PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE...
Transcript of PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE...
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
336
PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE
BERBASIS PARTICLE SWARM OPTIMIZATION
UNTUK MENGURANGI NILAI RMSE
PADA PREDIKSI BEBAN PENYULANGAN LISTRIK JANGKA PENDEK
Mayang Sari
Fakultas Teknologi Informasi Universitas Islam Kalimantan
Email: [email protected]
ABSTRAK
Penelitian ini dilakukan dengan maksud mencari hasil optimal dalam penerapan algoritma
Support Vector Machine (SVM) dengan melakukan optimasi menggunakan algoritma
Particle Swarm Optimization (PSO) sehingga mengurangi nilai Root Mean Square Error
(RMSE) pada prediksi beban penyulangan listrik jangka pendek. Metode prediksi rentet
waktu seperti SVM pada dasarnya sudah dianggap cukup untuk memprediksi beban listrik
jangka pendek, namun SVM memiliki kelemahan pada sulitnya pemilihan parameter SVM
yang optimal, untuk itu diperlukan sebuah metode untuk meningkatkan akurasi dengan
menggunakan algoritma PSO.Dilihat dari permasalahn yang ada dalam penelitian ini, maka
peneitian ini menggunakan metode penelitian eksperimen dengan tahapan awal yaitu
pengumpulan data, setelah data terkumpul dilanjutkan dengan tahap pengolahan data yang
meliputi proses pre-processing, untuk mendapatkan atribut data yang sesuai dengan format
algoritma softcomputing. Dilanjutkan dengan tahap eksperimen dan pengujian metode
meliputi cara pemilihan arsitektur yang tepat dari model atau metode yang diusulkan
sehingga didapatkan hasil yang dapat membuktikan bahwa metode yang digunakan adalah
tepat dan diakhiri dengan evaluasi dengan mengamati hasil prediksi menggunakan algoritma
softcomputing.
Kata Kunci : SVM, Beban Listrik Jangka Pendek, PSO
ABSTRACT
This research was conducted with the intention of achieving optimal results in the application
of the algorithm Support Vector Machine (SVM) by performing optimization algorithm using
Particle Swarm Optimization (PSO), thereby reducing the value of Root Mean Square Error
(RMSE) in predictions of short-term power load.Time prediction methods such as SVM is
basically considered sufficient to predict the short-term power, but the SVM has a weakness
in the difficulty of selecting the optimal parameters of SVM, it will require a method to
improve the accuracy by using PSO algorithm.Judging from the existing problems in this
study, this study used an experimental research method with the initial stages of data
collection, after data is collected followed by a phase of data processing which includes the
pre-processing, to obtain the attribute data in accordance with the format softcomputing
algorithm. Followed by a phase of experiment and testing methods include the election of the
right architecture of the proposed model or method to obtain results that can prove that the
method used was appropriate and ends with the evaluation by observing the results predicted
using algorithms softcomputing.
Keywords: SVM, Short-Term Electricity Load, PSO
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
337
PENDAHULUAN
Tak dapat dipungkiri lagi pada saat ini listrik adalah kebutuhan vital bagi seluruh
penduduk di Indonesia, bahkan di dunia. Tanpa listrik, kehidupan manusia akan sangat
terganggu. Di dunia ini, terdapat berbagai jenis sumber pembangkit listrik seperti batubara,
energi nuklir, atau matahari. Di Indonesia ada berbagai macam jenis pembangkit listrik,
mulai dari Pembangkit Listrik Tenaga Uap (PLTU), Pembangkit Listrik Tenaga Air (PLTA),
Pembangkit Listrik Tenaga Diesel (PLTD), Pembangkilt Listrik Tenaga Panas Bumi (PLTP),
dll. Di Kalimantan Selatan khususnya masih menggunakan Pembangkit Listrik Tenaga Uap
(PLTU) sebagai sumber energi listrik, yang mana PLTU tersebut memerlukan batubara
sebagai sumber energi yang mana kita tahu bahwa batubara adalah sumber daya alam yang
tidak dapat diperbaharui dan tidak menutup kemungkinan beberapa puluh tahun yang akan
datang sumber daya alam ini akan habis. Oleh karena itu, sebagai daerah yang sangat
memanfaatkan sumber energi tersebut sangat perlu kiranya agar dapat mengurangi
penggunaan sumber energi ini agar pasokan listrik khususnya di Kalimantan Selatan dapat
selalu terpenuhi. Mengingat bahwa tenaga listrik tidak dapat disimpan dalam skala besar,
karenanya tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya timbul persoalan
dalam penghadapi kebutuhan daya listrik yang tidak tepat dari waktu ke waktu.
