PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM) DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN

PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI

NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055
Pembimbing : Dr Irhamah S.Si M.Si 1

BAB 1 PENDAHULUAN
2

LATAR BELAKANG
Jumlah rumah tangga di Indonesia meningkat sekitar 1,2 juta atau 3,15% per tahun Peningkatan jumlah rumah tangga akan menyebabkan peningkatan kebutuhan listrik

Untuk membangkitkan dan menyalurkan energi listrik secara ekonomis harus dibuat peramalan beban listrik jauh sebelum listrik tersebut dibutuhkan

Pembangunan bidang kelistrikan harus dapat mengimbangi kebutuhan energi listrik yang terusmenerus naik setiap tahun

PENELITIAN SEBELUMNYA
Kwang-Ho dkk, 2000 ; Kyung-Bin Song dkk, 2005 Beberapa metode berbasis kecerdasan buatan seperti Fuzzy Inference System, Fuzzy Linear Regresion, dan Artificial Neural Network, memang telah banyak diaplikasikan pada peramalan beban listrik dan ternyata hasilnya memuaskan Rani, 2011 Metode SVM yang digabungkan dengan sebuah metode optimasi akan menghasilkan ramalan yang lebih baik dibandingkan SVM biasa maupun metode berbasis kecerdasan buatan lainnya Jirong Gu dkk, 2011) Penelitian tentang penerapan GA-SVM yang terbilang baru adalah peramalan harga rumah yang menyimpulkan bahwa GA-SVM mempunyai performansi tinggi.
4

RUMUSAN MASALAH

Bagaimana meramalkan beban listrik menggunakan Support Vector Machine (SVM)?

Bagaimana meramalkan beban listrik menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)?

Bagaimana perbandingan hasil peramalan dari kedua metode tersebut ?

TUJUAN

Meramalkan beban listrik dengan menggunakan Support Vector Machine (SVM)

Meramalkan beban listrik dengan menggunakan Genetic Algorithm-Suppot Vector Machine (GA-SVM)

Membandingkan hasil peramalan dari kedua metode tersebut

MANFAAT
Sebagai rekomendasi untuk PT PLN (Persero) dalam penentuan metode terbaik yang dapat digunakan untuk meramalkan beban listrik

Sebagai kontribusi untuk penelitian mengenai peramalan kebutuhan listrik

Sebagai aplikasi metode GA-SVM untuk kasus peramalan beban listrik, karena sampai saat ini penelitian tersebut belum pernah dilakukan di Indonesia. Sebagai pengambangan keilmuan yang menggabungkan metode GA dan metode SVM, dimana keduanya dapat menghasilkan solusi global optimum, sehingga gabungan dari keduanya diharapkan dapat menghasilkan solusi global yang sangat optimum.

BAB 2 TINJAUAN PUSTAKA

PERANAN PERAMALAN BEBAN LISTRIK

Suatu model peramalan beban yang akurat sangat penting dalam perencanaan dan pengoperasian system tenaga listrik. Peramalan beban sangat membantu perusahaan listrik dalam mengambil keputusan untuk menyuplai tenaga listrik termasuk keputusan dalam mengatur pembangkitan, pemutusan beban (load switching), dan juga pembangunan infrastruktur (Prasetyo dkk, 2008). Peramalan beban listrik (load forecast) atau kebutuhan listrik (demand forecast) merupakan langkah awal dari Rencana Usaha Penyediaan Tenaga Listrik (RUPTL). Peramalan beban listrik pada unit bisnis (UB) PLN di setiap wilayah memiliki peranan sangat penting dalam penyusunan RUPTL.
9

JANGKA WAKTU PERAMALAN

Peramalan beban jangka pendek (short-term load forecasting)

Peramalan beban jangka menengah (medium-term load forecasting)

Peramalan beban jangka panjang (long-term load forecasting)

10

DERET WAKTU (TIME SERIES) (1)

Peramalan merupakan proses untuk menduga kejadian atau kondisi di masa mendatang yang bertujuan untuk memperkecil resiko kesalahan. (Makridakis, Wheelwright, McGee, 1999) Peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data masa lalu maupun data pada saat ini. (Aswi dan Sukarna, 2006) Analisis deret waktu adalah salah satu prosedur statistika yang diterapkan untuk meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang akan datang dalam rangka pengambilan keputusan.
11

DERET WAKTU (TIME SERIES) (2)

Lebih banyak menuntut analisis yang didasarkan pada pemikiran intuitif, perkiraan logis dan informasi atau pengetahuan yang telah diperoleh peneliti sebelumnya.

