Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan

Peramalan Kebutuhan Beban Sistem Tenaga Listrik
Menggunakan Algoritma Genetika
M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad
Jurusan Teknik Informatika - Universitas Islam Negeri
Sultan Syarif Kasim Riau
[email protected], [email protected], [email protected]
Abstraksi
Meningkatnya jumlah kebutuhan energi listrik menjadi sebuah masalah baru, karena jumlah energi listrik yang tersedia saat
ini tidak dapat mengimbangi besarnya kebutuhan masyarakat akan energi listrik tersebut. Agar tercapai keseimbangan antara
pemenuhan kebutuhan pada saat ini dengan pertumbuhan dan penyediaan energi listrik, maka perlu dilakukan penghematan
baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik. Penghematan energi listrik juga menjadi sebuah
permasalahan pada PT. PLN (Persero) Wilayah Riau dan Kepulauan Riau Cabang Dumai UP. Bengkalis. Penjadwalan
pembangkit listrik masih dilakukan secara manual, yaitu berdasarkan kebutuhan listrik yang tercatat pada mesin pengukur.
Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif
menjadi tidak terpenuhi. Permasalahan tersebut dapat diminimalisir dengan melakukan peramalan jumlah kebutuhan energi
listrik yang akan disalurkan. Dengan adanya peramalan kebutuhan beban, dapat ditentukan mesin pembangkit listrik yang
akan digunakan. Dengan demikian energi listrik tidak terbuang percuma. Pada penelitian ini, dilakukan peramalan jumlah
kebutuhan energi listrik menggunakan algoritma genetika. Pemilihan algoritma genetika didasarkan pada kemudahan
implementasi dan kemampuannya untuk menemukan solusi yang bagus (bisa diterima) secara cepat. Hasil peramalan tersebut
akan digunakan untuk memberikan rekomendasi alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu
tertentu. Pengujian dilakukan untuk melihat persentase tingkat keberhasilan algoritma genetika dalam melakukan peramalan.
Pada tahap pengujian, dilakukan peramalan pemakaian beban pada tanggal dan waktu tertentu, menggunakan data 5 minggu
sebelumnya. Dari beberapa kali uji coba, didapatkan tingkat keberhasilan peramalan yang dinilai cukup baik, yaitu sebesar
±90%. Nilai prediksi yang diperoleh selanjutnya digunakan untuk memberikan rekomendasi alternatif mesin pembangkit
listrik yang layak untuk dioperasikan.
Kata Kunci : peramalan, energi listrik, algoritma genetika
1.
PENDAHULUAN
Listrik merupakan bentuk energi yang paling cocok dan
nyaman bagi manusia modern. Makin bertambahnya
konsumsi listrik perkapita di seluruh dunia menunjukkan
kenaikan standar kehidupan manusia. Dengan pertumbuhan
permintaan tenaga listrik, maka harus direncanakan
pembangunan pusat-pusat listrik baru atau menciptakan
bentuk energi-energi baru untuk mendukung kapasitas pusat
listrik yang tidak cukup mendukung. Pembangunan tenaga
listrik memerlukan dana yang besar dan waktu yang lama,
selain itu juga dipengaruhi pertimbangan-pertimbangan
politis, ketersediaan bahan bakar dan sumber daya
manusianya. Untuk dapat dicapai tujuan yang seimbang
antara pemenuhan kebutuhan pada saat sekarang maupun
pertumbuhan permintaan tenaga listrik dan penyediaannya
dilakukan penghematan baik dari sisi penyedia layanan (PT.
PLN) maupun dari sisi pengguna listrik.
permasalahan-permasalahan yang dialami oleh PT. PLN
diantaranya adalah tidak adanya pengaturan dalam
penjadwalan pengoperasian pembangkit listrik karena adanya
deviasi antara besarnya permintaan beban dengan daya yang
dibangkitkan yang disebabkan oleh terjadinya kerusakan
pada pembangkit. Tujuan pembangkitan dan penyaluran
energi yang seharusnya dilakukan secara ekonomis, rasional,
efisien dan efektif menjadi tidak terpenuhi.
