Pengembangan Teknik Peramalan Jangka Pen (1)
ABSTRAK
Salah satu energi yang sangat berperan penting dalam aspek kehidupan di dunia
yaitu energi listrik. Begitu pula di Indonesia yang saat ini sedang menuju negara
industri, tentunya energi listrik sangat dibutuhkan bagi industri. Selain itu, seiring
dengan pencanangan modernisasi daerah yang dikhususkan kepada daerah
tertinggal membuat konsumsi energi listrik di Indonesia semakin meningkat.
Pasalnya akan semakin banyak wilayah di Indonesia yang akan dialiri listrik. Pada
tahun ini tercatat konsumsi listrik di Indonesia naik 10% dari tahun sebelumnya.
Angka ramalan selanjutnya perlu untuk diketahui bagi pihak-pihak tertentu
khususnya PT. PLN supaya penyediaan listrik di masa depan dapat terpenuhi.
Selain sebagai pertimbangan penyediaan listrik, angka ramalan juga diperlukan
sebagai dasar kebijakan konservasi energi listrik di Indonesia. Angka ramalan
yang tepat akan mendukung bentuk kebijakan yang tepat dalam hal konservasi
energi listrik di Indonesia secara berkesinambungan dan terencana. Prediksi
permintaan listrik adalah suatu aspek penting dalam pengembangan suatu model
untuk perencanaan listrik. Bentuk permintaan tergantung dari perencanaan dan
akurasi yang dibutuhkan, sehingga dapat di-representasikan sebagai suatu
permintaan harian, mingguan atau tahunan. Peramalan pemakaian listrik jangka
pendek dibutuhkan untuk kontrol dan penjadwalan sistem daya. Fokus pemakaian
bervariasi dari menit ke menit sampai beberapa jam ke depan. Prediksi ini
diperlukan sebagai input untuk algoritma penjadwalan pada suatu pembangkit dan
transmisi listrik. Ramalan beban pemakaian listrik membantu dalam penentuan
peralatan yang dipakai untuk pengoperasian dalam suatu periode tertentu, atau
untuk meminimisasi biaya-biaya dan mengamankan permintaan yang ada, bahkan
ketika kegagalan lokal terjadi pada sistem. Pada karya tulis ini akan dibahas
mengenai metode peramalan listrik jangka pendek yaitu ARIMA Seasonal yang
hasilnya diharapkan mampu merepresentasikan nilai yang sebenarnya di masa
depan. Alasan pemilihan metode ARIMA Seasonal, yaitu karena diperkirakan nilai
pemakaian listrik per jam bahkan per menit yang berpola musiman. Pada
pemakaian listrik harian, beban akan mencapai puncak ketika jam kerja yaitu
pukul 8.00-17.00 sedangkan pada malam hari pemakaian akan berkurang.
Keadaan tersebut menimbulkan efek musiman pada pola data yang
mengakibatkan penggunaan ARIMA biasa (non seasonal) akan bias. Data yang
akan digunakan yaitu data pemakaian listrik Jawa-Bali bulan Mei-Juli 2013.
Dengan adanya peramalan yang akurat pada tiap wilayah di Indonesia, maka
kebijakan konservasi energi yang optimal tentu akan dapat ditentukan. Kebijakan
tentang waktu penghematan listrik dilakukan serta pada daerah mana saja yang
perlu dilakukan penghematan listrik akan sangat membantu dalam proses
konservasi energi listrik di Indonesia. Sehingga, pemakaian energi listrik di
Indonesia akan lebih efisien tanpa mengurangi konsumsi melainkan
pengoptimalan pemakaian energi listrik.
Kata Kunci: Energi Listrik, ARIMA Seasonal, Konservasi Energi
ABSTRACT
One of the very important role of energy for life in the world is electric energy.
Similarly, in Indonesia, which is currently leading industrial nations, of course, it
is necessary for the electrical energy industry. Moreover, in line with the
declaration of the area devoted to the modernization of underdeveloped areas
make electrical energy consumption in Indonesia has increased. Because there
will be more areas in Indonesia which will be electrified. In this recorded
electricity consumption in Indonesia rose 10% from a year earlier. The next
forecast numbers need to be known for certain parties especially PT. PLN in order
to supply electricity in the future can be met. In addition to the consideration of
the provision of electricity, forecast figures are also needed as a basis for electrical
energy conservation policy in Indonesia. Exact forecast numbers will support a
form appropriate policies in terms of electrical energy conservation in Indonesia
and planned on an ongoing basis. Electricity demand forecasting is an important
aspect in the development of a model for electricity planning. Form of demand
depends on the planning and the required accuracy, so it can be represented as a
demand for daily, weekly or yearly. Short-term forecasting of electricity needed to
power control and scheduling systems. Focus usage varies from minute to minute
to several hours ahead. This prediction is needed as input to the scheduling
algorithm in a generation and electricity transmission. Forecast electricity load
assist in the determination of the equipment used for the operation in a given
period, or to minimize the costs and securing existing demand, even when a local
failure occurs in the system. On this paper will discuss the methods of forecasting
short-term power ie ARIMA Seasonal whose results are expected to represent the
actual value in the future. Reason ARIMA Seasonal selection method, namely
because the estimated value per hour of electricity per hour even seasonal pattern.
In the daily electricity consumption, peak load will reach when working hours are
8:00 to 17:00 o'clock at night while discharging is reduced. The state of seasonal
effects on patterns of data that lead to the use of ordinary ARIMA (non-seasonal)
will be biased. The data will be used, namely electricity consumption for JavaBali in May-July 2013. With the accurate forecasting of each region in Indonesia,
the optimal energy conservation policy would be determined. Policy on electricity
savings time is done and on which areas needed electricity savings will be very
helpful in the process of electrical energy conservation in Indonesia. Thus, the
electrical energy consumption in Indonesia will be more efficient without
reducing the consumption of electric energy consumption but rather optimization.
Keywords: Electrical Energy, ARIMA Seasonal, Energy Conservation
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Energi listrik merupakan salah satu energi paling penting bagi
kehidupan, tidak terkecuali di negara Indonesia. Indonesia yang bertekad untuk
menjadi negara yang solid di bidang industri berimbas pada konsumsi energi
listrik yang semakin meningkat. Selain dalam rangka pemenuhan di bidang
industri, modernisasi daerah-daerah terpencil yang dahulu masih gelap sudah
pasti akan membutuhkan energi listrik. Sesuai dengan misi Perusahaan Listrik
Negara (PLN) yaitu berperan aktif dalam mendorong tersedianya tenaga listrik
untuk meningkatkan kualitas hidup dengan jalan penggunaan listrik pada siang
hari untuk Industri Rumah Tangga dan pengembangan desa mandiri energi.
