ABSTRAK
ABSTRACT
One of the very important role of energy for life in the world is electric energy. Similarly, in Indonesia, which is currently leading industrial nations, of course, it is necessary for the electrical energy industry. Moreover, in line with the declaration of the area devoted to the modernization of underdeveloped areas make electrical energy consumption in Indonesia has increased. Because there will be more areas in Indonesia which will be electrified. In this recorded electricity consumption in Indonesia rose 10% from a year earlier. The next forecast numbers need to be known for certain parties especially PT. PLN in order to supply electricity in the future can be met. In addition to the consideration of the provision of electricity, forecast figures are also needed as a basis for electrical energy conservation policy in Indonesia. Exact forecast numbers will support a form appropriate policies in terms of electrical energy conservation in Indonesia and planned on an ongoing basis. Electricity demand forecasting is an important aspect in the development of a model for electricity planning. Form of demand depends on the planning and the required accuracy, so it can be represented as a demand for daily, weekly or yearly. Short-term forecasting of electricity needed to power control and scheduling systems. Focus usage varies from minute to minute to several hours ahead. This prediction is needed as input to the scheduling algorithm in a generation and electricity transmission. Forecast electricity load assist in the determination of the equipment used for the operation in a given period, or to minimize the costs and securing existing demand, even when a local failure occurs in the system. On this paper will discuss the methods of forecasting short-term power ie ARIMA Seasonal whose results are expected to represent the actual value in the future. Reason ARIMA Seasonal selection method, namely because the estimated value per hour of electricity per hour even seasonal pattern. In the daily electricity consumption, peak load will reach when working hours are 8:00 to 17:00 o'clock at night while discharging is reduced. The state of seasonal effects on patterns of data that lead to the use of ordinary ARIMA (non-seasonal) will be biased. The data will be used, namely electricity consumption for Java-Bali in May-July 2013. With the accurate forecasting of each region in Indonesia, the optimal energy conservation policy would be determined. Policy on electricity savings time is done and on which areas needed electricity savings will be very helpful in the process of electrical energy conservation in Indonesia. Thus, the electrical energy consumption in Indonesia will be more efficient without reducing the consumption of electric energy consumption but rather optimization.
Keywords: Electrical Energy, ARIMA Seasonal, Energy Conservation
PENDAHULUAN
1.1. Latar Belakang Masalah
Energi listrik merupakan salah satu energi paling penting bagi kehidupan, tidak terkecuali di negara Indonesia. Indonesia yang bertekad untuk menjadi negara yang solid di bidang industri berimbas pada konsumsi energi listrik yang semakin meningkat. Selain dalam rangka pemenuhan di bidang industri, modernisasi daerah-daerah terpencil yang dahulu masih gelap sudah pasti akan membutuhkan energi listrik. Sesuai dengan misi Perusahaan Listrik Negara (PLN) yaitu berperan aktif dalam mendorong tersedianya tenaga listrik untuk meningkatkan kualitas hidup dengan jalan penggunaan listrik pada siang hari untuk Industri Rumah Tangga dan pengembangan desa mandiri energi. Dengan bertambahnya jumlah wilayah yang modern tentu akan bertambah pula energi listrik yang harus tersedia.
Dalam rangka pemenuhan energi listrik untuk masyarakat, maka perlu adanya perencanaan persediaan listrik yang akurat. Sedangkan perencaan persediaan listrik membutuhkan suatu operasional yang efisien sehingga akan menghasilkan keputusan yang optimal dalam hal penambahan maupun pengurangan kapasitas daya listrik. Prediksi permintaan listrik adalah suatu aspek penting dalam pengembangan suatu model untuk perencanaan listrik. Bentuk permintaan tergantung dari perencanaan dan akurasi yang dibutuhkan, sehingga dapat di-representasikan sebagai suatu permintaan harian, mingguan atau tahunan. Peramalan pemakaian listrik jangka pendek dibutuhkan untuk kontrol dan penjadwalan sistem daya. Fokus pemakaian bervariasi dari menit ke menit sampai beberapa jam ke depan. Prediksi ini diperlukan sebagai input untuk algoritma penjadwalan pada suatu pembangkit dan transmisi listrik. Ramalan beban pemakaian listrik membantu dalam penentuan peralatan yang dipakai untuk pengoperasian dalam suatu periode tertentu, atau untuk meminimisasi biaya-biaya dan mengamankan permintaan yang ada, bahkan ketika kegagalan lokal terjadi pada sistem.
permintaan listrik untuk periode waktu satu hari kedepan (Chow dan Leung, 1996; Taylor dan Buizza, 2003).
