S TE 1100243 Chapter3
BAB III
METODE PENELITIAN
3.1. Sumber Data Penelitian
Penulis menggunakan rujukan kalender hari libur sebagai sumber data
penelitian yang berdasarkan pada Surat Keputusan Bersama Menteri
Agama,
Menteri
Tenaga
Kerja
dan
Transmigrasi,
dan
Menteri
Pendayagunaan Aparatur Negara dan Reformasi Birokrasi Republik
Indonesia tentang “Hari Libur Nasional dan Cuti Bersama”, yang
menetapkan sebagai berikut :
1.
Hari Libur Nasional Tahun 2008 s.d. 2015
Tabel 3.1. Hari Libur Nasional Tahun 2008 s.d. 2015
2008
1 Januari
10 Januari
7 Februari
7 Maret
20 Maret
21 Maret
1 Mei
20 Mei
30 Juli
18 Agustus
1 Oktober
2 Oktober
8 Desember
25 Desember
29 Desember
2.
2009
2010
2011
2012
1 Januari
1 Januari
1 Januari
1 Januari
26 Januari 14 Februari 3 Februari
23 Januari
9 Maret
26 Februari 15 Februari 5 Februari
26 Maret
16 Maret
5 Maret
23 Maret
10 April
2 April
22 April
6 April
9 Mei
13 Mei
17 Mei
6 Mei
21 Mei
28 Mei
2 Juni
17 Mei
20 Juli
10 Juli
29 Juni
17 Juni
17 Agustus 17 Agustus 17 Agustus 17 Agustus
21 September 10 September 30 Agustus 19 Agustus
22 September 11 September 31 Agustus 20 Agustus
27 November 17 November 6 November 26 Oktober
18 Desember 7 Desember 27 November 15 November
25 Desember 25 Desember 25 Desember 25 Desember
2013
2014
1 Januari
1 Januari
24 Januari
14 Januari
10 Februari 31 Januari
12 Maret
31 Maret
29 Maret
18 April
9 Mei
1 Mei
25 Mei
15 Mei
6 Juni
27 Mei
8 Agustus
29 Mei
9 Agustus
28 Juli
17 Agustus
29 Juli
15 Oktober 17 Agustus
5 November 5 Oktober
25 Desember 25 Oktober
25 Desember
2015
1 Januari
3 Januari
19 Februari
21 Maret
3 April
1 Mei
14 Mei
16 Mei
2 Juni
17 Juli
18 Juli
17 Agustus
24 September
14 Oktober
24 Desember
25 Desember
Cuti Bersama Tahun 2008 s.d. 2015
Tabel 3.2. Cuti Bersama Tahun 2008 s.d. 2015
2008
2009
2010
2011
11 Januari
2 Januari 9 September
16 Mei
29 September 18 September 13 September
3 Juni
30 September 23 Spetember 24 Desember 29 Agustus
3 Oktober 24 Desember
1 September
26 Desember
2 September
26 Desember
2012
18 Mei
21 Agustus
22 Agustus
16 November
24 Desember
31 Desember
2013
2014
5 Agustus
30 Juli
6 Agustus
31 Juli
7 Agustus
1 Agustus
14 Oktober 26 Desember
26 Desember
16
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED
FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2015
16 Juli
20 Juli
21 Juli
17
Data historis yang diambil dari Penyaluran dan Pusat Pengaturan
Beban Jawa Bali Area Pengaturan Beban Jawa Barat diseleksi menjadi 140
data beban hari libur nasional dan cuti bersama yang ditunjukkan pada
Tabel 3.1 dan Tabel 3.2. Data hasil penyeleksian selanjutnya digunakan
sebagai data beban anomali. Tanggal 16 Mei 2015 bertepatan dengan Isra
Mi’raj
Nabi
Muhammad
SAW
ditentukan
sebagai
target
untuk
pembelajaran dari data historis lainnya yang berperan sebagai input.
3.2. Perangkat Penunjang Penelitian
Penelitian yang dilakukan membutuhkan beberapa peralatan untuk
menunjang semua kegiatan yang berkaitan dengan short term load
forecasting. Oleh karena itu, perangkat keras yang digunakan adalah PC
atau laptop dengan spesifikasi Operating System Windows 7 Ultimate 64-bit
(6.1, Build 7601); Processor Intel(R) Core(TM) i3-2328M CPU @ 2.20GHz
(4CPUs), ~2.2GHz; Memory 2048MB RAM. Sedangkan perangkat lunak
yang digunakan adalah Matlab R2012a, Microsoft Office Excel 2007,
Mendeley Desktop ver. 1.13.8.0, dan Microsoft Office Visio 2007.
