Tugas Kecerdasan Buatan

PERAMALAN KEBUTUHAN BEBAN SISTEM TENAGA LISTRIK DENGAN MENGGUNAKAN ALGORITMA GENETIKA

assalamualaikum..
Nama  : Selamat Aryadi
Nim     : 100402023
Blog    : aredhielaw.blogspot.com
Dosen : Rahmad Fauzi ST. M.T.
Tugas  : Kecerdasan Buatan

hay apa kabar semua?...
semoga sehat semua :)
disini saya akan menjelaskan mengenai project kecerdasan buatan yang saya kerjakan beberapa hari ini mengenai peramalan kebutuhan beban sistem tenaga listrik menggunakan algoritma genetika..
sebelum masuk ke pembahasan pasti kalian ingin tahu apa itu kecerdasan buatan (AI)?

• dari perspektif kecerdasan :
  AI adalah bagaimana membuat mesin yang “cerdas” dan dapat melakukan hal-hal yang sebelumnya dapat dilakukan oleh manusia
• Dari perspektif bisnis:
  AI adalah sekelompok alat bantu (tools) yang berdaya guna, dan metodologi yang menggunakan tool-tool tersebut guna menyelesaikan masalah-masalah bisnis.
• Dari perspektif pemrograman (Programming),
  AI termasuk didalamnya adalah studi tentang pemrograman simbolik, pemecahan masalah, proses pencarian (search)

langsung saja kita masuk ke project ini
pertama kita harus mengetahui latar belakang sebuah masalah dari peramalan kebutuhan beban

I. Latar Belakang Masalah

seiring meningkatnya jumlah kebutuhan energi listrik menjadi sebuah masalah baru, karena jumlah energi listrik yang tersedia saat ini tidak dapat mengimbangi besarnya kebutuhan masyarakat akan energi listrik tersebut. oleh karena itu agar tercapai keseimbangan antara pemenuhan kebutuhan pada saat ini dengan pertumbuhan dan penyediaan energi listrik, maka perlu dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik.
hal itulah yang menjadi permasalahan kita...

II. Identifikasi Masalah

dari latar belakang masalah kita harus mengetahui identifikasi masalah sebagai berikut:

Permasalahan tersebut dapat diminimalisir dengan melakukan peramalan jumlah kebutuhan energy listrik yang akan disalurkan. Dengan adanya peramalan kebutuhan beban, dapat ditentukan mesin pembangkit listrik yang akan digunakan. Dengan demikian energi listrik tidak terbuang  percuma. Pada project ini, dilakukan peramalan jumlah kebutuhan energi listrik menggunakan algoritma genetika.

Listrik merupakan bentuk energi yang paling cocok dan nyaman bagi manusia modern. Makin bertambahnya konsumsi listrik perkapita di seluruh dunia menunjukkan kenaikan standar kehidupan manusia. Dengan pertumbuhan permintaan tenaga listrik, maka harus direncanakan pembangunan pusat-pusat listrik baru atau menciptakan bentuk energi-energi baru untuk mendukung kapasitas pusat listrik yang tidak cukup mendukung. Pembangunan tenaga listrik memerlukan dana yang besar dan waktu yang lama, selain itu juga dipengaruhi pertimbangan-pertimbangan politis, ketersediaan bahan bakar dan sumber daya manusianya. Untuk dapat dicapai tujuan yang seimbang antara pemenuhan kebutuhan pada saat sekarang maupun pertumbuhan permintaan tenaga listrik dan penyediaannya dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik.

permasalahan-permasalahan yang dialami oleh PT. PLN diantaranya adalah tidak adanya pengaturan dalam penjadwalan pengoperasian pembangkit listrik karena adanya deviasi antara besarnya permintaan beban dengan daya yang dibangkitkan yang disebabkan oleh terjadinya kerusakan pada pembangkit. Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif menjadi tidak terpenuhi. Untuk mengatasi permasalahan tersebut, perlu dilakukan suatu prediksi operasi yang berfungsi untuk memberikan gambaran kondisi operasi kepada operator sebagai hasil prediksi yang optimal, dan dari hasil prediksi akan dilakukan penjadwalan yang tepat untuk pengoperasian pembangkit. Jika dalam operasi terjadi ketidakcocokan antara prediksi dengan kondisi nyata terutama pada kejadian yang tidak terduga, maka hal inilah yang disebut kesenjangan antara perencanaan operasi dan operasi waktu nyata. Dalam memprediksi perencanaan operasi agar penghematan dan pengaturan penyediaan tenaga listrik dapat lebih optimal

