Diklat Demand Forecast Ver - Sep 2018

PRAKIRAAN
KEBUTUHAN TENAGA LISTRIK

Menggunakan
Aplikasi Simple-E
Pelatihan Master Plan Sistem Distribusi

 Silent
 Getar
 Jika penting, bisa keluar
sebentar
Tanya jawab bisa dilakukan kapan saja/setiap saat.
Evaluasi dilakukan melalui praktek dan teori setelah

semua materi diklat disampaikan.
Setelah selesai pelatihan ini, peserta diharapkan mampu

menghitung prakiraan kebutuhan tenaga listrik
menggunakan aplikasi Simple-E sesuai kaidah ilmu
statistik.
2
PLTMG
500 kV
275 kV
150 kV
70 kV
3
Landasan Hukum Perencanaan Bidang Energi dan Ketenagalistrikan(1)
UU 30/2007 UU 30/2009
(Energi) (Ketenagalistrikan)
Kebijakan Energi Nasional-KEN

(PP No.79 Tahun 2014)
PP 14/2012
jo PP 23/2014
Pasal 11 ayat (2)
Kebijakan Energi Nasional ditetapkan oleh
(Kegiatan Usaha Penyediaan
Pemerintah dengan persetujuan DPR Tenaga Listrik)
Rencana Umum Energi Nasional Rencana Umum

(RUEN) Ketenagalistrikan Nasional-RUKN
(Kepmen ESDM No. 2682.K/21/MEM/2008)
Pasal 12 ayat (2b) Rencana Usaha Penyediaan Tenaga
Dewan Energi Nasional bertugas Pasal 7 ayat (1) Listrik-RUPTL
menetapkan RUEN RUKN disusun berdasarkan pada KEN (RUPTL PT PLN (Persero) - Kepmen ESDM
dan ditetapkan oleh Pemerintah setelah No. 0074 K/21/MEM/2015)
berkonsultasi dengan DPR RI Pasal 8
Usaha penyediaan tenaga listrik untuk
kepentingan umum dilaksanakan sesuai
dengan RUK dan RUPTL
LANDASAN HUKUM PERENCANAAN BIDANG ENERGI DAN KETENAGALISTRIKAN(2)
KEN RUEN
• Rencana umum yang disusun Pemerintah tentang
• Kebijakan yang ditetapkan Pemerintah dalam penggunaan dan pemanfaatan energi (termasuk
penggunaan dan pemanfaatan energi; tenaga listrik);
• Mengacu pada UU 30/2007 tentang Energi & UU • Mengacu pada UU No. 30/2007 tentang Energi dan
30/2009 tentang Ketenagalistrikan; KEN
• Target bauran energi adalah 23% porsi energi baru • Target bauran energi adalah 23% porsi energi baru
terbarukan pada tahun 2025; terbarukan pada tahun 2025;
• Ditetap oleh Pemerintah dengan persetujuan DPR • Disusun oleh Menteri ESDM dan ditetap oleh Dewan
(Peraturan Pemerintah No. 79 Tahun 2014) Energi Nasional (DEN)
• Rencana umum yang disusun Pemerintah tentang • Rencana usaha penyediaan tenaga listrik yang disusun
penyediaan dan pemanfaatan tenaga listrik; oleh pemegang Izin Usaha Peneyediaan Tenaga Listrik -
• Mengacu pada UU No. 30/2009 tentang IUPL (PLN dan non-PLN);
Ketenagalistrikan dan KEN • Mengacu pada PP 14/2012 junto PP 23/2014 dan
• Target bauran energi adalah sekitar 1% porsi energi RUKN
fosil dari BBM pada tahun 2025; • Target bauran energi adalah dibawah 2% porsi energi
• Disusun dan ditetapkan oleh Menteri ESDM setelah fosil dari BBM pada tahun 2024 RUPTL PT PLN
berkonsultasi dengan DPR (Persero);
• Disusun oleh pemegang IUPL yang memiliki wilayah
usaha dan ditetapkan oleh Menteri/Gubernur sesuai
kewenangannya. (untuk PLN karena bersifat Nasional,
RUKN ditetapkan oleh Menteri ESDM)

RUPT
LATAR BELAKANG
a. Kebutuhan tenaga listrik terus meningkat sejalan dengan
pertumbuhan penduduk dan perkembangan ekonomi serta
dipengaruhi oleh lingkungan yang terus bergerak dinamis baik
dalam aspek sosial, teknologi, maupun keamanan.
b. Meningkatnya kebutuhan tenaga listrik harus direspon dengan
menyediakan sistem kelistrikan (pembangkit, transmisi, GI,
Jardis) yang memadai, baik dari segi jumlah maupun kualitas.
c. Investasi pembangkit tenaga listrik mempunyai lead time yang
sangat panjang, nilai investasi sangat besar dan umur ekonomi
juga panjang.
d. Dibutuhkan prakiraan (forecasting) jangka panjang yang baik
tentang kebutuhan tenaga listrik dimasa datang.
e. Prakiraan kebutuhan tenaga listrik merupakan proses awal dari
rangkaian kegiatan perencanaan penyediaan tenaga listrik.
Posisi Perencanaan Sistem Kelistrikan Dalam Perencanaan
Pembangunan Nasional dan Perencanaan Energi
Perencanaan Nasional Pertanyaan yang harus dijawab
dan Kebijakan Energi oleh planner:
1. Bagaimana kebutuhan
Perencanaan Energi tenaga listrik akan
bertumbuh ?
2. Kapan harus investasi
Electricity Demand Forecast pembangkit / transmisi baru?
3. Berapa kapasitas pembangkit
/ transmisi yang akan
Perencanaan Pembangkit
dibangun?
4. Apa jenis pembangkit /
transmisi yang dibangun?
Perencanaan Transmisi 5. Dimana harus membangun
pembangkit / transmisi baru?
7
Garis Besar Proses Perencanaan Sistem di PLN
Potensi Energi Primer
Proyeksi: GDP, Pop (RE),
Hydro Gas Coal Geothermal Tarif, Daftar Tunggu I
Kandidat Kandidat Proyek Electricity Demand

Proyek Hydro Thermal + Geo Forecasting
Sistem Pembangkitan dan

Optimasi Perluasan
Transmisi Yang Ada
PEMBANGKIT Penalti
Kriteria
dan TRANSMISI Ekonomi
Cadangan
untuk ENS
Rencana Investasi
Kebijakan, Batasan Analisa Keuangan &
Finansial Kebutuhan Dana
Studi Tarif
RENCANA INVESTASI
Pendanaan &
Implementasi Proyek 8
TUJUAN
a. Mendapatkan angka prakiraan kebutuhan tenaga listrik dengan
metode yang tepat dan tingkat kesalahan paling kecil.
b. Ketepatan prakiraan kebutuhan tenaga listrik sangat diperlukan
agar tidak terjadi pasokan (pembangkit/ transmisi/ distribusi)
yang berlebih (over capacity) atau kekurangan (under capacity),
yang keduanya bisa merugikan perusahaan.
c. Forecasting “sangat penting” sebagai dasar dalam proses
perencanaan:
 Sistem ketenagalistrikan (RUPTL, RJPP, Masterplan)
 Proyeksi keuangan (budgets and cost controls)
 Marketing (rencana penjualan, new products)
 Penyiapan kebutuhan bahan bakar.
 Kepegawaian,
 Dan sebagainya.
HORIZON PERENCANAAN
Horizon waktu perencanaan (PLN) :

a. Jangka pendek : harian ~ 2 tahun, bisa dalam bentuk
perencanaan harian, mingguan, bulanan, tahunan,
perencanaan kegiatan operasional, perencanaan
sistem distribusi, dll.
b. Jangka menengah : 3 ~ 5 tahun, untuk perencanaan
korporat, pembangkit skala kecil, sistem distribusi.
c. Jangka panjang : 6 ~ 10 tahun, untuk perencanaan
pembangkitan, transmisi & GI.
Jangka panjang : > 10 tahun, untuk membuat master
plan pengembangan sistem.
Prakiraan (Forecasting)
“Prediction is very difficult,

especially if it's about the future.”
Nils Bohr
Forecasting is a tool used for predicting

future demand based on past demand information.
PRAKIRAAN (FORECASTING)
 Menggunakan data masa lalu dari sekumpulan

variabel untuk membuat estimasi atau perkiraan
nilai dimasa yang akan datang.
 Merupakan bagian vital dari setiap organisasi bisnis

dan sebagai dasar untuk setiap pengambilan
keputusan manajemen yang sangat signifikan.
 Menjadi dasar dalam perencanaan jangka pendek,

menengah dan jangka panjang perusahaan.
PRAKIRAAN (FORECASTING)
 Menggunakan data masa lalu dari sekumpulan

variabel untuk membuat estimasi atau perkiraan
nilai dimasa yang akan datang.
 Merupakan bagian vital dari setiap organisasi bisnis

dan sebagai dasar untuk setiap pengambilan
keputusan manajemen yang sangat signifikan.
 Menjadi dasar dalam perencanaan jangka pendek,

menengah dan jangka panjang perusahaan.
Apa itu forecasting?
Demand Listrik Memperkirakan

kebutuhan y.a.d dengan
melihat realisasi
kebutuhan masa lalu
Predicted
demand
looking
back six
„10 „11 „12 „13 „14 „15 „16 „17 Tahun years
Actual demand (penjualan masa lalu)
Prediksi demand listrik
Apa yang sebaiknya kita pertimbangkan ketika
melihata data masa lalu seperti ini?
Trends
Seasonality
Cyclical
Autocorrelation
Random variation
Mengapa Mempelajari Data Runtun Waktu
 Dengan mengamati data runtut waktu akan terlihat beberapa komponen yang
mempengaruhi suatu pola data masa lalu dan sekarang, yang cenderung
berulang dimasa mendatang.
 Lima komponen yang ditemukan dalam analisis runtut waktu adalah:
1. Trend, yaitu komponen jangka panjang yang mendasari pertumbuhan
(atau penurunan) suatu data runtut waktu.
2. Musiman (seasonal), yaitu fluktuasi musiman yang sering dijumpai pada
data kuartalan, bulanan atau mingguan.
3. Siklikal (cyclical), yaitu suatu pola fluktuasi atau siklus dari data runtut
waktu akibat perubahan kondisi ekonomi, dsb.
4. Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu
variabel. Korelasi ini terjadi antar waktu atau individu. Umumnya kasus
autokorelasi banyak terjadi pada data time series, artinya kondisi sekarang
dipengaruhi waktu lalu.
5. Tak beraturan (irregular), yaitu pola acak yang disebabkan oleh peristiwa
yang tidak dapat diprediksi atau tidak beraturan, seperti perang,
pemogokan, pemilu, atau longsor maupun bencana alam lainnya.
Metode demand forecast
Dikenal ada beberapa model forecasting, namun secara garis besar
dapat dikelompokkan dalam 5 kategori:
– Subjective: dilakukan dengan intuisi, atau „gut feeling‟
– Univariate: semata-mata berdasarkan data masa lalu (time
series). Cara ini dikenal juga sebagai „naive projection‟, misalnya
ekstrapolasi trending, eksponential.
– Multivariate: memperhatikan hubungan causal atau hubungan
explanatory, karena itu tergantung pada metoda untuk
mengetahui apakah suatu variable mempunyai korelasi dengan
variabel lain. Contoh: penjualan listrik mungkin tergantung pada
income. Model regresi (dan ekonometric) masuk dalam kategori
ini, dan sering disebut juga model prediksi atau causal.
– End-use: dibuat dengan menghitung langsung konsumsi listrik
peralatan end-use seperti aircon, penerangan, lemari pendingin,
televisi, seterika, pompa air, dan lain-lain.
17
Klasifikasi Metode Forecasting :
Metode Kuantitatif
Metode yang penggunaannya didasari pada ketersediaan
data mentah disertai serangkaian kaidah matematis untuk
meramalkan / membuat prakirakan hasil dimasa yang akan
datang.
Metode Kualitatif
 Metode ini digunakan dimana tidak ada data model
matematik, biasanya dikarenakan data yang ada tidak
cukup representatif untuk meramalkan masa yang akan
datang (long term forecasting).
 Prakiraan didasarkan pada pendapat (subjective) dari satu
atau lebih para ahli.
Metode Kuantitatif Metode Kualitatif
Time Series: model untuk Grass Roots: deriving future demand

memprediksi demand yang by asking the person closest to the
didasarkan pada kecende- customer.
rungan data masa lalu Market Research: trying to identify
customer habits; new product ideas.
Causal Relationship:
model yang menggunakan Panel Consensus: deriving future
teknik statistik untuk mem- estimations from the synergy of a
bentuk hubungan sebab panel of experts in the area.
akibat antara berbagai Historical Analogy: identifying
variabel dan demand another similar market.
Simulation: model yang Delphi Method: similar to the panel
dapat menggabungkan efek consensus but with concealed
keacakan dan non-linear. identities.
KLASIFIKASI METODE FORECASTING (PERAMALAN)
Forecasting Method
Quantitative/Objective Qualitative/Subjective
Forecasting Methods (judgmental) Forecasting Methods
Analogieas
Time Series Methods Causal Methods
Delphi
Naive Simple Regression
PERT
Moving Average Multiple Regression
Survey Techniques
Exponential Smoothing Neural Networks
Simple Regression
ARIMA
Neural Networks
Memilih metode forecasting yang tepat
1. Jumlah dan tipe data yang tersedia.

