Anda di halaman 1dari 53

# PL 5101 – Metoda Analisis Perencanaan

## Proyeksi Jumlah Penumpang Kereta Rel Listrik JABODETABEK

dengan Analisis Time Series

2018-2019

DOSEN :
Dr. Ir. Dewi Sawitri, MT
Fikri Zul Fahmi, ST., M.Sc., Ph.D

Disusun Oleh :
INDRIANY PUTRI RAHMANI
NIM : 25418044

## PROGRAM STUDI MAGISTER PERENCANAAN WILAYAH DAN KOYA

SEKOLAH ARSITEKTUR, PERENCANAAN, dan PENGEMBANGAN KEBIJAKAN
INSTITUT TEKNOLOGI BANDUNG
2018
ii

DAFTAR ISI

## DAFTAR ISI ........................................................................................................................................... ii

DAFTAR TABEL ................................................................................................................................... iv
DAFTAR GAMBAR ................................................................................................................................ v
BAB 1 PENDAHULUAN ........................................................................................................................ 1
1.1 Latar Belakang ............................................................................................................................. 1
1.2 Rumusan Masalah ....................................................................................................................... 2
1.3 Tujuan dan Sasaran ..................................................................................................................... 2
1.4 Ruang Lingkup Penelitian........................................................................................................... 3
1.4.1 Ruang Lingkup Materi.......................................................................................................... 3
1.4.2 Ruang Lingkup Wilayah ....................................................................................................... 3
1.5 Metode Penelitian ....................................................................................................................... 4
1.6 Sistematika Penulisan ................................................................................................................. 6
BAB 2 DASAR TEORI ........................................................................................................................... 7
2.1 SistemTransportasi .................................................................................................................... 7
2.2 Kereta Rel Listrik......................................................................................................................... 8
2.3 Peramalan (forecasting).............................................................................................................. 9
2.4 Analisis Time Series .................................................................................................................. 10
2.5 Metode Dekomposisi................................................................................................................. 13
2.6 Metode Exponensial Smoothing............................................................................................... 15
2.6.1 Metode Winter’s Triple Exponensial Smoothing ............................................................. 16
2.7 Ukuran Kesalahan Peramalan .................................................................................................. 18
2.7.1 Mean Absolute Percentage Error (MAPE) ........................................................................ 18
BAB 3 DATA DAN ANALISIS DATA .................................................................................................. 20
3.1 Data Penumpang ....................................................................................................................... 20
3.2 Analisis Output Data................................................................................................................. 21
3.2.1 Peramalan dengan Metode Dekomposisi ......................................................................... 21
3.2.1.1 Menentukan Komponen Season................................................................................. 22
3.2.1.2 Menentukan Komponen Trend .................................................................................. 26
3.2.1.3 Menentukan Komponen Siklus .................................................................................. 30
3.2.1.4 Peramalan untuk Tahun 2028 dengan Metode Dekomposisi.................................. 33
3.2.2 Peramalan dengan Metode Winter’s Exponensial Smoothing........................................ 36
3.2.2.1 Menentukan Nilai α, β,dan γ ....................................................................................... 36
iii

## 3.2.2.2. Menentukan Nilai Pemulusan Exponensial Awal .................................................... 36

3.2.2.3 Menentukan Nilai Kecenderungan Awal ................................................................... 37
3.2.2.4 Menentukan Nilai Faktor Musiman Awal .................................................................. 38
3.2.2.5 Menentukan Nilai Pemulusan Exponensial ............................................................... 40
3.2.2.6 Menentukan Nilai Kecenderungan ............................................................................ 40
3.2.2.7 Menentukan Nilai Faktor Musiman ........................................................................... 40
3.2.2.8 Peramalan untuk Tahun 2028 dengan Metode Winter Exponensial Smoothing ... 41
3.2.3 Akurasi Hasil Peramalan ................................................................................................... 43
BAB 4 KESIMPULAN DAN SARAN.................................................................................................... 44
4.1 Kesimpulan ................................................................................................................................ 44
4.2 Saran........................................................................................................................................... 44
Daftar Pusatka ................................................................................................................................... 45
iv

DAFTAR TABEL

## Tabel 2. 1 Kriteria Nilai MAPE ............................................................................................................ 19

Tabel 3. 1 Jumlah Penumpang Kereta Rel Listrik Wilayah JABODETABEK Tahun 2013-2018 .... 20

Tabel 3. 2 Komponen Season pada Data Jumlah Penumpang KRL Jabodetabek Tahun 2013-2018
.............................................................................................................................................................. 23
Tabel 3. 3 Hasil Perhitungan Medial Average dan Index Season Jumlah Penumpang KRL
Jabodetabek Tahun 2012-2018.......................................................................................................... 26
Tabel 3. 4 Komponen Trend pada Data Jumlah Penumpang KRL Jabodetabek Tahun 2013-2018
.............................................................................................................................................................. 27
Tabel 3. 5 Komponen Siklus pada Data Jumlah Penumpang KRL Jabodetabek Tahun 2013-2018
.............................................................................................................................................................. 31
Tabel 3. 6 Nilai Index Siklus per Bulan .............................................................................................. 32
Tabel 3. 7 Proyeksi Jumlah Penumpang KRL Jabodetabek 2018 -2028 dengan Metode
Dekomposisi ........................................................................................................................................ 34
Tabel 3. 8 Nilai Optimu α, β, dan γ ..................................................................................................... 36
Tabel 3. 9 Nilai Inisialisasi Pada Unsur Stationer ............................................................................. 37
Tabel 3. 10 Nilai Inisialisasi Pada Unsur Trend ................................................................................ 38
Tabel 3. 11 Hasil Proyeksi Jumlah Penumpang KRL Jabodetaek Tahun 2018-2028 dengan
Metode Winter’s Exponensial Smoothing ......................................................................................... 41
Tabel 3. 12 Perbandingan Nilai Error ................................................................................................ 43
v

DAFTAR GAMBAR
Gambar 1. 1 Peta JABODETABEK Beserta Rute KRL yang Melayaninya ........................................... 3
Gambar 1. 2 Alur Penelitian Studi ........................................................................................................ 5
Gambar 1. 3 Bagan Analisis Time Series............................................................................................ 11
Gambar 2. 1 Pola Data Horizontal ...................................................................................................... 11

## Gambar 2. 2 Pola Data Trend .............................................................................................................. 12

Gambar 2. 3 Pola Data Season ............................................................................................................ 12
Gambar 2. 4 Pola Data Siklus .............................................................................................................. 13
Gambar 2. 5 Contoh Plot Data Asli Model Aditif ............................................................................... 14
Gambar 2. 6 Contoh Plot Data Asli Model Multiplikatif .................................................................... 14
Gambar 3. 1 Pola Jumlah Penumpang KRL Jabodetabek .................................................................. 21

Gambar 3. 2 Persamaan Trend dalam Data Jumlah Penumpang KRL Jabodetabek Tahun 2013-
2018...................................................................................................................................................... 27
Gambar 3. 3 Pola Data Ramalan Jumlah Penumpang KRL Jabodetabek ......................................... 35
Gambar 3. 4 Pola Data Proyeksi Jumlah Penumpang KRL Jabodetabek dengan Metode Winter’s
Exponensial Smoothing ...................................................................................................................... 42
PL 5101- METODA ANALISIS PERENCANAAN 1

BAB 1
PENDAHULUAN

## 1.1 Latar Belakang

Kebutuhan mobilitas menjadi hal yang sangat penting terutama sebagai pendukung
aktivitas khususnya di wilayah perkotaan seperti di wilayah Jakarta, Bogor, Depok,
Tanggerang, dan Bekasi (JABODETABEK).

## Terdapat beberapa pilihan moda tansportasi di wilayah JABODETABEK dari mulai

kendaraan pribadi hingga kendaraan umum. Namun, Salah satu moda transportasi yang
sering digunakan di wilayah metropolitan JABODETABEK adalah kereta rel listrik (KRL)
Commuter Line. KRL merupakan transportasi andalan JABODETABEK yang dikelola oleh
anak perusahaan PT Kereta Api Indonesia (PT KAI) yaitu PT KAI Commuter
JABODETABEK sejak Tahun 2008

## Setidaknya terdapat 6 rute di wilayah JABODETABEK dengan jumlah perjalanan 886

perjalanan KRL per hari1. Moda transportasi KRL dianggap mudah, murah, cepat, dan
relatif tidak macet sehingga perjalanan menjadi lebih efektif dan efisien.

Banyaknya peminat pengguna KRL seringkali membuat moda KRL menjadi overcapacity,
terutama di jam-jam sibuk seperti jam keberangkatan dan kepulangan sekolah dan/atau
kerja. Hal ini menyebabkan perjalanan menjadi tidak aman dan nyaman.

Untuk itu diperlukan pengaturan performa pelayanan moda transportasi KRL dengan
melakukan proyeksi jumlah penumpang KRL sebagai bahan pertimbangan dan/atau
acuan bagi pemerintah dan perusahaan pengelola dalam mengatur sistem pelayanan
transportasi KRL JABODETABEK

1 Tanpa Nama. Jadwal Baru KRL Jabodetabek Mulai Diterapkan 1 April 2017. http://www.krl.co.id/jadwal-baru-krl-
jabodetabek-mulai-diterapkan-1-april-2017/. Diakses pada Tanggal 18 Desember 2018 Pukul 04.25
PL 5101- METODA ANALISIS PERENCANAAN 2

sebagai berikut

JABODETABEK?

