Proposal Ta

5/10/2018 Proposal Ta - slidepdf.com

http://slidepdf.com/reader/full/proposal-ta-559e04181364b 1/16

ABSTRAK

Seiring dengan pertumbuhan penduduk dan ekonomi di Indonesia pada

umumnya dan Aceh khususnya akan menuntut PT. PLN sebagai penyedia energi

listrik untuk dapat memenuhi kebutuhan akan energi listrik secara memadai dengan

tidak mengesampingkan mutu dari energi tersebut. Dalam hal ini PT. PLN dituntut

untuk membuat sebuah perencanaan dalam rangka pengembangan jaringan listrik

untuk memenuhi kebutuhan pelanggan yang semakin melonjak. Sebelum membuat

perencanaan tersebut dibutuhkan sebuah peramalan atau prakiraan agar jaringan

listrik yang akan dikembangkan untuk masa yang akan datang dapat dimanfaatkan

secara efisien. Dalam tugas akhir ini penulis akan membahas berapa besar

kebutuhan akan energi listrik di kota Banda Aceh untuk masa yang akan datang

dengan menggunakan metode backpropagation.

Kata kunci : Energi listrik, Peramalan, Backpropagation.

1



BAB I

PENDAHULUAN

1.1 Latar belakang

Energi listrik merupakan energi yang sangat dibutuhkan oleh masyarakat

dewasa ini. Seiring dengan perkembangan teknologi dalam berbagai bidang yang

semakin pesat, teknologi kelistrikan juga terjadi peningkatan dalam penyediaannya

yang disesuaikan dengan kebutuhan masyarakat. Dalam hal ini PLN selaku penyedia

energi tersebut dituntut untuk menyediakannya secara kuntinyu. Selain itu, PLN juga

dituntut untuk menjaga mutu dari energi tersebut.

Pertambahan penduduk dapat memicu terjadinya peningkatan kebutuhan

energi listrik, tetapi hal ini tidak seimbang dengan peningkatan penyediaan tenaga

listrik, dimana kapasitas daya terpasang masih tetap, sementara kebutuhan

masyarakat terus meningkat dan berbagai kegiatan pendukungnya. Hal ini dapat

dikatakan bahwa ketergantungan dalam pemakaian tenaga listrik sangat tinggi, tidak

hanya untuk kebutuhan penerangan tetapi juga untuk mendukung kegiatan ekonomi.

Maka dari itu akibat yang ditimbulkan adalah seringnya terjadi pemadaman aliran

listrik oleh PLN, terutama pada saat beban puncak. Hal ini disebabkan oleh akibat

pemakaian beban yang melebihi daya yang telah disediakan.

Dalam penyaluran energi listrik perlu adanya sebuah peramalan untuk masa

yang akan datang agar menghasilkan sebuah sistem yang andal. Dewasa ini telah

tersedia software atau program yang dirancang khusus untuk perhitungan, sehingga

dapat mempermudah dalam perhitungan peramalan beban tersebut. Penggunaan

software ini tidak hanya demi kepastian, tetapi juga untuk meningkatkan ketelitiandalam perhitungan.

Peramalan kebutuhan energi listrik telah banyak dilakukan pada beberapa

waktu yang lalu, salah satunya adalah peramalan beban listrik menggunakan jaringan

saraf tiruan metode kohonen oleh Galang Jiwo Syeto, Arna Fariza, S.kom, M.kom,

2



Setiawardhana, S.T. Dalam tugas akhir ini, sebelum masuk peramalan beban listrik

menggunakan jaringan saraf tiruan metode kohonen, digunakan terlebih dahulu

metode backpropagation dan counterpropagation untuk menghitung peramalan mean

dan standar deviasi. Kedua nilai peramalan mean dan standar deviasi selanjutnya

akan digunakan sebagai parameter pembentuk jaringan kohonen.

Dalam Tugas Akhir peramalan beban menggunakan metode Backpropagation

ini penulis hanya menggunakan metode Backpropagation dan tidak

membandingkannya dengan metode yang lain.

1.2 Tujuan khusus

Adapun tujuan khusus yang ingin dicapai dalam Tugas Akhir ini adalah untuk

mengetahui kebutuhan energi listrik jaringan distribusi kota Banda Aceh dimasa yang

akan datang dengan menggunakan software SPSS 19 sebagai program pendukung

melalui metode Backpropagation.

