1

BAB II
TEORI PERAMALAN

Dalam situasi ketidak pastian, meramalkan suatu jumlah pada suatu periode di
masa yang akan datang, selalu ada resiko adanya kesalahan peramalan. Walaupun
demikian, hasil peramalan pada situasi tersebut, lebih baik daripada tanpa peramalan sama
sekali.
Untuk meramalkan keluar sesuatu dapat digunakan berbagai model seperti :
1. Metode time series penghalusan dekomposisi.
2. Metode Regresi.
3. Metode Ekonometrik.

2.1 Model Regresi Linier Sederhana.

Bentuk umum persamaan secara matematis dari regresi linier sederhana adalah
sebagai berikut :

Y = a + b X …………………………………………………. (2.1)
Dimana :
Y = variabel tak bebas.
X = varabel bebas.
a = konstanta regresi.
b = koefisien arah regresi linier dan menyatakan perubahan rata-rata variabel Y untuk
setiap perubahan variabel X.
Dengan metode Least Square yaitu meminimumkan jumlah pangkat dua dari
penyimpangannya, maka akan didapat harga a dan b dari persamaan regresi Y = a + bX
sebagai persamaan diatas dan hasil dari parameter tersebut :
 2

2.2 Model Regresi Linier Berganda.

Model regresi linier berganda merupakan regresi linier yang variabel bebasnya
(independent variabel) terdiri dari dua atau lebih, sedangkan variabel tak bebasnya
(dependent variabel) tetap satu.
Bentuk umum dari regresi linier berganda adalah sebagai berikut :

Y = b0 + b1X1 + b2X2 + …………… + bkXk … (2.4)

Dimana :
Y = variabel tak bebas.
X1….Xk = variabel-variabel bebas.
b0…..bk = parameter-parameter dari persamaan.

Untuk mendapatkan parameter-parameter b0…..bk melalui penyelesaian secara

eliminasi persamaan-persamaan normal, yang diperoleh dari metode kuadrat terkecil.

2.3 Model Regresi Non-Linier.

Dalam beberapa kasus penelitian sering dijumpai hubungan antara dua variabel atau
lebih berbentuk lengkung atau non linier. Hubungan yang non linier ada banyak
macamnya, tetapi dalam kesempatan ini hanya beberapa yang dijumpai dalam kasus
penelitian. Hubungan-hubungan tersebut adalah parabola kuadratik, eksponensial dan
geometrik.
Untuk menyelesaikan hubungan non linier ini adalah dengan cara melakukan
transformasi bentuk hubungan sehingga menjadi linier. Setelah dihasilkan hubungan yang
linier, selanjutnya untuk pengujiannya dapat digunakan prosedur pengujian model regresi
linier sederhana maupun berganda.

1. Regresi Parabola Kuadratik.

Bentuk umum dari hubungan ini adalah sebagai berikut :
Y = b0 + b1X + b2X2 ………………………………. ……… (2.5)
Untuk mendapatkan parameter-parameter b0 , b1 dan b2 bisa dengan cara menyelesaikan
secara eliminasi persamaan-persamaan normal berikut, diperoleh dari Metode kuadrat
terkecil :
 3

Yi = nb0 + b1Xi + b2Xi2

Xi Yi = b0Xi + b1Xi2 + b2Xi3
Xi2Yi = b0Xi2 + b1Xi3 + b2Xi4
Dengan mentranformasikan X1 = X, X2 = X2 , X3 , Xk = Xk ,maka bila terdapat lebih
dari dua variabel bebas X, bentuk diatas akan menjadi linier sebagai berikut :
Y = b0 + b1X1 + b2X2 + b3X3 + …+ bkXk . . . . . . . . (2.6)
Dimana : Xk = Xk
2. Regresi Geometrik/Power.
Bentuk umum dari hubungan ini adalah sebagai berikut :
Y = b0 Xb1 . . . . . . . . . . . . . . . . . . . . . . . . . . (2.7)
Dengan transformasi ke bentuk logaritma, maka akan didapat hubungan linier sebagai
berikut :
LogY = Logb0 + b1LogX
Maka bentuk bergandanya adalah sebagai berikut :
LogY = Logb0 + b1LogX1 + b2LogX2+…+bkLogXk . . . .(2.8)
3. Regresi Eksponensial.
Bentuk umum dari hubungan ini adalah sebagai berikut :
Y = b0 b1x . . . . . . . . . . . . . . . . . . . . . . . . . (2.9)
Dengan transformasi ke bentuk logaritma, maka akan didapat hubungan linier sebagai
berikut :
Log Y = Log b0 + X Log b1 . . . . . . . . . . . . . . . . (2.10)
Maka bentuk bergandanya adalah sebagai berikut :
Log Y = Log b0 + X1 Log b1 + X2 Log b2 + … + Xk Log bk (2.11)

