Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
23
BAB III
METODE PENELITIAN
3.1
Pengumpulan Data Beban Listrik dari PLN
Data historis yang digunakan untuk memprediksikan beban puncak harian
jangka pendek menggunakan data pengeluaran beban listrik dari PT.PLN
(Persero) Area III Jawa Barat UPB-Cigelereng tahun 2006 sampai dengan 2012,
setiap 30 menit dalam 6 jam mulai dari pukul 17.00 sampai dengan 22.00 WIB.
Data dikelompokan berdasarkan tiga kluster tipe hari, yaitu data hari kerja (hari
senin s/d jum’at), data libur akhir pekan (hari sabtu s/d minggu), dan d
ata libur
nasional cuti bersama secara acak. Data-data tersebut dijadikan input pelatihan
dan pengujian pada algoritma PSO-ANN dengan menggunakan perangkat lunak
MATLAB R2010a. Algoritma ANN yang digunakan adalah algoritma
backpropagation
(BP).
Tabel 3.1 Data beban listrik dari PLN yang akan dievaluasi
DATA INPUT PELATIHAN DAN DATA INPUT TARGET
Input
Hari Kerja
(Senin s/d
Jum'at)
Hari Libur Akhir Pekan
(Sabtu s/d Minggu) Hari Libur Nasional dan Cuti Bersama
t-34 02/01/2006 07/01/2006 01/01/2006 Tahun Baru Masehi
t-33 03/01/2006 08/01/2006 30/03/2006 Hari Raya Nyepi
t-32 04/01/2006 14/01/2006 25/05/2006 Kenaikan Yesus Kristus
t-31 05/01/2006 15/01/2006 17/08/2006 Hari Kemerdekaan RI
t-30 06/01/2006 21/01/2006 25/12/2006 Hari Raya Natal
t-29 05/02/2007 03/02/2007 01/01/2007 Tahun Baru Masehi
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
24
1929
t-27 07/02/2007 10/02/2007 18/05/2007 Cuti Bersama Kenaikan
Isa Almasih
t-26 08/02/2007 11/02/2007 17/08/2007 Hari Kemerdekaan RI
t-25 09/02/2007 17/02/2007 24/12/2007 Cuti Bersama Hari
Raya Natal
t-24 10/03/2008 01/03/2008 01/01/2008 Tahun Baru Masehi
t-23 11/03/2008 02/03/2008 11/01/2008 Cuti Bersama Tahun
Baru 1429 H
t-22 12/03/2008 08/03/2008 02/05/2008 Cuti Bersama Kenaikan
Yesus Kristus
t-21 13/03/2008 09/03/2008 17/08/2008 Hari Kemerdekaan RI
t-20 14/03/2008 15/03/2008 26/12/2008 Cuti Bersama Hari
Natal
t-19 13/04/2009 04/04/2009 01/01/2009 Tahun Baru Masehi
t-18 14/04/2009 05/04/2009 09/03/2009 Maulid Nabi
Muhammad SAW
t-17 15/04/2009 11/04/2009 21/05/2009 Kenaikan Yesus Kristus
t-16 16/04/2009 12/04/2009 20/07/2009 Isra Miraj Nabi
Muhammad SAW
t-15 17/04/2009 18/04/2009 17/08/2009 Hari Kemerdekaan RI
t-14 17/05/2010 01/05/2010 01/01/2010 Tahun Baru Masehi
t-13 18/05/2010 02/05/2010 14/02/2010 Tahun Baru Imlek 2561
t-12 19/05/2010 08/05/2010 16/03/2010 Nyepi Tahun Baru Saka
1932
t-11 20/05/2010 09/05/2010 13/05/2010 Kenaikan Yesus Kristus
t-10 21/05/2010 15/05/2010 28/05/2010 Hari Raya Waisak 2554
t-9 06/06/2011 04/06/2011 17/05/2011 Hari Raya Waisak
t-8 07/06/2011 05/06/2011 02/06/2011 Kenaikan Yesus Kristus
t-7 08/06/2011 11/06/2011 03/06/2011 Cuti Bersama Kenaikan
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
25
t-6 09/06/2011 12/06/2011 17/08/2011 Hari Kemerdekaan RI
t-5 10/06/2011 18/06/2011 25/12/2011 Hari Raya Natal
t-4 16/04/2012 08/04/2012 01/01/2012 Tahun Baru Masehi
t-3 17/04/2012 14/04/2012 23/01/2012 Tahun Baru Imlek 2563
t-2 18/04/2012 15/04/2012 05/02/2012 Maulid Nabi
Muhammad SAW
t-1 19/04/2012 21/04/2012 23/03/2012 Hari Raya Nyepi
t-0 23/04/2012 22/04/2012 06/04/2012 Wafat Yesus Kristus
Pengambilan data input beban dari tahun ke tahun dengan bulan yang
berbeda setiap tahunnya adalah dengan alasan sebagai berikut:
1.
