Anda di halaman 1dari 13

REINTEK

Jurnal llmu Pengetahuan dan Teknologi Terapan Volume 7. No. I Juni 2012
Daffar Isi
linurgl hnpak llehnet Sepeda Motor Yang Dikenai Beban Jatuh Bebas Rahmat Kartolo Simlnjuntak (KOPERTIS Wilayah I)

ISSN:

1907-5030

Halaman

I - 100

(l -

7)

Mikro Silika Sebagai Bahan Tambah Untuk Meningkatkan Kuat Tekan Beton Mutu Tinggi (8 - 14) Herri Mahyar (Politoknik Negeri Lhokseumawe)
Perancangan Website Pada PT. Ratu Enim Palembang (15

-27)

X'ebrin Aulia

llatubrra (Politeknik Negeri Medan)

Porkembangan Temperatur Kritis (T"r) Bahan Superkonduktor (28

32)

Syahrul Humaidi, Achiruddin dan Tuaraja Simbolon (Universitas Sumatera Utara)

Pengaruh 1'emperatur Tempering Terhadap Kekuatan Karbon Menengah (33 -42)


Frrnlcy Sutrisno (Institut Teknologi Medan)

Lelah Material

Baja

Penggunaan Transformasi Laplace Untuk Menghitung Transient Yang Terjadi Akibat Eksitasi Pada Generator (43 - 55) Noorly Evalina (U nivcrsitas Muhammadiya h Sumatera Utara)

Irvnluasi Kinerjo Struktur Bangunan Rumah

Toko Di Kota Medan


67)

Dibawah

lleban Cempa Jauh Akibat Pengaruh Alih Fungsi Dan Bentuk Bangunan (56 Trio Pa h lawa n (Po llte k n I k Neg e r I L h o kse umawe)

llubungan Karakteristik Petugas Baca Dengan Frekwensi Kesalahan Baca Stand Kwh Meter
Pelanggan (68

-74) RiJnbawuti, Muhammad Adam (Universitas Muhammadlyah Sumatera Utara,


Sekoluh Tinggi Teknologi Pekanbaru)

Simulasi Distribusi Tegangan lmpak Pada City Car Bumper Yang Terbuat Dari Bahan Komposit
Diperkuat Serat TKKS (75 - 80) Zultikar (KOPERTIS Wilayah I)

P/

Kajian Parameter Daktilitas Pada Struktur Dinding Ceser Pelat Baja (81 - 90) Tondi Amirsyah Putera (Universitas Muhammadiyah Sumatera Utara)
Prediksi Beban Listrik Sumatera Utara Dengan Menggunaka nFuzzyCluster (91

100)

Hermansyah Alam (Institut Teknologi Medan)

REINTEK
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI TERAPAN

PREDIKSI BEBAI\ LISTRIK SUMATERA UTARA DENGAI\ MENGGI]NAKAN FUZZY CLUSTER


Hermansyah Alam
Hermans itm@yahoo.co.id

staff

Pengajariffi%l'H-^t:'"T:.lTll;*ff *orogiMedan
Abstract

Growth of computing technologt which hm'e to technologt of soft computing to look for a[n alternative method of predilrsi electrics burden shorhrange base on Fuzzy Cluster. Preditrsi usage of
electrics energi short-range. Sowce of data the needed electrics burden data of Center Divisor Of Burden ofPT. PLN ( Persero) each;every [hour/clock] start at 00.0a up tu at 24.00, on normal and national drys ofi what later;then the data will be learnt sortware system which have been designed to base on cluster fuzzy. From result of simulation got mean of error the overall of that is 3.93 %for PLN and 1.08 okfor fuzy. Thereby can be concluded thot predicting electria burden short-range by usrns compared to better clustering subtracttvefuzzy to predict electrics burden by using coeflicient method [dondcondueted] by PLN, but the result a longwry offrom predicting clusterfuzzy. Keywords : Prediksi, Burden Electrics, Fwzy Cluster.

ada batas.^ ssagai . hasil benuaAmerika"EropadanAsiabeberapa ., i. tnlorrnarir , p"rt"rnuunlun ,r :: f*:^tlTiT pernuDungan IeKnologt oan __r _ __ / ..F intelligence' mendapatkan
Didatamnya tetah terjadi perubahan

sentral. Fasilitas itu adalah teknologi kecerdasan buatan (ArtiJicial intettigenci) r--: Lrunra saat rnr suoan mengalamt pesat seiring dengan globatisasi, jarak antar negara hampir tidak li-",9^i:t^-sangat komputer diberbagai negara di
1.

