analisis peramalan permintaan jasa transportasi … · forecasting demand’s analysis of...
TRANSCRIPT
ANALISIS PERAMALAN PERMINTAAN JASA TRANSPORTASI
KERETA API COMMUTER LINE JABODETABEK
ANDIKA SATRIA
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Peramalan
Permintaan Jasa Transportasi Kereta Api Commuter Line Jabodetabek adalah
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juni 2014
Andika Satria
NIM H24100114
ABSTRAK
ANDIKA SATRIA. Analisis Peramalan Permintaan Jasa Transportasi Kereta Api
Commuter Line Jabodetabek. Dibimbing oleh ALIM SETIAWAN SLAMET.
Kereta Api Commuter Line merupakan salah satu sarana transportasi masal
yang menyelenggarakan aktifitas jasa transportasi di daerah Jabodetabek. Tujuan
penelitian ini adalah mengidentifikasi pola data permintaan volume penumpang
commuter line, menganalisis peramalan permintaan penumpang commuter line
secara kuantitatif dan menganalisis peramalan permintaan volume penumpang
commuter line secara kualitatif. Peramalan kuantitatif menggunakan metode
ARIMA serta pemulusan eksponensial berganda (Double Exponential Smoothing)
dan mencari nilai MAPE (Mean Absolute Percentage Error) terkecil untuk
memilih model peramalan terbaik. Nilai MAPE terkecil dimiliki oleh model
Double Exponential Smoothing Winter dengan nilai 9.7159. Peramalan kualitatif
menggunakan metode analisis regresi linear berganda menghasilkan model
Y=16.668+0.107X1-0.62X2+0.49X3-0.49X4-0.009X5+ε
Kata kunci: commuter line, kereta api, peramalan
ABSTRACT
ANDIKA SATRIA. Forecasting Demand’s Analysis of Jabodetabek Commuter
Line Railway Transportation Service. Supervised by ALIM SETIAWAN
SLAMET.
Commuter Line railway transportation is one of the mass transportation that
organize activity of transportation services in the Jabodetabek areas. The
objectives of this research are to identify the data’s pattern of passenger demand
volume, analyzed of passenger demand forecasting quantitatively, and analyzed of
passenger demand forecasting qualitatively. Quantitative forecasting use the
ARIMA’s method and Double Exponential Smoothing than compute the smallest
MAPE (Mean Absolute Percentage Error) for each models to find the best
forecasting model. The smallest MAPE is 9.7159 from Double Exponential
Smoothing Winter version method. Qualitative method use multiple linear
regression and the model result is Y=16.668+0.107X1-0.62X2+0.49X3-0.49X4-
0.009X5+ε.
Keywords: commuter line, forecasting, railway
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ekonomi
pada
Departemen Manajemen
ANALISIS PERAMALAN PERMINTAAN JASA
TRANSPORTASI KERETA API COMMUTER LINE
JABODETABEK
ANDIKA SATRIA
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Analisis Peramalan Permintaan Jasa Transportasi Kereta Api
Commuter Line Jabodetabek
Nama : Andika Satria
NIM : H24100114
Disetujui oleh
Alim Setiawan S, STP MSi
Pembimbing
Diketahui oleh
Dr Mukhamad Najib, STP MM
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan tepat waktu.
Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari -
Maret 2014 ini ialah peramalan permintaan, dengan judul Analisis Peramalan
Permintaan Jasa Transportasi Kereta Api Commuter Line Jabodetabek.
Terima kasih penulis ucapkan kepada Bapak Alim Setiawan S, STP MSi
selaku dosen pembimbing yang telah memberikan arahan, motivasi dan semangat
sehingga skripsi ini berhasil diselesaikan. Ucapan terima kasih juga penulis
sampaikan kepada seluruh responden yang telah berpartisipasi pada penelitian ini.
Di samping itu ungkapan terima kasih juga disampaikan kepada ayah dan ibu
yang telah memberikan banyak doa dan dorongan selama penulis kuliah, serta
seluruh keluarga dan teman-teman seperjuangan Manajemen 47 serta orang
terkasih atas segala doa dan limpahan kasih sayangnya.
Semoga karya ilmiah ini memberikan banyak manfaat dan ilmu
pengetahuan bagi para pembaca. Penulis memohon maaf apabila terdapat
kekurangan dalam penulisan karya ilmiah ini.
Bogor, Juni 2014
Andika Satria
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 3
METODE 8
Kerangka Penelitian 8
Lokasi dan Waktu Penelitian 9
Metode Pengumpulan Data 9
Metode Pengumpulan Sampel 10
Pengolahan dan Analisis Data 10
HASIL DAN PEMBAHASAN 10
Gambaran Umum Perusahaan 10
Analisis Peramalan Time Series 12
Analisis Peramalan Customer Market Research 17
SIMPULAN DAN SARAN 25
DAFTAR PUSTAKA 27
LAMPIRAN 28
DAFTAR TABEL
1 Jumlah penumpang Kereta Api 2006-2013 (dalam ribu orang) 1 2 Metode dan nilai MAPE 12 3 Peramalan volume penumpang commuter line selama 3 tahun (dalam ribu
orang) 15 4 Profil penumpang kereta Commuter Line Jabodetabek 17 5 Tabulasi silang jenis pembayaran tiket dengan pekerjaan penumpang 19 6 Tabulasi silang jenis pembayaran tiket dan frekuensi penggunaan
commuter line 19 7 Tabulasi silang pekerjaan dengan penggunaan jasa commuter line di masa
depan 20
8 Tabulasi silang penggunaan commuter line di masa yang akan datang
dengan jenis pembayaran tiket 20 9 Tabulasi silang penggunaan commuter line di masa yang akan datang
dengan alasan penggunaan commuter line 21 10 Indikator instrument penelitian 22 11 Tabel analisis peramalan kuantitatif (dalam ribu orang) dan kualitatif 25
DAFTAR GAMBAR
1 Alur kerangka pemikiran penelitian 9 2 Data penumpang kereta Commuter Line tahun 2006-2013 (dalam ribu) 11 3 Hasil minitab uji Box-Cox plot pada data 12 4 Hasil grafik linier pada data hasil transformasi 13
5 Hasil grafik linier pada data hasil differencing pada lag 1 13 6 Grafik hasil peramalan Time Series 16
DAFTAR LAMPIRAN
1 Plot pada transformasi data uji Box-cox dengan nilai lambda 1.00 28
2 Hasil grafik tren linier differencing pada lag 1 28 3 Hasil olahan program Minitab untuk masing masing peramalan 29 4 Output uji normalitas residual Model ARIMA (1,1,0)(1,1,0)12 dan
(0,1,1)(1,1,0)12 30 5 Hasil uji validitas dan reliabilitas 31
6 Hasil uji tabulasi silang penelitian 32
7 Hasil uji asumsi klasik 34
8 Hasil analisis regresi berganda 36 9 Kuesioner Penelitian 38
vi
PENDAHULUAN
Latar Belakang
Transportasi merupakan salah satu aset berharga dalam infrastruktur sebuah
negara. Kuatnya sarana transportasi menyebabkan mobilitas penduduk juga akan
semakin tinggi. Saat ini transportasi menjadi salah satu sektor yang sangat
mendukung tingkat pendapatan nasional dan mampu membuka banyak pintu
lapangan pekerjaan bagi masyarakat. Selain itu transportasi juga merupakan
sarana komersil yang sangat vital dan sangat dibutuhkan oleh masyarakat karena
pertumbuhan penduduk yang sangat tinggi membutuhkan transportasi masal yang
mampu menampung banyak penumpang. Kereta api commuter merupakan sarana
transportasi kereta dengan menggunakan sarana Kereta Rel Listrik (KRL) di
wilayah Jakarta, Bogor, Depok, Tangerang dan Bekasi. Tabel 1 memperlihatkan
jumlah penumpang Kereta Api dari tahun 2006 – 2013 di wilayah Jabodetabek,
Non Jabodetabek dan Sumatera yang keadaannya cenderung terus meningkat
setiap tahunnya, tidak terkecuali jumlah penumpang Kereta Api Commuter Line.
Oleh karena itu, PT Kereta Commuter Jabodetabek mulai melakukan banyak
perbaikan dari segi pelayanan untuk penumpang
Tabel 1 Jumlah penumpang Kereta Api 2006-2013 (dalam ribu orang)
Tahun
Jawa
Sumatera Total Jabodetabek Non Jabodetabek
Jabodetabek +
Non Jabodetabek
2013 156.891 53.532 210.423 3995 214.418
2012 134.088 63.707 197.795 4384 202.179
2011 121.105 72.936 194.041 5.296 199.337
2010 124.308 73.720 198.028 5.241 203.270
2009 130.508 68.913 199.422 4.119 203.070
2008 125.451 64.688 190.138 3.939 194.076
2007 118.095 53.826 171.921 3.415 175.336
2006 104.425 51.671 156.096 3.323 159.419
Sumber : PT Kereta Api Indonesia dan PT. KAI Commuter Jabodetabek Tahun 2014
Perusahaan jasa PT. KCJ tentu dalam penyelenggaraannya merupakan
perusahaan penjual jasa transportasi dalam wilayah Jabodetabek. Hal ini tentunya
berkaitan erat dengan pengadaan gerbong dan penjadwalan yang baik demi
memenuhi kepuasan pengguna jasa kereta api. Kereta api yang penuh sesak tentu
dapat diminimalisir dengan menggunakan peramalan akan jumlah permintaan
pengguna jasa kereta api. Selain itu tentu ada faktor-faktor yang sangat
diperhatikan oleh konsumen dalam menggunakan jasa kereta api. Untuk itu
dirasakan perlu bagi perusahaan untuk menghitung berapa kenaikan yang akan
terjadi pada jumlah permintaan penggunaan jasa trasportasi kereta api commuter
line agar perusahaan mampu mengantisipasi keadaan yang akan terjadi di masa
yang akan datang.
2
Perumusan Masalah
Berdasarkan latar belakang tersebut, maka permasalahan yang diangkat
dalam penelitian ini adalah :
1. Bagaimana pola data volume penumpang Kereta Api Commuter Line
Jabodetabek?
2. Bagaimana peramalan permintaan volume penumpang Kereta Api Commuter
Line secara kuantitatif?
3. Bagaimana peramalan permintaan volume penumpang Kereta Api Commuter
Line secara kualitatif?
Tujuan Penelitian
Tujuan dilakukannya penelitian ini, antara lain:
1. Mengidentifikasi pola data volume penumpang Kereta Api Commuter Line.
2. Menganalisis peramalan permintaan volume penumpang Kereta Api Commuter
Line secara kuantitatif
3. Menganalisis peramalan permintaan volume penumpang Kereta Api Commuter
Line secara kualitatif.
Manfaat Penelitian
Manfaat dari penelitian ini adalah dapat digunakan sebagai bahan tambahan
informasi mengenai prediksi volume penumpang kereta api commuter line selama
beberapa tahun kedepan. Penelitian ini juga dapat dijadikan bahan pertimbangan
bagi perusahaan untuk membuat kebijakan manajerial untuk mengantisipasi
kenaikan volume penumpang untuk tetap menjaga kenyamanan para penumpang
kereta commuter line tetapi dengan biaya yang seefisien mungkin. Bagi pembaca
dan untuk peneliti lain dengan topik sejenis semoga penelitian ini bisa menjadi
bahan rujukan untuk dapat menyempurnakan penelitian ini.
