Pemodelan Regime Pembebanan Pembangkit Secara Harian Menggunakan Metode Markov Switching Autoregressive: Studi Kasus di PLTMG Arun

Andyk Probo Prasetya; Nur  Iriawan

doi:10.36418/syntax-literate.v10i3.56327

Andyk Probo Prasetya Institut Teknologi Sepuluh Nopember
Nur Iriawan Institut Teknologi Sepuluh Nopember

DOI: https://doi.org/10.36418/syntax-literate.v10i3.56327

Keywords: Markov Switching Autoregressive, Time Series, Load Profile, Dispatcher

Abstract

Kebutuhan energi listrik di Indonesia terus tumbuh setiap tahunnya, diperkirakan penjualan listrik meningkat sekitar 4,9% dan jumlah pelanggan mencapai 24,4 juta menurut RUPTL 2021 2030. PLTMG Arun di Aceh memainkan peran krusial dalam Sub Sistem Aceh (Sumbagut - Aceh), dengan kapasitas saat ini mencapai 184 MW, menyumbang 9,41% dari kebutuhan beban Sub Sistem Sumbagut sebesar 1.956 MW. Penelitian ini bertujuan untuk menyelidiki dan mendeteksi perubahan dalam Regime pembebanan pembangkit listrik secara harian, bulanan, dan tahunan menggunakan Model Markov Switching Autoregressive, dengan fokus pada PLTMG Arun. Perubahan dalam Regime pembebanan pembangkit dapat memberikan informasi berharga kepada pengelola pembangkit dan dispatcher untuk membuat keputusan yang lebih baik dan efisien. Penelitian ini mendalami bagaimana Model Markov Switching Autoregressive dapat mengidentifikasi perubahan Regime yang mempengaruhi pola operasional pembangkit, memberikan pemahaman yang lebih baik tentang dinamika pembebanan, serta menentukan kriteria efektif untuk memilih model yang paling sesuai. Model MS(4)AR(1) dipilih sebagai model terbaik dengan Akaike Information Criterion (AIC) terendah 15.688,27 menunjukkan efisiensi dalam menjelaskan variasi data tanpa kompleksitas berlebih. Forecast kebutuhan beban pembangkit selama 30 hari menunjukkan fluktuasi signifikan, dengan beban tertinggi pada hari ke-2 (167,48 MW) dan terendah pada hari ke-18 (9,29 MW). Total selisih antara nilai forecast (1.835,54 MW) dan realisasi (1.828,70 MW) hanya sebesar 6,84 MW, dengan MAPE rata-rata 18,63%, menunjukkan akurasi prediksi yang dapat diterima. Dengan memahami durasi dan karakteristik setiap Regime, perusahaan dapat meningkatkan efisiensi sumber daya dan keberlanjutan energi, meminimalkan risiko operasional di masa depan, berkontribusi pada pengembangan metode analisis pembebanan dan pengambilan keputusan yang lebih efisien oleh pengelola pembangkit.

Keywords: Markov Switching Autoregressive, Time Series, Load Profile, Dispatcher.

Downloads

Download data is not yet available.

