PEMODELAN PERAMALAN JUMLAH PENUMPANG KAPAL LAUT

DARI PELABUHAN MUARA ANGKE KE KEPULAUAN SERIBU

PERIODE AGUSTUS HINGGA DESEMBER TAHUN 2019
MENGGUNAKAN METODE SEASONAL AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE (SARIMA)

Disusun oleh
1. Adjie Dwi Sulistyono (M0719005)
2. Afita Ulya Pratiwi (M0719007)
3. Angel Berta Diancaraka (M0719013)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
2022
 DAFTAR ISI

HALAMAN COVER .....................................................................................

DAFTAR ISI ................................................................................................... i
DAFTAR TABEL .......................................................................................... iii
DAFTAR GAMBAR ...................................................................................... iv
BAB I PENDAHULUAN .......................................................................... 1
1.1 Latar Belakang.......................................................................... 1
1.2 Rumusan Masalah .................................................................... 2
1.3 Tujuan Penelitian ...................................................................... 2
1.4 Manfaat Penelitian .................................................................... 3
BAB II TINJAUAN PUSTAKA ................................................................ 4
2.1 Data Runtun Waktu .................................................................. 4
2.2 Stasioneritas .............................................................................. 4
2.3 Transformasi ............................................................................. 5
2.4 Differencing .............................................................................. 5
2.5 Autocorrelation Function (ACF) .............................................. 6
2.6 Partial Autocorrelation Function (PACF) ................................ 7
2.7 Seasonal Autoregressive Integrated Moving Average (SARIMA) 7
2.8 Uji Signifikansi Parameter ....................................................... 7
2.9 Uji Normalitas Residu .............................................................. 8
2.10Uji Asumsi White Noise ........................................................... 8
2.11Akurasi Peramalan.................................................................... 9
BAB III METODOLOGI PENELITIAN................................................... 11
3.1 Sumber Data ............................................................................. 11
3.2 Variabel Penelitian ................................................................... 11
3.3 Metode Analisis Data ............................................................... 11
3.4 Langkah Analisis ...................................................................... 11
3.5 Diagram Alir ............................................................................. 12
BAB IV HASIL DAN PEMBAHASAN ...................................................... 14
4.1 Deskripsi Data .......................................................................... 14
4.2 Identifikasi Model .................................................................... 14

i
 4.3 Analisis SARIMA .................................................................... 17
4.4 Estimasi Parameter Model ........................................................ 21
4.5 Uji Diagnostik Residu .............................................................. 22
4.6 Pemodelan SARIMA (2,0,3)(2,1,0)7 ........................................ 24
4.7 Peramalan Data Testing ............................................................ 25
4.8 Akurasi Peramalan.................................................................... 27
4.9 Hasil Peramalan ........................................................................ 28
BAB V PENUTUP ...................................................................................... 29
5.1 Kesimpulan ............................................................................... 29
5.2 Saran ......................................................................................... 29
DAFTAR PUSTAKA ..................................................................................... 30
LAMPIRAN .................................................................................................... 31

ii
 DAFTAR TABEL

Tabel 4. 1 Statistik Deskriptif Data Jumlah Penumpang Kapal Laut .............. 14

Tabel 4.2 Statistik Deskriptif Data Training ................................................... 15
Tabel 4.3 Statistik Deskriptif Data Testing ..................................................... 15
Tabel 4.4 Estimasi Model SARIMA ............................................................... 21
Tabel 4.5 Estimasi Parameter SARIMA (2,0,3)(2,1,0)7 .................................. 21
Tabel 4.6 Output Hasil Uji LBQ Model SARIMA (2,0,3)(2,1,0)7 .................. 23
Tabel 4. 7 Perbandingan Data Testing dengan Hasil Peramalan ..................... 26
Tabel 4.8 Ringkasan Nilai MAPE ................................................................... 27
Tabel 4.9 Nilai Peramalan dengan Model SARIMA (2,0,3)(2,1,0)7 ............... 28
Lampiran 1.1 Data Jumlah Penumpang Kapal Laut ...................................... 31
Lampiran 1.2 Hasil Percobaan Kombinasi Orde SARIMA ........................... 33

iii
 DAFTAR GAMBAR

Gambar 3.1 Diagram Alir Langkah Analisis .................................................. 13

Gambar 4.1 Plot Time Series Data Keseluruhan ............................................ 16
Gambar 4.2 Plot Time Series Data Training................................................... 16
Gambar 4. 3 Plot ACF Data Training ............................................................ 17
Gambar 4.4 Plot Box-Cox Data Training....................................................... 18
Gambar 4. 5 Plot Box-Cox Data Hasil Tranformasi ...................................... 18
Gambar 4.6 Plot Time Series Hasil Tranformasi Data Training .................... 19
Gambar 4.7 Plot ACF Data Training Setelah Transformasi ........................... 19
Gambar 4.8 Plot ACF Data Differencing Lag 7 ............................................. 20
Gambar 4.9 Plot PACF Data Differencing Lag 7 ........................................... 20
Gambar 4.10 Plot Normalitas untuk Residu Model ....................................... 22
Gambar 4.11 Plot ACF untuk Residu Model ................................................. 22
Gambar 4.12 Plot Data Training vs Peramalan Data Testing......................... 27
Gambar 4.13 Perbandingan Data Testing vs Peramalan Data Testing ........... 27

iv
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan negara kepulauan yang memiliki banyak pulau
didalamnya. Indonesia juga disebut sebagai negara maritim yang memiliki laut
yang luas serta garis pantai yang panjang. Laut memiliki peranan penting bagi
kehidupan bangsa dan negara. Sektor maritim yang memuat sumber daya
perikanan, mineral, energi terbarukan, transportasi, pariwisata, dan
keanekaragaman hayati sangat melimpah ini dapat menjadi sumber daya saing
bangsa Indonesia dalam persaingan global.
Salah satu pariwisata Indonesia yang sudah dikenal oleh khalayak
umum adalah Kepulauan Seribu. Kawasan kepulauan di Utara Jakarta ini
memiliki potensi wisata berupa gugusan kepulauan. Pulau Tidung, Pulau
Kelapa, Pulau Pramuka, Pulau Pari, dan Pulau Harapan menjadi primadona
tujuan wisata warga Ibu kota dan sekitarnya, hal ini terlihat dari antusiasme
wisatawan untuk menyebrang antarpulau menuju pulau-pulau yang ada di
Kepulauan Seribu melalui pelabuhan atau dermaga di Kawasan Jakarta Utara.
Selain keindahan dan suasana yang ditawarkan, dekatnya lokasi Kepulauan
Seribu dari Ibukota menjadi salah satu pertimbangan warga DKI Jakarta dan
sekitarnya memilih tujuan wisata tersebut.
Untuk dapat sampai ke Kepulauan Seribu, wisatawan dapat
menyebrang melalui pelabuhan Muara Angke. Pelabuhan Muara Angke
dibangun sejak tahun 2004, dan memiliki luas sekitar 3,4 hektar persegi
dengan kapasitas daya tampung kapal hingga sebanyak 50 unit. Pelabuhan
Muara Angke juga dimanfaatkan pula sebagai sarana pangkalan pendaratan
kapal-kapal operasional milik Pemerintah Provinsi DKI Jakarta. Selain itu,
pemecah ombak pun telah dibangun sepanjang 1,4 kilometer di pelabuhan ini.
Pembangunan ini dilakukan untuk memudahkan dan memperlancar
penyeberangan orang, barang dan jasa dari dan ke Kepulauan Seribu.
Berdasarkan penjelasan di atas, peneliti akan melakukan analisis
tentang jumlah penumpang kapal laut dari pelabuhan Muara Angke ke

1
 2

Kepulauan Seribu. Oleh karena itu, peneliti tertarik mengangkat sebuah

permasalahan dalam penelitian ini yang berjudul “Pemodelan Peramalan
Jumlah Penumpang Kapal Laut dari Pelabuhan Muara Angke ke Kepulauan
Seribu periode Agustus hingga Desember Tahun 2019 Menggunakan Metode
Seasonal Autoregressive Integrated Moving Average (SARIMA)”.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, adapun rumusan masalah dalam
penelitian ini adalah sebagai berikut :
1. Bagaimana model SARIMA terbaik yang dapat digunakan untuk
meramalkan jumlah penumpang kapal laut dari pelabuhan Muara
Angke ke kepulauan Seribu periode Agustus hingga Desember tahun
2019 ?
2. Bagaimana akurasi hasil peramalan berdasarkan model SARIMA
terbaik yang diperoleh ?
3. Bagaimana peramalan jumlah penumpang kapal laut dari pelabuhan
Muara Angke ke kepulauan Seribu untuk periode ke depan ?

