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