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: adisup@ee.its.ac.id1)

, ronyseto@ee.its.ac.id2)

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: januaradi@gmail.com