PROCEDDING FIXXX
Click here to load reader
-
Upload
januar-adi-perdana -
Category
Documents
-
view
68 -
download
4
Transcript of PROCEDDING FIXXX
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
Abstrak—Peramalan beban listrik jangka pendek merupakan
faktor yang sangat penting dalam perencanaan dan
pengoperasian sistem tenaga listrik. Tujuan dari peramalan
beban listrik adalah agar permintaan listrik dan penyediaan
listrik dapat seimbang. Karakteristik beban di wilayah Jawa
Timur sangat fluktuatif dan non linier sehingga pada penelitian
ini digunakan metode Optimally pruned extreme learning machine
(OPELM) untuk meramalkan beban listrik. Kelebihan OPELM
ada pada learning speed yang cepat dan pemilihan model yang
tepat dengan error yang kecil. Keakuratan metode OPELM dapat
diketahui dengan menggunakan metode pembanding yaitu
metode ELM dan kriteria keakuratan yang digunakan adalah
MAPE. Hasil dari perbandingan kriteria keakuratan
menunjukkan bahwa hasil peramalan OPELM lebih baik dari
ELM. Error rata-rata hasil pengujian peramalan paling
minimum menunjukkan MAPE sebesar 1,5534% terjadi pada
peramalan hari Jumat, sementara pada hari yang sama dengan
metode ELM menghasilkan MAPE sebesar 2,6832%
Kata kunci: Peramalan Beban Listrik Jangka Pendek, OPELM,
ELM
I. PENDAHULUAN
ebutuhan listrik di berbagai daerah dari waktu ke waktu
selalu berbeda bergantung pada pemakaian listrik di
daerah tersebut. Sehingga penyediaan tenaga listrik dan
alokasi pembangkit yang digunakan juga berbeda di daerah
yang satu dengan lainnya. Pengalokasian pembangkit yang
digunakan harus tepat agar kebutuhan listrik dari konsumen
terpenuhi[1]. Kebutuhan listrik tersebut digunakan hampir di
semua sektor, antara lain sektor rumah tangga, industri, usaha
komersial, dan tempat layanan umum. Besarnya permintaan
listrik pada suatu rentang waktu tidak dapat dihitung secara
pasti, Akibatnya timbul permasalahan, yaitu bagaimana
mengoperasikan suatu pembangkit sistem tenaga listrik secara
kontinyu agar dapat memenuhi permintaan daya setiap saat.
Apabila daya yang dikirim dari pembangkit jauh lebih besar
daripada permintaan daya pada beban, maka akan timbul
pemborosan biaya pembangkitan energi listrik pada
perusahaan listrik. Sedangkan apabila daya yang dibangkitkan
dan dikirimkan lebih rendah atau bahkan tidak memenuhi
kebutuhan konsumen maka akan terjadi pemadaman lokal pada
beban dan merugikan pihak konsumen. Dengan demikian
diperlukan suatu usaha untuk memprediksi permintaan beban
oleh konsumen melalui proses peramalan beban listrik yang
pada akhirnya akan mempunyai peranan penting dalam hal
ekonomi dan keamanan operasi sistem tenaga[2]. Peramalan
beban jangka pendek bertujuan untuk meramalkan beban
listrik pada jangka waktu menit, jam, hari atau minggu.
Perusahaan penyedia listrik menggunakan suatu metode
konvensional untuk meramalkan kebutuhan beban listrik di
masa yang akan datang, dimana model dirancang berdasarkan
hubungan antara beban listrik dengan faktor-faktor non linier
yang mempengaruhi konsumsi beban seperti tingkat
pertambahan penduduk, tingkat ekonomi masyarakat, cuaca
pada periode tertentu, biaya pembangkitan energi listrik dan
lain sebagainya.Dalam penelitian ini, diperkenalkan suatu
metode Optimally Pruned Extreme Learning Machine
(OPELM) sebagai solusi untuk permasalahan dari faktor-
faktor non linier di atas yaitu peramalan beban listrik
dilakukan berdasarkan pengenalan pola beban dalam periode
jangka pendek pada semua hari di sistem kelistrikan di Jawa
Timur.
II. PERAMALAN BEBAN LISTRIK
A. Pengenalan Pola Beban Listrik
Peramalan di bidang tenaga listrik dimaksudkan pada
perkiraan kebutuhan beban listrik di masa yang akan datang.
