peramalan beban listrik menggunakan...
TRANSCRIPT
PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM) DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN
PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI
NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055
Pembimbing : Dr Irhamah S.Si M.Si 1
BAB 1 PENDAHULUAN
2
LATAR BELAKANG
Jumlah rumah tangga di Indonesia meningkat
sekitar 1,2 juta atau 3,15% per tahun
Peningkatan jumlah rumah tangga akan
menyebabkan peningkatan kebutuhan
listrik
Pembangunan bidang kelistrikan harus dapat
mengimbangi kebutuhan energi listrik yang terus-
menerus naik setiap tahun
Untuk membangkitkan dan menyalurkan energi listrik secara ekonomis harus dibuat peramalan
beban listrik jauh sebelum listrik tersebut
dibutuhkan 3
PENELITIAN SEBELUMNYA Kwang-Ho dkk, 2000 ; Kyung-Bin Song dkk, 2005
Rani, 2011
Jirong Gu dkk, 2011)
Beberapa metode berbasis kecerdasan buatan seperti Fuzzy Inference System, Fuzzy Linear Regresion, dan Artificial Neural Network, memang telah banyak diaplikasikan pada peramalan beban listrik dan ternyata hasilnya memuaskan
Penelitian tentang penerapan GA-SVM yang terbilang baru adalah peramalan harga rumah yang menyimpulkan bahwa GA-SVM mempunyai performansi tinggi.
Metode SVM yang digabungkan dengan sebuah metode optimasi akan menghasilkan ramalan yang lebih baik dibandingkan SVM biasa maupun metode berbasis kecerdasan buatan lainnya
4
RUMUSAN MASALAH
Bagaimana meramalkan beban listrik menggunakan Support Vector Machine (SVM)?
Bagaimana meramalkan beban listrik menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)?
Bagaimana perbandingan hasil peramalan dari kedua metode tersebut ?
5
TUJUAN
Meramalkan beban listrik dengan menggunakan Support Vector Machine (SVM)
Meramalkan beban listrik dengan menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)
Membandingkan hasil peramalan dari kedua metode tersebut
6
MANFAAT
Sebagai rekomendasi untuk PT PLN (Persero) dalam penentuan metode terbaik yang dapat digunakan untuk meramalkan beban listrik
Sebagai kontribusi untuk penelitian mengenai peramalan kebutuhan listrik
Sebagai aplikasi metode GA-SVM untuk kasus peramalan beban listrik, karena sampai saat ini penelitian tersebut belum pernah dilakukan di Indonesia.
Sebagai pengambangan keilmuan yang menggabungkan metode GA dan metode SVM, dimana keduanya dapat menghasilkan solusi global optimum, sehingga gabungan dari keduanya diharapkan dapat menghasilkan solusi global yang sangat optimum. 7
BAB 2 TINJAUAN PUSTAKA
8
PERANAN PERAMALAN BEBAN LISTRIK Suatu model peramalan beban yang akurat sangat penting
dalam perencanaan dan pengoperasian system tenaga listrik. Peramalan beban sangat membantu perusahaan listrik dalam mengambil keputusan untuk menyuplai tenaga listrik termasuk keputusan dalam mengatur pembangkitan, pemutusan beban (load switching), dan juga pembangunan infrastruktur (Prasetyo dkk, 2008).
Peramalan beban listrik (load forecast) atau kebutuhan listrik
(demand forecast) merupakan langkah awal dari Rencana Usaha Penyediaan Tenaga Listrik (RUPTL). Peramalan beban listrik pada unit bisnis (UB) PLN di setiap wilayah memiliki peranan sangat penting dalam penyusunan RUPTL.
9
JANGKA WAKTU PERAMALAN
Peramalan beban jangka pendek (short-term load forecasting)
Peramalan beban jangka menengah (medium-term load forecasting)
Peramalan beban jangka panjang (long-term load forecasting)
10
11
DERET WAKTU (TIME SERIES) (1) Peramalan merupakan proses untuk menduga kejadian atau kondisi di masa mendatang yang bertujuan untuk memperkecil resiko kesalahan. (Makridakis, Wheelwright, McGee, 1999)
Analisis deret waktu adalah salah satu prosedur statistika yang diterapkan untuk meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang akan datang dalam rangka pengambilan keputusan.
Peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data masa lalu maupun data pada saat ini. (Aswi dan Sukarna, 2006)
12
DERET WAKTU (TIME SERIES) (2)
METODE PERAMALAN
METODE KUALITATIF
METODE KUANTITATIF
Lebih banyak menuntut analisis yang didasarkan pada pemikiran intuitif, perkiraan logis dan
informasi atau pengetahuan yang telah diperoleh peneliti sebelumnya.
Membutuhkan informasi masa lalu yang dikuantitatifkan dalam bentuk data numerik.
Metode peramalan secara kuantitatif mendasarkan ramalannya pada metode statistika
dan matematika. Terdapat dua jenis model peramalan kuantitatif, yaitu model deret waktu
dan model regresi.
13
STASIONERITAS DALAM TIME SERIES (1)
Stasioneritas adalah suatu keadaan dimana, terjadi perubahan atau fluktuasi data berada disekitar nilai rata-rata yang konstan, tidak tergantung waktu dan ragam dari fluktuasi tersebut. Time Series data yang digunakan harus memenuhi kestasioneritasan baik dalam mean maupun dalam varians.
Apabila tidak stasioner dalam mean, maka dilakukan differencing.
(Makridakis, Wheelwright dan McGee, 1999)
14
STASIONERITAS DALAM TIME SERIES (2)
Apabila tidak stasioner dalam varians, maka dapat dilakukan Transformasi Box Cox (Wei, 2006).
Nilai (lambda) Transformasi
-1
-0,5
0 Ln
0,5
1 (Tidak ditransformasi)
tZ1
tZ1
tZ
tZ
tZ
FUNGSI AUTOKORELASI (ACF)
15
Digunakan untuk suatu proses yang stasioner baik dalam mean (dimana, E(Zt)=µ) maupun dalam varians (dimana, Var (Zt) = ), maka untuk menduga model yang sesuai dapat melihat Autocorrelation Function (ACF). Dimana, Zt dipengaruhi oleh serangkaian urutan waktu berdasarkan pada interval tertentu. Oleh karena itu dituliskan korelasi diantara Zt dan Zt+k adalah sebagai berikut.
)var(var),cov(
ktt
kttk ZZ
ZZ
+
+=ρ
))((),cov( µµγ −−== −+ kttkttk ZZEZZdengan
FUNGSI AUTOKORELASI PARSIAL
16
Selain dengan melihat plot ACF dari data Time Series, pendugaan model dapat dilakukan dengan bersama-sama melihat plot Partial Autocorrelation Function (PACF). Dalam pengamatan time series, sampel PACF dinotasikan dengan dengan perhitungan seperti yang diberikan oleh Durbin yaitu sebagai berikut.
∑
∑
=
=−++
++
ρφ−
ρφ−ρ=φ k
1jjkj
k
1jj1kkj1k
1k,1k
ˆˆ1
ˆˆˆˆ
dengan
j1k,k1k,1kkjj,1kˆˆˆˆ
−++++ φφ−φ=φ
SUPPORT VECTOR MACHINE (SVM) Konsep dasar dari SVM adalah berusaha menemukan fungsi
optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda (Vapnik, 1964).
Support Vector Machine (SVM) adalah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (featute space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias (Vapnik, 1995 ; Scholkopf dkk, 2002 ; Gunn, 1998 ; Cristianini, 2000 ; Santosa, 2007).
SVM dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dikenalkan pada tahun 1992 di Annual Workshop on Computational Learning Theory (Cristianini, 2000) dan menjadi populer karena kesuksesannya dalam mengenali digit tulisan tangan dengan error sebesar 1%. 17
SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (1) Fungsi SVR adalah (2.1) Koefisien (wi dan b) diestimasi dengan meminimumkan
regularized risk function (2.2)
dimana (2.3) dengan C dan ε adalah parameter yang nilainya ditentukan.
