ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK.
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN
KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
SKRIPSI
Diajukan untuk memenuhi sebagian dari
syarat memperoleh gelar Sarjana Teknik di Program Studi Teknik Elektro-S1 Jurusan Pendidikan Teknik Elektro
Oleh
Willy Wigia Sofyan
E.5051.1000141
PRODI TEKNIK ELEKTRO S1
JURUSAN PENDIDIKAN TEKNIK ELEKTRO
FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN
UNIVERSITAS PENDIDIKAN INDONESIA
(2)
Estimasi Beban Puncak Harian
Berdasarkan Kluster Tipe Hari Berbasis
Algoritma Hybrid Swarm Particle Artificial
Neural Network
Oleh
Willy Wigia Sofyan
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik pada Fakultas Pendidikan Teknologi dan Kejuruan
© Willy Wigia Sofyan 2014
Universitas Pendidikan Indonesia
Juli 2014
Hak Cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhya atau sebagian,
(3)
WILLY WIGIA SOFYAN
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Disetujui dan disahkan oleh pembimbing:
Pembimbing I
Dr.Ade Gaffar Abdullah, S.Pd, M.Si NIP. 19721113 199903 1 001
Pembimbing II
Ir. H. Dadang Lukman Hakim, MT NIP. 19610604 198603 1 001
Mengetahui Ketua Jurusan
Prof.Dr.H. Bachtiar Hasan, ST, MSIE NIP. 19551204 198103 1 002
(4)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR ISI
PERNYATAAN... i
ABSTRAK... ii
KATA PENGANTAR... iii
DAFTAR ISI... v
DAFTAR TABEL... vii
DAFTAR GAMBAR... viii
DAFTAR LAMPIRAN... ix
BAB I PENDAHULUAN... 1.1Latar Belakang Masalah... 1.2Identifikasi Masalah... 1.3Rumusan Masalah... 1.4Tujuan Penulisan Skripsi... 1.5Manfaat Skripsi... 1.6Sistematika Penulisan Skripsi...
1 1 3 3 4 4 5 BAB II TINJAUAN PUSTAKA...
2.1 Perkembangan Penelitian Short Term Load Forecasting
(STLF)...
2.2 Analisa Beban Sistem Tenaga Listrik... 2.2.1 Faktor-faktor yang mempengaruhi beban listrik... 2.3 Particle Swarm Optimization (PSO)... 2.4 Algoritma Backpropagation... 2.4.1 Arsitektur jaringan... 2.4.2 Fungsi aktivasi... 2.4.3 Pelatihan standar backpropagation...
7 7 9 13 13 17 18 18 19 BAB III METODE PENELITIAN...
3.1 Pengumpulan Data Beban Listrik dari PLN... 3.2 Model Algoritma Hybrid Particle Swarm Optimization
Backpropagation (HPSO-BP)...
3.3 Penyusunan Model Matematis... 23 23
32 37 BAB IV HASIL DAN PEMBAHASAN...
4.1 Hasil Prediksi Hybrid Swarm Particle
Artificial Neural Network...
4.1.1 Pola beban puncak harian Jawa Bali
region Jawa Barat berdasarkan tiga tipe hari... 4.1.2 Hasil dan pembahasan prediksi
beban puncak pada hari kerja... 4.1.3 Hasil dan pembahasan prediksi
beban puncak pada hari libur akhir pekan... 39
39
39
43
(5)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
4.1.4 Hasil dan pembahasan prediksi beban puncak pada hari libur nasional
cuti bersama... 4.2 Hasil Eksperimen Optimasi Backpropagation
dan Particle Swarm Optimization... 48
51 4.3 Model Matematis Hybrid Swarm Particle
Artificial Neural Network... 54 BAB V KESIMPULAN DAN SARAN...
5.1 Kesimpulan... 5.2 Saran...
56 56 57
DAFTAR PUSTAKA... 58 LAMPIRAN... 61
(6)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ABSTRAK
Prediksi beban listrik jangka pendek merupakan salah satu perencanaan operasi sistem tenaga listrik yang memiliki peranan penting dalam hal mewujudkan operasi yang ekonomis. Hasil prediksi tersebut dapat dijadikan masukan utama dalam unit commitment, economic dispatch, ataupun studi aliran daya. Skripsi penelitian ini bertujuan untuk melakukan studi penggunaan algoritma hibrid PSO-JST dalam melakukan prediksi beban puncak harian jangka pendek dengan membuat kluster data berdasarkan tipe hari yang berbeda. Data historis menggunakan data pengeluaran beban listrik dari P3B PT.PLN (Persero) Area III Jawa Barat UPB-Cigereleng. Perhitungan dilakukan dengan menggunakan perangkat lunak MATLAB untuk mengetahui tingkat akurasi prediksi dan nilai
MAPE (Mean Absolute Percentage Error) pada algoritma HPSO-JST
dibandingkan dengan data Rencana Beban Sistem (RBS) PT.PLN dan algoritma
backpropagation-jaringan syaraf tiruan (BP-JST) tanpa dikombinasikan dengan
algoritma particle swarm optimization (PSO). Hasil simulasi menunjukkan bahwa hasil prediksi beban puncak berbasis algoritma HPSO-JST memberikan tingkat akurasi yang baik dan nilai MAPE yang kecil serta stabil dibawah 2%, jika dibandingkan dengan prediksi RBS-PLN dan BP-JST. Hasil prediksi beban yang akurat akan menghasilkan efisiensi kepada perusahaan listrik sehingga dapat menekan biaya operasional pembangkitan dan tentunya secara tidak langsung akan berdampak pada murahnya biaya produksi listrik.
Kata Kunci : Prediksi Beban Puncak Jangka Pendek, Tipe Hari, Algoritma Hybrid
Particle Swarm Optimization Jaringan Syaraf Tiruan, Mean Absolute Percentage Error.
ABSTRACT
Short-term electrical load prediction is one of the operation planning of electric power system has an important role in terms of realizing the economical operation. The prediction results can be used as a major input in unit commitment, economic dispatch, or load flow studies. Final research aims to study the use of hybrid PSO-ANN algorithm to predict the short-term daily peak loads by creating clusters of data based on different types of days. Historical data using expenditure data from the electrical load PT PLN P3B (Persero) Area III West Java UPB-Cigereleng. Calculations were performed using MATLAB to determine the level of accuracy of prediction and the value of MAPE (Mean Absolute Percentage Error) HPSO-ANN algorithm compared with the data Rencana Beban Sistem (RBS) PT.PLN and algorithm-back propagation neural network (BP-ANN) without algorithm combined with particle swarm optimization
(7)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
(PSO). The simulation results prove that the results predicted peak load HPSO algorithm-based ANN gave a good degree of accuracy and MAPE values are small and stable below 2%, when compared with the RBS-PLN predictions and BP-ANN. The results are accurate load prediction will result in efficiencies to the electric company so as to reduce the operational costs of generation and certainly will indirectly have an impact on the low cost of electricity production.
Keywords : Prediction of Short-Term Peak Load, Type Day, Hybrid Particle Swarm Optimization Algorithm Neural Network, Mean Absolute Percentage Error.
(8)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
1 BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber energi listrik yang besar pula. Jika jumlah energi listrik yang tersedia saat ini tidak dapat mengimbangi kebutuhan masyarakat akan energi listrik tersebut, maka akan terjadi ketidakseimbangan antara kebutuhan dengan penyediaan energi listrik. Oleh sebab itu, perusahaan listrik negara (PT.PLN) sebagai penyedia jasa ketenagalistrikan di Indonesia harus meningkatkan kinerja di semua aspek, salah satunya dalam hal perencanaan operasi sistem tenaga listrik yang baik dan tepat.
Salah satu langkah perencanaan dalam operasi sistem tenaga listrik adalah membuat sebuah prakiraan kebutuhan beban listrik. Prakiraan beban listrik diklasifikasikan menjadi tiga bagian, yaitu prakiraan beban jangka pendek (short
term load forecasting), jangka menengah (medium term load forecasting), dan
jangka panjang (long term load forecasting). Setiap model prakiraan beban menggunakan metode yang berbeda untuk memenuhi tujuan spesifiknya.
