Halo semuanya perkenalkan saya Widi Astawa.

Kali ini saya akan mensimulasikan Sebuah

jurnal mengenai jaringan syaraf tiruan sebagai metode peramalan beban listrik harian di PT
pismatex Pekalongan

Oke Langsung saja kita lanjut ke pembahasan. Yang pertama latar belakang

LATAR BELAKANG

• Beberapa penelitian tentang peramalan beban listrik yang menggunakan metode jaringan
syaraf tiruan sudah banyak dilakukan. Peramalan beban listrik jangka pendek menggunakan
jaringan syaraf tiruan dilakukan dengan data beban listrik harian pada sistem tenaga listrik di
Mesir diperoleh kesalahan rata-rata sebessr 0,493% dengan standar deviasi 2,923% (Mohamed
dkk, 1998).

• Peramalan beban listrik harian pada suatu perkotaan menggunakan jaringan syaraf tiruan
diperoleh kesalahan rata-rata yang didapat sebesar 1,97% (Beccali, 2004).

• Perbandingan penggunaan metode jaringan syaraf tiruan dan metode Fuzzy Logic yang
menghasilkan kesimpulan bahwa rata-rata kesalahan adalah 0,5% untuk jaringan syaraf tiruan
dan 4,91% untuk metode Fuzzy Logic. (A. Badri, 2012).

• Penelitian peramalan beban listrik jangka menengah menggunakan jaringan syaraf tiruan
menghasilkan rentang kesalahan antara nilai minimum 3,25% dan nilai maksimum 7,32% (Islam,
1995).

Masih pada latar belakang

Penelitian-penelitian yang telah dilakukan sebelumnya memperlihatkan bahwa jaringan

syaraf tiruan mampu digunakan sebagai metode peramalan beban listrik yang menggunakan
data-data beban listrik dengan cakupan area yang luas (kota, regional dan negara). Dari berbagai
penelitian tersebut memperlihatkan pula bahwa kesalahan rata- rata terkecil didapatkan pada
peramalan beban listrik jangka pendek. Berdasarkan hal tersebut, penelitian ini mengangkat tema
tentang penggunaan jaringan syaraf tiruan sebagai metode peramalan beban listrik jangka
pendek.

Perbedaan dengan penelitian sebelumnya adalah data-data beban listrik yang

digunakan adalah data dengan cakupan area yang kecil, yaitu data beban listrik pada suatu
industri. Peramalan beban listrik pada suatu industry dapat memberikan suatu informasi yang
mendukung terhadap Top Management dan pemangku kepentingan lainnya dalam hal
memperkirakan dan memonitor kebutuhan daya listrik serta usaha dalam menyediakannya
Pada penelitian ini menggunakan data-data beban listrik harian PT. Pismatek Pekalongan
sebagai studi kasusnya.
 Adapun metode yang dilakukan Untuk penelitian ini yaitu melalui empat metode yang
pertama regresi dimana regersi merupakan peramalan yang bersifat parametrik, kemudian
menggunakan backpropagation di mana backpropagation adalah Sebuah metode sistematik
untuk pelatihan Jaringan syaraf tiruan multilayer Dimana metode ini Memiliki dasar
matematis yang kuat, objektif dan Algoritma ini mendapatkan bentuk persamaan dan nilai
koefisien dalam formula dengan meminimalkan jumlah kuadrat error melalui model yang
dikembangkan. Selanjutnya menggunakan Pengumpulan data Pada pengumpulan data ini
penelitian melakukan beberapa kali percobaan untuk mendapatkan jaringan terbaik dengan
mengumpulkan data terdahulu. Yang terakhir yaitu Tahap peramalan Dimana dalam tahap ini
peneliti akan mendapatkan suatu data yang dapat terjadi kedepannya

penelitian ini menggunakan data listrik harian dari PT pismatex pekalongan.

Data pelatihan jaringan saraf tiruan diambil dari data hari senin hingga minggu dengan
perubahan data beban perjamnya, seperti yang ditunjukkan pada tabel. Berdasarkan tabel
jumlah data perlatihan sebanyak 7x24 yaitu sebanyak 168 data. sebagai data input pelatihan
adalah dari hari senin jam 00 sampai minggu jam 23, sehingga menghasilkan data sebanyak
168 sedangkan data target adalah data 24jam pada hari terakhir.

