analisis peramalan permintaan jasa transportasi … · forecasting demand’s analysis of...

ANALISIS PERAMALAN PERMINTAAN JASA TRANSPORTASI

KERETA API COMMUTER LINE JABODETABEK

ANDIKA SATRIA

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Peramalan

Permintaan Jasa Transportasi Kereta Api Commuter Line Jabodetabek adalah

benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan

dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang

berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari

penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Juni 2014

Andika Satria

NIM H24100114

ABSTRAK

ANDIKA SATRIA. Analisis Peramalan Permintaan Jasa Transportasi Kereta Api

Commuter Line Jabodetabek. Dibimbing oleh ALIM SETIAWAN SLAMET.

Kereta Api Commuter Line merupakan salah satu sarana transportasi masal

yang menyelenggarakan aktifitas jasa transportasi di daerah Jabodetabek. Tujuan

penelitian ini adalah mengidentifikasi pola data permintaan volume penumpang

commuter line, menganalisis peramalan permintaan penumpang commuter line

secara kuantitatif dan menganalisis peramalan permintaan volume penumpang

commuter line secara kualitatif. Peramalan kuantitatif menggunakan metode

ARIMA serta pemulusan eksponensial berganda (Double Exponential Smoothing)

dan mencari nilai MAPE (Mean Absolute Percentage Error) terkecil untuk

memilih model peramalan terbaik. Nilai MAPE terkecil dimiliki oleh model

Double Exponential Smoothing Winter dengan nilai 9.7159. Peramalan kualitatif

menggunakan metode analisis regresi linear berganda menghasilkan model

Y=16.668+0.107X1-0.62X2+0.49X3-0.49X4-0.009X5+ε

Kata kunci: commuter line, kereta api, peramalan

ABSTRACT

ANDIKA SATRIA. Forecasting Demand’s Analysis of Jabodetabek Commuter

Line Railway Transportation Service. Supervised by ALIM SETIAWAN

SLAMET.

Commuter Line railway transportation is one of the mass transportation that

organize activity of transportation services in the Jabodetabek areas. The

objectives of this research are to identify the data’s pattern of passenger demand

volume, analyzed of passenger demand forecasting quantitatively, and analyzed of

passenger demand forecasting qualitatively. Quantitative forecasting use the

ARIMA’s method and Double Exponential Smoothing than compute the smallest

MAPE (Mean Absolute Percentage Error) for each models to find the best

forecasting model. The smallest MAPE is 9.7159 from Double Exponential

Smoothing Winter version method. Qualitative method use multiple linear

regression and the model result is Y=16.668+0.107X1-0.62X2+0.49X3-0.49X4-

0.009X5+ε.

Keywords: commuter line, forecasting, railway

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Ekonomi

pada

Departemen Manajemen

ANALISIS PERAMALAN PERMINTAAN JASA

TRANSPORTASI KERETA API COMMUTER LINE

JABODETABEK

ANDIKA SATRIA

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Judul Skripsi : Analisis Peramalan Permintaan Jasa Transportasi Kereta Api

Commuter Line Jabodetabek

Nama : Andika Satria

NIM : H24100114

Disetujui oleh

Alim Setiawan S, STP MSi

Pembimbing

Diketahui oleh

Dr Mukhamad Najib, STP MM

Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas

segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan tepat waktu.

Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari -

Maret 2014 ini ialah peramalan permintaan, dengan judul Analisis Peramalan

Permintaan Jasa Transportasi Kereta Api Commuter Line Jabodetabek.

Terima kasih penulis ucapkan kepada Bapak Alim Setiawan S, STP MSi

selaku dosen pembimbing yang telah memberikan arahan, motivasi dan semangat

sehingga skripsi ini berhasil diselesaikan. Ucapan terima kasih juga penulis

sampaikan kepada seluruh responden yang telah berpartisipasi pada penelitian ini.

Di samping itu ungkapan terima kasih juga disampaikan kepada ayah dan ibu

yang telah memberikan banyak doa dan dorongan selama penulis kuliah, serta

seluruh keluarga dan teman-teman seperjuangan Manajemen 47 serta orang

terkasih atas segala doa dan limpahan kasih sayangnya.

Semoga karya ilmiah ini memberikan banyak manfaat dan ilmu

pengetahuan bagi para pembaca. Penulis memohon maaf apabila terdapat

kekurangan dalam penulisan karya ilmiah ini.

Bogor, Juni 2014

Andika Satria

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 3

METODE 8

Kerangka Penelitian 8

Lokasi dan Waktu Penelitian 9

Metode Pengumpulan Data 9

Metode Pengumpulan Sampel 10

Pengolahan dan Analisis Data 10

HASIL DAN PEMBAHASAN 10

Gambaran Umum Perusahaan 10

Analisis Peramalan Time Series 12

Analisis Peramalan Customer Market Research 17

SIMPULAN DAN SARAN 25

DAFTAR PUSTAKA 27

LAMPIRAN 28

DAFTAR TABEL

1 Jumlah penumpang Kereta Api 2006-2013 (dalam ribu orang) 1 2 Metode dan nilai MAPE 12 3 Peramalan volume penumpang commuter line selama 3 tahun (dalam ribu

orang) 15 4 Profil penumpang kereta Commuter Line Jabodetabek 17 5 Tabulasi silang jenis pembayaran tiket dengan pekerjaan penumpang 19 6 Tabulasi silang jenis pembayaran tiket dan frekuensi penggunaan

commuter line 19 7 Tabulasi silang pekerjaan dengan penggunaan jasa commuter line di masa

depan 20

8 Tabulasi silang penggunaan commuter line di masa yang akan datang

dengan jenis pembayaran tiket 20 9 Tabulasi silang penggunaan commuter line di masa yang akan datang

dengan alasan penggunaan commuter line 21 10 Indikator instrument penelitian 22 11 Tabel analisis peramalan kuantitatif (dalam ribu orang) dan kualitatif 25

DAFTAR GAMBAR

1 Alur kerangka pemikiran penelitian 9 2 Data penumpang kereta Commuter Line tahun 2006-2013 (dalam ribu) 11 3 Hasil minitab uji Box-Cox plot pada data 12 4 Hasil grafik linier pada data hasil transformasi 13

5 Hasil grafik linier pada data hasil differencing pada lag 1 13 6 Grafik hasil peramalan Time Series 16

DAFTAR LAMPIRAN

1 Plot pada transformasi data uji Box-cox dengan nilai lambda 1.00 28

2 Hasil grafik tren linier differencing pada lag 1 28 3 Hasil olahan program Minitab untuk masing masing peramalan 29 4 Output uji normalitas residual Model ARIMA (1,1,0)(1,1,0)12 dan

(0,1,1)(1,1,0)12 30 5 Hasil uji validitas dan reliabilitas 31

6 Hasil uji tabulasi silang penelitian 32

7 Hasil uji asumsi klasik 34

8 Hasil analisis regresi berganda 36 9 Kuesioner Penelitian 38

vi

PENDAHULUAN

Latar Belakang

Transportasi merupakan salah satu aset berharga dalam infrastruktur sebuah

negara. Kuatnya sarana transportasi menyebabkan mobilitas penduduk juga akan

semakin tinggi. Saat ini transportasi menjadi salah satu sektor yang sangat

mendukung tingkat pendapatan nasional dan mampu membuka banyak pintu

lapangan pekerjaan bagi masyarakat. Selain itu transportasi juga merupakan

sarana komersil yang sangat vital dan sangat dibutuhkan oleh masyarakat karena

pertumbuhan penduduk yang sangat tinggi membutuhkan transportasi masal yang

mampu menampung banyak penumpang. Kereta api commuter merupakan sarana

transportasi kereta dengan menggunakan sarana Kereta Rel Listrik (KRL) di

wilayah Jakarta, Bogor, Depok, Tangerang dan Bekasi. Tabel 1 memperlihatkan

jumlah penumpang Kereta Api dari tahun 2006 – 2013 di wilayah Jabodetabek,

Non Jabodetabek dan Sumatera yang keadaannya cenderung terus meningkat

setiap tahunnya, tidak terkecuali jumlah penumpang Kereta Api Commuter Line.

Oleh karena itu, PT Kereta Commuter Jabodetabek mulai melakukan banyak

perbaikan dari segi pelayanan untuk penumpang

Tabel 1 Jumlah penumpang Kereta Api 2006-2013 (dalam ribu orang)

Tahun

Jawa

Sumatera Total Jabodetabek Non Jabodetabek

Jabodetabek +

Non Jabodetabek

2013 156.891 53.532 210.423 3995 214.418

2012 134.088 63.707 197.795 4384 202.179

2011 121.105 72.936 194.041 5.296 199.337

2010 124.308 73.720 198.028 5.241 203.270

2009 130.508 68.913 199.422 4.119 203.070

2008 125.451 64.688 190.138 3.939 194.076

2007 118.095 53.826 171.921 3.415 175.336

2006 104.425 51.671 156.096 3.323 159.419

Sumber : PT Kereta Api Indonesia dan PT. KAI Commuter Jabodetabek Tahun 2014

Perusahaan jasa PT. KCJ tentu dalam penyelenggaraannya merupakan

perusahaan penjual jasa transportasi dalam wilayah Jabodetabek. Hal ini tentunya

berkaitan erat dengan pengadaan gerbong dan penjadwalan yang baik demi

memenuhi kepuasan pengguna jasa kereta api. Kereta api yang penuh sesak tentu

dapat diminimalisir dengan menggunakan peramalan akan jumlah permintaan

pengguna jasa kereta api. Selain itu tentu ada faktor-faktor yang sangat

diperhatikan oleh konsumen dalam menggunakan jasa kereta api. Untuk itu

dirasakan perlu bagi perusahaan untuk menghitung berapa kenaikan yang akan

terjadi pada jumlah permintaan penggunaan jasa trasportasi kereta api commuter

line agar perusahaan mampu mengantisipasi keadaan yang akan terjadi di masa

yang akan datang.

2

Perumusan Masalah

Berdasarkan latar belakang tersebut, maka permasalahan yang diangkat

dalam penelitian ini adalah :

1. Bagaimana pola data volume penumpang Kereta Api Commuter Line

Jabodetabek?

2. Bagaimana peramalan permintaan volume penumpang Kereta Api Commuter

Line secara kuantitatif?

3. Bagaimana peramalan permintaan volume penumpang Kereta Api Commuter

Line secara kualitatif?

Tujuan Penelitian

Tujuan dilakukannya penelitian ini, antara lain:

1. Mengidentifikasi pola data volume penumpang Kereta Api Commuter Line.

2. Menganalisis peramalan permintaan volume penumpang Kereta Api Commuter

Line secara kuantitatif

3. Menganalisis peramalan permintaan volume penumpang Kereta Api Commuter

Line secara kualitatif.

