PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM) DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN

PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI

NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055

Pembimbing : Dr Irhamah S.Si M.Si 1

BAB 1 PENDAHULUAN

2

LATAR BELAKANG

Jumlah rumah tangga di Indonesia meningkat

sekitar 1,2 juta atau 3,15% per tahun

Peningkatan jumlah rumah tangga akan

menyebabkan peningkatan kebutuhan

listrik

Pembangunan bidang kelistrikan harus dapat

mengimbangi kebutuhan energi listrik yang terus-

menerus naik setiap tahun

Untuk membangkitkan dan menyalurkan energi listrik secara ekonomis harus dibuat peramalan

beban listrik jauh sebelum listrik tersebut

dibutuhkan 3

PENELITIAN SEBELUMNYA Kwang-Ho dkk, 2000 ; Kyung-Bin Song dkk, 2005

Rani, 2011

Jirong Gu dkk, 2011)

Beberapa metode berbasis kecerdasan buatan seperti Fuzzy Inference System, Fuzzy Linear Regresion, dan Artificial Neural Network, memang telah banyak diaplikasikan pada peramalan beban listrik dan ternyata hasilnya memuaskan

Penelitian tentang penerapan GA-SVM yang terbilang baru adalah peramalan harga rumah yang menyimpulkan bahwa GA-SVM mempunyai performansi tinggi.

Metode SVM yang digabungkan dengan sebuah metode optimasi akan menghasilkan ramalan yang lebih baik dibandingkan SVM biasa maupun metode berbasis kecerdasan buatan lainnya

4

RUMUSAN MASALAH

Bagaimana meramalkan beban listrik menggunakan Support Vector Machine (SVM)?

Bagaimana meramalkan beban listrik menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)?

Bagaimana perbandingan hasil peramalan dari kedua metode tersebut ?

5

TUJUAN

Meramalkan beban listrik dengan menggunakan Support Vector Machine (SVM)

Meramalkan beban listrik dengan menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)

Membandingkan hasil peramalan dari kedua metode tersebut

6

MANFAAT

Sebagai rekomendasi untuk PT PLN (Persero) dalam penentuan metode terbaik yang dapat digunakan untuk meramalkan beban listrik

Sebagai kontribusi untuk penelitian mengenai peramalan kebutuhan listrik

Sebagai aplikasi metode GA-SVM untuk kasus peramalan beban listrik, karena sampai saat ini penelitian tersebut belum pernah dilakukan di Indonesia.

Sebagai pengambangan keilmuan yang menggabungkan metode GA dan metode SVM, dimana keduanya dapat menghasilkan solusi global optimum, sehingga gabungan dari keduanya diharapkan dapat menghasilkan solusi global yang sangat optimum. 7

BAB 2 TINJAUAN PUSTAKA

8

PERANAN PERAMALAN BEBAN LISTRIK Suatu model peramalan beban yang akurat sangat penting

dalam perencanaan dan pengoperasian system tenaga listrik. Peramalan beban sangat membantu perusahaan listrik dalam mengambil keputusan untuk menyuplai tenaga listrik termasuk keputusan dalam mengatur pembangkitan, pemutusan beban (load switching), dan juga pembangunan infrastruktur (Prasetyo dkk, 2008).

Peramalan beban listrik (load forecast) atau kebutuhan listrik

(demand forecast) merupakan langkah awal dari Rencana Usaha Penyediaan Tenaga Listrik (RUPTL). Peramalan beban listrik pada unit bisnis (UB) PLN di setiap wilayah memiliki peranan sangat penting dalam penyusunan RUPTL.

9

JANGKA WAKTU PERAMALAN

Peramalan beban jangka pendek (short-term load forecasting)

Peramalan beban jangka menengah (medium-term load forecasting)

Peramalan beban jangka panjang (long-term load forecasting)

10

11

DERET WAKTU (TIME SERIES) (1) Peramalan merupakan proses untuk menduga kejadian atau kondisi di masa mendatang yang bertujuan untuk memperkecil resiko kesalahan. (Makridakis, Wheelwright, McGee, 1999)

Analisis deret waktu adalah salah satu prosedur statistika yang diterapkan untuk meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang akan datang dalam rangka pengambilan keputusan.

Peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data masa lalu maupun data pada saat ini. (Aswi dan Sukarna, 2006)

12

DERET WAKTU (TIME SERIES) (2)

METODE PERAMALAN

METODE KUALITATIF

METODE KUANTITATIF

Lebih banyak menuntut analisis yang didasarkan pada pemikiran intuitif, perkiraan logis dan

informasi atau pengetahuan yang telah diperoleh peneliti sebelumnya.

Membutuhkan informasi masa lalu yang dikuantitatifkan dalam bentuk data numerik.

Metode peramalan secara kuantitatif mendasarkan ramalannya pada metode statistika

dan matematika. Terdapat dua jenis model peramalan kuantitatif, yaitu model deret waktu

dan model regresi.

13

STASIONERITAS DALAM TIME SERIES (1)

Stasioneritas adalah suatu keadaan dimana, terjadi perubahan atau fluktuasi data berada disekitar nilai rata-rata yang konstan, tidak tergantung waktu dan ragam dari fluktuasi tersebut. Time Series data yang digunakan harus memenuhi kestasioneritasan baik dalam mean maupun dalam varians.

Apabila tidak stasioner dalam mean, maka dilakukan differencing.

(Makridakis, Wheelwright dan McGee, 1999)

14

STASIONERITAS DALAM TIME SERIES (2)

Apabila tidak stasioner dalam varians, maka dapat dilakukan Transformasi Box Cox (Wei, 2006).

Nilai (lambda) Transformasi

-1

-0,5

0 Ln

0,5

1 (Tidak ditransformasi)

tZ1

tZ1

tZ

tZ

tZ

FUNGSI AUTOKORELASI (ACF)

15

Digunakan untuk suatu proses yang stasioner baik dalam mean (dimana, E(Zt)=µ) maupun dalam varians (dimana, Var (Zt) = ), maka untuk menduga model yang sesuai dapat melihat Autocorrelation Function (ACF). Dimana, Zt dipengaruhi oleh serangkaian urutan waktu berdasarkan pada interval tertentu. Oleh karena itu dituliskan korelasi diantara Zt dan Zt+k adalah sebagai berikut.

)var(var),cov(

ktt

kttk ZZ

ZZ

+

+=ρ

))((),cov( µµγ −−== −+ kttkttk ZZEZZdengan

FUNGSI AUTOKORELASI PARSIAL

16

Selain dengan melihat plot ACF dari data Time Series, pendugaan model dapat dilakukan dengan bersama-sama melihat plot Partial Autocorrelation Function (PACF). Dalam pengamatan time series, sampel PACF dinotasikan dengan dengan perhitungan seperti yang diberikan oleh Durbin yaitu sebagai berikut.

∑

∑

=

=−++

++

ρφ−

ρφ−ρ=φ k

1jjkj

k

1jj1kkj1k

1k,1k

ˆˆ1

ˆˆˆˆ

dengan

j1k,k1k,1kkjj,1kˆˆˆˆ

−++++ φφ−φ=φ

SUPPORT VECTOR MACHINE (SVM) Konsep dasar dari SVM adalah berusaha menemukan fungsi

optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda (Vapnik, 1964).

Support Vector Machine (SVM) adalah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (featute space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias (Vapnik, 1995 ; Scholkopf dkk, 2002 ; Gunn, 1998 ; Cristianini, 2000 ; Santosa, 2007).

SVM dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dikenalkan pada tahun 1992 di Annual Workshop on Computational Learning Theory (Cristianini, 2000) dan menjadi populer karena kesuksesannya dalam mengenali digit tulisan tangan dengan error sebesar 1%. 17

SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (1) Fungsi SVR adalah (2.1) Koefisien (wi dan b) diestimasi dengan meminimumkan

regularized risk function (2.2)

dimana (2.3) dengan C dan ε adalah parameter yang nilainya ditentukan.

18

SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (2) Persamaan (2.2) ditransformasi (2.4)

Persamaan Karush-Krun-Tucker diaplikasikan

ke dalam regresi sehingga persamaan (2.4) menghasilkan Lagrangian ganda (dual)

(2.5)

19

SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (3) Lagrange multiplier pada persamaan (2.5) memenuhi .

