PEMODELAN DEMAND PENUMPANG DI BANDAR UDARA FRANS SEDA MAUMERE
J. Dwijoko Ansusanto 1 , Alfrendo Satriawan Kabupung 2
1 Program Studi Teknik Sipil, Fakultas Teknik, Universitas Atma Jaya Yogyakarta Jalan Babarsari No. 44, Yogyakarta
Telp. 08164222755
2 Program Studi Magister Teknik Sipil, Program Pascasarjana, Universitas Atma Jaya Yogyakarta Jalan Babarsari No. 44, Yogyakarta
E-mail: dwiyoko@gmail.com
ABSTRAK
Pemodelan dilakukan dengan menggunakan metode Analisis Regresi Linier sedangkan pemilihan model terbaik didasarkan pada metode All Possible Regression (APRE) menurut kriteria R2 dan dengan mempertimbangkan nilai uji statistik model terpilih, yaitu F-Test. Variabel dependent (Y) adalah jumlah penumpang kedatangan dan keberangkatan, sedangkan variabel independent (X) berjumlah 7 yaitu jumlah penduduk (X1), Jumlah Wisatawan (X2), Produk Domestik Regional Bruto atau PDRB (X3), Indeks Pembangunan Manusia atau IPM (X4), Pengeluaran Riil per Kapita (X5), Tenaga kerja Laki-laki (X6), tenaga kerja perempuan (X7). Model demand penumpang yang dihasilkan adalah Y = 0,0612 X2 + 2,7364 X6 - 259.577,3293 untuk kedatangan, serta Y = 2,4799 X6 + -229526,2913 untuk keberangkatan. Prediksi demand penumpang tahun 2027 adalah sebesar 918.874 penumpang kedatangan dan 830.527 penumpang keberangkatan. Analisis kemampuan pelayanan air side facilities adalah Bandar Udara Frans Seda Maumere sudah tidak mampu melayani dengan baik kedatangan maupun keberangkatan penumpang Bandar Udara Frans Seda Maumere pada tahun 2027 dengan layak Kata Kunci: pemodelan, demand, regresi linier, APRE
1. PENDAHULUAN 1.1 Latar Belakang
Transportasi merupakan suatu kebutuhan yang sangat penting bagi suatu negara dimana transportasi berperan menghubungkan antara pergerakan bangkitan dan tarikan akibat pemenuhan kebutuhan ekonomi, sosial, budaya, dan politik. Peran transportasi tersebut menjadi sangat vital bagi negara kepulauan seperti Indonesia. Pergerakan antara daerah satu dengan daerah yang lain akan menjadi lebih mudah, aman, nyaman, ekonomis dan efisien bila sarana dan prasarana transportasi yang ada baik darat, laut maupun udara berfungsi sesuai yang direncanakan dengan baik dan berjalan sebagaimana mestinya.
Maumere merupakan ibukota dari Kabupaten Sikka yang terletak di pulau Flores Provinsi Nusa Tenggara Timur. Kabupaten Sikka merupakan daerah kepulauan dengan total luas daratan 1.731,91 km2 dengan total jumlah penduduk tahun 2012 sebanyak 306.431 jiwa (BPS Kabupaten Sikka., 2012). Kota Maumere adalah kota terbesar di pulau Flores dan terkait Rencana Tata Ruang dan Wilayah (RTRW) dalam pelaksanaan otonomi khusus daerah Propinsi Nusa Tenggara Timur, kota Maumere akan dijadikan sebagai kota Madya. Kota Maumere memiliki potensi yang cukup besar dalam kegiatan ekonomi, perdagangan, jasa dan pariwisata karena kota Maumere merupakan gerbang utama keluar masuk di Pulau Flores baik melalui udara maupun laut. Selain itu kota Maumere juga sebagai regional hubungan jalur transportasi utama di jalan nasional Flores yang melintasi pulau Flores dari ujung barat Labuan Bajo sampai ke ujung Timur Larantuka. Transportasi udara di kota Maumere memiliki peran yang yang cukup penting dalam hal menghubungkan Pulau Flores dengan beberapa daerah di propinsi Nusa Tenggara Timur yang tidak dapat di jangkau melalui laut.
