LAPORAN KERJA PRAKTEK DI PT. ANGKASA PURA I (PERSERO) BANDAR UDARA INTERNASIONAL ADI SOEMARMO SURAKARTA
(Studi Kasus : Pengaplikasian Metode Single Moving Average, Single Exponential Smoothing dan Rantai Markov untuk Analisis Peramalan Jumlah Penumpang dan Pesawat Domestik Tahun 2017)
Shofura 14611188
JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA YOGYAKARTA 2017
ii
iii
KATA PENGANTAR
Assalamu’alaikum Wr. Wb. Puji syukur penulis panjatkan kehadirat Allah Swt karena dengan rahmat dan hidayah-Nya telah memberikan kesempatan dan kesehatan kepada penulis sehingga penulis dapat menyelesaikan Laporan Kerja Praktek Di PT.Angkasa Pura I (Persero) Bandar Udara Internasional Adi Soemarmo Surakarta dengan judul studi kasus “Pengaplikasian Metode Single Moving Average, Single Exponential Smoothing dan Rantai Markov untuk Analisis Peramalan Jumlah Penumpang dan Pesawat Domestik Tahun 2017” ini tepat pada waktunya. Penyusunan laporan ini dibuat dalam rangka memenuhi syarat kelulusan mata kuliah Kerja Praktek di Universitas Islam Indonesia. Dalam penyusunan laporan ini, penulis banyak mendapat pengarahan, bimbingan dan saran yang bermanfaat dari berbagai pihak. Maka dari itu, dalam kesempatan ini Penulis mengucapkan banyak terimakasih kepada : 1. Ayah, Mamah dan Adik tercinta atas segala doa dan perjuangan terbaik untuk penulis selama ini. 2. Bapak Dr. RB Fajriya Hakim S.Si., M.Si. selaku Ketua Jurusan Statistika. 3. Bapak M. Hasan Sidiq K. S.Si., M.Sc. selaku Dosen Pembimbing Kerja Praktek yang telah berkorban banyak waktu memberikan pengarahan dalam penyusunan laporan ini. 4. Seluruh Dosen Jurusan Statistika Universitas Islam Indonesia yang telah banyak memberikan bimbingan selama masa perkuliahan. 5. Pt.Angkasa Pura I (Persero) Bandar Udara Adi Soemarmo Surakarta khususnya bagian Airport Operation, Services & Hospitality Section yang telah memberikan kesempatan bagi penulis untuk melakukan kegiatan kerja praktek.
iv
6. Bapak I Wayan Ova Arantika selaku Airport Operation, Services & Hospitality Section Head. 7. Mba Tantri Dyah Ayu L selaku Pembimbing Lapangan yang telah memberikan pengarahan selama melakukan kegiatan kerja praktek. 8. Rekan-rekan kerja maupun karyawan bagian Airport Operation, Services & Hospitality Section. 9. Seluruh rekan satu perjuangan program studi Statistika 2014 Universitas Islam Indonesia. Penulis menyadari bahwa Laporan Kerja Praktek ini dapat dikembangkan dengan lebih baik lagi, maka dengan segala kerendahan hati kepada semua pihak untuk memberikan saran demi adanya perbaikan untuk kedepannya. Akhirnya kepada Allah Swt. Penulis berserah diri, semoga apa yang penulis lakukan mendapat ridho-Nya. Wassalamu’alaikum Wr. Wb.
Yogyakarta, 15 September 2017
Penulis
v
DAFTAR ISI KATA PENGANTAR ................................................................................... iv DAFTAR ISI .................................................................................................. vi DAFTAR TABEL ........................................................................................ viii DAFTAR GAMBAR ...................................................................................... x DAFTAR LAMPIRAN ................................................................................. xii ABSTRAK ................................................................................................... xiii BAB I PENDAHULUAN ................................................................................ 1 1.1 Latar Belakang Masalah ............................................................... 1 1.2 Rumusan Masalah ......................................................................... 2 1.3 Batasan Masalah............................................................................ 3 1.4 Tujuan Penelitian .......................................................................... 3 1.5 Manfaat Penelitian ........................................................................ 4 BAB II TINJAUAN INSTITUSI .................................................................... 5 2.1 Sejarah Bandara Adi Soemarmo ................................................... 5 2.2 Sejarah PT. Angkasa Pura I (Persero) ........................................... 6 2.3 Profil Bandara ............................................................................... 7 2.4 Visi, Misi dan Tujuan Bandara ...................................................... 8 2.4.1 Visi ....................................................................................... 8 2.4.2 Misi ...................................................................................... 8 2.4.3 Nilai ...................................................................................... 8 2.5 Struktur Organisasi ...................................................................... 9 BAB III LANDASAN TEORI ...................................................................... 13 BAB IV STUDI KASUS .............................................................................. 26 4.1 Tempat dan Waktu Kerja Praktek ............................................... 26 4.2 Proses Pengambilan Data ............................................................ 26 4.3 Metode Analisis .......................................................................... 26 4.4 Statistika Deskriptif..................................................................... 27 4.5 Analisis Metode Single Moving Average .................................... 30 4.5.1 Jumlah Kedatangan Pesawat Domestik ............................. 30 vi
4.5.2 Jumlah Keberangkatan Pesawat Domestik ........................ 34 4.5.3 Jumlah Kedatangan Penumpang Domestik ........................ 37 4.5.4 Jumlah Keberangkatan Penumpang Domestik .................. 40 4.6 Analisis Metode Single Exponential Smoothing ......................... 43 4.6.1 Jumlah Kedatangan Pesawat Domestik ............................. 43 4.6.2 Jumlah Keberangkatan Pesawat Domestik ........................ 46 4.6.3 Jumlah Kedatangan Penumpang Domestik ........................ 50 4.6.4 Jumlah Keberangkatan Penumpang Domestik .................. 54 4.7 Perbandingan Hasil Peramalan dengan Menggunakan Metode Single Moving Average dan Single Exponential Smoothing....... 57 4.8 Analisis Metode Rantai Markov ................................................. 58 BAB V KESIMPULAN DAN SARAN ........................................................ 74 5.1 Kesimpulan ................................................................................. 74 5.2 Saran ............................................................................................ 75 DAFTAR PUSTAKA ................................................................................... 76 LAMPIRAN
vii
DAFTAR TABEL
Tabel
Keterangan
Halaman
3.1
Matriks Peluang Transitas
24
4.1
Perbandingan Nilai Peramalan, SSE, MSE, MAD
33
dan MAPE 4.2
Perbandingan Nilai Peramalan, SSE, MSE, MAD
36
dan MAPE 4.3
Perbandingan Nilai Peramalan, SSE, MSE, MAD
39
dan MAPE 4.4
Perbandingan Nilai Peramalan, SSE, MSE, MAD
42
dan MAPE 4.5
Perbandingan Nilai Peramalan, MSE, MAD dan MAPE
4.6
45
dan
Perbandingan Nilai Peramalan, MSE, MAD dan
45
MAPE 4.7
Perbandingan Nilai Peramalan, MSE, MAD dan
46
MAPE 4.8
Perbandingan Nilai Peramalan, MSE, MAD dan MAPE
4.9
49
dan
Perbandingan Nilai Peramalan, MSE, MAD dan
49
MAPE 4.10
Perbandingan nilai peramalan, MSE, MAD dan
49
MAPE 4.11
Perbandingan Nilai Peramalan, MSE, MAD dan MAPE
4.12
52
dan
Perbandingan Nilai Peramalan, MSE, MAD dan
53
MAPE 4.13
Perbandingan Nilai Peramalan, MSE, MAD dan MAPE
viii
53
4.14
Perbandingan Nilai Peramalan, MSE, MAD dan MAPE
4.15
56
dan
Perbandingan Nilai Peramalan, MSE, MAD dan
56
MAPE 4.16
Perbandingan Nilai Peramalan, MSE, MAD dan
57
MAPE 4.17
Perbandingan Mean Absolute Percentage Error
58
(MAPE) 4.18
Matriks Peluang Transisi Awal
58
4.19
Nilai Peluang Transisi Periode-Periode
59
Berikutnya 4.20
Matriks Peluang Transisi Awal
61
4.21
Nilai Peluang Transisi Periode-Periode
62
Berikutnya 4.22
Matriks Peluang Transisi Awal
64
4.23
Nilai Peluang Transisi Periode-Periode
65
Berikutnya 4.24
Matriks Peluang Transisi Awal
69
4.25
Nilai Peluang Transisi Periode-Periode
70
Berikutnya
ix
DAFTAR GAMBAR
Gambar
Keterangan
Halaman
2.1
Logo PT. Angkasa Pura I(Persero)
7
3.1
Pola Data Musiman
18
3.2
Pola Data Siklis
18
3.3
Pola Data Trend
18
4.1
Pergerakan Kedatangan dan Keberangkatan
27
Pesawat Domestik Per Tahun 4.2
Pergerakan Kedatangan dan Keberangkatan
28
Pesawat Domestik Per Bulan Tahun 2016 4.3
Pergerakan Kedatangan dan Keberangkatan
28
Penumpang Domestik Per Tahun 4.4
Pergerakan Kedatangan dan Keberangkatan
29
Penumpang Domestik Per Bulan Tahun 2016 4.5
Grafik Kedatangan Pesawat Domestik 2012-
30
2016 4.6
Hasil Peramalan Single Moving Average
31
Orde 2 dan Orde 3 4.7
Hasil Peramalan Single Moving Average
32
Orde 4, Orde 5 dan Orde 6 4.8
Grafik Keberangkatan Pesawat Domestik
34
4.9
Hasil Peramalan Single Moving Average
35
Orde 2 dan Orde 3 4.10
Hasil Peramalan Single Moving Average
35
Orde 4, Orde 5 dan Orde 6 4.11
Grafik Kedatangan Penumpang Domestik
37
4.12
Hasil Peramalan Single Moving Average
38
Orde 2 dan Orde 3 4.13
Hasil Peramalan Single Moving Average
x
38
Orde 4, Orde 5 dan Orde 6 4.14
Grafik Keberangkatan Penumpang Domestik
40
4.15
Hasil Peramalan Single Moving Average
41
Orde 2 dan Orde 3 4.16
Hasil Peramalan Single Moving Average
41
Orde 4, Orde 5 dan Orde 6 4.17
Hasil Peramalan Single Exponential Smoothing dengan
4.18
43 dan
Hasil Peramalan Single Exponential
44
Smoothing dengan dan 4.19
Hasil Peramalan Single Exponential Smoothing dengan
4.20
47 dan
Hasil Peramalan Single Exponential
47
Smoothing dengan dan 4.21
Hasil Peramalan Single Exponential Smoothing dengan
4.22
50 dan
Hasil Peramalan Single Exponential
51
Smoothing dengan dan 4.23
Hasil Peramalan Single Exponential Smoothing dengan
4.24
54 dan
Hasil Peramalan Single Exponential Smoothing dengan dan
xi
55
DAFTAR LAMPIRAN Lampiran 1
Bagan Struktur Organisasi
Lampiran 2
Data Kedatangan Pesawat Domestik
Lampiran 3
Data Keberangkatan Pesawat Domestik
Lampiran 4
Data Kedatangan Penumpang Domestik
Lampiran 5
Data Keberangkatan Penumpang Domestik
Lampiran 6
Perhitungan Rantai Markov
Lampiran 7
Dokumentasi
xii
ABSTRAK Pada era globalisasi, seiring dengan bertambahnya jumlah penduduk, maka kebutuhan akan alat transportasi juga meningkat, salah satunya adalah alat transportasi udara, yaitu pesawat terbang. Di PT. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta tercatat mengalami kenaikan pada jumlah penumpang dan pesawat domestiknya. Tujuan penelitian ini yaitu menentukan peramalan terhadap jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik tahun 2017 dan melihat peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik. Metode peramalan yang digunakan yaitu Moving Average, Exponential Smoothing dan Rantai Markov. Alasan kedua metode peramalan tersebut digunakan karena dilihat dari pola datanya. Rantai Markov digunakan untuk melihat peluang terjadinya peningkatan dan penurunan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestiknya. Berdasarkan analisis yang dilakukan dapat disimpulkan hasil peramalan caturwuan 1 untuk data jumlah kedatangan pesawat domestik untuk tahun 2017 adalah 867 kedatangan, dan jumlah keberangkatannya adalah 1.039 keberangkatan. Hasil peramalan data jumlah kedatangan penumpang domestik untuk tahun 2017 adalah 101.758 penumpang dan jumlah keberangkatannya adalah 59.574 penumpang. Peluang naik dan turunnya jumlah kedatangan pesawat yaitu sebesar 0,6401 dan 0,3599. Peluang naik dan turunnya jumlah keberangkatan pesawat yaitu sebesar 0,5 dan 0,5. Peluang naik dan turunnya jumlah kedatangan penumpang yaitu sebesar 0,2903 dan 0,7097. Peluang naik dan turunnya jumlah keberangkatan penumpang yaitu sebesar 0,3478 dan 0,6522. Kata Kunci : Penumpang, Pesawat, Kedatangan, Keberangkatan, Bandara Adi Soemarmo Surakarta, Moving Average, Exponential Smoothing, Rantai Markov.
xiii
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah Pada era globalisasi, perkembangan zaman maju dengan pesat, salah satunya dalam bidang transportasi. Seiring dengan bertambahnya jumlah penduduk, maka kebutuhan akan alat transportasi juga meningkat. Salah satunya alat transportasi udara, yaitu pesawat terbang merupakan salah satu sarana yang dapat digunakan masyarakat untuk menunjang aktivitasnya, baik dalam hal bisnis maupun pariwisata. Perlambatan ekonomi yang tengah terjadi saat ini tak mengurangi minat masyarakat untuk melakukan perjalanan dengan pesawat terbang. Data Badan Pusat Statistik (BPS) mencatat jumlah penumpang moda transportasi yang bagi sebagian besar masyarakat Indonesia adalah barang mewah ini justru terus meningkat. Menilik data BPS yang dipublikasikan 1 Juli 2016, tercatat bahwa pada periode Januari-Mei 2016 jumlah penumpang pesawat udara di dalam negeri mengalami kenaikan 18,04% menjadi 31,5 juta orang. Menurut Suryamin selaku Kepala BPS mengatakan bahwa kenaikan jumlah penumpang transportasi udara domestik tertinggi sepanjang sejarah, artinya naik terus dari bulan ke bulan dan tahun ke tahun. Solo merupakan salah satu kota menengah dengan sistem transportasi yang cukup lengkap. Hal tersebut dikarenakan Solo terkenal sebagai kota wisata dengan warisan kebudayaan Jawa yang masih terjaga. Kemudahan dalam mengakses kota Solo ditunjang dengan adanya transportasi udara di Bandara Adi Soemarmo. Dengan banyaknya peminat dalam penggunaan transportasi udara, pihak-pihak yang terkait seperti perusahaan penerbangan dan penyedia layanan penerbangan yaitu bandar udara berusaha untuk melakukan berbagai langkah dalam pemenuhan kebutuhan pelanggan yang semakin meningkat dari masa ke masa.
2
PT. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta merupakan perusahaan penyedia jasa transportasi udara di Surakarta. Sejak keadaannya ditingkatkan menjadi bandar udara internasional pada tahun 1989 jumlah penumpang dan penerbangan pesawat terbang di Bandar Udara Internasional Adi Soemarmo Surakarta mengalami peningkatan. Data dilansir pihak Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta menyebutkan, adanya kenaikan jumlah kedatangan dan keberangkatan penumpang domestik hingga 49% pada tahun 2016 dibanding tahun sebelumnya. Selain itu terjadi peningkatan kedatangan dan keberangkatan pesawat domestik sebesar 16% pada tahun 2016. Berdasarkan hal diatas, menarik untuk diketahui peramalan tentang jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017. Oleh karena itu digunakan metode peramalan Single Moving Average (SMA) dan Single Exponential Smoothing (SES). Peramalan tersebut tentunya menjadi hal yang penting bagi perusahaan karena dengan mengetahui prediksi jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik di masa yang akan datang maka perusahaan dapat mempersiapkan fasilitas–fasilitas untuk mengantisipasi kenaikan jumlah penumpang, seperti menyiapkan penerbangan ekstra, ruang tunggu yang lebih nyaman, dan tempat parkir yang lebih luas. Selain metode SMA dan SES yang digunakan, akan digunakan pula analisis rantai markov. Analisis rantai markov juga digunakan untuk melihat peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017.
1.2 Rumusan Masalah Rumusan masalah penulisan laporan kerja praktek ini adalah sebagai berikut : 1. Bagaimana peramalan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017 menggunakan single moving average ?
3
2. Bagaimana peramalan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017 menggunakan single exponential smoothing ? 3. Apa metode peramalan terbaik diantara single moving average dan single exponential smoothing ? 4. Barapa peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik menggunakan rantai markov ?
1.3 Batasan Masalah Dalam penulisan ini penulis hanya membatasi pada hal : 1. Penerapan metode peramalan Single Moving Average dan Single Exponential Smoothing. 2. Peramalan dilakukan hanya untuk jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017. 3. Hasil peramalan diperuntukkan untuk PT. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta. 4. Selain menggunakan metode peramalan, analisis lain yang digunakan yaitu rantai markov.
1.4 Tujuan Penelitian Tujuan penulisan laporan kerja praktek ini adalah sebagai berikut : 1. Mengetahui peramalan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017 menggunakan single moving average. 2. Mengetahui peramalan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017 menggunakan single exponential smoothing. 3. Memilih metode peramalan terbaik diantara single moving average dan single exponential smoothing. 4. Melihat peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik menggunakan rantai markov.
4
1.5 Manfaat Penelitian Manfaat penulisan laporan kerja praktek ini adalah sebagai berikut : 1. Bagi Instansi Hasil peramalan ini diharapkan dapat digunakan sebagai bahan masukkan bagi PT. Angkasa Pura I (Persero) Bandar Udara Internasional Adi Soemarmo Surakarta untuk mengambil keputusan dan penentuan target dalam usaha meningkatkan dan mempersiapkan fasilitas-fasilitas pelayanan terbaik bagi pelanggan di masa yang akan datang. 2. Bagi Jurusan Statistika a. Agar dapat dijadikan sebagai bahan studi kasus bagi pembaca dan acuan bagi mahasiswa serta dapat memberikan bahan referensi bagi pihak perpustakaan. b. Sebagai bahan bacaan yang dapat menambah ilmu pengetahuan bagi pembaca dalam hal ini mahasiswa yang lain. 3. Bagi Mahasiswa a. Sebagai sumber ilmu pengetahuan untuk memperluas wawasan tentang metode peramalan single moving average, single exponential smoothing dan rantai markov. b. Membantu mengaplikasikan ilmu yang telah diperoleh selama di perkuliahan sehingga menunjang kesiapan untuk terjun ke dalam dunia kerja.
