BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban sistem tenaga listrik merupakan pemakaian tenaga listrik dari para pelanggan listrik (konsumen) oleh karenanya besar kecilnya beban beserta perubahannya tergantung pada kebutuhan para pelanggan akan tenaga listrik, sedangkan sisi pembangkitan merupakan bagian yang memproduksi tenaga listrik. Seperti telah disebutkan terdahulu, bahwa tingkat produksi atau tenaga yang dihasilkan oleh mesin pembangkit listrik harus sesuai dengan tingkat kebutuhan atau besar beban yang harus dilayani. Oleh karenanya dalam mengoperasikan sistem tenaga listrik diperlukan perencanaan yang baik, untuk itu perlu dibuat Rencana Operasi terlebih dahulu sebelum suatu sistem akan dioperasikan. Rencana Operasi adalah suatu rencana mengenai bagaimana suatu sistem tenaga listrik akan dioperasikan untuk kurun atau angka waktu tertentu. Rencana Operasi ini selanutnya akan dipakai sebagai pedoman dalam pengoperasian sistem tenaga listrik. Rencana operasi berkaitan erat dengan upaya penyediaan tenaga listrik yang efisien dan handal. Efisien dimaksudkan agar tenaga listrik yang dibangkitkan benarbenar sesuai dengan yang dibutuhkan, sedangkan handal berkenaan dengan kualitas dan kuntinyuitas pelayanan. Untuk mengetahui berapa besar beban listrik yang harus dilayani, sebenarnya tidak ada perhitungan yang eksak mengenai berapa besar beban pada suatu saat, yang bisa dilakukan hanyalah membuat prakiraan atau prediksi beban. Untuk membuat prakiraan beban yang baik, perlu data atau informasi tentang beban sistem tenaga listrik yang sudah teradi di masa lalu (Marsudi 2006). Oleh karenanya data statistik beban dari masa lalu sangat diperlukan untuk melakukan prakiraan beban listrik di masa yang akan datang yang dilakukan dengan cara mengekstrapolir grafik beban di masa lampau ke masa yang akan datang. Beberapa hal yang menyebabkan teradinya perubahan beban listrik, antara lain sebagai berikut : 1) Bertambahnya umlah konsumen atau pelanggan tenaga listrik;
5 2) Bertambahnya tingkat konsumsi tenaga listrik dari konsumen, misalnya karena menambah peralatan listrik; 3) Suhu udara, ketika suhu udara tinggi maka pemakaian alat-alat pendingin ruangan bertambah; 4) Aktivitas atau kegiatan ekonomi dalam masyarakat; 5) Kegiatan sosial dalam masyarakat. Prakiraan beban listrik berdasarkan angka waktu dapat dikelompokkan menadi (Marsudi 2006) : 1. Perkiraan Beban Jangka Panang Perkiraan beban angka panang adalah untuk angka waktu di atas satu tahun. Persoalan makroekonomi merupakan masalah ekstern perusahaan listrik yang sangat menentukan arah prakiraan beban, masalah makroekonomi tersebut antara lain adalah pendapatan per kapita penduduk Indonesia. Karena prakiraan beban angka panang banyak menyangkut masalah makroekonomi yang bersifat ekstern, maka penyusunannya perlu mendapat pengarahan dari pemerintah. 2. Perkiraan Beban Jangka Menengah Prakiraan beban angka menengah adalah untuk angka waktu satu bulan sampai dengan satu tahun. Berbeda dengan prakiraan beban angka panang yang lebih banyak digunakan untuk keperluan perencanaan pengembangan sistem, sedangkan dalam prakiraan beban angka menengah aspek operasional yang menonol, karena dalam angka menengah (kurang dari satu tahun) tidak banyak yang dapat dilakukan dalam segi pengembangan. Penyambungan langganan baru yang mempunyai daya tersambung dengan nilai antara 1% sampai dengan 3% dari beban puncak sistem perlu diperhitungkan dalam prakiraan beban angka menengah. 3. Perkiraan Beban Jangka Pendek Prakiraan beban angka pendek adalah untuk angka waktu beberapa am sampai satu minggu (168 am). Dalam prakiraan beban angka pendek terdapat batas atas untuk beban maksimum dan batas bawah untuk beban minimum yang ditentukan oleh prakiraan beban angka menengah. Besarnya beban untuk setiap am ditentukan dengan memperhatikan langgam/perilaku beban di waktu yang lalu
