TUGAS JURNAL TENTANGFUZZY LOGIC,SISTEM PAKAR dan JARINGAN SYARAF TIRUAN

OLEH:

JODI CHANDRA1110115262014644

DOSEN RURI HARTIKA ZAIN S.Kom, M.Kom

FAKULTAS ILMU KOMPUTERUNIVERSITAS PUTRA INDONESIA YPTKPADANGAPLIKASI LOGIKA FUZZY DAN JARINGAN SYARAF TIRUAN SEBAGAIMETODE ALTERNATIF PREDIKSI BEBAN LISTRIK JANGKA PENDEK

ABSTRAK

Perkembangan teknologi komputasi yang sudah mengarah kepada teknologi soft computing(istilah lainnya komputer cerdas) mendorong peneliti untuk mencoba mencari suatu metodealternatif prediksi beban listrik jangka pendek berbasis kecerdasan buatan (yang populer danbanyak dipakai para ilmuwan : berbasis Fuzzy Logic/ Logika Fuzzy, Adaptive NeuralNetwork/ Jaringan Syaraf Tiruan). Kemudahan konsep logika fuzzy dan jaringan syaraftiruan mendorong peneliti untuk membuat prediksi pemakaian energi listrik jangka pendek.Sumber data yang diperlukan adalah data pengeluaran beban listrik dari Pusat PembagiBeban PT. PLN (Persero) setiap jam mulai pukul 00.00 sampai dengan pukul 24.00 mulaihari senin sampai dengan minggu pada hari normal dan hari-hari libur nasional, yangkemudian data tersebut akan dibelajarkan pada sistem perangkat lunak yang sudahdirancang berbasis logika fuzzy dan jaringan syaraf tiruan. Software pendukung untukmerancang program digunakan Matlab ver.7.0 dari Mathwork Corp.Melalui perhitungandari hasil simulasi didapatkan rata-rata error keseluruhan untuk ketiga metode, yaitu 3.93 %untuk PLN dan 1.08 % untuk fuzzy. Dengan demikian dapat disimpulkan bahwa prakiraanbeban listrik jangka pendek dengan menggunakan fuzzy subtractive clustering lebih baikdibandingkan dengan prakiraan beban listrik dengan menggunakan metode koefisien yangdilakukan oleh PLN, akan tetapi hasil tersebut masih jauh dari prakiraan JST (prakiraan olehJST 0.26 % .