Untuk mengatasi permasalahan tersebut, perlu dilakukan
suatu prediksi operasi yang berfungsi untuk memberikan
gambaran kondisi operasi kepada operator sebagai hasil
prediksi yang optimal, dan dari hasil prediksi akan dilakukan
penjadwalan yang tepat untuk pengoperasian pembangkit.
Jika dalam operasi terjadi ketidakcocokan antara prediksi
dengan kondisi nyata terutama pada kejadian yang tidak
terduga, maka hal inilah yang disebut kesenjangan antara
perencanaan operasi dan operasi waktu nyata. Dalam
memprediksi perencanaan operasi agar penghematan dan
pengaturan penyediaan tenaga listrik dapat lebih optimal
e-Indonesia Initiative 2008 (eII2008)
Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia
21-23 Mei 2008, Jakarta
1
dilakukan dengan menggunakan algoritma genetika.
Algoritma genetika adalah suatu algoritma pencarian yang
meniru mekanisme dari teknik generasi alam. Algoritma
genetika ini banyak dipakai pada aplikasi bisnis, teknik
maupun pada bidang keilmuan untuk mendapatkan solusi
yang tepat dan merupakan model komputasi yang sangat
menjanjikan pada masalah praktis yang berfokus pada
pencarian parameter-parameter optimal (Suyanto, 2005).
Pada penelitian ini akan dirancang sebuah aplikasi dalam
memprediksi
besarnya
pemakaian
beban
listrik
menggunakan metode algoritma genetika dan memberikan
alternatif pembangkit yang layak untuk dioperasikan pada
waktu-waktu tertentu sesuai dengan hasil prediksi yang
didapat.
5.
2. PEMBAHASAN
Untuk memprediksi pemakaian beban membutuhkan model
matematis yang disebut dengan Data Berkala (time series).
Data pemakaian beban disusun berdasarkan urutan waktu
dalam satu periode untuk mengukur dan menerangkan
berbagai perubahan atau perkembangan data. Perubahan
yang terjadi dalam sederetan waktu tertentu dapat
membentuk trend, sehingga pola gerakan data atau nilai-nilai
variabel dapat diketahui dan diikuti. Penentuan trend
menggunakan metode setengah rata-rata yaitu dengan
mencari rata-rata data yang ada.
Analisis Algoritma Genetika Dalam Peramalan
Metode dalam algoritma genetika yang akan dipakai untuk
penyelesaian persoalan adalah sebagai berikut:
1. Skema Pengkodean
Skema pengkodean gen pada kromosom menggunakan
real
number
encoding.
Pengkodean
ini
mempresentasikan kromosom dalam bentuk urutan
angka yang menggambarkan urutan suatu kejadian
sehingga penerapannya akan lebih mudah.
2. Membangkitkan Populasi Awal
Menentukan nilai gen dalam tiap kromosom dengan
membangkitkan bilangan acak (random).
3. Fungsi Evaluasi
Proses ini menghitung nilai fitness dari setiap kromosom
dalam populasi dan mengevaluasi sampai terpenuhi
kriteria berhenti. Bila kriteria berhenti belum tercapai
maka akan dibentuk lagi generasi berikutnya.
4. Seleksi
Proses ini dilakukan dengan menggunakan metode
roulette wheel selection. Metode ini dipilih karena dapat
memberikan kesempatan reproduksi yang lebih besar
bagi anggota populasi yang memiliki nilai fitness terbaik
untuk melakukan reproduksi, karena dilakukan dengan
cara memetakan individu-individu dalam segmen garis
secara berurutan sedemikian hingga setiap segmen
individu memiliki ukuran yang sama dengan ukuran
nilai fitness. Sebuah bilangan acak dibangkitkan dan
individu yang menjadi segmen dalam kawasan bilangan
acak tersebut akan terpilih. Proses ini diulang hingga
diperoleh sejumlah individu yang diharapkan.