Manfaat Penelitian

Manfaat dari penelitian ini adalah dapat digunakan sebagai bahan tambahan

informasi mengenai prediksi volume penumpang kereta api commuter line selama

beberapa tahun kedepan. Penelitian ini juga dapat dijadikan bahan pertimbangan

bagi perusahaan untuk membuat kebijakan manajerial untuk mengantisipasi

kenaikan volume penumpang untuk tetap menjaga kenyamanan para penumpang

kereta commuter line tetapi dengan biaya yang seefisien mungkin. Bagi pembaca

dan untuk peneliti lain dengan topik sejenis semoga penelitian ini bisa menjadi

bahan rujukan untuk dapat menyempurnakan penelitian ini.

Ruang Lingkup Penelitian

Penelitian ini hanya difokuskan pada peramalan permintaan terhadap

perusahaan yang terjadi selama 3 tahun yang akan datang menggunakan data

historis yang ada di perusahaan maupun dari literatur lain. Peramalan kualitatif

akan diproyeksikan dengan melihat pengaruh variabel-variabel yang relevan

dengan penelitian terhadap peramalan permintaan kedepan.

3

TINJAUAN PUSTAKA

Perusahaan Jasa

Jasa adalah bentuk produk yang terdiri dari aktivitas, manfaat, atau

kepuasan yang ditawarkan untuk dijual dan pada dasarnya tidak berwujud serta

menghasilkan kepemilikan sesuatu (Kotler 2006). Menurut Ariani (2009), jasa

atau pelayanan merupakan kegiatan, proses, dan interaksi serta merupakan

perubahan dalam kondisi orang atau sesuatu dalam kepemilikan pelanggan. Pada

prinsipnya jasa merupakan bagian dari sebuah produk dari sebuah perusahaan

yang kebanyakan tidak berwujud, menciptakan kepuasan pelanggan dan

menyebabkan seorang pembeli memiliki kepemilikan akan sesuatu.

Karakteristik jasa menurut Ariani (2009) dijelaskan sebagai berikut :

1. Partisipasi pelanggan dalam proses pelayanan

Keberadaan pelanggan sebagai partisipan dalam proses pelayanan

membutuhkan perhatian dalam desain fasilitas yang berbeda dari perusahaan

manufaktur. Bagi pelanggan, pelayanan menghendaki adanya fasilitas ruang

tamu (front office), dan kualitas pelayanan meningkat apabila fasilitas

pelayanan didesain sesuai dengan keinginan atau harapan pelanggan.

2. Keserempakan

Pelayanan diciptakan dan dikonsumsi secara serempak atau simultan dan

tidak dapat disimpan sebagai ciri penting dalam pengelolaan jasa atau

pelayanan. Isu utama dalam perusahaan manufaktur adalah persediaan yang

selalu diusahakan untuk diminimalisir. Sedangkan dalam pelayanan selalu

diusahakan menekan antrian atau waktu tunggu pelanggan.

3. Mudah Rusak

Jasa merupakan komoditi yang cepat rusak. Pelayanan tidak dapat

disimpan sehingga banyak kerugian yang dirasakan bila tidak ada pelanggan

yang datang. Penggunaan kapasitas pelayanan yang penuh merupakan harapan

dan tantangan manajemen karena permintaan pelanggan menunjukkan tidak

adanya kapasitas menganggur.

4. Intangibilitas

Pelayanan merupakan ide dan konsep, sedangkan produk merupakan

sesuatu yang nampak. Hal ini membawa konsekuensi pada kesulitan pelayanan

untuk dipatenkan. Untuk mengamankan konsep pelayanan, perusahaan akan

memperluas secara cepat dan akan berusaha memberikan pelayanan yang

berbeda dari pesaingnya.

5. Heterogenitas

Kombinasi ciri pelayanan yang sulit dipahami dan pelanggan sebagai

partisipan dalam sistem penyampaian pelayanan menghasilkan variasi

pelayanan antarpelanggan. Pelanggan berperan dalam pengendalian kualitas

melalui umpan balik. Oleh karena itu, hubungan langsung antara pelanggan

dengan karyawan pemberi jasa berdampak pada jasa yang diberikan.

4

Dimensi Kualitas Jasa

Parasuraman dkk (1985) menyebutkan bahwa dimensi kualitas jasa terdiri

dari:

1. Reliability: kemampuan untuk memberikan jasa dengan segera dan memuaskan

2. Responsiveness: kemampuan untuk memberikan jasa dengan tanggap.

3. Assurance: kemampuan, kesopanan, dan sifat dapat dipercaya yang dimiliki

oleh para staf, bebas dari bahaya, resiko dan keragu-raguan.

4. Empathy: kemudahan dalam melakukan hubungan komunikasi yang baik dan

memahami kebutuhan pelanggan.

5. Tangibles: fasilitas fisik, perlengkapan, pegawai dan sarana komunikasi.

Transportasi

Transportasi menurut Kamaludin (2003) diartikan sebagai usaha

mengangkat atau membawa barang dan/atau penumpang dari suatu tempat ke

tempat lainnya. Hal ini mengandung tiga unsur yaitu: (1) muatan yang diangkut,

(2) tersedianya kendaraan sebagai alat angkut, dan (3) terdapat jalan yang dapat

dilalui. Dengan adanya pemindahan barang dan manusia maka transportasi

merupakan salah satu sektor penunjang kegiatan ekonomi dan pelayanan dalam

bidang jasa.

Tamin (2000) mengemukakan bahwa prasarana transportasi memiliki dua

peran utama yaitu sebagai alat bantu untuk mengarahkan pembangunan di daerah

perkotaan dan sebagai prasarana bagi pergerakan manusia dan/atau barang yang

timbul akibat adanya kegiatan di daerah perkotaan. Pertumbuhan ekonomi

memiliki keterkaitan erat dengan transportasi akibat pertumbuhan ekonomi maka

mobilitas seseorang meningkat dan kebutuhan akan sarana transportasi menjadi

lebih tinggi.

Peramalan

Peramalan (forecasting) adalah seni dan ilmu memprediksi peristiwa-

peristiwa masa depan (Render dan Heizer 2001). Peramalan diperlukan karena

adanya perbedaan kesenjangan waktu (Timelag) antara kesadaran akan

dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan

tersebut.

Menurut Render dan Heizer (2001), jika dilihat dari jangka waktu ramalan

yang telah disusun, maka peramalan dapat dibedakan menjadi 3 macam, yaitu:

1. Peramalan jangka pendek, yaitu peramalan yang memiliki rentang waktu satu

tahun tetapi umumnya kurang dari tiga bulan. Peramalan jangka pendek

digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga

kerja, penugasan dan tingkat produksi.

2. Peramalan jangka menengah, bisaanya berjangka tiga bulan hingga tiga tahun.

Peramalan ini sangat bermanfaat dalam perencanaan penjualan, perencanaan

dan penganggaran produksi, penganggaran kas, dan menganalisis berbagai

rencana operasi.

3. Peramalan jangka panjang, yaitu peramalan yang memiliki rentang waktu

bisaanya tiga tahun atau lebih, digunakan dalam merencanakan produk baru,

5

pengeluaran modal, lokasi fasilitas, atau ekspansi dan penelitian serta

pengembangan.

Jenis-jenis peramalan menurut Render dan Heizer (2001) adalah :

1. Ramalan ekonomi, membahas siklus bisnis dengan memprediksi tingkat inflasi,

suplai uang permulaan perumahan, dan indikator-indikator perencanaan lain.

2. Ramalan teknologi, berkaitan dengan tingkat kemajuan teknologi, yang akan

melahirkan produk-produk baru yang mengesankan, membutuhkan pabrik dan

peralatan baru.

3. Ramalan permintaan, adalah proyeksi permintaan untuk produk atau jasa

perusahaan. Ramalan ini disebut juga ramalan penjualan, mengarahkan

produksi, kapasitas dan sistem penjadwalan perusahaan.

Peramalan kualitatif umumnya bersifat subyektif, dipengaruhi oleh intuisi,

emosi, pendidikan dan pengalaman seseorang. Meskipun demikian, peramalan

dengan metode kualitatif tidak berarti hanya menggunakan intuisi semata,

melainkan dapat mengikutsertakan model statistik sebagai tambahan informasi

dalam melakukan judgement (pendapat, keputusan) dan dapat dilakukan secara

perseorangan maupun kelompok (Herjanto 2010). Dalam peramalan kualitatif

dikenal empat metode yang umum dipakai, yaitu pendapat eksekutif, metode

Delphi, gabungan estimasi tenaga penjualan, dan riset pasar (Herjanto 2010).

1. Pendapat Eksekutif

Metode ini mendasarkan pada pendapat dari sekelompok eksekutif

tingkat atas yaitu pimpinan perusahaan dan manajer terkait dengan

perencanaan bisnis misalnya dari bagian pemasaran, produksi keuangan,

logistic dan pengembangan yang duduk bersama mendiskusikan dan

memutuskan perkiraan permintaan produk pada masa yang akan datang.

2. Metode Delphi

Metode Delphi banyak digunakan untuk memperoleh gambaran keadaan

masa datang yang akurat dan professional. Metode ini mampu memperoleh

konsensus dari sekumpulan tenaga ahli (expert) tanpa mereka mengetahui satu

sama lain namun metode ini sangat memakan waktu dan memerlukan

keterlibatan banyak pihak. Metode ini sangat dipengaruhi oleh rancangan

kuesioner dan jumlah kuesioner yang dikembalikan oleh responden, karena

perusahaan tidak bisa memaksa responden harus mengisi kuesioner tersebut.

3. Gabungan Estimasi Tenaga Penjualan

Metode ini banyak digunakan karena tenaga penjualan (sales force)

merupakan sumber informasi yang baik mengenai permintaan konsumen.

Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya yang

kemudian digabung pada tingkat provinsi dan seterusnya hingga ke tingkat

nasional untuk mencapai peramalan secara menyeluruh. Namun metode ini

memiliki kelemahan dalam pelaksanaannya dan mengakibatkan para tenaga

penjualan seringkali bersikap optimistik sehingga terjadi overestimate ataupun

sebaliknya para tenaga penjual bersikap pesimis dan terjadi underestimate

serta menargetkan penjualan yang rendah agar mudah mencapainya.

6

4. Riset Pasar

Riset pasar merupakan suatu pendekatan sistematik untuk

mengetahui keinginan konsumen terhadap suatu produk atau pelayanan

dengan menciptakan dan menguji hipotesis melalui pencarian data di

lapangan. Riset pasar dapat digunakan untuk meramal permintaan jangka

waktu pendek, menengah ataupun panjang. Riset pasar membantu tidak saja

dalam menyiapkan peramalan tetapi juga dalam meningkatkan desain produk

dan perencanaan untuk suatu produk baru.

Jenis Pola Data

Langkah penting dalam memilih suatu metode deret berkala (time series)

yang tepat adalah dengan mempertimbangkan jenis pola data sehingga metode

yang paling tepat dengan pola tersebut dapat diuji. Dalam Render dan Heizer

(2001) pola data seri waktu memiliki 4 jenis, yaitu:

1. Pola Data Trend (T)

Pola tren adalah gerakan ke atas atau ke bawah secara berangsur-angsur

dari data sepanjang waktu.

