Peramalan Beban Listrik di Jawa Timur Menggunakan Metode ARIMA dan Adaptive Neuro Fuzzy Inference System (ANFIS)

Transkripsi

1 JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) D-9 Peramalan Beban Lisrik di Jawa Timur Menggunakan Meode ARIMA dan Adapive Neuro Fuzzy Inference Sysem () Indana La Zulfa dan Suharono Jurusan Saisika, FMIPA, Insiu Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60 suharono@saisika.is.ac.id Absrak Lisrik merupakan salah sau sumber energi uama yang digunakan hampir pada seluruh aspek kehidupan. Fakanya, kebuuhan lisrik semakin meningka seiring dengan adanya kemajuan pembangunan di bidang eknologi, indusri, dan informasi. Perkembangan dalam berbagai bidang ersebu dapa menimbulkan permasalahan erhadap kualias dan kuanias daya lisrik yang dihanarkan, sehingga disribusi enaga lisrik erhadap konsumen harus dilakukan secara opimal dan sesuai dengan kebuuhan. Tujuannya adalah agar dapa melakukan indakan yang epa seiring dengan perumbuhan kebuuhan enaga lisrik, memperahankan ingka keandalan, dan meningkkan kualias pelayanan kepada konsumen. Oleh karena iu, ramalan konsumsi lisrik unuk beberapa waku ke depan berdasarkan daa konsumsi lisrik pada waku sebelumnya diperlukan sebagai bahan perencanaan pendisribusian lisrik yang lebih efisien. Tujuan dari peneliian ini yaiu unuk meramalkan konsumsi beabn lisrik di Jawa Timur dengan meode ARIMA dan. Krieria pemilihan model erbaik berdasarkan pada nilai, S, dan pada daa ou sample. Hasil dari analisis menunjukkan bahwa meode ARIMA memberikan ingka keakuraan yang lebih baik unuk meramalkan konsumsi lisrik di Jawa Timur daripada. Kaa Kunci, ARIMA, Lisrik,,,, S. I. PENDAHULUAN merupakan salah sau sumber energi uama L ISTRIK yang digunakan hampir pada seluruh aspek kehidupan. Fakanya, kebuuhan energi lisrik semakin berkembang seiring dengan adanya kemajuan pembangunan di bidang eknologi, indusri, dan informasi. Berdasarkan daa dari Maser Plan Pembangunan Keenagalisrikan 00-0 menunjukkan bahwa disribusi enaga lisrik eringgi di Indonesia erjadi di keiga wilayah yang berdekaan yaiu Jawa, Madura, dan Bali []. Disribusi enaga lisrik erhadap konsumen harus dilakukan secara opimal dan sesuai dengan kebuuhan. Tujuannya adalah agar dapa melakukan indakan yang epa seiring dengan perumbuhan kebuuhan enaga lisrik, memperahankan ingka keandalan, dan meningkakan kualias pelayanan kepada konsumen. Oleh karena iu, diperlukan suau cara yang epa dalam menyesuaikan jumlah kapasias lisrik agar sesuai dengan perminaan konsumen. Salah sau cara yang bisa dilakukan memprediksi perminaan beban lisrik yang dibuuhkan oleh konsumen dalam beberapa jangka waku kedepan. Prediksi beban lisrik jangka pendek ini mempunyai peranan pening dalam real-ime conrol dan fungsi-fungsi keamanan dari suau sisem manajemen energi. Jika hasil dari prediksi beban lisrik jangka pendek menghasilkan akurasi yang epa, maka akan didapakan opimalisasi penyediaan energi lisrik kepada konsumen []. Peneliian yang berkaian dengan peramalan pada sisem keenagalisrikan pernah dilakukan