Академический Документы
Профессиональный Документы
Культура Документы
SKRIPSI
Disusun oleh :
SIGIT HARMAWAN
09/284810/TK/35504
JURUSAN TEKNIK ELEKTRO DAN TEKNOLOGI INFORMASI
YOGYAKARTA
2013
HALAMAN PENGESAHAN
SKRIPSI
Disusun oleh :
SIGIT HARMAWAN
09/284810/TK/35504
Telah disetujui dan disahkan
HALAMAN PERSEMBAHAN
Tulisan ini kupersembahkan untuk
dukungannya
Mada.
dengan baik.
baik.
4. Pak Agung, Pak Harun, Pak Lilik, Mas Budi, dan Mas Fandi,
Pegawai PT PLN (Persero) P3B Jawa Bali APB Jawa Tengah & DIY
5. Bapak, Ibu dan kakak yang telah memberikan doa dan dukungan
Yogyakarta, 11 September
2013
Penulis
DAFTAR SINGKATAN
Intisari
Abstract
BAB I
PENDAHULUAN
akan daya listrik semakin besar. Untuk dapat melayani kebutuhan beban
menjadi efektif , kontinyu dengan kualitas yang baik, dan aman. Oleh
dalam jumlah yang besar, sehingga besar energi listrik yang telah
Apabila daya yang dikirim dari bus-bus pembangkit jauh lebih besar
daya yang dibangkitkan dan dikirimkan lebih rendah atau tidak memenuhi
kebutuhan beban konsumen maka akan terjadi pemadaman lokal pada
penyedia tenaga listrik, maka dapat diartikan bahwa daya listrik yang
toleransi yang diijinkan oleh PLN adalah 0,2 Hz), daya yang
biaya bahan bakar yang tidak kecil. Oleh karena itu, diperlukan
perencanaan operasi.
beban telah menjadi fokus penelitian di dalam negeri dan juga di luar
Oleh karena itu sistem peramalan beban menjadi bagian yang sangat
di Jawa Tengah dan DIY. Setelah itu, hasil peramalan akan dibandingkan
kenyataannya.
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
Selain itu, yang dapat diambil dari tugas akhir ini yaitu dapat
adalah :
BAB I : Pendahuluan
sistematika penelitian.
dan teori teori yang digunakan dalam analisis data tentang peramalan
beban listrik.
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
LANDASAN TEORI
Topik utama yang akan dibahas dalam tugas akhir ini adalah
dalam perencanaan operasi sistem tenaga listrik. Pada bab ini dijelaskan
mengenai dasar teori yang akan menjadi dasar dari penelitian ini.
Penjelasan dasar teori meliputi pengertian, jenis, dan hal hal yang
metode yang digunakan untuk peramalan beban listrik Jawa Tengah &
(SARIMA). Metode yang dipilih disesuaikan dengan jenis data. Data beban
listrik merupakan data time series dengan tipe non stationer yang
macam yaitu :
a. Peramalan Kualitatif
b. Peramalan Kuantitatif
lebih efektif.
adalah hal yang wajar karena masa depan yang tidak diketahui
dari individual dalam sebuah grup memiliki sifat yang lebih acak
Masa depan yang lebih jauh memiliki nilai ketidak kepastian yang
Pembelajaran)
data dengan data lainnya tidak saling berkaitan. Oleh karena itu
berupa cuaca, hari di setiap minggu, dan tanggal. Beban pada hari
yang sama juga termasuk dalam peramalan. Peramalan dapat
b. Metode Regresi
energi dan faktor lain seperti cuaca, tipe hari, maupun jenis
konsumen.
c. Time Series
masukannya tersebut.
e. Logika Fuzzy
kendala yang harus dipenuhi. Tetapi sebenarnya ada dua hal pokok yang
penyedia tenaga listrik tidak dapat mengetahui dengan pasti berapa nilai
listrik yang dikonsumsi oleh konsumen di waktu yang akan datang. Oleh
perlu menganalisa beban sistem tenaga listrik yang sudah terjadi dimasa
yaitu:
menentukan.
besarnya beban sistem seperti acara televise, cuaca, dan suhu udara.
operasi yang baik dan tepat, salah satu langkah perencanaan operasi
listrik.
konsumen
grafik beban yang berbeda-beda. Untuk daerah Jawa Tengah dan DIY,
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,
masyarakat Jawa Tengah dan DIY tidak merata sepanjang hari. Hal itu
karena konsumen listrik terbesar di wilayah Jawa Tengah dan DIY
berawal dari pukul 00.30 sampai 24.00. Untuk hari-hari biasa, perilaku
beristirahat).
sebentar.
peralatan listrik.
televisi dan lampu sampai akhir kurva hari tersebut pada pukul
24.00.
waktu yang akan datang, data yang dibutuhkan adalah beban listrik
dan sebagainya.
suhu oleh BMKG, data konsumsi listrik oleh PLN, data harga pasar
dari tahun 1996 - 2000, data pemakaian listrik 2007 2010, data
listrik yang dikonsumsi oleh konsumen di Jawa Tengah dan DIY, juga
data berkala (time series) karena diurut dalam rentang waktu tertentu.
