Anda di halaman 1dari 8

ISBN : 978-602-96853

-'l -z

PROSIDING

frl br,WG k'

F*''r rlr

,rqffi

ff

ffiffi ruI$q*$
Gedung Serbaguna Fakultas Teknik Kampus Al-Munawwarah

26

29 Ap!'il zOf 1
Tema

Peranan Teknologi Dalaffir Pen i ngkatan Kual itas Masyarakat
iee" rly I
$
$

UNIVERSITAS ISLAM SUMATERA UTARA
Telp : (06L) 7868049,; Fax : (061) 7869920 E-Mail : pekan_ilmiah_ftuisu@yahoo.com

Il. S.M. Raja Teladan Medan

Raja Teladan Medan . Tbgar Gullom. Rahmayalis ( ns t i tut Tekno I ogi Medan) Simulasi Kendali Putaran Kecepatan Motor DC Berbasis Logika Kholtul Saleh (Malwsiswa 52 ISTN Jakaria) Fuzzi 338'345 vl a Fakultas Teknik UISU Kampus Al Munawwarah Jl.Seminar Nasional III kknologi Dan Rekayasa ISBN 978-602-96853-1 -2 Inkubator Bayi Menggunakan Sensor Suhu Berbasis PC Sebagai Pengendali Rohana ((Jniversitas Muhammadiah Sumatera Utara) Aproksimasi ANFIS Untuk Memprediksi Bebm Listrik Sumatera Suhu 264-270 Utara MilaokonholerATSS5l 271'277 Sugiharto (Mahasiswa P ascasarj ana ISTN Jakarta) Sistem Pengontrolan Palang Pintu Rel KeretaApi Otomatis Berbasis 278-283 Rimbawati ((Jniver s it as Muhamm adiah Sumater a Utara) penerapan ANFIS (Adaptive Neuro Fuzzy lnferense System) Untuk Memprediksi Beban Listrik Sumatera Utara Noorly Evalfua dan Agas PriYono Fluktuasi 28l''291 (UMSU dan ISTN Jakorta) Rancang Bangun Sistem Pengaturan Arah Modul Sel Surya Mengikuti Posisi Menggunakan Logika Fuzzy Matahari 292-297 Hamdsni (Universitas Panca Budi Medan) Filter Tlpe Single Tuned Is Utilized To Fix Harmonisa On Pgwer System Elecfrical To ETAP @lectrical Transient Analyzer Prograrns) Applied 298'304 Usmwt Harahap (Un iv er s i t as Medan Are a) Penggunaan Jaringan Syaraf Tiruan (JST) Untuk Memprediksi Beban Listrik Sumatera Utara' 305-310 HermansyahAlam Qnstitut Telorclogi Medan) Effect Electromagnetic Field Growth Of Red Bean (Vigpa Yanee Umbellata) Otocopler 311-316 (U n iv er s il as Medan Area) Rancang Bangun Alat Pemanggil Perawat Rumah Sakit dengan Menggunakan Berbasis Mikrokontroler AI89S5 I Tampilan LCD 317-321 SubaHt (Univ er sitas Negeri Medan) Pengenalan Sinyal Jantung Ahmad Yoni dan DJoko Horl Nugroho ((Jniversitas Al-Azhar Medan dan ISTN Jakarta) MenggunakanANFls Arus 322:325 Perbandingan Besar Tatranan Pengereman Plugging Terhadap Waktu Antara Motor Searah Penguatan Shunt dengan MotorArus Searah Penguatan Seri 326'333 Murtamant (Univ er s it as N egeri Medan) Penerapan Fvuy Logic Pada Perbaikan Stabilitas Dinamis Sistem Tenaga Listrik 334-337 Menggunakan Program Matlab SurufrroAt nolasafi. SM.

