LAPORAN KERJA PRAKTIK

DI KANTOR CABANG UTAMA BANDARA SOEKARNO HATTA

PT.ANGKASA PURA II (PERSERO)

(Studi Kasus: Peramalan penumpang keberangkatan Bandara

Soekarno Hatta pada tahun 2017 menggunakan metode SARIMA )

Hafizhan Aliady
14611225

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2017
 LEMBAR PENGESAHAN

LAPORAN KERJA PRAKTIK

DI KANTOR CABANG UTAMA BANDARA SOEKARNO HATTA
PT.ANGKASA PURA II (PERSERO)

(Studi Kasus: Peramalan penumpang keberangkatan Bandara Soekarno Hatta

pada tahun 2017 menggunakan metode SARIMA )

Disusun oleh :

Nama : Hafizhan Aliady

Nomor Mahasiswa : 14611225

Yogyakarta, September 2017

Mengetahui Menyetujui
Ketua Jurusan Statistika Dosen Pembimbing

Dr.RB Fajriya Hakim S.Si., M.Si. Rizky Kusumawardani, S.Si., M.Si.

ii
 LEMBAR PENGESAHAN PEMBIMBING LAPANGAN

LAPORAN KERJA PRAKTIK

DI KANTOR CABANG UTAMA BANDARA SOEKARNO HATTA
PT.ANGKASA PURA II (PERSERO)

(Studi Kasus: Peramalan penumpang keberangkatan Bandara Soekarno Hatta

pada tahun 2017 menggunakan metode SARIMA )

Disusun oleh :

Nama : Hafizhan Aliady

Nomor Mahasiswa : 14611225

Tangerang, Februari 2017

Mengetahui Menyetujui
Human Capital and G.A senior manager Dosen Pembimbing Lapangan

Febri Toga Ujang Jaya Permana S.E.

iii
 KATA PENGANTAR

Asalamu’alaikum Wr. Wb
Alhamdulilah , Penulis ucapkan puji dan syukur kepada Allah SWT, Karena
atas berkat rahmat, dan hidayahnya. Penulis dapat menyelesaikan Laporan Penelitian di
PT. Angkasa Pura II (Persero) yang berjudul “Peramalan penumpang keberangkatan
Bandara Soekarno Hatta pada tahun 2017 menggunakan metode SARIMA”
dengan baik .

Kerja Praktik yang di lakukan sebagai salah satu persyaratan yang harus di penuhi
dalam menyelesaikan jenjang strata satu di Jurusan Statistika Universitas Islam
Indonesia. Laporan Penelitian ini di laksanakan pada tanggal 16 Januari – 15 Februari
2016. Penyusunan Laporan Penelitian ini berdasarkan tentang jumlah penumpang
keberangkatan yang di peroleh selama kerja praktik di kantor cabang PT. Angkasa Pura
II (Persero), bagian Airside Quality and data.

Penulis Menyadari bahwa dalam penulisan laporan ini banyak memperoleh bantuan dari
berbagai pihak. Baik berupa kritik, saran, bimbingan maupun bantuan lainnya. Oleh
karena itu pada kesempatan ini penulis menyampaikan ucapan terimakasih kepada:

1. Orang tua penulis yang tercinta yang selalu mendukung studi dan kegiatan
lainnya.
2. Ibu Rizky Kusumawardani, selaku dosen pembimbing kerja praktik. Atas
bimibingan beliau penulis dapat menyelesaikan Laporan ini dengan baik.
3. Bapak Dr. RB. Fajriya Hakim, S.Si., M.Si., selaku ketua Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Indonesia
yang juga telah banyak membantu dan memberi ilmu dan wawasan baru kepada
penulis
4. Bapak Adi Satria P, selaku pembimbing lapangan, atas bimbingannya selama
melaksanakan kerja praktik
5. Bapak Ujang Jaya P, Selaku Junior Manager Airside Quality and Airport Data
atas kesempatan melaksanakan kerja praktik.

iv
6. Segenap Karyawan Angkasa Pura II yang telah menerima dan membimbing
penulis dengan Baik pada saat pelaksaanaan Kerja Praktik.

Demikian Laporan Penelitian ini, penulis menyadari bahwa dalam Laporan

Penelitian ini masih banyak berbagai kekurangan karena keterbatasan
pengetahuan dan kemampuan. Oleh karena itu, kritik dan saran yang bersifat
membangun diharapkan demi kesempurnaan penulisan Laporan Penelitian ini.
Semoga Laporan Penelitian ini bermanfaat bagi semua pihak. Amin.
Wassalamu’alaikum Wr. Wb

Yogyakarta, September 2017

Penulis

v
 DAFTAR ISI

HALAMAN SAMPUL .................................................................................................... i

HALAMAN PENGESAHAN ........................................................................................ ii
KATA PENGANTAR ................................................................................................... iv
DAFTAR ISI .................................................................................................................. vi
DAFTAR TABEL ........................................................................................................ viii
DAFTAR GAMBAR ..................................................................................................... ix
DAFTAR LAMPIRAN .................................................................................................. x
ABSTRAK ...................................................................................................................... xi
BAB I PENDAHULUAN .............................................................................................. 1
1.1. Latar Belakang ................................................................................................... 1
1.2. Rumusan Masalah .............................................................................................. 3
1.3. Tujuan Penelitian ............................................................................................... 3
1.4. Batasan Masalah ................................................................................................ 3
1.5. Manfaat penelitian ............................................................................................. 3
BAB II TINJAUAN PERUSAHAAN ........................................................................... 5
2.1. Sejarah Berdirinya Angkasa Pura II .................................................................. 5
2.1.1. Bandar Udara yang Dikelola PT. Angkasa Pura II (Persero) ..................... 6
2.1.2. Kantor Cabang Utama Bandar Udara Soekarno Hatta ............................... 7
2.2. Visi dan Misi ...................................................................................................... 8
2.3. Tujuan Perusahaan ............................................................................................. 9
2.4. Struktur Organisasi Kantor Cabang Utama ..................................................... 10
2.5. Pengalaman Kerja Praktik ............................................................................... 11
BAB III TINJAUAN PUSTAKA ................................................................................ 13
3.1 Penumpang Transportasi Udara ....................................................................... 13
3.2 Peramalan SARIMA ........................................................................................ 13
3.2.1 Definisi Peramalan ......................................................................................... 13
3.2.2 SARIMA ........................................................................................................ 15
BAB IV STUDI KASUS .............................................................................................. 21
4.1. Metode Analisis ............................................................................................... 21
4.2. Hasil dan pembahasan ..................................................................................... 21

vi
 4.2.1. Analisis Deskriptif Jumlah keberangkatan penumpang ........................... 22
4.2.2. Analisis Runtun Waktu Dengan metode SARIMA .................................. 22
BAB V KESIMPULAN DAN SARAN ....................................................................... 31
5.1. Kesimpulan ...................................................................................................... 31
5.2. Saran ................................................................................................................ 31
DAFTAR PUSTAKA ................................................................................................... 33
MAKALAH KERJA PRAKTIK................................................................................. 35
LAMPIRAN .................................................................................................................. 45

vii
 DAFTAR TABEL

Tabel 4.1. Hasil pengujian ADF ............................................................................... 24

Tabel 4.2. Hasil Overfitting ...................................................................................... 25
Tabel 4.3. Pengujian Model ...................................................................................... 26
Tabel 4.4. Hasil peramalan penumpang pada tahun 2017 ........................................ 28

viii
 DAFTAR GAMBAR

Gambar 2.1. Logo Angkasa Pura II ......................................................................... 6

Gambar 2.2. Struktur organisasi kantor cabang utama ............................................ 10
Gambar 4.1. Grafik pertumbuhan ............................................................................ 22
Gambar 4.2. Grafik runtun waktu ............................................................................ 23
Gambar 4.3. Plot ACF dan PACF setelah diferensiasi ............................................ 24
Gambar 4.4. Pengujian model terhadap data. .......................................................... 27
Gambar 4.5. Grafik hasil peramalan ........................................................................ 29
Gambar 4.6. Pertumbuhan dari tahun ke tahun ........................................................ 29

ix
 DAFTAR LAMPIRAN

Lampiran 1. Data Penumpangberangkat Bandara Internasional Soekarno-Hatta ... 44

Lampiran 2. Surat Penerimaan Kerja Praktik .......................................................... 45
Lampiran 3. Surat Keterangan Selesai Kerja Praktik .............................................. 46

x
 LAPORAN PENELITIAN
PT. ANGKASA PURA II (Persero)
Soekarno-Hatta International Airport Building 601

Studi Kasus: Penerapan metode Seasonal Auto Regressive Integrated Moving Average
(SARIMA) dalam peramalan jumlah penumpang berangkat pada Bandara Internasional
Soekarno Hatta

ABSTRAK

PT Angkasa Pura II merupakan perusahaan penyedia jasa transportasi udara, lebih tepatnya
pengelola bandara. Saat ini tantangan bagi perusahaan ialah memberikan fasilitas bandara yang baik bagi
pengguna, baik maskapai penerbangan maupun penumpang. Kenaikan jumlah pengguna jasa
transportasi udara setiap tahunnya akan berdampak pada fasilitas pelayanan yang diberikan. Oleh karena
itu, diperlukan analisis yang dapat meramalkan jumlah penumpang agar pelayanan yang maksimal dapat
diberikan kepada pengguna jasa transportasi udara di bandara naungan PT Angkasa Pura II dalam
penelitian ini adalah bandara Soekarno Hatta yang merupakan bandara dengan aktivitas yang padat .
Metode peramalan yang digunakan pada penelitian ini adalah (Seasonal Auto Regresive Integreated
Moving Average) SARIMA(p,d,q)(P,D,Q)12 karena data yang dianalisis memiliki pola musiman. Data
penelitian ini merupakan data jumlah penumpang domestik dan internasional yang datang di Bandara
Soekarno Hatta mulai tahun 2010 sampai tahun 2016. 90% data di gunakan untuk membentuk model dan
10% nya digunakan untuk menguji hasil peramalan. Hasil analisis yang didapatkan adalah metode
peramalan terbaik untuk data jumlah penumpang yang datang adalah SARIMA(0,1,1)(0,0,2)12.
Keakuratan model ini dalam meramalkan adalah 2,944% Hasil peramalan untuk bulan Januari 2017
sampai Desember 2017 secara berurutan 2,239,800; 2,294,863; 2,535,845; 2,458,529; 2,605,055;
2,344,189; 2,619,588; 2,526,956; 2,498,255; 2,413,112; 2,390,326; 2,736,299.
Kata Kunci : Penumpang, Soekarno-Hatta, Peramalan, SARIMA

xi
 BAB I
PENDAHULUAN

1.1.Latar Belakang

Transportasi merupakan sarana umum masyarakat yang sangat penting.