Pendahuluan

investasi dan Komersil, Pemerintah dan Bank

bellr ::::E^!::!:ial oleh para peneliti oaram ra ran peri kehidupan r*;;; ftlffl-flg cukup serius tinggi sertra berbagai termasuk dalam dunia r.uuungu"] 1^*:!"*lilprguruan cabang mulai perdagangan mata uang atau uatuta asilg tlfl:] ,lill* beberapa dengan cabang ilmu
(currency exchange) pada masa
secana Konvenslonil oan setatu mengnaorrKan

perkembangan teknologi diatas p"rougun!;; vatuta asing dapat ditaliukan secara


tanpa menghadirkan

oilar<ulai *l*,^f:tegrasikan .r r r, , ,.,--" yang lainnya, dalam membantu aktivitas mudah' cepat' tepat' dan fisik mata uang itu sendiri, namun o"nin lTSu-^:::*memakan waktu lama'
vang :l:gf-,$f. kebutuhan ini diaplikasikan di inr"*iti akademis-akademis lmfllt*' perguryantinggi' fisik mata uang. oioala-

ffffiT,"-fgtr|;;itrff'il31j?"Xfrk .;;--- --; ;;; Hybrid Fuzw Logic. Ditinjau dari aplikasnya" :::': senrngga memungKrnKan pelaKu pasar uang dapat diterapkan untuk diseluruh dunia untuk menjadi pemain aururi *ii l:3,^,1"u-t: pengidentifikasian' pengendalian' jual beli valuta asing. Tentunya kitu fyitlT: -belahan pengenalan pola dan bumi indonesia dengan fasilitas yan! f:fL:f":1-derau' Fuzzy Logic merupakan ad4 perdagangan tersebut dapat ozrcuti aai H11ti,^9,1T:lan)' t,:ti:i adaptif berbasis inferensi diprediksi apa yans harus diiakut un autlil i.:t:g^:" menggabungkan dua metode mengadakan transaksi jual beli rnutu uilg l:E|F.}]/:g ( neural network ) dan diantaranya Para konsumen, r"rorrriofl f]::J"J:le.adaPtif bisnis, rnvestor dan Spekulator, d;i. i.1?* informasi T:::d:..11llirdigunakan sumber i'"13* data numerik sedangkan
Prediksi Beban Listrik Sumatera Utara Dengan Menggunakan Fuzzy Cluster (Hermansyah AIam)

p"dugungui pasar uans,up*yu1ur ruiur, ketinggalan dengan melalui fasilitas ini.

9l

metode fuzzy menggunakan informasi data prediksi runtun waktu ( time series ), naik turunnya indeks Prediksi beban listrik pada dari waku ke waktu ( tahunan, bulanan, mingguan, dan harian ). Penggabungan dua

metode untuk menentukan aturan kendali

linguistik yang akan dikaitkan kepada

fizry dan masing masing metode tersebut mungkin diperlukan untuk menemukan metode yang efektif dalam menentukan aturan kendali fuzzy keempat metode itu adalah: Pengetahuan expert dan Operator
teknis,Pemodelan aksi kontrol operator, Berdasarkan model fuzry dan analisis tingkah laku proses yang dikendalikan,Berdasarkan
pembelajaran (self organi zing)
2.2 Dasar - Dasar Teori Pendukung 2"2.1 Logik aFuzzyttl

metode tersebut diharapkan

dapat

membangun sistem prediksi yang optimal. Proses pencariaan parameter premis dan konsekuensi dilakukan proses pembelajaran atau pelatihan, dengan jenis pembelaiaran backpropagation dan hybrid ( gabungan fuzzy dan neural network ). Algoritma hybrid akan mengatur parameter-parameter secara maj u ( forward) dan akan mengatur secaramundur ( bachnard ). Pada langkah maju, input

Logika fuzzy adalah cara yang tepatl mudah untuk memetakan input-output didasari oleh
konsep

jaringan akan merambat maju


parameter-parameternya

yang

kwadrat terkecil ( Least Square Methode ) dan sebaliknya pada langkah mundur galat sinyal akan merambat mundur yang akan memperbaiki parameter-parameternya dengan menggunakan metode backpropagation atau penurunan gradien (gradient descent).
2. Tinjauan Pustaka 2.1 Kajian Pustaka

akan d2dentifikasi metode estimasi menggunakan dengan

himpunan fuzry

"

iiliii,Ir';igr
:'l

kaons ep

lofti A.Zadeh (1960) , Fvzry logic adalah sangat sederh ana sehingga,mudah dipahami kelebihannya dibanding konsep yang lain bukan pada
Menurut

r+t.rrr,, int,;

Gambar 2.1 Pemetaan Input-Output

kopleksitasny

a,tetapi p ada

naturalness

pendektaanya dalam memecahkan masalah.

Fleksibel dalam arti dapat dibangun dan dikembangkan dengan mudah tanpa harus dan nol, dari memulainya
pemod elanlpemetaan

untuk

mencari

hubungan data input-output dari sembarang sistem black-box bisa di lakukan dengan memakai sistem fuzzy " Menurut Mamdani dan Assilian (1975) Fuzry Controller adalah telah berkernbang menjadi bidang penelitian yang aktif dan menjanjikan sebagai aplikasi teori himpunan Fuzry,logika finzy dan fuzzy reasoning.Terdapat beberapa jenis fungsi keanggotaan yang dapat digunakan dan

Antara input dan output terdapat suatu kotak hitam yang harus memetakan input ke output yang sesuai. Selama ini, ada beberapa aara yang mampu bekerja pada kotak hitam tersebut, antara lain : l. Sistem fuzzy 2" Sistem linier

3. 4. 5.