III. Perumusan Masalah

Ramalan beban didapat dengan rumus:
berdasarkan data sebelumnya,
(n) = a + 3b
(Q) = 1 /(n)
(P) = Q(n) / Jumlah total Q(n)
(C) = C(n-1) + P(n)

hasil Prediksi = gen A + 6 * gen B

n = jumlah kromosom
p = probabilitas
Q = Inversity
C = kumulatif

IV. Tujuan Penulisan

1. Untuk merancang sebuah aplikasi dalam memprediksi besarnya pemakaian beban listrik menggunakan metode algoritma genetika dan memberikan alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu tertentu sesuai dengan hasil prediksi yang didapat.
2.  Mengetahui Ramalan Beban Optimum sehingga dapat memudahkan dalam perencanaan yang baik dan efisien.

V. Batasan Masalah

Untuk memprediksi pemakaian beban membutuhkan model matematis yang disebut dengan Data Berkala (time series). Data pemakaian beban disusun berdasarkan urutan waktu dalam satu periode untuk mengukur dan menerangkan berbagai perubahan atau perkembangan data. Perubahan yang terjadi dalam sederetan waktu tertentu dapat membentuk trend, sehingga pola gerakan data atau nilai-nilai variabel dapat diketahui dan diikuti. Penentuan trend menggunakan metode setengah  rata-rata yaitu dengan mencari rata-rata data yang ada.

VI. Manfaat

Project ini dapat bermanfaat untuk memprediksi pemakaian beban listrik kedepannya dengan menggunakan algoritma genetika berdasarkan data pemakaian sebelumnya.

VII. Prinsip Kerja

Pengujian Sistem

Pengujian sistem terbagi dalam dua kategori diantaranya adalah pengujian sistem dan pengujian performansi prediksi menggunakan algoritma genetika untuk menganalisis alternatif pembangkit listrik yang akan dioperasikan. Pengujian performansi dilakukan dengan menggunakan data aktual dari pemakaian beban listrik pada PT. PLN (Persero). Yang akan diprediksi adalah pemakaian beban listrik pada tanggal 7 Oktober 2007. Pengujian dilakukan sebanyak 5 kali pengujian dengan data yang sama. Performansi diperoleh Dengan menghitung rata-rata performansi yang diberikan pada setiap kali pengujian. Data-data yang dibutuhkan pada pengujian performansi diantaranya:

1. Data pemakaian beban listrik selama lima minggu sebelumnya yaitu:

     2. Parameter algoritma genetika dipilih secara acak, diantaranya:

• Jumlah Generasi = 25
• Ukuran Populasi = 16
• Probabilitas crossover (Pc) = 0,61
• Probabilitas Mutasi (Pm) = 0,41
• Performansi = 0,58

Hasil Pengujian

Dari pengujian sistem yang telah dilakukan, rata-rata performansi prediksi yang dihasilkan adalah sebesar 96,77296 %, dan memberikan alternatif pembangkit yang akan dioperasikan sesuai dengan kombinasi dari unit pembangkit yang dihasilkan.

Perbandingan antara nilai prediksi dengan nilai aktual pada tanggal 7 Oktober 2007 dapat dilihat pada grafik berikut ini:

Gambar Grafik perbandingan antara nilai aktual dengan hasil prediksi populasi, probabilitas crossover, probabilitas mutasi, dan performansi.

• Informasi yang diberikan oleh sistem adalah berupa prediksi pemakaian beban pada waktu tertentu, jumlah daya yang harus disalurkan dan alternatif pembangkit yang layak dioperasikan.
• Agar hasil prediksi lebih akurat, perlu adanya penambahan faktor-faktor eksternal yang ikut         berperan dalam memprediksi pemakaian beban listrik misalnya parameter bulanan yang terdiri dari: factor cuaca, faktor suhu, faktor kebiasaan konsumen.
• Adanya perbandingan metode dalam memprediksi pemakaian beban listrik untuk mendapatkan hasil prediksi yang lebih baik.
• Dengan adanya sistem prediksi pemakaian beban listrik ini dapat memberikan rekomendasi kepada PLN dalam mengelola dan mengatur pengoperasian pembangkit sehingga kebutuhan konsumen terhadap listrik terlayani dengan baik.