Perkembangan transportasi di Indonesia telah mengalami kemajuan pesat.
Pembangunan sektor transportasi diarahkan pada terwujudnya sistem transportasi
nasional yang handal dan berkemampuan tinggi serta diselenggarakannya secara
efektif dan efisien dalam menunjang dan menggerakkan dinamika pembangunan.
Selanjutnya, pembangunan sektor transportasi juga dapat mendukung mobilitas
manusia, barang atau pun jasa, mendukung pola distribusi nasional serta
pengembangan wilayah dan peningkatan hubungan internasional.
Peran transportasi udara sebagai unsur penunjang dapat dilihat dari
kemampuannya menyediakan jasa transportasi yang efektif dan efisien untuk
memenuhi kebutuhan sektor lain, sekaligus juga berperan dalam menggerakkan
dinamika pembangunan. Transportasi udara mampu memberikan nilai tambah
berupa kecepatan, sehingga memungkinkan peredaran uang yang lebih cepat dan
penekanan biaya produksi. Sedangkan sebagai unsur pendorong, transportasi udara
terbukti mampu menjadi jasa transportasi yang efektif untuk membuka daerah
terisolasi serta melayani daerah-daerah dan pulau-pulau terpencil.
Tersedianya transportasi yang dapat menjangkau ke seluruh daerah akan memicu
produktivitas penduduk setempat sehingga dapat meningkatkan penghasilan
seluruh rakyat dan juga pendapatan pemerintah (Darmajati,1995).
Badan Pusat Statistik (BPS) mencatat kenaikan jumlah pengguna transportasi
udara menjadi 7,88 persen atau sekitar 6,3 juta orang pada bulan Maret 2016
dibandingkan dengan bulan Februari. Selama bulan Januari hingga bulan Maret
2016, tercatat jumlah penumpang domestik mencapai 18,4 juta orang atau naik
20,35 persen dibandingkan tahun 2015. Jumlah penumpang internasional bulan
Januari sampai bulan Maret mencapai 3,5 juta orang atau naik 7,02 persen
dibanding tahun 2015. Kenaikan jumlah penumpang pengguna transportasi udara
setiap tahunnya akan berdampak pada fasilitas pelayanan yang diberikan oleh
penyedia jasa, dalam hal ini adalah PT. Angkasa Pura II. Oleh karena itu, perlu
 dilakukan suatu analisis kenaikan jumlah penumpang transportasi udara dimasa
mendatang supaya pelayanan yang diberikan PT. Angkasa Pura II terhadap
pengguna transportasi udara tetap berkualitas. Salah satu metode yang bisa
digunakan untuk menganalisis jumlah penumpang transportasi udara dimasa
mendatang adalah metode peramalan. Peramalan adalah seni dan ilmu memprediksi
peristiwa-peristiwa masa depan dengan pengambilan data historis dan
memproyeksikannya ke masa depan dengan menggunakan bebrapa bentuk model
matematis (Render dan Heizer, 2001).
Kesalahan dalam peramalan akan berdampak pada pengambilan keputusan,
misalkan saja kesalahan peramalan pada penjualan akan mempengaruhi pada
perencanaan anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya.
Dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan
bermanfaat (Makridakis dkk., 1999):
1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan
peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi
data yang diperoleh semaksimal mungkin.
Terdapat banyak metode yang dapat digunakan untuk peramalan, diantaranya
adalah (Moving Average, Exponential Smoothing dan Regresi Linear). Pada
laporan Penelitian ini akan digunakan metode Seasonal AutoRegessive Integrated
Moving Average (SARIMA) untuk meramalkan jumlah penumpang transportasi
udara khususnya jumlah penumpang transportasi udara yang berangkat dari bandara
udara Soekarno Hatta. Metode SARIMA dipilih untuk analisis karena data jumlah
penumpang yang berangkat dari bandara udara dibawah naungan PT. Angkasa Pura
II memiliki pola musiman, selain itu metode SARIMA baik untuk peramalan.
Kebaikan metode SARIMA dalam peramalan ditunjukkan oleh penelitian yang
dilakukan oleh Lestari dan Wahyuningsih (2012) tentang peramalan jumlah
pengunjung wisata. Harapannya penelitian tentang peramalan jumlah pengunjung
di taman hiburan yang di lakukan Lestari dan wayuningsih menggunakan metode
SARIMA dapat digunakan juga untuk mengetahui peramalan jumlah penumpang
yang berangkat dari bandara yang di naungi oleh PT. Angkasa Pura II pada tahun
2017. Hasil dari analisis peramalan ini dapat dijadikan sebagai salah satu alternatif

2
 untuk pengambilan kebijakan PT. Angkasa Pura II yang menaungi Bandara
Internasional Soekarno-Hatta dalam peningkatan kualitas pelayanan.

1.2.Rumusan Masalah
Rumusan masalah yang di angkat berdasarkan latar belakang adalah :
1. Bagaimana gambaran secara umum jumlah penumpang pesawat di Bandara
Udara Soekarno-Hatta tahun 2010 -2016 ?
2. Bagaimana model terbaik SARIMA (p,d,q)(P,D,Q)S yang di gunakan untuk
meramalkan jumlah penumpang yang berangkat dari bandara Soekarno-Hatta
pada tahun 2017 ?
3. Bagaimana peramalan jumlah penumpang keberangkatan di bandara
Internasional Soekarno Hatta pada tahun 2017 ?

1.3.Tujuan Penelitian
Tujuan di lakukan penelitian ini adalah sebagai berikut :
1. Mendapatkan gambaran secara umum jumlah penumpang pesawat pada bandara
Soekarno Hatta
2. Mendapatkan model terbaik SARIMA (p,d,q)(P,D,Q)S untuk meramalkan
jumlah penumpang yang berangkat dari bandara Soekarno-Hatta pada tahun
2017 ?.
3. Mendapatkan peramalan jumlah penumpang keberangkatan di bandara Soekarno
Hatta pada tahun 2017.

1.4.Batasan Masalah
Agar ruang lingkup pembahasan tidak terlalu melebar maka penulis membatasi
permasalahan yang akan di bahas pada laporan ini.
1. Data yang di gunakan adalah data jumlah penumpang kedatangan pada tahun
2010 - 2016 pada Bandara Internasional Soekarno Hatta
2. Data di olah menggunakan software R Versi 3.3.2 Dan Microsoft Excel 2016
menggunakan metode SARIMA (p,d,q)(P,D,Q)S .

1.5.Manfaat penelitian
Manfaat dari adanya penelitian ini yaitu :
1. Bagi Pembaca

3
 Dapat menerapkan ilmu yang di peroleh di perkuliahan dan menambah
pengetahuan baru. Sehingga timbul semangat
2. Bagi Perusahaan
Bisa dijadikan sebagai bahan masukan, pertimbangan atau acuan arah
kebijakan dan strategi pengembangan bagi PT Angkasa Pura II (Persero)
terhadap bandara yang dikelola.
3. Bagi Penulis
Bisa di gunakan untuk materi pembelajaran dan penerapan ilmu statistika secara
langsung dalam dunia pekerjaan, sehingga lebih baik dalam perkembangan di
masa yang akan datan

4
 BAB II
TINJAUAN PERUSAHAAN

Informasi yang di dapatkan dari Website PT Angkasa Pura II dan Buku

Data Statistik Udara 2015 yang di keluarkan oleh menejemen PT Angkasa Pura II.

2.1.Sejarah Berdirinya Angkasa Pura II

Pada tahun 1984, di Jakarta terdapat 2 pelabuhan udara, yaitu
Pelabuhan Udara Kemayoran dan Halim Perdanakusuma yang dikelola oleh
Perum Angkasa Pura. Akan tetapi pelabuhan udara tersebut khususnya
Bandar Udara Kemayoran sudah sulit dikembangkan mengingat lokasinya
berada ditengah kota dan tidak menguntungkan.

Untuk memenuhi peningkatan permintaan angkutan udara di Jakarta

yang aman, teratur dan efisien, Pemerintah membangun bandar udara di
Jakarta Cengkareng yang kemudian diberi nama Bandar Udara Internasional
Jakarta Soekarno-Hatta. Secara fisik pembangunannya dimulai tahun
1981 dan dioperasikan secara penuh tahun 1985.

Dalam rangka mengelola dan mengusahakan Bandar Udara

Jakarta Internasional Cengkareng tersebut, Pemerintah mendirikan
Perusahaan Umum (Perum) Pelabuhan Udara Jakarta Internasional
Cengkareng berdasarkan Peraturan Pemerintah (PP) Nomor 20 Tahun
1984.

Kemudian Pemerintah menyatukan pengelolaan Bandar Udara Halim

Perdanakusuma dan Bandar Udara Soekarno-Hatta dalam satu BUMN,
melalui Keputusan Menteri Perhubungan Nomor : KM.171/HK.208//Phb-85.

Kemudian berdasarkan Peraturan Pemerintah Nomor 26 Tahun 1986,

nama Perum Pelabuhan Udara Jakarta Internasional Cengkareng diubah
menjadi Perum Angkasa Pura II. Selanjutnya bentuk Perusahaan yang semula
Perusahaan Umum kemudian menjadi Persero berdasarkan Peraturan
Pemerintah Nomor 14 Tahun 1992, dan pendiriannya dengan Akta Notaris
Muhani Salim nomor 3 tanggal 2 Januari 1993 terakhir diubah dengan Akta
Notaris Harjono Moekiran, SH nomor 19 tanggal 21 Juli 1998.

Berdasarkan Keputusan menteri Keuangan Nomor: S-

1208/KMK.016/1992 telah ditetapkan modal dasar PT Angkasa Pura II
(Persero) sebesar Rp 8.845 milyar, sedangkan modal disetor sebesar Rp 1.769
milyar.

Anggaran Dasar PT Angkasa Pura II (persero) telah dimasukkan dalam

Berita Negara RI Tahun 1995 Nomor 65 dan Tambahan berita Negara RI
Nomor 6582 Tahun 1995. Sehubungan dengan diterbitkannya Undang-
undang Perseroan Terbatas Nomor 1 Tahun 1995, maka Anggaran Dasar
Perusahaan disesuaikan lagi dan penyesuaiannya tercantum dalam Berita
Negara RI Tahun 1999 Nomor 1502 dan Tambahan berita Negara RI nomor
19 Tahun 1999. Logo Dari Perusahaan dapat di lihat pada Gambar 2.1 berikut.

Gambar 2.1 Logo Angkasa Pura II

Sumber : http://www.angkasapura2.co.id/

2.1.1. Bandar Udara yang Dikelola PT. Angkasa Pura II (Persero)

Sampai saat ini, PT Angkasa Pura II (Persero) mengelola 13
bandar udara yang melayani penerbangan komersil domestik,
internasional dan charter, yaitu:

1. Kantor Cabang Utama Bandar Udara Soekarno-Hatta, CGK,

Tangerang;

6
 2. Kantor Cabang Bandar Udara Halim Perdanakusuma, HLP,
Jakarta;
3. Kantor Cabang Bandar Udara Polonia, MES, Medan;
4. Kantor Cabang Bandar Udara Sultan Syarif Kasim II, PKU,
Pekanbaru;
5. Kantor Cabang Bandar Udara Internasional Minangkabau, PDG,
Padang;
6. Kantor Cabang Bandar Udara Mahmud Badaruddin II, PLM,
Palembang;
7. Kantor Cabang Bandar Udara Supadio, PNK, Pontianak;
8. Kantor Cabang Bandar Udara Husein Sastranegara, BDO,
Bandung;
9. Kantor Cabang Bandar Udara Sultan Iskandar Muda, BTJ, Banda
Aceh;
10. Kantor Cabang Bandar Udara Raja Haji Fisabilillah, TNJ,
Tanjungpinang;
11. Kantor Cabang Bandar Udara Depati Amir, PGK, Pangkalpinang;
12. Kantor Cabang Bandar Udara Sultan Thaha, DJB, Jambi.
13. Kantor Cabang Bandar Udara Silangit, DTB, Siborong-borong.

