65 6 185,777 308,71 39,82138577
7 168,555 288,75 41,62597403 8 174,519 274,97 36,53151253
9 179,098 291,53 38,566151
10 190,138 310,86 38,83478093 11 195,003 327,2 40,40238386 12 194,171 327,6 40,72933455 13 193,422 332,58 41,84193277 14 192,371 339,57 43,34852902 15 191,132 336,4 43,18317479 16 192,882 331,03 41,7328943 17 196,202 325,91 39,79880949 18 229,062 364,69 37,19005182 19 262,982 409,14 35,72329765 20 261,212 409,84 36,26498146 21 254,172 401,59 36,70868299 22 238,922 379,52 37,04637437 23 210,832 345,32 38,94602108 24 187,492 327,97 42,83269811 MAPE 39,30218657
Tabel 4.20 dapat disimpulkan bahwa model SARIMA (1,1,0)(0,1,0)24 memiliki nilai MAPE (Mean Absolute Percentage Error) sebesar 39,30218657 merupakan model yang memiliki tingkat ramalan dengan keakuratan yang cukup karena persentasenya diantara 20% hingga 50%.
4.2.4 Identifikasi Model Hari Raya Idul Adha
A. Stasioneritas Data Time Series dan Identifikasi Model Hari Raya Idul
66 Gambar 4.43 Plot time series pada hari raya idul adha 2015-2017
Gambar 4.43 menunjukkan bahwa plot time series hari raya idul adha pada data ke-20 hingga 22 mengalami peningkatan hingga melebihi 340 MW yang terjadi pada tanggal 24 September 2015. Lalu meningkat kembali pada data ke-45 dan 46 hingga melebihi 330 MW pada tanggal 12 September 2016. Kemudian mengalami peningkatan yang cukup pesat hingga mencapai dan melebihi penggunaan listrik sebesar 350 MW yang terjadi pada tanggal 1 September 2017.
Hal ini menunjukkan bahwa data tidak konstan pada suatu nilai tertentu.
Kemudian, dilakukan pengujian stasioneritas data yaitu dengan uji ADF berikut hasil output data beban listrik hari raya idul adha menggunakan software Rstudio.
Augmented Dickey-Fuller Test data: haji
Dickey-Fuller = -3.2427, Lag order = 4, p-value = 0.08792 alternative hypothesis: stationary
Gambar 4.44 Uji ADF pada hari raya idul adha 2015 – 2017
Pada Gambar 4.44 terdapat hasil uji ADF data beban listrik pada hari raya idul adha memiliki nilai p-value sebesar 0,08792 > α = 0,05 sehingga dapat disimpulkan bahwa data beban listrik pada hari raya idul adha terima H0 atau dengan kata lain data tersebut tidak stasioner. Lalu, akan dilakukan stasioneritas data beban listrik pada hari raya idul adha dengan differencing terhadap komponen musimannya, pada periode musiman setiap 24 jam. Berikut merupakan
200 220 240 260 280 300 320 340 360 380 400
01:00 04:00 07:00 10:00 13:00 16:00 19:00 22:00 01:00 04:00 07:00 10:00 13:00 16:00 19:00 22:00 01:00 04:00 07:00 10:00 13:00 16:00 19:00 22:00
67 plot time series hari raya idul adha setelah dilakukan differencing terhadap komponen musimannya.
Gambar 4.45 Plot Time Series hasil differencing terhadap komponen musiman pada hari raya idul adha
Gambar 4.45 plot time series terhadap komponen musiman pada hari raya idul adha masih belum terlihat bentuk pola musiman, karena datanya masih mengalami tren naik dan tren turun. Kemudian, berikut adalah uji ADF plot time series hari raya idul adha terhadap komponen musiman.
Augmented Dickey-Fuller Test data: hajimusim
Dickey-Fuller = -2.1142, Lag order = 3, p-value = 0.5285 alternative hypothesis: stationary
Gambar 4.46 Uji ADF hasil differencing terhadap komponen musiman hari raya idul adha
Gambar 4.46 hasil uji ADF data beban listrik pada hari raya idul adha hasil differencing terhadap komponen musiman memiliki nilai p-value sebesar 0,5285 >
α = 0,05 dapat disimpulkan bahwa data masih belum stasioner. Karena data tersebut belum stasioner maka perlu dilakukan differencing terhadap komponen non-musimannya. Berikut adalah plot time series hari raya idul adha terhadap komponen non-musimannya yang di differencing sebanyak satu kali.