1.3 Urgensi (keutamaan) penelitian

Dengan adanya Tugas Akhir ini diharapkan dapat menjadi referensi kepada

pihak PT. PLN cabang Banda Aceh sebagai unit pelayanan kebutuhan tenaga listrik

di kota Banda Aceh untuk pengembangan jaringan listrik dimasa yang akan datang

dan energi listrik yang disalurkan dapat dimanfaatkan secara efisien.

3



BAB II

STUDI PUSTAKA

2.1 Pendahuluan

Pada dasarnya peramalan merupakan suatu dugaan atau prakiraan mengenai

terjadinya suatu kejadian atau peristiwa dimasa yang akan datang. Peramalan

merupaka langkah awal dari sebuah perencanaan.

Dalam perencanaan disuatu instansi baik itu pemerintah maupun swasta,

peramalan merupakan kebutuhan yang sangat mendasar. Dimana baik maupun

buruknya ramalan dapat mempengaruhi seluruh bagian instansi, karena waktutenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun.

Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan

efisien.

Kegunaan dari suatu peramalan dapat dilihat pada saat pengambilan

keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas

pertimbangan apa yang terjadi saat keputusan tersebut dilakukan. Apabila keputusan

yang diambil kurang tepat sebaiknya keputusan tersebut tidak dilaksanakan.

Pengambilan keputusan merupakan masalah yang selalu dihadapi maka peramalan

juga merupakan masalah yang selalu dihadapi karena peramalan berkaitan erat

dengan pengambilan suatu keputusan.

Baik tidaknya suatu peramalan yang disusun, ditentukan oleh metode,

informasi maupun data yang digunakan atau pun ketepatan ramalan yang dibuat.

Apabila data yang digunakan tidak dapat meyakinkan maka hasil peramalan yang

disusun juga akan sukar dipercaya ketepatannya. Oleh karena itu, ketepatan dari

ramalan tersebut merupakan hal yang sangat penting. Walaupun demikian perlu

disadari bahwa suatu ramalan adalah tetap ramalan, dimana selalu ada unsur

kesalahannya. Sehingga yang penting diperhatikan adalah usaha untuk memperkecil

kesalahan tersebut.

4



Terdapat dua hal dalam peramalan di bidang tenaga listrik, yaitu kebutuhan

energi listrik (watt/jam) dan beban tenaga listrik (watt). Keduanya sering disebut

dengan istilah Demand and Load Forecasting. Hasil peramalan ini nantinya akan

dipergunakan untuk rencana pemenuhan kebutuhan maupun pengembangan

penyediaan tenaga listrik (Daman Suswanto, 2010).

Secara garis besar terdapat 3 tahap dalam pembuatan peramalan kebutuhan

tenaga listrik, yaitu :

- Pengumpulan dan penyiapan data.

- Pengolahan dan analisa data.

- Penentuan metode dan pembuatan model.

Prakiraan kebutuhan energi listrik dapat dikelompokkan menurut jangka

waktunya menjadi tiga kelompok, yaitu :

a. Prakiraan jangka panjang

Prakiraan jangka panjang adalah prakiraan untuk jangka waktu diatas satu

tahun. Dalam prakiraan jangka panjang masalah-maslah makro ekonomi yang

merupakan masalah ekstern perusahaan listrik merupakan faktor utama yang

menentukan arah prakiraan kebutuhan energi. Faktor makro tersebut diatas misalnya

adalah Pendapatan Domestik Regional Bruto (PDRB).

b. Prakiraan jangkah menengah

Prakiraan jangka menengah adalah prakiraan untuk jangka waktu dari satu

bulan sampai dengan satu tahun. Dalam prakiraan beban jangka menengah faktor-

faktor manajerial perusahaan merupakan faktor utama yang menentukan. Masalah-

masalah manajerial misalnya kemampuan teknis memperluas jaringan distribusi,kemmapuan teknis menyelesaikan proyek pembangkit listrik baru serta juga

kemampuan teknis menyelesaikan proyek saluran transmisi.

5



c. Prakiraan jangka pendek

Prakiraan jangka pendek adalah prakiraan untuk jangka waktu beberapa jam

sampai satu minggu (168 jam). Dalam prakiraan jangka pendek terdapat batas atas

untuk beban maksimum dan batas bawah untuk beban minimum yang ditentukan oleh

prakiraan beban jangka menengah.

Pemilihan metode yang harus digunakan / dipilih sangat tergantung dari

beberapa hal antara lain :

• Tujuan prakiraan,

• Subyektifitas yang membuat prakiraan, kemudahan metodenya serta

kemudahan memperoleh data pendukungnya (Daman Suswanto, 2010).