Faktor yang mempengaruhi kebutuhan transportasi
Demand penumpang udara berkorelasi dengan populasi wilayah dan motivasi individu untuk melakukan perjalanan (kecenderungan mereka untuk melakukan perjalanan) serta kegiatan social ekonomi dan faktor-faktor yang mendukung perjalanan dan ketersediaan layanan dan infrastruktur terkait. Dalam tingkat lokal dan regional, variabel sosioekonomi/demografi serta arah dan pertumbuhan ekonomi akan memainkan peran utama dalam menentukan jumlah penumpang dalam suatu wilayah atau bandara (Ashford,et al., 2011). Beberapa variabel dari faktor-faktor sosioekonomi yang dianggap berpengaruh terhadap pemodelan demand penumpang pesawat adalah: jumlah penduduk, jumlah wisatawan, Produk Domestik Regional Bruto (PDRB), Indeks Pembangunan Manusia (IPM).
Metode All Possible Regression (APRE)
All Possible Regression (APRE) adalah salah satu metode dalam pemilihan persamaan regresi terbaik dari beberapa alternatif persamaan regresi yang ada.Secara umum metode ini memilih serangkaian susunan variabel penduga (X) terbaik yang memenuhi syarat (contohnya yang memiliki nilai R2 terbaik) dari beberapa set persamaan
TS-8
regresi terbaik menurut jumlah variabel penduganya (X). Ada tiga langkah pemilihan persamaan regresi terbaik dengan menggunakan metode APRE. Tahap pertama adalah identifikasi semua model regresi yang mungkin, yang berasal dari semua kemungkinan kombinasi dari variabel penduga (X). Tahap selanjutnya adalah memilih model regresi terbaik berdasarkan jumlah variabel penduganya (X). Sebagai contoh dipilih dua atau tiga model regresi terbaik masing-masing dari daftar model regresi satu variabel X, dua variabel X, tiga variabel X, dan seterusnya. Yang terakhir adalah evaluasi beberapa model yang telah diidentifikasi dalam langkah kedua, sehingga dapat dilihat pengaruh setiap variabel yang muncul dalam model regresi terbaik beserta kenaikan nilai R2 yang dihasilkan setiap variabel X. Dengan mempertimbangkan hal tersebut, maka persamaan terbaik dapat dihasilkan.
1.2 METODE PENELITIAN Data
Data yang dibutuhkan adalah jumlah kedatangan dan keberangkatan penumpang di Bandar Udara Frans Seda Maumere serta data sosio-ekonomi dari Badan Pusat Statistik (BPS) Kota Maumere, dinas-dinas terkait, dan situs-web terkait.
Tahap Pemodelan
Pemodelan demand penumpang Bandar Udara Fran Seda Maumere dilakukan dengan cara melakukan analisis regresi linier. Tahap yang dilakukan pertama kali adalah mencari hubungan antara variabel terikat (y) dengan setiap variabel bebas (x) dan memastikan bahwa semuanya memiliki hubungan yang linier. Selanjutnya adalah menyusun hubungan tersebut (koefisien korelasi atau r) ke dalam matriks korelasi. Tahap pemodelan dilakukan dengan menentukan persamaan-persamaan yang mungkin dijadikan model terbaik, berdasarkan syarat suatu model yang baik. Metode yang digunakan adalah All Possible Regression (APRE), metode ini berfungsi untuk memilih persamaan model terbaik yang dihasilkan analisis regresi, dengan mempertimbangkan parameter uji statistik seperti F-Test.
