PERAMALAN BEBAN LISTRIK HARIAN JAWA TENGAH DAN DIY

MENGGUNAKAN METODE SEASONAL AUTOREGRESSIVE

INTEGRATED MOVING AVERAGE

SKRIPSI

Disusun oleh :

SIGIT HARMAWAN
09/284810/TK/35504
 JURUSAN TEKNIK ELEKTRO DAN TEKNOLOGI INFORMASI

FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA

YOGYAKARTA

2013

HALAMAN PENGESAHAN

PERAMALAN BEBAN LISTRIK HARIAN JAWA TENGAH & DIY

MENGGUNAKAN METODE SEASONAL AUTOREGRESSIVE

INTEGRATED MOVING AVERAGE

SKRIPSI

Diajukan Sebagai Salah Satu Syarat untuk Memperoleh

Gelar Sarjana Teknik Program S-1

Pada Jurusan Teknik Elektro dan Teknologi Informasi Fakultas Teknik

Universitas Gadjah Mada

Disusun oleh :

SIGIT HARMAWAN
09/284810/TK/35504
 Telah disetujui dan disahkan

pada tanggal <tanggal lulus ujian pendadaran>

Dosen Pembimbing I Dosen Pembimbing II

Lesnanto Multa Putranto, S. T., M.

Dr. Ir. Sasongko Pramono H, DEA
Eng.

NIP 195312271980031007 NPU. 1120120121

HALAMAN PERSEMBAHAN
 Tulisan ini kupersembahkan untuk

Bapak dan Ibu tercinta yang tak henti-hentinya

memberikan kasih sayang, doa serta

dukungannya

Dan seseorang yang dengan setia

menungguku untuk menjadi seorang Sarjana

 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah

memberikan rahmat serta hidayah-Nya sehingga penulisan skripsi yang

berjudul Peramalan Beban Listrik Harian Jawa Tengah dan DIY

Menggunakan Metode Seasonal Autoregressive Integrated Moving

Average dapat diselesaikan dengan baik.

Dalam pelaksanaan pembuatan skripsi ini penulis mendapat

banyak bimbingan dari berbagai pihak. Oleh karena itu dalam

kesempatan ini penulis ingin mengucapkan terima kasih kepada :

1. Sarjiya, S.T., M.T., Ph.D. selaku Ketua Jurusan Teknik Elektro

dan Teknologi Informasi Fakultas Teknik Universitas Gadjah

Mada.

2. Dr. Ir. Sasongko Pramono Hadi, DEA. sebagai dosen pembimbing

pertama yang selama ini telah memberikan bimbingan, bantuan

dan masukan sehingga penulisan skripsi ini bisa diselesaikan

dengan baik.

3. Lesnanto Multa Putranto, S. T., M. Eng. sebagai dosen

 pembimbing kedua yang telah memberikan bimbingan, bantuan dan

masukan sehingga penulisan skripsi ini bisa diselesaikan dengan

baik.

4. Pak Agung, Pak Harun, Pak Lilik, Mas Budi, dan Mas Fandi,

Pegawai PT PLN (Persero) P3B Jawa Bali APB Jawa Tengah & DIY

yang telah memberikan penjelasan mengenai peramalan beban

listrik saat penulis melakukan kerja praktek dan juga telah

memberikan data realisasi beban listrik.

5. Bapak, Ibu dan kakak yang telah memberikan doa dan dukungan

kepada penulis sehingga skripsi ini bisa terselesaikan.

6. Teman-teman dari FMIPA, Aji, Novita, Melvina, dan Endah yang

telah membantu penulis sehingga skripsi ini bisa terselesaikan.

7. Teman-teman Teknik Elektro dan Teknologi Informasi 2009, Eza,

Wisnu, Aziz, Chandra, Haryo, Dzuhri dan yang lainnya, terima

kasih atas pengalaman dan kebersamaannya.

8. Seluruh staf dan karyawan pengajaran, tata usaha, keuangan,

referensi, serta laboran JTETI UGM.

9. Semua pihak yang telah membantu penulis sehingga skripsi ini

 dapat diselesaikan dengan baik.

Penulis sadar bahwa dalam pengerjaan skripsi ini masih terdapat

banyak kekurangan. Untuk itu penulis mengharapkan saran dan kritik

yang sifatnya membangun. Semoga skripsi ini dapat bermanfaat bagi

penulis pada khususnya dan bagi pembaca pada umumnya.

Yogyakarta, 11 September

2013

Penulis
DAFTAR SINGKATAN
 Intisari

Energi listrik tidak dapat disimpan dalam skala besar, karenanya

energi ini harus disediakan pada saat dibutuhkan. Apabila energi listrik
yang dibangkitkan melebihi permintaan konsumen, maka akan terjadi
pemborosan energi listrik. Sedangkan apabila energi listrik yang
dibangkitkan tidak dapat memenuhi kebutuhan konsumen, maka akan ada
konsumen yang diugikan. Syarat mutlak yang pertama harus
dilaksanakan untuk mencapai tujuan itu adalah pihak perusahaan listrik
mengetahui beban atau permintaan daya listrik dimasa depan. Karena
kebutuhan daya yang selalu berubah-ubah, diperlukan peramalan beban
atau peramalan kebutuhan daya konsumen sebagai dasar perencanaan
operasi. Tujuan dari penelitian ini adalah untuk mempelajari apakah
metode seasonal autoregressive integrated moving average (SARIMA)
cocok digunakan untuk meramalkan beban listrik harian di Jawa Tengah
& DIY.
Penentuan berapakah banyaknya data acuan yang akan digunakan
untuk membuat model peramalan merupakan salah satu hal yang penting
dalam peramalan beban listrik menggunakan metode seasonal
autoregressive integrated moving average. Pemilihan jumlah data acuan
yang tepat akan mampu menghasilkan nilai kesalahan peramalan
minimum.
Hasil penelitian menunjukkan bahwa hasil peramalan menggunakan
metode SARIMA mempunyai tingkat akurasi tinggi. Metode SARIMA
mampu menghasilkan peramalan beban dengan akurasi yang lebih tinggi
dibanding dengan menggunakan metode koefisien yang digunakan oleh
PLN. Peramalan beban menggunakan metode SARIMA menghasilkan nilai
MAPE 1,308 % untuk hari kerja dan 0,668 % untuk hari libur akhir
pekan. Sedangkan dengan metode koefisien menghasilkan nilai MAPE 2,16
% untuk hari kerja dan 1,66 % untuk hari libur akhir pekan. Jumlah
data acuan yang paling baik digunakan untuk membuat metode SARIMA
adalah 192 data. Namun peramalan beban menggunakan metode SARIMA
tidak cocok digunakan untuk meramalkan beban hari khusus seperti hari
raya Idul Fitri dan tahun baru.

Kata kunci : Peramalan Beban, SARIMA, Beban Listrik Harian

Abstract
 BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

 Pertumbuhan penduduk dari tahun ke tahun membuat kebutuhan

akan daya listrik semakin besar. Untuk dapat melayani kebutuhan beban

yang semakin meningkat baik dalam sektor industri maupun rumah

tangga, harus dilakukan pembangunan sarana-sarana produksi tenaga

listrik dan penyalurannya. Saat ini, sistem tenaga listrik di seluruh

dunia menghadapi masalah teknis dalam pengoperasian, perencanaan, dan

pengontrolan dari sistem tenaga listriknya agar suplai tenaga listrik

menjadi efektif , kontinyu dengan kualitas yang baik, dan aman. Oleh

karena itu, teknik-teknik optimasi digunakan dengan harapan dapat

mencapai tujuan-tujuan tersebut dan juga dapat mengurangi biaya

operasional sehingga lebih ekonomis.

Seperti yang diketahui bahwa energi listrik tidak dapat disimpan

dalam jumlah yang besar, sehingga besar energi listrik yang telah

dibangkitkan haruslah sesuai dengan yang perlukan oleh konsumen.

Apabila daya yang dikirim dari bus-bus pembangkit jauh lebih besar

daripada permintaan daya pada bus-bus beban, maka akan timbul

persoalan pemborosan energi pada perusahaan listrik. Sedangkan apabila

daya yang dibangkitkan dan dikirimkan lebih rendah atau tidak memenuhi
kebutuhan beban konsumen maka akan terjadi pemadaman lokal pada

bus-bus beban, yang akibatnya merugikan pihak konsumen.

Penyedia tenaga listrik, misalnya PLN, harus menyediakan tenaga

listrik dengan frekuensi konstan yaitu 50 Hz dengan batas

penyimpangan yang diizinkan. Dalam sistem tenaga listrik, keseimbangan

antara daya listrik yang dibangkitkan dan yang dikonsumsi oleh

konsumen dapat dilihat dari frekuensi sistem. Ketika frekuensi sistem

melebihi standar frekuensi yang telah ditetapkan oleh perusahaan

penyedia tenaga listrik, maka dapat diartikan bahwa daya listrik yang

dibangkitkan telah melebihi kebutuhan dari konsumen. Sebaliknya, apabila

frekuensi sistem lebih rendah dari frekuensi standar tersebut, maka

daya listrik yang dibangkitkan tidak mencukupi kebutuhan konsumen.

Karena kebutuhan daya konsumen yang terus berubah sepanjang

waktu, maka untuk mempertahankan frekuensi mendekati 50 Hz (batas

toleransi yang diijinkan oleh PLN adalah 0,2 Hz), daya yang

dibangkitkan di pusat listrik harus diubah-ubah sepanjang waktu untuk

menyesuaikan daya tersebut dengan kebutuhan konsumen agar frekuensi

bias konstan. Pengaturan pembangkitan tenaga listrik berubah ubah

untuk mengikuti kebutuhan daya dari konsumen memerlukan

perencanaan operasi pembangkitan yang cukup rumit dan menyangkut

biaya bahan bakar yang tidak kecil. Oleh karena itu, diperlukan

perkiraan beban atau perkiraan kebutuhan daya konsumen sebagai dasar

perencanaan operasi.

Peramalan beban selalu menjadi bagian penting dalam perencanaan

dan operasi sistem tenaga listrik yang efisien. Sehingga peramalan

beban telah menjadi fokus penelitian di dalam negeri dan juga di luar

negeri. Data hasil peramalan beban dapat digunakan sebagai acuan

optimalisasi aliran daya, operasi ekonomis sistem tenaga, unit

commitment hydro-thermal dan perencanaan pembangkitan energi listrik,

Oleh karena itu sistem peramalan beban menjadi bagian yang sangat

penting, sehingga tingkat akurasinya sangat diperlukan. Dalam makalah

ini akan disajikan peramalan jangka pendek dengan metode Seasonal

Autoregressive Integrated Moving Average (SARIMA) yang nantinya

diharapkan berguna untuk penjadwalan dan pengoperasian system

tenaga listrik sehingga menjadi lebih efektif dan ekonomis

1.2 Perumusan Masalah

Secara garis besar permasalahan yang dibahas dalam tugas akhir

ini adalah penggunaan metode Seasonal Autoregressive Integrated

Moving Average (SARIMA) untuk meramalkan beban listrik jangka pendek

di Jawa Tengah dan DIY. Setelah itu, hasil peramalan akan dibandingkan

dengan beban listrik pada kenyataan, sehingga akan diperoleh besarnya

kesalahan (error) antara hasil peramalan dengan beban listrik pada

kenyataannya.

1.3 Tujuan Penelitian

Tujuan dari penulisan dan penelitian ini, antara lain:

1. Mengetahui besarnya beban listrik di Jawa Tengah dan DIY yang

diramalkan menggunakan metode Seasonal Autoregressive

Integrated Moving Average (SARIMA).

2. Menghitung besarnya error peramalan beban listrik menggunakan

metode Seasonal Autoregressive Integrated Moving Average

(SARIMA) jika dibandingkan dengan beban listrik pada kenyataan

 (beban aktual).

3. Mengetahui berapa banyak data acuan yang paling tepat untuk

membuat model Seasonal Autoregressive Integrated Moving

Average (SARIMA) yang akan digunakan untuk peramalan beban

listrik harian sehingga menghasilkan nilai error paling kecil.

4. Untuk mempelajari apakah metode Seasonal Autoregressive

Integrated Moving Average (SARIMA) cocok digunakan untuk

meramalkan beban listrik harian di Jawa Tengah dan DIY.

1.4 Pembatasan Masalah

Dalam penulisan ini penulis hanya membatasi pada peramalan beban

listrik jangka pendek (harian) dengan daerah yang menjadi subjek

adalah Jawa Tengan dan DIY menggunakan metode Seasonal

Autoregressive Integrated Moving Average (SARIMA). Data yang

digunakan adalah data beban listrik Jawa Tengan dan DIY tahun 2008

sampai 2012 yang diperoleh dari PT. PLN (Persero) P3B Jawa Bali APB

Jawa Tengah & DIY. Perangkat lunak yang digunakan untuk membantu
perhitungan peramalan beban listrik dalam tugas akhir ini adalah eviews

dan Microsoft Excel 2007.

1.5 Manfaat Penelitian

Manfaat yang diharapkan dalam tugas akhir ini yaitu mendapatkan

model peramalan beban listrik yang akurat sehingga dapat dipakai

perusahaan penyedia listrik (PLN). Dengan demikian data hasil peramalan

beban dengan menggunakan model peramalan ini dapat digunakan sebagai

acuan optimalisasi aliran daya, operasi ekonomis sistem tenaga, unit

commitment hydro-thermal dan perencanaan pembangkitan energi listrik.

Selain itu, yang dapat diambil dari tugas akhir ini yaitu dapat

meningkatkan pengetahuan tentang bidang kelistrikan terutama dalam

bidang peramalan beban listrik.

1.6 Sistematika Penulisan

Sistematika penulisan yang akan dipakai untuk tugas akhir ini

adalah :
BAB I : Pendahuluan

Berisi uraian mengenai latar belakang masalah, perumusan

masalah, tujuan penelitian, pembatasan masalah, manfaat penelitian dan

sistematika penelitian.

BAB II : Dasar Teori

Bab ini membahas dasar dasar tentang peramalan beban listrik

dan teori teori yang digunakan dalam analisis data tentang peramalan

beban listrik.

BAB III : Metode Penelitian

Bab ini membahas jalannya penelitian untuk menjelaskan

bagaimana cara memperkirakan beban dan bagaimana cara membuat

peramalan beban melalui perangkat lunak yang digunakan.

BAB IV : Pembahasan

Dalam bab ini akan dibahas tentang hasil hasil peramalan beban.

BAB V : Penutup
 Bab ini berisi kesimpulan dan saran-saran yang merupakan intisari

permasalahan yang dibahas.

 BAB II

LANDASAN TEORI

Topik utama yang akan dibahas dalam tugas akhir ini adalah

analisa peramalan beban listrik (jangka pendek) yang akan berguna

dalam perencanaan operasi sistem tenaga listrik. Pada bab ini dijelaskan

mengenai dasar teori yang akan menjadi dasar dari penelitian ini.

Sumber yang digunakan berupa buku, jurnal maupun artikel di internet.

Penjelasan dasar teori meliputi pengertian, jenis, dan hal hal yang

berkaitan dengan peramalan, jenis jenis data, dan metode yang

digunakan untuk peramalan dalam penelitian ini. Dalam penelitian ini,

metode yang digunakan untuk peramalan beban listrik Jawa Tengah &

DIY adalah metode Seasonal Autoregressive Integrated Moving Average

(SARIMA). Metode yang dipilih disesuaikan dengan jenis data. Data beban

listrik merupakan data time series dengan tipe non stationer yang

dipengaruhi trend dan juga dipengaruhi oleh pola musiman.

2.1 Peramalan

2.1.1 Pengertian Peramalan

Pada dasarnya ramalan merupakan suatu dugaan atau perkiraan

atas terjadinya kejadian di waktu mendatang. Peramalan diperlukan

karena adanya perbedaan (kesenjangan) waktu (timelag) antara

kesadaran akan peristiwa atau kebutuhan mendatang dengan waktu

peristiwa itu sendiri. Apabila perbedaan waktu tersebut panjang maka

peramalan akan menjadi penting dan sangat dibutuhkan, terutama dalam

penentuan suatu peristiwa yang akan timbul sihingga dapat dipersiapkan

hal-hal ataupun tindakan-tindakan yang diperlukan guna mengantisipasi

keadaan tersebut. Berdasarkan sifatnya , peramalan dibedakan atas dua

macam yaitu :

a. Peramalan Kualitatif

Peramalan Kualitatif adalah peramalan yang didasarkan atas data

kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat

bergantung pada orang yang menyusunnya. Hal ini penting karena

hasil peramalan tersebut ditentukan berdasarkan pemikiran yang

instuisi, pendapat dan pengetahuan serta pengalaman

 penyusunnya.

b. Peramalan Kuantitatif

Peramalan Kuantitatif adalah peramalan yang didasarkan atas

data kuantitatif masa lalu. Hasil peramalan yang dibuat sangat

bergantung pada metode yang dipergunakan dalam peramalan

tersebut. Baik tidaknya metode yang dipergunakan ditentukan

oleh perbedaan atau penyimpangan antara hasil ramalan dengan

kenyataan yang terjadi. Semakin penyimpangan antara hasil

ramalan dengan kenyataan yang akan terjadi

2.1.2 Prinsip Peramalan

Peramalan memiliki empat karakteristik atau prinsip. Dengan

memahami prinsip-prinsip membantu agar mendapatkan peramalan yang

lebih efektif.

1. Peramalan biasanya salah. Dalam kegiatan peramalan kesalahan

adalah hal yang wajar karena masa depan yang tidak diketahui

oleh siapa pun.