oleh Widyapraiwi e al. []. Meode yang digunakan adalah Adapive Neuro Fuzzy Inference Sysem () dengan case sudy enang peramalan beban lisrik mingguan di Bali. Peneliian lain yang berhubungan dengan peramalan beban lisrik juga pernah dilakukan oleh Azadeh e al. [4]. Pada peneliian ersebu juga menggunakan meode unuk peramalan konsumsi lisrik jangka panjang di Eropa. Hasil dari pendekaan menunjukkan bahwa model yang disulkan elah sesuai dan akura dalam memprediksi kebuuhan lisrik di negara-negara indusri seperi Belanda, Luksemburg, Irlandia, dan Ialia. Algorima dalam peneliian ini juga mampu mengaasi kompleksias daa, ambiguias, dan keidakpasian. Penerapan meode juga pernah digunakan dalam peneliian selain unuk peramalan beban lisrik yaiu penenuan saus akivias gunung Merapi oleh Fakhurrozi e al. [5]. Peneliian lain juga pernah dilakukan oleh Nurviasari dan Irhamah [6] enang peramalan kecepaan angin harian raa-raa di Sumenep menggunakan pendekaan fungsi ransfer sebagai inpu. Kelebihan dari meode yang lain yaiu dapa memberikan hasil yang cukup baik jika digunakan unuk prediksi anpa pengelompokan daa berdasarkan musim. Hal ini elah dibukikan dalam peneliian yang dilakukan oleh Dewi e al. [] enang prediksi cuaca pada daa ime series menggunakan. Berdasarkan uraian yang elah dijelaskan sebelumnya, maka dalam ugas akhir ini akan dilakukan peneliian erhadap peramalan beban lisrik jangka pendek yang dibuuhkan di wilayah Jawa Timur dengan meode ARIMA dan. Dalam peneliian ini diharapkan mampu memberikan informasi ambahan kepada PT. PLN maupun pihak erkai enang peramalan beban lisrik di wilayah Jawa Timur unuk mengopimalkan pendisribusian energi lisrik berdasarkan hasil model erbaik dari meode yang digunakan.

2 JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) D-9 II. TINJAUAN PUSTAKA A. Analisis Time Series Daa ime series merupakan serangkaian nilai dari suau variabel erenu yang beruruan iap periodenya. Adanya daa ime series ini dapa dijadikan sebagai dasar dalam melakukan perencanaan kegiaan di masa depan (peramalan). Sedangkan menuru Wei [8], ime series merupakan suau rangkaian kegiaan dalam melakukan pengamaan erhadap variabel yang akan diamai secara beruruan berdasarkan uruan waku kejadiannya dalam inerval waku erenu secara konsan. Seiap pengamaan yang dilakukan dapa dinyaakan dalam benuk variabel random Z yang didapakan berdasarkan indeks waku erenu i dengan i,,..., n, sehingga penulisan dari daa ime series adalah Z, Z,..., Z. n B. Model Auoregressive Inegraed Moving Average (ARIMA) ARIMA merupakan suau meode peramalan yang biasanya sanga baik digunakan unuk melakukan peramalan jangka pendek. Selain iu model ARIMA juga merupakan salah sau model yang digunakan dalam peramalan daa ime series yang bersifa non sasioner. Secara umum model ARIMA ( p, d, q ) aau biasanya disebu sebagai ARIMA nonseasonal diulis sebagai beriku [8]. d ( B)( B) Z ( B) a () p 0 q Sedangkan unuk persamaan model ARIMA muliplicaive seasonal adalah s d s D s ( B ) ( B)( B) ( B ) Z ( B) ( B ) a () P p q Q dengan: p( B ) q( B ) ( B) d s P ( B ) Q s ( B ) s D : koefisien komponen AR orde p : koefisien komponen MA orde q : differencing orde d : koefisien komponen AR periode musiman s orde P : koefisien komponen MA periode musiman s orde Q ( B ) : differencing musiman s orde D. C. Deeksi Oulier Ada 4 jenis oulier yaiu Addiive Oulier (AO), Innovaive Oulier (IO), Level Shif (LS), dan Transiory Change (TC). Sedangkan dalam peneliian ini deeksi oulier yang digunakan hanya AO dan LS. Misalkan suau series X, X,..., X dengan model ARMA ( p, q ) aau dapa diulis sebagai ( B) X ( B) a () dimana model elah sasioner dan memenuhi asumsi residual whie noise dan disribusinya normal, sehingga masingmasing model oulier dapa dirumuskan sebagai beriku:. model AO Z = X, T X, T dengan I = =. model LS dengan Z = X I ( T ) ( B) a ( T ) I (4) ( B) ( T ), S 0, X ( T ), T T ( ) ( T ) LS B T 0, T. D. Adapive Neuro Fuzzy Inference Sysem () adalah arsiekur yang secara fungsional sama dengan fuzzy rule base model Sugeno. Arsiekur dari sama dengan jaringan syaraf dengan fungsi radial dan sediki baasan erenu. Benuk dari srukur yang erkenal adalah inferensi model Sugeno yang diunjukkan pada Gambar beriku ini [9]. Gambar. Srukur Pada gambar menunjukkan bahwa erdapa macam node yaiu adapif bersimbol persegi dan node eap bersimbol lingkaran. Oupu dari masing-masing lapisan (layer) dinoasikan sebagai O j, i, dimana i merupakan banyaknya auran dan j adalah banyaknya lapisan. E. Krieria Kebaikan Model Unuk melakukan pemilihan model erbaik pada krieria daa in sample dan ou sample dapa menggunakan perhiungan Roo Mean Square Error () yang dirumuskan sebagai beriku. (5) L nl n (6) l = ( Z Zˆ ( l)) L Selain, perhiungan krieria pemilihan model erbaik dari daa ou sample juga dapa menggunakan Symmeric Mean Absolue Percenage Error (S) dan Mean Absolue Percenage Error (). merupakan suau persenase kesalahan raa-raa absolu. Rumus umum dari dan S dapa diuliskan sebagai beriku: L Z ˆ nl Zn ( l ) = 00 L () Z l nl L ˆ Znl Zn ( l ) S = 00 L ˆ (8) l Znl Zn ( l ) dengan:

3 JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) Z n l : daa akual ou sample ke- l, l,,..., L Zˆl (l ) : daa hasil ramalan ou sample ke- l. Gambar. Raa-Raa dan Sandar Deviasi Konsumsi Lisrik Per Seengah Jam dan Harian IV. ANALISIS DAN PEMBAHASAN A. Karakerisik Konsumsi Beban Lisrik di Jawa Timur Analisis saisika deskripif ini digunakan unuk mengeahui karakerisik konsumsi beban lisrik di Jawa Timur iap seengah jam. Raa-raa konsumsi beban lisrik eringgi sebesar 4549,8 MW dan yang erendah sebesar 4,5 MW. Raa-raa konsumsi eringgi ersebu erjadi pada sekiar pukul 8.0 WIB. Hal ini sanga wajar karena pada saa iu biasanya para konsumen mulai banyak memanfaakan peralaan elekroniknya (unuk konsumen rumah anggga biasanya sudah pulang dari akivias luar rumah dan konsumen indusri lebih banyak membuuhkan penerangan). Sedangkan unuk raa-raa konsumsi lisrik erendah erjadi pada pagi hari pukul 0.00 WIB karena biasanya para konsumen khususnya rumah angga sudah banyak yang melakukan akivias di luar rumah. Sandar