BAB I

PENDAHULUAN

1.1 Latar Belakang

Aktivitas manusia dalam penggunaan listrik dari waktu ke waktu

akan mengalami peningkatan. Hal ini diakibatkan karena energi listrik telah

menjadi bagian penting bagi perkembangan peradaban manusia. Besar

kecilnya konsumsi tenaga listrik ditentukan sepenuhnya oleh para pelanggan,

yaitu tergantung bagaimana para pelanggan menggunakan alat-alat listriknya

kemudian PLN harus mengikuti kebutuhan tenaga listrik dalam arti menyesuaikan

daya listrik yang dibangkitkannya dari waktu ke waktu.

Apabila jumlah pelanggan yang harus dilayani adalah jutaan maka daya yang

harus dibangkitkan jumlahnya juga mencapai ribuan megawatt. Masalah yang

unik dalam operasi sistem tenaga listrik adalah bahwa: Daya yang dibangkitkan

harus selalu sama dengan daya yang dikonsumsir oleh para pemakai tenaga listrik

yang secara teknis umumnya dikatakan sebagai beban system. Perubahan beban

dan perubahan pembangkitan daya ini selanjutnya juga menyebabkan aliran daya

dalam saluran transmisi berubah-ubah sepanjang waktu. Apabila daya nyata yang

dibangkitkan oleh Pusat-pusat Listrik lebih kecil daripada yang dibutuhkan oleh

para pelanggan, maka frekuensi akan turun, sebaliknya, apabila lebih besar,

frekuensi akan naik. Mutu listrik yang baik adalah apabila frekuensi dan tegangan

tidak terlalu jauh menyimpang dari nilai nominal, untuk ini haruslah diusahakan

agar daya yang dibangkitkan selalu sama dengan beban yang dibutuhkan.

1
 Penyediaan tenaga listrik dengan biaya yang serendah mungkin dan tetap

memperhatikan mutu serta keandalan merupakan hal yang tidak mudah.

Mengingat hal tersebut maka operasi Sistem Tenaga Listrik perlu dikelola atas

dasar pemikiran manajemen operasi yang baik terutama karena melibatkan biaya

operasi yang terbesar dan juga langsung menyangkut citra PLN kepada

masyarakat. Manajemen operasi Sistem Tenaga Listrik haruslah memikirkan

bagaimana menyediakan tenaga listrik yang seekonomis mungkin dan salah

satunya yaitu memperhatikan perkiraan beban (load forcasting).

Tidak ada rumus eksak yang dapat memastikan besarnya beban untuk setiap

saat, melainkan yang dapat dilakukan hanyalah memperkirakan besarnya beban

dengan melihat angka-angka statistik serta mengadakan analisa beban.

Perkiraan kebutuhan energi listrik diperlukan untuk pengoperasian sistem

tenaga listrik dalam penyediaan energi yang sesuai dengan kebutuhan. Perkiraan

perlu dilakukan sebaik mungkin karena apabila perkiraannya tidak tepat akan

menyebabkan tidak cukupnya kapasitas daya yang disalurkan untuk memenuhi

kebutuhan beban. Dan jika perkiraan beban yang terlalu besar maka akan

menyebabkan kelebihan kapasitas daya, sehingga menyebabkan kerugian.

Penelitian ini dilakukan dengan cara memasukkan beban dasar atau beban

tanpa industri (Tonasa dan Bosowa) dan menghitung perkiraan beban

menggunakan software Minitab 16.2.4. Minitab adalah sebuah aplikasi yang salah

satu fungsinya dapat menentukan beban yang dibutuhkan untuk kebutuhan energi

listrik.

2
1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan diatas, adapun menjadi

rumusan masalah sebagai berikut:

1. Bagaimana perbandingan antara perkiraan beban dasar atau beban

tanpa industri (Tonasa dan Bosowa) dengan kondisi realisasi pada

bulan Oktober, November, dan Desember 2017 menggunakan metode

time series analysis?

2. Berapa deviasi perkiraan beban dasar menggunakan metode time series

analysis dengan kondisi realisasi pada bulan Oktober, November, dan

Desember 2017?

1.3 Ruang Lingkup

Penelitian ini dilakukan di Unit Pengatur Beban (UPB) Sulselrabar yang

beralamat di Jl.Letjen Hertasning, Makassar. Penelitian ini dilakukan dengan

menggunakan aplikasi minitab versi 16.2.4 dengan memasukkan perhitungan

beban dasar atau beban tanpa industri. Agar penelitian ini dilakukan secara

maksimal dan efisien, maka perlu pembatasan masalah yang difokuskan pada

perkiraan beban yang dilakukan untuk kategori beban dasar dan perkiraan beban

dilakukan selama tiga bulan.

1.4 Tujuan Penelitian

Adapun tujuan dilakukannya penelitian ini adalah :

1. Menentukan perbandingan antara perkiraan beban dasar dengan kondisi

realisasi pada bulan Oktober, November, dan Desember 2017

menggunakan metode time series analysis .

3
 2. Menentukan deviasi perkiraan beban dasar dengan kondisi realisasi pada

bulan Oktober, November, dan Desember 2017 menggunakan metode time

series analysis .

1.5 Manfaat Penelitian

Adapun manfaat yang dapat diperoleh dengan dilakukannya penelitian ini

adalah :

1. Penelitian ini dapat menjadi referensi atau acuan untuk mengetahui

bagaimana menentukan perbandingan antara perkiraan beban dasar dengan

kondisi realisasi pada bulan Oktober, November, dan Desember 2017

menggunakan metode time series analysis .

