PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR

Transkripsi

1 TUGAS AKHIR SS PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya 2017

2 TUGAS AKHIR SS PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya 2017

3 FINAL PROJECT - SS PREDICTION OF ELECTRICITY CONSUMPTION IN THE HOUSEHOLD SEGMENT PT PLN (Persero) EAST JAVA DISTRIBUTION SARIRAZTY DWIJANTARI NRP Supervisor Dr. Wahyu Wibowo, S.Si., M.Si DEPARTMENT OF STATISTICS OF BUSINESS Faculy of Vocaional Insiu Teknologi Sepuluh Nopember Surabaya 2017

4

5 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR Nama : Sarirazy Dwijanari NRP : Deparemen : Saisika Bisnis Fakulas Vokasi ITS Dosen Pembimbing : Dr. Wahyu Wibowo, S.Si, M.Si ABSTRAK Energi lisrik merupakan salah sau kebuuhan masyaraka unuk melakukan berbagai macam kegiaan. Jumlah konsumsi lisrik masyaraka yang inggi membua cadangan lisrik menjadi menipis. Hal ersebu dikarenakan jumlah konsumsi lisrik rumah angga yang meningka secara signifikan pada seiap ahunnya. Cadangan lisrik yang menipis dapa mengakibakan sulinya PT PLN (Persero) dalam menjalankan program penyebaran lisrik pada segmen rumah angga secara meraa karena kurangnya keersediaan lisrik. Maka dari iu perlu dilakukan peramalan konsumsi lisrik pada segmen rumah angga unuk mengeahui konsumsi lisrik pada periode selanjunya, sehingga jumlah lisrik yang disediakan idak berlebih dan menyebabkan biaya yang dikeluarkan menjadi opimum. Peramalan yang dilakukan menggunakan daa konsumsi lisrik segmen rumah angga (R1) di Jawa Timur dengan daya 450VA, 900VA, 1300VA, dan 2200VA pada bulan Januari 2010 hingga Desember Meode yang digunakan adalah ARIMA Box- Jenkins. Hasil peramalan yang didapakan adalah konsumsi lisrik segmen rumah angga di Jawa Timur dengan daya 450VA, 900VA, 1300VA, dan 2200VA memiliki pengaruh musiman, dimana erdapa peningkaan jumlah konsumsi lisrik pada periode selanjunya. Kaa Kunci: ARIMA Box-Jenkins, Lisrik, Rumah Tangga ix

6 Halaman ini sengaja dikosongkan. x

7 PREDICTION OF ELECTRICITY CONSUMPTION IN THE HOUSEHOLD SEGMENT PT PLN (PERSERO) EAST JAVA DISTRIBUTION Name : Sarirazy Dwijanari NRP : Deparmen : Business Saisics Faculy of Vocaional ITS Supervisor : Dr. Wahyu Wibowo, S.Si, M.Si ABSTRACT Elecrical energy is one of he communiy needs o do a variey of aciviies. Toal elecriciy consumpion of high sociey made up of elecriciy becomes depleed. Tha is because he number of household elecriciy consumpion increased significanly every year. Elecriciy reserves hinning can lead o difficuly PT PLN (Persero) in running he program for disribuing elecriciy in household segmen evenly due o lack of availabiliy of elecriciy. Thus i is necessary for forecasing elecriciy consumpion in he household segmen o deermine he elecriciy consumpion in he nex period, so ha he amoun of elecriciy supplied was no excessive and cause coss be opimum. Forecasing is done using he daa segmen of household elecriciy consumpion (R1) in Eas Java wih power 450VA, 900VA, 1300VA and 2200VA in January 2010 o December The mehod used is he Box-Jenkins ARIMA. Forecasing resuls obained are he segmen of household elecriciy consumpion in Eas Java wih power 450VA, 900VA, 1300VA and 2200VA has a seasonal effec, where here is an increasing amoun of elecriciy consumpion in he nex period. Keywords: Box-Jenkins ARIMA, Elecric, Household xi

8 This page inenionally lef blank. xii

9 KATA PENGANTAR Puji syukur kepada Allah SWT aas kehadira rahma dan hidayahnya, penulis dapa menyelesaikan Tugas Akhir yang berjudul Peramalan Konsumsi Lisrik pada Segmen Rumah Tangga PT PLN (Persero) Disribusi Jawa Timur. Penulis menyadari bahwa dalam menyelesaikan Tugas Akhir ini idak erlepas dari doa, banuan, dan dukungan dari berbagai pihak. Kesempaan ini penulis manfaakan unuk menyampaikan rasa erima kasih yang sebanyaknya kepada 1. Dr. Wahyu Wibowo, S.Si., M.Si., selaku Kepala Deparemen Saisika Bisnis Fakulas Vokasi ITS dan selaku dosen pembimbing yang senaniasa membimbing dan memberikan arahan dalam penyelesaian Tugas Akhir ini. 2. Dra. Desri Susilaningrum, M.Si dan Ibu Noviyani Sanoso, S,Si., M.Si selaku dosen penguji yang elah memberikan saran dan arahan demi kesempurnaan Tugas Akhir ini. 3. Ir. Sri Pingi Wulandari, M.Si selaku Keua Prodi Diploma III Deparemen Saisika Bisnis Fakulas Vokasi ITS. 4. Seluruh dosen dan karyawan Deparemen Saisika Bisnis ITS yang elah memberikan ilmu dan banuan kepada penulis. 5. Sujiano selaku Manajer SDM dan Organisasi Pengembangan SDM dan Arief Wahjana selaku Supervisor Conac Cener di Bidang Niaga PT PLN (Persero) Disribusi Jawa Timur yang elah memberikan kesempaan unuk melakukan peneliian Tugas Akhir di PT PLN (Persero) Disribusi Jawa Timur. 6. Didik Kurnianoro selaku Junior Officer Call Cener Sub Bidang Mekanisme Niaga di Bidang Niaga PT PLN (Persero) Disribusi Jawa Timur yang elah memberikan nasiha dan banuan dalam penyelesaian Tugas Akhir ini. 7. Raid Hermawan dan Alifah Fihriyai selaku orangua penulis, sera Alfreid Pradana Firmanillah dan Mohammad Rafa Trisarya selaku saudara penulis yang idak heni- xiii

10 heninya memberikan doa, nasiha, dan dukungan unuk kesuksesan penulis. 8. Inung Anggun Sapuri yang elah memberikan banuan dalam menyelesaikan Tugas Akhir penulis. 9. Tri Ilma Sari, Arif Fuad Saifulloh, Muhammad Khoirul Roziq, Soni Adiyama, Mira Anjani, dan Rendy Winarno sebagai sahaba erbaik yang memberikan semanga, doa, dan moivasi kepada penulis. 10. Puri Saraswai dan Muhammad Syaiful Firdaus Alfarisi yang selalu memberikan doa, semanga, dan ceria. 11. Fungsionaris BEM FMIPA ITS periode 2015/2016 dan periode 2016/2017, sera komunias SCOFI yang elah memberikan doa dan dukungan selama sau kepengurusan. 12. Teman-eman PIONEER angkaan 2014 Deparemen Saisika Bisnis yang memberikan dukungan dan pengalaman yang idak erlupakan kepada penulis. Seluruh pihak yang elah membanu dalam keberhasilan Tugas Akhir ini, baik secara langsung maupun idak langsung. Surabaya, 17 April 2017 Penulis xiv

11 DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PENGESAHAN... vii ABSTRAK... ix KATA PENGANTAR... xiii DAFTAR ISI... xv DAFTAR TABEL... xvii DAFTAR GAMBAR... xix DAFTAR LAMPIRAN... xxi BAB I PENDAHULUAN Laar Belakang Rumusan Masalah Tujuan Peneliian Manfaa Peneliian Baasan Masalah... 3 BAB II TINJAUAN PUSTAKA Analisis Time Series Sasionerias Daa Fungsi Auokorelasi dan Auokorelasi Parsial ARIMA Box-Jenkins Idenifikasi Model Esimasi dan Pengujian Parameer Uji Asumsi Residual (Diagnosic Checking) Pemilihan Model Terbaik Konsumsi Lisrik BAB III METODOLOGI PENELITIAN Sumber Daa dan Variabel Peneliian Meode Analisis BAB IV ANALISIS DAN PEMBAHASAN Karakerisik Konsumsi Lisrik Rumah Tangga di Jawa Timur Pemodelan Konsumsi Lisrik Segmen Rumah Tangga Daya 450VA xv

12 4.2.1 Idenifikasi Model pada Daya 450VA Esimasi dan Pengujian Parameer Daya 450VA Analisis Uji Asumsi Residual Daya 450VA Pemilihan Model Terbaik Daya 450VA Pemodelan Konsumsi Lisrik Segmen Rumah Tangga Daya 900VA Idenifikasi Model pada Daya 900VA Esimasi dan Pengujian Parameer Daya 900VA Analisis Uji Asumsi Residual Daya 900VA Pemilihan Model Terbaik Daya 900VA Pemodelan Konsumsi Lisrik Segmen Rumah Tangga Daya 1300VA Idenifikasi Model pada Daya 1300VA Esimasi dan Pengujian Parameer Daya 1300VA Analisis Uji Asumsi Residual Daya 1300VA Pemilihan Model Terbaik Daya 1300VA Pemodelan Konsumsi Lisrik Segmen Rumah Tangga Daya 2200VA Idenifikasi Model pada Daya 2200VA Esimasi dan Pengujian Parameer Daya 2200VA Analisis Uji Asumsi Residual Daya 2200VA Pemilihan Model Terbaik Daya 2200VA BAB V PENUTUP Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN xvi

13 DAFTAR TABEL Halaman Tabel 4.1 Karakerisik Konsumsi Lisrik Segmen Rumah Tangga 25 Tabel 4.2 Model Penduga pada Daya 450VA Tabel 4.3 Parameer pada Daya 450VA Tabel 4.4 Asumsi Whie Noise pada Daya 450VA Tabel 4.5 Asumsi Disribusi Normal pada Daya 450VA Tabel 4.6 Pemilihan Model Terbaik pada Daya 450VA Tabel 4.7 Hasil Prediksi pada Daya 450VA Tahun Tabel 4.8 Model Penduga pada Daya 900VA Tabel 4.9 Parameer pada Daya 900VA Tabel 4.10 Asumsi Whie Noise pada Daya 900VA Tabel 4.11 Asumsi Disribusi Normal pada Daya 900VA Tabel 4.12 Pemilihan Model Terbaik pada Daya 900VA Tabel 4.13 Hasil Prediksi pada Daya 900VA Tahun Tabel 4.14 Model Penduga pada Daya 1300VA Tabel 4.15 Parameer pada Daya 1300VA Tabel 4.16 Asumsi Whie Noise pada Daya 1300VA Tabel 4.17 Asumsi Disribusi Normal pada Daya 1300VA Tabel 4.18 Pemilihan Model Terbaik pada Daya 1300VA Tabel 4.19 Hasil Prediksi Daya 1300VA Tahun Tabel 4.20 Model Penduga pada Daya 2200VA Tabel 4.21 Parameer pada Daya 2200VA Tabel 4.22 Asumsi Whie Noise pada Daya 2200VA Tabel 4.23 Asumsi Disribusi Normal pada Daya 2200VA Tabel 4.24 Pemilihan Model Terbaik pada Daya 2200VA Tabel 4.25 Hasil Prediksi Daya 2200VA Tahun xvii

