1.

Konsep Prakiraan

Edisi 1 Tahun 2020

Agenda Pembelajaran

KONSEP PRAKIRAAN
Peran prakiraan dalam perencanaan, Data Statistik,
Statistik Metode Prakiraan, Metode Time Series, Metode
Causal Relationship, Indikator Statistik

EKONOMI MAKRO
Pertumbuhan Ekonomi, Faktor-faktor
faktor yang mempengaruhi kebutuhan listrik, Ekonometri

PENYUSUNAN DEMAND FORECAST

Pengenalan Aplikasi Simple-E, Perhitungan Kebutuhan Listrik Dengan Simple-E, Losses, pemakaian
sendiri, faktor beban dan beban puncak, Prakiraan kebutuhan listrik per-sistem

www.pln.co.id |
Hasil Belajar

“Setelah mengikuti mata pelajaran ini peserta mampu memahami

Konsep Prakiraan dengan baik dan benar sesuai standar yang berlaku di
PLN.”

www.pln.co.id |
Sistem Tenaga Listrik
150 kV
INDUSTRI

PLTA
PLTD
PLTP 20 kV
PLTG BISNIS
PLTU TRAFO GI TRAFO GI
PLTGU RUMAH
20/150 kV 150/20 kV
220 V
PUBLIK
TRAFO SOSIAL
DISTRIBUSI

PEMBANGKITAN TRANSMISI/DISTRIBUSI PEMANFAATAN

PSS Adept, ETAP,

WASP, Plexos PSS/E, Dig-Silent, Plexos PSS Sincal Simple-E

4
4
www.pln.co.id |
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,
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.
datang
e. Prakiraan kebutuhan tenaga listrik merupakan proses awal dari rangkaian
kegiatan perencanaan penyediaan tenaga listrik.
www.pln.co.id |
Posisi Perencanaan Sistem Kelistrikan Dalam Perencanaan
Pembangunan Nasional dan Perencanaan Energi
Perencanaan Nasional
dan Kebijakan Energi
Perencanaan Energi
Electricity Demand Forecast
Perencanaan Pembangkit
Perencanaan Transmisi
Pertanyaan yang harus dijawab oleh
planner
planner:
1. Bagaimana kebutuhan tenaga
listrik akan bertumbuh ?
2. Kapan harus investasi pembangkit
/ transmisi baru?
3. Berapa kapasitas pembangkit /
transmisi yang akan dibangun?
4. Apa jenis pembangkit / transmisi
yang dibangun?
5. Dimana harus membangun
pembangkit / transmisi baru?
www.pln.co.id |
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)
controls
 Marketing (rencana penjualan, new products)
 Penyiapan kebutuhan bahan bakar.
 Kepegawaian,
 Dan sebagainya.

www.pln.co.id |
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.
www.pln.co.id |
Garis Besar Proses Perencanaan Sistem di PLN
Energi Primer Kandidat Proyek
Kebijakan
2. Pembangkit

Hydro PLTA KIT Kriteria Penalti Ekonomi

Existing Cadangan untuk ENS

Geothermal PLTP
Optimasi
Gas PLTG/GU
Penambahan
Kap. Pembangkit
Coal PLTU
1. Demand

Electricity Renc. Investasi

PDRB, Tarif Demand Grid Rencana
Lokasi Analisa
Demand -------------------- Implementasi
Pembangkit Keuangan
Pop, RE Forecast Demand GI Proyek
Kebutuhan Dana
3. Transmisi, GI

Kebijakan Optimasi
Konfigurasi, Route Perluasan Trans, GI

Kriteria Kriteria Trans, GI

Keandalan Loading Existing
www.pln.co.id |
Prakiraan Beban (Kebutuhan Listrik)
METODE PENDEKATAN PERHITUNGAN

Regresi Provinsi : Penjualan (R, B, P, I) GWh

Produksi (GWh )
End Use
Beban Puncak (MW)

Trend Sistem : Produksi Netto GWh

SK SK SK SK SK
& propor- Load Factor (%)
sional 8 9 10 11 12
Beban Puncak (MW)

