IMPLEMENTASI LOGIKA FUZZY MAMDANI DALAM

MEMPREDIKSI KEBUTUHAN DAYA LISTRIK JANGKA

PENDEK DI PT. PLN (PERSERO) ULP BELANTI
Triana Ratu Wulandari Pembimbing:
NIM : 41421110122 Trie Maya Kadarina, ST., MT.
 Latar Belakang
2.
aplikasi sistem cerdas dapat dilakukan dalam memperkirakan beban listrik
menggunakan Jaringan Syaraf Tiruan, Logika Fuzzy, Algoritma Genetika,
dan kolaborasi antara beberapa kecerdasan buatan atau dikenal dengan
Hybrid System seperti Genetic Algorithm Neural Network dan Fuzzy
Artificial Neural Network
1.
PT. PLN (Persero) sebagai penyedia listrik harus mampu
memperkirakan kebutuhan listrik untuk pelanggan.
3.
Merujuk pada latar belakang sebelumnya, maka penulis bertujuan
melakukan penelitian mengenai implementasi logika Fuzzy dalam
memprediksi kebutuhan daya jangka pendek dengan beban dan suhu
sebagai faktor yang mempengaruhi
4.
Kota Padang berada wilayah dataran rendah sehingga
memiliki cuaca cenderung panas . Hal ini tentunya
sangat mempengaruhi jumlah konsumsi listrik. Saat
cuaca panas, konsumsi listrik yang digunakan untuk
pendingin ruangan cenderung meningkat, sedangkan
saat cuaca hujan dan dingin, konsumsi listrik untuk
pendingin ruangan cenderung lebih sedikit
www.rapidppt.com
Rumusan Masalah
Bagaimana menganalisis prakiraan
beban listrik jangka pendek menggunakan
metode logika Fuzzy Mamdani?
Bagaimana hasil akurasi perbandingan
antara data aktual dengan data hasil
prakiraan beban listrik menggunakan
metode logika Fuzzy Mamdani berdasarkan
nilai Mean Absolute Percent Error (MAPE)?
Bagaimana mensimulasikan model Fuzzy
Interface System pada MATLAB,
menganalisis dan membandingkan hasil
beberapa metode defuzzifikasi?
Tujuan
Mengimplementasikan metode logika
Fuzzy Mamdani untuk menganalisis
prakiraan beban listrik jangka pendek di
PT. PLN (Persero) Belanti.
Mendapatkan hasil akurasi untuk
perbandingan antara data aktual
dengan data hasil prakiraan beban listrik
menggunakan metode logika Fuzzy
Mamdani berdasarkan nilai Mean
Absolute Percent Error (MAPE).
Mensimulasikan model Fuzzy Interface
System pada MATLAB, menganalisis dan
membandingkan hasil beberapa metode
defuzzifikasi.
www.rapidppt.com
Batasan Masalah

Metode yang digunakan adalah

metode logika Fuzzy Mamdani.

Perkiraan beban adalah untuk

jangka pendek, yaitu untuk 1-168
jam kedepan
Parameter yang digunakan adalah data
suhu di kota Padang dan data historis
beban listrik di Gardu Induk GIS Simpang
Haru.
Perangkat yang digunakan untuk
peramalan adalah tools Fuzzy Logic
Designer pada MATLAB