14 Halaman ini sengaja dikosongkan. xviii

15 DAFTAR GAMBAR Halaman Gambar 4.1 Time Series Plo Daa Konsumsi Lisrik Rumah Tangga Gambar 4.2 Box Plo Konsumsi Lisrik 450VA Per Tahun Gambar 4.3 Box Plo Konsumsi Lisrik 450VA Per Bulan Gambar 4.4 Box Plo Konsumsi Lisrik 900VA Per Tahun Gambar 4.5 Box Plo Konsumsi Lisrik 900VA Per Bulan Gambar 4.6 Box Plo Konsumsi Lisrik 1300VA Per Tahun Gambar 4.7 Box Plo Konsumsi Lisrik 1300VA Per Bulan Gambar 4.8 Box Plo Konsumsi Lisrik 2200VA Per Tahun Gambar 4.9 Box Plo Konsumsi Lisrik 2200VA Per Bulan Gambar 4.10 Plo Box-Cox Daa Konsumsi Lisrik Daya 450VA.. 26 Gambar 4.11 Plo ACF Daa Transformasi Daya 450VA Gambar 4.12 Plo ACF Differencing Lag 1 Daya 450VA Gambar 4.13 Plo ACF Differencing Lag 12 Daya 450VA Gambar 4.14 Plo PACF pada Daya 450VA Gambar 4.15 Plo Box-Cox Daa Konsumsi Lisrik Daya 900VA.. 34 Gambar 4.16 Plo ACF pada Daya 900VA Gambar 4.17 Plo ACF Differencing Lag 1 Daya 900VA Gambar 4.18 Plo ACF Differencing Lag 12 Daya 900VA Gambar 4.19 Plo PACF pada Daya 900VA Gambar 4.20 Plo Box-Cox Konsumsi Lisrik Daya 1300VA Gambar 4.21 Plo ACF pada Daya 1300VA Gambar 4.22 Plo ACF Differencing Lag 1 Daya 1300VA Gambar 4.23 Plo ACF Differencing Lag 12 Daya 1300VA Gambar 4.24 Plo PACF pada Daya 1300VA Gambar 4.25 Plo Box-Cox pada Daa Insample Daya 2200VA Gambar 4.26 Plo ACF pada Daa Insample Daya 2200VA Gambar 4.27 Plo ACF Seelah Differencing Daya 2200VA Gambar 4.28 Plo PACF pada Daya 2200VA xix

16 Halaman ini sengaja dikosongkan. xx

17 DAFTAR LAMPIRAN Halaman Lampiran 1. Daa Konsumsi Lisrik Segmen Rumah Tangga Lampiran 2. Karakerisik Konsumsi Lisrik Rumah Tangga Lampiran 3. Synax SAS Model I pada Daya 450VA Lampiran 4. Oupu SAS Model I pada Daya 450VA Lampiran 5. Synax SAS Model II pada Daya 450VA Lampiran 6. Oupu SAS Model II pada Daya 450VA Lampiran 7. Synax SAS Model I pada Daya 900VA Lampiran 8. Oupu SAS Model I pada Daya 900VA Lampiran 9. Synax SAS Model II pada Daya 900VA Lampiran 10. Oupu SAS Model II pada Daya 900VA Lampiran 11. Synax SAS Model III pada Daya 900VA Lampiran 12. Oupu SAS Model III pada Daya 900VA Lampiran 13. Synax SAS Model I pada Daya 1300VA Lampiran 14. Oupu SAS Model I pada Daya 130VA Lampiran 15. Synax SAS Model II pada Daya 1300VA Lampiran 16. Oupu SAS Model II pada Daya 130VA Lampiran 17. Synax SAS Model I pada Daya 2200VA Lampiran 18. Oupu SAS Model I pada Daya 2200VA Lampiran 19. Synax SAS Model II pada Daya 2200VA Lampiran 20. Oupu SAS Model II pada Daya 2200VA xxi

18 Halaman ini sengaja dikosongkan. xxii

19 BAB I PENDAHULUAN 1.1 Laar Belakang Lisrik adalah salah sau sumber energi dari alam yang dibuuhkan masyaraka. Kebuuhan masyaraka yang semakin kompleks menimbulkan kebuuhan lisrik menjadi salah sau kebuuhan primer. Hampir seluruh lapisan masyaraka dari kalangan bawah, menengah, hingga kalangan aas membuuhkan energi lisrik unuk berbagai macam kegiaan. Seiap kalangan masyaraka memiliki kebuuhan lisrik yang berbeda-beda, sehingga daya yang erpasang juga berbeda. Perbedaan besarnya daya yang erpasang dapa menimbulkan jumlah konsumsi lisrik yang berbeda pula. PT PLN (Persero) merupakan perusahaan BUMN yang menyediakan lisrik unuk masyaraka di Indonesia. Salah sau program PT PLN (Persero) unuk masyaraka adalah pemeraaan lisrik agar semua masyaraka di Indonesia dapa menggunakan lisrik unuk kebuuhan sehari-hari. Program ersebu diiringi dengan peningkaan jumlah lisrik yang diproduksi unuk memenuhi kebuuhan pelanggan yang elah menggunakan lisrik dan unuk menjalankan program pemeraaan lisrik. Pengeahuan jumlah lisrik yang dibuuhkan sanga diperlukan agar penyediaan jumlah lisrik sesuai. Salah sau segmen yang sanga berpengaruh erhadap jumlah konsumsi lisrik adalah rumah angga. Jumlah konsumsi lisrik pelanggan pada segmen rumah angga yang dikeahui membua PT PLN (Persero) dapa mengeahui selisih jumlah lisrik yang diproduksi dengan jumlah konsumsi lisrik. Keadaan dapa dikaakan baik apabila semua lisrik yang diproduksi erserap unuk konsumsi lisrik, akan eapi bila idak semua lisrik diserap unuk konsumsi lisrik, maka lisrik ersebu dikelompokkan sebagai cadangan lisrik. Cadangan lisrik adalah sejumlah lisrik yang diproduksi khusus/berasal dari sisa produksi lisrik yang digunakan sebagai cadangan apabila erjadi sesuau 1

20 2 yang idak dinginkan pada periode berikunya, seperi jumlah konsumsi lisrik yang semakin meningka (Sirai, 2016). Akan eapi pada ahun 2008, erjadi penipisan jumlah cadangan lisrik disebabkan jumlah konsumsi lisrik yang semakin meningka dan pembangki lisrik yang idak opimal dalam memproduksi lisrik dikarenakan kondisi alam (Williamson, 2008). Salah sau yang harus dikeahui PT PLN (Persero) agar idak erjadi hal ersebu adalah mengeahui prediksi jumlah konsumsi lisrik pada periode selanjunya. Maka dari iu diperlukan adanya peramalan konsumsi lisrik unuk mengeahui jumlah konsumsi lisrik pelanggan, sehingga PT PLN (Persero) dapa menyediakan energi lisrik yang sesuai dengan konsumsi lisrik pelanggan. Peramalan dilakukan dengan menggunakan daa konsumsi lisrik segmen rumah angga (R1) pada daya 450VA, 900VA, 1300VA, dan 2200VA di area Jawa Timur. Area Jawa Timur memiliki jumlah pelanggan erbesar kedua sebesar 17% dari jumlah pelanggan seluruh region di seluruh Provinsi, dimana yang perama diduduki oleh region DKI Jakara dan Tangerang dengan persenase sebesar 19%, yang keiga diduduki oleh region Jawa Tengah dengan persenase 15%, sera jumlah pelanggan yang erendah erleak di Tarakan Kalimanan Uara dengan persenase sebesar 0,07% (PLN, 2015). Semakin banyak jumlah pelanggan, maka jumlah konsumsi lisrik semakin besar. Peneliian sebelumnya oleh Sapuri (2016) mengenai peramalan penjualan enaga lisrik sekor indusri di PT PLN (Persero) menggunakan model ARIMA (1,1,10). Hasil yang didapakan dari pemodelan ARIMA (1,1,10) adalah penjualan enaga lisrik yang paling inggi erjadi pada bulan Mei 2016, sedangkan nilai peramalan penjualan enaga lisrik yang paling rendah erjadi pada Sepember Penjualan enaga lisrik pada ahun 2016 mengalami kenaikan sebesar 1,96% dari ahun sebelumnya. Selain iu peneliian juga dilakukan oleh Anggraeni (2012) enang peramalan penjualan lisrik di PT PLN (Persero) disribusi Jawa Timur area pelayanan Surabaya Bara. Model peramalan yang digunakan adalah ARIMA (2,1,0), sehingga

21 3 didapakan kesimpulan peramalan penjualan lisrik unuk pelanggan pascabayar eringgi pada bulan April 2012 dan erendah bulan Mei Rumusan Masalah Berdasarkan laar belakang yang elah dijelaskan maka rumusan masalah yang diusung adalah bagaimana model erbaik dan hasil peramalan unuk konsumsi lisrik segmen rumah angga (R1) di Jawa Timur. 1.3 Tujuan Peneliian Berdasarkan rumusan masalah ersebu maka ujuan dari peneliian ini adalah mendapakan model erbaik dan hasil peramalan dari konsumsi lisrik segmen rumah angga (R1) di Jawa Timur agar dapa mengeahui jumlah penyerapan lisrik yang disediakan oleh PT PLN (Persero). 1.4 Manfaa Peneliian Hasil peneliian diharapkan mampu memberikan informasi bagi PT. PLN Disribusi Jawa Timur unuk mengopimalkan penyediaan energi lisrik di Jawa Timur pada periode selanjunya. Manfaa bagi penelii adalah dapa menenukan model erbaik unuk peramalan konsumsi lisrik pada segmen rumah angga area Jawa Timur. 1.5 Baasan Masalah Baasan masalah dalam peneliian ini adalah daa konsumsi lisrik segmen rumah angga (R1) di Jawa Timur, dimana R1 merupakan rumah angga dengan daya 450VA, 900VA, 1300VA, dan 2200VA. Daa yang digunakan bulan Januari pada ahun 2012 hingga bulan Desember ahun 2016.