Ruang Lingkup Penelitian
Penelitian ini hanya difokuskan pada peramalan permintaan terhadap
perusahaan yang terjadi selama 3 tahun yang akan datang menggunakan data
historis yang ada di perusahaan maupun dari literatur lain. Peramalan kualitatif
akan diproyeksikan dengan melihat pengaruh variabel-variabel yang relevan
dengan penelitian terhadap peramalan permintaan kedepan.
3
TINJAUAN PUSTAKA
Perusahaan Jasa
Jasa adalah bentuk produk yang terdiri dari aktivitas, manfaat, atau
kepuasan yang ditawarkan untuk dijual dan pada dasarnya tidak berwujud serta
menghasilkan kepemilikan sesuatu (Kotler 2006). Menurut Ariani (2009), jasa
atau pelayanan merupakan kegiatan, proses, dan interaksi serta merupakan
perubahan dalam kondisi orang atau sesuatu dalam kepemilikan pelanggan. Pada
prinsipnya jasa merupakan bagian dari sebuah produk dari sebuah perusahaan
yang kebanyakan tidak berwujud, menciptakan kepuasan pelanggan dan
menyebabkan seorang pembeli memiliki kepemilikan akan sesuatu.
Karakteristik jasa menurut Ariani (2009) dijelaskan sebagai berikut :
1. Partisipasi pelanggan dalam proses pelayanan
Keberadaan pelanggan sebagai partisipan dalam proses pelayanan
membutuhkan perhatian dalam desain fasilitas yang berbeda dari perusahaan
manufaktur. Bagi pelanggan, pelayanan menghendaki adanya fasilitas ruang
tamu (front office), dan kualitas pelayanan meningkat apabila fasilitas
pelayanan didesain sesuai dengan keinginan atau harapan pelanggan.
2. Keserempakan
Pelayanan diciptakan dan dikonsumsi secara serempak atau simultan dan
tidak dapat disimpan sebagai ciri penting dalam pengelolaan jasa atau
pelayanan. Isu utama dalam perusahaan manufaktur adalah persediaan yang
selalu diusahakan untuk diminimalisir. Sedangkan dalam pelayanan selalu
diusahakan menekan antrian atau waktu tunggu pelanggan.
3. Mudah Rusak
Jasa merupakan komoditi yang cepat rusak. Pelayanan tidak dapat
disimpan sehingga banyak kerugian yang dirasakan bila tidak ada pelanggan
yang datang. Penggunaan kapasitas pelayanan yang penuh merupakan harapan
dan tantangan manajemen karena permintaan pelanggan menunjukkan tidak
adanya kapasitas menganggur.
4. Intangibilitas
Pelayanan merupakan ide dan konsep, sedangkan produk merupakan
sesuatu yang nampak. Hal ini membawa konsekuensi pada kesulitan pelayanan
untuk dipatenkan. Untuk mengamankan konsep pelayanan, perusahaan akan
memperluas secara cepat dan akan berusaha memberikan pelayanan yang
berbeda dari pesaingnya.
5. Heterogenitas
Kombinasi ciri pelayanan yang sulit dipahami dan pelanggan sebagai
partisipan dalam sistem penyampaian pelayanan menghasilkan variasi
pelayanan antarpelanggan. Pelanggan berperan dalam pengendalian kualitas
melalui umpan balik. Oleh karena itu, hubungan langsung antara pelanggan
dengan karyawan pemberi jasa berdampak pada jasa yang diberikan.
4
Dimensi Kualitas Jasa
Parasuraman dkk (1985) menyebutkan bahwa dimensi kualitas jasa terdiri
dari:
1. Reliability: kemampuan untuk memberikan jasa dengan segera dan memuaskan
2. Responsiveness: kemampuan untuk memberikan jasa dengan tanggap.
3. Assurance: kemampuan, kesopanan, dan sifat dapat dipercaya yang dimiliki
oleh para staf, bebas dari bahaya, resiko dan keragu-raguan.
4. Empathy: kemudahan dalam melakukan hubungan komunikasi yang baik dan
memahami kebutuhan pelanggan.
5. Tangibles: fasilitas fisik, perlengkapan, pegawai dan sarana komunikasi.
Transportasi
Transportasi menurut Kamaludin (2003) diartikan sebagai usaha
mengangkat atau membawa barang dan/atau penumpang dari suatu tempat ke
tempat lainnya. Hal ini mengandung tiga unsur yaitu: (1) muatan yang diangkut,
(2) tersedianya kendaraan sebagai alat angkut, dan (3) terdapat jalan yang dapat
dilalui. Dengan adanya pemindahan barang dan manusia maka transportasi
merupakan salah satu sektor penunjang kegiatan ekonomi dan pelayanan dalam
bidang jasa.
Tamin (2000) mengemukakan bahwa prasarana transportasi memiliki dua
peran utama yaitu sebagai alat bantu untuk mengarahkan pembangunan di daerah
perkotaan dan sebagai prasarana bagi pergerakan manusia dan/atau barang yang
timbul akibat adanya kegiatan di daerah perkotaan. Pertumbuhan ekonomi
memiliki keterkaitan erat dengan transportasi akibat pertumbuhan ekonomi maka
mobilitas seseorang meningkat dan kebutuhan akan sarana transportasi menjadi
lebih tinggi.
Peramalan
Peramalan (forecasting) adalah seni dan ilmu memprediksi peristiwa-
peristiwa masa depan (Render dan Heizer 2001). Peramalan diperlukan karena
adanya perbedaan kesenjangan waktu (Timelag) antara kesadaran akan
dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan
tersebut.
Menurut Render dan Heizer (2001), jika dilihat dari jangka waktu ramalan
yang telah disusun, maka peramalan dapat dibedakan menjadi 3 macam, yaitu:
1. Peramalan jangka pendek, yaitu peramalan yang memiliki rentang waktu satu
tahun tetapi umumnya kurang dari tiga bulan. Peramalan jangka pendek
digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga
kerja, penugasan dan tingkat produksi.
2. Peramalan jangka menengah, bisaanya berjangka tiga bulan hingga tiga tahun.
Peramalan ini sangat bermanfaat dalam perencanaan penjualan, perencanaan
dan penganggaran produksi, penganggaran kas, dan menganalisis berbagai
rencana operasi.
3. Peramalan jangka panjang, yaitu peramalan yang memiliki rentang waktu
bisaanya tiga tahun atau lebih, digunakan dalam merencanakan produk baru,
5
pengeluaran modal, lokasi fasilitas, atau ekspansi dan penelitian serta
pengembangan.
Jenis-jenis peramalan menurut Render dan Heizer (2001) adalah :
1. Ramalan ekonomi, membahas siklus bisnis dengan memprediksi tingkat inflasi,
suplai uang permulaan perumahan, dan indikator-indikator perencanaan lain.
2. Ramalan teknologi, berkaitan dengan tingkat kemajuan teknologi, yang akan
melahirkan produk-produk baru yang mengesankan, membutuhkan pabrik dan
peralatan baru.
3. Ramalan permintaan, adalah proyeksi permintaan untuk produk atau jasa
perusahaan. Ramalan ini disebut juga ramalan penjualan, mengarahkan
produksi, kapasitas dan sistem penjadwalan perusahaan.
Peramalan kualitatif umumnya bersifat subyektif, dipengaruhi oleh intuisi,
emosi, pendidikan dan pengalaman seseorang. Meskipun demikian, peramalan
dengan metode kualitatif tidak berarti hanya menggunakan intuisi semata,
melainkan dapat mengikutsertakan model statistik sebagai tambahan informasi
dalam melakukan judgement (pendapat, keputusan) dan dapat dilakukan secara
perseorangan maupun kelompok (Herjanto 2010). Dalam peramalan kualitatif
dikenal empat metode yang umum dipakai, yaitu pendapat eksekutif, metode
Delphi, gabungan estimasi tenaga penjualan, dan riset pasar (Herjanto 2010).
1. Pendapat Eksekutif
Metode ini mendasarkan pada pendapat dari sekelompok eksekutif
tingkat atas yaitu pimpinan perusahaan dan manajer terkait dengan
perencanaan bisnis misalnya dari bagian pemasaran, produksi keuangan,
logistic dan pengembangan yang duduk bersama mendiskusikan dan
memutuskan perkiraan permintaan produk pada masa yang akan datang.
2. Metode Delphi
Metode Delphi banyak digunakan untuk memperoleh gambaran keadaan
masa datang yang akurat dan professional. Metode ini mampu memperoleh
konsensus dari sekumpulan tenaga ahli (expert) tanpa mereka mengetahui satu
sama lain namun metode ini sangat memakan waktu dan memerlukan
keterlibatan banyak pihak. Metode ini sangat dipengaruhi oleh rancangan
kuesioner dan jumlah kuesioner yang dikembalikan oleh responden, karena
perusahaan tidak bisa memaksa responden harus mengisi kuesioner tersebut.
3. Gabungan Estimasi Tenaga Penjualan
Metode ini banyak digunakan karena tenaga penjualan (sales force)
merupakan sumber informasi yang baik mengenai permintaan konsumen.
Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya yang
kemudian digabung pada tingkat provinsi dan seterusnya hingga ke tingkat
nasional untuk mencapai peramalan secara menyeluruh. Namun metode ini
memiliki kelemahan dalam pelaksanaannya dan mengakibatkan para tenaga
penjualan seringkali bersikap optimistik sehingga terjadi overestimate ataupun
sebaliknya para tenaga penjual bersikap pesimis dan terjadi underestimate
serta menargetkan penjualan yang rendah agar mudah mencapainya.
6
4. Riset Pasar
Riset pasar merupakan suatu pendekatan sistematik untuk
mengetahui keinginan konsumen terhadap suatu produk atau pelayanan
dengan menciptakan dan menguji hipotesis melalui pencarian data di
lapangan. Riset pasar dapat digunakan untuk meramal permintaan jangka
waktu pendek, menengah ataupun panjang. Riset pasar membantu tidak saja
dalam menyiapkan peramalan tetapi juga dalam meningkatkan desain produk
dan perencanaan untuk suatu produk baru.
Jenis Pola Data
Langkah penting dalam memilih suatu metode deret berkala (time series)
yang tepat adalah dengan mempertimbangkan jenis pola data sehingga metode
yang paling tepat dengan pola tersebut dapat diuji. Dalam Render dan Heizer
(2001) pola data seri waktu memiliki 4 jenis, yaitu:
1. Pola Data Trend (T)
Pola tren adalah gerakan ke atas atau ke bawah secara berangsur-angsur
dari data sepanjang waktu.
2. Pola Data Musiman (S)
Pola data Musim (S) adalah pola data yang berulang setelah periode
harian, mingguan, bulanan, atau kuartalan.
3. Pola Data Siklus (C)
Pola data siklus adalah pola dalam data yang terjadi setiap beberapa
tahun. Siklus bisaanya dikaitkan dengan siklus bisnis dan merupakan hal yang
sangat penting dalam analisis dan perencanaan bisnis jangka pendek.
