IMPLEMENTASI DAN PENGUJIAN
4.3 Implementasi Perancangan Antarmuka
4.3.1 Tampilan Penjualan Premium
Berikut merupakan hasil Penjualan Bahan Bakar Minyak (BBM) jenis Premium pada periode tahun 2011 sampai 2015. Pada gambar 4.1 kita dapat melihat proses penjualan awal premium pada bulan Januari tahun 2011 adalah sebesar 118.106 kLiter dan pada September 2015 sebesar 133.189 kLiter.
Gambar 4.1 Penjualan BBM jenis Premium
4.3.2 Tampilan Penjualan Minyak Tanah
Berikut merupakan hasil Penjualan Bahan Bakar Minyak (BBM) jenis Minyak Tanah pada periode tahun 2011 sampai 2015. Pada gambar 4.2 kita dapat melihat penjualan minyak tanah pada bulan Januari 2011 adalah sebesar 8795 kLiter dan pada bulan September 2015 adalah sebesar 970 kLiter.
Gambar 4.2 Penjualan BBM jenis Minyak Tanah
4.3.3 Tampilan Penjualan Solar
Berikut merupakan hasil Penjualan Bahan Bakar Minyak (BBM) jenis Solar pada periode tahun 2011 sampai 2015. Pada gambar 4.3 kita dapat melihat penjualan solar pada bulan Januari 2011 adalah sebesar 82286 kLiter dan pada bulan September 2015 adalah sebesar 79.461 kLiter.
Gambar 4.3 Penjualan BBM jenis Solar
4.3.4 Tampilan Total Penjualan BBM
Gambar 4.4 Total Penjualan BBM
Berikut merupakan hasil Total Penjualan Bahan Bakar Minyak (BBM) pada periode tahun 2011 sampai 2015. Pada gambar 4.4 kita dapat melihat total keseluruhan penjualan BBM premium, minyak tanah dan solar pada bulan Januari 2011 adalah sebesar 209.187 kLiter dan pada bulan September 2015 adalah sebesar 213.620 kLiter.
4.3.5 Tampilan Grafik Total Penjualan BBM
Gambar 4.5 Grafik Total Penjualan BBM
Berikut merupakan hasil Grafik Total Penjualan Bahan Bakar Minyak (BBM) pada periode tahun 2011 sampai 2015. Pada gambar 4.5 kita dapat melihat tampilan grafik proses
penjualan premium, minyak tanah, solar, dan totalnya. Pada grafik premium nilai nya pada periode Januari 2011 sampai September 2015 bergerak naik secara perlahan. Diikuti dengan minyak tanah dan solar pergerakannya semakin turun dan lama lama menjadi datar.
Akan tetapi pada grafik gabungan total penjualan BBM, pola menjadi tidak teratur kadang naik dan kadang turun. Oleh karena itu proses penghitungan prediksi harus dibuat menjadi data univariate time series.
4.3.6 Tampilan Nilai Hasil Diffrencing Penjualan BBM jenis premium
Berikut merupakan nilai hasil Diffrencing Penjualan Bahan Bakar Minyak (BBM) jenis premium pada periode tahun 2011 sampai 2015. Pada gambar 4.6 kita dapat melihat selisih proses penjualan premium antara Februari 2011 dan Januari 2011 adalah sebesar -9918.
Sedangkan selisih antara bulan September 2015 dan Oktober 2015 adalah sebesar -4637.
Gambar 4.6 Nilai Diffrencing BBM Jenis Premium
4.3.7 Tampilan Nilai Hasil Diffrencing Penjualan BBM jenis Minyak Tanah
Berikut merupakan nilai hasil Diffrencing Penjualan Bahan Bakar Minyak (BBM) jenis minyak tanah pada periode tahun 2011 sampai 2015. Pada gambar 4.7 kita dapat melihat selisih proses penjualan minyak tanah antara Februari 2011 dan Januari 2011 adalah sebesar -690. Sedangkan selisih antara bulan September 2015 dan Oktober 2015 adalah sebesar 0.