Beban yang diramalkan mempunyai jangka waktu tertentu
yang disesuaikan dengan kebutuhan peramalan. Peramalan
beban jangka pendek untuk meramalkan kebutuhan beban
harian umumnya tersaji pada data permintaan beban harian per
30 menit selama 24 jam tersebut.
Peramalan beban listrik bertujuan untuk mengenali pola
beban dengan mengolah data historis beban listrik yang
direpresentasikan dalam kurva beban harian. Suatu model
peramalan beban yang akurat sangat penting dalam
perencanaan dan pengoperasiaan sistem tenaga listrik.
Pemodelan yang sesuai berdasarkan pada pengenalan pola
beban yang dilakukan sehingga diperoleh parameter-parameter
yang diperlukan. Dalam penelitian ini digunakan pemodelan
OPELM (Optimally Pruned Extreme Learning Machine) yang
diaplikan dalam proses pelatihan untuk melatih weight dan
bias.
B. Pengumpulan dan Pengolahan Data
Data sekunder yang digunakan adalah data kuantitatif
beban listrik harian per 30 menit selama 24 jam dalam satuan
Megawatt (MW) pada sistem kelistrikan Jawa Timur pada 2
Januari 2012 hingga 11 Maret 2012. Data diambil dari PT
PLN (Persero) Penyaluran dan Pusat Pengatur Beban (P3B)
APB Jawa Timur.
Peramalan Beban Listrik Jangka Pendek Menggunakan
Optimally Pruned Extreme Learning Machine (OPELM)
Pada Sistem Kelistrikan Jawa Timur
Januar Adi Perdana, Adi Soeprijanto1)
, Rony Seto Wibowo2)
Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected])
K
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
2
Data beban dibagi menjadi dua yaitu data untuk training
dan data untuk testing. Data pada awalnya melalui proses
training untuk mengidentifikasi atau mengenali pola beban,
kemudian disimulasikan dengan proses testing untuk
mengetahui keakuratan peramalan beban di masa yang akan
datang. Peramalan ini berdasarkan data similar day, dimana
pola beban hari Senin pada minggu ini akan mempunyai pola
yang sama dengan hari Senin pada minggu yang akan datang.
Setelah dilakukan identifikasi pola beban maka diperoleh
informasi selain beban memiliki pola yang sama, dan kurva
beban semakin meningkat. Hal ini dikarenakan pola konsumsi
masyarakat terhadap kebutuhan listrik yang cenderung
semakin meningkat.
Berikut perumusan data training dan data testing untuk
mengenali pola pada hari-hari yang sama (similar day)
Data untuk proses training pengenalan pola beban adalah:
yt-1 hasil training = f (yt-2, yt-3, yt-4, yt-5,...., yt-8) (1)
Data untuk proses testing peramalan beban adalah:
yt hasil ramalan = f (yt-1, yt-3, yt-4, yt-5,...., yt-7) (2)
III. OPTIMALLY PRUNED EXTREME LEARNING
MACHINE (OPELM)
A. Extreme Learning Machine
Extreme Learning Machine merupakan metode
pembelajaran baru dari jaringan syaraf tiruan. Metode ini
pertama kali diperkenalkan oleh Huang [3]. ELM merupakan
jaringan syaraf tiruan feedforward dengan single hidden layer
atau biasa disebut dengan Single Hidden Layer Feedforward
neural Networks (SLFNs). Metode pembelajaran ELM dibuat
untuk mengatasi kelemahan-kelemahan dari jaringan syaraf
tiruan feedforward terutama dalam hal learning speed.
Pada pembelajaran dengan menggunakan conventional
gradient based learning algorithm seperti backpropagration
(BP) dan variaanya Lavenberg Marquadt (LM) semua
parameter pada JST feedforward harus ditentukan secara
manual dan memerlukan iterasi yang lama. Parameter yang
dimaksud adalah input weight dan hidden bias. Sedangkan
pada ELM parameter-parameter seperti input weight dan
hidden bias dipilih secara random, sehingga ELM memiliki
learning speed yang cepat dan mampu menghasilkan good
generalization performance. Berikut ini merupakan struktur
dari ELM.
