TUGAS

REVIEW PAPER STATISTIK ENERGI

LINEAR REGRESSION MODEL

IN ESTIMATING SOLAR RADIATION IN PERLIS

NAMA: M. NURHADI
NIM: 30000419410003

Disusun Oleh:

JON MARJUNI KADANG

NIM.: 30000420420026

PROGRAM STUDI MAGISTER ENERGI

SEKOLAH PASCA SARJANA
UNIVERSITAS DIPONEGORO
SEMARANG
2021
Nama : JON MARJUNI KADANG
NIM : 30000420420026

REVIEW PAPER STATISTIK ENERGI (JURNAL INTERNASIONAL)

2.1. Judul:
Linear Regression Model in Estimating Solar Radiation in Perlis

2.2. Pengarang:
S. Ibrahim, I.Daut, Y.M. Irwan, M. Irwanto, N. Gomesh, Z. Farhana

2.3. Jurnal:
Energy PROCEDIA
Energy Procedia 18 (2012) 1402 – 1412
© 2012 Published by Elsevier Ltd. Selection and/or peer review under responsibility of
The TerraGreen Society. Open access under CC BY-NC-ND license.
journal homepage: www.elsevier.com
Available online at www.sciencedirect.com

2.4. Latar belakang pertimbangan:

 Pengelolaan sumber energi, pemanfaatan energi secara rasional, dan penggunaan
sumber energi terbarukan menjadi sangat penting. Energi terbarukan memiliki peran
yang semakin meningkat dalam mencapai tujuan pembangunan berkelanjutan,
ketahanan energi, dan perlindungan lingkungan.
 Energi radiasi matahari adalah merupakan salah satu sumber energi terbarukan yang
sangat potensial untuk dimanfaatkan menjadi sumber energy yang bersih.
 Berbagai penelitian telah dilakukan untuk mengoptimalkan pemanfaatan energi dari
radiasi matahari. Diantaranya adalah penelitian tentang perkiraan/prediksi kapasitas
optimal energi radiasi matahari yang bisa dimanfaatkan menjadi sumber energi bersih.
 Model statistik untuk memprediksi radiasi matahari telah dikembangkan. Dalam
prediksi radiasi matahari, pemahaman tentang karakteristiknya sangat penting.
 Penelitian ini menyajikan investigasi hubungan antara radiasi matahari dan suhu di
Perlis, Malaysia Utara pada tahun 2006.
2.5. Bagan dan Gambar Lingkup Pembahasan:
Dalam penelitian/investigasi hubungan antara radiasi matahari dan suhu di Perlis, Malaysia
Utara, data disajikan dalam suhu udara maksimum dan minimum rata-rata harian, dan
radiasi matahari rata-rata harian.

Ruang Lingkup pembahasan yaitu:

1. Pendahuluan
a. Radiasi Matahari
 Ketika radiasi matahari memasuki atmosfer bumi (Gbr. 1), sebagian dari
energi datang dihilangkan dengan hamburan atau penyerapan oleh molekul
udara, awan, dan partikel yang biasanya disebut sebagai aerosol.

Gambar 1. Radiasi Matahari di Atmosfer Bumi

 Radiasi yang tidak dipantulkan atau dihamburkan dan mencapai permukaan

secara langsung dalam garis dari modul PV disebut radiasi sinar. Radiasi
hamburan yang mencapai tanah disebut radiasi difus.
 Beberapa radiasi dapat mencapai penerima setelah refleksi dari tanah, dan
disebut albedo.
 Total radiasi matahari pada permukaan horizontal modul PV yang terdiri dari
tiga komponen disebut radiasi global.
 Saat langit cerah dan matahari langsung sejajar dengan modul PV, radiasi
global sekitar 1000 W/m2. Meskipun radiasi global di permukaan bumi dapat
mencapai 1000 W/m2, radiasi yang tersedia biasanya jauh lebih rendah dari
nilai maksimum ini karena rotasi bumi dan kondisi iklim (penutup awan),
serta oleh komposisi umum atmosfer.
  Radiasi matahari yang lebih besar dari 3 kWh/m2 menunjukkan bahwa langit
cerah, intensitasnya sangat tinggi dan sangat baik untuk aplikasi PLTS PV.
 Data radiasi matahari merupakan komponen terpenting untuk memperkirakan
keluaran sistem fotovoltaik (PV) PLTS.