 Beberapa metode memerlukan data lebih banyak
dibandingkan dengan metode yang lain
2. Derajat ketelitian yang diperlukan

 Semakin tinggi ketelitian yang ingin dihasilkan akan
membutuhkan data lebih banyak
3. Periode horizon perencanaan

 Model prakiraan periode 3 bulan akan berbeda
dengan model untuk prakiraan 10 tahun
4. Pola data yang tersedia

 Level (long term average), trend, seasionality, cyclical
Model Time Series (Deret Berkala)
1. Naive
2. Moving Average : Simple, Weighted
3. Exponential Smoothing : Level, Trend dan

Sesionality
4. Simple Regression
5. ARIMA
Tahun 2012 2013 2014 2015 2016
GWh 174,0 187,5 198,6 ..??? Trend ?
1. Naive Model
 Merupakan metode yang paling sederhana,
menganggap bahwa prakiraan periode berikutnya
sama dengan nilai aktual periode sebelumnya.
 Data aktual periode waktu yang baru saja berlalu
merupakan alat peramalan/prakiraan yang terbaik
untuk meramalkan/membuat prakiraan keadaan di
masa yang akan datang.
 Biasanya hasilnya kurang baik.
Contoh (Penjualan):
Mei = 48 kWh,  Juni = 48 kWh
2a. Simple Moving Average
A t + A t -1 + A t -2 + ... + A t -n 1
Ft 1 =
n
Sales Moving Average

Month (000) (n=3)
1 4 NA
2 6 NA
3 5 NA
4 ? (4+6+5)/3=5
5 ?
6 ?
2b. Weighted Moving Average: 3/6, 2/6, 1/6
Ft 1 = w1A t + w 2 A t -1 + w 3A t -2 + ... + w n A t -n 1
Month Sales Weighted

(000) Moving
Average
1 4 NA
2 6 NA
3 5 NA
4 3 31/6 = 5.167
5 7 25/6 = 4.167
6 32/6 = 5.333
3. Exponential Smoothing – Example 1
Ft+1 = Ft + a(At - Ft)

i Ai Fi
Week Demand a = 0.1 0.6

1 820 820.00 820.00
2 775 F 820.00 a(A 820.00
2 = F 1 + 1–F1) =820+0,1(820–820)
3 680 815.50 793.00
4 655 801.95 725.20=820
5 750 787.26 683.08
6 802 783.53 723.23
7 798 785.38 770.49
8 689 786.64 787.00
9 775 776.88 728.20
10 776.69 756.28
3. Exponential Smoothing – Example 1
Ft+1 = Ft + a(At - Ft)

i Ai Fi
Week Demand a = 0.1 0.6

1 820 820.00 820.00
2 775 820.00 820.00
3 680
F3815.50
= F2+ a(A2793.00
–F2) =820+.1(775–820)
4 655 801.95 725.20
5 750 787.26 683.08=815.5
6 802 783.53 723.23
7 798 785.38 770.49
8 689 786.64 787.00
9 775 776.88 728.20
10 776.69 756.28
4. Simple Regression
Metode Regresi
Merupakan salah satu teknik analisis statistika yang
digunakan untuk menggambarkan hubungan antara satu
variabel respon dengan satu atau lebih variabel bebas.
Model Regresi Linier Sederhana

Merupakan analisis statistika yang memodelkan hubungan
antara satu variabel respon dengan satu variabel bebas
menurut bentuk hubungan persamaan linier.
.
Y = f (X) + ε atau Y = a + b X + ε
Misal : prakiraan penjualan kWh sebagai fungsi realisasi

penjualan kWh pada tahun-tahun sebelumnya.
5. ARIMA (Auto Regressive Integrated Moving Average)
Model ARIMA :
 Model yang mengabaikan (tidak menggunakan) varibel
bebas dalam pembuatan prakiraan.
 Menggunakan nilai masa lalu dan sekarang untuk
menghasilkan prakiraan jangka pendek yang akurat.
 Mempunyai hubungan statistik yang baik antar variabel
yang diprakirakan dengan nilai historis variabel tersebut.
 Menggunakan satu variabel (univariate) deret waktu.
ARIMA kurang baik untuk prakiraan jangka panjang.

Model Causal Relationship
1. Regresi Linier
 Regresi linier dengan 1 variable bebas
 Regresi linier dengan lebih dari 1 variable bebas
(regresi berganda).
2. Regresi Non Linier
 Regresi exponensial (ln)
 Regresi berpangkat (log).
Pertumbuhan Penduduk
Pertumbuhan Ekonomi Harga jual Rp/kWh

Regresi Linier Ada 2 macam :
• Sederhana : Y = a + bX + ε
• Berganda : Y = a + b1X1 + b2X2 + b3X3 + ..+ε
kWh jual
Fitting a straight
line to data
Predictor 2 Which line best
Predictor 1 fits the data?
b
a
Pertumbuhan ekonomi
Model matematika yang menyatakan hubungan antara variabel tidak
bebas (kWh jual) dengan variabel bebas (pertumbuhan ekonomi)
Contoh : Model Regresi
• Sederhana : Y = a + bX + ε
• Berganda : Y = a + b1X1 + b2X2.....+ε
kWh jual
Predictor 2 Fitting a straight

Predictor 1
line to data
Which line best
fits the data?
Contoh :
GWh = 0,075 * PDB – 26751
b
a Pertumbuhan ekonomi
Model matematika yang menyatakan hubungan antara variabel tidak

bebas (kWh jual) dengan variabel bebas (pertumbuhan ekonomi) 35
Apa artinya? Least Squares Method: Min  i
2
kWh jual
ε ε
ε
LSM mencari paling

minimum jarak antara
garis dan titik-titik !
Pertumbuhan ekonomi
The goal of LSM is to minimize the sum of squared errors…

Regresi Linier
 Regresi linier dengan 1 variabel bebas.
Y = a + b X + ε  kWh = a + b*Pop
 Regresi linier dengan 3 variabel bebas
Y = a + b X1 + c X2 + d X3 + ε
kWh = a + b*Pop + c*GDP + d*Tarif
Regresi Non Linier

 Regresi exponensial dg 1 variabel bebas.
Y = a Ln(X) + b + ε  kWh = a Ln(GDP)+ b
 Regresi berpangkat dg 1 variabel bebas
Y = a e(bX)+ ε  kWh = a * e(b*GDP)
Regresi Linier
“Linear Approximation” Graph
&
“Approximation Formula” and “R-Square Value”
38
Regresi Non Linier
“Graph”, “Approximation Formula”

and “R-Square Value”
on “logarithmic approximation”,
“Power Approximation” and
“Exponential Approximation”
39
Regresi Linier dan Non Linier
The higher “R-Square Value” is, the more the Approximation Formula fit.
In this case, following formula represent the final consumption of electricity most.
y = 143.38e0.1283x
41
Regresi Linier dan Non Linier
Contoh Regresi Non Linier : Y = abX
Trend Eksponensial
a>0, b>1 a<0, b>1
a<0, b<1
Trend Logistik
a>0, b<1
Contoh: Korelasi Penjualan Listrik dengan GDP
Penjualan Listrik PLN
Tahun GDP HK 2000 Penduduk GWh Sales

2000 1.389.770 206,264,595 79.250
2001 1.442.985 84.616
2002 1.504.381 87.171
2003 1.577.171 90.536
2004 1.656.517 100.097
2005 1.750.815 107.033
2006 1.847.127 112.610
2007 1.963.092 121.247
2008 2.082.104 127.625
2009 2.178.850 134.576
2010 2.314.459 237,641,326 147.297
2011 2.464.566 157.993
2012 2.618.938 173.990
2013 2.770.345 185.500
Regresi dengan 1 variabel
250.000
GWh
y = 35530e 6E-07x
Series1 R² = 0,991
200.000
Linear (Series1)
Expon. (Series1)
150.000
y = 0,075x - 26751
R² = 0,996
100.000
50.000
-
- 1.000.000 2.000.000 3.000.000
GDP
Korelasi GWh Jual dengan GDP & Penduduk
Penjualan Listrik PLN
Tahun GDP HK 2000 Penduduk GWh Sales

2000 1.389.770 206.264.595 79.250
2001 1.442.985 209.206.135 84.616
2002 1.504.381 212.189.624 87.171
2003 1.577.171 215.215.661 90.536
2004 1.656.517 218.284.853 100.097
2005 1.750.815 221.397.814 107.033
2006 1.847.127 224.555.169 112.610
2007 1.963.092 227.757.551 121.247
2008 2.082.104 231.005.602 127.625
2009 2.178.850 234.299.973 134.576
2010 2.314.459 237.641.326 147.297
2011 2.464.566 241.030.330 157.993
2012 2.618.938 244.467.664 173.990
2013 2.770.345 247.954.018 185.500
REGRESI (GWh) dengan dua variable (GDP & Pop)
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,9988145
R Square 0,9976305
Adjusted R Square
0,9971997
Standard Error 1802,3841
Observations 14
ANOVA
df SS MS F Significance F
Regression 2 1,5E+10 7,52E+09 2315,657 3,64E-15
Residual 11 35734471 3248588
Total 13 1,51E+10
CoefficientsStandard Error t Stat P-value Lower 95%Upper 95%Lower 95,0%

Upper 95,0%
Intercept 101059,64 53544,29 1,887403 0,085758 -16790,5 218909,8 -16790,5 218909,8
X Variable 1 0,0981305 0,009489 10,34129 5,28E-07 0,077245 0,119016 0,077245 0,119016
X Variable 2 -0,0007599 0,000318 -2,38911 0,035918 -0,00146 -6E-05 -0,00146 -6E-05
Persamaan Regresi yang terbentuk

GWh = 101059,64 + 0,09813*GDP – 0,00076*Pop
Indikator Utama Model REGRESI
1. Koefisien Korelasi (R) : menunjukkan seberapa besar korelasi
antara variable bebas (X1, X2, X3, ..Xn) secara serentak dengan
variable tidak bebas (Y).
Menurut Sugiyono (2007)
R = 0,00 - 0,199  sangat rendah
R = 0,20 - 0,399  rendah
R = 0,40 - 0,599  sedang
R = 0,60 - 0,799  kuat / erat
R = 0,80 - 1,000  sangat kuat/sangat erat
2. Koefisien Deteminasi/Penentu R2 (R square) : menunjukkan

tingkat /prosentase korelasi antara variable bebas (X1, X2, X3,
...Xn) secara serentak dengan variable tidak bebas (Y).
(R2  1)  Hubungannya erat bila R2 mendekati 1
3. Adjusted R2 (AR) : untuk regresi dengan lebih dari dua variabel

bebas. AR selalu lebih kecil dari R2. Santoso (2001).
4. Indikator t value menunjukkan korelasi antara individu variable

bebas dengan variable tidak bebas : (X1 dengan Y), (X2 dengan Y),
(X3 dengan Y), dst..
t-value  t   2 : Significant
2   t   1 : Admissible to use
 t   1 : Insignificant
5. Durbin Watson: menunjukkan korelasi antara data (t) dengan data