18
SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (2) Persamaan (2.2) ditransformasi (2.4)
Persamaan Karush-Krun-Tucker diaplikasikan
ke dalam regresi sehingga persamaan (2.4) menghasilkan Lagrangian ganda (dual)
(2.5)
19
SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (3) Lagrange multiplier pada persamaan (2.5) memenuhi .
Lagrange multiplier dihitung dan suatu bobot vektor yang optimal dari regresi hyperplane adalah
(2.6) Sehingga fungsi regresinya adalah (2.7)
20
METODE KERNEL (1)
Dengan Metode Kernel suatu data x pada input space di-mapping ke feature space F dengan dimensi yang lebih tinggi melalui map φ sebagai berikut. φ : x → φ(x) Oleh karena itu, data x pada input space menjadi φ(x) di feature space.
Pemilihan fungsi Kernel yang tepat merupakan hal yang sangat penting karena akan menentukan feature space dimana fungsi klasiner akan dicari. Sepanjang fungsi Kernel-nya legilitimate, SVM akan beroperasi secara benar meskipun tidak mengetahui mapping yang digunakan (Sentosa, 2007 ; Robandi, 2008).
21
METODE KERNEL (2)
Fungsi yang digunakan untuk metode SVM adalah sebagai berikut. Linier : Polinomial : Radial basis function (RBF) : Tangen hyperbolic (sigmoid) : tanh (β + βi)
dimana β,βi R
22
GENETIC ALGORITHM (GA) (1)
Genetic Algorithm pada awalnya ditemukan dan dikembangkan oleh John Holland sekitar tahun 1975.
Genetic Algorithm digunakan untuk permasalahan pencarian dengan melakukan minimisasi biaya dan probabilitas yang tinggi untuk mendapat solusi global optimum (Holland, 1975).
Menurut Haupt dan Haupt (2004), Genetic Algorithm adalah suatu teknik optimasi yang didasarkan pada prinsip genetika dan seleksi alam.
23
GENETIC ALGORITHM (GA) (2) Beberapa keuntungan dari Genetic Algorithm
adalah sebagai berikut. Dapat digunakan untuk variabel diskrit maupun
kontinyu Pencarian dari sampling yang luas secara serentak Dapat digunakan untuk jumlah variabel yang besar Hasil akhir berupa beberapa variabel yang
optimum, tidak hanya satu penyelesaian saja Optimasi dilakukan dengan mengkodekan variabel Dapat digunakan pada data numerik, data
eksperimental, atau fungsi analitik
24
GENETIC ALGORITHM (GA) (3)
Tujuh komponen penting Genetic Algorithm :
1. Skema Pengkodean Pengkodean yang dimaksud meliputi pengkodean gen dan kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya mewakili satu variabel.
2. Nilai fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati.
3. Seleksi Orang Tua Pemilihan dua buah kromosom sebagai orang tua yang akan dipindahsilangkan dilakukan secara proporsional sesuai dengan nilai fitness-nya. Metode seleksi yang biasa digunakan adalah roulette wheel. 25
GENETIC ALGORITHM (GA) (4) 4. Pindah Silang
Crossover adalah salah satu komponen paling penting dalam GA. Sebuah kromosom yang mengarah pada solusi yang bagus dapat diperoleh dari proses memindah-silangkan ini.
5. Mutasi Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau lebih gen dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.
26
GENETIC ALGORITHM (GA) (5) 6. Etilisme
Suatu individu yang memiliki nilai fitness tertinggi belum pasti akan selalu terpilih. Hal ini disebabkan karena proses penyeleksian dilakukan secara random. Walaupun individu bernilai fitness tertinggi terpilih, namun tidak menutup kemungkinan bahwa individu tersebut rusak karena proses pindah silang. Oleh karena itu perlu dilakukan etilisme, yaitu suatu prosedur pengopian individu agar individu yang memiliki nilat fitness tertinggi tidak hilang selama proses evolusi.
7. Penggantian Populasi
Skema penggantian populasi dalam GA dikenal sebagai general replacement, yang berarti semua individu (N individu dalam satu populasi) dari suatu generasi digantikan sekaligus oleh N individu baru hasil pindah silang dan mutasi. Terdapat beberapa prosedur penghapusan individu ini seperti penghapusan individu yang paling tua atau individu yang memiliki nilai fitness paling rendah.
