Anda di halaman 1dari 9

SIMULASI MULTI ATRIBUT DI DASARKAN PADA AGEN UNTUK KEHANDALAN DISTRIBUSI ENERGI LISTRIK MENGGUNAKAN METODE LVQ

Dodk Arwin Dermawan 1 , Supeno Mardi 1 , Mochamad Hariadi 1

1 Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111

Abstrak :

Kualitas energi listrik yang diterima oleh konsumen sangat dipengaruhi oleh sistem pendistribusiannya, sehingga diperlukan sistem distribusi energi listrik dengan kehandalan yang tinggi. Kehandalan pada sistem distribusi energi listrik dapat terpenuhi dengan mempertimbangkan multi atribut, diantaranya indikasi titik beban yang terdiri dari tingkat kegagalan, rata – rata waktu keluar, dan rata – rata ketidaktersediaan tahunan. Untuk indikasi performansi sistem terdiri SAIFI dan SAIDI, serta metode yang digunakan adalah LVQ (Learning Vector Quantization). Metode LVQ merupakan suatu metode untuk melakukan pelatihan terhadap lapisan – lapisan kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Apabila beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor – vektor input tersebut akan dikelompokkan dalam kelas yang sama. Pengambilan keputusan dengan mempertimbangkan multi atribut pada sistem distribusi energi listrik untuk menentukan kehandalan yang tinggi, disimulasikan pada agen. Agen adalah suatu komponen atau individu yang dapat memberikan tanggapan terhadap lingkungan dengan mempertimbangkan banyak atribut, serta mampu beradaptasi sehingga dapat membuat keputusan yang independen. Penggunaan agen di dalam simulasi untuk menentukan kehandalan sistem distribusi energi listrik adalah untuk membantu menvisualisasikan pendistribusian listrik dalam memenuhi kualitas energi listrik yang diterima oleh konsumen, sehingga mempermudah dalam mempelajari permasalahan yang dihadapi oleh distribusi listrik.

Kata

Kehandalan

kunci:

Distribusi

I.

Pendahuluan

Listrik,

LVQ,

Agen,

Energi listrik merupakan salah satu kebutuhan hidup manusia yang mengalami peningkatan tajam, hal tersebut dikarenakan sebagain besar energy yang dibutuhkan oleh manusia khususnya masyarakat modern disuplay dalam bentuk energy listrik [1]. Proses distribusi listrik merupakan salah satu rangkaian penting dalam melayani kebutuhan

1

energi listrik, dimulai dari pembangkit listrik sampai dengan end user yaitu konsumen sebagai pengguna listrik. Kualitas energi listrik yang diterima konsumen sangat dipengaruhi oleh sistem pendistribusian, oleh karena itu diperlukan sistem distribusi energi listrik dengan kehandalan yang tinggi. Kehandalan dalam sistem distribusi listrik adalah suatu ukuran ketersediaan / tingkat pelayanan penyediaan tenaga listrik dari sistem ke pemakai / pelanggan [3]. Tolak ukur kehandalan dari sistem distribusi listrik adalah seberapa sering sistem distribusi listrik mengalami pemadaman, berapa lama pemadaman terjadi dan berapa cepat waktu yang dibutuhkan untuk memulihkan kondisi dari pemadaman yang terjadi. Sistem yang mempunyai kehandalan tinggi akan mampu memberikan energi listrik setiap saat dibutuhkan, sedangkan sistem dikatakan mempunyai keandalan rendah bila tingkat ketersediaan energi listrik rendah. Kehandalan yang tinggi pada sistem distribusi energi listrik di dasarkan pada indikasi titik beban dan indikasi performansi sistem, yang terdiri dari Frequency of failures (λ), average duration of a failure (r), average annual outage time (U) [7]. Didasarkan pada indikasi tersebut, maka untuk mencapai kehandalan tinggi pada sistem distribusi energi listrik terdapat beberapa atribut (Multy Atribut) yang dapat dijadikan pertimbangan diantaranya indikasi titik beban, SAIFI, dan SAIDI. Selanjutnya pada Multy Atribut tersebut diberikan pelatihan (learning) dengan menggunakan metode LVQ (Learning Vector Quantization) agar secara otomatis dapat melakukan klasifikasi terhadap vektor input yang diberikan. Keunggulan dari metode LVQ adalah kemampuan metode tersebut untuk memberikan pelatihan terhadap lapisan – lapisan kompetitif sehingga secara otomatis dapat mengklasifikasikan vektor input yang diberikan. Proses untuk menentukan kehandalan yang tinggi pada sistem distribusi energi listrik selanjutnya disimulasikan pada suatu agen. Agen tersebut dapat membantu menentukan sistem distribusi lisrik yang memiliki kehandalan tinggi dengan mempertimbangkan banyak atribut sehingga kualitas energi listrik yang diterima oleh konsumen lebih baik. Agen adalah suatu