METODE PERAMALAN

METODE KUALITATIF METODE KUANTITATIF

Membutuhkan informasi masa lalu yang dikuantitatifkan dalam bentuk data numerik. Metode peramalan secara kuantitatif mendasarkan ramalannya pada metode statistika 12 dan matematika. Terdapat dua jenis model peramalan kuantitatif, yaitu model deret waktu dan model regresi.

STASIONERITAS DALAM TIME SERIES (1)

Stasioneritas adalah suatu keadaan dimana, terjadi perubahan atau fluktuasi data berada disekitar nilai rata-rata yang konstan, tidak tergantung waktu dan ragam dari fluktuasi tersebut. Time Series data yang digunakan harus memenuhi kestasioneritasan baik dalam mean maupun dalam varians. Apabila tidak stasioner dalam mean, maka dilakukan differencing. (Makridakis, Wheelwright dan McGee, 1999)

13

STASIONERITAS DALAM TIME SERIES (2)

Apabila tidak stasioner dalam varians, maka dapat dilakukan Transformasi Box Cox (Wei, 2006).

Nilai (lambda) -1 -0,5 0 0,5 1

Zt

Transformasi
1 Zt 1

Zt

Ln
Zt

Zt

(Tidak ditransformasi)

14

FUNGSI AUTOKORELASI (ACF)

Digunakan untuk suatu proses yang stasioner baik dalam mean (dimana, E(Zt)=) maupun dalam varians (dimana, Var (Zt) = ), maka untuk menduga model yang sesuai dapat melihat Autocorrelation Function (ACF). Dimana, Zt dipengaruhi oleh serangkaian urutan waktu berdasarkan pada interval tertentu. Oleh karena itu dituliskan korelasi diantara Zt dan Zt+k adalah sebagai berikut.

k =

cov(Z t , Z t + k ) var Z t var(Z t + k )

dengan

k = cov(Z t , Z t + k ) = E ( Z t )( Z t k )

15

FUNGSI AUTOKORELASI PARSIAL

Selain dengan melihat plot ACF dari data Time Series, pendugaan model dapat dilakukan dengan bersama-sama melihat plot Partial Autocorrelation Function (PACF). Dalam pengamatan time series, sampel PACF dinotasikan dengan dengan perhitungan seperti yang diberikan oleh Durbin yaitu sebagai berikut.

k +1, k +1 =

k +1 kj k +1 j
j=1 k

1 kj j
j=1

dengan

k +1, j = kj k +1, k +1 k , k +1 j

16

SUPPORT VECTOR MACHINE (SVM)

Konsep dasar dari SVM adalah berusaha menemukan fungsi optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda (Vapnik, 1964). Support Vector Machine (SVM) adalah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (featute space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias (Vapnik, 1995 ; Scholkopf dkk, 2002 ; Gunn, 1998 ; Cristianini, 2000 ; Santosa, 2007). SVM dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dikenalkan pada tahun 1992 di Annual Workshop on Computational Learning Theory (Cristianini, 2000) dan menjadi populer karena kesuksesannya dalam mengenali digit tulisan tangan dengan error sebesar 1%.

17

SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (1)

(2.1) Koefisien (wi dan b) diestimasi dengan meminimumkan regularized risk function (2.2) dimana (2.3) dengan C dan adalah parameter yang nilainya ditentukan.

Fungsi SVR adalah

18

SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (2)

Persamaan (2.2) ditransformasi

(2.4)

Persamaan Karush-Krun-Tucker diaplikasikan ke dalam regresi sehingga persamaan (2.4) menghasilkan Lagrangian ganda (dual) (2.5)

19

SUPPORT VECTOR MACHINE FOR REGRESSION (SVR) (3)

Lagrange multiplier pada persamaan (2.5) memenuhi . Lagrange multiplier dihitung dan suatu bobot vektor yang optimal dari regresi hyperplane adalah (2.6) Sehingga fungsi regresinya adalah (2.7)

20

METODE KERNEL (1)

Dengan Metode Kernel suatu data x pada input space di-mapping ke feature space F dengan dimensi yang lebih tinggi melalui map sebagai berikut. : x (x) Oleh karena itu, data x pada input space menjadi (x) di feature space. Pemilihan fungsi Kernel yang tepat merupakan hal yang sangat penting karena akan menentukan feature space dimana fungsi klasiner akan dicari. Sepanjang fungsi Kernel-nya legilitimate, SVM akan beroperasi secara benar meskipun tidak mengetahui mapping yang digunakan (Sentosa, 2007 ; Robandi, 2008).