www.rapidppt.com
 Penelitian Terkait
Informasi Literatur
Penulis : Hana H. Magzob,
1 Mortada M. Abdulwahab,
Yousif Elhadi. Tahun : 2021
Penulis : Zhenxue Xie, Zihao
2 Wu, Ruogu Wang, Tong Liu .
Tahun : 2019
Penulis : Hendra Suprapto,
3 Pastima Simanjuntak. Tahun :
2020
Penulis : Srishti Sharma, Rahul
4 Kumar Agrawal, Madan Mohan
Tripathi. Tahun : 2020
Penulis : Tri Handayani, Atmam,
5 Masnur Putra Halilintar.
Tahun : 2019
Judul
Evaluating of Short-term Electrical
Load Forecasting System Using Fuzzy
Logic Control: A Study Case in Sudan
Short-Term Power Load Forecasting
Model Based on Fuzzy Neural
Network using Improved Decision
Tree
Fuzzy Logic Untuk Memprediksi
Pemakaian Listrik Menggunakan
Metode Mamdani
Synergism of Recurrent Neural
Network and Fuzzy Logic for Short
Term Energy Load Forecasting
Studi Perkiraan Kebutuhan Energi
Listrik di Kota Dumai Sampai Tahun
2025 Dengan Metoda Fuzzy Logic
Metode Variabel Input
Waktu, Suhu, Permintaan beban
Logika Fuzzy Mamdani
listrik hari sebelumnya
Jaringan saraf tiruan -
Jenis Cuaca, Jenis Musim, Suhu
Fuzzy menggunakan
maksimum dan minimum hari
Improved Decision
perkiraan dan hari sebelumnya
Tree
Logika Fuzzy Mamdani Daya, Total Kwh, Waktu
Suhu, Dataset kebutuhan pengisian
Logika Fuzzy dengan
daya listrik selama dua tahun dari
model jaringan saraf
tahun 2013 sampai dengan tahun
berulang (RNN)
2014
Logika Fuzzy Pertumbuhan Produk Domestik
Mamdani Regional Bruto (PDRB), Pertumbuhan
www.rapidppt.com
penduduk
 PERAMALAN BEBAN LISTRIK
Peramalan beban adalah teknik dasar yang
digunakan dalam memprediksi daya yang
dibutuhkan untuk mencapai keseimbangan
antara daya pembangkit dan beban
permintaan. Banyak manfaat yang dapat
diperoleh dengan menggunakan peramalan
beban, seperti pengurangan biaya
pembangkitan dan peningkatan keandalan
sistem tenaga karena perbaikan manajemen
energi
1. Peramalan Beban Jangka Panjang (Long
Term Load forecasting)
2. Peramalan beban jangka menengah (Mid
Term Load forecasting)
3. Peramalan beban jangka Pendek (Short
Term Load forecasting)
LOGIKA FUZZY
Untuk penelitian ini digunakan metode logika
Fuzzy mamdani. Metode Mamdani sering juga
dikenal dengan nama Metode Max-Min.
Alasan digunakan metode ini adalah karena
metode mamdani dapat mendeskripsikan
pendapat pakar secara lebih intuitif dan seperti
manusia sehingga lebih mudah dimengerti
daripada metode yang lain meskipun ada beban
komputasi yang besar
Sistem inferensi Fuzzy memiliki empat
komponen, yaitu: fuzzifier, inference engine, rule
base dan defuzzifier
www.rapidppt.com
Metodologi Penelitian
Jenis PenelitianJenis Penelitian
Kuantitatif. Penelitian ini dinyatakan dalam
bentuk angka, grafik, dan dilakukan
perhitungan dengan beberapa persamaan.
PENGUMPULAN DATA
Data beban listrik PLN dari Gardu
Induk GIS Simpang Haru dan data
suhu permukaan bumi kota
Padang didapatkan dari BMKG
(Stasiun Meteorologi Kelas II
Minangkabau) Padang Pariaman
1 TAHAP IDENTIFIKASI
STUDI LITERATUR
2 MASALAH
pembelajaran melalui
pentingnya meramalkan
jurnal-jurnal nasional
beban listrik yang harus
maupun internasional yang
disediakan oleh PT. PLN
memiliki studi kasus
(Persero) secara tepat
maupun menggunakan
metode yang serupa
3
PENGOLAHAN DATA ANALISA HASIL
• Perhitungan dengan Perbandingan hasil ramalan
logika Fuzzy Mamdani tiap metode defuzzifikasi
• Simulsi dengan MATLAB dengan data aktual
4 • Perhitungan MAPE
5
www.rapidppt.com
Pengolahan Data