22

23 4 Halaman ini sengaja dikosongkan

24 BAB II TINJAUAN PUSTAKA 2.1 Analisis Time Series Analisis ime series merupakan salah sau dari bagian meode dengan melakukan pendugaan masa depan berdasarkan nilai masa lalu. Tujuan dari meode peramalan ime series adalah menemukan pola dalam suau daa yang uru waku dan menggunakan pola ersebu unuk meramalkan masa depan (Makridakis, Wheelwrigh, & McGEE, 1999). Analisis ini menggunakan pemodelan ARIMA dengan memperhaikan sasionerias daa, plo ACF, dan PACF. Sebelum mendapakan model, maka perlu dilakukan pemeriksaan sasionerias erlebih dahulu. Pemeriksaan sasionerias dilakukan agar model dapa digunakan unuk meramalkan daa dengan hasil yang valid Sasionerias Daa Sasionerias daa adalah asumsi dalam analisis ime series yang harus erpenuhi. Pemeriksaan sasionerias daa dapa dilakukan dengan menggunakan plo ime series anara nilai Z dengan waku ke. Sasionerias dapa dibagi menjadi dua, yaiu sasionerias erhadap varians dan sasionerias erhadap mean (Makridakis, Wheelwrigh, & McGEE, 1999). Sasionerias erhadap varians adalah apabila daa berflukuasi di sekiar nilai varians yang konsan, arinya daa memiliki keragaman yang sama. Pemeriksaan sasionerias erhadap varians dapa diliha melalui plo Box Cox. Terdapa kemungkinan erjadinya daa idak sasioner erhadap varians, maka keidaksasioneran ersebu dapa diaasi dengan menggunakan ransformasi Box-Cox (Wei, 2006). Z 1 T ( Z ) (2.1) dimana nilai merupakan parameer ransformasi. Hasil ransformasi berganung pada nilai yang digunakan. Rumus 5

25 6 ransformasi dapa diunjukkan pada Tabel 2.1. Transformasi dilakukan apabila esimasi berada pada inerval -1 hingga 0,5. Apabila esimasi diluar inerval ersebu, maka idak perlu dilakukan ransformasi aau daa sasioner erhadap varians. Tabel 2.1 Transformasi Box-Cox Esimasi λ Transformasi -1,0 1/Z -0,5 1 / Z 0 ln Z 0,5 Z 1,0 Z (idak ada ransformasi) Sedangkan sasioner erhadap mean adalah flukuasi daa yang berada disekiar nilai mean yang konsan. Pemeriksaan sasionerias erhadap mean dilakukan dengan menggunakan plo ACF. Daa dapa dikaakan sasioner erhadap mean jika plo ACF memiliki lag yang urun cepa, akan eapi jika seiap lag urun lamba maka daa idak sasioner erhadap mean. Apabila daa idak sasioner ehadap mean, maka perlu dilakukan differencing aau meode pembedaan (Makridakis, Wheelwrigh, & McGEE, 1999). Y Z Z (2.2) Fungsi Auokorelasi (ACF) dan Auokorelasi Parsial (PACF) Auokorelasi (ACF) adalah hubungan linier anara Z dengan Z +k pada suau daa ime series. Apabila nilai ACF diplokan, maka plo ersebu dapa digunakan unuk memeriksa sasionerias erhadap mean. Fungsi ACF dapa dikeahui sebagai beriku (Wei, 2006). 1

26 7 ˆ k n k Z Z Z k Z 1 n 1 Z Z 2 ; k 1,2,... (2.3) n dimana, 1 Z Z n 1 Keerangan: Z : pengamaan pada waku ke- Z +k : pengamaan pada waku ke- dan pada lag ke-k Z : raa-raa pengamaan pada waku ke- ˆ : aksiran auokorelasi daa insample pada lag ke-k k Auokorelasi parsial (PACF) merupakan suau fungsi unuk mengukur keeraan hubungan anara Z dengan Z +k seelah dependensi anar variabel Z +1, Z +2,, Z +k-1 dihilangkan. dimana j ˆ k 1, k 1 ˆ k 1 1 k 1 j 1 k j 1 ˆ kj ˆ kj k 1 j j (2.4) ˆ adalah fungsi auokorelasi dari insample seelah lag ke-j. 2.2 ARIMA Box-Jenkins ARIMA Box-Jenkins adalah salah sau meode unuk meramalkan suau daa yang berbasis ime series. Beriku adalah prosedur peramalan menggunakan meode ARIMA Box-Jenkins Idenifikasi Model Idenifikasi model adalah suau ahapan yang harus dilakukan sebelum mendapakan model guna meramalkan aau memprediksikan suau daa. Tahap idenifikasi model erbagi menjadi dua, yakni memeriksa pola daa dan menenukan model. Pemeriksaan pola daa dapa dilakukan dengan menggunakan ime series plo dan plo ACF. Sedangkan unuk penenuan model dapa dilakukan dengan meliha plo ACF dan plo PACF.

27 8 Keenuan dalam mendapakan model erera pada Tabel 2.2 (Wei, 2006). Tabel 2.2 Benuk ACF dan PACF model ARIMA Model ACF PACF AR(p) Dies down Cus off afer lag p MA(q) Cus off afer lag q Dies down ARMA(p,q) Dies down Dies down Persamaan model yang digunakan pada meode ARIMA Box- Jenkins adalah model AR, MA, dan ARMA. Pemodelan pada ARIMA Box-Jenkins dapa dijelaskan seperi beriku a. Model Auoregressive (AR) Model Auoregressive (AR) adalah salah sau model dalam ARIMA Box-Jenkins yang dipengaruhi oleh orde p. Model AR dapa dinyaakan pada persamaan beriku Z Z Z pz p a (2.5) dimana: Z : selisih anara daa Z dengan a : residual pada waku ke-. : esimasi parameer pada lag p p b. Model Moving Average (MA) Model Moving Average (MA) merupakan salah sau model dengan orde q, dengan persamaan yang digunakan unuk memprediksi adalah sebagai beriku Z a a a... a (2.6) 1 1 dimana q merupakan esimasi parameer pada lag q. c. Model Auoregressive Moving Average (ARMA) Model ARMA adalah model gabungan anara model AR dan model MA. Persamaan model ARMA dapa dijelaskan seperi beriku. 2 2 q q

28 9 ( B ) Z ( B) a (2.7) p esimasi parameer dari model ARMA adalah dan, dimana model ersebu gabungan dari orde p dan orde q Esimasi dan Pengujian Parameer Esimasi parameer pada model ARIMA yang paling umum digunakan adalah meode Condiional Leas Square (CLS). Meode ini dilakukan dengan cara mencari nilai parameer meminimumkan jumlah kudra error aau SSE. Esimasi leas square pada model AR(1) dapa diliha sebagai beriku (Cryer & Chan, 2008). n n 2 S, a Z 1 Z 1 (2.8) 1 2 Selanjunya pada esimasi ersebu dilakukan penurunan erhadap dan, dimana dalam proses penurunan parameer ersebu disamakan dengan nol. Hasil penurunan parameer dan didapakan aksiran parameer dengan persamaan seperi beriku. n Z Z ˆ (2.9) n 1 1 Seelah mendapakan aksiran parameer, maka parameer ersebu kemudian diurunkan erhadap parameer. Proses penurunan ersebu berguna unuk mendapakan esimasi parameer, dengan hasil penurunan sebagai beriku. ˆ n Z Z Z 1 Z 2 q n n Z 1 Z 2 2 p q (2.10) Langkah selanjunya seelah memperoleh esimasi parameer adalah melakukan uji signifikansi parameer. Pengujian ini dilakukan unuk menguji kelayakan parameer yang masuk ke dalam suau model.

29 10 Hipoesis H 0 : 0 aau 0 (Parameer idak signifikan) H 1 : 0 aau 0 (Parameer signifikan) Saisik uji : ˆ ˆ aau (2.11) SE( ˆ) SE( ˆ) Daerah penolakan yang digunakan adalah olak H 0 jika, dimana n merupakan banyaknya observasi dan p ; n p 2 adalah banyaknya parameer yang diaksir. Seelah model diperoleh dan parameer elah diuji signifikansi, maka harus dilakukan pengujian asumsi residual. Pengujian asumsi residual berguna unuk menguji kesesuaian model Uji Asumsi Residual (Diagnosic Checking) Dua asumsi dasar yang harus dipenuhi dalam pengujian kesesuaian model yaiu residual model Whie Noise dan berdisribusi normal. Beriku adalah penjelasan masing-masing asumsi. a. Asumsi Whie Noise Residual bersifa whie noise jika erdapa korelasi anar residual dengan mean adalah nol dan varians konsan. Plo residual dapa digunakan unuk meliha apakah varians residual konsan, sedangkan unuk meliha residual bersifa whie noise dapa dilakukan dengan meliha plo sampel ACF residualnya. Proses pengujian asumsi residual whie noise dapa dikeahui sebagai beriku (Wei, 2006). Hipoesis H 0 :... 0 H 1 : a 1 a 2 ak minimal ada sau 0 dengan k 1,2,..., K a k

30 11 Saisik uji : Q n( n 2) K k 1 ˆ 2 ak ( n k) (2.12) Daerah penolakan olak H 0 jika 2 Q,df, dimana: ˆ a k : aksiran auokorelasi residual pada lag ke-k n : banyaknya residual K : nilai lag maksimum b. Asumsi Disribusi Normal Asumsi yang harus dipenuhi adalah residual berdisribusi normal. Pengujian disribusi normal salah saunya dapa dilakukan dengan menggunakan uji Kolmogorov Smirnov. Pengujian Kolmogorov Smirnov memusakan pada dua fungsi disribusi kumulaif yaiu disribusi kumulaif yang dihipoesiskan dan fungsi disribusi kumulaif yang eramai (Daniel, 1989). Hipoesis H 0 : S( a ) F0 ( a ) (Residual berdisribusi normal) H 1 : S( a ) F0 ( a ) (Residual idak berdisribusi normal) Saisik uji : D sup( a ) S( a ) F0 ( a ) (2.13) dengan : sup : nilai maksimum dari S a ) F ( a ) ( 0 S ( a ) : fungsi peluang kumulaif yang dihiung dari residual F 0 ( a ) : fungsi peluang kumulaif dari disribusi normal Daerah penolakan yang digunakan unuk memeriksa asumsi disribusi normal adalah olak H 0 jika D, dimana n merupakan banyaknya residual. D 1, n Pemilihan Model Terbaik Pemilihan model erbaik unuk meramalkan nilai dimasa yang akan daang dilakukan dengan membandingkan nilai kesalahan peramalan dari masing-masing model dugaan.

31 12 Pemilihan model erbaik melalui pendekaan insample menggunakan krieria MAPE (Mean Absolue Percenage Error). Pemilihan model erbaik melalui MAPE menggunakan rumus sebagai beriku (Wei, 1999). n Z Zˆ 1 Z MAPE 100% (2.14) n Sedangkan pemilihan model erbaik melalui pendekaan ousample dengan menggunakan RMSE (Roo Mean Square Error). RMSE merupakan krieria pemilihan model erbaik berdasarkan pada hasil sisa ramalannya digunakan unuk daa ousample dengan rumus sebagai beriku RMSE 1 1 n 2 ( Z Zˆ ) (2.15) n 2.3 Konsumsi Lisrik Konsumsi lisrik adalah kegiaan menggunakan enaga lisrik sesuai kebuuhan/kegiaan yang dilakukan pelanggan berdasarkan kapasias daya yang erpasang pada rumah pelanggan ersebu (Rachmawai, 2012). Perusahaan sebagai penyedia lisrik yang dikonsumsi oleh masyaraka Indonesia adalah PT PLN (Persero). Pendisribusian lisrik dibagi menjadi beberapa segmen agar lisrik didisribusikan sesuai sasaran. Segmen dalam pendisribusian lisrik adalah segmen bisnis, indusri, dan rumah angga. Segmen bisnis diperunukkan bagi pelanggan yang melakukan bisnis aau usaha, dimana erbagi menjadi B1, B2 dan B3. B1 unuk bisnis dengan daya sampai dengan 200KVA, B2 unuk daya 6600VA sampai dengan 200KVA dan B3 unuk daya lebih dari 200KVA. Sedangkan segmen indusri diperunukkan bagi suau perusahaan yang memiliki indusri besar. Suau perusahaan indusri dengan daya 900VA hingga 14KVA maka perusahaan ersebu ermasuk segmen I1, sedangkan I2 unuk perusahaan indusri daya lebih dari 14KVA hingga 200KVA, I3

32 13 unuk daya 200KVA hingga 3000KVA, dan I4 unuk daya 200KVA hingga 3000KVA. Segmen rumah angga adalah pendisribusian lisrik unuk pelanggan yang enaga lisriknya digunakan unuk keperluan rumah angga. Pendisribusian unuk segmen rumah angga dibagi menjadi R1, R2, dan R3. R1 unuk rumah angga dengan daya 450VA hingga 2200VA, R2 dengan daya 3500VA hingga 5500VA, dan R3 dengan daya lebih dari 5500VA. Daya yang erpasang pada segmen bisnis, indusri, dan rumah angga merupakan baas konsumsi lisrik. Peneliian ini membahas mengenai konsumsi lisrik pada segmen rumah angga (R1). Hal ersebu dikarenakan erdapa rend kenaikan konsumsi lisrik pada segmen rumah angga (R1) pada seiap ahunnya.