1.3 Tujuan Penelitian

Berdasarkan permasalahan yang diuraikan dalam rumusan masalah, maka
tujuan penelitian ini adalah sebagai berikut :
1. Mengetahui model SARIMA terbaik yang dapat digunakan untuk
meramalkan jumlah penumpang kapal laut dari pelabuhan Muara
Angke ke kepulauan Seribu periode Agustus hingga Desember tahun
2019.
2. Mengetahui akurasi hasil peramalan berdasarkan model SARIMA
terbaik yang diperoleh.
3. Mengetahui peramalan jumlah penumpang kapal laut dari pelabuhan
Muara Angke ke kepulauan Seribu untuk periode ke depan.
 3

1.4 Manfaat Penelitian

Manfaat yang dapat diambil dari penelitian ini antara lain dapat dijadikan
bahan rujukan dalam upaya pengembangan untuk meramalkan data atau
keadaan yang akan datang berdasarkan data yang sudah terjadi sebelumnya.
Selain itu, dapat digunakan sebagai bahan refrensi bagi peneliti yang ingin
melakukan kajian penelitian menggunakan pendekatan metode Seasonal
Autoregressive Integrated Moving average (SARIMA). Manfaat lain yang
didapatkan dalam penelitian ini yaitu dapat membantu mengetahui metode
peramalan terbaik dalam meramalkan jumlah penumpang kapal laut dari
pelabuhan Muara Angke ke kepulauan Seribu, yang dapat dijadikan sebgaai
bahan acuan dalam menentukan keputusan untuk periode yang akan datang.
 BAB II
TINJAUAN PUSTAKA

2.1 Data Runtun Waktu

Suatu nilai yang diramalkan dari suatu variabel di masa yang akan
datang harus memperhatikan karakteristik dan pola data di masa sekarang
dan masa yang lalu. Perkembangan nilai berdasarkan data historis biasanya
memiliki runtun waktu atau urutan waktu. Data runtun waktu adalah
pengamatan berdasarkan urutan waktu dan antara pengamatan yang
berdekatan memiliki korelasi, yaitu setiap pengamatan dari suatu variabel,
memiliki korelasi dengan variabel itu sendiri pada waktu sebelumnya atau
yang disebut dengan autokorelasi (Wei, 2006).

2.2 Stasioneritas
Data dikatakan stasioner jika tidak terdapat perubahan baik penurunan
maupun kenaikan yang drastis pada data. Fluktuasi data berada di sekitar
nilai rata-rata konstan, tidak tergantung waktu dan variansi dari fluktuasi
tersebut (Makridakis dkk., 1999). Untuk mengetahui suatu data termasuk
stasioner atau nonstasioner dapat dilihat dari plot time series.
Penentuan stasioner sangatlah penting karena berhubungan dengan
apakah data dapat langsung diestimasi atau tidak. Stasioneritas dibedakan
menjadi stasioner dalam variansi dan stasioner dalam rata-rata. Data runtun
waktu dikatakan stasioner dalam variansi apabila mempunyai fluktuasi data
yang tetap atau konstan. Hal tersebut dapat dilihat berdasarkan plot runtun
waktu data, yaitu dengan melihat fluktuasi data dari waktu ke waktu (Wei,
2006). Sedangkan stasioner dalam rata-rata berarti bahwa data memiliki
fluktuasi di sekitar suatu nilai rata-rata yang konstan, tidak bergantung pada
waktu dan variansi dari fluktuasi tersebut. Apabila dilihat dari plot ACF,
maka nilai-nilai autokorelasi dari data stasioner akan turun menuju nol
sesudah lag kelima atau keenam.

4
 5

2.3 Transformasi
Transformasi Box-Cox dikembangkan oleh Box-Cox dengan tujuan
untuk menormalkan data, melinierkan model regresi dan menghomogenkan
variansi. Pada transformasi Box-Cox, digunakan parameter tunggal yaitu λ
yang dipangkatkan pada variabel dependen Y, sehingga didapatkan model
transformasi Yλ dengan λ merupakan parameter yang harus diduga.
Transformasi Box-Cox hanya diberlakukan pada variabel dependen Y
bertanda positif. Misalkan T(Yt) merupakan fungsi transformasi dari Yt,
maka bisa digunakan rumus berikut (Wei, 2006) :
𝑌𝑡λ − 1
𝑇(𝑌𝑡 ) = 𝑌𝑡λ =
λ
Dengan keterangan :
𝑌𝑡 : data pada waktu ke-t
λ : nilai parameter transformasi

2.4 Differencing
Differencing digunakan untuk mengatasi data yang tidak stasioner
dalam rata-rata. Jika data tidak stasioner, maka perlu dilakukan modifikasi
agar data tidak lagi mengandung trend maupun musiman sehingga rata-rata
dan variansinya konstan. Menurut Makridakis dkk. (1999) notasi yang
digunakan dalam metode differencing adalah operator langkah mundur
(backward shift), yaitu :
𝐵𝑌𝑡 = 𝑌𝑡−1
Dengan keterangan :
𝑌𝑡 : Variabel Y pada waktu ke-t
𝑌𝑡−1 : Variabel Y pada waktu ke-(t-1)
B : Backward shift (operator langkah mundur)

Notasi B pada 𝑌𝑡 mempunyai pengaruh untuk menggeser data satu

periode ke belakang. Rumus untuk differencing pertama yaitu :
𝑌𝑡′ = 𝑌𝑡 − 𝑌𝑡−1
 6

Dengan keterangan :
𝑌𝑡′ : Variabel Y pada waktu ke-t setelah differencing
𝑌𝑡 : Variabel Y pada waktu ke-t
𝑌𝑡−1 : Variabel Y pada waktu ke-(t-1)
Dengan menggunakan operator langkah mundur, persamaan untuk
differencing pertama dapat ditulis kembali menjadi :
𝑌𝑡′ = 𝑌𝑡 − 𝐵𝑌𝑡 𝑎𝑡𝑎𝑢 𝑌𝑡′ = (1 − 𝐵)𝑌𝑡
Dengan (1-B) menyatakan differencing pertama. Sehingga secara
umum differencing ke-d untuk mencapai stasioneritas, dapat dinotasikan
sebagai berikut :
(1
− ∅1𝐵 − ∅2𝐵2 − ∅3𝐵3 + ⋯ − 𝐵𝑑) = (1 − 𝐵)d

2.5 Autocorrelation Function (ACF)

Autocorrelation Function (ACF) merupakan plot autokorelasi-korelasi
dari suatu proses stasioner data time series (𝑍𝑡) yang mempunyai rata-rata
𝐸(𝑍𝑡) = 𝜇 dan variansi 𝑉𝑎𝑟(𝑍𝑡) = 𝐸(𝑍𝑡 − 𝜇)2 = 𝜎2 = 𝛾0 yang konstan serta
kovarian 𝐶𝑜𝑣(𝑍𝑡 ,𝑍𝑆 ) yang fungsinya hanya pada perbedaan waktu |𝑡 − 𝑠|.
Sehingga dapat ditulis persamaan kovarian dan korelasi antara 𝑍𝑡 dan 𝑍𝑡−𝑘
adalah sebagai beriku (Wei, 2006) :
𝛾𝑘 = 𝐶𝑜𝑣(𝑍𝑡 , 𝑍𝑡−𝑘 )
= 𝐸(𝑍𝑡−𝜇 )(𝑍𝑡−𝑘 − 𝜇)
𝑐𝑜𝑣(𝑍𝑡 , 𝑍𝑡−𝑘 )
𝜌𝑘 =
√𝑣𝑎𝑟(𝑍𝑡 ) √𝑣𝑎𝑟(𝑍𝑡−𝑘 )
𝛾𝑘
=
𝛾0
Dengan keterangan :
𝛾𝑘 : koefisien autokovarian 𝑙𝑎𝑔 𝑘 , dengan 𝑘 = 0,1,2,…
𝜌𝑘 : koefisien autokorelasi 𝑙𝑎𝑔 𝑘 , dengan 𝑘 = 0,1,2, …
𝑍𝑡 : nilai pengamatan pada periode 𝑡
𝑍𝑡−𝑘 : nilai pengamatan pada periode 𝑡-k
 7

2.6 Partial Autocorrelation Function (PACF)

Fungsi autokorelasi parsial atau Partial Autocorrelation Function
(PACF) merupakan himpunan autokorelasi parsial untuk berbagai lag-k.
PACF digunakan untuk mengukur tingkat keeratan antara 𝑌𝑡 dan 𝑌𝑡−𝑘
dengan asumsi pengaruh selisih waktu ke 1,2, … , 𝑘 − 1 dianggap terpisah.
Fungsi autokorelasi parsial dapat dinotasikan dengan
𝑐𝑜𝑟𝑟(𝑌𝑡 , 𝑌𝑡+1 , … , 𝑌𝑡+𝑘 ).

2.7 Seasonal Autoregressive Integrated Moving Average (SARIMA)

Model Seasonal Autoregressive Integrated Moving Average
(SARIMA) merupakan model ARIMA yang mengandung pola musiman
(Aulia, 2019). Suatu model SARIMA untuk data runtun waktu dapat
dinotasikan :
𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞)(𝑃,𝐷,𝑄)𝑆
Dengan keterangan :
(𝑝,𝑑,𝑞) : bagian non-musiman dari model
(𝑃,𝐷,𝑄) : bagian musiman dari model
𝑆 : periode musiman
Secara umum, bentuk persamaan model SARIMA adalah sebagai
berikut (Wei, 2006):
𝜙𝑝(𝐵)Φ𝑃(𝐵𝑆)(1 − 𝐵)𝑑(1 − 𝐵𝑆)𝐷𝑍𝑡 = θ𝑞 (𝐵)Θ𝑄(𝐵𝑆)𝑎t
Dengan keterangan :
𝜙𝑝(𝐵) : 1 − 𝜙1𝐵 − 𝜙2𝐵2 − ⋯ − 𝜙𝑝𝐵𝑝
𝜃𝑞(𝐵) : 1 − 𝜃1𝐵 − 𝜃2𝐵2 − ⋯ − 𝜃𝑞𝐵𝑞
𝜙𝑝(𝐵) : Koefisien komponen AR periode non-musiman
𝜃𝑞(𝐵) : Koefisien komponen MA periode non-musiman
(1 − 𝐵)𝑑 : Differencing non-musiman

2.8 Uji Signifikansi Parameter

Nasir (2015) menjelaskan bahwa model ARIMA yang baik dapat
menggambarkan suatu kejadian adalah model yang salah satunya
menunjukkan bahwa penaksiran parameternya signifikan berbeda dengan
 8

nol. Secara umum, misalkan 𝜃 adalah suatu parameter pada model SARIMA
dan 𝜃̂ adalah nilai taksiran parameter tersebut, serta 𝑆𝐸(𝜃̂) adalah standard
error dari nilai taksiran, maka uji signifikan dapat dilakukan dengan tahapan
sebagai berikut:
Hipotesis : H0 : Parameter model tidak signifikan
H1 : Parameter model signifikan
̂
𝜃
Statistik Uji : thitung = 𝑆𝐸(𝜃̂)
𝑡𝛼
Kriteria Penolakan : H0 ditolak jika |thitung| > ; 𝑑𝑓 = 𝑛 − 𝑛𝑝 , 𝑛𝑝
2

merupakan banyaknya parameter atau dengan

menggunakan nilai-p (p-value), yakni H0
ditolak jika nilai-p < 𝛼.

2.9 Uji Normalitas Residu

Normalitas merupakan salah satu asumsi untuk mengetahui apakah
data yang diperoleh berasal dari populasi yang berdistribusi normal atau
tidak berdasarkan data yang diperoleh dari sampel berskala ordinal, interval
ataupun rasio, yang nantinya akan diuji menggunakan statistik parametrik
(Herawati, 2016). Untuk mengetahui kenormalan residu dapat dilihat dari
uji Kolmogorov-Smirnov pada probabilitas normal residualnya dengan
tahapan sebagai berikut :
Hipotesis : 𝐻0 : Residu berdistribusi normal
𝐻1 : Residu tidak berdistribusi normal
Statistik uji : 𝐷ℎ𝑖𝑡 = 𝑠𝑢𝑝𝑥 |𝑆(𝑥) − 𝐹0 (𝑥)|
Kriteria penolakan : H0 ditolak jika 𝐷ℎ𝑖𝑡 > 𝐷(𝑛) atau p-value < 𝛼

2.10 Uji Asumsi White Noise

Menurut Wei (2006) suatu proses {𝑎𝑡} dinamakan white noise
process (proses yang bebas dan identik) apabila data terdiri dari variabel
acak yang berurutan tidak saling berkorelasi dan mengikuti distribusi
tertentu. Rata-rata 𝐸(𝑎𝑡) = 𝜇𝑎 dari proses ini diasumsikan bernilai nol dan
 9

mempunyai variansi yang konstan yaitu 𝑉𝑎𝑟(𝑎𝑡) = 𝜎𝑎2 dan nilai kovariansi
untuk proses ini 𝛾𝑘 = 𝐶𝑜𝑣(𝑎𝑡 ,𝑎𝑡+𝑘 ) = 0 untuk 𝑘 ≠ 0.
Berdasarkan definisi tersebut, dapat dikatakan bahwa suatu white
noise process {𝑎𝑡} adalah stasioner dengan beberapa sifat berikut :
2
: 𝛾𝑘 = { 𝜎𝑎 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0
Fungsi autokovariansi
0 𝑢𝑛𝑡𝑢𝑘 𝑘 ≠ 0
1 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0
Fungsi autokorelasi : 𝜌𝑘 = {
0 𝑢𝑛𝑡𝑢𝑘 𝑘 ≠ 0
1 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0
Fungsi autokorelasi parsial : ∅𝑘𝑘 = {
0 𝑢𝑛𝑡𝑢𝑘 𝑘 ≠ 0
Pada proses white noise digunakan pengujian Ljung-Box untuk
melihat apakah residual dalam proses white noise sudah memenuhi atau
belum, dengan persamaan :
𝑘 𝜌𝑘2
𝑄 = 𝑛(𝑛 + 2) ∑
𝑘=1 𝑛 − 𝐾

Dengan keterangan :
n : jumlah data
𝑘 : nilai lag ke-𝑘
𝐾 : maksimum lag
𝜌𝑘 : nilai fungsi autokorelasi 𝑙𝑎𝑔-k
Hipotesis : H0 : residual memenuhi white noise
H1 : residual tidak memenuhi white noise
Kriteria penolakan : H0 ditolak jika 𝑄 > 𝑋(2𝛼 ;𝐾−𝑘)
𝑑𝑓

Dengan demikian, suatu deret waktu disebut white noise jika rata-
rata dan variansinya konstan dan saling bebas (Aswi dan Sukarna, 2006).

2.11 Akurasi Peramalan

Ketepatan metode dalam peramalan merupakan suatu hal yang
sangat penting, hal ini dikarenakan ketepatan metode berguna dalam
mengevaluasi hasil dari peramalan yang telah dilakukan. Oleh karena itu
suatu metode peramalan pasti menghasilkan kesalahan. Apabila tingkat
kesalahan semakin kecil maka hasil peramalan akan semakin tepat.
Banyak cara dalam menghitung kesalahan prediksi contohnya Mean
 10

Percentage Error (MPE), Mean Square Error (MSE), Mean Absolute

Error (MAE), Mean Absolute Percentage Error (MAPE) (Wei, 2006).
Pada penelitian ini menggunakan MAPE untuk menghitung tingkat
kesalah prediksi.
Mean Absolute Percentage Error (MAPE) merupakan rata-rata
diferensiasi absolut antara nilai peramalan dan aktual, yang dinyatakan
sebagai persentase nilai aktual. Penggunaan MAPE pada evaluasi hasil
dapat menghindari pengukuran akurasi terhadap besarnya nilai aktual dan
nilai prediksi. MAPE dapat dicari dengan menggunakan persamaan
sebagai berikut :
1 𝑛 𝑍𝑡 − 𝑍̂𝑡
𝑀𝐴𝑃𝐸 = ( ∑ | | 100%)
𝑛 𝑡=1 𝑍𝑡
Dengan keterangan :
𝑍𝑡 : nilai pengamatan pada periode ke-𝑡
𝑍̂𝑡 : nilai dugaan/taksiran waktu ke-𝑡
𝑛 : jumlah data
 BAB III
METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari situs resmi Open Data Jakarta, yaitu data harian jumlah
penumpang kapal laut Muara Angke 1 Agustus 2019 - 20 Desember 2019
dengan total data sebanyak 142 data.

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah jumlah
penumpang kapal laut Muara Angke 1 Agustus 2019 - 20 Desember 2019.
Data dibagi menjadi dua, yaitu 114 data awal sebagai data training dan 28
data akhir sebagai data testing.

3.3 Metode Analisis Data

Metode analisis data yang digunakan untuk peramalan jumlah
penumpang kapal laut Muara Angke 1 Agustus 2019 - 20 Desember 2019
adalah metode SARIMA (Seasonal Autoregressive Integrated Moving
Average).

3.4 Langkah Analisis

Pada penelitian ini, digunakan bantuan software Minitab untuk
melakukan analisis menggunakan metode SARIMA terhadap jumlah
penumpang kapal laut Muara Angke 1 Agustus 2019 - 20 Desember 2019.
Berikut ini merupakan langkah dalam melakukan analisis menggunakan
metode SARIMA:
a. Mempersiapkan data jumlah penumpang kapal laut Muara Angke 1
Agustus 2019 - 20 Desember 2019.
b. Membagi data menjadi dua bagian, yaitu training dan testing. Data
training digunakan untuk pembentukan model, sementara data testing
digunakan untuk menguji model yang terbentuk.

11
 12

c. Setelah mempersiapkan dan membagi data, tahapan analisis dimulai

dengan melakukan analisa deskriptif pada data dan membentuk plot time
series untuk melihat pola data.
d. Melakukan analisis SARIMA yang dimulai dengan pemeriksaan
kestasioneran data yang meliputi stasioneritas dalam ragam (varians) dan
stasioneritas dalam rata-rata (mean).
e. Jika data tidak stasioner dalam ragam (varians) dapat diatasi dengan
melakukan transformasi, sedangkan untuk mengatasi data yang tidak
stasioner dalam rata-rata (mean) dapat dilakukan differencing.
f. Setelah data memenuhi asumsi stasioneritas, dapat dilakukan identifikasi
pola ACF dan PACF untuk memperoleh dugaan sementara model
SARIMA.
g. Melakukan estimasi parameter.
h. Melakukan diagnostic checking terhadap kemungkinan model yang
diperoleh. Meliputi pemeriksaan asumsi white noise dan pengujian
distribusi normal pada residual.
i. Melakukan pemilihan model terbaik berdasarkan kriteria asumsi yang
terpenuhi, yaitu signifikansi parameter, kenormalan residu, tidak adanya
autokorelasi (white noise) pada residu, dan nilai error terkecil.
j. Langkah terakhir yaitu melakukan peramalan data menggunakan model
yang telah dipilih.

3.5 Diagram Alir

Proses yang menampilkan langkah-langkah dengan simbol yang
menghubungkan masing-masing langkah tersebut menggunakan tanda
panah. Berdasarkan langkah analisis yang dilakukan, dapat digambarkan
suatu diagram alir seperti pada Gambar 3.1 berikut.
 13

Data jumlah
Penumpang

Membagi data
menjadi dua

Melihat pola data

Data di
Identifikasi Transformasi
stasioneritas data Data di
Differencing

Apakah data Tidak

sudah stasioner?

Ya

Pendugaan model dan

estimasi parameter

Tidak
Uji signifikansi dan
diagnotic checking

Ya

Pemilihan Model
Terbaik

Forecasting

Selesai

Gambar 3.1 Diagram Alir Langkah Analisis

 BAB IV
HASIL DAN PEMBAHASAN

4.1 Deskripsi Data

Data yang digunakan dalam analisis ini adalah data sekunder jumlah
penumpang kapal laut Muara Angke 1 Agustus 2019 - 20 Desember 2019
yang diambil dari website resmi Open Data Jakarta dengan total data
sebanyak 142 data. Data ini dibagi menjadi dua bagian yaitu data training
dan data testing. Data training sebanyak 114 data (1 Agustus 2019 – 22
November 2019) dan data testing sebanyak 28 data (23 November 2019 –
20 Desember 2019).

4.2 Identifikasi Model

4. 2. 1 Gambaran Umum Data Jumlah Penumpang Kapal Laut
Muara Angke
Sebelum dilakukan analisis, terlebih dahulu dilakukan
pengecekan statistik deskriptif pada data jumlah penumpang kapal
laut Muara Angke dari tanggal 1 Agustus 2019 sampai dengan
tanggal 20 Desember 2019.
Tabel 4. 1 Statistik Deskriptif Data Jumlah Penumpang Kapal Laut
Muara Angke 1 Agustus 2019 - 20 Desember 2019
Std.
Variabel N Minimum Maksimum Mean
Deviation
Penumpang
142 159 8445 893 1264
Kapal
Tabel 4.1 menunjukkan bahwa terdapat 142 data jumlah
penumpang kapal laut Muara Angke 1 Agustus 2019 - 20
Desember 2019 memiliki rata-rata sebesar 893. Jumlah penumpang
terendah sebesar 159 yang terjadi pada tanggal 11 Agustus 2019
dan tertinggi sebesar 8445 yang terjadi pada tanggal 9 November
2019. Standar deviasi menunjukkan nilai sebesar 1264.

14
 15

Tabel 4.2 Statistik Deskriptif Data Training

Std.
Variabel N Minimum Maksimum Mean
Deviation
Penumpang
114 159 8445 927 1346
Kapal
Tabel 4.2 menunjukkan bahwa terdapat 114 data jumlah
penumpang kapal laut Muara Angke 1 Agustus 2019 - 22
November 2019 sebagai data training memiliki rata-rata sebesar
927. Jumlah penumpang terendah sebesar 159 yang terjadi pada
tanggal 11 Agustus 2019 dan tertinggi sebesar 8445 yang terjadi
pada tanggal 9 November 2019. Standar deviasi menunjukkan nilai
sebesar 1346.
Tabel 4.3 Statistik Deskriptif Data Testing
Std.
Variabel N Minimum Maksimum Mean
Deviation
Penumpang
28 169 3039 756 859
Kapal
Tabel 4.3 menunjukkan bahwa terdapat 28 data jumlah
penumpang kapal laut Muara Angke 23 November 2019 - 20
Desember 2019 sebagai data testing memiliki rata-rata sebesar 756.
Jumlah penumpang terendah sebesar 169 yang terjadi pada tanggal
26 November 2019 dan tertinggi sebesar 3039 yang terjadi pada
tanggal 30 November 2019. Standar deviasi menunjukkan nilai
sebesar 859.
 16

Gambar 4.1 Plot Time Series Data Keseluruhan

Gambar 4.1 menunjukkan plot time series untuk data
keseluruhan. Pada data jumlah penumpang kapal laut Muara Angke
1 Agustus 2019 - 20 Desember 2019 terlihat bahwa mengalami
fluktuasi yang sama yaitu memiliki puncak tertinggi setiap
minggunya dalam bulan tersebut yang berjangka setiap 7 periode
hari sehingga dapat dikatakan bahwa data ini memiliki pola
musiman karena kenaikan dan penurunan pada hari-hari yang
hampir sama di setiap minggu. Plot time series data training
ditunjukkan pada Gambar 4.2.

