Anda di halaman 1dari 6

JURNAL TEKNIK POMITS Vol. 1, No.

1, (2012) 1-6

Peramalan Beban Listrik Jangka Pendek Menggunakan Optimally Pruned Extreme Learning Machine (OPELM) Pada Sistem Kelistrikan Jawa Timur
Januar Adi Perdana, Adi Soeprijanto1), Rony Seto Wibowo2) Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: adisup@ee.its.ac.id1), ronyseto@ee.its.ac.id2)
AbstrakPeramalan beban listrik jangka pendek merupakan faktor yang sangat penting dalam perencanaan dan pengoperasian sistem tenaga listrik. Tujuan dari peramalan beban listrik adalah agar permintaan listrik dan penyediaan listrik dapat seimbang. Karakteristik beban di wilayah Jawa Timur sangat fluktuatif dan non linier sehingga pada penelitian ini digunakan metode Optimally pruned extreme learning machine (OPELM) untuk meramalkan beban listrik. Kelebihan OPELM ada pada learning speed yang cepat dan pemilihan model yang tepat dengan error yang kecil. Keakuratan metode OPELM dapat diketahui dengan menggunakan metode pembanding yaitu metode ELM dan kriteria keakuratan yang digunakan adalah MAPE. Hasil dari perbandingan kriteria keakuratan menunjukkan bahwa hasil peramalan OPELM lebih baik dari ELM. Error rata-rata hasil pengujian peramalan paling minimum menunjukkan MAPE sebesar 1,5534% terjadi pada peramalan hari Jumat, sementara pada hari yang sama dengan metode ELM menghasilkan MAPE sebesar 2,6832% Kata kunci: Peramalan Beban Listrik Jangka Pendek, OPELM, ELM

beban jangka pendek bertujuan untuk meramalkan beban listrik pada jangka waktu menit, jam, hari atau minggu. Perusahaan penyedia listrik menggunakan suatu metode konvensional untuk meramalkan kebutuhan beban listrik di masa yang akan datang, dimana model dirancang berdasarkan hubungan antara beban listrik dengan faktor-faktor non linier yang mempengaruhi konsumsi beban seperti tingkat pertambahan penduduk, tingkat ekonomi masyarakat, cuaca pada periode tertentu, biaya pembangkitan energi listrik dan lain sebagainya.Dalam penelitian ini, diperkenalkan suatu metode Optimally Pruned Extreme Learning Machine (OPELM) sebagai solusi untuk permasalahan dari faktorfaktor non linier di atas yaitu peramalan beban listrik dilakukan berdasarkan pengenalan pola beban dalam periode jangka pendek pada semua hari di sistem kelistrikan di Jawa Timur. II. PERAMALAN BEBAN LISTRIK A. Pengenalan Pola Beban Listrik Peramalan di bidang tenaga listrik dimaksudkan pada perkiraan kebutuhan beban listrik di masa yang akan datang. Beban yang diramalkan mempunyai jangka waktu tertentu yang disesuaikan dengan kebutuhan peramalan. Peramalan beban jangka pendek untuk meramalkan kebutuhan beban harian umumnya tersaji pada data permintaan beban harian per 30 menit selama 24 jam tersebut. Peramalan beban listrik bertujuan untuk mengenali pola beban dengan mengolah data historis beban listrik yang direpresentasikan dalam kurva beban harian. Suatu model peramalan beban yang akurat sangat penting dalam perencanaan dan pengoperasiaan sistem tenaga listrik. Pemodelan yang sesuai berdasarkan pada pengenalan pola beban yang dilakukan sehingga diperoleh parameter-parameter yang diperlukan. Dalam penelitian ini digunakan pemodelan OPELM (Optimally Pruned Extreme Learning Machine) yang diaplikan dalam proses pelatihan untuk melatih weight dan bias. B. Pengumpulan dan Pengolahan Data Data sekunder yang digunakan adalah data kuantitatif beban listrik harian per 30 menit selama 24 jam dalam satuan Megawatt (MW) pada sistem kelistrikan Jawa Timur pada 2 Januari 2012 hingga 11 Maret 2012. Data diambil dari PT PLN (Persero) Penyaluran dan Pusat Pengatur Beban (P3B) APB Jawa Timur.