b. Model Regresi Linier Sederhana

 Analisis regresi adalah teknik statistik untuk menyelidiki dan memodelkan
hubungan antar variable dan merupakan teknik statistik yang paling banyak
digunakan.
 Model regresi linier sederhana yang digunakan adalah model dengan variabel
bebas tunggal x yang memiliki hubungan dengan variabel respon y dimana
merupakan fungsi garis lurus.
 Model regresi linier sederhana ini yaitu:
𝑦 = 𝛽0 + 𝛽1 + ε (1)
 Dimana intercept 𝛽0 and slope 𝛽1 merupakan unknown constant dan ε adalah
random error.
 Error diasumsikan memiliki mean zero dan unknown variance 𝜎 2 .
 Parameter 𝛽0 dan 𝛽1 tidak diketahui dan harus diestimasi dengan
menggunakan data sampel.
 Persamaan regresi linier sederhana disebut juga least squares regression, yaitu
menginformasikan kriteria yang digunakan dalam fitting line terbaik. Dimana
jumlah dari squares dari residuals harus paling sedikit.
 Artinya, persamaan least squares regression adalah garis dimana jumlah
squared residuals ∑𝑛𝑖=1(𝑦𝑖 − ŷ𝑖 )2 adalah minimum.

2. Data dan Mode

a. Latitude/Lintang dan Iklim di Perlis, Malaysia Utara
 Berdasarkan Departemen Meteorologi Malaysia, Malaysia secara alami
memiliki sinar matahari yang melimpah dengan radiasi matahari. Rata-rata,
Malaysia menerima sekitar 6 jam sinar matahari per hari.
 Berdasarkan Stasiun Meteorologi di Chuping, Perlis (60 29' N , 1000 16' E)
memiliki luas daratan sekitar 795 kilometer persegi, 0,24% dari total luas
daratan Malaysia.
  Iklim Perlis adalah monsun tropis. Suhunya relatif seragam dalam kisaran
21°C hingga 32°C sepanjang tahun. Selama bulan Januari sampai April, cuaca
umumnya kering dan hangat. Kelembaban secara konsisten tinggi di dataran
rendah berkisar 82% sampai 86% per tahun. Curah hujan rata-rata per tahun
adalah 2.032 mm hingga 2.540 mm dan bulan-bulan terbasah adalah dari Mei
hingga Desember.
 Dalam penelitian ini, data disajikan dalam rerata suhu maksimum dan
minimum harian, dan rerata radiasi matahari harian.
b. Least Squares Method
 Misalkan untuk setiap pengamatan, (𝑥1 , 𝑦1 ), (𝑥1 , 𝑦1 ), … , (𝑥𝑛 , 𝑦𝑛 ) menjadi
sepasang variable acak. Untuk memprediksi 𝑦, parameter 𝛽0 dan 𝛽1 harus
diperkirakan sehingga jumlah kuadrat dari perbedaan antara pengamatan 𝑦1
dan garis lurus adalah minimum.
 Hal ini karena hasilnya nilai dari 𝛽0 dan 𝛽1 meminimalkan persamaan
∑𝑛𝑖=1(𝑦𝑖 − [𝐵0 + 𝐵𝑖 𝑥𝑖 ])2 . Dalam rumus, interpolasi garis lurus dapat ditulis
sebagai:
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + ε𝑖 𝑖 = 1, 2, … , 𝑛 (2)
dan koefisien yang meminimalkan square/kuadrat jarak antara titik akhir garis
diberikan oleh:

(3)
 Model regresi linier sederhana:

(4)
 Koefisien korelasi r mengevaluasi kebaikan kesesuaian data yang
dipertimbangkan dan ukuran kesalahan standar, s dihitung. Nilai koefisien
korelasi dapat bervariasi dalam rentang -1 dan +1, untuk korelasi yang kuat
antara kedua variabelx dan kamu. Jika nilainya nol maka tidak ada korelasi
linier antara kedua variabel tersebut.
 Koefisien determinasi, R2 diberikan oleh:

(5)
 di mana 0 ≤ R2 ≤ 1 . R2 sering disebut proporsi variasi yang dijelaskan oleh
regressor x. Nilai dari R2 yang mendekati 1 menyiratkan bahwa sebagian
besar variabilitas dalam 𝑦 dijelaskan oleh model regresi.

