Pengembangan Model Peramalan Permintaan Produk Bahan Bakar Minyak Berbasiskan Metode Recurrent Neural Network

Abstract

Sebagai perusahaan minyak terbesar di Indonesia, PT. Pertamina memiliki banyak depot yang tersebar di berbagai wilayah. Karakteristik permintaan di berbagai depot tersebut cukup bervariasi. Maka dari itu perlu dilakukan peramalan permintaan BBM agar pengambilan keputusan dapat lebih efisien dan kebutuhan BBM di berbagai wilayah juga dapat terpenuhi. Penelitian ini bertujuan untuk mengembangkan model peramalan produk BBM Solar dan Premium berbasis Recurrent Neural Network agar dapat membantu PT. Pertamina dalam melakukan peramalan. Pengembangan model dibagi menjadi 2. Model 1 dibangun dengan RNN+LSTM sedangkan Model 2 dibangun dengan Clustering+RNN+LSTM. Dalam RNN+LSTM, parameter yang digunakan adalah unit, fungsi aktivasi, dropout, dan recurrent dropout. Pada Clustering, algoritma yang digunakan adalah K-Means dengan parameter pengukuran jarak menggunakan Dynamic Time Warping (DTW). Hasil peramalan menggunakan Model 1 akan dibandingkan dengan hasil permalan menggunakan Model 2 menggunakan uji statistik. Hasil dari penelitian ini adalah Model 2 lebih baik jika digunakan meramalkan data permintaan yang trend-stasioner atau data yang memiliki kecenderungan menurun sedangkan Model 1 lebih baik jika digunakan pada data yang cenderung fluktuatif.