penerapan algoritma support vector machine...

PROSIDING HASIL-HASIL PENELITIAN TAHUN 2016 ISBN : : 978-602-71393-4-3

336

PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE

BERBASIS PARTICLE SWARM OPTIMIZATION

UNTUK MENGURANGI NILAI RMSE

PADA PREDIKSI BEBAN PENYULANGAN LISTRIK JANGKA PENDEK

Mayang Sari

Fakultas Teknologi Informasi Universitas Islam Kalimantan

Email: [email protected]

ABSTRAK

Penelitian ini dilakukan dengan maksud mencari hasil optimal dalam penerapan algoritma

Support Vector Machine (SVM) dengan melakukan optimasi menggunakan algoritma

Particle Swarm Optimization (PSO) sehingga mengurangi nilai Root Mean Square Error

(RMSE) pada prediksi beban penyulangan listrik jangka pendek. Metode prediksi rentet

waktu seperti SVM pada dasarnya sudah dianggap cukup untuk memprediksi beban listrik

jangka pendek, namun SVM memiliki kelemahan pada sulitnya pemilihan parameter SVM

yang optimal, untuk itu diperlukan sebuah metode untuk meningkatkan akurasi dengan

menggunakan algoritma PSO.Dilihat dari permasalahn yang ada dalam penelitian ini, maka

peneitian ini menggunakan metode penelitian eksperimen dengan tahapan awal yaitu

pengumpulan data, setelah data terkumpul dilanjutkan dengan tahap pengolahan data yang

meliputi proses pre-processing, untuk mendapatkan atribut data yang sesuai dengan format

algoritma softcomputing. Dilanjutkan dengan tahap eksperimen dan pengujian metode

meliputi cara pemilihan arsitektur yang tepat dari model atau metode yang diusulkan

sehingga didapatkan hasil yang dapat membuktikan bahwa metode yang digunakan adalah

tepat dan diakhiri dengan evaluasi dengan mengamati hasil prediksi menggunakan algoritma

softcomputing.

Kata Kunci : SVM, Beban Listrik Jangka Pendek, PSO

ABSTRACT

This research was conducted with the intention of achieving optimal results in the application

of the algorithm Support Vector Machine (SVM) by performing optimization algorithm using

Particle Swarm Optimization (PSO), thereby reducing the value of Root Mean Square Error

(RMSE) in predictions of short-term power load.Time prediction methods such as SVM is

basically considered sufficient to predict the short-term power, but the SVM has a weakness

in the difficulty of selecting the optimal parameters of SVM, it will require a method to

improve the accuracy by using PSO algorithm.Judging from the existing problems in this

study, this study used an experimental research method with the initial stages of data

collection, after data is collected followed by a phase of data processing which includes the

pre-processing, to obtain the attribute data in accordance with the format softcomputing

algorithm. Followed by a phase of experiment and testing methods include the election of the

right architecture of the proposed model or method to obtain results that can prove that the

method used was appropriate and ends with the evaluation by observing the results predicted

using algorithms softcomputing.

Keywords: SVM, Short-Term Electricity Load, PSO


337

PENDAHULUAN

Tak dapat dipungkiri lagi pada saat ini listrik adalah kebutuhan vital bagi seluruh

penduduk di Indonesia, bahkan di dunia. Tanpa listrik, kehidupan manusia akan sangat

terganggu. Di dunia ini, terdapat berbagai jenis sumber pembangkit listrik seperti batubara,

energi nuklir, atau matahari. Di Indonesia ada berbagai macam jenis pembangkit listrik,

mulai dari Pembangkit Listrik Tenaga Uap (PLTU), Pembangkit Listrik Tenaga Air (PLTA),

Pembangkit Listrik Tenaga Diesel (PLTD), Pembangkilt Listrik Tenaga Panas Bumi (PLTP),

dll. Di Kalimantan Selatan khususnya masih menggunakan Pembangkit Listrik Tenaga Uap