6 dengan memperhatikan berbagai informasi yang dapat mempengaruhi besarnya beban sistem seperti acara televisi dan suhu udara. Metode yang telah dikembangkan dan diterapkan oleh PLN dalam melakukan prakiraan beban listrik angka pendek adalah Metode Koefisien Beban. Beban listrik untuk setiap am diberi koefisien yang menggambarkan besarnya beban pada am tersebut dalam perbandingannya terhadap beban puncak, misalnya k 4 = 0,6 berarti bahwa beban pada am 04.00 adalah sebesar 0,6 kali beban puncak yang teradi pada am 19.00 atau pada k 19 = 1,0. Koefisien-koefisien ini berbeda untuk hari Senin s/d Minggu dan uga untuk hari libur bukan Minggu. Beban puncak dapat diperkirakan dengan melihat beban puncak mingguan pada tahun-tahun yang lalu kemudian dengan menggunakan koefisien-koefisien tersebut di atas bisa diperkirakan grafik beban harian untuk suatu minggu yang akan datang. Koefisien-koefisien ini perlu dikoreksi secara terus-menerus berdasarkan hasil pengamatan atas beban yang sesungguhnya teradi. 2.2. Pengertian Neural Network Neural network atau artificial neural network (aringan syaraf tiruan disingkat JST) adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelaaran pada otak manusia tersebut. Definisi lain menurut Fausett (1994) artificial neural network adalah suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai aringan syaraf biologi. Jaringan syaraf tiruan tercipta sebagai generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan pada asumsi : 1) Pemrosesan informasi teradi pada elemen sederhana yang disebut neuron, unit, sel atau node. 2) Isyarat mengalir di antara sel syaraf/neuron melalui suatu sambungan penghubung. 3) Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan isyarat yang dikirim melaluinya.
7 4) Setiap sel syaraf/neuron akan menerapkan fungsi aktivasi terhadap isyarat hasil penumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya. Karakteristik aringan syaraf tiruan ditentukan oleh : - pola hubungan antar neuron (disebut dengan arsitektur aringan); - metode untuk menentukan bobot penghubung (disebut metode training/ learning/algoritma); - fungsi aktivasi. Seperti halnya otak manusia, aringan syaraf uga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron tersebut. Beberapa neuron akan mentransformasikan informasi yang diterimanya melalui sambungan keluaran menuu neuron-neuron yang lain. Dengan kata lain, neuron adalah sebuah unit pemroses informasi yang merupakan dasar operasi aringan syaraf tiruan. Neuron ini dimodelkan dari penyederhanaan sel syaraf manusia yang sebenarnya. Gambar 1 adalah ilustrasi atau gambar yang menunukkan suatu neuron. Gambar 1. Struktur Unit Jaringan Syaraf Tiruan Gambar 1 memperlihatkan struktur unit pengolah aringan syaraf tiruan. Pada sisi sebelah kiri terlihat beberapa masukan yang menuu ke unit pengolah, yang masingmasing datang dari unit-unit yang berbeda X n. Setiap sambungan mempunyai kekuatan hubungan terkait (bobot) yang disimbolkan dengan W n. Unit pengolah akan membentuk penumlahan berbobot dari tiap masukannya dan menggunakan fungsi
8 ambang non-linier (fungsi aktivasi) untuk menghitung keluarannya. Hasil perhitungan akan dikirimkan melalui hubungan keluaran seperti pada gambar pada sisi sebelah kanan. Pada Gambar 2 diperlihatkan suatu aringan syaraf tiruan yang terdiri atas 3 lapisan unit pengolah. Lapisan pertama adalah unit-unit masukan. Unit-unit ini menyatakan nilai sebuah pola sebagai masukan aringan. Lapisan tengah adalah lapisan tersembunyi (hidden layer) yang menanggapi sifat-sifat tertentu yang mungkin terlihat dalam pola masukan. Kadang-kadang terdapat lebih dari satu lapisan tersembunyi dalam satu aringan. Lapisan terakhir adalah lapisan keluaran, yang bertugas sebagai tempat keluaran bagi aringan syaraf. Gambar 2. Jaringan Syaraf Tiruan dengan 3 Lapisan Jaringan syaraf tiruan uga dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model syaraf biologi. Model syaraf ditunukkan dengan kemampuannya dalam emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belaar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. Rao (1993) mendefinisikan aringan syaraf (tiruan) sebagai sebuah kelompok pengolahan elemen dalam suatu kelompok yang khusus membuat perhitungan sendiri dan memberikan hasilnya kepada kelompok kedua atau berikutnya. Setiap sub-