4. Pola Variasi Acak (R)
Pola data variasi acak adalah “tanda” dalam data yang disebabkan oleh
peluang dan situasi yang tidak bisaa; variabel acak mengikuti pola yang tidak
dapat dilihat.
Keempat pola ini belum cukup untuk menentukan metode yang tepat agar
peramalan menjadi efektif dengan tingkat kesalahan sekecil mungkin (Baroto
2002).
Pengukuran Ketelitian Peramalan
Suatu peramalan dikatakan sempurna bila nilai variabel yang diramalkan
sama dengan nilai sebenarnya. Namun untuk melakukan peramalan yang tepat
sangat sulit dilakukan bahkan tidak mungkin untuk dilaksanakan. Oleh karena itu
peramalan diharapkan dapat dilakukan dengan nilai kesalahan sekecil mungkin
(Herjanto 2010).
1. Rata-rata Penyimpangan Absolut (Mean Absolute Deviation)
Rata-rata penyimpangan absolut merupakan penjumlahan
kesalahan peramalan nilai mutlak dibagi banyaknya data yang diamati, yang
dirumuskan sebagai berikut :
7
…………………………………………….….(1)
Keterangan:
: Selisih nilai aktual dengan nilai ramalan
: Jumlah data
2. Rata-rata Kesalahan Kuadrat (Mean Squared Error)
Metode rata-rata kesalahan kuadrat memperkuat pengaruh angka-
angka kesalahan besar dan memperkecil angkat kesalahan peramalan yang
kecil dengan rumus sebagai berikut :
………………………………………………...(2)
Keterangan:
: Kuadrat selisih nilai aktual dengan nilai ramalan
: jumlah data
3. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error)
Pengukuran ketelitian dengan cara rata-rata persentase kesalahan
absolut menunjukkan rata-rata kesalahan absolut peramalan dalam bentuk
persentase terhadap data aktual dengan rumus sebagai berikut :
……………………………………………(3)
Keterangan:
: Selisih nilai ramalan dengan nilai aktual
: Nilai aktual
: Jumlah data
Penelitian Terdahulu
Belladona (2008) melakukan penelitian yang berjudul “Analisis Peramalan
dan Faktor-faktor yang Mempengaruhi Volume Penjualan Obat Hewan PT
Univetama Dinamika, Jakarta”. Penelitian tersebut bertujuan untuk menganalisis
faktor apa saja yang dapat mempengaruhi volume penjualan multivitamin obat
hewan pada PT UTD. Selain itu penelitian tersebut bertujuan menganalisis metode
peramalan yang tepat yang dapat diterapkan oleh perusahaan serta meramalkan
volume penjualan untuk 12 bulan ke depan.
Penelitian Belladona (2008) menunjukkan bahwa hasil analisis regresi
menunjukkan bahwa lag volume penjualan, populasi unggas dan harga jual
multivitamin kompetitor berpengaruh nyata terhadap volume penjualan PT UTD.
Hasil analisis peramalan menunjukkan bahwa metode ARIMA (1,0,0)(0,1,1)12
8
merupakan metode terbaik karena memiliki nilai MSE (Mean Square Error)
terkecil. Metode tersebut juga digunakan untuk meramalkan volume penjualan
pada PT UTD untuk 12 bulan ke depan sehingga perusahaan mampu melakukan
perencanaan produksi yang akan datang, perencanaan kebutuhan bahan,
rekrutmen tenaga kerja, prediksi arus kas dan tingkat dimana komposisi biaya dan
pendapatan yang dipilih dapat mempertahankan likuiditas dan efisiensi operasi.
Lisjiyanti (2011) melakukan penelitian yang berjudul “Analisis Peramalan
Penjualan Tahu Kita pada PT. Kitagama, Jakarta”. Penelitian tersebut bertujuan
untuk menganalisis pola data penjualan tahu pada PT. Kitagama di lima outlet
penjualan, mengkaji dan memperoleh metode peramalan kuantitatif yang paling
sesuai untuk melakukan peramalan penjualan tahu di lima outlet penjualan serta
mengkaji dan memperoleh hasil peramalan produk Tahu Kita PT. Kitagama di
lima outlet penjualan.
Hasil penelitian menunjukkan bahwa dari hasil peramalan didapatkan
bahwa metode terbaik untuk penjualan Tahu Kita pada outlet Pastellia dan outlet
Kemchicks menggunakan Decomposition Additive, penjualan Tahu Kita pada
outlet Joyo Swalayan menggunakan Moving Average (4), penjualan Tahu Kita
pada outlet Ps. Bintaro Mas menggunakan ARIMA (2,0,2) dan penjualan Tahu
Kita pada outlet Market City menggunakan Trend Quadratic. Hasil perhitungan
menunjukkan total perkiraan pendapatan kotor produk Tahu Kita selama 15 bulan,
yaitu dari bulan Januari 2011 sampai Maret 2012 untuk outlet Pastellia Rp
7.560.000, outlet Kemchicks Rp 5.728.000, outlet Pasar Bintaro Mas Rp
4.288.000, outlet Market City Rp 2.880.000, outlet Joyo Swalayan Rp 2.160.000.
Hasil tersebut dapat digunakan sebagai dasar perencanaan
pembiayaan/penganggaran dana di masa mendatang dan perencanaan pemasaran
bagi peningkatan penjualan Tahu Kita.
METODE
Kerangka Pemikiran
PT. KCJ merupakan anak perusahaan PT. KAI yang masih tergolong baru
untuk menjalankan roda industri perkeretaapian. Banyaknya perubahan yang
dilakukan PT KAI untuk memperbaiki kualitas jasa transportasi kereta api untuk
daerah Jabodetabek, maka permintaan terhadap industry perkeretaapian pun
menjadi tidak dapat diprediksi. Untuk itu perlu diadakan sebuah penelitian tentang
bagaimana kondisi permintaan terhadap jasa transportasi kereta api commuter line
di masa depan agar perusahaan mampu mengantisipasi permintaan yang akan
terjadi.
Penelitian ini diharapkan mampu mendapatkan model peramalan yang
memiliki tingkat kesalahan terkecil yang dapat diterapkan oleh perusahaan.
Dengan begitu perusahaan mampu mengambil kebijakan yang sesuai dengan
keadaan yang diramalkan. Selain itu masukan dari responden tentang rencana
penggunaan jasa kereta api commuter line diharapkan mampu merumuskan
implikasi manajerial dari penelitian ini. Kerangka pemikiran yang mendasari
penelitian adalah sebagai berikut:
9
Gambar 1 Alur kerangka pemikiran penelitian
Lokasi dan Waktu Penelitian
Penelitian dilakukan di sepanjang stasiun kereta Jabodetabek dan waktu
pelaksanaan penelitian yaitu pada bulan Februari-Maret 2014.
Metode Pengumpulan Data
Informasi dan pengumpulan data yang dikumpulkan meliputi data primer
dan sekunder serta jenis data yang bersifat kualitatif dan kuantitatif. Data primer
diperoleh dari responden melalui penyebaran kuesioner dan data sekunder
diperoleh dari laporan internal perusahaan serta data pelengkap yang dikumpulkan
dari literatur-literatur, studi pustaka, internet dan tulisan yang berkaitan.
Metode Pengambilan Sampel
Jumlah populasi pada penelitian ini tidak diketahui secara pasti. Oleh
karena itu, teknik pengambilan sampel dalam penelitian ini menggunakan
purposive sampling dimana peluang seseorang untuk dipilih menjadi anggota
sampel adalah pengguna jasa commuter line dengan kriteria tertentu yang
mewakili keseluruhan populasi dan sesuai dengan sasaran dan tujuan penelitian.
Metode yang digunakan dalam pemilihan responden penumpang commuter line di
Dimensi kualitas Jasa
yang mempengaruhi
permintaan :
1. Reliability
2. Responsiveness
3. Assurance
4. Emphaty
5. Tangibles
PT. Kereta Commuter Jabodetabek
Peramalan permintaan penumpang PT.
KCJ tahun 2014-2016
Metode Peramalan Time Series
Metode peramalan
kualitatif
Data historis permintaan jasa Commuter
Line Jabodetabek
Permintaan Terhadap Jasa Transportasi Commuter Line
Metode Peramalan Kuantitatif
Perencanaan kegiatan
operasional
10
penelitian ini adalah accidental sampling dengan pertimbangan bahwa populasi
bervariasi serta bersifat heterogen yang secara kebetulan bertemu saat melakukan
observasi. Sampel yang digunakan dalam penelitian ini adalah 100 orang
responden dengan pertimbangan bahwa jumlah sampel tersebut cukup
representatif untuk mewakili populasi yang ada.
Pengolahan dan Analisis Data
Data sekunder yang dikumpulkan kemudian diolah dan dianalisis dengan
menggunakan metode ARIMA (Autoregressive Integrated Moving Average),
double exponential smoothing Holt’s method dan double exponential smoothing
Winter’s method dengan melihat nilai MAPE terkecil untuk mendapatkan nilai
peramalan 3 tahun kedepan. Sedangkan data primer yang telah dikumpulkan
melalui penyebaran kuesioner kepada responden akan diolah menggunakan
analisis linear berganda untuk menguatkan nilai hasil peramalan kualitatif.
HASIL DAN PEMBAHASAN
Gambaran Umum Perusahaan
PT KAI Commuter Jabodetabek merupakan salah satu anak perusahaan
milik PT Kereta Api (Persero) yang dibentuk sesuai dengan Inpres No. 5 Tahun
2008 dan Surat Menneg BUMN No S-653/MBU/2008 tanggal 12 Agustus 2008.
Awalnya PT Commuter Jabodetabek lahir dari proses panjang dimulai dari awal
pembentukan Divisi Angkutan Perkotaan Jabodetabek yang dibentuk oleh PT
Kereta Api (Persero). Namun pada akhirnya Divisi ini memisahkan diri dari PT
Kereta Api (Persero) Daop 1 Jakarta. Setelah pemisahan ini pelayanan KRL untuk
wilayah Jabodetabek berada di bawah PT Kereta Api (Persero) Divisi Angkutan
Perkotaan Jabodetabek. Akhirnya di tahun 2008 PT Kereta Api (Persero) Divisi
Angkutan Perkotaan Jabodetabek berubah menjadi sebuah perseroan terbatas
yaitu PT KAI Commuter Jabodetabek.
Tugas utama PT KAI Commuter Jabodetabek adalah menyelenggarakan
perusahaan pelayanan jasa angkutan transportasi kereta api commuter dengan
menggunakan sarana Kereta Rel Listrik untuk wilayah Jakarta, Depok, Bogor,
Bekasi dan Tangerang serta pengusahaan di bidang usaha non angkutan
penumpang. Kereta Api Commuter Line melayani 6 wilayah utama antara lain,
Jakarta Kota-Bogor (Depok), Jakarta-Bekasi, Lingkar Jakarta seperti Jatinegara –
Bogor dan Jatinegara – Depok, Jakarta – Tangerang Selatan, Parung, Lebak,
Jakarta – Tangerang dan Jalur khusus Tanjung Priok.
