draft seminar
TRANSCRIPT
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Listrik merupakan salah satu kebutuhan manusia dalam menunjang
kegiatan manusia dalam kehidupan sehari-hari. Sebagai perusahaan yang
menyediakan pasokan tenaga listrik, PT. PLN (Persero) P3B Jawa Bali tentu
sangat bertanggung dalam usaha peningkatan dan pemeliharaan kualitas dan
kuantitas pasokan listrik wilayah Jawa Barat. Atas dasar pernyataan tersebut, PT.
PLN (Persero) P3B Jawa Bali memiliki unit Operasi Sistem Tenaga Listrik yang
meliputi manajemen energi dan pengendalian operasi.
Dalam realitanya, ternyata terdapat beberapa kendala yang dialami unit
Operasi Sistem dan salah satu diantaranya yaitu kurang presisinya prediksi akan
beban puncak listrik. Prediksi konsumsi listrik pelanggan terutama yang terjadi
saat beban puncak merupakan salah satu hal vital dalam proses kerja PLN
dikarenakan digunakan sebagai persiapan running pembangkit dan menghitung
cadangan daya dan hingga saat ini belum ada teknologi yang mampu menyimpan
energi listrik dalam ukuran yang masif, listrik yang diproduksi oleh pembangkit
harus saat itu pula dikonsumsi oleh pelanggan. Sehingga PLN harus memproduksi
listrik dan membaginya per wilayah kerja PLN agar jumlah listrik yang tersedia
mencukupi kebutuhan pelanggan.
Listrik yang tersedia tak boleh kurang dari yang dibutuhkan pelanggan.
Idealnya harus ada 20% cadangan sebagai pengaman sistem distribusi listrik
1
2
(www.plnjateng.com). Bila ternyata jumlah konsumsi listrik melebihi persediaan,
dipastikan harus ada pemadaman di sejumlah wilayah atau semua sistem akan
mengalami gangguan. Cadangan pun tak boleh terlalu banyak, karena hal ini
menimbulkan pemborosan. Apalagi pembangkit yang menyuplai sistem
kelistrikan PLN masih didominasi oleh pembangkit berbahan bakar fosil.
Berdasarkan pengalaman unit Operasi Sistem, PT. PLN (Persero) P3B
Jawa Bali meramalkan beban puncak listrik secara subjektif yaitu dengan
mengamati pola perubahan dari bulan ke bulan atau tahun ke tahun, yang biasa
disebut ekstrapolasi data, metode ini tidak efektif sebab banyak kesalahan yang
muncul. Kenyataan ini mengakibatkan pada produktifitas dan performa
perusahaan yang kurang baik, dan akan berdampak pada image PT. PLN (Persero)
P3B Jawa Bali selaku Persero terkemuka di mata masyarakat.
Berdasarkan grafik di atas dapat disimpulkan bahwa PT. PLN (Persero)
P3B Jawa Bali belum memiliki metode permalan yang baik dimana rencana lebih
kecil dari realisasi karena metode yang biasa digunakan oleh PT. PLN (Persero)
P3B Jawa Bali seperti yang dijelaskan bukanlah metode statistik, sehingga untuk
3
keperluan peramalan penggunaan listrik perlu dicari suatu metode statistik untuk
kebutuhan peramalan.
1.2 Identifikasi Masalah Penelitian
Bagaimana metode peramalan secara statistik yang cocok untuk
meramalkan penggunaan listrik (beban puncak listrik) di masa yang yang akan
datang?
1.3 Tujuan Penelitian
Menentukan metode peramalan yang cocok dalam rangka membuat model
peramalan untuk meramalkan beban puncak listrik pada periode mendatang
sehingga dapat diperoleh hasil ramalan yang akurat, sebagai salah satu upaya
untuk mencapai efektifitas pelayanan PT.PLN terhadap masyarakat Jawa Barat
khususnya.
1.4 Manfaat Penelitian
Dari beberapa paparan sebelumnya akan diperoleh manfaat antara lain:
1. Penulis dan perusahaan dapat mengetahui kecenderungan penggunaan
listrik pada periode mendatang;
2. Pihak Operasi Sistem dapat mempertimbangkan perlu atau tidaknya
peningkatan kuantitas pasokan listrik berupa pembangunan pembangkit-
pembangkit listrik baru.
