Analisis Peramalan Penyaluran Biosolar Menggunakan Metode ARIMA dan Regresi Time Series

(1)

LAPORAN KERJA PRAKTIK

ANALISIS PERAMALAN PENYALURAN BIOSOLAR DI PT.

PERTAMINA HULU ROKAN ZONA 4 PRABUMULIH FIELD DAN PENDOPO FIELD MENGGUNAKAN METODE ARIMA DAN REGRESI

TIME SERIES

Oleh:

CHINDY PUTRI ARMY (08011282025058) VERTI MONA DESPALIA (08011182025018)

VIVI CLARA DITA (08011382025116)

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SRIWIJAYA

2023

(2)

i

HALAMAN PENGESAHAN

ANALISIS PERAMALAN PENYALURAN BIOSOLAR DI PT.

PERTAMINA HULU ROKAN ZONA 4 PRABUMULIH FIELD DAN PENDOPO FIELD MENGGUNAKAN METODE ARIMA DAN REGRESI

TIME SERIES

LAPORAN KERJA PRAKTIK

Diajukan Untuk Memenuhi Mata Kuliah Praktek Kerja Lapangan Jurusan Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya

OLEH :

CHINDY PUTRI ARMY (08011282025058) VERTI MONA DESPALIA (08011182025018)

VIVI CLARA DITA (08011382025116)

I

Ketua Jurusan Matematika,

Drs. Sugandi Yahdin, M.M.

NIP. 195807271986031003

Indralaya, 17 Agustus 2023 Dosen Pembimbing KKL

Drs. Robinson Sitepu, M.Si NIP. 195812011985031002

(3)

ii

KATA PENGANTAR

Bismillahirrahmannirrahim.

Assalamu’alaikum Warahmatullahi Wabarakatuh.

Segala puji dan syukur atas kehadirat Allah SWT, karena berkat Rahmat dan Karunia-Nya lah sehingga penulis dapat menyelesaikan laporan kerja praktik dengan judul “Analisis Peramalan Penyaluran Biosolar di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field Menggunakan Metode Arima dan Regresi Time Series”.

Laporan ini merupakan salah satu syarat untuk memenuhi sebagian kurikulum dan syarat kelulusan mata kuliah praktik kerja lapangan pada Jurusan Matematika, Universitas Sriwijaya. Selesainya penulisan laporan kerja praktik ini tidak terlepas dari peran serta semua pihak. Oleh karena itu, pada kesempatan ini penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:

1.Allah Subhanahu Wata’ala yang telah memberikan berkah serta nikmat kesehatan dan kesempatan kepada penulis dalam melaksanakan kerja praktik.

2.Kedua Orang Tua, Keluarga dan Teman-teman yang selalu mendoakan serta memberikan motivasi dan semangat.

3.Bapak Prof. Hermansyah, S.Si., M.Si., Ph.D. selaku Dekan Fakultas Ilmu Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya.

4.Ketua Jurusan Matematika Fakultas Ilmu Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya.

5.Bapak Drs. Robinson Sitepu, M.S selaku Dosen Pembimbing KKL yang telah memberikan bimbingan dan arahan dalam penyelesaian laporan ini.

6.Bapak Alfian selaku Manager Supply Chain Management (SCM) di PT.

Pertamina Hulu Rokan Zona 4 Prabumulih yang telah memberikan kesempatan, masukkan/arahan dan mengajarkan banyak ilmu selama menjalankan kerja praktik.

(4)

iii

7.Bapak Candra Septiana selaku Pembimbing lapangan di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field yang telah membantu penulis dalam pelaksanaan kerja praktik dan juga penyelesaian laporan kerja praktik.

8.Bapak Kholid, Bapak Bakti, Bapak Ariyadi Lenggar Setyo dan Bapak Firmansyah dan selaku koordinator lapangan yang telah membantu mengajarkan praktik untuk memenuhi laporan ini.

9.Seluruh Pimpinan dan Staff SCM PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field yang telah membimbing dan mengajarkan banyak ilmu selama menjalankan kerja praktik.

10. Bapak Irwansyah dan Ibu Kamidah selaku Admin Jurusan Matematika yang telah membantu penulis dalam hal-hal administrasi.

11. Seluruh pihak yang tidak dapat penulis sebutkan satu persatu, yang telah memberikan semangat serta do’a.

12. Almamater.

Penulis menyadari bahwa laporan kerja praktik masih memiliki kekurangan dari segi penyusunan maupun pemilihan kata. Oleh karena itu penulis memohon saran dan kritik membangun sebagai evaluasi laporan kerja praktek ini.

Akhir kata dengan segala keterbatasan, penulis berharap semoga laporan ini menghasilkan sesuatu yang bermanfaat bagi kita semua khususnya bagi mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya secara langsung atau pun tidak langsung sebagai sumbangan pikiran dalam peningkatan mutu pembelajaran dan penelitian. Terima kasih.

Wassalamu’alaikum Warahmatullahi Wabarakatuh.

I

Indralaya, 17 Agustus 2023

Penulis

(5)

iv

DAFTAR ISI

HALAMAN PENGESAHAN ... i

KATA PENGANTAR ... ii

DAFTAR ISI ... iv

DAFTAR TABEL ... vii

DAFTAR GAMBAR ... viii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan... 2

1.4 Manfaat ... 2

1.5 Teknik Pengumpulan Data ... 3

1.6 Waktu dan Tempat Pelaksanaan ... 3

1.6.1 Waktu Pelaksanaan ... 3

1.6.2 Tempat Pelaksanaan ... 3

BAB II PROFIL INSTANSI ... 4

2.1 Profil Instansi ... 4

2.2 Komitmen dan Kebijakan ... 5

2.3 Visi dan Misi ... 6

2.3.1 Visi ... 6

2.3.2 Misi ... 6

2.4 Logo Instansi ... 6

2.5 Tata Nilai Instansi ... 7

BAB III LANDASAN TEORI ... 9

3.1 Analisis Deret Waktu (Time Series Analysis) ... 9

3.2 Stasioneritas Data ... 9

3.3 ARIMA (Autoregressive Integrated Moving Average) ... 10

3.3.1 AR (Autoregressive) ... 10

3.3.2 MA (Moving Average) ... 10

3.3.3 ARMA (Autoregressive Moving Average) ... 11

(6)

v

3.3.4 Proses ARIMA (Autoregressive Integrated Moving Average) ... 11

3.3.4.1 White Noise ... 11

3.3.4.2 Distribusi Normal ... 11

3.3.4.3 Pemilihan Model Terbaik ... 12

3.4 Regresi Time Series ... 12

BAB IV HASIL DAN PEMBAHASAN ... 13

4.1 Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA ... 13

4.1.1 Penstasioneran Data Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA ... 13

4.1.2 Penentuan Model Terbaik KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA ... 19

4.1.3 Forecasting KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA ... 23

4.2 Regresi Time Series Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field ... 23

4.2.1 Identifikasi Pola Data Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field ... 23

4.2.2 Forecasting KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan Regresi Time Series ... 25

4.3 Penyaluran Biosolar ANGBER (Angkutan Berat) Prabumulih Field dengan ARIMA ... 26

4.3.1 Penstasioneran Data Penyaluran Biosolar ANGBER (Angkutan Berat) Prabumulih Field dengan ARIMA ... 26

4.3.2 Penentuan Model Terbaik ANGBER (ANGBER) Prabumulih Field dengan ARIMA ... 31

4.3.3 Forecasting ANGBER (Angkutan Berat) Prabumulih Field dengan ARIMA ... 34

4.4 Regresi Time Series Penyaluran Biosolar ANGBER (Angkutan Berat) Prabumulih Field ... 35

(7)

vi

4.4.1 Identifikasi Pola Data Penyaluran Biosolar ANGBER (Angkutan

Berat) Prabumulih Field ... 35

4.4.2 Forecasting ANGBER (Angkutan Berat) Prabumulih Field dengan Regresi Time Series ... 36

4.5 Penyaluran Biosolar Pendopo Field dengan ARIMA ... 37

4.5.1 Penstasioneran Data Penyaluran Biosolar Pendopo Field dengan ARIMA ... 37

4.5.2 Penentuan Model Terbaik Penyaluran Biosolar Pendopo Field dengan ARIMA ... 41

4.5.3 Forecasting Penyaluran Biosolar Pendopo Field dengan ARIMA .... 44

4.6 Regresi Time Series Untuk Penyaluran Biosolar Pendopo Field ... 44

4.6.1 Identifikasi Pola Data Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field ... 44

4.6.2 Forecasting KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan Regresi Time Series ... 46

BAB V PENUTUP ... 47

5.1 Kesimpulan ... 47

5.2 Saran ... 47

DAFTAR PUSTAKA... 48 LAMPIRAN

(8)