3. Hasil dan Pembahasan

a. Analisis Data dan Estimasi Parameter
 Berdasarkan rata-rata antara suhu udara maksimum dan minimum di Perlis,
radiasi matahari untuk tahun 2007 dapat diperkirakan dengan menggunakan
model regresi linier.

Gambar 2. Grafik Suhu Udara Rata-Rata

 Rata-rata harian suhu udara maksimum dan minimum dan radiasi matahari
rata-rata harian sepanjang tahun 2007 di Perlis ditunjukkan sebagai berikut:

Gambar 3. Grafik Radiasi Matahari

 Setelah itu, bagian analisisnya adalah untuk mendapatkan hubungan
sederhana antara Radiasi Matahari (y) dan Suhu Udara(x).
 Sebagai langkah awal dalam menilai ada atau tidaknya hubungan yang kuat
antara kedua variabel tersebut, maka dibuatlah scatter plot seperti yang
ditunjukkan pada gambar berikut:

Gambar 4. Plot Hamburan Radiasi Matahari versus Suhu Udara

Scatter plot terdiri dari titik-titik data, dimana terdapat grafik positif dan linier
secara kasar. hubungan antara radiasi matahari dan peningkatan suhu udara.
Tiga titik data luar biasa (pengamatan no. 1, 22 dan 198) terpisah dengan baik
dari sisa data. Titik data ini disebut outlier.
 Model regresi linier sederhana diasumsikan, dan estimasi parameter dalam
model regresi dihitung menggunakan metode least squares seperti yang
diberikan pada persamaan (3). Nilai dari 𝛽0 dan 𝛽1 adalah -80,4560 dan
3,6100 masing-masing. Least squares yang sesuai dengan data radiasi
matahari adalah:
ŷ = −80,4560 + 3,6100𝑥
di mana ŷ adalah perkiraan nilai radiasi matahari yang sesuai dengan suhu
udara x. Persamaan tersebut diplot sesuai grafik pada gambar berikut:
 Gambar 5. Scatter Plot dengan Fitted Line antara Suhu Udara versus
Radiasi Matahari

 Nilai koefisien korelasi linier dalam hal ini adalah 0,7473. Hal ini
menunjukkan bahwa hubungan linier yang kuat antara radiasi matahari dan
suhu udara. Ini karena radiasi matahari dan udara suhu berbanding lurus.
 Analisis varians untuk model ini R2 = 0,5585; yaitu, sekitar 56 persen
variabilitas suhu disebabkan oleh kecocokan garis lurus terhadap radiasi
matahari.

b. Ukuran Kecukupan Model

 Untuk mendiagnosis dan memeriksa kecukupan model, asumsi analisis
regresi dipelajari. Analisis residual telah didefinisikan sebagai:

di mana 𝑦𝑖 adalah pengamatan dan ŷi adalah nilai prediksi yang sesuai.

 Analisis residu merupakan salah satu metode yang efektif untuk menemukan
beberapa jenis kekurangan model.
 Plot probabilitas normal menyatakan bahwa error (residuals) terdistribusi
normal dan ditunjukkan pada Gambar 6 yaitu titik-titik terletak kira-kira
sepanjang garis lurus. Di sini, cacat umum yang menunjukkan terjadinya tiga
residu besar, menunjukkan bahwa pengamatan yang sesuai sebagai outlier.
 Gambar 6. Grafik Plot Probabilitas Normal dari Residual

Plot residu 𝑒𝑖 versus nilai corresponding fitted ŷi berguna untuk mendeteksi

beberapa jenis umum dari kekurangan model. Plot residu 𝑒𝑖 versus ŷi
ditunjukkan pada Gambar 7.