GI GI GI GI GI GI GI GI GI GI GI SK
1 2 3 4 5 6 7 8 9 10 11 12
Trend
& Propor-
sional
P P P P P P SK : Sistem Kecil Isolated
GI : Gardu Induk
1 2 3 4 5 6 P : Penyulang www.pln.co.id |
Contoh Pendekatan Perhitungan Prakiraan Beban
Provinsi NTB

Demand Provinsi

Demand Grid & Isolated

Demand GI-GI & Isolated

www.pln.co.id |
Prakiraan Penjualan
REALISASI 2000-2019 PROYEKSI 2020-2030

Relasisasi Prakiraan
Penjualan kWh Penjualan kWh
2000-2019 2020-2030
2030

www.pln.co.id |
 Prakiraan (Forecasting
(Forecasting
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.

www.pln.co.id |
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.

www.pln.co.id |
Apa itu Forecasting?
Demand Listrik Memperkirakan
kebutuhan y.a.d
dengan melihat
realisasi kebutuhan
masa lalu

Predicted
demand
looking
back six
‘14 ‘15 ‘16 ‘17 ‘18 ‘19 ‘20 ‘21 Tahun years
Actual demand (penjualan masa lalu)
Prediksi demand listrik

www.pln.co.id |
Apa yang sebaiknya kita pertimbangkan ketika melihat data masa lalu seperti ini?

Trends

Seasonality

Cyclical elements

Autocorrelation

Random variation
www.pln.co.id |
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.
www.pln.co.id |
Metode Demand Forecasting
Dikenal ada beberapa model demand 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
ca 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.

www.pln.co.id |
Klasifikasi Metode Forecasting
Metode Kuantitatif
Metode
etode yang penggunaannya didasari pada ketersediaan data mentah disertai
serangkaian kaidah matematis untuk meramalkan / membuat prakirakan hasil
dimasa yang akan datang.

Metode Kualitatif
 Metode
etode 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
subjective) dari satu atau lebih para
ahli.

www.pln.co.id |
Metode Kuantitatif
Time Series: model untuk
memprediksi demand yang
didasarkan pada kecende-rungan
data masa lalu
Causal Relationship: model yang
menggunakan teknik statistik untuk
mem-bentuk hubungan sebab
akibat antara berbagai variabel dan
demand
Simulation: model yang dapat
menggabungkan efek keacakan dan
non-linear.
Metode Kualitatif
Grass Roots: deriving future demand by
asking the person closest to the
customer.
Market Research: trying to identify
customer habits; new product ideas.
Panel Consensus: deriving future
estimations from the synergy of a panel
of experts in the area.
Historical Analogy: identifying another
similar market.
Delphi Method: similar to the panel
consensus but with concealed identities.
www.pln.co.id |
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 www.pln.co.id |

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
www.pln.co.id |
Model Time Series (Deret Berkala)
Berkala
1. Naive

2. Moving Average : Simple, Weighted

3. Exponential Smoothing : Level, Trend dan Sesionality

4. Simple Regression

5. ARIMA

www.pln.co.id |
Tahun 2016 2017 2018 2019 2020 2021
GWh 174 187 199 …..? …?? .???

7,5% 6,4% .…% .…% Trend ?

Pertumbuhan : (187-174)/174
174)/174 x 100% = 7,5%
www.pln.co.id |
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

www.pln.co.id |
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 ?
www.pln.co.id |
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
(1x5 + 2x3 + 3x7)/(1+2+3) = 32/6 www.pln.co.id |
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
= F + a (A 820.00
–F
2 1 1 1) =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 www.pln.co.id |
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 F =815.50
F2+ a(A2–F793.00
3 2) =820+.1(775–820)
4 655 801.95 725.20
=815.5
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 www.pln.co.id |
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
3 680 815.50 793.00
4 = F3+ a(A3–F
655 F4 801.95 3)
725.20
5 750 787.26 = 815.5+0.1(680–815.5)
683.08
6 802 783.53 723.23
7 798 785.38 = 802
770.49
8 689 786.64 787.00
9 775 776.88 728.20
10 776.69 756.28 www.pln.co.id |
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.
www.pln.co.id |
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.
tersebut
 Menggunakan satu variabel (univariate) deret waktu.