Memprediksi nilai suatu besaran pada kondisinya dimasa yang akan datang dengan
tepat adalah suatu pekerjaan yang sulit, apalagi jika besaran tersebut dipengaruhi oleh banyak
faktor. Tetapi di lain pihak seringkali hasil prediksi tersebut menjadi salah satu masukan yang
penting dalam menyusun rencana masa depan. Berdasarkan hal tersebut maka dapat
disimpulkan bahwa kebutuhan PLN adalah bagaimana memprediksi beban listrik jangka
pendek dengan lebih akurat. Untuk itu dipertimbangkan pendekatan dengan softcomputing.
Metode prediksi rentet waktu seperti Support Vector Machine dianggap cukup untuk
memprediksi beban listrik jangka pendek yang mana SVM dapat memecahkan masalah-
masalah seperti perlunya data training yang besar, lambat dalam konvergensi yang mana ini
tepat untuk karakteristik data rentet waktu pada penyulangan beban listrik jangka pendek.
Namun SVM memiliki kelemahan pada sulitnya pemilihan parameter SVM yang optimal.
Particle Swarm Optimization (PSO) adalah metode optimasi yang terbukti efektif
untuk meningkatkan akurasi. Maka pada penelitian ini PSO akan diterapkan untuk pemilihan
parameter SVM yang sesuai dan optimal sehingga hasil prediksi lebih akurat.
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
338
METODE PENELITIAN
Metode penelitian yang dilakukan adalah metode penelitian eksperimen, dengan tahapan
penelitian seperti berikut:
1. Pengumpulan Data
Tahapan mengumpulkan dataset yang di dapat dari PT. PLN Persero Tbk yang akan
digunakan untuk penelitian.
2. Pengolahan Data
Tahap awal pengolahan data yang meliputi proses pre-processing, untuk mendapatkan
atribut data yang sesuai dengan format algoritma softcomputing untuk penentuan opini
positif dan negatif. Data di transpormasi dengan mencari nilai maksimum dan minimun
dari data per bulan yang kemudian didapatkan attribut baru berupa data transformasi.
3. Eksperimen dan Pengujian Metode
Tahapan eksperimen, meliputi cara pemilihan arsitektur yang tepat dari model atau
metode yang diusulkan sehingga didapatkan hasil yang dapat membuktikan bahwa
metode yang digunakan adalah tepat. Dalam penelitian ini metode yang digunakan adalah
metode prediksi dengan algoritma SVM dan SVM-PSO yang akan diimplementasikan
menggunakan RapidMiner.
4. Evaluasi
Tahapan mengamati hasil prediksi menggunakan algoritma softcomputing. Validasi
dilakukan dengan mengukur hasil prediksi dibandingkan dengan data asal. Pengukuran
kinerja dilakukan dengan membandingkan nilai error hasil prediksi masing-masing
algoritma sehingga dapat diketahui algoritma yang lebih akurat. Pada penelitian ini akan
digunakan indek evaluasi Root Mean Square Error (RMSE) sehingga didapat nilai error
hasil prediksi dari algoritma SVM dan SVM-PSO.
PEMBAHASAN
Pengujian pertama dilakukan dengan data yang diperoleh dari PLN yaitu data beban
dari tanggal 1 Juni 2014 sampai dengan 29 Mei 2015 sebanyak 3294 record data yang telah
didekomposisi dengan beberapa inputan (x1, x2, x3, .... xn) dan output atau target (y) agar dapat
diimplementasikan pada RapidMiner. Pengujian pertama dilakukan dengan data yang telah
didekomposisi dengan 5 inputan sehingga menghasilkan 3289 record data.