BAB II TINJAUAN INSTANSI
2.1 Sejarah Bandar Udara Adi Soemarmo Bandar Udara Adi Soemarmo Surakarta dulu bernama Pangkalan Udara (Lanud) Panasan, karena terletak di kawasan Panasan. Bandara ini dulu bernama Pangkalan Udara (Lanud) Panasan yang dibangun pertama kali pada tahun 1940 oleh Pemerintah Belanda sebagai lapangan terbang darurat. Ketika bala tentara Jepang masuk ke Indonesia bandara tersebut sempat dihancurkan oleh Belanda namun dibangun lagi oleh Pemerintah Jepang sejak pada tahun 1942 sebagai basis militer penerbangan angkatan laut (Kaigun Bokusha). Setelah Proklamasi Kemerdekaan Republik Indonesia penyelenggaraan bandara dilaksanakan oleh “Penerbangan Surakarta” yang diresmikan pada tanggal 6 Februari 1946. Pada tanggal 1 Mei 1946, penerbangan Surakarta sejak berubah menjadi “Pangkalan Udara Panasan” yang hanya diperuntukkan penerbangan militer. Pangkalan udara tersebut pertama kali digunakan secara resmi untuk penerbangan komersial pada tanggal 23 April 1974 yang dilayani oleh Garuda Indonesia dengan rute Jakarta-Kemayoran-Solo & Solo-Jakarta-Kemayoran
dengan
frekuensi 3-kali seminggu. Pada tanggal 25 Juli 1977, “Pangkalan Udara Panasan” berubah nama menjadi “Pangkalan Udara Utama Adi Soemarmo” yang diambil dari nama Adi Soemarmo Wiryokusumo (adik dari Agustinus Adisucipto). Pada tanggal 31 Maret 1989, bandara ini ditetapkan menjadi Bandara Internasional dengan melayani penerbangan rute Solo-Kuala Lumpur & SoloSingapore-Changi. Pada tanggal 1 Januari 1992, Bandara Adi Soemarmo dikelola oleh Perusahaan Umum Angkasa Pura I yang pada tanggal 1 Januari 1993 berubah keadaan menjadi Persero Terbatas Angkasa Pura I sampai dengan sekarang. Bandara Adi Soemarmo adalah bandara internasional yang melayani kota Surakarta (Solo) 57108, Jawa Tengah yang terletak di Kecamatan Ngemplak, Kabupaten Boyolali, Jawa Tengah.
6
Sejak saat itu tumbuh permukiman dan bertambahnya sektor perdagangan dan jasa di sekitar kawasan Bandara Adi Soemarmo. Namun, adanya pertumbuhan ini bukan berbentuk kota dengan bangunan-bangunan tinggi karena berada pada area penerbangan sehingga ketinggian bangunan dibaasi untuk keselamatan. Adanya pertumbuhan yang pesat tersebut ditunjang oleh tingginya mobilitas pada kawasan di sekitar bandara, akses menuju kawasan sekitar bandara pun telah banyak dilakukan perbaikan baik dari segi sarana maupun prasarana sehingga muncul banyak kawasan permukiman dan perdagangan jasa di kawasan tersebut. Bandara Adi Sumarmo saat ini memiliki jalur landasan 6200m x 45m, terminal internasional 3.517 m2 dan domestik 9.438 m2. Bandara ini berjarak sekitar 14 KM dari Kota Surakarta, beroperasi mulai pukul 06.00 WIB hingga 19.00 WIB. Adapun fasilitas yang ada di Bandara Adi Sumarmo diantaranya terminal domestik dan internasioal yang masing-masing memiiki tiga lantai baik untuk terminall kedatangan maupun keberangkatan. Fasilitas-fasilitas publik yang bisa digunakan diantaranya International baggage claim, ruang grafity roller, ruang kedatangan, ruang keberangkatan, ruang tiket, bank, bea cukai, money changer, toilet, konsesi dan lain sebagainya. Adapun maskapai penerbangan yang masuk dalam jadwal penerbangan reguler di Bandara Adi Sumarmo diantaranya adalah pesawat Garuda Indonesia, Sriwijaya Air, Lion Air, Trigana Air, Kalstar Aviation, Citilink, Wings Air, Silk Air dan Air Asia.
2.2 Sejarah PT. Angkasa Pura I (Persero) PT. Angkasa Pura I (Persero) merupakan salah satu Badan Usaha Milik Negara (BUMN) dalam lingkungan Departemen Perhubungan udara khususnya menyediakan jasa penerbangan udara. Wilayah kerja PT. Angkasa Pura I (Persero) meliputi sebagian besar bandara-bandara di kawasan timur Indonesia, sedangkan kawasan barat Indonesia pengaturanya ditangani oleh PT. Angkasa Pura II (Persero). Manajemen Bandara Internasional Adi Soemarmo Surakarta berada dalam wilayah kerja PT. Angkasa Pura I (Persero).
7
Gambar 2.1 Logo PT. Angkasa Pura I (Persero)
PT. Angkasa Pura I (Persero) telah mengelola sebagian besar bandar udara di indonesia terutama sebagai kawasan timur Indonesia. Keseluruhan Bandar Udara yang berada dalam jajaran pengelolaan PT. Angkasa Pura I (Persero) antara lain: 1. Bandar Udara Internasional Adisucipto, Yogyakarta 2. Bandar Udara Internasional Ahmad Yani, Semarang 3. Bandar Udara Syamsudin Noor, Banjarmasin 4. Bandar Udara Internasional Adi Soemarmo, Surakarta 5. Bandar Udara Internasional Frans Kaisepo, Biak 6. Bandar Udara Internasional Ngurah Rai, Denpasar 7. Bandar Udara Internasional Hasanudin, Ujung Pandang 8. Bandar Udara Internasional Juanda, Surabaya 9. Bandar Udara Internasional Sepinggan, Balikpapan 10. Bandar Udara Internasional Sam Ratulangi, Manado 11. Bandar Udara Pattimura, Ambon 12. Bandar Udara Internasional Selarapang, Lombok 13. Bandar Udara El Tari Kupang
2.3 Profil Bandara Nama : Bandar Udara Internasional Adi Soemarmo Surakarta Tahun Berdiri: 1946 Telepon: (0271) 780715, 780400 E-mail:
[email protected] Faksimile: (0271) 780715
8
Alamat: Bandara Adi Soemarmo Surakarta Tromol pos 800, kode pos 57108 Klasifikasi Bandara: Kelas IIA Jam operasi: 12 jam Terminal: 1. Domestik 2. Internasional Fasilitas Pengamanan: X-Ray, Walk Trough, Hand Metal Detector Transportasi: Taksi Fasilitas Penunjang Lain : Imigrasi, Bea Cukai, Karantina, Gedung Kargo Pelayanan Umum: Bank, Konsesioner, Telepon Umum
2.4 Visi, Misi dan Nilai Organisasi 2.4.1
Visi a. Menjadi salah satu dari sepuluh perusahaan pengelola bandara udara terbaik di Asia. b. Menjadi perusahaan yang efisien, proaktif, mengandalkan system dan prosedur, serta selalu komitmen terhadap kualitas pelayanan. c. Menjadi perusahaan yang maju dan sukses di Asia.
2.4.2
Misi a. Meningkatkan nilai pemangku kepentingan b. Menjadi mitra pemerintah dan pendorong pertumbuhan ekonomi c. Mengusahakan jasa kebandarudaraan melalui pelayanan prima yang memenuhi standar keamanan, keselamatan dan kenyamanan. d. Meningkatkan daya saing perusahaan melalui kreatifitas dan inovasi. e. Memberikan kontribusi positif terhadap lingkungan hidup.
2.4.3
Nilai a. Sinergi : Cara insan Angkasa Pura Airports menghargai keragaman dan keunikan setiap elemen untuk memberi nilai tambah bagi perusahaan, pembangunan ekonomi, dan lingkungan dimanapun insan Angkasa Pura Airports berada.
9
b. Terpercaya : Karakter insan Angkasa Pura Airports yang senantiasa selaras antara kata dengan perbuatan, jujur dalam menjalankan tugas serta kewajiban, dan dapat diandalkan. c. Adaptif : Daya, semangat dan hasrat insan Angkasa Pura Airports yang pantang menyerah, proaktif merespon perubahan dan kaya akan inovasi. d. Unggul : Komitmen insan Angkasa Pura Airports memberikan layanan prima dengan profesional dan bertanggung jawab untuk memuaskan pelanggan secara berkelanjutan. 2.5 Struktur Organisasi Struktur organisasi kantor cabang PT. Angkasa Pura I (Persero) kantor cabang Bandar Udara Internasional Adi Soemarmo Surakarta adalah sebagai berikut: a. General Manager (GM) General manajer mempunyai tugas antara lain : 1. Sebagai pimpinan tertinggi Kantor Cabang PT. Angkasa Pura I (Persero). 2. Sebagai koordinator dalam pelaksanaan tugas-tugas yang diemban oleh Kantor Cabang PT. Angkasa Pura I (Persero) sesuai dengan pedoman dan kebijaksanaan yang digariskan direksi. 3. Mengkoordinir semua tugas yang dilakukan oleh Manajer dan Asisten manajer. b. Airport Duty Manager (ADM) Airport Duty Manager (ADM) merupakan staf fungsional yang memiliki fungsi penanggulangan masalah pelayanan operasional bandar udara selama waktu berlangsungnya kegiatan pelayanan operasi bandar udara, yang menjalankan tugasnya secara bergiliran. Dalam melaksanakan fungsi dan tugasnya Airport Duty Manager bertanggung jawab kepada General Manager.
10
c. Kepala Unit Pengadaan Kepala unit pengadaan bertugas menangani pengadaan dan pemesanan kupon PJP2U. Kepala Unit Pengadaan bertanggung jawab kepada General Manager. d. Manager Operasi dan Teknik Manager Operasi dan Teknik mempunyai tugas-tugas sebagai berikut : 1. Menyiapkan, melaksanakan, mengendalikan dan melaporkan kegiatan pelayanan jasa operasi keselamatan dan keamanan bandar udara. 2. Menyiapkan, melaksanakan, mengendalikan dan melaporkan kegiatan pelayanan jasa operasi bandar udara. 3. Menyiapkan, melaksanakan, mengendalikan dan melaporkan kegiatan pelayanan jasa operasi lalu lintas penerbangan. 4. Menyiapkan, melaksanakan, mengendalikan dan melaporkan kegiatan pembangunan dan pemeliharaan fasilitas teknik umum dan peralatan bandar udara. 5. Menyiapkan, melaksanakan, mengendalikan dan melaporkan kegiatan pembangunan dan pemeliharaan fasilitas teknik elektronika dan listrik bandar udara. Dalam melaksanakan tugasnya Manager Operasi dan Teknik dibantu oleh: 1. Asisten Manager Keselamatan dan Keamanan Bandara. Asisten manager keselamatan dan keamanan bandara, mempunyai tugas membuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan pelayanan operasi pertolongan kecelakaan penerbangan dana pemadaman kebakaran serta pengamanan dan penertiban umum bandar udara. 2. Asisten Manager Pelayanan Bandar Udara. Asisten manager pelayanan bandar udara, mempunyai tugas membuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan pelayanan operasi sisi udara (air side), sisi darat (land side), terminal serta penerbangan bandar udara.
11
3. Asisten Manager Operasi Lalu lintas Penerbangan. Asisten manager operasi lalu lintas penerbangan, mempunyai tugas membuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan pelayanan jasa operasi lalu lintas penerbangan serta menunjang
kegiatan
pencarian
dan
pertolongan
kecelakaan
penerbangan di daerah adarahaerodrome traffic zone (ATZ), pelayanan jasa bantuan operasi penerbangan berupa komunikasi penerbangan dan penerangan aeronautika. 4. Asisten Manager Teknik Umum dan Peralatan. Asisten manager teknik umum dan peralatan, mempunyai tugas mebuat rencana kerja, menyelengaarakan dan melaporkan hasil pelaksanaan kegiatan penyiapan pakai fasilitas bangunan, landasan, tata lingkungan bandar udara, mekanikal, air bersih, kendaraan operasi, alat-alat besar serta perbengkelan. 5. Asisten Manager Teknik Elektronika dan Listrik. Asisten manager teknik elektronika dan listrik , mempunyai tugas membuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan penyiapan pakai fasilitas teknik keselamatan penerbangan yang meliputi
telekomunikasi
penerbangan,
navigasi
udara,
radar,
elektronika dan listrik bandar udara yang meliputi sistem pembangkit jaringan listrik. e. Manager Keuangan, Komersial dan Umum Manager keuangan, komersial dan umum mempunyai tugas sebagai koordinator dalam menyiapkan dan melaksanakan kegiatan : 1. Komersial dan Pengembangan Usaha 2. Akuntansi dan Anggaran 3. Perbendaharaan dan Program Kemitraan dan Bina Lingkungan (PKBL) 4. Personalia dan Umum Manager Keuangan, komersial dan umum dibantu oleh empat asisten manager, yaitu:
12
1. Asisten Manager Komersial dan Pengembangan Usaha, mempunyai tugas membuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan pengembangan produk jasa, pemasaran dan pemungutan
pendapatan
jasa
pelayanan
aeronautika
serta
non
aeronautika. 2. Asisten Manager Akuntansi dan Anggaran, mempunyai tugas membuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan pencatatan dan pelaporan akuntansi keuangan, akuntansi manajemen, akuntansi persediaan dan aktiva tetap serta penyusunan, pengendalian dan pelaporan anggaran Kantor Cabang PT. Angkasa Pura I (Persero). 3. Asisten Manager Perbendaharaan dan PKBL, mempunyai tugas membuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan pengelolaan penerimaan dan pengeluaran kas atau bank (manajemen kas), administrasi dan penyimpanan surat berharga, bukti-bukti kekayaan perusahaan serta penghapusan aset, pengelolaan, penarikan dan pencairan piutang, perpajakan, pemotongan dan penyetoran
iuran
menyelenggarakan pengelolaan
pegawai, dan
penerimaan,
kegiatan
melaporkan
hasil
penyimpanan
dan
administrasi
lainya,
pelaksanaan
kegiatan
pengelolaan
barang
persediaan di gudang beserta administrasi pendukungnya serta penyaluran dana dan pengendalian PKBL. 4. Asisten Manager Personalia dan Umum, mempunyai tugas mebuat rencana kerja, menyelenggarakan dan melaporkan hasil pelaksanaan kegiatan perencanaan dan pengembangan personalia, administrasi personalia, ketatausahaan kantor, hukum, hubungan masyarakat, sistem informasi manajemen (SIM) sebagai alat bantu untuk percepatan dan ketepatan pengambilan keputusan manajemen, termamsuk perangkat keras dan perangkat lunaknya, kegiatan pengumpulan, pengelolaan, penyajian data dan laporan, pengadaan barang dan jasa.
BAB III LANDASAN TEORI 3.1 Penumpang Menurut Damardjati (1995:75) pengertian penumpang adalah: “ Setiap orang yang diangkut ataupun yang harus diangkut di dalam pesawat udara ataupun alat transportasi lainnya, atas dasar persetujuan dari perusahaan ataupun badan yang menyelenggarakan transportasi tersebut “. Menurut Yoeti (1999:22) pengertian penumpang adalah pembeli produk dan jasa pada suatu perusahaan adalah pelanggan perusahaan barang dan jasa mereka dapat berupa seseorang (individu) dan dapat pula sebagai suatu perusahaan. Pengertian
penumpang
lainnya
menurut
wikipedia
(http://id.m.wikipedia.org/wiki/Penumpang. Diakses 02 Mei 2017) adalah seseorang yang hanya menumpang, baik itu pesawat, kereta api, bus, maupun jenis transportasi lainnya, tetapi tidak termasuk awak mengoperasikan dan melayani wahana tersebut. Penumpang bisa dikelompokkan dalam dua kelompok: 1. Penumpang yang naik suatu mobil tanpa membayar, apakah dikemudikan
oleh pengemudi atau anggota keluarga. 2. Penumpang umum adalah penumpang yang ikut dalam perjalanan dalam
suatu wahana dengan membayar, wahana bisa berupa taksi, bus, kereta api, kapal ataupun pesawat terbang. Pengertian penumpang diatas sangatlah
luas maka dapat disimpulkan
yang dimaksud dengan penumpang dapat diartikan seseorang (individu) dan satu perusahaan (kelompok) yang menggunakan jasa transportasi untuk suatu perjalanan tertentu dengan mengeluarkan sejumlah uang sebagai imbalan bagi pengangkut dengan kata lain dapat didefinisikan orang telah membeli tiket, berarti orang yang melakukan perjalanan dengan menggunakan alat tranportasi yang disediakan oleh pihak transportasi atau perusahaan niaga dan terikat kontrak dan persetujuan dengan pengangkut tertera di dalam tiket dengan pengangkut selama perjalanan.
14
3.2 Transportasi Transportasi adalah pemindahan manusia atau barang dari satu tempat ke tempat lainnya dalam waktu tertentu dengan menggunakan sebuah kendaraan yang digerakkan oleh manusia, hewan, maupun mesin. Definisi transportasi menurut beberapa ahli adalah sebagai berikut (Setijowarno dan Frazila, 2003): 1.
Menurut Morlok (1978), transportasi didefinisikan sebagai kegiatan memindahkan atau mengangkut sesuatu dari suatu tempat ketempat lain.
2. Menurut Bowersox (1981), transportasi adalah perpindahan barang atau penumpang dari suatu tempat ketempat lain, dimana produk dipindahkan ke tempat tujuan dibutuhkan. Dan secara umum transportasi adalah suatu kegiatan memindahkan sesuatu (barang dan/atau barang) dari suatu tempat ke tempat lain, baik dengan atau tanpa sarana. 3. Menurut Steenbrink (1974), transportasi adalah perpindahan orang atau barang dengan menggunakan alat atau kendaraan dari dan ke tempattempat yang terpisah secara geografis. 4. Menurut Papacostas (1987), transportasi didefinisikan sebagai suatu sistem yang terdiri dari fasilitas tertentu beserta arus dan sistem control yang memungkinkan orang atau barang dapat berpindah dari suatu temapat ke tempat lain secara efisien dalam setiap waktu untuk mendukung aktivitas manusia. Secara garis besar, transportasi dibedakan menjadi 3 yaitu: transportasi darat, air, dan udara. Pemilihan penggunaan moda transportasi tergantung dan ditentukan oleh beberapa faktor, yaitu: a. Segi Pelayanan b. Keandalan dalam Bergerak c. Keselamatan dalam Perjalanan d. Biaya e. Jarak Tempuh f. Kecepatan Gerak g. Keandalan h. Keperluan
15
i. Fleksibilitas j. Tingkat Populasi k. Penggunaan Bahan Bakar l. Dan Lainnya Masing-masing moda transportasi menurut Djoko Setijowarno dan Frazila (2003), memiliki ciri-ciri yang berlainan, yakni dalam hal: a. Kecepatan, menunjukan berapa lama waktu yang dibutuhkan untuk bergerak antara dua lokasi. b. Tersedianya pelayanan (availability of service), menyangkut kemampuan untuk menyelenggarakan hubungan antara dua lokasi. c. Pengoperasiaan
yang
diandalkan
(dependability
of
operation),
menunjukan perbedaan-perbedaan yang terjadi antara kenyataan dan jadwal yang ditentukan. d. Kemampuan (capability), merupakan kemampuan untuk dapat menangani segala bentuk dan keperluan akan transportasi. e. Frekuensi adalah banyaknya gerakan atau hubungan yang dijadwalkan.