I. PENDAHULUAN

ebutuhan listrik di berbagai daerah dari waktu ke waktu selalu berbeda bergantung pada pemakaian listrik di daerah tersebut. Sehingga penyediaan tenaga listrik dan alokasi pembangkit yang digunakan juga berbeda di daerah yang satu dengan lainnya. Pengalokasian pembangkit yang digunakan harus tepat agar kebutuhan listrik dari konsumen terpenuhi[1]. Kebutuhan listrik tersebut digunakan hampir di semua sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Besarnya permintaan listrik pada suatu rentang waktu tidak dapat dihitung secara pasti, Akibatnya timbul permasalahan, yaitu bagaimana mengoperasikan suatu pembangkit sistem tenaga listrik secara kontinyu agar dapat memenuhi permintaan daya setiap saat. Apabila daya yang dikirim dari pembangkit jauh lebih besar daripada permintaan daya pada beban, maka akan timbul pemborosan biaya pembangkitan energi listrik pada perusahaan listrik. Sedangkan apabila daya yang dibangkitkan dan dikirimkan lebih rendah atau bahkan tidak memenuhi kebutuhan konsumen maka akan terjadi pemadaman lokal pada beban dan merugikan pihak konsumen. Dengan demikian diperlukan suatu usaha untuk memprediksi permintaan beban oleh konsumen melalui proses peramalan beban listrik yang pada akhirnya akan mempunyai peranan penting dalam hal ekonomi dan keamanan operasi sistem tenaga[2]. Peramalan

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 Data beban dibagi menjadi dua yaitu data untuk training dan data untuk testing. Data pada awalnya melalui proses training untuk mengidentifikasi atau mengenali pola beban, kemudian disimulasikan dengan proses testing untuk mengetahui keakuratan peramalan beban di masa yang akan datang. Peramalan ini berdasarkan data similar day, dimana pola beban hari Senin pada minggu ini akan mempunyai pola yang sama dengan hari Senin pada minggu yang akan datang. Setelah dilakukan identifikasi pola beban maka diperoleh informasi selain beban memiliki pola yang sama, dan kurva beban semakin meningkat. Hal ini dikarenakan pola konsumsi masyarakat terhadap kebutuhan listrik yang cenderung semakin meningkat. Berikut perumusan data training dan data testing untuk mengenali pola pada hari-hari yang sama (similar day) Data untuk proses training pengenalan pola beban adalah: yt-1 hasil training = f (yt-2, yt-3, yt-4, yt-5,...., yt-8) (1) Data untuk proses testing peramalan beban adalah: yt hasil ramalan = f (yt-1, yt-3, yt-4, yt-5,...., yt-7) (2) III. OPTIMALLY PRUNED EXTREME LEARNING MACHINE (OPELM) A. Extreme Learning Machine Extreme Learning Machine merupakan metode pembelajaran baru dari jaringan syaraf tiruan. Metode ini pertama kali diperkenalkan oleh Huang [3]. ELM merupakan jaringan syaraf tiruan feedforward dengan single hidden layer atau biasa disebut dengan Single Hidden Layer Feedforward neural Networks (SLFNs). Metode pembelajaran ELM dibuat untuk mengatasi kelemahan-kelemahan dari jaringan syaraf tiruan feedforward terutama dalam hal learning speed. Pada pembelajaran dengan menggunakan conventional gradient based learning algorithm seperti backpropagration (BP) dan variaanya Lavenberg Marquadt (LM) semua parameter pada JST feedforward harus ditentukan secara manual dan memerlukan iterasi yang lama. Parameter yang dimaksud adalah input weight dan hidden bias. Sedangkan pada ELM parameter-parameter seperti input weight dan hidden bias dipilih secara random, sehingga ELM memiliki learning speed yang cepat dan mampu menghasilkan good generalization performance. Berikut ini merupakan struktur dari ELM.

