PPT Wisnu.pptx4rrrrrrrrrrrrrrrrrrrrrrrrrr

er

1. JURUSAN S1 TEKNIK ELEKTRO PERAMALAN BEBAN LEBIH (OVERLOAD) PADA JARINGAN LISTRIK TEGANGAN MENENGAH MENGGUNAKAN TIME-SERIES MODEL SARIMAX MUHAMMAD WISNU RAHMAT (E1D123023) DINA APRILIA (E1D12342) AMIN ALBANI (E1D123073) Fakultas Teknik 1 Disusun Oleh:

2. Latar Belakang Kebutuhan listrik meningkat seiring pertumbuhan ekonomi . Overload pada jaringan menengah dapat mengganggu sistem . Perlu peramalan untuk mencegah beban berlebih . SARIMAX digunakan sebagai metode prediktif . 2

3. Rumusan Masalah & Tujuan Bisakah data historis diprediksi SARIMAX selama 36 jam ke depan ? 3 Rumusan Masalah : Tujuan: Analisis pola beban historis . Identifikasi parameter SARIMAX. Membangun model prediksi overload.

4. Manfaat Penelitian Penerapan SARIMAX dalam kelistrikan . Mendukung perencanaan distribusi listrik . Dasar pengambilan keputusan berbasis data. 4

5. Tren, Musiman , Siklus , Acak. Butuh stasioneritas untuk akurasi prediksi . Tinjauan Pustaka 5 Time Series: SARIMAX: Kombinasi ARIMA + musiman + variabel eksternal . Cocok untuk prediksi beban dengan pengaruh luar .

6. Rumus Umum SARIMAX 6 Φ ₚ( Bˢ ) · φ ₚ(B) · ∇^Dₛ ∇^d Yₜ = Θ_ Q( Bˢ ) · θ_ q(B) · ε ₜ + β Xₜ Keterangan: Yₜ : nilai beban listrik pada waktu ke -t B : operator lag ( misalnya , B·Yₜ = Yₜ₋₁) ∇^d : diferensiasi non- musiman sebanyak d kali ∇^Dₛ : diferensiasi musiman sebanyak D kali dengan periode musiman s φₚ(B) : komponen autoregresif (AR) non- musiman Φₚ( Bˢ ) : komponen AR musiman dengan periode s θ_q (B) : komponen moving average (MA) non- musiman Θ_Q( Bˢ ) : komponen MA musiman dengan periode s εₜ : error acak (white noise) pada waktu t Xₜ : variabel eksogen ( jika digunakan ) β : koefisien regresi variabel eksoge

7. Metode Penelitian Dataset: Kaggle ( beban listrik 2020–2021). Tools: Python (Pandas, NumPy, statsmodels , dll ). Tahapan : stasioneritas → ACF/PACF → pemodelan → validasi . 7

8. Dataset 8

9. Code 9

10. Code 10

11. Hasil dan Pembahasan 11 Hasil Visualisasi ACF dan PACF

12. Hasil dan Pembahasan ACF → q = 2–5 (komponen MA signifikan). PACF → p = 1–2 (lag awal dominan). Rekomendasi: p = 1, d = 1, q = 2–5. 12 Analisis ACF dan PACF

13. Hasil dan Pembahasan 13 Model SARIMAX dan Prediksi Beban Puncak

14. Hasil dan Pembahasan 14 10 Waktu dengan beban tertinggi di forcasting

15. Hasil dan Pembahasan Prediksi 36 jam ke depan . Puncak beban: 4705.52 satuan ( 31 Des 202 1 , 22 :00). Garis biru : data a k tual . Garis M erah : hasil prediksi . Area M erah muda : interval kepercayaan 95%. 15 Hasil Model SARIMAX

16. Hasil dan Pembahasan Risiko overload tinggi . SARIMAX akurat & fleksibel . Bermanfaat untuk penjadwalan , warning system, dan optimasi . 16 Implikasi Sistem Distribusi

17. Kesimpulan SARIMAX efektif untuk prediksi beban jangka pendek . Model menangkap pola musiman dan tren harian . Prediksi puncak bantu cegah overload jaringan . 17

18. Saran dan Penutup Tambahkan variabel eksogen : cuaca , hari libur . Gunakan SARIMAX dalam sistem monitoring real-time. 18

19. Terimakasih atas perhatiannya ! 19