2. Setiap peramalan seharusnya menyertakan estimasi kesalahan

 (error). Perbedaan antara nilai yang diprediksikan dengan nilai

aktualnya akan menghasilkan besar kesalahan sehingga setiap

peramalan seharusnya juga menyertakan estimasi kesalahan yang

dapat diukur sebagai tingkat kepercayaan.

3. Peramalan akan lebih akurat untuk kelompok atau grup. Perilaku

dari individual dalam sebuah grup memiliki sifat yang lebih acak

bahkan ketika grup tersebut berada dalam keadaan stabil. Dengan

kata lain, peramalan lebih akurat untuk dilakukan pada kelompok

atau grup dibandingkan individual.

4. Peramalan lebih akurat untuk jangka waktu yang lebih dekat.

Masa depan yang lebih jauh memiliki nilai ketidak kepastian yang

tinggi dibandingkan masa depan dalam jangka waktu pendek.

2.1.3 Metode Peramalan

Ada beberapa metode yang biasa digunakan untuk melakuan

peramalan, tergantung pada jenis peramalan yang akan dilakukan.

1. Metode peramalan jangka panjang dan menengah

Faktor waktu yang mempengaruhi tipe ini adalah tahunan hingga

bulanan. Pada umumnya metode yang digunakan:

a. End Use Model (Model Penggunaan Terakhir)

Pendekatan ini langsung mengestimasikan konsumsi energi dengan

menggunakan informasi yang ekstensif pada akhir profil konsumsi

konsumen, seperti peralatan, penggunaan oleh konsumen, umur,

ukuran rumah dan lainnya. Data statistic konsumen beserta

perubahan dinamisnya menjadi dasar peramalan. Idealnya

pendekatan ini sangat akurat namun sangat sensitif terhadap

data acuan konsumen dan minim data historis beban.

b. Econometric Models (Model Ekonometrik)

Pendekatan ini mengombinasikan teori ekonomi dengan teknik

statistik untuk peramalan beban listrik. Pendekatan ini

mengestimasikan hubungan antara konsumsi energi dan faktor

yang mempengaruhi konsumsi tersebut. Hubungannya akan

diestimasikan dengan metode least square atau time series.

c. Statistical Model Based Learning (Model Statistik Berdasarkan

Pembelajaran)

Metode sebelumnya menggunakan data konsumen dan ekonomi

 sebagai data acuan sehingga sangat mungkin dapat terjadi

komplikasi karena adanya partisipasi manusia yang membuat satu

data dengan data lainnya tidak saling berkaitan. Oleh karena itu

diperlukan pendekatan yang lebih sederhana dengan 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 aka nada hubungannya dengan data beban.

2. Metode peramalan jangka pendek

Sejumlah besar variasi teknik statistik dan artificial intelegence

telah dikembangkan sebagai metode peramalan jangka pendek.

a. Similar Day Approach (Pendekatan Hari yang Sama)

Pendekatan ini dilakukan dengan mencari data historis hari yang

sama selama satu hingga tiga tahun dengan karakteristik yang

sama dengan hari peramalan. Karakteristik yang sama tersebut

berupa cuaca, hari di setiap minggu, dan tanggal. Beban pada hari
 yang sama juga termasuk dalam peramalan. Peramalan dapat

berupa kombinasi linear dan regresi.

b. Metode Regresi

Metode ini menggunakan suatu fungsi yang mendekati data yang

dikumpulkan. Regresi merupakan metode yang paling sering

digunakan dalam perhitungan statistik. Peramalan regresi beban

listrik biasa digunakan untuk mencari hubungan antara konsumsi

energi dan faktor lain seperti cuaca, tipe hari, maupun jenis

konsumen.

c. Time Series

Metode ini berdasarkan pada asumsi data yang memiliki struktur

dalamnya, seperti autokorelasi, trend ataupun variasi musiman.

Time series telah digunakan dalam beberapa decade untuk bidang

ekonomi, digital signal processing (DSP), seperti halnya peramalan

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 exogenous variables) , ARIMAX (Auto Regressive

Integrated Moving Average with exogenous variables).

d. Neural Network (Jaringan Syaraf)

Penggunaan Artificial Neural Network (ANN) telah banyak

digunakan sebagai studi pembelajaran peramalan beban dari tahun

1990. Intinya neural network merupakan rangkaian nonlinear

yang dapat melakukan pencocokan pada kurva-kurva nonlinear.

Keluaran yang dihasilkan berupa fungsi linear dan non-linear dari

masukannya tersebut.

e. Logika Fuzzy

Metode ini merupakan pendekatan generalisasi terhadap logika

Boolean dengan menggunakan desain rangkaian dijital. Input

Boolean ini berupa 0 dan 1 . dibawah logika fuzzy ini sebuah

input suhda diasosiaikan dengan rentang kualitatif tertentu.

Singkatnya Fuzzy logic memperbolehkan satu output kesimpulan

dari beberapa input.

 f. Support Vector Machines (SVM)

Merupakan teknik yang kuat untuk mengatasi masalah klasifikasi

dan regresi. Pendeketan ini berasal dari teori pembelajaran

statistic Vapnic. Tidak seperti neural network yang mencoba

mengartikan fungsi kompleks pada ruang input beragam, SVM

bekerja pada ruangan pemetaan nonlinier.

2.2 Peramalan Beban Listrik

Dalam pelaksanaan operasi sistem tenaga listrik, terdapat banyak

kendala yang harus dipenuhi. Tetapi sebenarnya ada dua hal pokok yang

harus dipenuhi, yaitu besarnya pembangkitan harus sesuai dengan

kebutuhan beban ditambah rugi-rugi daya dan cadangan. Yang kedua

adalah biaya operasi harus dapat ditekan seekonomis mungkin.

Beban listrik merupakan variabel yang selalu berubah-ubah

tergantung oleh pemakaian listrik di pihak konsumen. Oleh karena itu,

penyedia tenaga listrik tidak dapat mengetahui dengan pasti berapa nilai

tenaga listrik yang harus dibangkitkan agar dapat memenuhi kebutuhan

konsumen. Dengan adanya peramalan beban listrik, penyedia tenaga

listrik akan mendapatkan nilai tenaga yang mendekati besarnya beban

listrik yang dikonsumsi oleh konsumen di waktu yang akan datang. Oleh

karena itu, penyedia tenaga listrik dapat memperkirakan berapa nilai

tenaga listrik yang harus dibangkitkan, agar dapat memenuhi kebutuhan

konsumen, tetapi juga tidak terjadi pemborosan energi. Sehingga hal

pokok dalam sistem operasi tenaga listrik dapat terpenuhi.

Untuk dapat membuat perkiraan beban yang sebaik mungkin, kita

perlu menganalisa beban sistem tenaga listrik yang sudah terjadi dimasa

lalu. Menurut jangka waktunya, peramalan dibagi menjadi 3 periode,

sesuai dengan materi yang diramalkannya.

Dalam peramalan beban listrik, periode peramalan dibagi menjadi 3,

yaitu:

a. Peramalan Jangka Panjang (Long-Term Forecasting)

Merupakan peramalan yang memperkirakan keadaan dalam waktu

beberapa tahun ke depan. Tujuannya dalam adalah untuk dapat

mempersiapkan ketersediaan unit pembangkitan, sistem transmisi,

serta distribusi. Dalam peramalan jangka panjang, masalah-masalah

makro ekonomi yang merupakan masalah ekstern perusahaan listrik

 merupakan factor utama yang menentukan arah peramalan beban.

Faktor makro tersebut misalnya pendapatan perkapita Penduduk

Indonesia. Oleh karena itu, penyusunan peramalan jangka panjang

perlu dimintakan pengarahan dari pemerintah.

b. Peramalan Jangka Menengah (Mid-Term Forecasting)

Merupakan peramalan dalam jangka waktu bulanan atau mingguan

(jangka waktu dari 1 bulan sampai dengan 1 tahun. Tujuannya untuk

mempersiapkan jadwal persiapan dan operasional sisi pembangkit.

Dalam peramalan beban jangka menengah, masalah-masalah

manajerial perusahaan, misalnya kemampuan teknis memperluas

jaringan distribusi, kemampuan teknis menyelesaikan proyek

pembangkitan listrik yang baru serta kemampuan teknis

menyelesaikan proyek transmisi, merupakan faktor utama yang

menentukan.

c. Peramalan Jangka Pendek (Short-Term Forecasting)

Merupakan peramalan dalam jangka waktu setiap jam, harian, hingga

1 minggu (168 jam). Biasa digunakan untuk studi perbandingan beban

listrik perkiraan dengan actual (realtime). Dalam peramalan beban

 jangka pendek terdapat batas atas untuk beban maksimum dan beban

bawah untuk beban minimum yang ditentukan oleh peramalan beban

jangka menengah. Besarnya beban untuk setiap jam ditentukan

dengan memperhatikan langgam beban diwaktu lalu dengan

memperhatikan berbagai informasi yang dapat mempengaruhi

besarnya beban sistem seperti acara televise, cuaca, dan suhu udara.

2.3 Permintaan Beban Listrik

Permintaan merupakan jumlah barang atau jasa yang diinginkan

oleh konsumen atau kelompok konsumen dengan harga tertentu. Definisi

lain dari permintaan yaitu jumlah dari kebutuhan semua pelanggan

potensial (pelaku pasar) untuk produk tertentu selama jangka waktu

dan dalam suatu pasar tertentu.

Permintaan beban listrik dalam sistem tenaga listrik merupakan

energi listrik yang harus disalurkan dari sisi pembangkit ke konsumen.

Beban listrik merupakan variabel yang selalu berubah-ubah tergantung

oleh pemakaian listrik di pihak konsumen. Oleh karena itu, pasokan

listrik yang disalurkan pun harus disesuaikan dengan kebutuhan listrik

yang diperlukan agar tidak terjadi undervoltage maupun overvoltage

pada sistem tenaga listrik.

Kebutuhan akan ketersediaan tenaga listrik saat ini sangat tinggi

mengingat banyaknya peralatan rumah tangga maupun industri yang

menggunakan tenaga listrik sebagai sumber tenaganya, sehingga

diperlukan adanya sistem tenaga listrik yang handal namun tetap

ekonomis. Hal tersebut dapat dicapai dengan melakukan perencanaan

operasi yang baik dan tepat, salah satu langkah perencanaan operasi

sistem tenaga listrik yang penting yaitu peramalan kebutuhan beban

listrik.

Ada beberapa faktor yang dapat mempengaruhi perilaku konsumen

dalam pemakaian listrik sehari-hari, yaitu:

1. Kebutuhan listrik yang sudah menjadi kebiasaan sehari-hari.

Contoh: mencuci di pagi hari atau menyalakan lampu di malam hari

2. Adanya hari khusus yang mempengaruhi pemakaian listrik

konsumen

Contoh: adanya event Piala Dunia menyebabkan meningkatnya

pemakaian TV di malam hari

 3. Kondisi cuaca

2.4 Karakteristik Beban Listrik Di Jawa Tengah dan DIY

Beban listrik memiliki karakteristik permintaan yang berbeda-beda

di setiap jamnya dan masing-masing hari pun memiliki karakteristik

grafik beban yang berbeda-beda. Untuk daerah Jawa Tengah dan DIY,

pola yang paling mendekati cocok menggambarkan konsumsi listrik

mereka adalah pola musiman karena adanya pola kebiasaan atau

kebutuhan dari konsumen dalam satu periode yang sama.

3,500.00

3,000.00

2,500.00

2,000.00
Hari biasa
1,500.00 Idul Fitri
Tahun baru
1,000.00

500.00

0.00
18.30
19.30
20.30
21.30
22.30
23.30
12.30
13.30
14.30
15.30
16.30
17.30
06.30
07.30
08.30
09.30
10.30
11.30
00.30
01.30
02.30
03.30
04.30
05.30

Gambar 1. Grafik beban listrik untuk wilayah Jawa Tengah dan DIY pada hari biasa,

hari raya, dan libur nasional

Dari gambar tersebut dapat diketahui bahwa konsumsi listrik pada

masyarakat Jawa Tengah dan DIY tidak merata sepanjang hari. Hal itu
karena konsumen listrik terbesar di wilayah Jawa Tengah dan DIY

adalah rumah tangga (beban residensial). Kurva beban harian tersebut

berawal dari pukul 00.30 sampai 24.00. Untuk hari-hari biasa, perilaku

konsumen yang berkorelasi dengan besarnya konsumsi tenaga listrik,

dapat dijelaskan sebagai berikut :

a. Pada tengah malam pemakaian listrik rendah, hal itu disebabkan

pada tengah malam, sebagian besar orang telah tertidur.

Pemakaian listrik hanya digunakan untuk penerangan saja atau

mungkin menonton televisi bagi sebagian orang. Jumlah pemakaian

terus menurun sampai sekitar pukul 03.00-04.00 dini hari (orang

yang menonton TV malam semakin berkurang dan mulai

beristirahat).

b. Selepas pukul 04.00 dini hari aktivitas sebagian besar masyarakat

dimulai, orang-orang banyak yang bangun dari tidur dan

menyalakan lampu untuk kemudian menunaikan shalat subuh dan

bersiap untuk pergi ke kantor atau sekolah. Kondisi masih gelap

sehingga lampu tetap menyala.

c. Pukul 06.00 keadaan mulai terang sehingga lampu-lampu

 dimatikan, kurva pemakain tenaga listrik menurun drastis sampai

pukul 07.00, aktivitas sebagian instansi dimulai.

d. Kurva beban kembali naik perlahan seiring dengan banyaknya

aktivitas perkantoran dan sekolah sampai pukul 12.00.

e. Mulai pukul 12.00 sampai pukul 13.00, kurva beban mengalami

penurunan karena ini adalah waktu-waktu istirahat untuk

orang-orang yang bekerja. Sehingga aktivitas perkantoran

ataupun perindustrian akan terhenti.

f. Mulai pukul 13.00 aktivitas masyarakat mulai berjalan lagi,

terlihat dengan adanya kenaikan pemakaian energi listrik

walaupun hanya sebentar kemudian akan turun lagi.

g. Pukul 14.00, hampir semua sekolah sudah memulangkan siswanya,

sehingga aktivitas di sekolah telah selesai. Hari sudah mulai sore,

aktivitas masyarakat masih berjalan tetapi cenderung menurun.

h. Penurunan semakin terlihat pada pukul 16.00, kantor-kantor mulai

banyak yang tutup, pemakaian energi berkurang walaupun hanya

sebentar.

i. Pukul 16.00, banyak orang yang sudah sampai dirumah dan

 menyalakan televisi beristirahat ataupun sambil beraktivitas di

rumah. Kenaikan terus terjadi secara drastis, karena semakin

banyak orang yang telah sampai rumah dan mempergunakan

peralatan listrik.

j. Mulai pukul 17.00, lampu-lampu mulai dinyalakan,hari semakin

gelap dan semakin banyak lampu-lampu dinyalakan. Tempat hiburan

malam dan aktivitas public mulai ramai dikunjungi orang, hampir

setiap rumah menyalakan televisinya. Hal tersebut yang

menyebabkan kurva beban naik terus dan puncaknya akan terjadi

sekitar pukul 19.00-20.00.

k. Kurva mulai menurun setelah pukul 20.00, banyak orang yang

mulai beristirahat walaupun masih cukup banyak orang yang

beraktivitas. Semakin malam, akan semakin banyak orang yang

beristirahat, dan akan mematikan peralatan elektroniknya, seperti

televisi dan lampu sampai akhir kurva hari tersebut pada pukul

24.00.

2.5 Karakteristik Data

 Untuk dapat meramalkan suatu kejadian yang akan terjadi,

dibutuhkan data data yang berkaitan dengan kejadian yang akan

diramalkan. Sebagai contoh, untuk dapat meramalkan beban listrik di

waktu yang akan datang, data yang dibutuhkan adalah beban listrik

pada waktu sebelumnya. Data merupakan sesuatu yang diketahui atas

berbagai hal atau kejadian secara nyata atau berdasarkan pengamatan.

Ada beberapa jenis pembagian data, diantaranya:

2.5.1 Menurut Sifatnya

a. Data Kualitatif, merupakan data yang tidak berbentuk data dan

lebih bersifat pernyataan. Contoh: Produksi menurun, dia orang

kaya, kebutuhan listrik meningkat, harga stabil, dan sebagainya.

b. Data Kuantitatif, merupakan data yang berbentuk angka-angka.

Contoh: Produksi menurun 5 ton, kekayaan orang itu bernilai Rp

500 juta, Kebutuhan listrik meningkat 5%, dan sebagainya.

2.5.2 Menurut Sumber data

a. Data Internal, merupakan data yang menggambarkan keadaan

dalam suatu perusahaan atau organisasi. Data ini dapat meliputi

 data karyawan, data keuangan, data kedisplinan, data inventaris,

dan sebagainya.

b. Data eksternal, merupakan data yang menggambarkan kondisi

suatu hal di luar organisasi yang memiliki data tersebut. Misalnya

data daya beli masyarakat, data suhu lingkungan suatu daerah,

data konsumsi listrik masyarakat, dan sebagainya.

2.5.3 Menurut Cara memperolehnya

a. Data Primer, merupakan data yang dikumpulkan secara langsung

melalui hasil pengamatan dan diolah sendiri oleh organisasi yang

melakukan pengamatan tersebut. Misalnya survey penduduk, data

suhu oleh BMKG, data konsumsi listrik oleh PLN, data harga pasar

oleh Departemen Perdagangan, dan sebagainya.

b. Data Sekunder, merupakan data yang diperoleh melalui pihak atau

organisasi lain baik dari publikasi maupun permintaan kepada

perusahaan yang berwenang atas pengumpulan data tersebut.

