MAKALAH SEMINAR TUGAS AKHIR

Transkripsi

1 MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Abstra - Kebutuhan aan etersediaan tenaga listri saat ini sangat tinggi mengingat banyanya peralatan rumah tangga maupun industri yang menggunaan tenaga listri sebagai sumber tenaganya, sehingga diperluan adanya sistem tenaga listri yang handal namun tetap eonomis. Hal tersebut dapat dicapai dengan melauan perencanaan operasi yang bai dan tepat, salah satu langah perencanaan operasi sistem tenaga listri yang penting yaitu peramalan ebutuhan beban listri. Salah satu metode peramalan beban listri adalah menggunaan JST (Jaringan Syaraf Tiruan). JST merupaan sistem pemroses informasi yang mempunyai arateristi mirip jaringan syaraf biologi. JST digunaan untu peramalan beban arena emampuan pendeatan yang bai terhadap etidalinieran. Variabel yang digunaan dalam JST ini adalah data beban listri dan data temperatur lingungan pada masa lampau dimana temperatur lingungan merupaan salah satu hal yang mempengaruhi onsumsi beban. Pada metode ini digunaan JST dengan algoritma bacpropagation dan hasil peramalan diperoleh dengan menambahan rata-rata data harihari similar yang telah dipilih. Persentase esalahan rata-rata absolut antara hasil peramalan menggunaan contoh data beban listri wilayah Jateng & DIY antara metode ini dengan beban atual adalah sebesar 2,39. Kata unci : beban listri, temperatur lingungan, JST, bacpropagation. I. PENDAHULUAN. Latar Belaang Peramalan beban selalu menjadi bagian penting perencanaan dan operasi sistem tenaga listri yang efisien. Beberapa perusahaan tenaga listri, seperti PLN (Perusahaan Listri Negara) menggunaan metode onvensional untu meramalan ebutuhan beban di masa yang aan datang. Pada metode onvensional, model didesain berdasaran hubungan antara beban listri dengan fator-fator yang mempengaruhi onsumsi beban. Metode onvensional mempunyai euntungan yaitu dapat meramal ebutuhan beban dengan menggunaan model peramalan yang sederhana. Pola hubungan antara beban listri dengan fator-fator yang mempengaruhi beban listri adalah nonlinier, sehingga mengalami esulitan jia menggunaan metode onvensional. JST (Jaringan Syaraf Tiruan) digunaan untu meramal beban listri arena emampuan pendeatan yang bai terhadap etidalinieran. [ 3] Beberapa pendeatan untu meramal beban listri menggunaan JST telah banya dilauan, namun hanya menggunaan informasi data beban listri saja dan tida menggunaan data temperatur lingungan sebagai informasi tambahan. [ ] Selain itu, terdapat pula pendeatan untu meramal beban listri menggunaan JST yang menggunaan informasi data beban listri, informasi data temperatur lingungan dan juga oresi peramalan. [ 3] Untu menghasilan respon yang lebih bai dengan parameter error terhadap data atual yang lebih ecil, maa dalam tugas ahir ali ini menggunaan data beban listri dan data temperatur lingungan tiap jam sebagai informasi masuan JST..2 Tujuan Tujuan pembuatan tugas ahir ini adalah :. Melauan peramalan beban listri janga pende menggunaan JST. 2. Membuat program MATLAB untu melauan peramalan beban listri janga pende menggunaan JST dengan menggunaan contoh data beban listri wilayah Jateng & DIY..3 Batasan Masalah Agar permasalahan tida melebar dari tujuan yang diharapan, maa dalam tugas ahir ini dilauan pembatasan masalah meliputi hal-hal sebagai beriut :. Tugas ahir ini hanya untu peramalan beban listri janga pende. 2. Beban yang diramalan adalah besar beban daya nyata (MW) yang dionsumsi pelanggan. 3. Data temperatur lingungan menggunaan data temperatur lingungan wilayah Semarang yang diasumsian sama dengan data temperatur lingungan wilayah Jateng & DIY. 4. Pemrograman dilauan dengan program bantu MATLAB 6.5 beserta toolbox neural networ. 5. Wilayah peramalan beban listri hanya meliputi wilayah Jawa Tengah & DIY. 6. Input JST adalah deviasi beban listri dan deviasi temperatur lingungan. 7. Jumlah neuron input layer JST adalah 6, jumlah neuron hidden layer JST adalah 23, dan jumlah neuron output layer JST adalah.