## 4) Apa yang harus dilakukan Pemerintah dan PT KAI Commuter Liner

JABODETABEK dalam menyikapi peningkatan jumlah penumpang?

## 1.3 Tujuan dan Sasaran

Tujuan yang ingin dicapai dalam penelitian ini adalah ingi mengetahui jumlah
penumpang KRL JABODETABEK Tahun 2028 dan memberikan saran membangun terkait
pembangunan infrastruktur KRL JABODETABEK

Dalam mencapai tujuan tersebut maka terdapat beberapa sasaran yang dibutuhkan,
yaitu:

## 1) Mengidentifikasi metode yang sesuai dengan pola jumlah penumpang KRL

JABODETABEK
2) Melakukan perbandingan jumlah proyeksi dan nilai error pada beberapa metode
time series yang sesuai dengan pola data
3) Melakukan proyeksi penumpang KRL Jabodetabek pada Tahun 2028
4) Menentukan saran yang dapat dilakukan oleh pemerintah dan PT KAI Commuter
Line JABODETABEK
PL 5101- METODA ANALISIS PERENCANAAN 3

## 1.4 Ruang Lingkup Penelitian

Ruang lingkup dari penelitian ini terdiri dari ruang lingkup materi dan ruang lingkup
wilayah studi

## 1.4.1 Ruang Lingkup Materi

Materi yang digunakan dalam penelitian ini adalah jumlah penumpang kereta rel listik
JABODETABEK Tahun 2013-2018 yang disajikan perbulan pada masing-masing
tahunnya.

## 1.4.2 Ruang Lingkup Wilayah

Ruang lingkup wilayah studi ini adalah wilayah metropolitan JABODETABEK (Jakarta,
Bogor, Depok, Tanggerang, Bekasi), khususnya kota-kota yang menjadi wilayah
pelayanan KRL Commuter Line JABODETABEK.

Berikut ini peta Wilayah JABODETABEK beserta rute KRL yang melayaninya

## Gambar 1. 1 Peta JABODETABEK Beserta Rute KRL yang Melayaninya

PL 5101- METODA ANALISIS PERENCANAAN 4

## 1.5 Metode Penelitian

Kebutuhan data dalam penelitian ini adalah data sekunder berupa data jumlah
penumpang kereta api yang didapatkan dari Badan Pusat Stastistik dalam Data
Transportasi Jumlah Penumpang Kereta Api yang disajikan berupa data deret waktu dari
tahun 2013 -2018 tiap bulannya.

Metode yang digunakan dalam penelitian ini terdiri dari metode pustaka dan metode
analisis data. Metode pustaka adalah suatu metode penelitian dengan cara mencari
informasi tentang bahan-bahan tulisan dari berbagai referensi. Sedangkan metode
analisis data yang akan digunakan dalam penelitian ini adalah analisis time series yang
cocok digunakan untuk peramalan data kuantitatif yang berupa deret waktu.

Pada analisis time series peramalan yang dilakukan adalah trial and error, sehingga
peramalan yang dilakukan menggunakan semua metode yang sesuai dengan pola data
lalu dibandingkan errornya untuk mendapatkan hasil ramalan terbaik yaitu metode yang
memiliki nilai error paling kecil. Dalam penelitian ini akan membandingkan 2 metode
yaitu metode dekomposisi dan winter exponensial smoothing untuk mendapatkan
ramalan jumlah penumpang KRL Jabodetabek.

## Berikut ini adalah alur penelitian dalam studi ini

PL 5101- METODA ANALISIS PERENCANAAN 5

## Gambar 1. 2 Alur Penelitian Studi

PL 5101- METODA ANALISIS PERENCANAAN 6

## 1.6 Sistematika Penulisan

Sistematikan pelaporan dalam penelitian ini adalah sebagai beriku

BAB 1 Pendahuluan

## Pada bab pendahuluan, penulis menguraikan latar belakang pengambilan masalah,

rumusan masalah yang akan dikaji, tujuan dan sasaran dari penelitian, ruang lingkup
penelitian yang terdiri dari ruang lingkup materi dan ruang lingkup wilayah studi,
metodologi, dan sistematika penulisan.

## Bab 2 Dasar Teori

Pada bab dasar teori, penulis memberi penjelasan mengenai teori analisis pada substansi
penelitian dan teori mengenai analisis yang dilakukan.

## Bab 3 Data dan Analisis

Pada bab ini berisi input data yang akan dilakukan analisis. Dibahas pula mengenai
output analisis dari data berupa hasil proyeksi dari metode yang digunakan, bagaimana
hasil dan interpretasinya

## Bab 4 Kesimpulan dan Saran

Pada bagian penutup, penulis membuat kesimpulan dari hasil analisis yang dilakukan
serta saran kepada pemerintah dan perusahaan pengelola berdasarkan hasil yang
didapatkan dari penelitian ini
PL 5101- METODA ANALISIS PERENCANAAN 7

BAB 2
DASAR TEORI

2.1 SistemTransportasi

## Menurut Nasution (2004), transportasi diartikan sebagai pemindahan barang dan

manusia dari tempat asal ke tempat tujuan. Proses pengangkutan merupakan gerakan
dari tempat asal, dari mana kegiatan angkutan dimulai, ke tempat tujuan, kemana
kegiatan pengangkutan diakhiri.

## a) Ada muatan yang diangkut.

b) Tersedia kendaraan sebagai alat angkutannya.
c) Ada jalan yang dapat dilalui.
d) Ada terminal asal dan terminal tujuan.
e) Sumber daya manusia dan organisasi atau manajemen yang menggerakkan
kegiatan transportasi tersebut.

Manfaat transportasi dapat dilihat dari berbagai segi kehidupan masyarakat, antara lain:

## 1) Transportasi menyebabkan pelayanan kepada masyarakat dapat dikembangkan

atau diperluas dengan lebih merata pada setiap bagian wilayah suatu Negara.
2) Transportasi membuat kegiatan ekonomi yang dilakukan oleh masyarakat
berjalan dengan baik dan kebutuhan masyarakat dapat terpenuhi dengan cepat
dan mudah.
3) Transportasi melancarkan arus barang dan mobilitas manusia dan juga
membantu tercapainya pengalokasian sumber-sumber ekonomi secara optimal
PL 5101- METODA ANALISIS PERENCANAAN 8

## 2.2 Kereta Rel Listrik

Transportasi publik atau biasa dikenal dengan angkutan umum adalah layanan
transportasi umum yang tersedia bagi siapapun yang membayar sesuai dengan ongkos
yang telah ditentukan. Angkutan ini biasanya beroperasi pada jalur khusus tetap atau
jalur umum potensial yang terpisah dan digunakan secara ekslusif, sesuai jadwal yang
ditetapkan dengan rute yang didesain dan dirancang untuk memindahkan sejumlah
besar orang dalam waktu yang bersamaan.

Salah satu bentuk angkutan umum adalah kereta rel listrik (KRL) Jabodetabek yang
membawa penumpang di wilayah perkotaan seperti jakarta dari/menuju wilayah
disekitarnya seperti Bogor, Depok, Tanggerang, Bekasi.

## Lloyd Wright dan Karl Fjellstrom(2003) menjelaskan beberapa keunggulan dan

kelemahan dari moda transportasi kereta, diantaranya :

Keunggulan :

## • Mempunyai/memungkinkan jangkauan pelayanan transportasi barang dan orang

untuk jarak pendek, menengah, dan jauh dengan kapasitas angkut yang besar.
• Penggunaan energi relatif kecil
• Kehandalan keselamatan perjalanan relatif lebih baik jika dibandingkan dengan
moda transportasi lain. Hal ini dikarenakan kereta api memiliki jalur tersendiri
yaitu berupa jalan rel, dan fasilitas terminal yang tersendiri pula sehingga tidak
terpengaruh oleh kegiatan lalu lintas non kereta api, dengan demikian
• Mempunyai kehandalan dalam ketepatan waktu. Hal ini dikarenakan kereta
mempunyai jalur sendiri sehingga kemungkinan kecepatan relatif konstan,
sehingga memudahkan dalam pengaturan waktu perjalanan.
• Ekonomis dalam hal penggunaan ruang untuk jalurnya dibandingkan dengan
transportasi darat
• Polusi, getaran, dan kebisingan yang dihasilkan relatif kecil
• Sangat baik untuk pelayanan khusus dalam aspek pertahanan dan keamanan,
karena mempunyai kapasitas angkut yang besar dan dapat dilaksanakan tanpa
banyak memberikan dampak sosial
PL 5101- METODA ANALISIS PERENCANAAN 9

dan udara.

Kelemahan :

## • Memerlukan fasilitas sarana dan prasarana yang khusus (tersendiri) yang

tidak bisa digunakan dengan moda transportasi yang lain, sebagai kosekuensi
maka diperlukan alat angkut khusus seperti lokomotif dan gerbong
• Karena fasilitas sarana dan prasarana yang khusus maka diperlukan investasi,
biaya operasi, biaya perawatan dan tenaga yang cukup besar
• Pelayanan barang dan penumpang terbatas hanya pada jalurnya
• Daerah jangkauan kurang luas, tidak dapat menjangkau daerah-daerah
pelosok karena kereta ini hanya diperuntukan untuk menjangkau daerah-
daerah tertentu saja
keterlambatan.