(t-1) pada model time series, atau autokorelasi yaitu korelasi residu
pada satu pengamatan dengan pengamatan lain pada model
regresi. Syarat: Harus ada intercept dan tidak ada variable lag.
Durbin Watson Statistic : 1 ≤ DW ≤ 3
DW = 2 : No serial correlation
DW  0 : Positive correlation
DW  4 : Negative correlation
Durbin Watson
Digunakan untuk menguji apakah terdapat autokorelasi dari residual,
artinya ada korelasi antara sisa pada periode t dengan sisa pada
periode sebelumnya (t-1).
Beberapa penyebab terjadinya auto korelasi, yaitu :
- Kelambanan, sebagai contoh pada kasus perubahan situasi ekonomi

biasanya tidak langsung mempunyai pengaruh terhadap konsumsi listrik.
- Spesifikasi bias dalam model tidak menyertakan variabel yang sangat
relevan pada model.
- Salah bentuk formula, misalnya formula yang seharusnya nonlinier tetapi
digunakan fungsi linier.
- Pengaruh time lag, selain dipengaruhi variabel pada periode t juga
dipengaruhi pula variabel pada periode t-1.
6. Multikolinieritas: terjadi korelasi yang kuat diantara sebagian atau

semua variabel bebas (X1 dengan X2, X1 dengan X3, X2 dengan X3,
dst.). Uji Multikolinieritas : antara lain menggunakan metode
“Korelasi Parsial” ( X1 = a + b X2 + c X3 )  R2 = ...?
7. Uji Normalitas : untuk mengetahui

apakah data terdistribusi secara
normal atau tidak ?
Menggunakan plot grafik dimana
asumsi normalitas terpenuhi jika
titik-titik pada grafik mendekati
sumbu diagonalnya
Multikolinieritas
PDRB
R2/AR
GWh = f Pop/R
(.…) E
Rp/kW
h
Ekonomi Makro
 Pertumbuhan Ekonomi
 Inflasi / deflasi
 Ekspor & Impor

 Industri dan ketenagakerjaan
 Nawacita & MP3EI (Masterplan Percepatan dan
Perluasan Pembangunan Ekonomi Indonesia)
Corporate Culture Academy
Tujuan Pengenalan Makroekonomi
Peserta diharapkan mampu memahami

dan mengimplementasikan konsep
ekonomi makro dikaitkan dengan bisnis
PT (Persero) PLN Sebagai korporasi
Yang bergerak dalam bisnis ketenagalistrikan
Ilmu Ekonomi
 Mikroekonomi adalah studi bagaimana rumah tangga
dan perusahaan membuat keputusan dan bagaimana
pembuat keputusan ini berinteraksi dalam pasar. Dalam
mikroekonomi individu memilih memaksimalkan tingkat
kepuasan (utility) dengan batasan anggaran.
 Makroekonomi adalah studi yang menganalisis
peristiwa-peristiwa makroekonomi muncul dari interaksi
banyak individu yang mencoba memaksimalkan
kemakmurannya. Mengingat variabel adalah jumlah
variable yang mendeskripsikan keputusan-keputusan
individu. Oleh karena itu studi makroekonomi didasarkan
pada landasan mikroekonomi.
Mengapa Perlu Mengetahui Makroekonomi?

Tujuan mempelajari makroekonomi untuk dapat
menganalisis:
1. Pentingnya kebijakan makroekonomi yang

berdampak pada masyarakat umum.
2. Risiko agregat dan dampaknya pada
perusahaan
3. Kondisi lingkungan bisnis makroekonomi jangka
panjang
Pertumbuhan Konsumsi Listrik Refleksikan Pertumbuhan Ekonomi
 Pertumbuhan konsumsi listrik salah satu indikator yang

merepresentasikan aktivitas ekonomi mengalami
pertumbuhan.
MENGAPA ?
 Masyarakat mengkonsumsi listrik untuk digunakan
berbagai aktivitas ekonomi baik yang bersifat konsumtif
maupun produktif.
 Konsumsi listrik juga mencerminkan daya beli masyarakat.
Semakin tinggi konsumsi listrik biasanya semakin tingggi
pendapatan / income masyarakat.
 Konsumsi listrik yang lebih banyak oleh masyarakat juga
mencerminkan pemerintah dapat meningkatkan investasi
terkait ketenagalistrikan untuk dapat memenuhi kebutuhan
masyarakat. 56
Ilustrasi Pertumbuhan Ekonomi
Ekonomi berkembang apabila ada peningkatan output

(barang dan jasa). Peningkatan output hanya terjadi jika
terdapat investasi yang terus menerus baik melalui
ekspansi maupun investasi baru. Investasi memerlukan
modal sehingga tabungan disektor keuangan (bank) mesti
dipupuk sebagai alat investasi. Investasi akan
meningkatkan output dan membuka lapangan kerja.
Belanja pemerintah umumnya bersumber dari pajak dan
pendapatan non pajak, yang dapat dikoleksi jika dunia
usaha eksis dan tenaga kerja memiliki pendapatan.
Perdagangan akan terjadi jika barang dan jasa
diproduksi. Seluruh sirkulasi ini, hulunya ada INVESTASI.
Pertumbuhan Konsumsi Listrik Refleksikan Pertumbuhan Ekonomi

Pertumbuhan Ekonomi Similar Pendapatan Nasional
 Pertumbuhan Ekonomi adalah

perubahan pendapatan nasional
(produk domestik bruto).
 Cara menghitung pertumbuhan
ekonomi:
 g : Pertumbuhan Ekonomi
 Yt : Pendapatan Nasional pada tahun t
 Yt-1 : Pendapatan Nasional pada tahun t-1
 Pendapatan nasional dapat diproksi dengan
menggunakan data produk domestik bruto
Pendapatan Nasional
 GDP adalah hasil produksi nilai akhir

pasar barang dan jasa yang diproduksi
suatu wilayah dalam periode tertentu
oleh sumber daya yang ada di dalam
wilayah tertentu tanpa memandang
pemilik sumber daya itu.
 Gross Domestic Product (Produk
Domestik Bruto)
 GDP = C + I + G + (X-M)
 C adalah pengeluaran konsumsi, I
adalah Investasi, G adalah pengeluaran
pemerintah, X adalah Ekspor dan M
adalah Impor
Gross Domestic Product atau Produk Domestik Bruto
Gross Domestic Product (GDP) atau Produk Domestik Bruto

(PDB) adalah hasil output produksi (satuan mata uang) dalam
suatu perekonomian dengan tidak memperhitungkan pemilik
faktor produksi dan hanya menghitung total produksi dalam
suatu perekonomian saja pada satu periode tertentu (mis.1 th).
Jika dirumus menjadi:

PDB = C + G + I + ( X - M )
atau
Produk Domestik Bruto = pengeluaran rumah tangga +

pengeluaran pemerintah + pengeluaran investasi + (ekspor -
impor )
KEGUNAAN PDB/PDRB
KEGUNAAN PDB/PDRB
Perubahan Tahun Dasar 2000
Menjadi tahun 2010
Badan Pusat Statistik (BPS) telah melakukan perubahan tahun dasar dalam
penyusunan produk domestik regional bruto (PDRB) dari tahun 2000 menjadi
tahun 2010.
Perubahan tahun dasar dilakukan karena selama 10 / sepuluh tahun terakhir
telah terjadi perubahan baik pada tatanan lokal maupun global yang berpengaruh
pada perekonomian nasional
PDRB tahun dasar 2010 berpedoman pada sistem neraca nasional (SNN) 2008
SNN 2008 adalah rekomendasi internasional tentang bagaimana menyusun
ukuran aktivitas ekonomi yang sesuai dengan standar neraca baku yang
didasarkan pada prinsip – prinsip ekonomi
Perubahan juga dilakukan pada pembaharuan konsep definisi, klasifikasi, cakupan,

Dan metodologi
Perbandingan Klasifikasi PDB/PDRB Lapangan Usaha Tahun Dasar 2000 & 2010
Produk Domestik Regional Bruto (PDRB)
 PDRB harga berlaku (HB) adalah PDRB yang besarnya
(dalam satuan mata uang) sesuai dengan nilai riel saat
itu/dihitung.
Nilai PDRB = Harga barang x Σ barang yang diproduksi
 PDRB harga konstan (HK) adalah PDRB yang besarnya
tidak memperhitungkan faktor inflasi atau deflasi.
Contoh:
Th 2010: Gula : 20 kg x Rp 10 = Rp 200,-
Th 2011 : Gula : 18 kg x Rp 12 = Rp 216,-
Gula : 18 kg x Rp 10 = Rp 180,- (harga tidak naik)
PDRB (HB) tumbuh : (216 – 200)/200 x 100% = + 8%
PDRB (HK) tumbuh : (180 – 200)/200 x 100% = - 10%
 PDRB harga konstan = PDRB harga berlaku x deflator.
Contoh Produk Domestik Bruto 2013 Indonesia
Harga Berlaku & Harga Konstan 2000
Contoh PDRB Harga Konstan 2010 Provinsi Aceh (1)
Contoh PDRB Harga Konstan 2010 Provinsi Aceh (2)
Kebutuhan
Energi Listrik
FAKTOR INTERNAL FAKTOR EXTERNAL
Jumlah Pelanggan PDB Inflasi Penduduk
Daya Tersambung Konsumsi

Rumah Tangga
Kesiapan Daya
Belanja
Losses & PS Investasi Pemerintah
Ekspor/Impor
Faktor-faktor yang mempengaruhi kebutuhan
energi listrik dan sumber data
1. Pertumbuhan ekonomi (RUKN, RPJMN, APBN, lainnya)

2. Pertumbuhan penduduk (buku Bappenas–BPS–UNFPA)
3. Target rasio elektrifikasi (RUKN)
4. Pelanggan existing.
5. Calong pelanggan besar yang akan disambung
6. Harga Listrik (harga jual rata-rata)
7. Ketersediaan pasokan listrik
Data Pelanggan Menurut GolonganTarif
Sumber Buku Statistik PLN
P
B. Pendekatan Perhitungan
Pengelompokan PDB Sesuai Kelompok Tarif
Dengan 9 Kelompok Lapangan Usaha
PDB untuk kelompok Rumah Tangga, terdiri dari lapangan usaha :
• Total without Oil & Gas & its product
PDB untuk kelompok Bisnis, terdiri dari (5, 6, 7, 8) :
1. Construction
2. Trade, Restaurant & Hotel
3. Transportation & Communication
4. Finance, Rent of Build & Business Service
PDB untuk kelompok Publik, terdiri dari lapangan usaha :
• Services
PDB untuk kelompok Industri, terdiri dari lapangan usaha :
1. Mining & Quarriying
2. Manufacturing Industries
3. Electric, Gas & Water Supply
Pengelompokan PDB Sesuai Kelompok Tarif
Dengan 17 Kelompok Lapangan Usaha
PDB untuk kelompok Rumah Tangga, terdiri dari lapangan usaha :
• Total (Tanpa Migas)
PDB untuk kelompok Bisnis, terdiri dari (F sd. N) :
F. Konstruksi
G. Perdagangan Besar dan Eceran, Reparasi Mobil dan Sepeda Motor
H. Transportasi dan Pergudangan
I. Penyediaan Akomodasi dan makan, minuman
J. Informasi dan komunikasi
K. Jasa Keuangan
L. Real Estate
M,N Jasa Perusahaan
PDB untuk kelompok Publik, terdiri dari lapangan usaha :

