Forecasting Demand

Analysis Methods

Clean Water

25421001 - Teddy Kurniawan Bahar

25421044 - Verlina Agustine
Table of contents
Outline

.1 Metode
Forecasting .2 Struktur
Data

.3 Studi Kasus
Indonesia .4 Studi Kasus
Global
.1 Metode
Forecasting
 .21
Why Forecasting
Contents of this template
Water Demand?
Air bersih meskipun bukan komoditas yang langka, namun keberadaannya perlu
dipreservasi untuk keberlanjutan sumber daya alam.

Investasi yang berkaitan dengan penyediaan air bersih memiliki anggaran yang
cukup tinggi. Sehingga dibutuhkan perhitungan peramalan yang akurat untuk
melakukan penyediaan yang lebih efisien dan tepat sasaran.

Membantu pemangku kepentingan untuk menentukan kebijakan terkait

penyediaan air bersih di masa depan
Forecasting
Models
Subjective Multivariate
Judgment Regression
Expert Opinion, Delphi, Linear or Non Linear
Alternative Scenario Regression

Extrapolation Non-Parametric
Time Series, Neural Network
Smoothing, ARIMA Model, Fuzzy Logic
Systems
Subjective
Judgment

• Merupakan metode yang

bergantung pada opini stakeholder
dalam penentuan kebijakan
• Peramalan berbasis opini tersebut
memiliki metode yang sederhana
seperti wawancara formal hingga
delphi dan skenario alternatif
• Cocok untuk instalasi cakupan kecil
yang kecil kemungkinan untuk
terjadi perubahan secara signifikan
Subjective
Judgment
Delphi Alternative Scenario
Suatu bentuk pengambilan keputusan Perumusan berbagai skenario
dengan in-depth interview dengan alternatif yang direncanakan untuk
beberapa stakeholder. Wawancara menghadapi berbagai situasi yang
dapat dilakukan berulang kali hingga diperkirakan akan terjadi di masa
semua stakeholder memiliki suatu depan (contoh: pesimis, moderat,
konsensus dalam mengambil optimis).
keputusan yang diinginkan.
Extrapolation
Method
• Metode yang bergantung pada data
historis dari water demand
• Metode yang cukup beragam dari
analisis tren, smoothing, hingga
model ARIMA (Auto Regressive
Integrated Moving Average)
• Hanya mempertimbangkan satu
variabel
• Beberapa ahli menilai metode ini
kurang akurat, sehingga untuk
menambah akurasi dapat melakukan
customer disagregation
Extrapolation
Method

Trend Model ARIMA Model

Peramalan berdasarkan tren historis Merupakan model autoregressive
di masa lalu. Dapat menggunakan yang memprediksi masa depan
pendekatan linear atau logaritma yang dengan weighted value dari nilai di
nantinya akan dilakukan Uji R-Square masa lalu. ARIMA model
untuk mengetahui pendekatan mana menambahkan unsur a sebagai
yang lebih akurat parameter dan e sebagai error.
Extrapolation
Method
Exponential Smoothing
Metode ekstrapolasi yang paling
fleksibel atas perubahan yang terjadi
antara data aktual dengan data
peramalan. Hal ini memungkinkan
peramalan time series yang dapat
menyesuaikan perubahan di tiap
musim.
Multivariate
Regression
• Memberikan jawaban atas penyebab
dari perubahan water demand secara
historis dan meramalkan bagaimana
perkembangannya di masa depan
• Mempertimbangkan variabel-variabel
lain seperti tingkat pendapatan, iuran,
cuaca, program konservasi, dsb
Non-Parametric
Method
• Menggunakan program yang
mempelajari ‘hubungan’ dari
tiap variabel yang berpengaruh
• Merupakan metode yang paling
rumit dan jarang digunakan
dalam water demand forecast
• Metode yang paling akurat di
antara metode lain
Non-Parametric
Method
Neural Network Model
• Model terdiri atas 3 komposisi yaitu
input, hidden layer, dan output.
• Setiap neuron memiliki koneksi yang
memiliki weight masing-masing.
Untuk neuron hidden layer dan output
memiliki activation function yang
menentukan neuron aktif atau tidak.
• Terdapat dua tahapan yaitu training
dan evaluation. Pada tahap training,
weight dan bias akan diiterasi hingga
tercapai output yang diharapkan
Kelebihan dan
Important dates
Kekurangan
Metode Kelebihan Kekurangan
Tidak membutuhkan data Bergantung kepada
Subjective Judgment
kuantitatif pendapat manusia
Hanya membutuhkan data Tidak mempertimbangkan
Extrapolation
historis variabel lain
Lebih akurat,
Membutuhkan data yang
Multivariate Regression mempertimbangkan banyak
lebih beragam
variabel
Non-Parametric Paling akurat Rumit
Aplikasi
Important dates
Metode
Metode
Digunakan pada utilitas skala kecil. Hal ini dikarenakan
Subjective Judgment utilitas skala kecil memiliki kemungkinan kecil terjadi
suatu perubahan dalam water demand
Digunakan jika data yang tersedia hanya berupa data
Extrapolation
historis water demand.
Paling sering digunakan dalam analisis water demand,
digunakan apabila data variabel yang diasumsikan
Multivariate Regression
menjadi faktor yang berpengaruh pada water demand
tersedia
Non-Parametric Digunakan untuk perencanaan utilitas jangka pendek
 Memilih Metode
Skills acquired
in yang tepat
this degree!
.21
Dalam mempertimbangkan metode peramalan yang akan
dipakai, ada beberapa kriteria yang perlu menjadi perhatian
1. Tujuan Peramalan
2. Availabilitas Data
3. Kebutuhan Akurasi Peramalan
4. Performansi dan Diagnosa dari Peramalan
5. Kemudahan penjelasan kepada publik dan pemangku
kepentingan
.2
Struktur
Data
Data for Water-
Demand Forecasting