Prediksi beban jangka pendek memiliki peranan yang penting yang berfungsi sebagai masukan utama dalam unit commitment, economic dispatch, penjadwalan bahan bakar, studi aliran daya serta maintenance. Namun peranan penting ini hanya terwujud jika model prediksi beban yang digunakan memiliki tingkat akurasi yang tinggi dan galat (error) yang kecil, dan ini menjadi masalah utama bagi perusahaan listrik dikarenakan sangat sulit implementasinya. Kesulitan tersebut disebabkan karena karakteristik beban listrik yang dikeluarkan
(9)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2 memiliki pola yang kompleks. Pola beban listrik memiliki perilaku non linier dan bersifat random, misalnya karena faktor cuaca, ekonomi, dan sosial.
Prediksi beban yang akurat memerlukan pertimbangan-pertimbangan faktor waktu, data cuaca, dan kegiatan lokal. Faktor waktu meliputi tipe hari yang berbeda, seperti hari kerja (senin s/d jum’at), hari libur akhir pekan (sabtu s/d minggu), dan hari libur nasional cuti bersama serta tipikal jam dalam satu hari. Penggunaan energi listrik oleh konsumen tentunya berbeda untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama. Begitupun dalam satu hari penggunaan listrik akan sangat berbeda pada saat beban dasar dan beban puncak. Karakteristik penggunaan listrik di Indonesia sangat unik dan berbeda dengan perilaku penggunaan listrik di negara maju. Faktor cuaca tidak begitu mempengaruhi perilaku penggunaan listrik di Indonesia sedangkan bagi negara maju perbedaannya sangat mencolok. Kegiatan lokal seperti siaran televisi yang memikat sangat mempengaruhi perilaku penggunaan listrik di Indonesia, dan pemakaian tenaga listrik untuk keperluan penerangan lebih banyak dibandingkan dengan pemakaian tenaga listrik untuk keperluan industri, sehingga berdasarkan pertimbangan tersebut diperlukan model prediksi khusus untuk sistem kelistrikan di Indonesia.
Melihat kondisi tersebut, menjadi sebuah tantangan untuk mencari suatu model prakiraan beban listrik yang dapat menghasilkan prediksi yang lebih akurat dan galat (error) yang lebih kecil daripada model prediksi yang selama ini digunakan, yaitu metode konvensional seperti moving average, exponential
smoothing, regresi dan lain sebagainya. Metode prakiraan beban listrik terus
mengalami perkembangan seiring dengan kebutuhan akan prakiraan beban listrik yang lebih baik. Metode yang belakangan ini banyak digunakan adalah metode kecerdasan buatan (Artificial Intelegent). Beberapa metode kecerdasan buatan tersebut antara lain, Fuzzy Logic, Jaringan Syaraf Tiruan, Algoritma Genetika dan lain sebagainya.
(10)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3 Pada Skripsi ini, penulis mencoba mengkombinasikan kedua metode kecerdasan buatan, yaitu antara PSO (Particle Swarm Optimization) dengan ANN (Artificial Neural Network) untuk memprediksikan beban puncak harian berdasarkan kluster tipe hari.
1.2 Identifikasi Masalah
Merujuk pada latar belakang masalah di atas, maka dapat di identifikasi beberapa masalah yang berkaitan dengan estimasi beban puncak harian, yaitu faktor waktu seperti tipe hari yang berbeda untuk hari
kerja (senin s/d jum’at), hari libur akhir pekan (sabtu s/d minggu), dan hari
libur nasional cuti bersama serta tipikal jam dalam satu hari yang mempengaruhi penggunaan energi listrik di Indonesia. Sehingga diperlukan perencanaan untuk membuat model prediksi khusus pada sistem kelistrikan di Indonesia.
1.3 Rumusan Masalah
Pada Skripsi ini penulis fokus terhadap masalah dibawah ini:
1. Bagaimana karakteristik dan pola beban puncak harian berdasarkan pada kluster tipe hari, yaitu hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama ?
2. Bagaimana membuat model prakiraan beban puncak harian untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama menggunakan algoritma hybrid swarm particle artificial neural network ? 3. Bagaimana perbandingan akurasi dan galat (error) di dalam hasil
prakiraan beban puncak harian untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama antara algoritma hybrid swarm particle
(11)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
4 algoritma Backpropagation-Jaringan Syaraf Tiruan (BP-JST) tanpa dikombinasikan dengan algoritma particle swarm optimization (PSO) ? 4. Bagaimana hasil prakiraan optimal yang didapatkan berdasarkan nilai
learning rate, jumlah partikel PSO (Particle Swarm Optimization), dan
jumlah hidden layer yang digunakan pada algoritma hybrid swarm particle
artificial neural network ?
1.4 Tujuan Penulisan Skripsi
Tujuan penulisan Skripsi ini adalah sebagai berikut:
1. Mengetahui karakteristik dan pola beban puncak harian berdasarkan pada kluster tipe hari, yaitu hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama.
2. Membuat model prakiraan beban puncak harian untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama menggunakan algoritma
hybrid swarm particle artificial neural network.
3. Membandingkan hasil akurasi dan galat (error) di dalam hasil prakiraan beban puncak harian untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama antara algoritma hybrid swarm particle artificial
neural network, Rencana Beban Sistem (RBS) PLN, dan dengan algoritma Backpropagation-Jaringan Syaraf Tiruan (BP-JST) tanpa dikombinasikan
dengan algoritma Particle Swarm Optimization (PSO).
4. Mengetahui hasil prakiraan optimal yang didapatkan berdasarkan perbedaan nilai learning rate, jumlah partikel PSO (Particle Swarm
Optimization), dan jumlah hidden layer yang digunakan pada algoritma hybrid swarm particle artificial neural network.
(12)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
5 Manfaat dari Skripsi ini diantaranya adalah sebagai berikut:
1. Manfaat teoritis
Peneliti berharap dengan dilakukannya penelitian Skripsi ini, dapat memberikan kontribusi di dalam memprediksikan beban puncak jangka pendek. Bahwa dengan membuat model prediksi menggunakan algoritma
hybrid swarm particle artificial neural network, yaitu suatu metode
prediksi beban listrik yang modern, dengan memanfaatkan konsep kecerdasan buatan (Artificial Intelegent) dan berbantuan komputasi, di dapatkan suatu prediksi yang optimal, yang memiliki akurasi tinggi dan
error yang kecil. Sehingga kerugian-kerugian dalam operasi sistem tenaga
listrik dapat di kurangi ataupun di minimalisirkan. 2. Manfaat aplikatif
a) Bagi Peneliti
Dapat dijadikan referensi di dalam pengembangan penelitian selanjutnya, sehingga dapat menghasilkan prediksi beban listrik yang semakin lebih baik lagi.
b) Bagi PLN
Sebagai salah satu kontribusi dan pertimbangan untuk menggunakan metode HPSO-ANN di dalam memprediksikan beban listrik. Karena metode HPSO-ANN memberikan tingkat akurasi dan error prediksi yang lebih baik daripada RBS-PLN.
1.6 Sistematika Penulisan Skripsi
Untuk memudahkan dalam membaca dan memahami Skripsi ini, maka disusun sistematika penulisan sebagai berikut:
(13)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
6 Memaparkan tentang latar belakang masalah, perumusan masalah, pembatasan masalah, tujuan penulisan, manfaat Skripsi, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Memaparkan tentang perkembangan penelitian prakiraan beban listrik jangka pendek, konsep prakiraan beban listrik jangka pendek, metode PSO-ANN.
BAB III METODE PENELITIAN
Memaparkan tentang model metoda HPSO-ANN di dalam prakiraan beban puncak harian jangka pendek untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama.
BAB IV HASIL DAN PEMBAHASAN
Memaparkan tentang pembahasan hasil estimasi prakiraan beban puncak harian jangka pendek untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama sesuai dengan metode yang telah dibuat.
BAB V KESIMPULAN DAN SARAN
Memaparkan tentang kesimpulan dari hasil penelitian dan saran-saran yang didasarkan pada hasil penelitian yang diperoleh.