1. PENDAHULUAN

Akhir-akhir ini kita banyak mendengar berita bahwa Perusahaan Listrik Negara(PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktorfaktoryang sangat kompleks mulai dari dampak kenaikan BBM terhadap harga batubarasebagai bahan bakar utama PLTU, pencurian listrik, efesiensi unit pembangkitanyang sangat rendah akibat umur unit pembangkit yang sudah tua dan masalah lainnya,sehingga dijadikan alasan PLN untuk mendesak pemerintah menaikkan Tarif DasarListrik (TDL) yang tentunya akan semakin membebani pertumbuhan ekonomimasyarakat.Tenaga listrik tidak dapat disimpan dalam skala besar, karenanya tenaga iniharus disediakan pada saat dibutuhkan. Akibatnya timbul persoalan dalam menghadapikebutuhan daya listrik yang tidak tetap dari waktu ke waktu, bagaimanamengoperasikan suatu sistem tenaga listrik yang selalu dapat memenuhi permintaandaya pada setiap saat, dengan kualitas baik dan harga yang murah. Apabila daya yangdikirim dari bus-bus pembangkit jauh lebih besar daripada permintaan daya pada busbusbeban, maka akan timbul persoalan pemborosan energi pada perusahaan listrik,terutama untuk pembangkit termal. Sedangkan apabila daya yang dibangkitkan dandikirimkan lebih rendah atau tidak memenuhi kebutuhan beban konsumen maka akanterjadi pemadaman lokal pada bus-bus beban, yang akibatnya merugikan pihakkonsumen. Oleh karena itu diperlukan penyesuaian antara pembangkitan denganpermintaan daya.2Untuk mempertahankan unjuk kerja (performance) sistem tenaga listrik makasistem harus terus dikembangkan. Pengembangan sistem yang terlambat memberikanrisiko terjadinya pemadaman/pemutusan dalam penyediaan tenaga listrik bagipelanggan sebagai akibat terjadinya beban yang lebih besar daripada kemampuaninstalasi. Analisis hasil-hasil operasi diperlukan sebagai masukan untuk rencanapemeliharaan instalasi. Pemeliharaan instalasi yang sebaik mungkin sangat diperlukanuntuk mengurangi gangguan yang berarti menaikkan keandalan operasi sistem. Masalahyang unik dalam operasi sistem adalah bahwa : Daya yang dibangkitkan/diproduksiharus selalu sama dengan daya yang dikonsumsi oleh para pemakai tenaga listrik yangsecara teknis umumnya dikatakan sebagai beban sistem (Djiteng Marsudi, 1990:13).Syarat mutlak yang pertama harus dilaksanakan untuk mencapai tujuan ituadalah pihak perusahaan listrik mengetahui beban atau permintaan daya listrik dimasadepan. Karena itu prakiraan beban jangka pendek, menengah dan panjang merupakantugas yang penting dalam perencanaan dan pengoperasian sistem daya. Prakiraan bebanjangka pendek, yaitu beban setiap jam atau tiap hari digunakan untuk penjadwalan danpengontrolan sistem daya atau alokasi pembangkit cadangan berputar, juga digunakanuntuk masukan dalam studi aliran daya.Satu hal yang luput dari analisis kerugian PLN adalah masalah estimasi(prediksi) pengeluaran beban listrik. Padahal bahwa kemampuan pihak P2B (PusatPembagi Beban) PT. PLN (Persero) untuk memprediksi berapa besar beban listrik yangharus dikeluarkan setiap waktunya sangat diandalkan. Metoda Koefisien Beban yangsudah lama digunakan PLN ternyata masih memberikan error prediksi yang cukup besaryaitu rata-rata berkisar antara 4%-5%. Sehingga menimbulkan kerugian daya yangcukup besar bagi PLN untuk setiap satuan waktunya. Oleh sebab itu menjadi suatutantangan bagi peneliti untuk mencari suatu model prediksi beban listrik sehinggamenghasilkan error prediksi yang lebih baik dari model prediksi yang selama ini dipakaiPLN.Perkembangan teknologi komputasi yang sudah mengarah kepada teknologi softcomputing (istilah lainnya komputer cerdas) mendorong peneliti untuk mencobamencari suatu metode alternatif prediksi beban listrik jangka pendek berbasiskecerdasan buatan (yang populer dan banyak dipakai para ilmuwan : berbasis FuzzyLogic/ Logika Fuzzy, Adaptive Neural Network/ Jaringan Syaraf Tiruan). Kemudahankonsep logika fuzzy dan jaringan syaraf tiruan mendorong peneliti untuk membuatprediksi pemakaian energi listrik jangka pendek. Sumber data yang diperlukan adalahdata pengeluaran beban listrik dari Pusat Pembagi Beban PT. PLN (Persero) setiap jammulai pukul 00.00 sampai dengan pukul 24.00 mulai hari senin sampai dengan minggupada hari normal dan hari-hari libur nasional, yang kemudian data tersebut akandibelajarkan pada sistem perangkat lunak yang sudah dirancang berbasis logika fuzzydan jaringan syaraf tiruan. Software pendukung untuk merancang program digunakanMatlab ver.7.0 dari Mathwork Corp.

