Estimasi Konsumsi Energi …

Putu Arya Mertasana

ESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN

Putu Arya Mertasana

Jurusan Teknik Elekro Fakultas Teknik Universitas Udayana Kampus Bukit Jimbaran Bali 80361, tlp (0361)703315

Email : mertasana@ee.unud.ac.id

Abstrak

Aspek yang sangat penting dan strategis untuk menunjang perencanaan operasi yang optimal dari Pusat Pembangkit Tenaga Listrik ditinjau dari keandalan sistem maupun ekonomi sistem tenaga listrik adalah proses peramalan atau estimasi. Penelitian ini bertujuan untuk memperkirakan konsumsi energi listrik pada sistem kelistrikan Bali jangka pendek bulanan yang berbasis pada Artificial Neural Network (ANN).Penelitian ini mengambil data dari tahun 2005 – 2012. Data diperoleh di PT. PLN Persero Unit Bisnis Distribusi Bali.Selanjutnya data dibagi dalam dua set yaitu training set dan validation set. Perangkat lunak (software) yang digunakan untuk membantu proses peramalan tersebut adalah MATLAB R 2007b. Penelitian dengan menggunakan pendekatan ANN ini menghasilkan error yang kecil dan MAPE (mean absolut percentage error) yang dihasilkan adalah 4.51 %. Angka ini menunjukkan bahwa model ANN memiliki ketelitian yang baik dan cukup baik digunakan untuk peramalan pada pada masa yang akan datang.

Kata Kunci : Estimasi , ANN, MAPE , Energi Listrik.

  • 1.    PENDAHULUAN

Energi listrik memiliki peran sangat penting dalam kehidupan manusia sejak zaman dahulu.Energi berperan sangat penting dalam pembangunan suatu negara. Pembangunan akan terlaksana dengan baik sesuai dengan rencana apabila pembangunan di bidang energi berjalan seiring dan mendukung pembangunan nasional, oleh karena itu kebijakan energi menjadi sangat penting dan strategis. Negara-negara maju tidak akan mencapai tingkat kemajuannya tanpa mempergunakan energy secara luas. Di negara-negara maju orang cukup menekan tombol di pabrik, di rumah, di jaringan telekomunikasi, di jaringan pengangkutan dan bereslah semuanya [1]. Di negara berkembangpun saat ini mulai dirasakan seperti itu termasuk Indonesia.Untuk mencapai itu semua maka haruslah tersedia energi listrik yang cukup melalui perencanaan yang terpadu.

Energi lisrik secara alamiah memiliki sifat yang unik yaitu tidak dapat disimpan dalam jumlah yang besar.Energi listrik harus dapat diproduksi dan disalurkan kepada pemakai dalam kwantitas dan kwalitas yang tepat saat dubutuhkan. Oleh karena itu perencanaan pengembangan energi perlu diakukan secara cermat, yaitu melalui proyeksi kebutuhan pada masa yang akan datang [4]. Energi menggambarkan kompleksitas system sosio ekonomi tertentu. Kegiatan manusia dalam system ang lebih komplek akan terkait erat dengan interaksi produksi, transformasi, konversi dan konsumsi energi. Sistem energi sebagai bagian dari system sosio ekonomi tergantung pada berbagai perubahan yang terjadi secara terus menerus.Pola dan struktur permintaan energi berubah secara cepat seiring

dengan perubahan pasar dan teknologi Pergeseran pemakaian energi dari tradisional ke komersial juga perlu diperhatikan supaya dapat ditentukan tingkat pertumbuhan permintaan energi komersial dan kebutuhan investasi sector energi tersebut.Agar supaya perencanaan energi dapat dilaksanakan dengan baik maka perlu dilakukan estimasi sehingga implementasinya dapat menjadi lebih baik.

Beberapa metode peramalan jangka pendek telah dikenal dewasa ini, mulai dari metode yang konvensional seperti regresi linier, arima, rata-rata bergerak (moving average) sampai metode yang berbasis Artificial Intelegence (AI ) seperti fuzy,artificial neural network (ANN) dan neuro fuzy. Dalam penelitian ini metode yang dikembangkan adalah metode Artificial Neural Network (ANN)..Metode ini mulai dikenal dan digunakan secara popular oleh karena memiliki tingkat ketelitian atau akurasi yang cukup baik.