Fakultas Telmologi Industri.lrulLsusnya metode Recurrent Neural Network data dengan tepat. i d Abstrak la"em memprediksi suatu kondisi beban listrik di Sumatera Utar4 beberapa metode analisa teknik telah uraliai dan dikembangkan.\ .05... Telp (061)7363771 Emai I : herm ans _itm@y ahoo.:r'-1: ::i-_: .m knnci : JST. c o./^-Y /\ sum + 5qua3h \ Gambar 1" Struktur dasar jaringan syaraf tiruan.f . Elman neural network. Jaringan Syaraf Tiruan dicirikan dengan adanya proses pembelajaran (learning) yang berfungsi untuk gCaqtasiqarameter-qaft rrneter(aringrnnla- Fakultas Teknik UISU Kampus Al Munawwarah Jl..01.mq.icr:ninar Nasional III Teknologi Dan Rekayasa ISBN 978-602-96953-1 -2 Penggunaan Jaringan Syaraf Tiruan (JST) Untuk Memprediksi Bebare Listrik Sumatera Utara Hermansyah Alam Dosen Jurusan Telcnik Elelaroa.i __ lryra Nod."\ \/ ---"\ ..i i. OfeU *=-__<y ---' '/ -.ttr. Hasil yang diperoleh dari nmrgujian sistem untuk siorr turm forecasting data beban listrik Sumatera Utara bulan Januari . {lurmlna tlli.:. Gedung Arca No. Oleh karena itu diperlukan suatu metode yang dapat meramalkan 1irom*.:lesaikan perrrasalahan-permasalahan dalam skala besar dan kompleks. Salah satu data time series yang dapat digunakan adalah data beban listrik. tii .05 dan WF : 1. didapatkan Mean Square Enor (MSE) sebesar 0.LMA training..rqent neural network merupakan salah satu bagian neurql network yang dapat digunakan untuk murru.malkan data time series.ir"rhan tenaga listrik itu dengan tepat. Institut Telmologi Medan Jl. : 0.ir jaringan yang berfungsi sebagai pemproses infonnasi dalam mengambil keputusan untuk rnsngambil 'nnntun"r tindakarl Jaringan Syaraf Tinran (Artificial Neural Network) diharapkan dapat dikembangkan untuk .. Dari uraian di atas penulis dapat mengambil permasalahan sebagai berikut : Bagaimana proses peramalan dengan mengunalcan reclrrent neural networl{! &agaimana modelrecarrent neural networkyangdigunakan dzlamforecasting (peramalan)? tpakah hasil predilsi dapat menentukan pemakaian beban listrik Provinsi Sumatra Utara tahun ke . L Pendahuluan Semakin berkembangnya pembangunan pada suatu Daerah maka kebutuhan akan tenaga listrik di tersebut akan semakin meningkat. Dengan stmktur dari. 52 Medan. Karen4 jaringan syaraf tiruan .0766 dengan parameter mo : 0.01. Landasan Teori Jrringan SyarafTiruan Hilhami dari kesulaesan sistem otak manusia yang terdiri dari ribuan bahkan jutaan neuron dalam muru.. Neuron adalah satuan unit l@rr'os€s terkecil pada otak.. Salah satunya adalah Jaringan Syaraf Tiruan. Dengan menggunakan Jaringan Syaraf Tiruan khususnya struktur w. :eningga Jaringan Syaraf Tiruan didefinisikan sebagai susunan dari elemen-elemen penghitung yang neuron atau titik (node) yang saling terhubung guna dimodelkan untuk meniru fungsi otak manusia.ral Network yang optimal terdiri dari 7 rnput 13 hidden dan 1 output. Elman 'wrl. SM. Struktur Recurrent Neural Network yang uuguakan untuk meramalkan beban listtrik adalah Elman Neursl Network. alfa : 0.Xuuu*ah :epannya? q . {alli*r p. Raja Teladan Medan 30s .Desember ffitlc.