Analisis yang didasarkan pada data berkala disebut analisis time series
a. Tren (Trend)
garis linier,
Pola ini terbentuk karena adanya pola kebiasaan dari data dalam
c. Acak (Random)
Pola acak terjadi karena data yang diambil tidak dipengaruhi oleh
d. Siklis (Cycle)
panjang.
secara sekuensial dalam lingkup waktu tertentu. Hasil dari observasi ini
perkiraan untuk masa depan. Proses analisa ini sangat beragam namun
intinya menggunakan pola data deret waktu (time series) untuk
analisa inilah yang disebut sebagai analisis deret waktu (time series
deret waktu untuk meramalkan nilai di masa depan telah menjadi dasar
zt -3
...) dapat digunakan untuk meramalkan nilai pada beberapa periode
waktu :
waktu. Bila tidak terdapat perubahan pada tren deret waktu maka
data yang diobservasi. Bila data masih belum stasioner maka perlu
6. Analisis tren. Analisis ini digunakan untuk menaksir model tren suatu
data deret waktu. Ada beberapa model analisis tren, antara lain
. , t -p
atau
p
dengan p(B) =1 -1B -2B2 - -pB
Untuk menemukan fungsi autokorelasinya, persamaan (2.2)
E(Zt -kZt) =1E(Zt -kZt -1) + . . . +pE(Zt -kZt -p) +E(Zt -kat) (2.4)
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)
Zt =1Zt -1 + at
atau
(1 -BB)Zt =at
luar lingkaran satuan dan proses ini stasioner jika |1| <1 . Fungsi
autokovariansnya adalah
k =1k -1. k 1,
k =1k -1
=k1 , k 1.
{
1 =1 , k =1,
kk =
0, k 2.
waktu.
yang terbentuk).
Zt =at -1at -1
- . . . -q at -q
(2.7)
at,at -1, . . . , at -q
= nilai residual pada waktu t, t -1, . . . ,
t -q
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.
hasilnya
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)
dan
k
=
{
( -k +1k +1 + +q -kq)2e, k =1, 2, , q,
0, k >q.
(2.14)
k
=
{
-k +1k +1 + +q -kq
2 2
, k =1, 2, , q,
1 +1 + +q
0, k >q.
(2.15)
q
tergantung dari akar-akar 1 -1B -2B2 - -qB =0 . PACF akan berisi
gelombang sinus jika akar-akar berupa bilangan kompleks. Sebagai
Zt = a t - 1 a t -1
= ( 1 - 1 B ) a t.
{
(1 +21)2a, k =0,
k = -12a, k =1,
0, k >1.
{
-1
, k =1,
k = 1 +1
2
0, k >1.
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
-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
(2.16)
(1 -1B -2B2 - -pB )Zt =(1 -1B -2B2 - -qB )at (2.17)
p q
atau
hasilnya
- . . . -qZt -kat -q
(2.19)
k =1k -1
+ . . . +pk -p
+E(Zt -kat) -1E(Zt -kat -1)
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
q
1 -1B -2B2 - -qB =0.
Zt =1Zt -1 + a t - 1a t -1
(2.23)
t =1k -1
+E(Zt -kat) -1E(Zt -kat -1) (2.24)
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
2
0 =210 -112a +2a -112a +12a
=
2
(1 +1 -211)
(1 -21)
2a (2.27)
2
(1 +1 -211)
1 = 2
12a -12a
(1 - )1
(1 -1)(1 -11)
= 2a
(1 - )
2
1
k =1k -1, k 2
{
1, k =0
(1 -1)(1 -11)
k = 2a, k =1
(1 - )
2
1
1k -1, k 2
2.7.4 Proses Differensiasi
ketika deret waktu telah membentuk grafik yang stasioner, atau tidak
membentuk tren naik maupun turun. Namun bila data deret waktu tidak
sebelum dapat diproses melalui ARMA. Data yang telah differensiasi lalu
2.7.5 ARIMA
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)
ARIMA(p,d,q)
dengan
d = banyaknya differencing
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
dihilangkan.