2. METODE PENELITIAN

Dalam penelitian ini mengunakan 2 algoritma untuk dibandingkan keandalannyadalam memprediksi beban, yaitu menggunakan algoritma fuzzy subtractive clusteringdan algoritma backpropagation untuk jaringan syaraf tiruan.2.1. Algoritma Fuzzy Subtractive ClusteringAlgoritma fuzzy subtractive clustering adalah sebagai berikut :1. Input data yang akan dicluster : Xij dengan i = 1,2,,n; dan j = 1,2,,m.32. Tetapkan nilai :a.rj (influence range)b.q (squash factor)c.Accept_ratiod.Reject_ratioe.Xminf.Xmax3. Normalisasi : i n j mX XX XXj jij jij , 1,2,..., ; 1,2,...max minmin= ==4. Tentukan potensi awal tiap-titik dataa.i = 1b.kerjakan hingga i = n Tj = Xij; j = 1,2,m Hitung : j m k nrT XD j kjkj ,... 2 , 1 ; ,... 2 , 1 ; = = = Potensi awal : jika m = 1, maka ( ) == nkDiD e k14 21jika m > 1, maka = = =nkDimjkD c141225. Cari titik dengan D tertinggia. m = max[Di; I = 1,2,,n]b. h = i; sedemikian hingga Di = m6. Tentukan pusat cluster dan kurangi potensinya terhadap titik-titik disekitarnya :a.Center = []b. ( ) = 211 / 2' *bk ck k c rx xD D D e7. Kembalikan pusat cluster dari bentuk ternormalisasi ke bentuk semula.Centerij = Centerij*(Xmaxj - Xminj) + Xminj8. Hitung nilai sigma cluster : =8max min j jj jX X r9. Hitung derajat keanggotaan :( )= =mj jXij Cijki e 1222