Gambar 1 Struktur ELM
Metode ELM mempunyai model matematis yang berbeda
dari jaringan syaraf tiruan feedforward. Model matematis dari
ELM lebih sederhana dan efektif. Berikut model matrematis
dari ELM. Untuk N jumlah sample yang berbeda ( Xi , ti )
(3)
(4)
Standar SLFNs dengan jumlah hidden nodes sebanyak N
dan activation function g ( x ) dapat digambarkan secara
matematis sebagai berikut :
(5)
Dimana :
J = 1,2,..., N
w i = ( wi1 , wi2 ,....., win ) T = merupakan vektor dari
weight yang menghubungkan i th hidden nodes dan
input nodes
β i = ( β i1 , β i2 ,......, β im ) T
= merupakan weight vector
yang menghubungkan i th hidden nodes dan output
nodes
b i bias dari i th hidden nodes
w i x i Merupakan inner produk dari w i dan x i
SLFNs dengan N hidden nodes dan activation function g
(x) diasumsikan dapat meng-approximate dengan tingkat error
0 atau dapat dinotasikan sebagai berikut.
sehingga (6)
(7)
Persamaan (7) dapat dituliskan secara sederhana sebagai.
H β = T (8)
H = ( w i ,...., w N , b i ,..., b N , x i ,...., x N )
g ( w 1 .x 1 + b 1 ) ... g ( w N .x 1 + b N )
=
g ( w 1 .x N + b i ) ... g ( w N .x N + b N ) (9)
β1T
β = (10)
βNT
t1T
T = (11)
tNT
H pada persamaan (9) di atas adalah hidden layer g ( w 1 .x 1 +
b 1 ). Output matrix menunjukkan output dari hidden neuron
yang berhubungan dengan input xi . β merupakan matrix dari
output weight dan T matrix dari target atau output . Pada ELM
input weight dan hidden bias ditentukan secara acak, maka
output weight yang berhubungan dengan hidden layer dapat
ditentukan dari persamaan (8).
β = H T T (12)
B. Metode OPELM
Optimally Pruned Extreme Learning Machine (OPELM)
merupakan sebuah metode yang berdasarkan pada ELM
aslinya. OPELM ditujukan untuk mengatasi kelemahan yang
ada pada ELM ketika terdapat variabel yang tidak relevan atau
tidak berkorelasi. Untuk alasan tersebut, diperkenalkan metode
OPELM untuk pemangkasan variabel yang tidak relevan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
3
dengan memangkas neuron tidak penting dari SLFN yang
dibangun oleh ELM. Model OPELM dibangun dalam tiga
tahap[7]. Langkah pertama dari metode OPELM adalah
membangun struktur SLFN menggunakan algoritma ELM.
Kemudian dilakukan perankingan neuron pada lapisan
tersembunyi dengan algoritma MRSR (Multiresponse Spare
Regression), dan akhirnya penentu banyaknya neuron yang
dipangkas dibuat berdasarkan metode estimasi error Leave-
One-Out (LOO). Algoritma OPELM menggunakan kombinasi
tiga jenis kernel, linear, sigmoid, dan gaussian. Sedangkan
pada ELM hanya digunakan satu kernel saja, misalnya
sigmoid.
Prosedur untuk tahapan training algoritma OPELM dapat
digambarkan pada flowchart pada gambar 2.
Gambar 2 flowchart metode OPELM
Data diolah dan dikelompokkan berdasarkan pola similar
day untuk masing-masing hari-hari, kemudian dilakukan
normalisasi tiap data dengan persamaan berikut.
Xn = 2 [Xp - min (Xp)] / [max(Xp) – min(Xp)] – 1 (13)
Parameter yang digunakan pada penelitian ini antara lain.
- jumlah hidden neuron ditentukan pada maksimumnya
sebanyak 25, mengingat OPELM tidak dilakukan trial
and error
- Fungsi aktivasi menggunakan kombinasi fungsi linear,
sigmoid, dan gaussian
1) Pembentukan SLFNs dengan ELM
Langkah ini dilakukan menggunakan algoritma standar
ELM dengan sejumlah neuron yang cukup besar N. Sementara
ELM aslinya menggunakan kernel sigmoid dan model ELM ini
biasanya dirumuskan berdasarkan satu jenis fungsi aktivasi
atau kernel saja. Namun dalam metode OPELM digunakan
kombinasi dari tiga jenis kernel: linear, sigmoid, dan gaussian.
