Herliyani Hasanah, Sri Arttini Dwi Prasetyowati, Dedi Nugroho
Sari
Pembangkit Listrik Tenaga Air (PLTA) Wonogiri merupakan bagian dari Proyek Serbaguna Waduk Wonogiri (Waduk Gajah Mungkur). Pada musim penghujan PLTA bisa beroperasi 24 jam tetapi pada musim kemarau PLTA beroperasi sesuai kontrak antara PLTA dengan Perum Jasa Tirta (PJT). Untuk itu dilakukan prediksi produksi energi listrik yang dihasilkan PLTA. Dalam penelitian ini menentukan perbandingan hasil prediksi ANFIS dan hasil produksi energi listrik aktual PLTA. Variabel penelitian yang digunakan adalah data tahun 2010 – 2014 yaitu energi listrik yang dihasilkan PLTA Wonogiri (KwH), elevasi muka air waduk (m), debit air (m^3/detik). Parameter ANFIS yang digunakan pada penelitian ini menggunakan sistem inferensi fuzzy model Sugeno orde satu, dengan fungsi keanggotaan gbell, jumlah epochs (iterasi) yang digunakan adalah 100. Dalam penelitian ini digunakan 2 perbandingan, yaitu perbandingan variasi nilai laju pembelajaran dan perbandingan variasi nilai momentum. Dari hasil pengujian dengan ANFIS diperoleh keluaran dengan performansi yang bagus pada saat Fuzzy C Means 2 kelas dengan parameter laju pembelajaran 0.1, momentum 0.6 dengan besar Mean Percentage Error 0.609157. Error antara target dan prediksi pada data pembelajaran menggunakan fungsi keanggotaan gbell dengan besar SSE 2.61E-05 dan waktu pembelajaran 5.683000 detik.
Kata Kunci
anfis, gbell, plta wonogiri, prediksi, energi listrik
Teks Lengkap
Referensi
Singgih, Business Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. Elex Media Komputindo, 2009.
I. Rosyadi, “Peramalan Aliran Masukan Waduk Mria Menggunakan Model Thomas-Fiering dan Jaringan Syaraf Tiruan ANFIS,” Dinamika Rekayasa, vol.2, Agustus 2011.
Triantisto, “ Notulensi Presentasi PT Indopower UBP Mrica di Lab. Hidraulika Teknik Sipil UGM,” 2007.
J,Jang, “ANFIS: Adaptive-networkbased fuzzy inference systems,” IEEE Trans. on Systems, Man and Cybernetics, vol. 23(03), pp :665-685, 1993
L.Bodri and V.Cermak, “Prediction of extreme precipitation using a neural network,” Application to summer flood in Moravia. Advances in Engineering, vol.31, pp : 311-321, 2000.
Y.B. Dibike and D.P. Solomatine, “River Flow forecasting Using Artificial Neural Networks”, Phys. Chem. Earth (B), vol.26, pp : 1-7, 2001
Jain, A., Kumar, A.M. 2006. Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing
F.J. Chang F.J, H.F.Hu, Y.C. Chen, “Counter propagation fuzzy–neural network for River flow reconstruction,” Hydrological Processes, vol.15, pp : 219–232, 2001.
C. Ertunga and L. Duckstein. Fuzzy conceptual rainfall-runoff models. Journal of Hydro., vol.253, pp : 41-68, 2001.
M. Rizki, “Prediksi curah hujan dan debit menggunakan metode adaptive neuro fuzzy inferensi system (ANFIS), Institut Teknologi Bandung, 2012
Kusumadewi, Hartati. 2010. Neuro Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf . Yogyakarta : Graha Ilmu.
J,Jang, “Neuro-Fuzzy and Soft Computing. NewJersey Prentice-Hall, 1997.
DOI