Prediksi Permintaan Penumpang
Prediksi demand penumpang dilakukan dengan cara memprediksi variabel terbaik hasil pemodelan untuk 10 tahun ke depan, kemudian hasilnya (variabel X) dimasukkan ke dalam persamaan hasil pemodelan tersebut. Analisis kemampuan bandar udara dilakukan terhadap sisi udara dan darat dengan cara sebagai berikut:
a. Air side facilities, analisis dilakukan dengan cara membandingkan supply dan demand penumpang hasil prediksi pada 10 tahun yang akan datang. Bila bandar udara sudah tidak mampu lagi menampung demand penumpang pada tahun 2027, maka diperlukan penyesuaian terhadap manajemen penerbangan tetap.
b. Land side facilities, dilakukan dengan membandingkan luas terminal dan tempat parkir hasil hitungan (memakai jumlah penumpang hasil prediksi) dengan luasan eksisting bandar udara Frans Seda Maumere.
2. HASIL PENELITIAN DAN ANALISIS Hasil Penelitian
Prediksi demand penumpang dilakukan dengan menggunakan model regresi terpilih sebagai acuannya. Variabel X dalam model terpilih akan diprediksi sesuai tahun prediksi (2027) kemudian dimasukkan ke dalam model terpilih untuk mengetahui prediksi demand penumpang pada tahun 2027. Bila prediksi sudah dilakukan, langkah selanjutnya adalah analisis kemampuan bandar udara. Air side facilities dianalisis dengan cara membandingkan supply dan demand penumpang hasil prediksi pada tahun 2027. Untuk land side facilities, analisis dilakukan dengan cara membandingkan luas terminal dan tempat parkir kendaraan eksisting dengan kondisi demand pada tahun 2027, yaitu hubungannya dengan jumlah penumpang tahunan (annual) ataupun rata-rata penumpang per hari pada tahun 2027 tersebut. Bila bandar udara sudah tidak mampu lagi menampung demand penumpang pada tahun 2027, maka diperlukan penyesuaian terhadap manajemen bandar udara.
Jumlah Penumpang
Jumlah penumpang pesawat yang datang dan berangkat di/dari Bandar Udara Frans Seda Maumere menjadi variabel tak bebas atau dependent variabel (Y) dalam pemodelan ini dapat dilihat pada tabel 1.
Tabel 1. Jumlah kedatangan dan keberangkatan penumpang
Tahun Kedatangan (orang) Keberangkatan (orang) 2011 69.638 68.139 2012 62.725 62.827 2013 66.774 65.269 2014 40.370 40.088 2015 72.464 68.548
Sumber: Bandar Udara Frans Seda 2017
Dalam analisis regresi linier, variabel bebas dan tak bebas harus memiliki variabel hubungan yang linier. Dengan demikian perlu dilakukan pengujian dengan variabel analisis regresi atau dapat juga dilakukan dengan
TS-9
memasukkan data variabel jumlah kedatangan dan keberangkatan penumpang Bandar Udara Frans Seda Maumere (Y) dan berbagai data sosio-ekonomi ke dalam diagram pencar (scatterplot).
Matriks korelasi berisi koefisien korelasi (r) dari setiap hubungan, baik variabel hubungan antara variabel bebas dengan variabel tak bebas, maupun antar sesama variabel-variabel bebas. Matriks korelasi berfungsi untuk menunjukkan tingkat hubungan variabel berbagai variabel yang ada, sehingga dapat membentuk alternatif model yang variabel sesuai syarat. Salah satu syarat model yang baik adalah sesama variabel bebas variabel dalam suatu model tidak boleh memiliki koefisien korelasi (r) yang besar. Matriks variabel korelasi untuk penumpang kedatangan dapat dilihat pada Tabel 2, sedangkan variabel penumpang keberangkatan dapat dilihat pada Tabel 3.
