PENERAPAN METODE FUZZY INFERENCE SYSTEMS TSUKAMOTO UNTUK MEMPERKIRAKAN BEBAN LISTRIK (STUDI KASUS PT. PLN PERSERO DAN BMKG SAMPALI MEDAN).

(1)

PENERAPAN METODE FUZZY INFERENCE SYSTEMS

TSUKAMOTO UNTUK MEMPERKIRAKAN BEBAN

LISTRIK (STUDI KASUS PT. PLN PERSERO

DAN BMKG SAMPALI MEDAN)

Oleh :

Penny Charity Lumbanraja NIM. 4123230023 Program Studi Matematika

SKRIPSI

Diajukan Untuk Memenuhi Syarat Memperoleh Gelar Sarjana Sain

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MEDAN

(2)

(3)

RIWAYAT HIDUP

Penulis lahir di Medan, pada 19 September 1994. Ayah bernama Drs. Sindak Lumbanraja, MM. dan ibu bernama Dra. Tetty Nurtiana Pangaribuan. Pada tahun 1998, penulis mulai mengenyam pendidikan di Taman Kanak-kanak Swasta Methodist II, Bilah Hulu, Labuhan Batu. Kemudian pada tahun 2000, penulis melanjutkan pendidikan di SD Swasta Methodist I Bilah Hulu, Labuhan Batu dan lulus pada tahun 2006. Pada tahun 2006 hingga tahun 2009, penulis melanjutkan pendidikan di SMPN I Bilah Hulu, Labuhan Batu. Kemudian pada tahun 2009, penulis melanjutkan pendidikan di SMA Swasta Katolik Budi Murni I Medan dan lulus pada tahun 2012. Setelah itu, penulis melanjutkan studi ke jenjang Perguruan Tinggi Negeri di Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Medan dengan Jurusan Matematika hingga tahun 2016.

(4)

iii

PENERAPAN METODE FUZZY INFERENCE SYSTEMS TSUKAMOTO UNTUK MEMPERKIRAKAN BEBAN LISTRIK

(STUDI KASUS PT. PLN PERSERO DAN BMKG SAMPALI MEDAN) Penny Charity Lumbanraja

NIM: 4123230023

ABSTRAK

Dalam Operasi sistem tenaga listrik diperlukan suatu peramalan beban listrik. Adapun Metode yang digunakan dalam meramalkan beban listrik, salah satunya adalah metode FIS Tsukamoto (fuzzy logic). Dalam penelitian ini dilakukan peramalan listrik beban jangka pendek, yakni peramalan beban listrik untuk kategori hari kerja, hari Sabtu, hari Minggu pada waktu terjadinya beban puncak pada sistem kelistrikan Sumbagut. Adapun struktur variabel fuzzy yang digunakan adalah beban historis, suhu, dan beban ramal untuk menentukan nilai parameter dan masing-masing himpunan fuzzy dari setiap variabel fuzzy tersebut dan memodelkan nilai parameter ke dalam proses fuzzifikasi dengan representasi linier naik, turun, dan segitiga. Setelah itu merancang 9 aturan penalaran fuzzy untuk mendapatkan nilai tegas dari setiap aturan berdasarkan derajat keanggotaan yang diperoleh dan mengubah nilai fuzzy menjadi suatu bilangan tegas dengan menggunakan metode defuzzifikasi pada Tsukamoto, yaitu metode pembobotan rata-rata terpusat. Dari penelitian yang dilakukan, diperoleh nilai peramalan dengan FIS Tsukamoto tidak memiliki nilai galat lebih dari 2%. Diperoleh pada hari kerja (22 Februari 2016) untuk beban puncak jangka pendek pada pukul 06.30 WIB, 15.30 WIB, dan 19.30 WIB berturut-turut adalah 1481,900035 MW; 1415,262 MW; 1843,788 MW. Pada hari Sabtu (27 Februari 2016) untuk beban puncak jangka pendek pada pukul 06.30 WIB, 13.00 WIB, dan 19.30 WIB berturut-turut adalah 1482,595307 MW; 1303,495797 MW; 1740,726290 MW. Pada hari Minggu (28 Februari 2016) untuk beban puncak jangka pendek pada pukul 06.30 WIB, 15.30 WIB, dan 19.30 WIB berturut-turut adalah 1295,713000 MW; 1124,550000 MW; 1630,316510 MW.

Kata kunci: Fuzzy Inference System Tsukamoto, Peramalan Beban, Fuzzifikasi, Defuzzifikasi.

(5)

KATA PENGANTAR

Puji Syukur penulis nyatakan kepada Tuhan yang Maha Esa, karena anugerah dan kasih dari-Nya, yang terus memberikan berkat, kesehatan dan kesempatan kepada penulis untuk dapat menyelesaikan skripsi ini dengan baik. Adapun skripsi ini berjudul ’’Penerapan metode Fuzzy Inference System Tsukamoto untuk memperkirakan beban listrik (studi kasus PT. PLN Persero dan BMKG Sampali Medan)”. Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar Sains Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Medan.