Membentuk Generasi Baru
Generasi baru terbentuk dengan dua operator yaitu
operator pindah silang (crossover) dan mutasi. Proses ini
dilakukan berulang-ulang sehingga didapatkan jumlah
kromosom yang cukup untuk membentuk generasi baru
dimana generasi baru ini merupakan representasi dari
solusi baru. Spesifikasi untuk operator algoritma
genetika adalah sebagai berikut:
a. Pindah Silang (Crossover)
Proses ini dilakukan dengan menggunakan onepoint crossover. Metode ini dipilih karena sebagian
kromosom dari induk pertama disalin dan pada saat
berhenti, kromosom tersebut diambil dalam induk
kedua. Proses one-point crossover adalah proses
yang paling sederhana, karena pemilihan titik
perpotongan dilakukan sekali terhadap induk
pertama, gen selanjutnya yang dipilih dari induk
kedua adalah yang belum pernah terkunjungi dan
kromosom yang dihasilkan cenderung menuruni
sifat dari induknya.
b. Mutasi
Proses ini dilakukan dengan menggunakan suatu
kriteria yaitu dengan cara memilih satu gen yang
akan diubah berdasarkan probabilitas mutasinya.
Dengan menggunakan teknik ini, diharapkan
kromosom yang dihasilkan tidak kehilangan
kemiripan dengan induknya.
Analisis Proses
Langkah-langkah yang dilakukan dalam proses penyelesaian
masalah adalah sebagai berikut:
1. Hitung rata-rata dari data pemakaian beban listrik (rata).
2. Ambil bilangan acak untuk gen A dan gen B sebanyak
populasi yang diinginkan.
3. Hitung nilai fitness dari masing-masing kromosom yang
dibangkitkan dengan menggunakan persamaan:
Kromosom(n) = a + 3b
4.
Lakukan penyeleksian terhadap nilai kromosom. Karena
yang diinginkan adalah kromosom yang mempunyai
nilai yang lebih kecil mempunyai probabilitas untuk
terpilih kembali lebih besar maka digunakan inverse(Q)
dengan menggunakan persamaan:
Inverse(Q)= 1 / Kromosom(n)
Untuk mencari probabilitas (P) digunakan persamaan:
Probabilitas(P) = Q(n) / Jumlah total Q(n)
Untuk mencari probabilitas kumulatif (C) digunakan
persamaan:
Kumulatif(C) = C(n-1) + P(n)
Proses roulette wheel selection dilakukan dengan
membangkitkan bilangan acak (R) antara 0 sampai 1.
Jika R(n) < C(n) maka kromosom ke-n adalah induk,
selain itu pilih kromosom ke-n sebagai induk jika C(n-1)
< R(n) < C(n). Hasilnya akan terbentuk kromosom baru.
2
e-Indonesia Initiative 2008 (eII2008)
Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia
21-23 Mei 2008, Jakarta
5.
Proses crossover dilakukan dengan cara membangkitkan
bilangan acak (R) sebanyak jumlah populasi. Kromosom
yang dipilih sebagai induk adalah jika:
4:00
4597
3785
4601
4488
4561
5255
5:00
4629
3782
4703
4207
4480
5047
6:00
5342
4040
4928
4285
4278
4863
7:00
5181
3994
4374
4525
4258
4536
8:00
5016
3885
4373
4371
4270
4300
9:00
4839
4077
4514
4599
4365
3893
10:00
4879
4086
4577
4705
4410
4000
11:00
4864
4106
4764
4704
4892
4202
12:00
4900
4088
4824
4925
4983
4223
13:00
5022
4080
4832
4955
4053
4490
14:00
5093
4393
5117
5193
4470
4609
15:00
5085
4531
4663
4801
4612
5353
16:00
5000
4465
4653
4866
4789
4664
17:00
2303
4552
4478
4442
4213
4514
18:00
4224
3552
4210
4949
4388
4310
19:00
4191
5097
4847
3959
5412
4931
20:00
3108
5128
4890
3884
5566
4948
21:00
4269
5021
4912
3907
5543
4875
22:00
4108
4876
4920
4934
5376
5315
23:00
4168
5282
4859
4637
4924
5105
24:00:00
4235
4926
5290
5131
5179
4716
R(n) < Probabilitas crossover (Pc)
Kromosom yang terpilih dipersilangkan dengan
menukar gen pada induk pertama dengan gen pada induk
kedua, dan seterusnya. Posisi gen yang akan
dipertukarkan ditentukan dengan mengambil bilangan
acak. Gen yang terpilih dipersilangkan dan akhirnya
kromosom baru terbentuk.
