Studi Komparasi Time Series Prediction Berbasis General Regression Neural Network (GRNN) dengan Backpropagation Neural Network pada Kasus Peramalan Beban Puncak Listrik Tahunan di Indonesia

Alvin Sahroni

Fakultas Teknologi Industri, Jln Kaliurang Km.14.5

Sleman Yogyakarta

alvinsahroni@uii.ac.dAbstraksi

Time series prediction dapat di aplikasikan menggunakan Artificial Neural Network atau lebih dikenal dengan Jaringan Syaraf Tiruan (JST). Kemampuan JST dalam memetakan perubahan data yang dinamis, menunjukkan kapabilitas JST sebagai salah satu black box modeling yang cukup handal. Akan tetapi JST memiliki beberapa keterbatasan, sebagai contoh untuk beberapa data yang nonlinear dengan jumlah data yang sangat besar, maka dapat mereduksi kemampuan JST dalam melatih data-data tersebut, dan bahkan mengakibatkan tidak tercapainya minimum error yang di inginkan. Hybrid modeling adalah salah satu upaya untuk meningkatkan kapabilitas JST dalam peramalan suatu nilai di masa mendatang. Pada tulisan ini, akan diperkenalkan hybrid model antara JST berbasis fungsi radial atau lebih dikenal dengan JST Radial Basis Function(RBF) dengan fungsi regresi yang kemudian diberi nama GRNN (General Regression Neural Network). Untuk mengetahui perbandingan performa, maka akan dilakukan studi komparasi antara GRNN dengan JST Backpropagation. Dan dari hasil penelitian didapatkan bahwa GRNN memiliki performa yang jauh lebih baik dengan nilai MSE 0.007, sedangkan JST Backpropagation memiliki nilai performansi lebih besar dari tingkat performansi GRNN. Sehingga didapatkan bahwa GRNN lebih unggul terkait dengan kualitas, efektitas, dan efisiensi.Kata Kunci : Time Series Prediction, General Regression Neural Network, Jaringan Syaraf Tiruan

1. Latar Belakang

Kebutuhan untuk memprediksi suatu nilai di masa mendatang, telah memberikan ruang penelitian yang besar kepada penelitian-penelitian dalam keilmuan sains matematika. Jaringan Syaraf Tiruan (JST) digunakan untuk memprediksi nilai masa depan didukung oleh kemampuan JST dalam memformulasikan keadaan nonlinear [5]. Peramalan beban listrik menjadi bagian yang penting dalam usaha perencanaan sistem tenaga listrik yang efektif dan efisien. Sering dilakukan metode peramalan dengan menggunakan metode konvensional, dimana model didesain berdasarkan hubungan antara beban listrik dengan faktor yang mempengaruhi konsumsi beban. Menggunakan metode konvensional sangat sederhana, akan tetapi untuk data-data yang nonlinear, maka dapat menyulitkan peramalan beban untuk jangka panjang. Sehingga diperlukan adanya metode JST uang dianggap sesuai dengan karakteristik yang telah dijelaskan diatas[1].Sedangkan pada lapisan kedua merupakan fungsi identitas yang akan menjumlahkan masukan-masukan yang berasal dari sinyal keluaran pada lapisan pertama dengan bobot tertentu. Dan nilai bias hanya terdapat pada lapisan pertama. Berikut adalah gambar dari arsitektur GRNN.

Gambar 1. Struktur GRNNAplikasi GRNN untuk meramal keadaan di masa mendatang cukup banyak. Beberapa arsitektur GRNN dapat dikombinasikan sehingga menghasilkan suatu algoritma yang cukup baik untuk menyelesaikan kasus peramalan/forecasing [3].

2. Tujuan Penelitian

Tujuan dari penelitian ini antara lain :a. Mengimplementasikan GRNN untuk aplikasi time series predictionb. Komparasi metode JST konvensional backpropagation dengan GRNNc. Mendapatkan metode yang handal untuk aplikasi peramalan beban listrik puncak di Indonesia.

3. Tinjauan Pustaka

a. General Regression Neural Network (GRNN)

GRNN adalah suatu metode dalam Jaringan Syaraf Tiruan (JST) yang memiliki kemiripan dengan jaringan berbasis radial (Radial Basis Function) yang cukup sering digunakan untuk mendapatkan suatu fungsi aproksimasi dari data-data nonlinear. GRNN terdiri dari dua lapisan. Lapisan pertama dikenal dengan lapisan yang memiliki Radial Basis Neurons dengan tujuan untuk menghitung masukan terbobot dengan cara menghitung jarak Euclidean dari data sebarannya.