Pertumbuhan ekonomi Indonesia sebelum krisis ekonomi terlihat cukup tinggi dan ternyata penggerak utama pertumbuhan tersebut adalah sektor industri. Sektor ini membuat permintaan akan energi terus meningkat. Semakin besar energi yang dibutuhkan maka semakin banyak pula pusat –pusat listrik yang harus dibangun dan sudah dapat dipastikan bahwa semakin banyak memerlukan bahan bakar. Bahan bakar fosil seperti minyak bumi, gas, batu bara masih mendominasi penyediaan energi listrik. Energi primer tersebut pembentukannya memerlukan waktu jutaan tahun dan apabila terus menerus diekploitasi maka persediannya akan semakin langka dan cendrung menjadi mahal. Tidak dapat disangkal bahwa setiap zaman, kebutuhan akan sumber-sumber energi tidk hanya disebabkan oleh adanya peningkatan jumlah

penduduk tetapi juga oleh dorongan faktor produktivitas sehingga pemanfaatan sumber energi terus menerus mengalami peningkatan. Untuk mengetahui dan memenuhi besarnya permintaan atau konsumsi energi listrik maka perlu dilakukan perhitungan melalui peramalan atau estimasi.

  • 2.    TINJAUAN PUSTAKA

    • 2.1    Artificial Neural Network (ANN)

Pada banyak literatur berbahasa Indonesia, Artificial Neural Network (ANN) sering diterjemahkan sebagai Jaringan Syaraf Tiruan (JST).Artificial Neural Network (ANN) adalah suatu arsitektur jaringan untuk memodelkan cara kerja sistem saraf manusia (otak) dalam melaksanakan tugas tertentu. Pemodelan ini didasari oleh kemampuan otak manusia dalam mengorganisasi sel-sel penyusunnya (yang disebut neuron), sehingga memiliki kemampuan untuk melaksanakan tugas-tugas tertentu khususnya pengenalan pola dengan efektivitas jaringan sangat tinggi [7]. Sebagai sistem yang mampu menirukan perilaku manusia, umumnya sistem mempunyai ciri khas yang menunjukkan kemampuan dalam hal :

  • 1.    Menyimpan informasi.

  • 2.    Menggunakan informasi yang dimiliki untuk melakukan suatu pekerjaan dan menarik kesimpulan.

  • 3.    Beradaptasi dengan keadaan baru.

  • 4.    Berkomunikasi dengan penggunanya.

Keunggulan yang utama dari sistem ANN adalah adanya kemampuan untuk “belajar” dari contoh yang diberikan.Sedangkan kelemahan utama dari sistem ANN yakni dibutuhkan pelatihan untuk pengoperasiannya dan dibutuhkan waktu yang lama untuk memproses Artificial Neural Network (ANN) yang besar.Tetapi, model ANN yang ada tentu saja sangat jauh lebih sederhana dibandingkan dengan sistem saraf manusia yang sebenarnya. Suatu jaringan syaraf tiruan ditentukan oleh 3 hal :

  • 1.    Pola-pola hubungan antar neuron yang disebut arsitektur jaringan.

  • 2.    Metode penentuan bobot penghubung yang disebut metode training/ learning/ algoritma.

  • 3.    Fungsi aktivasi yang digunakan.

Berdasarkan jumlah layer, arsitektur Artificial Neural Network(ANN) dapat diklasifikasikan menjadi dua kelas yang berbeda, yaitu [8]:

  • 1.    Jaringan layar tunggal (single layer network) : Semua unit input dalam jaringan ini dihubungkan dengan semua unit output, meskipun dengan bobot yang berbeda-beda.

  • 2.    Jaringan layar jamak (multi layer network) : Jaringan layar jamak merupakan perluasan dari layar tunggal.    Jaringan   layar   jamak

memperkenalkan   satu atau lebih layar

tersembunyi (hidden layer) yang mempunyai

simpul yang disebut neuron tersembunyi (hidden neuron).

Gambar 1. Single Layer Network[6]

Gambar 2. Multi Layer Network[9]

Berdasarkan arah aliran sinyal masukan, arsitektur Artificial Neural Network (ANN) dapat diklasifikasikan menjadi dua kelas yang berbeda, [6] yakni :

  • 1.    Unit input ke unit output dalam arah maju.Jaringan Umpan Maju (Feedforward Network), dalam jaringan umpan maju, sinyal mengalir dari

  • 3.    Jaringan dengan Umpan Balik (Recurrent Networks), pada jaringan recurrent terdapat neuronoutput yang memberikan sinyal pada unit input (sering feedback loop).