Dalam penyusunan skripsi ini, penulis sangat banyak menerima bimbingan dan arahan dari berbagai pihak, sehingga skripsi ini dapat diselesaikan dengan baik.

Untuk itu, melalui kesempatan ini penulis menyampaikan ucapan terima kasih kepada:

1. Bapak Prof. Dr. Syawal Gultom, M.Pd., selaku Rektor Universitas Negeri Medan, Bapak Dr. Asrin Lubis, M.Pd., selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam.

2. Bapak Dr. Edy Surya, M. Si., selaku Ketua Jurusan Matematika, Bapak Drs.Yasifati Hia, M.Si., selaku Sekretaris Jurusan Matematika, dan Bapak Dr. Pardomuan, M.Si., selaku Ketua Prodi Studi Matematika serta Bapak dan Ibu dosen dan juga beberapa pegawai FMIPA Universitas Negeri Medan.

3. Bapak Dr. Abil Mansyur, M.Si., selaku Dosen Pembimbing Akademik.

4. Bapak Said Iskandar Al Idrus, S.Si, M.Si., selaku Dosen Pembimbing Skripsi yang telah memberikan bantuan berupa arahan, bimbingan, motivasi dan saran kepada penulis.

5. Bapak Dr. Pardomuan Sitompul, M.Si., Ibu Dra. Hamidah Nasution, M.Si., Ibu Arnah Ritonga, S.Si, M.Si., selaku Dosen Penguji yang telah memberikan saran-saran dalam penulisan skripsi ini.

6. Bapak, Ibu Milka, Abangda Alfian D Vamiko selaku Pegawai di PT. PLN Persero P3B SUMATERA UPB SUMBAGUT Medan yang telah memberikan izin untuk mengadakan observasi dan penelitian di tempat.

7. Bapak Joko Julianto, Ibu Asti Darmaini, dan Ibu Anasari Kencana selaku pegawai yang telah memberikan izin untuk mengadakan penelitian di BMKG Sampali Medan.

8. Teristimewa untuk orangtuaku tercinta dan terkasih, Ayahanda Drs. Sindak Lumbanraja, MM., dan Ibunda Dra. Tetty Nurtiana Pangaribuan yang senantiasa memberikan kasih sayang yang tidak berkesudahan, memotivasi,

(6)

mendoakan, menguatkan, dan juga mendukung penulis dalam segala hal. Dan juga untuk saudara-saudaraku Las Sintya Christy Lumbanraja, S. Kom., Pretty Luci Lumbanraja, STP., Mita Louisa Bestini Lumbanraja dan adik-adikku terkasih, juga seluruh sanak saudara atas semua doa dan dukungannya. 9. Drs. Amintas Pangaribuan sebagai oppung terkasih sekaligus wali yang telah

banyak memberikan dukungan dan doa bagi penulis.

10. Sahabat-sahabatku di bangku perkuliahan dan teman-teman seperjuangan Matematika Nondik 2012 atas kebersamaan, motivasi dan penghiburan (Ade, Wulandari, Essa, Heni, Nina Dumaris, Ester, Intan, Imanuel, Bruce, Licardo, Robin, Tanyel, Chandra, Solihadi, Firdaus, Faisal, Ramlah, Wahyuni, Silva, Delvi, Sriwati, Ira, Hawa, Rizba, Nadia, Mika, Yayuk, Surti, Ridho, Mona, Isna, Nurintan, Dewi, Rahma, Nanda, dll).

11. Keluarga Besar UKMKP-UP FMIPA UNIMED, Koordinasi Pengurus UP FMIPA 2016, Koordinasi Tim UP FMIPA 2016, teman satu Tim Peralatan 2016 (Ebenezer, Pipin), kakak PKK (Oripa Sitohang), kakak PKK (Rina L Rumahorbo), Sahabat bertumbuh KTBku NEHEMIA SG (Julius, Nina, Witha, Frida, Ivana), adindaku FIDELITY SG (Hertati, Alfredo, Rimma), SADOku, beserta para abangda, kakanda, adinda yang tidak disebutkan yang terus memotivasi, mendukung, dan berdoa bagi penulis.

Penulis telah berusaha semaksimal dan sebaik mungkin dalam penyusunan skripsi ini, namun penulis menyadari bahwa skripsi ini masih jauh dari kesem- purnaan baik dari segi isi maupun format penulisan. Oleh karena itu, besar harapan penulis atas saran dan kritik yang membangun dari semua pihak untuk membuat skripsi ini lebih baik. Penulis juga mengharapkan kiranya penulisan skripsi ini dapat berguna dan bermanfaat bagi penulis dan pembaca dalam usaha peningkatkan ilmu matematika di masa yang mendatang.

Medan, Juni 2016

Penny Charity LR NIM.4123230023

(7)

vi DAFTAR ISI

LEMBAR PENGESAHAN ... i

RIWAYAT HIDUP ... ii

ABSTRAK ... iii

UCAPAN TERIMAKASIH ... iv

DAFTAR ISI ... vi

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... ix

DAFTAR SINGKATAN DAN LAMBANG... x

DAFTAR LAMPIRAN ... xi

Bab I Pendahuluan ... 1

1.1. Latar Belakang Masalah ... 1

1.2. Rumusan Masalah ... 4

1.3. Batasan Masalah ... 5

1.4. Tujuan Penelitian ... 5

1.5. Manfaat penelitian ... 5

Bab II Tinjauan Pustaka ... 6

2.1. Pendahuluan ... 6

2.2. Himpunan crisp ... 7

2.2.1. Sifat dari operasi himpunan crisp ... 7

2.3. Himpunan Kabur ... 7

2.4. Himpunan Klasik (crisp) ke Himpunan Kabur (Fuzzy) ... 9

2.5. Himpunan Penyokong (Support Set) ... 11

2.6. Nilai ambang α-Predikat ... 12

2.7. Atribut ... 13

2.8. Istilah-istilah dalam logika Fuzzy ... 13

2.9. Fungsi Keanggotaan ... 15

2.9.1. Representasi Linier ... 15

2.9.2. Representasi Kurva segitiga ... 18

2.9.3. Representasi Kurva Trapesium ... 19

2.10. Operator Zadeh untuk Operasi Himpunan Fuzzy ... 20

2.11. Penalaran Monoton ... 21

2.12. Fungsi Implikasi ... 22

2.13. Fuzzifikasi ... 23

2.14. Penalaran/Inferensi ... 23

2.15. Defuzzifikasi ... 24

(8)

vii

Bab III Metode Penelitian ... 28

3.1. Tempat dan waktu penelitian ... 28

3.2. Jenis Penelitian ... 28

3.2.1. Metode Dokumentasi ... 28

3.2.2. Metode Literatur ... 28

3.2.3. Metode Observasi ... 28

3.3. Prosedur Penelitian ... 29

3.3.1. Pengumpulan data ... 29

3.3.2. Pengolahan data ... 29

3.3.3. Analisis Data ... 30

Bab IV Hasil Penelitian dan Pembahasan ... 37

4.1. Pengumpulan Data ... 37

4.1.1. Data Parameter Beban Puncak Jangka Pendek Historis subharian Februari 2016 per setengah jam (satuan MW) ... 38

4.1.2 Data Parameter Beban Puncak Jangka Pendek Ramal subharian Februari 2016 per setengah jam (satuan MW) ... 38

4.1.3 Data Suhu Historis Februari 2016 subharian per 24 jam (satuan C) ... 39

4.2. Analisis Data ... 39

4.2.1. Peramalan pada tanggal 22 Februari 2016 (hari kerja) 40 4.2.2. Peramalan pada tanggal 27 Februari 2016 (hari Sabtu)52 4.2.3. Peramalan pada tanggal 28 Februari 2016 (hari Minggu) ... 64

Bab V Kesimpulan dan Saran ... 77

5.1. Kesimpulan ... 77

5.2. Saran ... 78

(9)

viii

DAFTAR GAMBAR

Gambar II.1 Proses Fuzzy Inference System ... 9

Gambar II.2 Support set untuk himpunan fuzzy berat badan ... 11

Gambar II.3 Grafik Representasi Linear Naik ... 16

Gambar II.4 Grafik Representasi Linear Turun ... 18

Gambar II.5 Grafik Representasi Kurva Segitiga ... 19

Gambar II.6 Grafik Representasi Kurva Trapesium ... 20

Gambar II.7 Grafik Representasi Kurva Bentuk Bahu... 20

Gambar II.8 Karakteristik Fungsi Kurva-S ... 21

Gambar II.9 Diagram Blok Sistem Penalaran Fuzzy ... 26

Gambar II.10 Inferensi dengan menggunakan metode Tsukamoto ... 28

Gambar II.11 Fungsi Keanggotaan variabel Permintaan ... 30

Gambar II.12 Fungsi Keanggotaan variabel Persediaan ... 30

Gambar II.13 Fungsi Keanggotaan variabel Produksi Barang ... 31

(10)

DAFTAR TABEL

Tabel II.1 Tabel Sifat dari operasi himpunan crisp... 7

Tabel IV.1 Parameter untuk pola _{Hari Kerja pada Beban Historis ...}...₃₇

Tabel IV.2 Parameter untuk pola Hari Sabtu pada Beban Historis...37

Tabel IV.3 .... Parameter untuk pola Hari Minggu pada Beban Historis... 37

Tabel IV.4 Parameter untuk pola Hari Kerja pada Beban Ramal ... .38

Tabel IV.5 Parameter untuk pola Hari Sabtu pada Beban Ramal ... .38

Tabel IV.6 Parameter untuk pola Hari Minggu pada Beban Ramal .... 38

(11)

