i
LAPORAN TUGAS AKHIR
PERAMALAN JUMLAH PENUMPANG KERETA API
DENGAN ANALISIS TIME SERIES METODE DOUBLE
EXPONENTIAL SMOOTHING (BROWN) DAN SINGLE
MOVING AVERAGE DI WILAYAH JAWA NON
JABODETABEK
Disusun Oleh:
Nama
:A. Rizki Iskandar
NIM
:A12.2014.05248
Program Studi
:Sistem Informasi - S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2017
ii
LAPORAN TUGAS AKHIR
PERAMALAN JUMLAH PENUMPANG KERETA API
DENGAN ANALISIS TIME SERIES METODE DOUBLE
EXPONENTIAL SMOOTHING (BROWN) DAN SINGLE
MOVING AVERAGE DI WILAYAH JAWA NON
JABODETABEK
Laporan ini disusun guna memenuhi salah satu syarat untuk menyelesaikan program studi Sistem Informasi S-1 pada Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Disusun Oleh:
Nama
:A. Rizki Iskandar
NIM
:A12.2014.05248
Program Studi
:Sistem Informasi - S1
HALAMAN JUDULFAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2017
iii
iv
v
vi
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
vii
UCAPAN TERIMAKASIH
Segala Puji dan Syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat hidayah dan karunia-Nya sehingga laporan Tugas Akhir yang berjudul “Peramalan Jumlah Penumpang Kereta Api Dengan Analisis Time Series Metode Double Exponential Smoothing (Brown) Dan Single Moving Average Di Wilayah Jawa Non Jabodetabek” dapat diselesaikan sesuai dengan rencana. Oleh karena itu penulis menyampaikan terimakasih kepada:
1. Dr. Ir Edi Noersasongko, M.Kom selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr. Abdul Syukur selaku Dekan Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang.
3. Affandy, M.Kom, Ph.D selaku Ketua Program Studi Sistem Informasi S1 Fakultas Ilmu Komputer.
4. Dr. Yuventius Tyas Catur Pramudi, S.Si, M.Kom selaku dosen pembimbing Tugas Akhir.
5. Fajrian Nur Adnan, M.CS, selaku Koordinator Tugas Akhir Program Studi Sistem Informasi S1.
6. Alm Papa yang menjadi penyemangat untuk segera menyelesaikan tugas Akhir sebagai tanggung jawab.
7. Mama yang selalu memberikan kebaikan dalam setiap doa yang beliau panjatkan.
8. Sahabat yang memberikan dorongan untuk menyelesaikan Tugas Akhir. Semoga yang penulis sampaikan dalam laporan Tugas Akhir ini bermanfaat dan berguna.
Semarang, 26 Februari 2017
viii ABSTRAK
Pengguna transportasi kereta api umumnya terjadi lonjakan menjelang waktu lebaran dan libur panjang. PT. Kereta Api Indonesia (KAI) merupakan salah satu perusahaan penyedia transportasi dalam melakukan perjalanan. Dalam melakukan perencanaan bisnis, PT. KAI menggunakan suatu peramalan dengan akurasi yang baik. Peramalan yang digunakan adalah metode Analisis Times Series, merupakan suatu metode analisis data yang ditujukan untuk melakukan peramalan di masa depan. Untuk mendapatkan hasil peramalan dengan kualitas akurasi yang baik, dilakukan perbandingan antara dua metode forecasting yaitu Double Exponential Smoothing (Brown) dan Single Moving Average. Untuk menentukan peramalan yang tepat dan sesuai, dilakukan pengujian akurasi dengan menghitung error menggunakan Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE). Hasil dari perbandingan dan pengujian akurasi menunjukan peramalan dengan metode Double Exponential Smoothing (Brown) merupakan metode peramalan yang sesuai untuk meramalkan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek
Kata kunci : Analisis Time Series, Peramalan, Penumpang Kereta
xiv + 74 halaman; 21 gambar; 22 tabel; 4 lampiran Daftar Acuan: 20 (2001 – 2017)
ix DAFTAR ISI
Halaman Judul ... ii
Persetujuan Laporan Tugas Akhir... iii
Pengesahan Dewan Penguji ... iv
Pernyataan Keaslian Tugas Akhir ...v
Pernyataan Persetujuan Publikasi Karya Ilmiah Untuk Kepentingan Akademis .. vi
Ucapan Terimakasih ... vii
ABSTRAK ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiii
Daftar Lampiran ... xiv
Bab 1 PENDAHULUAN ...1
1.1 Latar Belakang Masalah ...1
1.2 Rumusan Masalah ...3
1.3 Batasan Masalah ...4
1.4 Tujuan Penelitian ...4
1.5 Manfaat Penelitian ...5
Bab 2 TINJAUAN PUSTAKA ...6
2.1 Tinjauan Pustaka ...6
2.2 Penumpang ...9
2.3 Angkutan Umum Penumpang ...10
2.3.1 Pengertian Angkutan Umum ...10
2.4 Peramalan (Forecasting) ...11
2.4.1 Relasi antara Forecasting dengan Rencana ...11
2.4.2 Definisi Peramalan (Forecasting) ...11
2.4.3 Kategori Peramalan (Forecasting) ...12
2.4.4 Tipe – tipe Peramalan (Forecasting) ...13
2.4.5 Tahapan – tahapan Peramalan (Forecasting)...13
2.4.6 Metode Peramalan (Forecasting)...14
2.4.7 Tingkat Ketepatan / Akurasi Peramalan ...19
2.4.8 Java NetBeans IDE 7.3.1 ...20
2.4.9 MySQL ...21
Bab 3 METODE PENELITIAN ...22
3.1 Metode Pengumpulan Data ...22
3.1.1 Jenis Data ...22
3.1.2 Sumber Data ...22
3.2 Metode Analisis ...22
3.3 Pengembangan System ...25
Bab 4 HASIL DAN PEMBAHASAN ...27
4.1 Sumber Informasi Data ...27
4.2 Data Jumlah Penumpang Kereta Api ...28
4.3 Proses Forecasting ...29
4.3.1 Metode Single Moving Average ...30
4.3.2 Metode Double Exponential Smoothing (Brown) ...30
4.3.3 Membandingkan Single Moving Average dan Double Exponential Smoothing (Brown) ...31
4.4 Estimasi Peramalan Bulan November 2016 – Oktober 2017
Menggunakan Metode Double Exponential Smoothing (Brown) ...34
4.5 Identifikasi Kebutuhan User ...36
4.5.1 Kebutuhan Hardware ...37
4.5.2 Kebutuhan Software ...37
4.6 Perancangan System Prototype ...37
4.6.1 Perancangan Database ...37
4.6.2 Perancangan Interface ...39
4.7 Implementasi Program ...44
4.8 Pengujian Sistem Black Box ...54
Bab 5 Penutup ...61
5.1 Kesimpulan ...61
5.2 Saran ...62
DAFTAR PUSTAKA ...64
xii
DAFTAR GAMBAR
Gambar 2.1 Metode Teknik Peramalan ...14
Gambar 2.2 Framework Java NetBeans ...20
Gambar 3.1. Metode Prototype ...25
Gambar 4.1 Diagram Batang Jumlah Penumpang Kereta Api ...29
Gambar 4.2 Perancangan Menu Utama ...39
Gambar 4.3 Perancangan Form Forecasting ...40
Gambar 4.4 Desain Form Tambah Data Aktual ...41
Gambar 4.5 Desain Form Edit Data Aktual ...42
Gambar 4.6 Desain Form Cari Data...43
Gambar 4.7 Implementasi Form Menu Utama ...44
Gambar 4.8 Implementasi Form Foreasting ...45
Gambar 4.9 Form tambah data aktual ...46
Gambar 4.10 Message Box Edit Tahun ...47
Gambar 4.11 Form Edit Data Aktual ...48
Gambar 4.12 Form Cari Data ...49
Gambar 4.13 Grafik Data Aktual ...49
Gambar 4.14 Hasil perhitungan forecasting ...50
Gambar 4.15 Grafik Forecasting dan Data Aktual ...51
Gambar 4.16 Hasil Perhitungan Estimasi Peramalan ...52
Gambar 4.17 Grafik Estimasi Peramalan ...53
xiii
DAFTAR TABEL
Tabel 2.1 Penelitian Terkait ...8
Tabel 4.1 Jumlah Penumpang Kereta Api ...28
Tabel 4.2 Forecasting Single Moving Average ...30
Tabel 4.3 Forecasting Double Exponential Smoothing (Brown) ...31
Tabel 4.4 Hasil Olah Data error Single Moving Average ...32
Tabel 4.5 Hasil olah data error Double Exponential Smoothing (Brown ...33
Tabel 4.6 Perhitungan Estimasi Forecast Jumlah Penumpang ...35
Tabel 4.7 Tabel Bulan ...38
Tabel 4.8 Tabel Jumlah Data Penumpang ...38
Tabel 4.9 Tabel Waktu ...38
Tabel 4.10 Partisi Pengujian System Black Box Equivalence Partitioning...55
Tabel 4.11 Test Case Tambah Data ...55
Tabel 4.12 Test Case Berdasarkan Fungsi Tambah Data ...55
Tabel 4.13Test Case Form Tambah Data...56
Tabel 4.14 Test Case Berdasarkan Fungsi Form Tambah Data ...56
Tabel 4.15 Test Case Form Edit Data ...57
Tabel 4.16 Test Case Berdasarkan Fungsi Edit Data ...57
Tabel 4.17 Test Case Nilai Alpha ...58
Tabel 4.18 Test Case Nilai Alpha Hitung ...58
Tabel 4.19 Test Case Berdasarkan Fungsi Nilai Alpha ...58
Tabel 4.20 Test Case Berdasarkan Fungsi Form Forecasting ...59
xiv
DAFTAR LAMPIRAN
Lampiran 1. Perhitungan Foreacasting Single Moving Average ...66 Lampiran 2. Perhitungan Forecasting Double Exponential Smoothing (Brown)...67 Lampiran 3. Menghitung Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE) dengan Single Moving Average ...74
Lampiran 4. Menghitung Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE) dengan Double Exponential Smoothing (Brown) ...74
1 BAB 1 PENDAHULUAN
1.1 Latar Belakang Masalah
Bisnis pada berbagai kegiatannya selalu melakukan suatu perencanaan untuk kedepannya. Untuk melakukan perencanaan suatu kegiatan yang akan disusun dan dilakukan dimasa mendatang, biasanya dengan menggunakan data yang terdahulu. Berdasarkan data yang terdahulu kemudian akan dilakukan analisis secara ilmiah, khususnya menggunakan metode statistika, yang bisa digunakan dalam membuat prediksi peramalan di masa mendatang. Umumnya data akan dianalisis menggunakan dugaan independen. Data dari masa lalu dikumpulkan untuk kemudian dipelajari dan dianalisa. Namun tidak semua data dapat dianalisis dengan dugaan independen, misal data pada penjualan tiket cinema, penggunaan listrik, banyaknya penumpang kereta api, dan data tentang iklim. Data data itu merupakan suatu data dependen yang artinya suatu data yang memilki ketergantungan pada berbagai keadaan semisal manusia, selera, faktor musim, pola – pola kebiasaan dan masih banyak lainnya. Dengan demikian untuk menganalisis data dependen tersebut digunakanlah analisis time series.