'rrrr sumber dari : Buku teks sebagai bahan acuan. Hardisk 306 140 GB Fakultas Teknik UISU Kampus Al Munawwarah Jl. a. . 3. Jaringan Syaraf Tiruan modular. -. Metodologi Penelitian 3. Raja Teladan Me's*': . hrgas akhir.1. Memory 1GB 1.3 Arsitektur Jaringan a. 2.. Beban (P3B).6 Medan. 2. 4.L. Unit Pengatur Beban Sumatera Bagian Utara yang beralamat di Jalan K. yaitu Jaringan Syaraf Tiruan feedforward. Jaringan Syaraf Tiruan rekurens. ' *i.2. Neuron dikelompokkan dalam beberapa lapisan. struktur recurent neural network adalah sebagai berikut : Competitive networks Self-organizing maps Elrnan networks Hopfield networks Jordannetworks Adaptive-resonance theory models 3. Dak beban listrik SumateraUtara. Metode yang digunakan adalah dengan menggunakan Jaringan Syaraf Tirua& dibantu oleh Matla: sehingga data peramalan beban untuk masa yang akan datang dengan berpatokan kepada data-data 1'ar.2 Jenis Jaringan Saraf Tiruan : 1.Seminar Nasional III Teknologi Dan Rekayasa rsBN 9?E-6#2-$685: 2. neuron yang terletak pada lapisan yang akan memiliki keadaan yang sama.rilurr 2. yang diambil dari PT. Adapun alat-alat yang dipergunakan dalam penelitian ini adalah Satu unit laptop dengan spesifikasi sebagai berikut: : . a t t A a a Recurrent Neural Network : Recurrent neural network adalah salah satu bagian dari model artificial neural network mempunyai feedback yang berasal dari satu lryer menuju layer lainnya.n Lorong XII no. Model jaringan saraf tiruan dikelompokkan menjadi empat jenis. Ada beberapa arsitektur jaringan saraf. Jaringan Syarafdengan Banyak Lapisan b. PLN @ersero) Penyaluran dan Pusat Pengai. Jaringan syaraf dengan lapisan tunggal Gambar 3. Adapun yang ternnasui. SM. AlztPenelitian 1.. 20115. 3. Bahan-Bahan Penelitian Dalam penelitian ini diperlukan informasi dari datadata yang merupakan bahan-bahan penelitiar. Processor Intel@) Atom(TM) b.66 GHz c. dalam hal ini yang ada kaitannya dengan permasalahan mengena. Jurnal atau artikel yang ada kaitannya dengan penelitian tugas al*rir. Yos Suda. 3. Biasanya. l. lalu. antara lain : Jaringan Lapisan Tunggal (Single Layer Net) ir:lir Gambsr 2.

6. 13 hidden dengan I output.*. dimana pada tugas atfiir ini digunakan 7 input. Dimanq dengan menggunakan LMA training ini dapat dicari 1. Memodelkan data tersebut sebagai masukan untuk menjadi bahan proses agar mendapatkan outputyang diinginlran. Hasil pengujian untuk mengetattui hubungan antara momentum (mo) terhadap performa faining LMA (WF: 1. output menggunakan Jaringan Saraf Tiruan yang kemudian hasilnya dianalisa. Masrukkan Data Beber Listrik Sumatera Utara Gambar 4. Algorilhm). Melakukan identifikasi terhadap syarat. Melakukan pengujian dari hasil yang telah didapati kemudian dikaitkan hasil ini terhadap masingmasing pengaruh penggunaan algoritma belajar serta modifikasi strukturnya. Selarfutnya data dikoreksi dan disusun agar mudah untuk dianalisa. F"lowchart JST pengolahan data {. i" Sumatera Bagian Utara. alfa: 0. d.*.05. o'5 Gambar 5.5. Menyajikan hasil pengujian dalam bentuk grafik sebagai bahan informasi yang sederhana dan mudah dipahami. & i20 . momentum (mo). i. Dalam LMA haining terdapat faktor-faktor yang dapat meningkatkan kemampuan training dari LMA.1'i. samm3: 0. Proses Simulasi Penelitian ini dilakukan dengan melalui tahap-tahap sebagai berikut : i Mengumpulkan bebarapa data yang valid untuk menjadikan bahan analisa yakni data beban listrik bersumber dari PT. Galat yang terjadi diminimalkan dengan menggunakan algoritma belajar LlvlA (Levenberg-Marquardt 6. Grafik hubungan mo terhadap SSE untuk No_of_training :365.1. Sesuai penelitian maka dapat digambarkan pa&flow chffi Gambar 4.i- Seminar Nasional III Teknologi Dan Rekayasa rsBN 97 8-602-96853-r-2 l. SM. Operating System Windows XP Software Matlab Ver. Unit Pengatur Beban :. dan modified error rndex (y) yang dapat meningkatkan convergence speed dari LMA serta nilai dari Wildness Factor (WF) yang Cigunakan untuk membatasi osilasi ".01.1 Relese 13 33. Pengujian ilai parameter-parameter struktur recurrent neural network yang menghasilkan error terkecil sehingga hasil iorecasting mendekati data yang sebenarnya. Raja Teladan Medan 307 . PLN (Persero) Penyaluran dan Pusat Pengatur Beban (P3B).*.01) adalah sebagai berikut : Grafik Hubungan mo terhadap SSE ftontrol osilasi) daxi LMA taining. Hasil Dan Pembahasan Algoritma Training LMA LMA (Levenberg-Marquardt Algorithm) training merupakan algoritna training yang digunakan untuk :-orecasting beban listrik pada tugas akhir ini.t El0 |'5 0 z2s lm -35 o'r t't 'L.. diantaranya alpha (a). maxiteration : 100 Fahlltas Teknik UISU Kampus Al Munawwarah Jl.