DAFTAR LAMBANG

Lambang Keterangan

��[�] Derajat keanggotaan x pada himpunan Fuzzy A ��̅[�] Derajat keanggotaan x tidak pada himpunan Fuzzy A

Elemen atau anggota

Tidak elemen atau tidak anggota

�� − �� Nilai ambang batas domain pada nilai keanggotaan untuk setiap domain

�� Nilai tegas pada nilai keanggotaan untuk tiap-tiap aturan

Z Nilai tegas akhir sebagai output Operasi lebih kecil atau sama dengan Operasi lebih besar atau sama dengan < Operasi lebih kecil

> Operasi lebih besar Operasi irisan Operasi gabungan

Atau

Dan

Operasi perkalian yang digunakan pada metode Defuzzifikasi

Operator yang digunakan misalnya OR dan AND �̅ Komplemen dari himpunan fuzzy A

∅ Himpunan Kosong

→ Pemetaan

∑ Jumlah

Integral

∞ Positif tak terhingga −∞ Negatif tak terhingga

(12)

DAFTAR LAMPIRAN

Tabel D.1 Tabel Beban Historis Pukul 00.30 WIB-03.30 WIB ... 84

Tabel D.2 Tabel Beban Historis Pukul 04.00 WIB-07.00 WIB ... 85

Tabel D.3 Tabel Beban Historis Pukul 07.30 WIB-10.30 WIB ... 86

Tabel D.4 Tabel Beban Historis Pukul 11.00 WIB-14.00 WIB ... 87

Tabel D.5 Tabel Beban Historis Pukul 14.30 WIB-17.30 WIB ... 88

Tabel D.6 Tabel Beban Historis Pukul 18.00 WIB-21.00 WIB ... 89

Tabel D.7 Tabel Beban Historis Pukul 21.30 WIB-00.00 WIB ... 90

Tabel E.1 Tabel Beban Ramal Pukul 00.30 WIB-03.30 WIB ... 91

Tabel E.2 Tabel Beban Ramal Pukul 04.00 WIB-07.00 WIB ... 92

Tabel E.3 Tabel Beban Ramal Pukul 07.30 WIB-10.30 WIB ... 93

Tabel E.4 Tabel Beban Ramal Pukul 11.00 WIB-14.00 WIB ... 94

Tabel E.5 Tabel Beban Ramal Pukul 14.30 WIB-17.30 WIB ... 95

Tabel E.6 Tabel Beban Ramal Pukul 18.00 WIB-21.00 WIB ... 96

Tabel E.7 Tabel Beban Ramal Pukul 21.30 WIB-00.00 WIB ... 97

Gambar IV.1 Fungsi Keanggotaan Suhu tanggal 22 Februari 2016 .. 40

Gambar IV.2 Fungsi Keanggotaan Beban Historis tanggal 22 Februari 2016 ... 41

Gambar IV.3 Fungsi Keanggotaan Beban Ramal tanggal 22 Februari 2016 ... 42

Gambar IV.4 Fungsi Keanggotaan Beban Historis tanggal 22 Februari 2016 ... 44

Gambar IV.5 Fungsi Keanggotaan Beban Ramal tanggal 22 Februari 2016 ... 45

Gambar IV.6 Fungsi Keanggotaan Beban Historis tanggal 22 Februari 2016 ... 48

Gambar IV.7 Fungsi Keanggotaan Beban Ramal tanggal 22 Februari 2016 ... 49

Gambar IV.8 Fungsi Keanggotaan Suhu tanggal 27 Februari 2016 .. . 52

Gambar IV.9 Fungsi Keanggotaan Beban Historis tanggal 27 Februari 2016 ... 53

Gambar IV.10 Fungsi Keanggotaan Beban Ramal tanggal 27 Februari 2016 ... 54

Gambar IV.11 Fungsi Keanggotaan Beban Historis tanggal 27 Februari 2016 ... 57

Gambar IV.12 Fungsi Keanggotaan Beban Ramal tanggal 27 Februari 2016 ... 58

Gambar IV.13 Fungsi Keanggotaan Beban Historis tanggal 27 Februari 2016 ... 61

Gambar IV.14 Fungsi Keanggotaan Beban Ramal tanggal 27 Februari 2016 ... 62

(13)