O. Administrasi Pemerintahanan, Pertahanan dan Jaminan Sosial
P. Jasa Pendidikan
Q. Jasa Kesehatan dan Kegiatan Sosial
R,S,T,U Jasa Lainnya
PDB untuk kelompok Industri, terdiri dari lapangan usaha :
B. Pertambangan dan Penggalian
C. Industri Pengolahan
D. Pengadaan Listrik dan Gas
E. Pengadaan Air
Konsep Dasar Ekonometri
Definisi Ekonometrika
 Ekonometri adalah suatu ilmu yang memanfaatkan
metematika dan teori statistik dalam mencari nilai parameter
dari pada hubungan ekonomi sebagaimana didalilkan oleh
teori ekonomi
 Ilmu yang berhubungan dengan:
(1) mengestimasi hubungan-hubungan variabel ekonomi;
(2) mencocokkan teori ekonomi dengan dunia nyata dan
untuk menguji hipotesis yang meliputi perilaku-perilaku
ekonomi,
(3) meramalkan perilaku dari variabel-variabel ekonomi.
Istilah ekonometri pertama kali diperkenalkan oleh Ragnar Frisch (1933),

seorang pakar ekonomi dan statistika berkebangsaan Norwegia
Ekonometri merupakan suatu metode untuk menganalisis fenomena-
fenomena ekonomi dengan menggunakan gabungan dari teori
ekonomi, matematika dan statistika.
Misal untuk memperkirakan penjualan tenaga listrik, teori ekonomi

akan menyebutkan bahwa :
 Besaran konsumsi listrik suatu keluarga akan dipengaruhi oleh
pendapatannya, semakin besar pendapatan maka konsumsi
listriknya akan semakin meningkat dan sebaliknya.
 Rumah tangga tersebut akan mengurangi konsumsi listriknya
apabila rekening listriknya dirasakan mengakibatkan pengeluaran
sektor lain terganggu.
 Pengurangan konsumsi listrik sebagai akibat penggunaan bentuk
teknologi yang lebih efisien atau lebih hemat.
 Konsumsi listrik akan dikurangi bila harga listrik naik dan
mengganggu pengeluaran sektor lain
Kenaikan Tarif Listrik Meningkatkan Inflasi
 Kenaikan tarif listrik meningkatkan

kenaikan biaya produksi sehingga
mendorong kenaikan harga – harga
barang secara umum, selanjutnya
terjadi inflasi.
 APAKAH INFLASI?
 Inflasi adalah kenaikan harga barang-
barang secara umum dan terus
menerus
 Inflasi disebabkan karena dua hal yaitu
Demand Pull Inflation dan Cost Push
Inflation
Penyebab Inflasi
 Demand Pull Inflation adalah kondisi

inflasi terjadi karena kenaikan
permintaan masyarakat terhadap suatu
barang sehingga memicu kenaikan
harga barang-barang secara umum
 Cost Push Inflation adalah kondisi
inflasi terjadi karena kenaikan harga
barang-barang produksi sehingga
memicu kenaikan harga barang-barang
secara umum
Inflasi / Deflasi
Inflasi adalah suatu keadaan dimana harga barang
secara umum mengalami kenaikan secara terus menerus
atau terjadi penurunan nilai uang dalam negeri.
Deflasi adalah suatu keadaan dimana terdapat peristiwa

penurunan harga barang umum secara terus menerus
atau terjadi peningkatan nilai uang dalam negeri.
Depresiasi adalah suatu proses penurunan nilai mata

uang dalam negeri disebabkan adanya mekanisme
perdagangan.
Menghitung Inflasi
 Ada dua metode menghitung inflasi

yaitu melalui GDP Deflator dan Indeks
Harga Konsumen (Consumer Price
Index)
Menghitung Inflasi
GDP deflator: CPI:

Menghitung harga Menghitung harga barang
barang dan jasa yang dan jasa yang dikonsumsi
diproduksi
Hanya mencakup barang Harga termasuk barang impor
yang diproduksi di DN (tidak
termasuk impor)
Menggunakan timbangan Menggunakan timbangan
(weight) barang dan jasa (weight) barang dan jasa yang
yang berubah sesuai periode tetap – berdasarkan kuantitas
berlaku – berdasarkan pada tahun/periode tertentu
kuantitas pada periode tsb
Menghitung Inflasi
Kelompok dan Subkelompok 2010 2011 2012 2013
Indeks Umum 120,97 127,45 132,90 142,18

I Bahan Makanan 136,92 148,62 157,32 176,13
II Makanan Jadi, Minuman, Rokok, dan Tembakau 129,25 135,84 143,41 152,50
III Perumahan, Air, Listrik, Gas, dan Bahan Bakar 117,34 122,24 126,35 132,44
A Biaya Tempat Tinggal 115,38 120,44 125,65 131,74
B Bahan Bakar, Penerangan, dan Air 128,38 134,16 136,23 143,62
C Perlengkapan Rumah Tangga 111,10 113,84 116,32 119,56
D Penyelenggaraan Rumah Tangga 114,22 118,35 122,68 128,52
IV Sandang 121,22 131,36 139,21 141,07
V Kesehatan 114,71 119,03 122,81 126,88
VI Pendidikan, Rekreasi, dan Olah Raga 115,72 120,85 126,22 131,45
VII Transpor, Komunikasi, dan Jasa Keuangan 104,80 107,34 109,41 118,95
Sumber: Badan Pusat Stastistik, 2015

Menghitung Inflasi
 Menghitung inflasi pada tahun 2013

adalah sebesar 7% dengan perhitungan
sebagai berikut:
 Menghitung inflasi kelompok barang

bahan bakar, penerangan dan air pada
tahun 2013 adalah sebesar 5,4%
dengan perhitungan sebagai berikut:
Listrik dan Multiplier Effect
 Listrik merupakan kebutuhan masyarakat, hampir semua

aktivitas ekonomi memerlukan listrik. Ketika listrik padam,
maka aktivitas ekonomi pun terganggu. Produktivitas
masyarakat menurun.
 Sebaliknya pada saat kebutuhan listrik terpenuhi maka
masyarakat pun dapat melakukan berbagai aktivitas
ekonomi yang produktif seperti perusahaan dapat
menghasilkan output. Kinerja perusahaan tetap terjaga,
sehingga pekerja memperoleh pendapatan. Pekerja
membelanjakan uangnya. Aktivitas perdagangan pun tetap
bergerak.
84
Konsep Pendapatan Nasional

• Gross Domestic
Product (Produk Nominal GDP
Output
Domestik Bruto)
• Cara
Pengukurannya
– Riil Real GDP
– Nominal
GDP per capita
85
Pendekatan Pendapatan Nasional

• Tiga metode
penghitungan GDP:
– Pendekatan Produksi
– Pendekatan Pendapatan
– Pendekatan Pengeluaran
86
Tiga Pendekatan Pendapatan Nasional
Pendekatan produksi , merupakan jumlah nilai tambah (output – konsumsi

antara) yang dihasilkan oleh unit-unit produksi yang dimiliki penduduk
domestik / suatu daerah dalam jangka waktu yang tertentu (satu tahun)
Pendekatan pendapatan, disebut pendapatan nasional atau pendapatan

regional (income) merupakan jumlah pendapatan (balas jasa) yang diterima
oleh faktor produksi yang dimiliki oleh penduduk nasional / suatu daerah
dalam jangka waktu yang tertentu (satu tahun)
Pendekatan Pengeluaran disebut pengeluaran nasional / pengeluaran

regional (expenditure) merupakan jumlah pengeluaran konsumsi yang
dilakukan oleh rumah tangga, lembaga swasta nirlaba, pemerintah,
pembentukan modal tetap, perubahan stok dan ekspor netto nasional /
daerah dalam jangka waktu tertentu (satu tahun)
87
Penghitungan Pendapatan Nasional

• Kelemahan PDB:
- Dihitung berdasarkan estimasi
- Tdk termasuk unreported activities: illegal drugs,
illegal logging – higher in developing countries
- Tdk termasuk under report income – menghindari
pajak
- Tdk termasuk sektor informal – pembantu RT, dll
• Perhitungan PDB:
 Pendekatan Pendapatan/Income  factor payment
(labor payment, capital payment, profit, salary,
devident, interest)
Digunakan untuk mempelajari dari sisi supply
(aggregate supply)
 Pendekatan Pengeluaran/expenditure  C, I, G, NX
Digunakan 2untuk mempelajari dari sisi demand
(aggregate demand)
 Pendekatan Produksi  Menurut sektor
88
Penghitungan PDB – Metode Produksi (Netto)

• NETT OUTPUT adalah VA yang diciptakan
dalam suatu proses produksi. Sehingga
metode ini menjumlahkan VA yang
diwujudkan oleh perusahaan diberbagai
lapangan usaha dalam perekonomian.
• Contoh VA dari suatu produk :
Produk Harga Jual VA
 Kapas  50 50
 Benang  200 150
 Kain  600 400
2
 Pakaian  800 200
 Nilai Jual & VA  1650 800

89
Value Added Bahan Mineral (kompas, 14 sept 2018)
• UU No.04/2009 Tentang Mineral dan Batubara, pemerintah bersama badan
usaha wajib meningkatkan nilai tambah mineral dan batubara (hilirisasi) di
dalam negeri.
• Selama periode 2014-2016 pemerintah melarang ekspor mineral mentah,
namun tahun 2017 mebuka keran ekspor tsb secara terbatas (untuk biji bauksit
dan nikel kadar rendah), yang dibarengi dengan kewajiban membangun smelter
 bila tak ada kemajuan pembangunan smelter izin ekspor dicabut.
• Fakta hilirisasi (pengolahan & pemurnian mineral di smelter) belum
sepenuhnya komprehensif. Mineral yang dimurnikan di domestik sampai
menjadi logam siap olah  belum bisa dikatakan sebagai produk akhir
• Contoh PT. Timah (sebagai anak usaha PT Inalum), ekspor tahun 2017 sebesar
27.000 ton (pasokan ke domestik hanya 3.000 ton).
• Volume ekspor yang dominan menandakan industri domestik belum
menggunakan bahan baku tsb secara optimal. Timah bisa menjadi bahan
campuran logam ringan komponen kendaraan dan produk lain .
• Begitu pula nikel dan feronikel (kandungan besi 80%), ekspor tahun 2017
sebesar 2,7 juta ton (serapan domestik 204.000 ton). Proyeksi Thaun 2018
sebesar 4 juta ton (serapan domestik 201.000 ton).
Value Added Bahan Mineral (lanjutan)
• Nilai jual biji nikel yangsudah diolah menjadi feronikel nilai jual akan melonjak
 menjadi 10 kali lipat
• Bila pengolahan dilanjutkan lagi menjadi produk stainless steel nilai jual
meningkat  menjadi 19 kali.
• Hal yang sama pada mineral bauksit, jika diolah menjadi alumina nilai jual
meningkat  menjadi 8 kali lipat .
• Ketika diolah dan dimurnikan lebih lanjut, menjadi batang aluminium nilai jual
meningkat  menjadi 30 kali lipat.
• Hal sama juga bisa diterapkan untuk batubara (tambang batubara lebih
sederhana hanya dikeruk), pengolahan lebih lanjut menjadi gas (gasifikasi
batubara) yang bisa digunakan sebagai bahan baku pupuk atau produk
petrokimia. Di China batubara diolah menjadi avtur.
Contoh Penghitungan GDP
Barnes
Columbian Farmer Coffee Importer Starbuck‟s and
Noble
$4.20 $7.20 $9.80
2
Retail Price $15.00
92
Sal
Nilai Tambah (Value Added)
es
$5.
Roasti
80
ng &
Packag
ing
$2.00
Shipping
and
Importing
Green
2 $3.00 Beans
Coffee
$4.20
93
Contoh Penghitungan GDP Riil Vs Nominal
Pendekatan Produksi (Output)

 Penjumlahan dari semua nilai tambah setiap sektor
Pendekatan Pendapatan (Income)
 Penjumlahan pembayaran semua faktor produksi
Pendekatan Pengeluaran (Expenditure)
 Penjumlahan pengeluaran semua barang dan jasa
94
Pendekatan Produksi (Output)

 $4.20 + $2.00 + $3.00 + $5.80
Pendekatan Pendapatan (Income)
 Payments to labor, management and capital for
producing one pound of coffee
Pendekatan Pengeluaran (Expenditure)
 $15 final payment for pound of coffee
95
 Nominal GDP : nilai output pada suatu periode

tertentu, yang dihitung dengan harga pada
periode tersebut, atau nilai rupiah pada periode
tsb.
 Real GDP : nilai output (semua barang yang
diproduksi) dalam dua periode dengan
menggunakan harga yang sama. Sehingga dapat
dihitung perubahan output fisik antara beberapa
periode waktu yang berbeda
96
Produksi pada tahun 2012 Produksi 2014

