OUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran

Transkripsi

1

2 OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran

3 LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat sering mengeluh tingginya Tarif Dasar Listrik (TDL) Peramalan beban listrik merupakan alat bantu perencanaan beban listrik yang efektif dan efisien Sa diyah (2008) Model ARIMA musiman ganda untuk peramalan beban listrik jangka pendek di PT. PLN (Persero) Gresik. Buanawati (2011) Satyaning (2011) Peramalan beban listrik menggunakan model Harvey Peramalan beban listrik menggunakan genetic ga-svm di PT. PLN (Persero) sub unit P3B Jawa Timur-Bali sehingga Peramalan beban listrik di Surabaya Selatan

4 PENDAHULUAN Rumusan Masalah Tujuan Penelitian Bagaimana model ARIMA terbaik untuk beban lisrik di PT. PLN (Persero) APJ Surabaya Selatan? Mencari model ARIMA terbaik untuk beban lisrik di PT. PLN (Persero) APJ Surabaya Selatan. Bagaimana nilai peramalan beban listrik di PT. PLN (Persero) APJ Surabaya Selatan di periode bulan uari sampai Desember 2012? Mendapatkan nilai peramalan beban listrik di PT. PLN (Persero) APJ Surabaya Selatan di periode bulan uari sampai Desember 2012.

5 PENDAHULUAN Manfaat Penelitian Batasan Masalah Bagi PT. PLN hasil penelitian dapat digunakan sebagai tambahan informasi dan sebagai bahan masukan mengenai beban listrik yang dibutuhkan masyarakat Surabaya Selatan di periode bulan uari sampai Desember Data yang digunakan merupakan data beban listrik bulanan di Surabaya Selatan periode bulan uari 2004 sampai Desenber 2011 yang diperoleh dari PT. PLN APJ Surabaya Selatan Bagi peneliti dapat mengaplikasikan ilmu yang diperoleh di mata kuliah Metode Peramalan khususnya pemodelan dengan metode ARIMA

6 TINJAUAN PUSTAKA Mulyana, 2004 Makridakis dkk, 1999 Pada dasarnya setiap nilai dari hasil pengamatan (data)dikaitkan dengan waktu pengamatannya. data yang dianggap sebagai fungsi atas waktu dinamakan data deret waktu Peramalan diperlukan untuk menentukan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan Rata-rata Stasioneritas Tidak stasioner differencing ( Z t = Z t Z t-1 ) Varians Tidak stasioner transformasi Box-Cox T(Z t ) = Z λ t λ 1

7 TINJAUAN PUSTAKA Stasioneritas Koefisien Autokorelasi Nilai Estimasi λ -1-0,5 0 0,5 1 Transformasi 1/Z t 1/ Z t Ln Z t Z t Z t ˆ ρ = k n-k t = 1 ( Z n-k t = 1 ( Z ACF t Z )( Z t t + k 2 Z ) Z ) φ k+ 1,k+ 1 ˆ ρ = k+ 1 1 PACF k j= 1 k j= 1 ˆ φ ˆ kjρ ˆ φ ˆ ρ kj k + 1 j j

8 TINJAUAN PUSTAKA Model AR Model ARIMA Model MA.. Z t = φ1 Z t φ p Z t p + a t Model ARMA Z t = a a θ a t θ1 t 1 q t q Model ARIMA. p( B ) Z t θq φ = ( B ) a t φ + d p( B )( 1 B ) Zt = θ0 θq ( B ) a t

