Jurnal: Elektrika Borneo (JEB) Vol.
No.
April 2026, hlm.
p-ISSN 2443-0986
e-ISSN 2685-001X
PERAMALAN PENJUALAN ENERGI LISTRIK PRABAYAR RUMAH
TANGGA MENGGUNAKAN MODEL VARMAX DI PLN UP3 BALIKPAPAN
Maria Goretti Indrawati Gunawan1,*.
Syamsir Abduh2.
Marwan Rosyadi3
1,2,3
Program Studi Magister Teknik Elektro.
Institut Teknologi PLN.
Jakarta.
Indonesia 1maria2310010@itpln.
2syamsir@itpln.
3marwanrosyadi@itpln.
ini menegaskan bahwa VARMAX relevan digunakan sebagai alat prediktif untuk mendukung perencanaan energi, penyusunan RKAP, serta strategi manajerial berbasis data di PLN.
AbstractAi This study aims to forecast household prepaid electricity sales in PLN UP3 Balikpapan using the Vector Autoregressive Moving Average with Exogenous Variables (VARMAX) model, with endogenous variables of sales .
and customer count, and exogenous variables of temperature.
GRDP, and inflation.
The prepaid segment is prioritized due to its rapid growth and dominance in the household customer Monthly data for the 2020Ae2024 period were analyzed through stationarity testing, optimal lag identification, parameter estimation, and residual diagnostics.
Several model specifications were compared, and VARMAX.
,0,.
with exogenous lag p=1, q=0, and s=1 was selected as the best model, as it yielded the lowest AIC/SC values while satisfying stability and white-noise criteria.
The forecasting results for 2025Ae2028 indicate a consistent upward trend, with sales projected to increase from 570.
million kWh to 737.
38 million kWh, representing growth of 1% and a CAGR of 8.
The analysis also reveals that customer growth significantly influences sales at lag-1, while macroeconomic factors such as GRDP and inflation show significant effects, and temperature acts as a short-term seasonal factor.
These findings confirm the relevance of VARMAX as a predictive tool to support energy planning.
RKAP preparation, and data-driven managerial strategies within PLN.
Kata KunciAiVARMAX, peramalan, energi listrik, pelanggan prabayar, suhu.
PDRB, inflasi.
PENDAHULUAN
Permintaan listrik rumah tangga di BalikpapanAikota penyangga IKNAiterus meningkat, sementara layanan prabayar kian dominan karena kemudahan transaksi, ketiadaan denda keterlambatan, serta fungsi smart meter yang memampukan kendali konsumsi .
, .
, .
, .
Data operasional menunjukkan pada akhir 2024 pelanggan rumah tangga prabayar UP3 Balikpapan tumbuh A30% dibanding 2020 dan mencapai 71,57% .
penjualan energi naik 43,57% dan pendapatan 51,46%, menegaskan urgensi peramalan yang andal untuk perencanaan dan penganggaran .
Secara ilmiah, praktik peramalan nasional masih banyak bertumpu pada pendekatan univariat (ARIMA, regresi, pemulusa.
, sehingga interaksi antarvariabel dan pengaruh eksogen kurang tertangkap .
, .
, .
, .
Penelitian ini berupaya mengisi kesenjangan tersebut melalui penerapan model VARMAX, yang mampu memodelkan hubungan dinamis antara variabel penjualan dan jumlah pelanggan sekaligus mengintegrasikan variabel eksogen seperti suhu, inflasi, dan PDRB.
Kerangka pemodelan ini memungkinkan penangkapan efek keterlambatan .
agged effect.
serta respons terhadap guncangan .
melalui komponen moving average (MA).
Ruang lingkup difokuskan pada pelanggan rumah tangga prabayar TR di UP3 Balikpapan, menggunakan data bulanan 2020Ae2024, untuk proyeksi 2025Ae2028.
Tujuan khususnya: .
menganalisis pengaruh jumlah pelanggan terhadap penjualan.
menilai dampak suhu, inflasi.
PDRB.
meramalkan penjualan golongan tarif R periode 2025Ae2028 dengan VARMAX guna mendukung perencanaan operasional.