Forecasting yang efektif membutuhkan sejumlah

data historis yang akurat.

Kenapa penting membahas data dan struktur

data?
1. Mengatasi masalah data yang hilang
2. Mengidentifikasi dan menghapus data yang
eror
3. Mengetahui seberapa banyak pemilahan
yang digunakan dalam hal frekuensi data dan
penelusuran ke tingkat pelanggan
 Pengumpulan Data
Skills acquired Air
Penggunaan
in this degree!
Catatan total produksi air dan/atau pengiriman air, serta
penggunaan dan penagihan air individu adalah sumber informasi
utama tentang penggunaan air.

1. Agregat System Deliveries

Setiap perusahaan air minum harus memiliki catatan yang cukup
akurat tentang total air yang dikirim ke sistem distribusinya
menurut tahun, bulan, hari, dan mungkin bahkan jam.
2. Individual User Records
Data historis yang menunjukkan penggunaan air menurut periode
penagihan untuk setiap pelanggan sangat penting untuk prakiraan
yang lebih tepat.
Pengaturan
Data
Data dapat diorganisir dalam berbagai cara, tergantung
pada tujuan penggunaannya.
1. Time Series Data
Kumpulan data pada variabel tertentu (hari, bulan,
atau tahun)
2. Cross-Section Data
Jenis data ini terdiri dari “sepotong” pola
penggunaan air untuk interval waktu tertentu
(misalnya, penggunaan air yang tercatat untuk
setiap pelanggan individu di suatu distrik untuk
periode atau tahun penagihan tunggal)
3. Pooled Cross-Section and Time-Series Data
Data gabungan time series dan cross-section
 Disagregasi
Skills
Data acquired
in this degree!
Akurasi dapat ditingkatkan dengan menganalisis data secara terpisah
berdasarkan jenis pelanggan air: residential, commercial/Industrial, dan
public.

Prinsip umum yang dapat diterapkan yaitu

1. composition (memberikan dorongan untuk memisahkan permintaan
berdasarkan kategori)
2. noise (didasarkan pada teori bahwa, karena komponen acak (berubah-
ubah) dalam perilaku, serta kesalahan yang tak terhindarkan dalam
pengamatan, lebih mudah untuk memprediksi perilaku secara agregat
daripada individu atau kelompok yang lebih kecil)

Terdapat dua masalah yang sering ditemui dalam analisis data yaitu error
data (data yang tidak masuk akal) dan data yang hilang.
Variabel
Lainnya

Forecasting Water-demand menggunakan data

dari cuaca, iklim, demografi, structural, dan
variable ekonomi.

1. Cuaca dan Iklim

2. Populasi
3. Pendapatan Penduduk, Pekerjaan, dan
Produksi
.3 Studi Kasus
Indonesia
JAET: Journal of Airport Engineering
.21
Technology Volume: 01 No.2 June,