Dengan bertambahnya jumlah wilayah yang modern tentu akan bertambah pula
energi listrik yang harus tersedia.
Dalam rangka pemenuhan energi listrik untuk masyarakat, maka perlu
adanya perencanaan persediaan listrik yang akurat. Sedangkan perencaan
persediaan listrik membutuhkan suatu operasional yang efisien sehingga akan
menghasilkan keputusan yang optimal dalam hal penambahan maupun
pengurangan kapasitas daya listrik. Prediksi permintaan listrik adalah suatu
aspek penting dalam pengembangan suatu model untuk perencanaan listrik.
Bentuk permintaan tergantung dari perencanaan dan akurasi yang dibutuhkan,
sehingga dapat di-representasikan sebagai suatu permintaan harian, mingguan
atau tahunan. Peramalan pemakaian listrik jangka pendek dibutuhkan untuk
kontrol dan penjadwalan sistem daya. Fokus pemakaian bervariasi dari menit
ke menit sampai beberapa jam ke depan. Prediksi ini diperlukan sebagai input
untuk algoritma penjadwalan pada suatu pembangkit dan transmisi listrik.
Ramalan beban pemakaian listrik membantu dalam penentuan peralatan yang
dipakai untuk pengoperasian dalam suatu periode tertentu, atau untuk
meminimisasi biaya-biaya dan mengamankan permintaan yang ada, bahkan
ketika kegagalan lokal terjadi pada sistem.
Dalam operasi jangka pendek, beban pemakaian sangat dipengaruhi
oleh kondisi-kondisi meteorologi, efek musiman (siklus harian dan mingguan,
kalender hari-hari libur) dan kejadian-kejadian khusus lainnya (Suhartono,
2008). Kondisi cuaca yang bervariasi adalah aspek kritis dalam peramalan
permintaan listrik untuk periode waktu satu hari kedepan (Chow dan Leung,
1996; Taylor dan Buizza, 2003).
Sifat alamiah yang stokastik dari permintaan sebagai suatu fungsi dari
waktu seringkali dimodelkan dengan model ARIMA dan state space. Model
state space menjadi sangat atraktif pada tahun 1980-an karena efisiensi
komputasi dari Kalman Filter (lihat Campo dan Ruiz, 1987), dan hasil ramalan
yang baik masih dilaporkan dalam penelitian pada periode selanjutnya (Infield
dan Hill, 1998). Pemodelan ARIMA telah digunakan oleh banyak peneliti,
dalam suatu kerangka pemodelan univariat, sebagai suatu pembanding untuk
evaluasi model-model alternatif (lihat Laing dan Smith, 1987; Darbellay dan
Slama, 2000; Abraham dan Nath, 2001; Taylor, 2003).
Beberapa penelitian sebelumnya yang berkaitan dengan pemodelan dan
peramalan pemakaian jangka pendek energi listrik, fokus utama yang dibahas
adalah bagaimana mendapatkan model yang sesuai untuk peramalan suatu data
pemakaian listrik yang cenderung berpola musiman. Pola musiman ini
disebabkan adanya waktu-waktu tertentu yang menyebabkan pemakaian listrik
maksimal maupun minimal. Pemakaian listrik maksimal misalnya terjadi pada
hari senin hingga jumat dikarenakan aktivitas industri. Sedangkan untuk hari
sabtu dan Minggu, pemakaian listrik akan cenderung turun. Oleh karena itu,
pada karya tulis ini akan digunakan metode ARIMA Seasonal (Musiman)
untum meramalkan pemakaian listrik dalam jangka pendek. Pada dasarnya,
metode ARIMA non Seasonal pun dapat digunakan, namun dikarenakan
adanya efek trend musiman maka error ramalan yang dihasilkan akan lebih
besar. Dengan adanya peramalan yang akurat mengenai pemakaian energi
listrik, maka dapat digunakan sebagai pertimbangan dalam penentuan
kebijakan konservasi energi listrik di Indonesia.
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah, maka rumusan masalah yang
dapat diperoleh yaitu bagaimana model peramalan yang baik untuk
meramalkan listrik jangka pendek sebagai pertimbangan kebijakan konservasi
listrik di Indonesia.
1.3. Tujuan
Tujuan dari pembuatan karya tulis ini yaitu dapat menentukan model
yang tepat untuk meramalkan pemakaian energi listrik jangka pendek
sehingga pada masa mendatang dapat dijadikan acuan berkenaan dalam
konservasi energi listrik. Peranan penting peramalan yang akurat di tiap
wilayah di Indonesia yaitu sebagai kontrol dalam penggunaan energi listrik di
Indonesia.
1.4. Manfaat
Manfaat penulisan karya tulis ini yaitu
1. Berupaya dalam mengembangkan Ilmu Pengetahuan dan Teknologi
2.
dalam hal meramalkan energi listrik
Menunjang pembangunan nasional
Permasalahan yang diteliti dalam penelitian ini diharapkan menunjang
pem-bangunan nasional, yang ditujukan untuk penghematan energi,
khususnya untuk kajian bidang energi listrik melalui prakiraan
pemakaian energi listrik di wilayah-wilayah Indonesia.
BAB II
TELAAH PUSTAKA
Pemodelan yang digunakan untuk menjelaskan hubungan nonlinear antar
variabel dan beberapa prosedur pengujian untuk mendeteksi adanya keterkaitan
nonlinear telah mengalami perkembangan yang sangat pesat pada beberapa
dekade terakhir ini. Salah satu pemodelan dalam Time series yaitu ARIMA.
Metode Autoregressive Integrated Moving Average (ARIMA) atau biasa
disebut juga sebagai metode Box-Jenkins merupakan metode yang secara intensif
dikembangkan oleh George Box dan Gwilym Jenkins (1976), yang merupakan
perkembangan baru dalam metode peramalan ekonomi, tidak bertujuan
membentuk suatu model struktural (persamaan tunggal maupun persamaan
simultan) yang berbasis dari teori ekonomi dan logika, namun dengan
menganalisis probabilistik atau stokastik dari data time series dengan memegang
filosofi “let the data speak for themselves” ARIMA merupakan suatu metode
yang menghasilkan ramalan-ramalan berdasarkan sintesis dari pola data secara
historis (Arsyad, 1995). ARIMA ini sama sekali mengabaikan variabel
independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau
dari variabel dependen untuk menghasilkan peramalan jangka pendek yang
akurat.
