PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI

Transkripsi

1 PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang Disusun Oleh : IKHWANUL HAKIM JURUSAN ELEKTRO FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH MALANG 2015 i

2 ii

3 iii

4 iv

5 LEMBAR PERSEMBAHAN Puji syukur kehadirat Allah SWT atas rahmat dan karunia-nya sehingga penulis dapat menyelesaikan Tugas Akhir ini. Penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada : 1. Allah SWT, atas segala hidayah yang telah diberikan dalam pengerjaan dan penyelesaian tugas akhir ini. 2. Kedua orang tua dan kedua adik yang selalu mendo akan, mendukung dan memotivasi penulis sehingga bisa menyelesaikan tugas akhir ini. 3. Bapak Dr. Ir. Ermanu Azizul Hakim., M.T. dan bapak Ilham Pakaya ST. selaku pembimbing tugas akhir. 4. Bapak Ir. Sudarman, MT sebagai Dekan Fakultas Teknik Universitas Muhammadiyah Malang. 5. Ibu Ir. Nur Alif Mardiyah, MT selaku Ketua Jurusan Teknik Elektro Universitas Muhammadiyah Malang. 6. Bapak Santoso, selaku kepala bagian kelistrikan Universitas Muhammadiyah Malang. 7. Riska Mei Pratiwi, yang selalu mendukung dan memberikan motivasi dalam pengerjaan tugas akhir ini. 8. Teman-teman seperjuangan elektro D angkatan Pihak Dosen beserta Staff TU Jurusan Teknik Elektro UMM. 10. Serta semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah berjasa dalam pengerjaan Tugas Akhir ini. v

6 KATA PENGANTAR Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul : PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Di dalam tulisan ini disajikan pokok-pokok pembahasan yang meliputi pendahuluan, dasar teori, perancangan sistem, dan pengujian sistem. Penulis menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu penulis mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan kedepan. Malang, 21 Januari 2015 Penulis vi

7 DAFTAR ISI LEMBAR JUDUL... i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii SURAT PERNYATAAN... iv ABSTRAK... v ABSTRACT... vi LEMBAR PERSEMBAHAN... vii KATA PENGANTAR... viii DAFTAR ISI... ix DAFTAR GAMBAR... xii DAFTAR TABEL... xiv BAB I. PENDAHULUAN 1.1 Latar Belakang Rumusan Masalah Tujuan Batasan Masalah Metodologi Sistematika Penulisan Tugas Akhir... 3 BAB II. DASAR TEORI 2.1 Teori Peramalan Beban Faktor-faktor yang Mempengaruhi Beban Listrik... 4 vii

8 2.3 Cara-cara Peramalan Beban Listrik Karakteristik Peramalan yang Baik Akurasi Biaya Kemudahan Soft Computing dan Neuro-Fuzzy Karakteristik Integrasi Neuro-Fuzzy Soft Computing Logika Fuzzy Himpunan Fuzzy Fuzzy C-Means (FCM) Jaringan Syaraf Tiruan Adaptive Neuro-Fuzzy Inference System (ANFIS) Arsitektur ANFIS Evaluasi Akurasi Peramalan ANFIS Algoritma Pembelajaran Hybrid Least Square Estimator (LSE) Rekursif BAB III. PERANCANGAN SISTEM 3.1 Tahapan Penelitian Pendekatan Penelitian Jenis Data Teknik Pengumpulan Data Teknik Penelitian Menyiapkan data beban listrik harian Membentuk data masukan dan keluaran menjadi sebuah matriks viii

9 Matriks masukan Matriks keluaran Mencari nilai mean dan deviasi standar Tahap pembelajaran ANFIS Tahap uji coba ANFIS BAB IV. ANALISA DAN PEMBAHASAN 4.1 Prakiraan Beban Listrik di UMM Prakiraan Beban Listrik Harian Prakiraan Beban Listrik Hari Senin Prakiraan Beban Listrik Hari Selasa Prakiraan Beban Listrik Hari Rabu Prakiraan Beban Listrik Hari Kamis Prakiraan Beban Listrik Hari Jum at Prakiraan Beban Listrik Hari Sabtu Prakiraan Beban Listrik Hari Minggu BAB V. PENUTUP 5.1 Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN ix

10 DAFTAR GAMBAR Gambar 2.1 Arsitektur ANFIS Gambar 3.1 Flowchart Penelitian Gambar 3.2 Flowchart Prakiraan Penggunaan Beban Menggunakan ANFIS Gambar 3.3 Flowchart Clustering Data Gambar 3.4 Flowchart tahap uji coba ANFIS Gambar 4.1 Karakteristik daya yang akan menjadi masukan untuk prakiraan hari senin Gambar 4.2 Proses pembelajaran jaringan adaptif Gambar 4.3 Perbandingan daya sebenarnya dengan daya hasil prakiraan Gambar 4.4 Karakteristik daya yang akan menjadi masukan untuk prakiraan hari selasa Gambar 4.5 Proses pembelajaran jaringan adaptif Gambar 4.6 Perbandingan daya sebenarnya dengan daya hasil prakiraan Gambar 4.7 Karakteristik daya yang akan menjadi masukan untuk prakiraan hari rabu Gambar 4.8 Proses pembelajaran jaringan adaptif Gambar 4.9 Perbandingan daya sebenarnya dengan daya hasil prakiraan Gambar 4.10 Karakteristik daya yang akan menjadi masukan untuk prakiraan hari kamis Gambar 4.11 Proses pembelajaran jaringan adaptif Gambar 4.12 Perbandingan daya sebenarnya dengan daya hasil prakiraan Gambar 4.13 Karakteristik daya yang akan menjadi masukan untuk prakiraan hari jum at Gambar 4.14 Proses pembelajaran jaringan adaptif x