9 TINJAUAN PUSTAKA Identifikasi Model ARIMA Box-Jenkins TIDAK IDENTIFIKASI ESTIMASI PARAMETER Proses ACF PACF Autoregressive AR (p) Hipotesis : Tails off menurun mengikuti bentuk t eksponensial atau gelombang sinus = ˆ φ Cut poff setelah lag ke-p SE( φ ) p H 0 : φ p = 0 atau θ q 0 Moving Average CEK DIAGNOSA H 1 : φhipotesis p 0 atau: θ q 0 YA H 0 : φ p = ρ 1= ρhipotesis 2 = =ρ 1 =0 : Campuran AR dan PERAMALAN H 1 : MA paling tidak ada 1 ρ K 0 Tails off menurun Cut off setelah lag mengikuti bentuk MA (q) ke-q eksponensial ˆ θ atau q t = gelombang k sinus Tails off menurun ( SE( ) θq ) Q = n n + Tails off nmenurun k ( ) ˆ ρk H 0 : Residual Data Berdistribusi mengikuti bentuk Normal mengikuti k = 1 bentuk H 1 ARMA : Residual (p,q) Data Tidak eksponensial Berdistribusi Normal eksponensial D = sup S x ( x) F ( x) 0

10 TINJAUAN PUSTAKA Pemilihan Model Terbaik Kriteria In Sample AIC SBC Kriteria Out sampel RMSE MAPE PT. PLN Surabaya Selatan 9 rayon Rayon Embong Wungu Rayon Ngagel Rayon Dukuh Kupang Rayon Darmo Permai Rayon Rungkut Rayon Sepanjang Rayon Karang Pilang Rayon Sidoarjo Rayon Krian 5 unit Unit Pelayanan dan Jaringan Darmo Permai Unit Pelayanan dan Jaringan Dukuh Kupang Unit Pelayanan dan Jaringan Ngagel Unit Pelayanan dan Jaringan Gedangan Unit Pelayanan dan Jaringan Rungkut Jumlah pelanggan

11 METODOLOGI PENELITIAN Sumber Data Data beban listrik KWH jual bulanan dalam satuan jutaperiode uari 2004 sampai Desember 2011 Hasil Kerja Praktek Tri Purwantono dan Ivan Dian Pratama di PT. PLN APJ Surabaya Data -in-sample periode uari 2004 sampai Juni 2011, data out-sample periode Juli 2011 sampai Desember 2011 Variabel Penelitian Hasil Kerja Praktek di PT. PLN APJ Surabaya Selatan Periode uari 2004 sampai Desember 2011 Data beban listrik KWH jual bulanan dalam satuan juta

12 METODOLOGI PENELITIAN Langkah Analisis Pengujian Signifikansi Parameter, Diagnostic Checking, Uji Distribusi Normal 1 Identifikasi Model Pengujian 2 Peramalan Model 3 Mendapatkan Model sementara Kriteria kebaikan model paling baik dilanjutkan peramalan

13 ANALISIS & PEMBAHASAN Analisis Deskriptif Identifikasi KWH Jual KWH_JUAL (dalam juta) Month Year Month Year Time Series Plot Beban Listrik KWH Jual Periode uari 2004 sampai Desember 2011 di Surabaya Selatan Time Series Plot Data In-sample

14 ANALISIS & PEMBAHASAN Stasioneritas Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL 0.91 Rounded Value Lower CL Upper CL Lambda (using 95.0% confidence) Estimate 0.87 Lower CL Upper CL 2.72 Rounded Value 1.00 StDev 10.0 StDev Limit Limit Lambda Lambda λ = -1 Box-Cox Data Insample λ =1 Transformasi Box- Cox

15 ANALISIS & PEMBAHASAN Stasioneritas Stasioner terhadap Rata-rata differencing diff_ Month Year Hasil Transformasi dan Differencing

16 ANALISIS & PEMBAHASAN Model ARIMA Autocorrelation Partial Autocorrelation Lag Lag ACF Plot Hasil Transformasi dan Differencing cut off pada lag 1 PACF Plot Hasil Transformasi dan Differencing cut off pada lag 1, lag 4, lag 5 dan lag 11

17 ANALISIS & PEMBAHASAN Model I ARIMA (0,1,1) Model II ARIMA (1,1,0) Model III ARIMA (1,1,1) Model IV ARIMA (1,1,1) (1,1,0) Model V ARIMA ([1,4,5,11],1,1) Model ARIMA Model ARIMA Sementara Model ARIMA (0,1,1) ARIMA (1,1,0) ARIMA (1,1,1) ARIMA (4,1,1) ARIMA([ 1,4,5,11],1,1) Type AR1,1 Koefisie n T P -value Keputusan <,0001 Signifikan MA1, <,0001 Signifikan MA1, <,0001 Signifikan AR1, Tidak Signifikan MA1, Tidak Signifikan AR1, Signifikan AR1, Signifikan AR1, Signifikan AR1, Tidak Signifikan MA1, <.0001 Signifikan AR1,1 AR1,2 AR1,3 AR1,4 Pengujian Signifikansi Parameter Tidak Signifikan Tidak Signifikan Tidak Signifikan Tidak Signifikan

18 ANALISIS & PEMBAHASAN Model ARIMA Pengujian Signifikansi Parameter Pengujian White Noise Hipotesis : H 0 : φ p = 0 atau θ q 0 H 1 : φ p 0 atau θ q 0 Hipotesis : H 0 : φ p = ρ 1= ρ 2 = =ρ K =0 H 1 : paling tidak ada 1 ρ K 0 Model I dan Model II mempunyai parameter yang seluruhnya signifikan

19 ANALISIS & PEMBAHASAN Model ARIMA Model Lag DF Chi-square P- value Keputusan ARIMA (0,1,1) ARIMA (1,1,0) White Noise Tidak White Noise White Noise White Noise Tidak White Noise Tidak White Noise Tidak White Noise Model ARIMA( [1,4,5,1 1],1,1) La g DF Chisquare P- value Keputusan Tidak White Noise White Noise White Noise Tidak ada Model yang residualnya sudah memenuhi asumsi white noise ARIMA (1,1,1) ARIMA (4,1,1) Tidak White Noise White Noise Tidak White Noise White Noise White Noise < Tidak White Noise Tidak White Noise Tidak White Noise Tidak White Noise Pengujian White Noise Pengujian Residual Berdistribusi Normal Hipotesis : H 0 : Residual Data Berdistribusi Normal H 1 : Residual Data Tidak Berdistribusi Normal

20 ANALISIS & PEMBAHASAN Model ARIMA Pengujian Residual Berdistribusi Normal Model P value D hitung Keputusan ARIMA (0,1,1) < Tidak Berdistribusi 0 6 Normal ARIMA (1,1,0) < Tidak Berdistribusi 0 5 Normal ARIMA (1,1,1) < Tidak Berdistribusi 0 1 Normal ARIMA (4,1,1) < Tidak Berdistribusi 0 4 Normal ARIMA([1,4,5,11],1, 1) < Tidak Berdistribusi Normal Tidak ada model yang residualnya sudah mengikuti normal diff_ Month Year 2004 differencing ke dua pada data in-sample

21 ANALISIS & PEMBAHASAN Model ARIMA Autocorrelation Partial Autocorrelation Lag Lag ACF Plot Hasil Differencing Ke Dua cut off pada lag 1 PACF Plot Hasil Differencing Ke Dua cut off pada lag 1, lag 2, lag 3, lag 4, lag 5, lag 6 dan lag 11

22 ANALISIS & PEMBAHASAN Model ARIMA Model I ARIMA ([2,4], 2,1) Model II ARIMA ([1,6], 2,[2]) Model ARIMA Sementara Model III ARIMA ([1,11],2,[2]) Pengujian Signifikansi Parameter Model Type Koef T P -value Keputusan MA1, Signifikan ARIMA([2,4],2 AR1, <.0001 Signifikan,1) AR1, Signifikan ARIMA([1,6],2,[2]) ARIMA([1,11], 2,[2]) Hipotesis : H 0 : φ p = 0 atau θ q 0 H 1 : φ p 0 atau θ q 0 MA1, <.0001 Signifikan AR1, Signifikan AR1, Signifikan MA1, <.0001 Signifikan AR1, Signifikan AR1, Signifikan Bahwa ketiga model ARIMA mempunyai parameter yang signifikan

23 ANALISIS & PEMBAHASAN Hipotesis : H 0 : φ p = ρ 1= ρ 2 = =ρ K =0 H 1 : paling tidak ada 1 ρ K 0 Model ARIMA Pengujian White Noise Model Lag DF Chi-square P- value Keputusan White Noise ARIMA([2, White Noise 4],2,1) White Noise White Noise ARIMA([1, 6],2,[2]) ARIMA([1, 11],2,[2]) White Noise White Noise White Noise White Noise White Noise White Noise White Noise White Noise ketiga model ARIMA residualnya sudah memenuhi asumsi white noise

24 ANALISIS & PEMBAHASAN Model ARIMA Pengujian Residual Berdistribusi Normal Hipotesis : H 0 : Residual Data Berdistribusi Normal H 1 : Residual Data Tidak Berdistribusi Normal Model P value D hitung Keputusan ARIMA ([2,4],2,1) > Berdistribusi Normal ARIMA ([1,6],2,[2]) > Berdistribusi Normal ARIMA ([1,11],2,[2]) > Berdistribusi Normal Pemilihan Model ARIMA Terbaik Kriteria In-sample Model Nilai AIC Nilai SBC ARIMA ([2,4],2,1) ARIMA ([1,6],2,[2]) ARIMA ([1,11],2,[2]) ketiga model ARIMA residualnya sudah memenuhi Berdistribusi Normal Kriteria Out-sample Model Nilai Nilai RMSE MAPE ARIMA ([2,4],2,1) ARIMA ([1,6],2,[2]) ARIMA ([1,11],2,[2])

25 ANALISIS & PEMBAHASAN Model ARIMA Model ARIMA Peramalan Beban Listrik KWH Jual Bulan Tahun KWH Jual (Dalam Juta) uary February March April May June July August September October November December

26 KESIMPULAN & SARAN Kesimpulan : Model ARIMA terbaik yang digunakan untuk meramalkan beban listrik adalah model ARIMA ([1,11],2,[2]) karena nilai RMSE dan MAPE paling kecil Nilai peramalan beban listrik KWH jual bulanan dalam satuan juta di PT. PLN APJ Surabaya Selatan periode uari 2012 sampai Desember 2012 Saran : Metode ARIMA Box-Jenkins bukanlah metode yang terbaik dalam mencari nilai ramalan, penelitian selanjutnya disarankan menggunakan metode yang menghasilkan kriteria kesalahan yang paling kecil Bulan Tahun KWH Jual (Dalam Juta) uary February March April May June July August September October November December

27 DAFTAR PUSTAKA Anonim. (2012). Tanpa Listrik, PDAM Sulit Alirkan Air. Diakses pada tanggal 27 Mei 2012 Buanawati, L. S. (2011). Peramalan Kebutuhan Listrik dengan Model Harvey. Surabaya. Makridakis, S., Wheelright, S. C., & McGee, V. E. (1999). Forecasting: Methods and Applications, Second Edition. Diterjemahkan oleh H. Suminto, Metode dan Aplikasi Peramalan. Jakarta: Binarupa Aksara. Mulyana. (2004). Analisis Data Deret Waktu. Jatinangor.

28 DAFTAR PUSTAKA Robin. (2011, Mei 18). okezone.com. Transformasi Peran Mahasiswa, pp. okezone.com/read/2011/05 /17/367/457956/transformasi-peran-mahasiswa. Diakses pada tanggal 24 Februari 2012 Sa'diyah, H. (2008). Model Arima Musiman Ganda Untuk Peramalan Beban Listrik gka Pendek Di PT. PLN (Persero) Gresik. Surabaya. Satyaning, Ni Luh Putu. (2011). Peramalan Beban Listrik Menggunakan Genetic Algorithm-Support Vector Machine (Ga-Svm) Di PT. PLN (Persero) Sub Unit Penyaluran Dan Pusat Pengaturan Beban (P3B) Jawa Timur-Bali. Surabaya Wei, W., W. S., 2006), Time Analysis Univariate and Multivariate Methods, Addison Wesley Publishing Company, Inc, America.

29 BERSAMA MARI KITA GUNAKAN ENERGI SEPERLUNYA UNTUK MASA DEPAN ANAK CUCU KITA TERIMA KASIH

30