www.rapidppt.com
Pengolahan Data

No Hari Beban 1 Suhu 1 Beban 2 Suhu 2 Prediksi

5 12 12 19
Untuk pengolahan data pada penelitian ini data 1 Senin 5 September
September September September September
beban listrik dibagi dalam 2 kategori, yaitu data 6 13 13 20
2 Selasa 6 September
2 minggu pertama digunakan sebagai pijakan September September September September
ramalan dan data minggu ketiga digunakan 3 Rabu 7 September
7 14 14 21
September September September September
sebagai data pembanding dengan hasil ramalan.
8 15 15 22
Untuk mendapatkan peramalan pada waktu 4 Kamis 8 September
September September September September
yang dituju, data yang menjadi acuannya adalah 9 16 16 23
5 Jumat 9 September
data di hari dan jam yang sama September September September September
10 10 17 17 24
6 Sabtu
September September September September September
11 11 18 18 25
7 Minggu
September September September September September

www.rapidppt.com
Fuzzifikasi

Kurva fungsi Keanggotaan

Membentuk Segitiga. Untuk menghitung
Input : beban 1, beban 2, himpunan Fuzzy derajat keanggotaan segitiga
suhu 1, suhu 2 digunakan persamaan
Variabel beban : minimum,
Output : Prediksi (hasil sangat kecil, kecil, medium,
prediksi) kebutuhan daya besar, sangat besar, dan
maksimum
Menentukan variabel suhu: sejuk, normal,
hangat, dan panas
variabel
Fungsi keanggotaan

www.rapidppt.com
Variabel & himpunan Fuzzy

Semesta
Variabel Himpunan Fuzzy Domain
Pembicaraan

Minimal 28.18 - 42.82

Sangat Kecil 35.5 - 50.13
Kecil 42.82 - 57.45
Beban Medium 28.18 - 86.72 50.13 - 64.77
Besar 57.45 - 72.08
Sangat Besar 64.77 - 79.4
Max 72.08 - 86.72

Semesta
Variabel Himpunan Fuzzy Domain
Pembicaraan
Sejuk 19.27 - 25.53
Normal 22.4 - 28.67
Suhu 19.27 – 34.93
Hangat 25.53 - 31.8
Panas 28.67 - 34.93

www.rapidppt.com
Menghitung Derajat Keanggotaan

Beban 1 Beban 2 Suhu 1 Suhu 2

58.7 MW 60 MW 26.6 oC 25.6 oC

www.rapidppt.com
 Derajat
Hari Variabel Himpunan
Keanggotaan

Minimum 0
Sangat Kecil 0
Kecil 0

Jumat, 9 September
Beban 1 Medium 0.83
Besar 0.17
Sangat Besar 0
Maximum 0
Beban 1 Beban 2 Suhu 1 Suhu 2 Sejuk 0
Normal 0.66
58.7 MW 60 MW 26.6 oC 25.6 oC Suhu 1
Hangat 0.34
Panas 0
Minimum 0
Sangat Kecil 0
Kecil 0

Jumat, 16 September
Beban 2 Medium 0.65
Besar 0.35
Sangat Besar 0
Maximum 0
Sejuk 0
Normal 0.98
Suhu 2
Hangat 0.02
Panas 0
www.rapidppt.com
 Rule

Prosesor Fuzzy menggunakan aturan

linguistik untuk menentukan aksi kontrol
apa yang harus dilakukan dalam merespon
nilai masukan yang diberikan

www.rapidppt.com
 Fungsi Implikasi

Pada metode mamdani digunkankan fungsi Min. Semua

derajat keanggotaan yang telah didapatkan pada proses
sebelumnya diproses ke dalam aturan yang telah dibentuk
sebelumnya

[15] if (BEBAN1 is Besar) and (SUHU1 is Normal) and (BEBAN2 is

Besar) and (SUHU2 is Normal) then (Prediksi is
Besar)

www.rapidppt.com
 Fungsi Implikasi

[16]if (BEBAN1 is Medium) and (SUHU1 is Normal) and (BEBAN2 is

Medium) and (SUHU2 is Normal) then (Prediksi is Medium)

www.rapidppt.com
 Fungsi Implikasi

[26] if (BEBAN1 is Besar) and (SUHU1 is Hangat) and (BEBAN2 is

Medium) and (SUHU2 is Normal) then (Prediksi is Besar)

www.rapidppt.com
Komposisi Aturan

metode Max. Pada metode ini, solusi himpunan Fuzzy

diperoleh dengan cara mengambil nilai maksimum aturan,
kemudian akan digunakan nilai tersebut untuk
memodifikasi suatu daerah Fuzzy dan mengaplikasikannya
ke ouput.

