ESTIMASI KEBUTUHAN DAYA LISTRIK MENGGUNAKAN JARINGAN …digilib.unila.ac.id/54578/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · abstrak estimasi kebutuhan daya listrik menggunakan jaringan

ESTIMASI KEBUTUHAN DAYA LISTRIKMENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

PADA GEDUNG H FAKULTAS TEKNIK UNIVERSITAS LAMPUNG

Skripsi

Oleh

JOFANDA DELANO HARIGAN

FAKULTAS TEKNIKUNIVERSITAS LAMPUNG

BANDAR LAMPUNG2018

ABSTRACT

ESTIMATION OF ELECTRICAL POWER USINGBACKPROPAGATION ARTIFICIAL NEURAL NETWORKS

IN H BUILDING FACULTY OF ENGINEERINGUNIVERSITY OF LAMPUNG

By

Jofanda Delano Harigan

This research carried out the electric power estimation. It used the results of smartmonitoring measurement of electrical quantities in H Building Faculty ofEngineering UNILA that had been saved on TIK’s server. Therefore it can beaccessed and displayed by web in real-time. The backpropagation artificial neuralnetworks is a method that has a good approach to a nonlinearity. The variables thatused to electric power estimation are date, day, clock, holiday, room, and electricalpower data in the past. The results of testing the estimation of electric power hadbeen done in the distribution panel of Electrical Engineering and MechanicalEngineering UNILA. It indicated that this method can be used to estimate electricpower for one month ahead with an accuracy of 99,12%. Thus this research can beapplied to real-time estimation processes that can be accessed and displayed by webin real-time..

Keyword : Estimation of electric power, smart monitoring of electrical quantities,artificial neural networks, backpropagation, H Building Faculty Of EngineeringUNILA

ABSTRAK



Oleh


Penelitian estimasi kebutuhan daya listrik menggunakan hasil pengukuran smartmonitoring besaran elektrik di Gedung H Fak.Teknik Unila. Data hasil pengukuranprototype tersebut telah disimpan pada server TIK yang dapat diakses secara real-time menggunakan aplikasi web. Metode Artificial neural networksbackpropagation adalah metode yang digunakan karena mempunyai kemampuanpendekatan yang baik terhadap ketidaklinieran. Variabel yang digunakan adalahdata tanggal, data hari, data jam, data hari libur, data ruangan, dan data daya listrikpada masa lampau. Hasil pengujian estimasi kebutuhan daya listrik yang telahdilakukan pada panel distribusi Teknik Elektro dan Teknik Mesin UniversitasLampung menunjukan bahwa metode ini telah dapat digunakan untuk melakukanestimasi daya listrik dengan range waktu satu bulan kedepan dengan akurasi sebesar99,12%. Dengan demikian penelitian ini dapat di aplikasikan untuk proses estimasisecara real-time yang dapat diakses melalui aplikasi web.

Kata kunci : Estimasi kebutuhan daya listrik, smart monitoring besaran elektrik,artificial neural networks, backpropagation, Gedung H Fak.Teknik Unila



Oleh

JOFANDA DELANO HARIGAN

Skripsi

Sebagai Salah Satu Syarat untuk Mencapai GelarSARJANA TEKNIK

Pada

Jurusan Teknik ElektroFakultas Teknik Universitas Lampung

FAKULTAS TEKNIKUNIVERSITAS LAMPUNG

BANDAR LAMPUNG2018

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 25 Oktober

1996 anak ke-2 dari 3 bersudara. Penulis menyelesaikan

pendidikan dasar di SDN 1 Sribasuki pada tahun 2008,

kemudian menyelesaikan pendidikan menengah pertama

di SMPN 1 Kotabumi pada tahun 2011. Pendidikan

menengah atas penulis selesaikan di SMAN 3 Kotabumi pada tahun 2014, dan

kemudian melanjutkan pendidikan tinggi pada Jurusan Teknik Elektro Universitas

Lampung pada tahun yang sama. Penulis mengambil konsentrasi Teknik Tenaga

Listrik (TTL) dalam perkuliahannya di Jurusan Teknik Elektro. Penulis juga

merupakan asisten laboratorium teknik pengukuran besaran elektrik pada jurusan

Teknik Elektro Universitas Lampung. Penulis juga sempat mengikuti student

exchange (Program Sakura) yang diselenggarakan oleh University of Kitakyushu

Japan pada tahun 2016. Penulis juga aktif dalam beberapa organisasi internal

kampus, yaitu sebagai kepala divisi pendidikan pada Himpunan Mahasiswa Teknik

Elektro.

PERSEMBAHAN

Skripsi ini ku persembahkan bagi :

1. Papa dan Mama tercinta yang telah mencurahkan segenap keringatnya demi

memberikan dorongan moril maupun materi serta tak pernah berhenti

memohonkan bimbingan kepada sang Khalik, Robbal 'alamiin untuk selalu

membimbingku.

2. Kak Aqis dan Celi yang juga telah banyak memberikan bantuan dan dorongan

dalan penyelesaian tugas akhir ini.

3. Almamater tercinta, Universitas Lampung.

4. Juga Bangsa dan tanah airku Indonesia.

MOTTO

"Berikan aku enam jam untuk menebang pohon danaku akan menggunakan empat jam pertama untuk

mengasah kapak"

“Saya memang seorang yang melangkah denganlambat, tetapi saya tidak akan pernah berjalan

mundur ke belakang”

“Tidak ada eskalator kesuksesan. Kau harus menaikitangga”

SANWACANA

Bismillahi,Puji syukur penulis panjatkan kehadirat Allah SWT yang atas berkat

rahmat dan karunia-Nya penulis dapat menyelesaikan Skripsi ini dengan segala

kekurangannya. Skripsi berjudul " Estimasi Kebutuhan Daya Listrik Menggunakan

Jaringan Syaraf Tiruan Backpropagation Pada Gedung H Fakultas Teknik

Universitas Lampung" telah terselesaikan, sebagai salah satu syarat untuk mencapai

gelar Sarjana Teknik pada Jurusan Teknik Elektro Universitas Lampung, juga

sebagai persembahan bagi para pembaca sekalian.

Begitu banyak kekurangan yang mungkin masih terselip dalam coretan-coretan

dalam skripsi ini, penulis mengakui semua kekurangan tersebut karena pada

hakikatnya penulis hanyalah manusia biasa yang tak luput dari kelalaian. Namun

dibalik semua kekurangannya itu, penulis berharap coretan kecil ini dapat memberi

pengetahuan bagi para pembacanya yang semoga hal itu dapat menjadi amal bagi

penulis, amiin ya rab.

Skripsi ini banyak memberikan pengalaman berharga bagi penulis, baik dalam

penyusunan konsep, pengerjaan penelitian, dan penulisan skripsi. Berbagai

dorongan moril maupun materil, bimbingan, dan petunjuk banyak penulis dapatkan

dari berbagai pihak, sehingga penulis dapat melewati berbagai hambatan dalam

menulis skripsi ini. Ucapan terimakasih yang tulus dari hati penulis ucapkan

kepada:

xii

1. Prof. Suharno, M.Sc., Ph.D. selaku Dekan Fakultas Teknik Universitas

Lampung,

2. Dr. Ing. Ardian Ulvan, S.T., M.Sc., selaku Ketua Jurusan Teknik Elektro

Universitas Lampung,

3. Dr. Eng. Herman Holomoan Sinaga, S.T., M.T. selaku Sekretaris Jurusan

Teknik Elektro Universitas Lampung,

4. Dr. Eng. Dikpride Despa, S.T., M.T.IPM, Selaku Pembimbing Utama dalam

penulisan Skripsi ini,

5. Dr. Eng. FX. Arinto Setyawan, S.T., M.T. selaku Pembimbing Pendamping

dalam penulisan Skripsi ini,

6. Herri Gusmedi,S.T., M.T. selaku selaku Penguji dan Pembimbing Akademik

dalam penulisan Skripsi ini,

7. Meizano Ardi Muhammad, S.T., M.T. yang banyak memberi bantuan kepada

penulis saat penulis kekurangan ilmu dalam hal pemrograman,

8. Gigih Forda Nama, S.T., M.T. yang banyak memberi bantuan dalam

memberikan data besaran listrik pada prototype smart monitoring yang

tersimpan pada server TIK,

9. Semua Dosen Jurusan Teknik Elektro yang sudah mengajarkan begitu banyak

ilmu pengetahuan,

10. Papa (Drs. Gunawan, M.Si) dan Mama (Haryani, S.Pd) dirumah yang selalu

berusaha keras agar penulis dapat mengenyam pendidikan setinggi mungkin,

yang tak pernah lelah mendukung serta mendo'akan penulis,

11. Kak Aqis dan Celi yang juga telah banyak memberikan bantuan dan dorongan

dalan penyelesaian tugas akhir ini,

xiii

12. Mbak ning yang sudah membantu segala administrasi kuliah, seminar, dan

semua bantuannya yang lain,

13. Kak Agus dan Kak Khairul yang telah banyak memberikan pengetahuan

mengenai prototype smart monitoring besaran listrik,

14. Pak Maulana yang banyak memberi referensi dan solusi dalam

menyelesaikan permasalahan data minning pada penelitian ini,

15. Teman-teman di Lab PBE, Manda, Ega, Erik, Rahma, Rury, Ismatullah,

Bayu, Fajar, Ade, Ridwam, Boy, Muhlisin, Chiko, dan asisten yang lainnya

yang memberikan motivasi dalam menyelesaikan tugas akhir ini,

16. Kakak-kakak 13 asisten PBE, Kak Ikrom, Mba Yona, Mba Niken, Kak Agus,

Mba Nurul, Mba Ubai,

17. Teman-teman seperjuangan PT. KDL, Ega Primatara dan Cahya Julio,

18. Teman-teman konsentrasi TTL Teknik Elektro UNILA,

19. Teman-teman ELITE 14, kawan-kawan ku seperjuangan, yang entah apa kata

yang pantas untuk menyatakan kami,

20. Teman-teman dan Adik-adik Himatro Unila selaku teman diskusi dan

berorganisasi,

21. Dan semua pihak yang juga banyak membantu serta mendukung penulis sejak

awal kuliah hingga skripsi ini terselesaikan, yang tidak dapat penulis

sampaikan satu demi satu.

xiv

Semoga Allah SWT membalas setiap kebaikan semua pihak yang telah banyak

membantu penulis sejak awal kuliah hingga menyelesaikan skripsi ini. Penulis

meminta maaf bila terlalu banyak kekurangan dan kesalahan dalam penulisan dan

pemilihan kata pada skripsi ini, kritik dan saran yang membangun akan sangat

membantu penulis.

Bandar Lampung, 20 November 2018

Penulis,


DAFTAR ISI

Halaman

HALAMAN JUDUL..................................................................................... i

ABSTRACT................................................................................................... ii

ABSTRAK..................................................................................................... iii

HALAMAN JUDUL..................................................................................... iv

LEMBAR PERSETUJUAN......................................................................... v

LEMBAR PENGESAHAN......................................................................... vi

SURAT PERNYATAAN.............................................................................. vii

RIWAYAT HIDUP....................................................................................... viii

PERSEMBAHAN......................................................................................... ix

SANWACANA.............................................................................................. xi

DAFTAR ISI.................................................................................................. xv

DAFTAR GAMBAR..................................................................................... xix

DAFTAR TABEL.......................................................................................... xxii

I. PENDAHULUAN 1

1.1. Latar Belakang Masalah 1

1.2. Tujuan Penelitian 4

xvi

1.3. Manfaat 4

1.4. Rumusan Masalah 5

1.5. Batasan Masalah 6

1.6. Hipotesis 7

1.7. Sistematika Penulisan 7

II. TINJAUAN PUSTAKA 9

2.1. Sistem Tenaga Listrik 9

2.1.1. Sistem Pembangkitan 9

2.1.2. Sistem Penyaluran 10

2.1.3. Instalasi Pengguna Tenaga Listrik 10

2.2. Karakteristik Sistem Kelistrikan Teknik Elektro Universitas Lampung 11

2.3. Estimasi Sistem Kelistrikan 12

2.4. Metode Estimasi Sistem Kelistrikan 13

2.5. JST (Jaringan Syaraf Tiruan) 15

2.5.1. Konsep Dasar Jaringan Syaraf Tiruan dan Pemodelannya 17

2.5.2 Arsitektur Jaringan Syaraf Tiruan 22

2.5.3 Pengaturan Bobot 24

2.5.4 Metode Backpropagation 25

III. METODELOGI PENELITIAN 31

xvii

3.1 Waktu dan Tempat 31

3.2 Alat dan Bahan 32

3.3 Tahap Penelitian 33

3.4 Daigram Alir Pelaksanaan Tugas Akhir 36

3.5 Implementasai 37

3.5.1 Persiapan Data Jaringan 37

3.5.2 Pelatihan Jaringan dengan Algoritma Backpropagation 38

3.5.3 Proses Estimasi Jaringan Syaraf Tiruan Backpropagation 39

3.6 Program Estimasi 41

IV. HASIL DAN PEMBAHASAN 42

4.1 Arsitektur Model Jaringan Syaraf Tiruan 42

4.2 Penentuan Pola Input dan Outrput 43

4.2.1 Pola Input 43

4.2.2 Pola Output 44

4.3 Preproses Data 46

4.4 Algoritma Pembelajaran Jaringan 50

4.5 Analisa Hasil 50

4.5.1 Tahap Pelatihan Model JST 50

4.5.2 Tahap Pengujian Model JST 77

4.5.3 Estimasi Kebutuhan Daya Listrik 95

xviii

V. KESIMPULAN DAN SARAN 102

5.1 Kesimpulan 102

5.2 Saran 103

DAFTAR PUSTAKA

LAMPIRAN

DAFTAR GAMBAR

Gambar Halaman

2.1. Kurva Karakteristik Sistem Kelistrikan Teknik Elektro

Universitas Lampung.................................................................... 11

2.2. Struktur Jaringan Syaraf Tiruan Dan Struktur Sederhana Sebuah

Neuron.......................................................................................... 17

2.3. Model Tiruan Sebuah Neuron....................................................... 19

2.4. Fungsi Sigmoid Unipolar.............................................................. 20

2.5. Fungsi Sigmoid Bipolar................................................................ 21

2.6. Single Layer Network.................................................................... 22

2.7. Multi Layer Network..................................................................... 23

2.8. Aristektur Backpropagation......................................................... 25

3.1. Tahapan Penelitian........................................................................ 33

3.2. Diagram Alir Tugas Akhir............................................................ 36

3.3. Prosedur Pelatihan JST (Backpropagation) ................................. 38

3.4. Proses Prediksi JST (Backpropagation)....................................... 39

3.5. Program WEKA............................................................................ 41

4.1. Diagram Blok Model JST............................................................. 45

4.2. Pelatihan Daya Listrik Fase R Teknik Elektro (Hari Kerja).......... 54

xx

4.3. Pelatihan Daya Listrik Fase R Teknik Elektro (Hari Libur).......... 55

4.4. Pelatihan Daya Listrik Fase S Teknik Elektro (Hari Kerja).......... 60

4.5. Pelatihan Daya Listrik Fase S Teknik Elektro (Hari Libur) .......... 60

4.6. Pelatihan Daya Listrik Fase T Teknik Elektro (Hari Kerja)........... 65

4.7. Pelatihan Daya Listrik Fase T Teknik Elektro (Hari Libur)........... 65

4.8. Pelatihan Daya Listrik Fase R Teknik Mesin (Hari Kerja)........... 68

4.9. Pelatihan Daya Listrik Fase R Teknik Mesin (Hari Libur)........... 69

4.10. Pelatihan Daya Listrik Fase S Teknik Mesin (Hari Kerja)........... 72

4.11. Pelatihan Daya Listrik Fase S Teknik Mesin (Hari Libur) .......... 72

4.12. Pelatihan Daya Listrik Fase T Teknik Mesin (Hari Kerja) .......... 75

4.13. Pelatihan Daya Listrik Fase T Teknik Mesin (Hari Libur) .......... 76

4.14. Pengujian Daya Listrik Fase R T.Elektro (Hari Kerja)................. 78

4.15. Pengujian Daya Listrik Fase R T.Elektro (Hari Libur) ................. 78

4.16. Pengujian Daya Listrik Fase S T.Elektro (Hari Kerja) ................. 81

4.17. Pengujian Daya Listrik Fase S T.Elektro (Hari Libur) ................. 81

4.18. Pengujian Daya Listrik Fase T T.Elektro (Hari Kerja) ................. 84

4.19. Pengujian Daya Listrik Fase T T.Elektro (Hari Libur) ................. 84

4.20. Pengujian Daya Listrik Fase R T.Mesin(Hari Kerja) ................... 87

4.21. Pengujian Daya Listrik Fase R T.Mesin(Hari Libur) ................... 87

4.22. Pengujian Daya Listrik Fase S T.Mesin(Hari Kerja) ................... 90

4.23. Pengujian Daya Listrik Fase S T.Mesin(Hari Libur) ................... 90

4.24. Pengujian Daya Listrik Fase T T.Mesin(Hari Kerja) ................... 93

4.25. Pengujian Daya Listrik Fase T T.Mesin(Hari Libur) ................... 93

xxi

4.26. Estimasi Kebutuhan Daya Listrik Teknik Elektro Bulan Juni

2018 (Hari Kerja).......................................................................... 95

