OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
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
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.
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 2012. 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
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
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
TINJAUAN PUSTAKA Model AR Model ARIMA Model MA.. Z t = φ1 Z t 1+... + 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
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 1 2 2 ( ) 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
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 393.692
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
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
ANALISIS & PEMBAHASAN Analisis Deskriptif Identifikasi 300 300 KWH Jual 275 250 225 KWH_JUAL (dalam juta) 275 250 225 200 200 Month Year 2004 2005 2006 2007 2008 2009 2010 2011 Month Year 2004 2005 2006 2007 2008 2009 2010 2011 Time Series Plot Beban Listrik KWH Jual Periode uari 2004 sampai Desember 2011 di Surabaya Selatan Time Series Plot Data In-sample
ANALISIS & PEMBAHASAN Stasioneritas 11.5 11.0 10.5 Lower CL Upper CL Lambda (using 95.0% confidence) Estimate -0.87 Lower CL -2.72 Upper CL 0.91 Rounded Value -1.00 0.00021 0.00020 Lower CL Upper CL Lambda (using 95.0% confidence) Estimate 0.87 Lower CL -0.91 Upper CL 2.72 Rounded Value 1.00 StDev 10.0 StDev 0.00019 9.5 Limit 0.00018 Limit 9.0-5.0-2.5 0.0 Lambda 2.5 5.0 0.00017-5.0-2.5 0.0 Lambda 2.5 5.0 λ = -1 Box-Cox Data Insample λ =1 Transformasi Box- Cox
ANALISIS & PEMBAHASAN Stasioneritas Stasioner terhadap Rata-rata differencing 0.0010 0.0005 diff_1 0.0000-0.0005-0.0010 Month Year 2004 2005 2006 2007 2008 2009 2010 2011 Hasil Transformasi dan Differencing
ANALISIS & PEMBAHASAN Model ARIMA Autocorrelation 1.0 0.8 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8-1.0 Partial Autocorrelation 1.0 0.8 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8-1.0 1 10 20 30 40 Lag 50 60 70 80 1 10 20 30 40 Lag 50 60 70 80 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
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 - 0.45489 T P -value Keputusan -4.79 <,0001 Signifikan MA1,1-0.64785 7.93 <,0001 Signifikan MA1,1 0.66887 5.39 <,0001 Signifikan AR1,1 0.04108 0.25 0.8056 Tidak Signifikan MA1,1-1 -1.91 0.0597 Tidak Signifikan AR1,1-1.56702-3 0.0035 Signifikan AR1,2-0.81006-2.35 0.0209 Signifikan AR1,3-0.46573-2.1 0.0392 Signifikan AR1,4-0.22423-1.64 0.1056 Tidak Signifikan MA1,1 0.74094 5.62 <.0001 Signifikan AR1,1 AR1,2 AR1,3 AR1,4 Pengujian Signifikansi Parameter 0.14877 0.82 0.4162-0.00953-0.08 0.939 0.06559 0.56 0.5749 0.14815 1.29 0.1993 Tidak Signifikan Tidak Signifikan Tidak Signifikan Tidak Signifikan
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
ANALISIS & PEMBAHASAN Model ARIMA Model Lag DF Chi-square P- value Keputusan ARIMA (0,1,1) ARIMA (1,1,0) 6 5 7.26 0.2021 White Noise 12 11 22.82 0.0187 Tidak White Noise 18 17 26.04 0.0738 White Noise 24 23 33.40 0.0744 White Noise 6 5 13.54 0.0188 Tidak White Noise 12 11 36.56 0.0001 Tidak White Noise 18 17 40.52 0.0011 Tidak White Noise Model ARIMA( [1,4,5,1 1],1,1) La g DF Chisquare P- value Keputusan Tidak White Noise 12 7 16.46 0.0212 18 13 18.05 0.1557 White Noise 24 19 22.87 0.2432 White Noise Tidak ada Model yang residualnya sudah memenuhi asumsi white noise ARIMA (1,1,1) ARIMA (4,1,1) 24 23 50.97 0.0007 Tidak White Noise 6 4 6.87 0.1428 White Noise 12 10 21.78 0.0163 Tidak White Noise 18 16 24.76 0.0741 White Noise 24 22 31.95 0.0782 White Noise 6 1 12 7 18 13 24 19 11.48 0.0007 30.73 <.0001 34.52 0.001 42.95 0.0013 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
