Implementasi ANFIS Dalam Prakiraan Konsumsi Energi Listrik
Di Kota Medan Pada Tahun 2030.
Judul artikel yang akan dibahas yaitu Implementasi ANFIS Dalam Prakiraan Konsumsi Energi Listrik Di Kota Medan Pada Tahun 2030.
Konsumsi energi listrik di Kota Medan terus meningkat setiap tahun akibat pertumbuhan penduduk, ekonomi, dan industri. Untuk memenuhi kebutuhan listrik hingga tahun 2030, digunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS), yang memiliki keandalan tinggi dengan tingkat kesalahan (MAPE) hanya 0,0059%. Hasil prakiraan menunjukkan bahwa konsumsi listrik di tahun 2030 akan mencapai 3476,90 GWh, dengan peningkatan rata-rata 5,99% per tahun. Metode ANFIS memberikan hasil yang akurat dan dapat mendukung perencanaan kebutuhan energi listrik di masa depan.
Pertumbuhan jumlah penduduk di Kota Medan yang terus meningkat setiap tahun menyebabkan kebutuhan energi listrik juga meningkat, sehingga pasokan listrik yang memadai dan terjangkau menjadi sangat penting. Untuk memenuhi kebutuhan ini, diperlukan prakiraan kebutuhan energi listrik sebagai tahap awal dalam perencanaan sistem kelistrikan. Prakiraan yang akurat sangat krusial, karena hasil yang terlalu rendah dapat menyebabkan pemadaman bergilir, sementara prakiraan yang terlalu tinggi dapat merugikan perusahaan penyedia listrik. Penelitian ini membahas implementasi metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prakiraan konsumsi energi listrik di Kota Medan pada tahun 2030, karena metode ini mampu menghasilkan prediksi yang akurat dan dapat dipertanggungjawabkan.
A. Konsep Dasar Perkiraan (Forecasting)
Prakiraan atau forecasting adalah prediksi atau prakiraan mengenai kejadian di masa depan dan membuat prakiraan tenaga listrik merupakan langkah awal perencanaan sistem kelistrikan, mencakup pembangkit, penyaluran, dan distribusi. Metode prakiraan yang umum digunakan meliputi :
- metode analitis (End Use)
- metode ekonometri
- metode kecenderungan (balck box)
- metode gabungan.
Kebutuhan listrik dipengaruhi oleh beberapa faktor seperti pertumbuhan penduduk, ekonomi, substitusi energi, kemampuan pasokan, harga listrik, dan faktor lainnya.
Berdasarkan horizon waktu, prakiraan dibagi menjadi jangka pendek (hingga 2 tahun) digunakan untuk operasional dan anggaran, jangka menengah (3–5 tahun) digunakan untuk strategi korporat dan pembangkit skala kecil dan untuk masterplan sistem distribusi, serta jangka panjang (10–50 tahun) digunakan untuk pengembangan sistem pembangkitan, transmisi, dan gardu induk sedangkan (20-50 tahun) digunakan untuk menyusun master plan pengembangan sistem
B. Adiptive Neuro Fuzzy Inference System (ANFIS)
Sistem Neuro Fuzzy berstruktur ANFIS (Adiptive Neuro Fuzzy Inference System) termasuk pada kelas jaringan neural namun berdasarkan fungsinya sama dengan Fuzzy Inference System. Pada sistem neuro fuzzy, proses belajar pada neural network dengan sejumlah pasangan data yang berguna untuk memperbarui parameter - parameter Fuzzy Inference System.
Data untuk proses pembelajaran ANFIS mencakup data masukan, parameter ANFIS, dan data test kemudian diproses sehingga didapatkan output berupa hasil prediksi. Training dengan ANFIS yang dilatih menggunakan algoritma hybrid. Algoritma ini menggabungkan Least-Squares Estimator (LSE) pada alur maju untuk menghitung consequent dan Error Backpropagation (EBP) dengan gradient descent pada alur mundur untuk menghitung error.
ANFIS terdiri dari lima layer:
- Layer 1: Fuzzifikasi data masukan dan target dipetakan dalam derajat keanggotaannya.
- Layer 2 dan 3: Proses inferensi fuzzy menggunakan metode Sugeno (menentukan aturan)
- Layer 4: Perhitungan nilai consequent dengan LSE.
- Layer 5: Ringkasan keluaran dari layer sebelumnya
Pada ANFIS, Fuzzy Inference System (FIS) terletak pada layer 1, 2, 3 dan 4 dimana FIS adalah sebagai penentu hidden node yang terdapat pada sistem neural network. Proses perhitungan dilakukan dari alur maju dan alur mundur lalu mengubah parameter masukan menggunakan gradien descent. Proses ini akan berulang terus menerus sampai memenuhi nilai error maksimum yang telah ditentukan. Alur proses dari sebuag sistem ANFIS yaitu seperti gambar dibawah.
Setelah mendapatkan hasil akhir, maka akan dicari nilai kesalahan menggunakan rumus:
Flowchat dari proses berlangsungnya pelaksanaan hingga selesai, seperti gambar dibawah ini:
Data Penelitian
Data penelitian yang didapatkan dari Badan Pusat Statistik dan PT. PLN (Persero) dapat terlihat pada tabel 1,2,3 dan 4.