4.27. Estimasi Kebutuhan Daya Listrik Teknik Elektro Bulan Juni

2018 (Hari Libur)......................................................................... 96

4.28. Estimasi Kebutuhan Daya Listrik Teknik Mesin Bulan Juni 2018

(Hari Kerja)................................................................................... 98

4.29. Estimasi Konsumsi Daya Listrik Teknik Mesin Bulan Juni 2018

(Hari Libur)................................................................................... 99

DAFTAR TABEL

Tabel Halaman

3.1 Penjadwalan Aktifitas Penelitian....................................................... 31

3.2 Alat dan Bahan................................................................................... 32

4.1 Pola Input Jaringan JST...................................................................... 43

4.2 Input-Output Model Jaringan............................................................ 45

4.3 Preproses Data................................................................................... 46

4.4 Format Data....................................................................................... 47

4.5 Attribute Selection............................................................................. 49

4.6 Perbandingan Jumlah Layer Pelatihan Daya Listrik Teknik Elektro

Universitas Lampung Fase R............................................................ 51

4.7 Pelatihan Daya Listrik Teknik Elektro Universitas Lampung Fase

R......................................................................................................... 53


Universitas Lampung Fase S............................................................ 57


S.......................................................................................................... 58


Universitas Lampung Fase T............................................................. 62

xxiii


T......................................................................................................... 63

4.12 Perbandingan Jumlah Layer Pelatihan Daya Listrik Teknik Mesin

Universitas Lampung Fase R.............................................................. 67

4.13 Pelatihan Daya Listrik Teknik Mesin Universitas Lampung Fase

R......................................................................................................... 68


Universitas Lampung Fase S.............................................................. 71


S.......................................................................................................... 71


Universitas Lampung Fase T.............................................................. 74


T......................................................................................................... 75

4.18 Pengujian Daya Listrik Teknik Elektro Universitas Lampung Fase

R......................................................................................................... 79


S.......................................................................................................... 82


T......................................................................................................... 85

4.21 Pengujian Daya Listrik Teknik Mesin Universitas Lampung Fase

R......................................................................................................... 88


S.......................................................................................................... 91

xxiv


T......................................................................................................... 94

4.24 Perbandingan Beban Puncak Aktual dan Beban Puncak Prediksi

Teknik Elektro.................................................................................... 97

4.25 Perbandingan Beban Puncak Aktual dan Beban Puncak Prediksi

Teknik Mesin...................................................................................... 100

I. PENDAHULUAN

1.1. Latar Belakang Masalah

Listrik merupakan peranan penting dalam pertumbuhan pembangunan dan

perkembangan teknologi di suatu daerah bahkan negara sehingga kebutuhan

akan ketersediaan sistem tenaga listrik akan semakin tinggi, mengingat

banyaknya peralatan yang menggunakan tenaga listrik tersebut sebagai sumber

tenaganya. Tenaga listrik ini juga berkaitan erat dengan keberlangsungan hidup

manusia, seperti kegiatan industri, kegiatan rumah tangga, kegiatan ekonomi,

kegiatan pendidikan, dan lain-lain. Kebutuhan akan Tenaga listrik ini pun akan

terus meningkat seiring dengan kemajuan pertumbuhan dan teknologi.

Fakultas Teknik Universitas Lampung (UNILA) adalah salah satu lembaga

pendidikan tinggi yang cukup banyak menggunakan tenaga listrik dalam setiap

aktifitasnya. Kemajuan teknologi dan pertumbuhan pula membuat Fakultas

Teknik Universitas Lampung ini membutuhkan tenaga listrik yang cukup besar

untuk menunjang setiap aktifitas hariannya sehingga diperlukan suatu sistem

kelistrikan yang handal namun tetap ekonomis.

Sistem tenaga listrik di lingkungan Fakultas Teknik UNILA adalah sistem tiga

fase, namun kebanyakan bebannya adalah beban satu fase. Pada sistem

2

distribusi tenaga listrik dengan jenis beban seperti ini, sering kali terjadi

ketidak-setimbangan beban. Dalam pengoperasiannya, besaran-besaran dalam

sistem tenaga listrik juga selalu berfluktuasi, bahkan seringkali melampaui

batasan nilai toleransi. Fluktuasi yang melebihi batas ini bila tidak segera

diatasi dapat mengganggu kinerja sistem tenaga, atau bahkan dapat

menyebabkan kerusakan komponen sistem tenaga.

Beberapa besaran yang berhubungan dengan kualitas sistem tenaga listrik

diantaranya adalah tegangan, arus, daya, faktor daya, energi dan frekuensi.

Profil tegangan dan frekuensi erat hubungannya dengan kestabilan sistem

tenaga. Profil arus, daya, faktor daya, dan energi dapat digunakan untuk

mengestimasi besaran listrik tersebut kedepannya. Berdasarkan landasan

tersebut, estimasi sistem kelistrikan merupakan salah satu aspek penting dalam

menunjang perencanaan operasi sistem tenaga listrik.

Beberapa penelitian terkait pemantauan atau monitoring besaran listrik di

Fakultas Teknik telah dilakukan sampai saat ini. Penelitian pada tahun 2017

dengan judul Implementasi Teknologi Internet of Things (IoT) pada

Pemantauan Besaran Listrik Secara Real Time (Dikpride Despa, Herri

Gusmedi, K. Anwar) telah dilakukan untuk mengetahui besaran listrik yang

terdapat di Jurusan Teknik Elektro dan Jurusan Teknik Mesin. Penelitrian ini

berhasil memonitoring besaran listrik yaitu arus, tegangan, daya, energi,

frekuensi, dan faktor daya sehingga dapat ditampilkan di halaman web sebagai

fungsi real time display. Prototype dari penelitian sebelumnya ini hanya

digunakan untuk memantau besaran listrik yang terdapat di Teknik Elektro dan

Teknik Mesin, namun besaran listrik yang telah terukur dari prototype ini tidak

3

ada yang memanfaatkan untuk digunakan sebagai aspek penunjang

perencanaan operasi sistem tenaga listrik di Teknik Elektro dan Teknik Mesin.

Besaran listrik yang terukur pada prototype smart monitoring ini dapat

dimanfaatkan sebagai aspek untuk menunjang suatu perencanaan operasi yang

optimal untuk keandalan sistem maupun ekonomi sistem tenaga listrik, yaitu

estimasi. Oleh karena itu, studi mengenai estimasi sistem tenaga listrik sangat

diperlukan sebagai penunjang untuk merencanakan operasi sistem tenaga

listrik yang baik dan tepat.

Langkah pertama dalam melakukan estimasi dari data besaran listrik adalah

mengetahui faktor-faktor yang mempengaruhi besaran listrik tersebut. Pola

hubungan antara besaran listrik yang terukur dan faktor-faktor yang

mempengaruhi besaran listrik tersebut adalah nonlinier.

Salah satu metode untuk mengestimasi besaran listrik terhadap ketidaklinieran

adalah menggunakan JST (Jaringan Syaraf Tiruan). Variabel yang digunakan

pada metode JST ini adalah data besaran listrik yang terukur oleh prototype

smart monitoring (daya listrik tiap fase), data tanggal, data hari, data hari libur,

dan data ruangan di masa lampau dimana data tanggal, data hari, data hari libur,

dan data ruangan merupakan faktor-faktor yang mempengaruhi konsumsi daya

listrik tersebut.