21

METODE KERNEL (2)

Fungsi yang digunakan untuk metode SVM adalah sebagai berikut. Linier : Polinomial : Radial basis function (RBF) : Tangen hyperbolic (sigmoid) : tanh ( + i) dimana ,i R

22

GENETIC ALGORITHM (GA) (1)

Genetic Algorithm pada awalnya ditemukan dan dikembangkan oleh John Holland sekitar tahun 1975. Genetic Algorithm digunakan untuk permasalahan pencarian dengan melakukan minimisasi biaya dan probabilitas yang tinggi untuk mendapat solusi global optimum (Holland, 1975). Menurut Haupt dan Haupt (2004), Genetic Algorithm adalah suatu teknik optimasi yang didasarkan pada prinsip genetika dan seleksi alam.

23

GENETIC ALGORITHM (GA) (2)

Beberapa keuntungan dari Genetic Algorithm adalah sebagai berikut. Dapat digunakan untuk variabel diskrit maupun kontinyu Pencarian dari sampling yang luas secara serentak Dapat digunakan untuk jumlah variabel yang besar Hasil akhir berupa beberapa variabel yang optimum, tidak hanya satu penyelesaian saja Optimasi dilakukan dengan mengkodekan variabel Dapat digunakan pada data numerik, data eksperimental, atau fungsi analitik

24

GENETIC ALGORITHM (GA) (3)

Tujuh komponen penting Genetic Algorithm :
1. Skema Pengkodean Pengkodean yang dimaksud meliputi pengkodean gen dan kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya mewakili satu variabel. 2. Nilai fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati. 3. Seleksi Orang Tua Pemilihan dua buah kromosom sebagai orang tua yang akan dipindahsilangkan dilakukan secara proporsional sesuai dengan nilai fitness-nya. Metode seleksi yang biasa digunakan adalah roulette wheel. 25

GENETIC ALGORITHM (GA) (4)

4. Pindah Silang Crossover adalah salah satu komponen paling penting dalam GA. Sebuah kromosom yang mengarah pada solusi yang bagus dapat diperoleh dari proses memindah-silangkan ini. 5. Mutasi Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau lebih gen dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.

26

GENETIC ALGORITHM (GA) (5)

6. Etilisme Suatu individu yang memiliki nilai fitness tertinggi belum pasti akan selalu terpilih. Hal ini disebabkan karena proses penyeleksian dilakukan secara random. Walaupun individu bernilai fitness tertinggi terpilih, namun tidak menutup kemungkinan bahwa individu tersebut rusak karena proses pindah silang. Oleh karena itu perlu dilakukan etilisme, yaitu suatu prosedur pengopian individu agar individu yang memiliki nilat fitness tertinggi tidak hilang selama proses evolusi. 7. Penggantian Populasi Skema penggantian populasi dalam GA dikenal sebagai general replacement, yang berarti semua individu (N individu dalam satu populasi) dari suatu generasi digantikan sekaligus oleh N individu baru hasil pindah silang dan mutasi. Terdapat beberapa prosedur penghapusan individu ini seperti penghapusan individu yang paling tua atau individu yang memiliki nilai fitness paling rendah.

27

BAB 3 METODOLOGI PENELITIAN

28

SUMBER DATA
Data yang digunakan dalam penelitian ini adalah data sekunder. Data yang diambil adalah data beban harian tiap 30 menit pada bulan Oktober 2011 dan pada tanggal 1-2 Nopember. Data yang diramal yaitu beban listrik pada tanggal 3-4 Nopember 2011. Data diambil dari PT PLN (Persero) sub unit Penyaluran dan Pusat Pengatur Beban (P3B) Jawa Timur-Bali.

