Pendukung Keputusan Dalam Penanganan Gangguan Jaringan

Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
199
Pendukung Keputusan Dalam Penanganan Gangguan Jaringan Distribusi Listrik
Menggunakan Neural Network
Oman Somantri*), Mohammad Khambali**), Dody Herdiana***)
*
Teknik Informatika, Politeknik Harapan Bersama Tegal
**
Teknik Listrik, Politeknik Negeri Semarang
***
Teknik Informatika, STMIK Sumedang
*
E-Mail: [email protected], **[email protected], ***[email protected]
Abstrak
Ketepatan dalam mengambil sebuah keputusan yang tepat pada suatu keadaan dimana
perlu sebuah keputusan yang optimal, menjadi sebuah permasalahan yang terkadang
sulit untuk dilakukan. Hampir setiap orang menggunakan intuisi sebagai pola dasar
dalam membuat keputusan. Penanganan sebuah gangguan jaringan distribusi listrik
harus ditangani dengan optimal, hal ini mungkin akan sangat membahayakan bagi
para pekerja dilapangan yang bekerja apabila salah dalam menentukan sebuah
keputusan dalam penanganannya. Model Neural Network
dengan algoritma
backpropagation digunakan sebagai sebuah solusi sebagai pendukung keputusan
untuk dapat mengoptimalkan penanganan gangguan jaringan distribusi listrik. Dengan
menerapkan Jaringan syaraf tiruan menggunakan algoritma backpropagation ternyata
memiliki kemampuan untuk membentuk suatu pola model jaringan terawasi sehingga
dapat diterapkan kedalam proses pengambilan sebuah keputusan. Dari hasil yang
didapatkan setelah dilakukan penelitian ternyata model yang digunakan sekitar 75 %
mengenali data target.
Kata kunci: Backpropagation , Gangguan listrik, Neural Network, Pendukung
keputusan
1. PENDAHULUAN
Dalam Peraturan Pemerintah PP
Republik Indonesia No.3 tahun 2005 Pasal
21 tentang keselamatan ketenagalistrikan
isinya mengatakan bahwa setiap usaha
peyediaan tenaga listrik wajib memenuhi
ketentuan
mengenai
keselamatan
ketenagalistrikan yang meliputi standarisasi,
pengamanan instalasi tenaga listrik dan
pengamanan pemanfaat tenaga listrik, untuk
mewujudkankonsidi andaldan aman bagi
instalasi dan kondisi akarab lingkungan serta
tersertifikasi.
Menurut
undang-undang
Republik
Indonesia
mengenai
ketenagalistrikan
bahwa
keselamatan
ketenagalistrikan adalah segala upaya atau
langkah-langkah
pengamanan
instalasi
tenaga listrik dan pengamanan pemanfaat
tenaga listrik untuk mewujudkan kondisi
andal bagi instalasi dan kondisi aman dari
bahaya bagi manusia, serta kondisi akrab
lingkungan atau ramah lingkungan di sekitar
instalasi tenaga listrik [1].
ISBN: 979-26-0280-1
Terkait dengan keamanan instalasi
listrik, sebuah perusahaan besar PT. PLN
yang
hampir
seluruh
kegiatannya
berkecimpung dalam penyediaan tenaga
listrik sangat berkepentingan menerapkan
sistem dan peraturan yang telah ditetapkan
oleh pemerintah tersebut, mengingat begitu
pentingnya tujuan utama diberlakukannya
peraturan tersebut bagi perusahaan dan
keselamatan para pekerja yang bekerja pada
perusahaan. Keselamatan instalasi adalah
upaya untuk mewujudkan kondisi andal dan
aman bagi instalasi, dengan memberikan
perlindungan, pencegahan dan pengamanan
terhadap terjadinya gangguan dan kerusakan
yang mengakibatkan instalasi tidak dapat
berfungsi secara normal dan atau tidak dapat
beroperasi [2].
Gangguan
dan
kerusakan
yang
mengakibatkan
terjadinya
gangguan
permasalahan distribusi listrik merupakan
sebuah kendala yang harus dihadapi oleh
setiap perusahaan penyedia energi listrik
pada saat menjalankan setiap pengoperasian
200
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
sistem ketenagalistrikan. Ketepatan dalam
mendapatkan sebuah jawaban penyebab
gangguan distribusi listrik menjadi sebuah
prioritas yang harus dilakukan, hal ini
mengingat bahwa kesalahan yang dilakukan
dalam menyimpulkan penyebab gangguan
distribusi
serta
penanganannya
akan
mengakibatkan
ketidaktepatan
dalam
mengatasi gangguan sistem yang dihadapi,
tidak
menutup
kemungkinan
akan
mengakibatkan adanya kesalahan dalam
pengerjaan penanganan gangguan yang
mengakibatkan adanya kecelakaan kerja.
Penelitian dalam menangani gangguan
jaringan listrik sebelumnya telah dilakukan
oleh E.A.
Mohamed
(1995)
yaitu
menerapkan
neural
network
sebagai
pendiagnosa kesalahan sistem distribusi
energi listrik penyulang feeder yaitu low
impedance faults (LIFs) dan High impedance
faults (HIFs) [3]. Penelitian lain dilakukan
oleh S.R. Samantaray, dkk (2006) mengenai
klasifikasi kesalahan jaringan listrik dengan
menggunakan HS transform dan Radial Basis
Function Neural Network (RBFNN) [4].
Inigo Mondero, dkk (2007) dalam
penelitiannya menerapkan neural network
untuk mengklasifikasikan gangguan listrik
secara real time, pada penelitian ini dibangun
sebuah detektor real-time untuk dapat
mengklasifikasikan gangguan listrik [5].
Tahun 2012, A.H.A. Bakar, dkk meneliti
mengenai studi penerapan aplikasi relay
proteksi untuk arus lebih (overcurrent) dan
gangguan arus tanah (earth-fault), dari hasil
penelitiannya disimpulkan bahwa aplikasi
yang dibuat sebagai aplikasi relay proteksi
arus lebih dan gangguan arus tanah dapat
digunakan dengan baik dalam memproteksi
gangguan feeder [6].
Pada penelitian ini optimalisasi dalam
penanganan gangguan jaringan distribusi
listrik diimplementasikan kedalam sebuah
model sistem dengan menerapkan neural
network
menggunakan
algoritma
backpropagation
dan
terfokus
pada
klasifikasi untuk menentukan apakah
penanganan gangguan jaringan distribusi
listrik tersebut perlu dilakukan lokalisir atau
tidak dilokalisir, sehingga dapat dijadikan
sebagai sebuah pendukung keputusan dalam
penanganan yang dilakukan menjadi lebih
efektif dan efisien serta lebih optimal.
ISBN: 979-26-0280-1
2. TINJAUAN PUSTAKA
2.1 Tinjauan Studi
Studi
penelitian
terkait
dengan
penanganan gangguan listrik telah dilakukan
oleh
beberapa
peneliti
sebelumnya.
Penelitian
dilakukan
oleh
Amitava
Chatterjee, Madhubanti Maitra dan Swapan
Kumar Goswami pada tahun 2009 untuk
mengklasifikasikan gangguan overcurrent
(arus lebih ) dan inrush current untuk
kehandalan sistem menggunakan Slantlet
transform dan artificial neural network.
Hasil dari penelitian ini memperlihatkan
bahwa BPNN (Backpropagation Neural
network) dapat meningkatkan performance
ST (Slantlet transform) sebagai alat feature
extracting pada klasifikasi gangguan listrik
feeder [7].
