Abstrak - Kebutuhan akan ketersediaan tenaga mengalami kesulitan jika menggunakan metode
listrik saat ini sangat tinggi mengingat banyaknya konvensional.
peralatan rumah tangga maupun industri yang JST (Jaringan Syaraf Tiruan) digunakan untuk
menggunakan tenaga listrik sebagai sumber meramal beban listrik karena kemampuan pendekatan
tenaganya, sehingga diperlukan adanya sistem tenaga [13]
yang baik terhadap ketidaklinieran. Beberapa
listrik yang handal namun tetap ekonomis. Hal
pendekatan untuk meramal beban listrik menggunakan
tersebut dapat dicapai dengan melakukan JST telah banyak dilakukan, namun hanya menggunakan
perencanaan operasi yang baik dan tepat, salah satu informasi data beban listrik saja dan tidak menggunakan
langkah perencanaan operasi sistem tenaga listrik data temperatur lingkungan sebagai informasi
yang penting yaitu peramalan kebutuhan beban [11]
listrik. tambahan. Selain itu, terdapat pula pendekatan untuk
Salah satu metode peramalan beban listrik meramal beban listrik menggunakan JST yang
menggunakan informasi data beban listrik, informasi data
adalah menggunakan JST (Jaringan Syaraf Tiruan). [13]
JST merupakan sistem pemroses informasi yang temperatur lingkungan dan juga koreksi peramalan.
mempunyai karakteristik mirip jaringan syaraf Untuk menghasilkan respon yang lebih baik dengan
biologi. JST digunakan untuk peramalan beban parameter error terhadap data aktual yang lebih kecil,
karena kemampuan pendekatan yang baik terhadap maka dalam tugas akhir kali ini menggunakan data beban
ketidaklinieran. Variabel yang digunakan dalam JST listrik dan data temperatur lingkungan tiap jam sebagai
ini adalah data beban listrik dan data temperatur informasi masukan JST.
lingkungan pada masa lampau dimana temperatur
lingkungan merupakan salah satu hal yang 1.2 Tujuan
mempengaruhi konsumsi beban. Tujuan pembuatan tugas akhir ini adalah :
Pada metode ini digunakan JST dengan 1. Melakukan peramalan beban listrik jangka pendek
algoritma backpropagation dan hasil peramalan menggunakan JST.
diperoleh dengan menambahkan rata-rata data hari- 2. Membuat program MATLAB untuk melakukan
hari similar yang telah dipilih. Persentase kesalahan peramalan beban listrik jangka pendek menggunakan
rata-rata absolut antara hasil peramalan JST dengan menggunakan contoh data beban listrik
menggunakan contoh data beban listrik wilayah wilayah Jateng & DIY.
Jateng & DIY antara metode ini dengan beban aktual
adalah sebesar 2,39. 1.3 Batasan Masalah
Agar permasalahan tidak melebar dari tujuan yang
Kata kunci : beban listrik, temperatur lingkungan, diharapkan, maka dalam tugas akhir ini dilakukan
JST, backpropagation. pembatasan masalah meliputi hal-hal sebagai berikut :
1. Tugas akhir ini hanya untuk peramalan beban listrik
I. PENDAHULUAN jangka pendek.
1.1 Latar Belakang 2. Beban yang diramalkan adalah besar beban daya
nyata (MW) yang dikonsumsi pelanggan.
Peramalan beban selalu menjadi bagian penting 3. Data temperatur lingkungan menggunakan data
perencanaan dan operasi sistem tenaga listrik yang efisien. temperatur lingkungan wilayah Semarang yang
Beberapa perusahaan tenaga listrik, seperti PLN diasumsikan sama dengan data temperatur lingkungan
(Perusahaan Listrik Negara) menggunakan metode wilayah Jateng & DIY.
konvensional untuk meramalkan kebutuhan beban di masa 4. Pemrograman dilakukan dengan program bantu
yang akan datang. Pada metode konvensional, model MATLAB 6.5 beserta toolbox neural network.
didesain berdasarkan hubungan antara beban listrik 5. Wilayah peramalan beban listrik hanya meliputi
dengan faktor-faktor yang mempengaruhi konsumsi wilayah Jawa Tengah & DIY.
beban. Metode konvensional mempunyai keuntungan 6. Input JST adalah deviasi beban listrik dan deviasi
yaitu dapat meramal kebutuhan beban dengan temperatur lingkungan.
menggunakan model peramalan yang sederhana. Pola 7. Jumlah neuron input layer JST adalah 6, jumlah
hubungan antara beban listrik dengan faktor-faktor yang neuron hidden layer JST adalah 23, dan jumlah
mempengaruhi beban listrik adalah nonlinier, sehingga neuron output layer JST adalah 1.