Tabel 2. Matriks korelasi kedatangan penumpang
Y X1 X2 X3 X4 X5 X6 X7 Y 1 X1 0,261 1 X2 -0,197 -0,565 1 X3 -0,222 -0,499 0,993 1 X4 -0,235 -0,554 0,995 0,998 1 X5 -0,343 -0,663 0,982 0,973 0,984 1 X6 0,916 0,592 -0,281 -0,261 -0,297 -0,445 1 X7 0,611 0,401 -0,063 0,010 -0,019 -0,172 0,761 1 Dimana: X1 = jumlah penduduk X2 = jumlah wisatawan,
X3 = Produk Domestik Regional Bruto (PDRB) X4 = Indeks Pembangunan Manusia (IPM) X5 = Pengeluaran Riil per Kapita
X6 = jumlah tenaga kerja laki-laki X7 = jumlah tenaga kerja perempuan
Tabel 3. Matriks korelasi keberangkatan penumpang
Y X1 X2 X3 X4 X5 X6 X7 Y 1 X1 0,302 1 X2 -0,278 -0,565 1 X3 -0,307 -0,499 0,993 1 X4 -0,320 -0,554 0,995 0,998 1 X5 -0,421 -0,663 0,982 0,973 0,984 1 X6 0,913 0,592 -0,281 -0,261 -0,297 -0,445 1 X7 0,561 0,401 -0,063 0,010 -0,019 -0,172 0,761 1
Matriks koefisien korelasi menunjukkan hubungan setiap variabel dalam model kedatangan penumpang. Persyaratan model yang baik adalah dalam suatu model tidak boleh mengandung variabel-variabel bebas yang memiliki korelasi tinggi (kolonieritas). Dengan demikian, di dalam suatu persamaan tidak boleh tersusun variabel-variabel bebas (Xi) yang berkorelasi lebih dari 0,75. Alternatif persamaan yang mungkin terbentuk adalah persamaan yang tidak mengandung unsur variabel secara bersama-sama antara:
X2-X3 ; X2-X4 ; X2-X5 ; X3-X4 ; X3-X5; X4-X5; X6-X7
Selanjutnya dapat ditentukan alternatif model mana saja dari hasil analisis regresi linier yang memenuhi syarat untuk melewati proses seleksi dan masuk ke dalam proses pemilihan model terbaik dengan menggunakan metode
All Possible Regression (APRE).
Tabel 4. Alternatif model kedatangan penumpang
No. Model Persamaan R2 r F Hitung T Hitung 1 Y= – 260.511 + 1,030 X1 0,0680 0,2608 0,2189 0,4679 2 Y= 66.745 – 1,8588 X2 0,0389 0,2217 0,1215 –0,3486 3 Y= 82.448 – 0,0067 X3 0,0491 0,2171 0,1551 –0,3938 4 Y= 268.115 – 3.386 X4 0,0553 0,2352 0,1758 0,7032 5 Y= 242.692 – 24,2116 X5 0,1178 0,3433 0,4009 –0,6332 6 Y= – 251.892 – 2,6829 X6 0,8398 0,9164 15,734 3,9667 7 Y= 19.868 – 0,505 X7 0,3737 0,6113 1,7902 1,3380
TS-10
No. Model Persamaan R2 r F Hitung T Hitung 1 Y= – 286.381 + 1,1085 X1 0,0914 0,3023 0,3018 0,5493 2 Y= – 66.669 + 0,2432 X2 0,0774 0,3067 0,2519 –0,5019 3 Y= 86.714 – 0,0086 X3 0,0940 0,3067 0,3114 –0,5581 4 Y= 320.777 – 4.276 X4 0,1025 0,3202 0,3427 0,5993 5 Y= 266.108 – 27,546 X5 0,1772 0,4209 0,6461 –0,8038 6 Y= – 229.526 + 2,4799 X6 0,8332 0,9128 14,995 3,8724 7 Y= 24.793 – 0,430 X7 0,3141 0,5605 1,3742 1,1722
Pemilihan Model Regresi Terbaik
Pemilihan model regresi terbaik dilakukan dengan menggunakan metode All Possible Regression (APRE). Metode APRE yang digunakan pada penelitian ini menggunakan R2 sebagai kriteria model regresi terbaik. Dari analisis regresi terbentuk 29 model masing-masing untuk kedatangan dan keberangkatan penumpang Bandar Udara Frans Seda Maumere, dengan jumlah variabel X tertinggi dalam alternatif model adalah tiga. Model-model regresi tersebut kemudian diseleksi lagi sehingga menjadi lebih sedikit jumlahnya. Proses seleksi dilakukan dengan membagi persamaan terbentuk menjadi tiga kelompok berdasarkan jumlah variabel bebasnya seperti pada Tabel 6. Kemudian dipilih dua atau tiga model terbaik dari setiap kelompok, dengan R2 sebagai kriteria pemilihannya. Dengan demikian, dipilih persamaan yang memiliki R2 terbesar dari setiap kelompok. Dari daftar model terpilih tersebut kemudian dipilih satu model yang terbaik berdasarkan nilai koefisien determinasi (R2) dan peningkatannya.