4. Regresi Logaritmik.
Bentuk umum :
eY = eb0 . Xb1 . . . . . . . . . . . . . . . . . . . . . . .(2.12)
Dengan transformasi ke bentuk logaritma, maka akan didapat hubungan linier sebagai
berikut :
Y = b0 + b1 ln (X) . . . . . . . . . . . . . . . . . . . . . . . (2.13)
Maka bentuk bergandanya adalah sebagai berikut :
Y = b0 + b1 ln X1 + b2 ln X2 + . . . + bn ln Xn . . . . . . . . .(2.14)
 4

5. Regresi kubik.
Bentuk umum :
Y = b0 + b1 X + b2 X2 + b3 X3 . . . . . . . . . . . . . . . (2.15)
Untuk mendapatkan parameter b0, b1 dan b2, bisa diselesaikan dengan cara melakukan
eliminasi persamaan-persamaan normal berikut :
Yi = nb0 + b1Xi + b2Xi2
Xi Yi = b0Xi + b1Xi2 + b2Xi3
Xi2Yi = b0Xi2 + b1Xi3 + b2Xi4
Dengan mentranformasikan X1 = X, X2 = X2 , . . . . , Xk = Xk ,maka bila terdapat lebih
dari dua variabel bebas X, bentuk diatas akan menjadi linier sebagai berikut :
Y = b0 + b1X1 + b2X2 + b3X3 + …+ bkXk . . . . . . (2.16)
Dimana : Xk = Xk

6. Regresi S.
Bentuk umum :
Y = eb0 + (b1 / x) . . . . . . . . . . . . . . . . . . . . . .(2.17)
Dengan transformasi ke bentuk logaritma, maka akan didapat hubungan linier sebagai
berikut :
ln y = b0 + b1 / X . . . . . . . . . . . . . . . . . . . . . .(2.18)
Jika 1/X = t, maka bentuk liniernya adalah sebagai berikut :
ln y = b0 + b1 t . . . . . . . . . . . . . . . . . . . . . (2.19)

7. Regresi Growth/Pertumbuhan.
Bentuk umum :
Y = eb0 + b1 X . . . . . . . . . . . . . . . . . . . . . . (2.20)
Dengan transformasi ke bentuk logaritma, maka akan didapat hubungan linier sebagai
berikut :
ln y = b0 + b1 X . . . . . . . . . . . . . . . . . . . . . (2.21)

2.4 Parameter dan Pengujian Dalam Pemilihan Model Regresi.

Pada setiap model-model regresi yang dipertimbangkan, dilakukan perhitungan
pengujian-pengujian untuk menentukan model peramalan yang paling sesuai. Pengujian
dan perhitungan itu diantaranya adalah :
 5

1. Means Square Error (MSE).

MSE atau rata-rata kuadrat kesalahan (residu) yang dihitung untuk mengetahui besarnya
tingkat kesalahan/penyimpangan dari peramalan dengan menggunakan suatu model.
Dari model-model diatas akan dipilih model yang paling sesuai berdasarkan nilai MSE
terkecil.
Maka untuk regresi linier sederhana, harga MSE-nya adalah :

MSE = SSE / (n-2)

Sedang untuk regresi berganda, adalah sebagai berikut :

MSE = SSE/(n-k-1)

2. Koefisien Korelasi.
Koefisien korelasi ( R ) dihitung untuk mengetahui tingkat hubungan antara variabel-
variabel X dengan variabel Y, yaitu seberapa besar mempengaruhi antara variabel tak
bebas (Y) dengan variabel bebasnya (X). Kriteria pemilihan model peramalan ini adalah
dipilih model peramalan yang memberikan nilai r yang terbesar.
r = 1 berarti hubungan sempurna langsung dan positif.
r = -1 berarti hubungan sempurna tak langsung dan negatif.
r = 0 berarti tidak ada hubungan atau hubungan lemah sekali.
Persamaan untuk menghitung harga r atau koefisien korelasi untuk regresi sederhana
adalah sebagai berikut :

Dimana :
 6

r = koefisien korelasi antara X dan Y.

n = banyaknya sampel.
Sedangkan untuk menghitung harga r atau koefisien korelasi untuk regresi berganda
adalah sebagai berikut :

Dimana : JK (reg) = jumlah kuadrat-kuadrat untuk regresi.

3. Uji F untuk signifikansi menyeluruh.
Uji F adalah uji keberartian regresi atau uji signifikansi model regresi, yaitu pengujian
untuk mengetahui apakah regresi yang didapat berdasarkan penelitian benar-benar
berarti apabila dipakai untuk membuat kesimpulan mengenai sejumlah variabel. Untuk
regresi sederhana, cara dan tahapan pengujiannya adalah sebagai berikut :
 Hipotesa.
Keberartian regresi diperiksa melalui pengujian hipotesis nol bahwa koefisien -
koefisien regresi, khususnya koefisien arah b 1 = 0 (tidak berarti) melawan koefisien
tandingan bahwa koefisien arah regresi tidak sama dengan nol.
H0 : 1 = 0
H1 : 1  0
 Rumus untuk menguji signifikansi model regresi adalah :