Analisis Times Series adalah suatu model analisis data yang ditujukan guna melakukan suatu prakiraan, perhitungan ataupun suatu prediksi peramalan di waktu yang akan datang yang berfungsi sebagai bahan rujukan dalam pengambilan keputusan dan perencanaan [1]. Dengan analisis time series nantinya akan diketahui cara untuk melihat estimasi dan hasil peramalannya dengan akurasi yang mendekati data aktualnya. Oleh karena itu suatu analisis membutuhkan informasi data untuk kemudian diobservasi dalam beberapa periode yang relative panjang. hasil dari analisis waktu tersebut kemudian dapat diketahui adanya perubahan fluktuasi yang terjadi. Dalam hal tersebut akan dihadapkan pada suatu masalah ketidakpastian yang kemudian akan berpengaruh pada akurasi yang perlu untuk diperhitungkan. Jadi dalam hal ini yang cukup penting adalah tingkat kualitas akurasi data yang diperoleh, dan waktu data tersebut dikumpulkan.
Kereta api juga sebagai bagian sektor perhubungan data yang sekiranya cukup penting dalam pelayanan jasa transportasi masyarakat. terutama sekarang kereta api termasuk transportasi utama dalam melakukan perjalanan baik yang sedang maupun panjang, dan menjelang waktu lebaran arus mudik konsumen pamakai transportasi kereta api biasanya terjadi lonjakan yang cukup drastis. Sehingga PT. KAI (Kereta Api Indonesia) bertanggung jawab untuk memenuhi kebutuhan pada seluruh masyarakat [2], yang kemudian PT. KAI harus melakukan penambahan beberapa unit kereta api untuk mengatasi masalah tersebut. Dengan demikian diperlukanlah suatu perencanaan pada perusahaan kereta api dalam mencapai optimasi operasi, agar susunan dan jumlah gerbong dalam satu rangkaian kereta api dapat disesuaikan dengan kapasitas lokomotifnya. Salah satu dampaknya adalah dapat membuat penghematan biaya operasi pada hari hari dimana terjadi peningkatan penumpang pada perusahaan.
Dalam menghadapi berbagai permasalahan tersebut PT. KAI (Kereta Api Indonesia) mencoba mengatasinya dengan suatu peramalan yang memiliki akurasi yang baik agar keputusan yang dibuat tidak salah. Dengan melihat data statistik dari data historis masa lampau. Untuk menghadapi permasalahan yang ada pada saat ini PT. KAI (Kereta Api Indonesia) membutuhkan suatu metode peramalan yang sesuai dalam memperkirakan data jumlah penumpang kedepannya agar dapat menghasilkan suatu keputusan yang tepat berdasarkan hasil peramalan. Dengan melihat bagaimana data yang sudah diperoleh maka metode peramalan yang sesuai untuk meramalkan jumlah penumpang kereta yaitu dengan menggunakan metode peramalan time series. Metode ini dinilai cocok dan sesuai untuk peramalan jumlah penumpang kereta api pada PT. KAI karena dapat meramalkan jumlah penumpang dalam periode jangka panjang dengan menggunakan data penumpang pada bulan-bulan sebelumnya. Untuk mendapatkan hasil peramalan yang tepat dan sesuai maka akan dilakukan perbandingan antara metode peramalan Double Exponential Smoothing (Brown) dan Single Moving Average dan akan dicari tingkat error nya. Dengan membandingkan kedua metode tersebut diharapkan dapat menemukan metode
terpilih yang paling tepat dan sesuai untuk peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek.
Metode peramalan sangat populer digunakan dalam berbagai macam penelitian terutama yang melibatkan data-data yang bersifat kuantitatif sebagai contoh yang diambil yaitu penelitian yang dilakukan oleh Indah Suryani, dan Romi Satria Wahono,2015 [3] yang telah menerapkan metode peramalan Exponential Smoothing yang digunakan untuk proses perubahan data dalam pengoptimasian kualitas akurasi Neural Network yang digunakan sebagai prediksi harga emas, kemudian penelitian selanjutnya dilakukan oleh Kristien Margi S, dan Sofian Pendawa W,2015 [4] yang menerapkan metode peramalan menggunakan Single Exponential Smoothing yang digunakan guna memprediksi penjualan yang digunakan untuk periode tertentu di PT. Media Cemara Kreasi, Jakarta.
Manfaat dari penelitian ini bertujuan untuk mengetahui peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek dengan metode peramalan yang tepat dan sesuai, yang nantinya dengan menggunakan peramalan yang terpilih dapat dibuatkan estimasi peramalan (forecast) time series jumlah penumpang kereta api di wilayah Jawa non Jabodetabek untuk bulan November 2016 – Oktober 2017 menggunakan system prototype, sehingga diharapkan membantu perusahaan dalam perhitungan peramalannya dan dari hasil tersebut dapat membantu perusahaan dalam membuat perencanaan dan keputusan yang tepat dan optimal. Dengan membandingkan metode peralaman time series antara Single Moving Average dan Double Exponential Smoothing (Brown) dan memilih salah satu metode yang paling sesuai dan tepat untuk meramalkan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek.
1.2 Rumusan Masalah
Dari pembahasan latar belakang diatas, kemudian permasalahan akan diuraikan sebagai berikut :
1. Bagaimana menentukan dan memilih metode peramalan untuk perusahaan yang tepat dan paling sesuai diantara metode peramalan Single Moving Average dan Double Exponential Smoothing (Brown)?
2. Berapa peramalan jumlah penumpang di wilayah Jawa non Jabodetabek pada bulan November 2016 – Oktober 2017 dengan menggunakan metode peramalan terpilih?
3. Bagaimana estimasi peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek pada November 2016 – Oktober 2017 dengan metode terpilih menggunakan system prototype?
1.3 Batasan Masalah
Guna menyederhanakan pembahasaan tugas akhir, masalah hanya dibatasi sebagai berikut :
1. Data yang dipakai untuk proses peramalan adalah data publik jumlah penumpang kereta api di wilayah Jawa non Jabodetabek pada bulan Oktober 2015 – Oktober 2016, dan untuk pengujian tingkat error menggunakan metode Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE).
2. Peramalan bersifat bulanan.
3. Peramalan yang dipakai adalah Single Moving Average dan Double Exponential Smoothing (Brown).
4. Analisis yang dilakukan tanpa memperhitungkan beberapa pengaruh pendukung penyebab terjadinya perubahan jumlah penumpang kereta. Analisis yang akan dilakukan hanya berdasarkan dari data jumlah penumpang yang didapatkan pada data publik di Website Badan Pusat Statistik (BPS). 1.4 Tujuan Penelitian
Berdasar rumusan masalah yang sudah dijabarkan di atas kemudian dapat dirumuskan tujuan dari penelitian sebagai berikut :
1. Dapat menentukan dan memilih metode peramalan yang tepat dan sesuai untuk perusahaan dengan kualitas akurasi yang baik antara metode Single
Moving Average dan Double Exponential Smoothing (Brown) untuk meramalkan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek. 2. Dapat mengetahui beberapa peramalan jumlah penumpang kereta api wilayah
Jawa non Jabodetabek pada November 2016 – Oktober 2017 dengan metode peramalan yang terpilih.
3. Mengetahui bagaimana hasil estimasi peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek pada bulan November 2016 – Oktober 2017 dengan metode yang terpilih pada system prototype.
1.5 Manfaat Penelitian
Nantinya hasil dari penelitian ini diharapkan dapat memberikan kontribusi dan manfaat untuk penelitian dikemudian hari dan untuk pihak yang berkepentingan, manfaat yang didapatkan dari penelitian ini adalah
1. Dengan Analisis Time Series metode Single Moving Average dan Double Exponential Smoothing (Brown) dapat digunakan untuk proses peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek dengan memberikan suatu kualitas akurasinya dimasa yang akan datang.
2. Diharapkan dengan menggunakan metode peralaman Single Moving Average dan Double Exponential Smoothing (Brown) dapat menghasilkan kinerja yang maksimal pada proses peramalan jumlah penumpang sesuai dengan kebutuhan perencanaan.
3. Penelitian ini dapat menjadi referensi atau rujukan sebagai bahan penelitian selanjutnya dikemudian hari untuk pertimbangan bahan penelitian yang berkolerasi.
6 BAB 2
TINJAUAN PUSTAKA
2.1 Tinjauan Pustaka
Penggunaan metode peramalan (Forecasting) telah dilakukan oleh berbagai macam penelitian dalam berbagai bidang terutama digunakan dalam memprediksi dan meramalkan penjualan pada perusahaan.
Berikut dibawah ini merupakan beberapa contoh yang telah dilakukan oleh penelitian-penelitian terdahulu dengan menggunakan metode peramalan.
1. Implementasi Exponential Smoothing sebagai perubahan Data guna optimisasi kualitas Akurasi Neural Network Prediksi Harga Emas [3].
Emas adalah barang yang sangat bernilai yang tak pernah lekang oleh waktu. Emas adalah sebuah logam mulia yang cukup diminati sebagai perhiasan atau investasi. Bagi para investor metode prediksi menjadi suatu hal yang sangat penting dalam perlindungan nilai resiko dan sebagai jalan untuk investasi. Maka dari itu dibutuhkannya metode prediksi yang dapat digunakan untuk mendukung para investor dalam membuat kebijakan dan keputusan yang sesuai dalam investasi emas.
Dalam penelitian ini digunakan metode peramalan Exponential Smoothing untuk perubahan data guna peningkatan optimisasi akurasi Neural Network. Neural Network merupakan salah satu metode yang menyediakan alat yang menjajikan bagi peramal, metode ini juga memiliki berbagai macam keistimewaan yang sesuai dalam peramalan. Kemudian untuk melakukan persiapan data digunakan metode Exponential Smoothing yang dapat digunakan dalam menangani kualitas data yang kemudian nantinya akan diterapkan pada metode Neural Network.
Langkah awal dasar untuk penyiapan data adalah langkah yang diperlukan untuk membangun model Neural Network yang tepat. Tanpa kumpulan data yang berkualitas, memadai dan representif, akan sulit untuk membangun
Neural Network yang sukses. Maka dari itu kehandalan Neural Network bergantung pada kualitas data yang diperoleh. Dengan demikian metode Exponential Smoothing akan dipakai guna mengembangkan kualitas data yang akan dipakai sebagai prediksi harga emas menggunakan Neural Network. 2. Analisa dan Penerapan metode Single Exponential Smoothing untuk Prediksi
Penjualan pada Periode Tertentu (Studi kasus : PT. Media Cemara kreasi) [4]. Suatu Perusahaan barang ataupun jasa memerlukan strategi penjualan untuk mendapatkan keuntungan besar, salah satu cara yang digunakan yaitu dengan menerapkan metode peramalan (forecasting). PT. Media Cemaran Kreasi adalah perusahaan yang berjalan di bidang penjualan pakaian. Perusahaan ini menginginkan penambahan laba setiap bulannya sehingga dibutuhkan suatu aplikasi forecasting yang dapat menentukan prediksi barang yang terjual setiap bulannya.
Hasil suatu peramalan penjualan akan menjadi proyeksi yang berupa pernyataan atau penilaian terhadap kondisi masa depan tentang penjualan dan permintaan konsumen potensial untuk jangka waktu tertentu. Walaupun demikian hasil dari prediksi mungkin tidak sesuai dengan rencana.
Pemanfaatan prediksi penjualan akan digunakan sebagai informasi penjualan pakaian pada perusahaan PT. Media Cemara Kreasi, Jakarta dalam peramalan tingkat penjualan pada bulan mendatang. Prediksi penjualan yang digunakan yaitu metode peramalan Eksponensial Tunggal (Exponential Smoothing), yang bertujuan untuk memprediksi penjualan pada 1 periode (1 bulan).
3. Perbandingan Keakuratan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Semen di PT.Sinar Abadi [5].
PT. Sinar Abadi merupakan salah satu perusahaan yang memproduksi semen warna dengan berbagai jenis. Perusahaan ini melakukan kegiatan pendistribusian produk semennya ke distributor yang tersebar di Bengkulu. PT. Sinar Abadi sudah mempunyai pengolahan data yang terkomuterisasi namun masih kesulitan dalam memperkirakan / memprediksi penjualan yang akan datang guna meningkatkan laba perusahaan.
Ada begitu banyak metode peramalan namun dari kesekian banyak metode yang ditemukan kemudian akan dicari metode yang sesuai untuk digunakan sebagai acuan. Beberapa metode yang dipilih dalam penelitian ini yaitu metode Autoregressive Integrated Moving Average (ARIMA) dan metode Exponential Smoothing karena kedua metode ini mempunyai kemampuan dalam menganalisis data masa lau yang bersifat musiman, stasioner, dan siklus.
Dari uraian yang telah dijelaskan di atas, pada penelitian memiliki tujuan untuk membuat sebuah sistem yang dapat membantu permasalahan yang ada pada perusahaan dan diharapkan dengan menemukan metode yang paling tepat dapat meningkatkan laba perusahaan.
Tabel 2.1 Penelitian Terkait
No Nama Peneliti dan
Tahun Masalah Metode
1. Indah Suryani, Romi Satria Wahono. 2015 [3]
Penerapan metode prediksi guna mendukung para investor dalam membuat kebijakan dan keputusan yang tepat dalam investasi emas. Metode Exponential Smoothing dan Neural Network 2. Kristien Margi S, Sofian Pendawa W.2015 [4]
PT. Media Cemara Kreasi menginginkan penambahan laba setiap bulannya sehingga dibutuhkan suatu aplikasi forecasting yang dapat menentukan prediksi barang yang terjual setiap bulannya.
Metode Exponential Smoothing
3. Riza Rahmadayanti, Boko Susilo, Diyah
PT. Sinar Abadi kesulitan dalam memperkirakan /
Autoregressive Integrated
No Nama Peneliti dan
Tahun Masalah Metode
Puspitaningrum. 2015 [5]
memprediksi penjualan yang
akan datang guna
meningkatkan laba perusahaan.
Moving Average
(ARIMA) dan Exponential Smoothing
Dari tiga penelitian terkait yang telah dijelaskan pada tabel 2.1 maka dapat diambil kesimpulan bahwa Metode Peramalan (Forecasting) Time Series dapat digunakan dalam membantu untuk melakukan peramalan pada jumlah penumpang kereta api di wilayah Jawa non Jabodetabek untuk setiap bulannya.
2.2 Penumpang
Setiap manusia yang menggunakan suatu transportasi untuk melakukan perjalanan dengan moda apapun merupakan seorang penumpang, tidak terkecuali adalah penumpang kereta api. Untuk itu penumpang menjadi factor penting dalam perencanaan bisnis perusahaan terkait dengan kereta api, karena ada factor - factor dimana lonjakan penumpang terjadi dan jumlah penumpang sangat menentukan dalam perencanaan suatu bisnis transportasi. Dalam hal ini adalah penumpang kereta api, berikut ini adalah pengertian penumpang menurut beberapa ahli :
1. Pendapat Damardjati [6] :
Setiap orang yang diangkut ataupun yang harus diangkut di dalam pesawat udara ataupun alat pengangkutan lainnya, atas dasar persetujuan dari perusahaan ataupun badan yang menyelenggarakan angkutan tersebut.
2. Pendapat Yoeti [7] :
pengertian penumpang adalah pembeli produk dan jasa pada suatu perusahaan adalah pelanggan perusahaan barang dan jasa mereka dapat berupa seseorang (individu) dan dapat pula sebagai suatu perusahaan.
Penumpang bisa dikelompokkan dalam dua kelompok, yaitu :
1. Penumpang yang naik suatu mobil tanpa membayar, apakah dikemudikan oleh pengemudi atau anggota keluarga.
2. Penumpang umum adalah penumpang yang ikut dalam perjalanan dalam suatu wahana dengan membayar, wahan bisa berupa taksi, bus, kereta, kapal, ataupun pesawat terbang.
