Prediksi Kebutuhan Bbm Menggunakan Metode Arima Di Pertamina Upms-1 Medan Chapter III V

(1)

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1 Data yang digunakan

Data yang digunakan adalah data time series penjualan minyak periode januari 2011

sampai september 2015. Data diperoleh dari PT PERTAMINA (PERSERO) UPMS-1 medan.

Adapun data tersebut dapat dilihat pada tabel 3.1 berikut.

Tabel 3.1 Rangkuman data penjualan minyak

Periode Premium Minyak Tanah Solar Total

Januari 2011 118106 kLiter 8795 kLiter 82286 kLiter 209187 kLiter Februari

2011

108188 kLiter 8105 kLiter 74670 kLiter 190963 kLiter

Maret 2011 120949 kLiter 9005 kLiter 86931 kLiter 216885 kLiter April 2011 116843 kLiter 7805 kLiter 84955 kLiter 209603 kLiter

….. ….. ….. ….. …..

Juni 2015 131329 kLiter 970 kLiter 81058 kLiter 213357 kLiter Juli 2015 151008 kLiter 985 kLiter 77449 kLiter 229442 kLiter Agustus 2015 137826 kLiter 970 kLiter 83852 kLiter 222648 kLiter September

2015

133189 kLiter 970 kLiter 79461 kLiter 213620 kLiter

3.2 Volume Penjualan BBM

Data volume penjualan BBM pada periode tahun 2011 sampai 2015 yang digunakan

(2)

Data diperoleh dari PT PERTAMINA (PERSERO) MOR I medan. Adapun data tersebut

dapat dilihat pada Gambar 3.1 berikut.

Gambar 3.1 Grafik penjualan minyak

3.3 Analisis Masalah

Di dalam melakukan sebuah perencanaan kebutuhan barang atau jasa, umumnya

ditentukan dari data sejarah pembelian atau penjualan dari pelanggan oleh team sales(Chopra

and Meindl, 2004). Kebanyakan pihak produsen atau penyedia barang dan jasa tidak

melakukan evaluasi ulang terhadap apa, berapa dan bagaiman nilai hasil produk barang dan jasa

yang mereka hasilkan. Hal itu tentu menjadi suatu permasalahan yang besar di dalam suatu

sistem yang berjalan yang dapat meyebabkan tingkat ketidakpuasan pelanggan terhadap daya

Tarik suatu sistem di perusahaan itu.

Mengenai perencanaan yang sudah ada sebelumnya, hanya dilakukan perencanaan

kebutuhan barang dan jasa saja, sedangkan metode atau cara untuk memprediksi nilai dan tingkat

kebutuhan barang atau jasa tidak dilakukan. Begitu juga di dalam penyajian data

historical(record) umumnya perusahaan penyedia barang atau jasa menyimpannya di dalam

(3)

Microsoft excel dan Microsoft Word terasa masih cukup kurang untuk melihat nilai dan

tingkat pergerakan kebutuhan barang dan jasa. Aplikasi itu hanya menampilkan data catatan

penjualandan pendistribusian barang dan jasa pada tahun tahun sebelumnya sampai sekarang.

Oleh karena itu sistem aplikasi prediksi tentang kebutuhan barang dan jasa harus dibuat untuk

melihat nilai dan pergerakan kebutuhan konsumen terhadap barang dan jasa di masa sebelumnya

dan masa yang akan datang.

Adapun aplikasi dibuat sedemikian rupa dengan tampilan interface semenarik mungkin.

Aplikasi itu dapat menentukan persamaan model prediksi, melihat track record masa lalu , dapat

menguji model prediksi dan memberikan berapa nilai error hasil prediksi terhadap nilai aktual

yang sudah ada.

3.4 Analisis Sistem

Analisis diperlukan dalam perencanaan pembuatan sistem yang akan dibuat. Pada

penelitian ini, ada dua tahapan dalam menganalisis sistem yaitu tahap preprocessing data dan

tahap Forecasting ARIMA.

Adapun tahapan preprocessing data yaitu:

1. Data Cleaning

Setelah mendapat data dari berbagai sumber, ada baiknya dilakukan proses data cleaning.