Lagrange multiplier dihitung dan suatu bobot vektor yang optimal dari regresi hyperplane adalah

(2.6) Sehingga fungsi regresinya adalah (2.7)

20

METODE KERNEL (1)

Dengan Metode Kernel suatu data x pada input space di-mapping ke feature space F dengan dimensi yang lebih tinggi melalui map φ sebagai berikut. φ : x → φ(x) Oleh karena itu, data x pada input space menjadi φ(x) di feature space.

Pemilihan fungsi Kernel yang tepat merupakan hal yang sangat penting karena akan menentukan feature space dimana fungsi klasiner akan dicari. Sepanjang fungsi Kernel-nya legilitimate, SVM akan beroperasi secara benar meskipun tidak mengetahui mapping yang digunakan (Sentosa, 2007 ; Robandi, 2008).

21

METODE KERNEL (2)

Fungsi yang digunakan untuk metode SVM adalah sebagai berikut. Linier : Polinomial : Radial basis function (RBF) : Tangen hyperbolic (sigmoid) : tanh (β + βi)

dimana β,βi R

22

GENETIC ALGORITHM (GA) (1)

Genetic Algorithm pada awalnya ditemukan dan dikembangkan oleh John Holland sekitar tahun 1975.

Genetic Algorithm digunakan untuk permasalahan pencarian dengan melakukan minimisasi biaya dan probabilitas yang tinggi untuk mendapat solusi global optimum (Holland, 1975).

Menurut Haupt dan Haupt (2004), Genetic Algorithm adalah suatu teknik optimasi yang didasarkan pada prinsip genetika dan seleksi alam.

23

GENETIC ALGORITHM (GA) (2) Beberapa keuntungan dari Genetic Algorithm

adalah sebagai berikut. Dapat digunakan untuk variabel diskrit maupun

kontinyu Pencarian dari sampling yang luas secara serentak Dapat digunakan untuk jumlah variabel yang besar Hasil akhir berupa beberapa variabel yang

optimum, tidak hanya satu penyelesaian saja Optimasi dilakukan dengan mengkodekan variabel Dapat digunakan pada data numerik, data

eksperimental, atau fungsi analitik

24

GENETIC ALGORITHM (GA) (3)

Tujuh komponen penting Genetic Algorithm :

1. Skema Pengkodean Pengkodean yang dimaksud meliputi pengkodean gen dan kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya mewakili satu variabel.

2. Nilai fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati.

3. Seleksi Orang Tua Pemilihan dua buah kromosom sebagai orang tua yang akan dipindahsilangkan dilakukan secara proporsional sesuai dengan nilai fitness-nya. Metode seleksi yang biasa digunakan adalah roulette wheel. 25

GENETIC ALGORITHM (GA) (4) 4. Pindah Silang

Crossover adalah salah satu komponen paling penting dalam GA. Sebuah kromosom yang mengarah pada solusi yang bagus dapat diperoleh dari proses memindah-silangkan ini.

5. Mutasi Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau lebih gen dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.

26

GENETIC ALGORITHM (GA) (5) 6. Etilisme

Suatu individu yang memiliki nilai fitness tertinggi belum pasti akan selalu terpilih. Hal ini disebabkan karena proses penyeleksian dilakukan secara random. Walaupun individu bernilai fitness tertinggi terpilih, namun tidak menutup kemungkinan bahwa individu tersebut rusak karena proses pindah silang. Oleh karena itu perlu dilakukan etilisme, yaitu suatu prosedur pengopian individu agar individu yang memiliki nilat fitness tertinggi tidak hilang selama proses evolusi.

7. Penggantian Populasi

Skema penggantian populasi dalam GA dikenal sebagai general replacement, yang berarti semua individu (N individu dalam satu populasi) dari suatu generasi digantikan sekaligus oleh N individu baru hasil pindah silang dan mutasi. Terdapat beberapa prosedur penghapusan individu ini seperti penghapusan individu yang paling tua atau individu yang memiliki nilai fitness paling rendah.

