ANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK

JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 ANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK Veti Apriana 1 ; Rani Irma Handayani 2 1 Komputerisasi Akuntansi AMIK BSI Jakarta 2 Manajemen Informatika AMIK BSI Jakarta E-mai: * 1 veti.vta@bsi.ac.id, 2 rani.rih@bsi.ac.id Abstract Eectricity is the ifebood for human ife, both for househod and industria word. In the power suppy industry, it is important to determine the power requirements for the future as soon as possibe (at the eariest). Short-term eectric oad prediction is one way that can be used to generate and distribute eectrica energy economicay, so that the power provider can know the oad and demand for power for the next month, previous short-term power prediction studies, generay using the Neura method Network. Neura Network is an information processing system that has characteristics simiar to bioogica neura networks but, deficiencies in Neura Network often overfitting due to overtrained. In a short-term eectrica oad prediction study, using the Support Vector Machine (SVM) method, Support Vector Machines (SVM) is a technique for predicting both cassification and regression. This research begins by processing daiy oad system oad data with a time span of 30 minutes, with data input used is data in January 2017. The resuts show that the SVM method can be one of the reference methods for the prediction of short-term eectrica oad with RMSE 0.034. Key word: Eectricity oad, Neura Networks, Support Vector Machine Intisari Listrik merupakan urat nadi bagi kehidupan manusia, baik untuk rumah tangga maupun dunia industri. Daam industri pasokan istrik, penting untuk menentukan kebutuhan daya untuk masa depan secepat mungkin (diawa). Prediksi beban istrik jangka pendek merupakan saah satu cara yang dapat digunakan untuk membangkitkan dan menyaurkan energi istrik secara ekonomis, sehingga pihak penyedia istrik dapat mengetahui beban dan permintaan daya untuk buan berikutnya, peneitian-peneitian prediksi beban istrik jangka pendek sebeumnya, secara umum mengunakan metode Neura Network. Neura Network adaah sistem pemroses informasi yang memiiki karakteristik mirip dengan jaringan syaraf bioogi namun, kekurangan pada Neura Network sering mengaami overfitting karena overtrained. Daam peneitian prediksi beban istrik jangka pendek, menggunakan metode Support Vector Machine (SVM), Support Vector Machines (SVM) adaah suatu teknik untuk meakukan prediksi, baik daam kasus kasifikasi maupun regresi. Peneitian ini diawai dengan mengoah data beban kemampuan beban sistem harian dengan runtun waktu per-30 menit, dengan input data yang digunakan adaah data pada buan Januari 2017. Hasi peneitian menunjukan bahwa metode SVM dapat menjadi saah satu referensi metode untuk prediksi beban istrik jangka pendek dengan RMSE 0.034. Kata Kunci: Beban Listrik, Neura Network, Support Vector Machine. PENDAHULUAN Listrik merupakan urat nadi bagi kehidupan manusia, baik untuk rumah tangga maupun dunia industri. Daam industri pasokan istrik, penting untuk menentukan kebutuhan daya untuk masa depan secepat mungkin (diawa). Jika perkiraan akurat dapat dibuat untuk beban maksimum dan minimum untuk setiap jam, hari, buan, musim dan tahun, perusahaan pengguna dapat membuat perekonomian yang signifikan untuk diwiayah seperti pengaturan cadangan operasi, penjadwaan pemeiharaan, dan manajemen persediaan bahan bakar (Witten & Frank, 2005), ha ini biasa disebut dengan peramaan beban istrik. Oeh karena itu, Perusahaan Listrik Negara (PT. PLN (PERSERO) P3B Jawa-Bai) mengadakan peramaan beban istrik jauh sebeum waktunya. Banyak peneiti, yang meneiti beban istrik jangka pendek dengan metode Neura Network. Namun, kekurangan pada Neura Network sering mengaami overfitting karena overtrained (Santosa, 2007). Support Vector Machines (SVM) adaah suatu teknik untuk meakukan prediksi, baik daam 73