Laing dan Smith (1987), serta Taylor dkk. (2005) telah melakukan aplikasi
dari model ARIMA musiman untuk peramalan data pemakaian listrik jangka
pendek. Model ARIMA musiman merupakan bagian dari suatu kelompok model
time series yang fleksibel yang dapat digunakan untuk memodelkan beberapa tipe
musiman seperti pada time series yang tidak musiman. Model ARIMA musiman
dapat dinyatakan sebagai berikut (Cryer, 1986; Wei, 1990; Box dkk., 1994) :
S
d
S D
S
φ p ( B)Φ P (B )(1−B ) (1−B ) Y t =θ q( B)ΘQ ( B )at ,
dengan
φ p ( B)
Φ P (B S )
θq (B )
S
=
=
=
ΘQ (B )
dan
S
(2.1)
1−φ 1 B−φ 2 B2 −…−φ p B p
1−Φ 1 B S −Φ 2 B2 S −…−Φ P B PS
1−θ1 B−θ2 B2 −…−θq B q
S
2S
QS
1−Θ1 B −Θ2 B −…−ΘQ B ,
=
adalah panjang periode musiman, B adalah operator mundur
atau back shift operator, dan
at adalah suatu deret white noise dengan rata-rata
nol dan varians konstan. Box dan Jenkins (1976) telah memperkenalkan suatu
strategi pembentukan model yang efektif untuk ARIMA musiman berdasarkan
pada struktur autokorelasi dalam suatu data time series.
Dalam perkembangan analisis time series, telah banyak diketahui bahwa
pada banyak fenomena yang menarik dan sederhana seringkali merupakan
fenomena yang nonlinear, yaitu hubungan antara kejadian di masa lalu dan saat ini
adalah nonlinear. Dengan demikian, kelompok pemodelan time series yang linear
tidaklah cukup dan sesuai untuk kasus-kasus tersebut, dan sebagai konsekuensinya, model-model time series yang nonlinear telah menjadi fokus perhatian utama
peneliti time series pada beberapa tahun terakhir ini. Beberapa bentuk model
nonlinear telah dikembangkan dan diaplikasikan pada beberapa kasus time series,
dan sebagai overview atau diskusi lanjut hal ini dapat ditemukan antara lain di
Tong (1990), Priestley (1991), serta Granger dan Terasvirta (1993).
BAB III
METODOLOGI PENELITIAN
Analisis data dilakukan dengan menggunakan metode ARIMA.
Sebelum dilakukan perhitungan dengan menggunakan metode ARIMA,
terlebih dahulu dilakukan serangkaian uji-uji seperti kestasioneran data,
proses pembedaan dan pengujian correlogram untuk menentukan koefisien
autoregresi.
Untuk menjawab permasalahan yang ada dan menguji hipotesis digunakan
teknik analisis dengan langkah-langkah sebagai berikut :
1. Pengumpulan data yang terdiri atas observasi lapangan, wawancara
dan pengambilan data
2. Penyususan model
3. Validasi model
4. Penyususnan kalender konsumsi listrik jangka pendek
Sedangkan untuk tahap penyusunan model yaitu
1. Identifikasi stasioner
2. Penyusunan model tentatif
3. Pendugaan dan pengujian model
4. Validasi model
Model Seasional ARIMA merupakan salah satu pegembangan dari
model ARIMA. Berikut ini merupakan langkah-langkah dalam
SARIMA
1. Mengidentifikasi seasonal data dengan menggunakan ACF/PACF
pada seasonal lags.
2. Melakukan differencing pada data sesuai season digunakan untuk
menghilangkan seasonality dikarenakan ada kemungkinan data
yang dipakai membutuhkan differencing
Model dari SARIMA yaitu
BAB IV
ISI
4.1. GAMBARAN UMUM KONSUMSI LISTRIK DI INDONESIA
Listrik merupakan kebutuhan penting bagi masyarakat Indonesia. Listrik tidak
hanya menunjang kegiatan sehari-hari, melainkan juga kebutuhan pokok bagi
seluruh perusahaan yang berbasis industri. Jumlah daya listrik yang tersedia
seharusnya dapat memenuhi kebutuhan seluruh masyarakat Indonesia. Aspek lain
yang tidak kalah penting mengenai perlunya estimasi tepat penyediaan listrik
yaitu estimasi yang tepat akan menguntungkan bagi pihak penyedia listrik yakni
PLN. Jika penyediaan listrik kurang, maka pemadaman bergilir adalah solusi yang
selama ini ditempuh oleh PLN. Sedangkan kelebihan listrik tentunya akan
merugikan negara. Oleh karena itu peramalan besarnya konsumsi listrik di
Indonesia merupakan aspek penting dalam menentukan kebijakan konservasi
energi listrik di Indonesia. Peramalan jangka pendek dapat dilakukan dengan
memanfaatkan data konsumsi listrik di periode sebelumnya. Dengan demikian,
dapat terlihat pola konsumsi listrik di Indonesia. Secara umum, kita dapat
mengambil hipotesis bahwa data listrik berpola musiman. Hal ini dikarenakan
adanya waktu-waktu khusus di Indonesia dengan pemakaian listrik yang lebih
tinggi. Misalnya saja, penggunaan listrik di siang hari selalu tinggi sedangkan di
malam hari akan lebih rendah. Fenomena ini akan menyebabkan data berpola
musiman tiap jam. Selain setiap jam, pola musiman akan terlihat pada data harian,
karena penggunaan listrik di hari senin-jumat akan lebih banyak dibandingkan
dengan hari Sabtu maupun Minggu. Penyebab utamanya yaitu aktivitas industri
yang mayoritas berhenti pada weekend.
Diantara metode peramalan yang sedang berkembang yaitu Autoregressive
Moving Average (ARIMA). Metode ARIMA merupakan metode paling sederhana
dan baik untuk meramal. Hal penting dari penggunaan metode ARIMA yaitu data
harus berpola trend maupun stasioner. Keputusan memilih model ARIMA yaitu
dengan melihat plot ACF dan PACF. Namun, jika plot ACF dan PACF memiliki
pola yang kurang teratur yaitu tidak dies down setelah lag K, maka metode
ARIMA tidak baik digunakan. Hal ini karena adanya efek musiman pada data
sehingga pada lag-lag tertentu akan menunjukan cut off.