2. Pola Data Musiman (S)

Pola data Musim (S) adalah pola data yang berulang setelah periode

harian, mingguan, bulanan, atau kuartalan.

3. Pola Data Siklus (C)

Pola data siklus adalah pola dalam data yang terjadi setiap beberapa

tahun. Siklus bisaanya dikaitkan dengan siklus bisnis dan merupakan hal yang

sangat penting dalam analisis dan perencanaan bisnis jangka pendek.

4. Pola Variasi Acak (R)

Pola data variasi acak adalah “tanda” dalam data yang disebabkan oleh

peluang dan situasi yang tidak bisaa; variabel acak mengikuti pola yang tidak

dapat dilihat.

Keempat pola ini belum cukup untuk menentukan metode yang tepat agar

peramalan menjadi efektif dengan tingkat kesalahan sekecil mungkin (Baroto

2002).

Pengukuran Ketelitian Peramalan

Suatu peramalan dikatakan sempurna bila nilai variabel yang diramalkan

sama dengan nilai sebenarnya. Namun untuk melakukan peramalan yang tepat

sangat sulit dilakukan bahkan tidak mungkin untuk dilaksanakan. Oleh karena itu

peramalan diharapkan dapat dilakukan dengan nilai kesalahan sekecil mungkin

(Herjanto 2010).

1. Rata-rata Penyimpangan Absolut (Mean Absolute Deviation)

Rata-rata penyimpangan absolut merupakan penjumlahan

kesalahan peramalan nilai mutlak dibagi banyaknya data yang diamati, yang

dirumuskan sebagai berikut :

7

…………………………………………….….(1)

Keterangan:

: Selisih nilai aktual dengan nilai ramalan

: Jumlah data

2. Rata-rata Kesalahan Kuadrat (Mean Squared Error)

Metode rata-rata kesalahan kuadrat memperkuat pengaruh angka-

angka kesalahan besar dan memperkecil angkat kesalahan peramalan yang

kecil dengan rumus sebagai berikut :

………………………………………………...(2)

Keterangan:

: Kuadrat selisih nilai aktual dengan nilai ramalan

: jumlah data

3. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error)

Pengukuran ketelitian dengan cara rata-rata persentase kesalahan

absolut menunjukkan rata-rata kesalahan absolut peramalan dalam bentuk

persentase terhadap data aktual dengan rumus sebagai berikut :

……………………………………………(3)

Keterangan:

: Selisih nilai ramalan dengan nilai aktual

: Nilai aktual

: Jumlah data

Penelitian Terdahulu

Belladona (2008) melakukan penelitian yang berjudul “Analisis Peramalan

dan Faktor-faktor yang Mempengaruhi Volume Penjualan Obat Hewan PT

Univetama Dinamika, Jakarta”. Penelitian tersebut bertujuan untuk menganalisis

faktor apa saja yang dapat mempengaruhi volume penjualan multivitamin obat

hewan pada PT UTD. Selain itu penelitian tersebut bertujuan menganalisis metode

peramalan yang tepat yang dapat diterapkan oleh perusahaan serta meramalkan

volume penjualan untuk 12 bulan ke depan.

Penelitian Belladona (2008) menunjukkan bahwa hasil analisis regresi

menunjukkan bahwa lag volume penjualan, populasi unggas dan harga jual

multivitamin kompetitor berpengaruh nyata terhadap volume penjualan PT UTD.

Hasil analisis peramalan menunjukkan bahwa metode ARIMA (1,0,0)(0,1,1)12

8

merupakan metode terbaik karena memiliki nilai MSE (Mean Square Error)

terkecil. Metode tersebut juga digunakan untuk meramalkan volume penjualan

pada PT UTD untuk 12 bulan ke depan sehingga perusahaan mampu melakukan

perencanaan produksi yang akan datang, perencanaan kebutuhan bahan,

rekrutmen tenaga kerja, prediksi arus kas dan tingkat dimana komposisi biaya dan

pendapatan yang dipilih dapat mempertahankan likuiditas dan efisiensi operasi.

Lisjiyanti (2011) melakukan penelitian yang berjudul “Analisis Peramalan

Penjualan Tahu Kita pada PT. Kitagama, Jakarta”. Penelitian tersebut bertujuan

untuk menganalisis pola data penjualan tahu pada PT. Kitagama di lima outlet

penjualan, mengkaji dan memperoleh metode peramalan kuantitatif yang paling

sesuai untuk melakukan peramalan penjualan tahu di lima outlet penjualan serta

mengkaji dan memperoleh hasil peramalan produk Tahu Kita PT. Kitagama di

lima outlet penjualan.

Hasil penelitian menunjukkan bahwa dari hasil peramalan didapatkan

bahwa metode terbaik untuk penjualan Tahu Kita pada outlet Pastellia dan outlet

Kemchicks menggunakan Decomposition Additive, penjualan Tahu Kita pada

outlet Joyo Swalayan menggunakan Moving Average (4), penjualan Tahu Kita

pada outlet Ps. Bintaro Mas menggunakan ARIMA (2,0,2) dan penjualan Tahu

Kita pada outlet Market City menggunakan Trend Quadratic. Hasil perhitungan

menunjukkan total perkiraan pendapatan kotor produk Tahu Kita selama 15 bulan,

yaitu dari bulan Januari 2011 sampai Maret 2012 untuk outlet Pastellia Rp

7.560.000, outlet Kemchicks Rp 5.728.000, outlet Pasar Bintaro Mas Rp

4.288.000, outlet Market City Rp 2.880.000, outlet Joyo Swalayan Rp 2.160.000.

Hasil tersebut dapat digunakan sebagai dasar perencanaan

pembiayaan/penganggaran dana di masa mendatang dan perencanaan pemasaran

bagi peningkatan penjualan Tahu Kita.

METODE

Kerangka Pemikiran

PT. KCJ merupakan anak perusahaan PT. KAI yang masih tergolong baru

untuk menjalankan roda industri perkeretaapian. Banyaknya perubahan yang

dilakukan PT KAI untuk memperbaiki kualitas jasa transportasi kereta api untuk

daerah Jabodetabek, maka permintaan terhadap industry perkeretaapian pun

menjadi tidak dapat diprediksi. Untuk itu perlu diadakan sebuah penelitian tentang

bagaimana kondisi permintaan terhadap jasa transportasi kereta api commuter line

di masa depan agar perusahaan mampu mengantisipasi permintaan yang akan

terjadi.

Penelitian ini diharapkan mampu mendapatkan model peramalan yang

memiliki tingkat kesalahan terkecil yang dapat diterapkan oleh perusahaan.

Dengan begitu perusahaan mampu mengambil kebijakan yang sesuai dengan

keadaan yang diramalkan. Selain itu masukan dari responden tentang rencana

penggunaan jasa kereta api commuter line diharapkan mampu merumuskan

implikasi manajerial dari penelitian ini. Kerangka pemikiran yang mendasari

penelitian adalah sebagai berikut:

9

Gambar 1 Alur kerangka pemikiran penelitian

Lokasi dan Waktu Penelitian

Penelitian dilakukan di sepanjang stasiun kereta Jabodetabek dan waktu

pelaksanaan penelitian yaitu pada bulan Februari-Maret 2014.

Metode Pengumpulan Data

Informasi dan pengumpulan data yang dikumpulkan meliputi data primer

dan sekunder serta jenis data yang bersifat kualitatif dan kuantitatif. Data primer

diperoleh dari responden melalui penyebaran kuesioner dan data sekunder

diperoleh dari laporan internal perusahaan serta data pelengkap yang dikumpulkan

dari literatur-literatur, studi pustaka, internet dan tulisan yang berkaitan.

Metode Pengambilan Sampel

Jumlah populasi pada penelitian ini tidak diketahui secara pasti. Oleh

karena itu, teknik pengambilan sampel dalam penelitian ini menggunakan

purposive sampling dimana peluang seseorang untuk dipilih menjadi anggota

sampel adalah pengguna jasa commuter line dengan kriteria tertentu yang

mewakili keseluruhan populasi dan sesuai dengan sasaran dan tujuan penelitian.

Metode yang digunakan dalam pemilihan responden penumpang commuter line di

Dimensi kualitas Jasa

yang mempengaruhi

permintaan :

1. Reliability

2. Responsiveness

3. Assurance

4. Emphaty

5. Tangibles

PT. Kereta Commuter Jabodetabek

Peramalan permintaan penumpang PT.

KCJ tahun 2014-2016

Metode Peramalan Time Series

Metode peramalan

kualitatif

Data historis permintaan jasa Commuter

Line Jabodetabek

Permintaan Terhadap Jasa Transportasi Commuter Line

Metode Peramalan Kuantitatif

Perencanaan kegiatan

operasional

10

penelitian ini adalah accidental sampling dengan pertimbangan bahwa populasi

bervariasi serta bersifat heterogen yang secara kebetulan bertemu saat melakukan

observasi. Sampel yang digunakan dalam penelitian ini adalah 100 orang

responden dengan pertimbangan bahwa jumlah sampel tersebut cukup

representatif untuk mewakili populasi yang ada.

Pengolahan dan Analisis Data

Data sekunder yang dikumpulkan kemudian diolah dan dianalisis dengan

menggunakan metode ARIMA (Autoregressive Integrated Moving Average),

double exponential smoothing Holt’s method dan double exponential smoothing

Winter’s method dengan melihat nilai MAPE terkecil untuk mendapatkan nilai

peramalan 3 tahun kedepan. Sedangkan data primer yang telah dikumpulkan

melalui penyebaran kuesioner kepada responden akan diolah menggunakan

analisis linear berganda untuk menguatkan nilai hasil peramalan kualitatif.

HASIL DAN PEMBAHASAN

Gambaran Umum Perusahaan

PT KAI Commuter Jabodetabek merupakan salah satu anak perusahaan

milik PT Kereta Api (Persero) yang dibentuk sesuai dengan Inpres No. 5 Tahun

2008 dan Surat Menneg BUMN No S-653/MBU/2008 tanggal 12 Agustus 2008.

Awalnya PT Commuter Jabodetabek lahir dari proses panjang dimulai dari awal

pembentukan Divisi Angkutan Perkotaan Jabodetabek yang dibentuk oleh PT

Kereta Api (Persero). Namun pada akhirnya Divisi ini memisahkan diri dari PT

Kereta Api (Persero) Daop 1 Jakarta. Setelah pemisahan ini pelayanan KRL untuk

wilayah Jabodetabek berada di bawah PT Kereta Api (Persero) Divisi Angkutan

Perkotaan Jabodetabek. Akhirnya di tahun 2008 PT Kereta Api (Persero) Divisi

Angkutan Perkotaan Jabodetabek berubah menjadi sebuah perseroan terbatas

yaitu PT KAI Commuter Jabodetabek.

Tugas utama PT KAI Commuter Jabodetabek adalah menyelenggarakan

perusahaan pelayanan jasa angkutan transportasi kereta api commuter dengan

menggunakan sarana Kereta Rel Listrik untuk wilayah Jakarta, Depok, Bogor,

Bekasi dan Tangerang serta pengusahaan di bidang usaha non angkutan

penumpang. Kereta Api Commuter Line melayani 6 wilayah utama antara lain,

Jakarta Kota-Bogor (Depok), Jakarta-Bekasi, Lingkar Jakarta seperti Jatinegara –

Bogor dan Jatinegara – Depok, Jakarta – Tangerang Selatan, Parung, Lebak,

Jakarta – Tangerang dan Jalur khusus Tanjung Priok.

Berdasarkan laporan yang dikeluarkan oleh Departemen Perhubungan

Tahun 2012 terjadi peningkatan pertumbuhan panjang jalan kereta api menurut

lintas sebesar 0,41%. Untuk armada kereta api secara keseluruhan mengalami

peningkatan sebesar 30,89%. Kereta Commuter Line sendiri pada tahun 2013

telah mendatangkan 150 gerbong kereta seri JR 205 namun gerbong yang telah

11

disertifikasi oleh Dirjen Kereta Api Kementerian Perhubungan baru sejumlah 2

rangkaian atau 20 gerbong.

PT Kereta Commuter Jabodetabek memiliki visi untuk mewujudkan jasa

angkutan kereta api komuter sebagai pilihan utama dan terbaik di wilayah Jakarta

dan sekitarnya. Perusahaan juga memiliki misi yaitu menyelenggarakan jasa

angkutan kereta api komuter yang mengutamakan keselamatan, pelayanan,

kenyamanan dan ketepatan waktu, serta yang berwawasan lingkungan.

Identifikasi Pola Data Volume Penumpang

Data yang digunakan dalam peramalan volume permintaan kereta api

commuter line Jabodetabek adalah volume runtun waktu volume penumpang per

bulan dari tahun 2006-2013 untuk meramalkan volume penumpang dalam jangka

pendek maupun jangka panjang. Data volume penumpang dapat dilihat dalam

Gambar 2.

Gambar 2 Data Penumpang Kereta Commuter Line Tahun 2006-2013 (dalam ribu)

Plot autokorelasi yang dapat dilihat pada lampiran menunjukkan bahwa data

memiliki nilai koefisien autokorelasi yang berbeda nyata dari nol secara berurutan

pada beberapa time lag. Hal ini menunjukkan bahwa pola data adalah trend. Pada

bulan Februari 2007 dan Januari 2013 terjadi penurunan penumpang yang sangat

signifikan. Hal ini disebabkan oleh bencana banjir yang melanda daerah

Jabodetabek dan terjadi genangan air di banyak tempat.

Analisis Peramalan Time Series

Setelah dilakukan plot pola data pada beberapa metode peramalan time

series yang sesuai dengan bentuk pola data maka perlu diperhatikan bahwa

peramalan terbaik adalah metode yang memiliki nilai MAPE terkecil. Metode dan

nilai MAPE dapat dilihat pada Tabel 2.

12

Tabel 2 Metode dan nilai MAPE

Metode Nilai MAPE

ARIMA (1,1,0)(1,1,0)12

ARIMA (0,1,1)(1,1,0)12

Double exponential smoothing Holt

Double exponential smoothing Winter

11.9314

12.0576

13.0795

9.7159

Sumber : Data Olahan (2014)

Penemuan model peramalan yang baik perlu diproses dalam beberapa tahap.

Tahap pertama yang harus dilewati adalah uji stasioneritas data. Data yang

stasioner adalah data yang tidak berbeda jauh dari nilai tengahnya dengan

keragaman yang konstan dan tidak terdapat fluktuasi periodik. Jika data tidak

berbentuk pola stasioner maka perlu dilakukan tahap pembeda (differencing) agar

data menjadi stasioner dan dapat dilanjutkan ke tahap berikutnya.

Data time series volume penumpang kereta commuter line Jabodetabek

merupakan pola data yang tidak stasioner dan mengandung tren. Volume

penumpang commuter line secara umum terus meningkat sehingga membuat data

menyebar jauh dari nilai tengah nya. Lonjakan penumpang terjadi pada tahun

2012-2013. Hal ini mungkin terjadi karena PT KCJ memberlakukan tarif progresif

dan melakukan banyak perubahan dan melakukan perbaikan dengan memperbaiki

seluruh stasiun yang ada di Jabodetabek dan memberlakukan sistem tiket yang

baru.

Uji stasioner harus melewati dua tahap yaitu data harus stasioner dalam

varians dan data harus stasioner dalam rata-rata. Data awal volume penumpang

commuter line pada Gambar 2 tidak stasioner dalam varians dan tidak stasioner

dalam rata-rata. Hal ini dapat dilihat pada Gambar 3. Uji Box-cox pada nilai

Lambda yang optimal menunjukan bahwa nilai Rounded value pada data masih

bernilai -1.00. Untuk itu perlu dilakukan transformasi data menggunakan metode

autokorelasi sehingga data menjadi stasioner dalam varians seperti yang terlihat

dalam Lampiran. Nilai Lambda yang digunakan pada transformasi menggunakan

nilai estimasi pada uji Box-cox pertama yaitu -1.00 sehingga nilai Rounded value

pada nilai transformasi menjadi 1.00. Hal ini menunjukkan bahwa data telah

stasioner dalam varians.

Gambar 3 Hasil Minitab uji Box-Cox plot pada data

13

Uji selanjutnya yang harus dilakukan pada data adalah uji kestasioneran

dalam rata-rata. Data hasil transformasi yang telah diuji stasioner dalam varians

merupakan data yang masih mengandung komponen tren didalamnya dan

memiliki pola yang berulang dalam waktu tertentu dan menyebar jauh dari nilai

rata-rata nya sehingga data tidak stasioner dalam rata-rata dapat dilihat pada

Gambar 4. Untuk itu perlu dilakukan proses pembeda (differencing) agar

menghasilkan data stasioner yang dapat diolah dengan metode ARIMA. Setelah

dilakukan proses differencing pada lag 1 data telah stasioner dalam rata-rata. Hal

ini dapat dilihat pada Gambar 5 bahwa data menyebar pada nilai tengah nya dan

telah menghilangkan unsur tren didalamnya. Banyaknya perbedaan proses

differencing akan dijadikan ordo d pada model ARIMA

Gambar 4 Hasil grafik linier pada data hasil transformasi

Gambar 5 Hasil grafik linier pada data hasil differencing pada lag 1

Tahap selanjutnya yaitu mengidentifikasi model ARIMA yang terbaik

dalam peramalan. ARIMA terdiri dari Autoregrresive model dan Moving Average

yang memiliki ordo (p,d,q) dan ordo (P,D,Q) bila data terdapat unsur tren

didalamnya. Penetuan ordo ini ditentukan berdasarkan ciri-ciri yang ditunjukkan

oleh data. Kesalahan umum terjadi pada penentuan ordo ini karena masih

merupakan tahap praduga.

14

Identifikasi ordo (p,d,q) dapat dilakukan dengan menggunakan

Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF).

Data stasioner pada proses differencing satu sehingga pendugaan ARIMA

memiliki ordo d=1. Untuk mengidentifikasi ordo AR(p) dapat menggunakan

grafik ACF pada data yang telah dilakukan proses differencing yang dapat dilihat

pada Lampiran 3. Grafik ACF memiliki model dies down dimana data dari lag

pertama secara bertahap menurun nilainya mendekati 0 pada lag kelima. Hal ini

menunjukkan bahwa data mengindikasikan memiliki model AR. Untuk

mengidentifikasi bentuk data maka model sementara yang digunakan adalah ordo

p=1.

Pola PACF berfungsi sebagai petunjuk adanya model MA dalam ARIMA.

Pada lampiran 3 terlihat bahwa data yang telah melewati proses differencing satu

kali pola grafik membentuk dies down dimana data mendekati nol setelah lag

pertama. Hal ini menunjukkan adanya pola MA. Untuk identifikasi awal maka

model sementara yang digunakan adalah ordo q=1.

Hasil identifikasi model menghasilkan model ARIMA (1,1,1)(1,1,1)12.

Sebelum melakukan peramalan dengan model tersebut dan menghitung nilai

MAPE, perlu dilakukan uji kriteria konverginitas yang ditunjukkan oleh output

pada Minitab yang menyatakan “relative change in each estimate less than

0,0010” yang artinya data telah menjadi konvergen setelah dilakukan proses

iterasi. Model diterima jika nilai dari p value antar parameter kurang dari 0,05

yang menunjukan parameter sudah signifikan. Dengan prinsip parsimonitas

(kesederhanaan) dalam model maka dipilih model sementara yang relevan dengan

peramalan yaitu ARIMA (1,1,1)(1,1,0)12, ARIMA (1,1,0)(1,1,0)12 dan ARIMA

(0,1,1)(1,1,0)12. Selain itu dilakukan diagnosis model menggunakan dua tahap uji

normalitas residual menggunakan uji Kolgomorov-Smirnov dan uji independensi

residual/white noise menggunakan uji Ljung Box. Uji normalias residual

menunjukan bahwa data hasil peramalan telah memiliki nilai D hitung dan nilai p

value dari nilai Ljung Box telah lebih besar dari 0,05.

Model ARIMA (1,1,1)(1,1,1)12 seperti yang dapat dilihat pada lampiran 4

menunjukkan bahwa “Convergence criterion not met after 25 iterations” yang

artinya data tidak konvergen karena data tidak dapat diiterasi lebih lanjut setelah

iterasi ke 25. Nilai p value AR, SAR, MA, dan SMA berturut-turut adalah 0,205,

0,986, 0,467, 0,000. Model tidak berhasil melewati uji white noise karena nilai

Ljung Box adalah 0,088, 0,104, 0,034 dan 0,064 dimana masih ada nilai yang

kurang dari 0,05.

Model ARIMA (1,1,0)(1,1,0)12 telah konvergen karena hasil olahan pada

minitab menunjukkan bahwa ”Relative change in each estimate less than 0.0010”

dan memiliki nilai parameter p value AR 0,204 dan SAR 0,001 seperti yang

terlihat pada lampiran 4. Selain itu nilai p value dari Ljung Box bernilai 0,185,

0,091, 0,126, 0,241 yang lebih besar dari 0,05. Hal ini menunjukkan bahwa data

telah konvergen dan white noise dengan model ARIMA (1,1,0)(1,1,0)12.

Model ARIMA (1,1,1)(1,1,0)12 tidak konvergen karena hasil minitab pada

lampiran 4 menunjukkan bahwa “Convergence criterion not met after 25

iterations” data tidak konvergen dan tidak dapat diiterasi lebih lanjut setelah

iterasi ke 25. Nilai p value AR, SAR dan MA berturut-turut adalah 0,281, 0,001,

0,472 yang. Selain itu nilai Ljung Box pada model ini memiliki nilai 0,220, 0,098,

0,165 dan 0,28.

