PERAMALAN JUMLAH PENUMPANG PT. ANGKASA PURA II (PERSERO) BANDARA INTERNASIONAL KUALANAMU PADA TAHUN 2020 DENGAN METODE PEMULUSAN (SMOOTHING)

(1)

PERAMALAN JUMLAH PENUMPANG PT. ANGKASA PURA II (PERSERO) BANDARA INTERNASIONAL KUALANAMU

PADA TAHUN 2020 DENGAN METODE PEMULUSAN (SMOOTHING)

LAPORAN TUGAS AKHIR

FADHLY SYAMILY MAHMUD MELBA 152407121

PROGRAM STUDI D-3 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2018

(2)

PERAMALAN JUMLAH PENUMPANG PT. ANGKASA PURA II (PERSERO) BANDARA INTERNASIONAL KUALANAMU

PADA TAHUN 2020 DENGAN METODE PEMULUSAN (SMOOTHING)

LAPORAN TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh gelar Ahli Madya

FADHLY SYAMILY MAHMUD MELBA 152407121

PROGRAM STUDI D-3 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2018

(3)

PERNYATAAN ORISINALITAS

PERAMALAN JUMLAH PENUMPANG PT. ANGKASA PURA II (PERSERO) BANDARA INTERNATIONAL KUALANAMU

PADA TAHUN 2020 DENGAN METODE PEMULUSAN (SMOOTHING)

LAPORAN TUGAS AKHIR

Saya menyatakan bahwa laporan tugas akhir ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juni 2018

FADHLY SYAMILY MAHMUD MELBA 152407121

(4)

(5)

PERAMALAN JUMLAH PENUMPANG PT. ANGKSA PURA II (PERSERO) BANDARA INTERNASIONAL KUALANAMU PADA TAHUN 2020

DENGAN METODE PEMULUSAN (SMOOTHING)

ABSTRAK

Penelitian ini dilakukan untuk mengetahui ramalan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu pada tahun 2020 dengan menggunakan Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown.

Peramalan merupakan perkiraan sesuatu yang belum terjadi atau yang akan terjadi pada waktu yang akan datang. Peramalan jumlah penumpang berguna untuk membuat kebijakan-kebijakan dan pembangunan serta peningkatan prasaranan Bandara Internasional Kualanamu agar dapat mengendalikan perubahan jumlah penumpang untuk tahun kedepan. Untuk itu diperlukan suatu indikator yang dapat menunjukkan peningkatan dan penurunan jumlah penumpang terhadap kebutuhan yang diinginkan. Dengan data jumlah penumpang Bandara Internasional Kualanamu mulai tahun 2003 sampai 2017 akan diramalkan jumlah penumpang Bandara Internasional Kualanamu untuk tahun 2018, 2019, 2020. Hasil perhitungan peramalan pada data jumlah penumpang Bandara Internasional Kualanamu untuk tahun 2018 adalah 11.049.652, Tahun 2019 adalah 12.060.594 dan Tahun 2020 adalah 13.071.535. Bagi para penulis lain yang tertarik pada permasalahan yang sama yaitu peramalan diharapkan untuk dapat meneliti lebih lanjut faktor-faktor yang memengaruhi tingkat penumpang Bandara Internasional Kualanamu dengan metode peramalan yang berbeda. Agar penelitian-penelitian yang akan datang memiliki ruang lingkup yang lebih luas.

Kata kunci : Penumpang, Metode Pemulusan Eksponensial Ganda, Peramalan

(6)

FORECASTING TOTAL PASSENGER PT. ANGKASA PURA II (PERSERO) INTERNATIONAL AIRPORT KUALANAMU IN 2020 METHOD OF

RECOVERY (SMOOTHING)

ABSTRACT

This research was conducted to determine the forecast of the passenger PT. Angkasa Pura II (Persero) Airport International Kualanamu in 2020 with use Exponent pessimistic pesky Dual Linear One of Brown Parameters. Forecasting is estimates something that has not happen or when will happen at a time to be come.

Forecasting amount passenger useful for make policies and development and enhancement facilities Airport International Your quality to be able control change amount passenger for year fore. For that we need an indicator that can increase the number of passengers to the desired needs. With amount of data passenger Airport International Your quality start year 2003 until 2017 will predicted amount passenger Airport International Your quality for year 2018, 2019, 2020. Result of calculation forecasting on the amount of data passenger of Airport International Your quality for year 2018 is 11,049,652, Year 2019 is 12,060,594 and Year 2020 is 13,071,535. For more writers who are interested in the same issues that influence the level of passenger of Airport International Your quality with Different forecasting method. That research - research that will come have room scope broad.

Keywords: Passenger, Method of Dual Exponential Smoothing, Forecasting

(7)

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpah karunia-Nya Penulis dapat menyelesaikan penyusunan laporan tugas akhir ini dengan judul Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu pada Tahun 2020 dengan Metode Pemulusan (Smoothing).

Terima kasih penulis sampaikan kepada Ibu Dr. Elvina Herawati, M.Si selaku pembimbing yang telah meluangkan waktunya selama penyusunan laporan tugas akhir ini. Terima kasih kepada Ibu Dr. Elly Rosmaini, M.Si dan Bapak Dr.

Open Darnius, M.Sc selaku Ketua program studi dan Sekretaris program studi D-3 Statistika FMIPA-USU Medan, serta kepada Bapak Dr. Suyanto, M.Kom dan Bapak Drs. Rosman Siregar, M.Si selaku Ketua dan Sekretaris Departemen Matematika FMIPA-USU. Terima kasih kepada Bapak Dr. Kerista Sebayang M.S. selaku Dekan FMIPA USU, seluruh staf dan dosen Program studi D-3 Statistika FMIPA-USU, pegawai dan rekan-rekan kuliah. Akhirnya tidak terlupakan kepada Bapak, Ibu dan keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan.

Semoga Tuhan Yang Maha Esa akan membalasnya.

