Semarang. Oleh karena itu, peneliti ingin mencoba menyajikan dan membuktikan bagaimana tingkat akurasi dari metode ARIMA tersebut.
Selain itu PT PLN Persero APJ Semarang merupakan area yang memiliki beban listrik tertinggi di Jawa Tengah karena merupakan pusat
pemerintahan dan pusat industri.
Gambar 3.1. Peta Wilayah Kerja PT PLN Persero APJ Semarang
3.2 Tahapan Penelitian
Tahapan dalam penelitian skripsi ini dilakukan secara berurut disusun secara sistematis dengan tujuan mendapatkan keterhubungan antara data dan
informasi yang diperoleh dengan hasil yang didapat. Secara garis besar diagram alir penelitian dapat digambarkan seperti berikut:
Studi Literatur
Teori Prakiraan Teori Beban Listrik Teori Data dan Statistik
Pencarian Informasi dan Data
Data Historis Beban Konsumsi Listrik PLN
Pengolahan Data
Menyeleksi Data Acuan
Prakiraan Beban
Menerapkan Metode ARIMA atau Pendekatan Box-Jenkins
Analisa Hasil Prakiraan
Perhitungan nilai MAPE
Kesimpulan
Gambar 3.2. Diagram Tahapan Penelitian
3.2.1. Tahap Studi Literatur Penelitian dimulai dengan studi literatur, yaitu pengumpulan
informasi dan pembelajaran referensi melalui jurnal-jurnal, buku-buku maupun melalui artikel dan sumber informasi dari internet yang dapat
dijadikan sebagai acuan dalam melakukan penelitian. Secara garis besar informasi yang dipelajari berupa teori prakiraan, teori beban
listrik, teori data dan statistik.
3.2.2. Tahap Pencarian Informasi dan Data Tahap ini merupakan proses pengumpulan data dan informasi
yang dibutuhkan dalam penelitian ini. Tujuan dari pengumpulan data adalah untuk menyeleksi data yang akan digunakan. Data diperoleh
dari PT. PLN APJ Kota Semarang. Metode pengumpulan data yang digunakan yaitu :
a. Interview, yaitu teknik pengumpulan data dengan melakukan tanya jawab langsung terhadap pegawai di lingkungan PT PLN
APJ Semarang. b. Data Sekunder tak langsung, yaitu teknik pengumpulan data
yang diambil dari sumber atau sudah tersedia tanpa melakukan pencatatan pengumpulan data. Sumber data dari PT PLN APJ
Semarang. Data yang dikumpulkan berupa data historis beban puncak
konsumsi listrik pukul 19.00 pada tanggal 1 September 2014 sampai dengan tanggal 22 Februari 2015 yang berjumlah 175 data. Berikut
data lengkapnya: Tabel 3.1. Data beban puncak MW area Semarang pukul 19.00 pada
tanggal 1 September 2014 sampai dengan 22 Februari 2015
September 14 Oktober 14
November 14 Desember 14
Januari 15 Februari 15
1 653,7
31 622,1
62 646,4
92 644,2
123 502,1
153 525,0
2 664,0
32 646,5
63 627,8
93 634,6
124 521,9
154 592,5
3 660,7
33 636,1
64 684,5
94 628,0
125 511,0
155 609,0
4 654,9
34 554,4
65 690,1
95 637,7
126 514,0
156 598,0
5 603,0
35 430,6
66 686,9
96 623,9
127 598,5
157 593,0
6 644,2
36 624,7
67 680,5
97 592,7
128 620,6
158 592,4
7 573,7
37 646,8
68 663,6
98 440,5
129 609,3
159 568,4
8 652,2
38 648,4
69 514,6
99 590,8
130 612,8
160 545,7
9 663,5
39 637,5
70 568,7
100 607,6
131 625,9
161 624,1
10 649,8
40 644,4
71 614,9
101 579,3
132 578,3
162 623,3
11 660,7
41 577,8
72 659,8
102 584,1
133 561,6
163 621,7
12 644,4
42 483,1
73 676,1
103 564,6
134 615,8
164 576,3
13 607,2
43 651,6
74 646,5
104 531,9
135 580,0
165 592,9
14 584,8
44 667,9
75 610,4
105 423,8
136 621,8
166 577,0
15 660,0
45 681,3
76 599,4
106 663,3