## 2.3 Peramalan (forecasting)

Peramalan adalah proses memperkirakan sesuatu yang akan terjadi di masa yang akan
datang. Langkah dalam metode peramalan secara umum adalah pengumpulan data,
menyeleksi data dan memilih data, memilih model peramalan, menerapkan model untuk
peramalan, evaluasi hasil akhir (Subagyo, 1986; Fatmawati, 2007)

Peramalan dapat dibedakan atas beberapa segi tergantung dari cara pendekatannya.
Jenis-jenis peramalan ini antara lain (Santoso, 2009):

1. Peramalan jangka pendek, yaitu peramalan yang jangka waktunya mulai dari satu
hari sampai satu musim.
2. Peramalan jangka menengah, yaitu peramalan yang jangka waktunya mulai dari
satu musim sampai dua tahun.
3. Peramalan jangka panjang, yaitu peramalan yang jangka waktunya lebih dari dua
tahun
PL 5101- METODA ANALISIS PERENCANAAN 10

Metode peramalan dapat dikelompokkan menjadi dua metode yaitu metode kualitatif
dan kuantitatif. Namun dalam penelitian ini hanya menggunakan metode kuantitatif.
Peramalan kuantitatif dapat diterapkan apabila memenuhi tiga kondisi sebagai berikut
(Makridakis, 1992; Efendi, 2010):

## 1. Tersedia informasi tentang masa lalu

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.
3. Dapat diasumsikan bahwa beberapa asfek pola masa lalu akan terus berlanjut di
masa mendatang.

Secara umum, metode peramalan kuantitatif dapat dibagi menjadi dua bagian, yaitu
(Santoso, 2009):

## Metode kausal yaitu memasukkan dan menguji variabel-variabel yang diduga

mempengaruhi variabel dependent. Peramalan didasarkan atas hubungan sebab
akibat (kausal), dengan demikian model akan lebih dari satu variabel.

## Metode runtun waktu berusaha untuk meramalkan masa depan dengan

menggunakan data historis, dengan kata lain metode runtun waktu mencoba

## 2.4 Analisis Time Series

Analisis time series merupakan metode peramalan kuantitatif untuk menentukan pola
data pada masa lampau yang dikumpulkan berdasarkan urutan waktu, yang disebut data
time series untuk diramalkan pada masa yang akan mendatang berdasarkan pola data
masa lampau tersebut. Sehingga dalam analisis time series, peramalan merupakan fungsi
dari waktu.

Metode analisis dalam time series dibagi menjadi 2 bagian yaitu pemulusan (smoothing)
dan dekomposisi. Pada metode smoothing peramalan dilakukan dengan pemulusan data
dengan menggunakan bobot sedangkan pada metode dekomposisi peramalan dilakukan
dengan memisahkan/memecahkan data untuk membentuk suatu pola
PL 5101- METODA ANALISIS PERENCANAAN 11

Perata-rataan
Smoothing
Eksponensial
Time
Series
Dekomposisi
Multiplikatif

## Gambar 1. 3 Bagan Analisis Time Series

Pola data dalam analisis time series terdiri dari 4 jenis, yaitu :

a) Horizontal / Stationer

di sekitar rata-rata secara stabil, ataupun permintaan konstan pada rentang waktu
tertentu. Pola nya berupa garis lurus horizontal. Contoh data : Data penjualan
suatu produk tidak meningkat atau menurun

## Gambar 2. 1 Pola Data Horizontal

b) Kecenderungan / Trend
pola data trend yaitu pola terhadap datanya dalam jangka panjang memiliki
kecenderungan meningkat atau menurun. Contoh data: Data kenaikan jumlah
penduduk
PL 5101- METODA ANALISIS PERENCANAAN 12

## Gambar 2. 2 Pola Data Trend

c) Musiman / Seasonal
Pola data season yaitu pola terhadap datanya memiliki gerakan yang berulang-
ulang secara teratur pada periode tertentu misalnya tahunan, semesteran,
bulanan, atau mingguan. Contoh data : Penjualan pakaian meningkat pada hari
raya, penjualan alat tulis meningkat pada awal tahun ajaran baru

## Gambar 2. 3 Pola Data Season

d) Siklus
Pola siklus merupakan pola terhadap datanya yang dipengaruhi oleh fluktuasi
ekonomi jangka panjang. Perbedaan utama antara pola data season dengan pola
data siklus adalah pola data season memiliki panjang gelombang yang tetap dan
dan terjadi pada jarak waktu yang dekat, sedangkan pola data siklus memiliki
durasi waktu yang panjang dan bervariasi dari satu siklus ke siklus lainnya.
Contoh data : Penjualan produk mobil, baja, dan peralatan utama lainnya
PL 5101- METODA ANALISIS PERENCANAAN 13

## 2.5 Metode Dekomposisi

Prinsip dasar dari metode dekomposisi deret waktu adalah mendekomposisi (memecah)
data deret waktu menjadi beberapa pola dan mengidentifikasi masing-masing komponen
dari deret waktu tersebut secara terpisah. Pemisahan ini dilakukan untuk membantu
meningkatkan ketepatan peramalan dan membantu pemahaman atas perilaku deret data
secara lebih baik (Makridakis, Wheelwright dan McGee, 1992).

Metode dekomposisi dilandasi oleh asumsi bahwa data yang ada merupakan gabungan
dari beberapa komponen, dimana dicirikan dengan adanya pola trend, pengaruh
musiman, siklus dan error. Atau secara matematis dapat dirumuskan sebagai berikut

Data= Pola+error
= f (trend,siklus,musiman)+error
𝑌 = 𝑓(𝑇𝑥, 𝑆𝑥, 𝐶𝑥, 𝐼𝑥)
Komponen kesalahan diasumsikan sebagai perbedaan dari kombinasi komponen trend,
siklus dan musiman dengan data sebenarnya (Assauri, 1984).

Dalam metode dekomposisi ini terdapat model dekomposisi aditif dan multiplikatif.
Model dekomposisi aditif dan multilikatif dapat digunakan untuk meramalkan faktor
trend,musiman,dan siklus. Menurut makridakis, Wheelwright dan McGee (1992), metode
Secara matematis ditulis:

𝑌𝑥 = 𝑇𝑥 + 𝑆𝑥 + 𝐶𝑥 + 𝐼𝑥
PL 5101- METODA ANALISIS PERENCANAAN 14

## Gambar 2. 5 Contoh Plot Data Asli Model Aditif

Sedangkan metode dekomposisi rasio pada rata-rata bergerak (dekomposisi klasik) dan
metode Census II berasumsi pada model multiplikatif.

## Secara matematis dapat ditulis

𝑌𝑥 = 𝑇𝑥 𝑋 𝑆𝑥 𝑋 𝐶𝑥 𝑋 𝐼𝑥
dimana,
Yx = data deret berkala pada periode ke-x
Tx = komponen Tren pada periode ke-x
Cx = komponen siklus pada periode ke-x
Ix = komponen musiman pada periode ke-x
Ex = komponen kesalahan pada periode ke-x

## Komponen kesalahan diasumsikan sebagai perbedaan dari kombinasi komponen

trens,siklus,musiman dengan data yang sebenarnya. Asumsi tersebut mengandung
pengertian bahwa terdapat empat komponen yang memengaruhi suatu deret waktu,
yaitu 3 komponen yang dapat diidentifikasi karena memiliki pola tertentu yaitu trend,
PL 5101- METODA ANALISIS PERENCANAAN 15

siklus, dan musiman, sedangkan komponen error tidak dapat diprediksi karena tidak
memiliki pola yang sistematis dan mempunyai gerakan yang tidak beraturan.

## Pendekatan dekomposisi ini berusaha menguraikan deret berkala kedalam sub

komponen utamanya. Dengan demikian, bukan hanya pola tunggal suatu komponen yang
diramalkan melainkan berbagai pola yakni pola trend, pola musiman, pola siklus serta
error.

siklus dari data

Mt = Tt x Ct

## 2. Mencari komponen trend dan siklus

𝑋𝑡 𝐼𝑡 𝑥 𝑇𝑡 𝑥 𝐶𝑡 𝑥 𝐸𝑡
= = 𝐼𝑡 𝑥 𝐸𝑡
𝑀𝑡 𝑇𝑡 𝑥 𝐶𝑡

## 3. Mengisolasi komponen season

• Medial average : rata-rata setiap periode setelah nilai terbesar dan nilai terkecil
dikeluarkan
• Season Index : nilai medial average yang telah disesuaikan, sehingga harganya
sama dengan rata-rata pada satu rentang musim sama dengan 100
4. Memisahkan komponen trend dari komponen siklis dengan mendefinisikan pola
kecenderungan data
Tt = a +bt
𝑀𝑡 𝑇𝑡 𝑥 𝐶𝑡
= = 𝐶𝑡
𝑇𝑡 𝑎 + 𝑏𝑡
2.6 Metode Exponensial Smoothing

## Pemulusan Exponensial merupakan suatu model peramalan rata-rata bergerak yang

melakukan pembobotan terhadap data masa lalu dengan cara Exponensial sehingga data
paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak.
Metode pemulusan Exponensial telah digunakan selama beberapa tahun sebagai suatu
metode yang sangat berguna pada begitu banyak situasi peramalan.
PL 5101- METODA ANALISIS PERENCANAAN 16

Pada tahun 1957 Robert Goodell Brown mengusulkan metode pemulusan Exponensial
yang berlaku untuk data deret waktu yang tidak memiliki unsur kecenderungan dan
musiman. Kemudian pada tahun 1957 diusulkan suatu prosedur pemulusan Exponensial
untuk data deret waktu yang mengandung pola kecenderungan yang kemudian biasa
disebut metode penghalusan Exponensial ganda dua parameter (Holt Exponential
Smoothing) dari Holt. Pada tahun 1965 Winter mengembangkan metode dua parameter
dari Holt tersebut untuk kasus yang memiliki unsur musiman. Winters menambahkan
operasi penghalusan ketiga dan parameter ketiga untuk unsur musiman. Metode
penghalusan Exponensial tripel dari Winter lebih dikenal sebagai metode (Holt Winter’s
Exponential Smoothing) (Makridakis, dkk., 1999).