3.3 Transportasi Udara Transportasi udara menurut Peraturan Pemerintah Nomor 40 tahun 1995 adalah setiap kegiatan dengan menggunakan pesawat untuk mengangkut penumpang, kargo, dan pos untuk satu perjalanan atau lebih dari satu bandara ke bandara yang lain atau beberapa bandara. (Peraturan Pemerintah Nomor 40 tahun 1995 tentang Transportasi Udara.) Menurut Konvensi Paris 1919, pesawat udara (aircraft) diartikan sebagai “any machine that can derive support in the atmosphere from the reaction of the air”. Sedangkan menurut Konvensi Chicago 1944 dalam Annex 7, pengertian tersebut ditambahkan menjadi: “any machine that can derive support in the atmosphere from the reaction of the air other than the reactions of the air against the earth’s surface”. Sebagai perbandingan, pengertian pesawat udara di Indonesia menurut Undang- Undang Republik Indonesia Nomor 83 Tahun 1958 adalah “setiap alat
16
yang dapat memperoleh daya angkat dari udara”, kemudian pada Undang-Undang Republik Indonesia Nomor 2 Tahun 1962, pesawat diartikan sebagai “semua alat angkut yang dapat bergerak dari atas tanah atau air ke udara atau ke angkasa atau sebaliknya”, menurut Undang-Undang Republik Indonesia Nomor 15 Tahun 1992, pesawat udara adalah “setiap alat yang dapat terbang di atmosfer karena daya angkat dari reaksi udara”. Kemudian baru pada Undang-Undang Penerbangan yang berlaku sekarang (Undang-Undang Republik Indonesia Nomor 1 Tahun 2009) pengertian pesawat udara lebih mirip pada pengertian menurut Konvensi Chicago 1944, pesawat udara diartikan sebagai “setiap mesin atau alat yang dapat terbang di atmosfer karena gaya angkat dari reaksi udara, tetapi bukan karena reaksi udara terhadap permukaan bumi yang digunakan untuk penerbangan”. Ketentuan internasional dalam Konvensi Chicago 1944 dan ketentuan nasional dalam Undang-Undang Republik Indonesia Nomor 1 Tahun 2009 secara umum adalah untuk pengaturan pesawat udara sipil bukan pesawat udara negara. 3.4 Statistik Deskriptif Statistik Deskriptif adalah metode-metode statistika yang digunakan untuk menggambarkan data yang telah dikumpulkan. Dimana tahapan staistika mengacu pada menata, menyajikan, dan menganalisis data numerik (Manson, Robert D. dan Lind, Douglas A. 1999). Atau dapat dikatakan bahwa statistika deskriptif hanya menguraikan (to describe) mengenai sesuatu keadaan atau masalah (Rasyad, Rasdihan, 2003).
3.5 Data Time Series Data runtun waktu (time series) adalah jenis data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu dipandang bersifat diskrit (waktu dapat dimodelkan bersifat kontinu), frekuensi pengumpulan selalu sama. Dalam kasus diskrit, frekuensi dapat berupa detik, menit, jam, hari, minggu, bulan atau tahun (Makridakis, 1999).
17
3.6 Peramalan Peramalan (forecasting) dilakukan hampir semua orang, baik itu pemerintah, pengusaha, maupun orang awam. Masalah yang diramalkan pun bervariasi, seperti perkiraan curah hujan, kemungkinan pemenang dalam pilkada, skor pertandingan, atau tingkat inflasi. Definisi dari peramalan adalah memperkirakan besarnya atau jumlah sesuatu pada waktu yang akan datang berdasarkan data pada masa lampau yang dianalisis secara alamiah khususnya menggunakan metode statistika (Sudjana, 1989: 254). Peramalan biasanya dilakukan untuk mengurangi ketidakpastian terhadap sesuatu yang akan terjadi di masa yang akan datang. Suatu usaha untuk mengurangi ketidakpastian tersebut dilakukan dengan menggunakan metode peramalan. Menurut Makridakis (1999: 8), metode peramalan dibagi ke dalam dua kategori utama, yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif dilakukan apabila data masa lalu tidak sehingga peramalan tidak bisa dilakukan. Dalam metode kualitatif, pendapat–pendapat dari para ahli akan menjadi pertimbangan dalam pengambilan keputusan sebagai hasil dari peramalan yang telah dilakukan. Namun, apabila data masa lalu tersedia, peramalan dengan metode kuantitatif akan lebih efektif digunakan dibandingkan dengan metode kualitatif. Menurut Santoso (2009: 37), peramalan dengan metode kuantitatif dapat dibagi menjadi dua bagian, yaitu time series model dan causal model. Time series model didasarkan pada data yang dikumpulkan, dicatat, atau diamati berdasarkan urutan waktu dan peramalannya dilakukan berdasarkan pola tertentu dari data. Ada empat pola data yang menjadi dasar peramalan dengan model ini, yaitu pola musiman, siklis, trend, dan irregular. Pola musiman merupakan fluktuasi dari data yang terjadi secara periodik dalam kurun waktu satu tahun, seperti triwulan, kuartalan, bulanan, mingguan, atau harian.
18
Gambar 3.1 Pola Data Musiman
Pola siklis merupakan fluktuasi dari data untuk waktu yang lebih dari satu tahun. Pola ini sulit dideteksi dan tidak dapat dipisahkan dari pola trend.
Gambar 3..2 Pola Data Siklis
Pola trend merupakan kecenderungan arah data dalam jangka panjang, dapat berupa kenaikan maupun penurunan.
Gambar 3.3 Pola Data Trend
Pola irregular merupakan kejadian yang tidak terduga dan bersifat acak, tetapi kemunculannya dapat mempengaruhi fluktuasi data time series. Metode peramalan yang termasuk dalam time series model, antara lain moving averages, exponential smoothing, dan Box–Jenkins (ARIMA). Causal model didasarkan pada hubungan sebab–akibat dan peramalan dilakukan dengan
19
dugaan adanya hubungan antar variabel yang satu dengan yang lain. Pada model ini dikembangkan mana variabel dependent dan mana variabel independent, kemudian dilanjutkan dengan membuat sebuah model dan peramalan dilakukan berdasarkan model tersebut Tahapan atau langkah–langkah untuk melakukan peramalan, antara lain: 1. Menentukan masalah yang akan dianalisis (perumusan masalah) dan mengumpulkan data yang dibutuhkan dalam proses analisis tersebut. 2. Menyiapkan data sehingga data dapat diproses dengan benar. 3. Menetapkan metode peramalan yang sesuai dengan data yang telah disiapkan. 4. Menerapkan metode yang sudah ditetapkan dan melakukan prediksi pada data untuk beberapa waktu depan. 5. Mengevaluasi hasil peramalan.
3.7 Moving Average Moving Averages
atau (rata-rata bergerak) adalah metode peramalan
perataan nilai dengan mengambil
sekelompok
nilai
pengamatan yang
kemudian dicari rata-ratanya, lalu menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istilah rata-rata bergerak digunakan, karena setiap kali data observasi baru tersedia, maka angka rata-rata yang baru dihitung dan dipergunakan sebagi ramalan (Tyas, 2016). Metode pengembangan dari metode rata-rata adalah metode Single Moving Average. Metode ini lebih baik karena menghasilkan error yang relatif lebih kecil meskipun sama-sama belum dapat menangani data yang mengandung trend dan musiman (Tyas, 2016). Menentukan ramalan dengan metode single moving averages sangat sederhana, yaitu dengan merata-ratakan jumlah data sebanyak periode yang akan digunakan. Metode ini biasa disimbolkan dengan penulisan MA(k), k adalah orde yang digunakan. Adapun modelnya adalah : ̂ t+1 =
(3.1)
∑
(3.2)
20
Keterangan : Ft+1 = ramalan untuk periode ke t+1 yt = data pada periode ke-t Metode single moving average lebih cocok digunakan untuk melakukan peramalan hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman, dan sebagainya, melainkan sulit diketahui polanya. Metode single moving average ini mempunyai dua sifat khusus, yaitu : 1. Untuk membuat peramalan memerlukan data historis selama jangka waktu tertentu. Jika mempunyai data selama t periode, maka baru bisa membuat peramalan untuk periode ke t+1. 2. Semakin panjang jangka waktu moving average akan menghasilkan moving average yang semakin halus.
3.8 Metode Smoothing Suatu data runtun waktu yang mengandung pola trend, pola musiman, atau mengandung pola trend dan musiman sekaligus, maka metode rata–rata sederhana tidak dapat digunakan untuk menggambarkan pola data tersebut. Peramalan pada data tersebut dapat dilakukan dengan metode smoothing. Smoothing adalah mengambil rata–rata dari nilai–nilai pada beberapa tahun untuk menaksir nilai pada suatu tahun (Subagyo, 1986: 7). Metode smoothing diklasifikasikan menjadi dua kelompok, yaitu metode perataan dan metode pemulusan eksponensial (exponential smoothing) (Makridakis, 1999: 63). Apabila data dipengaruhi oleh pola trend maupun musiman, metode perataan tidak dapat digunakan untuk peramalan. Peramalan pada data yang dipengaruhi pola trend maupun musiman dilakukan dengan menggunakan metode exponential smoothing. Metode exponential smoothing menggunakan bobot yang berbeda untuk data masa lalu dan bobot tersebut mempunyai ciri menurun secara eksponensial. Metode dalam kelompok ini memerlukan adanya penentuan parameter tertentu dan nilai dari parameter terletak antara 0 dan 1 (Makridakis,
21
1999: 63). Metode yang termasuk dalam metode exponential smoothing, antara lain: 1. Pemulusan eksponensial tunggal (single exponential smoothing). Metode ini dibagi menjadi dua, yaitu: a. Pemulusan eksponensial tunggal dengan satu parameter b. Pemulusan eksponensial tunggal dengan pendekatan adaptif 2. Pemulusan eksponensial ganda (double exponential smoothing). Exponential Smoothing adalah suatu prosedur yang secara terus menerus memperbaiki peramalan dengan merata-rata (menghaluskan=smoothing) nilai masa lalu dari suatu dataruntut waktu dengan cara menurun (exponential). Menurut Trihendradi Cornellius (2005) analisis exponential smoothing merupakan salah
satu analisis time series, dan merupakan metode peramalan dengan
memberi nilai pembobot pada rangkaian pengamatan sebelumnya untuk memprediksi nilai masa depan. Single Exponential Smoothing atau biasa disebut sebagai Simple Exponential Smoothing, metode ini digunakan untuk peramalan jangka pendek. Model mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap. Tidak seperti moving average, exponential smoothing memberikan penekanan yang lebih besar kepada time series saat ini melalui penggunaan sebuah konstanta smoothing (penghalus). Konstanta smoothing mungkin berkisar dari 0 ke 1. Nilai yang dekat dengan 1 memberikan penekanan terbesar pada nilai saat ini sedangkan nilai yang dekat dengan 0 memberi penekanan pada titik data sebelumnya. Rumus untuk single exponential smoothing adalah sebagai berikut: Ft+1 = α * yt + (1 – α) * Ft Keterangan: Ft+1 = Peramalan untuk periode berikutnya yt
= Data aktual time series
Ft = Nilai peramalan ke-t α = Konstanta pemulusan antara 0 dan 1
(3.3)
22
3.9 Ukuran Akurasi Peramalan Menurut Jay Heinzer dan Barry Render (2009) ada beberapa perhitungan yang biasa dipergunakan untuk menghitung kesalahan peramalan (forecast error) total. Perhitungan ini dapat dipergunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan baik. Model-model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indikator. 1. Mean Absolute Deviation (MAD) Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masingmasing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan rumus sebagai berikut. ∑
|
|
(3.4)
2. Mean Squared Error (MSE) Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar. Mean squared error adalah rata-rata dari kesalahan peramalan dikuadratkan, atau jika dituliskan dalam bentuk rumus adalah : ∑
(
)
(3.5)
3. Mean Absolute Percentage Error (MAPE) MAPE merupakan ukuran ketepan relatif yang digunakan untuk mengetahui persentase penyimpangan hasil peramalan, dengan persamaan sebagai berikut :
23
∑
|
|
(3.6)
3.10 Memilih Metode Tepat Berdasarkan pendapat-pendapat dari beberapa penerbit buku ditemukan beberapa cara untuk memilih metode forecasting yang tepat, antara lain: Menurut pendapat Singgih Santoso (2009: 13) dalam bukunya menyebutkan, suatu proses perubahan yang dapat diketahui dengan cepat akan memberikan hasil peramalan yang mendekati kenyataan, akan tetapi sering kali proses perubahan ini sulit diketahui. Hasil peramalan yang mendekati kenyataan merupakan ramalan yang memiliki kesalahan (error) minimal. Hasil ramalan tersebut biasanya memiliki nilai MAD dan MSE terkecil dan merupakan ramalan yang akurat dan bermanfaat bagi penyusunan rencana selanjutnya. MSE memiliki kelemahan
yaitu kurang tepat digunakan untuk
membandingkan peramalan antara metode yang berbeda, alasannya yaitu berbeda metode, memungkinkan berbeda dalam melakukan taksiran awal (inisialisasi) dan berbeda metode, berbeda pula jumlah parameter yang digunakan. Karena alasan tersebut dalam hubungan dengan keterbatasan MSE dan MAD sebagai ukuran ketepatan peramalan, maka dipakai ukuran alternatif sebagai salah satu indikasi ketepatan dalam peramalan, yaitu MAPE (Sungkawa dkk, : 2011).
3.11 Peluang Peluang suatu kejadian adalah angka yang menunjukkan kemungkinan terjadinya suatu kejadian. Peluang dilambangkan dengan P. Nilainya di antara 0 dan 1. Kejadian yang mempunyai nilai peluang 1 adalah kejadian yang pasti terjadi atau sesuatu yang telah terjadi. Sedangkan suatu kejadian yang mempunyai nilai peluang 0 adalah kejadian yang mustahil atau tidak mungkin terjadi (Sheldon Ross, 1976). Peluang memiliki rumus sebagai berikut : ( )=
(3.7)
24
Keterangan : P: Peluang E: Event (Kejadian) X: Jumlah kejadian yang diinginkan (peristiwa) N: Keseluruhan kejadian yang mungkin terjadi
3.12 Rantai Markov Model Rantai Markov ditemukan oleh seorang ilmuwan Rusia bernama Andrey Andreyevich Markov pada tahun 1906. Menurut Siagian (2006), menyatakan bahwa analisis rantai markov (markov chain) adalah suatu metode yang mempelajari sifat-sifat suatu variabel pada masa sekarang yang didasarkan pada sifat-sifatnya di masa lalu dalam usaha menaksir sifat-sifat variabel tersebut di masa yang akan datang. Peluang transisi adalah perubahan dari satu keadaan ke keadaan yang lain pada periode (waktu) berikutnya dan merupakan suatu proses random yang dinyatakan dalam peluang (Siana Halim, : 50) Langkah-langkah untuk menyelesaikan perhitungan peluang pada periode waktu tertentu menggunakan rantai markov adalah sebagai berikut (Suhartono, 2013) : 1. Buatlah matriks transisi dari peluang yang diketahui 2. Lakukan operasi perkalian matriks dari peluang waktu sebelumnya dengan matriks transisi. Rumusnya adalah: Matriks periode ke-n = Matriks periode ke-n+1 * Matriks transisi
(3.8)
3. Ulang proses yang sama sampai menemukan peluang yang hendak dicari. Berikut contoh mastriks peluang transisi pada Tabel 3.1 dibawah ini : Tabel 3.1 Matriks Peluang Transitas
Dari keadaan ke : 1 2
1 p11 p21
N
pn1
Pindah ke keadaan ke : 2 .. j .. p12 .. p1j .. p22 .. p2j .. .. .. pn2 .. pnj ..
N p1 N p2n ..
25
Keterangan : n : jumlah keadaan dalam proses Pij : kemungkinan transisi dari keadaan saat i ke keadaan j Syarat-syarat dalam analisis markov : 1. Jumlah peluang transisi untuk suatu keadaan awal dari sistem sama dengan 1. 2. Peluang ‐peluang tersebut berlaku untuk semua partisipan dalam sistem. 3. Peluang transisi konstan sepanjang waktu. 4. Kondisi merupakan kondisi yang independen sepanjang waktu. Metode rantai markov banyak digunakan untuk pengambilan keputusan, namun sebenarnya hanya memberikan informasi bagi pengambil keputusan untuk memperbaiki keputusannya, bukan untuk memberi solusi (Suhartono, 2013). Menurut (Siana Halim, : 50) bahwa P{Xt+1 = j | Xt = i} dikatakan sebagai probabilitas transisi. Jika untuk setiap i dan j : P{Xt+1 = j | Xt = i} = P{X1 = j | X0 = i}, untuk semua t = 0, 1,..n maka probabilitas transisi (1 langkah) dikatakan stasioner, (probabilitas transisi tidak berubah terhadap waktu) dinotasikan dengan pij. Jika untuk setiap i dan j : P{Xt+1 = j | Xt = i} = P{Xn = j | X0 = i}, untuk semua t = 0, 1,..n. dinotasikan dengan pij (n) dan disebut sebagai probabilitas transisi n-langkah. pij (n) : probabilitas bersyarat dimana peubah acak X, dimulai dari keadaan i, akan berapa pada keadaan j setelah tepat n langkah (unit waktu). karena pij (n) adalah probabilitas bersyarat maka harus memenuhi sifat-sifat : pij (n) ≥ 0 ∀ i dan, j, n = 0,1,2,… (sifat ketidaknegatifan).
26
BAB IV STUDI KASUS
4.1 Tempat dan Waktu Kerja Praktek Kerja praktek ini dimulai pada tanggal 25 Januari sampai dengan 26 Februari 2016 di PT. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta. 4.2 Prosedur Pengumpulan Data Pada penelitian ini, data yang digunakan merupakan data sekunder yang didapatkan dari PT. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta. Data tersebut merupakan data arus lalu lintas angkatan udara di Bandara Adi Soemarmo Surakarta. Data berasal dari rekapitulasi bulanan berdasarkan data penerbangan harian yang terjadi selama Tahun 2011-2016. 4.3 Metode Analisis Metode analisis yang digunakan dalam penelitian ini adalah single moving average dan single exponential smoothing untuk meramalkan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik tahun 2017 dan statistik deskriptif untuk mendapatkan gambaran umum dari data yang dianalisis. Selain itu digunakan pula analisis rantai markov. Analisis rantai markov juga digunakan untuk melihat peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017. Penyelesaian penelitian ini menggunakan program Microsoft Excel 2010.