27

BAB 3 METODOLOGI PENELITIAN

28

SUMBER DATA Data yang digunakan dalam penelitian ini adalah data sekunder. Data yang diambil adalah data beban harian tiap 30 menit pada bulan Oktober 2011 dan pada tanggal 1-2 Nopember. Data yang diramal yaitu beban listrik pada tanggal 3-4 Nopember 2011. Data diambil dari PT PLN (Persero) sub unit Penyaluran dan Pusat Pengatur Beban (P3B) Jawa Timur-Bali.

29

VARIABEL PENELITIAN

Variabel penelitian yang digunakan hanya data beban listrik harian dengan jumlah data sebanyak 48 data per hari, karena pengaruh temperature dan tingkat ekonomi diabaikan. Berikut ini adalah variabel bebas dan variabel tak bebas yang digunakan dalam penelitian ini. 1. Variabel tak bebas (yt) adalah data beban listrik yang dijadikan data

aktual/target. 2. Variabel bebas (x) adalah data beban listrik pada waktu sebelumnya (yt-

1, yt-2, yt-3, …, yt-n). Berdasarkan variabel penelitian tersebut, peramalan beban listrik ini memiliki tiga tahapan peramalan yaitu melakukan pemodelan berdasarkan data training, memvalidasi model dengan data testing, dan menghitung nilai ramalan. Keakuratan peramalan beban listrik diketahui dari MAPE, MSE, AIC, SBC, dan R2.

30

LANGKAH ANALISIS

Melakukan pengumpulan data beban listrik tahunan

Melakukan analisis ARIMA untuk memperoleh input vaiabel bebas

Mengolah data menggunakan algoritma SVM dengan software Matlab 7.0.1.

Mengolah data beban listrik menggunakan algoritma GA-SVM dengan software Matlab 7.0.1.

Melakukan analisis dan perbandingan hasil ramalan

31

32

MULAI

Input data

Tentukan parameter Kernel, C Mapping data x ke feature space lewat fungsi

Kernel Polynomial

Lakukan optimasi variabel Lagrange dengan formula QP untuk mendapatkan

beta dan bias

Hasil optimal

Hitung nilai peramalan dengan fungsi regresi

SELESAI

Ya

Tidak ALGORITMA SVM

33

Ya

Tidak

Mutasi

Populasi Baru

Reproduksi

Crossover

Fitness memenuhi

MULAI

Inisialisasi parameter dan C

Membangkitkan populasi secara random

Training SVM

Perhitungan nilai fitnress

Validasi GA-SVM

SELESAI

ALGORITMA GA-SVM

BAB 4 PEMBAHASAN

34

35

1341119210438947455964472981491

4500

4000

3500

3000

Index

C1

Time Series Plot of C1

5,02,50,0-2,5-5,0

87,5

85,0

82,5

80,0

77,5

75,0

Lambda

StD

ev

Lower CL Upper CL

Limit

Estimate 0,10

Lower CL -0,34Upper CL 0,57

Rounded Value 0,00

(using 95,0% confidence)

Lambda

Box-Cox Plot of C1

ARIMA untuk menentukan input peramalan beban listrik

menggunakan metode SVM dan GA-SVM

DATA TRAINING : BEBAN LISTRIK HARIAN PER 30 MENIT OKTOBER 2011

STASIONER DALAM

VARIANS ?

36

1341119210438947455964472981491

8,5

8,4

8,3

8,2

8,1

8,0

7,9

Index

C2

Time Series Plot of C2

800750700650600550500450400350300250200150100501

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Au

toco

rre

lati

on

Autocorrelation Function for Transfformasi Box-Cox(with 5% significance limits for the autocorrelations)

DATA YANG DITRANSFORMASI LN

BELUM STASIONER TERHADAP MEAN,

POLA MUSIMAN HARIAN

37

1341119210438947455964472981491

0,3

0,2

0,1

0,0

-0,1

-0,2

Index

Dif

f 4

8

Time Series Plot of Diff 48

800750700650600550500450400350300250200150100501

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Au

toco

rre

lati

on

Autocorrelation Function for Diff 48(with 5% significance limits for the autocorrelations)

