PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED

Transkripsi

1 PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda 2,3 Pascasarjana Teknik Indusri- ITS, Kampus ITS 1 Wahyuda@gmail.com, 2 budi_s@ie.is.ac.id, 3 nanikur@ie.is.ac.id ABSTRAK Penyediaan beban lisrik yang cepa dan epa menjadi masalah yang pening. Beban lisrik yang sudah diproduksi dan idak erpakai akan erbuang karena idak bisa disimpan (erjadi Dump Power), Sedangkan bila energy yang disediakan berada di bawah beban yang dimina akiba peramalan yang idak akura maka akan erjadi pemadaman bergilir ( Energy No Served). Unuk memenuhi kebuuhan lisrik pada periode selanjunya harus sudah disediakan dari sekarang, maka dari iu dibuuhkan peramalan. Salah sau meode peramalan yang erkenal di daa mining adalah Suppor Vecor Regression (SVR), eapi unuk kasus ini dimana daanya berukuran besar, SVR erbuki membuuhkan waku proses yang lama dan membuuhkan memori yang besar unuk menghasilkan mariks kernelnya. Oleh karena iu kemudian digunakan Meode Kernel Ridge Regression, dimana dihasilkan pembelajaran yang lebih cepa dan hasil yang juga akura. Pada kasus Prediksi Beban Lisrik ini dilakukan selama 48 periode ke depan aau selama 2 hari, hasilnya menunjukkan bahwa Peramalan dengan ARIMA akan menghasilkan MSE erkecil akan eapi bila menggunakan perimbangan Dump Power dan juga Energy No Served, maka akan lebih bermanfaa bila menggunakan Kernel Ridge Regression Kaa kunci : Kernel Ridge Regression, Peramalan, Daamining, Arima, Time Series, Beban Lisrik PENDAHULUAN Beban Lisrik yang harus disediakan selalu berubah-ubah. Perbedaan hari, perbedaan jam, libur hari raya, cui bersama merupakan sediki dianara banyak fakor yang bisa saja mempengaruhi pola konsumsi. Pemenuhan perminaan bisa berlangsung lancar dengan keenuan bahwa jumlah energi yang ersedia aau disebu dengan beban lisrik lebih besar dari keseluruhan kebuuhan yang harus disalurkan. Kebuuhan lisrik pelanggan yang berflukuasi seiap waku menyebabkan beban lisrik yang erdisribusikan ke pelanggan juga berubahubah. Unuk memenuhi seluruh kebuuhan lisrik pada periode selanjunya, uni pembangki harus sudah menyiapkan energi dari sekarang, jadi dalam hal ini harus dilakukan peramalan unuk memprediksi berapa beban yang harus disediakan oleh pembangki pada sau periode selanjunya. Bila nilai peramalan unuk beban lisrik ernyaa jauh di aas dari kebuuhan maka beban yang idak erserap akan erbuang karena lisrik yang sudah diproduksi idak bisa disimpan hal ini disebu dengan DUMP POWER, sedangkan bila nilai peramalan jauh di bawah kebuuhan yang sebenarnya maka enu saja PLN idak akan mampu memenuhi kebuuhan lisrik pelanggannya sehingga akan mengakibakan berbagai dampak seperi pemadaman bergilir,