 200 apel dengan harga  300 apel dengan harga
500 Rp 600
 100 jeruk dengan  100 jeruk dengan
harga Rp 400 harga Rp 450
Berapa total jumlah yang diproduksi oleh perusahaan X pada tahun 2012
97

500 Rp 600
Produksi Nominal (Nominal Production )= 200 x Rp 500 + 100 x Rp 400
= Rp 140.000
98

500 Rp 600
Produksi Nominal = 300 x Rp 600 + 100 x Rp 450

(Nominal Production )
= Rp 225.000
99

Jika Tahun 2014 sebagai dasar penghitungan

500 Rp 600
Produksi Nominal = 300 x Rp 600 + 100 x Rp 450

(Nominal Production )
= Rp 225.000
100

Jika Tahun 2012 sebagai dasar penghintungan

500 Rp 600
Produksi Riil (Real Production ) = 300 x Rp 500 + 100 x Rp 400
= Rp 190.000
101
EKONOMI TERBUKA
Pada materi ekonomi terbuka ini kita akan
membahas model perekonomian kecil terbuka
yang meliputi Balance of Payment,
keseimbangan perekonomian terbuka dan
penentuan tingkat kurs (exchange rate)
The circular flow of income

Firms
Consumption of
Factor domestically
payments produced goods
and services (Cd)
Households
The circular flow of income
INJECTIONS
Export
expenditure (X)
Investment (I)
Government
Consumption of expenditure (G)
Factor domestically
produced goods BANKS, GOV ABROAD
payments etc
and services (Cd)
Import
Net expenditure (M)
Net taxes (T)
saving (S)
WITHDRAWALS
KESEIMBANGAN PEREKONOMIAN TERBUKA

Dalam perekonomian tertutup kita mengenal tiga komponen C, I, G.
Sedangkan dalam perekonomian terbuka sebagian output untuk
domestik dan sebagian diekspor ke luar negeri sehingga komponen
bertambah menjadi C, I, G, Ex, sehingga :
C C d C f dimana:
d= barang- barang domestik
d f
I I I f= barang-barang luar negeri
G G d G f
EX = ekspor = pengeluaran luar negeri untuk barang-barang
domestik
IM = impor = C f + I f + G f = pengeluaran domestik untuk
barang-barang luar negeri
KESEIMBANGAN PEREKONOMIAN
TERBUKA
NX = net ekspor
= EX – IM
• Jika NX > 0,
negara mengalami sebuah surplus perdagangan
sama dengan NX
• Jika NX < 0,
negara mengalami sebuah defisit perdagangan
sama dengan – NX
HUBUNGAN EKONOMI ANTAR BANGSA
1. Perdagangan Internasional
– Meningkatkan standar hidup dengang berspesialisasi pada
produk yang mempunyai keunggulan komparatif
– Mengekspor barang dan jasa yang secara relatif efisien
– Mengimpor barang dan jasa yang secara relatif tidak efisien
2. Keuangan Internasional
Sistem keuangan internasional berperan sebagai
“lubricant/perantara” yang memfasilitasi pertukaran (via
pembelian & penjualan)
 Komoditi untuk mendapatkan mata uang asing
 suatu mata uang dengan mata uang lainnya.
Arti Perekonomian Terbuka Dan

Ukuran Keterbukaan
1. Arti Perekonomian Terbuka

Perekonomian terbuka adalah perekonomian
yang melibatkan diri dalam perdagangan
internasional (ekspor dan impor) barang dan jasa
serta modal dengan negara-negara lain.
2. Ukuran Keterbukaan
Rasio ekspor atau impor terhadap GDP
NERACA PEMBAYARAN INDONESIA

(Balance of Payment)
Neraca Pembayaran Indonesia

35,000.00 Neraca Pembayaran
30,000.00 Indonesia terus menurun
25,000.00 hingga pada tahun 2013
20,000.00 menyentuh titik balik di
15,000.00 posisi USD -7.324 Milyar.
10,000.00
5,000.00
Kemudian meningkat di
0.00
tahun 2014. Tapi kembali
-5,000.00
menurun di kuartal pertama
-10,000.00
2010 2011 2012 2013 2014 Q1-2015 tahun ini.
Neraca Pembayaran Indonesia
Penurunan ini cukup
berdampak pada nilai kurs.
Apa yang membuat neraca perdagangan menurun?
Apa dampaknya bagi nilai kurs?
Apa dampaknya bagi perusahaan?
NERACA PEMBAYARAN INTERNASIONAL

(Balance of Payment)
• Definisi: pencatatan yang sistematis dari seluruh

transaksi ekonomi antara suatu negara dengan
negara lain (belahan dunia lainnya)
• Aturan Umum
– Transaksi yang menghasilkan valuta asing dicatat
dalam pos credit (+)
– Transaksi yang menimbulkan pengeluaran valuta
asing dicatat dalam pos debit (–)
Elemen Utama BoP
I. Transaksi Berjalan (Current Account)

1. Impor dan ekspor barang (Balance of Trade)
• Komposisi: komoditi primer & manufaktur
• Surplus BoT  X > M disebut favorable BoT
• Defisit BoT  X < M disebut unfavorable BoT
2. Jasa : shipping, financial service dll.
3. Pendapatan dari investasi asset di luar negeri
(investment income)
4. Transfer Payment
II. Transaksi Modal (Capital Account)

1. Penerimaan
2. Pembayaran
Lanjutan…
III. Transaksi Finansial (Financial Account) (lending (-) atau

borrowing (+)
– Pemerintah
– Swasta
Official Reserve
– Dana yang digunakan oleh pemerintah dan Bank Sentral untuk
memanage nilai tukar (exchange rate)
– Menggambarkan intervensi pemerintah di pasar valuta asing
Statistical Discrepancy
Menggambarkan aliran barang & jasa, dan finansial yang tidak tercatat
NILAI TUKAR (EXCHANGE RATE)
1. Definisi:
– Harga suatu mata uang dalam bentuk mata
uang lainnya.
– Jumlah mata uang asing yang dapat dibeli
dengan 1 unit mata uang domestik
2. ER ditentukan dalam pasar valuta asing (foreign
exchange market)
3. Mata uang asing diperdagangkan pada tingkat
retail di bank-bank dan firm yang bergerak di
bidang tersebut
Perdagangan Luar Negeri dan Kegiatan Ekonomi
Ekspor adalah barang dan jasa yang diproduksi di

dalam negeri dan dibeli oleh penduduk negara lain.
Impor adalah barang dan jasa yang diproduksi di luar
negeri dan dikonsumsi di dalam negeri.
Ekspor netto (NX) = ekspor (X) – Impor (M)
Jika positif  net foreign investment
Jika negatif  net foreign borrowing
Lanjutan…
Faktor-faktor yang mempengaruhi Ekspor

atau Impor:
– Output (GDP – domestik atau LN
– Nilai tukar (exchange rate) – depresiasi atau
apresiasi
GDP dengan memasukkan perdagangan LN:

GDP = C + I + G + NX
dimana: C + I + G disebut permintaan domestik
(domestic demand), sehingga NX = GDP – permintaan
domestik
NOMINAL EXCHANGE RATE

(KURS/NILAI TUKAR NOMINAL)
e = nominal exchange rate atau

kurs nominal adalah harga
relatif dari mata uang
domestic dikaitkan dengan
mata uang luar negeri
(misal: Rupiah per Dollar)
THE REAL EXCHANGE RATE
(KURS RIIL)
ε = real exchange rate (kurs riil)

adalah harga relatif dari barang-
barang domestik dikaitkan
dengan barang-barang luar
negeri
(contoh: Burger Jepang per
Burger Amerika)
(KURS RIIL)
ε e P

P*
(Yen per $)  ($ per unit U.S. goods)

Yen per unit Japanese goods
Yen per unit U.S. goods


Yen per unit Japanese goods
Units of Japanese goods


per unit of U.S. goods
(KURS RIIL)
Contoh:
Harga Burger di Jepang 200 Yen
Harga Burger di Amerika $2,50
Kurs nominal (nominal exchange rate) = 120 Yen/$
Maka kurs riil burger di Amerika adalah
e P
ε 
P *
120  $2.50
  1.5
200 Yen
GDP Vs GNP
GDP
 Output yang diproduksi di domestik (Indonesia,
US, Italy, dan sebagainya)
GNP
 Total pendapatan yang diperoleh suatu negara
atas faktor produksi yang dimilikinya dimanapun
lokasinya baik itu di dalam negeri maupun di luar
negeri.
120
GDP Vs GNP
Nilai BARANG dan JASA dalam suatu negara yang

diproduksikan oleh faktor faktor produksi HANYA
MILIK warga negara tersebut SAJA.
 Konsepnya adalah :
 GNP – Nett Factor Income = GDP
 Nett Factor Income (NFI) adalah pendapatan faktor-faktor
produksi yang diterima dari luar negeri DIKURANGI dengan
pendapatan faktor-faktor produksi yang dibayarkan ke luar
negeri
121
GDP Vs GNP
 Joe, warga negara Canada yang bekerja di

Amerika Serikat, maka gajinya akan
ditransfer ke Canada
GDP US termasuk gaji Joe GNI Canada termasuk gaji Joe
122
GDP Vs GNP
ISTILAH “pendapatan nasional” definisi-nya =

GDP atau GNP
ISTILAH “Pendapatan Nasional” = PNN
(Produk Nasional Netto) = (Nett National
Product) = NNP adalah jumlah pendapatan
yang diterima oleh faktor-faktor produksi
yang digunakan untuk memproduksikan
barang dan jasa dalam suatu tahun tertentu.
123
Apa itu Simple-E
Simple Econometric Simulation
System, for Excel
Kaoru Yamaguchi, Ph.D

Corporate Culture Academy Install Aplikasi Simple E
Corporate Culture Academy Install Aplikasi Simple E
Option Type Pada Aplikasi Simple E
Option Type Pada Aplikasi Simple E
Corporate Culture Academy Option Type Pada Aplikasi Simple E
Lagged Variable & Dummy Variabel
Aplikasi Forecasting
• Spreadsheets
– Microsoft Excel, Quattro Pro, Lotus 1-2-3
– Limited statistical analysis of forecast data
• Statistical packages
– SPSS, SAS, NCSS, Minitab
– Forecasting plus statistical and graphics
• Specialty forecasting packages

– Forecast Master, Forecast Pro, Autobox, SCA
Simple-E
 Tools berbasis ilmu statistik
 Berbentuk modul yang disisipkan kedalam Microsoftexcel
 Untuk membuat prakiraan (forecasting)
 Menggunakan model time series dan regresi
 Model bisa dipilih sesuai kebutuhan
 Grafik mudah dibuat
 Indikator statistik langsung ditampilkan
 Mudah dalam analisa
 Digunakan oleh DJK untuk menyusun RUKN dan PLN untuk
menyusun RUPTL
Prakiraan Kebutuhan Tenaga Listrik
 Rasio Elektifikasi
 Prakiraan per Kelompok tarif
(R, B, I, P): Output
 Energi Jual (GWh)
Simple-E
 Daya Tersambung (MVA)
 Jumlah Pelanggan
 Losses
 Pemakaian sendiri
 Beban Puncak
Diagram Simple-E
Menu utama
“Sheet Data”
“Sheet Model”
Model dalam Simple-E
Contoh: Model “CA” (Constant Adjustment)

Model Time Series (Deret Berkala)
1. Model didalam Simple-E :

 Trend Linier ($TL)  = TREND (Excel)
 Trend Growth ($TG)  = GROWTH (Excel)
dengan memasukkan $CA didalamnya sehingga
hasilnya menjadi smooth.
Out Put Warna UNGU
2. Model Time Series tidak memperhitungkan Variabel

Bebas
Model Regresi
1. Model Regresi :
 Linier : $LS,
 Non Linier : $DL dan $SL
dengan Variable bebas PDRB, Populasi, Tarif, dst
Out put berwarna MERAH
2. Jika variabel bebas dikosongkan, maka akan menjadi