Dimana :
^
Y = harga perkiraan dari Y (variabel hasil peramalan).
_
Y = harga rata-rata dari Y.
Y = harga hasil pengamatan.
n = banyaknya sampel.
k = banyaknya variabel.
Dengan mencari nilai-nilai F pada tabel untuk derajat kebebasan tertentu, dapat diambil
keputusan signifikansi model-model tersebut. Pengambilan keputusan signifikansi
model regresi dilakukan dengan berpedoman pada :
 7

 Tolak H0 apabila F hasil hitung > F (k,n-k-1) tabel, berarti bahwa variabel bebas dalam
model regresi yang diuji bersifat regresif (signifikan).
 Terima H0 apabila F hasil hitung < F  (k,n-k-1) tabel, berarti bahwa variabel bebas dalam
model regresi yang diuji tidak bersifat regresif (tidak signifikan).
4. Uji - t untuk signifikansi koefisien individu.
Uji - t dilakukan untuk mendeteksi kehadiran setiap regresor (variabel bebas) yaitu
untuk uji independent antara variabel atau uji keberartian koefisien regresinya. Dari sini
dipilah-pilah antara regresor yang baik dan yang tidak baik (yang nantinya akan
diabaikan).
 Hipotesa.
H0 : 1 = 0
H1 : 1  0

 Bentuk persamaan uji-t dengan derajat kebebasan (n-k-1) adalah :

Dimana :
bj = koefisien ke-j yang diramal/ditaksir.
j = parameter ke-j yang dihipotesakan.
Se bj = kesalahan standard bj.
Pengambilan keputusan signifikansi terhadap hubungan antara variable tidak bebas
dengan variabel bebas, berpedoman sebagai berikut :
 Tolak H0 apabila t hasil hitung > t (k,n-k-1) tabel, berarti bahwa variabel bebas dalam
model regresi yang diuji bersifat signifikan/dapat diterima.
 Terima H0 apabila t hasil hitung < t (k,n-k-1) tabel, berarti bahwa variabel bebas dalam
model regresi yang diuji tidak signifikan.

BAB III
PERAMALAN JUMLAH KUNJUNGAN KAPAL
 8

3.1 DATA YANG DIPERLUKAN

Penyajian data dilakukan menurut data yang berhubungan dengan pelabuhan, data
jumlah penduduk, PDRB dan jumlah Industri yan ada di Jawa Timur yang diperkirakan
akan berpengaruh terhadap arus kunjungan kapal.
Data jumlah penduduk disini adalah data mengenai jumlah penduduk di Surabaya
dari tahun 1988 sampai tahun 1998. Data ini akan berfungsi sebagai salah satu variabel
pada model peramalan arus kunjungan kapal (Jumlah pergerakan). Sedang data PDRB
adalah data mengenai Produk Domestik Regional Bruto dari Propinsi Jawa Timur mulai
tahun 1988 sampai dengan 1997. Data ini dan juga Jumlah Industri di Jawa Timur akan
berfungsi sebagai salah satu variabel pada model peramalan arus kunjungan kapal. Kedua
data ini diperoleh dari Biro Pusat Statistik Jawa Timur.

Tabel 3.1
DATA JUMLAH PENDUDUK, INDUSTRI DAN PDRB JATIM
NO TAHUN JUMLAH JUMLAH PDRB
PENDUDUK INDUSTRI ( JUTA RP.)
( ORANG ) ( BUAH )
1 1988 30.816.391 458.404 14.420.047,00
2 1989 30.944.202 461.890 15.495.182,00
3 1990 31.112.878 465.196 16.740.994,00
4 1991 31.856.287 469.833 17.924.004,00
5 1992 32.022.052 473.446 19.180.229,00
6 1993 32.206.021 478.590 49.113.886,00
7 1994 32.370.441 488.838 52.727.480,74
8 1995 32.574.724 489.262 57.040.503,99
9 1996 32.938.261 494.478 61.752.469,03
10 1997 33.170.001 499.090 64.843.750,66
Sumber : BIRO PUSAT STATISTIK JAWA TIMUR

Data jumlah bongkar dan muat barang di pelabuhan Tanjung Perak Surabaya dari
tahun 1993 sampai tahun 1998 meliputi jumlah export/impor (Ton) serta arus barang
dalam negeri dapat disajikan dalam tabel 3.2 berikut ini. Data ini digunakan sebagai salah
satu variabel untuk meramalkan arus kunjungan kapal.