3.3. Prosedur Penelitian
Penelitian mengenai optimal anomalous short term load forecasting
berbasis algoritma feed forward backpropagation dilakukan dengan
menggunakan data beban anomali untuk meramalkan beban anomali di
masa yang akan datang. Sebelum proses pembelajaran dilakukan, dilakukan
inisialisasi pada bebearapa komponen karena metode yang digunakan
adalah pembelajaran terawasi (supervised). Kemudian data anomali beserta
pengaturannya diproses melalui pembelajaran menggunakan Matlab. Output
yang
didapat
kemudian
didokumentasikan.
Metode
feed
forward
backpropagation ini bersifat probabilistik dan random. Sehingga dilakukan
5 kali percobaan untuk mengambil rata-rata hasil akhirnya. Berikut ini
langkah kerja dari penelitian yang dicitrakan pada Gambar 3.1.
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED
FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
18
3.3.1 Flowchart
MULAI
Data
Beban
Anomali
Inisialisasi
hidden
layer dan
parameter
Pelatihan data
feed forward
backpropagation
Tidak
Beban
output hasil
peramalan
5 kali
percobaan
Ya
SELESAI
Gambar 3.1. Flowchart Prosedur Penelitian
Pelatihan data dengan feed forward backpropagation diproses dengan
Matlab ditampilkan pada Gambar 3.2. Pengaturan awal yang telah diberikan
sebelumnya akan diproses pertama kali untuk menghasilkan bobot awal dari
input layer . Kemudian sinyal bobot disebarkan ke setiap unit pada hidden
layer dan diaktifasi dengan fungsi sigmoid. Setiap unit di output layer akan
menangkap sinyal input dari hidden layer untuk memproses pembaruan
bobot dan dikembalikan ke hidden layer lalu mengkalkulasi informasi
error nya. Apabila bias dan bobot baru telah memenuhi error standar, maka
proses pelatihan data selesai, namun apabila belum maka proses kembali ke
penyebaran sinyal input ke hidden layer .
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED
FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
19
Koreksi bobot
dikirim ke
hidden layer
MULAI
Inisialisasi
bobot
Penyebaran
sinyal input ke
hidden layer
Sinyal disebarkan ke
output layer
menggunakan
fungsi aktivasi
Kalkulasi
informasi error
Tidak
Bias dan bobot
diperbaharui
Error
METODE PENELITIAN
3.1. Sumber Data Penelitian
Penulis menggunakan rujukan kalender hari libur sebagai sumber data
penelitian yang berdasarkan pada Surat Keputusan Bersama Menteri
Agama,
Menteri
Tenaga
Kerja
dan
Transmigrasi,
dan
Menteri
Pendayagunaan Aparatur Negara dan Reformasi Birokrasi Republik
Indonesia tentang “Hari Libur Nasional dan Cuti Bersama”, yang
menetapkan sebagai berikut :
1.
Hari Libur Nasional Tahun 2008 s.d. 2015
Tabel 3.1. Hari Libur Nasional Tahun 2008 s.d. 2015
2008
1 Januari
10 Januari
7 Februari
7 Maret
20 Maret
21 Maret
1 Mei
20 Mei
30 Juli
18 Agustus
1 Oktober
2 Oktober
8 Desember
25 Desember
29 Desember
2.
2009
2010
2011
2012
1 Januari
1 Januari
1 Januari
1 Januari
26 Januari 14 Februari 3 Februari
23 Januari
9 Maret
26 Februari 15 Februari 5 Februari
26 Maret
16 Maret
5 Maret
23 Maret
10 April
2 April
22 April
6 April
9 Mei
13 Mei
17 Mei
6 Mei
21 Mei
28 Mei
2 Juni
17 Mei
20 Juli
10 Juli
29 Juni
17 Juni
17 Agustus 17 Agustus 17 Agustus 17 Agustus
21 September 10 September 30 Agustus 19 Agustus
22 September 11 September 31 Agustus 20 Agustus
27 November 17 November 6 November 26 Oktober
18 Desember 7 Desember 27 November 15 November
25 Desember 25 Desember 25 Desember 25 Desember
2013
2014
1 Januari
1 Januari
24 Januari
14 Januari
10 Februari 31 Januari
12 Maret
31 Maret
29 Maret
18 April
9 Mei
1 Mei
25 Mei
15 Mei
6 Juni
27 Mei
8 Agustus
29 Mei
9 Agustus
28 Juli
17 Agustus
29 Juli
15 Oktober 17 Agustus
5 November 5 Oktober
25 Desember 25 Oktober
25 Desember
2015
1 Januari
3 Januari
19 Februari
21 Maret
3 April
1 Mei
14 Mei
16 Mei
2 Juni
17 Juli
18 Juli
17 Agustus
24 September
14 Oktober
24 Desember
25 Desember
Cuti Bersama Tahun 2008 s.d. 2015
