Analisis yang akan dilakukan adalah karakteristik data menggunakan time series plot dan ARIMA Box Jenkins. Dataini berasal dari PT. PLN (PERSERO) DISTRIBUSI JAWA TIMUR mengenai Konsumsi Listrik Berdasarkan Pemakaian Kwh untuk Kategori Industri I-4". Berikut adalah data yang disajikan dapat dilihat pada tabel 1.
| 1 |
226087826 |
Januari 2010 |
| 2 |
228155358 |
Februari 2010 |
| 3 |
208973260 |
Maret 2010 |
| 4 |
239655815 |
April 2010 |
| 5 |
206299478 |
Mei 2010 |
| 6 |
249854663 |
Juni 2010 |
| : |
: |
: |
| 79 |
237558539 |
Juli 2016 |
| 80 |
280403583 |
Agustus 2016 |
| 81 |
266410215 |
September 2016 |
| 82 |
285385691 |
Oktober 2016 |
| 83 |
279730055 |
November 2016 |
| 84 |
281862824 |
Desember 2016 |
1. TIME SERIES PLOT
Time Series Plot
Time Series plot digunakan untuk mengetahui bagaimana pola data dari konsumsi listrik Berdasarkan Pemakaian Kwhuntuk Kategori Industri I-4 di PT. PLN (PERSERO) DISTRIBUSI JAWA TIMUR.
Gambar diatas merupakan time series plot Konsumsi Listrik berdasarkan pemakaian KWh untuk kategori industri I-4periode Januari 2010 - Desember 2014. Dapat Diketahui bahwa konsumsi listrik untuk kategori I-4 cenderung menga-lami peningkatan setiap bulannya. Pada periode Oktober 2013 - Maret 2014 terjadi penurunan yang fluktuatif di-sebabkan oleh adanya perubahan kebijakan pemerintah terkait pemindahan golongan. Pada Mei-Agustus 2014 terjadi penurunan yang fluktuatif disebabkan oleh adanya beberapa perusahaan yang membangun pembangkit sendiri dan kemungkinan perusahaan tersebut masih tercatat sebagai golongan industri I-4, sehingga PT. PLN (PERSERO) DISTRIBUSI JAWA TIMUR mengalami penurunan jumlah konsumsi listrik pada periode tertentu.
Time Series Dekomposisi
Dekomposisi dalam peramalan merupakan metode yang menggunakan empat komponen utama dalam meramalkan nilai masa depan, komponen tersebut antara lain trend (Tt), musiman (St), Siklik/siklus (Ct) dan Error atau komponen keti-dakteraturan (Et). Dekomposisi mengisolasi komponen-komponen tersebut untuk kemudian menyusun kembali komponen-komponen tersebut menjadi efek musiman, efek siklus, efek trend, dan error.
2. IDENTIFIKASI KESTASIONERAN DATA
Data konsumsi listrik berdasarkan KWh untuk Kategori industri I-4 dibagi menjadi 2 data yaitu sebagai data in- sample sebanyak 72 data dan data outsample sebanyak 12 data. Data insample digunakan untuk memodelkan data kon-sumsi listrik sedangkan data outsample digunakan untuk validasi model peramalan. Langkah pertama pada ARIMA BoxJenkins adalah melakukan pemeriksaan kestasioneran dalam varians dan mean menggunakan data insample dan outsam-ple dari konsumsi listrik berdasarkan KWh untuk Kategori industri I-4 di PT. PLN (PERSERO) DISTRIBUSIJAWA TIMUR.
Stasioner Dalam Varians
Untuk melihat kestasioneran data dalam varians menggunakan Box-Cox, apabila nilai lambda lebih dari 1, maka da-pat dikatakan data telah stasioner dalam varians. Berikut adalah hasil dari Box-CoX pada dataKonsumsi listrik berdasarkan KWh untuk Kategori industri I-4 di PT. PLN (PERSERO) DISTRIBUSI JAWA TIMUR.
## Loading required package: carData
## Estimated transformation parameter
## Datatraining$Pemakaian.KWh
## 1.10751
Gambar diatas menunjukkan bahwa hasil Box-Cox dari data konsumsi listrik didapatkan nilai lambda sebesar 1 yangberarti bahwa data Konsumsi listrik berdasarkan KWh untuk Kategori industri I-4 di PT. PLN (PERSERO) DISTRIBUSIJAWA TIMUR telah stasioner dalam varians.
Stasioner Dalam Mean
Untuk melihat kestasioneran data dalam mean menggunakan plot Autocorrelation Function (ACF), apabila plot telahberada pada nilai mean maka dapat dikatakan data telah stasioner dalam mean.
Berdasarkan gambar plot ACF diatas dapat diketahui bahwa plot data Konsumsi listrik berdasarkan KWh untuk Kate-gori industri I-4 cenderung naik dan tidak berada di sekitar nilai rata-rata yang konstan yang berarti bahwa data tidak stasioner dalam mean. Sehingga perlu dilakukan differencing.
3. PLOT ACF DAN PACF
Setelah dilakukan pemeriksaan kestasioneran data, langkah selanjutnya adalah mengidentifikasi model dugaan dengan melihat plot ACF dan PACF. Berikut adalah plot ACF dan PACF.
Pada plot ACF terlihat bahwa plot terpotong pada lag 1 dan Plot PACF terpotong setelag lag ke 1 dan 8. Plot ACFdigunakan untuk membentuk model (p,d,q) sebagai orde q dan Plot PACF digunakan untuk membentuk model (p,d,q) sebagai orde p. Sedangkan orde d adalah differencing.
4. Pengujian Asumsi Residual
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,0)
## Q* = 8.3447, df = 9, p-value = 0.4998
##
## Model df: 1. Total lags used: 10
Berdasrkan hasil dari pengujian asumsi residual yaitu white noise dan distribusi normal didapatkan hasil bahwa residual data telah bersifat white noise dan berdistribusi normal.
5. FORECASTING
## Series: Data2
## ARIMA(1,1,0)
##
## Coefficients:
## ar1
## -0.4226
## s.e. 0.0984
##
## sigma^2 estimated as 8.542e+14: log likelihood=-1544.19
## AIC=3092.38 AICc=3092.53 BIC=3097.21