Untuk pengujian pertama data dengan lima inputan ini akan diuji dengan RapidMiner
menggunakan algoritma Support Vector Machine yang nantinya akan dioptimasi
menggunakan algoritma Particle Swarm Optimization. Tahap awal pada pengujian pertama
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
339
ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat terlihat pada gambar di
bawah ini :
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data
sebanyak 3289 record data yang telah didekomposisi dengan lima inputan sebesar 3,372 +/ -
0,000 dengan grafik seperti gambar di bawah ini.
Nilai RMSE SVM sebesar 3,372 dioptimasi menggunakan PSO agar didapat nilai error yang
semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh
optimasi PSO dengan data sebanyak 3289 record data yang didekomposisi dengan lima
inputan sebesar 3,360 dengan grafik seperti terlihat pada gambar di bawah ini.
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
340
Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi
dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang
dihasilkan oleh algoritma SVM sebesar 3,372 menurun setelah dioptimasi dengan PSO
menjadi sebesar 3,360
Nilai Root Mean Squad Error yang dihasilkan dari optimasi algoritma SVM
menggunakan PSO dengan data yang telah didekomposisi menjadi 5 inputan sebesar 3,360
dirasa belum sesuai dengan yang diharapkan, maka data kembali didekomposisi dengan
menambahkan nilai inputan menjadi 7 inputan dengan data sebanyak 3287 record.
Tahap awal pada pengujian kedua ini yaitu menguji data dengan algoritma SVM
sehingga hasil dapat terlihat pada gambar di bawah ini :
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data
sebanyak 3287 record data yang telah didekomposisi dengan tujuh inputan sebesar 3,539 +/ -
0,000 dengan grafik seperti gambar di bawah ini.
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
341
Nilai RMSE SVM sebesar 3,539 dioptimasi menggunakan PSO agar didapat nilai error yang
semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi
PSO dengan data sebanyak 3287 record data yang didekomposisi dengan lima inputan
sebesar 3,412 dengan grafik seperti terlihat pada gambar di bawah ini.
Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi
dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang
dihasilkan oleh algoritma SVM sebesar 3,539 menurun setelah dioptimasi dengan PSO
menjadi sebesar 3,412.
Nilai Root Mean Squad Error yang dihasilkan dari optimasi algoritma SVM
menggunakan PSO dengan data yang telah didekomposisi menjadi 7 inputan sebesar 3,412
dirasa belum sesuai dengan yang diharapkan, maka data kembali didekomposisi dengan
menambahkan nilai inputan menjadi 9 inputan dengan data sebanyak 3285 record.
Tahap awal pada pengujian ketiga ini yaitu menguji data dengan algoritma SVM
sehingga hasil dapat terlihat pada gambar di bawah ini :
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
342
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data
sebanyak 3285 record data yang telah didekomposisi dengan sembilan inputan sebesar 3,351
+/ - 0,000 dengan grafik seperti gambar di bawah ini.
Nilai RMSE SVM sebesar 3,351 dioptimasi menggunakan PSO agar didapat nilai error yang
semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi
PSO dengan data sebanyak 3285 record data yang didekomposisi dengan sembilan inputan
sebesar 3,234 dengan grafik seperti terlihat pada gambar di bawah ini.
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
343
Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi
dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang
dihasilkan oleh algoritma SVM sebesar 3,351 menurun setelah dioptimasi dengan PSO
menjadi sebesar 3,234.
Dalam pengujian ketiga menggunakan data yang telah didekomposisi ternyata masih
belum menemukan hasil yang diharapkan yaitu menghasilkan nilai error yang lebih kecil
maka untuk percobaan pengujian keempat, data dikembalikan ke bentuk data awal yang telah
direkapitulasi.
Data yang berjumlah 3294 record berupa data beban dari tanggal 1 Juni 2014 sampai
dengan 29 Mei 2015 terdiri dari tiga attribut yaitu tanggal, jam, dan BM kemudian akan
ditransformasi sehingga menghasilkan attribut baru dengan nama attribut BM’ yang akan
digunakan sebagai data uji yaitu dengan cara menggunakan rumus sebagai berikut.