2 berheninya proses produksi, erganggunya pelayanan publik dan masih banyak lagi, ini disebu ENERGY NOT SERVED. Kedua dampak ersebu harus diperimbangkan sebagai sau kesauan bila diinginkan efisiensi biaya dan sekaligus kepuasan pelanggan. Salah sau meode peramalan adalah ARIMA Box-Jenkins. Meode ini digunakan oleh Chen, Wang dan Huang (1995) unuk meramalkan beban lisrik jangka pendek berjangka waku harian.meode Fuzzy juga digunakan sebagai peramalan kebuuhan lisrik jangka menengah (bulanan) di Iran (Azad eh dkk, 2008). Meode lain adalah meode kecerdasan buaan, dianaranya adalah Arificial Neural Nework yang pernah digunakan oleh Hsu dan Chen (2003) unuk meramalkan beban lisrik regional di Taiwan. Vapnik (1995) memperkenalkan meode baru yaiu Suppo r Vecor Machine (SVM) yang berkembang menjadi Suppor Vecor Regression (SVR). Wei Chiang Hong (2008) menggunakan model Suppor Vecor unuk memodelkan peramalan beban lisrik unuk jangka panjang (ahunan). Meode lain yang bisa digunakan adalah Kernel Ridge Regression (Chrisianini,2005), yang merupakan pengembangan dari Ridge Regression unuk kasus linear. Meode ini sanga sederhana dengan waku kompuasi yang cepa dan memori yang dibuuhkan idak sebesar pada SVR. Sebagai sudi kasus akan digunakan daa beban energi pada sisem Jawa Timur. METODOLOGI Gambar 1 Langkah-Langkah dalam Melakukan Peneliian Yang menjadi variable peneliian adalah jumlah beban lisirk yang disediakan oleh PLN seiap jamnya, dengan sample adalah daa realisasi beban lisrik wilayah Jawa Timur periode 1 Mei 2008 pukul WIB s/d 31 Desember 2008 pukul.00 WIB. Sebagai daa raining adalah daa realisasi beban lisrik Jawa Timur periode 1 Mei 2008 sampai dengan 30 November Sedangkan daa esing adalah realisasi beban lisrik Jawa Timur periode Desember KRR menggunakan dua parameer yang belum dikeahui nilainya dan diambah lagi pada kasus ini melibakan ribuan daa. Dengan dua macam kondisi ersebu arinya erdapa ribuan kombinasi yang mungkin. Daa raining dan esing naninya akan dikelompokkan ke dalam beberapa macam noasi yang disesuaikan dengan kondisi peramalan. Noasi ersebu adalah sebagai beriku : KRR A : ime series selama jam dari anggal 1 Mei s/d 30 November 2008 dan peramalannya menggunakan pembanding anggal 1 s/d 2 Desember A-18-2

3 KRR B : sama dengan KRR A, hanya perbedaannya adalah KRR B merupakan hasil peramalan dengan KRR yang idak erpilih sebagai meode erbaik diliha dari MSE, MAD dan MAPE akan eapi pola hasil peramalannya lebih mengikui kondisi sebenarnya dibanding pola daa yang dihasilkan oleh KRR A KRR C : wakunya dari pukul s/d WIB KRR D : wakunya dari pukul s/d.00 WIB ARIMA : Peramalan dengan periode waku jam dalam sehari ARIMA 1 : Hasil Peramalan dengan ARIMA dari pukul s/d WIB ARIMA 2 : Hasil Peramalan ARIMA dari pukul s/d.00 WIB HASIL DAN PEMBAHASAN Pada peneliian ini dilakukan peramalan dengan menggunakan empa jenis lambda yaiu 0.1, 0.5, 1 dan 5, dengan parameer kernelnya masing-masing. Disini dilakukan cara coba-coba unuk mendapakan kombinasi lamda dan parameer kernel yang paling mendekai kondisi nyaanya. Sebagai indikasi bahwa model elah sesuai adalah dengan ukuran MSE erkecil. Hasil dari kesemua proses unuk ini dapa diliha pada abel beriku : Tabel 1 : MSE berbagai kombinasi Lamda Par Bias MSE 4, ,040 3, ,970 2, ,470 1, , Realisasi KRR Gambar 2: Plo hasil peramalan 48 periode KRR Polinomial (0.5, 1) dengan MSE erkecil Kombinasi erbaik adalah keika menggunakan lamda 0.5 dan parameer kernel polinomial 1 (disebu sebagai KRR A), dengan MSE sebesar didapakan plo peramalan unuk 48 periode seperi pada gambar 2. ARIMA Seelah melakukan ahapan proses Box-Jenkins, maka akhirnya didapa bahwa model peramalan beban lisrik yang erbenuk adalah ARIMA (0,1,1),(0,1,1). Model regresi dengan ARIMA unuk beban lisrik adalah moving average dan juga mengandung musiman. Kalau model yang didapa adalah ARIMA (0,1,1)(0,1,1) berari model shif mundurnya adalah (1 B )(1 B ) X (1 1B)(1 1B ) e (1) (1-B) merupakan pembedaan perama yang idak musiman (nonseasonal) (1-B ) Pembedaan perama yang musiman (seasonal) ( 1 1B) merupakan Moving Average (MA 1) yang idak musiman (1 B 1 ) merupakan Moving Average (MA 1) yang musiman A-18-3

