PEMODELAN HYBRID ARIMA-NEURAL NETWORK

UNTUK MERAMALKAN KONSUMSI ENERGI LISTRIK

(Studi Kasus Di PT PLN (Persero) Area Bandung)

SKRIPSI

Diajukan untuk Menempuh Tugas Akhir Sarjana

Program Studi Stastistika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Padjadjaran

BAGUS DWI SAPUTRA

140610130022

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PADJADJARAN

2018
 LEMBAR PENGESAHAN

PEMODELAN HYBRID ARIMA-NEURAL NETWORK

UNTUK MERAMALKAN KONSUMSI ENERGI LISTRIK

(Studi Kasus Di PT PLN (Persero) Area Bandung)

SKRIPSI

BAGUS DWI SAPUTRA

140610130022

Setelah membaca skripsi ini dengan seksama menurut pertimbangan kami

telah memenuhi persyaratan ilmiah sebagai suatu skripsi

Jatinangor, Februari 2018

Mengetahui,
Tim Pembimbing

Pembimbing Co-Pembimbing

Dr. Jadi Suprijadi, DEA. Resa Septiani P., M.A.B., M.Stat.Sci

NIP. 19571219 198403 1 001 NIP. 19830928 200604 2 001
 ABSTRAK

Judul : Pemodelan Hybrid ARIMA-Neural Network Untuk

Meramalkan Konsumsi Energi Listrik

Nama : Bagus Dwi Saputra

NPM : 140610130022

Pembimbing : Dr. Jadi Suprijadi, DEA

Co-Pembimbing : Resa Septiani P., M.A.B., M.Stat.Sci

Tenaga listrik merupakan sumber energi yang sangat dibutuhkan dalam kehidupan
manusia. Konsumsi listrik yang semakin meningkat membuat PT PLN (Persero)
Area Bandung perlu melakukan peramalan agar perusahaan dapat menyediakan
energi listrik dengan tepat. Kemungkinan akan perubahan struktur data di masa
mendatang serta pola data yang semakin kompleks membuat metode peramalan
tunggal tidak dapat memberikan performa yang memuaskan untuk setiap saat dan
dalam kondisi apapun. Penelitian ini melakukan kombinasi metode ARIMA dan
ANN Backpropagation atau disebut dengan Hybrid ARIMA-Neural Network.
Dengan menggunakan data historis mulai dari Januari 2011 hingga Desember
2016, diperoleh model ARIMA( 2,1,0)(1,1,0)6 dan arsitektur jaringan (6-10-1).
Pemodelan hybrid menghasilkan kriteria pengukuran ramalan (MAPE) sebesar
1.26%. Metode hybrid terbukti dapat meningkatkan akurasi ramalan ARIMA
yang sebelumnya memiliki nilai MAPE sebesar 1.86%. Selanjutnya dengan
menggunakan metode hybrid ARIMA-Neural Network dilakukan peramalan
konsumsi energi listrik hingga enam bulan kedepan.

Kata Kunci: Konsumsi Energi Listrik, ARIMA, ANN, Backpropagation, Hybrid

ARIMA-Neural Network, MAPE.

i
 ABSTRACT

Title : Hybrid ARIMA-Neural Network Modeling For

Electrical Energy Consumption Forecasting

Name : Bagus Dwi Saputra

NPM : 140610130022

Adviser : Dr. Jadi Suprijadi, DEA

Co-Adviser : Resa Septiani P., M.A.B., M.Stat.Sci

Electric power is an important source of energy in human life. The increase of

electrical consumption making PT PLN (Persero) Bandung needs to do
forecasting so that the company can provide electrical energy properly. The
possibility of future changes in data structures and the complexity of data patterns
makes single forecasting method unable to deliver satisfactory performance for
any time and under any circumtances. This study conducted a combination of
ARIMA and Backpropagation Neural Network methods or called Hybrid
ARIMA-Neural Network. Using historical data from January 2011 to December
2016, ARIMA( 2,1,0)(1,1,0)6 model and network architecture (6-10-1) were
obtained. Hybrid modeling results a prediction measurement criteria (MAPE) of
1.26%. The hybrid method is proven to increase accuracy of ARIMA forecast
which previously has MAPE value of 1.86%. Furthermore, the hybrid ARIMA-
Neural Network method is using to forecast the consumption of electrical energy
up to six months ahead.

Keywords: Electrical Energy Consumption, ARIMA, ANN, Backpropagation,

Hybrid ARIMA-Neural Network, MAPE.

ii
iii
 KATA PENGANTAR

Puji dan syukur kepada Allah SWT yang telah memberikan rahmat serta

hidayah-Nya kepada penulis sehingga dapat menyelesaikan skripsi dengan judul

PEMODELAN HYBRID ARIMA-NEURAL NETWORK UNTUK

MERAMALKAN KONSUMSI ENERGI LISTRIK sebagai salah satu syarat

dalam menempuh ujian sarjana di Program Studi Statistika Fakultas Matematika

dan Ilmu Pengetahuan Alam Universitas Padjadjaran.

Penyusunan skripsi ini tidak lepas dari bantuan, dukungan, doa, bimbingan,

dan kerjasama dari berbagai pihak. Oleh karena itu, penulis ingin menyampaikan

terimakasih yang sebesar-besarnya kepada:

1. Bapak Handoyo, Mama Ni Putu Suryani, dan Mas Adhi Wicaksono sebagai

keluarga penulis. Terimakasih atas dukungan baik berupa doa, motivasi

maupun materi dari mulai penulis lahir di dunia ini hingga penulis berhasil

menyelesaikan studi S1 dan menyusun skripsi ini. Terimakasih atas kasih

sayang yang diberikan selama ini. Mohon maaf apabila Bagus berbuat

banyak kesalahan. Semoga kelak putra ke-2 ini dapat menjadi seorang yang

sukses dan berguna bagi keluarga dan lingkungan sekitar.

2. Dosen pembimbing penulis yakni Bapak Dr. Jadi Suprijadi, DEA dan Ibu

Resa Septiani P., M.A.B., M.Stat.Sci. Terimakasih atas bimbingannya

selama ini sehingga penulis dapat menyelesaikan skripsi dan mendapatkan

hasil yang memuaskan dari mulai magang penelitian hingga sidang akhir.

iv
3. Dosen penguji penulis yakni Bapak Bertho Tantular, S.Si., M.Si. dan Ibu Sri

Winarni, S.Si., M.Si. Terimakasih atas kritik, saran, dan nasihat sebagai

evaluasi dari skripsi ini. Semoga penulis dapat selalu menerapkan evaluasi

yang Bapak dan Ibu berikan.

4. Bapak Dr. Toni Toharudin, M.Sc selaku dosen wali penulis. Terimakasih

Pak telah memberikan kemudahan untuk Saya dalam hal akademik.

5. Bapak Didin Ruhudin selaku pembimbing lapangan penulis selama magang

di PT PLN (Persero) Area Bandung, Pak Bardan, Pak Iqbal, Mas Adi, dan

Mas Teguh yang telah bersedia meluangkan waktu dan memberikan

kemudahan bagi penulis dalam memperoleh data perusahaan.

6. Seluruh civitas akademika Statistika FMIPA Unpad yakni Bapak Ibu Dosen,

Pak Daday, Pak Ihin, Pak Yayan, Pak Tarmudin, Mas Agus, Om Hendris,

Pak Ari, Pak Sutia, Ibu Mul, dan Ibu Yani atas bantuannya selama ini dalam

hal akademik maupun birokrasi.

7. Teh Titi selaku penjaga kosan Pondok Pampila, Bapak Ibu Warung, Ipan

a.k.a Andre a.k.a Franky. Terimakasih sudah memberikan tempat bernaung

yang nyaman selama 4,5 tahun.

8. Anggota Dpamps yang terdiri dari Capt.Tebe, Togu, Joshua, dan Sasa.

Terimakasih atas suka duka (walaupun lebih banyak duka) selama penulis

menjalani kehidupan perkuliahan di Jatinangor tepatnya di Pondok Pampila.

9. Keluarga besar Statistika 2013 yakni Fajar Ramadhan selaku koordinator

angkatan, Dyah Puspita Sari selaku koordinator putri, serta teman-teman

yang lain sebanyak 74 orang. Terimakasih atas warna-warni yang telah

kalian semua berikan selama 4,5 tahun ini. Mohon maaf apabila Saya

v
 banyak salah dan suka bercanda tanpa pikir panjang. Semoga kita

memperoleh kesuksesan di dunia dan akhirat.

10. Kelompok belajar (abal-abal), Alfian Pamungkas, Rully Hadinata, Faisal

Kamil Anwar, Dinandi Dwi Faza. Terimakasih atas wacana-wacana belajar

yang sering tidak terlaksana.

11. M.Iqbal Firdaus, M.Rizki Maulida, dan Anna Rahmawati. Terimakasih telah

mengingatkan penulis untuk menyelesaikan skripsi selama ini walaupun

tidak terdapat pengaruh yang signifikan dan penulis tetap saja menunda-

nunda penyelesaian skripsi hehe.

12. Komunitas N-Max JTR yang diketuai oleh Andi Saputra beserta para

pengikutnya Fuadi Hanif, Embar Sanubari, Rohiyat, Dinandi Dwi Faza, Arif

Rahman Hakim, M.Arief Bayuaji, SA Herdiana, Fiqri Revadiansyah, Faisal

Kamil Anwar, Jesopin Ferdinan, Resha Satia Gumilar, dan Fakhri Zulfikar.

Terimakasih atas pengalaman berkendara yang menyenangkan selama 2

semester terakhir.

13. BE Himasta Kabinet Bersatu 2014 yang terdiri dari Faizal BN (Ketua),

Ghufran Rahmat Putra (Wakil), serta jajaran RT1, RT2, dan RT3.

Departemen Kesejahteraan Sosial yang dikepalai oleh Teh Hany beserta

anggotanya, Teh Nurza, Teh Olvi, Teh Ajeng, Kak Sul, Rizky Pangaribuan,

Rizki Maulida, dan Risma Yanti. Terimakasih atas pengalaman

organisasinya selama satu tahun.

14. BE Himasta Kabinet Progresif 2015 yang terdiri dari Andi Saputra (Ketua),

M.Rizki Maulida (Wakil), serta jajaran RT1, RT2, dan RT3. Departemen

Minat Bakat yang dikepalai oleh Maria Ulpah beserta anggotanya, Adimas

vi
 Bani, I Girl, Muhamad Fathin, Ully Damayanti, dan Cendra Birda.

Terimakasih atas pengalaman organisasinya selama satu tahun.

15. Keluarga Statday 2014, Mosa Arya (Ketua), Ganang Jati (Wakil), para koor-

koor, Teh Rika, Teh Papau, Teh Arum, Teh Nurza, Umi, Teh Dita, Teh

Lula, Joshua, Jack, Diki, Nisprima, serta anggota-anggota lainnya.

Terimakasih atas pengalaman kepanitiaanya.

16. Keluarga Statday 2015, Iqbal, Anna, Trysni, Maya, Dira, Nisprima, Mega,

Teni, Wati a.k.a Watel, Oyan, Ery, Arif, Vania, serta anggota-anggota

lainnya. Terimakasih sudah mempercayakan Saya sebagai ketua Statday.

17. UKM Statis (Statistika Bulutangkis) Unpad. Para ketua, Rifki (2010),

Marcel (2012), Rohiyat (2013), Krisna (2014), beserta para anggotanya.

Terimakasih atas pengalaman bermain badmintonnya. Sorry kalo Saya

nggak jago.

18. Tim pemenangan Golden Himasta yang terdiri dari Aa lutfi, Aa Rikun, Aa

Ekky, Aa Khakim, Aa Andi, Aa Ateng, Aa Ijong, Aa Fiqry, Aa Moshi, Aa

Wildan, Aa Lukman, Aa Vetra, Aa Gema, Aa Ruhul. Terimakasih atas

“pengalaman” yang kurang berharga dan tidak berfaedah selama beberapa

waktu belakangan ini. Salah satu penyesalan terbesar selama perkuliahan

adalah telatnya bergabung dalam organisasi ini. Sorry a.

19. Angkatan 2010 Statistika Unpad, Kang Arna (Koor), Teh Fani (Koortir), dan

akang teteh yang lainnya. Terimakasih telah membimbing angkatan 2013.

20. Angkatan 2011 Statistika Unpad, Kang Wawan (Koor), Teh Ikey (Koortir),

dan akang teteh yang lainnya. Terimakasih telah membimbing angkatan

2013.

vii
21. Angkatan 2012 Statistika Unpad, Kang Uji (Koor), Teh Ajeng (Koortir), dan

akang teteh yang lainnya. Terimakasih telah membimbing angkatan 2013.

22. Angkatan 2014 Statistika Unpad, Rahman (Koor), Dewi (Koortir), dan

teman-teman 2014 yang lainnya. Terimakasih telah menjadi adik yang baik

bagi angkatan 2013.

23. Angkatan 2015 Statistika Unpad, Fajar (Koor), Lutha (Koortir), dan teman-

teman 2015 yang lainnya. Terimakasih telah menjadi adik yang baik bagi

angkatan 2013.

24. Angkatan 2016 Statistika Unpad, Refal (Koor), Anis (Koortir), dan teman-

teman 2016 yang lainnya. Terimakasih telah menjadi adik yang baik bagi

angkatan 2013.

25. Angkatan 2017 Statistika Unpad, Hanifan (Koor), Lise (Koortir), dan teman-

teman 2017 yang lainnya. Terimakasih telah menjadi adik yang baik bagi

angkatan 2013.

26. Seluruh pihak yang tidak dapat disebutkan satu persatu. Terimakasih atas

dukungan, doa, dan kebaikan yang telah diberikan kepada penulis.

Penulis menyadari masih terdapat banyak kekurangan dalam penyusunan

skripsi ini. Untuk itu, penulis sangat mengharapkan kritik dan saran yang

membangun dari berbagai pihak untuk perbaikan selanjutnya di masa mendatang.

Akhir kata, penulis berharap skripsi ini dapat memberikan manfaat bagi berbagai

pihak sebagaimana tujuan penulisannya.

