Artificial Immune System (AIS) · Penentuan parameter dengan Metode Optimisasi Fuzzy Linear...
Transcript of 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)
Rata-rata error beban puncak = 3.89 %
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)
Rata-rata error beban puncak = 3.89 %
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
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.
Penentuan parameter dengan Metode Optimisasi
Penentuan parameter dengan Metode Optimisasi
[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
Bentuk Bilangan –bilangan Fuzzy Segitiga :
Xi: (xi, i) dan Yi: (yi, ei)
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
.
.
.
..
.
..
FUZZY LINEAR REGRESSION (FLR)
• 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
FUZZY LINEAR REGRESSION (FLR)
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(
FUZZY LINEAR REGRESSION (FLR)
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|) )
FUZZY LINEAR REGRESSION (FLR)
• 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
ARTIFICIAL IMMUNE SYSTEM (AIS)
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.
ARTIFICIAL IMMUNE SYSTEM (AIS)
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.
ARTIFICIAL IMMUNE SYSTEM (AIS)
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
Bentuk Bilangan –bilangan Fuzzy Segitiga :
Xi: (xi, i) dan Yi: (yi, ei)
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
HASIL DAN PEMBAHASAN
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
HASIL DAN PEMBAHASAN
No. Nama
2008
Error (%) Error (%)
FLR-Simpek FLR-AIS
1 Idul Adha6.89 5.53
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
16Grafik Konvergensi Artificial Immune System
Iterasi
erro
r
Data training : 2005-2007Data testing : 2008
4 Isra' Mi'raj 3.41 2.27
5 Idul Fitri 4.57 4.26
6 Tahun Baru 8.99 8.57
7 Proklamasi 8.04 7.97
8 Wafat 1.15 0.08
9 Kenaikan 5.36 4.68
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
Error Rata-rata 4.74 3.97
0 2 4 6 8 10 12 14 16 18 200
2
4
6
8
10
12
14
16Grafik Konvergensi Artificial Immune System
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)
Tabel 2. Perbandingan error
Gambar 3. Grafik Konvergensi Wafat YK
Gambar 4. Kurva Hasil Ramalan dan Data Real
HASIL DAN PEMBAHASAN
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
3 Maulid Nabi 7.84 1.55
4 Isra' Mi'raj 6.39 8.660 2 4 6 8 10 12 14 16 18 20
0
5
10
15
20
25Grafik Konvergensi Artificial Immune System
Iterasi
erro
r
Data training : 2007-2008Data testing : 2009
4 Isra' Mi'raj 6.39 8.66
5 Idul Fitri 4.15 1.69
6 Tahun Baru 5.96 5.94
7 Proklamasi 6.10 7.46
8 Wafat 7.42 2.91
9 Kenaikan 5.07 2.05
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
Error Rata-rata 6.40 3.78
0 2 4 6 8 10 12 14 16 18 200
5
10
15
20
25Grafik Konvergensi Artificial Immune System
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)
Tabel 3. Perbandingan error
Gambar 5. Grafik Konvergensi Muharam
Gambar 6. Kurva Hasil Ramalan dan Data Real
HASIL DAN PEMBAHASAN
No. Nama
2008
Error (%) Error (%)
FLR-Simpek FLR-AIS
1 Idul Adha4.62 5.60
4.62 1.33
2 Muharam4.43 1.54
12.25 9.64
3 Maulid Nabi 4.43 0.09
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
20Grafik Konvergensi Artificial Immune System
Iterasi
erro
r
Data training : 2006-2007Data testing : 2008
4 Isra' Mi'raj 5.98 3.41
5 Idul Fitri 1.99 0.09
6 Tahun Baru 2.38 0.07
7 Proklamasi 12.98 4.85
8 Wafat 2.01 2.19
9 Kenaikan 4.51 0.77
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
Error Rata-rata 5.28 2.49
0 2 4 6 8 10 12 14 16 18 200
2
4
6
8
10
12
14
16
18
20Grafik Konvergensi Artificial Immune System
Iterasi
erro
r
150.00
200.00
250.00
FLR-AIS (MW)
Realisasi (MW)
Gambar 8. Kurva Hasil Ramalan dan Data Real
Gambar 7. Grafik Konvergensi Tahun Baru
Tabel 4. Perbandingan error
HASIL DAN PEMBAHASAN
No. Nama
2007
Error (%) Error (%)
FLR-Simpek FLR-AIS
1 Idul Adha4.74 2.34
4.74 2.34
2 Muharam 5.26 0.01
3 Maulid Nabi 4.74 3.27
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
14Grafik Konvergensi Artificial Immune System
Iterasi
erro
r
Data training : 2005-2006Data testing : 2007
Gambar 9. Grafik Konvergensi Muharam5.06 0.09
5 Idul Fitri 5.17 2.92
6 Tahun Baru 5.26 8.57
7 Proklamasi 5.48 4.33
8 Wafat 5.17 0.44
9 Kenaikan 5.11 6.34
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
Error Rata-rata 5.72 5.51
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)
Tabel 5. Perbandingan error
Gambar 9. Grafik Konvergensi Muharam
Gambar 10. Kurva Hasil Ramalan dan Data Real
HASIL DAN PEMBAHASAN
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)
Gambar 11. Kurva Hasil Ramalan dan Data Real
HASIL DAN PEMBAHASAN
Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi BebanPeriode 2005-2008.
275.00
175.00
225.00
FLR-AIS (MW)
Realisasi (MW)
FLR-Simplek (MW)
Gambar 12. Kurva Hasil Ramalan dan Data Real
HASIL DAN PEMBAHASAN
Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi BebanPeriode 2007-2009.
300.00
200.00
250.00FLR-AIS (MW)
Realisasi (MW)
FLR-Simplek (MW)
Gambar 13. Kurva Hasil Ramalan dan Data Real
HASIL DAN PEMBAHASAN
Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi BebanPeriode 2006-2008.
250.00
300.00
150.00
200.00
FLR-AIS (MW)
Realisasi (MW)
FLR-Simplek (MW)
Gambar 14. Kurva Hasil Ramalan dan Data Real
HASIL DAN PEMBAHASAN
Grafik Perbandingan FLR-AIS, FLR-Simplek dan Realisasi BebanPeriode 2005-2007.
275.00
175.00
225.00
FLR-AIS (MW)
Realisasi (MW)
FLR-Simplek (MW)
Gambar 15. Kurva Hasil Ramalan dan Data Real
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….