2 ELM lebih sederhana dan efektif. Berikut model matrematis dari ELM. Untuk N jumlah sample yang berbeda ( Xi , ti ) (3) (4) Standar SLFNs dengan jumlah hidden nodes sebanyak N dan activation function g ( x ) dapat digambarkan secara matematis sebagai berikut : (5) Dimana : J = 1,2,..., N w i = ( wi1 , wi2 ,....., win ) T = merupakan vektor dari weight yang menghubungkan i th hidden nodes dan input nodes i = ( i1 , i2 ,......, im ) T = merupakan weight vector yang menghubungkan i th hidden nodes dan output nodes b i bias dari i th hidden nodes w i x i Merupakan inner produk dari w i dan x i SLFNs dengan N hidden nodes dan activation function g (x) diasumsikan dapat meng-approximate dengan tingkat error 0 atau dapat dinotasikan sebagai berikut. sehingga (6) (7) Persamaan (7) dapat dituliskan secara sederhana sebagai. H= T H = ( w i ,...., w N , b i ,..., b N , x i ,...., x N ) g ( w 1 .x 1 + b 1 ) ... g ( w N .x 1 + b N ) = g ( w 1 .x N + b i ) ... g ( w N .x N + b N ) 1T = NT t1T T = (11) tNT H pada persamaan (9) di atas adalah hidden layer g ( w 1 .x 1 + b 1 ). Output matrix menunjukkan output dari hidden neuron yang berhubungan dengan input xi . merupakan matrix dari output weight dan T matrix dari target atau output . Pada ELM input weight dan hidden bias ditentukan secara acak, maka output weight yang berhubungan dengan hidden layer dapat ditentukan dari persamaan (8). = HTT (12) (10) (8)

(9)

Gambar 1 Struktur ELM Metode ELM mempunyai model matematis yang berbeda dari jaringan syaraf tiruan feedforward. Model matematis dari

B. Metode OPELM Optimally Pruned Extreme Learning Machine (OPELM) merupakan sebuah metode yang berdasarkan pada ELM aslinya. OPELM ditujukan untuk mengatasi kelemahan yang ada pada ELM ketika terdapat variabel yang tidak relevan atau tidak berkorelasi. Untuk alasan tersebut, diperkenalkan metode OPELM untuk pemangkasan variabel yang tidak relevan

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 dengan memangkas neuron tidak penting dari SLFN yang dibangun oleh ELM. Model OPELM dibangun dalam tiga tahap[7]. Langkah pertama dari metode OPELM adalah membangun struktur SLFN menggunakan algoritma ELM. Kemudian dilakukan perankingan neuron pada lapisan tersembunyi dengan algoritma MRSR (Multiresponse Spare Regression), dan akhirnya penentu banyaknya neuron yang dipangkas dibuat berdasarkan metode estimasi error LeaveOne-Out (LOO). Algoritma OPELM menggunakan kombinasi tiga jenis kernel, linear, sigmoid, dan gaussian. Sedangkan pada ELM hanya digunakan satu kernel saja, misalnya sigmoid. Prosedur untuk tahapan training algoritma OPELM dapat digambarkan pada flowchart pada gambar 2.
Mulai Masukkan data normalisasi Set maksimum hidden neuron Inisialisasi parameter secara acak dengan kombinasi fungsi lsg Perankingan hidden neuron Hitung LOO error () LOO error minimum Ya Hitung Output weight dan Output Tidak