4. Metode Penelitian

Penelitian yang dilakukan akan melalui beberapa tahapan yaitu :

a. Menyiapkan training data sets, yaitu berupa kumpulan data historis. Sesuai dengan judul penelitian bahwa kasus yang akan diselesaikan adalah memprediksi beban puncak di Indonesia tiap tahunnya. Data didapatkan dari situs resmi PLN di www.pln.co.id , dan akan digunakan untuk memprediksi kurun waktu 3 tahun mendatang.

b. Preprocessing : yaitu proses awal yang bertujuan untuk menormalisasikan data. Data akan dinormalisasikan dalam rentang -1 s/d 1 menggunakan persamaan dibawah ini:

.(1)

y : nilai yang ternormalisasi

ymax : nilai tertinggi ternormalisasi

ymin : nilai terendah ternormalisasi

xmax : nilai tertinggi untuk tiap set data

xmin : nilai terendah untuk tiap set data

Rentang tersebut digunakan karena berdasarkan asumsi bahwa dengan memiliki rentang yang cukup besar, normalisasi data dapat dilakukan dengan baik dalam kumpulan data yang variatif.

b. BackpropagationJST Backpropagation adalah metode universal yang digunakan dalam banyak bidang. Baik dalam bidang kontrol, finansial, sistem pakar, dan bidang yang lainnya. Kemampuan backpropagation mengaproksimasi data dari sebuah fungsi ditambah dengan konsep supervised learning , maka untuk peramalan nilai masa mendatang dapat dilakukan dengan baik oleh backpropagation. Studi kasus yang sama pernah dilakukan yaitu Peramalan Kebutuhan Beban Jangka Pendek Menggunakan Jaringan Syaraf Tiruan Backpropagation. Dari penelitian tersebut telah didapatkan bahwa untuk menghasilkan error yang sekecil mungkin membutuhkan jumlah pelatihan yang cukup lama dan neuron yang besar[1].ini akan menggunakan persamaan dibawah berikut :

.(2)

Dalam penelitian ini, akan mengkomparasikan tingkat performansi dalam memprediksi nilai yang akan dating menggunakan GRNN dan Backpropagation. Flow chart penelitian dapat dilihat pada gambar dibawah ini:

Gambar 2. Flow Chart PenelitianAkan dilakukan perlakuan yang sama baik terhadap jaringan GRNN maupun backpropagation yang kemudian akan dikomparasikan terkait dengan tingkat performansi.

Tabel1. Komparasi performansi

Tipe Jaringan

Jumlah PelatihanMSE

Gambar 4. Pola data dari Jaringan yang telah terbentuk

Dari gambar diatas terlihat jelas bahwa hampiran fungsi untuk mendekati data pelatihan memiliki fitting/kerapatan yang sangat baik. Dengan menggunakan jaringan yang telah terbentuk, maka akan divalidasi dengan menggunakan data pelatihan agar dapat mengetahui tingkat performansi pengenalan data masukan dengan data target

Gambar 5. Hasil Validasi

Pengujian dilakukan untuk memprediksi beban puncak listrik untuk 3 tahun mendatang. Dan berikut adalah hasil prediksi menggunakan GRNN. Dari perhitungan MSE didapatkan nilai 0.0071 berdasarkan pengujian beban puncak listrik untuk 3 tahun mendatang.

Gambar 4. Hasil prediksi beban puncak listrik untuk 3 tahun mendatang

Gambar 7. Hasil Pengujian Percobaan 3

Dari hasil percobaan 3 didapatkan hasil yang baik, dengan tingkat performansi mencapai 0.007 dengan iterasi yang dibutuhkan sebesar 5000 epoch.

Tabel 4. Hasil Percobaan backpropagation

No

Tipe Arsitektur

Iterasi

MSE

1

[100 50]

5000

0.0241

2

[200 50]

5000

0.00891

3

[100 50 20]

5000

0.007

c. Analisa Studi Komparasi

Dari percobaan diatas dapat terlihat bahwa efektifitas dan performansi GRNN jauh lebih baik dibandingkan dengan backpropagation konvensional. Berikut tabel perbandingan antara GRNN dan backpropagation.Tabel 5.Komparasi

Tipe Jaringan

Jumlah Pelaihan

MSE

GRNN

-

0.0071

BP

[100 50 20]

5000

0.007

GRNN pada dasarnya adalah merupakan suatu jaringan yang dibentuk berdasarkan probabilitas data yang telah dipetakan pada sistem. Probabilitas yang digunakan menjadikan GRNN memiliki kemampuan untuk memprediksi jauh lebih baik dibandingkan dengan backpropagation yang sangat bergantung pada jumlah data penelitian, untuk mendapatkan performa sistem yang baik, maka dibutuhkan data pelatihan yang besar pula. Dari penelitian diatas kita dapatkan bahwa untuk mendapatkan performa yang hampir samaDaftar Pustaka[1]Atika Sari. 2011 Dinar. Peralaman Kebutuhan Beban Jangka Panjang Menggunakan Jaringan Syaraf Tiruan Backpropation. Thesis. Teknik Elektro UNDIP.[2] Fausset, Laurence.1994. Fundamentals of Neural Networks. Prentice Hall [3] Gheyas, et al. 2009. A Neural Network Approach to Time Series Forecasting. Proceedings on World Congress on Engineering.