4 Dalam kasus beban lisrik ini, yang erliba ada dua macam model, yaiu moving average yang idak mengandung unsur musiman (nonseasonal moving average) dan moving average yang mengandung unsur musiman (seasonal moving average), oleh karenanya pembenukan model peramalannya juga melibakan dua hal ersebu seperi rumus (1). Unuk dapa menggunakannya dalam peramalan maka rumus diaas harus diubah ke dalam angka dan konsana yang ada, sehingga seperi beriku : (1 B )(1 B ) X (1 B)(1 B ) 1 1 e 25 (1 B B B ) X (1 B B B ) e X B B B (1 B B B ) e X X X X e e e e Jadi, persamaan modelnya adalah : X X X X e.2751 e e (0.37) 1e 25 Peramalan Menggunakan KRR dengan Pengelompokan Daa Karena realisasi beban lisrik pagi, siang sore dan malam hari menunjukkan pola yang berbeda, maka akan dicoba diliha dampak pembagian waku ini erhadap pola peramalan. Daa akan dibagi dua, yaiu beban lisrik pagi (KRR C) dan beban sore (KRR B), seelah melakukan uji coba dengan berbagai lamda dan parameer kernel maka didapa hasil sebagai beriku : Tabel 2 : Performansi unuk KRR A, C dan D KRR A KRR C KRR D Lamda Parameer Bias MSE MAD MAPE , , , Disini jelas erliha dengan hanya membagi daa beban lisrik menjadi dua, kinerja peramalan menjadi meningka sekiar 9 s/d 12 persen. Dan hasil ramalan juga lebih menggambarkan kondisi yang sebenarnya. KRR dibandingkan dengan ARIMA Bila oupu KRR A dibandingkan dengan KRR B menggunakan parameer pembanding MSE, MAD dan MAPE erkecil maka anara ARIMA, KRR B dan KRR A dapa dibandingkan seperi beriku : KRR A ARIMA Realisasi KRR B Gambar 3: Plo daa peramalan selama 48 periode anara Realisasi, ARIMA, KRR A dan KRR B A-18-4