komponen atau individu yang dapat memberikan tanggapan terhadap lingkungan dengan mempertimbangkan banyak atribut, serta mampu beradaptasi sehingga dapat membuat keputusan yang independen. Tujuan penggunaan simulasi multi atribut di dasarkan pada agen di dalam proses distribusi listrik adalah untuk membantu memvisualisasikan proses pendistribusian listrik dalam memenuhi kualitas energi listrik yang diterima oleh konsumen, sehingga mempermudah dalam mempelajari permasalahan yang dihadapi oleh distribusi listrik.

II. Atribut Untuk Kehandalan Sistem Distribusi Listrik

II.1 Kehandalan Sistem Distribusi Listrik Kehandalan dalam sistem distribusi adalah suatu ukuran ketersediaan / tingkat pelayanan penyediaan tenaga listrik dari sistem ke pemakai. Ukuran keandalan dapat dinyatakan sebagai seberapa sering sistem mengalami pemadaman, berapa lama pemadaman terjadi dan berapa cepat waktu yang dibutuhkan untuk memulihkan kondisi dari pemadaman yang terjadi (restoration). Sistem yang mempunyai keandalan tinggi akan mampu memberikan tenaga listrik setiap saat dibutuhkan, sedangkan sistem mempunyai keandalan rendah bila tingkat ketersediaan tenaganya rendah yaitu sering padam. Adapun macam – macam tingkatan keandalan dalam pelayanan dapat dibedakan menjadi 3 (tiga) hal antara lain :

1. Kehandalan sistem yang tinggi (High Reliability System). Pada kondisi normal, sistem akan memberikan kapasitas yang cukup untuk menyediakan daya pada beban puncak dengan variasi tegangan yang baik. Dan dalam keadaan darurat bila terjadi gangguan pada jaringan, maka sistem ini tentu saja diperlukan beberapa peralatan dan pengaman yang cukup banyak untuk menghindarkan adanya berbagai macam gangguan pada sistem. 2. Kehandalan sistem yang menengah (Medium Reliability System). Pada kondisi normal sistem akan memberikan kapasitas yang cukup untuk menyediakan daya pada beban puncak dengan variasi tegangan yang baik. Dan dalam keadaan darurat bila terjadi gangguan pada jaringan, maka sistem tersebut masih bisa melayani sebagian dari beban meskipun dalam kondisi beban puncak. Jadi dalam sistem ini diperlukan peralatan yang cukup banyak untuk mengatasi serta menanggulangi gangguan – gangguan tersebut. 3. Kehandalan sistem yang rendah (Low Reliability System). Pada kondisi normal, sistem akan memberikan kapasitas yang cukup untuk menyediakan daya pada beban puncak

2

dengan variasi tegangan yang baik. Tetapi bila terjadi suatu gangguan pada jaringan, sistem sama sekali tidak bisa melayani beban tersebut. Jadi perlu diperbaiki terlebih dahulu. Tentu saja pada sistem ini peralatan-peralatan pengamannya relatif sangat sedikit jumlahnya. Kontinyuitas pelayanan, penyaluran jaringan distribusi tergantung pada jenis dan macam sarana penyalur dan peralatan pengaman, dimana sarana penyalur (jaringan distribusi) mempunyai tingkat kontinyuitas yang tergantung pada susunan saluran dan cara pengaturan sistem operasinya, yang pada hakekatnya direncanakan dan dipilih untuk memenuhi kebutuhan dan sifat beban. Tingkat kontinyuitas pelayanan dari sarana penyalur disusun berdasarkan lamanya upaya menghidupkan kembali suplai setelah pemutusan karena gangguan. (SPLN 52,

1983).