Bahwa dengan mengambil data input beban dari tahun ke tahun, yaitu dari
tahun 2006 sampai dengan 2012 adalah dapat mengetahui pertumbuhan
beban dan faktor yang mempengaruhi pertumbuhan beban yang terjadi.
2.
Bahwa dengan mengambil data input beban dengan bulan yang
berbeda-beda tiap tahunnya, namun tipe harinya tetap sama, untuk hari kerja pada
hari senin sampai dengan jum’at, untuk hari libur akhir pekan pada
hari
sabtu sampai dengan minggu, dan untuk libur nasional cuti bersama secara
acak adalah untuk mengetahui pengaruh hasil estimasi prediksi yang
terjadi pada model algoritma yang telah dibuat yaitu HPSO-BP.
3.
Bahwa pola dan karakteristik dari profil beban puncak untuk hari kerja,
hari libur akhir pekan, dan hari libur nasional cuti bersama hampir sama
dan memiliki selisih yang tidak jauh berbeda, jika data yang diambil,
kemudian dibandingkan dengan mengikuti bulan dan tanggal yang sama.
Tabel 3.2 Tiga puluh lima data historis PLN
untuk hari kerja
t-34 t-33 t-32 t-31 t-30
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
26
05/02/2007 06/02/2007 07/02/2007 08/02/2007 09/02/2007
2377,82 2442,9 2729,8 2392,8 2792,8
10/03/2008 11/03/2008 12/03/2008 13/03/2008 14/03/2008
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
27
13/04/2009 14/04/2009 15/04/2009 16/04/2009 17/04/2009
2748,3 2806,2 2803,9 2950,7 2869
17/05/2010 18/05/2010 19/05/2010 20/05/2010 21/05/2010
3212,1 3186,3 3239,4 3361,7 3075
06/06/2011 07/06/2011 08/06/2011 09/06/2011 10/06/2011
3271,35 3432,15 3432,1 3237,15 3263,95
3435,35 3578,55 3609 3392,15 3375,95
3745,35 3812,55 3744,8 3570,45 3662,95
3770,35 3772,55 3778,05 3615,45 3731,95
3757,35 3789,45 3794,05 3638,45 3732,05
3790,35 3817,45 3857,05 3670,45 3807,05
3737,4 3856,6 3830,05 3661,45 3730,05
3730,4 3762,6 3763,05 3604,45 3689,05
3674,4 3728,6 3706,05 3506,45 3620,5
3597,4 3612,6 3611,05 3539,45 3561,5
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
28
t-4 t-3 t-2 t-1 t-0
16/04/2012 17/04/2012 18/04/2012 19/04/2012 23/04/2012
3665,21 3673,52 3729,51 3683,97 3633,27
3772,42 3863,96 3836,5 3885,46 3732,66
3998,25 4017,27 4082,47 4083,47 4047,36
4133,25 4111,27 4128,33 4100,16 4140,02
4178,02 4074,66 4112,27 4082,17 4045,48
4151,79 4058,28 4111,59 4214,6 4170,8
Tabel 3.3 Tiga puluh lima data historis PLN
untuk hari libur akhir pekan
t-34 t-33 t-32 t-31 t-30
07/01/2006 08/01/2006 14/01/2006 15/01/2006 21/01/2006
1907 1730,32 1914,3 1732,03 1678,8
03/02/2007 04/02/2007 10/02/2007 11/02/2007 17/02/2007
2279,9 2024,1 2229,7 2422,3 2591,1
2288,9 2104,1 2345,7 2277,8 2464,3
2448,9 2252,1 2481,3 2396,8 2617,3
2669,4 2495,1 2756,3 2619,8 2841,9
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
29
