Perpustakaan Digital ITB

Prediksi Prediksi penyaluran Bahan Bakar Minyak (BBM) diperlukan untuk mendukung ketersediaan energi bagi sektor transportasi, industri, dan kegiatan ekonomi. Terminal BBM berperan dalam penerimaan, penyimpanan, pengendalian persediaan, dan penyaluran BBM ke Stasiun Pengisian Bahan Bakar Umum (SPBU) maupun konsumen lainnya. Penyaluran BBM yang dinamis dapat menimbulkan risiko kekurangan stok, kelebihan persediaan, keterlambatan distribusi, dan peningkatan biaya operasional apabila tidak diprediksi secara akurat. Penelitian ini mengembangkan model prediksi penyaluran BBM berbasis machine learning menggunakan data historis Januari 2023 hingga Juli 2024. Penelitian dilakukan melalui lima tahap utama, yaitu data preparation, demand forecasting berbasis machine learning, optimisasi hyperparameter, penerapan feedback filter, dan interpretasi model menggunakan Explainable Artificial Intelligence berbasis SHapley Additive exPlanations (XAI-SHAP). Data Januari–Desember 2023 digunakan sebagai data pelatihan, sedangkan data Januari–Juli 2024 digunakan sebagai data validasi. Fitur pemodelan terdiri atas indeks waktu (t), tahun, bulan, Month_Sin, Month_Cos, Lag1, Lag2, Lag3, Lag6, Lag12, serta fitur statistik bergerak berupa Rolling_Mean dan Rolling_Max. Model yang dibandingkan meliputi Linear Regression, K-Nearest Neighbors (KNN), Neural Network, Deep Neural Network (DNN), eXtreme Gradient Boosting (XGBoost), Prophet, dan Long Short-Term Memory (LSTM). Performa model ditingkatkan melalui optimisasi hyperparameter serta penerapan Filter Kalman dan Particle Filter. Hasil penelitian menunjukkan bahwa kombinasi XGBoost–Filter Kalman menghasilkan performa terbaik untuk seluruh produk dengan MAPE 0,612%. Pada tingkat produk, model terbaik diperoleh oleh LSTM–Filter Kalman untuk Pertalite dengan MAPE 0,511%, XGBoost–Filter Kalman untuk Biosolar B35 dengan MAPE 1,163%, dan LSTM–Filter Kalman untuk Pertamax Bulk dengan MAPE 1,350%. Optimisasi dan penerapan Filter Kalman menurunkan MAPE sebesar 84,70% pada seluruh produk, 83,75% pada Pertalite, 83,78% pada Biosolar B35, dan 86,61% pada Pertamax Bulk. Analisis SHAP menunjukkan bahwa fitur dominan berbeda pada setiap kelompok produk. Indeks waktu (t)menjadi fitur paling dominan pada seluruh produk, yang menunjukkan kuatnya pengaruh tren penyaluran antarbulan. Pada Pertalite, Lag2 menjadi fitur paling berpengaruh, sehingga volume penyaluran dua bulan sebelumnya berperan penting dalam pembentukan prediksi. Pada Biosolar B35 dan Pertamax Bulk, Month_Sin menjadi fitur dominan yang menunjukkan kuatnya pengaruh pola musiman tahunan. Interpretasi Pertalite dan Pertamax Bulk diperoleh melalui model KNN pendukung karena interpretasi SHAP secara langsung terhadap model LSTM belum diterapkan. Analisis ekonomi terhadap hasil model terbaik menunjukkan total underforecast ketiga produk sebesar 1.883.764 liter dan total overforecast sebesar 961.149 liter. Berdasarkan asumsi margin kontribusi 5%, biaya penyimpanan 20% per tahun untuk satu bulan, kapasitas mobil tangki 24.000 liter, dan biaya pengiriman darurat Rp2.000.000 per perjalanan, total estimasi biaya kesalahan prediksi tanpa memperhitungkan demurrage mencapai Rp1.152.186.047. Nilai tersebut merupakan hasil analisis skenario dan perlu disesuaikan apabila data biaya aktual perusahaan tersedia. Secara keseluruhan, sistem yang dikembangkan dapat mendukung perencanaan penyaluran, pengendalian persediaan, evaluasi risiko kesalahan prediksi, dan rekomendasi replenishment di Terminal BBM.