2 BB 8. Untu pembelajaran JST, menggunaan algoritma bacpropagation dengan metode pelatihan Levenberg Marquardt. 9. Untu membandingan hasil peramalan beban listri, dilauan perbandingan hasil peramalan antara hasil peramalan tugas ahir ini dengan hasil peramalan PLN dan hasil peramalan Satu Jam e Depan [ ]. II. LANDASAN TEORI 2. Teori Peramalan Beban Manajemen operasi sistem tenaga listri yang bai diawali oleh perencanaan operasi yang bai pula. Salah satu langah perencanaan yang harus dilauan adalah prairaan ebutuhan beban sistem tenaga listri. 2.. Karateristi Beban Listri Jawa Tengah & DIY Grafi pada Gambar memperlihatan onsumsi listri masyaraat Jawa Tengah & DIY yang tida merata sepanjang hari. BEBAN (MW) 2.400, , ,0.800,0.600,0.400,0.200,0.000,0 800,0 600,0 400,0 GRAFIK BEBAN DISTRIBUSI RENC. BEBAN REAL. BEBAN Gambar Kurva Karateristi Beban di Jateng & DIY (Senin, 0 januari [ 5] 2005). Silus tersebut mengalami penyimpangan di hari Minggu, hari libur, dan jia ada egiatan sosial lainnya. Karateristi grafi beban pada hari-hari libur husus dapat dilihat pada Gambar ,0 JAM GRAFIK BEBAN DISTRIBUSI Kondisi cuaca atau ilim yang mempengaruhi pemaaian alat-alat listri. Kegiatan sosial masyaraat Peramalan Beban Listri [ 9] Terdapat tiga elompo peramalan beban, yaitu:. Peramalan beban janga panjang. Peramalan beban janga panjang adalah untu janga watu diatas satu tahun. Dalam peramalan beban, masalah-masalah maro eonomi yang merupaan masalah estern perusahaan listri, merupaan fator utama yang menentuan arah peramalan beban. 2. Peramalan beban janga menengah. Peramalan beban janga menengah adalah untu janga watu dari satu bulan sampai dengan satu tahun. Dalam peramalan beban janga menengah, masalahmasalah manajerial perusahaan merupaan fator utama yang menentuan. 3. Peramalan beban janga pende Peramalan beban janga pende adalah untu janga watu beberapa jam sampai satu minggu (68 jam). Besarnya beban untu setiap jam ditentuan dengan memperhatian trend beban di watu lalu dengan memperhatian berbagai informasi yang dapat mempengaruhi besarnya beban sistem Cara-cara Peramalan Beban Listri [ 9] Beberapa metode yang dipaai untu meramalan beban adalah :. Metode Least Square Metode ini dapat dipaai untu meramalan beban punca yang aan terjadi dalam sistem tenaga listri untu beberapa tahun yang aan datang. Metode least square ditunjuan Gambar 3. Beban d 2 d 4 Garis estrapolasi 2.200, ,0 d 3.800,0 BEBAN (MW).600,0.400,0.200,0.000,0 d 800,0 600,0 400, RENC. BEBAN REAL. BEBAN Gambar 2 Kurva Karateristi Beban Hari Libur Khusus ( Januari [ 5] 2005) Fator-fator yang Mempengaruhi Beban Listri [ 9 ][ 0 ][ 2 ] Fator-fator penting yang besar pengaruhnya terhadap variasi beban listri sehari-hari adalah: Keadaan politi negara. Kegiatan eonomi masyaraat. Perubahan jumlah onsumen tenaga listri. Perubahan onsumsi tenaga listri dari onsumen lama. JAM Tahun Gambar 3 Metode Least square. 2. Metode Esponensial Metode ini dapat dipaai alau sistem tenaga listri yang dibahas masih jauh dari ejenuhan dan ada suatu target enaian penjualan yang digarisan. Untu mendapatan beban punca dengan metode esponensial adalah : t Beban punca = (BBo + p) () dimana o = beban punca pada saat searang p = persentase enaian beban per tahun yang ditargetan. t = jumlah tahun yang aan datang. 2

3 3. Met ode Koefisien Beban Metode ini dipaai untu meramalan beban harian dari suatu sistem tenaga listri. Beban untu setiap jam diberi oefisien yang menggambaran besarnya beban pada jam tersebut dalam perbandingannya terhadap beban punca. Koefisien-oefisien ini berbeda untu hari Senin sampai dengan Minggu dan untu hari libur buan minggu. Setelah didapat periraan urva beban harian dengan metode oefisien, masih perlu dilauan oresioresi berdasaran informasi-informasi terahir mengenai peramalan suhu dan egiatan masyaraat. 4. Metode Pendeatan Linier Cara ini hanya dapat dipaai untu peramalan beban beberapa puluh menit edepan. Untu meramalan beban pada saat t : B = a.t + b o (2) dimana B = beban pada saat t a = suatu onstanta yang harus ditentuan b o = beban pada saat t=t o Untu mengetahui besarnya error hasil peramalan ditunjuan oleh nilai MAPE (mean absolute percentage error) peramalan, dimana : MAPE(%) dimana 3. N i i P A P F x00% N i P i= A = (3) P A = beban atual P F = beban hasil peramalan N = jumlah data 2.2 JST ( Jaringan Syaraf Tiruan) [ 4 ] [ 6 ] [ 0] JST adalah sistem omputasi dimana arsitetur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam ota. Hal tersebut menjadian JST sangat coco untu menyelesaian masalah dengan tipe sama seperti ota manusia. Suatu jaringan syaraf tiruan ditentuan oleh 3 hal:. Pola-pola hubungan antar neuron yang disebut arsitetur jaringan. 