Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek 

Sajian Utama

Komunikasi
Elektronika

Untuk memenuhi permintaan daya dari konsumen secara ekonomis suatu perusahaan listrik harus bisa memprakirakan beban secara akurat.

Sistem prakiraan beban terbaik di negara-negara maju dengan menggunakan teknologi Jaringan Syaraf Tiruan (JST). Artikel ini mengungkap penelitian awal pemakaian JST Backpropagation untuk prakiraan beban di area III PLN yang dilakukan penulis dengan biaya sendiri. Keunggulan utama JST adalah kemampuan komputasi yang pararel dengan cara belajar dari pola-pola yang diajarkan. Dalam proses belajarnya JST dapat melakukan regresi non-linier pola-pola beban listrik tiap jan dalam satu hari. Sehingga JST mampu memprakirakan beban listrik pada hari yang akan datang.

Kata kunci : Jaringan syaraf tiruan, backpropagation, prakiraan beban, pengaruh cuaca.

Pendahuluan

Syarat mutlak yang pertama harus dilaksanakan untuk mencapai tujuan itu adalah pihak perusahaan listrik mengetahui beban atau permintaan daya listrik dimasa depan. Karena itu prakiraan beban jangka pendek, menengah dan panjang merupakan tugas yang penting dalam perencanaan dan pengoperasian sistem daya. Prakiraan beban jangka pendek, yaitu beban setiap jam atau tiap hari digunakan untuk penjadualan dan pengontrolan sistem daya atau alokasi pembangkit cadangan berputar, juga digunakan untuk masukan dalam studi aliran daya.

2. Jaringan Syaraf Tiruan Backpropagation

Model JST yang digunakan dalam penelitian ini adalah arsitektur feedforward (umpan maju). Sedangkan konsep belajar yaitu algoritma belajar backpropagation momentum yang merupakan perkembangan dari algoritma belajar backpropagation standar.

2.1 Struktur Jaringan Syaraf Tiruan Backpropagation

Jaringan Syaraf Tiruan Backpropagation (BP) pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988.

Asitektur jaringan BP dengan satu lapisan dalam ditunjukan pada gambar 1. Gambar tersebut menunjukan arah sinyal pada fase feedforward. Selama operasi fase pelatihan backpropagation (BP), sinyal-sinyal error dikirim dalam arah sebaliknya.

Jaringan syaraf tiruan tersusun atas sekumpulan elemen pemroses (neuron) atau simpul atau sel yang terinterkoneksi dan terorganisasi dalam lapisan-lapisan. Setiap sel memproses sinyal dengan fungsi akivasinya yaitu fungsi sigmoid logistik, fungsi ini analog dengan

f(x) = 1 / (1 - e^-x)

Tiap-tiap lapisan terdiri dari banyak simpul, interkoneksi hanya terjadi antara simpul-simpul yang terletak pada satu lapisan dengan simpul-simpul yang terletak pada lapisan tetangganya. Simpul-simpul yang berhubungan langsung dengan masukan dan terletak dalam satu lapisan yang sama, lapisan tersebut disebut "lapisan masukan" simpul-simpul yang memberikan keluaran dan terletak dalam satu lapisan disebut "lapisan keluaran".

Simpul-simpul yang terletak dalam satu atau beberapa lapisan dan tidak berhubungan langsung dengan keadaan di luar jaringan disebut "lapisan dalam" atau lapisan tersembunyi.

Banyaknya simpul pada lapisan masukan dan lapisan keluaran tergantung pada jenis pemakaian tertentu.

2.2 Algoritma Pelatihan Backpropagation

Keunggulan yang utama dari sistem jaringan syaraf tiruan adalah kemampuan untuk "belajar" dari contoh yang diberikan.

Algoritma belajar yang digunakan adalah algoritma Backpropagation. Pada algoritma ini digunakan sinyal referensi dari luar (sebagai pengajar) dibandingkan dengan sinyal keluaran JST, hasilnya berupa sinyal kesalahan.

keterangan :

x vektor masukan pelatihan :
x = (x₁,....., x_i,......,x_n).
y_r vektor keluaran target :
y_r = (y₁,...., y_k,...., y_m).
d_k porsi koreksi kesalahan untuk pengaturan bobot w_nj.
konstanta laju belajar.
konstanta momentum.

Dasar dari algoritma ini adalah memodifikasi bobot interkoneksi W_nj pada jaringan sehingga sinyal kesalahan mendekati nol, untuk lebih jelasnya lihat gambar 2.

Suatu jangka waktu (disebut epoch) adalah satu set putaran vektor-vektor pelatihan. Beberapa epoch diperlukan untuk pelatihan sebuah JST BP sehingga kesalahan mendekati nol.

Selama ini belum ada konsensus mengenai besarnya nilai b dan a yang harus digunakan dalam proses belajar. Sebab dalam kenyataannya nilai b dan a tergantung pada permasalahan yang dihadapi.

Prakiraan Beban Jangka Pendek Menggunakan JST

Pengalaman praktis operator UPB PLN Ungaran menunjukan bahwa beban listrik pada suatu hari dipengaruhi oleh beban pada hari-hari sebelumnya.