Karena hasil output dari aturan ke-15 dan ke-26 memiliki

nilai yang sama yaitu 0.17 pada nilai linguistik Besar,
sedangkan output dari aturan ke-16 berada pada nilai
linguistik Medium dengan nilai 0.65

www.rapidppt.com
Komposisi Aturan

Medium Besar Medium

1
0.65

0.65 Besar
0.17
0
50.13 64.77 72.08
0.17 54.89 60.01
0 58.69 70.83
50.13 64.77 72.08
54.89 60.01
58.69 70.83

www.rapidppt.com
 Metode Deffuzifikasi

Metode Centroid
Pada metode ini, solusi crisp diperoleh
dengan cara mengambil titik pusat (z*) Metode Mean of
daerah Fuzzy Maximum (MOM)
5
‫׬‬1 𝑧µሺ𝑧ሻ𝑑𝑧 solusi crisp diperoleh dengan cara
𝑧= 5
‫׬‬1 µሺ𝑧ሻ𝑑𝑧 mengambil nilai rata rata domain
yang memiliki nilai keanggotaan
maksimum
Metode Bisector
solusi crisp diperoleh dengan cara
mengambil nilai pada domain Fuzzy yang Metode Small of
memiliki nilai keanggotaan setengah dari Maximum (SOM)
jumlah total nilai keanggotaan pada daerah solusi crisp diperoleh dengan cara
Fuzzy mengambil nilai terkecil dari domain
yang memiliki nilai keanggotaan
maksimum

www.rapidppt.com
Metode Centroid

Pada metode Centroid perlu dihitung Momen dan luasan Medium

daerah hasil implikasi. Untuk menentukan nilai crisp
0.65
dilakukan dengan membagi daerah menjadi 5 bagian
dengan luas masing-masing : A1, A2, A3, A4, dan A5 serta
momen terhadap nilai keanggotaan masing-masing adalah
Besar
M1, M2, M3, M4, dan M5. 2 3
0.17 1
0 4 5
Nilai prediksi dapat ditentukan dengan menghitung titik 72.08
50.13
pusat dari luas segitiga terpotong, dengan persamaan 54.89 60.01 63.52 70.83

www.rapidppt.com
Metode Bisector
1

Medium
Pada metode Bisector, solusi crisp diperoleh dengan cara
mengambil nilai pada domain Fuzzy yang memiliki nilai 0.65
keanggotaan setengah dari jumlah total nilai keanggotaan
pada daerah Fuzzy. Dari luas total daerah Fuzzy, dapat
diperkirakan separoh dari nilai total keanggotaannya Besar
2 3
berada pada daerah kedua dengan fungsi keanggotaan 0.17 1
0.65 dan domain 54.89 – 60.01. Sehingga merujuk pada 0 4 5
persamaan 50.13 72.08
54.89 60.01 63.52 70.83
Metode Mean of Maximum (MOM)

Pada metode Mean of Maximum, solusi crisp diperoleh

dengan cara mengambil nilai rata-rata domain yang
memiliki nilai keanggotaan maksimum. Pada Gambar 4.16
dapat kita lihat bahwa nilai keanggotaan maksimum daerah
Fuzzy hasil komposisi adalah 0.65 pada nilai linguistik
Medium dengan domain 54.89 – 60.01. Sehingga solusi Metode Small of Maximum (SOM)
crisp dapat kita hitung sebagai berikut

Z = (54.89+ 60.01)/2 = 57,45 MW

Metode Smallest of Maximum (SOM), solusi crisp
diperoleh dengan cara mengambil nilai terkecil dari
1 domain yang memiliki nilai keanggotaan maksimum.
Medium Pada Gambar 4.16 dapat kita lihat bahwa nilai
keanggotaan maksimum daerah Fuzzy hasil komposisi
0.65 adalah 0.65 pada nilai linguistik Medium dengan
domain 54.89 – 60.01. Sehingga, hasil prediksi beban
Besar untuk hari Jumat pada pukul 22.00 dengan metode
2 3 SOM adalah 54.89 MW
0.17 1
0 4 5
50.13 72.08
54.89 60.01 63.52 70.83
Simulasi Pada MATLAB

