simulasi multi atribut di dasarkan pada agen untuk

SIMULASI MULTI ATRIBUT DI DASARKAN PADA AGEN
UNTUK KEHANDALAN DISTRIBUSI ENERGI LISTRIK
MENGGUNAKAN METODE LVQ
Dodk Arwin Dermawan1, Supeno Mardi1, Mochamad Hariadi1
1
Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Kampus ITS, Keputih-Sukolilo, Surabaya-60111
energi listrik, dimulai dari pembangkit listrik
sampai dengan end user yaitu konsumen sebagai
pengguna listrik. Kualitas energi listrik yang
diterima konsumen sangat dipengaruhi oleh
sistem pendistribusian, oleh karena itu diperlukan
sistem distribusi energi listrik dengan kehandalan
yang tinggi. Kehandalan dalam sistem distribusi
listrik adalah suatu ukuran ketersediaan / tingkat
pelayanan penyediaan tenaga listrik dari sistem ke
pemakai / pelanggan [3]. Tolak ukur kehandalan
dari sistem distribusi listrik adalah seberapa
sering sistem distribusi listrik mengalami
pemadaman, berapa lama pemadaman terjadi dan
berapa cepat waktu yang dibutuhkan untuk
memulihkan kondisi dari pemadaman yang
terjadi. Sistem yang mempunyai kehandalan
tinggi akan mampu memberikan energi listrik
setiap saat dibutuhkan, sedangkan sistem
dikatakan mempunyai keandalan rendah bila
tingkat ketersediaan energi listrik rendah.
Kehandalan yang tinggi pada sistem distribusi
energi listrik di dasarkan pada indikasi titik beban
dan indikasi performansi sistem, yang terdiri dari
Frequency of failures (λ), average duration of a
failure (r), average annual outage time (U) [7].
Didasarkan pada indikasi tersebut, maka untuk
mencapai kehandalan tinggi pada sistem distribusi
energi listrik terdapat beberapa atribut (Multy
Atribut) yang dapat dijadikan pertimbangan
diantaranya indikasi titik beban, SAIFI, dan
SAIDI. Selanjutnya pada Multy Atribut tersebut
diberikan
pelatihan
(learning)
dengan
menggunakan metode LVQ (Learning Vector
Quantization) agar secara otomatis dapat
melakukan klasifikasi terhadap vektor input yang
diberikan. Keunggulan dari metode LVQ adalah
kemampuan metode tersebut untuk memberikan
pelatihan terhadap lapisan – lapisan kompetitif
sehingga
secara
otomatis
dapat
mengklasifikasikan vektor input yang diberikan.
Proses untuk menentukan kehandalan yang
tinggi pada sistem distribusi energi listrik
selanjutnya disimulasikan pada suatu agen. Agen
tersebut dapat membantu menentukan sistem
distribusi lisrik yang memiliki kehandalan tinggi
dengan mempertimbangkan banyak atribut
sehingga kualitas energi listrik yang diterima oleh
konsumen lebih baik. Agen adalah suatu
Abstrak :
Kualitas energi listrik yang diterima oleh
konsumen sangat dipengaruhi oleh sistem
pendistribusiannya, sehingga diperlukan sistem
distribusi energi listrik dengan kehandalan yang
tinggi.
Kehandalan pada sistem distribusi energi
listrik dapat terpenuhi dengan mempertimbangkan
multi atribut, diantaranya indikasi titik beban yang
terdiri dari tingkat kegagalan, rata – rata waktu
keluar, dan rata – rata ketidaktersediaan tahunan.
Untuk indikasi performansi sistem terdiri SAIFI
dan SAIDI, serta metode yang digunakan adalah
LVQ (Learning Vector Quantization). Metode LVQ
merupakan suatu metode untuk melakukan
pelatihan terhadap lapisan – lapisan kompetitif
yang terawasi. Lapisan kompetitif akan belajar
secara otomatis untuk melakukan klasifikasi
terhadap vektor input yang diberikan. Apabila
beberapa vektor input memiliki jarak yang sangat
berdekatan, maka vektor – vektor input tersebut
akan dikelompokkan dalam kelas yang sama.
Pengambilan
keputusan
dengan
mempertimbangkan multi atribut pada sistem
distribusi energi listrik untuk menentukan
kehandalan yang tinggi, disimulasikan pada agen.