Medan, Juni 2018

Fadhly Syamily Mahmud Melba

(8)

DAFTAR ISI

Halaman

PENGESAHAN LAPORAN TUGAS AKHIR i

ABSTRAK ii

ABSTRACT iii

PENGHARGAAN iv

DAFTAR ISI v

DAFTAR TABEL vii

DAFTAR GAMBAR ix

DAFTAR LAMPIRAN x

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 2

1.5 Manfaat Penelitian 2

1.6 Metode Penelitian 3

1.7 Tinjauan Pustaka 3

1.8 Lokasi Penelitian 5

BAB 2 LANDASAN TEORI 7

2.1 Pengertian Peramalan 7

2.2 Jenis-jenis Peramalan 7

2.3 Langkah-langkah Peramalan 9

2.4 Pemilihan Metode Peramalan 9

2.5 Kegunaan Peramalan 10

2.6 Metode Pemulusan (Smoothing) 11

2.7 Metode Smoothing yang Digunakan 12

2.8 Ketepatan Peramalan 13

BAB 3 METODOLOGI PENELITIAN 15

3.1 Sumber Data 15

3.2 Lokasi Penelitian 15

3.3 Variable Penelitian 15

3.4 Langkah-langkah Dalam Metode Penelitian 15

BAB 4 HASIL DAN PEMBAHASAN 16

4.1 Analisis Data dan Pembahasan 16

4.2 Penaksiran Model Peramalan 30

4.3 Penentuan Bentuk Persamaan Peramalan 40 4.4 Peramalan Jumlah Penumpang PT. Angkasa Pura II

(Persero) Bandara Internasional Kualanamu Tahun 2018,

2019 dan 2020 41

(9)

BAB 5 KESIMPULAN DAN SARAN 42

5.1 Kesimpulan 42

5.2 Saran DAFTAR PUSTAKA LAMPIRAN

(10)

DAFTAR TABEL

Halaman Tabel 4.1 Data Jumlah Penumpang PT. Angkasa Pura II (Persero)

Bandara Internasional Kualanamu Tahun 2013 – 2017 16 Tabel 4.2 Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero)

Bandara Internasional Kualanamu dengan Smoothing

Eksponensial Ganda Linier dari Brown dengan ( = 0,1) 31 Tabel 4.3 Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero)

Eksponensial Ganda Linier dari Brown dengan ( = 0,9) 38 Tabel 4.11 Perbandingan Ukuran Ketepatan Metode Peramalan Jumlah

Penumpang PT. Angkasa Pura II (Persero) Bandara

Internasional Kualanamu 39

Tabel 4.12 Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu untuk Tahun 2018, 2019

dan 2020 40

(11)

DAFTAR GAMBAR

Halaman Gambar 4.1 Grafik Jumlah Penumpang PT. Angkasa Pura II (Persero)

Bandara Internasional Kualanamu Tahun 2013 – 2017 16

(12)

DAFTAR LAMPIRAN

Nomor Judul

Lampiran

1. Surat Pegantar Riset

2. Surat Permohonan Pengantar Izin Riset 3. Surat Balasan Permohonan Izin Riset 4. Surat Keputusan Dekan

5. Lampiran SK Pembimbing Tugas Akhir 6. Hasil Uji Impelementasi Tugas Akhir 7. Kartu Bimbingan Tugas Akhir

(13)

BAB 1 PENDAHULUAN

1.1 Latar Belakang

Pada era globalisasi, perkembangan zaman maju dengan pesat, salah satunya dalam bidang transportasi. Seiring dengan bertambahnya jumlah penduduk, maka kebutuhan akan alat transportasi juga meningkat karena alat transportasi merupakan sarana penting bagi penduduk untuk melakukan aktivitasnya. Salah satu alat transportasi udara, yaitu pesawat terbang merupakan salah satu sarana yang dapat digunakan penduduk untuk menunjang aktivitasnya baik dalam hal bisnis maupun pariwisata.

PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu merupakan penyedia jasa transportasi udara yang berapa di Kabupaten Deli Serdang. Bandara ini adalah bandara terbesar kedua di Indonesia setelah Bandar Udara Internasional Soekarno-Hatta. Pembangunan bandara ini merupakan bagian dari MP3EI, untuk menggantikan Bandar Udara Internasional Polonia yang telah berusia lebih dari 85 tahun. Sejak Bandara ini berdiri jumlah penumpang Bandara International Kualanamu mengalami peningkatan. Oleh karena itu, peramalan tentang jumlah penumpang menjadi hal yang penting bagi perusahaan karena dengan mengetahui prediksi jumlah penumpang di masa yang akan dating perusahaan dapat mempersiapkan fasilitas–fasilitas untuk mengantisipasi kenaikan jumlah penumpang, seperti menyiapkan penerbangan ekstra, ruang tunggu yang lebih nyaman, dan tempat parkir yang lebih luas.

Data jumlah penumpang merupakan data runtun (time series) yang dikumpulkan setiap tahun untuk mengetahui peningkatan jumlah penumpang di Bandara Internasional Kualanamu Kabupaten Deli Serdang. Sebagaimana diketahui, data time series adalah data yang dikumpulkan, dicatat, dan diamati berdasarkan urutan waktu. Data time series tersebut dapat digunkan untuk membuat peramalan dan nantinya hasil peramalan dapat digunakan sebagai bahan pertimbangan dalam pengambilan kebijakan perusahaan.

(14)

Berdasarkan uraian di atas, penulis ingin mengadakan penelitian tentang peramalan dengan judul: “PERAMALAN JUMLAH PENUMPANG PT.

ANGKASA PURA II (Persero) BANDARA INTERNATIONAL KUALANAMU PADA TAHUN 2020 DENGAN METODE PEMULUSAN (SMOOTHING)”.

1.2 Rumusan Masalah

Adapun masalah yang di analisis dalam penyusunan tugas akhir ini adalah meramalkan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara International Kualanamu tahun 2020 dengan menggunakan nilai parameter (α) yang menghasilkan nilai Mean Square Error (MSE) yang terkecil dengan Pemulusan (Smoothing) Eksponensial Ganda: Metode Linier Satu – Parameter dari Brown.

1.3 Batasan Masalah

Agar kajian dalam penelitian ini tidak menyimpang, maka penulis hanya membatasi pada perhitungan peramalan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara International Kualanamu pada tahun 2020 dan sebagai dasar perhitungannya digunakan data penumpang Bandara International Kualanamu pada tahun 2013 – 2017 dengan Pemulusan (Smoothing) Eksponensial Ganda: Metode Linier Satu – Parameter dari Brown.

1.4 Tujuan Penelitian

Tujuan diadakan penelitian ini adalah untuk meramalkan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara International Kualanamu pada tahun 2020 dengan Pemulusan (Smoothing) Eksponensial Ganda: Metode Linier Satu – Parameter dari Brown.

1.5 Manfaat Penelitian Adapun manfaat penelitian adalah:

a. Untuk menambah pemahaman mengenai peramalan jumlah penumpang PT.

Angkasa Pura II (Persero) Bandara International Kualanamu pada tahun 2020.