DIFFERENCING 48

ACF MASIH TURUN SECARA LAMBAT

38

1341119210438947455964472981491

0,2

0,1

0,0

-0,1

-0,2

Index

Dif

f 4

8,1

Time Series Plot of Diff 48,1

80706050403020101

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Au

toco

rre

lati

on

Autocorrelation Function for Diff 48,1(with 5% significance limits for the autocorrelations)

80706050403020101

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Pa

rtia

l Au

toco

rre

lati

on

Partial Autocorrelation Function for Diff 48,1(with 5% significance limits for the partial autocorrelations)

DIFFERENCING 1

LAG PACF YANG SIGNIFIKAN : 1, 3, 12, 15, 18, 21, 30, 42, 46, 47, 48

39

PERAMALAN DENGAN SVM

MODEL

1. C = 80, d = 0,005

2. C =95, d = 0

40

3. C = 100, d = 0,001

4. C = 110, d = 0,05

5. C = 120, d = 0,01

41

Percobaan

1 2 3 4 5

C 80 95 100 110 120

0,005 0 0,001 0,05 0,01

AIC 10,92512 10,92839 10,92925 10,93071 10,93202

SBC 10,97855 10,98181 10,98268 10,98413 10,98544

RMSE 230,841 231,218 231,318 231,487 231, 638

MAPE 4,9525 % 4,961 % 4,9634 % 4,9671 % 4,9706 %

DATA TESTING

C = 80 dan ε = 0,005, dimana AIC sebesar 10,92512, SBC sebesar 10,97855, RMSE sebesar 230,841, dan MAPE sebesar 4,9525%.

42

100806040200

4600

4400

4200

4000

3800

3600

3400

3200

3000

Waktu dalam 30 Menit selama 24 Jam

Be

ba

n L

istr

ik (

MW

)

Data AktualData Ramalan (SVM)

Variable

Perbandingan Data Aktual dan Ramalan SVM

SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. R-Square = 96,617 %

Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik.

43

DATA RAMALAN Jam

Data Ramalan (MW)

3 Nopember 2011 4 Nopember 2011

00.30 3335.7 3419.9

01.00 3292.4 3374.9

01.30 3278.6 3387.9

02.00 3253.8 3356.3

02.30 3196.1 3308.5

03.00 3226.1 3290.7

03.30 3234 3293.8

04.00 3208.5 3243.4

04.30 3230.4 3277.8

05.00 3250.5 3272.8

05.30 3252.2 3303.3

06.00 3265.1 3309.8

06.30 3267.6 3316.7

07.00 3307.2 3282.4

07.30 3352.5 3306.1

08.00 3440.5 3382.3

08.30 3438.9 3419.2

09.00 3542.1 3437.3

09.30 3608 3427.9

10.00 3633.8 3491.6

10.30 3732.7 3576.5

11.00 3643.8 3534

11.30 3680.1 3607

12.00 3708.1 3677.9

12.30 3668.5 3675.5

13.00 3731.2 3696.7

13.30 3746.3 3696.3

14.00 3809.1 3825.5

14.30 3909.1 3872.9

15.00 3864.6 3894

15.30 3879.3 3926.5

16.00 3904.2 3937.7

16.30 4002.7 4053.3

17.00 4085.3 4050

17.30 4113 4102.7

18.00 4205.2 4170.4

18.30 4228.3 4229

19.00 4269.3 4254.7

19.30 4245.4 4254

20.00 4196.2 4214.5

20.30 4129.9 4167.7

21.00 4051 4107.2

21.30 3991.5 4015.7

22.00 3890.9 3942

22.30 3729.9 3816.2

23.00 3650.3 3690.1

23.30 3580.8 3644.4

24.00 3502.1 3529.8

44

50403020100

4400

4200

4000

3800

3600

3400

3200

Waktu dalam 30 Menit selama 24 Jam

Be

ba

n L

istr

ik (

MW

)

Data Ramalan 3 Nop (SVM)Data Ramalan 4 Nop (SVM)

Variable

Hasil Ramalan SVM untuk 3 Nopember 2011 dan 4 Nopember 2011

Kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB.

45

PERAMALAN DENGAN GA-SVM

MODEL

Range C yang ditetapkan pada GA-SVM adalah 80 – 120, range yang ditetapkan adalah 0 – 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 105 dan = 0,030469.

