ISSN: 1907-5030REINTEKJurnal llmu Pengetahuan dan Teknologi TerapanVolume 7. No. I Juni 2012 Halaman I - 100

Daffar Isi

linurgl hnpak llehnet Sepeda Motor Yang Dikenai Beban Jatuh Bebas (l - 7)

Rahmat Kartolo Simlnjuntak (KOPERTIS Wilayah I)

Mikro Silika Sebagai Bahan Tambah Untuk Meningkatkan Kuat Tekan Beton Mutu Tinggi (8 - 14)

Herri Mahyar (Politoknik Negeri Lhokseumawe)

Perancangan Website Pada PT. Ratu Enim Palembang (15 -27)X'ebrin Aulia llatubrra (Politeknik Negeri Medan)

Porkembangan Temperatur Kritis (T"r) Bahan Superkonduktor (28 - 32)

Syahrul Humaidi, Achiruddin dan Tuaraja Simbolon (Universitas Sumatera Utara)

Pengaruh 1'emperatur Tempering Terhadap Kekuatan Lelah Material BajaKarbon Menengah (33 -42)Frrnlcy Sutrisno (Institut Teknologi Medan)

Penggunaan Transformasi Laplace Untuk Menghitung Transient Yang Terjadi AkibatEksitasi Pada Generator (43 - 55)

Noorly Evalina (U nivcrsitas Muhammadiya h Sumatera Utara)

Irvnluasi Kinerjo Struktur Bangunan Rumah Toko Di Kota Medan Dibawahlleban Cempa Jauh Akibat Pengaruh Alih Fungsi Dan Bentuk Bangunan (56 - 67)

Trio Pa h lawa n (Po llte k n I k Neg e r I L h o kse umawe)

llubungan Karakteristik Petugas Baca Dengan Frekwensi Kesalahan Baca Stand Kwh MeterPelanggan (68 -74)RiJnbawuti, Muhammad Adam (Universitas Muhammadlyah Sumatera Utara,Sekoluh Tinggi Teknologi Pekanbaru)

Simulasi Distribusi Tegangan lmpak Pada City Car Bumper Yang Terbuat Dari Bahan Komposit P/Diperkuat Serat TKKS (75 - 80)

Zultikar (KOPERTIS Wilayah I)

Kajian Parameter Daktilitas Pada Struktur Dinding Ceser Pelat Baja (81 - 90)

Tondi Amirsyah Putera (Universitas Muhammadiyah Sumatera Utara)

Prediksi Beban Listrik Sumatera Utara Dengan Menggunaka nFuzzyCluster (91 - 100)

Hermansyah Alam (Institut Teknologi Medan)

REINTEKJURNAL ILMU

PENGETAHUANDAN TEKNOLOGI TERAPAN

PREDIKSI BEBAI\ LISTRIK SUMATERA UTARA DENGAI\MENGGI]NAKAN FUZZY CLUSTER

Hermansyah AlamHermans itm@yahoo.co.id

staff Pengajariffi%l'H-^t:'"T:.lTll;*ff *orogiMedan

Abstract

Growth of computing technologt which hm'e to technologt of soft computing to look for a[nalternative method of predilrsi electrics burden shorhrange base on Fuzzy Cluster. Preditrsi usage ofelectrics energi short-range. Sowce of data the needed electrics burden data of Center Divisor Of BurdenofPT. PLN ( Persero) each;every [hour/clock] start at 00.0a up tu at 24.00, on normal and national drysofi what later;then the data will be learnt sortware system which have been designed to base on clusterfuzzy. From result of simulation got mean of error the overall of that is 3.93 %for PLN and 1.08 okfor

fuzy. Thereby can be concluded thot predicting electria burden short-range by usrns compared to betterclustering subtracttvefuzzy to predict electrics burden by using coeflicient method [dondcondueted] byPLN, but the result a longwry offrom predicting clusterfuzzy.

Keywords : Prediksi, Burden Electrics, Fwzy Cluster.

investasi dan Komersil, Pemerintah dan Bank1. Pendahuluan sentral. Fasilitas itu adalah teknologi

r--: kecerdasan buatan (ArtiJicial intettigenci)Lrunra saat rnr suoan mengalamtglobatisasi, jarak antar negara hampir tidak li-",9^i:t^-sangat

pesat seiring dengan

ada batas ssagai hasil p"rt"rnuunlun f*:^tlTiT komputer diberbagai negara di., i. .^ . , ,r :: benuaAmerika"EropadanAsiabeberapaIeKnologt tnlorrnarir oan pernuDungan __r _ __ / ..FDidatamnya tetah terjadi perubahan bellr ::::E^!::!:ial intelligence' mendapatkan