Pada dasarnya pola data data kosumsi listrik di setiap wilayah di Indonesia
cenderung sama yaitu musiman. Oleh karena itu pada karya tulis ini hanya akan
dibahas satu contoh penerapan model ARIMA Seasonal untuk wilayah Riau.
Sedangkan, untuk wilayah lain dapat diterapkan pula model ARIMA Seasonal
dengan karakteristik yang mungkin berbeda-beda.
Pemodelan Konsumsi Listrik Basis Data Tiap setengah Jam
Berdasarkan plot time series, data setengah jam konsumsi listrik mengindikasikan
pola musiman, seperti yang disajikan pada gambar 3.a. Plot ACF yang ditunjukan
pada gambar 3.b menandakan bahwa data belum stasioner, oleh karena itu perlu
distasionerkan melalui differencing satu kali. Data yang stasioner ditandai dengan
lag yang tidak berpola (acak) dan tidak mengandung musiman.
Trend Analysis Plot for C1
Autocorrelation Function for C1
Linear Trend Model
Yt = 14541 - 2,31045* t
(with 5% significance limits for the autocorrelations)
0,8
Accuracy Measures
MAPE
8
MAD
1168
MSD
1807480
15000
14000
13000
0,6
Autocorrelation
16000
C1
1,0
Variable
Actual
Fits
17000
0,4
0,2
0,0
-0,2
-0,4
-0,6
12000
-0,8
-1,0
11000
1
24
48
72
96
120 144 168 192 216 240
Index
1
5
10
15
20
25
30
Lag
35
40
45
50
Gambar 4.a dan 4.b menunjukan bahwa data telah stasioner. Hal ini ditunjukan
oleh Gambar 4.a yang beban listrik berada di sekitar nilai mean dan plot ACF
pada Gambar 4.b
Autocorrelation Function for C2
Time Series Plot of C2
(with 5% significance limits for the autocorrelations)
1000
1,0
0,8
0,6
C2
Autocorrelation
500
0
0,4
0,2
0,0
-0,2
-0,4
-0,6
-500
-0,8
-1,0
1
24
48
72
96
120
Index
144
168
192
216
1
240
5
10
15
20
25
30
Lag
35
40
45
50
55
Partial Autocorrelation Function for C2
(with 5% significance limits for the partial autocorrelations)
1,0
Partial Autocorrelation
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1
5
10
15
20
25
30
Lag
35
40
45
50
55
60
Gambar 4.b menunjukkan bahwa terdapat cut off after lag 1 dan cut off after lag
seasonal 48. Gambar 4.c menjelaskan bahwa titik-titik observasi beban listrik dies
down. Dengan demikian terdapat beberapa model tentatif untuk meramalkan
beban listrik jangka pendek. Namun, setelah melalui uji kelayakan hanya 1 model
yang memenuhi yaitu SARIMA (0,1,0) (0,1,1)48 .
60
55
60
Peramalan dan Implikasi Kebijakan
Setelah model yang tepat telah didapatkan, maka selanjutnya akan diramalkan
beban listrik untuk 24 jam ke depan.
Time Series Plot for C1
(with forecasts and their 95% confidence limits)
18000
17000
16000
15000
C1
14000
13000
12000
11000
10000
9000
1
Period
Actual
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
20
Forecast
11607,2
11437,7
11245,2
11069,7
10922,9
10812,8
10755,3
10809,9
11074,5
11306,9
11418,7
11143,5
11017,1
11220,2
11684,9
12149,7
12662,6
12880,8
12978,9
13121,8
13180,1
13154,8
12896,5
12354,2
12207,4
12645,4
12987,8
40
60
80 100 120 140 160 180 200 220 240 260 280
Time
95% Limits
Lower
Upper
11397,7
11141,5
10882,4
10650,8
10454,6
10299,7
10201,1
10217,5
10446,2
10644,6
10724,1
10418,0
10261,9
10436,5
10873,7
11311,9
11799,0
11992,2
12066,0
12185,1
12220,3
12172,4
11892,0
11328,2
11160,2
11577,5
11899,4
11816,6
11733,9
11608,0
11488,6
11391,3
11325,8
11309,4
11402,3
11702,9
11969,3
12113,4
11869,1
11772,3
12003,9
12496,1
12987,5
13526,2
13769,4
13891,9
14058,5
14140,0
14137,2
13901,0
13380,3
13254,7
13713,4
14076,1
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
12913,3
12843,3
12654,5
12638,1
12477,6
12505,5
12539,5
12795,6
13428,2
14036,5
14034,5
13885,1
13675,7
13327,9
13023,1
12519,8
11930,6
11558,2
11101,5
10809,7
10452,8
11805,0
11715,3
11507,3
11472,0
11292,7
11302,3
11318,2
11556,5
12171,5
12762,5
12743,4
12577,1
12351,0
11986,8
11665,7
11146,3
10541,3
10153,1
9681,0
9373,7
9001,7
14021,6
13971,2
13801,7
13804,3
13662,4
13708,7
13760,8
14034,7
14684,9
15310,6
15325,6
15193,1
15000,4
14669,1
14380,5
13893,3
13319,9
12963,2
12522,1
12245,6
11903,9
Model SARIMA dapat digunakan untuk meramalkan beban listrik jangka pendek
di Indonesia. Model ini merupakan pengembangan dari model ARIMA dengan
pola data yang mengandung musiman. Peramalan besarnya beban listrik yang
tepat di masing-masing wilayah (Kab/kota) di seluruh Indonesia dapat digunakan
sebagai dasar penentuan kebijakan konservasi listrik di Indonesia. Kebijakan
berkaitan dengan penambahan maupun pengurangan energi listrik di setiap
wilayah yang didasarkan pada perhitungan yang tepat tentunya akan memuaskan
semua pihak, masyarakat maupun pemerintah.
4.2. Kesimpulan
1. Model terbaik SARIMA (0,1,0) (0,1,1)48
merupakan model
yang tepat untuk meramalkan beban listrik jangka pendek di....
Model tersebut menghasilkan nilai MSE 11415. Sedangkan model
ARIIMA non seasonal tidak dapat digunakan karena data berpola
musiman.
4.3. Saran
Dengan menggunakan model SARIMA maka dapat digunakan untuk
meramalkan beban listrik jangka pendek untuk tiap daerah di
Indonesia. Namun, metode pengembangan ARIMA lainnya seperti
DSARIMA maupun NNE perlu dicoba juga untuk membandingkan
nilai MSE masing-masing model.