2. Penelitian ini dapat digunakan sebagai bahan pembelajaran dalam upaya

menambah pengetahuan dan wawasan yang lebih luas. Selain itu, juga

sebagai bahan informasi atau bahan acuan bagi peneliti selanjutnya dalam

skala yang lebih luas dan kompleks yang berkaitan dengan judul ini.

4
 BAB II

TINJAUAN PUSTAKA

2.1 Sistem Tenaga Listrik

Karena berbagai persoalan teknis, tenaga lsitrik hanya dibangkitkan pada

tempat-tempat tertentu. Sedangkan pemakai tenaga listrik atau pelanggan tenaga

listrik tersebar di berbagai tempat, maka penyampaian tenaga listrik dari tempat

dibangkitkan sampai ke tempat pelanggan memerlukan berbagai penanganan

teknis.

Tenaga listrik dibangkitkan dalam Pusat-pusat Listrik seperti PLTA, PLTU,

PLTG, PLTP, dan PLTD kemudian disalurkan melalui saluran transmisi setelah

terlebih dahulu dinaikkan tegangannya oleh transformator penaik tegangan (step

up transformator) yang ada di Pusat Listrik. Hal ini digambarkan oleh gambar

2.1. Saluran transmisi tegangan tinggi di PLN kebanyakan mempunyai tegangan

66kV, 150kV, dan 500kV. Khusus untuk tegangan 500kV dalam praktek saat ini

disebut sebagai tegangan ekstra tinggi. Setelah tenaga listrik disalurkan melalui

saluran transmisi maka sampailah tenaga lsitrik ke Gardu Induk (GI) untuk

diturunkan tegangannya melalui transformator penururn tegangan (Step down

transformator) untuk menjadi tegangan atau yang juga disebut sebagai tegangan

distribusi primer. Tegangan distribusi primer yang dipakai PLN adalah 20kV,

12kV, dan 6kV. Kecenderungan saat ini menunjukkan bahwa tegangan distribusi

primer PLN yang berkembang adalah 20kV.

5
 Gambar 2.1 Skema Pusat Listrik yang dihubungkan melalui saluran Transmisi ke Gardu

Induk (Marsudi, 2016:2)

Keterangan: G = Generator

P.S. = Pemakaian Sendiri

T.T. = Tegangan Tinggi

T.M. = Tegangan Menengah

Setelah tenaga listrik disalurkan melalui jaringan distribusi prier maka

kemudian tenaga listrik diturunkan tegangannya dalam gardu-gardu distribusi

menjadi tegangan rendah dengan tegangan 380V/220V, kemudian disalurkan

melalui Jaringan Tegangan Rendah untuk selanjutnya disalurkan ke rumah-rumah

pelanggan (konsumen) PLN melalui Sambungan Rumah. Proses penyampaian

tenaga listrik ini secara keseluruhan ditunjukkan oleh gambar 2.2.

Proses pendistribusian berguna untuk menyalurkan sumber energi listrik yang

besar sampai ke konsumen. Secara garis besar fungsi distribusi adalah sebagai

pembagi atau penyalur ke beberapa tempat (pelanggan) dan merupakan subsistem

penyaluran tenaga listrik yang langsung berhubungan dengan pelanggan karena

mencatu daya pada pusat beban yang dilayani langsung melalui jaringan

distribusi.

6
 Gambar 2.1 Bagan penyampaian Tenaga Listrik kepada Pelanggan

(sumber: http://noviagunaranti.student.telkomuniversity.ac.id/catu-daya-atau-power-supply/ )

2.2 Beban Listrik

Beban listrik yang digunakan pada konsumen pada umumnya dapat dibagi

menjadi 3 jenis berdasarkan sifatnya yaitu induktif , resistif, dan kapasitif. Beban

induktif adalah beban yang dihasilkan oleh lilitan kawat (kumparan) yang terdapat

di berbagai alat-alat listrik seperti motor, trafo, dan relay. Kumparan dibutuhkan

oleh alat-alat listrik tersebut untuk menciptakan medan magnet sebagai komponen

kerjanya. Pembangkitan medan magnet pada kumparan inilah yang menjadi beban

induktif pada rangkaian arus listrik AC.

Dalam merencanakan sistem distribusi tenaga listrik maka hal yang

perlu diperhatikan adalah beban listrik. Hal-hal yang perlu diperhatikan dari beban

listrik:

2.2.1 Daya Listrik

Daya listrik atau dalam bahasa Inggris disebut dengan Electrical

Power adalah jumlah energi yang diserap atau dihasilkan dalam sebuah

sirkuit/rangkaian. Sumber Energi seperti Tegangan listrik akan

7
 menghasilkan daya listrik sedangkan beban yang terhubung dengannya

akan menyerap daya listrik tersebut. Dengan kata lain, Daya listrik adalah

tingkat konsumsi energi dalam sebuah sirkuit atau rangkaian listrik. Daya

listrik terbagi tiga yaitu :

1. Daya Nyata (Active Power)

Daya nyata (P) menunjukkan adanya aliran energi listrik dari

pembangkit listrik ke jaringan beban untuk dapat dikonversikan menjadi

energi lain. Sebagai contoh, daya nyata yang digunakan untuk menyalakan

sebuah lampu. Energi listrik yang mengalir dari jaringan dan masuk ke

lampu, dikonversikan menjadi energi cahaya dan energi panas oleh elemen

lampu tersebut.

