurnal Teknologi Informasi dan Pendidikan Vol. 03 No. 01, Universitas Negeri Padang (UNP) [8] Utama, Ngakan Putu Satriya Prakiraan Kebutuhan Tenaga Listrik Propinsi Bali Sampai Tahun Teknik Elektro, Vol.6 No.1. [9] Suyanto Soft Computing : Membangun Mesin Ber-IQ Tinggi. Bandung : Penerbit Informatika. [10] Kusumadewi, Sri Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Yogyakarta : Penerbit Graha Ilmu. [11] S.N. Sivanandam, S. Sumathi dan S.N Deepa Introduction to Fuzzy Logic Using Matlab. Berlin : Springer 18