Intisari
Perusahaan Listrik Negara (PLN) sebagai pengelola energi listrik Negara Indonesia
bertanggung jawab sebagai wadah ketersediaan kebutuhan energi listrik. Perkembangan jaman
yang selaras dengan meningkatnya jumlah penduduk, kemajuan teknologi dan informasi
menuntut PLN untuk meningkatkan jumlah ketersediaan kebutuhan energi yang dibutuhkan.
Dalam penelitian ini membahas metode peramalan beban puncak transformator dengan
menggunakan metode Jaringan Syaraf Tiruan (JST). Penelitian ini menggunakan software
Matlab R2014b menghasilkan peramalan beban puncak pada Transformator II Gardu Induk
150 kV Kentungan dalam kurun waktu 10 tahun kedepan menggunakan metode Jaringan
Syaraf Tiruan (JST) Backpropagation. Hasil yang didapatkan bahwa peramalan beban puncak
menggunakan metode JST Feed-forward backpropagation menghasilkan MSE pelatihan
sebesar 9,6023e-06 dan 7,8609e-06 untuk MSE pengujian. Sementara peramalan beban puncak
dengan menggunakan metode JST Cascade-forward backpropagation menghasilkan MSE
pelatihan sebesar 9,7739e-06 dan 6,6751e-06 untuk MSE pengujian. Sedangkan kelayakan
penggunaanya dalam melakukan pelatihan jaringan lebih layak menggunakan metode Feed-
forward backpropagation daripada menggunakan metode Cascade-forward backpropagation,
karena Feed-forward backpropagation memiliki nilai error yang lebih baik daripada Cascade-
forward backpropagation.
Kata kunci: Peramalan beban puncak, Jaringan Syaraf Tiruan (JST), Feed-forward
backpropagation, Cascade-forward backpropagation, Matlab.
1. PENDAHULUAN
Gardu Induk memiliki peranan
Tenaga listrik di masa sekarang penting dalam sistem distribusi tenaga
ini merupakan energi yang tidak dapat listrik dalam mensuplay listrik kepada
dipisahkan dari kehidupan manusia, konsumen. Semakin tinggi permintaan
baik dalam kegiatan perindustrian listrik oleh konsumen maka semakin besar
maupun kegiatan sehari-hari. Sehingga pula beban yang ditanggung Gardu Induk,
manusia hampir tidak mungkin maka Gardu Induk akan mengalami
melakukan pekerjaannya tanpa adanya overload apabila beban listrik yang
tenaga listik, oleh sebab kontinyuitas, ditanggung Gardu Induk melebihi
maupun kapasitas energi listrik menjadi kapasitas dari Gardu Induk tersebut.
tuntutan masyarakat. Meningkatnya Transformator merupakan salah satu
ketersediaan kebutuhan energi listrik komponen utama Gardu Induk yang
akan selalu selaras dengan peningkatan berfungsi untuk mengkonversi daya listrik
jumlah penduduk, industri, kemajuan tanpa mengubah frekuensi. Overload dapat
teknologi dan informasi. dicegah dan dapat diprediksi dengan
penelitian dan analisis pembebanan lapisan (layer) yang disebut neuron layer.
transformator sesuai dengan pertumbuhan Masing-masing layer akan dihubungkan
daya beban. satu sama lain, baik dengan layer
Salah satu metode peramalan adalah sebelumnya maupun sesudahnya. Informasi
Jaringan Syaraf Tiruan (JST). Jaringan akan dirambatkan dari satu layer ke layer
Syaraf Tiruan (JST) merupakan suatu berikutnya, mulai dari input sampai ke
sistem yang didasarkan pada cara kerja output layer melalui hidden layer.
jaringan syaraf manusia, salah satu jenis
dari JST adalah backpropagation.