Gambar 7. Grafik Plot Residual

Berdasarkan gambar ini, pola menunjukkan varians error konstan dan stabil.
Sehingga, plot residual memuaskan dan modelnya memadai.

4. Kesimpulan
a. Model regresi linier dapat digunakan untuk memperkirakan radiasi matahari di
Perlis, Malaysia Utara.
b. Hubungan antara suhu udara rata-rata dan radiasi matahari adalah linier.
c. Nilai koefisien korelasi linier antara suhu udara dan radiasi matahari adalah 0,7780
untuk tanpa outlier; dan 0,7473 dengan outlier.
d. Hasil ini menunjukkan bahwa koefisien korelasi dan nilai R2 lebih tinggi saat
menghapus outlier.
2.6. Uraian Skema Pemakaian Yang Diusulkan:
 Ada tiga pengamatan yang tampaknya merupakan outlier. Grafik plot kotak pada
Gambar 8 menunjukkan bahwa tiga outlier muncul di luar batas.

Gambar 8 Grafik Plot Kotak

Outlier akan mempengaruhi estimasi koefisien, nilai pas, residual dan matriks
kovarians model regresi linier. Oleh karena itu, pengamatan ini dihapus dan
memasangnya kembali. Model yang dipasang diperoleh sebagai berikut:
ŷ = -81,6415 + 3,6554x

 Selanjutnya, Gambar 9 berikut menunjukkan bahwa nilai koefisien korelasi linier

antara suhu udara dan radiasi matahari adalah 0,7780. Hal ini menunjukkan bahwa
hubungan linier yang kuat antara radiasi matahari dan suhu udara. Hal ini karena
radiasi matahari dan suhu udara berbanding lurus.

Gambar 9. Grafik Garis Pas pada Model Regresi

  Analisis varians untuk model ini R2 = 0,6054 ; yaitu, sekitar 61% variabilitas
suhu udara disebabkan oleh kecocokan garis lurus terhadap radiasi matahari.
 Hasil ini menunjukkan bahwa model tanpa outlier merupakan model yang
paling pas dibandingkan dengan data paling awal yang mengandung outlier.

2.7. Keunggulan Skema yang Diusulkan

 Model statistik untuk memprediksi radiasi matahari telah dikembangkan. Dalam
prediksi radiasi matahari, pemahaman tentang karakteristiknya sangat penting.
 Studi ini menyajikan investigasi hubungan antara radiasi matahari dan suhu di Perlis,
Malaysia Utara untuk tahun 2006. Untuk mencapai hal ini, data disajikan dalam suhu
udara maksimum dan minimum rata-rata harian, dan radiasi matahari rata-rata harian.
 Karena plot scatter mewakili garis lurus, model regresi linier dipilih untuk
memperkirakan radiasi matahari.
 Didapatkan nilai koefisien korelasi linier sebesar 0,7473 menunjukkan bahwa
hubungan linier kuat hubungan antara radiasi matahari dan suhu.
 Analisis varians R2 adalah 0,5585 yaitu; sekitar 56 persen dari variabilitas suhu dicatat
oleh kecocokan garis lurus dengan radiasi matahari.
 Sehingga, berdasarkan hasil tersebut, model yang dipasang cukup untuk mewakili
estimasi radiasi matahari.

2.8. Kemungkinan pengembangan skema yang diusulkan

 Keterbatasan pendekatan metodologis sebagian besar terkait dengan asumsi yang
diadopsi untuk analisis simulasi.
 Penelitian di masa depan dapat memperluas kerangka analisis ini dengan simulasi
ketersediaan data angin yang memengaruhi suhu pada modul PV PLTS.
 Akhirnya, penelitian masa depan dapat memperluas kerangka analisis dengan
memasukkan beberapa tambahan variabel yang mempengaruhi produksi energy listrik
dari energi matahari