Misalkan permintaan data harga konsumen dari Biro Pusat

Statistik, data perbankan dari Bank Indonesia, maupun

 permintaan data ke perusahaan-perusahaan lainnya.

2.5.4 Menurut Waktu Pengumpulannya

a. Data cross section, merupakan data yang dikumpulkan pada satu

waktu tertentu saja. Misalkan data pendapatan nasional tahun

1998 yang menyatakan keadaan pendapatan tingkat nasional pada

tahun 1998, data beban listrik Jawa-Bali Agustus 2009 yang

menyatakan konsumsi listrik secara total dari daerah Jawa dan

Bali pada bulan agustus 2009.

b. Data berkala (time series), merupakan data yang dikumpulkan

pada rentang waktu tertentu untuk menggambarkan

perkembangan atau pertumbuhan. Misalkan data produksi cabai

dari tahun 1996 - 2000, data pemakaian listrik 2007 2010, data

suhu 1990 2010. Untuk melihat perkembangan dari suatu data

time series dapat menggunakan penarikan garis trend.

Satu jenis data memiliki beberapa sifat sesuai dengan pembagian

data yang dijelaskan sebelumnya. Misalnya dalam penelitian ini, data

konsumsi Listrik Jawa Tengah dan DIY merupakan jenis data yang

memiliki sifat kuantitatif karena berbentuk angka-angka nilai beban

listrik yang dikonsumsi oleh konsumen di Jawa Tengah dan DIY, juga

bersifat data eksternal-primer karena pengambilannya diambil melalui

izin Perusahaan PLN, dan menurut waktu pengumpulannya merupakan

data berkala (time series) karena diurut dalam rentang waktu tertentu.

Analisis yang didasarkan pada data berkala disebut analisis time series

yang sifatnya dinamis karena telah memperhitungkan perubahan

berdasarkan waktu secara kontinyu, oleh karena itu untuk melakukan

peramalan sering kali menggunakan data berkala (time series) ini.

Dari data yang telah diambil dapat dibentuk grafik yang

menunjukan pola perkembangan data menurut waktunya. Grafik

tersebut dapat berupa:

a. Tren (Trend)

Pola perkembangan data ini membentuk karakteristik yang mendekati

garis linier,

Gradient yang naik atau turun menunjukan peningkatan atau

pengurangan nilai data sesuai dengan waktu.

b. Musiman (Seasonality)

Pola ini terbentuk karena adanya pola kebiasaan dari data dalam

suatu periode kecil sehingga grafik yang dihasilkan akan serupa

dalam jangka waktu tertentu berulang-ulang.

c. Acak (Random)

Pola acak terjadi karena data yang diambil tidak dipengaruhi oleh

faktor faktor khusus sehingga pola menjadi tidak menentu dan

tidak dapat diperkirakan secara biasa.

d. Siklis (Cycle)

Pola siklis memiliki karakteristik yang hamper sama dengan pola

musiman, bedanya pola ini memiliki periode pengulangan yang lebih

panjang.

2.6 Analisis deret waktu (time series analysis)

Deret waktu (time series) merupakan observasi yang diambil

secara sekuensial dalam lingkup waktu tertentu. Hasil dari observasi ini

nantinya akan dapat diproses melalui analisa sehingga didapatkan hasil

perkiraan untuk masa depan. Proses analisa ini sangat beragam namun
intinya menggunakan pola data deret waktu (time series) untuk

memproyeksikan masa depan melalui mekanisme tertentu dan proses

analisa inilah yang disebut sebagai analisis deret waktu (time series

analysis). Ciri-ciri deret waktu ini adalah melihat fungsi probabilitas

dari variabel random berdistribusi bersama.

Model deret waktu (time series) dibuat dengan melihat korelasi

antar pengamatan dan tergantung pada beberapa pengamatan

sebelumnya. Oleh karena itu diperlukan uji korelasi antar pengamatan

yang disebut dengan autocorrelation function (ACF).

Dalam bukunya Time Series Analysis: Forecasting and Control, Box

dan Jenkins menyebutkan bahwa penggunaan waktu t pada observasi

deret waktu untuk meramalkan nilai di masa depan telah menjadi dasar

bagi perencanaan ekonomi, bisnis, produksi serta optimalisasi proses

industri. Dengan nilai zt , maka data deret waktu sebelumnya ( zt -1 , zt -2 ,

zt -3
...) dapat digunakan untuk meramalkan nilai pada beberapa periode

ke depan beserta lead time (l) yang menyatakan periode peramalan di

masa mendatang. Fungsi dari zt(1) akan menyediakan peramalan pada

titik awal t dengan objek mendapatkan nilai mean square deviations

zt +1
-zt(l) sekecil mungkin di antara nilai aktual dengan peramalan

untuk setiap lead time l.

Ada beberapa istilah yang sering ditemui dalam analisis deret

waktu :

1. Stasioneritas. Berarti tidak terdapat pertumbuhan atau penurunan

data. Merupakan asumsi yang sangat penting dalam suatu deret

waktu. Bila tidak terdapat perubahan pada tren deret waktu maka

dapat disebut stasioner. Maksudnya, rata-rata deret pengamatan di

sepanjang waktu selalu konstan. Apabila suatu data tidak stasioner

maka diperlukan diferensiasi pada data tersebut. Yang dimaksud

diferensiasi disini adalah menghitung perubahan atau selisih nilai

data yang diobservasi. Bila data masih belum stasioner maka perlu

didiferensiasi lagi hingga stasioner.

2. Fungsi Autokorelasi (Autocorelation Function/ACF). Merupakan

korelasi antar deret pengamatan suatu deret waktu yang disusun

dalam plot setiap lag.

3. Partial Autocorrelation Function (PACF). Hampir sama dengan fungsi

autokorelasi, autokorelasi parsial merupakan korelasi antar deret

 pengamatan dalam lag-lag pengamatan yang mengukur keeratan

antar pengamatan suatu deret waktu.

4. Cross correlation. Sama halnya autokorelasi, cross correlation

mengukur pula korelasi antar deret waktu, tetapi korelasi yang

diukur adalah koralasi daru dua deret waktu.

5. White Noise. Merupakan proses stasioner suatu data deret waktu

yang didefinisikan sebagai deret variabel acak yang independen (tidak

berkorelasi , identik, dan terdistribusi.

6. Analisis tren. Analisis ini digunakan untuk menaksir model tren suatu

data deret waktu. Ada beberapa model analisis tren, antara lain

model linear, kuadratik, eksponensial, pertumbuhan atau penurunan,

dan model kurva S. Analisis tren digunakan apabila deret waktu,

tidak ada komponen musiman.

2.7 Metode SARIMA

Metode yang digunakan untuk peramalan beban listrik dalam tugas

akhir ini adalah Seasonal Autoregressive Integrated Moving Average

(SARIMA). Berikut ini merupakan penjelasan dari metode peramalan

tersebut.

2.7.1 Autoregressive Model (AR)

Model AR adalah model yang menggambarkan behwa variabel

dependent dipengaruhi oleh variabel dependent itu sendiri pada periode

sebelumnya. Model AR orde ke-p atau AR(p) secara umum dapat

dituliskan sebagai berikut :

Zt =1Zt -1 +2Zt -2 + . . . +pZt -p + at (2.1)

dengan Zt = nilai variabel dependent pada waktu t

Zt -1, ...,Zt -p = nilai variabel dependent pada time-lag t -1, . .

. , t -p

p = parameter autoregressive ke-p,

at = nilai residu pada waktu t.

Persamaan di atas dapat ditulis

(1 -1B -2B2 - -pB )Zt =at

p

atau

p(B)Zt =at (2.2)

p
dengan p(B) =1 -1B -2B2 - -pB
 Untuk menemukan fungsi autokorelasinya, persamaan (2.2)

dikalikan dengan Zt -k, hasilnya

Zt -kZt =1Zt -kZt -1

+ . . . +pZt -kZt -p
+Zt -kat (2.3)

Jika memasukkan nilai harapan (expected value) pada kedua ruas

persamaan (2.3) dan diasumsikan terdapat stasioneritas, maka

persamaan tersebut akan menjadi

E(Zt -kZt) =1E(Zt -kZt -1) + . . . +pE(Zt -kZt -p) +E(Zt -kat) (2.4)

Karena nilai residu ( at ) bersifat random dan tidak berkorelasi dengan

Zt -k , maka E(Zt -kat) adalah nol untuk k >0 , maka persamaan (2.4) akan

menjadi

k =1k -1
+ +pk -p, k >0 (2.5)

Jika kedua ruas pada persamaan (2.5) dibagi dengan 0, maka diperoleh

k 1k -1
+ +pk -p
=
0 0

atau

k =1k -1
+ +pk -p, k >0 (2.6)

Sebagai contoh, model AR dengan orde 1 atau AR(1) dapat ditulis

Zt =1Zt -1 + at

atau
 (1 -BB)Zt =at

Agar proses stasioner, maka akar dari (1 -BB) =0 harus terletak di

luar lingkaran satuan dan proses ini stasioner jika |1| <1 . Fungsi

autokovariansnya adalah

k =1k -1. k 1,

sehingga fungsi autokorelasinya adalah

k =1k -1
=k1 , k 1.

Fungsi autokorelasi parsial dari proses AR(1) adalah

{
1 =1 , k =1,
kk =
0, k 2.

Dengan demikian, perhitungan autoregresif dapat lakukan dalam

proses sebagai berikut:

1. Menentukan model persamaan di atas yang sesuai dengan deret

waktu.

2. Menentukan nilai dari orde p (menentukan panjangnya persamaan

yang terbentuk).

3. Mengestimasikan nilai koefisien autoregressive.

2.7.2 Moving Average (MA)

 Secara umum model MA orde ke-q dapat ditulis sebagai berikut:

Zt =at -1at -1
- . . . -q at -q
(2.7)

dengan Zt = nilai variabel dependent pada waktu t

at,at -1, . . . , at -q
= nilai residual pada waktu t, t -1, . . . ,

t -q

1, .., q = koefisien Moving Average.

Persamaan (2.7) dapat ditulis dalam bentuk

Zt =(1 -1B -2B2 - -qBq)at

atau

Zt =q(B)at (2.8)

q
dengan q(B) =1 -1B -2B2 - -qB .

2 2 2
Karena 1 +1 +2 + +q <, maka proses MA berhingga selalu

stasioner.

Apabila kedua ruas pada persamaan (2.7) dikalikan dengan Zt -k ,

hasilnya

Zt -kZt =(at -1at -1

- . . . - q at -q )(at -k -1at -k -1
- . . . -q at -k -q )
(2.9)

Jika memasukkan nilai harapan (expected value) pada kedua ruas

persamaan (2.9), maka persamaan tersebut akan menjadi

E(Zt -kZt)
=E[(at -1at -1
- . . . - q at -q )(at -k -1at -k -1
- . . . -q at -k -q )]
k =E(atat -k
- 1 a ta t -k -1
- -qatat -k -q

2
-1at -1at -k
+1at -1at -k -1
+ +1qat -1at -k -q

: : :

2
-qat -qat -k
+q1at -qat -k -1
+ +qat -qat -k -q
) (2.10)

Nilai harapan pada persamaan (2.10) tergantung pada nilai k. Jika k = 0,

maka persamaan (2.10) menjadi

0 =E(atat -0) +E(1at -1at ) + +qE(at -qat

2 2
-0 -1 -0 -q ) (2.11)

Seluruh suku yang lain pada persamaan (2.10) hilang karena

E(atat -i) =0 untuk i 0

dan

E(atat -i) =2e untuk i =0.

Jadi, persamaan (2.11) menjadi

 2 2
0 =2a +12a + +q2a =(1 +21 + +2q)2a (2.12)

Persamaan (2.38) merupakan varians dari persamaan model MA(q).

Secara umum untuk k = k, persamaan (2.10) menjadi

k =( -k +1k +1 + +q -kq)2e (2.13)

Sehingga fungsi autokovarians dari proses MA(q) adalah

k
=

{
( -k +1k +1 + +q -kq)2e, k =1, 2, , q,
0, k >q.

(2.14)

Dengan membagi persamaan (2.14) dengan persamaan (2.12), maka

fungsi autokorelasinya adalah

k
=

{
-k +1k +1 + +q -kq
2 2
, k =1, 2, , q,
1 +1 + +q
0, k >q.
(2.15)

Fungsi autokorelasi parsial dari bagian akhir proses umum MA(q)

merupakan perumusan eksponensial dan/atau gelombang sinus

q
tergantung dari akar-akar 1 -1B -2B2 - -qB =0 . PACF akan berisi
gelombang sinus jika akar-akar berupa bilangan kompleks. Sebagai

contoh, model MA(1) dinyatakan sebagai berikut

Zt = a t - 1 a t -1
= ( 1 - 1 B ) a t.

Fungsi autikovarians dari model ini adalah

{
(1 +21)2a, k =0,
k = -12a, k =1,
0, k >1.

Fungsi autokorelasinya adalah

{
-1
, k =1,
k = 1 +1
2

0, k >1.

Dan fungsi autokorelasi parsialnya adalah

2
-1 -1(1 -1)
11 =1 = 2
= 4
1 +1 1 -1

21 -1
2 2
-1(1 -1)
2

22 = = =
1 -21 2
1 + 1 + 1
4
1 -1
6

31 -1
3 3
-1(1 -1)
2

33 = = =
1 -231 2
1 + 1 + 1 + 1
4 6
1 -1
8

Secara umum, PACF untuk model MA(1) adalah

-1(1 -1)
k 2

kk = 2(k +1)
, k 1.
1 -1
2.7.3 Autoregressive Moving Average (ARMA)

Model ARMA(p,q) merupakan kombinasi dari model AR(p) dan MA(q), yaitu

Zt =1Zt -1 + . . . +pZt -p +at -1at -1

- . . . -q at -q

(2.16)

Persamaan (2.16) dapat ditulis dalam bentuk

(1 -1B -2B2 - -pB )Zt =(1 -1B -2B2 - -qB )at (2.17)
p q

atau

p(B)Zt =q(B)at (2.18)

Apabila kedua ruas pada persamaan (2.16) dikalikan dengan Zt -k ,

hasilnya

Zt -kZt =1Zt -kZt -1

+ . . . +pZt -kZt -p
+Zt -kat -1Zt -kat -1

- . . . -qZt -kat -q
(2.19)

Jika memasukkan nilai harapan (expected value) pada kedua ruas

persamaan (2.19), maka persamaan tersebut akan menjadi

k =1k -1
+ . . . +pk -p
+E(Zt -kat) -1E(Zt -kat -1)

- . . . -qE(Zt -kat -q) (2.20)

Karena E(Zt -kat -i) =0 untuk k >i, maka

k =1k -1
+ . . . +pk -p, k (q +1) (2.21)
Dan fungsi autokorelasinya adalah

k =1k -1
+ . . . +pk -p, k (q +1) (2.22)

Karena proses ARMA merupakan kasus khusus dari proses MA, maka

fungsi autokorelasi parsialnya juga merupakan pemulusan eksponensial

dan/atau gelombang sinus tergantung dari akar-akar

q
1 -1B -2B2 - -qB =0.

Sebagai contoh, model ARMA(1, 1) dinyatakan sebagai berikut

Zt =1Zt -1 + a t - 1a t -1
(2.23)

Fungsi autokovarians diperoleh dengan mengalikan persamaan

(2.23) dengan Zt -k, hasilnya

Zt -kZt =1Zt -kZt -1

+Zt -kat -1Zt -kat -1

Dan nilai harapannya adalah

t =1k -1
+E(Zt -kat) -1E(Zt -kat -1) (2.24)

Untuk k = 0, persamaan (2.24) menjadi

0 =11 +E(Ztat) -1E(Ztat -1)

Jika E(Ztat) =2a, maka E(Ztat -1) dapat dijabarkan sebagai berikut

E(Ztat -1) =1E(Ztat -1) +E(atat -1) -1E(a2t -1) =(1 -1)2a

Oleh karena itu,

 0 =11 +2a -1(1 -1)2a (2.25)

Untuk k = 1, persamaan (2.24) menjadi

1 =10 -12a (2.26)

Jika persamaan (2.26) disubtitusikan ke persamaan (2.25), maka

2
0 =210 -112a +2a -112a +12a

=
2
(1 +1 -211)
(1 -21)
2a (2.27)

Subtitusi persamaan (2.27) ke persamaan (2.26) sehingga

2
(1 +1 -211)
1 = 2
12a -12a
(1 - )1

(1 -1)(1 -11)
= 2a
(1 - )
2
1

Untuk k = 2, persamaan (2.24) menjadi

k =1k -1, k 2

Oleh karena itu, fungsi autokorelasi dari model ARMA(1,1) adalah

{
1, k =0
(1 -1)(1 -11)
k = 2a, k =1
(1 - )
2
1

1k -1, k 2
2.7.4 Proses Differensiasi

Dalam pemodelan Autoregressive Moving Average (ARMA) memiliki

teori dasar korelasi dan stasioneritas. Maksudnya ARMA dapat digunakan

ketika deret waktu telah membentuk grafik yang stasioner, atau tidak

membentuk tren naik maupun turun. Namun bila data deret waktu tidak

stasioner dan memiliki tertentu, maka perlu dilakukan proses

differensiasi untuk mengubah data hingga menjadi stasioner dahulu

sebelum dapat diproses melalui ARMA. Data yang telah differensiasi lalu

diolah dengan ARMA ini disebut dengan Autoregressive Integreated

Moving Average (ARIMA) dengan parameter ARIMA(p,d,q) dengan d

menunjukan jumlah proses differensiasi yang dilakukan.