3.1 Kasifikasi Beban

Berdasar dari hasil wawancara penulis dengan operator di UPB Ungaran dan pengamatan pada data beban harian dengan pertimbangan kemudahan dalam perhitungan dan keakuratan hasil prakiraan beban, dilakukan klasifikasi pola beban harian sebagai berikut :

• Pola-pola hari biasa yaitu hari Senin sampai Minggu yang bukan hari libur nasional, diklasifikasikan sebagai berikut :

1. Pola beban hari Senin.
2. Pola beban hari Selasa.
3. Pola beban hari Rabu.
4. Pola beban hari Kamis.
5. Pola beban hari Jumat.
6. Pola beban hari Sabtu.
7. Pola beban hari Minggu.

• Pola hari-hari tidak biasa yaitu hari-hari Senin sampai Minggu yang merupakan hari libur nasional (hari khusus), diklasifikasikan sebagai berikut :

1. Pola beban Tahun baru,
2. Pola beban Proklamasi,
3. Pola beban Isra' mi'raj,
4. Pola beban Puasa Perdana,
5. Pola beban Nyepi,
6. Pola beban Idul Fitri I,
7. Pola beban Idul Fitri II,
8. Pola beban Wafat Isa Al Masih,
9. Pola beban Kenaikan Isa Al Masih,
10. Pola beban Idul Adha,
11. Pola beban Waisak,
12. Pola beban 1 Muharam,
13. Pola beban Maulud Nabi Muhammad S.A.W dan
14. Pola beban Natal.

  telah dijelaskan bahwa beban pada suatu hari dipengaruhi oleh beban pada hari yang lalu. Sifat kecenderungan beban tersebut digunakan sebagai dasar sistem prakiraan beban di PLN dan pada penelitian ini.

Berikut ini adalah variabel masukan yang dipilih :

Hari-hari biasa :

• Beban tiap jam selama 2 hari yang lalu, yaitu l_(i-1) dan l_(i-2) : 48 nilai.
• Informasi cuaca di tiga daerah (Semarang, Yogyakarta dan Cilacap) pada dua hari yang lalu tersebut, yaitu curah hujan (besar hujan): 6 nilai.
• Prakiraan cuaca di tiga daerah diatas, yaitu mengenai kondisi hujan (berawan) atau tidak hujan pada hari yang akan datang (hari yang akan diperkirakan bebannya) : 3 nilai.

• Beban tiap jam pada 2 hari minggu terdekat yang lalu, yaitu l_(i-1) dan l_(i-2) : 48 nilai.
• Informasi cuaca di tiga daerah (Semarang, Yogyakarta dan Cilacap) pada dua hari minggu lalu tersebut, yaitu curah hujan (besar hujan) : 6 nilai..
• Prakiraan cuaca di tiga daerah diatas, yaitu mengenai kondisi hujan (berawan) atau tidak hujan pada hari yang akan datang (hari yang akan diperkirakan bebannya) : 3 nilai.

3.4 Arsitektur Jaringan Yang Digunakan Untuk Prakiraan Beban

Jaringan Syaraf Tiruan Backpropagation Momentum yang digunakan memiliki 4 lapis, yaitu 1 lapisan masukan, 2 lapisan dalam (hiden layer) dan 1 lapisan keluaran.

Lapis masukan terdiri dari 57 buah sel yang merupakan banyaknya vektor masukan jaringan. Jumlah sel lapisan dalam ke-1 adalah 75 sel, sedang lapisan lapisan dalam ke-2 adalah

24 sel (ditentukan secara acak, karena belum ada ketentuan yang mengatur jumlah lapis dalam dan jumlah sel pada lapis ini). Lapis keluaran adalah 24 sel yang merupakan vektor keluaran JST, yaitu beban tiap jam dalam satu hari yang diprakirakan. JST tersebut memetakan suatu sistem 57 dimensi ke 24 dimensi.

3.5 Prakiraan Secara On-Line

Mode tahap pengujian merupakan sistem prakiraan beban yang dipakai. Dalam mode ini diberikan data masukan yang disimpan dalam file disk (file pengujian). JST yang telah dilatih akan mengambil data masukan tersebut dan memberikan keluaran yang merupakan "Beban Prakiraan JST" yaitu beban tiap jam selama 24 jam yang diprakirakan. JST memberikan keluaran berdasarkan bobot yang disimpan pada mode pelatihan.

Pada akhir mode pengujian dilakukan perbandingan antara beban prakiraan (keluaran JST) dan beban asli (beban kenyataan yang terjadi). Hal ini adalah untuk menguji tingkat keberhasilan JST dalam memprakirakan beban. Setelah proses perbandingan selesai data masukan untuk pengujian dan data beban asli secara otomatis ditambahkan dalam file pelatihan dianggap sebagai pola baru (proses on-line). Oleh karena itu untuk pelatihan berikutnya tidak perlu dilakukan pemasukan data pelatihan kedalam file pelatihan. Hal ini adalah merupakan sifat flexibility JST apabila dijumpai perubahan pola beban listrik.