Gambar 4.2 Plot Time Series Data Training

Setelah data dibagi menjadi 2 bagian, selanjutnya dari data training
tersebut dilakukan pengecekan plot ACF untuk memastikan pola pada
 17

data tersebut. Plot ACF untuk data training ditunjukkan pada gambar 4.3
di bawah ini.

Gambar 4. 3 Plot ACF Data Training

Berdasarkan plot ACF pada Gambar 4.3 terlihat bahwa data
mempunyai kecenderungan berpola musiman karena terdapat
pengulangan pola pada lag.

4.3 Analisis SARIMA

Pada model autoregressive dan moving average, kestasioneritasan
data sangat diperhatikan. Data dapat digunakan untuk peramalan jika sudah
stasioner baik dalam ragam (varians) dan rata-rata (means). Data yang
belum stasioner dalam ragam (varians) dapat diatasi dengan melakukan
transformasi pada data, sedangkan data yang belum stasioner dalam rata-
rata (means) dapat diatasi dengan melakukan differencing.
Untuk mengidentifikasi apakah data stasioner dalam variansi,
dilakukan analisis terhadap Box-Cox Plot. Hasil Box-Cox Plot tersaji pada
Gambar 4.4.
 18

Gambar 4.4 Plot Box-Cox Data Training

Gambar 4.4 menunjukkan bahwa nilai rounded value sebesar -1,00,
sehingga dapat disimpulkan data belum stasioner terhadap variansi. Oleh
1
karena itu dilakukan transformasi (Wei, 2006). Data hasil transformasi
𝑍𝑡

kemudian dilakukan analisis Box-Cox Plot kembali dan didapatkan hasil

seperti pada Gambar 4.5.

Gambar 4. 5 Plot Box-Cox Data Hasil Tranformasi

Gambar 4.5 menunjukkan bahwa nilai rounded value sebesar 1,00,
sehingga dapat disimpulkan bahwa data sudah stasioner terhadap variansi.
Plot time series data setelah dilakukan transformasi tersaji seperti Gambar
4.6.
 19

Gambar 4.6 Plot Time Series Hasil Tranformasi Data Training

Setelah dilakukan transformasi, selanjutnya memeriksa plot ACF dari
data tersebut. Berikut merupakan plot ACF dari data training yang telah
ditransformasi ditunjukkan pada Gambar 4.7 di bawah ini.

Gambar 4.7 Plot ACF Data Training Setelah Transformasi

Selanjutnya dilakukan pemeriksaan stasioneritas dalam rata-rata.
Gambar 4.7 menunjukkan bahwa terdapat pengulangan pola pada setiap 7
lag, hal ini mengindikasikan bahwa terdapat pola musiman pada data. Data
yang berpola musiman tanpa tren dapat dikatakan berfluktuasi di sekitar
rata-rata, sehingga tidak perlu dilakukan differencing non musiman. Namun,
differencing musiman perlu dilakukan untuk menghilangkan pola musiman
yang terdapat pada data. Berikut plot ACF dan PACF data setelah dilakukan
differencing musiman tersaji pada Gambar 4.8 dan Gambar 4.9 di bawah ini.
 20

Gambar 4.8 Plot ACF Data Differencing Lag 7

Gambar 4.8 menunjukkan bahwa lag ke-3 signifikan, kemudian lag
pola ACF meluruh perlahan secara eksponensial (dying-down). Dalam hal
ini diperoleh bahwa orde q yang mungkin yaitu 0 dan 3. Pada lag
musimannya terdapat satu lag yang signifikan, yaitu lag ke-7. Untuk itu,
orde Q yang mungkin yaitu 0 dan 1.

Gambar 4.9 Plot PACF Data Differencing Lag 7

Gambar 4.9 diperoleh bahwa plot cut-off setelah lag ketiga. Lag yang
signifikan yaitu lag ketiga, sehingga orde p yang mungkin yaitu 0, 1, 2, dan
3. Pada lag musimannya, terdapat lag ke-7 dan ke-14 yang signifikan. Untuk
itu, orde P yang mungkin yaitu 0,1 dan 2.
 21

4.4 Estimasi Parameter Model

Setelah didapatkan orde SARIMA dari hasil identifikasi model, maka
akan dilakukan trial and error untuk berbagai kombinasi orde SARIMA
agar mendapatkan model yang optimal. Ringkasan dari estimasi beberapa
model SARIMA yang telah dilakukan dapat dilihat pada Tabel 4.4,
sedangkan estimasi semua model terdapat pada Lampiran 2.
Tabel 4.4 Estimasi Model SARIMA
Uji
Uji Signifikansi Uji
Model Constant White
Parameter Normalitas
Noise
AR(3) dan SMA(7)
(3,0,3)(2,1,1)7 0,000007 Tidak Ya
signifikan
AR(3) tidak
(3,0,2)(1,1,0)7 - Tidak Tidak
signifikan
AR(2), MA(2), dan
(2,0,3)(2,1,1)7 0,000001 Tidak Ya
SMA(7) signifikan
(2,0,3)(2,1,0)7 - Semua signifikan Ya Ya
(2,0,1)(1,1,1)7 0,000008 SMA(7) signifikan Tidak Ya
MA(3) tidak
(1,0,3)(1,1,0)7 0,000112 Tidak Tidak
signifikan
(1,0,1)(0,1,1)7 - Semua signifikan Tidak Ya
Berdasarkan Tabel 4.4, diperoleh model SARIMA yang memenuhi uji
signifikansi parameter dan uji diagnostik residu yaitu model SARIMA
dengan orde (2,0,3)(2,1,0)7. Output estimasi parameter yang telah diperoleh
ditampilkan pada Tabel 4.5
Tabel 4.5 Estimasi Parameter SARIMA (2,0,3)(2,1,0)7
Parameter Koefisien
AR 1 -0,6106
AR 2 -0,8561
SAR 7 -0,564
SAR 14 -0,327
MA 1 -0,7944
 22

MA 2 -1,13654
MA 3 -0,2859

4.5 Uji Diagnostik Residu

Setelah didapatkan model terbaik berdasarkan signifikansi parameter
dan pemenuhan uji diagnostik residu, maka selanjutnya akan diuraikan uji
diagnostik residu tersebut untuk membuktikan kebenaran yang ada. Uji ini
meliputi uji normalitas dan uji white noise. Uji normalitas menggunakan
metode Kolmogorov-Smirnov, sedangkan uji white noise dengan metode
Ljung-Box (LBQ). Hasil output visualisasi plot normalitas dan plot ACF
untuk residu model dapat dilihat pada Gambar 4.10 dan Gambar 4.11.

Gambar 4.10 Plot Normalitas untuk Residu Model

Gambar 4.11 Plot ACF untuk Residu Model

 23

4.5.1 Uji Normalitas Residu

i. Hipotesis
H0 : Residu model berdistribusi normal
H1 : Residu model tidak berdistribusi normal
ii. Tingkat Signifikansi
 = 1% = 0,01
iii. Daerah Kritis
H0 ditolak jika p-value <  = 0,01
iv. Statistik Uji
Berdasarkan Gambar 4.10, p-value bernilai 0,039.
v. Kesimpulan
Karena p-value = 0,039 >  = 0,01, maka H0 gagal ditolak yang
berarti residu model berdistribusi normal. Selain itu, dapat juga
dilihat pada visualisasi plot normalitas Gambar 4.10 yang
menunjukkan bahwa titik-titik menyebar di sekitar garis miring,
sehingga asumsi kenormalan residu terpenuhi.

4.5.2 Uji White Noise

i. Hipotesis
H0 : Tidak terdapat autokorelasi antar residu model
H1 : Terdapat autokorelasi antar residu model
ii. Tingkat Signifikansi
 = 1% = 0,01
iii. Daerah Kritis
H0 ditolak jika p-value <  = 0,01
iv. Statistik Uji
Tabel 4.6 Output Hasil Uji LBQ Model SARIMA (2,0,3)(2,1,0)7
Lag 12 24 36 48
Chi-Square 10,91 26,61 39,36 48,11
DF 5 17 29 41
P-Value 0,053 0,064 0,095 0,207
 24

Berdasarkan Tabel 4.6, dapat dilihat bahwa nilai p-value untuk

semua lag bernilai >  = 0,01.
v. Kesimpulan
Karena diperoleh nilai p-value >  = 0,01, maka H0 gagal ditolak
yang berarti tidak terdapat autokorelasi antar residu model atau
residu model bersifat white noise. Selain itu, dapat dilihat lebih
mudah pada visualisasi plot ACF residu model yang terdapat pada
Gambar 4.11 yang menunjukkan bahwa semua lag berada di
dalam batas kritis, sehingga asumsi white noise residu terpenuhi.