Jatinangor, Februari 2018

Penulis

viii
 Bagus Dwi Saputra
140610130022
DAFTAR ISI

ABSTRAK...............................................................................................................i
ABSTRACT............................................................................................................ii
KATA PENGANTAR..........................................................................................iii
DAFTAR ISI.......................................................................................................viii
DAFTAR GAMBAR..............................................................................................x
DAFTAR TABEL.................................................................................................xi
DAFTAR LAMPIRAN........................................................................................xii
BAB 1 PENDAHULUAN......................................................................................1
1.1. Latar Belakang..........................................................................................1
1.2. Identifikasi Masalah..................................................................................4
1.3. Maksud dan Tujuan Penelitian..................................................................5
1.4. Manfaat Penelitian.....................................................................................5
1.5. Batasan Penelitian.....................................................................................5
BAB II TINJAUAN PUSTAKA............................................................................6
2.1. Pendahuluan..............................................................................................6
2.2. Metode ARIMA (Autoregressive Integrated Moving Average)................6
2.3. Metode ANN (Artificial Neural Network)................................................8
2.3.1. Arsitektur Jaringan.............................................................................8
2.3.2. Metode Pelatihan..............................................................................10
2.3.3. Fungsi Aktivasi................................................................................10
2.3.4. Backpropagation..............................................................................11
2.4. Metode Hybrid ARIMA-Neural Network................................................12
2.5. Penerapan Metode Hybrid ARIMA-Neural Network...............................14
BAB III PEMODELAN HYBRID ARIMA-NEURAL NETWORK UNTUK
MERAMALKAN KONSUMSI ENERGI LISTRIK........................................16
3.1. Pendahuluan............................................................................................16
3.2. Data Penelitian........................................................................................16
3.3. Pemodelan ARIMA (Autoregressive Integrated Moving Average)........16

ix
 3.3.1. Identifikasi Model............................................................................17
3.3.2. Estimasi Parameter...........................................................................19
3.3.3. Diagnostik Model.............................................................................19
3.3.4. Peramalan Berdasarkan Model Terbaik...........................................20
3.4. Pemodelan ANN (Artificial Neural Network) Backpropagation............21
3.4.1. Pembagian Data...............................................................................21
3.4.2. Pembentukan Jaringan Arsitektur....................................................21
3.4.3. Pemilihan Fungsi Aktivasi...............................................................23
3.4.4. Transformasi Data............................................................................23
3.4.5. Proses Pelatihan (Training) Dan Pengujian (Testing)......................24
3.4.6. Peramalan.........................................................................................26
3.5. Pemodelan Hybrid ARIMA-Neural Network...........................................27
BAB IV HASIL DAN PEMBAHASAN.............................................................28
4.1. Pendahuluan............................................................................................28
4.2. Pemodelan ARIMA (Autoregressive Integrated Moving Average)........28
4.2.1. Identifikasi Model............................................................................28
4.2.2. Estimasi Parameter...........................................................................32
4.2.3. Diagnostik Model.............................................................................32
4.2.4. Peramalan Berdasarkan Model Terbaik...........................................34
4.3. Pemodelan ANN (Artificial Neural Network).........................................36
4.3.1. Pembagian Data...............................................................................36
4.3.2. Pembentukan Arsitektur Jaringan....................................................36
4.3.3. Proses Pelatihan (Training) Dan Pengujian (Testing)......................37
4.3.4. Peramalan.........................................................................................40
4.4. Pemodelan Hybrid ARIMA-Neural Network...........................................40
BAB V KESIMPULAN DAN SARAN...............................................................43
5.1. Kesimpulan..............................................................................................43
5.2. Saran........................................................................................................43
DAFTAR PUSTAKA...........................................................................................44
LAMPIRAN .........................................................................................................45

x
 DAFTAR GAMBAR

Gambar 1.1. Grafik Konsumsi Energi Listrik Konsumen PT PLN (Persero) Area

Bandung Periode Januari 2011 – Desember

2016……………….....3

Gambar 2.1. Single Layer Network……………………………………………...9

Gambar 2.2. Multilayer

Network………………………………………………...9

Gambar 4.1. Plot Data Konsumsi Energi Listrik (Hasil Differencing, d=1)……

30

Gambar 4.2. Plot Data Konsumsi Energi Listrik (Hasil Differencing, D=6)……

30

Gambar 4.3. Plot ACF Data Yang Telah

Stasioner……………………………..31

Gambar 4.4. Plot PACF Data Yang Telah

Stasioner…………………………...31

Gambar 4.5. Grafik Hasil Ramalan Out-sample ARIMA………………………

41

Gambar 4.6. Grafik Hasil Ramalan Out-sample

Hybrid………………………..41

xi
 DAFTAR TABEL

Tabel 3.1. Pendekatan Nilai

Transformasi…………………………………...17

Tabel 3.2. Identifikasi Model ARIMA Berdasarkan ACF dan

PACF………..18

Tabel 4.1. Model Dugaan ARIMA…………………………………………..32

Tabel 4.2. Hasil Diagnostik

Model…………………………………………..33

Tabel 4.3. Kriteria Pengukuran Model………………………………………34

Tabel 4.4. Hasil Ramalan Konsumsi Energi

Listrik………………………….35

Tabel 4.5. Hasil Pelatihan dan Pengujian

Jaringan…………………………..39

Tabel 4.6. Hasil Ramalan Residual Model ARIMA…………………………

40

Tabel 4.7. Hasil Ramalan Akhir Konsumsi Energi

Listrik…………………...42

xii
 DAFTAR LAMPIRAN

Lampiran 1 Data Konsumsi Energi Listrik (kWh) Konsumen PT PLN (Persero)

Area Bandung Periode Januari 2011 – Desember

2016…………..45

Lampiran 2 Uji Linieritas Ramsey RESET menggunakan software R

3.4.1…..46

Lampiran 3 Hasil Perhitungan ARIMA menggunakan software R

3.4.1……...48

Lampiran 4 Hasil Uji Signifikansi Parameter

ARIMA………………………..56

Lampiran 5 Hasil Diagnostik Model ARIMA…………………………………

57

Lampiran 6 Data Residual Model ARIMA( 2,1,0)(1,1,0)6…………………….63

Lampiran 7 Data Transformasi Residual Model ARIMA( 2,1,0)(1,1,0)6……..64

Lampiran 8 Pembagian Data Pelatihan dan

Pengujian………………………...65

Lampiran 9 Syntax MATLAB Pengolahan Data

Residual…………………….66

Lampiran 10 Hasil Pelatihan Jaringan (6-10-1)………………………………...68

xiii
Lampiran 11 Hasil Pengujian Jaringan (6-10-1)

………………………………..72

Lampiran 12 Hasil Peramalan Jaringan (6-10-1)……………………………….73

xiv
 BAB 1

PENDAHULUAN

1.1. Latar Belakang

Tenaga listrik merupakan sumber energi yang sangat penting bagi kehidupan

manusia baik untuk kegiatan industri, kegiatan komersial maupun dalam

kehidupan sehari-hari rumah tangga. Energi listrik dibutuhkan untuk memenuhi

kebutuhan penerangan dan juga proses produksi yang melibatkan barang-barang

elektronik dan alat-alat atau mesin industri. Merupakan suatu kenyataan bahwa

kebutuhan akan energi, khususnya energi listrik di Indonesia, makin berkembang

menjadi bagian tak terpisahkan dari kebutuhan hidup masyarakat.

Sebagai satu-satunya perusahaan milik negara yang bertugas menyediakan

energi listrik, PT PLN (Persero) mengalami peningkatan konsumsi energi listrik

nasional sebesar 11,4% per tahun 2016 [CITATION Yun17 \l 1033 ]. Sejalan dengan

hal tersebut, PT PLN Area Bandung pun mengalami peningkatan konsumsi energi

listrik pada konsumennya yaitu sebesar 1,87% hingga akhir tahun 2016

dibandingkan dengan tahun sebelumnya (sumber : data penjualan aliran listrik PT

PLN (Persero) Area Bandung tahun 2016). Hal tersebut menandakan bahwa

konsumsi energi listrik akan terus meningkat sehingga perusahaan perlu

meningkatkan usaha dalam penyediaan energi listrik agar kebutuhan konsumen

dapat tetap terpenuhi.

Penyediaan energi listrik dilakukan atas dasar perkiraan konsumsi energi

listrik masyarakat. Berdasakan sumber data penjualan aliran listrik PT PLN

(Persero) Area Bandung tahun 2016, perkiraan mengenai konsumsi energi listrik

1
dan realisasi konsumsi energi listrik memiliki selisih yang cukup besar yaitu

0.87%

2
 3

hingga 9.83% selama enam tahun terakhir. Perkiraan mengenai konsumsi energi

listrik hampir selalu melebihi realisasi konsumsi energi listrik masyarakat.

Akibatnya, penyediaan energi listrik menjadi berlebih dan akan mengakibatkan

pemborosan. Hal tersebut tentu akan merugikan perusahaan apabila terus terjadi.

Perkiraan mengenai jumlah kebutuhan energi listrik merupakan salah satu

faktor penting bagi perusahaan dalam menentukan jumlah energi listrik yang akan

disediakan. Sejauh ini, metode yang diterapkan dalam memperkirakan konsumsi

energi listrik dikatakan belum efektif. Maka dari itu, dibutuhkan sebuah metode

statistika yang disebut dengan peramalan untuk memperkirakan jumlah konsumsi

energi listrik di masa mendatang agar jumlah energi listrik yang disediakan

dengan energi listrik yang dibutuhkan seimbang.

Berdasarkan grafik pada Gambar 1.1, terdapat kenaikan konsumsi energi

listrik selama kurun waktu enam tahun. Pola tren naik terlihat pada tahun 2011

hingga 2013, sedangkan tiga tahun selanjutnya cenderung stasioner. Selain

terdapat kenaikan, jumlah energi yang di konsumsi meningkat dan menurun pada

bulan-bulan tertentu dan fenomena tersebut berulang pada setiap tahun. Hal

tersebut menandakan konsumsi energi listrik juga mengandung pola musiman.

Selain pola tren dan musiman, perlu dilakukan eksplorasi terhadap linieritas

data. Dalam permasalahan nyata, sangat jarang terdapat kasus time series yang

murni linier atau nonlinier. Pola data lebih sering mengandung campuran

keduanya yaitu linier dan nonlinier [ CITATION Guo03 \l 1033 ] . Pola campuran pada

data dapat di identifikasi dengan melakukan partisi data sesuai dengan dugaan

awal pola [ CITATION Suf14 \l 1033 ] . Secara keseluruhan konsumsi energi listrik,

terlihat bahwa terdapat pola linier yang disebabkan oleh efek tren pada tahun 2011
 4

hingga 2013 (periode 1-36). Selain itu, terdapat pola nonlinier dikarenakan pola

yang cenderung menjadi stasioner pada tiga tahun terakhir. Perubahan fluktuasi

tersebut menyebabkan adanya kurva yang sedikit melengkung dimulai pada akhir

tahun 2012 hingga pertengahan tahun 2015 (periode 21-55). Oleh karena itu dapat

disimpulkan bahwa konsumsi energi listrik mengandung pola campuran linier dan

nonlinier. Berdasarkan hasil eksplorasi, diperlukan sebuah metode peramalan

yang dapat mengatasi keseluruhan pola yang terkandung dalam data.

Konsumsi Listrik (kWh)

380000000
360000000
340000000
320000000
300000000
280000000
260000000
240000000
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69

Gambar 1.1 Grafik Konsumsi energi listrik Konsumen PT PLN (Persero) Area Bandung Periode

Januari 2011 – Desember 2016 (sumber data : PT PLN (Persero) Area Bandung)

Memilih suatu metode peramalan tentu bukanlah permasalahan yang

sederhana. Pemilihan suatu metode peramalan akan didasarkan pada pola atau

struktur sebuah data karena pada dasarnya setiap metode memiliki asumsi-asumsi

tertentu terkait dengan data agar dapat diterapkan. Pemilihan metode yang tepat

akan menghasilkan nilai ramalan yang akurat dengan kesalahan yang minimum.

Bagaimanapun juga, sebuah metode yang sudah terbukti baik dalam

peramalan di masa sekarang belum tentu menjadi metode terbaik di masa

mendatang karena terdapat kemungkinan perubahan pola maupun struktur data.

Selain itu, hasil eksplorasi serta uji linieritas (Lampiran 2) membuktikan adanya
 5

pola campuran linier dan nonlinier pada data konsumsi energi listrik. Menurut

[ CITATION Guo03 \l 1033 ] tidak ada suatu metode tunggal yang dapat menangani

berbagai macam pola data sekaligus. Kedua permasalahan tersebut menyebabkan

tidak ada sebuah metode tunggal yang dapat menjamin akurasi ramalan yang baik

untuk setiap saat dan dalam kondisi apapun. Untuk itu dibutuhkan sebuah metode

alternatif yang dapat menangani permasalahan yang terjadi.

Dalam perkembangannya, telah dikembangkan metode hybrid yaitu sebuah

metode yang terdiri dari gabungan dua metode tunggal. Alasan dasar dalam

melakukan kombinasi dua metode adalah untuk menggunakan masing-masing

kelebihan metode agar dapat menangkap berbagai macam pola yang terkandung

dalam data. Selain itu, melakukan kombinasi metode dapat menjadi cara yang

efektif dalam upaya meningkatkan akurasi peramalan [ CITATION Guo03 \l 1033 ].

Berdasarkan hasil eksplorasi data dan permasalahan yang telah dipaparkan,

peneliti ingin menerapakan metode hybrid dengan menggabungkan dua metode

tunggal untuk meramalkan besarnya konsumsi energi listrik Area Bandung.

1.2. Identifikasi Masalah

Permasalahan yang dihadapi dalam kasus peramalan adalah menentukan

metode peramalan yang tepat berdasarkan fenomena yang terjadi. Pada penelitian

ini, metode tunggal dinilai tidak dapat memberikan performa yang memuaskan

untuk setiap saat dan dalam kondisi apapun. Pola dan struktur data yang akan

terus berubah di masa mendatang serta pola data yang semakin kompleks dimana

terdapat pola linier dan nonlinier yang bercampur membuat metode tunggal

bukanlah sebuah solusi yang tepat untuk menghasilkan nilai ramalan yang akurat.
 6

1.3. Maksud dan Tujuan Penelitian

Maksud dari penelitian ini adalah mengaplikasikan metode peramalan

dengan melakukan kombinasi antara metode ARIMA dan ANN atau disebut

hybrid ARIMA-neural network untuk meramalkan besarnya konsumsi energi

listrik konsumen PT PLN (Persero) Area Bandung.

Tujuan dari penelitian ini adalah :

1. Meningkatkan akurasi ramalan metode tunggal dengan melakukan

kombinasi dua metode sekaligus.

2. Memperoleh hasil ramalan besarnya konsumsi energi listrik konsumen

sebagai informasi tambahan perusahaan dalam menentukan besarnya

energi listrik yang akan disediakan di masa mendatang.

1.4. Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat sebagai berikut :

1. Memberikan pengetahuan tentang kombinasi dari dua metode yang

disebut dengan metode hybrid serta aplikasinya dalam kasus nyata.

2. Memberikan informasi kepada PT PLN (Persero) Area Bandung

mengenai metode peramalan yang cocok untuk digunakan serta hasil

ramalan besar konsumsi energi listrik sebagai salah satu pertimbangan

dalam menentukan kebijakan di masa mendatang.

1.5. Batasan Penelitian

Penelitian ini dilakukan dengan batasan data konsumsi energi listrik

konsumen PT PLN (Persero) Area Bandung dengan daya dibawah 220 kVA.
 BAB II

TINJAUAN PUSTAKA

2.1. Pendahuluan

Pada penelitian ini akan dilakukan kombinasi dari dua metode tunggal.

Adapun dua metode tunggal yang akan dikombinasikan adalah metode ARIMA

(Autoregressive Integrated Moving Average) dan metode ANN (Artificial Neural

Network) dengan menggunakan algoritma backpropagation. Metode ARIMA

merupakan salah satu metode peramalan klasik yang sangat sering digunakan.