2. Metode penentuan bobot penghubung yang disebut metode training / learning / algoritma. Fungsi ativasi yang digunaan Neuron [ 0 ] Neuron adalah unit yang memproses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan. Neuron terdiri dari 3 elemen pembentu : a. Himpunan unit-unit yang dihubungan dengan jalur onesi. Jalur-jalur tersebut memilii bobot/euatan yang berbeda-beda. Bobot yang bernilai positif aan memperuat sinyal dan yang bernilai negatif aan memperlemah sinyal yang dibawa. b. Suatu unit penjumlah yang aan menjumlahan input-input sinyal yang sudah dialian dengan bobotnya. c. Fungsi ativasi yang menentuan eluaran dari sebuah neuron Arsitetur Jaringan Syaraf Tiruan. [ 4 ] [ 6 ] [ 0] Berdasaran jumlah layar, arsitetur jaringan syaraf tirua n dapat dilasifiasian menjadi dua elas yang berbeda, yaitu jaringan layar tunggal ( single layer networ) dan jaringan layar jama (multi layer networ). a. Jaringan Layar Tunggal (Single Layer Networ) [ 4 ] [ 6 ] [ 0] Semua unit input dalam jaringan ini dihubungan dengan semua unit output, mesipun dengan bobot yang berbeda-beda. Jaringan layar tunggal ditunjuan pada Gambar 4. Gambar 4 Jaringan layar tunggal. b. Jaringan Layar Jama (Multi Layer Networ) [ 4 ] [ 6 ] [ 0] Jaringan layar jama merupaan perluasan dari layar tunggal. Jaringan layar jama memperenalan satu atau lebih layar tersembunyi (hidden layer) yang mempunyai simpul yang disebut neuron tersembunyi (hidden neuron). Jaringan layar jama ditunjuan pada Gambar 5. Gambar 5 Jaringan tiga layar. Berdasaran arah aliran sinyal masuan, arsitetur jaringan syaraf tiruan dapat dilasifiasian menjadi dua elas yang berbeda, ya itu jaringan umpan maju (feedforward networ) dan jaringan dengan umpan bali (recurrent networ). a. Jaringan Umpan Maju (Feedforward Networ) [ ] Dalam jaringan umpan maju, sinyal mengalir dari unit input e unit output dalam arah maju. Jaringan layar tung gal dan jaringan layar jama yang ditunjuan pada Gambar 4 dan Gambar 5 merupaan contoh jaringan umpan maju. b. Jaringan dengan Umpan Bali (Recurrent Networ) [ 8 ] 3

4 Pada jaringan recurrent terdapat neuron output yang memberian sinyal pada unit input (sering disebut feedbac loop). Jaringan syaraf tiruan recurrent ditunjuan pada Gambar 6. Gambar 6 Jaringan syaraf tiruan recurrent Fungsi Ativasi [ 4 ] [ 6 ] [ 7] Beberapa fungsi ativasi ( f(x) = eluaran fungsi ativasi dan x = masuan fungsi ativasi) yang sering dipaai adalah sebagai beriu t : a. Fungsi threshold (batas ambang) Pada fungsi threshold nilai variabel terhadap sebuah unit output berupa anga biner ( atau 0). Fungsi threshold dirumusan sebagai : ƒ(x), jia x θ = 0, jia x < θ (4) Untu beberapa asus, fungsi threshold yang dibuat tida berharga 0 atau, tapi berharga - atau (sering disebut threshold bipolar) sehingga: ƒ(x), jia x θ =, jia x < θ (5) b. Fungsi sigmoid biner Fungsi sigmoid biner dirumusan sebagai : c. f ( x) = x + e (6) f '( x) = f ( x)( f ( x)) (7) Fungsi sigmoid bipolar Persamaan fungsi sigmoid bi polar adalah sebagai beriut : x e g( x) = x + e (8) ( ) [ + g( x) ][ g( x) ] g' x = 2 (9) d. Fungsi identitas Fungsi identitas dirumus an sebagai : f ( x) = x (0) Pengaturan Bobot [ 4 ] [ 6 ] [ 0] Secara umum ada dua macam metode pelatihan, yaitu pelatihan terbimbi ng (supervised trai ning) dan pelatihan ta terbimbing (unsupervised training). a. Pelatihan Terbimbing [ 4 ] [ 6 ] [ 0] Dalam pelatihan terbimbing, terdapat sejumlah pasangan data (masuan target eluaran) yang dipaai untu melatih jaringan hingga diperoleh bobot yang diinginan. Pasangan data tersebut berfungsi sebagai guru untu melatih jaringan hingga diperoleh bentu yang terbai. Guru aan memberian informasi yang jel as tentang bagaimana sistem harus mengubah dirinya untu meningatan unju erjanya. Pada setiap ali pelatihan, suatu input diberian e jaringan. Jaringan aan memproses dan mengeluaran eluaran. Selisih antara eluaran jaringan dengan target (eluaran yang diinginan) merupaan error yang terjadi. Jaringan aan memodifiasi bobot sesuai dengan error tersebut. b. Pelatihan Ta Terbimbing [ 4 ] [ 6 ] [ 0] Dalam pelatihan ta terbimbing, tida ada guru yang aan mengarahan proses pelatihan. Dalam pelatihannya, perubahan bobot jaringan dilauan berdasaran parameter tertentu dan jaringan dimodifiasi menurut uuran parameter tersebut Bacpropagation [ 4] a. Arsitetur Bacpropagation [ 4] Bacpropagation memilii beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 7 adalah arsitetur bacpropagation dengan n buah masuan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah uni t eluaran. Gambar 7 Contoh arsitetur bacpropagation. v ji Variabel merupaan bobot garis dari unit masuan xi e unit layar tersembunyi z j. Variabel v j0 merupaan bobot garis yang menghubungan bias di unit masuan e unit layar tersembunyi z j. Variabel w j merupaan bobot dari unit layar tersembunyi z j e unit eluaran y. Variabel w 0 merupa an bobot dari bia s di layar tersembunyi e unit eluaran y. b. Algoritma Dasar Jaringan Syaraf Tir uan Bacpropagation [ 4 ] [ 6 ] [ 0] Pelatihan bacpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masuan dihitung maju mulai dari layar masuan hingga layar eluaran 4