5 Plo-plo peramalan di aas dilakukan dengan daa raining secara keseluruhan dengan daa yang masih sanga berflukuasi, eruama anara iik erendah di pagi hari dan iik eringgi di malam hari. Oleh karena iu bila kemudian daa diperkecil deviasinya dengan membagi daa padi dan malam, daa peramalan akan menunjukkan kinerja yang lebih baik. Dalam hal perbandingan lebih rinci anara oupu ARIMA (ARIMA 1) dan oupu ramalan KRR C maka akan didapa perbandingan sebagai beriku : Gambar 4 : Plo daa peramalan beban lisrik pagi hari anara Realisasi, ARIMA1 dan KRR C Kemudian bila perbandingan dilanjukan dengan oupu unuk ARIMA2 dan oupu KRR D maka akan didapa perbandingan sebagai beriku : KRR C ARIMA 1 Realisasi Pagi KRR D ARIMA 2 Realisasi Gambar 5: Plo daa peramalan beban lisrik malam hari anara Realisasi, ARIMA2 dan KRR C Analisa Dump Power dan Energy No Served Dump Power maksudnya adalah Energy lisrik aau dalam hal ini beban lisrik yang erbuang. Terbuang karena energy lisrik idak bisa disimpan. Dump Power erjadi keika Nilai peramalan lebih besar dari Realisasi sebenarnya. Energy No Served adalah kebalikan dari Dump Power, dimana nilai peramalan lebih kecil dari realisasi beban lisrik, sehingga kebuuhan lisrik idak bisa dipenuhi oleh PLN, yang berakiba pada pemadaman bergilir. Kedua hal ersebu sama-sama idak diinginkan oleh PLN, karena baik Dump Power maupun Energy No Served sama-sama merugikan. Peneliian ini idak mendapakan daa mengenai besarnya kerugian bila erjadi kedua kasus ersebu, dan unuk kepeningan peneliian seiap keidak sesuaian akan diberi biaya Selanjunya unuk keperluan analisa disini adalah bahwa akan diberikan konsana erhadap biaya yang erjadi. Bila erjadi Dump Power maka akan diberi sau sauan biaya, sedangkan bila erjadi energy no served maka akan dibobo dua kali Dump Power. Dengan asumsi ersebu maka diadakan analisis erhadap meode peramalan A-18-5

6 yang dihasilkan. Karena parameer MSE, MAD dan juga MAPE idak menggambarkan kondisi yang sebenarnya. Konsekuensi Biaya Bila yang Digunakan adalah KRR A, KRR B dan ARIMA Bila menggunakan hasil peramalan dengan meode ini, plonya akan erliha seperi pada gambar Perhiungan lengkapnya dapa diliha pada lampiran 20, dengan resume hasil sebagai beriku : Tabel 3. Toal cos unuk peramalan KRR A ARIMA KRR B Bobo Biaya Toal Cos Hasil yang diunjukkan abel 4.15 memperlihakan bahwa meode peramalan yang erbaik berdasarkan MSE belum enu baik juga bila digunakan parameer yang lainnya. Terganung ujuan dan kepeningan digunakannya meode peramalan ersebu. Peramalan KRR yang mempunyai MSE jauh lebih besar dari ARIMA jusru memiliki nilai yang erbaik bila diinjau dari kemungkinan erjadinya Dump Power aaupun Energy Nor Served. Hasil peramalan dengan KRR hanya menimbulkan konsekuensi biaya sebesar 74 sauan biaya bila dibandingkan dengan KRR diolak dan juga ARIMA yang masing-masing menyebabkan konsekuensi biaya sebesar 91 dan 92. KRR akan mengakibakan erjadi 22 kali Dump Power dan kali Energy No Served. Konsekuensi Biaya Bila Menggunakan Pengelompokan Daa Disini daa dibagi menjadi dua, sehingga ramalan juga dibagi menjadi dua, yaiu hasil peramalan menggunakan KRR C dan ARIMA1. Rincian biaya hasil peramalan KRR C diunjukkan pada lampiran 21, sedangkan resumenya dapa diliha sebagai beriku : Tabel 4. Toal Cos unuk Peramalan Beban Lisrik Pagi KRR C ARIMA1 Bobo Biaya Toal Cos Hasil peramalan beban lisrik dengan KRR C diplo pada gambar 4.34, sedangkan perhiungan konsekuensi biayanya erdapa pada lampiran 22. Sama dengan hasil peramalan dengan KRR A, B dan ARIMA, maka pada kasus pengelompokan daa juga dihasilkan peramalan dengan konsekuensi biaya yang lebih kecil dibandingkan dengan ARIMA1, walau awalnya dengan ukuran MSE idak akan dierima. Sedangkan unuk hasil ramalan malam hari dapa diunjukkan pada lampiran, resumenya adalah sebagai beriku : Tabel 5. Toal Cos unuk Peramalan Beban Lisrik Malam KRR D ARIMA 2 Bobo biaya Toal Cos Hasil peramalan Beban Lisrik di malam hari juga menunjukkan bahwa KRR eap lebih baik dari ARIMA. KESIMPULAN 1. Simulasi yang dilakukan erhadap Kernel Ridge Regression berujuan unuk mencari hasil peramalan dengan Mean Square Error erkecil. Dan hasilnya menyaakan bahwa KRR erbaik keika menggunakan Lamda 0.5 dan Parameer Kernel 1 A-18-6