2.7.5 ARIMA

Model ARMA(p,q) pada persamaan (2.17), yaitu

p q
(1 -1B -2B2 - -pB )(Zt -) =(1 -1B -2B2 - -qB )at

dapat ditulis

p
(1 -1B -2B2 - -pB )Zt
 =0 +(1 -1B -2B2 - -qBq)at (2.28)

dengan

p
0 =(1 -1B -2B2 - -pB ) =(1 -1 -2 - -p) (2.29)

Dari persamaan (2.28), model AR(p) menjadi

(1 -1B -2B2 - -pB )Zt =0 +at

p
(2.30)

Dan model MA(q) menjadi

Zt =0 +(1 -1B -2B2 - -qBq)at (2.31)

Dalam proses MA(q), 0 =0.

Model ARIMA dilakukan pada data stasioner atau data yang

didifferencing sehingga data telah stasioner. Secara umum, model

ARIMA dinotasikan sebagai berikut

ARIMA(p,d,q)

dengan

p = orde model autoregressive

q = orde model moving average

d = banyaknya differencing

Model ini merupakan gabungan dari model ARMA(p,q) dan proses

differencing, yaitu
 d
p(B)(1 -B) Zt =0 +q(B)at (2.32)

p
dengan p(B) =1 -1B -2B2 - -pB

q
dan q(B) =1 -1B -2B2 - -qB

Parameter 0 mempunyai peran yang berbeda untuk d = 0 dan d > 0.

Untuk d = 0, data asli telah stasioner dan seperti pada persamaan

(2.29) bahwa 0 merupakan rata-rata proses, yaitu

0 =(1 -1 -2 - -p) . Sedangkan untuk d 1 , data asli

nonstasioner dan 0 merupakan istilah trend deterministic yang biasanya

dihilangkan.

2.7.6 Seasonal ARIMA

Secara umum, model Seasonal ARIMA dinotasikan sebagai berikut

ARIMA(p,d,q)(P,D,Q)s

dengan

(p,d,q) = bagian tidak musiman dari model

(P,D,Q) = bagian musiman dari model

P = orde musiman untuk AR

Q = orde musiman untuk MA

s = jumlah periode per musim

Suatu deret {Zt} tidak diketahui periode variasi musiman dan

tidak musiman, bentuk model ARIMA untuk deret itu adalah

d
p(B)(1 -B) Zt =0 +q(B)bt (2.33)

Jika terdapat {b } tidak white noise dengan korelasi antar periode

t

musiman, maka fungsi autokorelasi untuk {b } adalah

t

E( b t -js - b) ( b t - b)
j(s) = , j
2b
=1, 2, 3, (2.34)

Untuk lebih mudah melihat korelasi antar periode, dapat

direpresentasikan sebagai model ARIMA berikut

D
P(Bs)(1 -Bs) bt =Q(Bs)at (2.35)

dengan P(Bs) =1 -1Bs -2B2s - -PBPs

dan Q(Bs) =1 -1Bs -2B2s - -QBQs

adalah persamaan polynomial dalam Bs . Jika akar-akar dari

polynomial-polinomial tersebut berada di luar lingkaran unit dan {at} =0 ,

maka proses tersebut adalah proses white noise.

Dengan mengkombinasikan persamaan (2.33) dan persamaan (2.35),

diperoleh model Seasonal ARIMA, yaitu

 d D
P(Bs)p(B)(1 -B) (1 -Bs) Zt =q(B)Q(Bs)at (2.36)

{
Zt - , d =0 atau D =0
dengan Zt =
Zt , d 0 atau D 0

p(B) = faktor AR tidak musiman

q(B) = faktor MA tidak musiman

P ( B s) = faktor AR musiman

Q( B s ) = faktor MA musiman

= rata-rata Zt

2.8 Pengukuran Kesalahan Peramalan

Sebuah notasi matematika dikembangkan untuk menunjukkan

periode waktu yang lebih spesifik karena metode kuantitatif peramalan

sering kali memperlihatkan data runtun waktu. Yt menunjukkan nilai

dari runtun waktu pada periode waktu t. Nilai ramalan untuk Yt adalah

Ft . Ketepatan dari teknik peramalan sering kali dinilai dengan

membandingkan deret asli dengan deret nilai ramalan. Pengukuran

keakuratan peramalan dapat diukur oleh beberapa indicator kesalahan

peramalan, yaitu:
2.8.1 Rata rata kesalahan (average/ mean error)

Kesalahan atau error menunjukkan besar selisih antara actual

dengan nilai yang diramalkan,

e t = Y t -Ft (2.37)

dengan

et : error ramalan pada periode waktu t.

Yt : nilai aktual pada periode waktu t.

Ft : nilai ramalan untuk periode waktu t.

Maka nilai kesalahan dapat bernilai positif ataupun negatif. Bernilai

negatif apabila nilai peramalan melebihi dari nilai actual dan bernilai

positif apabila nilai peramalan lebih kecil dari yang actual. Mean error

(ME) dapat dinotasikan dalam persamaan berikut,

ME
n

=
1
n ( Y t - F t) (2.38)
t =1

Namun mean error sulit untuk menentukan kesalahan secara

keseluruhan, karena penjumlahan nilai positif dan negatif akan saling

melemahkan dan dapat menambah kesalahan.

2.8.2 Mean Absolute Deviation (MAD)

Mean Absolute Deviation (MAD) merupakan metode untuk

mengevaluasi metode peramalan menggunakan jumlah dari

kesalahan-kesalahan yang absolut. MAD mengukur ketepatan ramalan

dengan merata-rata kesalahan dugaan (nilai absolute masing-masing

kesalahan). Nilai kesalahan dari peramalan dengan actual diubah menjadi

nilai mutlak positif yang bertujuan untuk mengantisipasi adanya nilai

positif dan negative yang akan saling melemahkan atau menambah

perhitungan kesalahan pada penjumlahan dengan begitu didapat berapa

besar nilai penyimpangan dari hasil peramalan. Persamaan MAD

dinotasikan sebagai berikut,

MAD
n

=
1
n | Y t - F t| (2.39)
t =1

2.8.3 Mean Squared Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi

metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan.

Kemudian dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan

ini mengatur kesalahan peramalan yang besar karena

kesalahan-kesalahan itu dikuadratkan. Berikut ini rumus untuk

menghitung MSE :

MSE
n

=
1
n ( Y t - F t) 2 (2.40)
t =1

Perbedaan Mean Squared Error (MSE) dengan Mean Absolute Deviation

(MAD) adalah MSE menilai kesalahan untuk penyimpangan yang lebih

ekstrem daripada MAD. Mengadopsi kriteria untuk meminimalkan nilai

MSE berarti nilai penyimpangan akan lebih besar daripada nilai peramalan

apabila menggunakan satu penyimpangan.

2.8.4 Standard Deviation of Errors (SDE)

SDE
n

= 1
n -1 ( Y t - F t) 2 (2.41)
t =1

2.8.5 Percentage Error (PE)

Percentage Error adalah persentase kesalahan dari nilai actual Yt

dengan hasil perhitungan nilai peramalan Ft

 PEt
Y t -Ft
= x100% (2.42)
Yt

2.8.6 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan

menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai

observasi yang nyata untuk periode itu. Kemudian, merata-rata

kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika

ukuran atau besar variabel ramalan itu penting dalam mengevaluasi

ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam

meramal yang dibandingkan dengan nilai nyata pada deret. Metode MAPE

digunakan jika nilai Yt besar. MAPE juga merupakan nilai indicator yang

biasa digunakan untuk menunjukkan performance atau keakuratan pada

hasil proses peramalan. MAPE dapat dihitung dengan rumus sebagai

berikut:

MAPE
n

=
1
n |PE | t (2.43)
t =1

2.8.7 Mean Percentage Error (MPE)

 MPE adalah rata-rata dari persentase kesalahan (selisih nilai

actual dan peramalan). Ada kalanya perlu untuk menentukan apakah

suatu metode peramalan bias (peramalan tinggi atau rendah secara

konsisten). MPE digunakan dalam kasus tersebut. MPE dihitung dengan

mencari kesalahan pada tiap periode dibagi dengan nilai nyata untuk

periode itu. Kemudian, merata-rata kesalahan persentase ini. Jika

pendekatan peramalan tak bias, MPE akan menghasilkan angka yang

mendekati nol. Jika hasilnya mempunyai presentase negatif yang besar,

metode peramalannya dapat dihitung. Jika hasilnya mempunyai

persentase positif yang besar, metode peramalan tidak dapat dihitung.

MPE dapat dihitung dengan rumus sebagai berikut:

MPE
n

=
1
n PE t (2.44)
t =1

Bagian dari keputusan untuk menggunakan teknik peramalan

tertentu melibatkan penentuan apakah teknik ini akan menghasilkan

kesalahan peramalan yang dinilai cukup kecil. Metode khusus yang

digunakan dalam peramalan meliputi perbandingan metode mana yang

akan menghasilkan kesalahan-kesalahan ramalan yang cukup kecil.

Metode ini baik untuk memprediksi metode peramalan sehingga

menghasilkan kesalahan ramalan yang relatif kecil dalam dasar

konsisten.

Fungsi dari perhitungan ketepatan peramalan adalah sebagai berikut:

a. Membandingkan ketepatan dua atau lebih metode yang berbeda.

b. Sebagai alat ukur apakah teknik yang diambil dapat dipercaya

atau tidak.

c. Membantu mencari sebuah metode yang optimal

 BAB III

METODOLOGI

Pada panelitian ini, data yang digunakan adalah data beban listrik

Jawa Tengan dan DIY tahun 2007 sampai 2012 yang diperoleh dari PT.

PLN (Persero) P3B Jawa Bali APB Jawa Tengah & DIY. Data ini dianalisis

dengan menggunakan analisis runtun waktu model SARIMA. Secara garis

besar diagram alir penelitian dapat digambarkan seperti berikut :

Mulai

Studi Literatur

Pencarian
Informasi dan

Pengolahan Data
 Gambar 3.1 Diagram alir penelitian

Dan untuk diagram alir proses peramalan menggunakan metode SARIMA

adalah sebagai berikut :

Mulai

Input Data
Beban (MW)

Data Stasionerkan Data

Stasione Tidak

Ya
Identifikasi Model

Pendugaan
 Gambar 3.2 Diagram alir proses peramalan

Setelah melakukan peramalan, akan dilakukan perhitungan

besarnya error peramalan beban listrik jika dibandingkan dengan beban

listrik pada kenyataan. Langkah-langkah peramalan beban secara

berturut-turut adalah sebagai berikut:.

3.1 Model Umum dan Uji Stasioner

Data runtut waktu yang stasioner adalah data runtut waktu yang

nilai rata-ratanya tidak berubah. Apabila data yang menjadi input dari

model SARIMA tidak stasioner, perlu dilakukan modifikasi untuk

menghasilkan data yang stasioner. Salah satu cara yang umum dipakai

adalah metode pembedaan (differencing).

Data beban listrik Jawa tengah dan DIY merupakan data yang

tidak stasioner dimana terdapat pengaruh trend dan musiman pada

runtut datanya. Oleh karena itu, dilakukan proses differencing sehingga

pengaruh trend dan musiman pada data akan hilang dan data tersebut

akan menjadi data yang stasioner.

3.2 Identifikasi Model

Identifikasi model sementara dilakukan dengan membandingkan

distribusi koefisien autokolerasi dan koefisien autokolerasi parsial

aktual dengan distribusi teoritis. Setelah data runtut waktu telah

stasioner, langkah berikutnya adalah menetapkan model ARIMA (p,d,q)

yang sekiranya cocok (tentatif). Dalam memilih berapa nilai p dan q

dapat dibantu dengan mengamati pola fungsi autocorrelation dan partial

autocorrelation (correlogram) dari series yang dipelajari, dengan acuan

sebagai berikut:

Autocorrelation Partial Autocorrelation ARIMA

Menuju nol setelah lag Menurun secara ARIMA

q bertahap/ bergelombang (0,d,q)

Menurun secara Menuju nol setelah lag ARIMA

bertahap/ p (p,d,0)

bergelombang

Menurun secara Menurun secara ARIMA

bertahap/ bertahap/ bergelombang (p,d,q)

bergelombang (sampai (sampai lag p masih

lag q masih berbeda berbeda dari nol)

dari nol)

Dan untuk identifikasi model musiman adalah sebagai berikut :

Model ACF PACF

AR(P) Dies down (menurun Cut off (terputus)

 secara eksponensial) setelah lag Ps

pada lag musiman

MA(Q) Cut off (terputus) Dies down (menurun

setelah lag Qs secara eksponensial)

pada lag musiman

ARMA(P,Q) Dies down (turun cepat Dies down (turun

secara eksponensial) cepat secara

pada lag musiman eksponensial) pada

lag musiman

Setelah model awal SARIMA diperoleh, langkah selanjutnya adalah

menurunkan model-model SARIMA yang lain dari model awal SARIMA

tersebut. Dengan demikian akan terdapat beberapa model SARIMA yang

terbentuk, yang nantinya akan dilakukan pengetesan pada setiap model

tersebut sehingga diperoleh model yang paling cocok untuk digunakan

dalam peramalan beban listrik jangka pendek.

3.3 Pendugaan Parameter Model

Pemilihan nilai awal parameter berpengaruh terhadap banyaknya

iterasi. Jika pilihan awal dekat dengan parameter yang sebenarnya,

konvergensi akan tercapai lebih cepat. Sebaliknya dugaan yang tidak

tepat memungkinkan proses iterasi tidak konvergen. Jika tidak mencapai

konvergen maka dilakukan mencoba menukar nilai ordo dengan

menaikkan atau menurunkan nilainya (try and error)

3.4 Diagnostic Checking

Setelah kita mencari estimasi terbaik untuk parameter-parameter

dalam model, langkah selanjutnya adalah melakukan diagnostic checking

untuk menguji kelayakan model. Jika model tidak layak, disarankan

untuk dilakukan modifikasi model. Pendekatan yang digunakan dalam

diagnostic checking ini adalah analisis residual yang meliputi :

a. Tidak adanya Autokorelasi : dapat dilihat pada plot correlogram

Q-Statistics, jika ada lag yang keluar pada plot ACF dan PACF

maka terdapat autokorelasi pada residual.

b. Asumsi Homoskedastisitas : dapat dilihat pada plot correlogram

squared residuals, jika ada lag yang keluar pada plot ACF dan

PACF maka variansi dari residualnya tidak konstan

 (heteroskedastisitas).

c. Asumsi Normalitas residual : diuji dengan statistik Jarque-Bera,

Ho ditolak jika p-value/signifikansi < .

3.5 Pemilihan Model

Terdapat banyak kriteria yang digunakan untuk memilih model

runtun waktu yang tepat seperti :

a. Sum Squared Error (SSR)

Model yang baik adalah model dengan nilai sum squared error yang

kecil.

b. Kriteria Akaikes Info Criterion (AIC)

Kriteria AIC untuk memilih model yang terbaik, jika nilainya

minimum.

c. Kriteria Schwartzs Criterion (SBC)

Schwartz (1978) mengemukakan criteria pemilihan model lewat

Bayesian dan disebut SBC (Schwartzs Bayesian Criterion). Model

yang baik adalah model dengan SBC minimum.

 Jadi untuk menentukan model terbaik dipilih Sum Squared

Residual, Akaike Info Criterion, Schwartz Criterion yang paling kecil.

Nilai-nilai di atas dapat dilihat dalam output E-views Equation

Speciffication.

3.6 Peramalan

Langkah terakhir adalah menggunakan model yang terbaik untuk

peramalan.

3.7 Mengukur Tingkat Keakuratan Peramalan

Setelah diperoleh hasil peramalan beban listrik, maka akan

dihitung error (kesalahan) hasil peramalan jika dibandingkan dengan

data beban sebenarnya (data aktual beban listrik ) pada hari yang

diramalkan. Salah satu metode yang digunakan untuk menunjukkan

kesalahan yang disebabkan oleh teknik peramalan adalah Mean Absolute

Percentage Error (MAPE).

 BAB IV

PEMBAHASAN
4.1 Peramalan Beban Listrik

4.1.1 Identifikasi Data Deret Waktu

Dalam membuat peramalan beban data historis dengan

menggunakan metode SARIMA, ada bebarapa tahap yang harus dilakukan.

Tahap pertama adalah mengidentifikasi data acuan. Tujuannya adalah

untuk melihat apakah data acuan tersebut memiliki tren (naik atau

turun), musiman, maupun acak.

Data beban listrik termasuk dalam jenis data runtut waktu ( time

series ). Dari waktu ke waktu beban listrik mengalami kenaikan. Berikut

ini grafik beban lstrik tertinggi setiap tahunnya dari tahun 2006 2012

untuk wilayah Jawa Tengah & DIY.

 3500 3276.85
3021.15
3000 2889.53
2770.12
2590.04 2580.34
2427.04
2500
Beban (MW)

2000

1500

1000

500

0
2006 2007 2008 2009 2010 2011 2012
Tahun

Grafik Perkembangan Beban Listrik Jawa Tengah & DIY dari 2006 - 2012

Dari grafik di atas terlihat bahwa setiap tahunnya terjadi tren

kenaikan beban listrik. Pada beban bulanan dan harian, kenaikan beban

listrik tidak begitu besar. Bahkan untuk beban harian, kenaikan beban

setiap harinya tidak terlihat.

