BAB I PENDAHULUAN 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya membutuhkan energi listrik sebagai sumber tenaganya. Diperlukan sistem tenaga listrik yang handal dalam melayani kebutuhan beban namun tetap ekonomis. Salah satu faktor penting di bidang kelistrikan adalah faktor efisiensi biaya operasional. Biaya operasional yang tidak efisien dapat disebabkan oleh besarnya rugi-rugi pada pembangkit, transmisi, dan distribusi. Efisiensi di sisi pembangkit dapat dilakukan dengan menyesuaikan energi listrik yang dihasilkan dengan permintaan beban. Jumlah pemakaian tenaga listrik tidak dapat dipastikan setiap harinya. Apabila jumlah pemakaian tenaga listrik tidak diperkirakan terlebih dahulu maka dapat mempengaruhi kesiapan unit pembangkit dalam menyediakan tenaga listrik untuk konsumen. Beban listrik bersifat berubah-ubah pada setiap waktunya. Hal ini mengakibatkan penyediaan energi listrik juga bersifat dinamis mengikuti perubahan beban. Pengoperasian sistem tenaga listrik harus dapat memenuhi permintaan daya dengan kualitas yang baik. Jika energi listrik yang dibangkitkan lebih besar dari permintaan beban disamping akan mengakibatkan pemborosan energi juga dapat menimbulkan kenaikan frekuensi sistem. Apabila energi listrik yang dibangkitkan dan dikirimkan besarnya lebih rendah maka akan mengakibatkan penurunan frekuensi sistem dan terjadi pemadaman pada bus-bus beban yang dapat merugikan pelanggan. Peramalan beban listrik digunakan untuk menentukan besarnya energi listrik yang dibangkitkan yang telah disesuaikan dengan permintaan daya listrik yang dibutuhkan konsumen. Energi listrik tidak dapat disimpan dalam jumlah yang besar. Apabila listrik yang dihasilkan oleh pembangkit tidak digunakan seluruhnya oleh konsumen, maka energi listrik tersebut akan terbuang sehingga terjadi 1

2 pemborosan energi. Disamping besarnya rugi-rugi daya dan listrik cadangan, diperlukan perkiraan beban yang akan digunakan konsumen untuk mempersiapkan energi listrik yang dibangkitkan agar seefisien mungkin. Sumber pembangkit listrik di Indonesia sebagian besar berasal dari energi fosil yaitu batubara (45,47%) [1]. Energi fosil merupakan sumber energi yang tidak dapat diperbaharui sehingga ketersediaanya di alam semakin terbatas dan harganya semakin mahal. Energi fosil juga memberikan efek negatif bagi lingkungan yaitu menghasilkan polusi udara. Berdasarkan hal tersebut maka upaya penghematan energi dengan cara melakukan peramalan beban yang akurat dapat mengurangi besarnya biaya pembangkitan dan mengurangi polusi udara yang mengganggu lingkungan. Sehingga penghematan energi dari sisi pembangkit juga diperlukan disamping penghematan dari sisi konsumen. Sistem kelistrikan di Jawa-Madura-Bali (JAMALI) merupakan sistem yang terbesar di Indonesia. Pada tahun 2013, kapasitas listrik terpasang mencapai MW. Total kapasitas terpasang dan jumlah unit pembangkit PLN mencapai MW dan unit, dengan MW (78.26%) berada di JAMALI [1]. Setiap tahun besarnya beban mengalami peningkatan. Sistem kelistrikan JAMALI terdiri dari beberapa region, yaitu region Jakarta dan Banten, region Jawa Barat, region Jawa Tengah dan Daerah Istimewa Yogyakarta, region Jawa Timur, dan sub region Bali. Berdasarkan fakta tersebut maka penting untuk dilakukannya suatu perencanaan energi yang baik di masing-masing region JAMALI. Perencanaan besarnya energi listrik yang dibangkitkan untuk memenuhi kebutuhan konsumen dapat dilakukan baik dengan cara melakukan peramalan beban jangka pendek, menengah, maupun panjang. Peramalan jangka panjang dilakukan untuk jangka waktu diatas satu tahun. Peramalan beban jangka panjang digunakan untuk merencanakan pertambahan jumlah unit pembangkit untuk mengantisipasi pertambahan beban. Peramalan jangka panjang juga dapat digunakan untuk menentukan anggaran yang dibutuhkan untuk membangkitkan energi listrik dalam jangka waktu tertentu. Sedangkan peramalan jangka pendek dilakukan untuk menentukan penjadwalan pembangkit yang akan beroperasi melayani beban. Peramalan jangka pendek dapat dilakukan dalam periode harian. 2