2.2. Algoritma BackpropagationAdapun algoritma backpropagation yang disusun untuk membuat modelprakiraan dengan jaringan syaraf tiruan adalah : Inisialisasi bobot Menetapkan :a. Maksimum epoh = 9000b. Target Error = 0.001c. Learning Rate () = 1.5 Inisialisasi: Epoh = 0, MSE =14 Mengerjakan langkah-langkah berikut selama (Epoh < Maksimum Epoh, dan MeanSquare Error / MSE > Target Error):1. Epoh = Epoh + 12. Untuk setiap pasangan elemen yang akan dilakukan pembelajaran, dikerjakan:Feedforward:a. Tiap-tiap unit neuron input (Xi , i=1,2,3,,5) menerima sinyal xi dan meneruskansinyal tersebut ke semua unit pada lapisan yang di atasnya ( lapisankedua/lapisan tersembunyi pertama, [ aj Z , j=1,2,3,,10 ] ).b. Tiap-tiap unit neuron pada lapisan kedua/lapisan tersembunyi pertama ( aj Z ,j=1,2,3,,10), menjumlahkan sinyal-sinyal input terbobot dengan rumus:== +5i 1za _in j b1j XiVijdimana,z a_inj = hasil penjumlahan sinyal-sinyal input terbobot dari lapisan pertamayang dikerjakan oleh neuron ke-j pada lapisan kedua.b1j = bobot bias yang menghubungkan lapisan pertama (input) denganneuron ke-j pada lapisan kedua/lapisan tersembunyi pertama.Vij = Bobot input yang menghungkan lapisan pertama (input) dengan neuronke-j pada lapisan kedua.Dengan menggunakan fungsi aktivasi tansig, sinyal output pada lapisan kedua akandihitung dengan rumus:Zaj = f(za _in j )dan sinyal zaj ini kemudian akan dikirimkan pada lapisan yang ada di atasnya (yaitu::lapisan ketiga/lapisan tersembunyi kedua).c. Tiap-tiap unit neuron pada lapisan ketiga/lapisan tersembunyi kedua (Zbk ,k=1,2,,4), menjumlahkan sinyal-sinyal input terbobot zaj dengan rumus:== +10j 1zb_ink b2k ZajUjkdimana,z b_ink = hasil penjumlahan sinyal-sinyal input terbobot dari lapisan keduayang dikerjakan oleh neuron ke-k pada lapisan ketiga.b2k = bobot bias yang menghubungkan lapisan kedua dengan neuron ke-kpada lapisan ketiga/lapisan tersembunyi kedua.Uij = Boot input yang menghubungkan lapisan kedua dengan neuron ke-kpada lapisan ketiga.Dengan menggunakan fungsi aktivasi logsig, sinyal output pada lapisan ketiga akandihitung dengan rumus:Zbk = f(zb_ink )dan sinyal zbk ini kemudian akan dikirimkan pada lapisan yang ada di atasnya (yaitu::lapisan keempat/lapisan output).d. Tiap-tiap unit neuron pada lapisan keempat/lapisan output (Ym, m=1),menjumlahkan sinyal-sinyal input terbobot Zbk dengan rumus:5== +4k 1y_inm b3m ZbkmWkmdimana,y_inm = hasil penjumlahan sinyal-sinyal input terbobot dari lapisan ketiga yangdikerjakan oleh unit neuron pada lapisan keempat/lapisan output.b3m = bobot bias yang menghubungkan lapisan ketiga dengan unit neuronke-m pada lapisan keempat.Wkm = Boot input yang menghungkan lapisan ketiga dengan unit neuron ke-mpada lapisan keempat.Dengan menggunakan fungsi aktivasi purelin, sinyal output pada lapisan keempat akandihitung dengan rumus:Ym = f(y_inm )Backpropagation :e. Tiap-tiap unit output (Ym) pada lapisan keempat menerima target (Tm) pola yangberhubungan dengan pola input pembelajaran, maka dapat dihitung informasi errordengan rumus:4m = (Tm -Ym) f (y_inm)4m = 4m Zbk4m = 4mdimana,(Tm-Ym) = error antara target dengan output pada unit ke-m.f (y_inm) = fungsi turunan dari y_inm4m = delta input pada unit ke-m dalam lapisan keempat.4m = besarnya bobot pada unit ke-m dalam lapisan keempat.4m = besarnya bobot bias pada unit ke-m dalam lapisan keempat.Kemudian menghitung koreksi bobot (yang nantinya akan digunakan untukmemeperbaiki nilai wkm): Wkm = 4mJuga menghitung koreksi bias (yang nantinya akan digunakan untuk memperbaikinilai b3m): b3m = 4mf. Tiap-tiap unit output (Zbk) pada lapisan ketiga menerima target (Tk) pola yangberhubungan dengan pola input pembelajaran, maka dapat dihitung informasi errordengan rumus:3k = (Tk Zbk) f (zb_ink)3k = 3k Zbk3k = 3kdimana,(Tk Zbk) = error antara target dengan output pada unit ke-k.f (zb_ink) = fungsi turunan dari za_ink3k = besarnya delta input pada unit ke-k dalam lapisan ketiga.3k = besarnya bobot input pada unit ke-k dalam lapisan ketiga.3k = besarnya bobot bias pada unit ke-k dalam lapisan ketiga.Kemudian menghitung koreksi bobot (yang nantinya akan digunakan untukmemperbaiki nilai Ujk): Ujk = 3k6Juga menghitung koreksi bias (yang nantinya akan digunakan untuk memperbaikinilai