(PLTU) sebagai sumber energi listrik, yang mana PLTU tersebut memerlukan batubara

sebagai sumber energi yang mana kita tahu bahwa batubara adalah sumber daya alam yang

tidak dapat diperbaharui dan tidak menutup kemungkinan beberapa puluh tahun yang akan

datang sumber daya alam ini akan habis. Oleh karena itu, sebagai daerah yang sangat

memanfaatkan sumber energi tersebut sangat perlu kiranya agar dapat mengurangi

penggunaan sumber energi ini agar pasokan listrik khususnya di Kalimantan Selatan dapat

selalu terpenuhi. Mengingat bahwa tenaga listrik tidak dapat disimpan dalam skala besar,

karenanya tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya timbul persoalan

dalam penghadapi kebutuhan daya listrik yang tidak tepat dari waktu ke waktu.

Memprediksi nilai suatu besaran pada kondisinya dimasa yang akan datang dengan

tepat adalah suatu pekerjaan yang sulit, apalagi jika besaran tersebut dipengaruhi oleh banyak

faktor. Tetapi di lain pihak seringkali hasil prediksi tersebut menjadi salah satu masukan yang

penting dalam menyusun rencana masa depan. Berdasarkan hal tersebut maka dapat

disimpulkan bahwa kebutuhan PLN adalah bagaimana memprediksi beban listrik jangka

pendek dengan lebih akurat. Untuk itu dipertimbangkan pendekatan dengan softcomputing.

Metode prediksi rentet waktu seperti Support Vector Machine dianggap cukup untuk

memprediksi beban listrik jangka pendek yang mana SVM dapat memecahkan masalah-

masalah seperti perlunya data training yang besar, lambat dalam konvergensi yang mana ini

tepat untuk karakteristik data rentet waktu pada penyulangan beban listrik jangka pendek.

Namun SVM memiliki kelemahan pada sulitnya pemilihan parameter SVM yang optimal.

Particle Swarm Optimization (PSO) adalah metode optimasi yang terbukti efektif

untuk meningkatkan akurasi. Maka pada penelitian ini PSO akan diterapkan untuk pemilihan

parameter SVM yang sesuai dan optimal sehingga hasil prediksi lebih akurat.


338

METODE PENELITIAN

Metode penelitian yang dilakukan adalah metode penelitian eksperimen, dengan tahapan

penelitian seperti berikut:

1. Pengumpulan Data

Tahapan mengumpulkan dataset yang di dapat dari PT. PLN Persero Tbk yang akan

digunakan untuk penelitian.

2. Pengolahan Data

Tahap awal pengolahan data yang meliputi proses pre-processing, untuk mendapatkan

atribut data yang sesuai dengan format algoritma softcomputing untuk penentuan opini

positif dan negatif. Data di transpormasi dengan mencari nilai maksimum dan minimun

dari data per bulan yang kemudian didapatkan attribut baru berupa data transformasi.

3. Eksperimen dan Pengujian Metode

Tahapan eksperimen, meliputi cara pemilihan arsitektur yang tepat dari model atau

metode yang diusulkan sehingga didapatkan hasil yang dapat membuktikan bahwa

metode yang digunakan adalah tepat. Dalam penelitian ini metode yang digunakan adalah

metode prediksi dengan algoritma SVM dan SVM-PSO yang akan diimplementasikan

menggunakan RapidMiner.

4. Evaluasi

Tahapan mengamati hasil prediksi menggunakan algoritma softcomputing. Validasi

dilakukan dengan mengukur hasil prediksi dibandingkan dengan data asal. Pengukuran

kinerja dilakukan dengan membandingkan nilai error hasil prediksi masing-masing

algoritma sehingga dapat diketahui algoritma yang lebih akurat. Pada penelitian ini akan

digunakan indek evaluasi Root Mean Square Error (RMSE) sehingga didapat nilai error

hasil prediksi dari algoritma SVM dan SVM-PSO.

PEMBAHASAN

Pengujian pertama dilakukan dengan data yang diperoleh dari PLN yaitu data beban

dari tanggal 1 Juni 2014 sampai dengan 29 Mei 2015 sebanyak 3294 record data yang telah

didekomposisi dengan beberapa inputan (x1, x2, x3, .... xn) dan output atau target (y) agar dapat

diimplementasikan pada RapidMiner. Pengujian pertama dilakukan dengan data yang telah

didekomposisi dengan 5 inputan sehingga menghasilkan 3289 record data.