15

Hasil output minitab menunjukkan bahwa model ARIMA (0,1,1)(1,1,0)12

”Relative change in each estimate less than 0.0010” dan menunjukkan

konvergenitas seperti yang terlihat pada lampiran 4. Nilai parameter SAR dan MA

memiliki nilai p value sebesar 0,001 dan 0,340. Model (0,1,1)(1,1,0)12 juga telah

melewati uji white noise karena memiliki nilai Ljung Box 0,137, 0,072, 0,079, dan

0,172 dimana nilai tersebut telah lebih besar dari 0,05.

Model ARIMA (1,1,0)(1,1,0)12 dan model ARIMA (0,1,1)(1,1,0)12 telah

melewati uji normalitas residual karena nilai p value hasil uji Kolgomorov

Smirnov telah lebih dari 0,05 seperti yang terlihat pada lampiran 5. Hal ini

membuktikan bahwa kedua model telah melewati uji yang relevan dan kedua

model dapat dilakukan peramalan.

Model double exponential smoothing Holt’s dengan nilai konstanta

pemulusan (α) 0,1 memiliki nilai MAPE sebesar 13.0795. Model double

exponential smoothing Winter’s dengan nilai konstanta pemulusan (α) 0,3 nilai

konstanta tren (γ) 0,3 dan nilai konstanta musiman (β) 0,3 memiliki nilai MAPE

sebesar 9.7159. Hasil perhitungan MAPE terhadap seluruh model tersaji pada

tabel 2. Peramalan metode terbaik yang digunakan dalam meramalkan volume

permintaan penumpang kereta api commuter line adalah metode double

exponential smoothing Winter’s dengan nilai MAPE 9.7159. Hasil peramalan

dengan metode double exponential smoothing Winter’s dapat dilihat pada tabel 3.

Tabel 3 Peramalan volume penumpang commuter line selama 3 tahun

(dalam ribu orang)

Periode Bulan (Tahun) Peramalan Volume

Penumpang Selang Peramalan

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

Januari (2014)

Februari (2014)

Maret (2014)

April (2014)

Mei(2014)

Juni (2014)

Juli (2014)

Agustus (2014)

September (2014)

Oktober (2014)

November (2014)

Desember (2014)

Januari (2015)

Februari (2015)

Maret (2015)

April (2015)

Mei (2015)

Juni (2015)

Juli (2015)

Agustus (2015)

September (2015)

Oktober (2015)

November (2015)

Desember (2015)

Januari (2016)

Februari (2016)

Maret (2016)

April (2016)

16399.3

16360.5

18887.7

19308.5

20345.3

20653.4

22705.0

21864.0

22054.1

23051.9

22744.4

23283.7

24034.6

23693.3

27048.4

27361.0

28545.2

28707.0

31280.0

29869.4

29890.1

31006.8

30373.8

30881.7

31669.9

31026.1

35209.1

35413.6

15157.9 – 17640.7

15074.6 – 17646.4

17550.4 – 20225.1

17913.5 – 20703.4

18887.3 – 21803.3

19127.5 – 22179.3

21107.2 – 24302.9

20190.5 – 23537.5

20301.8 – 23806.4

21218.0 – 24885.7

20826.6 – 24662.1

21279.9 – 25287.5

21942.9 – 26126.2

21512.2 – 25874.4

24776.4 – 29320.5

24996.8 – 29725.2

26087.7 – 31002.8

26155.3 – 31258.8

28633.1 – 33927.0

27126.5 – 32612.4

27050.4 – 32729.7

28069.8 – 33943.8

27338.9 – 33408.7

27748.3 – 34015.0

28437.6 – 34902.2

27694.4 – 34357.8

31777.7 – 38640.5

31882.0 – 38945.1

16

Periode Bulan (Tahun) Peramalan Volume

Penumpang Selang Peramalan

125

126

127

128

129

130

131

132

Mei (2016)

Juni (2016)

Juli (2016)

Agustus (2016)

September (2016)

Oktober (2016)

November (2016)

Desember (2016)

36745.2

36760.7

39855.1

37874.9

37726.0

38961.7

38003.2

38479.6

33113.2 – 40377.2

33027.9 – 40493.5

36021.2 – 43688.9

33939.7 – 41810.0

33689.2 – 41762.8

34823.1 – 43100.2

33762.6 – 42243.7

34136.8 – 42822.3


Berdasarkan hasil peramalan dengan metode double exponential smoothing

Winter’s diprediksi volume penumpang cukup stabil dan terjadi peningkatan

setiap bulannya. Namun pada tahun 2015 dan 2016 terjadi lonjakan penumpang

yang cukup signifikan pada awal-awal tahun. Pada Tabel 3 tersedia data upper

dan lower dari output minitab pengolahan data permintaan sehingga perusahaan

mampu memprediksi kemungkinan terbaik maupun yang terburuk.

Gambar 6 Grafik hasil peramalan Time Series

Analisis Peramalan Customer Market Research

Profil Responden

Tingginya permintaan akan jasa transportasi kereta api commuter line

belakangan ini membuat volume penumpang melonjak naik hingga sekitar

500.000 hingga 600.000 penumpang tiap harinya seperti yang terlihat pada

Gambar 2. Hal ini terjadi karena PT KCJ yang melaksanakan penyelenggaraan

jasa kereta api listrik di Jabodetabek melakukan banyak perubahan yang

signifikan. Mulai dari perbaikan di seluruh stasiun, pemberlakuan tarif progresif

17

hingga membuat sistem tiket elektrik yang meningkatkan efisiensi penumpang

dalam melakukan mobilisasi di dalam stasiun.

Tabel 4 Profil Penumpang Kereta Commuter Line Jabodetabek No Profil Penumpang Kategori Persentase (%)

1 Jenis Kelamin Pria

Wanita

63

37

2 Usia <25 tahun

25 – 40 tahun

41 – 50 tahun

> 50 tahun

45

38

13

4

3 Pendidikan SD

SMP/Sederajat

SMA/Sederajat

Perguruan Tinggi

1

3

34

62

4 Pekerjaan PNS

Pegawai Swasta

Pedagang/Wiraswasta

Pelajar/Mahasiswa

9

46

12

33

5 Pendapatan < Rp 1.000.000

Rp 1.000.000-Rp 3.000.000

Rp 3.000.000-Rp 5.000.000

> Rp 5.000.000

25

33

28

14

6 Tujuan Bekerja

Sekolah/Kuliah

Belanja/Rekreasi

Lainnya

47

23

18

12

7 Jenis Pembayaran Tiket Kartu Multitrip

Tiket Harian Berjaminan

57

43

8 Frekuensi Setiap Hari

Hari Kerja (Senin-Jum’at)

Weekend (Sabtu-Minggu)

Seminggu sekali

Sebulan sekali

Lainnya

15

54

7

15

7

2

9 Lama Penggunaan < 1 tahun

1 -2 tahun

3 – 4 tahun

> 4 tahun

25

27

26

22


Analisa deskriptif pada Tabel 4 menunjukkan bahwa persentase penumpang

dengan jenis kelamin laki-laki lebih banyak daripada wanita sebesar 63% dan

penumpang wanita sebesar 37%. Kondisi kereta yang penuh sesak pada jam-jam

kerja didominasi oleh penumpang pria. Karena pada jam tersebut tidak nyaman

bagi penumpang wanita untuk ikut berdiri di dalam kereta yang penuh sesak.

Penumpang kereta commuter line berada pada usia produktif yaitu di bawah 40

tahun yang persentasenya mencapai 83%. Hal ini dapat dilihat pada jenis

pekerjaan penumpang yaitu sebesar 46% berprofesi sebagai pekerja swasta dan

sebesar 33% adalah pelajar/mahasiswa.

Penumpang memiliki tingkat pendidikan mayoritas berada pada

SMA/Sederajat dan Perguruan Tinggi.. Hal ini selaras dengan tujuan para

penumpang menggunakan jasa kereta api commuter line yaitu bekerja dan

belajar/kuliah yang persentasenya mencapai 70%. Sebanyak 86% penumpang

memiliki pendapatan di bawah Rp 5.000.000. Hal ini menunjukkan bahwa kereta

api commuter line masih menjadi transportasi andalan bagi masyarakat kalangan

menengah ke bawah.

18

Saat ini commuter line menggunakan dua jenis tiket elektronik yaitu KMT

(Kartu Multitrip) dan THB (Tiket Harian Berjaminan). Sebesar 57% sampel dari

populasi menggunakan KMT untuk tiket perjalanan mereka. Tingkat efisiensi

KMT yang lebih besar karena tidak mengharuskan penumpang untuk berlama-

lama dalam antrian membuat masyarakat lebih memilih untuk menggunakan

KMT daripada THB. Namun untuk penumpang yang tidak selalu menggunakan

transportasi kereta api lebih memilih THB walaupun harus menunggu dalam

antrian untuk membayar biaya perjalanan di loket. Penumpang yang

menggunakan commuter line setiap hari kerja yakni dari hari senin hingga jumat

mencapai 54% dan yang menggunakan kereta untuk transportasi setiap hari

sebesar 15%.

Uji Validitas dan Reliabilitas

Untuk mengidentifikasi keabsahan suatu instrumen penelitian, kuesioner

harus melalui uji validitas dan reliabilitas. Uji validitas berfungsi untuk

mengidentifikasi sah atau tidaknya suatu indikator pertanyaan dalam kuesioner

dan sejauh mana kuesioner mampu mengukur variabel yang ada di dalam

penelitian. Sedangkan uji reliabilitas adalah keandalan suatu alat ukur untuk

mengukur variabel secara konsisten dari waktu kewaktu. Suatu indikator

dinyatakan valid apabila memiliki rhitung yang lebih besar dari rtabel yaitu 0,361

untuk tingkat signifikansi α=5%. Jika rhitung>rtabel maka artinya H0 instrumen telah

valid diterima. Pada lampiran 6 menunjukkan bahwa instrumen penelitian belum

seluruhnya valid karena masih ada nilai rhitung<rtabel pada indikator TG4 dan PG2.

Kedua indikator ini harus dihilangkan untuk melewati uji selanjutnya yaitu

reliabilitas. Langkah selanjutnya adalah melakukan uji reliabilitas pada instrument

penelitian yang telah valid secara keseluruhan. Instrumen penelitian dapat

dikatakan reliable apabila memiliki nilai Cronbach’s Alpha yang lebih besar dari

0,6. Seluruh instrumen penelitian telah reliable karena memiliki nilai Cronbach’s

Alpha sebesar 0,85 yang dapat dilihat pada lampiran 6.

Tabulasi Silang

Tabulasi silang merupakan metode yang menguji apakah dua karakteristik

memiliki keterkaitan satu dengan yang lainnya dengan melihat nilai chi-square,

jika nilai chi square hitung > chi square tabel maka tolak H0 yang artinya tidak

ada keterkaitan antara dua karakteristik yang diuji. Keterkaitan antar karakteristik

dapat dilihat pada nilai asymp sig (2-sided) pada software SPSS. Apabila nilai chi

square test kurang dari 0,05 menunjukkan adanya keterkaitan antara dua

karakteristik yang diuji. Pengolahan tabulasi silang pada penelitian dilakukan

hanya kepada beberapa karakteristik saja yang berhubungan dengan penelitian.