Berdasarkan laporan yang dikeluarkan oleh Departemen Perhubungan
Tahun 2012 terjadi peningkatan pertumbuhan panjang jalan kereta api menurut
lintas sebesar 0,41%. Untuk armada kereta api secara keseluruhan mengalami
peningkatan sebesar 30,89%. Kereta Commuter Line sendiri pada tahun 2013
telah mendatangkan 150 gerbong kereta seri JR 205 namun gerbong yang telah
11
disertifikasi oleh Dirjen Kereta Api Kementerian Perhubungan baru sejumlah 2
rangkaian atau 20 gerbong.
PT Kereta Commuter Jabodetabek memiliki visi untuk mewujudkan jasa
angkutan kereta api komuter sebagai pilihan utama dan terbaik di wilayah Jakarta
dan sekitarnya. Perusahaan juga memiliki misi yaitu menyelenggarakan jasa
angkutan kereta api komuter yang mengutamakan keselamatan, pelayanan,
kenyamanan dan ketepatan waktu, serta yang berwawasan lingkungan.
Identifikasi Pola Data Volume Penumpang
Data yang digunakan dalam peramalan volume permintaan kereta api
commuter line Jabodetabek adalah volume runtun waktu volume penumpang per
bulan dari tahun 2006-2013 untuk meramalkan volume penumpang dalam jangka
pendek maupun jangka panjang. Data volume penumpang dapat dilihat dalam
Gambar 2.
Gambar 2 Data Penumpang Kereta Commuter Line Tahun 2006-2013 (dalam ribu)
Plot autokorelasi yang dapat dilihat pada lampiran menunjukkan bahwa data
memiliki nilai koefisien autokorelasi yang berbeda nyata dari nol secara berurutan
pada beberapa time lag. Hal ini menunjukkan bahwa pola data adalah trend. Pada
bulan Februari 2007 dan Januari 2013 terjadi penurunan penumpang yang sangat
signifikan. Hal ini disebabkan oleh bencana banjir yang melanda daerah
Jabodetabek dan terjadi genangan air di banyak tempat.
Analisis Peramalan Time Series
Setelah dilakukan plot pola data pada beberapa metode peramalan time
series yang sesuai dengan bentuk pola data maka perlu diperhatikan bahwa
peramalan terbaik adalah metode yang memiliki nilai MAPE terkecil. Metode dan
nilai MAPE dapat dilihat pada Tabel 2.
12
Tabel 2 Metode dan nilai MAPE
Metode Nilai MAPE
ARIMA (1,1,0)(1,1,0)12
ARIMA (0,1,1)(1,1,0)12
Double exponential smoothing Holt
Double exponential smoothing Winter
11.9314
12.0576
13.0795
9.7159
Sumber : Data Olahan (2014)
Penemuan model peramalan yang baik perlu diproses dalam beberapa tahap.
Tahap pertama yang harus dilewati adalah uji stasioneritas data. Data yang
stasioner adalah data yang tidak berbeda jauh dari nilai tengahnya dengan
keragaman yang konstan dan tidak terdapat fluktuasi periodik. Jika data tidak
berbentuk pola stasioner maka perlu dilakukan tahap pembeda (differencing) agar
data menjadi stasioner dan dapat dilanjutkan ke tahap berikutnya.
Data time series volume penumpang kereta commuter line Jabodetabek
merupakan pola data yang tidak stasioner dan mengandung tren. Volume
penumpang commuter line secara umum terus meningkat sehingga membuat data
menyebar jauh dari nilai tengah nya. Lonjakan penumpang terjadi pada tahun
2012-2013. Hal ini mungkin terjadi karena PT KCJ memberlakukan tarif progresif
dan melakukan banyak perubahan dan melakukan perbaikan dengan memperbaiki
seluruh stasiun yang ada di Jabodetabek dan memberlakukan sistem tiket yang
baru.
Uji stasioner harus melewati dua tahap yaitu data harus stasioner dalam
varians dan data harus stasioner dalam rata-rata. Data awal volume penumpang
commuter line pada Gambar 2 tidak stasioner dalam varians dan tidak stasioner
dalam rata-rata. Hal ini dapat dilihat pada Gambar 3. Uji Box-cox pada nilai
Lambda yang optimal menunjukan bahwa nilai Rounded value pada data masih
bernilai -1.00. Untuk itu perlu dilakukan transformasi data menggunakan metode
autokorelasi sehingga data menjadi stasioner dalam varians seperti yang terlihat
dalam Lampiran. Nilai Lambda yang digunakan pada transformasi menggunakan
nilai estimasi pada uji Box-cox pertama yaitu -1.00 sehingga nilai Rounded value
pada nilai transformasi menjadi 1.00. Hal ini menunjukkan bahwa data telah
stasioner dalam varians.
Gambar 3 Hasil Minitab uji Box-Cox plot pada data
13
Uji selanjutnya yang harus dilakukan pada data adalah uji kestasioneran
dalam rata-rata. Data hasil transformasi yang telah diuji stasioner dalam varians
merupakan data yang masih mengandung komponen tren didalamnya dan
memiliki pola yang berulang dalam waktu tertentu dan menyebar jauh dari nilai
rata-rata nya sehingga data tidak stasioner dalam rata-rata dapat dilihat pada
Gambar 4. Untuk itu perlu dilakukan proses pembeda (differencing) agar
menghasilkan data stasioner yang dapat diolah dengan metode ARIMA. Setelah
dilakukan proses differencing pada lag 1 data telah stasioner dalam rata-rata. Hal
ini dapat dilihat pada Gambar 5 bahwa data menyebar pada nilai tengah nya dan
telah menghilangkan unsur tren didalamnya. Banyaknya perbedaan proses
differencing akan dijadikan ordo d pada model ARIMA
Gambar 4 Hasil grafik linier pada data hasil transformasi
Gambar 5 Hasil grafik linier pada data hasil differencing pada lag 1
Tahap selanjutnya yaitu mengidentifikasi model ARIMA yang terbaik
dalam peramalan. ARIMA terdiri dari Autoregrresive model dan Moving Average
yang memiliki ordo (p,d,q) dan ordo (P,D,Q) bila data terdapat unsur tren
didalamnya. Penetuan ordo ini ditentukan berdasarkan ciri-ciri yang ditunjukkan
oleh data. Kesalahan umum terjadi pada penentuan ordo ini karena masih
merupakan tahap praduga.
14
Identifikasi ordo (p,d,q) dapat dilakukan dengan menggunakan
Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF).
Data stasioner pada proses differencing satu sehingga pendugaan ARIMA
memiliki ordo d=1. Untuk mengidentifikasi ordo AR(p) dapat menggunakan
grafik ACF pada data yang telah dilakukan proses differencing yang dapat dilihat
pada Lampiran 3. Grafik ACF memiliki model dies down dimana data dari lag
pertama secara bertahap menurun nilainya mendekati 0 pada lag kelima. Hal ini
menunjukkan bahwa data mengindikasikan memiliki model AR. Untuk
mengidentifikasi bentuk data maka model sementara yang digunakan adalah ordo
p=1.
Pola PACF berfungsi sebagai petunjuk adanya model MA dalam ARIMA.
Pada lampiran 3 terlihat bahwa data yang telah melewati proses differencing satu
kali pola grafik membentuk dies down dimana data mendekati nol setelah lag
pertama. Hal ini menunjukkan adanya pola MA. Untuk identifikasi awal maka
model sementara yang digunakan adalah ordo q=1.
Hasil identifikasi model menghasilkan model ARIMA (1,1,1)(1,1,1)12.
Sebelum melakukan peramalan dengan model tersebut dan menghitung nilai
MAPE, perlu dilakukan uji kriteria konverginitas yang ditunjukkan oleh output
pada Minitab yang menyatakan “relative change in each estimate less than
0,0010” yang artinya data telah menjadi konvergen setelah dilakukan proses
iterasi. Model diterima jika nilai dari p value antar parameter kurang dari 0,05
yang menunjukan parameter sudah signifikan. Dengan prinsip parsimonitas
(kesederhanaan) dalam model maka dipilih model sementara yang relevan dengan
peramalan yaitu ARIMA (1,1,1)(1,1,0)12, ARIMA (1,1,0)(1,1,0)12 dan ARIMA
(0,1,1)(1,1,0)12. Selain itu dilakukan diagnosis model menggunakan dua tahap uji
normalitas residual menggunakan uji Kolgomorov-Smirnov dan uji independensi
residual/white noise menggunakan uji Ljung Box. Uji normalias residual
menunjukan bahwa data hasil peramalan telah memiliki nilai D hitung dan nilai p
value dari nilai Ljung Box telah lebih besar dari 0,05.
Model ARIMA (1,1,1)(1,1,1)12 seperti yang dapat dilihat pada lampiran 4
menunjukkan bahwa “Convergence criterion not met after 25 iterations” yang
artinya data tidak konvergen karena data tidak dapat diiterasi lebih lanjut setelah
iterasi ke 25. Nilai p value AR, SAR, MA, dan SMA berturut-turut adalah 0,205,
0,986, 0,467, 0,000. Model tidak berhasil melewati uji white noise karena nilai
Ljung Box adalah 0,088, 0,104, 0,034 dan 0,064 dimana masih ada nilai yang
kurang dari 0,05.
Model ARIMA (1,1,0)(1,1,0)12 telah konvergen karena hasil olahan pada
minitab menunjukkan bahwa ”Relative change in each estimate less than 0.0010”
dan memiliki nilai parameter p value AR 0,204 dan SAR 0,001 seperti yang
terlihat pada lampiran 4. Selain itu nilai p value dari Ljung Box bernilai 0,185,
0,091, 0,126, 0,241 yang lebih besar dari 0,05. Hal ini menunjukkan bahwa data
telah konvergen dan white noise dengan model ARIMA (1,1,0)(1,1,0)12.
Model ARIMA (1,1,1)(1,1,0)12 tidak konvergen karena hasil minitab pada
lampiran 4 menunjukkan bahwa “Convergence criterion not met after 25
iterations” data tidak konvergen dan tidak dapat diiterasi lebih lanjut setelah
iterasi ke 25. Nilai p value AR, SAR dan MA berturut-turut adalah 0,281, 0,001,
0,472 yang. Selain itu nilai Ljung Box pada model ini memiliki nilai 0,220, 0,098,
0,165 dan 0,28.
15
Hasil output minitab menunjukkan bahwa model ARIMA (0,1,1)(1,1,0)12
”Relative change in each estimate less than 0.0010” dan menunjukkan
konvergenitas seperti yang terlihat pada lampiran 4. Nilai parameter SAR dan MA
memiliki nilai p value sebesar 0,001 dan 0,340. Model (0,1,1)(1,1,0)12 juga telah
melewati uji white noise karena memiliki nilai Ljung Box 0,137, 0,072, 0,079, dan
0,172 dimana nilai tersebut telah lebih besar dari 0,05.
Model ARIMA (1,1,0)(1,1,0)12 dan model ARIMA (0,1,1)(1,1,0)12 telah
melewati uji normalitas residual karena nilai p value hasil uji Kolgomorov
Smirnov telah lebih dari 0,05 seperti yang terlihat pada lampiran 5. Hal ini
membuktikan bahwa kedua model telah melewati uji yang relevan dan kedua
model dapat dilakukan peramalan.