𝑥′ = 0.8 ∗ (𝑥 − 𝑎)/(𝑏 − 𝑎) + (0.1) ……………………………..(10)
Dimana a adalah nilai minimun suatu range data, dan badalah nilai maksimum data dari suatu
range. Di dalam pengujian keempat ini, data minimum dan maksimum diambil dari range
data selama satu bulan. Contoh, untuk bulan Juli 2014 di peroleh nilai minimum (a) = 0 dan
nilai maksimum (b) = 33,77. Nilai minimum (a) dan nilai maksimum (b) tersebut
dimasukkan ke dalam rumus di atas hingga diperoleh :
x' = 0,8 * (23,97 – 0) / (33,77 – 0) + (0,1)
= 0,8 * 23,97 / 33,77 + 0,1
= 19,17 / 33,77 + 0,1
= 0,57 + 0,1
= 0,67
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
344
Dapat dilihat dari rumus diatas, data record pertama dengan nilai beban (x) = 23,97
didapatkan data transformasi sebesar 0,67 kemudian dilanjutkan dengan data berikutnya.
Tahapan ini berguna agar dapat bisa dihitung dengan nilai yang lebih kecil tanpa kehilangan
karakteristiknya sendiri. Data hasil transformasi dapat dilihat didalam tabel berikut ini.
No Tanggal Jam BM BM’
1 01 Juni 2014 6:00:00 23,97 0,67
2 01 Juni 2014 10:00:00 28,48 0,77
3 01 Juni 2014 14:00:00 28,23 0,77
4 01 Juni 2014 18:00:00 30,2 0,82
5 01 Juni 2014 19:00:00 29,23 0,79
6 01 Juni 2014 20:00:00 31,63 0,85
7 01 Juni 2014 21:00:00 29,17 0,79
8 01 Juni 2014 22:00:00 28,8 0,78
9 01 Juni 2014 23:00:00 28,1 0,77
10 02 Juni 2014 6:00:00 23,56 0,66
11 02 Juni 2014 10:00:00 25,58 0,71
12 02 Juni 2014 14:00:00 28,89 0,78
13 02 Juni 2014 18:00:00 29,08 0,79
14 02 Juni 2014 19:00:00 29,52 0,80
15 02 Juni 2014 20:00:00 30,53 0,82
16 02 Juni 2014 21:00:00 30,43 0,82
17 02 Juni 2014 22:00:00 28,1 0,77
18 02 Juni 2014 23:00:00 27,52 0,75
19 03 Juni 2014 6:00:00 23,91 0,67
20 03 Juni 2014 10:00:00 27,17 0,74
21 03 Juni 2014 14:00:00 28,28 0,77
22 03 Juni 2014 18:00:00 31,25 0,84
23 03 Juni 2014 19:00:00 30,23 0,82
24 03 Juni 2014 20:00:00 32,42 0,87
25 03 Juni 2014 21:00:00 30,26 0,82
26 03 Juni 2014 22:00:00 30,3 0,82
27 03 Juni 2014 23:00:00 30,68 0,83
28 04 Juni 2014 6:00:00 25,57 0,71
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
345
29 04 Juni 2014 10:00:00 29,9 0,81
30 04 Juni 2014 14:00:00 31,76 0,85
31 04 Juni 2014 18:00:00 30,4 0,82
32 04 Juni 2014 19:00:00 29,56 0,80
3294 29 Mei 2015 23:00:00 29,05 0,72
Terlihat data di atas terdapat attribut baru yaitu BM’ berupa data transformasi dari
attribut BM. Attribut baru ini yang dijadikan label dalam pengujian keempat yang akan diuji
dengan RapidMiner menggunakan menggunakan algoritma Support Vector Machine yang
nantinya akan dioptimasi menggunakan algoritma Particle Swarm Optimization. Tahap awal
pada pengujian keempat ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat
terlihat pada gambar di bawah ini :
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data
sebanyak 3294 record data yang telah ditransformasi sebesar 0,260 +/ - 0,352 dengan grafik
seperti gambar di bawah ini.