Besarnya beban listrik yang dikonsumsi oleh konsumen setiap

harinya membentuk pola musiman tertentu. Artinya adalah pola ini akan

berulang pada hari-hari berikutnya. Pola konsumsi listrik pada hari

kerja (hari Senin sampai dengan hari Jumat) akan sama walaupun besar

beban listrik yang dikonsumsi akan sedikit berbeda. Pola musiman yang

sama akan lebih jelas terlihat pada hari yang sama pada minggu yang
berbeda. Berikut ini grafik beban listrik hari Senin, tanggal 14 Mei 2012

dan 21 Mei 2012.

3,500.00

3,000.00

2,500.00
Beban listrik (MW)

2,000.00

14 Mei
1,500.00 21 Mei

1,000.00

500.00

0.00
18.30
19.30
20.30
21.30
22.30
23.30
12.30
13.30
14.30
15.30
16.30
17.30
07.30
08.30
09.30
10.30
11.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30

Grafik beban listrik hari Senin, 14 Mei 2012 dan 21 Mei 2012.

Dari grafik di atas dapat terlihat bahwa pola beban listrik pada

tanggal 14 Mei 2012 dan 21 Mei 2012 sama. Pola musiman yang

ditunjukkan oleh grafik di atas akan berbeda dengan hari libur akhir

pekan (Sabtu dan Minggu), hari libur nasional, hari raya, dan hari

khusus lainnya.

Dari penjelasan di atas, diketahui bahwa pola beban listrik Jawa

Tengah & DIY membentuk suatu pola musiman dan dipengaruhi oleh

suatu tren. Data beban listrik dalam satu hari diambil setiap 30 menit.
Maka dalam satu hari ada 48 data. Oleh karena itu dapat disimpulkan

bahwa panjang musiman dari pola musiman data beban listrik adalah 48

data.

4.1.2 Pengujian Stasioner Dalam Mean dan Variansi

Pada kesempatan kali ini akan diramalkan beban listrik pada hari

Senin, 23 April 2012. Data yang digunakan untuk menyusun model

SARIMA adalah data beban listrik pada hari yang sama selama empat

minggu sebelumnya (empat periode musiman). Oleh karena itu data yang

dibutuhkan adalah data beban listrik hari Senin, tanggal 26 Maret 2012,

2 April 2012, 9 April 2012, dan 16 April 2012. Berikut ini grafik beban

listrik dari tanggal-tanggal tersebut yang telah disusun berdasarkan

urutan waktu.
 3500

3000

2500
Beban listrik (MW)

2000

1500

1000

500

0
1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 145 153 161 169 177 185

Grafik beban listrik hari Senin, 26 Maret sampai 16 April 2012 berdasarkan urutan

waktu

Dari grafik di atas dapat terlihat bahwa ada kecenderungan tren

naik dan pola musiman pada data. Hal ini telah sesuai dengan

pembahasan sebelumnya. Metode SARIMA mengharuskan data untuk

terpenuhi asumsi stasioneritasnya. Kecenderungan tren naik dan adanya

pola musiman pada data mengindikasikan bahwa data tidak stasioner

dalam mean dan variansi. Oleh karena itu, perlu dilakukan differencing

(pembedaan) dan perlu dilakukan transformasi logaritma pada data

tersebut.

Differencing yang dilakukan pada data akan berupa differencing

non musiman dan differencing musiman. Differencing non musiman akan

menghilangkan tren yang ada pada data dan membuat data stasioner

terhadap mean. Sedangkan differencing musiman akan menghilangkan

pola musiman yang ada pada data. Sehingga setelah melalui proses

differencing ini, data akan menjadi stasioner terhadap mean maupun

variansi. Berikut ini merupakan grafik data setelah memalui proses

differencing dan transformasi logaritma (data hasil proses differencing

dan transformasi logaritma dapat dilihat pada lampiran).

0.06

0.05

0.04

0.03

0.02

0.01

-0.01

-0.02

-0.03

-0.04
50 58 66 74 82 90 98 106 114 122 130 138 146 154 162 170 178 186

Grafik data setelah memalui proses differencing dan transformasi logaritma

Proses differencing non musiman dan musiman ini akan

mengakibatkan data pertama sampai dengan data ke m +1 , dengan m

merupakan panjang musiman dari data, tidak mempunyai nilai. Panjang

musiman dari pola data beban listrik adalah 48 data, sehingga data yang
tidak ada nilainya adalah data pertama sampai data ke 49. Hal inilah

yang menyebabkan grafik data setelah melalui proses differencing

dimulai dari data ke 50.

Dari grafik di atas dapat terlihat bahwa data telah stasioner

dalam mean dan variansi. Untuk memastikan apakah data tersebut telah

stasioner atau belum, dilakukan Augmented Dickey-Fuller test (ADF

test). Berikut ini merupakan hasil dari ADF test terhadap data yang

telah melalui proses differencing dan transformasi logaritma.

Hasil dari ADF test

Suatu data dikatakan telah stasioner terhadap mean dan variansi

apabila nilai | Augmented Dickey-Fuller test statistic | dari hasil ADF

test lebih besar dari nilai | 1% Critical value |. Dari hasil ADF test di

atas dapat dikatakan bahwa data tersebut telah stasioner dalam mean

dan variansi, karena nilai | Augmented Dickey-Fuller Test Statistic | = |

-14.37257 | lebih besar dari nilai |1% Critical value | = | -4.023975 | .

Karena kestasioneran dalam mean maupun variansi telah terpenuhi maka

untuk melakukan pemilihan model dapat langsung menggunakan

transformasi ini.

4.1.3 Identifikasi Model Awal

Untuk mengetahui model awal dari SARIMA, dapat dilihat dari

grafik autocorrelation (AC) dan partial correlation (PAC). Data yang

digunakan dalam grafik tersebut merupakan data beban listrik setelah

mengalami proses differencing (data yang telah stasioner). Secara

umum, jumlah lag yang diperlukan dalam analisis data adalah sebanyak

seperempat dari jumlah data seluruhnya. Pada peramalan ini digunakan

data sebanyak 192, sehingga secara umum jumlah lag yang diperlukan

adalah 48 lag. Akan tetapi hal tersebut dirasa kurang memadai untuk

mengetahui model SARIMA yang mungkin terjadi untuk peramalan beban

listrik ini.

Hal tersebut dikarenakan penentuan model musiman dilakukan

dengan melihat signifikan atau tidaknya lag pada kelipatan terbesar

periode musiman. Lag yang signifikan adalah lag yang keluar batas
signifikan (garis putus-putus). Saat jumlah lag yang ditinjau hanya 48

lag, maka kita tidak akan dapat melihat apakah lag 96 dan lag 144

signifikan atau tidak.

Berdasarkan percobaan yang telah dilaksanakan, lag yang lebih

besar dari lag 96 nilainya akan semakin mengecil dan akan sangat kecil

kemungkinannya lag 144 keluar batas signifikan (lag 144 signifikan).

Oleh karena itu, jumlah lag minimal untuk analisis data adalah sebanyak

96 lag (dua periode musiman).

Grafik autocorrelation dan partial correlation dapat dilihat pada

gambar di bawah ini (untuk gambar selengkapnya ada pada lampiran).

Gambar cuplikan grafik autocorrelation dan partial correlation lag 1-13

 Gambar cuplikan grafik autocorrelation dan partial correlation lag 46-50

Gambar cuplikan grafik autocorrelation dan partial correlation lag 94-100

Penentuan model non musiman, dapat ditinjau dari signifikan

(keluar batas) atau tidaknya lag terbesar dari lag 1 sampai lag 4.

Sedangkan untuk model musiman, dapat ditinjau dari signifikan atau

tidaknya lag pada kelipatan terbesar periode musiman. Untuk model non

musiman, orde-p ditunjukkan dari signifikan atau tidaknya lag terbesar

dari lag 1 sampai lag 4 pada grafik partial correlation. Sedangkan

orde-q, ditunjukkan dari signifikan atau tidaknya lag terbesar dari lag

1 sampai lag 4 pada grafik autocorrelation.

Untuk model musiman, orde-P ditunjukkan dari signifikan atau

tidaknya lag pada kelipatan terbesar periode musiman pada grafik

autocorrelation, dan orde-Q, ditunjukkan dari signifikan atau tidaknya

lag pada kelipatan terbesar periode musiman pada grafik partial

correlation.

Selain melihat dari grafik autocorrelation dan partial correlation,

penentuan signifikan atau tidaknya suatu lag dapat lebih akurat dengan

melihat nilai autocorrelation (AC) dan partial correlation (PAC) dari

setiap lag. Nilai batas signifikan (garis putus-putus) dari grafik

autocorrelation dan partial correlation tersebut adalah 0,1639 .

Sehingga dapat disimpulkan bahwa lag yang signifikan mempunyai nilai

autocorrelation (AC) dan partial correlation (PAC) yang lebih kecil dari

-0,1639 atau nilai autocorrelation (AC) dan partial correlation (PAC)

lebih besar dari 0,1639.

Berdasarkan grafik di atas, autocorrelation signifikan pada lag 1

dan lag 48, sedangkan partial correlation signifikan pada lag 1 dan lag

48. Karena dilakukan differencing musiman dan non musiman, maka

model awal SARIMA adalah SARIMA (1,1,1)(1,1,1)48.

4.1.4 Estimasi Parameter dari Model

 Berkaitan dengan kepentingan overfitting dari model awal di atas,

beberapa model yang mungkin dari data di atas adalah sebagai berikut :

1. SARIMA (1,1,1)(1,1,1)48C

2. SARIMA (1,1,0)(1,1,1)48C

3. SARIMA (0,1,1)(1,1,1)48C

4. SARIMA (1,1,1)(1,1,0)48C

5. SARIMA (1,1,0)(1,1,0)48C

6. SARIMA (0,1,1)(1,1,0)48C

7. SARIMA (1,1,1)(0,1,1)48C

8. SARIMA (1,1,0)(0,1,1)48C

9. SARIMA (0,1,1)(0,1,1)48C

10. SARIMA (1,1,1)(1,1,1)48

11. SARIMA (1,1,0)(1,1,1)48

12. SARIMA (0,1,1)(1,1,1)48

13. SARIMA (1,1,1)(1,1,0)48

14. SARIMA (1,1,0)(1,1,0)48

15. SARIMA (0,1,1)(1,1,0)48

16. SARIMA (1,1,1)(0,1,1)48

 17. SARIMA (1,1,0)(0,1,1)48

18. SARIMA (0,1,1)(0,1,1)48

Model SARIMA dengan penambahan C dibelakang model, merupakan

model SARIMA dengan penambahan variabel konstan. Sehingga, selain

terdapat variabel autoregressive dan moving average, juga akan

terdapat variabel konstan dalam model.

Kemudian akan dilakukan estimasi parameter-parameter dari model

di atas dengan metode least square. Output dari estimasi parameter ini

akan berupa nilai koefisien dari masing-masing variabel pada model

beserta probabilitas variabel tersebut. Nilai probabilitas dari

masing-masing variabel inilah yang akan menentukan apakah koefisien

dari variabel tersebut signifikan masuk dalam model atau tidak. Ketika

model yang mempunyai koefisien tidak signifikan digunakan untuk

peramalan, maka hasil peramalan akan mempunyai nilai error yang lebih

besar ketika dibandingkan dengan hasil peramalan yang menggunakan

model dengan semua koefisien dalam model merupakan koefisien yang

signifikan. Oleh karena itu, model yang akan masuk pada tahap

selanjutnya (lolos uji signifikansi parameter) adalah model yang

koefisien dari semua variabel dalam model tersebut dinyatakan signifikan

masuk dalam model.

Berikut adalah output dari estimasi parameter dengan metode

least square untuk model SARIMA (1,1,1)(1,1,1)48C (output model lain

dilampirkan).

Variabel Koefisien Probabilitas

C -0.000212 0.6460

AR(1) 0.197391 0.4698

SAR(48) -0.279850 0.0081

MA(1) -0.463310 0.0447

SMA(1) 0.886600 0.0000

Estimation Output Model SARIMA (1,1,1)(1,1,1)48C

Model dinyatakan lolos uji ketika semua nilai koefisien dari model

tersebut dinyatakan signifikan masuk dalam model. Koefisien tersebut

dinyatakan signifikan ketika nilai probabilitasnya lebih kecil dari (nilai

sama dengan 0.05).

Dilihat dari hasil estimasi parameter di atas, model SARIMA

(1,1,1)(1,1,1)48C dapat disimpulkan tidak lolos uji karena nilai probabilitas

variabel C dan AR(1) lebih besar dari 0.05. Cara yang sama juga

diterapkan untuk setiap model. Berikut ini merupakan ringkasan uji

signifikansi parameter.

Model Dengan konstan Tanpa konstan

SARIMA (1,1,1)(1,1,1)48 X X

SARIMA (1,1,0)(1,1,1)48 X

SARIMA (0,1,1)(1,1,1)48 X

SARIMA (1,1,1)(1,1,0)48 X X

SARIMA (1,1,0)(1,1,0)48 X

SARIMA (0,1,1)(1,1,0)48 X

SARIMA (1,1,1)(0,1,1)48 X X

SARIMA (1,1,0)(0,1,1)48 X

SARIMA (0,1,1)(0,1,1)48 X

Ringkasan uji signifikansi parameter

Keterangan :

X = model tidak lolos uji signifikansi parameter

= model lolos uji signifikansi parameter

4.1.5 Diagnostic Checking

Setelah mendapatkan model-model yang mempunyai koefisien yang

signifikan, langkah selanjutnya adalah diagnostic checking. Diagnostic

checking merupakan pengidentifikasian untuk menentukan model mana

yang paling cocok digunakan. Diagnostic checking ini meliputi :

1. No Autokorelasi Residual (independensi residual)

2. Homoskedastisitas (kesamaan variansi residual)

3. Kenormalan residual

Dari tabel ringkasan uji signifikansi parameter di atas, terdapat

6 model yang lolos uji dan layak untuk di jadikan pertimbangan sebagai

model untuk peramalan beban listrik. Model-model tersebut adalah

sebagai berikut :

1. SARIMA (1,1,0)(1,1,1)48

2. SARIMA (0,1,1)(1,1,1)48

3. SARIMA (1,1,0)(1,1,0)48

4. SARIMA (0,1,1)(1,1,0)48

5. SARIMA (1,1,0)(0,1,1)48

6. SARIMA (0,1,1)(0,1,1)48
Kemudian akan dilakukan diagnostic checking untuk keenam model di

atas. Berikut adalah contoh proses diagnostic checking untuk model

SARIMA (1,1,0)(1,1,1)48.

1. No Autokorelasi Residual

Uji no autokorelasi residual digunakan untuk menguji apakah

dalam sebuah model regresi terdapat korelasi antara kesalahan

(residual) pada satu pengamatan dengan pengamatan yang lain.

Persyaratan yang harus dipenuhi adalah tidak adanya autokorelasi

residual dalam model. Pengujian no autokorelasi residual dilakukan

dengan menggunakan fungsi correlogram Q-Statistics pada eviews 6.

Output dari correlogram Q-Statistics akan berupa grafik residual

autocorrelation dan grafik residual partial correlation. Cuplikan kedua

grafik tersebut adalah sebagai berikut (untuk gambar selengkapnya ada

pada lampiran).:
 Gambar Cuplikan Output Correlogram Q-Statistics

Model SARIMA (1,1,0)(1,1,1)48 lag 1-17

Suatu model SARIMA dinyatakan lolos uji no autokorelasi apabila

tidak ada nilai dari lag yang keluar batas pada grafik residual

autocorrelation dan residual partial correlation (nilai batas signifikan/

garis putus-putus adalah 0,2022 ). Dari hasil pengujian model SARIMA

(1,1,0)(1,1,1)48 , diketahui bahwa tidak ada lag yang keluar pada grafik

residual autocorrelation dan residual partial correlation, sehingga dapat

disimpulkan bahwa residual dari model SARIMA (1,1,0)(1,1,1)48 bersifat no

autokorelasi (model SARIMA (1,1,0)(1,1,1)48 lolos uji no autokorelasi

residual).
 2. Homoskedastisitas Residual

Pengjian homoskedastisitas residual digunakan untuk mengetahui

ada tidaknya ketidaksamaan varian dari residual (error) untuk semua

pengamatan pada model regresi. Model yang bersifat homoskedastisitas

residual merupakan model yang memiliki distribusi residual yang sama.

Pengujian homoskedastisitas residual dilakukan dengan menggunakan

fungsi correlogram of squared residuals pada eviews 6. Pada

correlogram of squared residuals akan terdapat grafik autocorrelation

dan partial correlation. Cuplikan kedua grafik tersebut adalah sebagai

berikut (untuk gambar selengkapnya ada pada lampiran) :

Gambar Cuplikan Correlogram of Squared Residuals

Model SARIMA (1,1,0)(1,1,1)48 lag 1-17

 Suatu model SARIMA dinyatakan lolos uji homoskedastisitas

apabila tidak ada nilai dari lag yang keluar batas pada grafik

autocorrelation dan partial correlation yang terdapat pada correlogram

of squared residuals (nilai batas signifikan/ garis putus-putus adalah

0,2022 ). Dari hasil pengujian model SARIMA (1,1,0)(1,1,1)48 , diketahui

bahwa terdapat beberapa lag yang nilainya melebihi batas (keluar

batas), diantaranya adalah pada grafik autocorrelation, lag 1 dan lag 9

keluar batas. Pada grafik partial correlation, lag 1 keluar batas.