2.3 Angkutan Umum Penumpang 2.3.1 Pengertian Angkutan Umum
Angkutan pada dasarnya adalah sarana untuk memindahkan orang dan atau barang dari satu tempat ke tempat lain. Tujuannya membantu orang atau kelompok orang menjangkau berbagai tempat yang dikehendaki atau mengirimkan barang dari tempat asalnya ke tempat tujuannya. Prosesnya dapat dilakukan dengan menggunakan sarana angkutan berupa kendaraan. Sementara Angkutan Umum Penumpang adalah angkutan penumpang yang menggunakan kendaraan umum yang dilakukan dengan sistem sewa atau bayar. Termasuk dalam pengertian angkutan umum penumpang adalah angkutan kota (bus, minibus, dsb), kereta api, angkutan air, dan angkutan udara [8].
2.3.2 Peranan Angkutan Umum
Angkutan Umum berperan dalam memenuhi kebutuhan manusia akan pergerakan ataupun mobilitas yang semakin meningkat, untuk berpindah dari suatu tempat ke tempat lain yang berjarak dekat, menengah ataupun jauh. Angkutan umum juga berperan dalam pengendalian lalu lintas, penghematan bahan bakar atau energi, dan juga perencanaan dan pengembangan wilayah [8]. Esensi dari operasional angkutan umum adalah memberikan layanan angkutan yang baik dan layak bagi masyarakat dalam menjalankan kegiatannya, baik Universitas Sumatera Utara untuk masyarakat yang mampu memiliki kendaraan pribadi sekalipun (Choice), dan terutama bagi masyarakat yang terpaksa harus menggunakan angkutan umum (Captive). Ukuran pelayanan angkutan umum yang baik adalah pelayanan yang aman, cepat, murah, dan nyaman [8].
2.4 Peramalan (Forecasting)
2.4.1 Relasi antara Forecasting dengan Rencana
Forecasting merupakan peramalan (prakiraan) yang terjadi dimasa mendatang, sedang rencana adalah menentukan apa yang akan dilaksanakan di masa mendatang, dengan demikian terdapat perbedaan antara forecast dan rencana. Forecast merupakan suatu ramalan yang akan terjadi, namun belum tentu akan dilakukan oleh perusahaan.
Misalnya forecast permintaan pelanggan terhadap suatu kapasitas penumpang kereta api 550 kursi pada tahun berikutnya. Dan belum tentu perusahaan mampu melayani. Padahal kapasitas maksimum perusahaan hanya bisa 300 kursi. Dalam membuat perencanaan penjualan, suatu corporate memiliki pertimbangan dari berbagai aspek yaitu kapasistas, fasilitas, elastisitas, harga, forecast permintaan pelanggan, dan lain sebagainya.
2.4.2 Definisi Peramalan (Forecasting)
Peramalan (forecasting) adalah suatu aktivitas dalam memperhitungkan yang terjadi di masa mendatang dengan berdasarkan data yang berkaitan pada masa lampau kemudian menempatkan data tersebut di masa mendatang melalui sebuah gambaran model matematis. Hal ini bisa berupa prakiraan intuisi yang subyektif juga bisa menggunaan campuran model matematis dan kemudian dapat disesuaikan melalui suatu pertimbangan yang tepat dari seorang manajer. Peramalan terukur adalah peramalan yang dapat memberikan suatu nilai peramalan yang tidak banyak perbedaan dari kenyataan yang terjadi, khususnya dalam teknik peramalan.
Berikut ini beberapa definisi tentang peramalan menurut para ahli : 1. Berdasarkan pendapat dari Lalu Sumayang [9]:
Peramalan merupakan suatu perhitungan yang bersifat objektif dari suatu data di masa lampau, yang kemudian digunakan sebagai penentu sesuatu dimasa mendatang.
2. Berdasarkan pendapat dari Danang Sunyoto [10]:
Peramalan adalah suatu perkiraan atau forecasting, yaitu suatu metode yang digunakan untuk mengukur dan menaksir suatu kondisi bisnis di masa yang akan datang. Peramalan penjualan disebut juga prakiraan penjualan di waktu tertentu di masa mendatang pada kondisi tertentu yang berdasarkan data historis di masa lalu, dan mungkin akan terjadi. Hasil dari suatu peramalan juga merupakan suatu penilaian terhadap keadaan dimasa yang akan datang tentang penjualan sebagai tampilan teknis permintaan pelanggan potensial. Berdasarkan uraian pengertian diatas kemudian dapat disimpulkan bahwa peramalan sebagai suatu perhitungan untuk melakukan prediksi masa depan mengenai data – data seperti penjualan, persediaan, harga saham dengan memanfaatkan data – data masa lalu sebagai dasar penentuan dari perhitungan peramalan.
2.4.3 Kategori Peramalan (Forecasting)
Menurut Yolanda M, Siagian mengutip dari Heizer [11], peramalan dikelompokkan oleh horizon waktu yang akan datang yang mendasarinya. Terbagi menjadi tiga klasifikasi peramalan berdasarkan waktu yaitu :
1. Peramalan Jangka Pendek
Peramalan yang berjangka kurang dari sama dengan satu tahun yang umumnya berjangka kurang dari tiga bulan. Peramalan jangka pendek dipakai dalam perencanaan penjadwalan, penugasan, pembelian, dan tingkat produksi. 2. Peramalan Jangka Menengah
Peramalan memiliki jangka waktu mulai dari tiga bulan sampai dengan tiga tahun. Peramalan yang biasanya digunakan untuk rencana penjualan, rencana anggaran produksi, perencanaan anggaran kas, dan digunakan dalam analisis perencanaan operasi.
3. Peramalan Jangka Panjang
Peramalan yang berjangka waktu lebih dari tiga tahun, digunakan dalam perencanaan suatu produk baru, pengeluaran modal, research and development.
2.4.4 Tipe – tipe Peramalan (Forecasting)
Menurut Hery Prasetya dan Fitri Lukiastuti [12], terdapat tipe – tipe peramalan diantaranya yaitu :
1. Peramalan Ekonomi
Peramalan berisikan tentang siklus bisnis melalui prediksi kenaikan, ketersediaan dana, materi yang diperlukan dalam pembangunan perumahan dan mengacu pada rencana lainnya.
2. Peramalan Teknologi
Peramalan yang mengamati kemajuan teknologi kemudian dapat di implementasikan ke suatu produk baru, yang memerlukan tempat untuk mengolah dan membuat tool baru. Forecast ini berjangka panjang karena dengan menyesuaikan kemajuan teknologi.
3. Demand Forecasting
Gambaran suatu permintaan (Demand) pada suatu produk atau jasa untuk perusahaan, yang umumnya disebut Demand Forecasting (peramalan penjualan) guna mengontrol produksi, kapasitas serta sistem penjadwalan yg umumnya menjadi masukan bagi perencanaan keuangan pemasaran dan sumber daya manusia.
2.4.5 Tahapan – tahapan Peramalan (Forecasting) Beberapa tahapan – tahapan suatu peramalan [13], yaitu : 1. Pengumpulan data
Tahapan ini merupakan bagaimana data diperoleh sesuai dengan data aslinya. 2. Pemadatan data
Pada tahapan ini cukup diperlukan jika terjadi adanya kelebihan data pada saat proses Forecasting, bahkan bisa juga terlalu sedikit atau kurang datanya. Mungkin ada beberapa data yang bahkan kuran relevan dibandingkan dengan masalah yg ditemui dan hal tersebut dapat mengurangi akurasi Forecast. 3. Penyusunan dan Evaluasi Modal
Pada tahapan ini dilakukanlah penyesuaian data yang telah terkumpul kedalam modal yang tepat untuk meminimalisir.
4. Ekstrapolasi Model (peramalan aktual)
Tersusun atas model ramalan aktual yang telah dihitung, dan setelah data didapat kemudian bisa dilakukan pengurangan dan menghasilkan forecasting model yang tepat dan sesuai forecasting yang akan ditentukan.
5. Forecast Evaluation (Evaluasi Peramalan)
Pada tahapan ini proses untuk mengukur dan membandingkan antara hasil dari nilai ramalan dangan nilai aktual masa lalu. Pada prosesnya beberapa data terkini dipakai untuk selanjutnya diambil dari himpunan data yang sedang dianalisis.
