SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE.
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID
BACK PROPAGATION-SWARM PARTICLE SKRIPSI
Diajukan Untuk Memenuhi Sebagian Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Elektro
Oleh : Sopian Al Rasyid
E.5051.1103058
PROGRAM STUDI S1 TEKNIK ELEKTRO DEPARTEMEN PENDIDIKAN TEKNIK ELEKTRO FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN
UNIVERSITAS PENDIDIKAN INDONESIA 2015
(2)
Short Term Load Forecasting
untuk hari
libur pada kondisi beban
anomali
menggunakan Algoritma
Hybrid Back
Propagation
–
Swarm Particle
Oleh Sopian Al Rasyid
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Teknologi dan Kejuruan
© Sopian Al Rasyid 2015 Universitas Pendidikan Indonesia
(3)
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
(4)
ABSTRAK
Keakuratan prediksi beban listrik akan berdampak pada biaya pembangkitan yang lebih ekonomis. Penggunaan energi listrik pada hari libur nasional, menunjukkan pola beban yang cenderung tidak identik, pola ini berbeda dari pola beban pada hari normal. Hal tersebut kemudian didefinisikan sebagai beban listrik anomali. Dalam skripsi ini, metode hybrid ANN-Swarm Particel bertujuan untuk memperbaiki akurasi dari prediksi beban listrik anomali yang seringkali terjadi pada hari libur nasional. Metode tersebut digunakan untuk memprediksikan kebutuhan listrik per-setengah jam untuk sistem kelistrikan dalam transmisi listrik nasional di indonesia khsusnya Region Jawa Barat. Penelitian dilakukan dengan cara menguji berbagai nilai learning rate dan input data pembelajaran. Hasil prediksi dari metode ini akan dibandingkan dengan data sesungguhnya yang didapat dari PT.PLN. Hasil penelitian ini menunjukkan bahwa metode tersebut sangatlah efektif untuk memprediksi beban listrik jangka pendek dalam kondisi beban anomali. Hybrid ANN-Swarm Particle cukup sederhana dan mudah sebagai sebuah perangkat analisis para engineer.
Kata kunci : Prediksi beban listrik jangka pendek, beban anomali, Jaringan Syaraf Tiruan, Swarm Particle.
ABSTRACT
Load forecast accuracy will have an impact on the generation cost is more economical.The use of electrical energy by consumers on holiday, show the tendency of the load patterns are not identical, it is different from the pattern of the load on a normal day. It is then defined as a anomalous load. In this paper, the method of hybrid ANN-Swarm Particle proposed to improve the accuracy of anomalous load forecasting that often occur on holidays. The proposed methodology has been used to forecast the half-hourly electricity demand for power systems in the Indonesia National Electricity Market in West Java region. Experiments were conducted by testing various of learning rate and learning data input. Performance of this methodology will be validated with real data from the national of electricity company. The result of observations show that the proposed formula is very effective to short-term load forecasting in the case of anomalous load. Hybrid ANN-Swarm Particle relatively simple and easy as a analysis tool by engineers.
Keywords : Short term load forecasting, anomalous load, Artificial Neural Network, Swarm Particle.
(5)
iv
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR ISI
UCAPAN TERIMA KASIH ...i
ABSTRAK ...iii
DAFTAR ISI ... iv
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vii
DAFTAR LAMPIRAN ... viii
BAB I PENDAHULUAN ... Error! Bookmark not defined. 1.1 Latar belakang penelitian ... Error! Bookmark not defined. 1.2 Rumusan masalah penelitian ... Error! Bookmark not defined. 1.3 Tujuan penelitian ... Error! Bookmark not defined. 1.4 Manfaat penelitian ... Error! Bookmark not defined. 1.5 Struktur organisasi skripsi ... Error! Bookmark not defined.
BAB II KAJIAN PUSTAKA ... Error! Bookmark not defined. 2.1 Prediksi beban listrik anomali jangka pendek ... Error! Bookmark not defined.
2.2 Jaringan Syaraf Tiruan ... Error! Bookmark not defined. 2.2.1 Back Propagation... Error! Bookmark not defined. 2.2.2 Algoritma Back Propagation ... Error! Bookmark not defined. 2.3 Particle Swarm Optimization ... Error! Bookmark not defined. 2.3.1 Algoritma Particle Swarm Optimization ... Error! Bookmark not defined.
(6)
v
2.4 Hybrid Back Propagation – Particle Swarm Optimization ... Error! Bookmark not defined.
2.5 Penelitian terkait ... Error! Bookmark not defined.
BAB III METODE PENELITIAN... Error! Bookmark not defined. 3.1 Sumber data ... Error! Bookmark not defined. 3.2 Perangkat penunjang Penelitian ... Error! Bookmark not defined. 3.3 Prosedur Penelitian ... Error! Bookmark not defined.
BAB IV TEMUAN DAN PEMBAHASAN ... Error! Bookmark not defined. 4.1 Karakteristik beban listrik hari libur nasional ... Error! Bookmark not defined.
4.2 Algoritma hybrid Back propagation – Swarm particle dalam prediksi beban listrik jangka pendek ... Error! Bookmark not defined. 4.3 Optimasi hasil prediksi melalui parameter – parameter pembelajaran Back propagation-Swarm particle ... Error! Bookmark not defined.