4.6 Pemodelan SARIMA (2,0,3)(2,1,0)7

Setelah didapatkan model terbaik, maka akan dilakukan pemodelan
SARIMA berdasarkan perhitungan dan output software Minitab. Persamaan
model SARIMA (2,0,3)(2,1,0)7 yaitu:
𝐴𝑅𝐼𝑀𝐴 (2,0,3)(2,1,0)7
1
Diketahui 𝑍𝑡 = 𝑦𝑡

𝜙𝑝 (𝐵)Φ𝑃 (𝐵 𝑆 )(1 − 𝐵)𝑑 (1 − 𝐵 𝑆 )𝐷 𝑍𝑡 = 𝜃𝑞 (𝐵)Θ𝑄 (𝐵 𝑆 )𝑎𝑡

𝜙2 (𝐵)Φ2 (𝐵7 )(1 − 𝐵)0 (1 − 𝐵7 )1 𝑍𝑡 = 𝜃3 (𝐵)Θ0 (𝐵7 )𝑎𝑡

(1 − 𝜙1 𝐵 − 𝜙2 𝐵2 )(1 − Φ1 (𝐵7 ) − Φ2 (𝐵14 ))(1 − 𝐵7 ) 𝑍𝑡

= (1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − 𝜃3 𝐵3 ) 𝑎𝑡

(1 − Φ1 (𝐵7 ) − Φ2 (𝐵14 ) − 𝜙1 𝐵 + (𝜙1 Φ1 𝐵8 ) + (𝜙1 Φ2 𝐵15 ) − 𝜙2 𝐵2

+ (𝜙2 Φ1 𝐵9 ) + (𝜙2 Φ2 𝐵16 )) (1 − 𝐵7 ) 𝑍𝑡

= (1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − 𝜃3 𝐵3 ) 𝑎𝑡

(1 − 𝐵7 − Φ1 (𝐵7 ) + Φ1 (𝐵14 ) − Φ2 (𝐵14 ) + Φ2 (𝐵21 ) − 𝜙1 𝐵 + 𝜙1 𝐵8

+ (𝜙1 Φ1 𝐵8 ) − (𝜙1 Φ1 𝐵15 ) + (𝜙1 Φ2 𝐵15 ) − (𝜙1 Φ2 𝐵22 ) − 𝜙2 𝐵2

+ 𝜙2 𝐵9 + (𝜙2 Φ1 𝐵9 ) − (𝜙2 Φ1 𝐵16 ) + (𝜙2 Φ2 𝐵16 )

− (𝜙2 Φ2 𝐵23 )) 𝑍𝑡 = (1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − 𝜃3 𝐵3 ) 𝑎𝑡
 25

𝑍𝑡 − 𝑍𝑡−7 − Φ1 𝑍𝑡−7 + Φ1 𝑍𝑡−14 − Φ2 𝑍𝑡−14 + Φ2 𝑍𝑡−21 − 𝜙1 𝑍𝑡−1 + 𝜙1 𝑍𝑡−8

+ (𝜙1 Φ1 𝑍𝑡−8 ) − (𝜙1 Φ1 𝑍𝑡−15 ) + (𝜙1 Φ2 𝑍𝑡−15 ) − (𝜙1 Φ2 𝑍𝑡−22 )
− 𝜙2 𝑍𝑡−2 + 𝜙2 𝑍𝑡−9 + (𝜙2 Φ1 𝑍𝑡−9 ) − (𝜙2 Φ1 𝑍𝑡−16 )
+ (𝜙2 Φ2 𝑍𝑡−16 ) − (𝜙2 Φ2 𝑍𝑡−23 )
= 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃2 𝑎𝑡−2 − 𝜃3 𝑎𝑡−3

𝑍𝑡 = 𝑍𝑡−7 + Φ1 𝑍𝑡−7 − Φ1 𝑍𝑡−14 + Φ2 𝑍𝑡−14 − Φ2 𝑍𝑡−21 + 𝜙1 𝑍𝑡−1 − 𝜙1 𝑍𝑡−8

− (𝜙1 Φ1 𝑍𝑡−8 ) + (𝜙1 Φ1 𝑍𝑡−15 ) − (𝜙1 Φ2 𝑍𝑡−15 ) + (𝜙1 Φ2 𝑍𝑡−22 )
+ 𝜙2 𝑍𝑡−2 − 𝜙2 𝑍𝑡−9 − (𝜙2 Φ1 𝑍𝑡−9 ) + (𝜙2 Φ1 𝑍𝑡−16 )
− (𝜙2 Φ2 𝑍𝑡−16 ) + (𝜙2 Φ2 𝑍𝑡−23 ) + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃2 𝑎𝑡−2
− 𝜃3 𝑎𝑡−3

𝑍𝑡 = (1 + Φ1 )𝑍𝑡−7 + (Φ2 − Φ1 )𝑍𝑡−14 − Φ2 𝑍𝑡−21 + 𝜙1 𝑍𝑡−1 − (𝜙1 + 𝜙1 Φ1 )𝑍𝑡−8

+ (𝜙1 Φ1 − 𝜙1 Φ2 )𝑍𝑡−15 + 𝜙1 Φ2 𝑍𝑡−22 + 𝜙2 𝑍𝑡−2 − (𝜙2
+ 𝜙2 Φ1 )𝑍𝑡−9 + (𝜙2 Φ1 − 𝜙2 Φ2 )𝑍𝑡−16 + 𝜙2 Φ2 𝑍𝑡−23 + 𝑎𝑡
− 𝜃1 𝑎𝑡−1 − 𝜃2 𝑎𝑡−2 − 𝜃3 𝑎𝑡−3

𝑍𝑡 = 0,436𝑍𝑡−7 + 0,237𝑍𝑡−14 + 0,327𝑍𝑡−21 − 0,6106𝑍𝑡−1 + 0,266𝑍𝑡−8

+ 0,1447𝑍𝑡−15 + 0,1997𝑍𝑡−22 − 0,8561𝑍𝑡−2 + 0,373𝑍𝑡−9
+ 0,2029𝑍𝑡−16 + 0,2799𝑍𝑡−23 + 𝑎𝑡 + 0,7944𝑎𝑡−1
+ 1,13654𝑎𝑡−2 + 0,2859𝑎𝑡−3

𝑍̂𝑡 = 0,436𝑍𝑡−7 + 0,237𝑍𝑡−14 + 0,327𝑍𝑡−21 − 0,6106𝑍𝑡−1 + 0,266𝑍𝑡−8

+ 0,1447𝑍𝑡−15 + 0,1997𝑍𝑡−22 − 0,8561𝑍𝑡−2 + 0,373𝑍𝑡−9
+ 0,2029𝑍𝑡−16 + 0,2799𝑍𝑡−23 + 0,7944𝑎𝑡−1 + 1,13654𝑎𝑡−2
+ 0,2859𝑎𝑡−3

Dengan 𝑎𝑡 = 𝑍𝑡 − 𝑍̂𝑡

𝑍̂𝑡 = 0,436𝑍𝑡−7 + 0,237𝑍𝑡−14 + 0,327𝑍𝑡−21 − 0,6106𝑍𝑡−1 + 0,266𝑍𝑡−8

+ 0,1447𝑍𝑡−15 + 0,1997𝑍𝑡−22 − 0,8561𝑍𝑡−2 + 0,373𝑍𝑡−9
+ 0,2029𝑍𝑡−16 + 0,2799𝑍𝑡−23 + 0,7944(𝑍𝑡−1 − 𝑍̂𝑡−1 )
+ 1,13654(𝑍𝑡−2 − 𝑍̂𝑡−2 ) + 0,2859(𝑍𝑡−3 − 𝑍̂𝑡−3 )