II.2 Indeks Kehandalan Indeks kehandalan merupakan suatu indikator kehandalan yang dinyatakan dalam suatu besaran probabilitas. Sejumlah indeks sudah dikembangkan untuk menyediakan suatu kerangka untuk mengevaluasi keandalan sistem tenaga. Evaluasi keandalan sistem distribusi terdiri dari indeks titik beban dan indeks sistem. Indeks kegagalan titik beban yang biasanya digunakan meliputi tingkat kegagalan λ (kegagalan/tahum), rata-rata waktu keluar (outage) r (jam/kegagalan) dan rata-rata ketidaktersediaan tahunan U (jam/tahun) (Reliability Evaluation of Power System, Billinton, 1996). Nilai rata-rata dari ketiga indeks titik beban dasar untuk titik beban j dapat dihitung dari sejarah operasi (up-down) dari titik beban dengan menggunakan persamaan sebagai berikut:

λ j =

r j =

U j =

N j

………………………… ……….(1)

ΣT uj

ΣT dj

N j

…………….… (2)

ΣT dj

ΣT uj + ΣT dj

…….…………

(3)

ΣT uj = up time untuk titik beban j ΣT dj = down time untuk titik beban j N j = banyaknya kegagalan sepanjang periode simulasi untuk titik beban j

Serta berdasarkan Viktoria Neimane [7] untuk mandapatkan tingkat kegagalan λ (kegagalan/tahun), rata-rata waktu keluar (outage) r (jam/kegagalan) dan rata-rata ketidaktersediaan tahunan U (jam/tahun) adalah sebagai berikut :

λ s = λ 1 + λ 2 +…

λ

n

(4)

r s =

λ 1. r 1 + λ 2. r 2 +…

+

λ

n. r n

λ 1 + λ 2 +…

+

λ

n

U s = λ s. r s = λ 1. r 1 + λ 2. r 2 + ……+ λ n. r n

(5)

(6)

II.3 System Average Interruption Frequency Index (SAIFI) Indeks ini didefinisikan sebagai jumlah rata- rata kegagalan yang terjadi per pelanggan yang dilayani oleh sistem per satuan waktu (umumnya pertahun). Indeks ini ditentukan dengan membagi jumlah semua kegagalan-pelanggan dalam satu tahun dengan jumlah pelanggan yang dilayani oleh sistem tersebut. Persamaan untuk SAIFI (rata-rata jumlah gangguan setiap pelanggan) ini dapat dilihat pada persamaan berikut :

SAIFI =

Σ λ k M k

Σ M

…………

(7)

λ k = angka keluar (outage rate) komponen M k = jumlah customer pada load point k M = total customer pada sistem dsitribusi

II.4. System Average Interruption Duration Index (SAIDI) Indeks ini didefinisikan sebagai nilai rata- rata dari lamanya kegagalan untuk setiap konsumen selama satu tahun. Indeks ini ditentukan dengan pembagian jumlah dari lamanya kegagalan secara terus menerus untuk semua pelanggan selama periode waktu yang telah ditentukan dengan jumlah pelanggan yang dilayani selama tahun itu. Persamaan untuk SAIDI (rata-rata jangka waktu gangguan setiap pelanggan) ini dapat dilihat pada persamaan berikut :

SAIDI =

ΣU k M k

Σ M

U k

= waktu perbaikan komponen = jumlah customer pada load point k

M k

M = total customer pada sistem dsitribusi

(8)

II.5. Dasar Perencanaan Atribut Distribusi listrik merupakan bagian dari Supply Chain Energy, hal tersebut dikarenakan baik dan buruknya kualitas energi listrik yang disalurkan dari pembangkit listrik sampai dengan konsumen ditentukan oleh sistem distribusi khususnya kehandalan sistem distribusi listrik. Berdasarkan (Viktoria Neimane 2001), banyak hal yang mempengaruhi distribusi energi listrik, diantaranya minimize power losses, minimize Cost, improve reability of supply, and satisfy operational constraint.

reability of supply, and satisfy operational constraint . Gambar 2.1. Distribusi Energi Listrik pada Supply Chain

Gambar 2.1. Distribusi Energi Listrik pada Supply Chain Energy

Berdasarkan gambar diatas maka di dalam perencanaan atribut untuk menentukan kehandalan sistim distribusi listrik, di dasarkan pada indeks titik beban yang terdiri dari (λ, r, U) dan indeks performansi sistem yang terdiri dari SAIFI dan SAIDI.