Untuk pengujian pertama data dengan lima inputan ini akan diuji dengan RapidMiner

menggunakan algoritma Support Vector Machine yang nantinya akan dioptimasi

menggunakan algoritma Particle Swarm Optimization. Tahap awal pada pengujian pertama


339

ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat terlihat pada gambar di

bawah ini :

Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh data

sebanyak 3289 record data yang telah didekomposisi dengan lima inputan sebesar 3,372 +/ -

0,000 dengan grafik seperti gambar di bawah ini.

Nilai RMSE SVM sebesar 3,372 dioptimasi menggunakan PSO agar didapat nilai error yang

semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.

Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh

optimasi PSO dengan data sebanyak 3289 record data yang didekomposisi dengan lima

inputan sebesar 3,360 dengan grafik seperti terlihat pada gambar di bawah ini.


340

Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi

dengan mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang

dihasilkan oleh algoritma SVM sebesar 3,372 menurun setelah dioptimasi dengan PSO

menjadi sebesar 3,360

Nilai Root Mean Squad Error yang dihasilkan dari optimasi algoritma SVM

menggunakan PSO dengan data yang telah didekomposisi menjadi 5 inputan sebesar 3,360

dirasa belum sesuai dengan yang diharapkan, maka data kembali didekomposisi dengan

menambahkan nilai inputan menjadi 7 inputan dengan data sebanyak 3287 record.

Tahap awal pada pengujian kedua ini yaitu menguji data dengan algoritma SVM

sehingga hasil dapat terlihat pada gambar di bawah ini :


sebanyak 3287 record data yang telah didekomposisi dengan tujuh inputan sebesar 3,539 +/ -

0,000 dengan grafik seperti gambar di bawah ini.


341



Pada gambar di atas terlihat nilai Root Mean Squared Error yang dihasilkan oleh optimasi

PSO dengan data sebanyak 3287 record data yang didekomposisi dengan lima inputan

sebesar 3,412 dengan grafik seperti terlihat pada gambar di bawah ini.




menjadi sebesar 3,412.

Nilai Root Mean Squad Error yang dihasilkan dari optimasi algoritma SVM

menggunakan PSO dengan data yang telah didekomposisi menjadi 7 inputan sebesar 3,412

dirasa belum sesuai dengan yang diharapkan, maka data kembali didekomposisi dengan

menambahkan nilai inputan menjadi 9 inputan dengan data sebanyak 3285 record.

Tahap awal pada pengujian ketiga ini yaitu menguji data dengan algoritma SVM

sehingga hasil dapat terlihat pada gambar di bawah ini :


342


sebanyak 3285 record data yang telah didekomposisi dengan sembilan inputan sebesar 3,351

+/ - 0,000 dengan grafik seperti gambar di bawah ini.




PSO dengan data sebanyak 3285 record data yang didekomposisi dengan sembilan inputan

sebesar 3,234 dengan grafik seperti terlihat pada gambar di bawah ini.


343




menjadi sebesar 3,234.

Dalam pengujian ketiga menggunakan data yang telah didekomposisi ternyata masih

belum menemukan hasil yang diharapkan yaitu menghasilkan nilai error yang lebih kecil

maka untuk percobaan pengujian keempat, data dikembalikan ke bentuk data awal yang telah

direkapitulasi.

Data yang berjumlah 3294 record berupa data beban dari tanggal 1 Juni 2014 sampai

dengan 29 Mei 2015 terdiri dari tiga attribut yaitu tanggal, jam, dan BM kemudian akan

ditransformasi sehingga menghasilkan attribut baru dengan nama attribut BM’ yang akan

digunakan sebagai data uji yaitu dengan cara menggunakan rumus sebagai berikut.

