Peramalan listrik jangka pendek merupakan salah satu topik sentral dalam peramalan untuk optimasi
distribusi energi listrik. Ada banyak model peramalan yang telah dikembangkan untuk memperoleh ramalan
beban listrik jangka pendek yang akurat. Tujuan dari penelitian ini adalah mengembangkan model TLSAR
berbasis Regresi Time Series dan ARIMA untuk peramalan beban listrik jangka pendek. Secara umum, model
Two Level Seasonal Autoregressive (TLSAR) terdiri dari dua model, yaitu model pada level pertama yang
biasanya dikembangkan dari model peramalan linier untuk menjelaskan adanya pola tren dan musiman dari
data (yang dikenal dengan beban potensial). Sedangkan model pada level kedua dikembangkan dari model
ARIMA untuk menangkap pola Autoregressive dari data (yang dikenal dengan beban irreguler). Penelitian
ini diharapkan dapat menghasilkan nilai peramalan yang tepat sehingga nantinya dapat digunakan sebagai
acuan dalam mengambil kebijakan khususnya terkait dengan masalah pasokan pemenuhan beban listrik
jangka pendek bagi konsumen. Selain itu penelitian ini diharapkan mampu memberikan solusi bagi pihak
penyedia layanan listrik untuk dapat menghemat biaya produksi akibat kesalahan pendistribusian. Sebagai
studi kasus, dalam penelitian ini digunakan beban listrik jangka pendek di pusat pengaturan beban Jawa-Bali
periode 1 Januari 2009 sampai 31 Desember 2010. Hasil dari penelitian dengan menggunakan model TLSAR
menunjukkan bahwa nilai MAPE yang kecil untuk peramalan 1 hari kedepan sampai 6 hari kedepan yaitu
kurang dari 2%.
Kata kunci: ARIMA, Regresi time series, TLSAR.
1. Pendahuluan
Energi listrik memiliki peranan yang sangat penting dalam kehidupan manusia, energi listrik
banyak digunakan di berbagai sektor, baik sektor industri, rumah tanggga, usaha komersial,
maupun sektor pelayanan umum lainnya. Sejalan dengan perkembangan zaman dan kemajuan ilmu
dan teknologi, kebutuhan akan ketersediaan energi listrik kian meningkat. Energi listrik tidak dapat
disimpan dalam skala besar, sehingga energi ini harus disediakan pada saat dibutuhkan. Karena itu
muncul permasalahan terkait kebutuhan beban listrik yang cenderung berubah tidak menentu.
Untuk mengatasi permasalahan tersebut dan dalam rangka pemenuhan kebutuhan energi listrik
yang handal, tentunya diperlukan manajemen perencanaan operasi sistem yang baik dan tepat,
salah satunya yaitu peramalan beban listrik untuk memberikan informasi bagi penyedia listrik agar
dapat memperkirakan besarnya permintaan sehingga dalam penyediaannya tidak terjadi
pemborosan beban listrik yang dapat mengakibatkan kerugian.
Dalam beberapa literatur disebutkan, bahwa terdapat banyak teknik yang dapat digunakan
untuk peramalan beban jangka pendek, diantaranya yaitu Autoregressive Integrated Moving
Average (ARIMA), regresi linier, dan artificial neural network. Peramalan beban merupakan
bagian dari statistik dan banyak alat telah diterapkan untuk menemukan akurasi terbaik dalam
peramalan ini. Model umum dari runtun waktu seperti metode regresi klasik, ARIMA dan
perkembangannya telah mendominasi dan banyak digunakan dalam peramalan beban. Pemodelan
dan peramalan beban listrik telah dilakukan di berbagai negara dengan menggunakan metode
ARMA, seperti pada Chen, Wang, dan Huang (1995), serta Zagrajek dan Weron (2002).
Selanjutnya, Soares dan Souza (2006) telah melakukan penelitian peramalan beban dengan
menggunakan metode Generalized Long Memory (GLM) untuk data beban listrik di Brazil. Selain
itu, peramalan beban juga telah dikembangkan dengan menggunakan metode yang berbeda, seperti
pendekatan pemrograman linear yang diterapkan untuk peramalan beban di Kuwait (Soliman,
Persaud, El-Nagar, dan El-Hawary, 1997), metode kombinasi antara smoothing dan analisis
komponen utama untuk pemodelan dan permalan beban per setengah-jam di Rio de Janeiro dan
M-1
yt
series merupakan alat yang digunakan untuk mengetahui hubungan antara variabel
yang
tergantung dengan fungsi waktu (t). Kecenderungan adanya pola tren pada data time series
mempengaruhi dalam regresi time series tersebut. Menurut Bowerman, Oconnell dan Koehler
(2004), model tersebut dapat didefinisikan sebagai berikut :
yt TRt at
(1)
dengan :
yt
= nilai data time series pada waktu ke-t
TRt
= tren pada waktu ke-t
at : N (0, 2 )
at
= residual pada waktu ke-t,
Ada beberapa kecenderungan dalam regresi time series untuk data dengan adanya pola tren, yaitu :
TRt 0
M-2
TRt 0 1t
2. Tren linier, yang dimodelkan sebagai
, menyatakan bahwa terdapat tren linier
baik kenaikan ataupun penurunan dalam jangka panjang.