oaram ra ran peri kehidupan r*;;; ftlffl-flg cukup serius oleh para peneliti

termasuk dalam dunia r.uuungu"] 1^*:!"*lilp€rguruan tinggi sertra berbagai

perdagangan mata uang atau uatuta asilg tlfl:] ,lill* beberapa cabang mulai

(currency exchange) pada masa oilar<ulai *l*,^f:tegrasikan dengan cabang ilmu

.r r r , , ,.,--" yang lainnya, dalam membantu aktivitassecana Konvenslonil oan setatu mengnaorrKanfisik mata uang itu sendiri, namun o"nin lTSu-^:::* mudah' cepat' tepat' dan

perkembangan teknologi diatas p"rougun!;; :l:gf-,$f. memakan waktu vang lama'

vatuta asing dapat ditaliukan secara inr"*iti lmfllt*' kebutuhan ini diaplikasikan di

tanpa menghadirkan fisik mata uang. oioala- akademis-akademis perguryan- tinggi'

p"dugungui pasar uans,up*yu1ur ruiur, ffffiT,"-fgtr|;;itrff'il31j?"Xfrkketinggalan dengan melalui fasilitas ini. ;;; .;;--- --;:::': Hybrid Fuzw Logic. Ditinjau dari aplikasnya"senrngga memungKrnKan pelaKu pasar uangdiseluruh dunia untuk menjadi pemain aururi l:3,^,1"u-t: dapat diterapkan untuk

jual beli valuta asing. Tentunya kitu *ii

fyitlT: pengidentifikasian' pengendalian'-belahan

bumi indonesia dengan fasilitas yan! f:fL:f":1-derau' pengenalan pola dan

ad4 perdagangan tersebut dapat ozrcuti aai H11ti,^9,1T:lan)' Fuzzy Logic merupakan

diprediksi apa yans harus diiakut un autlil t,:ti:i i.:t:g^:"

adaptif berbasis inferensi

mengadakan transaksi jual beli rnutu uilg l:E|F.}]/:g menggabungkan dua metode

diantaranya Para konsumen, r"rorrriofl f]::J"J:le.adaPtif ( neural network ) dan

bisnis, rnvestor dan Spekulator, d;i. i.1?* i'"13* T:::d:..11llirdigunakansumber informasi data numerik sedangkan

Prediksi Beban Listrik Sumatera Utara Dengan Menggunakan Fuzzy Cluster(Hermansyah AIam)

9l

metode fuzzy menggunakan informasi datalinguistik yang akan dikaitkan kepadaprediksi runtun waktu ( time series ), naikturunnya indeks Prediksi beban listrik pada

dari waku ke waktu ( tahunan, bulanan,mingguan, dan harian ). Penggabungan dua

metode tersebut diharapkan dapat

membangun sistem prediksi yang optimal.Proses pencariaan parameter premis dan

konsekuensi dilakukan proses pembelajaranatau pelatihan, dengan jenis pembelaiaranbackpropagation dan hybrid ( gabungan fuzzydan neural network ). Algoritma hybrid akan

mengatur parameter-parameter secara maj u (forward) dan akan mengatur secaramundur (bachnard ). Pada langkah maju, inputjaringan akan merambat maju yangparameter-parameternya akan d2dentifikasidengan menggunakan metode estimasikwadrat terkecil ( Least Square Methode )dan sebaliknya pada langkah mundur galatsinyal akan merambat mundur yang akan

memperbaiki parameter-parameternya dengan

menggunakan metode backpropagation atau

penurunan gradien (gradient descent).

2. Tinjauan Pustaka

2.1 Kajian Pustaka

Menurut lofti A.Zadeh (1960) ,

kaons ep Fvzry logic adalah sangat sederh ana

sehingga,mudah dipahami kelebihannyadibanding konsep yang lain bukan padakopleksitasny a,tetapi p ada naturalnesspendektaanya dalam memecahkan masalah.

Fleksibel dalam arti dapat dibangun dan

dikembangkan dengan mudah tanpa harus

memulainya dari nol, danuntuk mencaripemod elanlpemetaan

hubungan data input-output dari sembarangsistem black-box bisa di lakukan denganmemakai sistem fuzzy " Menurut Mamdanidan Assilian (1975) Fuzry Controller adalah

telah berkernbang menjadi bidang penelitianyang aktif dan menjanjikan sebagai aplikasiteori himpunan Fuzry,logika finzy dan fuzzyreasoning.Terdapat beberapa jenis fungsikeanggotaan yang dapat digunakan dan

beberapa metode .Langkah langkahperancangan,pemi lihan faktor skala,pemilihanfungsi keanggotaan fuzry pembuatan aturan

fuzzy " Menurut Sugiono terdapat empat

metode untuk menentukan aturan kendalifizry dan masing masing metode tersebutmungkin diperlukan untuk menemukanmetode yang efektif dalam menentukanaturan kendali fuzzy keempat metode ituadalah: Pengetahuan expert dan Operatorteknis,Pemodelan aksi kontrol operator,Berdasarkan model fuzry dan analisis tingkahlaku proses yang dikendalikan,Berdasarkanpembelajaran (self organi zing)