  • 2.1.1    Perambatan Balik (Backpropagation)

Jaringan Backpropagation merupakan salah satu model jaringan yang populer pada Artificial Neural Network (ANN).Model ini banyak digunakan untuk diaplikasikan pada penyelesaian suatu masalah yang berkaitan dengan identifikasi, prediksi, pengenalan pola dan sebagainya.

2.1.1.1 Arsitektur Backpropagation

Secara garis besar Backpropagation terdiri atas tiga lapis (layer) yaitu input layer, hidden layer, dan output layer.

Gambar 3. Arsitektur Backpropagation[8]

Input layer dan hidden layer dihubungkan dengan bobot wij dan antara hidden layer dan output layer dihubungkan oleh bobot w’jk. Pada pelatihan Backpropagation, ketika ANN diberi pola masukan sebagai pola pelatihan maka pola tersebut akan menuju ke unit pada hidden layer untuk diteruskan pada unit yang berada pada output layer. Keluaran sementara pada hidden layer ujakan diteruskan pada output layer dan output layer akan memberi tanggapan yang disebut output sementara u’k. Ketika u’k≠ ok dimana ok adalah output yang diharapkan, maka selisih (error) output sementara u’k akan disebarkan mundur (backward) pada hidden layer dan diteruskan ke unit pada input layer. Oleh karena itu proses tersebut disebut propagasi balik (backpropagation).

  • 2.1.1.2 Algoritma Pelatihan Backpropagation

Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara output jaringan dengan target yang diinginkan merupakan error yang terjadi. Error tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di output layer.Fase ketiga adalah modifikasi bobot untuk menurunkan error yang terjadi. Untuk jelasnya dapat dijelaskan sebagai berikut:

Langkah 0:

Pemberian inisialisasi faktor bobot (ambil bobot awal dengan nilai acak yang cukup kecil).

Langkah 1:

Menetapkan maksimum epoch, target esalahan, dan learning rate (α).

Langkah 2:

Inisialisasi epoch = 0, MSE (Mean Square Error) = 1.

Langkah 3:

Selama epoch< maksimum epoch, dan MSE > target kesalahan, maka lakukan :

  • 1.    Epoch = Epoch +1

  • 2.    Untuk setiap pasangan pelatihan lakukan langkah berikut :

Feedforward

Langkah 4 :

Setiap unit input (xi) menerima sinyal dan meneruskan sinyal ini ke unit tersembunyi diatasnya.

Langkah 5:

Setiap unit pada suatu lapisan tersembunyi yj(j = 1,2,….,p) menjumlahkan sinyal-sinyal input terbobot.

  • _   =    + ∑        ..........................(1)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :

  • =  -  = ——........................(2)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

Langkah ini dilakukan sebanyak jumlah lapisan

tersembunyi.

Langkah 6 :

Setiap unit output zk (k = 1,2,….,m) menjumlahkan sinyal-sinyal input terbobot

  • -   =     + ∑       ' ...................(3)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :

  • = (-  ) =---—-......................(4)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

Backpropagation Dari Errornya

Langkah 7 :

Setiap unit output zk menerima target pola yang berhubungan dengan pola input pelatihan, hitung informasi kesalahan :

  • 2 = ( - ) '( -   )

  • 2    =

  • 2    =

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk :

∆ ' =   2

Menghitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai wok) :

∆   =   2

Langkah ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi kesalahan dari suatu lapisan tersembunyi ke lapisan tersembunyi lainnya.

Langkah 8 :

Menghitung faktor δhidden layer berdasarkan error di setiap hidden layer.

  • -    = ∑        ' ..................... (5)

Mengalikan dengan turunan fungsi aktivasi untuk menghitung informasi error.

= -    ‘ _

1 =

1 =

Menghitung koreksi bobot (digunakan untuk mengubah wij selanjutnya)

∆   =   1

dan menghitung koreksi bias (digunakan untuk mengubah woj selanjutnya)

δ =   1

Memperbaiki Bobot dan Bias

Langkah 9 :

Tiap output layer mengubah bias dan bobot-bobotnya

‘ (      )= ‘ ()+∆ ‘

(     )=     ()+∆

Tiap hidden layer (yj) mengubah bias dan bobot (i)

(   )=   ()+∆

(     )=    ()+∆

Langkah 10 :

Uji kondisi pemberhentian, hitung MSE (Mean Square Error).Untuk mengukur akurasi dari keluaran jaringan ANN maka diperlukan perangkat kwantisasi. Untuk menghitung selisih keluaran ANN dengan data target pada proses latih digunakan MSE ( Mean Square Error). MSE dihitung dengan persamaan berikut [2]:

MSE= ∑  (           “............(6)

dimana :

p adalah jumlah jumlah pasangan data.