VOL. 3. NO. 1, AGUSTUS 2017 JURNAL ILMU PENGETAHUAN kasus kasifikasi maupun regresi, yang sangat popuar beakangan ini (Santosa, 2007). Pada SVM tidak mengena istiah overfitting karena overtrained, karena training peru diakukan sekai saja dan akan mendapatkan sousi optima. Berdasarkan uraian diatas, permasaahan yang muncu yaitu adanya kasus overfitting pada Neura Network karena adanya overtrained (menyebabkan training diakukan beruang kai baru mendapatkan sousi optima) (Santosa, 2007).Untuk mengatasi permasaahan tersebut, maka diperukan metode Support Vector Machines (SVM) untuk menemukan sousi optima secara goba. BAHAN DAN METODE Literatur-iteratur yang ada mengenai prediksi beban istrik jangka pendek, dibahas dengan berbagai macam metode. Peneitan yang diakukan oeh peneitipeneiti sebeumnya untuk memprediksi beban istrik jangka pendek, pernah diakukan oeh Mohsen Hayati & Yazdan Shirvany, 2007, dimana Permasaahan yang dibahas pada peneitian ini, berdasarkan pada Muti-Layer Perceptron (MLP) diatih dan diuji menggunakan tiga tahun (2004-2006) data untuk meramakan beban istrik 24 jam berikutnya. Peneitian ini menggunakan metode neura network. Hasinya MLP memiiki kesaahan peramaan yang keci dan dapat dianggap sebagai metode yang baik untuk mode sistem Short Term Load Forecasting (STLF). Peneitian berikutnya diakukan oeh G.A. Adepoju, S.O.A Ogunjuyigbe & K.O. Aawode, 2007. Pada peneitian ini, ada kecenderungan yang berkembang ke arah unbunding sistem keistrikan sehingga operasi dan perencanaan dari sebuah perusahaan utiitas istrik membutuhkan mode yang memadai untuk peramaan beban tenaga istrik. Peneitian ini menggunakan metode neura network. Hasi peneitian yang diperoeh dengan metode Neura Network yaitu dengan Absoute Mean Error 2.54%. Peneitian juga diakukan oeh Gwo- Ching Liao, 2011. Daam peneitian ini, adanya penggabungan metode Fuzzy Neura Networks (FNN) dengan Quatum Genetic Agorithm (QGA). Komparasi Fuzzy Neura Networks (FNN) dengan Quatum Genetic Agorithm (QGA). Hasi komparasi kedua metode mendapatkan rate ranging 6.2 % sampai 43.4%. Prediksi Beban Listrik Menurut (Marsudi, 2006) prakiraan permintaan beban istrik berdasarkan jangka waktu dapat dikeompokan daam : 1.Prakiraan beban jangka panjang (ong term) adaah prakiraan permintaan beban dengan jangka waktu di atas 1 (satu) tahun. 2.Prakiraan beban jangka menengah (medium term) adaah prakiraan permintaan beban dengan jangka waktu satu buan sampai dengan satu tahun. 3.Prakiraan beban jangka pendek (short term) adaah prakiraan permintaan beban dengan jangka waktu beberapa jam daam sehari sampai satu minggu. Metode Metode Backpropagation Pada Neura Network agoritma yang digunakan adaah backpropagation, Peatihan backpropagation meiputi tiga fase, yaitu: 1. Fase pertama adaah fase maju dimana poa masukan dihitung maju muai dari ayar masukan hingga ayar keuaran menggunakan fungsi aktivasi yang ditentukan. 2. Fase kedua adaah fase mundur, dimana seisih antara keuaran jaringan dengan target yang diinginkan merupakan kesaahan yang terjadi. Kesaahan tersebut dipropagasikan mundur, dimuai dari garis yang berhubungan angsung dengan unit-unit diayar keuaran. 