2. Daya reaktif (Reactive Power)

Daya reaktif (Q) adalah daya yang dibutuhkan untuk membangkitkan

medan magnet di kumparan-kumparan beban induktif. Seperti pada motor

listrik induksi misalnya, medan magnet yang dibangkitkan oleh daya reaktif

di kumparan stator berfungsi untuk menginduksi rotor sehingga tercipta

medan magnet induksi pada komponen rotor. Pada trafo, daya reaktif

berfungsi untuk membangkitkan medan magnet pada kumparan primer,

sehingga medan magnet primer tersebut menginduksi kumparan sekunder.

3. Daya semu (Apparent power)

8
 Daya semu (S), adalah hasil perkalian antara tegangan efektif dengan

arus efektif.

Pada kondisi beban resistif dimana tidak terjadi pergeseran grafik

sinusoidal arus maupun tegangan, keseluruhan daya total akan tersalurkan

ke beban listrik sebagai daya nyata. Dapat dikatakan jika beban listrik

bersifat resistif, maka nilai daya semu (S) adalah sama dengan daya nyata

(P). Lain halnya jika beban jaringan bersifat induktif ataupun kapasitif

(beban reaktif), nilai dari daya nyata akan menjadi sebesar cos Ø dari daya

total.

Pada kondisi beban reaktif, sebagian daya nyata juga terkonversi

sebagai daya reaktif untuk mengkompensasi adanya beban reaktif tersebut.

Nilai dari dari daya reaktif (Q) adalah sebesar sin Ø dari daya total.

Hubungan antara daya nyata, daya reaktif dan daya semu dapat

diilustrasikan ke dalam sebuah segitiga siku-siku dengan sisi miring sebagai

daya semu, salah satu sisi siku sebagai daya nyata, dan sisi siku lainnya

sebagai daya reaktif.

Gambar 2.2 Segitiga Daya

9
 (sumber: http://ghojer.blogspot.co.id/2013/09/pengertian-dan-rumus-rumus-daya-listrik.html)

Sesuai dengan hubungan segitiga di atas maka hubungan antara daya

nyata, daya reaktif dan daya semu dapat diekspresikan ke dalam sebuah

persamaan pitagoras.

2.2.2 Pengelompokan beban listrik meliputi:

1. Beban perumahan (residential) : merupakan beban listrik dalam

kegiatan rumah tangga seperti lampu penerangan, kipas, angin,

pompa air, televisi dan lain-lain.

2. Beban komersial (commercial) : merupakan beban listrik untuk

menunjang suatu kegiatan usaha, seperti kantor, pusat pertokoan,

hotel dan lain-lain.

3. Beban industri (industrial) : merupakan beban listrik untuk

menunjang suatu proses produksi tertentu.

2.3 Perkiraan Beban

Perkiraan beban atau peramalan beban adalah cara untuk melihat beban

pada masa yang akan datang dengan melihat kejadian di masa lampau yang dapat

dilakukan baik secara kualitatif dan kuantitatif. Perlunya perkiraan atau peramalan

beban karena beban akan terus berubah, perubahannya tergantung pada kebutuhan

para pelanggan akan tenaga listrik. Tidak ada perhitungan pasti mengenai besarnya

beban sistem pada suatu saat, yang dapat dilakukan hanyalah membuat perkiraan

beban. Dalam pengoperasian sistem tenga listrik harus selalu diusahakan agar daya

yang dibangkitkan sama dengan beban sistem. Masalah perkiraan beban

10
merupakan masalah yang sangat menentukan bagi kelembagaan listrik baik

segi-segi manajerial maupun bagi segi operasional, oleh karena itu perlu

mendapat perhatian khusus. Untuk dapat membuat perkiraan beban yang sebaik

mungkin diperlukan data beban sistem tenaga listrik yang telah terjadi di masa lalu

untuk dianalisa

Menurut Marsudi (2016:27) pembagian kelompok perkiraan beban yaitu:

1. Perkiraan beban jangka panjang

Perkiraan beban jangka panjang adalah untuk jangka waktu di atas

satu tahun. Dalam perkiraan beban jangka panjang masalah-masalah makro

ekonomi yang merupakan masalah ekstern kelembagaan listrik merupakan

faktor utama yang menentukan arah perkiraan beban.

2. Perkiraan beban jangka menengah

Perkiraan beban jangka menengah adalah untuk jangka waktu dari satu

bulan sampai dengan satu tahun. Poros untuk perkiraan beban jangka

menengah adalah perkiraan beban jangka panjang.

3 Perkiraan beban jangka pendek

Perkiraan beban jangka pendek adalah untuk jangka waktu beberapa

jam sampai satu minggu (168 jam). Dalam perkiraan beban jangka pendek batas

atas untuk beban maksimum dan batas bawah untuk beban minimum yang

ditentukan dalam perkiraan beban jangka menengah.

11
2.4 Times Series Analysis

Wei (2006) mengatakan bahwa “Time series adalah serangkaian pengamatan

terhadap suatu variabel yang diambil dari waktu ke waktu dan dicatat secara

berurutan menurut urutan waktu kejadiannya dengan interval waktu yang tetap”.