Model double exponential smoothing Holt’s dengan nilai konstanta
pemulusan (α) 0,1 memiliki nilai MAPE sebesar 13.0795. Model double
exponential smoothing Winter’s dengan nilai konstanta pemulusan (α) 0,3 nilai
konstanta tren (γ) 0,3 dan nilai konstanta musiman (β) 0,3 memiliki nilai MAPE
sebesar 9.7159. Hasil perhitungan MAPE terhadap seluruh model tersaji pada
tabel 2. Peramalan metode terbaik yang digunakan dalam meramalkan volume
permintaan penumpang kereta api commuter line adalah metode double
exponential smoothing Winter’s dengan nilai MAPE 9.7159. Hasil peramalan
dengan metode double exponential smoothing Winter’s dapat dilihat pada tabel 3.
Tabel 3 Peramalan volume penumpang commuter line selama 3 tahun
(dalam ribu orang)
Periode Bulan (Tahun) Peramalan Volume
Penumpang Selang Peramalan
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
Januari (2014)
Februari (2014)
Maret (2014)
April (2014)
Mei(2014)
Juni (2014)
Juli (2014)
Agustus (2014)
September (2014)
Oktober (2014)
November (2014)
Desember (2014)
Januari (2015)
Februari (2015)
Maret (2015)
April (2015)
Mei (2015)
Juni (2015)
Juli (2015)
Agustus (2015)
September (2015)
Oktober (2015)
November (2015)
Desember (2015)
Januari (2016)
Februari (2016)
Maret (2016)
April (2016)
16399.3
16360.5
18887.7
19308.5
20345.3
20653.4
22705.0
21864.0
22054.1
23051.9
22744.4
23283.7
24034.6
23693.3
27048.4
27361.0
28545.2
28707.0
31280.0
29869.4
29890.1
31006.8
30373.8
30881.7
31669.9
31026.1
35209.1
35413.6
15157.9 – 17640.7
15074.6 – 17646.4
17550.4 – 20225.1
17913.5 – 20703.4
18887.3 – 21803.3
19127.5 – 22179.3
21107.2 – 24302.9
20190.5 – 23537.5
20301.8 – 23806.4
21218.0 – 24885.7
20826.6 – 24662.1
21279.9 – 25287.5
21942.9 – 26126.2
21512.2 – 25874.4
24776.4 – 29320.5
24996.8 – 29725.2
26087.7 – 31002.8
26155.3 – 31258.8
28633.1 – 33927.0
27126.5 – 32612.4
27050.4 – 32729.7
28069.8 – 33943.8
27338.9 – 33408.7
27748.3 – 34015.0
28437.6 – 34902.2
27694.4 – 34357.8
31777.7 – 38640.5
31882.0 – 38945.1
16
Periode Bulan (Tahun) Peramalan Volume
Penumpang Selang Peramalan
125
126
127
128
129
130
131
132
Mei (2016)
Juni (2016)
Juli (2016)
Agustus (2016)
September (2016)
Oktober (2016)
November (2016)
Desember (2016)
36745.2
36760.7
39855.1
37874.9
37726.0
38961.7
38003.2
38479.6
33113.2 – 40377.2
33027.9 – 40493.5
36021.2 – 43688.9
33939.7 – 41810.0
33689.2 – 41762.8
34823.1 – 43100.2
33762.6 – 42243.7
34136.8 – 42822.3
Sumber : Data Olahan (2014)
Berdasarkan hasil peramalan dengan metode double exponential smoothing
Winter’s diprediksi volume penumpang cukup stabil dan terjadi peningkatan
setiap bulannya. Namun pada tahun 2015 dan 2016 terjadi lonjakan penumpang
yang cukup signifikan pada awal-awal tahun. Pada Tabel 3 tersedia data upper
dan lower dari output minitab pengolahan data permintaan sehingga perusahaan
mampu memprediksi kemungkinan terbaik maupun yang terburuk.
Gambar 6 Grafik hasil peramalan Time Series
Analisis Peramalan Customer Market Research
Profil Responden
Tingginya permintaan akan jasa transportasi kereta api commuter line
belakangan ini membuat volume penumpang melonjak naik hingga sekitar
500.000 hingga 600.000 penumpang tiap harinya seperti yang terlihat pada
Gambar 2. Hal ini terjadi karena PT KCJ yang melaksanakan penyelenggaraan
jasa kereta api listrik di Jabodetabek melakukan banyak perubahan yang
signifikan. Mulai dari perbaikan di seluruh stasiun, pemberlakuan tarif progresif
17
hingga membuat sistem tiket elektrik yang meningkatkan efisiensi penumpang
dalam melakukan mobilisasi di dalam stasiun.
Tabel 4 Profil Penumpang Kereta Commuter Line Jabodetabek No Profil Penumpang Kategori Persentase (%)
1 Jenis Kelamin Pria
Wanita
63
37
2 Usia <25 tahun
25 – 40 tahun
41 – 50 tahun
> 50 tahun
45
38
13
4
3 Pendidikan SD
SMP/Sederajat
SMA/Sederajat
Perguruan Tinggi
1
3
34
62
4 Pekerjaan PNS
Pegawai Swasta
Pedagang/Wiraswasta
Pelajar/Mahasiswa
9
46
12
33
5 Pendapatan < Rp 1.000.000
Rp 1.000.000-Rp 3.000.000
Rp 3.000.000-Rp 5.000.000
> Rp 5.000.000
25
33
28
14
6 Tujuan Bekerja
Sekolah/Kuliah
Belanja/Rekreasi
Lainnya
47
23
18
12
7 Jenis Pembayaran Tiket Kartu Multitrip
Tiket Harian Berjaminan
57
43
8 Frekuensi Setiap Hari
Hari Kerja (Senin-Jum’at)
Weekend (Sabtu-Minggu)
Seminggu sekali
Sebulan sekali
Lainnya
15
54
7
15
7
2
9 Lama Penggunaan < 1 tahun
1 -2 tahun
3 – 4 tahun
> 4 tahun
25
27
26
22
Sumber : Data Olahan (2014)
Analisa deskriptif pada Tabel 4 menunjukkan bahwa persentase penumpang
dengan jenis kelamin laki-laki lebih banyak daripada wanita sebesar 63% dan
penumpang wanita sebesar 37%. Kondisi kereta yang penuh sesak pada jam-jam
kerja didominasi oleh penumpang pria. Karena pada jam tersebut tidak nyaman
bagi penumpang wanita untuk ikut berdiri di dalam kereta yang penuh sesak.
Penumpang kereta commuter line berada pada usia produktif yaitu di bawah 40
tahun yang persentasenya mencapai 83%. Hal ini dapat dilihat pada jenis
pekerjaan penumpang yaitu sebesar 46% berprofesi sebagai pekerja swasta dan
sebesar 33% adalah pelajar/mahasiswa.
Penumpang memiliki tingkat pendidikan mayoritas berada pada
SMA/Sederajat dan Perguruan Tinggi.. Hal ini selaras dengan tujuan para
penumpang menggunakan jasa kereta api commuter line yaitu bekerja dan
belajar/kuliah yang persentasenya mencapai 70%. Sebanyak 86% penumpang
memiliki pendapatan di bawah Rp 5.000.000. Hal ini menunjukkan bahwa kereta
api commuter line masih menjadi transportasi andalan bagi masyarakat kalangan
menengah ke bawah.
18
Saat ini commuter line menggunakan dua jenis tiket elektronik yaitu KMT
(Kartu Multitrip) dan THB (Tiket Harian Berjaminan). Sebesar 57% sampel dari
populasi menggunakan KMT untuk tiket perjalanan mereka. Tingkat efisiensi
KMT yang lebih besar karena tidak mengharuskan penumpang untuk berlama-
lama dalam antrian membuat masyarakat lebih memilih untuk menggunakan
KMT daripada THB. Namun untuk penumpang yang tidak selalu menggunakan
transportasi kereta api lebih memilih THB walaupun harus menunggu dalam
antrian untuk membayar biaya perjalanan di loket. Penumpang yang
menggunakan commuter line setiap hari kerja yakni dari hari senin hingga jumat
mencapai 54% dan yang menggunakan kereta untuk transportasi setiap hari
sebesar 15%.
Uji Validitas dan Reliabilitas
Untuk mengidentifikasi keabsahan suatu instrumen penelitian, kuesioner
harus melalui uji validitas dan reliabilitas. Uji validitas berfungsi untuk
mengidentifikasi sah atau tidaknya suatu indikator pertanyaan dalam kuesioner
dan sejauh mana kuesioner mampu mengukur variabel yang ada di dalam
penelitian. Sedangkan uji reliabilitas adalah keandalan suatu alat ukur untuk
mengukur variabel secara konsisten dari waktu kewaktu. Suatu indikator
dinyatakan valid apabila memiliki rhitung yang lebih besar dari rtabel yaitu 0,361
untuk tingkat signifikansi α=5%. Jika rhitung>rtabel maka artinya H0 instrumen telah
valid diterima. Pada lampiran 6 menunjukkan bahwa instrumen penelitian belum
seluruhnya valid karena masih ada nilai rhitung<rtabel pada indikator TG4 dan PG2.
Kedua indikator ini harus dihilangkan untuk melewati uji selanjutnya yaitu
reliabilitas. Langkah selanjutnya adalah melakukan uji reliabilitas pada instrument
penelitian yang telah valid secara keseluruhan. Instrumen penelitian dapat
dikatakan reliable apabila memiliki nilai Cronbach’s Alpha yang lebih besar dari
0,6. Seluruh instrumen penelitian telah reliable karena memiliki nilai Cronbach’s
Alpha sebesar 0,85 yang dapat dilihat pada lampiran 6.
Tabulasi Silang
Tabulasi silang merupakan metode yang menguji apakah dua karakteristik
memiliki keterkaitan satu dengan yang lainnya dengan melihat nilai chi-square,
jika nilai chi square hitung > chi square tabel maka tolak H0 yang artinya tidak
ada keterkaitan antara dua karakteristik yang diuji. Keterkaitan antar karakteristik
dapat dilihat pada nilai asymp sig (2-sided) pada software SPSS. Apabila nilai chi
square test kurang dari 0,05 menunjukkan adanya keterkaitan antara dua
karakteristik yang diuji. Pengolahan tabulasi silang pada penelitian dilakukan
hanya kepada beberapa karakteristik saja yang berhubungan dengan penelitian.
19
Tabulasi Silang Jenis Pembayaran Tiket
Tabel 5 Tabulasi silang jenis pembayaran tiket dengan pekerjaan penumpang
Pekerjaan Penumpang
Total
(%) Jenis Pembayaran Tiket
PNS
Pegawai
Swasta
Pedagang /
Wiraswasta
Pelajar /
Mahasiswa
Kartu Multi Trip
Tiket Harian Berjaminan
9
0
42
4
3
9
3
30
57
43
Total (%) 9 46 12 33 100
Sumber : Data Olahan (2014)
Keterkaitan antara jenis pembayaran tiket kereta pekerjaan penumpang
tersaji dalam tabel 5. Hipotesis awal dalam penelitian adalah bahwa jenis
pembayaran tiket kereta api memiliki keterkaitan dengan pekerjaan penumpang.