References

Adhikari, R. & Agrawal, R. K., 2013. An Introductory Study on Time Series Modeling and Forecasting. Saarbr�cken: LAP Lambert Academic Publishing.
Akaike, H., 1978. A Bayesian Analysis of the Minimum AIC Procedure. Annals of the Institute of Statistical Mathematics, 30(1), pp. 9 - 14.
Arellano, M., 2003. Panel Data Econometrics. Oxford: OUP Oxford.
Ashariansyah, A. R., Iriawan, N. & Mukarromah, A., 2020. Pemodelan Harga Cryptocurrency Menggunakan Markov Switching Autoregressive. Jurnal Sains dan Seni ITS (Inferensi), 3(2), pp. 81-90.
Asteriou, D. & Hall, S. G., 2015. Applied Econometrics. 3 ed. London: Palgrave Macmillan.
Badi, H. & B., 2013. Econometric Analysis of Panel Data. 5 ed. Switzerland: Springer Nature Switzerland AG.
Box, G. . E. P., Jenkins, G. M., Reinsel, G. C. & Ljung, G. M., 2015. Time Series Analysis: Forecasting and Control (5th ed.). 5th ed. Canada: John Wiley and Sons In.
Cryer, J. D. & Chan, K. S., 2008. Time Series Analysis with Applications in R. New York: Springer Science+Business Media.
Dourado, E. & Brito, J., 2014. �Cryptocurrency,� The New Palgrave Dictionary of Economics. Edisi Online ed. London: Palgrave Macmillan.
Hamilton, J. D., 1989. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle. Econometrica, Volume 57, pp. 357 - 384.
Harjono, 2022. Markov Switching Process Monitoring Brain Wave Movement in Autism Children. Surabaya, Institut Teknologi Sepuluh Nopember, pp. 103 - 108.
Historini, D. M., 2010. Pemodelan Mixture Autoregressive (MAR) dengan Pendekatan Algoritma EM (Studi Kasus Pada Indeks Harga Saham Nikkei 225). Jurnal Gaussian, Volume 5.
Hsiao, C., 2014. Analysis of Panel Data. 3 ed. London: Cambridge University Press.
Iriawan, N., Suhartono & Atok, R. M., 2008. Model Mixture Normal Autoregressive (MNAR) pada Data Panel.
Iriawan, N., Suhartono & Sulistyawati, S., 2008. On the Hourly Electricity Demand Forecasting: a Bayesian Mixture Normal Autoregressive Approaches.
Katchova, A., 2020. Time Series ARIMA Models. [Online]
Available at: http://sites.google.com/site/econometricsacademy
[Accessed 16 June 2024].
Kim, C. J., 1994. Dynamic Linear Models with Markov Switching. Journal of Econometrics, 60(1), pp. 1 - 22.
Kim, C. J. & Nelson, C. R., 1999. State-Space Models with Regime Switching: Classical and Gibbs-Sampling Approaches with Applications. Cambridge: The MIT Press.
Prihartanti, W., Rasyid, A. & Iriawan, N., 2020. Daily Stock Price Regime Model Detection using Markov Switching Model. Matematika, Volume 36, pp. 1-10.
Prihartanti, W., Rasyid, D. A. & Iriawan, N., 2019. On the run-length of the structural change in time series data. AIP Conference Proceedings, 2194(1), pp. 1-8.
PT. PLN (Persero), 2015. Modul Pengajaran 02: Pengenalan Pembangkit. Suralaya: PLN Corporate University.
PT. PLN (Persero), 2021. Rencana Usaha Penyediaan tenaga Listrik (RUPTL) PT. PLN (Persero) 2021 � 2030. Jakarta: PLN (Persero).
Schnatter, S. F., 2005. Finite Mixture and Markov Switching Models. Linz: Johannes Kepler Universit�t.
Shumway, R. H. & Stoffe, D. S., 2017. Time Series Analysis and Its Applications: With R Examples (4th ed.). 4 ed. Cham, Switzerland: Springer.
Stock, J. H. & Watson, M. W., 2019. Introduction to Econometrics. 4 ed. New York: Pearson Education.
Terasvirta, T., 1994. Specification, Estimation, and Evaluation of Smooth Transition Autoregressive Models.. Journal of the American Statistical Association, pp. 208-218.
Thyer, M. & Kuczera, G., November 2000. Modeling long-term persistence in hydroclimatic time series using a hidden state Markov Model. pp. 3301-3310.
Tsay, R. S., 2002. Analysis of Financial Time Series. Canada: John Wiley & Sons.
Wei, W. W., 2006. Time Series Analysis: Univariate and Multivariate Methods, Second Edition. New York: Pearson.
Woodward, W. A., Gray, H. L. & Elliott, A. C., 2017. Applied Time Series Analysis. 2 ed. Boca Raton, Florida: CRC Press.
Wooldridge, J. M., 2010. Cross-Sectional and Panel Data: A Practical Guide to Econometric Analysis with EViews. 2 ed. Cambridge: The MIT Press.
Zucchini, W. & Guttorp, P., August 1991. A Hidden Markov Model for Space-Time Precipitation. pp. 1917-1923.