1484
ANALISIS PREDIKSI KEBUTUHAN BIOSOLAR (B30) UNTUK PEMBANGKIT LISTRIK TENAGA DIESEL DI DOBO
Fachrul Ananda Tuburfon1 , Agus Sutanto1
1Logistik Migas, Politeknik Energi dan Mineral Akamigas Jl. Gajah Mada No. 38 Cepu, Kabupaten Blora
*E-mail: [email protected]
ABSTRAK
Pembangkit Listrik Tenaga Diesel (PLTD) adalah pembangkit listrik yang menggunakan mesin diesel sebagai prime mover (penggerak mula). Melalui Peraturan Menteri ESDM Nomor 12 Tahun 2015 tentang mandatori penggunaan bahan bakar nabati (biofuel), disebutkan bahwa untuk sektor pembangkit listrik sejak tahun 2016 sudah harus menggunakan Biosolar B30 untuk mesin-mesin diesel. Pembangkit Listrik Tenaga Diesel di PT. XYZ merupakan pembangkit listrik yang berada di kota Dobo dan telah menggunakan Biosolar sebagai bahan bakar sejak tahun 2019. Jumlah pemakaian Biosolar B30 pada tahun 2020 sebesar 9.014.429 liter. Diharapkan Pembangkit Listrik Tenaga Diesel tersebut mampu untuk memberikan pasokan energi listrik yang cukup seiring dengan perkembangan perekonomian di kota Dobo. Dalam memperkirakan kebutuhan Biosolar B30 digunakan teknik peramalan (forecast) dengan cara menguji data primer pemakaian Biosolar B30 dengan bantuan perangkat lunak Minitab 17 dan perhitungan Microsoft Excel menggunakan metode Trend Linier, Trend Exponential, dan Trend Quadratic untuk mendapatkan nilai Absolute Average Error (AAE) dari ketiga metode tersebut. Metode yang memiliki nilai AAE terkecil akan terpilih untuk memprediksi kebutuhan Biosolar B30 dan dihitung presentase kenaikan kebutuhan. Berdasarkan hasil pengujian, metode Trend Quadratic yang terpilih untuk dilakukan peramalan karena memiliki nilai AAE yang terkecil dan persentase kenaikan kebutuhan Biosolar B30 naik 24%.
Kata Kunci: Forecasting, Trend Analysis, Listrik, Biosolar, Minitab
1. PENDAHULUAN
Kementerian ESDM telah menetapkan arah kebijakan di sektor energi yang mengedepankan pengembangan dan pemanfaatan energi terbarukan salah satunya melalui pemanfatan Bahan Bakar Nabati (BBN). Untuk mendukung program tersebut maka diterbitkan Inpres (Instruksi Presiden) Nomor 1 tahun 2006 tentang Penyediaan dan Pemanfaatan Bahan Bakar Nabati (Biofuel) sebagai Bahan Bakar Lain [1]. Komitmen tersebut dilanjutkan dengan kebijakan mandatory pemanfaatan BBN dengan ditetapkannya Peraturan Menteri ESDM Nomor 32 tahun 2008 dimana sektor transportasi, industri dan pembangkit listrik diwajibkan untuk menggantikan bahan bakar fosil dengan BBN (Bahan Bakar Nabati) pada persentase yang dilakukan secara bertahap. Dalam Peraturan Menteri ESDM Nomor 12 Tahun 2015 tentang mandatori penggunaan bahan bakar nabati (biofuel), disebutkan bahwa untuk sektor pembangkit listrik sejak tahun 2016 sudah harus menggunakan B30 untuk mesin-mesin PLTD yang menggunakan bahan bakar solar/minyak diesel [2].
Dari segi penyediaan listrik, Pembangkit Listrik Tenaga Diesel (PLTD) di PT. XYZ pada tahun 2020 menghasilkan listrik sebesar 30000 MW. Pada tahun 2019 sampai dengan 2020, kebutuhan energi listrik di Dobo tumbuh 34% yang disebabkan oleh pertumbuhan ekonomi di Dobo yang tumbuh berkisar 5-6% dari 2015-2019, sehingga meningkatkan kapasitas produksi generator perusahaan dari 4000 kWh / jam menjadi 9000 kWh / jam. Dengan bertumbuhnya
1485
kebutuhan listrik sehingga perlu ditingkatkannya kapasistas generator, tentunya PLTD pun harus bersiap untuk memenuhi kebutuhan Biosolar B30 yang tentu juga meningkat.
Untuk itu diperlukan suatu ide atau sistem yang bertujuan untuk mempertimbangkan sumber daya yang tepat dengan kualitas dan waktu yang tepat, dan sistem tersebut dinamakan forecasting atau prediksi. Oleh karena itu penulis melakukan analisis prediksi terhadap permintaan Biosolar B30 dua tahun kedepan dengan menggunakan metode Trend Analysis (Trend Linier, Trend Exponential, dan Trend Quadratic). Kemudian akan dilihat nilai Accuracy Measures tiap metode, yang memiliki nilai terkecil akan terpilih untuk melakukan forecasting dan selanjutnya dihitung persentase kenaikan kebutuhan Biosolar B30 tersebut.
Gambar 1. Grafik Penggunaa Biosolar pada 2019-2020 2. METODE
A. Forecasting
Prediksi (forecasting) adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan dengan pengambilan data historis dan memproyeksikannya ke masa depan dengan menggunakan beberapa bentuk model matematis [3]. Metode prediksi secara garis besar dibagi menjadi dua kelompok, yaitu kelompok kuantitatif dan kelompok metode kualitatif.
Metode kualitatif sifatnya lebih subjektif karena metodenya sulit untuk ditelusuri sebab- akibatnya, sedangkan metode kuantitatif bersifat lebih objektif karena sebab-akibatnya dapat ditelusuri [4].
Metode kualitatif adalah model yang tidak menggunakan model matematika, karena data yang tersedia biasanya tidak cukup untuk memprediksi masa depan (peramalan jangka panjang). Prediksi kualitatif menggunakan pendapat para ahli di bidangnya masing-masing, sehingga keunggulan metode ini adalah biaya yang dikeluarkan sangat rendah (tidak memerlukan data). Metode kualitatif dapat digolongkan menjadi tiga, yaitu metode pertimbangan, metode delphi, penelitian pasar.
Teknik peramalan kuantitatif melakukan aktivitas peramalan yang menggunakan angka sebagai dasar untuk memperkirakan kondisi masa depan. Metode kuantitatif sering juga disebut metode deret waktu (time series method) yang menggunakan sekumpulan data berdasarkan interval waktu tertentu seperti mingguan, bulanan, triwulan, semesteran atau tahunan [5]. Terdapat 4 komponen yang mempengaruhi analisis ini, yaitu komponen trend, komponen seasonal, komponen random, dan komponen siklik.
Prediksi atau peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik, yang mana dapat kita simpulkan berdasarkan pada Gambar 1. dibawah ini.
0 200000 400000 600000 800000 1000000
Pemakaian (Liter)
2019 2020
1486
Gambar 2. Proses dalam prediksi
B. Trend Linier
Metode trend linier adalah teknik menyesuaikan garis tren dengan serangkaian data masa lalu dan kemudian memproyeksikan garis ke masa depan untuk prediksi jangka menengah atau panjang. Jika kita menggunakan grafik yang dekat dengan garis lurus untuk menggambarkan tren, Anda dapat memprediksi tren secara linier ke atas atau ke bawah.
Persamaan trend linier:
𝑦 = 𝑎 + 𝑏 (1)
Nilai untuk a dan b dapat dihitung menggunakan formula sebagai berikut:
𝑎 =(∑𝑦)(∑𝑥2)−(∑𝑥)(∑𝑥𝑦)
𝑛(∑𝑥2)−(∑𝑥)2 (2)
𝑏 =𝑛(∑𝑥𝑦)−(∑𝑥)(∑𝑦)
𝑛(∑𝑥2)−(∑𝑥)2 (3)
C. Trend Exponential
Metode trend eksponential digunakan untuk mengukur deret waktu yang meningkat atau menurun dengan cepat. Persamaan eksponensial dinyatakan sebagai pangkat dalam bentuk variabel waktu (𝑥).
Persamaan trend exponential:
𝑦 = 𝑎 𝑏x (4)
Nilai untuk a dan b dapat dihitung menggunakan formula sebagai berikut:
𝑙𝑜𝑔 𝑎 =(∑𝑙𝑜𝑔𝑦)(∑𝑥2)−(∑𝑥)(∑𝑥𝑙𝑜𝑔𝑦)
𝑛(∑𝑥2)−(∑𝑥2) (5)
𝑙𝑜𝑔 𝑏 =𝑛(∑𝑥𝑙𝑜𝑔𝑦)−(∑𝑥)(∑𝑥𝑙𝑜𝑔𝑦)
𝑛(∑𝑥2)−(∑𝑥)2 (6)
D. Trend Quadratic
Pada trend quadratic, untuk tren jangka pendek dan menengah, tren lebih cenderung mengikuti pola linier atau garis lurus. Dalam jangka panjang, pola dengan persamaan linier dapat berubah secara nonlinier dan dapat diprediksi, hasil prediksi akan berbeda atau tidak mencukupi. Metode non-linier adalah metode kuadrat (garis lengkung).
Persamaan trend quadratic:
𝑌′ = 𝑎 + 𝑏𝑥 + 𝑐𝑥2 (7)
Nilai untuk a, b, dan c dapat dicari dengan formula:
1487
𝑎 = 𝑛(∑𝑥4)−(∑𝑥2)2 (8)
𝑏 = ∑𝑥𝑦/∑𝑥2 (9)
𝑐 =𝑛(∑𝑥2𝑦)−(∑𝑥2)(∑𝑦)
𝑛(∑𝑥4)−(∑𝑥2)2 (10)
E. Ukuran Akurasi Forecasting 1. Mean Absolute Deviation
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan- kesalahnan yang absolute. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolute masing-masing kesalahan).
2. Mean Square Error
Mean Squared Eror (MSE) adalah metode untuk mengevaluasi metode peramalan.
Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi terkadang menghasilakan perbedaan yang besar.
3. Mean Absolute Percentage Error
Mean Absolute Percentage Error (MAPE) dihitung menggunakan kesalahan absolute pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu kemudian merata-ratakan kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata.
F. Persentase Kenaikan Kebutuhan
Persentase kenaikan kebutuhan adalah persentase yang digunakan untuk menentukan besar kecilnya persentase kenaikan permintaan terhadap produk tersebut. Persentase kenaikan permintaan dapat ditentukan setelah menentukan rumus perkiraan yang sesuai dan hasil untuk perkiraan masa depan. Persentase kenaikan kebutuhan dapat dicari dengan rumus:
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 (%) =𝐽𝑢𝑚𝑙𝑎ℎ 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡−𝑇ℎ𝑟𝑢𝑝𝑢𝑡 𝐴𝑤𝑎𝑙
𝑇ℎ𝑟𝑢𝑝𝑢𝑡 𝐴𝑤𝑎𝑙 × 100% (11)
1488
3. PEMBAHASAN
A. Data Penggunaan Biosolar (B30)
Tabel 1. Data penggunaan Biosolar (dalam liter)
Sebelum pengolahan data dilaksanakan, sebaiknya melakukan plot data terlebih dahulu.
Karena dari plot data kita dapat mengetahui pola aliran data yang akan kita ramal sehingga memudahkan kita dalam melakukan forecasting [6]. Plot data yang dilakukan berupa uji time series plot, autocorrelation function (ACF), dan box-cox plot. Berdasarkan plot data dari data pemakaian Biosolar B30 dapat disimpulkan bahwa data berdistribusi bersifat tren.
Hal ini berdasarkan plot data yang telah dilakukan adanya turun-naik.
B. Perhitungan Trend Linier Persamaan Trend Linier:
𝑦 = 𝑎 + 𝑏
Nilai untuk a dan b dapat dihitung menggunakan formula sebagai berikut:
𝑎 =(∑𝑦)(∑𝑥2) − (∑𝑥)(∑𝑥𝑦) 𝑛(∑𝑥2) − (∑𝑥)2
𝑏 =𝑛(∑𝑥𝑦) − (∑𝑥)(∑𝑦) 𝑛(∑𝑥2) − (∑𝑥)2
Kemudian dicari nilai a dan b:
Persamaan 𝑎 =82917686400
110400 = 751066
Persamaan 𝑏 =60570240
110400 = 549
Bulan 2019 2020
Januari 796505 795706
Februari 721571 730177
Maret 755007 787595
April 776348 743659
Mei 725121 728044
Juni 867812 678840
Juli 671589 681475
Agustus 681525 686749
September 709254 704716
Oktober 808672 777061
November 847892 859602
Desember 861485 840805
Total 9.222.781 9.014.429
1489
Berdasarkan rumus diatas untuk mencari koefisien dari trend linier berikut, maka didapatkanlah persamaan linier yaitu sebagai berikut :
𝑌′ = 751066 + 549𝑥
Selanjutnya kita dapat melakukan pengujian menggunakan software Minitab 17 sebagai berikut:
Gambar 3. Output Minitab dari trend linier
C. Perhitungan Trend Exponential Persamaan Trend Eksponential:
𝑦 = 𝑎 𝑏𝑥
Nilai untuk a dan b dapat dihitung menggunakan formula sebagai berikut : 𝑙𝑜𝑔 𝑎 =(∑𝑙𝑜𝑔𝑦)(∑𝑥2) − (∑𝑥)(∑𝑥𝑙𝑜𝑔𝑦)
𝑛(∑𝑥2) − (∑𝑥2)
𝑙𝑜𝑔 𝑏 =𝑛(∑𝑥𝑙𝑜𝑔𝑦) − (∑𝑥)(∑𝑥𝑙𝑜𝑔𝑦) 𝑛(∑𝑥2) − (∑𝑥)2
Kemudian dicari nilai a dan b:
Persamaan 𝑙𝑜𝑔 𝑎 =648536
110400= 748898 Persamaan 𝑙𝑜𝑔 𝑏 = 31.285
110400= 1,00065
Berdasarkan rumus diatas untuk mencari koefisien a dan b pada persamaan dari trend exponential berikut, maka didapatkanlah persamaan eksponensial yaitu sebagai berikut :
𝑌′= 748898 + 1,00065𝑥
Selanjutnya kita dapat melakukan pengujian menggunakan software Minitab 17 sebagai berikut:
1490
Gambar 4. Output Minitab dari trend exponential
D. Perhitungan Trend Quadratic Persamaan Trend Quadratic :
𝑌′ = 𝑎 + 𝑏𝑥 + 𝑐𝑥2
Koefisien a, b, dan c dapat dicari dengan rumus : 𝑎 =(∑𝑦)(∑𝑥4) − (∑𝑥2𝑦)(∑𝑥2)
𝑛(∑𝑥4) − (∑𝑥2)2
𝑏 = ∑𝑥𝑦/∑𝑥2
𝑐 =𝑛(∑𝑥2𝑦) − (∑𝑥2)(∑𝑦) 𝑛(∑𝑥4) − (∑𝑥2)2
Kemudian dicari nilai a dan b dan c.
Persamaan 𝑎 =(∑𝑦)(∑𝑥4)−(∑𝑥2𝑦)(∑𝑥2)
𝑛(∑𝑥4)−(∑𝑥2)2 = 738073,2 Persamaan 𝑏 = ∑𝑥𝑦/∑𝑥2 = 548,643
Persamaan 𝑐 =𝑛(∑𝑥2𝑦)−(∑𝑥2)(∑𝑦)
𝑛(∑𝑥4)−(∑𝑥2)2 = 67,789
Berdasarkan rumus diatas untuk mencari nilai a, b, dan c pada persamaan dari trend quadratic berikut, maka didapatkanlah persamaan eksponensial yaitu sebagai berikut :
𝑌′= 738073,2 + 548,643𝑥 + 67,789𝑥2
Selanjutnya kita dapat melakukan pengujian menggunakan software Minitab 17 sebagai berikut:
1491
Gambar 5. Output Minitab dari trend quadratic
E. Pemilihan Metode Forecasting Terbaik
Berdasarkan hasil perhitungan dari masing-masing metode peramalan trend analysis diketahui nilai kesalahan (error) yang diperoleh. Kesalahan (error) terkecil yang digunakan adalah MSE (mean square error), MAPE (mean absolute persentase error), dan MAD (mean absolute deviation) digunakan. Berdasarkan perhitungan dan analisis dari beberapa metode peramalan sebelumnya, diperoleh ringkasan data nilai kesalahan (error) rata-rata dari masing-masing metode peramalan, yang digunakan untuk mengetahui efektifitas metode yang digunakan. Pemilihan metode peramalan dilakukan dengan membandingkan nilai error, dimana metode peramalan dengan nilai error terkecil dipilih sebagai metode peramalan terbaik yang paling sesuai untuk meramalkan demand dari Biosolar B30 pada Pembangkit Listrik Tenaga Diesel (PLTD) di PT. XYZ. Perbandingan nilai error dapat dilihat pada Tabel 1.
Tabel 2. Nilai error tiap metode
Tabel 1 menunjukkan bahwa hasil nilai error tiap metode peramalan trend quadratic diperoleh nilai error yang paling rendah apabila dibandingkan dengan metode peramalan lainnya. Metode peramalan trend quadratic dipilih sebagai metode peramalan terbaik karena memiliki nilai error paling rendah yaitu, MAD (Mean Absolute Deviation) sebesar 44283, MSE (Mean Square Error) sebesar 3138523494, dan MAPE (Mean Absolute Percentaage Error) sebesar 6.
Setelah terpilih metode peramalan terbaik, selanjutnya kita menganalisis data peramalan metode terpilih yaitu trend quadratic pada tabel 2.
Metode MAPE MAD MSE
Trend Linier 6 47838 3272869785
Trend Exponential 6 47503 3277493410
Trend Quadratic 6 44283 3138523494
1492
Tabel 3. Hasil Forecasting
Tabel 2 menunjukkan hasil peramalan demand Biosolar (B30) terhitung Januari 2021 sampai dengan Desember 2022 berdasarkan metode trend quadratic. Berdasarkan tabel diatas terlihat bahwa permintaan Biosolar bertambah setiap bulannya apabila kegiatan operasional yang dilakukan dalam keadaan normal dan tidak ada hambatan apapun.
F. Persentase Kenaikan Kebutuhan Biosolar (B30)
Berdasarkan hasil peramalan yang dilakukan diketahui bahwa permintaan Biosolar (B30) cenderung meningkat tiap bulannya. Untuk itu perlu mengetahui persentase tingkat kenaikan kebutuhan dari Biosolar tersebut. Untuk mengetahui persentase besarnya kenaikan kebutuhan Biosolar di PLTD PT. XYZ dapat diperoleh dengan menggunakan formula berikut ini :
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 (%) =𝐽𝑢𝑚𝑙𝑎ℎ 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 − 𝑇ℎ𝑟𝑢𝑝𝑢𝑡 𝐴𝑤𝑎𝑙
𝑇ℎ𝑟𝑢𝑝𝑢𝑡 𝐴𝑤𝑎𝑙 × 100%
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 (%) =22.361.063 − 18.025.584
18.025.584 × 100%
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 (%) = 0,2405 × 100%
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 (%) = 24,05%
Berdasarkan perhitungan diatas, dapat diketahui bahwa tingkat persentase kenaikan pemakaian biosolar sebagai bahan bakar pembangkit di PLTD di PT. XYZ sebesar 24,05%.
4. SIMPULAN
Berdasarkan uji pola data yang telah dilakukan pada software Minitab 17, metode yang akan diuji untuk melakukan prediksi yaitu metode time series dengan jenis trend analysis yaitu trend linier, trend quadratic, dan trend exponential. Setelah dilakukan pengujian pada
Bulan 2021 2022
Januari 749.157 927.717
Februari 802.304 942.372
Maret 810.994 957.570
April 820.226 973.309
Mei 830.000 989.591
Juni 840.317 1.006.416
Juli 851.176 1.023.782
Agustus 862.577 1.041.691
September 874.520 1.060.142
Oktober 887.006 1.079.136
November 900.034 1.098.671
Desember 913.605 1.118.750
Total 10.141.916 12.219.147
1493
software Minitab 17, metode yang terpilih untuk memprediksi kebutuhan Biosolar dalam jangka waktu 24 bulan mendatang (Januari 2021 - Desember 2022) yaitu metode trend quadratic dengan nilai MAD (Mean Absolute Deviation) sebesar 44283, MSE (Mean Square Error) sebesar 3138523494, dan MAPE (Mean Absolute Percentaage Error) sebesar 6.
Berdasarkan hasil prediksi dengan menggunakan metode terpilih, jumlah pemakaian Biosolar B30 pada PLTD di PT. XYZ sebesar 10.141.916 liter pada tahun 2021 dan 12.219.147 pada tahun 2022. Tingkat kenaikan kebutuhan Biosolar di PLTD di PT. XYZ pada bulan Januari 2021 sampai dengan Desember 2022 sebesar 24,05%.
Meskipun tingkat persentasi kenaikan kebutuhan Biosolar yang diprediksi untuk tahun 2021-2022 mendatang tidak terlalu tinggi, tetapi PLTD PT. XYZ harus selalu siap menjaga pola supply Biosolar agar tetap terpenuhi sehingga dapat melancarkan proses pembangkitan listrik di PLTD tersebut.
5. DAFTAR PUSTAKA
[1] Program Mandatori Biodiesel 30% (B30), Direktorat Bioenergi & Dirjen EBTKE.
[2] Dharmawan, Hadi Arya, Nuva, Amalia, Rizka, dkk, 2018, Pengembangan bioenergi di Indonesia: Peluang dan tantangan kebijakan industri biodiesel, Pengembangan Bioenergi Di Indonesia: Peluang Dan Tantangan Kebijakan Industri Biodiesel.
[3] Santoso. S, 2009, “Business Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS.”, Jakarta, PT. Elex Media Komputindo.
[4] Utama. Ronny Edward, Gani. Nur Asni, Jaharuddin, dkk, 2019, Manajemen Operasi, UM Jakarta Press: Jakarta.
[5] Fani, Elisa dkk. 2017, Perbandingan Metode Winter Eksponential Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk dalam Jurnal Sains dan Seni ITS Vol.6, Surabaya, Institut Teknologi Sepuluh Nopember.
[6] Wardah, S., & Iskandar, 2016. KEMASAN BUNGKUS (Studi Kasus: Home Industry Arwana Food Tembilahan), Jurnal Teknik Industri, 9(3), 135–142.