BAB V KESIMPULAN DAN REKOMENDASI Error! Bookmark not defined. 5.1 Kesimpulan ... Error! Bookmark not defined. 5.2 Rekomendasi ... Error! Bookmark not defined.
DAFTAR PUSTAKA ... Error! Bookmark not defined. LAMPIRAN - LAMPIRAN ... Error! Bookmark not defined.4
(7)
vi
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
(8)
DAFTAR TABEL
Tabel 3.1. Nomor SK Menpan tentang hari libur nasional dan cuti bersama tahun 2008 – 2015. ... Error! Bookmark not defined. Tabel 4.1. Beban listrik rata- rata hari libur nasional tahun 2008 – 2015 ... Error! Bookmark not defined.
Tabel 4.2. Hasil pengujian efisiensi iterasi 139 data input .. Error! Bookmark not defined.
Tabel 4.3. Hasil pengujian efisiensi iterasi 10 data input .... Error! Bookmark not defined.
Tabel 4.4. Hasil pengujian efisiensi iterasi 50 data input .... Error! Bookmark not defined.
Tabel 4.5. Hasil pengujian jumlah node input ... Error! Bookmark not defined. Tabel 4.6. Hasil pengujian hidden layer ... Error! Bookmark not defined. Tabel 4.7. Hasil pengujian learning rate ... Error! Bookmark not defined. Tabel 4.8. Pengujian iterasi dengan parameter teroptimasi . Error! Bookmark not defined.
(9)
vii Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR GAMBAR
Gambar 2.1. Arsitektur Back Propagation ... Error! Bookmark not defined. Gambar 3.1. Flowchart algoritma hybrid Back Propagation – Swarm Particle
... Error! Bookmark not defined. Gambar 4.1. Kurva pola beban listrik hari libur nasional tahun 2008 sampai dengan tahun 2015 ... Error! Bookmark not defined.
Gambar 4.2. Kurva pola beban listrik hari kerja dan hari libur nasional dengan 5 sampel hari ditahun 2015. ... Error! Bookmark not defined.
Gambar 4.3. Kurva hasil prediksi terhadap target.. Error! Bookmark not defined. Gambar 4.4. kurva hasil prediksi (optimasi) terhadap kurva target ... Error! Bookmark not defined.
(10)
DAFTAR LAMPIRAN
Lampiran 1. Data beban hari libur nasional tahun 2008 sampai mei 2015
dengan t0 sebagai target ... 35 Lampiran 2. Hasil akurasi prediksi Hybrid Back propagation – Swarm
particle arsitektur awal ... 36 Lampiran 3. Penghematan daya dan finansial yang dihasilkan prediksi awal ... 37 Lampiran 4. Hasil akurasi prediksi Hybrid Back propagation – Swarm
particle yang telah dioptimasi ... 38 Lampiran 5. Penghematan daya dan finansial yang dihasilkan prediksi
(optimasi) ... 39 Lampiran 6. Program Matlab Hybrid Back Propagation – Swarm Particle... 40 Lampiran 7. Data beban konsumen Region 2 Jawa Barat PT.PLN APB
Cigereleng ... 48 Lampiran lainnya ... 49
(11)
1
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB I
1 PENDAHULUAN
1.1 Latar belakang penelitian
Short Term Load Forecasting atau Prediksi beban listrik jangka pendek merupakan satu dari tiga jenis prediksi beban yang berperan dalam penyelesaian permasalahan dalam sistem tenaga. Secara definitif prediksi beban jangka pendek merupakan suatu proses pencarian nilai beban listrik pada waktu yang akan datang dengan rentang waktu beban listrik yang diprediksikan berkisar setengah jam dan satu jam untuk prediksi satu hari penuh.
Tujuan utama dalam prediksi beban listrik jangka pendek ialah mendapatkan hasil prediksi yang akurat, oleh karena itu untuk mendapatkan hasil dengan akurasi yang tinggi dikembangkanlah berbagai macam metode yang menunjang proses prediksi tersebut. Pada awal perkembangannya, metode yang sering digunakan oleh forecaster ialah metode – metode konvensional, seperti
automatic regressive moving average, exponential smoothing models, stochastic process, linear regression models dan lain sebagainya (Fan et al., 2012).
Metode – metode konvensional memiliki keterbatasan dalam memproses data masukan yang tidak akurat ataupun tidak lengkap sehingga menghasilkan prediksi yang kurang baik. Saat ini metode – metode yang digunakan oleh
forecaster bukan lagi metode konvensional akan tetapi mengarah pada soft computing yang berbasis kecerdasan buatan, seperti fuzzy logic, sistem pakar, jaringan syaraf tiruan dan lain sebagainya (Paparoditis & Sapatinas, 2013).
Saat ini metode yang sering digunakan dalam prediksi beban listrik jangka pendek salah satunya ialah jaringan syaraf tiruan dengan algoritma Back Propagation. Kelebihan algoritma ini ialah pada proses pembelajarannya, dimana
error yang didapatkan pada tiap iterasi akan dirambat balik sebagai feed back
yang kemudian dibelajarkan sehingga terjadi perbaikan akurasi hasil (melalui perbaikan bobot dan bias) pada iterasi selanjutnya (Reddy et al, 2014).