2.1.2. Kantor Cabang Utama Bandar Udara Soekarno Hatta

Salah satu Bandara udara yang di bawahi oleh PT APII adalah
Bandar Udara Soekarno Hatta yang memiliki Kode Internasional
Airport Transportation Asosiation (IATA) CGK merupakan bandar
udara yang melayani penerbangan Jakarta, Indonesia. Bandar udara ini
diberi nama sesuai dengan nama dwitunggal tokoh proklamator
kemerdekaan Indonesia, Soekarno dan Mohammad Hatta, yang
sekaligus merupakan Presiden dan Wakil Presiden Indonesia pertama.
Bandara Soetta memiliki kode IATA CGK. Nama populer dalam
masyarakat adalah Bandara Cengkareng oleh karena berdekatan dengan
wilayah Cengkareng, Jakarta Barat, meskipun secara geografis berada

7
 di kecamatan Benda, Kota Tangerang. Memiliki luas 18km2, memiliki
2 landasan pararel yang di pisahkan oleh 2 taxiway sepanjang 2,4 Km.
Terdapat 3 bangunan utama terminal, Pada Terminal 1 melayani semua
penerbangan domestik kecuali pada maskapai Garuda, Pada Terminal 2
Melayani semua penerbangan . Bandar udara Soekarno Hatta memiliki
180 Check-in counter, 42 Pengklaiman bagasi, dan 45 Gerbang. Bandar
udara ini membebankan pajak sebesar US$15 untuk penumpang
Internasional dan US$4 untuk penumpang domestik. Kantor Cabang
utama PT Angkasa Pura II Merupakan kantor cabang yang secara
langsung bertanggung jawab terhadap pelayanan pada Bandara
Internasional Soekarno Hatta, diantaranya yaitu pelayanan terhadap
pengoperasian bandara pengaturan parkir pesawat, perizinan angkutan
bandara dan lainnya. Kemudian ada Perawatan terhadap fasilitas
bandara seperti masalah kelistrikan sistem informasi pada kegiatan
bandara dan lainnya.

2.2.Visi dan Misi

Visi
“The Best Smart Connected Airport in the region”
The best smart connected airport in the region memiliki makna bahwa
bandara-bandara yang dikelola Angkasa Pura II menjadi bandara yang
terhubung ke banyak rute atau tujuan baik di dalam maupun di luar negeri,
sesuai dengan status masing-masing bandara (bandara
domestik/internasional). Connecting time dan connecting process baik untuk
penumpang maupun barang harus bisa berjalan dengan mudah dan tanpa
sekat. Bandara-bandara APII juga sepenuhnya menjadi bandara yang pintar
(smart) dengan memanfaatkan teknologi modern. Region yang dimaksud
dalam visi adalah Asia. Sehingga dapat disimpulkan bahwa visi Angkasa
Pura II adalah menjadi bandara dengan konektivitas tinggi ke banyak kota
atau negara dan mempergunakan teknologi modern yang terintegrasi dalam
operasional bandara dan peningkatan pelayanan penumpang.

8
 Misi
• Memastikan keselamatan dan keamanan sebagai prioritas utama
• Menyediakan infrastruktur dan layanan kelas dunia untuk mendukung
perkembangan ekonomi Indonesia melalui konektivitas antar daerah
maupun negara
• Memberikan pengalaman perjalanan yang terpercaya, konsisten, dan
menyenangkan kepada seluruh pelanggan dengan teknologi modern
• Mengembangkan kemitraan untuk melengkapi kemampuan dan
memperluas penawaran perusahaan
• Menjadi BUMN pilihan dan memaksimalkan potensi dari setiap karyawan
perusahaan
• Menjunjung tinggi tanggung jawab sosial perusahaan

2.3.Tujuan Perusahaan
Tujuan Perusahaan sebagaimana yang tercantum di dalam pasal 3
Anggaran Dasar Perusahaan adalah untuk melaksanakan dan menunjang
kebijaksanaan dan program Pemerintah di bidang ekonomi dan
pembangunan, serta untuk memupuk keuntungan bagi Perusahaan dengan
menyelenggarakan usaha jasa kebandarudaraan dalam arti seluas-luasnya
dan usaha-usaha lainnya yang mempunyai hubungan dengan usaha
tersebut sesuai dengan prinsip-prinsip perseroan terbatas, dengan melalui
berbagai program kegiatan yang diuraikan secara lebih rinci untuk
mencapai sasaran korporasi dengan strategi bisinis dan fungsional.

9
2.4.Struktur Organisasi Kantor Cabang Utama

Gambar 2.2 Struktur Organisasi Kantor Cabang Utama

Sumber : Permana(2017)

10
2.5.Pengalaman Kerja Praktik
Dalam melaksanakan kerja praktik yang di lakukan selama 1 bulan,
terhitung dari Tanggal 16 Januari s/d 15 Februari 2017. Penulis
melaksanakan kegiatan kerja praktik di kantor cabang Utama Bandara
Soeakerno Hatta PT. ANGKASA PURA II (Persero) yang bertempat di
gedung 601 wilayah perkantoran Bandara Internasional Soekarno-Hatta. PT.
Angkasa Pura II merupakan salah satu perusahaan Badan Usaha Milik
Negara (BUMN) yang dipercayai untuk menangani bandara-bandara untuk
penerbangan komersil domestik dan internasional. Penulis di tempatkan di
unit Airside Quality and Data

Selama kerja praktik, penulis di perkenalkan dengan lingkunan

kerja di kantor dan aktivitas yang di lakukan pada unit tersebut, selama
minggu pertama penulis di perkenalkan tentang profil dari perusahaan, juga
tentang dunia penerbangan. Memberi tahu bagaimana data dapat masuk,
membersihkan data dan memvalidasi data yang masuk agar data tersebut
tetap akurat.

Kemudian pada minggu ke-2 Penulis diminta melakukan tugas-

tugas ringan seperti mengambil data dari system, merapihkan data sehingga
menjadi data Runtun waktu yang nantinya dapat di gunakan dengan mudah.
Contohnya seperti menarik data penumpang per jam pada bulan sebelumnya
sehingga di tempatkan dalam 1 halaman sehingga dapat melihat waktu-
waktu sibuk pada hari-hari tertentu. yang nantinya hal tersebut dapat di
gunakan untuk meningkatkan fasilitas pelayanan Pada bandara itu sendiri.
Kemudian pada minggu ke-3 penulis mencari metode analisis yang cocok
untuk di gunakan pada data yang sudah di miliki penulis. Penulis
mengambil data jumlah penumpang bulanan sebagai studi kasus yang
nantinya akan di gunakan sebagai peramalan Runtun waktu menggunakan
Metode ARIMA Box-Jenkins.

Setelah mendapatkan metode apa yang akan di gunakan dalam

analisis maka penulis mulai mempelajari metode yang akan di gunakan. Dan

11
penulis menggunakan program R dalam proses Analisisnya. Kemudian pada
minggu terakhir selagi mengerjakan analisis dan belajar tentang metode
arima penulis juga Masih aktif mengerjakan tugas-tugas yang di berikan,
seperti membersihkan data, mengolah data, merapihkan data, dan membuat
database penyimpanan data.

12
 BAB III
TINJAUAN PUSTAKA

3.1 Penumpang Transportasi Udara

Penumpang adalah Setiap orang yang diangkut ataupun yang harus
diangkut di dalam pesawat udara ataupun alat pengangkutan lainnya, atas dasar
persetujuan dari perusahaan ataupun badan yang menyelenggarakan angkutan
tersebut (Damadjati,1995)

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 (Yoeti,1999).

Pengertian penumpang diatas sangatlah luas maka dapat disimpulkan

yang dimaksud dengan penumpang dapat diartikan seseorang (individu) dan
satu perusahaan (kelompok) yang menggunakan jasa angkutan 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 pengangkutan atau perusahaan niaga dan terikat
kontrak dan persetujuan dengan pengangkut tertera di dalam tiket dengan
pengangkut selama perjalanan. (Al-Maqassary,2013)

Kemudian pengertian penumpang transportasi udara secara khusus

adalah setiap orang yang di angkut menggunakan angkutan udara seperti pesawat,
yang membeli Produk atau Jasa dari suatu perusahaan.

3.2 Peramalan SARIMA

3.2.1 Definisi Peramalan
Menurut Nasution (2006) Secara umum, peramalan dapat di
klasifikasikan menjadi dua macam, Yaitu:

1. Peramalan yang bersifat subyektif.

Peramalan yang bersifat subjektif lebih menekankan pada keputusan-
keputusan hasil diskusi, pendapat pribadi sesorang dan intuisi yang
 meskipun kelihatannya kurang ilmiah tetapi dapat memberika hasil yang
baik, peramalan subjektif ini akan diwakili oleh metode Delphi dan metode
penelitian pasar

2. Peramalan yang bersifat objektif

Peramalan yang bersifat objektif merupakan prosedur peramalan yang

mengikuti aturan-aturan matematis dan statistik dalam menunjukkan
hubungan antara permintaaan dengan satu atau lebih variabel yang
mempengaruhinya. Peramalan objektif terdiri dari dua metode yatu metode
intrinsik dan ekstrinsik.
Metode peramalan dapat diklasifikasikan menjadi dua yaitu metode
kualitatif dan metode kuantitatif (Firdaus, 2006). Peramalan kualitatif di
dalam prosedurnya melibatkan pengalaman, judgements maupun opini dari
sekelompok orang yang pakar dibidangnya. Teknik kualitatif terdiri dari
teknik sales-force composite (agregasi ramalan dari setiap individu dalam
suatu organisasi) dan teknik Delphi (untuk mengumpulkan individu dalam
suatu organisasi). Metode ini cocok untuk peramalan dalam jangka
panjang lebih dari 5 tahun.
Peramalan kuantitatif melibatkan analisis statistik terhadap data-data
yang lalu (Firdaus, 2006). Metode peramalan kuantitatif terbagi atas dua
golongan yaitu model deret waktu satu ragam dan metode kasual. Model
derat waktu satu ragam fokus pada observasi terhadap urutan pola data
secara kronologis suatu peubah tertentu, sebagai contoh teknik naif,
perataan, pemulusan, dekomposisi, trend, metodologi Box-Jenkis (ARIMA-
SARIMA) dan ARCH-GARCH.
Model kasual fokus pada identifikasi dan determinasi huungan antar
variabel yang akan diramalkan, yang tergolong dalam metode ini antara
lain teknik regresi, model ekonometri dan input output. Model deret
berkala (time series), pendugaan masa depan dilakukan berdasarkan masa
lalu dari suatu variabel dan/atau kesalahan masa lalu.
Tujuan metode peramalan deret berkala (time series) adalah menemukan
pola data deret data historis dan mengektrapolasikan pola tersebut ke masa

14
 depan. Makridakis dkk. (1999), model kasual mengasumsikan bahwa
faktor yang diramalkan menunjukkan suatu hubungan sebab-akibat dengan
satu atau lebih variabel bebas. Maksud dari metode kasual adalah
menemukan bentuk hubungan tersebut dan menggunakannya untuk
meramalkan nilai mendatang dari variabel tak bebas
Terdapat dua hal yang harus diperhatikan untuk mendapatkan peramalan
yang akurat yaitu pertama pengumpulan data secara baik, dan kedua
peramalan dengan teknik yang tepat. Oleh karena itu perlu dilakukan
langkah-langkah secara berurutan (Firdaus, 2006), yaitu:
1. Menentukan tujuan peramalan dan peubah yang dianalisis.
2. Mengumpulkan data.
3. Membuat dan menentukan pola data.
4. Estimasi model dan menghitung nilai yang akan diramalkan.
5. Evaluasi hasil estimasi.
Metode yang akan dibahas dalam penelitian ini adalah menggunakan
peramalan yang akan terjadi pada masa mendata secara kuantitatif yaitu
dengan menggunakan metode runtun waktu (time series).