Jaringan Saraf
Persamaan differensial

Siatem pakar

beberapa metode

.Langkah

Meski adabeberapa carayang mampu bekerja dalam kotak hitam tersebut, namun fuzzy akan memberikan solusi yang paling baik. Sebagai mana yang telah detemukan oleh Lotfi A. Zadeh, bapak dari logika fizry : "

langkah

perancangan,pemi lihan faktor skala,pemilihan fungsi keanggotaan fuzry pembuatan aturan Menurut Sugiono terdapat empat fuzzy

Pada hampir semua kasus kita dapat menghasilkan suatu produk tanpa menggunakan logika fuzry, namun

"

92

REINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

menggunakan fuzzy akan rebih cepat dan


Iebih murah
a

"

2.2.2. Himpunan Fuzzy trl

abad ini memegang peranan penting untuk menjelaskan pengertian tentang ketidak pastian. Pada tahun lg6s, prof. Lotfi A. zadeh dari universitas california di Barkeley memperkenalkan konsep tentang himpunan fuzzy (fumy set : himpunan kabur) yang secara tidak langsung menyatakan bahwa selain pendekatan probabilitas, ketidak pastian dapat didekati dengan metode lain dalam hal ini konsep himpunan fuzzy.

Teori probalitas pada kurun waktu

s(,, o,b)=h -Y-r-'"t

-,)i(,:il'
b:
(a + cyT

It-,[t;d'b-dr
Dengan

jika x <a jika aSx Sb jikab Sx Sc jikax > c

a+

c)/ 2

(2.t) Titik persilangan S terjadi padu L = (


grafik
:

Gambar

keanggotaannya adalah

fungsi

Teori himpunan fuzzy

merupakan

jelasan, ketidak tepatan, kekurang informasian dan kebenaran parsial


(Tettamanzi, 2001). Pada dasarnya himpunan fuzzy merupakan perluasan dari himpunan klasik (crisp), pada

kerangka matematika yang digunakan untuk merepresentasikan ketidak pastian, ketidak

.
2.

Gambar 2.2 Fungsi Keanggotaan S

Fungsi-7r (n-Function)

himpunan klasik A suatu elemen akan memiliki 2 kemungkinan keanggotaan yaitu anggota A dinotasikan dengan pA(x). pada himpunan klasik ada dua keanggotaan yaitu pA(x) - I apabila x merupakan anggota A dan pA(x) - 0 apabila x bukan anggota A.
2.2.3. Fungsi Keanggotaan

Fungsi ini berbentuk bel dan mempunyai dua parameter yaitu b dan c (Gambar 2.2 ). Parameter c menentukan titik tengah dan parameter b menentukan rebar bidang pada titik persilangan. Titik persilangan terdapat pada: u: c t b /2. persamaan fungsi - Tc diperoleh dari persamaan fungsi-S, y&itu :

Ada dua cara mendefenisikan


keanggotaan himpunan fuzzy,
numeris dan fungsional.

,,(*,b,,)=ffi;?,:;l,l!.rl#:::
(2.2)
Gambar grafik fungsi keanggotaannya adalah
a a

yaitu

secara

l. Defenisi numeris menyatakan fungsi derajat keanggotaan sebagai vektor jumlah yang tergantung pada tingkat diskretisasi. Misalny\ jumlah elemen diskret dalam 2.
semesta pembicaraan.

Defenisi fungsional

menyatakan

bilangan real.

der{at keanggotaan sebagai batasan ekspresi analitis yang dapat dihitung. standar atau ukuran tertentu pada fungsi keanggotaan secara umum berdasar atas semesta x

-.4

\ \
c

/ 2.

Gambar 2.3 Fungsi Keanggotaan

Fungsi keanggotaan

(membership-

function) yang sering digunakan terdiri dari beberapa jenis, yaitu :


Fungsi-S (S-function) Persamaan dari fungsi-S ini adalah

Fungsi Keanggotaan

Segitiga

(Triang ular Membe rs h ip F unctio n)


Persamaan untuk bentuk segitiga ini adalah
:

l.