vii

DAFTAR TABEL

Tabel 4.1.2.1 Model ARIMA KRP Prabumulih Field ... 19

Tabel 4.1.2.2 Uji White Noise KRP Prabumulih Field ... 21

Tabel 4.1.2.3 Residual Prabumulih Field ... 22

Tabel 4.1.2.4 Model ARIMA Terbaik Prabumulih Field ... 22

Tabel 4.1.3.1 Forecasts from period 60 KRP Prabumulih Field ... 23

Tabel 4.2.1.1 summary KRP Prabumulih Field ... 24

Tabel 4.2.1.2 ANOVA KRP Prabumulih Field ... 24

Tabel 4.2.1.3 Koefisien Regresi KRP Prabumulih Field ... 25

Tabel 4.2.2.1 Forecast KRP Prabumulih Field ... 25

Tabel 4.3.2.1 Uji Kesignifikan Parameter Model ANGBER ... 31

Tabel 4.3.2.2 Uji White Noise ANGBER ... 33

Tabel 4.3.2.3 Uji Kenormalan Residual ANGBER ... 33

Tabel 4.3.2.4 Model Terbaik ANGBER ... 34

Tabel 4.3.3.1 Forecasting ANGBER Prabumulih Field ... 34

Tabel 4.4.1.1 summary ANGBER Prabumulih Field ... 35

Tabel 4.4.1.2 ANOVA ANGBER Prabumulih Field ... 36

Tabel 4.4.1.3 Koefisien Regresi ANGBER Prabumulih Field ... 36

Tabel 4.4.2.1 Forecast ANGBER ANGBER Prabumulih Field ... 36

Tabel 4.5.2.1 Model ARIMA Pendopo Field ... 41

Tabel 4.5.2.2 Uji White Noise Pendopo Field ... 42

Tabel 4.5.2.3 Uji Residual Normal Pendopo Field ... 43

Tabel 4.5.2.4 Model Terbaik Pendopo Field ... 43

Tabel 4.5.3.1 Forecasts from period 54 Pendopo Field ... 44

Tabel 4.6.1.1 summary Pendopo Field ... 45

Tabel 4.6.1.2 ANOVA Pendopo Field ... 45

Tabel 4.6.1.3 Koefisien Regresi Pendopo Field ... 46

Tabel 4.6.2.1 Forecast Pendopo Field ... 46

(9)

viii

DAFTAR GAMBAR

Gambar 2.1 Logo Instansi ... 6

Gambar 4.1.1.1 Time Series Plot KRP Prabumulih ... 13

Gambar 4.1.1.2 Trend Analysis Plot KRP Prabumulih ... 14

Gambar 4.1.1.3 Box Cox Plot KRP Prabumulih ... 14

Gambar 4.1.1.4 Box Cox TRF1 KRP Prabumulih ... 15

Gambar 4.1.1.5 Box Cox TRF2 KRP Prabumulih ... 15

Gambar 4.1.1.6 Trend Analysis TRF3 KRP Prabumulih ... 16

Gambar 4.1.1.7 Trend Analysis plot TRF3 beda 1 KRP Prabumulih ... 16

Gambar 4.1.1.8 Trend Analysis plot dari TRF3 beda 2 KRP Prabumulih ... 17

Gambar 4.1.1.11 Autocorrelation Function for TRF3 beda 4 KRP Prabumulih .. 18

Gambar 4.1.1.12 Partial Autocorrelation Function for TRF3 b4 KRP Prabumulih ... 19

Gambar 4.2.1.1 Time series plot KRP Prabumulih ... 24

Gambar 4.3.1.1 Time Series Plot ANGBER Prabumulih Field ... 26

Gambar 4.3.1.2 Trend Analysis Plot ANGBER Prabumulih Field ... 27

Gambar 4.3.1.3 Box Cox Plot ANGBER Prabumulih Field ... 27

Gambar 4.3.1.4 Box Cox Plot trf1 ANGBER Prabumulih Field ... 28

Gambar 4.3.1.5 Box Cox Plot trf2 ANGBER Prabumulih Field ... 28

Gambar 4.3.1.6 Trend Analysis trf3 ANGBER Prabumulih Field ... 29

Gambar 4.3.1.7 Trend Analysis trf3 beda1 ANGBER Prabumulih Field ... 29

Gambar 4.3.1.8 Trend Analysis trf3 beda2 ANGBER Prabumulih Field ... 30

Gambar 4.3.1.9 Autocorrelation Function ANGBER Prabumulih Field ... 30

Gambar 4.3.1.10 Partial Autocorrelation Function ANGBER Prabumulih Field ... 31

Gambar 4.4.1.1 Time series plot ANGBER Prabumulih Field ... 35

Gambar 4.5.1.1 Time Series plot dari Penyaluran BBM Pendopo Field ... 37

Gambar 4.5.1.2 Time Series plot dari Penyaluran BBM Pendopo Field ... 38

(10)

ix

Gambar 4.5.1.3 Box Cox plot dari Penyaluran BBM Pendopo Field ... 38

Gambar 4.6.1.1 Time series plot Pendopo Field ... 45

(11)

1 BAB I PENDAHULUAN 1.1 Latar Belakang

Minyak bumi merupakan sumber daya alam yang tidak dapat diperbarui namun memiliki peran penting bagi masyarakat Indonesia. Selain itu, minyak bumi menjadi salah satu elemen penting dalam perekonomian global. Perannya sebagai sumber bahan bakar untuk industri manufaktur, listrik, hingga transportasi, membuatnya menjadi “nyawa” yang menyokong pertumbuhan ekonomi negara.

Terlebih lagi apabila melihat bahwa kebutuhan minyak bumi terus meningkat dari tahun ke tahun (Fauzi, 2018).

Peningkatan jumlah kendaraan dan mulai tidak diberlakuannya pembatasan kerja akibatnya covid-19 menyatakan bahwa semakin banyak tingkatan kebutuhan bahan bakar minyak (BBM) untuk keperluan operasional setiap harinya. Bahan bakar minyak (BBM) merupakan kebutuhan utama untuk transportasi baik itu kendaraan ringan maupun berat. Banyaknya aktivitas yang dilakukan manusia setiap harinya membuat kebutuhan bahan bakar semakin meningkat, terutama bagi user di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field.

PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field merupakan perusahaan minyak dan gas bumi yang dimiliki Pemerintah untuk mengoptimumkan kebutuhan konsumen akan bahan bakar minyak (BBM) agar terpenuhi. Oleh karena itu, diperlukan informasi dan ramalan kebutuhan BBM secara akurat. Ramalan penyaluran akan memberikan gambaran tentang kemampuan penyaluran di waktu mendatang. Selain itu, harus mempertimbangkan dalam memenuhi persediaan untuk pengambilan keputusan kebijakan yang dilakukan perusahaan untuk meningkatkan efisiensi. Terutama untuk produk BBM jenis Biosolar yang memiliki jumlah permintaan kebutuhan tertinggi di PT.

Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field, untuk itu penelitian ini lebih difokuskan pada Biosolar.

Penelitian ini akan menganalisis peramalan penyaluran Biosolar di PT.

Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field menggunakan

(12)

2

metode ARIMA dan regresi time series dan diharapkan dapat memberikan masukan atau saran mengenai peramalan kebutuhan yang dapat digunakan sebagai informasi.

1.2 Rumusan Masalah

Berdasarkan latar belakang, maka dapat dirumuskan bahwa pokok permasalahan yang akan dibahas dalam penelitian ini:

1. Bagaimana menentukan dan mendapatkan model yang sesuai untuk meramalakan penyaluran Biosolar periode Juli 2023 – Juni 2024 di PT.

Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field menggunakan metode ARIMA dan regresi time series dengan melihat karakteristik penyaluran Biosolar Juli 2018 – Juni 2023?

2. Bagaimana nilai peramalan penyaluran Biosolar di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field berdasarkan model peramalan terbaik untuk 12 bulan mendatang?

1.3 Tujuan

Berdasarkan rumusan masalah, maka didapatkan tujuan dari penelitian ini sebagai berikut:

1. Mendapatkan model peramalan yang sesuai untuk meramalkan penyaluran Biosolar di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field dengan menggunakan metode ARIMA dan regresi time series 2. Memperoleh nilai peramalan Biosolar di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field berdasarkan model peramalan terbaik untuk 12 bulan mendatang.

1.4 Manfaat

Hasil dari penelitian ini diharapkan mampu memberikan manfaat bagi beberapa pihak yaitu:

1. Bagi Perusahaan, memberikan informasi dan saran bagi perindustrian perusahaan dalam mengambil kebijakan penyaluran BBM Biosolar di PT.

Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field. Selain itu, untuk memenuhi kebutuhan user dengan mencegah terjadinya

(13)

3

keterlambatan dalam penyaluran BBM Biosolar di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field.

2. Bagi peneliti, pengaplikasian ilmu statistik dalam kasus riil untuk mengetahui prediksi kebutuhan Biosolar pada periode Juli 2023 - Juni 2024 di PT. Pertamina Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field.