11 Gambar 4.15 Perbandingan daya sebenarnya dengan daya hasil prakiraan Gambar 4.16 Karakteristik daya yang akan menjadi masukan untuk prakiraan hari sabtu Gambar 4.17 Proses pembelajaran jaringan adaptif Gambar 4.18 Perbandingan daya sebenarnya dengan daya hasil prakiraan Gambar 4.19 Karakteristik daya yang akan menjadi masukan untuk prakiraan hari minggu Gambar 4.20 Proses pembelajaran jaringan adaptif Gambar 4.21 Perbandingan daya sebenarnya dengan daya hasil prakiraan xi

12 DAFTAR TABEL Tabel 3.1 Pembagian data beban harian Tabel 3.2 Pemodelan pasangan data masukan dan keluaran Tabel 3.3 Data minggu pertama Tabel 3.4 Data minggu kedua Tabel 3.5 Data minggu ketiga Tabel 3.6 Proses pembelajaran ANFIS Tabel 4.1 Pasangan data pelatihan untuk prakiraan hari senin Tabel 4.2 Kecenderungan masuk cluster data pelatihan Tabel 4.3 Output lapisan pertama Tabel 4.4 Output lapisan kedua dan ketiga Tabel 4.5 Koefisien parameter Tabel 4.6 Perbandingan output target dengan output prakiraan Tabel 4.7 Pasangan data pelatihan untuk prakiraan hari selasa Tabel 4.8 Kecenderungan masuk cluster data pelatihan Tabel 4.9 Output lapisan pertama Tabel 4.10 Output lapisan kedua dan ketiga Tabel 4.11 Koefisien parameter Tabel 4.12 Perbandingan output target dengan output prakiraan Tabel 4.13 Pasangan data pelatihan untuk prakiraan hari rabu Tabel 4.14 Kecenderungan masuk cluster data pelatihan Tabel 4.15 Output lapisan pertama Tabel 4.16 Output lapisan kedua dan ketiga Tabel 4.17 Koefisien parameter xii

13 Tabel 4.18 Perbandingan output target dengan output prakiraan Tabel 4.19 Pasangan data pelatihan untuk prakiraan hari kamis Tabel 4.20 Kecenderungan masuk cluster data pelatihan Tabel 4.21 Output lapisan pertama Tabel 4.22 Output lapisan kedua dan ketiga Tabel 4.23 Koefisien parameter Tabel 4.24 Perbandingan output target dengan output prakiraan Tabel 4.25 Pasangan data pelatihan untuk prakiraan hari jumat Tabel 4.26 Kecenderungan masuk cluster data pelatihan Tabel 4.27 Output lapisan pertama Tabel 4.28 Output lapisan kedua dan ketiga Tabel 4.29 Koefisien parameter Tabel 4.30 Perbandingan output target dengan output prakiraan Tabel 4.31 Pasangan data pelatihan untuk prakiraan hari sabtu Tabel 4.32 Kecenderungan masuk cluster data pelatihan Tabel 4.33 Output lapisan pertama Tabel 4.34 Output lapisan kedua dan ketiga Tabel 4.35 Koefisien parameter Tabel 4.36 Perbandingan output target dengan output prakiraan Tabel 4.37 Pasangan data pelatihan untuk prakiraan hari minggu Tabel 4.38 Kecenderungan masuk cluster data pelatihan Tabel 4.39 Output lapisan pertama Tabel 4.40 Output lapisan kedua dan ketiga Tabel 4.41 Koefisien parameter Tabel 4.42 Perbandingan output target dengan output prakiraan xiii

14 DAFTAR PUSTAKA [1] Kusumadewi, Sri; Hartati, Sri. NEURO-FUZZY: Integrasi Sistem Fuzzy & Jaringan Syaraf/Sri Kusumadewi; Sri Hartati-Edisi Ke dua Yogyakarta; Graha Ilmu, [2] Suswanto, D. (2009). Sistem Distribusi Tenaga Listrik : Untuk Mahasiswa Teknik Elektro (Edisi Pertama). Padang: Jurusan Teknik Elektro Fakultas Teknik Universitas Negeri Padang. [3] Widnya. Peramalan Beban Puncak Untuk Hari-Hari Libur Menggunakan Metode Fuzzy Inference System. Jimbaran : Tugas Akhir Program S1 Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana; [4] Ismayani, Ika Luzya. Pemakaian Jaringan Syaraf Tiruan Perambatan Balik Dalam Peramalan Beban Jangka Pendek Sistem Kelistrikan Bali. Jimbaran : Tugas Akhir Program S1 Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana; [5] Dinar Atika. Peramalan Kebutuhan Beban Jangka Pendek Menggunakan Jaringan Syaraf Tiruan Backpropagation. Semarang : Tugas Akhir Program S1 Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro; [6] Arikunto S. Prosedur penelitian suatu pendekatan Praktik, Ed Revisi VI. Jakarta: Penerbit PT Rineka Cipta, [7] Oktafri, Aplikasi Metode Simulasi Monte Carlo Untuk Menduga Debit Aliran Sungai. Universitas Lampung. Lampung. xiv