Prediksi Beban Listrik Sumatera Utara Dengan Menggunakan Fuz.zy Ctuster (Hermansyah Alam)

93

Fungsi segitiga didefinisikan sebagai


berikut
:

G{x;d,&,c}:
(2.5)

jikax<qx>c 7k qhud={ (.-d(n-d jika alx<b b-lt('-d jika b<xsc

Gambar grafik keanggotaan adalah

Gambar
keanggotaannya adalah
:

(2.3)

grafik

fungsi

ffiffi
tc) (d)

Gambar 2.6 Fungsi Keanggotaan Gbell (a) merupakan parameter a, (b) merubah parameter b, (c) merubah parameter c, (d) merubah parameter b dan c
&BC

Gambar 2.4 Fungsi Keanggotaan Segitiga


2.2.5 Inferensi Fumy

3.
a a

Fungsi keanggotaan Trapesium

Inferensi logika furuy mempunyai


kemiripan dengan penalran manusia. Inferensi fur.zy terdiri dari :

Persamaan untuk bentuk trapesium 0

ini adalah

4l.q qhd
I

jikax<qx>d jil(n b<xSc

a.

-d,tw d -dr(

-t,\a{, -lr( ') (2.4 (2. 4)


a a

jika a<xSb jiko c<x<d

an m bar grafik funs Fun gsiI keanggotaannya adalah Gr

Pengetahuan (knowledge) adalah melibatkan penalaran fuzzy yang dinyatakan sebagai aturan dalam bentuk : IF (iika) x is A, TI{EN (maka) y is B Dengan x dan y adalah variabel fuzzy, A dan B adalah nilai fuzzy.

Penyataan pada bagian premis


$

(atau konsekuensi) dari aturan dapat melibatkan penghubung

(connective) logika seperti AND


dan OR.

Gamb ar 2.5 Fungsi Keanggotaan Trapesium

Contoh : IF x is A AND y is B THEN z is C b. Fakta adalah merupakan masukan fuz.zy yang harus dicari inferensi

4,
adalah
:

Fungsi Keanggotaan generalized Bell


(Gbett Memb ership Function)
c.

menggunakan aturan fvz.zy. Masukan fakta tidak harus sama


dengan basis pengetahuan.

(konklusi) nya

dengan

Persamaan untuk bentuk

gbell ini

Konklusi adalah inferensi yang


sepadan (matched) parsial diperoleh berdasarkan fakta fuz-zy dan basis pengetahuan fuzzy.

94

REINTEK. Vol.7, No.l.Tahun 20I2.ISSN 1907-5030

2.2.5.1. Prosedur Inferensi

Fu

my

3.

fumy yaitu : General lized Modus ponens (GMP) dan Generallized Modus Tollens (GMT). Dengan himpunan fuuy A, A', B, B, dan variabel linguistic x, y, maka GMp dan
GMT dinyatakan sebagai berikut
maju berdasarkan fakta masuk an yang disebut juga penalaran langsung seb agaiberikut :

Adalah dua jenis prosedur inferensi

melakukan prosedur inferensi.

Mekanisme penakaran tuzzy yang

Basis Aturan

l.

GMP adalah inferensi I


(Pengetahuan)

Mekanisme

Premis

maka y adalah B Premis 2

: Jika x
: x adalah

adarah A

A'

Bt:A'oR
Dengan

Konsekuensi (konklusi) : y adalah B' Konsekuensi B' dapat diperoleh dengan

gd t"*
Gambar 2.7 . struktur Dasar System Inferensi

:A'o(A B) --+(Z.ZA) R : relasi fuz4r dari implikasi


: Operator komposisi

Fuzzy
r .2 .5. 2
.

fumy

-+ jikaAmakaB" A'
(misal

o A

[n feren

i F uzzy

B erbas i s pen getah

uan

fungsi implikasi fuzzlr

o,

Setelah implikasi fuz"ry


dibahas inferensi fuzry berdasar

: sangat A, lebih
tak

2.

bukan A, dan lain-lain)

himpunan fumy masukan fakta atau kurang A,


atau

didefenisikan sebagai relasi biner, maka akan

dapat
basis

GMT adalah inferensi mundur

langsung berdasarkan fakta keluaran yang dilakukan sebagai beriut. Premis I (Pengbtahuan) : Jika x adalah A maka y adalah B
Premis 2 Konsekuensi (konkl usi)
:

penalaran

pengetahuan. Dalam pembahasan ini dibatasi hanya untuk fungsi implik asi fuzzy Mamdani dan prosedur inferensi GMp.
Satu Aturan dengan Satu Antecedent

adalah

B'

Aturan tuz,,zy tunggal dengan safu anteccedent (yang mendahului) ditulis sebagai
berikut. IF xA THEN is B Dengan fungsi implikasi B. Berdasar (8.29) maka relasi fumynya adalah

A':RoB'(A
B',(2.21)

Konsekuensi berikut :

A'

dapat diperoleh

sebagai

GMP cocok untuk sistem pengendali tuz,zy sedangkan GMT cocok untuk sistem
diagnostic medis.

->B

sebagai berikut.

-)

\
R (A,B)

AxB

XxY

!a^(X)" Fa(v) /(x, y)


yan

Maka himpunan fuzzy


oleh fakta

Struktur dasar sistem inferensi fuzzy terdiri


atas
:

B' g d2ndukasikan l'x is A" aialah rcuigai

B'
pn (y)

: AroR: A'o(A _>s)


:

berikut.

l.