VIII. Aplikasi

Ramalan Beban Tenaga Listrik

IX. Analisis

Analisis Algoritma Genetika Dalam Peramalan

Metode dalam algoritma genetika yang akan dipakai untuk penyelesaian persoalan adalah sebagai berikut:

1. Skema PengkodeanSkema pengkodean gen pada kromosom menggunakan real number encoding. Pengkodean ini mempresentasikan kromosom dalam bentuk urutan angka yang menggambarkan urutan suatu kejadian sehingga penerapannya akan lebih mudah.
2. Membangkitkan Populasi AwalMenentukan nilai gen dalam tiap kromosom dengan membangkitkan bilangan acak (random).
3. Fungsi EvaluasiProses ini menghitung nilai fitness dari setiap kromosom dalam populasi dan mengevaluasi sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum tercapai maka akan dibentuk lagi generasi berikutnya.
4. SeleksiProses ini dilakukan dengan menggunakan metode roulette wheel selection. Metode ini dipilih karena dapat memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang memiliki nilai fitness terbaik untuk melakukan reproduksi, karena dilakukan dengan cara memetakan individu-individu dalam segmen garis secara berurutan sedemikian hingga setiap segmen individu memiliki ukuran yang sama dengan ukuran nilai fitness. Sebuah bilangan acak dibangkitkan dan individu yang menjadi segmen dalam kawasan bilangan acak tersebut akan terpilih. Proses ini diulang hingga diperoleh sejumlah individu yang diharapkan.
5. Membentuk Generasi BaruGenerasi baru terbentuk dengan dua operator yaitu operator pindah silang (crossover) dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru. Spesifikasi untuk operator algoritma genetika adalah sebagai berikut a.   Pindah Silang (Crossover)Proses ini dilakukan dengan menggunakan one point crossover. Metode ini dipilih karena sebagian kromosom dari induk pertama disalin dan pada saat berhenti, kromosom tersebut diambil dalam induk kedua. Proses one-point crossover adalah proses yang paling sederhana, karena pemilihan titik perpotongan dilakukan sekali terhadap induk pertama, gen selanjutnya yang dipilih dari induk kedua adalah yang belum pernah terkunjungi dan kromosom yang dihasilkan cenderung menuruni sifat dari induknya.b.  MutasiProses ini dilakukan dengan menggunakan suatu kriteria yaitu dengan cara memilih satu gen yang akan diubah berdasarkan probabilitas mutasinya. Dengan menggunakan teknik ini, diharapkan kromosom yang dihasilkan tidak kehilangan kemiripan dengan induknya

Analisis Proses

 Langkah-langkah yang dilakukan dalam proses penyelesaian masalah adalah sebagai berikut:

1.  Hitung rata-rata dari data pemakaian beban listrik (rata).
2.  Ambil bilangan acak untuk gen A dan gen B sebanyak populasi yang diinginkan.
3. Hitung nilai fitness dari masing-masing kromosom yang dibangkitkan dengan menggunakan persamaan: Kromosom(n) = a + 3b
4. Lakukan penyeleksian terhadap nilai kromosom. Karena yang diinginkan adalah kromosom yang mempunyai nilai yang lebih kecil mempunyai probabilitas untuk terpilih kembali lebih besar maka digunakan inverse(Q) dengan menggunakan persamaan:Inverse(Q)= 1 / Kromosom(n)untuk mencari probabilitas (P) digunakan persamaan:Probabilitas(P) = Q(n) / Jumlah total Q(n)Untuk mencari probabilitas kumulatif (C) digunakan persamaan:Kumulatif(C) = C(n-1) + P(n)Proses roulette wheel selection dilakukan dengan membangkitkan bilangan acak (R) antara 0 sampai 1. Jika R(n) < C(n) maka kromosom ke-n adalah induk, selain itu pilih kromosom ke-n sebagai induk jika C(n-1) < R(n) < C(n). Hasilnya akan terbentuk kromosom baru
5. Proses crossover dilakukan dengan cara membangkitkan bilangan acak (R) sebanyak jumlah populasi. Kromosom yang dipilih sebagai induk adalah jika:R(n) < Probabilitas crossover (Pc)Kromosom yang terpilih dipersilangkan dengan menukar gen pada induk pertama dengan gen pada induk kedua, dan seterusnya. Posisi gen yang akan dipertukarkan ditentukan dengan mengambil bilangan acak. Gen yang terpilih dipersilangkan dan akhirnya kromosom baru terbentuk. Proses Elitism dilakukan dengan cara memilih gen terbaik sebagai calon solusi setelah hasil seleksi. Untuk memilih gen yang terbaik, perlu dilakukan penilaian terhadap error yang dihasilkan dengan persamaan:Error = |Yaktual – Yprediksi/Yaktual
6. Proses mutasi dilakukan dengan cara menghitung panjang total gen dengan persamaan: Panjang gen = 2 * jumlah populasiJumlah mutasi diperoleh dengan menggunakan persamaan:Jumlah Mutasi = Pm * panjang genPosisi gen yang akan dimutasikan dipilih secara acak sebanyak jumlah mutasi. Gen-gen yang terpilih akan digantikan dengan gen baru yang diambil secara acak.
7. Jika kondisi berhenti telah tercapai, hitung kembali kromosomnya untuk mendapatkan nilai fitness yang terkecil. Gen A dan gen B pada kromosom tersebut menjadi solusi yang paling optimum
8. Gen A dan gen B dihitung untuk mendapatkan nilai prediksi dengan menggunakan persamaan:Prediksi = gen A + 6 * gen B

X. Kesimpulan

• Algoritma genetika dapat digunakan untuk memprediksi pemakaian beban listrik.
• Performansi yang diberikan oleh algoritma genetika dalam memprediksi pemakaian beban listrik pada PT. PLN (Persero) adalah sekitar ± 96,77296 %.
• Parameter-parameter yang diperlukan oleh sistem adalah: jumlah pembangkit, daya masing-masing pembangkit, rugi daya, data pemakaian beban selama lima minggu sebelumnya, jumlah generasi, ukuran populasi, probabilitas crossover, probabilitas mutasi, dan performansi.
• Informasi yang diberikan oleh sistem adalah berupa prediksi pemakaian beban pada waktu tertentu, jumlah daya yang harus disalurkan dan alternatif pembangkit yang layak dioperasikan.
• Agar hasil prediksi lebih akurat, perlu adanya penambahan faktor-faktor eksternal yang ikut berperan dalam memprediksi pemakaian beban listrik misalnya parameter bulanan yang terdiri dari: factor cuaca, faktor suhu, faktor kebiasaan konsumen.
•  Adanya perbandingan metode dalam memprediksi pemakaian beban listrik untuk mendapatkan hasil prediksi yang lebih baik.
•  Dengan adanya sistem prediksi pemakaian beban listrik ini dapat memberikan rekomendasi kepada PLN dalam mengelola dan mengatur pengoperasian pembangkit sehingga kebutuhan konsumen terhadap listrik terlayani dengan baik.

XI. Daftar Pustaka

1. El-Sharkawi, Mohamed, Role Of Computational Intelligence In Targeted Forecasting. http://cialab.ee.washington.edu/index_files/tutorial/ef.pdf
2. Basuki, Ahmad, Trip & Trik Algoritma Genetika, http://lecturer.eepisits.             edu/~basuki/lecture/TipsnTrikGA.pdf
3. Dahal, Keshav, Soft computing techniques for optimisation and scheduling.             http://eastwest.inf.brad.ac.uk/document/2005%20Apr/KesahvChiangmaiSchedulingOptimisation.pdf
4. Hilal, Hamzah, Metode Programming Linier Untuk Menyelesaikan Problem PembangkitanEkonomis Pada Sistem Tenaga Listrik. http://komputasi.inn.bppt.go.id/semiloka05/1605.pdf