Tujuan dari penelitian ini adalah membuktikan bahwa metode estimasi jaringan

syaraf tiruan backpropagation realiable digunakan untuk melakukan estimasi

dari data besaran listrik (daya listrik tiap fase) yang terukur pada prototype

smart monitoring di Gedung H Fakultas Teknik dalam range waktu sebulan

kedepan.

4

1.2. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membuktikan bahwa metode estimasi

jaringan syaraf tiruan backpropagation realiable digunakan untuk melakukan

estimasi dari data besaran listrik (daya listrik tiap fase) yang terukur pada

prototype smart monitoring di Gedung H Fakultas Teknik dalam range waktu

sebulan kedepan.

1.3. Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan beberapa manfaat, diantaranya

adalah sebagai berikut:

1. Mengetahui kemampuan jaringan syaraf tiruan dengan metode

backpropagation dalam mengestimasi data besaran listrik (daya listrik)

pada prototype smart monitoring di Gedung H Fakultas Teknik Universitas

Lampung.

2. Mengetahui seberapa besar kesalahan kemampuan estimasi jaringan syaraf

tiruan dengan metode pembelajaran backpropagation.

3. Mengestimasi kebutuhan daya listrik disetiap fase pada Gedung H Fakultas

Teknik Universitas Lampung dalam range waktu sebulan kedepan.

5

4. Mendapatkan data mengenai kebutuhan daya listrik disetiap fase pada

Gedung H Fakultas Teknik Universitas Lampung dalam range waktu

sebulan kedepan.

5. Memperoleh infomasi kebutuhan daya listrik dan energi listrik disetiap fase

pada Gedung H Fakultas Teknik Universitas Lampung dalam range waktu

sebulan kedepan.

1.4. Rumusan Masalah

Pada permasalahan yang ada, sistem di Gedung H Fakultas Teknik Universitas

Lampung telah dibangun prototype untuk memantau besaran listrik secara real

time namun data dari prototype tersebut belum ada yang memanfaatkan untuk

melakukan estimasi dari besaran listrik (daya listrik) yang terukur dari

prototype tersebut. Untuk melakukan estimasi dari data daya listrik maka perlu

diketahui faktor-faktor yang mempengaruhi daya listrik tersebut. Pola

hubungan antara daya listrik dengan faktor-faktor yang mempengaruhi daya

listrik tersebut adalah nonlinier, sehingga mengalami kesulitan jika

menggunakan metode konvensional. Salah satu metode yang mampu

melakukan pendekatan terhadap ketidaklinieran adalah metode jaringan syaraf

tiruan backpropagation. Oleh karena itu, dengan menggunakan metode jaringan

syaraf tiruan backpropagation realiable atau tidak untuk mengestimasi dari data

besaran listrik (daya listrik tiap fase) pada prototype smart monitoring tersebut.

6

1.5. Batasan Masalah

Penelitian ini memiliki batasan masalah agar tidak melebar dari tujan yang

diharapkan, meliputi hal-hal sebagai berikut:

1. Data hasil pengukuran besaran listrik dari prototype smart monitoring yang

akan digunakan untuk mengestimasi hanya diambil dari database TIK.

2. Data hasil pengukuran besaran listrik pada prototype smart monitoring yang

digunakan untuk mengestimasi hanya data daya listrik tiap fase pada

Jurusan Teknik Elektro dan Teknik Mesin di Gedung H Fakultas Teknik,

Universitas Lampung.

3. Data hasil pengukuran daya listrik pada prototype smart monitoring yang

digunakan hanya dari jam 08:00-17:00 dengan selisih waktu 10 menit pada

setiap harinya.

4. Estimasi kebutuhan daya listrik pada penelitian ini hanya pada Gedung H

Fakultas Teknik, Universitas Lampung.

5. Pembelajaran jaringan syaraf tiruan, menggunakan metode pembelajaran

backpropagation.

6. Untuk membuktikan bahwa metode jaringan syaraf tiruan backpropagation

realiable digunakan untuk melakukan estimasi kebutuhan daya listrik tiap

fase yang terukur pada prototype smart monitoring di Gedung H Fakultas

Teknik.

7

1.6. Hipotesis

Hipotesis pada penelitian ini adalah model JST yang dibangun reliable untuk

melakukan estimasi kebutuhan daya listrik disetiap fase yang terukur dari

prototype smart monitoring pada Gedung H Fakultas Teknik Universitas

Lampung dalam range waktu sebulan kedepan.

1.7. Sistematika Penulisan

Sistematika penulisan dalam penelitian ini terdiri dari beberapa bab sebagai

berikut:

I. PENDAHULUAN

Bab ini menjelaskan tentang latar belakang, tujuan penulisan, manfaat

penulisan, rumusan masalah, batasan masalah, hipotesis, dan sistematika dalam

penulisan.

II. TINJAUAN PUSTAKA

Bab ini menjelaskan mengenai tinjauan berupa literatur yang terkait dengan

teori-teori estimasi dengan menggunakan JST yang berkaitan dengan penelitian

ini.

8

III. METEDOLOGI PENELITIAN

Bab ini menjelaskan mengenai langkah-langkah yang dilakukan pada

penelitian, meliputi waktu dan tempat penelitian, prosedur penelitian, dan

pengambilan data.

IV. HASIL DAN PEMBAHASAN

Bab ini menjelaskan mengenai hasil kemampuan model JST backpropagation

dalam mengestimasi kebutuhan daya listrik tiap fase di Gedung H Fakultas

Teknik Universitas dalam range waktu sebulan.

V. SIIMPULAN DAN SARAN

Bab ini menjelaskan mengenai simpulan tentang keseluruhan dari hasil

penelitian dan berisi saran untuk perbaikan di waktu yang akan datang.

DAFTAR PUSTAKA

LAMPIRAN

II. TINJAUAN PUSTAKA

2.1. Sistem Tenaga Listrik

Sistem tenaga listrik adalah sekumpulan pembangkit listrik dan gardu induk

yang saling terhubung satu sama lain dengan sistem penyaluran (transmisi dan

distribusi) sehingga merupakan satu kesatuan sistem. Ada tiga unsur yang

menjadi batasan terhadap suatu sistem tenaga listrik, yaitu [1] :

a. Sistem Pembangkitan

b. Sistem Penyaluran

c. Beban atau Konsumen Tenaga Listrik

2.1.1. Sistem Pembangkitan

Sistem pembangkitan adalah salah satu bagian utama dalam sistem

tenaga listrik karena sistem ini yang memproduksi energi listrik. Pada

pembangkit, energi listrik yang dihasilkan oleh generator umumnya

memiliki tegangan menengah (20 kV), sehingga dengan tegangan

tersebut tidak mungkin untuk disalurkan ke beban, maka tegangan ini

10

biasanya akan dinaikan dengan transformator daya (trafo step up) ke

tegangan yang lebih tinggi (30 kV sampai 500 kV) agar rugi-rugi yang

ada pada saat proses penyaluran energi listrik di saluran transmisi, tidak

merugikan daya listrik yang dibutukan oleh beban. Tegangan listrik

tersebut kemudian akan diturunkan kembali (20 kV) dengan

transformataor daya (trafo step down) dengan menyesuaikan kebutuhan

bebannya [1].

2.1.2. Sistem Penyaluran

Sistem penyaluran adalah salah satu bagian utama dalam struktur tenaga

listrik yang berperan untuk mengirimkan energi listrik dari sistem

pembangkitan melalui jaringan transmisi, dan disalurkan ke beban atau

instalasi pengguna tenga lsitrik melalui jaringan distribusi. Sistem

penyaluran energi listrik terbagi dua, yaitu [1] :

a. Jaringan Transmisi

b. Jaringan Distribusi

2.1.3. Instalasi Pengguna Tenaga Listrik

Instalasi pengguna tenaga listrik adalah semua instalasi pengguna

(beban) yang membutuhkan tenaga listrik dalam pengoperasiannya.

11

Seiring dengan kemajuan teknologi, instalasi pengguna tenaga listrik ini

pula menjadi permasalahan, yaitu peningkatan kebutuhan energi

listriknya tidak seiring dengan peningkatan penyedia energi listrik.

