Rosmita Dwijayanti
S1 Teknik Elektro, Fakultas Teknik, Universitas Negeri Surabaya
e-mail : rosmitadwijayanti@mhs.unesa.ac.id
Abstrak
Pada jaringan sistem distribusi, transformator merupakan komponen yang paling penting dalam penyaluran
tenaga listrik dari gardu distribusi ke konsumen. Transformator pada gardu induk 150 kV/20 kV sering
mengalami perubahan beban yang diakibatkan oleh perkembangan pemukiman, perkantoran, maupun
industri. Agar penyaluran tenaga listrik memiliki keandalan yang tinggi perlu dilakukan prediksi terhadap
beban yang akan datang. Penelitian ini bertujuan untuk memprediksi beban rata-rata pada transformator
distribusi. Prediksi adalah salah satu solusi untuk dapat memperkirakan pergerakan beban rata-rata. Salah
satu metode dalam prediksi adalah dengan menggunakan Nonlinear Autoregressive (NAR) Neural
Network. Hasil performa optimum akan didapatkan dengan mengganti jumlah delay dan hidden neuron dan
menghitung Mean Squared Error (MSE) dan Regression (R) pada masing-masing eksperimen. Hasil
penelitian menunjukkan beban prediksi pembebanan harian siang dan malam Januari 2018 untuk setiap
penyulang pada Gardu Induk Petrokimia. Besar perbedaan Mean Square Error (MSE) terbesar
perbandingan antara hasil peramalan dengan data aktual terletak pada penyulang Panca Putra pada malam
hari sebesar 0.3653 dan terkecil pada penyulang PON 1 malam hari sebesar 0.0350.
Kata Kunci: Transformator Distribusi, Prediksi, Nonlinear Autoregressive, Neural Network, Time Series.
Abstract
In a network of distribution systems, transformers are the most important component in the distribution of
electricity from distribution substations to consumers. Transformers at 150 kV/20 kV substations often
experience changes in load due to the development of settlements, offices, and industries. In order for
distribution of electricity to have high reliability, it is necessary to predict future loads.This research aims
to predict the average load on the distribution transformer. Prediction is one solution to be able to predict
the average load movement. One method in prediction is to use the Nonlinear Autoregressive (NAR) Neural
Network. Optimum performance results will be obtained by changing the number of delay and hidden
neurons and calculating the Mean Squared Error (MSE) and Regression (R) in each experiment. This
research produces the model under study to predict the right average load to produce a precise prediction.
The biggest difference result Mean Square Error (MSE) of prediction in Panca Putra at night is 0.3653 and
the smallest in PON 1 at night is 0.0350
Keywords: Distribution Transformer, Prediction, Nonlinear Autoregressive, Neural Network, Time Series.
PENDAHULUAN kVA, 50 kVA, 100 kVA, 160 kVA, 200 kVA, dan 250
kVA (Suhadi, et.al, 2008).
Pada jaringan sistem distribusi, Komponen yang
Peramalan beban adalah fungsi dan aktivitas yang
paling diperlukan dari gardu distribusi ke konsumen
penting dalam operasi sistem tenaga dan perencanaan
untuk pembagian tenaga listrik adalah transformator.
untuk transmisi dan distribusi. Utilitas memerlukan
Transformator pada umumnya banyak dimaanfatkan
model peramalan beban yang akurat untuk berbagai
untuk sistem tenaga listrik maupun rangkaian elektronik.
proses bisnis termasuk perencanaan pembangkit,
Namun, pemutusan listrik atau kebakaran dapat terjadi
transmisi, dan distribusi, pengadaan energi, operasi dan
bila terjadi gangguan dalam transformator distribusi
pengiriman real-time (Kampezidou, 2016).