3.2.2 SARIMA
1. Identifikasi
Metode peramalan Box Jenkins (ARIMA) adalah suatu metode yang
sangat tepat untuk menangani atau mengatasi kerumitan deret waktu dan
situasi peramalan lainnya. Kerumitan terjadi karena terdapat variasi dari
pola data yang ada. Alasan dikembangkannya metode pendekatan ini
adalah karena metode peramalan yang ada selalu mengasumsikan atau
dibatasi hanya untuk macam-macam pola tertentu dari data. Dalam
metode Box Jenkins (ARIMA) tidak dibutuhkan adanya asumsi tentang
suatu pola yang tetap, yang berbeda dengan metode-metode lainnya.
Metode Box Jenkins (ARIMA) akan tepat guna jika observasi dari data
runtut waktu bersifat dependen atau berhubungan satu sama lain secara
statistik.

15
 Asumsi Metodologi Box Jenkins
a. Dinggap bahwa data runtut waktu yang akan dianalisis dan diramalkan
bersifat stasioner. Secara intuitif, data dikatakan stasioner jika data
tersebut berfluktuasi secara random disekitar nilai rata-ratanya.
b. Dianggap bahwa nilai rata-rata dari variabel yang diteliti berfluktuasi
disekitar nilai nol yang tetap.

2. Model ARIMA dan Faktor Musiman

Musiman didefinisikan sebagai suatu pola yang berulang-ulang
dalam selang waktu yang tetap. Adanya faktor musiman dapat dengan
mudah dilihat didalam grafik autokorelasi atau dilihat sepintas pada
autokorelasi pada time lag yang berbeda, apabila hanya pola ini yang
ada. Semakin kuat pengaruh trend akan semakin tidak jelas adanya
faktor musiman karena secara relatif besarnya yang positif merupakan
hasil dari adanya ketidak stasioneran data. Sebagai pedoman, data
tersebut harus ditransformasikan ke bentuk yang stasioner sebelum
ditentukan adanya faktor musiman. Notasi ARIMA dapat diperluas
untuk menangani aspek musiman, notasi umum yang disingkat adalah
(Pangastuti,2014):
ARIMA (p,d,q) (P,D,Q)S
dimana :
(p,d,q) : bagian yang tidak musiman dari model
(P,D,Q)S : bagian musiman dari model
S : jumlah periode per musim

Adapun model umum dari ARIMA (p,d,q)(P,D,Q)S sebagai berikut:

(Lestari, 2012).
𝛷𝑝 (𝐵)𝑆𝑓𝑃 (𝐵)(1 − 𝐵)𝑑 (1 − 𝐵𝑆 )𝐷 𝑍𝑡 = 𝑞𝑞 (𝐵)𝛩𝑞 (𝐵𝑆)𝑎𝑡 (3.1)
dengan :
S
fP (B) : AR non seasonal
Φp (B)S : AR seasonal

16
 (1 − B)d : differencing non seasonal
(1 − BS )D : differencing seasonal
qq (B) : MA non seasonal
(BS)at : MA seasonal

3. Stasioneritas Data
Kestatsioneran data bisa dilihat dari plot time series. Untuk melihat
kestasioneran data dalam means bisa dilihat dari perhitungan ACF dan
PACF nya. Perhitungan ACF diperoleh dengan rumus sebagai berikut :
nk

gk 
(Zt  Z )( Z r  k  Z )
rk   k 1 nk (3.2)
 (Zt  Z )
g0 2

k 1

Dengan Zt data time series pada waktui ke t dan Z rata-rata sampel.

Sedangkan perhitungan PACF diperoleh dengan rumus sebagai berikut :
n 1
rk   f k 1. jrk  j
j 1
f kk  n 1
1   f k 1. jrk  j (3.3)

j 1

a. Uji Hipotesis Menggunakan Augmented Dickey Fuller (ADF)

Suatu deret pengamatan dikatakan stasioner apabila proses tidak
berubah seiring dengan adanya perubahan deret waktu. Jika suatu deret
waktu Zt stasioner maka nilai tengah (mean), varian dan kovarian deret
tersebut tidak dipengaruhi oleh berubahnya waktu pengamatan, sehingga
proses berada dalam keseimbangan statistik (Soejoeti, 1987).

Uji stasioner dengan Augmented Dickey Fuller (ADF) merupakan

pengujian stasioner dengan menentukan apakah data runtun waktu
mengandung akar unit (unit root). Untuk diketahui adanya akar unit,

17
 maka dilakukan pengujian DickeyFuller (DF-test), jika variabel Zt
sebagai variabel dependen, maka akan diubah menjadi

Zt = ρ Zt-1 + Ut (3.4)

Jika koefisien Zt-1 (ρ) adalah = 1 dalam arti hipotesis diterima, maka
variabel mengandung unit root dan bersifat non-stasioner. Untuk
mengubah trend yang bersifat non-stasioner menjadi stasioner dilakukan
uji orde pertama (first difference).

ΔZt = (ρ-1) (Zt – Zt-1) (3.5)

Koefisien ρ akan bernilai 0, dan hipotesis akan ditolak sehingga

model menjadi stasioner. Hipotesis yang digunakan pada pengujian
augmented dickey fuller adalah:
H0 : θ = 0 (Terdapat unit roots, variabel Z tidak stasioner)
H1 : θ ≤ 0 (Tidak terdapat unit roots, variabel Z stasioner)

Stasioner tidaknya data didasarkan pada perbandingan nilai statistik

ADF yang diperoleh dari nilai t-hitung koefisien dengan nilai kritis
statistik dari Mackinnon. Jika nilai absolut statistik ADF lebih besar dari
nilai kritis Mackinnon maka data stasioner dan jika sebaliknya maka data
tidak stasioner. (Rusdi,2011)

4. Uji Signifikansi Parameter

Model peramalan yang di peroleh akan di uji signifikansi Parameter
modelnya dengan hipotesis sebagai berikut (Lestari dan Wahyuningsih,
2012).

Hipotesa

H0 : estimasi parameter = 0
H1 : estimasi parameter ≠ 0
Statistik uji
𝑒𝑠𝑡𝑖𝑚𝑎𝑠𝑖 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟(Φ1)−0
𝑇 − ℎ𝑖𝑡𝑢𝑛𝑔 = (3.6)
𝑆𝐸 𝐸𝑟𝑟𝑜𝑟 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟

18
 Daerah penolakan
Tolak H0 jika |𝑇 − ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝑎−𝑛−1
2

5. Pengujian Asumsi Residual

Dalam menentukan model ARIMA yang terbaik, harus dipilih model
yang seluruh parameternya signifikan, kemudian juga memenuhi 2
asumsi residual yaitu berdistribusi normal dan white noise (Lestari dan
Wahyuningsih, 2012).
a. Distribusi Normal
Pengujian kenormalan dapat dihitung dengan menggunakan
Kolmogorov-Smirnov.
Hipotesa :
H0 : residual berdistibusi normal
H1 : residual tidak berdistribusi normal
Statistik uji :
Dhit sup
x | s(x)  F0 (x) | (3.7)
Daerah penolakan:
Tolak H0 Jika Dhit > D(1-α),n

b. White Noise
Suatu model bersifat white noise artinya residual dari model tersebut
telah memenuhi asumsi identik (variasi residual homogen) serta
independen (antar residual tidak berkorelasi). Pengujian asumsi white
noise dilakukan dengan menggunakan uji Ljung-Box (Lestari dan
Wahyuningsih, 2012).

Hipotesa :

H0 : ρ1 =ρ2 = … = ρk = 0
H1 : Minimal ada satu ρi ≠ 0

Statistik Uji:

19
 K
ˆ 2k
Q  n(n  2) ,n  k (3.8)
k 1 nk
Derah penolakan :
Q  X 2 (a;K  p q)
Dimana :
K : lag maksimum
n : jumlah data (observasi)
k : lag ke-k
p dan q : order dari ARMA (p,q)
ˆ k : autokorelasi residual untuk lag ke-k

20
 BAB IV
STUDI KASUS

4.1.Metode Analisis
Penelitian ini di lakukan di kantor cabang utama Bandara Soekarno-
Hatta, PT Angkasa Pura II (Persero). Pada Bagian Airside Quality & Data,
yang dilakukan pada tanggal 16 Januari – 15 Februari 2017. Data yang di
peroleh penulis dalam penelitian ini merupakan data sekunder, dimana data di
ambil dari dokumen pada Bagian Airport data. Data yang di gunakan yaitu
data dari tahun 2010 sampai 2016 untuk jumlah penumpang keberangkatan
baik domestik maupun internasional pada bandara internasional Soekarno-
Hatta.Variabel penelitian ini yaitu meliputi jumlah penumpang keberangkatan
domestik maupun internasional.

Langkah analisis yang di gunakan adalah analisis deskriptif dan analisis

runtun waktu. Dengan rincian sebagai berikut:

1. Pertama dilakukan analisis deskriptif untuk melihat pertumbuhan setiap

tahun.Pada analisis deskriptif ini dapat melihat pola dari data.
2. Kemudian melakukan pengujian Stasioneritas untuk mengetahui apakah
data sudah stasioner apa belum terhadap mean. Jika data tidak stasioner
maka perlu di lakukan differnecing agar menghilangkan tren tehadap mean.
3. Jika sudah stasioner maka melanjutkan dengan identifikasi model
menggunakan Plot ACF dan PACF.
4. Setelah itu melakukan estimasi parameter dan Melakukan uji Asumsi
residual.
5. Jika model sudah memadai maka di lanjutkan dengan validasi silang untuk
mengetahui seberapa besar kesalahan dan seberapa akurat hasil peramalan
dari model yang di dapatkan.