Hasil penelitian menunjukkan bahwa 100% penumpang yang bekerja sebagai PNS
menggunakan KMT dan 91.3% penumpang yang bekerja sebagai pegawai swasta
menggunakan KMT dan 8.7% menggunakan THB. Sedangkan 30% penumpang
yang bekerja sebagai pedagang / wiraswasta menggunakan KMT dan sebesar 60%
menggunakan THB dan sebesar 10% pelajar atau mahasiswa menggunakan KMT
dan sebesar 90% lainnya menggunakan THB. Nilai Asymp Sig yang tersaji pada
lampiran 6 sebesar 0,000 yang artinya terdapat hubungan yang signifikan antara
jenis pembayaran kartu dengan pekerjaan penumpang dan hipotesis diterima. Ini
menunjukkan bahwa penggunaan KMT atau THB dipengaruhi oleh pekerjaan
penumpang. Peningkatan jumlah pekerja atau pelajar di daerah Jabodetabek dapat
memberikan informasi seberapa besar peningkatan kartu KMT dan THB yang
harus di produksi dan seberapa besar peningkatan penumpang kereta api
commuter line.
Tabel 6 Tabulasi silang jenis pembayaran tiket dan frekuensi penggunaan
commuter line
Frekuensi penggunaan commuter line
Total
(%) Jenis
Pembayaran
Tiket
Setiap
hari
Hari
Kerja
Weekend
Seminggu
Sekali
Sebulan
Sekali
Lainnya
Kartu Multi Trip 13 33 2 3 4 2 57
Tiket Harian
Berjaminan
2
21
5
12
3
0
43
Total (%)
15
54
7
15
7
2
100
Sumber : Data Olahan (2014)
Tabel 6 menunjukkan keterkaitan antara jenis pembayaran tiket kereta api
dan frekuensi penggunaan. Hipotesis awal H0 adalah ada keterkaitan antara jenis
pembayaran tiket dengan frekuensi penggunaan commuter line. Hasil penelitian
menunjukkan bahwa nilai Asymp Sig pada lampiran 6 sebesar 0,003 yang artinya
terdapat hubungan yang signifikan antara jenis pembayaran tiket dengan frekuensi
20
penggunaan kereta commuter line dan hipotesis H0 diterima. Penumpang dengan
frekuensi yang tinggi (setiap hari atau setiap hari kerja) lebih cenderung
menggunakan KMT daripada THB. Hal ini disebabkan karena KMT memiliki
beberapa kelebihan dibandingkan THB. Tingginya pemakaian KMT menunjukkan
bahwa kereta commuter line merupakan moda transportasi yang diminati
masyarakat untuk melakukan perjalanan dengan frekuensi yang tinggi.
Tabulasi Silang Penggunaan Kereta Api Commuter Line
Tabel 7 Tabulasi silang pekerjaan dengan penggunaan jasa commuter line di
masa depan
Pemakaian commuter line dimasa depan
Total
(%) Pekerjaan
Tidak
Berpengaruh
Berpengaruh
Sangat
Berpengaruh
PNS 0 8 1 9
Pegawai Swasta 0 23 23 46
Pedagang / Wiraswasta 0 4 8 12
Pelajar / Mahasiswa
Total (%)
1
1
11
46
21
53
33
100
Sumber : Data Olahan (2014)
Hasil pengolahan data penelitian disajikan pada tabel 7 untuk melihat
adakah hubungan yang signifikan antara pekerjaan dengan penggunaan jasa
commuter line di masa depan. Hasil penelitian menunjukkan bahwa pekerjaan
memiliki keterkaitan dengan penggunaan kereta commuter line dimasa depan pada
taraf signifikansi 10%. Hal ini ditunjukkan dengan nilai Asmyp Sig sebesar 0,073
dengan nilai value Pearson Chi-Square sebesar 11.544 dengan df bernilai 6 pada
lampiran 6 yang artinya hipotesis H0 diterima pada tingkat signifikansi 10%. Hal
ini menunjukkan bahwa pekerjaan seorang penumpang mempengaruhi
penggunaan kereta commuter line di masa yang akan datang karena kebanyakan
penumpang menggunakan kereta commuter line untuk bekerja ataupun
bersekolah. Maka pekerjaan penumpang akan berpengaruh pada penggunaan
commuter line di masa yang akan datang.
Tabel 8 Tabulasi silang penggunaan commuter line di masa yang akan datang
dengan jenis pembayaran tiket
Pemakaian commuter line dimasa depan
Total
(%) Jenis Pembayaran Tiket
Tidak
Berpengaruh
Berpengaruh
Sangat
Berpengaruh
Kartu Multi Trip 0 31 26 57
Tiket Harian Berjaminan 1 15 27 43
Total (%) 1 46 53 100
Sumber : Data Olahan (2014)
21
Tabel 8 menunjukkan keterkaitan antara penggunaan kereta commuter line
di masa yang akan datang dengan jenis pembayaran tiket kereta. Hasil penelitian
menunjukkan bahwa penggunaan kereta commuter line di masa yang akan datang
memiliki pengaruh terhadap jenis pembayaran tiket dengan tingkat signifikansi
15%. Hal ini ditunjukkan dengan nilai Asmyp Sig sebesar 0,095 dengan nilai value
Pearson Chi-Square sebesar 4.717 dengan df 1 pada lampiran 6 yang artinya
hipotesis H0 diterima pada tingkat signifikansi 15%. Hal ini menunjukkan bahwa
penggunaan kereta commuter line bisa dipengaruhi oleh jenis pembayaran tiket
yang digunakan. Hal ini terjadi karena pengguna KMT akan terus menggunakan
kereta api selama masih memiliki kartu multi trip. Karena dengan menggunakan
kartu tersebut maka penumpang menunjukkan loyalitasnya akan penggunaan
kereta api commuter line sebagai transportasi utama sehari-hari.
Tabel 9 Tabulasi silang penggunaan commuter line di masa yang akan datang
dengan alasan penggunaan commuter line
Pemakaian commuter line dimasa depan
Total
(%) Alasan Penggunaan
Commuter Line
Tidak
Berpengaruh
Berpengaruh
Sangat
Berpengaruh
Lebih cepat sampai
Lebih murah
Jadwal tepat waktu
0
0
0
23
10
2
23
12
3
46
22
5
Lebih aman dan nyaman
Dekat dengan tempat tujuan
Mudah dijangkau
1
0
0
1
3
7
4
4
7
6
7
14
Total (%) 1 46 53 100
Pengaruh antara penggunaan kereta api commuter line di masa yang akan
datang dengan alasan penggunaan commute line tersaji pada table 9. Hasil
penelitian menunjukkan bahwa penggunaan commuter line di masa yang akan
datang memiliki pengaruh terhadap alasan penumpang menggunakan commuter
line pada tahap signifikansi 10%. Lampiran 6 menunjukkan bahwa nilai Asymp
Sig sebesar 0.065 dengan nilai value Pearson Chi-Square sebesar 17.445 pada
nilai df sebesar 10. Hal ini terjadi karena mayoritas alasan penggunaan kereta
commuter line adalah lebih cepat sampai dan lebih murah dari moda transportasi
lainnya. Jika hal ini terus dipertahankan oleh PT. KCJ maka peningkatan
penumpang akan terjadi di masa yang akan datang.
Banyak indikator yang dipakai untuk memperlihatkan seberapa besar suatu
variabel berpengaruh terhadap peningkatan volume penumpang commuter line.
Pada tabel 10 tersaji data indikator instrumen penelitian yang ada serta nilai
modus yang memperlihatkan tingkat kepentingan pengaruh indikator tersebut
dalam peramalan volume penumpang commuter line. Pada tabel terlihat bahwa
konsumen menilai sangat berpengaruh terhadap indikator kerapihan dan
kebersihan di dalam gerbong kereta, keamanan dan kenyamanan di dalam gerbong
serta di dalam stasiun. Hal ini harus diperhatikan oleh perusahaan bahwa menurut
konsumen, indikator tersebut adalah yang paling signifikan dan berpengaruh
untuk menggunakan jasa kereta api commuter line.
22
Tabel 10 Indikator instrument penelitian
No Variabel Indikator Modus
1
2
3
4
5
Tangible
Reliability
Responsiveness
Assurance
Empathy
Jumlah armada commuter line
Kebersihan dan kerapihan gerbong
Kebersihan dan kerapihan stasiun
Kelayakan kereta commuter line
Harga Tiket kereta Api
Ketepatan jadwal commuter line
Sistem e-ticketing
Jarak stasiun, tempat tinggal dan tempat tujuan
Kemudah mencari informasi
Kemudahan akses menuju stasiun
Kecepatan dan ketanggapan pelayanan
Kecepatan dan ketanggapan petugas dalam respon
keadaan darurat
Keberadaan petugas di dalam gerbong/stasiun
Kecepatan respon petugas menanggapi keluhan
Kesiapan petugas dalam membantu pelanggan
Keramahan dan kesopanan petugas
Keamanan dan kenyamanan dalam stasiun
Keamanan dan kenyamanan dalam kereta
Keterampilan petugas dalam menjalani tugas
Ketersediaan asuransi jaminan dan keselamatan
Ketersediaan kamera pengawas
Kesediaan petugas dalam membantu penumpang
Kesabaran petugas dalam melayani penumpang
Petugas tidak diskriminatif dalam melayani penumpang
Ketersediaan sarana menyampaikan saran dan keluhan
Kemampuan petugas dalam meberikan informasi
3
4
3
2
3
3
3
3
3
3
3
3
3
3
2
3
4
4
3
3
3
3
3
3
3
3
Uji Asumsi Klasik
Uji asumsi klasik merupakan uji yang harus dilakukan pada data agar
variabel independen terbebas dari adanya pengaruh satu sama lain. Pengujian
asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang
akan dilakukan tidak bisa dan telah memenuhi persyaratan BLUE (Best Linear
Unbisaed Estimator). Ada beberapa uji yang dilakukan pada asumsi klasik yaitu,
data berdistribusi normal, data terbebas dari autokorelasi, tidak terdapat
multikolinearitas dan tidak terdapat heteroskedastisitas. Keseluruhan uji tersebut
diuji dengan bantuan program SPSS.
Uji Normalitas
Uji normalitas data menguji apakah dalam model estimasi regresi variabel
residunya terdistribusi normal atau tidak. Uji normalitas data menggunakan uji
Kolgomorov-Smirnov dengan menggunakan program SPSS. Data terdistribusi
normal apabila nilai signifikansi lebih besar dari 0,05. Hipotesis awal H0 adalah
data terdistribusi secara normal. Setelah melakukan pengujian, model memiliki
nilai KSZ sebesar 0,672 dan nilai Asymp Sig sebesar 0,758 yang dapat dilihat pada
lampiran 8. Kesimpulannya adalah data terdistribusi normal karena memiliki nilai
23
signifikansi sebesar 0,758 yang lebih besar dari 0,05 sehingga hipotesis H0
diterima.
Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah model suatu regresi
linear berganda memiliki korelasi antara kesalahan pada periode t dengan periode
sebelumnya (t-1). Model regresi yang baik adalah regresi yang terbebas dari
autokorelasi. Uji autokorelasi dilakukan menggunakan uji run test untuk melihat
apakah residual data bersifat acak atau tidak. Apabila hasil uji run test lebih besar
dari tingkat signifikansi (α=5%) maka tidak terdapat autokorelasi pada data yang
diuji. Hipotesis awal H0 adalah tidak terjadi gejala autokorelasi pada estimasi
model regresi. Hasil uji run test dapat dilihat pada lampiran 8 yang
memperlihatkan bahwa nilai Asymp Sig (2-tailed) sebesar 0,688. Ini berarti
autokorelasi tidak ada pada data yang diuji karena nilai hasil uji run test lebih
besar dari 0,05 sehingga H0 diterima.
Uji Multikolinearitas
Uji multikolineritas bertujuan untuk menguji apakah pada estimasi model
regresi ditemukan adanya korelasi antara variabel bebas. Uji multikolinearitas
dilihat dari nilai Tolerance dan nilai VIF (Variance Inflation Faktor). Apabila
nilai tolerance lebih besar dari 0,10 maka tidak terjadi multikolinearitas pada
estimasi model regresi. Selain itu apabila nilai VIF lebih kecil dari 10,00 maka
tidak terjadi juga gejala multikolinearitas pada estimasi model regresi. Hipotesis
awal adalah H0 tidak terjadi gejala multikolinearitas pada model regresi. Lampiran
8 menunjukkan bahwa nilai tolerance pada masing-masing variabel bernilai
0,980, 0,969, 0,798, 0,752, dan 0,748. Selain itu nilai VIF untuk masing-masing
variabel adalah 1,021, 1,032, 1,253, 1,330, dan 1,337. Hal ini menunjukkan
seluruh variabel dalam data tidak menunjukkan adanya gejala multikolinearitas
karena nilai tolerance yang lebih besar dari 0,10 dan nilai VIF yang lebih kecil
dari 10,00 sehingga H0 diterima.
Uji Heteroskedastisitas
Uji heroskedastisitas bertujuan untuk menguji apakah dalam model estimasi
regresi terjadi ketidaksamaan varians dan residual satu pengamatan ke
pengamatan lainnya. Uji heteroskedastisitas dilakukan dengan menggunakan uji
Glejser. Model regresi yang baik adalah model yang tidak terjadi
heteroskedastisitas. Model tidak terdapat heteroskedastisitas apabila nilai
signifikansi lebih besar dari 0,05 dan data menyebar pada diagram scatter plot.
Hipotesis awasl yang dibentuk adalah H0 bahwa pada data tidak terdapat gejala
heteroskedastisitas. Lampiran 8 menunjukkan bahwa nilai Sig pada tiap variabel
memiliki nilai masing-masing sebesar 0,182, 0,245, 0,564, 0,928 dan 0,668. Nilai
seluruh Sig pada model di atas 0,05 dan diagram scatter plot menunjukkan data
menyebar pada angka 0 dan tidak memiliki pola tertentu. Dapat disimpulkan
bahwa estimasi model tidak memiliki gejala heteroskedastisitas sehingga H0
diterima.
24
Analisis Regresi Berganda
Setelah melakukan keseluruhan uji asumsi klasik maka dibentuk model
yang sesuai untuk menggambarkan perencanaan penggunaan jasa kereta api
commuter line dimasa depan untuk mengidentifikasi peramalan pada jumlah
permintaan penumpang. Lampiran 9 menggambarkan nilai koefisien tiap-tiap
variabel dan terbentuk model regresi berganda Y=16.688+0.107X1-
0.62X2+0.49X3-0.49X4-0.009X5+ε. Interpretasi dari model analisis regresi
berganda tersebut adalah nilai konstanta sebesar 16.688 menyatakan jika tidak
terdapat variabel bebas, maka rencana pembelian konsumen di masa mendatang
sebesar 16.688.
Nilai koefisien pada variabel tangible dan responsiveness bertanda positif
dimana masing-masing memiliki nilai sebesar 0.107 dan 0.49. Hal ini
menunjukkan apabila variabel tersebut ditingkatkan maka rencana pembelian
konsumen di masa mendatang juga meningkat. Sedangkan pada variabel
reliability, assurance, dan emphathy memiliki nilai negatif yaitu sebesar 0.62,
0.49, dan 0.009 yang berarti jika variabel tersebut ditingkatkan atau diperbaiki,
rencana pembelian konsumen di masa mendatang belum tentu mengalami
peningkatan.
Implikasi Manajerial
Penelitian yang telah dilakukan menunjukkan bahwa hasil peramalan
dapat dijadikan bahan rujukan, perencanaan maupun evaluasi terhadap pihak
manajemen PT Kereta Commuter Jabodetabek dalam melaksanakan industri jasa
perkeretaapian di wilayah Jabodetabek. Perusahaan dirasa perlu mengantisipasi
lonjakan penumpang yang akan terjadi pada tahun 2015 dan 2016 karena
masyarakat Jakarta dan sekitarnya mulai memanfaatkan kereta api sebagai sarana
transportasi sehari-hari. Jika pihak manajemen tidak siap untuk menghadapi
lonjakan tersebut maka akan terjadi penumpukan penumpang dan berdesakan di
dalam kereta pada jam-jam ramai seperti saat pergi dan pulang jam kantor.
Berdasarkan hasil penelitian, faktor yang signifikan berpengaruh pada
peningkatan penumpang adalah kebersihan dan kerapihan di dalam gerbong kereta
api.
Penumpang tidak hanya mengandalkan kereta api commuter line sebagai
sarana transportasi yang murah untuk saat ini tetapi juga ingin mendapatkan
pelayanan yang lebih baik, penjadwalan yang tepat, ketanggapan para karyawan
dan petugas di dalam dan di luar stasiun. Banyak faktor yang membuat
masyarakat akhirnya memutuskan jasa transportasi sebagai kebutuhan sehari-hari.
Diharapkan pihak manajemen tidak hanya mementingkan dan meningkatkan
kuantitas terhadap volume penumpang saja tetapi juga meningkatkan kualitas
pelayanan yang prima kepada para pelanggan sehingga kereta api commuter line
tetap menjadi andalan masyarakat Jakarta dan sekitarnya.
Hal yang bisa dilakukan oleh perusahaan untuk mengatasi peningkatan
volume penumpang adalah menambah jumlah rute perjalanan commuter line yang
diiringi oleh penambahan lokomotif serta penambahan gerbong menjadi 10
gerbong setiap satu rangkaian kereta. Jika hal ini dilakukan, diharapkan
25
perusahaan mampu menampung lebih banyak penumpang dalam satu kali perjalan
sehingga keterlambatan kereta api dapat diminimalisir serta kenyamanan dan
keandalan commuter line dalam moda transportasi masyarakat dapat ditingkakan.
Hasil gabungan analisis peramalan kualitatif dan kuantitatif dapat dilihat pada
table 11.
Tabel 11 Tabel analisis peramalan kuantitatif (dalam ribu orang) dan kualitatif
Tahun
Peramalan
Permintaan
Penumpang per
tahun
Analisis Kualitatif Peramalan
2014
±247.657
Berdasarkan hasil penelitian ada dua faktor
yang mempengaruhi peningkatan volume penumpang
commuter line yaitu variabel tangible dan
responsiveness. Pada variabel tangible faktor yang
dinilai sangat berpengaruh adalah :
Kebersihan dan kerapihan di dalam gerbong
jumlah armada
kebersihan dan kerapihan gerbong
harga tiket kereta
Sementara itu faktor kelayakan kereta commuter
line menjadi faktor yang tidak terlalu berpengaruh pada
peningkatan volume penumpang commuter line.
Pada variabel responsiveness indikator yang
cukup berpengaruh pada peningkatan volume
penumpang hampir merata yaitu :
kecepatan dan ketanggapan pelayanan
kecepatan petugas dalam menangani hal darurat,
keberadaan petugas dalam gerbong/stasiun
kecepatan respon petugas dalam menanggapi
keluhan.
Sedangkan kesiapan petugas dalam membantu
pelanggan tidak begitu berpengaruh kepada
peningkatan volume penumpang
2015 ±342.691
2016 ±437.725
SIMPULAN DAN SARAN
Simpulan
Berdasarkan uraian pembahasan dari hasil penelitian maka dapat
disimpulkan bahwa pola data yang terjadi pada data time series penumpang kereta
api commuter line bersifat tren. Ini artinya volume penumpang commuter line
memiliki kecendrungan meningkat dari waktu ke waktu. Untuk itu perlu
dilakukan studi peramalan agar perusahaan mampu memprediksi seberapa besar
kenaikan penumpang yang akan terjadi beberapa waktu ke depan.
Model yang dapat dipilih untuk diuji dari hasil analisis peramalan yang telah
dilakukan menunjukkan bahwa model ARIMA (1,1,0)(1,1,0)12, ARIMA
(0,1,1)(1,1,0)12, Double exponential smoothing Holt, Double exponential
smoothing Winter merupakan metode yang cocok untuk data permintaan
26
penumpang commuter line Jabodetabek. Melalui analisis error dengan
menghitung nilai MAPE untuk masing-masing, terpilih peramalan metode Double
exponential smoothing Winter adalah metode yang paling cocok untuk
meramalkan keadaan volume penumpang commuter line Jabodetabek dengan
MAPE terkecil senilai 9.7159.
Berdasarkan hasil analisis yang telah dilakukan pada penelitian, variabel
tangible dan responsiveness sangat mempengaruhi peramalan permintaan
penumpang commuter line di masa yang akan datang. Jika dua variabel terus
ditingkatkan maka volume penumpang juga akan meningkat. Sementara variabel
yang lain yakni reliability, empathy, dan assurance jika ditingkatkan tidak terlalu
berpengaruh terhadap permintaan penumpang kereta api. Hal ini perlu menjadi
perhatian penting pihak manajemen PT KCJ untuk mengantisipasi peningkatan
penumpang untuk terus meningkatkan pelayanan yang jauh lebih baik dalam
menyelenggarakan jasa transportasi kereta api di daerah Jabodetabek.
Saran
Peramalan metode double exponential smoothing Winter sebaiknya
digunakan untuk menduga seberapa besar peningkatan penumpang yang terjadi.
Hal ini dirasa perlu agar PT KCJ tetap mempertahankan pelayanan yang baik
kepada para penumpang walaupun terjadi lonjakan penumpang di tahun-tahun
berikutnya. Metode double exponential smoothing Winter juga dapat membantu
memperkirakan berapa jumlah kereta yang perlu dioperasikan dan disediakan oleh
perusahaan dengan melihat hasil analisis peramalannya.
Perusahaan diharapkan mampu mempertahankan kinerja dan pelayanannya
disaat jumlah penumpang terus merangkak naik. Hal ini dapat diwujudkan apabila
perusahaan mampu mempertahankan konsistensi nya dalam menjalankan industri
perkeretaapian di daerah Jabodetabek yang lebih unggul daripada transportasi
lainnya.
Untuk penelitian selanjutnya perlu dikaji peramalan menggunakan metode
peramalan lain dengan data lain yang relevan seperti pertumbuhan penduduk dan
sebagainya serta faktor-faktor lain yang terkait sehingga peramalan yang akan
diuji memberikan model peramalan yang lebih akurat. Selain itu model yang telah
ditemukan dalam penelitian ini dapat digunakan untuk penelitian lain yang
sejenis.