(15)

b. Bagi Pihak PT. Angkasa Pura II (Persero) Bandara International Kualanamu dapat bermanfaat sebagai masukan dalam pengambilan kebijakan.

c. Sebagai referensi bagi peneliti lain yang melakukan penelitian dengan menggunakan metode yang sama

d. Sebagai penerapan ilmu yang diperoleh penulis selama masa perkuliahan.

1.6 Metode Penelitian

Metode-metode yang dipakai untuk penulisan Tugas Akhir ini adalah:

a. Studi Kepustakaan (Studi Literatur).

Dalam hal ini penelitian dilakukan dengan membaca dan mempelajari buku- buku ataupun literatur pelajaran yang didapat diperkuliahan ataupun umum, serta sumber informasi lainnya yang berhubungan dengan objek yang diteliti.

b. Metode Pengumpulan Data

Metode pengumpulan data yang digunakan penulis dalam penyusunan tugas akhir ini adalah dengan menggunakan data sekunder, yaitu data yang diambil dari sumbernya yang berasal dari Kantor Badan Pusat Statistik Provinsi Sumatera Utara.

c. Metode Pengolahan data

Data yang telah ditentukan dianallisis dengan menggunakan metode pemulusan (smoothing).

d. Membuat Kesimpulan

1.7 Tinjauan Pustaka

Sofjan (1984), menerangkan bahwa peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas bermacam-macam cara yaitu Metode Pemulusan seperti Rata-rata Bergerak, Metode Box-Jenkins, dan Metode Regresi.

Semua itu dikenal dengan metode peramalan. Metode peramalan adalah cara untuk memperkirakan secara kuantitatif apa yang akan terjadi di masa yang akan datang dengan dasar data yang relavan pada masa lalu.Dengan kata lain metode peramalan ini digunakan dalam peramalan yang bersifat objektif.

(16)

Manurung (1990), menerangkan bahwa time series adalah peramalan di masa datang didasarkan pada kesalahan yang dilakukan sebelumnya. Tujuan time series ini mencakup meneliti pola data untuk meramalkan dan melakukan ekstrapolasi ke masa datang.

Peramalan merupakan suatu alat bantu yang penting pada perencanaan yang efektif dan efisien. Peramalan juga sangat penting dalam pengambilan keputusan.

Aspek yang menggunakan peramalan cukup luas baik secara waktu, faktor penentu kejadian seharusnya dan jenis pola data. Penggunaan metode ini didasarkan kepada variable yang ada dan yang akan mempengaruhi hasil peramalan.

Metode Pemulusan Eksponensial

Spyros Markridakis,(1999) Smoothing eksponensial adalah suatu metode peramalan rata-rata yang melakukan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih tua dengan kata lain observasi yang baru diberikan bobot yang relatif besar dengan nilai observasi yang lebih tua.

Bentuk umum dari pemulusan eksponensial adalah:

1 (1 )

t t t

F_ X   F dengan:

1

Ft_ = ramalan satu periode ke depan X t = data aktual pada periode ke-t F t = ramalan pada periode ke-t

 = parameter smoothing

Metode Smoothing yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang cepat.

Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai jumlah penumpang pada pemecahan masalah ini adalah dengan menggunakan metode smoothing eksponensial ganda yaitu metode smoothing eksponensial satu parameter dari Brown.

Metode ini merupakan metode yang digunakan oleh Brown. Dasar pemikiran dari metode smoothing eksponensial linier satu parameter dari Brown adalah dengan rata-rata bergerak linier, karena kedua nilai smoothing tunggal dan ganda ketinggalan dari data sebenarnya.

(17)

Peramalan yang dapat dipakai dalam pelaksanaan smoothing eksponensial linier satu parameter dari Brown adalah sebagai berikut:

St = X_t (1 )S_t^_₁ St = S_t^ (1 )S_t_₁

a t = S_t(S_tS_t)2S_tS_t

b t = ( )

1 S^t S^t

 ^^ ^

 Ft m_ = a_t b m_t e t X_tF_t dengan:

St = nilai smoothing eksponensial tunggal St = nilai smoothing ganda

a ,t b = konstanta smoothing _t

Ft m_ = hasil peramalan untuk m periode kedepan yang akan diramalkan et = kesalahan pada periode ke-t

1.8 Lokasi Penelitian

Penelitian atau pengumpulan data mengenai Penerapan Metode Exponential Smoothing Untuk Meramalkan Jumlah Penumpang Bandara Internasional Kualanamu tahun 2020 diperoleh dari PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Kabupaten Deli Serdang.

(18)

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan

Peramalan (forecasting) menurut Sofyan Assauri (1984) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi pada masa yang akan datang.

Setiap kebijakan ekonomi maupun kebijakan perusahaan tidak akan terlepas dari usaha untuk meningkatkan kesejahteraan masyarakat atau meningkatkan keberhasilan perusahaan untuk mencapai tujuannya pada masa yang akan datang.

Oleh karena itu perlu dilihat dan dikaji situasi dan kondisi pada saat kebijakan tersebut dilaksanakan. Usaha untuk melihat dan mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan peramalan.

Kegunaan dari peramalan dapat dilihat pada saat pengambilan keputusan.

Keputusan yang baik adalah keputusan yang didasarkan oleh pertimbangan apa yang akan terjadi saat keputusan tersebut dilakukan. Apabila keputusan yang dialami kurang tepat sebaiknya keputusan tersebut tidak dilaksanakan. Oleh karena masalah pengambilan keputusan merupakan masalah yang dihadapi, maka peramalan juga merupakan masalah yang harus dihadapi, karena peramalan berkaitan erat dengan pengambilan keputusan.

2.2 Jenis-jenis Peramalan

Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas dua macam, yaitu:

a. Peramalan Subjektif

Peramalan Subjektif adalah peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau “judgement” dari orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.

(19)

b. Peramalan Objektif

Peramalan Objektif adalah peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik dan metode dalam penganalisaan data tersebut. Menurut Makridakis, Wheelright, dan McGee (1999), teknik peramalan dapat dibagi dalam 2 bagian jika dilihat dari sifatnya, yaitu:

a. Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan ini sangat bergantung pada orang yang menyusunnya, karena berdasarkan pemikiran yang bersifat instuisi, pendapat dan pengetahuan serta pengalaman dari orang-orang yang menyusunnya.