ARIMA(p,d,q)(P,D,Q)s
dengan
d
p(B)(1 -B) Zt =0 +q(B)bt (2.33)
E( b t -js - b) ( b t - b)
j(s) = , j
2b
=1, 2, 3, (2.34)
D
P(Bs)(1 -Bs) bt =Q(Bs)at (2.35)
{
Zt - , d =0 atau D =0
dengan Zt =
Zt , d 0 atau D 0
P ( B s) = faktor AR musiman
Q( B s ) = faktor MA musiman
= rata-rata Zt
dari runtun waktu pada periode waktu t. Nilai ramalan untuk Yt adalah
peramalan, yaitu:
2.8.1 Rata rata kesalahan (average/ mean error)
e t = Y t -Ft (2.37)
dengan
negatif apabila nilai peramalan melebihi dari nilai actual dan bernilai
positif apabila nilai peramalan lebih kecil dari yang actual. Mean error
ME
n
=
1
n ( Y t - F t) (2.38)
t =1
MAD
n
=
1
n | Y t - F t| (2.39)
t =1
menghitung MSE :
MSE
n
=
1
n ( Y t - F t) 2 (2.40)
t =1
MSE berarti nilai penyimpangan akan lebih besar daripada nilai peramalan
SDE
n
= 1
n -1 ( Y t - F t) 2 (2.41)
t =1
meramal yang dibandingkan dengan nilai nyata pada deret. Metode MAPE
digunakan jika nilai Yt besar. MAPE juga merupakan nilai indicator yang
berikut:
MAPE
n
=
1
n |PE | t (2.43)
t =1
mencari kesalahan pada tiap periode dibagi dengan nilai nyata untuk
MPE
n
=
1
n PE t (2.44)
t =1
konsisten.
atau tidak.
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
Mulai
Studi Literatur
Pencarian
Informasi dan
Pengolahan Data
Gambar 3.1 Diagram alir penelitian
Mulai
Input Data
Beban (MW)
Ya
Identifikasi Model
Pendugaan
Gambar 3.2 Diagram alir proses peramalan
Data runtut waktu yang stasioner adalah data runtut waktu yang
nilai rata-ratanya tidak berubah. Apabila data yang menjadi input dari
menghasilkan data yang stasioner. Salah satu cara yang umum dipakai
Data beban listrik Jawa tengah dan DIY merupakan data yang
pengaruh trend dan musiman pada data akan hilang dan data tersebut
sebagai berikut:
bertahap/ p (p,d,0)
bergelombang
dari nol)
lag musiman
Q-Statistics, jika ada lag yang keluar pada plot ACF dan PACF
squared residuals, jika ada lag yang keluar pada plot ACF dan
Model yang baik adalah model dengan nilai sum squared error yang
kecil.
minimum.
Speciffication.
3.6 Peramalan
peramalan.
data beban sebenarnya (data aktual beban listrik ) pada hari yang
PEMBAHASAN
4.1 Peramalan Beban Listrik
untuk melihat apakah data acuan tersebut memiliki tren (naik atau
Data beban listrik termasuk dalam jenis data runtut waktu ( time
ini grafik beban lstrik tertinggi setiap tahunnya dari tahun 2006 2012
2000
1500
1000
500
0
2006 2007 2008 2009 2010 2011 2012
Tahun
Grafik Perkembangan Beban Listrik Jawa Tengah & DIY dari 2006 - 2012
kenaikan beban listrik. Pada beban bulanan dan harian, kenaikan beban
listrik tidak begitu besar. Bahkan untuk beban harian, kenaikan beban
harinya membentuk pola musiman tertentu. Artinya adalah pola ini akan
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
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.
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.
Pada kesempatan kali ini akan diramalkan beban listrik pada hari
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
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
naik dan pola musiman pada data. Hal ini telah sesuai dengan
dalam mean dan variansi. Oleh karena itu, perlu dilakukan differencing
tersebut.
pola musiman yang ada pada data. Sehingga setelah melalui proses
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
musiman dari pola data beban listrik adalah 48 data, sehingga data yang
tidak ada nilainya adalah data pertama sampai data ke 49. Hal inilah
dalam mean dan variansi. Untuk memastikan apakah data tersebut telah
test). Berikut ini merupakan hasil dari ADF test terhadap data yang
test lebih besar dari nilai | 1% Critical value |. Dari hasil ADF test di
atas dapat dikatakan bahwa data tersebut telah stasioner dalam mean
transformasi ini.
umum, jumlah lag yang diperlukan dalam analisis data adalah sebanyak
data sebanyak 192, sehingga secara umum jumlah lag yang diperlukan
adalah 48 lag. Akan tetapi hal tersebut dirasa kurang memadai untuk
listrik ini.