Menampilkan Fuzzy Membuat fungsi

Logic Designer Memasukan variabel
keanggotaan

memilih ‘Fuzzy Logic Designer’ pada memilih Membership Fuctions

menu APP atau dapat juga dilakukan melalui menu Edit dan Edit Editor pada menu Edit atau dengan
dengan cara mengetikan ‘Fuzzy’ pada Variabel menekat Ctrl+2
Command Window
Simulasi Pada MATLAB
Masukan aturan yang
sudah dibuat
memilih ‘Rules’ pada menu Edit atau
dengan menekan Ctrl+3 pada keyboard
Menguji logika Fuzzy Defuzzifikasi
memilih ‘Rules’ pada menu Untuk mengganti metode
View atau dapat dilakukan Defuzzifikasi dilakukan pada jendela
dengan menekan Ctrl + 5 awal Fuzzy Logic Editor dan ubah
pada keyboard metode pada bagian Defuzzifikasi
pada bagian pojok kiri bawah
MAPE

Mean Absolute Percent Error (MAPE) merupakan ukuran

kesalahan relatif dan menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode
tertentu. MAPE digunakan sebagai indeks akurasi peramalan
(Dong et al., 2021). Nilai MAPE dapat dihitung dengan rumus

pada penelitian ini digunakan data aktual minggu ketiga sebagai

acuan perbandingan hasil prediksi.

www.rapidppt.com
 Hasil
23/09/2022 Metode
Waktu
Beban Error Error Error
(WIB) Centroid Bisector MOM SOM
Aktual(MW) Centroid Bisektor MOM Error SOM
0:00 49.2 50.8 3.25 50.4 2.44 50.2 2.03 46.5 5.49
1:00 47.8 49.7 3.97 50 4.60 50.2 5.02 47.4 0.84
2:00 46.6 49.5 6.22 49.5 6.22 50.2 7.73 47.8 2.58
3:00 45.8 48.6 6.11 48.7 6.33 50.2 9.61 46.5 1.53
4:00 44.5 46.1 3.60 46 3.37 42.7 4.04 38.1 14.38
5:00 44.3 46.6 5.19 46.9 5.87 50 12.87 45.6 2.93
6:00 46.3 47 1.51 47.8 3.24 50.2 8.42 46.9 1.30
7:00 49.1 52.5 6.92 52.6 7.13 53.9 9.78 46 6.31
8:00 57.6 57.5 0.17 57.5 0.17 57.5 0.17 55.3 3.99
9:00 60.9 64.3 5.58 60.1 1.31 65.5 7.55 56.6 7.06
10:00 65.4 67.3 2.91 68 3.98 73.7 12.69 68 3.98
11:00 69.1 67.3 2.60 67.1 2.89 77.9 12.74 76.3 10.42
12:00 66.9 71.2 6.43 72.8 8.82 78.5 17.34 77.6 15.99
13:00 71.1 70.2 1.27 70.2 1.27 78.3 10.13 77.2 8.58
14:00 73 69.8 4.38 69.7 4.52 78.1 6.99 76.8 5.21
15:00 72.9 69.2 5.08 69.3 4.94 72.2 0.96 67.1 7.96
16:00 69.6 68.3 1.87 67.1 3.59 64.7 7.04 61.8 11.21
17:00 66.1 64.9 1.82 62.7 5.14 64.6 2.27 54.4 17.70
18:00 65.3 64.6 1.07 61 6.58 65.2 0.15 56.1 14.09
19:00 69.1 65.1 5.79 64.9 6.08 64.7 6.37 62.3 9.84
20:00 66.1 64.9 1.82 64.5 2.42 64.7 2.12 60.5 8.47
21:00 61.2 64.2 4.90 64.5 5.39 64.7 5.72 61.4 0.33
22:00 59.5 59.5 0.00 58.3 2.02 57.5 3.36 55.3 7.06
23:00 55.2 55.5 0.54 56.1 1.63 57.5 4.17 53.9 2.36
MAPE 3.46 4.17 6.64 7.07

www.rapidppt.com
Nilai rata-rata MAPE prediksi selama satu minggu
Rata-Rata MAPE
12.00
10.08
10.00
8.00
6.18
Metode 6.00 4.82