Basis aturan yang berisi sejumlah aturan fuzzy yang memetakan nilai masukan fuzzy ke nilai keluaran fuzzy. Aturan ini dinyatakan dengan
format IF

atau secara ekivalen

max*min v"Ltrn,

ltt' n,(*\ p o(x, y)) (r)" pn(*,il

2. Basis data yang

- THEN

berfungsi

keanggotaan dari himpunan fumy yang digunakan sebafai nilai bagi setiap variabel sistem.

: w"puu)

= V,fu^(')"

p^Glf p,o)
(2.22)

(Hermansyah Alam)

Frediksi Beban Listrik Sumatera Utara Dengan Menggunakan Fuzzy Cluster

95

dengan

W adalah kesepadanan (degree of match) yang merupakan maxima dari


F 1,(r) A p

e(")

(area saling cukup

pada

bagian antecedent). Derajat kesepadanan W

juga disebut kuat penyuluhan (fire stren$h)


yang menyatakan derajat pemenuhan aturan
fuzzy pada bagian antecedent.

W1 juga menunjukkan derajat kesepadanan antra A dan A', demikian juga W2 untuk B dan B'. Karena bagian Dalam kasus

dengan Wrdan W2 adalah mucima dari fungsi keanggotaan (MF) dari A n A' dan B n B'.

ini

antecedent dari aturan fuz,ry disusun dengan penghubung "and", maka kuat penyuluhan bagian antecedent adalah Wr n W2 interpretasi grafis terlihat pada gambar. Den[an MF dari C' yang dihasilkan adalah

:WrnWz

MF dari C dipotong oleh kuat penyuluhan W

B.XY
GambaF 2.8 Interprestasi GraJik Inferensi

Furzy Antecedent

Dari

gambar terlihat bahwa fungsi keanggotaan (MF) dari B' yang dihasilkan adalah MF dan B yang dipotong oleh kuat penyulutan'W.
Satu Aturan Dengan Banyak Antecedent

Aturan fuz,zy tunggal dengan dua antecedent ditulis dalam bentuk : IF x is A AND Y is B THEN z is C
Dengan fungsi implikasi

Gambnr 2,9 Interpretasi GraIik Inferensi Satu Aturan Dengan Dua Antecedent

A x B -+ C. Relasi
:

R (A, B, C) [a^(x) A tta U)


X rYrZ

fuuynya adalah pebagai berikut


A F,Q)

(AxB) :

l(,Y,r)

(2.23) Ekspresi C yang dihasilkan dengan adanya fakta "x is A'AND y is B" adalah sebagai berikut : C' : (A' x B') o ft- (A' x B') o (AxB-+ C) Maka: (t) n FcAJ p,(r) =V,,rLt, o,$J " lp^ "

Banyak aturan fuzzy dengan dua antecedent ditulis dalam bentuk : Aturan I (Rr) :IFxisAlANDyis Br TFIEN z is Cr Aturan 2 (&) : IF x is A2 AND Y is 82 THEN zisC2 Keluaran himpunan fvzzy C' dengan adanya 33 fakta : "IF is A' AND y is B' adalah sebagai berikut :

C':(A'xB')"(Rr\JR2)

dengarl komposisi Rr Ar x Br+ Cr dan R2 Az x Bz-+ C2karena operator komposisi lrlox-

ps}

min adalah " distributive pada operator


maka:

L.,,

:v,,rLoo.(r)

A ps,(v) A Hr

(t) A ps(v)j

Fcd)

C'= (A' xE)"R, I.,Krl'*E\"R,J

CruC'z
Cradalah himpunan fuzqy

:
vt1

Dengan

CiAut

{4[p^Gl"p^('D"v,rp'6)"p"u\x"rffi]"1-r;rs;iulm:"ail1p;;yabanw2

: W,

(2.24)

^Wz)

Kualperytuluhan

" t rQ)

pernyatann bersyarat fuzzy adalah bentuk ekspresi IF A THEN Bo dimana A dan B adalah label-label dari himpunan fuzry yang terkarakterisasi oleh fungsi-fungsi keanggotaan yang sesuai. Karena bentuk yang

96

REINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

mode tak tentu dari pemikiran yang memainkan suafu afuran dasar dalam kemampuan manusia untuk membuat
keputusan dalam suatu lingkungan yang tak

ringkas dan jelas aturan-aturan fur.zy if-then biasanya digunakan untuk mewakili mode-

sumatera Bagian utara yang beralamat di K. L. Yos sudarso Lorong xII no. 6 Medan,20l 15.
Jalan