Agen adalah suatu komponen atau individu yang
dapat memberikan tanggapan terhadap lingkungan
dengan mempertimbangkan banyak atribut, serta
mampu beradaptasi sehingga dapat membuat
keputusan yang independen.
Penggunaan agen di dalam simulasi untuk
menentukan kehandalan sistem distribusi energi
listrik adalah untuk membantu menvisualisasikan
pendistribusian listrik dalam memenuhi kualitas
energi listrik yang diterima oleh konsumen,
sehingga mempermudah dalam mempelajari
permasalahan yang dihadapi oleh distribusi listrik.
Kata kunci:
Kehandalan
Distribusi
Listrik,
LVQ,
Agen,
I. Pendahuluan
Energi listrik merupakan salah satu kebutuhan
hidup manusia yang mengalami peningkatan
tajam, hal tersebut dikarenakan sebagain besar
energy yang dibutuhkan oleh manusia khususnya
masyarakat modern disuplay dalam bentuk energy
listrik [1].
Proses distribusi listrik merupakan salah satu
rangkaian penting dalam melayani kebutuhan
1
dengan variasi tegangan yang baik. Tetapi bila
terjadi suatu gangguan pada jaringan, sistem
sama sekali tidak bisa melayani beban
tersebut. Jadi perlu diperbaiki terlebih dahulu.
Tentu saja pada sistem ini peralatan-peralatan
pengamannya relatif sangat sedikit jumlahnya.
Kontinyuitas pelayanan, penyaluran jaringan
distribusi tergantung pada jenis dan macam
sarana penyalur dan peralatan pengaman,
dimana sarana penyalur (jaringan distribusi)
mempunyai tingkat kontinyuitas yang
tergantung pada susunan saluran dan cara
pengaturan sistem operasinya, yang pada
hakekatnya direncanakan dan dipilih untuk
memenuhi kebutuhan dan sifat beban. Tingkat
kontinyuitas pelayanan dari sarana penyalur
disusun
berdasarkan
lamanya
upaya
menghidupkan kembali suplai setelah
pemutusan karena gangguan. (SPLN 52,
1983).
komponen atau individu yang dapat memberikan
tanggapan
terhadap
lingkungan
dengan
mempertimbangkan banyak atribut, serta mampu
beradaptasi sehingga dapat membuat keputusan
yang independen.
Tujuan penggunaan simulasi multi atribut di
dasarkan pada agen di dalam proses distribusi
listrik adalah untuk membantu memvisualisasikan
proses pendistribusian listrik dalam memenuhi
kualitas energi listrik yang diterima oleh
konsumen, sehingga mempermudah dalam
mempelajari permasalahan yang dihadapi oleh
distribusi listrik.
II. Atribut Untuk Kehandalan Sistem
Distribusi Listrik
II.1 Kehandalan Sistem Distribusi Listrik
Kehandalan dalam sistem distribusi
adalah suatu ukuran ketersediaan / tingkat
pelayanan penyediaan tenaga listrik dari sistem ke
pemakai. Ukuran keandalan dapat dinyatakan
sebagai seberapa sering sistem mengalami
pemadaman, berapa lama pemadaman terjadi dan
berapa cepat waktu yang dibutuhkan untuk
memulihkan kondisi dari pemadaman yang terjadi
(restoration). Sistem yang mempunyai keandalan
tinggi akan mampu memberikan tenaga listrik
setiap saat dibutuhkan, sedangkan sistem
mempunyai keandalan rendah bila tingkat
ketersediaan tenaganya rendah yaitu sering
padam. Adapun macam – macam tingkatan
keandalan dalam pelayanan dapat dibedakan
menjadi 3 (tiga) hal antara lain :
1. Kehandalan sistem yang tinggi (High
Reliability System). Pada kondisi normal,
sistem akan memberikan kapasitas yang cukup
untuk menyediakan daya pada beban puncak
dengan variasi tegangan yang baik. Dan dalam
keadaan darurat bila terjadi gangguan pada
jaringan, maka sistem ini tentu saja diperlukan
beberapa peralatan dan pengaman yang cukup
banyak untuk menghindarkan adanya berbagai
macam gangguan pada sistem.