2.4.6 Metode Peramalan (Forecasting)
Pada umumnya, ada tiga macam metode pendekatan peramalan yang dapat digunakan, yaitu :
Gambar 2.1 Metode Teknik Peramalan
Fo recas ti n g (T ek n ik Pe rama lan ) Model Kualitatif Metode Delphi Market Reasearch
Life Cycle Analogy
Panel Consensus
Model Time Series
Moving Average Exponential Smoothing Trend Projection Model Kausual Analisis Regresi Metode ARIMA
1. Metode Kualitatif
Secara kualitatif (non statistical methhod) adalah suatu cara prakiraan yang berasal dari pendapat seseorang ahli (judgement). Pendapat dari ahli ini amatlah penting dikarenakan hasil nilai forecast ditentukan dari pemikiran yang intuisi, pendapat dan pengetahuan dari pakar yang menyusunnya, Ada beberapa sumber pendapat yang dipakai sebagai dasar melakukan peramalan penjualan, antara lain pendapat salesman, pendapat manajer penjualan, pendapat para ahli, dan survei konsumen [5]. Terdapat beberapa teknik peramalan kualitatif yaitu [14] :
a. Metode Delphi
Suatu kumpulan dari pakar atau ahli mengisi suatu kuesioner, yang kemudian moderator mendapatkan sebuah hasil yang diformulasikan menjadi suatu kuesioner baru dan diisi kembali oleh kelompok tersebut. Aktivitas tersebut adalah proses peningkatan ilmu dari suatu kelompok tanpa intimidasi dari individu.
b. Market Research
Salah satu model forecast dari suatu survei pada market yang dilaksanakan oleh marketing produk dan yang berada dibidangnya. Pada model ini informasi didapat dari konsumen potensial yang berkaitan dengan perencanaan pembelian konsumen di masa yang akan datang. Penelitian pada pasar dapat membantu peramalan, dan juga akan membantu dalam meningkatkan pada sisi desain produk serta pada perencanaan produk baru.
c. Life Cycle Analogy
Diliat dari gambaran umumnya kebanyakan produk – produk mengikuti Producy Life Cycle (PLC) yang diantaranya mulai dari pengenalan awal, pertumbuhan, kematangan, dan penolakan. Berdasarkan experience produk yang telah ada di masa lalu, dan seseorang bisa merumuskan model yang sudah ada dengan produk tersebut.
d. Panel Consensus
Forecast yang berdasarkan seleksi manajemen, yang biasanya dilakukan oleh manajemen senior. Model ini akan sesuai dalam beberapa kondisi yang sangat sensitif terhadap intuisi dari suatu bagian orang yang dinilai berpengalaman dan mampu memberikan pendapat yang relevan. Teknik ini digunakan jika terdapat kondisi tidak ada alternative lain dari metode peramalan yang akan diterapkan. Dan pada model ini banyak terdapat keterbatasan, yang kemudian perlu digabungkan dengan metode peramalan yang lain.
2. Metode Kuantitatif
Secara kuantitatif (statistical method) merupakan suatu cara untuk melakukan dugaan pada perhitungan angka dengan menggunakan bermacam metode statistik. Hasil ramalannya bergantung pada cara yang dipakai pada peramalannya. Peramalan kuantitatif sangat sesuai jika terdapat tiga kondisi, dengan adanya kumpulan informasi dari masa lalu, kemudian informasi akan ditransformasikan ke dalam bentuk data kuantitatif, yang kemudian hasil informasi tersebut dapat dibuatkan suatu dugaan yang menyangkut beberapa aspek patern (pola) dari data historis masa lalu yang berlanjut di masa yang akan datang. Keadaan yang terakhir nantinya akan dibuat sebagai dugaan yang berhubungan, dugaan ini merupakan sebuah modal yang menjadi dasar dari semua metode peramalan kuantitatif dan juga metode peramalan kualitatif, terlepas dari bagaimana canggihnya metode tersebut [5]. Terdapat bermacam peramalan metode kuantitatif yaitu :
a. Time Series (Deret Waktu)
Metode ini merupakan suatu prakiraan untuk di masa mendatang yang berdasarkan nilai dari masa lalu dari suatu variable. Pada metode time series terdapat beberapa metode :
1) Rata – rata Bergerak (Moving Average)
Rata – rata bergerak (Moving Average) merupakan suatu metode peramalan perataan nilai pengamatan dan kemudian dicari nilai rata – ratanya, kemudian memakai rata – rata tersebut untuk meramalan pada
periode selanjutnya. Menggunakan Istilah rata – rata dikarenakan setiap kali data pengamatan baru telah tersedia, maka nilai rata – rata yang baru dihitung kembali untuk dipergunakan sebagai peramalan [15].
a) Rata – rata bergerak tunggal (Single Moving Average)
Menghitung forecasting dengan metode Single Moving Averages yaitu merata – rata jumlah data sebanyak periode yang digunakan, atau jika dirumuskan maka seperti ini :
𝐹
𝑡+1=
𝑋
𝑡+ 𝑋
𝑡−1+ . . . + 𝑋
𝑡−𝑛+1𝑛
(2.1) Dimana :
Ft+1 = Ramalan (Forecast) untuk periode t+1
Xt =Data pada periode t
n = jangka periode dari moving average 2) Exponential Smoothing
a) Single Exponential Smoothing
Suatu teknik atau metode peramalan yang melakukan proses aktivitasnya secara terus menerus memperbaiki suatu peramalan dengan merata – rata (menghaluskan = smoothing) nilai data aktual dari masa lalu dengan cara menurun (exponential). Rumus sederhana Exponential Smoothing adalah sebagai berikut :
𝐹
𝑡+1= 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡
(2.2) Dimana :t = periode saat ini
α = Konstanta Exponential Smoothing Xt = Permintaan pada periode t
Ft = Peramalan pada periode t
Ft+1 = Peramalan untuk periode yang akan datang
b) Double Exponential Smoothing (Brown)
Dasar dari pemulusan (Smoothing) eksponensial Brown hampir sama dengan Moving Averages, dengan memiliki dua nilai
pemulusan, yaitu single dan double yang berasal dari data aktual dan jika terdapat unsur tren, kemudian perbedaan antara nilai single smoothing dan double smoothing bisa ditambahkan pada nilai pemulusan single yang kemudian disesuaikan untuk tren Dalam teknik atau metode ini dengan melakukan dua kali proses smoothing, adapun prosedur persamaan yang dipakai sebagai berikut :
𝑆′
𝑡= 𝛼. 𝑋
𝑡+ (1 − 𝛼). 𝑆′
𝑡− 1
(2.3)𝑆"
𝑡= 𝛼. 𝑆′
𝑡+ (1 − 𝛼). 𝑆"
𝑡− 1
𝑎
𝑡= 2𝑆′
𝑡− 𝑆"
𝑡𝑏
𝑡= (
𝛼
1 − 𝛼
)(𝑆
′ 𝑡− 𝑆"
𝑡)
𝐹
𝑡+𝑚= 𝑎
𝑡+ 𝑏
𝑡𝑚 Dimana :Xt = nilai permintaan pada periode t S’t = nilai single exponential smoothing S”t = nilai double exponential smoothing m = jumlah periode yang diramalkan α = parameter exponential smoothing at, bt = Konstanta smoothing
Ft + m = peramalan untuk periode m yang akan datang
3. Metode Kausual
Metode ini menginputkan dan melakukan pengujian variable yang diduga akan berpengaruh pada variable dependent. Pada metode Kausal ini menggunakan analisis regresi untuk menentukan variable yang mempengaruhi variable dependentnya.
2.4.7 Tingkat Ketepatan / Akurasi Peramalan
Pada model peramalan yang telah didapatkan hasil perhitungannya kemudian divalidasi dan dievaluasi dengan memakai beberapa ukuran variable. ukuran yang biasa digunakan adalah sebagai berikut :
1. Mean Absolute Deviation (MAD)
Suatu cara dalam menilai hasil (evaluasi) pada metode forecasting dengan memakai jumlah dari absolute error pada ramalannya. Mean Absolute Deviation (MAD) berfungsi untuk melakukan pengukuran kualitas akurasi hasil ramalan dengan menghitung rata – rata kesalahan dugaan (dari nilai absolut kesalahan masing – masing). MAD sangat tepat digunakan pada saat mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Perhitungan Nilai MAD bisa dihitung menggunakan rumus sebagai berikut :
𝑀𝐴𝐷 = 1
𝑛∑|𝑋𝑡 − 𝐹𝑡|
(2.4)
2. Mean Absolute Percentage Error (MAPE)
Dalam metode perhitungan ini dilakukan dengan memakai hasil absolute error pada setiap periode kemudian dibagi dengan data aktual pada periode yang ramalkan. Kemudian dilakukan perhitungan dengan membuat rata – rata kesalahan persentase mutlak tersebut. Perhitungan ini bermanfaat ketika ukuran variable ramalan bersifat penting saat mengevaluasi keakuratan pada ramalan. MAPE menghasilkan jumlah besar kesalahan dalam ramalan yang dibandingkan dengan data aktual.
𝑀𝐴𝑃𝐸 = 1 𝑛∑
|𝑋𝑡 − 𝐹𝑡|
2.4.8 Java NetBeans IDE 7.3.1
Gambar 2.2 Framework Java NetBeans
NetBeans adalah Integrated Development Environment (IDE) berbasiskan Java dari Sun Microsystems yang berjalan pada Swing. Swing merupakan teknologi pada Java yang berfungsi untuk mengembangkan desktop application yang dapat berjalan di multy platforms Operation System (OS) seperti Windowsm Linux, Mac dan Solaris.