Metode ini cocok untuk data yang mengandung pola trend dan musiman. ARIMA

sangat baik dalam meramalkan kasus time series yang linier namun kurang baik

dalam meramalkan pola nonlinier. Disisi lain, metode ANN mampu menangani

pola nonlinier serta tidak terikat oleh asumsi pola data. Selanjutnya pada bab ini

akan dijelaskan teori dari masing-masing metode tunggal serta kombinasi

keduanya yaitu hybrid ARIMA-neural network.

2.2. Metode ARIMA (Autoregressive Integrated Moving Average)

Model-model Autoregressive Integrated Moving Average (ARIMA) telah

dipelajari secara mendalam oleh George Box dan Gwilym Jenkins pada tahun

1976. Model ARIMA terdiri dari model Autoregresif (AR) yang diperkenalkan

oleh Yule pada tahun 1926, kemudian model Moving Average (MA) pertama

digunakan oleh Slutzky pada tahun 1937. Pada akhirnya, dihasilkan dasar-dasar

teoritis dari proses kombinasi ARMA dan perluasan tersebut kemudian mencakup

7
proses-proses non-stasioner (ARIMA) dan mencakup deret berkala musiman

(SARIMA).

8
 9

Dasar dari pendekatan ARIMA terdiri dari empat tahapan yang kemudian

dikenal dengan prosedur Box-Jenkins. Tahapan tersebut diantaranya adalah

identifikasi model, estimasi parameter, diagnostik model (diagnostic checking),

serta penerapan model untuk peramalan. Model ARIMA hanya dapat digunakan

untuk data yang stasioner baik dari segi rata-rata maupun varians. Oleh karena itu,

dalam ARIMA terdapat proses differencing untuk melakukan proses stasioneritas.

Secara umum model ARIMA non-musiman dapat dituliskan sebagai berikut

[ CITATION Wil06 \l 1033 ]:

ϕ p ( B ) (1−B )d Z t =θo +θ q (B)at (2.1)

dan untuk model ARIMA musiman sebagai berikut:

ϕ p (B) ɸ p B S (1−B )d ¿ (2.2)

dengan,

p,d,q : orde AR, Differencing non-musiman, dan MA

P,D,Q : orde AR musiman, Differencing musiman, dan MA musiman

(1−B)d : operator Differencing non-musiman.

¿¿ : operator Differencing musiman.

Zt : nilai pengamatan pada waktu ke-t (t=1,2,…,n)

θo : konstanta

ϕ p (B) : operator autoregressive = (1−ϕ1 B−…−ϕ p B p )

θq ( B) : operator moving average = (1−θ 1 B−…−θ p B p )

ɸ p ( B S) : operator autoregressive musiman = (1−ɸ1 BS −…−ɸ p B PS)

ΘQ ( B¿¿ S)¿ : operator moving average musiman = ( 1−Θ1 BS −…−ΘQ BQS )

at : residual ke-t.
 10

2.3. Metode ANN (Artificial Neural Network)

Artificial neural network atau jaringan syaraf tiruan merupakan sistem

pemrosesan informasi yang memiliki kesamaan cara kerja dengan jaringan syaraf

biologis [ CITATION Lau94 \l 1033 ]. Jaringan syaraf tiruan ditemukan oleh Warren

McCulloch dan Walter Pits pada tahun 1943 dan telah dikembangkan sebagai

bentuk generalisasi dari pemodelan matematika. Karakteristik sebuah jaringan

didasarkan pada bentuk hubungan antar neuron (arsitektur jaringan), metode

untuk menentukan bobot pada koneksi (pelatihan dan algoritma), serta fungsi

aktivasi.

Sebuah jaringan syaraf terdiri dari sejumlah besar elemen pemrosesan yang

disebut dengan neuron atau unit yang saling terhubung satu sama lain melalui

sebuah koneksi dengan asosiasi bobot. Bobot tersebut kemudian

merepresentasikan informasi yang digunakan oleh jaringan untuk memecahkan

sebuah masalah. Setiap unit memiliki kondisi internal yang disebut aktivasi atau

tingkat aktivitas dimana sebuah fungsi input diterima. Secara sederhana, sebuah

unit mengirim aktivasi sebagai sinyal pada unit lainnya.

2.3.1. Arsitektur Jaringan

Arsitektur jaringan merupakan susunan beberapa unit didalam lapisan

serta pola hubungan antar lapisan. Terdapat tiga jenis lapisan didalam sebuah

jaringan. Lapisan input merupakan lapisan yang menerima sinyal input dari luar,

lapisan output merupakan lapisan yang mengeluarkan sinyal keluar, sedangkan

lapisan tersembunyi merupakan lapisan yang terletak diantara lapisan input dan
 11

output. Jaringan feedforward merupakan jaringan yang akan digunakan dimana

terdiri dari dua jenis arsitektur [ CITATION Lau94 \l 1033 ]:

1. Single Layer Network

Single layer atau lapisan tunggal hanya memiliki satu lapisan bobot

penghubung antara unit input dan unit output. Jaringan ini hanya

menerima sinyal input kemudian secara langsung akan diolah menjadi

output.

Gambar 2.1 Single Layer Network

2. Multilayer Network

Jaringan ini terdiri dari satu atau lebih lapisan tersembunyi (dengan

beberapa unit tersembunyi) antara unit input dan unit output. Multilayer

network dapat memecahkan permasalahan yang lebih kompleks

dibandingkan dengan lapisan tunggal. Namun, membutuhkan proses

pelatihan yang lebih sulit.

 12

Gambar 2.2 Multilayer Network

2.3.2. Metode Pelatihan

Terdapat metode untuk melakukan inisialisasi bobot yang disebut dengan

pelatihan. Cara berlangsungnya pelatihan jaringan syaraf tiruan secara umum

dikelompokkan menjadi dua:

1. Pelatihan terawasi (Supervised training)

Metode pelatihan akan disebut terawasi apabila output yang

diharapkan telah diketahui sebelumnya. Pada proses pelatihan, satu

pola input akan diberikan ke satu neuron pada lapisan input. Pola ini

akan dirambatkan hingga sampai ke neuron pada lapisan output.

Lapisan output akan membangkitkan pola output yang nantinya akan

dicocokkan dengan pola output target. Apabila terjadi perbedaan antara

pola output hasil pelatihan dengan pola target maka akan muncul

error. Pelatihan akan dilakukan lebih lama lagi apabila nilai error

masih cukup besar.

2. Pelatihan tak terawasi (Unsupervised training)

Pada metode ini tidak dapat ditentukan hasil seperti apakah yang

diharapkan selama proses pelatihan. Selama proses pelatihan, nilai

 13

bobot disusun dalam suatu range tertentu tergantung pada nilai input

yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan

unit-unit yang hampir sama dalam suatu area tertentu.

2.3.3. Fungsi Aktivasi

Fungsi aktivasi merupakan sebuah operasi dasar yang digunakan dalam

sebuah jaringan. Fungsi aktivasi akan menentukan output suatu unit (mengubah

sinyal input menjadi sinyal output) yang akan dikirim ke unit lainnya. Seluruh

unit yang berada pada satu lapisan yang sama akan menggunakan fungsi aktivasi

yang sama pula. Tidak ada aturan khusus dalam memilih fungsi aktivasi yang

akan digunakan. Pemilihan fungsi aktivasi akan didasarkan pada permasalahan

yang dihadapi serta metode atau algoritma pelatihan yang digunakan dalam

melatih sebuah jaringan. Beberapa fungsi aktivasi yang umumnya digunakan

dalam ANN adalah fungsi identitas dan fungsi sigmoid.

2.3.4. Backpropagation

Metode pelatihan backpropagation atau disebut dengan generalized delta

rule adalah sebuah metode pelatihan terawasi untuk meminimumkan error pada

output dalam sebuah jaringan. Metode pelatihan backpropagation dapat diartikan

sebagai jaringan yang menggunakan arsitektur multilayer dan jaringan

feedforward yang dilatih menggunakan algoritma backpropagation. Seperti kasus

neural network pada umumnya, metode pelatihan backpropagation bertujuan

untuk melatih jaringan dalam menghasilkan keseimbangan antara kemampuan

dalam memorisasi dan generalisasi.

 14

Menurut [ CITATION Lau94 \l 1033 ], terdapat tiga tahapan utama dari

algoritma backpropagation yaitu tahap feedforward pada pola pelatihan input,

tahap perhitungan dan backpropagation dari nilai error, dan yang terakhir adalah

tahap penyesuaian bobot. Setelah pelatihan telah selesai dilakukan dan didapat

jaringan optimum, pengujian jaringan akan dilakukan hanya menggunakan

komputasi pada tahap feedforward seperti sebelumnya.

Secara singkat, pelatihan akan melakukan tahap maju seperti biasa hingga

didapat nilai error. Apabila nilai error belum sesuai dengan target awal, maka

akan dilakukan tahapan mundur dari lapisan output ke lapisan-lapisan

sebelumnya. Setelah itu barulah akan dilakukan penyesuaian nilai bobot dan

dilakukan tahap seperti awal kembali hingga didapat nilai error yang sesuai

dengan target.

2.4. Metode Hybrid ARIMA-Neural Network

Metode ARIMA dinilai sangat cocok untuk menangani pola tren dan

musiman. Selain itu, banyak penelitian menilai ARIMA sangat akurat dalam

meramalkan time series yang linier. Disisi lain, metode ANN merupakan salah

satu metode yang didasarkan pada kecerdasan buatan yang terbukti akurat dalam

meramalkan time series dengan pola nonlinier. Kedua metode tersebut sangat

cocok jika diterapkan secara tunggal untuk meramalkan konsumsi energi listrik,

namun hal tersebut bukan sebuah langkah terbaik untuk mendapatkan ramalan

yang akurat.

Dalam peramalan deret waktu, telah dikembangkan metode gabungan dari

dua metode tunggal yang disebut dengan metode hybrid. Pengembangan metode
 15

hybrid dilakukan dengan beberapa alasan sebagai berikut [ CITATION Guo03 \l

1033 ]:

1. Meningkatkan efisiensi dalam tahapan analisis peramalan deret waktu.

Sulitnya menentukan apakah deret waktu mengandung pola linier

ataupun nonlinier membuat peneliti menggunakan lebih dari satu metode

saja untuk dilakukan perbandingan. Dengan melakukan kombinasi

hybrid, permasalahan seleksi model dapat diminimalisir.

2. Sangat jarang terdapat kasus time series yang murni linier ataupun

nonlinier. Pola data lebih sering mengandung campuran keduanya. Jika

kasus seperti ini yang dihadapi, maka metode tunggal dinilai kurang

efektif karena tidak dapat menangkap pola campuran.

3. Tidak ada suatu metode tunggal yang terbaik dalam setiap situasi. Hal

ini dikarenakan permasalahan yang kompleks dalam kasus nyata

sehingga sebuah metode tunggal tidak dapat menangkap berbagai

macam pola yang terkandung dalam data dengan baik.

Dalam pemodelan hybrid, deret waktu yang tersusun terdiri dari struktur

autokorelasi linier dan nonlinier, sehingga dapat direpresentasikan dalam bentuk:

y t =Lt + N t (2.3)

Lt merupakan komponen linier dan N t merupakan komponen nonlinier. Terdapat

dua komponen yang harus diestimasi dari data. Pertama, ARIMA digunakan

untuk memodelkan komponen linier. Selanjutnya, residual dari model linier akan

mengandung komponen nonlinier. Residual dari model linier dapat dituliskan:

e t = y t− L^ t (2.4)
 16

^Lt merupakan nilai ramalan ARIMA pada waktu t. Sebuah model linier tidak akan

terpenuhi apabila masih terdapat struktur korelasi linier pada residual.

Bagaimanapun, analisis residual tidak mampu mendeteksi pola nonlinier pada

data. Berdasarkan fakta, tidak ada diagnostik statistik untuk kasus hubungan

autokorelasi nonlinier. Dengan memodelkan residual menggunakan ANN,

hubungan nonlinier dapat ditemukan. Kemudian, pemodelan residual

menggunakan ANN dengan unit input sebanyak n dapat dituliskan sebagai

berikut:

e t =f ( e t−1 , et −2 , … , e t−n ) + ε t (2.5)

f merupakan fungsi nonlinier yang dijelaskan oleh ANN dan ε t adalah error yang

acak. Persamaan diatas ditulis sebagai ^

N t . Sehingga, peramalan hybrid merupakan

kombinasi dari dua komponen yang kemudian ditulis sebagai berikut:

^y t = ^Lt + ^
Nt (2.6)

Sebagai kesimpulan, baik metode ARIMA maupun ANN telah terbukti baik

dalam meramalkan pola linier dan nonlinier [ CITATION Guo03 \l 1033 ] .

Bagaimanapun juga, tidak ada satupun metode tersebut yang baik jika digunakan

dalam segala kondisi. Pemodelan ARIMA untuk menyelesaikan kasus nonlinier

tidak cukup memuaskan. Disisi lain, pemodelan ANN juga kurang baik jika

digunakan terhadap berbagai macam karakteristik data. Perubahan akan struktur

data di masa mendatang serta terdapat berbagai macam pola dalam data membuat

metode hybrid menjadi strategi yang baik karena pada dasarnya tujuan utama dari

melakukan kombinasi metode adalah untuk menggunakan kelebihan dari masing-

masing metode. Melakukan kombinasi metode dapat menjadi cara yang lebih

efektif dalam meningkatkan akurasi peramalan.

 17

Banyak penelitian menyimpulkan bahwa dengan melakukan kombinasi

beberapa metode yang berbeda, akurasi dalam peramalan akan meningkat

melebihi pemodelan metode secara tunggal dimana tidak lagi diperlukan untuk

mencari metode manakah yang tepat dan terbaik. Selain itu, model hybrid juga

bersifat lebih robust jika dibandingkan dengan model tunggal [ CITATION Guo03 \l

1033 ].

2.5. Penerapan Metode Hybrid ARIMA-Neural Network

Berikut merupakan beberapa penelitian yang telah dilakukan dengan

menggunakan metode hybrid ARIMA-neural network.

Zhang pada tahun 2003 melakukan kombinasi model ARIMA dan ANN

backpropagation yang disebut dengan hybrid ARIMA-neural network untuk

meramalkan Wolf’s Sunspot, Canadian Lynx, dan kurs Poundsterling terhadap

dollar US. Ketiga variabel tersebut memiliki pola campuran linier dan nonlinier

sehingga digunakan metode hybrid. Didapat hasil bahwa metode hybrid

menghasilkan tingkat akurasi yang paling tinggi dilihat dari nilai MSE jika

dibandingkan dengan kedua metode tunggal dalam meramalkan ketiga variabel.