2. Kehandalan sistem yang menengah (Medium
Reliability System). Pada kondisi normal
sistem akan memberikan kapasitas yang cukup
untuk menyediakan daya pada beban puncak
dengan variasi tegangan yang baik. Dan dalam
keadaan darurat bila terjadi gangguan pada
jaringan, maka sistem tersebut masih bisa
melayani sebagian dari beban meskipun dalam
kondisi beban puncak. Jadi dalam sistem ini
diperlukan peralatan yang cukup banyak untuk
mengatasi serta menanggulangi gangguan –
gangguan tersebut.
3. Kehandalan sistem yang rendah (Low
Reliability System). Pada kondisi normal,
sistem akan memberikan kapasitas yang cukup
untuk menyediakan daya pada beban puncak
II.2 Indeks Kehandalan
Indeks kehandalan merupakan suatu indikator
kehandalan yang dinyatakan dalam suatu besaran
probabilitas.
Sejumlah
indeks
sudah
dikembangkan
untuk
menyediakan
suatu
kerangka untuk mengevaluasi keandalan sistem
tenaga. Evaluasi keandalan sistem distribusi
terdiri dari indeks titik beban dan indeks sistem.
Indeks kegagalan titik beban yang biasanya
digunakan meliputi tingkat kegagalan λ
(kegagalan/tahum), rata-rata waktu keluar
(outage) r (jam/kegagalan) dan rata-rata
ketidaktersediaan
tahunan
U
(jam/tahun)
(Reliability Evaluation of Power System,
Billinton, 1996). Nilai rata-rata dari ketiga indeks
titik beban dasar untuk titik beban j dapat dihitung
dari sejarah operasi (up-down) dari titik beban
dengan menggunakan persamaan sebagai berikut:
λj =
Nj
…………………………..……….(1)
ΣTuj
rj =
Uj =
…………….…..(2)
ΣTdj
Nj
…….…………...(3)
ΣTdj
ΣTuj + ΣTdj
ΣTuj = up time untuk titik beban j
ΣTdj = down time untuk titik beban j
Nj
= banyaknya kegagalan sepanjang
simulasi untuk titik beban j
periode
Serta berdasarkan Viktoria Neimane [7] untuk
mandapatkan
tingkat
kegagalan
λ
(kegagalan/tahun), rata-rata waktu keluar (outage)
r (jam/kegagalan) dan rata-rata ketidaktersediaan
tahunan U (jam/tahun) adalah sebagai berikut :
..
λs = λ1 + λ2 +…..λn
2
....................................(4)
rs = λ1.r1 + λ2.r2 +…..+ λn.rn
λ 1 + λ2 +…..+ λn
....................(5)
Us = λs.rs = λ1.r1 + λ2.r2 + ……+ λn.rn....................(6)
II.3 System Average Interruption Frequency Index
(SAIFI)
Indeks ini didefinisikan sebagai jumlah ratarata kegagalan yang terjadi per pelanggan yang
dilayani oleh sistem per satuan waktu (umumnya
pertahun). Indeks ini ditentukan dengan membagi
jumlah semua kegagalan-pelanggan dalam satu
tahun dengan jumlah pelanggan yang dilayani
oleh sistem tersebut. Persamaan untuk SAIFI
(rata-rata jumlah gangguan setiap pelanggan) ini
dapat dilihat pada persamaan berikut :
Σ λk Mk
SAIFI =
ΣM
…………..(7)
Gambar 2.1. Distribusi Energi Listrik pada Supply
Chain Energy
λk = angka keluar (outage rate) komponen
Mk = jumlah customer pada load point k
M = total customer pada sistem dsitribusi
Berdasarkan gambar diatas maka di dalam
perencanaan
atribut
untuk
menentukan
kehandalan sistim distribusi listrik, di dasarkan
pada indeks titik beban yang terdiri dari (λ, r, U)
dan indeks performansi sistem yang terdiri dari
SAIFI dan SAIDI.
II.4. System Average Interruption Duration Index
(SAIDI)
Indeks ini didefinisikan sebagai nilai ratarata dari lamanya kegagalan untuk setiap
konsumen selama satu tahun. Indeks ini
ditentukan dengan pembagian jumlah dari
lamanya kegagalan secara terus menerus untuk
semua pelanggan selama periode waktu yang
telah ditentukan dengan jumlah pelanggan yang
dilayani selama tahun itu. Persamaan untuk SAIDI
(rata-rata jangka waktu gangguan setiap
pelanggan) ini dapat dilihat pada persamaan
berikut :
SAIDI =
Uk
Mk
M
ΣUk Mk
ΣM
II.6 Diagram Alir Proses Klasifikasi
Penentuan kehandalan sistem distribusi
dengan atribut indeks titik beban dan indeks
performansi sistem diperlukan suatu proses
klasifikasi, hal tersebut dikarenakan atribut indeks
titik beban mempunyai vektor input (λ, r, U) dan
atribut indeks performansi sistem mempunyai
vektor input SAIFI SAIDI. Diagram alir proses
klasifikasi dapat dijelelaskan pada gambar berikut
;
....................(8)
Vector Input
= waktu perbaikan komponen
= jumlah customer pada load point k
= total customer pada sistem dsitribusi
λ
II.5. Dasar Perencanaan Atribut
Distribusi listrik merupakan bagian dari
Supply Chain Energy, hal tersebut dikarenakan
baik dan buruknya kualitas energi listrik yang
disalurkan dari pembangkit listrik sampai dengan
konsumen ditentukan oleh sistem distribusi
khususnya kehandalan sistem distribusi listrik.
Berdasarkan (Viktoria Neimane 2001), banyak hal
yang mempengaruhi distribusi energi listrik,
diantaranya minimize power losses, minimize
Cost, improve reability of supply, and satisfy
operational constraint.
r
U
Indikasi
Titik Beban
SAIFI
SAID
I
Indikasi Performansi
Sistem
Reability /
Keandalan
Metode LVQ
Level 1
Metode LVQ
Level 2
Simulasi
Agen
Gambar 2.2. Diagram alir penelitian
Proses klasifikasi pada multi atribut untuk
menentukan
kehandalan
sistem distribusi
menggunakan metode LVQ, secara detail dapat
dilhat pada gambar 2.3, 2.4 dan 2.5 berikut ;
3
Gambar 2.3, 2.4, dan 2.5 merupakan langkah–
langkah proses klasifikasi dari atribut indeks titik
beban dan indeks performansi sistem sampai
dengan diperoleh jarak terpendek dari vektor
input terhadap kelas. Langkah – langkah tersebut
dijelaskan sebagai berikut ;
• Menentukan vektor input tiap – tiap atribut
dengan mengambil data dari A Reability Test
System For Educational Purposes-Basic
Distribution System Data and Result, R. N.
Allan, R. B ilinton, I Sjarif, L. Goal and K. S.
So, IEEE Trans Power System
• Menentukan pembobot awal (initial weight)
secara random berdasarkan Introduction to
Neural Networks Using Matlab 6.0, S. N.
Sivanandam, Sumathi & Deepa
• Menentukan kelas awal sebagai kelas target
dalam proses training dari vektor input
berdasarkan Machine Learning, Neuraland
Statistical Classification, D.Michie, D.J.
Spiegelhelter, C.C. taylor, 1994.
• Di dalam proses pembelajaran pada hidden
layer di cari jarak minimum vektor input
terhadap kelas awal yang telah ditentukan
dengan menggunakan rumus jarak euclidean
berdasarkan Introduction to Neural Networks
Using Matlab 6.0, S. N. Sivanandam, Sumathi
& Deepa
Gambar 2.3. Flow diagram langkah penelitian atribut level 1
Dj = ∑ (Wij – Xi)………………………………(9)
Gambar 2.4. Flow diagram langkah penelitian atribut level 2
Jika diperoleh jarak minimum pada proses
pembelajaran, maka titik tersebut dikatakan
sebagai pemenang dan outputnya berupa jarak
minimum vektor input terhadap kelas target
disimbolkan dengan kelas pemenang.
• Membandingkan kelas pemenang terhadap
kelas target untuk dicari pembobot baru
dengan menggunakan rumus berikut Neural
Networks A Comprehensive Foundation,
International Edition, Second Edition, Simon
Haykin.
if
T=C
W(new) = W(old) + α ( Xik – W(old))……..(10)
else if
T≠C
W(new) = W(old) - α ( Xik – W(old))……...(11)
Hasil yang diperoleh berupa pembobot baru
W(new), yang selanjutnya digunakan untuk
melakukan proses percobaan (testing proses).