3 Peramalan jangka pendek menggunakan data pada hari-hari sebelumnya untuk menentukan beban pada hari selanjutnya. Peramalan beban terdiri dari berbagai macam metode dengan masingmasing kelebihan dan kekurangannya. Peramalan beban yang dilakukan PLN (perusahaan listrik negara) adalah menggunakan metode koefisien. Metode ini menggunakan model hubungan antara beban listrik dengan hal yang mempengaruhi besarnya beban. Keuntungan metode ini adalah mampu memperkirakan beban dengan cara yang lebih sederhana. Namun metode konvensional ini mempunyai kekurangan yang disebabkan oleh hubungan antara beban listrik dan faktor yang mempengaruhi beban yang bersifat nonlinier. Hal ini mengakibatkan selisih antara hasil peramalan dengan beban sebenarnya masih relatif besar. Peramalan dengan data yang baik dan jumlahnya sesuai akan menghasilkan hasil prediksi yang lebih akurat. Hal ini dapat dilihat dari semakin kecilnya selisih nilai hasil peramalan dengan hasil sebenarnya di lapangan. Pada umumnya metode peramalan merupakan metode yang dilakukan dengan cara mengetahui pola data berdasarkan data-data yang telah ada sebelumnya. Salah satu metode yang dapat digunakan adalah dengan menggunakan adaptive neuro fuzzy inference system (ANFIS). 1.2 Perumusan masalah Berdasarkan latar belakang seperti pada 1.1, maka dapat dirumuskan permasalahan yang akan diangkat dalam penelitian ini, diantaranya adalah sebagai berikut: 1. Perlunya peramalan beban listrik jangka pendek yang akurat. Salah satu metode peramalan yang dapat digunakan adalah adaptive neuro fuzzy inference system (ANFIS). 2. Diperlukannya perbandingan keakuratan hasil peramalan antara metode ANFIS dan metode yang digunakan oleh PLN untuk meramalkan beban dalam jangka pendek. 3

