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.
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
Dimana :
Y = variabel tak bebas.
X1….Xk = variabel-variabel bebas.
b0…..bk = parameter-parameter dari persamaan.
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 + b1Xi + b2Xi2
Xi Yi = b0Xi + b1Xi2 + b2Xi3
Xi2Yi = b0Xi2 + b1Xi3 + 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. 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
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
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
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
Tabel 3.4
SAMPEL KUNJUNGAN KAPAL DI PELABUHAN TANJUNG PERAK
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
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
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
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
4.3.
15
Tabel 4.3
HASIL PERHITUNGAN METODE STEPWISE REGRESI JUMLAH KUNJUNGAN
KAPAL TERHADAP JUMLAH PDRB
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
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
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
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
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
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
REGRESI LINIER DAN NON LINIER VARIABEL RESPON JUMLAH KUNJUNGAN KAPAL
(UNIT) TERHADAP
VARIABEL PREDIKTOR PDRB
Multiple R .96621
R Square .93356
Adjusted R Square .91141
Standard Error 173.73980
21
Analysis of Variance:
Multiple R .96395
R Square .92920
Adjusted R Square .90559
Standard Error 179.35303
Analysis of Variance:
Multiple R .96722
R Square .93551
Adjusted R Square .87102
Standard Error 209.63420
Analysis of Variance:
Multiple R .96725
R Square .93557
Adjusted R Square .87114
Standard Error 209.54204
Analysis of Variance:
Notes:
9 Tolerance limits reached; some dependent variables were not entered.
Multiple R .96430
R Square .92987
Adjusted R Square .90649
Standard Error .01323
Analysis of Variance:
Multiple R .96133
R Square .92416
Adjusted R Square .89887
Standard Error .01376
Analysis of Variance:
Multiple R .96601
R Square .93317
Adjusted R Square .91090
Standard Error .01291
Analysis of Variance:
Multiple R .96601
R Square .93317
Adjusted R Square .91090
Standard Error .01291
Analysis of Variance: