Artificial Immune System (AIS) · Penentuan parameter dengan Metode Optimisasi Fuzzy Linear...

Peramalan Beban Jangka Pendek untuk Hari-hari Libur Menggunakan Fuzzy Linear Regression (FLR) yang dioptimisasi

dengan Artificial Immune System (AIS)( Studi Kasus di Kalimantan Selatan - Tengah )

Oleh:

Dessy Rika Astuti

2205 100 055

Dosen Pembimbing :

Prof. Dr. Ir. Imam Robandi, MT

Oleh:

Dessy Rika Astuti

2205 100 055

Dosen Pembimbing :

Prof. Dr. Ir. Imam Robandi, MT

LATAR BELAKANG

KalSel-Teng

Permintaan bebanyang meningkat

Penyediaanlistrik oleh PLN

Ketidakmampuanpembangkit Pemadaman

Solusi :

Peramalan beban jangka pendek

Fluktuasi bebanpada hari libur

Solusi......????

Macam- macam Peramalan Beban :• Peramalan beban jangka pendek (short-term load

forecasting) yang meramalkan beban dalamjangka waktu perjam hingga perminggu.

• Peramalan beban jangka menengah (medium-term load forecasting) yang meramalkan bebandalam jangka waktu mingguan hingga 1 tahun.

• Peramalan beban jangka panjang (long-term load forecasting) yang meramalkan beban tahunanatau lebih dari satu tahun kedepan.

• Peramalan beban jangka pendek (short-term load forecasting) yang meramalkan beban dalamjangka waktu perjam hingga perminggu.

• Peramalan beban jangka menengah (medium-term load forecasting) yang meramalkan bebandalam jangka waktu mingguan hingga 1 tahun.

• Peramalan beban jangka panjang (long-term load forecasting) yang meramalkan beban tahunanatau lebih dari satu tahun kedepan.

LATAR BELAKANG

Peramalan yang telah dilakukan [8]:

• Fuzzy Linear Regression (FLR)

Rata-rata error beban puncak = 4.545 %

Peramalan yang dilakukan :

• Fuzzy Linear Regression (FLR) dengan MetodeOptimisasi Artificial Immune System (AIS) via ClonalSelection Algorithm (CSA)


Peramalan yang telah dilakukan [8]:

• Fuzzy Linear Regression (FLR)


Peramalan yang dilakukan :

• Fuzzy Linear Regression (FLR) dengan MetodeOptimisasi Artificial Immune System (AIS) via ClonalSelection Algorithm (CSA)


LATAR BELAKANG

Parameter FuzzyParameter FuzzyPenelitian sebelumnya,

parameter fuzzy ditentukandengan Metode Simplek [8]

Penelitian sebelumnya, parameter fuzzy ditentukandengan Metode Simplek [8]

Penentuan parameter dengan Metode Optimisasi


Fuzzy Linear Regression (FLR)

Fuzzy Linear Regression (FLR)

Artificial Immune System (AIS) merupakan algoritma optimisasi yang digunakanuntuk mengoptimisasi parameter fuzzy dan tidak terjebak dalam lokal optimum.



[8] Agus Dharma, Mauridhi Hery P, Imam Robandi, “Peramalan Beban Jangka Pendek untuk Hari-hari Libur Menggunakan MetodeFuzzy Linear Regression (Studi Kasus di Pulau Bali)”, Seminar Teknik Elektro Universitas Negeri Surabaya, 2006.

TUJUAN

Tujuan Penelitian :Menyelesaikan permasalahan peramalan beban jangka pendek pada hari-hari libur di Kalimantan Selatan-Tengah dengan menggunakan metode FLR-AIS, dan membandingkan peramalan FLR (metode simplek) dengan FLR-AIS.

Tujuan Penelitian :Menyelesaikan permasalahan peramalan beban jangka pendek pada hari-hari libur di Kalimantan Selatan-Tengah dengan menggunakan metode FLR-AIS, dan membandingkan peramalan FLR (metode simplek) dengan FLR-AIS.

Tujuan Peramalan Beban:Mempersiapkan unit-unit pembangkit yang akan beroperasi.Tujuan Peramalan Beban:Mempersiapkan unit-unit pembangkit yang akan beroperasi.

