J-ICON.
Vol.
4 No.
Maret 2016, pp.
IMPLEMENTASI METODE BACKPROPAGATION UNTUK MEMPREDIKSI BEBAN
LISTRIK DI KABUPATEN SIKKA
1,2,3
Maria Olinda Harun 1.
Sebastianus A.
Mola 2.
Emerensye S.
Pandie 3 Jurusan Ilmu Komputer.
Fakultas Sains dan Teknik.
Universitas Nusa Cendana
INTISARI
Energi listrik merupakan salah satu sarana yang dapat menunjang taraf hidup kesejahteraan Seiring dengan bertambahnya jumlah penduduk dan aktivitas yang dijalani maka kebutuhan akan listrik semakin meningkat.
Kabupaten Sikka merupakan kabupaten yang hampir seluruh wilayahnya telah dijangkau listrik.
Dari data real yang diperoleh, beban pemakaian listrik perbulan cenderung naik.
Untuk tercapainya keseimbangan antara pembangkitan tenaga listrik yang diproduksi dan digunakan maka penyedia harus mengetahui beban listrik untuk waktu kedepan.
Metode Backpropagation merupakan salah satu metode pada jaringan saraf tiruan yang dapat digunakan untuk melakukan prediksi yang pada penelitian ini adalah prediksi beban listrik satu bulan yang akan datang.
Pada metode backpropagation terdapat beberapa tahap yaitu pelatihan, pengujian data dan prediksi.
Data yang digunakan sebagai parameter adalah data beban listrik (KWH Jua.
, jumlah pelanggan dan data daya yang tersambung.
Untuk proses pembelajaraan menggunakan data bulan Januari 2007 sampai bulan Desember 2012 dan untuk pengujian adalah data bulan Januari sampai Desember 2013.
Keluaran dari aplikasi ini berupa beban pemakaian listrik untuk satu bulan kedepan di Kabupaten Sikka.
Presentasi hasil akhir dari pengujian ini untuk data yang sudah pernah dilatih adalah 85% dan data yang belum pernah dilatih adalah 80%.
Karena hasil presentasi lebih besar dari 50% maka metode backpropagation dapat digunakan untuk memprediksi beban listrik satu bulan Kata Kunci : Jaringan saraf tiruan, prediksi beban listrik, backpropagation, pelatihan, pengujian.
ABSTRACT Electric energy is one of the tools to support the welfare of society.
Their population grow and their activities increase, therefore, their need of electricity is increasing too.
The electricity almost cover up the area of Sikka Region.
Based on the real data, the electrical load is increased every month.
In order to reach the balance between the productivity of electric energy and the consumption of electric energy, then, the electrical provider should know the electrical load for the future.
Backpropagation method is one of the methods at artificial neural network which can be used in this research to predict the electrical load for the next one month.
The backpropagation method consists of some steps such as training, data testing and prediction.
The data which used as a paramater in this research is the data of electrical load (KWH carr.
, numbers of consumers and the data of connected electrical power.
The researcher used the data January 2007 until December 2012 as learning process, and for the testing, the researcher used data from January 2013 until December 2013.
The result of this application is the load power consumption for the next one montj in Sikka Regency.
The presentation of final result of this testing for the data that has been trained is 85% and the data which never been trained is 80%.
Because of the presentation is above 50% the backpropagation can be used to predict the electrical load for the next one month.
Key Words : Artificial neural network, prediction electrical load, backpropagation, training, testing.
ISSN 2337-7631
ISSN 2337-7631
PENDAHULUAN
Listrik merupakan bentuk energi yang cocok untuk manusia.
Energi listrik juga merupakan salah satu sarana yang dapat membantu menunjang taraf hidup kesejahteraan masyarakat diberbagai Seiring dengan bertambahnya jumlah penduduk dan ragam aktivitas yang dijalani maka kebutuhan akan listrik juga semakin meningkat.
Dalam penyalurannya, tenaga listrik harus melalui jaringan tertentu, yang kemudian tenaga yang dihasilkan oleh mesin pembangkit listrik harus sesuai dengan kebutuhan yang akan dilayani.
Tenaga listrik memiliki sifat khusus yang khas, yaitu tidak dapat disimpan dalam skala yang besar, dengan demikian tenaga listrik ini harus disediakan pada saat dibutuhkan saja.
Maka timbul persoalan dalam penyediaan tenaga listrik yang selalu berubah dari waktu ke waktu.