Secara umum proses peramalan dapat dibagi menjadi 4 bagian (Galang Jiwo

Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T, 2010), yaitu:

1. Perhitungan Mean (μt) dan standar deviasi (st) per hari dan prediksi mean dan

standar deviasi hari berikutnya.

24,1,24

24

1

,

==

∑= i

yi

it

t µ ……………………………………………………………..

(1)

24

),( 224

1

t

i

t

i yt

S

µ −

=

∑=

……………………………………………………………(2)

Dimana nilai i adalah data jam dalam satu hari (24 jam), nilai t adalah data hari

dan y adalah data beban listrik.

2. Perhitungan profil normal per hari (nyt,i).

nyt,i =t

t

S i yt µ −

, ………………………………………………………………......

(3)

3. Klasifikasi mean dan standar deviasi.

4. Perhitungan prediksi 24 jam ke depan (y’ t,i).

6



ŷ = nyt,i . St + µt, i = 1,24………………………………………………………....(4)

2.2 Jaringan Syaraf Tiruan

Neural Network atau Jaringan Syaraf Tiruan adalah sistem pemroses

informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Jaringan

syaraf tiruan ditentukan oleh 3 hal:

a. Pola hubungan antar neuron (arsitektur jaringan).

b. Metode untuk menentukan bobot penghubung (disebut metode

trainning/learning/algoritma).

c. Fungsi aktivasi.

Beberapa manfaat dari jaringan syaraf tiruan adalah sebagai berikut:

a. Pengenalan Pola, Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal

angka, huruf, angka, suara, atau tanda tangan) yang sudah sedikit berubah.

b. Signal Processing, Jaringan syaraf tiruan dapat dipakai untuk menekan noise dalam

saluran telepon.

c. Peramalan, Jaringan syaraf tiruan dapat dipakai untuk meramalkan pola kejadian

dimasa yang akan datang dengan pola kejadian di masa lampau.

Beberapa aplikasi yang sudah ditemukan dalam Jaringan Syaraf Tiruan untuk

bidang –bidang tertentu antara lain:

a. Klasifikasi : ADALINE, LVQ, Backpropagation, SOM dan lain-lain.

b. Pengenalan Pola : Adaptive Resonance Theory, LVQ, Backpropagation,

Neocognition.

c. Peramalan : ADALINE, MADALINE, Backpropagation, Radial Basis dan lain-

lain.

d. Optimasi : ADALINE, Hopfield, Boltzman, Backpropagation dan lain-lain (Farid

Ma’ruf.dkk, 2010).

2.3 Backpropagation

7



Algoritma backpropagation untuk neural network umumnya diterapkan pada

perceptron berlapis banyak (multilayer perceptrons). Perceptron paling tidak

mempunyai bagian input , bagian output dan beberapa lapis yang berada diantara

input dan output . Lapis ditengah ini, yang juga dikenal dengan lapis tersembunyi

(hidden layers)boleh satu, dua, tiga dst. Dalam praktek, banyaknya hidden layer

paling banyak adalah tiga lapis. Dengan tiga lapis ini hampir semua permasalahan

dalam dunia industri telah bisa diselesaikan. Output lapis terakhir dari hidden layer

langsung dipakai sebagai output dari neural network . Untuk penerapan peramalan,

banyaknya lapis yang diperlukan cukup dua lapis. Hanya dengan dua layer ,

perceptron neural network hampir dapat mengepaskan semua bentuk kurva data

runtun waktu yang ada. Banyaknya neuron yang diperlukan bisa divariasi. Misalnya,untuk menyesuaikan terhadap bentuk kurva yang komplek, maka banyak neuron bisa

dibuat banyak. Semakin banyak neuron yang dipakai, neural network akan semakin

bias mendekati kuva yang rumit sekalipun. Namun semakin banyak neuron yang

dipakai akan semakin banyak pula parameter yang harus diset dengan demikian

perhitungan menjadi semakin lama.

Untuk penerapan peramalan, neural network diinginkan untuk dapat

menghitung atau menghasilkan satu angka output terhadap satu angka input , seperti

memplot kurva dua dimensi. Bentuk perangkat data yang digunakan untuk melatih

neural network juga berupa pasangan data angka berupa angka input dan angka

target. Oleh karena itu neural network untuk peramalan ini mempunyai satu input dan

satu output saja (T. Iwan B. Pratama, 1999).