KONTRIBUSI

Di Sisi Demand :Terpenuhinya penyesuaian antara permintaan dan pembangkitan energi.Di Sisi Demand :Terpenuhinya penyesuaian antara permintaan dan pembangkitan energi.

Di Sisi Sistem Tenaga :1. Ketepatan pengaturan jadwal pengiriman daya.2. Perencanaan pemeliharaan unit-unit pembangkit dan evaluasi

keandalan sistem.

Di Sisi Sistem Tenaga :1. Ketepatan pengaturan jadwal pengiriman daya.2. Perencanaan pemeliharaan unit-unit pembangkit dan evaluasi

keandalan sistem.

BATAS MASALAH

1. Data yang diambil adalah data dari PT. PLN (Persero), AreaPengatur dan Penyalur Beban (AP2B) Kalimantan Selatan-Tengah, yaitu data beban harian tiap satu jam dari hari H-4sampai hari H selama tahun 2005 sampai dengan 2009.

2. Data diolah dengan menggunakan metode Fuzzy LinearRegression (FLR) dengan menggunakan Artificial ImmuneSystem (AIS) via Clonal Selection Algorithm (CSA) untukoptimisasi parameternya.

3. Data diprediksi berdasarkan hari libur nasional kemudiandievaluasi terhadap realisasi data beban.

4. Hasil peramalan diolah menggunakan program MATLAB.

1. Data yang diambil adalah data dari PT. PLN (Persero), AreaPengatur dan Penyalur Beban (AP2B) Kalimantan Selatan-Tengah, yaitu data beban harian tiap satu jam dari hari H-4sampai hari H selama tahun 2005 sampai dengan 2009.

2. Data diolah dengan menggunakan metode Fuzzy LinearRegression (FLR) dengan menggunakan Artificial ImmuneSystem (AIS) via Clonal Selection Algorithm (CSA) untukoptimisasi parameternya.

3. Data diprediksi berdasarkan hari libur nasional kemudiandievaluasi terhadap realisasi data beban.

4. Hasil peramalan diolah menggunakan program MATLAB.

KAJIAN TEORI

FLR-AIS

Fuzzy linear Regression(FLR)

Fuzzy linear Regression(FLR)

FLR-AIS

Peramalan beban

Artificial Immune System(AIS)

Artificial Immune System(AIS)

FLR-AISFLR-AIS

OptimisasiParameter Fuzzy

KAJIAN TEORI

FLR-AIS

Start

Input Data Beban Puncak

Bentuk Bilangan –bilangan Fuzzy Segitiga :

Xi: (xi, i) dan Yi: (yi, ei)

Dapatkan Nilai Optimum dari :

A0: (a0,0) dan A1: (a1, 1)

Dengan Metode AIS (CSA)

Yi = A0 (A1 Xi)

A



M

mmmmx i

4

4321

4

)()()()( 22224321

iMm

iMm

iMm

iMm

i

xxxx

25 5 )y( e dan M

m y iM

mii

Peramalan Beban

Error

Stop

A

KAJIAN TEORI

FUZZY LINEAR REGRESSION (FLR)

REGRESI LINEAR REGRESI LINEAR FUZZY (FLR)

3.5

4

4.5

Series 1

. 0.8

1

Series 1

.

0

0.5

1

1.5

2

2.5

3

3.5

x1 x2 x3 x4 x5

Series 1

.. .

...

. .

0

0.2

0.4

0.6

0.8

x1 x2 x3 x4 x5

Series 1

.

.

.

..

.

..