Data cleaning dilakukan untuk membersihkan dan memperbaiki kemungkinan ada

nilainya yang kosong, adanya data noise, adanya sejumlah outliers, adanya data yang

tidak konsisten, adanya data yang atributnya tidak jelas dan lain sebagainya. Jika data

cleaning tidak dilakukan maka data kemugkinan akan mermperoleh error yang signifikan,

data terlihat banyak (padahal ada informasi yang berulang didalam), data tidak konsisten

antara satu dengan yang lain.Oleh sebab itu proses data cleaning harus dilakukan sebelum

kegiatan selanjutnya dilakukan.

2. Data Integration

Setelah data cleaning, ada baiknya dilakukan data integration. Tidak baik rasanya jika

kita hanya mendapat satu data saja dari sumber. Proses data integration harus dilakukan

(4)

hubungan antar data antara satu sama lain. Data integration dilakukan dengan cara

menggabungkan data dari banyak atau beberapa database, data cubes atau files.

Dalam menggabungkan data sering terjadi banyak kendala yaitu adanya data yang

berlebihan pada atribut atributnya (redundancy). Untuk mencegah hal itu terjadi

sebaiknya membuat penamaan atribut-atribut data dengan jelas.

3. Data Selection

Dalam memilih dan menentukan data yang akan diambil yang akan digunakan sebagai

proses prediksi harus dilakukan dengan cermat. Tidak mungkin dari sekian banyak data

harus kita ambil dan olah. Hal ini perlu dipertimbangkan untuk menyederhanakan data

dan memperkecil waktu pengolahan database. Data selection dilakukan dengan

mengambil data yang diaangap relavan dengan proses penghitungan prediksi yang akan

kita lakukan. Adapun data relevan itu yakni data itu berhubungan antar satu dengan yang

lain dan memiliki ikatan dan fungsi yang baik.

3.5 Perancangan Sistem

3.5.1 Arsitektur Umum

Menurut (Presman, 2010), arsitektur umum merupakan gambaran sistem yang

mempresentasikan komponen program dan struktur data yang diperlukan dalam membangun

sebuah aplikasi sistem.

Arsitektur umum merupakan kunci penting dalam memikirkan perencanaan

pembangunan suatu sistem yang akan memproyeksikan struktur data dan konsep kesuluruhan isi

program. Arsitektur umum ini diperlukan untuk menggambarkan secara terperinci hubungan

interaksi yang terjadi dalam suatu sistem yang dibangun. Adapun arsitektur umum dalam

(5)

Gamba

r umum adalah sebagai berikut :

a. Data time-series BBM

Data ini adalah data volume penjualan BBM yang didapat dari PT PERTAMINA

UPMS-1 Medan yang telah telah terstruktur dengan baik dan benar.

b. Preprocessing data

Komponen ini melakukan pemprosesan data dengan melakukan

pembersihan,pengecekan, dan memeriksa korelasi hubungan antar data. sehingga

(6)

Komponen ini menjelaskan bagaimana cara pembentukan model metode ARIMA,

bagaimana estimasi parameternya, bagaimana proses untuk menguji model

metode yang sudah didapat, dan bagaimana input masukan sistem prediksiya

serta bagaimana proses pengujian eror terhadap hasil prediksinya.

d. Macro R

Komponen ini menjelaskan pustaka(library) R yang dipakai dalam sistem dengan

menampilkan listing program di dalam interfaceaplikasi yang dibuat.

e. Shiny

Komponen ini menjelaskan shiny sebagai library dalam program R untuk

menampilkan hasil sistem prediksi ke dalam web.

f. Web

Hasil prediksi akan dipublish ke dalam web berbentuk data dashboard.

3.5.2 Tahapan Prediksi BBM dengan ARIMA

Adapun tahapan Prediction ARIMA yaitu:

1. Masukkan hasil preprocessing data penjualan BBM

Data hasil preprocessing data volume penjualan BBM dimasukkan ke dalam

program R sehingga R dapat membaca data penjualan BBM yang ada di dalam

excel.

2. Buat plot distribusi data penjualan BBM.

Data yang telah dimasukkan ke dalam program R dibentuk ke dalam grafik

dengan kode plot pada program R. Ini dilakukan untuk melihat bentuk dan pola

pergerakan kebutuhan BBM di masa lalu.

