Abstrak
Peramalan adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Backpropagation
melatih jaringan untuk mengenali pola yang digunakan selama pelatihan serta memberikan
respon yang benar terhadap pola masukan yang serupa (tapi tidak sama), sedangkan Learning
Vector Quantization dapat mengklarifikasi suatu vektor masukan, dengan menempatkannya
pada kelas yang sama dengan unit keluaran yang mempunyai vector/acuan paling sesuai dengan
vektor masukan tersebut. Dalam penelitian ini dilakukan prediksi beban listrik dengan
menggunakan Backpropagation dan Learning Vector Quantization. Tujuan penelitian ini adalah
untuk melihat hasil prediksi dari Backpropagation dan Learning Vector Quantization. Hasil
pengujian Backpropagation memiliki nilai akurasi terkecil adalah 90,43% dan nilai akurasi
tertinggi 99,72% dengan rata-rata nilai akurasi 95,38%. Untuk nilai error terkecil adalah 0,27 dan
nilai error terbesar 10,55, dengan rata-rata error 4,61, Sedangkan hasil pengujian Learning
Vector Quantization memiliki nilai akurasi terkecil adalah 54,95% dan nilai akurasi tertinggi
74,88% dengan rata-rata nilai akurasi 63,39%. Untuk nilai error terkecil adalah 31,22 dan nilai
error tertinggi 45,04 dengan rata-rata error 39,17.
Kata Kunci : Backpropagation, Learning Vector Quantization, Prediksi, Beban Listrik
PENDAHULUAN bobotnya dalam arah mundur. untuk
mendapatkan error ini, tahap perambatan
Peningkatan kebutuhan listrik harus maju harus dikerjakan terlebih dahulu
diimbangi dengan penyediaan energi listrik, (Apriana and Handayani, 2017). Struktur
agar tercapai stabilitas sistem tenaga listrik, algoritma pelatihan backpropagation antara
serta mampu memenuhi besarnya lain (Baskoro, 2018):
kebutuhan konsumen akan energi listrik 1) Instalasi bobot-bobot
untuk periode kedepan (Susanti et al., 2017). Menentukan angka pembelajaran (α).
Perencana prakiraan kebutuhan beban Tentukan pula nilai toleransi error yang
listrik dimasa yang akan dating mempunyai diinginkan dan set maksimal epoch jika
banyak pilihan yang dapat digunakan untuk ingin membatasi jumlah epoch yang
membantu melakukan perencanaan digunakan.
tersebut, baik metode maupun alat bantu Selama kondisi berhenti tidak terpenuhi,
hitung (Setiabudi, 2015). Sistem jaringan lakukan langkah ke-2 sampai ke-9.
syaraf tiruan memiliki dua jenis proses 2) Setiap pasangan pola pelatihan, lakukan
pembelajaran. Yaitu, Supervised learning langka ke-3 sampai ke-8
dan unsupervised learning (Maulana and Tahap maju (Feedforward)
Muslim, 2015). Backpropagation melatih Tiap-tiap unit input 𝑥𝑖 (i = 1, 2, 3, n)
jaringan untuk mendapatkan keseimbangan menerima sinyal input dan meneruskan
antara kemampuan jaringan untuk sinyal tersebut ke tiap-tiap unit pada
mengenali pola yang digunakan selama lapaisan tersembunyi.
pelatihan serta kemampuan jaringan untuk 3) Tiap-tiap unit di lapisan tersembunyi zj (
memberikan respon yang benar terhadap
j = 1, 2, 3,…, p) menjumlakan sinyal input
pola masukan yang serupa (tapi tidak sama)
yang berbobot, yaitu:
dengan pola yang dipakai selama pelatihan
znetj = v0j + ∑ni=1 xi vij (5)
(Siang, 2005). Learning Vector Quantization
dapat mengklarifikasi suatu vektor Fungsi aktivasi untuk menghitung sinyal
masukan, dengan menempatkannya pada output, yaitu:
1
kelas yang sama dengan unit keluaran yang 𝑧𝑗 = f (z_net j ) = −z_netj (6)
1+𝑒
mempunyai vektor bobot (dalam hal ini Dan mengirimkan sinyal tersebut ke
merupakan vektor acuan) paling sesuai semua unit lapisan di atasnya (lapisan
dengan vektor masukan tersebut (Kholis, output).