• Gambar Keanggotaan dari Koefisien Fuzzy :

KAJIAN TEORI

~A

1.0

0

pi

a

~iA

cici

1

~

ebaliknya

| |1

( )

0

i i

i i i i i

A i i

s

p ap c x p c

a c

• Gambar Keanggotaan dari Koefisien Fuzzy :

~A

1.0

0

pi

a

~iA

cici

1

~

ebaliknya

| |1

( )

0

i i

i i i i i

A i i

s

p ap c x p c

a c

Y = A0 + A1 x

KAJIAN TEORI


Fungsi objektif :

m

j

n

iiji xcO

1 1min

n

i iji xp1

n

i iji xc1

n

i iji xc1

Fungsi output fuzzy

Batasan-batasan :

n

i

n

iijiijij xchxpy

1 1)1(

n

i

n

iijiijij xchxpy

1 1)1(


Konsep Peramalan Beban dengan FLR : Bentuk Bilangan – bilangan Fuzzy Segitiga :

Xi: (xi,i) dan Yi: (yi, ei)

Nilai optimal :A0: (a0, 0) dan A1: (a1, 1)Dengan Metode Pemrograman Linier :Yi =

= ( a0 + a1xi, max (0, |a1|i, 1|xi|) )

KAJIAN TEORI

Konsep Peramalan Beban dengan FLR : Bentuk Bilangan – bilangan Fuzzy Segitiga :

Xi: (xi,i) dan Yi: (yi, ei)

Nilai optimal :A0: (a0, 0) dan A1: (a1, 1)Dengan Metode Pemrograman Linier :Yi =

= ( a0 + a1xi, max (0, |a1|i, 1|xi|) )


• Prediksi maksimum beban puncak pada harilibur :

P*Max = Y4 x PWD

Max

• Error dari peramalan :

KAJIAN TEORI

• Prediksi maksimum beban puncak pada harilibur :

P*Max = Y4 x PWD

Max

• Error dari peramalan :

Keterangan :• Xi: (xi,i) = Anggota rata-rata dan simpangan baku dari

beban puncak harian untuk 4 hari sebelum harilibur.

• Yi: (yi, ei) = Informasi saat hari libur, menyatakan rata-rata dan simpangan baku dari beban puncak saathari libur.

• m1,m2,m3,m4 = beban puncak harian untuk 4 harisebelum hari libur

• M = beban paling besar diantara 4 nilai-nilai dari bebanpuncak harian

• m5 = beban puncak dari hari libur• PWD

Max = beban maksimum dari empat hari sebelumhari hari libur.

• P*Max = ramalan beban maksimum hari libur.• Jika X4 menjadi masukan data fuzzy untuk beban maksimum dari

4 hari sebelum hari libur , maka Y4 = nilai perkiraan.

Keterangan :• Xi: (xi,i) = Anggota rata-rata dan simpangan baku dari

beban puncak harian untuk 4 hari sebelum harilibur.

• Yi: (yi, ei) = Informasi saat hari libur, menyatakan rata-rata dan simpangan baku dari beban puncak saathari libur.

• m1,m2,m3,m4 = beban puncak harian untuk 4 harisebelum hari libur

• M = beban paling besar diantara 4 nilai-nilai dari bebanpuncak harian

• m5 = beban puncak dari hari libur• PWD

Max = beban maksimum dari empat hari sebelumhari hari libur.

• P*Max = ramalan beban maksimum hari libur.• Jika X4 menjadi masukan data fuzzy untuk beban maksimum dari

4 hari sebelum hari libur , maka Y4 = nilai perkiraan.

ARTIFICIAL IMMUNE SYSTEM (AIS)

Clonal Selection :

Clonal selection adalah prosesyang digunakan oleh sistemkekebalan untuk memilihantibodi yang dapatmengenali antigen.

Antigen Seleksi

Berkembangbiak

(Cloning)

Pembedaan

respon

Plasma Cells

Memory Cells

M M

Populasi Antibody

KAJIAN TEORI

Clonal Selection :

Clonal selection adalah prosesyang digunakan oleh sistemkekebalan untuk memilihantibodi yang dapatmengenali antigen.

Antigen Seleksi

Berkembangbiak

(Cloning)

Pembedaan

respon

Plasma Cells

Memory Cells

M M

Populasi Antibody

1. Pengkodean Input AntigenBerupa 4 parameter fuzzy :

a0 , 0 , a1 , 1

2. Inisialisasi Populasi AntibodiPengkodean : real - number encodingUkuran populasi antibodi : 40

Immune=Rb + (Ra - Rb)* rand (Num_Ab,Cell)

3. Perhitungan AffinityEvaluasi bagus atau jeleknya antibodi sesuai affinity.

KAJIAN TEORI


1. Pengkodean Input AntigenBerupa 4 parameter fuzzy :

a0 , 0 , a1 , 1

2. Inisialisasi Populasi AntibodiPengkodean : real - number encodingUkuran populasi antibodi : 40

Immune=Rb + (Ra - Rb)* rand (Num_Ab,Cell)

3. Perhitungan AffinityEvaluasi bagus atau jeleknya antibodi sesuai affinity.

| ( ) ( ) |(%) 100%

( )

Forecast Actual

Actual

p t P tError x

P t

4. Kloning

• Diambil 12 % (pc= 0.12) antibodi terbaik (sekitar 5 antibodi).

• Dikloning 8x tiap kandidat.


KAJIAN TEORI

0.7022 4.9063 8.6436 3.9986....

1.7325 4.0960 9.0055 4.50184.8452 0.8142 7.9604 18.48070.8499 5.8127 12.3911 14.80260.5881 6.4059 18.9210 1.7870

0.7022 4.9063 8.6436 3.9986....

1.7325 4.0960 9.0055 4.50184.8452 0.8142 7.9604 18.48070.8499 5.8127 12.3911 14.80260.5881 6.4059 18.9210 1.7870

8x

5. Hypermutasi

Affinity bagus=peluang mutasi kecil, dan sebaliknya.

6. Seleksi Ulang

Populasi antibodi setelah proses hypermutasi akan diurutkankembali berdasarkan nilai affinity.


KAJIAN TEORI

5. Hypermutasi

Affinity bagus=peluang mutasi kecil, dan sebaliknya.

6. Seleksi Ulang

Populasi antibodi setelah proses hypermutasi akan diurutkankembali berdasarkan nilai affinity.

Start

Input Data Beban Puncak



M

mmmmx i

4

4321

4

)()()()( 22224321

iMm

iMm

iMm

iMm

i

xxxx

25 5 )y( e dan M

m y iM

mii

A

Max Iterasi

Kloning

Hypermutasi

Populasi antibodisolusi terbaik

Beban Puncak HariLibur Diestimasi Oleh :

P*Max = Y4 x PWD

Max

Tidak

Ya

FLR-AIS

25 5 )y( e dan M

m y iM

mii

Dapatkan Nilai Optimum dari :

A0: (a0,0) dan A1: (a1, 1)

Dengan Metode pemrograman Linear :

Yi = A0 (A1 Xi)

Inisialisasi awal dari populasiantibodi

A

SeleksiUlang

Beban Puncak HariLibur Diestimasi Oleh :

P*Max = Y4 x PWD

Max

Error

Stop

Flowchart FLR-AIS

HASIL DAN PEMBAHASAN

• Optimisasi dilakukan untuk mencari nilaioptimum dari 4 parameter fuzzy, yaitu parameter a0,0 dan a1, 1

• Simulasi :1. 3 tahun sebelumnya2. 2 tahun sebelumnya

• Pengambilan data :1. Data Training 2. Data Testing

• Optimisasi dilakukan untuk mencari nilaioptimum dari 4 parameter fuzzy, yaitu parameter a0,0 dan a1, 1

• Simulasi :1. 3 tahun sebelumnya2. 2 tahun sebelumnya

• Pengambilan data :1. Data Training 2. Data Testing


No. Nama

2009

Error (%) Error (%)

FLR-Simpek FLR-AIS

1 Idul Adha5.80 1.56

5.80 7.56

2 Muharam5.79 3.82

5.88 1.65

3 Maulid Nabi 6.22 1.670 2 4 6 8 10 12 14 16 18 20

0

2

4

6

8

10

12

14

16

18

20Grafik Konvergensi Artificial Immune System

Iterasi

erro

r

Data training : 2006-2008Data testing : 2009

Gambar 1. Grafik Konvergensi Nyepi4 Isra' Mi'raj 5.88 7.21

5 Idul Fitri 6.22 1.85

6 Tahun Baru 6.23 5.60

7 Proklamasi 6.17 3.28

8 Wafat 5.79 3.31

9 Kenaikan 6.58 7.39

10 Natal 6.23 2.89

11 Imlek 5.81 2.12

12 Waisak 5.78 4.41

13 Nyepi 6.70 0.83

Tertinggi 6.70 7.56

Terendah 5.78 0.83

Error Rata-rata 6.06 3.68

210.00

260.00

FLR-AIS (MW)

Realisasi (MW)

Tabel 1. Perbandingan error

Gambar 1. Grafik Konvergensi Nyepi

Gambar 2. Kurva Hasil Ramalan dan Data Real


No. Nama

2008

Error (%) Error (%)

FLR-Simpek FLR-AIS


1.62 0.52

2 Muharam5.47 4.30

5.93 4.72

3 Maulid Nabi 2.03 1.97

Isra' Mi'raj 3.41 2.270 2 4 6 8 10 12 14 16 18 20

0

2

4

6

8

10

12

14


Iterasi

erro

r


4 Isra' Mi'raj 3.41 2.27




8 Wafat 1.15 0.08


10 Natal 5.23 4.79

11 Imlek 1.87 0.16

12 Waisak 2.68 2.01

13 Nyepi 7.89 7.71

Tertinggi 8.99 8.57

Terendah 1.15 0.08


0 2 4 6 8 10 12 14 16 18 200

2

4

6

8

10

12

14


Iterasi

erro

r

175.00

225.00

275.00

Idul

Adh

a

Muh

aram

Mau

lid N

abi

Isra

' Mi'r

ajId

ul F

itri

Tahu

n Ba

ruPr

okla

mas

i W

afat

Kena

ikan

N

atal

Imle

kW

aisa

kN

yepi

FLR-AIS (MW)

Realisasi (MW)


Gambar 3. Grafik Konvergensi Wafat YK



No. Nama

2009

Error (%) Error (%)

FLR-Simpek FLR-AIS

1 Idul Adha 6.98 5.37

2 Muharam6.04 5.02

5.19 0.19


4 Isra' Mi'raj 6.39 8.660 2 4 6 8 10 12 14 16 18 20

0

5

10

15

20


Iterasi

erro

r


4 Isra' Mi'raj 6.39 8.66




8 Wafat 7.42 2.91


10 Natal 5.95 3.57

11 Imlek 6.90 2.97

12 Waisak 9.03 4.52

13 Nyepi 6.61 1.07

Tertinggi 9.03 8.66

Terendah 4.15 0.19


0 2 4 6 8 10 12 14 16 18 200

5

10

15

20


Iterasi

erro

r

200.00

250.00Id

ul A

dha

Muh

aram

Mau

lid N

abi

Isra

' Mi'r

aj

Idul

Fitr

i

Tahu

n Ba

ru

Prok

lam

asi

Waf

at

Kena

ikan

Nat

al

Imle

k

Wai

sak

Nye

pi

FLR-AIS (MW)

Realisasi (MW)


Gambar 5. Grafik Konvergensi Muharam



No. Nama

2008

Error (%) Error (%)

FLR-Simpek FLR-AIS


4.62 1.33

2 Muharam4.43 1.54

12.25 9.64


4 Isra' Mi'raj 5.98 3.410 2 4 6 8 10 12 14 16 18 20

0

2

4

6

8

10

12

14

16

18


Iterasi

erro

r


4 Isra' Mi'raj 5.98 3.41




8 Wafat 2.01 2.19


10 Natal 4.01 1.49

11 Imlek 2.01 1.07

12 Waisak 3.10 1.23

13 Nyepi 9.83 4.02

Tertinggi 12.98 9.64

Terendah 1.99 0.07


0 2 4 6 8 10 12 14 16 18 200

2

4

6

8

10

12

14

16

18


Iterasi

erro

r

150.00

200.00

250.00

FLR-AIS (MW)

Realisasi (MW)


Gambar 7. Grafik Konvergensi Tahun Baru



No. Nama

2007

Error (%) Error (%)