46

Metode AIC SBC RMSE MAPE GA-SVM 10,92 10,97 230,41 4,85%

DATA TESTING

Range C yang ditetapkan pada GA-SVM adalah 80 – 120, range yang ditetapkan adalah 0 – 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 111,875 dan = 0,043018.

AIC sebesar 11,29, SBC sebesar 11,34, RMSE sebesar 276,82, dan MAPE sebesar 5,77%.

47

100806040200

4600

4400

4200

4000

3800

3600

3400

3200

3000

Waktu dalam 30 Menit selama 24 Jam

Be

ba

n L

istr

ik (

MW

)

Data AktualData Ramalan (GA-SVM)

Variable

Perbandingan Data Aktual dan Data Ramalan GA-SVM

GA-SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. R-Square = 97,20 %

Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik.

48

Jam Data Ramalan (MW)

3 Nopember 2011 4 Nopember 2011

00.30 3358.093 3470.844

01.00 3310.015 3412.848

01.30 3271.229 3407.932

02.00 3262.204 3397.27

02.30 3228.636 3379.556

03.00 3256.045 3360.156

03.30 3311.376 3388.279

04.00 3316 3382.879

04.30 3329.263 3409.685

05.00 3328.195 3383.512

05.30 3286.306 3356.976

06.00 3231.272 3334.045

06.30 3232.509 3307.019

07.00 3293.485 3329.049

07.30 3366.586 3346.084

08.00 3500.944 3462.455

08.30 3509.121 3507.339

09.00 3604.309 3537.622

09.30 3673.749 3540.674

10.00 3718.172 3539.316

10.30 3746.789 3598.268

11.00 3687.332 3597.814

11.30 3673.624 3566.293

12.00 3705.446 3645.831

DATA RAMALAN

12.30 3669.197 3709.059

13.00 3799.634 3753.654

13.30 3836.704 3761.369

14.00 3878.297 3850.039

14.30 3933.631 3877.618

15.00 3894.309 3884.182

15.30 3876.58 3905.051

16.00 3886.238 3922.615

16.30 3969.429 4026.499

17.00 4109.71 4111.39

17.30 4208.463 4187.616

18.00 4312.154 4279.11

18.30 4344.225 4336.492

19.00 4380.901 4363.215

19.30 4356.726 4348.048

20.00 4297.358 4309.17

20.30 4209.331 4229.328

21.00 4109.657 4145.189

21.30 3995.482 4017.73

22.00 3920.19 3945.004

22.30 3766.224 3818.07

23.00 3652.53 3684.786

23.30 3578.319 3644.918

24.00 3539.057 3562.8

49

50403020100

4400

4200

4000

3800

3600

3400

3200

Waktu dalam 30 Menit selama 24 Jam

Beba

n Li

stri

k (M

W)

Data Ramalan 3 Nop (GA -SV M)Data Ramalan 4 Nop (GA -SV M)

V ariable

Hasil Ramalan GA-SVM untuk 3 Nopember dan 4 Nopember 2011

Kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar 4363,215 MW pada pukul 19.00 WIB.

50

Metode AIC SBC RMSE MAPE R2 SVM 10,93 10,98 230,84 4,95% 96,62%

GA-SVM 10,92 10,97 230,41 4,85% 97,20%

PERBANDINGAN

SVM C = 80 dan = 0,005 GA-SVM C = 111,875 dan = 0,043018

AIC, SBC, RMSE, MAPE GA-SVM << SVM. R2 GA-SVM >> SVM

GA-SVM LEBIH BAIK DARI SVM

51

50403020100

4400

4200

4000

3800

3600

3400

3200

Waktu dalam 30 Menit selama 24 Jam

Beba

n Li

stri

k (M

W)

Data Ramalan 3 Nop (SV M)Data Ramalan 3 Nop (GA -SV M)

V ariable

Data Ramalan untuk 3 Nopember 2011 dengan SVM dan GA-SVM

50403020100

4400

4200

4000

3800

3600

3400

3200

Waktu dalam 30 Menit selama 24 Jam

Beba

n Li

stri

k (M

W)

Data Ramalan 4 Nop (SV M)Data Ramalan 4 Nop (GA -SV M)

V ariable

Data Ramalan untuk 4 Nopember 2011 dengan SVM dan GA-SVM

100806040200

4600

4400

4200

4000

3800

3600

3400

3200

3000

Waktu dalam 30 Menit selama 24 Jam

Beba

n Li

stri

k (M

W)

Data AktualData Ramalan SVMData Ramalan GA-SVM

Variable

Perbandingan Data Aktual, Data Ramalan SVM, dan Data Ramalan GA-SVM

Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil, tetap dapat

dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data aktual dibandingkan

dengan metode SVM.