Sedangkan menurut Cryer (1986) “Time series diartikan sebagai serangkaian data

yang didapatkan berdasarkan pengamatan dari suatu kejadian pada urutan waktu

terjadinya. Data time series adalah nilai-nilai suatu variabel yang berurutan

menurut waktu (misal: hari, minggu, bulan, tahun)”. Ada 4 faktor yang

mempengaruhi data time series. Dalam data ekonomi biasanya ditemukan adanya

fluktuasi/variasi dari waktu ke waktu atau disebut dengan variasi time series.

Variasi ini biasanya disebabkan oleh adanya faktor Trend (trend factor), Fluktuasi

siklis (cyclical fluktuation), Variasi musiman (seasonal variation), dan pengaruh

random (irregular/random influences).

Terdapat 4 model grafik yang digunakan dalam time series yang sangat

berpengaruh dalam peramalan, yaitu: Stasioner, Trend, Siklus, dan Musiman. Dari

keempat model grafik yang ada, grafik stasioner merupakan jenis grafik yang

sangat cocok untuk dibuatkan peramalan.

Suatu deret pengamatan dikatakan stasioner apabila proses tidak berubah

seiring dengan adanya perubahan deret waktu. Jika suatu deret waktu stasioner

maka nilai tengah (mean), varian dan kovarian deret tersebut tidak dipengaruhi

oleh berubahnya waktu pengamatan, sehingga proses berada dalam keseimbangan

statistik (Soejoeti, 1987).

12
 Trend adalah kecenderungan gerak naik atau turun pada data yang terjadi

dalam jangka panjang. Variasi musim adalah gerak naik dan turun yang terjadi

secara periodik (berulang dalam selang waktu yang sama). Siklus adalah

perubahan gelombang pasang surut yang berulang kembali dalam waktu yang

cukup lama, misalnya: 10 tahun, kuartal ke-20 dan lain-lain. Komponen kesalahan

(random) adalah gerakan yang tidak teratur dan terjadi secara tiba-tiba serta sulit

untuk diramalkan. Gerakan ini dapat timbul sebagai akibat adanya perubahan

cuaca, rusaknya perlatan baik pada bagian pembangkit, transmisi, dan lain-lain.

Setiap jenis grafik yang diakibatkan oleh bentuk data memiliki kegunaan dan

makna masing-masing. Adapun, jika data yang digunakan menghasilkan grafik

selain stasioner, maka akan dilakukan differencing. Maka dari itu pentingnya

mengetahui bentuk dari masing-masing grafik itu sendiri.

2.4.1 Identifikasi Model

Sebelum melakukan peramalan, perlu menentukan model pada data yang ada

dan apa yang kan dilakukan dengan model-model tersebut. Pada umumnya saat

identifikasi model yang ada merupakan uji auto korelasi. Uji fungsi autokorelasi

(Autocorrelation Function) adalah sebuah analisis statistik yang dilakukan untuk

mengetahui adakah korelasi variabel yang ada di dalam model prediksi dengan

perubahan waktu. Oleh karena itu, apabila asumsi autokorelasi terjadi pada sebuah

model prediksi, maka nilai disturbance tidak lagi berpasangan secara bebas,

melainkan berpasangan secara autokorelasi. berikut beberapa model yang terdapat

pada time series:

13
1) Autocorrelation function (ACF)

Fungsi Autokorelasi adalah suatu fungsi yang menunujukkan besarnya

korelasi antara pengamatan waktu ke-t dengan pengamatan waktu

sebelumnya. Fungsi ini memainkan peran dalam analisis data bertujuan untuk

mengidentifikasi tingkat lag dalam model moving average.

2) Partial Autocorellation Function (PACF)

Dalam analisis time series, fungsi autokorelasi parsial (PACF) memberikan

korelasi parsial dari serangkaian waktu dengan nilai-nilai lag-nya sendiri.

Fungsi ini memainkan peran dalam analisis data bertujuan untuk

mengidentifikasi tingkat lag dalam model Autoregressive.

2.4.2 Model Time Series

Dalam mengerjakan dan menyelesaikan perencanaan operasi akan dibutuhkan

permodelan yang tepat. Pada time series, terdapat beberapa model yang dapat

digunakan untuk menyelesaikan peramalan perencanaan beban ketenagalistrikan

yang terdiri dari:

1) Model Autoregressive (AR)

Model Autoregressive (p) adalah model hasil regresi dengan dirinya sendiri

pada waktu-waktu sebelumnya.

2) Model Moving Average (MA)

Model Moving Average (q) disebut juga sebagai model rata-rata bergerak.

3) Model Mixed Autoregressive Moving Average (ARMA)

Model ARMA (p,q) merupakan model capuran dari model AR dan MA tanpa

ada proses differencing.

14
4) Model Autoregressive Integrated Moving Average (ARIMA)

Model ARIMA (p,d,q) merupakan model pengolahan data yang telah

mengalami proses differencing.

2.5 MiniTab 16 Statistical Software

Minitab adalah paket perangkat lunak untuk melakukan perhitungan statistik

dan grafik.Aplikasi ini pada umumnya untuk melakukan pengamatan data

terhadap satuan waktu. Metode yang digunakan oleh aplikasi ini adalah Time

Series Analysis (Analisa Deret Waktu) yang dimana berarti bahwa data yang kita

peroleh dan akan dibuatkan perencanaan ke depannya adalah harus sesuai dengan

runtun waktu tertentu. Jarak antara satu data terhadap data yang lain

memilikijarak waku yang sama (missal, jam, hari, dst).

