PERAMALAN BEBAN LISTRIK JANGKA PANJANG

Peramalan Beban Listrik Jangka Panjang
PERAMALAN BEBAN LISTRIK JANGKA PANJANG PROVINSI D.I. YOGYAKARTA
MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION
Ricky Ardian Pratama
Teknik Elektro, Fakultas Teknik, Universitas Negeri Surabaya
e-mail: [email protected]
Dr. Lilik Anifah, S.T., M.T
Teknik Elektro, Fakultas Teknik, Universitas Negeri Surabaya
e-mail: [email protected]
Abstrak
Peramalan merupakan upaya memprediksikan apa yang terjadi di masa mendatang dengan berdasarkan
data pada masa lalu, berbasis pada metode ilmiah dan kuantitatif yang dilakukan secara sistematis.
Penelitian ini mengkaji tentang Neural Network dengan algoritma Backpropagation untuk peramalan
beban listrik jangka panjang Provinsi Yogyakarta. Tujuan penelitian ini adalah untuk mencari hasil
peramalan beban listrik jangka panjang pada Provinsi Yogyakarta dan membandingkan hasil peramalan
neural network backpropagation dengan hasil peramalan pada RUPTL PLN Tahun 2015-2024. Melalui
perhitungan dan hasil simulasi peramalan beban listrik jangka panjang Provinsi Yogyakarta pada tahun
2015 hingga 2024 tidak berbeda jauh dengan peramalan Rencana Usaha Penyedia Tenaga Listrik
(RUPTL) dengan rata-rata pertumbuhan beban listrik setiap satuan PLN/Provinsi pertahun sebesar
8,1007%. Komparasi hasil peramalan beban listrik menggunakan neural network backpropagation
dengan hasil peramalan beban listrik oleh RUPTL PT. PLN 2015-2024 menghasilkan rata-rata persentase
perbedaan data sebesar 9,8820%. Rata-rata persentase perbedaan data yang menghasilkan nilai positif(+)
menunjukkan peramalan neural network backpropagation lebih tinggi dibandingkan dengan RUPTL PT.
PLN 2015-2024.
Kata Kunci: Neural Network Backpropagation, Peramalan, Beban Listrik
Abstract
Forecasting is an attempt to predict what happens in the future on the basis of data in the past, based on the
scientific method and qualitative systematic. This study examines the Backpropagation Neural Network
algorithm for long-term load forecasting. The purpose of this study is to find the results of each unit
load forecasting electricity of Province Yogyakarta and compares the results with the forecasting
results in RUPTL PLN Year 2015-2024. Through calculation and simulation results of long-term
power load forecasting of Province Yogyakarta in 2015 to 2024 was not much different from
forecasting the Electricity Business Plan Provider (RUPTL) with average growth in electrical load
of Province Yogyakarta annually at 8,1007 %. Comparison of the results of the electrical load
forecasting using a back propagation neural network with electricity load forecasting results by
RUPTL PT. PLN 2015-2024 resulted in an average percentage difference in the data of 9,8820%.
The average percentage difference data to produce a positive value (+) indicates
backpropagation neural network forecasting higher than RUPTL PT. PLN 2015-2024.
Keywords: Neural Network Backpropagation, Forecasting, Load
Jika besar konsumsi listrik tidak diperkirakan maka
dapat mempengaruhi kesiapan dari unit pembangkit
untuk menyediakan pasokan energi listrik kepada
konsumen. Ketidakseimbangan daya listrik antara sisi
supply dan sisi demand dapat mengakibatkan kerugian.
Pada sisi pembangkit dapat terjadi pemborosan apabila
daya yang dibangkitkan lebih besar daripada konsumsi
listrik. Pada sisi konsumen dapat terjadi pemadaman
apabila daya yang dibangkitkan lebih kecil dari
kebutuhan listrik konsumen. Oleh karena itu, yang dapat
PENDAHULUAN
Tenaga listrik merupakan kebutuhan pokok bagi
kehidupan masyarakat. Tenaga listrik digunakan oleh
beberapa sektor, antara lain sektor rumah tangga, industri,
usaha komersial, dan tempat layanan umum. Besar
konsumsi listrik pada suatu rentang waktu tidak dapat
dihitung secara pasti. Ketidakpastian itu apabila tidak
kita perkirakan akan menjadi masalah, karena kebutuhan
listrik semakin bertambah tetapi penyediaan listrik kurang
(Handoko, 2009).
37
Jurnal Teknik Elektro. Volume 05 Nomor 03 Tahun 2016, 0 - 47
dilakukan adalah meramalkan besar konsumsi listrik
(Handoko, 2009).
Peramalan (forecasting) merupakan proses untuk
memperkirakan kejadian/hal pada masa yang akan datang.
Peramalan biasanya diklasifikasikan berdasarkan horizon
waktu masa depan yang dilingkupinya. Peramalan jangka
pendek meliputi jangka waktu hingga satu tahun, tetapi
umumnya kurang dari tiga bulan. Peramalan jangka
menengah atau intermediate umumnya mencakup
hitungan bulan hingga tiga tahun. Peramalan jangka
panjang umumnya untuk perencanaan masa tiga tahun
atau lebih (Heizer dan Render, 2009).
Di bidang tenaga listrik, peramalan biasanya
berupa peramalan beban (load forecasting) meliputi
peramalan beban puncak (MW) dan peramalan
kebutuhan energi listrik (demand forecasting) (MWh).
Peramalan berdasarkan
rentang
waktu
dapat
dikategorikan menjadi tiga: jangka pendek, jangka
menengah dan jangka panjang (Hamidie, 2009).