01/03/2008 02/03/2008 08/03/2008 09/03/2008 15/03/2008
2555,47 2317,94 2298,92 2359,6 2585,6
04/04/2009 05/04/2009 11/04/2009 12/04/2009 18/04/2009
2581,4 2503,7 2364,7 2460,4 2545,6
01/05/2010 02/05/2010 08/05/2010 09/05/2010 15/05/2010
2854,7 2665,7 2938,7 2754,9 2913,4
2929,7 2838,7 3195,7 2897,9 3094,7
3363,7 3186,7 3367,2 3186,1 3287,2
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
30
04/06/2011 05/06/2011 11/06/2011 12/06/2011 18/06/2011
3025,4 2786,05 3067,2 2864,8 3030,25
08/04/2012 14/04/2012 15/04/2012 21/04/2012 22/04/2012
3075,31 3347,75 3034,35 3238,19 3107,12
3151,59 3452,26 3145,25 3409,3 3181,45
3360,63 3740,81 3480,92 3600,22 3542,5
3457,54 3822,23 3509,01 3874,81 3618,67
3413,8 3845,36 3593,56 3895,13 3639,17
3420,87 3817,13 3622,07 3658,9 3736,73
3427,86 3785,41 3623,33 3670 3635,23
3389,4 3732,28 3624,6 3622,79 3634,37
3301,26 3653,75 3508,28 3620,16 3462,03
3208,82 3562,32 3433,75 3452,43 3310,34
3105,32 3489,43 3372,32 3351,89 3323,61
Tabel 3.4 Tiga puluh lima data historis PLN
untuk hari libur nasional cuti bersama
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
31
01/01/2006 30/03/2006 25/05/2006 17/08/2006 25/12/2006
1412,5 1870,16 1767,5 1280,93 2191,5
01/01/2007 19/03/2007 18/05/2007 17/08/2007 24/12/2007
1677,8 2244,6 2570 1531,5 2662,7
01/01/2008 11/01/2008 02/05/2008 17/08/2008 26/12/2008
1917,88 2598,28 2630,9 1840,3 2308,3
2262,37 2954,38 2957,95 2365,39 2586,66
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
32
t-19 t-18 t-17 t-16 t-15
01/01/2009 09/02/2009 21/05/2009 20/07/2009 17/08/2009
1777,1 2160,1 2603,4 2308,8 2027
01/01/2010 14/02/2010 16/03/2010 13/05/2010 28/05/2010
2034,28 2441 2692,3 3018,9 2779,9
17/05/2011 02/06/2011 03/06/2011 17/08/2011 25/12/2011
2885,60 2851,25 3171,40 2610,67 2849,70
3097,60 3018,25 3266,40 2781,67 2917,70
3445,60 3419,25 3637,40 3096,67 3078,70
3472,60 3437,25 3643,40 3146,67 3273,70
3455,60 3487,25 3604,40 3132,67 3292,70
3483,60 3468,25 3663,40 3172,67 3236,70
3474,60 3414,25 3614,40 3173,87 3197,70
3373,60 3394,25 3570,40 3204,05 3231,70
3312,60 3326,25 3547,40 3185,05 3166,70
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
33
3168,10 3052,25 3319,40 3019,05 2933,70
t-4 t-3 t-2 t-1 t-0
01/01/2012 23/01/2012 05/02/2012 23/03/2012 06/04/2012
2383,2 2786,52 2987,61 3390,93 3568,5
2493,2 2863,2 3090,61 3481,94 3658,5
2711,2 3072,55 3212,61 3594,96 3798,06
2954,2 3276,55 3425,61 3831,73 3841,46
2994,2 3307,55 3461,61 3840,66 3870,57
2988,2 3286,55 3497,61 3835,1 3770,46
2932,2 3255,55 3492,61 3818,27 3722,57
2954,2 3298,55 3429,61 3787,27 3693,32
2846,2 3186,55 3417,61 3721,27 3616,07
2756,2 3106,55 3315,61 3683,59 3534,05
2744,2 2993,55 3263,61 3632,09 3448,44
3.2
Model
Algoritma