4.2. Hasil dan pembahasan

Setelah melakukan analisis deskriptif menggunakan software Excel
dan melakukan analisis runtun waktu peramalan SARIMA menggunakan
Software R. di dapatkan hasil sebagai berikut.
 4.2.1. Analisis Deskriptif Jumlah keberangkatan penumpang
Analisis yang di lakukan untuk mengetahui rata-rata per bulan, jumlah
penumpang dan pergerakan (growth) penumpang keberangkatan domestik dan
interasional. Dari tahun 2010 dampai 2016. Berikut adalah hasil analisis
Deskriptif Jumlah penumpang keberangkatan :

30.000.000 14,00%
12,00%
25.000.000 10,00%
20.000.000 8,00%
6,00%
15.000.000 4,00%
2,00%
10.000.000 0,00%
5.000.000 -2,00%
-4,00%
0 -6,00%
2010 2011 2012 2013 2014 2015 2016
Jumlah 21.768.23 22.945.06 25.697.55 26.982.67 26.524.30 25.506.14 27.143.24
Growth 5,41% 12,00% 5,00% -1,70% -3,84% 6,42%

Jumlah Growth

Gambar 4.1 Grafik Petumbuhan

Bisa dilihat pada Gambar 4.1, didapatkan hasil bahwa secara keseluruhan
jumlah penumpang yang berangkat mengalami kenaikan, namun pada tahun
2013 – 2015 mengalami penurunan sebesar 1,70% pada tahun 2013 ke 2014
kemudian pada tahun 2014 ke 2015 meneurunan sebesar 3.84%. kemudian
pada tahun 2016 terjadi kenaikan kembali sebesar 6,42% dari tahun
sebelummnya yaitu tahun 2016. Jumlah penumpang terbanyak juga ada di
tahun 2016, yaitu sebesar 27,143,24 penumpang yang berangkat melalui
bandara Soekarno Hatta

4.2.2. Analisis Runtun Waktu Dengan metode SARIMA

Setelah melakukan analisis deskriptif untuk melihat gambaran dari data
dan melihat pola data maka analisis selanjutnya adalah analisis Runtun waktu,
hasil yang di dapatkan adalah sebagai berikut :

22
 4.2.2.1. Grafik Runtun Waktu

Dalam melakukan analisis, terlebih dahulu jika melihat plot pada

data. Hal ini untuk mengetahui kecenderungan pola data yang akan
dilakukan analisis. Jika data mengandung unsur musiman maka
dilakukan penanganan untuk peramalan dengan menggunakan metode
SARIMA. Pola data yang tidak stasioner terhadap variansi maka
sebaiknya dilakukannya transformasi data. Dan jika pola data tidak
stasioner mean, maka dilakukannya diferensiasi data. Berikut adalah
pola data pada jumlah penumpang domestik tahun 2010-2016

29
x 100000

27

25

23
Jumlah Penumpang

21

19

17

15

13
2010 2011 2012 2013 2014 2015 2016
Tahun

Gambar 4.2 Grafik Runtun Waktu

Berdasarkan Gambar 4.2. pola data yang ada dipengaruhi secara

signifikan oleh unsur musiman. Sehingga analisis yang baik
digunakan untuk melakukan peramalan yaitu dengan menggunakan
metode Seasonal Autoregressive Inregrated Moving Average
(SARIMA). Sebelum melakukan peramalan sebaiknya mengetahui
apakah data stasioner atau tidak. Berdasarkan plot tersebut terlihat
bahwa data tidak stasioner dan mengandung unsur musiman. Sehingga
harus dilakukan transformasi dan diferensiasi terhadap data tersebut.

23
 4.2.2.2. Uji Stasioneritas

Dalam pengujian stasioneritas ada 2 macam pengujian yaitu

pengujian stasioner terhadap Mean dan stasioneritas terhadap variansi,
pengujian stasioneritas ini menggunakan uji unit root. Pengujian ADF
ini menggunakan program R dan dapatkan hasil dari pengujian ADF
Sebagai berikut.

Tabel 4.1 Hasil Pengujian ADF

UJI ADF
Dickey Fuller -2.7075
P-Value 0.2867
Berdasarkan hasil pengujian ADF pada Tabel 4.1 dapat
disimpulkan bahwa terdapat unit Roots, yang berarti data yang di
gunakan tidak stasioner, sehingga perlu di lakukan differensiasi.

4.2.2.3. Identifikasi Model

Setelah data di uji kestasionerannya terhadap variansi dan mean

menggunakan uji unit root, maka selanjutnya dilakukan identifikasi
model SARIMA yaitu dengan melihat plot ACF dan PACF.

Gambar 4.3 Plot ACF dan PACF Setelah diferensiasi

24
 Berdasarkan Gambar 4.3. dapat diketahui bahwa pada plot ACF
terdapat satu lag yang keluar dari batas signifikansi. Selain itu, pada
plot PACF terdapat dua lag yang keluar dari batas signifikansi. Dan
melihat nilai SAR maka dapat ditentukan dengan meihat lag
(12,24,36) pada plot ACF, sedangkan untuk nilai SMA dapat
ditentukan dengan melihat lag (12,24,36) pada plot PACF. Maka di
dapatkan model sementara yang terbentuk adalah SARIMA SARIMA
(0,1,1)(0,0,3)12

4.2.2.4. Overfitting Model

Berdasarkan Grafik ACF Dan PACF pada Gambar 4.3 di

dapatkan model dugaan sebayak 6, berikut model yang di dapatkan:

1. SARIMA (0,1,1)(0,0,1)12 4. SARIMA (2,1,0)(0,0,1)12

2. SARIMA (0,1,1)(0,0,2)12 5. SARIMA (2,1,0)(0,0,2)12
3. SARIMA (0,1,1)(0,0,3)12 6. SARIMA (2,1,0)(0,0,3)12

Berdasarkan ke 6 model tersebut di rangkum hasil estimasi

parameter, Nilai Akaike Information Criterion(AIC) dan pengujian
asumsi residualnya didapatkan hasil sebagai berikut.

Tabel 4.2 Hasil overfitting

White
Model AR(2) Ma(1) SMA(1) SMA(2) SMA(3) AIC N
Noise
SARIMA
─ ✔ ✔ ─ ─ 2013.06 ✔ ✔
(0,1,1) (0,0,1)12
SARIMA
─ ✔ ─ ✔ ─ 2001.08 ✔ ✔
(0,1,1) (0,0,2)12
SARIMA
─ ✔ ─ ─ ✖ 2002.65 ✔ ✔
(0,1,1) (0,0,3)12
SARIMA
✔ ─ ✔ ─ ─ 2021.25 ✔ ✔
(2,1,0) (0,0,1)12
SARIMA
✔ ─ ─ ✖ ─ 2006.48 ✔ ✔
(2,1,0) (0,0,2)12
SARIMA
✔ ─ ─ ─ ✖ 2007.66 ✔ ✔
(2,1,0) (0,0,3)12

25
 Berdasarkan model pada hasil overfitting di dapatkan model terbaik
yang memenuhi pengujian parameter adalah Model SARIMA
(0,1,1)(0,0,2)12 . hal ini dapat di lihat dari pengujian parameter yang
semuanya signifikan dan memiliki AIC terkecil dan hasil pengujian
residualnya signifikan. Didapatkan model terbaik yaitu SARIMA
(0,1,1)(0,0,2)12 Karena Semua Uji asumsi terpenuhi, maka di dapatkan
koefisien.

MA1 = -0.7490 SMA2 = 0.6781

SMA1 = 1.0751

Maka dari nilai-nilai tersebut dapat di masukan ke dalam persamaan:

̂ 𝒕 = 𝒁𝒕−𝟏 + 𝟎. 𝟕𝟒𝟗𝟎𝜶𝒕−𝟏 − 𝟏. 𝟎𝟕𝟓𝟏𝜶𝒕−𝟏𝟐 − 𝟎. 𝟖𝟎𝟓𝜶𝒕−𝟏𝟑

𝒁
− 𝟎. 𝟔𝟕𝟖𝟏𝜶𝒕−𝟐𝟒 − 𝟎. 𝟓𝟎𝟖𝜶𝒕−𝟐𝟓

4.2.2.5. Cross Validation

Setelah mendaptakan model kemudian di lanjutkan dengan

menguji data peramalan dengan data actual yang tersedia, disini penulis
menggunakan perbandingan 90-10 yang berarti 90% data di gunakan
sebagai pembentuk model kemudian 10% di gunakan untuk cross
validasi data peramalan pada data periode ke 77 - 84.

Tabel 4.3. Pengujian Model

Periode Aktual Prediksi Error^2 APE

77 2,415,633 2,302,181 12,871,356,304 4.697
78 2,066,248 2,061,751 20,223,009 0.218
79 2,496,438 2,438,716 3,331,829,284 2.312
80 2,347,907 2,348,994 1,181,569 0.046
81 2,186,414 2,069,126 13,756,474,944 5.364
82 2,183,226 2,128,733 2,969,487,049 2.496
83 2,176,185 2,182,280 37,149,025 0.280
84 2,674,911 2,457,150 47,419,853,121 8.141
SSE 80407554305
MSE 10050944288

26
 RMSE 100254.40
MAPE 2.9443
B
berdasarkan Tabel 4.5 di dapatkan bahwa pengujian model untuk
SARIMA(0,1,1)(0,0,2)12 di dapatkan nilai Mean Absolute Precentage
Error (MAPE) Sebesar 2.944%. Kemudian adapun perbandingan
menggunakan grafik adalah sebagai berikut.

Aktual Prediksi

28
X 100000

27
26
25
24
23
22
21
20
19
77 78 79 80 81 82 83 84

Gambar 4.4 Pengujian model terhadap data.

Dapat dilihat pada Gambar 4.4 graris berwarna biru merupakan

data actual dan garis berwarna merah merupakan hasil peramalan dari
model yang sudah di dapat tadi. Dengan model SARIMA(0,1,1)(0,0,2)12
didapatkan hasil peramalan yang mampu mendekati data aktual dengan
sangat baik, dengan tingkat kesalahan sebesar 2,944% bisa di katakan
bahwa model SARIMA tersebut sangat baik untuk di gunakan peramalan.

4.2.2.6. Hasil Prediksi 2017

Setelah Mendapatkan model terbaik maka di lakukan prediksi

selama 12 periode atau 1 tahun kedepan pada tahun 2017 menggunakan
seluruh data yang ada.

27
 Tabel 4.4 Hasil peramalan penumpang pada tahun 2017

2017
Bulan
Batas Bawah Point Forecast Batas Atas
Januari 2,109,629 2,239,800 2,369,970
Februari 2,159,990 2,294,863 2,429,736
Maret 2,396,427 2,535,845 2,675,262
April 2,314,711 2,458,529 2,602,347
Mei 2,456,967 2,605,055 2,753,144
Juni 2,191,951 2,344,189 2,496,428
Juli 2,463,310 2,619,588 2,775,867
Agustus 2,366,739 2,526,956 2,687,173
September 2,334,194 2,498,255 2,662,316
Oktober 2,245,296 2,413,112 2,580,929
November 2,218,836 2,390,326 2,561,817
Desember 2,561,213 2,736,299 2,911,386
Jumlah 27,819,263.00 29,662,817.00 31,506,375.00

Berdasarkan Tabel 4.6, dapat di lihat bahwa prediksi penumpang

keberangkatan bandara soekarno hatta akan mengalami fluktuasi pada
bulan Januari-Desember 2016 Kemudian grafik perbandingan data
peramalan dengan data yang sebalumnya dapat di lihat pada Gambar
berikut.

