bab iii metode penelitian 3.1 pengumpulan dan...

35 Muhammad Yunus N, 2017 PERBANDINGAN PERAMALAN BEBAN PUNCAK BERBASIS ALGORITMA FUZZY C-MEANS DAN FUZZY SUBTRACTIVE CLUSTERING DENGAN OPTIMASI CLUSTER HARI DAN JUMLAH INPUT repository.upi.edu | perpustakaan.upi.edu

BAB III

METODE PENELITIAN

3.1 Pengumpulan dan Pegolahan Data Beban Listrik

Data beban lisrtik yang digunakan adalah beban listrik harian yang aktual di

Region Jawa Barat selama tahun 2006-2014. Data tersebut didapatkan dari PT.

PLN (Persero) Pusat Pengaturan Beban (P2B) yang berlamat di Jalan PLN Raya

No.11, Gandul - Cinere, Jakarta Selatan. Selain itu data tersbut juga dilengkapi

dengan data beban historis yang didapatkan dari PT.PLN (Persero) P3B Jawa Bali

Region II Jawa Barat yang beralamat di Jalan Moch Toha Km.04 Komp.PLN/GI

Cigereleng Bandung.

Data harian tersebut merupakan pemakaian beban listrik pelanggan se-Jawa

Barat yang dihitung setiap 30 menit. Kemudian data tersebut diambil pada waktu

beban puncak saja, yaitu pukul 17.00 s.d 22.00 WIB. Setelah itu diambil sebanyak

20 hari yang kemudian dibagi lagi menjadi 5 hari, 10 hari dan 15 hari sebagai

sampael yang digunakan dalam penelitian ini. Input sampel yang dipilih dari

setiap bulan, yang selanjutnya diklasifikasi berdasarkan tipe hari. Klasifikasi hari

yang ditetapkan adalah sebagai berikut :

Tabel 3.1

Klasifikasi Tipe Hari

No. Tipe Hari Hari

1 Hari Kerja Senin s.d Jum'at kecuali libur nasional

2 Hari Akhir Pekan Sabtu dan Minggu kecuali libur nasional

3 Hari libur Nasional Libur nasional dan cuti bersama

Data-data tersebut dijadikan input pelatihan dan pengujian pada algoritma Fuzzy

C-Means dan Fuzzy Subtracrive Clustering dalam script yang akan dibuat.

Adapun perangkat lunak yang digunakan untuk mengolah data adalah MS. Excell

2106 dan perangkat lunak untuk melakukan simulasi peralaman adalah Matlab

versi R2015a.

36

Muhammad Yunus N, 2017 PERBANDINGAN PERAMALAN BEBAN PUNCAK BERBASIS ALGORITMA FUZZY C-MEANS DAN FUZZY SUBTRACTIVE CLUSTERING DENGAN OPTIMASI CLUSTER HARI DAN JUMLAH INPUT repository.upi.edu | perpustakaan.upi.edu

Pengambilan data input pengujian dari tahun ke tahun dengan klasifikasi yang

ditetapkan adalah dengan alasan sebagai berikut:

1. Dengan data input yang diambil dari masing-masing tahun yaitu sejak

tahun 2006 s.d 2012 adalah dapat mengetahui pertumbuhan beban listrik.

2. Klasifikasi hari yang dibuat merupakan asumsi berdasarkan hasil studi

literatur bahwa pola beban pada hari kerja cenderung sama tiap tahunnya.

Begitu pula pada polda beban hari libur nasional dan akhir pekan memilik

pola yang sama. Sedangkan pola beban listrik antara ketiga kelompok

tersebut menunjukan perbedaan yang signifikan. Maka dengan

mengelompokan perhitungan makan akan meningkatkan estimasi yang

akan dihitung.

3. Dengan membagi data input menjadi 4 macam dimaksudkan untuk

mengetahui pengaruh banyaknya jumlah input terhadap akurasi peramalan

pada algoritma yang akan diuji.