Input weight dan bias ditentukan secara acak. Matrik output
hidden layer didapat dari kombinasi inisialisai parameter
secara acak dari ketiga fungsi tersebut.
1) Fungsi linear y = x (14)
2) Fungsi sigmoid
(15)
3) Fungsi gaussian
(16)
2) Perankingan hidden neuron dengan MRSR
Sebagai langkah kedua dalam metode OPELM,
Multiresponse Spare Regression (MRSR) diterapkan untuk
perankingan hidden neuron berdasarkan keakurasiannya.
MRSR diperkenalkan oleh Similä dan Tikka[9]. Ide utama dari
algoritma ini adalah menambahkan setiap kolom dari matriks
regressor satu per satu ke dalam model Y k
= X W k, dimana Y
k
= [y1k...yp
k] adalah pendekatan target model T. Dimana X =
[x1.....xm] merupakan n x m matrik regressor, T = [t1...tp] n x p
matrik target dan W k weight matrix memiliki k baris tak nol
dan sebuah kolom baru pada matriks regressor ditambahkan ke
model. Sebagai catatan bahwa MRSR adalah perluasan dari
algoritma Least Angle Regression (LARS) yang sebenarnya
merupakan teknik perangkingan variabel. Solusi yang
dihasilkan sangat tepat jika permasalahan berbentuk linier.
Neural network dibangun pada tahap sebelumnya, hidden
layer neuron diranking oleh algoritma LARS. Karena bagian
antara hidden dan output layer dari jaringan neural network
adalah linear, LARS akan menemukan perankingan terbaik
(best ranking).
Dengan k=0, inisialisasi Y0 dan W
0 ke nol, dan normalisasi
T dan X ke rata nol. Definisikan cummulative correlation cjk
antara regressor xj dan residual, serta maksimum cummulative
corelation cmaxk , maka didapat kumpulan regressor yang
memenuhi korelasi maksimumnya, dinotasikan dengan A dan
membentuk matrik n x |A| XA= [x1....xj].
(17)
(18)
Kemudian hitung parameter OLS k+1
dan estimasi OLS
untuk target k+1
k+1 = (XA
T XA)
-1 XA
T T (19)
k+1 = XA (XA
T XA)
-1 XA
T T (20)
Greedy forward selection menambahkan regressor
berdasarkan persamaan (17) dengan menggunakan estimasi
OLS (20). Algoritmanya dapat didefinisikan dengan
Tidak
Ya
Mulai
Berhenti
Set maksimum hidden neuron
Inisialisasi parameter secara acak
dengan kombinasi fungsi lsg
Perankingan hidden
neuron
Hitung LOO error
(ɛ)
Hitung Output weight
dan Output
LOO error
minimum
Masukkan data
normalisasi
Hitung MAPE
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
4
perpindahan dari estimasi MRSR Yk
menuju estimasi OLS k+1
, U k
= k+1
-Y k namun cara tersebut tidak diijinkan.
Langkah yang mungkin diambil ke arah U k untuk regressor x j
dimana j A memiliki cummulative correlation besar dengan
residual yang siap ditambahkan ke regressor.
Untuk update estimasi MRSR Yk+1
perlu dihitung nilai step
size γk yang tepat. Ini membuat cumulative correlation pada
langkah selanjutnya sebagai sebuah fungsi γ
untuk j A (21)
untuk j A (22)
Dimana dan k+1
.
Regressor baru dengan index j A akan dimasukkan ke model
ketika (18) dan (19) sama. Ini terjadi jika step size diambil dari
(23)
Dimana adalah sign vector 2p, matrik p x 1 dengan element
bisa bernilai 1 atau -1. Pilihan terbaik adalah step size
terkecil dengan nilai positive yang menghasilkan regressor
baru
γk = min{γ|γ≥0 dan γ untuk j A} (24)
didapat update estimasi target sebagai berikut.
(25)
Dan weight matrix yang memenuhi (22) dan (17) diupdate
menjadi
(26)
Parameter dari regressor terpilih disusutkan berdasarkan
persamaan (26). Pemilihan akhir model dari m kemungkinan
didasarkan pada akurasi prediksi untuk data baru.