𝑥′ = 0.8 ∗ (𝑥 − 𝑎)/(𝑏 − 𝑎) + (0.1) ……………………………..(10)

Dimana a adalah nilai minimun suatu range data, dan badalah nilai maksimum data dari suatu

range. Di dalam pengujian keempat ini, data minimum dan maksimum diambil dari range

data selama satu bulan. Contoh, untuk bulan Juli 2014 di peroleh nilai minimum (a) = 0 dan

nilai maksimum (b) = 33,77. Nilai minimum (a) dan nilai maksimum (b) tersebut

dimasukkan ke dalam rumus di atas hingga diperoleh :

x' = 0,8 * (23,97 – 0) / (33,77 – 0) + (0,1)

= 0,8 * 23,97 / 33,77 + 0,1

= 19,17 / 33,77 + 0,1

= 0,57 + 0,1

= 0,67


344

Dapat dilihat dari rumus diatas, data record pertama dengan nilai beban (x) = 23,97

didapatkan data transformasi sebesar 0,67 kemudian dilanjutkan dengan data berikutnya.

Tahapan ini berguna agar dapat bisa dihitung dengan nilai yang lebih kecil tanpa kehilangan

karakteristiknya sendiri. Data hasil transformasi dapat dilihat didalam tabel berikut ini.

No Tanggal Jam BM BM’

1 01 Juni 2014 6:00:00 23,97 0,67

2 01 Juni 2014 10:00:00 28,48 0,77

3 01 Juni 2014 14:00:00 28,23 0,77

4 01 Juni 2014 18:00:00 30,2 0,82

5 01 Juni 2014 19:00:00 29,23 0,79

6 01 Juni 2014 20:00:00 31,63 0,85

7 01 Juni 2014 21:00:00 29,17 0,79

8 01 Juni 2014 22:00:00 28,8 0,78

9 01 Juni 2014 23:00:00 28,1 0,77

10 02 Juni 2014 6:00:00 23,56 0,66

11 02 Juni 2014 10:00:00 25,58 0,71

12 02 Juni 2014 14:00:00 28,89 0,78

13 02 Juni 2014 18:00:00 29,08 0,79

14 02 Juni 2014 19:00:00 29,52 0,80

15 02 Juni 2014 20:00:00 30,53 0,82

16 02 Juni 2014 21:00:00 30,43 0,82

17 02 Juni 2014 22:00:00 28,1 0,77

18 02 Juni 2014 23:00:00 27,52 0,75

19 03 Juni 2014 6:00:00 23,91 0,67

20 03 Juni 2014 10:00:00 27,17 0,74

21 03 Juni 2014 14:00:00 28,28 0,77

22 03 Juni 2014 18:00:00 31,25 0,84

23 03 Juni 2014 19:00:00 30,23 0,82

24 03 Juni 2014 20:00:00 32,42 0,87

25 03 Juni 2014 21:00:00 30,26 0,82

26 03 Juni 2014 22:00:00 30,3 0,82

27 03 Juni 2014 23:00:00 30,68 0,83

28 04 Juni 2014 6:00:00 25,57 0,71


345

29 04 Juni 2014 10:00:00 29,9 0,81

30 04 Juni 2014 14:00:00 31,76 0,85

31 04 Juni 2014 18:00:00 30,4 0,82

32 04 Juni 2014 19:00:00 29,56 0,80

3294 29 Mei 2015 23:00:00 29,05 0,72

Terlihat data di atas terdapat attribut baru yaitu BM’ berupa data transformasi dari

attribut BM. Attribut baru ini yang dijadikan label dalam pengujian keempat yang akan diuji

dengan RapidMiner menggunakan menggunakan algoritma Support Vector Machine yang

nantinya akan dioptimasi menggunakan algoritma Particle Swarm Optimization. Tahap awal

pada pengujian keempat ini yaitu menguji data dengan algoritma SVM sehingga hasil dapat

terlihat pada gambar di bawah ini :


sebanyak 3294 record data yang telah ditransformasi sebesar 0,260 +/ - 0,352 dengan grafik

seperti gambar di bawah ini.


346

Nilai RMSE SVM sebesar 0,872 dioptimasi menggunakan PSO agar didapat nilai

error yang semakin kecil sehingga hasil dapat terlihat pada gambar di bawah ini.