(12)
2
Untuk meningkatkan akurasi pengenalan pola yang dihasilkan Back Propagation, maka ditambahkan algoritma lain yang memiliki keunggulan dalam optimasi, yakni Particle Swarm Optimization. Penggabungan (Hybrid) dua algoritma ini menjadi kombinasi yang optimal untuk proses prediksi. Dari latar belakang tersebut maka penulis mengangkat permasalahan kedalam penelitian skripsi yang berjudul “Short Term Load Forecasting untuk hari libur pada kondisi beban anomali menggunakan Algoritma Hybrid Back Propagation – Swarm
Particle”.
1.2 Rumusan masalah penelitian
Masalah- masalah yang akan diidentifikasi secara spesifik dalam penelitian ini adalah :
1 Bagaimana karakteristik pola beban anomali yang terjadi pada hari libur di Indonesia?
2 Bagaimana akurasi algoritma Hybrid Back propagation – Swarm particle
dalam Short Term Load Forecasting hari libur?
3 Bagaimana melakukan optimasi hasil Short Term Load Forecasting pada beban anomali?
1.3 Tujuan penelitian
Tujuan dari penulisan penelitian skripsi ini adalah :
1 Mengetahui dan memahami karakteristik pola beban anomali yang terjadi pada hari libur di Indonesia.
2 Mengetahui akurasi algoritma Hybrid Back propagation – Swarm particle dalam Short Term Load Forecasting hari libur.
3 Mengetahui faktor – faktor yang mempengaruhi optimasi hasil Short Term Load Forecasting pada beban anomali.
(13)
3
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 1.4 Manfaat penelitian
Manfaat penelitian skripsi ini ialah :
1. Menambah pengetahuan mengenai Short Term Load Forecasting dalam kondisi beban anomali menggunakan algoritma Hybrid Back propagation- Swarm particle.
2. Hasil yang didapatkan dari metode ini diharapkan menjadi rekomendasi bagi forecaster untuk melakukan prediksi beban listrik anomali.
1.5 Struktur organisasi skripsi
Penelitian skripsi mengenai Short Term Load Forecasting (STLF) ini, secara sistematis mengelompokkan materi - materi yang dijelaskan kedalam beberapa Bab. Bab I membahas tentang latar belakang, rumusan masalah, tujuan, manfaat serta struktur organisasi dari penelitian yang dilakukan, kemudian bab II membahas tentang tinjauan umum mengenai Anomalous STLF, algoritma back propagation, dan algoritma particle swarm optimization, selanjutnya bab III sumber data, perangkat penunjang penelitian serta prosedur penelitian mengenai
STLF untuk beban hari libur pada kondisi beban anomali. Selain itu pada Bab IV dibahas tentang temuan atau hasil yang didapatkan dalam analisis STLF pada hari libur secara keseluruhan, hari libur dengan kondisi beban normal, dan hari libur dengan kondisi beban anomali disistem kelistrikan Region II Jawa barat – Banten dengan pembelajaran Software Matlab dan terakhir Bab V berisi implikasi serta rekomendasi dari hasil penelitian STLF dalam kondisi beban anomali berbasis algoritima Hybrid Back propagation- Swarm particle.
(14)
14
1 BAB III 2 .
3 METODE PENELITIAN
3.1 Sumber data
Data yang digunakan dalam penelitian ini ialah data pengeluaran beban listrik harian sepanjang tahun 2008 sampai dengan tahun 2015 yang didapat dari PT. PLN (Persero) Penyaluran dan Pusat Pengaturan Beban (P3B) Jawa-Bali Area Pengaturan Beban (APB) Jawa Barat. Data tersebut kemudian dipilah untuk mendapatkan beban listrik pada hari – hari yang tergolong kedalam hari libur nasional dan cuti bersama berdasarkan Surat Keputusan bersama Menteri Agama, Menteri Tenaga Kerja dan Transmigrasi, dan Menteri Negara Pendayagunaan Aparatur Negera Republik.
Nomor SK Menpan tentang hari libur nasional dan cuti bersama dari tahun 2008 sampai dengan 2015 ialah sebagai berikut :
Tabel 3.1. Nomor SK Menpan tentang hari libur nasional dan cuti bersama tahun 2008 – 2015.
