Prakiraan Forecasting LANDASAN TEORI

BAB II LANDASAN TEORI

Pada bab ini akan dijelaskan mengenai teori dasar dan literatur yang menjadi dasar dalam penyelesaian masalah pada penelitian ini. Berbagai sumber yang digunakan, baik berupa buku, artikel, jurnal maupun media internet digunakan untuk mendukung teori penyelesaian skripsi ini. Adapun pembahasan teori mencakup teori dan metode prakiraan, teori tentang beban konsumsi listrik, jenis-jenis data dan penjelasan tentang metode ARIMA Autoregressive integrated moving average.

2.1 Prakiraan Forecasting

2.1.1 Pengertian prakiraan Prakiraan pada dasarnya merupakan suatu dugaan atau prediksi mengenai terjadinya suatu kejadian atau peristiwa di masa yang akan datang. Prakiraan dapat disebut juga dengan peramalan yang ilmiah educated guess. Setiap pengambilan keputusan yang menyangkut keadaan di masa yang akan datang, maka pasti ada prakiraan yang melandasi pengambilan keputusan tersebut S. Assauri, 1984. Prakiraan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi dasar dalam penerapan teknik prakiraan adalah: “if we can predict what the future will be like we can modify our behaviour now to be in a better 7 position, than we otherwise would have been, when the future arrives ”. Artinya, jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat Murahartawaty, 2009. Prakiraan dibutuhkan karena semua institusiindustri beroperasi dalam hal ini PLN dalam lingkungan yang tidak jelas tetapi keputusan yang dibuat hari ini akan mempengaruhi masa dean institusiindustri. Prakiraan yang efektif sangat dibutuhkan untuk mencapai tujuan strategis dan operasional dari semua institusiindustri. Untuk penyedia listrik PLN, prakiraan mengendalikan sistem kendali produksi pembangkitan dan pendistribusian yang berdasarkan kebutuhan. Untuk sektor publik, prakiraan merupakan bagian yang tidak terpisahkan dari perancangan kebijakan dan program, baik dalam bidang ekonomi, pendidikan, maupun kesehatan masyarakat. 2.1.2 Klasifikasi Teknik Prakiraan Pada umumnya teknik prakiraan dapat dibedakan menjadi beberapa jenis tergantung dari cara melihatnya, yaitu : 1. Dilihat dari sifat penyusunannya a. Prakiraan yang subjektif, yaitu prakiraan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan orang yang menyusunnya sangat menentukan baik tidaknya hasil prakiraan tersebut. b. Prakiraan yang objektif, yaitu prakiraan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode- metode dalam penganalisaannya. 2. Dilihat dari jangka waktu prakiraannya Tabel 2.1 Rentan Waktu dalam Prakiraan Rentan Waktu Tipe Keputusan Contoh Jangka Pendek Operasional Perencanaan Produksi, Distribusi Jangka Menengah Taktis Penyewaan lokasi dan peralatan Jangka Panjang Strategis Penelitian dan pengembangan akuisisi dan merger. Sumber: Murahartawaty, 2009. a. Prakiraan jangka pendek short term forecasting, yaitu prakiraan yang dilakukan untuk penyusunan hasil prakiraan yang jangka waktunya harian hingga setiap jam. Biasa digunakan untuk studi perbandingan beban listrik prakiraan dengan aktual realtime. b. Prakiraan jangka menengah mid term forecasting, yaitu prakiraan yang dilakukan untuk penyusunan hasil prakiraan yang jangka waktunya mingguan hingga bulanan. Biasa digunakan untuk mempersiapkan jadwal persiapan dan operasional sisi pembangkit. c. Prakiraan jangka panjang long term forecasting, yaitu prakiraan yang dilakukan untuk penyusunan hasil prakiraan yang jangka waktunya tahunan atau beberapa tahun kedepan. Biasanya dapat digunakan untuk mempersiapkan ketersediaan unit pembangkitan, sistem transmisi, serta distribusi. 3. Dilihat dari sifat prakiraan yang telah disusun a. Prakiraan kualitatif, yaitu prakiraan yang didasarkan atas kualitatif pada masa lalu. Hasil prakiraan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil prakiraan tersebut ditentukan berdasarkan pemikiran yang berfsifat intuisi, judgement atau pendapat dan pengetahuan serta pengalaman dari penyusunnya b. Prakiraan kuantitatif, yaitu prakiraan yang didasarkan atas data kuantitatif pada masa lalu. Hasil prakiraan yang dibuat sangat tergantung pada metode yang digunakan dalam prakiraan tersebut. Dengan metode yang berbeda akan diperoleh hasil prakiraan yang berbeda, adapun yang perlu diperhatikan dari penggunaan metode tersebut, adalah baik tidaknya metode yang digunakan, sangat ditentukan oleh perbedaan atau penyimpangan antara hasil prakiraan dengan