5 menggunaan fungsi ativasi yang ditentuan. Fase edua adalah fase mundur. Selisih antara eluaran jaringan dengan target yang diinginan merupaan error yang terjadi. Error tersebut dipropagasian mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar eluaran. Fase etiga adalah modifiasi bobot untu menurunan error yang terjadi. c. Algoritma Pelatihan untu Jaringan dengan Satu Layar Tersembunyi [ 4 ] [ 6 ] [ 0] Algoritma pelatihan untu jaringan dengan satu layar tersembunyi (dengan fungsi ativasi sigmoid biner) adalah sebagai beriut: Langah 0 : Semua bobot diinisialisasi dengan bilangan aca ecil. Langah : Jia ondisi penghentian belum terpenuhi, melauan langah 2-9. Langah 2 : Untu setiap pasangan data pelatihan, melauan langah 3-8. Propagasi maju : Langah 3 : Setiap unit masuan ( x i ) menerima sinyal dan menerusan sinyal ini e unit tersembunyi diatasnya. Langah 4 : Menghitung semua eluaran di unit tersembunyi z j (j=,2,...,p). n z _ net j = v j + xiv ji i= z j f ( z _ net j ) = z _ net + e j 0 () = (2) Langah 5 : Menghitung semua eluaran jaringan di unit y (=,2,...,m). p y _ net = w0 + z j w j= y f ( y _ net ) = y _ net + e j (3) = (4) Propagasi mundur : Langah 6 : Menghitung fator δ unit eluaran berdasaran error di setiap unit eluaran y. δ = ( t y ) f '( y _ net ) = ( t y ) y ( y ) (5) Fator δ merupaan error yang aan dipaai dalam perubahan bobot layer di bawahnya (langah 7). Kemudian menghitung oresi bobot (digunaan untu mengubah w j selanjutnya) dengan laju pembelajaran α. Laju pembelajaran merupaan salah satu parameter JST yang harus ditentuan sebelumnya. Δ wj = αδ z j (6) Menghitung oresi bias Δw 0 = αδ (7) dan mengirim nilai δ e lapisan tersembunyi. Langah 7 : Menghitung fator δ unit tersembunyi berdasaran error di setiap unit tersembunyi. m δ _ net j = w j = δ (8) Mengalian dengan turunan fungsi ativasi untu menghitung informasi error. δ j = δ _ net j f '( z _ net j ) (9) Menghitung oresi bobot (digunaan untu mengubah vij selanjutnya) Δviji = αδ j xi (20) dan menghitung oresi bias (digunaan untu mengubah v 0j selanjutnya). Δv j 0 = αδ j (2) Memperbarui bobot dan bias : Langah 8: Tiap unit eluaran mengubah bias dan bobot-bobotnya w j ( baru) = wj ( lama) + Δwj (22) Tiap unit tersembunyi (Z j ) mengubah bias dan bobot (i) v ji ( baru) = v ji ( lama) + Δv ji (23) Langah 9 : Uji syarat henti Jia besar jumlah error uadrat (sum squared error) lebih ecil dari toleransi yang ditentuan maa proses aan berhenti n = ( t y ) 2 e (24) sedangan jia jumlah error uadrat lebih besar dari toleransi yang ditentuan, maa aan embali e langah. d. Algoritma pelatihan BP dengan Metode Levenberg-Marquardt [ 7][ 0] Algoritma Levenberg-Marquardt didesain untu mendeati ecepatan pelatihan orde dua tanpa harus menghitung matri Hessian. Matri Hessian dapat diaprosimasian sebagai : T H = J J (25) dan gradien dihitung sebagai : T g = J e (26) dimana J adalah matri Jacobian yang terdiri dari derivatif pertama dari error jaringan yang mengacu pada bobot dan bias, dan e adalah vetor error jaringan. Matri Jacobian dapat dihitung dengan teni bacpropagation standar yang lebih sederhana dibandingan dengan perhitungan matri Hessian. Algoritma Levenberg-Marquardt menggunaan pendeatan terhada p matri Hessian se bagai beriut : x = x [ H μ I] g (27)