9 kelompok menurut gilirannya harus membuat perhitungan sendiri dan memberikan hasilnya untuk subgrup atau kelompok yang belum melakukan perhitungan. Pada akhirnya sebuah kelompok dari satu atau beberapa pengolahan elemen tersebut menghasilkan keluaran (output) dari aringan. Setiap pengolahan elemen membuat perhitungan berdasarkan pada umlah masukan (input). Sebuah kelompok pengolahan elemen disebut layer atau lapisan dalam aringan. Lapisan pertama adalah input dan yang terakhir adalah output. Lapisan di antara lapisan input dan output disebut dengan lapisan tersembunyi (hidden layer). Jaringan syaraf tiruan merupakan suatu bentuk arsitektur yang terdistribusi paralel dengan seumlah besar neuron dan hubungan antar neuron tersebut. Tiap titik hubungan dari satu neuron ke neuron yang lain mempunyai harga yang diasosiasikan dengan bobot. Setiap neuron memiliki suatu nilai yang diasosiasikan sebagai titik aktivasi neuron. Berdasarkan cara memodifikasi bobotnya, ada dua macam pelatihan yang dikenal yaitu dengan terawasi atau terbimbing (supervised) dan tanpa pengawasan atau tanpa bimbingan (unsupervised). Dalam pelatihan dengan supervised, terdapat seumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih aringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai guru untuk melatih aringan hingga diperoleh bentuk yang terbaik. Guru akan memberikan informasi yang elas tentang bagaimana sistem harus mengubah dirinya untuk meningkatkan unuk keranya. Pada setiap kali pelatihan, suatu input diberikan ke aringan. Jaringan akan memperoses dan mengeluarkan keluaran. Selisih antara keluaran aringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang teradi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Jaringan yang proses atau metode pelatihannya dengan pengawasan antara lain adalah perceptron, adaline dan backpropagation. Sebaliknya dalam pelatihan tanpa pengawasan (unsupervised), tidak ada guru yang akan mengarahkan proses pelatihan. Perubahan bobot aringan dilakukan berdasarkan parameter tertentu dan aringan dimodifikasi menurut ukuran parameter tersebut.
10 2.3. Arsitektur Jaringan Syaraf Tiruan Jaringan syaraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh (general rule) dimana seluruh model aringan memiliki konsep dasar yang sama. Arsitektur JST berkenaan dengan susunan neuron yang memperlihatkan pola hubungan antar neuron serta banyaknya layer/lapisan yang diterapkan pada aringan. Arsitektur sebuah aringan akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalahan dapat diselesaikan dengan arsitektur yang sama. Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak di antara lapisan input dan lapisan output seperti terlihat pada Gambar 3. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada lapisan dengan lapisan tunggal, dengan pembelaaran yang lebih rumit. Gambar 3. Jaringan Syaraf Tiruan dengan Banyak Lapisan
11 2.4. Propagasi Balik (Backpropagation) Jaringan propagasi balik (backpropagation) merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan persoalan atau masalah yang rumit. Hal ini dimungkinkan karena aringan dengan algoritma ini dilatih (learned) dengan menggunakan metode belaar terbimbing. Pada aringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada aringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan secara berulang-ulang sehingga semua pola yang dikeluarkan aringan dapat memenuhi pola yang diinginkan. Algoritma pelatihan aringan syaraf tiruan propagasi balik terdiri atas 2 langkah, yaitu perambatan/propagasi mau dan perambatan/propagasi mundur. Langkah perambatan mau dan perambatan mundur ini dilakukan pada aringan untuk setiap pola yang diberikan selama aringan mengalami pelatihan. Jaringan propagasi balik terdiri atas 3 atau lebih lapisan/layer. Perbedaannya hanya pada umlah lapisan tersembunyi yang dimilikinya, ada yang 1 lapisan ada yang lebih dari 1 lapisan. Gambar 4 menunukkan aringan propagasi balik dengan 3 lapisan, bagian bawah gambar sebagai masukan, bagian tengah disebut sebagai lapisan tersembunyi dan bagian atas disebut lapisan keluaran. Ketiga lapisan ini terhubung secara penuh. Gambar 4. Tiga Lapisan Jaringan Propagasi Balik