4.7 Peramalan Data Testing

Setelah didapatkan pemodelan terbaik, maka dilanjutkan peramalan
data testing berdasarkan model SARIMA (2,0,3)(2,1,0)7. Perbandingan data
testing dengan hasil peramalan ditunjukkan pada Tabel 4.7. Visualisasi
 26

peramalan data testing dan perbandingan juga dapat dilihat pada Gambar
4.12 dan Gambar 4.13.
Tabel 4. 7 Perbandingan Data Testing dengan Hasil Peramalan
Waktu Data Testing Hasil Peramalan
23-Nov-19 2490 1919,05
24-Nov-19 434 630,10
25-Nov-19 413 363,38
26-Nov-19 169 360,58
27-Nov-19 302 366,11
28-Nov-19 241 322,04
29-Nov-19 420 668,21
30-Nov-19 3039 2238,65
01-Des-19 624 589,84
02-Des-19 293 356,39
03-Des-19 419 334,74
04-Des-19 294 372,99
05-Des-19 287 299,12
06-Des-19 803 621,44
07-Des-19 2819 2472,44
08-Des-19 861 600,82
09-Des-19 265 333,64
10-Des-19 370 312,31
11-Des-19 308 369,56
12-Des-19 256 284,09
13-Des-19 612 598,25
14-Des-19 2754 2400,53
15-Des-19 397 616,87
16-Des-19 462 342,70
17-Des-19 385 332,85
18-Des-19 480 374,15
19-Des-19 315 296,75
20-Des-19 649 619,84
 27

Gambar 4.12 Plot Data Training vs Peramalan Data Testing

Gambar 4.13 Perbandingan Data Testing vs Peramalan Data Testing

4.8 Akurasi Peramalan

Untuk melihat kebaikan model SARIMA yang diperoleh, maka dapat
dilakukan pengecekan nilai akurasi peramalan pada data training dan data
testing.
Tabel 4.8 Ringkasan Nilai MAPE
Data MAPE
Training 0,000159874
Testing 0,00018459
Berdasarkan Tabel 4.8, nilai MAPE pada data training dan data testing
dapat dikatakan sangat kecil. Sehingga model peramalan memiliki kinerja
yang baik.
 28

4.9 Hasil Peramalan

Berdasarkan hasil pemilihan model SARIMA terbaik yang telah
ditentukan, selanjutnya akan dilakukan peramalan untuk jumlah penumpang
kapal laut dari Pelabuhan Muara Angke ke Kepulauan Seribu dari tanggal
21 Desember 2019 hingga 27 Desember 2019. Model SARIMA
(2,0,3)(2,1,0)7 memberikan hasil peramalan seperti pada Tabel 4.9.
Tabel 4.9 Nilai Peramalan dengan Model SARIMA (2,0,3)(2,1,0)7
Waktu Peramalan
21-Des-2019 2553,05
22-Des-2019 601,21
23-Des-2019 342,15
24-Des-2019 330,55
25-Des-2019 373,64
26-Des-2019 292,54
27-Des-2019 617,87
 BAB V
PENUTUP

5.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan, diperoleh kesimpulan yaitu:
1. Model terbaik untuk meramalkan jumlah penumpang kapal laut dari
Pelabuhan Muara Angke ke Kepulauan Seribu yaitu SARIMA
(2,0,3)(2,1,0)7, dengan persamaan :
𝑍̂𝑡 = 0,436𝑍𝑡−7 + 0,237𝑍𝑡−14 + 0,327𝑍𝑡−21 − 0,6106𝑍𝑡−1 + 0,266𝑍𝑡−8
+ 0,1447𝑍𝑡−15 + 0,1997𝑍𝑡−22 − 0,8561𝑍𝑡−2 + 0,373𝑍𝑡−9
+ 0,2029𝑍𝑡−16 + 0,2799𝑍𝑡−23 + 0,7944(𝑍𝑡−1 − 𝑍̂𝑡−1 )
+ 1,13654(𝑍𝑡−2 − 𝑍̂𝑡−2 ) + 0,2859(𝑍𝑡−3 − 𝑍̂𝑡−3 )
2. Hasil perhitungan akurasi peramalan menggunakan MAPE diperoleh
sebesar 0,000159874 pada data training dan sebesar 0,00018459 pada
data testing.

5.2 Saran
Penelitian ini dapat ditambahkan metode analisis lainnya agar lebih
banyak referensi, sehingga mendapatkan metode terbaik yang paling optimal
untuk meramalkan jumlah penumpang kapal laut dari Pelabuhan Muara
Angke ke Kepulauan Seribu. Selain itu, penambahan data juga dapat
dilakukan agar mendapatkan hasil peramalan yang lebih baik.

29
 DAFTAR PUSTAKA

Aswi dan Sukarna. 2006. Analisis Deret Waktu: Teori dan Aplikasi. Makasar:
Andira Publisher.

Aulia, F., Yozza, H., & Devianto, D. 2019. Peramalan Curah Hujan Bulanan
Kabupaten Tanah Datar Dengan Model Seasonal Autoregressive
Integrated Moving Average (SARIMA). Jurnal Matematika UNAND, 8(2),
37.

Data.Jakarta.co.id. (2020, 2 Juni). Data Penumpang Kapal dari dan ke Kepulauan

Seribu Tahun 2019. Diakses pada 1 Juni 2022, dari
https://data.jakarta.go.id/dataset/data-penumpang-kapal-dari-dan-ke-
kepulauan-seribu-tahun-2019-kpi

Herawati, L. 2016. Uji Normalitas Data Kesehatan Menggunakan SPSS Edisi I.

Yogyakarta: Poltkes Jogja Press.

Makridakis, S., Wheelwright, S.C., dan McGee. 1999. Metode dan Aplikasi
Peramalan Edisi Kedua. Jakarta: Penerbit Erlangga.

Nasir, Wahida YM. 2015. Peramalan Jumlah Penumpang dari Pelayaran dalam
Negeri di Pelabuhan Kota Makassar menggunakan Metode Seasonal
Autoregressive integrated Moving Average (SARIMA). Skripsi. Universitas
Islam Negeri Alauddin Makassar.

Wei, W. W. S. 2006. Time Series: Analysis Univariate and Multivariate Methods

Second Edition. Boston: Pearson Education Inc.

30
 LAMPIRAN

Lampiran 1.1 Data Jumlah Penumpang Kapal Laut

Waktu Data Waktu Data Waktu Data
01-Agu-19 505 28-Agu-19 325 24-Sep-19 245
02-Agu-19 957 29-Agu-19 352 25-Sep-19 213
03-Agu-19 2958 30-Agu-19 526 26-Sep-19 384
04-Agu-19 842 31-Agu-19 3687 27-Sep-19 618
05-Agu-19 394 01-Sep-19 524 28-Sep-19 3067
06-Agu-19 468 02-Sep-19 620 29-Sep-19 817
07-Agu-19 390 03-Sep-19 484 30-Sep-19 347
08-Agu-19 241 04-Sep-19 461 01-Okt-19 373
09-Agu-19 394 05-Sep-19 338 02-Okt-19 472
10-Agu-19 971 06-Sep-19 659 03-Okt-19 270
11-Agu-19 159 07-Sep-19 5096 04-Okt-19 725
12-Agu-19 614 08-Sep-19 549 05-Okt-19 3892
13-Agu-19 435 09-Sep-19 418 06-Okt-19 590
14-Agu-19 286 10-Sep-19 307 07-Okt-19 463
15-Agu-19 381 11-Sep-19 311 08-Okt-19 389
16-Agu-19 722 12-Sep-19 342 09-Okt-19 282
17-Agu-19 6702 13-Sep-19 675 10-Okt-19 347
18-Agu-19 550 14-Sep-19 3318 11-Okt-19 592
19-Agu-19 452 15-Sep-19 382 12-Okt-19 4030
20-Agu-19 385 16-Sep-19 228 13-Okt-19 415
21-Agu-19 352 17-Sep-19 337 14-Okt-19 473
22-Agu-19 416 18-Sep-19 283 15-Okt-19 340
23-Agu-19 635 19-Sep-19 193 16-Okt-19 364
24-Agu-19 3168 20-Sep-19 521 17-Okt-19 340
25-Agu-19 589 21-Sep-19 2413 18-Okt-19 506
26-Agu-19 468 22-Sep-19 426 19-Okt-19 2274
27-Agu-19 523 23-Sep-19 254 20-Okt-19 374

