Studi Perbandingan Peramalan Kebutuhan Energi Listrik Indonesia Menggunakan ANN dan ANFIS Elisa Gumelar Dennis dennissitorus@gmail.com Teguh Utomo teguhutomo_jte@ub.ac.id Lunde Ardheta lunde.ardheta@ub.ac.id Abstrak Peramalan dibutuhkan untuk mengetahui kesiapan pembangkit dan seluruh peralatan penunjang dalam memenuhi kebutuhan serta keseimbangan supply dan demand. Terdapat banyak metode yang dapat digunakan untuk melakukan peramalan, namun saat ini metode yang berkembang adalah metode Artificial Intelligence atau Sistem cerdas. Metode yang digunakan pada penelitian ini adalah Adaptive Neuro Fuzzy Inference System (ANFIS) dan Jaringan Saraf Tiruan (JST), dengan membandingkan output sebagai parameter keakuratan dalam melakukan peramalan. Dua metode ini dibentuk dan dilatih menggunakan data ekonometrik seperti jumlah penduduk dan pertumbuhan ekonomi. Data diperoleh dari RUPTL PLN 2018-2027. Data statistik tahun 2008-2017 digunakan sebagai input dalam melakukan peramalan tahun 2018-2027. Keakuratan peramalan kedua metode ini dievaluasi menggunakan MAE dan RMSE. Dari hasil percobaan yang telah dilakukan, metode JST menghasilkan MAE sebesar 0,4779 TWh, RMSE sebesar 0,6068 TWh, dan error rata-rata per tahun sebesar 0,1482%. Sedangkan metode ANFIS menghasilkan MAE sebesar 19,3614 TWh, RMSE sebesar 26,6287 TWh, dan error rata-rata per tahun sebesar 5,2206%. Kata Kunci Peramalan Kebutuhan Energi Listrik, Sistem Cerdas, Jaringan Saraf Tiruan, ANFIS I. PENDAHULUAN Energi listrik adalah kebutuhan primer. Hal ini terjadi karena listrik sudah menjadi bagian penting dalam berbagai aspek kehidupan manusia, diantaranya aspek teknologi, ekonomi, sosial, dan budaya. Perkembangan teknologi saat ini cenderung beralih ke penggunaan energi listrik seperti mobil listrik dan kompor listrik, karena penggunaan energi listrik tidak menghasilkan emisi karbon yang menyebabkan polusi udara, serta tidak mengeluarkan suara bising yang menyebabkan polusi suara. Hal ini dibuktikan dengan data dari Kementerian ESDM yang menunjukkan bahwa rasio elektrifikasi Indonesia meningkat sepanjang tahun, yang pada tahun 2016 sudah mencapai 91,16% [1]. Peramalan dibutuhkan untuk mengetahui kesiapan pembangkit dan seluruh peralatan penunjang dalam memenuhi kebutuhan serta keseimbangan supply dan demand. Keseimbangan antara supply dan demand harus dipenuhi. Jika daya yang dibangkitkan jauh lebih besar dari konsumsi, akan terjadi pemborosan. Jika daya yang dibangkitkan lebih kecil dari konsumsi, akan terjadi pemadaman [2]. Terdapat banyak metode yang dapat digunakan untuk melakukan peramalan, namun saat ini metode yang berkembang adalah metode Artificial Intelligence atau Sistem cerdas. Pada penelitian ini metode yang akan dibandingkan adalah ANFIS dan ANN/JST (Jaringan Saraf Tiruan). Metode ANN/JST pernah dilakukan oleh Arief Heru Kuncoro dalam penelitiannya yang berjudul Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia dan mendapatkan perbedaan rata-rata hasil dengan data aktual sebesar 6,6%. Sedangkan metode ANFIS pernah dilakukan oleh Erwan Ahmad Ardiansyah dalam penelitiannya yang berjudul Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) dan mendapatkan perbedaan rata-rata hasil dengan data aktual sebesar 1,4% [3]. II. DASAR TEORI A. Peramalan Beban Listrik Peramalan beban listrik dalam pengoperasian sistem tenaga listrik sangat berguna dan berperan penting untuk melakukan pengaturan beban terutama secara real time. Peramalan beban listrik sebagai kajian dalam bidang perencanaan dan evaluasi operasi sistem tenaga listrik memegang peranan yang sangat penting karena berdasarkan jangka waktu peramalannya sesuai dengan Peraturan Menteri Energi dan Sumber Daya Mineral No. 03 2007 tentang Aturan Jaringan Sistem Tenaga Listrik Jawa-Madura-Bali dalam Aturan Perencanaan Dan Pelaksanaan Operasi, peramalan beban listrik memiliki tujuan sebagai berikut: 1) Peramalan Jangka Panjang (Long-Term Forecasting) Merupakan peramalan beban listrik untuk rencana operasional jangka panjang atau tahunan yang memiliki tujuan untuk menentukan kapasistas serta ketersediaan unit pembangkitan, sistem transmisi, dan sistem distribusi. 2) Peramalan Jangka Menengah (Mid-Term Forecasting) Merupakan peramalan beban listrik untuk renaca operasional bulanan atau mingguan yang memiliki tujuan untuk mempersiapkan kebutuhan energi bulanan, penjadwalan, pemeliharaan, dan operasional baik itu unit pembangkitan, sistem transmisi, maupun distribusi. 3) Peramalan Jangka Pendek (Short-Term Forecasting) Merupakan peramalan beban listrik untuk rencana operasional harian yang memiliki tujuan untuk analisis, perencanaan, dan evaluasi neraca energi, serta studi perbandingan beban listrik hasil peramalan dengan aktual tiap jamnya (real time). B. Konsep JST JST atau Artificial Neural Network (ANN) adalah bagian dari sistem kecerdasan buatan (Artificial Intelligence, AI) yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Menggunakan algoritma backpropagation dengan umpan maju jaringan multilayer dan satu lapisan tersembunyi (Hidden Layer) yang diaplikasikan untuk memprediksi beban listrik. 111
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi seperti pada Gambar 2. Pada Gambar 2 ditunjukkan suatu arsitektur jaringan backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran. dirancang dengan tepat sangat tepat untuk melakukan peramalan beban listrik. Sebagai tambahan, logika fuzzy dan algoritma ANN/JST dianggap sebagai metode yang lebih superior dibanding metode konvensional lainnya. Aspek numerik dan ketidakpastian dari peramalan sangat cocok dalam metodologi fuzzy. Gambar dibawah menunjukkan Model Fuzzy (Sistem Mamdani), yang meliputi data input, fuzzifikasi data, aturan dasar fuzzy dalam sistem inferensi fuzzy dan output defuzzifikasi [4]. Gambar 2. Blok Diagram Model Sistem Logika Fuzzy Gambar 1. Arsitektur Jaringan Backpropagation Pada Gambar 1 ditunjukkan suatu arsitektur jaringan backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran. Bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj dinyatakan vji. Sebagai contoh, vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer tersembunyi Zj. Sementara itu, wkj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran Yk (wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran Yk). Backpropagation merupakan algoritma pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh perceptron dengan banyak lapisan (multilayer) untuk mengubah bobot-bobot yang terhubung dengan neuronneuron yang ada pada lapisan tersembunyi. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid. C. Konsep ANFIS Istilah Fuzzy berarti tidak terdefinisikan dengan jelas. Dalam kelompok fuzzy, suatu objek dapat tergolong dalam suatu kelompok sebagian saja. Derajat keanggotaan didefinisikan melalui fungsi karakteristik yang digeneralisasikan yang disebut fungsi keanggotaan, yang mana U adalah semesta, dan A adalah subkelompok fuzzy dari U: µ_a (u): U [0,1] Nilai dari fungsi keanggotaan adalah bilangan real dalam interval [0,1], dimana 0 berarti objek tersebut bukan merupakan anggota kelompok, dan 1 berarti objek tersebut adalah anggota sepenuhnya. Setiap nilai fungsi disebut derajat keanggotaan. Dalam logika fuzzy, input dihubungkan pada perbandingan berdasarkan kualitas untuk memungkinkan pengambilan kesimpulan output dari input secara logis: tidak perlu model matematika untuk pemetaan antara input dan output dan tidak perlu ketepatan atau bebas gangguan pada input. Berdasarkan aturan umum, sistem logika fuzzy yang 112 D. Perhitungan Error Root Mean Square Error (RMSE) digunakan sebagai standar untuk mengukur kinerja model dalam penelitian meteorologi, kualitas udara, dan penelitian tetang iklim. Kesalahan mutlak rata-rata (MAE) merupakan standar ukuran lain yang bermanfaat dimana banyak digunakan dalam mengevaluasi model peramalan. MAE juga memberikan bobot yang sama untuk semua kesalahan [5]. RMSE = MAE = & ' & ' ' * )+& e ) (1) ' )+& e ) (2) III. METODOLOGI PENELITIAN Secara umum, diagram alir penelitian ini dijelaskan oleh gambar berikut: Gambar 3. Diagram Alir Metode Penelitian A. Studi Literatur Studi literatur adalah proses pengumpulan dasar teori yang mendukung penelitian ini, meliputi referensi penelitian-
penelitian sebelumnya, teori peramalan beban, sistem cerdas, metode JST dan ANFIS. B. Pengambilan Data Sumber data berasal dari RUPTL PLN 2018-2027. Data tersebut dikelompokkan menjadi input dan output. Data tahun 2008-2017 dijadikan input untuk melakukan peramalan tahun 2018-2027. Data tersebut diantaranya nilai kebutuhan beban, jumlah penduduk dan perkembangan ekonomi. C. Perhitungan Nilai Pertumbuhan Beban Menggunakan JST dan ANFIS Membangun model masing-masing metode dengan parameter-parameter yang divariasikan, kemudian memasukkan data yang telah dikelompokkan ke dalam model kedua metode untuk mendapatkan hasil peramalan yang akan dibandingkan. D. Perhitungan Nilai Error dari masing-masing Metode Menghitung nilai RMSE dan MAE dari output kedua metode sebagai parameter perbandingan nilai error. E. Penarikan Kesimpulan dan Saran Mendapatkan nilai peramalan beban listrik dan nilai error dari kedua metode dan mendapatkan metode yang lebih akurat dalam melakukan peramalan beban listrik, serta memberi saran untuk peneleitian selanjutnya. A. Metode JST IV. HASIL PENELITIAN Percobaan pertama dilakukan dengan memvariasikan jenis fungsi pelatihan atau training function pada matlab. Jenis fungsi pelatihan yang divariasikan adalah trainbr, trainscg, dan trainlm. Hasil peramalan dari masing-masing fungsi pelatihan ditampilkan pada tabel 1. TABEL I. HASIL PERCOBAAN VARIASI JENIS PELATIHAN Aktual trainbr trainscg trainlm 2018 239 243,8516 247,059 239 2019 256 258,6246 260,95 255,954 2020 276 274,8679 275,475 276 2021 297 296,8506 310,206 297 2022 317 317,3565 322,903 316,6713 2023 337 337,833 334,964 337,9099 2024 359 357,8786 346,471 359 2025 382 400,9131 