2.2 Dasar - Dasar Teori Pendukung

2"2.1 Logik aFuzzyttl

Logika fuzzy adalah cara yang tepatl mudahuntuk memetakan input-output didasari olehkonsephimpunan fuzry "

iiliii,Ir';igr:'l

r+t.rrr,, int,;

Gambar 2.1 Pemetaan Input-Output

Antara input dan output terdapat suatu kotakhitam yang harus memetakan input ke outputyang sesuai. Selama ini, ada beberapa aarayang mampu bekerja pada kotak hitamtersebut, antara lain :

l. Sistem fuzzy2" Sistem linier3. Jaringan Saraf4. Persamaan differensial5. Siatem pakar

Meski adabeberapa carayang mampu bekerjadalam kotak hitam tersebut, namun fuzzyakan memberikan solusi yang paling baik.Sebagai mana yang telah detemukan olehLotfi A. Zadeh, bapak dari logika fizry : "Pada hampir semua kasus kita dapatmenghasilkan suatu produk tanpamenggunakan logika fuzry, namun

92 REINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

menggunakan fuzzy akan rebih cepat danIebih murah "a

2.2.2. Himpunan Fuzzy trl

Teori probalitas pada kurun waktuabad ini memegang peranan penting untukmenjelaskan pengertian tentang ketidakpastian. Pada tahun lg6s, prof. Lotfi A.zadeh dari universitas california di Barkeleymemperkenalkan konsep tentang himpunanfuzzy (fumy set : himpunan kabur) yangsecara tidak langsung menyatakan bahwaselain pendekatan probabilitas, ketidakpastian dapat didekati dengan metode laindalam hal ini konsep himpunan fuzzy.

Teori himpunan fuzzy merupakankerangka matematika yang digunakan untukmerepresentasikan ketidak pastian, ketidakjelasan, ketidak tepatan, kekuranginformasian dan kebenaran parsial(Tettamanzi, 2001).Pada dasarnya himpunan fuzzy merupakanperluasan dari himpunan klasik (crisp), padahimpunan klasik A suatu elemen akanmemiliki 2 kemungkinan keanggotaan yaituanggota A dinotasikan dengan pA(x). padahimpunan klasik ada dua keanggotaan yaitupA(x) - I apabila x merupakan anggota Adan pA(x) - 0 apabila x bukan anggota A.

2.2.3. Fungsi Keanggotaan

Ada dua cara mendefenisikankeanggotaan himpunan fuzzy, yaitu secaranumeris dan fungsional.l. Defenisi numeris menyatakan fungsiderajat keanggotaan sebagai vektor jumlahyang tergantung pada tingkat diskretisasi.Misalny\ jumlah elemen diskret dalamsemesta pembicaraan.2. Defenisi fungsional menyatakander{at keanggotaan sebagai batasan ekspresianalitis yang dapat dihitung. standar atauukuran tertentu pada fungsi keanggotaansecara umum berdasar atas semesta xbilangan real.

Fungsi keanggotaan (membership-function) yang sering digunakan terdiri daribeberapa jenis, yaitu :

l. Fungsi-S (S-function)Persamaan dari fungsi-S ini adalah :

jika x <ajika aSx Sbjikab Sx Scjikax > c

Dengan b: (a + cyT(2.t)

Titik persilangan S terjadi padu L = (a + c)/ 2

Gambar grafikkeanggotaannya adalah :

fungsi

. Gambar 2.2 Fungsi Keanggotaan S

2. Fungsi-7r (n-Function)

Fungsi ini berbentuk bel dan mempunyai duaparameter yaitu b dan c (Gambar 2.2 ).Parameter c menentukan titik tengah danparameter b menentukan rebar bidang padatitik persilangan. Titik persilangan terdapatpada: u: c t b /2. persamaan fungsi - Tc

diperoleh dari persamaan fungsi-S, y&itu :

,,(*,b,,)=ffi;?,:;l,l!.rl#:::(2.2)

Gambar grafik fungsi keanggotaannya adalaha

a

Gambar 2.3 Fungsi Keanggotaan x

2. Fungsi Keanggotaan Segitiga

(Triang ular Membe rs h ip F unctio n)

Persamaan untuk bentuk segitiga iniadalah :

s(,, o,b)=h -,)i(,:il'-Y-r-'"t

It-,[t;d'b-dr

Prediksi Beban Listrik Sumatera Utara Dengan Menggunakan Fuz.zy Ctuster(Hermansyah Alam)

-.4\

/ \c

93

Fungsi segitiga didefinisikan sebagaiberikut :

jikax<qx>c(.-d(n-d jika alx<b

b-lt('-d jika b<xsc(2.3)

Gambar grafikkeanggotaannya adalah :

fungsi

&BC

Gambar 2.4 Fungsi Keanggotaan Segitiga

:

3. Fungsi keanggotaan Trapesium

Persamaan untuk bentuk trapesium ini adalaha

a

jikax<qx>djil(n b<xSc

jika a<xSb

jiko c<x<d

keanggotaannya adalah

Gamb ar 2.5 Fungsi Keanggotaan Trapesium

4, Fungsi Keanggotaan generalized Bell

(Gbett Memb ership Function)

Persamaan untuk bentuk gbell iniadalah :

Gambar grafik keanggotaan adalah :

G{x;d,&,c}:

(2.5)

qhud={7k

(d)tc)

bar

l.q

anm

4

Gra

a

$I

tw

\a-4)gsi

0

1

-d,

-t,(2.Fun

-dr(-lr((2.4

funs

I

{,

grafik

qhdd

')

I

b.

ffiffiGambar 2.6 Fungsi Keanggotaan Gbell(a) merupakan parameter a, (b) merubah

parameter b, (c) merubah parameter c, (d)merubah parameter b dan c

2.2.5 Inferensi Fumy

Inferensi logika furuy mempunyaikemiripan dengan penalran manusia. Inferensifur.zy terdiri dari :

a. Pengetahuan (knowledge) adalahmelibatkan penalaran fuzzy yangdinyatakan sebagai aturan dalambentuk :

IF (iika) x is A, TI{EN (maka) y isBDengan x dan y adalah variabelfuzzy, A dan B adalah nilai fuzzy.Penyataan pada bagian premis(atau konsekuensi) dari aturan dapatmelibatkan penghubung(connective) logika seperti ANDdan OR.Contoh : IF x is A AND y is BTHEN z is CFakta adalah merupakan masukanfuz.zy yang harus dicari inferensi(konklusi) nya denganmenggunakan aturan fvz.zy.Masukan fakta tidak harus samadengan basis pengetahuan.Konklusi adalah inferensi yangsepadan (matched) parsial diperolehberdasarkan fakta fuz-zy dan basispengetahuan fuzzy.

94 REINTEK. Vol.7, No.l.Tahun 20I2.ISSN 1907-5030

c.

2.2.5.1. Prosedur Inferensi Fu my

Adalah dua jenis prosedur inferensifumy yaitu : General lized Modus ponens(GMP) dan Generallized Modus Tollens(GMT). Dengan himpunan fuuy A, A', B, B,dan variabel linguistic x, y, maka GMp danGMT dinyatakan sebagai berikut :

l. GMP adalah inferensi majuberdasarkan fakta masuk an yang disebut jugapenalaran langsung seb agaiberikut :

Premis I (Pengetahuan) : Jika x adarah Amaka y adalah BPremis 2

Konsekuensi (konklusi) : y adalah B'Konsekuensi B' dapat diperoleh dengan :

Bt:A'oR:A'o(A B)

--+(Z.ZA)Dengan R : relasi fuz4r dari implikasifumyo : Operator komposisiA B

-+ fungsi implikasi fuzzlr o,

jikaAmakaB"A' : himpunan fumy masukan fakta(misal : sangat A, lebih atau kurang A,bukan A, dan lain-lain)2. GMT adalah inferensi mundur ataupenalaran tak langsung berdasarkan faktakeluaran yang dilakukan sebagai beriut.Premis I (Pengbtahuan) : Jika x adalah Amaka y adalah BPremis 2 : y adalah B'Konsekuensi (konkl usi)Konsekuensi A' dapat diperoleh sebagaiberikut :

A':RoB'(AB',(2.21) ->B

) o

GMP cocok untuk sistem pengendali tuz,zysedangkan GMT cocok untuk sistemdiagnostic medis.

Struktur dasar sistem inferensi fuzzy terdiriatas :

l. Basis aturan yang berisi sejumlahaturan fuzzy yang memetakan nilaimasukan fuzzy ke nilai keluaranfuzzy. Aturan ini dinyatakan denganformat IF - THEN

2. Basis data yang berfungsikeanggotaan dari himpunan fumyyang digunakan sebafai nilai bagisetiap variabel sistem.

3. Mekanisme penakaran tuzzy yangmelakukan prosedur inferensi.

Gambar 2.7 . struktur Dasar System InferensiFuzzy

r .2 .5. 2 . [n feren s i F uzzy B erbas i s pen getah uan

Setelah implikasi fuz"ry dapatdidefenisikan sebagai relasi biner, maka akandibahas inferensi fuzry berdasar basispengetahuan. Dalam pembahasan ini dibatasihanya untuk fungsi implik asi fuzzy Mamdanidan prosedur inferensi GMp.

Satu Aturan dengan Satu AntecedentAturan tuz,,zy tunggal dengan safu

anteccedent (yang mendahului) ditulis sebagaiberikut.

IF xA THEN is BDengan fungsi implikasi A

-) B.