33 14 Halaman ini sengaja dikosongkan.

34 BAB III METODOLOGI PENELITIAN 3.1 Sumber Daa dan Variabel Peneliian Sumber daa yang digunakan adalah daa sekunder yang diperoleh dari divisi Niaga di PT PLN (Persero) Disribusi Jawa Timur di Jalan Embong Trengguli No Surabaya Jawa Timur. Daa yang digunakan dalam peneliian ini adalah daa konsumsi lisrik pada segmen rumah angga (R1) di Jawa Timur dari bulan Januari ahun 2010 hingga Desember ahun Variabel peneliian yang digunakan adalah jumlah konsumsi lisrik pada segmen rumah angga (R1) di Jawa Timur dengan sauan KWh, dengan uni peneliian daa bulanan. Srukur daa dapa diliha pada Tabel 3.1 beriku. Tabel 3.1 Srukur Daa Peneliian Tahun Bulan Konsumsi Lisrik (KWh) Januari Z 1 Februari Z November Z 11 Desember Z 12 Januari Z 13 Februari Z November Z 23 Desember Z Januari Z 73 Februari Z 74 November Z 83 Desember Z 84 15

35 Meode Analisis Meode analisis peramalan konsumsi lisrik segmen rumah angga (R1) di Jawa Timur digunakan unuk menjawab ujuan dari peneliian, dengan langkah-langkah yang dilakukan unuk menyelesaikan peneliian adalah sebagai beriku. 1. Daa konsumsi lisrik dibagi menjadi dua bagian, yakni daa insample dan ousample. Daa insample digunakan unuk menenukan pemodelan, sedangkan daa ousample digunakan unuk pemilihan model. Daa insample menggunakan daa pada bulan Januari 2010 sampai dengan Desember 2015, sedangkan daa ousample menggunakan daa pada bulan Januari 2016 hingga Desember Mengidenifikasi pola daa dengan ime series plo menggunakan daa insample. 3. Mengidenifikasi sasionerias daa insample erhadap varians menggunakan plo Box-Cox. Apabila daa idak sasioner dalam varians maka dilakukan ransformasi Box- Cox. 4. Mengidenifikasi sasionerias daa insample erhadap mean menggunakan plo ACF. Apabila daa idak sasioner erhadap mean maka harus dilakukan differencing. 5. Menenukan model menggunakan plo ACF dan PACF pada daa insample. 6. Melakukan esimasi parameer dan pengujian signifikansi parameer. Jika parameer elah signifikan maka dilanjukan pengujian asumsi residual. Akan eapi bila parameer idak signifikan, maka model idak dapa digunakan unuk pengujian asumsi residual. 7. Melakukan pengujian asumsi residual whie noise dan disribusi normal. Jika residual memenuhi asumsi whie noise maka langkah selanjunya melakukan pengujian asumsi disribusi normal. Apabila residual memenuhi asumsi disribusi normal maka model dapa digunakan unuk analisis pemilihan model erbaik. Akan eapi bila

36 17 model idak memenuhi asumsi residual, maka model idak dapa digunakan unuk analisis pemilihan model erbaik. 8. Memilih model erbaik dengan menggunakan dua krieria kebaikan model, yakni MAPE dan RMSE. Nilai MAPE dihiung dengan menggunakan daa insample, sedangkan nilai RMSE dihiung dengan menggunakan daa ousample. 9. Memilih model erbaik dengan meliha nilai MAPE dan RMSE erkecil. Apabila model yang didapakan lebih dari sau, maka model dipilih berdasarkan nilai RMSE erkecil. 10. Melakukan peramalan pada konsumsi lisrik segmen rumah angga (R1) di Jawa Timur dengan menggunakan model erbaik yang elah dipilih melalui krieria kebaikan model. Langkah-langkah penyelesaian di aas dapa digambarkan dalam benuk diagram alir seperi pada Gambar 3.1.

37 18 Gambar 3.1 Diagram Alir

38

39 BAB IV ANALISIS DAN PEMBAHASAN Bab ini membahas mengenai analisis enang peramalan konsumsi lisrik unuk segmen rumah angga (R1) di Jawa Timur dengan daya 450VA, 900VA, 1300VA, dan 2200VA menggunakan meode ARIMA Box-Jenkins. 4.1 Karakerisik Konsumsi Lisrik Rumah Tangga di Jawa Timur Karakerisik digunakan unuk mengeahui ingka konsumsi lisrik pada bulan Januari 2010 hingga Desember 2016, dengan hasil analisis sebagai beriku Variable 450VA 900VA 1300VA 2200VA Konsumsi Lisrik Monh Jan Year 2010 Jan 2011 Jan 2012 Jan 2013 Jan 2014 Jan 2015 Jan 2016 Gambar 4.1 Time Series Plo Konsumsi Lisrik Rumah Tangga Gambar 4.1 menunjukkan bahwa konsumsi lisrik erendah erjadi pada bulan Februari. Penyebab erjadinya penurunan jumlah konsumsi lisrik pada daya 450VA, 900VA, 1300VA, dan 2200VA adalah jumlah hari pada bulan Februari erendah dibandingkan pada bulan lainnya, sehingga hal ersebu dapa mempengaruhi jumlah konsumsi lisrik segmen rumah angga di Jawa Timur. Jumlah konsumsi lisrik eringgi erleak pada daya 19

40 20 900VA. Hal ersebu disebabkan jumlah pelanggan pada daya900va eringgi dibandingkan jumlah pelanggan pada daya 450VA, 1300VA, dan 2200VA. Sedangkan konsumsi lisrik yang rendah erleak pada daya 1300VA dan 2200VA, karena hanya 9,84% pelanggan di Jawa Timur yang ergolong mampu aau memasang daya 1300VA dan 2200VA. PT PLN (Persero) memberikan kebijakan pada ahun 2016 yakni mewajibkan pelanggan unuk beralih daya dari 450VA ke daya 1300VA. Akan eapi kebijakan ersebu idak mempengaruhi jumlah konsumsi lisrik pada daya 450VA seperi yang erera pada Gambar Konsumsi Lisrik Tahun Gambar 4.2 Box Plo Konsumsi Lisrik 450VA Per Tahun Plo pada Gambar 4.2 cenderung naik dan idak mengalami penurunan. Hal ersebu dikarenakan idak semua pelanggan yang diwajibkan unuk melakukan perubahan daya. Kebijakan ersebu diperunukkan bagi pelanggan yang elah mampu dan idak layak unuk mendapakan subsidi lisrik. Sedangkan pada Gambar 4.3 menginformasikan bahwa raa-raa konsumsi lisrik dengan daya 450VA pada bulan Januari hingga bulan Mare mengalami penurunan karena erdapa adanya musim hujan, dimana erjadi pemadaman lisrik unuk pemeliharaan lisrik keika musim hujan. Begiu pula dengan raa-raa konsumsi lisrik segmen

41 21 rumah angga pada daya 900VA yang disajikan pada Gambar 4.4 yang mengalami kenaikan iap ahunnya. Ternyaa kebijakan pengalihan menuju daya 1300VA yang diberlakukan pada pelanggan yang memasang daya 900VA idak mempengaruhi raa-raa konsumsi lisrik segmen rumah angga unuk daya 900VA Konsumsi Lisrik Bulan Gambar 4.3 Box Plo Konsumsi Lisrik 450VA Per Bulan Konsumsi Lisrik Tahun Gambar 4.4 Box Plo Konsumsi Lisrik 900VA Per Tahun

42

43 Konsumsi Lisrik Bulan Gambar 4.5 Box Plo Konsumsi Lisrik 900VA Per Bulan Apabila raa-raa konsumsi lisrik pada daya 900VA diamai seiap bulan, maka dikeahui erjadi penurunan konsumsi lisrik pada bulan Februari. Penyebab adanya penurunan raa-raa konsumsi lisrik adalah jumlah hari pada bulan Februari paling sediki dibandingkan pada bulan lainnya. Selain iu adanya musim hujan membua lisrik menjadi idak banyak erpakai Konsumsi Lisrik Tahun Gambar 4.6 Box Plo Konsumsi Lisrik 1300VA Per Tahun

44 23 Sedangkan pada Gambar 4.6 raa-raa konsumsi lisrik segmen rumah angga per ahun dengan daya 1300VA erendah erdapa pada ahun Hal ersebu dikarenakan adanya kebijakan yang diberikan PT PLN (Persero) kepada pelanggan mengenai kenaikan arif lisrik pada ahun 2015 unuk daya 1300VA dan 2200VA, sehingga pelanggan menghema pemakaian lisrik. Akan eapi konsumsi lisrik mengalami peningkaan pada ahun 2016, karena adanya kebijakan pengalihan daya sehingga pelanggan dengan daya 1300VA semakin meningka dan mengakibakan konsumsi lisrik semakin meningka Konsumsi Lisrik Bulan Gambar 4.7 Box Plo Konsumsi Lisrik 1300VA Per Bulan Box plo raa-raa konsumsi lisrik segmen rumah angga per bulan pada daya 1300VA dapa dikeahui bahwa erdapa kenaikan konsumsi lisrik dari bulan Februari. Hal ersebu disebabkan masuknya musim kemarau yang membua pemakaian lisrik berambah naik aau meningka. Pengaruh musim kemarau pada pemakaian lisrik adalah semakin meningkanya pelanggan yang menggunakan pendingin ruangan karena suhu semakin meningka keika musim kemarau

45 Konsumsi Lisrik Tahun Gambar 4.8 Box Plo Konsumsi Lisrik 2200VA Per Tahun Gambar 4.8 menunjukkan raa-raa konsumsi lisrik unuk daya 2200VA pada ahun 2010 hingga 2014 mengalami peningkaan. Akan eapi sama halnya dengan konsumsi lisrik pada daya 1300VA, dimana pada ahun 2015 erjadi penurunan konsumsi lisrik dikarenakan adanya kebijakan kenaikan arif lisrik Konsumsi Lisrik Bulan Gambar 4.9 Box Plo Konsumsi Lisrik 2200VA Per Bulan

46 25 Hasil box plo pada Gambar 4.9 dapa dikeahui bahwa raa-raa konsumsi lisrik eringgi erleak pada bulan Mei. Hal ersebu dikarenakan banyaknya pelanggan yang menggunakan lisrik karena adanya musim kemarau. Karakerisik konsumsi lisrik segmen rumah angga unuk daya 450VA, 900VA, 1300VA, dan 2200VA pada ahun 2010 sampai dengan ahun 2016 juga dapa dikeahui melalui Tabel 4.1. Konsumsi lisrik unuk daya 450VA pada ahun 2010 hingga ahun 2016 memiliki raa-raa sebesar KWh, dimana erdapa konsumsi lisrik erbesar sejumlah KWh yang erjadi pada bulan Juli ahun Sedangkan pada konsumsi lisrik segmen rumah angga unuk daya 900VA erdapa jumlah konsumsi lisrik erendah sebesar KWh yang erjadi pada bulan Februari ahun 2010, dimana menyebar keragaman konsumsi lisrik sebesar KWh pada ahun 2010 hingga Tabel 4.1 Karakerisik Konsumsi Lisrik Segmen Rumah Tangga Daya Raa-raa Sandar Deviasi Minimum Maksimum 450VA VA VA VA Apabila mengamai konsumsi lisrik segmen rumah angga unuk daya 1300VA yang erera pada Tabel 4.1, maka didapakan bahwa konsumsi lisrik yang erendah sebesar KWh erjadi pada bulan Februari 2010 dan pada bulan Okober ahun 2016 erjadi konsumsi lisrik eringgi sebesar KWh. Sedangkan konsumsi lisrik segmen rumah angga unuk daya 2200VA pada ahun 2010 sampai dengan 2016 memiliki raa-raa sebesar KWh, dimana penyebaran keragaman konsumsi lisrik pada ahun 2010 hingga pada ahun 2016 sebesar KWh.

47 Pemodelan Konsumsi Lisrik Segmen Rumah Tangga pada Daya 450VA Analisis ini menggunakan daa insample konsumsi lisrik segmen rumah angga dengan daya 450VA di Jawa Timur pada ahun 2010 hingga Daa insample digunakan unuk mengidenifikasi model, pemeriksaan diagnosa (dagnosic checking), dan unuk memprediksi daa pada ahun Idenifikasi Model pada Daya 450VA Idenifikasi model dapa dilakukan dengan meliha sasionerias daa konsumsi lisrik segmen rumah angga (R1) pada daya 450VA di Jawa Timur. Langkah perama adalah dengan mengidenifikasi sasionerias daa erhadap varians. Beriku adalah hasil analisis idenifikasi model pada daya 450VA Lower CL Upper CL Lambda (using 95.0% confidence) Esimae 1.92 Lower CL Upper CL Rounded Value 2.00 SDev Limi Lambda Gambar 4.10 Plo Box-Cox pada Daa Konsumsi Lisrik Daya 450VA Sasionerias erhadap varians dapa diliha pada Gambar 4.10, dimana memiliki rounded value sebesar 2. Hal ersebu mengarikan bahwa daa insample konsumsi lisrik segmen rumah angga dengan daya 450VA elah sasioner erhadap varians. Selain sasionerias erhadap varians, dilakukan pemeriksaan sasionerias erhadap mean. Sasionerias erhadap mean

48 27 menggunakan daa hasil ransformasi konsumsi lisrik segmen rumah angga dengan daya 450VA, dimana pemeriksaan dilakukan dengan meliha plo ACF. Hasil pemeriksaan sasionerias erhadap mean Auocorrelaion Lag Gambar 4.11 Plo ACF pada Daa Transformasi Daya 450VA Plo ACF yang erera pada Gambar 4.11 dapa dikeahui bahwa plo urun lamba (dies down). Hal ersebu mengarikan bahwa daa ransformasi konsumsi lisrik segmen rumah angga dengan daya 450VA idak sasioner erhadap mean, sehingga dilakukan differencing lag 1 pada daa ransformasi unuk mengaasi sasionerias ersebu. Seelah daa differencing, maka dilakukan pemeriksaan kembali menggunakan plo ACF unuk mengeahui sasionerias erhadap mean. Gambar 4.12 menjelaskan bahwa plo ACF urun cepa, arinya daa elah sasioner erhadap mean. Akan eapi erdapa pengaruh musiman pada daa konsumsi lisrik segmen rumah angga unuk daya 450VA seperi yang dijelaskan pada analisis 4.1, sehingga daa perlu dilakukan differencing kembali dengan menggunakan differencing lag 12. Hasil dari differencing lag 12 dapa dikeahui melalui Gambar

49 28 Auocorrelaion Lag Gambar 4.12 Plo ACF Differencing Lag 1 Daya 450VA Auocorrelaion Lag Gambar 4.13 Plo ACF Differencing Lag 12 Daya 450VA Gambar 4.13 menginformasikan bahwa plo ACF urun cepa, dimana erdapa 1 lag yang keluar baas (cus off afer lag 1). Plo ACF juga dapa digunakan unuk menenukan model ARIMA. Model ARIMA memiliki fungsi yakni unuk memprediksi daa konsumsi lisrik segmen rumah angga daya 450VA pada ahun Pemodelan didapakan melalui plo ACF dan plo PACF. Penjelasan plo PACF dapa diliha melalui Gambar

50 29 Parial Auocorrelaion Lag Gambar 4.14 Plo PACF pada Daya 450VA 35 Plo PACF pada Gambar 4.14 menunjukkan erdapa lag 1 dan lag 2 yang keluar baas. Hal ersebu dapa dikaakan bahwa cus of afer lag 1 dan cus of afer lag 2. Seelah mengeahui plo ACF dan PACF, maka didapakan model ARIMA yang diduga dapa memprediksi daa konsumsi lisrik segmen rumah angga dengan daya 450VA. Beriku adalah model ARIMA penduga berdasarkan hasil pemodelan melalui plo ACF dan PACF. Tabel 4.2 Model Penduga pada Daya 450VA Model Model ARIMA I ARIMA ([1,2],1,0)(0,1,0) 12 II ARIMA (0,1,1)(0,1,0) 12 Pemodelan yang erera pada Tabel 4.2 diperoleh berdasarkan lag yang keluar baas dari plo ACF dan PACF pada Gambar 4.13 dan Model I dapa dikeahui melalui plo PACF dimana erdapa 2 lag yang keluar baas, yakni pada lag 1 dan 2. Sedangkan model II didapakan melalui plo ACF dimana lag 1 keluar baas. Kedua model ersebu selanjunya diuji unuk mengeahui model yang layak digunakan unuk memprediksi konsumsi lisrik unuk daya 450VA.

51 Esimasi dan Pengujian Parameer pada Daya 450VA Seelah mendapakan model ARIMA, maka dilakukan esimasi parameer dan pengujian parameer unuk mengeahui model yang signifikan. Hasil esimasi dan pengujian parameer dapa diliha pada Tabel 4.3. Tabel 4.3 Parameer pada Daya 450VA Model Parameer Esimasi P-value ARIMA 1-0, ,63 <0,0001* ([1,2],1,0)(0,1,0) , ,68 0,0005* ARIMA (0,1,1) (0,1,0) , ,40 <0,0001* *Signifikan Tabel 4.3 menjelaskan bahwa model ARIMA ([1,2],1,0)(0,1,0) 12 dan ARIMA (0,1,1)(0,1,0) 12 memiliki parameer yang signifikan, karena nilai lebih besar dibandingkan 0,025(58) yang memiliki nilai sebesar 2,301. Hal ersebu dapa diarikan bahwa kedua model ARIMA ersebu diduga dapa digunakan unuk memprediksi konsumsi lisrik segmen rumah angga dengan daya 450VA pada ahun Analisis Uji Asumsi Residual pada Daya 450VA Pengujian asumsi residual digunakan unuk mengeahui residual daa memenuhi asumsi whie noise dan disribusi normal. Hasil pengujian asumsi whie noise dapa diliha pada Tabel 4.4. Model ARIMA ([1,2],1,0)(0,1,0) 12 yang erera pada Tabel dapa dikeahui memiliki nilai kurang dari 33,924 yang didapa dari. Begiu pula dengan model ARIMA (0,1,1)(0,1,0) ,05(22) 2 yang memiliki nilai kurang dari 35,172 yang didapa dari nilai 2 0,05(23). Selain iu dikeahui bahwa semua p-value lebih dari

52 31 α aau 0,05. Hal ersebu menunjukkan semua lag pada kedua model memenuhi asumsi whie noise. Tabel 4.4 Asumsi Whie Noise pada Daya 450VA 2 Model Lag P-value ARIMA ([1,2],1,0)(0,1,0) 12 ARIMA (0,1,1)(0,1,0) ,31 0, , ,62 0, ,63 0, ,70 0, ,55 0, ,20 0, ,75 0,1290 Hasil pengujian asumsi disribusi normal erera pada Tabel 4.5. Nilai Kolmogorov Smirnov pada kedua model memiliki nilai yang lebih kecil dibandingkan dengan D 0,05(59) sebesar 0,177 aau semua p-value lebih dari 0,05, sehingga dapa dipuuskan bahwa residual mengikui disribusi normal. Tabel 4.5 Asumsi Disribusi Normal pada Daya 450VA Model Kolmogorov Smirnov P-value ARIMA ([1,2],1,0)(0,1,0) 12 0, ,1236 ARIMA (0,1,1)(0,1,0) 12 0, >0, Pemilihan Model Terbaik pada Daya 450VA Model ARIMA yang didapakan selanjunya akan dipilih unuk digunakan sebagai model yang dapa memprediksi konsumsi lisrik segmen rumah angga dengan daya 450VA sau ahun kedepan. Pemilihan model dilakukan dengan menggunakan

53 32 dua krieria pemilihan model erbaik, dengan hasil analisis pada Tabel 4.6. Hasil analisis dengan menggunakan krieria MAPE dikeahui nilai kesalahan erkecil erleak pada model ARIMA (0,1,1)(0,1,0) 12. Akan eapi pada krieria RMSE dikeahui nilai kesalahan erkecil erleak pada model ARIMA ([1,2],1,0)(0,1,0) 12. Tabel 4.6 Pemilihan Model Terbaik pada Daya 450VA Model MAPE (insample) RMSE (ousample) ARIMA ([1,2],1,0)(0,1,0) 12 5,08% ,43 ARIMA (0,1,1)(0,1,0) 12 4,71% ,76 Hasil pemilihan model erbaik didapakan bahwa model erpilih yang digunakan unuk memprediksi daa konsumsi lisrik segmen rumah angga daya 450VA adalah model ARIMA ([1,2],1,0)(0,1,0) 12. Pemodelan ARIMA dapa diliha sebagai beriku B B B B Z a B B B B B B Z a B B B B B B Z a Z Z Z Z Z Z Z Z Z Z Z 13 2Z 14 1Z 14 2Z 15 a 1 Z 12 Z 13 0,91136 Z 1 0,91136 Z 2 0,43926 Z 2 0,43926 Z 3 0,91136 Z 13 0,43926 Z 14 0, Z 14-0,43926 Z 15 a Hasil prediksi konsumsi lisrik segmen rumah angga unuk daya 450VA yang didapakan melalui model ARIMA ([1,2],1,0)(0,1,0) 12 dapa dijelaskan pada Tabel 4.7.

54 33 Tabel 4.7 Hasil Prediksi pada Daya 450VA Tahun 2017 Bulan Nilai Prediksi Baas Bawah Baas Aas Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober November Desember Tabel 4.7 menginformasikan bahwa hasil prediksi konsumsi lisrik segmen umah angga pada ahun 2017 erendah erdapa pada bulan Februari. Sedangkan prediksi konsumsi lisrik segmen rumah angga unuk daya 450VA eringgi erdapa pada bulan Juli, sehingga renang jumlah konsumsi lisrik segmen rumah angga unuk daya 450VA bulan Januari hingga Desember ahun 2017 berkisar anara KWh sampai dengan KWh. 4.3 Pemodelan Konsumsi Lisrik Segmen Rumah Tangga pada Daya 900VA Analisis yang digunakan dalam memprediksi daa konsumsi lisrik segmen rumah angga unuk daya 900VA memiliki beberapa ahapan analisis, yakni idenifikasi model, esimasi parameer dan pengujian signifikansi parameer, uji asumsi residual, dan pemilihan model erbaik menggunakan MAPE dan RMSE. Hasil analisis pemodelan konsumsi lisrik unuk daya 900VA dapa diliha seperi beriku.

55 Idenifikasi Model pada Daya 900VA Hasil idenifikasi daa yang erdiri dari sasionerias erhadap varians dan mean dapa diliha melalui plo Box-Cox dan plo ACF, dengan analisis seperi beriku Lower CL Upper CL Lambda (using 95.0% confidence) Esimae 1.58 Lower CL 0.64 Upper CL Rounded Value 2.00 SDev Lambda Gambar 4.15 Plo Box-Cox pada Daa Konsumsi Lisrik Daya 900VA Plo Box-Cox yang erera pada Gambar 4.15 menunjukkan bahwa nilai (rounded value) sebesar 2. Hal ersebu mengarikan bahwa daa konsumsi lisrik segmen rumah angga unuk daya 900VA elah sasioner erhadap varians. Selanjunya mengidenifikasi sasionerias erhadap mean. Gambar 4.16 menunjukkan bahwa plo secara visual urun lamba (dies down). Hal ersebu dapa diarikan daa konsumsi lisrik segmen rumah angga unuk daya 900VA pada ahun 2010 sampai dengan ahun 2015 idak sasioner erhadap mean. Cara mengaasi daa agar dapa memenuhi sasionerias erhadap mean adalah dengan melakukan differencing pada daa konsumsi lisrik segmen rumah angga unuk daya 900VA. Differencing yang dilakukan unuk memenuhi sasionerias erhadap mean adalah dengan differencing lag 1. Hasil daa konsumsi lisrik segmen rumah angga unuk daya 900VA yang elah dilakukan differencing dapa digambarkan pada Gambar Limi

56 35 Auocorrelaion Lag Gambar 4.16 Plo ACF pada Daya 900VA 35 Auocorrelaion Lag Gambar 4.17 Plo ACF Differencing Lag 1 Daya 900VA Plo ACF pada Gambar 4.17 menunjukkan plo seiap lag urun cepa, arinya elah sasioner erhadap mean. Akan eapi adanya pengaruh musiman pada daa konsumsi lisrik segmen rumah angga dengan daya 900VA, maka dperlu dilakukan differencing 12. Hasil differencing lag 12 erera pada Gambar Plo ACF pada Gambar 4.18 memiliki 1 lag yang keluar baas, yakni pada lag 1. Hal ersebu memiliki ari cus off afer lag

57 36 Auocorrelaion Lag Gambar 4.18 Plo ACF Differencing Lag 12 Daya 900VA Parial Auocorrelaion Lag Gambar 4.19 Plo PACF pada Daya 900VA 35 Model dapa dienukan melalui plo ACF dan PACF. Plo PACF pada Gambar 4.19 menunjukkan erdapa beberapa lag yang keluar dari baas. Lag yang keluar baas erdiri dari cu off afer lag 1, cu off afer lag 2, dan cu off afer lag 12. Hasil idenifikasi model dari plo ACF dan PACF mendapakan 3 model yang diduga dapa digunakan unuk memprediksi daa konsumsi lisrik dengan daya 900VA, dimana 3 model ersebu dapa diliha pada Tabel 4.8. Model dienukan melalui lag yang

58 37 keluar baas dari plo ACF dan PACF. Model I dan model III didapakan dari plo PACF yang memiliki 2 lag keluar baas, yakni pada lag 1 dan lag 2. Sedangkan model II diperoleh melalui plo ACF dimana lag 1 keluar baas. Tabel 4.8 Model Penduga pada Daya 900VA Model Model ARIMA I ARIMA (1,1,0)(0,1,0) 12 II ARIMA (0,1,1)(0,1,0) 12 III ARIMA ([1,2],1,0) (0,1,0) Esimasi dan Pengujian Parameer pada Daya 900VA Esimasi dan pengujian parameer menggunakan model yang elah dienukan melalui ahap idenifikasi model. Hasil esimasi parameer dan pengujiannya dapa diliha pada Tabel 4.9 beriku. Tabel 4.9 Parameer pada Daya 900VA Model Parameer Esimasi P-value ARIMA (1,1,0)(0,1,0) , ,09 0,0001* ARIMA (0,1,1)(0,1,0) , ,59 <0,0001* ARIMA 1-0, ,99 <0,0001* ([1,2],1,0) (0,1,0) , ,57 0,0128* *Signifikan Tabel 4.9 menginformasikan bahwa keiga model penduga memiliki parameer yang signifikan. Hasil yang signifikan didasarkan pada nilai yang lebih kecil dibandingkan 0,025(58) dengan nilai 2,301. Hal ersebu mengarikan bahwa model-model ersebu diduga dapa memprediksi daa konsumsi lisrik segmen rumah angga dengan daya 900VA.

59 Analisis Uji Asumsi Residual pada Daya 900VA Analisis uji asumsi residual dapa dikeahui melalui pengujian asumsi whie noise dan disribusi normal. Uji asumsi residual whie noise memiliki hasil analisis yang erera pada Tabel 4.10 Model ARIMA penduga yang erdapa pada Tabel menunjukkan nilai pada model I dan model II lebih kecil dari 2 0,05(23) yakni sebesar 35,172, dan model III memiliki nilai lebih kecil dibandingkan 2 0,05(22) dengan nilai 33,924. Selain iu p-value pada keiga model memiliki nilai yang lebih dari α aau 0,05. Kepuusan yang dapa diambil adalah keiga model memiliki residual yang memenuhi asumsi whie noise. Tabel 4.10 Asumsi Whie Noise pada Daya 900VA 2 Model Lag P-value ARIMA (1,1,0)(0,1,0) 12 ARIMA (0,1,1)(0,1,0) 12 ARIMA ([1,2],1,0)(0,1,0) ,62 0, ,46 0, ,01 0, ,66 0, ,47 0, ,38 0, ,37 0, ,71 0, ,62 0, ,66 0, ,94 0, ,07 0,2939 Sedangkan hasil asumsi disribusi normal dari keiga model yang diduga dapa memprediksi daa konsumsi lisrik daya 900VA dapa diunjukkan pada Tabel Model-model ARIMA yang merupakan model penduga memiliki residual yang memenuhi

60 39 asumsi disribusi normal, karena nilai Kolmogorov Smirnov kurang dari D 0,05(59) sebesar 0,177. Tabel 4.11 Asumsi Disribusi Normal pada Daya 900VA Model Kolmogorov Smirnov P-value ARIMA (1,1,0)(0,1,0) 12 0, ,0123 ARIMA (0,1,1)(0,1,0) 12 0, ,0483 ARIMA ([1,2],1,0)(0,1,0) 12 0, <0, Pemilihan Model Terbaik pada Daya 900VA Pemilihan model erbaik erdapa dua krieria yakni menggunakan MAPE dan RMSE. MAPE digunakan sebagai krieria unuk daa insample, sedangkan RMSE digunakan unuk krieria daa ousample. Hasil analisis pemilihan model erbaik pada daa konsumsi lisrik segmen rumah angga pada daya 900VA dapa diliha pada Tabel Tabel 4.12 Pemilihan Model Terbaik pada Daya 900VA Model MAPE (insample) RMSE (ousample) ARIMA (1,1,0)(0,1,0) 12 11,54% ,85 ARIMA (0,1,1)(0,1,0) 12 9,89% ,72 ARIMA ([1,2],1,0)(0,1,0) 12 11,19% ,78 Model yang erpilih dari hasil analisis pemilihan model erbaik menggunakan krieria model adalah model ARIMA (0,1,1)(0,1,0) 12. Hal ersebu dikarenakan model ARIMA (0,1,1)(0,1,0) 12 memiliki kesalahan erendah dibandingkan dengan model penduga lainnya, sehingga model ersebu dapa digunakan

61 40 unuk memprediksi daa konsumsi lisrik segmen rumah angga daya 900VA ahun Hasil prediksi konsumsi lisrik unuk daya 900VA dengan model ARIMA (0,1,1)(0,1,0) 12 dapa diliha pada Tabel 4.13, dengan hasil pemodelan ARIMA adalah sebagai beriku B 1 B Z 1 1B a B B B Z a 1Ba Z B Z BZ B Z a 1Ba Z 12 B Z BZ 13 B Z 1Ba a Z Z Z Z a a Z Z Z Z 12 Z 1 Z 13 1a 1 1 Z Z 0, a a a Tabel 4.13 Hasil Prediksi pada Daya 900VA Tahun 2017 Bulan Nilai Prediksi Baas Bawah Baas Aas Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober November Desember

62 41 Konsumsi lisrik erendah pada ahun 2017 erleak pada bulan Februari dan konsumsi lisrik eringgi erdapa pada bulan Mei. Jumlah konsumsi lisrik segmen rumah angga unuk daya 900VA dari bulan Januari sampai dengan Desember periode 2017 memiliki renang yang berkisar anara KWh hingga KWh. 4.4 Pemodelan Konsumsi Lisrik Segmen Rumah Tangga pada Daya 1300VA Konsumsi lisrik segmen rumah angga pada daya 1300VA akan diprediksi unuk ahun Tahapan yang dilakukan adalah mengidenifikasi model, esimasi parameer dan pengujian parameer, pengujian asumsi residual sera pemilihan model erbaik menggunakan MAPE dan RMSE. Hasil pemodelan konsumsi lisrik segmen rumah angga pada daya 1300VA dapa diliha sebagai beriku Idenifikasi Model pada Daya 1300VA Analisis idenifikasi model dapa diliha melalui plo Box- Cox unuk mengeahui sasionerias daa erhadap varians dan plo ACF unuk mengeahui sasionerias erhadap mean. Beriku adalah hasil idenifikasi model. SDev Lower CL Upper CL Lambda (using 95.0% confidence) Esimae 1.87 Lower CL 0.33 Upper CL 3.27 Rounded Value Limi Lambda Gambar 4.20 Plo Box-Cox pada Daa Konsumsi Lisrik Daya 1300VA

63 42 Plo Box-Cox pada Gambar 4.20 menginformasikan bahwa daa elah sasioner dalam varians. Hal ersebu dapa dikeahui melalui nilai yang bernilai 2. Pemeriksaan daa juga dilakukan unuk mengeahui sasionerias erhadap mean, yang dapa diliha pada Gambar Auocorrelaion Lag Gambar 4.21 Plo ACF pada Daya 1300VA Plo ACF dapa dikeahui urun lamba pada seiap lagnya, arinya idak sasioner erhadap mean. Hal yang harus dilakukan adalah dengan melakukan differencing lag Auocorrelaion Lag Gambar 4.22 Plo ACF Differencing Lag 1 Daya 1300VA

64 43 Hasil differencing dapa diliha pada Gambar Daa konsumsi lisrik segmen rumah angga unuk daya 1300VA erindikasi adanya musiman, sehingga perlu dilakukan differencing lag 12. Adanya pengaruh musiman dapa dikeahui melalui analisis 4.1. Hasil differencing pada lag 12 dapa dikeahui melalui Gambar Gambar 4.23 menunjukkan plo ACF hasil differencing yang kedua, dimana plo urun cepa, arinya daa elah sasioner erhadap mean. Auocorrelaion Lag Gambar 4.23 Plo ACF Differencing Lag 12 Daya 1300VA Parial Auocorrelaion Lag Gambar 4.24 Plo PACF pada Daya 1300VA 35

65 44 Selain memeriksa sasionerias, plo ACF juga digunakan dalam penenuan model. Plo ACF dapa dikeahui bahwa erdapa 1 lag yang keluar baas, arinya cus off afer lag 1. Plo PACF dapa dikeahui bahwa erdapa sau lag yang keluar baas, yakni pada lag 1. Hal ersebu mengarikan bahwa cus off afer lag 1. Model yang diduga dapa memprediksi daa yang diperoleh dari plo ACF dan PACF dapa dikeahui pada Tabel Tabel 4.14 Model Penduga pada Daya 1300VA Model Model ARIMA I ARIMA (1,1,0)(0,1,0) 12 II ARIMA (0,1,1)(0,1,0) 12 Model I diperoleh melalui plo PACF yang memiliki 1 lag yang keluar baas yakni pada lag 1. Sedangkan model II didapakan dari plo ACF dimana lag 1 keluar baas Esimasi dan Pengujian Parameer pada Daya 1300VA Model yang elah dienukan melalui plo ACF dan PACF, selanjunya dilakukan pengujian parameer model dengan hasil yang erera pada Tabel Seelah nilai dibandingkan dengan 0,025(58) sebesar 2,301, maka didapa kepuusan parameer model signifikan. Hal ersebu dapa diarikan bahwa analisis selanjunya dapa dilakukan dengan menggunakan kedua model penduga. Tabel 4.15 Parameer pada Daya 1300VA Model Parameer Esimasi P-value ARIMA (1,1,0)(0,1,0) , ,06 0,0034* ARIMA (0,1,1)(0,1,0) , ,42 <0,0001* *Signifikan

66 Analisis Uji Asumsi Residual pada Daya 1300VA Hasil analisis asumsi residual dapa dikeahui melalui pengujian asumsi whie noise dan disribusi normal, dimana pengujian asumsi whie noise dapa dikeahui melalui Tabel 4.16 beriku. Tabel 4.16 Asumsi Whie Noise pada Daya 1300VA 2 Model Lag P-value ARIMA (1,1,0)(0,1,0) 12 ARIMA (0,1,1)(0,1,0) , ,32 0, ,08 0, ,97 0, ,95 0, ,73 0, ,18 0, ,78 0,5945 Model ARIMA (1,1,0)(0,1,0) 12 erera pada Tabel 4.16 memiliki 1 lag yang memiliki p-value kurang dari 0,05, sehingga dapa diarikan bahwa Model ARIMA (1,1,0)(0,1,0) 12 idak memenuhi asumsi whie noise. Sedangkan model ARIMA (0,1,1)(0,1,0) 12 memiliki residual yang memenuhi asumsi whie noise. Hal ersebu dikarenakan p-value lebih dari 0,05. Tabel 4.17 Asumsi Disribusi Normal pada Daya 1300VA Model Kolmogorov Smirnov P-value ARIMA (1,1,0)(0,1,0) 12 0, <0,0100 ARIMA (0,1,1)(0,1,0) 12 0, ,0825

67 46 Selain iu, adapula pengujian disribusi normal dengan analisis pada Tabel Tabel 4.17 menjelaskan bahwa model ARIMA (1,1,0)(0,1,0) 12 dan ARIMA (0,1,1)(0,1,0) 12 signifikan, karena nilai Kolmogorov Smirnov lebih kecil dari 0,177. Hal ersebu mengarikan bahwa kedua model memenuhi asumsi disribusi normal Pemilihan Model Terbaik pada Daya 1300VA Pemilihan model erbaik didasarkan pada model yang signifikan dan memenuhi asumsi residual whie noise maupun disribusi normal. Hasil analisis dan didapakan model ARIMA (1,1,0)(0,1,0) 12 memiliki hasil yang signifikan, akan eapi erdapa salah sau asumsi residual yang idak erpenuhi, yakni asumsi whie noise. Sedangkan model ARIMA (0,1,1)(0,1,0) 12 memiliki hasil yang signifikan dan memenuhi asumsi residual. Sedangkan hasil dari krieria model erbaik pada Tabel 4.18 didapakan bahwa model ARIMA (1,1,0)(0,1,0) 12 memiliki kesalahan erendah dibandingkan model ARIMA (0,1,1)(0,1,0) 12. Tabel 4.18 Pemilihan Model Terbaik pada Daya 1300VA Model MAPE (insample) RMSE (ousample) ARIMA (1,1,0)(0,1,0) 12 2,52% ARIMA (0,1,1)(0,1,0) 12 5,53% Akan eapi dalam pemilihan model yang digunakan unuk memprediksi konsumsi lisrik segmen rumah angga unuk daya 1300VA yang lebih diuamakan adalah pemodelan yang signifikan dan memenuhi asumsi residual, sehingga model yang digunakan unuk memprediksi daa pada ahun 2017 adalah model ARIMA (0,1,1)(0,1,0) 12.

68 B 1 B Z 1 1B a B B B Z a 1Ba Z B Z BZ B Z a 1Ba Z 12 B Z BZ 13 B Z 1Ba a Z Z Z Z a 1 a Z Z 12 Z 1 Z 13 1a 1 Z Z 1 Z Z 0, a a a Hasil prediksi daa konsumsi lisrik segmen rumah angga dengan daya 1300VA pada ahun 2017 dapa dijelaskan pada Tabel 4.19 beriku Tabel 4.19 Hasil Prediksi Daya 1300VA Tahun 2017 Bulan Nilai Prediksi Baas Bawah Baas Aas Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober November Desember Hasil prediksi menggunakan model ARIMA (0,1,1)(0,1,0) 12 dapa dikeahui bahwa konsumsi lisrik segmen rumah angga pada daya 1300VA bulan Januari hingga Desember ahun 2017

69 48 berkisar dianara KWh sampai dengan KWh. Apabila diamai seiap bulannya, maka konsumsi lisrik erendah erleak pada bulan Februari dan eringgi pada bulan Okober ahun Pemodelan Konsumsi Lisrik Segmen Rumah Tangga pada Daya 2200VA Konsumsi lisrik segmen rumah angga dengan daya 2200VA dianalisis menggunakan meode ARIMA Box-Jenkins. Beriku adalah hasil analisisnya Idenifikasi Model pada Daya 2200VA Idenifikasi model memiliki kegunaan yakni unuk mengeahui sasionerias erhadap varians dan mean. Gambar 4.25 menunjukkan bahwa nilai (rounded value) sebesar 1. Hal ersebu mengarikan bahwa daa konsumsi lisrik segmen rumah angga pada daya 2200VA di Jawa Timur elah sasioner erhadap varians. Selain sasionerias erhadap varians, adapula sasionerias erhadap mean. Sasionerias erhadap mean dapa diidenifikasi dengan menggunakan plo ACF yang erera pada Gambar 4.26 beriku Lower CL Upper CL Lambda (using 95.0% confidence) Esimae 1.09 Lower CL Upper CL 2.69 Rounded Value 1.00 SDev Limi Lambda Gambar 4.25 Plo Box-Cox pada Daa Insample Daya 2200VA

70 49 Plo ACF yang erdapa pada Gambar 4.26 dapa dikeahui bahwa secara visual plo urun lamba (dies down), aau daa idak sasioner erhadap mean. Hal ersebu mengarikan bahwa diperlukan adanya differencing erhadap daa konsumsi lisrik segmen rumah angga daya 2200VA di Jawa Timur dengan musiman iap 12 bulan aau lag 12. Auocorrelaion Lag Gambar 4.26 Plo ACF pada Daa Insample Daya 2200VA Auocorrelaion Lag Gambar 4.27 Plo ACF Differencing Lag 12 Daya 2200VA

71 50 Hasil differencing pada daa insample konsumsi lisrik dengan daya 2200VA dapa dikeahui pada Gambar Plo ACF menunjukkan bahwa plo urun lamba, sehingga dapa disimpulkan jika daa elah sasioner erhadap mean. Langkah selanjunya adalah menenukan model yang didapa dengan meliha plo ACF dan PACF daa. Gambar 4.27 menginformasikan bahwa erdapa dua lag yang keluar dari baas. Lag yang keluar baas adalah lag 1 dan lag 2, arinya cus of afer lag 1 dan cus of afer lag 2. Sedangkan plo PACF yang erera pada Gambar 4.28 menunjukkan bahwa lag 1 keluar baas. Hal ersebu dapa diarikan bahwa cus of afer lag 1. Parial Auocorrelaion Lag Gambar 4.28 Plo PACF pada Daya 2200VA Model yang diduga unuk memprediksi konsumsi lisrik dengan daya 2200VA erdapa pada Tabel Model-model penduga ersebu dapa dipilih melalui plo ACF dan plo PACF. Tabel 4.20 Model Penduga pada Daya 2200VA Model Model ARIMA I ARIMA (1,0,0)(0,1,0) 12 II ARIMA (1,0,1)(0,1,0) 12

72 51 Model I dapa dienukan dari plo PACF yang memiliki lag 1 yang keluar baas. Sedangkan model II diperoleh melalui plo ACF dan PACF yang memiliki 1 lag yang keluar baas, yakni pada lag Esimasi dan Pengujian Parameer pada Daya 2200VA Esimasi dan pengujian parameer dilakukan seelah model didapakan dari idenifikasi model. Parameer model konsumsi lisrik dengan daya 2200VA dapa diliha pada Tabel Tabel 4.21 menjelaskan bahwa model I dan II memiliki parameer model yang signifikan. Hal ersebu dapa dikeahui melalui nilai yang lebih besar dari 0,025(48) yang memiliki nilai sebesar 2,313. Tabel 4.21 Parameer pada Daya 2200VA Model Parameer Esimasi P-value ARIMA (1,0,0)(0,1,0) , ,63 <0,0001* ARIMA 1 0, ,66 <0,0001* (1,0,1)(0,1,0) , ,92 0,0002* *Signifikan Analisis Uji Asumsi Residual pada Daya 2200VA Diagnosic checking yang dilakukan merupakan pengujian asumsi residual, dimana erdapa dua pengujian asumsi yang erdiri dari asumsi residual whie noise dan disribusi normal. Hasil pengujian whie noise pada kedua model yang erera pada Tabel 4.22 dapa dikeahui bahwa model ARIMA (1,0,0)(0,1,0) 12 memenuhi asumsi whie noise, karena nilai dari 2 0,05(23) 2 kurang dengan nilai 35,172. Sedangkan pada model ARIMA (1,0,1)(0,1,0) memiliki nilai kurang dari 0,05(22) 33,924, sehingga model memenuhi asumsi whie noise. dengan nilai

73 52 Tabel 4.22 Asumsi Whie Noise pada Daya 2200VA 2 Model Lag P-value ARIMA (1,0,0)(0,1,0) 12 ARIMA (1,0,1)(0,1,0) ,41 0, ,60 0, ,60 0, ,80 0, ,15 0, ,53 0, ,12 0, ,39 0,1969 Tabel 4.23 Asumsi Disribusi Normal pada Daya 2200VA Model Kolmogorov Smirnov P-value ARIMA (1,0,0)(0,1,0) 12 0,09298 >0,1500 ARIMA (1,0,1)(0,1,0) 12 0, ,0911 Selanjunya hasil analisis pengujian asumsi disribusi normal erdapa pada Tabel Tabel 4.23 menginformasikan bahwa nilai Kolmogorov Smirnov kurang dari 0,177 dan p-value lebih dari α aau 0,05, sehingga dapa dipuuskan kedua model memenuhi asumsi disribusi normal Pemilihan Model Terbaik pada Daya 2200VA Pemilihan model erbaik erbagi menjadi dua, yakni melalui daa insample dan daa ousample. Krieria pemilihan model yang digunakan adalah MAPE unuk insample dan RMSE unuk ousample. Analisis pemilihan model erbaik dapa dijelaskan melalui Tabel 4.24 beriku.

74 53 Tabel 4.24 Pemilihan Model Terbaik pada Daya 2200VA Model MAPE (insample) RMSE (ousample) ARIMA (1,0,0)(0,1,0) 12 0,53% ,91 ARIMA (1,0,1)(0,1,0) 12 0,59% Model erbaik dipilih berdasarkan nilai kesalahan erkecil. Model ARIMA (1,0,0)(0,1,0) 12 memiliki nilai kesalahan erkecil, sehingga model ARIMA ersebu erpilih unuk digunakan dalam memprediksi konsumsi lisrik segmen rumah angga dengan daya 2200VA. Hasil pemodelan dan prediksi yang didapakan dari model ARIMA (1,0,0)(0,1,0) 12 dapa diliha sebagai beriku B B Z 1 1 a B B B Z 1 1 a Z 12 B Z BZ 13 B Z 1 1 a Z 12 B Z BZ 13 B Z 1 1 a Z Z Z Z a Z Z Z Z 12 1 Z 1 1 Z 13 Z 12 1Z 1 1Z 13 a Z a 12 0,70520 Z 0, Z 1 13 a Hasil prediksi konsumsi lisrik segmen rumah angga unuk daya 2200VA dapa diliha pada Tabel Konsumsi lisrik segmen rumah angga pada daya 2200VA unuk bulan Januari hingga Desember ahun 2017 berkisar anara KWh hingga KWh. Apabila hasil prediksi diamai iap bulan, maka diperoleh bahwa hasil prediksi konsumsi lisrik erendah erleak pada bulan Februari dan hasil prediksi eringgi erdapa pada bulan Mei.

75 54 Tabel 4.25 Hasil Prediksi Daya 2200VA Tahun 2017 Bulan Nilai Prediksi Baas Bawah Baas Aas Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober November Desember

76 55 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Kesimpulan yang dapa diambil dari hasil peneliian dikeahui bahwa model erbaik konsumsi lisrik segmen rumah angga unuk masing-masing daya adalah sebagai beriku: - 450VA dengan model ARIMA ([1,2],1,0)(0,1,0) VA dengan model ARIMA (0,1,1)(0,1,0) VA dengan model ARIMA (0,1,1)(0,1,0) VA dengan model ARIMA (1,0,0)(0,1,0) 12. Adapun peramalan pemakaian lisrik unuk bulan Januari sampai Desember ahun 2017 pada masing-masing daya berada pada renangan sebagai beriku: - 450VA dengan renang KWh sampai dengan KWh - 900VA dengan renang KWh sampai dengan KWh VA dengan renang KWh sampai dengan KWh VA dengan renang KWh sampai dengan KWh. 5.2 Saran Saran yang dapa diberikan unuk PT PLN (Persero) Disribusi Jawa Timur seelah mengeahui prediksi konsumsi lisrik adalah menyediakan energi lisrik yang sesuai dengan jumlah konsumsi lisrik pelanggan, eruama unuk bulan-bulan yang diprediksi memiliki jumlah konsumsi lisrik eringgi agar dalam memproduksi energi lisrik idak menghasilkan jumlah yang berlebihan sehingga dapa mengopimalkan biaya yang dikeluarkan. Selain iu adalah mengonrol produksi lisrik segmen rumah angga (R1) pada daya 450VA, 900VA, 1300VA, dan 2200VA karena jumlah konsumsi lisrik pelanggan ersebu sanga dipengaruhi oleh adanya musim.

77 56 Halaman ini sengaja dikosongkan.

78 57 DAFTAR PUSTAKA Anggraeni. (2012). Peramalan Penjualan Lisrik di PT PLN (Persero) Disribusi Jawa Timur Area Pelayanan Surabaya Bara. Surabaya: ITS Press Cryer, J. D., & Chan, K. (2008). Time Series Analysis Wih Applicaion in R Second Ediion. New York: Springer Science Bussines Media. Daniel, W. (1989). Saisik Nonparamerik Terapan. Jakara: Gramedia. Makridakis, S., Wheelwrigh, S. C., & McGee, V. E. (1999). Meode Dan Aplikasi Peramalan. Jakara: Erlangga. PLN. (2015). Saisik Keenagalisrikan Jakara: Direkora Jendral Keenagalisrikan. Rachmawai, Defi. (2012). Pemodelan Konsumsi Lisrik dengan Meode Fungsi Transfer Single Inpu. Surabaya: ITS Press. Sirai, Arnold. (2016). Cadangan lisrik di Indonesia. Jakara: Kaa Daa. Tersedia hp://kaadaa.co.id/beria/2015/03/12/cadangan-lisrik-di-indonesia-mengkhawairkan.shml diakses pada Februari 2017 Sapuri, Inung Anggun. (2016). Peramalan Penjualan Tenaga Lisrik pada Sekor Indusri di PT PLN (Persero) Disribusi Jawa Timur. Surabaya: ITS Press. Wei, W. W. (2006). Time Series Analysis: Univariae and Mulivariae Mehods, 2nd ediion. New York: Pearson. Williamson, Lucy. (2008). Menangani Kebuuhan Lisrik. Jakara: BBC News. Tersedia hp:// diakses pada Februari 2017

79 58 Halaman ini sengaja dikosongkan.

80 59 LAMPIRAN Lampiran 1. Daa Konsumsi Lisrik Segmen Rumah Tangga Daya 450VA Tahun 2010 Bulan Konsumsi Lisrik (KWh) Januari Februari Mare April Mei Okober November Desember Januari Februari Mare April Mei Okober November Desember

81 60 Daya 900VA Tahun 2010 Bulan Konsumsi Lisrik (KWh) Januari Februari Mare April Mei Okober November Desember Januari Februari Mare April Mei Okober November Desember

82 61 Daya 1300VA Tahun Bulan Konsumsi Lisrik (KWh) Januari Februari Mare April Mei Okober November Desember Januari Februari Mare April Mei Okober November Desember

83 62 Daya 2200VA Tahun Bulan Konsumsi Lisrik (KWh) Januari Februari Mare April Mei Okober November Desember Januari Februari Mare April Mei Okober November Desember

84 63 Lampiran 2. Karakerisik Konsumsi Lisrik Rumah Tangga Descripive Saisics: 450VA, 900VA, 1300VA, 2200VA Variable Mean SDev Minimum Maximum 450VA VA VA VA Lampiran 3. Synax SAS Model I pada Daya 450VA daa empalima; inpu y; daalines; ; proc arima daa=empalima; idenify var=y(1,12) nlag=24; run; esimae p=(1,2) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

85 64 Lampiran 4. Oupu SAS Model I pada Daya 450VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq Lampiran 5. Synax SAS Model II pada Daya 450VA daa empalima; inpu y; daalines; ; proc arima daa=empalima; idenify var=y(1,12) nlag=24; run; esimae q=(1) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

86 65 Lampiran 6. Oupu SAS Model II pada Daya 450VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq Lampiran 7. Synax SAS Model I pada Daya 900VA daa sembilan; inpu y; daalines; ; proc arima daa=sembilan; idenify var=y(1,12) nlag=24; run; esimae p=(1) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

87 66 Lampiran 8. Oupu SAS Model I pada Daya 900VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq < Anderson-Darling A-Sq Pr > A-Sq < Lampiran 9. Synax SAS Model II pada Daya 900VA daa sembilan; inpu y; daalines; ; proc arima daa=sembilan; idenify var=y(1,12) nlag=24; run; esimae q=(1) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

88 67 Lampiran 10. Oupu SAS Model II pada Daya 900VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq < Lampiran 11. Synax SAS Model III pada Daya 900VA daa sembilan; inpu y; daalines; ; proc arima daa=sembilan; idenify var=y(1,12) nlag=24; run; esimae p=(1,2) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

89 68 Lampiran 12. Oupu SAS Model III pada Daya 900VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D < Cramer-von Mises W-Sq Pr > W-Sq < Anderson-Darling A-Sq Pr > A-Sq < Lampiran 13. Synax SAS Model I pada Daya 1300VA daa sauiga; inpu y; daalines; ; proc arima daa=sauiga; idenify var=y(1,12) nlag=24; run; esimae p=(1) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

90 69 Lampiran 14. Oupu SAS Model I pada Daya 1300VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D < Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq < Lampiran 15. Synax SAS Model II pada Daya 1300VA daa sauiga; inpu y; daalines; ; proc arima daa=sauiga; idenify var=y(1,12) nlag=24; run; esimae q=(1) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

91 70 Lampiran 16. Oupu SAS Model II pada Daya 1300VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq Lampiran 17. Synax SAS Model I pada Daya 2200VA daa duadua; inpu y; daalines; ; proc arima daa=duadua; idenify var=y(12) nlag=24; run; esimae p=(1) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

92 71 Lampiran 18. Oupu SAS Model I pada Daya 2200VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq Lampiran 19. Synax SAS Model II pada Daya 2200VA daa duadua; inpu y; daalines; ; proc arima daa=duadua; idenify var=y(12) nlag=24; run; esimae p=(1) q=(1) mehod=cls noconsan; run; forecas lead=12 prinall ou=ou2; run; proc univariae daa=ou2 normal; var residual; run;

93 72 Lampiran 20. Oupu SAS Model II pada Daya 2200VA Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, AR1, < Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq

94 BIODATA PENULIS Penulis bernama Sarirazy Dwijanari aau biasa dipanggil Razy. Lahir di Probolinggo, pada anggal 7 Januari Penulis adalah anak kedua dari iga bersaudara. Orangua penulis bernama Raid Hermawan dan Alifah Fihriyai. Pendidikan yang elah diselesaikan penulis adalah SDN Pucang IV Sidoarjo, SMPN 3 Sidoarjo, SMAN 2 Sidoarjo. Seelah lulus dari SMA, penulis dierima di Jurusan Diploma Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam (MIPA) ITS dengan NRP ahun Mulai ahun 2017 DIII Saisika bergani nama menjadi Deparemen Saisika Bisnis dan ermasuk Fakulas Vokasi. Selama masa perkuliahan, penulis akif di organisasi BEM FMIPA ITS sebagai Saff Deparemen Sosial Masyaraka periode 2015/2016, sera sebagai Kepala Divisi Pengabdian Masyaraka dan Lingkungan Deparemen Sosial Masyaraka periode 2016/2017. Selain iu, penulis juga berperan akif menjadi Pengajar Tangguh Bach 2 dalam program ITS Mengajar yang diadakan oleh ITS Educaion Care Cener (IECC). Penulis mendapa kesempaan kerja prakek di PT Indonesia Comnes Plus (PT ICON+) pada akhir semeser 4. Moo hidup penulis adalah iada yang idak mungkin di maa Allah SWT. Segala kriik dan saran akan dierima penulis, dan apabila erdapa keperluan unuk berdiskusi dengan penulis dapa menghubungi melalui razyari@gmail.com.