(7)

Data penjualan BBM sebelumnya adalah jenis multivariate time series yang

mengandung unsur BBM jenis premium, minyak tanah dan solar. Ini harus di

pisahkan masing-masing menjadi satu bagian menjadi data penjualan premium,

data penjualan minyak tanah, data penjualan solar.

4. Plot distribusi data univariate time series

Data penjualan premium, data penjualan minyak tanah, data penjualan solar

dibentuk ke dalam grafik dengan kode plot pada program R. Ini akan

menunjukkan masing masing pergerakan naik turunya tingkat kebutuhan BBM

pada masa lalu.

5. Lakukan proses diffrencing

Dengan melihat masing-masing grafik plot data penjualan, akan tampak jelas

adanya pola trend di dalam grafik. Trend adalah pola naik yang tajam pada data.

Pola trend ini harus dihapus agar data terlihat stabil.

(3.1)

6. Lakukan proses transformasi log

Dengan melihat masing-masing grafik plot data penjualan, akan tampak jelas data

tersebut belum stationer dalam variasi data. Data haruslah dibuat stationer dengan

transformasi log.

(3.2)

7. Lakukan proses gabungan diffrencing dan log

Dengan menggabungkan proses diffrencing dan log, kita dapat

mengkonfirmasikan data time series sudah menjadi stationer baik di

mean(rata-rata), maupun variansi data.

(8)

8. Plot ACF dan PACF untuk menemukan model AR dan MA

Setelah proses diffrencing dan transformasi log, dilakukan plot grafik ACF dan

PACF untuk melihat mengidentifikasi pola dalam data di atas yang stasioner pada

kedua mean dan variansi. Idenya adalah untuk mengidentifikasi adanya komponen

AR dan MA di residual.

9. Pembentukan proses Model ARIMA terbaik

Untuk melakukan pembentukan model ARIMA dapat digunakan standart error

estimate pada persamaan dibawah ini :

�= � ��

S = nilai standart error estimate

T = banyaknya periode prediksi(dugaan).

Jika nilai standart error estimate yang diperoleh makin kecil, maka model dapat

dikatakan baik untuk digunakan. Selain nilai standart error estimate, parameter

yang lain diperlukan dalam proses ARIMA yaitu Mean Absolute Percentage

Error(MAPE).

10. Pengujian Model

Model ARIMA dikatakan baik jika sudah tidak memiliki pola tertentu lagi(

(9)

pengujian model ARIMA dengan melihat nilai koefisian autokorelasi dari error.

Adapun cara pengujian model itu dapat digunakan dengan persamaan berikut :

Uji Q box and Pierce: (3.6)

Menyebar secara x2 dengan derajat bebas (db) = (k-p-q-P-Q) dimana :

n’ = n – (d + SD)

d = ordo pembedaan bukan faktor musiman

D = ordo pembedaan faktor musiman

S = jumlah periode per musim

m = lag waktu musim

rk = autokorelasi untuk time lag 1, 2, 3, 4 , …. , k

Kriteria pengujian :

Jika Q ≤ x2 (a, db), maka nilai error bersifat random(diterima).

Jika Q ≥ x2 (a, db), maka nilai error tidak bersifat random(tidak diterima).

11. Prediksi ARIMA

Andaikan model ARIMA (0, 1, 1) (0, 1, 1)12dipaparkan sebagai berikut :

(1− �)(1− �)12_�

� = (1− Ɵ1�) 1− Ɵ1�12)�� (3.7)

Sebelum melakukan proses penghitungan prediksi rumus diatas harus dijabarkan

menjadi persamaan regresi lebih umum seperti dibawah ini :

(10)

Untuk memprediksikan satu periode ke depan, yaitu Xt + 1 maka persamaannya

adalah :

��+1 =�� +��−11 − ��−12 +��+1 − Ɵ1 �� − Ɵ1��−11 + Ɵ1Ɵ1��−12. (3.9)

Untuk nilai et + 1 tidak akan diketahui, karena nilai yang diharapkan untuk

kesalahan random pada masa yang akan datang harus ditetapkan sama dengan

nol.

Untuk nilai X pada proses awal prediksi, nilai Xt, Xt – 11, Xt – 12 akan diketahui.