• Proses percobaan terus menerus dilakukan
dengan istilah epoch dan akan berhenti jika
learning rate mencapai nilai minimum.
Output dari proses tersebut berupa jarak
minimum vektor input terhadap kelas, yang
Gambar 2.5. Proses pada atribut level 1 dan atribut level 2
4
selanjutnya data jarak minimum tersebut
disimulasikan pada Agen.
III. Metode LVQ
LVQ merupakan suatu metode, yang di
dasarkan
pada
algoritma
pembelajaran
unsupervised, LVQ juga dapat digunakan sebagai
supervised vector quantizer. Hal tersebut
dikarenakan jaringan LVQ memiliki titik kelas
yang berhubungan dengan vektor input. [11].
Gambar 4.1. FSM agen kehandalan distribusi listrik
Skenario agen di dasarkan pada FSM dalam
simulasi proses untuk menentukan kehandalan
sistem distribusi listrik adalah sebagai berikut ;
Agen melakukan scanning terhadap feeder
(penyuplai) 1 sampai dengan feeder 7, untuk
membaca data pada tiap – tiap feeder
Selanjutnya agen membandingkan data – data
tersebut yang berupa jarak vektor input
terhadap kelas yang terdapat pada semua
feeder.
Agen menentukan jarak terpendek dari vektor
input terhadap kelas 1 (kelas dengan gangguan
atau interupsi terendah)
Selanjutnya agen memblok atau memberikan
tanda hijau pada feeder tersebut
Simulasi menggunakan agen dilakukan per
case pada data SAIFI dan SAIDI (IEEE)
Gambar 3.1 arsitektur LVQ : satu hidden layer denga kohonen
neurons, adjustable weights antara input layer dan hidden
layer. (www.neural –forcasting.com)
Algoritma LVQ berdasarkan Introduction to
Neural Networks Using Matlab 6.0, S. N.
Sivanandam, Sumathi & Deepa adalah sebagai
berikut ;
1. Inisialisasi weights (pembobot) dan inisialisasi
learning rate
2. Akan berhenti jika salah, melakukan langkah 3–7
3. Untuk training vektor input x, lakukan langkah 4–5
4. Hitung j menggunakan rumus jarak euclidean
V. Hasil Percobaan
V.1. Percobaan 1
Nilai indikasi titik beban diperoleh dari total
LP (Load Point) tiap masing – masing feeder
pada BUS 4
Nilai SAIFI DAN SAIDI diperoleh dari
perhitungan dengan menggunakan persamaan
7 dan 8 di dasarkan pada data IEEE.
Input kelas untuk indikasi titik beban dan
SAIFI SAIDI ditentukan secara acak seperti
pada table 4.1 dan 4.2
Jumlah data = 7
Jumlah pembobot awal tiap atribut = 3
Jumlah kelas tiap atribut = 3
Max epoch = 10000000
berdasarkan kasus (A) yaitu : disconnect –
fuses – alternative supply – repair transformer.
D(j)=∑(wij – xi)²
cari j ketika D(j) minimum
5.
Update wj dengan ikuti syarat berikut ;
If T=Cj, then
wj(new) = wj(old) + α[ x - wj(old)]
If T ≠ Cj, then
wj(new) = wj(old) - α[ x - wj(old)]
6. Menghitung error dari nilai pembobot
e(t+1) = ||W(t+1) – W(t)||
7. Mengurangi learning rate
8. Test untuk kondisi berhenti, kondisi akan berhenti
jika angka iterasi atau learning rate mencapai nilai
terkecil
Tabel 4.1 Data indikasi titik beban dan kelas awal
IV. FSM dan Skenario Agen
Feeder
F1
F2
F3
F4
F5
F6
F7
FSM (Finite State Machine) dari simulasi
agen kehandalan distribusi listrik adalah sebagai
berikut ;
5
Λ
r
U
Kelas
1.343
0.35
1.299
1.558
0.344
0.36
1.313
157.25
28.85
161.55
176.13
29.19
26.51
160.07
30.14
3.36
30.01
34.34
3.36
3.18
30.01
1
2
3
1
2
3
1
Hasil yang diperoleh dari atribut level 1 untuk
( λ, r, U) (rantai 2) ;
Tabel 4.2 Data indikasi performansi system dan kelas
awal untuk case disconnect – fuses – alternative supply
– repair transformer
Feeder
F1
F2
F3
F4
F5
F6
F7
SAIFI
0.191
0.117
0.186
0.195
0.115
0.120
0.188
SAIDI
4.29
1.12
4.30
4.30
1.12
1.06
4.31
Kelas
1
2
3
1
2
3
1
Hasil yang diperoleh dari atribut level 1 untuk
SAIFI dan SAIDI (rantai 1) ;
Gambar 5.3 Grafik Vektor input ( λ, r, U) (case A)
Gambar 5.4 Grafik Error Vektor input ( λ, r, U) (case A)
Gambar. 5.1 Grafik Vektor input SAIFI dan SAIDI (case A)
Hasil Simulasi Rantai 2 (case A)
********** Rantai 2 **********
Initial weight matrix
1.3430
0.3500 1.2990
157.2500 28.8500 161.5500
30.1400 3.3600 30.0100
weight matrix after epochs ke 56
1.4179
0.3364 1.1122
164.6319 30.9523 152.1007
31.6555 3.4954 26.9819
Jarak after epochs ke 56
7.5363
129.0816 6.0450
138.7030 2.1067 125.4963
3.4958
133.2656 9.9244
11.8081 148.4232 25.1346
138.3702 1.7675 125.1624
141.0307 4.4535
127.8285
4.8508 131.8156 8.5276
Kelas Awal
1 2 3 1 2 3 1
Kelas after Training
3 2 1 1 2 2 1
Gambar 5.2 Grafik Error untuk Vektor input SAIFI dan SAIDI
(case A)
********** Rantai 1 **********
Initial weight matrix
0.1910 0.1170 0.1860
4.2900 1.1200 4.3000
weight matrix after epochs ke 56
0.1925 0.1127 0.1762
4.2985 1.1651 4.2940
Jarak after epochs ke 56
0.0087 3.1258 0.0154
3.1794 0.0453 3.1746
0.0067 3.1357 0.0115
0.0029 3.1359 0.0198
3.1795 0.0452 3.1746
3.2393 0.1054 3.2345
0.0123 3.1458 0.0199
Kelas Awal
1 2 3 1 2 3 1
Kelas after Training
1 2 1 1 2 2 1
Hasil yang diperoleh dari atribut level 2
(rantai 3) ;
Gambar 5.5 Grafik vektor input hasil dari indikasi titik beban
dan indikasi performansi sistem (case A)
6
hasil dari klasifikasi rantai 2. Klasifikasi pada
atribut level 2 rantai 3 merupakan proses
klasifikasi terakhir untuk case A, dengan
mempertimbangkan banyak atribut (multi
atribut) serta menggunakan metode LVQ
sebagai metode klasifikasi dan diperoleh
feeder 3 sebesar 6.3104 sebagai feeder dengan
jarak vektor input terpendek terhadap kelas 1
V.3 Hasil Percobaan Keseluruhan
Setelah melakukan percobaan 1 sampai
dengan 6 di dasarkan case A sampai dengan case
F pada feeder 1 sampai dengan feeder 7 diperoleh
hasil sebagai berikut ;
\
Tabel 4.8 Jarak vektor input seluruh feeder
terhadap kelas 1
Gambar 5.6 Grafik error vektor input hasil dari indikasi titik
beban dan indikasi performansi sistem (case A)
Hasil simulasi seluruh vektor input (case A)
********** Rantai 3 **********
Initial weight matrix
0.0087
3.1794
0.0067
3.1258
0.0453
3.1357
0.0154
3.1746
0.0115
7.5363
138.7030
129.0816
2.1067
6.0450
125.4963
weight matrix after epochs ke 56
0.0093
3.1344
3.1371
0.0000
0.0203
3.1295
8.6258
136.6172
135.7772
0.0001
12.6068
123.4060
Jarak after epochs ke 56
jkelas1
jkelas2
9.4379
217.0870
218.0859
3.6281
6.3104
219.9737
18.0830
217.4703
217.9233
3.0476
219.2783
7.6748
6.8253
219.0071
Kelas Awal
1 2 3 1 2 3 1
Kelas after Training
1
2 1 1 2 2 1
3.4958
133.2656
9.9244
Feed
er
1
2
3
4
5
6
7
0.0089
3.1356
0.0066
-1.4916
124.1710
0.7983
jkelas3
11.5389
223.9050
13.8156
36.8417
223.6963
225.4143
12.5861
V.2. Analisa Percobaan 1
Dari percobaan atribut level 1 yang telah
dilakukan pada rantai 1 dengan vektor input
SAIFI dan SAIDI, diperoleh feeder dengan
jarak terpendek dari vektor input terhadap
kelas 1 atau kelas dengan kehandalan tinggi.