PSO dengan data sebanyak 3294 record data yang ditransform sebesar 0,141 +/- 0,015

dengan grafik seperti terlihat pada gambar di bawah ini.

Terlihat bahwa nilai error yang dihasilkan oleh algoritma SVM dapat dikurangi dengan

mengoptimasi SVM menggunakan PSO. Nilai Root Mean Squared Error yang dihasilkan

oleh algoritma SVM sebesar 0,872 menurun setelah dioptimasi dengan PSO menjadi sebesar

0,156.

KESIMPULAN

Dari penjelasan yang telah diuraikan dalam laporan ini dapat disimpulkan bahwa

Algoritma SVM-PSO adalah algoritma yang memprediksi beban listrik jangka pendek

dengan lebih akurat dalam parameter RMSE yaitu 0,156 dan Pengolahan data yang baik akan

menghasilkan nilai yang lebih baik, terlihat bahwa data yang ditransformasi memberikan nilai

error yang lebih rendah dibandingkan dengan data yang didekomposisi dengan beberapa

inputan. Dengan demikian penerapan algoritma SVM-PSO mampu membantu operator


347

perencana dengan metodeprediksi yang kinerjanya lebih akurat dalammemprediksi beban

listrik. Di samping itumampu dijadikan metode prediksi beban listrik bagi PLN jaringan

distribusi Kalselteng

Saran yang dapat diberikan adalah bahwa Analisis dan perbandingan mengenai beban

listrik jangka pendek dengan mengunakan berbagai algoritma ini hanya menempatkan akurasi

(berdasar nilai error) sebagai factor uji. Untuk itu perlu kiranya dilakukan penelitian lebih

lanjut agar dapat melakukan prediksi berapa beban penyulangan listrik jangka pendek yang

akan datang.

DAFTAR PUSTAKA

A. S. Nugroho, A. B. Witarto, dan D. Handoko. 2003. Support Vector Machine Teori dan

Aplikasinya dalam Bioinformatika. Ilmu Komputer

B. Santosa. 2006. Tutorial Particle Swarm Optimization. Surabaya: Institut Teknologi

Sepuluh Nopember.

D. Kim. 2005. Performance Improvement in Traffic Vision Systems using SVMS. vol. 6, pp.

2589–2599,.

D. Suswanto. 2002. Sistem Distribusi Tenaga Listrik.

E. R. Zerda. 2009. Analisis dan Penerapan Algoritma Particle Swarm Optimization ( PSO )

pada Optimasi Penjadwalan Sumber Daya Proyek Analysis and Implementation of

Particle Swarm Optimization ( PSO ) Algorithm on the Optimization of Project

Resource Scheduling Departemen Teknik Informatika Institut Teknologi Telkom

Bandung Lembar Pernyataan.

G. J. Syeto and A. Fariza, 2014. Tiruan Metode Kohonen. pp. 1–7.

I. Pranata. 2012. Penerapan Algoritma Wavalet Neural Network untuk Prediksi Beban Listrik

Jangka Pendek. Semarang: Universitas Dian Nuswantoro.

K. E. dan S. D. Mineral. 2012. Keputusan Menteri Energi dan Sumber Daya Mineral Tentang

Rencana Umum Ketenagalistrikan Nasional 2012-2031.

M. Settles and B. Rylander. 2002. Neural Network Learning using Particle Swarm

Optimizers.

P. Liu. 2009. Application of Least Square Support Vector Machine based on Particle Swarm

Optimization to Chaotic Time Series Prediction no. 2, pp. 1–5.

S. Ch, N. Anand, B. K. Panigrahi, and S. Mathur. 2013. Neurocomputing Streamflow

forecasting by SVM with quantum behaved particle swarm optimization.

Neurocomputing, vol. 101, pp. 18–23.

Suhono. 2014. Kajian Perencanaan Permintaan dan Penyediaan Energi Listrik di Wilayah

Kabupaten Sleman. Yogyakarta: Universitas Gadjah Mada.

penerapan algoritma support vector machine...

Documents