6 dimana, jia salar μ (mu) adalah nol, maa metode ini sama dengan metode Newton, menggunaan matri Hessian. 2.3 Aturan Euclidean (Euclidean Norm) [][ 8 0] Tugas A hir ini menggunaan aturan euclidean berbobot untu memilih hari-hari yang similar dengan hari peramalan. Semain ecil jara euclidean maa pemilihan hari-hari similar aan semain bai. Aturan euclidean berbobot adalah sebagai beriut : t 2 t 2 2 ( ) ( t ΔL + w ΔL ) + w ( ΔL ) D = w (28) sedangan t p Δ L = Lt L t (29) dimana Lt = urva beban peramalan L p t = urva beban pada hari-hari similar t Δ L = deviasi antara daya beban peramalan dengan hari-hari peramalan w, w w = oefisien orelasi 2, 3 Rumus umum untu menghitung oefisien orelasi antara dua variabel L dan T adalah : n LT ( L)( T ) (30) w = n L 2 ( L) 2 n T 2 ( T ) 2 Gambar 8 Diagram alir program utama Diagram Alir Subprogram Peramalan Beban Listri Diagram alir peramalan beban listri ditunjuan pada Gambar 9. III. PERANCANGAN DAN IMPLEMENTASI SISTEM Algoritma peramalan ebutuhan beban listri janga pende menggunaan jaringan syaraf tiruan adalah sebagai beriut :. Menentuan range pembelajaran (learning range) JST. 2. Menentuan batasan pemilihan hari-hari similar untu satu hari pembelajaran (learning day). 3. Memilih hari-hari similar untu hari pembelajaran pertamaali. 4. Pembelajaran menggunaan bacpropagation (BP) terhadap hari-hari similar yang telah dipilih pada langah Pembelajaran menggunaan BP terhadap semua hari dalam range pembelajaran yang telah ditentuan pada langah. 6. Memilih M buah hari-hari yang similar dengan hari peramalan untu peramalan beban listri untu mendapatan rata-rata hari-hari similar 7. Memasuan data baru (data uji) pada jaringan hasil pelatihan yang untu mendapatan oresi beban listri. 8. Peramalan urva beban listri. 3. Diagram Alir 3.. Diagram Alir Program Utama Diagram alir menu utama program simulasi peramalan beban listri ditunjuan pada Gambar 8. Gambar 9 Diagram alir program peramalan beban listri. 3.2 Implementasi 3.2. Persiapan Data Jaringan Penentuan data deviasi beban listri dan deviasi temperatur lingungan pada hari-hari yang similar dengan hari peramalan yang aan menjadi masuan jaringan mengiuti algoritma sebagai beriut :. Menentuan range pelatihan JST Jaringan syaraf dilatih menggunaan data pembelajaran dalam batasan range 30 (tiga puluh) hari terahir sebelum hari-peramalan (forecast day) dan 60 6

7 (enam puluh) hari sebelum dan sesudah hari-peramalan pada tahun sebelumnya dan dua tahun sebelumnya. 2. Menentuan batasan pemilihan hari-hari similar a. Hari-peramalan : Senin, 0 Juli Juni Juli Juni Agustus Juni Agustus 2004 b. Hari-peramalan : Selasa, Juli Juni Juli Juni Agustus Juni Agustus 2004 c. Hari-peramalan : Rabu, 2 Juli Juni Juli Juni Agustus Juni Agustus 2004 d. Hari-peramalan : Kamis, 3 Juli Juni Juli Juni Agustus Juni Agustus 2004 e. Hari-peramalan : Jumat, 4 Juli Juni Juli Juni Agustus Juni Agustus 2004 f. Hari-peramalan : Sabtu, 5 Juli Juni Juli Juni Agustus Juni Agustus 2004 g. Hari-peramalan : Minggu, 6 Juli Juni Juli Juni Agustus Juni Agustus 2004 Peramalan beban listri pada hari libur husus/nasional, penentuan batasan pemilihan hari yang similar sama dengan pemilihan untu ha ri-hari normal (hari-hari erja dan ahir pean biasa). Pemilihan data temperatur lingungan disesuaian dengan data beban listri bai pada hari-hari erja, ahir pean, maupun hari libur husus. Data beban listri hari-hari similar disimpan dala m variabel learnload sedangan data temperatur lingungan hari-hari similar disimpan dalam variabel learntemp. 3. Pemilihan hari-hari similar Pemilihan hari-hari yang similar antara suatu hari peramalan dengan hari-hari pada batasan range yang telah ditentuan sebelumnya menggunaan aturan Euclidean dengan fator bobot (Euclidean norm with weighted factor) sebagai dasar perhitungan similaritas menggunaan perintah beriut : function [rxy]=weight(learnload,learntemp) Pemilihan deviasi beban listri dan temperatur lingungan yang aan menjadi input jaringan pada saat pelatihan menggunaan perintah beriut : function [P]=train_input(learnload,learntemp) Penentuan target eluaran jaringan yang juga digunaan sebagai input jaringan pada saat pelatihan menggunaan perintah beriut : function [T]=train_target(learnload,learntemp) Pelatihan Jaringan dengan Algoritma Bacpropagation Pelatihan jaringan dengan algoritma bacpropagation mengiuti diagram alir yang ditunjuan pada Gambar 0. Gambar 0 Diagram alir proses pelatihan. Input data pelatihan dapat dipilih pada frame Pilih Data. Arsitetur jaringan yang digunaan adalah sebagai beriut: Input layer dengan 6 buah neuron. Hidden layer dengan 23 buah neuron. Output layer dengan buah neuron. Parameter jaringan BP yang terdapat dalam frame Parameter Jaringan yaitu : mu 7