Peramalan Beban Tenaga Listrik (Electric Power
Load Forecasting) adalah proses penting dalam
perencanaan industri listrik dan pengoperasian sistem
tenaga listrik. Perkiraan akurat mengakibatkan
penghematan substansial dalam biaya operasi dan
pemeliharaan, peningkatan kehandalan pasokan listrik dan
sistem pengiriman, dan keputusan yang benar untuk
pembangunan masa depan (Minaye dan Matewose, 2013).
Peramalan jangka panjang berawal dari hitungan
tahun sampai puluhan tahun. Peramalan memiliki peran
penting dalam konteks pembangkitan, transmisi dan
perencanaan jaringan distribusi di sistem tenaga. Tujuan
utama dari perencanaan sistem tenaga adalah untuk
menentukan ekspansi ekonomi dari peralatan dan fasilitas
untuk memenuhi kebutuhan listrik masa depan pelanggan
dengan tingkat yang dapat diterima keandalan dan
kualitas daya (Minaye dan Matewose, 2013).
Metoda peramalan untuk kebutuhan tenaga listrik
saat sekarang ini telah berkembang dengan pesat.
Sistem cerdas (artificial intelligence) merupakan suatu
sistem yang paling banyak diaplikasikan oleh para pakar
untuk memperkirakan atau meramal kebutuhan tenaga
listrik untuk masa yang akan datang (Putra, 2011).
Neural Network merupakan salah satu sistem cerdas
yang dapat digunakan dalam peramalan tersebut. Jaringan
saraf tiruan dapat dipakai untuk meramalkan apa yang
terjadi di masa depan berdasarkan pola yang terbentuk di
masa lampau. Hal ini dapat dilakukan karena kemampuan
jaringan saraf tiruan untuk mengingat dan membuat
generalisasi dari apa yang sudah ada sebelumnya (Yahya,
2012).
Neural network atau jaringan syaraf tiruan (JST)
adalah algoritma penyelesaian masalah komputasi yang
prinsip kerjanya menirukan jaringan syaraf manusia.
Salah satu jenis dari metode JST yaitu Backpropagation.
Metode ini dipilih karena saat output tidak sama dengan
target yang diharapkan maka output akan disebarkan
mundur (backward) pada hidden layer untuk diteruskan
ke unit pada input layer, sehingga akan ada umpan balik
untuk memvalidasi hasil keluaran JST (Setiabudi, 2015).
Selain itu, metode JST backpropagation dapat
diaplikasikan dengan baik dalam bidang peramalan
(forecasting) (Jong Jek Siang, 2009).
Dalam penelitian ini, metode neural network
backpropagation yang akan digunakan untuk meramal
beban
tenaga listrik. Peramalan dilakukan untuk
menghitung total beban per tahun setiap provinsi di
Indonesia. Data yang digunakan dalam penelitian ini
adalah data yang ada pada Rencana Usaha Penyediaan
Tenaga Listrik (RUPTL) PT. PLN (PERSERO) dan
Statistik PT. PLN (PERSERO).
KAJIAN PUSTAKA
Peramalan Beban
Peramalan (forecasting) merupakan proses untuk
memperkirakan kejadian/hal pada masa yang akan datang.
Peramalan juga merupakan seni dan ilmu memprediksi
peristiwa-peristiwa masa depan. Peramalan memerlukan
pengambilan data historis dan memproyeksikannnya ke
masa depan dengan beberapa model matematis (Heizer
dan Render, 2009).
Peramalan biasanya diklasifikasikan berdasarkan
horizon waktu masa depan yang dilingkupinya. Horizon
waktu terbagi menjadi beberapa kategori (Heizer dan
Render, 2009).
a. Peramalan jangka pendek. Peramalan ini meliputi
jangka waktu hingga satu tahun, tetapi umumnya
kurang dari tiga bulan.
b. Peramalan jangka menengah. Peramalan jangka
menengah atau intermediate umumnya mencakup
hitungan bulan hingga tiga tahun.
c. Peramalan jangka panjang. Umumnya untuk
perencanaan masa tiga tahun atau lebih.
Beban listrik adalah sesuatu yang harus "dipikul"
oleh pembangkit listrik. Dalam aplikasi sehari-hari dapat
digambarkan bahwa beban listrik adalah peralatan yang
mengunakan daya listrik agar bisa berfungsi. Contoh
beban listrik dalam rumah tangga diantaranya televisi,
lampu penerangan, setrika, mesin cuci, lemari es dan
lain-lain.
Peramalan beban listrik adalah penerapan dari ilmu
peramalan yang diaplikasikan untuk memprediksikan
perubahan beban listrik yang diminta konsumen.
Di bidang tenaga listrik, peramalan biasanya
berupa peramalan beban (load forecasting) meliputi
peramalan beban puncak (MW) dan peramalan
Peramalan Beban Listrik Jangka Panjang
kebutuhan energi listrik (demand forecasting) (MWh).
Peramalan berdasarkan
rentang
waktu
dapat
dikategorikan menjadi tiga: jangka pendek, jangka
menengah dan jangka panjang (Hamidie, 2009). Hasil
peramalan ini dipergunakan untuk membuat rencana
pemenuham
kebutuhan
maupun
pengembangan
penyediaan tenaga elektrik setiap saat secara cukup dan
baik serta terus menerus.
Peramalan permintaan merupakan studi penting
untuk setiap industri yang terlibat dalam produksi barang
atau jasa. Dalam industri tenaga listrik, beban peramalan
memainkan peran penting dalam sistem perencanaan dan
operasi yang efektif dari sistem tenaga. Tren peramalan
masa depan permintaan listrik penting untuk perencanaan
jaringan, pembangunan infrastruktur, ekonomic dispatch,
penjadwalan bahan bakar dan satuan pemeliharaan
(Alawode dan Oyedeji, 2013).