b2k): b2k = 3kg. Tiap-tiap unit output (Zaj) pada lapisan kedua menerima target (Tj) pola yangberhubungan dengan pola input pembelajaran, maka dapat dihitung informasi errordengan rumus:2j = (Tj Zaj) f (za_inj)2j = 2j Zaj2j = 2jdimana,(Tj Zaj) = error antara target dengan output pada unit ke-j.f (za_inj) = fungsi turunan dari za_inj2j = besarnya delta input pada unit ke-j dalam lapisan kedua.2j = besarnya bobot input pada unit ke-j dalam lapisan kedua.2j = besarnya bobot bias pada unit ke-j dalam lapisan kedua.Kemudian menghitung koreksi bobot (yang nantinya akan digunakan untukmemperbaiki nilai Vij): Vij = 2jJuga menghitung koreksi bias (yang nantinya akan digunakan untuk memperbaikinilai b1j): b1j = 2jh. Tiap-tiap unit pada lapisan tersembunyi kedua (Zbk, k = 1,2,..,4) menjumlahkan deltainputnya (dari unit-unit yang berada pada lapisan di atasnya):==1m 11_ink 4mWkmkemudian nilai ini dikalikan dengan turunan dari fungsi aktivasi purelin untukmenghitung informasi error:2k = 1_ink f'(zb _ink )2jk = 2k Zbk2k = 2ki. Tiap-tiap unit pada lapisan tersembunyi pertama (Zaj, j = 1,2,..,10) menjumlahkandelta inputnya (dari unit-unit yang berada pada lapisan di atasnya):==4k 1_in j 2kUjkkemudian nilai ini dikalikan dengan turunan dari fungsi aktivasi logsig untukmenghitung informasi error:1j = _in jf'(za_in j )1ij = 1j Zaj1j = 1jj. Tiap-tiap unit output (Ym, m = 1), memperbaiki bias dan bobotnya (m = 1):Wkm(baru) = Wkm(lama) + Wkmb3m(baru) = b3m(lama) + b3mk. Tiap-tiap unit pada lapisan tersembunyi kedua (Zbk, k = 1,2,..4) memperbaiki biasdan bobotnya (j = 1,2,..10):Ujk(baru) = Ujk(lama) + Ujkb2k(baru) = b2k(lama) + b2kl. Tiap-tiap unit pada lapisan tersembunyi pertama (Zaj, j = 1,2,..10) memperbaiki biasdan bobotnya (i = 1,2,..5):7Vij(baru) = Vij (lama) + Vijb1j(baru) = b1j (lama) + b1jDari algoritma backpropagation di atas maka secara umum diperoleh rumusanoutput untuk tiap-tiap lapisan, yaitu:1. Rumus output untuk lapisan kedua (lapisan tersembunyi pertama) adalah:== +ni 1Zaj b1j XiVijZaj = nilai output unit neuron ke-j pada lapisan kedua (lapisan tersembunyi pertama).b1j = bobot bias yang menghubungkan lapisan pertama dengan unit neuron ke-j padalapisan kedua (lapisan tersembunyi pertama).I = data ke-i.n = panjang data.Xi = input data ke-i dari lapisan pertama (lapisan input).Vij = boot input data ke-i yang menghubungkan lapisan pertama dengan unitneuron ke-j pada lapisan kedua (lapisan tersembunyi pertama).2. Rumus output untuk lapisan ketiga (lapisan tersembunyi kedua) adalah:== +pj 1Z bk b 2k Z ajU jkZbk = nilai output unit neuron ke-k pada lapisan ketiga (lapisan tersembunyikedua).b2k = bobot bias yang menghubungkan lapisan kedua dengan unit neuron ke-k padalapisan ketiga (lapisan tersembunyi kedua).j = data ke-j.p = panjang data.Zaj = input data ke-j dari lapisan kedua (lapisan tersembunyi pertama).Ujk = boot input data ke-j yang menghubungkan lapisan kedua (lapisan tersembunyipertama) dengan unit neuron ke-k pada lapisan ketiga (lapisan tersembunyikedua).3. Rumus output untuk lapisan keempat (lapisan output) adalah:== +qk 1Ym b 3m Z bkWkmYm = nilai output unit neuron ke-m pada lapisan keempat (lapisan output).b3m = bobot bias yang menghubungkan lapisan ketiga dengan unit neuron ke-mpada lapisan keempat (lapisan output).k = data ke-k.q = panjang data.Zbk = input data ke-k dari lapisan ketiga (lapisan tersembunyi kedua).Wkm = boot input data ke-k yang menghubungkan lapisan ketiga (lapisantersembunyi kedua) dengan unit neuron ke-m pada lapisan keempat (lapisanoutput).Berdasarkan rumusan di atas dengan pengambilan data beban masa lalu 5minggu sebelumnya, maka diperoleh suatu model prakiraan beban dengan algoritmabackpropagation sebagai berikut : Yth = f (y_in), Yth adalah prakiraan pada jam t hari h.8y_in = b3+Zb1W1+ Zb2W2+ Zb3W3+ Zb4W4 k4k 1bk 3 W Z b == + Zbk = f (zb_ink) ; (k = 1,2,...,4)zb_ink = b2+Za1U1k+ Za2U2k+ Za3U3k+ Za4U4k+ Za5U5k+ Za6U6k+ Za7U7k+ Za8U8k+Za9U9k+ Za10U10k jk10j 1aj 2 U Z b == + Zaj = f (za_inj) ; (j = 1,2,..,10)za_inj = b1+ X1V1j+ X2V2j+ X3V3j+ X4V4j+ X5V5j ij5i 1n) - i(h 1 V X b == +(i = 1,2,...,5)Keterangan:Yth = Prakiraan beban JST untuk jam t hari h.Xi(h-n) = Beban masa lalu ke-i pada 1 minggu sebelumnya, 2 minggu sebelumnya, danseterusnya.

3. HASIL DAN PEMBAHASAN

Data beban yang akan dianalisis adalah data beban aktual 5 minggusebelumnya yaitu untuk hari Senin mulai dari tanggal 11 Pebruari 2002 sampai tanggal11 Maret 2002, dan akan membuat prakiraan untuk hari Senin tanggal 18 Maret 2002.Untuk hari-hari yang lain (selasa sampai minggu), data beban yang diambil mengikutihari Senin tersebut di atas.Selanjutnya hasil prakiraan beban yang diperoleh dari rumusan model tadi,akan dibandingkan dengan data beban aktualnya sehingga akan muncul error untuksetiap jam dan hari tertentu. Hasil perbandingan hasil prediksi dapat dilihat pada tabeldi sebelah :

Tabel 1. Perbandingan Error Model Prakiraan PLN dan FuzzyHARIRATA-RATA ERROR (MW)RATA-RATA ERROR %

PLNFuzzyPLNFuzzy

SENIN41.49-4.172.451.07

SELASA39.060.182.110.63

RABU27.040.221.541.17

KAMIS40.00-0.062.430.86

JUMAT178.00-0.1611.650.57

SABTU55.00-0.853.470.78

RATA-RATA65.000.063.882.45

MINGGU63.660.683.931.08

Tabel 2. Perbandingan Error Model Prakiraan PLN dan JST

HARIRATA-RATA ERROR (MW)RATA-RATA ERROR %

PLNJSTPLNFuzzy

SENIN41.493.592.450.22

SELASA39.063.202.110.19

RABU27.044.601.540.27

KAMIS40.003.292.430.24

JUMAT178.004.0311.650.29

SABTU55.004.493.470.29

RATA-RATA65.005.423.880.35

MINGGU63.664.093.930.26

Hasil prakiraan beban listrik dengan menggunakan fuzzy subtractive clusteringtelah dihasilkan dimana prakiraan dengan logika fuzzy lebih mendekati data aktualnyadan memberikan arti yang siginifikan dibandingkan dengan metode koefsien PLN.Melalui perhitungan secara statistik didapatkan rata-rata error yang telah buat fuzzysebesar 1.08 %.Tetapi hasil prediksi yang diolah melalui jaringan syaraf tiruanmemberikan hasil yang lebih baik dengan error prediksi sebesar 0,26%.

4. KESIMPULAN DAN SARAN

1. Dalam memprakirakan beban listrik jangka pendek selain metode yang telah ada,ternyata dapat pula digunakan model prakiran dengan menggunakan modelkomputasi berbasis kecerdasan buatan, prediksi dengan menggunakan JSTmemberikan hasil terbaik jika dibandingkan dengan model Fuzzy ataupun PLN.Setelah dilakukan beberapa kali pengujian terhadap formula lapisan dan neuronyang berbeda-beda maka formula yang dianggap paling baik menurut penulis adalah5 10 4 1.2. Kelebihan Logika Fuzzy dan Jaringan Syaraf Tiruan terletak pada kemampuanbelajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlumerumuskan kaidah atau fungsinya. Dengan demikian logika fuzzy ataupun JSTmampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yangterdapat kaidah atau fungsi yang tidak diketahui (seperti prakiraan beban listrik).3. Melalui perhitungan secara simulasi didapatkan rata-rata error keseluruhan untukketiga metode metode, yaitu 3.93 % untuk PLN dan 1.08 % untuk fuzzy. Dengandemikian dapat disimpulkan bahwa prakiraan beban listrik jangka pendek denganmenggunakan fuzzy subtractive clustering lebih baik dibandingkan dengan prakiraanbeban listrik dengan menggunakan metode koefisien yang dilakukan oleh PLN,akan tetapi hasil tersebut masih jauh dari prakiraan JST (prakiraan oleh JST 0.26 % .