II.6 Diagram Alir Proses Klasifikasi Penentuan kehandalan sistem distribusi dengan atribut indeks titik beban dan indeks performansi sistem diperlukan suatu proses klasifikasi, hal tersebut dikarenakan atribut indeks titik beban mempunyai vektor input (λ, r, U) dan atribut indeks performansi sistem mempunyai vektor input SAIFI SAIDI. Diagram alir proses klasifikasi dapat dijelelaskan pada gambar berikut

; Vector Input Metode LVQ λ r U SAIFI SAID Level 1 Indikasi Indikasi Performansi
;
Vector Input
Metode LVQ
λ
r
U SAIFI
SAID
Level 1
Indikasi
Indikasi Performansi
Metode LVQ
Titik Beban
Sistem
Level 2
Reability /
Simulasi
Keandalan
Agen

Gambar 2.2. Diagram alir penelitian

Proses klasifikasi pada multi atribut untuk menentukan kehandalan sistem distribusi menggunakan metode LVQ, secara detail dapat dilhat pada gambar 2.3, 2.4 dan 2.5 berikut ;

3

Gambar 2.3. Flow diagram langkah penelitian atribut level 1 Gambar 2.4. Flow diagram langkah penelitian

Gambar 2.3. Flow diagram langkah penelitian atribut level 1

Gambar 2.3. Flow diagram langkah penelitian atribut level 1 Gambar 2.4. Flow diagram langkah penelitian atribut
Gambar 2.3. Flow diagram langkah penelitian atribut level 1 Gambar 2.4. Flow diagram langkah penelitian atribut

Gambar 2.4. Flow diagram langkah penelitian atribut level 2

Gambar 2.4. Flow diagram langkah penelitian atribut level 2 Gambar 2.5. Proses pada atribut level 1

Gambar 2.5. Proses pada atribut level 1 dan atribut level 2

4

Gambar 2.3, 2.4, dan 2.5 merupakan langkah– langkah proses klasifikasi dari atribut indeks titik beban dan indeks performansi sistem sampai dengan diperoleh jarak terpendek dari vektor input terhadap kelas. Langkah – langkah tersebut dijelaskan sebagai berikut ;

Menentukan vektor input tiap – tiap atribut dengan mengambil data dari A Reability Test System For Educational Purposes-Basic Distribution System Data and Result, R. N. Allan, R. B ilinton, I Sjarif, L. Goal and K. S. So, IEEE Trans Power System

Menentukan pembobot awal (initial weight) secara random berdasarkan Introduction to Neural Networks Using Matlab 6.0, S. N. Sivanandam, Sumathi & Deepa

Menentukan kelas awal sebagai kelas target dalam proses training dari vektor input berdasarkan Machine Learning, Neuraland Statistical Classification, D.Michie, D.J. Spiegelhelter, C.C. taylor, 1994.

Di dalam proses pembelajaran pada hidden layer di cari jarak minimum vektor input terhadap kelas awal yang telah ditentukan dengan menggunakan rumus jarak euclidean berdasarkan Introduction to Neural Networks Using Matlab 6.0, S. N. Sivanandam, Sumathi & Deepa

Dj = (Wij – Xi)………………………………(9)

Jika diperoleh jarak minimum pada proses pembelajaran, maka titik tersebut dikatakan sebagai pemenang dan outputnya berupa jarak minimum vektor input terhadap kelas target disimbolkan dengan kelas pemenang.

Membandingkan kelas pemenang terhadap kelas target untuk dicari pembobot baru dengan menggunakan rumus berikut Neural Networks A Comprehensive Foundation, International Edition, Second Edition, Simon Haykin.

if

T = C

W(new) = W(old) + α ( Xik – W(old))…… (10)

else if

T C

W(new) = W(old) - α ( Xik – W(old))……

(11)

Hasil yang diperoleh berupa pembobot baru W(new), yang selanjutnya digunakan untuk melakukan proses percobaan (testing proses).

Proses percobaan terus menerus dilakukan dengan istilah epoch dan akan berhenti jika learning rate mencapai nilai minimum. Output dari proses tersebut berupa jarak minimum vektor input terhadap kelas, yang

selanjutnya data jarak minimum tersebut disimulasikan pada Agen.

III. Metode LVQ

LVQ merupakan suatu metode, yang di dasarkan pada algoritma pembelajaran unsupervised, LVQ juga dapat digunakan sebagai supervised vector quantizer. Hal tersebut dikarenakan jaringan LVQ memiliki titik kelas yang berhubungan dengan vektor input. [11].

titik kelas yang berhubungan dengan vektor input. [11]. Gambar 3.1 arsitektur LVQ : satu hidden layer

Gambar 3.1 arsitektur LVQ : satu hidden layer denga kohonen neurons, adjustable weights antara input layer dan hidden layer. (www.neural –forcasting.com)

Algoritma LVQ berdasarkan Introduction to Neural Networks Using Matlab 6.0, S. N. Sivanandam, Sumathi & Deepa adalah sebagai berikut ;

1. Inisialisasi weights (pembobot) dan inisialisasi learning rate

2. Akan berhenti jika salah, melakukan langkah 3–7

3. Untuk training vektor input x, lakukan langkah 4–5

4. Hitung j menggunakan rumus jarak euclidean

D(j)=(wij – xi)²

cari j ketika D(j) minimum

5. Update wj dengan ikuti syarat berikut ;

If T=Cj, then wj(new) = wj(old) + α[ x - wj(old)] If T Cj, then wj(new) = wj(old) - α[ x - wj(old)]

6. Menghitung error dari nilai pembobot e(t+1) = ||W(t+1) – W(t)||

7. Mengurangi learning rate

8. Test untuk kondisi berhenti, kondisi akan berhenti jika angka iterasi atau learning rate mencapai nilai terkecil

IV. FSM dan Skenario Agen

FSM (Finite State Machine) dari simulasi agen kehandalan distribusi listrik adalah sebagai berikut ;

5

kehandalan distribusi listrik adalah sebagai berikut ; 5 Gambar 4.1. FSM agen kehandalan distribusi listrik Skenario

Gambar 4.1. FSM agen kehandalan distribusi listrik

Skenario agen di dasarkan pada FSM dalam simulasi proses untuk menentukan kehandalan sistem distribusi listrik adalah sebagai berikut ; Agen melakukan scanning terhadap feeder (penyuplai) 1 sampai dengan feeder 7, untuk membaca data pada tiap – tiap feeder Selanjutnya agen membandingkan data – data tersebut yang berupa jarak vektor input terhadap kelas yang terdapat pada semua feeder. Agen menentukan jarak terpendek dari vektor input terhadap kelas 1 (kelas dengan gangguan atau interupsi terendah) Selanjutnya agen memblok atau memberikan tanda hijau pada feeder tersebut Simulasi menggunakan agen dilakukan per case pada data SAIFI dan SAIDI (IEEE)

V. Hasil Percobaan

V.1. Percobaan 1 Nilai indikasi titik beban diperoleh dari total LP (Load Point) tiap masing – masing feeder pada BUS 4 Nilai SAIFI DAN SAIDI diperoleh dari perhitungan dengan menggunakan persamaan 7 dan 8 di dasarkan pada data IEEE. Input kelas untuk indikasi titik beban dan SAIFI SAIDI ditentukan secara acak seperti pada table 4.1 dan 4.2 Jumlah data = 7 Jumlah pembobot awal tiap atribut = 3 Jumlah kelas tiap atribut = 3 Max epoch = 10000000 berdasarkan kasus (A) yaitu : disconnect – fuses – alternative supply – repair transformer.

Tabel 4.1 Data indikasi titik beban dan kelas awal

Feeder

Λ

r

U

Kelas

F1

1.343

157.25

30.14

1

F2

0.35

28.85

3.36

2

F3

1.299

161.55

30.01

3

F4

1.558

176.13

34.34

1

F5

0.344

29.19

3.36

2

F6

0.36

26.51

3.18

3

F7

1.313

160.07

30.01

1

Tabel 4.2 Data indikasi performansi system dan kelas awal untuk case disconnect – fuses – alternative supply – repair transformer

Feeder

SAIFI

SAIDI

Kelas

F1

0.191

4.29

1

F2

0.117

1.12

2

F3

0.186

4.30

3

F4

0.195

4.30

1

F5

0.115

1.12

2

F6

0.120

1.06

3

F7

0.188

4.31

1

Hasil yang diperoleh dari atribut level 1 untuk SAIFI dan SAIDI (rantai 1) ;

dari atribut level 1 untuk SAIFI dan SAIDI (rantai 1) ; Gambar. 5.1 Grafik Vektor input

Gambar. 5.1 Grafik Vektor input SAIFI dan SAIDI (case A)

; Gambar. 5.1 Grafik Vektor input SAIFI dan SAIDI (case A) Gambar 5.2 Grafik Error untuk

Gambar 5.2 Grafik Error untuk Vektor input SAIFI dan SAIDI

(case A)

********** Rantai 1 ********** Initial weight matrix

0.1910

0.1170

0.1860

4.2900

1.1200

4.3000

weight matrix after epochs ke 56

0.1925

0.1127

0.1762

4.2985

1.1651

4.2940

Jarak after epochs ke 56

0.0087

3.1258

0.0154

 

3.1794

0.0453

3.1746

0.0067

3.1357

0.0115

0.0029

3.1359

0.0198

3.1795

0.0452

3.1746

3.2393

0.1054

3.2345

0.0123

3.1458

0.0199

Kelas Awal

 

1

2

3

1

2

3

1

Kelas after Training

 

1

2

1

1

2

2

1

6

Hasil yang diperoleh dari atribut level 1 untuk ( λ, r, U) (rantai 2) ;

dari atribut level 1 untuk ( λ , r , U ) (rantai 2) ; Gambar

Gambar 5.3 Grafik Vektor input ( λ, r, U) (case A)

; Gambar 5.3 Grafik Vektor input ( λ , r , U ) (case A) Gambar

Gambar 5.4 Grafik Error Vektor input ( λ, r, U) (case A)

Hasil Simulasi Rantai 2 (case A) ********** Rantai 2 ********** Initial weight matrix

1.3430

0.3500

1.2990

157.2500

28.8500 161.5500

30.1400

3.3600

30.0100

weight matrix after epochs ke 56

1.4179

0.3364

1.1122

164.6319

30.9523 152.1007

31.6555

3.4954

26.9819

Jarak after epochs ke 56

7.5363

129.0816

6.0450

138.7030

2.1067

125.4963

3.4958

133.2656

9.9244

11.8081

148.4232

25.1346

138.3702

1.7675

125.1624

141.0307

4.4535

127.8285

4.8508

131.8156

8.5276

Kelas Awal

1

2

3

1

2

3

1

Kelas after Training

3

2

1

1

2

2

1

Hasil yang diperoleh dari atribut level 2 (rantai 3) ;

1 Hasil yang diperoleh dari atribut level 2 (rantai 3) ; Gambar 5.5 Grafik vektor input

Gambar 5.5 Grafik vektor input hasil dari indikasi titik beban

dan indikasi performansi sistem (case A)

Gambar 5.6 Grafik error vektor input hasil dari indikasi titik beban dan indikasi performansi sistem

Gambar 5.6 Grafik error vektor input hasil dari indikasi titik beban dan indikasi performansi sistem (case A)

Hasil simulasi seluruh vektor input (case A)

********** Rantai 3 ********** Initial weight matrix

0.0087

3.1794

0.0067

3.1258

0.0453

3.1357

0.0154

3.1746

0.0115

7.5363

138.7030

3.4958

129.0816

2.1067

133.2656

6.0450

125.4963

9.9244

weight matrix after epochs ke 56

0.0093

3.1344

0.0089

3.1371

0.0000

3.1356

0.0203

3.1295

0.0066

8.6258

136.6172

-1.4916

135.7772

0.0001

124.1710

12.6068

123.4060

0.7983

Jarak after epochs ke 56

jkelas1

jkelas2

jkelas3

9.4379

217.0870

11.5389

218.0859

3.6281

223.9050

6.3104

219.9737

13.8156

18.0830

217.4703

36.8417

217.9233

3.0476

223.6963

219.2783

7.6748

225.4143

6.8253

219.0071

12.5861

Kelas Awal

 

1

2

3

1

2

3

1

Kelas after Training

 