Sebagai analisa data yang digunakan untuk dilatih dalam algoritma FSC dan

FCM dibagi menjadi tiga kelompok yaitu hari libur nasional, hari kerja (senin s.d

jum’at), hari libur akhir pekan (sabtu dan minggu). Gambar 3.1 menunjukan

Ketiga kelompok beban listrik tersebut memiliki perbedaan yang signifikan

selama tahun 2006 s.d 2014, yang mana beban listrik pada hari kerja (senin-jumat)

adalah cenderung lebih tinggi daripada hari akhir pekan (sabtu-minggu).

Sementara beban listrik pada hari libur nasional cenderung lebih rendah namun

mengalami fluktuasi yang tinggi dibanding dengan kurva beban hari kerja dan

akhir pekan, sehingga ketiga beban ini perlu diklasifikasi untuk meningkatkan

akurasi peramalan beban listrik.

37


Gambar 3.1 Tipikal Lenggam Waktu Beban Puncak Sistem 2006-2014

Pada penelitian ini data yang diuji diambil beberapa sample yang akan

dilatih yaitu 20, 15, 10 dan 5 input data yang diambil dari tiap tahun dari masing-

masing kelompok hari yang kemudian akan dibandingkan hasilnya. Data lengkap

sampel yang digunakan dapat dilihat pada lampiran.

3.2 Langkah Penelitian

Pada bagian sebelumnya dijelaskan pengambilan dan pengolahan data. Hal

tersebut merupakan bagian dari serangkaian kegiatan penelitian dalam skripsi ini.

Ada beberapa langkah yang dikerjakan dalam mencapai tujuan penelitia ini

sebagaimana dijelaskan pada penduahuluan, penelitian ini bertujuan mendapatkan

hasil peramalan berbasis algoritma FCM dan FSC dengan user interface yang

kemudian dibandingkan dengan peramalan dari RBS PLN. Adapun langkah-

langkah penelitian ini dijelaskan oleh diagaram alir pada gambar 3.2.

38


Gambar 3.2 Flowchart Langkah-langkah Penelitian

3.3 Pemodelan Algoritma Fuzzy C-Means

Penjelasan algoritma fuzzy c-means yang digunakan adalah sebagai berikut

(Miyamoto, 2008):

1. Input data yang akan di cluster X, berupa matriks berukuran n x m

(n=jumlah sampel data, m=data per 30 menit).

2. Bangkitkan bilangan random untuk matriks partisi , sebagai berikut :

[

[ ] [ ] [ ]

[ ] [ ] [ ]

[ ] [ ] [ ]

] (3.1)

39


3. Tentukan nilai pangkat (c) > 1, jumlah cluster (w) = 2, Maksimum iterasi

(MaxIter) = 100, Error terkecil (ξ) = , Fungsi obyektif =

random, Iterasi awal (t) = t+1. Nilai tersebut telah seusai dengan kondisi

default pada Matlab.

4. Hitung pusat vektor tiap cluster untuk matriks partisi tersebut sebagai

berikut :

∑

∑

5. Modifikasi tiap-tiap nilai keanggotaan sebagai berikut :

Jika , maka [∑ (| |

| | )

⁄

]

Jika dan i=g, maka =1

Jika dan i≠g, maka =0

Jika tidak ditemukan makan akan terjadi error, selanjutnya kembali ke

langkah-3 untuk merubah nilainya.

6. Masukan hasil modifikasi nilai keanggotan ke matriks partisi baru

7. Hitung fungsi obyektif :

∑∑ | |

8. Cek kondisi untuk berhenti, yaitu :

| |

Jika iya maka berhenti dan jika tidak ulangi kembali ke langkah 4 dengan

menaikan iterasinya.