Tabel 3.2
JUMLAH BONGKAR MUAT BARANG DI PELABUHAN
TANJUNG PERAK SURABAYA
LUAR NEGERI DALAM NEGERI TOTAL
 9

TAHUN IMPOR EKSPOR BONGKAR MUAT ( TON )

( TON ) ( TON ) ( TON ) ( TON )
1993 2.134.666 4.263.941 5.049.874 4.033.612 15.482.093

1994 1.481.285 5.330.088 5.961.670 4.531.350 17.304.393

1995 989.107 5.921.594 6.021.165 4.426.470 17.358.336

1996 779.748 5.718.148 6.181.951 4.189.412 16.869.259

1997 876.856 6.445.165 5.650.101 4.491.087 17.463.209

1998 487.185 6.960.939 6.099.172 4.506.289 18.053.585

Sumber : PT. PELINDO III CABANG TANJUNG PERAK

Data kedatangan kapal disini adalah kunjungan/kedatangan kapal di pelabuhan

Tanjung Perak Surabaya berdasarkan jumlah (unit) dan Gross Ratio Tonage (GRT). Untuk
sampel kunjungan kapal diperoleh melalui dokumen harian tahun 1999 dengan metode
sampel selama 6 (enam) hari dalam.
Tabel 3.3
DATA ARUS KUNJUNGAN KAPAL DI PELABUHAN TANJUNG PERAK
TAHUN 1993 s/d 1998
TAHUN KUNJUNGAN KAPAL GRT KAPAL
(UNIT)
1993 12.760 34.163.587
1994 13.291 41.575.156
1995 13.271 44.850.598
1996 14.000 49.689.941
1997 14.185 54.117.216
1998 14.569 59.285.912
Sumber : PT. PELINDO III CABANG TANJUNG PERAK

Tabel 3.4
SAMPEL KUNJUNGAN KAPAL DI PELABUHAN TANJUNG PERAK

Jumlah JUMLAH PANJANG KAPAL (Meter)

Bln Hari Kunjungan
PERGERAKAN < 70 70 s/d 100 101 s/d 150 >150
Kapal
 10

KAPAL
1 1 28 61 30 20 5 6
2 25 69 32 18 14 5
3 26 60 21 23 10 6
4 20 47 25 10 8 4
5 28 61 33 14 9 5
6 26 51 18 19 10 4
2 1 26 70 30 26 7 7
2 20 44 25 7 7 5
3 31 67 33 12 11 11
4 23 58 25 18 8 7
5 21 66 26 21 11 8
6 27 75 36 23 10 6
3 1 22 62 26 22 7 7
2 26 82 42 23 10 7
3 19 44 17 14 9 4
4 23 57 33 13 6 5
5 28 71 24 34 8 5
6 22 71 30 24 13 4
4 1 17 58 15 19 14 10
2 29 70 18 35 11 6
3 29 70 28 22 12 8
4 20 46 16 14 8 8
5 19 45 21 11 8 5
6 27 74 35 19 11 9
5 1 30 77 37 21 14 5
2 31 67 30 20 11 6
3 20 52 22 16 10 4
4 28 54 31 10 8 5
5 26 59 26 14 12 7
6 30 52 20 13 10 9
6 1 26 57 27 14 10 6
2 17 73 38 21 9 5
3 26 55 21 19 11 4
4 28 46 19 14 7 6
5 27 72 32 17 12 11
6 31 75 29 12 26 8
7 1 26 62 32 16 10 4
2 30 67 30 20 11 6
3 25 77 37 21 14 5
4 32 69 30 28 6 5
5 29 78 36 24 10 8
6 30 77 40 21 13 3
8 1 20 44 26 7 7 4
2 31 67 33 16 11 7
3 23 58 26 18 9 5
4 21 66 26 21 11 8
5 27 75 36 23 10 6
6 22 62 27 22 7 6
 11

9 1 29 70 28 22 12 8
2 20 46 16 15 8 7
3 19 45 21 11 8 5
4 27 74 35 21 11 7
5 30 77 37 21 14 5
6 31 67 30 20 11 6
Jumlah 1374 3399 1517 1000 551 331

Sumber : PT. PELINDO III CABANG TANJUNG PERAK

Dari tabel diatas dapat dihitung jumlah rata-rata pergerakan () kapal yang wajib
tunda dengan type tertentu jika ada n kedatangan kapal dalam sehari, yaitu :
1. Untuk kedatangan kapal dengan panjang 70 meter s/d 100 mempunyai proporsi
= (1000/3399) x jumlah kedatangan kapal.
2. Untuk kedatangan kapal dengan panjang 101 M s/d 150 M mempunyai proporsi
= (551/3399) x jumlah kedatangan kapal.
3. Untuk kedatangan kapal dengan panjang diatas 150 mempunyai proporsi
= (331/3399) x jumlah kedatangan kapal.
 12

BAB IV
PERAMALAN ARUS KUNJUNGAN KAPAL

Dalam meramalkan arus kunjungan kapal di pelabuhan Tanjung Perak Surabaya

digunakan Model Regresi. Sebagai variabel bebasnya atau variabel prediktornya adalah
jumlah penduduk , jumlah industri dan PDRB Jawa Timur serta arus bongkar muat.
Peramalan ini dengan menggunakan data masa lalu, yaitu data tahun , 1993, 1994, 1995,
1996, 1997, dan 1998.
Sebelum meramalkan arus kunjungan kapal, terlebih dahulu harus digambarkan
pola kecenderungan data masa lalunya. Dari sini akan terlihat bagaimana pola datanya
yang memang pada model regresi diasumsikan akan berkelanjutan dimasa mendatang.