Tabel 6. Pembagian kelompok APRE
Kelompok Jumlah Variabel Bebas
A 1
B 2
C 3
Model Kedatangan Penumpang
Kedatangan penumpang yang terpilih berdasarkan kelompok adalah seperti pada tabel berikut.
Tabel 7. Model APRE kedatangan terpilih berdasarkan kelompok
Kelompok Variabel Terbaik Pers Reg. R2
A Y = f(X6) 0,839 B Y = f(X2,X6) 0,843 Y = f(X5,X6) 0,845 Y = f(X1,X6) 0,961 C Y = (X1,X5,X6) 0,983 Y = f(X1,X3,X6) 0,984 Y = f(X1,X4,X6) 0,985
Tabel 7 berisi model-model regresi terbaik untuk setiap kelompok, yang dipilih berdasarkan nilai koefisien determinasinya (R2). Dalam tabel tersebut terlihat bahwa nilai R2 naik dari 0.839 menjadi 0.961 pada model terbaik kelompok A ke model terbaik kelompok B, selanjutnya nilai R2 naik dari 0.961 menjadi 0.985 pada model terbaik kelompok B ke model terbaik kelompok C. Walaupun berdasarkan nilai R2 kelompok C lebih baik, namun tidak berarti kelompok C adalah kelompok dengan model terbaik. Peningkatan nilai R2 dari kelompok B ke kelompok C sangat kecil bila dibandingkan dengan peningkatan nilai R2 dari kelompok A ke kelompok B. Dengan demikian model terbaik adalah salah satu model yang berada pada kelompok B yang tentunya harus memiliki syarat nilai F hitung > F tabel.
Kelompok B terdiri dari tiga model. Dari ketiga model ini model Y = f(X2,X6) dapat menjelaskan semua variabelnya dengan jelas. Pada kelompok A terlihat bahwa variabel X6 berpengaruh besar dalam nilai R2 bila dibandingkan dengan variabel bebas lainnya apabila berdiri sendiri yaitu 0.839. Kemudian variabel X6 bergabung dengan variabel X2, sehingga model Y = f(X2, X6) memiliki R2 sebesar 0.843. Terlihat bahwa model ini memiliki nilai yang baik. sehingga dapat menjelaskan model Y = f(X1, X6) secara utuh. Dengan demikian, model demand kedatangan penumpang yang terpilih adalah: Y = 0,0612 X2 + 2,7364 X6 - 259.577,32. Persamaan ini mempunyai nilai koefisien determinasi (R2) sebesar 0.843 yang berarti bahwa 84,3% dari variasi kedatangan penumpang dapat diwakili oleh persamaan ini. Nilai F hitung = 5.4004 > F tabel = 4.882 (derajat kebebasan 0,17), dapat diartikan bahwa 83 % variasi yang terjadi pada kedatangan penumpang dipengaruhi oleh Jumlah Wisatawan dan Tenaga Kerja Laki-laki.
TS-11