3 1) Pembentukan SLFNs dengan ELM Langkah ini dilakukan menggunakan algoritma standar ELM dengan sejumlah neuron yang cukup besar N. Sementara ELM aslinya menggunakan kernel sigmoid dan model ELM ini biasanya dirumuskan berdasarkan satu jenis fungsi aktivasi atau kernel saja. Namun dalam metode OPELM digunakan kombinasi dari tiga jenis kernel: linear, sigmoid, dan gaussian. Input weight dan bias ditentukan secara acak. Matrik output hidden layer didapat dari kombinasi inisialisai parameter secara acak dari ketiga fungsi tersebut. 1) Fungsi linear y=x (14) 2) Fungsi sigmoid (15) 3) Fungsi gaussian (16) 2) Perankingan hidden neuron dengan MRSR Sebagai langkah kedua dalam metode OPELM, Multiresponse Spare Regression (MRSR) diterapkan untuk perankingan hidden neuron berdasarkan keakurasiannya. MRSR diperkenalkan oleh Simil dan Tikka[9]. Ide utama dari algoritma ini adalah menambahkan setiap kolom dari matriks regressor satu per satu ke dalam model Y k = X W k, dimana Y k = [y1k...ypk] adalah pendekatan target model T. Dimana X = [x1.....xm] merupakan n x m matrik regressor, T = [t1...tp] n x p k matrik target dan W weight matrix memiliki k baris tak nol dan sebuah kolom baru pada matriks regressor ditambahkan ke model. Sebagai catatan bahwa MRSR adalah perluasan dari algoritma Least Angle Regression (LARS) yang sebenarnya merupakan teknik perangkingan variabel. Solusi yang dihasilkan sangat tepat jika permasalahan berbentuk linier. Neural network dibangun pada tahap sebelumnya, hidden layer neuron diranking oleh algoritma LARS. Karena bagian antara hidden dan output layer dari jaringan neural network adalah linear, LARS akan menemukan perankingan terbaik (best ranking). Dengan k=0, inisialisasi Y0 dan W0 ke nol, dan normalisasi k T dan X ke rata nol. Definisikan cummulative correlation cj antara regressor xj dan residual, serta maksimum cummulative k corelation cmax , maka didapat kumpulan regressor yang memenuhi korelasi maksimumnya, dinotasikan dengan A dan membentuk matrik n x |A| XA= [x1....xj]. (17) (18) Kemudian hitung parameter OLS k+1 untuk target
k+1 k+1 k+1

Hitung MAPE

Berhenti

Gambar 2 flowchart metode OPELM Data diolah dan dikelompokkan berdasarkan pola similar day untuk masing-masing hari-hari, kemudian dilakukan normalisasi tiap data dengan persamaan berikut. Xn = 2 [Xp - min (Xp)] / [max(Xp) min(Xp)] 1 (13)

Parameter yang digunakan pada penelitian ini antara lain. - jumlah hidden neuron ditentukan pada maksimumnya sebanyak 25, mengingat OPELM tidak dilakukan trial and error - Fungsi aktivasi menggunakan kombinasi fungsi linear, sigmoid, dan gaussian

dan estimasi OLS (19) (20)

= (XA XA)
T

-1

XA T
-1

= XA (XA XA)

XA T

Greedy forward selection menambahkan regressor berdasarkan persamaan (17) dengan menggunakan estimasi OLS (20). Algoritmanya dapat didefinisikan dengan

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 perpindahan dari estimasi MRSR Yk menuju estimasi OLS k+1 k+1 , U k= -Y k namun cara tersebut tidak diijinkan. Langkah yang mungkin diambil ke arah U k untuk regressor x j dimana j A memiliki cummulative correlation besar dengan residual yang siap ditambahkan ke regressor. k+1 Untuk update estimasi MRSR Y perlu dihitung nilai step k size yang tepat. Ini membuat cumulative correlation pada langkah selanjutnya sebagai sebuah fungsi untuk j untuk j A A
k+1

4 dari matrik hidden layer dan target Output. Untuk mengetahui performa algoritma dari tiap metode maka dihitung nilai fitness yang menunjukkan MAPE (Mean Absolute Percentage Error) dari tiap perhitungan fungsi objektif training dan testing, yaitu error rata-rata dari pemodelan OPELM dan ELM. MAPE = (28)