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi

beberapa syarat yaitu: kontinu, terdifferensial dengan mudah dan merupakan fungsi

yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga

sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).

f (x) = x

e−

+1

1dengan turunan f’(x) = f(x) (1- f(x))………………………………...

(5)

Pelatihan backpropagation meliputi 3 fase, yaitu sebagai berikut :

8



1. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar

masukan hingga layar keluaran menggunakan menggunakan fungsi aktivasi yang

ditentukan.

2. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dan target yang

diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan

mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar

keluaran.

3. Fase yang ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang

terjadi.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

Umumnya kondisi penghentian yang dipakai adalah jumlah iterasi atau toleransikesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi

jumlah maksimum yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil

dari batas toleransi yang diijinkan (Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom,

Setiawardhana, S.T , 2010).

Gambar 1 dibawah ini menunjukkan arsitektur dari backpropagation dengan n

buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p

unit (ditambah sebuah bias), serta m buah unit keluaran.

9



Gambar 1 : Arsitektur Backpropagation ( Dinar Atika Sari, 2010).

Variable v ji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi z j. variable v j0 merupakan bobot garis yang menghubungkan bias di unit

masukan ke unit layar tersembunyi z j. Variable wkj merupakan bobot dari unit layar

tersembunyi z j ke unit keluaran yk . Variable wko merupakan bobot dari bias di layar

tersembunyi ke unit keluaran yk .

2.4 Peramalan beban listrik menggunakan metode backpropagation

Peramalan adalah salah satu bidang yang paling bagus dalam mengaplikasikan

metode backpropagation. Secara umum, masalah peramalan dapat dinyatakan dengan

sejumlah data runtun waktu (time series) x1, x2,..., xn. Masalahnya adalah

memperkirakan berapa harga xn+1 berdasarkan x1, x2,..., xn. Jumlah data dalam satu

periode (misalnya satu tahun) pada suatu kasus dipakai sebagai jumlah masukan

dalam backpropagation. Sebagai targetnya diambil data bulanan pertama setelah

periode berakhir.

Langkah-langkah membangun struktur jaringan untuk peramalan sebagai berikut:

1. Transformasi Data

Dilakukan transformasi data agar kestabilan taburan data dicapai dan juga untuk

menyesuaikan nilai data dengan range fungsi aktivasi yang digunakan dalam

jaringan. Jika ingin menggunakan fungsi aktivasi sigmoid (biner), data harus

ditransformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah [0.1].

Data bisa ditransformasikan ke interval [0.1]. Tapi akan lebih baik jikan

ditransformasikan keinterval yang lebih kecil, misalnya pada interval [0.1,0.9],

karena mengingat fungsi sigmoid nilainya tidak pernah mencapai 0 ataupun 1.

Untuk mentransformasikan data ke interval [0.1,0.9] dilakukan dengan

transformasi linier sebagai berikut :

Transformasi Linier pada selang [a,b]

10



minminmax ))((

' xab

a x x x x +

−

−−

= ……………………………………………………

(6)

dengan :

' x = nilai data setelah transformasi linier.

x = nilai data aktual.

xmin = nilai minimum data aktual keseluruhan.

xmax = nilai maksimum data aktual keeluruhan.

Dengan transformasi ini, maka data terkecil akan menjadi 0,1 dan data terbesar

akan menjadi 0,9.

2. Pembagian Data

Pembagian data dilakukan dengan membagi data penelitian menjadi data pelatihan

dan pengujian. Komposisi data pelatihan dan pengujian bias dilakukan dengan

trial and error , namun komposisi data yang sering digunakan adalah sebagai

berikut :

a. 90% untuk data pelatihan dan 10% untuk data pengujian.

b. 80% untuk data pelatihan dan 20% untuk data pengujian.

c. 70% untuk data pelatihan dan 30% untuk data pengujian.

d. Dan seterusnya.

Proses pembagian data ini sangat penting, agar jaringan mendapat data pelatihan

yang secukupnya. Jika data yang dibagi kurang dalam proses pelatihan maka akan

menyebabkan jaringan mungkin tidak dapat mempelajari taburan data dengan

baik. Sebaliknya, jika data yang dibagi terlalu banyak untuk proses pelatihan maka

akan melambatkan poses pemusatan (konvergensi). Masalah overtraining (data

pelatihan yang berlebihan) akan memyebabkan jaringan cenderung untuk menghafal data yang dimasukan daripada mengeneralisasi.