[4] Jong Jek Siang. 2005 Jaringan Syaraf Tiruan dan Pemrogramannya dengan MATLAB. Penerbit ANDI Yogyakarta.[5] T.Senjyu. 2002 One Hour Ahead Load Forecasting Using Neural Network. IEEE Transactions on Power System Vol 17. No 1.

d. Pembentukan arsitektur jaringan : yaitu pembentukan arsitektur JST yang akan digunakan dan dipersiapkan dalam proses pelatihan jaringan di tahap selanjutnyae. Proses mendapatkan bobot terlatih , yaitu proses untuk mendapatkan bobot yang telah dilatih dengan data-data tertentu. GRNN menggunakan perhitungan titik Euclidean, perkalian dan penjumlah data-data terbobot untuk mendapatkan bobot terbaiknya. Sedangkan backpropagation akan menggunakan fase balik untuk melatih bobot-bobot jaringan sehingga didapatkan tingkat performansi yang paling baik

f. Validasi dan pengujian : yaitu proses untuk melakukan validasi arsitektur yang telah dibentuk dan menggunakan bobot terbaik dari proses sebelumnya. Untuk mengukur tingkat performansi tersebut maka proses Data-data yang akan digunakan berasal dari situs resmi PLN yaitu www.pln.co.id, dan menggunakan data tahunan. Data-data yang digunakan adalah data beban dari tahun 2001 hingga tahun 2025. Dat-data didapatkan berdasarkan RUKN yang menyatakan bahwa sampai akhir tahun (2025) akan terjadi peningkatan beban sebesar 6.85% pertahun. Berikut adalah contoh training data set beban puncak listrik di Indonesia.Tabel 2. Contoh Data Pelatihan

Tahun Ke-Beban (MW)20015.898120026.129620036.639220047.40920068.658720079.896200811.327200912.818201012.907201114.3158201215.325. Analisa dan Pembahasan

a. GRNN

Penelitian diawali dengan menggunakan GRNN untuk mendapatkan fungsi aproksimasi dari sebaran data yang digunakan, berikut adalah data yang akan dijadikan sebagai referensi dalam pembentukan jaringan GRNN

Gambar 3. Pola Data pelatihanb. Backpropagation

Dalam tahapan ini, akan diberikan beberapa konfigurasi jaringan. Berikut adalah hasil investigasi peramalan beban puncak menggunakan JST backpropagation dengan beberapa konfigurasi pelatihanTabel 3. Tabel Percobaan

Percobaan

Jumlah Layer

Arsitektur neuron

1

2

[70 40]2

2

[200 50]3

3

[100 50 20]Gambar dibawah ini merupakan hasil pengujian menggunakan percobaan 1.

Gambar 6. Hasil Pengujian percobaan 1Dari hasil pengujian percobaan 1 menggunakan arsitektur jaringan backpropagation dibutuhkan iterasi sebesar 5000 epoch dengan tingkat performansi sebesar 0.0241.

Gambar 6. Hasil Pengujian Percobaan 2Percobaan 2 menggunakan jumlah neuron yang jauh lebih besar, akan tetapi tidak memberikan hasil yang cukup berarto dengan iterasi sebesar 5000 epoch, diketahui bahwa tingkat performansinya mencapai 0.0089.

Dengan GRNN, dibutuhkann 3 hidden layer dengan jumlah neuron yang relatif besar. Neuron yang besar dibutuhkan agar pemetaan antara input dan output sistem dapat dengan baik diformulasikan. Semakin besar beban komputasi yang diproses, maka backpropagation akan butuh data yang terus-menerus diperbaharui, dan tidak akan pernah cukup hingga rentan waktu yang terus bertambah. Dalam aplikasi time series prediction dibutuhkan data yang besar, sehingga komputasi yang sedemikian besar akan kurang efektif dan efisien jika hanya menggunakan backpropagation konvensional seperti yang dilakukan oleh penelitian terdahulu. GRNN yang berbasis probabilistik dalam memprediksi nilai yang akan datang memiliki tingkat efisiensi yang tinggi dan performansi yang handal. JST yang berbasis metode probabilistik sangat bermanfaat yang didukung dengan kemampuannya untuk memetakan input dan output sistem hanya berdasarkan beberapa sampel data. Tidak seperti backpropagation yang membutuhkan data yang berlimpah, GRNN sebagai JST probabilsitik menggunakan sampel data untuk menentukan probabilitas tiap sebaran data yang dilatih. Dan hal ini menjadikan GRNN kakas/tools yang sangat bermanfaat dalam aplikasi time series prediction.

6. KesimpulanSetelah menjelaskan uraian diatas maka dapat disimpulkan beberapa hal antara lain:

a. GRNN memiliki tingkat performa yang lebih baik dari backpropagation dilihat dari segi pelatihan, dan tingkat performansi

b. GRNN dapat menjadi raw model untuk pengembangan dibidang lain karena konsep GRNN yang berdasarkan nilai probabilistik memiliki tingkat kinerja yang baik.

c. JST berbasis probabilistic memiliki banyak keunggulan dan salah satunya untuk diaplikasikan dalam meramal keadaan di masa mendatang, yang umunya bersifat nonlinear.

Persiapan data pelatihan

Preprocessing dan arsitektur jaringan

Pelatihan jaringan

Validasi dan pengujian

Apakah sudah optimal ?

Fixasi Sistem

_1381398930.unknown

_1381398931.unknown