## 2.6.1 Metode Winter’s Triple Exponensial Smoothing

mengulang perhitungan secara terus menerus dengan menggunakan data terbaru
dengan didasarkan pada perhitungan rata-rata penghalusan data masa lalu secara
Exponensial. Pada metode yang dikemukakan oleh winter ini, didasarkan atas 3 (tiga)
parameter penghalusan, yaitu satu untuk unsur stasioner, satu untuk trend, dan satu
dapat memberikan ketepatan dalam ramalan jangka pendek dan penyesuaian dapat
dilakukan dengan cepat dan pada biaya yang rendah.

Metode pemulusan Exponensial linear dari Winter’s digunakan dengan memberikan tiga
pembobotan dalam prediksinya, yaitu α, β,dan γ. Menurut (Mulyana, 2004) α, β,dan γ

## 1. Alpha (α) merupakan parameter yang mengontrol penghalusan relatif pada

pengamatan yang baru dilakukan. Jika alpha bernilai mendekati 1 maka hanya
pengamatan terbaru yang digunakan secara eksklusif. Sebaliknya bila alpha
mendekati 0 maka pengamatan yang lain dihitung. dengan bobot sepadan dengan
yang terbaru.
2. Beta (β) merupakan parameter yang mengontrol penghalusan relatif pada
pengamatan yang baru dilakukan untuk mengestimasi kemunculan unsur
kecenderungan. Nilai beta berkisar dari 0 sampai 1.
PL 5101- METODA ANALISIS PERENCANAAN 17

## 3. Gamma merupakan parameter yang mengontrol penghalusan relatif pada

pengamatan yang baru dilakukan untuk mengestimasi kemunculan unsur
musiman. Nilai gamma berkisar dari 0 sampai 1.

## Besarnya koefisien α, β, γ, memiliki jarak diantara 0 dan 1 yang ditentukan secara

subjektif atau dengan meminimalkan nilai kesalahan dari estimasi tersebut (Makridakis,
dkk., 1999).

## Metode Winter’s didasarkan pada tiga persamaan pemulusan, yakni persamaan

pemulusan keseluruhan, pemulusan trend, dan persamaan pemulusan musiman. Ketiga
persamaan dari Winter’s exponential smoothing adalah sebagai berikut

dengan :
𝑆𝑡 : Pemulusan keseluruhan pada periode ke t ,
𝑆𝑡−1 : Pemulusan keseluruhan pada periode ke t-1,
T𝑡 : Pemulusan trend pada periode ke t ,
T𝑡−1 : Pemulusan trend pada periode ke t-1,
𝐼𝑡 : Pemulusan musiman pada peiode ke t ,
𝐹𝑡+𝑚: Peramalan pada periode ke t+m ,
𝑋𝑡 : Data aktual pada periode t ,
𝛼 : Konstanta pemulusan ,
𝛾 : Konstanta untuk trend ,
𝛽 : Konstanta untuk musiman,
𝐿 :Panjang musiman (jumlah bulan/kuartal dalam 1 tahun),
𝑚 : Jumlah periode kedepan yang diramalkan.
PL 5101- METODA ANALISIS PERENCANAAN 18

berikut

S₁ = X₁
𝑋₁
I₁ = (1 – β)𝑋₁

## 1 𝑋𝐿+1 −𝑋1 𝑋𝐿+2 −𝑋2 𝑋𝐿+𝐿 −𝑋𝐿

TL= 𝐿 ( + +. . . . . . . . . . . . . + )
𝐿 𝐿 𝐿

## Untuk mengevaluasi hasil peramalan, digunakan ukuran kesalahan peramalan. Hasil

parameter peramalan yang terbaik adalah harga yang memberikan nilai kesalahan
peramalan yang terkecil. Ukuran kesalahan yang digunakan dalam penelitian ini adalah
Squared Error) dan nilai rata-rata kesalahan persentase absolut (Mean Absolute
Percentage Error).

## Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan

absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu.
Kemudian, merata-rata kesalahan persentase absolut tersebut. Pendekatan ini berguna
ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan
ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang
dibandingkan dengan nilai nyata. Rumus untuk menghitung Mean Absolute Percentage
Error (MAPE) adalah sebagai berikut :

Dimana :
𝑛 = jumlah data
𝑦′ 𝑖 = hasil prediksi pada indeks ke-𝑖 = 1, 2, … , 𝑙
𝑦𝑖 = nilai aktual pada indeks ke-𝑖 = 1, 2, … , 𝑙
𝑙 = banyaknya dimensi data
PL 5101- METODA ANALISIS PERENCANAAN 19

MAPE mengukur rata-rata error absolut sebagai persentase bukan pada setiap periode
melainkan persentase dari rata-rata error rate absolute sejumlah periode data aktual.
Penggunaan MAPE pada evaluasi hasil prediksi dapat menghindari pengukuran akurasi
terhadap besarnya nilai aktual dan nilai prediksi

## > 50% Buruk

PL 5101- METODA ANALISIS PERENCANAAN 20

BAB 3
DATA DAN ANALISIS DATA
3.1 Data Penumpang
Data jumlah penumpang kereta rel listrik (KRL) Jabodetabek pada Tahun 2013 hingga
Tahun 2018 diperoleh dari Badan Pusat Statistik, 2018.

Tabel 3. 1 Jumlah Penumpang Kereta Rel Listrik Wilayah JABODETABEK Tahun 2013-2018

Tahun
No Bulan
2013 2014 2015 2016 2017 2018

## 12 Desember 15.901.000 20.080.000 22.996.000 24.841.000 29.059.000

Sumber : BPS, Data Transportasi Jumlah Penumpang Kereta Api

Berdasarkan data jumlah penumpang KRL Jabodetabek pada tabel tersebut, dapat
digambarkan bentuk pola jumlah penumpang sebagai berikut
PL 5101- METODA ANALISIS PERENCANAAN 21

## Time Series Plot of Jumlah Penumpang

30000000

27500000
Jumlah Penumpang
25000000

22500000

20000000

17500000

15000000

1 6 12 18 24 30 36 42 48 54
Index

## Gambar 3. 1 Pola Jumlah Penumpang KRL Jabodetabek

Berdasarkan gambar 3.1 diketahui pola jumlah penumpang KRL Jabodetabek tahun 2013
– 2018, terlihat bahwa pola tersebut memiliki unsur trend meningkat, musiman terutama
di bulan februari di setiap tahunnya dan musim lebaran jumlah penumpang akan
menurun, serta siklus. Oleh karena itu, metode analisis time series yang cocok digunakan
dalam penelitian ini adalah metode dekomposisi dan metode winter’s Exponensial
smoothing, karena kedua metode ini cocok digunakan apabila pola data mengandung
unsur trend dan musiman.

Dalam penelitian ini akan dilakukan proyeksi jumlah penumpang KRL Jabodetabek
selama 10 kedepan atau Tahun 2028 guna menjadi masukan kepada pemerintah dan
perusahaan pengelola dalam mengatur sistem transportasi moda KRL di wilayah
JABODETABEK

## 3.2 Analisis Output Data

3.2.1 Peramalan dengan Metode Dekomposisi
Metode dekomposisi dilakukan dengan memecah unsur-unsur yang dikandung dalam
pola data seperti unsur trend, musiman (season), dan siklus. Proses permisahan tersebut
dapat membantu meningkatkan ketepatan hasil peramalan dan membantu atas deret
data secara lebih baik. Berikut ini adalah tahapan metode dekomposisi dalam
memproyeksikan jumlah penumpang KRL Jabodetabek
PL 5101- METODA ANALISIS PERENCANAAN 22

## 3.2.1.1 Menentukan Komponen Season

Komponen indeks season dilakukan dengan pendekatan ratio to moving average klasik,
dengan menghitung moving average (MA) terlebih dahulu guna menghilangkan
komponen musim dari data aktual. Perhitungan MA dimulai dari Bulan Juli Tahun 2013
(karena data genap, maka MA diletakan di ½n + 1; dengan n=12) hingga perhitungan MA
berakhir di Bulan Agustus 2018 .

## Selanjutnya adalah menhitung rata-rata bergerak terpusat (MA center) untuk

memisahkan komponen acak dengan membagi nilai MA tahun ini ditambah MA tahun
berikutnya lalu dibagi 2.

