Peramalan Inflow

"Model ARIMA terbaik untuk Penentuan Peramalan Inflow yang masuk ke Bendungan PLTA Bakaru"

PLTA Bakaru memanfaatkan aliran air sungai Mamasa yang merupakan anak sungai Saddang yang memiliki potensi dapat dikembangkan menjadi tenaga listrik sebesar 252 MW. Aliran sungai Mamasa tersebut ditampung pada DAM untuk kemudian digunakan untuk memutar turbin pada pusat pembangkit.
Waduk di PLTA Bakaru memiliki :
Luas: 209,82 Ha
Kapasitas: 6.920.000 m³
Kapasitas Efektif: 5.860.000 m³
Kedalaman Efektif: 3,5 m
Ketinggian: 615,5 m DPL.
Penghitungan Inflow dan volume waduk yang dicatat di DCC berdasarkan curah hujan (Rain Fall) yang datang dari Mamasa, Sumarorong, dan Sikuku.
Perkiraan inflow yang sampai ke DAM berpatokan pada Telemetri yang disimpan di ketiga hulu sungai tadi. Kadang pencatatan kurang akurat(undefined) diakibatkan adanya kerusakan alat atau sejenisnya.
Ada metode deret waktu yang kami anggap bisa melengkapi metode Rain Fall ataupun bisa digunakan jika alat yang digunakan bermasalah. Metode deret waktu (Time Series) menggunakan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu yang tetap dalam peramalan(forecasting).
Dengan menggunakan Time Series maka kita bisa menentukan model ARIMA yang paling cocok sehingga kita bisa meramalkan inflow yang akan datang.

Dalam Hal ini saya menggunakan data Harian yang mencatat Inflow yang masuk ke Bendungan (DAM) tiap Jam nya mulai dari Januari 2011 sampai Juli 2011.

Langkah Pertama Tentukan dulu apakah datanya sudah stasioner dalam Rata-rata maupun dalam Variansi.setelah itu tentukan ACF(fungsi Autokorelasi) dan PACF(Fungsi Autokorelasi Parsial). Dari situ kita bisa menentukan model ARIMA apa yang paling cocok.Perhatikan apakah ACF dan PACF nya cut off atau Dies Down.
Jika data tidak stasioner dalam Rata2 maka lakukan Deferencing,jika tidak stasioner dalam variansi lakukan Transformasi. Jika tidak stasioner dalam Rata2 dan Variansi maka Transformasi dulu lalu di deferencing.
Langkah kedua: Tentukan Model terbaik dengan memperhatikan Mean Square Error(MSE),Akaike's Information Criterion (AIC) dan Schwartz Bayesian Criterion (SBC). Semakin Kecil nilai dari MSE, AIC dan SBC yang dimiliki model yang telah kita tentukan sebelumnya maka semakin baik pula model yang digunakan.

Informasi yang saya Post masih terbilang minim, jika ada yang menginginka info yang lebih silahkan komentar, Dan Insya Allah akan saya usahakan berbagi data dan Informasi.