27
BAB 3 METODOLOGI PENELITIAN
28
SUMBER DATA Data yang digunakan dalam penelitian ini adalah data sekunder. Data yang diambil adalah data beban harian tiap 30 menit pada bulan Oktober 2011 dan pada tanggal 1-2 Nopember. Data yang diramal yaitu beban listrik pada tanggal 3-4 Nopember 2011. Data diambil dari PT PLN (Persero) sub unit Penyaluran dan Pusat Pengatur Beban (P3B) Jawa Timur-Bali.
29
VARIABEL PENELITIAN
Variabel penelitian yang digunakan hanya data beban listrik harian dengan jumlah data sebanyak 48 data per hari, karena pengaruh temperature dan tingkat ekonomi diabaikan. Berikut ini adalah variabel bebas dan variabel tak bebas yang digunakan dalam penelitian ini. 1. Variabel tak bebas (yt) adalah data beban listrik yang dijadikan data
aktual/target. 2. Variabel bebas (x) adalah data beban listrik pada waktu sebelumnya (yt-
1, yt-2, yt-3, …, yt-n). Berdasarkan variabel penelitian tersebut, peramalan beban listrik ini memiliki tiga tahapan peramalan yaitu melakukan pemodelan berdasarkan data training, memvalidasi model dengan data testing, dan menghitung nilai ramalan. Keakuratan peramalan beban listrik diketahui dari MAPE, MSE, AIC, SBC, dan R2.
30
LANGKAH ANALISIS
Melakukan pengumpulan data beban listrik tahunan
Melakukan analisis ARIMA untuk memperoleh input vaiabel bebas
Mengolah data menggunakan algoritma SVM dengan software Matlab 7.0.1.
Mengolah data beban listrik menggunakan algoritma GA-SVM dengan software Matlab 7.0.1.
Melakukan analisis dan perbandingan hasil ramalan
31
32
MULAI
Input data
Tentukan parameter Kernel, C Mapping data x ke feature space lewat fungsi
Kernel Polynomial
Lakukan optimasi variabel Lagrange dengan formula QP untuk mendapatkan
beta dan bias
Hasil optimal
Hitung nilai peramalan dengan fungsi regresi
SELESAI
Ya
Tidak ALGORITMA SVM
33
Ya
Tidak
Mutasi
Populasi Baru
Reproduksi
Crossover
Fitness memenuhi
MULAI
Inisialisasi parameter dan C
Membangkitkan populasi secara random
Training SVM
Perhitungan nilai fitnress
Validasi GA-SVM
SELESAI
ALGORITMA GA-SVM
BAB 4 PEMBAHASAN
34
35
1341119210438947455964472981491
4500
4000
3500
3000
Index
C1
Time Series Plot of C1
5,02,50,0-2,5-5,0
87,5
85,0
82,5
80,0
77,5
75,0
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 0,10
Lower CL -0,34Upper CL 0,57
Rounded Value 0,00
(using 95,0% confidence)
Lambda
Box-Cox Plot of C1
ARIMA untuk menentukan input peramalan beban listrik
menggunakan metode SVM dan GA-SVM
DATA TRAINING : BEBAN LISTRIK HARIAN PER 30 MENIT OKTOBER 2011
STASIONER DALAM
VARIANS ?