2. DASAR TEORI
2.1 Gardu Induk
Gardu Induk (GI) ialah suatu instalasi
tanaga listrik terdiri dari beberapa
komponen listrik yang memiliki fungsi:
1. Mentransformasikan tenaga listrik
Gambar 1 Arsitektur Jaringan Syaraf Tiruan
tegangan listrik satu ke tegangan lsitrik
lainnya atau ke tegangan listrik menengah. 2.4 Algoritma Backpropagation
2. Pengukuran pengawasan operasi Menurut Kusumadewi (2004),
serta pengaturan pengaman dari sistem Backpropagation merupakan algoritma
tenaga listrik. pembelajaran yang terawasi dan biasanya
3. Pengaturan daya ke gardu-gardu digunakan oleh perceptron dengan banyak
lainnya melalui tegangan tinggi dan gardu lapisan untuk mengubah bobot-bobot yang
distribusi melalui feeder tegangan terhubung dengan neuron-neuron yang ada
menengah. pada lapisan tersembunyi. Algoritma
backpropagation menggunakan error
2.2 Jaringan Syaraf Tiruan output untuk mengubah nilai bobotnya ke
Jaringan syaraf tiruan (JST) merupakan arah mundur (backward). Untuk
sistem kecerdasan tiruan dengan mendapatkan error ini, tahap forward
kemampuan belajar dan menghimpun propagation (perambatan maju) harus
pengetahuan hasil pembelajaran dalam dikerjakan terlebih dahulu.
jaringan selnya (neuron) sehingga
memungkinkan jaringan secara keseluruhan Menurut Jong Jek Siang (2009) standar
semakin cerdas merespon masukan/input algoritma backpropagation adalah :
yang diberikan. Kemampuan belajar dan 1. Arsitektur backpropagation
mengakumulasi pengetahuan ini Backpropagation memiliki beberapa
memungkinkan sistem jaringan syaraf unit yang ada dalam satu atau lebih layar
tiruan untuk dapat beradaptasi dengan tersembunyi (hidden layer). Gambar 2
lingkungan yang memberikan input dibawah adalah arsitektur backpropagation
kepadanya. Layaknya otak manusia dalam dengan n buah masukan (ditambah sebuah
merespon kondisi lingkungan berbeda- bias), sebuah layar tersembunyi yang terdiri
beda, peranan JST dalam bidang penelitian dari p unit (ditambah sebuah bias), serta m
dan pengembangan sangat penting di masa unit keluaran.
mendatang yang menuntut aspek
otomatisasi dan aspek interaktif antara alat
dan manusia. (Muis, 2017).
Tabel 3 Data Kependudukan dan PDRB Kabupaten Dari data beban puncak transformator
Sleman II diatas dengan menggunakan metode
Jumlah manual didapatkan bahwa pertumbuhan
PDRB
Tahun Penduduk beban puncak Gardu Induk 150 kV
(juta rupiah)
(jutaan jiwa) mengalami kenaikan beban puncak 7.52%
2012 1,114833 25,732248 tiap tahunnya. Sehingga didapatkan
2013 1,141733 28,295362 prediksi kenaikan beban puncak
2014 1,163970 30,812984 Transformator II yang didapatkan dengan
2015 1,167481 33,756235 menggunakan metode manual seperti pada
2016 1,180479 36,939695 tabel dibawah ini:
2017 1,193512 40,087444
Tabel 6 Prediksi pertumbuhan beban puncak 2019
Dari data kependudukan dan PDRB – 2028 menggunakan metode manual
Kabupaten Sleman diatas didapatkan bahwa Beban Puncak
Tahun
pertumbuhan penduduk Kabupaten Sleman (MW)
mengalami peningkatan jumlah penduduk 2019 59,6
1.38% tiap tahun. Sedangkan pertumbuhan 2020 64,1
PDRB Kabupaten Sleman mengalami 2021 68,9
2022 74,1
2023 79,7
2024 85,7
2025 92,1 Gambar 5 Hasil Gradien pelatihan jaringan tipe
2026 99,0 Feed-forward backpropagation Input latih
1. Feed-forward backpropagation
a. Menggunakan input latih dan target
latih