Time Series
3. Untuk membuat smooth dengan data realisasi, maka

didalam model ditambahkan $CA
Prakiraan Penjualan Pelanggan R :
1. Hitung prakiraan jumlah pelanggan R dengan

mengacu pada target RE (bisa menggunakan excel)
2. Gunakan metode REGRESI, untuk menghitung:

a) Prakiraan Penjualan kWh pelanggan R:
 kWh = f (PDRB, Plgg RT, Tarif Rp/kWh,
Populasi)
b) Daya kontrak (MVA) pelanggan R:
 MVA = f (Plgg R, PDRB, Populasi)
 Cek kewajaran Jam nyala Plgg R
Menentukan Rasio Elektrifikasi
(Terkait Jumlah Pelanggan Rumah Tangga)
Rasio Elektrifikasi :
Adalah rasio jumlah pelanggan rumah tangga terhadap
Jumlah rumah tangga
Target bisa dihitung dengan model eksponential

Persamaan Gompertz
RE (t) = K ( a ) ^ (b t)
RE (t) = Rasio Elektrifikasi pada tahun (t)

K = 100
a, b = Konstanta
t = Waktu
Prakiraan Penjualan Pelanggan B :
Gunakan metode REGRESI untuk menghitung:

1. Penjualan kWh pelanggan B :
 kWh = f (PDRB Bisnis, Populasi, tarif)
2. Daya kontrak (MVA) pelanggan B:
 MVA = f (PDRB Bisnis, Populasi)
 Cek kewajaran Jam nyala Plgg B
3. Jumlah pelanggan B :
 Jumlah plgg B = f (PDRB Bisnis, Populasi)
Prakiraan Penjualan Pelanggan P :
Gunakan metode REGRESI, untuk menghitung:

1. Penjualan kWh pelanggan P :
 kWh = f (PDRB Publik, Populasi)
2. Daya kontrak (MVA) pelanggan P:
 MVA = f (PDRB Publik, Populasi)
 Cek kewajaran Jam nyala Plgg P
3. Jumlah pelanggan P :
 Jumlah plgg B = f (PDRB Publik, Populasi)
Prakiraan Penjualan Pelanggan I :
Gunakan metode REGRESI, untuk menghitung:

1. Penjualan kWh pelanggan I :
 kWh = f (PDRB Industri, Populasi, Plgg I)
2. Daya kontrak (MVA) pelanggan I:
 MVA = f (PDRB Industri, Populasi, Plgg I)
 Cek kewajaran Jam nyala Plgg I
3. Jumlah pelanggan I :
 Jumlah plgg I = f (PDRB Industri, Populasi)
145
Latihan
1. Install Aplikasi Simple-E

2. Persiapkan data di “Sheet Data”
3. Bentuk notasi data sebagai variabel
4. Pilih model yang sesuai di “Sheet Model”
5. Jalankan Simple-E di “Sheet Simulation”
6. Amati indikator pada Sheet Model dan Sheet Simulation
Tahapan persiapan dan proses perhitungan
Data Realisasi Proyeksi / target Output
Realisasi 10 tahun: Proyeksi10 tahun: Prakiraan
1. Internal 1. Internal (Simple-E):
 kWh jual  Losses 1. kWh jual
 Daya kontrak  PS 2. Daya kontrak
 Σ Pelanggan  Load factor 3. Σ Pelanggan
 Losses
 PS 2. Eksternal Prakiraan:
 Load factor  PDRB (Microsoft excel)
 Σ penduduk 1. Losses
2. Eksternal  Target RE 2. PS
 PDRB 3. Load factor
 Jumlah penduduk 3. Lain-lain 4. Beban puncak
 Rasio Elektrifikasi  Kesiapan Kit
 Target RKAP Target/proyeksi:
3. Lain-lain  COD proyek 1. RE
 Progress proyek 2. Σ Rumah Tangga
Contoh Hasil Simulasi Simple-E
Title and Comments TREND 18 19 20 21 22 23 24 25 26 27 28
A B C D E F G H I J TIME 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
PRAKIRAAN KEBUTUHAN ENERGI LISTRIK - Prop SULTRA
DATA PENDUDUK POPULASI SATUAN

Jumlah Populasi/Rumah Tangga
Jumlah Penduduk ribu POP 1158,336 1176,048552 1187,350847 1198,821832 1210,292818 1211,966752 1222,153091 1232,33943 1242,162435 1251,686987 1260,653561
Pertumbuhan Penduduk % POPGR 5,755521795 1,529137634 0,961039821 0,966099102 0,956854935 0,138308138 0,840480091 0,8334749 0,797102212 0,766771828 0,716359113
Jumlah Rumah Tangga ribu RES 275,4502549 281,8244252 286,7332301 291,7427162 296,8131201 299,5238792 304,3794443 309,2928492 314,1728276 319,0344173 323,8098149
catt : Copi value hasil proyeksi ORG, ke worksheet DATA.

JUMLAH PELANGGAN
PROYEKSI JUMLAH PELANGGAN
TOTAL PLTOT 95997,08123 104040,0962 114953,76 126253,9248 138434,4129 148418,9352 159219,5117 170908,856 183566,6282 197280,138 212145,1248
Residential PLRES 88372,23403 95820,30458 106091,2952 116697,0865 128127,1908 137300,6404 147224,3767 157965,5997 169597,9833 182202,3371 195867,3417
Commercial PLCOM 4872,835074 5322,64588 5812,49539 6345,94754 6926,883504 7559,529926 8248,489673 8998,775325 9815,845643 10705,64529 11674,64806
Public PLPUB 2715,833403 2859,158112 3010,082435 3169,009329 3336,363123 3512,590641 3698,162402 3893,573872 4099,34679 4316,030558 4544,203711
Indstrial PLIND 36,1787234 37,98765957 39,88704255 41,88139468 43,97546441 46,17423764 48,48294952 50,90709699 53,45245184 56,12507444 58,93132816
Catatan : Mencari Pelanggan Residential, dapat dengan cara :
Proyeksikan pelanggan atau dari target Rasio Elektrifikasi
DATA PDRB/GDP GDP atau PDRB SATUAN

GDP Share
Pertanian % SHAG 49,49192902 48,81881893 48,18024306 47,57282991 46,99367898 46,44027676 45,91043084 45,40221742 44,91393915 44,44409094 43,99133195
Pertambangan % SHMN 0,717681745 0,729789154 0,741275415 0,752201143 0,76261851 0,772572726 0,782103228 0,79124462 0,800027432 0,808478737 0,816622653
Industri pengolahan migas %
Industri pengolahan nonmigas % SHIN 7,567126827 7,640820329 7,710733089 7,777234083 7,840640864 7,901228616 7,959237371 8,014877749 8,068335581 8,119775648 8,169344747
Komersial (bisnis) % SHCM 12,97085135 13,03482231 13,09551151 13,15323906 13,20828061 13,26087505 13,31123073 13,3595305 13,40593566 13,45058926 13,49361873
Publik % SHPU 15,20015049 15,36719711 15,52567339 15,67641597 15,82014467 15,95748328 16,08897589 16,21509994 16,33627664 16,45287954 16,56524138
Lain-lain % SHOT 14,05226057 14,40854932 14,74655879 15,06807329 15,3746281 15,66755365 15,94801045 16,21701678 16,47547108 16,72417003 16,96382335
Total (cek) % SHTL 100 99,99999716 99,99999526 99,99999345 99,99999173 99,99999009 99,99998851 99,999987 99,99998555 99,99998415 99,99998281
GDP Real - Forecast

Total (Skenario) mil Rp GDP 4372928,384 4591574,803 4821153,544 5062211,221 5315321,782 5581087,871 5860142,264 6153149,378 6460806,846 6783847,189 7123039,548
Pertanian mil Rp GDPAG 2164246,612 2241552,653 2322843,606 2408237,291 2497865,461 2591872,91 2690416,87 2793666,622 2901803,275 3015019,691 3133520,511
Pertambangan mil Rp GDPMN 31383,70874 33508,81586 35738,02764 38078,01316 40535,63111 43117,96699 45832,3671 48686,46974 51688,23457 54845,97076 58168,3645
Industri pengolahan migas mil Rp
Industri pengolahan nonmigas mil Rp GDPIND 330905,0369 350833,991 371746,2992 393700,0422 416755,3261 440974,5557 466422,6867 493167,4645 521279,653 550833,2593 581905,7572
Komersial (bisnis) mil Rp GDPCOM 567206,0402 598503,6339 631354,7472 665844,7871 702062,6743 740101,1622 780057,1476 822031,9746 866131,7342 912467,5662 961155,964
Publik mil Rp GDPPUB 664691,6951 705596,3708 748516,5883 793573,3401 840891,6653 890601,2524 942836,9846 997739,4506 1055455,432 1116138,383 1179948,897
Lain-lain mil Rp GDPOT 614495,2911 661579,3389 710954,2755 762777,7467 817211,0237 874420,0234 934576,208 997857,3967 1064448,517 1134542,318 1208340,054
KEB. LISTRIK PROYEKSI ENERGY SALES

TOTAL GWh STOT 119,4670797 138,1293681 163,5401926 189,7409502 217,7989679 241,0324673 265,9725897 292,7703561 321,5909828 352,6153452 386,0415949
Residential SRES 78,66699058 93,43463983 115,7261815 138,7443547 163,5515674 183,4610719 204,9989536 228,3110598 253,557287 280,9130203 310,5707263
Commercial SCOM 23,00997516 24,70955248 26,40044328 28,08353017 29,75957319 31,42922779 33,09306305 34,75157613 36,40520381 38,05433188 39,69930268
Public SPUB 15,88970667 17,33737605 18,70669838 20,14418449 21,6538236 23,2397533 24,90627687 26,65787966 28,49924457 30,43526736 32,47107163
Indstrial 7,19 SIND 1,900407272 2,647799724 2,706869467 2,768880887 2,834003764 2,902414369 2,974296178 3,049840547 3,129247359 3,212725658 3,300494278
PROYEKSI DAYA TERSAMBUNG
TOTAL MVA VATOT 81,17569247 92,74954117 107,647738 123,0237456 139,5166143 153,1228872 167,7552188 183,5039117 200,4678297 218,7552704 238,4849306
Residential VARES 62,40919412 72,56972563 85,92488926 99,71538763 114,5777237 126,5057767 139,4094125 153,37601 168,5013657 184,8905549 202,658887
Commercial VACOM 9,258444458 9,811450551 10,52260067 11,23186868 11,93941716 12,64539401 13,34993382 14,0531592 14,7551819 15,45610383 16,15601803
Public VAPUB 8,392279205 9,187464201 10,0010942 10,85786591 11,76006687 12,71010589 13,71051955 14,76397887 15,87329656 17,04143442 18,27151132
Indstrial VAIND 1,115774691 1,180900784 1,19915387 1,218623337 1,23940658 1,26161057 1,285353004 1,310763591 1,33798554 1,367177249 1,39851425
Format Output Demand per Provinsi
ENERGY AND LOAD DEMAND FORECAST