Contents of this template

2021; pp. 61-68,
E-ISSN, P-ISSN: 2774-9622, 2775-4871

The Future Challenge: Water Demand

Forecasting
Anggi Nidya Sari
Politeknik Negeri Sriwijaya

Abstract
Palembang memiliki sumber air yang melimpah; Kota Palembang dilalui oleh salah satu sungai terpanjang di
Indonesia yaitu Sungai Musi. Namun, pertumbuhan penduduk semakin meningkat dari waktu ke waktu,
demikian juga dengan kebutuhan akan air bersih. Proyeksi jumlah kebutuhan air bersih di masa yang akan
datang sangat dibutuhkan; Selain mengantisipasi kelangkaan air, proyeksi kebutuhan air juga diperlukan
untuk membangun sarana dan prasarana air bersih. Penelitian ini dilakukan dengan menggunakan
perhitungan statistik untuk menghitung jumlah penduduk sepuluh tahun mendatang. Jumlah penduduk
Palembang pada tahun 2030 diproyeksikan meningkat menjadi 1.898.221 jiwa. Hasil proyeksi penduduk ini
digunakan untuk menghitung total kebutuhan air pada tahun 2030. Total kebutuhan air diperoleh dari
perhitungan kebutuhan domestik, non domestik, hidran kebakaran, dan kehilangan air. Pada tahun 2030
total kebutuhan air adalah 6.816 L/detik.
Metode dan
Data
Proyeksi Jumlah Penduduk
Metode Aritmatika Pn : Jumlah penduduk n tahun yang akan data
: menggunakan asumsi bahwa laju Po : Jumlah penduduk awal tahun data
pertumbuhan penduduk adalah konstan Pt : jumlah penduduk pada akhir tahun data
setiap tahunnya. X : Interval waktu (tahun dari tahun n - tahun lalu)
T : Data selang waktu tahun (n-1)
Metode dan
Data
Proyeksi Jumlah Penduduk
Metode Geometri
menggunakan asumsi bahwa
perkembangan penduduk otomatis berlipat
ganda dengan pertambahan penduduk
Pn : Jumlah penduduk dalam n tahun mendatang
Po : Jumlah penduduk awal tahun data
Pt : Jumlah penduduk pada akhir tahun data
N : Jumlah tahun proyeksi
r : Rasio pertambahan penduduk rata-rata pertahun
t : Data selang waktu tahun (n - 1)
Metode dan
Data
Proyeksi Jumlah Penduduk
Metode Kuadrat Terkecil Yn : Jumlah penduduk dalam n tahun mendatang
digunakan untuk daerah dengan trend a, b : Konstanta
pertumbuhan penduduk yang linier, X : Kenaikan tahun
meskipun pertumbuhan penduduk tidak n : Jumlah data
selalu meningkat.
Hasil dan
Diskusi

Dari data perbandingan nilai Standar

Deviasi (SD) dan Koefisien Korelasi (r),
diperoleh nilai SD terkecil yaitu Metode
Kuadrat Terkecil dengan nilai 2198,19
dan nilai r 0,999.
Hasil dan
Diskusi
Demand kebutuhan domestic dan non domestik Total Kebocoran Air

Total Kebutuhan Air

.4
Studi Kasus
Global
 .21
Arab Journal Science and Engineering ISSN
1319-8025, Volume 37 No. 8

Contents
Water of this
Demand template
Forecasting Based on
Stepwise Multiple Non-Linear Regression
Analysis
Abdulkaddir Yasar | Mehmet Bilgilli | Erdogan Simsek
© King Fahd University of Petroleum and Minerals 2012

Abstract
The main objective of the present study is to apply the nonlinear regression (NLR) model in order to forecast
water demand in Adana city of Turkey. The average monthly water bill, total subscribership, atmospheric
temperature, relative humidity, rainfall, global solar radiation, sunshine duration, wind speed and
atmospheric pressure are selected as independent variables. Meteorological parameters were taken from
Adana meteorological station, and the other parameters such as water consumption, total subscribership
and water bill values were supplied from Adana Water and Sewerage Administration during the periods of
2000–2009. In order to get a successful simulation, first, all independent variables were added to the
“enter” regression model. Then, the method of stepwise multiple regression was applied for the selection of
the “best” regression equation (model). Thus, the best independent variables were selected for the NLR
model. Consequently, while water consumption in Adana city is 3.84 million m3 at the end of 2009, it will
increase up to 4.99 million m3 by the year 2020.
Metode dan
Data
Area Study
• Seyhan Basin, with a total area of about 20,000 km2, is
one of the major basins in Anatolia. There are three
dams in series on Seyhan River, Çatalan, Seyhan and
Yedigöze Dam.

• The current metered consumption in Adana city was

52.012 million m3/year in 2009, and respectively, 48.940
million m3(88.9 %) out of this water consumption in the
residential, 1.937 million m3 (3.52 %) in gardens, 1.758
million m3 (3.19 %) in governmental sectors and 0.385
million m3 in mosques was used.
Metode dan
Data
Stepwise Multiple Regression
Digunakan untuk mencari model dengan Y : Water Consumption
variabel yang paling signifikan berpengaruh X1 : Function of the month in a year
terhadap variabel dependen. X2 : Average Monthly Water Bill
X3 : Total Subscribership
X4 : Atmospheric Temperature
X5 : Relative Humidity
X6 : Rainfall
X7 : Global Solar Radiation
X8 : Sunshine Duration
X9 : Wind Speed
X10 : Atmospheric Pressure
Hasil dan
Diskusi

Variabel
bersifat
nominal
sehingga
dilakukan
regresi non
linear
Hasil dan
Diskusi

Pada Metode Enter, hanya variabel X4 yang memiliki

signifikansi <0,05 sehingga dilakukan selanjutnya
dilakukan metode stepwise
Hasil dan
Diskusi

According to the results obtained from the stepwise multiple regression

analysis, the monthly water demand is directly related to the total number of
subscribers and atmospheric temperature. The water demand of Adana is
estimated to reach around 4.99 million m3 in 2020.
Daftar Pustaka
Billing and Jones. (2008). Forecasting Urban Water Demand.

Anggi Nidya Sari. (2021). The Future Challenge: Water Demand

Forecasting.

Yassar et all. (2012). Water Demand Forecasting Based on

Stepwise Multiple Non-Linear Regression Analysis.
Thank you!
Do you have any questions?

PL 6233
Transportation and Infrastructure Analytical Methods

CREDITS: This presentation template was created by Slidesgo,

including icons by Flaticon and infographics & images by Freepik