Sifat alamiah yang stokastik dari permintaan sebagai suatu fungsi dari waktu seringkali dimodelkan dengan model ARIMA dan state space. Model state space menjadi sangat atraktif pada tahun 1980-an karena efisiensi komputasi dari Kalman Filter (lihat Campo dan Ruiz, 1987), dan hasil ramalan yang baik masih dilaporkan dalam penelitian pada periode selanjutnya (Infield dan Hill, 1998). Pemodelan ARIMA telah digunakan oleh banyak peneliti, dalam suatu kerangka pemodelan univariat, sebagai suatu pembanding untuk evaluasi model-model alternatif (lihat Laing dan Smith, 1987; Darbellay dan Slama, 2000; Abraham dan Nath, 2001; Taylor, 2003).
Beberapa penelitian sebelumnya yang berkaitan dengan pemodelan dan peramalan pemakaian jangka pendek energi listrik, fokus utama yang dibahas adalah bagaimana mendapatkan model yang sesuai untuk peramalan suatu data pemakaian listrik yang cenderung berpola musiman. Pola musiman ini disebabkan adanya waktu-waktu tertentu yang menyebabkan pemakaian listrik maksimal maupun minimal. Pemakaian listrik maksimal misalnya terjadi pada hari senin hingga jumat dikarenakan aktivitas industri. Sedangkan untuk hari sabtu dan Minggu, pemakaian listrik akan cenderung turun. Oleh karena itu, pada karya tulis ini akan digunakan metode ARIMA Seasonal (Musiman) untum meramalkan pemakaian listrik dalam jangka pendek. Pada dasarnya, metode ARIMA non Seasonal pun dapat digunakan, namun dikarenakan adanya efek trend musiman maka error ramalan yang dihasilkan akan lebih besar. Dengan adanya peramalan yang akurat mengenai pemakaian energi listrik, maka dapat digunakan sebagai pertimbangan dalam penentuan kebijakan konservasi energi listrik di Indonesia.
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah, maka rumusan masalah yang dapat diperoleh yaitu bagaimana model peramalan yang baik untuk meramalkan listrik jangka pendek sebagai pertimbangan kebijakan konservasi listrik di Indonesia.
Tujuan dari pembuatan karya tulis ini yaitu dapat menentukan model yang tepat untuk meramalkan pemakaian energi listrik jangka pendek sehingga pada masa mendatang dapat dijadikan acuan berkenaan dalam konservasi energi listrik. Peranan penting peramalan yang akurat di tiap wilayah di Indonesia yaitu sebagai kontrol dalam penggunaan energi listrik di Indonesia.
1.4. Manfaat
Manfaat penulisan karya tulis ini yaitu
1. Berupaya dalam mengembangkan Ilmu Pengetahuan dan Teknologi dalam hal meramalkan energi listrik
2. Menunjang pembangunan nasional
Permasalahan yang diteliti dalam penelitian ini diharapkan menunjang pem-bangunan nasional, yang ditujukan untuk penghematan energi, khususnya untuk kajian bidang energi listrik melalui prakiraan pemakaian energi listrik di wilayah-wilayah Indonesia.
BAB II
TELAAH PUSTAKA
Pemodelan yang digunakan untuk menjelaskan hubungan nonlinear antar variabel dan beberapa prosedur pengujian untuk mendeteksi adanya keterkaitan nonlinear telah mengalami perkembangan yang sangat pesat pada beberapa dekade terakhir ini. Salah satu pemodelan dalam Time series yaitu ARIMA.
filosofi “let the data speak for themselves” ARIMA merupakan suatu metode yang menghasilkan ramalan-ramalan berdasarkan sintesis dari pola data secara historis (Arsyad, 1995). ARIMA ini sama sekali mengabaikan variabel independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat.