Gambar 4.7 Nilai Diffrencing BBM Jenis Minyak Tanah
4.3.8 Tampilan Nilai Hasil Diffrencing Penjualan BBM Jenis Solar
Berikut merupakan nilai hasil Diffrencing Penjualan Bahan Bakar Minyak (BBM) jenis solar pada periode tahun 2011 sampai 2015. Pada gambar 4.8 kita dapat melihat selisih proses penjualan solar antara Februari 2011 dan Januari 2011 adalah sebesar -7616.
Sedangkan selisih antara bulan September 2015 dan Oktober 2015 adalah sebesar 4391.
Gambar 4.8 Nilai Diffrencing BBM Jenis Solar
4.3.9 Tampilan Grafik Total Diffrencing Penjualan BBM
Berikut merupakan hasil Grafik Total Diffrencing Penjualan Bahan Bakar Minyak (BBM) pada periode tahun 2011 sampai 2015. Setelah nilai nilai diffrencing masing masing data penjualan BBM diketahui maka dibuatlah plot grafik diffrencing untuk memastikan bahwa pola trend benar-benar terhapus. Pada gambar 4.9 terlihat jelas baik data penjualan premium, minyak tanah,solar, maupun gabungannya sudah tidak terlihat lagi adanya pola trend yaitu kecendrungan pola naik-turunnya grafik data secara tajam.
Gambar 4.9 Grafik Diffrencing Total Penjualan BBM
4.3.10 Tampilan Nilai Hasil Log 10 Penjualan BBM Jenis Premium
Berikut merupakan nilai hasil penghitungan log 10 Penjualan Bahan Bakar Minyak (BBM) jenis premium pada periode tahun 2011 sampai 2015.
Gambar 4.10 Nilai Log 10 Penjualan BBM Jenis Premium
Setelah dilakukannya proses diffrencing, maka langkah selanjutnya adalah proses transformasi log yang bertujuan untuk membuat data stationer di variansi data. Pada gambar 4.10, kita dapat melihat nilai logaritma 10 dari volume penjualan premium pada periode Januari 2011 adalah sebesar 5, 072272. Sementara pada bulan September nilainya sebesar 5,124468.
4.3.11 Tampilan Nilai Hasil Log 10 Penjualan BBM Jenis Minyak Tanah
Berikut merupakan nilai hasil penghitungan log 10 Penjualan Bahan Bakar Minyak (BBM) jenis minyak tanah pada periode tahun 2011 sampai 2015. Setelah dilakukannya proses diffrencing, maka langkah selanjutnya adalah proses transformasi log yang bertujuan untuk membuat data stationer di variansi data. Pada gambar 4.11, kita dapat melihat nilai logaritma 10 dari volume penjualan minyak tanah pada periode Januari 2011 adalah sebesar 3,944236. Sementara pada bulan September nilainya sebesar 2,986772.
Gambar 4.11 Nilai Log 10 Penjualan BBM Jenis Minyak Tanah
4.3.12 Tampilan Nilai Hasil Log 10 Penjualan BBM Jenis Solar
Berikut merupakan nilai hasil penghitungan log 10 Penjualan Bahan Bakar Minyak (BBM) jenis solar pada periode tahun 2011 sampai 2015. Setelah dilakukannya proses diffrencing, maka langkah selanjutnya adalah proses transformasi log yang bertujuan untuk membuat data stationer di variansi data. Pada gambar 4.12, kita dapat melihat nilai logaritma 10 dari volume penjualan premium pada periode Januari 2011 adalah sebesar 4,915326. Sementara pada bulan September nilainya sebesar 4,900154.
Gambar 4.12 Nilai Log 10 Penjualan BBM Jenis Solar
4.3.13 Tampilan Grafik Hasil Log 10 Total Penjualan BBM
Gambar 4.13 Grafik Nilai Log 10 Total Penjualan BBM
Berikut merupakan grafik dari hasil penghitungan log 10 total penjualan Bahan Bakar Minyak (BBM) pada periode tahun 2011 sampai 2015. Berikut merupakan tampilan hasil grafik Total Diffrencing Penjualan Bahan Bakar Minyak (BBM) pada periode tahun 2011 sampai 2015. Setelah nilai nilai logaritma 10 masing masing data penjualan BBM diketahui maka dibuatlah plot grafik log untuk memastikan bahwa data benar-benar sudah menjadi stationer di variansi. Pada gambar 4.13 terlihat jelas baik data penjualan premium, minyak tanah,solar, maupun gabungannya sudah menjadi stationer pada variansi data.