tentu dan tak pasti. Sebagai contoh yang


menggambarkan fakta sederhana ini adalah

3.3 Alogaritma Pemodelan

If pressure is high, then volume is small


Dimana pressure dan volume adalah variabel

linguistik, high dan small adalah nilai


terkarakterisasi oleh fungsi keanggotaan. Bentuk lain aturan-aturan fuz-zy if-then, diusulkan oleh Takagi dan Sugeno, yakni himpunan-himpunan fuzzy hanya meliputi premis, dengan menggunakan aturan-afuran fuz,zy Takagi dan Sugeno kita dapat mendeskripsikan gaya harnbat pada obyek
bergerak sebagai berikut
:

linguistik atau label-label

yang

Menungu Program Siap

Masukkan Data Beban

Listrik Sumatera Utara

Jalankan Simulasi

If velocity is high, thenforce - k*(velocity) Dimana high didalam bagian premis adalah suatu label lingusitik yang terkarakteristik oleh suatu fungsi keanggotaan yang sesuai, akan tetapi bagian konsekuen didiskripsikan oleh persamaan non fiJ?zy dari variabel masuk&tr, velocity. Kedua tipe-tipe aturan fumy telah digunakan secara luas dalam
pemodelan dan kendali-kendali.

Nilai Parametei

3. Metode Penelitlurt
3.1. Metode Penelitian

Amati Hasil Grafik

Amati Hasil Report Program

Metode penelitian yang digunakan


adalah:

l. Data runtun waktu beban

listrik
Gambar 3.1. Flowchart Fuzly logic

berdasqrkun data yang bersumber dari PT.PLN (Persero) UPB Sumbagut. 2. Penentuan data pasangan masukan keluaran untuk pelatihan dan pengecekan berdasarkan matriks baris dan kolom. 3. Metode yang digunakan adalah penerapan

Pengolahan Data

Fuzzy Logic Cluster sehingga dapat memprediksi fluktuasi Prediksi beban


listrik pada untuk masa yangakan datang berpatokan kepad a data-data sebelumnya.
3.2. Lokasi Penelitian

3.4 Analisa Data

alur penelitian yang telah dijelaskan dapat disimulasikan dengan


Berdasarkan
langkah-langkah sebagai berikut

l.

Menyusun empat data (D

: 4) sebagai

PT. PLN (Persero) Penyaluran dan Pusat Pengatur Beban (P3B), Unit Pengatur Beban

t{x(/

-z},x{!

-14),xA -7),x{A,x{t +7)l

Prediksi Beban Listrik Sumatera Utara Dengan Menggunakan F'uzry Cluster (Hermansyah Alam)

97

masukan dan satu data (d


keluaran dengan persam aan :

:
;

) sebagai

T aDel bel J. t I1m Input No. t-21


1

arDerAS tbel oara ta vang aKan ka olce di

t-

14

t-7
821 780 865,5 882
883

Output

t
83s 833 84s 83 3,5
871

t+7
760
820 885,5 857,5 830

2. 3.

718
718,5 839
881

Menyusun [C,s]:subclust (DtCluster,


0.140).

2
3

799,5 833 907

Membandingkan tipe Dengan mengubah

4
5

jarak waktu (D),


Input.

jari jari Dan jumlah

6
1

895,5 887,5
841

930 923 923


882 827 780 865,5 882
883

862,5
87 5,5

891,5
83 1,5

928
886,5 802,5 810 889 884 912,5 881,5 833

3"5 Penyusunan Data dan Simulasi

I
9

799,5
833

Pada lampiran menunjukkan data' data harian Beban Listik pada Sistem Sumbagut dalam 3288 hari. Data tersebut diperlihatkan secara grafis seperti pada Gambar 3"8.1. Pada gambar terlihat bahwa sistem memiliki kecenderungan musiman. Jumlah permintaan akan daya listrik akan
tinggi pada hari-hari tertentu.

l0
11

901

t2 l3 t4

930 923 923


882

83s 833 845 83 3,5 871


891 ,5 83 1,5

760 820
885,5 857,5 830

862,5 875,5

928
886,5

4.Ilasil Dan Pembahasan 4.L Hasil Clustering dan Inferensi Dalam penelitian ini dilakukan subtractive clustering dengan menggunakan beberapa macam influence range, yaitu : 0.190, 0.180,
0.
1

70,

0. I

"" ""-" "'--"-r""""""-"""

""1"""""""" ""1":""""" """ """'i"""""""""""'1"""r i ii lt ti tr

i'ii

i , ,,,t,idlr

clustering dilakukan dengan menggunakan influence range 0,140 maka akan diperoleh 26 cluster dengan matriks pusat cluster C adalah sebagai

Apabila subtractive

60,

0. I

50,

0. I

40, 0. I 30,

0. I 20.

berikut : [C,s]:subcl ust(DtC I uster,0. 1 40)


L.- /1

581.3500
7

585.7700

Gombsr 3.2 GraJik Oniookaion energi listrik

SUMBAGUT
Pada penelitian

ini dilakukan dengan 2

cara,

773.7700 t s7.s400 761 .7700 7 6s.9600 652.9600 647.2300 651.4600 634.0800 706.2700 670. 694.s400

51.6900

s87.6200

597. r 500 582. I 900

yaitu dengan merubah input sistem.