Peramalan beban jangka panjang dari sistem tenaga
didasarkan pada peramalan tahunan dan triwulanan.
signifikansi adalah untuk membantu menentukan instalasi
baru unit pembangkit (termasuk kapasitas ukuran, jenis,
lokasi dan waktu) dan perencanaan jaringan, peningkatan
kapasitas dan konversi. Jadi peramalan beban jangka
panjang dari sistem tenaga merupakan tugas penting dari
sektor perencanaan listrik (Ke Zhao, 2012).
Secara umum, beban listrik yang dilayani oleh
sistem distribusi listrik dibagi dalam beberapa sektor,
yaitu sektor perumahan, sektor industri, sektor komersial,
dan sektor publik atau umum. Masing – masing sektor
mempunyai karakteristik yang berbeda. Peramalan beban
listrik jangka panjang adalah untuk jangka waktu di atas
satu tahun. Ramalan dalam bidang tenaga listrik pada
dasarnya merupakan ramalan kebutuhan energi listrik
(watt jam) dan ramalan beban tenaga listrik (watt).
Keduanya disebut dengan istilah load (demand)
forecasting. Hasil peramalan ini nantinya akan digunakan
untuk membuat rencana pemenuhan kebutuhan maupun
pengembangan dalam penyediaan energi listrik setiap
saat secara baik dan kontinyu untuk beberapa tahun
kedepan (Setiabudi, 2015).
dasar antara beban dan berbagai faktor variabel yang
mempengaruhi mereka. Maka sistem jaringan saraf
dilatih dengan input data (fungsi beban masa lalu, cuaca,
jam, beban baru-baru ini, tren dalam cuaca yang akan
datang). Berdasarkan pengamatan yang tersedia, jaringan
saraf yang terlatih dengan baik dapat memprediksi data
yang dibutuhkan. Dengan demikian, berdasarkan
pelatihan yang baik konvergensi menjadi sangat kecil
untuk peramalan beban akurat. Keuntungan utama adalah
bahwa ia memiliki respon yang cepat terhadap
penyimpangan antara beban yang sebenarnya dan yang
diprediksi (Sruthi dan Catherine, 2015)
JST dibentuk sebagai generalisasi model
matematika dari jaringan syaraf biologi, denga asumsi
bahwa:
a. Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron).
b. Sinyal dikirm diantara neuron-neuron melalui
penghubung-penghubung.
c. Penghubung antar neuron memiliki bobot yang akan
memperkuat atau memperlemah sinyal.
d. Untuk
menentukan
output,
setiap
neuron
menggunakan fungsi aktivasi (biasanya bukan fungsi
linier) yang dikenakan pada jumlahan input yang
diterima.
Besarnya
output
ini
selanjutnya
dibandingkan dengan suatu batas ambang.
JST ditentukan 3 hal:
a. Pola hubungan antar neuron (disebut arsitektur
jaringan)
b. Metode untuk menentukan bobot penghubung
(disebut metode training/learning/algoritma)
c. Fungsi aktivasi
Kelemahan JST yang terdiri dari layar tunggal
membuat perkembangan JST menjadi terhenti pada
sekitar tahun 1970-an. Penemuan backpropagation yang
terdiri dari beberapa layar membuka kembali cakrawala.
Terlebih setelah berhasil ditemukan berbagai aplikasi
yang dapat diselesaikan dengan backpropagation,
membuat JST semakin diminati orang.
JST dengan layar tunggal memiliki keterbatasan
dalam pengenalan pola. Kelemahan ini dapat
ditanggulangi dengan menambahkan satu/beberapa layar
tersembunyi diantara layar masukan dan keluaran.
Meskipun penggunaan lebih dari satu layar tersembunyi
memiliki kelebihan manfaat untuk beberapa kasus, tapi
pelatihannya memerlukan waktu yang lama. Maka
umumnya orang mulai mencoba dengan sebuah layar
tersembunyi lebih dahulu.
Seperti halnya model JST lain, backpropagation
melatih jaringan untuk mendapatkan keseimbangan
antara kemampuan jaringan untuk mengenali pola yang
digunakan selama pelatihan serta kemampuan jaringan
untuk memberikan respon yang benar terhadap pola
Jaringan Syaraf Tiruan Backpropagation (Neural
Network Backpropagation)
Neural Network atau yang biasa disebut dengan
Jaringan Syaraf Tiruan (JST) atau adalah suatu sistem
pemrosesan informasi yang mempunyai karakteristik
menyerupai jaringan syaraf biologi. Ide dasarnya
adalah mengadopsi cara kerja otak manusia yang
memiliki ciri – ciri pararel processing, processing
element dalam jumlah besar dan fault tolerance
(Setiabudi, 2015).
Sebuah fitur penting dari Artificial Neural Network
(ANN) adalah kemampuan untuk epeajari data yang
kompleks. Untuk beban peramalan, pertama hubungan
39
Jurnal Teknik Elektro. Volume 05 Nomor 03 Tahun 2016, 0 - 47
masukan yang serupa (tapi tidak sama) dengan pola yang
dipakai selama pelatihan.
Backpropagation
merupakan
algoritma
pembelajaran yang terawasi dan biasanya digunakan oleh
perceptron dengan banyak lapisan untuk mengubah
bobot-bobot yang terhubung dengan neuron-neuron yang
ada
pada
lapisan
tersembunyinya.
Algoritma
backpropagation menggunakan error output untuk
mengubah niai bobot-bobotnya dalah arah mundur
(backward). Untuk mendapatkan error ini , tahap
perambatan maju (forward propagation) harus dierjakan
terlebih dahulu (Kusumadewi, 2004).