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
besar dari lag 96 nilainya akan semakin mengecil dan akan sangat kecil
Oleh karena itu, jumlah lag minimal untuk analisis data adalah sebanyak
(keluar batas) atau tidaknya lag terbesar dari lag 1 sampai lag 4.
tidaknya lag pada kelipatan terbesar periode musiman. Untuk model non
orde-q, ditunjukkan dari signifikan atau tidaknya lag terbesar dari lag
correlation.
penentuan signifikan atau tidaknya suatu lag dapat lebih akurat dengan
autocorrelation (AC) dan partial correlation (PAC) yang lebih kecil dari
dan lag 48, sedangkan partial correlation signifikan pada lag 1 dan lag
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
di atas dengan metode least square. Output dari estimasi parameter ini
dari variabel tersebut signifikan masuk dalam model atau tidak. Ketika
peramalan, maka hasil peramalan akan mempunyai nilai error yang lebih
signifikan. Oleh karena itu, model yang akan masuk pada tahap
dilampirkan).
C -0.000212 0.6460
Model dinyatakan lolos uji ketika semua nilai koefisien dari model
signifikansi parameter.
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
Keterangan :
3. Kenormalan residual
6 model yang lolos uji dan layak untuk di jadikan pertimbangan sebagai
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
SARIMA (1,1,0)(1,1,1)48.
1. No Autokorelasi Residual
pada lampiran).:
Gambar Cuplikan Output Correlogram Q-Statistics
tidak ada nilai dari lag yang keluar batas pada grafik residual
(1,1,0)(1,1,1)48 , diketahui bahwa tidak ada lag yang keluar pada grafik
residual).
2. Homoskedastisitas Residual
apabila tidak ada nilai dari lag yang keluar batas pada grafik
3. Normalitas Residual
probability lebih besar dari . Dimana nilai sama dengan 0.05. Dari
Cara yang sama juga diterapkan untuk setiap model, maka didapat
No
Homoskedastisi Normalitas
No Model Autokorelasi
tas Residual Residual
Residual
(0,1,1)(1,1,0)48 t terpenuhi
p
4
e
memenuhi (lolos uji) ketiga uji tersebut. Akan tetapi jika tidak ada
terpenuhi satu atau dua), maka dipilih model yang paling banyak lolos
uji.
Dari hasil diagnostic checking di atas, dapat terlihat bahwa model
(0,1,1)(1,1,0)48 lolos satu uji dari tiga uji yang dilaksanakan. Sedangkan
lolos satu ujipun dari ketiga uji yang dilaksanakan. Sehingga model yang
Karena terdapat beberapa model yang lolos satu uji dari tiga uji
Keterangan :
model terbaik dipilih model dengan nilai Sum Squared Residual, Akaike
Info Criterion, Schwartz Criterion yang paling kecil. Model dengan nilai
yang kecil akan menghasilkan nilai error yang kecil ketika model
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
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
1.308 %.
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
model untuk meramalkan beban listrik hari Minggu, 29 April 2012 yaitu
SARIMA (0,1,0)(0,1,1)48.
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
0.668 %.
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
2012 dengan menggunakan data acuan adalah data beban listrik pada
hari yang sama (hari Senin) selama tiga minggu sebelumnya (tiga
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
error paling kecil) untuk membuat model SARIMA yang akan digunakan
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
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
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
192 data
Pada peramalan beban listrik kali ini akan digunakan data acuan
empat periode musiman/ 192 data (data beban listrik pada hari yang
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
peramalan dan data aktual beban listrik pada hari tersebut (tabel beban
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
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
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.
beban listrik pada hari tersebut (tabel beban listrik hasil peramalan
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
288 data
Pada peramalan beban listrik kali ini akan digunakan data acuan
enam periode musiman/ 288 data (data beban listrik pada hari yang
diramalkan adalah beban listrik hari Senin, 23 April 2012, sehingga data
beban listrik yang diperlukan adalah data beban listrik pada hari Senin,
peramalan dan data aktual beban listrik pada hari tersebut (tabel beban
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
listrik yang telah dilakukan, dapat terlihat bahwa nilai error hasil
acuan sebanyak empat periode musiman/ 192 data yaitu sebesar 1.308 %
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
untuk membuat model SARIMA yang akan untuk meramalkan beban listrik
adalah sebanyak 192 data (data beban listrik hari yang sama selama
grafik beban yang berbeda-beda. Untuk daerah Jawa Tengah dan DIY,
kebutuhan dari konsumen dalam satu periode yang sama. Berikut ini
merupaka contoh grafik konsumsi beban listrk pada hari biasa, hari raya
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,
pada jenis hari yang berbeda, maka harus digunakan model SARIMA yang
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.