1
8. Untuk pembelajaran JST, menggunakan algoritma
backpropagation dengan metode pelatihan Levenberg • Kondisi cuaca atau iklim yang mempengaruhi
– Marquardt . pemakaian alat-alat listrik.
9. Untuk membandingkan hasil peramalan beban listrik,
• Kegiatan sosial masyarakat.[9 ]
dilakukan perbandingan hasil peramalan antara hasil 2.1.3 Peramalan Beban Listrik
peramalan tugas akhir ini dengan hasil peramalan Terdapat tiga kelompok peramalan beban, yaitu:
[11] 1. Peramalan beban jangka panjang.
PLN dan hasil peramalan Satu Jam ke Depan .
Peramalan beban jangka panjang adalah untuk jangka
II. LANDASAN TEORI waktu diatas satu tahun. Dalam peramalan beban, masalah
-masalah makro ekonomi yang merupakan masalah
2.1 Teori Peramalan Beban ekstern perusahaan listrik, merupakan faktor utama yang
Manajemen operasi sistem tenaga listrik yang baik menentukan arah peramalan beban.
diawali oleh perencanaan operasi yang baik pula. Salah 2. Peramalan beban jangka menengah.
satu langkah perencanaan yang harus dilakukan adalah Peramalan beban jangka menengah adalah untuk
prakiraan kebutuhan beban sistem tenaga listrik. jangka waktu dari satu bulan sampai dengan satu tahun.
Dalam peramalan beban jangka menengah, masalah-
2.1.1 Karakteristik Beban Listrik Jawa Tengah & masalah manajerial perusahaan merupakan faktor utama
DIY yang menentukan.
Grafik pada Gambar 1 memperlihatkan konsumsi 3. Peramalan beban jangka pendek
listrik masyarakat Jawa Tengah & DIY yang tidak merata Peramalan beban jangka pendek adalah untuk jangka
sepanjang hari. waktu beberapa jam sampai satu minggu (168 jam).
2.400,0
2.200,0
GRAFIK BEBAN DISTRIBUSI
Besarnya beban untuk setiap jam ditentukan dengan
2.000,0 memperhatikan trend beban di waktu lalu dengan
1.800,0
1.600,0
memperhatikan berbagai informasi yang dapat
(MW)
1.400,0
[9]
1.000,0
800,0
2.1.4 Cara-cara Peramalan Beban Listrik
600,0
Beberapa metode yang dipakai untuk meramalkan
beban adalah :
400,0
00.30 01.30 02.30 03.30 04.30 05.30 06.30 07.30 08.30 09.30 10.30 11.30 12.30 13.30 14.30 15.30 16.30 17.30 18.30 19.30 20.30 21.30 22.30 23.30
JAM
2.000,0
1.800,0
d3
1.600,0
(MW)
1.400,0
BEBAN
1.200,0
d1
1.000,0
800,0
600,0
Tahun
400,0
00.30 01.30 02.30 03.30 04.30 05.30 06.30 07.30 08.30 09.30 10.30 11.30 12.30 13.30 14.30 15.30 16.30 17.30 18.30 19.30 20.30 21.30 22.30 23.30
JAM
RENC. BEBAN REAL. BEBAN
Gambar 3 Metode Least square.
Gambar 2 Kurva Karakteristik Beban Hari Libur Khusus (1 Januari
[15] 2. Metode Eksponensial
2005). Metode ini dapat dipakai kalau sistem tenaga listrik
2.1.2 Faktor-faktor yang Mempengaruhi Beban yang dibahas masih jauh dari kejenuhan dan ada suatu
target kenaikan penjualan yang digariskan.