KeywordsAi VARMAX, forecasting, electricity sales, prepaid customers, temperature.
GRDP, inflation.
IntisariAi Penelitian ini bertujuan meramalkan penjualan listrik rumah tangga prabayar di PLN UP3 Balikpapan menggunakan model Vector Autoregressive Moving Average with Exogenous Variables (VARMAX) dengan variabel endogen penjualan .
dan jumlah pelanggan, serta variabel eksogen suhu.
PDRB, dan inflasi.
Fokus penelitian pada segmen prabayar karena pertumbuhannya yang pesat dan mendominasi populasi pelanggan rumah tangga.
Data bulanan periode 2020Ae2024 dianalisis melalui uji stasioneritas, identifikasi lag optimal, estimasi parameter, dan diagnostik residual.
Hasil identifikasi membandingkan beberapa spesifikasi model, di mana VARMAX.
,0,.
dengan lag eksogen p=1, q=0, dan s=1 dipilih sebagai model terbaik karena memiliki nilai AIC/SC terendah yang memenuhi syarat uji stabilitas serta bersifat white noise.
Hasil peramalan penjualan didapatkan untuk periode 2025Ae2028 yang menunjukkan tren meningkat secara konsisten, penjualan diproyeksikan naik dari 570,96 juta kWh menjadi 737,38 juta kWh atau bertumbuh 29,1% dan CAGR 8,9%.
Dalam analisis ini juga menunjukkan bahwa pertumbuhan pelanggan berpengaruh signifikan terhadap penjualan pada lag-1, sementara faktor makroekonomi seperti PDRB dan inflasi terbukti signifikan, sementara suhu berperan sebagai faktor musiman jangka pendek.
Temuan II.
METODE PENELITIAN
Studi ini observasional kuantitatif-eksplanatori pada deret waktu bulanan Jan 2020AeDes 2024 di wilayah PLN UP3 Balikpapan.
Objek penelitian adalah data internal penjualan kWh prabayar dan jumlah pelanggan prabayar Maria Goretti Indrawati Gunawan, dkk.
Peramalan Penjualan Energi Listrik Prabayar Rumah Tangga A 15 .
, serta eksogen: suhu rata-rata (BMKG Sepingga.
, inflasi Kota Balikpapan (BI/BPS), dan PDRB.
Seluruh seri disusun bulanan.
PDRB tahunan diinterpolasi ke bulanan dan direkonsiliasi lintas-sumber sebelum Teknik pengambilan sampel: dokumentasi data sekunder .
ensus bulanan selama period.
Teknik pengambilan data: kompilasi dokumen internal PLN dan publikasi resmi BMKG/BI/BPS .
Analisis memakai kerangka VARMAX untuk memodelkan keterkaitan simultan penjualanAepelanggan serta pengaruh tertunda eksogen.
Tahapan: statistik deskriptif & visualisasi .
eatmap korelas.
, uji stasioneritas ADF, identifikasi orde p, q, s via AIC/SC, estimasi VARMAX.
,q,.
, uji stabilitas .
kar VAR/VMA di dalam lingkaran satua.
, diagnostik residual (LjungAeBox white-noise dan pemeriksaan normalita.
, serta analisis dinamika (Granger causality.
IRF.
FEVD) .
, .
, .
Model terpilih VARMAX.
,0,.
digunakan untuk peramalan 48 bulan (Jan 2025AeDes 2.
dievaluasi dengan MAPE dan RMSE.
komputasi menggunakan Python versi 3.
, .
Pengujian Stasioner Pengujian stasioner dimaksudkan untuk mendapatkan data yang memiliki rata-rata dan ragam yang stabil tidak mengandung akar unit .
nsur wakt.
Data yang telah dinyatakan stasioner berarti data tersebut telah stabil untuk dilakukan proses peramalan, karena model yang dapat menghasilkan peramalan yang akurat berasal dari data yang stabil dalam rata-rata maupun dalam ragam.
Pengujian stasioner rata-rata dilakukan dengan Augmented Dikey Fuller Test (ADF Tes.
Kriteria pengujian menyatakan bahwa apabila p value O level of significance .
lpha () = 5%) maka data dinyatakan stasioner, dan sebaliknya apabila p value > level of significance .
lpha () = 5%) maka data dinyatakan tidak stasioner terhadap rata-rata, sehingga data harus dilakukan transformasi .
HASIL DAN PEMBAHASAN
Heatmap Korelasi Gambar 2.
Grafik perbandingan kondisi aktual dan Moving Average Hasil pengujian stasioner dapat dilihat melalui rangkuman pada tabel berikut:
Tabel I Augmented Dikey Fuller Test Gambar 1.
Heatmap Korelasi antar Variabel Heatmap korelasi (Pearson.
Oe1 s.
digunakan untuk memetakan kekuatan dan arah hubungan linear antar variabel Penjualan.
Jumlah Pelanggan.
Suhu.
PDRB, dan Inflasi.
Hasilnya menunjukkan korelasi sangat kuat antara PenjualanAePelanggan .
= 0,.
dan PenjualanAePDRB .
= 0,.
, menandakan bahwa kenaikan basis pelanggan dan pertumbuhan ekonomi berasosiasi erat dengan peningkatan Hubungan Penjualan dengan Suhu .
= 0,.
bersifat moderat dan dengan Inflasi .
= 0,.
relatif Dari sisi pelanggan, keterkaitan dengan PDRB .
= 0,.
sangat kuat, sementara dengan Suhu .
= 0,.
dan Inflasi .
= 0,.
bersifat moderat.
Antar-variabel eksogen juga saling terkait pada tingkat menengah: SuhuAePDRB .
= 0,.
SuhuAeInflasi .
= 0,.
, dan PDRBAeInflasi .
= 0,.
Secara keseluruhan, penjualan listrik prabayar di UP3 Balikpapan terutama bergerak sejalan dengan jumlah pelanggan dan PDRB, sedangkan suhu dan inflasi berperan sebagai faktor tambahan dengan pengaruh yang lebih Dataset
Level Penjualan Pelanggan Suhu
PDRB
Inflasi
Penjualan Data level Data level Data level Data level Data level Pelanggan Suhu
PDRB
Inflasi
ADF
Statistik p value Maria Goretti Indrawati Gunawan, dkk.
Peramalan Penjualan Energi Listrik Prabayar Rumah Tangga A 16 Berdasarkan hasil pengujian pada tabel di atas diketahui bahwa data pada tingkat 1st differencing menunjukkan p value < level of significance .
lpha () = .
sehingga semua data dinyatakan stasioner pada differensiasi pertama, sehingga untuk prosesselanjutnya pemodelan dilakukan menggunakan data differensiasi pada setiap lag .
eriode wakt.
Berikut adalah analisis untuk kedua arah kausalitas tersebut:
Pelanggan terhadap Penjualan Terdapat kausalitas signifikan pada lag-1 (NA=13,63.
p=0,0.
, menunjukkan bahwa pertumbuhan pelanggan segera diikuti kenaikan penjualan pada periode berikutnya.
Pada lag 2Ae9, pengaruh tidak terdapat sinyal tambahan pada lag-10 .
=0,0.
namun tidak konsisten antar-lag sehingga ditafsirkan sebagai efek yang lemah/tidak persisten dalam jangka lebih panjang.
Penjualan terhadap Pelanggan Tidak signifikan pada lag 1Ae7.
signifikan pada lag-9 dan lag-10 .
=0,0000.
p=0,0.
, mengindikasikan bahwa dinamika penjualan baru berdampak pada ekspansi pelanggan setelah jeda waktu lebih panjang.
Secara keseluruhan, dapat disimpulkan bahwa Pelanggan memiliki pengaruh signifikan terhadap Penjualan pada lag 1, sementara Penjualan mempengaruhi Pelanggan pada lag 9 dan 10.
Hal ini menunjukkan bahwa hubungan antara keduanya mungkin bersifat dinamis, di mana pengaruh yang lebih kuat terjadi pada periode waktu Identifikasi Order p dan q dari VARMAX Gambar 3.
Grafik Seri Terdiferensiasi Orde Pertama .
dengan MA.
Pengujian Granger Causality Tabel II Granger Causality Test Causalitas Lag Chi Square p value Pelanggan IePenjualan Penjualan IePelanggan Hasil Granger Causality Test yang menunjukkan hubungan antara Pelanggan dan Penjualan dapat diinterpretasikan berdasarkan nilai Chi Square dan p-value Gambar 1 Grafik ACF dan PACF Plot Penjualan Gambar 2.
Grafik ACF dan PACF Plot Pelanggan Berdasarkan grafik ACF dan PACF untuk variabel Penjualan dan Pelanggan, identifikasi awal order p (AR) dan q (MA) dari model VARMAX:
Variabel Penjualan: Grafik ACF menunjukkan spike signifikan pada lag-1 lalu mereda .
, mengindikasikan komponen MA memiliki q=1.
Grafik PACF menunjukkan spike signifikan pada lag-1 diikuti penurunan nilai setelahnya, mengidentifikasikan komponen AR memiliki p=1.
Dengan demikian, kandidat awal model VARMAX memiliki p=1 dan q=1.
Variabel Pelanggan: Grafik ACF tidak menunjukkan ada spike signifikan pada lag-1 maupun pada lag berikutnya, mengindikasikan komponen MA memiliki q=0.
Grafik PACF juga tidak menunjukkan spike signifikan pada lag-1, sehingga komponen AR memiliki p=0.
Oleh karena itu, kandidat awal model VARMAX memiliki p=0 dan q=0.
Maria Goretti Indrawati Gunawan, dkk.
Peramalan Penjualan Energi Listrik Prabayar Rumah Tangga A 17 Hasil ACF dan PACF merupakan diagnostik awal.
Untuk mendapatkan model yang lebih optimal, peneliti akan menguji beberapa kombinasi dan menggunakan kriteria seperti AIC atau BIC untuk pemilihan model yang lebih tepat.
Identifikasi Order s dari VARMAX Untuk mengidenfikasi orde s pada variabel eksogen suhu.
PDRB dan inflasi, dapat dilihat melalui plot PACF Model tentatif orde p dan q didapat melalui nilai Akaike information criterion (AIC) dan Schwarz Criterion (SC) terkecil pada masing-masing kandidat model VARMAX.
Pada kasus ini akan dicobakan nilai maksimal order p = 4 dan maksimal order q = 3.
Adapun nilai order s = 1 dibuat tetap karena hasil idenfikasi sebelumnya sudah sangat jelas bahwa setiap variabel eksogen memiliki order s = 1.
Berdasarkan hasil tentatif model VARMAX di bawah, didapatkan bahwa model VARMAX.
,0,.
adalah model terbaik untuk memodelkan data variabel endogen Penjualan dan Pelanggan dengan variabel eksogen Suhu.
PDRB, dan inflasi.
Berikut ini hasil perbandingan model tentative VARMAX:
Tabel i Tentatif Model VARMAX Model VARMAX.
,q,.
VARMAX.
,0,.
VARMAX.
,1,.
VARMAX.
,2,.
VARMAX.
,3,.
Gambar 3.
Plot PACF untuk Seri isuhu, iPDRB, iInflasi (Jan 2020AeDes 2.
Berdasarkan plot PACF untuk seri terdiferensiasi isuhu, iPDRB, dan iinflasi pada gambar di atas, ketiganya menampilkan spike signifikan pada lag-1 diikuti peredaan nilai PACF pada lag berikutnya.
Pola tersebut konsisten dengan orde eksogen s=1 dalam kerangka VARMAX:
n iSuhu: spike signifikan pada lag-1 Ie s=1.
n iPDRB: spike signifikan pada lag-1 Ie s=1.
n iInflasi: spike signifikan pada lag-1 Ie s=1.
Identifikasi melalui PACF bersifat diagnostik awal.
penetapan akhir spesifikasi VARMAX.
,q,.
tetap dikukuhkan dengan pemilihan model berbasis AIC/BIC dan uji diagnostik lanjutan.
Mencari Model Terbaik dari VARMAX melalui AIC dan SC Identifikasi model VARMAX dimaksudkan untuk mendapatkan model VARMAX.
,q,.
dari data yang telah Parameter Penjualan_lag1 Pelanggan_lag1 Suhu
PDRB
Inflasi Suhu_lag1 PDRB_lag1 Inflasi_lag1 VARMAX.
,0,.
VARMAX.
,1,.
VARMAX.
,2,.
VARMAX.
,3,.
VARMAX.
,0,.
VARMAX.
,1,.
VARMAX.
,2,.
VARMAX.
,3,.
VARMAX.
,0,.
VARMAX.
,1,.
VARMAX.
,2,.
VARMAX.
,3,.
AIC
failed: Schur decomposition solver error.
Model VARMAX terbaik Berdasarkan hasil tentative model VARMAX di atas, didapatkan bahwa model VARMAX.
,0,.
adalah model terbaik untuk memodelkan data yang ada.
Tabel IV Estimasi Model VARMAX Std Coefisien Error Penjualan p value Maria Goretti Indrawati Gunawan, dkk.
Peramalan Penjualan Energi Listrik Prabayar Rumah Tangga A 18
Parameter Penjualan_lag1 Pelanggan_lag1 Suhu
PDRB
Inflasi Suhu_lag1 PDRB_lag1 Inflasi_lag1 Tabel V Estimasi Model VARMAX Std Coefisien Error Pelanggan Model VARMAX.
,0,.
selanjutnya digunakan untuk memodelkan data Penjualan dan Pelanggan, dapat dilihat melalui persamaan berikut:
ycy yc ycUyc = Ocycn=1 yaycn ycUycOeycn Ocycyc=0 yaAyc ycUycOeyc Ocyco=1 ycAyco yuAycOeyco yuAyc Dengan:
ycUyc : vektor variabel endogen .
isalnya: penjualan energi listrik, jumlah pelangga.
, ycUyc : vektor variabel eksogen .
PDRB, inflas.
, yaycn : matriks koefisien autoregresif, yaAyc : matriks pengaruh variabel eksogen, ycAyco : matriks koefisien moving average, yuAyc : vektor error .
hite nois.
, p, q, dan s : masing-masing orde AR.
MA, dan lag variabel p value Oe583.
p<0,.
PelangganCuCUCA berdampak positif namun nyaris signifikan .
=0,.
Pada persamaan Pelanggan, hanya Inflasi bulan berjalan yang positif signifikan .
615,03.
p<0,.
variabel lainAitermasuk komponen lag (SuhuCuCUCA.
PDRBCuCUCA.
InflasiCuCUCA)Aitidak signifikan.
Secara keseluruhan, hasil dari model VARMAX ini menunjukkan bahwa faktor eksternal seperti suhu.
PDRB, dan inflasi memiliki pengaruh signifikan terhadap penjualan, sementara untuk jumlah pelanggan, hanya inflasi yang memberikan pengaruh signifikan.
Banyak variabel lainnya, terutama yang berkaitan dengan lag, tidak menunjukkan hubungan yang signifikan dengan kedua variabel tersebut.
Evaluasi Model VARMAX terbaik ycU Oe557500.
[ Oe0.
ycU1ycOe1 [ 1yc ] = [ ycU2yc 001 ycU2ycOe1 .
ycU1yc ycU1ycOe1 Oe14.
ycU ] [ 2yc ] ycU 2ycOe1 ycU Oe583800.
] [ 3yc ] Gambar 4.
Uji stabilitas model VARMAX ycU Oe82.
3ycOe1 Gambar di atas menunjukkan hasil uji stabilitas untuk yuA1yc .
uA ] model VARMAX .
,0,.
, yang menampilkan inverse roots 2yc untuk komponen VAR .
dan VMA .
Seluruh titik berada di dalam lingkaran satuan, sehingga memenuhi Y_1t: Penjualan kriteria stabilitas: bagian VAR bersifat stasioner dan Y_2t: Pelanggan bagian VMA invertibel.
Dengan demikian, spesifikasi X_1t: Suhu VARMAX yang dipilih tidak menunjukkan indikasi X_2t: PDRB ketidakstabilan dan layak digunakan untuk inferensi serta X_3t: Inflasi Hasil model VARMAX yang dianalisis menunjukkan hubungan yang kompleks antara variabel-variabel dalam I.
Diagnostik Model Pengujian diagnostik dilakukan untuk memastikan dua sistem yang terpisah, yaitu Penjualan dan Pelanggan.
VARMAX.
,0,.
memenuhi prasyarat analisis Pada persamaan Penjualan, komponen PenjualanCuCUCA White noise diuji dengan LjungAe berpengaruh negatif dan signifikan .
Oe0,51.
p<0,.
Box
(Q)
taraf =0,05.
hasil pada Tabel 6 yang menunjukkan efek koreksi jangka pendek.
Variabel eksogen bulan berjalanAiSuhu.
PDRB, dan InflasiAi menunjukkan p-value residual Penjualan = 0,722183 dan berpengaruh positif dan signifikan .
<0,.
, sedangkan Pelanggan = 0,08532, keduanya > 0,05, sehingga tidak InflasiCuCUCA berpengaruh negatif dan signifikan .
terdapat autokorelasi tersisa dan informasi relevan telah terserap model.
Maria Goretti Indrawati Gunawan, dkk.
Peramalan Penjualan Energi Listrik Prabayar Rumah Tangga A 19 Tabel VI Pengujian white noise Variabel Q-Stat P value Penjualan Pelanggan Keterangan White Noise White Noise Impulse Response Function (IRF) dan Forecast Error Variance Decomposition (FEVD) IRF terhadap Penjualan IRF mengevaluasi respons dinamis Penjualan terhadap guncangan .
pada dirinya sendiri maupun pada variabel lain dalam sistem.
Hasil IRF terhadap penjualan sebagai berikut:
Normalitas diperiksa melalui QAeQ plot dan histogram.
sebar titik yang mengikuti garis diagonal serta bentuk histogram yang mendekati N.
mengindikasikan residual berdistribusi mendekati normal.
Gambar 7.
IRF Penjualan terhadap shock pada Penjualan.
Pelanggan.
Suhu.
PDRB, dan Inflasi Gambar 5.
Diagnostik Plot residual model VARMAX .
,0,.
untuk Penjualan Gambar 6.
Diagnostik Plot residual model VARMAX .
,0,.
untuk Pelanggan Dengan terpenuhinya kedua asumsi ini, model VARMAX.
,0,.
dinyatakan layak digunakan untuk tujuan peramalan.
Artinya, proyeksi penjualan listrik prabayar dan jumlah pelanggan yang dihasilkan memiliki dasar empiris yang kuat, didukung oleh validasi diagnostik yang memastikan reliabilitas model.
Walaupun demikian, untuk menjaga ketepatan prediksi di masa mendatang, disarankan agar model diperbarui secara berkala dan dilakukan evaluasi ulang terhadap asumsi diagnostik setiap kali tersedia data terbaru.
Penjualan Ie Penjualan: Efek awal positif kuat, kemudian mereda perlahan dan bertahan selama beberapa periode sebelum mencapai keadaan stabilAimenunjukkan efek berlanjut jangka Pelanggan Ie Penjualan: Negatif pada periode pertama, lalu berbalik positif.
Mengindikasikan bahwa fluktuasi jumlah pelanggan memberikan dampak awal yang negatif kemudian memberikan dampak positif dalam jangka panjang.
Suhu Ie Penjualan: Dampak yang sangat kuat pada periode awal, kemudian penurunan yang tajam dan kemudian sedikit stabil.
Mengindikasikan suhu berpengaruh signifikan dalam jangka pendek, tetapi dampaknya mulai berkurang setelah beberapa PDRB Ie Penjualan: Dampak positif signifikan pada periode pertama, namun dampaknya mulai berkurang setelah beberapa periode.
Ini menunjukkan bahwa pertumbuhan ekonomi daerah (PDRB) memberikan pengaruh positif terhadap penjualan dalam jangka pendek.
Inflasi Ie Penjualan: Dampak negatif inflasi terhadap penjualan cukup besar pada awalnya, namun seiring berjalannya waktu, dampaknya mulai stabil.
Secara keseluruhan, gambar ini menunjukkan bagaimana setiap variabel makroekonomi .
elanggan, suhu.
PDRB, inflas.
memengaruhi penjualan, baik dalam jangka pendek maupun jangka panjang.
Setiap variabel menggambarkan dinamika kompleks antara variabelvariabel tersebut.
IRF terhadap Pelanggan Pada Gambar berikut, ditunjukkan respon penjualan listrik ketika dipengaruhi oleh guncangan pada jumlah pelanggan, serta respon jumlah pelanggan itu sendiri Maria Goretti Indrawati Gunawan, dkk.
Peramalan Penjualan Energi Listrik Prabayar Rumah Tangga A 20 terhadap guncangan internal.
Pelanggan sebagai berikut:
Hasil
IRF
Gambar 8.
(IRF) Penjualan terhadap shock pada Penjualan.
Pelanggan.
Suhu.
PDRB, dan Inflasi Penjualan Ie Pelanggan: Terlihat kenaikan pelanggan setelah penjualan meningkat, dengan tren naik yang cukup stabil.
Ini menandakan hubungan positif antara penjualan dan pertumbuhan Pelanggan Ie Pelanggan: Terdapat penurunan kecil di awal, lalu cenderung menurun stabil setelah beberapa periode.
Pola ini mencerminkan dinamika pelanggan yang melemah bertahap meski sempat Suhu Ie Pelanggan: Dampaknya besar pada awal periode, kemudian cepat berkurang dan mendekati Artinya, pengaruh suhu bersifat jangka PDRB Ie Pelanggan: Turun tajam di awal, lalu pulih ke level lebih tinggi.
Ini menunjukkan efek penyesuaian sementara sebelum pemulihan jumlah Inflasi Ie Pelanggan: Terjadi penurunan tajam jumlah pelanggan dan bertahan stabil di level lebih Hal ini menandakan dampak negatif inflasi yang berkelanjutan terhadap pelanggan.
Hasil FEVD Hasil dari Forecast Error Variance Decomposition (FEVD) mengambarkan bagaimana satu variabel bereaksi terhadap perubahan .
pada variabel lain dalam sistem model VARMAX .
,0,.
dengan hasil sebagai Gambar 9.
Hasil FEVD Penjualan dan Pelanggan Penjualan: didominasi oleh Penjualan sendiri = 96,13%.
Kontribusi eksternal relatif kecil: Inflasi 1,87%.
Suhu 1,31%.
Pelanggan 0,51%.
PDRB 0,16% Ie inflasi adalah pengaruh eksternal terbesar untuk penjualan.
Pelanggan: pada awal periode dikendalikan oleh Pelanggan sendiri Aoyy 98,56%, turun menjadi 79,10% pada horizon panjang.
Kontribusi variabel lain: Penjualan 8,55%.
PDRB 6,13%.
Inflasi 3,65%.
Suhu 2,56% Ie PDRB menjadi pendorong eksternal terbesar untuk pelanggan FEVD makroekonomi dengan sistem penjualanAepelanggan:
inflasi terutama memengaruhi ketidakpastian penjualan, sementara PDRB lebih besar perannya pada pelanggan.
Temuan ini mendukung perlunya strategi penjualan dan pengelolaan pelanggan yang adaptif terhadap perubahan ekonomi dan iklim.
Peramalan Peramalan menggunakan VARMAX.
,0,.
, horizon 48 bulan (Jan 2025AeDes 2.
Data latih Jan 2020AeDes Endogen: penjualan kWh prabayar dan jumlah Eksogen: suhu, inflasi.
PDRB dimasukkan sebagai nilai proyeksi konstan sehingga memungkinkan Gambar 10 Plot peramalan jumlah penjualan Gambar 11 Plot peramalan Pelanggan Hasil peramalan ditunjukkan pada Gambar di atas sebagai berikut:
Penjualan listrik prabayar pada Januari 2025 diperkirakan sebesar 48,81 juta kWh, dan menurun sedikit hingga 46,53 juta kWh pada akhir 2025.
Setelah itu, tren kembali meningkat secara konsisten, mencapai 63,80 juta kWh pada Desember 2028.
Total penjualan selama 2025 diproyeksikan sebesar 570,96 juta kWh, meningkat menjadi 737,38 juta kWh pada 2028.
Laju pertumbuhan rata-rata tahunan (CAGR) selama periode 2025Ae2028 adalah sekitar 8,9%.
Maria Goretti Indrawati Gunawan, dkk.
Peramalan Penjualan Energi Listrik Prabayar Rumah Tangga A 21 Jumlah pelanggan pada Januari 2025 diproyeksikan 363 pelanggan, meningkat secara bertahap hingga370.
044 pelanggan pada Desember Penambahan pelanggan rata-rata per tahun 500 pelanggan, atau sekitar 1.
pelanggan per bulan.
Laju pertumbuhan pelanggan prabayar rata-rata tahunan (CAGR) selama periode 2025-2028 adalah sekitar 7,4 %.
Pola hasil peramalan menunjukkan bahwa meskipun penjualan sempat mengalami sedikit penurunan pada awal 2025, tren jangka menengah hingga 2028 tetap positif baik dari sisi konsumsi listrik maupun jumlah pelanggan.
Pertumbuhan jumlah pelanggan yang stabil berkontribusi langsung pada peningkatan total penjualan.
IRF menegaskan suhu dan PDRB berdampak positif jangka pendek pada penjualan, sedangkan inflasi emberikan pengaruh negatif pada periode awal.
karena itu faktor eksternal perlu dipantau berkala agar target tercapai.
Secara manajerial, hasil peramalan mendukung: .
penetapan target penjualan & akuisisi pelanggan dalam RKAP, .
strategi pemasaran adaptif terhadap cuaca dan kondisi ekonomi, dan .
pengaturan pasokan energi yang efisien untuk mengantisipasi pertumbuhan konsumsi IV.
KESIMPULAN
Berdasarkan hasil estimasi model VARMAX, uji diagnostik, serta analisis dinamis (IRF/FEVD) dan evaluasi akurasi peramalan, diperoleh kesimpulan penelitian sebagai berikut:
Terdapat hubungan kuat dan dua arah antara jumlah pelanggan dan penjualan.
Uji Granger menunjukkan Pelanggan Ie Penjualan signifikan pada lag-1 .
=0,0.
estimasi VARMAX.
,0,.
memberi koefisien PelangganCuCUCA positif dan hampir signifikan .
=0,.
IRF menegaskan: shock pelanggan negatif di awal lalu berbalik positif dalam jangka panjang, sementara kenaikan penjualan juga mendorong pertumbuhan pelanggan.
Heatmap menunjukkan korelasi sangat kuat .
=0,.
Implikasinya, pertumbuhan basis pelanggan merupakan pendorong utama peningkatan penjualan listrik prabayar.
Hasil heatmap korelasi menunjukkan bahwa variabel eksogen terhadap penjualan rumah tangga prabayar dipengaruhi faktor makro: PDRB .
=0,.
, suhu .
=0,.
, dan inflasi .
=0,.
Dalam estimasi VARMAX, ketiganya signifikan .
=0,0.
Hal ini menunjukkan bahwa penjualan listrik rumah tangga prabayar lebih dipengaruhi oleh faktor makroekonomi, khususnya PDRB dan inflasi, sementara suhu berperan sebagai faktor musiman jangka pendek.
Proyeksi hingga 2028 menunjukkan tren pertumbuhan yang konsisten.
Penjualan energi meningkat dari 570,96 juta kWh tahun 2025 menjadi 737,38 juta kWh pada tahun 2028 atau tumbuh 29,1%, sedangkan jumlah pelanggan bertambah dari 298.
363 pada tahun 2025 menjadi 370.
044 pada tahun 2028 atau tumbuh 24,0%.
Hasil ini menegaskan relevansi model VARMAX untuk mendukung perencanaan strategis dan penyusunan RKAP di PLN UP3 Balikpapan.
UCAPAN TERIMA KASIH
Saya menyampaikan ucapan terima kasih kepada PT PLN (Perser.
UID Kaltimra - UP3 Balikpapan yang telah mengijinkan melakukan observasi dan pengumpulan data sehingga penelitian ini dapat diselesaikan.
REFERENSI