Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek

       Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang bekerja seperti sistem syaraf biologis pada saat berhubungan dengan 'dunia luar', nama jaringan syaraf tiruan merupakan terjemahan dari "Artificial Neural Network". 

           Model JST yang digunakan \adalah arsitektur feedforward (umpan maju). Sedangkan konsep belajar yaitu algoritma belajar backpropagation momentum yang merupakan perkembangan dari algoritma belajar backpropagation standar.

Struktur Jaringan Syaraf Tiruan Backpropagation

       Jaringan Syaraf Tiruan Backpropagation (BP) pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988.

        Asitektur jaringan BP dengan satu lapisan dalam ditunjukan pada gambar 1. Gambar tersebut menunjukan arah sinyal pada fase feedforward. Selama operasi fase pelatihan backpropagation (BP), sinyal-sinyal error dikirim dalam arah sebaliknya.

Jaringan syaraf tiruan tersusun atas sekumpulan elemen pemroses (neuron) atau simpul atau sel yang terinterkoneksi dan terorganisasi dalam lapisan-lapisan. Setiap sel memproses sinyal dengan fungsi akivasinya yaitu fungsi sigmoid logistik, fungsi ini analog dengan

            f(x) = 1 / (1 - e^-x)

        

         Tiap-tiap lapisan terdiri dari banyak simpul, interkoneksi hanya terjadi antara simpul-simpul yang terletak pada satu lapisan dengan simpul-simpul yang terletak pada lapisan tetangganya. Simpul-simpul yang berhubungan langsung dengan masukan dan terletak dalam satu lapisan yang sama, lapisan tersebut disebut "lapisan masukan" simpul-simpul yang memberikan keluaran dan terletak dalam satu lapisan disebut "lapisan keluaran".

          Simpul-simpul yang terletak dalam satu atau beberapa lapisan dan tidak berhubungan langsung dengan keadaan di luar jaringan disebut "lapisan dalam" atau lapisan tersembunyi.

Banyaknya simpul pada lapisan masukan dan lapisan keluaran tergantung pada jenis pemakaian tertentu.

Algoritma Pelatihan Backpropagation

         Algoritma belajar yang digunakan adalah algoritma Backpropagation. Pada algoritma ini digunakan sinyal referensi dari luar (sebagai pengajar) dibandingkan dengan sinyal keluaran JST, hasilnya berupa sinyal kesalahan.

          

keterangan :

x vektor masukan pelatihan :
x = (x₁,....., x_i,......,x_n).
y_r vektor keluaran target :
y_r = (y₁,...., y_k,...., y_m).
d_k porsi koreksi kesalahan untuk pengaturan bobot w_nj.
konstanta laju belajar.
konstanta momentum.

w_nj bobot koneksi antara sel n ke sel j.

      Dasar dari algoritma ini adalah memodifikasi bobot interkoneksi W_nj pada jaringan sehingga sinyal kesalahan mendekati nol, untuk lebih jelasnya lihat gambar 2.

       Suatu jangka waktu (disebut epoch) adalah satu set putaran vektor-vektor pelatihan. Beberapa epoch diperlukan untuk pelatihan sebuah JST BP sehingga kesalahan mendekati nol.

Prakiraan Beban Jangka Pendek Menggunakan JST

        Pola kegiatan konsumen pada hari kerja yaitu hari Senin sampai hari Jumat dan hari akhir pekan, pada setiap minggunya tidak akan banyak berubah. Pola kegiatan konsumen akan berulang pada setiap minggunya. Pengulangan ini juga akan terjadi pada pola kurva beban dari minggu ke minggu, dimana hari yang sama pada suatu minggu mempunyai pola kurva beban yang mirip. Misalnya pola kurva beban hari Kamis dalam minggu ini akan mirip dengan pola kurva beban pada hari Kamis dalam minggu yang akan datang. Hal yang sama juga terjadi pada hari-hari lain.

Kasifikasi Beban

• Pola-pola hari biasa yaitu hari Senin sampai Minggu yang bukan hari libur nasional, diklasifikasikan sebagai berikut :

1. Pola beban hari Senin.
2. Pola beban hari Selasa.
3. Pola beban hari Rabu.
4. Pola beban hari Kamis.
5. Pola beban hari Jumat.
6. Pola beban hari Sabtu.
7. Pola beban hari Minggu.