## Lalu membagi nilai jumlah penumpang aktual dengan MA center

PL 5101- METODA ANALISIS PERENCANAAN 23

Tabel 3. 2 Komponen Season pada Data Jumlah Penumpang KRL Jabodetabek Tahun 2013-2018

## Periode Jumlah Periode Jumlah

Tahun Bulan MA (12) MA Center St.It Tahun Bulan MA (12) MA Center St.It
(t) Penumpang (t) Penumpang

## 1 1 10.089.000 1 37 22.238.000 0,99

22.300.333 22.413.267
2 2 10.281.000 2 38 21.229.000 0,94
22.526.200 22.555.100
3 3 11.240.000 3 39 23.206.000 1,02
22.584.000 22.677.833
4 4 11.529.000 4 40 23.149.000 1,02
22.771.667 22.723.583
5 5 11.767.000 5 41 24.401.000 1,07
22.675.500 22.835.750
6 6 11.817.000 6 42 23.821.000 1,03
22.996.000 23.189.208
2013 2016
7 7 15.407.000 1,15 7 43 21.574.000 0,92
13.206.917 13.418.875 23.382.417 23.463.542
8 8 14.321.000 1,04 8 44 23.923.000 1,02
13.630.833 13.821.458 23.544.667 23.566.083
9 9 15.113.000 1,06 9 45 23.570.000 0,99
14.012.083 14.271.708 23.587.500 23.694.542
10 10 15.531.000 1,05 10 46 24.533.000 1,03
14.531.333 14.745.583 23.801.583 23.895.833
11 11 15.487.000 1,02 11 47 24.104.000 1,00
14.959.833 15.168.750 23.990.083 24.114.417
12 12 15.901.000 1,02 12 48 24.841.000 1,02
15.377.667 15.628.958 24.238.750 24.264.208
1 13 15.176.000 0,95 1 49 24.185.000 0,99
15.880.250 15.929.333 24.289.667 24.516.417
2014 2 14 14.856.000 0,92 2017 2 50 21.743.000 0,87
15.978.417 16.093.833 24.743.167 24.899.667
3 15 17.471.000 1,07 3 51 25.775.000 1,02
16.209.250 16.340.083 25.056.167 25.164.000
PL 5101- METODA ANALISIS PERENCANAAN 24

## Periode Jumlah Periode Jumlah

Tahun Bulan MA (12) MA Center St.It Tahun Bulan MA (12) MA Center St.It
(t) Penumpang (t) Penumpang

## 4 16 16.671.000 1,00 4 52 25.411.000 1,00

16.470.917 16.618.750 25.271.833 25.448.167
5 17 16.781.000 0,99 5 53 27.385.000 1,06
16.766.583 16.896.500 25.624.500 25.797.083
6 18 17.848.000 1,04 6 54 24.432.000 0,93
17.026.417 17.200.542 25.969.667 26.145.417
7 19 16.585.000 0,95 7 55 27.016.000 1,02
17.374.667 17.544.167 26.321.167 26.483.250
8 20 17.091.000 0,96 8 56 27.679.000 1,03
17.713.667 17.829.667 26.645.333 26.796.125
9 21 18.253.000 1,01 9 57 26.158.000 0,97
17.945.667 18.104.792 26.946.917 27.090.583
10 22 19.079.000 1,03 10 58 28.765.000 1,05
18.263.917 18.451.417 27.234.250 27.381.375
11 23 18.605.000 0,99 11 59 28.246.000 1,02
18.638.917 18.863.750 27.528.500 27.595.583
12 24 20.080.000 1,04 12 60 29.059.000 1,05
19.088.583 19.270.208 27.662.667 27.679.375
1 25 19.244.000 0,98 1 61 28.075.000 1,01
19.451.833 19.642.917 27.696.083 27.782.333
2 26 17.640.000 0,88 2 62 25.362.000 0,91
19.834.000 20.050.833 27.868.583 27.886.042
3 27 21.290.000 1,04 3 63 29.223.000 1,05
20.267.667 20.424.667 27.903.500 27.964.333
2015 4 28 21.171.000 1,02 2018 4 64 28.942.000 1,03
20.581.667 20.743.542 28.025.167 27.991.538
5 29 22.177.000 1,05 5 65 28.995.000 1,04
20.905.417 21.061.667 27.957.909 27.943.505
6 30 22.207.000 1,04 6 66 24.833.000 0,89
21.217.917 21.339.417 27.929.100 27.866.328
7 31 21.171.000 0,98 7 67 29.086.000
21.460.917 21.561.686 27.803.556
PL 5101- METODA ANALISIS PERENCANAAN 25

## Periode Jumlah Periode Jumlah

Tahun Bulan MA (12) MA Center St.It Tahun Bulan MA (12) MA Center St.It
(t) Penumpang (t) Penumpang

## 8 32 22.295.000 1,02 8 68 28.098.000

21.662.455 21.863.577 27.769.625
9 33 22.021.000 1,00 9 69 27.618.000
22.064.700 22.107.739
10 34 22.964.000 1,03
22.150.778 22.212.014
11 35 22.355.000 1,00
22.273.250 22.280.125
12 36 22.996.000 1,03
22.287.000 22.293.667
PL 5101- METODA ANALISIS PERENCANAAN 26

Langkah selanjutnya adalah mengitung index season (musim) dengan mengurutkan data
St.It berdasarkan tiap bulannya dan dihitung nilai index seasonnya setelah di standarkan
terlebih dahulu dengan merata-ratakan nilai namun menghilangkan nilai paling besar
dan nilai paling kecilnya.Lalu mencari nilai rata-rata lalu mencari nilai index seasonnya.

Tabel 3. 3 Hasil Perhitungan Medial Average dan Index Season Jumlah Penumpang KRL
Jabodetabek Tahun 2012-2018
JAN FEB MAR APR MEI JUN JUL AGUS SEP OKT NOV DES

## 2013 1,15 1,04 1,06 1,05 1,02 1,02

2014 0,95 0,92 1,07 1,00 1,07 1,00 1,07 1,00 1,07 1,00 1,07 1,00

2015 0,98 0,88 1,04 1,02 1,04 1,02 1,04 1,02 1,04 1,02 1,04 1,02

2016 0,98 0,93 1,01 1,01 1,01 1,01 1,01 1,01 1,01 1,01 1,01 1,01

2017 0,99 0,87 1,02 1,00 1,02 1,00 1,02 1,00 1,02 1,00 1,02 1,00

2018 1,01 0,91 1,05 1,03 1,05 1,03 1,05 1,03 1,05 1,03 1,05 1,03

Medial
0,98 0,90 1,04 1,01 1,03 1,01 1,05 1,01 1,04 1,01 1,03 1,01
Average

Index
0,971162528 0,894074134 1,025702847 0,997090779 1,022284441 0,997090779 1,033612051 1,003437 1,031075 1,003437 1,021688 0,999346
Season

## Sumber : Hasil Analisis, 2018

Melalui perhitungan ini maka didapatkan nilai indeks season untuk setiap bulannya yang
berlaku untuk setiap tahunnya.

## Perhitungan komponen trend dilakukan untuk mengaitkan hubungan antara periode

lamanya bulan dengan jumlah penumpang KRL Jabodetabek. Dalam analisis trend ini
pertumbuhan Exponensial (Exponential Growth Model) dan model kurva-S (S-Curve
Model). Karena dalam pola data jumlah penumpang KRL merujuk pada linier model maka
dengan bantuan software minitab 18 dapat ditentukan persamaan trend untuk jumlah
penumpang KRL Jabodetabek sebagai berikut
PL 5101- METODA ANALISIS PERENCANAAN 27

Gambar 3. 2 Persamaan Trend dalam Data Jumlah Penumpang KRL Jabodetabek Tahun 2013-
2018

## Berdasarkan perhitungan tersebut diketahui bahwa nilai trend adalah

Y = 12424326 + 258775t
Nilai Y tersebut dapat digunakan untuk menemukan nilai T dengan t adalah periodernya.
Hasil persamaan tersebut dapat dilihat pada tabel tersebut

Tabel 3. 4 Komponen Trend pada Data Jumlah Penumpang KRL Jabodetabek Tahun
2013-2018
Tahun Bulan Periode Jumlah Trend Tahun Bulan Periode Jumlah Trend
(t) Penumpang (t) Penumpang
2013 1 1 2016 1 37 22.238.000
10.089.000 12.683.101 21.999.001
2 2 2 38 21.229.000
10.281.000 12.941.876 22.257.776
3 3 3 39 23.206.000
11.240.000 13.200.651 22.516.551
4 4 4 40 23.149.000
11.529.000 13.459.426 22.775.326
5 5 5 41 24.401.000
11.767.000 13.718.201 23.034.101
6 6 6 42 23.821.000
11.817.000 13.976.976 23.292.876
7 7 7 43 21.574.000
15.407.000 14.235.751 23.551.651
8 8 8 44 23.923.000
14.321.000 14.494.526 23.810.426
PL 5101- METODA ANALISIS PERENCANAAN 28

Tahun Bulan Periode Jumlah Trend Tahun Bulan Periode Jumlah Trend
(t) Penumpang (t) Penumpang
9 9 9 45 23.570.000
15.113.000 14.753.301 24.069.201
10 10 10 46 24.533.000
15.531.000 15.012.076 24.327.976
11 11 11 47 24.104.000
15.487.000 15.270.851 24.586.751
12 12 12 48 24.841.000
15.901.000 15.529.626 24.845.526
2014 1 13 2017 1 49 24.185.000
15.176.000 15.788.401 25.104.301
2 14 2 50 21.743.000
14.856.000 16.047.176 25.363.076
3 15 3 51 25.775.000
17.471.000 16.305.951 25.621.851
4 16 4 52 25.411.000
16.671.000 16.564.726 25.880.626
5 17 5 53 27.385.000
16.781.000 16.823.501 26.139.401
6 18 6 54 24.432.000
17.848.000 17.082.276 26.398.176
7 19 7 55 27.016.000
16.585.000 17.341.051 26.656.951
8 20 8 56 27.679.000
17.091.000 17.599.826 26.915.726
9 21 9 57 26.158.000
18.253.000 17.858.601 27.174.501
10 22 10 58 28.765.000
19.079.000 18.117.376 27.433.276
11 23 11 59 28.246.000
18.605.000 18.376.151 27.692.051
12 24 12 60 29.059.000
20.080.000 18.634.926 27.950.826
2015 1 25 2018 1 61 28.075.000
19.244.000 18.893.701 28.209.601
2 26 2 62 25.362.000
17.640.000 19.152.476 28.468.376
PL 5101- METODA ANALISIS PERENCANAAN 29