Kebutuhan energi listrik yang semakin tahun terus bertambah seiring

dengan bertambahnya beban atau pengguna tenaga listrik sehingga

diperlukan estimasi energi listrik yang dibutuhkan untuk tahun-tahun

mendatang agar peningkatan pengguna tenaga listrik atau beban akan

seiring dengan peningkatan penyediaan energi listrik sehingga estimasi

energi listrik ini sangat penting dilakukan sebagai aspek penunjang

perencanaan operasi sistem tenaga yang baik dan optimal [1].

2.2. Karakteristik Sistem Kelistrikan Teknik Elektro Universitas Lampung

Gambar 2.1 Kurva Karakteristik Sistem Kelistrikan

Teknik Elektro Universitas Lampung*

*Tim Monitoring Unila, Unila Electricity Monitoring System, diakses darihttp://uirg.unila.ac.id/EMonS/ , pada tanggal 03 Maret 2018.

12

Gambar 2.1 menunjukan kurva karakteristik sistem kelistrikan pada Gedung

H, Fakultas Teknik, Universitas Lampung. Kurva ini didapatkan dari besaran

listrik yang terukur pada prototype smart monitoring yang terdapat di Gedung

H Fakultas Teknik Universitas Lampung dimana sistem tenaga listrik di

lingkungan Fakultas Teknik UNILA adalah sistem tiga fase [2].

Profil arus, daya, faktor daya, dan energi yang terukur oleh prototype

pemantauan besaran listrik pada Gedung H Fakultas Teknik Universitras

Lampung ini dapat dimanfaatkan untuk dilakukannya estimasi, sehingga

dengan dilakukannya estimasi mengenai sistem kelistrikan ini dapat diketahui

arus, daya, faktor daya, dan energi listrik di Gedung H Fakultas Teknik

Universitas Lampung dalam range waktu sebulan kedepan sehingga dengan

adanya estimasi tersebut dapat menjadi aspek penunjang untuk merencanakan

operasi sistem tenaga listrik yang andal maupun ekonomi [2]-[4].

2.3. Estimasi Sistem Kelistrikan

Menurut kamus besar bahasa indonesia (KBBI), estimasi adalah perkiraan,

penilaian, pendapat atau dugaan. Estimasi adalah suatu metode untuk

memperkirakan nilai suatu populasi dengan menggunakan nilai sampel [5].

Estimasi sistem kelistrikan adalah suatu metode untuk memperkirakan besaran

listrik (daya listrik atau energi listrik) di masa yang akan datang. Estimasi

sistem kelistrikan ini sangat penting untuk diketahui karena dengan adanya

estimasi ini proses perencanaan pembangunan dalam hal pengoperasian tenaga

13

listrik yang sesuai dengan kebutuhan dimasa yang akan datang dapat

direncanakan dengan baik.

Pada estimasi sistem kelistrikan, hal-hal seperti faktor-faktor diluar bidang

kelistrikan yang berpengaruh seperti, perkembangan penduduk, pertumuhan

ekonomi, pertumuhan industri, dan kemajuan teknologi dapat diabaikan dalam

variabel perhitungan estimasi. Namun bila faktor-faktor tersebut dapat diikut

sertakan dalam variabel perhitungan maka hasil estimasi tersebut akan

mendekati kebenaran [6]-[8].

2.4. Metode Estimasi Sistem Kelistrikan

Metode estimasi sistem kelistrikan adalah cara memperkirakan sistem

kelistrikan secara kuantitatif apa yang akan terjadi dimasa yang akan datang

berdasarkan data historis pemakaian tenaga listrik. Hasil yang diperoleh

tergantung pada metode yang digunakan.

Metode dalam memperkirakan kebutuhan energi listrik ini terdapat berbagai

macam metode, diantaranya adalah sebagi berikut [6]:

a. Metode Analitis

Metode ini merupakan metode yang dibangun berdasarkan data dan

analisa penggunaan akhir pada setiap sektor pemakai tenaga listrik. Prinsip

dasar metode analitis adalah perhitungan secara rinci pemakaian energi

listrik oleh setiap beban atau konsumen, untuk itu perhitungan penjualan

14

tenaga listrik dengan metode ini harus dapat memperkirakan jenis dan

jumlah peralatan listrik yang digunakan.

b. Metode Ekonometri

Metode ini merupakan metode yang disusun berdasarkakn kaidah ekonomi

dan statistik yang menunjukan bahwa tenaga listrik mempunyai peranan

penting dalam mendorong kegiatan perekonomian.

c. Metode Kecenderungan

Metode kecenderungan atau disebut juga metode trend adalah metode

yang dibuat berdasarkan kecenderungan hubungan data dimasa lampau

tanpa memperhaitikan penyebab atau hal-hal yang mempengaruhinya

(pengaruh ekonomi, iklim, teknologi, dan lain-lain). Dari data historis

dimasa lampau tersebut diformulasiakan sebagai fungsi dari waktu dengan

persamaan numerik.

d. Metode Gabungan

Metode ini adalah gabungan dari metode analitis, ekonometri, dan metode

kecenderungan sehingga metode ini merupakan suatu metode estimasi

yang sangat tanggap terhadap pengaruh pertumbuhan ekonomi, harga

listrik, kemajuan teknolgi, pertumbuhan penduduk, dan lain-lain.

Pemilihan metode yang harus digunakan atau dipilih sangat tergantung

pada beberapa hal diantaranya adalah sebagai berikut:

15

a. Tujuan estimasi

b. Subyektifitas yang membuat estimasi

c. Kemudahan metodenya serta kemudahaan memperoleh data

pendukungnya.

2.5. JST (Jaringan Syaraf Tiruan)

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi

manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari

sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme

proses terjadinya intelegensi. Bidang ini disebut Cognitive Science. Dari teori

dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam

perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan

yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang

ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur

menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah

Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut

mereka mencoba untuk memformulasikan model matematis sel-sel otak.

Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan

suatu langkah maju dalam industri komputer [9]-[10].

JST adalah sistem komputasi dengan arsitektur dan operasi diilhami dari

pengetahuam tentang sel syaraf biologi di dalam otak. Hal tersebut menjadikan

16

JST sangat cocok untuk menyelesaikan masalah dengan tipe sama seperti otak

manusia. Sistem jaringan syaraf tiruan ditentukan dalam 3 hal berikut [9]-[10]:

a. Pola-pola hubungan antar neuron yang disebut arsitektur jaringan

b. Metode penentuan bobot penghubung yang disebut motode

training/learning/algoritma

c. Fungsi aktivasi yang digunakan.

Secara umum, lapisan pada JST dibagi menjadi tiga bagian:

a. Lapis masukan (input layer) terdiri dari neuron yang menerima data

masukan dari variabel X. Semua neuron pada lapis ini dapat terhubung ke

neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika

jaringan tidak menggunakan lapisan tersembunyi.

b. Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima

data dari lapisan masukan.

c. Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari

lapisan tersembunyi atau langsung dari lapisan masukan yang nilai

luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.

17

2.5.1. Konsep Dasar Jaringan Syaraf Tiruan dan Pemodelannya

Struktur Dasar Jaringan Biologi

Pembuatan struktur jaringan syaraf tiruan dilatar belakangi oleh struktur

jaringan biologi, khusunya jaringan otak manusia.

Neuron adalah satuan unit pemroses terkecil pada otak, bentuk sederhana

sebuah neuron yang oleh para ahli dianggap sebagai satuan unit pemroses

tersebut digambarkan sebagai berikut [11] :

Gambar 2.2 Struktur Jaringan Syaraf Tiruan Dan Struktur Sederhana

Sebuah Neuron**

**Admin, Machine Learning, diakses dari http://entin.lecture.pens.ac.id/MachineLearning/, padatangal 20 Februari 2018.

18

Gambar 2.2 adalah struktur bentuk standar satuan unit jaringan otak

manusia yang telah disederhanakan. Jaringan otak manusia tidak kurang

dari 1013 buah neuron yang masing-masing terhubung oleh sekitar 1015

buah dendrite. Fungsi dendrite adalah sebagai penyampai sinyal dari

neuron tersebut ke neuron yang terhubung dengannya. Setiap neuron

memiliki axon sebagai keluaranya, sedangkan bagian penerima sinyal

disebut synapse. Secara umum jaringan syaraf terbentuk dari jutaan

(bahkan lebih) struktur dasar neuron yang terinterkoneksi dan

terintegrasi antara satu dengan yang lain sehingga dapat melaksanakan

aktifitas secara teratur dan terus menerus sesuai dengan kebutuhan [11].