sehingga mengakibatkan kontinuitas pelayanan
Metode peramalan dapat diklasifikasikan menjadi
konsumen tidak maksimal. Presentasi pembebanan
dua jenis yaitu: 1) metode statistika, seperti analisis
transformator distribusi diusahakan tidak mencapai lebih
regresi dan analisis time series 2) metode kecerdasan
dari 70% - 80%. Kapasitas beban transformator di
buatan seperti Artificial Neural Network (ANN), Fuzzy
Indonesia pada umumnya diklasifikasikan menjadi 25
57
Jurusan Teknik Elektro. Volume 08 Nomor 01 Tahun 2019, 57-62
y(t) = h(y(t – 1), y(t – 2), … , y(t – p)) + €(t) (1) 𝑥𝑘+1 = 𝑥𝑘 – [ J T J + μI]−1 J T e (4)
Rumus ini menjelaskan bagaimana jaringan NAR Metode ini menggunakan matriks Jacobian untuk
digunakan untuk memprediksi nilai dari seri data y pada perhitungan, dengan asumsi bahwa kinerja rata-rata dari
saat waktu t, y(t) menggunakan nilai-nilai p dari dari jumlah kesalahan kuadrat. Oleh karena itu, jaringan harus
deret data sebelumnya. Fungsi h(┌) tidak diketahui menggunakan keduanya mean square error (MSE) atau
sebelumnya dan pelatihan dari jaringan syaraf bertujuan jumlah kesalahan kuadrat (SSE), dinyatakan dalam
untuk mendekati fungsi dengan cara bobot dan bias Persamaan (5) dan (6), di mana yi singkatan dari sampel
neuron. Maka istilah e(t) merupakan pendekatan data ke-i, yˆi adalah data yang diperkirakan diperoleh
kesalahan dari seri y pada waktu t. Topologi jaringan oleh jaringan untuk nilai yi, dan n jumlah sampel data
NAR ditunjukkan pada gambar 1 berikut (Ruiz, 2016). untuk pelatihan jaringan.
METODE PENELITIAN
Rancangan Penelitian
Diagram alur rancangan penelitian ini terdapat pada
Gambar 1. Topologi Jaringan NAR
Gambar 2. Penelitian akan dilakukan dengan studi
literatur, dengan menggunakan teori-teori yang telah
Fitur p pada y(t – 1), y(t-2), …, y(t-p) disebut feedback
didapatkan penelitian akan dilanjutkan ke pengambilan
delay. Jumlah lapisan dan neuron tersembunyi per
data dimana pengambilan data diambil dari data
lapisan benar-benar fleksibel dan dioptimalkan melalui
prosedur treial-and-error untuk mendapatkan topolgi pembebanan dari Area Pengatur DIstribusi (APD) PT.
jaringan itu dapat memberikan kinerja terbaik. Namun PLN Persero Jawa Timur. Setelah itu dilanjutkan dengan
demikian, penting untuk diingat bahwa meningkatkan analisis data awal yaitu data yang diambil adalah data
jumlah neuron membuat sistem lebih kompleks, beban rata-rata yang dibagi menjadi 2 yaitu beban rata-
sementara jumlah neuron yang rendah dapat rata pada siang hari pada pukul 10.00 dan malam hari
digeneralisasi dan kekuatan komputasi jaringan. Aturan pada pukul 19.00. Jika terdapat nilai kosong atau (NaN)
pembelajaran yang paling umum untuk jaringan NAR maka dilakukan perhitungan average terhadap data
adalah Levenberg-Marquardt prosedur Backpropagation sebelum dan sesudahnya. Data harian rata-rata
(LMBP). Fungsi pelatihan ini sering kali paling cepat menggunakan satuan ampere yang kemudian dirubah
algoritma tipe Backprogation. Algoritma LMBP menjadi satuan MW. Beban yang digunakan adalah
dirancang untuk mendekati orde kedua derivatif tanpa beban pada penyulang dimana beban tersebut merupakan
perlu menghitung matriks Hessian, oleh karena itu dapat total beban primer dari transformator distribusi pada
meningkatkan kecepatan training. Ketika fungsi kinerja
penyulang tersebut. Sistem listrik di Jawa Timur
memiliki bentuk jumlah kuadrat pada bagian jaringan
menetapkan nilai RST pada penyulang rata sehingga nilai
feedforward pelatihan, maka matriks Hessian dapat
satu fasa dapat merepresentasikan nilai dari tigas fasa,
didekati seperti yang ditunjukkan dalam Persamaan (2)