Wang dan Meng meramalkan energy consumption dengan menggunakan

metode kombinasi ARIMA dan ANN backpropagation. Dengan menerapkan

metode yang dikembangkan oleh Zhang, Wang dan Meng juga menggunakan

metode ini dikarenakan terdapat pola campuran pada data. Menurutnya,

melakukan kombinasi model yang berbeda dapat meningkatkan performasi dari

proses peramalan dan tingkat akurasi jika dibandingkan dengan model tunggal

yang menyusunnya. Penelitian ini menghasilkan metode kombinasi sebagai

 18

metode yang unggul dengan MAPE sebesar 0.311% dibandingkan dengan model

tunggal ARIMA (MAPE sebesar 3.536%) dan model tunggal ANN (MAPE

sebesar 3.980%).

Sufia, Winita, dan Santoso meramalkan harga gabah Indonesia dengan

menerapkan model hybrid ARIMA backpropagation. Sama halnya dengan

penelitian lain yang menggunakan metode serupa, pemodelan hybrid dilakukan

atas dasar pola data yang mengandung pola linier dan nonlinier. Dalam penelitian

ini, kesimpulan terhadap pola campuran didapatkan dari uji linieritas data yang

dilakukan secara parsial dimana data di partisi menjadi beberapa bagian sesuai

dengan dugaan pola yang terkandung. Ketika hasil pengujian mendeteksi adanya

pola linier dan nonlinier, maka disimpulkan bahwa data tersebut mengandung

pola campuran.
 BAB III

PEMODELAN HYBRID ARIMA-NEURAL NETWORK

UNTUK MERAMALKAN KONSUMSI ENERGI LISTRIK

3.1. Pendahuluan

Pada bagian sebelumnya telah dibahas mengenai beberapa teori pendukung

penelitian mengenai pemodelan tunggal menggunakan metode ARIMA dan

metode ANN dengan algoritma backpropagation serta kombinasi dari keduanya

yaitu hybrid ARIMA-neural network. Selanjutnya, bagian ini akan menjelaskan

mengenai tahapan-tahapan dari pemodelan dan proses peramalan menggunakan

hybrid ARIMA-neural network.

3.2. Data Penelitian

Data yang digunakan pada penelitian ini adalah data sekunder yang didapat

dari Divisi Transaksi Energi PT PLN (Persero) Area Bandung. Variabel yang

digunakan pada penelitian adalah besarnya konsumsi energi listrik konsumen PT

PLN (Persero) Area Bandung per bulan mulai dari Januari 2011 sampai Desember

2016. Total pengamatan sebanyak 72 dalam satuan kilowatt hours (kWh).

3.3. Pemodelan ARIMA (Autoregressive Integrated Moving Average)

Pembentukan model pada metode ARIMA mengikuti prosedur Box-Jenkins

yang terdiri atas empat tahapan yaitu identifikasi model, estimasi parameter,

diagnostik model, dan peramalan. Residual dari model ARIMA yang terpilih akan

digunakan untuk input pemodelan ANN sebagai tahapan dari pemodelan hybrid.

19
 20

3.3.1. Identifikasi Model

Dalam peramalan deret waktu, salah satu langkah yang dianggap krusial

adalah melakukan identifikasi model dan membangun model dari data yang

tersedia. Menurut [ CITATION Wil06 \l 1033 ], langkah penting dalam melakukan

identifikasi model diantaranya adalah, melakukan plot data, melakukan

transformasi, dan yang terakhir adalah menentukan orde model ARIMA setelah

data sudah terbukti stasioner dalam varians dan rata-rata.

Dalam analisis deret waktu, langkah pertama yang harus dilakukan adalah

plot data agar dapat diketahui apakah suatu deret waktu mengandung tren,

musiman, serta melihat stasioneritas data. Setelah dilakukan plot data, akan

diselidiki apakah data yang digunakan sudah stasioner baik dalam varians maupun

rata-rata dengan menggunakan pendekatan yang lebih formal. Pemeriksaan

stasioneritas dalam varians dilakukan melalui transformasi Box Cox. Apabila

diperoleh round value ≠ 1 maka data dinyatakan tidak stasioner dalam varians dan

perlu dilakukan transformasi. Transformasi dilakukan dengan mengikuti

pendekatan sebagai berikut.

Tabel 3.1 Pendekatan Nilai Transformasi

Values of λ
Transformation
(lambda)
1
-1
Zt
1
-0.5
√ Zt
0 ln Z t
0.5 √ Zt
Zt (no
1
transformation)
Sumber : Wei, 2006
 21

Selanjutnya perlu dipastikan pula bahwa data stasioner terhadap rata-rata.

Hal ini dilakukan dengan melihat plot ACF dan PACF dimana data dikatakan

tidak stasioner dalam rata-rata apabila plot ACF memiliki pola yang turun secara

lambat dan plot PACF terputus setelah lag pertama [ CITATION Wil06 \l 1033 ].

Selain itu, terdapat pengujian statistik untuk melihat stasioneritas dalam rata-rata

yaitu Augmented Dickey-Fuller (ADF) dengan hipotesis:

H 0 :δ =0 (data time series tidak stasioner).

H 1 : δ <0 (data time series stasioner).

δ^
Statistik uji: t δ= (3.1)
^
se ( δ)

Kriteria uji: Tolak H 0 apabila¿ t δ ∨≥∨t (α , n)∨¿, terima dalam hal lainnya.

Jika ternyata data tidak stasioner dalam rata-rata maka perlu dilakukan

differencing (d) hingga diperoleh stasioneritas. Jika data mengandung pola

musiman maka diperlukan differencing (D) untuk menghilangkan pola musiman.

Setelah asumsi stasioneritas dalam varians dan rata-rata terpenuhi, maka

langkah selanjutnya adalah membuat plot ACF dan PACF dari data yang telah

stasioner untuk menentukan orde model ARIMA yang akan digunakan sebagai

model peramalan dengan petunjuk umum sebagai berikut.

Tabel 3.2 Identifikasi Model ARIMA Berdasarkan ACF dan PACF

Proses ACF PACF

AR(p) Tails off as exponential wave Cuts off after lag p
MA(q) Cuts off after lag q Tails off as exponential wave
ARMA(p,q) Tails off after lag (q-p) Tails off after lag (p-q)
Sumber : Wei, 2006

3.3.2. Estimasi Parameter

 22

Setelah diperoleh model dugaan awal, langkah selanjutnya adalah

mengestimasi parameter pada model tersebut. Metode estimasi yang digunakan

adalah metode kemungkinan maksimum (Maximum Likelihood). Setelah nilai

estimasi diperoleh maka dilakukan pengujian signifikansi terhadap parameter

model tersebut dengan hipotesis sebagai berikut:

H 0 :θ=0 (parameter tidak signifikan).

H 1 :θ ≠ 0 (parameter signifikan).

θ^
Statistik uji: t= (3.2)
^
se ( θ)

Kriteria uji: Tolak H 0 apabila t α : df =n− p ≤|t|≤−t α :df =n− p, terima dalam hal lain.
2 2

3.3.3. Diagnostik Model

Setelah dilakukan estimasti parameter model serta pengujian hipotesis

terhadap signifikansi parameter, maka langkah selanjutnya yaitu memastikan

bahwa model yang terpilih telah memenuhi asumsi. Asumsi yang harus terpenuhi

adalah residual bersifat white noise dimana residual tidak berautokorelasi dan

berdistribusi normal. Pengujian statistiknya adalah sebagai berkut:

1. Uji Non-Autokorelasi

Pengujian asumsi non-autokorelasi dilakukan dengan Q-Ljung-Box test

dengan hipotesis sebagai berikut:

H 0 : ρ1=ρ2=…=ρ k =0 (residual tidak berautokorelasi).

H 1 : minimal ada 1 ρk ≠ 0 (residual berautokorelasi).

ρ^ 2kK
Statistik uji: Q=n(n+2) ∑ (3.3)
k−1 n−k
 23

Kriteria uji: Tolak H 0 jika Q> χ 21−α : df =K , terima dalam hal lainnya.

2. Uji Normalitas

Untuk menguji normalitas dari residual model dilakukan dengan Kolmogorov

Smirnov test dengan hipotesis sebagai berikut:

H 0 :F ( at )=F 0 (a t ) (residual berdistribusi normal)

H 1 : F ( at ) ≠ F 0 (at ) (residual tidak berdistribusi normal)

Statistik uji D=max ⁡∨F o ( a t )−S n (at )∨¿ (3.4)

Kriteria uji, tolak H0 apabila D> D α ,n , terima dalam hal lainnya.

2

3.3.4. Peramalan Berdasarkan Model Terbaik

Dalam melakukan pemodelan ARIMA, sering ditemukan bahwa terdapat

lebih dari satu model yang memenuhi uji signifikansi parameter dan memenuhi

asumsi diagnostik. Jika terdapat beberapa model yang memenuhi asumsi, maka

pemilihan model akan didasarkan pada forecast error. Model yang terbaik

merupakan model yang menghasilkan nilai kriteria pengukuran terkecil. Adapun

kriteria yang akan digunakan adalah MSE (Mean Square Error) dan MAPE

(Mean Absolute Percentage Error). Rumus dari kriteria tersebut adalah sebagai

berikut:
n
1
MSE= ∑ (Z i− Z^ i)2 (3.5)
n i=1

n
Z − Z^ i
1
MAPE= ∑ i
n i=1 Z i | |Χ 100 % (3.6)

dengan,

Zi : Nilai aktual
 24

^Zi : Nilai ramalan

n : Jumlah pengamatan

3.4. Pemodelan ANN (Artificial Neural Network) Backpropagation

Pemodelan akan menggunakan jaringan feedforward dengan algoritma

backpropagation sebagai metode pelatihan pada jaringan yang akan dibentuk.

Pada proses pembangunan jaringan, prosedur yang akan dilakukan meliputi

pembentukan jaringan arsitektur, pemilihan fungsi aktivasi, transformasi data,

pelatihan dan pengujian, dan pengukuran hasil kinerja jaringan [ CITATION

Mao02 \l 1033 ]. Pemodelan ANN dalam penelitian ini akan menggunakan residual

dari model ARIMA terpilih sebagai data input.

3.4.1. Pembagian Data

Sebelum dilakukan berbagai prosedur dalam membentuk sebuah jaringan,

perlu dilakukan pembagian data menjadi dua bagian yaitu pelatihan (training) dan

pengujian (testing). Hal ini bertujuan untuk mendapatkan data yang cukup untuk

proses pelatihan dan pengujian sehingga didapatkan hasil yang optimal.

Komposisi yang sering digunakan adalah:

a. 80% untuk data pelatihan dan 20% untuk data pengujian

b. 70% untuk data pelatihan dan 30% untuk data pengujian

c. 60% untuk data pelatihan dan 40% untuk data pengujian

d. 50% untuk data pelatihan dan 50% untuk data pengujian

3.4.2. Pembentukan Jaringan Arsitektur

 25

Dalam penelitian ini, digunakan arsitektur multilayer yang memiliki satu

lapisan input, satu atau lebih lapisan tersembunyi, dan satu lapisan output.

Beberapa langkah yang diperlukan dalam membentuk sebuah arsitektur adalah

menentukan jumlah lapisan tersembunyi serta jumlah neuron pada setiap lapisan.

Pertama, penentuan jumlah neuron pada lapisan input dapat ditentukan

dengan melihat plot PACF dari data yang akan digunakan sebagai input. Pada

umumnya, tidak ada aturan yang sistematis dalam menentukan jumlah unit input.

Namun, jumlah unit input yang terlalu sedikit atau terlalu banyak dapat

mempengaruhi kemampuan jaringan dalam menjalankan proses pelatihan dan

pengujian [ CITATION Mao02 \l 1033 ].

Selanjutnya, jaringan multilayer dapat menggunakan satu atau lebih

lapisan tersembunyi. Dalam kasus peramalan deret waktu, penggunaan satu

lapisan tersembunyi sudah cukup untuk menangani kasus yang kompleks dengan

tingkat akurasi yang baik (Hornik et al., 1989) dalam [ CITATION Mao02 \l 1033 ].

Selain itu, penggunaan lebih dari satu lapisan tersembunyi akan memperlambat

proses pelatihan.

Dalam lapisan tersembunyi, salah satu metode untuk menentukan jumlah

neuron tersembunyi adalah dengan cara trial-and-error hingga didapat sebuah

jaringan yang optimum. Menurut [ CITATION For14 \l 1033 ], terdapat dua jenis

mekanisme dalam metode trial-and-error yaitu, forward approach dimana jumlah

neuron tersembunyi dimulai dari jumlah yang kecil hingga jumlah yang besar.

Sebaliknya, backward approach dimulai dari jumlah neuron yang besar dan terus

berkurang. Jumlah neuron yang terlalu banyak dapat menyebabkan permasalahan

overfitting yaitu kondisi dimana data akan menghasilkan output yang baik pada
 26

proses pelatihan saja namun tidak pada pengujian. Selain itu, jumlah neuron yang

terlalu sedikit juga dapat mengurangi kemampuan sebuah jaringan dalam

melakukan pelatihan dan pengujian.

3.4.3. Pemilihan Fungsi Aktivasi

Fungsi aktivasi yang digunakan untuk algoritma backpropagation harus

bersifat differentiable [ CITATION Lau94 \l 1033 ]. Penelitian ini akan menggunakan

fungsi sigmoid bipolar dan fungsi linier atau identitas. Berikut merupakan

perumusannya:

1. Fungsi sigmoid bipolar

Fungsi ini memiliki rentang nilai antara -1 sampai 1. Berikut

perumusannya:

2
f ( x )= −1 (3.7)
1+exp ⁡(−x)

Dengan,

1
f ' ( x )= [ 1+f ( x ) ] [1−f ( x ) ] (3.8)
2

2. Fungsi linier

Fungsi linier atau identitas memiliki nilai output yang sama dengan

nilai inputnya. Berikut perumusannya:

f ( x )=x (3.9)

3.4.4. Transformasi Data

Proses transformasi perlu dilakukan agar data dapat masuk ke dalam

selang fungsi aktivasi yang digunakan. Persamaan yang digunakan adalah:

 27

( X i−X min)
[
X 'i =
X max −X min ] ( a−b )+ b (3.10)

dengan,

Xi : pengamatan ke-i

X min : pengamatan bernilai minimum

X max : pengamatan bernilai maksimum

a : nilai tertinggi interval = 1

b : nilai terendah interval = -1

3.4.5. Proses Pelatihan (Training) Dan Pengujian (Testing)

Jaringan yang optimum merupakan sebuah jaringan yang menghasilkan

error minimal. Selain jumlah neuron, besarnya bobot pada proses perhitungan

dapat mempengaruhi nilai error. Dalam membentuk jaringan syaraf yang

optimum, perlu dilakukan proses pengujian dan pelatihan. Proses pelatihan

dilakukan terhadap data pelatihan dengan beberapa model jaringan yang memiliki

unit tersembunyi yang berbeda. Tujuan dari proses pelatihan adalah mencari nilai

bobot yang optimum untuk memperoleh error yang minimum. Kemudian, dari

berbagai model yang dilatih, model terbaik merupakan model dengan nilai MSE

terkecil.

Proses pelatihan jaringan dilakukan dengan menggunakan algoritma

backpropagation yaitu sebagai berikut [ CITATION Lau94 \l 1033 ]:

Langkah 0. Inisialisasi bobot dengan nilai random sekecil mungkin.