137 586,5
167 576,6
16 662,6
46 684,3
77 581,9
107 624,8
138 597,9
168 637,6
17 645,3
47 667,7
78 634,1
108 632,1
139 561,6
169 605,8
18 661,2
48 619,5
79 582,7
109 637,9
140 525,4
170 612,0
19 661,7
49 610,7
80 619,9
110 645,6
141 569,7
171 513,8
20 613,3
50 622,6
81 654,1
111 587,8
142 606,7
172 602,7
21 589,5
51 693,4
82 671,3
112 443,0
143 610,6
173 589,3
22 669,2
52 675,9
83 620,0
113 635,6
144 610,4
174 566,3
23 667,4
53 663,7
84 574,5
114 629,4
145 604,1
175 626,8
24 645,3
54 650,1
85 620,2
115 601,5
146 571,3
25 661,1
55 587,4
86 604,9
116 539,2
147 548,1
26 650,0
56 602,8
87 648,7
117 588,9
148 601,7
27 607,1
57 683,5
88 665,2
118 541,0
149 605,5
28 594,2
58 666,5
89 573,3
119 540,3
150 611,8
29 660,6
59 676,0
90 579,6
120 597,4
151 609,2
30 625,2
60 685,9
91 572,2
121 574,2
152 601,3
61 684,3
122 527,1
153 550,2
3.2.3. Tahap Pengolahan Data Data yang telah terkumpul kemudian diseleksi agar sesuai
dengan data yang dibutuhkan. Data hasil penyeleksian inilah yang nantinya
akan digunakan
sebagai acuan
metode ARIMA
Autoregressive Integrated Moving Average untuk memprakirakan nilai beban puncak konsumsi listrik pada tanggal 23 Februari 2015
sampai dengan 8 Maret 2015. Dalam tahap pengolahan data dan tahap selanjutnya peneliti menggunakan bantuan software Minitab 16.0
untuk mempermudah proses pengolahan dan perhitungan.
Gambar 3.3. Lembar kerja Minitab 16.0
3.2.4. Tahap Prakiraan Beban Tahap prakiraan beban ini merupakan tahapan dimana data yang
telah ditentukan akan dianalisis dengan Metode ARIMA Autoregressive Integrated Moving Average untuk memperoleh data
hasil prakiraan. Proses analisis data menggunakan pendekatan Box- Jenkins yang telah ditunjukkan di BAB sebelumnya gambar 2.6 dan
dianalisis dengan bantuan software Minitab 16.0. Secara umum tahap- tahap dalam menganalisis adalah sebagai berikut:
1. Identifikasi Model Pada tahap ini akan dicari model yang dianggap paling sesuai
dengan data. Diawali dengan membuat plot data asli, membuat trend analisisnya, grafik fungsi autokorelasi dan grafik fungsi
autokorelasi parsial. Fungsi autokorelasi digunakan untuk menentukan kestasioneran data runtun waktu, jika hasil fungsi
autokorelasi data asli ternyata belum stasioner, maka dilakukan proses differensiasi, yaitu dengan cara mencari nilai selisih dari
data asli, bila data masih belum stasioner, proses differensiasi dapat dilakukan 2 kali atau seterusnya sampai data menjadi
stasioner. Fungsi autokorelasi parsial digunakan untuk menentukan model dari data tersebut. Untuk menentukan model dari data
tersebut dapat dilakukan dengan melihat pada lag berapa fungsi terputus. Jika data terlihat sudah stasioner maka langsung dapat
diperkirakan modelnya.
2. Estimasi Parameter Tahap berikutnya setelah model awal p dan q ditentukan
adalah dengan mengestimasi parameter AR dan MA yang ada pada model. Estimasi ini bisa menggunakan teknik kuadrat terkecil
sederhana, dengan metode estimasi tidak linier maupun dengan metode MLE maximum likehood estimation, Yule Walker,
Durbin Watson, dll. Metode yang digunakan adalah yang sekiranya paling sesuai dengan keadaan data. Pada tahap estimasi ini, teknik
perhitungan secara matematis relatif kompleks, sehingga peneliti menggunakan bantuan software Minitab 16.0.