36
1341119210438947455964472981491
8,5
8,4
8,3
8,2
8,1
8,0
7,9
Index
C2
Time Series Plot of C2
800750700650600550500450400350300250200150100501
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for Transfformasi Box-Cox(with 5% significance limits for the autocorrelations)
DATA YANG DITRANSFORMASI LN
BELUM STASIONER TERHADAP MEAN,
POLA MUSIMAN HARIAN
37
1341119210438947455964472981491
0,3
0,2
0,1
0,0
-0,1
-0,2
Index
Dif
f 4
8
Time Series Plot of Diff 48
800750700650600550500450400350300250200150100501
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for Diff 48(with 5% significance limits for the autocorrelations)
DIFFERENCING 48
ACF MASIH TURUN SECARA LAMBAT
38
1341119210438947455964472981491
0,2
0,1
0,0
-0,1
-0,2
Index
Dif
f 4
8,1
Time Series Plot of Diff 48,1
80706050403020101
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for Diff 48,1(with 5% significance limits for the autocorrelations)
80706050403020101
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Pa
rtia
l Au
toco
rre
lati
on
Partial Autocorrelation Function for Diff 48,1(with 5% significance limits for the partial autocorrelations)
DIFFERENCING 1
LAG PACF YANG SIGNIFIKAN : 1, 3, 12, 15, 18, 21, 30, 42, 46, 47, 48
39
PERAMALAN DENGAN SVM
MODEL
1. C = 80, d = 0,005
2. C =95, d = 0
40
3. C = 100, d = 0,001
4. C = 110, d = 0,05
5. C = 120, d = 0,01
41
Percobaan
1 2 3 4 5
C 80 95 100 110 120
0,005 0 0,001 0,05 0,01
AIC 10,92512 10,92839 10,92925 10,93071 10,93202
SBC 10,97855 10,98181 10,98268 10,98413 10,98544
RMSE 230,841 231,218 231,318 231,487 231, 638
MAPE 4,9525 % 4,961 % 4,9634 % 4,9671 % 4,9706 %
DATA TESTING
C = 80 dan ε = 0,005, dimana AIC sebesar 10,92512, SBC sebesar 10,97855, RMSE sebesar 230,841, dan MAPE sebesar 4,9525%.
42
100806040200
4600
4400
4200
4000
3800
3600
3400
3200
3000
Waktu dalam 30 Menit selama 24 Jam
Be
ba
n L
istr
ik (
MW
)
Data AktualData Ramalan (SVM)
Variable
Perbandingan Data Aktual dan Ramalan SVM
SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. R-Square = 96,617 %
Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik.
43
DATA RAMALAN Jam
Data Ramalan (MW)
3 Nopember 2011 4 Nopember 2011
00.30 3335.7 3419.9
01.00 3292.4 3374.9
01.30 3278.6 3387.9
02.00 3253.8 3356.3
02.30 3196.1 3308.5
03.00 3226.1 3290.7
03.30 3234 3293.8
04.00 3208.5 3243.4
04.30 3230.4 3277.8
05.00 3250.5 3272.8
05.30 3252.2 3303.3
06.00 3265.1 3309.8
06.30 3267.6 3316.7
07.00 3307.2 3282.4
07.30 3352.5 3306.1
08.00 3440.5 3382.3
08.30 3438.9 3419.2
09.00 3542.1 3437.3
09.30 3608 3427.9
10.00 3633.8 3491.6
10.30 3732.7 3576.5
11.00 3643.8 3534
11.30 3680.1 3607
12.00 3708.1 3677.9
12.30 3668.5 3675.5
13.00 3731.2 3696.7
13.30 3746.3 3696.3
14.00 3809.1 3825.5
14.30 3909.1 3872.9
15.00 3864.6 3894
15.30 3879.3 3926.5
16.00 3904.2 3937.7
16.30 4002.7 4053.3
17.00 4085.3 4050
17.30 4113 4102.7
18.00 4205.2 4170.4
18.30 4228.3 4229
19.00 4269.3 4254.7
19.30 4245.4 4254
20.00 4196.2 4214.5
20.30 4129.9 4167.7
21.00 4051 4107.2
21.30 3991.5 4015.7
22.00 3890.9 3942
22.30 3729.9 3816.2
23.00 3650.3 3690.1
23.30 3580.8 3644.4
24.00 3502.1 3529.8
44
50403020100
4400
4200
4000
3800
3600
3400
3200
Waktu dalam 30 Menit selama 24 Jam
Be
ba
n L
istr
ik (
MW
)
Data Ramalan 3 Nop (SVM)Data Ramalan 4 Nop (SVM)
Variable
Hasil Ramalan SVM untuk 3 Nopember 2011 dan 4 Nopember 2011
Kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB.
45
PERAMALAN DENGAN GA-SVM
MODEL
Range C yang ditetapkan pada GA-SVM adalah 80 – 120, range yang ditetapkan adalah 0 – 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 105 dan = 0,030469.