27
4.4 Statistika Deskriptif 4.4.1 Kedatangan dan Keberangkatan Pesawat Domestik Berkut pergerakan kedatangan dan keberangkatan pesawat domestik di Bandara Adi Soemarmo Surakarta dalam kurun waktu enam tahun yaitu mulai dari 2011 hingga 2016. Jumlah Kedatangan (per orang)
Jumlah Keberangkatan (per orang)
16,000 14,000 12,315 12,000 59% 10,000 8,000
14,219 14,210 16%
16% -13%
12,297
9% 10,706
-13%
10,704
11,621
8% 11,536
6% 12,295 7%
12,291
59% 7,758 7,742
6,000 4,000 2,000 0 2011
2012
2013
2014
2015
2016
Gambar 4.1 Pergerakan Kedatangan dan Keberangkatan Pesawat Domestik Per Tahun
Berdasarkan Gambar 4.1 diatas dapat diketahui bahwa pergerakan kedatangan dan keberangkatan pesawat domestik cenderung mengalami peningkatan dari kurun waktu 2011 hingga 2016 terakhir. Terkait data arus lalu lintas pesawat udara domestik di Bandara Adi Soemarmo pada tahun 2016, untuk kedatangan pesawat domestik tercatat 14.219 penumpang atau naik 16% dibandingkan tahun sebelumnya sedangkan untuk keberangkatan yaitu 14.210 penumpang atau meningkat 16%. Sementara itu terlihat pula bahwa data yang ada menggambarkan jumlah kenaikan yang sangat signifikan sebesar 59% yang terjadi dari tahun 2011 ke tahun 2012. Gambar 4.2 dibawah ini dapat dilihat secara lebih rinci bahwa pergerakan kedatangan dan keberangkatan pesawat domestik untuk tahun 2016 cenderung naik turun dan kurang stabil. Jumlah kedatangan dan keberangkatan pesawat domestik mengalami penurunan pada Desember 2016. Untuk jumlah
28
kedatangan turun dari 949 penumpang menjadi 932 penumpang. Sedangkan untuk jumlah kedatang turun dari 954 penumpang menjadi 932 penumpang. jumlah kedatangan (per orang)
jumlah keberangkatan (per orang)
1200
845
1000 800 600 400
601 546 602
544
629 646 659 627 628 650 655 625
760 761
695 665
847
949 932 954 932
692 665
200 0 -200
Gambar 4.2 Pergerakan Kedatangan dan Keberangkatan Pesawat Domestik Per Bulan Tahun 2016
4.4.2
Kedatangan dan Keberangkatan Penumpang Domestik Berkut pergerakan kedatangan dan keberangkatan penumpang domestik di
Bandara Adi Soemarmo Surakarta dalam kurun waktu enam tahun yaitu mulai dari 2011 hingga 2016. Jumlah Kedatangan (ARR)
Jumlah Keberangkatan (per orang)
1,200,000 1,058,626 1,000,000 800,000 630,376 600,000 400,000
1,051,295
49% 11%
702,621
-3%
684,250
-4% 656,001
684,503
4%
23% 514,245
11% 23% 614,090
9%
708,659
47%
713,259
499,148
200,000 0 2011
2012
2013
2014
2015
2016
Gambar 4.3 Pergerakan Kedatangan dan Keberangkatan Penumpang Domestik Per Tahun
29
Dari Gambar 4.3 diatas dapat dilihat terjadi kenaikan yang sangat signifikan dari tahun 2015 ke 2016. Data statistik arus lalu lintas penumpang domestik di Bandara Adi Soemarmo pada tahun 2016 untuk kedatangan yaitu 1.058.626 penumpang atau naik 49% dari tahun sebelumnya sedangkan untuk keberangkatan yaitu 1.051.295 penumpang atau meningkat 47% dari periode tahun sebelumnya. Tingginya jumlah penumpang yang datang ini menunjukkan Solo mulai menjadi pilihan untuk berlibur. Selain itu pembukaan rute baru ke sejumlah wilayah di Indonesia mendorong kenaikan jumlah penumpang. Kenaikan jumlah penumpang juga dipengauhi oleh hari-hari besar seperti Hari Raya Idul Fitri dan Natal. Humas PT Angkasa Pura (AP) I Bandara Adi Soemarmo, Dian Ratih Ristauri, mengatakan mulai terlihat ada kenaikan jumlah penumpang. Jumlah penumpang pesawat tahun ini dipastikan naik seiring dengan banyaknya rute baru yang dibuka, diantaranya Makassar, Denpasar, Lombok, Banjarmasin, Palangkaraya, Kupang, Tarakan, dan Pontianak (Solopos.com, 2016).
Jumlah Kedatangan (Per Orang)
Jumlah Keberangkatan (Per Orang)
130,081
140,000 120,000
106,133 90,031 99,62299,088 123,462 87,989 92,187 79,081 93,973 77,452 105,294 76,532 74,557 85,886 97,722 80,000 65,546 88,227 87,068
100,000
60,000
66,834
76,190 74,665
65,011
67,290
40,000 20,000 0 -20,000
Gambar 4.4 Pergerakan Kedatangan dan Keberangkatan Penumpang Domestik Per Bulan Tahun 2016
30
Berdasarkan Gambar 4.4 diatas dapat dilihat secara lebih rinci bahwa pergerakan kedatangan dan keberangkatan penumpang domestik untuk tahun 2016 cenderung naik turun dan kurang stabil. Jumlah kedatangan dan keberangkatan penumpang domestik mengalami peningkatan dari bulan sebelumnya pada Desember 2016. Untuk kedatangan naik menjadi 130.081 penumpang pada Desember 2016 sedangkan untuk keberangkatan naik menjadi 123.462 penumpang. 4.5 Analisis Metode Single Moving Average 4.5.1
Jumlah Kedatangan Pesawat Domestik
4.5.1.1 Plot Data Awal Berikut adalah bentuk pola data dari data jumlah kedatangan pesawat domestik dari bulan Januari 2012 hingga Desember 2016.
Jumlah Kedatangan (per orang)
Series1
Linear (Series1)
1,600 1,400 1,200 1,000 800 600 400 200 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan Januari 2012-Desember 2016 Gambar 4.5 Grafik Kedatangan Pesawat Domestik 2012-2016
Pada grafik diatas menampilkan seluruh data secara umum. Jumlah kedatangan tertinggi pada November tahun 2015 sebesar 1.356 orang dan kedatangan terendah terjadi pada November tahun 2013 hanya sebesar 371 orang. Pola kedatangan dari tahun ke tahun cenderung fluktuatif dilihat dari kondisi naik turunnya grafik yang kurang stabil. Dapat dilihat pula pada garis trendline bahwa jumlah kedatangan memiliki pola data trend menurun.
31
4.5.1.2 Hasil peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Untuk melakukan peramalan, peneliti mengubah periode pada data yang ada dari periode bulanan kedalam periode caturwulan, karena untuk memudahkan peneliti untuk melakukan peramalan untuk tahun 2017. Dalam hal ini peneliti membagi periode caturwulannya sebagai berikut : Keterangan : Caturwulan 1 : Januari, Februari, Maret, April Caturwulan 2 : Mei, Juni, Juli, Agustus Caturwulan 3 : September, Oktober, November, Desember Dalam hal ini peneliti akan melakukan peramalan Moving Average pada periode 2, 3, 4, 5 dan pada periode 6. Berikut hasil peramalannya :
Gambar 4.6 Hasil peramalan single moving average orde 2 dan orde 3
Berdasarkan Gambar 4.6 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan pesawat domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 2 untuk caturwulan 1 adalah sebesar 767 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 848 kedatangan (per orang).
32
Dari Gambar 4.6 diatas juga dapat diketahui bahwa hasil peramalan jumlah kedatangan pesawat domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 3 untuk caturwulan 1 adalah sebesar 713 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 767 kedatangan (per orang).
Gambar 4.7 Hasil peramalan single moving average orde 4, orde 5 dan orde 6
Berdasarkan Gambar 4.7 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan pesawat domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 4 untuk caturwulan 1 adalah sebesar 836 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 713 kedatangan (per orang). Sedangkan untuk orde 5 untuk caturwulan 1 adalah sebesar 854 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 836 kedatangan (per orang). Untuk orde 6 untuk caturwulan 1 adalah sebesar 870 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 854 kedatangan (per orang).
33
4.5.1.3 Perbandingan peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Menggunakan metode yang sama dengan orde yang berbeda yaitu orde 2, 3, 4, 5 dan 6 diperoleh perbandingan hasil peramalan, nilai SSE, nilai MSE, nilai MAD serta MAPE sebagai berikut : Tabel 4.1 Perbandingan nilai peramalan, SSE, MSE, MAD dan MAPE
Nilai
Metode MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
767
713
836
854
870
CA 2
848
767
713
836
854
SSE
495.615
418.156
386.458
362.910
303.970
MSE
38.124
34.846
35.133
32.992
33.774
MAD
147
137
140
124
122
MAPE
18,61%
17,52%
18,08%
17,95%
15,89%
Peramalan : CA 1
Menurut pendapat Singgih Santoso (2009: 13), hasil peramalan yang mendekati kenyataan merupakan ramalan yang memiliki kesalahan (error) minimal, biasanya memiliki nilai MAD dan MSE terkecil. Bila dilihat dari nilai MAD kelima orde yang digunakan, MA(6) memiliki nilai MAD terkecil yaitu sebesar 122. Bila dilihat dari nilai MSE, MA(5) memiliki nilai MSE terkecil yaitu 32.992. Menurut (Sungkawa dkk, : 2011) karena MSE memiliki kelemahan maka nilai MAPE dapat dipakai sebagai salah satu indikasi ketepatan dalam peramalan. Bila dilihat dari nilai MAPE, MA(6) memiliki nilai persentase penyimpangan hasil peramalan terkecil sebesar 15,89%. Oleh karena itu dapat disimpulkan untuk meramalkan jumlah kedatangan pesawat domestik metode yang paling tepat digunakan adalah MA (6). Sehingga dapat diramalkan jumlah kedatangan pesawat domestik pada tahun 2017 untuk caturwulan 1 adalah sebesar 870 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 854 kedatangan (per orang).
34
4.5.2
Jumlah Keberangkatan Pesawat Domestik
4.5.2.1 Plot Data Awal Berikut adalah bentuk pola data dari data jumlah keberangkatan pesawat domestik dari bulan Januari 2012 hingga Desember 2016.
Jumlah Keberangkatan (per orang)
Series1
Linear (Series1)
1600 1400 1200 1000 800 600 400 200 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Gambar 4.8 Grafik Keberangkatan Pesawat Domestik 2012-2016
Pada grafik diatas menampilkan seluruh data secara umum. Jumlah keberangkatan tertinggi pada November tahun 2015 sebesar 1.359 orang dan keberangkatan terendah terjadi pada November tahun 2013 hanya sebesar 374 orang. Pola keberangkatan dari tahun ke tahun cenderung fluktuatif dilihat dari kondisi naik turunnya grafik yang kurang stabil. Dapat dilihat pula pada garis trendline bahwa jumlah keberangkatan pesawat domestik memiliki pola data trend menurun. 4.5.2.2 Hasil peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Dalam hal ini peneliti akan melakukan peramalan Moving Average pada periode 2, 3, 4, 5 dan pada periode 6. Berikut hasil peramalannya :
35
Gambar 4.9 Hasil peramalan single moving average orde 2dan orde 3
Berdasarkan Gambar 4.9 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan pesawat domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 2 untuk caturwulan 1 adalah sebesar 766 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 850 kedatangan (per orang). Sedangkan dengan menggunakan metode single moving average orde 3 untuk caturwulan 1 adalah sebesar 713 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 766 kedatangan (per orang).
Gambar 4.10 Hasil peramalan single moving average orde 4, orde 5 dan orde 6
Berdasarkan Gambar 4.10 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan pesawat domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 4 untuk caturwulan 1 adalah
36
sebesar 836 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 713 kedatangan (per orang). Sedangkan untuk orde 5 untuk caturwulan 1 adalah sebesar 856 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 836 kedatangan (per orang). Untuk orde 6 untuk caturwulan 1 adalah sebesar 872 kedatangan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 856 kedatangan (per orang).
4.5.2.3 Perbandingan peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Menggunakan metode yang sama dengan orde yang berbeda yaitu orde 2, 3, 4, 5 dan 6 diperoleh perbandingan hasil peramalan, nilai SSE, nilai MSE, nilai MAD serta MAPE sebagai berikut : Tabel 4.2 Perbandingan nilai peramalan, SSE, MSE, MAD dan MAPE
Nilai
Metode MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
766
713
836
856
872
CA 2
850
766
713
836
856
SSE
497.785
422.847
392.289
370.484
309.717
MSE
38.291
35.237
35.663
33.680
34.413
MAD
146
138
142
129
127
MAPE
18,51%
17,59%
18.33%
18,57%
16,45%
Peramalan : CA 1
Bila dilihat dari nilai MAD kelima orde yang digunakan, MA(6) memiliki nilai MAD terkecil yaitu sebesar 127. Bila dilihat dari nilai MSE, MA(5) memiliki nilai MSE terkecil yaitu 33.680. Bila dilihat dari nilai MAPE, MA(6) memiliki nilai persentase penyimpangan hasil peramalan terkecil sebesar 16,45%. Oleh
karena
itu
dapat
disimpulkan
untuk
meramalkan
jumlah
keberangkatan pesawat domestik metode yang paling tepat digunakan adalah MA (6). Sehingga dapat diramalkan jumlah keberangkatan pesawat domestik pada
37
tahun 2017 untuk caturwulan 1 adalah sebesar 872 keberangkatan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 856 keberangkatan (per orang).
4.5.3
Jumlah Kedatangan Penumpang Domestik
4.5.3.1 Plot Data Awal Berikut adalah bentuk pola data dari data jumlah kedatangan penumpang domestik dari bulan Januari 2012 hingga Desember 2016. Series1
Linear (Series1)
140,000
Jumlah Kedatangan (per orang)
120,000 100,000 80,000 60,000 40,000 20,000 -
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Gambar 4.11 Grafik Kedatangan Penumpang Domestik 2012-2016
Pada grafik diatas menampilkan seluruh data secara umum. Jumlah kedatangan tertinggi pada Desember tahun 2016 sebesar 130.081 penumpang dikarenakan sedang masa liburan dan menyambut Hari Raya Natal. Sementara kedatangan terendah terjadi pada Februari tahun 2014 hanya sebesar 39.053 penumpang. Jumlah penumpang menurun drastis pada Februari 2014 dikarenakan adanya peristiwa letusan Gunung Kelud sehingga membuat bandara berhenti beroperasi beberapa hari. Pola kedatangan dari tahun ke tahun cenderung fluktuatif dan kurang stabil. Dapat dilihat pula bahwa jumlah kedatangan penumpang memiliki pola trend naik.
38
4.5.3.2 Hasil peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Dalam hal ini peneliti akan melakukan peramalan Moving Average pada periode 2, 3, 4, 5 dan pada periode 6. Berikut hasil peramalannya :
Gambar 4.12 Hasil peramalan single moving average orde 2 dan orde 3
Berdasarkan Gambar 4.12 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan penumpang domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 2 untuk caturwulan 1 adalah sebesar 96.533 penumpang sedangkan untuk caturwulan 2 adalah sebesar 103.293 penumpang. Sedangkan dengan menggunakan metode single moving average orde 3 untuk caturwulan 1 adalah sebesar 88.219 penumpang sedangkan untuk caturwulan 2 adalah sebesar 96.533 penumpang.
Gambar 4.13 Hasil peramalan single moving average orde 4, orde 5 dan orde 6
39
Berdasarkan Gambar 4.13 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan penumpang domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 4 untuk caturwulan 1 adalah sebesar 83.935 penumpang sedangkan untuk caturwulan 2 adalah sebesar 88.219 penumpang. Sedangkan untuk orde 5 untuk caturwulan 1 adalah sebesar 79.588 penumpang sedangkan untuk caturwulan 2 adalah sebesar 83.935 penumpang. Untuk orde 6 untuk caturwulan 1 adalah sebesar 74.113 penumpang sedangkan untuk caturwulan 2 adalah sebesar 79.588 penumpang.
4.5.3.3 Perbandingan peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Menggunakan metode yang sama dengan orde yang berbeda yaitu orde 2, 3, 4, 5 dan 6 diperoleh perbandingan hasil peramalan, nilai SSE, nilai MSE, nilai MAD serta MAPE sebagai berikut : Tabel 4.3 Perbandingan nilai peramalan, SSE, MSE, MAD dan MAPE
Nilai
Metode MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
Peramalan : CA 1
96.533
88.219
83.935
79.588
74.113
CA 2
103.293
96.533
88.219
83.935
79.588
SSE
1.831.248
1.888.674
2.333.685
2.639.445
2.714.491
.745
.693
.714
.639
.338
140.865.2
157.389.5
212.153.2
263.944.5
301.610.1
88
58
47
64
49
MAD
9.049
10.101
11.613
12.790
13.973
MAPE
14%
14%
16.1%
17.5%
18.7%
MSE
Bila dilihat dari nilai MAD kelima orde yang digunakan, MA(2) memiliki nilai MAD terkecil yaitu sebesar 9.049. Bila dilihat dari nilai MSE, MA(2) memiliki nilai MSE terkecil yaitu 140.865.288. Bila dilihat dari nilai MAPE,
40
MA(2) memiliki nilai persentase penyimpangan hasil peramalan sebesar 14%. Oleh karena itu dapat disimpulkan untuk meramalkan jumlah kedatangan penumpang domestik metode yang paling tepat digunakan adalah MA (2). Sehingga dapat diramalkan jumlah kedatangan penumpang domestik pada tahun 2017 untuk caturwulan 1 adalah sebesar 96.533 penumpang sedangkan untuk caturwulan 2 adalah sebesar 103.293 penumpang. 4.5.4
Jumlah Keberangkatan Penumpang Domestik
4.5.4.1 Plot Data Awal Berikut adalah bentuk pola data dari data jumlah keberangkatan penumpang domestik dari bulan Januari 2012 hingga Desember 2016. Series1
Linear (Series1)
Jumlah Keberangkatan (per orang)
140,000 120,000 100,000 80,000 60,000 40,000 20,000 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Gambar 4.14 Grafik Keberangkatan Penumpang Domestik 2012-2016
Pada grafik diatas menampilkan seluruh data secara umum. Jumlah keberangkatan tertinggi pada Desember tahun 2016 sebesar 123.462 penumpang. Sementara keberangkatan terendah terjadi pada Februari tahun 2014 hanya sebesar 39.086 penumpang. Jumlah penumpang menurun drastis pada Februari 2014 dikarenakan adanya peristiwa letusan Gunung Kelud sehingga membuat bandara berhenti beroperasi beberapa hari. Pola keberangkatan dari tahun ke tahun
41
cenderung fluktuatif dan kurang stabil. Dapat dilihat pula bahwa jumlah keberangkatan penumpang memiliki pola trend naik. 4.5.4.2 Hasil peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Dalam hal ini peneliti akan melakukan peramalan Moving Average pada periode 2, 3, 4, 5 dan pada periode 6. Berikut hasil peramalannya :
Gambar 4.15 Hasil peramalan single moving average orde 2 dan orde 3
Berdasarkan Gambar 4.15 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan penumpang domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 2 untuk caturwulan 1 adalah sebesar 58.177 penumpang sedangkan untuk caturwulan 2 adalah sebesar 59.955 penumpang. Sedangkan dengan menggunakan metode single moving average orde 3 untuk caturwulan 1 adalah sebesar 57.109 penumpang sedangkan untuk caturwulan 2 adalah sebesar 58.177 penumpang.
