TRANSPORTASI DAN LINGKUNGAN
5.1. TINJAUAN UMUM
Penyediaan energi di masa depan merupakan permasalahan yang senantiasa menjadi perhatian semua bangsa dikarenakan kesejahteraan manusia dalam kehidupan modern sangat terkait dengan jumlah dan mutu energi yang dimanfaatkan. Bagi Indonesia yang merupakan salah satu negara sedang berkembang, penyediaan energi merupakan faktor yang sangat penting dalam mendorong pembangunan. Seiring dengan meningkatnya pembangunan terutama pembangunan di sektor industri, pertumbuhan ekonomi dan pertumbuhan penduduk, kebutuhan akan energi terus meningkat.
Sampai saat ini, minyak bumi masih merupakan sumber energi yang utama dalammemenuhi kebutuhan di dalam negeri. Selain untuk memenuhi kebutuhan energi di dalamnegeri, minyak bumi juga berperan sebagai komoditi penghasil penerimaan negara dan devisa. Peranan minyak bumi yang besar tersebut terus berlanjut, sedangkan cadangan semakin menipis. Di lain pihak konsumsi energi minyak bumi sangat sulit untuk diperkirakan, sebagai akibat banyaknya faktor tak menentu yang berpengaruh. Selain itu, produksi bahan bakar minyak (BBM) yang dilakukan melalui teknologi transformasi di dalam negeri, tidak mencukupi kebutuhannya.Menyadari kebergantungan yang sangat besar kepada minyak bumi tersebut, maka sejak beberapa waktu yang lalu telah dilakukan upaya untuk menekan pertumbuhan penggunaan bahan bakar minyak (BBM) dengan menggunakan bahan bakar non-minyak untuk memenuhi energi di dalam negeri.
Penyediaan energi non-minyak untuk memenuhi kebutuhan energi di dalam negeri terus dikembangkan, namun sampai saat ini belum banyak berperan. Pemanfaatan energi nonminyak yang sudah berhasil antara lain adalah batubara dan gas bumi sebagai bahan bakar di pembangkit listrik. Sistem penyediaan kebutuhan energi, baik sebelum maupun setelah melalui teknologi tranformasi sampai ke pemakai akhir dapat diperlihatkan pada gambar berikut.
VI - 2 Sumber: Kementerian SDM, Jakarta, 1996
Gambar 5.1. Skema Sistem Penyediaan Energi 5.1.1. Konsep Dasar
Dalam mengaplikasikan statistika terhadap permasalahan sains, industri, atau sosial, pertama yang dilakukan adalah mempelajari populasi.Makna populasi dalam statistika dapat berarti populasi benda hidup, benda mati, ataupun benda abstrak. Populasi juga dapat berupa pengukuran sebuah proses dalam waktu yang berbeda-beda, yakni dikenal dengan istilah deret waktu.
Melakukan pendataan (pengumpulan data) dinamakan sensus.Sebuah sensus tentu memerlukan waktu dan biaya yang tinggi.Untuk itu, dalam statistika seringkali dilakukan pengambilan sampel (sampling), yakni sebagian kecil dari populasi, yang dapat mewakili seluruh populasi.Analisis data dari sampel nantinya digunakan untuk menggeneralisasi seluruh populasi.Ada dua macam statistika, yaitustatistika deskriptif danstatistika inferensial.Statistika deskriptif berkenaan dengan deskripsi data, misalnya dari menghitung rata-rata dan varians dari data mentah; mendeksripsikan menggunakan tabel-tabel atau grafik sehingga data mentah lebih mudah ―dibaca‖ dan lebih bermakna. Sedangkan statistika inferensial lebih dari itu, misalnya melakukan pengujian hipotesis, melakukan prediksi observasi masa depan, atau membuat model regresi.
