BAB 2
LANDASAN TEORI
2.1 Bahan Bakar Minyak
Bahan bakar cair atau bahan bakar minyak(BBM) sering disebut emas hitam. Ini
dikarenakan BBM merupakan sumber energi berupa senyawa kimia cair(minyak) yang pekat
dan kentaldimana strukturnya tidak rapat dan ikatan molekul kimianya dapat bergerak bebas.
Adapun beberapa contoh nya yaitu, premium, solar, minyak tanah, avtur, dan lain sebagainya.
Di dalam kehidupan sehari-hari bahan bakar minyak sudah termasuk kebutuhan primer
masyarkat. Hal itu dapat dilihat dari perlunya bahan bakar minyak sebagai bahan bakar
kendaraan bermotor, baik kendaraan pribadi maupun kendaraan umum. Hampir semua
masyarakat menggunakan kendaraan bermotor untuk melakukan mobilitas (perpindahan) dalam
melakukan aktifitas rutin dan pekerjaan mereka.
Di dalam Industri Perekonomian, sektor bahan bakar minyak juga memegang peranan
penting memajukan perekonomian Indonesia dibidang ekspor maupun impor. Saat ini Indonesia
memiliki kapasitas penyulingan minyak yang cenderung sedikit, yang mengindikasikan
keterbatasan perkembangan bahan bakar minyak. Penurunan potensi produksi kebutuhan minyak
menyebabkan Indonesia saat ini masih melakukan impor ke luar negeri untuk memenuhi
kebutuhan bahan bakar minyak.
2.2 Premium
Premium asal mulanya adalah naphtha (salah satu Produk destilasi minyak bumi) + TEL
(sejenis aditif penaik oktan) agar didapat RON 88. Namun isu lingkungan sejak era tahun 2006,
sehat) di hentikan penggunaannya. Oleh karena itu TEL diganti HOMC (High Mogas
Component untuk menaikkankan Oktane ke 88). HOMC merupakan produk naphtha (komponen
minyak bumi) yang memiliki struktur kimia bercabang dan ring (lingkar) berangka oktan tinggi
(daya bakar lebih sempurna dan instant cepat), nilai oktan diatas 92, bahkan ada yang 95, sampai
98 lebih. Kebanyakan merupakan hasil olah lanjut Naphtha jadi ber-angka oktane tinggi atau
hasil perengkahan minyak berat menjadi HOMC.
2.3 Minyak Tanah
Minyak tanah atau yang sering disebut kerosene adalah cairan hidrokarbon yang tak
berwarna dan bersifat mudah terbakar. Adapun pembentukan minyak tanah melalui proses
distalasi frakstionalisasi dari gas petroleum pada suhu 150 derajat celcius dan 250 derajat
celcius. Minyak tanah berbentuk senyawa dengan rantai karbon C-12 dan C-15.
Di dalam kehidupan sehari-hari penggunaan minyak tanah sudah mulai terasa berkurang
mengingat kalangan masyarkat sudah banyak yang menggunakan gas sebagai bahan bakar untuk
kompor masak. Meskipun begitu masih ada segelintir orang yang masih menggunakan minyak
sebagai bahan bakar kompor demi alasan keamanan. Adapun produksi minyak tanah yang
dilakukan oleh PT PERTAMINA(PERSERO) UPMS-1 Medan juga berkurang dikarenakan
pergerakan penjualan untuk konsumsi minyak tanah sudah semakin berkurang.