Sehingga dapat disimpulkan bahwa residual dari model SARIMA

(1,1,0)(1,1,1)48 bersifat heteroskedastik (model SARIMA (1,1,0)(1,1,1)48

tidak lolos uji homoskedastisitas).

3. Normalitas Residual

Pengujian normalitas residual digunakan untuk mengetahui apakah

residual (error) yang terjadi berdistribusi normal atau tidak. Pengujian

normalitas residual dilakukan dengan cara inferensi (uji hipotesis) yaitu

dengan menggunkaan statistics Jarque Bera sebagai berikut.

 Gambar Histogram Normality Test Model SARIMA (1,1,0)(1,1,1)48

Suatu model SARIMA dinyatakan lolos uji hipotesis apabila nilai

probability lebih besar dari . Dimana nilai sama dengan 0.05. Dari

gambar di atas dapat terlihat bahwa nilai probability sama dengan

0.996180, sehingga dapat disimpulkan bahwa model SARIMA

(1,1,0)(1,1,1)48 lolos uji hipotesis (residual berdistribusi normal)

Cara yang sama juga diterapkan untuk setiap model, maka didapat

tabel ringkasan diagnostic checking seperti di bawah ini.

No
Homoskedastisi Normalitas
No Model Autokorelasi
tas Residual Residual
Residual

SARIMA Tidak Tidak terpenuhi Terpenuhi

1
(1,1,0)(1,1,1)48 terpenuhi

2 SARIMA Tidak Tidak terpenuhi Terpenuhi

 (0,1,1)(1,1,1)48 terpenuhi

SARIMA Tidak Terpenuhi Tidak

3
(1,1,0)(1,1,0)48 terpenuhi terpenuhi

SARIMA Tidak Terpenuhi Tidak

(0,1,1)(1,1,0)48 t terpenuhi

p
4
e

SARIMA Tidak Tidak terpenuhi Tidak

5
(1,1,0)(0,1,1)48 terpenuhi terpenuhi

SARIMA Tidak Tidak terpenuhi Tidak

6
(0,1,1)(0,1,1)48 terpenuhi terpenuhi

Tabel Ringkasan Diagnostic Checking

Model yang baik digunakan untuk peramalan adalah model yang

memenuhi (lolos uji) ketiga uji tersebut. Akan tetapi jika tidak ada

satupun model yang dapat memenuhi ketiga uji tersebut (hanya

terpenuhi satu atau dua), maka dipilih model yang paling banyak lolos

uji.
 Dari hasil diagnostic checking di atas, dapat terlihat bahwa model

SARIMA (1,1,0)(1,1,1)48 , (0,1,1)(1,1,1)48 , (1,1,0)(1,1,0)48 , dan

(0,1,1)(1,1,0)48 lolos satu uji dari tiga uji yang dilaksanakan. Sedangkan

untuk model SARIMA (1,1,0)(0,1,1)48 dan SARIMA (0,1,1)(0,1,1)48 tidak

lolos satu ujipun dari ketiga uji yang dilaksanakan. Sehingga model yang

masuk pada tahap selanjutnya adalah model SARIMA (1,1,0)(1,1,1)48 ,

(0,1,1)(1,1,1)48, (1,1,0)(1,1,0)48, dan (0,1,1)(1,1,0)48.

Karena terdapat beberapa model yang lolos satu uji dari tiga uji

yang dilaksanakan, maka untuk menemukan model yang cocok untuk

peramalan, dilakukan kriteria pemilihan model terbaik. Untuk

menentukan model terbaik dipilih model dengan nilai Sum Squared

Residual, Akaike Info Criterion, Schwartz Criterion yang paling kecil.

Nilai-nilai tersebut dapat diketahui dari hasil estimasi parameter

(seperti yang telah dilakukan sebelumnya). Adapun keriteria pemilihan

model terbaik dirangkum dalam tabel dibawah ini :

No Model AIC SBC SSR

1 SARIMA (1,1,0)(1,1,1)48 -7.536289 -7.455120 0.002754

2 SARIMA (0,1,1)(1,1,1)48 -7.547498 -7.466849 0.002754

 3 SARIMA (1,1,0)(1,1,0)48 -6.281673 -6.227560 0.009865

4 SARIMA (0,1,1)(1,1,0)48 -6.279499 -6.225734 0.009996

Tabel Ringkasan Pemilihan Model Terbaik

Keterangan :

SSR : Schwartz Criterion

AIC : Akaike Info Criterion

SSR : Sum Squared Residual

Seperti yang telah dijelaskan sebelumnya, untuk menentukan

model terbaik dipilih model dengan nilai Sum Squared Residual, Akaike

Info Criterion, Schwartz Criterion yang paling kecil. Model dengan nilai

Sum Squared Residual, Akaike Info Criterion, dan Schwartz Criterion

yang kecil akan menghasilkan nilai error yang kecil ketika model

tersebut digunakan untuk peramalan. Dari tabel di atas dapat

disimpulkan bahwa model SARIMA (0,1,1)(1,1,1)48 merupakan model

terbaik untuk peramalan beban listrik hari Senin, 23 April 2012.

4.1.6 Peramalan dan Perhitungan Kesalahan Peramalan

Berikut ini merupakan grafik hasil peramalan beban listrik hari

Senin, 23 April 2012 dengan menggunakan model SARIMA (0,1,1)(1,1,1)48

dibandingkan dengan data konsumsi beban listrik pada hari tersebut

(tabel beban listrik hasil peramalan dapat dilihat dalam lampiran).

3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
00.30 02.30 04.30 06.30 08.30 10.30 12.30 14.30 16.30 18.30 20.30 22.30

Grafik hasil peramalan beban listrik hari Senin, 23 April 2012

Dari grafik di atas dapat terlihat bahwa grafik hasil peramalan dengan

data konsumsi beban listrik hampir berimpit. Hal ini menunjukkan bahwa

hasil peramalan telah mendekati besarnya beban listrik dari hari yang

diramalkan. Dengan perhitungan error menggunakan metode Mean

Absolute Percentage Error (MAPE), diperoleh besarnya error adalah

1.308 %.

Untuk selanjutnya, akan diramalkan beban listrik hari minggu

tanggal 29 April 2012 yang akan mewakili beban listrik pada hari libur
akhir pekan. Data beban listrik yang diperlukan untuk peramalan kali ini

adalah data beban listrik hari Minggu, tanggal 1 April 2012, 8 April

2012, 15 April 2012, dan 22 April 2012. Dengan langkah-langkah yang

sama dengan peramalan yang telah dilakukan sebelumnya, diperoleh

model untuk meramalkan beban listrik hari Minggu, 29 April 2012 yaitu

SARIMA (0,1,0)(0,1,1)48.

Berikut ini merupakan grafik hasil peramalan beban listrik hari

Minggu, 29 April 2012 dengan menggunakan model SARIMA

(0,1,0)(0,1,1)48 dibandingkan dengan data aktual konsumsi beban listrik

pada hari tersebut (tabel beban listrik hasil peramalan dapat dilihat

dalam lampiran).

3000

2500

2000
Beban listrik (MW)

1500
Peramalan
Data aktual

1000

500

0
22.30
23.30
16.30
17.30
18.30
19.30
20.30
21.30
09.30
10.30
11.30
12.30
13.30
14.30
15.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30
07.30
08.30
 Grafik hasil peramalan beban listrik hari Minggu, 29 April 2012

Dari grafik di atas dapat terlihat bahwa grafik hasil peramalan dengan

data aktual konsumsi beban listrik berimpit. Hal ini menunjukkan bahwa

hasil peramalan hampir sama dengan data aktual beban listrik pada hari

tersebut. Pernyataan tersebut didukung dengan hasil perhitungan nilai

error. Dengan perhitungan nilai error menggunakan metode Mean

Absolute Percentage Error (MAPE), diperoleh besarnya error adalah

0.668 %.

4.2 Pengaruh Banyak Data Terhadap Hasil Peramalan

Pada peramalan yang telah dilakukan sebelumnya, data acuan yang

digunakan untuk membuat model SARIMA adalah data beban listrik pada

hari yang sama selama empat minggu yang lalu (empat periode musiman).

Data beban listrik dalam satu hari diambil setiap 30 menit. Maka dalam

satu hari ada 48 data. Sehingga banyaknya data acuan adalah 192 data

(data beban listrik setiap 30 menit selama empat hari).

Banyaknya data acuan ini akan dapat mempengaruhi model SARIMA

yang terbentuk, sehingga akan mempengaruhi hasil peramalannya.

Berikut ini akan dilakukan peramalan beban listrik hari Senin, 23 April

2012 dengan menggunakan data acuan adalah data beban listrik pada

hari yang sama (hari Senin) selama tiga minggu sebelumnya (tiga

periode musiman/ 144 data), empat minggu sebelumnya (empat periode

musiman/ 192 data), lima minggu sebelumnya (lima periode musiman/ 240

data), dan enam minggu sebelumnya (enam periode musiman/ 288 data).

Dari hasil peramalan dan perhitungan nilai error akan dapat diketahui

berapakah banyaknya data acuan yang paling tepat (menghasilkan nilai

error paling kecil) untuk membuat model SARIMA yang akan digunakan

untuk peramalan beban listrik.

4.2.1 Peramalan dengan data acuan sebanyak tiga periode musiman/ 144

data

Pada peramalan beban listrik kali ini akan digunakan data acuan

tiga periode musiman/ 144 data (data beban listrik pada hari yang sama

selama tiga minggu sebelumnya). Beban listrik yang akan diramalkan

adalah beban listrik hari Senin, 23 April 2012, sehingga data beban

listrik yang diperlukan adalah data beban listrik pada hari Senin,
tanggal 2 April 2012, 9 April 2012, dan 16 April 2012. Sesuai

langkah-langkah seperti yang sudah dilakukan pada pembahasan

sebelumnya, didapat model untuk meramalkan beban listrik hari Senin, 23

April 2012 yaitu SARIMA (0,1,1)(0,1,0)48 . Berikut ini merupakan grafik

perbandingan antara hasil peramalan dan data aktual beban listrik pada

hari tersebut (tabel beban listrik hasil peramalan dapat dilihat dalam

lampiran).

3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
19.30
20.30
21.30
22.30
23.30
12.30
13.30
14.30
15.30
16.30
17.30
18.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30
07.30
08.30
09.30
10.30
11.30

Grafik hasil peramalan beban listrik hari Senin, 23 April 2012 dengan data acuan tiga

periode musiman/ 144 data

Dari perhitungan nilai error menggunakan metode Mean Absolute

Percentage Error (MAPE), diperoleh nilai error sebesar 1.745 %.

4.2.2 Peramalan dengan data acuan sebanyak empat periode musiman/

192 data

Pada peramalan beban listrik kali ini akan digunakan data acuan

empat periode musiman/ 192 data (data beban listrik pada hari yang

sama selama empat minggu sebelumnya). Beban listrik yang akan

diramalkan adalah beban listrik hari Senin, 23 April 2012, sehingga data

beban listrik yang diperlukan adalah data beban listrik pada hari Senin,

tanggal 26 Maret 2012, 2 April 2012, 9 April 2012, dan 16 April 2012.

Sesuai hasil yang diperoleh pada sub bab sebelumnya, model SARIMA

untuk meramalkan beban listrik hari Senin, 23 April 2012 yaitu SARIMA

(0,1,1)(1,1,1)48 . Berikut ini merupakan grafik perbandingan antara hasil

peramalan dan data aktual beban listrik pada hari tersebut (tabel beban

listrik hasil peramalan dapat dilihat dalam lampiran).

 3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00
Data aktual

1000.00

500.00

0.00
00.30 02.30 04.30 06.30 08.30 10.30 12.30 14.30 16.30 18.30 20.30 22.30

Grafik hasil peramalan beban listrik hari Senin, 23 April 2012 dengan data acuan empat

periode musiman/ 192 data

Dari perhitungan nilai error menggunakan metode Mean Absolute

Percentage Error (MAPE), diperoleh nilai error sebesar 1.308 %.

4.2.3 Peramalan dengan data acuan sebanyak lima periode musiman/ 240

data

Pada peramalan beban listrik kali ini akan digunakan data acuan

lima periode musiman/ 240 data (data beban listrik pada hari yang sama

selama lima minggu sebelumnya). Beban listrik yang akan diramalkan

adalah beban listrik hari Senin, 23 April 2012, sehingga data beban

listrik yang diperlukan adalah data beban listrik pada hari Senin,
tanggal 19 Maret 2012, 26 Maret 2012, 2 April 2012, 9 April 2012, dan

16 April 2012.

Sesuai langkah-langkah seperti yang sudah dilakukan pada

pembahasan sebelumnya, didapat model untuk meramalkan beban listrik

hari Senin, 23 April 2012 yaitu SARIMA (0,1,0)(0,1,1)48 . Berikut ini

merupakan grafik perbandingan antara hasil peramalan dan data aktual

beban listrik pada hari tersebut (tabel beban listrik hasil peramalan

dapat dilihat dalam lampiran).

3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
00.30 02.30 04.30 06.30 08.30 10.30 12.30 14.30 16.30 18.30 20.30 22.30

Grafik hasil peramalan beban listrik hari Senin, 23 April 2012 dengan data acuan lima

periode musiman/ 240 data

Dari perhitungan nilai error menggunakan metode Mean Absolute

Percentage Error (MAPE), diperoleh nilai error sebesar 1.547 %.

4.2.4 Peramalan dengan data acuan sebanyak enam periode musiman/

288 data

Pada peramalan beban listrik kali ini akan digunakan data acuan

enam periode musiman/ 288 data (data beban listrik pada hari yang

sama selama enam minggu sebelumnya). Beban listrik yang akan

diramalkan adalah beban listrik hari Senin, 23 April 2012, sehingga data

beban listrik yang diperlukan adalah data beban listrik pada hari Senin,

tanggal 12 Maret 2012, 19 Maret 2012, 26 Maret 2012, 2 April 2012, 9

April 2012, dan 16 April 2012. Sesuai langkah-langkah seperti yang

sudah dilakukan pada pembahasan sebelumnya, didapat model untuk

meramalkan beban listrik hari Senin, 23 April 2012 yaitu SARIMA

(0,1,0)(1,1,1)48 . Berikut ini merupakan grafik perbandingan antara hasil

peramalan dan data aktual beban listrik pada hari tersebut (tabel beban

listrik hasil peramalan dapat dilihat dalam lampiran).

 3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
00.30 02.30 04.30 06.30 08.30 10.30 12.30 14.30 16.30 18.30 20.30 22.30

Grafik hasil peramalan beban listrik hari Senin, 23 April 2012 dengan data acuan enam

periode musiman/ 288 data

Dari perhitungan nilai error menggunakan metode Mean Absolute

Percentage Error (MAPE), diperoleh nilai error sebesar 1.736 %.

Dari hasil perhitungan nilai error dari keempat peramalan beban

listrik yang telah dilakukan, dapat terlihat bahwa nilai error hasil

peramalan yang paling kecil diperoleh dari peramalan menggunakan data

acuan sebanyak empat periode musiman/ 192 data yaitu sebesar 1.308 %

(perhitungan nilai error menggunakan metode MAPE). Berikut ini grafik

nilai error dari keempat peramalan beban listrik yang telah dilakukan.
 1.8

1.6

1.4

1.2
Nilai error (%)

0.8

0.6

0.4

0.2

0
144 Data 192 Data 240 Data 288 Data

Grafik nilai error dengan perhitungan nilai error menggunakan metode MAPE

Dari grafik di atas dapat terlihat bahwa terjadi tren naik pada

nilai error hasil peramalan saat data acuan yang digunakan semakin

banyak. Semakin banyak data yang digunakan, nilai error juga akan

semakin besar, tetapi ketika data yang digunakan kurang dari 192 data,

nilai error hasil peramalan juga akan lebih besar jika dibandingkan

ketika menggunakan data acuan sebanyak 192 data. Sehingga dapat

disimpulkan bahwa banyaknya data acuan yang paling cocok digunakan

untuk membuat model SARIMA yang akan untuk meramalkan beban listrik

adalah sebanyak 192 data (data beban listrik hari yang sama selama

empat minggu sebelumnya).

4.3 Peramalan Beban Listrik Hari Khusus

Beban listrik memiliki karakteristik permintaan yang berbeda-beda

di setiap jamnya dan masing-masing hari pun memiliki karakteristik

grafik beban yang berbeda-beda. Untuk daerah Jawa Tengah dan DIY,

pola yang paling mendekati cocok menggambarkan konsumsi listrik

mereka adalah pola musiman karena adanya pola kebiasaan atau

kebutuhan dari konsumen dalam satu periode yang sama. Berikut ini

merupaka contoh grafik konsumsi beban listrk pada hari biasa, hari raya

Idul Fitri, dan hari libur nasional (tahun baru).

3,500.00

3,000.00

2,500.00
Beban listrik (MW)

2,000.00
Tahun baru
Hari biasa
1,500.00
Idul fitri

1,000.00

500.00

0.00
00.30 02.30 04.30 06.30 08.30 10.30 12.30 14.30 16.30 18.30 20.30 22.30

Grafik beban listrik untuk wilayah Jawa Tengah dan DIY pada hari biasa, Idul Fitri,

dan tahun baru

 Dari grafik di atas dapat terlihat perbedaan pola beban listrik

dari ketiga jenis hari tersebut. Perbedaan ini akan menyebabkan

kesalahan hasil peramalan beban bertambah ketika model peramalan

untuk meramalkan konsumsi listrik pada hari biasa digunakan untuk

meramalkan besarnya konsumsi listrik pada hari khusus tersebut

ataupun sebaliknya. Oleh karena itu, untuk meramalkan beban listrik

pada jenis hari yang berbeda, maka harus digunakan model SARIMA yang

berbeda, sesuai dengan karakteristik (pola musiman) pada hari tersebut.