dan gradient dapat dihitung seperti yang dijelaskan dalam Dilanjutkan memodelkan Neural Network menggunakan
Persamaan (3) jenis Nonlinear Autoregressive (NAR). Kemudian
59
Jurusan Teknik Elektro. Volume 08 Nomor 01 Tahun 2019, 57-62
[Kesalahan Peramalan]2
MSE = Σ (11)
EPOCH = EPOCH + 1 FINISH n
31 akan memprediksi hari ke-32 dari input data hari ke-1 Periode Penyulang Waktu Mean
hingga hari-31 dan seterusnya dengan training beban Squared
harian Januari 2011 sampai dengan Desember 2017 pada Error
siang hari dan malam hari. Kemudian dilakukan testing (MSE)
beban harian Januari 2018 pada siang dan malam setiap
penyulang di Gardu Induk Petrokimia. Januari Kebomas Siang 0.0607
2018 (10.00)
HASIL DAN PEMBAHASAN Malam 0.0849
Untuk meramalkan beban listrik pada satu hari tertentu (19.00)
maka diperlukan data historis beban listrik 31 hari
Januari KIG Siang 0.0975
sebelumnya. Selain itu dilakukan interpolasi untuk
2018 (10.00)
menyesuaikan frekuensi beberapa data dengan frekuensi
per hari sehingga dapat sesuai dengan model peramalan Malam 0.1231
time-series yang akan dikembangkan. (19.00)
Peramalan dilakukan terhadap arsitektur Nonlinier Berdasarkan tabel 2 besar perbedaan MSE terbesar
Autoregressive (NAR) Neural Network terbaik pada hasil perbandingan antara hasil peramalan dengan data aktual
eksperimen. Tujuan penelitian ini adalah mengestimasi terletak pada penyulang Panca Putra pada malam hari
beban rata-rata harian setiap penyulang transformator sebesar 0.3653 dan terkecil pada penyulang PON 1
pada Gardu Induk Petrokimia siang dan malam Januari malam hari sebesar 0.0350. Kinerja dan keakurasian dari
2018 Nilai MSE didapatkan dari hasil perbandingan ANN dapat diketahui berdasarkan MSE. Berikut ini
antara hasil peramalan dengan data aktual. Semakin kecil adalah gambar 4. Dimana MSE digunakan sebagai acuan
nilai MSE maka semakin baik kinerja prediksi. performa training apakah baik (sesuai target) atau tidak
Tabel 2 merupakan perbandingan peramalan (tidak mencapai target).
pembebanan transformator distribusi untuk setiap
penyulang pada Gardu Induk Petrokimia Januari 2018
siang dan malam hari
Januari Gubernur Siang 0.0851 Gambar 4. Plot Performa Trafo Industri Siang
2018 Suryo (10.00)
Malam 0.0524 Gambar 4. merupakan hasil kinerja pada proses
(19.00) training dan menghasilkan MSE sebesar 0.0072898 dan
Januari Panca Putra Siang 0.1284 didapatkan pada epoch ke-4 menunjukkan tampilan
2018 (10.00) grafik performa proses training pada program NN
Malam 0.3653 peramalan beban harian rata-rata siang pada penyulang
(19.00) industri. Gambar 5. menunjukkan nilai regresi pada
Januari Industri Siang 0.0485 keluaran ANN pada training, validation, dan testing
2018 (10.00) sebesar 0.76783, 0.7629, dan 0.72386.
Malam 0.0809
(19.00)
Januari PON 1 Siang 0.0460
2018 (10.00)
Malam 0.0350
(19.00)
Januari Esterindo Siang 0.0679
2018 (10.00)
Malam 0.0661
(19.00) Gambar 5. Plot Regresi Training Trafo Industri
Siang
61
Jurusan Teknik Elektro. Volume 08 Nomor 01 Tahun 2019, 57-62
Setelah dilakukannya training dengan delay 31 dan transformator untuk menambah akurasi hasil prediksi
hidden neuron 10 terhadap data beban harian siang dengan meminimalkan nilai Mean Squared Error (MSE).
penyulang Industri Januari 2011- Desember 2017 siang
maka dilakukan testing menggunakan weight dan bias DAFTAR PUSTAKA
yang telah disimpan untuk memprediksi beban harian Amry, M Rizqi Choirul. 2016. “Prediksi Suhu Minyak
siang Januari 2018 dengan mengambil 31 hari Desember Transformator Distribusi (20 kV/220 V) dengan
2017. Berikut gambar 6. yang merupakan plot Metode Radial Basis Function Neural Network
perbandingan data aktual dan prediksi Januari 2018. (RBFNN)”. Jurnal Teknik Pomits Vol.1 (1) : hal.
