Hafizhan Aliady
14611225
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2017
LEMBAR PENGESAHAN
Disusun oleh :
ii
LEMBAR PENGESAHAN PEMBIMBING LAPANGAN
Disusun oleh :
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.
Penulis
v
DAFTAR ISI
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
viii
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
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
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
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.
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.
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
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
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
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.
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 :
nk
gk
(Zt Z )( Z r k Z )
rk k 1 nk (3.2)
(Zt Z )
g0 2
k 1
j 1
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).
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
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 nk
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.
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
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
22
4.2.2.1. Grafik Runtun Waktu
29
x 100000
27
25
23
Jumlah Penumpang
21
19
17
15
13
2010 2011 2012 2013 2014 2015 2016
Tahun
23
4.2.2.2. Uji Stasioneritas
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
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.
SMA1 = 1.0751
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
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
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
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
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:
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:
32
DAFTAR PUSTAKA
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
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.
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 nk
stasioner sebelum ditentukan adanya
g (Z Z )(Z t r k Z)
faktor musiman. Notasi ARIMA dapat rk k k 1
nk
(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
37
Dickey Fuller (ADF) merupakan ARIMA yang terbaik, harus dipilih
pengujian stasioner dengan menentukan model yang seluruh parameternya
apakah data runtun waktu mengandung signifikan, kemudian juga memenuhi 2
akar unit (unit root). Untuk diketahui asumsi residual yaitu berdistribusi
adanya akar unit, maka dilakukan normal dan white noise (Lestari dan
pengujian DickeyFuller (DF-test), jika Wahyuningsih, 2012).
variabel Zt sebagai variabel dependen,
maka akan diubah menjadi c. Distribusi Normal
Zt = ρ Zt-1 + Ut (4) Pengujian kenormalan dapat
Jika koefisien Zt-1 (ρ) adalah = dihitung dengan menggunakan
1 dalam arti hipotesis diterima, maka Kolmogorov-Smirnov.
variabel mengandung unit root dan
bersifat non-stasioner. Untuk mengubah • Hipotesa :
trend yang bersifat non-stasioner H0 : Residual berdistibusi normal
menjadi stasioner dilakukan uji orde H1 : Residual tidak berdistribusi
pertama (first difference). normal
ΔZt = (ρ-1) (Zt – Zt-1) (5) • Statistik uji :
Hipotesis yang digunakan pada
pengujian augmented dickey fuller
Dhit sup
x | s(x) F0 (x) | (6)
adalah: • Daerah penolakan :
• Hipotesis Tolak H0 Jika Dhit > D(1-α),n
H0 : ρ = 0 (Terdapat unit roots,
variabel Z tidak stasioner). White Noise
H1 : ρ ≠ 0 (Tidak terdapat unit roots, Suatu model bersifat white noise
variabel Z stasioner). artinya residual dari model tersebut
telah memenuhi asumsi identik (variasi
Stasioner tidaknya data didasarkan residual homogen) serta independen
pada perbandingan nilai statistik ADF (antar residual tidak berkorelasi).
Pengujian asumsi white noise dilakukan
yang diperoleh dari nilai t-hitung dengan menggunakan uji Ljung-Box.
koefisien dengan nilai kritis statistik (Lestari dan Wahyuningsih, 2012).
dari Mackinnon. Jika nilai absolut
• Hipotesis :
statistik ADF lebih besar dari nilai
H0 : ρ1 =ρ2 = … = ρk = 0
kritis Mackinnon maka data stasioner H1 : Minimal ada satu ρi ≠ 0
dan jika sebaliknya maka data tidak • Statistik Uji:
K
ˆ 2
stasioner. (Rusdi,2011) 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.
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.
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 Angkasa Pura II. 2015 . Data Statistik
Setelah selesai melakukan analisis Udara
dengan mendapatkan Model SARIMA 2015. Jakarta: PT. Angkasa Pura
(Seasonal Autoregresive Integrated
II.
Moving Average) dalam meramalkan
jumlah penumpang keberangkatan di Al-Maqassary, Ardi.2013. Pengertian
Bandara Internasional Soekarno Hatta Penumpang.www.psychologymani
Dapat di simpulkan bahwa:
a.com/2013/06/pengertian-
1. Terjadi peningkatan penumpang penumpang.html,
setiap tahunnya dari tahun 2010
Diakses tanggal 07 Februari 2017.
hingga 2016, kenaikan tertinggi
terjadi di akhir tahun pada bulan Badan Pusat Statistik, .2017. “Konsep
desember dan data berpola musiman. Angkutan”.https://www.bps.go.id/
2. Didapatkan Model SARIMA Subjek/view/id/17,
(0,1,1)(0,0,2)12 dengan Nilai AIC Diakses 28 Februari 2017.
sebesar 2001.08.
Damardjati, R.S. 1995. Istilah-
3. Berdasarkan Hasil peramalan dengan istilah Dunia Pariwisata. Jakarta:
metode SARIMA. Jumlah
PT. Pradnya Paramitha.
penumpang pada tahun 2017 Di
prediksi mengalami Peningkatan Firdaus, M. 2006. Analisis Deret
sekitar 9.28% dari tahun 2016. Waktu Satu Ragam. Jakarta: IPB
Jumlah penumpang yang di
Press.
perkirakan akan meningkat sebanyak
2,519,569 penumpang keberangkatan Lestari, Nofinda dan Wahyuningsih,
di tahun 2017. Atau sejumlah Nuri. 2012. Peramalan Kunjungan
29,662,817 penumpang.
Wisata dengan Pendekatan Model
DAFTAR PUSTAKA Sarima (Studi kasus: Kusuma
Angkasa Pura II .2017. “Tentang Agrowisata). Institut Teknologi
Kami”. http://angkasapura2.co.id/, Sepuluh November.
Diakses 28 Februari 2017. Makridakis, Spyros dkk. 1999.
Angkasa Pura II .2017. “Struktur Metode dan aplikasi peramalan
Organisasi Perusahan”. jilid 1. Diterjemahkan Oleh:
http://angkasapura2.co.id/id/tentan Untung Andriyanto dan Abddul
g/struktur-organisasi, Basith, Jakarta :Erlangga
Diakses 28 Februari 2017. Nasution, A.H. 2006. Manajemen Ind
ustri. Penerbit Andi. Jogjakarta
42
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
44
Lampiran 2. Surat Penerimaan Kerja Praktik
45
Lampiran 3. Surat Keterangan Selesai Kerja Praktik
46