(14)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
23 BAB III
METODE PENELITIAN
3.1 Pengumpulan Data Beban Listrik dari PLN
Data historis yang digunakan untuk memprediksikan beban puncak harian jangka pendek menggunakan data pengeluaran beban listrik dari PT.PLN (Persero) Area III Jawa Barat UPB-Cigelereng tahun 2006 sampai dengan 2012, setiap 30 menit dalam 6 jam mulai dari pukul 17.00 sampai dengan 22.00 WIB. Data dikelompokan berdasarkan tiga kluster tipe hari, yaitu data hari kerja (hari senin s/d jum’at), data libur akhir pekan (hari sabtu s/d minggu), dan data libur nasional cuti bersama secara acak. Data-data tersebut dijadikan input pelatihan dan pengujian pada algoritma PSO-ANN dengan menggunakan perangkat lunak MATLAB R2010a. Algoritma ANN yang digunakan adalah algoritma
backpropagation (BP).
Tabel 3.1 Data beban listrik dari PLN yang akan dievaluasi
DATA INPUT PELATIHAN DAN DATA INPUT TARGET Input
Hari Kerja (Senin s/d
Jum'at)
Hari Libur Akhir Pekan
(Sabtu s/d Minggu) Hari Libur Nasional dan Cuti Bersama t-34 02/01/2006 07/01/2006 01/01/2006 Tahun Baru Masehi t-33 03/01/2006 08/01/2006 30/03/2006 Hari Raya Nyepi t-32 04/01/2006 14/01/2006 25/05/2006 Kenaikan Yesus Kristus t-31 05/01/2006 15/01/2006 17/08/2006 Hari Kemerdekaan RI t-30 06/01/2006 21/01/2006 25/12/2006 Hari Raya Natal t-29 05/02/2007 03/02/2007 01/01/2007 Tahun Baru Masehi t-28 06/02/2007 04/02/2007 19/03/2007 Hari Raya Nyepi Saka
(15)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
24
1929
t-27 07/02/2007 10/02/2007 18/05/2007 Cuti Bersama Kenaikan Isa Almasih
t-26 08/02/2007 11/02/2007 17/08/2007 Hari Kemerdekaan RI t-25 09/02/2007 17/02/2007 24/12/2007 Cuti Bersama Hari
Raya Natal
t-24 10/03/2008 01/03/2008 01/01/2008 Tahun Baru Masehi t-23 11/03/2008 02/03/2008 11/01/2008 Cuti Bersama Tahun
Baru 1429 H
t-22 12/03/2008 08/03/2008 02/05/2008 Cuti Bersama Kenaikan Yesus Kristus
t-21 13/03/2008 09/03/2008 17/08/2008 Hari Kemerdekaan RI t-20 14/03/2008 15/03/2008 26/12/2008 Cuti Bersama Hari
Natal
t-19 13/04/2009 04/04/2009 01/01/2009 Tahun Baru Masehi t-18 14/04/2009 05/04/2009 09/03/2009 Maulid Nabi
Muhammad SAW t-17 15/04/2009 11/04/2009 21/05/2009 Kenaikan Yesus Kristus t-16 16/04/2009 12/04/2009 20/07/2009 Isra Miraj Nabi
Muhammad SAW t-15 17/04/2009 18/04/2009 17/08/2009 Hari Kemerdekaan RI t-14 17/05/2010 01/05/2010 01/01/2010 Tahun Baru Masehi t-13 18/05/2010 02/05/2010 14/02/2010 Tahun Baru Imlek 2561 t-12 19/05/2010 08/05/2010 16/03/2010 Nyepi Tahun Baru Saka
1932
t-11 20/05/2010 09/05/2010 13/05/2010 Kenaikan Yesus Kristus t-10 21/05/2010 15/05/2010 28/05/2010 Hari Raya Waisak 2554
t-9 06/06/2011 04/06/2011 17/05/2011 Hari Raya Waisak t-8 07/06/2011 05/06/2011 02/06/2011 Kenaikan Yesus Kristus t-7 08/06/2011 11/06/2011 03/06/2011 Cuti Bersama Kenaikan
(16)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
25
t-6 09/06/2011 12/06/2011 17/08/2011 Hari Kemerdekaan RI t-5 10/06/2011 18/06/2011 25/12/2011 Hari Raya Natal
t-4 16/04/2012 08/04/2012 01/01/2012 Tahun Baru Masehi t-3 17/04/2012 14/04/2012 23/01/2012 Tahun Baru Imlek 2563 t-2 18/04/2012 15/04/2012 05/02/2012 Maulid Nabi
Muhammad SAW t-1 19/04/2012 21/04/2012 23/03/2012 Hari Raya Nyepi t-0 23/04/2012 22/04/2012 06/04/2012 Wafat Yesus Kristus
Pengambilan data input beban dari tahun ke tahun dengan bulan yang berbeda setiap tahunnya adalah dengan alasan sebagai berikut:
1. Bahwa dengan mengambil data input beban dari tahun ke tahun, yaitu dari tahun 2006 sampai dengan 2012 adalah dapat mengetahui pertumbuhan beban dan faktor yang mempengaruhi pertumbuhan beban yang terjadi. 2. Bahwa dengan mengambil data input beban dengan bulan yang
berbeda-beda tiap tahunnya, namun tipe harinya tetap sama, untuk hari kerja pada hari senin sampai dengan jum’at, untuk hari libur akhir pekan pada hari sabtu sampai dengan minggu, dan untuk libur nasional cuti bersama secara acak adalah untuk mengetahui pengaruh hasil estimasi prediksi yang terjadi pada model algoritma yang telah dibuat yaitu HPSO-BP.
3. Bahwa pola dan karakteristik dari profil beban puncak untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama hampir sama dan memiliki selisih yang tidak jauh berbeda, jika data yang diambil, kemudian dibandingkan dengan mengikuti bulan dan tanggal yang sama.