Proses Elitism dilakukan dengan cara memilih gen
terbaik sebagai calon solusi setelah hasil seleksi. Untuk
memilih gen yang terbaik, perlu dilakukan penilaian
terhadap error yang dihasilkan dengan persamaan:
Error = |Yaktual – Yprediksi|/Yaktual
6.
Proses mutasi dilakukan dengan cara menghitung
panjang total gen dengan persamaan:
Panjang gen = 2 * jumlah populasi
Jumlah mutasi
persamaan:
diperoleh
dengan
menggunakan
Jumlah Mutasi = Pm * panjang gen
7.
8.
Posisi gen yang akan dimutasikan dipilih secara acak
sebanyak jumlah mutasi. Gen-gen yang terpilih akan
digantikan dengan gen baru yang diambil secara acak.
Jika kondisi berhenti telah tercapai, hitung kembali
kromosomnya untuk mendapatkan nilai fitness yang
terkecil. Gen A dan gen B pada kromosom tersebut
menjadi solusi yang paling optimum
Gen A dan gen B dihitung untuk mendapatkan nilai
prediksi dengan menggunakan persamaan:
Prediksi = gen A + 6 * gen B
Pengujian Sistem
Pengujian sistem terbagi dalam dua kategori diantaranya
adalah pengujian sistem dan pengujian performansi prediksi
menggunakan algoritma genetika untuk menganalisis
alternatif pembangkit listrik yang akan dioperasikan.
Pengujian performansi dilakukan dengan menggunakan data
aktual dari pemakaian beban listrik pada PT. PLN (Persero)
Wilayah Riau-Kepri Cabang Dumai UP. Bengkalis. Yang
akan diprediksi adalah pemakaian beban listrik pada tanggal
7 Oktober 2007. Pengujian dilakukan sebanyak 5 kali
pengujian dengan data yang sama. Performansi diperoleh
dengan menghitung rata-rata performansi yang diberikan
pada setiap kali pengujian. Data-data yang dibutuhkan pada
pengujian performansi diantaranya:
1. Data pemakaian beban listrik selama lima minggu
sebelumnya yaitu:
Waktu
Operasi
1:00
2:00
3:00
02/
09/
2007
Tanggal
09/
16/
23/
09/
09/
09/
2007 2007 2007
30/
09/
2007
5071
4042
5013
4912
4767
3965
3823
5285
5071
4922
5058
5072
4949
2.
Parameter algoritma genetika dipilih secara acak,
diantaranya:
a. Jumlah Generasi = 25
b. Ukuran Populasi = 16
c. Probabilitas crossover (Pc) = 0,61
d. Probabilitas Mutasi (Pm)
= 0,41
e. Performansi
= 0,58
Hasil Pengujian
Dari pengujian sistem yang telah dilakukan, rata-rata
performansi prediksi yang dihasilkan adalah sebesar
96,77296 %, dan memberikan alternatif pembangkit yang
akan dioperasikan sesuai dengan kombinasi dari unit
Aktual
5103
4981
07/10/
2007
5293
5132
5074
pembangkit yang dihasilkan.
Aktual
Hasil
Prediksi
Performansi
07/10/2007
07/10/2007
%
01:00
5293
5048,8
02:00
5132
5045,6
95,42
03:00
5074
4903,6
95,438
Waktu
Operasi
e-Indonesia Initiative 2008 (eII2008)
Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia
21-23 Mei 2008, Jakarta
96,84
3
04:00
5255
4547,8
96,816
05:00
5047
4477
97,342
06:00
4863
4284,4
93,75
07:00
4536
4369,6
97,925
08:00
4300
4372
99,614
09:00
3893
4493,6
99,104
10:00
4000
4588
98,576
11:00
4202
4806,4
96,992
12:00
4223
4880
97,566
13:00
4490
4809
94,998
14:00
4609
5028,4
96,22
15:00
5353
4672,6
98,77
16:00
4664
4776,2
99,206
17:00
4514
4257
93,56
18:00
4310
4227,4
99,08
19:00
4931
4844
96,07
21:00
4875
4646
96,38
22:00
5315
4911,2
98,62
23:00
5105
4836,6
98,12
24:00
4716
5138,8
96,256

4. Daftar Pustaka
Perbandingan antara nilai prediksi dengan nilai aktual pada
tanggal 7 Oktober 2007 dapat dilihat pada grafik berikut ini:
6000
5000
4000
Aktual
3000
populasi, probabilitas crossover, probabilitas mutasi,
dan performansi.
Informasi yang diberikan oleh sistem adalah berupa
prediksi pemakaian beban pada waktu tertentu, jumlah
daya yang harus disalurkan dan alternatif pembangkit
yang layak dioperasikan.
Agar hasil prediksi lebih akurat, perlu adanya
penambahan faktor-faktor eksternal yang ikut
berperan dalam memprediksi pemakaian beban listrik
misalnya parameter bulanan yang terdiri dari: faktor
cuaca, faktor suhu, faktor kebiasaan konsumen.
Adanya perbandingan metode dalam memprediksi
pemakaian beban listrik untuk mendapatkan hasil
prediksi yang lebih baik.
Dengan adanya sistem prediksi pemakaian beban
listrik ini dapat memberikan rekomendasi kepada PLN
dalam mengelola dan mengatur pengoperasian
pembangkit sehingga kebutuhan konsumen terhadap
listrik terlayani dengan baik.
Prediksi
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Gambar Grafik perbandingan antara nilai aktual dengan hasil
prediksi
[1].A. El-Sharkawi, Mohamed, Role Of Computational
Intelligence In Targeted Forecasting.
http://cialab.ee.washington.edu/index_files/tutorial/ef.pdf
[2].Basuki, Ahmad, Trip & Trik Algoritma Genetika,
http://lecturer.eepisits.edu/~basuki/lecture/TipsnTrikGA.pdf
[3].Dahal, Keshav, Soft computing techniques for
optimisation and scheduling.
http://eastwest.inf.brad.ac.uk/document/2005%20Apr/Ke
sahvChiangmai-SchedulingOptimisation.pdf
[4].Hilal, Hamzah, Metode Programming Linier Untuk
Menyelesaikan Problem Pembangkitan Ekonomis Pada
Sistem Tenaga Listrik.
http://komputasi.inn.bppt.go.id/semiloka05/1605.pdf
[5].Hutauruk, Transmisi Daya Listrik, Jakarta: Erlangga,
1985.
[6].Javadi, Shahram, Software Development for Optimum
Allocation of Power System Elements Based on Genetic
Algorithm.
http://www.labplan.ufsc.br/congressos/WSEAS/papers/5
17-242.pdf
[7].Suyanto, Algoritma Genetika dalam Matlab, Yogyakarta:
Andi Yogyakarta, 2005.
3. PENUTUP

Algoritma genetika dapat digunakan untuk
memprediksi pemakaian beban listrik.
Performansi yang diberikan oleh algoritma genetika
dalam memprediksi pemakaian beban listrik pada PT.
PLN (Persero) adalah sekitar ± 96,77296 %.
Parameter-parameter yang diperlukan oleh sistem
adalah: jumlah pembangkit, daya masing-masing
pembangkit, rugi daya, data pemakaian beban selama
lima minggu sebelumnya, jumlah generasi, ukuran
e-Indonesia Initiative 2008 (eII2008)
Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia
21-23 Mei 2008, Jakarta
4
e-Indonesia Initiative 2008 (eII2008)
Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia
21-23 Mei 2008, Jakarta
5