29

VARIABEL PENELITIAN
Variabel penelitian yang digunakan hanya data beban listrik harian dengan jumlah data sebanyak 48 data per hari, karena pengaruh temperature dan tingkat ekonomi diabaikan. Berikut ini adalah variabel bebas dan variabel tak bebas yang digunakan dalam penelitian ini. 1. Variabel tak bebas (yt) adalah data beban listrik yang dijadikan data aktual/target. 2. Variabel bebas (x) adalah data beban listrik pada waktu sebelumnya (yt1, yt-2, yt-3, , yt-n). Berdasarkan variabel penelitian tersebut, peramalan beban listrik ini memiliki tiga tahapan peramalan yaitu melakukan pemodelan berdasarkan data training, memvalidasi model dengan data testing, dan menghitung nilai ramalan. Keakuratan peramalan beban listrik diketahui dari MAPE, MSE, AIC, SBC, dan R2.
30

LANGKAH ANALISIS
Melakukan pengumpulan data beban listrik tahunan Melakukan analisis ARIMA untuk memperoleh input vaiabel bebas Mengolah data menggunakan algoritma SVM dengan software Matlab 7.0.1. Mengolah data beban listrik menggunakan algoritma GA-SVM dengan software Matlab 7.0.1. Melakukan analisis dan perbandingan hasil ramalan
31

MULAI

Input data

Tentukan parameter Kernel, C Mapping data x ke feature space lewat fungsi Kernel Polynomial

ALGORITMA SVM

Lakukan optimasi variabel Lagrange dengan formula QP untuk mendapatkan beta dan bias

Tidak

Hasil optimal

Ya

Hitung nilai peramalan dengan fungsi regresi

SELESAI

32

MULAI Inisialisasi parameter dan C

Membangkitkan populasi secara random Training SVM

ALGORITMA GA-SVM

Perhitungan nilai fitnress

Fitness memenuhi Tidak

Ya

Validasi GA-SVM SELESAI

Reproduksi Crossover Mutasi Populasi Baru 33

BAB 4 PEMBAHASAN
34

ARIMA
untuk menentukan input peramalan beban listrik menggunakan metode SVM dan GA-SVM
DATA TRAINING : BEBAN LISTRIK HARIAN PER 30 MENIT OKTOBER 2011
Time Series Plot of C1
87,5

Box-Cox Plot of C1
Lower CL Upper CL Lambda (using 95,0% confidence) Estimate 0,10 -0,34 0,57 0,00

4500

85,0 4000

Lower CL Upper CL Rounded Value

3500

STASIONER DALAM VARIANS ?

StDev

82,5

C1

80,0

3000

77,5 Limit 75,0 1 149 298 447 596 745 894 Index 1043 1192 1341 -5,0 -2,5 0,0 Lambda 2,5 5,0

35

Time Series Plot of C2

8,5 8,4 8,3
C2

DATA YANG DITRANSFORMASI LN

8,2 8,1 8,0 7,9 1 149 298 447 596 745 Index 894 1043 1192 1341

Autocorrelation Function for Transfformasi Box-Cox

(with 5% significance limits for the autocorrelations) 1,0 0,8 0,6
Autocorrelation

0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 Lag

BELUM STASIONER TERHADAP MEAN, POLA MUSIMAN HARIAN

36

Time Series Plot of Diff 48

0,3

0,2

0,1

DIFFERENCING 48

Diff 48

0,0

-0,1

-0,2 1 149 298 447 596 745 Index 894 1043 1192 1341

(with 5% significance limits for the autocorrelations) 1,0 0,8 0,6

Autocorrelation

Autocorrelation Function for Diff 48

0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 Lag

ACF MASIH TURUN SECARA LAMBAT

37

Time Series Plot of Diff 48,1

0,2

0,1

Diff 48,1

DIFFERENCING 1

0,0

-0,1

-0,2 1 149 298 447 596 745 Index 894 1043 1192 1341

(with 5% significance limits for the autocorrelations) 1,0 0,8

Partial Autocorrelation

Autocorrelation Function for Diff 48,1

(with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

Partial Autocorrelation Function for Diff 48,1

0,6
Autocorrelation

0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 10 20 30 40 Lag 50 60 70 80