kenyataan yang terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Prakiraan kuantitatif hanya dapat digunakan apabila; adanya informasi tentang keadaan lain, informasi tersebut dapat dituliskan dalam bentuk data, dan dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang. Prakiraan Metode Kualitatif Metode Kuantitatif Juru opini eksekutif gabungan tenaga penjualan Time Series Kausal Metode delphy Survei pasar Regresi Linier Regresi Koefisien Korelasi Dekomposisi Pemodelan Ekonomik Smoothing Rata-rata Moving Average Eksponential Smoothing Sumber: Aulia Khair, 2011. Gambar 2.1. Taksonomi Prakiraan 2.2.3 Metode Prakiraan Metode prakiraan yang dipilih tergantung dengan jenis prakiraan yang akan dilakukan, berikut adalah metode prakiraan yang berdasarkan pada waktu prakiraannya. 1. Metode prakiraan jangka panjang dan menengah Faktor waktu yang mempengaruhi tipe ini adalah bulanan hingga tahunan. Pada umumnya metode yang digunakan, antara lain: a. Model Ekonometrik Econometric Models Pendekatan ini mengkombinasikan teori ekonomi dengan teknik statistik untuk prakiraan beban listrik. Pendekatan ini mengestimasikan hubungan antara konsumsi energi dan faktor yang mempengaruhi energi tersebut. Hubungannya akan diestimasikan dengan metode least square atau time series. b. Model Penggunaan Terakhir End Use Model Pendekatan ini langsung mengestimasikan konsumsi energi dengan menggunakan informasi yang ekstensif pada akhir profil konsumsi konsumen, seperti peralatan, penggunaan untuk konsumen, umur, ukuran rumah dan lainnya. Data statistik konsumen beserta perubahan dinamisnya menjadi dasar prakiraan. Idealnya pendekatan ini sangat akurat namun sangat sensitif terhadap data acuan konsumen dan minim data historis beban. c. Model Statistik Berdasarkan Pembelajaran Statistical Model Based Learning Pendekatan ini lebih sederhana dari model ekonometrik dan model penggunaan terakhir, karena menyisihkan pendekatan terhadap data yang tidak berguna, yaitu dengan menggunakan pembelajaran data historis yang dihubungkan oleh data-data yang saling terhubung dengan jenis data yang berbeda lainnya seperti data beban terhadap cuaca dimana data historis cuaca akan ada hubungannya dengan data beban. 2. Metode prakiraan jangka pendek Faktor waktu yang mempengaruhi tipe ini adalah setiap jam hingga harian. Pada umumnya metode yang digunakan, antara lain: a. Metode Regresi Metode ini menggunakan suatu fungsi yang mendekati data yang dikumpulkan. Regresi merupakan metode yang paling sering digunakan dalam perhitungan statistik. Prakiraan regresi beban listrik biasa digunakan untuk mencari hubungan antara konsumsi energi dan faktor lain. b. Pendekatan Hari yang Sama Similar Day Approach Pendekatan ini dilakukan dengan mencari data historis hari yang sama selama satu hingga tiga tahun dengan karakteristik yang sama dengan hari prakiraan. Karakteristik yang sama tersebut berupa hari di setiap minggu, tanggal dan sebagainya. Beban pada hari yang sama juga termasuk dalam prakiraan. Prakiraan dapat berupa kombinasi linier dan regresi. c. Time Series Metode ini berdasarkan pada asumsi data yang memiliki struktur didalamnya, seperti autokorelasi, trend ataupun variasi musiman.Time series telah digunakan dalam beberapa dekade untuk bidang ekonomi, digital signal processing DSP, seperti halnya prakiraan beban listrik. contoh metode yang sering digunakan: AR Auto Regressive, MA Moving Average, lalu dikembangkan menjadi ARMA Auto Regressive Moving Average, ARIMA Auto Regressive Integrated Moving Average, ARMAX Auto Regressive Moving Average with Exogeneus variables, ARIMAX Auto Regressive Integrated Moving Average with exogenous variables. d. Jaringan Syaraf Neural Network Penggunaan Artificial Neural Network ANN telah banyak digunakan sebagai studi pembelajaran prakiraan beban dari tahun 1990. Intinya neural network merupakan rangkaian nonlinier yang dapat melakukan pencocokan pada kurva-kurva nonlinier. Keluaran yang dihasilkan berupa fungsi linier dan nonlinier dari masukannya tersebut. e. Logika Fuzzy Metode ini merupakan pendekatan generalisasi terhadap logika Boolean dengan menggunakan desain rangkaian digital. Input Boolan ini berupa “0” dan “1”. Dibawah logika fuzzy ini sebuah input sudah diasosiasikan denga rentang kualitatif tertentu. Singkatnya logika fuzzy memperbolehkan satu output kesimpulan dari beberapa input.

2.2 Beban Konsumsi Listrik