Академический Документы
Профессиональный Документы
Культура Документы
SULBAGSEL
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
Menyetujui,
Mengetahui,
Ketua Jurusan Teknik Elektro
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
iii
KATA PENGANTAR
Alhamdulillah, puji syukur kehadirat Allah SWT atas segala rahmat dan
bulan Februari sampai dengan bulan April tahun 2018 bertempat di PT. PLN
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:
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.
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.
pengetahuan. Semoga laporan ini dapat memberikan informasi dan ilmu yang
bermanfaat bagi para pembacanya, semoga amal baik semua pihak yang telah
Penulis
v
HALAMAN PENGESAHAN .......................................................................... ii
DAFTAR GAMBAR....................................................................................... ix
RINGKASAN................................................................................................... x
BAB I................................................................................................................ 1
PENDAHULUAN ............................................................................................ 1
vi
2.4.2 Model Time Series................................................................ 15
BAB III ........................................................................................................... 18
vii
DAFTAR TABEL
viii
DAFTAR GAMBAR
ix
RINGKASAN
x
BAB I
PENDAHULUAN
mengalami peningkatan. Hal ini diakibatkan karena energi listrik telah menjadi
mengikuti kebutuhan tenaga listrik dalam arti menyesuaikan daya listrik yang
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
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
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
tenaga listrik yang seekonomis mungkin dan salah satunya yaitu memperhatikan
Tidak ada rumus eksak yang dapat memastikan besarnya beban untuk setiap
tenaga listrik dalam penyediaan energi yang sesuai dengan kebutuhan. Perkiraan
perlu dilakukan sebaik mungkin karena apabila perkiraannya tidak tepat akan
kebutuhan beban. Dan jika perkiraan beban yang terlalu besar maka akan
Penelitian ini dilakukan dengan cara memasukkan beban dasar atau beban tanpa
software Minitab 16.2.4. Minitab adalah sebuah aplikasi yang salah satu fungsinya
2
1.2 Rumusan Masalah
series analysis?
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.
3
1. Menentukan perbandingan antara perkiraan beban dasar dengan kondisi
series analysis .
adalah :
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
listrik tersebar di berbagai tempat, maka penyampaian tenaga listrik dari tempat
teknis.
PLTG, PLTP, dan PLTD kemudian disalurkan melalui saluran transmisi setelah
transformator) yang ada di Pusat Listrik. Hal ini digambarkan oleh gambar 2.1.
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
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
5
Gambar 2. 1Skema Pusat Listrik yang dihubungkan melalui saluran Transmisi
ke Gardu Induk (Marsudi, 2016:2)
Keterangan: G = Generator
besar sampai ke konsumen. Secara garis besar fungsi distribusi adalah sebagai
mencatu daya pada pusat beban yang dilayani langsung melalui jaringan distribusi.
6
Gambar 2. 2Bagan Penyampaian Tenaga Listrik kepada Pelanggan
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
Dalam merencanakan sistem distribusi tenaga listrik maka hal yang perlu
diperhatikan adalah beban listrik. Hal-hal yang perlu diperhatikan dari beban listrik:
Daya listrik atau dalam bahasa Inggris disebut dengan Electrical Power
menyerap daya listrik tersebut. Dengan kata lain, Daya listrik adalah tingkat
7
konsumsi energi dalam sebuah sirkuit atau rangkaian listrik. Daya listrik
Daya nyata (P) menunjukkan adanya aliran energi listrik dari pembangkit
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.
listrik induksi misalnya, medan magnet yang dibangkitkan oleh daya reaktif
medan magnet induksi pada komponen rotor. Pada trafo, daya reaktif
Daya semu (S), adalah hasil perkalian antara tegangan efektif dengan
arus efektif.
8
Pada kondisi beban resistif dimana tidak terjadi pergeseran grafik
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
daya semu, salah satu sisi siku sebagai daya nyata, dan sisi siku lainnya
9
Sesuai dengan hubungan segitiga di atas maka hubungan antara daya
nyata, daya reaktif dan daya semu dapat diekspresikan ke dalam sebuah
persamaan pitagoras.
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
seperti ini biasanya digunakan untuk perkiraan jangka pendek, atau jika
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
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
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
listrik harus selalu diusahakan agar daya yang dibangkitkan sama dengan beban
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
11
ekonomi yang merupakan masalah ekstern kelembagaan listrik merupakan faktor
Perkiraan beban jangka menengah adalah untuk jangka waktu dari satu
bulan sampai dengan satu tahun. Poros untuk perkiraan beban jangka
jam sampai satu minggu (168 jam). Dalam perkiraan beban jangka pendek batas
atas untuk beban maksimum dan batas bawah untuk beban minimum yang
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
seiring dengan adanya perubahan deret waktu. Jika suatu deret waktu stasioner
maka nilai tengah (mean), varian dan kovarian deret tersebut tidak dipengaruhi oleh
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,
adalah gerakan yang tidak teratur dan terjadi secara tiba-tiba serta sulit untuk
diramalkan. Gerakan ini dapat timbul sebagai akibat adanya perubahan cuaca,
Setiap jenis grafik yang diakibatkan oleh bentuk data memiliki kegunaan dan
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:
B = Backshift operator
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
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,
14
2) Partial Autocorellation Function (PACF)
permodelan yang tepat. Pada time series, terdapat beberapa model yang dapat
Model Autoregressive (p) adalah model hasil regresi dengan dirinya sendiri
Model Moving Average (q) disebut juga sebagai model rata-rata bergerak.