28
 2.900.000
2.800.000
2.700.000
2.600.000
2.500.000
2.400.000
2.300.000
2.200.000
2.100.000
2.000.000
1.900.000

Gambar 4.5 Grafik Hasil peramalan.

Pada Gambar 4.5 di ketahui bahwa akan terjadi peningkatan yang cukup
tinggi pada akhir tahun. Hal ini juga terjadi pada tahun-tahun sebelumnnya.
Pada bulan januari hingga juli terjadi fluktuasi sehingga jumlah penumpang
naik turun. Lalu jika di bandingkan dengan tahun sebelumnnya hasil peramalan
ini mengalami peningkatan sebesar 9.28% lebih tinggi dari tahun-tahun
sebelumnya, bisa di lihat pada Gambar 4.6 berikut.

350 14,00%
x 100000

12,00%
300
10,00%
250 8,00%

200 6,00%
4,00%
150 2,00%
100 0,00%
-2,00%
50
-4,00%
0 -6,00%
2010 2011 2012 2013 2014 2015 2016 2017
Jumlah 21.768.23 22.945.06 25.697.55 26.982.67 26.524.30 25.506.14 27.143.24 29.662.81
Growth 5,41% 12,00% 5,00% -1,70% -3,84% 6,42% 9,28%

Jumlah Growth

Gambar 4.6 Pertumbuhan Dari tahun ke tahun

29
 Berdasarkan Gambar 4.6. diketahui bahwa pada tahun 2017 mengalami
pergerakan pada jumlah penumpang yang berangkat di Bandara Internasional
Soekarno Hatta sebesar 9.28% atau sebanyak 29,662,817 orang. Hal ini dapat
dikatakan bahwa jumlah penumpang domestik di Bandara Internasional
Soekarno-Hatta mengalami peningkatan dari tahun sebelumnya.

30
 BAB V
KESIMPULAN DAN SARAN

5.1.Kesimpulan
Setelah selesai melakukan analisis dengan mendapatkan Model
SARIMA (Seasonal Autoregresive Integrated Moving Average) dalam
meramalkan jumlah penumpang keberangkatan di Bandara Internasional
Soekarno Hatta Dapat di simpulkan bahwa:

1. Terjadi peningkatan penumpang setiap tahunnya dari tahun 2010

hingga 2016, kenaikan tertinggi terjadi di akhir tahun pada bulan
desember dan data berpola musiman.
2. Didapatkan Model SARIMA terbaik SARIMA (0.1.1)(0.0.2)12 dengan
nilai AIC sebesar 2001.08.
3. Berdasarkan hasil peramalan dengan metode SARIMA. jumlah
penumpang pada tahun 2017 di prediksi mengalami peningkatan
sekitar 9.28% dari tahun 2016. jumlah penumpang yang di perkirakan
akan meningkat sebanyak 2,519,569 penumpang keberangkatan di
tahun 2017. atau sejumlah 29,662,817 penumpang.

5.2.Saran
Berdasarkan hasil analisis data dan kesimpulan yang dibuat, maka
dapat dikemukan saran-saran yang berguna sebagai salah satu bahan
pertimbangan bagi PT. Angkasa Pura II (Persero) untuk menentukan
kebijakan dalam meramalkan Jumlah Penumpang Yang berangkat dari
Bandara Internasional Soekarno-Hatta. Adapun saran-saran yang
dikemukan sebagai berikut:

1. PT. Angkasa Pura II (Persero) sebaiknya menerapkan metode

Seasonal Autoregressive Integrated Moving Average (SARIMA)
dalam meramalkan Jumlah Penumpang Yang berangkat, karena dari
pengujian yang dilakukan metode ini mendekati aktual atau tidak
memiliki selisih yang jauh dari tahun sebelumnya.
2. Dalam menggunakan metode Seasonal Autoregressive Integrated
Moving Average (SARIMA) sebaiknya menggunakan dalam data
jangka panjang sehingga penerapannya dapat di lakukan secara terus
menerus.
3. Berdasarkan hasil peramalan tersebut di ketahui bahwa jumlah
penumpang domestik mengalami peningkatan. Di harapkan
perusahaan meningkatkan kapasitas pelayanan pada bandara sehingga
pengguna angkutan udara merasa puas menggunakan fasilitas pada
bandara yang di kelola, khususnya Bandara Internasional Soekarno
Hatta.
4. Untuk penelitian selanjutnya di harapkan peneliti dapat menggunakan
Metode ARIMAX dengan variasi Kalender Hijriyah sehingga dapat
meramalkan dengan lebih akurat. Dan juga bisa menggunakan
machine learning dalam meramalkan penumpang berdasarkan
kejadian-kejadian yang sedang dan akan terjadi. Seperti kondisi
ekonomi.

32
 DAFTAR PUSTAKA

Angkasa Pura II .2017. “Tentang Kami”. http://angkasapura2.co.id/,

Diakses 28 Februari 2017.
Angkasa Pura II .2017. “Struktur Organisasi Perusahan”.
http://angkasapura2.co.id/id/tentang/struktur-organisasi,
Diakses 28 Februari 2017.
Angkasa Pura II. 2015 . Data Statistik Udara 2015. Jakarta: PT. Angkasa Pura II.
Al-Maqassary, Ardi.2013. Pengertian Penumpang.
www.psychologymania.com/2013/06/pengertian-penumpang.html,
Diakses tanggal 07 Februari 2017.
Badan Pusat Statistik, .2017. “Konsep Angkutan”.
https://www.bps.go.id/Subjek/view/id/17, Diakses 28 Februari 2017.
Damardjati, R.S. 1995. Istilah-istilah Dunia Pariwisata. Jakarta: PT. Pradnya
Paramitha.
Firdaus, M. 2006. Analisis Deret Waktu Satu Ragam. Jakarta: IPB Press.
Lestari, Nofinda dan Wahyuningsih, Nuri. 2012. Peramalan Kunjungan Wisata
dengan Pendekatan Model Sarima (Studi kasus: Kusuma Agrowisata).
Institut Teknologi Sepuluh November.
Makridakis, Spyros dkk. 1999. Metode dan aplikasi peramalan jilid 1.
Diterjemahkan Oleh: Untung Andriyanto dan Abddul Basith,
Jakarta :Erlangga
Nasution, A.H. 2006. Manajemen Industri. Penerbit Andi. Jogjakarta
Pangastuti, Devi. 2014. Uji model arima untuk peramalan (forecasting)
penumpang kereta api DAOP IV Semarang. Universitas Muhammadiyah
Semarang.
Permana, Ujang J. Wawancara. 2017. "Wawancara Struktur Organisasi kantor
cabang utama". Kantor cabang utama Angkasa Pura II.
Render, Barry dan Heizer, Jay. 2001, Prinsip-prinsip Manajemen Operasi, PT.
Salemba Emban Patria, Jakarta.
Rusdi.2011. Uji Akar Akar Unit Dalam Model Runtun Waktu Autoregresif. Jurnal
Statistika, Vol. 11, No.2

33
Yoeti, O.A. 1999. Pisikologi Pelayanan dan Pengembangan Pariwisata. Jakarta :
PT Pradnya Paramita.

34
 Penerapan Metode Seasonal Auto Regessive Integrated Moving Average
(SARIMA) dalam peramalan Jumlah Penumpang Keberangkatan Bandara
Internasional Soekarno Hatta Tahun 2017

Hafizhan Aliadya, Rizky Kusumawardanib

a
Mahasiswa Jurusan Statistika Universitas Islam Indonesia
14611225@students.uii.ac.id
b
Dosen Pembimbing Jurusan Statistika Universitas Islam Indonesia
rizky.kusumawardani@gmail.com

ABSTRAK

PT Angkasa Pura II merupakan perusahaan penyedia jasa transportasi udara, lebih tepatnya pengelola
bandara. Saat ini tantangan bagi perusahaan ialah memberikan fasilitas bandara yang baik bagi
pengguna, baik maskapai penerbangan maupun penumpang. Kenaikan jumlah pengguna jasa
transportasi udara setiap tahunnya akan berdampak pada fasilitas pelayanan yang diberikan. Oleh karena
itu, diperlukan analisis yang dapat meramalkan jumlah penumpang agar pelayanan yang maksimal dapat
diberikan kepada pengguna jasa transportasi udara di bandara naungan PT Angkasa Pura II dalam
penelitian ini adalah bandara Soekarno Hatta yang merupakan bandara dengan aktivitas yang padat .
Metode peramalan yang digunakan pada penelitian ini adalah (Seasonal Auto Regresive Integreated
Moving Average) SARIMA(p,d,q)(P,D,Q)12 karena data yang dianalisis memiliki pola musiman. Data
penelitian ini merupakan data jumlah penumpang domestik dan internasional yang datang di Bandara
Soekarno Hatta mulai tahun 2010 sampai tahun 2016. 90% data di gunakan untuk membentuk model dan
10% nya digunakan untuk menguji hasil peramalan. Hasil analisis yang didapatkan adalah metode
peramalan terbaik untuk data jumlah penumpang yang datang adalah SARIMA(0,1,1)(0,0,2)12.
Keakuratan model ini dalam meramalkan adalah 2,944% Hasil peramalan untuk bulan Januari 2017
sampai Desember 2017 secara berurutan 2,239,800; 2,294,863; 2,535,845; 2,458,529; 2,605,055;
2,344,189; 2,619,588; 2,526,956; 2,498,255; 2,413,112; 2,390,326; 2,736,299.

Kata Kunci : Penumpang, Soekarno-Hatta,Peramalan, SARIMA

Pendahuluan Selanjutnya, pembangunan sektor

transportasi juga dapat mendukung
Transportasi merupakan sarana
mobilitas manusia, barang atau pun
umum masyarakat yang sangat penting.
jasa, mendukung pola distribusi
Perkembangan transportasi di
nasional serta pengembangan wilayah
Indonesia telah mengalami kemajuan
dan peningkatan hubungan internasional.
pesat. Pembangunan sektor transportasi
Peran transportasi udara
diarahkan pada terwujudnya sistem
sebagai unsur penunjang dapat dilihat
transportasi nasional yang handal dan
dari kemampuannya menyediakan jasa
berkemampuan tinggi serta
transportasi yang efektif dan efisien
diselenggarakannya secara efektif dan
untuk memenuhi kebutuhan sektor lain,
efisien dalam menunjang dan
sekaligus juga berperan dalam
menggerakkan dinamika pembangunan.