4. Pengamatan Hasil

Dengan pelatihan untuk pola beban hari Maulud Nabi Muhammad S.A.W. pada 1993, 1994 dan 1995 (3 pola pelatihan), jaringan digunakan untuk memprakirakan beban (pengujian jaringan) pada hari Maulud Nabi Muhammad S.A.W. 28 Juli 1996.

Hasil prakiraan beban dengan JST ini kemudian dibandingkan dengan beban aslinya (beban kenyataan yang dihadapi PLN di Jawa Tengah dan D.I.Y) dan beban prakiraan UPB Ungaran. Hasil perbandingan prakiraan beban tersebut disajikan dalam tabel 1 dan 2. Dalam tabel 1 tersebut ditunjukan pula besarnya % error hasil prakiraan beban menggunakan JST dan % error hasil prakiraan beban UPB. Nilai % error didapat dari deviasi antara beban prakiraan dengan beban asli terhadap beban prakiraan. Perbandingan data beban prakiraan dan beban asli tersebut secara grafis disajikan dalam gambar 4 sampai dengan 7. Dari gambar-gambar tersebut dengan mudah dapat dilihat penyimpangan beban prakiraan dengan beban asli (aktual).

Perbandingan rata-rata error hasil prakiraan beban oleh UPB Ungran dengan prakiraan beban menggunakan JST ditunjukan pada tabel 2.

Error rata-rata hasil prakiraan beban dengan JST relatif lebih besar dari pada error rata-rata prakiraan beban dengan metode koefisien (UPB). Hal ini disebabkan oleh beberapa kemungkinan (tidak bisa dijelaskan secara pasti karena merupakan prakiraan) sebagai berikut :

• Data cuaca yang digunakan untuk variabel masukan belum lengkap.
• Informasi cuaca yang diambil dari tiga daerah belum bisa mewakili seluruh Jawa Tengah dan D.I.Y.
• Beban di Jawa Tengah dan D.I.Y. tidak begitu dipengaruhi oleh cuaca.
• Beban historis yang digunakan untuk variabel masukan JST kurang banyak (hanya 2 hari yang lalu)
• Putaran (iterasi) maksimum pada waktu pelatihan JST kurang besar.

Gambar 4 Hasil Prakiraan Beban Hari Senin 14 Februari 1994. Gambar 5 Hasil Prakiraan Beban Hari Rabu 16 Februari 1994.
 

Gambar 6 Hasil Prakiraan Beban Hari Jumat 18 Februari 1994. Gambar 7 Hasil Prakiraan Muhammad S.A.W. 28 Juli 1996. 

Kesimpulan

1. Kelebihan JST terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya. JST akan belajar mencari sendiri kaidah atau fungsi tersebut. Dengan demikian JST mampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui (seperti prakiraan beban listrik). 
2. Kemampuan JST dalam menyelesaikan masalah yang rumit telah dibuktikan dalam penelitian ini (memperkirakan beban listrik). 
3. Dari hasil pengujian JST untuk memprakirakan beban dari tanggal 14 sampai dengan 20 Februari 1994 (hari biasa) dan tanggal 28 juli 1996 (Maulud Nabi Muhammad S.A.W. didapatkan rata-rata error prakiraan beban menggunakan JST adalah 6.6438 %, sedang error rata-rata prakiraan beban oleh UPB sebesar 5.19 %. Ternyata JST mampu memprakirakan beban listrik jangka pendek di Jawa Tengah dan D.I.Y. (Area 3), meskipun dengan error yang relatif lebih besar dibanding dengan prakiraan beban menggunakan metode koefisien yang digunakan UPB Ungaran. 
4. Sebagaimana sifat dari penelitian yaitu berhasil atau tidak berhasil. Dalam kasus ini apabila ditinjau dari segi perkembangan teknologi dibidang prakiraan beban penelitian ini belum bisa dikatakan berhasil. Dari segi kemampuan untuk memprakirakan beban, penelitian telah berhasil memprakirakan dengan error rata-rata 6.6438 % dari hasil prakiraan (menurut contoh diatas).

6. Saran

1. Digunakan berbagai macam model jaringan misalnya JST Bacpropagation yang lebih sempurna (modifikasi proses belajar), jaringan dengan umpan balik dan penentuan parameter jaringan yang paling tepat.
2. Fungsi aktivasi yang digunakan setiap sel dalam menghitung keluarannya dapat dibuat dengan variasi lain, asalkan masih memenuhi persaratan yang ditentukan diatas.
3. Pemilihan variabel masukan JST diperbanyak misalnya beban historis yang digunakan lebih dari 2 ´ 24 jam, dengan parameter cuaca yang lebih lengkap seperti suhu, kelembaban dan arah/kecepatan angin.
4. Jaringan Syaraf Tiruan diaplikasikan dalam bentuk perangkat keras yang didukung oleh sistem mikroprosesor yang telah berkembang maju, sehingga dapat dilakukan peramalan beban secara on-line yang masukannya sinyal dari bus-bus beban dan keluaranya sinyal ke pusat-pusat pembangkit.

7. Daftar Pustaka