Jika tenaga listrik yang dikeluarkan lebih besar dari kebutuhan yang ada maka akan terjadi pemborosan yang akan merugikan pihak penyedia tenaga listrik.
Dan sebaliknya jika listrik yang dihasilkan lebih rendah dari kebutuhan yang ada maka akan terjadi overload yang akan mengakibatkan pemadaman listrik yang tentunya akan mengganggu pelayanan konsumen.
Dan untuk tercapainya keseimbangan antara pembangkitan tenaga listrik yang diproduksi dan digunakan maka pihak penyedia harus terlebih dahulu mengetahui beban listrik untuk waktu kedepan.
Kabupaten Sikka merupakan kabupaten yang hampir seluruh wilayahnya telah dijangkau oleh Dari data real yang telah diperoleh, beban pemakaian listrik perbulan cenderung naik.
Begitu pula jumlah pelanggan/konsumen yang mengalami peningkatan, serta daya yang tersambung (VA) juga bertambah perbulannya.
Oleh karena itu pada penelitian ini, akan dibangun model prediksi jangka menengah yang dapat membantu pihak penyedia tenaga listrik dalam memperkirakan beban listrik yang akan digunakan pada bulan berikutnya.
Metode Backpropagation merupakan salah satu metode pada jaringan saraf tiruan yang dapat digunakan untuk melakukan prediksi yang pada penelitian ini adalah prediksi beban listrik satu bulan yang akan datang.
Pada metode backpropagation terdapat beberapa tahap yaitu pelatihan, pengujian data dan prediksi.
II.
MATERI DAN METODE
Beban dan Perkiraan Beban Listrik Untuk memperkirakan beban listrik yang baik, maka dibutuhkan data-data atau informasi mengenai sistem tenaga listrik pada masa lampau.
Beberapa hal yang berpengaruh terhadap perubahan beban pemakaian listrik, diantaranya:
Data pemakaian beban listrik/kwh jual Data jumlah konsumen/pelanggan tenaga listrik Data daya listrik yang tersambung (VA).
Perkiraan beban listrik menurut jangka waktu dikelompokan menjadi.
Perkiraan beban jangka pendek adalah untuk jangka waktu beberapa jam sampai dengan 1 minggu .
Perkiraan beban jangka menengah adalah untuk jangka waktu 1 .
bulan sampai dengan 1 .
Perkiraan beban jangka panjang adalah untuk jangka waktu diatas 1 .
Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan bisa dibayangkan seperti otak buatan.
Otak buatan ini dapat berpikir seperti manusia, dan juga sepandai manusia dalam menyimpulkan sesuatu dari potongan-potongan informasi yang diterima.
Ketika manusia berpikir, aktivitas-aktivitas yang terjadi adalah aktivitas mengingat, memahami, menyimpan, dan memanggil kembali apa yang pernah dipelajari oleh otak.
J-ICON.
Vol.
4 No.
Maret 2016 : 3343
J-ICON
ISSN 2337-7631
Salah satu contoh pengambilan ide dari jaringan saraf biologis adalah adanya elemen-elemen pemrosesan pada jaringan saraf tiruan yang saling berhubung dan beroperasi secara pararel meniru jaringan syaraf-syaraf biologis yang tersusun dari sel-sel syaraf .
Cara kerja dari elemenelemen pemrosesan jaringan saraf tiruan juga sama dengan cara neuronmeng-encode informasi yang diterimanya.
1 Fungsi Aktivasi Fungsi aktivasi merupakan fungsi yang mentransformasikan nilai penjumlahan menjadi sebuah nilai yang dapat diproses lebih lanjut.
Fungsi aktivasi yang akan digunakan dalam penelitian ini adalah fungsi aktivasi sigmoid biner.
Fungsi sigmoid biner digunakan untuk jaringan yang dilatih dengan menggunakan metode Fungsi sigmoid biner memiliki nilai range 0 sampai 1.
Fungsi sigmoid biner dirumuskan sebagai: .
2 Backpropagation Metode backpropagation merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks.
Metode ini merupakan metode jaringan saraf tiruan yang popular .
Gambar 1 Arsitektur Backpropagation Jaringan backpropagation dengan satu layer tersembunyi .
nit z.
1Az.
) tampak pada gambar di atas.
Unit keluaran .
nit y .
) dan unit tersembunyi memiliki bias.