Tabel 3.2 Tiga puluh lima data historis PLN untuk hari kerja
t-34 t-33 t-32 t-31 t-30
(17)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
26
1883,8 1968,4 2166,1 2083 1944,3
1996,8 2055,3 2206,94 2291 2029,2
2168,1 2267,2 2294,97 2370,7 2184,2
2359,1 2440,3 2403,47 2485,7 2401,2
2418,1 2488 2458,6 2507,7 2482,2
2421,1 2495,5 2472,04 2525,7 2489,2
2402,1 2483,2 2443,12 2491,7 2481,2
2369,1 2487,4 2408,62 2466,7 2449,2
2321,6 2395,5 2357,5 2410,7 2362,2
2243,8 2298,5 2275,5 2343,7 2319,2
2193,9 2236,5 2146,8 2295,7 2249,2
t-29 t-28 t-27 t-26 t-25
05/02/2007 06/02/2007 07/02/2007 08/02/2007 09/02/2007
2377,82 2442,9 2729,8 2392,8 2792,8
2454,8 2569,9 2642,8 2454,8 2684,8
2569,78 2704,9 2687,8 2529,8 2762,8
2810,53 2888,9 2966,8 2944,7 2931,8
2915,86 2886,9 3018,8 3041,7 2762,8
2926,78 2912,9 3033,8 3065,7 2711,8
2901,53 2880,9 3001,8 3031,7 2840,8
2846,86 2847,9 2969,8 2962,7 2886,8
2749,2 2789,17 2914,8 2887,4 2804,2
2678,2 2716,91 2822,8 2818,4 2769,2
2599,2 2628,57 2745,8 2758,4 2710,2
t-24 t-23 t-22 t-21 t-20
10/03/2008 11/03/2008 12/03/2008 13/03/2008 14/03/2008
2838,13 2875,48 2740,2 2782,5 2775,5
2912,57 2881,46 2879,72 2851,5 2845,5
2978,71 3039,5 2973,82 2990,5 3001,5
3108,57 3161,4 3151,92 3127,5 3172,5
3178,61 3190,36 3186,91 3201,5 3200,5
3148,3 3217,37 3184,41 3206,5 3187,5
3153 3211,23 3185,58 3153,5 3183,5
3049,91 3140,18 3148,44 3113,5 3115,5
3017,91 3088,96 3106,04 3047,1 3037,83
2917,2 3016,16 3017,57 2945,1 2977,72
2812,5 2880,01 2948 2857,1 2879,49
(18)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
27
13/04/2009 14/04/2009 15/04/2009 16/04/2009 17/04/2009
2748,3 2806,2 2803,9 2950,7 2869
2902,3 2947,2 2962,1 3112,8 2975
3170,3 3211,2 3242,1 3285,8 3276,7
3181,3 3315,2 3325,1 3293,7 3282,1
3220,3 3330,2 3339,1 3318,7 3345,2
3228,3 3326,1 3327,1 3325,8 3338,2
3172,3 3333,1 3302,1 3302,2 3309,2
3151,8 3290,3 3306,6 3248,9 3268,9
3101,8 3208,3 3220,6 3172,9 3184,9
3011,8 3146,3 3108,6 3087,9 3106,9
2916,9 3010,3 2964,6 2961,9 2989,9
t-14 t-13 t-12 t-11 t-10
17/05/2010 18/05/2010 19/05/2010 20/05/2010 21/05/2010
3212,1 3186,3 3239,4 3361,7 3075
3374,1 3386,3 3306,7 3519,7 3248
3596,1 3595,3 3556,2 3560,7 3565
3587,6 3649,3 3552,7 3521,7 3506
3593,6 3679,3 3592,2 3561,7 3524
3570,9 3635,3 3559,2 3563,7 3531,5
3540,9 3626,3 3543,2 3488,9 3514
3493,9 3543,3 3491,2 3433,9 3467
3391,4 3456,3 3376,2 3370 3372
3338,7 3318,3 3280,2 3259 3283
3226,7 3177,3 3149,2 3132 3196
t-9 t-8 t-7 t-6 t-5
06/06/2011 07/06/2011 08/06/2011 09/06/2011 10/06/2011
3271,35 3432,15 3432,1 3237,15 3263,95
3435,35 3578,55 3609 3392,15 3375,95
3745,35 3812,55 3744,8 3570,45 3662,95
3770,35 3772,55 3778,05 3615,45 3731,95
3757,35 3789,45 3794,05 3638,45 3732,05
3790,35 3817,45 3857,05 3670,45 3807,05
3737,4 3856,6 3830,05 3661,45 3730,05
3730,4 3762,6 3763,05 3604,45 3689,05
3674,4 3728,6 3706,05 3506,45 3620,5
3597,4 3612,6 3611,05 3539,45 3561,5
(19)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
28
t-4 t-3 t-2 t-1 t-0
16/04/2012 17/04/2012 18/04/2012 19/04/2012 23/04/2012
3665,21 3673,52 3729,51 3683,97 3633,27
3772,42 3863,96 3836,5 3885,46 3732,66
3998,25 4017,27 4082,47 4083,47 4047,36
4133,25 4111,27 4128,33 4100,16 4140,02
4178,02 4074,66 4112,27 4082,17 4045,48
4151,79 4058,28 4111,59 4214,6 4170,8
4110,81 4056,08 4103,59 4144,6 4083,8
4065,27 4018,1 4078,8 4004,84 4060,27
3986,5 3896,9 4014,56 3918,54 4031,19
3934,73 3840,74 3931,8 3894,54 3851,74
3722,47 3721,41 3849,26 3802 4009,41
Tabel 3.3 Tiga puluh lima data historis PLN untuk hari libur akhir pekan
t-34 t-33 t-32 t-31 t-30
07/01/2006 08/01/2006 14/01/2006 15/01/2006 21/01/2006
1907 1730,32 1914,3 1732,03 1678,8
2017 1817,32 2011,3 1835,84 1823,6
2151 2008,64 2092,1 1935,51 1972,8
2298 2221,04 2337,6 2138,52 2288,4
2339 2266,21 2348,7 2178,77 2344,9
2358,7 2274,63 2344,5 2148,93 2359,2
2336,7 2277,82 2350 2159,1 2342,9
2289,6 2239,29 2291,2 2120,52 2296,1
2249,52 2201,2 2212,1 2081,4 2274,3
2246,72 2121,6 2190,1 2001,7 2183,9
2105,32 2059,6 2115,3 1928,7 2117,7
t-29 t-28 t-27 t-26 t-25
03/02/2007 04/02/2007 10/02/2007 11/02/2007 17/02/2007
2279,9 2024,1 2229,7 2422,3 2591,1
2288,9 2104,1 2345,7 2277,8 2464,3
2448,9 2252,1 2481,3 2396,8 2617,3
2669,4 2495,1 2756,3 2619,8 2841,9
(20)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
29
2773 2598,1 2892,3 2744,6 2870,9
2736 2590,1 2878,3 2735,6 2848,2
2725 2550,1 2844,3 2676,1 2798,2
2619 2477,2 2779,3 2608,1 2699,1
2539 2371,9 2715,3 2499,1 2600,36
2458 2316,3 2644,3 2400,1 2526,89
t-24 t-23 t-22 t-21 t-20
01/03/2008 02/03/2008 08/03/2008 09/03/2008 15/03/2008
2555,47 2317,94 2298,92 2359,6 2585,6
2631,53 2422,78 2380,7 2485,12 2678,6
2748,33 2535,85 2585,42 2572,84 2802,6
2948,02 2746,12 2866,13 2739,42 3037,6
3017,31 2790,73 2922,99 2788,78 3084,6
2975,89 2795,45 2908,75 2788,5 3045,6
2949,73 2754,73 2890,96 2782,6 3052,6
2898,14 2717,33 2860,05 2743,6 2991,6
2815,16 2680,7 2793,2 2664,5 2947
2757,25 2588,59 2693,2 2500 2839
2654,21 2457,84 2590,64 2496 2709
t-19 t-18 t-17 t-16 t-15
04/04/2009 05/04/2009 11/04/2009 12/04/2009 18/04/2009
2581,4 2503,7 2364,7 2460,4 2545,6
2643,3 2691,6 2557,4 2603,4 2683,6
2972,1 2941,6 2851,4 2944,4 3103,3
3042,4 2996,6 2981,4 2978,3 3231,5
3048,1 3013,1 2970,4 2973,3 3249,7
3043,1 3010,6 2982,4 2972,2 3219,3
3010,4 2951,5 2955,4 2959,1 3185,3
2987,5 2921,2 2923,3 2901,1 3136,6
2919,1 2839,2 2853,3 2842,1 3088,5
2861,9 2768,2 2763,3 2772,1 2991,6
2731,3 2667,2 2661,8 2654,1 2898,6
t-14 t-13 t-12 t-11 t-10
01/05/2010 02/05/2010 08/05/2010 09/05/2010 15/05/2010
2854,7 2665,7 2938,7 2754,9 2913,4
2929,7 2838,7 3195,7 2897,9 3094,7
3363,7 3186,7 3367,2 3186,1 3287,2
(21)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
30
3380,7 3240,7 3351,2 3226,1 3312,7
3369,7 3240,7 3341,2 3190,1 3298,1
3349,7 3212,7 3273,7 3195,1 3249,1
3312,7 3191,7 3255,7 3146,1 3150,5
3226,7 3133,7 3174,7 3063,1 3137,5
3175,7 2985,7 3054,7 2954,1 3048,5
3040,7 2887,7 2987,7 2859,1 2949,5
t-9 t-8 t-7 t-6 t-5
04/06/2011 05/06/2011 11/06/2011 12/06/2011 18/06/2011
3025,4 2786,05 3067,2 2864,8 3030,25
3211,40 3045,45 3201,2 3040,8 3134,25
3545,4 3310,45 3589,2 3340,8 3411,35