19

Tabulasi Silang Jenis Pembayaran Tiket

Tabel 5 Tabulasi silang jenis pembayaran tiket dengan pekerjaan penumpang

Pekerjaan Penumpang

Total

(%) Jenis Pembayaran Tiket

PNS

Pegawai

Swasta

Pedagang /

Wiraswasta

Pelajar /

Mahasiswa

Kartu Multi Trip

Tiket Harian Berjaminan

9

0

42

4

3

9

3

30

57

43

Total (%) 9 46 12 33 100


Keterkaitan antara jenis pembayaran tiket kereta pekerjaan penumpang

tersaji dalam tabel 5. Hipotesis awal dalam penelitian adalah bahwa jenis

pembayaran tiket kereta api memiliki keterkaitan dengan pekerjaan penumpang.

Hasil penelitian menunjukkan bahwa 100% penumpang yang bekerja sebagai PNS

menggunakan KMT dan 91.3% penumpang yang bekerja sebagai pegawai swasta

menggunakan KMT dan 8.7% menggunakan THB. Sedangkan 30% penumpang

yang bekerja sebagai pedagang / wiraswasta menggunakan KMT dan sebesar 60%

menggunakan THB dan sebesar 10% pelajar atau mahasiswa menggunakan KMT

dan sebesar 90% lainnya menggunakan THB. Nilai Asymp Sig yang tersaji pada

lampiran 6 sebesar 0,000 yang artinya terdapat hubungan yang signifikan antara

jenis pembayaran kartu dengan pekerjaan penumpang dan hipotesis diterima. Ini

menunjukkan bahwa penggunaan KMT atau THB dipengaruhi oleh pekerjaan

penumpang. Peningkatan jumlah pekerja atau pelajar di daerah Jabodetabek dapat

memberikan informasi seberapa besar peningkatan kartu KMT dan THB yang

harus di produksi dan seberapa besar peningkatan penumpang kereta api

commuter line.

Tabel 6 Tabulasi silang jenis pembayaran tiket dan frekuensi penggunaan

commuter line

Frekuensi penggunaan commuter line

Total

(%) Jenis

Pembayaran

Tiket

Setiap

hari

Hari

Kerja

Weekend

Seminggu

Sekali

Sebulan

Sekali

Lainnya

Kartu Multi Trip 13 33 2 3 4 2 57

Tiket Harian

Berjaminan

2

21

5

12

3

0

43

Total (%)

15

54

7

15

7

2

100


Tabel 6 menunjukkan keterkaitan antara jenis pembayaran tiket kereta api

dan frekuensi penggunaan. Hipotesis awal H0 adalah ada keterkaitan antara jenis

pembayaran tiket dengan frekuensi penggunaan commuter line. Hasil penelitian

menunjukkan bahwa nilai Asymp Sig pada lampiran 6 sebesar 0,003 yang artinya

terdapat hubungan yang signifikan antara jenis pembayaran tiket dengan frekuensi

20

penggunaan kereta commuter line dan hipotesis H0 diterima. Penumpang dengan

frekuensi yang tinggi (setiap hari atau setiap hari kerja) lebih cenderung

menggunakan KMT daripada THB. Hal ini disebabkan karena KMT memiliki

beberapa kelebihan dibandingkan THB. Tingginya pemakaian KMT menunjukkan

bahwa kereta commuter line merupakan moda transportasi yang diminati

masyarakat untuk melakukan perjalanan dengan frekuensi yang tinggi.

Tabulasi Silang Penggunaan Kereta Api Commuter Line

Tabel 7 Tabulasi silang pekerjaan dengan penggunaan jasa commuter line di

masa depan

Pemakaian commuter line dimasa depan

Total

(%) Pekerjaan

Tidak

Berpengaruh

Berpengaruh

Sangat

Berpengaruh

PNS 0 8 1 9

Pegawai Swasta 0 23 23 46

Pedagang / Wiraswasta 0 4 8 12

Pelajar / Mahasiswa

Total (%)

1

1

11

46

21

53

33

100


Hasil pengolahan data penelitian disajikan pada tabel 7 untuk melihat

adakah hubungan yang signifikan antara pekerjaan dengan penggunaan jasa

commuter line di masa depan. Hasil penelitian menunjukkan bahwa pekerjaan

memiliki keterkaitan dengan penggunaan kereta commuter line dimasa depan pada

taraf signifikansi 10%. Hal ini ditunjukkan dengan nilai Asmyp Sig sebesar 0,073

dengan nilai value Pearson Chi-Square sebesar 11.544 dengan df bernilai 6 pada

lampiran 6 yang artinya hipotesis H0 diterima pada tingkat signifikansi 10%. Hal

ini menunjukkan bahwa pekerjaan seorang penumpang mempengaruhi

penggunaan kereta commuter line di masa yang akan datang karena kebanyakan

penumpang menggunakan kereta commuter line untuk bekerja ataupun

bersekolah. Maka pekerjaan penumpang akan berpengaruh pada penggunaan

commuter line di masa yang akan datang.

Tabel 8 Tabulasi silang penggunaan commuter line di masa yang akan datang

dengan jenis pembayaran tiket


Total

(%) Jenis Pembayaran Tiket

Tidak

Berpengaruh

Berpengaruh

Sangat

Berpengaruh

Kartu Multi Trip 0 31 26 57

Tiket Harian Berjaminan 1 15 27 43

Total (%) 1 46 53 100


21

Tabel 8 menunjukkan keterkaitan antara penggunaan kereta commuter line

di masa yang akan datang dengan jenis pembayaran tiket kereta. Hasil penelitian

menunjukkan bahwa penggunaan kereta commuter line di masa yang akan datang

memiliki pengaruh terhadap jenis pembayaran tiket dengan tingkat signifikansi

15%. Hal ini ditunjukkan dengan nilai Asmyp Sig sebesar 0,095 dengan nilai value

Pearson Chi-Square sebesar 4.717 dengan df 1 pada lampiran 6 yang artinya

hipotesis H0 diterima pada tingkat signifikansi 15%. Hal ini menunjukkan bahwa

penggunaan kereta commuter line bisa dipengaruhi oleh jenis pembayaran tiket

yang digunakan. Hal ini terjadi karena pengguna KMT akan terus menggunakan

kereta api selama masih memiliki kartu multi trip. Karena dengan menggunakan

kartu tersebut maka penumpang menunjukkan loyalitasnya akan penggunaan

kereta api commuter line sebagai transportasi utama sehari-hari.

Tabel 9 Tabulasi silang penggunaan commuter line di masa yang akan datang

dengan alasan penggunaan commuter line


Total

(%) Alasan Penggunaan

Commuter Line

Tidak

Berpengaruh

Berpengaruh

Sangat

Berpengaruh

Lebih cepat sampai

Lebih murah

Jadwal tepat waktu

0

0

0

23

10

2

23

12

3

46

22

5

Lebih aman dan nyaman

Dekat dengan tempat tujuan

Mudah dijangkau

1

0

0

1

3

7

4

4

7

6

7

14

Total (%) 1 46 53 100

Pengaruh antara penggunaan kereta api commuter line di masa yang akan

datang dengan alasan penggunaan commute line tersaji pada table 9. Hasil

penelitian menunjukkan bahwa penggunaan commuter line di masa yang akan

datang memiliki pengaruh terhadap alasan penumpang menggunakan commuter

line pada tahap signifikansi 10%. Lampiran 6 menunjukkan bahwa nilai Asymp

Sig sebesar 0.065 dengan nilai value Pearson Chi-Square sebesar 17.445 pada

nilai df sebesar 10. Hal ini terjadi karena mayoritas alasan penggunaan kereta

commuter line adalah lebih cepat sampai dan lebih murah dari moda transportasi

lainnya. Jika hal ini terus dipertahankan oleh PT. KCJ maka peningkatan

penumpang akan terjadi di masa yang akan datang.

Banyak indikator yang dipakai untuk memperlihatkan seberapa besar suatu

variabel berpengaruh terhadap peningkatan volume penumpang commuter line.

Pada tabel 10 tersaji data indikator instrumen penelitian yang ada serta nilai

modus yang memperlihatkan tingkat kepentingan pengaruh indikator tersebut

dalam peramalan volume penumpang commuter line. Pada tabel terlihat bahwa

konsumen menilai sangat berpengaruh terhadap indikator kerapihan dan

kebersihan di dalam gerbong kereta, keamanan dan kenyamanan di dalam gerbong

serta di dalam stasiun. Hal ini harus diperhatikan oleh perusahaan bahwa menurut

konsumen, indikator tersebut adalah yang paling signifikan dan berpengaruh

untuk menggunakan jasa kereta api commuter line.

22

Tabel 10 Indikator instrument penelitian

No Variabel Indikator Modus

1

2

3

4

5

Tangible

Reliability

Responsiveness

Assurance

Empathy

Jumlah armada commuter line

Kebersihan dan kerapihan gerbong

Kebersihan dan kerapihan stasiun

Kelayakan kereta commuter line

Harga Tiket kereta Api

Ketepatan jadwal commuter line

Sistem e-ticketing

Jarak stasiun, tempat tinggal dan tempat tujuan

Kemudah mencari informasi

Kemudahan akses menuju stasiun

Kecepatan dan ketanggapan pelayanan

Kecepatan dan ketanggapan petugas dalam respon

keadaan darurat

Keberadaan petugas di dalam gerbong/stasiun

Kecepatan respon petugas menanggapi keluhan

Kesiapan petugas dalam membantu pelanggan

Keramahan dan kesopanan petugas

Keamanan dan kenyamanan dalam stasiun

Keamanan dan kenyamanan dalam kereta

Keterampilan petugas dalam menjalani tugas

Ketersediaan asuransi jaminan dan keselamatan

Ketersediaan kamera pengawas

Kesediaan petugas dalam membantu penumpang

Kesabaran petugas dalam melayani penumpang

Petugas tidak diskriminatif dalam melayani penumpang

Ketersediaan sarana menyampaikan saran dan keluhan

Kemampuan petugas dalam meberikan informasi

3

4

3

2

3

3

3

3

3

3

3

3

3

3

2

3

4

4

3

3

3

3

3

3

3

3

Uji Asumsi Klasik

Uji asumsi klasik merupakan uji yang harus dilakukan pada data agar

variabel independen terbebas dari adanya pengaruh satu sama lain. Pengujian

asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang

akan dilakukan tidak bisa dan telah memenuhi persyaratan BLUE (Best Linear

Unbisaed Estimator). Ada beberapa uji yang dilakukan pada asumsi klasik yaitu,

data berdistribusi normal, data terbebas dari autokorelasi, tidak terdapat

multikolinearitas dan tidak terdapat heteroskedastisitas. Keseluruhan uji tersebut

diuji dengan bantuan program SPSS.