Gambar 4.1 : Arus Kunjungan Kapal

Dari gambar arus kunjungan kapal diatas, dipilih beberapa fungsi model regresi
yang mendekati pola tersebut, yaitu sebagai berikut :
 Model Regresi Linier
 Model Regresi Logarithmic
 Model Regresi Parabola Kuadratik
 Model Regresi Cubic
 Model Regresi Eksponensial :
 Model Regresi Geometrik
 Model Regresi S
 Model Regresi Growth
Perhitungan regresi dilakukan dengan menggunakan paket program SPSS for
windows versi 7.5 dari perhitungan tersebut akan dilakukan pengujian koefisien korelasi
dan uji signifikasi untuk menentukan variabel bebas terpilih dalam model. setelah
diketahui variabel bebas mana yang terpilih. maka akan dilakukan estimasi kurva (curve
 13

estimation) dengan display anova (menampilkan analisis variannya). dengan demikian

pemilihan model regresi yang paling tepat dilakukan dengan kriteria koefisien korelasi (r)
terbesar dan mean square error (MSE) terkecil serta uji F yang menghasilkan F ratio
(F hitung) terbesar.

4.1. Uji Kelinieran

Prosedur ini memeriksa hubungan antara variabel tak bebas (respon) dengan setiap
variabel bebas (prediktor) untuk mengetahui ada tidaknya hubungan yang non linier. Bila
ada hubungan ini harus di linierkan dengan cara mentranspormasinya ke dalam bentuk
linier. Untuk mengetahui bahwa data berada di sekitar garis regresi linier perlu dilakukan
uji mengenai signifikansinya (significance test), untuk mengetahui apakah hasil ujinya
signifikan atau tidak. Jika ternyata tidak signifikan, maka variabel tersebut kurang tepat
digunakan sebagai variabel prediktor dalam model regresi.

4.2 Uji Korelasi

Kegunaan perhitungan korelasi ini guna mengetahui hal-hal sebagai berikut :
a. Apakah prediktor memiliki hubungan statistik dengan respon.
b. Apakah ada hubungan tidak logis antar respon dan prediktor sebelum dilakukan regresi.
c. Apakah ada potensi masalah multikolinier antara pasangan variabel bebas (prediktor).

Tabel 4.1
KOEFISIEN KORELASI ANTAR VARIABEL BEBAS
Dan Variabel Tidak Bebas

VARIABEL BEBAS
VARIABEL TIDAK BEBAS
PDDK PDRB INDUSTRI B/M
ARUS KUNJUNGAN KAPAL 0,966 0,973 0,968 0,641
Sumber : Hasil perhitungan

Dari tabel 4.1 terlihat bahwa ketiga variabel prediktornya (tanpa Jumlah Bongkar
Muat barang ) memiliki hubungan secara statistik dengan variabel responnya. Untuk
menghindari adanya multikolinieritas, tidak ada metoda yang pasti untuk dipergunakan,
akan tetapi beberapa aturan dapat dipergunakan antara lain adalah dengan mengeluarkan
variabel bebas yang berkorelasi tinggi terhadap variabel bebas lainnya. Untuk penelitian ini
dianggap berkorelasi tinggi apabila korelasinya > 0,7. Untuk nilai korelasi antara variabel
bebas hasil pengolahan dari paket program SPSS disajikan dalam tabel 4.2. berikut :
 14

Tabel 4.2
KOEFISIEN KORELASI ANTAR VARIABEL BEBAS
MODEL REGRESI LINIER

VARIABEL BEBAS PDDK PDRB INDUSTRI B/M

PDDK 1
PDRB 0,993 1
INDUSTRI 0,954 0,939 1
JUMLAH B/M 0,652 0,585 0,808 1
Sumber : Hasil perhitungan
Dari tabel 4.2 diketahui bahwa keempat variabel mempunyai korelasi tinggi
sehingga keempat variabel tidak dapat digabungkan dalam satu model regresi. Jadi sampai
uji ini tidak relevan menggunakan keempat variabel bebas tersebut dalam satu model
regresi, sebab antar variabel mempunyai hubungan yang sangat tinggi atau terdapat
multikolinieritas.
Untuk langkah selanjutnya untuk menentukan variabel mana yang paling
berpengaruh terhadap perkembangan arus kunjungan kapal yaitu membuat regresi dengan
menggunakan metode stepwise yang ada pada paket program SPSS. Dari tabel 4.1 dan
tabel 4.2 maka Arus kunjungan kapal adalah merupakan fungsi dari jumlah PDRB saja.
Jum.Kunj.Kapal = f (X) , X = PDRB