xii

Gambar IV.15 Fungsi Keanggotaan Suhu tanggal 28 Februari 2016 .. . 64

Gambar IV.16 Fungsi Keanggotaan Beban Historis tanggal 28 Februari 2016 ... 65

Gambar IV.17 Fungsi Keanggotaan Beban Ramal tanggal 28 Februari 2016 ... 66

Gambar IV.18 Fungsi Keanggotaan Beban Historis tanggal 28 Februari 2016 ... 69

Gambar IV.19 Fungsi Keanggotaan Beban Ramal tanggal 28 Februari 2016 ... 70

Gambar IV.20 Fungsi Keanggotaan Beban Historis tanggal 28 Februari 2016 ... 73

Gambar IV.21 Fungsi Keanggotaan Beban Ramal tanggal 28 Februari 2016 ... 74

Gambar A.1 Grafik Beban Historis Bulan Februari 2016 ... 80

Gambar A.2 Grafik Beban Ramal Bulan Februari 2016 ... 81

Gambar B.1 Tabel Kesimpulan Beban Puncak Jangka Pendek ... 82

Gambar C.1 Grafik Kesimpulan Beban Puncak Jangka Pendek ... 83

Gambar F.1 Menentukan Variabel Fuzzy ... 98

Gambar F.2 Menentukan fungsi keanggotaan...99

Gambar F.3 Melakukan sistem penalaran dari aturan-aturan fuzzy...100

(14)

1 BAB I PENDAHULUAN

1.1. Latar Belakang Masalah

Salah satu aplikasi sistem cerdas yang paling sukses dan masih berkembang saat ini yaitu peramalan beban listrik. Peramalan beban listrik adalah suatu ilmu untuk memperkirakan beban listrik di masa yang akan datang berdasarkan beban yang telah ada sebelumnya. Berdasarkan jangka waktunya, perkiraan beban dapat di bagi menjadi tiga kategori: jangka pendek, jangka menengah, dan jangka panjang. Tidak ada rumus yang eksak untuk membuat prakiraan beban ini, sehingga perlu ada teknik atau metode dalam membuat prakiraan beban tersebut. Salah satu penerapan logika fuzzy adalah dalam menentukan prakiraan energi listrik. Prakiraan beban, terutama pada jam beban puncak adalah dasar untuk estimasi sistem, kalkulasi teknis dan ekonomis. Hal ini memungkinkan untuk dikembangkan dalam operasi pemeliharaan peralatan listrik dan rencana konfigurasi operasi jaringan. Kesulitan utama dalam memprakirakan beban pada beban puncak untuk bus penerima dalam sistem distribusi tenaga listrik berasal dari sifat acak beban, keanekaragaman bentuk beban di bagian sistem yang berbeda, kurangnya data terukur dan tidak lengkap serta tidak pastinya karakter informasi di beban dan konsumen. Konsumsi energi listrik dalam periode waktu yang berbeda, tingkat rata-rata konsumsi daya yang diijinkan oleh transformator dan pengukuran beban secara tersendiri, merupakan faktor-faktor pendekatan yang berhubungan dengan prakiraan beban dalam sistem distribusi bus. Pendekatan yang lain berupa konsumsi energi per periode oleh konsumen dibagi ke dalam kelompok-kelompok yang memiliki bentuk beban yang berbeda.

Kecukupan pasokan tenaga listrik diukur dengan melihat kemampuan pasokan daya listrik pada saat beban puncak. Hal ini mengingat sifat tenaga listrik yang tidak dapat disimpan, sehingga kebutuhan suatu saat harus dipasok saat itu juga. Disamping itu, kebutuhan tenaga listrik bersifat acak dan dinamis sehingga diperlukan strategi perkiraan pertumbuhan beban dan penyediaan daya yang terdis- tribusi sesuai dengan dinamika kebutuhan beban. Dalam sistem kelistrikan proyeksi atau ramalan sangat dibutuhkan untuk memperkirakan dengan tepat seberapa besar daya listrik yang dibutuhkan untuk melayani beban dan kebutuhan energi dalam distribusi energi listrik. Karena selain faktor teknis, faktor ekonomi juga merupakan faktor terpenting yang perlu diperhitungkan. Bila perkiraan yang tidak tepat akan menyebabkan tidak cukupnya kapasitas daya yang disalurkan untuk memenuhi kebutuhan beban, sebaliknya jika perkiraan beban terlalu besar

(15)

maka akan menyebabkan kelebihan kapasitas daya sehingga menyebabkan kerugian.

Perkiraan beban jangka pendek adalah untuk jangka waktu beberapa jam (dinyatakan tiap setengah jam) per hari. Dalam perkiraan beban jangka pendek batas atas untuk beban maksimum dan batas bawah untuk beban minimum yang ditentukan dalam perkiraan beban jangka menengah. Perkiraan beban jangka menengah adalah untuk jangka waktu dari satu bulan sampai dengan satu tahun. Poros untuk perkiraan beban jangka menengah adalah perkiraan beban jangka panjang. Perkiraan beban jangka panjang adalah untuk jangka waktu di atas satu tahun. Dalam perkiraan beban jangka panjang, masalah-masalah makro ekonomi yang merupakan masalah ekstern perusahaan listrik merupakan faktor utama yang menentukan arah perkiraan beban (Marsudi (2005a)).