Uji signifikasi Parameter menggunakan acuan hipotesis sebagai berikut :
H0 : Parameter tidak signifikan H1 : Parameter signifikan
Daerah Kritis : tolak H0 jika p-value α = 0,05 model
signifikanlayak digunakan. 3. Tahap Tes Diagnostik atau Tahap Verifikasi
Setelah parameter dari model terestimasi, maka langkah selanjutnya adalah melakukan uji diagnostik untuk meyakinkan
apakah spesifikasi modelnya telah benar. Jika residualnya ternyata white noise , maka modelnya sudah baik. Bila residualnya tidak
white noise maka modelnya dapat dikatakan tidak tepat dan perlu
dicari spesifikasi yang lebih baik. Untuk melakukan uji diagnostik, tahapannya adalah:
a. Estimasi model ARIMA p,d,q b. Hitung residual dari model tersebut
c. Hitung ACF dan PACF dari residual d. Uji apakah ACF dan PACF signifikan. Bila ACF dan PACF
tidak signifikan, ini merupakan indikasi bahwa residual merupakam white noise yang artinya model telah cocok.
Perhitungan residual dari model tersebut, yaitu dengan melakukan Uji non- autokorelasi, Uji Normalitas Kolmogorov
Smirnov dan Uji Homoskedastisitas. Uji-non Autokorelasi dilakukan untuk mengetahui apakah
residual mempunyai autokorelasi ataukah tidak, bisa dilihat dari nilai p-value pada Ljung Box Chi-square statistic dengan acuan
sebagai berikut: H0 : residual data mengandung autokorelasi
H1 : residual data tidak mengandung autokorelasi Daerah Kritis : Tolak H0 jika p-value pada Ljung Box
α = 0,05 Uji Normalitas Residual dilakukan untuk melihat kenormalan
dari residual, untuk menguji normalitas residual dapat digunakan uji hipotesis normalitas Kolmogorov Smirnov dengan acuan
sebagai berikut: H0 : residual tidak berdistribusi normal
H1 : Residual berdistribusi normal Daerah Kritis : Tolak H0 jika p-value
α = 0,05 Uji Homoskedastisitas Residual dilakukan untuk mengetahui
apakah variasi dari residual homogen ataukah tidak. Jika pada plot ACF dan PACF residual signifikan pada lag-lag awal maka variasi
residual tidak konstan, jika sebaliknya maka variasi residual konstan.
4. Tahap Prakiraan Tahap prakiraan ini dilakukan setelah modelnya lolos tes
diagnostik. Prakiraan ini sesungguhnya merupakan penjabaran dari persamaan berdasarkan koefisien-koefisien yang didapat, sehingga
kita dapat menentukan kondisi di masa yang akan datang
3.2.5. Tahap Analisa Hasil Prakiraan Pada tahap ini, hasil prakiraan yang telah didapatkan pada tahap
sebelumnya akan dianalisis tingkat akurasi. Hasil data prakiraan dari metode ARIMA Autoregressive Integrated Moving Average akan
dibandingkan dengan data aktual yang ada. Dari hasil perbandingan tersebut akan diperoleh selisih antara data prakiraan dan data nyata,
untuk selanjutnya dilihat nilai ME Mean Error, dan menghitung nilai MAPE Mean Absolute Percentage Error. Dari hasil perhitungan
tersebut akan diketahui tingkat akurasi prakiraan dengan metode ARIMA Autoregressive Integrated Moving Average.
Tabel 3.2. Data beban puncak MW area Semarang pukul 19.00 pada tanggal 23 Februari 2015 sampai dengan 8 Maret 2015
Tanggal Beban MW
1
626.8
2
641.1
3
637.5
4
628.1
5
614.9
6
589.6
7
564
8
645.8
9
640.8
10
614.7
11
620.8
12
625.5
13
584.9
14
573.2
BAB V PENUTUP