Perhitungan regresi dilakukan dengan menggunakan paket program SPSS for

windows versi 7. Dari perhitungan tersebut akan dilakukan pengujian koefisien korelasi
dan uji signifikasi untuk menentukan variabel bebas terpilih dalam model. setelah
diketahui variabel bebas mana yang terpilih. maka akan dilakukan estimasi kurva (curve
estimation) dengan display anova (menampilkan analisis variannya). dengan demikian
pemilihan model regresi yang paling tepat dilakukan dengan kriteria koefisien korelasi (r)
terbesar dan mean square error (MSE) terkecil serta uji F yang menghasilkan F ratio
(F ) terbesar. Hasil perhitungan dari kedelapan model tersebut disajikan dalam tabel
hitung

4.3.
 15

Tabel 4.3
HASIL PERHITUNGAN METODE STEPWISE REGRESI JUMLAH KUNJUNGAN
KAPAL TERHADAP JUMLAH PDRB

NO. MODEL t hitung F hitung r MSE

1 Linier 10,91 42,15 0,9662 1.272.380,6

2 Logarithmic 6,257 39,37 0,9639 1.266.434,7
3 Kuadratik -0,042 14,51 0,9672 637.522,1
4 Cubic - 14,52 0,9672 637.560,7
5 Eksponensial - 41,89 0,9660 0,00698436
6 Geometrik/Power 6,307 39,79 0,9643 0,00695965
7 Regresi S -6,046 36,55 0,9613 0,00691688
8 Growth - 41,89 0,9660 0,00698436

Dengan tingkat kepercayaan 95 % ttabel 0,05(n-2) = 2,132 dan Ftabel 0,05(1,n-2) =

7,71, untuk semua model regresi di atas ternyata F hitung > Ftabel dan sebagian thitung > ttabel
maka dapat disimpulkan bahwa ketiga model tersebut cukup signifikan, demikian juga
dilihat dari korelasinya cukup tinggi atau > 90 %, sedangkan yang mempunyai harga MSE
terkecil adalah model regresi non linier fungsi Geometrik.
Jadi dari kedelapan model yang dipertimbangkan diatas, maka fungsi peramalan
arus kunjungan kapal yang terbaik adalah model regresi Geometrik dengan model :
Y = b0 x b1
Maka persamaan regresinya adalah :

dimana :
Y = Ramalan arus kunjungan kapal
X = PDRB Jawa Timur
Karena PDRB digunakan sebagai variabel bebas dalam meramalkan arus
kunjungan kapal, maka PDRB perlu diramalkan terlebih dahulu. Untuk meramalkan PDRB
digunakan cara yang sama dengan waktu sebagai variabel bebasnya. Karena dengan
adanya krisis ekonomi yang dimulai sejak akhir tahun 1997 maka diasumsikan PDRB
tahun 1998 sama dengan tahun 1997. Hasil perhitungan dengan menggunakan paket
program SPSS terlihat pada tabel 4.4:
 16

Tabel 4.4
HASIL PERHITUNGAN METODE STEPWISE REGRESI DARI JUMLAH PDRB
TERHADAP WAKTU

NO. MODEL t hitung F hitung r MSE

1 Linier 9,133 83,407 0,97685 2.04722 E+14

2 Logarith 9,364 87,684 0,97794 2.05180 E+14
3 Kuadratik 4,944 89,279 0,99170 1.05497 E+14
4 Cubic -1,375 2062,8 0,99984 7.14901 E+13
5 Eksponensial 8,475 71,825 0,97327 0,06234754
6 Geometrik/Power 10,712 114,76 0,98301 0,06360275
7 Regresi S -4,812 23,154 0,92341 0,05612411
8 Growth 8,475 71,825 0,97327 0,06234754

Sehingga dengan melihat tabel di atas diperoleh fungsi untuk meramalkan PDRB yaitu
regresi Geometrik dengan persamaan :
Y = b0 x b1
Maka persamaan regresinya adalah :

dimana :
Y = Ramalan PDRB Jawa Timur
X = Waktu (1993 = 1, 1994 = 2, ....., 1997 = 5, . . . ).

Dengan menggunakan persamaan ini, dapat diramalkan jumlah PDRB untuk tahun
1999 sampai tahun 2004, maka hasil peramalan PDRB disajikan dalam tabel 4.5.

Tabel 4.5
HASIL RAMALAN PDRB JAWA TIMUR

TAHUN JUTA RUPIAH

1999 67.104.804,48
2000 68.647.406,56
2001 70.037.486,17
2002 71.304.789,71
2003 72.470.948,50
2004 73.552.213,56
 17

Kemudian dari data pada tabel 4.5 ini dan dengan menggunakan model regresi
Geometrik yang sudah terpilih diatas, dapat diramalkan arus kunjungan kapal dari tahun
1999 sampai tahun 2004, seperti tertera pada tabel berikut :
Tabel 4.6
RAMALAN ARUS KUNJUNGAN KAPAL TAHUN 1999 SAMPAI TAHUN 2004
ARUS KUNJUNGAN ARUS
PDRB
TAHUN KAPAL SETAHUN KUNJUNGAN KAPAL
(JUTA Rp.)
(Unit) PER HARI (Unit)
1999 67.104.804,48 14.956 41
2000 68.647.406,56 15.339 42
2001 70.037.486,17 15.729 43
2002 71.304.789,71 16.125 44
2003 72.470.948,50 16.528 45
2004 73.552.213,56 16.938 46