PT PLN (Persero) WILAYAH : SULUTTENGGO PROPINSI SULUT
======================== ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============
Calendar Year 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
======================== ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============
1
Number of Households (10^3) 526.5 521.8 597.2 612.2 622.5 632.9 643.5 653.7 664.3 674.8 685.3 695.7 706.0
- Growth Rate (%) 1.6 (0.9) 14.5 2.5 1.7 1.7 1.7 1.6 1.6 1.6 1.6 1.5 1.5
Growth of Total GDP (%) 5.7 5.7 7.3 7.7 8.2 7.4 7.4 7.4 7.4 7.4 7.4 7.4 7.4
Electrification Ratio (%) 62.1 64.9 57.5 57.5 58.6 60.7 61.9 63.1 64.4 65.7 67.0 68.3 69.7
Energy Sales (GWh) 553.2 584.6 628.3 662.0 690.3 817.3 907.4 1,006.3 1,115.3 1,235.1 1,366.9 1,511.4 1,670.5
- Growth Rate (%) 11.5 5.7 7.5 5.4 4.3 18.4 11.0 10.9 10.8 10.7 10.7 10.6 10.5
-- Residential 325.9 340.1 351.6 356.4 362.3 416.2 470.4 530.0 596.0 668.6 748.5 836.4 933.2
-- Commercial 108.4 121.6 134.0 158.2 173.9 238.2 264.5 293.7 326.1 362.0 401.9 446.0 494.9
-- Public 55.9 60.4 70.2 67.6 71.3 76.5 82.0 87.9 94.3 101.0 108.3 116.0 124.3
-- Industrial 63.1 62.5 72.5 79.9 82.7 86.5 90.5 94.6 99.0 103.4 108.1 113.0 118.1
Power Contracted (MVA) 355.3 377.4 385.6 402.0 431.7 495.4 531.7 570.2 611.3 654.9 701.1 750.2 802.2
-- Residential 219.1 232.0 237.1 246.9 264.2 291.6 316.9 343.9 373.0 404.1 437.4 473.0 511.1
-- Commercial 67.5 75.4 77.1 83.1 91.5 124.6 132.3 140.5 149.0 158.0 167.4 177.2 187.4
-- Public 34.9 36.4 38.3 38.5 41.1 43.2 45.4 47.6 49.9 52.2 54.5 56.9 59.3
-- Industrial 33.8 33.5 33.1 33.4 34.8 35.9 37.1 38.2 39.4 40.6 41.9 43.1 44.4
Number of Customer 349,048 361,206 366,652 375,575 389,270 408,985 423,822 438,878 454,600 470,715 487,272 504,274 521,729
-- Residential 327,095 338,586 343,526 352,108 364,941 384,059 398,283 412,708 427,781 443,231 459,103 475,403 492,137
-- Commercial 11,572 11,902 12,107 12,426 12,894 13,328 13,776 14,240 14,718 15,211 15,721 16,245 16,787
-- Public 9,952 10,302 10,622 10,642 11,030 11,186 11,345 11,506 11,669 11,835 12,003 12,173 12,346
-- Industrial 429 416 397 399 406 412 419 425 432 438 445 452 459
Total Production (GWh) 3) 666.2 709.2 743.3 770.5 786.5 930.2 1,031.6 1,142.8 1,265.2 1,399.5 1,547.1 1,708.8 1,886.5
Energy Requirement (GWh) 649.2 692.4 718.1 746.1 765.7 905.6 1,004.3 1,112.6 1,231.7 1,362.5 1,506.2 1,663.7 1,836.7
Station Use (%) 2) 2.5 2.4 3.4 3.2 2.6 2.6 2.6 2.6 2.6 2.6 2.6 2.6 2.6
T & D Losses (%) 1) 14.8 15.6 12.5 11.3 9.8 9.7 9.6 9.5 9.4 9.3 9.2 9.1 9.0
Load Factor (%) 53.8 56.8 57.0 57.1 57.2 57.3 57.3 57.6 57.9 58.3 58.6 59.1 59.5
Peak Load (MW) 141 143 149 154 157 185 205 226 249 274 301 330 362
======================== ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============ ============
Note : 1) Losses to Energy Requirement
2) Own Use To PLN Production
3) PLN Production + Purchased
*) Actual
**) RKAP
Acuan Prakiraan Daya Tersambung Pelanggan Industri
Jika porsi pelanggan besar dikalikan delta pelanggan industri

dan dikalikan dengan rata-rata daya pelanggan besar lebih
kecil dari rencana daya tersambung pelanggan besar
 persamaan :
Jika :
P ( IB ) * Delta Pel. I * VIB < VKB
Maka :
Daya Ind (t) =Daya Ind (t-1) + VKB + P ( IK ) * Delta Pel I * VIK
P ( IB ) = Porsi pelanggan besar terhadap pelanggan total industri

P ( IK ) = Porsi pelanggan kecil terhadap pelanggan total industri
VKB = Daya pelanggan besar baru
VIB = Daya tersambung per pelanggan industri besar
VIK = Daya tersambung per pelanggan industri kecil
Delta Pel.I = Penambahan pelanggan industri
Prakiraan Load Factor ( Faktor Beban )
LF (t) = (0,4 – 0,5) * ERT (t) / EST + (0,50 – 0,60) * (EB(t)+ EP(t)) / EST
+ (0,7 – 0,8) EI (t) / EST
Dimana :
LF (t) = Faktor Beban pada tahun t
ERT (t) = Energi sales rumah tangga pada tahun t
EB (t) = Energi sales bisnis pada tahun t
EP (t) = Energi sales publik pada tahun t
EI (t) = Energi sales industri pada tahun t
0,4 – 0,5 = Koefisien faktor beban sektor rumah tangga (hasil survai)
0,5 – 0,6 = Koefisien faktor beban sektor bisnis & publik (hasil survai)
0,7 – 0,8 = Koefisien faktor beban sektor industri (hasil survai)
Karakteristik Beban Listrik Sektor Rumah Tangga & Industri
Karakteristik Beban Listrik Sektor Bisnis
Karakteristik Beban Listrik Sektor Publik
Beban Puncak
Beban rata-rata 1 tahun
Load Factor = -------------------------------------------
Beban puncak tertinggi 1 tahun
Beban puncak sistem

Faktor keserempakan = --------------------------------------
(coincident factor) ( GI1 + GI2 + GI3 + .... GIn )
Beban puncak sistem

Beban puncak GI total = --------------------------------
Faktor keserempakan
Coincident factor, contoh :

• Jabar & Banten = 0,9 ?
• Jatim = 0,96 ?
• ....????
Model Prakiraan Gardu Induk

Untuk mendukung studi pengembangan transmisi di PLN, dilakukan usaha menyusun
suatu model guna membuat prakiraan beban setiap Gardu Induk.
Memperhatikan dari fungsi gardu induk, untuk menyusun suatu model prakiraan pada
dasarnya dibutuhkan data yang merepresentasikan dinamika kebutuhan tenaga listrik
sesuai area pelayanan Gardu Induk.
Pada kondisi PLN dengan sistem informasi yang berjalan saat ini, untuk data penjualan
dan sebagainya, unit data terkecil adalah pada tingkat sub-Ranting, yang terdiri dari satu
atau gabungan unit administrasi pemerintahan.
Dengan demikian untuk mengumpulkan data sesuai pelayanan Gardu Induk, terdiri dari
gabungan Ranting/Rayon atau gabungan setengah dari daerah pelayanan Ranting/Rayon
membutuhkan usaha yang besar. Untuk itu pada model ini dengan tujuan
menyederhanakan kebutuhan data dan memanfaatkan sitem informasi yang tersedia, data
utama yang digunakan ialah beban tertinggi bulanan
Model Prakiraan Beban Gardu Induk
Karena hanya “simgle Input” maka metode yang dipilih adalah time series
dengan memperhatikan pola data bulanan (biasanya berfluktuasi), pada
awalnya digunakan model Box-Jenkins, yang diharapkan hasil prakiraan
tidak mereduksi dinamika dari data. Setelah digunakan terjadi banyak kesulitan
yang dialami
- Model Box-Jenkins hanya baik untuk prakiraan jangka sangat pendek
(harian atau bulanan), sedangkan prakiraan beban GI untuk jangka
menengah atau jangka panjang (5-10 tahun atau jangka panjang
>10 tahun)
Oleh karena itu digunakan model Decomposition Multiplicative
Model Decomposition Multiplicative
Pendekatan decomposition multiplicative data yang terdiri dari komponen

Trend, Seasonal, Ciclycal dan Irregular, atau dapat direpresentasikan
dalam hubungan multiplicative sebagai berikut :
T = Trend
Y (t) = T x S x C x I C = Ciclycal Component
S = Seasonal Component
I = Irregular Component
Memperhatikan dari data beban GI, yang berfluktuasi dengan kecenderungan tertentu,
maka pada model GI digunakan tahap pendekatan sebagai berikut :
1. Memisahkan data dari pengaruh komponen Seasonal (deseasonalize).

2. Menghitung seasonal index
3. Menentukan persamaan garis kecenderungan
4. Menghitung prakiraan.
Untuk memasukkan komponen S x I, digunakan pendekatan sebagai berikut:
S x I = T x S x C x I / ( T x C ). ( II.2 )
Sedang komponen T x C dihitung dengan. teknik 12 month moving average
M
Y(t) = 1/ 12 { Y(t-6) + ...... + Y (t) + ....... Y(t + 5) }
sehingga persamaan ( II.2 ) dapat dituliskan
SxI = Y(t) / M(t) = Z (t) ( II.3 )
dimana : Z (t) = seasonal index.

Untuk menghilangkan komponen I dari S x I, dilakukan perhitungan harga rata-rata dari Z

(t) dari bulan yang sama.
Dengan persyaratan Sum Z(t) = 12
Untuk selanjutnya prakiraan beban dihitung dengan hubungan sebagai berikut :
Y (t) = T (t) * Z(t).

Contoh Penyusunan Prakiraan Beban GI
Pada bagian ini akan dibahas penggunaan teknik Multiplicative untuk menyusun
prakiraan beban gardu Induk.
Langkah l. Deseasonalize
S * I = T * S * C * I / (T *C)
dimana T * C = M(t) adalah 12 month moving average :
M (t) = 1/ 12 * ( Y(t-6) + + Y (t) + + Y (t+5) )
Sehingga: S * I = Z (t) = Y (t) / M (t)

Contoh Penyusunan Prakiraan Beban GI
Data Beban GI ….xxxxx (Amp)
Tahun Bulan Y(t) M(t) Z(t) Avg Z(t) t
2013 April 760 476 1.60 1.12 1
Mei 800 550 1.45 1.16 2
Juni 740 632 1.17 1.01 3
Juli 835 779 1.07 0.89 4
Agustus 810 925 0.88 0.86 5
September 850 1,070 0.79 1.03 6
Oktober 920 1,112 0.83 1.16 7
November 890 1,200 0.74 1.26 8
Desember 980 1,240 0.79 0.99 9
2014 Januari 1,765 1,270 1.39 1.27 10
Febuari 1,745 1,318 1.32 1.46 11
Maret 1,745 1,408 1.24 1.21 12
April 1,260 1,495 0.84 13
Mei 1,855 1,595 1.16 14
Juni 1,225 1,623 0.75 15
Juli 1,195 1,599 0.75 16
Agustus 1,380 1,573 0.88 17
September 1,930 1,589 1.21 18
Oktober 1,965 1,609 1.22 19
November 2,090 1,574 1.33 20
Desember 1,320 1,627 0.81 21
2015 Januari 1,480 1,648 0.90 22
Febuari 1,435 1,656 0.87 23
Maret 1,935 1,640 1.18 24
April 1,500 1,651 0.91 25
Mei 1,430 1,671 0.86 26
Juni 1,865 1,699 1.10 27
Juli 1,440 1,714 0.84 28
Agustus 1,485 1,769 0.84 29
September 1,730 1,608 1.08 30
Oktober 2,105 1,483 1.42 31
November 2,325 1,364 1.70 32
Desember 1,655 1,208 1.37 33
2016 Januari 1,660 1,088 1.53 34
Febuari 2,100 965 2.18 35
Hasil 12 bulan moving average pada kolom M (t)
Seasonal indeks diperlihatkan pada kolom Z(t), serta persyaratan sum Z (t) = 12
Bulan Z (t) Z (t)/I Model kecenderungan yang digunakan

April 1.12 1.00 disini setelah dianalisa pada prakiraan
Mei 1.16 1.04 ini adalah eksponential
Juni 1.01 0.90
Juli 0.89 0.79
Ln Y (t) = Ln a + b (t)
Agustus 0.86 0.77
September 1.03 0.92 Hasil persamaan regresi :
Oktober 1.16 1.04
November 1.26 1.13
Regression Output:
Desember 0.99 0.89
Constant 6.773772
Januari 1.27 1.14
Febuari 1.46 1.30 Std Err of Y Est 0.221916
Maret 1.21 1.08 R Squared 0.590678
No. of Observations 35
Sum (Apr-Mar) 13.40 12.00 Degres of Freedon 33
X Coefficient (s) 0.025630
Std Err of Coef. 0.003714
Formula / Model prakiraan :
Ln Y (t) = 6.7737 + 0.02563 * (t)
untuk menghitung beban GI xxxx  P (t) = Y (t) * Z (t)
Hasil Prakiraan Beban GI xxxx