3498,4 3359,45 3607,2 3463,8 3507,35
3560,4 3370,45 3597,2 3422,8 3536,35
3514,4 3359,45 3594,2 3426,8 3589,35
3491,4 3370,45 3558,2 3397,8 3552,35
3436,4 3302,15 3518,2 3375,8 3484,35
3404,4 3235,15 3437,2 3240,8 3376,35
3290,4 3133,15 3314,2 3171,8 3329,35
3154,4 2993,15 3239,2 3023,8 3246,35
t-4 t-3 t-2 t-1 t-0
08/04/2012 14/04/2012 15/04/2012 21/04/2012 22/04/2012
3075,31 3347,75 3034,35 3238,19 3107,12
3151,59 3452,26 3145,25 3409,3 3181,45
3360,63 3740,81 3480,92 3600,22 3542,5
3457,54 3822,23 3509,01 3874,81 3618,67
3413,8 3845,36 3593,56 3895,13 3639,17
3420,87 3817,13 3622,07 3658,9 3736,73
3427,86 3785,41 3623,33 3670 3635,23
3389,4 3732,28 3624,6 3622,79 3634,37
3301,26 3653,75 3508,28 3620,16 3462,03
3208,82 3562,32 3433,75 3452,43 3310,34
3105,32 3489,43 3372,32 3351,89 3323,61
Tabel 3.4 Tiga puluh lima data historis PLN untuk hari libur nasional cuti bersama
(22)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
31
01/01/2006 30/03/2006 25/05/2006 17/08/2006 25/12/2006
1412,5 1870,16 1767,5 1280,93 2191,5
1587,5 1987,81 1898,5 1425,75 2286,79
1768,5 2209,11 2335 1770,41 2444,64
1918,5 2309,97 2400 1997,68 2622,24
1976,5 2325,19 2391 2023,65 2636,44
1977,5 2327,14 2389 2030,1 2632,14
1974,9 2306,04 2360 2004,4 2606,04
1945,9 2276,29 2325 1974,1 2558,14
1883,07 2222 2274 1910,9 2511,7
1824,3 2135,4 2187 1816,4 2413,7
1788,79 2051,77 2088 1764,4 2347,7
t-29 t-28 t-27 t-26 t-25
01/01/2007 19/03/2007 18/05/2007 17/08/2007 24/12/2007
1677,8 2244,6 2570 1531,5 2662,7
1757,8 2437,6 2729 1790,5 2787,7
2024,8 2552,1 2876 2185 2844,7
2294,8 2653,1 3012 2401 2970,7
2348,8 2718,1 3011 2429 3033,7
2348,8 2686,1 3011 2453 3041,7
2366,8 2668,1 2975 2428 2980,7
2347,8 2651,1 2922 2348 2960,7
2254,8 2565,61 2840 2334 2877,7
2178,8 2490,17 2754 2239 2762,7
2117,8 2387,01 2662 2141 2667,7
t-24 t-23 t-22 t-21 t-20
01/01/2008 11/01/2008 02/05/2008 17/08/2008 26/12/2008
1917,88 2598,28 2630,9 1840,3 2308,3
2057,24 2703,3 2726 1949,2 2426
2658,17 2819,8 3108,2 2362 2581,4
2443,99 3010,25 3165,2 2574,8 2713,2
2531,17 3111,15 3176,2 2602,4 2756,7
2488,37 3104,67 3185,2 2588,5 2832,4
2422,38 3073 3150,2 2570,6 2810,2
2410,37 3065 3120,2 2514,5 2703,2
2366,18 3015,22 3072,46 2437,74 2636,7
2262,37 2954,38 2957,95 2365,39 2586,66
(23)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
32
t-19 t-18 t-17 t-16 t-15
01/01/2009 09/02/2009 21/05/2009 20/07/2009 17/08/2009
1777,1 2160,1 2603,4 2308,8 2027
1836,11 2233,1 2781,3 2484,9 2270,8
2081,51 2427,4 3007,9 2853,7 2580,4
2267,15 2595,7 3063,8 2961,7 2698,6
2315,7 2620,7 3072,8 2979,1 2719,6
2318,51 2658,7 3084,9 2880,1 2709,6
2309,25 2638 3063 2956,1 2661,6
2226,4 2608,9 3038 2939,7 2637,6
2158,8 2521,8 2967,1 2874,7 2559,6
2078,1 2445 2846,2 2780,7 2467,6
2014,6 2366,7 2708,3 2678,7 2401,6
t-14 t-13 t-12 t-11 t-10
01/01/2010 14/02/2010 16/03/2010 13/05/2010 28/05/2010
2034,28 2441 2692,3 3018,9 2779,9
2165,28 2489 2848,3 3225,9 2992,9
2355,16 2587 3010,3 3275,9 3254,9
2561,16 2836 3139,3 3302,9 3267,9
2609,16 2919 3165,3 3324,9 3279,4
2596,16 2891 3203,3 3300,9 3286,4
2599,16 2892 3150,3 3286,9 3247,4
2527,16 2865 3122,3 3240,9 3184,9
2475,16 2777 3036,3 3177,9 3112,9
2352,16 2681 2921,3 3098,9 3009,9
2302,28 2568 2833,3 3018,9 2919,9
t-9 t-8 t-7 t-6 t-5
17/05/2011 02/06/2011 03/06/2011 17/08/2011 25/12/2011
2885,60 2851,25 3171,40 2610,67 2849,70
3097,60 3018,25 3266,40 2781,67 2917,70
3445,60 3419,25 3637,40 3096,67 3078,70
3472,60 3437,25 3643,40 3146,67 3273,70
3455,60 3487,25 3604,40 3132,67 3292,70
3483,60 3468,25 3663,40 3172,67 3236,70
3474,60 3414,25 3614,40 3173,87 3197,70
3373,60 3394,25 3570,40 3204,05 3231,70
3312,60 3326,25 3547,40 3185,05 3166,70
(24)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
33
3168,10 3052,25 3319,40 3019,05 2933,70
t-4 t-3 t-2 t-1 t-0
01/01/2012 23/01/2012 05/02/2012 23/03/2012 06/04/2012
2383,2 2786,52 2987,61 3390,93 3568,5
2493,2 2863,2 3090,61 3481,94 3658,5
2711,2 3072,55 3212,61 3594,96 3798,06
2954,2 3276,55 3425,61 3831,73 3841,46
2994,2 3307,55 3461,61 3840,66 3870,57
2988,2 3286,55 3497,61 3835,1 3770,46
2932,2 3255,55 3492,61 3818,27 3722,57
2954,2 3298,55 3429,61 3787,27 3693,32
2846,2 3186,55 3417,61 3721,27 3616,07
2756,2 3106,55 3315,61 3683,59 3534,05
2744,2 2993,55 3263,61 3632,09 3448,44
3.2 Model Algoritma Hybrid Particle Swarm Optimization-Backpropagation (HPSO-BP)
Algoritma Hybrid Particle Swarm Optimization-Backpropagation (HPSO-BP) adalah sebuah algoritma gabungan antara algoritma PSO dan BP. Algoritma PSO adalah algoritma yang memiliki kemampuan yang baik untuk menemukan nilai optimal global namun lemah dalam menemukan nilai optimal lokal, berbeda dengan algoritma PSO, algoritma BP memiliki kemampuan untuk menemukan nilai optimal lokal namun lemah dalam mencari nilai optimal global. Pada algoritma HPSO-BP ini, kelebihan masing-masing algoritma tersebut dikombinasikan dengan tujuan agar algoritma HPSO-BP dapat menemukan solusi yang lebih optimal. PSO digunakan untuk mempercepat pelatihan dalam mencari nilai optimal lokal karena kelebihannya mencari nilai optimal global dengan memanfaatkan fungsi fitness yang tidak berubah dalam iterasi yang telah ditetapkan atau nilai fitness berubah dengan nilai yang lebih kecil dari nilai yang telah didapatkan. Kemudian hasil yang didapat dari output PSO tersebut dimasukan sebagai input untuk algoritma BP agar mendapatkan hasil yang optimal.
(25)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
34 Berikut adalah diagram alir dari algoritma HPSO-BP
(26)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
35
START
Pengelompokan Data Beban Puncak Harian
Normalisasi Data Beban Penentuan Jumlah Neuron Pada Hidden Layer Feedforward ANN
Inisialisasi Posisi dan Kecepatan Partikel, Jumlah Partikel, Batas Atas dan Batas Bawah Ruang
Pencarian dan Batas Iterasi
Kecepatan > Vmax ? Feedforward ANN dengan PSO
Fungsi Objektif Untuk Mendapatkan Fitness Awal (MAPE)
Pembaruan Kecepatan Partikel oleh PSO Penentuan Pbest dan
Gbest Awal
Posisi = Posisi (Weight dan Bias) Posisi = Xmax - Rand
Kecepatan = Vmax – Rand
Posisi > Xmax ? Kecepatan < Vmin ?