(3.2)

(3.3)

(3.4)

(3.5)

40


Berikut adalah flowchart dari algortima Fuzzy C-Means :

Gambar 3.3 Flowchart Algoritma Fuzzy C-Means

41


3.4 Pemodelan Algoritma Fuzzy Subtractive Clustering

Dibawah ini adalah flowchart algortima fuzzy subtractive clustering :

Gambar 3.4 Flowchart Algoritma Fuzzy Subtractive Clustering

42


Berikut ini adalah algoritma fuzzy subtractive clustering (Kusumadewi, 2013):

1. Input data yang akan dicluster : Xij dengan i = 1,2,…,n; dan j = 1,2,…,m.

2. Tetapkan nilai influence range ( ) = 0,1 0,9 , squash factor(q) = 1,25,

Accept_ratio = 0,5, Reject_ratio = 0,15, minimum yang diperbolehkan

(Xmin), maksimum yang diperbolehkan (Xmax)

3. Normalisasi data

4. Tentukan potensi awal tiap-tiap titik data. Kerjakan hingga i = n

j = 1,2,…,m. Hitung:.

(

) j = 1,2,…,m; k = 1,2,…,m

Potensi awal :

Jika m = 1, maka ∑ ( )

Jika m > 1, maka ∑ (∑

)

i = i+1

5. Cari titik dengan potensi tertinggi

a. M = max [ | ];

b. h = i, sedemikian hingga ;

6. Tentukan pusat cluster dan kurangi potensinya terhadap titik-titik

disekitarnya.

a. Center = [];

b. j=1,2,…,m;

c. (jumlah cluster);

d. Kondisi = 1;

e. Z = M;

f. Kerjakan jika kondisi ≠ 0 dan Z ≠ 0 :

Kondisi = 0 (sudah tidak ada calon pusat lagi)

Rasio = Z/M

(3.6)

(3.7)

(3.8)

(3.9)

43


Jika rasio > accept_ratio, maka kondisi = 1 (ada pusat calon

baru)

Jika tidak, maka :

o Jika rasio > reject_ratio, (calon baru akan diterima

sebagai pusat jika keberadaannya akan memberikan

keseimbangan terhadap data-data yang letaknya cukup

jauh dengan pusat cluster yang telah ada), maka

kerjakan

Md = -1;

Kerjakan untuk i = 1 sampai i = C:

i.

, j = 1,2,…,m

ii. ∑ ( )

iii.

o Smd = √ ;

o Jika (Rasio + Smd) ≥ 1, maka kondisi = 1; (Data

diterima sebagai pusat cluster)

o Jika (Rasio + Smd) < 1, maka kondisi = 2; (Data tidak

akan dipertimbangkan kembali sebagai pusat cluster)

Jika kondisi = 1 (calon pusat baru diterima sebagai pusat baru),

kerjakan :

o C = C+1;

o = V;

o Kurangi potensi dari titik-titik di dekat pusat cluster :

i.

; j = 1,2,…,m; i = 1,2,…,n.

ii.

iii. D = D – Dc

iv. Jika maka ; i = 1,2,…,n.

v. Z = max[ |i=1,2,…,n];

vi. Pilih h = i, sedemikian hingga = Z;

(3.10)

(3.11)

44


Jika kondisi = 2 (Calon pusat baru tidak diterima sebagai pusat

baru), maka

o

o Z = max[ |i=1,2,…,m]

o Pilih h = i, sedemikian hingga = Z;

7. Kembali pusat cluster dari bentuk ternormalisasi ke bentuk semula.

( )

8. Hitung nilai sigma cluster.

( ) √

9. Untuk mempersingkat notasi selanjutanya center akan disebut sebagai C.

Hasil dari algoritma Fuzzy Subtractive Clustering ini berupa matriks pusat

cluster (C) dan sigma (σ) akan digunakan untuk menentukan nilai

parameter fungsi keanggotan Gauss seperti terlihat pada gambar 2.3

Dengan kurva gauss tersebut, maka derajat keanggotaan suatu titik data

pada cluster ke-k, adalah :

∑

( )

3.5 Menentukan Optimasi Cluster Hari dan Data Latih

Untuk meningkatkan hasil perhitungan menggunakan algoritma Fuzzy

Subtractive Clustering dan Fuzzy C-Mean diperlukan beberapa optimasi varibel,

baik dalam input maupun inisiasi persamaan. Pada penelitian ini optimasi yang

akan diuji adalah sebagai berikut :

1. Banyaknya input

Input yang dimasukan dalam program yang akan dilatih adalah 4

kelompok input yang masing-masing akan diuji dan dievaluasi hasilnya,

yaitu sebanyak 5 data, 10, 15 dan 20 input. Hasil evaluasi dari perhitungan

dengan 5 input akan diabdingkan dengan 10 input, begitu juga degan yang

lainnya. Keempat data yang diolah ditampilkan pada lampiran.