2.4 Solar
Solar merupakan bahan bakar diesel yang mengalami proses destilasi dari minyak mentah
yang fraksi fraksinya dipisahkan dan dididihkan di suhu 250 derajat celcius sampai 300 derajat
celcius. Solar memiliki karakteristik sebagai berikut :
a. Tidak berwarna dan berbau
b. Tidak menguap pada temperature normal.
c. Terbakar spontan pada suhu 300 derajat celcius.
d. Memiliki nilai kalor(panas) 10.500 kcal/kg
Adapun proses produksi solar oleh pihak PT PERTAMINA(PERSERO) UPMS-1 Medan
masih cukup besar mengingat melihat pergerakan nilai konsumsi BBM jenis solar masih cukup
membuat sebagian kalangan masyarkat masih banyak berburu solar sebagai bahan bakar
kendaraan diesel meskipun sisa-sisa pembuangan solar tidak ramah lingkungan.
2.5 Kebutuhan(demands)
Kebutuhan merupakan suatu refleksi dari permasalahan atau aktivitas baik pribadi,
kelompok maupun bisnis yang harus dipaparkan untuk menentukan proses kegiatan produksi
sistem, pengembangan sistem, pemeliharaan sistem, pengelolaan sistem dan lain sebagainya.
Kebutuhan haruslah dapat dikelola mana yang menjadi prioritas utama dan mana yang
merupakan prioritas tambahan(optional).
Di dalam pembangunan sistem aplikasi bidang komputer, kebutuhan haruslah dianalisis
secara teliti sebelum memulai proses. Sebagai contoh untuk membangun aplikasi video
streaming berbasis web seperti youtube ,Perangkat keras(hardware) dan perangkat
lunak(software)haruslah diperhatikan. Kita harus dapat menaksir berapa banyak komputer/super
komputer yang diperlukan agar client dapat mengakses database dengan cepat. Begitu juga
dengan software harus diperhatikan bahasa pemrograman mana yang lebih tepat dan fleksibel
dirasa untuk membuat website.
Sebagai contoh gambaran kebutuhan apa saja yang harus disediakan dalam membangun
sebuah warnet. Dengan membuat daftar perencanaan kebutuhan, kita tinggal mencari apa
provider internet, bagaimana modem,switch,hub , topologi jaringan, printer, kabel lan utp,RJ45,
spesifikasi komputer client dan server, pengaturan bandwith(bandwith limiter), software
pengaturan billing internet dan lain sebagainya. Dengan mengetahui tingkat kebutuhan(
system-requirement), pembangunan dan pemeliharaan sistem akan lebih menjadi cepat terlaksanakan.
Begitu juga dengan sistem prediksi kebutuhan BBM memerlukan analisis kebutuhan apa
saja yang diperlukan, bahasa pemrograman apa yang dipakai, pelunya pembuatan database atau
tidak , dan lain sebagainya.
2.6 Prediksi (Prediction)
Prediksi merupakan suatu teknik untuk memprediksi kejadian di masa depan (Heizer &
Hender, 2005). Dalam melakukan suatu kegiatan prediksi diperlukan kegiatan pengambilan data
dalam bentuk yang terstruktur dan matematis. Proses prediksi dapat dimulai dari asumsi tertentu
berdasarkan pengalaman, pengetahuan, dan penilaian terhadap suatu yang akan diprediksi.
Prediksi diproyeksikan ke dalam suatu periode waktu (baik hari, bulan, tahun).
Prediksi juga didefenisikan penggunaan data untuk menguraikan kejadian yang akan
datang di dalam menentukan sasaran yang akan dikehendaki(Tampubolon, 2004). Sedangkan
menurut (Heryanto, 2004) pendefenisian prediksi yaitu proses suatu variable(kejadian) di masa
datang dengan variabel data yang bersangkutan pada masa sebelumnya. Sementara menurut
(Nasution, 2006) prediksi diartikan sebagai proses memperkirakan berapa kebutuhan di masa
datang yang meliputi kebutuhan dalam urusan kuantitas, kualitas, waktu, dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang dan jasa.
Sistem prediksi pada umumnya memiliki langkah langkah dalam melakukan proses
penghitungan yaitu :
a. Penentuan tujuan
Tahapan pertama yang terdiri dari penentuan macam estimasi parameter yang
diinginkan sesuai dengan kebutuhan akan objek yang diprediksi
b. Pengembangan model
Mengembangkan model dengan memakasi estimasi parameter yang sudah ditentukan
dan menyajikan data secara lebih sederhana untuk kemudahan dalam penginputan
data hasil prediksi di masa datang.
c. Pengujian model
Sebelum model diimplementasikan, umumnya dilakukan pengujian terhadap tingkat
akurasi, validasi, realibilitas yang diharapkan. Model harus disesuaikan dengan data
time-series sekarang dan masa sebelumnya.
d. Penerapan model
Setelah proses pengujian model diterapkan untuk dimasukkan ke dalam sistem
prediksi.
e. Revisi dan evaluasi
Sistem prediksi yang baik seharusnya melakukan evaluasi terhadap kegiatan proses
prediksi sehingga dapat memperbaiki dan mengembangkan suatu sistem agar lebih
bagus.
Dalam melakukan prediksi, haruslah diperhatikan apa-apa saja yang dilakukan dalam
jumlah produk, ketepatan, horizon waktu, biaya, dan tingkat perincian. Hal hal lain yang perlu
diperhatikan darimana asal muasal sumber data diperoleh. Adapun sumber data dapat dicari
melalui survey ke konsumen, riset pasar, catatan atau pendapat distributor , historical data
penjualan perusahaan atau organisasi bersangkutan dan lain sebagainya. Dengan
mempertimbangkan hal hal itu, maka proses sistem prediksi akan berjalan lebih baik dan optimal
sesuai dengan yang diharapkan.
2.7 Time Series
Time series adalah rangkaian data yang diperoleh dari suatu obeservasi atau kegiatan
yang dilakukan pada interval suatu periode waktu ke waktu dan dicatat secara berurutan menurut
urutan waktu kejadian interval waktu yang tetap(Wei, 2006: 1).
MenurutHendikawati (2014: 8),timeseriesmerupakan salah satu
prosedurstatistikayangditerapkan untukmemprediksikanstrukturprobabilistik keadaanyang
terjadidimasayangakan datangdalam rangkapengambilan
keputusanuntuksebuahperencanaantertentu.
Adapun kegunaan data time series untuk proses prediksi(prediction), melihat statistik
data perusahaan/instansi, membandingkan suatu kejadian (keadaan) yang dilakukan antar pribadi
maupun kelompok (perusaahan). Beberapa faktor yang mempengaruhi data time series
diantaranya yakni,
a. Komponen trend menunjukkan perubahan jangka panjang dalam data.
Gambar 2.1 Pola yang menunjukkan adanya tren.
b. Komponen siklis menunjukkan perubahan data yang tidak tetap dalam periode
Gambar 2.2 Pola yang menunjukkan adanya siklis.
c. Komponen musiman menunjukkan perubahan dalam data yang tergantung pada cuaca
atau waktu tahun.
Gambar 2.3 Pola yang menunjukkan adanya musiman.
d. Komponen random merupakan perubahan data akibat kejadian tak terduga misalnya
bencana alam, perang dan lain sebagainya
Sistem prediksi dengantime series mempunyai ciri interval waktu antar indeks waktu t dapat
dinyatakan dalam satuan waktu yang sama (identik). Jarak waktu kali (lag k) memisahkan
ketergantungan waktu antara pengamatan Ztdengan Zt-k. Salah satu tujuan yang paling penting
dalam time series yaitu memperkirakan nilai masa depan. Bahkan tujuan akhir dari pemodelan
time series adalah untuk mengontrol sistem operasi biasanya didasarkan pada prediksi. Istilah
prediksi lebih sering digunakan dalam literatur time series daripada prediksi jangka panjang
(Wei, 2006: 88).
Di dalam melakukan proses prediksi time series ada beberapa hal yang harus
diperhatikan yaitu(Hendikawati, 2014: 9).
1. Stokhastik
Sebuah proses stokastik adalah kumpulan parameter dari variabel acak
didefinisikan pada ruang probabilitas (Ω, F, P) (Ω, F, P) dan nilai-nilai asumsi di Rndimana parameter T adalah [0, ∞], tetapi bisa juga menjadi interval [a, b] bilangan
bulat negatif dan bahkan bagian dari Rn dimana n >= 1. Proses ini sering dijumpai model
keuangan, industri, perdagangan, perniagaan, dan lain sebagainya.
2. Stationeritas
Dalam melakukan proses prediksi kestationeran data sangat perlu diperhatikan.
Kestationeran dapat diamati dengan ada tidaknya perubahan dalam rata-rata(mean) dan
variansi data.
3. Diffrencing data
Jika suatu data belum bersifat stationer, pada rata rata (mean) maka dilakukanlah proses
diffrencing. Diffrencing dilakukan dengan melakukan pengurangan terhadap pengamatan
data pada waktu(t) Zt dengan pengamatan awal Zt-1
∆�� = �� − ��−1 (2.2)
∆2�
� = �� − ��−1+ ��−2 (2.3)
Dimana,
∆�� = proses diffrencing 1 kali
∆2�
� = proses diffrencing 2 kali
�� = pengamatan saat waktu t
Gambar 2.4 Grafik perbandingan data stationer dengan non-stasioner.
4. Cox Box Transformation
Jika data tidak stationer pada varian, proses cox box transformation boleh dilakukan
�� (�)
= ��
(�)−
1
� , -1 <λ< 1 (2.4)
Dimana:
Zt = data pada waktu t
λ = nilai parameter transformasi
Nilai λ yang sering digunakan dapat dilihat pada tabel 2.1 berikut ini.
5. Auto Correlation Factor
Di dalam melakukan pencarian model time series data,auto correlation
factor(ACF)memiliki peranan yang sangat penting. ACf berfungsi menunjukkan besarnya
korelasi antara pengamatan awal dengan pengamatan pada waktu t. (Wei, 2006:20).
(2.5)
6. Partial Auto Correlation Factor
Partial Auto Correlation Factor(PACF) berfungsi sebagai penunjuk yang menandakan
besarnya korelasi parsial antara pengamatan awal dengan pengamatan pada waktu t.
7. White Noise
White Noise haruslah sudah tidak memiliki hubungan korelasi lagi dari distribusi
rata-rata dengan variansi data konstan. Jika tidak, maka ada beberapa informasi yang
terkandung di dalamnya yang harus digunakan sebagai proses prediksi.(Wei, 2006:22).
2.7.1 Autoregressive Integrated Moving Average
Prediksi sudah banyak dilakukan oleh para ahli dari tahun ke tahun. Situasi dan kondisi
juga sangat bervarisasi dalam mempengaruhi faktor proses prediksi. Hal ini jelas akan
berdampak pada hasil akhir proses prediksi. Banyak metode teknik prediksi yang telah dilakukan
untuk menjawab permasalahan tersebut salah satunya yakni prediksi kuantitatif dan prediksi
kualitatif(Heizer & Render, 2005).
1. Prediksi Kualitatif
Prediksi ini mengkolaborasi faktor pengalaman, intuisi, emosi yang bersifat subjektif.
Adapun cara yang dilakukan untuk mencari sumbernya yaitu dengan melakukan survey,
kuisoner kepada masyarakat.
2. Prediksi Kuantitatif
Prediksi ini berdasarkan pada model matematis pada variable time series dan variable
sebab akibat (causal method).
Salah satu Predisi kuantitatif yang menggunakan time series adalah Autoregressive
Integrated Moving Average(ARIMA).
ARIMA memiliki model dalam melakukan proses prediksi yaitu
1. Model Autoregressive
Model AR(1)
��� =∅1��−1+ ��(2.7)
Model AR (2)
�� =∅1��−1+ ∅2��−2+ �� (2.8)
Model AR(p)
�1− ∅1��−1− ∅2��−2− ⋯ − ∅���−���� = ��
1− ∅�� − ∅��2− ⋯ − ∅���)�� = ��
∅�(�)�� = �� (2.9)
Dimana,
∅� = parameter autoregressive
�� = nilai kesalahan pada saat t
�� = nilai pada periode ke-t
��−� = nilai pada periode ke t- p
2. Model Moving Average (MA)
Model MA (1)
�� = �� − �1��−1 (2.10)
Model MA (2)
�� = �� − �1��−1− �2��−2 (2.11)
Model MA (q)
�� = ��− �1��−1− �2��−2− ⋯ − ����−�
�� = ��(�)�� (2.12)
Dimana
�� = parameter moving average
�� = error random ke-t
��−� = error random ke t - q
3. Model Autoregressive Integrated Moving Average(ARIMA)
�� = (1− ∅1)��−1+ ∅1��−2+ ��− �1��−1− �2��−2 (2.13)
(Wei, 2006: 71).
Dalam mengindentifikasi model dilakukan dengan fungsi Autocorrelation Factor(ACF)
dan fungsi Partial AutoCorrelation Factor(PACF).
1. Autocorrelation Factor Model Moving Average
�� = ���� = �−��
+ �1��+1+⋯+ ��−������2
�1+ �12+⋯+ ��2���2 (2.14)
K = 1, 2, 3, …, q
2. Autocorrelation Factor Model Moving Average
MA (1)
(2.15)
MA (2)
(2.16)
MA (q)
(2.17)
3. Partial Autocorrelation Factor Model AR
AR (2)
(2.18)
AR (p)
(2.19)
4. Partial Autocorrelation Factor Model MA
MA (1)
MA (2)
(2.21)
MA (q)
(2.22)
2.7.3 Mengidentifikasi Model ARIMA Terbaik
Langkah-langkah yang dilakukan yaitu:
1. Menguji kevalidasian parameter
Adapun parameter AR(p), MA(q), diffrencing(d) haruslah benar benar valid.
(2.23)
Φ1 = 0 parameter valid
Φ1≠ 0 parameter tidak valid
2. Estimasi nilai a2
Nilai a2 dapat dihitung dengan menggunakan persamaan berikut:
(2.24)
Model ARIMA terbaik dilakukan dengan mencari nilai a2 terkecil.
3. Estimasi Nilai log likelihood
Dimana:
k: banyaknya parameter dalam model.
Model ARIMA terbaik dilakukan dengan mencari nilai a2 terbesar.
4. Estimasi Nilai AIC (Aikake’s Information Criterion)
(2.26)
Dimana:
k: banyaknya parameter dalam model.
n: banyaknya data(pengamatan).
2.8 Penelitian Terdahulu
Adapun penelitian terdahulu dapat dilihat pada tabel 2.3 berikut.
Tabel 2.2 Daftar penelitian terdahulu sebagai referensi dalam penelitian.
No Judul Peneliti Hasil
dengan ANFIS Algorithm dengan
membersihkan dan mengintegrasikan
data untuk menghapus data yang tidak
sesuai sehingga data yang diperoleh
valid.
Tabel 2.2 Daftar penelitian terdahulu sebagai referensi dalam penelitian(lanjutan)
2. Predicting Student
memprediksi nilai hasil ujian akhir
sebelum nilai hasil ujian dikeluarkan
oleh pemeriksa ujian.
menentukan model yang paling baik
digunakan untuk teknik peramalan
antara metode Multiplicative Seasonal
Mode dan Additive Seasonal Mode
4. Time Series
Forecasting using a
Hybrid ARIMA and
neural Network
Model
G. Peter Zhang membuat keakuratan data lebih tepat
dan untuk memudahkan penentuan
model selection sesuai pola data yang