PERKIRAAN BEBAN BULANAN PADA SISTEM TENAGA LISTRIK

SULBAGSEL

LAPORAN TUGAS AKHIR

Diajukan sebagai salah satu syarat untuk menyelesaikan
pendidikan diploma tiga (D-3) Program Studi Teknik Listrik
Jurusan Teknik Elektro
Politeknik Negeri Ujung Pandang

DITA FADILAH TAUHID

321 15 074

PROGRAM STUDI D-3 TEKNIK LISTRIK

JURUSAN TEKNIK ELEKTRO
POLITEKNIK NEGERI UJUNG PANDANG
MAKASSAR
2018

i
 HALAMAN PENGESAHAN

Laporan Tugas Akhir ini dengan judul Perkiraan Beban Bulanan pada

Sistem Tenaga Listrik Sulbagsel oleh Dita Fadilah Tauhid NIM 321 15 074

dinyatakan layak untuk diujiankan.

Makassar, 31 Juli 2018

Menyetujui,

Dosen Pengarah Utama Dosen Pengarah Pendamping

Sofyan , S.T., M.T. Naely Muchtar, S.Pd, M.Pd.

NIP 198003032015041003 NIP 1983072822009122005

Mengetahui,
Ketua Jurusan Teknik Elektro

Dr. Ir. Hafsah Nirwana, M.T.

NIP 196404051990032002

ii
 HALAMAN PENERIMAAN

Pada hari ini, hari Kamis tanggal 02 Agustus 2018, Tim Penguji Seminar Tugas

Akhir telah menerima dengan baik hasil Seminar Laporan Tugas Akhir oleh

mahasiswi: Dita Fadilah Tauhid NIM 321 15 074 dengan judul Perkiraan Beban

Bulanan pada Sistem Tenaga Listrik Sulbagsel.

Makassar, 31 Juli 2018

Tim Penguji Seminar Hasil Tugas Akhir :

1. Ruslan L, S.T.,M.T. Ketua ( .........................)

2. Kurniawati, S.T.,M.T. Sekretaris (..........................)

3. Aksan, S.T., M.T. Anggota (..........................)

4. Ir. Syarifuddin, M.T. Anggota (..........................)

5. Sofyan, S.T., M.T. Anggota (..........................)

6. Naely Muchtar, S.Pd.,M.Pd. Anggota (..........................)

iii
 KATA PENGANTAR

Alhamdulillah, puji syukur kehadirat Allah SWT atas segala rahmat dan

hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul

“PERKIRAAN BEBAN BULANAN PADA SISTEM TENAGA LISTRIK

SULBAGSEL” dengan baik.

Tugas akhir ini merupakan hasil penelitian yang dilaksanakan mulai

bulan Februari sampai dengan bulan April tahun 2018 bertempat di PT. PLN

(PERSERO) PEMBANGKITAN DAN PENYALURAN UNIT PENGATUR

BEBAN (UPB SULSELRABAR).

Selama penulisan Tugas Akhir ini, penulis banyak mendapatkan pengalaman

berharga serta ilmu yang bermanfaat yang diperoleh. Maka pada kesempatan ini,

penulis mengucapkan banyak terima kasih kepada semua pihak atas bimbingan,

motivasi, dan saran yang telah diberikan kepada penulis, antara lain:

1. Allah SWT yang telah memberikan kesempatan dan kemudahan bagi

penulis untuk menyelesaikan Tugas Akhir ini.

2. Bapak Dr. Ir. H. Hamzah Yusuf, M.S., selaku Direktur Politeknik Negeri

Ujung Pandang.

3. Ibu Dr. Ir. Hafsah Nirwana, M.T. selaku Ketua Jurusan Teknik Elektro.

4. Bapak Purwito, S.T.,M.,T. selaku Ketua Program Studi D3 Teknik Listrik.

5. Bapak Sofyan, S.T.,M.T., sebagai Pembimbing 1 dan Ibu Naely Muchtar

S.Pd., M.Pd. sebagai Pembimbing 2 yang telah mencurahkan waktu dan

kesempatannya untuk mengarahkan penulis dalam menyelesaikan Tugas

Akhir ini.

iv
 6. Segenap dosen dan staf pengajar jurusan Teknik Elektro Politeknik Negeri

Ujung Pandang.

7. Kedua orang tua tercinta yang selalu memberikan doa dan dukungan kepada

penulis.