Gambar 4.16 Hasil peramalan single moving average orde 4, orde 5 dan orde 6
42
Berdasarkan Gambar 4.16 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan penumpang domestik pada tahun 2017 mendatang dengan menggunakan metode single moving average orde 4 untuk caturwulan 1 adalah sebesar 56.428 penumpang sedangkan untuk caturwulan 2 adalah sebesar 57.109 penumpang. Sedangkan untuk orde 5 untuk caturwulan 1 adalah sebesar 55.740 penumpang sedangkan untuk caturwulan 2 adalah sebesar 56.428 penumpang. Untuk orde 6 untuk caturwulan 1 adalah sebesar 55.374 penumpang sedangkan untuk caturwulan 2 adalah sebesar 55.740 penumpang.
4.5.4.3 Perbandingan peramalan Single Moving Average untuk MA (2), MA(3), MA(4), MA(5) dan MA(6) Menggunakan metode yang sama dengan orde yang berbeda yaitu orde 2, 3, 4, 5 dan 6 diperoleh perbandingan hasil peramalan, nilai SSE, nilai MSE, nilai MAD serta MAPE sebagai berikut : Tabel 4.4 Perbandingan nilai peramalan, SSE, MSE, MAD dan MAPE
Nilai
Metode MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
Peramalan : CA 1
58.117
57.109
56.428
55.740
55.374
CA 2
59.955
58.177
57.109
56.428
55.740
SSE
46.978.94
48.732.87
49.576.79
52.444.23
50.092.58
8
7
9
1
0
MSE
3.613.765
4.061.073
4.506.982
5.244.423
5.565.842
MAD
1.326
1.516
1.596
1.769
1.859
MAPE
2,6%
2,7%
2,9%
3,2%
3,3%
Bila dilihat dari nilai MAD kelima orde yang digunakan, MA(2) memiliki nilai MAD terkecil yaitu sebesar 1.326. Bila dilihat dari nilai MSE, MA(2) memiliki nilai MSE terkecil yaitu 3.613.765. Bila dilihat dari nilai MAPE, MA(2) memiliki nilai persentase penyimpangan hasil peramalan terkecil sebesar 2,6%.
43
Oleh karena itu dapat disimpulkan untuk meramalkan jumlah keberangkatan penumpang domestik metode yang paling tepat digunakan adalah MA (2). Sehingga dapat diramalkan jumlah keberangkatan penumpang domestik pada tahun 2017 untuk caturwulan 1 adalah sebesar 58.117 penumpang sedangkan untuk caturwulan 2 adalah sebesar 59.955 penumpang. 4.6 Analisis Metode Single Exponential Smoothing 4.6.1 Jumlah Kedatangan Pesawat Domestik 4.6.1.1 Hasil peramalan Single Exponential Smoothing Dalam penelitian ini peneliti akan melakukan peramalan Single Exponential Smoothing pada dengan perbandingan 9 parameter
yaitu : dan
. Berikut hasil peramalannya :
Gambar 4.17 Hasil Peramalan Single Exponential Smoothing dengan
dan
Berdasarkan Gambar 4.17 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan pesawat domestik untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 953 kedatangan
sedangkan untuk caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 905 kedatangan. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 867
kedatangan sedangkan untuk caturwulan 2 adalah sebesar 694 kedatangan. Untuk
44
hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 837 kedatangan
sedangkan untuk caturwulan 2 adalah sebesar 586 kedatangan.
Gambar 4.18 Hasil Peramalan Single Exponential Smoothing dengan dan
Berdasarkan Gambar 4.18 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan pesawat untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 816 kedatangan sedangkan untuk
caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 490 kedatangan. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 613 kedatangan sedangkan
untuk caturwulan 2 adalah sebesar 490 kedatangan. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 512
kedatangan sedangkan untuk caturwulan 2 adalah sebesar 362 kedatangan. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 806 kedatangan sedangkan
untuk caturwulan 2 adalah sebesar 242 kedatangan.
45
Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 816
kedatangan sedangkan untuk caturwulan 2 adalah sebesar 163 kedatangan. Sedangkan hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 813
kedatangan sedangkan untuk caturwulan 2 adalah sebesar 83 kedatangan. 4.6.1.2 Perbandingan peramalan Single Exponential untuk Beberapa Menggunakan metode yang sama dengan nilai parameter yang berbeda, diperoleh perbandingan hasil peramalan, nilai MSE, MAD dan nilai MAPE sebagai berikut : Tabel 4.5 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Nilai
dan
Metode Single Exponential Smoothing
Peramalan : CA 1 CA 2 MSE
953 905 28.334
867 694 26.447
837 586 27.144
MAD
123
108
109
MAPE
15,79%
13,91%
13,97%
Tabel 4.6 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Nilai
Metode Single Exponential Smoothing
Peramalan : CA 1 CA 2 MSE MAD
816 490 28.315 114
613 490 29.756 118
517 362 31.438 122
MAPE
14,57%
15,07%
15,47%
46
Tabel 4.7 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Metode Single Exponential Smoothing Nilai Peramalan : CA 1
806
816
831
CA 2
242
163
83
MSE
33.366
33.551
38.014
MAD
125
126
129
MAPE
15,73%
15,84%
16,24%
Perhitungan nilai peramalan, MSE, MAD dan MAPE pada single exponential smoothing dengan 9 parameter nilai parameter
Dilihat dari perbedaan kesembilan
, menunjukkan bahwa parameter yang dapat memberikan hasil
peramalan terbaik dalam meramalkan data jumlah kedatangan pesawat domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data jumlah kedatangan pesawat domestik untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 867 kedatangan dan 694 kedatangan.
4.6.2 Jumlah Keberangkatan Pesawat Domestik 4.6.2.1 Hasil peramalan Single Exponential Smoothing Dalam penelitian ini peneliti akan melakukan peramalan Single Exponential Smoothing pada dengan perbandingan 9 parameter
yaitu : dan
. Berikut hasil peramalannya :
47
Gambar 4.19 Hasil Peramalan Single Exponential Smoothing dengan
dan
Berdasarkan Gambar 4.19 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan pesawat domestik untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 1.010 keberangkatan
sedangkan untuk caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 959 keberangkatan. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 1.014
keberangkatan sedangkan untuk caturwulan 2 adalah sebesar 811 keberangkatan. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 1.019
keberangkatan sedangkan untuk caturwulan 2 adalah sebesar 713 keberangkatan.
Gambar 4.20 Hasil Peramalan Single Exponential Smoothing dengan dan
48
Berdasarkan Gambar 4.20 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan pesawat untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 1.026 keberangkatan sedangkan untuk
caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 616 keberangkatan. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 825 keberangkatan
sedangkan untuk caturwulan 2 adalah sebesar 660 keberangkatan. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 730
keberangkatan sedangkan untuk caturwulan 2 adalah sebesar 511 keberangkatan. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing
dengan
untuk
caturwulan
1
adalah
sebesar
1.039
keberangkatan sedangkan untuk caturwulan 2 adalah sebesar 312 keberangkatan. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing
dengan
untuk
caturwulan
1
adalah
sebesar
1.039
keberangkatan sedangkan untuk caturwulan 2 adalah sebesar 208 keberangkatan. Sedangkan hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 1.037
keberangkatan sedangkan untuk caturwulan 2 adalah sebesar 104 keberangkatan.
4.6.2.2 Perbandingan peramalan Single Exponential untuk Beberapa Menggunakan metode yang sama dengan nilai parameter yang berbeda, diperoleh perbandingan hasil peramalan, nilai MSE, MAD dan nilai MAPE sebagai berikut :
49
Tabel 4.8 Perbandingan nilai peramalan, MSE, MAD dan MAPE
dan
Metode Single Exponential Smoothing Nilai Peramalan : CA 1
1.010
1.014
1.019
CA 2
959
811
713
MSE
4.762
4.741
4.625
MAD
47
58
56
MAPE
4,59%
5,68%
5,48%
Tabel 4.9 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Nilai
Metode Single Exponential Smoothing
Peramalan : CA 1 CA 2 MSE
1.026 616 4.471
825 660 4.319
730 511 4.184
MAD
53
49
46
MAPE
5,17%
4,78%
4,47%
Tabel 4.10 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Nilai
Metode Single Exponential Smoothing
Peramalan : CA 1 CA 2 MSE
1.039 312 4.074
1.039 208 3.988
1.037 104 3.929
MAD
45
46,5
47,3
MAPE
4,40%
4,52%
4,59%
50
Perhitungan nilai peramalan, MSE, MAD dan MAPE pada single exponential smoothing dengan 9 parameter nilai parameter
Dilihat dari perbedaan kesembilan
, menunjukkan bahwa parameter yang dapat memberikan hasil
peramalan terbaik dalam meramalkan data jumlah keberangkatan pesawat domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data jumlah keberangkatan pesawat domestik untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 1.039 keberangkatan dan 312 keberangkatan. 4.6.3 Jumlah Kedatangan Penumpang Domestik 4.6.3.1 Hasil peramalan Single Exponential Smoothing Dalam penelitian ini peneliti akan melakukan peramalan Single Exponential Smoothing pada dengan perbandingan 9 parameter
yaitu : dan
. Berikut hasil peramalannya :
Gambar 4.21 Hasil Peramalan Single Exponential Smoothing dengan
dan
Berdasarkan Gambar 4.21 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan penumpang untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 57.198 penumpang sedangkan untuk
51
caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 54.338 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 74.344 penumpang
sedangkan untuk caturwulan 2 adalah sebesar 59.475 penumpang. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 81.335 penumpang sedangkan
untuk caturwulan 2 adalah sebesar 56.934 penumpang.
Gambar 4.22 Hasil Peramalan Single Exponential Smoothing dengan dan
Berdasarkan Gambar 4.22 diatas dapat diketahui bahwa hasil peramalan jumlah kedatangan penumpang untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 86.755 penumpang sedangkan untuk
caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 52.053 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 63.126 penumpang
sedangkan untuk caturwulan 2 adalah sebesar 50.501 penumpang. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 57.130
penumpang sedangkan untuk caturwulan 2 adalah sebesar 39.991 penumpang.
52
Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 97.489 penumpang
sedangkan untuk caturwulan 2 adalah sebesar 29.247 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 99.840 penumpang sedangkan
untuk caturwulan 2 adalah sebesar 19.968 penumpang. Sedangkan hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 101.758 penumpang
sedangkan untuk caturwulan 2 adalah sebesar 10.176 penumpang. 4.6.3.2 Perbandingan peramalan Single Exponential untuk Beberapa Menggunakan metode yang sama dengan nilai parameter yang berbeda, diperoleh perbandingan hasil peramalan, nilai MSE, MAD dan nilai MAPE sebagai berikut : Tabel 4.11 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Nilai
dan
Metode Single Exponential Smoothing
Peramalan : CA 1
57.198
74.344
81.335
CA 2
54.338
59.475
56.934
MSE
388.963.622
225.440.340
183.40.389
MAD
15.096
11.921
10.875
MAPE
20.71%
16.91%
15.67%
53
Tabel 4.12 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Metode Single Exponential Smoothing Nilai Peramalan : CA 1
86.755
63.126
57.130
CA 2
52.053
50.501
39.991
MSE
157.639.615
140.349.870
128.755.298
MAD
10.176
9.831
9.568
MAPE
14.88%
14.62%
14.45%
Tabel 4.13 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Nilai
Metode Single Exponential Smoothing
Peramalan : CA 1
97.489
99.840
101.758
CA 2
29.247
19.968
10.176
MSE
121.409.240
117.346.440
115.826.961
MAD
9.364
9.204
9.068
MAPE
14,34%
14,28%
14,23%
Perhitungan nilai peramalan, MSE, MAD dan MAPE pada single exponential smoothing dengan 9 parameter nilai parameter
Dilihat dari perbedaan kesembilan
, menunjukkan bahwa parameter yang dapat memberikan hasil
peramalan terbaik dalam meramalkan data jumlah kedatangan penumpang domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data jumlah kedatangan penumpang domestik
untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 101.758
penumpang dan 10.176 penumpang.
54
4.6.4 Jumlah Keberangkatan Penumpang Domestik 4.6.4.1 Hasil peramalan Single Exponential Smoothing Dalam penelitian ini peneliti akan melakukan peramalan Single Exponential Smoothing pada dengan perbandingan 9 parameter
yaitu : dan
. Berikut hasil peramalannya :
Gambar 4.23 Hasil Peramalan Single Exponential Smoothing dengan
dan
Berdasarkan Gambar 4.23 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan penumpang untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 50.578 penumpang
sedangkan untuk caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 48.049 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar
55.045 penumpang sedangkan untuk caturwulan 2 adalah sebesar 44.036 penumpang. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar
56.219 penumpang sedangkan untuk caturwulan 2 adalah sebesar 39.353 penumpang.
55
Gambar 4.24 Hasil Peramalan Single Exponential Smoothing dengan dan
Berdasarkan Gambar 4.24 diatas dapat diketahui bahwa hasil peramalan jumlah keberangkatan penumpang untuk tahun 2017 caturwulan 1 (Januari, Februari, Maret dan April) mendatang dengan menggunakan metode single exponential smoothing dengan
adalah sebesar 57.017 penumpang
sedangkan untuk caturwulan 2 (Mei, Juni, Juli dan Agustus) adalah sebesar 34.210 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar
44.295 penumpang sedangkan untuk caturwulan 2 adalah sebesar 35.436 penumpang. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 38.933
penumpang sedangkan untuk caturwulan 2 adalah sebesar 27.253 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 58.716 penumpang
sedangkan untuk caturwulan 2 adalah sebesar 17.615 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan
untuk caturwulan 1 adalah sebesar 59.164 penumpang sedangkan
untuk caturwulan 2 adalah sebesar 11.833 penumpang. Sedangkan hasil peramalan mendatang dengan menggunakan metode single exponential smoothing
56
dengan
untuk caturwulan 1 adalah sebesar 59.574 penumpang sedangkan
untuk caturwulan 2 adalah sebesar 5.957 penumpang. 4.6.4.2 Perbandingan peramalan Single Exponential untuk Beberapa Menggunakan metode yang sama dengan nilai parameter yang berbeda, diperoleh perbandingan hasil peramalan, nilai MSE, MAD dan nilai MAPE sebagai berikut : Tabel 4.14 Perbandingan nilai peramalan, MSE, MAD dan MAPE
dan
Metode Single Exponential Smoothing Nilai Peramalan : CA 1
50.578
55.045
56.219
CA 2
48.049
44.036
39.353
MSE
29.015.544
9.929.853
6.575.422
MAD
5.088
2.867
2.191
MAPE
9,38%
5,31%
4,06%
Tabel 4.15 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Nilai
Metode Single Exponential Smoothing
Peramalan : CA 1
57.017
44.295
38.933
CA 2
34.210
35.436
27.253
MSE
4.983.010
4.070.668
3.475.873
MAD
1.838
1.599
1.454
MAPE
3,40%
2,96%
2,69%
57
Tabel 4.16 Perbandingan nilai peramalan, MSE, MAD dan MAPE
Metode Single Exponential Smoothing Nilai Peramalan : CA 1
58.716
59.164
59.574
CA 2
17.615
11.833
5.957
MSE
3.056.678
2.747.841
2.514.377
MAD
1.370
1.302
1.249
MAPE
2,53%
2,4%
2,31%
Perhitungan nilai peramalan, MSE, MAD dan MAPE pada single exponential smoothing dengan 9 parameter nilai parameter
Dilihat dari perbedaan kesembilan
, menunjukkan bahwa parameter yang dapat memberikan hasil
peramalan terbaik dalam meramalkan data jumlah keberangkatan penumpang domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data jumlah keberangkatan penumpang domestik untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 59.574 penumpang dan 5.957 penumpang. 4.7 Perbandingan Hasil Peramalan dengan Menggunakan Metode Single Moving Average dan Single Exponential Smoothing Dari hasil analisis data dengan menggunakan Microsoft Excel, metode Single Moving Average dan Single Exponential Smoothing dapat digunakan untuk meramalkan jumlah kedatangan dan keberangkatan baik pesawat maupun penunpang domestik di Bandar Udara Internasional Adi Soemarmo. Namun, untuk hasil peramalan yang lebih tepat, digunakan metode yang menghasilkan nilai MAPE terkecil yang digunakan untuk memperkecil tingkat kesalahan peramalan. Untuk lebih jelasnya dapat dilihat pada Tabel 4.17 berikut ini :
58
Tabel 4.17 Perbandingan Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE)
Kasus
Single Moving
Single Exponential
Average
Smoothing
15,89%
13,91%
16,45%
4,40%
14,23%
14%
2,60%
2,31%
Jumlah Kedatangan Pesawat Domestik Jumlah Keberangkatan Pesawat Domestik Jumlah Kedatangan Penumpang Domestik Jumlah Keberangkatan Penumpang Domestik
Jadi, untuk peramalan jumlah kedatangan dan keberangkatan baik pesawat maupun penumpang domestik di Bandar Udara Internasional Adi Soemarmo lebih tepat menggunakan metode Single Exponential Smoothing karena menghasilkan nilai MAPE yang lebih kecil dibandingkan nilai MAPE yang dihasilkan pada metode Single Moving Average. 4.8 Analisis Metode Rantai Markov Data yang digunakan untuk melakukan analisis metode rantai markov yaitu data asli penelitian. Berikut adalah analisis rantai markov untuk beberapa kasus : 4.8.1 Jumlah Kedatangan Pesawat Domestik Data yang digunakan adalah data jumlah kedatangan pesawat domestik Berikut hasil analisisnya : Tabel 4.18 Matriks Peluang Transisi Awal
P
0 1
0 0,3462 0,5625
1 0,6538 0,4375
Total 1 1
Tabel 4.18 merupakan matriks peluang transisi awal untuk melihat peluang jumlah kedatangan pesawat domestik pada periode saat ini. Keadaan 0
59
didefinisikan jumlah kedatangan pesawat pada saat turun dan keadaan 1 didefinisikan jumlah kedatangan pesawat pada saat naik. Berdasarkan tabel matriks diatas didapatkan peluang dimana jika diketahui saat jumlah kedatangan pesawat berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,6538 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,3462. Sama halnya ketika diketahui saat jumlah kedatangan pesawat berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,4375 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,5625. Jumlah peluang transisi untuk suatu keadaan awal dari sistem sama dengan 1 maka telah memenuhi syarat analisis markov yang pertama. Selanjutnya untuk melihat peluang jumlah kedatangan pesawat domestik pada beberapa periode yang akan datang dilakukan operasi perkalian matriks dari peluang waktu sebelumnya dengan matriks transisi sampai pada periode yang diinginkan. Berikut hasil perhitungan yang didapat : Tabel 4.19 Nilai Peluang Transisi Periode-Periode Berikutnya
P(2)
Keadaan Turun(0) Naik(1)
Turun(0) Naik(1) 0.4876 0.5124 0.4408 0.5592
Total 1 1
P(3)
Keadaan Turun(0) Naik(1)
Turun(0) Naik(1) 0.4570 0.5430 0.4671 0.5329
Total 1 1
P(4)
Keadaan Turun(0) Naik(1)
Turun(0) Naik(1) 0.4636 0.5364 0.4615 0.5385
Total 1 1
P(5)
Keadaan Turun(0) Naik(1)
Turun(0) Naik(1) 0.4622 0.5378 0.4627 0.5373
Total 1 1
P(6)
Keadaan Turun(0) Naik(1)
Turun(0) Naik(1) 0.4625 0.5375 0.4624 0.5376
Total 1 1
60
P(7)
Keadaan Turun(0) Naik(1)
Turun(0) Naik(1) 0.4625 0.5375 0.4625 0.5375
Total 1 1
Berdasarkan Tabel 4.19 didapatkan nilai peluang konstan setelah dilakukan perkalian matriks sebanyak 7 kali. Dapat dikatakan bahwa nilai peluang transisi akan konstan pada P(7). Didapatkan hasil dimana untuk 2 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan pesawat berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5124 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4876. Apabila diketahui saat jumlah kedatangan pesawat berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5592 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4408. Peluang untuk 3 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan pesawat berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5430 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4570. Apabila diketahui saat jumlah kedatangan pesawat berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5329 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4671. Peluang untuk 4 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan pesawat berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5364 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4637. Apabila diketahui saat jumlah kedatangan pesawat berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5385 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4615. Peluang untuk 5 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan pesawat berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5378 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4622. Apabila diketahui saat jumlah kedatangan pesawat berada pada keadaan naik, maka besarnya peluang jumlah
61
kedatangan akan naik yaitu sebesar 0,5373 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4627. Peluang untuk 6 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan pesawat berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5374 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4625. Apabila diketahui saat jumlah kedatangan pesawat berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5376 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4624. Peluang untuk 7 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan pesawat baik berada pada keadaan turun maupun keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5375 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4625. Nilai peluang pada P(7) dapat digunakan untuk melihat peluang peningkatan dan penurunan jumlah kedatangan pesawat pada P(8), P(9), P(10) dan seterusnya karena nilai peluang transisi konstan pada P(7). 4.8.2
Jumlah Keberangkatan Pesawat Domestik Data yang digunakan adalah data jumlah keberangkatan pesawat domestik.