Uji Normalitas

Uji normalitas data menguji apakah dalam model estimasi regresi variabel

residunya terdistribusi normal atau tidak. Uji normalitas data menggunakan uji

Kolgomorov-Smirnov dengan menggunakan program SPSS. Data terdistribusi

normal apabila nilai signifikansi lebih besar dari 0,05. Hipotesis awal H0 adalah

data terdistribusi secara normal. Setelah melakukan pengujian, model memiliki

nilai KSZ sebesar 0,672 dan nilai Asymp Sig sebesar 0,758 yang dapat dilihat pada

lampiran 8. Kesimpulannya adalah data terdistribusi normal karena memiliki nilai

23

signifikansi sebesar 0,758 yang lebih besar dari 0,05 sehingga hipotesis H0

diterima.

Uji Autokorelasi

Uji autokorelasi bertujuan untuk mengetahui apakah model suatu regresi

linear berganda memiliki korelasi antara kesalahan pada periode t dengan periode

sebelumnya (t-1). Model regresi yang baik adalah regresi yang terbebas dari

autokorelasi. Uji autokorelasi dilakukan menggunakan uji run test untuk melihat

apakah residual data bersifat acak atau tidak. Apabila hasil uji run test lebih besar

dari tingkat signifikansi (α=5%) maka tidak terdapat autokorelasi pada data yang

diuji. Hipotesis awal H0 adalah tidak terjadi gejala autokorelasi pada estimasi

model regresi. Hasil uji run test dapat dilihat pada lampiran 8 yang

memperlihatkan bahwa nilai Asymp Sig (2-tailed) sebesar 0,688. Ini berarti

autokorelasi tidak ada pada data yang diuji karena nilai hasil uji run test lebih

besar dari 0,05 sehingga H0 diterima.

Uji Multikolinearitas

Uji multikolineritas bertujuan untuk menguji apakah pada estimasi model

regresi ditemukan adanya korelasi antara variabel bebas. Uji multikolinearitas

dilihat dari nilai Tolerance dan nilai VIF (Variance Inflation Faktor). Apabila

nilai tolerance lebih besar dari 0,10 maka tidak terjadi multikolinearitas pada

estimasi model regresi. Selain itu apabila nilai VIF lebih kecil dari 10,00 maka

tidak terjadi juga gejala multikolinearitas pada estimasi model regresi. Hipotesis

awal adalah H0 tidak terjadi gejala multikolinearitas pada model regresi. Lampiran

8 menunjukkan bahwa nilai tolerance pada masing-masing variabel bernilai

0,980, 0,969, 0,798, 0,752, dan 0,748. Selain itu nilai VIF untuk masing-masing

variabel adalah 1,021, 1,032, 1,253, 1,330, dan 1,337. Hal ini menunjukkan

seluruh variabel dalam data tidak menunjukkan adanya gejala multikolinearitas

karena nilai tolerance yang lebih besar dari 0,10 dan nilai VIF yang lebih kecil

dari 10,00 sehingga H0 diterima.

Uji Heteroskedastisitas

Uji heroskedastisitas bertujuan untuk menguji apakah dalam model estimasi

regresi terjadi ketidaksamaan varians dan residual satu pengamatan ke

pengamatan lainnya. Uji heteroskedastisitas dilakukan dengan menggunakan uji

Glejser. Model regresi yang baik adalah model yang tidak terjadi

heteroskedastisitas. Model tidak terdapat heteroskedastisitas apabila nilai

signifikansi lebih besar dari 0,05 dan data menyebar pada diagram scatter plot.

Hipotesis awasl yang dibentuk adalah H0 bahwa pada data tidak terdapat gejala

heteroskedastisitas. Lampiran 8 menunjukkan bahwa nilai Sig pada tiap variabel

memiliki nilai masing-masing sebesar 0,182, 0,245, 0,564, 0,928 dan 0,668. Nilai

seluruh Sig pada model di atas 0,05 dan diagram scatter plot menunjukkan data

menyebar pada angka 0 dan tidak memiliki pola tertentu. Dapat disimpulkan

bahwa estimasi model tidak memiliki gejala heteroskedastisitas sehingga H0

diterima.

24

Analisis Regresi Berganda

Setelah melakukan keseluruhan uji asumsi klasik maka dibentuk model

yang sesuai untuk menggambarkan perencanaan penggunaan jasa kereta api

commuter line dimasa depan untuk mengidentifikasi peramalan pada jumlah

permintaan penumpang. Lampiran 9 menggambarkan nilai koefisien tiap-tiap

variabel dan terbentuk model regresi berganda Y=16.688+0.107X1-

0.62X2+0.49X3-0.49X4-0.009X5+ε. Interpretasi dari model analisis regresi

berganda tersebut adalah nilai konstanta sebesar 16.688 menyatakan jika tidak

terdapat variabel bebas, maka rencana pembelian konsumen di masa mendatang

sebesar 16.688.

Nilai koefisien pada variabel tangible dan responsiveness bertanda positif

dimana masing-masing memiliki nilai sebesar 0.107 dan 0.49. Hal ini

menunjukkan apabila variabel tersebut ditingkatkan maka rencana pembelian

konsumen di masa mendatang juga meningkat. Sedangkan pada variabel

reliability, assurance, dan emphathy memiliki nilai negatif yaitu sebesar 0.62,

0.49, dan 0.009 yang berarti jika variabel tersebut ditingkatkan atau diperbaiki,

rencana pembelian konsumen di masa mendatang belum tentu mengalami

peningkatan.

Implikasi Manajerial

Penelitian yang telah dilakukan menunjukkan bahwa hasil peramalan

dapat dijadikan bahan rujukan, perencanaan maupun evaluasi terhadap pihak

manajemen PT Kereta Commuter Jabodetabek dalam melaksanakan industri jasa

perkeretaapian di wilayah Jabodetabek. Perusahaan dirasa perlu mengantisipasi

lonjakan penumpang yang akan terjadi pada tahun 2015 dan 2016 karena

masyarakat Jakarta dan sekitarnya mulai memanfaatkan kereta api sebagai sarana

transportasi sehari-hari. Jika pihak manajemen tidak siap untuk menghadapi

lonjakan tersebut maka akan terjadi penumpukan penumpang dan berdesakan di

dalam kereta pada jam-jam ramai seperti saat pergi dan pulang jam kantor.

Berdasarkan hasil penelitian, faktor yang signifikan berpengaruh pada

peningkatan penumpang adalah kebersihan dan kerapihan di dalam gerbong kereta

api.

Penumpang tidak hanya mengandalkan kereta api commuter line sebagai

sarana transportasi yang murah untuk saat ini tetapi juga ingin mendapatkan

pelayanan yang lebih baik, penjadwalan yang tepat, ketanggapan para karyawan

dan petugas di dalam dan di luar stasiun. Banyak faktor yang membuat

masyarakat akhirnya memutuskan jasa transportasi sebagai kebutuhan sehari-hari.

Diharapkan pihak manajemen tidak hanya mementingkan dan meningkatkan

kuantitas terhadap volume penumpang saja tetapi juga meningkatkan kualitas

pelayanan yang prima kepada para pelanggan sehingga kereta api commuter line

tetap menjadi andalan masyarakat Jakarta dan sekitarnya.

Hal yang bisa dilakukan oleh perusahaan untuk mengatasi peningkatan

volume penumpang adalah menambah jumlah rute perjalanan commuter line yang

diiringi oleh penambahan lokomotif serta penambahan gerbong menjadi 10

gerbong setiap satu rangkaian kereta. Jika hal ini dilakukan, diharapkan

25

perusahaan mampu menampung lebih banyak penumpang dalam satu kali perjalan

sehingga keterlambatan kereta api dapat diminimalisir serta kenyamanan dan

keandalan commuter line dalam moda transportasi masyarakat dapat ditingkakan.

Hasil gabungan analisis peramalan kualitatif dan kuantitatif dapat dilihat pada

table 11.

Tabel 11 Tabel analisis peramalan kuantitatif (dalam ribu orang) dan kualitatif

Tahun

Peramalan

Permintaan

Penumpang per

tahun

Analisis Kualitatif Peramalan

2014

±247.657

Berdasarkan hasil penelitian ada dua faktor

yang mempengaruhi peningkatan volume penumpang

commuter line yaitu variabel tangible dan

responsiveness. Pada variabel tangible faktor yang

dinilai sangat berpengaruh adalah :

Kebersihan dan kerapihan di dalam gerbong

jumlah armada

kebersihan dan kerapihan gerbong

harga tiket kereta

Sementara itu faktor kelayakan kereta commuter

line menjadi faktor yang tidak terlalu berpengaruh pada

peningkatan volume penumpang commuter line.

Pada variabel responsiveness indikator yang

cukup berpengaruh pada peningkatan volume

penumpang hampir merata yaitu :

kecepatan dan ketanggapan pelayanan

kecepatan petugas dalam menangani hal darurat,

keberadaan petugas dalam gerbong/stasiun

kecepatan respon petugas dalam menanggapi

keluhan.

Sedangkan kesiapan petugas dalam membantu

pelanggan tidak begitu berpengaruh kepada

peningkatan volume penumpang

2015 ±342.691

2016 ±437.725

SIMPULAN DAN SARAN

Simpulan

Berdasarkan uraian pembahasan dari hasil penelitian maka dapat

disimpulkan bahwa pola data yang terjadi pada data time series penumpang kereta

api commuter line bersifat tren. Ini artinya volume penumpang commuter line

memiliki kecendrungan meningkat dari waktu ke waktu. Untuk itu perlu

dilakukan studi peramalan agar perusahaan mampu memprediksi seberapa besar

kenaikan penumpang yang akan terjadi beberapa waktu ke depan.

Model yang dapat dipilih untuk diuji dari hasil analisis peramalan yang telah

dilakukan menunjukkan bahwa model ARIMA (1,1,0)(1,1,0)12, ARIMA

(0,1,1)(1,1,0)12, Double exponential smoothing Holt, Double exponential

smoothing Winter merupakan metode yang cocok untuk data permintaan

26

penumpang commuter line Jabodetabek. Melalui analisis error dengan

menghitung nilai MAPE untuk masing-masing, terpilih peramalan metode Double

exponential smoothing Winter adalah metode yang paling cocok untuk

meramalkan keadaan volume penumpang commuter line Jabodetabek dengan

MAPE terkecil senilai 9.7159.

Berdasarkan hasil analisis yang telah dilakukan pada penelitian, variabel

tangible dan responsiveness sangat mempengaruhi peramalan permintaan

penumpang commuter line di masa yang akan datang. Jika dua variabel terus

ditingkatkan maka volume penumpang juga akan meningkat. Sementara variabel

yang lain yakni reliability, empathy, dan assurance jika ditingkatkan tidak terlalu

berpengaruh terhadap permintaan penumpang kereta api. Hal ini perlu menjadi

perhatian penting pihak manajemen PT KCJ untuk mengantisipasi peningkatan

penumpang untuk terus meningkatkan pelayanan yang jauh lebih baik dalam

menyelenggarakan jasa transportasi kereta api di daerah Jabodetabek.

Saran

Peramalan metode double exponential smoothing Winter sebaiknya

digunakan untuk menduga seberapa besar peningkatan penumpang yang terjadi.