SK. TAHUN
NOMOR 1 TAHUN 2008 NOMOR KEP. 24 /MEN/II/2008 NOMOR SKB/ 01/ M.PAN/2/2008 NOMOR 4 TAHUN 2008
NOMOR KEP. 115 /MEN/VI/2008 NOMOR SKB/06/M.PAN/6/2008 NOMOR 1 TAHUN 2009
NOMOR SKB/13/M.PAN/8/2009 NOMOR KEP. 227 /MEN/VIII/2009 NOMOR 03 TAHUN 2011
NOMOR KEP. 135 /MEN/V/2011 NOMOR SKB/02/M.PAN-RB/5/2011 NOMOR 2 TAHUN 2012
NOMOR KEP. 28 /MEN/I/2012 NOMOR SKB/01/M.PAN-RB/01/2012 NOMOR 5 TAHUN 2012
NOMOR SKB.06/MEN/VII/2012 NOMOR SK 2008 2009 2010 2011 2012 2013
(15)
15
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 3.2 Perangkat penunjang Penelitian
Hasil penelitian yang baik tentu saja tidak terlepas dari peran perangkat penunjang yang memfasilitasi proses penelitian serta penyusunan laporan penelitian yang meliputi perangkat keras (hardware) dan perangkat lunak (software). Perangkat keras penunjang penelitian ini ialah 1 set komputer dengan spesifikasi sistem Prosessor AMD E1 2500 APU with ATI Radeon(TM) HD Graphics 1.40 GHz, RAM 4Gb, System Type 64 – bit Operating System Windows 8.1 Pro dan Hardisk Drive 500Gb. Sedangkan perangkat lunak yang digunakan untuk pengolahan data, pembelajaran algoritma, citation manage dan keperluan penelitian lainnya ialah beberapa aplikasi berikut. Matlab Version 7.8.0.347 (R2009a)., Mendeley Desktop Version 1.13.8., Microsoft Excel 2013., dan Microsoft Visio 2010.
3.3 Prosedur Penelitian
Data pengeluaran beban listrik hari libur nasional serta cuti bersama yang didapat berdasarkan data PT. PLN (Persero) Penyaluran dan Pusat Pengaturan Beban (P3B) Jawa-Bali Area Pengaturan Beban (APB) Jawa Barat serta Surat Keputusan Menteri Negara Pendayagunaan Aparatur Negera Republik dari tahun 2008 – 2015, diplot untuk mengetahui bagaimana karakteristik pola beban listrik pada hari – hari tersebut. Dari analisis karakteritik pola akan didapatkan beberapa hari yang menunjukan pola beban normal, dan beberapa hari yang menunjukan pola beban anomali.
Kelompok hari yang menunjukkan kondisi beban listrik anomali yang didapatkan dari analisis karakteristik pola beban listrik hari libur nasional dan cuti bersama, merupakan kelompok data yang akan digunakan sebagai data masukan dalam penelitian ini. Algoritma yang digunakan ialah algoritma hybrid back propagation – swarm particle, sehingga tahapan – tahapan prediksi beban listrik anomali jangka pendek menggunakan algoritma ini dapat dilihat pada Flowchart
(16)
16
Mulai
Data beban listrik
Normalisasi data
Inisialisasi swarm particle
Inisialisasi bobot dan bias secara acak
Fase maju (forward) JST
Mengaktifkan fungsi aktivasi
Permulaan prediksi
Evaluasi nillai fitness (Gbest dan
Pbest)
Fase mundur (backward) JST
Gbest tidak berubah?
Bobot baru
Eror minimum ?
Hasil akhir prediksi
Selesai Ya Tidak
Tidak
(17)
17
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Dari Flowchart tersebut dapat diuraikan lebih jelas tahapan algoritma sebagai berikut (Abdullah et al., 2014; He & Xu, 2012; Sun & Zou, 2007) :
1) Normalisasi data beban listrik pada hari libur nasional tentukan jenis arsitektur
Back Propagation, jumlah neuron pada hidden layer serta inisialisasi bobot dan bias awal secara acak antara 0 sampai dengan 1.
2) Inisialisasi posisi dan kecepatan awal particle, jumlah particle, batas atas dan batas bawah ruang pencarian dan jumlah iterasi yang akan digunakan.
3) Posisi dan kecepatan awal particle ditentukan secara acak dengan range antara 0 sampai dengan 1 yang didapat dari Back Propagation. Posisi adalah bobot dan biasnya, sementara kecepatan adalah nilai yang mempengaruhi perubahan posisi pada setiap iterasi.
4) Tentukan jumlah particle yang akan disebar (N), tentukan range batas atas dan batas bawah posisi dan kecepatan particle berada serta jumlah iterasi yang digunakan pada Swarm Particle.
5) Melakukan fase maju (forward) Back Propagation
a) Menyebarkan data pada input layer menuju hidden layer dengan mengalikan setiap data pada unit neuron input layer dengan bobot yang menghubungkan antar neuron, jumlahkan hasil perkalian tersebut lalu tambahkan dengan biasnya.
1
_ j j n i. ij
i
z in vo
x v (3.1)b) Masing – masing sinyal diaktifkan dengan fungsi aktifasi segmoid.
( _ )
1 ( _ )
1 exp j
j j z in
z f z in
(3.2)
c) Sinyal yang telah diaktifkan dikirim menuju output layer dengan cara mengalikan sinyal pada hidden layer dengan bobot yang menghubungkan antar neuron ke output layer, jumlahkan hasil perkalian tersebut lalu tambahkan dengan biasnya.
(18)
18
1 _ k j pj j. jk
y in wo
z w (3.3)d) Neuron pada output layer diaktifkan agar mendapatkan hasil keluaran.
yk f y in( _ k) (3.4)
6) Membandingkan hasil keluaran dengan data target untuk memperoleh fitness. Nilai fitness diperoleh dari MAPE (Mean Absolute Percentage Error).
7) Optimasi Swarm Particle pada back propagation dilakukan dengan mengevaluasi nilai fitness pada setiap particle dengan menentukan Pbest (Pbest ialah nilai terbaik/ nilai terkecil fungsi untuk tiap particle sepanjang iterasi) dan Gbest (Gbest ialah nilai terbaik/ nilai terkecil fungsi untuk keseluruhan particle sepanjang iterasi).
