Dokumen tersebut membahas tentang perkiraan beban listrik jangka pendek menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). ANFIS merupakan kombinasi antara sistem inferensi fuzzy dengan arsitektur jaringan syaraf yang mampu mempelajari aturan-aturan fuzzy secara otomatis. Dokumen tersebut menjelaskan tentang permasalahan yang terjadi akibat ketidaksesuaian antara daya yang dikirim dengan permintaan beban, serta
Didalam sistem AC ada sistem satu fasa dan sistem tiga fasa. Sistem tiga fasa mempunyai kelebihan dibandingkan sistem satu fasa karena :
1. Daya yang disalurkan lebih besar
2. Nilai sesaatnya konstan
3. Mempunyai medan magnet putar
Transmisi : proses penyaluran energi listrik dari satu tempat ke tempat lainnya pada tingkat tegangan yang lebih tinggi dari tegangan di sisi sumber listrik (generator) ke gardu induk (beban) atau pada tingkat tegangan yang telah dinaikkan atau ditinggikan di atas tegangan generator.
Didalam sistem AC ada sistem satu fasa dan sistem tiga fasa. Sistem tiga fasa mempunyai kelebihan dibandingkan sistem satu fasa karena :
1. Daya yang disalurkan lebih besar
2. Nilai sesaatnya konstan
3. Mempunyai medan magnet putar
Transmisi : proses penyaluran energi listrik dari satu tempat ke tempat lainnya pada tingkat tegangan yang lebih tinggi dari tegangan di sisi sumber listrik (generator) ke gardu induk (beban) atau pada tingkat tegangan yang telah dinaikkan atau ditinggikan di atas tegangan generator.
Aturan Pembelajaran Perceptron
Tujuan
Salah satu pertanyaan kita yang muncul adalah: "Bagaimana kita menentukan Matrik bobot dan
bias untuk jaringan perceptron dengan banyak input, dimana adalah mustahil untuk
memvisualisasikan batasan-batasan keputusan?” Dalam bab ini kita akan menggambarkan suatu algoritma
untuk pelatihan jaringan perceptron, sehingga mereka dapat belajar untuk memecahkan masalah
klasifikasi. Kita akan mulai dengan menjelaskan apa yang dimaksud dengan aturan belajar
(learning rule) dan akan belajar mengembangkan aturan perceptron. Kami akan menyimpulkan
dengan mendiskusikan keuntungan dan keterbatasan dari jaringan single - layer perceptron.
Diskusi ini akan membawa kita ke dalam bab-bab selanjutnya.
Teori dan Contoh
Pada tahun 1943, Warren McCulloch dan Walter Pitts memperkenalkan salah satu artificial
neurons [McPi43]. Fitur utama dari model neuron mereka adalah bahwa jumlah bobot sinyal
input dibandingkan dengan ambang batas untuk menentukan neuron output. Ketika jumlah lebih
besar dari atau sama dengan ambang batas, output adalah 1. Ketika jumlah kurang dari ambang
batas, keluaran adalah 0. Mereka tetap meneruskan penelitian dengan menunjukkan bahwa
jaringan neuron ini pada prinsipnya bisa menghitung setiap fungsi aritmetika atau logika. Tidak
seperti jaringan biologis, parameters jaringan mereka harus dirancang, karena tidak ada metode
pelatihan yang tersedia. Namun, hubungan yang dirasakan antara biologi dan komputer digital
menghasilkan banyak minat
Pada akhir 1950-an, Frank Rosenblatt dan beberapa peneliti lain mengembangkan suatu kelas
jaringan saraf yang disebut Perceptrons. Neuron dalam jaringan yang mirip dengan McCulloch
dan pitts. Kunci kontribusi Rosenblatt adalah pengenalan aturan belajar untuk pelatihan jaringan
perceptron untuk memecahkan masalah pengenalan pola [Rose58]. Ia membuktikan bahwa
aturan belajarnya akan selalu bertemu untuk bobot jaringan yang benar, jika bobot yang ada
memecahkan masalah.
3. • Distribusi listrik pada konsumen harus optimal sesuai dengan besar kebutuhan.
Masalah akan timbul apabila daya yang dikirim dari suatu pembangkit listrik jauh
lebih besar daripada permintaan daya pada beban, maka akan terjadi pemborosan
energi pada perusahaan listrik. Sebaliknya apabila daya yang dibangkitkan atau
yang disediakan pembangkit listrik
lebih rendah dari permintaan atau kebutuhan beban konsumen maka akan terjadi
over load yang akan berdampak pada terjadinya pemadaman
• Oleh karena itu, diperlukan strategi dan metode untuk penyesuaian
antarapembangkitan dan permintaan daya. Agar tercapai penyesuaian antara
pembangkitan dan permintaan daya, maka pihak penyedia listrik harus
mengetahui beban atau permintaan daya listrik untuk beberapa waktu ke depan
dengan melakukan perkiraan beban listrik.
