TUGAS

EKONOMI ENERGI
Pengaruh kWh Jual, kWh Produksi, dan kWh Effort terhadap Susut Distribusi

FEBRIANSYAH
30000422420042

PROGRAM MAGISTER ENERGI

SEKOLAH PASCASARJANA UNIVERSITAS DIPONEGORO
SEMARANG
2023
Susut distribusi merupakan salah satu keadaan yang tidak dapat dihindarkan dalam pengiriman
energi listrik dari pembangkitan hingga masyarakat. Susut distribusi adalah hilangnya energi yang
diakibatkan factor teknis dan non teknis. Susut teknis sendiri diakibatkan oleh peralatan
ketenagalistrikan dari transformator, konduktor, alat ukur, dan sambungan-sambungan pada
konduktor. Susut non teknis di sebabkan oleh kegiatan yang bersifat non teknis seperti pencurian
dan kesalahan pembacaan alat ukur, sehingga di butuhkannya effort untuk meminimalisir susut
non teknis dan di kenal dengan kWh Effort. Pada pembahasan kali ini yaitu mencoba untuk
mengetahui pengaruh variable susut, kwh Jual, kWh Effort, dan kWh Produksi dengan
menggunakan gretl. Regresi serta pengujian dilakukan untuk memastikan variable tersebut
mengalami keterikatan dan seberapa besar saling mempengaruhi variable dependen.

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.

Regresi Linear Sederhana

Regresi linear sederhana untuk memahami hubungan antara variable dependen/ Peubah tidak
bebas (Y) dan variable independent Peubah bebas (X). Bentuk persamaan yang paling sederhana
sebagai berikut :
y = a+bx

Gambar Ilustrasi Regresi Linear

Keterangan
Y = Variabel dependen
X = Variabel independen
a = Konstanta atau titik potong Y
b = Koefisien dari regresi atau beta

Regresi Linear Berganda

Regresi linerar berganda digunakan untuk menganalisa hubungan yang variable bebasnya lebih
dari satu.
y = a + b1x1 + c1x2 + d1x3
Keterangan
Y = Variabel dependen
X = Variabel independen
a = Konstanta atau titik potong Y
b, c, d = Koefisien dari regresi atau beta

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)