Tabel 3.2. Cuti Bersama Tahun 2008 s.d. 2015
2008
2009
2010
2011
11 Januari
2 Januari 9 September
16 Mei
29 September 18 September 13 September
3 Juni
30 September 23 Spetember 24 Desember 29 Agustus
3 Oktober 24 Desember
1 September
26 Desember
2 September
26 Desember
2012
18 Mei
21 Agustus
22 Agustus
16 November
24 Desember
31 Desember
2013
2014
5 Agustus
30 Juli
6 Agustus
31 Juli
7 Agustus
1 Agustus
14 Oktober 26 Desember
26 Desember
16
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED
FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2015
16 Juli
20 Juli
21 Juli
17
Data historis yang diambil dari Penyaluran dan Pusat Pengaturan
Beban Jawa Bali Area Pengaturan Beban Jawa Barat diseleksi menjadi 140
data beban hari libur nasional dan cuti bersama yang ditunjukkan pada
Tabel 3.1 dan Tabel 3.2. Data hasil penyeleksian selanjutnya digunakan
sebagai data beban anomali. Tanggal 16 Mei 2015 bertepatan dengan Isra
Mi’raj
Nabi
Muhammad
SAW
ditentukan
sebagai
target
untuk
pembelajaran dari data historis lainnya yang berperan sebagai input.
3.2. Perangkat Penunjang Penelitian
Penelitian yang dilakukan membutuhkan beberapa peralatan untuk
menunjang semua kegiatan yang berkaitan dengan short term load
forecasting. Oleh karena itu, perangkat keras yang digunakan adalah PC
atau laptop dengan spesifikasi Operating System Windows 7 Ultimate 64-bit
(6.1, Build 7601); Processor Intel(R) Core(TM) i3-2328M CPU @ 2.20GHz
(4CPUs), ~2.2GHz; Memory 2048MB RAM. Sedangkan perangkat lunak
yang digunakan adalah Matlab R2012a, Microsoft Office Excel 2007,
Mendeley Desktop ver. 1.13.8.0, dan Microsoft Office Visio 2007.
3.3. Prosedur Penelitian
Penelitian mengenai optimal anomalous short term load forecasting
berbasis algoritma feed forward backpropagation dilakukan dengan
menggunakan data beban anomali untuk meramalkan beban anomali di
masa yang akan datang. Sebelum proses pembelajaran dilakukan, dilakukan
inisialisasi pada bebearapa komponen karena metode yang digunakan
adalah pembelajaran terawasi (supervised). Kemudian data anomali beserta
pengaturannya diproses melalui pembelajaran menggunakan Matlab. Output
yang
didapat
kemudian
didokumentasikan.
Metode
feed
forward
backpropagation ini bersifat probabilistik dan random. Sehingga dilakukan
5 kali percobaan untuk mengambil rata-rata hasil akhirnya. Berikut ini
langkah kerja dari penelitian yang dicitrakan pada Gambar 3.1.
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED
FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
18
3.3.1 Flowchart
MULAI
Data
Beban
Anomali
Inisialisasi
hidden
layer dan
parameter
Pelatihan data
feed forward
backpropagation
Tidak
Beban
output hasil
peramalan
5 kali
percobaan
Ya
SELESAI
Gambar 3.1. Flowchart Prosedur Penelitian
Pelatihan data dengan feed forward backpropagation diproses dengan
Matlab ditampilkan pada Gambar 3.2. Pengaturan awal yang telah diberikan
sebelumnya akan diproses pertama kali untuk menghasilkan bobot awal dari
input layer . Kemudian sinyal bobot disebarkan ke setiap unit pada hidden
layer dan diaktifasi dengan fungsi sigmoid. Setiap unit di output layer akan
menangkap sinyal input dari hidden layer untuk memproses pembaruan
bobot dan dikembalikan ke hidden layer lalu mengkalkulasi informasi
error nya. Apabila bias dan bobot baru telah memenuhi error standar, maka
proses pelatihan data selesai, namun apabila belum maka proses kembali ke
penyebaran sinyal input ke hidden layer .
Kartika Ainur Rohmah, 2016
OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED
FORWARD BACKPROPAGATION
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
19
Koreksi bobot
dikirim ke
hidden layer
MULAI
Inisialisasi
bobot
Penyebaran
sinyal input ke
hidden layer
Sinyal disebarkan ke
output layer
menggunakan
fungsi aktivasi
Kalkulasi
informasi error
Tidak
Bias dan bobot
diperbaharui
Error