Listrik [9][10][12] Untuk mendapatkan beban puncak dengan metode
eksponensial adalah :
Faktor-faktor penting yang besar pengaruhnya
terhadap variasi beban listrik sehari-hari adalah: Beban puncak = (Bo + p)t
B (1)
• Keadaan politik negara. dimana
• Kegiatan ekonomi masyarakat. Bo B= beban puncak pada saat sekarang
• Perubahan jumlah konsumen tenaga listrik. p = persentase kenaikan beban per tahun
• Perubahan konsumsi tenaga listrik dari konsumen yang ditargetkan.
lama. t = jumlah tahun yang akan datang.
2
3. Metode Koefisien Beban c. Fungsi aktivasi yang menentukan keluaran dari
Metode ini dipakai untuk meramalkan beban harian sebuah neuron.
dari suatu sistem tenaga listrik. Beban untuk setiap jam
diberi koefisien yang menggambarkan besarnya beban [4] [6] [10]
2.2.2 Arsitektur Jaringan Syaraf Tiruan.
pada jam tersebut dalam perbandingannya terhadap beban Berdasarkan jumlah layar, arsitektur jaringan syaraf
puncak. Koefisien-koefisien ini berbeda untuk hari Senin tiruan dapat diklasifikasikan menjadi dua kelas yang
sampai dengan Minggu dan untuk hari libur bukan berbeda, yaitu jaringan layar tunggal (single layer
minggu. Setelah didapat perkiraan kurva beban harian network) dan jaringan layar jamak (multi layer network).
dengan metode koefisien, masih perlu dilakukan koreksi- a. Jaringan Layar Tunggal (Single Layer Network)
koreksi berdasarkan informasi-informasi terakhir [4] [6] [10]
mengenai peramalan suhu dan kegiatan masyarakat. Semua unit input dalam jaringan ini dihubungkan
4. Metode Pendekatan Linier
dengan semua unit output, meskipun dengan bobot yang
Cara ini hanya dapat dipakai untuk peramalan beban
berbeda-beda. Jaringan layar tunggal ditunjukkan pada
beberapa puluh menit kedepan. Untuk meramalkan
Gambar 4.
beban pada saat t :
B = a.t + bo (2)
dimana
B = beban pada saat t
a = suatu konstanta yang harus ditentukan
bo = beban pada saat t=to
g'( x ) = [1 + g(x)][1 − g(x)] (9) merupakan bobot garis yang menghubungkan bias di unit
d. Fungsi identitas
2
masukan ke unit layar tersembunyi w
z j . Variabel kj
Fungsi identitas dirumuskan sebagai : (10) merupakan bobot dari unit layar tersembunyi z j ke unit
f (x) = x keluaran yk . Variabel wk 0 merupakan bobot dari bias di
[4 ] [6 ] [10]
2.2.4 Pengaturan Bobot
layar tersembunyi ke unit keluaran yk .
Secara umum ada dua macam metode pelatihan, b. Algoritma Dasar Jaringan Syaraf Tiruan
yaitu pelatihan terbimbing (supervised training) dan [4] [6] [10]
pelatihan tak terbimbing (unsupervised training). Backpropagation
a. Pelatihan Terbimbing [4 ] [6 ] [10] Pelatihan backpropagation meliputi 3 fase. Fase
pertama adalah fase maju. Pola masukan dihitung maju
Dalam pelatihan terbimbing, terdapat sejumlah
mulai dari layar masukan hingga layar keluaran
pasangan data (masukan – target keluaran) yang dipakai
4
menggunakan fungsi aktivasi yang ditentukan. Fase kedua dan mengirim nilai δk ke lapisan
adalah fase mundur. Selisih antara keluaran jaringan tersembunyi.
dengan target yang diinginkan merupakan error yang Langkah 7 : Menghitung faktor δ unit tersembunyi
terjadi. Error tersebut dipropagasikan mundur, dimulai berdasarkan error di setiap unit
dari garis yang berhubungan langsung dengan unit-unit di tersembunyi.
layar keluaran. Fase ketiga adalah modifikasi bobot untuk
menurunkan error yang terjadi. m
c. Algoritma Pelatihan untuk Jaringan dengan Satu
[4 ] [6 ] [10] δ _ net j = ∑δ k wkj (18)
Layar Tersembunyi k =1
Algoritma pelatihan untuk jaringan dengan satu layar Mengalikan dengan turunan fungsi
tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah aktivasi untuk menghitung informasi
sebagai berikut: error.