B.2. Uji Asumsi Klasik

Analisis dilakukan bergantung dengan data yang ada, contohnya, dilakukan analisis terhadap
semua uji klasik. Melihat mana yang tidak memenuhi persyaratan, kemudian lakukan perbaikan
pada uji tersebut dan setelah memenuhi persyaratan dilakukan pengujian pada uji yan lain.
B.2.1 Uji Normalitas
Uji signifikansi pengaruh variabel independent terhadap variabel dependen dengan uji t hanya bisa
dikatakan valid apabila residualnya memiliki distribusi normal. Salah satu cara untuk mendeteksi
residual memiliki distribusi normal atau tidak adalah dengan uji yang dikembangkan oleh Jarque-
Bera (J-B). Metode J-B ini berdasarkan pada sampel besar dengan asumsi bersifat asymptotic. Jika
hasil uji normalitas menunjukkan nilai signifikan (p-value < 0,05), maka hipotesis nol ditolak dan
data dianggap tidak berdistribusi normal. Sebaliknya, jika hasil uji normalitas tidak menunjukkan
nilai signifikan, maka hipotesis nol diterima dan data dianggap berasal dari populasi yang
berdistribusi normal.
B.2.2 Uji Multikolinieritas
Multikolinieritas adalah hubungan linier yang terjadi antara variable independen di dalam suatu
regresi. Gejala multikolinieiritas salah satunya dapat kita lihat dari koefisien determinasi (R2) yang
tinggi tetapi hanya sedikit variabel independen yang mempengaruhi variabel dependen secara uji
t. Terjadi hal yang kontradiktif, dimana secara bersama-sama variabel independen berpengaruh
terhadap variabel dependen, tetapi secara individu variabel independen tidak mempengaruhi
variabel dependen. Selain melalui R2, gejala adanya Mulltikolinieritas juga dapat dilihat melalui
perbandingan F statatistik dengan F kritis, yang mana ketika nilai F statistic lebih besar daripada
F kritis dengan signifikansi α tertentu maka terdapat multikolinieritas yang artinya ada hubungan
liner antara satu variabel independen dengan variable independen lainnya, dan sebaliknya apabila
f statistik lebih kecil daripada F kritis maka disimpulkan tidak terjadi Multikolinieritas.
B.2.3 Uji Heteroskedastisitas
Varian pada variabel gangguan haruslah konstan (Homoskedastisitas) dan apabila tidak konstan
disebut dengan Heteroskedastisitas. Heteroskedastisitas adalah variabel gangguan yang memiliki
varian yang tidak konstan. (Widarjono, 2018). Adanya heteroskedastisitas dapat dinyatakan
sebagai berikut :
E(ei) = ơi2
Untuk menguji ada atau tidaknya heteroskedastisitas dapat dilakukan dengan metode white yang
tidak memerlukan asumsi adanya normalitas pada variable gangguan. Hipotesis yang digunakan
adalah :
H0 : Tidak ada Heteroskedastisitas
Ha : Ada Hetroskedastisitas
Uji White didasarkan pada jumlah sampel (n) dikalikan koefisien determinasi (R2) yang mengikuti
distribusi chi-squares. Apabila nilai chi-square hitung yaitu nR2 > nilai χ2 kritis dengan derajat
kepercayaan (α) 1%, 5%, 10% maka ada heteroskedastisitas dan sebaliknya jika chi square hitung
< nilai χ2 kritis maka tidak ada heteroskedastisitas.
B.2.4 Uji Autokorelasi
Autokorelasi merupakan keadaan dimana adanya korelasi antara variabel gangguan suatu
observasi dengan observasi lainnya. Autokorelasi bisa positif ataupun negative. Tetapi pada data
time series biasanya meunjukkan adanya autokorelasi yang positif daripada negatif. Hal ini
dikarenakan pada data time series sering menunjukkan ada tren yang sama yaitu ada kesamaan
pergerakan antara naik dan turun. Untuk melihat ada tidaknya autokorelasi pada model regresi
dapat menggunakan uji Autokorelasi dengan Metode LM yang dikembangkan oleh Breusch-
Godfrey. Hipotesis pada uji LM adalah sebagai berikut :
H0 : ρ1 = ρ2 = ρ3 …… = ρp = 0 (tidak ada autokorelasi)
Ha : ρ1 ≠ ρ2 ≠ ρ3 …… ≠ ρp ≠ 0 (ada autokorelasi)
Uji autokorelasi didasarkan pada probabilitas chi-squares (χ2). Apabila nilai probabilitas lebih
besar dari nilai α maka kita gagal menolak H0 yang artinya tidak ada autokorelasi. Dan sebaliknya,
apabila nilai probabilitas lebih kecil daripada nilai α maka kita menolak H0 yang artinya ada
autokorelasi.

B.3. Uji Regresi Linier Sederhana

Syarat uji regresi linear sederhana yaitu data harus valid dan realibel dan berasal dari data primer,
data juga harus lolos uji asumsi dasar yang mencakup uji normalitas dan uji linearitas.
Dasar Pengambilan Keputusan
Pengambilan keputusan dalam uji regresi linier sederhana dapat mengaju pada dual hal, yakni:
1. Membandingkan nilai signifikansi dengan nilai probabilitas 0.05
 Jika nilai signifikansi <0.05, artinya variabel X berpengaruh terhadap variabel Y.
 Jika nilai signifikansi >0.05, artinya variabel X tidak berpengaruh terhadap variabel Y.
2. Membandingkan nilai t-hitung dengan t-tabel
  Jika nilai t_hitung>t_tabel, artinya variabel X berpengaruh terhadap variabel Y.
 Jika nilai t_hitung<t_tabel, artinya variabel X tidak berpengaruh terhadap variabel Y.

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.

Persamaan Regresi didapatkan sebagai berikut,

Susut = 12,0 + 4,48e-06*Produksi – 5,23e-06*Effort – 4,99e-06*Jual

Grafik antara actual dan prediksi

dapat dilihat actual selalu hampir berhimpit dengan grafik prediksi, artinya secara umum dapat
memprediksi dengan baik pada nilai variable yang diamati.

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