Aplikasi Kelompok - Implementasi Neural Network pada Matlab untuk Prakiraan Konsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur
2. Menjelaskan cara kerja rangkaian Implementasi Neural Network pada Matlab untuk Prakiraan Konsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur.
3. Melakukan simulasi rangkaian Implementasi Neural Network pada Matlab untuk Prakiraan Konsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur.
Prakiraan beban listrik merupakan salah satu cara untuk
membantu perencenaan pembangkitan maupun pengeluaran energi listrik yang tepat, namun dalam penelitian yang ada
masih terdapat kekurangan berupa tingkat kesalahan yang melebihi batas
toleransi yang diterima pihak penyedia listrik. Prediksi beban listrik yang
cepat dan akurat sangat penting untuk operasi sistem tenaga listrik yang
efisien. Peningkatan konsumsi listrik daerah Ponorogo mengalami peningkatan
setiap tahunnya namun tidak diimbangi dengan pemenuhan energi listrik yang
mencukupi. Tujuan dari penelitian ini adalah untuk mengetahui implementasi neural
network untuk melakukan prakiraan listrik pada tahun 2019 mendatang. Metode penelitian
yang dilakukan adalah experiment. Berdasarkan penelitian yang telah dilakukan
didapatkan hasil neural network dengan metode backpropagation mampu melakukan
prakiraan konsumsi beban listrik dengan rata-rata konsumsi beban listrik setiap
bulannya sebesar 265 MVA dengan tingkat kesalahan mean square error (MSE)
sebesar 0,7%.
Seiring berjalannya waktu serta peningkatan populasi dan keragaman aktivitas manusia di dunia, dapat mempengaruhi meningkatnya kebutuhan energi listrik dengan permintaan yang tidak sama dalam setiap tahunnya. Pengusahaan ketersediaan energi listrik merupakan masalah komplek, energi listrik tidaklah praktis untuk disimpan maka listrik yang sudah dihasilkan harus langsung disalurkan ke konsumen . akan dating mempunyai banyak pilihan yang dapat digunakan untuk membantu melakukan perencanaan tersebut, baik metode maupun alat bantu hitung. Beberapa penelitian mengenai prakiraan konsumsi listrik yang telah dilakukan diantaranya adalah menggunakan logika fuzzy untuk melakukan peramalan beban listrik jangka pendek dengan tingkat error 10,09% - 16,9%. Penggunaan metode regresi linier untuk prakiraan jangka panjang konsumsi listrik Provinsi Lampung dengan perhitungan manual, rata-rata tingkat kesalahannya 16,8% dan prakiraan beban listrik dengan memanfaatkan backpropagation namun belum dilakukan normalisasi sehingga belum didapatkan nilai output secara nyata, selain itu nilai error juga masih cukup tinggi yaitu mencapai 17,09%. Sedangkan secara umum, perusahaan penyedia energi listrik akan menerima kesalahan peramalan sebesar 10 % untuk ramalan jangka panjang.
Minimalisasi kesalahan dalam prakiraan dapat dilakukan dengan
pemilihan metode yang tepat dan alat bantu hitung,
Kabupaten Ponorogo Jawa Timur memiliki rasio peningkatan konsumsi listrik selama 2014-2016 yaitu rata-rata 7,5% setiap tahunnya, namun masih sering terjadi pemadaman di daerah pelosok saat beban puncak. Tujuan penelitian ini adalah implementasi arsitektur neural network untuk membantu dalam melakukan prakiraan konsumsi beban listrik di daerah tersebut.
Jenis penelitian ini merupakan penelitian eksperimen yang digunakan untuk mencari pengaruh perlakuan tertentu. Model ini mengambil proses dasar seperti studi pustaka,proses prakiraan, data hasil penelitian, dan analisis data penelitian. Berikut adalah tahapan model penelitian eksperimen ditunjukkan pada Gambar dibawah ini.
Penelitian dilakukan dengan menggunakan data beban listrik
Kabupaten Ponorogo mulai dari bulan Januari 2014 – Desember 2016, data tersebut
diperoleh dari PLN APJ Ponorogo.