Laing dan Smith (1987), serta Taylor dkk. (2005) telah melakukan aplikasi dari model ARIMA musiman untuk peramalan data pemakaian listrik jangka pendek. Model ARIMA musiman merupakan bagian dari suatu kelompok model time series yang fleksibel yang dapat digunakan untuk memodelkan beberapa tipe musiman seperti pada time series yang tidak musiman. Model ARIMA musiman dapat dinyatakan sebagai berikut (Cryer, 1986; Wei, 1990; Box dkk., 1994) :
φ
p(
B
)
Φ
P(
B
S)(
1
−
B
)
d(
1
−
B
S)
DY
t=
θ
q(
B
)
Θ
Q(
B
S)
a
t , (2.1) dengan
φ
p(
B
)
=1
−
φ
1B
−
φ
2B
2−…−
φ
pB
p ΦP(BS
) = 1−Φ1BS−Φ2B2S−…−ΦPBPS
θ
q(
B
)
=1
−
θ
1B
−
θ
2B
2−…−
θ
qB
q
Θ
Q(
B
S)
=1
−
Θ
1B
S−
Θ
2B
2S−…−
Θ
QB
QS ,dan S adalah panjang periode musiman, B adalah operator mundur
atau back shift operator, dan
a
t adalah suatu deret white noise dengan rata-ratanol dan varians konstan. Box dan Jenkins (1976) telah memperkenalkan suatu strategi pembentukan model yang efektif untuk ARIMA musiman berdasarkan pada struktur autokorelasi dalam suatu data time series.
dan sebagai overview atau diskusi lanjut hal ini dapat ditemukan antara lain di Tong (1990), Priestley (1991), serta Granger dan Terasvirta (1993).
BAB III
METODOLOGI PENELITIAN
Analisis data dilakukan dengan menggunakan metode ARIMA. Sebelum dilakukan perhitungan dengan menggunakan metode ARIMA, terlebih dahulu dilakukan serangkaian uji-uji seperti kestasioneran data, proses pembedaan dan pengujian correlogram untuk menentukan koefisien autoregresi.
Untuk menjawab permasalahan yang ada dan menguji hipotesis digunakan teknik analisis dengan langkah-langkah sebagai berikut :
1. Pengumpulan data yang terdiri atas observasi lapangan, wawancara dan pengambilan data
2. Penyususan model 3. Validasi model
4. Penyususnan kalender konsumsi listrik jangka pendek
Sedangkan untuk tahap penyusunan model yaitu
2. Penyusunan model tentatif 3. Pendugaan dan pengujian model 4. Validasi model
Model Seasional ARIMA merupakan salah satu pegembangan dari model ARIMA. Berikut ini merupakan langkah-langkah dalam SARIMA
1. Mengidentifikasi seasonal data dengan menggunakan ACF/PACF pada seasonal lags.
2. Melakukan differencing pada data sesuai season digunakan untuk menghilangkan seasonality dikarenakan ada kemungkinan data yang dipakai membutuhkan differencing
Model dari SARIMA yaitu
BAB IV
ISI
4.1. GAMBARAN UMUM KONSUMSI LISTRIK DI INDONESIA
tinggi. Misalnya saja, penggunaan listrik di siang hari selalu tinggi sedangkan di malam hari akan lebih rendah. Fenomena ini akan menyebabkan data berpola musiman tiap jam. Selain setiap jam, pola musiman akan terlihat pada data harian, karena penggunaan listrik di hari senin-jumat akan lebih banyak dibandingkan dengan hari Sabtu maupun Minggu. Penyebab utamanya yaitu aktivitas industri yang mayoritas berhenti pada weekend.