1-5
Prediksi Beban Trafo pada Penyulang Industri
Kampezidou, I Styliani. 2016. “Distribution
Siang Hari Transformers Short-Term Load Forecasting
Beban Harian Rata-Rata (MW)
4
Models”. Power and Energy Society General
3 Meeting (PESGM).
2 Kusumadewi, Sri. 2004. Jaringan Syaraf
1 Tiruan Menggunakan MATLAB dan Excel Link.
0 Yogyakarta : Graha Ilmu
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 Mohanty, Sthitapragyan dan Patra, Prashanta Kumar.
Januari 2018 2015. “Prediction of Global Solar Radiation
Prediksi Aktual
using Nonlinear Auto Regressive with
Exogenous Inputs (NARX)”. National Systems
Gambar 6. Prediksi Beban Trafo Industri Januari Conference (NSC).
2018 Siang Hari Muslimin. 2015. “Peramalan Beban Listrik Jangka
Menengah Pada Sistem Kelistrikan Kota
Berdasarkan gambar 6 dapat diketahui bahwa Samarinda”, Jurnal Ilmiah Teknik Industri. Vol.
perbandingan antara hasil prediksi dan data aktual masih 14 (2) : hal. 113-121.
memiliki perbedaan. Namun dengan prediksi Nguyen, Hung dan Hansen, K. Christian. 2017. “Short-
menggunakan NN didapatkan akurasi peramalan dengan term Electricity Load Forecasting with Time
Mean Squared Error (MSE) sebesar 0.0485. Series Analysis”, International Conference on
Prognostics and Health Management (ICPHM)
PENUTUP Rofiq, Muh Aunu. 2017. “Peramalan Komoditas
Simpulan Strategis Pertanian Cabai Menggunakan Metode
Beradasarkan tabel 2, metode Nonlinear Autoregressive Backpropagation Neural Network”. Tugas Akhir
Neural Network (NARNN) menghasilkan prediksi beban Institut Teknologi Sepuluh Januari : tidak
rata-rata harian siang dan malam hari dengan nilai Mean diterbitkan
Squared Error (MSE) dari perbandingan hasil peramalan Ruiz, Luis Gonzaga Baca et, al.2016.”An Application of
dan nilai aktual untuk prediksi beban harian siang dan Nonlinear Autoregressive Neural
Network to Predict Energy Consumption in
malam hari Januari 2018 pada penyulang transformator Public Buildings”. Energies.
Gubernur Suryo sebesar 0.0851 dan 0.0524, pada Spiegle.R Murray dan Stephens J. Larry. 2007. Schaum
penyulang transformator Panca Putra sebesar 0.1284 dan Outlines Statistik. Terjemahan oleh Wiwit
0.3653, pada penyulang transformator Industri sebesar Kastawan dan Irzam Harmein. Jakarta: Erlangga.
0.0485 dan 0.0809, pada penyulang transformator PON Winarso. 2014. ”Estimasi Umur Pakai dan Rugi
sebesar 0.0460 dan 0.0350, pada penyulang Daya Transformator”, Techno, ISSN 1410-8607.
transformator Esterindo sebesar 0.0679 dan 0.0661, pada Vol. 15 (2) : hal. 50-55.
penyulang transformator Kebomas 0.0607 dan 0.0849, Suhadi dan Wrahatnolo, Tri. 2008. Teknik Distribusi
serta pada penyulang transformator KIG sebesar 0.0975 Tenaga Listrik Jilid 1. Jakarta: Direktorat
dan 0.1231. Pembinaan Sekolah Menengah Kejuruan.
Zunaidhi, Rival, Saputra, Wahyu S. J, dan Sari, Ni Ketut.
Saran 2012. “Aplikasi Peramalan Penjualan
Peneliti selanjutnya dapat melakukan prediksi untuk Menggunakan Metode Regresi Linier”, SCAN,
bulan – bulan selanjutnya pada setiap penyulang gardu ISSN 1978-0087. Vol. 7 (3)
induk Petrokimia siang dan malam dengan
menambahkan variabel input seperti jumlah penduduk,
data iklim, ekonomi penduduk, dan derating