Netbeans merupakan Open Source software development, yang dimana software ini gratis tanpa berbayar dan bebas biaya dikarenakan masuk dalam kode terbuka untuk pengembangan bersama dengan user yang sangat banyak dan komunitas yang luas yang terus tembuh. Sun Microsystems mendirikan proyek open sources NetBeans pada bulan Juni 2000 dan terus menjadi sponsor utama [16].
IDE adalah suatu lingkup yang berfungsi mengintegrasikan software application yang memiliki fitur untuk membangunnya dengan Graphic User Interface (GUI), text editor atau code editor, compiler dan debugger. The NetBeans IDE juga merupakan tools framework untuk membantu pengembangan dalam pemprograman baik dari menulis, mengcompile sampai membantu dalam pencarian error pada program. Netbeans IDE menggunakan bahasa pemprograman Java, akan tetapi dapat juga menggunakan programming language lainnya. Pada Netbeans IDE Terdapat beberapa modul untuk memperluas dan mengembangkannya. Netbeans IDE merupakan sebuah produk Open Source dan bebas dalam penggunaannya. NetBeans IDE mendukung development pada tipe
aplikasi Java (J2SE, web, EJB, dan aplikasi mobile). Dan ada bebeerapa fitur lainnya yang mendukung untuk sistem proyek berbasis Ant, kontrol versi, dan refactoring.
2.4.9 MySQL
Database merupakan himpunan dari beberapa data yang berhubungan dan diorganisasi, sehingga nantinya dapat dimanfaatkan dengan efektif dan efisien serta tanpa adanya data berulang yang sama (redundancy) yang tidak diperlukan untuk memenuhi kebutuhan [17]. Database bisa juga analogikan sebagai lemari arsip data dengan banyak pengaturannya (untuk pengelompokan dan sorting). Database yang merupakan lemari arsip mempunyai prinsip kerja dan tujuan yang sama. Dengan mengatur data/arsip. Tujuan dari database utanaya dalam memudahkan dan kecepatan didalam pencarian data/arsip.
MySQL merupakan software Database Management System yang populer pada pemrogram web. / desktop. MySQL digunakan karena ke efektifannya untuk digunakan, cepat dalam membuat query, yang mencakup untuk database perusahaan-perusahaan skala kecil hingga menengah.
Bahasa SQL terdiri dari :
1. DDL ( Data Definition Language )
Yang berisi perintah dalam pembuatan database, dalam mendefisini dan modifikasi struktur pada tabel temasuk konstrain-konstrain yang terdapat pada tabel, pembuatan index, dsb.
2. DML (Data Manipulation Language)
Bahasa query yang dipakai dalam merubah dan mengambil data yang tersedia di database. Perintah untuk merubah yang dapat dilakukan adalah :
a. Insert yang digunakan untuk menambah data atau menyisipkan data. b. Delete yang digunakan untuk menghapus data.
22 BAB 3
METODE PENELITIAN
3.1 Metode Pengumpulan Data 3.1.1 Jenis Data
Data dalam penelitian ini menggunakan merupakan data kuantitatif. Data kuantitatif merupakan jenis data yang dapat diukur atau dihitung secara langsung dan berbentuk angka [18]. Dalam penelitian ini menggunakan data jumlah penumpang kereta api jawa non jabotetabek yang diambil pada Oktober 2015 sampai Oktober 2016.
3.1.2 Sumber Data
Data yang digunakan merupakan data sekunder. Data sekunder adalah data yang mengacu pada informasi yang dikumpulkan dari sumber yang telah ada, sumber datanya yang diperolah bisa berupa catatan perusahaan, publikasi, website dan internet [19]. Data didapatkan dari data publik di website BPS (Badan Pusat Statistik) dan tinjauan pustaka. Variable yang digunakan untuk memprediksi yaitu rekapitulasi jumlah penumpang kereta api Jawa non Jabodetabek pada tiap bulan selama periode bulan Oktober 2015 sampai dengan bulan Oktober tahun 2016. 3.2 Metode Analisis
Metode analisis yang digunakan dipenelitian ini merupakan analisis deret waktu (Time Series Analysis). Dua metode Forecasting yang digunakan pada tahapan analisis deret waktu (Time Series Analysis) merupakan metode Single Moving Averages, Doubles Exponential Smoothing (Brown). Data yang didapat dari data historis sebelumnya kemudian disusun dan kemudian akan dilakukan olah data dengan menggunakan dua metode peramalan (Forecasting) dalam peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek, sebagai berikut :
1. Metode Single Moving Average
a. Memperoleh data jumlah penumpang kereta api di wilayah Jawa non Jabodetabek pada bulan Oktober 2015 sampai Oktober 2016.
b. Memilih jumlah n yang digunakan dalam perhitungan. c. Menentukan nilai forecast berikutnya mengunakan rumus
𝐹𝑡+1 =𝑋𝑡+ 𝑋𝑡−1+ . . . + 𝑋𝑡−𝑛+1
𝑛 (2.1)
2. Metode Peramalan Double Exponential Smoothing (Brown) Langkah – langkah melakukan peramalannya yaitu :
a. Memperoleh data jumlah penumpang kereta api di wilayah Jawa non Jabodetabek pada bulan Oktober 2015 sampai Oktober 2016
b. Penaksiran suatu nilai parameter yaitu α (alpha) untuk memuluskan data asli deret berkala sekaligus untuk memuluskannya (dengan nilai antara lebih dari 0 sampai kurang dari 1).
c. Penentuan konstanta dapat dilakukan secara trial dan error atau melalui perhitungan bantuan komputer
d. Setelah mendapatkan nilai parameter α (alpha) maka dengan mencari nilai eksponential tunggal
𝑆′𝑡= 𝛼. 𝑋𝑡+ (1 − 𝛼). 𝑆′𝑡− 1 (2.3)
e. Setelah mendapat nilai eksponential tunggal maka mencari nilai eksponential ganda
𝑆"𝑡= 𝛼. 𝑆′𝑡+ (1 − 𝛼). 𝑆"𝑡− 1 (2.3)
f. Setelah mendapat nilai eksponential tunggal (S’) dan eksponential ganda (S”) kemudian mencari konstanta smoothing dengan cara
𝑎𝑡= 2𝑆′𝑡− 𝑆"𝑡 (2.3)
g. Setelah mendapatkan nilai at kemudian dengan kemudian mencari nilai konstanta bt
𝑏𝑡 = ( 𝛼 1 − 𝛼)(𝑆
′
h. Setelah mendapatkan hasil dari semua perhitungan diatas maka dapat dibuat persamaan yang nantinya akan digunakan untuk melakukan peramalan dengan rumus sebagai berikut :
𝐹𝑡+𝑚 = 𝑎𝑡+ 𝑏𝑡𝑚 (2.3)
3. Pencarian error terkecil dengan metode MAD dan MAPE
Setiap metode peramalan memiliki tingkat kesalahan atau error sehingga perlu mencari perhitungan tersebut dengan menggunakan metode MAD (Mean Absolute Deviation) dan MAPE (Mean Absolute Percentage Error) yang dirumuskan sebagai berikut :
a. MAD (Mean Absolute Deviation) 𝑀𝐴𝐷 = 1
𝑛∑|𝑋𝑡 − 𝐹𝑡| (2.4) Dimana :
Xt : Data Aktual pada periode t Ft : Forecasting pada periode t
n : Jumlah periode forecasting yang terjadi
Nilai yang dihasilkan pada perhitungan MAD semakin kecil, maka semakin baik tingkat akurasinya.
b. MAPE (Mean Absolute Percentage Error) 𝑀𝐴𝑃𝐸 = 1 𝑛∑ |𝑋𝑡 − 𝐹𝑡| 𝑋𝑡 𝑥 100 (2.5) Dimana :
Xt : Data Aktual pada periode t Ft : Data Forecasting pada periode t
n : Jumlah periode forecasting yang terjadi
Nilai yang dihasilkan pada perhitungan MAPE semakin kecil, maka semakin baik tingkat akurasinya.
Hasil dari perhitungan dengan MAD (Mean Absolute Deviation) dan MAPE (Mean Absolute Percentage Error) akan menemukan tingkat kesalahan atau
error, sehingga dapat digunakan untuk memilih metode yang paling tepat dengan tingkat kualitas akurasi yang baik untuk menentukan peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek pada setiap bulannya dengan melihat kesalahan atau error pada hasil MAD dan MAPE paling kecil.
3.3 Pengembangan System
System Development Method yang digunakan untuk peramalan jumlah penumpang kereta api di Jawa non Jabodetabek dengan metode peramalan yang terpilih secara prototype. Prototype sendiri yaitu proses yang dilakukan pada pengembangkan sistem yang kebutuhannya ditransformasikan ke dalam sistem yang bekerja (working system) secara berkelanjutan dan dipakai terus dan diperbaiki diantara analis dan pengguna [20].
Tahapan dalam Membuat Prototype adalah : 1. Identifikasi Kebutuhan User
Pada tahapan ini dilakukan identifikasi awal kebutuhan user untuk peramalan jumlah penumpang kereta api menggunakan metode terpilih yang membutuhkan perangkat keras (hardware) dan Kebutuhan Perangkat Lunak (software). Kebutuhan data yang akan digunakan adalah data jumlah penumpang kereta api di wilayah Jawa non Jabodetabek yang diperoleh dari data publik website www.bps.go.id.