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
346
Nilai RMSE SVM sebesar 0,872 dioptimasi menggunakan PSO agar didapat nilai
error yang semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.
Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi
PSO dengan data sebanyak 3294 record data yang ditransform sebesar 0,141 +/- 0,015
dengan grafik seperti terlihat pada gambar di bawah ini.
Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi dengan
mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang dihasilkan
oleh algoritma SVM sebesar 0,872 menurun setelah dioptimasi dengan PSO menjadi sebesar
0,156.
KESIMPULAN
Dari penjelasan yang telah diuraikan dalam laporan ini dapat disimpulkan bahwa
Algoritma SVM-PSO adalah algoritma yang memprediksi beban listrik jangka pendek
dengan lebih akurat dalam parameter RMSE yaitu 0,156 dan Pengolahan data yang baik akan
menghasilkan nilai yang lebih baik, terlihat bahwa data yang ditransformasi memberikan nilai
error yang lebih rendah dibandingkan dengan data yang didekomposisi dengan beberapa
inputan. Dengan demikian penerapan algoritma SVM-PSO mampu membantu operator
PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3
347
perencana dengan metodeprediksi yang kinerjanya lebih akurat dalammemprediksi beban
listrik. Di samping itumampu dijadikan metode prediksi beban listrik bagi PLN jaringan
distribusi Kalselteng
Saran yang dapat diberikan adalah bahwa Analisis dan perbandingan mengenai beban
listrik jangka pendek dengan mengunakan berbagai algoritma ini hanya menempatkan akurasi
(berdasar nilai error) sebagai factor uji. Untuk itu perlu kiranya dilakukan penelitian lebih
lanjut agar dapat melakukan prediksi berapa beban penyulangan listrik jangka pendek yang
akan datang.
DAFTAR PUSTAKA
A. S. Nugroho, A. B. Witarto, dan D. Handoko. 2003. Support Vector Machine Teori dan
Aplikasinya dalam Bioinformatika. Ilmu Komputer
B. Santosa. 2006. Tutorial Particle Swarm Optimization. Surabaya: Institut Teknologi
Sepuluh Nopember.
D. Kim. 2005. Performance Improvement in Traffic Vision Systems using SVMS. vol. 6, pp.
2589–2599,.
D. Suswanto. 2002. Sistem Distribusi Tenaga Listrik.
E. R. Zerda. 2009. Analisis dan Penerapan Algoritma Particle Swarm Optimization ( PSO )
pada Optimasi Penjadwalan Sumber Daya Proyek Analysis and Implementation of
Particle Swarm Optimization ( PSO ) Algorithm on the Optimization of Project
Resource Scheduling Departemen Teknik Informatika Institut Teknologi Telkom
Bandung Lembar Pernyataan.
G. J. Syeto and A. Fariza, 2014. Tiruan Metode Kohonen. pp. 1–7.
I. Pranata. 2012. Penerapan Algoritma Wavalet Neural Network untuk Prediksi Beban Listrik
Jangka Pendek. Semarang: Universitas Dian Nuswantoro.
K. E. dan S. D. Mineral. 2012. Keputusan Menteri Energi dan Sumber Daya Mineral Tentang
Rencana Umum Ketenagalistrikan Nasional 2012-2031.
M. Settles and B. Rylander. 2002. Neural Network Learning using Particle Swarm
Optimizers.
P. Liu. 2009. Application of Least Square Support Vector Machine based on Particle Swarm
Optimization to Chaotic Time Series Prediction no. 2, pp. 1–5.
S. Ch, N. Anand, B. K. Panigrahi, and S. Mathur. 2013. Neurocomputing Streamflow
forecasting by SVM with quantum behaved particle swarm optimization.
Neurocomputing, vol. 101, pp. 18–23.
Suhono. 2014. Kajian Perencanaan Permintaan dan Penyediaan Energi Listrik di Wilayah
Kabupaten Sleman. Yogyakarta: Universitas Gadjah Mada.