386,125 382 2026 407 425,6039 424,614 407 2027 434 434,0182 422,376 420,352 Setelah mendapatkan hasil peramalan dari variasi jenis pelatihan tersebut, maka dihitung RMSE dan MAE dari masing-masing jenis fungsi pelatihan sebagai indikator performansi. Nilai RMSE dan MAE dari masing-masing jenis pelatihan ditampilkan pada tabel 2. TABEL II. PERBANDINGAN ERROR VARIASI JENIS PELATIHAN Fungsi Pelatihan RMSE (TWh) MAE (TWh) trainbr 8,5885 4,8604 trainscg 9,2122 8,057 trainlm 4,3267 1,4967 Setelah mendapat fungsi pelatihan yang sesuai, percobaan selanjutnya adalah dengan melakukan variasi jumlah neuron. Jumlah neuron yang divariasikan adalah 10, 20, 30, 40, dan 50. Hasil peramalan dari variasi jumlah neuron ditampilkan pada tabel 3. TABEL III. HASIL PERCOBAAN VARIASI JUMLAH NEURON Aktual Jumlah Neuron 10 20 30 40 50 2018 239 239 239 239,5781 239,12 239 2019 256 255,954 256 256,5207 256 256 2020 276 276 276 275,7011 276 277,48 2021 297 297 297 296,4098 297 297,0012 2022 317 316,6713 315,3 316,6942 316,9 317,001 2023 337 337,9099 337 337,6499 337 337,1935 2024 359 359 359 358,6794 359 359,0008 2025 382 382 382 382,0064 434 434 2026 407 407 433,99 407,0898 434 434 2027 434 420,352 434 432,5815 434 434 Setelah mendapatkan hasil peramalan dari variasi jumlah neuron tersebut, maka dihitung RMSE dan MAE dari masing-masing jumlah neuron sebagai indikator performansi. Nilai RMSE dan MAE dari masing-masing jumlah neuron ditampilkan pada tabel 4. TABEL IV. PERBANDINGAN ERROR VARIASI JUMLAH NEURON Jumlah Neuron RMSE (TWh) MAE (TWh) B. Metode ANFIS 10 4,3267 1,4967 20 8,5533 2,8692 30 0,6068 0,4779 40 18,5284 7,9137 50 18,5344 9,4084 Pada percobaan metode ANFIS, dilakukan percobaan dengan memvariasikan jenis genfis. Variasi jenis genfis yang dilakukan adalah menggunakan genfis1, genfis2, dan genfis3. Hasil peramalan dari variasi genfis dapat dilihat pada tabel 5. Setelah itu dihitung RMSE dan MAE dari masing-masing jenis genfis, yang akan ditampikan pada tabel 6. TABEL V. HASIL PERAMALAN DENGAN VARIASI JENIS GENFIS Aktual Jenis Genfis genfis1 genfis2 genfis3 2018 239 261,7753 250,3213 250,0654 2019 256 265,3374 261,7431 261,2389 2020 276 268,3614 272,8494 271,6483 2021 297 335,488 301,0226 301,3638 113
2022 317 338,9759 314,9171 311,5087 2023 337 342,351 326,2764 320,6756 2024 359 345,6155 336,5567 328,9483 2025 382 348,7816 346,2923 336,4091 2026 407 362,3388 366,8024 349,1415 2027 434 365,3845 375,7789 354,5257 TABEL VI. PERBANDINGAN ERROR PADA VARIASI JENIS GENFIS Jenis Genfis RMSE (TWh) MAE (TWh) genfis1 32,6228 25,5446 genfis2 26,6287 19,3614 genfis3 36,2352 25,9811 C. Perbandingan Hasil Peramalan Metode JST dan ANFIS Pada perbandingan hasil peramalan kebutuhan energi listrik ini, kedua metode dibandingkan hasil simulasi yang telah dilakukan. Variabel yang dibandingkan adalah nilai energi hasil peramalan yang ditunjukkan oleh gambar 4, besarnya error tiap tahun yang ditunjukkan oleh gambar 5, dan persentase error tiap tahunnya yang ditunjukkan oleh gambar 6, serta tabel 7 menampilkan seluruh perbandingan hasil peramalan dan error tiap tahun dari kedua metode. Gambar 5. Perbandingan Error JST dan ANFIS per tahun Gambar 6. Perbandingan Persentase Error Metode JST dan ANFIS per tahun TABEL VII. PERBANDINGAN HASIL PERAMALAN JST DAN ANFIS Gambar 4. Perbandingan Metode JST dan ANFIS Dalam Melakukan Peramalan Beban Aktual JST ANFIS 2018 239 239,5781 250,3213 2019 256 256,5207 261,7431 2020 276 275,7011 272,8494 2021 297 296,4098 301,0226 2022 317 316,6942 314,9171 2023 337 337,6499 326,2764 2024 359 358,6794 336,5567 2025 382 382,0064 346,2923 2026 407 407,0898 366,8024 2027 434 432,5815 375,7789 TABEL VIII. PERBANDINGAN ERROR JST DAN ANFIS JST ANFIS (TWh) (%) (TWh) (%) 2018 0,5781 0,24188 11,3213 4,73695 114