Untuk proses validasi dan pengujian kumpulan data baru, akurasi ANN dihitung dengan MAPE ( Mean Absolut Percentage Error ) berdasarkan persamaan berikut [10] :

(%) = -∑   1--------------1 100%....(7)

dimana :

n = jumlah data actual = energi actual estimasi = energi hasil peramalan

  • 3.    METODE PENELITIAN

Penelitian ini dilaksanakan pada sistem kelistrikan Bali. Data yang digunakan adalah data sekunder dimana sumber data adalah dari PT PLN (Pesero) Unit Bisnis Distribusi Bali. Data bersifat historis yaitu menggunakan data-data konsumsi energi listrik sebelumnya untuk estimasi konsumsi pada masa yang akan datang. Data yang digunakan adalah data penjualan energi listrik tahun 2005 sampai dengan tahun 2012. Data penjualan energi

listrik dari tahun 2005 sampai 2012 dapat dilihat pada tabel 1.di bawah ini.

Tabel 1.Data penjualan energi listrik (MWH)

Bulan

Thn 2005

Thn 2006

Thn 2007

Thn 2008

januari

215500.900

225550.756

232465.756

240459.867

pebroari

213450.690

222450.900

235435.765

239800.876

maret

212100.750

220900.854

232567.900

241650.700

april

214550.765

221230.654

234546.750

243546.765

mei

211432.457

223435.456

231450.800

244490.870

juni

212455.678

219890.876

230657.134

241290.769

juli

214345.234

223453.675

234254.875

240890.687

agustus

213500.890

221546.345

235765.345

242639.876

septber

215459.760

224365.456

234786.700

245768.546

Bulan

Thn 2009

Thn 2010

Thn 2011

Thn 2012

januari

245900.890

250336.813

265258.306

293605.072

pebruari

247983.345

249764.017

266138.662

284348.398

maret

240124.342

234836.142

246494.587

284126.163

april

248983.254

262088.260

265360.627

289289.714

mei

249784.500

256414.855

265202.616

298732.224

juni

250893.145

265900.137

275801.244

298534.455

juli

251435.980

258407.115

259884.119

287021.594

agustus

252456.135

260774.099

260277.690

283641.141

septber

253450.190

260516.271

262355.193

280759.170

  • 3.1.    Pembagian dan pemodelan data

Data – data yang tersedia selanjutnya dibagii menjadi dua bagian yaitu data untuk pelatihan (training data ) mulai dari tahun 2005 sampai tahun 2009 dan data validasi yaitu data untuk pengujian dari tahun 2008 sampai tahun 2012. Untuk memperkirakan konsumsi energi listrik maka data masukan yang diperlukan adalah data historis pada waktu tersebut dan kemudian disusun menjadi pasangan data masukan- keluaran, masukan adalah X1 dan X2 sedangkan keluaran adalah Y.

Dengan keterangan :

X2= adalah penjualan energi dua tahun sebelumnya X1 = adalah penjualan energi satu tahun sebelumnya Y = konsumsi energi (out put jaringan ).

  • 4.    HASIL DAN PEMBAHASAN
    • 4.1.    Hasil pelatihan

Tahap awal dari penelitian ini adalah membandingkan performance dari sistem pembelajaran ANN. Akurasi output dari proses ini ditentukan melalui Mean Square Error atau MSE. Eror yang terjadi menunjukkan tingkat ketelitian atau akurasi dari struktur ANN yang dilatih dengan data training yang telah disusun .Dengan menggunakan program komputer MATLAB maka hasil estimasi dengan data training dapat dilakukan. Dengan tiga set data training maka dihasilkan tiga hasil estimasi dan struktur yang dipilih untuk pengujian selanjutnya adalah struktur dengan SSE (Sum Square Error ) yang terkecil. Hasil training data yang menghasilkan SSE terkecil terdapat pada Gambar 4 seperti di bawah ini, yaitu sebesar 105.36 x 10 .