3. Perancang Arsitektur Jaringan Yang Optimum

11



Menentuan jumlah simpul masukan, simpul lapisan tersembunyi, simpul lapisan

tersembunyi berikutnya dan simpul keluaran yang akan digunakan dalam jaringan.

Penentuan ini dilakukan dengan trial and error .

4. Pemilihan Koefisien Pemahaman dan Momentum

Dalam hal ini pemilihan koefisien pemahaman dan momentum mempunyai

peranan yang penting untuk struktur jaringan yang akan dibangun. Dalam

membangun jaringan yang akan digunakan dalam peramalan, hasil keputusan yang

kurang memuaskan dapat diperbaiki dengan penggunaan koefisien pemahaman

dan momentum secara trial and error untuk mendapatkan nilai bobot yang paling

optimum agar MAPE dan MSE jaringan dapat diperbaiki.

5. Memilih dan Menggunakan Arsitektur Jaringan yang Optimum.

Tingkat keakuratan ramalannya akan dinilai setelah jaringan dibangun. Jaringan

yang optimum dinilai dengan melihat nilai MSE (Mean Square Error ) terkecil.

MSE = ∑∑==

−=n

t

t t

n

i

i y yn

en 1

2

1

2 )'(11

……………………………………………….

(7)

Dengan :

n = bilangan ramalan.

yt = nilai aktual pada waktu t.

y’t = nilai ramalan pada waktu t.

6. Pemilihan jaringan optimum dan penggunaannya untuk peramalan.

Jaringan dengan nilai MSE terkecil dipilih sebagai jaringan yang optimum untuk

digunakan dalam peramalan.

12



BAB III

METODE PENELITIAN

3.1 Metode Penelitian

Metode penelitian ini dilaksanakan dengan tahapan sebagai berikut:

1. Studi literatur, yaitu dengan membaca teori-teori yang berkaitan dengan

peramalan menggunakan metode backpropagation.

2. Pengumpulan data pendukung untuk peramalan.

3. Menganalisa sistem untuk dapat dimodelkan dengan software.

4. Menganalisa data dan membahas hasil yang telah didapatkan.

5. Penulisan laporan tugas akhir sebagai dokumentasi hasil.

13



Langkah-langkah penelitian dalam Tugas akhir ini dapat dilihat pada

flowchart dibawah ini :

14

Hitung Rata-rata,

pers. 1 dan 2 I n p u t T i d a k S e s u a i

Mulai

Peramalan BebanListrik

Simulasi

Jaringan

Input Data

Pengujian

Data pengujian

sesuai data pelatihan?

Ya

Tidak

Kurva beban

hasil

peramalan



Gambar 3.1 : Flowchart peramalan kebutuhan listrik dengan menggunakan metode

Backpropagation.

JADWAL PELAKSANAAN

Jadwal perencanaan penyelesaian tugas akhir ditunjukkan pada tabel 1

dibawah ini.

Table 1 : Jadwal pelaksanaan Tugas Akhir

No KegiatanBulan

1 2 3 4 5 6

1 Persiapan

penelitian

2 Literatur

3 Perancangan

4 Analisa data

5 Pembuatan

laporan

DAFTAR PUSTAKA

[1] Atika Sari, Dinar, 2010 “Peramalan kebutuhan beban jangka pendek

menggunakan jaringan syaraf tiruan backpropagation”. Jurusan Teknik Elektro

Fakultas Teknik Universitas Diponegoro.

[2] B. Pratama, T. Iwan, 1999 “metode peramalan memakai jaringan saraf buatan

dengan cara backpropagation, vol-III”. Teknologi industry - ITS. Surabaya.

[3] Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T, 2010

“Peramalan beban listrik menggunakan jaringan saraf tiruan metode kohonen”.

Program DIV Jurusan Teknik Informatika Politeknik Elektronika NegeriSurabaya-Institut Teknologi Sepuluh Nopember.

15

Selesai



[4] Kelompok II, 2010 “Tugas mata kuliah: Neural network” Program magister Jurusan statistika (komputasi statistik) Fakultas matematika dan ilmu

pengetahuan alam (fmipa) Institut Teknologi Sepuluh November Surabaya,

Surabaya.

[5] Kelompok III, 2010“Aplikasi jaringan saraf tiruan Dalam peramalan danklasifikasi” Program Magister Statistika – Konsentrasi Komputasi Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh

Nopember Surabaya, Surabaya.

[6] Suswanto, daman, 2010 “Analisis peramalan beban dan kebutuhan energi listrik”.

Erlangga. Jakarta.

16

Proposal Ta

Documents

Transcript of Proposal Ta