Siga, Florence Adeleyda (2016) Studi Simulasi Pengaruh Outlier Terhadap Orde K-Factor Garma Dan Aplikasinya Untuk Peramalan Beban Listrik. Masters thesis, Institut Technology Sepuluh Nopember.
Preview |
Text
1314201026- Master_Thesis.pdf - Accepted Version Download (4MB) | Preview |
Abstract
Model k-factor Gegenbauer autoregressive moving average (k-factor
GARMA) dapat digunakan untuk menganalisis kejadian yang mempunyai pola
cyclical long memory karena dapat menangkap pola long memory pada setiap
frekuensi ( ) dalam interval 0 . Orde k pada model k-factor GARMA
dapat diidentifikasi dengan menggunakan prosedur penentuan orde model yang
berbasis sequential test dari maksimum periodogram. Penelitian ini bertujuan
untuk mengetahui performans dari prosedur tersebut apabila diaplikasikan pada
series yang mengandung satu komponen additive outlier (AO) atau innovational
outlier (IO) dan untuk mengetahui model beban listrik di Jawa-Bali menggunakan
model tersebut. Hasil simulasi menunjukkan bahwa keberadaan dari dua jenis
outlier yang digunakan mengurangi power dari prosedur dimaksud. IO
memberikan pengaruh yang lebih besar dari AO karena dapat mengurangi nilai
power hingga mencapai 0% yang berarti bahwa tidak ada series yang
teridentifikasi dengan benar. Selain itu, outlier tersebut tidak hanya
mempengaruhi nilai power tetapi juga mempengaruhi orde modelnya dimana
ordenya bertambah satu. Pemodelan dan peramalan beban listrik di Jawa-Bali
dilakukan pada tiga series data yang berbeda yaitu data original, data residual
regresi dummy, dan data residual dekomposisi. Orde model yang diperoleh dari
ketiga series tersebut masing-masing adalah 25, 9, dan 32. Model yang dihasilkan
mampu mengakomodasi pola-pola lain yang terdapat pada data in sample tetapi
hal tersebut tidak berlaku untuk data out sample. Model terbaik yang dapat
digunakan untuk meramalkan beban listrik tahun 2010 adalah model regresi
dummy dan 9-factor GARMA dengan RMSE dan MAPE senilai 853,72 dan 4,80.
Hasil perbandingan akurasi peramalan antara model 25-factor GARMA model
TBATS (Trigonometric, Box-Cox transform, ARMA error, Trend, dan Seasonal
component) diperoleh bahwa model TBATS memiliki akurasi yang lebih baik
dengan RMSE dan MAPE berturut-turut adalah 1.084,07 dan 6,447.
============================================================================================================
k-factor Gegenbauer autoregressive moving average (k-factor GARMA)
model can be used to analyze cyclical long memory process since it can capture
long memory behaviour which occurs at frequency ( ) within interval 0 .
The order of k in that model can be identified using model order selection
procedure based on sequential test of maximum periodogram. The aims of this
research are to investigate the performance of that procedure when applied to
series containing one component of additive outlier (AO), innovational outlier
(IO), and combination of both outliers and to obtain electricity load model in Java
and Bali. The result of simulation study shows that the existence of both outliers
reduce the power of that procedure. IO provides greater influence than AO
because it reduces power value until 0 % which means that there is no series
identified correctly. In addition, the outliers affect not only to the power but also
to the model order with increase by one. Modelling and forecasting of electricity
load in Java and Bali using k-factor GARMA model performed on three different
data set that are original series, residual of dummy regression, and residual of time
series decomposition. Order of the model obtained from the third series are 25, 9,
and 32 respectively. The resulting models are able to accomodate other patterns
containing in in sample data, but it can not apply to out sample data. The best
model that can be used to forecast electricity load in 2010 is dummy regression
and 9-factor GARMA with RMSE and MAPE of 853,72 and 4,80 respectively.
The comparison of acccuracy between 25-factor GARMA and Trigonometric,
Box-Cox transform, ARMA error, Trend, and Seasonal components (TBATS)
yielded that TBATS model has better accuracy with RMSE and MAPE of
1.084,07 and 6,447 respectively.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.535 Sig s |
| Uncontrolled Keywords: | Beban Listrik, Cyclical Long Memory, k-Factor GARMA, Outlier, Sequential Test |
| Subjects: | H Social Sciences > HA Statistics > HA31.3 Regression. Correlation |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Mr. Tondo Indra Nyata |
| Date Deposited: | 20 Jan 2020 03:29 |
| Last Modified: | 29 Apr 2024 02:24 |
| URI: | http://repository.its.ac.id/id/eprint/72755 |
Actions (login required)
 |
View Item |