DAFTAR PUSTAKA
DAFTAR RIWAYAT PESERTA
1. Ketua
2. Anggota
Salah satu energi yang sangat berperan penting dalam aspek kehidupan di dunia
yaitu energi listrik. Begitu pula di Indonesia yang saat ini sedang menuju negara
industri, tentunya energi listrik sangat dibutuhkan bagi industri. Selain itu, seiring
dengan pencanangan modernisasi daerah yang dikhususkan kepada daerah
tertinggal membuat konsumsi energi listrik di Indonesia semakin meningkat.
Pasalnya akan semakin banyak wilayah di Indonesia yang akan dialiri listrik. Pada
tahun ini tercatat konsumsi listrik di Indonesia naik 10% dari tahun sebelumnya.
Angka ramalan selanjutnya perlu untuk diketahui bagi pihak-pihak tertentu
khususnya PT. PLN supaya penyediaan listrik di masa depan dapat terpenuhi.
Selain sebagai pertimbangan penyediaan listrik, angka ramalan juga diperlukan
sebagai dasar kebijakan konservasi energi listrik di Indonesia. Angka ramalan
yang tepat akan mendukung bentuk kebijakan yang tepat dalam hal konservasi
energi listrik di Indonesia secara berkesinambungan dan terencana. Prediksi
permintaan listrik adalah suatu aspek penting dalam pengembangan suatu model
untuk perencanaan listrik. Bentuk permintaan tergantung dari perencanaan dan
akurasi yang dibutuhkan, sehingga dapat di-representasikan sebagai suatu
permintaan harian, mingguan atau tahunan. Peramalan pemakaian listrik jangka
pendek dibutuhkan untuk kontrol dan penjadwalan sistem daya. Fokus pemakaian
bervariasi dari menit ke menit sampai beberapa jam ke depan. Prediksi ini
diperlukan sebagai input untuk algoritma penjadwalan pada suatu pembangkit dan
transmisi listrik. Ramalan beban pemakaian listrik membantu dalam penentuan
peralatan yang dipakai untuk pengoperasian dalam suatu periode tertentu, atau
untuk meminimisasi biaya-biaya dan mengamankan permintaan yang ada, bahkan
ketika kegagalan lokal terjadi pada sistem. Pada karya tulis ini akan dibahas
mengenai metode peramalan listrik jangka pendek yaitu ARIMA Seasonal yang
hasilnya diharapkan mampu merepresentasikan nilai yang sebenarnya di masa
depan. Alasan pemilihan metode ARIMA Seasonal, yaitu karena diperkirakan nilai
pemakaian listrik per jam bahkan per menit yang berpola musiman. Pada
pemakaian listrik harian, beban akan mencapai puncak ketika jam kerja yaitu
pukul 8.00-17.00 sedangkan pada malam hari pemakaian akan berkurang.
Keadaan tersebut menimbulkan efek musiman pada pola data yang
mengakibatkan penggunaan ARIMA biasa (non seasonal) akan bias. Data yang
akan digunakan yaitu data pemakaian listrik Jawa-Bali bulan Mei-Juli 2013.
Dengan adanya peramalan yang akurat pada tiap wilayah di Indonesia, maka
kebijakan konservasi energi yang optimal tentu akan dapat ditentukan. Kebijakan
tentang waktu penghematan listrik dilakukan serta pada daerah mana saja yang
perlu dilakukan penghematan listrik akan sangat membantu dalam proses
konservasi energi listrik di Indonesia. Sehingga, pemakaian energi listrik di
Indonesia akan lebih efisien tanpa mengurangi konsumsi melainkan
pengoptimalan pemakaian energi listrik.
Kata Kunci: Energi Listrik, ARIMA Seasonal, Konservasi Energi
ABSTRACT
One of the very important role of energy for life in the world is electric energy.
Similarly, in Indonesia, which is currently leading industrial nations, of course, it
is necessary for the electrical energy industry. Moreover, in line with the
declaration of the area devoted to the modernization of underdeveloped areas
make electrical energy consumption in Indonesia has increased. Because there
will be more areas in Indonesia which will be electrified. In this recorded
electricity consumption in Indonesia rose 10% from a year earlier. The next
forecast numbers need to be known for certain parties especially PT. PLN in order
to supply electricity in the future can be met. In addition to the consideration of
the provision of electricity, forecast figures are also needed as a basis for electrical
energy conservation policy in Indonesia. Exact forecast numbers will support a
form appropriate policies in terms of electrical energy conservation in Indonesia
and planned on an ongoing basis. Electricity demand forecasting is an important
aspect in the development of a model for electricity planning. Form of demand
depends on the planning and the required accuracy, so it can be represented as a
demand for daily, weekly or yearly. Short-term forecasting of electricity needed to
power control and scheduling systems. Focus usage varies from minute to minute
to several hours ahead. This prediction is needed as input to the scheduling
algorithm in a generation and electricity transmission. Forecast electricity load
assist in the determination of the equipment used for the operation in a given
period, or to minimize the costs and securing existing demand, even when a local
failure occurs in the system. On this paper will discuss the methods of forecasting
short-term power ie ARIMA Seasonal whose results are expected to represent the
actual value in the future. Reason ARIMA Seasonal selection method, namely
because the estimated value per hour of electricity per hour even seasonal pattern.
In the daily electricity consumption, peak load will reach when working hours are
8:00 to 17:00 o'clock at night while discharging is reduced. The state of seasonal
effects on patterns of data that lead to the use of ordinary ARIMA (non-seasonal)
will be biased. The data will be used, namely electricity consumption for JavaBali in May-July 2013. With the accurate forecasting of each region in Indonesia,
the optimal energy conservation policy would be determined. Policy on electricity
savings time is done and on which areas needed electricity savings will be very
helpful in the process of electrical energy conservation in Indonesia. Thus, the
electrical energy consumption in Indonesia will be more efficient without
reducing the consumption of electric energy consumption but rather optimization.
Keywords: Electrical Energy, ARIMA Seasonal, Energy Conservation
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Energi listrik merupakan salah satu energi paling penting bagi
kehidupan, tidak terkecuali di negara Indonesia. Indonesia yang bertekad untuk
menjadi negara yang solid di bidang industri berimbas pada konsumsi energi
listrik yang semakin meningkat. Selain dalam rangka pemenuhan di bidang
industri, modernisasi daerah-daerah terpencil yang dahulu masih gelap sudah
pasti akan membutuhkan energi listrik. Sesuai dengan misi Perusahaan Listrik
Negara (PLN) yaitu berperan aktif dalam mendorong tersedianya tenaga listrik
untuk meningkatkan kualitas hidup dengan jalan penggunaan listrik pada siang
hari untuk Industri Rumah Tangga dan pengembangan desa mandiri energi.