3 "8

.2" Input Sistem (t-21 ), (t- 14),

2l),

(t-l) dan (t), Output Sistem (t +21) Input sistem adalah permintaan ke(t(t- 14), (t-7) dan (t). Sedangkan output

64s.5000 1900 698.1500 695.3 100 816.8100 81 3.9600 820.5400 796.5000 791.8500 511.7300 525.5000 605.81 00
588.0400 607.s000 611.8100 629.2300 637.8100 622.0400 626.7300 621.8500 53 5.6900 7 48.0400 709.1900 702.5000 7 s7. 1 s00 7 528.9600 539.6200 s48.1 900 524.6200

555.3800

sistem adalah permintaan ke(t+7). Dengan demikian akan terdapat rentang waktu data dari 22 hingga 3235 (3214 data). Dari data tersebut akan digunakan 3200 data untuk dicluster, sedangkan sisanya akan 14 data
akan digunakan sebagai data cek yang dapat dilihat pada Tabel 4.1

624.4200

590.6500

69.0400 531.0000

98

REINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

785

"4200

?:5.4200
577 .8 1 00
7

804.0800

633.3

800

824.81 00

817.3 800 6s0 .4200

Gambor

779.4200
83 I

.4500

688.6s00 64.s000 7 63 .1200 7 46.9600 69s.9600 8s3.5s00 846.3 800


863 .9400

686.6500

f!n,

dengun mengguyakan influno"i range 0.190; uccept_ratio-0.s dan rejict ratio

4-I menunjukkan hasil

inferensi 0.15.

67

1.3s00

870. I 300

702.9200
s

03 . s

000

648.0400 583.s800 65 s. s 800 69s"3 100 699.s000 7 02.0800 681.s000 6t 1.6500 s4s"3 800 s81.3s00
597.1 500
619.5 800

s79.s400 sgs.7700 s79.2700 662.81 00 685 .2300 596.6900 692. I s00 733.3s00 818.TA0 842.1200 824.4600 833 .4600
s 10.0400 889

614.2300

s85 "7700

Ralita (o) vs perarnalen

f)

1200

.1700
9I

910 .s700

696.6900 s79"s400
83 I

5.0400

908.3 000 915 .4700

*l
L I

':;l
*of
o
E 400

*ol
aoo
l-

697.5400

671.5000

00D

zot

i L

?10

.1300

661.5800 s 10.0400 595.7700 6l 0.3 800 620.0800


791 .3400
7

594.4200

j
o D

rroo tooo 8ll0

rioo
1oo0 800 eoc ..oo

44.5500

5 soo E 3 +o,r F zit $'?Too

E
E "E

')

$?u

844.0900 7 7 s3.2700 698.4600 700.6200 t66.9600 812.4300 81 3.6000 800.1 I 00

ss.s800
699.3

812"91 00

Gambar 4-2 rrasit rnJbrensi Dengan Jari-

Juri 0.140

37.1295

-jari

influence range, e, RMSE dan n fiumlah umtan cluster cl Jumla Jumla Jari RMS h Jari RMS
h
E

Dengan mengubah jari_j arinya maka terbentuk Tabel 4.1 -Hubungan jumlah

000 794.0400 37.1295 364460 36.4460 36.4460

Berikut adalah tampilan error secara grafis terlihat pada Gamb ar 4. l0 :


300 2u0

100

-t 00

-201

cluste

-j ari

r
(atura n)
0.1

cluste

t*r
-

r (atura
n)
0. I

Gumhtr 4.3 GruJik'";;;;, nriit n)rnur,Dengan Jari-Jari 0.140


4.2.

s0.0
4 50. I
6

ll
12

48.2
J
-t

90
0.1

23

flasil Pengetesan

50
0.1

80
0"1

48.0
7 47 "6 0

26 34 38

40

49.s
7

l4
19

0.1

70
0.1

30
0.1

48.9
6

60

47.6
7

20

Pada Gambar 4.4 terr ihat hasir pengetesan sistem fuzzy dengan data pengecekan yang terdapat pada fabel 4.4, yaitu peramalan permintaari Beban Listrik untuk data ke-3201 sampai ke-32gg padajari_ jari 0.140.

Prediksi Beban Listrik Sumatera Utara Dengan Menggunakan Fuzzy Cluster (Hermansyah Alam)

99

t
cE)

Hasil

tes: Realita (o) rrs Peramalan(')

il[
rL
sol'

I
I o c

Hasil

tes: Realila (oi vs Peramalan(*)

c 6 c
E
g c !