4
BAB II
TINJAUAN PUSTAKA
2.1 Pendahuluan
Forecasting adalah kegiatan yang bersifat teratur, berupaya memprediksi
masa depan dengan menggunakan tidak hanya metode ilmiah, namun juga
mempertimbangkan hal-hal yang bersifat kualitatif, seperti perasaan, pengalaman
seseorang dan lainnya (Santoso, 2008).
Banyak metode peramalan dalam deret waktu tetapi penentuan dan
pemilihan metode peramalan dipilih berdasarkan situasi dan kondisi dari suatu
data, dengan asumsi dasar peramalan bahwa dalam data berautokorelasi.
Peramalan dari sudut horison waktu dapat dibagi menjadi :
1. Short term (jangka pendek) meliputi kurun waktu mulai dari satu hari
sampai satu musim, atau dapat sampai satu tahun. Oleh karena waktu
peramalan sangat singkat, maka data historis (terdahulu) masih relevan
untuk dijadikan bahan pembuatan prediksi.
2. Medium term (jangka menengah) meliputi kurun waktu dari satu musim
sampai dua tahun. Kegiatan peramalan dalam jangka menengah masih
menggunakan metode kuantitatif dan kualitatif, karena data historis masa
lalu dianggap masih cukup relevan untuk memprediksi masa datang.
3. Long term (jangka panjang) meliputi peramalan untuk kurun waktu
minimal lima tahun. Kegiatan peramalan untuk jangka panjang pada
4
5
umumnya berdasarkan pada intuisi dan pengalaman seseorang untuk
melakukan peramalan bersifat long term.
Pembagian horison tersebut tidak bersifat mengikat, dalam arti dapat saja
jangka panjang ditetapkan di atas sepuluh tahun, atau yang dimaksud dengan
jangka menengah adalah lima sampai sepuluh tahun.
Metode peramalan dipilih berdasarkan horison waktu peramalannya
(Hanke dan Reitsch,1985) untuk jangka pendek dan menengah dapat digunakan
metode kuantitatif yaitu metode rata-rata bergerak, penghalusan eksponensial dan
metode Box-Jenkins.
Peramalan dengan metode Box-Jenkins pada umumnya akan memberikan
hasil yang lebih baik dari metode-metode peramalan yang lain, sebab metode ini
tidak mengabaikan kaidah-kaidah pada data deret waktu.
Akan tetapi Box-Jenkins adalah teknik yang rumit dan tidak mudah untuk
digunakan, karena membutuhkan banyak pengalaman, dan meskipun sering
menghasilkan hasil yang memuaskan, hasil tersebut tergantung pada tingkat
keahlian peneliti (Bails & Peppers, 1982), terdapat beberapa kelemahan pada
metode Box-Jenkins diantaranya buruk jika diaplikasikan pada data yang sedikit
dan diperlukan sekurang-kurangnya data yang tersedia minimal 30 data
(Anderson and Weiss, 1983) atau 50 data (Mulyana). Sedangkan metode
Exponential Smoothing dapat diaplikasikan untuk minimal 10 hingga 20 data
(Hanke and Reitsch, Singgih Santoso).
6
Mentzer dan Cox (1984) melakukan penelitian tentang peramalan,
penggunaan dan tingkat kepuasan para pengguna terhadap metode-metode
peramalan yang tersedia. Hasil penelitiannya sebagai berikut :
1. Metode kualitatif (judgement) merupakan metode peramalan yang paling
luas digunakan untuk peramalan jangka pendek, jangka menengah maupun
jangka panjang.
2. Metode gabungan kuantitatif atau kualitatif pada umumnya dipakai untuk
peramalan jangka pendek atau menengah tetapi jarang digunakan untuk
jangka panjang.
3. Metode exponential smoothing dan rata-rata bergerak sering digunakan
atau dipergunakan untuk peramalan jangka pendek, jangka menengah atau
jangka panjang.
4. Metode Box-Jenkins jarang dipakai, baik untuk jangka pendek, jangka
menengah maupun jangka panjang.