3. Fase ketiga adaah modifikasi bobot untuk menurunkan kesaahan yang terjadi. Ketiga fase diatas diuang-uang terus hingga kondisi penghentian dipenuhi (jumah iterasi atau kesaahan). Langkah daam agoritma backpropagation adaah sebagai berikut (Myatt, 2007): 1. Inisiaisasi bobot jaringan secara acak (biasanya antara -0.1 sampai 1.0). 2. Untuk setiap data pada data training, hitung input untuk simpu berdasarkan niai input dan bobot jaringan saat itu, menggunakan rumus:... (1) 3. Berdasarkan input dari angkah dua, seanjutnya membangkitkan output untuk simpu menggunakan fungsi aktivasi sigmoid: (2) 4. Hitung niai Error antara niai yang diprediksi dengan niai yang sesungguhnya menggunakan rumus:.. (3) 74

JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 5. Seteah niai Error dihitung, seanjutnya dibaik keayer sebeumnya (backpropagated). Untuk menghitung niai Error pada hidden ayer, menggunakan rumus: (4) 6. Niai Error yang dihasikan dari angkah sebeumnya digunakan untuk memperbarui bobot reasi menggunakan rumus:. (5) Hasi akhir dari peneitian ini adaah berupa evauasi performa prediksi yaitu dengan Root Mean Square Error. Metode Support Vector Machine... (6) Daam Support Vector Machine (SVM), terdapat fungsi pemisah adaah fungsi inier g(x) sgn(f(x)).. (7) f(x) = w T x + b Secara matematika, formuasi probem optimisasi SVM untuk kasus kasifikasi inier di daam prima space adaah min 1 2 w 2.. (8) Subject to Y i (WX i + b) 1, i = 1,,.. (9) Dimana X i adaah data input, Y i adaah keuaran dari data X i, W, b adaah parameter-parameter yang kita cari niainya. Daam Formuasi diatas, kita ingin meminimakan fungsi tujuan (objective fuction) 1 2 w 2 atau memaksimakan kuantitas w 2 atau W T W dengan memperhatikan pembatas Y i (wx i + b) 1. Bia output data Y i = +1, maka pembatas menjadi (wx i + b) 1 sebaiknya bia Y i = 1,pembatas menjadi Y i (wx i + b) 1. Didaam kasus yang tidak feasibe (infisibe) dimana beberapa data mungkin tidak bisa dikeompokan secara benar, formuasi matematikanya menjadi berikut: min 1 W 2 2 + C t i..... (10) Subject to Y i (wx i + b) + t i 1...... (11) t i 0, i = 1,, dimana t i adaah variabe sack. Dengan formuasi ini dapat memaksimakan margin antara dua keas dengan meminimakan) w 2, Daam formuasi ini berusaha meminimakan kesaahan kasifikasi (miscassification error) yang dinyatakan dengan adanya variabe sack t i sementara daam waktu yang sama dapat memaksimakan margin 1 w. Penggunaan variabe sack t i adaahuntuk mengatasi kasus ketidakayakan (infeasibiity) dari pembatas y (constraints) i (wx i + b) 1 dengan cara memberi penati untuk data yang tidak memenuhi pembatas tersebut. Untuk meminimakan niai t i kita berikan pinati dengan menerapkan konstanta ongkos C. Vektor w tegak wx + b = 0. urus terhadap fungsi pemisah: Konstanta b menentukan okasi fungsi pemisah reatif terhadap titik asa (origin). Probem (10) adaah programa noninear. Ini bisa diihat dari fungsi tujuan (objective function) yang berbentuk kuadrat. Untuk menyeesaikannya ebih mudah dan efisien untuk diseesaikan, masaah ini bisa ditransformasikan ke daam dua space. Untuk itu, pertama kita ubah probem (12) menjadi fungsi Lagrangian : J(w, b, a) = 1 2 wt w i = 1 α i [y i (w t x i + b) 1] (12 dimana variabe non-negatif, αi dinamakan Lagrange mutipier. Sousi dari probem optimisasi dengan pembatas seperti di atas ditentukan dengan mencari sadde point dari fungsi Lagrangian J(w, b, α). Fungsi ini harus diminimakan terhadap variabe w dan b dan harus dimaksimakan terhadap variabe α. Kemudian cari turunan pertama dari fungsi J(w, b, α) terhadap variabe w dan b kita samakan dengan 0. Dengan meakukan proses ini, kita akan mendapatkan dua kondisi optimaitas berikut: 1. Kondisi 1: J(w,bα) w = 0 75