Kecepatan = Vmin + Rand
Posisi < Xmin ?
Posisi = Xmin + Rand
A C B YA TIDAK YA YA YA TIDAK TIDAK TIDAK A
Fungsi Objektif Setelah Update Posisi dan Kecepatan Partikel
Fitness < Pbest ?
Gbest Tidak Berubah Dalam n
Iterasi ?
Max_Epoch ? Fitness < Gbest ? Set Sebagai
Pbest Baru
Set Sebagai Gbest Baru
Simpan Weight dan Bias
Iter = Iter_PSO
Inisialisasi Max_Epoch = Iterasi = Iter_PSO dan Akurasi
Feedforward ANN dengan Weight dan Bias
Hitung Error (MAPE)
Perbaiki Weight dan Bias
Backpropagation
Simpan Weight dan Bias
Denormalisasi Data
Hitung MAPE Pelatihan
MAPE Pelatihan Minimum ? STOP C B YA YA YA YA TIDAK TIDAK TIDAK TIDAK TIDAK YA
(27)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
36 Gambar 3.1 Diagram alir HPSO-BP
Diagram alir tersebut dapat dijelaskan sebagai berikut:
1. Mengklaster data beban puncak harian berdasarkan tipe hari, kemudian data-data beban tersebut dinormalisasi.
2. Menentukan jenis arsitektur BP dan menentukan jumlah neuron pada
hidden layer.
3. Inisialiasi bobot dan bias awal secara random antara 0 sampai dengan 1. 4. Menyebarkan data pada input layer menuju hidden layer dengan
mengalikan setiap data pada unit neuron input layer dengan bobot yang menghubungkan antar neuron, hasil perkalian tersebut dijumlahkan lalu ditambahkan dengan biasnya.
5. Masing-masing sinyal diaktifkan dengan fungsi aktifasi sigmoid.
6. Sinyal yang telah diaktifkan dikirim menuju output layer dengan cara mengalikan sinyal pada hidden layer dengan bobot yang menghubungkan antar neuron ke output layer. Hasil perkalian tersebut dijumlahkan lalu ditambahkan dengan biasnya.
7. Neuron pada ouput layer diaktifkan agar mendapatkan hasil keluaran pada tahap ini.
(28)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
37 8. Inisialisasi posisi dan kecepatan awal partikel, jumlah partikel, batas atas
dan batas bawah ruang pencarian dan jumlah iterasi yang digunakan. 9. Posisi dan kecepatan awal partikel ditentukan secara random dengan
range antara 0 sampai dengan 1. Posisi adalah bobot dan biasnya,
sementara kecepatan adalah nilai yang mempengaruhi perubahan posisi pada setiap iterasi.
10.Jumlah partikel yang disebar adalah 50 partikel.
11.Batas atas dan batas bawah posisi dan kecepatan partikel berada pada
range -100 sampai dengan 100.
12.Jumlah iterasi yang digunakan pada PSO adalah 10000 iterasi.
13.Melakukan feedforward ANN dengan optimasi PSO kemudian membandingkannya dengan data target untuk memperoleh fitness (fungsi pembangkit) dari fungsi objektifnya. Nilai fitness diperoleh dari MAPE-nya.
14.Evaluasi nilai fitness pada setiap partikel dengan menentukan Pbest dan Gbest pada awal iterasi.
15.Perbaharui posisi dan kecepatan partikel dengan tetap mempertimbangkan batas atas dan batas bawah. Pembaruan dimodifikasi dengan random time
varying inertia bobot aceleration coeficient.
16.Hitung kembali nilai fitness untuk mencari partikel terbaik berdasarkan Pbest dan Gbest setelah diperbaharui posisi dan kecepatannya.
17.Menentukan Pbest dan Gbest setelah pembaharuan posisi dan kecepatan. 18.Simpan bobot dan bias dari hasil Pbest dan Gbest.
19.Optimasi PSO hingga nilai Gbest tidak berubah pada iterasi yang ditentukan. Kemudian algoritma dialihkan ke BP.
20.Lakukan langkah 15-17 hingga maksimum iterasi tercapai atau Gbest tidak berubah.
(29)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
38 21.Inisialisasi parameter pada algoritma BP dengan menggunakan bobot dan bias yang diperoleh dari PSO. Parameter learning rate (α) adalah 0,1. Nilai maksimum epoch adalah 10000.
22.Hitung nilai fungsi objektif pada setiap epoch hingga akhir iterasi untuk mengetahui error rata-rata.
23.Perbaiki nilai bobot dan bias.
24.Ulangi langkah 22-23 hingga nilai maksimum iterasi tercapai. 25.Denormalisasi hasil keluaran.
26.Hitung MAPE dari hasil keluaran yang telah didenormalisasi.
3.3 Penyusunan Model Matematis
Error (kesalahan) yang diperoleh metoda HPSO-BP diolah untuk
menentukan estimasi. Dengan hasil estimasi HPSO-BP ini, maka akan diperoleh formula untuk menentukan data selanjutnya. Pendekatan yang digunakan dalam menentukan model matematis dari estimasi HPSO-BP, yaitu dengan menggunakan perhitungan matriks Gauss-Jordan Elimination.
x =
. . . . . .
. . . . . .
Keterangan:
(30)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
39 setiap minggu.
X21;X22;X23;X24; X25 = Koefisien model beban listrik pukul 17.30 dan
setiap minggu.
X31;X32;X33;X34; X35 = Koefisien model beban listrik pukul 18.00 dan
setiap minggu.
X11 1 X11 2 X11 3 X11 4 X11 5 = Koefisien model beban listrik pukul ke-n dan
setiap minggu.
α1; α2; α3; α4; α5 = Koefisien model yang akan dicari.
Y1;Y2;Y3;…;Y11 = Koefisien target pada pukul 17.00 s/d 22.00.
Untuk menghitung matriks diatas digunakan kembali software Matlab, dikarenakan memiliki ukuran matrix yang berbeda maka diberikan perintah inv, agar matriks dapat dihitung, dengan script sebagai berikut :
x = … %titik-titik diisi dengan input data perharinya;
y = … %titik-titik diisi dengan data hasil peramalan;
a = inv (x'*x)*(x'*y); a1 = a(1,:)
a2 = a(2,:) a3 = a(3,:) a4 = a(4,:) a5 = a(5,:)
Maka akan mendapatkan model matematis
y = a1x1 + a2x2 + a3x3 + a4x4 + a5x5
Dimana : y = Target hasil HPSO-BP
a = Koefisien
(31)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
56 BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Pola beban puncak harian pada hari kerja, libur akhir pekan, dan libur nasional cuti bersama, menghasilkan bentuk kurva pada setiap data yang cenderung memiliki karakteristik yang hampir sama. Sehingga dapat dijadikan alasan utama penggunaan algoritma HPSO-BP yang memiliki kemampuan yang handal dalam hal pengenalan pola (pattern recognition). 2. Pembuatan Model algoritma HPSO-BP didasarkan pada konsep
kecerdasan buatan (Artificial Intelegent), yaitu gabungan antara metode PSO (Particle Swarm Optimization) dan BP (BackPropagation) yang memiliki kemampuan dalam mencari solusi yang optimal. Sehingga dalam memprakirakan beban puncak harian untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama, berdasarkan data input beban yang digunakan dapat menghasilkan prakiraan yang optimal pula.
3. Dari hasil simulasi dapat disimpulkan bahwa tingkat akurasi prediksi HPSO-BP pada beban puncak harian berdasarkan tiga tipe hari, yaitu hari kerja, libur akhir pekan, dan libur nasional cuti bersama memberikan tingkat akurasi yang lebih baik daripada RBS-PLN dan algoritma
backpropagation. Terbukti dari nilai rata-rata MAPE yang dihasilkan oleh
HPSO-BP memiliki error prediksi yang kecil dan stabil, tidak melebihi angka 2%.
