Subur Rahayu, 4111416014 (2021) PERBANDINGAN PENDEKATAN PERCENTILE ERROR BOOTSTRAP PADA MODEL ADDITIVE DSHW DAN DSARIMA DENGAN DETEKSI OUTLIER UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK AREA JATENG - DIY. Under Graduates thesis, Universitas Negeri Semarang.

PDF (PERBANDINGAN PENDEKATAN PERCENTILE ERROR BOOTSTRAP PADA MODEL ADDITIVE DSHW DAN DSARIMA DENGAN DETEKSI OUTLIER UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK AREA JATENG - DIY) - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk membandingkan nilai akurasi terbaik dari metode additive double seasonal Holt-Winters (DSHW) dan double seasonal ARIMA (DSARIMA) dengan deteksi outlier menggunakan pendekatan percentile error bootstrap dalam peramalan beban listrik dilihat dari kriteria out-sample sMAPE dan rata-rata lebar interval prediksi terkecil. Metode yang digunakan dalam penelitian ini adalah additive DSHW dan DSARIMA dengan deteksi outlier dengan pendekatan percentile error bootstrap pada kedua metode tersebut berbantuan software R Studio dan SAS Studio. Data yang digunakan merupakan data per setengah jam beban listrik area Jateng–DIY periode 1 Januari sampai dengan 31 Agustus 2019. Pengujian diawali dengan membagi data menjadi data in-sample dan out-sample lalu melakukan pemodelan additive DSHW sehingga diperoleh hasil peramalan titik, selanjutnya pemodelan DSARIMA dengan deteksi outlier sehingga diperoleh hasil peramalan titik pula. Selanjutnya hasil peramalan titik dari kedua model dikonstruksikan peramalan interval menggunakan percentile error boostrap. Hasil penelitian menunjukkan bahwa model DSARIMA dengan deteksi outlier memiliki nilai out-sample sMAPE terkecil yaitu 0,154% dan dengan rata-rata lebar interval prediksi sebesar 485. Dengan demikian dapat disimpulkan bahwa model terbaik untuk peramalan beban listrik jangka pendek area Jateng- DIY adalah model DSARIMA dengan deteksi outlier yang dikonstruksikan dengan pendekatan percentile error boostrap.

Actions (login required)

View Item