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
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
pada hari raya idul fitri tahun 2012 (19 Agustus 2012) yaitu SARIMA
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)
error tersebut tergolong besar jika dibandingkan dengan nilai error dari
April 2012 yaitu 1.30 %). Hal itu dapat disebabkan karena grafik data
tidak begitu bagus. Tren yang terjadi tidak stabil (turun lalu naik).
Berikut ini merupakan grafik perbandingan data beban listrik pada hari
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
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
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
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)
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
2012). Hal ini dapat disebabkan oleh kegiatan yang dilaksanakan pada
aktifitas manusia pada hari kerja. Pada hari kerja, aktifitas manusia
cenderung monoton. Perubahan aktifitas yang dilakukan ini akan
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
harian, kenaikan beban listrik tidak terlihat. Akan tetapi ditinjau dari
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
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
minggu ini belum tentu akan cocok untuk meramalkan besarnya beban
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
dengan data aktual konsumsi beban listrik (tabel beban listrik hasil
peramalan dapat dilihat dalam lampiran) dan hasil perhitungan nilai error
sebelumnya.
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
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
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
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
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
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
tanggal 14 Mei 2012 saja yang nilai error-nya lebih kecil dari minggu
bahwa suatu model SARIMA yang dibuat untuk meramalkan beban listrik
pada suatu hari diminggu ini tidak cocok digunakan untuk meramalkan
berikutnya.
ketika terjadi tren naik, maka besarnya kenaikan beban listrik tersebut
listrik pada hari yang sama di minggu berikunya, harus dibuat lagi model
nilai MAPE yang relative kecil. Akan tetapi hal itu dirasa belum cukup
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
tidak.
1. Data acuan yang dipakai merupakan data aktual beban listrik pada
2. Dari data yang ada, diambil beban puncaknya. Ada dua jenis beban
puncak, yaitu beban puncak siang (pukul 08.00 15.00) dan beban
3. Dari data beban sistem per setengah jam dibagi beban puncak
direncanakan
menggunakan persamaan :
BP -BPL
PK = x100% (4.2)
BPL
Keterangan :
Keterangan :
Bp(H +1) adalah Beban Puncak Sistem hari yang akan direncanakan
Keterangan :
Bp(H +1) adalah beban puncak sistem hari yang akan direncanakan
beban harian :
1. Mengumpulkan realisasi beban sistem pada hari yang sama, minimal
6 hari.
K1 Senin 12-Mar-12
2. Dari data yang ada
K2 Senin 19-Mar-12
diambil beban
K3 Senin 26-Mar-12
3. Dari data beban sistem per setengah jam dibagi beban puncak
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
Untuk jam yang tidak terdapat koefisien beban bernilai satu pada
sampai K6 :
pada jam yang terdapat koefisien beban yang bernilai satu adalah
sebagai berikut :
Setelah mendapatkan tabel koefisien beban seperti tabel di atas
akan dijumpai dua buah koefisien beban yang bernilai satu pada
terjadi. Terdapat dua buah nilai satu karena beban puncak setiap
harinya tidak pasti sama, oleh karena itu koefisien beban yang
bernilai satu pada hari K1, K2, sampai K6 dapat terjadi pada jam
sama).
jam 13.30 dan untuk beban puncak malam lebih sering terjadi
pada jam 19.00 (yaitu pada hari K2, K4, K5, dan K6). Untuk
bernilai satu pada jam 19.30 dan pada jam 18.30 untuk hari
K3.
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).
bernilai satu hanya ada pada hari K3, maka nilai rata-rata
koefisien beban pada hari K1, K2, K4, K5, dan K6 sesuai
12-Mar-12 - -
19-Mar-12 -2.73 -0.21
BP Malam BP Siang
3092.1 2508.9
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)
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
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
dan koefisien pada tanggal 23 April 2012 di atas dapat terlihat bahwa
tidak (ada sedikit perbedaan). Begitu juga untuk hasil peramalan pada
BAB V
PENUTUP
9.1 Kesimpulan
beberapa kesimpulan :
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
2. Untuk peramalan beban listrik pada hari khusus seperti hari raya
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%).
data (data beban listrik hari yang sama selama empat minggu
sebelumnya).
ini dapat dilihat dari grafik perbandingan hasil peramalan dan nilai
9.2 Saran
DAFTAR PUSTAKA