Tahun Bulan Periode Jumlah Trend Tahun Bulan Periode Jumlah Trend
(t) Penumpang (t) Penumpang
3 27 3 63 29.223.000
21.290.000 19.411.251 28.727.151
4 28 4 64 28.942.000
21.171.000 19.670.026 28.985.926
5 29 5 65 28.995.000
22.177.000 19.928.801 29.244.701
6 30 6 66 24.833.000
22.207.000 20.187.576 29.503.476
7 31 7 67 29.086.000
21.171.000 20.446.351 29.762.251
8 32 8 68 28.098.000
22.295.000 20.705.126 30.021.026
9 33 9 69 27.618.000
22.021.000 20.963.901 30.279.801
10 34
22.964.000 21.222.676
11 35
22.355.000 21.481.451
12 36
22.996.000 21.740.226
Sumber : Hasil Analisis, 2018
PL 5101- METODA ANALISIS PERENCANAAN 30

## Penentuan komponen siklus dapat diperoleh dengan metode dekomposisi multiplikatif,

yang dapat diperkirakan dengan mengetahui komponen trend . komponen trend
diketahui adalah Y = 12424326 + 258775t, dengan t adalah nilai periodenya. Komponen
𝑀𝐴𝑡
siklus dapat diketahui dengan rumus 𝐶𝑡 = 𝑇𝑡

## Namun untuk melakukan peramalan komponen siklus sulit diketahui karena

membutuhkan nilai MA yang berasal dari data aktual sehingga perlu ditentukan dulu
indeks siklus untuk periode yang akan diramalkan. Umumnya, karena siklus ini sulit
dikerahui akibat pergerakan yang sangat perlahan, maka untuk menentukan indeks
siklus ini ada beberapa cara, misalnya mengansumsikan = 1 (mengabaikannya karena
pengaruhnya dianggap kecil) atau memperkirakan sendiri berdasarkan komponen (C . I)
dari tabel perhitungan,

Nilai siklus pada data jumlah penumpang KRL JABODETABEK dapat dilihat pada tabel
berikut
PL 5101- METODA ANALISIS PERENCANAAN 31

Tabel 3. 5 Komponen Siklus pada Data Jumlah Penumpang KRL Jabodetabek Tahun 2013-2018
Tahun Bulan Periode Jumlah MA (12) T C Tahun Bulan Periode Jumlah MA (12) T C
(t) Penumpang (t) Penumpang
2013 1 1 2016 1 37 1,029766
10.089.000 12.683.101 22.238.000 22.300.333 21.999.001
2 2 2 38 1,019303
10.281.000 12.941.876 21.229.000 22.526.200 22.257.776
3 3 3 39 1,013614
11.240.000 13.200.651 23.206.000 22.584.000 22.516.551
4 4 4 40 1,007765
11.529.000 13.459.426 23.149.000 22.771.667 22.775.326
5 5 5 41 1,002119
11.767.000 13.718.201 24.401.000 22.675.500 23.034.101
6 6 6 42 0,997243
11.817.000 13.976.976 23.821.000 22.996.000 23.292.876
7 7 0,927729 7 43 0,992814
15.407.000 13.206.917 14.235.751 21.574.000 23.382.417 23.551.651
8 8 0,940412 8 44 0,988839
14.321.000 13.630.833 14.494.526 23.923.000 23.544.667 23.810.426
9 9 0,949759 9 45 0,979987
15.113.000 14.012.083 14.753.301 23.570.000 23.587.500 24.069.201
10 10 0,967976 10 46 0,978363
15.531.000 14.531.333 15.012.076 24.533.000 23.801.583 24.327.976
11 11 0,979633 11 47 0,975732
15.487.000 14.959.833 15.270.851 24.104.000 23.990.083 24.586.751
12 12 0,990215 12 48 0,975578
15.901.000 15.377.667 15.529.626 24.841.000 24.238.750 24.845.526
2014 1 13 1,005817 2017 1 49 0,967550
15.176.000 15.880.250 15.788.401 24.185.000 24.289.667 25.104.301
2 14 0,995715 2 50 0,975559
14.856.000 15.978.417 16.047.176 21.743.000 24.743.167 25.363.076
3 15 0,99407 3 51 0,977922
17.471.000 16.209.250 16.305.951 25.775.000 25.056.167 25.621.851
4 16 0,994337 4 52 0,976477
16.671.000 16.470.917 16.564.726 25.411.000 25.271.833 25.880.626
5 17 0,996617 5 53 0,980302
16.781.000 16.766.583 16.823.501 27.385.000 25.624.500 26.139.401
6 18 0,99673 6 54 0,983767
17.848.000 17.026.417 17.082.276 24.432.000 25.969.667 26.398.176
7 19 1,001939 7 55 0,987403
16.585.000 17.374.667 17.341.051 27.016.000 26.321.167 26.656.951
8 20 1,006468 8 56 0,989954
17.091.000 17.713.667 17.599.826 27.679.000 26.645.333 26.915.726
9 21 1,004875 9 57 0,991625
18.253.000 17.945.667 17.858.601 26.158.000 26.946.917 27.174.501
10 22 1,008088 10 58 0,992745
19.079.000 18.263.917 18.117.376 28.765.000 27.234.250 27.433.276
11 23 1,014299 11 59 0,994094
18.605.000 18.638.917 18.376.151 28.246.000 27.528.500 27.692.051
PL 5101- METODA ANALISIS PERENCANAAN 32

Tahun Bulan Periode Jumlah MA (12) T C Tahun Bulan Periode Jumlah MA (12) T C
(t) Penumpang (t) Penumpang
12 24 1,024344 12 60 0,989690
20.080.000 19.088.583 18.634.926 29.059.000 27.662.667 27.950.826
2015 1 25 1,029541 2018 1 61 0,981796
19.244.000 19.451.833 18.893.701 28.075.000 27.696.083 28.209.601
2 26 1,035584 2 62 0,978931
17.640.000 19.834.000 19.152.476 25.362.000 27.868.583 28.468.376
3 27 1,04412 3 63 0,971328
21.290.000 20.267.667 19.411.251 29.223.000 27.903.500 28.727.151
4 28 1,046347 4 64 0,966854
21.171.000 20.581.667 19.670.026 28.942.000 28.025.167 28.985.926
5 29 1,049005 5 65 #DIV/0! 0,955999
22.177.000 20.905.417 19.928.801 28.995.000 29.244.701
6 30 1,051038 6 66 #DIV/0! 0,946638
22.207.000 21.217.917 20.187.576 24.833.000 29.503.476
7 31 1,049621 7 67 #DIV/0!
21.171.000 21.460.917 20.446.351 29.086.000 29.762.251
8 32 1,048553 8 68 #DIV/0!
22.295.000 21.662.455 20.705.126 28.098.000 30.021.026
9 33 1,049876 9 69
22.021.000 22.064.700 20.963.901 27.618.000 30.279.801
10 34 1,044598
22.964.000 22.150.778 21.222.676
11 35 1,039688
22.355.000 22.273.250 21.481.451
12 36 1,035837
22.996.000 22.287.000 21.740.226

## Sumber : Hasil Analsisis, 2018

Berdasarkan data tersebut, nilai siklus dapat dirata-ratakan berdasarkan tiap bulan
dengan nilai index siklus sebagai berikut

## Bulan Index Siklus

Januari 1,002894195
Februari 1,001018419
Maret 1,000210614
April 0,998355849
Mei 0,996808433
Juni 0,995083361
Juli 1,0079443
Agustus 1,008453415
September 1,006590838
Oktober 1,005948559
November 1,005953261
Desember 1,006362536
PL 5101- METODA ANALISIS PERENCANAAN 33

## Sumber : Hasil Analisis, 2018

Tabel diatas menampilkan rata-rata index siklus dari tahun 2013 hingga 2018 yang telah
dikelompokan tiap bulannya.

## 3.2.1.4 Peramalan untuk Tahun 2028 dengan Metode Dekomposisi

Metode dekomposisi terdiri dari 2 model yaitu model aditif dan model multiplikatif,
dalam analisis ini karena pola data menunjukan fluktuasi musim bervariasi maka
digunakan model multiplikatif dengan rumus sebagai berikut

Karena dalam penelitian ini akan meramalkan jumlah penumpang KRL Jabodetabek pada
tahun 2028 maka periode yang digunakan dalam penelitian ini adalah 181-192 untuk
bulan januari 2028 sampai desember 2028.

Berdasarkan nilai indeks season, siklus, dan trend yang telah diketahui sebelumnya maka
perhitungan nilai peramalan dapat disajikan sebagai berikut
PL 5101- METODA ANALISIS PERENCANAAN 34

Tabel 3. 7 Proyeksi Jumlah Penumpang KRL Jabodetabek 2018 -2028 dengan Metode Dekomposisi

Tahun
Bulan
2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028

Januari 27.396.107 30.411.858 33.427.609 36.443.360 39.459.111 42.474.862 45.490.613 48.506.364 51.522.115 54.537.866 57.553.617

Februari 25.452.839 28.229.207 31.005.575 33.781.944 36.558.312 39.334.681 42.111.049 44.887.417 47.663.786 50.440.154 53.216.523

Maret 29.465.521 32.650.636 35.835.751 39.020.866 42.205.981 45.391.096 48.576.211 51.761.326 54.946.441 58.131.556 61.316.671

April 28.901.600 31.997.866 35.094.132 38.190.398 41.286.664 44.382.930 47.479.196 50.575.462 53.671.727 56.767.993 59.864.259

Mei 29.896.403 33.070.903 36.245.403 39.419.902 42.594.402 45.768.902 48.943.402 52.117.902 55.292.402 58.466.902 61.641.402

Juni 29.417.644 32.513.910 35.610.176 38.706.442 41.802.708 44.898.974 47.995.240 51.091.506 54.187.772 57.284.038 60.380.304

Juli 30.762.621 33.972.297 37.181.972 40.391.648 43.601.323 46.810.999 50.020.674 53.230.350 56.440.025 59.649.701 62.859.376

Agustus 30.124.205 33.240.178 36.356.150 39.472.123 42.588.096 45.704.068 48.820.041 51.936.013 55.051.986 58.167.959 61.283.931

September 31.220.740 34.422.536 37.624.333 40.826.129 44.027.926 47.229.722 50.431.519 53.633.315 56.835.112 60.036.909 63.238.705

Oktober 30.643.534 33.759.507 36.875.479 39.991.452 43.107.424 46.223.397 49.339.370 52.455.342 55.571.315 58.687.287 61.803.260

November 31.465.293 34.637.941 37.810.590 40.983.239 44.155.887 47.328.536 50.501.185 53.673.833 56.846.482 60.019.131 63.191.779

Desember 31.035.802 34.139.070 37.242.337 40.345.605 43.448.873 46.552.141 49.655.408 52.758.676 55.861.944 58.965.212 62.068.480

Total 355.782.307 393.045.907 430.309.507 467.573.107 504.836.707 542.100.307 579.363.907 616.627.507 653.891.107 691.154.707 728.418.307
Sumber : Hasil Analisis, 2018
PL 5101- METODA ANALISIS PERENCANAAN 35

Dari nilai ramalan pada tabel maka dapat digambarkan dalam bentuk grafik sebagai
berikut

## GRAFIK RAMALAN JUMLAH PENUMPANG KRL JABODETABEK

40.000.000

35.000.000

30.000.000

25.000.000

20.000.000

15.000.000

10.000.000

5.000.000

-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94

Series1 Series2

## Gambar 3. 3 Pola Data Ramalan Jumlah Penumpang KRL Jabodetabek

Berdasarkan nilai ramalan pada tahun 2028 dapat diketahui bahwa total jumlah
penumpang KRL Jabodetabek sebesar 728.418.307 penumpang atau rata-rata
penumpang tiap bulan adalah 60.701.526 penumpang sehingga setiap harinya
setidaknya moda KRL memiliki 2.023.384 penumpang.

Hasil perhitungan ini memiliki nilai error MAPE : 5,0780 , MAD : 9,939 , MSD : 1,597 atau
memiliki presentasi error sebesar 5%.
PL 5101- METODA ANALISIS PERENCANAAN 36

## 3.2.2 Peramalan dengan Metode Winter’s Exponensial Smoothing

Pada peramalan dengan metode winter’s Exponensial smoothing dilakukan dengan tiga
kali pemulusan yaitu pemulusan unsur horizontal/stationer, unsur trend, dan unsur
musiman sehingga metode ini membutuhkan 3 bobot yaitu α, β,dan γ yang nilainya
didapatkan dari trial and error sehingga dipilih pada nilai bobot yang hasil errornya
terkecil.

## 3.2.2.1 Menentukan Nilai α, β,dan γ

Alpha (α) merupakan parameter yang mengontrol penghalusan relatif pada pengamatan
yang baru dilakukan, Beta (β) merupakan parameter yang mengontrol penghalusan
relatif pada pengamatan yang baru dilakukan untuk mengestimasi kemunculan unsur
kecenderungan atau tren. Gamma (γ) merupakan parameter yang mengontrol
penghalusan relatif pada pengamatan yang baru dilakukan untuk mengestimasi
kemunculan unsur musiman. Dalam metode ini, nilai alpha (α), beta (β), dan gamma (γ)
dapat ditentukan dengan cara trial and error yang bisa meminimumkan nilai error.
Besarnya nilai alpha (α), beta (β), dan gamma (γ) antara 0 sampai 1. (Makridakis, dkk.,
1999)

Berdasarkan trial and error maka nilai optimum maka nilai α, β, dan γ adalah
Tabel 3. 8 Nilai Optimu α, β, dan γ

## alpha (α) beta (β) gamma (γ)

0,5 0,4 0,85

Selanjutnya ketiga parameter tersebut akan digunakan pada tahapan analisis metode
winter’s exponensial smoothing berikutnya

## 3.2.2.2. Menentukan Nilai Pemulusan Exponensial Awal

Nilai awal atau biasa disebut dengan inisialisasi merupakan nilai awal yang ditetapkan
dalam analisis metode Exponensial. Untuk nilai inisialisasi stationer berlaku rumus S₁ =
X₁, dimana nilai pertama berada di ½L+1 atau pada perioder ke 7
PL 5101- METODA ANALISIS PERENCANAAN 37

tabel berikut ini
Tabel 3. 9 Nilai Inisialisasi Pada Unsur Stationer

Periode Jumlah
Tahun Bulan S
(t) Penumpang
1 1
10.089.000
2 2
10.281.000
3 3
11.240.000
4 4
11.529.000
5 5
11.767.000
6 6
11.817.000
2013
7 7
15.407.000 15.407.000
8 8
14.321.000
9 9
15.113.000
10 10
15.531.000
11 11
15.487.000
12 12
15.901.000

## Menentukan nilai inisialisasi komponen trend dapat ditentukan dengan rumus

1  X L +1 − X 1 X L + 2 − X 2 X −X 
Tᴌ b =  + + ............. + L + L L 
L L L L 
Dimana nilai L adalah panjang musiman, dalam analisis ini nilai L adalah 12. Nilai
PL 5101- METODA ANALISIS PERENCANAAN 38

1 15176000 − 10089000
𝑇= ( )
12 12
14856000 − 10281000 20080000 − 15901000
+( ) +. . . . + ( )
12 12
Nilai tersebut bisa dilihat pada tabel seperti berikut ini

## Tabel 3. 10 Nilai Inisialisasi Pada Unsur Trend

Periode Jumlah
Tahun Bulan T
(t) Penumpang
1 1
10.089.000
2 2
10.281.000
3 3
11.240.000
4 4
11.529.000
5 5
11.767.000
6 6
11.817.000
2013
7 7
15.407.000 347.312,5
8 8
14.321.000
9 9
15.113.000
10 10
15.531.000
11 11
15.487.000
12 12
15.901.000
Sumber : Hasil Analisis, 2018

## 3.2.2.4 Menentukan Nilai Faktor Musiman Awal

Nilai faktor musiman atau index season awal dapat ditentukan dengan membagi nilai X
dengan nilai rata-rata pada musim awal atau dapat dirumuskan sebagai berikut:
PL 5101- METODA ANALISIS PERENCANAAN 39

𝑋𝑡
𝐼=
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑋 (𝑚𝑢𝑠𝑖𝑚 1)
Rata-rata jumlah penumpang KRL pada musim pertama atau tahun pertama yaitu Tahun

## 10089000 + 10281000 + 11240000 + ⋯ … . +15901000

X’₂₀₁₃ = (
12
= 13.206.917
Sehingga nilai inisialisasi indeks musimannya adalah
10089000
I Januari = = 0,763917897
13.206.917
10281000
I Februari = = 0,778455733
13.206.917
11240000
I Maret =13.206.917 =0,851069
11529000
I April = 13.206.917 =0,872952
11767000
I Mei = 13.206.917 =0,890973
11817000
I Juni = 13.206.917 =0,894758
15407000
I Juli = 13.206.917 =1,166586
14321000
I Agustus = 13.206.917 =1,084356
15113000
I September =13.206.917 =1,144325
15531000
I Oktober =13.206.917 =1,175975
15487000
I November =13.206.917 =1,172643
15901000
I Desember = =1,20399
13.206.917
PL 5101- METODA ANALISIS PERENCANAAN 40

## 3.2.2.5 Menentukan Nilai Pemulusan Exponensial

Dengan menggunakan nilai alfa (α ) sebesar 0,5 maka nilai pemulusan stationer untuk
periode berikutnya berlaku rumus berikut:

11767000
𝑆₅ = 0,5( 0,763918 )+(1-0,5)(11.529.000 + 635812,5)

= 14.269.160

## Nilai kecenderungan atau tren untuk periode selanjutnya ditentukan dengan

menggunakan persamaan sebagai berikut :

Dengan nilai parameter β sebesar 0,4 maka nilai pemulusan trend adalah

## 𝑇₅ = 0,4(14.269.160 - 11.529.000)+(1-0,4) 635812,5

= 1687986
pada periode berikutnya berlaku rumus diatas

## Untuk menentukan nilai faktor musiman berlaku rumus :

Rumus tersebut menggunakan nilai gamma (γ) sebesar 0,85 sehingga nilai faktor

11529000
𝐼₅ = 0,85 (11.529.000 ) + (1 − 0,85)0,763918

=0,801551
PL 5101- METODA ANALISIS PERENCANAAN 41

Jadi nilai faktor musiman untuk periode ke 5 adalah 0,801551. Nilai pemulusan fakor
musiman pada periode berikutnya dilakukan dengan rumus diatas

## 3.2.2.8 Peramalan untuk Tahun 2028 dengan Metode Winter Exponensial

Smoothing

Setelah mempunyai nilai pemulisan stationer, trend, dan musiman, maka selanjutnya
dapat dilakukan peramalan untuk periode selanjutnya dengan menggunakan rumus
berikut ini

Dengan rumus tersebut maka peramalan jumlah penumpang KRL Jabodetabek Tahun
2018 hingga 2028 dapat ditunjukan pada tabel berikut ini

Tabel 3. 11 Hasil Proyeksi Jumlah Penumpang KRL Jabodetaek Tahun 2018-2028 dengan
Metode Winter’s Exponensial Smoothing

Bula Tahun
n 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028

Janu 27.39 30.43 31.17 31.92 32.67 33.41 34.16 34.91 35.66 36.40 37.15
ari 6.107 1.268 8.450 5.632 2.814 9.996 7.178 4.360 1.542 8.724 5.906

Febr 25.45 27.26 27.93 28.60 29.26 29.93 30.60 31.27 31.94 32.61 33.27
uari 2.839 5.712 3.803 1.893 9.984 8.075 6.166 4.257 2.347 0.438 8.529

Mar 29.46 30.95 31.71 32.47 33.22 33.98 34.74 35.49 36.25 37.01 37.76
et 5.521 6.984 3.976 0.969 7.961 4.953 1.945 8.937 5.930 2.922 9.914

Apri 28.90 29.79 30.52 31.24 31.97 32.70 33.43 34.15 34.88 35.61 36.33
l 1.600 5.240 2.342 9.444 6.547 3.649 0.751 7.854 4.956 2.058 9.161

29.89 29.76 30.49 31.21 31.94 32.66 33.39 34.11 34.84 35.56 36.29
Mei 6.403 7.427 2.377 7.326 2.276 7.225 2.174 7.124 2.073 7.022 1.972

29.41 26.36 27.00 27.64 28.28 28.93 29.57 30.21 30.85 31.49 32.13
Juni 7.644 6.706 7.534 8.363 9.191 0.019 0.848 1.676 2.505 3.333 4.162

30.76 29.14 29.85 30.55 31.26 31.97 32.67 33.38 34.09 34.79 35.50
Juli 2.621 3.426 0.309 7.193 4.076 0.960 7.843 4.726 1.610 8.493 5.377

Agus 30.12 28.58 29.28 29.97 30.66 31.35 32.04 32.74 33.43 34.12 34.81
tus 4.205 9.686 1.739 3.792 5.846 7.899 9.953 2.006 4.059 6.113 8.166
Sept
emb 31.22 28.37 29.06 29.74 30.43 31.11 31.80 32.48 33.17 33.85 34.54
er 0.740 5.891 1.387 6.882 2.378 7.873 3.369 8.864 4.359 9.855 5.350
PL 5101- METODA ANALISIS PERENCANAAN 42

Bula Tahun
n 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028

Okto 31.11 31.88 32.65 33.42 34.19 34.96 35.72 36.49 37.26 38.03 38.80
ber 6.716 5.446 4.177 2.907 1.638 0.368 9.099 7.829 6.560 5.291 4.021
Nov
emb 30.78 31.54 32.30 33.06 33.82 34.58 35.34 36.10 36.86 37.62 38.37
er 9.125 8.200 7.275 6.350 5.425 4.499 3.574 2.649 1.724 0.798 9.873
Dese
mbe 31.76 32.54 33.32 34.10 34.88 35.66 36.45 37.23 38.01 38.79 39.57
r 1.499 2.941 4.383 5.825 7.267 8.710 0.152 1.594 3.036 4.478 5.921

356.3 356.6 365.3 373.9 382.6 391.3 399.9 408.6 417.2 425.9 434.5
Tota 05.01 68.92 27.75 86.57 45.40 04.22 63.05 21.87 80.70 39.52 98.35
l 9 7 2 6 3 6 2 6 1 5 2
Sumber : Hasil Analisis, 2018

Berdasarkan nilai proyeksi diatas maka dapat dibuat pola dalam bentuk grafik sebagai
berikut

Gambar 3. 4 Pola Data Proyeksi Jumlah Penumpang KRL Jabodetabek dengan Metode Winter’s
Exponensial Smoothing

Nilai peramalan jumlah penumpang KRL Jabodetabek pada Tahun 2028 sebesar
434.598.352 penumpang atau rata-rata tiap bulannya sebesar 36.216.529 penumpang
dengan rata-rata tiap harinya sebanyak 1.207.218 penumpang.

Peramalan ini memiliki nilai error yaitu MAPE: 5,099, MAD : 1,040, MSD:1,73 atau dalam
bentuk presentase sebesar 5%
PL 5101- METODA ANALISIS PERENCANAAN 43

## 3.2.3 Akurasi Hasil Peramalan

Hasil peramalan pada kedua metode tersebut memiliki nilai yang berbeda dengan nilai
error yang tidak jauh berbeda, hal ini dapat disajikan pada tabel berikut ini

## Metode Metode Winter

Dekomposisi
MAPE 5,0780 5,099
MSD 1,597 1,73
Sumber : hasil analisis,2018

Berdasarkan tabel 3.12 dapat dilihat perbandingan nilai error pada kedua metode
peramalan yang dilakukan dalam penelitian ini. Berdasarkan nilai MAPE, metode
dekomposisi memiliki nilai error yang lebih kecil sedikit dibandingkan dengan metode
winter, namun pada MAD metode winter memiliki nilai yang lebih kecil dan nilai MSD
metode dekomposisi memiliki nilai yang lebih kecil.

Jika dibandingkan dengan pola data proyeksi yang dapat dilihat pada gambar 3.3 dengan
gambar 3.4 terlihat bahwa nilai peramalan lebih menyerupai dengan pola data asli pada
metode dekomposisi dibandingkan dengan metode winter meskipun hasil peramalan
kedua metode tersebut berbeda cukup jauh, namun peramalan dengan metode
dekomposisi dianggap lebih akurat dibandingkan dengan metode winter karena pola
data peramalannya jauh lebih menyerupai/lebih mulus dengan pola data asli
dibandingkan dengan metode winter.
PL 5101- METODA ANALISIS PERENCANAAN 44

BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan

## Berdasarkan analisis time series terhadap proyeksi jumlah penumpang KRL di

JABODETABEK maka didapatkan beberapa kesimpulan, yaitu:

1. Pola data yang terbentuk dari data jumlah penumpang KRL Jabodetabek pada
tahun 2013-2018 mengandung unsur trend, musiman, dan siklus
2. Berdasarkan pola data yang terbentuk maka metode yang dapat digunakan pada
peramalan ini adalah metode dekomposisi dan metode winter’s exponensial
smoothing
3. Dari kedua metode tersebut, metode terbaik yang dapat digunakan untuk
peramalan adalah metode dekomposisi hal ini dikarenakan dari perbandingan
error keduanya, metode dekompsisi memiliki error yang lebih kecil yaitu 5,07 %
4. Berdasarkan metode dekomposisi nilai peramalan untuk jumlah penumpang KRL
Jabodetabek Tahun 2028 sebesar 728.418.307 penumpang atau rata-rata
penumpang tiap bulan adalah 60.701.526 penumpang sehingga setiap harinya
setidaknya moda KRL memiliki 2.023.384 penumpang.

4.2 Saran

## Pemerintah bersama perusahaan pengelola KRL Jabodetabek perlu meningkatkan

pelayanan baik jumlah moda, jumlah waktu keberangkatan, bahkan penambahan baru
rute perjalanan serta perbaikan manajemen pelayanan

Pemerintah perlu berupaya untuk menambah jenis moda transportasi lain yang lebih
efektif dan efisien di JABODETABEK sehingga dapat mengurangi penumpukan
PL 5101- METODA ANALISIS PERENCANAAN 45

Daftar Pustaka

Arifin, Divia. Analisis Peramalan Time Series Metode Dekomposisi Meramalkan Jumlah
Penumpang Keberangkatan Internasional di Bandara Soekarno Hatta Jakarta Berkaitan
Dengan Terminal 3 Ultimate. 2018. ITERA.

Dewi, Emma. Perbandingan Metode Holt Winter’s Exponential Smoothing Dan Extreme
Learning Machine (Elm) Pada Peramalan Penjualan Semen. 2018. Universitas Islam
Yogyakarta

Kartiko Singgih. Analisis Pemilihan Moda Kereta Rel Listrik (Ekonomi-AC) dan
Kendaraan Pribadi Bagi Mahasiswa Universitas Indonesia Dengan Model Probit. 2011.
Universitas Indonesia

Makridakis, S. dan Wheelwright, S.C. 1999, Metode dan Aplikasi Peramalan. Jakarta:
Erlangga.

## Munawaroh, Astin. Peramalan Jumlah Penumpang pada PT Angkasa Pura 1 (Persero)

Kantor Cabang Bandara Udara Internasional Adisujipto Yogyakarta dengan Metode
Winter’s Exponensial Smoothing dan Seasonal Arima. 2010. Universitas Negeri Yogyakarta

Susilo Ibnu, dkk. Peramalan Volume Penggunaan Air Bersih Dengan Metode Winters
Exponential Smoothing Untuk Menentukan Volume Air Bersih Yang Harus Diproduksi
Oleh Pdam Tirta Satria. 2016. Universitas Jenderal Soedirman

## Watyaningsih. Presentasi Analisis Peramalan. ITB

### Dapatkan aplikasi gratis kami

Hak cipta © 2021 Scribd Inc.