8. Teman – teman mahasiswa Jurusan Teknik Elektro.

9. Muhammad Fathir D3 Listrik’14, Fathurrahmah D4 Listrik’14, dan

Syandriana Statistik’14 UNHAS atas ilmu yang telah diberikan.

Penulis sangat mengharapkan kritik dan saran demi kemajuan ilmu

pengetahuan. Semoga laporan ini dapat memberikan informasi dan ilmu yang

bermanfaat bagi para pembacanya, semoga amal baik semua pihak yang telah

membantu mendapat balasan yang setara dari Allah SWT.

Makassar, Juli 2018

Penulis

v
HALAMAN PENGESAHAN .......................................................................... ii

HALAMAN PENERIMAAN ......................................................................... iii

KATA PENGANTAR ..................................................................................... iv

DAFTAR ISI ................................................................................................... vi

DAFTAR TABEL ......................................................................................... viii

DAFTAR GAMBAR....................................................................................... ix

RINGKASAN................................................................................................... x

BAB I................................................................................................................ 1

PENDAHULUAN ............................................................................................ 1

1.1 Latar Belakang .................................................................................. 1

1.2 Rumusan Masalah ............................................................................. 3
1.3 Ruang Lingkup .................................................................................. 3
1.4 Tujuan Penelitian .............................................................................. 3
1.5 Manfaat Penelitian ............................................................................ 4
BAB II .............................................................................................................. 5

TINJAUAN PUSTAKA ................................................................................... 5

2.1 Sistem Tenaga Listrik ....................................................................... 5

2.2 Beban Listrik ..................................................................................... 7
2.2.1 Daya Listrik ............................................................................ 7
2.2.2 Pengelompokan beban listrik meliputi: ................................ 10
2.3 Perkiraan Beban .............................................................................. 10
2.4 Times Series Analysis ...................................................................... 12
2.4.1 Identifikasi Model................................................................. 14

vi
 2.4.2 Model Time Series................................................................ 15
BAB III ........................................................................................................... 18

METODE PENELITIAN ............................................................................... 18

3.1 Waktu dan Tempat Penelitian ......................................................... 18

3.1.1 Tempat Penelitian ................................................................. 18
3.1.2 Waktu Penelitian................................................................... 18
3.2 Instrumen ........................................................................................ 18
3.3 Teknik Pengumpulan Data .............................................................. 18
3.4 Teknik Analisis Data ....................................................................... 19
BAB IV ........................................................................................................... 21

HASIL DAN DESKRIPSI ............................................................................. 21

4.1 Perkiraan Beban .............................................................................. 21

4.2 Data Beban Time Series .................................................................. 21
4.3 Hasil ................................................................................................ 22
BAB V ............................................................................................................ 33

KESIMPULAN DAN SARAN ...................................................................... 33

5.1 Kesimpulan ..................................................................................... 33

5.2 Saran ................................................................................................ 33
DAFTAR PUSTAKA ..................................................................................... 23

vii
 DAFTAR TABEL

Tabel 4. 1 Data Beban .................................................................................... 21

Tabel 4. 2 Hasil Differencing Data ................................................................. 24

Tabel 4. 3 Hasil Estimasi Parameter ............................................................... 29

Tabel 4. 4 Hasil Perkiraan .............................................................................. 30

Tabel 4. 5 Realisasi Beban ............................................................................. 30

viii
 DAFTAR GAMBAR

Gambar 2. 1Skema Pusat Listrik yang dihubungkan melalui saluran Transmisi

ke Gardu Induk (Marsudi, 2016:2) ................................................................... 6

Gambar 2. 2Bagan Penyampaian Tenaga Listrik kepada Pelanggan ............... 7

Gambar 2. 3 Segitiga Daya ............................................................................... 9

Gambar 3. 1 Diagram Alir Penelitian ............................................................. 20

Gambar 4. 1 Grafik Data ................................................................................ 23

Gambar 4. 2 Grafik Data Stasioner ................................................................ 25

Gambar 4. 3 Plot ACF .................................................................................... 26

