JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 7 Pemodelan Tingkat Okupansi Penumpang Kereta Api dari Surabaya dengan Metode S-SUR (Spatial-Seeminglyunrelated Regression) Kuzairi1, Anwari2, M. Fariz Fadillah Mardianto3 1Program Studi Matematika, Universitas Islam Madura, kuzairi@fmipa.uim.ac.id 2 Program Sistem Informasi, Universitas Islam Madura, anwari@ft.uim.ac.id 3 Program Studi Statistika, Universitas Airlangga, m.fariz.fadillah.m@fst.unair.ac.,id DOI:https://doi.org/10.15642/mantik.2018.4.1.7-15 Abstrak Kereta api merupakan sarana transportasi yang terdiri dari kelas ekonomi, bisnis atau ekonomi plus, dan eksekutif. Tingkat okupansi dari masing-masing kelas untuk jurusan yang sama juga berbeda. Tingkat okupansi penumpang kereta api yang berangkat dari Surabaya menarik untuk diteliti karena ruang lingkup asal penumpang lebih luas daripada penumpang kereta di Jabodetabek. Asal penumpang kereta api di Surabaya tidak hanya penumpang yang berasal atau memiliki kepentingan di kota Surabaya saja melainkan kabupaten dan kota disekitarnya, sampai Pulau Madura. Dalam penelitian ini dilakukan pemodelan tingkat okupansi penumpang kereta api untuk tiap kelas berdasarkan faktor-faktor yang berpengaruh terhadap tingkat okupansi semua kereta api lintas kota yang berangkat dari Stasiun Surabaya Gubeng, dan Pasar Turi menggunakan metode Spatial- Seemmingly Unrelated Regression (S-SUR). Metode S-SUR digunakan karena mampu mengakomodasi efek spasial pada seluruh pengamatan. Penelitian ini terdiri atas 12 pengamatan rute tujuan dari Surabaya, 8 prediktor, dan 3 respon yang saling berkorelasi spasial berdasarkan pengujian Morans I. Hasilnya adalah prediktor yang berpengaruh signifikan terhadap tingkat okupansi penumpang kereta api untuk semua kelas merupakan prediktor yang terkait dengan kependudukan yaitu proporsi rata-rata jumlah penduduk, jumlah wisatawan, jumlah tenaga kerja dan jumlah penduduk musiman di sekitar dareah yang disinggahi. Kata Kunci: S-SUR, Regresi Spasial, Tingkat Okupansi Penumpang, Kereta Api, Surabaya Abstrct Train is a popular transportation consist of economy, business or economy plus, and executive class. The occupation rate from every class different. The occupation rate from passengers who depart from Surabaya is interesting to be explored because the scope of passengers is larger than passengers in Jabodetabek. The train passengers in Surabaya is not only people who have business in Surabaya but also from the nearby region and Madura island. In this research, we make the model based on factors that affect the occupation rate for all of the passengers in every training class who depart from Surabaya Gubeng, and Surabaya Pasar Turi station using Spatial-Seemingly Unrelated Regression (S-SUR). S-SUR is used because can accommodate spatial effect for all of the observation. There are 12 routes that become the observations, 8 predictors, and 3 responses that each all have spatial correlation based on Morans I test. The result is predictors that give significant effect is proportion of average from the number of people, the number of tourists, the number of labor, and the number of urban people around the area that be stoped off. Keywords : S-SUR, Spatial Regression, The occupation rate of passengers, Train, Surabaya JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 8 1. Pendahuluan Salah satu sektor transportasi yang dikelola oleh pemerintah melalui unit Badan Usaha Milik Negara (BUMN) adalah kereta api. Kereta api merupakan sarana transportasi yang populer di Pulau Jawa, pulau dengan mobilitas penduduk tertinggi di Indonesia. Transportasi yang dikelola penuh oleh unit BUMN PT. Kereta Api Indonesia (PT KAI) Persero memiliki tiga kelas kereta api antar kota yaitu ekonomi, bisnis, dan eksekutif. Masing-masing kelas mempunyai segmentasi penumpang dan kualitas pelayanan serta kecepatan waktu tempuh yang berbeda[1] Tingkat keterisian tempat duduk atau okupansi dari masing-masing kelas untuk jurusan yang sama juga berbeda. Tingkat okupansi penumpang kereta api ekonomi belum tentu paling tinggi dibandingkan kereta api kelas bisnis, dan eksekutif. Hal tersebut dapat terjadi sebaliknya. Dalam penelitian ini penulis ingin mengkaji faktor-faktor eksternal yang berpengaruh terhadap tingkat okupansi penumpang kereta api kelas ekonomi, bisnis, dan eksekutif untuk semua kereta api lintas kota yang berangkat dari Stasiun Gubeng, dan Pasar Turi Surabaya. Surabaya sebagai kota terbesar kedua di Indonesia memiliki tingkat mobilitas penduduk yang tinggi. Sedikitnya terdapat 35 tujuan yang dilayani oleh kereta api kelas ekonomi, bisnis, dan eksekutif dari dua stasiun keberangkatan di Surabaya, dengan jumlah lebih dari 40 rangkaian kereta [7]. Tingkat okupansi penumpang kereta api yang berangkat dari Surabaya menarik untuk diteliti karena cakupan asal penumpang lebih luas daripada penumpang kereta di Jabodetabek. Asal penumpang kereta api di Surabaya tidak hanya penumpang yang berasal atau memiliki kepentingan di kota Surabaya saja melainkan kabupaten dan kota di sekitarnya seperti Sidoarjo, Gresik, Kabupaten dan Kota Mojokerto, Lamongan, sampai Pulau Madura yang terdiri atas empat kabupaten. Beberapa penelitian tentang perkereta- apian di Surabaya pernah dilakukan diantaranya Mukminin dan Zainul [10] menganalisis kepuasan penumpang terhadap fasilitas dan layanan PT KAI Daops XIII Surabaya [10]. Penelitian-penelitian [6], [13], [14]dan penelitian lain hanya sebatas meramalkan jumlah penumpang di salah satu rangkaian kereta api saja. Sampai saat ini belum ada penelitian yang menganalisis dan memodelkan faktor-faktor yang berpengaruh terhadap tingkat okupansi penumpang kereta api dalam lingkup yang lebih besar. Metode yang tepat untuk menentukan dan memodelkan faktor-faktor yang berpengaruh terhadap tingkat okupansi penumpang kereta api kelas ekonomi, bisnis, dan eksekutif untuk semua kereta api lintas kota yang berangkat dari Stasiun Gubeng, dan Pasar Turi di Surabaya adalah Spatial-Seemmingly Unrelated Regression (S-SUR) yang merupakan model SUR berbasis spasial.Berdasarkan [9] keunggulan ananlisis data spasial adalah mengakomodasi informasi lokasi dan keterhubungan antar wilayah [9].Dalam hal ini terdapat jaringan jalan berupa rel yang terhubung sehingga membuat jumlah kereta api yang melintas di wilayah yang berdekatan saling berpengaruh satu sama lain. Tujuan dari peneltian ini adalah mendapatkan model S-SUR yang terdiri dari faktor pengaruh perkembangan tingkat okupansi penumpang kereta api ekonomi, bisnis, dan eksekutif dari Surabaya untuk perencanaan. 2. Tinjauan Pustaka Berikut diberikan penjelasan singkat terkait konsep fundamental yang digunakan dalam menerapkan metode S-SUR untuk faktor pengaruh tingkat okupansi penumpang kereta api di Surabaya. 2.1. Seemingly Unrelated Regression Seemingly Unrelated Regression (SUR) merupakan sebuah pengembangan dari model regresi linear multivariat yang terdiri dari beberapa persamaan regresi, dimana setiap persamaan memiliki variabel respon yang berbeda dan dimungkinkan memiliki himpunan variabel prediktor yang berbeda-beda pula [11]. Secara umum model SUR untuk m buah persamaan dimana masing-masing persamaan JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 9 terdiri dari pj variabel prediktor dapat ditulis sebagai berikut: m ipm im pm imm immm i jipjijpjijjijjji ipipiiii ipipiiii mm jj XXXy XXXy XXXy XXXy     +++++= +++++= +++++= +++++= ,2,21,10 ,2,21,10 2,2,22,2221,221202 1,1,12,1121,111101 22 11       (1) dimana 𝑖 = 1, 2, . . . , 𝑛 dan 𝑗 = 1, 2, … , 𝑚 Persamaan (1) jika ditulis dalam bentuk matriksdengan bentuk sebagai berikut: Persamaan (2) secara umum dapat ditulis sebagai berikut: y = X  +  y merupakan vektor berukuran 𝑚𝑛 × 1, X merupakan matriks ukuran 𝑚𝑛 × ∑ 𝑝𝑗 𝑚 𝑗=1 , β adalah vektor parameter berukuran ∑ 𝑝𝑗 × 𝑚 𝑗=1 1, dan merupakan vektor error berukuran 𝑚𝑛 × 1. Asumsi yang harus dipenuhi pada model SUR adalah sebagai berikut: a. 0ε =)( jE untuk 𝑗 = 1, 2, . . . , 𝑚 b.      =  = kjuntuk kjuntuk E jk k T j 0 I εε  )( dengan 𝑗 = 1, 2, . . . , 𝑚 dan 𝑘 = 1, 2, … , 𝑚 c. Xj ,untuk𝑗 = 1, 2, . . . , 𝑚 merupakan fixed- variable. 2.2. Spatial-Seemingly Unrelated Regression Pemodelan Spatial-Seemingly Unrelated Regression (S-SUR) pada dasarnya memiliki kesamaan spesifikasi dengan model SUR yang ditambahkan efek spasial pada setiap persamaanya [11]. Istilah S-SUR diperkenalkan pertama kali oleh [12] dengan mengacu pada kasus model space-time.. Karakteristik dari pendekatan ini adalah adanya heterogenitas yang terbatas, sehingga koefisien regresi diasumsikan sama untuk setiap individu.Estimasi parameter S-SUR dilakukan berdasarkan hasil dari metode Weighted Least Square (WLS) dengan pembobot spasial atau berdasarkan metodel Maximum Likelihood Estimator (MLE) dengan pembobot spasial. Prosedur yang dilakukan terkait analisis data dengan menggunakan S-SUR adalah a. Penentuan Bobot Spasial Penentuan bobot spasial atau W yang berguna untuk pengujian dependensi spasial, dan estimasi spasial untuk parameter S-SUR. Ada banyak jenis pembobot spasial. Dalam hal ini pembobot spasial yang digunakan adalah pembobot customize. Pembobot ini merupakan pembobot yang disusun tidak hanya memperhatikan faktor persinggungan antar wilayah tetapi juga mempertimbangkan faktor kedekatan ekonomi, transportasi, sosial, infrastruktur, ataupun faktor lainnya. b. Dependensi Spasial Dependensi spasial didefinisikan sebagai adanya hubungan fungsional antara apa yang terjadi pada satu titik dalam ruang dan apa yang terjadi di tempat lain [2]. Besarnya dependensi spasial, dapat dilihat dengan indeks Morans I yang dirumuskan sebagai berikut: εε Wεε T T I = (3) Untuk matriks pembobot yang belum distandartkan, indeks Morans I didapatkan