Studi Simulasi Pengaruh Outlier Terhadap Orde K-Factor Garma Dan Aplikasinya Untuk Peramalan Beban Listrik

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.

[img] Text
1314201026- Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only

Download (4MB) | Request a copy

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: 20 Jan 2020 03:29
URI: http://repository.its.ac.id/id/eprint/72755

Actions (login required)

View Item View Item