Prediksi Pemakaian Listrik Kelompok Tarif Menggunakan Jaringan Syaraf Tiruan dan ARIMA

Abstract

AbstrakLatar Belakang penelitian ini dibuat dimana semakin meningkatnya kebutuhan listrik di setiap kelompok tarif. Yang dimaksud dengan kelompok tarif dalam penelitian ini adalah kelompok tarif sosial, kelompok tarif rumah tangga, kelompok tarif bisnis, kelompok tarif industri dan kelompok tarif pemerintah. Prediksi merupakan kebutuhan penting bagi penyedia tenaga listrik dalam mengambil keputusan berkaitan dengan ketersediaan energi listik. Dalam melakukan prediksi dapat dilakukan dengan metode statistik maupun kecerdasan buatan. ARIMA merupakan salah satu metode statistik yang banyak digunakan untuk prediksi dimana ARIMA mengikuti model autoregressive (AR) moving average (MA). Syarat dari ARIMA adalah data harus stasioner, data yang tidak stasioner harus distasionerkan dengan differencing. Selain metode statistik, prediksi juga dapat dilakukan dengan teknik kecerdasan buatan, dimana dalam penelitian ini jaringan syaraf tiruan backpropagation dipilih untuk melakukan prediksi. Dari hasil pengujian yang dilakukan selisih MSE ARIMA, JST dan penggabungan ARIMA, jaringan syaraf tiruan tidak berbeda secara signifikan. Kata Kunci— ARIMA, jaringan syaraf tiruan, kelompok tarif. AbstractBackground this research was made where the increasing demand for electricity in each group. The meaning this group is social, the household, business, industry groups and the government fare. Prediction is an important requirement for electricity providers in making decisions related to the availability of electric energy. In doing predictions can be made by statistical methods and artificial intelligence. ARIMA is a statistical method that is widely used to predict where the ARIMA modeled autoregressive (AR) moving average (MA). Terms of ARIMA is the data must be stationary, the data is not stationary should be stationary use differencing. In addition to the statistical method, predictions can also be done by artificial intelligence techniques, which in this study selected Backpropagation neural network to predict. From the results of tests made the difference in MSE ARIMA, ANN and merging ARIMA, artificial neural networks are not significantly different. Keyword—ARIMA, neural network, tarif groups

Prediksi Awal Musim Hujan Di Waingapu Provinsi Nusa Tenggara Timur Menggunakan Metode Arima

“…ARIMA merupakan pendekatan model kuantitatif yang dikembangkan oleh George Box dan Gwilym Jenkins [6]. ARIMA memanfaatkan data masa lalu untuk memprediksi masa yang akan datang [7]. Arima lebih dapat mengikuti fluktuasi data dibandingkan dengan metode lain [4].…”

“…Pada model AR variabel independen adalah nilai sebelumnya dari variabel dependen (𝑦 t ) itu sendiri. Sedangkan, pada model MA variabel independennya adalah nilai residual pada periode sebelumnya [7].…”

“…Pemodelan ARIMA harus menggunakan data yang stasioner [7]. Data dikatakan stasioner apabila tidak terdapat pertumbuhan atau penurunan pada data sepanjang sumbu waktu.…”

“…𝑦 𝑡 = (1 + 𝜃 1 ) 𝑦 𝑡−1 + (𝜃 2 − 𝜃 1 ) 𝑦 𝑡−2 + ⋯ − 𝜃 𝑝 𝑦 𝑡−𝑝−1 + 𝑢 + 𝜙 1 𝘦 𝑡−1 − 𝜙 2 𝘦 𝑡−2 -.... 𝜙 𝑞 𝘦 𝑡−𝑞 (7) 𝑦 𝑡 = variabel dependen (nilai yang akan diprediksi); 𝜃 1 .... 𝜃 𝑝 = koefisien parameter AR ke-p; 𝑦 𝑡−1 ... 𝑦 𝑡−𝑝 = variabel independen (nilai masa lalu); 𝑢= konstanta koefisien; 𝜙 1 …. 𝜙 𝑞 = koefisien parameter MA ke-q; 𝑒 𝑡−1 ...e t−q = nilai residual pada waktu t-q.…”

“…Pemodelan ARIMA merupakan suatu pendekatan yang memanfaatkan data masa lalu untuk memprediksi masa yang akan datang [7]. Data yang digunakan untuk pemodelan ARIMA harus bersifat stasioner.…”