PERAMALAN DAYA LISTRIK JANGKA PENDEK PADA SMART GRID PHOTOVOLTAIC MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN PENGARUH SENSOR SUHU PADA MODE HYBRID

SHORT-TERM ELECTRIC POWER FORECASTING ON PHOTOVOLTAIC SMART GRIDS USE THE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) METHOD WITH THE INFLUENCE OF TEMPERATURE SENSORS ON HYBRID MODE.  

Listrik merupakan suatu kebutuhan yang sangat berperan penting pada era sekarang. Tanpa listrik konsumen tidak bisa melakukan aktifitas sehari-hari. Di berbagai daerah, pemakaian listrik berbeda-beda sehingga konsumen membutuhkan tambahan penyediaan tenaga listrik dan pembangkit listrik terbarukan. Peramalan ini dimaksudkan untuk membantu para konsumen agar daya yang dihasilkan lebih optimal dan stabil serta memiliki peranan penting dalam perencanaan yang efektif dan efisien. Metode peramalan yang paling umum digunakan adalah runtun waktu (time series). Runtun waktu (time series) merupakan metode peramalan untuk menganalisa dan mempertimbangkan penggunaan waktu secara beruntun. Peramalan ini juga membutuhkan suatu metode untuk menganalisa daya yang akan dihasilkan untuk kedepannya. Pada penelitian ini dilakukan peramalan daya listrik jangka pendek dengan menggunakan metode Autoregressive Integrated Moving Average dengan adanya pengaruh sensor suhu pada mode Hybrid. Penilitian ini bertujuan untuk mengetahui daya listrik yang dihasilkan pada panel surya selama 1 jam kedepan. Kebaharuan pada penelitian ini adalah permalan beban listrik jangka pendek dengan menggunakan metode Autoregressive Integrated Moving Average (ARIMA) dengan pengaruh sensor suhu pada mode Hybrid. Hasil penelitian peramalan daya listrik jangka pendek menggunakan metode Autoregressive Integrated Moving Average (ARIMA) didapatkan hasil untuk jenis kesalahan error paling kecil sebesar MAPE = 6.315%. Sehingga dengan menggunakan metode Autoregressive Integrated Moving Average (ARIMA) didapatkan hasil yang baik dan peramalan yang lebih akurat selama 1 jam kedepan kedepan. Hasil peramalan dalam penelitian ini menggunakan model ARIMA (2,1,2) dengan nilai Mean Square (MS) sebesar 82.0017. Untuk perbedaan antara data sebelum peramalan dan sesudah peramalan bahwa hasil dari data peramalan lebih tinggi daripada sebelum peramalan 

Kata Kunci: Peramalan, Autoregressive Integrated Moving Average (ARIMA), Mean Absolute Percent Error (MAPE), Mean Square (MS)

Electricity is a necessity that plays an important role in today's era. Without electricity consument cannot do our daily activities. In various regions, the use of electricity varies so that consument need additional electricity supply and renewable power plants. Forecasting is intended to help consumers so that the power produced is more optimal and stable and has an important role in effective and efficient planning. The most commonly used forecasting method is time series. Time series is a forecasting method to analyze and consider the use of time in a row. This forecasting also requires a method to analyze the power that will be generated in the future. In this study, short-term electrical power forecasting was performed using themethod Autoregressive Integrated Moving Average with the influence of the temperature sensor inmode Hybrid. This study aims to determine the electrical power generated by solar panels for the next 1 hour. The novelty in this research is short-term electrical load forecasting using themethod Autoregressive Integrated Moving Average (ARIMA)with the influence of the temperature sensor inmode Hybrid. The results of the short-term electrical power forecasting research using themethod, the Autoregressive Integrated Moving Average (ARIMA)results for the smallest error type are MAPE = 6.315%. So that by using themethod Autoregressive Integrated Moving Average (ARIMA), good results and more accurate forecasts are obtained for the next 1 hour. Forecasting results in this study using the ARIMA model (2,1,2) with a Mean Square (MS) value of 82.0017. For the difference between data before forecasting and after forecasting that the results of forecasting data are higher than before forecasting

Keywords: Forecasting, Autoregressive Integrated Moving Average (ARIMA), Mean Absolute Percent Error (MAPE), Mean Square (MS)