ANALISIS PERAMALAN BEBAN LISTRIK JANGKA PENDEK WILAYAH SUMBAR RIAU DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE (AR)

Transkripsi

1 Vol. 9. No. 1, 011 ANALISIS PERAMALAN BEBAN LISTRIK JANGKA PENDEK WILAYAH SUMBAR RIAU DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE (AR) Zulfari Aini Jurusan Teknik Elekro, Fakulas Sains dan Teknologi UIN Suska Riau ABSTRAK Tersedianya enaga lisrik yang mudah dalam memenuhi kebuuhan masyaraka sera menjamin kualias pelayanannya, merupakan syara pening unuk meningkakan araf kehidupan masyaraka, maka salah sau usaha yang dapa dilakukan adalah diperlukan peramalan energi lisrik yang akan erjadi di Wilayah Sumbar- Riau masa daang. Peneliian ini dilakukan unuk memperoleh peramalan kondisi beban lisrik yang erjadi di Sumbar-Riau. Daa yang digunakan adalah daa saa beban puncak ahun 010, dengan menggunakan meode Auoregressive (AR). Sehingga dengan menggunakan meode AR didapakan model unuk peramalan beban ahun berikunya. Hasil peneliian menunjukan bahwa peramalan unuk lima hari berikunya pada ahun 011, adanya penurunan beban lisrik dari daa akual saa beban puncak. Kaa Kunci : AR, Beban Lisrik, Peramalan ABSTRACT The easy availabiliy of elecriciy in meeing communiy needs and ensure qualiy of service, is an imporan requiremen o improve people's lives, hen one of he businesses ha can be done is necessary forecasing elecrical energy ha will occur in he region of Wes Sumara, Riau fuure. This sudy was conduced o obain elecrical load forecasing condiions ha occurred in Wes Sumara, Riau. The daa used is he daa during peak load year 010, using he mehod of Auoregressive (AR). Thus obained using he mehod of AR model for forecasing he load nex year. The resuls showed ha he forecas for he nex five days in 011, a decrease in he elecrical load of he acual daa during peak usage periods. Keyword: AR, Elecric load, Forecasing PENDAHULUAN Tenaga lisrik idak dapa disimpan dalam skala besar, karenanya enaga ini harus disediakan pada saa dibuuhkan. Akibanya imbul persoalan dalam menghadapi kebuuhan daya lisrik yang idak eap dari waku ke waku, bagaimana mengoperasikan suau sisem enaga lisrik yang selalu dapa memenuhi perminaan daya pada seiap saa, dengan kualias baik dan harga yang murah. Apabila daya yang dikirim dari bus-bus pembangki jauh lebih besar dari pada perminaan daya pada bus-bus beban, maka akan imbul persoalan pemborosan energi pada perusahaan lisrik, eruama unuk pembangki ermal. Sedangkan apabila daya yang dibangkikan dan dikirimkan lebih rendah aau idak memenuhi kebuuhan beban konsumen maka akan erjadi pemadaman lokal pada bus-bus beban, yang akibanya merugikan pihak konsumen. Oleh karena iu diperlukan penyesuaian anara pembangkian dengan perminaan daya. Fenomena seperi ini adalah suau hal yang sudah umum erjadi unuk wilayah Sumbar-Riau yang berdampak erhadap kelancaran beberapa sekor dianaranya indusri, pariwisaa, pelayanan jasa, dan sebagainya. Unuk iu perlu perencanaan (load forecasing) yang epa sedemikian sehingga alokasi beban lisrik erdisribusi dengan baik Syara mulak yang perama harus dilaksanakan unuk mencapai ujuan iu adalah pihak perusahaan lisrik mengeahui beban aau perminaan daya lisrik dimasa depan. Karena iu peramalan beban jangka pendek, menengah dan panjang merupakan ugas yang pening dalam perencanaan dan pengoperasian sisem daya. Kondisi yang harus dipahami bahwa perubahan beban lisrik berganung erhadap fungsi waku (Alamanda, 1990) arinya perlu suau meode pendekaan mulivariae ime 9