VOL. 3. NO. 1, AGUSTUS 2017 JURNAL ILMU PENGETAHUAN 2. Kondisi 2: J(w,bα) b = 0 Penerapan kondisi optimaitas 1 pada fungsi Lagrarian (12) akan menghasikan w = α i y i x i Penerapan kondisi optimaitas 2 pada fungsi Lagrarian (12) akan menghasikan α i y i = 0 Untuk mendapatkan probem dua dari probem kita, kita jabarkan persamaan (14), sebagai berikut: J(w, b, α) = 1 2 wt w b α i y i + α i α i y i W T X i (15) Menurut kondisi optimaitas ke dua daam (14), term ketiga sisi sebeah kanan daam persamaan di atas sama dengan 0. Dengan memakai niainiai W di (2.5), kita dapatkan w T w = α i y i w T x i α i α j y i y j x T i x j (16) Maka persamaan (15) menjadi Q(α) = α i 1 y 2 i,j=1 iy j α i α j x T i x j (17) Seanjutnya kita dapatkan formuasi dua dari probem (10): max α i 1 y 2 i,j=1 i y j α i α j x T i x j Subject to α i y i = 0 0 α i= i = 1,, (13) (14) (18) dimana k adaah fungsi kerne yang dijeaskan daam bagian (12) formuasi (17) adaah Quadratic Programming (QP) dengan pembatas (Constraint) inear. Meatih SVM equivaen dengan menyeesaikan probem convex optimization. Karena itu sousi dari SVM adaah unik (dengan asumsi bahwa k adaah posisitve definite) dan goba optima. Untuk mengukur seberapa baik mode yang digunakan,maka diakukan penghitungan seberapa besar niai error yang ada pada data tersebut dengan rumus sebagai berikut: n MSE = 1 n (Y i Y i ) 2 Seteah dihitung MSE, maka angkah seanjutnya adaah menghitung RMSE, dengan rumus sebagai berikut: Metode Kerne RMSE = SME Banyak teknik data mining atau machine earning yang dikembangkan dengan asumsi keinearan. Sehingga agoritma yang dihasikan terbatas untuk kasus-kasus yang inear. Karena itu, bia suatu kasus kasifikasi memperihatkan ketidakinearan, agoritma perceptron tidak bisa mengatasinya. Secara umum, kasus-kasus di dunia nyata adaah kasus yang tidak inear saah satu cara untuk mengatasinya adaah dengan metode kerne. Dengan metode kerne suatu data xdi input space dimapping ke feature space F dengan dimensi yang ebih tinggi meaui map φsebagai berikut φ: x φ(x). Karena itu data x di input space menjadi φ(x)di feateure space Sering kai fungsi φ(x) tidak tersedia atau tidak bisa dihitung. Tetapi dot product dari dua vektor dapat dihitung baik daam input space maupun di feature space. Fungsi kerne yang biasa digunakan daam iteratur SVM: Linear : x T x Poynomia : (x T x i + 1) p Radia basis function: (RBF): exp ( 1 2σ 2 x x i 2 ) (19) (20) Tangen hyperboe (sigmoid): tanh((βx T x i + β 1 ) dimana β, β 1 R? Fungsi kerne mana yang harus digunakan untuk subtitusi dot product di feature space sangat bergantung pada data. Pada Persiapan data awa, data set yang digunakan adaah data per-30 menit, kemudian pada data set tersebut diakukan transform dengan sigmoid biner sehingga pada data set yang akan dioah berada pada range [0,1..0,9]. 76

JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 Start Variabe input dan target di dataset Menentukan Parameter Tidak Kerne type dot? Ya Hitung Niai Error Gambar 1. Data kemampuan beban sistem harian per-30 menit pada buan Januari Pada Gambar 1 menunjukan data beban sistem harian per-30 menit pada saah satu atribut yang ada data kemampuan beban sistem harian yaitu atribut X1, titik yang paing atas menunjukan beban puncak istrik pada setiap harinya. Gambar 2. Data target prediksi beban istrik Pada Gambar 2 menunjukan data target prediksi beban istrik berdasarkan data kemampuan beban sistem harian per-30 menit. Hitung RMSE