PERAMALAN BEBAN LISTRIK JANGKA PENDEK PADA SISTEM

KELISTRIKAN LOMBOK DENGAN FUZZY TIME SERIES (FTS)

[Performance Comparison of IPv6 and IPv4 on TCP, UDP and FTP Protocols
Simple NetworkCase Study]

Ida Ayu Mas Candra Dewi1, I Made Ari Nrartha,ST.,MT.2, I Made Budi Suksmadana,ST.,MT.3

ABSTRAK

Tenaga listrik adalah salah satu kebutuhan dasar masyarakat pada era modern
ini. Besarnya konsumsi listrik pada suatu waktu tidak dapat dihitung secara pasti. Jumlah
konsumsi listrik yang tidak tentu dan tanpa diperkirakan terlebih dahulu dapat berpengaruh
pada kesiapan dari unit pembangkit untuk menyediakan pasokan listrik kepada konsumen.
Oleh karena itu, dibutuhkan peramalan beban listrik jangka pendek dalam pengoperasian suatu
sistem tenaga listrik.
Metode yang digunakan pada peramalan beban listrik jangka pendek pada tugas
akhir ini adalah fuzzy time series. Model peramalan dengan fuzzy time series kemudian
dibandingkan dengan model peramalan moving average. Model ini kemudian digunakan
untuk meramalkan beban listrik jangka pendek pada Sistem Kelistrikan Lombok dengan data
beban listrik selama bulan Oktober 2013.
Error rata-rata peramalan beban listrik jangka pendek bulan Oktober menggunakan
metode fuzzy time series yaitu 5.31%, sedangkan dengan metode moving average 5.99%.

Kata Kunci : Peramalan Beban Listrik, Peramalan Jangka Pendek, Fuzzy

Relational, Fuzzy Time Series

ABSTRACT

Electricity is one of human basic needs in modern era. The real value of electricity
power consumption cannot be calculated in exact way. The undetermined and unpredicted
amount of electricity power consumption will affect readiness of the power plant. Therefore,
short term electricity load forecasting on electricity power system is needed.
Short term electricity load forecasting method on this paper is using fuzzy time series.
Forecasting model using fuzzy time series later will be compared with moving average
forecasting model. This model later will used to forecasting short term electricity load on
Lombok electricity system with electricity load data during October 2013.
Short term electricity load forecasting during august 2014 using fuzzy time series error
average is 5.31%, while using moving average method is 6.99%.

Keyword : short time electricity load forecasting, short term forecasting, fuzzy
relational, fuzzy time series