4.3.14 Tampilan Total Diffrencing dan Log 10 Penjualan Premium
Berikut merupakan hasil Total Diffrencing dan log 10 dari volume Penjualan Bahan Bakar Minyak (BBM) jenis premium pada periode tahun 2011 sampai 2015. Ada baiknya kita melakukan proses selisih antara hasil logarima 10 setiap periode untuk membuat data time series menjadi stationer baik di rata-rata(mean), maupun di variansi data. Pada gambar 4.14, kita dapat melihat penghitungan selisih dari logaritma 10 antara periode Februari 2011 dan Januari 2011 adalah sebesar -3,809287 e-02. Sementara untuk periode September 2015 dan Augustus 2015 adalah -1,486279 e-02.
Gambar 4.14 Diffrencing dan Log10 dari Total Penjualan BBM Jenis Premium
4.3.15 Tampilan Total Diffrencing dan Log 10 Penjualan Minyak Tanah
Berikut merupakan hasil Total Diffrencing dan log 10 dari volume Penjualan Bahan Bakar Minyak (BBM) jenis Minyak Tanah pada periode tahun 2011 sampai 2015. Ada baiknya kita melakukan proses selisih antara hasil logarima 10 setiap periode untuk membuat data time series menjadi stationer baik di rata-rata(mean), maupun di variansi data. Pada gambar
4.15, kita dapat melihat penghitungan selisih dari logaritma 10 antara periode Februari 2011 dan Januari 2011 adalah sebesar -0,035482825. Sementara untuk periode September 2015 dan Augustus 2015 adalah 0.
Gambar 4.15 Diffrencing dan Log10 dari Penjualan BBM Jenis Minyak Tanah
4.3.16 Tampilan Total Diffrencing dan Log 10 Penjualan Solar
Berikut merupakan hasil Total Diffrencing dan log 10 dari volume Penjualan Bahan Bakar Minyak (BBM) jenis Solar pada periode tahun 2011 sampai 2015.
Gambar 4.16 Diffrencing dan Log10 dari Penjualan BBM Jenis Solar
Ada baiknya kita melakukan proses selisih antara hasil logarima 10 setiap periode untuk membuat data time series menjadi stationer baik di rata-rata(mean), maupun di variansi data. Pada gambar 4.16, kita dapat melihat penghitungan selisih dari logaritma 10 antara
periode Februari 2011 dan Januari 2011 adalah sebesar -0,0421798000. Sementara untuk periode September 2015 dan Augustus 2015 adalah -0,0233593994.
4.3.17 Tampilan Total Diffrencing dan Log 10 Total Penjualan BBM
Berikut merupakan hasil Total Diffrencing dan log 10 dari volume Penjualan Bahan Bakar Minyak (BBM) pada periode tahun 2011 sampai 2015. Ada baiknya kita melakukan proses selisih antara hasil logarima 10 setiap periode untuk membuat data time series menjadi stationer baik di rata-rata(mean), maupun di variansi data. Pada gambar 4.14, kita dapat melihat penghitungan selisih dari logaritma 10 antara periode Februari 2011 dan Januari 2011 adalah sebesar -0,0395854629. Sementara untuk periode September 2015 dan Augustus 2015 adalah -0,0179768876.