2. Membuat Prototype
Tahapan ini mulai dengan penerapan metode peramalan jumlah penumpang kereta api menggunakan metode forecasting time series yang terpilih dengan software Java Netbeans dan SQLYog.
3. Menguji Prototype
Tahapan ini adalah dengan menguji metode peramalannya dengan metode pengujian black-box.
4. Memperbaiki Prototype
Pada tahapan ini perancang sistem akan memperbaiki permasalahan yang akan dihadapi pada penerapan metode peramalan jumlah penumpang kereta api.
5. Mengembangkan versi produk prototype
Tahapan ini akan dilakukan pengembangan pada metode peramalan jumlah penumpang kereta api menggunakan metode terpilih dengan meyesuaikan saran dari kebutuhan user.
BAB 4
HASIL DAN PEMBAHASAN
Setelah dilakukannya pengamatan data yang diperoleh, selanjutnya dilakukan proses peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek dengan membandingkan model peramalan time series antara metode Single Moving Average dan Double Exponential Smoothing (Brown). Perhitungan peramalannya dilakukan dari bulan Oktober 2015 – Oktober 2016, guna untuk mendapatkan salah satu metode forecasting yang tepat dan sesuai dengan tingkat akurasi yang baik selanjutkan akan dilakukan perhitungan error yang hasilnya akan menentukan metode peralaman yang sesuai. Setelah menentukan metode peramalan yang tepat dan sesuai kemudian akan digunakan sebagai rujukan dalam menghitung estimasi peramalan pada bulan November 2016 – Oktober 2017. Untuk membantu perhitungan dalam menghasilkan nilai dari fungsi-fungsi tersebut maka digunakan aplikasi bantuan yaitu Microsoft Excel sebagai pengolah data sementara, yang nantinya setelah mendapatkan metode peramalan yang tepat dan sesuai dengan memilih salah satu metode forecasting antara Single Moving Average dan Double Exponential Smoothing (Brown) dan akan dibuatkan kedalam prototype pada aplikasi Java Netbeans.
4.1 Sumber Informasi Data
Untuk memenuhi kebutuhan analisis data dalam penelitian, dilakukan dengan studi literature yang pernah dilakukan oleh peneliti sebelumnya dan melalui internet serta dokumen yang sudah ada. Dengan kata lain pengambilan data tidak dilakukan secara langsung pada perusahaan. Hal yang menjadikan factor data diperoleh dengan cara pengamatan sekunder atau secara tidak langsung adalah untuk mendapatkan data primer dan data – data khusus seperti data internal pada perusahaan khususnya pada PT. KAI (Kereta Api Indonesia) membutuhkan waktu yang relative panjang. Karena adanya permintaan dari perusahaan bahwa penelitian secara langsung harus dilakukan dengan observasi partisipatif dimana penelitian dilakukan dengan tugas lapangan selama beberapa bulan tergantung
dari kebijakan perusahaan dan adanya antrian untuk melakukan tugas lapangan tersebut. Dalam penelitian ini tidak mendapatkan data internal secara khusus. karena data internal khususnya tentang penumpang kereta api merupakan data yang dilindungi oleh perusahaan terkait dengan privasi customer. Dan data external atau data dari luar perusahaan didapat dari sumber yang sudah pernah dilakukan oleh penelitan yang sudah pernah dilakukan. Sumber untuk mendapatkan dari journal ilmiah dan berbagai sumber internet yang sudah disediakan. Dengan kata lain keterbatasan waktu yang singkat merupakan alasan penelitian ini memakai data sekunder. Sehingga observasi dan pencatatan data dilakukan dengan melihat data rekapitulasi jumlah penumpang kereta api di wilayah Jawa non Jabodetabek yang sudah disajikan pada website BPS (Badan Pusat Statistik).
4.2 Data Jumlah Penumpang Kereta Api
Data ini merupakan data publik jumlah penumpang kereta api di wilayah Jawa non Jabodetabek yang diambil dari website BPS (Badan Pusat Statistik). Data yang ditampilkan adalah data aktual jumlah penumpang kereta api di wilayah Jawa non Jabodetabek dari bulan Oktober 2015 – Oktober 2016.
Tabel 4.1 Jumlah Penumpang Kereta Api Periode Jumlah Penumpang Kereta Api
Oktober 2015 5.316.000 November 2015 4.898.000 Desember 2015 6.332.000 Januari 2016 5.648.000 Februari 2016 4.829.000 Maret 2016 4.950.000 April 2016 4.851.000 Mei 2016 5.775.000
Periode Jumlah Penumpang Kereta Api Juni 2016 4.909.000 Juli 2016 6.642.000 Agustus 2016 5.202.000 September 2016 5.448.000 Oktober 2016 5.232.000
Sumber : Badan Pusat Statistik (BPS)
Data pada tabel 4.3 merupakan data rekapitulasi jumlah penumpang kereta api di wilayah Jawa non Jabodetabek, dan data transformasikan kedalam diagram batang seperti gambar 4.1 dengan bantuan Microsoft Excel.
Gambar 4.1 Diagram Batang Jumlah Penumpang Kereta Api
4.3 Proses Forecasting
Dataset jumlah penumpang setelah di plot dan ditransformasikan seperti tabel 4.1 selanjutnya akan digunakan untuk proses perhitungan masing masing peramalan time series dengan metode Single Moving Average dan Double Exponential Smoothing (Brown).
4.3.1 Metode Single Moving Average
Pengolahan data dalam peramalan jumlah penumpang kereta api menggunakan rata – rata bergerak 2 (dua) bulan atau MA(2) dan perhitungannya dimulai dengan perhitungan pada bulan Desember 2015. Dan pada tabel 4.2 merupakan peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetak dengan metode Single Moving Average pada bulan oktober 2015 – bulan Oktober 2016.
Tabel 4.2 Forecasting Single Moving Average
Periode Xt Ft Oktober 2015 5.316.000 - November 2015 4.898.000 - Desember 2015 6.332.000 5.107.000 Januari 2016 5.648.000 5.615.000 Februari 2016 4.829.000 5.990.000 Maret 2016 4.950.000 5.238.500 April 2016 4.851.000 4.889.500 Mei 2016 5.775.000 4.900.500 Juni 2016 4.909.000 5.313.000 Juli 2016 6.642.000 5.342.000 Agustus 2016 5.202.000 5.775.500 September 2016 5.448.000 5.922.000 Oktober 2016 5.232.000 5.325.000
4.3.2 Metode Double Exponential Smoothing (Brown)
Pengolahan data dalam peramalan jumlah penumpang kereta api menggunakan nilai α = 0.2, perhitungan peramalannya dimulai dari bulan November 2015 atau periode ke 2 karena pada bulan Oktober tidak bisa dilakukan peramalan karena merupakan periode pertama, sehingga nilai aktual pada bulan Oktober (X1)
menjadi nilai untuk S’1 dan S”1. Peramalan jumlah penumpang kereta api di
wilayah Jawa non Jabodetak dengan metode Double Exponential Smoothing (Brown) pada bulan oktober 2015 – bulan Oktober 2016, dapat dilihat pada tabel 4.3
Tabel 4.3 Forecasting Double Exponential Smoothing (Brown)
Periode Xt S’t S”t at bt Ft Okt 15 5.316.000 5.316.000 5.316.000 5.316.000 0 - Nov 15 4.898.000 5.232.400 5.299.280 5.165.520 -16.720,00 5.316.000,00 Des 15 6.332.000 5.452.320 5.329.890 5.574.750 30.608,00 5.148.800,00 Jan 16 5.648.000 5.491.460 5.362.200 5.620.710 32.313,60 5.605.360,00 Feb 16 4.829.000 5.358.960 5.361.550 5.356.380 -647,36 5.653.024,00 Mar 16 4.950.000 5.277.170 5.344.680 5.209.670 -16.876,48 5.355.728,00 Apr 16 4.851.000 5.191.940 5.314.130 5.069.750 -30.548,06 5.192.789,44 Mei 16 5.775.000 5.308.550 5.313.010 5.304.090 -1.115,94 5.039.197,18 Jun 16 4.909.000 5.228.640 5.296.140 5.161.140 -16.874,76 5.302.970,25 Jul 16 6.642.000 5.511.310 5.339.170 5.683.450 43.034,60 5.144.266,21 Agt 16 5.202.000 5.449.450 5.361.230 5.537.670 22.055,20 5.726.484,97 Sep 16 5.448.000 5.449.160 5.378.810 5.519.500 17.586,17 5.559.725,58 Okt 16 5.232.000 5.405.730 5.384.200 5.427.260 5.382,55 5.537.090,54
4.3.3 Membandingkan Single Moving Average dan Double Exponential
Smoothing (Brown)
Dari hasil perhitungan peramalan pada dua metode peramalan Time Series Single Moving Average dan Double Exponential Smoothing (Brown), Maka dibandingkanlah antara kedua metode tersebut dengan menghitung error menggunakan MAD (Mean Absolute Deviation) dan MAPE (Mean Abosolute
Percentage Error). Dari kedua metode tersebut nantinya akan dipilih salah satu metode yang tepat dan sesuai sebagai peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek
1. Hasil MAPE dan MAD Single Moving Average
Tabel 4.4 Hasil Olah Data error Single Moving Average
Periode Aktual (Xt) Forecast (Ft) Error
Xt – Ft |Xt – Ft| |Xt – Ft|/Xt Oktober 2015 5.316.000 - - - - November 2015 4.898.000 - - - - Desember 2015 6.332.000 5.107.000 1.225.000 1.225.000 0,19 Januari 2016 5.648.000 5.615.000 33.000 33.000 0,01 Februari 2016 4.829.000 5.990.000 -1.161.000 1.161.000 0,24 Maret 2016 4.950.000 5.238.500 -288.500 288.500 0,06 April 2016 4.851.000 4.889.500 -38.500 38.500 0,01 Mei 2016 5.775.000 4.900.500 874.500 874.500 0,15 Juni 2016 4.909.000 5.313.000 -404.000 404.000 0,08 Juli 2016 6.642.000 5.342.000 1.300.000 1.300.000 0,20 Agustus 2016 5.202.000 5.775.500 -573.500 573.500 0,11 September 2016 5.448.000 5.922.000 -474.000 474.000 0,09 Oktober 2016 5.232.000 5.325.000 -93.000 93.000 0,02 ∑ Error 6465000 1,15
Dari tabel 4.4 kemudian mencari nilai MAD dan MAPE pada metode Single Moving Average, dan didapat hasil perhitungan error MAD = 587.727,27 dan nilai MAPE = 10.46%.
