MODEL PERAMALAN PERTUMBUHAN PENUMPANG PESAWAT UDARA

Perencanaan transportasi mempunyai tujuan untuk mengembangkan sarana dan prasarana transportasi agar dapat menunjang pergerakan manusia, barang atau kendaraan. Perencanaan transportasi udara adalah perwujudan fasilitas penerbangan yang dibutuhkan untuk memenuhi kebutuhan saat ini dan kebutuhan pada masa mendatang pada khususnya. Perencanaan diperlukan untuk mencapai keseimbangan antara jumlah penumpang dan volume penerbangan pada masa mendatang dengan ketersediaan prasarana transportasi udara atau kapasitas suatu bandar udara.

Menurut Nasution (2004) dalam bukunya berjudul ’Manajemen Transportasi’ terdapat beberapa teknik peramalan yang dapat digunakan untuk menghitung permintaan angkutan udara. Pemilihan teknik peramalan yang tepat tergantung pada ketersediaan data yang diperlukan, maksud peramalan, dikaitkan dengan tingkat akurasi, kecanggihan teknik yang digunakan, kerangka waktu serta ketersediaan data.

Menurut Horonjeff dan Mc. Kelvey (1994) dalam bukunya Planning and Design of Airport ada 2 jenis prediksi dalam dunia penerbangan, yaitu:

a. Makroprakiraan; adalah prakiraan/prediksi kegiatan penerbangan total dalam suatu daerah yang luas seperti negara.

b. Mikroprakiraan; adalah prakiraan/prediksi yang berhubungan dengan kegiatan di bandar udara pada suatu daerah yang tertentu atau pada rute masing-masing.

Pada umumnya prediksi dilakukan untuk jangka pendek dan jangka panjang. Prediksi jangka pendek dilakukan untuk memprediksi dengan waktu kurang dari 5 tahun dan memiliki ketelitian lebih besar dibandingkan dengan prediksi jangka panjang.

Tujuan dari suatu prediksi bukanlah untuk meramalkan kondisi yang terjadi di masa depan secara tepat, tetapi untuk mencari suatu informasi yang akan digunakan pada perencanaan transportasi, Horonjeff dan Mc.Kelvey (1994). Dalam rentang waktu yang diprediksi tersebut, maka sangat mungkin terjadi faktor-faktor sosial ekonomi yang akan mempengaruhi hasil prediksi tersebut.

Pada penelitian ini faktor-faktor sosial ekonomi tidak akan dianalisa dan dimasukkan ke dalam perhitungan. Hal ini terkait dengan keterbatasan data yang ada yaitu hanya berupa data deret berkala. Adapun metode-metode yang dapat dipakai dalam perkiraan peramalan dengan menggunakan data deret berkala atau time series adalah sebagai berikut.

a. Metode Market Share

Teknik prakiraan yang digunakan untuk membandingkan suatu kegiatan penerbangan berskala besar dengan suatu kegiatan penerbangan pada tingkat lokal disebut Metode Market Share. Metode ini telah banyak digunakan sebagai teknik untuk memprakirakan permintaan penerbangan pada tingkat lokal. Manfaat utamanya adalah dalam penentuan bagian kegiatan lalu lintas nasional yang akan ditampung oleh bandar udara pada suatu daerah, Horonjeff dan Mc.Kelvey (1994).

Langkah pertama yang dilakukan dalam melakukan prediksi dengan metode Market Share adalah dengan menentukan persentase perbandingan (rasio) dari jumlah penumpang pada suatu rute tertentu terhadap jumlah penumpang total yang terdapat pada bandar udara yang ditinjau. Selanjutnya untuk memprediksi jumlah penumpang suatu rute tertentu tersebut, persentase perbandingan tersebut digunakan dengan mengalikannya dengan hasil prediksi jumlah penumpang total pada bandar udara yang ditinjau berdasarkan metode-metode statistik lainnya. Untuk lebih jelasnya, digunakan rumus sebagai berikut :

A = B x C (2.1)

dengan :

A = prediksi jumlah penumpang suatu rute tertentu

B = persentase perbandingan antara jumlah penumpang suatu rute tertentu terhadap jumlah penumpang total pada bandar udara yang ditinjau

C = prediksi jumlah penumpang total pada bandar udara yang ditinjau berdasarkan metode-metode statistik lainnya

b. Metode Double Moving Average

Metode Double Average merupakan suatu metode pemulusan. Dasar metode pemulusan adalah pemulusan observasi masa lalu dalam suatu deret berkala (time series) untuk memperoleh ramalan pada masa mendatang. Menurut metode pemulusan nilai-nilai historis ini, kesalahan random dirata-ratakan untuk menghasilkan ramalan, Makridakis (1983). Data yang diperlukan untuk melakukan prediksi dengan menggunakan metode Moving Average dibutuhkan sedikitnya 50 data time series agar menghasilkan suatu model yang baik. Metode Moving Average terdiri dari 2 tipe, yaitu Single Moving Average dan Double Moving Average. Perbedaannya adalah pada Double Moving Average merupakan rata-rata bergerak dari rata-rata bergerak yang dihasilkan dari Single Moving Average.

c. Metode Double Exponential Smoothing

Terdapat 2 jenis Metode Double Exponential Smoothing, yaitu metode 1 Parameter dari Brown dan metode 2 Parameter dari Holt. Persamaan yang digunakan dalam metode Double Exponential Smoothing dari Brown adalah, seperti dalam Makridakis (1983):

S’t = αXt + (1-α)S’_{t - 1} (2.2)

S”t = α S’t +(1-α)S”t - 1 (2.3)

dengan :

S’t = pemulusan eksponensial tunggal (Single Exponential

Smoothing) pada periode t

S”t = pemulusan eksponensial ganda (Double Exponential

Smoothing) pada periode t

α = faktor pendekatan

Perhitungan prediksi menggunakan rumus berikut ini:

F _{t + m} = (2 S t - S”t) + (α / 1-α ) (S’t - S”t) m (2.4)

dengan :

F _{t + m} = prediksi untuk m periode ke muka dari periode t

m = jumlah periode ke muka yang diprediksi

Pada rumus ini terdapat faktor pendekat α, di mana α merupakan suatu faktor pendekatan yang memberikan bobot yang semakin menurun pada observasi masa lalu. Nilai faktor pendekatan α yang akan digunakan dalam metode Double Exponential Smoothing adalah nilai α yang meminimumkan nilai pengujian Mean Squared Error (MSE) pada kelompok data pengujian.

Jika α mempunyai nilai mendekati +1, maka prediksi yang baru akan mencakup penyesuaian kesalahan yang besar pada prediksi sebelumnya, sebaliknya jika nilai α mendekati 0, maka prediksi yang baru mencakup penyesuaian yang sangat kecil. Bilamana digunakan suatu deret berkala (time series) yang mengandung kesalahan random, maka Mean Squared Error (MSE) merupakan statistik yang bermanfaat dan dapat dipakai sebagai prediksi untuk masa mendatang.

d. Metode Proyeksi Kecenderungan dan Ekstrapolasi

Ekstrapolasi didasarkan pada suatu pengujian pola historis kegiatan dan menganggap bahwa faktor-faktor yang menentukan variasi lalu lintas pada masa lalu akan terus menunjukkan hubungan yang serupa pada masa depan. Teknik-teknik statistik digunakan untuk menentukan keandalan dari prakiraan yang dilakukan. Terdapat tiga tipe metode ekstrapolasi, yaitu Ekstrapolasi Linier, Ekstrapolasi Eksponensial, dan Ekstrapolasi Kurva Logistik menurut Horonjeff dan Mc.Kelvey (1994). Teknik ekstrapolasi linier digunakan untuk pola permintaan yang mempunyai suatu hubungan linier historis dengan variabel waktu (regresi sederhana) dengan persamaan sebagai berikut:

Y = β0+ β1 X (2.5)

dengan :

Y = variabel tak bebas

X = variabel bebas

β0, β1 = parameter regresi

Hubungan antara variabel bebas X dan variabel tak bebas Y dapat dinyatakan dengan koefisien korelasi antara X dan Y. Nilai koefisien korelasi adalah -1≤ r ≤1. Untuk melihat cakupan suatu metode regresi terhadap data yang ada, perlu dihitung koefisien determinasinya.