Dilihat dari sudut pengenalan terhadap metode :
1. Para pengguna ramalan ternyata sangat mengenal metode
kualitatif/subjektif.
2. Rata-rata bergerak dan exponential smoothing merupakan metode
peramalan kuantitatif yang paling dikenal.
3. Sekalipun mampu membedakan berbagai pola-pola seperti trend,
musiman, siklus dan random, metode dekomposisi merupakan metode
yang paling tidak dikenal.
7
Dari sudut kepuasan penggunaan metode peramalan dapat disimpulkan bahwa:
1. Metode regresi merupakan metode dimana pengguna mempunyai
kepuasan tertinggi. Karena tidak hanya dapat melakukan peramalan tetapi
sekaligus dapat mengetahui sensitivitas faktor-faktor yang berpengaruh
terhadap hasil ramalan.
2. Metode berikutnya adalah metode pemulusan eksponensial dan metode
rata-rata bergerak, metode ini mudah untuk dipahami dan mudah untuk
dipergunakan.
3. Karena sangat sulit dipahami dan seringkali memberikan hasil buruk,
metode Box-Jenkins merupakan metode yang paling tinggi tingkat
ketidakpuasannya.
Secara teoritis, metode Box-Jenkins merupakan metode yang canggih terutama
dalam peramalan jangka pendek, akan tetapi secara praktis ada beberapa
kelemahan metode ini yaitu :
1. Jumlah data yang dibutuhkan relatif besar. Untuk data bulanan yang
bersifat musiman, paling tidak dibutuhkan 60 buah pengamatan
(Santoso,2008).
2. Apabila ada data baru yang tersedia, seringkali parameter dari model Box-
Jenkins harus diestimasi ulang dan hal ini bisa menyebabkan revisi total
terhadap model peramalan yang sudah dibuat.
Makridakis dan Hibbon (2000) merangkum :
1. Berbagai ukuran keakuratan menghasilkan hasil yang konsisten ketika
digunakan untuk mengevaluasi metode peramalan yang berbeda.
8
2. Metode pemulusan eksponensial berkinerja baik dibandingkan metode
lain, jika terdapat ukuran sampel yang sedikit.
3. Kinerja berbagai metode peramalan bergantung pada panjangnya waktu
peramalan (tahunan, triwulanan, bulanan) dan jenis data yang dianalisa.
Salah satu metode yang cukup efektif untuk digunakan dalam
menganalisis data tersebut adalah dengan menggunakan metode peramalan Holt
dikarenakan kondisi ukuran sampel yang sedikit dan data mengandung unsur
trend.
Sebagai contoh untuk kasus data bulanan, penelitian dilakukan oleh
Muhamad Yusup S.Si yang membandingkan metode Single Eksponential
Smoothing dan Double Eksponential Smoothing (Holt) untuk mengestimasi
jumlah calon mahasiswa baru tahun 2006 di Jurusan Matematika FMIPA
UNNES, Muhamad Yusup S.Si menggunakan metode Single Eksponential
Smoothing dan Double Eksponential Smoothing (Holt) untuk melihat
perkembangan dan memperkirakan kenaikan jumlah calon mahasiswa baru tahun
2006 di Jurusan Matematika FMIPA UNNES. Muhamad Yusup S.Si
menyimpulkan jika data bersifat bulanan dengan ukuran sampel sedikit serta ingin
meramalkan untuk beberapa periode ke depan sebaiknya menggunakan
eksponential smoothing baik Single Eksponential Smoothing dan Double
Eksponential Smoothing (Holt).
9
Dengan diperoleh hasil plot data dan hasil peramalan sebagai berikut :
Kemudian dilakukan proses peramalan dan mencari nilai ukuran ketepatan
peramalan MSE (Mean Square Error) sebagai ukuran pembanding untuk
menentukan metode mana yang lebih baik, dengan memperhatikan nilai dari MSE
(Mean Square Error) tersebut dimana metode terbaik yaitu yang menghasilkan
nilai error atau nilai MSE yang terkecil (Lampiran 3). Berikut merupakan nilai
MSE dari masing-masing metode :
Alpha MSESingle Exponential Smoothing Double Exponential Smoothing
0,1 706063,64 625049,040,5 2549284,27 556583,460,9 639,8017 839136,16
Ternyata hanya metode Double Eksponential Smoothing (Holt) lah yang
mengindikasikan peramalan ke depan yang lebih baik daripada Single
Eksponential Smoothing untuk kondisi data yang mengalami kenaikan atau trend.