Algoritma prakiraan kebutuhan konsumsi beban listrik untuk bulan Januari – Juni
2019 dengan menggunakan neural network adalah sebagai berikut :
1) Penyeleksian Data
Data bulan yang digunakan sebagai acuan pembelajaran adalah 34 bulan selama
tahun 2014 – 2016. Data konsumsi beban yang digunakan sebagai input dalam
prakiraan ini ditunjukkan dalam Tabel I.
2) Penentuan Range Pembelajaran (Learning Range) Neural Network .
Bulan yang akan digunakan sebagai target prakiraan adalah bulan Januari – Juni
tahun 2019. Data masukan sebagai pembelajaran bulan Februari tahun 2014 hingga
bulan Nopember 2016 dengan target bulan Januri 2015 – bulan Nopember 2016. Data
masukan sebagai prakiraan awal adalah bulan Agustus 2015 hingga bulan Nopember
2016 dengan output prakiraan bulan Juli – Desember 2016. Data selanjutnya
menghasilkan bulan -bulan kosong mulai dari Bulan Desember 2016 – Desember 2018
yang digunakan sebagai jembatan untuk melakukan prakiraan dengan target tahun
2019.
3) Proses Pembelajaran dan Prakiraan Menggunakan Bacpropagation
Proses pembelajaran menggunakan 23 pola dengan 11 input dan 1 target keluaran,
artinya jika bulan Februari 2014 hingga Desember 2014 digunakan sebagai input,
maka akan menghasilkan data Januari 2015 sebagai target. Pola tersebut kemudian
terus menerus diulang dengan mengurangi 1 bulan terlama ditambah 1 bulan baru,
untuk menghasilkan bulan-
|
No |
Bulan/Tahun |
Total Konsumsi
Beban (MVA) |
|
1 |
Feb-14 |
176.519 |
|
2 |
Mar-14 |
177.579 |
|
3 |
Apr-14 |
179.312 |
|
4 |
Mei-14 |
181.105 |
|
5 |
Jun-14 |
181.856 |
|
6 |
Jul-14 |
183.427 |
|
7 |
Agust-14 |
184.521 |
|
8 |
Sep-14 |
186.323 |
|
9 |
Okt-14 |
187.605 |
|
10 |
Nop-14 |
188.168 |
|
11 |
Des-14 |
189.981 |
|
12 |
Jan-15 |
191.334 |
|
13 |
Feb-15 |
192.364 |
|
14 |
Mar-15 |
193.428 |
|
15 |
Apr-15 |
194.518 |
|
16 |
Mei-15 |
195.722 |
|
17 |
Jun-15 |
196.976 |
|
18 |
Jul-15 |
198.229 |
|
19 |
Agust-15 |
200.204 |
|
20 |
Sep-15 |
202.082 |
|
21 |
Okt-15 |
203.787 |
|
22 |
Nop-15 |
205.124 |
|
23 |
Des-15 |
206.569 |
|
24 |
Jan-16 |
207.831 |
|
25 |
Feb-16 |
208.943 |
|
26 |
Mar-16 |
210.093 |
|
27 |
Apr-16 |
211.377 |
|
28 |
Mei-16 |
212.858 |
|
29 |
Jun-16 |
214.437 |
|
30 |
Jul-16 |
215.118 |
|
31 |
Agust-16 |
216.631 |
|
32 |
Sep-16 |
218.545 |
|
33 |
Okt-16 |
220.472 |
|
34 |
Nop-16 |
222.021 |
Parameter yang digunakan :
· Fungsi aktivasi logsig
Fungsi aktivasi yang digunakan untuk menjembatani perbandingan antara hasil
penjumlahan nilai semua bobot yang akan datang dengan nilai input dengan
suatu nilai ambang (thresold) adalah fungsi aktivasi logsig yang sudah
tersedia di dalam toolbox Matlab.
· Epoch
Dalam penelitian ini, hasil terbaik ditunjukkan dengan nilai epoch 1000,
nilai ini bisa diubah-ubah, epoch atau bisa juga disbut iterasi adalah
salah satu stop condition ketika layer melakukan pembelajaran,
sesuai dengan pernyataan epoch merupakan suatu langkah yang dilakukan
dalam pembelajaran neural network, jika besarnya nilai epoch lebih
besar dari epoch maksimum yang telah ditetapkan maka proses pembelajaran
akan berhenti.
· Alpha
Dalam penelitian ini, hasil pembelajaran terbaik dengan menggunakan alpha atau goal
dengan nilai 1. Alpha atau bisa disebut laju pembelajaran merupakan parameter
jaringan dalam mengendalikan proses penyesuaian bobot.