4. • Untuk menyelesaikan masalah di atas bisa diterapkan metode Adaptive
Neuro-Fuzzy Inference System (ANFIS) dengan menggunakan sampel data
actual sebagai training data set. Himpunan data aktual yang akan digunakan
adalah data pembebanan selama 2 bulan. Adaptif Neuro-Fuzzy Inference
System (ANFIS) adalah penggabungan Fuzzy Inference System yang
digambarkan dengan arsitektur jaringan syaraf. Alat bantu yang digunakan
untuk melakukan perkiraan, yaitu toolbox logika fuzzy yang terdapat pada
Matlab.
• Perkiraan beban listik berdasarkan jangka waktu dapat dikelompokkan menjadi
beberapa bagian yaitu perkiraan beban jangka panjang (long term) adalah
perkiraan beban listrik dengan jangka waktu di atas 1 (satu) tahun, perkiraan
beban jangka menengah (medium term) adalah perkiraan beban listrik dengan
jangka waktu satu bulan sampai dengan satu tahun, dan perkiraan beban jangka
pendek (short term) adalah perkiraan beban listrik dengan jangka waktu beberapa
jam dalam sehari sampai dengan satu minggu.
5. • Seperti terlihat pada gambar 2.1, struktur ANFIS terdiri dari 5 lapisan, lapisan yang
disimbolkan dengan kotak adalah lapisan yang bersifat adaptif. Sedangkan yang disimbolkan
dengan lingkaran adalah bersifat tetap. Setiap keluaran dari masingmasing lapisan disimbolkan
dengan Ol,I dengan i adalah urutan simpul atau node dan l adalah menunjukan urutan
lapisannya.
6. Adaptive neuro fuzzy inference
system (ANFIS)
• Metode adaptive neuro fuzzy inference system (ANFIS) merupakan metode yang
menggunakan jaringan syaraf tiruan untuk mengimplementasikan system inferensi fuzzy.
Keunggulan system inference fuzzy adalah dapat menerjemahkan pengetahuan dari pakar
dalam bentuk aturan-aturan, namun biasanya dibutuhkan waktu yang lama untuk menetapkan
fungsi keanggotaannya. Oleh sebab itu dibutuhkan teknik pembelajaran dari jaringan syaraf
tiruan untuk mengotomatisasi proses tersebut sehingga dapat mengurangi waktu pencarian, hal
tersebut menyebabkan metoda ANFIS sangat baik diterapkan dalam berbagai bidang.
7. Logika Fuzzy
• Logika fuzzy merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep
kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy
menggantikan kebenaran boolean dengan tingkat kebenaran. Logika Fuzzy memungkinkan
nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam
bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat".
• Logika Fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy
modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep
tentang logika fuzzy itu sendiri sudah ada sejak lama (Sri kusumadewi dan Hari Purnomo,
2004, ”Aplikasi Logika Fuzzy untuk pendukung keputusan”, hal.1). Konsep logika Fuzzy
yang sangat sistematis pertama kali diusulkan oleh Dr. Lotfi A. Zadeh, seorang bidang ilmu
komputer dari University Of California, Berkeley, Amerika Serikat. Pada bulan Juni tahun
1965, profesor Zadeh mempublikasikan makalah atau paper pertama yang membahas
“Fuzzy Sets ” pada jurnal Information and Control [Suyanto,ST,MSc., 2008, “Soft
Computing: membangun mesin ber-IQ Tinggi”,hal.2].
8. Logika fuzzy merupakan suatu cara yang tepat untuk memetakan
suatu ruang input ke dalam suatu ruang output, sebagai contoh :
1. Manajer pergudangan mengatakan pada manajer
produksi seberapa banyak persediaan barang pada akhir
minggu ini, kemudian manajer produksi akan
menetapkan jumlah barang yang harus diproduksi esok
hari.
2. Pelayan restoran memberikan pelayanan kepada tamu,
kemudian tamu akan memberikan tip yang sesuai atas
baik tidaknya pelayanan yang diberikan.
3. Anda mengatakan kepada saya seberapa sejuk ruangan
yang anda inginkan, kemudian saya akan mengatur
putaran kipas yang ada pada ruangan ini.
9. Neuro Fuzzy
• Neuro fuzzy merupakan gabungan atau integrasi antara 2 metode
yaitu, Jaringan syarat tiruan dengan sistem fuzzy, dimana 2 metode
tersebut memiliki karakteristik yang bertolak belakang akan tetapi
apabila digabungkan akan menjadi suatu metode yang lebih baik.
Jaringan syaraf tiruan (JST) memiliki kemampuan Learning , tetapi
tidak bisa menjelaskan proses penalaran yang dilakukan karena
pengetahuan yang dimilikinya hanyta berupa bobot-bobot sinapsis
yang biasanya bernilai real. JST tidak memiliki aturan-aturan IF –
THEN sama sekali, sebaliknya sistem fuzzy tidak memiliki
kemampuan learning, tetapi bisa menjelaskan proses penalaran yang
dilakukannya berdasarkan aturan-aturan (rules) dalam basis
pengetahuan yang dimilikinya.