Dengan begitu, aplikasi ini akan menganalisa dan menghitung dengan sendiri

dan hanya menampilkan output hasil analisa dan perhitungan dalam bentuk

bilangan maupun grafik. Dari hasil tersebut kita dapat mengetahui secara detail

bahwa data ataupun hasil perubahan data telah sesuai dengan yang dibutuhkan

atau tidak. Berikut merupakan tampilan utama dari aplikasi MiniTab 16 Statistical

Software:

15
Gambar 3.3 Tampilan awal aplikasi miniTab 16 Statistical Software

16
 BAB III

METODE PENELITIAN

3.1 Rencana Waktu dan Tempat Penelitian

3.1.1 Tempat Penelitian

Penelitian ini dilaksanakan pada Unit Pengatur Beban (UPB) Sulselrabar

yang beralamat di Jl.Letjen Hertasning, Makassar. Di tempat ini penulis

mengambil acuan sebagai sumber data penelitian.

3.1.2 Waktu Penelitian

Penelitian dan pengumpulan data akan berlangsung selama tiga bulan

mulai bulan Maret 2018 sampai dengan bulan April 2018.

Tabel 3.1 Time Schedule Penelitian

Maret April Mei Juni

No. Kegiatan
2018 2018 2018 2018

1 Konsultasi

Pengumpulan dan
2
Pengolahan Data

Pembuatan dan
3
Pengolahan Tugas Akhir

17
3.2 Instrumen

Alat yang digunakan dalam pembuatan simulasi adalah laptop yang memiliki

aplikasi minitab versi 16.2.4.

3.3 Teknik Pengumpulan Data

Metode pengumpulan data yang dilakukan pada penelitian ini adalah sebagai

berikut :

1. Studi Literatur

Kegiatan ini dilakukan dengan mengadakan studi dari buku-buku/pustaka,

situs-situs internet dan literatur lain yang berkaitan dengan masalah yang

dibahas dalam penulisan ini.

2. Wawancara

Melakukan pengumpulan data yang dilakukan dengan mengadakan tatap

muka atau wawancara secara langsung dengan pihak terkait dengan tugas

akhir ini dan dosen yang memiliki pengetahuan yang ada kaitannya dengan

penyusunan tugas akhir ini untuk mendalami data-data yang diperoleh di

lapangan.

3. Entry Data

Entry Data adalah melakukan pengumpulan data yang telah dihimpun dari

pihak UPB Sulselrabar. Data yang dihimpun berupa total beban sistem

beserta beban industri yang terdapat pada Realisasi Beban Harian Sistem

Sulawesi Selatan.

18
3.4 Teknik Analisis Data

Dalam penelitian ini metode analisis data yang digunakan adalah analisis

Time Series. Penelitian ini juga menggunakan software Minitab versi 16.2.4, yang

salah satu fungsinya adalah menentukan berapa beban yang dibutuhkan oleh

beban dasar tanpa industri (Tonasa dan Bosowa).

Analisa terhadap data yang telah kita dapatkan dengan menguraikan secara

satu per satu yang telah dilakukan dan menganalisis hasil semua data yang ada

pada penelitian tersebut. Apakah perencanaan yang telah dibuat memiliki deviasi

sesuai dengan standar yang ditetapkan oleh PT. PLN (persero).

3.5 Diagram Alir

Mulai

Pengumpulan
Data

Tidak
Data Lengkap
dan Valid

Ya

Peramalan Data

Analisa Hasil Data

Selesai

Gambar 3.1 Diagram Alir Penelitian

19
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Perkiraan Beban

Sesuai dengan judul laporan Tugas Akhir ini, yaitu Perkiraan Beban Bulanan

Pada Sistem Tenaga Listrik Sulbagsel, melakukan perkiraan dengan menggunakan

data beban dasar pada data beban sistem. Pada perkiraan beban dibutuhkan data

yang lengkap mengenai pembuatan perkiraan beban. Data tersebut berupa data

beban realisasi yang telah terjadi pada deret waktu waktu.

4.2 Data Beban Time Series

Metode time series analysis pada aplikasi Minitab versi 16 menggunakan data

beban realisasi jaringan Sulbagsel. Besarnya data yang digunakan dalam

pembuatan laporan ini sebanyak 21 data selama dua tahun, yaitu tahun 2016 dan

2017 pada masing-masing bulannya (kecuali tiga bulan terakhir pada tahun 2017).

Dan data tersebut merupakan data beban sistem tanpa industri Bosowa dan

Tonasa. Berikut merupakan sampel dari data yang digunakan:

Tabel 4.1 Data Beban

Bulan Beban (MW)

Bulan 2016 Beban (MW) 2016
2017 2017

Jan-16 852.595 Jan-17 969.1

Feb-16 768.323 Feb-17 980.3
Mar-16 860.894 Mar-17 983.4
Apr-16 843.71 Apr-17 996.0
May-16 856.863 May-17 978.3
Jun-16 879.102 Jun-17 971.9
Jul-16 688.181 Jul-17 964.1

20
 Aug-16 962.123 Aug-17 961.6
Sep-16 947.793 Sep-17 1019.3
Oct-16 973.231 Oct-17 0.0
Nov-16 989.2 Nov-17 0.0
Dec-16 968.2 Dec-17 0.0

4.3 Hasil

a. Uji Kestasioneran Data

Suatu deret pengamatan dikatakan stasioner apabila proses tidak berubah

seiring dengan adanya perubahan deret waktu. Jika suatu deret waktu stasioner

maka nilai tengah (mean), varian dan kovarian deret tersebut tidak dipengaruhi

oleh berubahnya waktu pengamatan, sehingga proses berada dalam

keseimbangan statistik (Soejoeti, 1987).