Selanjutnya konfgurasi parameter dari jaringan saraf tiruan ini untuk tipe jaringan
menggunakan feed forrward backpropagation, untuk fungsi perlatihan menggunakan train
levenberg marquardt, fungsi pembelajaran menggunakan learnGDM, kemudian pada fungsi
performance Menggunakan mean square error, selajutnya jumlah hidden layer berjumlah 1,
jumlah neuron dua dan fungsi transfer berbentuk tansig (logaritmik Bipolar)

Oke langsung saja kita lanjut ke simulasi. Yang pertama kita buka terlebih dahulu Matlab
r2013a.

Lalu pada command window Kita ketikan nntool. Kemudian enter maka akan keluar
Jendela neural Network Atau data manager nntool. Sebelumnya kita harus menginput Data
pengukuran beban Setiap jam tadi Yang didapatkan dari pengukuran beban Hari Senin
sampai dengan minggu Setiap jamnya. Karena tadi saya sudah mengkonversikan data
pengukuran tersebut ke dalam bentuk Excel. Untuk menginput nya ke mathlab kita harus
menginput nya melalui workspace. Dengan cara new kemudian Ubah namanya menjadi input
Yang berupa file input. Kemudian new kembali Kita gunakan sebagai target.

Selanjutnya klik 2 kali Pada workspace pada file input. Lalu open file pada Excel Yang
sudah saya konversikan sama dengan format mathlab, Kemudian kita copy data mulai dari
hari Senin sampai dengan hari Minggu Selama 24 jam. Kemudian paste ke data input.
Kemudian data target sudah dikonversikan kedalam format mathlab dan copy and paste
kedalam file target.

Selanjutnya kita Open pada jendela neural Network. kemudian import data yang
sudah kita upload ke matlab workspace. Klik input kemudian import data input. Begitu juga
pada file target klik disini pada target data lalu import sehingga pada jendela neural network
ini sudah terupload data input dan targetnya, Kemudian klik new.

Pada jendela ini kita akan mengkonfigurasi Parameter dari jaringan syaraf tiruan
sesuai pada jurnal. Dimana pada jurnal menggunakan feed forward back propagation
Kemudian pada input data pilih input Kemudian pada target data pilih target. Kemudian pada
training function pilih trainLM Kemudian pada learning function pilih learnGDM. Kemudian
pada performance function pilih MSE, number of layer 1 number of neuron 2 Dan pada
transfer function transig Kemudian kita create dan oke Kemudian close sehingga File yang
kita create tadi muncul ke dalam kolom Network.

Kemudian klik dua kali pada kolom Network Sehingga akan muncul jendela baru
bernama network1 Di sini dapat kita lihat pada input data terdapat 7 dan layar 2 output layer
1 dan outputnya 1 Kemudian klik tab pada train Kita rubah inputnya menjadi file input dan
targetnya menjadi file target Dan juga pada training parameter Kita sesuaikan secara default
Kemudian langsung kita klik Train Network.

Nah train pertama ini sudah selesai Bisa kita lihat pada kolom regression. nah pada
jendela regression ini kita dapat mengetahui apakah data kita sudah mendekati dengan
peramalan dengan cara  apakah data ini sudah segaris dengan feet atau berjumlah satu ini
jika belum kita dapat mengetrainnya kembali

Train network kemudian Regression. nah seperti ini terlihat sudah mendekati garis
feet ini maka train network kita sudah dapat dikatakan sudah ahli atau sesuai. kemudian
untuk melihat output dari hasil train network tadi dapat dilihat pada jendela neural network
tool dimana pada output data, kita klik 2 kali, maka keluar data output. hasil train dari
jaringan saraf tiruan tersebut tadi. kemudian pada kolom error data klik 2 kali maka terlihat
bahwa error data atau selisih data yang seharusnya dengan data yang diramalkan sudah
sesuai.
baik sekian yang dapat saya sampaikan mengenai jaringan saraf tiruan. mohon maaf
jika ada salah, saya tutup dengan terima kasih