• Pola hari-hari tidak biasa yaitu hari-hari Senin sampai Minggu yang merupakan hari libur nasional (hari khusus), diklasifikasikan sebagai berikut :

1. Pola beban Tahun baru,
2. Pola beban Proklamasi,
3. Pola beban Isra' mi'raj,
4. Pola beban Puasa Perdana,
5. Pola beban Nyepi,
6. Pola beban Idul Fitri I,
7. Pola beban Idul Fitri II,
8. Pola beban Wafat Isa Al Masih,
9. Pola beban Kenaikan Isa Al Masih,
10. Pola beban Idul Adha,
11. Pola beban Waisak,
12. Pola beban 1 Muharam,
13. Pola beban Maulud Nabi Muhammad S.A.W dan
14. Pola beban Natal.

Sehingga terdapat 7 pola untuk hari biasa dan 14 pola untuk hari khusus (21 jenis pola beban). Selanjutnya beban dalam satu hari (hari i ) dibagi menjadi 24 yang disebut beban tiap jam (l_(i,t), t = 1,2,......,24). Hal ini adalah sesuai dengan tujuan prakiraan beban jangka pendek yang memprediksi beban tiap jam dalam satu hari yang akan datang.

Berikut ini adalah variabel masukan yang dipilih :

Hari-hari biasa :

• Beban tiap jam selama 2 hari yang lalu, yaitu l_(i-1) dan l_(i-2) : 48 nilai.
• Informasi cuaca di tiga daerah (Semarang, Yogyakarta dan Cilacap) pada dua hari yang lalu tersebut, yaitu curah hujan (besar hujan): 6 nilai.
• Prakiraan cuaca di tiga daerah diatas, yaitu mengenai kondisi hujan (berawan) atau tidak hujan pada hari yang akan datang (hari yang akan diperkirakan bebannya) : 3 nilai.

Hari-hari khusus :

• Beban tiap jam pada 2 hari minggu terdekat yang lalu, yaitu l_(i-1) dan l_(i-2) : 48 nilai.
• Informasi cuaca di tiga daerah (Semarang, Yogyakarta dan Cilacap) pada dua hari minggu lalu tersebut, yaitu curah hujan (besar hujan) : 6 nilai..
• Prakiraan cuaca di tiga daerah diatas, yaitu mengenai kondisi hujan (berawan) atau tidak hujan pada hari yang akan datang (hari yang akan diperkirakan bebannya) : 3 nilai.

Jadi variabel masukan pada JST baik hari biasa maupun hari khusus terdapat 48 + 6 +3 = 57 nilai.. Sedangkan variabel keluaran adalah beban tiap jam selama 24 jam yang diperkirakan = 24 nilai.

Arsitektur Jaringan Yang Digunakan Untuk Prakiraan Beb

       Jaringan Syaraf Tiruan Backpropagation Momentum yang digunakan memiliki 4 lapis, yaitu 1 lapisan masukan, 2 lapisan dalam (hiden layer) dan 1 lapisan keluaran.

       Lapis masukan terdiri dari 57 buah sel yang merupakan banyaknya vektor masukan jaringan. Jumlah sel lapisan dalam ke-1 adalah 75 sel, sedang lapisan lapisan dalam ke-2 adalah

Prakiraan Secara On-Line

           Sesuai dengan karakteristik JST, secara umum sistem prakiraan beban dalam penelitian ini terdiri dari dua mode, yaitu mode tahap belajar dan mode tahap pengujian. Mode tahap belajar atau pelatihan merupakan tahap penyesuaian bobot-bobot jaringan. Dalam mode ini diberikan data pola pelatihan yaitu pasangan masukan dan keluaran target yang disimpan dalam file disk (file pelatihan).  Dari pasangan-pasangan pola tersebut Jaringan dilatih memprakirakan beban yang terdiri dari 7 pola hari-hari biasa dan 14 pola hari-hari khusus. Hasil pelatihan adalah bobot-bobot koneksi antar sel.