DAFTAR PUSTAKA

Arismunandar, A. (1990). Teknik Tenaga Listrik (Jilid III). Jakarta: Pradnya Paramita.10A. Bakirtzis, S. Kiartzis, V. Petridis and Ath. Kehagias (1997) :Short Term LoadForecasting using a Bayesian Combination Method, International Journal ofElectrical Power and Energy Systems, Vol. 19, pp.171-177.A.D.P.Lotufo dan C. R. Minussi (1999) Electric Power Systems Load Forecasting: ASurvey, Paper BPT9902825 accepted for presentation at the IEEE Power Tech99 Conference, Budapest, Hungary.A. Sfetsos(2003), Short-term Load Forecasting with a Hybrid clustering algorithmIEEE Proc.- Gener, Transm. Dsitrib., Greece, vol.150, pp. 257-262.Azzam Ul ASAR, Syed Riaz ul HASSNAIN dan Amjad Ullah KHATTACK (2005), AMulti-Agent Approach To Short Term Load Forecasting Problem, InternationalJournal of Intellegent Control and Systems, Vol 10, No 1, March 2005, p 55-59Box, G.G. Jenkins, G.M., Holde n-day (1976), Time series analysis- forecasting andcontrol, San Francisco.Demuth, H. dan Mark B. (1994). Neural Network TOOLBOX For Use with MATLAB.USA: Mathwork, Inc.Drezga, S. Rehman (1999), STLF with Local ANN Predictors, IEEE Transactions onPower Systems, Vol 14, No 3.Dipti Srinivasan, Swee Sien Ten and C S.Chang (1999), Parallel Neural Network Fuzzy expert system strategy for STLF: System implementation and performanceevaluation, IEEE Transactions on Power Systems, vol 14, pp. 11001106.Du Tao and Wang Xiuli (2002), Combined model of wavelet and NN for STLF,Proceedings of IEEE International Conference on Power System Technology, vol. 4,pp. 2331-2335.Hiroyuki Mori and Noriyuki Kosemura (2001), Optimal Regression Tree Based RuleDiscovery for Short Term Load Forecasting, PES IEEE Winter Meeting,Columbus, OH, vol.2 pp. 421-426.

Sistem Pakar untuk Diagnosis Penyakit THT Berbasis Web dengan e2gLite Expert SystemShellPENDAHULUANSistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti layaknya para pakar (expert). Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para pakar/ahli. Dengan pengembangan sistem pakar,diharapkan bahwa orang awampun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktifitasnya sebagai asisten yang sangat berpengalaman. Pengalihan keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli, merupakan tujuan utama dari sistem pakar. Proses ini membutuhkan 4 aktifitas, yaitu: tambahan pengetahuan, representasi pengetahuan, inferensi pengetahuan dan pengalihan pengetahuan ke pengguna. Pengetahuan yang disimpan ke komputer disebut sebagai basis pengetahuan.Pengembangan sebuah sistem pakar dapat dilakukan dengan 2 cara. Cara pertama adalah dengan membangun sendiri semua komponen di atas, sedangkan cara kedua adalah dengan memakai semua komponen yang sudah ada, kecuali isi basis pengetahuan. Penggunaan cara kedua disebut sebagai membangun sistem pakar dengan shell. E2gLite adalah sebuah shell sistem pakar yang dikembangkan oleh Expertise2Go yang berbasis internet dan dilengkapi applet Java.E2gLite memberikan kemudahan dalam hal pembangunan sistem pakar serta pelaksanaan konsultasi oleh pengguna. Basis pengetahuan berupa file teks yang berisi fakta dan aturan yang dapat dibuat dengan editor teks dan disimpan sebagai file *.kb, sedangkan pengguna cukup menggunakan browser umum yang memiliki fitur Java seperti Netscape Navigator dan Internet Explorer. E2gLite dapat didownload dari\http://www.Expertise2go.com secara gratis.JENIS PENYAKIT THT dan GEJALA GEJALANYA.Daftar jenis penyakit THT (Telinga Hidung dan Tenggorokan) beserta gejala-gejalanya, yang digunakan untuk membangun sistem pakar yang dijelaskan pada paper ini disajikan pada Tabel 1. Pada tabel ini, terdapat 23 jenis penyakit THT yang diberikan notai A, B, C.W dengan 38 gejala. Jenis penyakit A, B, C.W berturut-turut adalah contract ulcers, abses parafaringeal, abses peritonsiler, barotitis media, deviasi septum, faringitis, kanker laring, kanker leher dan kepala, kanker leher metastatik, kanker nasofaring, kanker tonsil, laryngitis, neuronitis vestibularis, osteosklerosis, otitis media akut, meniere, tonsillitis, tumor syaraf pendengaran, vertigo postular, sinusitis maksilaris, sinusitis frontalis, sinusitis etmoidalis, dan sinusitis sfenoidalis. Sebagai contoh, penyakit faringitis (F) mempunyai gejala: demam, nyeri saat bicara atau menelan, nyeri tenggorokan, nyeri leher dan pembengkakan kelenjar getah bening.