deviasi eringgi erjadi pada pukul.0 WIB sebesar 46,5 dan erendah pada pukul WIB sebesar 6, Mean Jan- Mar- Jul- Nov- Jan- Mar- Mei- Jan- Jul- 00 Senin Selasa Rabu Kamis Juma No v- Jan- Mar- Mei- Jan- Mar- Mei- Jul- Sep- Nov- Jan - Mar - Mei- Jul- Gambar. Time Series Plo Pukul 05:00, :00 dan 8:0 Pada gambar menunjukkan bahwa pada keiga daa ersebu idak sasioner dalam mean. Pada gambar menunjukkan bahwa keragaman dari pemakaian lisrik pukul :00 paling besar dibandingkan dengan pukul 05:00 dan 8:0. Pembukian kesasioneran dalam varians dapa dilakukan dengan uji Box-Cox yang hasilnya dapa diliha pada gambar 4. Lower C L Upp er C L Lower CL 500 (using 95.0% confidence) (using 95.0% con fidence) 5 Esimae.5 Lower C L Upper C L.5 Rounded Value SDev Jul- 4 Limi Limi Minggu Jul- Upper CL 95 Sabu (using 95.0% confidence) SDev Lower CL 0 Mar - 50 Mean SDev SDev S. D ev H arian 400 R aa-raa Harian S. Dev Konsumsi Lisrik Raa-Raa Konsumsi lisrik (MW) SDev B. Peramalan Konsumsi Beban Lisrik di Jawa Timur Menggunakan Meode ARIMA Penjelasan ahapan pemodelan ARIMA secara lengkap dalam peneliian ini hanya dilakukan pada pukul 05:00, :00, dan 8:0. Hal ini disebabkan pada saa-saa ersebu merupakan puncak pemakaian lisrik di pagi, siang, dan malam hari. Langkah perama dalam melakukan peramalan menggunakan meode ARIMA adalah idenifikasi daa unuk meliha kesasioneran dalam varians dan mean. Beban Lisrik (MW) B. Langkah Analisis Langkah awal yang dilakukan sebelum menganalisis yaiu membagi daa menjadi dua. Daa konsumsi lisrik pada anggal 6 Januari 0 hingga Agusus 0 sebagai daa in-sample dan daa konsumsi lisrik pada Agusus 0 hingga 5 Agusus 0 sebagai daa ou-sample. Beriku langkah analisis yang digunakan dalam melakukan peneliian ini.. Melakukan idenifikasi erhadap karakerisik beban lisrik di Jawa Timur per seengah jam dengan meode saisika deskripif.. Meramalkan daa beban lisrik di Jawa Timur menggunakan model ARIMA berdasarkan prosedur Box-Jenkins.. Meramalkan daa beban lisrik di Jawa Timur menggunakan model. 4. Membandingan hasil peramalan dari meode ARIMA dan yang mempunyai keakuraan inggi berdasarkan nilai, S, dan. Pada gambar menunjukkan bahwa raa-raa konsumsi beban lisrik per seengah jam bersifa flukuaif, dimana raa-raa rendah erjadi sekiar dini hari pada saa orang berisiraha (idur) yaiu pada pukul 00.0 WIB hingga 0.00 WIB. Kenaikan raa-raa konsumsi lisrik secara drasis erjadi pada saa banyak orang yang pulang dari akivias luar rumah yaiu pada dari pukul.0 WIB hingga 0 WIB. Rendahnya raa-raa konsumsi lisrik dianara pukul 00:00 hingga 06:00 dan ingginya raa-raa pada saa pukul 8:0 sampai :00 yang diserai rendahnya keragaman disebabkan oleh akivias masyaraka pada jamjam ersebu hampir sama. Selain iu berdasarkan gambar menunjukkan bahwa raa-raa harian konsumsi beban lisrik bersifa konsan pada hari Senin hingga Juma. Hal ini disebabkan pada hari ersebu merupakan hari efekif kerja sehingga akivias pemakaian lisrik konsumen pada hari-hari ersebu relaif sama. Raa-raa pemakaian lisrik mengalami penurunan pada hari Sabu