             Mode tahap pengujian merupakan sistem prakiraan beban yang dipakai. Dalam mode ini diberikan data masukan yang disimpan dalam file disk (file pengujian). JST yang telah dilatih akan mengambil data masukan tersebut dan memberikan keluaran yang merupakan "Beban Prakiraan JST" yaitu beban tiap jam selama 24 jam yang diprakirakan. JST memberikan keluaran berdasarkan bobot yang disimpan pada mode pelatihan.

             Pada akhir mode pengujian dilakukan perbandingan antara beban prakiraan (keluaran JST) dan beban asli (beban kenyataan yang terjadi). Hal ini adalah untuk menguji tingkat keberhasilan JST dalam memprakirakan beban. Setelah proses perbandingan selesai data masukan untuk pengujian dan data beban asli secara otomatis ditambahkan dalam file pelatihan dianggap sebagai pola baru (proses on-line). Oleh karena itu untuk pelatihan berikutnya tidak perlu dilakukan pemasukan data pelatihan kedalam file pelatihan. Hal ini adalah merupakan sifat flexibility JST apabila dijumpai perubahan pola beban listrik.

Pengamatan Hasil

          Setelah melakukan pelatihan untuk pola beban hari biasa (Senin – Minggu) selama 7 minggu (27 Desember 1993 sampai 13 Februari 1994) dilakukan pengujian jaringan yaitu untuk memprakirakan beban. Dalam Hal ini jaringan dicoba untuk memprakirankan beban dari tanggal 14 Februari 1994 (Senin) sampai 20 Februari 1994 (Minggu).

Error rata-rata hasil prakiraan beban dengan JST relatif lebih besar dari pada error rata-rata prakiraan beban dengan metode koefisien (UPB). Hal ini disebabkan oleh beberapa kemungkinan (tidak bisa dijelaskan secara pasti karena merupakan prakiraan) sebagai berikut :

• Data cuaca yang digunakan untuk variabel masukan belum lengkap.
• Informasi cuaca yang diambil dari tiga daerah belum bisa mewakili seluruh Jawa Tengah dan D.I.Y.
• Beban di Jawa Tengah dan D.I.Y. tidak begitu dipengaruhi oleh cuaca.
• Beban historis yang digunakan untuk variabel masukan JST kurang banyak (hanya 2 hari yang lalu)
• Putaran (iterasi) maksimum pada waktu pelatihan JST kurang besar.

Bila Sistem prakiraan beban dengan JST ini akan diterapkan pada suatu industri listrik seperti PLN UPB Ungran dengan tujuan untuk mendapatkan prakiraan beban yang lebih baik (error lebih kecil) masih diperlukan penelitian lebih lanjut.

PRAKIRAAN BEBAN LISTRIK HARI SENIN				PROSEN ERROR PRAKIRAAN
DALAM MW				BEBAN HARI SENIN
JAM	Prak. JST	Prak. UPB	Beban Real	% Error JST	%Error UPB
1	568.39	561	582.3	2.45	3.8
2	556.03	566	569.3	2.39	0.58
3	551.56	644	636.1	15.33	1.23
4	564.39	658	697.5	23.58	6
5	622.22	640	663.2	6.59	3.63
6	526.03	537	533.3	1.38	0.69
7	417.48	402	419.7	0.53	4.4
8	473.11	440	454.4	3.95	3.27
9	461.74	450.9	478.3	3.59	6.08
10	488.55	464	488.4	0.03	5.26
11	489.22	473	487.3	0.39	3.02
12	464.85	445	463.8	0.23	4.22
13	455.8	443	435.7	4.41	1.65
14	466.86	450	458.9	1.71	1.98
15	480.54	466	461.3	4	1.01
16	480.61	464	455	5.33	1.94
17	511.09	510	504	1.39	1.18
18	674.48	720	725.3	7.53	0.74
19	840.2	832	826	1.69	0.72
20	844.17	826	799.4	5.3	3.22
21	789.95	769	793.6	0.46	3.2
22	710.41	693	723.6	1.86	4.42
23	675.27	654	641.3	5.03	1.94
24	615.73	622	636.6	3.39	2.35
Min	417.48	402	419.7	0.03	0.58
Max	844.17	832	826	23.58	6.08
Rata	572.03	572.08	580.6	4.27	2.77