ARIMA kurang baik untuk prakiraan jangka panjang.

panjang

www.pln.co.id |
www.pln.co.id |
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).

www.pln.co.id |
www.pln.co.id |
Pertumbuhan Penduduk

Pertumbuhan Ekonomi Harga jual Rp/kWh

www.pln.co.id |
Prakiraan Penjualan Per Provinsi (Metode Regresi)
REALISASI 2000-2019 PROYEKSI 2019-2035

Pertumbuhan Harga Jual Proyeksi

Proyeksi PDRB
Ekonomi (PDRB) Rp/kWh Rp/kWh
2019
2019-2035
2000-2019 2000-2019 2019-2035

Relasisasi Prakiraan
Penjualan kWh Penjualan kWh
2000-2019 2019-2035
2035

Rasio Proyeksi
Jumlah Penduduk Target RE
Elektrifikasi Jumlah Penduduk
2000-2019 2019--2035
2000-2019 2019-2035
www.pln.co.id |
 Ada 2 macam :
Regresi Linier • 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 fits
Predictor 1 the data?

b
a
Pertumbuhan ekonomi
Model matematika yang menyatakan hubungan antara variabel tidak bebas
(kWh jual) dengan variabel bebas (pertumbuhan
pertumbuhan ekonomi)
ekonomi
www.pln.co.id |
 Contoh : Model Regresi
• Linier Sederhana : Y = a + bX + ε
• Non Linier : Y = a e(bX) + 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
ertumbuhan ekonomi

Model matematika yang menyatakan hubungan antara variabel tidak bebas

www.pln.co.id |
(kWh jual) dengan variabel bebas (pertumbuhan
pertumbuhan ekonomi)
ekonomi
Apa Artinya?
Least Squares Method:
Method Min i
 2

kWh jual
ε ε
ε

LSM mencari paling

minimum jarak antara
garis dan titik-titik
titik !

Pertumbuhan ekonomi

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

www.pln.co.id |
Regresi Linier
 Regresi linier dengan 1 variabel bebas.
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.
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)
www.pln.co.id |
Regresi Linier
“Linear Approximation”” Graph
&
“Approximation Formula” and “R-Square
“R Value”

www.pln.co.id |
Regresi Non Linier

“Graph”, “Approximation Formula” and “R-

Square Value”
on “logarithmic approximation”, “Power
Approximation” and “Exponential
Approximation”

www.pln.co.id |
Regresi Linier dan Non Linier
The higher “R-Square
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

www.pln.co.id |
Regresi Linier dan Non Linier

www.pln.co.id |
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

www.pln.co.id |
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
www.pln.co.id |
Regresi dengan 1 Variabel

GWh 250.000
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
www.pln.co.id |
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

www.pln.co.id |
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

Coefficients
Standard Error t Stat P-value Lower 95%Upper
95% 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
www.pln.co.id |
Indikator Utama Model REGRESI (1)
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).

www.pln.co.id |
Indikator Utama Model REGRESI (2)
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 antar individu variable bebas

Durbin Watson Statistic : 1 ≤ DW ≤ 3
DW = 2 : No serial correlation
DW  0 : Positive correlation
DW  4 : Negative correlation

www.pln.co.id |
Indikator Utama Model REGRESI (3)
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

www.pln.co.id |
Prinsip-Prinsip Regresi
PDRB

T-stat kWh = ?
Multi
colinieritas
Populasi

RE PLN
(Plg RT) R2/AR

Rp/kWh

www.pln.co.id |
www.pln.co.id |
Kontak person:

Sai’in
Hp : 0811437277
Alamat email sbb:
 saiin_umar@yahoo.com
 Saiin.umar@gmail.com

www.pln.co.id |
Terima Kasih