Pendekatan Percentile Error Bootstrap pada Model Double Seasonal Holt-Winters, Double Seasonal ARIMA, dan Naïve untuk Peramalan Beban Listrik Jangka Pendek Area Jawa Timur-Bali

Abstract

Interval prediksi pada model double seasonal Holt-Winters (DSHW) tidak dapat dikonstruksi dengan cara analitis. Jika digunakan untuk meramal jauh ke depan, model double seasonal ARIMA memiliki varians error yang semakin besar sehingga interval prediksi menjadi semakin lebar. Sementara model Naïve untuk data musiman memiliki varians error yang semakin besar setiap kelipatan periode musiman. Penelitian ini bertujuan untuk meramalkan beban listrik area Jawa Timur-Bali menggunakan pendekatan percentile error bootstrap (PEB) pada model DSHW, DSARIMA, dan Naïve. Data yang digunakan adalah beban listrik per setengah jam dalam satuan Mega Watt (MW) dari periode 1 Januari 2013 hingga 30 September 2014. Hasil penelitian menunjukkan bahwa model DSARIMA merupakan model terbaik berdasarkan kriteria out-sample sMAPE, kriteria in-sample AIC-SBC, serta kriteria out-sample rata-rata lebar interval prediksi. Dengan demikian, dapat disimpulkan bahwa model terbaik untuk peramalan beban listrik jangka pendek area Jawa Timur-Bali adalah model DSARIMA dengan interval prediksi yang dikonstruksi menggunakan pendekatan percentile error bootstrap.