7 Lamda Parameer Bias MSE MAD MAPE , , , , Hasil KRR dengan daa yang dibagi menunjukkan bahwa ukuran MSE bisa diperkecil, hasilnya sebagai beriku : KRR A KRR C KRR D Lamda Parameer Bias MSE MAD MAPE , , , Model ARIMA yang sesuai unuk beban lisrik Jawa Timur adalah ARIMA (0,1,1)(0,1,1). Dengan model peramalan yang elah diuraikan sebagai beriku : X X 1 X X 25 e e e (0.37) 1e Peramalan beban lisrik yang dihasilkan unuk periode waku 2x jam membukikan bahwa ARIMA meode yang lebih baik dari Kernel Ridge Regression dengan perimbangan Mean Square Error, Mean Absolue Deviaion dan Mean Absolue Percenage Error. 5. Bila yang menjadi pengukur adalah resiko biaya erjadinya Dump Power dan Energy No Served, dimana diasumsikan bahwa Energy No Served akan dibobo dua kali bobo Dump Power, maka hasil peramalan yang erbaik adalah keika menggunakan Kernel Ridge Regression. Seperi erliha pada abel beriku : KRR A ARIMA KRR B KRR C ARIMA1 KRR D ARIMA2 Bobo Biaya Toal Cos Peramalan dengan Meode Kernel Ridge Regression bisa diingkakan kinerjanya berdasarkan MSE dengan memperimbangkan pola daa yang erjadi. 7. Peramalan Beban Lisrik unuk PLN bisa diingkakan keakuraannya dengan membua peramalan berdasarkan pembagian jam, hari dan sebagainya. DAFTAR PUSTAKA Andrias, (2005)., Usulan Penggunaan meode Fuzzy Arificial Neural Nework unuk peramalan kebuuhan lisrik, Tesis Teknik Indusri ITS, Surabaya Azadeh, A., Saberi, M.,. Ghaderi, S.F., Giiforouz, A., and Ebrahimipour, V., (2008), Improved esimaion of elecriciy demand funcion by inegraion of fuzzy sysem and daa mining approach, journal of Energy Conversion and Managemen 49 : Bowerman, B.L., O Connel, R.T., and Koehler, A.B., (2005), Forecasing,Time Series, and Regression fourh ediion, Thompson, America Chen JF, Wang WM, Huang CM.,(1995), Analysis of an adapive ime-series auoregressive moving-average (ARMA) model for shor-erm load forecasing. Elecric Pow Sys Res ;34(3): Hsu CC, Chen CY., (2003). Regional load forecasing in Taiwan: applicaions of arificial neural neworks. Energy Convers Manage ;44(12): Gunn, S,. (1998),. Suppor Vecor Mahine for Clasificaion and Regression, ISIS Technical Repor, Universiy of Souhampon A-18-7

8 Makridakis, S., Wheelwrigh, S.C., McGee, V.E., (1999), Meode dan Aplikasi Peramalan, Binarupa Aksara, Jakara. Mulyono, S., (2000), Peramalan Bisnis dan Ekonomerika, BPFE, Yogyakara Sanosa, B., (2007), Daamining Teknik Pemanfaaan Daa Unuk Keperluan Bisnis Teori dan Aplikasi, Graha Ilmu, Yogyakara. Shawe-Taylor, J. and N. Crisianini (2004). Kernel Mehods for Paern Analysis. New York, Cambridge Universiy Press. Wei-Chiang Hong, (2008), Elecric load forecasing by suppor vecor model, Journal of Applied Mahemaical Modelling A-18-8