8 Mu digunaan untu menentuan laju pembelajaran. Nilai default mu adalah 0,00. Epoch Iterasi aan dihentian apabila nilai epoch melebihi epoch masimum. Nilai epoch yang digunaan dalam tugas ahir ini adalah sebanya 200 iterasi. Goal Parameter goal digunaan untu menentuan batas nilai mse agar iterasi dihentian. Batas mse yang digunaan dalam tugas ahir ini adalah 0. U ntu melatih jaringan dengan semua parameter yang tela h ditentuan dengan menggunaan instrusi : net=train(net,p{n},t{n}); Peramalan Setelah melalui tahap pelatihan, untu mendapatan urva beban listri peramalan mengiuti diagram alir yang ditunjuan Gambar. mensimulasian data-data tersebut dengan masuan yang sama dengan data latihan dengan instrusi : Y=sim(net,P{ }); Untu mendapatan urva beban listri peramalan dilauan dengan menambahan hasil simulasi Y dengan nilai rata-rata data hari yang similar terpilih. hasil=y+ratarata(learnload); Sebelum melauan peramalan lagi, arsitetur dan parameter jaringan harus diembalian e nilai default terlebih dahulu. Selain itu, hasil pelatihan dan peramalan sebelumnya juga harus dihapus Menu Pilihan Menu pilihan dapat dipilih setelah diperoleh hasil peramalan sebelum melalui proses reset. Beberapa menu pilihan tersebut adalah :. Bandingan! Menu pilihan Bandingan! digunaan untu membandingan hasil peramalan JST dengan hasil peramalan PLN dalam bentu grafi dan error MAPE. 2. Tampilan grafi error Menu pilihan Tampilan grafi error digunaan untu melihat error hasil peramalan JST dan error hasil peramalan PLN tiap jam dalam bentu grafi. 3. Tampilan data beban Menu pilihan Tampilan data beban digunaan untu melihat beban listri atual dan beban listri hasil peramalan JST tiap jam dalam bentu olom. Data beban lis tri tiap jam ini emudian dapat disimpan dalam bentu file.mat. IV. ANALISIS HASIL PROGRAM 4. Tampilan Simulasi 4.. Halaman Utama Program Tampilan halaman utama program ditunjuan pada Gambar 2. Gambar Diagram alir proses peramalan. Sebelum melauan peramalan urva beban listri, dilauan pemilihan 5 buah hari yang similar, yang selanjutnya dirata-rata untu mendapatan nilai beban listri yang mendeati dengan nilai beban listri pada hari peramalan menggunaan perintah beriut : function [R]=ratarata(learnload) Pemilihan data pengujian mengiuti perintah beriut : function [P] = uji_input (learnload,ujiload,... learntemp,ujitemp) Ujiload dan ujitemp adalah data beban listri dan data temperatur lingungan pada watu pengujian. Setelah tahap pelatihan selesai dan data pengujian telah ditentuan, bobot dan bias digunaan untu Gambar 2 Tampilan halaman utama Subprogram PROGRAM Tampilan subprogram PROGRAM ditunjuan pada Gambar 3. 8

9 Gambar 4 Hasil simulasi pola hari Senin. Tabel 2 Perbandingan beban atual dan beban peramalan tiap jam. Gambar 3 Tampilan subprogram simulasi peramalan beban. Dalam tampilan subprogram simulasi peramalan beban terdapat beberapa frame dan tombol yaitu :. Frame Pilih Data 2. Frame Arsitetur Jaringan 3. Frame Parameter Jaringan 4. Frame LATIH RESET RAMAL 5. Frame et.gambar 6. Hasil pelatihan dan peramalan : mse t(s) MAPE error PLN error SJD. 7. Tombol Bandingan! 8. Tombol Tampilan Grafi Error 9. Tombol Tampilan Data Beban 0. Kurva Beban Tiap Jam. Frame BANTUAN - KEMBALI KELUAR 4.2 Analisis Hasil Program 4.2. Tahap Pelatihan dan Simulasi Tabel menunjuan perbandingan jumlah hidden neuron dengan MSE, t (s), dan MAPE yang dicapai dari proses simulasi. Tabel Perbandingan jumlah hidden neuron dengan MSE, t, dan MAPE hasil simulasi Tahap Pengujian Jaringan diuji dengan data beban perjam untu hari-hari sebagai beriut : Senin, 7 Juli Minggu, 23 Juli 2006 Tahun Baru, Januari 2006 Hari Kemerdeaan, 7 Agustus 2006 Natal, 25 Desember 2006 a. Perbandingan Hasil Peramalan JST dengan Peramalan PLN Gambar 5 menunjuan hasil peramalan JST untu hari erja yaitu hari Senin 7 Juli Dari percobaan untu mendapatan jumlah hidden layer yang sesuai dapat dietahui bahwa dengan jumlah neuron hidden yang semain banya maa watu pelatihan yang dibutuhan aan semain lama. Gambar 4 adalah hasil simulasi terhadap pelatihan pola beban pada hari Senin. Hasil simulasi menunjuan MAPE sebesar 2,8676. Hal yang sama dilauan untu pola beban tiap jam pada hari lain. Gamb ar 5 Perbandingan hasil peramalan beban hari Senin 7 Juli Tabel 5 menunjuan besarnya beban atual, beban peramalan JST, dan beban peramalan PLN tiap jam, selain itu ditunjuan pula besar error peramalan JST maupun PLN tiap jam pada hari Senin 7 Juli Dari Tabel 5 dapat dietahui bahwa error peramalan JST lebih ecil daripada error peramalan PLN yaitu sebesar (3, ,47864) % = 0,8395 %. Error minimum peramalan JST yaitu sebesar 0,5392 % dicapai pada jam sedangan error masimum yaitu sebesar 4,9328 % yang dicapai pada jam Pada peramalan PLN, error minimum yaitu sebesar 0, dicapai pada jam sedangan error masimum yaitu sebesar 9,

10 dicapai pada jam Pada edua jenis peramalan tersebut, error peramalan masimum dicapai pada jam 7.00 arena pada jam inilah terjadi perubahan beban listri yang signifian yaitu pada sore hari menjelang malam etia onsumen mulai menggunaan penerangan. Tabel 3 Perbandingan hasil peramalan beban hari Senin 7 Juli PLN, error minimum yaitu sebesar 0,38866 % dicapai pada jam 5.00 sedangan error masimum yaitu sebesar 2,4879 % dicapai pada jam Pada edua jenis peramalan tersebut, error peramalan masimum dicapai pada jam 7.00 arena pada jam inilah terjadi perubahan beban listri yang signifian yaitu pada sore hari menjelang malam etia onsumen mulai menggunaan penerangan. Tabel 4 Perbandingan hasil peramalan beban Tahun Baru, Januari Gambar 6 menunjuan hasil peramalan JST untu hari libur husus yaitu pada Tahun Baru Januari 2006, selanjutnya dibandingan dengan beban peramalan yang dihasilan PLN pada hari yang sama. Tabel 5 merupaan tabel perbandingan rata-rata MAPE antara peramalan yang dilauan oleh JST dengan peramalan yang dilauan oleh PLN. Tabel 5 Perbandingan rata-rata MAPE antara peramalan JST dengan peramalan PLN. Gambar 6 Perbandingan hasil peramalan beban Tahun Baru Januari Tabel 4 menunjuan besarnya beban atual, beban peramalan JST, dan beban peramalan PLN tiap jam, selain itu ditunjuan pula besar error peramalan JST maupun PLN tiap jam pada hari libur husus yaitu hari tahun baru Januari Dari Tabel 4 dapat dietahui bahwa error peramalan JST lebih ecil daripada error peramalan PLN yaitu sebesar (3, ,3469) % =,68858 %. Error minimum dan masimum yang dicapai peramalan JST juga lebih rendah daripada error minimum dan masimum yang dicapai peramalan PLN. Error minimum peramalan JST yaitu sebesar 0, % dicapai pada jam sedangan error masimum yaitu sebesar 6, % yang dicapai pada jam Pada peramalan Dari Tabel 5 dapat dietahui bahwa error (MAPE) hasil peramalan JST lebih rendah dibandingan dengan error peramalan PLN sebesar ( ) % = %, dan terdapat beberapa MAPE JST yang lebih rendah daripada MAPE PLN, yaitu pada hari Senin (7 Juli 2006), Minggu (23 Juli 2006), Tahun Baru Januari 2006, dan Natal 25 Desember Nilai MAPE terbesar yang dicapai peramalan JST sebesar 3,5282 % yaitu pada Rabu, 9 Juli 2006 sedangan MAPE terbesar yang dicapai peramalan PLN sebesar 4,46946 % yaitu pada Natal, 25 Desember

11 Tabel 6 menunjuan perbandingan error minimum dan masimum antara peramalan JST dengan peramalan PLN. Tabel 6 Perbandingan error minimum dan masimum antara peramalan JST dengan peramalan PLN. b. Perbandingan Hasil Peramalan antara Peramalan JST, PLN, dan Satu Jam e Depan. Gambar 7 menunjuan perbandingan hasil peramalan beban perjam pada hari Selasa 0 Juni 2003 antara hasil peramalan JST, hasil peramalan PLN dan hasil peramalan dengan Metode Satu Jam e Depan. Dari Tabel 6 dapat dietahui bahwa rata-rata error minimum JST sebesar 0,29595 % lebih ecil daripada error minimum PLN yang sebesar 0, % sedangan rata-rata error masimum JST yaitu 8, % lebih besar daripada error masimum PLN sebesar 7, %. Walaupun demiian, seperti ditunjuan Tabel 4, MAPE peramalan JST lebih ecil daripada MAPE peramalan PLN. Beban listri hasil peramalan merupaan salah satu acuan operasi sistem tenaga listri, aan tetapi beban yang sesungguhnya terjadi dalam sistem tida sama dengan yang diperiraan, bisa lebih ecil tapi bisa juga lebih besar. Apabila beban atual yang terjadi dalam sistem lebih ecil daripada beban peramalan maa dapat dilauan penghematan/pengurangan pembangitan terhadap yang telah direncanaan, sebalinya jia beban atual lebih besar daripada beban peramalan maa perlu ada penambahan pembangitan terhadap yang telah direncanaan. Untu mengatasi hal tersebut perlu digunaan cadangan pembangitan bai cadangan berputar dan alau perlu cadangan dingin. Cadangan berputar ialah cadangan daya pembangitan yang terdapat pada unit-unit pembangit yang beroperasi parallel d engan sistem. [ 9] Besarnya cadangan berputar dap at dianggap sama dengan emampuan masimum diurangi dengan beban sesaat. Cadangan dingin ialah cadangan daya pembangitan yang terdapat pada unit-unit pembangit yang siap operasi tetapi dalam eadaan berhenti/dingin. Error peramalan JST masih dalam batas toleransi deviasi peramalan beban yang ditentuan oleh PLN yaitu sebesar ± 5% [ 4] sehingga eandalan dan fator eonomis sistem masih dapat terjaga. Peramalan dengan menggunaan JST mempunyai elebihan yaitu tida lagi memerluan campur tangan operator ahli, arena dapat langsung menghasilan nilai beban peramalan setelah proses pelatihan selesai sedangan metode yang digunaan PLN masih diperluan operator ahli yang seringali harus merubah nilai beban peramalan tiap jam secara manual didasaran ebiasaan dan pengalaman. Gambar 7 Perbandingan hasil peramalan beban hari Selasa 0 Juni Tabel perbandingan hasil peramalan beban hari Selasa 0 Juni 2003 dapat dilihat pada Tabel 7. Tabel 7 Perbandingan hasil peramalan beban hari Selasa 0 Juni Dari Tabel 7 dapat dietahui bahwa MAPE peramalan JST pada hari Selasa, 0 Juni 2003 adalah 2,2%, sedangan MAPE PLN adalah,6% dan MAPE Peramalan Satu Jam e Depan adalah 3,08%. Error minimum dan masimum yang dicapai peramalan JST lebih rendah daripada error minimum dan masimum yang dicapai peramalan PLN maupun peramalan SJD. Error minimum peramalan JST yaitu sebesar 0,0062 % dicapai pada jam sedangan error masimum yaitu sebesar 5,42920 % yang dicapai pada jam Pada peramalan PLN, error minimum yaitu sebesar 0, % dicapai pada jam sedangan error masimum yaitu sebesar 8,6072 % dicapai pada jam