46
Metode AIC SBC RMSE MAPE GA-SVM 10,92 10,97 230,41 4,85%
DATA TESTING
Range C yang ditetapkan pada GA-SVM adalah 80 – 120, range yang ditetapkan adalah 0 – 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 111,875 dan = 0,043018.
AIC sebesar 11,29, SBC sebesar 11,34, RMSE sebesar 276,82, dan MAPE sebesar 5,77%.
47
100806040200
4600
4400
4200
4000
3800
3600
3400
3200
3000
Waktu dalam 30 Menit selama 24 Jam
Be
ba
n L
istr
ik (
MW
)
Data AktualData Ramalan (GA-SVM)
Variable
Perbandingan Data Aktual dan Data Ramalan GA-SVM
GA-SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. R-Square = 97,20 %
Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik.
48
Jam Data Ramalan (MW)
3 Nopember 2011 4 Nopember 2011
00.30 3358.093 3470.844
01.00 3310.015 3412.848
01.30 3271.229 3407.932
02.00 3262.204 3397.27
02.30 3228.636 3379.556
03.00 3256.045 3360.156
03.30 3311.376 3388.279
04.00 3316 3382.879
04.30 3329.263 3409.685
05.00 3328.195 3383.512
05.30 3286.306 3356.976
06.00 3231.272 3334.045
06.30 3232.509 3307.019
07.00 3293.485 3329.049
07.30 3366.586 3346.084
08.00 3500.944 3462.455
08.30 3509.121 3507.339
09.00 3604.309 3537.622
09.30 3673.749 3540.674
10.00 3718.172 3539.316
10.30 3746.789 3598.268
11.00 3687.332 3597.814
11.30 3673.624 3566.293
12.00 3705.446 3645.831
DATA RAMALAN
12.30 3669.197 3709.059
13.00 3799.634 3753.654
13.30 3836.704 3761.369
14.00 3878.297 3850.039
14.30 3933.631 3877.618
15.00 3894.309 3884.182
15.30 3876.58 3905.051
16.00 3886.238 3922.615
16.30 3969.429 4026.499
17.00 4109.71 4111.39
17.30 4208.463 4187.616
18.00 4312.154 4279.11
18.30 4344.225 4336.492
19.00 4380.901 4363.215
19.30 4356.726 4348.048
20.00 4297.358 4309.17
20.30 4209.331 4229.328
21.00 4109.657 4145.189
21.30 3995.482 4017.73
22.00 3920.19 3945.004
22.30 3766.224 3818.07
23.00 3652.53 3684.786
23.30 3578.319 3644.918
24.00 3539.057 3562.8
49
50403020100
4400
4200
4000
3800
3600
3400
3200
Waktu dalam 30 Menit selama 24 Jam
Beba
n Li
stri
k (M
W)
Data Ramalan 3 Nop (GA -SV M)Data Ramalan 4 Nop (GA -SV M)
V ariable
Hasil Ramalan GA-SVM untuk 3 Nopember dan 4 Nopember 2011
Kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar 4363,215 MW pada pukul 19.00 WIB.
50
Metode AIC SBC RMSE MAPE R2 SVM 10,93 10,98 230,84 4,95% 96,62%
GA-SVM 10,92 10,97 230,41 4,85% 97,20%
PERBANDINGAN
SVM C = 80 dan = 0,005 GA-SVM C = 111,875 dan = 0,043018
AIC, SBC, RMSE, MAPE GA-SVM << SVM. R2 GA-SVM >> SVM
GA-SVM LEBIH BAIK DARI SVM
51
50403020100
4400
4200
4000
3800
3600
3400
3200
Waktu dalam 30 Menit selama 24 Jam
Beba
n Li
stri
k (M
W)
Data Ramalan 3 Nop (SV M)Data Ramalan 3 Nop (GA -SV M)
V ariable
Data Ramalan untuk 3 Nopember 2011 dengan SVM dan GA-SVM
50403020100
4400
4200
4000
3800
3600
3400
3200
Waktu dalam 30 Menit selama 24 Jam
Beba
n Li
stri
k (M
W)
Data Ramalan 4 Nop (SV M)Data Ramalan 4 Nop (GA -SV M)
V ariable
Data Ramalan untuk 4 Nopember 2011 dengan SVM dan GA-SVM
100806040200
4600
4400
4200
4000
3800
3600
3400
3200
3000
Waktu dalam 30 Menit selama 24 Jam
Beba
n Li
stri
k (M
W)
Data AktualData Ramalan SVMData Ramalan GA-SVM
Variable
Perbandingan Data Aktual, Data Ramalan SVM, dan Data Ramalan GA-SVM
Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil, tetap dapat
dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data aktual dibandingkan
dengan metode SVM.