4. Dari hasil eksperimen optimasi yang dilakukan terhadap parameter
backpropagation dan parameter particle swarm optimization dapat
(32)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
57 jumlah partikel PSO, dan jumlah hidden layer tidak memberikan kontribusi yang signifikan terhadap perbaikan hasil prediksinya, bahkan nilai rata-rata error yang diperoleh memiliki selisih yang tidak begitu jauh. 5.2 Saran
1. Mengingat pentingnya studi mengenai prediksi beban listrik, maka terhadap dunia pendidikan khususnya bagi pihak yang berkonsentrasi dalam bidang ketenagalistrikan, diharapkan dapat mengembangkan studi ini lebih jauh lagi baik dalam bentuk mata kuliah maupun dalam bentuk materi pengayaan.
2. Bagi dunia ketenagalistrikan dalam hal ini PLN, penulis menyarankan untuk mengkaji ulang mengenai metoda Hybrid Swarm Particle Artificial
Neural Network untuk prediksi beban listrik jangka pendek berdasarkan
kluster tiga tipe hari, dan menjadikan HPSO-BP sebagai salah satu alternatif metoda prakiraan beban yang digunakan oleh PLN.
3. Untuk penelitian lanjutan, model matematis yang didapatkan dari hasil penelitian ini dapat direalisasikan dalam bentuk perangkat lunak yang user
(33)
58 DAFTAR PUSTAKA
Abdullah, A.G., Suranegara, G.M., Hakim, D.L. (2013). “Metode Hibrid PSO
-JST untuk Peningkatan Akurasi Prediksi Beban Listrik Jangka Pendek”. Forum Pendidikan Tinggi Teknik Elektro Indonesia (FORTEI).
Behera, R., Panigrahi B., P., Pati, B., B., 2011, A Hybrid Short Term Load Forecasting Model of an Indian Grid, Energy and Power Engineering, p190-193, doi:10.4236/epe.2011.32024.
Annamareddi, S., Gopinathan, S., and Dora, Bharathi. (2013). “A Simple Hybrid
for Short-Term Load Forecasting”. Hindawi Publishing Corporation Journal of Engineering. Vol 2013.
Arora Siddharth., Taylor, J.W. (2013). “Short-Term Forecasting of Anomalous Load using Rule-Based Triple Seasonal Methods”. IEEE Transactions on Power Systems, Forthcoming.
Chaturvedi, D.K., Premdayal, S.A., and Chandiok A. (2013). “Short Term Load Forecasting using Neuro-Fuzzy-Wavelet Approach”. International Journal of Computing Academic Research (IJCAR). Vol 2, (1), 36-48.
Hermaen, Undang. (2013). Peramalan Beban Jangka Pendek Khusus Hari Libur
Berbasis Jaringan Syaraf Tiruan dengan Algoritma Backpropagation. Skripsi
Sarjana Teknik Elektro pada FPTK UPI Bandung: tidak diterbitkan.
Jain, A., Jain M., B, 2013, Fuzzy Modeling and Similarity based Short Term Load Forecasting using Swarm Intelligence-A step towards Smart Grid, Proceedings of Seventh International Conference on Bio-Inspired Computing: Theories and Applications (BIC-TA 2012), Advances in Intelligent Systems and Computing 202, p15-27, DOI: 10.1007/978-81-322-1041-2_2,Springer India.
Kashani, Z., S., A Multi Adaptive Neuro Fuzzy Inference System for Short Term Load Forecasting by Using Previous Day Features, Fuzzy Inference System - Theory and Applications, InTech Publisher, Croatia.
Kuswadi, Son. (2007). Kendali Cerdas Teori dan Aplikasi Praktisnya. Yogyakarta: Andi.
(34)
59
Paaso, E.A., Liao, Yuan. (2013). “Development of New Algorithms for Power
System Short-Term Load Forecasting”. International Journal of Computer and Information Technology. Vol 02, Issue 02, 201-209.
Pandjaitan, L.W. (2007). Dasar-Dasar Komputasi Cerdas. Yogyakarta: Andi.
Peranginangin, Anwar. (2012). Optimasi Influence Range Algoritma Fuzzy
Subtractive Clustering untuk Peramalan Beban Dasar dan Beban Puncak Harian.
Skripsi Sarjana Teknik Elektro pada FPTK UPI Bandung: tidak diterbitkan.
Quaiyum, S., Khan, Y.I., Rahman, S., Barman, P. (2011). “Artificial Neural
Network Based Short-Term Load Forecasting of Power System”. International Journal of Computer Applications. Vol 30, (4), 1-5.
Retana, Andri Mardian. (2010). Studi Model Prakiraan Beban Listrik Harian
Menggunakan Metode Moving Average dan Metode Backpropagation. Seminar
Tugas Akhir pada FPTK UPI Bandung: tidak diterbitkan.
Sari, Artika Dinar. (2006). “Peramalan Kebutuhan Beban Jangka Pendek
Menggunakan Jaringan Syaraf Tiruan Backpropagation”. Makalah Seminar Tugas
Akhir. Semarang: Universitas Diponegoro.
Siang, Jong Jek. (2005). Jaringan Syaraf Tiruan & Pemrogramannya
Menggunakan MATLAB. Yogyakarta: Andi.
Shayegi, H., Shayanfar, H.A., Azimi, G. (2010). “A Hybrid Particle Swarm Optimization Backpropagation Algorithm for Short Term Load Forecasting”. International Journal on Technicial and Physical Problems of Engineering (IJTPE). Vol 2, Issue 4, 12-22.
Stroud, K.A. (1987). Matematika Untuk Teknik Edisi Ketiga. Jakarta: Erlangga.
Sudjana. (2005). Metoda Statistika. Bandung: Tarsito.
Syafii., Noveri, Edyan. (2013). “Studi Peralaman (Forecasting) Kurva Beban
Harian Listrik Jangka Pendek Menggunakan Metode Autoregressive Integrated
Moving Average (ARIMA)”. Jurnal Nasional Teknik Elektro. Vol 2, (1), 65-73.
Widiarsono, Teguh. (2005). Tutorial Praktis Belajar MATLAB. Ebook: tidak diterbitkan.
(35)
60 Widyapratiwi, L.K., Mertasa, I.P.A., Arjana, I.G.D. (2012). “Peramalan Beban Listrik Jangka Pendek di Bali Menggunakan Pendekatan Adaptive Neuro-Fuzzy
Inference System (ANFIS)”. Jurnal Teknik Elektro. Vol 11, (1), 50-55.
Zeng M., Xue S., Wang Z., Zhu X., Zhang G. (2013). “Short-Term Load Forecasting of Smart Grid Systems by Combination of General Regression Neural Network and Least Squares-Support Vector Machine Algorithm Optimized by Harmony Search Algorithm Method”. Applied Mathematics & Information
Sciences An International Journal. Vol 7, (11), 291-298.
(1)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
39 setiap minggu.
X21;X22;X23;X24; X25 = Koefisien model beban listrik pukul 17.30 dan
setiap minggu.
X31;X32;X33;X34; X35 = Koefisien model beban listrik pukul 18.00 dan
setiap minggu.
X11 1 X11 2 X11 3 X11 4 X11 5 = Koefisien model beban listrik pukul ke-n dan
setiap minggu.
α1; α2; α3; α4; α5 = Koefisien model yang akan dicari.
Y1;Y2;Y3;…;Y11 = Koefisien target pada pukul 17.00 s/d 22.00.
Untuk menghitung matriks diatas digunakan kembali software Matlab, dikarenakan memiliki ukuran matrix yang berbeda maka diberikan perintah inv, agar matriks dapat dihitung, dengan script sebagai berikut :
x = … %titik-titik diisi dengan input data perharinya;
y = … %titik-titik diisi dengan data hasil peramalan; a = inv (x'*x)*(x'*y);
a1 = a(1,:) a2 = a(2,:) a3 = a(3,:) a4 = a(4,:) a5 = a(5,:)
Maka akan mendapatkan model matematis
y = a1x1 + a2x2 + a3x3 + a4x4 + a5x5
Dimana : y = Target hasil HPSO-BP
a = Koefisien
(2)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
56
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Pola beban puncak harian pada hari kerja, libur akhir pekan, dan libur nasional cuti bersama, menghasilkan bentuk kurva pada setiap data yang cenderung memiliki karakteristik yang hampir sama. Sehingga dapat dijadikan alasan utama penggunaan algoritma HPSO-BP yang memiliki kemampuan yang handal dalam hal pengenalan pola (pattern recognition). 2. Pembuatan Model algoritma HPSO-BP didasarkan pada konsep
kecerdasan buatan (Artificial Intelegent), yaitu gabungan antara metode PSO (Particle Swarm Optimization) dan BP (BackPropagation) yang memiliki kemampuan dalam mencari solusi yang optimal. Sehingga dalam memprakirakan beban puncak harian untuk hari kerja, hari libur akhir pekan, dan hari libur nasional cuti bersama, berdasarkan data input beban yang digunakan dapat menghasilkan prakiraan yang optimal pula.