Berdasar (8.29) maka relasi fumynya adalahsebagai berikut.

\R (A,B) : A x B : !a^(X)" Fa(v) /(x, y)

XxY

Maka himpunan fuzzy B' yan g d2ndukasikanoleh fakta l'x is A" aialah rcuigai berikut.

B' : AroR: A'o(A _>s)atau secara ekivalen :

pn (y) : max*min ltt' n,(*\ p o(x, y)): v"Ltrn, (r)" pn(*,il= V,fu^(')" p^Glf p,o): w"puu)

(2.22)

: x adalah A'

Frediksi Beban Listrik Sumatera Utara Dengan Menggunakan Fuzzy Cluster(Hermansyah Alam)

Basis Aturan

Mekanisme

gd t"*

95

P

dengan W adalah kesepadanan (degree ofmatch) yang merupakan maxima dari

F 1,(r) A p e(") (area saling cukup pada

bagian antecedent). Derajat kesepadanan Wjuga disebut kuat penyuluhan (fire stren$h)yang menyatakan derajat pemenuhan aturan

fuzzy pada bagian antecedent.

B.XYGambaF 2.8 Interprestasi GraJik Inferensi

Furzy Antecedent

Dari gambar terlihat bahwa fungsikeanggotaan (MF) dari B' yang dihasilkan

adalah MF dan B yang dipotong oleh kuat

penyulutan'W.

Satu Aturan Dengan Banyak Antecedent

Aturan fuz,zy tunggal dengan dua antecedent

ditulis dalam bentuk :

IF x is A AND Y is B THEN z is C

Dengan fungsi implikasi A x B -+ C. Relasi

fuuynya adalah pebagai berikut :

R (A, B, C) - (AxB) :

[a^(x) A tta U) A F,Q) l(,Y,r)X rYrZ

(2.23)Ekspresi C yang dihasilkan dengan adanya

fakta "x is A'AND y is B" adalah sebagai

berikut :

C' : (A' x B') o ft- (A' x B') o (AxB-+ C)Maka:p,(r) =V,,rLt, o,$J " lp^ (t) "

ps} n FcAJ

dengan Wrdan W2 adalah mucima dari fungsikeanggotaan (MF) dari A n A' dan B n B'.Dalam kasus ini W1 juga menunjukkanderajat kesepadanan antra A dan A', demikianjuga W2 untuk B dan B'. Karena bagianantecedent dari aturan fuz,ry disusun denganpenghubung "and", maka kuat penyuluhan

bagian antecedent adalah Wr n W2interpretasi grafis terlihat pada gambar.Den[an MF dari C' yang dihasilkan adalahMF dari C dipotong oleh kuat penyuluhan W:WrnWz

Gambnr 2,9 Interpretasi GraIik InferensiSatu Aturan Dengan Dua Antecedent

Banyak aturan fuzzyditulis dalam bentuk :

Aturan I (Rr)Br TFIEN z is Cr

Aturan 2 (&) : IF x is A2 AND Y is

82 THEN zisC2Keluaran himpunan fvzzy C' dengan adanyafakta : "IF is A' AND y is B' 33 adalah

sebagai berikut :

C':(A'xB')"(Rr\JR2)dengarl komposisi Rr : Ar x Br+ Cr dan R2 :Az x Bz-+ C2karena operator komposisi lrlox-

min adalah " distributive pada operator L.,,

maka:

ekspresi IF A THEN Bo dimana A dan Badalah label-label dari himpunan fuzry yang

terkarakterisasi oleh fungsi-fungsikeanggotaan yang sesuai. Karena bentuk yang

dengan dua antecedent

:IFxisAlANDyis

:v,,rLoo.(r) A ps,(v) A Hr (t) A ps(v)j A Fcd)C'= (A' xE)"R, I.,Krl'*E\"R,J

- CruC'z

Dengan CiAut Cradalah himpunan fuzqy:

{4[p^Gl"p^('D"v,rp'6)"p"u\x"rffi]"1-r;rs;iulm:"ail1p;;yaban-vt1

(2.24)w2 pernyatann bersyarat fuzzy adalah bentuk

: W, ^Wz) " t rQ)Kualperytuluhan

96 REINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

ringkas dan jelas aturan-aturan fur.zy if-thenbiasanya digunakan untuk mewakili mode-mode tak tentu dari pemikiran yangmemainkan suafu afuran dasar dalamkemampuan manusia untuk membuatkeputusan dalam suatu lingkungan yang taktentu dan tak pasti. Sebagai contoh yangmenggambarkan fakta sederhana ini adalahIf pressure is high, then volume is smallDimana pressure dan volume adalah variabellinguistik, high dan small adalah nilailinguistik atau label-label yangterkarakterisasi oleh fungsi keanggotaan.Bentuk lain aturan-aturan fuz-zy if-then,diusulkan oleh Takagi dan Sugeno, yaknihimpunan-himpunan fuzzy hanya meliputipremis, dengan menggunakan aturan-afuranfuz,zy Takagi dan Sugeno kita dapatmendeskripsikan gaya harnbat pada obyekbergerak sebagai berikut :

If velocity is high, thenforce - k*(velocity)Dimana high didalam bagian premis adalahsuatu label lingusitik yang terkarakteristikoleh suatu fungsi keanggotaan yang sesuai,akan tetapi bagian konsekuen didiskripsikanoleh persamaan non fiJ?zy dari variabelmasuk&tr, velocity. Kedua tipe-tipe aturanfumy telah digunakan secara luas dalampemodelan dan kendali-kendali.