Hybrid
Particle
Swarm
Optimization-Backpropagation
(HPSO-BP)
Algoritma
Hybrid Particle Swarm Optimization-Backpropagation
(HPSO-BP) adalah sebuah algoritma gabungan antara algoritma PSO dan BP. Algoritma
PSO adalah algoritma yang memiliki kemampuan yang baik untuk menemukan
nilai optimal global namun lemah dalam menemukan nilai optimal lokal, berbeda
dengan algoritma PSO, algoritma BP memiliki kemampuan untuk menemukan
nilai optimal lokal namun lemah dalam mencari nilai optimal global. Pada
algoritma HPSO-BP
ini, kelebihan
masing-masing algoritma tersebut
dikombinasikan dengan tujuan agar algoritma HPSO-BP dapat menemukan solusi
yang lebih optimal. PSO digunakan untuk mempercepat pelatihan dalam mencari
nilai optimal lokal karena kelebihannya mencari nilai optimal global dengan
memanfaatkan fungsi fitness yang tidak berubah dalam iterasi yang telah
ditetapkan atau nilai fitness berubah dengan nilai yang lebih kecil dari nilai yang
telah didapatkan. Kemudian hasil yang didapat dari output PSO tersebut
dimasukan sebagai input untuk algoritma BP agar mendapatkan hasil yang
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
35
Inisialisasi Posisi dan Kecepatan Partikel, Jumlah Partikel, Batas Atas dan Batas Bawah Ruang
Pencarian dan Batas Iterasi
Posisi = Posisi (Weight dan Bias) Posisi = Xmax - Rand
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
36
Gambar 3.1 Diagram alir HPSO-BP
Diagram alir tersebut dapat dijelaskan sebagai berikut:
1.
Mengklaster data beban puncak harian berdasarkan tipe hari, kemudian
data-data beban tersebut dinormalisasi.
2.
Menentukan jenis arsitektur BP
dan
menentukan jumlah neuron pada
hidden layer
.
3.
Inisialiasi
bobot
dan bias awal secara
random
antara 0 sampai dengan 1.
4.
Menyebarkan data pada
input layer
menuju
hidden
layer dengan
mengalikan setiap data pada unit neuron
input layer
dengan
bobot
yang
menghubungkan antar neuron, hasil perkalian tersebut dijumlahkan lalu
ditambahkan dengan biasnya.
5.
Masing-masing sinyal diaktifkan dengan fungsi aktifasi sigmoid.
6.
Sinyal yang telah diaktifkan dikirim menuju
output layer
dengan cara
mengalikan sinyal pada
hidden layer
dengan
bobot
yang menghubungkan
antar neuron ke
output layer
. Hasil perkalian tersebut dijumlahkan lalu
ditambahkan dengan biasnya.
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
37
8.
Inisialisasi posisi dan kecepatan awal partikel, jumlah partikel, batas atas
dan batas bawah ruang pencarian dan jumlah iterasi yang digunakan.
9.
Posisi dan kecepatan awal partikel ditentukan secara
random
dengan
range
antara 0 sampai dengan 1. Posisi adalah bobot dan biasnya,
sementara kecepatan adalah nilai yang mempengaruhi perubahan posisi
pada setiap iterasi.