(21) (22)

jika nilai MAPE makin mendekati nol maka kinerja hasil peramalan semakin baik. IV. SIMULASI, HASIL, DAN PEMBAHASAN A. Analisa Data Sistem peramalan ini berdasarkan similar day, misalnya pola beban hari Senin pada minggu ini akan mempunyai pola yang sama dengan hari Senin pada minggu yang akan datang. Pada Tugas Akhir ini digunakan data beban listrik harian pada hari kerja (week day), Senin sampai dengan Jumat dan data beban listrik harian untuk akhir minggu (week end),hari Sabtu dan Minggu. Pengidentifikasian karakteristik atau pola konsumsi beban perlu dilakukan sebelum melakukan peramalan. Karena kecenderungan pola aktivitas konsumen listrik akan berulang dengan tren yang meningkat. Maka hendaknya data akhir minggu yang dipilih memperhatikan korelasinya terhadap data aktual yang diramalkan sehingga proses pengenalan pola beban memperoleh hasil yang akurat. Proses testing dari hasil training terbaik tidak selalu memberikan hasil yang baik pula, tergantung pada korelasi data yang digunakan sebagai masukan[2]. Jika data yang digunakan untuk testing mempunyai korelasi yang hampir sama antara data-data masukan yang digunakan maka hasil testing akan memberikan hasil yang bagus, dan sebaliknya. B. Analisis Hasil Berikut ini dijelaskan hasil uji coba peramalan beban listrik hari jumat, 9 Maret 2012 menggunakan OPELM. Pada peramalan dengan metode OPELM dilakukan uji coba dengan fungsi aktivasi lsg (linear, sigmoid, gaussian), sedangkan ELM menggunakan fungsi linear karena data cenderung stationer. Pada proses training, hasil optimasi menghasilkan jumlah hidden neuron sebanyak 7. Berikut Hasil proses training pengenalan pola beban untuk hari Jumat menggunakan metode OPELM dan ELM ditampilkan pada Tabel 1. Tabel 1 Keakuratan Model Peramalan Data Training Menggunakan Metode OPELM dan ELM untuk Hari Jumat
Metode OPELM ELM Fungsi Aktivasi lsg linear Jumlah hidden neuron 7 MAPE training(%) 1,1086 4,3877

Dimana dan . Regressor baru dengan index j A akan dimasukkan ke model ketika (18) dan (19) sama. Ini terjadi jika step size diambil dari (23) Dimana adalah sign vector 2p, matrik p x 1 dengan element bisa bernilai 1 atau -1. Pilihan terbaik adalah step size terkecil dengan nilai positive yang menghasilkan regressor baru

k = min{|0 dan

untuk j

A}

(24)

didapat update estimasi target sebagai berikut. (25)

Dan weight matrix yang memenuhi (22) dan (17) diupdate


menjadi (26) Parameter dari regressor terpilih disusutkan berdasarkan persamaan (26). Pemilihan akhir model dari m kemungkinan didasarkan pada akurasi prediksi untuk data baru. 3) Seleksi neuron dengan Leave-One-Out Setalah perankingan neuron dari hidden layer telah diperoleh jumlah neuron terbaik untuk model yang dipilih, digunakan LOO untuk memvalidasi. Menghitung LOO error bisa sangat memakan waktu ketika kumpulan data cenderung memiliki sampel neuron penting. Untungnya, PERSS statistik (or PREdiction Sum of Squares) memberikan formula langsung dan tepat untuk perhitungan kesalahan ini pada model linier: (27) Dimana i dinotasikan sebagai hidden node ke-i, P didefinisikan sebagai P = (H TH)-1, H adalah hidden layer output matrix yang didefinisikan sebelumnya, dan hi adalah kolom pada keluaran matrik lapisan tersembunyi. Jumlah neuron yang optimal didapat dari estimasi LOO error pada jumlah node-node (yang telah diranking berdasarkan akurasi) dan menyeleksi jumlah neuron dari minimum errornya. Kemudian neuron hasil pemangkasan tersebut digunakan untuk menghitung Output weight yang didapat dari hasil invers

*lsg = linear, sigmoid,gaussian

Berdasarkan Tabel 1 diketahui bahwa metode OPELM memiliki nilai MAPE training sebesar 1,1086% sedangkan pada metode ELM sebesar 4,3877%. Nilai MAPE OPELM

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 lebih kecil dibandingkan metode ELM. Grafik perbandingan hasil training antara OPELM dan ELM disajikan pada Gambar 3.
Training 4000 target hasil training OPELM hasil training ELM