Secara garis besar, mengapa algoritma ini disebut
sebagai propagasi balik, karena ketika JST diberikan pola
masukan sebagai pola pelatihan maka pola tersebut
menuju ke unit-unit pada lapis tersembunyi untuk
diteruskan ke unit-unit lapis keluaran. Kemudian unitunit lapis keluaran memberikan tanggapan yang disebut
sebagai keluaran JST. Saat keluaran JST tidak sama
dengan keluaran yang diharapkan maka keluaran akan
disebarkan mundur (backward) pada lapis tersembunyi
diteruskan ke unit pada lapis masukan. Oleh karenanya
maka mekanisme pelatihan tersebut dinamakan
backpropagation (propagasi balik) (Purnomo dan
Kurniawan, 2006).
Tahap pelatihan ini merupakan langkah untuk
melatih suatu JST, yaitu dengan cara melakukan
perubahan penimbang (sambungan antar lapis yang
membentuk JST melalui masing-masing unitnya).
Sedangkan penyelesaian masalah, akan dilakukan jika
proses peltihan tersebut telah selesai, fase ini disebut
sebagai fase mapping atau proses pengujian/testing
(Purnomo dan Kurniawan, 2006).
Arsitektur Backpropagation
Backpropagation memiliki beberapa unit yang ada
dalam satu atau lebih layar tersembunyi (hidden layer).
Gambar 2.1 adalah arsitektur backpropagation dengan n
buah masukan (ditambah sebuah bias), sebuah layar
tersembunyi yang terdiri dari p unit (ditambah sebuah
bias), serta m unit keluaran.
Vji merupakan bobot garis dari unit masukan xi ke
unit layar tersembnyi zj (vj0 merupakan bobot garis yang
menghubungkan bias di unit masukan ke unit layar
tersembunyi zj). Wkj merupakan bobot dari unit layar
tersembunyi zj ke unit keluaran yk (wk0 merupakan bobot
dari bias di layar tersembunyi ke unit keluaran zk).
Gambar 1. Arsitektur Backpropagation
Fungsi Aktivasi Backpropagation
Dalam backpropagation, fungsi aktivasi yang
dipakai harus memenuhi beberapa syarat yaitu: kontinu,
terdiferensial dengan mudah dan merupakan fungsi yang
tidak turun. Salah satu fungsi yang memenuhi ketiga
syarat tersebut sehingga sering dipakai adalah fungsi
sigmoid biner yang memiliki range (0, 1).
f(x) =
.................................................................(1)
dengan turunan
f’(x) = f (x) ( 1 – f (x)) ...................................................(2)
Grafik fungsinya tampak pada gambar 2
Gambar 2. Grafik Fungsi Sigmoid Biner
Fungsi lain yang sering dipakai adalah fungsi
sigmoid bipolar yang bentuk fungsinya mirip dengan
fungsi sigmoid biner, tapi dengan range (-1, 1).
f(x) =
− 1 ..........................................................(3)
dengan turunan
f ’(x) =
( )
( )
.............................................(4)
Grafik fungsinya tampak pada gambar 3
Gambar 3. Grafik Fungsi Sigmoid Bipolar
Peramalan Beban Listrik Jangka Panjang
Fungsi sigmoid memiliki nilai maksimum =1. Maka
untuk pola yang targetnya >1, pola masukan dan keluaran
harus terlebih dahulu ditransformasikan sehingga semua
polanya memiliki range yang sama seperti fungsi sigmoid
yang dipakai. Alternatif lain adalah menggunakan fungsi
aktivasi sigmoid hanya pada layar yang bukanlayar
keluaran. Pada layar keluaran, fungsi aktivasi yang
dipakai adalah fungsi identitas: f(x) = x.
yang berhubungan langsung dengan unit masukan
dihitung.
3) Fase III : Perubahan Bobot
Setelah semua faktor δ dihitung, bobot semua
garis dimodifikasi bersamaan. Perubahan bobot suatu
garis didasarkan atas faktor δ neuron di layar atasnya.
Sebagai contoh, perubahan bobot garis yang menuju
ke layar keluaran didasarkan atas δk yang ada di unit
keluaran.
Ketiga fase tersebut diulang-ulang terus hingga
kondisi penghentian yang sering dipakai adalah jumlah
iterasi atau kesalahan
Pelatihan Standar Backpropagation
Pelatihan Backpropagation meliputi 3 fase. Fase
pertama adalah fase maju. Pola masukan dihitung maju
mulai dari layar masukan hingga layar keluaran
menggunakan fungsi aktivasi yaditentukan. Fase kedua
adalah fase mundur. Selisih antara keluaran jaringan
dengan target yang diinginkan merupakan kesalahan
yang terjadi. Kesalahan tersebut dipropagasikan mundur,
dimulai dari garis yang berhubungan langsung dengan
unit-unit di layar keluaran. Fase ketiga adalah modifikasi
bobot untuk menurunkan kesalahan yang terjadi.
1) Fase I : Propagasi Maju
Selama propagasi maju, sinyal masukan (= xi)
dipropagasikan ke layar tersembunyi menggunakan
fungsi aktivasi yang ditentukan. Keluaran dari setiap
unit layar tersembunyi (= zj) tersebut selanjutnya
dipropagasikan maju lagi ke layar tersembunyi di
atasnya menggunakan fungsi lagi ke layar
tersembunyi di atasnya menggunakan fungsi aktivasi
yang ditentukan. Demikian seterusnya hingga
menghasilkan keluaran jaringan (= yk).
Berikutnya,
keluaran
jaringan
(=yk)
dibandingkan dengan target yang harus tercapai (= tk).
Selisih tk–yk adalah kesalahan yang terjadi. Jika
kesalahan ini lebih kecil dari batas toleransi yang
ditentukan, maka iterasi dihentikan. Akan tetapi
apabila kesalahan masih lebih besar dari batas
toleransinya, maka bobot setiap garis dalam jaringan
akan dimodifikasi untuk mengurangi kesalahan yang
terjadi.