10

20

30

40 Lag

50

60

70

80

38

LAG PACF YANG SIGNIFIKAN : 1, 3, 12, 15, 18, 21, 30, 42, 46, 47, 48

PERAMALAN DENGAN SVM

MODEL
1. C = 80, d = 0,005

2. C =95, d = 0

39

3. C = 100, d = 0,001

4. C = 110, d = 0,05

5. C = 120, d = 0,01

40

DATA TESTING

Percobaan 1 C 80 0,005 AIC SBC RMSE MAPE 10,92512 10,97855 230,841 4,9525 % 2 95 0 10,92839 10,98181 231,218 4,961 % 3 100 0,001 10,92925 10,98268 231,318 4,9634 % 4 110 0,05 10,93071 10,98413 231,487 4,9671 % 5 120 0,01 10,93202 10,98544 231, 638 4,9706 %

C = 80 dan = 0,005, dimana AIC sebesar 10,92512, SBC sebesar 10,97855, RMSE sebesar 230,841, dan MAPE sebesar 4,9525%.
41

Perbandingan Data Aktual dan Ramalan SVM

4600 4400
Beban Listrik (MW)
Variable Data Aktual Data Ramalan (SVM)

4200 4000 3800 3600 3400 3200 3000 0 20 40 60 80 Waktu dalam 30 Menit selama 24 Jam 100

SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. R-Square = 96,617 %

Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik.

42

DATA RAMALAN
Jam 3 Nopember 2011 4 Nopember 2011 00.30 01.00 01.30 02.00 02.30 03.00 03.30 04.00 04.30 05.00 05.30 06.00 06.30 07.00 07.30 08.00 08.30 09.00 09.30 10.00 10.30 11.00 11.30 12.00 3335.7 3292.4 3278.6 3253.8 3196.1 3226.1 3234 3208.5 3230.4 3250.5 3252.2 3265.1 3267.6 3307.2 3352.5 3440.5 3438.9 3542.1 3608 3633.8 3732.7 3643.8 3680.1 3708.1 3419.9 3374.9 3387.9 3356.3 3308.5 3290.7 3293.8 3243.4 3277.8 3272.8 3303.3 3309.8 3316.7 3282.4 3306.1 3382.3 3419.2 3437.3 3427.9 3491.6 3576.5 3534 3607 3677.9 12.30 13.00 13.30 14.00 14.30 15.00 15.30 16.00 16.30 17.00 17.30 18.00 18.30 19.00 19.30 20.00 20.30 21.00 21.30 22.00 22.30 23.00 23.30 24.00 3668.5 3731.2 3746.3 3809.1 3909.1 3864.6 3879.3 3904.2 4002.7 4085.3 4113 4205.2 4228.3 4269.3 4245.4 4196.2 4129.9 4051 3991.5 3890.9 3729.9 3650.3 3580.8 3502.1 3675.5 3696.7 3696.3 3825.5 3872.9 3894 3926.5 3937.7 4053.3 4050 4102.7 4170.4 4229 4254.7 4254 4214.5 4167.7 4107.2 4015.7 3942 3816.2 3690.1 3644.4 3529.8 Data Ramalan (MW)

43

Hasil Ramalan SVM untuk 3 Nopember 2011 dan 4 Nopember 2011

4400 4200
Beban Listrik (MW)
Variable Data Ramalan 3 Nop (SVM) Data Ramalan 4 Nop (SVM)

4000 3800 3600 3400 3200 0 10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam

Kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB.
44

PERAMALAN DENGAN GA-SVM

MODEL
Range C yang ditetapkan pada GA-SVM adalah 80 120, range yang ditetapkan adalah 0 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 105 dan = 0,030469.

45

DATA TESTING
Range C yang ditetapkan pada GA-SVM adalah 80 120, range yang ditetapkan adalah 0 0,05. Jumlah kromosom dalam satu populasi adalah sepuluh, peluang pindah silang adalah 0,8, dan peluang mutasi adalah 0,05. Hasil optimasi parameter SVM dengan GA adalah C = 111,875 dan = 0,043018.