5.1.2. Pengolahan dan Analisis Data
VI - 3 A. Time Series Analysis (Analisis Deret Waktu)
Analisis data deret waktu pada dasarnya digunakan untuk melakukan analisis data yang mempertimbangkan pengaruh waktu. Data yang dikumpulkan secara periodik berdasarkan urutan waktu, bisa dalam jam, hari, minggu, bulan, kuartal dan tahun, bisa dilakukan analisis menggunakan metode analisis data deret waktu. Analisis data deret waktu tidak hanya bisa dilakukan untuk satu variabel (Univariate) tetapi juga bisa untuk banyak variabel (Multivariate). Selain itu pada analisis data deret waktu bisa dilakukan peramalan data beberapa periode ke depan yang sangat membantu dalam menyusun perencanaan ke depan.
Beberapa bentuk analisis data deret waktu dapat dikelompokkan ke dalam beberapa katagori:
1. Metode Pemulusan (Smoothing)
Metode pemulusan dapat dilakukan dengan dua pendekatan yakni Metode Perataan (Average) dan Metode Pemulusan Eksponensial (Exponential Smoothing). Pada metode rataan bergerak dapat digunakan untuk memuluskan data deret waktu dengan berbagai metode perataan, diantaranya: (1) rata-rata bergerak sederhana (simple moving
average), (2) rata-rata bergerak ganda dan (3) rata-rata bergerak dengan ordo lebih
tinggi. Untuk semua kasus dari metode tersebut, tujuannya adalah memanfaatkan data masa lalu untuk mengembangkan sistem peramalan pada periode mendatang.
Pada metode pemulusuan eksponensial, pada dasarnya data masa lalu dimuluskan dengan cara melakukan pembotan menurun secara eksponensial terhadap nilai pengamatan yang lebih tua. Atau nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai pengamatan yang lebih lama. Beberapa jenis analisis data deret waktu yang masuk pada katagori pemulusan eksponensial, diantaranya: (1) pemulusan eksponensial tunggal, (2) pemulusan eksponensia tunggal: pendekatan adaptif, (3) pemulusan eksponensial ganda: metode Brown, (4) metode pemulusan eksponensial ganda: metode Holt, (5) pemulusan eksponensial tripel: metode Winter. Pada metode pemulusan eksponensial ini, sudah mempertimbangkan pengaruh acak, trend dan musiman pada data masa lalu yang akan dimuluskan. Seperti halnya pada metode rataan bergerak, metode pemulusan eksponensial juga dapat digunakan untuk meramal data beberapa periode ke depan.
VI - 4 2. Model ARIMA (Autoregressive Integrated Moving Average)
Seperti halnya pada metode analisis sebelumnya, model ARIMA dapat digunakan untuk analisis data deret waktu dan peramalan data. Pada model ARIMA diperlukan penetapan karakteristik data deret berkala seperti: stasioner, musiman dan sebagainya, yang memerlukan suatu pendekatan sistematis, dan akhirnya akan menolong untuk mendapatkan gambaran yang jelas mengenai model-model dasar yang akan ditangani. Hal utama yang mencirikan dari model ARIMA dalam rangkan analisis data deret waktu dibandingkan metode pemulusan adalah perlunya pemeriksaan keacakan data dengan melihat koefisien autokorelasinya. Model ARIMA juga bisa digunakan untuk mengatasi masalah sifat keacakan, trend, musiman bahkan sifat siklis data data deret waktu yang dianalisis.
3. Analisis Deret Berkala Multivariate
Model ARIMA digunakan untuk analisis data deret waktu pada katagori data berkala tunggal atau sering dikatagorikan model-model univariate. Untuk data dengan katagori deret berkala berganda (multiple), tidak bisa dilakukan analisis menggunakan model ARIMA, oleh karena itu diperlukan model-model multivariate. Model-model yang masuk kelompok multivariate analisisnya lebih rumit dibandingkan dengan model-model
univariate. Pada model multivariate sendiri bisa dalam bentuk analisis data bivariat
(yaitu, hanya data dua deret berkala) dan dalam bentuk data multivariate (yaitu data terdiri lebih dari dua deret berkala). Model-model multivariate diantaranya: (1) model fungsi transfer, (3) model analisis intervensi (intevention analysis), (4) Fourier Analysis, (5) analisis Spectral dan (6) Vector Time Series Models.