Gambar 4. Hasil Estimasi Dengan Data Training, SSE= 105.36 x


Bulan Ke-

Gambar 5. Grafik Estimasi Konsumsi Energi Listrik Thn 2012


  • 4.2.    Hasil pengujian ( Validation Test ).

Berdasarkan hasil learning diperoleh struktur model tertentu, selanjutnya model tersebut digunakan untuk melakukan pengujian data (validation test). Dengan memasukkan data pengujian maka didapat hasil peramalan atau estimasi seperti Tabel 2 dan Gambar 5 berikut ini.

Tabel 2. Estimasi Konsumsi Energi ListrikThn 2012

No

Bulan

Estimasi (MWH)

Aktual (MWH)

Eror (%)

1

Januarai

2.50340

2.4315

2.96

2

Pebruari

2.4976

2.4304

2.45

3

Maret

2.3484

2.4066

2.42

4

April

2.6209

2.4632

6.40

5

Mei

2.5641

2.4725

3.70

6

Juni

2.6590

2.4608

8.05

7

Juli

2.5841

2.4609

5.01

8

Agustus

2.6077

2.4751

5.36

9

September

2.6096

2.4967

4.57

MAPE

4.51

Dari Tabel 2 di atas terlihat bahwa error tertinggi yang dihasilkan model ANN terjadi pada bulan Juni yaitu sebesar 8.05 %. Hal ini menunjukkan bahwa konsumsi energi pada waktu itu sangat dinamis dan relatif sulit untuk diramalkan. Error terendah terjadi pada bulan Maret yaitu sebesar 2.42 %. Hal ini sesuai dengan aktivitas di Bali pada waktu itu yaitu adanya Hari Raya Keagamaan yaitu Hari Raya Nyepi.Konsumsi energi menjadi relatif stabil dan mudah diprediksi.

  • 5.    SIMPULAN

Berdasarkan hasil penelitian maka dapat disimpulkan sebagi berikut:

Metode ANN dapat digunakan untuk peramalan dan memiliki ketelitian yang cukup baik.Hal ini dapat dilihat pada akurasi peramalan yang diukur dengan MAPE yaitu sebesar 4.51 %.

Nilai kesalahan absolut tertinggi terjadi pada bulan Juni.Hal ini menunjukkan bahwa estimasi energi pada waktu itu dinamis dan relatif sulit untuk diprediksi.Nilai kesalahan absolut terendah terjadi pada bulan Maret, oleh karena berhubungan dengan hari raya keagamaan di Bali yaitu Hari Raya Nyepi sehingga konsumsi energi relatif stabil dan mudah diprediksi.

  • 6.    DAFTAR PUSAKA

  • [1]    Kadir, Abdul. 2000. Energi. UI Press. Jakarta

  • [2]    Jang. 1993. ANFIS.; Adaftive Neuro Fuzzy Inference System. IEEE Transaction on System. Man and Cybermetics. Vol 23 No 3 May 1993

  • [3]    Pousinho, dkk. 2010. Neuro Fuzzy Approach To Forecast Wing Power In Portugal Spain. International Conference On Renewable Energies And Power Quality( ICREPQ’10).

  • [4]    Yusgiantoro, P. 2000. Ekonomi Energi Teori dan Praktek. Pustaka LP3S. Indonesia

  • [5]    Prabowo, W. P., Rahmadya, T. 2012. Penerapan Soft Computing Dengan MATLAB. Rekayasa Sains Bandung

  • [6]    Kusumadewi, S., Sri H. 2010. Neuro Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf Ediasi 2. Graha Ilmu Yogyakarta

  • [7]    Suyanto. 2008. Soft Computing,Membangun Mesin Ber IQ Tinggi. Informatika. Bandung

  • [8]    Sutojo, T., Edy M.,Vincent S. 2011. Kecerdasan Buatan. Andi.Yogyakarta

  • [9]    Widodo, T. S.. 2005.Sistem Neuro Fuzzy Untuk pengolahan Informasi dan Kendali. Graha Ilmu. Yogyakarta

  • [10]    Camelia, U., Atsalakis, G.. 2006. A Neuro-fuzzy Approach to Forecast the Electricity Demand’, Proceedings of the 2006 IASME/WSEAS International Conference on Energy & Environmental Systems. (pp299-304). Chalkida., Greece. May 8-10. 2006

Teknologi Elektro

5

Vol.10 No.2 Juli – Desember 2011