Gambar 4. 4 Plot PACF .................................................................................. 27

ix
 RINGKASAN

Dita Fadilah Tauhid, 2018. “Perkiraan Beban Bulanan pada Sistem

Sulbagsel”, Laporan Tugas Akhir, Program Studi Teknik Listrik Jurusan Teknik
Elektro Politeknik Negeri Ujung Pandang, Pembimbing: Sofyan, S.T., M.T. dan
Naely Muchtar, S.Pd., M.Pd.
Aktivitas manusia dalam penggunaan energi listrik dari waktu ke
waktu akan mengalami peningkatan. Jika 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. Dimana kita ketahui
standar frekuensi PLN yaitu 50Hz. Dengan adanya peningkatan dalam penggunaan
energi listrik pada sistem sulbagsel maka akan dilakukan proses peramalan atau
perkiraan beban dengan menggunakan metode time series analysis. Dari metode
time series analysis tersebut dihasilkan berupa angka beban sistem jaringan
sulbagsel yaitu 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 . Deviasi antara perkiraan dengan realisasi pada bulan Oktober
sebesar 1.3%, bulan November sebesar -1%, dan pada bulan Desember sebesar -
2%.
Kata kunci: Perkiraan Beban, Time Series Analysis, ARIMA.

x
 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 dikonsumsi oleh para pemakai tenaga listrik yang

secara teknis umumnya dikatakan sebagai beban sistem. 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 forecasting).

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 dengan kondisi realisasi pada

bulan Oktober, November, dan Desember 2017 menggunakan metode

time series analysis?

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 :

3
 1. Menentukan perbandingan antara perkiraan beban dasar dengan kondisi

realisasi pada bulan Oktober, November, dan Desember 2017 menggunakan

metode time series analysis .

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 :

3. 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 .

4. 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 listrik 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 penurun 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. 1Skema 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 primer 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 2.1.

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. 2Bagan Penyampaian Tenaga Listrik kepada Pelanggan

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

menghasilkan daya listrik sedangkan beban yang terhubung dengannya akan

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

7
 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)

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

arus efektif.

8
 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. 3 Segitiga Daya

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

9
 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. Metode kualitatif lebih banyak

menuntut analisis yang didasarkan pada pemikiran intuitif, perkiraan logis, dan

informasi atau pengetahuan yang telah diperoleh peneliti sebelumnya. Perkiraan

seperti ini biasanya digunakan untuk perkiraan jangka pendek, atau jika

pengambilan keputusan lebih mempercayai intuisinya daripada rumus matematik.

Satu ciri metode ini adalah factor yang mempengaruhi perkiraan dan cara

menilainya sangat bersifat pribadi dan sulit ditirukan orang lain. Berbeda dengan

10
metode kualitatif, pada metode kuantitatif dibutuhkan informasi masa lalu yang

dikuantitatifkan dalam bentuk data numerik. Metode perkiraan secara kuantitatif

mendasarkan perkiraannya pada metode statistika dan matematika. Terdapat dua

jenis model peramalan atau perkiraan kuantitatif, yaitu model deret waktu (time

series) dan model regresi (regression). Masalah pada Tugas Akhir ini akan

menggunakan metode deret waktu (time series) dimana model deret waktu berupaya

untuk meramalkan kondisi masa yang akan datang dengan menggunakan data

historis dan mengekstrapolasikan pola tersebut ke masa depan.

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 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

11
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.

2 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.

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

12
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).

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 peralatan 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

13
mengetahui bentuk dari masing-masing grafik itu sendiri. Berikut rumus

differencing :

𝑾𝒕 = (𝟏 − 𝑩)𝒅 𝒁𝒕 𝑩𝒅 𝒁𝒕 = 𝒁𝒕−𝒅

Keterangan:

Wt = Data t hasil diff

d = Differencing (1,2,3 … biasanya 1 atau 2)

B = Backshift operator

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:

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.

14
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.

4) Model Autoregressive Integrated Moving Average (ARIMA)

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

mengalami proses differencing.

Adapun rumus untuk menentukan deviasi antara perkiraan beban dengan

realisasi yang terjadi adalah sebagai berikut :

15
 𝑫 = 𝟏𝟎𝟎% − [{𝒓𝒆𝒏𝒄𝒂𝒏𝒂 ÷ 𝒓𝒆𝒂𝒍𝒊𝒔𝒂𝒔𝒊} 𝟏𝟎𝟎%]

Keterangan :

D = Deviasi

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 akan digunakan dalam 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 memiliki jarak 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:

16
Gambar 2.4 Tampilan Awal Aplikasi MiniTab versi 16.2.4. Statistical Software

17
 BAB III

METODE PENELITIAN

3.1 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 berlangsung selama dua bulan yaitu bulan

Maret 2018 hingga bulan April 2018.