1
Mahasiswa Program S1 Teknik Elektro, FT, UNRAM
2,3Dosen Program S1Teknik Elektro, FT, UNRAM
Jln.Majapahit No.62 Mataram 83125 Telepon (0370)636755, 636126–Ext. 117 Fax
(0370)636523
Email: 1iamcandradewi@yahoo.com,
PENDAHULUAN
Energi listrik merupakan energi yang
tidak dapat disimpan dalam skala yang
besar, sehingga energi harus disediakan
pada saat dibutuhkan. Untuk itu dibutuhkan
peramalan beban yang tepat dalam
memenuhi permintaan daya yang
dibutuhkan dengan kualitas yang baik dan
harga yang murah dari energi listrik yang
disuplai oleh pembangkit.
Berdasarkan paparan diatas, maka
permasalahan dapat dirumuskan sebagai
berikut :
1. Bagaimana data beban historis dapat
digunakan sebagai data input untuk
fuzzy time series dalam meramalkan
beban listrik jangka pendek?
2. Bagaimana membuat relasi data beban
historis dalam fuzzy time series untuk
peramalan beban listrik jangka pendek?
3. Bagaimana merumuskan dalam sebuah
program, kemudian menguji dan
memvalidasi fuzzy time series untuk
peramalan beban listrik jangka pendek.
Penelitian bertujuan ini untuk
memperoleh model fuzzy time series
berdasarkan beban historis untuk
peramalan beban listrik jangka pendek
pada Sistem Kelistrikan Lombok .
Adapun manfaat yang dapat diambil
dari penelitian ini adalah sebagai berikut:
1. Dapat menambah wawasan tentang
metode peramalan beban listrik dengan
menggunakan kecerdasan buatan
khususnya dengan fuzzy time series.
2. Sebagai acuan bagi PT. PLN (Persero)
untuk mendapatkan model lain dari
peramalan beban listrik jangka pendek.
Pada dasarnya ramalan
merupakan suatu dugaan atau perkiraan
atas terjadinya kejadian di waktu
mendatang. Ramalan bisa bersifat kualitatif
maupun kuantitatif. Ramalan kualitatif tidak
berbentuk angka sedangkan ramalan
kuantitatif dinyatakan dalam bentuk angka
atau bilangan. Menurut jangka waktunya,
peramalan dibagi menjadi 3 periode, sesuai
dengan materi yang diramalkannya. Dalam
peramalan beban listrik, periode peramalan
dibagi menjadi 3 yaitu:
a. Peramalan Jangka Panjang ( Long Term
Forecasting)
Merupakan peramalan yang
memperkirakan keadaan dalam waktu
beberapa tahun ke depan. Tujuannya
adalah untuk dapat mempersiapkan
ketersediaan unit pembangkit, sistem
transmisi serta distribusi.
b. Peramalan Jangka Menengah ( Mid
Term Forecasting)
Merupakan peramalan dalam jangka
waktu bulanan atau mingguan.
Tujuannya untuk mempersiapkan jadwal
persiapan dan operasional sisi
pembangkit.
c. Peramalan Jangka Pendek ( Short Term
Forecasting)
Merupakan peramalan dalam jangka
waktu harian hingga setiap jam. Biasa
digunakan untuk studi perbandingan
beban listrik perkiraan dengan aktual
(realtime).
Peramalan memiliki empat
karakteristik atau prinsip. Dengan
memahami prinsip-prinsip membantu agar
mendapatkan peramalan yang lebih efektif.
1. Peramalan biasanya salah. Dalam
kegiatan peramalan kesalahan adalah
hal yang wajar karena masa depan yang
tidak diketahui oleh siapa pun.
2. Setiap peramalan seharusnya
menyertakan estimasi kesalahan (error).
Perbedaan antara nilai yang diprediksi
dengan nilai aktualnya akan
menghasilkan besar kesalahan
sehingga setiap peramalan seharusnya
juga menyertakan estimasi kesalahan
yang dapat diukur sebagai tingkat
kepercayaan, dapat berupa presentase
dari peramalan sebagai rentang nilai
minimun dan maksimum.
3. Peramalan akan lebih akurat untuk
kelompok atau grup. Perilaku dari
individual dalam sebuah grup memiliki
sifat yang lebih acak bahkan ketika grup
tersebut berada dalam keadaan stabil.
4. Peramalan lebih akurat untuk jangka
waktu yang lebih dekat. Kebanyakan
orang lebih yakin untuk meramalkan apa
yang akan mereka lakukan minggu
depan dibanding meramalkan apa yang
akan mereka lakukan tahun depan.
Karena masa depan yang lebih jauh
memiliki nilai ketidakpastian yang tinggi
dibandingkan masa depan dalam jangka
waktu pendek.
Dalam menyusun perancangan
metode peramalan diperlukan beberapa
tahap yang harus dilalui yaitu:
1. Menentukan jenis data yang digunakan
dan melakukan analisis pola data dan
karakteristik yang dimilikinya.
2. Memilih metode peramalan yang
digunakan. Ada banyak jenis metode
peramalan yang dapat digunakan, oleh
karena itu penggunaan metode harus
disesuaikan dengan jenis data untuk
mendapatkan presentase error yang
sekecil-kecilnya.
3. Menentukan parameter-parameter yang
dapat membantu meningkatkan akurasi
dari metode peramalan yang telah
ditentukan agar presentase errornya
dapat diperkecil.
4. Mengaplikasikan data-data acuan
kedalam metode yang telah ditentukan
dan hasilnya akan menghasilkan nilai
perkiraan beserta presentase errornya
sebagai perbandingan antara nilai
perkiraan dengan nilai aktualnya.
1.2.3. Sistem Kelistrikan Lombok dan
Karakteristik Beban
A. Sistem Kelistrikan Lombok
Sistem Kelistrikan Lombok memiliki
5 pusat pembangkit tenaga listrik yang
terdiri dari 4 Pembangkit Listrik Tenaga
Diesel (PLTD) dan 1 Pembangkit Listrik
Tenaga Uap (PLTU). Sistem kelistrikan
Lombok juga memiliki 5 mesin sewa tenaga
diesel yang digunakan untuk memenuhi
kebutuhan beban listrik pulau Lombok.
Daya mampu pembangkit yang dihasilkan
sebesar 215 MW sedangkan untuk beban
puncak tertinggi pulau Lombok yaitu 207
MW. Kelebihan daya yang tersedia
digunakan apabila terjadi perawatan atau
perbaikan pada salah satu pembangkit.
Beban puncak untuk Sistem Kelistikan
Lombok subuh terjadi pada pukul 05:30-
06:00, untuk siang hari terjadi pada pukul
12:00-14:00 dan untuk malam hari sekitar
pukul 19:30-20:00.
B. Karakteristik Beban Listrik
Karakteristik perubahan besarnya
daya yang diterima oleh beban sistem
tenaga setiap saat dalam suatu interval hari
tertentu dikenal dengan kurva beban
harian. Penggambaran kurva ini dilakukan
dengan mencatat besarnya beban setiap
jam dalam satuan MW. Sumbu vertikal
menyatakan skala beban dalam satuan
MW, sedangkan sumbu horizontal
menyatakan skala pencatatan waktu dalam
24 jam.
1.2.4. Logika Fuzzy
Sistem fuzzy ditemukan pertama
kali oleh Prof. Lotfi Zadeh pada
pertengahan tahun 1965 di Universitas
California. Sistem ini diciptakan karena
Boolean logic tidak memiliki ketelitian yang
tinggi, hanya memiliki logika 0 dan 1 saja.
Sehingga untuk membuat sistem yang
mempunyai ketelitian yang tinggi maka kita
tidak dapat menggunakan Boolean logic.
Logika fuzzy suatu cara yang tepat untuk
menentukan suatu ruang input ke dalam
suatu ruang output. Menurut Kusumadewi,
teori himpunan fuzzy merupakan perluasan
dari himpunan klasik (crips).
Ada beberapa hal yang perlu diketahui
dalam memahami sistem fuzzy, yaitu:
a. Variabel fuzzy
Variabel fuzzy merupakan variable
yang hendak dibahas dalam suatu
sistem fuzzy. Contoh: umur,
temperatur, permintaan, dsb.
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu
grup yang mewakili suatu kondisi
atau keadaan tertentu dalam suatu
variable fuzzy. Contoh:
 Variabel umur, terbagi menjadi
tiga himpunan fuzzy, yaitu:
Muda, Parobaya, dan Tua.
 Variabel temperatur, terbagi
menjadi lima himpunan fuzzy
yaitu: Dingin, Sejuk, Normal,
Hangat, dan Panas.
c. Semesta Pembicaraan
Semesta pembicaraan adalah
keseluruhan nilai yang
diperbolehkan dalam suatu variable
fuzzy. Contoh:
 Semesta pembicaraan untuk
variable umur [0+∞]
 Semesta pembicaraan untuk
variable temperatur [0 40]
d. Domain
Domain himpunan fuzzy adalah
keseluruhan nilai yang diizinkan
dalam semesta pembicaraan dan
boleh dioperasikan dalam suatu
himpunan fuzzy. Contoh domain
himpunan fuzzy (Kusumadewi).
 DINGIN = [0 20]
 SEJUK = [15 25]
 NORMAL = [20 30]
 HANGAT = [25 35]
 PANAS = [30 40]
Metode Peramalan dengan Fuzzy Time gambar kemudian dianalisis untuk
Series menarik kesimpulan.
 Langkah pertama: Membagi
himpunan semesta U = Untuk mendukung proses penelitian ini
[𝐷𝑚𝑖𝑛 , 𝐷𝑚𝑎𝑥 ] menjadi sejumlah ditunjukkan pada blok diagram penelitian.
interval ganjil yang sama Tahapan utama dalam blok diagram
𝑢1 , 𝑢2 , … , 𝑢𝑚 . tersebut adalah membentuk relasi dari data
 Langkah kedua : Jadikan inputan. Dengan melihat blok diagram
𝐴1 , 𝐴2 , … 𝐴𝑘 menjadi suatu tersebut dapat menjadi pandangan awal
himpunan- himpunan fuzzy yang dan tolak ukur penyelesaian penelitian.
variabel linguistiknya ditentukan
sesuai dengan keadaan semesta.
 Langkah ketiga : Bagi fuzzy logical
relationship yang telah diperoleh
menjadi beberapa bagian
berdasarkan sisi kiri ( current
state).
 Langkah keempat: Hitung hasil
keluaran peramalan dengan
menggunakan beberapa prinsip.

