EKONOMI ENERGI
Pengaruh kWh Jual, kWh Produksi, dan kWh Effort terhadap Susut Distribusi
FEBRIANSYAH
30000422420042
A. Regresi
Regresi adalah hubungan rata-rata antar variable, sebuah metode statistic yang digunakan pada
bidang keuangan untuk menentukan atau menganalisis karekter hubungan antar satu variable
dependen dan variable independent. Analisis regresi secara umum berfungsi untuk meningkatkan
efisiensi, prediksi masa depan, memperbaiki kesalahan, memberikan pengetahuan baru. Manfaat
dari analisis regresi sebagai berikut :
a. Dapat meramalkan pengaruh variable predictor terhadap variable kriterium
b. dapat membuktikan ada atua tidaknya hubungan fungsional antara variable bebas (X)
dengan variable terikat (Y).
c. Dapat membuat estimasi rata-rata dan nilai variable
d. Dapat menguji hipotesis karakteristik dependensi suatu variable
e. Dapat mengoptimalisasi proses bisnis.
Dalam statistika, regresi dan korelasi digunakan untuk menemukan serta mengukur hubungan
antara dua variabel. Korelasi berfokus untuk mengetahui ada atau tidaknya hubungan antar
variabel. Di sisi lain, regresi melihat lebih jauh bagaimana satu variabel memengaruhi variabel
lain. Berikut beberapa perbedaan regresi dan korelasi:
a. Korelasi mengukur tingkat hubungan antara dua variabel. Regresi menjelaskan bagaimana
variabel independen berhubungan dengan variabel dependen.
b. Pada korelasi, tidak ada perbedaan antara variabel dependen dan independen, sehingga
korelasi antara x dan y sama dengan korelasi antara (y) dan (x). Sebaliknya, regresi (y)
pada (x) tidak sama dengan (x) pada (y).
c. Tujuan dari korelasi adalah menemukan nilai numerik yang mendefinisikan dan
menunjukkan hubungan antara dua variabel. Sementara regresi berusaha memprediksi nilai
variabel acak berdasarkan nilai variabel tetap.
B. Uji Hipotesis
B.1. Uji Koefisien Determinasi
Menurut Widarjono, Uji Koefisien Determinasi (R-Squared) adalah uji untuk menjelaskan
besaran proporsi variasi dari variabel dependen yang dijelaskan oleh variabel independen. Selain
itu, uji koefisien determinasi juga bisa digunakan untuk mengukur seberapa baik garis regresi yang
kita miliki. Apabila nilai koefisien determinasi (R-squared) pada suatu estimasi mendekati angka
satu (1), maka dapat dikatakan bahwa variabel dependen dijelaskan dengan baik oleh variable
independennya. Dan sebaliknya, apabila koefisien determinasi (R-Squared) menjauhi angka
satu(1) atau mendekati angka nol(0), maka semakin kurang baik variable independen menjelaskan
variabel dependennya.
R square disebut juga sebagai koefisien determinasi yang menjelaskan seberapa jauh data
dependen dapat dijelaskan oleh data independen. R square bernilai antar 0 – 1 dengan ketentuan
semakin mendekati angka satu berarti semakin baik. Jika r square bernilai 0.6, berarti 60% sebaran
variabel dependen dapat dijelaskan oleh variabel independen. Sisanya 40% tidak dapat dijelaskan
oleh variabel independen atau dapat dijelaskan oleh variabel diluar variabel independen
(komponen error). Jika nilai r – square kecil, artinya komponen error yang besar.
R square merupakan suatu nilai yang memperlihatkan seberapa besar variabel independen
(eksogen) mempengaruhi variabel dependen (endogen). R squared merupakan angka yang berkisar
antara 0 sampai 1 yang mengindikasikan besarnya kombinasi variabel independen secara bersama
– sama mempengaruhi nilai variabel dependen. Nilai R-squared (R2) digunakan untuk menilai
seberapa besar pengaruh variabel laten independen tertentu terhadap variabel laten dependen.
Terdapat tiga kategori pengelompokan pada nilai R square yaitu kategori kuat, kategori moderat,
dan kategori lemah (Hair et al., 2011). Hair et al menyatakan bahwa nilai R square 0,75 termasuk
ke dalam kategori kuat, nilai R square 0,50 termasuk kategori moderat dan nilai R square 0,25
termasuk kategori lemah (Hair et al., 2011). R squared tidak hanya bisa digunakan pada regresi
saja, melainkan dapat menggunakan rumus R squared di semua model untuk menentukan baik atau
tidaknya model.