Dalam hal ini diasumsikan bahwa persentase kunjungan kapal untuk setiap
golongan ukuran kapal selama periode tahun 1999 - 2004 relatif sama dengan keadaan
pada tahun 1999. Dari ramalan arus kunjungan kapal pada tabel 4.6 dan persentase arus
kunjungan kapal pada tabel 3.5 diperoleh ramalan arus kunjungan kapal dan pergerakan
kapal untuk setiap golongan kapal pada tahun 1999 - 2004, sebagai berikut :

Tabel 4.7
RAMALAN ARUS KUNJUNGAN KAPAL MENURUT GOLONGAN PANJANG KAPAL PERIODE
TAHUN 1999 - 2004

Panjang Kapal Tahun

1999 2000 2001 2002 2003 2004
P < 70 M 6 642 6 812 6 985 7 161 7 340 7 522
70M  P  100M 4 417 4 530 4 645 4 762 4 881 5 002
100M < P  150M 2 434 2 497 2 560 2 625 2 690 2 757
P > 150M 1 463 1 500 1 538 1 577 1 617 1 657
Jumlah
Kunjungan Kapal Setahun 14 956 15 339 15 729 16 125 16 528 16 938
 18

BAB V
KESIMPULAN

Dari seluruh uraian pembahasan yang diungkapkan dalam analisisnya, maka dapat
diberikan beberapa kesimpulan sebagai berikut :
1. Dari data historis (data masa lalu ) Pelabuhan Tanjung Perak Surabaya dan daerah
Hinterland Jawa Timur dapat diperoleh Model Peramalan Arus Kunjungan Kapal untuk
tahun 1999 sampai dengan tahun 2004 adalah model Regresi Geometrik dengan
Jumlah PDRB Jawa Timur sebagai variabel bebasnya. Sedang peramalan jumlah
PDRB sendiri juga menggunakan regresi Geometrik. Adapun hasil dari peramalan arus
kunjungan kapal sendiri adalah sebagai berikut :
Tabel 5.1
HASIL PERAMALAN JUMLAH ARUS KUNJUNGAN KAPAL
TAHUN 1999 SAMPAI DENGAN TAHUN 2004

PDRB ARUS KUNJUNGAN ARUS

TAHUN (JUTA Rp.) KAPAL SETAHUN KUNJUNGAN KAPAL
(Unit) PER HARI (Unit)
1999 67104804,48 14.956 41
2000 68647406,56 15.339 42
2001 70037486,17 15.729 43
2002 71304789,71 16.125 44
2003 72470948,50 16.528 45
2004 73552213,56 16.938 46
 19

DAFTAR PUSTAKA

1. Biro Pusat Statistik Propinsi Jawa Timur, “Jawa Timur Dalam Angka , 1997.“
2. Biro Pusat Statistik , “Statistik Bongkar Muat Barang Di Pelabuhan Indonesia”,
Jakarta - Indonesia , 1997.
3. PT.(Persero) Pelabuhan Indonesia III, “Laporan Akhir Tahun, 1998.”
4. Taha, Hamdy A, “Operation Research: An Introduction “, Terjemahan Daniel
Wirajaya, Drs., Penerbit Binarupa Aksara, Jakarta.
5. Siegel, Sidney, “ Statistik Non Parametrik Untuk Ilmu-Ilmu Sosial”, terjemahan oleh
Zanzawi Suyuti dan Landung Simatupang, Cetakan Kelima, Penerbit PT
GRAMEDIA, Jakarta, 1992.
6. Sudjana, “Metode Statistika”, Edisi Kelima, Penerbit Tarsito ,Bandung, 1992.
7. Walpole, Ronald E. and Raymond H. Myers, “Ilmu Peluang dan Statistika Untuk
Insinyur dan Ilmuwan”, Terjemahan R.K Sembiring, Terbitan Kedua, Penerbit
ITB ,Bandung, 1986.
8. Komputer, Wahana, Panduan Lengkap Program SPSS 6.0 for Windows, Semarang,
1997.
 20

CONTOH LAMPIRAN PERHITUNGAN DENGAN SPSS

KORELASI ANTAR VARIABEL PREDIKTOR DAN KORELASI ANTARA VARIABEL RESPON

TERHADAP VARIABEL PREDIKTOR

Correlations
Descriptive Statistics

Std.
Mean Deviation N
JKK 13501.40 583.7245 5
PENDD 3.3E+07 398250.8 5
PDRB 5.7E+07 6413102 5
J_IND 490051.6 7660.7810 5
J_BMB 1.7E+07 821905.1 5

Correlationsa

JKK PENDD PDRB J_IND J_BMB

JKK Pearson Correlation 1.000 .966 .973 .968 .641
Sig. (1-tailed) . .004 .003 .003 .122
PENDD Pearson Correlation .966 1.000 .993 .954 .652
Sig. (1-tailed) .004 . .000 .006 .117
PDRB Pearson Correlation .973 .993 1.000 .939 .585
Sig. (1-tailed) .003 .000 . .009 .150
J_IND Pearson Correlation .968 .954 .939 1.000 .808
Sig. (1-tailed) .003 .006 .009 . .049
J_BMB Pearson Correlation .641 .652 .585 .808 1.000
Sig. (1-tailed) .122 .117 .150 .049 .
a. Listwise N=5

REGRESI LINIER DAN NON LINIER VARIABEL RESPON JUMLAH KUNJUNGAN KAPAL
(UNIT) TERHADAP
VARIABEL PREDIKTOR PDRB

Dependent variable.. JKK Method.. LINEAR

Listwise Deletion of Missing Data

Multiple R .96621
R Square .93356
Adjusted R Square .91141
Standard Error 173.73980
 21

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 1272380.6 1272380.6

Residuals 3 90556.6 30185.5

F = 42.15202 Signif F = .0074

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB 8.79448393E-05 1.3546E-05 .966208 6.492 .0074

(Constant) 8480.135042 777.292738 10.910 .0016
_

Dependent variable.. JKK Method.. LOGARITH

Listwise Deletion of Missing Data

Multiple R .96395
R Square .92920
Adjusted R Square .90559
Standard Error 179.35303

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 1266434.7 1266434.7

Residuals 3 96502.5 32167.5

F = 39.37000 Signif F = .0082

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB 4972.332412 792.460214 .963948 6.275 .0082

(Constant) -75280.298782 14149.71659 -5.320 .0130
_

Dependent variable.. JKK Method.. QUADRATI

Listwise Deletion of Missing Data

Multiple R .96722
R Square .93551
Adjusted R Square .87102
Standard Error 209.63420

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 2 1275044.2 637522.10

Residuals 2 87893.0 43946.50

F = 14.50678 Signif F = .0645

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB -1.80961684E-05 .000431 -.198814 -.042 .9703

PDRB**2 9.29899140E-13 3.7772E-12 1.165860 . .
(Constant) 11472.628954 12191.39297 .941 .4460
 22

Dependent variable.. JKK Method.. CUBIC

Listwise Deletion of Missing Data

Multiple R .96725
R Square .93557
Adjusted R Square .87114
Standard Error 209.54204

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 2 1275121.5 637560.73

Residuals 2 87815.7 43907.87

F = 14.52042 Signif F = .0644

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB**2 5.43867180E-13 3.8363E-12 .681873 . .

PDRB**3 2.64306857E-21 4.4525E-20 .285515 . .
(Constant) 11203.720391 4113.628049 2.724 .1125

--------------- Variables not in the Equation ---------------

Variable Beta In Partial Min Toler T Sig T

PDRB 34.771413 .252005 8.343E-07 .260 .8378

Notes:
9 Tolerance limits reached; some dependent variables were not entered.

Dependent variable.. JKK Method.. POWER

Listwise Deletion of Missing Data

Multiple R .96430
R Square .92987
Adjusted R Square .90649
Standard Error .01323

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 .00695965 .00695965

Residuals 3 .00052489 .00017496

F = 39.77802 Signif F = .0081

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB .368606 .058444 .964298 6.307 .0081

(Constant) 18.695589 19.509685 .958 .4086
_
 23

Dependent variable.. JKK Method.. S

Listwise Deletion of Missing Data

Multiple R .96133
R Square .92416
Adjusted R Square .89887
Standard Error .01376

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 .00691688 .00691688

Residuals 3 .00056766 .00018922

F = 36.55494 Signif F = .0091

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB -20682746.93768 3420859.211 -.961330 -6.046 .0091

(Constant) 9.875774 .060843 162.317 .0000
_

Dependent variable.. JKK Method.. GROWTH

Listwise Deletion of Missing Data

Multiple R .96601
R Square .93317
Adjusted R Square .91090
Standard Error .01291

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 .00698436 .00698436

Residuals 3 .00050017 .00016672

F = 41.89167 Signif F = .0075

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB 6.51576221E-09 1.0067E-09 .966009 . .

(Constant) 9.137779 .057768 158.182 .0000
_

Dependent variable.. JKK Method.. EXPONENT

Listwise Deletion of Missing Data

Multiple R .96601
R Square .93317
Adjusted R Square .91090
Standard Error .01291

Analysis of Variance:

DF Sum of Squares Mean Square

 24

Regression 1 .00698436 .00698436

Residuals 3 .00050017 .00016672

F = 41.89167 Signif F = .0075

------------------ Variables in the Equation -----------------

Variable B SE B Beta T Sig T

PDRB 6.51576221E-09 1.0067E-09 .966009 . .

(Constant) 9300.086750 537.244311 17.311 .0004