Diantara metode peramalan yang sedang berkembang yaitu Autoregressive Moving Average (ARIMA). Metode ARIMA merupakan metode paling sederhana dan baik untuk meramal. Hal penting dari penggunaan metode ARIMA yaitu data harus berpola trend maupun stasioner. Keputusan memilih model ARIMA yaitu dengan melihat plot ACF dan PACF. Namun, jika plot ACF dan PACF memiliki pola yang kurang teratur yaitu tidak dies down setelah lag K, maka metode ARIMA tidak baik digunakan. Hal ini karena adanya efek musiman pada data sehingga pada lag-lag tertentu akan menunjukan cut off.
Pada dasarnya pola data data kosumsi listrik di setiap wilayah di Indonesia cenderung sama yaitu musiman. Oleh karena itu pada karya tulis ini hanya akan dibahas satu contoh penerapan model ARIMA Seasonal untuk wilayah Riau. Sedangkan, untuk wilayah lain dapat diterapkan pula model ARIMA Seasonal dengan karakteristik yang mungkin berbeda-beda.
Pemodelan Konsumsi Listrik Basis Data Tiap setengah Jam
240 Trend Analysis Plot for C1
Linear Trend Model Yt = 14541 - 2,31045* t
Gambar 4.a dan 4.b menunjukan bahwa data telah stasioner. Hal ini ditunjukan oleh Gambar 4.a yang beban listrik berada di sekitar nilai mean dan plot ACF pada Gambar 4.b
Time Series Plot of C2
60
Partial Autocorrelation Function for C2 (with 5% significance limits for the partial autocorrelations)
Gambar 4.b menunjukkan bahwa terdapat cut off after lag 1 dan cut off after lag seasonal 48. Gambar 4.c menjelaskan bahwa titik-titik observasi beban listrik dies down. Dengan demikian terdapat beberapa model tentatif untuk meramalkan beban listrik jangka pendek. Namun, setelah melalui uji kelayakan hanya 1 model
yang memenuhi yaitu SARIMA (0,1,0) (0,1,1)48 . (with 5% significance limits for the autocorrelations)
Peramalan dan Implikasi Kebijakan
Setelah model yang tepat telah didapatkan, maka selanjutnya akan diramalkan beban listrik untuk 24 jam ke depan.
280
Time Series Plot for C1
(with forecasts and their 95% confidence limits)
268 12913,3 11805,0 14021,6 269 12843,3 11715,3 13971,2 270 12654,5 11507,3 13801,7 271 12638,1 11472,0 13804,3 272 12477,6 11292,7 13662,4 273 12505,5 11302,3 13708,7 274 12539,5 11318,2 13760,8 275 12795,6 11556,5 14034,7 276 13428,2 12171,5 14684,9 277 14036,5 12762,5 15310,6 278 14034,5 12743,4 15325,6 279 13885,1 12577,1 15193,1 280 13675,7 12351,0 15000,4 281 13327,9 11986,8 14669,1 282 13023,1 11665,7 14380,5 283 12519,8 11146,3 13893,3 284 11930,6 10541,3 13319,9 285 11558,2 10153,1 12963,2 286 11101,5 9681,0 12522,1 287 10809,7 9373,7 12245,6 288 10452,8 9001,7 11903,9
Model SARIMA dapat digunakan untuk meramalkan beban listrik jangka pendek di Indonesia. Model ini merupakan pengembangan dari model ARIMA dengan pola data yang mengandung musiman. Peramalan besarnya beban listrik yang tepat di masing-masing wilayah (Kab/kota) di seluruh Indonesia dapat digunakan sebagai dasar penentuan kebijakan konservasi listrik di Indonesia. Kebijakan berkaitan dengan penambahan maupun pengurangan energi listrik di setiap wilayah yang didasarkan pada perhitungan yang tepat tentunya akan memuaskan semua pihak, masyarakat maupun pemerintah.
4.2. Kesimpulan
1. Model terbaik SARIMA (0,1,0) (0,1,1)48 merupakan model yang tepat untuk meramalkan beban listrik jangka pendek di.... Model tersebut menghasilkan nilai MSE 11415. Sedangkan model ARIIMA non seasonal tidak dapat digunakan karena data berpola musiman.
4.3. Saran
DAFTAR PUSTAKA
DAFTAR RIWAYAT PESERTA
1. Ketua