Untuk meramalkan beban listrik pada hari khusus dimana hari

tersebut hanya terjadi setahun sekali, maka data yang digunakan dalam

menyusun model SARIMA untuk hari tersebut adalah data beban listrik

pada hari khusus tersebut pada tahun sebelumnya selama empat tahun

berturut-turut.

Sebagai contoh, untuk meramalkan beban listrik pada hari raya

idul fitri, 19 Agustus 2012, data yang digunakan adalah data konsumsi

beban listrik pada hari raya idul fitri tahun 2008 (29 September 2008),

hari raya idul fitri tahun 2009 (20 September 2009), hari raya idul fitri

tahun 2010 (10 September 2010), dan hari raya idul fitri tahun 2011 (30
Agustus 2011). Hal ini bertujuan untuk mendapatkan data beban listrik

yang karakteristiknya (pola musimannya) sesuai dengan beban listrik

pada hari yang akan diramalkan.

Berikut ini grafik data beban listrik dari tanggal-tanggal tersebut

yang telah disusun berdasarkan urutan waktu.

2,500.00

2,000.00
Beban listrik (MW)

1,500.00

1,000.00

500.00

0.00
1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 145 153 161 169 177 185

Grafik beban listrik hari raya Idul Fitri tahun 2008 sampai 2011 berdasarkan urutan

waktu

Sesuai langkah-langkah seperti yang sudah dilakukan pada

pembahasan sebelumnya, didapat model untuk meramalkan beban listrik

pada hari raya idul fitri tahun 2012 (19 Agustus 2012) yaitu SARIMA

(1,1,2)(2,1,0)48C. Berikut ini merupakan grafik perbandingan antara hasil

peramalan beban listrik dan data aktual beban listrik pada hari raya idul
fitri tahun 2012 .

3000

2500
Beban listrik (MW)

2000

1500
Peramalan
Data aktual
1000

500

21.30
22.30
23.30
15.30
16.30
17.30
18.30
19.30
20.30
09.30
10.30
11.30
12.30
13.30
14.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30
07.30
08.30

Grafik hasil peramalan beban listrik hari raya Idul Fitri tahun 2012 (19 Agustus 2012)

Dari perhitungan nilai error menggunakan metode Mean Absolute

Percentage Error (MAPE), diperoleh nilai error sebesar 5.422 %. Nilai

error tersebut tergolong besar jika dibandingkan dengan nilai error dari

perhitungan sebelumnya (pada peramalan beban listrik hari senin, 23

April 2012 yaitu 1.30 %). Hal itu dapat disebabkan karena grafik data

beban listrik yang digunakan untuk membentuk model peramalan SARIMA

tidak begitu bagus. Tren yang terjadi tidak stabil (turun lalu naik).

Berikut ini merupakan grafik perbandingan data beban listrik pada hari

raya idul fitri tahun 2008 sampai 2011.

 2,500.00

2,000.00
Beban listrik (MW)

1,500.00

2008
2009
2010
1,000.00
2011

500.00

0.00

22.30
23.30
17.30
18.30
19.30
20.30
21.30
11.30
12.30
13.30
14.30
15.30
16.30
06.30
07.30
08.30
09.30
10.30
00.30
01.30
02.30
03.30
04.30
05.30

Grafik beban listrik hari raya Idul Fitri tahun 2008 sampai 2011

Dari grafik di atas dapat terlihat bahwa grafik beban listrik hari

raya idul fitri tahun 2008 sebagian besar berada di atas grafik beban

listrik hari raya idul fitri tahun 2009 dan 2010. Hal ini dapat diartikan

bahwa sebagian besar nilai beban listrik hari raya idul fitri tahun 2008

lebih besar dari nilai beban listrik hari raya idul fitri tahun 2009 dan

2010. Hal tersebut akan mengganggu perhitungan tren pada pemodelan

SARIMA dan akan memperbesar nilai error.

Selain karakteristik beban listrik pada hari raya idul fitri, juga

akan diramalkan beban listrik pada hari khusus lainnya, yaitu tahun
baru 2012 (1 Januari 2012). Oleh karena itu data beban listrik yang

dibutuhkan adalah beban listrik tanggal 1 Januari tahun 2008, 2009,

2010, dan 2011.

Berikut ini grafik data beban listrik dari tanggal-tanggal tersebut

yang telah disusun berdasarkan urutan waktu.

2,500.00

2,000.00
Beban listrik (MW)

1,500.00

1,000.00

500.00

0.00
16.30
20.30
16.30
20.30
00.30
04.30
08.30
12.30
16.30
20.30
00.30
04.30
08.30
12.30
00.30
04.30
08.30
12.30
16.30
20.30
00.30
04.30
08.30
12.30

Grafik beban listrik hari tahun baru (1 Januari) 2008 sampai 2011 berdasarkan

urutan waktu

Sesuai langkah-langkah seperti yang sudah dilakukan pada

pembahasan sebelumnya, didapat model untuk meramalkan beban listrik

pada tahun baru, 1 Januari 2012 yaitu SARIMA (0,1,0)(1,1,0)48 . Berikut

ini merupakan grafik perbandingan antara hasil peramalan beban listrik

dan data aktual beban listrik tanggal 1 Januari 2012 (tabel beban listrik
hasil peramalan dapat dilihat dalam lampiran).

3000

2500
Beban listrik (MW)

2000

1500
Peramalan
Data aktual
1000

500

22.30
23.30
16.30
17.30
18.30
19.30
20.30
21.30
10.30
11.30
12.30
13.30
14.30
15.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30
07.30
08.30
09.30

Grafik hasil peramalan beban listrik hari tahun baru 2012 (1 Januari 2012)

Dari perhitungan nilai error menggunakan metode Mean Absolute

Percentage Error (MAPE), diperoleh nilai error sebesar 5.752 %. Pada

peramalan beban listrik hari raya idul fitri tahun 2012 dan tahun baru

2012 diperoleh hasil yang kurang bagus, nilai error yang dihasilkan

keduanya lebih dari 5 %. Nilai error tersebut jauh lebih besar jika

dibandingkan dengan error hasil peramalan hari biasa (Senin, 23 April

2012). Hal ini dapat disebabkan oleh kegiatan yang dilaksanakan pada

hari khusus tersebut dari tahun ketahun mengalami perubahan. Pada

hari-hari itu, aktifitas manusia tidak dapat diprediksi, berbeda dengan

aktifitas manusia pada hari kerja. Pada hari kerja, aktifitas manusia
cenderung monoton. Perubahan aktifitas yang dilakukan ini akan

berpengaruh pada besarnya konsumsi listrik.

4.4 Peramalan Hari Yang Sama Pada Minggu-minggu Berikutnya

Pada sub bab ini akan diketahui apakah model SARIMA yang dibuat

untuk meramalkan besarnya beban listrik pada suatu hari diminggu ini

dapat digunakan untuk meramalkan beban listrik dihari yang sama pada

minggu-minggu selanjutnya atau tidak. Dan ketika dapat digunakan

untuk meramalkan beban listrik pada minggu-minggu berikutnya, sampai

berapa minggu ke depan model tersebut dapat digunakan.

Setiap tahunnya terjadi tren kenaikan beban listrik. Pada beban

harian, kenaikan beban listrik tidak terlihat. Akan tetapi ditinjau dari

pemakaian energi listrik setiap harinya, konsumsi energi listrik yang

dilakukan oleh konsumen tidak selalu mengalami kenaikan. Terkadang

juga terjadi penurunan konsumsi besarnya beban listrik dari hari

sebelumnya. Sehingga dapat dikatakan bahwa dari hari ke hari besarnya

beban listrik tidak selalu meningkat. Besarnya beban listrik suatu hari

pada minggu ini belum tentu lebih kecil dari hari yang sama pada
minggu-minggu berikutnya. Dan ketika terjadi tren naik, maka besarnya

kenaikan beban listrik tersebut akan berbeda-beda dari hari ke hari.

Data beban listrik yang digunakan untuk pembentukan model

SARIMA cenderung memiliki tren naik, sehingga ketika model SARIMA

yang terbentuk digunakan untuk peramalan beban listrik, maka nilai

beban listrik hasil peramalan (pada jam yang sama) akan cenderung lebih

besar dari beban listrik dari data yang digunakan. Hal ini dapat

diartikan bahwa beban listrik diasumsikan nilainya terus naik dari hari

ke hari. Sehingga model SARIMA untuk peramalan suatu hari pada

minggu ini belum tentu akan cocok untuk meramalkan besarnya beban

listrik hari yang sama pada minggu-minggu berikutnya.

Sebagai contoh adalah model SARIMA (0,1,1)(1,1,1)48 yang

merupakan model SARIMA yang paling tepat digunakan untuk

meramalkan besarnya beban listrik hari Senin, 23 April 2012 akan

digunakan untuk meramalkan besarnya beban listrik pada hari Senin

tanggal 30 April 2012, 7 Mei 2012, 14 Mei 2012, 21 Mei 2012 dan 28 Mei

2012 tanpa mengubah data acuannya (data acuan yang digunakan untuk

peramalan tetap menggunakan data beban listrik hari Senin tanggal 26

Maret 2012, 2 April 2012, 9 April 2012, dan 16 April 2012).

Berikut ini merupakan grafik perbandingan antara hasil peramalan

dengan data aktual konsumsi beban listrik (tabel beban listrik hasil

peramalan dapat dilihat dalam lampiran) dan hasil perhitungan nilai error

menggunakan metode MAPE pada tanggal-tanggal yang telah disebutkan

sebelumnya.

1. Hari Senin, 30 April 2012

3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
13.30
14.30
15.30
16.30
17.30
18.30
19.30
20.30
21.30
22.30
23.30
07.30
08.30
09.30
10.30
11.30
12.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30

Grafik hasil peramalan beban listrik hari Senin, 30 April 2012

Nilai error dari peramalan beban listrik ini adalah 3.314 %.

2. Hari Senin, 7 Mei 2012

 3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00
Data aktual

1000.00

500.00

0.00

15.30
16.30
17.30
18.30
19.30
20.30
21.30
22.30
23.30
06.30
07.30
08.30
09.30
10.30
11.30
12.30
13.30
14.30
00.30
01.30
02.30
03.30
04.30
05.30

Grafik hasil peramalan beban listrik hari Senin, 7 Mei 2012

Nilai error dari peramalan beban listrik ini adalah 4.677 %.

3. Hari Senin, 14 Mei 2012

3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
23.30
14.30
15.30
16.30
17.30
18.30
19.30
20.30
21.30
22.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30
07.30
08.30
09.30
10.30
11.30
12.30
13.30

Grafik hasil peramalan beban listrik hari Senin, 14 Mei 2012

Nilai error dari peramalan beban listrik ini adalah 4.426 %.

4. Hari Senin, 21 Mei 2012

3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
15.30
16.30
17.30
18.30
19.30
20.30
21.30
22.30
23.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30
07.30
08.30
09.30
10.30
11.30
12.30
13.30
14.30

Grafik hasil peramalan beban listrik hari Senin, 21 Mei 2012

Nilai error dari peramalan beban listrik ini adalah 4.813 %.

5. Hari Senin, 28 Mei 2012

 3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00

Peramalan
1500.00 Data aktual

1000.00

500.00

0.00
00.30 02.30 04.30 06.30 08.30 10.30 12.30 14.30 16.30 18.30 20.30 22.30

Grafik hasil peramalan beban listrik hari Senin, 28 Mei 2012

Nilai error dari peramalan beban listrik ini adalah 6.203 %.

Berikut ini merupakan grafik nilai error hasil peramalan hari

Senin, dari tanggal 30 April 2012 sampai 28 Mei 2012.

7.00000

6.00000

5.00000
Nilai error (%)

4.00000

3.00000

2.00000

1.00000

0.00000
30/4/2012 7/5/2012 14/5/2012 21/5/2012 28/5/2012
Grafik nilai error hasil peramalan hari Senin, dari tanggal 30 April 2012 sampai 28 Mei

2012

Dari grafik nilai error di atas dapat terlihat bahwa semakin

bertambahnya waktu, nilai error cenderung meningkat (hanya pada

tanggal 14 Mei 2012 saja yang nilai error-nya lebih kecil dari minggu

sebelumnya atau tanggal 7 Mei 2012). Sehingga dapat disimpulkan

bahwa suatu model SARIMA yang dibuat untuk meramalkan beban listrik

pada suatu hari diminggu ini tidak cocok digunakan untuk meramalkan

besarnya beban listrik untuk hari yang sama pada minggu-minggu

berikutnya.

Seperti yang telah dibahas sebelumnya, konsumsi energi listrik

yang dilakukan oleh konsumen tidak selalu mengalami kenaikan. Dan

ketika terjadi tren naik, maka besarnya kenaikan beban listrik tersebut

akan berbeda-beda dari hari ke hari. Sehingga untuk meramalkan beban

listrik pada hari yang sama di minggu berikunya, harus dibuat lagi model

SARIMA yang baru.

4.5 Perbandingan Metode SARIMA Dengan Koefisien

Dari hasil peramalan beban listrik harian menggunakan metode

Seasonal Autoregressive Integrated Moving Average (SARIMA) diperoleh

nilai MAPE yang relative kecil. Akan tetapi hal itu dirasa belum cukup

untuk dapat menggambarkan apakah metode SARIMA layak untuk

dijadikan metode peramalan beban listrik oleh perusahaan penyedia

tenaga listrik seperti PLN. Hal tersebut dikarenakan tidak ada batasan

yang pasti berapakan nilai MAPE (nilai error) maksimal yang masih

masuk dalam kategori bagus (masuk kategori hasil peramalan itu telah

akurat). Oleh karena itu, akan dilakukan peramalan beban listrik (pada

hari yang sama dengan yang diramalkan sebelumnya dengan metode

SARIMA) menggunakan metode koefisien. Metode koefisien merupakan

metode peramalan beban listrik yang digunakan oleh PLN. Dari

perbandingan kedua hasil peramalan, akan dapat diketahui apakah

metode SARIMA layak untuk dijadikan metode peramalan beban listrik

oleh PLN (sebagai perusahaan penyedia tenaga listrik di Indonesia) atau

tidak.

4.5.1 Metode Koefisien

Berikut ini merupakan langkah-langkah untuk meramalkan beban

listrik hari biasa (hari kerja dan akhir pekan) dengan metode koefisien

(metode peramalan beban listrik yang digunakan oleh PLN) :

1. Data acuan yang dipakai merupakan data aktual beban listrik pada

hari yang sama selama minimal enam minggu sebelumnya (realisasi

beban sistem pada hari yang sama minimal 6 hari).

2. Dari data yang ada, diambil beban puncaknya. Ada dua jenis beban

puncak, yaitu beban puncak siang (pukul 08.00 15.00) dan beban

puncak malam (pukul 15.30 07.30)

3. Dari data beban sistem per setengah jam dibagi beban puncak

sistem (siang atau malam). Hasil bagi tersebut merupakan

koefisien () untuk menentukan langgam beban tiap hari yang

direncanakan

Beban pada jam yang dibuat koefisien

= (4.1)
Beban puncak siang atau malam

Kemudian hitung rata-rata koefisien beban (r) untuk masing

masing data beban.

4. Dari data beban puncak, dihitung presentasi kenaikan terhadap 2

hari yang lalu. Persentase kenaikan beban puncak dihitung dengan

menggunakan persamaan :
 BP -BPL
PK = x100% (4.2)
BPL

Keterangan :

PK adalah Presentasi Kenaikan

BP adalah Realisasi Beban Puncak Sistem

BPL adalah Beban Puncak Sistem 2 hari yang lalu

Setelah diperoleh presentasi kenaikan dari masing-masing hari

(ada 6 hari), kemudian dihitung rata-ratanya (PKr)

5. Dari beban kemarin ditambah beban kemarin dikalikan presentasi

kenaikan beban rata-rata adalah beban puncak sistem yang

direncanakan (untuk beban puncak sistem siang dan malam),

sehingga dapat dibuat persamaan perhitungan seperti dibawah ini

Bp(H +1) =Bp(H -1) +C (4.3)

Keterangan :

Bp(H +1) adalah Beban Puncak Sistem hari yang akan direncanakan

Bp(H -1) adalah Beban Puncak Sistem hari kemarin

C adalah Beban Puncak Sistem kemarin Bp(H -1) dikalikan

 presentasi kenaikan ( PKr )

6. Beban puncak sistem siang dan malam dikalikan koefisien

masing-masing per setengah jam adalah beban sehari penuh

B =r x (Bp(H +1) ) (4.4)

Keterangan :

B adalah beban listrik pada jam tertentu

r adalah ratarata koefisien beban pada jam tersebut

Bp(H +1) adalah beban puncak sistem hari yang akan direncanakan

7. Aktif mengikuti berita, terutama yang menyangkut perubahan

acara TV pada siang hari atau dini hari

8. Aktif mengamati perubahan cuaca, letak matahari pagi petang

pada bulan-bulan tertentu ada pergeseran.

4.5.2 Peramalan Beban Harian

Beban hari yang akan direncanakan adalah hari Senin, 23 April

2012, berikut ini merupakan langkah-langkah untuk melakukan prakiraan

beban harian :
 1. Mengumpulkan realisasi beban sistem pada hari yang sama, minimal

6 hari.