Hal ini dirasa perlu agar PT KCJ tetap mempertahankan pelayanan yang baik

kepada para penumpang walaupun terjadi lonjakan penumpang di tahun-tahun

berikutnya. Metode double exponential smoothing Winter juga dapat membantu

memperkirakan berapa jumlah kereta yang perlu dioperasikan dan disediakan oleh

perusahaan dengan melihat hasil analisis peramalannya.

Perusahaan diharapkan mampu mempertahankan kinerja dan pelayanannya

disaat jumlah penumpang terus merangkak naik. Hal ini dapat diwujudkan apabila

perusahaan mampu mempertahankan konsistensi nya dalam menjalankan industri

perkeretaapian di daerah Jabodetabek yang lebih unggul daripada transportasi

lainnya.

Untuk penelitian selanjutnya perlu dikaji peramalan menggunakan metode

peramalan lain dengan data lain yang relevan seperti pertumbuhan penduduk dan

sebagainya serta faktor-faktor lain yang terkait sehingga peramalan yang akan

diuji memberikan model peramalan yang lebih akurat. Selain itu model yang telah

ditemukan dalam penelitian ini dapat digunakan untuk penelitian lain yang

sejenis.

27

DAFTAR PUSTAKA

[BPS] Badan Pusat Statistik. 2014. Jumlah Penumpang Kereta Api 2006-2013

[internet]. [diunduh 2014 Januari 17]. Tersedia pada:

http://www.bps.go.id/tab_sub/view.php?tabel=1&daftar=1&id_subyek=17&no

tab=16

Ariani DW. 2009. Manajemen Operasi Jasa. Yogyakarta (ID) : Graha Ilmu

Baroto T. 2002. Pengendalian dan Perencanaan Produksi. Jakarta (ID) : Ghalia

Belladona. 2008. Analisis Peramalan dan Faktor-faktor yang Mempengaruhi

Volume Penjualan Obat Hewan PT Univetama Dinamika, Jakarta [skripsi].

Bogor (ID). Institut Pertanian Bogor.

Hanke JE, Wichern DW. 2005. Bussiness Forecasting Eight Edition. New Jersey

(USA) : Pearson Prentice hall.

Herjanto E. 2010. Manajemen Operasi. Jakarta (ID) : Grasindo

Kamaludin R. 2003. Ekonomi Transportasi : Karakteristik, Teori dan Kebijakan.

Jakarta : Ghalia Indonesia

Kotler P. 2007. Manajemen Pemasaran (Terjemahan). Jakarta (ID) : Indeks

Kelompok Media

Lisjiyanti. 2011. Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama,

Jakarta [skripsi]. Bogor (ID). Institut Pertanian Bogor

Parasuraman A, Valarie A, Zaithhalm, Berry L. 1985. A Conceptual Model of

Service Quality and Its Implications Future Research [internet] [diunduh 2014

Maret 2]; Vol 49: 41-50. Tersedia pada :

http://faculty.mu.edu.sa/public/upload/1360593395.8791service%%20marketin

g70.pdf

Render B, Heizer J. 2001. Prinsip-Prinsip Manajemen Operasi. Jakarta (ID) :

Salemba Empat

Tamin OZ. 2000. Perencanaan dan Pemodelan Transportasi. Bandung (ID) :

Institut Teknologi Bandung

28

Lampiran

Lampiran 1 Plot pada transformasi data uji Box-cox dengan nilai lambda 1.00

Lampiran 2 Grafik ACF dan PACF pada data yang telah di differencing 1 kali

29

Lanjutan lampiran 2 Grafik ACF dan PACF pada data yang telah di differencing 1

kali

Lampiran 3 Hasil olahan program Minitab untuk masing masing peramalan

ARIMA (1,1,1)(1,1,1)12 Model: volume penumpang

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 12.4 27.0 46.6 57.9

DF 7 19 31 43

P-Value 0.088 0.104 0.036 0.064



Lag 12 24 36 48

Chi-Square 12.5 30.1 42.4 51.3

DF 9 21 33 45

P-Value 0.185 0.091 0.126 0.241

30

Lanjutan lampiran 3 Hasil olahan program Minitab untuk masing masing

peramalan



Lag 12 24 36 48

Chi-Square 10.7 28.5 39.7 49.0

DF 8 20 32 44

P-Value 0.220 0.098 0.165 0.28



Lag 12 24 36 48

Chi-Square 13.6 31.1 45.0 53.8

DF 9 21 33 45

P-Value 0.137 0.072 0.079 0.172

Lampiran 4 Output uji normalitas residual Model ARIMA (1,1,0)(1,1,0)12 dan

(0,1,1)(1,1,0)12

31

Lanjutan lampiran 4 Output uji normalitas residual Model ARIMA (1,1,0)(1,1,0)12

dan (0,1,1)(1,1,0)12

Lampiran 5 Hasil Uji Validitas dan Reliabilitas

Indikator rhitung rtabel Ket Indikator rhitung rtabel Ket

TG1 0.716 0.36 Valid AS2 0.782 0.36 Valid

TG2 0.479 0.36 Valid AS3 0.710 0.36 Valid

TG3 0.730 0.36 Valid AS4 0.691 0.36 Valid

TG4 0.000 0.36 Tidak AS5 0.633 0.36 Valid

TG5 0.613 0.36 Valid AS6 0.867 0.36 Valid

TG6 0.451 0.36 Valid EM1 0.704 0.36 Valid

RL1 0.404 0.36 Valid EM2 0.855 0.36 Valid

RL2 0.412 0.36 Valid EM3 0.486 0.36 Valid

RL3 0.501 0.36 Valid EM4 0.735 0.36 Valid

RL4 0.542 0.36 Valid EM5 0.831 0.36 Valid

RL5 0.554 0.36 Valid PG1 0.406 0.36 Valid

RS1 0.598 0.36 Valid PG2 0.234 0.36 Tidak

RS2 0.694 0.36 Valid PG3 0.538 0.36 Valid

RS3 0.878 0.36 Valid PG4 0.491 0.36 Valid

RS4 0.431 0.36 Valid PG5 0.492 0.36 Valid

RS5 0.762 0.36 Valid PG6 0.510 0.36 Valid

AS1 0.643 0.36 Valid

32

Lanjutan lampiran 5 Hasil Uji Validitas dan Reliabilitas

Case Processing Summary

N %

Cases Valid 30 93.8

Excludeda 2 6.3

Total 32 100.0

a. Listwise deletion based on all variabels in the

procedure.

Reliability Statistics

Cronbach's

Alpha N of Items

.850 31

Lampiran 6 Hasil uji Tabulasi silang penelitian

Jenis Pembayaran Kartu * Pekerjaan

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)

Pearson Chi-Square 53.454a 3 .000

Likelihood Ratio 60.215 3 .000

Linear-by-Linear Association 17.576 1 .000

N of Valid Cases 100

a. 0 cells (.0%) have expected count less than 5. The minimum expected

count is 5.16.

33

Lanjutan lampiran 6 Hasil uji Tabulasi silang penelitian

JPT * Frekuensi penggunaan commuter line

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)





a. 6 cells (50.0%) have expected count less than 5. The minimum

expected count is .86.

Pekerjaan * Pemakaian commuter line dimasa depan

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)







JPT * penggunaan commuter line dimasa depan

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)







34

Alasan * penggunaan commuter line dimasa depan

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)



Linear-by-Linear Association .012 1 .914




Lampiran 7 Hasil Uji Asumsi Klasik

Runs Test

Unstandardized

Residual

Test Valuea .00496

Cases < Test Value 50

Cases >= Test Value 50

Total Cases 100

Number of Runs 53

Z .402

Asymp. Sig. (2-tailed) .688

a. Median

35

Lanjutan lampiran 7 Hasil Uji Asumsi Klasik

One-Sample Kolmogorov-Smirnov Test

Unstandardized

Residual

N 100

Normal Parametersa,b Mean .0000000

Std. Deviation 1.52859923

Most Extreme Differences Absolute .067

Positive .043

Negative -.067

Kolmogorov-Smirnov Z .672

Asymp. Sig. (2-tailed) .758

a. Test distribution is Normal.

b. Calculated from data.

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients

t Sig.

Collinearity

Statistics

B Std. Error Beta Tolerance VIF

1 (Constant

)

16.688 2.561

6.517 .000

TotalTG .107 .080 .137 1.332 .186 .980 1.021

TotalRL -.062 .112 -.057 -.557 .579 .969 1.032

TotalRS .049 .087 .064 .567 .572 .798 1.253

TotalAS -.049 .072 -.080 -.680 .498 .752 1.330

TotalEM -.009 .086 -.013 -.107 .915 .748 1.337

a. Dependent Variabel: TotalPG

36

Lanjutan lampiran 7 Hasil Uji Asumsi Klasik

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) 2.690 1.507 1.786 .077

TotalTG -.064 .047 -.137 -1.345 .182

TotalRL -.077 .066 -.120 -1.169 .245

TotalRS .030 .051 .065 .578 .564

TotalAS .003 .042 .009 .078 .938

TotalEM .022 .051 .050 .430 .668

a. Dependent Variabel: RES2

Lampiran 8 Hasil analisis regresi berganda

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) 16.688 2.561 6.517 .000

Tangible .107 .080 .137 1.332 .186

Reliability -.062 .112 -.057 -.557 .579

Responsiveness .049 .087 .064 .567 .572

Assurance -.049 .072 -.080 -.680 .498

Empathy -.009 .086 -.013 -.107 .915

a. Dependent Variabel: Pengaruh_Pembelian

37

Lanjutan lampiran 8 Hasil analisis regresi berganda

38

Lampiran 9 Kuesioner Penelitian

39

Lanjutan lampiran 9 Kuesioner Penelitian

40


41


42

RIWAYAT HIDUP

Penulis dilahirkan di Bekasi pada tanggal 23 Maret 1992. Penulis

merupakan anak ke tiga dari tiga bersaudara pasangan Budi Setiawan dan

Nenisma. Penulis mengawali pendidikan formal pada tahun 1997-2003 di SDN

Pondok Benda IV. Penulis lalu melanjutkan pendidikan di SMP Negeri 1 Ciputat

pada tahun 2003-2006 dan melanjutkan lagi pendidikan ke SMA Negeri 1 Ciputat

pada tahun 2006-2009. Pada tahun 2010 penulis lalu melanjutkan pendidikan

perguruan tinggi di IPB melalui jalur UTM (Ujian Talenta Mandiri) dan diterima

sebagai mahasiswa Departemen Manajemen Fakultas Ekonomi dan Manajemen.

Selama kuliah penulis pernah mengikuti lomba yang diadakan oleh kampus

diantaranya adalah Lomba Bussiness Plan dalam acara The 2nd Extravaganza IPB.

Selain itu penulis juga aktif mengikuti serangkaian kepanitiaan organisasi yang

diadakan oleh Himpro COM@ Departemen Manajemen IPB.

analisis peramalan permintaan jasa transportasi … · forecasting demand’s analysis of...

Documents