Langkah 0 : Semua bobot diinisialisasi dengan
δ j = δ _ net j f ' (z _ net j ) (19)
bilangan acak kecil.
Menghitung koreksi bobot (digunakan
Langkah 1 : Jika kondisi penghentian belum
terpenuhi, melakukan langkah 2-9. untuk mengubah vij selanjutnya)
Langkah 2 : Untuk setiap pasangan data pelatihan, viji = αδ j xi (20)
melakukan langkah 3-8. dan menghitung koreksi bias (digunakan
Propagasi maju : untuk mengubah v0j selanjutnya).
Langkah 3 : Setiap unit masukan ( xi ) menerima v j0 = αδ j (21)
sinyal dan meneruskan sinyal ini ke unit Memperbarui bobot dan bias : mengubah bias dan
tersembunyi diatasnya. Langkah 8: Tiap unit keluaran
bobot-bobotnya
Langkah 4 : Menghitung semua keluaran di unit w
wkj (baru) = wkj (lama)+ kj
(22)
tersembunyi z j (j=1,2,...,p).
n
Tiap unit tersembunyi (Zj) mengubah
bias dan bobot (i)
z _ net j = v j0 + ∑xi v ji (11)
v
v ji (baru) = v ji (lama)+ ji (23)
i=1
1 (12) Langkah 9 : Uji syarat henti
( )
z j = f z _ net j =
1 + e −z _ net j Jika besar jumlah error kuadrat (sum
Langkah 5 : Menghitung semua keluaran jaringan di squared error) lebih kecil dari toleransi
yang ditentukan maka proses akan
unit yk (k=1,2,...,m). berhent
p n
5
dimana, jika skalar μ (mu) adalah nol, maka metode ini
sama dengan metode Newton, menggunakan matrik
Hessian.
[8 ][10]
2.3 Aturan Euclidean (Euclidean Norm)
Tugas Akhir ini menggunakan aturan euclidean
berbobot untuk memilih hari-hari yang similar dengan
hari peramalan. Semakin kecil jarak euclidean maka
pemilihan hari-hari similar akan semakin baik. Aturan
euclidean berbobot adalah sebagai berikut :
D= (28)
t 2
( ) + w2 ( L ) + w3( L )
w1 L
− 2
t 1
2
t −2
sedangkan
dimana =L p (29)
Lt−k t−k − Lt −k
L = kurva beban peramalan
t−k
Lp = kurva beban pada hari-hari
t−k similar
antara daya beban
Lt −k = deviasi
peramalan dengan hari-hari Gambar 8 Diagram alir program utama.
peramalan
= koefisien korelasi 3.1.2 Diagram Alir Subprogram Peramalan Beban
w1, w2 , w3
Listrik
Rumus umum untuk menghitung koefisien Diagram alir peramalan beban listrik ditunjukkan
korelasi antara dua variabel L dan T adalah :
w=
pada Gambar 9.
n ∑ LT − (∑ L)(∑T ) (30)
n ∑ L2 − (∑ L)2 − n ∑T 2 − (∑T )2
6
(enam puluh) hari sebelum dan sesudah hari-peramalan Pemilihan deviasi beban listrik dan temperatur
pada tahun sebelumnya dan dua tahun sebelumnya. lingkungan yang akan menjadi input jaringan pada saat
2. Menentukan batasan pemilihan hari-hari similar pelatihan menggunakan perintah berikut :
a. Hari-peramalan : Senin, 10 Juli 2006
function [P]=train_input(learnload,learntemp)
Batasan pemilihan hari yang similar:
- 10 Juni 2006 - 9 Juli 2006
Penentuan target keluaran jaringan yang juga
- 10 Juni 2005 - 9 Agustus 2005
digunakan sebagai input jaringan pada saat pelatihan
- 10 Juni 2004 - 9 Agustus 2004
b. Hari-peramalan : Selasa, 11 Juli 2006 menggunakan perintah berikut :
Batasan pemilihan hari yang similar: function [T]=train_target(learnload,learntemp)
- 11 Juni 2006 - 10 Juli 2006
- 11 Juni 2005 - 10 Agustus 2005 3.2.2 Pelatihan Jaringan dengan Algoritma
- 11 Juni 2004 - 10 Agustus 2004 Backpropagation
c. Hari-peramalan : Rabu, 12 Juli 2006
Batasan pemilihan hari yang similar: Pelatihan jaringan dengan algoritma
- 12 Juni 2006 - 11 Juli 2006 backpropagation mengikuti diagram alir yang ditunjukkan
- 12 Juni 2005 - 11 Agustus 2005 pada Gambar 10.