Namun sesudah beberapa saat nilai X akan berubah menjadi nilai

prediksi(predictied value), bukan nilai-nilai masa lalu yang diketahui.

12. Plot ACF dan PACF pengujian Residual

Buat plot grafik Autocorrelation Factor dan Partial AutoCorrelation Factor

untuk melihat adanya spike pada lag lag tertentu di dalam data hasil prediksi. Jika

data mengandung spike, maka data harus dihitung ulang karena mengandung

ekstrak informasi yang harus diperhatikan.

Adapun keseluruhan proses prediksi BBM dengan metode ARIMA dapat dilihat pada

(11)

(12)

BAB 4

IMPLEMENTASI DAN PENGUJIAN

4.1 Definisi dan Tujuan Implementasi

4.1.1 Definisi Implementasi

Implementasi merupakan serangkaian prosedur atau tindakan yang harus dilakukan untuk

menyelesaikan proses desain sistem yang ada didalam dokumen rancangan sistem yang telah

disetujui, menguji dan menerapkan sistem yang dirancang, dan memulai menggunakan sistem

yang baru atau sistem yang dikembangkan.

4.1.2 Tujuan Implementasi

Implementasi sistem memiliki beberapa tujuan, diantaranya sebagai berikut :

1. Melakukan uji coba perangkat lunak sistem sebagai penyaji pengelolaan sistem

informasi.

2. Mempertimbangkan bahwa sistem yang dirancang memenuhi permintaan

pemakai (user), yaitu dengan cara menguji sistem secara keseluruhan.

4.1.3 Pemeliharaan Sistem

Berdasarkan hal diatas maka diperlukan adanya pemeliharaan sistem agar dapat berjalan

sebagaimana mestinya.

(13)

1. Mencegah terjadinya kelainan sistem yang dapat mendatangkan masalah-masalah

baru.

2. Menggantikan komponen - komponen sebagai sistem baik sebagian maupun

keseluruhan.

4.2 Implementasi Hardware

Berdasarkan perancangan sistem pada bab 3 di atas, proses prediksi dengan metode

ARIMA akan menggunakan dengan bahasa pemrograman R(R Languange) dan Shiny untuk

membuat graphic user interface(GUI) di web.

Adapun spesifikasi hardware software yang dipakai adalah sebagai berikut:

1. Processor Intel® Core™ i3-2330mCPU @ 2.20 GHz 2.20 GHz.

2. RAM(memori) 4.00 GB.

3. Sistem operasi yang digunakan adalah Windows 7 Ultimate 64bit Service Pack 1.

4. R Languange version 3.3.2(2016-10-31).

5. Shiny.

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

(14)

Berikut merupakan hasil Penjualan Bahan Bakar Minyak (BBM) jenis Minyak

Tanahpada 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 Solarpada 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

(15)

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

(16)

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 DiffrencingPenjualan Bahan Bakar Minyak (BBM) jenis

premiumpada 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

minyak tanahpada 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

(17)

Gambar 4.7 Nilai Diffrencing BBM Jenis Minyak Tanah

4.3.8 Tampilan Nilai Hasil Diffrencing Penjualan BBM Jenis Solar

solarpada 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 DiffrencingPenjualan 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

(18)

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.

(19)

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

(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

(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

(20)

Gambar 4.12 Nilai Log 10 Penjualan BBM Jenis Solar

(21)

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 DiffrencingPenjualan 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 Diffrencingdan log 10 dari volumePenjualan 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

Minyak (BBM) jenis Minyak Tanah pada periode tahun 2011 sampai 2015. Ada baiknya

(22)

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

Minyak (BBM) jenis Solar pada periode tahun 2011 sampai 2015.

Gambar 4.16 Diffrencing dan Log10 dari Penjualan BBM Jenis Solar

(23)

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

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 Diffrencingdan log 10 dari volumePenjualan 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

(24)

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

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.