10.
Jumlah partikel yang disebar adalah 50 partikel.
11.
Batas atas dan batas bawah posisi dan kecepatan partikel berada pada
range
-100 sampai dengan 100.
12.
Jumlah iterasi yang digunakan pada PSO adalah 10000 iterasi.
13.
Melakukan
feedforwa rd ANN
dengan optimasi PSO kemudian
membandingkannya dengan data target untuk memperoleh fitness (fungsi
pembangkit) dari fungsi objektifnya. Nilai fitness diperoleh dari
MAPE-nya.
14.
Evaluasi nilai fitness pada setiap partikel dengan menentukan Pbest dan
Gbest pada awal iterasi.
15.
Perbaharui posisi dan kecepatan partikel dengan tetap mempertimbangkan
batas atas dan batas bawah. Pembaruan dimodifikasi dengan
random time
varying inertia bobot aceleration coeficient
.
16.
Hitung kembali nilai fitness untuk mencari partikel terbaik berdasarkan
Pbest dan Gbest setelah diperbaharui posisi dan kecepatannya.
17.
Menentukan Pbest dan Gbest setelah pembaharuan posisi dan kecepatan.
18.
Simpan bobot dan bias dari hasil Pbest dan Gbest.
19.
Optimasi PSO hingga nilai Gbest tidak berubah pada iterasi yang
ditentukan. Kemudian algoritma dialihkan ke BP
.
20.
Lakukan langkah 15-17 hingga maksimum iterasi tercapai atau Gbest tidak
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
38
21.
Inisialisasi parameter pada algoritma BP
dengan menggunakan bobot dan
bias yang diperoleh dari PSO. Parameter
learning rate
(α) adalah 0,
1.
Nilai maksimum epoch adalah 10000.
22.
Hitung nilai fungsi objektif pada setiap epoch hingga akhir iterasi untuk
mengetahui error rata-rata.
23.
Perbaiki nilai
bobot
dan bias.
24.
Ulangi langkah 22-23 hingga nilai maksimum iterasi tercapai.
25.
Denormalisasi hasil keluaran.
26.
Hitung MAPE dari hasil keluaran yang telah didenormalisasi.
3.3
Penyusunan Model Matematis
Error
(kesalahan) yang diperoleh metoda HPSO-BP diolah untuk
menentukan estimasi. Dengan hasil estimasi HPSO-BP ini, maka akan diperoleh
formula untuk menentukan data selanjutnya. Pendekatan yang digunakan dalam
menentukan model matematis dari estimasi HPSO-BP, yaitu dengan
menggunakan perhitungan matriks
Gauss-Jordan Elimination
.
x
=
. . . . .
.
. . . . .
.
Keterangan:
Willy Wigia Sofyan , 2014
ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA
HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
39
setiap minggu.
X21;X22;X23;X24; X25
= Koefisien model beban listrik pukul 17.30 dan
setiap minggu.
X
31;X
32;X
33;X
34;X
35= Koefisien model beban listrik pukul 18.00 dan
setiap minggu.
X11 1 X11 2 X11 3 X11 4 X11 5 = Koefisien model beban listrik pukul ke-n dan
setiap minggu.
α
1; α
2; α
3; α
4; α
5= Koefisien model yang akan dicari.
Y
1;Y
2;Y
3;…;
Y
11= Koefisien target pada pukul 17.00 s/d 22.00.
Untuk menghitung matriks diatas digunakan kembali
software
Matlab,
dikarenakan memiliki ukuran matrix yang berbeda maka diberikan perintah
inv
,
agar matriks dapat dihitung, dengan
script
sebagai berikut :
x = … %titik-titik diisi dengan input data perharinya;
y = … %titik-titik diisi dengan data hasil peramalan; a = inv (x'*x)*(x'*y);
a1 = a(1,:) a2 = a(2,:) a3 = a(3,:) a4 = a(4,:) a5 = a(5,:)