BAB 5 KESIMPULAN,
SARAN 52
53
KESIMPULAN (1)
Ramalan menggunakan metode SVM menghasilkan R-Sq yang cukup tinggi yaitu sebesar 96,617 %. Artinya, peramalan
beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik. Hasil ramalan menggunakan SVM
menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB.
54
KESIMPULAN (2)
Ramalan menggunakan metode GA-SVM menghasilkan parameter optimum yaitu C = 111,875 dan = 0,043018, R-Sq
yang dihasilkan cukup tinggi yaitu sebesar 97,20 %. Artinya, peramalan beban listrik harian di PT PLN Sub Unit P3B
Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik. Hasil ramalan
menggunakan GA-SVM menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember
2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar 4363,215 MW pada pukul 19.00 WIB.
55
KESIMPULAN (3)
Peramalan beban listrik menggunakan metode GA-SVM menghasilkan nilai AIC, SBC, RMSE, dan MAPE yang lebih
kecil dibandingkan dengan metode SVM. R2 yang dihasilkan dari metode GA-SVM juga memiliki nilai yang lebih besar dibandingkan nilai R2 yang dihasilkan dari metode SVM.
Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil,
tetap dapat dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data
aktual dibandingkan dengan metode SVM. Dari hasil peramalan menggunakan GA-SVM, PT PLN Sub Unit P3B
Jawa Timur dan Bali dapat menyediakan tenaga listrik yang sesuai dengan kebutuhan listrik konsumen.
56
SARAN
Hal yang menjadi catatan penting dalam Tugas Akhir ini adalah nilai MAPE yang dihasilkan dari metode SVM dan GA-SVM masih belum memenuhi standar minimal MAPE
PLN yaitu sebesar 2%. Oleh karena itu, untuk peneliti selanjutnya disarankan untuk melakukan pengembangan
metode dan data yang digunakan dalam analisis.
DAFTAR PUSTAKA (1) A. Azadeh, R. Tavakkoli-Moghaddam, S. Tarverdian. 2004. Electrical Energi Consumption Estimation by
Genetic Algorithm and Analysis of Variance. Research Institute of Energi Management and Planning and Department of Industrial Engineering, Faculty of Engineering, University of Tehran, Iran.
Arief H.K, Zuhal, Rinaldy D. 2007. “Long-Term Load Forecasting on the Java-Madura-Bali Electricity System Using Artificial Neural Network Method”. International Conference on Advances in Nuclear Science and Engineering in Conjunction with LKSTN, pp 177-181.
Bonadr, R., Sumardi, dan Sudjadi. 2002. Perbandingan Kinerja Algoritma Lms Dan Algoritma Genetik Untuk Filter Adaptif Penghilang Noise. Universitas Diponegoro.
Chatterjee, S., Laudat, M., dan Lynch, L.A., 1996. Genetic Algorithms And Their Statistical Applications:An Introduction. Journal Applied Computational Statistic and Data Analysis, 22, 633-651.
Cristianini, N. dan Shawe Taylor, J, 2000. An Introduction to Support Vector Machines, Cambrige University Press.
Dharma,A., Putu Eka Wahyu I, Imam Robandi. 2006. “Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Menggunakan Artificial Neural Network dan Fuzzy Inference System (ANNFIS) Studi Kasus di Pulau Bali”. Seminar Teknik Elektro Universitas Negeri Surabaya.
