LAPORAN KERJA PRAKTEK DI PT. ANGKASA PURA I (PERSERO) BANDAR UDARA INTERNASIONAL ADI SOEMARMO SURAKARTA

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


36

dan MAPE 4.3


39

dan MAPE 4.4


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


46

MAPE 4.8


4.9

49

dan


49

MAPE 4.10

Perbandingan nilai peramalan, MSE, MAD dan

49

MAPE 4.11


4.12

52

dan


53

MAPE 4.13


viii

53

4.14


4.15

56

dan


56

MAPE 4.16


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


61

4.21


62

Berikutnya 4.22


64

4.23


65

Berikutnya 4.24


69

4.25


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


28

Pesawat Domestik Per Bulan Tahun 2016 4.3


28

Penumpang Domestik Per Tahun 4.4


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


32

Orde 4, Orde 5 dan Orde 6 4.8

Grafik Keberangkatan Pesawat Domestik

34

4.9


35



35


Grafik Kedatangan Penumpang Domestik

37

4.12


38



x

38


Grafik Keberangkatan Penumpang Domestik

40

4.15


41



41


Hasil Peramalan Single Exponential Smoothing dengan

4.18

43 dan

Hasil Peramalan Single Exponential

44

Smoothing dengan dan 4.19


4.20

47 dan


47



4.22

50 dan


51



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)


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.


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).


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).


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 :


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.


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.


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)


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 :


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.


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.


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


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


kedatangan sedangkan untuk caturwulan 2 adalah sebesar 163 kedatangan. Sedangkan hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


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


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


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


47


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


keberangkatan sedangkan untuk caturwulan 2 adalah sebesar 713 keberangkatan.


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


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


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


dan


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%


Nilai



1.026 616 4.471

825 660 4.319

730 511 4.184

MAD

53

49

46

MAPE

5,17%

4,78%

4,47%


Nilai



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




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



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.


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


sedangkan untuk caturwulan 2 adalah sebesar 50.501 penumpang. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


penumpang sedangkan untuk caturwulan 2 adalah sebesar 39.991 penumpang.

52

Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


sedangkan untuk caturwulan 2 adalah sebesar 29.247 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


untuk caturwulan 2 adalah sebesar 19.968 penumpang. Sedangkan hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


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


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



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%


Nilai


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%




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



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


56.219 penumpang sedangkan untuk caturwulan 2 adalah sebesar 39.353 penumpang.

55


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


44.295 penumpang sedangkan untuk caturwulan 2 adalah sebesar 35.436 penumpang. Untuk hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


penumpang sedangkan untuk caturwulan 2 adalah sebesar 27.253 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


sedangkan untuk caturwulan 2 adalah sebesar 17.615 penumpang. Hasil peramalan mendatang dengan menggunakan metode single exponential smoothing dengan


untuk caturwulan 2 adalah sebesar 11.833 penumpang. Sedangkan hasil peramalan mendatang dengan menggunakan metode single exponential smoothing

56

dengan


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


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%


Nilai


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



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%




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)


Turun(0) Naik(1) 0.4570 0.5430 0.4671 0.5329

Total 1 1

P(4)


Turun(0) Naik(1) 0.4636 0.5364 0.4615 0.5385

Total 1 1

P(5)


Turun(0) Naik(1) 0.4622 0.5378 0.4627 0.5373

Total 1 1

P(6)


Turun(0) Naik(1) 0.4625 0.5375 0.4624 0.5376

Total 1 1

60

P(7)


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)


Naik(1) 0.4973 0.5414

Total 1 1

P(3)


Naik(1) 0.5251 0.5158

Total 1 1

P(4)


Naik(1) 0.5192 0.5212

Total 1 1

P(5)


Naik(1) 0.5205 0.5200

Total 1 1

P(6)


Naik(1) 0.5202 0.5203

Total 1 1

P(7)


Naik(1) 0.5203 0.5202

Total 1 1

P(8)


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


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)


Naik(1) 0.4582 0.6454

Total 1 1

P(3)


Naik(1) 0.6094 0.55284

Total 1 1

P(4)


Naik(1) 0.5440 0.5791

Total 1 1

P(5)


Naik(1) 0.5723 0.5571

Total 1 1

P(6)


Naik(1) 0.5601 0.5666

Total 1 1

P(7)


Naik(1) 0.5654 0.5625

Total 1 1

P(8)


Naik(1) 0.5631 0.5643

Total 1 1

66

P(9)


Naik(1) 0.5641 0.5635

Total 1 1

P(10)


Naik(1) 0.5636 0.5639

Total 1 1

P(11)


Naik(1) 0.5638 0.5637

Total 1 1

P(12)


Naik(1) 0.5637 0.5638

Total 1 1

P(13)


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


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)


Naik(1) 0.4660 0.5868

Total 1 1

P(3)


Naik(1) 0.5523 0.5103

Total 1 1

P(4)


Naik(1) 0.5223 0.5369

Total 1 1

P(5)


Naik(1) 0.5327 0.5277

Total 1 1

P(6)


Naik(1) 0.5291 0.5309

Total 1 1

P(7)


Naik(1) 0.5304 0.5298

Total 1 1

P(8)


Naik(1) 0.5299 0.5302

Total 1 1

P(9)


Naik(1) 0.5301 0.5300

Total 1 1

P(10)


Naik(1) 0.5300 0.5301

Total 1 1

71

P(11)


Naik(1) 0.5301 0.5300

Total 1 1

P(12)


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


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


21

0.807692

Turun(0)

5

0.192308

26

1

Total No

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


20

0.7143

Turun(0)

8

0.2857

28

1

Total No

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

LAPORAN KERJA PRAKTEK DI PT. ANGKASA PURA I (PERSERO) BANDAR UDARA INTERNASIONAL ADI SOEMARMO SURAKARTA

Recommend Documents