Biasanya peramalan kualitatif ini didasarkan atas hasil penyelidikan seperti Delphi, analogis, dan didasarkan atas ciri-ciri normatif seperti decision matrices atau decision trees. Metode kualitatif dapat dibagi menjadi dua, yaitu metode eksploratoris dan normative.

b. Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti prosedur peramalan penyusunan dengan baik. Semakin baik dalam menggunakan prosedur peramalan, maka penyimpangan antara hasil peramalan dengan kenyataan yang terjadi juga semakin kecil. Metode peramalan kuantitatif dapat dibagi dalam deret berkala (time series) dan metode kausal.

Peramalan kuantitatif dapat digunakan bila memenuhi syarat berikut:

1. Adanya informasi tentang masa lalu.

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data.

3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang dan kondisi ini disebut dengan kondisi yang konstan. Asumsi ini merupakan modal yang mendasari dari semua metode peramalan kuantitatif dan banyak metode peramalan teknologis terlepas dari bagaimana canggihnya metode tersebut.

(20)

Metode-metode peramalan dengan analisis deret waktu dibagi tiga yaitu:

1. Metode Pemulusan Eksponensial dan Rata-rata Bergerak

Metode ini sering digunakan untuk ramalan jangka pendek dan jarang dipakai untuk ramalan jangka panjang.

2. Metode Regresi

Metode ini biasanya digunakan untuk ramalan jangka menengah dan jangka panjang.

3. Metode Box-Jenkins

Metode ini jarang dipakai, tetapi baik untuk ramalan jangka pendek, menengah, dan panjang.

2.3 Langkah-langkah Peramalan

Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Pada dasarnya ada tiga langkah peramalan yang penting, yaitu:

1. Menganalisa data yang lalu. Tahap ini berguna untuk pola yang terjadi pada masa lalu. Analisa ini dilakukan dengan cara membuat tabulasi dari data maka dapat diketahui pola data tersebut.

2. Menentukan metode yang digunakan. Masing-masing metode akan memberikan hasil peramalan yang berbeda.

3. Memproyeksikan data yang lalu dengan menggunakan metode yang dipergunakan dan mempertimbangkan adanya beberapa faktor perubahan.

2.4 Pemilihan Metode Peramalan

Dalam pemilihan metode peramalan, perlu diketahui terlebih dahulu ciri-ciri penting dalam pengambilan keputusan dan analisis keadaan dalam mempersiapkan peramalan. Ada 6 faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan, yaitu:

(21)

a. Horizon waktu

Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing metode peramalan, yaitu cakupan waktu di masa yang akan datang dan jumlah periode untuk peramalan yang diinginkan.

b. Pola Data

Dasar utama dari metode peramalan adalah anggapan bahwa macam pola yang didapati di dalam data yang diramalkan akan berkelanjutan.

c. Jenis dan model

Model-model merupakan suatu deret di mana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola. Model-model perlu diperhatikan karena masing-masing model mempunyai kemampuan yang berbeda dalam analisis keadaan untuk pengambilan keputusan.

d. Biaya yang dibutuhkan

Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan, yaitu biaya-biaya penyimpangan data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik dan metode peramalan.

e. Ketepatan peramalan

Tingkat ketepatan yang dibutuhkan sangat erat dengan tingkat perincian yang dibutuhkan dalam suatu peramalan.

f. Kemudahan dan penerapan

Metode-metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu prinsip umum bagi pengambilan keputusan.

2.5 Kegunaan Peramalan

Kegunaan peramalan dalam suatu penelitian adalah untuk memperkirakan situasi dan kondisi yang akan terjadi dari suatu yang diteliti untuk masa yang akan datang setelah situasi tersebut dianalisis. Peramalan merupakan suatu alat bantu yang penting dalam perencanaan yang efektif dan efisien. Dalam hal ini penyusunan suatu rencana untuk mencapai tujuan atau sasaran suatu organisasi/lembaga terdapat perbedaan waktu pelaksanaan. Perencanaan dan peramalan merupakan dua hal yang sangat erat kaitannya, hal ini dapat dilihat dalam penyusunan rencana, di mana dalam penyusunan ini melibatkan peramalan juga. Dengan demikian dapat dikatakan bahwa

(22)

peramalan merupakan dasar untuk menyusun rencana karena dapat membantu menganalisis data dari masa lalu, sehingga melalui metode peramalan akan didapat cara pemikiran dan pengerjaan yang teratur dan terarah serta perencanaan yang sistematis hingga memberikan ketetapan hasil analisis.

2.6 Metode Pemulusan (Smoothing)

Metode pemulusan atau smoothing adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan. Metode smoothing banyak digunakan untuk menghilangkan atau mengurangi keteracakan dari data deret berkala. Secara umum, metode smoothing diklasifikasikan menjadi dua bagian, yaitu:

a. Metode Rata-rata

Metode rata-rata dibagi atas empat bagian, yaitu:

1. Nilai tengah (mean)

2. Rata-rata bergerak tunggal (single moving average) 3. Rata-rata bergerak ganda (double moving average) 4. Kombinasi rata-rata bergerak lainnya.

Metode rata-rata tujuannya adalah untuk memanfaatkan data masa lalu dalam mengembangkan suatu sistem peramalan pada periode mendatang.

b. Metode Pemulusan Eksponensial

Bentuk umum dari pemulusan eksponensial adalah:

1 (1 )

t t t

F_ X   F

2.1

dengan:

1

Ft_ = ramalan satu periode ke depan X = data aktual pada periode ke-t t

F = ramalan pada periode ke-t t

 = parameter smoothing

Metode smoothing eksponensial terdiri atas:

1. Smoothing eksponensial tunggal

2. Smoothing eksponensial ganda, yang terdiri atas:

(23)

a. Metode linier satu parameter dari Brown b. Metode dua parameter dari Holt

2.7 Metode Smoothing yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang cepat. Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai ekspor dan impor pada pemecahan masalah ini adalah dengan menggunakan metode smoothing eksponensial ganda yaitu metode smoothing eksponensial satu parameter dari Brown.

Metode ini merupakan metode yang digunakan oleh Brown. Dasar pemikiran dari metode smoothing eksponensial linier satu parameter dari Brown adalah dengan rata-rata bergerak linier, karena kedua nilai smoothing tunggal dan ganda ketinggalan dari data sebenarnya.

Peramalan yang dapat dipakai dalam pelaksanaan smoothing eksponensial linier satu parameter dari Brown adalah sebagai berikut:

St = X_t  (1 )S_t^_₁

2.2

St = S_t^ (1 )S_t_₁ 2.3

a t = S_t(S_tS_t)2S_tS_t 2.4

b t = ( )

1 S^t S^t

 ^^ ^

 2.5

Ft m_ = a_t b m_t 2.6

e t  X_tF_t 2.7

dengan:

St = nilai smoothing eksponensial tunggal St = nilai smoothing ganda

a ,t b = konstanta smoothing _t

Ft m_ = hasil peramalan untuk m periode kedepan yang akan diramalkan e t = kesalahan pada periode ke-t

(24)

2.8 Ketepatan Peramalan

Ketepatan peramalan adalah suatu hal yang mendasar dalam peramalan yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode peramalan. Dalam pemodelan deret berkala dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan. Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan adalah:

a. ME (Mean Error)/Nilai Tengah Kesalahan

1 N

t t

ME e

SSE et



 

2.13

(25)

dengan:

t t

t

X F

PE X

  

  

 100 (kesalahan persentase pada periode ke-t) N= Banyaknya periode waktu

Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE yang terkecil.

g. Pertumbuhan Geometri

Adapun rumus proyeksi geometri adalah sebagai berikut :

2.14

dengan:

= Jumlah hasil yang dicapai pada tahun t = Jumlah hasil yang dicapai pada tahun awal

= Rata-rata tingkat perkembangan hasil yang dicapai per tahun = Jangka waktu (tahun)

(26)

BAB 3

METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari PT. Angkasa Pura II (Persero) Bandara International Kualanamu.

Adapun data sekunder yang dibutuhkan dalam penelitian ini adalah data jumlah penumpang Bandara International Kualanamu dengan periode tahun 2013-2017.

3.2 Lokasi Penelitian

Dalam melakukan peninjauan penulisan Tugas Akhir ini penulis mengambil data secara sekunder yaitu data yang diperoleh dari PT. Angkasa Pura II (Persero) Bandara International Kualanamu yang berlokasi di Jl. Pasar Enam Kuala Namu, Kabupaten Deli Serdang, Sumatera Utara.

3.3 Variabel Penelitian

Sampel yang diambil dalam penelitian ini adalah yang berada di Bandara International Kualanamu, Tahun data diambil dari periode tahun 2013 sampai dengan tahun 2017.

3.4 Langkah-Langkah Dalam Metode Penelitian

Adapun langkah-langkah yang digunakan dalam penelitian ini adalah:

1. Studi kepustakaan Yaitu dengan membaca buku-buku referensi yang bersifat teoritis yang mendukung serta relevan dengan Tugas Akhir ini.

2. Menentukan Topik Permasalahan, Tujuan dari penentuan topik permasalahan adalah sebagai rumusan mendasar penelitian ini dilakukan.

Topik permasalahannya adalah berapa jumlah penumpang yang dihasilkan di Bandara International Kualanamu Tahun 2020.

3. Menentukan Tujuan Penelitian, Tujuan penelitian merupakan sesuatu yang akan dituju dan diperoleh dari suatu penelitian. Tujuan dilakukannya

(27)

penelitian ini adalah untuk mengetahui jumlah penumpang Bandara International Kualanamu pada tahun 2020.

4. Pengumpulan data

Pengumpulan data dilakukan dari beberapa instansi sebagaimana telah dijelaskan pada jenis dan sumber data.

5. Pengolahan data

1) Menentukan harga parameter smoothing eksponensial ganda yang besarnya 0 < α < 1

2) Menghitung harga smoothing eksponensial tunggal dengan menggunakan persamaan (2.1). .

3) Menghitung harga smoothing eksponensial ganda dengan menggunakan persamaan (2.2).

4) Menghitung koesfisien αt dan b_t dengan menggunakan persamaan (2.3) dan persamaan (2.4).

5) Menghitung trend peramalan _Ft+m dengan menggunakan persamaan (2.5) 6. Membuat Kesimpulan

(28)

BAB 4

HASIL DAN PEMBAHASAN

4.1 Analisis Data dan Pembahasan

Data yang akan diolah oleh penulis adalah data per tahun jumlah penumpang Bandara Internasional Kualanamu yang dimulai pada tahun 2013 – 2017. Metode yang di gunakan untuk mengolah data tersebut adalah metode peramalan Smoothing Eksponensial Ganda yaitu metode linier satu parameter dari Brown.

Tabel 4.1 Data Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Tahun 2013 – 2017

Periode Tahun Jumlah Penumpang

1 2013 8358705

2 2014 8059796

3 2015 8004791

4 2016 8987110

5 2017 10041568

0 2000000 4000000 6000000 8000000 10000000 12000000

2013 2014 2015 2016 2017

Jumlah Penumpang

(29)

Gambar 4.1 Grafik Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Tahun 2013 – 2017

Langkah- langkah yang ditempuh untuk bentuk persamaan peramalan dengan menggunakan metode Smoothing Eksponensial Linier Satu Parameter dari Brown adalah:

1. Menentukan harga parameter smoothing eskponensial ganda besarnya 0< α < 1 2. Menghitung harga smoothing eskponensial tunggal dengan menggunakan

persamaan (2.1)

 α = 0,1 = 8.358.705

= (0,1) (8.059.796) + (1 – 0,1) (8.358.705) = 8.328.814,1 = (0,1) (8.004.791) + (1 – 0,1) (8.328.814,1) = 8.296.411,79 = (0,1) (8.987.110) + (1 – 0,1) (8.296.411,79) = 8.365.481,611 = (0,1) (10.041.568) + (1 – 0,1) (8.365.481,611) = 8.533.090,25

 α = 0,2 = 8.358.705

= (0,2) (8.059.796) + (1 – 0,2) ( 8.358.705) = 8.298.923,2 = (0,2) (8.004.791) + (1 – 0,2) (8.298.923,2) = 8.240.096,76 = (0,2) (8.981.110) + (1 – 0,2) (8.240.096,76) = 8.389.499,408 = (0,2) (10.041.568) + (1 – 0,2) (8.389.499,408) = 8.719.913,126

 α = 0,3 = 8.358.705

= (0,3) (8.059.796) + (1 – 0,3) ( 8.358.705) = 8.269.032,3 = (0,3) (8.004.791) + (1 – 0,3) (8.269.032,3) = 8.189.759,91

(30)

= (0,3) (8.981.110) + (1 – 0,3) (8.189.759,91) = 8.428.964,937 = (0,3) (10.041.568) + (1 – 0,3) (8.428.964,937) = 8.912.745,856

 α = 0,4 = 8.358.705

= (0,4) (8.059.796) + (1 – 0,4) ( 8.358.705) = 8.239.141,4 = (0,4) (8.004.791) + (1 – 0,4) (8.239.141,4) = 8.145.401,24 = (0,4) (8.981.110) + (1 – 0,4) (8.145.401,24) = 8.482.084,744 = (0,4) (10.041.568) + (1 – 0,4) (8.482.084,744) = 9.405.878,046

 α = 0,5 = 8.358.705

= (0,5) (8.059.796) + (1 – 0,5) ( 8.358.705) = 8.209.250,5 = (0,5) (8.004.791) + (1 – 0,5) (8.209.250,5) = 8.107.020,75 = (0,5) (8.981.110) + (1 – 0,5) (8.107.020,75) = 8.547.065,375 = (0,5) (10.041.568) + (1 – 0,5) (8.547.065,375) = 9.294.316,688

 α = 0,6 = 8.358.705

= (0,6) (8.059.796) + (1 – 0,6) ( 8.358.705) = 8.179.359,6 = (0,6) (8.004.791) + (1 – 0,6) (8.179.359,6) = 8.074.618,44 = (0,6) (8.981.110) + (1 – 0,6) (8.074.618,44) = 8.622.113,376 = (0,6) (10.041.568) + (1 – 0,6) (8.622.113,376) = 9.473.786,15

(31)

 α = 0,7 = 8.358.705

= (0,7) (8.059.796) + (1 – 0,7) ( 8.358.705) = 8.149.468,7 = (0,7) (8.004.791) + (1 – 0,7) (8.149.468,7) = 8.048.194,31 = (0,7) (8.981.110) + (1 – 0,7) (8.048.194,31) = 8.705.435,293 = (0,7) (10.041.568) + (1 – 0,7) (8.705.435,293) = 9.640.728,188

 α = 0,8 = 8.358.705

= (0,8) (8.059.796) + (1 – 0,8) ( 8.358.705) = 8.119.577,8 = (0,8) (8.004.791) + (1 – 0,8) (8.119.577,8) = 8.027.748,36 = (0,8) (8.981.110) + (1 – 0,8) (8.027.748,36) = 8.795.237,672 = (0,8) (10.041.568) + (1 – 0,8) (8.795.237,672) = 9.792.301,934

 α = 0,9 = 8.358.705

= (0,9) (8.059.796) + (1 – 0,9) ( 8.358.705) = 8.089.686,9 = (0,9) (8.004.791) + (1 – 0,9) (8.089.686,9) = 8.013.280.59 = (0,9) (8.981.110) + (1 – 0,9) (8.013.280,59) = 8.889.727.059 = (0,9) (10.041.568) + (1 – 0,9) (8.889.727,059) = 9.926.383.906

3. Menghitung harga smoothing eskponensial ganda dengan menggunakan persamaan (2.2).

 α = 0,1

= 8.358.705

(32)

= (0,1) (8.328.814,1) + (1 – 0,1) ( 8.358.705) = 8.355.715,91

= (0,1) (8.296.411,79) + (1 – 0,1) (8.355.715,91) = 8.349,785,498

= (0,1) (8.365.481,611) + (1 – 0,1) (8.349,785,498) = 8.351.355,109

= (0,9) (8.533.090,25) + (1 – 0,9) (8.351.355,109) = 8.369.528,623

 α = 0,2

= 8.358.705

= (0,2) (8.298.923,2) + (1 – 0,2) (8.358.705) =8.346.748,64

= (0,2) (8.240.096,76) + (1 – 0,2) (8.346.748,64) = 8.325.418,264

= (0,2) (8.389.499,408) + (1 – 0,2) (8.325.418,264) = 8.338.234,493

= (0,2) (8.719.913,126) + (1 – 0,2) (8.338.234,493) = 8.414.570,22

 α = 0,3

= 8.358.705

= (0,3) (8.269.032,3) + (1 – 0,3) (8.358.705) = 8.331.803,19

= (0,3) (8.189,759,91) + (1 – 0,3) (8.331.803,19) = 8.289.190,206

= (0,3) (8.428.964,937) + (1 – 0,3) (8.289.190,206) = 8.331.122,625

= (0,3) (8.912.745,856) + (1 – 0,3) (8.331.122,625) = 8.505.609,594

 α = 0,4

= 8.358.705

= (0,4) (8.239.141,4) + (1 – 0,4) (8.358.705) = 8.310.879,56

= (0,4) (8.145.401,24) + (1 – 0,4) (8.310.879,56) = 8.244.688,232

= (0,4) (8.452.084,744) + (1 – 0,4) (8.244.688,232) = 8.339.646,837

(33)

= (0,4) (9.105.878,046) + (1 – 0,4) (8.339.646,837) = 8.646.139,321

 α = 0,5

= 8.358.705

= (0,5) (8.209.250,5) + (1 – 0,5) (8.358.705) = 8.283.977,75

= (0,5) (8.107.020,75) + (1 – 0,5) (8.283.977,75) = 8.195.499,25

= (0,5) (8.547.065,375) + (1 – 0,5) (8.195.499,25) = 8.371.282,313

= (0,5) (9.294.316,688) + (1 – 0,5) (8.371.282,313) = 8.832.799,5

 α = 0,6

= 8.358.705

= (0,6) (8.179.359,6) + (1 – 0,6) (8.358.705) = 8.251.097,76

= (0,6) (8.074.618,44) + (1 – 0,6) (8.251.097,76) = 8.145.210,17

= (0,6) (8.622.113,376) + (1 – 0,6) (8.145.210,17) = 8.431.352,09

= (0,6) (9.473.786,15) + (1 – 0,6) (8.431.352,09) = 9.056.812,53

 α = 0,7

= 8.358.705

= (0,7) (8.149.468,7) + (1 – 0,7) (8.358.705) = 8.212.239,59

= (0,7) (8.048.194,31) + (1 – 0,7) (8.212.239,59) = 8.097.407,894

= (0,7) (8.705.435,293) + (1 – 0,7) (8.097.407,894) = 8.523.027,073

= (0,7) (9.640.728,188) + (1 – 0,7) (8.523.027,073) = 9.305.417,854

(34)

 α = 0,8

= 8.358.705

= (0,8) (8.119.577,8) + (1 – 0,8) (8.358.705) = 8.167.403,24

= (0,8) (8.027.745,36) + (1 – 0,8) (8.167.403,24) = 8.055.679,336

= (0,8) (8.795.237,672) + (1 – 0,8) (8.055.679,336) = 8.647.326,005

= (0,8) (9.792.301,934) + (1 – 0,8) (8.647.326,005) = 9.563.306,748

 α = 0,9

= 8.358.705

= (0,9) (8.089.686,9) + (1 – 0,9) (8.358.705) = 8.11.588,71

= (0,9) (8.013.280,59) + (1 – 0,9) (8.11.588,71) = 8.023.611,402

= (0,9) (8.889.727.059) + (1 – 0,9) (8.023.611,402) = 8.803.155,493

= (0,9) (8.533.090,25) + (1 – 0,9) (8.803.155,493) = 9.815.057,065

4. Menghitung koefisien αt dan bt dengan menggunakan persamaan (2.3) da persamaan (2.4).

 α = 0,1 = –

8.301.312,29 8.243.038,082

dan

(35)