CONTOH SISTEM KERJAShell e2gLite memerlukan 2 buah file, yaitu file halaman web yang berisi applet e2gLite serta file basis pengetahuan. Kedua file tersebut ditulis dengan format yang telah ditentukan oleh pembuat e2gLite. Untuk file halaman web, formatnya mengikuti standard HTML, namun pendefinisian applet beserta parameternya diatur sesuai dengan format yang telah ditetapkan oleh pembuat e2gLite. Pada penelitian ini file halaman web disimpan dengan nama tht.html dan source code-nya adalah sebagai berikutTabel 1. Jenis Penyakit THT dan Gejala-gejalanya.Penyakit A B C D E F G H I J K L M No N O P Q R S T U V WGejala1 Demam v v v v v v v v v v2 Sakit kepala v v v v v v v v3 Nyeri saat bicara atau menelan v v v v v v v4 Batuk v v v v v v5 Hidung tersumbat v v v v v v6 Nyeri telinga v v v v7 Nyeri tenggorokan v v v v v8 Hidung meler v v v v9 Letih dan lesu v v v v10 Mual dan muntah v v v v11 Selaput lendir merah dan bengkak v v v v12 Ada benjolan di leher v v v13 Nyeri leher v v v14 Pembengkakan kelenjar getahbeningv v v15 Pendarahan hidung v v v16 Suara serak v v v17 Bola mata bergerak tanpa sadar v v18 Dahi sakit v v19 Leher bengkak v v20 Tuli v v21 Ada yang tumbuh dimulut v22 Air liur menetes v23 Berat badan turun v24 Bunyi nafas abnormal v25 Infeksi sinus v26 Nyeri antara mata v27 Nyeri pinggir hidung v28 Nyeri pipi di bawah mata v29 Nyeri wajah v30 Perubahan kulit v31 Perubahan suara v32 Radang gendang telinga v33 Sakit gigi v34 Serangan vertigo v35 Telinga berdengir v36 Telinga terasa penuh v37 Tenggorokan gatal v38 Tubuh tak seimbang vKESIMPULANBerdasarkan penelitian sistem pakar diatas maka dapat disimpulkan bahwa Sistem pakar yang didesain dengan e2gLite Expert System Shell untuk diagnosis penyakit THT, dapat bekerja sesuai yang diharapkan. Sistem dapat mengidentifikasikan 23 jenis penyakit THT berdasarkan variasi input 38 gejala yang diberikan. Sistem juga dilengkapi dengan fasilitas yang memungkinkan Pengguna memiliki kesempatan untuk mengetahui mengapa sebuah pertanyaan diajukan dan meminta penjelasan bagaimana sebuah kesimpulan diambil.Pada intinya sistem seperti ini dapat memudahkan, para kerja dibidang kedokteran sistem seperti ini juga tidak hanya disatu bidang saja. Semua bidang dapat dipakai asal, komponen pada bagian komputer ada yang cocok. Selain itu memudahkan pasien juga untuk mengetahui sebelumnya apakah dia mendertita penyakit THT tersebut atau tidak serta gejala-gejala yang timbul akan tahu penyakit apa yang dideritanya.DAFTAR PUSTAKAIgnizio, J.P. 1991. Introduction to Expert System. Mcgraw Hill,Inc, USA. Turban, E. 1995. Decision Support and Expert System, Management Support Systems. Prentice Hall Inc, New York. Mary Baradero, SPC, MN. 2009. Seri Asuhan Keperawatan Klien Gangguan THT. Penerbit Buku Kedokteran. Kristanto, H. 2000. Konsep dan Perancangan Database. Andi Offset, Yogyakarta. Arhami, N. 5005. Konsep Dasar Sistem Pakar. Andi Offset, Yogyakarta.