dengan mengalikan persamaan (3) dengan n/S, n merupakan banyak pengamatan, S adalah faktor standardisasi yang merupakan jumlahan dari seluruh elemen matriks pembobot yang belum distandartkan. Untuk melihat apakah besarnya dependensi spasial (Ij) signifikan pada data, dilakukan dengan pengujian pada indeks Morans I dengan hipotesis sebagai berikut: H0 : Ij = 0 (tidak terdapat dependensi spasial)             +                         =             m 2 1 m 2 1 m 2 m 2 1 ε ε ε β β β X00 0X0 00X y y y       1 (2) JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 10 H1 : Ij ≠ 0 (terdapat dependensi spasial) Statistik uji yang digunakan pada pengujian signifikansi Morans I adalah sebagai berikut:   2/1)var(/)( jjj IIEIZ −= (4) H0 ditolak jika Z > Zα/2. Nilai dari indeks Morans I besarnya antara -1 sampai 1. Jika Ij> E(Ij) maka data memiliki autokorelasi positif dan jika Ij< E(Ij) maka data memiliki autokorelasi negatif. c. Heterogenitas Spasial Adanya heterogenitas spasial pada data, dapat dilihat dengan melakukan uji Breush- Pagan dengan hipotesis sebagai berikut: H0: 22 2 2 1 n  ===  (homoskedastisitas) H1: paling tidak ada satu 22 ji   (heteroskedastisitas) Statistik uji yang digunakan pada uji Breush- Pagan (BP) menurut Anselin (2016) adalah sebagai berikut: BP = (1/2) fT Z (ZT Z)-1 ZT f (5) Nilai statistik uji BP asimtotik dengan distribusi 2 )1( +jp  , sehingga H0 ditolak jika BP > 2 )1( +jp  atau P-value kurang dari α. Untuk kasus adanya dependensi spasial maka statistik uji Breush-Pagan pada persamaan (5) ditambahkan dengan ((εT W ε)/σ2)2 /tr(WT W+W2). 3. Metode Penelitian Tahapan pemodelan tingkat okupansi penumpang kereta api dari Surabaya dengan menggunakan pendekatan S-SUR adalah sebagai berikut: 1. Melakukan analisis Statistika deskriptif untuk mengetahui karakteristik data pada masing – masing persoalan atau variabel. 2. Menentukan pembobot spasial. 3. Melakukan pengujian dependensi spasial 4. Melakukan pengujian heterogenitas spasial. 5. Menentukan nilai estimator untuk parameter S-SUR, dan melakukan pengujian signifikansi secara individu. 6. Menentukan nilai parameter S-SUR baru berdasarkan prediktor yang signifikan. 7. Menentukan ukuran kebaikan model. Adapun variabel yang digunakan dalam penelitian ini disajikan pada Tabel 1. Tabel 1. Variabel Penelitian Simbol Variabel Satuan Y1 Tingkat okupansi penumpang kelas ekonomi dari Surabaya Persen dari kapasitas semua gerbong ekonomi Y2 Tingkat okupansi penumpang kelas bisnis dari Surabaya Persen dari kapasitas semua gerbong bisnis Y3 Tingkat okupansi penumpang kelas eksekutif dari Surabaya Persen dari kapasitas semua gerbong eksekutif X1 Rata-rata jumlah penduduk di sekitar daerah yang disinggahi Persen dari penduduk Indonesia X2 Rata-rata jumlah wisatawan domestik di sekitar daerah yang disinggahi Persen dari wisatawan domestik di Indonesia X3 Rata-rata jumlah tenaga kerja di sekitar daerah yang disinggahi Persen dari jumlah tenaga kerja di Indonesia X4 Rata-rata jumlah penduduk musiman di sekitar daerah yang disinggahi Persen dari penduduk Indonesia X5 Rata-rata rasio kepemilikan kendaraan bermotor di sekitar daerah yang disinggahi Persen dari rasio kepemilikan kendaraan bermotor di Indonesia X6 Jumlah rangkaian kereta api yang melayani dalam semua kelas Persen dari keseluruhan rangkaian kereta api yang ada di Indonesia X7 Jumlah total tiket yang disediakan untuk semua kelas Persen dari kuota tiket tiap rangkaian X8 Jumlah armada bus rute sejenis yang melayani dari Surabaya Persen dari seluruh armada bus antar kota yang mempunyai trayek di Terminal Purabaya JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 11 4. Pembahasan Berikut merupakan pembahasan yang berisi hasil dari penelitian ini. 4.1. Statistika Deskriptif Statistika deskriptif digunakan untuk mengetahui karakteristik dari data yang akan dianalisis dengan menggunakan metode statistika lebih lanjut. Analisis statistika deskriptif dilakukan untuk masing – masing variabel respon. Ukuran statistika deskriptif yang digunakan yaitu ukuran nilai minimum, maksimum, dan rata-rata berdasarkan proporsi. Gambar 1. Rata-rata Proporsi Tingkat Okupansi Kereta Api Ekonomi dari Surabaya Gambar 2. Rata-rata Proporsi Tingkat Okupansi Kereta Api Bisnis dari Surabaya Dalam penelitian ini terdapat 12 pengamatan yaitu kota – kota yang menjadi tempat tujuan kereta api dari Surabaya. Kota – kota tersebut adalah Jakarta, Semarang, Bandung, Solo, Yogyakarta, Purwokerto, Cirebon, Malang, Madiun, Jember, Bojonegoro, dan Banyuwangi. Kota – kota tersebut dilalui kereta api untuk kelas ekonomi, bisnis, dan eksekutif dari Surabaya. Kota – kota tersebut merupakan kota penting di Pulau Jawa sebagai pusat mobilitas dan ekonomi tingkat regional sampai nasional. Selain kereta api, terdapat transportasi lain seperti bus yang berangkat dari Surabaya setiap hari. Gambar 1 menyajikan rata-rata proporsi tingkat okupansi kereta api ekonomi dari Surabaya. Berdasarkan Gambar 1, penumpang yang berangkat ke Malang dari Surabaya dengan kereta api ekonomi memiliki rata-rata proporsi tertinggi. Penumpang yang berangkat ke Jember dari Surabaya dengan kereta api ekonomi memiliki rata-rata proporsi terendah. Gambar 2 menyajikan rata-rata proporsi tingkat okupansi kereta api bisnis dari Surabaya. Gambar 2 menyajikan rata-rata proporsi tingkat okupansi kereta api bisnis dari Surabaya. Berdasarkan Gambar 2, penumpang yang berangkat ke Yogyakarta dan Banyuwangi dari Surabaya dengan kereta api bisnis memiliki rata-rata proporsi tertinggi pertama dan kedua dengan selisih tidak terlalu jauh. Penumpang yang berangkat ke Bojonegoro dari Surabaya dengan kereta api bisnis memiliki rata-rata proporsi terendah. Gambar 3 menyajikan rata-rata proporsi tingkat okupansi kereta api eksekutif dari Surabaya. Berdasarkan Gambar 2, penumpang yang berangkat ke Bandung dan Jakarta dari Surabaya dengan kereta api eksekutif memiliki rata-rata proporsi tertinggi pertama dan kedua dengan selisih tidak terlalu jauh. Penumpang yang berangkat ke Bojonegoro dari Surabaya dengan kereta api eksekutif memiliki rata-rata proporsi terendah. 4,67 1,81 2,78 2,26 4,65 4,05 3,29 5,2 4,32 8,03 1,15 2,43 0 1 2 3 4 5 6 7 8 9 Ja ka rt a B a n d u n g C ir e b o n P u rw o ke rt o S e m a ra n g Y o g ya ka rt a S o lo B o jo n e g o ro M a d iu n M a la n g Je m b e r B a n yu w a n g i 3,44 9,41 10,25 1,07 5,8 15,76 12,33 0,59 5,27 3,87 11,38 14,07 0 2 4 6 8 10 12 14 16 18 Ja ka rt a B a n d u n g C ir e b o n P u rw o ke rt o S e m a ra n g Y o g ya ka rt a S o lo B o jo n e g o ro M a d iu n M a la n g Je m b e r B a n yu w a n g i JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 12 Gambar 3. Rata-rata Proporsi Tingkat Okupansi Kereta Api Eksekutif dari Surabaya Berdasarkan analisis tersebut, tampak bahwa untuk kereta api kelas ekonomi memiliki segmentasi penumpang jarak dekat. Kereta api kelas bisnis memiliki segmentasi penumpang jarak menengah, dan kereta api kelas eksekutif memiliki segmentasi penumpang jarak jauh. Ketiga respon saling berkorelasi berdasarkan hasil pengujian Bartlett Sphericity sebagai berikut Hipotesis : 𝐻0: Antar variabel respon tak berkorelasi 𝐻1: Antar variabel respon berkorelasi Statistik Uji : 𝜒ℎ𝑖𝑡𝑢𝑛𝑔 2 = − {𝑛 − 1 − 2𝑞+5 6 } 𝑙𝑛|𝐑| (6) dengan matriks korelasi R=( 1 0,4523 0,2667 0,4523 1 0,5823 0,2667 0,5823 1 ) (7) Daerah Penolakan : Jika 𝜒ℎ𝑖𝑡𝑢𝑛𝑔 2 > 𝜒𝑡𝑎𝑏𝑒𝑙 2 = 𝜒 𝛼, 1 2 𝑞(𝑞−1) 2 maka tolak 𝐻0 sehingga antar variabel respon berkorelasi. Berdasarkan persamaan (6) dengan 𝑛 = 12, 𝑞 = 3 dan R dari (7), diperolah 𝜒ℎ𝑖𝑡𝑢𝑛𝑔 2 =8,894>𝜒𝑡𝑎𝑏𝑒𝑙 2 = 7,815, maka tolak 𝐻0 sehingga antar variabel respon berkorelasi. 4.2. Pemodelan S-SUR Berikut hasil analisis data dengan menggunakan S-SUR. 4.2.1. Penentuan Pembobot Spasial Pemobobot spasial yang digunakan dalam penelitian ini adalah pembobot customize. Pembobot customizememiliki kelebihan dibandingkan pembobot lainnya. Pembobot ini merupakan pembobot yang disusun tidak hanya memperhatikan faktor persinggungan antar wilayah tetapi juga mempertimbangkan faktor kedekatan hubungan. Antar wilayah memiliki kedekatan hubungan tingkat okupansi penumpang kereta api. Misalkan jika pada hari libur, tingkat okupansi penumpang kereta api ke suatu kota tinggi, maka tingkat okupansi penumpang ke kota lain juga tinggi. Untuk kasus tersebut diberikan nilai pembobot 1. Secara lengkap, bobot diberikan dalam Tabel 2 berikut: Tabel 2.PembobotCustomized W 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 4.2.2. Pengujian Dependensi Spasial Pengujian Morans I dilakukan untuk menentukan dependensi spasial antar wilayah. Persamaan (3) digunakan untuk menentukan nilai-nilai kolom 2 pada Tabel 3. Persamaan (4) digunakan untuk menentukan nilai-nilai kolom 3 pada Tabel 3. Tabel 3 disajikan sebagai berikut: Dengan 𝛼 = 0,05, maka 𝑍𝛼/2 = 1,96, dan𝐼0 = 2,156. Terlihat bahwa seluruh variabel dependen maupun independen menghasilkan 10,8711,14 8,75 3,05 7,57 9,02 8,31 0,32 4,584,46 5,12 6,59 0 2 4 6 8 10 12 JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 13 nilai 𝑍(𝐼) < 𝑍𝛼/2 yang artinya gagal tolak 𝐻0. Ini mengindikasikan bahwa tidak ada dependensi secara spasial antar daerah. Namun demikian semua nilai Morans I bernilai lebih besar dari 𝐼0 yang artinya semua variabel dependen maupun independen mempunyai nilai yang mirip dan cenderung dapat membentuk kelompok. Tabel 3. Hasil Perhitungan Morans I Variabel Morans I Z(I) Y1 0,127 2,748 Y2 0,144 2,623 Y3 0,190 2,879 X1 0,087 2,923 X2 0,161 2,417 X3 0,176 2,633 X4 0,029 3,632 X5 0,123 2,805 X6 0,055 2,231 X7 0,125 2,677 X8 0,178 2,505 4.2.3. Pengujuan Heterogenitas Spasial Adanya heterogenitas spasial pada data, dapat dilihat dengan melakukan uji Breush- Pagan dengan hipotesis sebagai berikut: H0: 2 12 2 2 2 1  ===  (homoskedastisitas) H1: paling tidak ada satu 22 ji   (heteroskedastisitas) Statistik uji yang digunakan pada uji Breush-Pagan(BP) menggunakan persamaan (5). Secara komputasi dihasilkan nilai BP test = 11,564 dan nilai p-value = 0,172 kurang dari α = 0,05 sehingga H0gagalditolak. Jadi terdapat homoskedastisitas secara spasial. 4.2.4. Hasil Estimasi Parameter S-SUR Dari hasil perhitungan secara komputasi, Tabel 4 menyajikan hasil estimasi untuk parameter model S-SUR beserta ukuran yang digunakan untuk pengujian signifikansi parameter. Tabel 4. Hasil Estimasi dan Signifikansi Parameter ModelS-SUR Respon Prediktor Nilai Para- meter p- value Signifikan/ tidak Y1 Intercept 1,7717 0,0492 Signifikan X1 10,3383 0,0463 Signifikan X2 1,5015 0,0619 Signifikan X3 2,2742 0,0748 Signifikan X4 6,6751 0,0704 Signifikan X5 -15,2313 0,5312 Tidak X6 7,3282 0,7166 Tidak X7 -4,5746 0,9471 Tidak X8 2,5606 0,8896 Tidak Y2 Intercept -0,8099 0,0797 Signifikan X1 28,2835 0,0153 Signifikan X2 9,7531 0.0500 Signifikan X3 10,0560 0,0295 Signifikan X4 47,5345 0.0823 Signifikan X5 -64,1814 0,0841 Signifikan X6 -3,6481 0,8852 Tidak X7 92,9923 0,3189 Tidak X8 13,2154 0,5778 Tidak Y3 Intercept -0,3754 0,0644 Signifikan X1 15,8025 0,0181 Signifikan X2 3,1951 0,0233 Signifikan X3 6,1462 0,0444 Signifikan X4 13,2939 0,0643 Signifikan X5 -27,3302 0,0187 Signifikan X6 -2,8822 0,6578 Tidak X7 75,1773 0,0225 Signifikan X8 4,8883 0,4288 Tidak Nilai Log Likelihood 9,4062 Nilai R2 0,8541 Nilai AIC 36,8124 Keputusan signifikan atau tidak diperoleh dengan membandingkan nilai p-value dan taraf signifikansi α = 0,1. Jika p-value < 0,1, maka nilai parameter signifikan. Berdasarkan hasil tersebut nilai parameter yang semuanya signifikan diperoleh untuk parameter prediktor X1, X2, X3 dan X4. Sama dengan konsep regresi linear, dilakukan analisis S-SUR untuk mendapatkan model baru dengan menggunakan prediktor yang nilai parameternya signifikan. Prediktor yang nilai parameternya tidak signifikan tidak dilibatkan dalam pembentukan model baru. 4.2.5. Hasil Akhir Estimasi S-SUR Estimasi parameter pada tahap ini hanya dilakukan dengan melibatkan prediktor – prediktor yang nilai parameter pada Tabel 4 signifikan untuk semua respon. Dari hasil perhitungan secara komputasi, Tabel 5 JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 14 menyajikan hasil estimasi untuk parameter model S-SUR baru beserta ukuran yang digunakan untuk pengujian signifikansi parameter. Tabel 5. Hasil Estimasi dan Signifikansi Parameter Model S-SUR Baru Var. Respon Prediktor Nilai Parameter thitung p- value Kesimpulan (α=5%) Parameter Spasial Y1 Intercept 3,3682 3,1933 0,0015 Signifikan - X1 0,4283 -1,007 0,0351 Signifikan 0,0131 X2 0,1545 0,1845 0,0459 Signifikan 0,0093 X3 0,8743 0,5379 0,0316 Signifikan 0,0047 X4 0,5144 0,7927 0,0453 Signifikan 0,0035 Y2 Intercept 4,9542 2,1875 0,0466 Signifikan - X1 0,9119 -0,534 0,0216 Signifikan 0,0107 X2 0,9031 2,1601 0,0368 Signifikan 0,0066 X3 0,1364 0,0468 0,0179 Signifikan 0,0023 X4 0,0713 0,2295 0,0238 Signifikan 0,0058 Y3 Intercept 3,3467 3,3725 0,0120 Signifikan - X1 0,9694 0,4932 0,0406 Signifikan 0,0115 X2 0,1111 1,4199 0,0202 Signifikan 0,0087 X3 0,3514 2,0357 0,0028 Signifikan 0,0064 X4 0,7025 1,1589 0,0286 Signifikan 0,0038 Nilai Log Likelihood 14,673 Nilai R2 0,8776 Nilai AIC 11,6277 Tabel 5 memperlihatkan bawa semua nilai parameter untuk prediktor yang dilibatkan signifikan berdasarkan indikator yang digunakan yaitu nilai p-value < α = 0,1. Selain itu dilihat dari ukuran kebaikannya seperti R2 dan AIC, estimasi S-SUR yang baru lebih baik. 5. Kesimpulan Pemodelan tingkat okupansi penumpang kereta api untuk tiap kelas berdasarkan faktor- faktor yang berpengaruh terhadap tingkat okupansi semua kereta api lintas kota yang berangkat dari Stasiun Surabaya Gubeng, dan Pasar Turi menggunakan metode Spatial- Seemmingly Unrelated Regression (S-SUR). Hasilnya adalah prediktor yang berpengaruh signifikan terhadap tingkat okupansi penumpang kereta api untuk semua kelas merupakan prediktor yang terkait dengan kependudukan yaitu proporsi rata-rata jumlah penduduk, jumlah wisatawan, jumlah tenaga kerja dan jumlah penduduk musiman di sekitar dareah yang disinggahi. Referensi [1] Rozi, F. (2011), Analisis Pengaruh Kualitas Pelayanan PT KAI terhadap Pengaruh Konsumen. Tugas Akhir UIN Malang, Malang. [2] Anselin, L. (2016), “Estimation and Testing in the Spatial Seemingly Unrelated Regression Model”, GeoDa Center, Vol. 1, hal. 1-13. [3] Badan Pusat Statistik. (2015), Statistik Transportasi Jawa Timur 2015. BPS Jawa Timur, Surabaya. [4] Baltagi, B.H., dan Pirotte, A. (2010), “Seemingly Unrelated Regressions with Spatial Error Components”, Policy Research Paper, Vol. 125, hal. 1-22. [5] Biana, L. (2010), “Manajemen Strategi PT KAI”, http://lellykelilingdunia. blogspot.com/2010/01/manajemen-strategi-pt- kereta-api.html, diakses tang-gal 9 September 2015. [6] Ditago, A.P. (2011), Analisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang. Tugas Akhir ITS, Surabaya. [7] Kereta Api Indonesia. (2015), Jadwal Perjalanan Kereta Api 2015. PT Kereta Api Indonesia (Persero), Bandung. [8] Kereta Api Indonesia. (2015), Laporan Tahunan PT.KAI Persero 2015. PT Kereta Api Indonesia (Persero), Jakarta. [9] Liu, Y. dan Jarrett, D. (2007), “Spatial Statistical Modeling of Traffic Accidents”, Makalah, _________ [10] Mukminin, dan Zainul, E. (2013), Analisis Kepuasan Penumpang terhadap Fasilitas dan Pelayanan PT. Kereta Api Indonesia: Studi Pada PT. Kereta Api Indonesia Daops XIII Surabaya. Tesis UIN Sunan Ampel, Surabaya. [11] Mur, J., dan F. López. (2010), Spatial SUR models: Specification, Testing and Selection. Research ProjectUniversity of Zaragoza, Zaragoza. JURNAL MATEMATIKA “MANTIK” Edisi: Mei 2018. Vol. 04 No. 01 ISSN: 2527-3159 E-ISSN: 2527-3167 15 [12] Anselin, L. (1988), “A test for Spatial Autocorrelation in Seemingly Unrelated Regressions”, Economics Letters, Vol. 28, hal. 335-341. [13] Widodo, E. (2015), Peramalan Jumlah Penumpang Kereta Api Trayek Surabaya- Malang-Blitar dan Blitar-Malang-Surabaya dii Dapos VIII Surabaya. Tugas Akhir ITS, Surabaya. [14] Wulandari, R. (2012), Peramalan Jumlah Permintaan Tiket Kereta Api di Stasiun Gubeng Surabaya dengan Metode Box- Jenkins. Tugas Akhir ITS, Surabaya. [15] Wang, X. dan Kockelman, K., (2007), “Specification and Estimation of a Spatially and Temporally Autocor-related Seemingly Unrelated Regres-sion Model: Application to Crash Rates in China”, Journal of Trans- portation, Vol.34, hal. 281-300.