Metode AIC SBC GA-SVM 10,92 10,97

RMSE 230,41

MAPE 4,85%

AIC sebesar 11,29, SBC sebesar 11,34, RMSE sebesar 276,82, dan MAPE sebesar 5,77%.
46

Perbandingan Data Aktual dan Data Ramalan GA-SVM

4600 4400
Beban Listrik (MW)
Variable Data Aktual Data Ramalan (GA-SVM)

4200 4000 3800 3600 3400 3200 3000 0 20 40 60 80 100 Waktu dalam 30 Menit selama 24 Jam

GA-SVM cukup baik dalam meramalkan beban listrik harian, terlihat dari kemiripan plot dari data aktual dan data hasil ramalan. R-Square = 97,20 %

Peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik.
47

DATA RAMALAN
Jam 3 Nopember 2011 00.30 01.00 01.30 02.00 02.30 03.00 03.30 04.00 04.30 05.00 05.30 06.00 06.30 07.00 07.30 08.00 08.30 09.00 09.30 10.00 10.30 11.00 11.30 12.00 3358.093 3310.015 3271.229 3262.204 3228.636 3256.045 3311.376 3316 3329.263 3328.195 3286.306 3231.272 3232.509 3293.485 3366.586 3500.944 3509.121 3604.309 3673.749 3718.172 3746.789 3687.332 3673.624 3705.446 4 Nopember 2011 3470.844 3412.848 3407.932 3397.27 3379.556 3360.156 3388.279 3382.879 3409.685 3383.512 3356.976 3334.045 3307.019 3329.049 3346.084 3462.455 3507.339 3537.622 3540.674 3539.316 3598.268 3597.814 3566.293 3645.831 12.30 13.00 13.30 14.00 14.30 15.00 15.30 16.00 16.30 17.00 17.30 18.00 18.30 19.00 19.30 20.00 20.30 21.00 21.30 22.00 22.30 23.00 23.30 24.00 3669.197 3799.634 3836.704 3878.297 3933.631 3894.309 3876.58 3886.238 3969.429 4109.71 4208.463 4312.154 4344.225 4380.901 4356.726 4297.358 4209.331 4109.657 3995.482 3920.19 3766.224 3652.53 3578.319 3539.057 3709.059 3753.654 3761.369 3850.039 3877.618 3884.182 3905.051 3922.615 4026.499 4111.39 4187.616 4279.11 4336.492 4363.215 4348.048 4309.17 4229.328 4145.189 4017.73 3945.004 3818.07 3684.786 3644.918 3562.8 Data Ramalan (MW)

48

Hasil Ramalan GA-SVM untuk 3 Nopember dan 4 Nopember 2011

4400 4200
Beban Listrik (MW)
V ariable Data Ramalan 3 N op (G A -S V M ) Data Ramalan 4 N op (G A -S V M )

4000 3800 3600 3400 3200 0 10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam

Kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar 4363,215 MW pada pukul 19.00 WIB.

49

PERBANDINGAN
SVM C = 80 dan = 0,005 GA-SVM C = 111,875 dan = 0,043018 Metode SVM GA-SVM AIC 10,93 10,92 SBC 10,98 10,97 RMSE 230,84 230,41 MAPE 4,95% 4,85% R2 96,62% 97,20%

AIC, SBC, RMSE, MAPE GA-SVM << SVM. R2 GA-SVM >> SVM

GA-SVM LEBIH BAIK DARI SVM

50

Perbandingan Data Aktual, Data Ramalan SVM, dan Data Ramalan GA-SVM
4600 4400
Variable Data A k tual Data Ramalan SVM Data Ramalan GA -SVM

Beban Listrik (MW)

4200 4000 3800 3600 3400 3200 3000 0 20 40 60 80 Waktu dalam 30 Menit selama 24 Jam 100

Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil, tetap dapat dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data aktual dibandingkan dengan metode SVM.
Data Ramalan untuk 3 Nopember 2011 dengan SVM dan GA-SVM
4400 4200
V ariable D ata Ramalan 3 N op (S V M ) D ata Ramalan 3 N op (G A -S V M )

Data Ramalan untuk 4 Nopember 2011 dengan SVM dan GA-SVM

4400 4200
V ariable D ata Ramalan 4 N op (S V M ) D ata Ramalan 4 N op (G A -S V M )

Beban Listrik (MW)

4000 3800 3600 3400 3200 0 10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam

Beban Listrik (MW)

4000 3800 3600 3400 3200 0 10 20 30 40 50 Waktu dalam 30 Menit selama 24 Jam

51

BAB 5 KESIMPULAN, SARAN

52

KESIMPULAN (1)
Ramalan menggunakan metode SVM menghasilkan R-Sq yang cukup tinggi yaitu sebesar 96,617 %. Artinya, peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode SVM menghasilkan nilai ramalan yang baik. Hasil ramalan menggunakan SVM menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4269,3 MW dan 4 Nopember 2011 sebesar 4254,7 MW pada pukul 19.00 WIB.