Sebelum melakukan identifikasi model terlebih dahulu dilakukan uji

kestasioneran. Untuk mengetahui data telah stasioner atau tidak dapat dilihat

pada grafik data. Dapat dilihat pada Gambar 4.1.

21
 Gambar 4.1 Grafik Data

Berdasarkan Gambar 4.1 menunjukkan data mengalami trend naik hal ini berarti

data belum stasioner. Jika suatu data tidak stasioner maka dilakukan differencing

data.

Tabel 4.2 Hasil Differencing Data

No. Differencing No. Differencing

1 * 12 -21.05
2 -84.272 13 0.9
3 92.571 14 11.193
4 -17.184 15 3.124
5 13.153 16 12.555
6 22.239 17 -17.678
7 -190.921 18 -6.412
8 273.942 19 -7.742

22
 9 -14.33 20 -2.52
10 25.438 21 57.71
11 15.999

Contoh menghitung differencing dengan rumus :

𝑾𝒕 = (𝟏 − 𝑩)𝒅 𝒁𝒕 𝑩𝒅 𝒁𝒕 = 𝒁𝒕−𝒅
a. Januari 2016
𝑊𝑡 = (1 − 𝐵)𝑑 𝑍𝑡
𝑊𝑡 = 𝑍𝑡 − 𝐵𝑑 𝑍𝑡
𝑊𝑡 = 𝑍𝑡 − 𝑍𝑡−𝑑
𝑊1 = 𝑍1 − 𝑍1−1
𝑊1 = 𝑍1 − 𝑍0
𝑊1 = ∗

b. Februari 2016
𝑊𝑡 = (1 − 𝐵)𝑑 𝑍𝑡
𝑊𝑡 = 𝑍𝑡 − 𝐵𝑑 𝑍𝑡
𝑊𝑡 = 𝑍𝑡 − 𝑍𝑡−𝑑
𝑊2 = 𝑍2 − 𝑍2−1
𝑊2 = 𝑍2 − 𝑍1
𝑊2 = 768.323 − 852.595
𝑊2 = −84.272

c. Maret 2016
𝑊𝑡 = (1 − 𝐵)𝑑 𝑍𝑡
𝑊𝑡 = 𝑍𝑡 − 𝐵𝑑 𝑍𝑡
𝑊𝑡 = 𝑍𝑡 − 𝑍𝑡−𝑑
𝑊3 = 𝑍3 − 𝑍3−1
𝑊3 = 𝑍3 − 𝑍2
𝑊3 = 860.869 − 768.323
𝑊3 = 92.571
23
 Gambar 4.2 Grafik Data Stasioner

Berdasarkan Gambar 4.2 menunjukkan data sudah tidak mengalami trend naik

ataupun trend turun, hal ini berarti data sudah stasioner.

b. Identifikasi Model ARIMA

Untuk menetukan dugaan model ARIMA dapat dilihat pada plot ACF dan PACF.

Dapat dilihat plot ACF dan PACF pada Gambar 4.2 dan Gambar 4.3.

24
Gambar 4.3 Plot ACF

Gambar 4.4 Plot PACF

25
Berdasarkan Gambar 4.2 menunjukkan terjadi cut off pada lag 1 dan pada

Gambar 4.3 menunjukkan terjadi cut off pada lag 1 sehingga didapatkan beberapa

dugaan model. Dapat dilihat pada Tabel berikut:

Tabel 4.3 Hasil Estimasi Parameter

Model Parameter p-value MSE

MA 0.9275 0.000
ARIMA (0,1,1) 3890.1
Konstanta 9.788 0.001
AR -0.593 0.006
ARIMA (1,1,0) 4872.6
Konstanta 14.61 0.362
AR -0.0128 0.962
ARIMA (1,1,1) MA 0.9271 0.000 4118.2
Konstanta 9.93 0.000

Berdasarkan Tabel 4.3 pada semua dugaan model nilai MSE terkecil berada pada

model ARIMA(0,1,1) yaitu 3890.1 dengan parameter MA pada ARIMA (0,1,1)

lebih signifikan daripada model yang lain. Sehingga model terbaik yang dipilih

adalah ARIMA(0,1,1).

Diperoleh perkiraan, beban tanpa industri Bosowa dan Tonasa sebagai berikut :

Tabel 4.4 Hasil Perkiraan

Bulan Beban (MW)

Okt 2017 1028.69

Nov 2017 1038.48
Des 2017 1048.27

26
Adapun hasil realisasi beban dari bulan yang diramalkan dapat dilihat pada tabel

di bawah ini :

Tabel 4.5 Realisasi Beban

Bulan Beban (MW)

Okt 2017 1041.3

Nov 2017 1022.5

Des 2017 1018.7

Untuk menghitung berapa deviasi antara perkiraan atau rencana dengan realisasi

yang ada, dapat menggunakan rumus sebagai berikut :

𝑫 = 𝟏𝟎𝟎% − [{𝒓𝒆𝒏𝒄𝒂𝒏𝒂 ÷ 𝒓𝒆𝒂𝒍𝒊𝒔𝒂𝒔𝒊} 𝟏𝟎𝟎%]

a. Oktober 2017

𝐷 = 100% − [{𝑟𝑒𝑛𝑐𝑎𝑛𝑎 ÷ 𝑟𝑒𝑎𝑙𝑖𝑠𝑎𝑠𝑖} 100%]

𝐷 = 100% − [{1028.69 ÷ 1041.3} 100%]

𝐷 = 100% − [{0.987} 100%]

𝐷 = (100 − 98.7)%

𝐷 = 1.3%

b. November 2017

𝐷 = 100% − [{𝑟𝑒𝑛𝑐𝑎𝑛𝑎 ÷ 𝑟𝑒𝑎𝑙𝑖𝑠𝑎𝑠𝑖} 100%]

𝐷 = 100% − [{1038.48 ÷ 1022.5} 100%]

𝐷 = 100% − [{1.01} 100%]

27
 𝐷 = (100 − 101)%

𝐷 = −1%

c. Desember 2017

𝐷 = 100% − [{𝑟𝑒𝑛𝑐𝑎𝑛𝑎 ÷ 𝑟𝑒𝑎𝑙𝑖𝑠𝑎𝑠𝑖} 100%]

𝐷 = 100% − [{1048.27 ÷ 1018.7} 100%]

𝐷 = 100% − [{1.02} 100%]

𝐷 = (100 − 102)%

𝐷 = −2%

28
 BAB V

KESIMPULAN DAN SARAN

A. Kesimpulan

1. Perbandingan antara perkiraan beban dasar dengan kondisi realisasai

pada bulan Oktober, November, dan Desember adalah untuk perkiraan

pada bulan Oktober sebesar 1028.69 MW, bulan November sebesar

1038.48 MW, dan bulan Desember sebesar 1048.27 MW. Sedangkan

realisasi pada bulan Oktober sebesar 1041.3 MW, bulan November

sebesar 1022.5 MW, dan bulan Desember sebesar 1018.7 MW .

2. Deviasi antara perkiraan dengan realisasi pada bulan Oktober sebesar

1.3%, bulan November sebesar -1%, dan pada bulan Desember sebesar

-2%.

3. Ketiga hasil perkiraan tidak melewati standar yang ada yaitu tidak

lewat dari -5% dan 5%.

B. Saran

1. Kebutuhan akan bimbingan dari dosen pembimbing untuk memberikan

pengarahan awal apa yang akan dihadapi saat praktek kerja nanti

sangat diharapkan. Hal tersebut dapat meningkatkan kesiapan

mahasiswa untuk menyerap pengalaman yang lebih dari praktek kerja

yang dilakukannya.

2. Pembagian job desk terhadap peserta Praktik Kerja Lapangan agar

lebih ditambah dan diperjelas.

29
3. Tugas Akhir ini diolah dengan software Minitab versi 16 dimana

software tersebut memiliki tingkat ketelitian belum sampai 100% dan

metode yang digunakan merupakan metode yang paling sederhana

dalam ilmu statistik.

30
 DAFTAR PUSTAKA

Abduh, Fathir Muhammad. 2017. Rencana Operasi Harian Sistem Tenaga Listrik

Sulawesi Bagian Selatan (SISTEM SULBAGSEL). Tugas Akhir. Jurusan Teknik

Elektro. Politeknik Negeri Ujung Pandang. Makassar.

Marsudi, Djiteng. 2016. Operasi Sistem Tenaga Listrik. Jakarta: Graha Ilmu

Sukino, Toto.2004. Bahan ajar Operasi Sistem Tenaga Listrik 1B. Yogyakarta:

Universitas Negeri Yogyakarta

Syafii dan Edyan Noveri. 2013. Studi Peramalan (Forecasting) Kurva Beban

Harian Listrik Jangka Pendek Menggunakan Metode Autoregressive Integrated

Moving Average (ARIMA). Jurnal Naional Teknik Elektro Vol.2, No 1. ISSN

2301.2949

Syarifuddin, Syandriana. 2018. Perbandingan Bagan Kendali Modifikasi

Shewhart dan Bagan Kendali ARMAST. Skripsi. Fakultas Matematika dan Ilmu

Pengetahuan Alam. Universitas Hasanuddin. Makassar.

Utama, Satriya NP.2007. Prakiraan Kebutuhan tenaga listrik propinsi Bali

sampai tahun 2018 dengan metode regresi berganda deret waktu. Laporan Hasil

penelitian. Fakultas teknik Universitas Udayana.

31
Wei, W.W.S. (2006). Time Series Analysis: Univariate and Multivariate Methods

Second Edition. New Jersey: Pearson Prentice Hall

32
 LAMPIRAN

————— 6/19/2018 4:14:53 PM ———————————————————

—

Welcome to Minitab, press F1 for help.

Time Series Plot of Data Beban

Trend Analysis for Data Beban

Data Data Beban

Length 21
NMissing 0

Fitted Trend Equation

Yt = 814.3 + 10.0*t

Accuracy Measures

MAPE 4.53
MAD 38.89
MSD 3166.09

Trend Analysis Plot for Data Beban

Time Series Plot of C2

Trend Analysis for diffrnc1

Data diffrnc1
Length 21
NMissing 1

Fitted Trend Equation

Yt = 4.2 + 0.362*t

Accuracy Measures

MAPE 175.15
MAD 45.32
MSD 6612.37

Trend Analysis Plot for diffrnc1

33
Autocorrelation Function: diffrnc1

Lag ACF T LBQ

1 -0.543264 -2.43 6.83
2 0.100484 0.36 7.08
3 0.042117 0.15 7.13
4 -0.265201 -0.93 9.06
5 0.350968 1.18 12.67
6 -0.187543 -0.59 13.78
7 0.008964 0.03 13.78
8 0.016177 0.05 13.79
9 -0.092786 -0.29 14.14
10 0.029313 0.09 14.17
11 0.003624 0.01 14.18
12 -0.014664 -0.05 14.19
13 0.124567 0.39 15.16
14 -0.092736 -0.28 15.79
15 0.016710 0.05 15.82
16 0.003977 0.01 15.82
17 -0.005180 -0.02 15.82
18 0.039025 0.12 16.16
19 -0.034552 -0.11 16.68

Autocorrelation for diffrnc1

Partial Autocorrelation Function: diffrnc1

Lag PACF T
1 -0.543264 -2.43
2 -0.276155 -1.24
3 -0.058736 -0.26
4 -0.362767 -1.62
5 0.017800 0.08
6 0.020345 0.09
7 -0.067224 -0.30
8 -0.126893 -0.57
9 -0.098686 -0.44
10 -0.247084 -1.10
11 -0.232587 -1.04
12 -0.225593 -1.01
13 -0.016475 -0.07
14 -0.042817 -0.19
15 -0.037401 -0.17
16 -0.062708 -0.28
17 -0.038325 -0.17
18 -0.125715 -0.56
19 -0.131592 -0.59

Partial Autocorrelation for diffrnc1

ARIMA Model: Data Beban

Estimates at each iteration

Iteration SSE Parameters

0 119325 0.100 8.436

34
 1 104078 0.250 8.121
2 92673 0.400 8.102
3 84248 0.550 8.330
4 78336 0.700 8.903
5 73866 0.848 9.954
6 71961 0.909 10.312
7 71693 0.934 10.141
8 71591 0.922 9.647
9 71530 0.929 9.813
10 71529 0.927 9.788

Unable to reduce sum of squares any further

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0.9275 0.1639 5.66 0.000
Constant 9.788 2.426 4.03 0.001

Differencing: 1 regular difference

Number of observations: Original series 21, after differencing 20
Residuals: SS = 70022.1 (backforecasts excluded)
MS = 3890.1 DF = 18

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 7.0 * * *
DF 10 * * *
P-Value 0.723 * * *

ARIMA Model: Data Beban

Estimates at each iteration

Iteration SSE Parameters

0 147927 0.100 7.592
1 125456 -0.050 8.238
2 108451 -0.200 9.332
3 96887 -0.350 10.845
4 90760 -0.500 12.828
5 89744 -0.574 14.161
6 89700 -0.589 14.510
7 89698 -0.592 14.588
8 89698 -0.593 14.606
9 89698 -0.593 14.610

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.5930 0.1914 -3.10 0.006
Constant 14.61 15.61 0.94 0.362

Differencing: 1 regular difference

35
Number of observations: Original series 21, after differencing 20
Residuals: SS = 87707.4 (backforecasts excluded)
MS = 4872.6 DF = 18

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 5.7 * * *
DF 10 * * *
P-Value 0.838 * * *

ARIMA Model: Data Beban

Estimates at each iteration

Iteration SSE Parameters

0 132335 0.100 0.100 7.592
1 99937 -0.050 0.250 7.929
2 93385 0.010 0.400 7.672
3 85730 0.031 0.550 7.866
4 78054 -0.013 0.700 9.006
5 74456 -0.045 0.818 10.286
6 73855 0.038 0.951 10.202
7 71657 -0.025 0.930 9.616
8 71560 -0.009 0.933 9.892
9 71558 -0.018 0.924 9.831
10 71519 -0.012 0.929 9.914
11 71519 -0.013 0.927 9.910
12 71519 -0.013 0.927 9.930

Unable to reduce sum of squares any further

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.0128 0.2672 -0.05 0.962
MA 1 0.9271 0.1801 5.15 0.000
Constant 9.930 2.303 4.31 0.000

Differencing: 1 regular difference

Number of observations: Original series 21, after differencing 20
Residuals: SS = 70009.0 (backforecasts excluded)
MS = 4118.2 DF = 17

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 7.2 * * *
DF 9 * * *
P-Value 0.620 * * *

ARIMA Model: Data Beban

Estimates at each iteration

Iteration SSE Parameters

36
 0 119325 0.100 8.436
1 104078 0.250 8.121
2 92673 0.400 8.102
3 84248 0.550 8.330
4 78336 0.700 8.903
5 73866 0.848 9.954
6 71961 0.909 10.312
7 71693 0.934 10.141
8 71591 0.922 9.647
9 71530 0.929 9.813
10 71529 0.927 9.788

Unable to reduce sum of squares any further

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0.9275 0.1639 5.66 0.000
Constant 9.788 2.426 4.03 0.001

Differencing: 1 regular difference

Number of observations: Original series 21, after differencing 20
Residuals: SS = 70022.1 (backforecasts excluded)
MS = 3890.1 DF = 18

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 7.0 * * *
DF 10 * * *
P-Value 0.723 * * *

Forecasts from period 21

95% Limits
Period Forecast Lower Upper Actual
22 1028.69 906.42 1150.96
23 1038.48 915.89 1161.07
24 1048.27 925.35 1171.18

————— 7/3/2018 9:15:46 PM ————————————————————

Welcome to Minitab, press F1 for help.

Retrieving project from file: 'D:\ Alifi21Lock - Bebas Virus \Ditaaa
(1)\Documents\PKL\Minitab\TA.MPJ'

37