- 12 Juni 2004 - 11 Agustus 2004
d. Hari-peramalan : Kamis, 13 Juli 2006
Batasan pemilihan hari yang similar:
- 13 Juni 2006 - 12 Juli 2006
- 12 Juni 2005 - 12 Agustus 2005
- 12 Juni 2004 - 12 Agustus 2004
e. Hari-peramalan : Jumat, 14 Juli 2006
Batasan pemilihan hari yang similar:
- 14 Juni 2006 - 13 Juli 2006
- 14 Juni 2005 - 13 Agustus 2005
- 14 Juni 2004 - 13 Agustus 2004
f. Hari-peramalan : Sabtu, 15 Juli 2006
Batasan pemilihan hari yang similar:
- 15 Juni 2006 - 14 Juli 2006
- 15 Juni 2005 - 14 Agustus 2005
- 15 Juni 2004 - 14 Agustus 2004
g. Hari-peramalan : Minggu, 16 Juli 2006
Batasan pemilihan hari yang similar:
- 16 Juni 2006 - 15 Juli 2006
- 16 Juni 2005 - 15 Agustus 2005
- 16 Juni 2004 - 15 Agustus 2004
Peramalan beban listrik pada hari libur
khusus/nasional, penentuan batasan pemilihan hari yang
similar sama dengan pemilihan untuk hari-hari normal
(hari-hari kerja dan akhir pekan biasa). Pemilihan data
temperatur lingkungan disesuaikan dengan data beban
listrik baik pada hari-hari kerja, akhir pekan, maupun hari
libur khusus. Data beban listrik hari-hari similar disimpan
dalam variabel learnload sedangkan data temperatur
lingkungan hari-hari similar disimpan dalam variabel
learntemp.
3. Pemilihan hari-hari similar
Gambar 10 Diagram alir proses pelatihan.
Pemilihan hari-hari yang similar antara suatu hari
peramalan dengan hari-hari pada batasan range yang telah Input data pelatihan dapat dipilih pada frame Pilih Data.
ditentukan sebelumnya menggunakan aturan Euclidean Arsitektur jaringan yang digunakan adalah sebagai
dengan faktor bobot (Euclidean norm with weighted berikut:
factor) sebagai dasar perhitungan similaritas • Input layer dengan 6 buah neuron.
menggunakan perintah berikut : • Hidden layer dengan 23 buah neuron.
function [rxy]=weight(learnload,learntemp) • Output layer dengan 1 buah neuron.
Parameter jaringan BP yang terdapat dalam frame
Parameter Jaringan yaitu :
• mu
7
Mu digunakan untuk menentukan laju mensimulasikan data-data tersebut dengan masukan yang
pembelajaran. Nilai default mu adalah 0,001. sama dengan data latihan dengan instruksi :
• Epoch
Y=sim(net,P{1});
Iterasi akan dihentikan apabila nilai epoch melebihi
epoch maksimum. Nilai epoch yang digunakan Untuk mendapatkan kurva beban listrik peramalan
dalam tugas akhir ini adalah sebanyak dilakukan dengan menambahkan hasil simulasi Y dengan
200 iterasi. nilai rata-rata data hari yang similar terpilih.
• Goal
Parameter goal digunakan untuk menentukan batas hasil=Y+ratarata(learnload);
nilai mse agar iterasi dihentikan. Batas mse yang
digunakan dalam tugas akhir ini adalah 0. Sebelum melakukan peramalan lagi, arsitektur dan
Untuk melatih jaringan dengan semua parameter yang parameter jaringan harus dikembalikan ke nilai default
telah ditentukan dengan menggunakan instruksi : terlebih dahulu. Selain itu, hasil pelatihan dan peramalan
sebelumnya juga harus dihapus.
net=train(net,P{n},T{n});
3.2.4 Menu Pilihan
3.2.3 Peramalan Menu pilihan dapat dipilih setelah diperoleh hasil
Setelah melalui tahap pelatihan, untuk peramalan sebelum melalui proses ‘reset’. Beberapa menu
mendapatkan kurva beban listrik peramalan mengikuti pilihan tersebut adalah :
diagram alir yang ditunjukkan Gambar 11. 1. Bandingkan!