Tahun tahun 2013, J. Zhang, dkk
melakukan penelitian menerapkan ANFIS
digunakan
untuk
pendekatan
mengklasifikasikan gangguan kesalahan pada
sistem distribusi tenaga listrik. Pada
penelitian ini ANFIS digunakan untuk
mengklasifikasikan 10 tipe kesalahan shortcircuit jaringan listrik yaitu phasa AG,
BG,CG,ABG, ACG, BCG, ABC/ABCG, AB,
AC dan BC [8]. Penelitian dilakukan oleh
Xiangtian Deng, dkk (2015), mengenai
penggunaan SVM dalam menanggulangi
kesalahan lokasi dalam jaringan distribusi
listrik. Pada penelitian ini SVM digunakan
untuk mencari letak kesalahan dalam singlephase grounding (SPG) yang terjadi dalam
dua topologi jaringan yang berbeda [9].
Berdasarkan pada penelitian yang telah
disebutkan, penggunaan model algoritma
neural
network
dilakukan
untuk
mengklasifikasi sebuah fault kesalahan
dalam jaringan distribusi feeder listrik dan
terfokus pada gangguan yang terjadi akibat
dari gangguan antar phasa jaringan listrik
baik itu phasa R, S, T serta G (Ground).
Penelitian yang telah disebutkan belum
menyentuh kepada klasifikasi sebuah
keputusan dari jenis gangguan yang terjadi,
seperti dilakukan lokalisir jaringan atau tidak
perlu dilakukan dengan mempertimbangkan
beberapa variabel yang ada, maka penelitian
ini berfokus pada sebuah klasifikasi dalam
menentukan sebuah pendukung keputusan
dalam melakukan lokalisasi jaringan
distribusi listrik dilakukan dan tentunya
dengan
menerapkan
algoritma
201
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
backpropagation neural network sebagai
model yang digunakan.
2.2 Tujuan Penelitian
Tujuan dari penelitian ini adalah
memperoleh sebuah model yang tepat dalam
menentukan prediksi klasifikasi sebuah
keputusan dalam penanganan gangguan
feeder beban listrik sehingga keputusan yang
diambil menjadi lebih tepat dan mendapatkan
tingkat akurasi prediksi lebih baik.
2.3 Neural Network
Neural Network (NN) atau disebut juga
dengan Jaringan Saraf Tiruan (JST)
merupakan upaya untuk meniru fungsi otak
manusia. Otak manusia diyakini terdiri dari
jutaan unit pengolahan kecil yang bekerja
secara paralel, yang disebut neuron. Neuron
saling terhubung satu sama lain melalui
koneksi neuron. Setiap individu neuron
mengambil input dari satu set neuron. Hal ini
kemudian memproses input tersebut dan
melewati output untuk satu set neuron.
Output dikumpulkan oleh neuron lain untuk
diproses lebih lanjut [10].
Algoritma backpropagation adalah
sebuah metode yang sistematik untuk
pelatihan multilayer jaringan syaraf tiruan.
Algoritma backpropagation menggunakan
error output untuk mengubah nilai bobotbobotnya dalam arah mundur (backward)
[11].
3. METODE PENELITIAN
3.1 Dataset
Dataset yang digunakan adalah data
gangguan beban feeder distribusi listrik pada
perusahaan PT.PLN persero distribusi Jabar
dan Banten Gardu Induk sisi 20 KV GI
Parakan Kondang Sumedang yang diambil
selama 3 bulan yaitu mulai bulan Oktober
sampai dengan bulan Desember 2010.
Atribut yang digunakan pada penelitian ini
diantaranya arus beban keluar, relay kerja,
arus gangguan, cuaca, dan action (Tabel 1).
Tabel 1. Dataset gangguan feeder
9
OC
Arus
ganggua
n
1245
12
OC-M
477
Cerah
99
33
GF
GF
0
315
Cerah
Hujan
A
Out
Relay
Kerja
ISBN: 979-26-0280-1
Cuac
a
Hujan
action
lokalisi
r
lokalisi
r
Close
Close
12
12
21
21
OC-M
OC-M
GF
OC-M
408
372
234
432
Cerah
Cerah
Hujan
Cerah
12
OC-M
444
Hujan
15
12
OC-M
OC-M
657
489
Cerah
Hujan
15
OC-M
658
Cerah
12
3
OC-M
OC-M
540
0
Hujan
Cerah
12
6
OC-M
OC-M
457
535
Cerah
Hujan
Close
Close
Close
lokalisi
r
lokalisi
r
Close
lokalisi
r
lokalisi
r
Close
lokalisi
r
Close
lokalisi
r
Sebelum
dimasukan
kedalam
pemrosesan pada model, dilakukan terlebih
dahulu tahapan preprocessing data. Pada
tahapan ini dilakukan normaliasi data dimana
nilai record data dijadikan nilainya menjadi
bilangan 1 dan 0 (Tabel 2).