Berikut hasil analisisnnya : Tabel 4.20Matriks Peluang Transisi Awal
P
Keadaan Turun(0) Turun(0) 0.3704 Naik(1) 0.5806
Naik(1) 0.6296 0.4194
Total 1 1
Tabel 4.20 diatas adalah tabel matriks peluang transisi awal untuk melihat peluang jumlah keberangkatan pesawat domestik pada periode saat ini. Berdasarkan tabel matriks diatas didapatkan peluang dimana jika diketahui saat jumlah keberangkatan pesawat berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.6296 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.3704.
62
Sama halnya ketika diketahui saat jumlah keberangkatan pesawat berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.4194 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.5806. Jumlah peluang transisi untuk suatu keadaan awal dari sistem sama dengan 1 maka telah memenuhi syarat analisis markov yang pertama. Berikut adalah tabel matriks peluang transisi untuk periode-periode berikutnya : Tabel 4.21 Nilai Peluang Transisi Periode-Periode Berikutnya
P(2)
Keadaan Turun(0) Turun(0) 0.5027 Naik(1) 0.4586
Naik(1) 0.4973 0.5414
Total 1 1
P(3)
Keadaan Turun(0) Turun(0) 0.4749 Naik(1) 0.4842
Naik(1) 0.5251 0.5158
Total 1 1
P(4)
Keadaan Turun(0) Turun(0) 0.4808 Naik(1) 0.4788
Naik(1) 0.5192 0.5212
Total 1 1
P(5)
Keadaan Turun(0) Turun(0) 0.4795 Naik(1) 0.4800
Naik(1) 0.5205 0.5200
Total 1 1
P(6)
Keadaan Turun(0) Turun(0) 0.4798 Naik(1) 0.4797
Naik(1) 0.5202 0.5203
Total 1 1
P(7)
Keadaan Turun(0) Turun(0) 0.4797 Naik(1) 0.4798
Naik(1) 0.5203 0.5202
Total 1 1
P(8)
Keadaan Turun(0) Turun(0) 0.4798 Naik(1) 0.4798
Naik(1) 0.5202 0.5202
Total 1 1
Berdasarkan Tabel 4.21 didapatkan nilai peluang konstan setelah dilakukan perkalian matriks sebanyak 8 kali. Dapat dikatakan bahwa nilai peluang
63
transisi akan konstan pada P(8). Didapatkan hasil dimana untuk 2 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan pesawat berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.4973 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.5027. Apabila diketahui saat jumlah keberangkatan pesawat berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5414 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4586. Peluang untuk 3 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan pesawat berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5251 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4749. Apabila diketahui saat jumlah keberangkatan pesawat berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5158 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4842. Peluang untuk 4 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan pesawat berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5192 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4808. Apabila diketahui saat jumlah keberangkatan pesawat berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5212 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4788. Peluang untuk 5 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan pesawat berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5205 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4795. Apabila diketahui saat jumlah keberangkatan pesawat berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5200 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4800. Peluang untuk 6 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan pesawat berada pada keadaan turun, maka besarnya
64
peluang jumlah keberangkatan akan naik yaitu sebesar 0.5202 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4798. Apabila diketahui saat jumlah keberangkatan pesawat berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5203 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4797. Peluang untuk 7 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan pesawat berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5203 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4797. Apabila diketahui saat jumlah keberangkatan pesawat berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5202 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4798. Peluang untuk 8 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan pesawat baik berada pada keadaan turun maupun keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5202 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4798. Nilai peluang pada P(8) dapat digunakan untuk melihat peluang peningkatan dan penurunan jumlah keberangkatan pesawat pada P(9), P(10), P(11) dan seterusnya karena nilai peluang transisi konstan pada P(8). 4.8.3
Jumlah Kedatangan Penumpang Domestik Data yang digunakan adalah data jumlah kedatangan penumpang
domestik. Berikut hasil analisisnnya : Tabel 4.22Matriks Peluang Transisi Awal
P
Keadaan Turun(0) Turun(0) 0.1923 Naik(1) 0.6250
Naik(1) 0.8077 0.3750
Total 1 1
Tabel 4.22 diatas adalah tabel matriks peluang transisi awal untuk melihat peluang jumlah kedatangan penumpang domestik pada periode saat ini. Berdasarkan tabel matriks diatas didapatkan peluang dimana jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya
65
peluang jumlah kedatangan akan naik yaitu sebesar 0.8077 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.1923. Sama halnya ketika diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.3750 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,6250. Jumlah peluang transisi untuk suatu keadaan awal dari sistem sama dengan 1 maka telah memenuhi syarat analisis markov yang pertama. Berikut adalah tabel matriks peluang transisi untuk periode-periode berikutnya : Tabel 4.23 Nilai Peluang Transisi Periode-Periode Berikutnya
P(2)
Keadaan Turun(0) Turun(0) 0.5418 Naik(1) 0.3546
Naik(1) 0.4582 0.6454
Total 1 1
P(3)
Keadaan Turun(0) Turun(0) 0.3906 Naik(1) 0.4716
Naik(1) 0.6094 0.55284
Total 1 1
P(4)
Keadaan Turun(0) Turun(0) 0.4560 Naik(1) 0.4209
Naik(1) 0.5440 0.5791
Total 1 1
P(5)
Keadaan Turun(0) Turun(0) 0.4277 Naik(1) 0.4429
Naik(1) 0.5723 0.5571
Total 1 1
P(6)
Keadaan Turun(0) Turun(0) 0.4399 Naik(1) 0.4334
Naik(1) 0.5601 0.5666
Total 1 1
P(7)
Keadaan Turun(0) Turun(0) 0.4346 Naik(1) 0.4375
Naik(1) 0.5654 0.5625
Total 1 1
P(8)
Keadaan Turun(0) Turun(0) 0.4369 Naik(1) 0.4357
Naik(1) 0.5631 0.5643
Total 1 1
66
P(9)
Keadaan Turun(0) Turun(0) 0.4359 Naik(1) 0.4365
Naik(1) 0.5641 0.5635
Total 1 1
P(10)
Keadaan Turun(0) Turun(0) 0.4364 Naik(1) 0.4362
Naik(1) 0.5636 0.5639
Total 1 1
P(11)
Keadaan Turun(0) Turun(0) 0.4362 Naik(1) 0.4363
Naik(1) 0.5638 0.5637
Total 1 1
P(12)
Keadaan Turun(0) Turun(0) 0.4363 Naik(1) 0.4362
Naik(1) 0.5637 0.5638
Total 1 1
P(13)
Keadaan Turun(0) Turun(0) 0.4362 Naik(1) 0.4362
Naik(1) 0.5638 0.5638
Total 1 1
Berdasarkan Tabel 4.23 didapatkan nilai peluang konstan setelah dilakukan perkalian matriks sebanyak 13 kali. Dapat dikatakan bahwa nilai peluang transisi akan konstan pada P(13). Didapatkan hasil dimana untuk 2 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.4582 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.5418. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.6454 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.3546. Peluang untuk 3 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.6094 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.3906. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah
67
kedatangan akan naik yaitu sebesar 0,5284 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4716. Peluang untuk 4 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5440 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4560. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5791 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4209. Peluang untuk 5 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5723 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4277. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5571 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4429. Peluang untuk 6 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5601 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4399. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5666 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4334. Peluang untuk 7 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5654 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4346. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5625 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4375.
68
Peluang untuk 8 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5631 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4369. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5643 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4357. Peluang untuk 9 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5641 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4359. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5635 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4365. Peluang untuk 10 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5636 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4364. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5639 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4361. Peluang untuk 11 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5638 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0.4362. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5637 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4363. Peluang untuk 12 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0.5637 dan besarnya peluang
69
jumlah kedatangan akan turun yaitu sebesar 0.4363. Apabila diketahui saat jumlah kedatangan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5638 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4362. Peluang untuk 13 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang baik berada pada keadaan turun maupun keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5638 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4362. Nilai peluang pada P(13) dapat digunakan untuk melihat peluang peningkatan dan penurunan jumlah kedatangan penumpang pada P(14), P(15), P(16) dan seterusnya karena nilai peluang transisi konstan pada P(13). 4.8.4
Jumlah Keberangkatan Penumpang Domestik Data yang digunakan adalah data jumlah keberangkatan penumpang
domestik. Berikut hasil analisisnnya : Tabel 4.24 Matriks Peluang Transisi Awal
P
Keadaan Turun(0) Turun(0) 0.2857 Naik(1) 0.6333
Naik(1) 0.7143 0.3667
Total 1 1
Berdasarkan tabel matriks diatas didapatkan besarnya perubahan yang dinyatakan dalam peluang dimana jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.7143 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.2857. Sama halnya ketika diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.3667 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.6333. Jumlah peluang transisi untuk suatu keadaan awal dari sistem sama dengan 1 maka telah memenuhi syarat analisis markov yang pertama. Selanjutnya menghitung kemungkinan peluang naik turunnya jumlah keberangkatan penumpang domestik di tahun 2017. Sama seperti sebelumnya
70
dilakukan perkalian matriks sampai didapatkan peluang transisi konstan. Berikut hasilnya : Tabel 4.25 Nilai Peluang Transisi Periode-Periode Berikutnya
P(2)
Keadaan Turun(0) Turun(0) 0.5340 Naik(1) 0.4132
Naik(1) 0.4660 0.5868
Total 1 1
P(3)
Keadaan Turun(0) Turun(0) 0.4477 Naik(1) 0.4899
Naik(1) 0.5523 0.5103
Total 1 1
P(4)
Keadaan Turun(0) Turun(0) 0.4777 Naik(1) 0.4631
Naik(1) 0.5223 0.5369
Total 1 1
P(5)
Keadaan Turun(0) Turun(0) 0.4673 Naik(1) 0.4723
Naik(1) 0.5327 0.5277
Total 1 1
P(6)
Keadaan Turun(0) Turun(0) 0.4709 Naik(1) 0.4691
Naik(1) 0.5291 0.5309
Total 1 1
P(7)
Keadaan Turun(0) Turun(0) 0.4696 Naik(1) 0.4702
Naik(1) 0.5304 0.5298
Total 1 1
P(8)
Keadaan Turun(0) Turun(0) 0.4701 Naik(1) 0.4698
Naik(1) 0.5299 0.5302
Total 1 1
P(9)
Keadaan Turun(0) Turun(0) 0.4699 Naik(1) 0.700
Naik(1) 0.5301 0.5300
Total 1 1
P(10)
Keadaan Turun(0) Turun(0) 0.4700 Naik(1) 0.4699
Naik(1) 0.5300 0.5301
Total 1 1
71
P(11)
Keadaan Turun(0) Turun(0) 0.4699 Naik(1) 0.4700
Naik(1) 0.5301 0.5300
Total 1 1
P(12)
Keadaan Turun(0) Turun(0) 0.4699 Naik(1) 0.4699
Naik(1) 0.5301 0.5301
Total 1 1
Berdasarkan Tabel 4.25 didapatkan nilai peluang konstan setelah dilakukan perkalian matriks sebanyak 12 kali. Dapat dikatakan bahwa nilai peluang transisi akan konstan pada P(12). Didapatkan hasil dimana misalnya untuk 2 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,4660 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,5340. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5868 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4132. Peluang untuk 3 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5523 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4477. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5103 dan besarnya peluang jumlah kekeberangkatan akan turun yaitu sebesar 0,4897. Peluang untuk 4 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5223 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4777. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5369 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4631.
72
Peluang untuk 5 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5327 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4673. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5277 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4723. Peluang untuk 6 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5291 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4709. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5309 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4691. Peluang untuk 7 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5304 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4696. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5298 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4702. Peluang untuk 8 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5299 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4701. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5302 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4698. Peluang untuk 9 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5301 dan besarnya
73
peluang jumlah keberangkatan akan turun yaitu sebesar 0.4699. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5300 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4700. Peluang untuk 10 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5300 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4700. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5301 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4699. Peluang untuk 11 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang berada pada keadaan turun, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0.5301 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0.4699. Apabila diketahui saat jumlah keberangkatan penumpang berada pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5300 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4700. Peluang untuk 12 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang
baik berada pada keadaan turun maupun
keadaan naik, maka besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,5301 dan besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,4699. Nilai peluang pada P(12) dapat digunakan untuk melihat peluang peningkatan dan penurunan jumlah keberangkatan pesawat pada P(13), P(14), P(15) dan seterusnya karena nilai peluang transisi konstan pada P(12).
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan Berdasarkan analisis dan pembahasan yang telah dilakukan pada bab sebelumnya, maka dapat ditarik kesimpulan sebagai berikut : 1. Berdasarkan analisis single moving average, dapat diramalkan menurut orde terbaik yaitu MA(6) jumlah kedatangan pesawat domestik tahun 2017 untuk caturwulan 1 (Januari-April) adalah 870 kedatangan dan caturwulan 2 (MeiAgustus) adalah 854 kedatangan. Menurut MA(6) jumlah keberangkatan pesawat domestik tahun 2017 untuk caturwulan 1 adalah 872 keberangkatan sedangkan untuk caturwulan 2 adalah 856 keberangkatan. Menurut orde terbaik MA(2) jumlah kedatangan penumpang domestik tahun 2017 untuk caturwulan 1 adalah 96.533 penumpang sedangkan untuk caturwulan 2 adalah 103.293 penumpang. Menurut MA(2) jumlah keberangkatan penumpang domestik tahun 2017 untuk caturwulan 1 adalah 58.117 penumpang sedangkan untuk caturwulan 2 adalah 59.955 penumpang. 2. Berdasarkan analisis single exponential smoothing, dapat diramalkan menurut terbaik yaitu menurut
untuk jumlah kedatangan pesawat domestik
tahun 2017 caturwulan 1 dan caturwulan 2 adalah 867 kedatangan dan 694 kedatangan. Menurut
untuk jumlah keberangkatan pesawat domestik
tahun 2017 caturwulan 1 dan caturwulan 2 adalah 1.039 keberangkatan dan 312 keberangkatan. Menurut domestik
untuk jumlah kedatangan penumpang
tahun 2017 caturwulan 1 dan caturwulan 2 adalah 101.758
penumpang dan 10.176 penumpang. Masih menurut keberangkatan penumpang domestik
untuk jumlah
tahun 2017 caturwulan 1 dan
caturwulan 2 adalah 59.574 penumpang dan 5.957 penumpang. 3. Berdasarkan perbandingan nilai Mean Absolute Percentage Error (MAPE) terkecil pada kedua metode peramalan maka untuk peramalan jumlah kedatangan dan keberangkatan baik pesawat maupun penumpang domestik
75
di Bandar Udara Internasional Adi Soemarmo lebih tepat menggunakan metode Single Exponential Smoothing dibanding metode Single Moving Average. 4. Berdasarkan analisis rantai markov, nilai peluang jumlah kedatangan pesawat konstan pada P(7) sehingga peluang jumlah kedatangan akan naik sebesar 0,5375 dan akan turunnya sebesar 0,4625. Nilai peluang jumlah keberangkatan pesawat konstan pada P(8) sehingga peluang jumlah keberangkatan akan naik sebesar 0,5202 dan akan turun sebesar 0,46798 Nilai peluang jumlah kedatangan penumpang konstan pada P(13) sehingga peluang jumlah kedatangan akan naik 0,5638 dan akan turun sebesar 0,44362. Terakhir nilai peluang jumlah keberangkatan penumpang konstan pada P(12) sehingga peluang jumlah keberangkatan akan naik sebesar 0,5301 dan akan turun sebesar 0,4699. 5.2 Saran Dari hasil analisis maka terdapat beberapa saran yang dapat digunakan untuk penyempurnaan dan pengembangan penelitian berikutnya. Saran yang dapat diberikan adalah sebagai berikut : 1. Untuk penelitian selanjutnya, sebaiknya peneliti mencoba metode peramalan yang lain seperi double exponential smoothing dan lain sebagainya untuk menambah penyempurnaan dan keakuratan hasil peramalan. 2. Disarankan menggunakan hasil peramalan pada periode caturwulan pertama. 3. Dengan dilakukan penelitian ini, diharapkan peneliti selanjutnya melakukan analisis pada data jumlah kedatangan dan keberangkatan pesawat dan penumpang internasional. 4. Diharapkan untuk instansi terkait, hasil analisis dapat menjadi pertimbangan agar mengambil pelajaran untuk peningkatan mutu dan kualitas pelayanan agar jumlah kedatangan dan keberangatan baik penumpang atau pesawat bisa lebih banyak atau setidaknya konsisten dari periode sebelumnya. 5. Diharapkan maskapai penerbangan menambah jumlah jadwal penerbangan dan jumlah armada baru nya untuk memenuhi kebutuhan pengguna pesawat terbang yang semakin meningkat.
