MODEL PRAKIRAAN PEMAKAIAN

LISTRIK MENGGUNAKAN SISTEM

NEURO-FUZZY
Review jurnal oleh:
ERNI SENIWATI(290624)
NOVA EL MAIDAH (306421)

1
ELECTRICITY CONSUMPTION
PREDICTION MODEL USING
NEURO-FUZZY SYSTEM
Rahib Abiyev, Department of
Computer Engineering, Near East
University, Turkey
Vasif H. Abiyev, Department of
Economics, Hacettepe University,
Turkey
Cemal Ardil, Azerbaijan National
Academy of Aviation, Baku, Azerbaijan

2
 INTISARI
Jurnal ini merupakan pengembangan dari jaringan syaraf
berdasarkan sistem inferensi fuzzy untuk perkiraan
penggunaan listrik. Konsumsi listrik berdasarkan beberapa
faktor antara lain, jumlah konsumen, musim, jenis
konsumen, jumlah pembangkit dan lain-lain.
Pengembangan ini merupakan proses nonlinier dan dapat
dijelaskan oleh chaotic time-series. Struktur dan algoritma
sistem neuro-fuzzy dapat digunakan untuk
memperkirakan konsumsi penggunaan listrik. Untuk
menentukan koefisien sistem yang tidak diketahui,
digunakan algoritma pembelajaran terawasi. Sebagai hasil
pembelajaran, terbentuk aturan sistem neuro-fuzzy.
Sistem yang dikembangkan diterapkan untuk
memperkirakan penggunaan konsumsi listrik Siprus Utara,
yang disimulasi oleh sistem neuro-fuzzy.

3
 PENDAHULUAN
 Sistem Fuzzy telah menemukan sejumlah
aplikasi praktis dalam identifikasi, kendali,
prediksi dan diagnosa.
 Pengembangan sistem fuzzy menggunakan

aturan IF-THEN untuk menggambarkan

pengetahuan dari pakar.
 Sistem neuro-fuzzy mengkombinasi

kemampuan pembelajaran jaringan saraf

dengan interpretasi aturan linguistik dalam
sistem inferensi fuzzy

4
 PENDAHULUAN
 Struktur neuro-fuzzy digunakan untuk
prakiraan penggunaan listrik berdasarkan
pengukuran yang sedang berlangsung dan
keadaan yang pernah terjadi.
 Karakteristik prosesnya nonlinier dan dapat

digambarkan oleh choatic time series yang

dimodelkan dan diprakirakan oleh jaringan
syaraf

5
Gambar 1. Struktur Sistem Inferensi Neuro-Fuzzy

6
 SISTEM INFERENSI NEURO-FUZZY
 Sinyal input diterapkan untuk jaringan pada waktu
k adalah xi(k) dengan i = 1 .. N
 Sinyal output jaringan adalah u(k)
 N adalah jumlah neuron pada lapisan input
 Pada lapisan pertama jumlah node adalah sama
dengan jumlah input eksternal
 Pada lapisan kedua setiap node bersesuai dengan
satu istilah linguistik
 Setiap sinyal input sistem memiliki derajat
keanggotaannya yang merupakan hasil
perhitungan fuzzy

7
SISTEM INFERENSI NEURO-FUZZY
Untuk menggambarkan fungsi linguistiknya
digunakan fungsi Gaussian:

c1ij dan σ1ij adalah pusat dan lebar fungsi

keanggotaan Gaussian dari input i ke j

8
 SISTEM INFERENSI NEURO-FUZZY
 μ1j(xi) adalah fungsi keanggotaan dari variabel i
input untuk j
 n adalah jumlah sinyal input eksternal
 j adalah input eksternal linguistik untuk xi
 P adalah jumlah bentuk linguistik
 Pada lapisan ketiga jumlah node bersesuaian
dengan jumlah aturan
 Setiap node merepresentasikan satu aturan logika
fuzzy
 Untuk menghitung nilai sinyal output dari lapisan
dengan menggunakan operator AND (min)

9
SISTEM INFERENSI NEURO-FUZZY

Dimana μl adalah sinyal input dari lapisan

sebelumnya.
Operasi defuzzifikasi menggunakan pusat
rerata (center of average) maka fungsi
Gaussian pusat digunakan untuk
defuzzifikasi lapisan berikutnya.

10
SISTEM INFERENSI NEURO-FUZZY
c21 merepresentasikan pusat dari koefisien
fuzzy. Output lapisan kelima dihitung
berdasarkan persamaan 3:

11
SISTEM INFERENSI NEURO-FUZZY
Output sistem fuzzy dapat dicari dengan
persamaan 4:

12
SISTEM INFERENSI NEURO-FUZZY
Untuk mendefinisikan nilai akurasi dari
parameter pembelajaran terawasi
digunakan persamaan 5

Dengan γ adalah learning rate

13
SISTEM INFERENSI NEURO-FUZZY
Penyelesaian fungsi keanggotaan dari lapisan
input diperbaiki dengan koefisien c1ij dan
σ1ij

14
 SIMULASI
 Data yang digunakan berasal dari laporan KIB-
TEK dalam periode 1996 sampai 2004 yang
digambarkan seperti pada gambar 2.
 Struktur neuro-fuzzy dan algoritma

pembelajarannya digunakan untuk

mengkonstruksi model prakiraan.
 Untuk memprakira nilai konsumsi listrik

selanjutnya x(t+P) berdasarkan point data {x(t-

(D-1)Δ),…..,x(t- Δ),…..,x(t)}. Untuk 4 data input
digunakan [x(t-4) x(t-3) x(t-2) x(t)] untuk
model prakiraan

15
Gambar 2. Plot Data Input

16
 SIMULASI
 Untuk prakiraan 3 bulan, maka data pelatihan
output bersesuaian dengan x(t+3).
 Data pelatihan input/output untuk sistem

prakiraan akan berstruktur komponen

pertama adalah vektor input 4 dimensi dan
komponen kedua adalah prakiraan output
 Pelatihan dimulai dengan membangun

arsitektur sistem berupa 4 input dan 1

neuron output, serta 48 neuron tersembunyi
(aturan) yang digunakan menjadi 3 lapisan.

17
 SIMULASI
 Data untuk input dan output antara 0 – 1
 Jenis pelatihan yang digunakan adalah

algoritma terawasi

18
Gambar 3. Plot Sinyal Output

19
Gambar 4. Plot Prakiraan Error
dengan 1000 epoch

20
SIMULASI

21
 KESIMPULAN
 Pada jurnal ini, telah diberikan pengembangan
sistem neuro-fuzzy untuk membangun time-series
model prediksi.
 Struktur dan algoritma pembelajaran dari sistem
neuro-fuzzy diterapkan dan menghasilkan model
prediksi nilai-nilai masa depan dari penggunaan
listrik.
 Simulasi dari pengembangan sistem neuro-fuzzy
telah ditunjukkan.
 Hasil pengujian dari pengembangan sistem sangat
memuaskan serta metodologi digunakan dengan
tepat guna.

22