5 menggunakan metode OPELM dan ELM ditunjukkan pada Gambar 4 Jika hasil pengujian peramalan direpresentasikan dalam jumlah beban (MW) per 30 menit dan ditunjukkan error per 30 menitnya maka dapat ditampilkan pada Tabel 3. Tabel 3 Hasil Testing Peramalan Beban untuk Hari Jumat
Jumat, 9 Maret 2012 Jam Data Aktual (MW) OPELM (MW) 3115,05 3086,83 3031,77 3015,56 2984,97 2935,85 2904,98 2969,86 3030,15 3193,26 3175,66 3095,14 2855,53 2904,53 3026,26 3181,41 3269,31 3328,37 3352,55 3447,12 3442,55 3476,16 3318,40 3123,15 3118,62 3358,08 3503,17 3439,35 3505,18 3491,76 3423,53 3404,10 3384,29 3401,94 3522,19 3733,57 3890,03 3881,98 3908,44 3901,48 3812,98 3771,98 3566,05 3437,54 3386,44 3297,31 3208,68 3130,94 Error OPELM (%) 2,4884 3,5743 1,8357 3,7239 1,9005 0,5326 0,4793 0,6631 1,6387 1,2351 0,2846 0,2875 3,6926 1,3407 0,1117 0,5541 1,6242 0,2593 0,4611 0,2549 1,4545 0,1240 0,4822 8,7726 0,1640 3,6713 1,3973 0,7248 1,3965 2,9084 1,4445 0,1408 1,4957 2,9155 3,0149 4,7913 0,3005 1,1232 0,2446 0,5623 0,1135 0,3351 2,2105 0,1232 2,5605 1,3103 0,7859 3,0519 8,7726 0,1117 1,5534 ELM (MW) 3196,06 3108,20 3146,26 3117,02 3046,00 2977,85 2972,85 2980,68 3074,29 3221,68 3274,64 3212,70 3080,06 2988,33 3084,26 3173,68 3241,38 3334,20 3368,65 3454,82 3479,99 3422,47 3309,28 3096,32 3065,01 3378,84 3576,10 3647,76 3435,68 3351,29 3490,06 3486,18 3471,53 3434,62 3516,33 3810,87 3980,64 3989,48 4000,39 3969,65 3879,82 3801,72 3663,04 3550,20 3511,38 3431,65 3292,93 3243,33 Error ELM (%) 5,1536 4,2914 5,6814 7,2136 3,9840 1,9708 2,8269 1,0299 3,1192 2,1362 2,8235 3,5001 3,8798 1,5057 2,0306 0,3098 0,7559 0,4348 0,0170 0,4786 0,3827 1,6668 0,7558 9,5563 1,8801 4,3123 3,5079 6,8283 0,6138 1,2318 3,4158 2,2670 1,0435 1,9828 3,1761 2,8202 2,0217 1,6149 2,6031 2,3194 1,8683 0,4507 0,4492 3,1500 6,3441 5,4379 3,4322 0,4282 9,5563 0,0170 2,6813

3800

3600

Beban (MW)

3400

3200

3000

2800

2600

10

15 20 25 30 35 Waktu dalam 30 menit selama 24 jam

40

45

50

Gambar 3 Plot Perbandingan Hasil training Peramalan Beban Listrik untuk Hari Jumat Untuk melihat seberapa baik model yang terbentuk, dilakukan validasi model dengan data testing. Tabel 2 menunjukkan perbandingan keakuratan hasil ramalan dari metode OPELM dan ELM. Tabel 2 Perbandingan Keakuratan Hasil Testing Menggunakan Metode OPELM dan ELM untuk Hari Jumat
Metode OPELM ELM
4200 Aktual hasil testing OPELM hasil testing ELM