1.5 Teknik Pengumpulan Data

Adapun beberapa metode yang diterapkan dalam mengumpulkan data diantaranya:

1. Wawancara narasumber

Metode ini dilakukan wawancara dan diskusi dengan pembimbing/staff lapangan untuk mendapatakan informasi yang valid dan obejktif.

2. Dokumentasi

Metode ini mencari atau mengumpulkan data melalui sumber-sumber tertulis atau lisan yang relavan dengan topik penelitian.

1.6 Waktu dan Tempat Pelaksanaan 1.6.1 Waktu Pelaksanaan

Kegiatan kerja praktik mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya ini berlangsung dari tanggal 17 Juli 2023 sampai dengan tanggal 17 Agustus 2023.

1.6.2 Tempat Pelaksanaan

Nama Perusahaan : PT. Pertamina Hulu Rokan Region 1 Zona 4 Prabumulih Field dan Pendopo Field.

Alamat Perusahaan : Jl. Jenderal Sudirman No. 3, Patih Galung, Kec.

Prabumulih Barat, Kota Prabumulih, Sumatera Selatan, 31113.

Unit Keja/Bagian : Supply Chain Management

(14)

4 BAB II PROFIL INSTANSI 2.1 Profil Instansi

PT. Pertamina merupakan perusahaan yang bertugas mengelola pertambangan minyak dan gas bumi di Indonesia. Pertamina adalah perusahaan milik negara (BUMN) terbesar di Indonesia dalam hal pendapatan dan labanya.

Perusahaan ini aktif di sektor hulu dan hilir industri minyak dan gas. Sektor hulu meliputi eksplorasi dan produksi minyak, gas dan energi panas bumi, sementara kegiatan hilir mencakup pengolahan, pemasaran, perdagangan dan pengiriman.

Lalu, Pertamina EP merupakan bagian dari PT. Pertamina yang juga merupakan perusahaan yang menyelenggarakan kegiatan usaha bidang minyak dan gas bumi meliputi eksplorasi dan eksploitasi.

PT Pertamina EP didirikan pada 13 September 2005. Sejalan dengan pembentukan PT Pertamina EP maka pada tanggal 17 September 2005, PT Pertamina (Persero) telah melaksanakan penandatanganan Kontrak Kerja Sama (KKS) dengan BPMIGAS (sekarang SKKMIGAS) yang berlaku surut sejak 17 September 2003 atas seluruh Wilayah Kuasa Pertambangan Migas yang dilimpahkan melalui perundangan berdasarkan UU Nomor 22 tahun 2001 tentang Minyak dan Gas Bumi. Sebagian besar wilayah PT Pertamina (Persero) tersebut dipisahkan menjadi Wilayah Kerja (WK) PT Pertamina EP. Pada saat bersamaan, PT Pertamina EP juga melaksanakan penandatanganan Kontrak Minyak dan Gas Bumi Pertamina untuk Wilayah Kerja Pertamina EP pada tanggal 17 September 2005 dengan BPMIGAS (sekarang SKKMIGAS) yang berlaku sejak 17 September 2005.

Dengan demikian Wilayah Kerja PT Pertamina EP adalah Wilayah Kerja yang dahulu dikelola sendiri oleh PT Pertamina (Persero) dan Wilayah Kerja yang dikelola PT Pertamina (Persero) melalui TAC (Technical Assistance Contract) dan JOB EOR (Joint Operating Body Enhanced Oil Recovery). Pada 1 April 2021, PT Pertamina (Persero) melakukan transformasi organisasi dan membaginya ke bentuk Holding-Subholding. Transformsi Holdin-Subholding ini telah berpengaruh terhadap pengelolaan wilayah kerja dan sumber daya manusia (SDM) di seluruh

(15)

5

anak perusahaan, termasuk Pertamina EP, Setelah transformasi, Pertamina EP menjadi bagian dari Subholding Upstream di bawah kelola PT Pertamina Hulu Energi.

Sejak April 2021, Wilayah Kerja (WK) terbagi menjadi 5 Regional Upstream dan masing-masing Regional akan bertanggung jawab terhadap Zona yang ditetapkan (total 17 Zona). Pertamina EP dipercaya menjadi koordinator Regional 2 yang membawahi Zona 5, Zona 6 dan Zona 7 secara structural. Namun demikian, WK Pertamina EP memiliki keunikan karena beberapa Field yang dikelola juga tersebar di Regional 1, 3, dan 4. Maka dari itu, hal ini juga berpengaruh pada jumlah SDM dan Struktur tata kelola dimana Direktur Regional 2 juga menjabat sebagai Direktur Utama dan bersinergi dengan Direktur 1, 3, dan 4.

Kemudian untuk PT. Pertamina Zona 4 Prabumulih Field ini adalah salah satu anak dari perusahaan yang dimiliki oleh PT. Pertamina yang merupakan wilayah Region 1 zona 4 yang berpusat di Prabumulih. Adapun Field wilayah yang mencakup Region 1 zona 4:

1. Field Prabumulih, Sumatera Selatan 2. Field Pendopo, Sumatera Selatan 3. Field Limau, Sumatera Selatan 4. Field Adera, Sumatera Selatan 2.2 Komitmen dan Kebijakan

PT Pertamina EP berkomitmen secara penuh untuk menerapkan prinsip- prinsip Tata Kelola Perusahaan yang Baik (Good Corporate Governance/GCG) sebagai landasan dalam menciptakan nilai tambah yang berkelanjutan bagi kepentingan para pemegang saham, masyarakat secara luas, dan berbagai pemangku kepentingan lainnya (pegawai, konsumen, regulator, mitra kerja, dan lain-lain) baik dalam jangka pendek maupun jangka panjang. Komitmen penerapan GCG diwujudkan melalui kebijakan dan peraturan yang dikeluarkan manajemen perusahaan (regulatory driven) bagi seluruh pemangku kepentingan dan mendorong terbentuknya kultur perusahaan berbasis tata nilai Pertamina Grup.

(16)

6 2.3 Visi dan Misi

2.3.1 Visi

Adapun visi dari PT. Pertamina Hulu Rokan adalah menjadi salah satu Perusahaan upstream migas terkemuka di tingkat nasional dan global.

2.3.2 Misi

Kemudian untuk misi dari PT. Pertamina Hulu Rokan adalah menjalankan kegiatan upstream migas secara profesional, tangkas, efisien, aman dan ramah lingkungan dengan memegang teguh prinsip good corporate govemance dan tata nilai akhlak serta memberikan manfaat dan nilai tambah bagi seluruh pemangku kepentingan.

2.4 Logo Instansi

Pada gambar 2.4.1 berikut ini merupakan logo dari PT. Pertamina Hulu Rokan. Logo ini dipakai oleh PT. Pertamina Hulu Rokan sebagai lambang instansi.

Gambar 2.4.1 Logo Instansi

Adapun makna dari logo tersebut adalah:

1. Warna biru memiliki arti andal, dapat dipercaya dan bertanggung jawab.

2. Warna hijau memiliki arti sumber daya energi yang berwawasan lingkungan.

3. Warna merah memiliki arti keuletan dan ketegasan serta keberanian dalam menghadapi berbagai macam kesulitan.

Simbol grafis:

1. Bentuk anak panah menggambarkan aspirasi organisasi Pertamina untuk senantiasa bergerak ke depan, maju dan progresif. Simbol ini juga mengisyaratkan huruf “P” yakni huruf pertama dari Pertamina.

2. Tiga elemen berwarna melambangkan pulau-pulau dengan berbagai skala yang merupakan bentuk negara Indonesia.

(17)

7 2.5 Tata Nilai Instansi

PT. Pertamina memiliki tata nilai tersendiri yaitu disebut dengan

“AKHLAK” yang merupakan artinya Amanah, Kompeten, Harmonis, Loyal, Adaptif, dan Kolaboratif. Berikut penjelesannya:

a. Amanah (Memegang teguh kepercayaan yang diberikan) - Memenuhi janji dan komitmen.

- Berpegang teguh pada nilai moral dan etika.

- Bertanggung jawab atas tugas, keputusan dan Tindakan yang dilakukan hingga tuntas.

b. Kompeten (Terus belajar & mengembangkan kapabilitas)

- Meningkatkan kompetensi diri untuk menjawab tantangan yang selalu berubah.

- Menyelesaikan tugas dengan kualitas terbaik.

- Mengutamakan Kesehatan & keselamatan kerja serta kepedulian kepada orang lain, lingkungan sosial dan alam sebagai way of life.

c. Harmonis (Saling peduli & menghargai perbedaan) - Menghargai setiap orang apapun latar belakangnya.

- Membangun lingkungan kerja yang kondusif.

- Saling membantu dan mendukung untuk kepentingan Perusahaan.

d. Loyal (Berdedikasi & mengutamakan kepentingan bangsa dan negara) - Menjaga nama baik sesame pekerja, pimpinan, BUMN, dan Negara.

- Rela bekorban untuk tujuan yang lebih besar.

- Patuh kepada pimpinan sepanjang tidak bertentangan dengan hukum dan etika.

- Berkontribusi lebih melampaui harapan untuk membangun dan meningkatkan kapasitas nasional.

- Pantang menyerah menghadapi tantangan dan harapan.

e. Adaptif (Terus berinovasi & berantusias dalam menggerakan atau menghadapi perbedaan)

(18)

8

- Cepat menyesuaikan diri untuk menjadi lebih baik.

- Terus menerus untuk melakukan perbaikan.

- Bertindak proaktif.

- Kreatif dan inovatif dalam menghasilkan solusi dan nilai tambah.

- Menunjukkan semangat dan antusiasme dan energi positif.

f. Kolaboratif (membangun kerja sama yang sinergis)

- Memberi kesempatan kepada berbagai pihak untuk berkontribusi.

- Terbuka dalam bekerja sama untuk menghasilkan nilai tambah.

- Menggerakan pemanfaatan berbagai sumber daya untuk tujuan Perusahaan.

- Bersinergi secara agresif untuk memberi nlai tambah untuk Perusahaan.

- Mencari solusi terbaik untuk menghadapi perbedaan kepentingan yang terjadi.

(19)

9 BAB III LANDASAN TEORI 3.1 Analisis Deret Waktu (Time Series Analysis)

Analisis deret waktu merupakan analisis statistika yang mempelajari tentang hubungan antar waktu yang satu dengan waktu yang lainnya (Shaputra &

Hidayat, 2021). Analisis deret waktu (time series) menggunakan data yang dikumpulkan berdasarkan urutan waktu dengan rentang waktu tertentu, sehingga korelasi antara kejadian saat ini dengan periode waktu sebelumnya akan terjadi.

Tujuan dari analisis deret waktu adalah untuk menemukan cara yang tepat dengan mengekspresikan hubungan antara waktu yang terstruktur dan beberapa data atau memodelkan proses stokastik yang akan memunculkan seri yang diamati, dan untuk memprediksi atau meramalkan data pada masa yang akan datang berdasarkan data- data di masa lalu (Mustofa, 2016). Dalam analisis time series data pengamatan disimbolkan dengan 𝑍_𝑡 kemudian dipengaruhi oleh satu atau beberapa pengamatan sebelumnya yang disimbolkan dengan 𝑍_𝑡−𝑘.

3.2 Stasioneritas Data

Stasioneritas berarti bahwa tidak terdapat kenaikan atau penurunan pada data. Data yang tidak stasioner dikarenakan nilai mean tidak konstan atau variansnya tidak konstan. Sehingga untuk membuat data tersebut menjadi stasioner maka data yang di analisis dibuat mendekati stasioner dengan menggunakan metode differensing. Berikut adalah rumus dari metode differensing

𝑊_𝑡= (1 − 𝐵)^𝑑𝑍_𝑡

sedangkan data yang tidak stasioner dalam varians di stasionerkan dengan transformasi Box-Cox. Berikut adalah rumus dari transformasi Box-Cox:

𝑇(𝑍_𝑡) =𝑍_𝑡^𝜆 − 1

𝜆 , 𝑢𝑛𝑡𝑢𝑘 𝜆 ≠ 0

Apabila nilai lambda (𝜆) = 0 makan dilakukan transformasi lagi sampai nilai 𝜆 = 1.Berikut rumus transformasi dengan persamaan

lim𝜆→0𝑇(𝑍_𝑡) = lim

𝜆→0𝑍_𝑡^(𝜆) = lim

𝜆→0

𝑍_𝑡^𝜆− 1

𝜆 = ln (𝑍_𝑡)

(20)

10

3.3 ARIMA (Autoregressive Integrated Moving Average)

ARIMA (Autoregressive Integrated Moving Average) adalah salah satu model dalam time series yang dikenal sebagai BoxJenkins (Riestiansyah et al., 2022). Model tersebut biasa digunakan untuk peramalan dalam jangka yang pendek. Apabila digunakan untuk peramalan jangan panjang maka metode ARIMA memiliki ketepatan yang kurang baik dan cenderung akan datar untuk periode yang panjang (INDO JC). Model ARIMA terdiri dari komponen autoregressive (AR), moving average (MA), dan keduanya (ARMA). Berikut penjelasan komponen dari ARIMA.

3.3.1 AR (Autoregressive)

Secara umum, AR (Autoregressive) merupakan model suatu observasi pada waktu t dinyatakan sebagai fungsi linier terhadap p waktu sebelumnya ditambhah dengan sebuah residual acak a, yang white noise. Bentuk umum dari model autoregressive dengan orde p atau AR (p) dinyatakan sebagai berikut.

𝑌_𝑡 = 𝛼₀+ 𝜃₁𝑌_𝑡−1+ ⋯ + 𝜃_𝑝𝑌_𝑡−𝑝+ 𝑒_𝑡 Keterangan:

𝑌_𝑡 = nilai observasi pada saat t 𝛼₀ = konstanta

𝜃_𝑝 = parameter autoregressive ke p 𝑒_𝑡−𝑝 = nilai galat saat t

3.3.2 MA (Moving Average)

Model MA (Moving Average) merupakan model yang digunakan untuk menjelaskan suatu fenomena bahwa suatu obeservasi pada waktu t dinyatakan sebagai kombinasi linier dari sejumlah error acak. Bentuk umum dari model moving average orde q atau MA (q) dinyatakan sebagai berikut.

𝑌_𝑡 = 𝜃₀ + 𝜃₁𝑒_𝑡−1+ ⋯ + 𝜃_𝑞𝑒_𝑡−𝑞 Keterangan:

𝜃₀ = konstanta

𝜃_𝑞 = parameter moving average ke q 𝑒_𝑡−𝑝 = nilai galat saat t-k

(21)

11

3.3.3 ARMA (Autoregressive Moving Average)

ARMA (Autoregressive Moving Average) merupakan model campuran dari bentuk model AR (Autoregressive) dan MA (Moving Average). Bentuk umum dari model ARMA (p,q) sebagai berikut.

Y_t = α₀ + θ₁e_t−1+ ⋯ + θ_qe_t−q+ α₁Y_t−1+ ⋯ + α_pY_t−p

3.3.4 Proses ARIMA (Autoregressive Integrated Moving Average)

Apabila non-stasioner ditambahkan pada campuran proses ARIMA, maka memenuhi model umum ARIMA (p, d, q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (p,1,q) adalah sebagai berikut:

Y_t = (1 + α₁)y_t−1+ ⋯ + (1 + α_p)y_p−1+ 𝑒_𝑡+ θ₁e_t−1+ ⋯ + θ_qe_t−q

3.3.4.1 White Noise

White Noise merupakan asumsi dimana gangguan-gangguan pada residual telah diputihkan atau dihilangkan. Untuk menguji asumsi residual bersifat white noise maka dilakukan pengujian dengan hipotesis sebagai berikut

𝐻₀: 𝑝₁ = 𝑝₂ = ⋯ = 𝑝_𝐾 = 0 (𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙 𝑏𝑒𝑟𝑠𝑖𝑓𝑎𝑡 𝑤ℎ𝑖𝑡𝑒 𝑛𝑜𝑖𝑠𝑒)

𝐻₁: minimal terdapat satu 𝑝_𝑘≠ 0, untuk k= 1, 2, …, k (residual tidak bersifat white noise)

Dengan statistik uji,

𝑄 = 𝑛(𝑛 + 2) ∑ 𝑃̂_𝑘² (𝑛 − 𝑘)

𝑘

𝑘=1

dimana nilai n merupakan jumlah observasi dari data time series, 𝑝_𝐾 adalah ACF residual pada lag ke-k, K merupakan maksimum dari lag. g. Hipotesis nol akan ditolak pada taraf signifikansi 𝛼 jika nilai Q lebih besar dari 𝜒_{(𝛼,𝐾−𝑚)}² . Nilai m didapat dari p+q.

3.3.4.2 Distribusi Normal

Setelah dilakukan asumsi residual white noise maka dilakukan pemeriksaan residual berdistribusi normal atau uji normalitas. Pemeriksaan asumsi residual berdistribusi normal dapat dilakukan dengan menggunakan uji Kolmogorov Smirnov.

(22)

12 3.3.4.3 Pemilihan Model Terbaik

Untuk melakukan pemilihan model terbaik dapat diketahui dari 2 kriteria yaitu RMSE (Root Mean Square Error) dan MAPE (Mean Absolute Percentage Error). Pada data outsample kriteria pemilihan model terbaik menggunakan nilai RMSE dan MAPE (Islam et al., 2019). Semakin kecil nilai RMSE dan MAPE maka kesalahan peramalan dari model yang dihasilkan juga semakin kecil.

3.4 Regresi Time Series

Analisis Regresi dalam time series memiliki bentuk yang sama dengan regresi linier pada umumnya. Dengan mengasumsikan output atau bentuk dependen yt, untuk t = 1,2,..., n , yang dipengaruhi oleh kemungkinan data input atau independen, dimana input pertama diketahui, hubungan ini dapat ditunjukkan dengan model regresi linier. Metode ini digunakan untuk mencari hubungan antara variable respon dengan variable predictor (Iqbalullah & Winahju, 2014).

(23)

13 BAB VI

HASIL DAN PEMBAHASAN

Berdasarkan data yang diperoleh dari PT.Pertamina (persero) Hulu Rokan Zona 4 Prabumulih Field dan Pendopo Field tentang penyaluran BBM (Bahan Bakar Minyak) akan dilakukan analisis dan pengolahan untuk peramalam atau forecasting penyaluran BBM selama periode satu tahun kedepan. Data yang digunakan mulai dari tahun 2018 bulan Juli sampai 2023 bulan Juni. Pengolahan data menggunakan dua metode yaitu ARIMA (Autoregressive integrated Moving Average) dan Regresi Time Series.

4.1 Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA

Tahap awal pada pemodelan time series ARIMA adalah melakukan identifikasi terhadap data pada variabel yang digunakan. Identifikasi model yang dilakukan adalah dengan membuat Plot Time Series pada data penyaluran BBM.

Setelahnya dilakukan penstasioneran data penyaluran Biosolar KRP, stasioner ini mencakup stasioner secara varians/ragam dan stasioner secara means/rata-rata.

Menentukan model terbaik dari ARIMA dan melakukan forecasting untuk 12 bulan kedepan.

4.1.1 Penstasioneran Data Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA

Sebelum menganalisis data diperlukan grafik yang menggambarkan kondisi data, seperti pada gambar 4.1.1.1.

Gambar 4.1.1.1 Time Series Plot KRP Prabumulih

(24)

14

Gambar 4.1.1.1 menjelaskan grafik dari data yang digunakan, sehingga data menjadi fluktuatif dan random, pada januari dan februari tahun 2021 penggunaan BBM KRP sangat sedikit.

Dilakukan trend analysis untuk melihat stasioner data menggunakan aplikasi minitab.

Gambar 4.1.1.2 Trend Analysis Plot KRP Prabumulih

Berdasarkan gambar 4.1.1.2 garis data berwarna merah menunjukkan bahwa data yang akan dianalisis belum stasioner ditandai dengan garis yang naik, artinya data perlu distasionerkan terlebih dahulu karena syarat analisis haruslah data terstasioner secara rata-rata dan varians.

Dari data gambar 4.1.1.2 maka akan dilakukannya transformasi data, untuk mengetahui apakah data tersebut stasioner atau tidak maka dilakukan uji Box-Cox transformation.

Gambar 4.1.1.3 Box Cox Plot KRP Prabumulih

(25)

15

Data dikatakan stasioner apabila nilai lambda (𝜆) yang diperoleh pada uji Box-Cox plot = 1. Berdasarkan gambar 4.1.1.3 bahwa nilai dari 𝜆 = 0,5 artinya bahwa data belum stasioner. Maka akan dilakukannya tranformasi data.

Gambar 4.1.1.4 Box Cox TRF1 KRP Prabumulih

Berdasarkan gambar 4.1.1.4 nilai lambda (𝜆) yang diperoleh pada uji Box- Cox plot = 0,50 artinya bahwa data belum stasioner. Dikarenakan uji box cox plot trf1nilai lamda belum 1 maka akan dilakukan tranformasi uji box cox plot trf2.

Gambar 4.1.1.5 Box Cox TRF2 KRP Prabumulih

Berdasarkan gambar 4.1.1.5 nilai lambda (𝜆) yang diperoleh pada uji Box- Cox plot = 1,02 artinya bahwa data sudah stasioner varians. Dilakukan penstasioneran trend analysis dengan menggunakan transformasi data ke 3.

(26)

16

Gambar 4.1.1.6 Trend Analysis TRF3 KRP Prabumulih

Berdasarkan gambar 4.1.1.6 menunjukkan bahwa data belum stasioner karena garis data cenderung naik, maka akan dilakukan diferensasi.

Dilakukan diferensasi pada trend analysis transformasi data 3 beda 1.

Seperti yang terlihat pada gambar 4.1.1.7.

Gambar 4.1.1.7 Trend Analysis plot TRF3 beda 1 KRP Prabumulih

Berdasarkan pada gambar 4.1.1.7, setelah dilakukannya diferensasi garis merah belum lurus dan naik.

(27)

17

Gambar 4.1.1.8 Trend Analysis plot dari TRF3 beda 2 KRP Prabumulih Berdasarkan pada gambar 4.1.1.8, setelah dilakukannya diferensasi garis merah belum lurus dan turun.

Gambar 4.1.1.9 Trend Analysis plot dari TRF3 beda 3 KRP Prabumulih Dilakukan trend analysis pada trf3 beda3 pada gambar 4.1.1.9, garis merah belum lurus dan semakin menurun. Maka akan dilakukan lagi trf3 beda 4.

(28)

18

Gambar 4.1.1.10 Trend Analysis plot dari TRF3 beda 4 KRP Prabumulih Berdasarkan gambar 4.1.1.10 setelah dilakukan 4 diferensasi dengan data tranformasi ke 3 dilihat bahwa garis merah telah lurus maka dapat dinyatakan bahwa data telah stasioner secara varians.

Data yang baik harus dinyatakan dengan stasioner secara rata-rata dan stasioner secara varians. Dilakukan autocorrelation function untuk trf3 beda4.

Gambar 4.1.1.11 Autocorrelation Function for TRF3 beda 4 KRP Prabumulih Berdasarkan gambar 4.1.1.11 terlihat bahwa garis merah yang melewati atau mendekati lag ada 2 garis. Pada gambar 4.1.1.12 akan dilihat berapa lag yang melewati atau mendekati untuk dapat menentukan apakah data telah stasioner terhadap rata-rata atau belum.

(29)

19

Gambar 4.1.1.12 Partial Autocorrelation Function for TRF3 beda 4 KRP Prabumulih

Jika garis yang melewati lag tidak melebihi 3 maka dapat dinyatakan bahwa data sudah stasioner terhadap rata-rata. Berdasarkan gambar 4.1.1.12 dan gambar 4.1.1.12 garis yang melewati lag ada 2 garis, artinya bahwa data sudah stasioner terhadap rata-rata.

4.1.2 Penentuan Model Terbaik KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA

Akan dinyatakan pada tabel 4.1.2.1 untuk melihat model ARIMA yang Signifikan.

Tabel 4.1.2.1 Model ARIMA KRP Prabumulih Field

Model Type Coef SE

Coef T- Value

P-

Value Ket ARIMA (1,1,0) AR 1 -0,364 0,123 -2,97 0,004 Signifikan ARIMA (2,1,0) AR 1 -0,402 0,132 -3,05 0,003 Signifikan

AR 2 -0,109 0,136 -0,8 0,427 Tidak

Signifikan ARIMA (0,1,1) MA 1 0,432 0,119 3,64 0,001 Signifikan ARIMA (1,1,1) AR 1 0,029 0,307 0,1 0,925 Tidak

Signifikan

MA 1 0,455 0,274 1,66 0,102 Tidak

Signifikan ARIMA (2,1,1) AR 1 0,089 0,631 0,14 0,888 Tidak

Signifikan AR 2 0,042 0,309 0,14 0,892 Tidak

Signifikan

(30)

20

MA 1 0,516 0,612 0,84 0,402 Tidak

Signifikan ARIMA (1,2,0) AR 1 -0,67 0,102 -6,6 0 Signifikan ARIMA (2,2,0) AR 1 -0,903 0,124 -7,27 0 Signifikan

AR 2 -0,387 0,13 -2,97 0,004 Signifikan

ARIMA (0,2,1) MA 1 0,9582 0,0716 13,38 0 Signifikan ARIMA (1,2,1) AR 1 -0,376 0,127 -2,96 0,005 Signifikan

MA 1 0,9572 0,0667 14,34 0 Signifikan

ARIMA (2,2,1) AR 1 -0,418 0,139 -3,01 0,004 Signifikan AR 2 -0,12 0,142 -0,84 0,402 Tidak

Signifikan

MA 1 0,9595 0,0456 21,03 0 Signifikan

ARIMA (1,3,0) AR 1 -0,7968 0,0893 -8,93 0 Signifikan ARIMA (2,3,0) AR 1 -1,184 0,115 -10,29 0 Signifikan

AR 2 -0,549 0,12 -4,58 0 Signifikan

ARIMA (0,3,1) MA 1 0,9564 0,0701 13,65 0 Signifikan ARIMA (1,3,1) AR 1 -0,675 0,104 -6,48 0 Signifikan

MA 1 0,9593 0,0661 14,52 0 Signifikan

ARIMA (2,3,1) AR 1 -0,806 0,128 -6,3 0 Signifikan AR 2 -0,298 0,135 -2,21 0,031 Signifikan

MA 1 1,0287 0,0142 72,5 0 Signifikan

ARIMA (1,4,0) AR 1 -0,8541 0,0819 -10,43 0 Signifikan ARIMA (2,4,0) AR 1 -1,372 0,106 -12,91 0 Signifikan

AR 2 -0,671 0,109 -6,16 0 Signifikan

ARIMA (0,4,1) MA 1 0,9559 0,0728 13,13 0 Signifikan ARIMA (1,4,1) AR 1 -0,8107 0,0916 -8,85 0 Signifikan

MA 1 0,9739 0,0508 19,17 0 Signifikan

ARIMA (2,4,1) AR 1 -0,808 0,303 -2,67 0,01 Signifikan AR 2 -0,205 0,25 -0,82 0,416 Tidak

Signifikan

MA 1 0,434 0,391 1,11 0,272 Tidak

Signifikan Berdasarkan tabel 4.1.2.1 didapatkan ARIMA yang signfikan p-value AR dan MA ialah ARIMA (1,1,0), ARIMA (0,1,1), ARIMA (1,2,0), ARIMA (2,2,0), ARIMA (0,2,1), ARIMA (1,2,1), ARIMA (1,3,0), ARIMA (2,3,0), ARIMA (0,3,1), ARIMA (1,3,1), ARIMA (2,3,1), ARIMA (1,4,0), ARIMA (2,4,0), ARIMA (0,4,1), ARIMA (1,4,1).

(31)

21

Akan dilakukan uji white noise atau uji independasi digunakan untuk melihat apakah residual berkorelasi dengan lainnya, residual harus bersifat independen. Model dikatakan memenuhi asumsi white noise nilai p-value > 0.05

Tabel 4.1.2.2 Uji White Noise KRP Prabumulih Model Lag P-value Keterangan ARIMA (1,1,0) 12 0,566 White Noise 24 0,866 White Noise 36 0,746 White Noise

48 0,316 White Noise

ARIMA (0,1,1) 12 0,84 White Noise 24 0,966 White Noise 36 0,923 White Noise

ARIMA (1,2,0) 12 0,044 Tidak White Noise 24 0,197 White Noise 36 0,235 White Noise

48 0,021 Tidak White Noise

ARIMA (2,2,0) 12 0,017 Tidak White Noise 24 0,118 White Noise 36 0,029 Tidak White Noise

ARIMA (2,3,0) 12 0,006 Tidak White Noise 24 0,04 Tidak White Noise 36 0,027 Tidak White Noise

ARIMA (0,3,1) 12 0 Tidak White Noise 24 0,005 Tidak White Noise 36 0,016 Tidak White Noise

48 0 Tidak White Noise

ARIMA (1,3,1) 12 0,028 Tidak White Noise

(32)

22

24 0,14 White Noise

ARIMA (1,4,0) 12 0,001 Tidak White Noise 24 0,009 Tidak White Noise 36 0,081 White Noise

ARIMA (0,4,1) 12 0 Tidak White Noise

Berdasarkan tabel 4.1.2.2 uji white noise didapatkan 3 model ARIMA yang memenuhi uji white noise yaitu ARIMA (1,1,0), ARIMA (0,1,1), dan ARIMA (1,2,1).

Akan di uji apakah data teresidual normal dapat dilihat pada gambar 4.1.2.3.

data dinyatakan residual normal jika nilai signifikansi lebih besar dari 0,05 Tabel 4.1.2.3 Residual KRP Prabumulih Field

Model P-value Keterangan

ARIMA (1,1,0) >0,150 Residual Normal ARIMA (0,1,1) 0,13 Residual Normal ARIMA (1,2,1) 0,127 Residual Normal

Berdasarkan tabel 4.1.2.3 terlihat bahwa ketiga nilai p-value dari ketiga ARIMA dinyatakan residual normal.

Penentuan model terbaik KRP dilihat dari nilai MS (error) yang terkecil.

Tabel 4.1.2.4 Model ARIMA Terbaik KRP Prabumulih Field

Model DF SS MS

ARIMA (1,1,0) 58 3,92E+09 67545176 ARIMA (0,1,1) 58 3,82E+09 65880554 ARIMA (1,2,1) 56 4,04E+09 72199198

(33)

23

Berdasarkan pada gambar 4.1.2.4 didapatkan nilai MS terkecil adalah ARIMA (0,1,1).

4.1.3 Forecasting KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan ARIMA

Didapatkan model terbaik ARIMA yaitu ARIMA (0,1,1) maka akan dilakukan peramalan penyaluran Biosolar untuk KRP (Kendaraan Ringan Penumpang).

Tabel 4.1.3.1 Forecasts from period 60 KRP Prabumulih Field 95% Limits

Period Forecast Lower Upper

61 125398 109487 141310

62 125398 107098 143699

63 125398 104987 145809

64 125398 103075 147722

65 125398 101314 149482

66 125398 99674 151123

67 125398 98132 152665

68 125398 96673 154124

69 125398 95284 155513

70 125398 93957 156840

71 125398 92683 158114

72 125398 91457 159340

Berdasarkan pada tabel 4.1.3.1 dapat dilihat hasil forecast dengan bantuan software minitab selama 12 bulan kedepan dari juli 2023- juni 2024.

4.1 Regresi Time Series Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field

4.2.1 Identifikasi Pola Data Penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) Prabumulih Field

Untuk mendapatkan gambaran tentang data yang digunakan dapat juga menggunakan plot Time Series penyaluran Biosolar pada KRP Prabumulih Field.

Menggunakan data bulanan dari bulan Juli 2018– Juni 2023, disajikan pada Gambar 4.2.1.1.

(34)

24

Gambar 4.2.1.1 Time series plot KRP Prabumulih

Berdasarkan Gambar 4.2.1.1 dapat dilihat bahwa secara visual data penyaluran Biosolar di Prabumulih Field tidak mempunyai pola trend baik itu trend menurun maupun naik. Diindikasikan pula tidak terdapat pola musiman sehingga dapat dikatakan bahwa data penyaluran Biosolar bulan Juli 2018 sampai juni 2023 tidak mempunyai pola yang tetap dan random dari waktu ke waktu.

Tabel 4.2.1.1 summary KRP Prabumulih Field Regression Statistics

Multiple R 0,261977204 R Square 0,068632056 Adjusted R Square 0,052573988 Standard Error 13876,84009

Observations 60

Berdasarkan tabel 4.2.1.1 dapat dilihat bahwa R Square atau koefisien determinasi adalah 0,068% yang artinya 6,8% dipengaruhi periode waktu, sedangkan sisanya 93,2% (dari 100%--93,2%) dipengaruhi oleh faktor-faktor lainnya. Nilai SEE (Standard Error Estimate) adalah 13876,84 artinya perkiraan terhadap kesalahan standar yang bisa terjadi terhadap tingkat penyaluran Biosolar KRP (Kendaraan Ringan Penumpang) di PT.Pertamina Prabumulih Field.

Tabel 4.2.1.2 ANOVA KRP Prabumulih Field

Model df SS MS F Significance F

Regression 1 823028511,9 823028511,9 4,27399 0,043171731 Residual 58 11168868068 192566690,8

Total 59 11991896580

(35)

25

Dari uji Anova atau Ftest, didapatkan Fhitung adalah 4,27399 dengan tingkat signifikan 0,0431 < 0,05 maka dapat dikatakan model regresi tidak layak digunakan untuk meramalkan penyaluran Biosolar KRP di PT.Pertamina Prabumulih Field.

Tabel 4.2.1.3 Koefisien Regresi KRP Prabumulih Field

Coefficien ts

Standard Error

t Stat P-value Lower 95%

Upper 95%

Lowe r 95,0

%

Uppe r 95,0

% Intercept 100006,97

4 3628,2452

52 27,563454

8 5,1E-35 92744,25

205 107269 ,696 92744

,25 10726 9,7 X

Variable 1

213,86096

14 103,44622

77 2,0673635

58 0,04317

2 6,790838

734 420,93 1084 6,790

839 420,9 311

Berdasarkan tabel 4.2.1.3 bahwa persamaaan garis dapat dirumuskan Model Regresi sebagai berikut :

𝑌 = 100006,97 + 213,86096𝑋

4.2.2 Forecasting KRP (Kendaraan Ringan Penumpang) Prabumulih Field dengan Regresi Time Series

Tabel 4.2.2.1 Forecast KRP Prabumulih Field Period Forecast Lower 95% Upper 95%

61 113052,49 93158,493 132946,49 62 113266,35 93165,284 133367,42 63 113480,21 93172,075 133788,35 64 113694,08 93178,866 134209,29 65 113907,94 93185,657 134630,22 66 114121,8 93192,447 135051,15 67 114335,66 93199,238 135472,08 68 114549,52 93206,029 135893,01 69 114763,38 93212,82 136313,94 70 114977,24 93219,611 136734,87 71 115191,1 93226,402 137155,8 72 115404,96 93233,192 137576,73

Berdasarkan tabel 4.2.2.1 menunjukan bahwa hasil dari forecasting selama 1 tahun kedepan bulan juli 2023-juni 2024, nilai lower 95% artinya nilai batas bawah forecasting dengan tingkat kepercayaan 95% dan error 5%, serta nilai upper 95% artinya batas atas dari forecasting dengan tingkat kepercayaan 95% dan error 5%.

(36)

26

4.2 Penyaluran Biosolar ANGBER (Angkutan Berat) Prabumulih Field dengan ARIMA

Data penyaluran pada ANGBER akan diidentifikasi model dengan membuat Plot Time Series pada data penyaluran BBM. Setelahnya dilakukan penstasioneran data penyaluran Biosolar KRP, stasioner ini mencakup stasioner secara varians/ragam dan stasioner secara means/rata-rata. Menentukan model terbaik dari ARIMA dan melakukan forecasting untuk 12 bulan kedepan.

4.3.1 Penstasioneran Data Penyaluran Biosolar ANGBER (Angkutan Berat) Prabumulih Field dengan ARIMA

Tahap awal pada analisis Model ARIMA adalah melakukan analisis runtun waktu dengan menggunakan metode Box-Jenkins. Untuk mendapatkan gambaran plot data dapat menggunakan plot Time Series dengan menggunakan data bulanan penyaluran Biosolar dari tahun Juli 2018 – Juni 2023.

Gambar 4.3.1.1 Time Series Plot ANGBER Prabumulih Field

Berdasarkan gambar 4.3.1.1 dapat dilihat bahwa struktur data dari waktu ke waktu mempunyai pola trend dan meningkat pesat pada saat bulan mei dan bulan juni.

(37)

27

Gambar 4.3.1.2 Trend Analysis Plot ANGBER Prabumulih Field

Dari gambar 4.3.1.2 dapat dilihat bahwa pola data Trend Analysis Plot for ANGBER memiliki pola data trend yang cenderung naik dari bulan Juli 2018 sampai Juni 2023. Berdasarkan gambar 4.3.1.2 garis data berwarna merah menunjukkan bahwa data yang akan dianalisis belum stasioner ditandai dengan garis yang naik, artinya data perlu distasionerkan terlebih dahulu karena syarat analisis haruslah data terstasioner secara rata-rata dan ragam.

Data yang digunakan dalam penelitian ini adalah data Penyaluran Biosolar di PT Pertamina Hulu Rokan Zona 4 Tahun 2018-2023. Untuk mengetahui apakah data tersebut stasioner atau tidak maka dilakukan uji Box-Cox transformation dengan menggunakan software Minitab 20. Data dikatakan stasioner apabila nilai lambda (𝜆) yang diperoleh pada uji Box-Cox plot = 1.

Gambar 4.3.1.3 Box Cox Plot ANGBER Prabumulih Field

(38)

28

Berdasarkan hasil output minitab pada gambar 4.3.1.3 terlihat bahwa nilai lambda (𝜆) = 0 sehingga data tersebut belum stasioner dalam varians. Untuk mendapatkan stasioner dalam varians maka dilakukan transformasi pada data sampai nilai 𝜆 = 1.

Gambar 4.3.1.4 Box Cox Plot trf1 ANGBER Prabumulih Field

Berdasarkan gambar 4.3.1.4 terlihat bahwa nilai lambda (𝜆) = −2 sehingga data tersebut belum stasioner dalam varians. Maka akan dilakukan tranformasi data trf 2.

Gambar 4.3.1.5 Box Cox Plot trf2 ANGBER Prabumulih Field

Berdasarkan gambar 4.3.1.5 yaitu box cox plot trf2 terlihat bahwa nilai lambda (𝜆) = 1 sehingga dapat dinyatakan bahwa data telah stasioner secara varians. Setelahnya akan dilakukan trend analysis untuk trf3.

(39)

29

Gambar 4.3.1.6 Trend Analysis trf3 ANGBER Prabumulih Field

Berdasarkan gambar 4.3.1.6 terlihat bahwa garis merah menunjukkan data menurun dapat dinyatakan belum stasioner secara varians. Maka akan dilakukan diferensasi data trend analysis terhadap trf3 beda1.

Gambar 4.3.1.7 Trend Analysis trf3 beda1 ANGBER Prabumulih Field Berdasarkan gambar 4.3.1.7 setelah dilakukannya diferensasi terlihat bahwa garis merah menunjukkan data menurun dapat dinyatakan belum stasioner secara varians.

(40)

30

Gambar 4.3.1.8 Trend Analysis trf3 beda2 ANGBER Prabumulih Field Berdasarkan gambar 4.3.1.8 setelah dilakukannya diferensasi yang kedua terlihat bahwa garis merah telah lurus, data dapat dinyatakan telah stasioner secara varians.

Setelahnya akan dilakukan autocorrelation dan partial autocorrelation untuk mengetahui apakah data sudah stasioner secara rata-rata atau belum.

Gambar 4.3.1.9 Autocorrelation Function ANGBER Prabumulih Field Suatu sampel data dinyatakan stasioner secara rata-rata yaitu garis lag tidak lebih dari 3 garis. Berdasarkan gambar 4.3.1.9 terlihat bahwa garis merah yang melewati atau mendekati lag ada 1 garis. Pada gambar 4.3.1.10 akan dilihat berapa lag yang melewati atau mendekati untuk dapat menentukan apakah data telah stasioner terhadap rata-rata atau belum.

(41)

31

Gambar 4.3.1.10 Partial Autocorrelation Function ANGBER Prabumulih Field Berdasarkan gambar 4.3.1.10 terdapat 3 garis yang melewati lag dan gambar 4.3.1.9 garis yang melewati lag ada 1 garis, karena autocorrelation function dan partial autocorrelation function garis yang melewati lag tidak lebih dari tiga artinya bahwa data sudah stasioner terhadap rata-rata.

4.3.2 Penentuan Model Terbaik ANGBER (ANGBER) Prabumulih Field dengan ARIMA

Akan dinyatakan pada tabel 4.3.2.1 untuk melihat model ARIMA yang Signifikan.

Tabel 4.3.2.1 Uji Kesignifikan Parameter Model ANGBER

Model Type Coef SE

Coef T-

Value P-

Value Ket ARIMA

(1,1,0) AR 1 -0,178 0,136 -1,3 0,197 Tidak Signifikan ARIMA

(2,1,0) AR 1 -0,197 0,144 -1,37 0,176

Tidak Signifikan

AR 2 -0,069 0,151 -0,46 0,649

Tidak Signifikan ARIMA

(3,1,0) AR 1 -0,202 0,144 -1,4 0,166 Tidak Signifikan AR 2 -0,111 0,157 -0,71 0,483

Tidak Signifikan

AR 3 -0,145 0,152 -0,96 0,342

(0,1,1) MA 1 0,229 0,142 1,61 0,113 Tidak Signifikan ARIMA

(1,1,1) AR 1 0,538 0,251 2,14 0,036 Signifikan

(42)

32

MA 1 0,841 0,184 4,57 0 Signifikan

ARIMA

(2,1,1) AR 1 -0,97 2,23 -0,44 0,665

Tidak Signifikan AR 2 -0,119 0,498 -0,24 0,812 Tidak

Signifikan

MA 1 -0,8 2,2 -0,36 0,718

(3,1,1) AR 1 0,446 0,263 1,69 0,096

Tidak Signifikan AR 2 -0,036 0,165 -0,22 0,83 Tidak

Signifikan AR 3 -0,201 0,174 -1,15 0,253

Tidak Signifikan

MA 1 0,722 0,25 2,89 0,006 Signifikan

ARIMA

(1,2,0) AR 1 -0,593 0,107 -5,57 0 Signifikan ARIMA

(2,2,0) AR 1 -0,785 0,131 -6,01 0 Signifikan AR 2 -0,323 0,136 -2,37 0,021 Signifikan ARIMA

(3,2,0) AR 1 -0,85 0,137 -6,21 0 Signifikan AR 2 -0,491 0,179 -2,75 0,008 Signifikan

AR 3 -0,206 0,143 -1,44 0,155

(0,2,1) MA 1 0,9559 0,0869 10,99 0 Signifikan ARIMA

(1,2,1) AR 1 -0,189 0,146 -1,29 0,202

Tidak Signifikan

MA 1 0,952 0,102 9,34 0 Signifikan

ARIMA

(2,2,1) AR 1 -1,554 0,118 -13,16 0 Signifikan AR 2 -0,602 0,109 -5,52 0 Signifikan

MA 1 -0,944 0,0809 -11,66 0 Signifikan

ARIMA

(3,2,1) AR 1 -0,205 0,146 -1,41 0,165

Tidak Signifikan AR 2 -0,082 0,159 -0,52 0,607

Tidak Signifikan AR 3 -0,114 0,154 -0,74 0,461

Tidak Signifikan

MA 1 0,9785 0,0273 35,86 0 Signifikan

Uji signifikansi dillakukan untuk mengetahui apakah model ARIMA yang telah ditemukan layak atau tidak. Model dikatakan signifikan jika nilai P-Value (probabilitas) seluruh variabel kurang dari 𝛼, dengan 𝛼 = 0,05. Pada tabel 4.3.2.1

(43)

33

Uji Signifikansi terlihat bahwa hasil uji signifikansi setiap parameter model yang nilai parameternya signifikan yaitu ARIMA (1,1,1), ARIMA (1,2,0), ARIMA (2,2,0), ARIMA (0,2,1), ARIMA (2,2,1). Untuk hasil model ARIMA yang parameter tidak signifikan maka tidak dapat dilanjutkan ketahap selanjutnya.