8) Pembaharuan posisi dan kecepatan particle dengan persamaan kecepatan
particle dan dipengaruhi oleh koefisien inersia.
1 1 2 2
( 1) ( ) ( ) ( ) (Pbest( ) ( )) ( ) (Gbest( ) ( ))
v t t v t c rand t t x t c rand t t x t (3.5)
9) Untuk mencari particle terbaik berdasarkan Pbest dan Gbest setelah diperbaharui posisi dan kecepatannya, hitung nilai fitness tiap iterasi.
10)Simpan hasil hasil Pbesr dan Gbest terbaik sebagai bobot.
11)Lakukan optimasi secara kontinu sampai Gbest mengalami konvergensi dan sampai iterasi maksimum. Kemudian algoritma dialihkan ke fase mundur (backward)Back Propagation.
12)Setting input parameter pada algoritma Back Propagation yaitu dengan menggunakan bobot dan bias yang diperoleh dari Swarm Particle. Tentukan
(19)
19
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
14)Perbaiki nilai bobot dan bias, ulangi langkah 22 - 23 hingga nilai maksimum iterasi tercapai, denormalisasi hasil keluaran, kemudian hitung MAPE dari hasil keluaran yang telah didenormalisasi.
(20)
1 .
2 BAB V
3 .
4 KESIMPULAN DAN REKOMENDASI
5 . 5.1 Kesimpulan
Berdasar pada pembahasan dan temuan yang didapatkan dalam penelitian ini maka beberapa hal dapat disimpulkan terkait dengan rumusan masalah yang telah ditentukan. Simpulan pertama, mengenai karakteristik pola beban anomali didapatkan bahwa karakteristik pola beban anomali muncul pada keseluruhan hari libur nasional apabila kondisi beban tersebut dikomparasikan dengan pola beban yang ditunjukkan pada hari kerja. Kedua, terkait proses prediksi beban jangka pendek menggunakan algoritma hybrid back propagation – swarm particle dapat disimpulkan bahwa algoritma ini merupakan algoritma yang memiliki akurasi sangat baik, hal ini berdasar pada persentase akurasi prediksi terhadap target yang menunjukkan nilai 98.126%. Ketiga, hasil prediksi algoritma hybrid back propagation – swarm particle dapat dioptimasi dengan mencari nilai parameter
input yang tepat untuk menghasilkan error prediksi yang rendah, dan pada penelitian ini dapat disimpulkan bahwa parameter optimasi tersebut ialah dengan meng-setting jumlah data input sebanyak 10 data, jumlah hidden layer ditetapkan 1 layer serta learning rate pada nilai 0.6. Nilai setting optimasi tersebut dapat meningkatkan akurasi prediksi 1.104 %.
5.2 Rekomendasi
Kompleksitas beban listrik pada hari libur yang sangat tinggi menjadikan algoritma hybrid back propagation – swarm particle sebagai algoritma yang cukup baik untuk menyelesaikan permasalahan prediksi beban tersebut, ini menjadi rekomendasi kepada forecaster dibidang kelistrikan baik untuk penelitian maupun penerapan dilapangan khususnya oleh PT.PLN P3B APB Cigereleng,
(21)
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
mematikan sejumlah 5 unit generator pembangkit kapasitas masing – masing 25 MW.
(22)
31
DAFTAR PUSTAKA
Abdullah, A. G., Suranegara, G. M., & Hakim, D. L. (2014). Hybrid PSO-ANN Application for Improved Accuracy of Short Term Load Forecasting. Wseas Transactions on Power Systems, 9(1), 446–451.
Amjady, N. (2001). Short-Term Hourly Load Forecasting Using Time-Series Modeling with Peak Load Estimation. IEEE Transactions on Power Systems,
16(3), 498–505.
Arora, S., & Taylor, J. W. (2013). Short-term forecasting of anomalous load using rule-based triple seasonal methods. IEEE Transactions on Power Systems,
28(3), 3235–3242. http://doi.org/10.1109/TPWRS.2013.2252929
Asar, A., & Mahmood, F. (2009). Performance ofSTLF Model from the PSO , Time Series and Regression Perspectives. IEEE International Conference on,
On page(s), 1157–1162.
Bashir, Z. A. (2007). Short-term Load Forecasting using Artificial Neural Network based on Particle Swarm Optimization Algorithm. Departemen of Electrical & Computer Engineering Dallhousie University, On page(s), 272– 275.
Baumann, T., & Alain, G. (1975). Application of the Kohonen Network to Short-Term Load Forecasting. IEEE International Conference on, On page(s), 407–412.
Chaojun, G., Member, S., Yang, D., Jirutitijaroen, P., Member, S., Walsh, W. M., & Reindl, T. (2014). Spatial Load Forecasting with Communication Failure Using Time-Forward Kriging. IEEE Transactions on Power Systems, 29(6), 2875–2882.
Choobeh, A. K. (2013). Short Term Load Forecasting for Shiraz Region Using Adaptive Back Propagation Neural Network. IEEE International Conference on, On page(s), 3–5. http://doi.org/10.1109/CSNT.2013.125
Eberhart, R., & Kennedy, J. (1995). A New Optimizer Using Particle Swarm Theory. IEEE International Conference on, On page(s), 39–43.