TRt 0 1t 2t 2
3. Quadratic tren, yang dimodelkan sebagai
, menyatakan adanya tren
kuadratik dalam jangka panjang.
Selain adanya kecenderungan pola tren, kecenderungan adanya pola musiman juga sering
terjadi pada data time series. Hal ini dapat ditangani dengan menambahkan variabel faktor
musiman (SN) dalam regresi seperti yang dituliskan sebagai berikut :
yt TRt SN t at
(2)
Pada model dengan pola musiman terdapat beberapa variabel dummy. Dengan asumsi bahwa
SNt
ada L musiman (bulanan, quarter, dan lainnya) per tahun, maka faktor musiman (
dituliskan sebagai berikut :
SN t s1 xs1,t s 2 xs 2,t K s ( L 1) xs ( L 1),t
) dapat
(3)
dengan,
xs1,t , xs 2,t ,..., xs ( L 1),t
= variabel dummy
Untuk model trigonometri dengan variasi musiman yang konstan, maka dapat dituliskan:
2 t
2
t
3 cos
at
L
L
yt 0 1t 2 sin
(4)
Persamaan (4) mengasumsikan kecenderungan linier, tetapi model ini dapat diubah untuk
menangani kasus adanya tren lainnya. Persamaan (4) berguna dalam pemodelan time series yang
memiliki pola musiman sangat teratur yang menunjukkan variasi musiman konstan.
4. ARIMA
ARIMA merupakan model peramalan yang termasuk dalam kelompok peramalan linier.
ARIMA dapat digunakan pada data yang terdapat pola musiman maupun tidak. Secara umum,
ARIMA p, d , q P, D, Q
p B P BS 1 B
1 B
S
Yt 0 q B Q B S at
(5)
dengan :
p B 1 1 B1 ... p B p
p B 1 1 B1 ... q B q
P B S 1 1 B S ... P B PS
p B S 1 1 B S ... Q B QS
.
5. Two Level Seasonal Autoregressive (TLSAR)
M-3
j=1,2, , 24
y j ,t y Pj ,t y Ij ,t
(6)
dengan
H
r 1
i 1
y Ij ,t z j ,t a j ,t
(8)
D i ,i=1,2, , K
ke-r;
0 , , r , r , r 1, 2,..., H
hari dalam seminggu, libur nasional, hari khusus, dan lainnya;
z h ,t
i , i 1, 2,..., K
parameter yang tidak diketahui. Vektor
dan
I
j ,t
a j ,t
p +1
M-4
Gambar 1 Time series plot Beban listrik di Jawa-Bali pada jam 00.30.
Pada gambar 1 terlihat adanya tren pada data, kecenderungan ini menunjukkan fluktuasi
pemakaian beban listrik di Jawa-Bali yang kian berubah-ubah tiap setengah jam. Selanjutnya, dapat
kita lakukan pemodelan dengan menggunakan metode TLSAR. Sebelum melakukan pemodelan,
terlebih dahulu kita tentukan beberapa variabel dummy baik efek hari dalam seminggu, efek hari
khusus (libur lebaran, libur 17 agustus, dan tahun baru), serta beberapa variabel dummy dari outlier.
Selanjutnya, untuk pemodelan beban potensial digunakan metode regresi time series, dan
diteruskan dengan pemodelan menggunakan metode ARIMA pada beban irreguler. Untuk beban
potensial, data beban listrik tiap setengah jam di regresikan dengan mengikutsertakan bebarapa
variabel dummy yang sebelumnya telah ditentukan yang di duga mempunyai pengaruh terhadap
pemakaian beban listrik di Jawa-Bali. Selanjutnya, berdasarkan regresi time series yang telah
dilakukan, kita dapat menghitung nilai residualnya yang nantinya disebut sebagai data beban
irreguler. Selain itu dari hasil regresi time series yang sebelumnya, dapat kita lakukan peramalan
beberapa hari ke depan untuk data beban potensial ini. Setelah peramalan untuk beban potensial
selesai dilakukan, selanjutnya dapat dilakukan pemodelan beban irreguler menggunakan metode
ARIMA biasa yang penentuannya berdasarkan orde dari ACF dan PACF dalam menentukan model
ARIMA terbaiknya, seperti pada tabel 1.