MAPE training(%) 1,1086 4,3877


Testing

MAPE testing(%) 1,5534 2,6813

4000

3800

3600

3400

3200

3000

2800

10

15 20 25 30 35 Waktu dalam 30 menit selama 24 jam

40

45

50

Gambar 4 Plot Hasil Testing Menggunakan Metode OPELM dan ELM untuk Hari Jumat Berdasarkan Tabel 2 diketahui bahwa metode OPELM memiliki nilai MAPE testing sebesar 1,5534% dan ELM 2,6813%. Nilai MAPE OPELM lebih kecil dibandingkan dengan ELM. Hal ini menunjukkan metode OPELM memiliki keakuratan lebih baik daripada ELM. Hasil testing

00.30 3039,42 01.00 2980,30 01.30 2977,12 02.00 2907,30 02.30 2929,30 03.00 2920,30 03.30 2891,12 04.00 2950,30 04.30 2981,30 05.00 3154,30 05.30 3184,72 06.00 3104,06 06.30 2965,02 07.00 2944,00 07.30 3022,88 08.00 3163,88 08.30 3217,06 09.00 3319,76 09.30 3368,08 10.00 3438,36 10.30 3493,36 11.00 3480,48 11.30 3334,48 12.00 3423,48 12.30 3123,74 13.00 3239,16 13.30 3454,90 14.00 3414,60 14.30 3456,90 15.00 3393,08 15.30 3374,78 16.00 3408,90 16.30 3435,68 17.00 3504,10 17.30 3631,68 18.00 3921,46 18.30 3901,76 19.00 3926,08 19.30 3898,90 20.00 3879,66 20.30 3808,66 21.00 3784,66 21.30 3646,66 22.00 3441,78 22.30 3301,90 23.00 3254,66 23.30 3183,66 24.00 3229,50 Maximum Error Minimum Error Average Error

Beban (MW)

Berdasarkan tabel, untuk beban puncak (warna biru) pada peramalan OPELM yaitu sebesar 3908,44 MW pada pukul 19.30 dan pada peramalan ELM sebesar 4000,39 MW pada

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 pukul 19.30. Sedangkan dari data aktual beban puncak terjadi pada pukul 19.00 sebesar 3926,08 MW. Hasil OPELM memiliki error maksimum (warna kuning) 8,7726% pada beban pukul 12.00, error minimum (warna hijau) 0,1117% pada pukul 07.30, dan error rata-rata 1,5534%. Sedangkan hasil dari ELM menunjukkan error maksimum 9,5563% pada pukul 12.00, error minimum 0,0170% pada pukul 09.30, dan error rata-rata 2,6813%. Hasil kesuluruhan peramalan beban listrik jangka pendek pada hari-hari yang sama (similar days) di wilayah Jawa Timur dapat dilihat pada Tabel 4. Tabel 4 Hasil Keseluruhan Peramalan Beban Listrik Jangka Pendek untuk Similar Day di wilayah Jawa Timur
No 1 2 3 4 5 6 7 Hari Senin Selasa Rabu Kamis Jumat Sabtu Minggu OPELM MAPE MAPE training testing (%) (%) 0,8316 1,5848 1,4370 2,1871 1,0299 4,6062 0,8315 3,2971 1,1086 1,5534 1,1040 1,8498 1,4440 2,1947 ELM MAPE training (%) 2,1361 2,8202 3,2257 2,2353 4,3877 3,0611 2,8828 MAPE testing (%) 2,1832 2,9994 5,3438 3,8804 2,6813 2,3840 2,4561