3) Seleksi neuron dengan Leave-One-Out
Setalah perankingan neuron dari hidden layer telah
diperoleh jumlah neuron terbaik untuk model yang dipilih,
digunakan LOO untuk memvalidasi. Menghitung LOO error
bisa sangat memakan waktu ketika kumpulan data cenderung
memiliki sampel neuron penting. Untungnya, PERSS statistik
(or PREdiction Sum of Squares) memberikan formula
langsung dan tepat untuk perhitungan kesalahan ini pada
model linier:
(27)
Dimana i dinotasikan sebagai hidden node ke-i, P
didefinisikan sebagai P = (H TH)
-1, H adalah hidden layer
output matrix yang didefinisikan sebelumnya, dan hi adalah
kolom pada keluaran matrik lapisan tersembunyi.
Jumlah neuron yang optimal didapat dari estimasi LOO
error pada jumlah node-node (yang telah diranking
berdasarkan akurasi) dan menyeleksi jumlah neuron dari
minimum errornya.
Kemudian neuron hasil pemangkasan tersebut digunakan
untuk menghitung Output weight yang didapat dari hasil invers
dari matrik hidden layer dan target Output. Untuk mengetahui
performa algoritma dari tiap metode maka dihitung nilai fitness
yang menunjukkan MAPE (Mean Absolute Percentage Error)
dari tiap perhitungan fungsi objektif training dan testing, yaitu
error rata-rata dari pemodelan OPELM dan ELM.
MAPE = (28)
jika nilai MAPE makin mendekati nol maka kinerja hasil
peramalan semakin baik.
IV. SIMULASI, HASIL, DAN PEMBAHASAN
A. Analisa Data
Sistem peramalan ini berdasarkan similar day, misalnya
pola beban hari Senin pada minggu ini akan mempunyai pola
yang sama dengan hari Senin pada minggu yang akan datang.
Pada Tugas Akhir ini digunakan data beban listrik harian pada
hari kerja (week day), Senin sampai dengan Jumat dan data
beban listrik harian untuk akhir minggu (week end),hari Sabtu
dan Minggu.
Pengidentifikasian karakteristik atau pola konsumsi beban
perlu dilakukan sebelum melakukan peramalan. Karena
kecenderungan pola aktivitas konsumen listrik akan berulang
dengan tren yang meningkat. Maka hendaknya data akhir
minggu yang dipilih memperhatikan korelasinya terhadap data
aktual yang diramalkan sehingga proses pengenalan pola
beban memperoleh hasil yang akurat. Proses testing dari hasil
training terbaik tidak selalu memberikan hasil yang baik pula,
tergantung pada korelasi data yang digunakan sebagai
masukan[2]. Jika data yang digunakan untuk testing
mempunyai korelasi yang hampir sama antara data-data
masukan yang digunakan maka hasil testing akan memberikan
hasil yang bagus, dan sebaliknya.
B. Analisis Hasil
Berikut ini dijelaskan hasil uji coba peramalan beban listrik
hari jumat, 9 Maret 2012 menggunakan OPELM. Pada
peramalan dengan metode OPELM dilakukan uji coba dengan
fungsi aktivasi lsg (linear, sigmoid, gaussian), sedangkan
ELM menggunakan fungsi linear karena data cenderung
stationer.
Pada proses training, hasil optimasi menghasilkan jumlah
hidden neuron sebanyak 7. Berikut Hasil proses training
pengenalan pola beban untuk hari Jumat menggunakan metode
OPELM dan ELM ditampilkan pada Tabel 1.
Tabel 1 Keakuratan Model Peramalan Data
Training Menggunakan Metode OPELM dan ELM
untuk Hari Jumat
Metode Fungsi
Aktivasi
Jumlah
hidden
neuron
MAPE
training(%)
OPELM lsg 7
1,1086
ELM linear 4,3877 *lsg = linear, sigmoid,gaussian
Berdasarkan Tabel 1 diketahui bahwa metode OPELM
memiliki nilai MAPE training sebesar 1,1086% sedangkan
pada metode ELM sebesar 4,3877%. Nilai MAPE OPELM
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
5
lebih kecil dibandingkan metode ELM. Grafik perbandingan
hasil training antara OPELM dan ELM disajikan pada Gambar
3.