El-telbany, M., & El-karmi, F. (2008). Short-term forecasting of Jordanian electricity demand using particle swarm optimization. Electrical Power Systems Research, 78(1), 425–433. http://doi.org/10.1016/j.epsr.2007.03.011
(23)
32
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Folly, E. B. K. A. (2007). Short Term Load Forecasting Using Artificial Neural Network. IEEE International Conference on, Page on(s), 108–112.
GL, P., Sambasivarao, K., Kirsali, P., & Singh, V. (2014). Short Term Load Forecasting for Uttarakhand using Neural Network and Time Series models.
IEEE International Conference on, On page(s), 1–6.
He, Y., & Xu, Q. (2012). Short term Power Load Forecasting Based on Self-adapting PSO-BP Neural Network Model. Institute of Electrical and Electronics Engineers (IEEE), 1(1), 1096–1099. http://doi.org/10.1109/ICCIS.2012.279
Ho, K., Hsu, Y., Chen, C., Lee, T., Liang, C., Lai, T., & Chen, K. (1990). IEEE Transactions on Power Systems,. IEEE Transactions on Power Systems,
5(4), 1214–1221.
Khamis, M. F. I., Baharudin, Z., Hamid, N. H., Abdullah, M. F., Nordin, F. T., Petronas, U. T., … Ridzuan, P. D. (2011). Short Term Load Forecasting for Small Scale Power System Using Fuzzy Logic. IEEE International Conference on, On page(s), 1–5.
Kim, K., Youn, H., Member, S., & Kang, Y. (2000). Short-Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks. IEEE Transactions on Power Systems, 15(2), 559–565.
Lagudu, S., & Sarma, C. H. V. (2013). Hand Writing Recognition Using Hybrid Particle Swarm Optimization & Back Propagation Algorithm. International Journal of Application or Innovation in Engineering (IJAIEM), 2(1), 75–81. Loewenstern, Y., Katzir, L., & Shmilovitz, D. (2014). Statistical Analysis of
Power Systems and Application to Load Forecasting. IEEE International Conference on, On page(n), 1–5.
Lu, N., & Zhou, J. (2009). Particle Swarm Optimization-Based RBF Neural Network Load Forecasting Model. Institute of Electrical and Electronics Engineers (IEEE), 1(1), 0–3.
Mahdavi, N., Menhaj, M. B., & Barghinia, S. (2006). Short-Term Load Forecasting for Special Days Using Bayesian Neural Networks. IEEE International Conference on, On page(s), 1518–1522.
Motamedi, A., Zareipour, H., Member, S., Rosehart, W. D., & Member, S. (2012). Electricity Price and Demand Forecasting in Smart Grids. IEEE Transactions on Smart Grid, 3(2), 664–674.
Paparoditis, E., & Sapatinas, T. (2013). Short-Term Load Forecasting : The Similar Shape Functional Time-Series Predictor. IEEE Transactions on Power Systems, 28(4), 3818–3825.
(24)
33
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 (IJCA), 30(4), 1–7.
Rahman, S., & Bhatnagar, R. (1988). An Expert System based Algorithm for Short Term Load Forecast. IEEE Transactions on Power Systems, 3(2), 392– 399.
Reddy, S. S., Member, S., Momoh, J. A., & Ieee, F. (2014). Short Term Electrical Load Forecasting Using Back Propagation Neural Networks. IEEE International Conference on, On page(s), 1–6.
Riaz, S., & Khan, A. (2007). Short Term Load Forecasting Using Particle Swarm Optimization Based ANN Approach. IEEE International Conference on, On page(s), 1–6.
Sforna, M. (1996). A neural network based technique for short-term forecasting of anomalous load perioids. IEEE Transactions on Power Systems, 11(4), 1749–1756.
Shangdong, Y. (2006). A New ANN Optimized By Improved PSO Algorithm Combined With Chaos And Its Application In Short-term Load Forecasting.
IEEE International Conference on, On page(s), 945–948.
Shayeghi, H., Shayanfar, H. A., & Azimi, G. (2010). A Hybrid Particle Swarm Optimization Back Propagation Algorithm for Short Term Load Forecasting.
International Journal on Technical and Physical Problems of Engineering (IJTPE), 2(4), 12–22.
Song, K., Baek, Y., Hong, D. H., & Jang, G. (2005). Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regrresion Method. IEEE Transactions on Power Systems, 20(1), 96–101.
Srinivasan, D., & Liew, C. S. C. A. C. (1995). Demand Forecasting Using Fuzzy Neural Computation , With Special Emphasis On Weekend And Public Holiday Forecasting. IEEE Transactions on Power Systems, 10(4), 1897– 1903.
Sun, W. E. I., & Zou, Y. (2007). Short Term Load Forecasting based on BP Neural Network trainde by PSO. Institute of Electrical and Electronics Engineers (IEEE), 1(1), 19–22.
(25)
34
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Wang, Y. (2009). Back Propagation Neural Network for Short-term Electricity Load Forecasting with Weather Features. IEEE International Conference on,
On page(s), 58–61. http://doi.org/10.1109/CINC.2009.107
Xuan, W., & Jiake, L. V. (2008). A Hybrid Partcile Swarm Optimization Neural Network Approach for Short Term Load Forecasting. IEEE International Conference on, On page(s), 4–8.