Dengan bertambahnya jumlah wilayah yang modern tentu akan bertambah pula
energi listrik yang harus tersedia.
Dalam rangka pemenuhan energi listrik untuk masyarakat, maka perlu
adanya perencanaan persediaan listrik yang akurat. Sedangkan perencaan
persediaan listrik membutuhkan suatu operasional yang efisien sehingga akan
menghasilkan keputusan yang optimal dalam hal penambahan maupun
pengurangan kapasitas daya listrik. Prediksi permintaan listrik adalah suatu
aspek penting dalam pengembangan suatu model untuk perencanaan listrik.
Bentuk permintaan tergantung dari perencanaan dan akurasi yang dibutuhkan,
sehingga dapat di-representasikan sebagai suatu permintaan harian, mingguan
atau tahunan. Peramalan pemakaian listrik jangka pendek dibutuhkan untuk
kontrol dan penjadwalan sistem daya. Fokus pemakaian bervariasi dari menit
ke menit sampai beberapa jam ke depan. Prediksi ini diperlukan sebagai input
untuk algoritma penjadwalan pada suatu pembangkit dan transmisi listrik.
Ramalan beban pemakaian listrik membantu dalam penentuan peralatan yang
dipakai untuk pengoperasian dalam suatu periode tertentu, atau untuk
meminimisasi biaya-biaya dan mengamankan permintaan yang ada, bahkan
ketika kegagalan lokal terjadi pada sistem.
Dalam operasi jangka pendek, beban pemakaian sangat dipengaruhi
oleh kondisi-kondisi meteorologi, efek musiman (siklus harian dan mingguan,
kalender hari-hari libur) dan kejadian-kejadian khusus lainnya (Suhartono,
2008). Kondisi cuaca yang bervariasi adalah aspek kritis dalam peramalan
permintaan listrik untuk periode waktu satu hari kedepan (Chow dan Leung,
1996; Taylor dan Buizza, 2003).
Sifat alamiah yang stokastik dari permintaan sebagai suatu fungsi dari
waktu seringkali dimodelkan dengan model ARIMA dan state space. Model
state space menjadi sangat atraktif pada tahun 1980-an karena efisiensi
komputasi dari Kalman Filter (lihat Campo dan Ruiz, 1987), dan hasil ramalan
yang baik masih dilaporkan dalam penelitian pada periode selanjutnya (Infield
dan Hill, 1998). Pemodelan ARIMA telah digunakan oleh banyak peneliti,
dalam suatu kerangka pemodelan univariat, sebagai suatu pembanding untuk
evaluasi model-model alternatif (lihat Laing dan Smith, 1987; Darbellay dan
Slama, 2000; Abraham dan Nath, 2001; Taylor, 2003).
Beberapa penelitian sebelumnya yang berkaitan dengan pemodelan dan
peramalan pemakaian jangka pendek energi listrik, fokus utama yang dibahas
adalah bagaimana mendapatkan model yang sesuai untuk peramalan suatu data
pemakaian listrik yang cenderung berpola musiman. Pola musiman ini
disebabkan adanya waktu-waktu tertentu yang menyebabkan pemakaian listrik
maksimal maupun minimal. Pemakaian listrik maksimal misalnya terjadi pada
hari senin hingga jumat dikarenakan aktivitas industri. Sedangkan untuk hari
sabtu dan Minggu, pemakaian listrik akan cenderung turun. Oleh karena itu,
pada karya tulis ini akan digunakan metode ARIMA Seasonal (Musiman)
untum meramalkan pemakaian listrik dalam jangka pendek. Pada dasarnya,
metode ARIMA non Seasonal pun dapat digunakan, namun dikarenakan
adanya efek trend musiman maka error ramalan yang dihasilkan akan lebih
besar. Dengan adanya peramalan yang akurat mengenai pemakaian energi
listrik, maka dapat digunakan sebagai pertimbangan dalam penentuan
kebijakan konservasi energi listrik di Indonesia.
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah, maka rumusan masalah yang
dapat diperoleh yaitu bagaimana model peramalan yang baik untuk
meramalkan listrik jangka pendek sebagai pertimbangan kebijakan konservasi
listrik di Indonesia.
1.3. Tujuan
Tujuan dari pembuatan karya tulis ini yaitu dapat menentukan model
yang tepat untuk meramalkan pemakaian energi listrik jangka pendek
sehingga pada masa mendatang dapat dijadikan acuan berkenaan dalam
konservasi energi listrik. Peranan penting peramalan yang akurat di tiap
wilayah di Indonesia yaitu sebagai kontrol dalam penggunaan energi listrik di
Indonesia.
1.4. Manfaat
Manfaat penulisan karya tulis ini yaitu
1. Berupaya dalam mengembangkan Ilmu Pengetahuan dan Teknologi
2.
dalam hal meramalkan energi listrik
Menunjang pembangunan nasional
Permasalahan yang diteliti dalam penelitian ini diharapkan menunjang
pem-bangunan nasional, yang ditujukan untuk penghematan energi,
khususnya untuk kajian bidang energi listrik melalui prakiraan
pemakaian energi listrik di wilayah-wilayah Indonesia.
BAB II
TELAAH PUSTAKA
Pemodelan yang digunakan untuk menjelaskan hubungan nonlinear antar
variabel dan beberapa prosedur pengujian untuk mendeteksi adanya keterkaitan
nonlinear telah mengalami perkembangan yang sangat pesat pada beberapa
dekade terakhir ini. Salah satu pemodelan dalam Time series yaitu ARIMA.
Metode Autoregressive Integrated Moving Average (ARIMA) atau biasa
disebut juga sebagai metode Box-Jenkins merupakan metode yang secara intensif
dikembangkan oleh George Box dan Gwilym Jenkins (1976), yang merupakan
perkembangan baru dalam metode peramalan ekonomi, tidak bertujuan
membentuk suatu model struktural (persamaan tunggal maupun persamaan
simultan) yang berbasis dari teori ekonomi dan logika, namun dengan
menganalisis probabilistik atau stokastik dari data time series dengan memegang
filosofi “let the data speak for themselves” ARIMA merupakan suatu metode
yang menghasilkan ramalan-ramalan berdasarkan sintesis dari pola data secara
historis (Arsyad, 1995). ARIMA ini sama sekali mengabaikan variabel
independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau
dari variabel dependen untuk menghasilkan peramalan jangka pendek yang
akurat.