4 1.3 Keaslian penelitian Penelitian tentang peramalan beban listrik baik dalam jangka pendek, menengah, maupun panjang telah banyak dilakukan sebelumnya. Metode yang digunakan juga telah banyak diaplikasikan untuk memperoleh selisih nilai perkiraan beban dengan nilai beban sebenarnya yang sekecil mungkin. Metode statistik untuk melakukan peramalan beban listrik jangka pendek seperti model regresi linear [2], exponential smoothing [3] dan model autoregresive integrated moving average (ARIMA) [4] telah dilakukan. Peramalan beban listrik jangka pendek dengan menggunakan metode jaringan syaraf tiruan (JST) dengan algoritma backpropagation di Kabupaten Karanganyar, Jawa Tengah [5] dengan variabel yang digunakan adalah data pemakaian beban listrik pada masa lampau. Hasil penelitian menunjukkan bahwa rata-rata error minimum JST sebesar % lebih kecil daripada error minimum PLN yang sebesar % sedangkan rata-rata error maksimum JST yaitu % lebih besar daripada error maksimum PLN sebesar %. Aplikasi logika fuzzy telah banyak dilakukan untuk peramalan beban jangka pendek [6]. Hasil penelitian tersebut adalah nilai persentase kesalahan permalan menggunakan logika fuzzy berkisar antara 10,78% sampai dengan 16.97%. Besarnya nilai error peramalan disebabkan oleh pemilihan aturan-aturan yang dibangun dari pengetahuan dan data-data yang ada. Penelitian menggunakan logika fuzzy yang diintegrasikan dengan jaringan syaraf tiruan untuk meramalkan beban listrik jangka panjang di wilayah Sumatra Barat [7]. Hasil penelitian menunjukkan bahwa hasil peramalan menggunakan sistem neuro fuzzy tidak jauh berbeda dengan peramalan PT. PLN wilayah Sumatra Barat dengan nilai kesalahan rata-rata sebesar 1,38%. Studi perbandingan antara metode jaringan syaraf tiruan dengan metode ANFIS menunjukkan bahwa penggunaan ANFIS mempunyai nilai mean absolute percentage error yang lebih rendah daripada jaringan syaraf tiruan [8]. Penelitian yang lain adalah menggunakan ANFIS dengan variasi input sejumlah 4 input dan 6 input [9]. Penelitian ini menggunakan satu epoch untuk masa training datanya. Hasil menunjukan bahwa penggunaan input yang lebih banyak akan menghasilkan 4

5 data peramalan yang lebih akurat yang dapat dilihat dari nilai besarnya nilai error. Peneltian dengan penggunaan training data backpropagation [10] dengan input ANFIS berupa data beban sebelumnya dari tahun 1981 hingga tahun 2000 menghasilkan nilai MAPE 1,87% yang merupakan hasil terbaik dibandingkan metode lain. Hasil beberapa penelitian tersebut menunjukan bahwa penggunaan ANFIS merupakan salah satu metode yang paling baik untuk meramalkan beban jangka pendek dibandingkan metode metode lain. Penelitian ini penting dilakukan untuk memperoleh peramalan beban dalam waktu jangka pendek yang lebih efektif di sistem kelistrikan daerah distribusi Jawa Tengah dan Daerah Istimewa Yogyakarta. Metode dalam penelitian ini adalah menggunakan ANFIS yang mempunyai tingkat efektifitas lebih baik dari beberapa metode untuk meramalkan beban dalam jangka pendek. Metode ANFIS yang digunakan adalah membandingkan berbagai macam fungsi keanggotaan (membership function) dalam ANFIS untuk kemudian didapatkan hasil peramalan beban yang paling efektif. 1.4 Batasan Masalah Batasan masalah yang digunakan dalam penelitian ini diantaranya adalah sebagai berikut: 1. Model peramalan dalam penelitian ini digunakan untuk memperkirakan beban sistem keseluruhan per hari. 2. Penelitian menggunakan data yang berasal dari sistem ketenagalistrikan Jawa- Madura-Bali daerah distribusi Jawa Tengah dan DIY. 3. Pemodelan peramalan beban dilakukan dengan program Matlab. 4. Beban yang diperkirakan adalah pada hari-hari biasa. Beban saat hari libur nasional tidak diperhitungkan. 1.5 Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut: 1. Mengaplikasikan ANFIS untuk meramalkan beban yang akan dibutuhkan pelanggan dalam setiap satu hari sehingga dari data tersebut dapat digunakan sebagai acuan penjadwalan pembangkit yang melayani beban. 5

6 2. Mengetahui keakuratan metode ANFIS untuk meramalkan beban jangka pendek dengan menggunakan data beban pada waktu sebelumnya. 1.6 Manfaat Penelitian Penelitian ini diharapkan dapat memberikan solusi alternatif dalam memperkirakan beban yang akan dibutuhkan pelanggan dalam setiap harinya di PT. PLN P3B daerah distribusi Jawa Tengah dan Daerah Istimewa Yogyakarta agar diperoleh hasil peramalan yang lebih akurat untuk penghematan energi dari sisi pembangkit. 6