Feeder tersebut adalah feeder 4 yang memiliki
jarak vektor input terhadap kelas 1 sebesar
0.0029, dengan kata lain feeder 4 memiliki
kehandalan sebagai sistem distribusi listrik
lebih tinggi dibanding feeder – feeder yang
lain.
Pada percobaan berikutnya, yaitu atribut level
1 rantai 2 untuk vektor input (λ, r, U)
diperoleh feeder 3 sebagai feeder yang
memiliki kehandalan tinggi untuk sistem
distribusi listrik. Hal tersebut dikarenakan
feeder 3 memiliki jarak terpendek untuk
vektor input terhadap kelas 1 sebesar 3.4958
Setelah melakukan percobaan untuk rantai 1
(SAIFI SAIDI) dan rantai 2 (λ, r, U),
dilanjutkan proses klasifikasi pada atribut
level 2 rantai 3 yaitu atribut dengan vektor
input hasil dari proses klasifikasi rantai 1 dan
Case
A
B
C
D
E
F
9.4379
218.0859
6.3104
18.0830
217.9233
219.2783
6.8253
9.6142
222.6989
6.6961
18.4926
222.5497
223.8759
7.1523
9.4381
218.1668
6.3168
18.0834
218.0080
219.3514
6.8277
9.4736
218.2161
6.3643
18.0994
218.0537
219.4085
6.8319
9.4379
218.0188
6.3104
18.0830
217.8560
219.2107
6.8253
10.0074
219.0970
7.3195
18.0878
218.9338
220.2855
6.8354
Gambar 5.7 Grafik jarak vektor input seluruh case
terhadap kelas 1
Tabel 4.8 merupakan data jarak vektor input
dari seluruh atribut pada seluruh case terhadap
kelas 1 pada masing – masing feeder
Klasifikasi multi atribut dilakukan terhadap 3
kelas yaitu :
kelas 1 = baik, mewakili feeder dengn
kehandalan sistem tinggi
kelas 2 = sedang, mewakili feeder dengan
kehandalan sistem menengah,
kelas 3 = buruk, mewakili feeder dengan
kehandalan sistem rendah
7
Penentuan kehandalan sistem distribusi
dengan ketentuan tinggi, menengah, rendah di
dasarkan pada SPLN 52, 1983. Oleh karena
itu hanya ditampilkan feeder dengan jarak
vektor input untuk seluruh case yang
mendekati kelas 1 (kehandalan sistem tinggi)
seperti yang terlihat pada tabel 4.8
Penentuan kehandalan juga ditentukan pada
data atribut yang terdiri dari indeks titik beban
dan indeks performansi sistem
Selanjutnya data tersebut disimulasikan pada
agen
dikarenakan simulasi membantu pemahaman
secara visual. Khususnya simulasi didasarkan
pada agen untuk kehandalan sistem distribusi
listrik dapat membantu secara visual
bagaimana menentukan suatu sistem distribusi
listrik yang handal.
VII. Saran
1. Penelitian selanjutnya di tekankan pada
penentuan pembobot awal vektor input dari
metode LVQ, hal tersebut dikarenakan
pembobotan awal sangat penting untuk
memperoleh akurasi proses klasifikasi.
2. Penelitian selanjutnya perlu dipertimbangkan
penggunaan Multi Layer LVQ pada tiap - tiap
hiden layer dapat mempengaruhi tingkat
akurasi
sehingga
diharapankan
dapat
memperoleh hasil klasifikasi yang lebih baik.
3. Penelitian selanjutnya perlu diberikan metode
pembanding untuk mengetahui tingkat akurasi
dari metode LVQ dalam hal penentuan
kehandalan sistem ditribusi energi listrik.