Menu pilihan ‘Bandingkan!’ digunakan untuk
membandingkan hasil peramalan JST dengan hasil
peramalan PLN dalam bentuk grafik dan error MAPE.
2. Tampilkan grafik error
Menu pilihan ‘Tampilkan grafik error’ digunakan
untuk melihat error hasil peramalan JST dan error hasil
peramalan PLN tiap jam dalam bentuk grafik.
3. Tampilkan data beban
Menu pilihan ‘Tampilkan data beban’ digunakan
untuk melihat beban listrik aktual dan beban listrik hasil
peramalan JST tiap jam dalam bentuk kolom. Data beban
listrik tiap jam ini kemudian dapat disimpan dalam bentuk
file .mat.
8
Gambar 14 Hasil simulasi pola hari Senin.
Tabel 2 Perbandingan beban aktual dan beban peramalan tiap jam.
9
dicapai pada jam 17.00. Pada kedua jenis peramalan PLN, error minimum yaitu sebesar 0,388661 % dicapai
tersebut, error peramalan maksimum dicapai pada jam pada jam 15.00 sedangkan error maksimum yaitu sebesar
17.00 karena pada jam inilah terjadi perubahan beban 12,4879 % dicapai pada jam 17.00. Pada kedua jenis
listrik yang signifikan yaitu pada sore hari menjelang peramalan tersebut, error peramalan maksimum dicapai
malam ketika konsumen mulai menggunakan penerangan. pada jam 17.00 karena pada jam inilah terjadi perubahan
beban listrik yang signifikan yaitu pada sore hari
Tabel 3 Perbandingan hasil peramalan beban hari Senin 17 Juli 2006.
menjelang malam ketika konsumen mulai menggunakan
penerangan.
Tabel 4 Perbandingan hasil peramalan beban Tahun Baru, 1 Januari
2006.
10
Tabel 6 menunjukkan perbandingan error b. Perbandingan Hasil Peramalan antara Peramalan
minimum dan maksimum antara peramalan JST dengan JST, PLN, dan Satu Jam ke Depan.
peramalan PLN. Gambar 17 menunjukkan perbandingan hasil
peramalan beban perjam pada hari Selasa 10 Juni 2003
Tabel 6 Perbandingan error minimum dan maksimum antara peramalan antara hasil peramalan JST , hasil peramalan PLN dan
JST dengan peramalan PLN.
hasil peramalan dengan Metode Satu Jam ke Depan.
11
17.00. Pada peramalan SJD, error minimum yaitu sebesar 3. Jang, J.S. Roger, Sun, Chuen-Tsai, Mizutani, Eiji, Neuro-Fuzzy and
Soft Computing, Prentice-Hall International, Inc., USA, 1997.
0,479151 % dicapai pada jam 18.00 sedangkan error 4. Jong Jek Siang, Jaringan Syaraf Tiruan dan Pemrogramannya
maksimum yaitu sebesar 5,707782 % dicapai pada jam Menggunakan MATLAB, Penerbit ANDI, Yogyakarta, 2005.
17.00. Hal ini menunjukkan bahwa pada pengujian waktu 5. K.L. Ho, Y.Y. Hsu, C.C. Yang, Short Term Load Forecasting Using
yang sama peramalan dengan metode ini jauh lebih baik A Multilayer Neural Network With An Adaptive Learning
Algorithm, IEEE, 1992.
dibandingkan dengan metode Peramalan Beban Satu Jam 6. Kristanto, Andri, Jaringan Syaraf Tiruan (Konsep Dasar,
ke Depan. Algoritma, dan Aplikasi), Penerbit Gava Media, Yogyakarta, 2004.
7. Kusumadewi, Sri, Membangun Jaringan Syaraf Tiruan
V. PENUTUP (Menggunakan MATLAB & Excel Link ), Penerbit Graha Ilmu,
Yogyakarta, 2004.