Langkah 1. Selama kondisi stop belum dilalui maka lakukan langkah 2-9.

Langkah 2. Untuk setiap pasangan data pelatihan, lakukan langkah 3-8.

 28

Tahap feedforward

Langkah 3. Setiap unit input ( X i , i=1 , … , n) menerima sinyal input x i dan

meneruskan ke semua unit pada lapisan selanjutnya (lapisan tersembunyi).

Langkah 4. Setiap unit tersembunyi ( Z j , j=1 , … , p) menjumlahkan sinyal input

terbobot dengan perhitungan,

n
z ¿ j=v0 j +∑ x i v ij (3.11)
i=1

Gunakan fungsi aktivasi untuk menghitung sinyal output,

z j =f (z ¿ ¿ ¿ j)¿ (3.12)

Sinyal akan dikirimkan ke semua unit pada lapisan selanjutnya (lapisan output).

Langkah 5. Setiap unit output (Y k , k =1, … , m) menjumlahkan sinyal input

terbobot dengan perhitungan,

p
y ¿ k =w 0 k + ∑ z j w jk (3.13)
j =1

Gunakan fungsi aktivasi untuk menghitung sinyal output,

y k =f ( y ¿ ¿¿ k )¿ (3.14)

Tahap error backpropagation

Langkah 6. Setiap unit output (Y k , k =1, … , m) menerima pola target sesuai

dengan pola pelatihan input, hitung informasi error,

δ k =(t ¿ ¿ k− y k )f ' ( y ¿ ¿¿ k)¿ ¿ (3.15)

Hitung koreksi bobot (selanjutnya akan digunakan untuk memperbarui w jk ),

Δw jk=αδ k z j (3.16)

Hitung koreksi bias (selanjutnya akan digunakan untuk memperbarui w 0 k ),

Δw 0 k =αδ k (3.17)
 29

Kirim δ k ke unit-unit pada lapisan sebelumnya.

Langkah 7. Setiap unit tersembunyi ( Z j , j=1 , … , p) jumlahkan delta input (dari

unit pada lapisan yang berada setelahnya),

m
δ ¿ j=∑ δ k w jk (3.18)
k=1

Kalikan nilai ini dengan turunan fungsi aktivasi untuk menghitung informasi

error,

δ j=δ ¿ j f ' ( z ¿ ¿¿ j) ¿ (3.19)

Hitung koreksi bobot (selanjutnya akan digunakan untuk memperbarui vij ),

Δv ij=αδ j xi (3.20)

Dan hitung koreksi bias (selanjutnya akan digunakan untuk memperbarui v 0 j),

Δv 0 j=αδ j (3.21)

Tahap perubahan bobot dan bias

Langkah 8. Setiap unit output (Y k , k =1, … , m) melakukan perbaikan bias dan

bobot ( j=0 , … , p):

w jk ( baru )=w jk ( lama )+ Δw jk (3.22)

Setiap unit tersembunyi ( Z j , j=1 , … , p) melakukan perbaikan bias dan bobot

(i=0 , … , n):

vij ( baru )=v ij ( lama ) + Δv ij (3.23)

Langkah 9. Kondisi stop

Selanjutnya, proses pengujian terhadap data pengujian dilakukan.

Pengujian dilakukan untuk membuktikan bahwa proses pelatihan telah

menghasilkan suatu model yang terbaik dengan nilai error yang minimum. Model

yang terbaik secara keseluruhan adalah model dengan nilai MSE yang terkecil
 30

baik untuk data pelatihan maupun data pengujian. Proses pengujian menggunakan

algoritma yang sama dengan proses pelatihan, namun hanya melalui tahapan

feedforward saja. Selain itu besarnya nilai bobot yang digunakan adalah hasil dari

proses pelatihan sehingga tidak diperlukan inisialisasi bobot kembali.

3.4.6. Peramalan

Sebagai langkah terakhir akan dilakukan peramalan dengan model terpilih

pada tahapan pelatihan (training) dan pengujian (testing). Kemudian nilai hasil

peramalan dikembalikan ke nilai aslinya untuk mendapatkan nilai output pada

range yang sebenarnya.

3.5. Pemodelan Hybrid ARIMA-Neural Network

Secara umum, terdapat dua tahapan utama dalam melakukan pemodelan

hybrid ARIMA-neural network [ CITATION Guo03 \l 1033 ]:

1. Langkah pertama adalah melakukan pemodelan ARIMA hingga

diperoleh hasil ramalan. Tahap akhir dari pemodelan ARIMA adalah

memperoleh nilai residual dari model ARIMA terpilih.

2. Langkah kedua adalah memodelkan residual ARIMA menggunakan

pemodelan ANN dengan algoritma backpropagation hingga didapat

hasil ramalan residual.

Setelah melalui dua tahapan, maka hasil peramalan akhir merupakan penjumlahan

dari nilai ramalan ARIMA dengan nilai ramalan residual ARIMA yang

dimodelkan menggunakan ANN backpropagation.

 BAB IV

HASIL DAN PEMBAHASAN

4.1. Pendahuluan

Pada bagian sebelumnya telah dibahas mengenai tahapan peramalan dengan

menggunakan metode ARIMA, metode ANN, serta kombinasi dari kedua metode

tersebut yaitu hybrid ARIMA neural-network. Selanjutnya bagian ini akan

membahas hasil analisis data menggunakan metode-metode tersebut beserta

penjelasannya.

4.2. Pemodelan ARIMA (Autoregressive Integrated Moving Average)

Pemodelan ARIMA mengikuti prosedur Box-Jenkins yang terdiri atas empat

tahapan. Kemudian, data penelitian akan dibagi menjadi data in-sample yaitu

konsumsi energi listrik periode Januari 2011 sd. Desember 2015, dan data out-

sample yaitu konsumsi energi listrik periode Januari 2016 sd. Desember 2016.

4.2.1. Identifikasi Model

Tahap identifikasi model meliputi plot data, transformasi data (proses

untuk memperoleh stasioneritas varians dan rata-rata), dan penentuan orde model

[ CITATION Wil06 \l 1033 ]. Tahap plot data dilakukan untuk melihat indikasi pola

maupun stasioneritas data terhadap varians dan rata-rata. Berdasarkan Gambar

1.1, konsumsi energi listrik mengandung pola tren dilihat dari kenaikan konsumsi

selama kurun waktu enam tahun. Selain itu, terdapat indikasi pola musiman

dilihat dari jumlah energi

31
 32

yang di konsumsi meningkat dan menurun pada bulan-bulan tertentu dan

fenomena tersebut berulang pada setiap tahun.

Kemudian akan dilakukan transformasi data agar diperoleh stasioneritas

dalam varians dan rata-rata. Namun, sebelum melakukan proses transformasi

perlu dilakukan identifikasi awal apakah data yang digunakan sudah stasioner

terhadap varians dan rata-rata. Dengan melihat plot data, varians dapat dikatakan

stasioner apabila penyebaran data bersifat konstan, sedangkan stasioneritas rata-

rata dapat dilihat dari fluktuasi data. Berdasarkan Gambar 1.1, terlihat bahwa

sebaran data konsumsi listrik bersifat konstan sehingga data diduga sudah

stasioner dalam varians. Kemudian, efek tren naik mengakibatkan data diduga

tidak stasioner dalam rata-rata.

Pemeriksaan stasioneritas menggunakan plot data masih bersifat subjektif,

untuk itu perlu dilakukan pengujian secara statistik. Pemeriksaan stasioneritas

varians dapat menggunakan transformasi Box-Cox. Varians dikatakan stasioner

apabila round value = 1. Berdasarkan pengujian pada Lampiran 3, diperoleh

round value = 1, maka dari itu data sudah stasioner dalam varians dan tidak

diperlukan transformasi data.

Selanjutnya pemeriksaan stasioneritas rata-rata dapat menggunakan uji

Augmented Dickey-Fuller (ADF). Berdasarkan pengujian pada Lampiran 3

diperoleh p-value = 0.3282 > α = 0.05, sehingga H 0 diterima dan dapat

disimpulkan bahwa data tidak stasioner dalam rata-rata.

Kemudian diperlukan proses differencing untuk menangani kasus rata-rata

yang tidak stasioner. Berdasarkan Gambar 4.1, terlihat bahwa data sudah stasioner

dalam rata-rata setelah dilakukan differencing satu kali (d=1). Namun, terlihat
 33

bahwa masih terdapat pola musiman sehingga diperlukan differencing untuk

mengatasi pola musiman.

Gambar 4.1 Plot Data Konsumsi Energi Listrik (Hasil Differencing, d=1)

Gambar 4.2 Plot Data Konsumsi Energi Listrik (Hasil Differencing, D=6)

Gambar 4.2 memperlihatkan hasil differencing untuk pola musiman

dengan orde D=6. Terlihat bahwa data konsumsi sudah stasioner dalam rata-rata

dan sudah tidak terlihat lagi pola musiman. Stasioneritas rata-rata juga dibuktikan

melalui uji ADF pada Lampiran 3. Diperoleh p-value = 0.01 < α = 0.05, sehingga

H 0 ditolak dan dapat disimpulkan bahwa data stasioner dalam rata-rata.

 34

Langkah terakhir dalam identifikasi model adalah menentukan orde model

ARIMA melalui plot ACF dan PACF dari data yang sudah stasioner.

Gambar 4.3 Plot ACF Data Yang Telah Stasioner

Gambar 4.4 Plot PACF Data Yang Telah Stasioner

Berdasarkan identifikasi plot ACF pada Gambar 4.3 dan plot PACF pada

Gambar 4.4, terlihat bahwa pola ACF terputus (cut off) pada lag ke-1, sementara

pola PACF terputus (cut off) pada lag ke-2. Dengan diperoleh sebelumnya bahwa

orde differencing non-musiman adalah d=1 dan orde differencing musiman adalah

D=6, maka beberapa kemungkinan model ARIMA adalah sebagai berikut.

 35

Tabel 4.1 Model Dugaan ARIMA

No. Model ARIMA ( p , d , q)(P , D , Q)6

1 ARIMA( 0,1,1)(0,1,1)6
2 ARIMA(0,1,1)(1,1,0)6
3 ARIMA(1,1,0)(0,1,1)6
4 ARIMA(1,1,0)(1,1,0)6
5 ARIMA(1,1,1)(0,1,1)6
6 ARIMA(1,1,1)(1,1,0)6
7 ARIMA(2,1,0)(0,1,1)6
8 ARIMA( 2,1,0)(1,1,0)6
9 ARIMA( 2,1,1)(0,1,1)6
10 ARIMA(2,1,1)(1,1,0)6

4.2.2. Estimasi Parameter

Setelah diperoleh beberapa model dugaan ARIMA pada Tabel 4.1,

selanjutnya akan dilakukan estimasi parameter terhadap model-model tersebut.

Nilai estimasi yang didapat kemudian akan diuji signifikansinya untuk

membuktikan apakah suatu parameter memiliki keberartian didalam model.

Berdasarkan hasil estimasi parameter dan uji signifikansi parameter pada

Lampiran 4, terdapat empat model dugaan yang parameternya tidak signifikan.

Model tersebut diantaranya adalah ARIMA(1,1,1)(0,1,1)6, ARIMA(1,1,1)(1,1,0)6,

ARIMA( 2,1,1)(0,1,1)6, ARIMA(2,1,1)(1,1,0)6. Dengan demikian keempat model

tersebut dinyatakan tidak layak untuk meramalkan konsumsi energi listrik.

4.2.3. Diagnostik Model

Berdasarkan hasil estimasi parameter sebelumnya, terdapat enam model

tersisa yang layak digunakan untuk meramalkan konsumsi energi listrik.

Selanjutnya keenam model tersebut akan melalui proses pengujian diagnostik

 36

untuk menguji asumsi residual pada model. Pengujian diagnostik model meliputi

dua tahap yaitu uji non-autokorelasi dan uji distribusi normal. Model yang baik

atau layak adalah model yang memenuhi asumsi white noise dimana residual

model tidak berautokorelasi dan memiliki sebaran yang normal.

Pengujian non-autokorelasi pada residual menggunakan Q-Ljung-Box test.

Berdasarkan hasil pengujian dengan software R yang terdapat pada Lampiran 5,

dapat dilihat bahwa terdapat dua model yang memiliki autokorelasi residual yaitu

model ARIMA(1,1,0)(0,1,1)6 dan ARIMA(1,1,0)(1,1,0)6. Hal tersebut

dikarenakan kedua model memiliki p-value yang lebih kecil dari nilai α = 0.05.

Selanjutnya pengujian normalitas dari residual model dilakukan dengan

Kolmogorov Smirnov test. Berdasarkan hasil pengujian yang telah dilakukan pada

Lampiran 3 menggunakan software R, dapat dilihat bahwa keenam model

memiliki residual yang berdistribusi normal. Hal tersebut terbukti melalui p-value

dari keenam model yang lebih besar dari nilai α = 0.05.

Kesimpulan dari diagnostik model dapat dilihat pada Tabel 4.2. Melalui

hasil tersebut, dapat disimpulkan bahwa terdapat empat model yang memenuhi

asumsi white noise dan layak digunakan untuk meramalkan konsumsi energi

listrik.

Tabel 4.2 Hasil Diagnostik Model

Residual Residual
No. Model ARIMA ( p , d , q)( P , D , Q) S Non- Berdistribusi
Autokorelasi Normal
1 ARIMA( 0,1,1)(0,1,1)6 Terpenuhi Terpenuhi
2 ARIMA(0,1,1)(1,1,0)6 Terpenuhi Terpenuhi
3 ARIMA(1,1,0)(0,1,1)6 Tidak Terpenuhi
4 ARIMA(1,1,0)(1,1,0)6 Tidak Terpenuhi
5 ARIMA( 2,1,0)(0,1,1)6 Terpenuhi Terpenuhi
6 ARIMA( 2,1,0)(1,1,0)6 Terpenuhi Terpenuhi
 37

4.2.4. Peramalan Berdasarkan Model Terbaik

Berdasarkan Tabel 4.2 diatas, terdapat empat model ARIMA yang layak

digunakan untuk meramalkan konsumsi energi listrik setelah melalui prosedur

Box-Jenkins. Model-model tersebut akan di evaluasi menggunakan data out-

sample (sebanyak n=12) dan dipilih model terbaik berdasarkan kriteria

pengukuran. Terdapat dua kriteria yang akan digunakan yaitu MSE (Mean Square

Error) dan MAPE (Mean Absolute Percentage Error).

Tabel 4.3 Kriteria Pengukuran Model

No. Model ARIMA ( p , d , q)(P , D , Q)6 MSE MAPE

1 ARIMA( 0,1,1)(0,1,1)6 116595428827317 2.37 %
2 ARIMA(0,1,1)(1,1,0)6 91985157337836 2.08 %
3 ARIMA(2,1,0)(0,1,1)6 139867326875183 2.84 %
4 ARIMA( 2,1,0)(1,1,0)6 68698075529039 1.86 %

Evaluasi model menggunakan kriteria MSE dan MAPE yang dihasilkan

melalui perhitungan forecast error. Berdasarkan Tabel 4.3, dapat disimpulkan

bahwa model ARIMA terpilih dengan kriteria pengukuran terkecil adalah model

ARIMA( 2,1,0)(1,1,0)6. Adapun persamaan matematisnya sebagai berikut:

ϕ p (B) ɸ p B S (1−B )d ¿ (4.1)

ϕ 2(B)ɸ1 (B 6)(1−B)(1−B6 )Z t =at (4.2)

(1−ϕ1 B−ϕ2 B2 )(1−ɸ1 B6)(1−B)(1−B 6)Z t =a t (4.3)

kemudian didapat persamaan akhir matematis sebagai berikut:

Zt =Z t−6 + Zt −1−Zt −7 +ϕ1 ( Z t −1−Z t −7−Zt −2+ Z t −8 ) + ϕ2 ( Z t −2 −Z t −8−Z t −3+ Z t−9 ) + ɸ1 ( Z t−6−Z t−12−Z t−7 +

(4.4)
 38

Berdasarkan uji signifikansi parameter sebelumnya, telah diketahui bahwa

parameter AR(1);ϕ 1, AR(2);ϕ 2, dan SAR(1);ɸ1. Dengan demikian diperoleh model

estimasi yaitu:

Zt =Z t−6 + Zt −1−Zt −7−0.7792 ( Zt −1−Zt −7−Z t−2 +Z t −8 )−0.4123 ( Z t−2−Z t−8−Z t−3 + Zt −9 )−0.5385 ( Z t−6

(4.5)

Kemudian dengan menggunakan model diatas, diperoleh hasil peramalan

konsumsi energi listrik untuk periode Januari 2017 hingga Juni 2017 sebagai

berikut.

Tabel 4.4 Hasil Ramalan Konsumsi Energi Listrik

Bulan- Konsumsi Energi Listrik

Tahun
Januari-2017 333358835
Februari-2017 347483461
Maret-2017 357944276
April-2017 360361418
Mei-2017 364614458
Juni-2017 364808404

Berdasarkan proses pemodelan Hybrid ARIMA-Neural Network, akan

diperoleh residual model ARIMA terpilih yaitu ARIMA( 2,1,0)(1,1,0)6 untuk

kemudian diramalkan menggunakan metode ANN. Selanjutnya hasil ramalan

ARIMA pada Tabel 4.4 akan dijumlahkan dengan hasil ramalan residual ARIMA.

4.3. Pemodelan ANN (Artificial Neural Network)

Metode ANN memiliki kemampuan dalam menangani pola nonlinier pada

data. Residual dari model yang linier yaitu ARIMA diduga masih menyimpan
 39

informasi nonlinier. Maka dari itu, metode ANN pada penelitian ini akan

digunakan untuk memodelkan residual dari model ARIMA( 2,1,0)(1,1,0)6 sebagai

tahapan dari pemodelan hybrid ARIMA-neural network.

4.3.1. Pembagian Data

Langkah pertama yang harus dilakukan dalam menerapkan metode ANN

adalah dengan membagi data menjadi data pelatihan (training) dan pengujian

(testing). Terdapat berbagai macam proporsi dari pembagian data menjadi dua

bagian. Pada penelitian ini, proporsi yang akan digunakan adalah data pelatihan

sebanyak 80% dan data pengujian sebanyak 20%. Berdasarkan residual model

ARIMA( 2,1,0)(1,1,0)6 yang berjumlah n=72, maka data pelatihan adalah

sebanyak 60 dan data pengujian sebanyak 12.

4.3.2. Pembentukan Arsitektur Jaringan

Jaringan yang akan dibentuk menggunakan arsitektur multilayer dimana

jaringan terdiri dari satu lapisan input, satu atau lebih lapisan tersembunyi, dan

satu lapisan output. Selain itu terdapat sejumlah unit atau neuron didalam masing-

masing lapisan tersebut.

Dalam lapisan input, jumlah unit input dapat ditentukan dengan melihat

lag yang signifikan dari plot PACF. Namun pada dasarnya aturan tersebut

bukanlah aturan yang khusus. Jumlah unit input yang terlalu sedikit atau terlalu

banyak dapat mempengaruhi kemampuan jaringan dalam menjalankan proses

pelatihan dan pengujian [ CITATION Mao02 \l 1033 ]. Penelitian ini akan

 40

menggunakan unit input sebanyak 6 unit. Hal ini didasarkan pada periode

musiman data konsumsi energi listrik.

Selanjutnya akan digunakan satu lapisan tersembunyi didalam arsitektur

jaringan. Hal ini dikarenakan penggunaan satu lapisan tersembunyi sudah cukup

dalam menyelesaikan masalah yang kompleks. Selain itu penggunaan lebih dari

satu lapisan tersembunyi hanya akan memperlambat proses pelatihan serta dapat

menyebabkan terjadinya overfitting dimana data hanya menghasilkan output yang

baik pada data pelatihan saja namun tidak pada saat pengujian.

Dalam lapisan tersembunyi, jumlah unit akan ditentukan menggunakan

mekanisme trial-and-error. Jumlah unit yang akan dicoba akan dimulai dari 3 unit

dan terus bertambah hingga didapat jaringan yang optimum. Penambahan jumlah

unit akan dihentikan apabila nilai output menghasilkan peningkatan error.

Kemudian yang terakhir, jaringan hanya akan menggunakan satu unit output saja.

4.3.3. Proses Pelatihan (Training) Dan Pengujian (Testing)

Penelitian ini menggunakan algoritma backpropagation serta algoritma

levenberg-marquadt sebagai algoritma optimasi bobot. Sebelum dilakukan proses

pelatihan dan pengujian jaringan, terlebih dahulu ditentukan fungsi aktivasi yang

digunakan. Penelitian ini akan menggunakan fungsi sigmoid bipolar pada lapisan

tersembunyi dan fungsi linier pada lapisan output. Selain itu data pelatihan dan

pengujian akan di transformasi terlebih dahulu menyesuaikan dengan interval

fungsi sigmoid bipolar yaitu [-1,1]. Kemudian terdapat beberapa parameter yang

perlu ditentukan diantaranya adalah learning rate (α), lama iterasi (epochs), dan

target MSE.
 41

Learning rate merupakan suatu konstanta yang digunakan dalam

keseluruhan iterasi. Learning rate akan mengatur besarnya penyesuaian pada

bobot didalam proses pelatihan. Pemilihan learning rate akan menentukan

kecepatan dari proses pelatihan. Semakin kecil nilainya maka pelatihan akan

semakin lambat, sebaliknya pelatihan akan semakin cepat apabila learning rate

semakin besar. Namun learning rate yang terlalu besar dapat menyebabkan

pelatihan menjadi tidak stabil sehingga akan meningkatkan nilai error. Untuk itu

pada penelitian ini nilai learning rate yang ditentukan adalah sebesar 0.1.

Jumlah lama iterasi (epochs) akan ditentukan sebesar 1000 epochs. Jumlah

tersebut merupakan jumlah umum yang digunakan pada penelitian menggunakan

metode ANN. Jumlah tersebut juga dianggap sudah dapat mewakili banyak iterasi

untuk memperoleh jaringan yang baik dengan MSE minimum. Jaringan bias saja

dilatih terus menerus hingga semua pola pelatihan dikenali dengan benar. Akan

tetapi hal tersebut tidak menjamin jaringan akan mampu mengenali pola

pengujian dengan tepat. Jadi tidaklah bermanfaat untuk meneruskan iterasi hingga

semua kesalahan pola pelatihan sama dengan nol [ CITATION Drs05 \l 1033 ].

Kemudian nilai target MSE yang akan digunakan adalah sebesar 0.001.

Terdapat dua jenis MSE didalam jaringan, yaitu MSE pelatihan dan MSE

pengujian. Jaringan yang optimum merupakan jaringan yang memiliki nilai MSE

terkecil baik dalam proses pelatihan maupun pengujian. Namun apabila nilai MSE

pelatihan dan pengujian berbeda, maka jaringan akan dipilih berdasarkan MSE

pengujian yang paling kecil.

Selanjutnya barulah proses pelatihan dan pengujian dimulai. Proses

pelatihan akan berhenti apabila jaringan telah memenuhi kondisi. Kondisi tersebut
 42

adalah apabila nilai MSE < 0.001 (sesuai yang ditargetkan diawal) atau apabila

jumlah epochs telah sampai pada nilai maksimum (1000).

Tabel 4.5 Hasil Pelatihan dan Pengujian Jaringan

Unit MSE
Tersembunyi Training Testing
3 0.0306 -
4 0.0188 -
5 0.0058 -
6 0.00244 -
7 0.000992 0.131307
8 0.00096 0.111824
9 0.000938 0.031996
10 0.000926 0.027515
11 0.000986 0.045016
12 0.000998 0.029505

Berdasarkan hasil pelatihan dan pengujian jaringan pada Tabel 4.5,

sebanyak 3 sampai 6 unit tersembunyi tidak dilanjutkan hingga proses pengujian.

Hal tersebut dikarenakan jaringan tidak mampu mengenali pola data dengan baik

dan tidak mampu mencapai target MSE setelah melalui sebanyak 1000 iterasi.

Proses pelatihan dan pengujian hanya dilakukan sampai sebanyak 12 unit

tersembunyi karena nilai MSE mulai meningkat pada jumlah unit tersebut

dibandingkan jumlah unit sebelumnya yang mengalami penurunan MSE.

Sehingga dapat disimpulkan bahwa jaringan yang paling optimum adalah jaringan

dengan 10 unit tersembunyi.

4.3.4. Peramalan
 43

Setelah melalui keseluruhan tahapan analisis, didapat jaringan optimum

dengan satu lapisan input beserta 6 unit didalamnya, satu lapisan tersembunyi

beserta 10 unit didalamnya, serta satu lapisan output beserta satu unit didalamnya.

Jaringan tersebut dapat ditulis dengan jaringan (6-10-1).

Kemudian model jaringan tersebut dapat digunakan untuk meramalkan

residual model ARIMA untuk beberapa periode kedepan. Setelah didapat nilai

ramalan dari jaringan tentunya nilai tersebut dikembalikan ke bentuk semula

untuk mendapatkan nilai yang sesungguhnya.

Tabel 4.6 Hasil Ramalan Residual Model ARIMA

Bulan- Residual

Tahun
Januari-2017 22089672.99
Februari-2017 5358217.414
Maret-2017 -2492870.379
April-2017 -781003.1065
Mei-2017 3831680.958
Juni-2017 2279347.21

4.4. Pemodelan Hybrid ARIMA-Neural Network

Peramalan dengan menggunakan metode hybrid ARIMA-neural network

merupakan hasil penjumlahan dari ramalan ARIMA dengan ramalan residual

model ARIMA dimana residual ARIMA diramalkan menggunakan metode ANN.

Tujuan utama dari penggabungan kedua metode tersebut adalah untuk

menghasilkan ramalan yang lebih akurat dibandingkan dengan hanya menerapkan

model ARIMA secara tunggal. Berikut disajikan perbandingan dari hasil ramalan

untuk data out-sample (periode Januari 2016 – Desember 2016) dengan

menggunakan metode ARIMA dengan metode hybrid.

 44

Peramalan Out-sample ARIMA

370000000
360000000
350000000
340000000
330000000
320000000
310000000
300000000
290000000
280000000
270000000
1 2 3 4 5 6 7 8 9 10 11 12

Aktual Ramalan

Gambar 4.5 Grafik Hasil Ramalan Out-sample ARIMA

Peramalan Out-sample Hybrid

370000000
360000000
350000000
340000000
330000000
320000000
310000000
300000000
290000000
280000000
270000000
1 2 3 4 5 6 7 8 9 10 11 12

Aktual Ramalan

Gambar 4.6 Grafik Hasil Ramalan Out-sample Hybrid

Berdasarkan perbandingan ramalan out-sample model ARIMA dan hybrid

pada Gambar 4.1 dan 4.2, dapat dilihat bahwa peramalan dengan menggunakan

metode hybrid dapat meningkatkan akurasi peramalan konsumsi energi listrik.

Sesuai dengan kriteria pengukuran yang digunakan pada penelitian ini yaitu
 45

MAPE, terjadi peningkatan nilai MAPE dari 1.86% (ARIMA) menjadi 1.26%

(hybrid).

Sebelumnya telah diperoleh hasil ramalan konsumsi energi listrik

menggunakan metode ARIMA dan hasil ramalan residual model ARIMA

menggunakan metode ANN. Selanjutnya sebagai tahapan akhir dari penelitian ini,

akan diperoleh hasil ramalan menggunakan metode hybrid ARIMA-neural

network yang merupakan penjumlahan dari ramalan ARIMA (Tabel 4.4) dan

ramalan residual ARIMA (Tabel 4.6) untuk enam periode kedepan sebagai

berikut.

Tabel 4.7 Hasil Ramalan Akhir Konsumsi Energi Listrik

Bulan- Konsumsi Energi Listrik

Tahun
Januari-2017 355448508
Februari-2017 352841678
Maret-2017 355451406
April-2017 359580415
Mei-2017 368446139
Juni-2017 367087751
 BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil analisis yang telah dilakukan dapat diperoleh kesimpulan

bahwa, pemodelan ARIMA menghasilkan model terbaiknya yaitu

ARIMA( 2,1,0)(1,1,0)6 dengan MAPE sebesar 1.86%. Kemudian residual dari

model ARIMA( 2,1,0)(1,1,0)6 dimodelkan menggunakan ANN dengan algoritma

backpropagation serta algoritma levenberg-marquadt sebagai algoritma optimasi

bobot dan diperoleh jaringan optimum yaitu jaringan (6-10-1). Selanjutnya

dilakukan kombinasi dari kedua hasil peramalan tersebut dan diperoleh MAPE

sebesar 1.26%. Pemodelan hybrid ARIMA-neural network terbukti dapat

meningkatkan akurasi peramalan melebihi metode ARIMA secara tunggal. Oleh

karena itu metode hybrid ARIMA-neural network dapat digunakan oleh

perusahaan sebagai metode yang cocok untuk meramalkan konsumsi energi

listrik.

5.2. Saran

Peramalan dengan menggunakan metode hybrid telah terbukti dapat

meningkatkan akurasi ramalan dibandingkan dengan metode tunggal. Namun,

dalam penelitian ini, metode ANN dengan algoritma backpropagation hanyalah

sebuah solusi lokal dimana hasil yang optimum hanya didapat dari ruang lingkup

tertentu dan tidak menyeluruh. Pada penelitian selanjutnya diharapkan dapat

46
dilakukan penerapan metode hybrid dengan menggunakan salah satu metode

kecerdasan buatan dengan solusi global seperti metode support vector machine.

47
 DAFTAR PUSTAKA

Fausett, L. V. (1994). Fundamental of Neural Networks: Architectures,

Algorithms, and Applications. New Jersey: Prentice-Hall.

Janah, S. N., Sulandari, W., & Wiyono, S. B. (2014). Penerapan Model Hybrid
ARIMA Backpropagation Untuk Peramalan Harga Gabah Indonesia.
Media Statistika, Vol.7, No.2, 63-69.