BAB 5 KESIMPULAN,

SARAN 52

53

KESIMPULAN (1)

Ramalan menggunakan metode SVM menghasilkan R-Sq yang cukup tinggi yaitu sebesar 96,617 %. Artinya, peramalan

beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik. Hasil ramalan menggunakan SVM

menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB.

54

KESIMPULAN (2)

Ramalan menggunakan metode GA-SVM menghasilkan parameter optimum yaitu C = 111,875 dan = 0,043018, R-Sq

yang dihasilkan cukup tinggi yaitu sebesar 97,20 %. Artinya, peramalan beban listrik harian di PT PLN Sub Unit P3B

Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik. Hasil ramalan

menggunakan GA-SVM menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember

2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar 4363,215 MW pada pukul 19.00 WIB.

55

KESIMPULAN (3)

Peramalan beban listrik menggunakan metode GA-SVM menghasilkan nilai AIC, SBC, RMSE, dan MAPE yang lebih

kecil dibandingkan dengan metode SVM. R2 yang dihasilkan dari metode GA-SVM juga memiliki nilai yang lebih besar dibandingkan nilai R2 yang dihasilkan dari metode SVM.

Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil,

tetap dapat dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data

aktual dibandingkan dengan metode SVM. Dari hasil peramalan menggunakan GA-SVM, PT PLN Sub Unit P3B

Jawa Timur dan Bali dapat menyediakan tenaga listrik yang sesuai dengan kebutuhan listrik konsumen.

56

SARAN

Hal yang menjadi catatan penting dalam Tugas Akhir ini adalah nilai MAPE yang dihasilkan dari metode SVM dan GA-SVM masih belum memenuhi standar minimal MAPE

PLN yaitu sebesar 2%. Oleh karena itu, untuk peneliti selanjutnya disarankan untuk melakukan pengembangan

metode dan data yang digunakan dalam analisis.

DAFTAR PUSTAKA (1) A. Azadeh, R. Tavakkoli-Moghaddam, S. Tarverdian. 2004. Electrical Energi Consumption Estimation by

Genetic Algorithm and Analysis of Variance. Research Institute of Energi Management and Planning and Department of Industrial Engineering, Faculty of Engineering, University of Tehran, Iran.

Arief H.K, Zuhal, Rinaldy D. 2007. “Long-Term Load Forecasting on the Java-Madura-Bali Electricity System Using Artificial Neural Network Method”. International Conference on Advances in Nuclear Science and Engineering in Conjunction with LKSTN, pp 177-181.

Bonadr, R., Sumardi, dan Sudjadi. 2002. Perbandingan Kinerja Algoritma Lms Dan Algoritma Genetik Untuk Filter Adaptif Penghilang Noise. Universitas Diponegoro.

Chatterjee, S., Laudat, M., dan Lynch, L.A., 1996. Genetic Algorithms And Their Statistical Applications:An Introduction. Journal Applied Computational Statistic and Data Analysis, 22, 633-651.

Cristianini, N. dan Shawe Taylor, J, 2000. An Introduction to Support Vector Machines, Cambrige University Press.

Dharma,A., Putu Eka Wahyu I, Imam Robandi. 2006. “Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Menggunakan Artificial Neural Network dan Fuzzy Inference System (ANNFIS) Studi Kasus di Pulau Bali”. Seminar Teknik Elektro Universitas Negeri Surabaya.