6 DAFTAR PUSTAKA
Suswanto, D., Sistem Distribusi Tenaga Listrik : Untuk Mahasiswa Elektro (Edisi Pertama), Jurusan Teknik Elektro Fakultas Teknik Universitas Negeri Padang, Padang, 2009 [2] Shayeghi. H., Shayanfar, H.A., and Azimi, G., A Hybrid Particle Swarm Optimization Back Propagation Algorithm for Short Term Load Forecasting. International Journal on Technical and Physical Problems of Engineering, Vol.1, Issue 3, 12-22, 2010 [3] Huang, G.B., Zhu,Q.Y., dan Siew, C.K.,Extreme Learning Machine : A New Learning Scheme of Feedforward Neural Network, Proceeding of International Joint Conference on Neural Networks, vol 2, Budapest, Hungary, pp 985-990, 25-29 Juli 2004 [4] Huang, G.B., Zhu, Q.Y., dan Siew, C.K., Extreme Learning Machine : Theory and applications, Elsevier science: Neurocomputing 70 489501. 2004 [5] Prasetyo Gusti, R.A., Imam Robandi, Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Dengan Metode Support Vector Machine, Tugas Akhir, ITS, 2008 [6] Kusumadewi, Sri,Artificial Intelligent (Teknik dan Aplikasinya). Penerbit Graha Ilmu, Yogyakarta, 2003 [7] A. Sorjamaa, Y. Miche, R. Weiss and A. Lendasse, Long Term Prediction of Time Series Using NNE-based Projection and OP-ELM. In Proc. Inter. Jt. Conf. Artif. Neural Netw, Hong Kong, China, pp. 2675-2681, 2008 [8] Y. Miche, P. Bas, C. Jutten, O. Simula, and A. Lendasse,A metodhology for building regression models using extreme learning machine : Op-elm, Accepted for publication in ESANN 2008 conference. [9] T. Simil and Tikka, Multiresponse spare regression with application to multidimensional scaling, in Proc. Int. Conf. Artif. Neural Netw., vol. 3697, pp. 97-102, 2005 [10] Wicaksono, G., Peramalan Beban Listrik Jangka Pendek Pada PT. PLN Region Jawa Timur-Bali Menggunakan Metode Extreme Learning Machine (ELM), Laporan Tugas Akhir Jurusan Teknik Elektro, ITS, Surabaya, 2012 [11] A. Lendasse, A. Sorjamaa, and Y. Miche, OP-ELM Toolbox, [Online].<Available:http://www.cis.hut.fi/projects/tsp/index.php? page=OPELM>, 2008 [1]

Didapatkan besar nilai MAPE dari proses training dan testing dari metode OPELM dan ELM. MAPE testing terkecil dengan metode OPELM yang menunjukkan bahwa hasil peramalan terbaik ditunjukkan pada peramalan pada hari Jumat sebesar 1,5534%. Sedangkan MAPE testing terbesar dengan metode OPELM yang menunjukkan hasil peramalan paling tidak akurat terjadi pada peramalan hari Rabu sebesar 4,6062%. Secara keseluruhan dari hasil error MAPE yang didapat, peramalan menggunakan metode OPELM memiliki nilai keakuratan lebih baik dari metode ELM. V. KESIMPULAN Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut. 1) Peramalan beban listrik jangka pendek menggunakan metode Optimally Pruned Extreme Learning (OPELM) memperoleh hasil peramalan yang lebih akurat dibandingkan dengan metode Extreme Learning Machine (ELM). 2) Hasil terbaik OPELM ditunjukkan pada peramalan beban pada hari Jumat dengan MAPE testing sebesar 1,5534%, sementara MAPE testing ELM sebesar 2,1832%. 3) Pengidentifikasian karakteristik atau pola beban perlu dilakukan sebelum melakukan peramalan. Hal ini terkait dengan korelasi antara data yang menjadi masukan dengan data aktual. Semakin besar nilai korelasinya (kemiripan pola) maka error yang didapat semakin kecil. Terdapat juga faktor-faktor lain yang mempengaruhi pola konsumsi listrik, yaitu pengaruh cuaca dan tingkat perekonomian masyarakat setempat.

BIOGRAFI PENULIS Januar Adi Perdana adalah nama lengkap penulis yang dikenal dengan nama panggilan Januar. Penulis lahir di Surabaya, pada tanggal 27 Januari 1990. Penulis memulai pendidikannya dari Taman Kanak-kanak di TK. Melati Surabaya, kemudian melanjutkan studinya di SD Negeri Wonokusuma 5 Surabaya, dan SMA Negeri 8 Surabaya. Setelah lulus dari SMA pada tahun 2008, PEnulis melanjutkan studi di Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaya melalui jalur SNMPTN tahun 2008. Pada bulan Juni 2012 penulis mengikuti seminar dan ujian Tugas Akhir sebagai salah satu persyaratan untuk memperoleh gelar Sarjana Teknik Elektro. email: januaradi@gmail.com