ANALISIS & PEMBAHASAN Model ARIMA Pengujian Residual Berdistribusi Normal Model P value D hitung Keputusan ARIMA (0,1,1) <0.010 0.13696 Tidak Berdistribusi 0 6 Normal ARIMA (1,1,0) <0.010 0.11910 Tidak Berdistribusi 0 5 Normal ARIMA (1,1,1) <0.010 0.13403 Tidak Berdistribusi 0 1 Normal ARIMA (4,1,1) <0.010 0.11101 Tidak Berdistribusi 0 4 Normal ARIMA([1,4,5,11],1, 1) <0.010 0 0.12461 2 Tidak Berdistribusi Normal Tidak ada model yang residualnya sudah mengikuti normal diff_2 0.0015 0.0010 0.0005 0.0000-0.0005-0.0010 Month Year 2004 differencing ke dua pada data in-sample 2005 2006 2007 2008 2009 2010 2011
ANALISIS & PEMBAHASAN Model ARIMA Autocorrelation 1.0 0.8 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8-1.0 Partial Autocorrelation 1.0 0.8 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8-1.0 1 10 20 30 40 Lag 50 60 70 80 1 10 20 30 40 Lag 50 60 70 80 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
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 MA1,1-0.2624-2.41 0.0181 Signifikan ARIMA([2,4],2 AR1,1-0.5315-5.1 <.0001 Signifikan,1) AR1,2-0.3896-3.82 0.0003 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 MA1,1 0.68003 7.44 <.0001 Signifikan AR1,1 0.28899 2.7 0.0084 Signifikan AR1,2 0.22736 2.07 0.0413 Signifikan MA1,1 0.68477 8.05 <.0001 Signifikan AR1,1 0.37259 3.55 0.0006 Signifikan AR1,2 0.26264 2.51 0.014 Signifikan Bahwa ketiga model ARIMA mempunyai parameter yang signifikan
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 6 3 2.24 0.5235 White Noise ARIMA([2, 12 9 14.9 0.0937 White Noise 4],2,1) 18 15 15.5 0.4159 White Noise 24 21 22.67 0.3619 White Noise ARIMA([1, 6],2,[2]) ARIMA([1, 11],2,[2]) 6 3 1.91 0.5903 White Noise 12 9 13.22 0.1528 White Noise 18 15 13.67 0.5503 White Noise 24 21 20.22 0.5076 White Noise 6 3 4.17 0.2437 White Noise 12 9 12.92 0.1665 White Noise 18 15 14.91 0.4576 White Noise 24 21 19.38 0.5611 White Noise ketiga model ARIMA residualnya sudah memenuhi asumsi white noise
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) >0.15 0.0718 Berdistribusi Normal ARIMA ([1,6],2,[2]) >0.15 0.06884 Berdistribusi Normal ARIMA ([1,11],2,[2]) >0.15 0.06836 Berdistribusi Normal Pemilihan Model ARIMA Terbaik Kriteria In-sample Model Nilai AIC Nilai SBC ARIMA ([2,4],2,1) -1211-1203.88 ARIMA ([1,6],2,[2]) -1212-1204.13 ARIMA ([1,11],2,[2]) -1213-1205.61 ketiga model ARIMA residualnya sudah memenuhi Berdistribusi Normal Kriteria Out-sample Model Nilai Nilai RMSE MAPE ARIMA ([2,4],2,1) 0.000046 18.297 ARIMA ([1,6],2,[2]) 0.000042 3.8863 ARIMA ([1,11],2,[2]) 0.000011 2.6376
ANALISIS & PEMBAHASAN Model ARIMA Model ARIMA Peramalan Beban Listrik KWH Jual Bulan Tahun KWH Jual (Dalam Juta) uary 2012 298.1258 February 2012 286.5482 March 2012 291.2797 April 2012 289.7147 May 2012 297.1526 June 2012 293.7013 July 2012 298.1921 August 2012 294.6083 September 2012 295.5733 October 2012 295.5918 November 2012 302.9526 December 2012 299.3002
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 2012 298.1258 February 2012 286.5482 March 2012 291.2797 April 2012 289.7147 May 2012 297.1526 June 2012 293.7013 July 2012 298.1921 August 2012 294.6083 September 2012 295.5733 October 2012 295.5918 November 2012 302.9526 December 2012 299.3002
DAFTAR PUSTAKA Anonim. (2012). Tanpa Listrik, PDAM Sulit Alirkan Air. http://beritasurabaya.net/index_sub.php?category=2&id=2579. 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.
DAFTAR PUSTAKA Robin. (2011, Mei 18). okezone.com. Transformasi Peran Mahasiswa, pp. http://kampus. 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.
BERSAMA MARI KITA GUNAKAN ENERGI SEPERLUNYA UNTUK MASA DEPAN ANAK CUCU KITA TERIMA KASIH