Konsep Dasar Pemodelan Jaringan Syaraf Tiruan

Tiruan neuron dalam struktur jaringan syaraf tiruan adalah sebagai

elemen pemroses seperti gambar 2.3 yang dapat berfungsi seperti halnya

sebuah neuron. Sejumlah sinyal masukan a dikalikan dengan masing-

masing penimbang yang bersesuaian w. Kemudian dilakukan

penjumlahan dari seluruh hasil perkalian tersebut dan keluarannya yang

dihasilkan dilakukan kedalam fungsi pengaktip untuk mendapatkan

tingkatan derajad sinyal keluarannya F(a,w). Walaupun masih jauh dari

sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja

dari sel biologi yang kita kenal saat ini [11].

19

Gambar 2.3 Model Tiruan Seuah Neuron**

Keterangan Gambar:

aj : Nilai aktivasi dari unit j

wj, i : Bobot dari unit j ke unit i

ini : Penjumlahan bobot dan masukan ke unit i

g : Fungsi Aktivasi

ai : Nilai aktivasi dari unit i

Kumpulan dari neuron dibuat menjadi sebuah jaringan yang akan

berfungsi sebagai alat komputasi. Jumlah neuron dan struktur jaringan

untuk setiap problema yang akan diselesaikan akan berbeda [11].

** Admin, Machine Learning, diakses dari http://entin.lecture.pens.ac.id/MachineLearning/, padatangal 20 Februari 2018.

20

Mengaktifkan Jaringan Syaraf Tiruan

Mengaktifkan jaringan syaraf tiruan ini berarti mengaktifkan setiap

neuron yang dipakai pada jaringan terseut. Banyak fungsi aktivasi yang

dapat dipakai sebagai pengaktif, seperti fungsi-fungsi goniometri dan

hiperboliknya, fungsi unit step, impulse, sigmoid dan lain-lain. Secara

umum, fungsi sigmoid banyak digunakan karena dianggap lebih

mendekati kinerja sinyal pada otak [11].

a. Fungsi Threshold (Batas Ambang)

Pada fungsi ini, nilai variabel terhadap sebuah fungsi output berupa

angka biner (1 dan 0). Fungsi threshold dirumuskan sebagai berikut:

f(x) =1 ≥0 < (2.1)

Untuk beberapa kasus, fungsi ini dibuat tidak berharga 0 atau 1,

tetapi berharga -1 atau 1 (threshold bipolar) sehingga:

f(x) =1 ≥−1 < (2.2)

b. Fungsi Sigmoid

Ada dua jenis fungsi sigmoid, yaitu unipolar dan bipolar. Fungsi

sigmoid unipolar ditunjukan pada persamaan berikut:

y = ( ) (2.3)

21

Gambar 2.4 Fungsi Sigmoid Unipolar **

Fungsi sigmoid bipolar adalah persamaan (2.4) atau (2.5) dan bentuk

fungsi sigmoid bipolar pada gambar 2.5 :

y =( )( ) (2.4)

y =( ) ( )( ) ( ) (2.5)

Gambar 2.5 Fungsi Sigmoid Bipolar**

**. Admin, Machine Learning, diakses dari http://entin.lecture.pens.ac.id/MachineLearning/, padatangal 20 Februari 2018.

22

c. Fungsi Identitas

Fungsi identitas dirumuskan sebagai berikut:

f(x) = x (2.6)

2.5.2 Arsitektur Jaringan Syaraf Tiruan

Arsitektur jaringan syaraf tiruan dibagi menjadi dua kelas berdasarkan

jumlah layernya yitu sebagai berikut [11] :

a. Jaringan Layar Tunggal (Single Layer Network)

Pada jaringan ini, semua unit input dalam jaringan ini dihubungkan

dengan semua unit output, meskipun dengan bobot yang berbeda-

beda.

Gambar 2.6 Single Layer Network **


23

b. Jaringan Layar Jamak (Multi Layer Network)

Jaringan ini merupakan perluasan dari jaringan layar tunggal.

Jaringan ini memperkenalkan satu atau dua lebih layer tersembunyi

(hidden layer) yang mempunyai simpul yang disebut neuron

tersembunyi (hidden neuron).

Gambar 2.7 Multi Layer Network **

Arsitektur jaringan syaraf tiruan ini memiliki arah aliran sinyal masukan

yang diklasifikasikan menjadi dua kelas yaitu sebagai berikut:

a. Jaringan Umpan Maju (Feedforward Network)

Pada jaringan umpan maju ini , sinyal mengalir dari unit input ke

unit output dalam arah maju.

b. Jaringan dengan Umpan Balik (Recurrent Network)


24

Pada jaringan dengan umpan balik ini terdapat neuron output yang

memberikan sinyal pada unit input (feedback loop).

2.5.3 Pengaturan Bobot

Pada jaringan syaraf tiruan ini ada dua macam metode palatihan yaitu

sebagai berikut [11] :

a. Pelatihan Terbimbing

Pada pelatihan ini, terdapat sejumlah pasang data (masukan-target

keluaran) yang dipakai untuk melatih jaringan sehingga diperoleh

bobot yang diinginkan. Pasangan data tersebut berfungsi “guru”

untuk melatih jaringan hingga dipeoleh hasil yang terbaik. Pada

setiap kali pelatihan, suatu input diberikan ke jaringan. Jaringan akan

memperoses dan mengeluarkan keluaran. Selisih anatar keluaran

dan target (keluaran yang diinginkan) merupakan error yang terjadi.

Jaringan akan memodifikasi bobot sesuai dengan error tersebut.

b. Pelatihan Tidak Terbimbing

Pada pelatihan ini, tidak ada “guru” yang mengarahkna proses

pelatihan. Dalam pelatihannya, perubahan bobot jaringan dilakukan

berdasarkan parameter tertentu dan jaringan dimodifikasi menurut

ukuran parameter tersebut.

25

2.5.4 Metode Backpropagation

Backpropagation adalah algoritma pembelajaran yang terawasi biasanya

digunakan dengan banyak lapisan untuk mengubah bobot-bobot yang

terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi.

Algoritma backpropagation ini menggunakan error output untuk

mengubah nilai boot-bobotnya. Untuk mendapatka error ini, tahap

forward propogation harus dikerjakan terlebih dahulu. Pada saat,

forward propogation, neuron-neiron diaktifkan dengan menggunakan

fungsi aktivasi yang dapat didiferensiasikan [11].

Gambar 2.8 Aristektur Backpropagation**


26

Secara garis besar, algoritma ini disebut sebagai propogasi balik yaitu

ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola

tersebut menuju ke unit-unit lapisan tersembunyi untuk diteruskan ke unit-

unit lapisan keluaran. Unit0unit lapisan keluaran memberikan tanggapan

yang disebut sebagai keluaran jarinagn. Saat keluaran jaringan tidak sama

dengan keluaran yang diharapkan maka keluaran akan menyebar mundur

(backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan

masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan

backpropagation atau propogasi balik.

Algoritma pelatihan backpropagation terdiri dari dua proses, feed forward

dan backpropagation dari galatnya. Untuk jelasnya dapat dijelaskan

rinciannya sebagai berikut [6]-[8] :

Langkah 0:

Memberikan inisialisasi penimbang (diberi nilai kecil secara acak).

Langkah 1:

Mengulangi langkah 2 hingga langkah 9 sampai kondisi akhir iterasi

dipenuhi.

Langkah 2:

Untuk masing-masing pasangan data pelatihan (training data) melakukan

langakh 3 hingga langkah 8 (propogasi maju).

27

Langkah 3:

Unit masukan (Xi , i = 1,........n) menerima sinyal masukan Xi dan sinyal

tersebut disebarkan ke unit-unit bagian berikutnya (unit0unit lapisan

tersembunyi).

