Upload
doanngoc
View
258
Download
2
Embed Size (px)
Citation preview
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
ESTIMASI KEBUTUHAN DAYA LISTRIKMENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PADA GEDUNG H FAKULTAS TEKNIK UNIVERSITAS LAMPUNG
Oleh
Jofanda Delano Harigan
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
ESTIMASI KEBUTUHAN DAYA LISTRIKMENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PADA GEDUNG H FAKULTAS TEKNIK UNIVERSITAS LAMPUNG
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,
Jofanda Delano Harigan
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
4.8 Perbandingan Jumlah Layer Pelatihan Daya Listrik Teknik Elektro
Universitas Lampung Fase S............................................................ 57
4.9 Pelatihan Daya Listrik Teknik Elektro Universitas Lampung Fase
S.......................................................................................................... 58
4.10 Perbandingan Jumlah Layer Pelatihan Daya Listrik Teknik Elektro
Universitas Lampung Fase T............................................................. 62
xxiii
4.11 Pelatihan Daya Listrik Teknik Elektro Universitas Lampung Fase
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
4.14 Perbandingan Jumlah Layer Pelatihan Daya Listrik Teknik Mesin
Universitas Lampung Fase S.............................................................. 71
4.15 Pelatihan Daya Listrik Teknik Mesin Universitas Lampung Fase
S.......................................................................................................... 71
4.16 Perbandingan Jumlah Layer Pelatihan Daya Listrik Teknik Mesin
Universitas Lampung Fase T.............................................................. 74
4.17 Pelatihan Daya Listrik Teknik Mesin Universitas Lampung Fase
T......................................................................................................... 75
4.18 Pengujian Daya Listrik Teknik Elektro Universitas Lampung Fase
R......................................................................................................... 79
4.19 Pengujian Daya Listrik Teknik Elektro Universitas Lampung Fase
S.......................................................................................................... 82
4.20 Pengujian Daya Listrik Teknik Elektro Universitas Lampung Fase
T......................................................................................................... 85
4.21 Pengujian Daya Listrik Teknik Mesin Universitas Lampung Fase
R......................................................................................................... 88
4.22 Pengujian Daya Listrik Teknik Mesin Universitas Lampung Fase
S.......................................................................................................... 91
xxiv
4.23 Pengujian Daya Listrik Teknik Mesin Universitas Lampung Fase
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 **
** Admin, Machine Learning, diakses dari http://entin.lecture.pens.ac.id/MachineLearning/, padatangal 20 Februari 2018.
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)
** Admin, Machine Learning, diakses dari http://entin.lecture.pens.ac.id/MachineLearning/, padatangal 20 Februari 2018.
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**
** Admin, Machine Learning, diakses dari http://entin.lecture.pens.ac.id/MachineLearning/, padatangal 20 Februari 2018.
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