Bobot bias pada unit keluaran yk dinyatakan dengan w0k.
Bobot bias pada unit tersembunyi zj dinyatakan dengan v0j danvij merupakan bobot garis dari unit xi ke unit layer tersembunyi zj, wjk merupakan bobot garis dari zj ke unit keluaran yk.
Algoritma pelatihan dari metode backpropagation adalah sebagai berikut .
Inisialisasi Pelatihan .
Inisialisasi Masukan .
Inisialisasi Target .
Inisialisasi Bobot .
mbil bobot awal dengan nilai random yang cukup keci.
Implementasi Metode Backpropagation Untuk Memprediksi Beban Listrik Di Kabupaten Sikka (Maria O.
Haru.
ISSN 2337-7631 Feedforward .
Tiap-tiap unit input .
i, i=1,2,3,.
menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya .
apisan tersembuny.
Kemudian tiaptiap unit tersembunyi .
j,j=1,2,3,.
menjumlahkan sinyal-sinyal input terbobot :
gunakan fungsi aktivasi untuk menghitung sinyal output-nya:
dan kirimkan sinyal tersebut kesemua unit di lapisan atasnya .
nit-unit outpu.
Tiap-tiap unit output .
k, k = 1,2,3,.
menjumlahkan sinyal-sinyal input terbobot.
gunakan fungsi aktivasi untuk menghitung sinyal output-nya:
dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya .
nit-unit outpu.
Pengecekan nilai maksimal epoh atau nilai minimum error yang telah ditentukan sebelumnya sebagai kondisi untuk berhenti menggunakan rumus MSE (Mean Square Erro.
Backpropagation .
Tiap-tiap unit output .
k, k = 1,2,3,.
menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi error-nya:
kemudian hitung koreksi bobot .
ang nantinya akan digunakan untuk memperbaiki nilai wj.
Hitung juga koreksi bias .
ang nantinya akan digunakan untuk memperbaiki nilai w0.
Kirimkan k ini ke unit-unit yang ada di lapisan bawahnya.
Tiap-tiap unit tersembunyi .
j, j=1,2,3,.
menjumlahkan delta input-nya.
ari unit-unit yang berada pada lapisan di atasny.
kalikan ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:
kemudian hitung koreksi bobot .
ang nantinya akan digunakan untuk memperbaiki nilai Hitung juga koreksi bias .
ang nantinya akan digunakan untuk memperbaiki nilai v0j:
Tiap-tiap unit output .
k, k = 1,2,3,.
memperbaiki bias dan bobotnya .
= 0,1,2,.
Tiap-tiap unit tersembunyi .
j, j = 1,2,3,.
memperbaiki bias dan bobotnya .
= 0,1,2,.
J-ICON.
Vol.
4 No.
Maret 2016 : 3343
J-ICON
ISSN 2337-7631
Sedangkan algoritma pengujian dari metode backpropagation adalah sebagai berikut:
Inisialisasi pengujian .
Inisialisasi Masukan .
Inisialisasi Bobot Feedforward .
Tiap-tiap unit input .
i, i=1,2,3,.
menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya .
apisan tersembuny.
Kemudian tiap-tiap unit tersembunyi .
j,j=1,2,3,.
menjumlahkan sinyal-sinyal input terbobot.
Gunakan fungsi aktivasi untuk menghitung sinyal output-nya dan kirimkan sinyal tersebut kesemua unit di lapisan atasnya .
nit-unit outpu.
Tiap-tiap unit output .
k, k = 1,2,3,.
menjumlahkan sinyal-sinyal input terbobot.
Gunakan fungsi aktivasi untuk menghitung sinyal output-nya.
3 Tahapan Perancangan Sistem Perancangan sistem merupakan penggambaran, perencanaan dan pembuatan sketsa atau pengaturan dari beberapa elemen yang terpisah ke dalam satu kesatuan yang utuh dan berfungsi.
1 Flowchart Flowchart merupakan metode yang menggambarkan tahapan dalam memecahkan suatu masalah dengan merepresentasikan simbol-simbol tertentu yang dimengerti, mudah digunakan, dan sudah standar.
Tujuan menggunakan flowchart adalah untuk menggambarkan suatu tahapan penyelesaian masalah secara sederhana, terurai, rapi dan jelas dengan simbol yang sudah standar dan disajikan dengan sederhana, efektif dan tepat .
Pelatihan Pengujian Inisialisasi Pelatihan N= jumlah data M= max.