15
𝑫 = 𝟏𝟎𝟎% − [{𝒓𝒆𝒏𝒄𝒂𝒏𝒂 ÷ 𝒓𝒆𝒂𝒍𝒊𝒔𝒂𝒔𝒊} 𝟏𝟎𝟎%]
Keterangan :
D = Deviasi
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
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
Software:
16
Gambar 2.4 Tampilan Awal Aplikasi MiniTab versi 16.2.4. Statistical Software
17
BAB III
METODE PENELITIAN
Penelitian dan pengumpulan data berlangsung selama dua bulan yaitu bulan
3.2 Instrumen
Alat yang digunakan dalam pembuatan simulasi adalah laptop yang memiliki
Metode pengumpulan data yang dilakukan pada penelitian ini adalah sebagai
berikut :
1. Studi Literatur
situs-situs internet dan literatur lain yang berkaitan dengan masalah yang
18
2. Wawancara
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.
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
19
3.5 Diagram Alir
Mulai
Pengumpulan
Data
Data Lengkap
Peramalan Data
Hasil Sesuai
Standar?
Kesimpulan
Selesai
20
BAB IV
Sesuai dengan judul laporan Tugas Akhir ini, yaitu Perkiraan Beban Bulanan
data beban dasar pada data beban sistem. Pada perkiraan beban dibutuhkan data
yang lengkap mengenai pembuatan perkiraan beban. Data tersebut berupa data
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.
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
seiring dengan adanya perubahan deret waktu. Jika suatu deret waktu stasioner
maka nilai tengah (mean), varian dan kovarian deret tersebut tidak dipengaruhi
kestasioneran. Untuk mengetahui data telah stasioner atau tidak dapat dilihat
1. Klik Stat
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
1. Klik Stat
2. Pilih Differences
3. Isi kolom Series dengan meng-klik dua kali pada data awal, Beban Dasar
5. Lalu klik OK
23
Tabel 4. 2 Hasil Differencing Data
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
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
25
Berdasarkan Gambar 4.2 menunjukkan data sudah tidak mengalami trend naik
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.
1. Klik Stat
3. Pilih Autocorrelation
4. Isi kolom Series dengan meng-klik dua kali pada data Differencing
6. Lalu klik OK
26
1. Klik Stat
4. Isi kolom series dengan meng-klik dua kali pada data Differencing
6. Lalu klik OK
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
4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar
8. Lalu klik OK
b. ARIMA (1,1,0)
1. Klik Stat
4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar
8. Lalu klik OK
c. ARIMA (1,1,1)
1. Klik Stat
4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar
28
5. Isi kolom Autoregressive dengan angka 1
8. Lalu klik OK
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
(0,1,1) lebih signifikan daripada model yang lain. Sehingga model terbaik yang
1. Klik Stat
3. Pilih ARIMA
4. Isi kolom Series dengan meng-klik dua kali pada data Beban Dasar
29
6. Isi kolom Difference dengan angka 1
8. Klik Forecasts
Diperoleh perkiraan, beban tanpa industri Bosowa dan Tonasa sebagai berikut
Adapun hasil realisasi beban dari bulan yang diramalkan dapat dilihat pada
30
Untuk menghitung berapa deviasi antara perkiraan atau rencana dengan
a. Oktober 2017
𝐷 = (100 − 98.7)%
𝐷 = 1.3%
b. November 2017
𝐷 = (100 − 101)%
𝐷 = −1%
c. Desember 2017
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
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
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
32
BAB V
5.1 Kesimpulan
1.3%, bulan November sebesar -1%, dan pada bulan Desember sebesar
-2%.
5.2 Saran
1. Tugas Akhir ini diolah dengan software Minitab versi 16.2.4 dimana so
Minitab.
33
2. Diharapkan agar pembaca dapat mendalami materi time series agar
tersebut.
34
DAFTAR PUSTAKA
Ujung Pandang.
Syafii, & Noveri, E. (2013). Studi Peramalan (Forecasting) Kurva Beban Harian
2301.2949.
Universitas Udayana.
23
LAMPIRAN 1. APLIKASI MINITAB
Yt = 814.3 + 10.0*t
Accuracy Measures
MAPE 4.53
MAD 38.89
MSD 3166.09
Data diffrnc1
Length 21
NMissing 1
Yt = 4.2 + 0.362*t
Accuracy Measures
MAPE 175.15
MAD 45.32
MSD 6612.37
24
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
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
Lag 12 24 36 48
Chi-Square 7.0 * * *
DF 10 * * *
P-Value 0.723 * * *
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
Lag 12 24 36 48
Chi-Square 5.7 * * *
DF 10 * * *
P-Value 0.838 * * *
Lag 12 24 36 48
Chi-Square 7.2 * * *
DF 9 * * *
P-Value 0.620 * * *
27
Estimates at each iteration
Lag 12 24 36 48
Chi-Square 7.0 * * *
DF 10 * * *
P-Value 0.723 * * *
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
28