(25)

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 Diffrencingdan log 10 dari total volumePenjualan

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

(26)

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 Premiumpada 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

(27)

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

(28)

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

(29)

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 Premiumpada 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

(30)

Gambar 4.26Nilai 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

(31)

Gambar 4.27Nilai 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

(32)

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

(33)

Gambar 4.29Nilai 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)

(34)

7 April 2016 136.173,4 kLiter.

8 Mei 2016 141.043,7 kLiter.

9 Juni 2016 138.596,6 kLiter.

10 Juli 2016 153.501,5 kLiter

11 Augustus 2016 147.738,7 kLiter.

12 September 2016 140.426,7 kLiter.

13 October 2016 148.071,6 kLiter.

15 Desember 2016 141.973,3 kLiter.

16 Januari 2017 146.865,6 kLiter.

18 Maret 2017 147.042,7 kLiter.

19 April 2017 140.216,5 kLiter.

20 Mei 2017 145.352,0 kLiter.

21 Juni 2017 142.946,4 kLiter.

22 Juli 2017 158.445,3 kLiter.

23 Augustus 2017 152.616,1 kLiter.

25 October 2017 152.947,5 kLiter.

… … …

96 Januari 2024 209.236,7 kLiter.

98 Maret 2024 210.827,4 kLiter.

99 April 2024 201.686,1 kLiter.

100 Mei 2024 209.746,8 kLiter.

101 Juni 2024 206.940,5 kLiter.

102 Juli 2024 230.118,3 kLiter.

103 Agustus 2024 222.367,2 kLiter.

Tabel 4.1 Rangkuman data hasil prediksi premium (lanjutan)

(35)

105 Oktober 2024 223.528,8 kLiter.

109 Januari 2025 223.990 kLiter.

111 Maret 2025 225835.7 kLiter.

112 April 2025 216112.5 kLiter.

113 Mei 2025 224821.7 kLiter.

114 Juni 2025 221885.8 kLiter.

115 Juli 2025 246817.8 kLiter.

116 Agustus 2025 238582.1 kLiter.

117 September 2025 227754.0 kLiter.

Pada tabel 4.1 dapat dilihat nilai hasil prediksi BBM jenis premium. Pada bulan Oktober

2015 nilai prediksi kebutuhan premium adalah sebesar 144.578,6 kLiter. Sementara pada

bulan September 2025 nilai prediksi kebutuhan premium adalah sebesar 227.754 kLiter.

4.4.2 Tampilan Nilai Hasil Prediksi Kebutuhan BBM Jenis Minyak Tanah

Berikut merupakan hasil akhir prediksi kebutuhan BBM jenis minyak tanah pada

PT.PERTAMINA UPMS-1 Medan.

Tabel 4.2 Rangkuman data hasil prediksi minyak tanah No. Periode Hasil Prediksi Minyak Tanah

1 October 2015 1120.863 kLiter.

2 November 2015 1227.865 kLiter.

3 Desember 2015 1350.620 kLiter.

5 Februari 2016 1598.796 kLiter.

Tabel 4.2 Rangkuman data hasil prediksi minyak tanah(lanjutan) No. Periode Hasil Prediksi Minyak Tanah

(36)

7 April 2016 1847.528 kLiter.

8 Mei 2016 1970.909 kLiter.

9 Juni 2016 2093.625 kLiter.

10 Juli 2016 2215.790 kLiter

11 Augustus 2016 2337.584 kLiter.

12 September 2016 2459.195kLiter.

18 Maret 2017 3194.529 kLiter.

19 April 2017 3319.323 kLiter.

20 Mei 2017 3445.042 kLiter.

21 Juni 2017 3571.771 kLiter.

22 Juli 2017 3699.583 kLiter.

25 October 2017 4090.162kLiter.

… … …

96 Januari 2024 19662.045 kLiter.

98 Maret 2024 20277.385 kLiter.

99 April 2024 20589.846 kLiter.

100 Mei 2024 20905.533 kLiter.

101 Juni 2024 21224.471 kLiter.

102 Juli 2024 21546.686 kLiter.

Tabel 4.2 Rangkuman data hasil prediksi minyak tanah(lanjutan) No. Periode Hasil Prediksi Minyak Tanah

(37)

104 September 2024 22201.047 kLiter.

105 Oktober 2024 22533.244 kLiter.

106 November 2024 22868.818 kLiter.

107 Desember 2024 23207.797 kLiter.

109 Januari 2025 23550.205 kLiter.

110 Februari 2025 23896.069 kLiter.

111 Maret 2025 24245.416 kLiter.

112 April 2025 24598.270 kLiter.

113 Mei 2025 24954.659 kLiter.

114 Juni 2025 25314.610 kLiter.

115 Juli 2025 25678.149 kLiter.

116 Agustus 2025 26045.302kLiter.

117 September 2025 26416.098 kLiter.

2015 nilai prediksi kebutuhan premium adalah sebesar 1120,863 kLiter. Sementara pada

bulan September 2025 nilai prediksi kebutuhan minyak tanah adalah sebesar 26.416,098

kLiter.

4.4.3 Tampilan Nilai Hasil Prediksi Kebutuhan BBM Jenis Solar

Berikut merupakan hasil Grafik pengujian interface prediksi kebutuhan BBM jenis solar

pada PT.PERTAMINA UPMS-1 Medan.

Tabel 4.3 Rangkuman data hasil prediksi solar

No. Periode Hasil Prediksi Solar

1 Oktober 2015 85710.32 kLiter.

Tabel 4.3 Rangkuman data hasil prediksi solar(lanjutan)

No. Periode Hasil Prediksi Solar

(38)

6 Maret 2016 83063.44 kLiter.

7 April 2016 82118.65 kLiter.

8 Mei 2016 83799.61 kLiter.

9 Juni 2016 84328.46 kLiter.

10 Juli 2016 83413.33 kLiter

18 Maret 2017 86773.38 kLiter.

19 April 2017 86744.24 kLiter.

20 Mei 2017 87626.04 kLiter.

21 Juni 2017 88100.48 kLiter.

22 Juli 2017 88066.68 kLiter.

… … …

96 Januari 2024 113109.46 kLiter.

98 Maret 2024 113640.79 kLiter.

99 April 2024 113904.88 kLiter.

100 Mei 2024 114168.74 kLiter.

101 Juni 2024 114431.59 kLiter.

Tabel 4.3 Rangkuman data hasil prediksi solar(lanjutan)

No. Periode Hasil Prediksi Solar

(39)

103 Agustus 2024 114955.18 kLiter.

104 September 2024 115215.47 kLiter.

105 Oktober 2024 115475.46 kLiter.

106 November 2024 115734.63 kLiter.

107 Desember 2024 115992.80kLiter.

109 Januari 2025 116250.56 kLiter.

110 Februari 2025 116507.60 kLiter.

111 Maret 2025 116764.26 kLiter.

112 April 2025 117020.00 kLiter.

113 Mei 2025 117275.29 kLiter.

114 Juni 2025 117529.87 kLiter.

115 Juli 2025 117783.73 kLiter.

116 Agustus 2025 118037.23 kLiter.

117 September 2025 118289.86 kLiter.

2015 nilai prediksi kebutuhan solar adalah sebesar 85.710,32 kLiter. Sementara pada

bulan September 2025 nilai prediksi kebutuhan solar adalah sebesar 118.289,86 kLiter.

4.4.4 Grafik Hasil Akhir Prediksi Kebutuhan BBM Jenis Premium

Berikut merupakan grafik hasil akhir prediksi kebutuhan BBM Jenis Premium pada

PT.PERTAMINA UPMS-1 Medan. Setelah didapat nilai nilai hasil prediksi kebutuhan

BBM jenis premium, maka dibuatlah plot grafiknya untuk melihat bagaimana pergerakan

(40)

Gambar4.30 Grafik Hasil Prediksil Kebutuhan BBM Jenis Premium

4.4.5 Grafik Hasil Akhir Prediksi Kebutuhan BBM Jenis Minyak Tanah

Berikut merupakan grafik hasil akhir prediksi kebutuhan BBM Jenis Minyak Tanah pada

PT.PERTAMINA UPMS-1 Medan. Setelah didapat nilai nilai hasil prediksi kebutuhan

BBM jenis minyak tanah, maka dibuatlah plot grafiknya untuk melihat bagaimana

pergerakan nilai hasil prediksi setiap periode.