3. Metode Penelitlurt

3.1. Metode Penelitian

Metode penelitian yang digunakanadalah:l. Data runtun waktu beban listrik

berdasqrkun data yang bersumber dariPT.PLN (Persero) UPB Sumbagut.

2. Penentuan data pasangan masukan -keluaran untuk pelatihan dan pengecekanberdasarkan matriks baris dan kolom.

3. Metode yang digunakan adalah penerapanFuzzy Logic Cluster sehingga dapatmemprediksi fluktuasi Prediksi bebanlistrik pada untuk masa yangakan datangberpatokan kepad a data-data sebelumnya.

3.2. Lokasi Penelitian

PT. PLN (Persero) Penyaluran dan PusatPengatur Beban (P3B), Unit Pengatur Beban

sumatera Bagian utara yang beralamat diJalan K. L. Yos sudarso Lorong xII no. 6Medan,20l 15.

3.3 Alogaritma Pemodelan

Gambar 3.1. Flowchart Fuzly logicPengolahan Data

3.4 Analisa Data

Berdasarkan alur penelitian yang telahdijelaskan dapat disimulasikan dengan

langkah-langkah sebagai berikut

l. Menyusun empat data (D : 4) sebagai

Menungu Program Siap

Masukkan Data Beban

Listrik Sumatera Utara

Jalankan Simulasi

Nilai Parametei

Amati Hasil Grafik

Amati Hasil Report Program

t{x(/ -z},x{! -14),xA -7),x{A,x{t +7)l

Prediksi Beban Listrik Sumatera Utara Dengan Menggunakan F'uzry Cluster(Hermansyah Alam)

97

masukan dan satu data (d : I ) sebagai

keluaran dengan persam aan : ;

2. Menyusun [C,s]:subclust (DtCluster,0.140).

3. Membandingkan tipe Dengan mengubahjarak waktu (D), jari jari Dan jumlahInput.

3"5 Penyusunan Data dan Simulasi

Pada lampiran menunjukkan data'data harian Beban Listik pada SistemSumbagut dalam 3288 hari. Data tersebutdiperlihatkan secara grafis seperti pada

Gambar 3"8.1. Pada gambar terlihat bahwasistem memiliki kecenderungan musiman.Jumlah permintaan akan daya listrik akantinggi pada hari-hari tertentu.

bel

Gombsr 3.2 GraJik Oniookaion energi listrikSUMBAGUT

Pada penelitian ini dilakukan dengan 2 cara,yaitu dengan merubah input sistem.

3 "8 .2" Input Sistem (t-21 ), (t- 14), (t-l) dan (t),Output Sistem (t +21)Input sistem adalah permintaan ke(t-

2l), (t- 14), (t-7) dan (t). Sedangkan outputsistem adalah permintaan ke(t+7). Dengandemikian akan terdapat rentang waktu datadari 22 hingga 3235 (3214 data). Dari datatersebut akan digunakan 3200 data untukdicluster, sedangkan sisanya akan 14 dataakan digunakan sebagai data cek yang dapatdilihat pada Tabel 4.1

tbel ka

4.Ilasil Dan Pembahasan4.L Hasil Clustering dan InferensiDalam penelitian ini dilakukan subtractiveclustering dengan menggunakan beberapamacam influence range, yaitu : 0.190, 0.180,0. 1 70, 0. I 60, 0. I 50, 0. I 40, 0. I 30, 0. I 20.

Apabila subtractive clusteringdilakukan dengan menggunakan influencerange 0,140 maka akan diperoleh 26 clusterdengan matriks pusat cluster C adalah sebagaiberikut :

[C,s]:subcl ust(DtC I uster,0. 1 40)/1

-L.-

581.3500 585.7700 597. r 500s87.6200 582. I 900

7 51.6900 773.7700 t s7.s400761 .7700 7 6s.9600

647.2300 651.4600 652.960064s.5000 634.0800

670. 1900 694.s400 706.2700698.1500 695.3 100

816.8100 81 3.9600 820.5400796.5000 791.8500

605.81 00 511.7300 525.5000588.0400 607.s000

555.3800 611.8100 629.2300624.4200 637.8100

626.7300 621.8500 622.0400590.6500 53 5.6900

709.1900 702.5000 7 48.04007 69.0400 7 s7. 1 s00

539.6200 531.0000 528.9600

ditaTaDel J. t I1m arDerAS oara vang aKan olce

No.Input Outputt-21 t- 14 t-7 t t+7

1 718 799,5 821 83s 7602 718,5 833 780 833 820

3 839 907 865,5 84s 885,54 881 930 882 83 3,5 857,5

5 895,5 923 883 871 830

6 887,5 923 862,5 891,5 9281 841 882 87 5,5 83 1,5 886,5

I 799,5 827 83s 760 802,5

9 833 780 833 820 810

l0 901 865,5 845 885,5 889

11 930 882 83 3,5 857,5 884

t2 923 883 871 830 912,5

l3 923 862,5 891 ,5 928 881,5

t4 882 875,5 83 1,5 886,5 833

"" ""-" "'--"-r""""""-""" ""1"""""""" ""1":""""" """ """'i"""""""""""'1"""-I r ii i lt ti tr

i'iiI i , ,,,t,idlr

98 REINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

524.6200 s48.1 900

785 "4200 ?:5.4200 804.0800824.81 00 817.3 800

633.3 800 577 .8 1 00 6s0 .4200686.6500 688.6s00

779.4200 7 64.s000

Gambor 4-I menunjukkan hasil inferensif!n, dengun mengguyakan influno"i range0.190; uccept_ratio-0.s dan rejict ratio 0.15.7 63 .1200

7 46.9600 69s.960083 I .4500 8s3.5s00 846.3 800

870. I 300 863 .940067 1.3s00 648.0400 583.s800

69s"3 100702.9200 699.s000 7 02.0800

681.s000 6t 1.6500s 03 . s 000 s4s"3 800 s81.3s00

s85 "7700 597.1 500614.2300 619.5 800 s79.s400

s 10.0400 sgs.7700s79.2700 662.81 00 685 .2300

596.6900 692. I s00733.3s00 818.TA0 842.1200

824.4600 833 .4600889 .1700 910 .s700 908.3 000

65 s. s 800

9 I 5.0400

R€alita (o) vs perarnalen f)r 1200

o

E

':;l*of

400

izot L

?10

915 .4700696.6900 697.5400 671.5000

594.4200 661.5800s79"s400 s 10.0400 595.7700

6l 0.3 800 620.080083 I .1300 791 .3400

812"91 00 844.09007 ss.s800 7 s3.2700 698.4600

700.6200 t66.9600812.4300 81 3.6000 800.1 I 00

699.3 000 794.0400s - 37.1295 37.1295 36446036.4460 36.4460

5 sooE

3 +o,r

F zit

7 44.5500$'?Too r $?u

o

Gambar 4-2 rrasit rnJbrensi Dengan Jari-Juri 0.140

Berikut adalah tampilan error secara grafisterlihat pada Gamb ar 4. l0 :

j rroo

€ tooooDc 8ll0

')

f rioo

€ 1oo0

oE 800

"E eoc

E

3 ..oo

Dengan mengubah jari_j arinyaterbentuk Tabel 4.1 -Hubungan maka

jumlah

300

2u0

100

e,

Jari-jari

RMSE

Jumlah

cluster(aturan)

0.1

90s0.04

ll

0.1

8050. I6

12

0"1

7049.s7

l4

0.1

6048.96

19

influence range, RMSE dan iumlah cl-t 00

-201

Prediksi Beban Listrik Sumatera(Hermansyah Alam)

t*r -

Gumhtr 4.3 GruJik'";;;;, nriit n)rnur,-Dengan Jari-Jari 0.140

4.2. flasil Pengetesan

Pada Gambar 4.4 terr ihat hasirpengetesan sistem fuzzy dengan datapengecekan yang terdapat pada fabel 4.4,yaitu peramalan permintaari Beban Listrikuntuk data ke-3201 sampai ke-32gg padajari_jari 0.140.

*l*olaoo l-

L

I

I 00D

n f umtan cluster

Jari-j ari

RMSE

Jumlah

cluster(aturan)

0. I

5048.2-tJ

23

0.1

4048.07

26

0.1

3047 "60

34

0.1

2047.67

38

Utara Dengan Menggunakan Fuzzy Cluster 99

' s:i4ft#t*r, OU!

s" " ood

-1"lld+q*li. -

+ t*^6b+ fr)^ ^ Uv96

o *s o

t

cE)

c6cE

g

c

!