Djiteng Marsudi. Operasi Sistem Tenaga Listrik. Balai Penerbit & Humas ISTN. Jakarta. 1990. Eslam Pourbasheer, Siavash Riahi, Mohammad Reza Gazali, Parviz Norouzi. 2009. “Application of genetic

alogithm-support vector machine (GA-SVM) for prediction of BK-channels activity”. European Journal of Medicinal Chemistry, Vol. 44, pp. 5023-5028.

Gunn, S., 1998, Support Vector Machines for Classification and Regression, Tech.Rep.,Dep.of Electronics and Computer Science, University of Southampton.

Herman Darnel Ibrahim. Rencana Usaha Pengusahaan Tenaga Listrik (RUPTL) 2006-2015. Direktorat Transmisi dan Distribusi PT PLN (Persero). Jakarta. 2006.

Holland, John H. 1975. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press.

J. F. Yang and H. Z. Cheng. 2004. “Application of SVM to power system short- term load forecasting”. Electric Power Automation Equipment, Vol. 24, pp. 30-32.

57

DAFTAR PUSTAKA (2) Jirong Gu, Mingcang Zhu, and Liuguangyan Jiang. 2011. “Housing price forecasting based on genetic algorithm

and support vector machine”. Expert Systems with Applications : An International Journal, Vol. 38, Issue 4. Kosasih, D., dan Rinaldo, (2006). Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi

Maksimum. Institut Teknologi Bandung. Kurniawan Fitrianto, Agung Nugroho, dan Bambang Winardi. 2005. Prakiraan Kebutuhan Energi Listrik

Tahun 2006-2015 pada PT PLN (Persero) Unit Pelayanan Jaringan (UPJ) di Wilayah Kota Semarang dengan Metode Gabungan. Tugas Akhir. UNDIP.

Kusumadewi, Sri; Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi Menggunakan Teknik- Teknik Heuristik. Yogyakarta : Graha Ilmu.

Kuswartojo, T. (2005). Perumahan dan Pemukiman di Indonesia. Bandung: ITB. Kwang-Ho Kim, Hyoung-Sun Youn, Yong-Cheol Kang. 2000, “Short-Term Load Forecasting for Special Days in

Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method”, IEEE Transactions on Power System, Vol.15, No.2, May.

Kyung-Bin Song, Young-Sik Baek, Dug Hun Hong, and Gilsoo Jang.2005. “Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method”, IEEE Transactions on Power System, Vol.20, No.1, February.

Law, M. A Simple Introduction to Support Vector Machines. Lecture for CSE 802, Department of Computer Science and Engineering Michigan State University.

Ong, C.S., Huang, J.J., dan Tzeng G.H., 2005. Model identification of ARIMA family using genetic algorithms. Journal Applied Mathematics and Computation, 164, 885-912.

Ping-Fei Pai and Wei-Chiang Hong. 2005. “Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms”. Electric Power System Research, Vol. 74, pp. 417-425.

Prasetyo Gusti, R.A., Imam Robandi. 2008. Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Dengan Metode Support Vector Machine. Tugas Akhir, ITS.

Randy L. Haupt. S. E. Haupt. 2004. Practical genetic Algorithm. New Jersey: John Wiley & Sons, Inc. Santosa, B., 2007, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Teori dan Aplikasi, Graha

Ilmu.

58

DAFTAR PUSTAKA (3) Scholkopf, B. dan Smola, A., 2002, Learning with Kernels, The MIT Press. Cambridge, Massachusetts. Sivanandan S. N. and Deepa S. N. 2007. Introduction to Genetic Algorithm. New York : Springer Berlin

Heidelberg. Stefan Lessmann, Robert Stahlbock, and Sven F. Crone. 2006. “Genetic Algorithm for Support Vector Machine

Model Selection”. International Joint Conference on Neural Networks. Suyanto. 2005. Algoritma Genetika dalam MATLAB (Genetic Algorithm in MATLAB). Yogyakarta : Andi

Publisher. Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer Verlag. 94 X.M. Li, D. Gong, L. Li, and C.Y. 2005. “Next day load forecasting using SVM”, Proc. ISNN '05, Lecture Notes in

Computer Science, Springer, Berlin, pp. 634-639.

59

TERIMA KASIH

60

NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055

Pembimbing : Dr Irhamah S.Si M.Si 61

PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM) DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN

PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI