PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)

Transkripsi

1 PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO, Ir.Msi ³ RIFFA HAVIANI, ST JURUSAN TEKNIK INFORMATIKA DOSEN JURUSAN TEKNIK INFORMATIKA UNIVERSITAS KOMPUTER INDONESIA Abstrasi Untu memenuhi permintaan daya dari onsumen secara eonomis suatu perusahaan listri harus bisa memprairaan beban secara aurat. Sistem prairaan beban terbai di negara-negara mau dengan menggunaan tenologi Jaringan Syaraf Tiruan (JST). Sripsi ini mengungap penelitian awal pemaaian JST Bacpropagation untu prairaan beban di area PT. PLN yang dilauan penulis dengan biaya sendiri. Keunggulan utama JST adalah emampuan omputasi yang pararel dengan cara belaar dari pola-pola yang diaaran. Dalam proses belaarnya JST dapat melauan Adaptive learning pola-pola beban listri tiap am dalam satu hari. Sehingga JST mampu memprairaan beban listri pada hari yang aan datang. Kata unci : Jaringan syaraf tiruan, bacpropagation, prairaan beban..pendahuluan Tenaga Listri tida dapat disimpan dalam sala besar, arenanya tenaga ini harus disediaan pada saat dibutuhan. Aibatnya timbul persoalan dalam menghadapi ebutuhan daya listri yang tida tetap dari watu e watu, bagaimana mengoperasian suatu sistem tenaga listri yang selalu dapat memenuhi permintaan daya pada setiap saat, dengan ualitas bai dan harga yang murah. Apabila daya yang diirim dari bus-bus pembangit auh lebih besar daripada permintaan daya pada busbus beban, maa aan timbul persoalan pemborosan energi pada perusahaan listri, terutama untu pembangit termal. Sedangan apabila daya yang dibangitan dan diiriman lebih rendah atau tida memenuhi ebutuhan beban onsumen maa aan teradi pemadaman loal pada bus-bus beban, yang aibatnya merugian piha omsumen. Oleh arena itu diperluan penyesuaian antara pembangitan dengan permintaan daya. Syarat mutla yang pertama harus dilasanaan untu mencapai tuuan itu adalah piha perusahaan listri mengetahui beban atau permintaan daya listri dimasa depan. Karena itu prairaan beban anga pende, menengah dan panang merupaan tugas yang penting dalam perencanaan dan pengoperasian sistem daya. Prairaan beban anga pende, yaitu beban setiap am atau tiap hari digunaan untu penadualan dan pengontrolan sistem daya atau aloasi pembangit cadangan berputar, uga digunaan untu masuan dalam studi aliran daya.

2 2. Desripsi sistem JST JST yang meniru cara era ota manusia menari perhatian peneliti dan pratisi untu diembangan dan diterapan dalam berbagai bidang ehidupan yang membutuhan suatu sistem yang dapat belaar sealigus mampu mengambil eputusan yang cepat dan tepat terhadap permasalahan yang ada.pada penelitian ini mengungap perhitungan melalui proses peramalan dengan JST. Suatu beban listri yang digunaan dalam penelitian ini adalah beban listri dia area UPB Se-Bandung-Raya dengan uuran Mwatt. Uuran ini dihasilan dari beberapa gardu indu. Dari data beban listri ini emudian data diolah dan diembangan sehingga pola untu melauan perhitungan dengan sistem peramalan dapat dicapai. Beban listi emudian diadian pola input pelatihan untu meramalan hari yang aan datang. Pola beban listri data perhari emudian diadian data peram sebagai pola pelatihan. Beriut ini adalah variabel masuan yang dipilih : Beban tiap am selama 2 hari yang lalu, yaitu x (i-) dan x (i-2) : 48 nilai.. Jadi input sistem adalah pola 2 hari sebelumnya sebanya 48 neuron sedangan target sistem merupaan data real yang dihadapi UPB Bandung raya. Untu melauan peramalan aan digunaan aringan syaraf dengan metode bacpropagation dengan momentum dan adaptive learning (traindx). Jaringan syaraf ini terdiri dari lapisan input, 2 lapisan tersembunyi, dan lapisan output. Pada lapisan input terdiri dari 48 neuron, pada lapisan hidden/ tersembunyi e- terdapat 0 neuron, pada lapisan tersembunyi edua terdapat 5 neuron, dan l neuron lapisan output. 3.Prairaan Beban Janga Pende Menggunaan JST Jaringan Syaraf Tiruan (JST) adalah model sistem omputasi yang beera seperti sistem syaraf biologis pada saat berhubungan dengan 'dunia luar', nama aringan syaraf tiruan merupaan teremahan dari "Artificial Neural Networ". Teremahan yang diambil buan aringan syaraf buatan seperti dalam menteremahan Artificial Inteligent (AI). Penggunaan ata buatan dapat memberian onotasi, bahwa manusia berusaha membuat aringan syaraf aslinya. Padahal masud dari JST adalah membuat model sistem omputasi yang dapat meniruan cara era aringan syaraf biologis. Model JST yang digunaan dalam penelitian ini adalah arsitetur feedforward (umpan mau). Sedangan onsep belaar yaitu algoritma belaar bacpropagation momentu dengan teni perbaian menggunaan gradient dengan momentum dan adaptive learning(traindx) yang merupaan perembangan dari algoritma belaar bacpropagation standar. Jaringan Syaraf Tiruan Bacpropagation pertama ali diperenalan oleh Rumelhart, Hinton dan William pada tahun 986, emudian Rumelhart dan Mc Clelland mengembangannya pada tahun 988. Pola egiatan beban listri pada hari era yaitu hari Senin sampai hari Jumat dan hari ahir pean, pada setiap minggunya tida aan banya berubah. Pola egiatan onsumen aan berulang pada setiap minggunya. Pengulangan ini uga aan teradi

3 pada pola urva beban dari minggu e minggu, dimana hari yang sama pada suatu minggu mempunyai pola urva beban yang mirip.. Pengalaman pratis operator UPB PT.PLN Bandung-Raya menunuan bahwa beban listri pada suatu hari dipengaruhi oleh beban pada hari-hari sebelumnya. 3. Klasifiasi Beban Berdasar dari hasil wawancara penulis dengan operator di UPB Bandung Raya dan pengamatan pada data beban harian dengan pertimbangan emudahan dalam perhitungan dan eauratan hasil prairaan beban, dilauan lasifiasi pola beban harian sebagai beriut : Pola-pola hari biasa yaitu hari Senin sampai Minggu dilasifiasian sebagai beriut :. Pola beban hari Senin. 2. Pola beban hari Selasa. 3. Pola beban hari Rabu. 4. Pola beban hari Kamis. 5. Pola beban hari Jumat. 6. Pola beban hari Sabtu. 7. Pola beban hari Minggu. 8. Pola beban hari prolamasi Sehingga terdapat 7 pola untu hari biasa dan pola untu hari besar nasional. Telah dielasan bahwa beban pada suatu hari dipengaruhi oleh beban pada hari yang lalu. Sifat ecenderungan beban tersebut digunaan sebagai dasar sistem prairaan beban di PLN dan pada penelitian ini. 4.Arsitetur JST bacpropagation JST dengan bacpropagation merupaan model yang paling banya digunaan dalam eduasi. Arsitetur dan proses belaar yang sederhana sangat memudahan untu dipelaari. Arsitetur dari algoritma dapat diilustrasian sebagai beriut :

4 5.Algoritma Pelatihan Bacpropagation Propagasi bali atau bacpropagation merupaan algoritma pelatihan yang terawasi dan biasanya digunaan oleh perceptron dengan banya lapisan untu mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Langah-langah Algoritma bacpropagasi bali : Terdapat proses atau langah penyelesaian pada algoritma propagasi bali yaitu: A. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cuup ecil). B. Tetapan : masimum Epoch, target error, learning rate C. Inisialisasi :Epoch = 0, MSE=, D. Keraan langah-langah beriut selama (Epoch<Masimum Epoch) dan (MSE>Target Error); - Epoch=Epoch+ - untu tiap-tiap pasangan elemen yang aan dilauan pelatihan, eraan : Feedforward :. Tiap-tiap input (X?, i=,2,3,,n) menerima sinyal X? dan menerusan sinyal tersebut e semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi/lapisan hidden). 2. Tiap-tiap unit lapisan tersembunyi(z?, =,2,3,,p) menumlahan sinyal-sinyal input terbobot : Z_in = b + n i X i V i gunaan fungsi ativasi untu menghitung sinyal outputnya: Z = f (Z_in ) dan iriman sinyal tersebut e semua unit dilapisan atasnya (unit-unit output)

5 3. Tiap-tiap output (Y, K=,2,3,,m)menumlahan sinyal-sinyal input terbobot. y_in = b2 + p i Z i W gunaan fungsi ativasi untu menghitung sinyal outputnya: y = f(y_in ) dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit-unit output). Cat: langab 2 dilauan sebanya umlah lapisan tersembunyi. Bacpropagation 4. Tiap-tiap unit output (Y, K=,2,3,,m) menerima target pola yang berhubungan dengan pola input pembelaaran, hitung informasi errornya. 2 = ( t - y ) f (y_in ) ; 2 = Z ; 2 = Kemudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai W ): W 2, hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai b2 ): b2 2 langah (4) ini uga digunaan sebanya umlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi e lapisan tersembunyi sebelumnya.

6 5. Tiap-tiap unit lapisan tersembunyi (Z, =,2,3,,p) menumlahan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): m _ in 2 W Kalian nilai ini dengan turunan dari fungsi ativasi untu menghitung informasi error : _ in f '( z _ in ) ; i X ;, emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai V i ): hitung uga oresi bias(yang nantinya aan digunaan untu memperbaii nilai b ): b 6. Tiap-tiap unit ouput (Y, K=,2,3,,m) memperbaii bias dan bobotnya( =0,,2,3,,p): W ( baru) W ( lama) W. b2 ( baru) b2 ( lama) b2 Tiap-tiap unit lapisan tersembunyi (Z, =,2,3,,p) memperbaii nilai bias dan bobotnya (i=0,,2,,n): V ) i ( baru) Vi ( lama V i ; b ( baru) b ( lama) b E. Hitung MSE Dasar dari algoritma ini adalah memodifiasi bobot interonesi pada aringan sehingga sinyal esalahan mendeati nol.

7 Analisis secara manual proses algoritma bacpropagation : Mis: X = Data LR = learning rate T = Target I = bobot awal input e hidden b = bobot bias e hidden w = bobot awal hidden e output v = bobot awal bias e output Epoch e-n Data e-n - Operasi pada hidden layer (peralian) Z_in = b + umlah ( I * X) (pengatifan) Z = e Z _ in (sigmoid function) - Operasi pada output layer (peralian) y_in = v + umlah ( W*Z) (pengatifan) y = f ( y_in) - y=y_in = (Purelin) - Error = T Y - E ² = Error * Error - Informasi dari output layer : Delta e-n = Error * f (y_in) == f (y_in)= (Perubahan b.bias) dve-n() = (LR*Delta e-n) (Perubahan bobot lapisan dw(n,) = LR * Delta e-n*(n,) - informasi Error dari hidden layer : Delta_in e-n = umlah(w*delta e-n) Delta e-n =(Delta in e-n*f (Z_in) Dengan f (Z_in) = (Delta_in e-(n-)*(z_in[..n](-z[..n]) f (Z_in) = sf(z_in)(-f(z_in) ( Tansig) (Perubahan bobot bias)[dv(xn) = LR * Delta e-n(n-) Perubahan bobot input) [di(n,x) = LR * Delta e-n(n-)*x(nolom,xbaris) - Bobot ahir input e hidden ( I_ahir= I[,] [,n] + di[,] [,n] ) - Bobot ahir bias e hidden ( b_ahir= b(..n)+db(..n) - Bobot ahir hidden e output ( w_ahir = w(..n) + dw(n,) - Bobot ahir bias output ( v_ahir = v + dv e-n) MSE = umlah E²/ n data

8 5. format pembacaan Data input dan Target Data disimpan dalam file excel dengan format.wk dengan fomat lotus untu membaca data pada spreadsheet Karena format tersebut membaca pada cell array dari onversi spreadsheet e dalam bentu berupa matri. Instrusi : Data = [wread('hari')]; 6.Implementasi Perngat luna Seluruh sistem peramalan ini diimplementasian edalam bentu perangat luna yang dibuat dengan Matlab 6.5. perangat luna yang dibuat terdiri dari modul era, yaitu : - Modul Pelatihan dan Penguian 6. Modul Pelatihan dan Penguian Prosedur-prosedur :.user input parameter aringan 2. sistem membaca file data input dan target 3. sistem melauan pembelaaran/train data pelatihan. 4. sistem menghasilan output hasil penguian target dengan JST 5. sistem mengece data yang aan diui 6. sistem menghasilan output info_target, output info_hasil JST, info_prairaan UPB, persen Error antara JST, Target dan Prairaan UPB. 7. hasil penguian sistem.hari Senin Epoch = 0000, Show=500, Learning Rate=0.5, Momentum = 0.9, Learning_inc=., Learning_dec=0.9

9 Hasil Pelatihan yang dilauan oleh sistem Jaringan Syaraf Tiruan didapatan 2 pola. Dimana Error yang Paling Kecil terdapat pada data e-2 yaitu sebesar 0.2. Persamaan garis untu ecocoan terbai yaitu : T dengan oefisien Korelasi sebesar r= Pelatihan menemui goal pada saat epoch 329 dilauan oleh JST walaupun telah di set masimum epoch sebesar Beban real JST Error