2015). 4) Tiap-tiap unit di lapisan output yk (k = 1,
2, 3,…, m) menjumlahkan sinyal input
Syarat fungsi aktivasi yang berbobot, yaitu:
backpropagation adalah mudah p
ynetk = wk0 + ∑j=1 𝑧𝑗 wkj (7)
terdiferensial, kontinyu dan tidak
Fungsi aktivasi untuk menghitung sinyal
mengalami penurunan. Fungus aktivasi yang
output, yaitu:
dapat digolongkan dalam backpropagation 1
adalah (Ramadhan et al., 2018): 𝑦𝑘 = f (y_net k ) = 1+𝑒 −y_netk (8)
1) Fungsi sigmoid biner Tahap mundur (Backpropagation)
1
f (x) = 1+e−x (1) 5) Tiap-tiap unit output yk menerima pola
target t k untung menghitung error (δk ),
Dengan fungsi turunan
yaitu:
f ′ (x) = f(x)(1 − f(x)) (2)
δk = (t k − yk )f(y_net k ) (9)
2) Fungsi Sigmoid Bipolar Kemudian menghitung nilai koreksi
2
f (x) = 1+e−x (3) bobot yang nantinya digunakan untuk
Dengan fungsi turunan memperbaiki nilai bobot Antara lapisan
(1+f(x))(1−f(x)) tersembunyi dan lapisan output (wkj ),
f ′ (x) = (4)
2 yaitu:
∆wjk = αδk zj (10)
Backpropogation merupakan
Menghitung juga koreksi bias yang
algoritma pembelajaran yang menggunakan
digunakan untuk memperbaiki nilai bias
error output untuk mengubah nilai bobot-
antara lapisan tersembunyi dan lapisan Tentukan J sedemikian hingga |Xi–
output (wk0 ), yaitu: Wj| minimum; Dengan j=1,2,…,k.
∆wk0 = αδk (11) D(j) = (Wij − X i )2 (18)
6) Tiap-tiap unit pada lapisan tersembunyi c) Perbaiki Wj dengan ketentuan :
zj (j = 1, 2, 3,..., p) menjumlahkan sinyal- Jika T = Cj maka :
sinyal input dari lapisan output, yaitu: Wj (baru)=Wj + α[X i – Wj ] (19)
δnetj = ∑m k=1 𝛿𝑘 wjk (12) Jika T ≠ Cj maka :
Mengalikan nilai ini dengan fungsi Wj (baru)=Wj - α[X i – Wj ] (20)
aktivasi untuk menghitung error pada 5) Kurangi nilai α.
lapisan tersembunyi (δj ), yaitu: α = α – (Dec α) (21)
δj = δ_net j f(z_net j ) (13) Algoritma tahap pengujian dapat dituliskan
Kemudian hitung koreksi bobot untuk dalam bentuk algoritma sebagai berikut:
memperbaiki nilai bobot antara lapisan 1) Masukkan data yang akan diuji, misal :
input dan lapisan tersembunyi (vji ), Xij dengan i = 1, 2, n dan j = 1, 2, , m
yaitu: 2) Kerjakan untuk i = 1 sampai n
∆vji = αδj xi (14) a. Tentukan j sedemikian hingga |Xi – Wj|
Kemudian menghitung koreksi bias minimum; dengan = 1, 2,., k
untuk memperbaiki nilai bobot antara b. j adalah kelas untuk Xi
lapisan input dan lapisan tersembunyi
(vj0 ), yaitu: Berdasarkan jenis konsumen energi
∆vj0 = αδj (15) listrik, secara garis besar, ragam beban
dapat diklasifikasikan ke dalam (Fadillah et
Tahap pengoreksian bobot
al., 2015a):
7) Tiap unit keluaran yk (k = 1,2, 3,…, m)
1) Beban rumah tangga.
memperbaiki bobot dan bias, yaitu:
2) Beban komersial.
wkj (baru) = wkj (lama) + wkj (16)
3) Beban industri.
Tiap-tiap unit tersembunyi 4) Beban Fasilitas Umun.
memperbaiki bobot dan bias, yaitu:
vij (baru) = vij (lama) + vij (17) Dalam peramalan beban listrik,
LVQ merupakan metode pengklarifikasi periode peramalan dibagi menjadi 3 yaitu
pola dengan setiap unit keluaran mewakili (Dewi et al., 2018):
satu kelas tertentu (Meliawati et al., 2016). 1) Peramalan Jangka Panjang (Long Term
Beberapa langkah yang harus dilakukan Forecasting).
pada perhitungan Learning Vector 2) Peramalan Jangka Menengah (Mid Term
Quantization (Lisa, 2018). Forecasting).