2) Fase II : Propagasi Mundur
Berdasarkan kesalahan tk – yk, dihitung faktor δk
(k = 1, 2, ... , m) yang dipakai untuk mendistribusikan
kesalahan di unit yk ke semua unit tersebut yang
terhubung langsung dengan yk. δk juga dipakai untuk
mengubah bobot garis yang berhubungan langsung
dengan unit keluaran.
Dengan cara yang sama, dihitung faktor δj di
setiap unit di layar tersembunyi sebagai dasar
perubahan obot semua garis yang berasal dari unit
tersembunyi di layar di bawahnya. Demikian
seterusnya hinga semua faktor δ di unit tersembunyi
METODE PENELITIAN
Penelitian ini mengembangkan model peramalan
beban listrik jangka panjang pada setiap satuan
PLN/Provinsi di Indonesia. Tahapan perancangan
penelitian secara garis besar di jelaskan dalam gambar 4.
Mulai
Studi Literatur
Pengambilan Data
Analisis Data
Desain Sistem
Konfigurasi Neural Network
Training
Testing
Produk
Selesai
Gambar 4. Flowchart Metode Penelitian
Gambar 4 merupakan suatu flowchart yang
menjelaskan metode penelitian pada peramalan beban
listrik jangka panjang. Penjelasan dari flowchart adalah
sebagai berikut:
1. Mulai
Membuat proposal penelitian
2. Studi Literatur
Mencari referensi melalui buku dan jurnal penelitian
3. Pengambilan Data
Data didapatkan dari:
41
Jurnal Teknik Elektro. Volume 05 Nomor 03 Tahun 2016, 0 - 47
4.
5.
6.
7.
8.
a) RUPTL PT. PLN tahun 2009-2018, 2010-2019,
2011-2020, 2013-2022 dan 2015-2024
b) Statistik PT.PLN tahun 2009, 2010, 2011, 2012,
2013 dan 2014
Analisis Data
Menganalisis data yang akan di gunakan untuk
peramalan beban.
a) Data beban listrik tahunan dengan satuan TWh
b) Data persentase (%) energi terjual di setiap satuan
PLN/provinsi.
c) Data beban listrik dan data persentase energi
terjual di setiap satuan PLN/provinsi yang akan
digunakan merupakan data historis.
d) Data akan dibagi menjadi dua bagian, yaitu data
pelatihan (training) dan data pengujian (testing).
e) Data yang akan diramal ada dua, yaitu data beban
listrik seluruh Indonesia dan data persentase
energi terjual di setiap satuan PLN/provinsi
Desain Sistem
a) Perancangan flowchart metode penelitian
b) Perancangan flowchart training neural network
c) Perancangan flowchart testing neural network
Konfigurasi Neural Network
a) Membangun
jaringan
neural
network
backpropagation menggunakan bantuan software.
b) Inialisasi
awal
jaingan
neural
network
backpropagation menggunakan bantuan software.
Training
Tujuan dari pelatihan (training) adalah untuk
melakukan
proses
pembelajaran
dengan
backpropagation untuk menentukan nilai bobot baru.
Data input dan data output dilatih untuk mendapatkan
suatu nilai bobot baru.
Parameter yang diperhatikan dalam inisialisasi
jaringan pada jaringan adalah:
a) Maksimum error
b) Toleransi error
c) Menentukan fungsi aktivasi
d) Menentukan iterasi (epoch)
e) Menentukan hidden layer dan output layer
f) Menentukan fungsi pelatihan jaringan
g) Menentukan learning rate
Semua tahapan pelatihan (training) ini akan
dilakukan berulang-ulang untuk mendapatkan bobot
terbaik dengan error terkecil. Bobot terbaik tersebut
akan digunakan untuk melakukan pengujian (testing).
Testing
Proses pengujian (testing) adalah proses
melakukan tes pembelajaran dengan menggunakan
bobot terlatih untuk melakukan peramalan. Dalam
proses pengujian ada dua data yang diuji, yaitu data
beban listrik seluruh Indonesia dan data persentase
energi terjual di setiap satuan PLN/Provinsi.
9. Produk
Produk penelitan ini adalah data peramalan
beban listrik setiap satuan PLN/Provinsi di Indonesia
untuk tahun 2015 hingga tahun 2024. Peramalan
beban listrik setiap satuan PLN/Provinsi didapatkan
dari peramalan beban listrik seluruh Indonesia dan
dikalikan dengan data peramalan persentase konsumsi
energi listrik setiap satuan PLN/Provinsi. Lalu produk
akan dibandingkan dengan peramalan beban yang ada
pada RUPTL PLN 2015-2024.
Peramalan
Beban
Listrik
Indonesia
(TWh)
Peramalan
Persentase
Energi Terjual
Setiap Satuan
PLN/Provinsi
(%)
Peramalan
Beban Listrik
Setiap Satuan
PLN/Provinsi
(TWh)
Gambar 5 Skema Pencarian Hasil Peramalan
Gambar 5 merupakan suatu flowchart yang
menjelaskan skema pencarian hasil peramalan. Hasil
peramalan beban listrik Indonesia akan dikalikan
dengan hasil peramalan persentase energi terjual
setiap satuan PLN/provinsi untuk menghasilkan
peramalan beban listrik setiap satuan PLN/provinsi.
10. Selesai
Melakukan cetak hasil
HASIL DAN PEMBAHASAN
Peramalan Beban Listrik Indonesia
Tabel 1 merupakan inialisasi yang digunakan dalam
peramalan beban listrik Indonesia. Inialisasi ini
digunakan dalam proses training neural network
backpropagation peramalan beban listrik Indonesia.