5.1 Kesimpulan 8. Makridakris. Spyros, Wheelwright, Steven C., Mc.Gee, Victor E.,
Metode dan Aplikasi Peramalan, Penerbit Erlangga, Jakarta, 1992.
Dari tahapan proses perancangan hingga pengujian 9. M. Djiteng, Operasi Sistem Tenaga Listrik, Balai Penerbit dan
sistem peramalan beban menggunakan JST, maka dapat Humas ISTN, Jakarta.1990.
diambil kesimpulan sebagai berikut : 10. Nurbaqin, Sistem Peramalan Beban Satu Jam ke Depan
Menggunakan Jaringan Saraf Tiruan, Tugas Akhir, Teknik Elektro
1. MAPE peramalan beban selama periode 17-23 Juli Fakultas Teknik UNDIP, Semarang, 2003.
2006, 1 Januari 2006, 17 Agustus 2006 dan 25 11. Prasetyo, Wahyu Agung, Tips dan Trik MATLAB : Vektorisasi,
Desember 2006 dengan metode Aplikasi Jaringan Optimasi dan Manipulasi Array, Penerbit ANDI, Yogyakarta, 2004.
Syaraf Tiruan adalah 2,394 % dan MAPE peramalan 12. Sari, Dinar A. , Prakiraan Kebutuhan Beban dan Perencanaan
Pengoperasian Pembangkit-pembangkit di Region III Jawa Tengah
PLN adalah 2,567 %. MAPE peramalan beban pada & DIY, Laporan Kerja Praktek, Teknik Elektro Fakultas Teknik
tanggal 10 Juni 2003 dengan metode SJD adalah 3,08 UNDIP, Semarang, 2005
%, MAPE peramalan PLN adalah 1,611 %, dan 13. T. Senjyu, “One-Hour_Ahead Load Forecasting Using Neural
Network”, IEEE Transaction On Power System, Vol 17, No.1,
MAPE Peramalan JST adalah 2,112 % . February 2002
2. Rata-rata error minimum JST sebesar 0,1295915 % 14. -----, Kumpulan Data PLN, PLN, 2006.
lebih kecil daripada error minimum PLN yang 15. -----, Kumpulan Data PLN, PLN, 2005.
sebesar 0,1535576 % sedangkan rata-rata error 16. -----, Kumpulan Data PLN, PLN, 2004.
17. -----, www.itee.uq.edu.au/~mikael/papers/rn_dallas.pdf
maksimum JST yaitu 8,3329488 % lebih besar 18. -----, www.itee.uq.edu.au/~mikael/papers/rn_dallas.pdf
daripada error maksimum PLN sebesar 7,0498176 %.
3. Error peramalan JST masih dalam batas toleransi
Biodata Penulis
deviasi peramalan beban yang ditentukan oleh PLN
Dinar Atika Sari, lahir di Semarang,
yaitu sebesar ± 5%.
13 Oktober 1984. Setelah lulus dari
5.2 Saran SMU N 3 Semarang pada tahun
Untuk penelitian lebih lanjut diharapkan dapat 2002 kini penulis tengah
memperbaiki kekurangan dan mendapatkan hasil menyelesaikan pendidikan Strata
peramalan beban dengan error yang lebih kecil lagi. Satu di Jurusan Teknik Elektro,
Untuk itu disarankan : Fakultas Teknik, Universitas
1. Model JST Backpropagation yang lebih sempurna Diponegoro.
baik pada struktur jaringan, metode pembelajaran dan
Menyetujui dan mengesahkan,
penentuan parameter-parameter jaringan yang tepat.
2. Mempertimbangkan variabel-variabel lain (selain
Dosen Pembimbing I, Dosen Pembimbing II,
beban aktual dan suhu tiap jam seperti yang
digunakan pada metode ini) yang dapat
mempengaruhi pola beban untuk pembelajaran
jaringan, seperti, kondisi sosial, posisi matahari, dan
lain-lain.
3. Mengembangkan dengan metode pembelajaran yang
Wahyudi, S.T., M.T. Mochammad Facta, S.T., M.T.
lebih sempurna, dimana data feedback dan error
NIP. 132 086 662 NIP. 132 231 134
peramalan dijadikan salah satu variabel pembelajaran
selanjutnya.
4. Mengembangkan dengan menggunakan data real
time.
DAFTAR PUSTAKA
12