1

2

1

1

2

2

1

V.2. Analisa Percobaan 1 Dari percobaan atribut level 1 yang telah dilakukan pada rantai 1 dengan vektor input SAIFI dan SAIDI, diperoleh feeder dengan jarak terpendek dari vektor input terhadap kelas 1 atau kelas dengan kehandalan tinggi. Feeder tersebut adalah feeder 4 yang memiliki jarak vektor input terhadap kelas 1 sebesar 0.0029, dengan kata lain feeder 4 memiliki kehandalan sebagai sistem distribusi listrik lebih tinggi dibanding feeder – feeder yang lain. Pada percobaan berikutnya, yaitu atribut level 1 rantai 2 untuk vektor input (λ, r, U) diperoleh feeder 3 sebagai feeder yang memiliki kehandalan tinggi untuk sistem distribusi listrik. Hal tersebut dikarenakan feeder 3 memiliki jarak terpendek untuk vektor input terhadap kelas 1 sebesar 3.4958 Setelah melakukan percobaan untuk rantai 1 (SAIFI SAIDI) dan rantai 2 (λ, r, U), dilanjutkan proses klasifikasi pada atribut level 2 rantai 3 yaitu atribut dengan vektor input hasil dari proses klasifikasi rantai 1 dan

hasil dari klasifikasi rantai 2. Klasifikasi pada atribut level 2 rantai 3 merupakan proses klasifikasi terakhir untuk case A, dengan mempertimbangkan banyak atribut (multi atribut) serta menggunakan metode LVQ sebagai metode klasifikasi dan diperoleh feeder 3 sebesar 6.3104 sebagai feeder dengan jarak vektor input terpendek terhadap kelas 1

V.3 Hasil Percobaan Keseluruhan Setelah melakukan percobaan 1 sampai dengan 6 di dasarkan case A sampai dengan case F pada feeder 1 sampai dengan feeder 7 diperoleh hasil sebagai berikut ;

\

Tabel 4.8 Jarak vektor input seluruh feeder terhadap kelas 1

Feed

 

Case

 

er

A

B

C

D

E

F

1

9.4379

9.6142

9.4381

9.4736

9.4379

10.0074

2

218.0859

222.6989

218.1668

218.2161

218.0188

219.0970

3

6.3104

6.6961

6.3168

6.3643

6.3104

7.3195

4

18.0830

18.4926

18.0834

18.0994

18.0830

18.0878

5

217.9233

222.5497

218.0080

218.0537

217.8560

218.9338

6

219.2783

223.8759

219.3514

219.4085

219.2107

220.2855

7

6.8253

7.1523

6.8277

6.8319

6.8253

6.8354

6.8253 7.1523 6.8277 6.8319 6.8253 6.8354 Gambar 5.7 Grafik jarak vektor input seluruh case terhadap

Gambar 5.7 Grafik jarak vektor input seluruh case terhadap kelas 1

Tabel 4.8 merupakan data jarak vektor input dari seluruh atribut pada seluruh case terhadap kelas 1 pada masing – masing feeder Klasifikasi multi atribut dilakukan terhadap 3 kelas yaitu :

kelas 1 = baik, mewakili feeder dengn kehandalan sistem tinggi kelas 2 = sedang, mewakili feeder dengan kehandalan sistem menengah, kelas 3 = buruk, mewakili feeder dengan kehandalan sistem rendah

7

Penentuan kehandalan sistem distribusi dengan ketentuan tinggi, menengah, rendah di dasarkan pada SPLN 52, 1983. Oleh karena itu hanya ditampilkan feeder dengan jarak vektor input untuk seluruh case yang mendekati kelas 1 (kehandalan sistem tinggi) seperti yang terlihat pada tabel 4.8 Penentuan kehandalan juga ditentukan pada data atribut yang terdiri dari indeks titik beban dan indeks performansi sistem Selanjutnya data tersebut disimulasikan pada agen

V.4 Diagram Alir Simulasi Agen

disimulasikan pada agen V.4 Diagram Alir Simulasi Agen Gambar 5.8 Diagram alir simulasi agen VI. Kesimpulan

Gambar 5.8 Diagram alir simulasi agen

VI. Kesimpulan

1. LVQ merupakan metode yang di dasarkan pada algoritma pembelajaran unsupervised, tetapi LVQ juga dapat digunakan sebagai supervised vector quantizer dikarenakan memiliki titik kelas yang berhubungan dengan vektor input. 2. Berdasarkan percobaan yang telah dilakukan untuk menentukan kehandalan sistem distribusi listrik menggunakan metode LVQ (Learning Vector Quantization) diperoleh hasil bahwa sistem distribusi listrik dapat dikatakan handal jika nilai – nilai gangguan atau interupsi rendah 3. Penggunaan atribut yang lebih detail akan dapat menentukan kehandalan sistem distribusi yang lebih akurat. Hal tersebut dikarenakan kehandalan sistem distribusi listrik dipengaruhi oleh banyak aspek yang dapat dijadikan atribut. 4. Penggunaan simulasi dalam beberapa permasalahan sangatlah penting, hal tersebut

8

dikarenakan simulasi membantu pemahaman secara visual. Khususnya simulasi didasarkan pada agen untuk kehandalan sistem distribusi listrik dapat membantu secara visual bagaimana menentukan suatu sistem distribusi listrik yang handal.