dan Minggu karena pada saa iu banyak induri dan perkanoran yang libur sehingga idak memerlukan energi lisrik yang besar. Pada seiap harinya, keberagaman perilaku konsumen yang inggi erjadi pada saa hari kerja yakni Senin hingga Juma. Beban Lisrik (MW) A. Sumber Daa dan Variabel Peneliian Daa yang digunakan dalam peneliian ini adalah daa sekunder yang diperoleh dari PT. PLN (persero) PB JawaBali berupa daa konsumsi lisrik pada anggal 6 Januari 0 hingga 5 Agusus 0. Variabel yang digunakan dalam peneliian ini yaiu beban lisrik per seengah jam unuk wilayah Jawa Timur. Beban Lisrik (MW) III. METODOLOGI D Limi Esimae.68 Lower C L Upper CL Rounded Value Esimae Lower CL Upper CL. 64 * Rounded Value 4. 00

4 JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) (0,,[,0])(0,,) Gambar 4. Box-Cox Transformaion Pukul 05:00, :00 dan 8:0 Seelah melakukan uji ransformasi Box-Cox dan didapakan hasil bahwa semua daa elah sasioner dalam varians, langkah selanjunya adalah mengidenifikasi kesasioneran dalam mean berdasarkan plo ACF. Plo ACF yang sasioner didapakan seelah melakukan differencing dan pada daa konsumsi lisrik pukul 05:00, :00, dan 8:0. Hasil dari plo ACF yang sasioner pada keiga daa ersebu dapa diliha pada Gambar 5. Sedangkan unuk menenukan model dugaan ARIMA yang digunakan dalam melakukan peramalan dapa diliha berdasarkan plo ACF pada Gambar 5 dan plo PACF pada Gambar 6. ACF ACF ACF Gambar 5. Plo ACF differencing dan Pukul 5:00, :00 dan 8:0 (d) PACF PACF (d) PACF Gambar 6. Plo PACF differencing dan Pukul 5:00, :00 dan 8:0 Berdasarkan gambar 6 menunjukkan adanya musiman karena masing-masing plo PACF dies down pada lag ke,,, dan. Berdasarkan gambar 5 dan 6 didapakan dugaan model ARIMA yang dapa digunakan dalam meramalkan konsumsi beban lisrik di Jawa Timur pukul 05:00 adalah (0,,)(0,,). Sedangkan unuk dugaan model ARIMA pukul :00 berdasarkan gambar 5 dan 6 adalah (0,,)(0,,). Unuk dugaan model pada pukul 8:0 berdasarkan gambar 5 dan 6 adalah (0,,[,0]) (0,,). Seelah melakukan idenifikasi model, langkah selanjunya adalah esimasi dan pengujian parameer. Hasil esimasi dan pengujian parameer pada semua model dengan 0, 05 dalam abel elah signifikan semua. Model Tabel. Hasil Uji Signifikansi Parameer Model ARIMA Parameer Esimasi S.E (0,,)(0,,) (0,,)(0,,) 0, ,0 86,0 0,585 0,089 9,4 0 0,5 0,094,8 0,0049 0,850 0,00 4,08 Langkah selanjunya seelah uji signifikansi parameer adalah melakukan pengujian asumsi residual bersifa whie noise dan berdisribusi normal. Hasil uji residual menunjukkan bahwa pada keiga model ARIMA pukul 05:00, :00, dan 8:0 elah memenuhi asumsi whie noise, eapi idak berdisribusi normal. Residual yang idak berdisribusi normal biasanya disebabkan oleh adanya oulier pada daa. Oleh karena iu, dalam mengaasi hal ersebu perlu dilakukan deeksi oulier unuk mengeahui daa yang diduga sebagai oulier. Seelah daa oulier didapakan, langkah selanjunya adalah memasukkan oulier ke dalam model peramalan. Hasil dari pengujian signifikansi parameer dengan deeksi oulier pada model ARIMA (0,,)(0,,) dan (0,,[,0])(0,,) menunjukkan bahwa residual bersifa whie noise dan berdisribusi normal. Sedangkan unuk model ARIMA (0,,)(0,,) pada pukul :00 hanya memenuhi asumsi whie noise, eapi idak berdisribusi normal. Hal ini disebabkan oleh kurva disribusi pada residualnya berbenuk Lepokurik. Kurva jenis Lepokurik ersebu diandai dengan kurva disribusinya lebih runcing dibandingkan dengan kurva normal. Secara maemais, model persamaan ARIMA unuk keiga model ersebu dapa diulis seperi pada abel. Pada peneliian yang dilakukan oleh Kosenko dan Hyndman [0] menyebukan bahwa uji signifikansi saisik seperi signifikansi parameer dan uji asumsi residual berdisribusi normal mempunyai sediki peranan unuk peramalan bisnis. Sedangkan menuru Diebold & Mariano [], dalam menenukan hasil aau kualias ramalan erbaik biasanya diliha dari ingka akurasinya. Tabel. Persamaan Maemais Model ARIMA dengan Deeksi Oulier Pukul Persamaan Maemais Model ARIMA Z 05:00 0, 984 B 0, 09898B 0,9505B a 86, S (50) B B 65, 49 S(45) 68, 45 S(55), 690 S(6) 685,0 S(60) 490, 45 I () 55, 06 S(5) 46,9 I (460) 50,094 S() 4,94I (0) Z 0, 5 B 0, 95 B a B B 864, I () 8, I (459) 0, I (550) 59,8 I (6) 04, 9 I (48) 5 S(569) :00 964, 0 I (450) 985, 00 I (6) 948, 0 S(55) 49, 04I (9) 5, S() 04, 984 I (4) 655, 94 I (04) 9, 0 I (56) 69, 6 I (54) 68, 9 I (5) 60, I (495) 69, 85 I (60) p-value 0,546 0,0454 0, 0,048,45 0,0006 0,9659 0,0 8,8 0,4998 0,064,4 5,9 D , 0 S(5) 59, 455 I (50) 594,6 I (8) 60, 6 I (468) 555, 48 I (9) 64, 56 S() 550, 484 S(8)

5 JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) Z 8:0 0, 060 B 0, 0995B0 0,96 B a 859,88 I (6) B B 04, 449 I () 646,8I (459) 580, 59 I (450) 685, 5 S(569) 5,844 I (550) 5, 45 I (0) 59, 08 I (48) 58, 45 S() S 48, 46 I (6) 9, 96 I (8) 5, 04 I (60) 48, 4 I (5) 406, I () Pada gambar pola daa akual dan ramalan daa in sample yang didapakan hampir sama. Begiu juga pada gambar 8 menunjukkan bahwa unuk hasil ramalan berdasarkan daa ou sample pada masing-masing model cukup baik hingga hari ke 8, sedangkan unuk hari ke 9 hingga selisihnya besar. Hal ini disebabkan pada hari ke 9 sampai berepaan dengan anggal 0 sampai Agusus 0, dimana pada saa iu diperkirakan banyak kegiaan dalam rangka perayaan HUT Kemerdekaan RI sehingga membuuhkan lisrik yang besar. akual ramalan A k ual Konsumsi Lisrik (MW) Konsums i Lisrik (MW) S Jul- Nov- Jan- Mar- Mei- Jan- Mar- Jul- Jul- Nov- Jan- Mar- Mei- D. Perbandingan Hasil Meode ARIMA dan Hasil perbandingan meode ARIMA dan dari daa in sample dan ou sample dapa diliha pada abel 4. Akual Konsumsi Lisrik (MW) Jan- Mar- Jul- Nov- Jan- Mar- Mei- Jul- Gambar. Hasil Perbandingan dengan Daa Akual Berdasarkan Pukul 05:00, :00 dan 8: A k ual Akual 450 Kons ums i Lisrik (MW) Akual Konsums i Lisrik (MW) Pukul 05:00 Fungsi Keanggoaan Gaussian Trapezoidal Generalized Bell 54,6 54,899 5,96 4,848 4,668 4,6,095,,050,096,8,06,08,5,06 6,8 6,85 6,55 Pukul :00 Fungsi Keanggoaan Gaussian Trapezoidal Generalized Bell,58 0,5 66, ,8 49,84 46,8 4,8 4,8 4,5,8 8,456 8,4 4,95 4,9 4,869,49 8,09,9 Pukul 8:0 Fungsi Keanggoaan