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.

18
2. Wawancara

Melakukan pengumpulan data yang dilakukan dengan mengadakan tatap

muka atau wawancara secara langsung dengan pihak UPB Sulselrabar 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.

3.4 Teknik Analisis Data

Dalam penelitian ini metode analisis data yang digunakan adalah analisis

deskriptif dengan metode time series analysis menggunakan software Minitab versi

16.2.4, yang salah satu fungsinya adalah dapat melakukan peramalan atau perkiraan

beban.

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).

19
3.5 Diagram Alir

Mulai

Pengumpulan
Data

Data Lengkap

Peramalan Data

Hasil Sesuai
Standar?

Kesimpulan

Selesai

Gambar 3. 1 Diagram Alir Penelitian

20
 BAB IV

HASIL DAN DESKRIPSI

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.

4.2 Data Beban Time Series

Metode time series analysis pada aplikasi Minitab versi 16.2.4 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).

Data tersebut merupakan data beban sistem tanpa industri Bosowa dan Tonasa.

Berikut merupakan sampel dari data yang digunakan:

Tabel 4. 1 Data Beban

Beban (MW) Beban

Bulan 2016 Bulan 2017
2016 (MW) 2017
1 2 3 4
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

21
 1 2 3 4
May-16 856.863 May-17 978.3
Jun-16 879.102 Jun-17 971.9
Jul-16 688.181 Jul-17 964.1
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
Data Diolah

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 dengan cara:

1. Klik Stat

2. Pilih Time Series

3. Lalu pilih Trend Analysis

4. Isi kolom Variable dengan meng-klik dua kali pada data awal, Beban Dasar

5. Klik OK

22
 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, dengan cara:

1. Klik Stat

2. Pilih Differences

3. Isi kolom Series dengan meng-klik dua kali pada data awal, Beban Dasar

4. Isi kolom Store In dengan C2

5. Lalu klik OK

23
 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
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

24
 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

Setelah melakukan differencing, cek kembali trend analysis untuk melihat

apakah data sudah stasioner atau belum.

Gambar 4. 2 Grafik Data Stasioner

25
 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 menentukan dugaan model ARIMA dapat dilihat pada plot ACF dan

PACF. Dapat dilihat plot ACF dan PACF pada Gambar 4.3 dan Gambar 4.4.

Untuk menentukan plot ACF dapat dilakukan dengan cara:

1. Klik Stat

2. Lalu pilih Time Series

3. Pilih Autocorrelation

4. Isi kolom Series dengan meng-klik dua kali pada data Differencing

5. Pada kolom Number of Lags, isi angka 100

6. Lalu klik OK

Gambar 4. 3 Plot ACF

Untuk menentukan plot PACF dapat dilakukan dengan cara:

26
 1. Klik Stat

2. Lalu pilih Time Series

3. Pilih Partial Autocorrelation

4. Isi kolom series dengan meng-klik dua kali pada data Differencing

5. Pada kolom Number of Lags, isi angka 100

6. Lalu klik OK

Gambar 4. 4 Plot PACF

Berdasarkan Gambar 4.3 menunjukkan terjadi cut off pada lag 1 dan pada

Gambar 4.4 menunjukkan terjadi cut off pada lag 1 sehingga didapatkan beberapa

dugaan model ARIMA (0,1,1), (1,1,0), dan (1,1,1). Untuk menentukan Estimasi

parameter dari model yang telah diduga, dapat dilakukan dengan cara sebagai

berikut:

27
a. ARIMA (0,1,1)

1. Klik Stat

2. Plih Time Series

3. Lalu pilih ARIMA

4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar

5. Isi kolom Autoregressive dengan angka 0

6. Isi kolom Difference dengan angka 1

7. Isi kolom Moving Average dengan angka 1

8. Lalu klik OK

b. ARIMA (1,1,0)

1. Klik Stat

2. Plih Time Series

3. Lalu pilih ARIMA

4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar

5. Isi kolom Autoregressive dengan angka 1

6. Isi kolom Difference dengan angka 1

7. Isi kolom Moving Average dengan angka 0

8. Lalu klik OK

c. ARIMA (1,1,1)

1. Klik Stat

2. Plih Time Series

3. Lalu pilih ARIMA

4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar

28
 5. Isi kolom Autoregressive dengan angka 1

6. Isi kolom Difference dengan angka 1

7. Isi kolom Moving Average dengan angka 1

8. Lalu klik OK

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). Untuk menggunakan model tersebut dapat dilakukan

forecasting atau perkiraan dengan cara:

1. Klik Stat

2. Pilih Time Series

3. Pilih ARIMA

4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar

5. Isi kolom Autoregressive dengan angka 0

29
 6. Isi kolom Difference dengan angka 1

7. Isi kolom Moving Average dengan angka 1

8. Klik Forecasts

9. Isi kolom Lead dengan angka 3

10. Isi kolom Storage Forecasts dengan C8

11. Lalu klik OK

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

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

30
 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%]

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%

31
 Dari hasil perhitungan menunjukkan bahwa hasil perkiraan pada bulan Oktober

lebih besar 1.3% dari realisasi yang ada sementara pada bulan November lebih

rendah 1% sedangkan pada bulan Desember lebih rendah 2%.

Persiapan PLN untuk mengatasi hasil perkiraan beban yang diperoleh,

diantaranya adalah pada hasil perkiraan beban yang diperoleh, deviasi antara

perkiraan beban dengan realisasi pada bulan oktober sebesar 1.3%, bulan

November sebesar -1%, dan bulan Desember sebesar -2%. Deviasi bulan

Oktobermenunjukkan bahwa perkiraan lebih besar daripada realisasi yang terjadi,

dalam hal ini PLN tidakmengalami masalah. Untuk deviasi pada November

menunjukkan bahwa perkiraan lebih kecil daripada realisasi yang ada, begitupula

untuk bulan Desember. Jika ternyata realisasi yang terjadi lebih besar daripada

perkiraan yang telah dibuat, maka PLN akan mengoperasikan cadanga putar pada

sistem pebangkit untuk memenuhi kekurangan dari permintaan beban tadi. Langkah

berikutnya adalah dilakukannya optimasi dalam penjadwalan pembangkitan

khususnya pembangkit thermal (pembangkit yang dioperasikan untuk menanggung

beban puncak sistem).

Langkah yang lain adalah dengan mengoptimalkan cadangan berputar pada

sistem kelistrikan sulbagsel.

32
 BAB V

KESIMPULAN DAN SARAN

5.1 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 perkiraan beban PLN

yaitu tidak lewat dari -5% dan 5%.

5.2 Saran

1. Tugas Akhir ini diolah dengan software Minitab versi 16.2.4 dimana so

ftware tersebut memiliki tingkat ketelitian belum sampai 100% dan me

tode yang digunakan merupakan metode yang paling sederhana dalam i

lmu statistik. Disarankan untuk menggunakan aplikasi R (R statistical s

oftware) yang memiliki tingkat keakuratan lebih baik daripada aplikasi

Minitab.

33
2. Diharapkan agar pembaca dapat mendalami materi time series agar

dapat mempermudah dalam pengembangan dan penerapan metode

tersebut.

34
 DAFTAR PUSTAKA

Abduh, F. M. (2017). Rencana Operasi Harian Sistem Tenaga Listrik Sulawesi

Bagian Selatan (SISTEM SULBAGSEL). Makasssar: Politeknik Negeri

Ujung Pandang.

Cryer, J. D. (1986). Time Series Analysis. Boston: Duxbury Press.

Marsudi, D. (2016). Operasi Sistem Tenaga Listrik. Jakarta: Graha Ilmu.

Soejoeti, Z. (1987). Analisis Runtun Waktu. Jakarta: Karunika Jakarta.

Syafii, & Noveri, E. (2013). Studi Peramalan (Forecasting) Kurva Beban Harian

Listrik Jangka Pendek Menggunakan Metode Autoregressive Integrated

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

2301.2949.

Syarifuddin, S. (2018). Perbandingan Bagan Kendali Modifikasi Shewhart dan

Bagan Kendali ARMAST. Makassar: Universitas Hasanuddin.

Utama, S. (2007). Prakiraan Kebutuhan Tenaga Listrik Propinsi Bali Sampai

Tahun 2018 dengan Metode Regresi Berganda Deret Waktu. Bali:

Universitas Udayana.

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

Second Edition. New Jersey: Pearson Prentice Hall.

23
LAMPIRAN 1. APLIKASI MINITAB

————— 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

24
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

25
Iteration SSE Parameters
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 * * *

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

26
Differencing: 1 regular difference
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

27
 Estimates at each iteration

Iteration SSE Parameters

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'

28