Analisis Principal Component Regression pada Kapasitas Pembangkit dan Produksi Listrik terhadap Distribusi Listrik Antarprovinsi di Indonesia Tahun 2024
DOI:
https://doi.org/10.69693/ijmst.v4i3.14187Keywords:
PCA, PCR, Produksi Litsrik, RegresiAbstract
Distribusi listrik antarprovinsi di Indonesia memiliki perbedaan yang cukup besar, sehingga diperlukan analisis untuk melihat keterkaitannya dengan kondisi pembangkitan listrik di setiap wilayah. Penelitian ini bertujuan menganalisis hubungan kapasitas pembangkit dan produksi listrik terhadap distribusi listrik antarprovinsi di Indonesia tahun 2024 menggunakan metode Principal Component Regression (PCR). Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS) yang mencakup 34 provinsi. Distribusi listrik digunakan sebagai variabel respons, sedangkan kapasitas pembangkit dan produksi listrik digunakan sebagai variabel prediktor. Analisis dilakukan melalui pemeriksaan korelasi dan multikolinearitas, pembentukan Principal Component Analysis (PCA), pemilihan komponen berdasarkan beberapa kriteria, kemudian dilanjutkan dengan regresi menggunakan komponen utama. Hasil analisis menunjukkan bahwa kapasitas pembangkit dan produksi listrik memiliki hubungan yang kuat dengan distribusi listrik. Berdasarkan validasi silang Leave-One-Out Cross-Validation (LOOCV), dua komponen utama dipertahankan dalam model PCR. Kedua komponen tersebut menunjukkan hubungan yang signifikan dengan distribusi listrik. Model juga memiliki kemampuan prediksi yang lebih baik dibandingkan model nol. Namun, hasil pengujian asumsi menunjukkan adanya heteroskedastisitas dan beberapa provinsi teridentifikasi sebagai observasi yang berpengaruh. Karena seluruh komponen utama tetap digunakan, PCR dalam penelitian ini secara numerik setara dengan regresi linear berganda, sehingga manfaat utamanya lebih terlihat dalam menangani multikolinearitas dan menggambarkan struktur hubungan antarvariabel. Hasil penelitian menunjukkan bahwa distribusi listrik tidak hanya berkaitan dengan kapasitas dan produksi listrik lokal, tetapi juga perlu mempertimbangkan keterhubungan jaringan listrik antarwilayah.
References
1. Akbar, L., Mafruhah, I., & Gravitiani, E. (2024). Determinants of variables that affect electrical energy consumption in Indonesia 2011-2020. International Journal of Energy Economics and Policy, 14(1), 165–171. https://doi.org/10.32479/ijeep.11069
2. Badan Pusat Statistik. (2025). Statistik listrik 2020-2024. Badan Pusat Statistik. https://www.bps.go.id/id/publication/2025/12/31/c4f7aade5d4801236ec79b81/statistik-listrik-2020-2024.html
3. Badan Pusat Statistik. (2025). Statistik listrik 2020–2024. https://www.bps.go.id/id/publication/2025/12/31/c4f7aade5d4801236ec79b81/electric-statistics-2020-2024.html
4. Badan Pusat Statistik. (2026a). Electricity distributed by province (GWh), 2024. https://www.bps.go.id/en/statistics-table/2/ODU5IzI%3D/electricity-distributed-by-province--gwh-.html
5. Balqis, N. A., Astutik, S., & Solimun. (2022). Principal component regression modelling with variational Bayesian approach to overcome multicollinearity at various levels of missing data proportion. JTAM (Jurnal Teori dan Aplikasi Matematika), 6(4), 1013–1026. https://journal.ummat.ac.id/index.php/jtam/article/download/10223/pdf
6. Davino, C., Romano, R., & Vistocco, D. (2022). Handling multicollinearity in quantile regression through the use of principal component regression. METRON, 80, 153–174. https://doi.org/10.1007/s40300-022-00230-3
7. Effendi, M., Ardhyatirta, R., Angelina, S. G., & Ohyver, M. (2023). Predict farmer exchange rate in the food crop sector using principal component regression. Enthusiastic: International Journal of Applied Statistics and Data Science, 3(1). https://doi.org/10.20885/enthusiastic.vol3.iss1.art7
8. Ekvall, K. O. (2022). Targeted principal components regression. Journal of Multivariate Analysis, 190, Article 104995. https://doi.org/10.1016/j.jmva.2022.104995
9. Ergişi, S., Doğanay, B., & Yavuz, Y. (2024). Performance comparison of least squares, ridge, lasso and principal component regression for addressing multicollinearity in regression analysis. İstatistik Araştırma Dergisi, 14(2). https://dergipark.org.tr/en/pub/jsstr/article/1549414
10. Gu, F. (2023). A model-based approach to multivariate principal component regression: Selecting principal components and estimating standard errors for unstandardized regression coefficients. British Journal of Mathematical and Statistical Psychology, 76(3), 605–622. https://doi.org/10.1111/bmsp.12301
11. Indhova, R. A., Suparti, & Hakim, A. R. (2023). Perbandingan Gulud Regression dan Principal Component Regression (PCR) terhadap pemodelan Indeks Pembangunan Manusia Provinsi Jawa Timur. Jurnal Gaussian, 12(2), 199–208. https://doi.org/10.14710/j.gauss.12.2.199-208
12. International Journal of Energy Sector Management. (2022). A PCA-based variable ranking and selection approach for electric energy load forecasting. International Journal of Energy Sector Management, 16(6), 1172–1191. https://doi.org/10.1108/IJESM-12-2019-0009
13. Iswan, I., Garniwa, I., & Surjandari, I. (2021). Data optimization on the accuracy of forecasting electricity energy sales using principal component analysis based on spatial. International Journal of Energy Economics and Policy. https://scholar.ui.ac.id/en/publications/data-optimization-on-the-accuracy-of-forecasting-electricity-ener/
14. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer. https://doi.org/10.1007/978-1-0716-1418-1
15. Khoiro, I., Asfa’ani, E., & Musthofa, S. (2024). Perbandingan Principal Component Regression dan regresi ridge pada analisis faktor-faktor Indeks Pembangunan Manusia di Provinsi Sumatera Barat. MAp (Mathematics and Applications) Journal. https://doi.org/10.15548/map.v6i2.10168
16. Menteri Energi dan Sumber Daya Mineral Republik Indonesia. (2007). Peraturan Menteri Energi dan Sumber Daya Mineral Nomor 03 Tahun 2007 tentang Aturan Jaringan Sistem Tenaga Listrik Jawa-Madura-Bali. https://gatrik.esdm.go.id/assets/uploads/download_index/files/41992-permen-esdm-03-2007.pdf
17. Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). John Wiley & Sons. https://www.wiley-vch.de/de/fachgebiete/mathematik-und-statistik/introduction-to-linear-regression-analysis-978-1-119-57872-7
18. Nasution, E. F., & Pane, R. (2024). Perbandingan regresi LASSO dan Principal Component Regression dalam mengatasi masalah multikolinearitas. MES: Journal of Mathematics Education and Science, 10(1). https://jurnal.uisu.ac.id/index.php/mesuisu/article/view/9656
19. Ningrum, S. H. P., Hisan, K., Ramdhani, T. P., Luzianawati, L., Zindawi, M. D. R., & Harsyiah, L. (2025). Regresi komponen utama dalam mengatasi multikolinieritas pada faktor-faktor yang mempengaruhi inflasi di Indonesia. Indonesian Journal of Applied Statistics and Data Science, 2(1), 34–43. https://doi.org/10.29303/ijasds.v2i1.5827
20. Parhizkar, T., Rafieipour, E., & Parhizkar, A. (2021). Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction. Journal of Cleaner Production, 279, 123866. https://doi.org/10.1016/j.jclepro.2020.123866
21. Qur’ani, A. Y. (2023). Pemodelan Principal Component Regression Analysis dari faktor penanganan stunting saat pandemi Covid-19 di Indonesia. ULIL ALBAB: Jurnal Ilmiah Multidisiplin, 2(8), 3922–3931. https://doi.org/10.56799/jim.v2i8.2053
22. Republik Indonesia. (2009). Undang-Undang Nomor 30 Tahun 2009 tentang Ketenagalistrikan. https://gatrik.esdm.go.id/assets/uploads/download_index/files/9ef73-03.uu-30-2009-tentang-ketenagalistrikan.pdf
23. Rong, J.-Y., & Liu, X.-Q. (2024). Hybrid principal component regression estimation in linear regression. Electronic Research Archive, 32(6), 3758–3776. https://doi.org/10.3934/era.2024171
24. Rosidin, I. S., de Groot, H. L. F., & Mulder, P. (2026). Power islands: The geography of electricity diffusion in Indonesia, 1975–2018. Energy Strategy Reviews, 64, Article 102077. https://doi.org/10.1016/j.esr.2026.102077
25. Sekretariat Kabinet Republik Indonesia. (2021, 23 Januari). Hasil Sensus Penduduk 2020; BPS: Meski lambat, ada pergeseran penduduk antarpulau. https://setkab.go.id/hasil-sensus-penduduk-2020-bps-meski-lambat-ada-pergeseran-penduduk-antarpulau/
26. Shah, H. I., Iftikhar, H., & Ali, S. (2022). Modeling and forecasting electricity demand and prices: A comparison of alternative approaches. Journal of Mathematics, 2022, 3581037. https://doi.org/10.1155/2022/3581037
27. Veeramsetty, V., Chandra, D. R., Grimaccia, F., & Mussetta, M. (2022). Short term electric power load forecasting using principal component analysis and recurrent neural networks. Forecasting, 4(1), 149–164. https://doi.org/10.3390/forecast4010008
28. Yang, Q., & Yin, S. (2022). Analysis of electricity consumption behaviors based on principal component analysis and density peak clustering. Concurrency and Computation: Practice and Experience. https://doi.org/10.1002/cpe.7126
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Indonesian Journal of Multidisciplinary on Social and Technology
This work is licensed under a Creative Commons Attribution 4.0 International License.