Djiteng Marsudi. Operasi Sistem Tenaga Listrik. Balai Penerbit & Humas ISTN. Jakarta. 1990. Eslam Pourbasheer, Siavash Riahi, Mohammad Reza Gazali, Parviz Norouzi. 2009. “Application of genetic
alogithm-support vector machine (GA-SVM) for prediction of BK-channels activity”. European Journal of Medicinal Chemistry, Vol. 44, pp. 5023-5028.
Gunn, S., 1998, Support Vector Machines for Classification and Regression, Tech.Rep.,Dep.of Electronics and Computer Science, University of Southampton.
Herman Darnel Ibrahim. Rencana Usaha Pengusahaan Tenaga Listrik (RUPTL) 2006-2015. Direktorat Transmisi dan Distribusi PT PLN (Persero). Jakarta. 2006.
Holland, John H. 1975. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press.
J. F. Yang and H. Z. Cheng. 2004. “Application of SVM to power system short- term load forecasting”. Electric Power Automation Equipment, Vol. 24, pp. 30-32.
57
DAFTAR PUSTAKA (2) Jirong Gu, Mingcang Zhu, and Liuguangyan Jiang. 2011. “Housing price forecasting based on genetic algorithm
and support vector machine”. Expert Systems with Applications : An International Journal, Vol. 38, Issue 4. Kosasih, D., dan Rinaldo, (2006). Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi
Maksimum. Institut Teknologi Bandung. Kurniawan Fitrianto, Agung Nugroho, dan Bambang Winardi. 2005. Prakiraan Kebutuhan Energi Listrik
Tahun 2006-2015 pada PT PLN (Persero) Unit Pelayanan Jaringan (UPJ) di Wilayah Kota Semarang dengan Metode Gabungan. Tugas Akhir. UNDIP.
Kusumadewi, Sri; Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi Menggunakan Teknik- Teknik Heuristik. Yogyakarta : Graha Ilmu.
Kuswartojo, T. (2005). Perumahan dan Pemukiman di Indonesia. Bandung: ITB. Kwang-Ho Kim, Hyoung-Sun Youn, Yong-Cheol Kang. 2000, “Short-Term Load Forecasting for Special Days in
Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method”, IEEE Transactions on Power System, Vol.15, No.2, May.
Kyung-Bin Song, Young-Sik Baek, Dug Hun Hong, and Gilsoo Jang.2005. “Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method”, IEEE Transactions on Power System, Vol.20, No.1, February.
Law, M. A Simple Introduction to Support Vector Machines. Lecture for CSE 802, Department of Computer Science and Engineering Michigan State University.
Ong, C.S., Huang, J.J., dan Tzeng G.H., 2005. Model identification of ARIMA family using genetic algorithms. Journal Applied Mathematics and Computation, 164, 885-912.
Ping-Fei Pai and Wei-Chiang Hong. 2005. “Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms”. Electric Power System Research, Vol. 74, pp. 417-425.
Prasetyo Gusti, R.A., Imam Robandi. 2008. Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Dengan Metode Support Vector Machine. Tugas Akhir, ITS.
Randy L. Haupt. S. E. Haupt. 2004. Practical genetic Algorithm. New Jersey: John Wiley & Sons, Inc. Santosa, B., 2007, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Teori dan Aplikasi, Graha
Ilmu.
58
DAFTAR PUSTAKA (3) Scholkopf, B. dan Smola, A., 2002, Learning with Kernels, The MIT Press. Cambridge, Massachusetts. Sivanandan S. N. and Deepa S. N. 2007. Introduction to Genetic Algorithm. New York : Springer Berlin
Heidelberg. Stefan Lessmann, Robert Stahlbock, and Sven F. Crone. 2006. “Genetic Algorithm for Support Vector Machine
Model Selection”. International Joint Conference on Neural Networks. Suyanto. 2005. Algoritma Genetika dalam MATLAB (Genetic Algorithm in MATLAB). Yogyakarta : Andi
Publisher. Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer Verlag. 94 X.M. Li, D. Gong, L. Li, and C.Y. 2005. “Next day load forecasting using SVM”, Proc. ISNN '05, Lecture Notes in
Computer Science, Springer, Berlin, pp. 634-639.
59
TERIMA KASIH
60
NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055
Pembimbing : Dr Irhamah S.Si M.Si 61
PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM) DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN
PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI