Laila Fatchiyah (3110100702)

Dosen Pembimbing:

Ir. Ervina Ahyudanari, M.Eng., PhD.

Dr. rer. pol. Heri Kuswanto, S.Si., M.Si.

TUGAS AKHIR

(RC 09-1380)

Jurusan Teknik Sipil Fakultas Teknik Sipill dan Perencanaan Institut Teknologi Sepuluh Nopember Surabaya 2014

EVALUASI PENGARUH VARIASI METODE

PERAMALAN TERHADAP PERENCANAAN

FASILITAS TERMINAL PENUMPANG DOMESTIK

BANDARA INTERNASIONAL JUANDA

(METODE: ARIMA DAN REGRESI DUMMY)

Bandara Internasional Juanda mengalami over capacity.

Pada tahun 2012 Bandara Juanda telah melayani 16,3 juta peumpang/tahun, mengalami kenaikan 12% pada tahun 2013 melayani 17,6 juta penumpang/tahun.

Luas gedung terminal 1 62.701m2 dengan kapasitas 6,5 juta penumpang/tahun dan gedung terminal 2 seluas 49.500m2 dengan kapasitas 6 juta penumpang/tahun.

1) Bagaimana metode peramalan (forecasting)

yang mendekati kondisi eksisting jumlah

penumpang Bandara Internasional Juanda?

2) Bagaimana hasil evaluasi luasan area fasilitas

penumpang di terminal keberangkatan

Bandara Internasional Juanda dengan

mengikuti hasil forecasting?

1) Mengetahui metode peramalan (forecasting) yang mendekati kondisi eksisting jumlah penumpang Bandara Internasional Juanda

2) Mengetahui hasil evaluasi luasan area fasilitas penumpang di terminal keberangkatan domestik Bandara Internasional Juanda dengan mengikuti hasil forecasting

1) Menambah pengetahuan tentang hubungan antara metode peramalan dan perencanaan fasilitas penumpang di terminal.

2) Menjadi bahan referensi untuk setiap metode peramalan dan hasil yang diperoleh dalam kaitannya dengan data pergerakan penumpang.

3) Memberikan alternatif metode peramalan yang diharapkan sesuai dengan pola pertumbuhan pergerakan penumpang.

1. Evaluasi hanya dilakukan pada terminal 1 Bandara Internasional Juanda

2. Evaluasi dilakukan pada terminal keberangkatan domestik

3. Evaluasi dilakukan pada terminal penumpang (bukan terminal cargo dan lain sebagainya)

4. Evaluasi dilakukan pada fasilitas departure curb, departure hall, check-in area, dan check-in counter

5. Metode peramalan menggunakan seasonal ARIMA (Autoregresif Integrated Moving Average) dan Regresi Dummy

6. Data keberangkatan penumpang domestik tidak memperhitungkan pemisahan penumpang pesawat Garuda dan AirAsia ke terminal internasional.

7. Terminal domestik yang dijadikan sebagai acuan dalam evaluasi fasilitas penumpang adalah terminal domestik sebelum Terminal 2 beroperasi (Terminal 1 masih melayani penerbangan internasional dan domestik).

8. Perhitungan fasilitas terminal hanya membandingkan hasil peramalan ARIMA, hasil peramalan regresi dummy, penumpang existing 2013 dengan layout Bandara Internasional Juanda yang ada saat ini.

9. Proses peramalan regresi tidak memperhitungkan adanya variabel-variabel lain (misalnya: populasi, pendapatan, biaya perjalanan udara per mil, dan lain-lain)

Identifikasi Permasalahan

Studi Literatur

Pengumpulan Data

-Metode Peramalan-Evaluasi Kinerja Fasilitas

Data PrimerSurvei Kedatangan Penumpang

Data Sekunder-Layout terminal domestik-Data jumlah penumpang

domestik selama15 tahun terakhir-Luasan masing-masing area

fasilitas penumpang

ARIMA

Analisa Data

Evaluasi fasilitas penumpang

Kesimpulan dan Saran

Regresi Dummy

Peramalan penumpang

Flowchart Penyelesaian Tugas Akhir

Metode Peramalan

Evaluasi Fasilitas Terminal Penumpang

910.087 772.343

1.004.151 1.234.174

1.729.025

2.489.082

3.402.802 3.258.163

3.509.836

3.574.712 3.541.590

4.307.936

5.046.734

5.712.280

6.751.488

7.266.406

-

1.000.000

2.000.000

3.000.000

4.000.000

5.000.000

6.000.000

7.000.000

8.000.000

Jumlah Penumpang Domestik1998 1999 2000 2001 2002 2003 2004 2005

2006 2007 2008 2009 2010 2011 2012 2013

Tujuan ARIMA adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan model tersebut.

ARIMA (Autoregresif Integrated Moving Average

• Model yang disediakan beragam dan bervariasi

• Hampir semua pola data time series dapat digunakan

Kelebihan

• Model yang cukup rumit diperlukan menentukan besarnya parameter tiap-tiap variabel

• Data harus bersifat stasioner

Kekurangan

1 •Identifikasi Model

2 •Proses Estimasi

3 •Proses Diagnostik

4 •Proses Peramalan

Year

Month

20122010200820062004200220001998

JanJanJanJanJanJanJanJan

700000

600000

500000

400000

300000

200000

100000

0

Jum

lah

Pe

nu

mp

an

g D

om

est

ik

Plot Data Keberangkatan Penumpang Domestik

Transformasi Box-Cox

543210-1-2

300000

250000

200000

150000

100000

50000

0

Lambda

StD

ev

Lower CL Upper CL

Limit

Estimate 0,26

Lower CL 0,05

Upper CL 0,46

Rounded Value 0,26

(using 95,0% confidence)

Lambda

5,02,50,0-2,5-5,0

1,0

0,9

0,8

0,7

0,6

Lambda

StD

ev

Lower CL Upper CL

Limit

Estimate 1,00

Lower CL 0,20

Upper CL 1,84

Rounded Value 1,00

(using 95,0% confidence)

Lambda

Hasil Plot Differencing

Year

Month

20122010200820062004200220001998

JanJanJanJanJanJanJanJan

3

2

1

0

-1

-2

-3

Dif

fere

ncin

g

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

454035302520151051

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Au

toco

rre

lati

on

454035302520151051

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Pa

rtia

l A

uto

co

rre

lati

on

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

1 Parameter signifikan p-value < 0,05

2

Parameter signifikan pada lag 12 dan 24 p-value > 0,05

210-1-2

99,9

99

95

90

80

70

605040

30

20

10

5

1

0,1

RESI1

Pe

rce

nt

Mean 0,06078

StDev 0,5620

N 179

KS 0,065

P-Value 0,063

Tahun Bulan Peramalan

2014

Januari 642359

Februari 572041

Maret 616019

April 599554

Mei 618782

Juni 642519

Juli 568612

Agustus 662403

September 677423

Oktober 679416

Nopember 620918

Desember 640346

SMAPE =

1 12

ˆ1

ˆ

t t

t t

n

i

Z Z

Z Zn

sMAPE = 0,123874

Year

Month

201420122010200820062004200220001998

JanJanJanJanJanJanJanJanJan

700000

600000

500000

400000

300000

200000

100000

0

Jum

lah

Pe

nu

mp

an

g

eksisting 1998-2013

peramalan 2014

Variable

Analisis Regresi

Tujuan utama regresi adalah untuk membuat perkiraan nilai suatu variabel jika nilai variabel yang lain yang berhubungan dengannya (variabel lainnya) sudah ditentuk.

Analisi Regresi Sederhana

Analisis Regresi Berganda

Persamaan Regresi Dummy

Y = β0 + β1D1 + β2D2 + β3D3 +............+ βnXn + βt

Dimana,

Y = jumlah penumpang tahun1998-2013

β0 = konstanta parameter

D1 – D12= Varibael dummy bulan Januari – Desember

Tabel Observasi

No Y Tahun Bulan Bulan 1 Bulan 2 ... Bulan

11

trend

1 104738 1998 Januari 1 0 ... 0 1

2 107917 1998 Februari 0 1 ... 0 1

3 78798 1998 Maret 0 0 ... 0 1

... ... ... ... ... ... ... ... ...