Namun dalam menentukan besar perkiraan energi listrik di waktu yang akan datang tidaklah mudah. Banyaknya faktor yang terlibat dalam perhitungan menjadi kendala dalam mengambil kebijakan untuk mendapatkan persediaan energi listrik. Perkiraan beban umumnya mengacu pada statitik masa lalu dan atas dasar analisis karakteristik beban masa lalu. Karakteristik beban masa lalu biasanya dipengaruhi oleh beberapa faktor seperti: cuaca, waktu, ekonomi, dan gangguan acak (Marsudi. (2005b)). Faktor-faktor cuaca termasuk temperatur, kelembaban, kecepatan angin, keadaan awan, dan intensitas cahaya. Perubahan cuaca menyebabkan perubahan terhadap kenyamanan konsumen dan berpengaruh terhadap penggunaan peralatan. Salah satu yang berpengaruha adalah faktor suhu. Penghantar merupakan salah satu komponen terpenting dalam sistem distribusi daya listrik. Kemampuan penghantar dalam menghantarkan arus listrik salah satunya dipengaruhi oleh temperatur di sekitar penghantar. Temperatur di sekitar penghantar akan menyebabkan perubahan konduktivitas penghantar, semakin besar suhu maka konduktivitas penghantar akan semakin kecil. Faktor waktu mempengaruhi beban pada saat hari libur, hari kerja, hari besar keagamaan, dan lain sebagainya. Faktor ekonomi mempengaruhi beban karena listrik merupakan suatu komoditas. Situasi ekonomi mempengaruhi penggunaan komoditas ini seperti derajat industrialisasi, harga listrik, dan kebijakan manajemen beban. Faktor gangguan acak yaitu seperti mematikan atau menghidupkan alat-alat berat pada suatu industri besar, gangguan pada jaringan, dan adanya acara-acara khusus

(16)

seperti adanya pertandingan olahraga yang digemari oleh konsumen (Feinberg (2004)).

Di dalam perhitungan logika fuzzy untuk fuzzy inference systems terdapat beberapa metode, yaitu metode Tsukamoto, metode Mamdani, dan metode Sugeno. Setiap metode tersebut memiliki cara dan hasil perhitungan yang tidak jauh berbeda (Setiadji (2009)). Pada metode Mamdani sering dikenal dengan Metode Min- Max. Metode Mamdani diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Pada metode Mamdani, untuk memperoleh hasil keluaran output, diperlukan 4 tahapan, yaitu: Pembentukan himpunan fuzzy, Aplikasi fungsi implikasi (aturan), Komposisi aturan, dan Penegasan (defuzzifikasi). Tidak seperti penalaran monoton pada metode Tsukamoto, apabila sistem terdiri dari beberapa aturan, maka pada metode Mamdani penalaran diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive dan probabilitas OR (probor). Pada metode Mamdani, ada beberapa metode defuzzifikasi yang digunakan, antara lain: metode Centroid (composite moment), metode bisektor, metode MOM (Mean of Maximum), metode LOM (Largest of Maximum), metode SOM (Smallest of Maximum). Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja keluaran/konsekuen sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.

Dalam kasus ini, permasalahan yang timbul adalah bagaimana cara menerapkan metode dari fuzzy inference system yaitu metode fuzzy inference system Tsukamoto untuk memprediksi jumlah kebutuhan energi listrik mengggunakan data beban dan memasukkan faktor-faktor yang mempengaruhi beban listrik seperti suhu sebagai masukkannya. Adapun landasan dari peramalan jumlah kebutuhan energi listrik untuk penggunaan energi listrik yang dibutuhkan pada tahun 2016 untuk penggunaan beban listrik jangka pendek yang akan terjadi pada bulan Februari khususnya untuk penggunaan di kota Medan. Data yang digunakan untuk meramalkan yaitu data beban harian sub sistem Sumatera Utara-Aceh. Pengenalan mengenai metode Tsukamoto adalah sebagai berikut: Pada metode Tsukamoto, setiap aturan direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi keanggotaan yang monoton. Untuk menentukan nilai hasil yang tegas/ output crisp (Z) dicari dengan cara mengubah input (berupa

(17)

himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy menjadi bilangan pada domain himpunan fuzzy tersebut. Cara ini disebut dengan metode defuzzifikasi (penegasan). Metode defuzzifikasi yang digunakan dalam metode Tsukamoto adalah metode defuzzifikasi rata-rata berbobot (Weighted Average Defuzzyfier).