EG

t

tc

Io

fi)

sd

Eog

cg

G

EG

tr

il[

ili'*[zmL

*rIsoo I

,tI*['*fzco L

700

il[

rL

*[sol'

*l*l7so I

'*l

Hasil tes: Realita (o) rrs Peramalan(')

750 800 850 900

pediksi ke t-18

Hastl les: Raalila (o) rrs Peramalanfl

7ff1 8m 850 9m 950

Prediksi ke t-6

I

I

o

c

.stg

6E

c

g

5o(Il

GGcE

g

c

3G

E

E

Hasil tes: Realila (oi vs Peramalan(*)

750 800 850 S0Prediksi ke t-12

Hasil les; Realda (o) vs Peramalanf)

750 ffi 850 S0 950

prediksi ke t

(D-4) yaitu x(t-2t), x(t-t4), x(t-7),x(t) dan Output Sistem x(t+7)dengan j ari-j ari 0. 1 40 sehinggadidapat 8 cluster dengan nilai error3.93% perhitungan PLN dan 1 .09 %dengan Fuzzy Cluster, dalam hal iniprediksi dengan fuzzy cluster cukupbaik..

Gamb ar 4.4 Hasil Pengetesan RamalanPermintaan Beban Listrik - Vs - Aktual

Tabel 4.2. Pengetesan data aktuul denganramalan permintaan Listrik

5. Kesimpulan

Berdasarkan hasi penelitian sem entaradapat diambil kesimpulan diantaranya :

I Penerapan F uzzy C I uster cukupbaik untuk memprediksi BebanListrik pada Sistem KelistrikanSumbagut pada data-d atasebelumny&, baik yang bersipatlini er ataupun non linier.

2" Prediksi yang terbaik adalah dengan4 masukan , jarak waktu 7 danprediksi hari ke-7 atau banyakmasukan, tipe yang digunakanMamdani dan fungsi duakeanggotaan..

3. Dari analisa didapat prediksi yangterbaik adalah dengan Input Sistem

Da ftar Pustaka

Eng Agus Naba, 2009.Fuzzy Logic DenganMatlab. PenerbitYogy akarta.

Belajar CepatMenggunakan

Andi

Galley, Ned dan Roger jang. 2000, fuzzyLogic Toolbox, USA:Mathwork, inc

d

K.L" Ho, Y.Y" Hsu, C.C" Ydng, ShortTerm Load Forecasting Using AMultilayer l{eural Network With AnAdaptive Learning Algorithm,IE,E,E,, Igg2.

lofti A.Zadeh , 2005. F uzzy sets andfuzzyt information theory beij ing ,

normal univesity

Sri Kusuma Dewi. Analisis & DesainSistem Fuzzy Menggunakan ToolBox Matlab. Penerbit Graha Ilmu,Yogy akarta.

Widodo, Thomas Sri , 2005 " SistemNeuro Fuzzy lJntuk PengolahanInformasi, Pemodelan, dan Kendali.Edisi Pertama. Graha Ilm u.Yogy akarta.

Zimmermann. I 991. F uzzy Set TheoryAn its Application. Edisi-2.Massachusetts: Kluwer AcademicPublishers.

o

e; r-$;sffi,r;_ Y4P *n'Poo oo Lo- + *n&*

No DataAktual

RamalanPermintaan

Error

I 885.5 8l 1 .33 -t 4.162 812 799.63 -12.36aJ 848.5 877.30 28.804 903 8s3 .24 -49 "7 5

5 8s3 841 .7 s -11 .246 790 865 "6s 7 5.657 794 85 7.05 63 "058 849 789 "98 -59.019 77 5.s 85s.14 79.64l0 743 877.31 134.3

11 761 .5 847.50 80.00t2 762 804.92 42.92

100 RBINTEK. Vol.7, No.l.Tahun 2012. ISSN 1907-5030

Anvil, I

Burden electrics, 9lCantilever rotating bending, 33

City car bumpe r, 7 5

Concrete strength high, g

Critical temperatures, 2gDuctility, B lFatigue strength, 33

Free-fal I impact method, IFury cluster, gl

Harf,ness, 33

Imppct enerry, IIndex fall to pieces, 56

Kinerja, l5List costumer meter, 68

M icro si I ika/sicafume, 8

Misreading, 68

Mnnotonic loatling, 8I

Achiruddin, 28

Febrin Aulia Qatubara, l5Franky Sutrisno, 33

Hermansy'ah Alam, 9lHerri Mahyar, 8

Muhammad Adam, 68

Noorly Evalina, 43

INDEKS SUBJEK

Msc.nastran ,7 s

Oop, 15

Operating temperature, 2gOptimum,23Pendulum impact test, 75Personal data entry, 6gPrediks, 9lReinforced concrete, 56Respon structure, 56Respon transien, 43

Ruko, 56

Settling time,43Shear wall, 8lSistem informasi inventory, 15

Strong depress concrete, g

Superkonductor, 2g

Tempering, 33

Transformasi laplac e, 43

INDEKS PENULIS

Rahmat Kartolo Simanjuntak, IRimbawati, 68Syahrul Humaidi, 2g

Tondi Amirsyah putera, g lTrio Pahiawan, 56Tuaraja Simbolon, 2gZulfikal 75