35
menggerakkan dinamika pembangunan. musiman, selain itu metode SARIMA
Transportasi udara mampu memberikan baik untuk peramalan. Kebaikan metode
nilai tambah berupa kecepatan, SARIMA dalam peramalan ditunjukkan
sehingga memungkinkan peredaran oleh penelitian yang dilakukan oleh
uang yang lebih cepat dan penekanan Nofinda Lestari dan Nuri Wahyuningsih.
biaya produksi. Sedangkan sebagai Pada tahun 2012 Tentang peramalan
unsur pendorong, transportasi udara jumlah pengunjung wisata. Harapannya
terbukti mampu menjadi jasa penelitian tentang peramalan jumlah
transportasi yang efektif untuk pengunjung di taman hiburan
membuka daerah terisolasi serta menggunakan metode SARIMA dapat
melayani daerah-daerah dan pulau- digunakan untuk mengetahui peramalan
pulau terpencil. Tersedianya jumlah penumpang yang berangkat dari
transportasi yang dapat menjangkau ke bandara dibawah naungan PT. Angkasa
seluruh daerah akan memicu Pura II pada tahun 2017. Hasil dari
produktivitas penduduk setempat analisis peramalan ini dapat dijadikan
sehingga dapat meningkatkan sebagai salah satu alternatif untuk
penghasilan seluruh rakyat dan juga pengambilan kebijakan PT. Angkasa
pendapatan pemerintah. Pura II yang menaungi Bandara
(Darmajati,1995). Internasional Soekarno-Hatta dalam
Kesalahan dalam peramalan peningkatan kualitas pelayanan.
akan berdampak pada pengambilan
keputusan, misalkan saja kesalahan Rumusan Masalah
peramalan pada penjualan akan
Rumusan masalah yang di
mempengaruhi pada perencanaan
angkat berdasarkan latar belakang
anggaran, pengeluaran operasi, arus kas,
adalah :
persediaan, dan sebagainya
1. Bagaimana gambaran secara
Terdapat banyak metode yang
umum jumlah penumpang
dapat digunakan untuk peramalan,
pesawat di Bandara Udara
diantaranya adalah (Moving Average,
Soekarno-Hatta Tahun 2010 -
Exponential Smoothing dan Regresi
2016 ?
Linear). Pada laporan Penelitian ini
2. Bagaimana model terbaik
akan digunakan metode Seasonal S
SARIMA (p,d,q)(P,D,Q) yang
AutoRegessive Integrated Moving
di gunakan untuk peranalan ?
Average (SARIMA) untuk meramalkan
3. Bagaimana peramalan jumlah
jumlah penumpang transportasi udara
penumpang keberangkatan di
khususnya jumlah penumpang
bandara Internasional Soekarno
transportasi udara yang berangkat dari
Hatta pada tahun 2017?
bandara udara Soekarno Hatta. Metode
SARIMA dipilih untuk analisis karena Metodologi Penelitian
data jumlah penumpang yang berangkat
Penelitian menggunakan Data
dari bandara udara dibawah naungan PT.
data sekunder, dimana data di ambil
Angkasa Pura II memiliki pola dari dokumen pada Bagian Airport data.

36
Data yang di gunakan yaitu data dari
tahun 2010 sampai 2016 untuk jumlah 𝛷𝑝 (𝐵)𝑆𝑓𝑃 (𝐵)(1 − 𝐵)𝑑 (1 −
penumpang keberangkatan baik
𝐵𝑆 )𝐷 𝑍𝑡 = 𝑞𝑞 (𝐵)𝛩𝑞 (𝐵𝑆)𝑎𝑡 (1)
domestik maupun internasional pada
bandara internasional Soekarno-Hatta.
Variabel penelitian ini yaitu meliputi dimana :
jumlah penumpang keberangkatan S
fP (B) : AR non seasonal
domestik maupun internasional.
Φp (B)S : AR seasonal
Model ARIMA dan Faktor Musiman (1 − B)d : Differencing non
Musiman didefinisikan sebagai seasonal
suatu pola yang berulang-ulang dalam
(1 − BS )D : Differencing seasonal
selang waktu yang tetap. Adanya faktor
musiman dapat dengan mudah dilihat qq (B) : MA non seasonal
didalam grafik autokorelasi atau dilihat (BS)at : MA seasonal
sepintas pada autokorelasi pada time
lag yang berbeda, apabila hanya pola
Stasioneritas Data
ini yang ada. Semakin kuat pengaruh
Stasioneritas data bisa dilihat dari
trend akan semakin tidak jelas adanya
plot time series. Untuk melihat
faktor musiman karena secara relatif
kestasioneran data dalam mean bisa
besarnya yang positif merupakan hasil
dilihat dari perhitungan ACF dan PACF
dari adanya ketidak stasioneran data.
nya. Perhitungan ACF diperoleh
Sebagai pedoman, data tersebut harus
dengan rumus sebagai berikut :
ditransformasikan ke bentuk yang nk
stasioner sebelum ditentukan adanya
g  (Z  Z )(Z t r k  Z)
faktor musiman. Notasi ARIMA dapat rk  k  k 1
nk
(2)
 (Z  Z )
diperluas untuk menangani aspek g0 2

t
musiman, notasi umum yang disingkat k 1

adalah (Pangastuti,2014):
Dengan Zt data time series pada waktui
ARIMA (p,d,q) (P,D,Q) S ke t dan Z rata-rata sampel. Sedangkan
perhitungan PACF diperoleh dengan
dengan: rumus sebagai berikut :
n 1
(p,d,q) : bagian yang tidak musiman rk   f k 1. jrk  j
dari model j 1
(P,D,Q)S : bagian musiman dari model f kk  n 1 (3)
1   f k 1. jrk  j
S : jumlah periode per musim j 1

Uji Hipotesis Menggunakan

Adapun model umum dari ARIMA Augmented Dickey Fuller (ADF)
(p,d,q)(P,D,Q)S sebagai berikut:
Uji stasioner dengan Augmented
(Lestari dan Wahyuningsih, 2012).

37
Dickey Fuller (ADF) merupakan
pengujian stasioner dengan menentukan
apakah data runtun waktu mengandung
akar unit (unit root). Untuk diketahui
adanya akar unit, maka dilakukan
pengujian DickeyFuller (DF-test), jika
variabel Zt sebagai variabel dependen,
maka akan diubah menjadi
Zt = ρ Zt-1 + Ut (4)
Jika koefisien Zt-1 (ρ) adalah =
1 dalam arti hipotesis diterima, maka
variabel mengandung unit root dan
bersifat non-stasioner. Untuk mengubah
trend yang bersifat non-stasioner
menjadi stasioner dilakukan uji orde
pertama (first difference).
ΔZt = (ρ-1) (Zt – Zt-1)
Hipotesis yang digunakan pada
pengujian augmented dickey fuller
adalah:
• Hipotesis
H0 : ρ = 0 (Terdapat unit roots,
variabel Z tidak stasioner).
H1 : ρ ≠ 0 (Tidak terdapat unit roots,
variabel Z stasioner).
Stasioner tidaknya data didasarkan
pada perbandingan nilai statistik ADF
yang diperoleh dari nilai t-hitung
koefisien dengan nilai kritis statistik
dari Mackinnon. Jika nilai absolut
statistik ADF lebih besar dari nilai
kritis Mackinnon maka data stasioner
dan jika sebaliknya maka data tidak
stasioner. (Rusdi,2011)
ARIMA yang terbaik, harus dipilih
model yang seluruh parameternya
signifikan, kemudian juga memenuhi 2
asumsi residual yaitu berdistribusi
normal dan white noise (Lestari dan
Wahyuningsih, 2012).
c. Distribusi Normal
Pengujian kenormalan dapat
dihitung dengan menggunakan
Kolmogorov-Smirnov.
• Hipotesa :
H0 : Residual berdistibusi normal
H1 : Residual tidak berdistribusi
normal
(5) • Statistik uji :
Dhit sup
x | s(x)  F0 (x) | (6)
• Daerah penolakan :
Tolak H0 Jika Dhit > D(1-α),n
White Noise
Suatu model bersifat white noise
artinya residual dari model tersebut
telah memenuhi asumsi identik (variasi
residual homogen) serta independen
(antar residual tidak berkorelasi).
Pengujian asumsi white noise dilakukan
dengan menggunakan uji Ljung-Box.
(Lestari dan Wahyuningsih, 2012).
• Hipotesis :
H0 : ρ1 =ρ2 = … = ρk = 0
H1 : Minimal ada satu ρi ≠ 0
• Statistik Uji:
K
ˆ 2
Q  n(n  2) k , n  k (7)
k 1 n  k

• Derah penolakan :
Pengujian Asumsi Residual
Q  X 2 (a; K  p q)
Dalam menentukan model

38
 Dimana : Autoregressive Inregrated Moving
K : lag maksimum Average (SARIMA). Sebelum
n : jumlah data (observasi) melakukan peramalan sebaiknya
k : lag ke-k mengetahui apakah data stasioner atau
p dan q : order dari ARMA (p,q) tidak. Berdasarkan plot tersebut terlihat
ˆ k : autokorelasi residual bahwa data tidak stasioner dan
untuk lag ke-k mengandung unsur musiman. Sehingga
harus dilakukan transformasi dan
Pembahasan diferensiasi terhadap data tersebut.

Dalam melakukan analisis, Uji Stasioneritas

terlebih dahulu jika melihat plot pada
data. Hal ini untuk mengetahui Dalam pengujian stasioneritas ada
kecenderungan pola data yang akan 2 macam pengujian yaitu pengujian
dilakukan analisis. Jika data stasioner terhadap Mean dan
mengandung unsur musiman maka stasioneritas terhadap variansi,
dilakukan penanganan untuk peramalan pengujian stasioneritas ini
dengan menggunakan metode SARIMA. menggunakan uji unit root. Pengujian
Pola data yang tidak stasioner terhadap ADF ini menggunakan program R dan
variansi maka sebaiknya dilakukannya dapatkan hasil dari pengujian ADF
transformasi data. Dan jika pola data Sebagai berikut.
tidak stasioner mean, maka
dilakukannya diferensiasi data. Berikut UJI ADF
adalah pola data pada jumlah Dickey Fuller -2.7075
penumpang domestik tahun 2010-2016.
P-Value 0.2867
28
x 100000

Tabel 4.2 Hasil Pengujian ADF

23
18
13
2010 2011 2012 2013 2014 2015 2016
Gambar 4.2 Grafik Runtun Waktu
Jumlah penumpang keberangkatan
bandara Soekarno-Hatta
Berdasarkan gambar 4.2. pola
data yang ada dipengaruhi secara
signifikan oleh unsur musiman.
Sehingga analisis yang baik digunakan
untuk melakukan peramalan yaitu
dengan menggunakan metode Seasonal
Berdasarkan hasil pengujian ADF pada
tabel 4.2 dapat disimpulkan bahwa
terdapat unit Roots, yang berarti data
yang di gunakan tidak stasioner,
sehingga perlu di lakukan differensiasi.
Identifikasi Model
Setelah data di uji
kestasionerannya terhadap variansi dan
mean menggunakan uji unit root, maka
selanjutnya di lakukan identifikasi
model SARIMA yaitu dengan melihat
plot ACF dan PACF.

39
 Berdasarkan ke 6 model di atas di
rangkum hasil estimasi parameter, Nilai
Akaike Information Criterion(AIC) dan
pengujian asumsi residualnya di
Dapatkan hasil sebagai berikut.