Metode Tsukamoto ini dipilih karena setiap konsekuen pada aturan yang berbentuk IF-THEN direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, hasil dari setiap aturan diberikan secara tegas berdasarkan a disebut dengan alfa predikat, kemudian diperoleh hasil akhir dengan menggunakan rata-rata terpusat atau pembobotan terpusat. Metode ini akan digunakan untuk menentukan besar perkirakan beban energi listrik berdasarkan data historis beban harian sub sistem Sumatera Utara-Aceh dan faktor cuaca yang mempengaruhi beban energi listrik yaitu suhu. Pada penelitian ini, asumsi yang diambil pun masih sederhana, yaitu bahwa besar daya listrik dipengaruhi oleh intensitas cahaya, dan suhu. Banyak lagi faktor-faktor yang dapat mempengaruhi beban, yaitu: selera, luas ruangan, seni, kelembaban udara, gangguan acak, termasuk jumlah penduduk. Data beban historis harian, faktor suhu dan data ramal beban adalah variabel-variabel yang akan direpresentasikan dengan fungsi keanggotaan pada fuzzy.

Untuk mengimplementasikan teknik logika fuzzy ke suatu aplikasi yang nyata mengikuti tiga langkah-langkah:

1. Fuzzifikasi: Mengubah data klasik atau data crisp ke data fuzzy atau dengan kata lain ke dalam fungsi keanggotaan.

2. Proses inferensi fuzzy: Mengkombinasikan fungsi keanggotaan dengan aturan-aturan kendali untuk mengambil hasil fuzzy.

3. Defuzzifikasi: Menggunakan metode-metode yang berbeda untuk menghitung tiap hasil yang berhubungan dan meletakkannya kedalam suatu tabel.

1.2. Rumusan Masalah

Berdasarkan latar belakang masalah yang dikemukakan sebelumnya, permasalahan yang diangkat dalam penelitian ini adalah: Bagaimana penerapan dari Metode fuzzy inferences system Tsukamoto untuk memperkirakan besar

(18)

kebutuhan beban energi listrik jangka pendek berdasarkan data historis beban harian sub system Sumatera Utara-Aceh dan data historis suhu sebagai faktor yang mempengaruhi.

1.3. Batasan Masalah

Penelitian ini difokuskan pada pembahasan dengan beberapa batasan masalah sebagai berikut:

1. Kebutuhan energi listrik jangka pendek yang hendak diestimasi adalah untuk ruang lingkup yang berada di wilayah SUMBAGUT.

2. Metode yang digunakan adalah dengan metode dari fuzzy inference system yaitu: metode fuzzy inference system Tsukamoto untuk memprediksi jumlah kebutuhan energi listrik jangka pendek berdasarkan data historis beban puncak jangka pendek energi listrik sub sistem Sumatera Utara- Aceh.

3. Salah satu faktor yang mempengaruhi beban listrik yang digunakan adalah faktor suhu (temperatur).

4. Penelitian dilakukan dengan memperkirakan kebutuhan energi listrik jangka pendek yang dilakukan hanya pada bulan Februari 2016 minggu ke empat pada jam-jam yang merupakan jam beban puncak.

1.4. Tujuan Penelitian

Tujuan dari penulisan ini adalah:

Menerapkan metode fuzzy inference system Tsukamoto dalam memprediksi besar kebutuhan beban energi listrik berdasarkan data historis harian beban energi listrik sub sistem Sumatera Utara-Aceh kota Medan dan data suhu historis yang mempengaruhi penggunaan beban energi listrik.

1.5. Manfaat penelitian

Penelitian ini diharapkan dapat bermanfaat untuk menambah ilmu untuk menerapkan penggunaan metode Fuzzy Inference System Tsukamoto sebagai metode alternatif untuk peramalan besar kebutuhan beban energi listrik jangka pendek di kota Medan dan sebagai informasi mengenai penggunaan logika fuzzy dalam Matlab.

(19)

77 BAB V

KESIMPULAN DAN SARAN 5.1. Kesimpulan

Berdasarkan analisis data, dapat diambil kesimpulan bahwa:

1. Metode Fuzzy Inferences Systems Tsukamoto dapat digunakan untuk meramalkan energi listrik beban puncak jangka pendek subharian untuk tiap 30 menit pada PT. PLN Persero P3B SUMATERA UPB SUMBAGUT Medan dengan menggunakan parameter-parameter yang diperoleh dari beban historis dan beban ramal.

2. Adanya perbedaan nilai parameter beban puncak jangka pendek untuk waktu-waktu tertentu yang digunakan pada peramalan untuk hari kerja, hari Sabtu, dan hari Minggu disebabkan oleh penggunaan beban oleh konsumen relatif berbeda kebutuhannya.

3. Nilai tegas peramalan energi listrik beban puncak jangka pendek pada hari kerja, hari Sabtu dan hari Minggu dengan menerapkan metode Tsukamoto dan metode perhitungan yang digunakan oleh pihak PT.PLN Persero P3B SUMATERA UPB SUMBAGUT Medan dengan menggunakan metode koefisien beban energi tidak didapati perbedaan galat yang jauh, yaitu tidak lebih dari 2% .