 α = 0,2 = –

8.154.775,26 9.025.256,03

dan

 α = 0,3 = –

8.206.261,41

(36)

dan

 α = 0,4 = –

dan

(37)

 α = 0,5 = –

dan

 α = 0,6 = –

Dan

(38)

 α = 0,7 = –

dan

(39)

 α = 0,8 = –

10.021.297,12

dan

 α = 0,9 = –

Dan

(40)

5. Menghitung trend peramalan Ft+m dengan menggunakan persamaan (2.5).

 α = 0,1 = – = –

 α = 0,2 = – = –

 α = 0,3 = – = –

(41)

 α = 0,4

= – = –

 α = 0,5

= – = –

8.059.796

 α = 0,6 = – = –

(42)

 α = 0,7

= – = –

 α = 0,8 = – = –

 α = 0,9 = – = –

6. Menghitung nilai kesalahan (error) dengan menggunakan persamaan (2.6).

(43)

 α = 0,1

 α = 0,2

 α = 0,3

 α = 0,4

(44)

 α = 0,5

 α = 0,6

 α = 0,7

(45)

 α = 0,8

 α = 0,9

Dengan demikian maka dapat ditentuka nilai smoothing eksponensial tunggal, ganda, dan ramalan yang akan datang untuk α = 0,1 sampai dengan α = 0,9 yang akan ditampilkan pada tabel 4.2 sampai 4.10.

4.2 Penaksiran Model Peramalan

Dalam mengolah data pada tabel 4.1 penulis menggunakan metode peramalan yaitu dengan metode smoothing eksponensial satu parameter dari Brown. Untuk memenuhi perhitungan smoothing eksponensial tunggal, ganda dan ramalan yang akan datang, maka kita harus menentukan parameter nilai α terlebih dahulu yang bisa digunakan dengan cara trial and error atau coba dan salah. Nilai yang dipilih dari 0< α < 1, dihitung mean square errror (MSE) yang merupakan suatu ukuran

(46)

ketetapan perhitungan dengan mengkuadratkan nilai error masing-masing elemen dalam sebuah susunan data dan kemudian dicoba nilai yang lain.

Untuk menghitung nilai MSE adalah pertama dicari terlebih dahulu errror yang merupkan hasil dari data asli dikurang hasil ramalan. Lalu tiap error

dikuadratkan dan dibagi dengan banyaknya error persamaan.Lalu tiap error dikuadratkan dan dibagi dengan banyaknya error.

(47)

Tabel 4.2 Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu dengan Smoothing Eksponensial Ganda Linier dari Brown dengan ( = 0,1)

Tahun

2013 8358705 8358705 8358705 - - - - -

2014 8059796 8328814.1 8355715.91 8301912.29 -2989.09 - - -

2015 8004791 8296411.79 8349785.498 8243038.082 -5930.412 8298923.2 -294132.2 86513751076.84 2016 8987110 8365481.611 8351355.109 8379608.113 1569.6113 8237107.67 750002.33 562503495005.43 2017 10041568 8533090.25 8369528.623 8696651.876 18173.51406 8381177.724 1660390.276 2756895868635.36

Jumlah 3405913114717.63

Untuk α = 0,1 dan n = 3 Maka ;

MSE =

n e

n

i



i

1 2

(48)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8298923.2 8346748.64 8251097.76 -11956.36

2015 8004791 8240096.76 8325418.264 8154775.26 -21330.376 8239141.4 -234350.4 54920109980.16 2016 8987110 8389499.408 8338234.493 8440764.32 12816.2288 8133444.88 853665.12 728744137104.61 2017 10041568 8719913.126 8414570.22 9025256.03 76335.72672 8453580.552 1587987.45 2521704135005.56

Jumlah 3305368382090.33

MSE =

n e

n

i



i

1 2

(49)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8269032.3 8331803.19 8206261.41 -26901.81

2015 8004791 8189759.91 8289190.206 8090329.614 -42612.984 8179359.6 -174568.6 30474196105.96 2016 8987110 8428964.937 8331122.625 8526807.249 41932.4193 8047716.63 939393.37 882459903599.96 2017 10041568 8912745.856 8505609.594 9319882.117 174486.9692 8568739.668 1472828.332 2169223295541.90

Jumlah 3082157395247.81

MSE =

n e

n

i



i

1 2

(50)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8239141.4 8310879.56 8167403.2 -47825.44

2015 8004791 8145401.24 8244688.232 8046114.2 -66191.328 8119577.8 -114786.8 13176009454.24 2016 8987110 8482084.744 8339646.837 8624522.7 94958.6048 7979922.92 1007187.08 1014425814118.93 2017 10041568 9105878.046 8646139.321 9565616.8 306492.4838 8719481.256 1322086.744 1747913358660.53

Jumlah 2775515182233.70

MSE =

n e

n

i



i

1 2

(51)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8209250.5 8283977.75 8134523.25 -74727.25

2015 8004791 8107020.75 8195499.25 8018542.25 -88478.5 8059796 -55005 3025550025 2016 8987110 8547065.375 8371282.313 8722848.44 175783.0625 7930063.75 1057046.25 1117346774639.06 2017 10041568 9294316.688 8832799.5 9755833.88 461517.1875 8898631.5 1142936.5 1306303843032.25

Jumlah 2426676167696.31

MSE =

n e

n

i



i

1 2

(52)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8179359.6 8251097.76 8107621.44 -17217.1584

2015 8004791 8074618.44 8145210.168 8004026.712 -16942.01472 8090404.282 -85613.28 7329633986.32 2016 8987110 8622113.376 8431352.093 8812874.659 45782.70797 7987084.697 1000025 1000050606080.23 2017 10041568 9473786.15 9056812.527 9890759.773 100073.6695 8858657.367 1182911 1399277565267.00

Jumlah 2406657805333.55

MSE =

n e

n

i



i

1 2

(53)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8149468.7 8212239.59 8086697.81 -146465.41

