ANALISIS PERAMALAN PERMINTAAN JASA TRANSPORTASI KERETA API COMMUTER LINE JABODETABEK ANDIKA SATRIA

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+0.49X3-0.49X40.009X5+ε. Keywords: commuter line, forecasting, railway

ANALISIS PERAMALAN PERMINTAAN JASA TRANSPORTASI KERETA API COMMUTER LINE JABODETABEK

ANDIKA SATRIA

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen

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

vi

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 22 10 Indikator instrument penelitian 11 Tabel analisis peramalan kuantitatif (dalam ribu orang) dan kualitatif 25

DAFTAR GAMBAR 1 2 3 4 5 6

Alur kerangka pemikiran penelitian Data penumpang kereta Commuter Line tahun 2006-2013 (dalam ribu) Hasil minitab uji Box-Cox plot pada data Hasil grafik linier pada data hasil transformasi Hasil grafik linier pada data hasil differencing pada lag 1 Grafik hasil peramalan Time Series

9 11 12 13 13 16

DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9

Plot pada transformasi data uji Box-cox dengan nilai lambda 1.00 28 Hasil grafik tren linier differencing pada lag 1 28 Hasil olahan program Minitab untuk masing masing peramalan 29 Output uji normalitas residual Model ARIMA (1,1,0)(1,1,0)12 dan (0,1,1)(1,1,0)12 30 Hasil uji validitas dan reliabilitas 31 Hasil uji tabulasi silang penelitian 32 Hasil uji asumsi klasik 34 Hasil analisis regresi berganda 36 Kuesioner Penelitian 38

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) Jawa Tahun

Sumatera

Total

53.532

Jabodetabek + Non Jabodetabek 210.423

3995

214.418

63.707

197.795

4384

202.179 199.337

Jabodetabek

Non Jabodetabek

2013

156.891

2012

134.088

2011

121.105

72.936

194.041

5.296

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 peristiwaperistiwa 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 angkaangka 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

PT. Kereta Commuter Jabodetabek

Permintaan Terhadap Jasa Transportasi Commuter Line

Data historis permintaan jasa Commuter Line Jabodetabek

Metode Peramalan Kuantitatif

Metode Peramalan Time Series

Dimensi kualitas Jasa yang mempengaruhi permintaan : 1. Reliability 2. Responsiveness 3. Assurance 4. Emphaty 5. Tangibles

Peramalan permintaan penumpang PT. KCJ tahun 2014-2016

Metode peramalan kualitatif

Perencanaan kegiatan operasional

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

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

Nilai MAPE 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)

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)

Peramalan Volume Penumpang 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

Selang Peramalan 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 125 126 127 128 129 130 131 132

Bulan (Tahun) Mei (2016) Juni (2016) Juli (2016) Agustus (2016) September (2016) Oktober (2016) November (2016) Desember (2016)

Peramalan Volume Penumpang 36745.2 36760.7 39855.1 37874.9 37726.0 38961.7 38003.2 38479.6

Selang Peramalan 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

Sumber : Data Olahan (2014) 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 1

Profil Penumpang Jenis Kelamin

2

Usia

3

Pendidikan

4

Pekerjaan

5

Pendapatan

6

Tujuan

7

Jenis Pembayaran Tiket

8

Frekuensi

9

Lama Penggunaan

Kategori Pria Wanita <25 tahun 25 – 40 tahun 41 – 50 tahun > 50 tahun SD SMP/Sederajat SMA/Sederajat Perguruan Tinggi PNS Pegawai Swasta Pedagang/Wiraswasta Pelajar/Mahasiswa < Rp 1.000.000 Rp 1.000.000-Rp 3.000.000 Rp 3.000.000-Rp 5.000.000 > Rp 5.000.000 Bekerja Sekolah/Kuliah Belanja/Rekreasi Lainnya Kartu Multitrip Tiket Harian Berjaminan Setiap Hari Hari Kerja (Senin-Jum’at) Weekend (Sabtu-Minggu) Seminggu sekali Sebulan sekali Lainnya < 1 tahun 1 -2 tahun 3 – 4 tahun > 4 tahun

Persentase (%) 63 37 45 38 13 4 1 3 34 62 9 46 12 33 25 33 28 14 47 23 18 12 57 43 15 54 7 15 7 2 25 27 26 22

Sumber : Data Olahan (2014)

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 berlamalama 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
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

Kartu Multi Trip Tiket Harian Berjaminan Total (%)

PNS

Pegawai Swasta

Pedagang / Wiraswasta

Pelajar / Mahasiswa

9 0 9

42 4 46

3 9 12

3 30 33

57 43 100

Sumber : Data Olahan (2014)

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 Jenis Pembayaran Tiket

Total (%)

Setiap hari

Hari Kerja

Weekend

Seminggu Sekali

Sebulan Sekali

Lainnya

Kartu Multi Trip Tiket Harian Berjaminan

13

33

2

3

4

2

57

2

21

5

12

3

0

43

Total (%)

15

54

7

15

7

2

100

Sumber : Data Olahan (2014)

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 Pekerjaan Tidak Berpengaruh

Berpengaruh

Sangat Berpengaruh

0 0 0 1 1

8 23 4 11 46

1 23 8 21 53

PNS Pegawai Swasta Pedagang / Wiraswasta Pelajar / Mahasiswa Total (%)

Total (%)

9 46 12 33 100

Sumber : Data Olahan (2014)

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 Pemakaian commuter line dimasa depan Jenis Pembayaran Tiket Tidak Berpengaruh

Berpengaruh

Sangat Berpengaruh

0 1 1

31 15 46

26 27 53

Kartu Multi Trip Tiket Harian Berjaminan Total (%)

Sumber : Data Olahan (2014)

Total (%)

57 43 100

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 Pemakaian commuter line dimasa depan Alasan Penggunaan Commuter Line

Lebih cepat sampai Lebih murah Jadwal tepat waktu Lebih aman dan nyaman Dekat dengan tempat tujuan Mudah dijangkau Total (%)

Tidak Berpengaruh

Berpengaruh

Sangat Berpengaruh

0 0 0 1 0 0 1

23 10 2 1 3 7 46

23 12 3 4 4 7 53

Total (%)

46 22 5 6 7 14 100

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 1

Variabel Tangible

Indikator Jumlah armada commuter line Kebersihan dan kerapihan gerbong Kebersihan dan kerapihan stasiun Kelayakan kereta commuter line Harga Tiket kereta Api

Modus 3 4 3 2 3

2

Reliability

Ketepatan jadwal commuter line Sistem e-ticketing Jarak stasiun, tempat tinggal dan tempat tujuan Kemudah mencari informasi Kemudahan akses menuju stasiun

3 3 3 3 3

3

Responsiveness

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

3 3 3 3 2

4

Assurance

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

3 4 4 3 3 3

5

Empathy

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 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+0.107X10.62X2+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

2014

Peramalan Permintaan Penumpang per tahun

±247.657

2015

±342.691

2016

±437.725

Analisis Kualitatif Peramalan 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

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 Chi-Square DF P-Value

12 12.4 7 0.088

24 27.0 19 0.104

36 46.6 31 0.036

48 57.9 43 0.064

ARIMA (1,1,0)(1,1,0)12 Model: volume penumpang Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value

12 12.5 9 0.185

24 30.1 21 0.091

36 42.4 33 0.126

48 51.3 45 0.241

30 Lanjutan lampiran 3 Hasil olahan program Minitab untuk masing masing peramalan ARIMA (1,1,1)(1,1,0)12 Model: volume penumpang Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value

12 10.7 8 0.220

24 28.5 20 0.098

36 39.7 32 0.165

48 49.0 44 0.28

ARIMA (0,1,1)(1,1,0)12 Model: volume penumpang Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value

12 13.6 9 0.137

24 31.1 21 0.072

36 45.0 33 0.079

48 53.8 45 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 TG1 TG2 TG3 TG4 TG5 TG6 RL1 RL2 RL3 RL4 RL5 RS1 RS2 RS3 RS4 RS5 AS1

rhitung 0.716 0.479 0.730 0.000 0.613 0.451 0.404 0.412 0.501 0.542 0.554 0.598 0.694 0.878 0.431 0.762 0.643

rtabel 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36

Ket Valid Valid Valid Tidak Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid

Indikator AS2 AS3 AS4 AS5 AS6 EM1 EM2 EM3 EM4 EM5 PG1 PG2 PG3 PG4 PG5 PG6

rhitung 0.782 0.710 0.691 0.633 0.867 0.704 0.855 0.486 0.735 0.831 0.406 0.234 0.538 0.491 0.492 0.510

rtabel 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36 0.36

Ket Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid Valid Valid Valid

32 Lanjutan lampiran 5 Hasil Uji Validitas dan Reliabilitas Case Processing Summary N Cases

Valid Excludeda Total

% 30

93.8

2

6.3

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 Asymp. Sig. (2Value

df

sided)

53.454a

3

.000

Likelihood Ratio

60.215

3

.000

Linear-by-Linear Association

17.576

1

.000

Pearson Chi-Square

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 Asymp. Sig. (2Value Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

df

sided)

17.954a

5

.003

19.763

5

.001

5.296

1

.021

100

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 Asymp. Sig. (2Value Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

df

sided)

11.544a

6

.073

12.477

6

.052

4.308

1

.038

100

a. 6 cells (50.0%) have expected count less than 5. The minimum expected count is .09.

JPT * penggunaan commuter line dimasa depan Chi-Square Tests Asymp. Sig. (2Value

df

sided)

4.717a

2

.095

Likelihood Ratio

5.122

2

.077

Linear-by-Linear Association

1.985

1

.159

Pearson Chi-Square

N of Valid Cases

100

a. 2 cells (33.3%) have expected count less than 5. The minimum expected count is .43.

34

Alasan * penggunaan commuter line dimasa depan Chi-Square Tests Asymp. Sig. (2Value

df

sided)

17.445a

10

.065

7.752

10

.653

Linear-by-Linear Association

.012

1

.914

N of Valid Cases

100

Pearson Chi-Square Likelihood Ratio

a. 12 cells (66.7%) have expected count less than 5. The minimum expected count is .05.

Lampiran 7 Hasil Uji Asumsi Klasik Runs Test Unstandardized Residual Test Valuea

.00496

Cases < Test Value

50

Cases >= Test Value

50

Total Cases Number of Runs

100 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 Normal

100 Parametersa,b

Mean

.0000000

Std. Deviation Most Extreme Differences

1.52859923

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 1

Unstandardized

Standardized

Collinearity

Coefficients

Coefficients

Statistics

B (Constant

Std. Error

16.688

2.561

TotalTG

.107

.080

TotalRL

-.062

TotalRS

Beta

t

Sig.

Tolerance

VIF

6.517

.000

.137

1.332

.186

.980

1.021

.112

-.057

-.557

.579

.969

1.032

.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 Standardized Unstandardized Coefficients Model 1

B

Coefficients

Std. Error

(Constant)

2.690

1.507

TotalTG

-.064

.047

TotalRL

-.077

TotalRS

Beta

t

Sig.

1.786

.077

-.137

-1.345

.182

.066

-.120

-1.169

.245

.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 Standardized Unstandardized Coefficients Model 1

B (Constant)

Std. Error

16.688

2.561

Tangible

.107

.080

Reliability

-.062

Coefficients Beta

t

Sig.

6.517

.000

.137

1.332

.186

.112

-.057

-.557

.579

.049

.087

.064

.567

.572

Assurance

-.049

.072

-.080

-.680

.498

Empathy

-.009

.086

-.013

-.107

.915

Responsiveness

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 Lanjutan lampiran 9 Kuesioner Penelitian

41 Lanjutan lampiran 9 Kuesioner Penelitian

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.