· Hidden layer
Semakin banyak hidden layer maka pembelajaran semakin baik namun
waktu yang diperlukan menjadi semakin lama, dalam penelitian ini peneliti menggunakan
hidden layer sebanyak 8, pemilihan hidden layer ini karena pembelajaran
dengan hidden layer dengan nilai 10 dan 20 membuat laju pembelajaran
menjadi semakin lambat sedangkan hidden layer dengan jumlah kurang dari
8 membuat laju pembelajaran sangat singkat dengan nilai error yang
tinggi.
|
Pola 1 |
176.519 |
177.579 |
179.312 |
181.105 |
181.856 |
183.427 |
184.521 |
186.323 |
187.605 |
188.168 |
189.981 |
|
Pola 2 |
177.579 |
179.312 |
181.105 |
181.856 |
183.427 |
184.521 |
186.323 |
187.605 |
188.168 |
189.981 |
176.519 |
|
Pola 3 |
179.312 |
181.105 |
181.856 |
183.427 |
184.521 |
186.323 |
187.605 |
188.168 |
189.981 |
176.519 |
177.579 |
|
Pola 4 |
181.105 |
181.856 |
183.427 |
184.521 |
186.323 |
187.605 |
188.168 |
189.981 |
176.519 |
177.579 |
179.312 |
|
Pola 5 |
181.856 |
183.427 |
184.521 |
186.323 |
187.605 |
188.168 |
189.981 |
176.519 |
177.579 |
179.312 |
181.105 |
|
Pola 6 |
183.427 |
184.521 |
186.323 |
187.605 |
188.168 |
189.981 |
176.519 |
177.579 |
179.312 |
181.105 |
181.856 |
|
Pola 7 |
184.521 |
186.323 |
187.605 |
188.168 |
189.981 |
176.519 |
177.579 |
179.312 |
181.105 |
181.856 |
183.427 |
|
Pola 8 |
186.323 |
187.605 |
188.168 |
189.981 |
176.519 |
177.579 |
179.312 |
181.105 |
181.856 |
183.427 |
184.521 |
|
Pola 9 |
187.605 |
188.168 |
189.981 |
176.519 |
177.579 |
179.312 |
181.105 |
181.856 |
183.427 |
184.521 |
186.323 |
|
Pola 10 |
188.168 |
189.981 |
176.519 |
177.579 |
179.312 |
181.105 |
181.856 |
183.427 |
184.521 |
186.323 |
187.605 |
|
Pola 11 |
189.981 |
176.519 |
177.579 |
179.312 |
181.105 |
181.856 |
183.427 |
184.521 |
186.323 |
187.605 |
188.168 |
|
Target |
191.334 |
192.364 |
193.428 |
194.518 |
195.722 |
196.976 |
198.229 |
200.204 |
202.082 |
203.787 |
205.124 |
1. Buka software Matlab
2. Pada command window ketikkan nntool untuk
mengaktifkan toolbox neural network seperti yang
ditunjukkan Gambar 2.
3. Klik tombol import yang berada di bagian pojok kiri
selanjutnya muncul tampilan seperti Gambar 3 dan
masukkan semua data yang diperlukan yang sudah dibuat
dalam format mfile.
4. Pilah-pilah data sehingga tidak tertukar mana yang input
data dan mana yang target data.
5. Kembali ke toolbox network/data manager dan klik new
lalu akan muncul tampilan seperti Gambar 4, setelah itu
beri nama network, atur pembelajaran yang digunakan,
data input, data target, parameter pembelajaran,
jumlah
layer yang digunakan, dan jumlah hidden
layer yang digunakan, lalu klik create.an.
|
Hasil |
192.996 |
191.813 |
192.286 |
194.64 |
196.061 |
195.778 |
198.347 |
199.665 |
204.502 |
204.527 |
203.156 |
|
Target |
191.334 |
192.364 |
193.428 |
194.518 |
195.722 |
196.976 |
198.229 |
200.204 |
202.082 |
203.787 |
205.124 |
|
Hasil |
192.996 |
191.813 |
192.286 |
194.64 |
196.061 |
195.778 |
198.347 |
199.665 |
204.502 |
204.527 |
203.156 |