E = minimum error
Inisialisasi Pelatihan Random bobot
Epoh = 1
Input data
Data latih = 1
Feedforward
Feedforward
Backpropagation Data 1
Data Latih
= n ? Hasil
Epoh
MSE <
Selesai Simpan bobot Database Selesai Gambar 2 Flowchart Sistem Pelatihan dan Pengujian .
Implementasi Metode Backpropagation Untuk Memprediksi Beban Listrik Di Kabupaten Sikka (Maria O.
Haru.
ISSN 2337-7631 4 Konsep Basis Data Basis data adalah suatu pengorganisasian sekumpulan data yang saling terkait sehingga memudahkan aktivitas untuk memperoleh informasi.
Database Manajemen System pada dasarnya adalah sebuah program komputer yang memungkinkan pengguna untuk membuat dan memelihara database sehingga pengguna dapat memasukkan, mengubah, menghapus, memanipulasi dan memperoleh kembali data tersebut dengan mudah .
5 Normalisasi Data Normalisasi data merupakan sebuah metode untuk mengelompokan range atau interval dari nilai-nilai yang berbeda dalam skala yang sama yang lebih kecil.
Salah satu metode normalisasi adalah min-max normalization yang diterapkan untuk fitur numerik.
Formula untuk normalisasi atribut x adalah .
xAo= Keterangan:
xAo = nilai setelah dinormalisasi x = nilai sebelum dinormalisasi min.
= nilai minimum dari fitur max.
= nilai maksimum dari fitur 6 Pengukuran Tingkat Akurasi Setelah dilakukan pelatihan, maka sistem akan diuji kemudian diukur presentasi tingkat akurasinya dengan persamaan di bawah ini:
7 Software yang Digunakan Perangkat lunak .
yang digunakan dalam pembuatan aplikasi ini adalah sistem operasi Windows 7.
Program aplikasi Borland Delphi 2010 dan Microsoft Access 2007.
J-ICON.
Vol.
4 No.
Maret 2016 : 3343
J-ICON
ISSN 2337-7631
HASIL DAN PEMBAHASAN
1 Hasil Sesuai dengan tujuan dari penelitian ini maka dapat diketahui hasil kerja dari metode backpropagation, sehingga dapat dibuktikan metode tersebut dapat digunakan untuk memprediksi beban listrik satu bulan kedepan.
2 Pembahasan 1 Aplikasi Form ini merupakan form tampilan awal dari aplikasi yang telah dibangun.
Pada form ini user dapat mengakses empat menu lainya yaitu menu data master, pelatihan, pengaturan, menu prediksi dan tombol keluar.
Gambar 3.
Tampilan menu utama .
Pada gambar 4 Form pengaturan berfungsi mengatur masukan nilai maksimal epoh, laju belajar dan minimum error.
Sedangkan gambar 5 berfungsi memasukan data mentah dan dikonversikan ke data latih, serta berfungsi menyimpan Kelas range output yang bisa langsung di update pada form tersebut.
Gambar 4.
Form Pengaturan .
Gambar 5.
Form Data Master .
Implementasi Metode Backpropagation Untuk Memprediksi Beban Listrik Di Kabupaten Sikka (Maria O.
Haru.
ISSN 2337-7631 Gambar 6.
Tampilan Form Pelatihan .
Gambar di atas merupakan tampilan form Pelatihan dimana bobot V dan bobot W terlebih dahulu diacak kemudian pelatihan dapat dijalankan.
Gambar 7.
Tampilan Form Prediksi .
Gambar 7 merupakan tampilan form prediksi dimana user diminta untuk memasukan data terlebih dahulu sebelum memulai prediksi.
J-ICON.
Vol.
4 No.
Maret 2016 : 3343
J-ICON
ISSN 2337-7631
Pengujian Tabel 1.
Presentasi Akurasi Pengujian Data .
Error No.
Akurasi terhadap data latih Benar Salah Akurasi terhadap data uji Akurasi terhadap data secara keseluruhan Benar Salah Benar Salah 84,810 84,810 86,076 84,810 86,076 86,076 86,076 86,076 86,076 86,076 86,076 83,544 83,544 83,544 86,076 86,076 83,544 83,544 82,278 84,810 Rata-rata Berdasarkan hasil pengujian dengan menggunakan kondisi diatas terlihat beberapa hal, antara lain .