Tabel 2. Ketentuan nilai atribut
Atribut
A Out
Relay Kerja
Arus
gangguan
Cuaca
action
Rentang nilai
0 – 15
16 – 100
OC, GF
OC M, GF M
0 – 250
251 – 1000
Cerah
Hujan
Lokalisir
Close
Nilai
0
1
0
1
0
1
0
1
0
1
Tabel 3. Dataset hasil preprocessing
A Out
0
0
1
1
0
0
1
1
0
0
0
0
0
0
0
0
Relay
Kerja
0
1
0
0
1
1
0
1
1
1
1
1
1
1
1
1
Arus
gangguan
1
1
0
1
1
1
0
1
1
1
1
1
1
0
1
1
Cuaca
action
1
0
0
1
0
0
1
0
1
0
1
0
1
0
0
1
0
0
1
1
1
1
1
0
0
1
0
0
1
0
1
0
202
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
3.2 Metode Yang diusulkan
Metode
yang
diusulkan
adalah
menerapkan neural network algoritma
backpropagation sebagai model yang
digunakan
untuk
klasifikasi
sebagai
pendukung keputusan dalam menentukan
tindakan penanganan gangguan penyulang
distribusi listrik dan di komparasi hasilnya
dengan model lain sehingga menghasilkan
model dengan tingkat akurasi data terbaik
(Gambar 1).
Negative
(TP)
False
Positive
(FP)
True Negative
(TN)
Persamaan perhitungan yang digunakan
[12] adalah sebagai berikut :
TP  TN
(1)
Accuracy 
TP  FN  FP  TN
4. HASIL DAN PEMBAHASAN
Penelitian yang dilakukan menggunakan
komputer dengan spesifikasi processor CPU
Intel Core i5 2.67 GHz, RAM 4 GB, serta
sistem operasi Windows 7 Professional 32bit. Aplikasi yang digunakan adalah
RapidMiner 5.3.
Hasil eksperimen yang didapatkan oleh
neural network dengan menggunakan metode
sampling shuffled. Nilai paramater NN di
setting untuk training cycle = 500, learning
rate = 0.5, dan momentum 0.9 kemudian
dibandingkan hasilnya dengan model lain
diantaranya Linear Regresion dan Naive
Bayes sebagai evaluasi dari model yang
diusulkan.
Pada tabel 5 dan gambar 2 diperlihatkan
hasil komparasi tingkat akurasi prediksi dari
model yang diusulkan yaitu Neural network,
Naive Bayes dan linear regression. Dengan
menggunakan Shuffled sampling pada
tahapan evaluasi, maka didapatkan hasil
akurasi ketiga model (Tabel 5).
Tabel 5. Perbandingan LR, NB dan NN
No
Algoritma
Akurasi
1
Linear Regression (LR)
40.00%
2
Naïve Bayes (NB)
50.00%
3
Neural Network (NN)
75.00%
Gambar 1. Metode yang diusulkan
Pada tahap evaluasi dilakukan dengan
memperoleh hasil AUC dan accuracy.
Evaluasi terhadap model dilakukan untuk
mengukur akurasi dengan confusion matrix
(Tabel 4) yang menitik beratkan pada class
secara umum, sedangkan AUC menggunakan
ROC Curve dan validasi dilakukan dengan
menggunakan 10 Fold cross validation.