Laing dan Smith (1987), serta Taylor dkk. (2005) telah melakukan aplikasi
dari model ARIMA musiman untuk peramalan data pemakaian listrik jangka
pendek. Model ARIMA musiman merupakan bagian dari suatu kelompok model
time series yang fleksibel yang dapat digunakan untuk memodelkan beberapa tipe
musiman seperti pada time series yang tidak musiman. Model ARIMA musiman
dapat dinyatakan sebagai berikut (Cryer, 1986; Wei, 1990; Box dkk., 1994) :
S
d
S D
S
φ p ( B)Φ P (B )(1−B ) (1−B ) Y t =θ q( B)ΘQ ( B )at ,
dengan
φ p ( B)
Φ P (B S )
θq (B )
S
=
=
=
ΘQ (B )
dan
S
(2.1)
1−φ 1 B−φ 2 B2 −…−φ p B p
1−Φ 1 B S −Φ 2 B2 S −…−Φ P B PS
1−θ1 B−θ2 B2 −…−θq B q
S
2S
QS
1−Θ1 B −Θ2 B −…−ΘQ B ,
=
adalah panjang periode musiman, B adalah operator mundur
atau back shift operator, dan
at adalah suatu deret white noise dengan rata-rata
nol dan varians konstan. Box dan Jenkins (1976) telah memperkenalkan suatu
strategi pembentukan model yang efektif untuk ARIMA musiman berdasarkan
pada struktur autokorelasi dalam suatu data time series.
Dalam perkembangan analisis time series, telah banyak diketahui bahwa
pada banyak fenomena yang menarik dan sederhana seringkali merupakan
fenomena yang nonlinear, yaitu hubungan antara kejadian di masa lalu dan saat ini
adalah nonlinear. Dengan demikian, kelompok pemodelan time series yang linear
tidaklah cukup dan sesuai untuk kasus-kasus tersebut, dan sebagai konsekuensinya, model-model time series yang nonlinear telah menjadi fokus perhatian utama
peneliti time series pada beberapa tahun terakhir ini. Beberapa bentuk model
nonlinear telah dikembangkan dan diaplikasikan pada beberapa kasus time series,
dan sebagai overview atau diskusi lanjut hal ini dapat ditemukan antara lain di
Tong (1990), Priestley (1991), serta Granger dan Terasvirta (1993).
BAB III
METODOLOGI PENELITIAN
Analisis data dilakukan dengan menggunakan metode ARIMA.
Sebelum dilakukan perhitungan dengan menggunakan metode ARIMA,
terlebih dahulu dilakukan serangkaian uji-uji seperti kestasioneran data,
proses pembedaan dan pengujian correlogram untuk menentukan koefisien
autoregresi.
Untuk menjawab permasalahan yang ada dan menguji hipotesis digunakan
teknik analisis dengan langkah-langkah sebagai berikut :
1. Pengumpulan data yang terdiri atas observasi lapangan, wawancara
dan pengambilan data
2. Penyususan model
3. Validasi model
4. Penyususnan kalender konsumsi listrik jangka pendek
Sedangkan untuk tahap penyusunan model yaitu
1. Identifikasi stasioner
2. Penyusunan model tentatif
3. Pendugaan dan pengujian model
4. Validasi model
Model Seasional ARIMA merupakan salah satu pegembangan dari
model ARIMA. Berikut ini merupakan langkah-langkah dalam
SARIMA
1. Mengidentifikasi seasonal data dengan menggunakan ACF/PACF
pada seasonal lags.
2. Melakukan differencing pada data sesuai season digunakan untuk
menghilangkan seasonality dikarenakan ada kemungkinan data
yang dipakai membutuhkan differencing
Model dari SARIMA yaitu
BAB IV
ISI
4.1. GAMBARAN UMUM KONSUMSI LISTRIK DI INDONESIA
Listrik merupakan kebutuhan penting bagi masyarakat Indonesia. Listrik tidak
hanya menunjang kegiatan sehari-hari, melainkan juga kebutuhan pokok bagi
seluruh perusahaan yang berbasis industri. Jumlah daya listrik yang tersedia
seharusnya dapat memenuhi kebutuhan seluruh masyarakat Indonesia. Aspek lain
yang tidak kalah penting mengenai perlunya estimasi tepat penyediaan listrik
yaitu estimasi yang tepat akan menguntungkan bagi pihak penyedia listrik yakni
PLN. Jika penyediaan listrik kurang, maka pemadaman bergilir adalah solusi yang
selama ini ditempuh oleh PLN. Sedangkan kelebihan listrik tentunya akan
merugikan negara. Oleh karena itu peramalan besarnya konsumsi listrik di
Indonesia merupakan aspek penting dalam menentukan kebijakan konservasi
energi listrik di Indonesia. Peramalan jangka pendek dapat dilakukan dengan
memanfaatkan data konsumsi listrik di periode sebelumnya. Dengan demikian,
dapat terlihat pola konsumsi listrik di Indonesia. Secara umum, kita dapat
mengambil hipotesis bahwa data listrik berpola musiman. Hal ini dikarenakan
adanya waktu-waktu khusus di Indonesia dengan pemakaian listrik yang lebih
tinggi. Misalnya saja, penggunaan listrik di siang hari selalu tinggi sedangkan di
malam hari akan lebih rendah. Fenomena ini akan menyebabkan data berpola
musiman tiap jam. Selain setiap jam, pola musiman akan terlihat pada data harian,
karena penggunaan listrik di hari senin-jumat akan lebih banyak dibandingkan
dengan hari Sabtu maupun Minggu. Penyebab utamanya yaitu aktivitas industri
yang mayoritas berhenti pada weekend.
Diantara metode peramalan yang sedang berkembang yaitu Autoregressive
Moving Average (ARIMA). Metode ARIMA merupakan metode paling sederhana
dan baik untuk meramal. Hal penting dari penggunaan metode ARIMA yaitu data
harus berpola trend maupun stasioner. Keputusan memilih model ARIMA yaitu
dengan melihat plot ACF dan PACF. Namun, jika plot ACF dan PACF memiliki
pola yang kurang teratur yaitu tidak dies down setelah lag K, maka metode
ARIMA tidak baik digunakan. Hal ini karena adanya efek musiman pada data
sehingga pada lag-lag tertentu akan menunjukan cut off.