Panchal, F. S., & Panchal, M. (2014). Review on Methods of Selecting Number of

Hidden Nodes in Artificial Neural Network. International Journal of
Computer Science and Mobile Computing, Vol.3, Issue.11, 455-464.

Putri, A. C. (2016). Konsumsi Listrik Nasional 2016 Naik 11,4 Persen. Diakses
melalui Liputan6: http://m.liputan6.com/photo/read/2454730/konsumsi-
listrik-nasional-2016-naik-114-persen, pada tanggal 10 Februari 2017.

Siang, J. J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan

MATLAB. Yogyakarta: ANDI.

Sinaga, H. (2016). Peramalan Konsumsi Listrik Dengan Metode SARIMA dan

Artificial Neural Network. Sumedang: Program Studi Statistika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran.

Wang, X., & Meng, M. (2012). A Hybrid Neural Network and ARIMA Model for
Energy Consumption Forecasting. Journal of Computers, Vol.7, No.5,
1184-1190.

Wei, W. W. (2006). Time Series Analysis: Univariate and Multivariate Methods.

Redwood City: Addison-Wesley.

Zhang, G. P. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural
Network Model. Neurocomputing 50, 159-175.

Zhi, M. (2002). Forecasting Total Factor Productivity Growth In The

Construction Industry Using Neural Network Modelling. Singapore:
National University of Singapore.

48
 LAMPIRAN 1

Data Konsumsi Energi Listrik (kWh) Konsumen PT PLN (Persero) Area Bandung

Periode Januari 2011 – Desember 2016

  2011 2012 2013

29666117 31548536 31272961
Januari 5 9 1
30649947 31563572 30532992
Februari 0 2 5
27267577 30473718 34458578
Maret 7 1 2
31188455 32184863 34531617
April 3 1 1
30579012 32158627 34341432
Mei 7 8 1
30864302 33145531 34358678
Juni 6 0 2
29484017 32929591 34783445
Juli 0 3 9
30077982 33171239 28947862
Agustus 8 9 8
Septemb 27479557 28679220 34212066
er 9 6 9
29403249 31925989 35136310
Oktober 8 4 4
Novembe 31723723 33676973 34468793
r 5 5 3
Desembe 30803871 33559992 36232806
r 2 4 0
35918781 38501785 40327754
TOTAL 50 62 45

  2014 2015 2016

34258482 33998624 34964739
Januari 3 4 1
32423838 31740675 33525521
Februari 4 0 7
34962487 35078829 35628116
Maret 4 2 4
34613074 33469775 34862988
April 0 1 3

49
 35889667 34576449 35840661
Mei 7 8 3
35238774 34642137 34732389
Juni 9 0 7
32444414 30727773 30952470
Juli 9 4 8
33643444 34693295 35517686
Agustus 9 0 8
Septemb 35346784 34280058 34909787
er 0 9 7
36389380 35679010 35992398
Oktober 4 4 3
Novembe 35202940 35679010 35378154
r 6 4 6
Desembe 35901297 35679010 35762593
r 6 4 2
41631458 41024464 41806750
TOTAL 71 90 79

LAMPIRAN 2

Uji Linieritas Ramsey RESET

Hipotesis:

H 0 :a1=a2=…=a k =0 (pola linier).

H 1 : minimal ada 1 ak ≠ 0 (pola nonlinier).

Statistik uji:

(R2new −R 2old )/m

RESET = 2
(1−R new )/(n− p−1−m)

Dengan,

R2old : Koefesien determinasi dengan prediktor awal

R2new : Koefesien determinasi dengan prediktor tambahan

50
m : Banyaknya prediktor tambahan

p : Banyaknya prediktor awal

n : Banyaknya pengamatan

Kriteria uji: Tolak H 0 apabila nilai RESET > Fα : m ,n− p−1−m atau p-value ≤ α, terima

dalam hal lainnya.

Uji Linieritas Ramsey RESET Menggunakan software R 3.4.1

#Package
library(lmtest)

##Untuk data diduga linier (periode Januari 2011 – Desember 2013)

#Input Data
> data1<-read.csv("linier.csv",header=TRUE)
> attach(data1)

#Uji Linieritas
> resettest(lm(KONSUMSI~PERIODE))

RESET test

data: lm(KONSUMSI ~ PERIODE)

RESET = 0.09866, df1 = 2, df2 = 32, p-value = 0.9063

51
Kesimpulan : p-value = 0.9063 > α = 0.05 (H0 diterima) yang berarti konsumsi
energi listrik mengandung pola linier.

##Untuk data diduga nonlinier (periode September 2012 – Juli 2015)

#Input Data
> data2<-read.csv("nonlinier.csv",header=TRUE)
> attach(data2)

#Uji Linieritas
> resettest(lm(KONSUMSI~PERIODE))

RESET test

data: lm(KONSUMSI ~ PERIODE)

RESET = 4.3767, df1 = 2, df2 = 31, p-value = 0.02117

Kesimpulan : p-value = 0.02117 < α = 0.05 (H0 ditolak) yang berarti konsumsi
energi listrik mengandung pola nonlinier.

LAMPIRAN 3

Hasil Perhitungan ARIMA Menggunakan software R 3.4.1

#Package
library(tseries)
library(forecast)

#Input Data
> data<-read.csv("kel.csv",header=TRUE)
> z<-ts(data)

#Pembagian Data
> x<-z[1:60]
> y<-z[61:72]

#Stasioneritas varians
> BoxCox.lambda(data)

52
[1] 1

#Stasioneritas Rata-rata
> adf.test(z)

Augmented Dickey-Fuller Test

data: z
Dickey-Fuller = -2.6069, Lag order = 4, p-value = 0.3282
alternative hypothesis: stationary

#Differencing
> zt<-diff(z)
> adf.test(zt)

Augmented Dickey-Fuller Test

data: zt
Dickey-Fuller = -8.1246, Lag order = 4, p-value = 0.01
alternative hypothesis: stationary

Warning message:
In adf.test(zt) : p-value smaller than printed p-value
#Differencing Musiman
> ztt<-diff(diff(z),6)
> adf.test(ztt)

Augmented Dickey-Fuller Test

data: ztt
Dickey-Fuller = -6.0139, Lag order = 3, p-value = 0.01
alternative hypothesis: stationary

Warning message:
In adf.test(ztt) : p-value smaller than printed p-value

#Identifikasi model
> acf(ztt,50)
> pacf(ztt,50)

#Estimasi Parameter
> fit1<-arima(x,order=c(0,1,1),seasonal=list(order=c(0,1,1),period=6))

53
> fit1

Call:
arima(x = x, order = c(0, 1, 1), seasonal = list(order = c(0, 1, 1), period = 6))

Coefficients:
ma1 sma1
-0.8580 -0.5566
s.e. 0.0764 0.1319

sigma^2 estimated as 2.444e+14: log likelihood = -955.17, aic = 1916.34

> fit2<-arima(x,order=c(0,1,1),seasonal=list(order=c(1,1,0),period=6))
> fit2

Call:
arima(x = x, order = c(0, 1, 1), seasonal = list(order = c(1, 1, 0), period = 6))

Coefficients:
ma1 sar1
-0.8791 -0.5301
s.e. 0.0672 0.1217
sigma^2 estimated as 2.45e+14: log likelihood = -955.16, aic = 1916.32
> fit3<-arima(x,order=c(1,1,0),seasonal=list(order=c(0,1,1),period=6))
> fit3

Call:
arima(x = x, order = c(1, 1, 0), seasonal = list(order = c(0, 1, 1), period = 6))

Coefficients:
ar1 sma1
-0.5458 -0.5521
s.e. 0.1140 0.1275

sigma^2 estimated as 3.242e+14: log likelihood = -961.89, aic = 1929.77

> fit4<-arima(x,order=c(1,1,0),seasonal=list(order=c(1,1,0),period=6))
> fit4

Call:
arima(x = x, order = c(1, 1, 0), seasonal = list(order = c(1, 1, 0), period = 6))

54
Coefficients:
ar1 sar1
-0.5509 -0.4957
s.e. 0.1132 0.1185

sigma^2 estimated as 3.344e+14: log likelihood = -962.46, aic = 1930.93

> fit5<-arima(x,order=c(1,1,1),seasonal=list(order=c(0,1,1),period=6))
> fit5

Call:
arima(x = x, order = c(1, 1, 1), seasonal = list(order = c(0, 1, 1), period = 6))

Coefficients:
ar1 ma1 sma1
-0.1160 -0.8209 -0.5728
s.e. 0.1606 0.1084 0.1299

sigma^2 estimated as 2.418e+14: log likelihood = -954.91, aic = 1917.81

> fit6<-arima(x,order=c(1,1,1),seasonal=list(order=c(1,1,0),period=6))
> fit6

Call:
arima(x = x, order = c(1, 1, 1), seasonal = list(order = c(1, 1, 0), period = 6))

Coefficients:
ar1 ma1 sar1
-0.1310 -0.8458 -0.5514
s.e. 0.1551 0.0919 0.1209

sigma^2 estimated as 2.412e+14: log likelihood = -954.81, aic = 1917.62

> fit7<-arima(x,order=c(2,1,0),seasonal=list(order=c(0,1,1),period=6))
> fit7

Call:
arima(x = x, order = c(2, 1, 0), seasonal = list(order = c(0, 1, 1), period = 6))

55
Coefficients:
ar1 ar2 sma1
-0.7677 -0.4107 -0.5892
s.e. 0.1230 0.1272 0.1251

sigma^2 estimated as 2.675e+14: log likelihood = -957.12, aic = 1922.23

> fit8<-arima(x,order=c(2,1,0),seasonal=list(order=c(1,1,0),period=6))
> fit8

Call:
arima(x = x, order = c(2, 1, 0), seasonal = list(order = c(1, 1, 0), period = 6))

Coefficients:
ar1 ar2 sar1
-0.7792 -0.4123 -0.5385
s.e. 0.1231 0.1257 0.1173

sigma^2 estimated as 2.749e+14: log likelihood = -957.6, aic = 1923.2

> fit9<-arima(x,order=c(2,1,1),seasonal=list(order=c(0,1,1),period=6))
> fit9

Call:
arima(x = x, order = c(2, 1, 1), seasonal = list(order = c(0, 1, 1), period = 6))

Coefficients:
ar1 ar2 ma1 sma1
-0.1224 -0.0117 -0.8152 -0.5754
s.e. 0.1884 0.1755 0.1425 0.1354

sigma^2 estimated as 2.418e+14: log likelihood = -954.91, aic = 1919.81

> fit10<-arima(x,order=c(2,1,1),seasonal=list(order=c(1,1,0),period=6))
> fit10

Call:
arima(x = x, order = c(2, 1, 1), seasonal = list(order = c(1, 1, 0), period = 6))

56
Coefficients:
ar1 ar2 ma1 sar1
-0.1421 -0.0224 -0.8371 -0.5565
s.e. 0.1779 0.1689 0.1176 0.1264

sigma^2 estimated as 2.41e+14: log likelihood = -954.8, aic = 1919.6

#Diagnostik
##Residual
> res1<-residuals(fit1)
> res2<-residuals(fit2)
> res3<-residuals(fit3)
> res4<-residuals(fit4)
> res7<-residuals(fit7)
> res8<-residuals(fit8)

##Pengujian Autokorelasi
> tsdiag(fit1,gof.lag=50)
> tsdiag(fit2,gof.lag=50)
> tsdiag(fit3,gof.lag=50)
> tsdiag(fit4,gof.lag=50)
> tsdiag(fit7,gof.lag=50)
> tsdiag(fit8,gof.lag=50)
##Pengujian Normalitas
> n1<-length(res1)
> mean1<-mean(res1)
> sd1<-sd(res1)
> resn1<-rnorm(n1,mean1,sd1)
> ks.test(res1,resn1)

Two-sample Kolmogorov-Smirnov test

data: res1 and resn1

D = 0.083333, p-value = 0.9867
alternative hypothesis: two-sided

> n2<-length(res2)
> mean2<-mean(res2)
> sd2<-sd(res2)
> resn2<-rnorm(n2,mean2,sd2)
> ks.test(res2,resn2)

57
 Two-sample Kolmogorov-Smirnov test

data: res2 and resn2

D = 0.11667, p-value = 0.8133
alternative hypothesis: two-sided

> n3<-length(res3)
> mean3<-mean(res3)
> sd3<-sd(res3)
> resn3<-rnorm(n3,mean3,sd3)
> ks.test(res3,resn3)

Two-sample Kolmogorov-Smirnov test

data: res3 and resn3

D = 0.15, p-value = 0.513
alternative hypothesis: two-sided

> n4<-length(res4)
> mean4<-mean(res4)
> sd4<-sd(res4)
> resn4<-rnorm(n4,mean4,sd4)
> ks.test(res4,resn4)

Two-sample Kolmogorov-Smirnov test

data: res4 and resn4

D = 0.13333, p-value = 0.6648
alternative hypothesis: two-sided

> n7<-length(res7)
> mean7<-mean(res7)
> sd7<-sd(res7)
> resn7<-rnorm(n7,mean7,sd7)
> ks.test(res7,resn7)

58
 Two-sample Kolmogorov-Smirnov test

data: res7 and resn7

D = 0.13333, p-value = 0.6648
alternative hypothesis: two-sided

> n8<-length(res8)
> mean8<-mean(res8)
> sd8<-sd(res8)
> resn8<-rnorm(n8,mean8,sd8)
> ks.test(res8,resn8)

Two-sample Kolmogorov-Smirnov test

data: res8 and resn8

D = 0.21667, p-value = 0.1198
alternative hypothesis: two-sided

#Peramalan
> x1<-predict(fit1,n.ahead=12)$pred
> x2<-predict(fit2,n.ahead=12)$pred
> x7<-predict(fit7,n.ahead=12)$pred
> x8<-predict(fit8,n.ahead=12)$pred

#Evaluasi Peramalan
##Nilai Error
> e1<-y-x1
> e2<-y-x2
> e7<-y-x7
> e8<-y-x8

##MSE
> MSE1<-sum(e1^2)/12
> MSE1
[1] 1.165954e+14
> MSE2<-sum(e2^2)/12
> MSE2

59
[1] 9.198516e+13
> MSE7<-sum(e7^2)/12
> MSE7
[1] 1.398673e+14
> MSE8<-sum(e8^2)/12
> MSE8
[1] 6.869808e+13

##MAPE
> MAPE1<-sum(abs(e1/y))/12*100
> MAPE1
[1] 2.374337
> MAPE2<-sum(abs(e2/y))/12*100
> MAPE2
[1] 2.085484
> MAPE7<-sum(abs(e7/y))/12*100
> MAPE7
[1] 2.835899
> MAPE8<-sum(abs(e8/y))/12*100
> MAPE8
[1] 1.857909