27
DAFTAR PUSTAKA
[BPS] Badan Pusat Statistik. 2014. Jumlah Penumpang Kereta Api 2006-2013
[internet]. [diunduh 2014 Januari 17]. Tersedia pada:
http://www.bps.go.id/tab_sub/view.php?tabel=1&daftar=1&id_subyek=17&no
tab=16
Ariani DW. 2009. Manajemen Operasi Jasa. Yogyakarta (ID) : Graha Ilmu
Baroto T. 2002. Pengendalian dan Perencanaan Produksi. Jakarta (ID) : Ghalia
Belladona. 2008. Analisis Peramalan dan Faktor-faktor yang Mempengaruhi
Volume Penjualan Obat Hewan PT Univetama Dinamika, Jakarta [skripsi].
Bogor (ID). Institut Pertanian Bogor.
Hanke JE, Wichern DW. 2005. Bussiness Forecasting Eight Edition. New Jersey
(USA) : Pearson Prentice hall.
Herjanto E. 2010. Manajemen Operasi. Jakarta (ID) : Grasindo
Kamaludin R. 2003. Ekonomi Transportasi : Karakteristik, Teori dan Kebijakan.
Jakarta : Ghalia Indonesia
Kotler P. 2007. Manajemen Pemasaran (Terjemahan). Jakarta (ID) : Indeks
Kelompok Media
Lisjiyanti. 2011. Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama,
Jakarta [skripsi]. Bogor (ID). Institut Pertanian Bogor
Parasuraman A, Valarie A, Zaithhalm, Berry L. 1985. A Conceptual Model of
Service Quality and Its Implications Future Research [internet] [diunduh 2014
Maret 2]; Vol 49: 41-50. Tersedia pada :
http://faculty.mu.edu.sa/public/upload/1360593395.8791service%%20marketin
g70.pdf
Render B, Heizer J. 2001. Prinsip-Prinsip Manajemen Operasi. Jakarta (ID) :
Salemba Empat
Tamin OZ. 2000. Perencanaan dan Pemodelan Transportasi. Bandung (ID) :
Institut Teknologi Bandung
28
Lampiran
Lampiran 1 Plot pada transformasi data uji Box-cox dengan nilai lambda 1.00
Lampiran 2 Grafik ACF dan PACF pada data yang telah di differencing 1 kali
29
Lanjutan lampiran 2 Grafik ACF dan PACF pada data yang telah di differencing 1
kali
Lampiran 3 Hasil olahan program Minitab untuk masing masing peramalan
ARIMA (1,1,1)(1,1,1)12 Model: volume penumpang
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 12.4 27.0 46.6 57.9
DF 7 19 31 43
P-Value 0.088 0.104 0.036 0.064
ARIMA (1,1,0)(1,1,0)12 Model: volume penumpang
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 12.5 30.1 42.4 51.3
DF 9 21 33 45
P-Value 0.185 0.091 0.126 0.241
30
Lanjutan lampiran 3 Hasil olahan program Minitab untuk masing masing
peramalan
ARIMA (1,1,1)(1,1,0)12 Model: volume penumpang
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 10.7 28.5 39.7 49.0
DF 8 20 32 44
P-Value 0.220 0.098 0.165 0.28
ARIMA (0,1,1)(1,1,0)12 Model: volume penumpang
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 13.6 31.1 45.0 53.8
DF 9 21 33 45
P-Value 0.137 0.072 0.079 0.172
Lampiran 4 Output uji normalitas residual Model ARIMA (1,1,0)(1,1,0)12 dan
(0,1,1)(1,1,0)12
31
Lanjutan lampiran 4 Output uji normalitas residual Model ARIMA (1,1,0)(1,1,0)12
dan (0,1,1)(1,1,0)12
Lampiran 5 Hasil Uji Validitas dan Reliabilitas
Indikator rhitung rtabel Ket Indikator rhitung rtabel Ket
TG1 0.716 0.36 Valid AS2 0.782 0.36 Valid
TG2 0.479 0.36 Valid AS3 0.710 0.36 Valid
TG3 0.730 0.36 Valid AS4 0.691 0.36 Valid
TG4 0.000 0.36 Tidak AS5 0.633 0.36 Valid
TG5 0.613 0.36 Valid AS6 0.867 0.36 Valid
TG6 0.451 0.36 Valid EM1 0.704 0.36 Valid
RL1 0.404 0.36 Valid EM2 0.855 0.36 Valid
RL2 0.412 0.36 Valid EM3 0.486 0.36 Valid
RL3 0.501 0.36 Valid EM4 0.735 0.36 Valid
RL4 0.542 0.36 Valid EM5 0.831 0.36 Valid
RL5 0.554 0.36 Valid PG1 0.406 0.36 Valid
RS1 0.598 0.36 Valid PG2 0.234 0.36 Tidak
RS2 0.694 0.36 Valid PG3 0.538 0.36 Valid
RS3 0.878 0.36 Valid PG4 0.491 0.36 Valid
RS4 0.431 0.36 Valid PG5 0.492 0.36 Valid
RS5 0.762 0.36 Valid PG6 0.510 0.36 Valid
AS1 0.643 0.36 Valid
32
Lanjutan lampiran 5 Hasil Uji Validitas dan Reliabilitas
Case Processing Summary
N %
Cases Valid 30 93.8
Excludeda 2 6.3
Total 32 100.0
a. Listwise deletion based on all variabels in the
procedure.
Reliability Statistics
Cronbach's
Alpha N of Items
.850 31
Lampiran 6 Hasil uji Tabulasi silang penelitian
Jenis Pembayaran Kartu * Pekerjaan
Chi-Square Tests
Value df
Asymp. Sig. (2-
sided)
Pearson Chi-Square 53.454a 3 .000
Likelihood Ratio 60.215 3 .000
Linear-by-Linear Association 17.576 1 .000
N of Valid Cases 100
a. 0 cells (.0%) have expected count less than 5. The minimum expected
count is 5.16.
33
Lanjutan lampiran 6 Hasil uji Tabulasi silang penelitian
JPT * Frekuensi penggunaan commuter line
Chi-Square Tests
Value df
Asymp. Sig. (2-
sided)
Pearson Chi-Square 17.954a 5 .003
Likelihood Ratio 19.763 5 .001
Linear-by-Linear Association 5.296 1 .021
N of Valid Cases 100
a. 6 cells (50.0%) have expected count less than 5. The minimum
expected count is .86.
Pekerjaan * Pemakaian commuter line dimasa depan
Chi-Square Tests
Value df
Asymp. Sig. (2-
sided)
Pearson Chi-Square 11.544a 6 .073
Likelihood Ratio 12.477 6 .052
Linear-by-Linear Association 4.308 1 .038
N of Valid Cases 100
a. 6 cells (50.0%) have expected count less than 5. The minimum
expected count is .09.
JPT * penggunaan commuter line dimasa depan
Chi-Square Tests
Value df
Asymp. Sig. (2-
sided)
Pearson Chi-Square 4.717a 2 .095
Likelihood Ratio 5.122 2 .077
Linear-by-Linear Association 1.985 1 .159
N of Valid Cases 100
a. 2 cells (33.3%) have expected count less than 5. The minimum
expected count is .43.
34
Alasan * penggunaan commuter line dimasa depan
Chi-Square Tests
Value df
Asymp. Sig. (2-
sided)
Pearson Chi-Square 17.445a 10 .065
Likelihood Ratio 7.752 10 .653
Linear-by-Linear Association .012 1 .914
N of Valid Cases 100
a. 12 cells (66.7%) have expected count less than 5. The minimum
expected count is .05.
Lampiran 7 Hasil Uji Asumsi Klasik
Runs Test
Unstandardized
Residual
Test Valuea .00496
Cases < Test Value 50
Cases >= Test Value 50
Total Cases 100
Number of Runs 53
Z .402
Asymp. Sig. (2-tailed) .688
a. Median
35
Lanjutan lampiran 7 Hasil Uji Asumsi Klasik
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation 1.52859923
Most Extreme Differences Absolute .067
Positive .043
Negative -.067
Kolmogorov-Smirnov Z .672
Asymp. Sig. (2-tailed) .758
a. Test distribution is Normal.
b. Calculated from data.
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity
Statistics
B Std. Error Beta Tolerance VIF
1 (Constant
)
16.688 2.561
6.517 .000
TotalTG .107 .080 .137 1.332 .186 .980 1.021
TotalRL -.062 .112 -.057 -.557 .579 .969 1.032
TotalRS .049 .087 .064 .567 .572 .798 1.253
TotalAS -.049 .072 -.080 -.680 .498 .752 1.330
TotalEM -.009 .086 -.013 -.107 .915 .748 1.337
a. Dependent Variabel: TotalPG
36
Lanjutan lampiran 7 Hasil Uji Asumsi Klasik
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) 2.690 1.507 1.786 .077
TotalTG -.064 .047 -.137 -1.345 .182
TotalRL -.077 .066 -.120 -1.169 .245
TotalRS .030 .051 .065 .578 .564
TotalAS .003 .042 .009 .078 .938
TotalEM .022 .051 .050 .430 .668
a. Dependent Variabel: RES2
Lampiran 8 Hasil analisis regresi berganda
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) 16.688 2.561 6.517 .000
Tangible .107 .080 .137 1.332 .186
Reliability -.062 .112 -.057 -.557 .579
Responsiveness .049 .087 .064 .567 .572
Assurance -.049 .072 -.080 -.680 .498
Empathy -.009 .086 -.013 -.107 .915
a. Dependent Variabel: Pengaruh_Pembelian
37
Lanjutan lampiran 8 Hasil analisis regresi berganda
38
Lampiran 9 Kuesioner Penelitian
39
Lanjutan lampiran 9 Kuesioner Penelitian
40
Lanjutan lampiran 9 Kuesioner Penelitian
41
Lanjutan lampiran 9 Kuesioner Penelitian
42
RIWAYAT HIDUP
Penulis dilahirkan di Bekasi pada tanggal 23 Maret 1992. Penulis
merupakan anak ke tiga dari tiga bersaudara pasangan Budi Setiawan dan
Nenisma. Penulis mengawali pendidikan formal pada tahun 1997-2003 di SDN
Pondok Benda IV. Penulis lalu melanjutkan pendidikan di SMP Negeri 1 Ciputat
pada tahun 2003-2006 dan melanjutkan lagi pendidikan ke SMA Negeri 1 Ciputat
pada tahun 2006-2009. Pada tahun 2010 penulis lalu melanjutkan pendidikan
perguruan tinggi di IPB melalui jalur UTM (Ujian Talenta Mandiri) dan diterima
sebagai mahasiswa Departemen Manajemen Fakultas Ekonomi dan Manajemen.
Selama kuliah penulis pernah mengikuti lomba yang diadakan oleh kampus
diantaranya adalah Lomba Bussiness Plan dalam acara The 2nd Extravaganza IPB.
Selain itu penulis juga aktif mengikuti serangkaian kepanitiaan organisasi yang
diadakan oleh Himpro COM@ Departemen Manajemen IPB.