Tabel 1. Arsitektur Jaringan Peramalan Beban Listrik
Indonesia
Arsitektur Jaringan Neural Network Peramalan
Beban Listrik Indonesia
Jumlah Layer
Neuron Layer ke-1
Neuron Layer ke-2
Fungsi Layer ke-1
Fungsi Layer ke-2
Fungsi Pelatihan
Maksimum Epoch
Target Error (MSE)
Learning Rate
Momentum
:2
:5
:1
: tansig
: purelin
: traingdx
: 500
: 0,001
: 0,01
: 0,08
Peramalan Beban Listrik Jangka Panjang
peramalan beban listrik Indonesia, apakah baik (sesuai
target) atau tidak (tidak mencapai target). MSE mencapai
target error pada epoch 260 dengan MSE 0,00096175.
Gambar 6. Training Neural Network Backpropagation
Peramalan Beban Listrik Indonesia
Gambar 8. Plot Training State Peramalan Beban Listrik
Indonesia
Gambar 6 merupakan tampilan utama proses
training pada program neural network backpropagation
peramalan beban listrik Indonesia. Gambar 6
menunjukkan arsitektur jaringan dan konfigurasi yang
digunakan dalam proses training program neural network
backpropagation dalam peramalan beban listrik
Indonesia. Dalam gambar tersebut juga menunjukkan
hasil training dengan performance 0,000962. Hasil
training telah mencapai target error yaitu sebesar 0,001.
Target error telah tercapai dalam 260 iterasi dengan
waktu 7 detik.
Gambar 8 merupakan tampilan grafik perubahan
gradient, jumlah validation checks dan perubahan
learning rate pada proses training pada program neural
network backpropagation peramalan beban listrik
Indonesia. Grafik terhenti pada epoch 260 karena pada
epoch 260 target error proses training telah tercapai.
Gradient 0,017157 pada epoch 260, validation checks 0
pada epoch 260 dan learning rate 0,30019 pada epoch
260. Valiation check menunjukkan nilai 0, menunjukkan
bahwa tidak ada kesalahan pada proses training dan
semua data dapat dilatih dengan baik oleh neural network
backpropagation.
Gambar 7. Plot Performance Training Peramalan Beban
Listrik Indonesia
Gambar 9. Plot Regression Training Peramalan Beban
Listrik Indonesia
Gambar 7 merupakan tampilan grafik performa
proses training pada program neural network
backpropagation peramalan beban listrik Indonesia.
Dalam gambar 7 menunjukkan penurunan MSE (Mean
Squared Error). MSE digunakan sebagai acuan performa
training program neural network backpropagation dalam
Gambar 9 merupakan tampilan grafik regresi proses
training pada program neural network backpropagation
peramalan beban listrik Indonesia. Dalam gambar 9
menunjukkan hubungan output pada proses training
43
Jurnal Teknik Elektro. Volume 05 Nomor 03 Tahun 2016, 0 - 47
dengan target. Pada gambar 9 terlihat bahwa perbedaan
output dengan target sangat kecil. Tingkat keakuratan
ouput dengan target ditunjukkan dengan nilai R yang
sebesar 0,99891. Nilai R yang hampir mencapai nilai 1
menunjukkan bahwa proses training berjalan dengan
sangat baik, dengan nilai error sebesar 0,00109.
Gambar 10. Plot Hasil Pengujian (Testing) Peramalan
Beban Listrik Indonesia
Gambar 10 merupakan tampilan grafik hasil proses
pengujian (testing) pada program neural network
backpropagation peramalan beban listrik Indonesia.
Dalam gambar 10 menunjukkan hubungan output pada
proses testing dengan target. Pada gambar 10 terlihat
bahwa perbedaan output dengan target sangat kecil. Hasil
pengujian tidak jauh berbeda dengan target. Perbedaan
besar terlihat pada data ke-6 hingga ke-9.
Peramalan Persentase Energi Terjual Provinsi
D.I. Yogyakarta
Tabel 3. Arsitektur Jaringan Peramalan Persentase Energi
Terjual Provinsi D.I. Yogyakarta
Arsitektur Jaringan Neural Network Peramalan
Persentase Energi Terjual D.I Yogyakarta
Jumlah Layer
:2
Neuron Layer ke-1
:5
Neuron Layer ke-2
:1
Fungsi Layer ke-1
: tansig
Fungsi Layer ke-2
: purelin
Fungsi Pelatihan
: traingdx
Maksimum Epoch
: 500
Target Error (MSE)
: 0,001
Learning Rate
: 0,01
Momentum
: 0,5
Tabel 3 merupakan inialisasi yang digunakan dalam
peramalan beban listrik Indonesia. Inialisasi ini
digunakan dalam proses training neural network
backpropagation peramalan persentase penjualan energi
listrik Provinsi D.I. Yogyakarta.
Tabel 2. Hasil Peramalan Beban Listrik Indonesia
Tahun
2015
2016
2017
Hasil Peramalan Beban
Listrik
Indonesia (TWh)
222,3940
MSE
237,7107
257,6654
2018
2019
279,1297
313,0650
2020
2021
353,6494
386,2575
2022
417,4053
2023
2024
445,2303
464,0250
0,00096175
Tabel 2 merupakan tabel hasil peramalan beban listrik
Indonesia dari tahun 2015 hingga tahun 2024 dengan
menggunakan metode neural network backpropagation.
Peramalan beban listrik Indonesia ini menghasilkan nilai
MSE (Mean Squared Error) sebesar 0,00096175.
Gambar 11. Training Neural Network Backpropagation
Peramalan Persentase Energi Terjual Provinsi
D.I. Yogyakarta
Gambar 11 merupakan tampilan utama proses
training pada program neural network backpropagation
peramalan persentase energi terjual Provinsi D.I.