Gaussian Trapezoidal Generalized Bell 66,99 69,0 65,45 86,464 8,050 40,66,69,6,686 6,688 6,54,0,09,,00 6,406 5,95 6,694 Jul Krieria Kebaikan Model Jan- Mar- Krieria Kebaikan Model S Konsumsi Lisrik (MW) Krieria Kebaikan Model D Tabel 4. Hasil Perbandingan Kebaikan dan Meode ARIMA dan S Jam Meode In Ou In Ou In Ou ARIMA 9,065 98,86,5 4,0,58 4,0 05:00 5,96 4,6,050,06,06 6,55 ARIMA 60,600 4,,98,0,998,05 :00,58 409,8 4,8,8 4,95,49,,084,5,05 ARIMA 6,6 96,46 8:0 69,99 8,050,6 6,54, 5, Gambar 8. Hasil Perbandingan dengan Daa Akual Berdasarkan Pukul 05:00, :00 dan 8:0 C. Peramalan Konsumsi Beban Lisrik di Jawa Timur Menggunakan Meode Pada peramalan konsumsi beban lisrik dengan meode ini menggunakan inpu yaiu Z, Z, dan Z 8 dengan banyaknya fungsi keanggoaan dan jenis fungsi keanggoaan yaiu Gaussian, Trapezoidal, dan Generalized Bell. Hasil dari arsiekur dengan variabel inpu dan fungsi keanggoaan. Pada model ini didapakan 8 auran yang berasal dari banyaknya fungsi keanggoaan dipangkakan jumlan variabel inpu yang digunakan ( ). Peramalan menggunakan meode dilakukan dengan cara mengkombinasikan jumlah dan jenis fungsi keanggoaan hingga didapakan model erbaik berdasarkan krieria, S, dan. Tabel. Hasil Perbandingan Kebaikan dan Model Pukul 05:00 :00 Tabel 5. Hasil Konsumsi Beban Lisrik Tanggal LCL 6 Agusus 0 445,96 40,4 Agusus ,8 44, Agusus 0 448,4 45,56 9 Agusus 0 448,09 45,59 0 Agusus 0 444, 406,48 Agusus 0 48,4, Sepember 0 4,5 8,6 Sepember ,89 409,6 Sepember ,9 998,04 4 Sepember 0 450, 99,0 5 Sepember ,99 968, 6 Sepember ,08 9,6 Sepember 0 40, 69,9 8 Sepember 0 4,5 69,4 6 Agusus 0 466,4 440,5 Agusus 0 40,65 445,4 Agusus , 4, 9 Agusus , 45,4 0 Agusus ,45 40,5 Agusus 0 8,4 44,66 Sepember 0 468,0 490,55 Sepember 0 40,5 486, Sepember 0 449,9 499,85 4 Sepember 0 44,00 4,59 UCL 4695,5 456,40 480, 486,58 480,86 459,9 464,88 494,6 490,54 500,58 50,6 508,48 44,90 484,5 4984,9 5058, , 5086, ,66 4,8 55,84 55,6 500,00 5,40

6 JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) D-96 8:0 5 Sepember 0 4,99 40,4 55,5 6 Sepember 0 450, 88,5 5,95 Sepember 0 86,5 9,6 450,4 8 Sepember 0 4,4 4068,60 594,5 6 Agusus 0 50,4 500,4 550,0 Agusus 0 559,6 5054,69 56,88 Agusus 0 50, 4968,85 56,88 9 Agusus 0 50,9 4909, 5694,4 0 Agusus 0 509,9 4680, 559, Agusus 0 488, 449,5 54, Sepember 0 56, 490, 58,0 Sepember 0 504,80 4,09 58,50 Sepember 0 584,4 489, 5949,6 4 Sepember 0 56,6 465,86 595,48 5 Sepember 0 544,9 46,49 596,08 6 Sepember 0 5,80 45,8 58,80 Sepember 0 495,99 49,0 568,9 8 Sepember 0 50, ,55 605,8 Secara umum hasil kebaikan model ARIMA yang erdapa dalam abel 4 menghasilkan nilai yang lebih akura dibandingkan dengan meode. Hal ini diunjukkan oleh nilai, S, dan pada meode ARIMA unuk keiga waku ersebu baik dari in sample maupun ou sample memberikan nilai yang lebih kecil dibandingkan hasil. Oleh karena iu, ARIMA merupakan meode yang paling sesuai unuk meramalkan konsumsi lisrik pada pukul 05:00, :00, dan 8:00. Hasil dari peramalan konsumsi lisrik pukul 05:00, :00, dan 8:0 dengan meode ARIMA yang diserai deeksi oulier unuk hari ke depan dapa diliha dalam Tabel 5. V. KESIMPULAN DAN SARAN Berdasarkan analisis dan pembahasan yang elah dilakukan, maka didapakan kesimpulan bahwa karakerisik konsumsi lisrik di Jawa Timur pada Tahun 0 hingga 0 yang dihiung iap seengah jam mempunyai raa-raa eringgi sebesar 4549,8 MW dan erendah 4,5 MW. Raa-raa konsumsi eringgi ersebu erjadi pada pukul 8:0 WIB dan yang erendah erjadi pada pukul 0:00. Pada analisis peramalan unuk konsumsi lisrik pukul 05:00, :00, dan 8:0 didapakan model ARIMA erbaik yaiu (0,,)(0,,), (0,,)(0,,), dan (0,,[,0])(0,,). Sedangkan pada meode, model erbaik dalam meramalkan konsumsi lisrik di Jawa imur pukul 05:00, :00, dan 8:0 yaiu model dengan fungsi keanggoaan Generalized Bell, Gaussian, dan Trapezoidal. Secara umum hasil kebaikan model dengan meode ARIMA menghasilkan nilai yang lebih akura dibandingkan dengan meode. Hal ini diunjukkan oleh nilai, S, dan pada meode ARIMA unuk meramalkan konsumsi lisrik pukul 05:00, :00, dan 8:0 baik dari in sample maupun ou sample memberikan nilai yang lebih kecil dibandingkan hasil. Saran yang diberikan unuk peneliian selanjunya sebaiknya menggunakan meode lain selain ARIMA dan agar mendapakan perbandingan hasil peramalan yang lebih akura. Pada peneliian ini, deeksi oulier hanya dilakukan unuk pemodelan ARIMA. Oleh karena iu, pada peneliian selanjunya diharapkan unuk melakukan deeksi oulier pada pemodelan. DAFTAR PUSTAKA [] ESDM. (009). Maser Plan Pembangunan Keenagalisrikan 00 s.d 0. Jakara: Kemenerian Energi dan Sumber Daya Mineral (ESDM) RI. [] El-Sharkawi, M. A., Peng, P., & Marks, R. J. (999). Sho Term Peak Load Forecas Using Derended Pariioned Daa Training of a Neuro- Fuzzy Regression Machine. Eng In Sys 4, 9-0. [] Widyapraiwi, L. K., Merasana, I. A., & Arjana, I. D. (0). Peramalan Beban Lisrik Jangka Pendek di Bali menggunakan Pendekaan Adapive Neuro Fuzzy Inference Sysem (). Jurnal Teknik Elekro, [4] Azadeh, A., Saberi, M., Nadimi, V., Iman, M., & Behrooznia, A. (00). An inegraed inelligen neuro-fuzzy algorihm for long-erm elecriciy consumpion: cases of seleced EU counries. Journal of Aca Polyechnica Hungarica (4), -90. [5] Fakhurrozi, B., Muslim, M. A., & Sanoso, D. R. (0). Penggunaan dalam Penenuan Saus Akivias Gunung Merapi. Journal of EECCIS, -8. [6] Nurviasari, Y. & Irhamah. (0). Pendekaan Fungsi Transfer sebagai Inpu Adapive Neuro-Fuzzy Inference Sysem () dalam Peramalan Kecepaan Angin Raa-raa Harian di Sumenep. Jurnal Sains dan Seni ITS, [] Dewi, C., Karikasari, D. P., & Mursyo, Y. T. (0). Prediksi Cuaca Pada Daa Time Series Menggunakan Adapive Neuro Fuzzy Inference Sysem (). Jurnal Teknologi Informasi dan Ilmu Kompuer, 8-4. [8] Wei, W. W. S. (006). Time Series Analysis. New York: Addison Wesley. [9] Kusumadewi, S. & Harai, S. (006). Neuro-Fuzzy: Inegrasi Sisem Fuzzy dan Jaringan Syaraf. Yogyakara: Graha Ilmu. [0] Kosenko, A. V. & Hyndman, R. J. (008). Forecasing Wihou Significance Tess? [] Diebold, F. X. & Mariano, R. S. (995). Comparing Predicive Accuracy. Journal of Business and Economis Saisics (), 5-6.