(41)

4.4.6 Grafik Hasil Akhir Prediksi Kebutuhan BBM Jenis Solar

Berikut merupakan hasil Grafik pengujian interface prediksi kebutuhan BBM jenis Solar

pada PT.PERTAMINA UPMS-1 Medan.Setelah didapat nilai nilai hasil prediksi

kebutuhan BBM jenis minyak tanah, maka dibuatlah plot grafiknya untuk melihat

bagaimana pergerakan nilai hasil prediksi setiap periode.

Gambar4.32 Grafik Hasil Akhir Prediksi Kebutuhan BBM Jenis Solar

4.5 Pengujian Residual

4.5.1 Pengujian Residual ACF dan PACF Model Premium

Berikut merupakan pengujian residual Bahan Bakar Minyak (BBM) Jenis Premium pada

PT PERTAMINA UPMS-1 Medan. Setelah hasil prediksi dan plot grafik sudah didapat,

maka ada baiknya 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. Sementara pada

grafik PACfnya Premium tidak ada spike di lag manapun. Adanya 1 spike di plot

ACF-nya premium bisa diabaikan karena haACF-nya ada 1 buah yang berarti residual bersifat

(42)

Gambar 4.33Pengujian Residual ACF dan PACF Model Premium

4.5.2 Pengujian Residual AFC dan PACF Model MinyakTanah

Berikut merupakan pengujian residual Bahan Bakar Minyak (BBM) Jenis Minyak Tanah

pada PT PERTAMINA UPMS-1 Medan. Setelah hasil prediksi dan plot grafik sudah

didapat, maka ada baiknya 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 8. Sementara pada grafik PACfnya Minyak tanah tidak ada spike di lag manapun.

Adanya 1 spike di plot ACF-nya premium bisa diabaikan karena hanya ada 1 buah yang

(43)

Gambar 4.34Pengujian Residual ACF dan PACF Model Minyak Tanah

4.5.3 Pengujian Residual AFC dan PACF Model Solar

Berikut merupakan pengujian residual Bahan Bakar Minyak (BBM) Solar pada PT

PERTAMINA UPMS-1 medan.

(44)

Setelah hasil prediksi dan plot grafik sudah didapat, maka ada baiknya 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 8. Sementara pada grafik PACfnya Minyak tanah

tidak ada spike di lag manapun. Adanya 1 spike di plot ACF-nya premium bisa diabaikan

karena hanya ada 1 buah yang berarti residual bersifat random.

4.6 Pengujian Error

4.6.1 Pengujian Hasil Prediksi Premium

Berdasarkan nilai aktual dan nilai hasil prediksi kebutuhan BBM jenis premium

yang diperoleh, maka dilakukan lah perbandingan nilai error antara data hasil prediksi

dengan data aktualnya.

Tabel 4.4 Rangkuman nilai error prediksi premium

Periode Nilai Error MAPE MAE

Oktober 2015 -5466,8 0.1876409 0,009625387 November

2015

-5355,3 0.1876409 0,009625387

Desember 2015

-5794.2 0.1876409 0,009625387

…

Juli 2025 -109.072,8 0.1876409 0,009625387 Agustus 2025 -106.212,4 0.1876409 0,009625387 September

2025

-102.124,1 0.1876409 0,009625387

Pada tabel 4.4 dapat dilihat nilai Mean Absolute Percentage Error(MAPE) dan Mean

(45)

0,009625387. Sementara nilai error pada periode oktober 2015 sebesar -5466,8 dan pada

September 2025 sebesar -102.124,1.

4.6.2 Pengujian Hasil Prediksi Minyak Tanah

Berdasarkan nilai aktual dan nilai hasil prediksi kebutuhan BBM jenis premium

yang diperoleh, maka dilakukan lah perbandingan nilai error antara data hasil prediksi

dengan data aktualnya. Pada tabel 4.4 dapat dilihat nilai Mean Absolute Percentage

Error(MAPE) dan Mean Absolute Error(MAE) data hasil prediksi premium adalah

sebesar 1,13825 dan 0,03665813. Sementara nilai error pada periode oktober 2015

sebesar -154,4 dan pada September 2025 sebesar -25.082,58..