Dengan bertambahnya nilai maksimum epoh yang diberikan maka nilai MSE yang dihasilkan lebih kecil namun waktu pembelajarannya akan menjadi lebih lama.
Semakin kecil nilai laju pembelajaran maka MSE yang dihasilkan pun kadang semakin kecil kadang semakin besar.
Hal ini di pengaruhi oleh nilai maksimum epoh yang untuk setiap laju pembelajaran.
Berdasarkan 20 percobaan yang dilakukan maka nilai MSE terkecil adalah 0.
terdapat pada percobaan ke-10 dengan nilai laju pembelajaran = 0.
25 dengan nilai minimum error = 0.
001 dan maksimum epoh = 1.
000 dimana nilai error terbaik ada pada epoh ke Dengan menggunakan rumus akurasi data, maka presentasi akurasi terbaik dengan jumlah nilai benar terbanyak dari sistem yang telah dibuat adalah hasil pengujian data untuk data Implementasi Metode Backpropagation Untuk Memprediksi Beban Listrik Di Kabupaten Sikka (Maria O.
Haru.
ISSN 2337-7631 yang sudah pernah dilatih adalah 85 % dengan jumlah data benar adalah 59 data sedangkan hasil pengujian data untuk data yang belum pernah dilatih adalah 75% dengan jumlah data benar adalah 9 data.
Presentasi akurasi terbaik yang diperoleh pada percobaan ke-2 dimana pada hasil pembelajaran tersebut menghasilkan akurasi terbaik secara keseluruhan yaitu 83,9% dengan jumlah data benar sebanyak 66 data.
Perbedaan hasil yang ada disebabkan oleh beberapa perkiraan kemungkinan sebagai .
Data yang digunakan sebagai variabel masukan kurang banyak.
Nilai laju pembelajaran, target error, jumlah sel pada lapisan tersembunyi dan inisialisasi bobot awal yang diberikan kurang tepat.
Nilai maksimum epoh yang diberikan seharusnya lebih besar, sehingga pola pembelajarannya lebih lama sehingga nilai MSE lebih mendekati nilai target error yang diberikan.
IV.
KESIMPULAN DAN SARAN
Kesimpulan Berdasarkan proses yang telah dilakukan pada tugas akhir ini, mulai dari perancangan, pembelajaran sampai dengan pengujian data, dapat disimpulkan beberapa hal antara lain:
Metode backpropagation dapat digunakan untuk melakukan prediksi beban pemakaian listrik satu bulan ke depan.
Berdasarkan 20 percobaan yang dilakukan maka nilai MSE terkecil adalah 0.
terdapat pada percobaan ke-10 dengan nilai laju pembelajaran = 0.
25 dengan nilai minimum error = 0.
001 dan maksimum epoh = 1.
000 dimana nilai error terbaik ada pada epoh ke Berdasarkan hasil pengujian untuk data pernah dilatih maupun belum pernah dilatih, maka presentasi keakuratan yang diperoleh untuk data yang sudah pernah dilatih adalah 85 % dengan jumlah data benar adalah 59 data, sedangkan untuk data yang belum pernah dilatih adalah 75% dengan jumlah data benar adalah 9 data.
Presentasi akurasi yang rendah disebabkan oleh beberapa kemungkinan seperti kurangnya data yang digunakan sebagai variabel masukan, atau penentuan parameter nilai laju pembelajaran, target error, jumlah neuron hidden, maksimum epoh dan inisialisasi bobot awal yang diberikan kurang tepat.
Perubahan error semakin mengecil dan sama hampir disetiap epoh, itu berarti sistem sudah mencapai batas terbaiknya karena perubahan error tidak terlihat signifikan dibanding epohepoh sebelumnya.
Saran Bagi instansi terkait, sistem ini diharapkan bisa membantu dalam memprediksi pemakaian beban listrik untuk satu bulan kedepan.
Bagi peneliti selanjutnya, diharapkan menggunakan data latih sebagai variabel masukan yang lebih banyak sehingga akurasi yang dihasilkan juga jauh lebih baik dan dapat melakukan prediksi tidak hanya untuk pemakaian beban listrik saja tetapi pertumbuhan pelanggan yang lainnya atau dapat memprediksi berbagai hal yang ada kehidupan sehari-hari.
J-ICON.
Vol.
4 No.
Maret 2016 : 3343
J-ICON
ISSN 2337-7631
DAFTAR PUSTAKA