Yogyakarta. Dalam gambar 11 menunjukkan hasil
training dengan performance 0,000698. Hasil training
telah mencapai target error yaitu sebesar 0,001. Target
error telah tercapai dalam 45 iterasi dengan waktu 1
detik.
Peramalan Beban Listrik Jangka Panjang
Gambar 14. Plot Regression Training Peramalan
Persentase Energi Terjual Provinsi D.I. Yogyakarta
Gambar 12. Plot Performance Training Peramalan
Persentase Energi Terjual Provinsi D.I. Yogyakarta
Gambar 14 merupakan tampilan grafik regresi
proses training pada program neural network
backpropagation peramalan persentase energi terjual
Provinsi D.I. Yogyakarta. Pada gambar 14 terlihat
bahwa perbedaan output dengan target sangat
kecil. Tingkat keakuratan ouput dengan target
ditunjukkan dengan nilai R yang sebesar 0,99997.
Nilai R yang hampir mencapai nilai 1 menunjukkan
bahwa proses training berjalan dengan sangat baik,
dengan nilai error sebesar 0,00003.
Gambar 12 merupakan tampilan grafik performa
proses training pada program neural network
backpropagation peramalan persentase energi terjual D.I.
Yogyakarta. Dalam gambar 12 menunjukkan penurunan
MSE (Mean Squared Error). MSE digunakan sebagai
acuan performa training program neural network
backpropagation dalam peramalan, apakah baik (sesuai
target) atau tidak (tidak mencapai target). MSE mencapai
target error pada epoch 45 dengan MSE 0,00069802.
Gambar 13. Plot Training State Peramalan Persentase
Energi Terjual Provinsi D.I. Yogyakarta
Gambar 15. Plot Hasil Pengujian (Testing) Peramalan
Persentase Energi Provinsi D.I. Yogyakarta
Gambar 13 merupakan tampilan grafik perubahan
gradient, jumlah validation checks dan perubahan
learning rate pada proses training pada program neural
network backpropagation peramalan persentase energi
terjual Provinsi D.I. Yogyakarta. Grafik terhenti pada
epoch 45 karena pada epoch 45 target error proses
training telah tercapai. Gradient 0,05497, validation
checks 0 dan learning rate 0,08985 pada epoch 45.
Gambar 15 merupakan tampilan grafik hasil
proses pengujian (testing) pada program neural
network backpropagation peramalan persentase energi
terjual Provinsi D.I. Yogyakarta. Dalam gambar 15
menunjukkan hubungan output pada proses testing
dengan target.
45
Jurnal Teknik Elektro. Volume 05 Nomor 03 Tahun 2016, 0 - 47
Tabel 4. Hasil Peramalan Persentase Energi Terjual
Provinsi D.I. Yogyakarta
Tahun
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
Hasil Peramalan
Persentase Penjualan
Energi Listrik Provinsi
D.I. Yogyakarta (TWh)
1,1915
1,1879
1,1595
1,1889
1,1783
1,1595
1,1879
1,1786
1,1707
1,1919
MSE
0,00069802
Tabel 4 merupakan tabel hasil peramalan persentase
energi terjual Provinsi D.I. Yogyakarta dari tahun 2015
hingga tahun 2024 dengan menggunakan metode neural
network backpropagation. Peramalan ini menghasilkan
nilai MSE (Mean Squared Error) sebesar 0,00069802.
Peramalan Beban Listrik Provinsi D.I. Yogyakarta
Setelah didapatkan hasil peramalan beban listrik
Indonesia dan peramalan persentase energi terjual
Provinsi D.I. Yogyakarta, langkah selanjutnya adalah
mencari peramalan beban listrik Provinsi D.I.
Yogyakarta.
Tabel 6. Hasil Perbandingan Peramalan Beban LIstrik
Provinsi D.I.Yogyakarta
RUPTL
Neural
Perbedaan Ratarata
Thn
PLN
Network
Data
(TWh)
(TWh)
(%)
(%)
3,836
2015
2,552
2,649862
3,247
2016
2,735
2,823757
1,650
2017
2,939
2,987506
2018
2019
3,161
3,400
3,318481
3,688984
4,983
8,500
2020
3,651
4,100394
2021
2022
3,918
4,203
4,588339
4,919639
12,309
17,108
2023
2024
4,507
4,831
5,212470
5,530744
9,882
17,050
15,653
14,484
Tabel 6 merupakan perbandingan peramalan beban
listrik pada Provinsi D.I Yogyakarta dari mulai tahun
2015 hingga tahun 2024. Perbedaan data terendah antara
NN dengan RUPTL terjadi pada tahun 2017 sebesar
0,0485TWh atau sebesar 1,6502% dari RUPTL.
Perbedaan data tertinggi antara NN dengan RUPTL terjadi
pada tahun 2022 sebesar
0,7166TWh atau sebesar
17,0497% dari RUPTL. Rata-rata perbedaan data
peramalan NN dengan data peramalan RUPTL sebesar
9,8820%. Hasil peramalan NN rata-rata lebih tinggi
dibandingkan dengan RUPTL karena perbedaan data
menghasilkan nilai positif(+).
Tabel 5. Hasil Peramalan Beban LIstrik Provinsi
D.I. Yogyakarta
2015
2016
2,6498617
2,823757
10,5761
6,1583
2017
2018
2,9875055
3,3184809
5,4811
9,9737
2019
3,6889835
2020
2021
4,1003938
4,5883393
10,0435
10,0334
2022
2023
2024
Rata-Rata
Kelajuan
Data
(%)
8,1007
Perbandingan Peramalan
Provinsi D.I Yogyakarta
6
5
4
3
NN
2
1
0
10,6345
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
Kelajuan
Data
(%)
Energi Terjual (TWh)
Tahun
Hasil
Peramalan
Beban Listrik
(TWh)
4,9196392
5,2124696
6,7342
5,6179
Tahun
5,5307441
5,7546
Tabel 5 merupakan tabel hasil peramalan beban
listrik Provinsi D.I. Yogyakarta dari tahun 2015 hingga
tahun 2024 dengan menggunakan metode neural network
backpropagation. Dengan rata-rata kelajuan data sebesar
8,1007 % tiap tahun.