1.25 Q5%) SSE : 1.3504 308 Fakultas Teknik UISU Kampus Al Munawwarah Jl.1. Hasil pengujian pengaruh WF pada kontrol osilasi terhadap pcrforrra 0.01(l%) WF : 1. Grafik hubungan glmma (1) terhadap SSE untuk No-of-training = 365' maxiteration = 100 3.5 3.1.1637 4.1.Seminar Nasional III Teknologi Dan Rekayasa 2. WF: 1. SM. gamma = wF * 1. Perbandilgan Alfa.87 l8 16.01) adalah sebagai berikut : nk Hubungan Gamma (yltcrhadap SS€ 0.7092 . gamma = 0 l Tabel 3.8642 0.15 0.s Gambar 6.15 0.35 0.1. alfa: 0.3327 0.01) adalah sebagai berikut : lfr{A training (mo : 0.1.7973 2.7082 Grafik Hubungan Alfa {cr.4 0.977 | 3.1 a2 0.15 0.541 3.15 0. Maxiteration : 100 5.01o/o) ssE ssE ssE .j. Hasil Pengujian perubahan konstanta 1 (modified enor index) terhadap performa training LIvLA 0.05 0.0001 (0.05 0.044r 60.3504 WF: 1.}terhadap 558 e16 n1{ gig tr6 1^a E) r- 18 d0 u 0. wF :1.45 0.7083 . l dan alfa : 0.3 0.50 $A%). Hasil pengujian perubahan alfa (n) terhadap performa dari training WF: 1.01) adalah sebagai berikut : LMA (mo : 0..55 alpha (c) Gambar 7.1. WF: 1.15 0. I dan alfa : 0.3 4. ter Atfa (u) 0.4 gamma {vl 0.2s 0.01) adalah sebagai berikut : : 0. Raja Teladan Me.5321 1. gam:.01. Hasil pengujian pengaruh WF pada kontrol osilasi terhadap performa LMA training (mo 0.1 Sum Square Error (ssE) 1.27s0 4. SSE: 1.si . Grafik Hubungan Alfa (c) Terhadap SSE untuk No_of_training : 365.2 a.50 (50%).

. gamma = 0. Teknik UISU Kampus Al Munawwarah Jl.1267 5. Dengan semakin besarnya osilasi maka performs fisining LMA tersebut buruk.Hd E s10 J ^n zv 1( I"J In 0.rltas 309 .01%) wF WF: : 1. Hasil Training LMA untuk No_of_training = 365. WF : 1.35 0. Max. Kesimpulan Dan Saran resimpulan in:rdasarkan analisa dan pengujian yang telah dilalcukan maka dapat diambil beberapa kesimpulan sebagai rcrkut Kemampuan dari struktur Ehnan neural network untuk mempredilsi data beban listrik Sumatera Utara cukup baik karena nilai MSE yang dihasilkan sebesar 0.0001 (0. maka osilasi yang efladi juga semakin besar.01 .Imrll sebaliknya bila osilasi yang dihasilkan kecil maka training LMA yang dilakukan tersebut baik.25 0.05 .7A92 : 1.55 Gambar 8. Berikut adalah hasil pengujian struktur recurrent neural network dengan algoritma training LMA.45 alpha (cr) 0. momentum (mo). UI o L L- c. sehingga dapat reningkatkan performa dari training yang dilakukan.0161 iMsE_hain = 0. Maniteration: 150 Pada pengujian di atas didapat hasil SSE dan MSE untuk struktur recurent neural network dengan LMA .7083 : 13A82 Grafik Hubungan Alfa (al terhadap SSE SSE SSE SSE L.aining diatas : SE_train :2.9306 : '{SE_train: 0. r r :r.minar Nasional III Teknologi Dan Rekayasa WF ISBN 978-602-96853 -t-2 : T. Plot SSE-Iterasi. Raja Teladan Medan I I i*:.Desember 2009.15 0.01(r%) 1.2769 untuk forecasting bulan Januari . WF = 1. = 100.05 . L.I Hidden: 13 Mo :0. ::mggunakan data beban listrik Sumatra Utara 1 Januari 2009 sampai dengan 3l Desember 2009 sebanyak 365 data sebagai input yang data training direpresentasikan dalam bentuk perhari. SM.u dari . \' i.0766 dan RMSE dengan nilai 0. modified error index (y) dan kontrol osilasi dalam training LMA n:gat membantu dalam meningkatkan kecepatan konvergensi dari training LMA tersebut.01 . Semakin panjang representasi data XIO untuk short term forecasting maka semakin buruk forecasting yang diperoleh.i. J( .r-ameter sebagai berikut : Input:7 Output . Dengan ':rr. Dengan demikian kesimpulan yang diambil melalui percobaan yang dilakukan adalah dengan :enambahan alfa (c).25 (25%) 1. alfa --0.50 Pada gambar dapat diambil kesimpulan bahwa semakin besar Wildness Factor (WF).05 0.