Tabel 4.3.2.2 Uji White Noise ANGBER Model Lag p-value keterangan ARIMA (1,1,1) 12 0,501 White Noise

24 0,098 White Noise 36 0,139 White Noise

ARIMA (2,2,0) 12 0,038

Tidak White Noise 24 0,005

Tidak White Noise

36 0,01

Tidak White Noise

48 0,013 Tidak White

Noise ARIMA (0,2,1) 12 0,341 White Noise

24 0,105 White Noise 36 0,149 White Noise

48 0,17 White Noise

48 0,049

Tidak White Noise

Berdasarkan tabel 4.1.2.2 uji white noise didapatkan 3 model ARIMA yang memenuhi uji white noise yaitu ARIMA (1,1,1), ARIMA (1,2,0), dan ARIMA (0,2,1).

Akan di uji apakah data teresidual normal dapat dilihat pada gambar 4.3.2.3.

data dinyatakan residual normal jika nilai signifikansi lebih besar dari 0,05.

Tabel 4.3.2.3 Uji Kenormalan Residual ANGBER Model P-value Keterangan

(44)

34 ARIMA (1,1,1) <0,010

Tidak Residual Normal ARIMA (1,2,0) 0,107 Residual Normal ARIMA (0,2,1) 0,097 Residual Normal

Berdasarkan tabel 4.3.2.3 Pemilihan model terbaik dengan melalui proses uji kesignifikan parameter model, uji white noise, dan uji kenormalan residual dengan menggunakan uji Kolmogorov-smirnov bahwa dapat diketahui model ARIMA (1,2,0) dan ARIMA (0,2,1) residual normal.

Tabel 4.3.2.4 Model Terbaik ANGBER

Model DF SS MS

ARIMA (1,2,0) 57 1,88E+12 3,31E+10

ARIMA (0,2,1) 57 1,34E+12 2,36E+10

Pemilihan model terbaik dengan melalui proses uji kesignifikan parameter model, uji white noise, dan uji kenormalan residual dengan menggunakan uji Kolmogorov-smirnov bahwa dapat diketahui model ARIMA (0,2,1) merupakan model terbaik yang bisa dipakai dalam meramalkan penyaluran Biosolar. Model ARIMA (0,2,1) dan ARIMA (1,2,0) layak karena pada uji kesignifikan parameter hasil semua parameternya signifikan serta residualnya telah mengandung asumsi white noise dan berdistribusi normal. Apabila terdapat 2 ARIMA yang layak maka dapat kita lihat nilai MSE yang terkecil. Nilai MSE pada ARIMA (0,2,1) lebih kecil dibandingkan dengan nilai MSE dari ARIMA (1,20).

4.3.3 Forecasting ANGBER (Angkutan Berat) Prabumulih Field dengan ARIMA

Didapatkan model terbaik ARIMA yaitu ARIMA (02,1) maka akan dilakukan peramalan penyaluran Biosolar untuk ANGBER (Angkutan Berat).

Tabel 4.3.3.1 Forecasting ANGBER Prabumulih Field 95% Limits

Period Forecast Lower Upper

61 1067360 766272 1368449

62 1098775 663476 1534074

63 1130190 585355 1675026

64 1161605 518885 1804325

65 1193020 459149 1926892

66 1224435 403683 2045188

67 1255851 351061 2160640

(45)

35

68 1287266 300378 2274153

69 1318681 251020 2386341

70 1350096 202555 2497637

71 1381511 154663 2608359

72 1412926 107105 2718747

Berdasarkan pada tabel 4.3.3.1 dapat dilihat hasil forecast ANGBER dengan bantuan software minitab selama 12 bulan kedepan dari juli 2023- juni 2024.

4.3 Regresi Time Series Penyaluran Biosolar ANGBER (Angkutan Berat) Prabumulih Field

4.4.1 Identifikasi Pola Data Penyaluran Biosolar ANGBER (Angkutan Berat) Prabumulih Field

Untuk mendapatkan gambaran tentang data yang digunakan dapat juga menggunakan plot Time Series penyaluran Biosolar pada ANGBER Prabumulih Field. Menggunakan data bulanan dari bulan Juli 2018– Juni 2023, disajikan pada Gambar 4.4.1.1

Gambar 4.4.1.1 Time series plot ANGBER Prabumulih Field

Berdasarkan Gambar 4.4.1.1 dapat dilihat bahwa secara visual data penyaluran Biosolar Pendopo Field tidak mempunyai pola trend baik itu trend menurun maupun naik. Diindikasikan pula tidak terdapat pola musiman sehingga dapat dikatakan bahwa data penyaluran Biosolar ANGBER bulan Juli 2018 sampai juni 2023 tidak mempunyai pola yang tetap dan random dari waktu ke waktu.

Tabel 4.4.1.1 summary ANGBER Prabumulih Field Regression Statistics

Multiple R 0,357428615

(46)

36

R Square 0,127755215

Adjusted R Square 0,112716512 Standard Error 171615,441

Observations 60

Berdasarkan tabel 4.2.1.1 dapat dilihat bahwa R Square atau koefisien determinasi adalah 0,1277% yang artinya 1,2% dipengaruhi periode waktu, sedangkan sisanya 98,8% (dari 100%--98,8%) dipengaruhi oleh faktor-faktor lainnya. Nilai SEE (Standard Error Estimate) adalah 171615,441 artinya perkiraan terhadap kesalahan standar yang bisa terjadi terhadap tingkat penyaluran Biosolar ANGBER (Angkutan Berat) di PT.Pertamina Prabumulih Field.

Tabel 4.4.1.2 ANOVA ANBER Prabumulih Field

Model df SS MS F

Significance F Regression 1 2,50196E+11 2,50196E+11 8,49509517 0,0505272 Residual 58 1,70821E+12 29451859575

Total 59 1,9584E+12

Dari uji Anova atau Ftest, didapatkan Fhitung adalah 8,495 dengan tingkat signifikan 0,0505 > 0,05 maka dapat dikatakan model regresi layak digunakan untuk meramalkan penyaluran Biosolar ANGBER di PT.Pertamina Prabumulih Field.

Tabel 4.4.1.3 Koefisien Regresi ANGBER Prabumulih Field

Coefficie

nts Standard

Error t Stat P-value Lower

95% Upper

95% Lower

95,0% Upper 95,0%

Intercept 187455,6

198 44870,655

34 4,177688

477 0,00010

036 97637,2

444 277274 97637,24 277273,9 951 X

Variable 1

3728,761 1

1279,3236 69

2,914634 654

0,00505 272

1167,91 654

6289,60

6 1167,917

6289,605 657

Berdasarkan tabel 4.4.1.3 bahwa persamaaan garis dapat dirumuskan Model Regresi sebagai berikut :

𝑌 = 187455,6198 + 3728,7611𝑋

4.4.2 Forecasting ANGBER (Angkutan Berat) Prabumulih Field dengan Regresi Time Series

Tabel 4.4.2.1 Forecast ANGBER Prabumulih Field Period Forecast

Lower 95%

Upper 95%

61 414910 168880,2 660939,9

(47)

37

62 418638,8 170048,1 667229,5 63 422367,6 171216 673519,2 64 426096,3 172383,9 679808,8 65 429825,1 173551,8 686098,4 66 433553,9 174719,7 692388 67 437282,6 175887,7 698677,6 68 441011,4 177055,6 704967,2 69 444740,1 178223,5 711256,8 70 448468,9 179391,4 717546,4 71 452197,7 180559,3 723836 72 455926,4 181727,2 730125,6

Berdasarkan tabel 4.4.2.1 menunjukan bahwa hasil dari forecasting ANGBER Prabumulih Field selama 1 tahun kedepan bulan juli 2023-juni 2024, nilai lower 95% artinya nilai batas bawah forecasting dengan tingkat kepercayaan 95% dan error 5%, serta nilai upper 95% artinya batas atas dari forecasting dengan tingkat kepercayaan 95% dan error 5%.

4.5 Penyaluran Biosolar Pendopo Field dengan ARIMA

Tahap awal pada pemodelan time series ARIMA adalah melakukan identifikasi terhadap data yang digunakan dengan membuat Plot Time Series pada data penyaluran BBM.

4.5.1 Penstasioneran Data Penyaluran Biosolar Pendopo Field dengan ARIMA

Pada plot time series dapat terlihat grafik yang menggambarkan kondisi data, seperti pada gambar 4.5.1.1.

Gambar 4.5.1.1 Time Series plot dari Penyaluran BBM Pendopo Field