53

KESIMPULAN (2)
Ramalan menggunakan metode GA-SVM menghasilkan parameter optimum yaitu C = 111,875 dan = 0,043018, R-Sq yang dihasilkan cukup tinggi yaitu sebesar 97,20 %. Artinya, peramalan beban listrik harian di PT PLN Sub Unit P3B Jawa Timur dan Bali menggunakan metode GA-SVM menghasilkan nilai ramalan yang baik. Hasil ramalan menggunakan GA-SVM menunjukkan bahwa kebutuhan maksimum akan listrik oleh konsumen tanggal 3 Nopember 2011 sebesar 4380,901 MW dan 4 Nopember 2011 sebesar 4363,215 MW pada pukul 19.00 WIB.

54

KESIMPULAN (3)
Peramalan beban listrik menggunakan metode GA-SVM menghasilkan nilai AIC, SBC, RMSE, dan MAPE yang lebih kecil dibandingkan dengan metode SVM. R2 yang dihasilkan dari metode GA-SVM juga memiliki nilai yang lebih besar dibandingkan nilai R2 yang dihasilkan dari metode SVM. Meskipun nilai masing-masing kriteria keakuratan antara kedua metode tersebut hanya terpaut selisih yang kecil, tetap dapat dikatakan bahwa hasil ramalan menggunakan metode GA-SVM lebih akurat dan lebih mendekati data aktual dibandingkan dengan metode SVM. Dari hasil peramalan menggunakan GA-SVM, PT PLN Sub Unit P3B Jawa Timur dan Bali dapat menyediakan tenaga listrik yang sesuai dengan kebutuhan listrik konsumen.
55

SARAN
Hal yang menjadi catatan penting dalam Tugas Akhir ini adalah nilai MAPE yang dihasilkan dari metode SVM dan GA-SVM masih belum memenuhi standar minimal MAPE PLN yaitu sebesar 2%. Oleh karena itu, untuk peneliti selanjutnya disarankan untuk melakukan pengembangan metode dan data yang digunakan dalam analisis.

56

DAFTAR PUSTAKA (1)

A. Azadeh, R. Tavakkoli-Moghaddam, S. Tarverdian. 2004. Electrical Energi Consumption Estimation by Genetic Algorithm and Analysis of Variance. Research Institute of Energi Management and Planning and Department of Industrial Engineering, Faculty of Engineering, University of Tehran, Iran. Arief H.K, Zuhal, Rinaldy D. 2007. Long-Term Load Forecasting on the Java-Madura-Bali Electricity System Using Artificial Neural Network Method. International Conference on Advances in Nuclear Science and Engineering in Conjunction with LKSTN, pp 177-181. Bonadr, R., Sumardi, dan Sudjadi. 2002. Perbandingan Kinerja Algoritma Lms Dan Algoritma Genetik Untuk Filter Adaptif Penghilang Noise. Universitas Diponegoro. Chatterjee, S., Laudat, M., dan Lynch, L.A., 1996. Genetic Algorithms And Their Statistical Applications:An Introduction. Journal Applied Computational Statistic and Data Analysis, 22, 633-651. Cristianini, N. dan Shawe Taylor, J, 2000. An Introduction to Support Vector Machines, Cambrige University Press. Dharma,A., Putu Eka Wahyu I, Imam Robandi. 2006. Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Menggunakan Artificial Neural Network dan Fuzzy Inference System (ANNFIS) Studi Kasus di Pulau Bali. Seminar Teknik Elektro Universitas Negeri Surabaya. Djiteng Marsudi. Operasi Sistem Tenaga Listrik. Balai Penerbit & Humas ISTN. Jakarta. 1990. Eslam Pourbasheer, Siavash Riahi, Mohammad Reza Gazali, Parviz Norouzi. 2009. Application of genetic alogithm-support vector machine (GA-SVM) for prediction of BK-channels activity. European Journal of Medicinal Chemistry, Vol. 44, pp. 5023-5028. Gunn, S., 1998, Support Vector Machines for Classification and Regression, Tech.Rep.,Dep.of Electronics and Computer Science, University of Southampton. Herman Darnel Ibrahim. Rencana Usaha Pengusahaan Tenaga Listrik (RUPTL) 2006-2015. Direktorat Transmisi dan Distribusi PT PLN (Persero). Jakarta. 2006. Holland, John H. 1975. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press. J. F. Yang and H. Z. Cheng. 2004. Application of SVM to power system short- term load forecasting. Electric Power Automation Equipment, Vol. 24, pp. 30-32.