B.1.1. Uji F
Uji F digunakan untuk menguji pengaruh semua variabel independent terhadap variabel dependen
atau disebut uji signifikansi model. Uji F dapat dijelaskan dengan menggunakan analisis varian
(analysis of variance = ANOVA). (Widarjono,2018)
Langkah-langkah dalam melakukan Uji F adalah sebagai berikut :
1. Membuat Hipotesis yaitu Hipotesis nol (H0) dan hipotesis alternatif (Ha) :
H0 : β1 = β2 = β3 = …. β k = 0 (tidak ada pengaruh secara simultan variable independen
terhadap variabel dependen)
Ha : β1 ≠ β2 ≠ β3 ≠ …. β k ≠ 0 (ada pengaruh secara simultan variabel independent terhadap
variabel dependen)
2. Mencari Nilai F hitung dan F Kritis. Nilai F kritis dapat dilihat pada table distribusi F, nilai F
kritis disesuaikan dengan besaran α dan df yang mana besarnya ditentukan dari numerator (k-1)
dan df dari denominator (n-k).
3. Keputusan menolak atau menerima H0 adalah sebagai berikut :
Apabila F Hitung lebih besar dari F kritis, maka kita menolak H0 yang artinya ada pengaruh secara
simultan variabel Independen terhadap variabel Dependen. Dan sebaliknya, apabila F Hitung
kurang dari F Kritis maka kita gagal menolak H0 yang artinya tidak ada pengaruh secara simultan
variabel independen terhadap variable dependen. Selain dengan melihat F hitung dan F kritis,
keputusan menolak atau gagal menolak H0 juga bisa dilihat dari nilai probabilitas F hitung dan
dibandingkan dengan nilai α. Apabila Probabilitas F hitung < nilai α maka menolak H0 yang
artinya ada pengaruh secara simultan variabel Independen terhadap variabel Dependen. Dan
apabila Probabilitas F hitung > nilai α maka gagal menolak H0 yang artinya tidak ada pengaruh
secara simultan variabel Independen terhadap variabel Dependen.
B.1.2 Uji T (Uji Parsial)
Uji T adalah uji yang digunakan untuk melihat pengaruh individu variable independen terhadap
variabel dependen. Perbedaan antara uji T pada regresi sederhana dan regresi berganda adalah
terletak pada besarnya derajat degree of freedom (df) yang mana untuk regresi sederhana dfnya
sebesar n-2 sedangka regresi berganda tergantung pada jumlah variable independen yang ditambah
dengan konstanta yaitu n-k. (Widarjono, 2018)
C. Simulasi Gretl
Gnu Regression, Econometrics dan Time-series Library (gretl) adalah paket perangkat lunak cross-
platform untuk analisis ekonometrik. Aplikasi ini dapat digunakan sepenuhnya secara gratis.
Seluruh fitur-fiturnya bebas digunakan oleh siapapun karena berlisensi publik berdasarkan GNU
General Public License (GPL).
Perangkat lunak gretl ini bersifat open-source, artinya siapapun boleh mengembangkan perangkat
ini bahkan ada semacam penghargaan bila ada yang membuat gretl ini menjadi lebih baik secara
signifikan. Siapapun boleh mengembangkan, mendistribusikan dan atau memodifikasinya.
Berikut Simulasi pada aplikasi gretl Dimana seberapa besar pengaruh variable independent
terhadap variable Dependent. Variable Dependent yang diambil di studi ini adalah Susut Distribusi
dalam persen dan variable independent berupa kWh Produksi, kWh Effort, dan kWh Jual.
Hasil pemodelan regresi linear variable dependen (Y) dan independent (X)
Analisa :
1. Produksi, Effort, dan Jual memiliki nilai Pvalue < 0,5, sehingga Produksi sangat
berpengaruh terhadap susut.
2. Nilai R-square 0,9963; Koefisien determinasi 99,63%. Besar pengaruhnya variable
produksi, effort, dan jual pada variabel susut.
Uji Normalitas
P-Value = 0,1902 > 0,05 maka H0 diterima dan data dianggap berasal dari polulasi yang terdistribusi
normal.
Referensi :
Ghozali, I. (2016) Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Edisi 8.
Semarang: Badan Penerbit Universitas Diponegoro.
Hair, Jr., Joseph F., et. al. (2011). Multivariate Data Analysis. Fifth Edition. New Jersey:
PrenticeHall, Inc
https://www.statistikian.com/2012/08/analisis-regresi-korelasi.html
https://dspace.uii.ac.id/bitstream/handle/123456789/17486/05.3%20bab%203.pdf?sequence=7&i
sAllowed=y
Data Susut Distribusi PT PLN (Persero) UP3 Kotamobagu