M-5
Tabel 1. Model ARIMA terbaik untuk data irreguler tiap setengah jam
Jam
Model ARIMA
Parameter
1
00.30
ARIMA (1,1,1)
1
1
01.00
ARIMA (1,1,1)
1
1
01.30
ARIMA (1,1,1)
1
1
02.00
ARIMA (1,1,1)
1
1
02.30
ARIMA (1,1,1)
1
1
03.00
ARIMA (1,1,1)
1
1
03.30
ARIMA (1,1,1)
1
1
04.00
ARIMA (1,1,1)
Estimate
P-value
White
noise
0.75337
0.24821
<.0001
<.0001
WN
0.32332
0.80872
<.0001
<.0001
WN
0.22970
0.77437
<.0001
<.0001
WN
0.23191
0.76952
<.0001
<.0001
WN
0.34546
0.83587
<.0001
<.0001
WN
0.32178
0.81439
<.0001
<.0001
WN
0.25842
0.79884
<.0001
<.0001
WN
0.19782
0.78500
0.0002
<.0001
WN
0.31480
-0.12882
0.81299
<.0001
0.0004
<.0001
WN
0.47922
0.89422
<.0001
<.0001
WN
0.68210
0.06843
1.28979
-0.30639
<.0001
0.0341
<.0001
0.0002
WN
1
04.30
ARIMA ([1,14],1,1)
14
1
1
05.00
ARIMA (1,1,1)
1
1
6
05.30
ARIMA ([1,6],1,[1,2])
1
2
1
06.00
ARIMA (1,1,1)
1
1
06.30
ARIMA (1,1,1)
1
1
07.00
ARIMA (1,1,1)
0.38563
0.90342
<.0001
<.0001
WN
0.41346
0.92310
<.0001
<.0001
WN
0.35024
0.90617
<.0001
<.0001
WN
0.61858
0.07113
1.19427
-0.24191
<.0001
0.0181
<.0001
0.0068
WN
0.80964
0.07705
0.07804
1.40604
-0.40604
<.0001
0.0020
0.0008
<.0001
<.0001
WN
0.25919
0.13239
0.11047
0.86410
0.06468
<.0001
0.0042
0.0024
<.0001
0.0086
WN
-0.10522
-0.08324
0.63920
0.14298
0.0058
0.0282
<.0001
<.0001
WN
0.18985
0.11245
0.76864
0.10610
0.0003
0.0028
<.0001
<.0001
1
28
07.30
ARIMA ([1,28],1,[1,2])
1
2
1
14
08.00
ARIMA ([1,14,28],1,[1,2])
28
1
2
1
2
08.30
ARIMA ([1,2,28],1,[1,9])
28
1
9
4
5
09.00
1
9
09.30
1
42
1
M-7
WN
9
1
10.00
1
9
0.22836
0.79754
0.09596
<.0001
<.0001
<.0001
WN
0.59817
0.14277
0.12574
<.0001
<.0001
<.0001
WN
0.24559
0.07344
0.84268
<.0001
<.0001
0.0011
WN
0.17022
-0.08068
0.73946
0.14369
0.0019
0.0390
<.0001
<.0001
WN
0.14644
0.77008
0.09308
0.0048
<.0001
0.0002
WN
0.31218
0.21069
0.86041
0.10065
<.0001
<.0001
<.0001
0.0002
WN
0.34272
0.18456
0.92650
<.0001
<.0001
<.0001
WN
0.23043
-0.10064
0.76552
0.10210
<.0001
0.0131
<.0001
0.0001
1
10.30
3
9
1
11.00
1
9
1
5
11.30
1
9
1
12.00
1
9
1
7
12.30
1
7
1
13.00
ARIMA ([1,2],1,1)
2
1
13.30
1
5
1
WN
9
1
5
14.00
1
9
0.16538
-0.11938
0.75651
0.11515
0.0021
0.0031
<.0001
<.0001
WN
0.25484
0.15357
0.85181
0.08812
<.0001
0.0009
<.0001
0.0010
WN
0.44607
0.17001
0.95030
<.0001
<.0001
<.0001
WN
0.25842
0.74784
0.13531
<.0001
<.0001
<.0001
WN
0.63155
0.23060
1.14350
-0.15430
<.0001
<.0001
<.0001
<.0001
WN
0.39774
0.10399
0.89591
<.0001
0.0163
<.0001
WN
0.29964
0.84267
<.0001
<.0001
WN
0.30984
0.30984
<.0001
<.0001
WN
0.30479
0.11629
0.09341
<.0001
0.0156
0.0223
1
2
14.30
1
9
1
15.00
ARIMA ([1,2],1,1)
2
1
1
15.30
1
9
1
2
16.00
1
3
1
16.30
ARIMA ([1,2],1,1)
2
1
1
17.00
ARIMA (1,1,1)
1
1
17.30
ARIMA (1,1,1)
18.00
ARIMA ([1,2,7],1,1)
1
1
M-7
WN
2
7
0.88717
<.0001
0.29346
0.11616
0.90451
<.0001
0.0066
<.0001
WN
0.29242
0.87071
<.0001
<.0001
WN
0.40026
0.93522
<.0001
<.0001
WN
0.34333
0.87974
<.0001
<.0001
WN
0.30967
0.84741
<.0001
<.0001
WN
0.30207
0.82229
<.0001
<.0001
WN
0.18747
0.74108
0.0011
<.0001
WN
0.24167
0.79308
<.0001
<.0001
WN
0.19078
0.76962
0.0004
<.0001
WN
0.24274
0.79040
<.0001
<.0001
WN
0.28120
0.16291
0.88152
<.0001
0.0003
<.0001
WN
1
1
18.30
ARIMA ([1,2],1,1)