Tabel 4. Confusion Matrix
Actual
Class
Positive
Predicted Class
Positive
Negative
True
False Negative
Positive
(FN)
ISBN: 979-26-0280-1
Gambar 2. Grafik komparasi LR, NB dn NN
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
5. KESIMPULAN
Penelitian dengan menerapkan Neural
Network yang diusulkan sebagai pendukung
keputusan dalam menentukan penanganan
gangguan feeder distribusi listrik telah
dilakukan untuk mendapatkan sebuah model
yang optimal untuk mendapatkan nilai
akurasi yang lebih baik. Dari hasil ekperimen
yang telah dilakukan terlihat bahwa Neural
network terbukti lebih baik dibandingkan
dengan Linear Regression dan Naïve Bayes
yaitu dimana neural network menghasilkan
tingkat akurasi sebesar 75%.
Meskipun model yang telah dihasilkan
memberikan hasil yang lebih baik tetapi
untuk penelitian selanjutnya
sebaiknya
jumlah record dataset ditambahkan lebih
banyak lagi, sehingga data training yang
digunakan dalam proses training dari model
yang diusulkan bisa menjadi lebih banyak
dan dapat menghasilkan tingkat akurasi
prediksi yang lebih baik lagi. Kemudian
kedepannya diharapkan adanya upaya untuk
optimalisasi peningkatan akurasi.
6. DAFTAR PUSTAKA
[1] Republik Indonesia. 2009. UndangUndang No.30 Tahun 2009 tentang
Ketenagalistrikan, lembaran negara RI
tahun 2000. No.133. Sekretariat negara
Jakarta.
[2] Erhaneli & Riski, A. “Pengaruh
Penambahan Jaringan Terhadap Drop
Tegangan pada SUTM 20 KV Feeder
Kersik Tuo Rayon Rayon Kersik Tuo
Kabupaten Kerincipriyambodo TK”.
Jurnal
Momentum.Vol.15.
No.2.
Agustus 2013.
[3] Mohamed,E.A and Rao, N.D. “Artificial
neural network based fault diagnostic
system for electric power distribution
feeders”. Electric Power Systems
Research 35. (1995). pp.1-10.
ISBN: 979-26-0280-1
203
[4] Samantaray,S.R., Dask, P.K and Panda,
G. “Fault classification and location
using HS-transform and radial basis
function neural network”. Electric
Power
Systems Research. Vol.76.
(2006). pp.897-905.
[5] Monedero, Inigo., Leon,C., Ropero,J.,
Garcia, A., Manuel, J and Montano, J.C.
“Classification of electrical disturbances
in real time using neural network”. IEEE
Transaction on Power Delivery. 2007.
[6] Bakar, A.H.A., Mokhlis, H.A., Illias &
Chong, P.L. “The study of directional
overcurrent relay anda directional earthfault protection application for 33 KV
underground cable system in Malaysia”.
Electrical Power System and Energy
System 40. (2012). pp.113-119.
[7] Chatterjee, A., Maitra, M and Goswami,
S.K. “Classification of overcurrent and
inrush current for power system
reliability using Slantlet transform and
artificial neural network”. Expert
Systems with Applications 36. (2009).
pp.2391-2399.
[8] Zhang, J., He, Z.Y., Lin,S., Zhang, Y.B
and Qian, Q.Q. “An ANFISS-based
fault classification approach in power
distribution system”. Electrical Power
and Energy System 49. (2013). pp.243252.
[9] Deng, X., Yuan, R., Xiao, Z., Li, T and
Liu Wang, K.L. “Fault location in loop
distribution network using SVM
technology”. Electrical Power and
Energy System 65. (2015). Pp.254-261.
[10] Shukla, A., Tiwari, R & Kala, R. Real
Life Application of Soft Computing.
CRC Press. 2010
[11] Kusrini & Luthfi, E.T. (2009).
Algoritma Data Mining. Yogjakarta:
Andi
[12] Gorunescu, F. (2011). Data Mining
Concepts, Models and Techniques.
Verlag Berlin Heidelberg: Springer.