12 Perambatan mau dimulai dengan memberikan pola masukan ke lapisan masukan. Pola masukan ini merupakan nilai aktivasi unit-unit masukan. Dengan melakukan perambatan mau dihitung nilai aktivasi pada unit-unit di lapisan berikutnya. Pada setiap lapisan, tiap unit pengolah melakukan penumlahan berbobot dan menerapkan fungsi sigmoid untuk menghitung keluarannya. Untuk menghitung nilai penumlahan berbobot digunakan rumus : S Dengan : x i = n xiw i= 0 i... (2.1) = masukan yang berasal dari unit i w i = bobot sambungan dari unit i ke unit. Setelah nilai S dihitung, fungsi sigmoid diterapkan pada S untuk membentuk f(s ). Fungsi sigmoid ini mempunyai persamaan : 1 f ( S ) = 1 S..... (2.2) + e Gambar 5. Langkah Perambatan Mau Hasil perhitungan f(s ) ini merupakan nilai aktivasi pada unit pengolah. Nilai ini dikirimkan ke seluruh keluaran unit. Setelah perambatan mau selesai dikerakan maka aringan siap melakukan perambatan mundur. Pada perambatan mundur yang dilakukan adalah menghitung galat dan mengubah bobot-bobot pada semua interkoneksinya. Di sini galat dihitung pada
13 semua unit pengolah dan bobotpun diubah pada semua sambungan. Perhitungan dimulai dari lapisan keluar dan mundur sampai lapisan masukan. Hasil keluaran dari perambatan mau dibandingkan hasil keluaran yang diinginkan. Berdasarkan perbedaan ini kemudian dihitung galat untuk tiap-tiap lapisan pada aringan. Pertama-tama dihitung galat untuk lapisan keluaran (Gambar 6.a), kemudian bobotbobot setiap sambungan yang menuu lapisan keluaran disesuaikan. Setelah itu dihitung harga galat pada lapisan tersembunyi (Gambar 6.b) dan dihitung perubahan bobot yang menuu ke lapisan tersembunyi. Demikian proses dilakukan mundur sampai ke lapisan masukan secara iteratif. Jika adalah salah satu unit pada lapisan keluaran maka galat lapisan keluaran dapat dihitung dengan rumus : δ = (t y ) f (S )... (2.3) Dengan : t y = keluaran yang diinginkan dari unit = keluaran dari unit f (S ) = turunan pertama dari fungsi sigmoid S = hasil penumlahan berbobot. Gambar 6. Fungsi Sigmoid Beserta Turunannya. Jika adalah suatu lapisan tersembunyi, maka galat lapisan tersembunyi dapat dihitung dengan menggunakan rumus : k [ kwk. f ']( S ) δ = δ.... (2.4)
14 w i = α.δ.x i... (2.5) Dengan : w i = perubahan bobot dari unit i ke unit α = lau belaar (learning rate) δ x i = galat lapisan tersembunyi = masukan yang berasal dari unit i Variabel α menyatakan suatu konstanta belaar yang berharga antara 0.25-0.75. Nilai ini menunukkan kecepatan belaar dari aringan. Nilai yang terlalu tinggi dapat menyebabkan aringan menadi tidak stabil sedangkan nilai yang terlalu kecil dapat menadikan waktu belaar yang lama. Oleh karena itu pemilihan nilai α harus seoptimal mungkin agar didapatkan proses belaar yang cepat. Dalam hal cara memodifikasi bobot (weight), pada propagasi balik standar, perubahan bobot didasarkan atas gradien yang teradi untuk pola yang dimasukkan saat itu. Modifikasi yang dapat dilakukan adalah melakukan perubahan bobot yang didasarkan atas arah gradien pola terakhir dan pola sebelumnya (disebut momentum) yang dimasukkan (Jong 2005). Jadi tidak hanya pola masukkan terakhir saa yang diperhitungkan. Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lain (outlier). Apabila beberapa data terakhir yang diberikan ke aringan memiliki pola serupa (berarti arah gradien sudah benar), maka perubahan bobot dilakukan secara cepat. Namun apabila data terakhir yang dimasukkan memiliki pola yang berbeda dengan sebelumnya, maka perubahan dilakukan secara lambat. Algoritma selengkapnya pelatihan aringan backpropagation adalah sebagai berikut (Fausett 1994): Langkah 0 : Inisialisasi bobot-bobot (tetapkan dalam nilai acak kecil) Langkah 1 : Bila syarat berhenti adalah salah, kerakan langkah 2 sampai 9. Langkah 2 : Untuk setiap pasangan pelatihan, kerakan langkah 3 sampai 8. Umpan mau : Langkah 3 : Tiap unit masukan (x i, i = 1,...,n) menerima isyarat masukan x i dan diteruskan ke unit-unit tersembunyi.