Ouput yang dihasikan berupa performance vector RMSE Gambar 3. Metode yang diusukan Gambar 3 menggambarkan metode yang diusukan daam peneitian ini metode Support Vector Machines dengan parameter yang digunakan adaah kerne type dengan range dot sampai didapatkan hasi berupa mode yang digunakan untuk memprediksi beban istrik jangka pendek. Kemudian berdasarkan data tersebut, untuk menjawab permasaahan yang teah diuraikan diatas maka, diakukan pegujian data set dengan dua metode yaitu Neura Network dengan agoritma backpropagation yang meiputi 3 fase maju, fase mundur dan fase perbaikan bobot dan bias. Dan metode Support Vector Machines dengan parameter yang digunakan adaah kerne type dengan range dot. HASIL DAN PEMBAHASAN Hasi eksperimen dengan Neura Network dengan indikator yang ada dan data set dengan varibe x1-x12 dan target sebagai abe. Daam pengujian dengan metode ini, setiap indikator yang ada dioah kembai untuk mendapatkan hasi RMSE dengan niai terendah. Hasi akhir pada Neura Network didapat arsitektur jaringan terbaik yaitu dengan RMSE yang dihasikan 0.035. End 77

VOL. 3. NO. 1, AGUSTUS 2017 JURNAL ILMU PENGETAHUAN dan hasi pengujian dengan menggunakan metode Support Vector Machine (SVM) didapatkan RMSE terendah yaitu 0.034. Dengan demikian dari hasi pengujian dapat disimpukan bahwa Support Vector Machine (SVM) memberikan pemecahan untuk prediksi beban istrik jangka pendek ebih akurat jika dibandingkan dengan Neura Network. REFERENSI Adepoju, A, G. Ogunjuyigbe, A, O, S. Aawode, O, K. 2007. Appication of Neura Network to Load Forecasting in Nigerian Eectrica Power System.The Pacific Journa of Science and Technoogy.8(1): 68-72. Gambar 4 Arsitektur Jaringan yang didapat dari Hasi Eksperimen Dengan parameter yang digunakan yaitu : Training cyces : 100 Learning rate : 0.1 Momentum : 0.4 Jumah Hidden ayer : 1 Size hidden ayer : 3 Hasi eksperimen dengan Support Vector Machine dengan parameter kerne type dengan range dot dan data set dengan varibe x1-x12 dan target sebagai abe, berikut penentuan parameternya: Tabe 1. Parameter Support Vector Machine hasi eksperimen Niai Parameter C RMSE 0.001 0.041 0.005 0.035 0.01 0.035 0.02 0.034 0.1 0.034 0.5 0.034 1.0 0.035 2.0 0.035 10 0.041 100 0.049 KESIMPULAN Berdasarkan hasi ujicoba dan anaisis prediksi beban istrik menggunakan metode Neura Network dan metode Support Vector Machine dapat disimpukan bahwa pengujian dengan Neura Network yaitu menghasikan RMSE 0.035 Apriana, V., & Handayani, R. I. (2017). Laporan Kemajuan PDP 2017-Anaisis Agoritma Prediksi Untuk Menghasikan Prediksi Beban Listrik Jangka Pendek. Jakarta: AMIK BSI Jakarta Hayati, Mohsen &Shirvany, Yazdan. (2007). Artficia Neura Network Approach for Short Term Load Forecasting for Iam Region. Word Academy of Science, Engineering and Technoogy. 28. Liao, Warren. T. &Triantaphyou.Evangeos. (2007). Recent Advances in Data Mining of Enterprise Data: Agorithms and Appications. Series : Computer and Operation Research. Marsudi, Djiteng. (2006). Operasi Sistem Tenaga Listrik. Yogyakarta: GrahaImu. Myatt, Genn J. (3rd ed). (2007). Making Sense of Data: A Practica Guide to Exporatory Data Anaysis and Data Mining. New Jersey: John Wiey & Sons, Inc.Mitche, T.R., & Larson, J.R. (1987). Peope in organizations: An Introduction to organizationa behavior. New York: McGraw-Hi. Santosa, Budi. (2007). Data mining Teknik Pemanfaatan Data untuk Keperuan Bisnis. Yogyakarta: GrahaImu. Witten, H, Ian & Frank, Eibe. (2 nd ed). (2005). Data Mining Practica Machine Learning Toos and Techniques..San Francisco: Morgan Kaufmann. 78