68 Gambar 4.47 Plot time series terhadap komponen non-musiman hari raya idul
adha hasil differencing satu kali
Gambar 4.47 plot time series sudah mulai membentuk pola musiman yang terdapat pada lag-k mengalami penurunan dan kenaikan secara berulang.
Kemudian, berikut adalah hasil uji ADF plot time series terhadap komponen non- musiman pada hari raya idul adha yang telah di differencing sebanyak satu kali.
Augmented Dickey-Fuller Test data: hajidiff1
Dickey-Fuller = -3.0334, Lag order = 3, p-value = 0.1622 alternative hypothesis: stationary
Gambar 4.48 Uji ADF terhadap komponen non-musiman pada hari raya idul adha hasil differencing satu kali
Gambar 4.48 hasil uji ADF data beban listrik pada hari raya idul adha terhadap komponen non-musiman yang telah di differencing satu kali memiliki nilai p-value sebesar 0,1622 > α = 0,05 maka data beban listrik pada hari raya idul adha masih belum stasioner. Karena data tersebut masih belum stasioner maka perlu dilakukan differencing kembali. Berikut adalah plot time series terhadap komponen non-musiman pada hari raya idul adha setelah dilakukan differencing sebanyak dua kali.
69 Gambar 4.49 Plot Time Series terhadap komponen non-musiman pada hari raya
idul adha hasil differencing dua kali
Gambar 4.49 plot time series tetap membentuk pola musiman yang menurun dan mengalami kenaikan secara berulang. Kemudian, dilakukan pengecekan stasioneritas data dengan uji ADF. Berikut adalah hasil uji ADF terhadap komponen non-musiman pada hari raya idul adha yang di differencing sebanyak dua kali.
Augmented Dickey-Fuller Test data: hajidiff2
Dickey-Fuller = -4.1211, Lag order = 3, p-value = 0.01307 alternative hypothesis: stationary
Gambar 4.50 Uji ADF terhadap komponen non-musiman pada hari raya idul adha hasil differencing dua kali
Gambar 4.50 hasil uji ADF data beban listrik pada hari raya idul adha yang telah di differencing dua kali memiliki nilai p-value sebesar 0,01307 < α = 0,05 maka data beban listrik pada hari raya idul adha sudah stasioner atau dengan kata lain tolak H0. Langkah berikutnya yaitu penentuan orde musiman yang dilihat dari pola ACF dan PACF terhadap komponen musimannya S = 24. Berikut adalah pola ACF dan PACF terhadap komponen musiman.
70 Gambar 4.51 Pola ACF terhadap komponen musiman pada hari raya idul adha
Gambar 4.51 menunjukkan pola pada lag-24 melewati garis LCL membentuk pola dying down sehingga mengindikasikan bahwa model SMA(0).
Berikut adalah pola PACF terhadap komponen musiman untuk mengetahui model SAR (Seasonal Autoregressive).
Gambar 4.52 Pola PACF terhadap komponen musiman pada hari raya idul adha Gambar 4.52 menunjukkan bahwa pada lag-24 tidak melewati garis batas UCL dan LCL sehingga tidak signifikan atau dengan kata lain model SAR(0).
Jadi, untuk orde musiman memiliki model (0,1,0)24. Tahap akhir pembentukan model adalah menentukan orde reguler dengan melihat pola ACF dan PACF
71 terhadap komponen non-musimannya. Berikut adalah pola ACF dan PACF komponen non-musiman untuk menentukan orde reguler dari model SARIMA sementara pada hari raya idul adha.
Gambar 4.53 Pola ACF terhadap komponen non-musiman pada hari raya idul adha
Pada Gambar 4.53 terdapat lag yang signifikan melewati batas UCL dan LCL pada lag ke-0 sampai lag-10 membentuk pola dying down, sehingga model MA sementara yang akan digunakan adalah model MA(0). Berikut adalah plot PACF terhadap komponen non-musiman untuk mengetahui orde AR.
Gambar 4.54 Pola PACF terhadap komponen non-musiman pada hari raya idul adha
72 Pada Gambar 4.54 terdapat lag yang signifikan melewati LPL yaitu pada lag-1 dan 3 membentuk pola cut off, sehingga model AR sementara yang akan digunakan adalah model AR(1) Model sementara yang didapat dari hasil estimasi adalah model SARIMA(1,2,0) (0,1,0)24.