... ... ... ... ... ... ...

179 607904 2012 November 0 ... ... 1 15

180 607904 2012 Desember 0 0 ... 0 15

y = 28559 - 35364 Bulan Januari - 65406 Bulan Februari - 48158 Bulan Maret - 47301 Bulan April - 39484 Bulan Mei - 33052 Bulan Juni + 3425 Bulan Juli - 35436 Bulan Agustus - 25898 Bulan September - 16914 Bulan Oktober - 15340 Bulan November + 32958 t

Model ini memilki R² = 91,8%

Nilai Persamaan Regresi Dummy

Uji Distribusi Normal Regresi Dummy

150000100000500000-50000-100000-150000

99,9

99

95

90

80

70

605040

30

20

10

5

1

0,1

RESI1

Pe

rce

nt

Mean 9,183875E-11

StDev 43191

N 180

KS 0,055

P-Value >0,150

Tahun Bulan Peramalan

2014

Januari 642359

Februari 572041

Maret 616019

April 599554

Mei 618782

Juni 642519

Juli 568612

Agustus 662403

September 677423

Oktober 679416

Nopember 620918

Desember 640346

SMAPE =

1 12

ˆ1

ˆ

t t

t t

n

i

Z Z

Z Zn

sMAPE = 0,151382

Hasil Peramalan Regresi Dummy

Year

Month

201420122010200820062004200220001998

JanJanJanJanJanJanJanJanJan

700000

600000

500000

400000

300000

200000

100000

0

Jum

lah

Pe

nu

mp

an

g

eksisting 1998-2014

ramalan 2014

Variable

Plot Peramalan Regresi Dummy

• ARIMA

Peramalan metode ARIMA mendapatkan model terbaik yakni ARIMA (1,1,1)(1,0,0)12. Dengan tingkat kesalahan menggunakan kriteria sMAPE diperoleh 12,38%. Plot peramalan penumpang pada tahun 2014 mengalami trend kenaikan.

• Regresi Dummy

Peramalan menggunakan regresi dummy dengan tingkat kesalahan kriteria sMAPE diperoleh nilai 15,13%. Plot peramalan tahun 2014 menunjukkan trend turun dari periode sebelumnya.

Perhitungan Perbandingan Luasan Fasilitas

Departure Curb

Departure Hall

Check-in Area

Check-in Counter

Layout Terminal Keberangkatan

Total annual passanger TPHP as a% annual

passanger

20 million an over 0,03

10.000.000- 19.999.999 0,035

1.000.000-9.999.999 0,04

500.000- 999.999 0,05

100.000-499.999 0,065

under - 100.000 0,12

Sumber: N. Ashford and P. Wright, 1992

Typical Peak Hour Passanger (TPHP)

Data Penumpang Jumlah

Penumpang

Prosentase

TPHP Peak hour

Penumpang 2013 7.264.393 0,04% 2906

Peramalan ARIMA

2014 7.540.392 0,04% 3016

Peramalan Regresi

2014 6.311.730 0,04% 2525

Perhitungan Peak Hour

Perhitungan Panjang Kerb Departure Curb

273,31

283,65

237,48

75

0,00 100,00 200,00 300,00

Data existing2013

Data hasil ARIMA

Data hasil regresi dummy

Data layout

naplt60 = 0,095 a.p meter (+10%) L =

Perhitungan Luas Departure Hall

2181,00

2263,50

1895,25

1725,27

0,00 1000,00 2000,00 3000,00

Data existing2013

Luas (m2)

Data hasil ARIMA

Data hasil regresi dummy

Data layout

A = [0,75 { a ( 1 + f ) + b }]

799,15

829,40

694,38

1606,7

- 500,00 1.000,00 1.500,00 2.000,00

Data existing2013

Perhitungan Luas Check-in Area

Data hasil ARIMA Data hasil regresi dummy Data layout

A = [0,25 ( a + b )]m2 (+10%)

97

101

84

39

0 50 100 150

Data existing2013

Perhitungan Jumlah Meja Check-in Counter

Data hasil ARIMA

Data hasil regresi dummy

Data layout

N =

60

bax t1