2019 0,5207 0,2034 5,7431 2,2434 2020 0,2989 0,1083 3,1506 1,14152 2021 0,5902 0,19872 4,0226 1,35441 2022 0,3058 0,09647 2,0829 0,65707 2023 0,6499 0,19285 10,7236 3,18208 2024 0,3026 0,0893 22,4433 6,25162 2025 0,0064 0,00168 35,7077 9,34757 2026 0,0898 0,02206 40,1976 9,87656 2027 1,4185 0,32684 58,2211 13,415 Ratarata 0,47609 0,14815 19,3614 5,22062 sebesar 26,6287 TWh, MAE sebesar 19,3614 TWh, dan rata-rata error per tahun sebesar 5,2206%. 3. Hasil perbandingan peramalan kebutuhan energi listrik Indonesia menggunakan metode JST menghasilkan nilai RMSE sebesar 0,6068 TWh, MAE sebesar 0,4779 TWh, serta rata-rata error per tahun sebesar 0,1482%, sedangkan metode ANFIS menghasilkan nilai RMSE sebesar 26,6287 TWh, MAE sebesar 19,3614 TWh, dan rata-rata error per tahun sebesar 5,2206%. Hal ini menunjukkan bahwa metode JST memiliki hasil yang lebih baik dalam melakukan peramalan energi listrik dibandingkan dengan metode ANFIS. A. KESIMPULAN V. KESIMPULAN DAN SARAN Berdasarkan hasil yang diperoleh dari simulasi dan analisis pada tugas akhir ini dapat diambil kesimpulan sebagai berikut: 1. Hasil percobaan simulasi peramalan kebutuhan energi listrik menggunakan metode JST, didapatkan bahwa jenis metode pembelajaran yang paling optimal adalah trainlm (Levenberg-Marquardt) dengan jumlah neuron sebanyak 30 neuron. Metode ini menghasilkan error terkecil dengan nilai RMSE sebesar 0,6068 TWh, MAE sebesar 0,4779 TWh, serta rata-rata error per tahun sebesar 0,1482%. 2. Hasil percobaan simulasi peramalan kebutuhan energi listrik menggunakan metode ANFIS, didapatkan bahwa jenis metode pembelajaran yang paling optimal adalah genfis2. Metode ini menghasilkan error terkecil dengan nilai RMSE [6] B. SARAN Untuk mendapatkan hasil peramalan kebutuhan energi listrik yang lebih baik lagi maka disarankan untuk mencoba melakukan perbandingan metode peramalan yang lain, khususnya metode-metode sistem cerdas atau Artificial Intelligence. Serta disarankan untuk menggunakan data yang lebih lama dari penelitian ini sehingga dapat meminimalisasi error yang didapat. REFERENSI [1] ESDM. (2017). Statistik Ketenagalistrikan 2016, Jakarta: Dirjen Ketenagalistrikan Kementrian ESDM. [2] ESDM. (2012). Kajian Supply Demand Energy, Jakarta: Pusat Data Dan Informasi Energi Dan Sumber Daya Mineral. [3] ESDM. (2012). Kajian Supply Demand Energy, Jakarta: Pusat Data Dan Informasi Energi Dan Sumber Daya Mineral. [4] Melodi, A.O., Adeniyi, S.T., Oluwaniyi. R.H. (2017). Long Term Load Forecasting For Nigeria s Electric Power Grid Using Ann And Fuzzy Logic Models, Jurnal, 2017 IEEE 3rd International Conference on Electro-Technology for National Development (NIGERCON). [5] Chai, T., Draxler, R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature, Jurnal, Cooperative Institute for Climate and Satellites, University of Maryland, USA. 115