Prakiraan Konsumsi Energi Listrik Di Kota Medan
Ketika memasukkan data ke dalam program
ANFIS untuk melakukan pengujian, maka akan
membentuk sebuah blok diagram ANFIS. Dapat
dilihat pada gambar
Pada gambar 3, menunjukkan bahwa ANFIS menghasilkan jumlah node : 78, jumlah parameter linier : 27, jumlah parameter nonliniern: 27, jumlah total parameter : 54, jumlah pasangan data pelatihan : 5, jumlah pasangan data pengecekan : 0, jumlah aturan fuzzy: 27.
Aturan fuzzy :
Dari 27 aturan fuzzy yang dibentuk untuk pengujian data konsumsi energi listrik di Kota Medan, hanya aturan ke-14 yang menghasilkan prediksi tepat. Pengujian ini menghasilkan tingkat kesalahan (error) sebesar 0,0059934%, seperti ditunjukkan pada Gambar 5
Berdasarkan Gambar 5, prakiraan ANFIS menunjukkan nilai kesalahan yang sangat kecil dibandingkan data aktual, dengan pertumbuhan sebesar 5,99%. Hasil prakiraan konsumsi energi listrik di Kota Medan untuk tahun 2020-2030 disajikan pada Tabel 5.
Hasil prakiraan konsumsi energi listrik di Kota Medan untuk tahun 2020-2030 disajikan pada Tabel 5. Selanjutnya, nilai Mean Absolute Percentage Error (MAPE) akan dihitung menggunakan persamaan, dengan membandingkan hasil ANFIS dan data aktual atau perkiraan dari PT. PLN (Persero).
Penelitian ini mengidentifikasi bahwa konsumsi energi listrik di Kota Medan dipengaruhi oleh pertumbuhan penduduk, ekonomi (PDRB HK 2010), dan industri. Menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS), prakiraan konsumsi listrik pada tahun 2030 mencapai 3476,90 GWh, dengan rata-rata peningkatan tahunan sebesar 5,99%. Metode ANFIS menunjukkan tingkat kesalahan (MAPE) hanya 0,0059% dibandingkan data prakiraan dari PT. PLN (Persero).
[1] A. Hasibuan and W. V. Siregar, “Prakiraan Kebutuhan Energi Listrik Kota Subulussalam Sampai Tahun 2020 Menggunakan Metode Analisis Regresi,” R E L E (Rekayasa Elektronika dan Energi) Jurnal Teknik Elektro, vol. 1, pp. 0–4, 2019.
[2] P. Agung, D. Hartono, and A. A. Awirya, “Pengaruh Urbanisasi Terhadap Konsumsi Energi dan Emisi CO2: Analisis Provinsi di Indonesia,” Jurnal Ekonomi Kuantitatif Terapan, pp. 9–18, 2018.
[3] R. Finata, “Prakiraan Konsumsi Energi Listrik di Sumatera Utara Pada Tahun 2025 Menggunakan Metode Regresi Dalam Aplikasi Simple E,” Tugas Akhir, Universitas Muhammadiyah Sumatera Utara (UMSU), 2015.
[4] I. Haimi, “Peramalan Beban Listrik Jangka Pendek dengan Menggunakan Metode ANFIS,” Tugas Akhir, Universitas Islam Negeri Sultan Syarif Kasim (UINSUSKA), 2010.
[5] A. Azadeh, M. Saberi, V. Nadimi, M. Iman, and A. Behrooznia, “An Integrated Intelligent Neuro-Fuzzy Algorithm for Long-Term Electricity Consumption: Cases of Selected EU Countries,” Acta Polytechnica Hungarica, vol. 7, no. 4, pp. 71–90, 2010.
[6] L. K. Widyapratiwi, I. P. A. Mertasana, and I. G. D. Arjana, “Peramalan Beban Listrik Jangka Pendek di Bali Menggunakan Pendekatan Adaptive Neuro Fuzzy Inference System,” Jurnal Teknologi Elektro, vol. 11, no. 1, 2012.
[7] Y. T. Nugraha, M. F. Zambak, and A. Hasibuan, “Perkiraan Konsumsi Energi Listrik di Aceh Pada Tahun 2028 Menggunakan Metode Adaptive Neuro Fuzzy Inference System,” CESS (Journal of Computer Engineering, System, and Science), vol. 5, no. 1, pp. 104–108, 2020.
[8] Y. T. Nugraha, “Analisis Perkiraan Konsumsi Energi Listrik di Sumatera Utara Pada Tahun 2032 Menggunakan Metode Adaptive Neuro Fuzzy Inference System,” Tesis, Universitas Muhammadiyah Sumatera Utara (UMSU), 2019.
[9] E. G. Dennis, T. Utomo, and L. Ardheta, “Studi Perbandingan Peramalan Kebutuhan Energi Listrik Indonesia Menggunakan ANN dan ANFIS,” Seminar Nasional Teknik Elektro (FORTEI), pp. 111–115, 2018.
[10] I. Sampurna, “Analisis dan Peramalan Konsumsi Energi Listrik dengan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) di Area Kabupaten Banyumas,” Skripsi, Universitas Jenderal Soedirman (UNSOED), 2020.
Tidak ada komentar:
Posting Komentar