76
DAFTAR PUSTAKA
Admin.
2017.
Bandar
Udara
Internasional
Adi
Sumarmo.
https://id.wikipedia.org/wiki/Bandar_Udara_Internasional_Adi_Sumarmo. Diakses pada 02 Mei 2017 Admin. 2014. Bandara Adi Sumarmo, Bandara Internasional di Jawa Tengah. http://kesolo.com/bandara-adi-sumarmo-bandara-internasional-di-jawatengah/. Diakses pada 02 Mei 2017 Admin. 2014. Penumpang. http://id.m.wikipedia.org/wiki/Penumpang. Diakses pada 02 Mei 2017 Al Hujjah, 2013 “Laporan Kerja Praktek Di Dinas Perindustrian Dan Perdagangan Daerah Istimewa Yogyakarta, (Studi Kasus : Aturan Pengambilan Keputusan pada Realisasi Ekspor di Daerah Istimewa Yogyakarta Tahun 2014 Menggunakan Algoritma If-Then Rules pada Metode Rough Set)”. Laporan Kerja Praktek tidak diterbitkan, Jurusan Statistika, Fakultas MIPA Universitas Islam Indonesia, Yogyakarta. Cornellius, Trihendradi. 2005. SPSS 13.0 Analisis Data Statistik. Yogyakarta: Andi. Damardjati, R.S. 1995. Istilah-Istilah Dunia Pariwisata. Jakarta: PT. Pradnya Paramitha. Jay, Heinzer dan Render, Barry. 2009. Manajemen Operasi Buku 1 Edisi 9. Jakarta: Salemba 4. Makridakis. 1999. Metode dan Aplikasi Peramalan. Edisi 2. Jakarta: Binarupa Aksara.
77
Manson, Robert D. dan Lind, Douglas A. 1999. Teknik Statistika untuk Bisnins & Ekonomi, Jilid 1, Edisi Kesembilan. Jakarta : Penerbit Erlangga. Munawaroh, Astin H. 2010. Peramalan Jumlah Penumpang Pada Pt. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adisutjipto Yogyakarta Dengan Metode Winter’s Exponential Smoothing Dan Seasonal Arima (Skripsi). Yogyakarta : Universitas Negeri Yogyakarta. Peraturan Pemerintah Nomor 40 Tahun 1995 tentang Transportasi Udara Rasyad, Rasdihan. 2003. Metode Statistik Deskriptif untuk Umum. Jakarta : PT. Grasindo. Ross, Sheldon. 1976. A First Course in Probability. Bogor: Institut Pertanian Bogor. Santoso, Singgih. 2009. Business Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. Jakarta: PT. Elex Media Komputindo. Setijowarno, Djoko dan Frazila, R.B. 2003. Pengantar Rekayasa Dasar Transportasi. Jakarta: Proyek Peningkatan Penelitian Pendidikan Tinggi. Siagian, Sondang P. 2006. Manajemen Sumber Daya Manusia. Edisi 1. Cetakan 13. Jakarta: Bumi Aksara. Siana, Halim. Penelitian Operasional II. Jurusan Teknik Industri Universitas Kristen Petra Surabaya. Subagyo, Pangestu. 1986. Forecasting Konsep dan Aplikasi. Yogyakarta: BPPE UGM. Sudjana. 1989. Metode Statistika. Edisi IV. Bandung: Tarsito. Suhartono, Derwin. 2013. Markov Chain. Jakarta: Bina Nusantara University.
78
Sungkawa, I, dkk. 2011. Penerapan Ukuran Ketepatan Nilai Ramalan Data Deret Waktu Dalam Seleksi Model Peramalan Volume Penjualan Pt Satriamandiri Citramulia. Vol.2 No. 2 Desember 2011: 636-645 Jakarta : Universitas Binus. Tyas. 2016.
“Analisis SARIMA sebagai Alat Bantu Prediksi Harga Minyak
Mentah di Indonesia Menggunakan BACKPROPAGATION”. Skripsi UIN Sunan Kalijaga. Yoeti, O.A. 1999. Psikologi Pelayanan Wisata. Jakarta: PT. Gramedia Pustaka Utama.
79
LAMPIRAN
80
Lampiran 1 : Bagan Struktur Organisasi Struktur Organisasi PT.Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Adi Soemarmo Surakarta
General Manager
Operation Department Head
Sales and Shared Service Department Head
Air Traffic Services Operation and Readiness Section Head
Sales Section Head
Airport Operation and Readiness Section Head
Quality Management and Customer Service Section Head
Safety Management System and Health Environment Section Head
Human Capital and General Affair Section Head Finance and Information Technology Section Head
Procurement Section Head
81
Lampiran 2 : Data Kedatangan Pesawat Domestik Data Kedatangan Pesawat Domestik
Tahun
2012
2013
Bulan
Jumlah (per orang)
Bulan
Jumlah (per orang)
Januari
738
Januari
927
Februari
1,195
Februari
724
Maret
1,118
Maret
1,175
April
967
April
902
Mei
1,265
Mei
1,005
Juni
1,016
Juni
980
Juli
1,136
Juli
997
Agustus
761
Agustus
1,020
September
967
September
705
Oktober
1,159
Oktober
1,082
November
1,165
November
989
Desember
810
Desember
961
Januari
692
Januari
807
Februari
958
Februari
839
Maret
1,281
Maret
1,120
April
1,291
April
1,038
Mei
728
Mei
800
Juni
847
Juni
809
Juli
1,032
Juli
1,000
Agustus
936
Agustus
1,100
September
1,190
September
2016
1,210
Tahun
2014
2015
Oktober
947
Oktober
1,165
November
371
November
1,356
Desember
413
Desember
1,107
Januari
601
Februari
546
Maret
82
629 April
646
Mei
659
Juni
627
Juli
760
Agustus
695
September
665
Oktober
845
November
949
Desember
932
83
Lampiran 3 : Data Keberangkatan Pesawat Domestik Data Keberangkatan Pesawat Domestik
Tahun
2012
2013
Bulan
Jumlah (per orang)
Bulan
Jumlah (per orang)
Januari
722
Januari
920
Februari
1,193
Februari
725
Maret
1,118
Maret
1,174
April
959
April
837
Mei
1,286
Mei
1,018
Juni
1,022
Juni
996
Juli
1,139
Juli
996
Agustus
780
Agustus
1,029
September
963
September
791
Oktober
1,160
Oktober
1,043
November
1,161
November
976
Desember
812
Desember
962
Januari
692
Januari
803
Februari
960
Februari
842
Maret
1,274
Maret
1,128
April
1,290
April
1,033
Mei
732
Mei
804
Juni
843
Juni
812
Juli
1,029
Juli
999
Agustus
933
Agustus
1,124
September
1,210
September
1,213
Oktober
950
Oktober
1,137
November
374
November
1,359
Desember
417
Desember
1,109
Tahun
2014
2015
84
2016
Januari
602
Februari
544
Maret
628
April
650
Mei
655
Juni
625
Juli
761
Agustus
692
September
665
Oktober
847
November
954
Desember
932
85
Lampiran 4 : Data Kedatangan Penumpang Domestik Data Kedatangan Penumpang Domestik
Tahun
2012
2013
Bulan
Jumlah (per orang)
Bulan
Jumlah (per orang)
Januari
45,035
Januari
53,988
Februari
44,816
Februari
39,053
Maret
48,785
Maret
52,203
April
49,874
April
47,831
Mei
55,252
Mei
57,322
Juni
56,952
Juni
45,872
Juli
52,270
Juli
62,668
Agustus
58,066
Agustus
59,364
September
52,531
September
52,230
Oktober
53,941
Oktober
83,391
November
54,622
November
63,688
Desember
58,232
Desember
64,476
Januari
48,627
Januari
44,889
Februari
51,139
Februari
43,755
Maret
62,266
Maret
46,873
April
57,331
April
51,439
Mei
61,020
Mei
60,203
Juni
69,229
Juni
55,259
Juli
55,099
Juli
74,555
Agustus
68,870
Agustus
58,773
September
55,019
September
2016
56,150
Tahun
2014
2015
Oktober
61,297
Oktober
76,689
November
51,929
November
68,429
Desember
59,664
Desember
84,204
Januari
66,834
Februari
65,546
Maret
86
77,452 April
76,532
Mei
87,989
Juni
79,081
Juli
106,133
Agustus
85,886
September
90,031
Oktober
93,973
November
99,088
Desember
130,081
87
Lampiran 5 : Data Keberangkatan Penumpang Domestik Data Keberangkatan Penumpang Domestik
Tahun
2012
2013
Bulan
Jumlah (per orang)
Bulan
Jumlah (per orang)
Januari
47,845
Januari
57,659
Februari
43,019
Februari
39,086
Maret
47,832
Maret
51,365
April
49,370
April
48,913
Mei
52,896
Mei
54,581
Juni
54,108
Juni
49,643
Juli
52,884
Juli
42,071
Agustus
48,652
Agustus
75,300
September
56,760
September
78,949
Oktober
51,997
Oktober
62,615
November
54,344
November
59,381
Desember
54,383
Desember
61,250
Januari
53,446
Januari
50,586
Februari
49,767
Februari
44,366
Maret
59,947
Maret
48,091
April
57,218
April
50,974
Mei
58,182
Mei
59,164
Juni
64,472
Juni
54,440
Juli
49,007
Juli
68,473
Agustus
65,499
Agustus
76,410
September
59,721
September
69,703
Oktober
59,855
Oktober
66,512
November
50,769
November
69,368
Desember
56,367
Desember
80,908
Tahun
2014
2015
88
2016
Januari
74,557
Februari
65,011
Maret
76,190
April
74,665
Mei
87,068
Juni
67,290
Juli
105,294
Agustus
92,187
September
88,227
Oktober
99,622
November
97,722
Desember
123,462
89
Lampiran 6 : Perhitungan Rantai Markov Data Kedatangan Pesawat Domestik
738
Range
State
Transisi
1195
457
naik
1
1118
-77
turun
0
10
967
-151
turun
0
00
1265
298
naik
1
01
1016
-249
turun
0
10
1136
120
naik
1
01
761
-375
turun
0
10
967
206
naik
1
01
1159
192
naik
1
11
1165
6
naik
1
11
810
-355
turun
0
10
692
-118
turun
0
00
958
266
naik
1
01
1281
323
naik
1
11
1291
10
naik
1
11
728
-563
turun
0
10
847
119
naik
1
01
1032
185
naik
1
11
936
-96
turun
0
10
1210
274
naik
1
01
947
-263
turun
0
10
371
-576
turun
0
00
413
42
naik
1
01
927
514
naik
1
11
724
-203
turun
0
10
1175
451
naik
1
01
90
902
-273
turun
0
10
1005
103
naik
1
01
980
-25
turun
0
10
997
17
naik
1
01
1020
23
naik
1
11
705
-315
turun
0
10
1082
377
naik
1
01
989
-93
turun
0
10
961
-28
turun
0
00
807
-154
turun
0
00
839
32
naik
1
01
1120
281
naik
1
11
1038
-82
turun
0
10
800
-238
turun
0
00
809
9
naik
1
01
1000
191
naik
1
11
1100
100
naik
1
11
1190
90
naik
1
11
1165
-25
turun
0
10
1356
191
naik
1
01
1107
-249
turun
0
10
601
-506
turun
0
00
546
-55
turun
0
00
629
83
naik
1
01
646
17
naik
1
11
659
13
naik
1
11
627
-32
turun
0
10
760
133
naik
1
01
695
-65
turun
0
10
665
-30
turun
0
00
91
845
180
naik
1
01
949
104
naik
1
11
932
-17
turun
0
10
No
State
Transisi
1
Turun
Naik(1)
17
0.6538462
2
(0)
Turun(0)
9
0.3461538
26
1
Total No 1 2
State Naik(1) Total
Transisi
Frekuensi Probability
Frekuensi Probability
Naik(1)
14
0.4375
Turun(0)
18
0.5625
32
1
92
Data Keberangkatan Pesawat Domestik
722
Range
State
Transisi
1,193
471
naik
1
1,118
-75
turun
0
10
959
-159
turun
0
00
1,286
327
naik
1
01
1,022
-264
turun
0
10
1,139
117
naik
1
01
780
-359
turun
0
10
963
183
naik
1
01
1,160
197
naik
1
11
1,161
1
naik
1
11
812
-349
turun
0
10
692
-120
turun
0
00
960
268
naik
1
01
1,274
314
naik
1
11
1,290
16
naik
1
11
732
-558
turun
0
10
843
111
naik
1
01
1,029
186
naik
1
11
933
-96
turun
0
10
1,210
277
naik
1
01
950
-260
turun
0
10
374
-576
turun
0
00
417
43
naik
1
01
920
503
naik
1
11
725
-195
turun
0
10
1,174
449
naik
1
01
837
-337
turun
0
10
1,018
181
naik
1
01
93
996
-22
turun
0
10
996
0
turun
0
00
1,029
33
naik
1
01
791
-238
turun
0
10
1,043
252
naik
1
01
976
-67
turun
0
10
962
-14
turun
0
00
803
-159
turun
0
00
842
39
naik
1
01
1,128
286
naik
1
11
1,033
-95
turun
0
10
804
-229
turun
0
00
812
8
naik
1
01
999
187
naik
1
11
1,124
125
naik
1
11
1,213
89
naik
1
11
1,137
-76
turun
0
10
1,359
222
naik
1
01
1,109
-250
turun
0
10
602
-507
turun
0
00
544
-58
turun
0
00
628
84
naik
1
01
650
22
naik
1
11
655
5
naik
1
11
625
-30
turun
0
10
761
136
naik
1
01
692
-69
turun
0
10
665
-27
turun
0
00
847
182
naik
1
01
954
107
naik
1
11
94
932
-22
No
State
1
Turun(0)
2
turun
State
1
Naik(1)
2 Total
10
Transisi Frekuensi Probability Naik(1)
17
0.6296
Turun(0)
10
0.3704
27
1
Total No
0
Transisi Frekuensi Probability Naik(1)
13
0.4194
Turun(0)
18
0.5806
31
1
95
Data Kedatangan Penumpang Domestik
45,035
Range
State
Transisi
44,816
-219
turun
0
48,785
3969
naik
1
01
49,874
1089
naik
1
11
55,252
5378
naik
1
11
56,952
1700
naik
1
11
52,270
-4682
turun
0
10
58,066
5796
naik
1
01
52,531
-5535
turun
0
10
53,941
1410
naik
1
01
54,622
681
naik
1
11
58,232
3610
naik
1
11
48,627
-9605
turun
0
10
51,139
2512
naik
1
01
62,266
11127
naik
1
11
57,331
-4935
turun
0
10
61,020
3689
naik
1
01
69,229
8209
naik
1
11
55,099
-14130
turun
0
10
68,870
13771
naik
1
01
56,150
-12720
turun
0
10
61,297
5147
naik
1
01
51,929
-9368
turun
0
10
59,664
7735
naik
1
01
53,988
-5676
turun
0
10
39,053
-14935
turun
0
00
52,203
13150
naik
1
01
47,831
-4372
turun
0
10
57,322
9491
naik
1
01
96
45,872
-11450
turun
0
10
62,668
16796
naik
1
01
59,364
-3304
turun
0
10
52,230
-7134
turun
0
00
83,391
31161
naik
1
01
63,688
-19703
turun
0
10
64,476
788
naik
1
01
44,889
-19587
turun
0
10
43,755
-1134
turun
0
00
46,873
3118
naik
1
01
51,439
4566
naik
1
11
60,203
8764
naik
1
11
55,259
-4944
turun
0
10
74,555
19296
naik
1
01
58,773
-15782
turun
0
10
55,019
-3754
turun
0
00
76,689
21670
naik
1
01
68,429
-8260
turun
0
10
84,204
15775
naik
1
01
66,834
-17370
turun
0
10
65,546
-1288
turun
0
00
77,452
11906
naik
1
01
76,532
-920
turun
0
10
87,989
11457
naik
1
01
79,081
-8908
turun
0
10
106,133
27052
naik
1
01
85,886
-20247
turun
0
10
90,031
4145
naik
1
01
93,973
3942
naik
1
11
99,088
5115
naik
1
11
97
130,081
No 1 2
30993
State Turun (0)
naik
1
State Naik(1)
2 Total
11
Transisi Frekuensi Probability Naik(1)
21
0.807692
Turun(0)
5
0.192308
26
1
Total No
1
Transisi Frekuensi Probability Naik(1)
12
0.375
Turun(0)
20
0.625
32
1
98
Data Keberangkatan Penumpang Domestik
47,845
Range
State
Transisi
43,019
-4,826
turun
0
47,832
4,813
naik
1
01
49,370
1,538
naik
1
11
52,896
3,526
naik
1
11
54,108
1,212
naik
1
11
52,884
-1,224
turun
0
10
48,652
-4,232
turun
0
00
56,760
8,108
naik
1
01
51,997
-4,763
turun
0
10
54,344
2,347
naik
1
01
54,383
39
naik
1
11
53,446
-937
turun
0
10
49,767
-3,679
turun
0
00
59,947
10,180
naik
1
01
57,218
-2,729
turun
0
10
58,182
964
naik
1
01
64,472
6,290
naik
1
11
49,007
-15,465
turun
0
10
65,499
16,492
naik
1
01
59,721
-5,778
turun
0
10
59,855
134
naik
1
01
50,769
-9,086
turun
0
10
56,367
5,598
naik
1
01
57,659
1,292
naik
1
11
39,086
-18,573
turun
0
10
51,365
12,279
naik
1
01
48,913
-2,452
turun
0
10
54,581
5,668
naik
1
01
99
49,643
-4,938
turun
0
10
42,071
-7,572
turun
0
00
75,300
33,229
naik
1
01
78,949
3,649
naik
1
11
62,615
-16,334
turun
0
10
59,381
-3,234
turun
0
00
61,250
1,869
naik
1
01
50,586
-10,664
turun
0
10
44,366
-6,220
turun
0
00
48,091
3,725
naik
1
01
50,974
2,883
naik
1
11
59,164
8,190
naik
1
11
54,440
-4,724
turun
0
10
68,473
14,033
naik
1
01
76,410
7,937
naik
1
11
69,703
-6,707
turun
0
10
66,512
-3,191
turun
0
00
69,368
2,856
naik
1
01
80,908
11,540
naik
1
11
74,557
-6,351
turun
0
10
65,011
-9,546
turun
0
00
76,190
11,179
naik
1
01
74,665
-1,525
turun
0
10
87,068
12,403
naik
1
01
67,290
-19,778
turun
0
10
105,294
38,004
naik
1
01
92,187
-13,107
turun
0
10
88,227
-3,960
turun
0
00
99,622
11,395
naik
1
01
97,722
-1,900
turun
0
10
100
123,462
25,740
No
State
1
Turun(0)
2
naik
State
1
Naik(1)
2 Total
01
Transisi Frekuensi Probability Naik(1)
20
0.7143
Turun(0)
8
0.2857
28
1
Total No
1
Transisi Frekuensi Probability Naik(1)
11
0.3667
Turun(0)
19
0.6333
30
1
101
Lampiran 7 : Dokumentasi
Foto Di Depan Kantor Cabang Bandara Adi Soemarmo Surakarta
Foto Ruang Kerja Praktek Di Kantor Cabang Bandara Adi Soemarmo
102
Foto Pelataran Parkir Pesawat (APRON) di Bandara Adi Soemarmo Surakarta
Foto Bersama Teman Kerja Praktek di Divisi Pelayanan
PENGAPLIKASIAN METODE SINGLE MOVING AVERAGE, SINGLE EXPONENTIAL SMOOTHING DAN RANTAI MARKOV UNTUK ANALISIS PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DOMESTIK TAHUN 2017 Shofura Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Indonesia, Yogyakarta.
[email protected]
ABSTRAK Pada era globalisasi, seiring dengan bertambahnya jumlah penduduk, maka kebutuhan akan alat transportasi juga meningkat, salah satunya adalah alat transportasi udara, yaitu pesawat terbang. Di PT. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta tercatat mengalami kenaikan pada jumlah penumpang dan pesawat domestiknya. Tujuan penelitian ini yaitu menentukan peramalan terhadap jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik tahun 2017 dan melihat peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik. Metode peramalan yang digunakan yaitu Moving Average, Exponential Smoothing dan Rantai Markov. Alasan kedua metode peramalan tersebut digunakan karena dilihat dari pola datanya. Rantai Markov digunakan untuk melihat peluang terjadinya peningkatan dan penurunan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestiknya. Berdasarkan analisis yang dilakukan dapat disimpulkan hasil peramalan caturwuan 1 untuk data jumlah kedatangan pesawat domestik untuk tahun 2017 adalah 867 kedatangan, dan jumlah keberangkatannya adalah 1.039 keberangkatan. Hasil peramalan data jumlah kedatangan penumpang domestik untuk tahun 2017 adalah 101.758 penumpang dan jumlah keberangkatannya adalah 59.574 penumpang. Peluang naik dan turunnya jumlah kedatangan pesawat yaitu sebesar 0,6401 dan 0,3599. Peluang naik dan turunnya jumlah keberangkatan pesawat yaitu sebesar 0,5 dan 0,5. Peluang naik dan turunnya jumlah kedatangan penumpang yaitu sebesar 0,2903 dan 0,7097. Peluang naik dan turunnya jumlah keberangkatan penumpang yaitu sebesar 0,3478 dan 0,6522. Kata kunci : Penumpang, Pesawat, Kedatangan, Keberangkatan, Bandara Adi Soemarmo Surakarta, Moving Average, Exponential Smoothing, Rantai Markov.
1. Pendahuluan Pada zaman era globalisasi, perkembangan zaman maju dengan pesat, salah satunya dalam bidang transportasi. Salah satunya alat transportasi udara, yaitu pesawat terbang. Dengan banyaknya peminat dalam penggunaan transportasi udara, pihak-pihak yang terkait seperti perusahaan penerbangan yaitu bandar udara berusaha untuk melakukan
berbagai langkah dalam pemenuhan kebutuhan pelanggan yang semakin meningkat dari masa ke masa. PT. Angkasa Pura I (Persero) Bandar Udara Internasional Adi Soemarmo Surakarta merupakan perusahaan penyedia jasa transportasi udara di Surakarta. Sejak keadaannya ditingkatkan menjadi bandar udara internasional pada tahun 1989 jumlah
103
penumpang dan penerbangan pesawat terbang di bandara tersebut mengalami peningkatan. Data dilansir pihak Kantor Cabang Bandara Adi Soemarmo menyebutkan, adanya kenaikan jumlah kedatangan dan keberangkatan penumpang domestik hingga 49% pada tahun 2016 dibanding tahun sebelumnya. Berdasarkan hal diatas, menarik untuk diketahui peramalan tentang jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017. Oleh karena itu digunakan metode peramalan Single Moving Average (SMA) dan Single Exponential Smoothing (SES). Selain metode SMA dan SES yang digunakan, akan digunakan juga digunakan, akan digunakan pula analisis rantai markov. Analisis rantai markov juga digunakan untuk melihat peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017. Tujuan penelitian ini adalah sebagai berikut : 1. Mengetahui peramalan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017 menggunakan single moving average. 2. Mengetahui peramalan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017 menggunakan single exponential smoothing 3. Memilih metode peramalan terbaik diantara single moving average dan single exponential smoothing
4. Melihat peluang naik turunnya jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik tahun 2017 dengan analisis rantai markov. 2. Metode Penelitian 2.1 Tempat dan Waktu Kerja Praktek Kerja praktek ini dimulai pada tanggal 25 Januari sampai dengan 26 Februari 2016 di PT. Angkasa Pura I (Persero) Kantor Cabang Bandara Adi Soemarmo Surakarta. 2.2 Prosedur Pengumpulan Data Pada penelitian ini, data yang digunakan merupakan data sekunder yang didapatkan dari PT. Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional Adi Soemarmo Surakarta. Data tersebut merupakan data arus lalu lintas angkatan udara di Bandara Adi Soemarmo Surakarta. Data berasal dari rekapitulasi bulanan berdasarkan data penerbangan harian yang terjadi selama Tahun 2011-2016. 2.3 Metode Analisis Metode analisis yang digunakan dalam penelitian ini adalah single moving average dan single exponential smoothing untuk meramalkan jumlah kedatangan dan keberangkatan penumpang dan juga pesawat domestik tahun 2017. Single Moving Average (SMA) Merupakan salah satu metode pengembangan dari metode rata-rata. Metode ini lebih baik karena menghasilkan error yang relatif lebih kecil, meskipun sama-sama belum dapat menangani data yang mengandung trend dan musiman. Rumusnya [1] : ∑ (1)
104
Single Exponential Smoothing (SES), model mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten. Metode ini memberikan penekanan melalui penggunaan sebuah konstanta smoothing. Konstanta smoothing mungkin berkisar dari 0 ke 1 [2]. Rumusnya : Ft+1 = α * yt + (1 – α) * Ft
dibandingkan tahun sebelumnya sedangkan untuk keberangkatan yaitu 14.210 penumpang atau meningkat 16%. Sementara itu terlihat pula bahwa data yang ada menggambarkan jumlah kenaikan yang sangat signifikan sebesar 59% yang terjadi dari tahun 2011 ke tahun 2012.
(2)
Analisis rantai markov juga digunakan untuk melihat peluang peningkatan dan penurunan jumlah kedatangan dan keberangkatan penumpang dan pesawat domestik pada tahun 2017. Penyelesaian penelitian ini menggunakan program Microsoft Excel 2010. Analisis rantai markov adalah suatu metode yang mempelajari sifatsifat suatu variabel pada masa sekarang yang didasarkan pada sifatsifatnya di masa lalu dalam usaha menaksir sifat-sifat variabel tersebut di masa yang akan datang [3]. 3. Hasil Analisis 3.1 Statistika Deskriptif
Gambar 3.1 Pergerakan Kedatangan dan Keberangkatan Pesawat Domestik Per Tahun
Gambar 3.2 Pergerakan Kedatangan dan Keberangkatan Penumpang Domestik Per Tahun
Terlihat terjadi kenaikan yang sangat signifikan dari tahun 2015 ke 2016. Pada tahun 2016 untuk kedatangan yaitu 1.058.626 penumpang atau naik 49% dari tahun sebelumnya sedangkan untuk keberangkatan yaitu 1.051.295 penumpang atau meningkat 47% dari periode tahun sebelumnya. 3.2 Analisis Single Moving Average Dalam hal ini peneliti membagi periode data menjadi caturwulan yaitu sebagai berikut : Caturwulan 1: Januari, Februari, Maret, April Caturwulan 2: Mei, Juni, Juli, Agustus Caturwulan 3 : September, Oktober, November, Desember
Pada tahun 2016 kedatangan pesawat domestik tercatat 14.219 penumpang atau naik 16%
105
3.2.1 Jumlah Kedatangan Pesawat Domestik
Sehingga dapat diramalkan jumlah keberangkatan pesawat domestik pada tahun 2017 untuk caturwulan 1 adalah sebesar 872 keberangkatan (per orang) sedangkan untuk caturwulan 2 adalah sebesar 856 keberangkatan (per orang). 3.2.3 Jumlah Kedatangan Penumpang Domestik
Gambar 3.3 Hasil Perbandingan Peramalan Jumlah Kedatangan Pesawat
Menurut [4] karena MSE memiliki kelemahan maka nilai MAPE dapat dipakai sebagai salah satu indikasi ketepatan dalam peramalan. Bila dilihat dari nilai MAPE, MA(6) memiliki nilai persentase penyimpangan hasil peramalan terkecil sebesar 15,89%. Maka untuk meramalkan jumlah kedatangan pesawat domestik metode yang paling tepat digunakan adalah MA (6). Sehingga dapat diramalkan jumlah kedatangan pesawat domestik pada tahun 2017 untuk caturwulan 1 adalah sebesar 870 kedatangan dan caturwulan 2 adalah sebesar 854 kedatangan. 3.2.2 Jumlah Keberangkatan Pesawat Domestik
Gambar 3.5 Hasil Perbandingan Peramalan Jumlah Kedatangan Penumpang
Bila dilihat MA(2) memiliki nilai MAD terkecil yaitu sebesar 9.049. Dari nilai MSE, MA(2) memiliki nilai MSE terkecil yaitu 140.865.288. Bila dilihat dari nilai MAPE, MA(2) memiliki nilai persentase penyimpangan hasil peramalan sebesar 14%. Untuk meramalkannya penumpang domestik metode yang paling tepat digunakan adalah MA (2). Dapat diramalkan jumlah kedatangan untuk caturwulan 1 adalah 96.533 penumpang sedangkan untuk caturwulan 2 adalah sebesar 103.293 penumpang. 3.2.4 Jumlah Keberangkatan Penumpang Domestik
Gambar 3.4 Hasil Perbandingan Peramalan Jumlah Keberangkatan Pesawat
Dapat disimpulkan untuk meramalkan jumlah keberangkatan pesawat domestik metode yang paling tepat digunakan adalah MA (6).
Gambar 3.6 Hasil Perbandingan Peramalan Jumlah Keberangkatan Penumpang
106
Bila dilihat MA(2) memiliki nilai MAD terkecil yaitu sebesar 1.326. Bila dilihat dari nilai MSE, MA(2) memiliki nilai MSE terkecil yaitu 3.613.765. Bila dilihat dari nilai MAPE, MA(2) memiliki nilai pers ent as e p en yi m p an ga n ha si l peramalan terkecil sebesar 2,6%. M aka d apat di si m p ul kan unt uk meramalkan jumlah keberangkatan penumpang domestik metode yang paling tepat digunakan adalah MA (2). Sehingga dapat diramalkan jumlah keberangkatan penumpang domestik pada tahun 2017 untuk caturwulan 1 adalah 58.117 penumpang sedangkan untuk caturwulan 2 adalah 59.955 p e n u m p a n g . 3.3 Analisis Single Exponential Smoothing 3.3.1 Jumlah Kedatangan Pesawat Domestik
Gambar 3.7 Hasil Perbandingan Peramalan Jumlah Kedatangan Pesawat
Dilihat dari perbedaan kesembilan nilai parameter , menunjukkan bahwa parameter yang dapat memberikan hasil peramalan terbai k dal am meramalkan data jumlah kedatangan pesawat domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data nya
jumlah kedatangan pesawat domestik untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 867 kedatangan dan 694 kedatangan. 3.3.2 Jumlah Keberangkatan Pesawat Domestik
Gambar 3.8 Hasil Perbandingan Peramalan Jumlah Keberangkatan Pesawat
Dilihat dari perbedaan kesembilan nilai parameter , menunjukkan bahwa parameter yang dapat memberikan hasil peramalan terbai k dal am meramalkan data j u m l a h k e b e r a n gk a t a n p e s a w a t domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data j u m l a h k e b e r a n gk a t a n p e s a w a t domestik untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 1.039 keberangkatan dan 312 k e b e r a n g k a t a n . 3.3.3 Jumlah Kedatangan Penumpang Domestik
Gambar 3.9 Hasil Perbandingan Peramalan Jumlah Kedatangan Penumpang
107
Dilihat dari perbedaan kesembilan nilai parameter , menunjukkan bahwa parameter yang dapat memberikan hasil peramalan terbaik dalam meramalkan data jumlah kedatangan penumpang domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data jumlah kedatangan penumpang domestik untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 101.758 penumpang dan 10.176 penumpang. 3.3.4 Jumlah Keberangkatan Penumpang Domestik
Gambar 3.10 Hasil Perbandingan Peramalan Jumlah Keberangkatan Penumpang
Dilihat dari perbedaan kesembilan nilai parameter , menunjukkan bahwa parameter yang dapat memberikan hasil peramalan terbaik dalam meramalkan data jumlah keberangkatan penumpang domestik berdasarkan nilai MSE, MAD dan MAPE terkecil yaitu pada parameter sehingga didapatkan hasil peramalan data jumlah keberangkatan penumpang domestik untuk tahun 2017 caturwulan 1 dan caturwulan 2 adalah 59.574 penumpang dan 5.957 penumpang.
3.4 Perbandingan Hasil Peramalan dengan Menggunakan SMA dan SES
Gambar 3.11 Hasil Perbandingan MeanAbsolute Percentage Error (MAPE)
Jadi, untuk peramalan jumlah kedatangan dan keberangkatan baik pesawat maupun penumpang domestik di Bandar Udara Internasional Adi Soemarmo lebih tepat menggunakan metode Single Exponential Smoothing karena menghasilkan nilai MAPE yang lebih kecil dibandingkan nilai MAPE yang dihasilkan pada metode Single Moving Average. 3.5 Analisis Rantai Markov 3.5.1 Jumlah Kedatangan Pesawat Domestik
Gambar 3.12 Nilai Peluang Jumlah Kedatangan Pesawat Domestik
Nilai peluang transisi akan konstan pada P(7). Nilai pada tabel diatas digunakan untuk melihat peluang jumlah kedatangan pesawat untuk 7 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan pesawat baik berada pada keadaan turun maupun keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5375 dan besarnya peluang jumlah
108
kedatangan akan turun yaitu sebesar 0,4625. 3.5.2 Jumlah Keberangkatan Pesawat Domestik
3.5.4 Jumlah Keberangkatan Penumpang Domestik
Gambar 3.15 Nilai Peluang Jumlah Keberangkatan Penumpang Domestik Gambar 3.13 Nilai Peluang Jumlah Keberangkatan Pesawat Domestik
Nilai pada tabel diatas digunakan untuk melihat peluang jumlah keberangkatan pesawat untuk 8 periode berikutnya yaitu, jika diketahui jumlah keberangkatan pesawat baik saat berada pada keadaan turun maupun pada keadaan naik, maka besarnya peluang jumlah keberangkatan akan turun yaitu sebesar 0,5202 dan besarnya peluang jumlah keberangkatan akan naik yaitu sebesar 0,4798. 3.5.3 Jumlah Kedatangan Penumpang Domestik
Gambar 3.14 Nilai Peluang Jumlah Kedatangan Penumpang Domestik
Nilai peluang transisi akan konstan pada P(13). Nilai pada tabel diatas digunakan untuk melihat peluang jumlah kedatangan penumpang untuk 4 periode (caturwulan) berikutnya jika diketahui saat jumlah kedatangan penumpang baik berada pada keadaan turun maupun keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5638 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4362.
Nilai peluang transisi akan konstan pada P(12). Nilai pada tabel diatas digunakan untuk melihat peluang jumlah keberangkatan penumpang untuk 12 periode (caturwulan) berikutnya jika diketahui saat jumlah keberangkatan penumpang baik berada pada keadaan turun maupun keadaan naik, maka besarnya peluang jumlah kedatangan akan naik yaitu sebesar 0,5301 dan besarnya peluang jumlah kedatangan akan turun yaitu sebesar 0,4699. 4. Kesimpulan Berdasarkan analisis SMA, didapatkan peramalan jumlah kedatangan dan keberangkatan pesawat untuk caturwulan 1 adalah 870 kedatangan dan 872 keberangkatan. Hasil peramalan jumlah kedatangan dan keberangkatan penumpang untuk caturwulan 1 adalah 96.533 dan 58.117 penumpang. Berdasarkan analisis SES, didapatkan peramalan jumlah kedatangan dan keberangkatan pesawat untuk caturwulan 1 adalah 867 kedatangan dan 1.039 keberangkatan. Hasil peramalan jumlah kedatangan dan keberangkatan penumpang untuk caturwulan 1 adalah 101.758 dan 59.574 penumpang. Berdasarkan perbandingan nilai MAPE terkecil pada tiap kasus lebih tepat menggunakan metode SES dibanding metode SMA. Berdasarkan analisis
109
rantai markov, nilai peluang jumlah kedatangan pesawat konstan pada P(7) sehingga peluang jumlah kedatangan akan naik sebesar 0,5375 dan akan turunnya sebesar 0,4625. Nilai peluang jumlah keberangkatan pesawat konstan pada P(8) sehingga peluang jumlah keberangkatan akan naik sebesar 0,5202 dan turun sebesar 0,4798. Nilai peluang jumlah kedatangan penumpang konstan pada P(13) sehingga peluang jumlah kedatangan akan naik 0,5638 dan akan turun sebesar 0,4362. Terakhir nilai peluang jumlah keberangkatan penumpang konstan pada P(12) sehingga peluang jumlah keberangkatan akan naik sebesar 0,5301 dan akan turun sebesar 0,4699. DAFTAR PUSTAKA [1] Tyas. 2016. “Analisis SARIMA sebagai Alat Bantu Prediksi Harga Minyak Mentah di Indonesia Menggunakan Backpropagation”. Skripsi. Yogyakarta : UIN Sunan Kalijaga. [2] Cornellius, Trihendradi. 2005. SPSS 13.0 Analisis Data Statistik. Yogyakarta: Andi. [3] Siagian, Sondang P. 2006. Manajemen Sumber Daya Manusia. Edisi 1. Cetakan 13. Jakarta: Bumi Aksara. [4] Sungkawa, I., dkk. 2011. Penerapan Ukuran Ketepatan Nilai Ramalan Data Deret Waktu Dalam Seleksi Model Peramalan Volume Penjualan Pt Satriamandiri Citramulia. Vol.2 No. 2 Desember 2011: 636-645 Jakarta : Universitas Binus.
110
111