VII. Saran

1. Penelitian selanjutnya di tekankan pada penentuan pembobot awal vektor input dari metode LVQ, hal tersebut dikarenakan pembobotan awal sangat penting untuk memperoleh akurasi proses klasifikasi.

2. Penelitian selanjutnya perlu dipertimbangkan

penggunaan Multi Layer LVQ pada tiap - tiap hiden layer dapat mempengaruhi tingkat akurasi sehingga diharapankan dapat memperoleh hasil klasifikasi yang lebih baik. 3. Penelitian selanjutnya perlu diberikan metode pembanding untuk mengetahui tingkat akurasi dari metode LVQ dalam hal penentuan kehandalan sistem ditribusi energi listrik. Salah satu contoh metode pembanding adalah metode RBF

VIII. Daftar Pustaka

1. E. P De mello and Concordia. “Concepts of Synchronous Machine Stability by Excitation Control. “IEEE. Vol.Pass-88. No.4. April 1969. pp316-329.

2. Eduardo G. Carrano, dkk, “Electrical Distribution Network Multiobjective Design Using a Problem – Specific Genetic Algorthm”. IEEE. TRANSACTION ON POWER DELEVERY, Vol 21. NO.2. April

2006

3. Rukmi Sari Hartati,”Penentuan Angka Keluar Peralatan Untuk Evaluasi Keandalan Sistem Distribusi Tenaga Listrik”, Jurnal Teknik Elektro Universitas Udayana Vol. 6 No. 2 Juli Desember 2007.

4. PT. PLN,” RENCANA PENYEDIAAN TENAGA LISTRIK Sebagai Bahan Rencana Pembangunan Jangka Menengah (RPJM) 2005 – 2009

5. IBG Manuaba dkk,”Aplikasi Simulasi Monte Carlo Untuk Menentukan KeandalanSistem Distribusi Primer Tenaga Listrik,” Jurnal Teknik Elektro Universitas Udayana Vol. 4 No. 2 Juli Desember 2005.

6. Abdul Kadir, “Distribusi Dan Utilisasi Tenaga Listrik”, 2000

7. Victoria Neimane ,”On Development Planning of Electricity Distribution Networks”, 2001.

8. Fujiki Morii, Kazuko Kurahashi, Clustering Based on Multiple Criteria For LVQ and K-Means Algorithm, paper 2009.

9.

S.

N. Sivanandam, Sumathi & Deepa,

Introduction to Neural Networks Using Matlab 6.0

10. R. N. Allan, R. B ilinton, I Sjarif, L. Goal and

K. S. So A Reability Test System For

Educational Purposes-Basic Distribution System Data and Result, , IEEE Trans Power System

11. D.Michie, D.J. Spiegelhelter, C.C. taylor Machine Learning, Neuraland Statistical

Classification,1994.

12. Mauridhi Hery Purnomo, Agus Kurniawan, Supervised Neural Networks dan aplikasinya,

2006

13. Simon Haykin. Neural Networks A Comprehensive Foundation, International Edition, Second Edition

IX. RIWAYAT HIDUP

Nama : Dodik Arwin Dermawan

Riwayat Pendidikan :

1. SDN Sawunggaling III Surabaya

2. SMP Negeri 6 Surabaya

3. SMA Negeri 4 Surabaya

4. Politeknik Elektronika Negeri Surabaya

5. Teknik Elektro Telekomunikasi Multimedia ITS

Riwayat Pekerjaan :

1. Kabag Gudang PT. Ketabangkali Elektronika Industri (SEICO)

2. Laboran Lab. Komputer Jurusan Elektro UNESA

3. Tenaga pengajar di Politeknik NSC Surabaya

4. Dosen Diperbantukan di Jurusan Teknik Elektro UNESA