METODE PENELITIAN

Penelitian ini dilakukan dengan

membuat model peramalan beban listrik
jangka pendek dengan fuzzy time series.
Adapun langkah-langkah yang dilakukan
adalah:
1. Studi literatur dilakukan dengan cara
mencari dan membaca sumber Gambar 5 Blok Diagram Proses
referensi yang memuat aplikasi fuzzy
time series dalam bentuk buku, paper
dan website di internet.
2. Melakukan pengumpulan data beban
listrik harian pada sistem kelistrikan
Lombok selama bulan Oktober 2013,
pada sistem kelistrikan Lombok.
Kemudian melakukan
pengelompokan data untuk masing-
masing hari (Senin, Selasa, Rabu,
Kamis, Jumat, Sabtu, Minggu).
3. Pemodelan peramalan beban listrik
jangka pendek pada sistem
kelistrikan Lombok menggunakan
fuzzy time series.
4. Perhitungan parameter yang
digunakan untuk menguji
kemampuan peramalan dapat
dihitung dengan persamaan:
𝑋𝑡 −𝐹𝑡
∑𝑛
𝑡=1| |
𝑡 𝑋
𝑀𝐴𝑃𝐸 = × 100% (3-1) HASIL DAN PEMBAHASAN
𝑛
5. Membandingkan hasil peramalan, Pada penelitian ini data input yang
dokumentasi serta kesimpulan. Hasil digunakan merupakan data bulan Oktober
dari simulasi menggunakan fuzzy 2013 yang dimana data tersebut
time series dibuat dalam tabel dan dikelompokan berdasarkan harinya.
Sebagai contoh pada penelitian ini
menggunakan data hari senin pada bulan
Oktober 2013. Berikut adalah data beban
hari senin:

Grafik Perbandingan Hasil Peramalan

Tabel data real beban senin Oktober 2013

grafik diatas menunjukkan peramalan

beban listrik jangka pendek dengan metode
fuzzy time series lebih mendekati data real
dibandingkan dengan peramalan dengan
metode MA.
KESIMPULAN
Adapun kesimpulan yang dapat ditarik
dari peneltian ini adalah sebagai berikut:
Throughput TCP pada IPv4 selisih 16
– 90% lebih tinggi dibanding dengan IPv6
pada windowsize 0,1 – 1KB, IPv4 selisih
0,1 – 1,4% lebih tinggi dibanding dengan
IPv6 pada windowsize 2KB – 300MB
sedangkan IPv6 selisih 0,1 – 0,7% lebih
tinggi dibanding dengan IPv4 pada
windowsize 750MB – 1,3GB.
FrameLoss yang terjadi pada IPv6
selisih 20% lebih kecil dibandingkan
dengan IPv4 pada datagram 16Byte dan
bernilai nol pada datagram size 32Byte
keatas pada kedua IPv6 dan IPv4.
Jitter UDP pada IPv6 mengalami nilai
tertinggi pada datagram 512Byte dan IPv4
mengalami jitter tertinggi pada datagram
10KB dengan kedua pola grafik yang
identik mengalami penurunan jitter seiring
meningkatnya datagram size.
Kedua IPv4 dan IPv6 untuk lamanya
transfer time sama-sama mengalami
peningkatan waktu transfer seiring
meningkatnya file size. IPv4 selisih rata-
rata kurang dari 2% membutuhkan waktu
lebih singkat dibanding IPv6.
Semakin besar ukuran
mengakibatkan menurunnya throughput
FTP. Throughput FTP IPv4 lebih tinggi 0,2
– 4% dibandingkan dengan throughput
IPv6.
Perbedaan struktur pengalamatan
pada IPv6 dan IPv4 mempengaruhi kinerja
masing-masing IPv6 dan IPv4, pada jumlah
paket kecil yang banyak IPv4 cenderung
bekerja lebih baik.
IPv6 bekerja lebih optimal pada paket-
paket berukuran besar.
Daftar Pustaka
Anonim.Iperf- The network bandwidth
measurement tool, http://iperf.fr
diakses 28-10-2015
Anonim.Wireshark Sample Captures,
http://wiki.wireshark.org/SampleC
aptures diakses 28-10-2015
Anonim.Xlight FTP Server – Tutorial Page,
http://www.xlightftpd.com/tutorial.
htm
diakses 18-12-2015
Anonim. 2008. Modul CCNA Exploration 2
Routing Protocol and Concepts.
Yogyakarta: Electrical
Engineering Departement Gadjah
Mada University
Janisk, Marisb. Manual: IPv6,
http://wiki.mikrotik.com/index.php
?oldid=17558
diakses 18-12-2015
Kurniawan, Agus. 2012. Network Forensics
Panduan Analisis & Investigasi
Paket Data Jaringan
Menggunakan Wireshark.
Yogyakarta: Andi Offset
Open Maniak Team. IPERF – Easy
Tutorial,
http://openmaniak.com/iperf.php
diakses 10-10-2015
Rafiudin, Rahmat. 2005. IPv6 Addressing.
Jakarta: Elex Media Komputindo
Ramadhan Pramayudha, Gilang. 2010.
Analisa Perbandingan
Performansi Jaringan IPv4, IPv6
dan Tunneling Untuk Aplikasi FTP
pada Media Wired dan Wireless.
Jakarta: Fakultas Teknik
Universitas Indonesia
Saputra Aji, Gallan. 2007. Analisis Kinerja
Interkoneksi IPv4 dan IPv6
Berbasis DSTM (Dual Stack
Transition Mechanism). Bogor:
Institut Pertanian Bogor
file Sofana, Iwan. 2008. Membangun Jaringan
Komputer. Bandung: Informatika
Bandung
Towidjojo, Rendra. 2013. Mikrotik Kung Fu:
Kitab 1. Jakarta: Jasakom