57

DAFTAR PUSTAKA (2)

Jirong Gu, Mingcang Zhu, and Liuguangyan Jiang. 2011. Housing price forecasting based on genetic algorithm and support vector machine. Expert Systems with Applications : An International Journal, Vol. 38, Issue 4. Kosasih, D., dan Rinaldo, (2006). Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum. Institut Teknologi Bandung. Kurniawan Fitrianto, Agung Nugroho, dan Bambang Winardi. 2005. Prakiraan Kebutuhan Energi Listrik Tahun 2006-2015 pada PT PLN (Persero) Unit Pelayanan Jaringan (UPJ) di Wilayah Kota Semarang dengan Metode Gabungan. Tugas Akhir. UNDIP. Kusumadewi, Sri; Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi Menggunakan Teknik- Teknik Heuristik. Yogyakarta : Graha Ilmu. Kuswartojo, T. (2005). Perumahan dan Pemukiman di Indonesia. Bandung: ITB. Kwang-Ho Kim, Hyoung-Sun Youn, Yong-Cheol Kang. 2000, Short-Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method, IEEE Transactions on Power System, Vol.15, No.2, May. Kyung-Bin Song, Young-Sik Baek, Dug Hun Hong, and Gilsoo Jang.2005. Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method, IEEE Transactions on Power System, Vol.20, No.1, February. Law, M. A Simple Introduction to Support Vector Machines. Lecture for CSE 802, Department of Computer Science and Engineering Michigan State University. Ong, C.S., Huang, J.J., dan Tzeng G.H., 2005. Model identification of ARIMA family using genetic algorithms. Journal Applied Mathematics and Computation, 164, 885-912. Ping-Fei Pai and Wei-Chiang Hong. 2005. Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms. Electric Power System Research, Vol. 74, pp. 417-425. Prasetyo Gusti, R.A., Imam Robandi. 2008. Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Dengan Metode Support Vector Machine. Tugas Akhir, ITS. Randy L. Haupt. S. E. Haupt. 2004. Practical genetic Algorithm. New Jersey: John Wiley & Sons, Inc. Santosa, B., 2007, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Teori dan Aplikasi, Graha Ilmu.

58

DAFTAR PUSTAKA (3)

Scholkopf, B. dan Smola, A., 2002, Learning with Kernels, The MIT Press. Cambridge, Massachusetts. Sivanandan S. N. and Deepa S. N. 2007. Introduction to Genetic Algorithm. New York : Springer Berlin Heidelberg. Stefan Lessmann, Robert Stahlbock, and Sven F. Crone. 2006. Genetic Algorithm for Support Vector Machine Model Selection. International Joint Conference on Neural Networks. Suyanto. 2005. Algoritma Genetika dalam MATLAB (Genetic Algorithm in MATLAB). Yogyakarta : Andi Publisher. Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer Verlag. 94 X.M. Li, D. Gong, L. Li, and C.Y. 2005. Next day load forecasting using SVM, Proc. ISNN '05, Lecture Notes in Computer Science, Springer, Berlin, pp. 634-639.

59

TERIMA KASIH

60

PERAMALAN BEBAN LISTRIK MENGGUNAKAN GENETIC ALGORITHM-SUPPORT VECTOR MACHINE (GA-SVM) DI PT PLN (PERSERO) SUB UNIT PENYALURAN DAN PUSAT PENGATURAN BEBAN (P3B) JAWA TIMUR-BALI
NI LUH PUTU SATYANING PRADNYA PARAMITA 1308 100 055
Pembimbing : Dr Irhamah S.Si M.Si 61