FLR-Simpek FLR-AIS


4.74 2.34

2 Muharam 5.26 0.01


4 Isra' Mi'raj 5.06 0.090 2 4 6 8 10 12 14 16 18 20

0

2

4

6

8

10

12


Iterasi

erro

r


Gambar 9. Grafik Konvergensi Muharam5.06 0.09




8 Wafat 5.17 0.44


10 Natal 9.73 3.77

11 Imlek 5.51 0.29

12 Waisak 5.89 0.31

13 Nyepi 5.27 2.48

Tertinggi 9.73 8.57

Terendah 4.74 0.01


190.00

240.00Id

ul A

dha

Muh

aram

Mau

lid N

abi

Isra

' Mi'r

ajId

ul F

itri

Tahu

n Ba

ruPr

okla

mas

i W

afat

Kena

ikan

N

atal

Imle

kW

aisa

kN

yepi

FLR-AIS (MW)

Realisasi (MW)


Gambar 9. Grafik Konvergensi Muharam



300.00

Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi BebanPeriode 2006-2009.

200.00

250.00

FLR-AIS (MW)

Realisasi (MW)

FLR-Simplek (MW)




275.00

175.00

225.00

FLR-AIS (MW)

Realisasi (MW)

FLR-Simplek (MW)




300.00

200.00

250.00FLR-AIS (MW)

Realisasi (MW)

FLR-Simplek (MW)




250.00

300.00

150.00

200.00

FLR-AIS (MW)

Realisasi (MW)

FLR-Simplek (MW)




275.00

175.00

225.00

FLR-AIS (MW)

Realisasi (MW)

FLR-Simplek (MW)


KESIMPULAN DAN SARAN

AIS cocok digunakan sebagai metode optimisasi peramalanbeban karena menghasilkan error minimum.

Kelebihan metode AIS dalam optimisasi adalah prosespencariannya yang secara global pada proses training-nya.

Peramalan dengan metode simplek, diperoleh rata-rataerror sebesar 5.64% (Sistem KalSel-Teng).

Peramalan dengan metode FLR-AIS (CSA), diperoleh rata-rata error sebesar 3.89% (Sistem KalSel-Teng).

KESIMPULAN

AIS cocok digunakan sebagai metode optimisasi peramalanbeban karena menghasilkan error minimum.

Kelebihan metode AIS dalam optimisasi adalah prosespencariannya yang secara global pada proses training-nya.

Peramalan dengan metode simplek, diperoleh rata-rataerror sebesar 5.64% (Sistem KalSel-Teng).

Peramalan dengan metode FLR-AIS (CSA), diperoleh rata-rata error sebesar 3.89% (Sistem KalSel-Teng).

SARAN

Dapat dikembangkan dengan metode lain, seperti FLR-PSO atauSVR-AIS.

DAFTAR PUSTAKA[1] H. Tanaka, S. Uejima, and K. Asai,”Linear regression analysis with fuzzy model,” IEEE Trans. Syst. Man

Cybern., vol.12, pp.1291-1294, Dec, 1982.

[2] H. Tanaka and J. Watada,”Possibilistic linear systems and their application to linear regression model,” Fuzzy Sets andSyst., vol.27, pp.275-289, 1988.

[3] J. Nazarko and W. Zalewski,” The fuzzy regression approach to peak load estimation in power distribution systems,”IEEE Trans. Power Syst., vol. 14, pp.809-814, Aug, 1999.

[4] _____,”An application of the fuzzy regression analysis to the electrical load estimation,” in Proc. 8th MediterraneanElectrotechnical Conf. MELECON’96—Industrial Application in Power System , Computer Science andtelecommunications, Bari, Italy, May 1996, pp.1563-1566.

[5] Kyung-Bin Song et al, “Short-term load forecasting for the holidays Using Fuzzy Linear Regression Method,” IEEE Trans.Power Syst., vol. 20, pp.96-101, Feb, 2005.

[6] Timothy J Ross, “Fuzzy Logic with Engineering Appications”, McGraw-Hill, Singapore, 1997

[7] D. H. Hong et al.,”Fuzzy linear regression analysis for fuzzy input-output data using shape preserving operations,” FuzzySets and Syst., vol.122, pp.513-526, Sept. 2001.

[8] Agus Dharma, Mauridhi Hery P, Imam Robandi,.“Peramalan Beban Jangka Pendek Untuk Hari-hari Libur MenggunakanMetode Fuzzy Linear Regression (Study Kasus di Pulau Bali)”, Seminar Teknik Elektro Universitas Negeri Surabaya, 2006.