12 7.00. Pada peramalan SJD, error minimum yaitu sebesar 0,4795 % dicapai pada jam 8.00 sedangan error masimum yaitu sebesar 5, % dicapai pada jam Hal ini menunjuan bahwa pada pengujian watu yang sama peramalan dengan metode ini jauh lebih bai dibandingan dengan metode Peramalan Beban Satu Jam e Depan. V. PENUTUP 5. Kesimpulan Dari tahapan proses perancangan hingga pengujian sistem peramalan beban menggunaan JST, maa dapat diambil esimpulan sebagai beriut :. MAPE peramalan beban selama periode 7-23 Juli 2006, Januari 2006, 7 Agustus 2006 dan 25 Desember 2006 dengan metode Apliasi Jaringan Syaraf Tiruan adalah 2,394 % dan MAPE peramalan PLN adalah 2,567 %. MAPE peramalan beban pada tanggal 0 Juni 2003 dengan metode SJD adalah 3,08 %, MAPE peramalan PLN adalah,6 %, dan MAPE Peramalan JST adalah 2,2 %. 2. Rata-rata error minimum JST sebesar 0,29595 % lebih ecil daripada error minimum PLN yang sebesar 0, % sedangan rata-rata error masimum JST yaitu 8, % lebih besar daripada error masimum PLN sebesar 7, %. 3. Error peramalan JST masih dalam batas toleransi deviasi peramalan beban yang ditentuan oleh PLN yaitu sebesar ± 5%. 5.2 Saran Untu penelitian lebih lanjut diharapan dapat memperbaii eurangan dan mendapatan hasil peramalan beban dengan error yang lebih ecil lagi. Untu itu disaranan :. Model JST Bacpropagation yang lebih sempurna bai pada strutur jaringan, metode pembelajaran dan penentuan parameter-parameter jaringan yang tepat. 2. Mempertimbangan variabel-variabel lain (selain beban atual dan suhu tiap jam seperti yang digunaan pada metode ini) yang dapat mempengaruhi pola beban untu pembelajaran jaringan, seperti, ondisi sosial, posisi matahari, dan lain-lain. 3. Mengembangan dengan metode pembelajaran yang lebih sempurna, dimana data feedbac dan error peramalan dijadian salah satu variabel pembelajaran selanjutnya. 4. Mengembangan dengan menggunaan data real time Jang, J.S. Roger, Sun, Chuen-Tsai, Mizutani, Eiji, Neuro-Fuzzy and Soft Computing, Prentice-Hall International, Inc., USA, 997. Jong Je Siang, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunaan MATLAB, Penerbit ANDI, Yogyaarta, K.L. Ho, Y.Y. Hsu, C.C. Yang, Short Term Load Forecasting Using A Multilayer Neural Networ With An Adaptive Learning Algorithm, IEEE, Kristanto, Andri, Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma, dan Apliasi), Penerbit Gava Media, Yogyaarta, Kusumadewi, Sri, Membangun Jaringan Syaraf Tiruan (Menggunaan MATLAB & Excel Lin ), Penerbit Graha Ilmu, Yogyaarta, Maridaris. Spyros, Wheelwright, Steven C., Mc.Gee, Victor E., Metode dan Apliasi Peramalan, Penerbit Erlangga, Jaarta, M. Djiteng, Operasi Sistem Tenaga Listri, Balai Penerbit dan Humas ISTN, Jaarta Nurbaqin, Sistem Peramalan Beban Satu Jam e Depan Menggunaan Jaringan Saraf Tiruan, Tugas Ahir, Teni Eletro Faultas Teni UNDIP, Semarang, Prasetyo, Wahyu Agung, Tips dan Tri MATLAB : Vetorisasi, Optimasi dan Manipulasi Array, Penerbit ANDI, Yogyaarta, Sari, Dinar A., Prairaan Kebutuhan Beban dan Perencanaan Pengoperasian Pembangit-pembangit di Region III Jawa Tengah & DIY, Laporan Kerja Prate, Teni Eletro Faultas Teni UNDIP, Semarang, T. Senjyu, One-Hour_Ahead Load Forecasting Using Neural Networ, IEEE Transaction On Power System, Vol 7, No., February , Kumpulan Data PLN, PLN, , Kumpulan Data PLN, PLN, , Kumpulan Data PLN, PLN, , l/papers/rn_dallas.pdf , uq.edu.au/~miael/papers/rn_da llas.pdf Biodata Penulis Dosen Pembimbing I, Wahyudi, S.T., M.T. NIP Dinar Atia Sari, lahir di Semarang, 3 Otober 984. Setelah lulus dari SMU N 3 Semarang pada tahun 2002 ini penulis tengah menyelesaian pendidian Strata Satu di Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro. Menyetujui dan mengesahan, Dosen Pembimbing II, Mochammad Facta, S.T., M.T. NIP DAFTAR PUSTAKA Fausett, Laurence, Fundamentals of Neural Networs, Prentice- Hall, NJ, Howard Demuth,Mar Beale, Neural Networ Toolbox For Use with MATLAB, by The MathWors, Inc