Konsep Prakiraan
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
www.pln.co.id |
Hasil Belajar
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
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
Pertanyaan yang harus dijawab oleh
planner
planner:
1. Bagaimana kebutuhan tenaga
Perencanaan Energi listrik akan bertumbuh ?
2. Kapan harus investasi pembangkit
Electricity Demand Forecast
/ transmisi baru?
3. Berapa kapasitas pembangkit /
transmisi yang akan dibangun?
Perencanaan Pembangkit 4. Apa jenis pembangkit / transmisi
yang dibangun?
5. Dimana harus membangun
Perencanaan Transmisi
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
Geothermal PLTP
Optimasi
Gas PLTG/GU
Penambahan
Kap. Pembangkit
Coal PLTU
1. Demand
Kebijakan Optimasi
Konfigurasi, Route Perluasan Trans, GI
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
Relasisasi Prakiraan
Penjualan kWh Penjualan kWh
2000-2019 2020-2030
2030
www.pln.co.id |
Prakiraan (Forecasting
(Forecasting
Forecasting))
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.
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 Metode Kualitatif
Time Series: model untuk Grass Roots: deriving future demand by
memprediksi demand yang asking the person closest to the
didasarkan pada kecende-rungan customer.
data masa lalu Market Research: trying to identify
customer habits; new product ideas.
Causal Relationship: model yang
menggunakan teknik statistik untuk Panel Consensus: deriving future
mem-bentuk hubungan sebab estimations from the synergy of a panel
akibat antara berbagai variabel dan of experts in the area.
demand Historical Analogy: identifying another
similar market.
Simulation: model yang dapat
menggabungkan efek keacakan dan Delphi Method: similar to the panel
non-linear. 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
4. Simple Regression
5. ARIMA
www.pln.co.id |
Tahun 2016 2017 2018 2019 2020 2021
GWh 174 187 199 …..? …?? .???
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
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).
www.pln.co.id |
www.pln.co.id |
Pertumbuhan Penduduk
www.pln.co.id |
Prakiraan Penjualan Per Provinsi (Metode Regresi)
REALISASI 2000-2019 PROYEKSI 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
kWh jual
ε ε
ε
Pertumbuhan ekonomi
www.pln.co.id |
Regresi Non Linier
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
Trend Logistik
a>0, b<1
www.pln.co.id |
Contoh: Korelasi Penjualan Listrik dengan GDP
Penjualan Listrik PLN
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
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
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
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 = ...?
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