Bulan t Y (t) Z (t) P (t)
2016 Maret 36 2,201 1.08 2,384
April 37 2,258 1.00 2,256
Mei 38 2,316 1.04 2,401
Juni 39 2,376 0.90 2,144
Juli 40 2,438 0.79 1,935
Agustus 41 2,501 0.77 1,936
September 42 2,566 0.92 2,363
Oktober 43 2,633 1.04 2,726
November 44 2,701 1.13 3,043
Desember 45 2,771 0.89 2,458
2017 Januari 46 2,843 1.14 3,236
Febuari 47 2,917 1.30 3,803
Maret 48 2,993 1.08 3,243
Beban Per GI
NAMA GI TEG. CAPACITY 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
(KV) MVA
GI Ranomut 70/20 1x30

- Beban Puncak ( MW ) 27.9 28.0 27.8 28.0 28.4 29.2 30.2 23.4 25.3 27.5 30.2 33.1 36.2 39.5 43.1
GI Sawangan 70/20 1x20

- Beban Puncak ( MW ) 7.0 7.6 6.8 6.8 7.2 7.3 7.3 8.1 8.7 9.3 10.1 10.9 11.8 12.8 13.7
GI Bitung 70/20 1x20

- Beban Puncak ( MW ) 13.2 14.7 15.3 15.5 15.8 16.4 17.0 20.0 7.9 8.9 10.1 11.4 12.9 14.6 16.5
GI Tonsealama 70/20 1x20

- Beban Puncak ( MW ) 4.2 4.5 4.9 4.9 5.2 5.1 5.1 5.7 6.1 6.5 7.1 7.7 8.3 8.9 9.6
2X10=20
GI Teling 150/20 1x30
- Beban Puncak ( MW ) 19.7 22.7 23.2 26.8 30.9 31.5 32.3 13.7 15.1 16.8 18.8 21.0 23.4 26.1 29.1
GI Teling 150/20 2x30

- Beban Puncak ( MW ) 0.0 0.0 0.0 0.0 0.0 0.0 0.0 23.7 25.5 27.7 30.2 33.0 36.1 39.3 42.7
GI Tomohon 70/20 2x20

- Beban Puncak ( MW ) 1x30 8.6 9.0 8.1 8.2 8.3 8.3 8.4 9.5 10.3 11.2 12.4 13.6 14.9 16.3 17.9
GI Kawangkoan 70/20 3x20

- Beban Puncak ( MW ) 10.9 11.4 10.3 10.3 10.1 10.0 10.0 11.2 12.1 13.0 14.1 15.4 16.7 18.1 19.6
GI Lopana 70/20 1x10

- Beban Puncak ( MW ) 6.3 6.9 4.2 5.2 5.7 5.6 5.6 6.3 6.7 7.2 7.8 8.5 9.2 9.9 10.7
GI Tasik Ria 150/20 1x30

- Beban Puncak ( MW ) 2.0 3.0 4.0 4.3 4.6 4.9 5.3 6.4 7.4 8.5 10.0 11.7 13.7 15.9 18.5
GI Otam 150/20 1x20

- Beban Puncak ( MW ) 1x30 14.3 15.5 15.9 16.8 17.2 17.2 17.1 19.1 20.4 21.9 23.7 25.7 27.7 29.9 32.2
GI Likupang 150/20 1x30

- Beban Puncak ( MW ) 0.0 0.0 0.0 0.0 0.0 3.6 3.6 4.1 4.5 4.9 5.4 6.0 6.6 7.2 7.9
Contoh Form Beban Per Sistem
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
- Sales (GWh) 442.6 493.2 515.5 496.1 553.2 584.6 628.3 662.0 690.3 817.3 907.4 1006.3 1115.3
- Production (GWh) 519.4 573.5 609.8 629.2 666.2 709.2 743.3 770.5 786.5 930.2 1031.6 1142.8 1265.2
- Load Factor (%) 53.1 54.7 53.1 52.6 53.8 56.8 57.0 57.1 57.2 57.3 57.3 57.6 57.9
- Beban Puncak ( MW ) 111.8 119.7 131.1 136.5 141.5 142.6 149.0 154.0 157.0 185.5 205.5 226.5 249.2
PRAKIRAAN KEBUTUHAN LISTRIK PER SISTEM

PT PLN (PERSERO) WILAYAH
No. Sistem 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
1. Sistem Minahasa + Kotamobagu

- Sales (GWh) 415.62 462.83 482.02 485.06 514.70 545.11 586.37 622.3 648.1 766.7 850.2 934.0 1034.8
- Produksi ( GWh ) 488.71 539.39 571.98 587.42 623.44 663.44 695.38 720.4 735.4 869.8 964.6 1068.6 1183.1
- Load Factor (%) 55.68 57.24 55.16 54.56 55.82 58.96 60.30 60.0 60.0 60.1 60.1 60.3 60.7
- Beban Puncak ( MW ) 100.20 107.58 118.38 122.90 127.49 128.44 131.65 137.1 139.8 165.3 183.3 202.2 222.6
2 Sistem Tahuna
- Sales (GWh) 11.69 13.32 14.33 14.43 15.45 17.47 19.51 17.5 18.4 22.0 24.6 27.6 30.8
- Produksi ( GWh ) 13.05 14.85 16.24 15.97 16.80 18.07 19.29 20.0 20.5 24.3 27.0 30.0 33.3
- Load Factor (%) 33.11 37.87 41.89 35.89 37.01 39.51 40.11 40.6 40.8 41.0 41.2 41.5 41.9
- Beban Puncak ( MW ) 4.50 4.48 4.43 5.08 5.18 5.22 5.49 5.6 5.7 6.8 7.5 8.3 9.1
3 Sistem Ondong /Siau

- Sales (GWh) 4.43 5.23 5.56 5.21 5.42 5.42 5.42 6.0 6.3 7.4 8.2 9.2 10.3
- Produksi ( GWh ) 5.30 6.13 6.34 6.40 6.34 6.66 6.70 6.78 7.0 8.5 9.6 10.8 12.2
- Load Factor (%) 36.65 40.85 39.27 39.90 39.15 40.89 25.67 38.7 38.7 38.8 38.8 39.0 39.2
- Beban Puncak ( MW ) 1.65 1.71 1.84 1.83 1.85 1.86 2.98 2.0 2.1 2.5 2.8 3.2 3.5
4 Sistem Talaud
- Sales (GWh) 3.33 3.57 4.32 3.85 4.42 5.01 5.01 5.4 5.6 6.7 7.5 8.4 9.4
- Produksi ( GWh ) 3.91 3.97 4.91 4.81 5.12 5.72 6.46 7.0 7.2 8.5 9.5 10.5 11.7
- Load Factor (%) 35.70 29.14 37.16 41.24 40.73 45.86 34.47 37.1 37.4 37.6 37.9 38.2 38.7
- Beban Puncak ( MW ) 1.25 1.56 1.51 1.33 1.44 1.42 2.14 2.16 2.2 2.6 2.9 3.1 3.4
5 Sistem Molibagu
- Sales (GWh) 0.00 0.00 0.00 3.47 3.59 3.78 1.86 3.7 3.9 4.6 5.1 5.6 6.2
- Produksi ( GWh ) 0.00 0.00 0.00 3.84 3.98 4.05 4.32 4.8 4.9 5.8 6.4 7.1 7.9
- Load Factor (%) #DIV/0! #DIV/0! #DIV/0! 28.06 28.38 28.71 25.84 28.6 28.7 28.8 28.9 29.2 29.4
- Beban Puncak ( MW ) 0.00 0.00 0.00 1.56 1.60 1.61 1.91 1.91 1.9 2.3 2.5 2.8 3.1
Hal-hal yang perlu diperhatikan :
1. Mengacu pada RUKN, dalam hal :
 Proyeksi PDRB
 Proyeksi rasio elektrifikasi (RE)
2. Jumlah penduduk, mengacu pada data BPS Propinsi atau
Kabupaten/Kota setempat versi terbaru hasil sensus 2010.
Untuk proyeksi jumlah penduduk mengacu proyeksi jumlah
penduduk oleh Bappenas–BPS–UNFPA th 2013.
3. Output menghasilkan beban per sistem dan beban per GI
4. Gunakan angka JAM NYALA sebagai kontrol kewajaran
hasil perhitungan (korelasi antara target penyambungan
pelanggan baru, kWh jual dan daya kontrak).
Kontak Person :
Kriswanto
Telp 021 – 77820813

Hp 0815 -11329573
Alamat Email :
- kelikdjbb@yahoo.com
- kelikdjbb@gmail.com
Sekian terima kasih
Selamat BERLATIH,
MENCOBA & MENCOBA…..

Diklat Demand Forecast Ver - Sep 2018

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Diklat Demand Forecast Ver - Sep 2018

Diunggah oleh

Hak Cipta:

Format Tersedia

PRAKIRAAN

KEBUTUHAN TENAGA LISTRIK

Pelatihan Master Plan Sistem Distribusi

Tanya jawab bisa dilakukan kapan saja/setiap saat.

Evaluasi dilakukan melalui praktek dan teori setelah

Setelah selesai pelatihan ini, peserta diharapkan mampu

Kebijakan Energi Nasional-KEN

Rencana Umum Energi Nasional Rencana Umum

RUKN ditetapkan oleh Menteri ESDM)

Kandidat Kandidat Proyek Electricity Demand

Sistem Pembangkitan dan

Horizon waktu perencanaan (PLN) :

“Prediction is very difficult,

Forecasting is a tool used for predicting

 Menggunakan data masa lalu dari sekumpulan

 Merupakan bagian vital dari setiap organisasi bisnis

 Menjadi dasar dalam perencanaan jangka pendek,

 Menggunakan data masa lalu dari sekumpulan

 Merupakan bagian vital dari setiap organisasi bisnis

 Menjadi dasar dalam perencanaan jangka pendek,

Demand Listrik Memperkirakan

Time Series: model untuk Grass Roots: deriving future demand

1. Jumlah dan tipe data yang tersedia.

2. Derajat ketelitian yang diperlukan

3. Periode horizon perencanaan

4. Pola data yang tersedia

2. Moving Average : Simple, Weighted

3. Exponential Smoothing : Level, Trend dan

Sales Moving Average

Month Sales Weighted

Ft+1 = Ft + a(At - Ft)

Week Demand a = 0.1 0.6

Ft+1 = Ft + a(At - Ft)

Week Demand a = 0.1 0.6

Model Regresi Linier Sederhana

Misal : prakiraan penjualan kWh sebagai fungsi realisasi

ARIMA kurang baik untuk prakiraan jangka panjang.

Pertumbuhan Ekonomi Harga jual Rp/kWh

Predictor 2 Fitting a straight

Model matematika yang menyatakan hubungan antara variabel tidak

LSM mencari paling

The goal of LSM is to minimize the sum of squared errors…

Regresi Non Linier

“Graph”, “Approximation Formula”

a>0, b>1 a<0, b>1

Tahun GDP HK 2000 Penduduk GWh Sales

Tahun GDP HK 2000 Penduduk GWh Sales

CoefficientsStandard Error t Stat P-value Lower 95%Upper 95%Lower 95,0%

Persamaan Regresi yang terbentuk

2. Koefisien Deteminasi/Penentu R2 (R square) : menunjukkan

3. Adjusted R2 (AR) : untuk regresi dengan lebih dari dua variabel

4. Indikator t value menunjukkan korelasi antara individu variable

5. Durbin Watson: menunjukkan korelasi antara data (t) dengan data

Beberapa penyebab terjadinya auto korelasi, yaitu :

- Kelambanan, sebagai contoh pada kasus perubahan situasi ekonomi

6. Multikolinieritas: terjadi korelasi yang kuat diantara sebagian atau

7. Uji Normalitas : untuk mengetahui

 Ekspor & Impor

Tujuan Pengenalan Makroekonomi

Peserta diharapkan mampu memahami

Mengapa Perlu Mengetahui Makroekonomi?

1. Pentingnya kebijakan makroekonomi yang

Pertumbuhan Konsumsi Listrik Refleksikan Pertumbuhan Ekonomi