2 Vol. 9. No. 1, 011 series. Adapun meode mulivariae ime series yang digunakan dalam peneliian ini adalah Auoregression (AR). Penggunaan meode AR dalam peneliian ini diharapkan dapa menjelaskan inerrelaionship aau hubungan anar variabel dan dapa memberikan pemodelan peramalan beban lisrik yang lebih baik unuk wilayah Sumbar-Riau, sehingga dapa digunakan unuk memodelkan dan meramalkan beban lisrik yang akan daang. Adapun permasalahan yang dapa diangka dalam peneliian ini adalah, bagaimana perkembangan beban lisrik Sumbar-Riau sebelum dan seelah ahun 010, bagaimana penerapan meode AR unuk memodelkan peramalan beban lisrik sera bagaimana menggambarkan kondisi beban lisrik secara umum unuk wilayah Sumbar- Riau melalui penerapan meode AR Berdasarkan permasalahan yang ada, maka ujuan yang ingin dicapai dalam peneliian ini adalah : menerapkan meode AR unuk memodelkan peramalan beban lisrik sera menenukan kondisi secara umum beban lisrik wilayah Sumbar-Riau melalui penerapan meode AR. Tinjauan Pusaka Sudi Lieraur Dalam memprediksi perkembangan beban lisrik wilayah Sumbar-Riau diperlukan daa-daa yang lengkap sebagai gambaran unuk mendapakan hasil peneliian yang lebih akura dan dapa diperanggungjawabkan. Dengan daa-daa yang elah ada maka dibualah pemodelan maemais yang naninya akan mendapakan pemecahan masalah didalam pembuaan hasil peneliian peramalan perkembangan beban lisrik wilayah Sumbar- Riau Persoalan peramalan beban lisrik selalu ada dan menjadi perimbangan pening dalam sisem enaga lisrik karena peramalan beban dapa memberikan informasi uama yang menjadi landasan dalam pengambilan kepuusan unuk perencanaan pengembangan kapasias pembangki lisik dan perencanaan operasi sisem pembangki lisrik ersebu. Menuru Pabla (1991) bahwa, peramalan kebuuhan energi lisrik yang disesuaikan dengan perkembangan beban lisrik sanga pening, menginga suau daerah yang sedang berkembang sudah sepanasnya diberikan priorias yang uama dalam memprakirakan kebuuhan daya lisrik, agar sisem pembangki dapa dibagun di empa yang sesuai dan pada waku yang epa sera penggunaannya maksimum. Menuru Yang (1974) bahwa, peramalan beban lisrik jangka pendek dapa membanu meningkakan keandalan sisem dan menurunkan biaya operasional sisem. Cahyono (000) menjelaskan bahwa, meode analisis regresi linear ganda (MLR) sepwise unuk peramalan beban lisrik. Rise dilakukan unuk daa Nasional erhadap 5 sekor kajian, yaiu sekor rumah angga (pbl1), indusri (pbl), usaha (pbl3), sosial aau lainlain (pbl4), dan oal sekor (pbl5). Dari keseluruhan model, secara saisik harga energi lisrik pengaruhnya idak signifikan erhadap perumbuhan energi/beban lisrik di Indonesia. Validasi model diunjukkan dengan error% raa-raa yang berkisar anara 0,43-1,4%. Berdasarkan peneliian-peneliian ersebu perlu dielii lebih lanju bahwa dengan menggunakan pendekaan mulivariae ime series peramalan yang diperoleh mempunyai error yang lebih kecil menginga beban lisrik merupakan fungsi waku. Pendekaan meode AR diharapkan mampu unuk menjawabnya. Peramalan Beban Lisrik Beban lisrik merupakan pemakaian enaga lisrik dari para pelanggan. Oleh karena iu, besar kecilnya beban lisrik besera perubahannya erganung kepada kebuuhan para pelanggan lisrik pada suau saa erenu. Unuk iu, biasa dilakukan peramalan beban lisrik dalam menjamin kualias pelayanan para pelanggan ersebu. Jangka waku peramalan beban lisrik ersebu, dibagi iga kaegori (Marsudi, 1990), yaiu : Peramalan beban lisrik jangka pendek, Peramalan beban lisrik jangka menengah, Peramalan beban lisrik jangka panjang Peramalan beban lisrik jangka panjang adalah unuk jangka waku diaas sau ahun. Dalam peramalan beban lisrik jangka panjang masalah-masalah makro ekonomi yang merupakan masalah eksern perusahaan lisrik merupakan fakor uama yang menenukan arah pakiraan beban lisrik. Dalam 10