0 5 10 15 20 25 30 35 40 45 502600
2800
3000
3200
3400
3600
3800
4000Training
Waktu dalam 30 menit selama 24 jam
Beban (
MW
)
target
hasil training OPELM
hasil training ELM
Gambar 3 Plot Perbandingan Hasil training Peramalan Beban
Listrik untuk Hari Jumat
Untuk melihat seberapa baik model yang terbentuk,
dilakukan validasi model dengan data testing. Tabel 2
menunjukkan perbandingan keakuratan hasil ramalan dari
metode OPELM dan ELM.
Tabel 2 Perbandingan Keakuratan Hasil Testing
Menggunakan Metode OPELM dan ELM untuk Hari
Jumat
Metode MAPE
training(%)
MAPE
testing(%)
OPELM 1,1086 1,5534
ELM 4,3877 2,6813
0 5 10 15 20 25 30 35 40 45 502800
3000
3200
3400
3600
3800
4000
4200Testing
Waktu dalam 30 menit selama 24 jam
Beban (
MW
)
Aktual
hasil testing OPELM
hasil testing ELM
Gambar 4 Plot Hasil Testing Menggunakan Metode
OPELM dan ELM untuk Hari Jumat
Berdasarkan Tabel 2 diketahui bahwa metode OPELM
memiliki nilai MAPE testing sebesar 1,5534% dan ELM
2,6813%. Nilai MAPE OPELM lebih kecil dibandingkan
dengan ELM. Hal ini menunjukkan metode OPELM memiliki
keakuratan lebih baik daripada ELM. Hasil testing
menggunakan metode OPELM dan ELM ditunjukkan pada
Gambar 4
Jika hasil pengujian peramalan direpresentasikan dalam
jumlah beban (MW) per 30 menit dan ditunjukkan error per
30 menitnya maka dapat ditampilkan pada Tabel 3.
Tabel 3 Hasil Testing Peramalan Beban untuk Hari Jumat
Jumat, 9 Maret 2012
Jam Data Aktual
(MW)
OPELM
(MW)
Error
OPELM
(%)
ELM
(MW)
Error
ELM
(%)
00.30 3039,42 3115,05 2,4884 3196,06 5,1536
01.00 2980,30 3086,83 3,5743 3108,20 4,2914
01.30 2977,12 3031,77 1,8357 3146,26 5,6814
02.00 2907,30 3015,56 3,7239 3117,02 7,2136
02.30 2929,30 2984,97 1,9005 3046,00 3,9840
03.00 2920,30 2935,85 0,5326 2977,85 1,9708
03.30 2891,12 2904,98 0,4793 2972,85 2,8269
04.00 2950,30 2969,86 0,6631 2980,68 1,0299
04.30 2981,30 3030,15 1,6387 3074,29 3,1192
05.00 3154,30 3193,26 1,2351 3221,68 2,1362
05.30 3184,72 3175,66 0,2846 3274,64 2,8235
06.00 3104,06 3095,14 0,2875 3212,70 3,5001
06.30 2965,02 2855,53 3,6926 3080,06 3,8798
07.00 2944,00 2904,53 1,3407 2988,33 1,5057
07.30 3022,88 3026,26 0,1117 3084,26 2,0306
08.00 3163,88 3181,41 0,5541 3173,68 0,3098
08.30 3217,06 3269,31 1,6242 3241,38 0,7559
09.00 3319,76 3328,37 0,2593 3334,20 0,4348
09.30 3368,08 3352,55 0,4611 3368,65 0,0170
10.00 3438,36 3447,12 0,2549 3454,82 0,4786
10.30 3493,36 3442,55 1,4545 3479,99 0,3827
11.00 3480,48 3476,16 0,1240 3422,47 1,6668
11.30 3334,48 3318,40 0,4822 3309,28 0,7558
12.00 3423,48 3123,15 8,7726 3096,32 9,5563
12.30 3123,74 3118,62 0,1640 3065,01 1,8801
13.00 3239,16 3358,08 3,6713 3378,84 4,3123
13.30 3454,90 3503,17 1,3973 3576,10 3,5079
14.00 3414,60 3439,35 0,7248 3647,76 6,8283
14.30 3456,90 3505,18 1,3965 3435,68 0,6138
15.00 3393,08 3491,76 2,9084 3351,29 1,2318
15.30 3374,78 3423,53 1,4445 3490,06 3,4158
16.00 3408,90 3404,10 0,1408 3486,18 2,2670
16.30 3435,68 3384,29 1,4957 3471,53 1,0435
17.00 3504,10 3401,94 2,9155 3434,62 1,9828
17.30 3631,68 3522,19 3,0149 3516,33 3,1761
18.00 3921,46 3733,57 4,7913 3810,87 2,8202
18.30 3901,76 3890,03 0,3005 3980,64 2,0217
19.00 3926,08 3881,98 1,1232 3989,48 1,6149
19.30 3898,90 3908,44 0,2446 4000,39 2,6031
20.00 3879,66 3901,48 0,5623 3969,65 2,3194
20.30 3808,66 3812,98 0,1135 3879,82 1,8683
21.00 3784,66 3771,98 0,3351 3801,72 0,4507
21.30 3646,66 3566,05 2,2105 3663,04 0,4492
22.00 3441,78 3437,54 0,1232 3550,20 3,1500
22.30 3301,90 3386,44 2,5605 3511,38 6,3441
23.00 3254,66 3297,31 1,3103 3431,65 5,4379
23.30 3183,66 3208,68 0,7859 3292,93 3,4322
24.00 3229,50 3130,94 3,0519 3243,33 0,4282
Maximum Error 8,7726 9,5563
Minimum Error 0,1117 0,0170
Average Error 1,5534 2,6813
Berdasarkan tabel, untuk beban puncak (warna biru) pada
peramalan OPELM yaitu sebesar 3908,44 MW pada pukul
19.30 dan pada peramalan ELM sebesar 4000,39 MW pada
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
6
pukul 19.30. Sedangkan dari data aktual beban puncak terjadi
pada pukul 19.00 sebesar 3926,08 MW. Hasil OPELM
memiliki error maksimum (warna kuning) 8,7726% pada
beban pukul 12.00, error minimum (warna hijau) 0,1117%
pada pukul 07.30, dan error rata-rata 1,5534%. Sedangkan
hasil dari ELM menunjukkan error maksimum 9,5563% pada
pukul 12.00, error minimum 0,0170% pada pukul 09.30, dan
error rata-rata 2,6813%.
Hasil kesuluruhan peramalan beban listrik jangka pendek
pada hari-hari yang sama (similar days) di wilayah Jawa Timur
dapat dilihat pada Tabel 4.
Tabel 4 Hasil Keseluruhan Peramalan Beban Listrik Jangka
Pendek untuk Similar Day di wilayah Jawa Timur
No Hari
OPELM ELM
MAPE
training
(%)
MAPE
testing
(%)
MAPE
training
(%)
MAPE
testing
(%)
1 Senin 0,8316 1,5848 2,1361 2,1832
2 Selasa 1,4370 2,1871 2,8202 2,9994
3 Rabu 1,0299 4,6062 3,2257 5,3438
4 Kamis 0,8315 3,2971 2,2353 3,8804
5 Jumat 1,1086 1,5534 4,3877 2,6813
6 Sabtu 1,1040 1,8498 3,0611 2,3840
7 Minggu 1,4440 2,1947 2,8828 2,4561
Didapatkan besar nilai MAPE dari proses training dan
testing dari metode OPELM dan ELM. MAPE testing terkecil
dengan metode OPELM yang menunjukkan bahwa hasil
peramalan terbaik ditunjukkan pada peramalan pada hari
Jumat sebesar 1,5534%. Sedangkan MAPE testing terbesar
dengan metode OPELM yang menunjukkan hasil peramalan
paling tidak akurat terjadi pada peramalan hari Rabu sebesar
4,6062%. Secara keseluruhan dari hasil error MAPE yang
didapat, peramalan menggunakan metode OPELM memiliki
nilai keakuratan lebih baik dari metode ELM.
V. KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian ini adalah
sebagai berikut.
1) Peramalan beban listrik jangka pendek menggunakan
metode Optimally Pruned Extreme Learning (OPELM)
memperoleh hasil peramalan yang lebih akurat
dibandingkan dengan metode Extreme Learning
Machine (ELM).
2) Hasil terbaik OPELM ditunjukkan pada peramalan
beban pada hari Jumat dengan MAPE testing sebesar
1,5534%, sementara MAPE testing ELM sebesar
2,1832%.