Salah satu contoh metode pembanding adalah
metode RBF
V.4 Diagram Alir Simulasi Agen
VIII. Daftar Pustaka
1. E. P De mello and Concordia. “Concepts of
Synchronous Machine Stability by Excitation
Control. “IEEE. Vol.Pass-88. No.4. April
1969. pp316-329.
2. Eduardo G. Carrano, dkk, “Electrical
Distribution Network Multiobjective Design
Using a Problem – Specific Genetic
Algorthm”. IEEE. TRANSACTION ON
POWER DELEVERY, Vol 21. NO.2. April
2006
3. Rukmi Sari Hartati,”Penentuan Angka Keluar
Peralatan Untuk Evaluasi Keandalan Sistem
Distribusi Tenaga Listrik”, Jurnal Teknik
Elektro Universitas Udayana Vol. 6 No. 2 Juli
Desember 2007.
4. PT. PLN,” RENCANA PENYEDIAAN
TENAGA LISTRIK Sebagai Bahan Rencana
Pembangunan Jangka Menengah (RPJM)
2005 – 2009
5. IBG Manuaba dkk,”Aplikasi Simulasi Monte
Carlo Untuk Menentukan KeandalanSistem
Distribusi Primer Tenaga Listrik,” Jurnal
Teknik Elektro Universitas Udayana Vol. 4
No. 2 Juli Desember 2005.
6. Abdul Kadir, “Distribusi Dan Utilisasi Tenaga
Listrik”, 2000
7. Victoria Neimane ,”On Development Planning
of Electricity Distribution Networks”, 2001.
8. Fujiki Morii, Kazuko Kurahashi, Clustering
Based on Multiple Criteria For LVQ
and
K-Means Algorithm, paper 2009.
Gambar 5.8 Diagram alir simulasi agen
VI. Kesimpulan
1. LVQ merupakan metode yang di dasarkan
pada algoritma pembelajaran unsupervised,
tetapi LVQ juga dapat digunakan sebagai
supervised vector quantizer dikarenakan
memiliki titik kelas yang berhubungan dengan
vektor input.
2. Berdasarkan percobaan yang telah dilakukan
untuk
menentukan
kehandalan
sistem
distribusi listrik menggunakan metode LVQ
(Learning Vector Quantization) diperoleh
hasil bahwa sistem distribusi listrik dapat
dikatakan handal jika nilai – nilai gangguan
atau interupsi rendah
3. Penggunaan atribut yang lebih detail akan
dapat
menentukan
kehandalan
sistem
distribusi yang lebih akurat. Hal tersebut
dikarenakan kehandalan sistem distribusi
listrik dipengaruhi oleh banyak aspek yang
dapat dijadikan atribut.
4. Penggunaan
simulasi
dalam
beberapa
permasalahan sangatlah penting, hal tersebut
8
9. S. N. Sivanandam, Sumathi & Deepa,
Introduction to Neural Networks Using
Matlab 6.0
10. R. N. Allan, R. B ilinton, I Sjarif, L. Goal and
K. S. So A Reability Test System For
Educational Purposes-Basic
Distribution
System Data and Result, , IEEE Trans Power
System
11. D.Michie, D.J. Spiegelhelter, C.C. taylor
Machine Learning, Neuraland Statistical
Classification,1994.
12. Mauridhi Hery Purnomo, Agus Kurniawan,
Supervised Neural Networks dan aplikasinya,
2006
13. Simon Haykin. Neural Networks A
Comprehensive Foundation, International
Edition, Second Edition
IX. RIWAYAT HIDUP
Nama : Dodik Arwin Dermawan
Riwayat Pendidikan :
1. SDN Sawunggaling III Surabaya
2. SMP Negeri 6 Surabaya
3. SMA Negeri 4 Surabaya
4. Politeknik Elektronika Negeri Surabaya
5. Teknik Elektro Telekomunikasi Multimedia ITS
Riwayat Pekerjaan :
1. Kabag Gudang PT. Ketabangkali Elektronika
Industri (SEICO)
2. Laboran Lab. Komputer Jurusan Elektro UNESA
3. Tenaga pengajar di Politeknik NSC Surabaya
4. Dosen Diperbantukan di Jurusan Teknik Elektro
UNESA
9