Tabel 4.5 Rangkuman nilai error prediksi minyak tanah

Oktober 2015 -154,4 1,13825 0,03665813 November

2015

-262,3797 1,13825 0,03665813

Desember 2015

-386,2445 1,13825 0,03665813

…

Juli 2025 -24.715,43 1,13825 0,03665813 Agustus 2025 -106.212,4 1,13825 0,03665813 September

2025

-25.082,58 1,13825 0,03665813

4.6.3 Pengujian Hasil Prediksi Solar

Berdasarkan nilai aktual dan nilai hasil prediksi kebutuhan BBM jenis premium yang

diperoleh, maka dilakukan lah perbandingan nilai error antara data hasil prediksi dengan

(46)

Tabel 4.6 Rangkuman nilai error prediksi solar

Oktober 2015 -5.188,47 0,3946904 0,01950785 November

2015

-5.755,57 0,3946904 0,01950785

Desember 2015

-5.942,9 0,3946904 0,01950785

… … … …

Juli 2025 -44.364,43 0,3946904 0,01950785 Agustus 2025 -44.617,83 0.3946904 0,01950785 September

2025

-44.870.53 0.3946904 0,01950785

Pada tabel 4.6 dapat dilihat nilai Mean Absolute Percentage Error(MAPE) dan Mean

Absolute Error(MAE) data hasil prediksi solar adalah sebesar 0,3946904 dan

0,01950785. Sementara nilai error pada periode oktober 2015 sebesar -5188,47 dan pada

(47)

BAB 5

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil yang diperoleh dari peneitian mengenai Prediksi Kebutuhan BBM

dengan menggunakan metode ARIMA di PT PERTAMINA UPMS-1 Medan dalam melakukan

prediksi kebutuhan Bahan Bakar Minyak (BBM) pada Tahun yang akan datang.

1. Berdasarkan analisis dengan metode ARIMA untuk kebutuhan BBM jenis Premium di

PT PERTAMINA (PERSERO)UPMS-1 Medan, maka diperoleh model prediksi ARIMA

terbaik adalah ARIMA(0,1,1) dengan nilai standard error(SE) terkecil yaitu 0,10106 dan

nilai AICc terkecil sebesar 229.01.

2. Berdasarkan analisis dengan metode ARIMA untuk kebutuhan BBM jenis Minyak

Tanah di PT PERTAMINA (PERSERO)UPMS-1 Medan, maka diperoleh model prediksi

ARIMA terbaik adalah ARIMA(2,1,0) dengan nilai standard error(SE) terkecil yaitu

0,1283 dan nilai AICc terkecil sebesar -143,63.

3. Berdasarkan analisis dengan metode ARIMA untuk kebutuhan BBM jenis Solar di PT

PERTAMINA (PERSERO)UPMS-1 Medan, maka diperoleh model prediksi ARIMA

terbaik adalah ARIMA(0,1,1) dengan nilai standard error(SE) terkecil yaitu 0,1109 dan

nilai AICc terkecil sebesar -239,02..

4. Dengan menggunakan metode ARIMA pengujian Residual ACF dan PACF jika terjadi

adanya spikelebih dari satu, disimpulkan bahwa data masih mengandung unsur informasi

(48)

5.2 Saran

Prediksi Kebutuhan BBM dengan menggunakan Metode ARIMA yang telah penulis buat

ini terbuka untuk dapat dikembangkan lagi oleh peneliti lain pada tahap penelitian selanjutnya.

Terdapat beberapa saran bagi peneliti selanjutnya berkaitan dengan pengembangan Prediksi

Kebutuhan BBM dengan menggunakan Metode ARIMAantara lain sebagai berikut:

1. Prediksi Kebutuhan BBM dengan menggunakan Metode ARIMA yang penulis buat

masih menggunakan satu metode, untuk pengembangan selanjutnya diharapkan agar

menggabungkan dengan Dua (2) medote, seperti metode GARCH.

2. Untukmendapatkanmodelyangmungkindapatmenjelaskan

datadenganlebihbaik,perludilakukan penelitianlebihlanjutterhadapmodel-model

lainnyasepertimodelARIMA dengankomponenmusiman (SeasonalARIMA)dan

modelARCH/GARCHlainnya.

3. ModelARIMAtelahdikenalsebagaimodelyangbertujuan untukmelakukan

prediksijangkapendek,sehinggadisarankan tidak melakukan proses prediksi jangka