3) Pengidentifikasian karakteristik atau pola beban perlu
dilakukan sebelum melakukan peramalan. Hal ini
terkait dengan korelasi antara data yang menjadi
masukan dengan data aktual. Semakin besar nilai
korelasinya (kemiripan pola) maka error yang didapat
semakin kecil. Terdapat juga faktor-faktor lain yang
mempengaruhi pola konsumsi listrik, yaitu pengaruh
cuaca dan tingkat perekonomian masyarakat setempat.
DAFTAR PUSTAKA
[1] Suswanto, D., “Sistem Distribusi Tenaga Listrik : Untuk Mahasiswa
Elektro (Edisi Pertama)”, Jurusan Teknik Elektro Fakultas Teknik
Universitas Negeri Padang, Padang, 2009
[2] Shayeghi. H., Shayanfar, H.A., and Azimi, G., “A Hybrid Particle
Swarm Optimization Back Propagation Algorithm for Short Term Load
Forecasting”. International Journal on Technical and Physical Problems
of Engineering, Vol.1, Issue 3, 12-22, 2010
[3] Huang, G.B., Zhu,Q.Y., dan Siew, C.K.,”Extreme Learning Machine :
A New Learning Scheme of Feedforward Neural Network”, Proceeding
of International Joint Conference on Neural Networks, vol 2, Budapest,
Hungary, pp 985-990, 25-29 Juli 2004
[4] Huang, G.B., Zhu, Q.Y., dan Siew, C.K., “Extreme Learning Machine :
Theory and applications”, Elsevier science: Neurocomputing 70 489-
501. 2004
[5] Prasetyo Gusti, R.A., Imam Robandi, “Peramalan Beban Jangka
Pendek Untuk Hari-hari Libur Dengan Metode Support Vector
Machine”, Tugas Akhir, ITS, 2008
[6] Kusumadewi, Sri,”Artificial Intelligent (Teknik dan Aplikasinya)”.
Penerbit Graha Ilmu, Yogyakarta, 2003
[7] A. Sorjamaa, Y. Miche, R. Weiss and A. Lendasse, “Long Term
Prediction of Time Series Using NNE-based Projection and OP-ELM”.
In Proc. Inter. Jt. Conf. Artif. Neural Netw, Hong Kong, China, pp.
2675-2681, 2008
[8] Y. Miche, P. Bas, C. Jutten, O. Simula, and A. Lendasse,”A
metodhology for building regression models using extreme learning
machine : Op-elm”, Accepted for publication in ESANN 2008
conference.
[9] T. Similä and Tikka, “Multiresponse spare regression with application
to multidimensional scaling”, in Proc. Int. Conf. Artif. Neural Netw.,
vol. 3697, pp. 97-102, 2005
[10] Wicaksono, G., “Peramalan Beban Listrik Jangka Pendek Pada PT.
PLN Region Jawa Timur-Bali Menggunakan Metode Extreme
Learning Machine (ELM)”, Laporan Tugas Akhir Jurusan Teknik
Elektro, ITS, Surabaya, 2012
[11] A. Lendasse, A. Sorjamaa, and Y. Miche, “OP-ELM Toolbox”,
[Online].<Available:http://www.cis.hut.fi/projects/tsp/index.php?
page=OPELM>, 2008
BIOGRAFI PENULIS
Januar Adi Perdana adalah nama
lengkap penulis yang dikenal dengan
nama panggilan Januar. Penulis lahir
di Surabaya, pada tanggal 27 Januari
1990. Penulis memulai pendidikannya
dari Taman Kanak-kanak di TK.
Melati Surabaya, kemudian
melanjutkan studinya di SD Negeri
Wonokusuma 5 Surabaya, dan SMA
Negeri 8 Surabaya. Setelah lulus dari
SMA pada tahun 2008, PEnulis melanjutkan studi di Jurusan
Teknik Elektro, Fakultas Teknologi Industri, Institut
Teknologi Sepuluh Nopember Surabaya melalui jalur
SNMPTN tahun 2008. Pada bulan Juni 2012 penulis
mengikuti seminar dan ujian Tugas Akhir sebagai salah satu
persyaratan untuk memperoleh gelar Sarjana Teknik Elektro.
email: [email protected]