Langkah 4:

Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor

penimbang dan dijumlahkan serta ditambah dengan biasnya:

= + ∑ (2.7)

Dengan fungsi aktivasi yang digunakan:

Zf = ( ) (2.8)

Kemudian mengirim sinyal tersebut ke semua unit keluaran (unit keluaran)

Langkah 5:

Masing-masing unit keluaran (yk , k = 1,2,3,..... n) dikalikan dengan faktor

penimbang dan dijumlahkan:

= + ∑ (2.9)

Dengan fungsi aktivasi:

yk = ( ) (2.10)

28

Backpropgation dan Galatnya

Langkah 6

Maisng –masing unit keluaran (Yk , k= 1,........n) menerima pola target

sesuai dengan pola masukan saat pelatihan/training dan dihitung galatnya:

= ( − ) ( ) (2.11)

Kemudian menghitung koreksi bobot dengan laju pembeljaran . Laju

Pembelajaran merupakan salah satu parameter JST yang harus ditentukan

sebelumnya.

∆ = . . (2.12)

Menghitung perbaikan koreksi:

∆ = . (2.13)

Langkah 7:

Masing-masing penimbang yang menghubungkan unit-unit lapisan

keluaran dengan unit-unit pada lapisan tersembunyi (Zj , j=1,........n)

dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit berikutnya.

= ∑ (2.14)

29

Selanjutnya dikalikan dengan turuna dari fungsi aktivasi:

= ( ) (2.15)

Menghitung perbaikan penimbang:

∆ = . . (2.16)

Menghitung perbaiakn bias:

∆ = . (2.17)

Langkah 8:

Masing-masing keluaran unit (yk, k=1,...n) diperbaiki bias dan penimbang

( ) = ( ) + ∆ (2.18)

Masing-masing unit tersembunyi diperbaiki bias dan penimbangnya

( ) = ( ) + ∆ (2.19)

Langkah 9:

Uji kondsisi pemberhentian (akhiri iterasi).

Keterangan :

30

: Nilai input

: Unit ke j pada lapisan tersembunyi

: Keluaran untuk unit

: unit ke-k pada lapian keluaran

: net masukan untuk unit ke

: Faktor pengaturan nilai bobot pada lapisan keluaran∆ : Selisih anatara Wkj (t) denagn Wkj (t+1)∆ : Selisih anatara Vkj (t) denagn Vkj (t+1)

: Konstanta laju pelatihan (learning rate )

III. METODELOGI PENELITIAN

3.1 Waktu dan Tempat

Waktu dan tempat pada penelitian ini akan dilaksanakan pada:

Waktu : Februari 2018 – Agustus 2018

Tempat : Laboratorium Terpadu Jurusan Teknik Elektro, Fakultas Teknik,

Universitas Lampung.

Penjadwalan aktifitas dari penelitian untuk tugas akhir ini dapat dilihat pada

tabel 3.1 berikut ini:

Tabel 3.1 Penjadwalan Aktifitas Penelitian

No KegiatanBulan

Mar Apr Mei Jun Juli Ags Sep

1 Studi literatur

2 Studi Bimbingan

32

3Identifikasi dan

perumusan masalah

4 Menganalisa data

5

Metode penyelesaian

dan pembuatan

proposal

6Pengajuan dan

seminar proposal

7Konfigurasi neural

network

8Training, testing,

dan estimasi

9Analisa dan

pembuatan laporan

10Pengajuan dan

seminar hasil

11 Perbaikan Laporan

12Pengajuan Ujian

Komprehensif

3.2 Alat dan Bahan

Alat dan bahan yang digunakan pada penelitian ini dapat dilihat pada Tabel 3.2

berikut:

33

Tabel 3.2 Daftar Alat dan Bahan

No. Alat dan Bahan

1Satu buah laptop dengan spesifikasi Intel Core i5-4210J 1.7

GHz with Turbo Boost up to 2.7 GHz

2 Program Weka 3.8

3. Program Editplus

3.3 Tahap Penelitian

Adapun langkah kerja yang akan dilakukan pada penelitian ini digambarkan

dalam bentuk diagram alir pada gambar 3.1 berikut:

START

StudiLiteratur

StudiBimbingan

PengambilanData

PenentuanVariabel Lain

PerancanganModel

JST

AnalisisModel

JST

Estimasi

PembuatanLaporan

A

A

END

Gambar 3.1 Tahapan Penelitian

34

Gambar 3.1 merupakan tahapan penelitian yang akan dilakukan pada tugas

akhir ini. Semua tahapan penelitian tugas akhir ini dijelaskan secara lengkap

seperti dibawah ini:

1. Studi Literatur

Studi Literatur yang dilakukan adalah mempelajari berbagai referensi dan

materi yang berkaitan dengan pembahasan yang dianbil pada tugas akhir

ini yaitu jaringan syaraf tiruan backpropagation.

2. Studi Bimbingan

Penulis dapat bertanya dan mendiskusikan pembahasan yang diambil pada

tugas akhir ini dengan dosen pembimbing utama dan dosen pembimbing

pendamping agar dapat mengatasi permasalahan pada tugas akhir dan

mengerjakan laporan dengan terarah sesuai dengan ketentuan.

3. Pengambilan Data

Penulis melakukan pengambilan data besaran listrik (daya listrik tiap fase)

dari prototype smart monitoring yang terdapat di Gedung H Fakultas

Teknik, Universitas Lampung dimana data dari prototype tersebut

tersimpan di database TIK Universitas Lampung.

4. Penentuan Variable Lain

Penulis menganalisa pola data besaran listrik (daya listrik tiap fase) dari

prototype smart monitoring, dan menentukan faktor-faktor yang

mempengaruhi daya listrik tersebut .

35

5. Perancangan Model JST

Penulis melakukan proses trial and error dalam menetukan jumlah layer

dan jumlah neuron pada proses pelatihan untuk mendapatkan algoritma

model JST yang paling optimum dari data daya listrik tiap fase di Gedung

H Fakultas Teknik UNILA. Setelah mendapatkan algoritma model JST

yang optimum maka dilakukannya pengujian untuk mengevaluasi model

JST tersebut, dan terakhir dilakukannya estimasi terhadap kebutuhan daya

listrik tiap fase di Gedung H Fakultas Teknik UNILA.

6. Analisa Model JST

Penulis melakukan pengujian untuk melakukan evaluasi model JST hasil

pelatihan tersebut dengan menggunakan data baru diluar data pelatihan.

7. Estimasi

Penulis melakukan estimasi kebutuhan daya listrik tiap fase pada Gedung

H Fakultas Teknik UNILA dalam range satu bulan kedepan, dan

membandingkannya dengan data aktual daya listrik tiap fase nya, untuk

membuktikan seberapa akurat metode JST backpropagation dalam

melakukan proses estimasi.

8. Pembuatan Laporan

Pembuatan laporan tugas akhir ini bertujuan untuk memaparkan hasil yang

diperoleh dari penelitian yang telah dilakukan. Laporan dibagi dua, yaitu

laporan proposal yang dibuat saat akan melakukan penelitian dan laporan

36

akhir yang dibuat saat penelitian telah selesai dan menemukan kesimpulan

dari penelitian yang telah dikerjakan.

3.4 Daigram Alir Pelaksanaan Tugas Akhir

Diagram alir untuk pelaksanaan tugas akhir yang aka dilakukan yaitu sebagai

berikut:

Start

Studi Literatur

Pengambilan Data

Validasi Data

Data Sesuai

Pembagian Data1. Pelatihan2. Pengujian

Studi Bimbingan

Y

N

Format Data MenjadiARFF

A

A

Data ARFF

Hasil PelatihanBaik? B

Model JST

Pengujian JST

Hasil PengujianBaik?

END

Hasil Estimasi

N

Y

Estimasi

Input DataPelatihan

Perancangan Model JST

Pelatihan JST

B

Input DataPengujian

N

Y

Gambar 3.2 Diagram Alir Tugas Akhir

37

3.5 Implementasai

3.5.1 Persiapan Data Jaringan

Penentuan data energi listrik pada hari-hari similar dengan hari estimasi

yang akan menjadi masukan (input) jaringan mengikuti algoritma

sebagai berikut:

1. Batasan Pemilihan Data

Pada penelitian ini digunakan data besaran listrik yang terukur dari

prototype smart monitoring di Gedung H Fakultas Teknik

Universitas Lampung dari bulan November 2017 sampai bulan Mei

2018 yang diambil dari database TIK.