4. Pada hari kerja (22 Februari 2016) untuk beban puncak jangka pendek pada pukul 06.30 WIB, 15.30 WIB, dan 19.30 WIB berturut-turut adalah 1481,900035 MW; 1415,262 MW; 1843,788 MW.

5. Pada hari Sabtu (27 Februari 2016) untuk beban puncak jangka pendek pada pukul 06.30 WIB, 13.00 WIB, dan 19.30 WIB berturut-turut adalah 1482,595307 MW; 1303,495797 MW; 1740,726290 MW.

6. Pada hari Minggu (28 Februari 2016) untuk beban puncak jangka pendek pada pukul 06.30 WIB, 15.30 WIB, dan 19.30 WIB berturut-turut adalah 1295,713000 MW; 1124,550000 MW; 1630,316510 M

(20)

5.2. Saran

Berdasarkan hasil perhitungan serta kesimpulan di atas, penulis menyarankan:

1. Variabel yang digunakan pada penelitian adalah beban historis (MW), suhu (°�), beban ramal (MW). Satuan tidak berpengaruh untuk mengubah nilai bilangan fuzzy menjadi nilai bilangan tegas. Sehingga banyak faktor yang dapat dijadikan sebagai masukan untuk mengembangkan metode Tsukamoto dan disarankan untuk menggunakan lebih banyak inferensi/penalaran dalam membentukan aturan jika...maka....

2. Penulis menggunakan salah satu faktor yang mempengaruhi distribusi beban listrik. Salah satu yang mempengaruhi adalah faktor cuaca, yaitu suhu (temperatur). Semakin banyak faktor yang dijadikan sebagai variabel masukan fuzzy, maka akan semakin banyak pula himpunan fuzzy-nya dan semakin banyak anteseden dan konsekuen sehingga banyak aturan (rule) yang diperoleh.

3. Penelitian selanjutnya dapat menambahkan beberapa variabel dari hal yang mempengaruhi karakteristik beban. Karakteristik beban biasanya dipengaruhi oleh beberapa faktor seperti: cuaca, waktu, ekonomi,jumlah penduduk, gangguan acak, dan lain-lain. Faktor-faktor cuaca termasuk, kelembaban, kecepatan angin, keadaan awan, dan intensitas cahaya.

(21)

DAFTAR PUSTAKA

Cox, E., (1994): The Fuzzy Systems Handbook; A Practitioner’s Guide ti Building, Using, and maintaining Fuzzy Systems, AP Profesional, Cambridge.

Feinberg, E. A, G. D., (2004): Load Forecasting. In Applied Mathematics for Power Systems.

Hartati, S., . K. S., (2006): Neuro Fuzzy - Integrasi Sistem Fuzzy dan Jaringan Syaraf, Graha Ilmu, Yogyakarta.

Jang, J.S.R, e. a., (1997): Neuro-Fuzzy and Soft Computing, Prentice Hall, London.

Klir, G.J, F. T. A., (1995): Fuzzy Sets, Uncertainity and Information, Prentice Hall International, Inc, London.

Kusumadewi, Sri., P. H., (2010): Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta.

KusumadewiS (2002): Analisis Desain Sistem Fuzzy menggunakan Tool Box Matlab, Graha Ilmu, Yogyakarta.

Lin, Chin Teng & Lee, C. G., (1996): Neural Fuzzy Systems (A Neuro-Fuzzy Symergisan to Intelligent Systems), Poentica-Hall International, Inc, London.

Marsudi, D., (2005a): Operasi Sistem Tenaga Listrik, Penerbit Graha Ilmu, Jakarta.

Marsudi., D., (2005b): Perkiraan Beban dan Pembangkitan Energi Listrik, Erlangga, Jakarta.

Nguyen, Hung T, e. a., (2003): A First Course in Fuzzy and Neural Control, Chapman & Hall/CRC, USA.

Setiadji (2009): Himpunan dan Logika Samar serta Aplikasinya, Graha Ilmu, Yogyakarta.

Sivanandam, S.N, S. S. D. S., (2007): Introduction Fuzzy Logic using MATLAB, Springer-Verlag Berlin Heidelberg, USA.

SJ, F. S., (2006): Himpunan dan Logika Kabur, 2, Penerbit Graha Ilmu, Yogyakarta.

Sutojo S.Si, M.Kom, T., (2011): Kecerdasan Buatan, Penerbit Andi, Yogyakarta. Suyanto (2007): Artificial Intelligence, Penerbit Informatika Bandung, Bandung. Turban, E., J. E. . L. T., (2005): Decision Support Systems and Intelligent

Systems, 7, Andi Offset, Yogyakarta.

Wang, L.-X., (1997): A Course in fuzzy Systems and Control, Prentice Hall International, Inc, London-Sydney-Toronto-Mexico-New Delhi-Tokyo-Singapore- Rio De Janeiro.

(1)