31
 32

Waktu Data Waktu Data Waktu Data

21-Okt-19 261 20-Nov-19 342 20-Des-19 649
22-Okt-19 323 21-Nov-19 247
23-Okt-19 961 22-Nov-19 584
24-Okt-19 251 23-Nov-19 2490
25-Okt-19 696 24-Nov-19 434
26-Okt-19 3131 25-Nov-19 413
27-Okt-19 789 26-Nov-19 169
28-Okt-19 395 27-Nov-19 302
29-Okt-19 334 28-Nov-19 241
30-Okt-19 360 29-Nov-19 420
31-Okt-19 232 30-Nov-19 3039
01-Nov-19 524 01-Des-19 624
02-Nov-19 3745 02-Des-19 293
03-Nov-19 1015 03-Des-19 419
04-Nov-19 364 04-Des-19 294
05-Nov-19 763 05-Des-19 287
06-Nov-19 420 06-Des-19 803
07-Nov-19 448 07-Des-19 2819
08-Nov-19 926 08-Des-19 861
09-Nov-19 8445 09-Des-19 265
10-Nov-19 484 10-Des-19 370
11-Nov-19 384 11-Des-19 308
12-Nov-19 418 12-Des-19 256
13-Nov-19 383 13-Des-19 612
14-Nov-19 296 14-Des-19 2754
15-Nov-19 716 15-Des-19 397
16-Nov-19 4108 16-Des-19 462
17-Nov-19 516 17-Des-19 385
18-Nov-19 304 18-Des-19 480
19-Nov-19 273 19-Des-19 315
 33

Lampiran 1.2 Hasil Percobaan Kombinasi Orde SARIMA

Uji Signifikansi Uji Uji White
Model Constant
Parameter Normalitas Noise
AR(3) dan SMA(7)
(3,0,3)(2,1,1)7 0,000007 Tidak Ya
signifikan
AR(2), MA(2), dan
(2,0,3)(2,1,1)7 0,000001 Tidak Ya
SMA(7) signifikan
SAR(7), SAR(14),
(1,0,3)(2,1,1)7 0,000058 MA(3), dan constant Tidak Tidak
tidak signifikan
(0,0,3)(2,1,1)7 0,000031 SMA(7) signifikan Tidak Ya
(3,0,2)(2,1,1)7 0,000019 SMA(7) signifikan Tidak Ya
AR(1), MA(1), dan
(1,0,2)(2,1,1)7 0,000004 Tidak Ya
SMA(7) signifikan
(0,0,2)(2,1,1)7 0,000028 SMA(7) signifikan Tidak Tidak
(2,0,1)(2,1,1)7 0,000009 SMA(7) signifikan Tidak Ya
AR(1), MA(1), dan
(1,0,1)(2,1,1)7 0,000001 Tidak Ya
SMA(7) signifikan
(0,0,1)(2,1,1)7 0,000029 SMA(7) signifikan Tidak Tidak
(3,0,3)(1,1,1)7 -0,000002 SMA(7) signifikan Tidak Ya
(0,0,3)(1,1,1)7 0,000032 SMA(7) signifikan Tidak Ya
AR(2) dan SMA(7)
(3,0,2)(1,1,1)7 0,000019 Tidak Ya
signifikan
AR(1), MA(1), dan
(1,0,2)(1,1,1)7 0,000008 Tidak Ya
SMA(7) signifikan
(0,0,2)(1,1,1)7 0,000029 SMA(7) signifikan Tidak Tidak
AR(1), MA(1), dan
(3,0,1)(1,1,1)7 -0,000001 Ya Ya
SMA(7) signifikan
(2,0,1)(1,1,1)7 0,000008 SMA(7) signifikan Tidak Ya
(0,0,1)(1,1,1)7 0,000029 SMA(7) signifikan Tidak Tidak
AR(2), MA(2), dan
(2,0,3)(0,1,1)7 0,000015 Tidak Ya
SMA(7) signifikan
(1,0,3)(0,1,1)7 0,000057 MA(3) dan constant Tidak Tidak
 34

tidak signifikan
(0,0,3)(0,1,1)7 0,000032 SMA(7) signifikan Tidak Ya
AR(1), AR(3), dan
(3,0,2)(0,1,1)7 0,000016 constant tidak Tidak Ya
signifikan
MA(2) dan constant
(1,0,2)(0,1,1)7 0,000009 Tidak Ya
tidak signifikan
(0,0,2)(0,1,1)7 0,000029 SMA(7) signifikan Tidak Tidak
(2,0,1)(0,1,1)7 0,000008 SMA(7) signifikan Tidak Ya
Constant tidak
(1,0,1)(0,1,1)7 0,000006 Tidak Ya
signifikan
(1,0,1)(0,1,1)7 - Semua signifikan Tidak Ya
(0,0,1)(0,1,1)7 0,000029 SMA(7) signifikan Tidak Tidak
SAR(7) dan SAR(14)
(3,0,3)(2,1,0)7 0,000038 Tidak Tidak
signifikan
Constant tidak
(2,0,3)(2,1,0)7 0,000073 Ya Ya
signifikan
(2,0,3)(2,1,0)7 - Semua signifikan Ya Ya
SAR(7) dan SAR(14)
(1,0,3)(2,1,0)7 0,000029 Tidak Tidak
signifikan
SAR(7) dan SAR(14)
(0,0,3)(2,1,0)7 0,000039 Ya Tidak
signifikan
SAR(7) dan SAR(14)
(3,0,2)(2,1,0)7 0,00003 Ya Tidak
signifikan
SAR(7) dan SAR(14)
(2,0,2)(2,1,0)7 0,000016 Tidak Tidak
signifikan
MA(2) dan constant
(1,0,2)(2,1,0)7 0,000017 Tidak Tidak
tidak signifikan
SAR(7) dan SAR(14)
(0,0,2)(2,1,0)7 0,000032 Tidak Tidak
signifikan
SAR(7) dan SAR(14)
(3,0,1)(2,1,0)7 0,000033 Tidak Tidak
signifikan
(2,0,1)(2,1,0)7 0,000004 AR(2) dan constant Ya Tidak
 35

tidak signifikan
Constant tidak
(1,0,1)(2,1,0)7 0,000011 Tidak Tidak
signifikan
(1,0,1)(2,1,0)7 - Semua signifikan Tidak Tidak
MA(1) dan constant
(0,0,1)(2,1,0)7 0,000031 Tidak Tidak
tidak signifikan
AR(1), MA(1) dan
(3,0,3)(1,1,0)7 0,000053 constant tidak Tidak Tidak
signifikan
MA(3) dan constant
(1,0,3)(1,1,0)7 0,000112 Tidak Tidak
tidak signifikan
(0,0,3)(1,1,0)7 0,000054 SAR(7) signifikan Tidak Tidak
Constant tidak
(3,0,2)(1,1,0)7 0,000081 Tidak Tidak
signifikan
(3,0,2)(1,1,0)7 - AR(3) tidak signifikan Tidak Tidak
AR(1), MA(1), dan
(2,0,2)(1,1,0)7 0,000033 constant tidak Tidak Tidak
signifikan
Constant tidak
(1,0,2)(1,1,0)7 0,000082 Tidak Tidak
signifikan
(1,0,2)(1,1,0)7 - Semua signifikan Tidak Tidak
(0,0,2)(1,1,0)7 0,000048 SAR(7) signifikan Tidak Tidak
(3,0,1)(1,1,0)7 0,000046 SAR(7) signifikan Ya Tidak
AR(2) dan constant
(2,0,1)(1,1,0)7 0,000007 Ya Tidak
tidak signifikan
AR(1) dan SAR(7)
(1,0,1)(1,1,0)7 0,000016 Tidak Tidak
signifikan
(0,0,1)(1,1,0)7 0,000043 SAR(7) signifikan Tidak Tidak