52 8,50
5,67 6,40
9,00 53
5,67 5,83
5,33 5,50
54 6,00
7,75 8,50
5,83 55
7,40 6,00
5,60 9,00
56 6,17
7,40 7,25
9,00 57
9,25 5,00
8,50 5,00
58 7,00
7,50 7,00
6,00 59
9,25 7,40
9,00 4,83
60 6,60
6,20 5,67
7,40
5.2. Pengelolahan Data
5.2.1. Peramalan Arus Barang Perkembangan arus ekspor dan impor barang dipengaruhi oleh kondisi sosial
ekonomi daerah asal, daerah tujuan dan pelayanan transportasi yang menghubungkan daerah asal dan tujuan. Variabel yang umum digunakan sebagai indikator kondisi
ekonomi daerah dalam memperkirakan arus barang dari suatu daerah ke daerah yang lain adalah PDRB dan jumlah maupun struktur penduduk. Dalam kaitannya dengan
peramalan arus bongkar dan muat barang melalui BICT Belawan, maka lingkup daerah yang dimaksud adalah daerah layanan Pelabuhan Belawan. Mengingat pulau Sumatera
terdapat tiga pelabuhan penting, yaitu Pelabuhan Belawan, Pelabuhan Tanjung Balai Karimun, dan Bakauheni Lampung yang secara kebetulan berada pada 3 provinsi yang
berbeda secara geografis mewakili atau berfungsi sebagai outlet dari provinsi Sumatera
Universitas Sumatera Utara
Utara, Kepulauan Riau, dan Lampung. Maka sesuai dengan asumsi tersebut di atas dan berdasarkan pertimbangan praktis, maka untuk keperluan studi ini daerah layanan
Pelabuhan Belawan ditetapkan sebatas pada wilayah provinsi Sumatera Utara. Walaupun dalam kenyataannya daerah layanan dari ketiga pelabuhan tersebut di atas
tidak terbatas pada atau mengikuti batas-batas administrasi seperti yang disebutkan di atas.
Dalam penelitian ini peramalan arus barang yang ada di pelabuhan Belawan didapat dengan menggunakan pendekatan analisis regresi linear, dimana PDRB dipilih
sebagai variabel bebas dan besar arus barang sebagai variabel terikatnya. Data PDRB dari tahun 2007 – 2013 dapat dilihat pada Tabel 5.5 dan grafik yang diperlihatkan pada
Gambar 5.1. Untuk mendapatkan nilai PDRB pada tahun 2014 – 2018 dilakukan dengan menggunakan analisa regresi linear, dimana tahun sebagai variabel bebas dan PDRB
sebagai variabel terikatnya.
Tabel 5.5. Data PDRB Per Kapita Sumatera Utara Tahun 2007-2013
Tahun Jumlah Rp
2007 26.620.950
2008 31.026.880
2009 34.259.820
2010 35.700.110
2011 39.200.230
2012 42.900.000
2013 45.334.343
Universitas Sumatera Utara
Gambar 5.1. PDRB Per Kapita Sumatera Utara Tahun 2007-2013
Dengan menggunakan bantuan Software Excel 2013 didapat hasil analisis regresi untuk nilai PDRB yang dapat dilihat pada Gambar 5.2.
Universitas Sumatera Utara
Gambar 5.2. Hasil Analisis Regresi untuk Nilai PDRB
Y = 3029529,607X + 2,342x10
7
Keterangan: ......................... 5.1
Y = PDRB
X = Tahun
Dengan nilai R
2
= 0,9904 dan nilai signifikan model significant F = 0,000. Dari persamaan tersebut di atas maka peramalan PDRB sampai tahun 2018 dapat dihitung,
seperti disajikan pada Tabel 5.6.
Universitas Sumatera Utara
Tabel 5.6. Peramalan PDRB Sumatera Utara Tahun 2014-2018
Tahun Jumlah Rp
2014 47.656.237
2015 50.685.766
2016 53.715.296
2017 56.744.826
2018 59.774.355
Sumber: Pengolahan Data
Gambar 5.3. Grafik Peramalan Pertumbuhan PDRB Sumatera Utara Tahun 2014-2018
5.2.2. Data Muat Container Adapun data muat container di pelabuhan Belawan dapat dilihat pada Tabel 5.7.
Universitas Sumatera Utara
Tabel 5.7. Data Muat Container di Pelabuhan Belawan Tahun 2005-2013
Tahun Muat Box
2005 70.034
2006 98.334
2007 103.453
2008 125.240
2009 125.342
2010 127.324
2011 128.009
2012 132.445
2013 133.982
Sumber: Pelindo I
Gambar 5.4. Pertumbuhan EksporArus Muat Sumatera Utara Tahun 2005-2013
Universitas Sumatera Utara
Dengan menggunakan bantuan Software Excel 2013 didapat hasil analisis regresi untuk nilai muat yang dapat dilihat pada Gambar 5.5.
Gambar 5.5. Hasil Analisis Regresi untuk Nilai Muat
Y = 6822,017X+ 81908,028 ......................... 5.2 Keterangan:
Y = Nilai Muat
X = Tahun
Dengan nilai R
2
Tabel 5.8. Ramalan Muat Container Tahun 2014-2018 = 0,7711 dan nilai signifikan model significant F = 0,000. Dari
persamaan tersebut di atas maka peramalan nilai muat sampai tahun 2018 dapat dihitung, seperti disajikan pada Tabel 5.8.
Tahun Muat Box
2014 150.128
2015 156.950
2016 163.772
2017 170.594
2018 177.416
Sumber: Pengolahan Data
Universitas Sumatera Utara
Gambar 5.6. Peramalan Pertumbuhan Muat di BICT Sumatera Utara Tahun 2014-2018
5.2.3. Data Bongkar Container sumatera Utara Tahun 2005-2013. Adapun data bongkar container di pelabuhan Belawan dapat dilihat pada Tabel
5.9. Tabel 5.9. Data Bongkar Container di Pelabuhan Belawan Tahun 2005-2013
Tahun Bongkar Box
2005 93.430
2006 101.342
2007 109.343
2008 122.798
2009 134.064
2010 140.654
2011 142.456
Universitas Sumatera Utara
Gambar 5.7. Pertumbuhan Bongkar Container di Pelabuhan Belawan Tahun 2005-2013
Dengan menggunakan bantuan Software Excel 2013 didapat hasil analisis regresi untuk nilai imporbongkar yang dapat dilihat pada Gambar 5.8.
Gambar 5.8. Hasil Analisis Regresi untuk Nilai Muat
Universitas Sumatera Utara
Y = 7131,233X+ 90556,056 ......................... 5.3
Keterangan: Y
= Nilai Muat X
= Tahun Dengan nilai R
2
Tabel 5.10. Ramalan Bongkar Tahun 2005-2013 = 0,9247 dan nilai signifikan model significant F = 0,000. Dari
persamaan tersebut di atas maka peramalan nilai muat sampai tahun 2018 dapat dihitung, seperti disajikan pada Tabel 5.10.
Tahun Bongkar Box
2014 161.868,386
2015 168.999,619
2016 176.130,852
2017 183.262,085
2018 190.393,318
Sumber: Pengolahan Data
Universitas Sumatera Utara
Gambar 5.9. Peramalan Pertumbuhan Bongkar di BICT Sumatera Utara Tahun 2014-2018
Dari hasil ramalan laju bongkar dan muat untuk tahun 2014-2018, maka dapat diketahui kondisi kedatangan barang setiap harinya atau box per hari, seperti disajikan
pada Tabel 5.11. Tabel 5.11. Ramalan Laju Bongkar Muat Container Tahun 2014-2018
Tahun Muat BoxHari
Bongkar BoxHari 2014
411 443
2015 430
463 2016
449 483
2017 467
502 2018
486 522
Sumber: Pengolahan Data
Universitas Sumatera Utara
Gambar 5.10. Perbandingan Ramalan Laju Bongkar Muat Container Tahun 2014-2018
5.2.4. Uji Distribusi. Setelah diambil sampel untuk kebutuhan data yang akan digunakan dalam
menganalisis dengan menggunakan teori antrian, maka data-data sampel tersebut akan dilakukan pengujian distribusi. Pengujian ini ditunjukan untuk mengetahui karakteristik
distribusi dari tiap-tiap objek yang dianalisis, dalam hal ini objek-objek tersebut adalah sebagai berikut:
a. Distribusi laju kedatangan barang. b. Distribusi layanan fasilitas CC.
c. Distribusi layanan fasilitas HT. d. Distribusi layanan fasilitas RTG.
Adapun metode pengujian yang digunakan adalah metode Chi-Square.
Universitas Sumatera Utara
1.
Distribusi Laju Kedatangan Barang. Dalam pengujian distribusi ini, hipotesa awal menyatakan bahwa laju kedatangan
container mempunyai distribusi poisson. Berdasarkan hipotesa awal tersebut kemudian kita lakukan pengujian statistik. Adapun proses pengujian statistik ini akan dibantu dengan
software aplikasi analisis statistik, yaitu MiniTab Ver. 16 for Windows. Dari hasil running software tersebut didapat tabel perhitungan sebagai berikut:
Tabel 5.12. Uji Distribusi Laju Kedatangan Container
Sumber: Pengolahan Data Dari Tabel 5.12, diperoleh X
2 hitung
= 18,3938 dengan α = 0,005 dan derajat kebebasan 3 dari tabel nilai kritis Chi-sruare diperoleh X
2 0,05,3
= 23,4146, maka dapat disimpulkan bahwa tingkat kedatangan container per hari berdistribusi poisson dengan
l= 396,154 boxhari, karena X
2 hitung
X
2 0,05,3
. Grafik uji distribusi laju kedatangan dapat dilihat pada Gambar 5.11.
Universitas Sumatera Utara
= 394 389 - 393
383 - 388 377 - 382
= 376 20
15 10
5
Kedat angan_cont ainer
C o
n tr
ib u
te d
V a
lu e
Chart of Contribution to the Chi-Square Value by Category
Gambar 5.11. Grafik Distribusi Poisson Laju Kedatangan Container 2.
Uji Distribusi Tingkat Layanan Container Crane. Dalam pengujian distribusi ini, hipotesa awal menyatakan bahwa tingkat layanan container
crane mempunyai distribusi exponensial, oleh karena itu dilakukan pengujian statistik dengan menggunakan software aplikasi MiniTab Ver. 16 for Windows. Dari hasil running
software tersebut didapat tabel perhitungan yang diperlihatkan pada Tabel 5.13. Tabel 5.13. Uji Distribusi Laju Layanan Container Crane
Universitas Sumatera Utara
….. …..
α = 0,05
Nilai chi kuadrat hitung = 4,745 Nilai chi kuadrat tabel
= 14,067
Dari Tabel 5.13, diperoleh X
2 hitung
= 4,745dengan α = 0,005 dan derajat kebebasan 7 dari tabel nilai kritis Chi-sruare diperoleh X
2 0,05,7
= 14,067 maka dapat disimpulkan bahwa tingkat laju pelayanan Container Crane per hari berdistribusi
Universitas Sumatera Utara
eksponensial dengan l= 4,80 boxhari, karena X
2 hitung
X
2 0,05,7
22,4 19,2
16,0 12,8
9,6 6,4
3,2 0,0
14 12
10 8
6 4
2
Pelayanan_CC Fr
e q
u e
n c
y
Mean 4,8
N 60
Histogram of Pelayanan_ CC
Exponential
. Grafik uji distribusi laju pelayanan container crane dapat dilihat pada Gambar 5.11.
Gambar 5.11. Grafik Distribusi Poisson Laju Pelayanan Container Crane
3.
Uji Distribusi Tingkst Layanan Head Truck. Dalam pengujian distribusi ini,hipotesa awal menyatakan bahwa tingkat layanan HT
mempunyai distribusi exponensial, oleh karena itu dilakukan pengujian statistik dengan menggunakan software aplikasi MiniTab Ver. 16 for Windows.
Dari hasil running software tersebut didapat tabel perhitungan yang diperlihatkan pada Tabel 5.14.
Universitas Sumatera Utara
Tabel 5.14. Uji Distribusi Laju Layanan Heat Truck
….. …..
α = 0,05
Nilai chi kuadrat hitung = 5,653 Nilai chi kuadrat tabel
= 14,067
Universitas Sumatera Utara
Dari Tabel 5.14, diperoleh X
2 hitung
= 5,653 dengan α = 0,005 dan derajat kebebasan 7 dari tabel nilai kritis Chi-sruare diperoleh X
2 0,05,7
= 14,067 maka dapat disimpulkan bahwa tingkat laju pelayanan Heat Truck per hari berdistribusi
eksponensial dengan l= 5,93 boxhari, karena X
2 hitung
X
2 0,05,7
24 20
16 12
8 4
12 10
8 6
4 2
Pelayanan_HT Fr
e q
u e
n c
y
Mean 5,93
N 60
Histogram of Pelayanan_ HT
Exponential
. Grafik uji distribusi laju pelayanan head truck dapat dilihat pada Gambar 5.12.
Gambar 5.12. Grafik Distribusi Poisson Laju Pelayanan Heat Truck 4.
Uji Distribusi Tingkat Layanan Rubber Tyred Gantry. Di dalam pengujian distribusi ini, hipotesa awal menyatakan bahwa tingkat layanan Rubber
Tyred Gantry mempunyai distribusi exponensial, oleh karena itu dilakukan pengujian statistik dengan menggunakan MiniTab Ver. 16 for Windows. Dari hasil running software
tersebut didapat tabel perhitungan yang diperlihatkan pada Tabel 5.15.
Universitas Sumatera Utara
Tabel 5.15. Uji Distribusi Laju Layanan Rubber Tyred Gantry
….. …..
α = 0,05
Nilai chi kuadrat hitung = 6,32 Nilai chi kuadrat tabel
= 14,067
Universitas Sumatera Utara
Dari Tabel 5.14, diperoleh X
2 hitung
= 6,02 dengan α = 0,005 dan derajat kebebasan 7 dari tabel nilai kritis Chi-sruare diperoleh X
2 0,05,7
= 14,067 maka dapat disimpulkan bahwa tingkat laju pelayanan Heat Truck per hari berdistribusi
eksponensial dengan l= 6,46 boxhari, karena X
2 hitung
X
2 0,05,7
28 24
20 16
12 8
4 12
10 8
6 4
2
Pelayanan_RTG Fr
e q
u e
n c
y
Mean 6,46
N 60
Histogram of Pelayanan_ RTG
Exponential
. Grafik uji distribusi laju pelayanan rubber tyred gantry dapat dilihat pada Gambar 5.13.
Gambar 5.13. Grafik Distribusi Poisson Laju Pelayanan Rubber Tyred Gantry
Universitas Sumatera Utara
BAB 6
ANALISIS PEMECAHAN MASALAH
Pada bab ini akan dibahas hasil running simulasi yang menunjukan kinerja fasilitas pada tiap-tiap skenario, sehingga dapat digunakan sebagai rekomendasi pada pengembangan terminal
peti kemas di masa mendatang. Adapun fasilitas yang dikaji meliputi: 1. Fasilitas Container Crane CC.
2. Fasilitas Head Truck HT. 3. Fasilitas Rubber Tyred Gantry RTG.
Hasil tersebut didapat dari proses running model simulasi yang melibatkan 3.000 buah entiti Work Item. Dengan warm up period yang diambil sejumlah 2.500 buah entiti Work Item.
Melalui jumlah entitti warm up period tersebut model simulasi yang dibuat lebih mendekati kondisi rill sistem bongkar muat yang sesungguhnya. Periode waktu yang dijalankan dalam
simulasi ini adalah 23 jam dalam sehari, 7 hari dalam seminggu. Pada kurun waktu tersebut model berjalan selama 3 hari 14 jam 20 menit.
6.1. Utilitas Peralatan Bongkar Muat Peti Kemas