RUPTL
20152024
Gambar 16. Skema Pencarian Hasil Peramalan
Gambar 16 merupakan grafik perbandingan
peramalan Provinsi D.I Yogyakarta. Data pada grafik
berasal dari tabel 6. Grafik berwarna biru merupakan
hasil peramalan NN dan grafik berwarna merah
merupakan hasil peramalan RUPTL. Grafik NN lebih
Peramalan Beban Listrik Jangka Panjang
Heizer, Jay dan Render, Barry. 2009. Manajemen
Operasi. Edisi 9. Terjemahan Chriswan Sungkono.
Jakarta: Salemba Empat.
Jong Jek Siang. 2009. Jaringan Syaraf Tiruan &
Pemrogramannya
Menggunakan
MATLAB.
Yogyakarta: ANDI.
Ke Zhao, dkk. 2012. “Application of Combination
Forecast Model in The Medium and Long term
Power Forecast”. International Journal of Computer
Science Issues (IJCSI). Vol. 9. No.3.
Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf
Tiruan Menggunakan MATLAB & EXCEL LINK.
Yoyakarta: Graha Ilmu.
Minaye, Emiyamrew dan Matewose, Melaku. 2013.
“Long Term Load Forecasting of Jimma Town for
Sustainble Energy Supply”. International Journal of
Science and Research (IJSR).
Purnomo, Mauridhi Hery dan Kurniawan, Agus. 2006.
Supervised Neural Networks dan Aplikasinya.
Yogyakarta: Penerbit Graha Ilmu.
Putra, Iwan Perdana. 2011. Aplikasi Logika Fuzzy Pada
Peramalan Kebutuhan Energi Listrik Jangka
Panjang Di Provinsi Sumatera Barat. Tugas Akhir
tidak diterbitkan. Padang: PPs Universitas Andalas.
Setiabudi, Dodi. 2015. “Sistem Informasi Peramalan
Beban Listrik Jangka Panjang di Kabupaten Jember
Menggunakan JST Backpropagation”. Jurnal
SMARTICS. Vol. 1 (1).
Sruthi, Ja dan Catherine, R.L. Helen. 2015. “ A Review
on Electrical Load Forecasting in Energy
Management”. International Journal of Innovative
Science, Engineering & Technology (IJISET). Vol.
2. Issues 3.
Yahya, Sofian. 2012. “Fuzzy Logic, Neural Network,
Genetic Algorithm & Knowledge Based Expert
System and Computatioal Intelligence”. Kelompok
Bidang Keahlian Pengendalian Daya & Mesin
Listrik Departemen Teknik Elektro. Bandung:
Politeknik Negeri Bandung.
tinggi, menunjukkan bahwa peramalan NN lebih tinggi
dibandingkan hasil peramalan RUPTL.
Pada gambar 16 menunjukkan bahwa perbedaan data
mulai terlihat semakin besar mulai tahun 2019 dan
perbedaan data terbesar terlihat pada tahun 2022. Pada
tahun 2015 hingga tahun 2018 perbedaan data masih
kecil.
PENUTUP
Simpulan
Dari hasil penelitian peramalan beban listrik jangka
panjang satuan PLN/Provinsi di Indonesia pada sistem
kelistrikan
menggunakan
neural
network
backpropagation dapat disimpulkan sebagai berikut :
Peramalan beban listrik Provinsi D.I, Yogyakarta
menghasilkan rata-rata kelajuan data sebesar 8,1007%
setiap tahunnya. Dengan kelajuan data tertinggi terjadi
pada tahun 2021 yaitu sebesar 10,6345% dan kelajuan
data terendah terjadi pada tahun 2017 yaitu sebesar
5,4811%.
Komparasi hasil peramalan beban listrik
menggunakan neural network backpropagation dengan
hasil peramalan beban listrik oleh RUPTL PT. PLN
2015-2024 menghasilkan rata-rata persentase perbedaan
data sebesar 9,882%. Rata-rata persentase perbedaan data
yang menghasilkan nilai positif (+) menunjukkan
peramalan neural network backpropagation lebih tinggi
dibandingkan dengan RUPTL PT. PLN 2015-2024.
Saran
Penelitian ini hanya menggunakan data historis
tahunan beban listrik Indonesia dan persentase energi
terjual Provinsi Yogyakarta sebagai data acuan untuk
peramalan. Disarankan untuk melanjutkan penelitian
dengan variabel yang mempengaruhi konsumsi energi
listrik
seperti pertumbuhan jumlah penduduk,
pertumbuhan ekonomi dan rasio elektrifikasi.
DAFTAR PUSTAKA
Alawode, Kahinde O dan Oyedeji, Mojeed O. 2013. “A
Comparison of Neural Network Models for Load
Forecasting in Nigerian
Power
System”.
International Journal of Research in Engineering
and Technology (IJRET). Vol.2. No.5.
Hamidie, Kafahri Arya. 2009. “Metode Koefisien Energi
Untuk Peramalan Beban Jangka Pendek Pada
Jaringan Jawa Madura Bali”. Jurnal.
Handoko, Bagus. 2009. “Peramalan Beban Listrik Jangka
Pendek Pada Sistem Kelistrikan Jawa Timur Dan
Bali Menggunakan Fuzzy Time Series”. Jurnal.
Surabaya: Institut Teknologi Sepuluh November
(ITS) Surabaya.
47