2. Pengumpulan Data

Data yang digunakan adalah data tanggal, data hari, data jam, data

hari libur, data ruangan (jadwal kuliah) sebagai variabel inputnya,

sedangkan variabel outputnya adalah data besaran listrik (daya

listrik) disetiap fasenya yang diperoleh dari prototype smart

monitoring yang terdapat di Gedung H Fakultas Teknik UNILA dari

bulan November 2017 – Mei 2018, dimana data daya listrik yang

digunakan hanya dari jam 08:00-17:00 dengan selisih waktu 10 menit

pada setiap harinya.

38

3. Model/ Metode yang diusulkan

Pada tahap ini metode yang diusulkan adalah metode JST berbasis

backpropagation. Pada tahap pemodelan yang menggunakan JST

berbasis backpropagation dilakukan untuk menghasilkan arsitektur

jaringan syaraf yang optimal.

3.5.2 Pelatihan Jaringan dengan Algoritma Backpropagation

Proses Pelatihan JST (Backpropagation)

Proses pelatihan JST (backpropagation) dilakukan dengan cara trial and

error dengan memvariasikan jumlah layer dan neuronnya untuk

mendapatkan hasil yang optimum. Berikut prosedur pelatihan pada JST

backpropagation:

Start

Perancangan Model JST

Data Pelatihan

PelatihanSesuai Target :

Melatih Jaringan SyarafTiruan

End

Tidak

Y

MengupdateJumlah layer dan

Neuron

ModifikasiJaringan Syaraf

Tiruan

Pelatihan selesai

Gambar 3.3 Prosedur Pelatihan JST (Backpropagation)

39

3.5.3 Proses Estimasi Jaringan Syaraf Tiruan Backpropagation

Langkah awal sebelum melakukan estimasi adalah mengevaluasi model

JST hasil pelatihan, sehingga dengan dilakukannya evaluasi atau

pengujian dapat diketahui kemampuan model jaringan syaraf tiruan

terhadap data baru diluar data pelatihan. Berikut ini diagram proses

estimasi dengan JST:

Start

LoadMatriksBobot

Input DataPengujian Update

Model JST

Hasil PengujianBaik?

Estimasi

HasilEstimasi

End

Y

N

Gambar 3.4 Proses Estimasi JST (Backpropagation)

Proses estimasi dengan jaringan syaraf tiruan dengan algoritma

backpropagation ini akan menghasilkan model JST untuk mengestimasi

40

kebutuhan daya listrik tiap fase di Gedung H Fakultas Teknik UNILA

dalam jangka waktu sebulan kedepan dalam batasan setiap harinya dari

jam 08:00 – 17:00 dengan selisih waktu 10 menit. Hasil estimasinya akan

dibandingkan dengan data aktual pada bulan estimasi tersebut sehingga

dapat membuktikan metode JST backpropagation relaiable untuk

melakukan estimasi dengan data prototype smart monitoring tersebut.

Rata-rata error dar hasil prakiraan sistem kelistrikan ini diperoleh dengan

rumus sebagai berikut:

Relative Absolute Error:= | | ……… | || | …….. | | × 100% (3.1)

Keterangan:

= Error Estimasi

………… = Aktual

………… = Estimasi

41

.6 Program Estimasi

3.5 Program WEKA***

Ada banyak program-program untuk melakukan estimasi, salah satunya ada

WEKA. WEKA merupakan tools untuk data mining memaanfaatkan algoritma

mechine learning. Program ini memiliki koleksi algoritma mechine learning

yang dapat digunakan untuk melakukan generalisasi atau formulasi dari

sekumpulan data sampling. Program ini juga dikembangkan dengan

menggunakan bahasa Java, sehingga bisa dijalankan dalam banyak platform

cukup dengan JRE. Pada proses pelatihan dengan menggunakan metode JST

backpropagation, program WEKA ini memiliki waktu yang lebih cepat untuk

mencapai kestabilan dibandingkan program mechine learning lain, seperti

MATLAB neural network [12].

*** Wikipedia, Weka (Machine Learning), diakses dari http://en.wikipedia.org/wiki/Weka_(machine_learning)/, pada tanggal 05 Juni 2018.

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berikut adalah beberapa kesimpulan yang didapat dari penelitian ini, yaitu:

1. Estimasi kebutuhan daya listrik di Gedung H, Fakultas Teknik, Universitas

Lampung dapat dilakukan dengan menggunakan metode jaringan syaraf

tiruan backpropagation.

2. Estimasi kebutuhan daya listrik menggunakan jaringan syaraf tiruan

backpropagation memiliki akurasi ± 99,12% .

3. Hasil estimasi kebutuhan daya listrik menggunakan metode jaringan syaraf

tiruan backpropagation menunjukkan bahwa dengan lebih banyak atribut

input pembelajaran memberikan tingkat error yang lebih kecil

dibandingkan dengan sedikit input pembelajaran.

4. Pada data pelatihan dan data pengujian didapatkan perbandingan error

antara data daya listrik aktual dan data daya listrik hasil estimasi dimana

error yang dihasilkan tidak besar atau mendekati data aktualnya (target).

43

5.2 Saran

Berikut adalah beberapa saran yang didapat dari penelitian ini, yaitu:

1. Mengembangkan model JST yang lebih sempurna baik pada struktur

jaringan, metode pembelajaran, dan penentuan parameter-parameter

jaringan yang tepat.

2. Perlu dilakukannya investigasi, jam berapa saja pengguna beban

listrik di Gedung H Fakultas Teknik UNILA banyak menggunakan

beban listrik sehingga dapat digunakan untuk menambah atribut input

pembelajaran sehingga nilai error semakin kecil.

3. Estimasi kebutuhan daya listrik menggunakan jaringan syaraf tiruan

backpropagation dapat ditingkatkan menjadi sistem online sehingga

dapat dipantau menggunakan website secara realtime.

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1].D. Marsudi, Operasi Sistem Tenaga Listrik, Jakarta: Graha Ilmu, 2006.

[2]. D. Despa, G. F. Nama, and M. A. Muhammad, The Implementation Intenet of

Things (IoT) Technology in Real Time Monitoring of Electrical Quantities,

Bandar Lampung, 2017.

[3]. D. Despa, G. F. Nama, and M. A. Muhammad, Real-time Web Monitoring

dan Estimasi Sistem Kelistrikan dengan Teknologi IOT, Bandar Lampung,

2017.

[4]. D. Despa, M. Komarudin, and G. F. Nama, Smart Monitoring of Electrical

Quantities Based on Single Board Computer BCM2835, Bandar Lampung,

2015.

[5].Kementerian Pendidikan dan Kebudayaan Republik Indonesia, Kamus Besar

Bahasa Indonesia, [Online]. Tersedia: https://kbbi.kemdikbud.go.id/estimasi/

[Diakses: 4 Maret 2018].

[6]. D. A. Sari, Prediksi Kebutuhan Beban Jangka Pendek Menggunakan Jaringan

Syaraf Tiruan Backpropagation, Semarang, 2006.

[7].H. Irma, Alimudin, and Suhendar, Prediksi Beban Tenaga Listrik

Menggunakan Metode Jaringan Syaraf Tiruan. Cilegon, 2012.

[8]. Nurbaqin, Sistem Peramalan Beban Satu Jam Ke Depan Menggunakan

Jaringan Syaraf Tiruan, Semarang, 2003.

[9].J. J. Siang, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan

Matlab, Yogyakarta: ANDI, 2005.

[10]. S. Kusumadewi, Membangun Jaringan Syaraf Tiruan Menggunakan

MATLAB & EXECL LINK, Yogyakarta: Graha Ilmu, 2004.

[11]. Admin, Machine Learning, [Online]. Tersedia:

http://entin.lecturer.pens.ac.id/MachineLearning/ [Diakses: 20 Februari 2018].

[12]. Y. Sigit, Implementasi Data Mining Menggunakan Weka, Malang:

Universitas Brawijaya Press, 201

ESTIMASI KEBUTUHAN DAYA LISTRIK MENGGUNAKAN JARINGAN …digilib.unila.ac.id/54578/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · abstrak estimasi kebutuhan daya listrik menggunakan jaringan

Documents