[9] De Castro, L. N. and Von Zuben, F. J, “Artificial Immune System: Part I – Basic Theory and Applications”, Technical Report– RT DCA 01/99. 1999.

[10] Tonegawa, S. (1983), “Somatic Generation of Antibody Diversity”, Nature, 302, pp. 575-581.

[11] Tonegawa, S. (1985), “The Molecules of the Immune System”, Scientific American, 253(4), pp. 104-113.

[12] Janeway Jr, C. A. & P. Travers (1997), “Immunobiology The Immune System in Health and Disease”, Artes Médicas (inPortuguese), 2nd Ed.

[13] Perelson, A. S. & Weisbuch, G. (1997), “Immunology for Physicists”, Rev. of Modern Physics, 69(4), pp. 1219-1267.

[14] De Castro, L. N. and Von Zuben, F. J, “Learning and Optimization Using the Clonal Selection Principle’, IEEE Transactionon Evolutionary Computation, Vol.6, No. 3, pp. 239-251, 2002.

[1] H. Tanaka, S. Uejima, and K. Asai,”Linear regression analysis with fuzzy model,” IEEE Trans. Syst. ManCybern., vol.12, pp.1291-1294, Dec, 1982.

[2] H. Tanaka and J. Watada,”Possibilistic linear systems and their application to linear regression model,” Fuzzy Sets andSyst., vol.27, pp.275-289, 1988.

[3] J. Nazarko and W. Zalewski,” The fuzzy regression approach to peak load estimation in power distribution systems,”IEEE Trans. Power Syst., vol. 14, pp.809-814, Aug, 1999.

[4] _____,”An application of the fuzzy regression analysis to the electrical load estimation,” in Proc. 8th MediterraneanElectrotechnical Conf. MELECON’96—Industrial Application in Power System , Computer Science andtelecommunications, Bari, Italy, May 1996, pp.1563-1566.

[5] Kyung-Bin Song et al, “Short-term load forecasting for the holidays Using Fuzzy Linear Regression Method,” IEEE Trans.Power Syst., vol. 20, pp.96-101, Feb, 2005.

[6] Timothy J Ross, “Fuzzy Logic with Engineering Appications”, McGraw-Hill, Singapore, 1997

[7] D. H. Hong et al.,”Fuzzy linear regression analysis for fuzzy input-output data using shape preserving operations,” FuzzySets and Syst., vol.122, pp.513-526, Sept. 2001.

[8] Agus Dharma, Mauridhi Hery P, Imam Robandi,.“Peramalan Beban Jangka Pendek Untuk Hari-hari Libur MenggunakanMetode Fuzzy Linear Regression (Study Kasus di Pulau Bali)”, Seminar Teknik Elektro Universitas Negeri Surabaya, 2006.

[9] De Castro, L. N. and Von Zuben, F. J, “Artificial Immune System: Part I – Basic Theory and Applications”, Technical Report– RT DCA 01/99. 1999.

[10] Tonegawa, S. (1983), “Somatic Generation of Antibody Diversity”, Nature, 302, pp. 575-581.

[11] Tonegawa, S. (1985), “The Molecules of the Immune System”, Scientific American, 253(4), pp. 104-113.

[12] Janeway Jr, C. A. & P. Travers (1997), “Immunobiology The Immune System in Health and Disease”, Artes Médicas (inPortuguese), 2nd Ed.

[13] Perelson, A. S. & Weisbuch, G. (1997), “Immunology for Physicists”, Rev. of Modern Physics, 69(4), pp. 1219-1267.

[14] De Castro, L. N. and Von Zuben, F. J, “Learning and Optimization Using the Clonal Selection Principle’, IEEE Transactionon Evolutionary Computation, Vol.6, No. 3, pp. 239-251, 2002.

PENUTUP

Sekian dan terima kasih….

Artificial Immune System (AIS) · Penentuan parameter dengan Metode Optimisasi Fuzzy Linear...

Documents

Transcript of Artificial Immune System (AIS) · Penentuan parameter dengan Metode Optimisasi Fuzzy Linear...