' s:i4ft#t*r
s" "
, OU!

il[
ili
'*[
zmL

-1"lld+q*l
i. + + t*^6b fr)^ v96 ^ U

ood

.s t g 6

o *s
850

x(t) dan Output Sistem x(t+7) dengan j ari-j ari 0. 40 sehingga


1

(D-4) yaitu x(t-2t), x(t-t4), x(t-7),

E
G t

750 800 850


pediksi ke t-18
Hastl

E 900

750
Hasil

800

S0

t *[
c I o fi) d

Prediksi ke t-12

les: Raalila (o)

rrs

Peramalanfl

g
5 o (Il
G G

*rI
soo

les; Realda (o) vs Peramalanf)

E
o g c g G

*l *l
7so

e; r-$;sffi,r;
_ Y4P

,tI

*n'Poo oo

Lo *n&*
9m
950

c
g

*[

3
G

tr

'*l

7ff1

8m

850

'*fL
zco 700

didapat 8 cluster dengan nilai error 3.93% perhitungan PLN dan 1 .09 % dengan Fuzzy Cluster, dalam hal ini prediksi dengan fuzzy cluster cukup baik..
950

750

ffi
prediksi

850
ke

S0

Prediksi ke t-6

Gamb ar 4.4 Hasil Pengetesan Ramalan Permintaan Beban Listrik - Vs - Aktual

Da

ftar Pustaka
Cepat

Eng Agus Naba, 2009. Belajar


Tabel 4.2. Pengetesan data aktuul dengan

ramalan permintaan Listrik No


I

Fuzzy Logic Dengan Menggunakan Matlab. Penerbit Andi Yogy akarta. Galley, Ned dan Roger jang. 2000, fuzzy Logic Toolbox, USA: Mathwork, inc
d

Data Aktual
885.5

Ramalan Permintaan

Error
-t 4.16 -12.36 28.80
-49 "7 5 -11 .24
7

8l 1 .33
799.63 877.30 8s3 .24
841 .7 s

2
a J

812
848.5 903 8s3

4
5

K.L" Ho, Y.Y" Hsu, C.C" Ydng, Short Term Load Forecasting Using A

6
7
8

790
794

865 "6s
85

5.65

Adaptive Learning
IE,E,E,,

Multilayer l{eural Network With An Algorithm,


Igg2.

7.05

63 "05

849
77 5.s 743

789 "98

-59.01

85s.14
877.31 847.50 804.92

79.64
134.3

lofti

l0
11

761 .5

t2

762

80.00 42.92

A.Zadeh , 2005. F uzzy sets and fuzzyt information theory beij ing , normal univesity
Desain

Sri Kusuma Dewi. Analisis &


Yogy akarta.

5. Kesimpulan
Berdasarkan hasi penelitian sem entara dapat diambil kesimpulan diantaranya :

Sistem Fuzzy Menggunakan Tool Box Matlab. Penerbit Graha Ilmu,

Widodo, Thomas Sri , 2005 " Sistem Neuro Fuzzy lJntuk Pengolahan
Informasi, Pemodelan, dan Kendali.

baik untuk memprediksi Beban Listrik pada Sistem Kelistrikan Sumbagut pada data-d ata sebelumny&, baik yang bersipat
lini er ataupun non linier.

Penerapan

uzzy

uster

cukup

Edisi Pertama. Graha


Yogy akarta.

Ilm u.

2"

, jarak waktu 7 dan prediksi hari ke-7 atau banyak masukan, tipe yang digunakan Mamdani dan fungsi dua 4
masukan

Prediksi yang terbaik adalah dengan

Zimmermann. I 991. F uzzy Set Theory An its Application. Edisi-2. Massachusetts: Kluwer Academic
Publishers.

keanggotaan..

3. Dari

analisa didapat prediksi yang terbaik adalah dengan Input Sistem

100

RBINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

INDEKS SUBJEK
Anvil,

Msc.nastran

Burden electrics,

9l

,7

Oop,

15

Cantilever rotating bending, 33 City car bumpe r, 7 5


Concrete strength high, g

Operating temperature, 2g

Optimum,23
Pendulum impact test, 75
Personal data entry, 6g

Critical temperatures, 2g Ductility, B l


Fatigue strength, 33 Free-fal I impact method, I

Prediks,

9l

Fury

cluster, gl

Reinforced concrete, 56 Respon structure, 56


Respon transien, 43

Harf,ness, 33

Ruko, 56
Settling time,43
Shear wall,

Imppct enerry, I Index fall to pieces, 56

Kinerja, l5 List costumer meter, 68 M icro si I ika/sicafume, 8 Misreading, 68 Mnnotonic loatling, 8I

8l

Sistem informasi inventory, 15 Strong depress concrete, g Superkonductor, 2g Tempering, 33

Transformasi laplac e, 43

INDEKS PENULIS
Achiruddin, 28 Febrin Aulia Qatubara, l5 Franky Sutrisno, 33
Hermansy'ah Alam, Rahmat Kartolo Simanjuntak, I

9l

Rimbawati, 68 Syahrul Humaidi, 2g Tondi Amirsyah putera,

Herri Mahyar, 8 Muhammad Adam, 68 Noorly Evalina, 43

Trio Pahiawan, 56 Tuaraja Simbolon, 2g

Zulfikal

75