Kode Hari Hari Tanggal

K1 Senin 12-Mar-12
2. Dari data yang ada
K2 Senin 19-Mar-12
diambil beban
K3 Senin 26-Mar-12

puncak K4 Senin 2-Apr-12

siang

(pukul K5 Senin 9-Apr-12 08.00

15.00) dan K6 Senin 16-Apr-12 beban

puncak malam (pukul 15.30 07.30), sebagai contoh hanya diambil

dari pukul 00.30 sampai 02.30.

Kode Waktu per jam

Tanggal BP Malam BP Siang
Hari 00.30 1.00 01.30 2.00 02.30

12-Mar-1 1,944.6 1,923.6 1,882.7 1,855.8 1,839.1

K1
2 2,987.65 2,307.83 9 9 4 6 2

19-Mar-1 1,935.2 1,913.1 1,897.6 1,860.2 1,854.3

K2
2 2,885.70 2,293.67 6 4 8 7 8

26-Mar-1 1,987.4 1,939.6 1,906.5 1,887.4 1,898.9

K3
2 2,850.62 2,386.10 8 8 1 8 1

K4 2-Apr-12 2,935.92 2,317.36 1,950.4 1,920.9 1,896.7 1,881.6 1,844.1

 7 4 2 9 3

1,933.9 1,915.2 1,899.8 1,886.2 1,866.7

K5
9-Apr-12 3,014.08 2,322.11 7 9 1 4 6

2,070.3 2,018.8 1,989.6 1,985.6 1,962.2

K6 16-Apr-12
3,015.41 2,423.59 3 5 8 8 0

3. Dari data beban sistem per setengah jam dibagi beban puncak

sistem (siang atau malam), dibuat koefisien () untuk menentukan

langgam beban tiap hari yang direncanakan (menggunakan

persamaan 4.1). Kemudian hitung rata-rata koefisien beban ( r )

untuk masing-masing data beban.

Kode Waktu per jam

Tanggal
Hari 00.30 1.00 01.30 2.00 02.30

12-Mar-1
K1
2 0.651 0.644 0.630 0.621 0.616

19-Mar-1
K2
2 0.671 0.663 0.658 0.645 0.643

26-Mar-1
K3
2 0.697 0.680 0.669 0.662 0.666

K4 2-Apr-12 0.664 0.654 0.646 0.641 0.628

 K5 9-Apr-12 0.642 0.635 0.630 0.626 0.619

K6 16-Apr-12 0.687 0.670 0.660 0.659 0.651

rata-rata (r) 0.669 0.658 0.649 0.642 0.637

Untuk jam yang tidak terdapat koefisien beban bernilai satu pada

hari K1, K2 sampai K6, maka rata-rata koefisien bebannya

dihitung menggunakan persamaan yang lazim digunakan. Berikut

ini merupakan contoh perhitungan rata-rata koefisien beban yang

tidak terdapat koefisien beban bernilai satu pada hari K1, K2

sampai K6 :

Misal rata rata untuk jam 00.30

0,651 +0,671 +0,697 +0,664 +0,642 +0,687

r = =0,669
6

Sedangkan untuk jam yang terdapat koefisien beban bernilai satu

(baik pada K1, K2, sampai K6), perhitungan rata-rata koefisien

bebannya akan dijelaskan pada langkah selanjutnya.

4. Langkah-langkah untuk mendapatkan rata-rata koefisien beban

pada jam yang terdapat koefisien beban yang bernilai satu adalah

sebagai berikut :
Setelah mendapatkan tabel koefisien beban seperti tabel di atas

(tabel koefisien beban yang lengkap ada pada lampiran), maka

akan dijumpai dua buah koefisien beban yang bernilai satu pada

setiap harinya. Nilai koefisien beban sama dengan satu

menandakan pada jam tersebutlah beban puncak pada hari itu

terjadi. Terdapat dua buah nilai satu karena beban puncak setiap

harinya dibedakan menjadi dua, yaitu beban puncak siang dan

beban puncak malam. Waktu terjadinya beban puncak pada setiap

harinya tidak pasti sama, oleh karena itu koefisien beban yang

bernilai satu pada hari K1, K2, sampai K6 dapat terjadi pada jam

yang berbeda (tetapi akan cenderung terjadi pada jam yang

sama).

1. Setelah kita mendapatkan tabel koefisien beban, langkah

selanjutnya adalah melihat pada jam berapakan koefisien beban

bernilai satu tersebut sering muncul.

 Koefisien Beban Untuk Waktu Beban Puncak Siang

Koefisien Beban Untuk Waktu Beban Puncak Malam

Pada contoh perhitungan kali ini, nilai koefisien beban sama

dengan satu untuk beban puncak siang semuanya terjadi pada

jam 13.30 dan untuk beban puncak malam lebih sering terjadi

pada jam 19.00 (yaitu pada hari K2, K4, K5, dan K6). Untuk

beban puncak malam, pada hari K1 terdapat koefisien beban

bernilai satu pada jam 19.30 dan pada jam 18.30 untuk hari

K3.

2. Pada jam yang koefisien bebannya sering muncul nilai satu

(atau bahkan semua koefisien beban di keenam harinya bernilai

satu), maka rata-rata koefisien bebannya dianggap bernilai

satu (karena pada contoh kali ini koefisien beban bernilai satu

sering muncul pada jam 19.00 untuk beban puncak malam dan

jam 13.30 untuk beban puncak siang, maka pada jam tersebut
 rata-rata koefisien bebannya bernilai satu).

3. Untuk koefisien beban bernilai satu pada jam yang lainnya,

koefisien beban tersebut dianggap tidak ada, sehingga

rata-rata pada jam tersebut merupakan nilai rata-rata dari

koefisien beban selain yang bernilai satu. Sebagai contohnya

adalah pada jam 18.30. Pada jam tersebut koefisien beban

bernilai satu hanya ada pada hari K3, maka nilai rata-rata

koefisien beban pada jam 18.30 merupakan nilai rata-rata

koefisien beban pada hari K1, K2, K4, K5, dan K6 sesuai

perhitungan dibawah ini :

0,985 +0,988 +0,991 +0,990 +0,999

r = =0,991
5

5. Persentase kenaikan beban puncak dihitung dengan menggunakan

persamaan 4.2. Kemudian hitung rata-rata persentase kenaikan

beban (PKr) untuk masing-masing data beban.

Presentasi Kenaikan Beban Puncak

Tanggal BP Malam BP Siang

12-Mar-12 - -
 19-Mar-12 -2.73 -0.21

26-Mar-12 -3.08 2.44

2-Apr-12 0.14 -1.59

9-Apr-12 4.55 1.74

16-Apr-12 -0.42 1.14

Rata-rata -0.31 0.70

6. Dari beban kemarin ditambah beban kemarin dikalikan presentasi

kenaikan beban rata-rata adalah beban puncak sistem yang

direncanakan (menggunakan persamaan 4.3). Berikut ini tabel

hasil perhitungan beban puncak sistem yang direncanakan.

Beban Puncak yang di rencanakan

BP Malam BP Siang

3092.1 2508.9

7. Beban puncak sistem siang dan malam dikalikan koefisien

masing-masing per setengah jam adalah beban sehari penuh

(menggunakan persamaan 4.4). Berikut ini merupakan cuplikan

 tabel hasil peramalan (beban per setengah jam dalam sehari).

Kode Waktu per 1/2 jam

Tanggal
Hari 00,30 1.00 01,30 2.00 02,30

23-Apr-1
K7 2067 2034 2006 1986 1970
2

8. Dengan cara yang sama, didapat hasil peramalan beban untuk hari

Minggu, 29 April 2012 (hasil beban per setengah jam dapat dilihat

pada lampiran)

4.5.3 Perbandingan Hasil Peramalan Beban Listrik dengan metode

SARIMA dan koefisien

Untuk memudahkan dalam membandingkan hasil peramalan beban

menggunakan metode SARIMA dengan metode koefisien, maka hasil

peramalan dibuat ke dalam satu kurva beban. Berikut ini merupakan

grafik perbandingan hasil peramalan beban listrik dari kedua metode

tersebut untuk hari Senin, 23 April 2012 dan Minggu, 29 April 2012.
 3500.00

3000.00

2500.00
Beban listrik (MW)

2000.00
SARIMA
Data aktual
1500.00
Koefisien

1000.00

500.00

0.00
00.30 02.30 04.30 06.30 08.30 10.30 12.30 14.30 16.30 18.30 20.30 22.30

Perbandingan Hasil Peramalan Beban dengan Metode SARIMA dan

Koefisien pada tanggal 23 April 2012

3500

3000

2500
Beban listrik (MW)

2000

SARIMA
Data aktual
1500
Koefisien

1000

500

0
21.30
22.30
23.30
15.30
16.30
17.30
18.30
19.30
20.30
08.30
09.30
10.30
11.30
12.30
13.30
14.30
00.30
01.30
02.30
03.30
04.30
05.30
06.30
07.30

Perbandingan Hasil Peramalan Beban dengan Metode SARIMA dan

 Koefisien pada tanggal 29 April 2012

Dari grafik perbandingan hasil peramalan dengan metode SARIMA

dan koefisien pada tanggal 23 April 2012 di atas dapat terlihat bahwa

hasil peramalan beban listrik dengan metode SARIMA lebih akurat

dibandingkan dengan metode koefisien. Hal itu dikarenakan grafik beban

listrik hasil peramalan dengan metode SARIMA berimpit dengan grafik

data aktual, sedangkan grafik beban listrik dengan metode koefisien

tidak (ada sedikit perbedaan). Begitu juga untuk hasil peramalan pada

tanggal 29 April 2012, walaupun untuk tanggal 29 April 2012 perbedaan

tersebut tidak begitu terlihat.

Akan lebih akurat ketika perbandingan dari kedua metode

dilakukan dengan melihat perhitungan nilai error. Dengan perhitungan

nilai error menggunakan metode MAPE, metode SARIMA menghasilkan

MAPE sebesar 1.308 % dan metode koefisien menghasilkan MAPE sebesar

2.16 % untuk peramalan beban listrik hari Senin, 23 April 2012.

Sedangkan untuk hari Minggu, 29 April 2012, metode SARIMA

menghasilkan MAPE sebesar 0.668 % dan metode koefisien menghasilkan

MAPE sebesar 1.66 %. Dari hasil perhitungan error tersebut dapat

diketahui bahwa metode SARIMA lebih akurat dibandingkan metode

koefisien karena mempunyai nilai MAPE yang lebih kecil.

BAB V

PENUTUP

9.1 Kesimpulan

Berdasarkan hasil pengolahan data dan analisis maka dapat diambil

beberapa kesimpulan :

1. Metode Seasonal Autoregressive Integrated Moving Average

(SARIMA) cocok digunakan untuk meramalkan besarnya beban

listrik harian, terutama untuk hari kerja (hari Senin sampai

Kamis) dan hari libur akhir pekan (hari Sabtu dan Minggu). Hal ini
 dibuktikan dari perhitungan nilai MAPE untuk peramalan beban

listrik hari Senin, 23 April 2012 (nilai MAPE 1.308 %) dan hari

Minggu, 29 April 2012 (nilai MAPE 0.668 %) yang tergolong kecil.

2. Untuk peramalan beban listrik pada hari khusus seperti hari raya

Idul Fitr dan tahun baru, metode Seasonal Autoregressive

Integrated Moving Average (SARIMA) dirasa kurang cocok. Hal ini

terlihat dari perhitungan nilai MAPE untuk peramalan beban listrik

hari raya Idul Fitri tahun 2012 (nilai MAPE 5.422 %) dan tahun

baru 2012 (nilai MAPE 5.752 %) yang tergolong cukup besar (di

atas 5%).

3. Banyaknya data acuan yang paling tepat untuk membuat model

Seasonal Autoregressive Integrated Moving Average (SARIMA)

yang akan digunakan untuk peramalan beban listrik sehingga

menghasilkan nilai error paling kecil adalah adalah sebanyak 192

data (data beban listrik hari yang sama selama empat minggu

sebelumnya).

4. Suatu model Seasonal Autoregressive Integrated Moving Average

(SARIMA) yang dibuat untuk meramalkan beban listrik pada suatu

 hari diminggu ini tidak cocok digunakan untuk meramalkan

besarnya beban listrik untuk hari yang sama pada minggu-minggu

berikutnya. Hal tersebut dibuktikan dari nilai MAPE yang

cenderung semakin besar.

5. Metode Seasonal Autoregressive Integrated Moving Average

(SARIMA) lebih akurat dibandingkan dengan metode koefisien. Hal

ini dapat dilihat dari grafik perbandingan hasil peramalan dan nilai

perhitungan MAPE metode SARIMA yang lebih kecil dibandingkan

dengan metode koefisien.

9.2 Saran

1. Bagi peneliti yang akan melakukan penelitian yang sama,

diperlukan pemodelan lain untuk meramalkan beban listrik harian

untuk hari khusus (yang terjadi setahun sekali) yang mampu

menghasilkan tingkat akurasi tinggi.

2. Diharapkan dapat membuat sebuah aplikasi yang khusus digunakan

untuk meramalkan beban listrik menggunakan metode Seasonal

Autoregressive Integrated Moving Average (SARIMA) yang lebih

 mudah dipahami dan lebih aplikatif. Sehingga akan bermanfaat

untuk mempermudah pekerjaan di dunia kerja.

DAFTAR PUSTAKA

Amirullah, Gusti., Peramalan Beban Listrik Jangka Pendek

2008,
Menggunakan Jaringan Syaraf Tiruan Studi Kausu Pada PLN
Region III. Skripsi, Jurusan Teknik Elektro dan Teknologi
Informasi FT UGM, Yogyakarta.

Damanik, Melvina Ochtora., 2013, Aplikasi Runtun Waktu Berbasis

SARIMA (Seasonal Autoregressive Integrated Moving Average)
Memprediksi Konsumsi Bahan Bakar Minyak PSO (BBM Subsidi)
Daerah Istimewa Yogyakarta. Laporan Kerja Praktek , Jurusan
Statistika FMIPA UGM, Yogyakarta.

Deng, Jianguang and Jirutitijaroen, Panida., 2010, Short-Term Load

Forecasting Using Time Series Analysis: A Case Study for
Singapore. IEEE Conference on Cybernetics and Intelligent
Systems, Page(s) : 231-236.

Densiadirta., 2002, Analisis Peramalan Beban Menggunakan EDSA

(Electrical Design System Analysis). Skripsi, Jurusan Teknik
Elektro dan Teknologi Informasi FT UGM, Yogyakarta.

Hanke, John., Reitsch, Arthur., Dickson, John P., 1984. Statistical

Decision Models for Management. Allyn and Bacon, Inc.
Khair, Aulia., 2011, Peramalan Beban Listrik Jangka Pendek
Menggunakan Kombinasi Metode Autoregressive Integrated Moving
Average (ARIMA) dengan Regresi Linear Antara Suhu dan Daya
Listrik. Skripsi, Jurusan Teknik Elektro Universitas Indonesia.

Marsudi, Djiteng., 2005, Pembangkitan Energi Listrik . Erlangga,

Jakarta.

Munawaroh, Astin Nurhayati., 2010. Peramalan Jumlah Penumpang Pada

PT. Angkasa Pura I (PERSERO) Kantor Cabang Bandar Udara
Internasional Adisutjipto Yogyakarta Dengan Metode Winters
Exponential Smoothing dan Seasonal ARIMA. Skripsi, Jurusan
Pendidikan Matematika FMIPA UNY.

Nuramadha, F. and Mayasari, D., Prakiraan Beban dalam

2012,
Perencanaan Operasi Sistem di PT PLN (Persero) P3B Jawa Bali
Region Jawa Tengah & DIY. Laporan Kerja Praktek, Jurusan
Teknik Elektro dan Teknologi Informasi FT UGM, Yogyakarta.

Pamungkas, W. P. and Harmawan, S., 2013, Prakiraan Beban dan

Perencanaan Pembangkitan Tenaga Listrik Jawa Tengah & DIY di
PT. PLN (Persero) P3B Jawa Bali APB Jawa Tengah & DIY. Laporan
Kerja Praktek , Jurusan Teknik Elektro dan Teknologi Informasi
FT UGM, Yogyakarta.

Rosadi, Dedi., 2012, Ekonometrika & Analisis Runtut Waktu Terapan

Dengan Eviews. Andi, Yogyakarta.

Syafii and Noveri, Edyan., 2013, Studi Peramalan (Forecasting) Kurva

Beban Harian Listrik Jangka Pendek Menggunakan Metode
Autoregressive Integrated Moving Average (ARIMA). Jurnal
Nasional Teknik Elektro, Vol. 2 No. 1 Hal. 65-73.

Wei, Li., Zhen-gang, Zhang., 2009, Based On Time Sequence Of ARIMA

Model In The Application Of Short-Term Electricity Load
Forecasting. IEEE International Conference on Research
Challenges in Computer Science, Page(s):11-14.
Wibowo, Helmi., Mulyadi, Yadi., Abdullah, Ade Gafar., 2012, Peramalan
Beban Listrik Jangka Pendek Terklasifikasi Berbasis Metode
Autoregressive Integrated Moving Average. Jurnal Universitas
Pendidikan Indonesia, Vol. 11 No.2 Hal. 44-50.

Wijaya, Daniel., 2011, Peramalan Jangka Pendek Konsumsi Daya Listrik

Konsumen Terkait Suhu Ambien Menggunakan Analisis Regresi
Berganda. Skripsi, Jurusan Teknik Elektro FT UI.