Pada dasarnya pola data data kosumsi listrik di setiap wilayah di Indonesia
cenderung sama yaitu musiman. Oleh karena itu pada karya tulis ini hanya akan
dibahas satu contoh penerapan model ARIMA Seasonal untuk wilayah Riau.
Sedangkan, untuk wilayah lain dapat diterapkan pula model ARIMA Seasonal
dengan karakteristik yang mungkin berbeda-beda.
Pemodelan Konsumsi Listrik Basis Data Tiap setengah Jam
Berdasarkan plot time series, data setengah jam konsumsi listrik mengindikasikan
pola musiman, seperti yang disajikan pada gambar 3.a. Plot ACF yang ditunjukan
pada gambar 3.b menandakan bahwa data belum stasioner, oleh karena itu perlu
distasionerkan melalui differencing satu kali. Data yang stasioner ditandai dengan
lag yang tidak berpola (acak) dan tidak mengandung musiman.
Trend Analysis Plot for C1
Autocorrelation Function for C1
Linear Trend Model
Yt = 14541 - 2,31045* t
(with 5% significance limits for the autocorrelations)
0,8
Accuracy Measures
MAPE
8
MAD
1168
MSD
1807480
15000
14000
13000
0,6
Autocorrelation
16000
C1
1,0
Variable
Actual
Fits
17000
0,4
0,2
0,0
-0,2
-0,4
-0,6
12000
-0,8
-1,0
11000
1
24
48
72
96
120 144 168 192 216 240
Index
1
5
10
15
20
25
30
Lag
35
40
45
50
Gambar 4.a dan 4.b menunjukan bahwa data telah stasioner. Hal ini ditunjukan
oleh Gambar 4.a yang beban listrik berada di sekitar nilai mean dan plot ACF
pada Gambar 4.b
Autocorrelation Function for C2
Time Series Plot of C2
(with 5% significance limits for the autocorrelations)
1000
1,0
0,8
0,6
C2
Autocorrelation
500
0
0,4
0,2
0,0
-0,2
-0,4
-0,6
-500
-0,8
-1,0
1
24
48
72
96
120
Index
144
168
192
216
1
240
5
10
15
20
25
30
Lag
35
40
45
50
55
Partial Autocorrelation Function for C2
(with 5% significance limits for the partial autocorrelations)
1,0
Partial Autocorrelation
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1
5
10
15
20
25
30
Lag
35
40
45
50
55
60
Gambar 4.b menunjukkan bahwa terdapat cut off after lag 1 dan cut off after lag
seasonal 48. Gambar 4.c menjelaskan bahwa titik-titik observasi beban listrik dies
down. Dengan demikian terdapat beberapa model tentatif untuk meramalkan
beban listrik jangka pendek. Namun, setelah melalui uji kelayakan hanya 1 model
yang memenuhi yaitu SARIMA (0,1,0) (0,1,1)48 .
60
55
60
Peramalan dan Implikasi Kebijakan
Setelah model yang tepat telah didapatkan, maka selanjutnya akan diramalkan
beban listrik untuk 24 jam ke depan.
Time Series Plot for C1
(with forecasts and their 95% confidence limits)
18000
17000
16000
15000
C1
14000
13000
12000
11000
10000
9000
1
Period
Actual
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
20
Forecast
11607,2
11437,7
11245,2
11069,7
10922,9
10812,8
10755,3
10809,9
11074,5
11306,9
11418,7
11143,5
11017,1
11220,2
11684,9
12149,7
12662,6
12880,8
12978,9
13121,8
13180,1
13154,8
12896,5
12354,2
12207,4
12645,4
12987,8
40
60
80 100 120 140 160 180 200 220 240 260 280
Time
95% Limits
Lower
Upper
11397,7
11141,5
10882,4
10650,8
10454,6
10299,7
10201,1
10217,5
10446,2
10644,6
10724,1
10418,0
10261,9
10436,5
10873,7
11311,9
11799,0
11992,2
12066,0
12185,1
12220,3
12172,4
11892,0
11328,2
11160,2
11577,5
11899,4
11816,6
11733,9
11608,0
11488,6
11391,3
11325,8
11309,4
11402,3
11702,9
11969,3
12113,4
11869,1
11772,3
12003,9
12496,1
12987,5
13526,2
13769,4
13891,9
14058,5
14140,0
14137,2
13901,0
13380,3
13254,7
13713,4
14076,1
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
12913,3
12843,3
12654,5
12638,1
12477,6
12505,5
12539,5
12795,6
13428,2
14036,5
14034,5
13885,1
13675,7
13327,9
13023,1
12519,8
11930,6
11558,2
11101,5
10809,7
10452,8
11805,0
11715,3
11507,3
11472,0
11292,7
11302,3
11318,2
11556,5
12171,5
12762,5
12743,4
12577,1
12351,0
11986,8
11665,7
11146,3
10541,3
10153,1
9681,0
9373,7
9001,7
14021,6
13971,2
13801,7
13804,3
13662,4
13708,7
13760,8
14034,7
14684,9
15310,6
15325,6
15193,1
15000,4
14669,1
14380,5
13893,3
13319,9
12963,2
12522,1
12245,6
11903,9
Model SARIMA dapat digunakan untuk meramalkan beban listrik jangka pendek
di Indonesia. Model ini merupakan pengembangan dari model ARIMA dengan
pola data yang mengandung musiman. Peramalan besarnya beban listrik yang
tepat di masing-masing wilayah (Kab/kota) di seluruh Indonesia dapat digunakan
sebagai dasar penentuan kebijakan konservasi listrik di Indonesia. Kebijakan
berkaitan dengan penambahan maupun pengurangan energi listrik di setiap
wilayah yang didasarkan pada perhitungan yang tepat tentunya akan memuaskan
semua pihak, masyarakat maupun pemerintah.
4.2. Kesimpulan
1. Model terbaik SARIMA (0,1,0) (0,1,1)48
merupakan model
yang tepat untuk meramalkan beban listrik jangka pendek di....
Model tersebut menghasilkan nilai MSE 11415. Sedangkan model
ARIIMA non seasonal tidak dapat digunakan karena data berpola
musiman.
4.3. Saran
Dengan menggunakan model SARIMA maka dapat digunakan untuk
meramalkan beban listrik jangka pendek untuk tiap daerah di
Indonesia. Namun, metode pengembangan ARIMA lainnya seperti
DSARIMA maupun NNE perlu dicoba juga untuk membandingkan
nilai MSE masing-masing model.
DAFTAR PUSTAKA
DAFTAR RIWAYAT PESERTA
1. Ketua
2. Anggota