10 Gradien garis terbai(m) = Konstanta(a) = Koefisien orelasi(r) = Hasil Penguian data diperoleh selama 7 minggu. Dimana, terdapat hasil perolehan JST dibandingan dengan beban sesungguhnya dan prairaan dari UPB. Perolehan dari sistem JST terdapat Error yaitu Error pertama merupaan hasil Error antara beban real dengan JST dan Error edua merupaan Error antara JST dengan Prairaan UPB. Pada error pertama pada data e-tuuh merupaan error terecil sebesar 0.00 dan error edua pada data e- merupaan error terecil sebesar.64.persamaan garis untu ecocoan terbai : 0.968TQ dengan oefisien orelasi sebesar r2= Beban real JST Error UPB Error Gradient garis terbai(m2) = Konstanta(b) = Koefisien orelasi(r2) = Koefisien orelasi sebesar (mendeati ), menunuan hasil yang bai untu ecocoan output aringan, target, maupun prairaan UPB. Hasil penguian dari data yang telah diui, memperlihatan perbandingan antara target(*) dengan output aringan(o) sebagian besar sudah berdeatan(hamper menempati posisi yang sama). Hasil terbai teradi ia posisi antara output aringan, target, maupun prairaan UPB betul-betul berada pada posisi yang sama. Pengamatan Hasil Setelah melauan pelatihan untu pola beban hari biasa (Senin Minggu) selama 2 minggu ( 3 anuari sampai 30 Maret 994) dilauan penguian aringan yaitu untu memprairaan beban. Dalam Hal ini aringan dicoba untu memprairanan beban dari tanggal 29 Maret 2004 (Senin) sampai 4 April 2004 (Minggu). Dengan pelatihan untu pola beban hari prolamasi pada 2000, 200, 2002, 2003 (4 pola pelatihan), aringan digunaan untu memprairaan beban (penguian aringan) pada hari prolamasi tanggal Agustus Hasil prairaan beban dengan JST ini emudian dibandingan dengan beban aslinya (beban enyataan yang dihadapi PLN di bandung Raya) dan beban prairaan UPB.

11 Kesimpulan : Adapun esimpulan yang didapatan dalam hasil penelitian ini adalah : a. Kelebihan JST terleta pada emampuan belaar yang dimiliinya b. Proses hasil peramalan melasanaan sesuai dengan pola parameter aringan yang menghasilan orelasi yang bai dimana hasil dari orelasi tersebut mendeati yang berarti memilii ecocoan hubungan antara output JST, Target, Prairaan UPB. c. Hasil terbai antara target, output aringan hampir menempati posisi output aringan(o) dan target(*) yang hampir sama. d. JST mampu menganalisa serta mengidentifiasi pola yang ada melalui adanya pengenalan variabel inputan 2 hari sebelumnya. e. Sebuah JST dapat dibangun dengan bai ia pola inputan variabel masuan semain banya dan beragam agar proses pengenalan data yang aan dilatih lebih bai sehingga menghasilan output aringan yang bai pula. Semain banya variabel inputan/masuan dalam sistem maa semain bai pula hasil output aringan yang dihasilan. Daftar Pustaa []. Delores M Etter, David C..Kuncicy With Doug HullPengantar Matlab 6, indes elompo gramedia, Edisi Indonesia [2] Subiyanto, Pemaaian JST Perambatan bali sebagai cara lain prairaan anga pende Di Jawa Tengah-DIY, Teni eletro Faultas UNDIP, Semarang 998. [3].Janes A. Freeman and David M Sapura, Neural Networ Algorithms, Application and Programming Techniques, Addison-Wesley Publishing Company, California, 992 [4]O. Mohammed, D. Par, R Merchant, T.Dhin, C.Tong, A.Azeem, Practical Experiences With An Adaptive Neural Networ Short Term Load Forecasting System, February 995. [5] Eletro Indonesia, Apliasi JST sebagai metode alternative Prairaan Janga Pende, Ucapan Terima Kasih.Bapa Bambang Ir, Msi 2.Ibu Riffa Haviani, ST 3.Ibu Dian Dharmayanti,ST 4. Teman-teman se-angatan di Jurusan Teni Informatia yang telah memberian ritisi dan masuan terhadap penelitian ini. 5.Teman-Teman seelas seperuangan 5.Universitas Komputer Indonesia