(1)
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 1 .
2 BAB V
3 .
4 KESIMPULAN DAN REKOMENDASI
5 .
5.1 Kesimpulan
Berdasar pada pembahasan dan temuan yang didapatkan dalam penelitian ini maka beberapa hal dapat disimpulkan terkait dengan rumusan masalah yang telah ditentukan. Simpulan pertama, mengenai karakteristik pola beban anomali didapatkan bahwa karakteristik pola beban anomali muncul pada keseluruhan hari libur nasional apabila kondisi beban tersebut dikomparasikan dengan pola beban yang ditunjukkan pada hari kerja. Kedua, terkait proses prediksi beban jangka pendek menggunakan algoritma hybrid back propagation – swarm particle dapat disimpulkan bahwa algoritma ini merupakan algoritma yang memiliki akurasi sangat baik, hal ini berdasar pada persentase akurasi prediksi terhadap target yang menunjukkan nilai 98.126%. Ketiga, hasil prediksi algoritma hybrid back propagation – swarm particle dapat dioptimasi dengan mencari nilai parameter
input yang tepat untuk menghasilkan error prediksi yang rendah, dan pada penelitian ini dapat disimpulkan bahwa parameter optimasi tersebut ialah dengan meng-setting jumlah data input sebanyak 10 data, jumlah hidden layer ditetapkan 1 layer serta learning rate pada nilai 0.6. Nilai setting optimasi tersebut dapat meningkatkan akurasi prediksi 1.104 %.
5.2 Rekomendasi
Kompleksitas beban listrik pada hari libur yang sangat tinggi menjadikan algoritma hybrid back propagation – swarm particle sebagai algoritma yang cukup baik untuk menyelesaikan permasalahan prediksi beban tersebut, ini menjadi rekomendasi kepada forecaster dibidang kelistrikan baik untuk penelitian maupun penerapan dilapangan khususnya oleh PT.PLN P3B APB Cigereleng,
karena dalam penelitian ini menunjukan dengan metoda hybrid ini dapat memangkas kerugian daya sebesar 143.438 MW dengan biaya Rp.143.438.991,- pada setiap jam nya, serta mampu mengurangi operasional pembangkit dengan
(2)
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
mematikan sejumlah 5 unit generator pembangkit kapasitas masing – masing 25 MW.
(3)
31
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR PUSTAKA
Abdullah, A. G., Suranegara, G. M., & Hakim, D. L. (2014). Hybrid PSO-ANN Application for Improved Accuracy of Short Term Load Forecasting. Wseas Transactions on Power Systems, 9(1), 446–451.
Amjady, N. (2001). Short-Term Hourly Load Forecasting Using Time-Series Modeling with Peak Load Estimation. IEEE Transactions on Power Systems,
16(3), 498–505.
Arora, S., & Taylor, J. W. (2013). Short-term forecasting of anomalous load using rule-based triple seasonal methods. IEEE Transactions on Power Systems,
28(3), 3235–3242. http://doi.org/10.1109/TPWRS.2013.2252929
Asar, A., & Mahmood, F. (2009). Performance ofSTLF Model from the PSO , Time Series and Regression Perspectives. IEEE International Conference on,
On page(s), 1157–1162.
Bashir, Z. A. (2007). Short-term Load Forecasting using Artificial Neural Network based on Particle Swarm Optimization Algorithm. Departemen of Electrical & Computer Engineering Dallhousie University, On page(s), 272– 275.
Baumann, T., & Alain, G. (1975). Application of the Kohonen Network to Short-Term Load Forecasting. IEEE International Conference on, On page(s), 407–412.
Chaojun, G., Member, S., Yang, D., Jirutitijaroen, P., Member, S., Walsh, W. M., & Reindl, T. (2014). Spatial Load Forecasting with Communication Failure Using Time-Forward Kriging. IEEE Transactions on Power Systems, 29(6), 2875–2882.
Choobeh, A. K. (2013). Short Term Load Forecasting for Shiraz Region Using Adaptive Back Propagation Neural Network. IEEE International Conference on, On page(s), 3–5. http://doi.org/10.1109/CSNT.2013.125
Eberhart, R., & Kennedy, J. (1995). A New Optimizer Using Particle Swarm Theory. IEEE International Conference on, On page(s), 39–43.
El-telbany, M., & El-karmi, F. (2008). Short-term forecasting of Jordanian electricity demand using particle swarm optimization. Electrical Power Systems Research, 78(1), 425–433. http://doi.org/10.1016/j.epsr.2007.03.011 Fan, S., Member, S., & Hyndman, R. J. (2012). Short-Term Load Forecasting
Based on a Semi-Parametric Additive Model. IEEE Transactions on Power Systems, 27(1), 134–141.
(4)
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Folly, E. B. K. A. (2007). Short Term Load Forecasting Using Artificial Neural Network. IEEE International Conference on, Page on(s), 108–112.
GL, P., Sambasivarao, K., Kirsali, P., & Singh, V. (2014). Short Term Load Forecasting for Uttarakhand using Neural Network and Time Series models.
IEEE International Conference on, On page(s), 1–6.
He, Y., & Xu, Q. (2012). Short term Power Load Forecasting Based on Self-adapting PSO-BP Neural Network Model. Institute of Electrical and
Electronics Engineers (IEEE), 1(1), 1096–1099.
http://doi.org/10.1109/ICCIS.2012.279
Ho, K., Hsu, Y., Chen, C., Lee, T., Liang, C., Lai, T., & Chen, K. (1990). IEEE Transactions on Power Systems,. IEEE Transactions on Power Systems,
5(4), 1214–1221.
Khamis, M. F. I., Baharudin, Z., Hamid, N. H., Abdullah, M. F., Nordin, F. T.,
Petronas, U. T., … Ridzuan, P. D. (2011). Short Term Load Forecasting for Small Scale Power System Using Fuzzy Logic. IEEE International Conference on, On page(s), 1–5.
Kim, K., Youn, H., Member, S., & Kang, Y. (2000). Short-Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks. IEEE Transactions on Power Systems, 15(2), 559–565.
Lagudu, S., & Sarma, C. H. V. (2013). Hand Writing Recognition Using Hybrid Particle Swarm Optimization & Back Propagation Algorithm. International Journal of Application or Innovation in Engineering (IJAIEM), 2(1), 75–81. Loewenstern, Y., Katzir, L., & Shmilovitz, D. (2014). Statistical Analysis of
Power Systems and Application to Load Forecasting. IEEE International Conference on, On page(n), 1–5.
Lu, N., & Zhou, J. (2009). Particle Swarm Optimization-Based RBF Neural Network Load Forecasting Model. Institute of Electrical and Electronics Engineers (IEEE), 1(1), 0–3.
Mahdavi, N., Menhaj, M. B., & Barghinia, S. (2006). Short-Term Load Forecasting for Special Days Using Bayesian Neural Networks. IEEE International Conference on, On page(s), 1518–1522.
Motamedi, A., Zareipour, H., Member, S., Rosehart, W. D., & Member, S. (2012). Electricity Price and Demand Forecasting in Smart Grids. IEEE Transactions on Smart Grid, 3(2), 664–674.
Paparoditis, E., & Sapatinas, T. (2013). Short-Term Load Forecasting : The Similar Shape Functional Time-Series Predictor. IEEE Transactions on Power Systems, 28(4), 3818–3825.
(5)
33
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
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 (IJCA), 30(4), 1–7.
Rahman, S., & Bhatnagar, R. (1988). An Expert System based Algorithm for Short Term Load Forecast. IEEE Transactions on Power Systems, 3(2), 392– 399.
Reddy, S. S., Member, S., Momoh, J. A., & Ieee, F. (2014). Short Term Electrical Load Forecasting Using Back Propagation Neural Networks. IEEE International Conference on, On page(s), 1–6.
Riaz, S., & Khan, A. (2007). Short Term Load Forecasting Using Particle Swarm Optimization Based ANN Approach. IEEE International Conference on, On page(s), 1–6.
Sforna, M. (1996). A neural network based technique for short-term forecasting of anomalous load perioids. IEEE Transactions on Power Systems, 11(4), 1749–1756.
Shangdong, Y. (2006). A New ANN Optimized By Improved PSO Algorithm Combined With Chaos And Its Application In Short-term Load Forecasting.
IEEE International Conference on, On page(s), 945–948.
Shayeghi, H., Shayanfar, H. A., & Azimi, G. (2010). A Hybrid Particle Swarm Optimization Back Propagation Algorithm for Short Term Load Forecasting.
International Journal on Technical and Physical Problems of Engineering (IJTPE), 2(4), 12–22.
Song, K., Baek, Y., Hong, D. H., & Jang, G. (2005). Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regrresion Method. IEEE Transactions on Power Systems, 20(1), 96–101.
Srinivasan, D., & Liew, C. S. C. A. C. (1995). Demand Forecasting Using Fuzzy Neural Computation , With Special Emphasis On Weekend And Public Holiday Forecasting. IEEE Transactions on Power Systems, 10(4), 1897– 1903.
Sun, W. E. I., & Zou, Y. (2007). Short Term Load Forecasting based on BP Neural Network trainde by PSO. Institute of Electrical and Electronics Engineers (IEEE), 1(1), 19–22.
Taylor, J. W., Mcsharry, P. E., & Member, S. (2007). Short-Term Load Forecasting Methods : An Evaluation Based on European Data. IEEE Transactions on Power Systems, 22(4), 2213–2219.
(6)
Sopian Al Rasyid, 2015
SHORT TERM LOAD FORECASTING UNTUK HARI LIBUR PADA KONDISI BEBAN ANOMALI MENGGUNAKAN ALGORITMA HYBRID BACK PROPAGATION-SWARM PARTICLE
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Wang, Y. (2009). Back Propagation Neural Network for Short-term Electricity Load Forecasting with Weather Features. IEEE International Conference on,
On page(s), 58–61. http://doi.org/10.1109/CINC.2009.107
Xuan, W., & Jiake, L. V. (2008). A Hybrid Partcile Swarm Optimization Neural Network Approach for Short Term Load Forecasting. IEEE International Conference on, On page(s), 4–8.