3. Dari hasil simulasi dapat disimpulkan bahwa tingkat akurasi prediksi HPSO-BP pada beban puncak harian berdasarkan tiga tipe hari, yaitu hari kerja, libur akhir pekan, dan libur nasional cuti bersama memberikan tingkat akurasi yang lebih baik daripada RBS-PLN dan algoritma
backpropagation. Terbukti dari nilai rata-rata MAPE yang dihasilkan oleh
HPSO-BP memiliki error prediksi yang kecil dan stabil, tidak melebihi angka 2%.
4. Dari hasil eksperimen optimasi yang dilakukan terhadap parameter
backpropagation dan parameter particle swarm optimization dapat
(3)
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
57 jumlah partikel PSO, dan jumlah hidden layer tidak memberikan kontribusi yang signifikan terhadap perbaikan hasil prediksinya, bahkan nilai rata-rata error yang diperoleh memiliki selisih yang tidak begitu jauh.
5.2 Saran
1. Mengingat pentingnya studi mengenai prediksi beban listrik, maka terhadap dunia pendidikan khususnya bagi pihak yang berkonsentrasi dalam bidang ketenagalistrikan, diharapkan dapat mengembangkan studi ini lebih jauh lagi baik dalam bentuk mata kuliah maupun dalam bentuk materi pengayaan.
2. Bagi dunia ketenagalistrikan dalam hal ini PLN, penulis menyarankan untuk mengkaji ulang mengenai metoda Hybrid Swarm Particle Artificial
Neural Network untuk prediksi beban listrik jangka pendek berdasarkan
kluster tiga tipe hari, dan menjadikan HPSO-BP sebagai salah satu alternatif metoda prakiraan beban yang digunakan oleh PLN.
3. Untuk penelitian lanjutan, model matematis yang didapatkan dari hasil penelitian ini dapat direalisasikan dalam bentuk perangkat lunak yang user
(4)
58
DAFTAR PUSTAKA
Abdullah, A.G., Suranegara, G.M., Hakim, D.L. (2013). “Metode Hibrid PSO
-JST untuk Peningkatan Akurasi Prediksi Beban Listrik Jangka Pendek”. Forum
Pendidikan Tinggi Teknik Elektro Indonesia (FORTEI).
Behera, R., Panigrahi B., P., Pati, B., B., 2011, A Hybrid Short Term Load Forecasting Model of an Indian Grid, Energy and Power Engineering, p190-193, doi:10.4236/epe.2011.32024.
Annamareddi, S., Gopinathan, S., and Dora, Bharathi. (2013). “A Simple Hybrid for Short-Term Load Forecasting”. Hindawi Publishing Corporation Journal of Engineering. Vol 2013.
Arora Siddharth., Taylor, J.W. (2013). “Short-Term Forecasting of Anomalous
Load using Rule-Based Triple Seasonal Methods”. IEEE Transactions on Power Systems, Forthcoming.
Chaturvedi, D.K., Premdayal, S.A., and Chandiok A. (2013). “Short Term Load Forecasting using Neuro-Fuzzy-Wavelet Approach”. International Journal of Computing Academic Research (IJCAR). Vol 2, (1), 36-48.
Hermaen, Undang. (2013). Peramalan Beban Jangka Pendek Khusus Hari Libur
Berbasis Jaringan Syaraf Tiruan dengan Algoritma Backpropagation. Skripsi
Sarjana Teknik Elektro pada FPTK UPI Bandung: tidak diterbitkan.
Jain, A., Jain M., B, 2013, Fuzzy Modeling and Similarity based Short Term Load Forecasting using Swarm Intelligence-A step towards Smart Grid, Proceedings of Seventh International Conference on Bio-Inspired Computing: Theories and Applications (BIC-TA 2012), Advances in Intelligent Systems and Computing 202, p15-27, DOI: 10.1007/978-81-322-1041-2_2,Springer India. Kashani, Z., S., A Multi Adaptive Neuro Fuzzy Inference System for Short Term Load Forecasting by Using Previous Day Features, Fuzzy Inference System - Theory and Applications, InTech Publisher, Croatia.
Kuswadi, Son. (2007). Kendali Cerdas Teori dan Aplikasi Praktisnya. Yogyakarta: Andi.
(5)
59 Paaso, E.A., Liao, Yuan. (2013). “Development of New Algorithms for Power System Short-Term Load Forecasting”. International Journal of Computer and Information Technology. Vol 02, Issue 02, 201-209.
Pandjaitan, L.W. (2007). Dasar-Dasar Komputasi Cerdas. Yogyakarta: Andi. Peranginangin, Anwar. (2012). Optimasi Influence Range Algoritma Fuzzy
Subtractive Clustering untuk Peramalan Beban Dasar dan Beban Puncak Harian.
Skripsi Sarjana Teknik Elektro pada FPTK UPI Bandung: tidak diterbitkan. Quaiyum, S., Khan, Y.I., Rahman, S., Barman, P. (2011). “Artificial Neural Network Based Short-Term Load Forecasting of Power System”. International Journal of Computer Applications. Vol 30, (4), 1-5.
Retana, Andri Mardian. (2010). Studi Model Prakiraan Beban Listrik Harian
Menggunakan Metode Moving Average dan Metode Backpropagation. Seminar
Tugas Akhir pada FPTK UPI Bandung: tidak diterbitkan.
Sari, Artika Dinar. (2006). “Peramalan Kebutuhan Beban Jangka Pendek
Menggunakan Jaringan Syaraf Tiruan Backpropagation”. Makalah Seminar Tugas
Akhir. Semarang: Universitas Diponegoro.
Siang, Jong Jek. (2005). Jaringan Syaraf Tiruan & Pemrogramannya
Menggunakan MATLAB. Yogyakarta: Andi.
Shayegi, H., Shayanfar, H.A., Azimi, G. (2010). “A Hybrid Particle Swarm Optimization Backpropagation Algorithm for Short Term Load Forecasting”.
International Journal on Technicial and Physical Problems of Engineering (IJTPE). Vol 2, Issue 4, 12-22.
Stroud, K.A. (1987). Matematika Untuk Teknik Edisi Ketiga. Jakarta: Erlangga. Sudjana. (2005). Metoda Statistika. Bandung: Tarsito.
Syafii., Noveri, Edyan. (2013). “Studi Peralaman (Forecasting) Kurva Beban Harian Listrik Jangka Pendek Menggunakan Metode Autoregressive Integrated
Moving Average (ARIMA)”. Jurnal Nasional Teknik Elektro. Vol 2, (1), 65-73.
Widiarsono, Teguh. (2005). Tutorial Praktis Belajar MATLAB. Ebook: tidak diterbitkan.
(6)
60 Widyapratiwi, L.K., Mertasa, I.P.A., Arjana, I.G.D. (2012). “Peramalan Beban Listrik Jangka Pendek di Bali Menggunakan Pendekatan Adaptive Neuro-Fuzzy
Inference System (ANFIS)”. Jurnal Teknik Elektro. Vol 11, (1), 50-55.
Zeng M., Xue S., Wang Z., Zhu X., Zhang G. (2013). “Short-Term Load
Forecasting of Smart Grid Systems by Combination of General Regression Neural Network and Least Squares-Support Vector Machine Algorithm Optimized by Harmony Search Algorithm Method”. Applied Mathematics & Information
Sciences An International Journal. Vol 7, (11), 291-298.