(3.12)

(3.13)

(3.14)

(3.15)

45


2. Cluster hari

Cluster hari maksudnya adalah pengelompokan hari-hari dari seluruh data

historis menjadi tiga kelompok yaitu hari kerja, akhir pekan dan libur

nasional sebagaimana dijelaskan pada sub bab 3.1. Hasil perhitungan

ketiga kelompok hari tersebut masing-masing akan dibandingkan dan

dievaluasi sehingga hasil peramalan jadi lebih akurat. Data hari libur dan

hari yang diambil sebagi perhitungan ditampilkan pada lampiran.

3. Influence Range

Pada algoritma Fuzzy Subtractive Clustering diperlukan penentuan

besarnya Influence Range, karena hal ini akan sangat berpengaruh

terhadap hasil permalan. Sebagaimana telah ditetapkan sebagai Influence

Range yang akan dicoba adalah 0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8 dan 0,9.

Hasil peramalan yang terbaik kemudian akan diambil untuk dibandingkan

dengan hasil perhitungan dengan algoritma fuzzy c-means.

3.6 Pemrograman Pada Matlab

Algoritma Fuzzy Subtractive Clustering dan Fuzzy C-Means selanjutnya akan

diterapkan pada script pada program M-file Matlab. Kemudian untuk

mempermudah pengoperasian (runnig) M-file ditambah dengan interface yang

dibuat dengan program GUIDE pada Matlab. Data input yang digunakan

dimasukan dalam program Ms Excel yang dihubungkan dengan GUI. Instruksi

(syntax) untuk menyusun script yang dibangun pada Matlab adalah sebagai

berikut :

1. Untuk membuat halaman utama script yang ditampilkan dalam figure:

function varargout = Main(varargin)

2. Inisialisasi GUI :

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

46


'gui_OpeningFcn', @Main_OpeningFcn, ...

'gui_OutputFcn', @Main_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

3. Menampilkan logo dan judul :

a = imread('logo_UPI.jpg');

axes(handles.axes2)

imshow(a);

handles.output = hObject;

guidata(hObject, handles);

4. Memasukan data perhitungan

global loadedTrain;

loadedTrain = 0;

[NUM_input,TXT_input,RAW_input]=xlsread('input_data.xls');

Fy1 = cell2mat(RAW_input);

Fy1Cells = mat2cell(Fy1,ones(1,size(Fy1,1)),ones(1,size(Fy1,2)));

Fy1Str = cellfun(@(c)num2str(c,'%.2f'),Fy1Cells,'un',0);

set(handles.uitable1,'Data',Fy1Str);

loaded = 1;

close(h);

save input.mat NUM_input TXT_input RAW_input;

5. Inisialisasi FIS dengan Subtractive Clustering :

X=NUM_test;

47


DtCluster=X;

inp=DtCluster(:,1:(size(X,2)-1))

out=DtCluster(:,size(X,2))

6. Membuat FIS dengan Fuzzy Subtractive Clustering :

fismat=genfis2(inp,out,n)

save hasilLatih.mat fismat

7. Mendapatkan influence range

n= str2num (get(handles.edit2,'String'))

8. Menghitung peramalan dengan Subtractive Clustering :

load('hasilLatih.mat')

fuzout=evalfis(inp,fismat)

set(handles.uitable2, 'data', fuzout);

9. Inisialisasi FIS dengan Fuzzy C-Means :

X=NUM_test;

DtCluster=X;

inp=DtCluster(:,1:(size(X,2)-1))

out=DtCluster(:,size(X,2))

10. Membuat FIS dengan Fuzzy C-Means :

fismat=genfis2(inp,out,n)

save hasilTrainFCM.mat fisFCM

11. Menghitung peramalan dengan Fuzzy C-Means :

load hasilTrainFCM.mat

fuzout=evalfis(inp,fisFCM)

set(handles.uitable4, 'data', fuzout);