LAMPIRAN 4

Hasil Uji Signifikansi Parameter ARIMA

Estimasi Parameter Uji Signifikansi

No.
Model Parameter Estimasi se t-stat Keterangan
ma1 -0.858 0.0764 -11.2304 Signifikan
1 ARIMA(0,1,1)(0,1,1)^6
sma1 -0.5566 0.1319 -4.21986 Signifikan
ma1 -0.8791 0.0672 -13.0818 Signifikan
2 ARIMA(0,1,1)(1,1,0)^6
sar1 -0.5301 0.1217 -4.35579 Signifikan
ar1 -0.5458 0.114 -4.78772 Signifikan
3 ARIMA(1,1,0)(0,1,1)^6
sma1 -0.5521 0.1275 -4.3302 Signifikan
ar1 -0.5509 0.1132 -4.86661 Signifikan
4 ARIMA(1,1,0)(1,1,0)^6
sar1 -0.4957 0.1185 -4.18312 Signifikan
ar1 -0.116 0.1606 -0.72229 Tidak signifikan
5 ARIMA(1,1,1)(0,1,1)^6 ma1 -0.8209 0.1084 -7.57288 Signifikan
sma1 -0.5728 0.1299 -4.40955 Signifikan
6 ARIMA(1,1,1)(1,1,0)^6 ar1 -0.131 0.1551 -0.84462 Tidak signifikan

60
 ma1 -0.8458 0.0919 -9.20348 Signifikan
sar1 -0.5514 0.1209 -4.56079 Signifikan
ar1 -0.7677 0.123 -6.24146 Signifikan
7 ARIMA(2,1,0)(0,1,1)^6 ar2 -0.4107 0.1272 -3.22877 Signifikan
sma1 -0.5892 0.1251 -4.70983 Signifikan
ar1 -0.7792 0.1231 -6.32981 Signifikan
8 ARIMA(2,1,0)(1,1,0)^6 ar2 -0.4123 0.1257 -3.28003 Signifikan
sar1 -0.5385 0.1173 -4.59079 Signifikan
ar1 -0.1224 0.1884 -0.64968 Tidak signifikan
ar2 -0.0117 0.1755 -0.06667 Tidak signifikan
9 ARIMA(2,1,1)(0,1,1)^6
ma1 -0.8152 0.1425 -5.7207 Signifikan
sma1 -0.5754 0.1354 -4.24963 Signifikan
ar1 -0.1421 0.1779 -0.79876 Tidak signifikan
ar2 -0.0224 0.1689 -0.13262 Tidak signifikan
10 ARIMA(2,1,1)(1,1,0)^6
ma1 -0.8371 0.1176 -7.1182 Signifikan
sar1 -0.5565 0.1264 -4.40269 Signifikan

*t-alpha = 2.001

LAMPIRAN 5

Hasil Diagnostik Model ARIMA( 0,1,1)(0,1,1)6

61
Hasil Diagnostik Model ARIMA(0,1,1)(1,1,0)6

62
Hasil Diagnostik Model ARIMA(1,1,0)(0,1,1)6

63
Hasil Diagnostik Model ARIMA(1,1,0)(1,1,0)6

64
Hasil Diagnostik Model ARIMA( 2,1,0)(0,1,1)6

65
Hasil Diagnostik Model ARIMA( 2,1,0)(1,1,0)6

66
 LAMPIRAN 6

Data Residual Model ARIMA( 2,1,0)(1,1,0)6

67
Periode Residual Periode Residual Periode Residual
1 171277.34 31 8321455.42 61 18529543
2 84218.3 32 -45699586.1 62 -1623264
3 26547.59 33 21473027.81 63 4124560
4 54366.24 34 13986831.8 64 -2091050
5 37856.67 35 2295239.8 65 2002464
6 -103494.47 36 2788635.83 66 -9330519
7 -770846.65 37 -1490644.44 67 -14397484
8 -2546983.02 38 12753244.16 68 7350258
9 4464029.71 39 -14123261.6 69 -3558704
10 -12929427.04 40 -18591902.48 70 355109
11 13995934.43 41 2253135.57 71 -8375957
12 2687242.4 42 -4957678.56 72 -4656614
13 20963042.8 43 -25652186.58
14 1920754.02 44 29347562.57
15 19622397.13 45 8690042.43
16 -1088259.6 46 10504919.26
17 -9766020.45 47 -18153568.23
18 1275942.69 48 -7635506.12
19 8467931.27 49 -957150.44
20 5765429.38 50 -14524724.07
21 -25803878.99 51 -502051.32
22 -6319432.21 52 -17303590.59
23 5531919.12 53 -268303.76
24 9089495.41 54 630681.17
25 -24367518.7 55 -10597629.96
26 -29082787.39 56 32071802.75
27 48485690.4 57 -1035866.89
28 24303819.37 58 11411543.65
29 -977613.93 59 1757739.45
30 -21945716.56 60 3449157.01

LAMPIRAN 7

Data Transformasi Residual Model ARIMA( 2,1,0)(1,1,0)6

68
No. Transformasi No. Transformasi No. Transformasi
1 -0.025944072 31 0.147122852 61 0.363888953
2 -0.027792748 32 -1 62 -0.064050694
3 -0.029017371 33 0.426393093 63 0.058002863
4 -0.028426649 34 0.267425655 64 -0.073984009
5 -0.028777226 35 0.019157722 65 0.012940703
6 -0.031778781 36 0.029634859 66 -0.227712261
7 -0.045949832 37 -0.061234552 67 -0.335307953
8 -0.083665628 38 0.241230741 68 0.126499726
9 0.065211415 39 -0.329484912 69 -0.105149262
10 -0.304134143 40 -0.424375346 70 -0.022040454
11 0.267618947 41 0.018263649 71 -0.207442384
12 0.027481795 42 -0.134856125 72 -0.128463097
13 0.415563693 43 -0.574298653
14 0.011205613 44 0.593606803
15 0.387095428 45 0.154949702
16 -0.052690014 46 0.193488143
17 -0.236960022 47 -0.415067431
18 -0.002486789 48 -0.191719101
19 0.150233229 49 -0.049905944
20 0.0928463 50 -0.338009863
21 -0.577519802 51 -0.040242032
22 -0.163772612 52 -0.397018376
23 0.08788777 53 -0.035278463
24 0.163431983 54 -0.016188751
25 -0.547019063 55 -0.254619035
26 -0.647146575 56 0.651455339
27 1 57 -0.051577468
28 0.48650422 58 0.212740077
29 -0.050340481 59 0.007744041
30 -0.495592721 60 0.043660855

LAMPIRAN 8

Pembagian Data Pelatihan dan Pengujian

69
Data Pelatihan

x1 -0.02594 -0.02779 -0.02902 -0.02843 … 0.007744 0.043661

x2 -0.02779 -0.02902 -0.02843 -0.02878 … 0.043661 0.363889
x3 -0.02902 -0.02843 -0.02878 -0.03178 … 0.363889 -0.06405
x4 -0.02843 -0.02878 -0.03178 -0.04595 … -0.06405 0.058003
x5 -0.02878 -0.03178 -0.04595 -0.08367 … 0.058003 -0.07398
x6 -0.03178 -0.04595 -0.08367 0.065211 … -0.07398 0.012941
target -0.04595 -0.08367 0.065211 -0.30413 … 0.012941 -0.22771

Data Pengujian

x1 -0.25462 0.651455 -0.05158 0.21274 … 0.012941 -0.22771

x2 0.651455 -0.05158 0.21274 0.007744 … -0.22771 -0.33531
x3 -0.05158 0.21274 0.007744 0.043661 … -0.33531 0.1265
x4 0.21274 0.007744 0.043661 0.363889 … 0.1265 -0.10515
x5 0.007744 0.043661 0.363889 -0.06405 … -0.10515 -0.02204
x6 0.043661 0.363889 -0.06405 0.058003 … -0.02204 -0.20744
target 0.363889 -0.06405 0.058003 -0.07398 … -0.20744 -0.12846

LAMPIRAN 9

Syntax MATLAB Pengolahan Data Residual

70
Pelatihan

%Input data
p=xlsread('residual','B2:BI7');
t=xlsread('residual','B8:BI8');

%Inisialisasi jaringan
%[jumlah hidden neuron,jumlah output neuron]
net=newff(minmax(p),[10,1],{'tansig','purelin'},'trainlm');

%Inisialisasi bobot
BobotAwal_Input=net.IW{1,1}
BobotAwal_Bias_Input=net.b{1}
BobotAwal_Tersembunyi=net.LW{2,1}
BobotAwal_Bias_Tersembunyi=net.b{2}

%Beberapa parameter
net.trainParam.goal=0.001;
net.trainParam.lr=0.1;

%Pelatihan
net=train(net,p,t);

%Lihat hasil akhir bobot dan output

BobotAkhir_Input=net.IW{1,1}
BobotAkhir_Bias_Input=net.b{1}
BobotAkhir_Tersembunyi=net.LW{2,1}
BobotAkhir_Bias_Tersembunyi=net.b{2}
y_training=sim(net,p)

Pengujian

%Input data
p=xlsread('residual','B11:M16');
t=xlsread('residual','B17:M17');

%Output
y_testing=sim(net,p)

%MSE
MSE_testing=(sum((t-y_testing).^2))/length(t)

Peramalan 6 Periode

%Input data
%Menggunakan 6 data terakhir
p=xlsread('residual','M12:M17');

71
%Output
%Predict ke-1
y1=sim(net,p)

%Predict ke-2
p=[xlsread('residual','M13:M17');y1];
y2=sim(net,p)

%Predict ke-3
p=[xlsread('residual','M14:M17');y1;y2];
y3=sim(net,p)

%Predict ke-4
p=[xlsread('residual','M15:M17');y1;y2;y3];
y4=sim(net,p)

%Predict ke-5
p=[xlsread('residual','M16:M17');y1;y2;y3;y4];
y5=sim(net,p)

%Predict ke-6
p=[xlsread('residual',1,'M17');y1;y2;y3;y4;y5];
y6=sim(net,p)

LAMPIRAN 10

Hasil Pelatihan Jaringan (6-10-1)

72
>> BobotAwal_Input

BobotAwal_Input =

0.6990 0.1366 -1.1158 0.9760 0.4267 -1.1557

-0.9725 -0.2809 0.4058 -0.9211 -0.0777 -1.4761
1.3231 0.4578 -0.1580 0.3596 0.4416 -1.3832
-1.5421 0.9857 -0.2756 0.5492 0.2986 -0.6372
1.3867 0.9350 0.8458 0.2128 0.7694 -0.2697
-1.0889 0.4749 0.9453 1.2939 0.1535 -0.4693
-0.6588 1.3801 -0.4643 -0.7292 0.6853 0.8169
-1.4668 -1.0442 0.5812 -0.6526 0.0807 0.4588
0.2173 0.5968 -0.2391 -1.0858 1.4078 0.7755
0.4569 -0.6573 0.8520 1.0960 -0.7010 1.0786

>> BobotAwal_Bias_Input

BobotAwal_Bias_Input =

-2.0549
1.5983
-1.1416
0.6850
-0.2283
-0.2283
-0.6850
-1.1416
1.5983
2.0549

>> BobotAwal_Tersembunyi

BobotAwal_Tersembunyi =

0.9455 -0.6159 -0.7223 0.3925 -0.8124 0.0508 0.0607 0.7223

-0.0303 -0.2131

>> BobotAwal_Bias_Tersembunyi

BobotAwal_Bias_Tersembunyi =
0.3429

>> BobotAkhir_Input

BobotAkhir_Input =

-0.4183 0.6858 -1.3203 0.0955 -0.9309 -2.9194

-1.6248 1.1769 -0.5691 -1.0264 2.6576 -2.4401

73
 1.2937 1.3678 -0.5254 0.2791 2.2630 -2.8474
-0.7716 1.5862 1.8414 0.3804 0.6964 0.9324
0.8210 -0.7775 0.9980 0.9690 -1.6477 0.2137
-1.0947 0.1099 2.0239 1.1025 0.8884 -0.4743
-0.8461 2.4753 -0.1246 -0.1575 1.6852 2.7620
-1.1427 -1.1280 -0.3946 -0.7788 0.8882 0.8009
-0.0248 1.2997 0.0305 -1.9204 0.8940 0.4381
1.0529 -1.4939 0.8651 1.6241 0.1807 3.6724

>> BobotAkhir_Bias_Input

BobotAkhir_Bias_Input =

-2.1907
1.2275
-1.8103
0.2985
-0.2478
1.2181
-0.1392
-1.5090
0.8269
2.1774

>> BobotAkhir_Tersembunyi

BobotAkhir_Tersembunyi =

3.2555 -1.4762 -0.9461 1.7622 -2.7110 -0.6304 -1.3023 -0.1787

-0.8048 1.5121

>> BobotAkhir_Bias_Tersembunyi

BobotAkhir_Bias_Tersembunyi =

1.5338

%Output Pelatihan
>> y_training

y_training =

Columns 1 through 12

74
 -0.0378 -0.0207 0.0055 -0.2041 0.2247 0.0184 0.3358 0.0101
0.3943 -0.0473 -0.2395 -0.0182

Columns 13 through 24

0.1500 0.1674 -0.6278 -0.1406 0.0950 0.1134 -0.5541 -0.6581

0.9945 0.4824 -0.0500 -0.4945

Columns 25 through 36

0.1494 -0.9960 0.4221 0.2693 0.0511 0.0365 -0.0650 0.2483

-0.3335 -0.4253 0.0296 -0.1555

Columns 37 through 48

-0.5612 0.5907 0.1665 0.1855 -0.3966 -0.1978 -0.0440 -0.3379

-0.0304 -0.3876 -0.0296 -0.0251

Columns 49 through 60

-0.2237 0.6453 -0.0786 0.2095 -0.0070 0.0075 0.2970 -0.0301

0.1191 -0.0875 0.0599 -0.2384

Performa Pelatihan Jaringan (6-10-1)

75
 LAMPIRAN 11

Hasil Pengujian Jaringan (6-10-1)

76
%Output Pengujian
>> y_testing

y_testing =

0.2970 -0.0301 0.1191 -0.0875 0.0599 -0.2384 -0.8785 0.0581

-0.1176 -0.0549 -0.2565 -0.0062

>> MSE_testing

MSE_testing =

0.0275

LAMPIRAN 12

Hasil Peramalan Jaringan (6-10-1)

77
>> predict

y1 =

0.4395

y2 =

0.0842

y3 =

-0.0825

y4 =

-0.0462

y5 =

0.0518

y6 =

0.0188

DAFTAR RIWAYAT HIDUP

Data Pribadi :

78
Nama : Bagus Dwi Saputra

Tempat, Tanggal Lahir : Jakarta, 6 Agustus 1995

Jenis Kelamin : Laki-laki

Agama : Islam

Alamat : Pondok Sukatani Permai, Jl. Mangga 2 Blok H1

No.9 RT003/RW015, Sukatani, Tapos, Kota Depok,

Jawa Barat (16454)

Nomor HP : 081313525272

Alamat e-mail : bagusds26@gmail.com

Riwayat Pendidikan :

TK Al-Muhajirin : 2000-2001

SD Islam Terpadu AT-Taufiq : 2001-2007

SMP Negeri 11 Depok : 2007-2010

SMA Negeri 2 Depok : 2010-2013

Program Studi Statistika FMIPA Universitas Padjadjaran : 2013-2018

79