%
4.28
Hari Centroid Bisector SOM 4.00
MOM (%)
(%) (%) (%)
2.00
Senin 3.72 3.02 3.51 4.84 0.00
Centroid Bisektor MOM SOM
Selasa 6.01 6.02 5.45 9.43
Metode Defuzzifikasi
Rabu 7.30 7.84 8.66 16.98
Kamis 3.15 3.03 5.22 12.79
Jumat 3.46 4.17 6.64 7.07
Sabtu 2.93 6.16 9.57 10.02
Minggu 3.38 3.48 4.19 9.45
Rata-rata 4.28 4.82 6.18 10.08
 Dari hasil percobaan dapat diketahui
bahwa hasil prediksi beban menggunakan
logika Fuzzy Mamdani menunjukan nilai
yang sedikit berbeda dari beban aktual
namun tetap dapat mengikuti kenaikan dan
penurunan beban aktual dengan baik.
Grafik hasil prediksi beban yang paling
mendekati beban aktual ditunjukan oleh
metode Centroid, lalu diikuti oleh metode
Bisector, MOM, dan SOM
Hasil penelitian yang telah dilakukan
menunjukan bahwa peramalan daya listrik
jangka pendek menggunakan metode Fuzzy
mamdani memberikan hasil lebih baik
menggunakan metode defuzzifikasi Centroid
dibandingkan dengan ketiga metode lainnya.
Metode dengan defuzzifikasi Bisector juga
menunjukan nilai MAPE yang tidak terlalu
berbeda jauh dari metode Centroid,
sehingga metode ini dapat dijadikan pilihan
kedua sebagai metode alternatif dalam
memprediksi daya listrik jangka pendek
www.rapidppt.com
Kesimpulan

Telah dilakukan implementasi metode logika Fuzzy Mamdani untuk menganalisis

prakiraan beban listrik jangka pendek di PT. PLN (Persero) Belanti.

Metode defuzzifikasi yang diimplementasikan ke dalam sistem logika Fuzzy mamdani

adalah metode Centroid, Bisector, Mean of Maximum (MOM), dan Small of Maximum
(SOM).

Suhu permukaan bumi dapat menjadi salah satu faktor yang mempengaruhi jumlah
kebutuhan daya listrik. Semakin tinggi suhu permukaan bumi, kebutuhan daya listrik
cenderung meningkat.

www.rapidppt.com
Kesimpulan

Telah dilakukan simulasi model Fuzzy Interface System menggunakan MATLAB R2015a dalam
memprediksi daya listrik jangka pendek menggunakan metode Fuzzy mamdani dan
memberikan hasil yang lebih baik menggunakan metode defuzzifikasi Centroid dan Bisector.

Rata-rata MAPE terkecil untuk hasil peramalan daya listrik jangka pendek untuk hari Senin-
Minggu menggunakan Fuzzy Mamdani didapatkan dengan metode Centroid yaitu 4.28% dan
diikuti oleh metode Bisector dengan nilai rata-rata MAPE 4.82%. Sedangkan nilai MAPE
terbesar didapatkan dari hasil prediksi menggunakan metode SOM yaitu 10.8%.

Prediksi kebutuhan daya listrik jangka pendek dapat dilakukan dengan menggunakan input
data historis penggunaan beban listrik sebelumnya dan data historis suhu permukaan bumi.

www.rapidppt.com
Saran

Untuk mendapatkan hasil prediksi daya listrik jangka pendek dengan tingkat keakuratan lebih
baik dapat dicoba dengan metode lain dan dapat dilakukan perbandingan terhadap metode
prediksi terdahulu. Penelitian yang sama juga dapat dilakukan menggunakan variabel lain yang
mempengaruhi penggunaan listrik

www.rapidppt.com
TERIMA KASIH
18 Januari 2023