12. Menyimpan data :

save hasilLatih.mat fismat

13. Memuat data :

load test.mat

48


14. Menghitung selisih error :

error=fuzout-out

15. Menampilkan data pada GUI

set(handles.uitable5, 'data', error);

16. Menampilkan grafik

plot(r,fuzout1,'b--o',r,out1,'--r*');

title('Real (*)vs FCM Prediction(o)');

xlabel('Time/30 minutes');ylabel('Peak Load (MW)');

17. Menampilkan Help

helpdlg('Load Data First !');

3.7 Metode Analisis Error Hasil Peramalan

Dari hasil running program pada Matlab, nilai output yang didapat harus

didefinisikan dalam prosedur pengukuran statistik yang baku agar dapat

dibandingkan hasilnya model peramalan lain. Karena itu diperlukan metode

untuk menghasilkan error index yang tepat sehingga analisa evaluasi dapat

dilakukan. Metode yang digunakan dalam penelitian ini adalah sebagai berikut :

1. RMSE atau Root Mean Square Error digunakan untuk menyatakan index

rata-rata kesalahan peramalan dalam satuan input yang mana dalam

penilitian ini adalah Mega Watt (MW). Berdasakan persamaan RMSE

yang dinyatakan oleh Bas (2015) seperti dijelaskan pada sub bab 2.8,

maka variabel yang dibutuhkan untuk menghitung RMSE adalah beban

aktual, hasil peramalan dalam periode yang sama, dalam penelitian ini

yaitu sebanyak 11 period beban per 30 menit dari pukul 17.00 s.d 22. Hasil

permalan pada setiap model input baik 5, 10, 15 dan 20 dan juga pada

setiap model klasifikasi hari akan dihitung berapa besar RMSE-nya.

Perhitungan RMSE dilakukan didalam program Matlab R2015a, berikut

ini adalah syntax yang digunakan :

49


a. Untuk menghitung RMSE :

p= num2str (norm(fuzout-out)/sqrt(length(fuzout)))

b. Untuk menampilkan hasil perhitungan :

set(handles.RMSE1, 'string', p);

c. Untuk membuat tombol start perhitungan :

function RMSE2_CreateFcn(hObject, eventdata, handles)

2. Mean Absolute Percentage Error atau MAPE merupakan indeks kesalahan

peramalan beban terhadap data aktual dalam satuan persentase (%).

Berdasakan persamaan MAPE yang dinyatakan oleh Yu (2013) seperti

dijelaskan pada sub bab 2.9, maka variabel yang diperlukan dalam

perhitungan MAPE adalah sama seperti perhitungan RMSE. Namun

MAPE digunakan untuk menyatakan akurasi permalan terbaik dari

masing-masing percobaan yang akan dibandingkan berikutnya. MAPE

dihitung dalam Ms Office, karena data yang diambil hanya data yang akan

dibandingkan saja. Berikut adalah contoh syntax pada Ms Excell :

a. Menghitung MAPE per periode :

=F5/B5*100

a. Menghitung Avarage MAPE (EMAPE) :

=SUM(K5:K15)/11

3.8 Perhitungan Model Matematis

Model matematis merupakan persamaan linear hasil peramalan terhadap data

input pada GUI berbasis algoritma FSC dan FCM. Persamaan ini berguna sebagai

penyederhaan fungsi dari algoritma FSC dan FCM. Sehingga pada peramalan

berikutnya cukup dengan menggunakan persamaan yan telah dihasilkan tersebut.

Persamaan matematis dihasilkan dengan menghitung data prediksi terhadap data

input dengan menggunakn metode pseudinverse. Metode perhitungan dijelaskan

pada sub-bab 2.10, moore-penrose pseudoinverse dihitung dengan menggunakan

apalikasi Matlab dengan menggunakan coding. Berikut adalah contoh syntax

perhitungan model matematis dengan menggunakan pseudo inverse :

constanta = pinv(input)*prediksi

testing = input * constanta

bab iii metode penelitian 3.1 pengumpulan dan...

Documents