i{asil dari forecasting tidak dapat mengikuti data yang isidental dan tidak berulang. LMA berdasarkan hasil pengujian grafik SSE dapat meningkatkan convergence speed dari training :'i: dapat menurunkan nilai SSE dan MSE hasil training. tiruan.adalah 0. Penerbit Publishing.wikipediaore/wikiliarinean syaraltiruan 310 Fakultas Teknik UISU Kampus Al Munawwarah Jl. Jateng.01. dinama nilai alfa (a) optimum 0.:. 5. Joringan Syaraf Tiruan dan Pemograman Menggunakan MATMB.05 dan gamma \ Kontrol osilasi yang dipakai pada haining LMA dapat membatasi osilasi eror yang terjadi pada p':':"'r. 2006.. Menggunakan struktur recurrent neural network yang lain. kurs mata uang dan lain-lain. Gunaidi Abdia Away.pdf [3]. sehingga dapat mengontrol terjadinya osilasi etroryang dihasilkan kurang dailo/o. mo optlr. Pengantar Jaringan Saraf Tiruan Teori dan Aplikasi.:. time series selain data beban listrik. seperti data saham.files..':l:'l yang baik dapat dilakukan dengan : tvtenguUah struldur Ehnan neural network dengan penambahan atau pengurangan jumlah inpu' -* output serta penambahan atau pengufangan jumlah neuron pada hidden layer. . Yoryakarta.wordpress.'. Raja Teladan Medr . 6- Baik atau buruknya hasil dari forecasting dengan menggunakan Elman neural network sangr: dan . Juni.pdf http://trirezqiariantoro. J.wordpress.. 2009. misalnya Hopfield neural network' Mengaplikasikan recurrent neural network dengan LMA training unhrk memprediksi (forecastile. 4. Siang 2009.Seminar Nasional III Teknologi Dan Rekayasa rsBN 978-6A2-968: ) 3.t6l. .05. r Saran l. Pen.::".:r training.com/2007/05/jaringan-syaraf [a]. Berdasarkan hasil penelitian. Erna Dwi Astuti.- a. Fairuz El Said.or. [2]. 2009. Oleh karena bergantung pada random parameter untuk nilai awal parameter-parameter parameter awal yang berupa nilai random ini sangatlah penting. l2f P engantar Jaringan Syar af Tiruan Bandung.cert.'- http://www. Z. karena I WF (Wildness Factor) yang digunakan adalah sebesar 1'01.J. SM. terj adinya pemadaman listrik.. Study Kasus Aplikasi Multilayer Persepfon (IDS) berdasarkan Anomali Jaringan httn://www. untuk psningkatkan performa sistem dan mendapatkan hasil forca. The Shortcut of MATI-AB Programmrhg Penerbit: Informa:. . 0.id..id/-budilcourses/ec70 I 0/2004-2005/andry report. sebagai cc:' ' penambahin learning rate (a). http://fairuzelsaid. Data Mining-Konsep Jaringan Syaraf Tiruan. Teori Jaringan Syaraf Tiruan Andi. Daftar Pustaka [1]. momenfum (mo) dan modified error index (MEI) pada algoritma trai. b.com/2009/1 li l9lmetode-data-minine-jaringan-syaraflti{uad : : "r [3].