Model AR(2) Ma(1) SMA(1)SMA(2)SMA(3) AIC

SARIMA
─ ✔ ✔ ─ ─ 2013.06
(0,1,1)(0,0,1)12
SARIMA
12 ─ ✔ ─ ✔ ─ 2001.08
(0,1,1)(0,0,2)
SARIMA
─ ✔ ─ ─ ✖ 2002.65
(0,1,1)(0,0,3)12
Gambar 4.3 Plot Acf Dan Pacf SARIMA
✔ ─ ✔ ─ ─ 2021.25
Setelah diferensiasi (2,1,0)(0,0,1)12
SARIMA
✔ ─ ─ ✖ ─ 2006.48
(2,1,0)(0,0,2)12
SARIMA
✔ ─ ─ ✖ 2007.66
(2,1,0)(0,0,3)12
Berdasarkan gambar 4.3. dapat
diketahui bahwa pada plot ACF terdapat Tabel 4.3 Hasil overfitting
satu lag yang keluar dari batas
signifikansi. Selain itu, pada plot PACF
terdapat dua lag yang keluar dari batas Berdasarkan model di atas di
signifikansi. Dan melihat nilai SAR dapatkan model terbaik yang memenuhi
maka dapat ditentukan dengan melihat pengujian parameter adalah Model
lag (12,24,36) pada plot ACF, SARIMA (0,1,1)(0,0,2)12 . hal ini dapat
sedangkan untuk nilai SMA dapat di lihat dari pengujian parameter yang
ditentukan dengan melihat lag semuanya signifikan dan memiliki AIC
(12,24,36) pada plot PACF. Maka di terkecil dan hasil pengujian residualnya
dapatkan model sementara yang signifikan. Didapatkan model terbaik
terbentuk adalah SARIMA SARIMA yaitu SARIMA (0,1,1)(0,0,2)12 Karena
(0,1,1)(0,0,3)12 Semua Uji asumsi parameternya
terpenuhi, maka di dapatkan koefisien
Overfitting Model
MA1 = -0.7490
Berdasarkan Grafik ACF Dan SMA1 = 1.0751
PACF di atas di dapatkan model SMA2 = 0.6781
sebayak 6 model, berikut model yang di
dapatkan: Maka dari nilai-nilai tersebut di
masukan kedalam persamaan (1)
7. SARIMA (0,1,1)(0,0,1)12 didapatkan persamaan yang di gunakan
8. SARIMA (0,1,1)(0,0,2)12 untuk meramalkan nilai proyeksi dari
9. SARIMA (0,1,1)(0,0,3)12 data:
10. SARIMA (2,1,0)(0,0,1)12
̂ 𝒕 = 𝒁𝒕−𝟏 + 𝟎. 𝟕𝟒𝟗𝟎𝜶𝒕−𝟏 −
𝒁
11. SARIMA (2,1,0)(0,0,2)12
12. SARIMA.(2,1,0)(0,0,3)12 𝟏. 𝟎𝟕𝟓𝟏𝜶𝒕−𝟏𝟐 − 𝟎. 𝟖𝟎𝟓 𝜶𝒕−𝟏𝟑 −
𝟎. 𝟔𝟕𝟖𝟏 𝜶𝒕−𝟐𝟒 − 𝟎. 𝟓𝟎𝟖 𝜶𝒕−𝟐𝟓

40
Cross Validation Dapat dilihat pada gambar di atas graris
berwarna biru merupakan data actual
Setelah mendaptakan model
dan garis berwarna merah merupakan
kemudian di lanjutkan dengan menguji
hasil peramalan dari model yang sudah
data peramalan dengan data aktual yang
di dapat tadi. Dengan model SARIMA
tersedia, disini penulis menggunakan
(0,1,1)(0,0,2)12 didapatkan hasil
perbandingan 90-10 yang berarti 90%
peramalan yang mampu mendekati data
data di gunakan sebagai pembentuk
aktual dengan sangat baik, dengan
model kemudian 10% di gunakan untuk
persentase tingkat kesalahan rata-rata
cross validasi data peramalan pada data
(MAPE) sebesar 2,944% bisa di katakan
periode ke 77 - 84.
bahwa model SARIMA tersebut sangat
Tabel 4.4. Pengujian Model baik untuk di gunakan peramalan.
Periode Aktual Prediksi Error^2 APE Hasil Prediksi 2017
77 2,415,633 2,302,181 12,871,356,304 4.697
78 2,066,248 2,061,751 20,223,009 0.218
79 2,496,438 2,438,716 3,331,829,284 2.312
Setelah Mendapatkan model
80 2,347,907 2,348,994 1,181,569 0.046 terbaik Yaitu SARIMA (0,1,1)(0,0,2)12
81 2,186,414 2,069,126 13,756,474,944 5.364
82 2,183,226 2,128,733 2,969,487,049 2.496
maka di lakukan prediksi selama 12
83 2,176,185 2,182,280 37,149,025 0.280 periode atau 1 tahun kedepan pada
84 2,674,911 2,457,150 47,419,853,121 8.141
SSE 80407554305
tahun 2017 menggunakan seluruh data
MSE 10050944288 yang ada.
RMSE 100254.40
MAPE 2.9443
Tabel 4.5 Hasil peramalan 1 tahun
Berdasarkan tabel 4.4 di atas di
dapatkan bahwa pengujian model untuk
SARIMA(0,1,1)(0,0,2)12 di dapatkan
nilai Mean Absolute Precentage Error
(MAPE) Sebesar 2.944%. Kemudian
adapun perbandingan menggunakan
grafik adalah sebagai berikut.

Aktual Prediksi

29
X 100000

27
25
23
21 Berdasarkan Tabel 4.5 di atas, dapat di
19 lihat bahwa prediksi penumpang
77 78 79 80 81 82 83 84 keberangkatan bandara soekarno hatta
akan mengalami fluktuasi pada bulan
Gambar 4.4 Pengujian model Januari-Desember 2016.
terhadap data.

41
Kesimpulan
Setelah selesai melakukan analisis
dengan mendapatkan Model SARIMA
(Seasonal Autoregresive Integrated
Moving Average) dalam meramalkan
jumlah penumpang keberangkatan di
Bandara Internasional Soekarno Hatta
Dapat di simpulkan bahwa:
1. Terjadi peningkatan penumpang
setiap tahunnya dari tahun 2010
hingga 2016, kenaikan tertinggi
terjadi di akhir tahun pada bulan
desember dan data berpola musiman.
2. Didapatkan Model SARIMA
(0,1,1)(0,0,2)12 dengan Nilai AIC
sebesar 2001.08.
3. Berdasarkan Hasil peramalan dengan
metode SARIMA. Jumlah
penumpang pada tahun 2017 Di
prediksi mengalami Peningkatan
sekitar 9.28% dari tahun 2016.
Jumlah penumpang yang di
perkirakan akan meningkat sebanyak
2,519,569 penumpang keberangkatan
di tahun 2017. Atau sejumlah
29,662,817 penumpang.
DAFTAR PUSTAKA
Angkasa Pura II .2017. “Tentang
Kami”. http://angkasapura2.co.id/,
Diakses 28 Februari 2017.
Angkasa Pura II .2017. “Struktur
Organisasi Perusahan”.
http://angkasapura2.co.id/id/tentan
g/struktur-organisasi,
Diakses 28 Februari 2017.
42
Angkasa Pura II. 2015 . Data Statistik
Udara
2015. Jakarta: PT. Angkasa Pura
II.
Al-Maqassary, Ardi.2013. Pengertian
Penumpang.www.psychologymani
a.com/2013/06/pengertian-
penumpang.html,
Diakses tanggal 07 Februari 2017.
Badan Pusat Statistik, .2017. “Konsep
Angkutan”.https://www.bps.go.id/
Subjek/view/id/17,
Diakses 28 Februari 2017.
Damardjati, R.S. 1995. Istilah-
istilah Dunia Pariwisata. Jakarta:
PT. Pradnya Paramitha.
Firdaus, M. 2006. Analisis Deret
Waktu Satu Ragam. Jakarta: IPB
Press.
Lestari, Nofinda dan Wahyuningsih,
Nuri. 2012. Peramalan Kunjungan
Wisata dengan Pendekatan Model
Sarima (Studi kasus: Kusuma
Agrowisata). Institut Teknologi
Sepuluh November.
Makridakis, Spyros dkk. 1999.
Metode dan aplikasi peramalan
jilid 1. Diterjemahkan Oleh:
Untung Andriyanto dan Abddul
Basith, Jakarta :Erlangga
Nasution, A.H. 2006. Manajemen Ind
ustri. Penerbit Andi. Jogjakarta
Pangastuti, Devi. 2014. Uji model
arima untuk peramalan
(forecasting) penumpang kereta
api DAOP IV Semarang.
Universitas Muhammadiyah
Semarang.
Permana, Ujang J. Wawancara. 2017.
"Wawancara Struktur Organisasi
kantor cabang utama". Kantor
cabang utama Angkasa Pura II.
Render, Barry dan Heizer, Jay. 2001,
Prinsip-prinsip Manajemen
Operasi, PT. Salemba Emban
Patria, Jakarta.
Rusdi.2011. Uji Akar Akar Unit
Dalam Model Runtun Waktu
Autoregresif. Jurnal Statistika,
Vol. 11, No.2
Yoeti, O.A. 1999. Pisikologi
Pelayanan dan Pengembangan
Pariwisata. Jakarta : PT Pradnya
Paramita.

43
Lampiran 1. Data Penumpang Domestik Bandara Internasional Soekarno-Hatta
JUMLAH PENUMPANG KEBERANGKATAN
BANDARA INTERNASIONAL SOEKARNO-HATTA
Data penumpang berangkat
Bulan/Tahun 2010 2011 2012 2013 2014 2015 2016

Januari 1,651,682 1,732,700 1,975,011 1,999,269 2,187,959 2,007,472 2,082,585

Februari 1,483,642 1,637,687 1,907,645 1,901,735 1,906,441 1,805,062 2,021,038

Maret 1,719,739 1,879,516 2,182,354 2,280,253 2,181,119 2,044,655 2,280,645

April 1,718,766 1,794,288 2,066,549 2,122,271 1,982,467 2,023,388 2,212,018

Mei 1,800,729 1,859,326 2,176,425 2,293,768 2,223,785 2,198,538 2,415,633

Juni 1,878,560 1,984,391 2,230,486 2,469,897 2,368,207 2,071,600 2,066,248

Juli 2,083,195 2,164,883 2,167,607 2,106,510 2,077,734 2,304,944 2,496,438

Agustus 1,694,087 1,752,223 2,073,800 2,420,194 2,351,823 2,339,590 2,347,907

September 1,929,735 1,947,345 2,169,397 2,280,906 2,155,531 1,961,807 2,186,414

Oktober 1,919,279 2,077,548 2,201,910 2,331,733 2,303,315 2,122,873 2,183,226

November 1,835,733 1,984,264 2,189,023 2,266,807 2,198,201 2,101,276 2,176,185

Desember 2,053,083 2,130,898 2,357,343 2,509,336 2,587,725 2,524,941 2,674,911

Total 21768230 22945069 25697550 26982679 26524307 25506146 27143248

44
Lampiran 2. Surat Penerimaan Kerja Praktik

45
Lampiran 3. Surat Keterangan Selesai Kerja Praktik

46