15 Langkah 4 : Tiap unit tersembunyi (z, = 1,...,p) menumlahkan isyarat masukan berbobot, o n z _ in = v + x v... (2.6) i= 1 i i dengan menerapkan fungsi aktivasi hitung : z = f(z-in )... (2.7) dan kirim isyarat ini ke unit-unit keluaran. Gambar 7. Backpropagation Dengan Satu Lapisan Tersembunyi Langkah 5 : Tiap unit keluaran (y k, k = 1,...,m) menumlahkan isyarat masukan berbobot, k ok p y _ in = w + z w... (2.8) = 1 k dengan menerapkan fungsi aktivasi hitung, y k = f(y_in k )... (2.9) Perambatan Balik Galat : Langkah 6 : Tiap unit keluaran (y k, k = 1,...,m) menerima pola sasaran berkaitan dengan pola pelatihan masukannya.
16 Langkah 7 Hitung galat informasi : δ k = (t k y k ) f (y_in k )... (2.10) Hitung koreksi bobot dan prasikapnya: w k = α δ k z... (2.11) w 0k = α δ k... (2.12) : Tiap unit tersembunyi (z, = 1,...,p) menumlahkan delta masukannya (dari unit-unit di lapisan atasnya). m k= 1 k w k δ _ in = δ... (2.13) Hitung galat informasinya : δ = δ_in f (z_in )... (2.14) Hitung koreksi bobot dan prasikapnya : v i = α δ x i... (2.15) Perbaharui bobot dan prasikapnya : Langkah 8 : Tiap unit keluaran (y k, k=1,...,m) memperbaharui bobot-bobot dan prasikapnya (=0,1,...,p) w k (baru) = w k (lama) + w k... (2.16) Tiap unit tersembunyi (z, =1,...,p) memperbaharui bobot dan prasikapnya (i=0,1,,n); v i (baru) = v i (lama) + v i... (2.17) Langkah 9 : Ui syarat berhenti. Prosedur pembaharuan bobot-bobot dapat dimodifikasi dengan menggunakan momentum. Dengan menambahkan momentum ke dalam rumus pembaharuan bobot, biasanya konvergensi akan lebih cepat dicapai. Dalam pembaharuan bobot menggunakan momentum, nilai bobot pada iterasi ke (t+1) ditentukan oleh nilai bobot pada iterasi ke t dan ke (t-1). Rumus pembaharuan bobotnya adalah sebagai berikut : atau, w ( t + 1) = w ( t) + αδ z + w ( t) w ( t 1) i k k µ k w ( t + 1) = αδ z + µ w ( t)... (2.18) i k i k
17 dan, atau, v ( t + 1) = v ( t) + αδ x + v ( t) v ( t 1) i k i µ k v ( t + 1) = αδ x + µ v ( t)... (2.19) i i i k Dengan : x 1..x n : masukan y 1..y n : keluaran z 1..z n : nilai lapisan tersembunyi v i w k δ α : bobot antara lapisan masukan dan lapisan tersembunyi : bobot antara lapisan tersembunyi dan lapisan keluaran : galat informasi : kecepatan atau lau belaar µ : momentum Kecepatan konvergensi uga dapat ditingkatkan dengan memodifikasi lau belaar menadi adaptive yang berubah selama proses pelatihan. Jika galat yang muncul lebih besar daripada galat sebelumnya maka nilai bobot-bobot, prasikap, keluaran, dan galat yang baru diabaikan, dan nilai lau belaar diturunkan. Jika galat yang muncul lebih kecil daripada galat sebelumnya, maka nilai bobot-bobot, prasikap, keluaran, dan galat yang baru disimpan, dan lau belaar ditingkatkan. 2.5. Mean Square Error (MSE) Jaringan syaraf tiruan propagasi balik dilatih dengan metode belaar terbimbing. Pada metode ini aringan diberi sekumpulan pasangan pola yang terdiri dari pola masukan dan pola yang diinginkan. Pelatihan dilakukan berulang-ulang sehingga dihasilkan aringan yang memberikan tanggapan yang benar terhadap semua masukannya. Perhitungan kesalahan (error) merupakan pengukuran bagaimana aringan dapat belaar dengan baik, sehingga ika dibandingkan dengan pola yang baru akan dengan mudah dikenali. Kesalahan (error) pada keluaran aringan merupakan selisih antara keluaran sebenarnya (current output) dan keluaran yang diinginkan (desired output) atau target.
Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan persamaan : - Sum Square Error (SSE) : 2 SSE = ( Tp Yp )... (2.20) p - Mean Square Error (MSE) : SSE MSE =... (2.21) n p. n - Root Mean Square Error (RMSE) : RMSE = MSE...... (2.22) Dimana : T p = nilai keluaran yang diinginkan atau target aringan syaraf Y p = nilai keluaran aringan syaraf n p = umlah seluruh pola n = umlah keluaran 18 2.6. Transformasi Data Sebelum menggunakan data dengan metode atau teknik yang akan diterapkan, kita harus melakukan praprosesing terhadap data. Hal ini dilakukan untuk mendapatkan hasil analisis yang lebih akurat dalam pemakaian teknik-teknik machine learning atau data mining. Dalam beberapa hal, praprosesing bisa membuat nilai data menadi lebih kecil tanpa merubah informasi yang dikandungnya. Ada beberapa cara transformasi data yang dilakukan sebelum menerapkan suatu metode, antara lain adalah normalisasi atau scaling adalah prosedur mengubah data sehingga berada dalam skala tertentu (Santosa 2007). Skala ini bisa antara (0,1), (-1,1) atau skala lain yaang dikehendaki. Misalkan kita akan mentransformasi data beban listrik, data beban tersebut akan dikonversi ke dalam skala atau rentang nilai antara 0 sampai dengan 1. Dalam hal ini batas bawah (BB) adalah 0 dan batas atas (BA) adalah 1. Jika nilai maksimum tiap kolom adalah X max dan nilai minimumnya adalah X min, untuk mengubah data ke skala baru, untuk setiap data bisa dilakukan rumus : X X min X = *( BA BB) + BB... (2.23) X X max min
19 2.7. Missing Value Jika suatu set data mempunyai beberapa pengamatan dengan missing value (record dengan beberapa nilai variabel tidak ada), maka ada beberapa cara mengatasinya. Kalau umlah datanya besar, maka pengamatan dengan missing value bisa diabaikan. Ini dengan pertimbangkan bahwa pengamatan yang serupa masih banyak ditemukan di dalam data. Jika umlah pengamatan terbatas atau kecil, maka missing value bisa diganti dengan nilai rata-rata dari variabel yang bersangkutan. 2.8. Penelitian Terdahulu Sebenarnya penelitian atau riset terdahulu tentang prediksi beban listrik menggunakan aringan syaraf tiruan (artificial neural network) bukanlah hal baru, namun telah banyak dilakukan baik oleh peneliti luar maupun peneliti dalam negeri sendiri, antara lain sebagai berikut : 1) El-Sharkawi (1991). Short Term Electric Load Forecasting Using An Adaptively Trainer Layered Perceptron, IEEE. 2) Lee dan Park (1992). Short Term Load Forecasting Using an Artificial Neural Network, IEEE. 3) Karmila (2006). Pengembangan Jaringan Syaraf Tiruan pada Pemodelan Prakiraan Beban Listrik Jangka Pendek (Studi Kasus beban listrik Region I Jakarta-Banten). 4) Adepou et al. (2007). Application of Neural Network to Load Forecasting in Nigerian Electrical Power System, The Pacific Journal of Science Technology. Hasil penelitian dari para peneliti tersebut di atas adalah Jaringan Syaraf Tiruan dapat digunakan untuk melakukan prediksi atau prakiraan beban listrik relatif lebih baik atau lebih akurat dari metode konvensional berbasis statistik.