1) Tetapkan : 3) Peramalan Jangka Pendek (Short Term
Bobot awal variabel input ke-j menuju Forecasting).
kelas ke-I Wij , dengan i=1, 2,…K; dan j=1,
2,…,m. Peramalan yang baik adalah
Maksimum epoch: Max Epoch peramalan yang dilakukan dengan
Parameter learning rate: α mengikuti langkah-langkah atau prosedur
Pengurangan learning rate: Dec α penyusunan yang baik. Terdapat 9 langkah
Minimal learning rate: Min α yang harus diperhatikan untuk menjamin
2) Masukkan : efektivitas dan efisiensi dari sistem
Data input : Wij ; Dengan i= 1, 2,…,n dan peramalan, yaitu (Nugroho, 2016):
j= 1, 2,…,m. 1) Menentukan tujuan dari peramalan
Target berupa kelas : T; Dengan k=1, 2) Memilih item independent demand yang
2,…,n. akan diramalkan
3) Tetapkan kondisi awal: epoch = 0. 3) Menentukan horison waktu dari
4) Kerjakan jika: (epoh ≤ Max Epoch) dan peramalan (jangka pendek, menengah,
(α ≥ Minα) atau panjang)
a) Epoch = epoch + 1; 4) Memilih model-model peramalan
b) Kerjakan untuk i=1 sampai n
5) Memperoleh data yang dibutuhkan
untuk melakukan peramalan Dalam penelitian ini dilakukan
6) Validasi model peramalan prediksi beban listrik di PT.PLN (Persero)
7) Membuat peramalan Rayon Lembata dengan menggunakan
8) Implementasi hasil-hasil peramalan Backpropagation dan Learning Vector
9) Memantau keandalan hasil peramalan Quantization. Tujuan penelitian ini adalah
untuk melihat hasil prediksi dari
Dalam banyak hal, ketepatan Backpropagation dan Learning Vector
(akurasi) menunjukkan seberapa jauh Quantization yang akan digunakan untuk
model peramalan mampu memproses data menyiapkan kebutuhan energi listrik dimasa
yang telah diberikan (Yulia Nurmaindah mendatang.
Sari, 2016):
Ukuran Statistik Standar METODE
1) Mean Error (ME)
Lokasi penelitian merupakan tempat
Mean Error (ME) adalah rata-rata
melakukan kegiatan penelitian untuk
kesalahan meramal dengan menghitung
mendapatkan data yang diperlukan. Lokasi
kesalahan dengan banyaknya data
penelitian yang dipilih peneliti adalah
ME = ∑ni=1 ei /n (22)
PT.PLN (Persero) Rayon Lembata yang
2) Mean Absolute Error (MAE)
berada di kabupaten Lembata Provinsi Nusa
Mean Absolute Error (MAE) adalah rata-
Tenggara Timur.
rata absolute dari kesalahan meramal,
tanpa menghiraukan tanda positif atau
Untuk mencapai tujuan dari
negatif.
penelitian ini diperlukan data-data yang
MAE = ∑ni=1 |ei |/n (23)
dapat menunjang prakiraan beban listrik
3) Sum Of Squared Error (SSE)
wilayah di PT.PLN (Persero) Rayon Lembata
Sum Of Squared Error (SSE) adalah
antara lain (Fadillah et al., 2015b):
penjumlahan dari kuadrat kesalahan.
1) Data Primer
SSE = ∑ni=1 e𝑖2 (24)
Data primer merupakan data yang
4) Mean Squared Error (MSE)
diperoleh langsung terhadap objek
Mean Squared Error (MSE) adalah
penelitian dan dengan dilakukan
metode lain untuk mengevaluasi metode
pengumpulan data dari instansi terkait
peramalan. Masing-masing kesalahan
seperti PT. PLN (Persero) Rayon
atau sisa dikuadratkan kemudian
Lembata
dijumlahkan dan dibagi dengan jumlah
2) Data Sekunder
observasi.
Data sekunder ini diperoleh memalui
MSE = ∑ni=1 ei2 /n (25)
literatur dan jurnal-jurnal pendukung
Ukuran-ukuran Relatif
tentang prakiraan beban listrik .
1) Percentage Error (PE)
Percentage Error (PE) adalah persentase
dari kesalahan peramalan.
X −F
PE = ( t X t) x 100 (26)
t
2) Mean Percentage Error (MPE)
Mean Percentage Error (MPE) adalah
rata-Rata dari persentase kesalahan
hasil peramalan.
MPE = ∑nt=1 PEt /n (27)
3) Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE)
merupakan ukuran ketepan relatif yang
digunakan untuk mengetahui nilai rata-
rata kesalahan persentase absolute dari
suatu peramalan.
MAPE = ∑nt=1 |PEt |/n (28)
Gambar 1. Flowchat Perancangan Aplikasi