10
Adapula saran dari penulis yaitu diperlukan penelitian lebih lanjut tentang
penggunaan metode smoothing untuk forecasting jumlah calon mahasiswa baru,
Diperlukan penelitian lebih lanjut tentang metode-metode forecasting yang lebih
praktis dan efisien serta menghasilkan forecast error yang lebih kecil.
2.2 Double Exponential Smoothing (Holt)
Metode Holt merupakan metode yang cukup sederhana, mudah digunakan
serta diaplikasikan karena tidak terlalu banyak asumsi dalam proses penggunaan
metode tersebut, yaitu hanya melihat dari kondisi data jika terdapat pola trend
menaik ataupun menurun.
Metode ini akan menyesuaikan faktor trend yang ada pada pola data.
Dipopulerkan oleh C. C. Holt (1957), model ini menambahkan faktor
pertumbuhan (growth/level factor) atau faktor trend (trend factor) pada
persamaan dasar dari smoothing.
Bentuk umum forecast ke l untuk metode Holt :
Fn (l )=Ln+T n l ... (2.1)
Dalam hal ini :
: Nilai komponen level estimate
: Nilai komponen trend estimate
: nilai forecast untuk periode mendatang
: Periode ramalan ke muka, l = 1, 2, 3, ...
11
BAB III
MEMPROYEKSIKAN BEBAN PUNCAK LISTRIK JAWA BARAT
DENGAN MENGGUNAKAN METODE HOLT
3.1 Pendahuluan
Dalam membangun model peramalan, pola yang mendasari data harus
dapat diidentifikasi dengan baik sehingga model peramalan yang dihasilkan dapat
sesuai dengan kondisi data yang sebenarnya dan dapat menghasilkan ramalan
yang akurat. Mengacu pada hal yang telah dibahas pada Bab I dan II, sedikitnya
jumlah data dijadikan pertimbangan dalam melakukan pemilihan metode
peramalan. Karena hal tersebut berpengaruh terhadap pembentukan model
peramalan dan pemilihan model peramalan.
Untuk memperjelas pembahasan diatas, maka Bab III akan membahas pola
data yang dapat diidentifikasi melalui plot data serta penerapan metode Holt
dengan menggunakan dua parameter untuk pemulusan trend dan level. Dengan
uraian lebih rinci mengenai data dan permasalahannya akan dibahas sebagai
berikut.
3.2 Data Penelitian
Data yang digunakan adalah data beban puncak listrik Jawa Barat perbulan
dari Januari 2003 hingga Desember 2009.
11
12
3.3 Analisis Data
Dalam menganalisis data, data tersebut harus dikenal terlebih dahulu dan
metode apa yang tepat untuk menganalisis data tersebut sesuai dengan informasi
yang diperoleh dan tujuan dari analisis.
3.3.1 Identifikasi Model
Langkah awal yang dilakukan adalah eksplorasi data, yaitu dengan melihat
apakah data tersebut memiliki trend, dan membuktikan data tersebut tidak
stasioner dalam rata-rata atau varians.
Eksplorasi data tersebut harus dilakukan untuk memilih metode mana
yang tepat dan cocok untuk kondisi data tertentu.
Berikut merupakan plot data asli :
Gambar 3.1 Plot data
Gambar 3.1 terlihat bahwa data tidak stasioner baik dalam rata-rata
maupun varians.
Trend merupakan pergerakkan data secara umum, seperti menaik menurun
atau tetap constant sepanjang waktu di suatu nilai rata-rata. Dalam konteks data
13
nonseasonial, trend menjadi perhatian penting dalam menetapkan model ramalan,
proses peramalan dapat dilakukan jika terdapat autokorelasi dalam data dengan
melakukan pengujian hipotesis dan terbukti bahwa terdapat autokorelasi dalam
data maka analisis data deret waktu dapat digunakan.
3.3.2 Pemilihan Model Peramalan
Berdasarkan proses pengidentifikasian di atas, pola data mengandung
trend dalam data, maka metode yang digunakan adalah metode Holt dimana pada
metode ini menggunakan dua buah parameter yaitu α dan γ dalam proses
pemulusan seperti yang ditunjukkan sebagai berikut :
Komponen level estimate : Ln=αZn+(1−α )(Ln−1+T n−1) ... (3.1)
Komponen trend estimate : T n=γ ( Ln−Ln−1 )+(1−γ )T n−1 ... (3.2)
Forecast periode ke p dari data : Fn ( l )=Ln+T n l ... (3.3)
Dengan nilai trend awal dan pemulusan rerata awalnya :
T 0=(Zn−Zt)(n−1)
L0=Zt−T 0
2
Dimana :
α : level estimate (konstanta pemulusan level)
γ : trend estimate (konstanta pemulusan trend)
Ln : Nilai komponen level estimate
T n : Nilai komponen trend estimate
... (3.4)
... (3.5)
14
Fn ( l ) : nilai forecast untuk periode mendatang
l : Periode ramalan ke muka, l = 1, 2, 3, ...
T 0 : Nilai pemulusan awal untuk trend
L0 : Nilai pemulusan awal untuk level
3.3.3 Penentuan Konstanta Pemulusan
Nilai konstanta pemulusan yaitu α dan γ dapat ditentukan melalui trial and
error atau penaksiran parameter. Untuk mendapatkan nilai konstanta yang optimal
maka dipilih nilai konstanta pemulusan yang menghasilkan Sum Square Error
(SSE) yang minimum (Statistica 7), hal ini dikarenakan nilai SSE memberikan
hasil yang akurat dalam melihat tingkat ketepatan kesalahan model, tetapi
sebagian informasi juga mengatakan nilai konstanta pemulusan yang dipilih yaitu
yang menghasilkan nilai MAPE yang terkecil (Makridakis 1999).
SSE=∑t=1
n
(Zt−F t)2
MAPE=1n∑t=1
n |( Z t−F t
Z t)∗100|
Z t = Data asli
F t = Nilai forecast
3.3.4 Pengujian Model Peramalan
Sebelum digunakan untuk peramalan, model peramalan yang dihasilkan
harus diuji terlebih dahulu. Pengujian model peramalan ini dilakukan dengan
... (3.6)
... (3.7)
15
menggunakan analisis autokorelasi terhadap residunya yaitu untuk memeriksa
apakah model yang dihasilkan cukup memadai untuk waktu yang akan datang.
Karena jika tidak, perlu dilakukan pengidentifikasian model peramalan yang baru,
dengan membanding kan |rk| < 2serk.
Dengan standard error yaitu: serk=1
√n
Untuk uji keseluruhan nilai autokorelasi residu digunakan Portmenteau
test dengan statistik uji Q yang mengikuti distribusi chi-kuadrat dengan derajat
bebas k-p-q.
Hipotesis :
H 0= ρ0=ρ1=…= ρk=0
H 1=minimal salah satu ρ k ≠ 0
k = 1, 2, 3, ..., k
Statistik Uji :
Q=n(n+2)∑k−1
K
(n−k )−1 ρk2
Kriteria Uji : Tolak Ho jika Q lebih besar daripada χ2 tabel, dengan taraf
nyata α dan derajat kebebasan k-p-q
3.3.5 Tracking Signal
Tracking Signal digunakan untuk mengetahui keandalan model peramalan,
jika nilai tracking signal yang diperoleh diluar batas ±4 (V. Gasperz, 2004) dan
±5 (Bovas dan Ledorter, 1983) maka model harus ditinjau kembali dan
ditentukan model peramalan yang baru.
... (3.8)
16
Judul : Penggunaan Metode Holt Untuk Memproyeksikan Beban
Puncak Listrik Jawa Barat
Nama : Tintus Prasetyohadi
Pembimbing 1 : Mulyana,Drs,MS
Pembimbing 2 : Neneng Sunengsih,Dra