Gambar 4.17 Diffrencing dan Log10 dari Total Penjualan BBM
4.3.18 Tampilan Grafik Diffrencing dan Log 10 Total Penjualan BBM Jenis Premium Berikut merupakan hasil Grafik Total Diffrencing dan log 10 dari volume Penjualan Bahan Bakar Minyak (BBM) jenis premium pada periode tahun 2011 sampai 2015. Setelah nilai nilai selisih logaritma 10 antara setiap periode diketahui, maka dibuatlah plot grafik log untuk memastikan bahwa data benar-benar sudah menjadi stationer baik di rata-rata(mean) maupun pada variansi data. Pada gambar 4.18 terlihat jelas baik data penjualan premium sudah menjadi stationer pada mean dan variansi data.
Gambar 4.18 Grafik Diffrencing dan Log10 dari Penjualan BBM Jenis Premium
4.3.19 Tampilan Grafik Diffrencing dan Log 10 Penjualan Jenis Minyak Tanah
Berikut merupakan hasil Grafik Total Diffrencing dan log 10 dari volume Penjualan Bahan Bakar Minyak (BBM) jenis Minyak Tanah pada periode tahun 2011 sampai 2015. Setelah nilai nilai selisih logaritma 10 antara setiap periode diketahui, maka dibuatlah plot grafik log untuk memastikan bahwa data benar-benar sudah menjadi stationer baik di rata-rata(mean) maupun pada variansi data.
Gambar 4.19 Grafik Diffrencing dan Log10 dari Penjualan BBM Jenis Minyak Tanah
Pada gambar 4.19 terlihat jelas baik data penjualan minyak tanah sudah menjadi stationer pada mean dan variansi data.
4.3.20 Tampilan Grafik Diffrencing dan Log 10 Penjualan Jenis Solar
Berikut merupakan hasil Grafik Total Diffrencing dan log 10 dari volume Penjualan Bahan Bakar Minyak (BBM) jenis Solar pada periode tahun 2011 sampai 2015. Setelah nilai nilai selisih logaritma 10 antara setiap periode diketahui, maka dibuatlah plot grafik log untuk memastikan bahwa data benar-benar sudah menjadi stationer baik di rata-rata(mean) maupun pada variansi data. Pada gambar 4.20 terlihat jelas baik data penjualan solar sudah menjadi stationer pada mean dan variansi data.
Gambar 4.20 Grafik Diffrencing dan Log10 dari Penjualan BBM Jenis Solar
4.3.21 Tampilan Grafik Diffrencing dan Log 10 Total Penjualan BBM
Berikut merupakan hasil Grafik Total Diffrencing dan log 10 dari total volume Penjualan Bahan Bakar Minyak (BBM) pada periode tahun 2011 sampai 2015. Setelah nilai nilai selisih logaritma 10 antara setiap periode diketahui, maka dibuatlah plot grafik log untuk memastikan bahwa data benar-benar sudah menjadi stationer baik di rata-rata(mean) maupun pada variansi data. Pada gambar 4.21 terlihat jelas baik data total penjualan BBM sudah menjadi stationer pada mean dan variansi data.
Gambar 4.21 Grafik Diffrencing dan Log10 dari Total Penjualan BBM
4.3.22 Tampilan Grafik ACF dan PACF untuk menemukan model AR dan MA Jenis Premium
Berikut merupakan hasil Grafik ACF dan Pacf untuk menemukan model AR dan MA Jenis Premium pada periode tahun 2011 sampai 2015.
Gambar 4.22 Grafik ACF dan PACF untuk menemukan model AR dan MA Jenis Premium
Setelah penghitungan selisih dari logaritma 10 antara periode tertentu, maka dilakukan plot grafik ACF dan PACF untuk melihat apakah ada spike atau tidak. Jika terdapat spike maka disimpulkan bahwa data mengandung residual yang tidak random(acak) yang dapat
disimpulkan bahwa data masih mengandung komponen informasi yang dibutuhkan dalam proses penghitungan prediksi .Pada gambar 4.22 dapat kita lihat di grafik ACFnya Premium bahwa terdapat spike pada lag 0, 1, 5, 6,11, 12, 13. Sementara pada grafik PACfnya Premium terdapat spike pada lag 1, 2, 4, 11.