3 Vol. 9. No. 1, 011 peramalan beban lisrik jangka panjang biasanya hanya diperkirakan beban lisrik beban puncak yang erjadi dalam sisem enaga lisrik, karena perkiraan beban lisrik jangka panjang lebih banyak dipergunakan unuk keperluan perencanaan pengembangan sisem enaga lisrik. Model Box-Jenkins Analisa ime series berujuan unuk memperoleh sau uraian ringkas enang ciri-ciri sau proses ime series yang erenu. Selain iu, dapa juga membua suau model unuk menjelaskan ciri-ciri variabel-variabel lain dalam ime series dan unuk menghubungkan perhaian dengan ciri-ciri perauran ersrukur yang dieapkan. Model ini dapa juga menerangkan rend dan ime series unuk suau waku erenu, jika erdapa perubahan bermusim dalam daa ime series iu, maka dapa dijelaskan melalui model ini. Suau ime series y dapa dijelaskan dengan menggunakan suau model rend : y = TR + dengan : y = nilai ime series pada waku, TR = rend pada waku, = error pada waku. Model ini menyaakan bahwa ime series y dapa diwakilkan dengan suau raaraa perubahan erhadap waku berdasarkan pada persamaan = TR dan error. Error mewakili keidaksabilan acak yang menyebabkan nilai y menyimpang dari raaraa. Model Box-Jenkins dapa digunakan unuk daa diskri dan koninu, eapi daa harus dalam inerval waku diskri yang sama, misalnya seiap jam, hari, minggu aau bulan. Selain iu, model Box-Jenkins juga dapa digunakan unuk daa bermusim dan idak bermusim. Meodologi peramalan Box-Jenkins ini dikenal oleh G.E.P. Box dan G.M. Jenkins. Ada beberapa model yang elah dihasilkannya yaiu: model moving avarage (MA), auoregressive (AR), dan kombinasi MA dan AR yaiu (ARMA).Model-model ini unuk daa linier dan ssasioner (saionery). Sedangkan unuk daa yang idak saioner menggunakan model ARIMA. Meode Box-Jenkins erdiri dari empa langkah asas. Langkah perama, langkah idenifikasi model. Langkah ini dilakukan dengan menggunakan fungsi auokorelasi sampel dan fungsi auokorelasi sebagian sampel. Apabila sesuau model elah dieapkan secara kasar, berikunya menganggarkan parameer model dalam langkah kedua. Langkah kedua disebu langkah penganggaran. Langkah keiga disebu langkah pemeriksaan diagnosik. Langkah keempa disebu langkah peramalan (Bowerman, e al.005) Saionary dan Nonsaionary Time Series Model Box-Jenkins klasik memerlukan ime series yang saionary. Karena iu unuk membua model Box-Jenkins secara kasar, perama sekali harus menenukan apakah imes series yang ingin diramalkan adalah saionary aau nonsaionary. Jika nonsaionary, maka perlu mengubah ime series iu kepada ime series yang saionary dengan melakukan differensial beberapa kali sampai ime series ersebu adalah saionary. Menenukan nilai-nilai ime series yang nonsaionary kepada imes series saionary dengan mengambil differensial perama bagi nilai-nilai ime series yang idak saionary ersebu. Persamaan unuk diferensial perama bagi nilai ime series y 1, y,...y n ialah : z = y y -1 dengan =,...,n Jika differensial perama bagi nilai-nilai ime series yang nonsaionary adalah nonsaionary, maka boleh menghasilkan nilainilai ime series yang saionary dengan melakukan differensial sampai nilai-nilai ime series yang asal adalah saionary. Saionary dan nonsaionary suau daa dapa diuji dengan menjalankan uji saisik yaiu uji uni roo. Terdapa beberapa uji saisik yang dapa digunakan unuk menenukan saionary aau nonsaionary. Uji yang sering digunakan adalah uji Augmened Dicky Fuller (ADF), Philips Perron (PP) dan Kwiakowski Phillips Schmid Shin (KPPS). (Bowerman, e al.005) Uji ADF dilakukan berdasakan persamaan beriku yaiu : y 0 1y 1 iy 1 n i1 dengan i ; (i = 1,...,n) adalah parameer, adalah variabel erhadap waku dan adalah error. Pengujian hipoesis unuk uji ADF ini yaiu : H 0 : ime series mempunyai uni roo ( ime series yang nonsaionary) lawannya H 1 : ime series idak mempunyai roo (ime series 11

4 Vol. 9. No. 1, 011 yang saionary). Unuk menguji hipoesis ini, nilai saisik aau akan dibandingkan dengan nilai kriik yang dihiung oleh Mackinnon. Jika nilai mulak saisik- ADF lebih besar dari nilai mulak MacKinnon pada ingka kepercayaan yang elah dienukan, maka olak H 0. Hal ini berari bahwa ime series ersebu adalah sainary, begiu sebaliknya. (Bowerman, e al.005) Uji yang lain yang dapa digunakan adalah uji Phillip Perron (PP). Uji ini menggunakan pengujian hipoesis yang sama dengan ADF, yaiu : H 0 : ime series mempunyai uni roo (ime series yang nonsaionary) lawannya H 1 : ime series idak mempunyai uni roo (ime series yang saionary). Uji PP mempunyai persamaan sebagai beriku : y 0 y 1 Dengan 0, 1 adalah parameer, adalah variabel erhadap waku dan adalah error. Uji saisik PP yaiu uji saisik- dikenalkan oleh Dickey Fuller, dengan membandingkan nilai kriik MacKinnon. Uji yang dapa juga digunakan unuk menguji saionary aau nonsaonary daa, yaiu uji KPPS. Uji ini mempunyai persamaan yaiu : ' ' y 0 Pengujian hipoesis yang digunakan unyuk uji KPPS yaiu : H 0 : ime series yang saionary lawannya H 1 : ime series yang nonsaionary. Unuk menguji hipoesis ini, maka nilai kriik MacKinnon akan digunakan sebagai perbandingan dengan nilai saisik- oleh KPPS.( (Bowerman, e al.005) Auocorrelaion Funcion (ACF) Perimbangan series bekerja bagi nilai ime series z b, z b+1,...,z n dengan b ialah deraja differensial. Auocorelasi sampel pada lag k, disimbolkan dengan r k, ialah : r k dengan, nk b z z z z n z z b k n z b z n b 1 Nilai ini berkaian dengan hubungan linear anara sampel ime series yang dipisahkan oleh lag k uni waku. Ini dapa dibukikan r k selalu berada anara -1 dan 1. Nilai r k yang mendekai 1 menunjukkan bahwa sampel ime series yang dipisahkan oleh sau lag k uni waku dan mempunyai kecenderungan yang kua unuk bergerak bersama-sama dalam benuk linear dengan arah posiif, eapi sau nilai r k mendekai -1 bahwa sampel yang dipisahkan oleh sau lag k uni waku mempunyai sau kecenderungan kua unuk bergerak bersama dalam benuk linear dengan arah negaif. Simpangan baku bagi rk ialah : dan, s rk 1 r k 1 j1 r j 1 n b 1 k rk ialah saisik bagi rk srk Parial Auocorrelaion Funcion (PACF) Dalam menggunakan meode Box- Jenkins harus memeriksa dan menjelaskan enang ciri-ciri PACF. Anara PACF dengan ACF adalah sama, eapi dapa menunjukkan ciri series yang berbeda. Perama, PACF unuk ime series idak bermusim dapa erpangkas. Lagipula, PACF memoong selepas lag k kalau idak ada pancang pada lag berikunya lebih besar dari k dalam PACF. Unuk daa yang idak bermusim, jika PACF erpangkas hal ersebu umumnya dilakukan supaya rk selepas sau lag adalah kurang dari aau sama dengan. Kedua, PACF idak bergerak naik jika fungsi ini idak memoong eapi berkurang dengan sabil. PACF dapa menyusu secara eksponen aau secara sinus aau kedua-duanya. Penganggaran Parameer Model Meode Box-Jenkins memerlukan model yang dignakan dalam peramalan ime series menjadi saionary dan invers. Sau cara yang baik unuk memeriksa kecukupan keseluruhan model Box-Jenkins adalah analisis residual yang diperoleh dari model. Dengan demikian dapa menggunakan 1 1

5 Vol. 9. No. 1, 011 uji saisik Ljung-Box unu menenukan apabila K sampel perama auocorelasi bagi residual menunjukkan kecukupan bagi model aau idak. Uji saisik Ljung-Box adalah: Q * n'( n' ) K 1 1 n' 1 ˆ dengan : n = n-d, n = bilangan daa ime series asal dan d = deraja differensial. r ˆ : ˆ r i i kuadra dari r i sampel auocorelasi residual di lag k. H 0 = daa adalah random, lawannya, H a = daa adalah idak random.jika Q* lebih x K, H 0 dierima. Residual kecil dari a n c iu adalah idak berkorelasi dan model ersebu dikaakan sesuai unuk se daa. Jika Q* lebih x K maka gagal dierima besar dari a n c H 0. Model iu gagal mewakili daa dan penenuan model yang baru hendak dilakukan. Selain dari uji saisik Ljung-Box, uji yang dapa digunakan unuk pemeriksaan model yang sesuai unuk daa series yaiu uji Akaike informaion Crierion (AIC) dan Schwarz Crierion (SC). Kedua uji ini dilakukan dengan menggunakan persamaanpersamaan sebagai beriku : AIC K dan, n n SC K log n n n dengan K adalah jumlah parameer yang dianggarkan, n adalah jumlah daa pengamaan dan adalah nilai anggaran fungsi log likelihood. Model yang sesuai unuk daa series dapa dienukan dengan nilai anggaran AIC dan SC yang minimum bagi model ersebu. Uji rasio log likehood dapa juga digunakan unuk pemeriksaan model yang sesuai bagi daa series. Uji ini menggunakan uji hipoesis, yaiu : H 0 : p 1 = p = p (model ime series yang sederhana, 1 (sau) parameer) lawannya H 1 : p 1 p (model ime series yang umum, (dua) parameer). Uji saisik unuk uji rasio log likehood adalah : LR (ln L 1 ln L ) dengan, L 1 = likehood bagi model sederhana L = likehood bagi model umum. Jika LR lebih besar dari x k dengan dk = Ka Kr (Ka adalah deraja kebebasan unuk model umum dan Kr adalah deraja kebebasan bagi model sederhana, maka diolak H 0. (Bowerman, e al.005) Teknik Peramalan Model Moving Average (MA) Proses Moving Average orde q (MA(q)) dirumuskan sebagai : Z a a a... a 1 1 q q Variansi proses MA(q) adalah. q 0 a i i0 Dengan 0 = 1 diperoleh fungsi auokovariansi : ( k 1 k1... qk q ) a, k 1,,..., q k 0, k q Fungsi auokorelasinya adalah : k 1 k1... qk q k q 0, k q ACF dari proses MA(q) akan erpuus seelah lag q. Ini adalah sifa pening unuk mengidenifikasikan orde-q pada proses Moving Average. Dari MA(1) dan MA(), dengan mudah dapa diliha bahwa PACF proses umum MA(q) akan menurun secara eksponensial dan/aau membenuk gelombang sinus baik unuk semua nilai negaif maupun bergani anda. Model Auoregressive (AR) Proses Auoregressive orde p, (AR(p)) didefinisikan sebagai : Z = 1 Z -1 + Z p Z -p + a Yang menyaakan nilai Z sebagai kombinasi linier p buah nilai-nilai lampau dari peubahnya sendiri diambah error saa ini a. Fungsi auokovariansi dari AR(p) adalah : k = 1 k-1 + k- + + p k-p, unuk k1, Fungsi auokorelasinya (ACF) adalah : k = 1 k-1 + k- + + p k-p, unuk k1, Unuk k = 1,,, p dimana 0 = 1 dan -k = k didapa persamaan Yule-Walker : 1 = p p-1 k = p p- k = 1 p-1 + p- + + p Auoregressive Moving Average (ARMA) Jika kia asumsikan dere erdiri dari proses AR dan MA, maka kia dapakan model dere waku: 13

6 Vol. 9. No. 1, 011 Z = 1 Z -1 + Z p Z -p + a - 1 a -1 - a q a -q Kia kaakan {Z } adalah gabungan proses AR dan MA dengan orde p dan q aau diuliskan ARMA(p,q). Unuk model umum ARMA(p,q) diperoleh: Raaan : E(Z ) = 0 Variansi : Var(Z ) = 0 Fungsi Auokovariansi : E(Z, Z -k ) = 1 E(Z -1, Z -k ) + + p E(Z -p, Z -k ) + E(a, Z -k ) - 1 E(a -1, Z -k ) - - q E(a -q, Z -k ) Sehingga didapa : k = 1 k-1 + k- + + p k-p + E(a, Z -k ) - 1 E(a -1, Z -k ) - - q E(a -q, Z -k ) Karena harga Z -k hanya berganung pada a dan saling sehingga bebas dengan Z -1, Z -,, Z -k, maka E(a -1, Z -k ) = 0, unuk k > 1. Akibanya persamaan menjadi: k = 1 k-1 + k- + + p k-p, unuk k > q, Sehingga Fungsi ACF-nya adalah : k = 1 k-1 + k- + + p k-p, unuk k >q, Fungsi ACF ini menurun secara eksponensial berdasarkan perambahan lag k. BAHAN DAN METODE Daa Peneliian Daa yang digunakan adalah daa jaringan Sumbar-Riau dan Jambi, pada saa beban puncak harian ahun 010. Meode Peneliian Peneliian mempunyai auran-auran khusus dalam memasukkan daa unuk dianalisis, yang disebu sebagai prosedur simulasi dan analisis seperi diunjukkan pada gambar beriku ini : START Daa Beban Lisrik Harian pada Tahun 010 unuk Wilayah Sumbar-Riau 1. Jumlah pelanggan lisrik (kva). Jumlah pemakaian beban lisrik (per kwh) Perhiungan Meode AR 1. Idenifikasi Model. Menenukan parameer seiap model 3. Penenuan model erbaik (diagnosic) 4. Peramalan unuk daa yang akan daang Ceak Hasil Model Idenifikasi Model fiing Model diagnosic Hasil peramalan END Gambar. 1 Diagram Alir Analisis Peramalan Beban Lisrik HASIL DAN PEMBAHASAN Berdasarkan daa yang digunakan, dan disimulasikan menggunakan pemrograman EVIEWS dengan menerapakan meode Auoregressive (AR), dan mengikui ahapahap yang ada pada meode Box-Jenkins, maka didapakan hasil sebagai beriku : Tahap 1. Idenifikasi Model Berdasarkan daa yang ada, maka dapa diliha plo ime series beban lisrik saa beban puncak selama ahun 010, sebagaimana beriku ini : Gambar. Grafik Daa Akual Peak Load Berdasarkan Gambar erliha bahwa daa cenderung idak sasioner karena daa 14

7 Vol. 9. No. 1, 011 idak berflukuasi sepanjang sumbu horizonal. Namun, unuk lebih meyakinkan lagi dilakukan uji pasangan ACF dan PACF seperi pada Gambar 3. Gambar 3. ACF dan PACF Daa Akual Berdasarkan grafik ACF dan PACF pada Gambar 3., dikeahui bahwa daa sudah sasioner. Hal ini dikarenakan ACF daa akual urun secara eksponenial dan PACF memoong aau cu off seelah lag 1. Sehingga model yang digunakan unuk Peak Load adalah model AR(1) dengan benuk maemais sebagai beriku:, Tahap. Peneapan Parameer Model Seelah model semenara diperoleh, kemudian dilakukan esimasi/peneapan parameer model ersebu. Hal ini berujuan unuk menenukan parameer model hasil idenifikasi. Selanjunya dilakukan uji signifikansi parameer dalam model. Tabel 1. Esimasi parameer No Parameer Koefisien P 1 0,768 0,000 50,45 0,000 Berdasarkan abel 1 dikeahui bahwa kedua parameer ersebu signifikan dalam model. Hal ini dikarenakan oleh kedua parameer ersebu mempunyai nilai P yang lebih kecil dari level oleransi yang digunakan (5 %). Karena kedua parameer ersebu signifikan dalam model, maka kedua parameer ersebu dimasukkan kedalam model. Sehingga model AR(1) seelah esimasi parameer dirumuskan kembali menjadi:, Tahap 3. Pemilihan Model Terbaik Tahap ini dilakukan unuk mengeahui apakah model AR(1) layak digunakan unuk peramalan. Ada dua uji yang dilakukan pada ahap ini yaiu uji independensi residual dan uji Ljung- Box Pierce. Uji independensi residual Uji ini dilakukan unuk meliha independensi (idak berkorelasi) anar residual yang dihasilkan model yaiu dengan meliha ACF dan PACF residual model, seperi pada Gambar 4. Gambar 4. ACF dan PACF Residual Model ACF dan PACF residual pada Gambar.4. menunjukkan bahwa idak ada korelasi anara residual. Hal ini dapa dikeahui dari idak ada lag yang memoong baas aas dan baas bawah nilai residual. Hal ini menunjukkan bahwa uji independensi residual erpenuhi. Uji Ljung Box Peirce Tabel. Oupu Proses Ljung- Box Pierce Lag P 0,735 0,948 0,964 Tabel oupu proses Ljung-Box Pierce menunjukkan bahwa seiap lag mempunyai nilai P yang lebih besar daripada nilai level oleransi yang digunakan (5 %). Berdasarkan kedua uji yang dilakukan, dapa disimpulkan bahwa model maemais yang dihasilkan AR(1) layak digunakan unuk peramalan. 15

8 Vol. 9. No. 1, 011 Kenormalan residual Gambar 5. Hisogram unuk Residual Berdasarkan Gambar 5. hisogram residual unuk model AR(1), menunjukkan kenormalan. Tahap 4. Peramalan Tahap yang keempa ini merupakan ujuan dari peneliian ini, dimana ahap analisis erhadap peramalan yang dilakukan, seelah mendapakan model erbaik dari meode Auoregressive (AR). Dengan persamaan aau model maemais yang didapakan dari berbagai uji yang elah dilakukan pada ahap sebelumnya, sebagaimana beriku ini:, Model ini akan digunakan unuk peramalan sau minggu berikunya di ahun 011. Hasil peramalan unuk sau minggu berikunya dapa diunjukkan dalam abel 3. beriku ini. Tabel 3. Hasil Peramalan pada saa Beban Puncak No. Training Tesing Peramalan Berdasarkan abel 3. hasil peramalan pada saa beban puncak dapa diliha bahwa, unuk daa raining nilai ramalannya mengikui pola daa akual, sedangkan pada daa esing nilai ramalannya idak mendekai daa akual karena daa yang digunakan unuk peramalan daa esing menggunakan daa raining. Hasil peneliian menunjukan bahwa peramalan unuk lima hari berikunya pada ahun 011, adanya penurunan beban lisrik dari daa akual saa beban puncak. KESIMPULAN DAN SARAN Model maemais dari meode Auoregressive (AR), yang didapakan dari berbagai uji yang elah dilakukan pada beberapa ahap, sebagaimana beriku ini:, Model ini akan digunakan unuk peramalan sau minggu berikunya di ahun 011. Hasil peneliian menunjukan bahwa peramalan unuk lima hari berikunya pada ahun 011, adanya penurunan beban lisrik dari daa akual saa beban puncak. DAFTAR PUSTAKA Bowerman, B.L., O Connell, R.T. & Koehler, A.B Forcasing, Time Series, Regression An Applied Aproach, 4 h ed. Thomson Brooks/ cole. Chafield, C The Analysis of Time Series An Inroducion, The Universiy of Bah, UK. Cryer, J. D Time Series Analysis, PWS- Ken Publishing Company, Boson. Felix Roger. 00. Elecric Power Load Forecasing Using Periodic Piece- Wise Linear Models. Johnson, R.A. dan Wichern, D.W Applied Mulivariae Sasisical Analysis, fourh Ediion, Prenice Hall, New Jersey. Kybernees Using Neural Nes in Modelling Vecor Time Series, MCB Universiy Pers. M.Sc, Jingfey Yang Power Sysem Shor-Term Load Forecasing, Beijing, China. Marsudi, Djieng Operasi Sisem Tenaga Lisrik. Jakara Selaan: Balai Penerbi dan Humas Insiu Sains dan Teknologi Nasional. Pabla, A.S Sisem Disribusi Daya Lisrik, Erlangga Rong Shih-Kuang.,Jier Huang-Shyh Shor-Term Forecaing Via ARMA Model Idenifivaion Including Non Gaussian Procces Consideraions, Dep. of elecr. Eng. Na, Cheng Kung Univ, Taiwan. 16