2. Hasil MAPE dan MAD Double Exponential Smoothing (Brown)
Tabel 4.5 Hasil olah data error Double Exponential Smoothing (Brown
Periode Aktual (Xt) Forecast (Ft) Error Xt – Ft |Xt – Ft| |Xt – Ft|/Xt Oktober 2015 5.316.000 - - - - November 2015 4.898.000 5.316.000,00 -418.000,00 418.000,00 0,09 Desember 2015 6.332.000 5.1488.00,00 1.183.200,00 1.183.200,00 0,19 Januari 2016 5.648.000 5.605.360,00 42.640,00 42.640,00 0,01 Februari 2016 4.829.000 5.653.024,00 -824.024,00 824.024,00 0,17 Maret 2016 4.950.000 5.355.728,00 -405.728,00 405.728,00 0,08 April 2016 4.851.000 5.192.789,44 -341.789,44 341.789,44 0,07 Mei 2016 5.775.000 5.039.197,18 735.802,82 735.802,82 0,13 Juni 2016 4.909.000 5.302.970,25 -393.970,25 393.970,25 0,08 Juli 2016 6.642.000 5.144.266,21 1497.733,79 1.497.733,79 0,23 Agustus 2016 5.202.000 5.726.484,97 -524.484,97 524.484,97 0,10 September 2016 5.448.000 5.559.725,58 -111.725,58 111.725,58 0,02 Oktober 2016 5.232.000 5.537.090,54 -305.090,54 305.090,54 0,06 ∑ Error 6784189,39 1,22
Dari tabel 4.5 kemudian mencari nilai MAD dan MAPE pada metode Double Exponential Smoothing (Brown), dan didapat hasil perhitungan error MAD = 565.394,11 dan nilai MAPE = 10,13%.
Dari perbandingan hasil perhitungan error MAD dan MAPE pada dua metode peramalan Single Moving Average dan Double Exponential Smoothing (Brown)
didapatkanlah tingkat akurasi yang baik dengan melihat perhitungan MAD dan MAPE terkecil. Metode peramalan Single Moving Average didapatkan hasil MAD = 587.7272,27 dan MAPE = 10,46% dan dari metode Double Exponential Smoothing (Brown) didapatkan hasil MAD = 565.394,11 dan MAPE = 10,13%. Dari hasil perbandingan error tersebut didapatkan bahwa nilai MAD dan MAPE terkecil untuk peramalan jumlah penumpang kereta di wilayah Jawa non Jabodetabek adalah metode peramalan Double Exponential Smoothing (Brown). Dan metode Double Exponential Smoothing (Brown) merupakan metode peramalan terpilih yang tepat dan sesuai untuk selanjutnya akan dilakukan perhitungan estimasi peramalan pada bulan November 2016 – Oktober 2017 pada jumlah penumpang kereta api di wilayah Jawa non Jabodetabek.
4.4 Estimasi Peramalan Bulan November 2016 – Oktober 2017 Menggunakan Metode Double Exponential Smoothing (Brown)
Setelah menentukan dan memilih metode peramalan Doube Exponential Smoothing (Brown), kemudian akan dilakukan estimasi perhitungan pada bulan November 2016 – Oktober 2017. Untuk melakukan estimasi peramalan digunakan hasil nilai parameter a dan b dari perhitungan peramalan terakhir yang dimasukan kedalam persamaan. Dengan perhitungan estimasi sebagai berikut :
1. November 2016 Fnovember 2016 = 5.427.257,95 + 5382,55(1) = 5.432.640,50 2. Desember 2016 Fdesember 2016 = 5.427.257,95 + 5382,55(2) = 5.438.023,05 3. Januari 2017 Fjanuari 2017 = 5.427.257,95 + 5382,55(3) = 5.443.405,61 4. Februari 2017 Ffebruari 2017 = 5.427.257,95 + 5382,55(4) = 5.448.788,16
5. Maret 2017 Fmaret 2017 = 5.427.257,95 + 5382,55(5) = 5.454.170,71 6. April 2017 Fapril 2017 = 5.427.257,95 + 5382,55(6) = 5.459.553,27 7. Mei 2017 Fmei 2017 = 5.427.257,95 + 5382,55(7) = 5.464.935,82 8. Juni 2017 Fjuni 2017 = 5.427.257,95 + 5382,55(8) = 5.470.318,37 9. Juli 2017 Fjuli 2017 = 5.427.257,95 + 5382,55(9) = 5.475.700,93 10. Agustus 2017 Fagustus 2017 = 5.427.257,95 + 5382,55(10) = 5.481.083,48 11. September 2017 Fseptember 2017 = 5.427.257,95 + 5382,55(11) = 5.486.466,03 12. Oktober 2017 Foktober 2017 = 5.427.257,95 + 5382,55(12) = 5.491.848,58
Tabel 4.6 Perhitungan Estimasi Forecast Jumlah Penumpang
No Periode Estimasi Forecast
Jumlah Penumpang
1 November 2016 5.432.640,50
2 Desember 2016 5.438.023,05
No Periode Estimasi Forecast Jumlah Penumpang 4 Februari 2017 5.448.788,16 5 Maret 2017 5.454.170,71 6 April 2017 5.459.553,27 7 Mei 2017 5.464.935,82 8 Juni 2017 5.470.318,37 9 Juli 2017 5.475.700,93 10 Agustus 2017 5.481.083,48 11 September 2017 5.486.466,03 12 Oktober 2017 5.491.848,58
Dari hasil estimasi yang tertera pada tabel 4.6 bahwa untuk estimasi pada bulan November 2016 – Oktober 2017, dapat diketahui bahwa adanya kenaikan disetiap bulannya. Sehingga dengan hasil peramalan yang diperoleh, perusahaan dapat melakukan perencanaan dan melakukan pengambilan keputusan untuk menangani jumlah penumpang kereta api di wilayah Jawa non Jabodetabek sesuai dengan metode peramalan Double Exponential Smoothing (Brown). Dan untuk membantu perhitungan peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek dengan metode Double Exponential Smoothing (Brown) yang selanjutnya akan diimplementasikan kedalam system prototype.
4.5 Identifikasi Kebutuhan User
Identifikasi Kebutuhan hardware dan software yang diperlukan untuk di implementasikan dalam prototype peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek dengan metode peramalan terpilih yaitu double exponential smoothing (Brown).
4.5.1 Kebutuhan Hardware
1. Processor Intel Celeron – N2940 1.83 Ghz. 2. memori RAM 2 GB.
3. HDD 320 GB. 4. monitor LCD 14”
5. Keyboard dan MousePS/2 4.5.2 Kebutuhan Software
1. Operating System : Microsoft Windows 10 2. Framework Program : Java Netbeans
3. Database : MySQL
4. Server Browser : XAMPP 4.6 Perancangan System Prototype
Skema Perancangan prototype peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek menggunakan metode Double Exponential Smoothing (Brown) dengan membuat perancangan database dan perancangan interface.
4.6.1 Perancangan Database
Database aplikasi peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek terdiri dari 3 tabel yaitu tabel bulan, exponential_smoothing dan waktu.
1. Tabel bulan
Tabel bulan ini untuk menyimpan nama bulan pada peramalan jumlah penumpang kereta api di wilayah Jawa non Jabodetabek dengan menggunakan metode forecasting Double Exponential Smoothing (Brown). Tabel bulan dapat dilihat seperti tabel 4.7