2015 8004791 8048194.31 8097407.894 7998980.726 -114831.696 7940232.4 64558.6 4167812833.96 2016 8987110 8705435.293 8523027.073 8887843.513 425619.1793 7884149.03 1102960.97 1216522901343.34 2017 10041568 9640728.188 9305417.854 9976038.522 782390.7802 9313462.692 728105.308 530137339537.78

Jumlah 1750828053715.08

MSE =

n e

n

i



i

1 2

(54)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8119577.8 8167403.24 8071752.36 -191301.76

2015 8004791 8027748.36 8055679.336 7999817.384 -111723.904 7880450.6 124340.4 15460535072.16 2016 8987110 8795237.672 8647326.005 8943149.339 591646.6688 7888093.48 1099016.52 1207837311232.92 2017 10041568 9792301.934 9563306.748 10021297.12 915980.7437 9534796.008 506771.992 256817851875.65

Jumlah 1480115698180.73

MSE =

n e

n

i



i

1 2

(55)

Tahun

2013 8358705 8358705 8358705

2014 8059796 8089686.9 8116588.71 8062785.09 -242116.29

2015 8004791 8013280.59 8023611.402 8002949.778 -92977.308 7820668.8 184122.2 33900984532.84 2016 8987110 8889727.059 8803115.493 8976338.625 779504.0913 7909972.47 1077137.53 1160225258534.52 2017 10041568 9926383.906 9814057.065 10038710.75 1010941.571 9755842.716 285725.284 81638937916.88

Jumlah 1275765180984.24

MSE =

n e

n

i



i

1 2

(56)

Tabel 4.11 Perbandingan Ukuran Ketepatan Metode Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu

MSE

0,1 1.135.304.371.572,54 0,2 1.101.789.460.696,78 0,3 1.027.385.798.415,94 0,4 925.171.727.411,23 0,5 808.892.055.898,77 0,6 802.219.268.444,52 0,7 583.609.351.238,36 0,8 493.371.899.393,58 0,9 425.255.060.328,08

Dari Tabel 4.11, dapat dilihat bahwa MSE nilai Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu yang paling kecil terdapat pada yaitu dengan MSE = 425.255.060.328,08.

4.3 Penentuan Bentuk Persamaan Peramalan

Melalui cara trial and error dengan 0 < < 1, telah diperoleh untuk nilai Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional

Kualanamu, perhitungan peramalan pemulusan eksponensial linier satu parameter dari brown dengan , sehingga dapat ditentukan bentuk persamaan peramalan untuk periode periode berikutnya.

Berdasarkan perhitungan pada dapat diperoleh persamaan peramalan untuk periode berikutnya yaitu dengan menggunakan persamaan 2.6 sebagai berikut:

Jumlah Penumpang ( ) F_t+m= a_t + b_tm

F_5+m = a₅ + b₅m

F_5+m = 10.038.710,75 + 1.010.941,571(m)

(57)

4.4 Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Tahun 2018, 2019 dan 2020

Setelah diperoleh peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu, maka dapat dihitung Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu untuk tiga periode berikutnya, yaitu untuk tahun 2018, 2019 dan 2020 seperti dibawah ini:

a. Untuk periode ke-6 (tahun 2018) F_5+m = a_t + b_tm

F5+1 = 10.038.710,75 + 1.010.941,571 (1) F₆ = 11.049.652,321

b. Untuk periode ke-7 (tahun 2019) F5+m = at + btm

F5+2 = 10.038.710,75 + 1.010.941,571 (2) F7 = 12.060.593.892

c. Untuk periode ke-8 (tahun 2020) F5+m = at + btm

F5+3 = 10.038.710,75 + 1.010.941,571 (3) F8 = 13.071.535,463

Tabel 4.12 Peramalan Jumlah Penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu untuk Tahun 2018, 2019 dan 2020

Periode Tahun Peramalan Jumlah

Penumpang

6 2018 11.049.652

7 2019 12.060.594

8 2020 13.071.535

(58)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil pengolahan data dan analisis data yang dilakukan sebelumnya pada bab 4 maka kesimpulan yang diperoleh adalah sebagai berikut:

a. Pada hasil analisis pemulusan eksponensial ganda: metode linier satu parameter dari Brown diperoleh MSE yang terkecil adalah pada α = 0,9.

b. Data yang diperoleh dan diramalkan pada jumlah penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Kabupaten Deli Serdang dari tahun ke tahun meningkat dengan angka 13.071.535 penumpang.

c. Bentuk persamaan peramalan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Kabupaten Deli Serdang 2018-2019 adalah : F5+m = 10.038.710,75 + 1.010.941,571(m)

d. Peramalan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Kabupaten Deli Serdang 2018-2019 adalah :

Periode Tahun Peramalan Jumlah

Penumpang

6 2018 11.049.652

7 2019 12.060.594

8 2020 13.071.535

5.2 Saran

Berdasarkan data yang diamati penulis memberi saran dari hasil peramalan Peramalan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Kabupaten Deli Serdang yaitu sebagai berikut :

(59)

a. Dalam meramalkan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu dapat menggunakan Metode Pemulusan Ganda: metode linier satu parameter dari Brown akan sangat membantu jika menggunakan alat bantu komputer yaitu program aplikasi Microsoft Excel untuk mempermudah proses perhitungan.

b. Dengan melihat hasil peramalan jumlah penumpang PT. Angkasa Pura II (Persero) Bandara Internasional Kualanamu Kabupaten Deli Serdang yang meningkat dari tahun ke tahun maka pihak PT. Angkasa Pura II (Persero) selaku pengelolah Bandara Internasional Kualanamu untuk meningkatkan fasilitas-fasilitas bandara dan pelayanan costumer sehingga mendapatkan respon yang baik dari pengguna jasa.

(60)

DAFTAR PUSTAKA

ArgaW, Ir. 1985.Analisa Runtun Waktu Teori dan Aplikasi. Yogyakarta: BPFE.

Assaori, Sofyan. 1984. Teknik dan Metode Peramalan. Jakarta: Fakultas Ekonomi Universitas Indonesia.

Haymans, Alder. 2001. Peramalan Bisnis. Jakarta: PT Gramedia Pustaka Utama.

Istarani, Drs. 2004. Buku Panduan Belajar Teori dan praktek Teknologi Informasi dan Komunikasi. Medan: Balai Pelatihan Komputer ISCOM.

Makridakis Spyros, Wheelwright S.C dan Mcgee V. E. 1993, Metode dan Aplikasi peramalan. Jakarta: Erlangga.

Sinaga, August. 2004. Teknologi Informasi dan Komunikasi. Medan: CV. SAMEBF.

(61)

(62)

(63)

(64)

(65)

(66)

(67)

(68)