4.3.23 Tampilan Grafik ACF dan Pacf untuk menemukan model AR dan MA Jenis Minyak Tanah
Berikut merupakan hasil Grafik ACF dan Pacf untuk menemukan model AR dan MA Jenis Minyak Tanah pada periode tahun 2011 sampai 2015.
Gambar 4.23 Grafik ACF dan PACF untuk menemukan model AR dan MA Jenis Minyak Tanah
Setelah penghitungan selisih dari logaritma 10 antara periode tertentu, maka dilakukan plot grafik ACF dan PACF untuk melihat apakah ada spike atau tidak. Jika terdapat spike maka disimpulkan bahwa data mengandung residual yang tidak random(acak) yang dapat disimpulkan bahwa data masih mengandung komponen informasi yang dibutuhkan dalam proses penghitungan prediksi .Pada gambar 4.23 dapat kita lihat di grafik ACFnya Minyak
Tanah bahwa terdapat spike pada lag 0, 1, 2. Sementara pada grafik PACfnya Minyak Tanah terdapat spike pada lag 1, 8.
4.3.24 Tampilan Grafik ACF dan PACF untuk menemukan model AR dan MA Jenis Solar Berikut merupakan hasil Grafik ACF dan PACF untuk menemukan model AR dan MA Jenis Solar pada periode tahun 2011 sampai 2015. Setelah penghitungan selisih dari logaritma 10 antara periode tertentu, maka dilakukan plot grafik ACF dan PACF untuk melihat apakah ada spike atau tidak. Jika terdapat spike maka disimpulkan bahwa data mengandung residual yang tidak random(acak) yang dapat disimpulkan bahwa data masih mengandung komponen informasi yang dibutuhkan dalam proses penghitungan prediksi .Pada gambar 4.24 dapat kita lihat di grafik ACFnya Solar bahwa terdapat spike pada lag 0, 1, 12, 13. Sementara pada grafik PACfnya Solar terdapat spike pada lag 1.
Gambar 4.24 Grafik ACF dan PACF untuk menemukan model AR dan MA Jenis Solar
4.3.25 Tampilan Grafik ACF dan Pacf untuk menemukan model AR dan MA Total BBM Berikut merupakan hasil Grafik ACF dan PACF untuk menemukan model AR dan MA Total BBM pada periode tahun 2011 sampai 2015. Setelah penghitungan selisih dari
logaritma 10 antara periode tertentu, maka dilakukan plot grafik ACF dan PACF untuk melihat apakah ada spike atau tidak. Jika terdapat spike maka disimpulkan bahwa data mengandung residual yang tidak random(acak) yang dapat disimpulkan bahwa data masih mengandung komponen informasi yang dibutuhkan dalam proses penghitungan prediksi .Pada gambar 4.25 dapat kita lihat di grafik ACFnya Total bahwa terdapat spike pada lag 0, 1, 11, 12, 13. Sementara pada grafik PACfnya Total terdapat spike pada lag 1, 9, 12.
Gambar 4.25 Grafik ACF dan Pacf untuk menemukan model AR dan MA Total BBM
4.3.26 Tampilan Nilai ACF dan PACF untuk Menemukan Model AR dan MA Jenis Premium
Berikut merupakan hasil Nilai ACF dan PACF untuk menemukan model AR dan MA Jenis Premium pada periode tahun 2011 sampai 2015 dengan memanggil fungsi auto.arima(y = log 10 (premium). Pada gambar 4.26 model prediksi ARIMA premium yang diperoleh adalah ma 1 dengan nilai koefisien sebesar -0,6596 dan model sma 1 dengan nilai koefisien sebesar -0,4084. Begitu juga di dapat nilai standard error(SE) untuk model ma 1 adalah 0,10106 dan untuk model sma 1 sebesar 0,2946. Sementara untuk nilai log likelihood 117,8 dan aic -229,61. Dari hasil yang diperoleh, maka model yang digunakan adalah dengan nilai SE terkecil yaitu model ma 1.
Gambar 4.26 Nilai ACF dan PACF untuk menemukan model AR dan MA Jenis Premium
4.3.27 Tampilan Nilai ACF dan PACF untuk menemukan model AR dan MA Jenis Minyak Tanah
Berikut merupakan hasil Nilai ACF dan Pacf untuk menemukan model AR dan MA Jenis Minyak Tanah pada periode tahun 2011 sampai 2015 dengan memanggil fungsi auto.arima(y = log 10(minyaktanah). Pada gambar 4.27 model prediksi ARIMA minyak tanah yang diperoleh adalah ar 1 dengan nilai koefisien sebesar 0,2771 dan model ar 2 dengan nilai koefisien sebesar 0,2381. Begitu juga di dapat nilai standard error(SE) untuk model ar 1 adalah 0,1284 dan untuk model ar 2 sebesar 0,1283. Sementara untuk nilai log likelihood 75,05 dan aic -144,09. Dari hasil yang diperoleh, maka model yang digunakan adalah dengan nilai SE terkecil yaitu model ar 2.
Gambar 4.27 Nilai ACF dan PACF untuk menemukan model AR dan MA Jenis Minyak Tanah
4.3.28 Tampilan Nilai ACF dan PACF untuk menemukan model AR dan MA Jenis Solar Berikut merupakan hasil Nilai ACF dan Pacf untuk menemukan model AR dan MA Jenis Solar pada periode tahun 2011 sampai 2015 dengan memanggil fungsi
auto.arima(y = log 10 solar). Pada gambar 4.28 model prediksi ARIMA solar yang diperoleh adalah ma 1 dengan nilai koefisien sebesar -0,5174 dan model sar 1 dengan nilai koefisien sebesar 0,3321. Begitu juga di dapat nilai standard error(SE) untuk model ma 1 adalah 0,1109 dan untuk model sar 1 sebesar 0,1523. Sementara untuk nilai log likelihood 122,74 dan aic -239, 48. Dari hasil yang diperoleh, maka model yang digunakan adalah dengan nilai SE terkecil yaitu model ma 1.
Gambar 4.28 Nilai ACF dan PACF untuk menemukan model AR dan MA Jenis Solar
4.3.29 Tampilan Nilai ACF dan PACF untuk menemukan model AR dan MA Total BBM Berikut merupakan hasil Nilai ACF dan PACF untuk menemukan model AR dan MA Total BBM pada periode tahun 2011 sampai 2015 dengan memanggil fungsi
auto.arima(y = log 10 total). Pada gambar 4.29 model prediksi ARIMA total BBM yang diperoleh adalah ma 1 dengan nilai koefisien sebesar -0,3003, model ma 2 dengan nilai koefisien sebesar -0,4390, model ma 3 dengan nilai koefisien 0,3516, dan model sar 1 dengan nilai koefisien -0,5007. Begitu juga di dapat nilai standard error(SE) untuk model ma 1 adalah 0,1491, untuk model ma 2 sebesar 0,1516, untuk model ma 3 sebesar 0,1882, dan untuk model sar 1 sebesar 0,1361. Sementara untuk nilai log likelihood 122,09 dan aic -239, 19. Dari hasil yang diperoleh, maka model yang digunakan adalah dengan nilai SE terkecil yaitu model sar 1.
Gambar 4.29 Nilai ACF dan PACF untuk menemukan model AR dan MA Total BBM
4.4 Hasil Akhir Prediksi BBM Menggunakan ARIMA
4.4.1 Tampilan Nilai Hasil Prediksi Kebutuhan BBM Jenis Premium
Berikut merupakan hasil akhir prediksi kebutuhan BBM Jenis Premium pada PT.PERTAMINA UPMS-1 Medan.
Tabel 4.1 Rangkuman data hasil prediksi premium
No. Periode Hasil Prediksi Premium
1 Oktober 2015 144.578,6 kLiter.
2 November 2015 134.220,3 kLiter.
3 Desember 2015 138.364,5 k Liter.
4 Januari 2016 143.002,1 kLiter.
5 Februari 2016 128.726,8 kLiter.
6 Maret 2016 142.923,9 kLiter.
Tabel 4.1 Rangkuman data hasil prediksi premium (lanjutan)
No. Periode Hasil Prediksi Premium