Claim Missing Document
Check
Articles

Found 32 Documents
Search

Pemodelan Regime Pembebanan Pembangkit Secara Harian Menggunakan Metode Markov Switching Autoregressive: Studi Kasus di PLTMG Arun Probo Prasetya, Andyk; Iriawan, Nur
Syntax Literate Jurnal Ilmiah Indonesia
Publisher : Syntax Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36418/syntax-literate.v10i3.56327

Abstract

Kebutuhan energi listrik di Indonesia terus tumbuh setiap tahunnya, diperkirakan penjualan listrik meningkat sekitar 4,9% dan jumlah pelanggan mencapai 24,4 juta menurut RUPTL 2021 – 2030. PLTMG Arun di Aceh memainkan peran krusial dalam Sub Sistem Aceh (Sumbagut - Aceh), dengan kapasitas saat ini mencapai 184 MW, menyumbang 9,41% dari kebutuhan beban Sub Sistem Sumbagut sebesar 1.956 MW. Penelitian ini bertujuan untuk menyelidiki dan mendeteksi perubahan dalam Regime pembebanan pembangkit listrik secara harian, bulanan, dan tahunan menggunakan Model Markov Switching Autoregressive, dengan fokus pada PLTMG Arun. Perubahan dalam Regime pembebanan pembangkit dapat memberikan informasi berharga kepada pengelola pembangkit dan dispatcher untuk membuat keputusan yang lebih baik dan efisien. Penelitian ini mendalami bagaimana Model Markov Switching Autoregressive dapat mengidentifikasi perubahan Regime yang mempengaruhi pola operasional pembangkit, memberikan pemahaman yang lebih baik tentang dinamika pembebanan, serta menentukan kriteria efektif untuk memilih model yang paling sesuai. Model MS(4)AR(1) dipilih sebagai model terbaik dengan Akaike Information Criterion (AIC) terendah 15.688,27 menunjukkan efisiensi dalam menjelaskan variasi data tanpa kompleksitas berlebih. Forecast kebutuhan beban pembangkit selama 30 hari menunjukkan fluktuasi signifikan, dengan beban tertinggi pada hari ke-2 (167,48 MW) dan terendah pada hari ke-18 (9,29 MW). Total selisih antara nilai forecast (1.835,54 MW) dan realisasi (1.828,70 MW) hanya sebesar 6,84 MW, dengan MAPE rata-rata 18,63%, menunjukkan akurasi prediksi yang dapat diterima. Dengan memahami durasi dan karakteristik setiap Regime, perusahaan dapat meningkatkan efisiensi sumber daya dan keberlanjutan energi, meminimalkan risiko operasional di masa depan, berkontribusi pada pengembangan metode analisis pembebanan dan pengambilan keputusan yang lebih efisien oleh pengelola pembangkit. Keywords: Markov Switching Autoregressive, Time Series, Load Profile, Dispatcher.
Analisis Pola Persebaran Pelanggan Telat Bayar Listrik Menggunakan Spatial Poisson Point Process Wijaya, Elizabeth Meiliana; Iriawan, Nur
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.155296

Abstract

Saat ini, permintaan energi listrik semakin meningkat dari hari ke hari, sementara sumber daya yang dibutuhkan untuk menghasilkan energi ini semakin sedikit. Oleh karena itu, penggunaan listrik harus diperhatikan dengan seksama. PT. Pe-rusahaan Listrik Negara (PLN) (Persero) merupakan perusa-haan penyedia jasa kelistrikan terbesar di Indonesia yang men-yediakan dua jenis layanan listrik, yaitu listrik prabayar dan pasca bayar. Pelanggan listrik pasca bayar perlu membayar tagihan listrik sesuai pemakaiannya di setiap akhir bulan kare-na pelanggan PLN telah diberikan hak untuk menggunakan aliran listrik di tempat tinggal mereka. Namun, masih banyak pelanggan PLN yang mengabaikan proses pembayaran tarif listrik tersebut. Salah satu metode yang cocok untuk melihat karakteristik pelanggan telat bayar listrik adalah dengan Spatial Poisson Process. Metode tersebut digunakan karena data lokasi pelanggan merupakan jenis data spatial point pattern, di mana jenis data tersebut dapat dianalisis dengan pendekatan Point Process. Model terbaik didapatkan dari model masing-masing kecamatan dengan AIC terendah, yaitu -299.012,122 dan jumlah pelanggan telat bayar listrik pada sebagian besar kecamatan secara signifikan dipengaruhi karakteristik daerah yang berbeda-beda, seperti jumlah keluarga pengguna listrik, jumlah koperasi aktif, dan proporsi pelanggan sukses bayar di bulan ke-6.