2
1
1
19.00
ARIMA (1,1,1)
1
1
19.30
ARIMA (1,1,1)
1
1
20.00
ARIMA (1,1,1)
1
1
20.30
ARIMA (1,1,1)
1
1
21.00
ARIMA (1,1,1)
1
1
21.30
ARIMA (1,1,1)
1
1
22.00
ARIMA (1,1,1)
1
1
22.30
ARIMA (1,1,1)
1
1
23.00
ARIMA (1,1,1)
1
1
23.30
ARIMA ([1,2],1,1)
2
1
1
24.00
ARIMA (1,1,1)
0.22825
0.82846
<.0001
<.0001
WN
Setelah didapatkan model ARIMA terbaik untuk data beban irreguler, maka dapat dilakukan
peramalan. Dari hasil peramalan beban pada tiap level, yaitu pada beban potensial maupun beban
irreguler, dapat ditentukan nilai peramalan total yang di sebut dengan hasil peramalan untuk
metode Two Level Seasonal Autoregressive (TLSAR). Perbandingan hasil peramalan dengan
menggunakan metode TLSAR berbasis regresi time series dan ARIMA dengan nilai data actual
dapat dilihat pada gambar 2. Pada gambar 2 terlihat bahwa pola beban hasil peramalan secara
umum menunjukkan error yang cukup kecil.
%MAPE
1.24087
1.46735
0.888837
0.712299
1.19676
1.80998
6.51599
Hari
8
9
10
11
12
13
14
%MAPE
11.7957
4.78513
3.18993
3.48011
5.92292
6.04774
13.2305
7. Kesimpulan
Berdasarkan hasil analisa data dan pembahasan dapat diperoleh kesimpulan bahwa peramalan
data beban listrik jangka pendek setiap setengah jam di Jawa-Bali periode 2009-2010 dengan
menggunakan metodel TLSAR berbasis regresi time series dan ARIMA menunjukkan hasil yang
cukup baik untuk peramalan 1 sampai 6 hari kedepan dengan nilai MAPE yang kecil yaitu kurang
dari 2%.
8. Daftar Pustaka
M-7
Bowerman, B.L., and OConnell, R.T. (1993). Forecasting and Time Series: An Applied Approach,
rd
Bowerman, B.L., OConnell, R.T., and Koehler, A.B. (2004). Forecasting, Time Series, and
Regression: An Applied Approach,
Chen, J.F., Wang, W.M., and Huang, C.M. (1995). Analysis of an adaptive time-series
autoregressive moving-average (ARMA) model for short-term load forecasting. Electric
Power Systems Research, 34, 187-196.
Soliman, S.A., Persaud, S., El-Nagar, K., and El-Hawary, M.E. (1997). Application of least
absolute value parameter estimation based on linear programming to short-term load
forecasting. Electrical Power & Energy Systems, 19, No. 3, 209-216.
Soares, L.J., and Souza, L.R. (2006). Forecasting electricity demand using generalized long
memory. International Journal of Forecasting, 22, 17-28.
Soares, L.J., and Medeiros, M.C. (2008). Modeling and Forecasting short-term electricity load: A
comparison of methods with an application to Brazilian data. International Journal of
Forecasting, 24, 630-644.
Taylor, J.W. (2006). Density forecasting for the efficient balancing of the generation and
consumption of electricity. International Journal of Forecasting, 22, 707-724.
Taylor, J.W., de Menezes, L.M, and McSharry, P.E. (2006). A comparison of univariate methods for
forecasting electricity demand up to a day ahead. International Journal of Forecasting, 22, 116.
Yang, J., and Stanzel, J. (2006), Short-term load forecasting with increment regression tree.
Electric Power Systems Research, 76, 880-888.
Zagrajek, J.N., and Weron, R. (2002). Modeling electricity loads in California: ARMA models with
hyperbolic noise. Signal Processing, 82, 1903-1915.