Indonesia merupakan negara maritim dengan wilayah perairan yang sangat luas. Kondisi tersebut menjadikan tingkat aktivitas pelayaran yang tinggi setiap tahunnya. Akibatnya, kemungkinan terjadinya kecelakaan kapal di perairan Indonesia cukup tinggi. Karena itu, diperlukan operasi pencarian dan penyelamatan (SAR) secara cepat dan efektif untuk menyelamatkan korban dan mengurangi kerugian. Dengan demikian upaya tersebut sejalan dengan target Sustainable Development Goals (SGDs) poin 16, terutama berfokus pada pembangunan lembaga yang efektif, akuntabel, dan inklusif di semua tingkatan. Selain itu, operasi SAR juga dapat membantu mengurangi risiko cedera dan kematian akibat kecelakaan kapal, sehingga meningkatkan kesehatan dan kesejahteraan masyarakat sesuai SDGs poin 3, terkait kesehatan dan kesejahteraan. Untuk itu prediksi jumlah operasi SAR sangat penting dalam upaya perencanaan dan pengelolaan sumber daya, baik dari segi personel, peralatan, maupun anggaran. Prediksi yang akurat dapat membantu pihak berwenang dalam meningkatkan kesiapsiagaan dan respons yang efektif, sehingga waktu tanggap dalam operasi SAR dapat diminimalisir dan hasil penyelamatan dapat maksimal. Namun, hingga saat ini prediksi jumlah operasi SAR di Indonesia masih terbatas, sehingga sering terjadi kesenjangan antara kebutuhan dan ketersediaan sumber daya SAR. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model prediksi jumlah operasi pencarian dan penyelamatan kecelakaan kapal di Indonesia sebagai dasar pengambilan keputusan strategis dalam meningkatkan efektivitas dan efisiensi operasi SAR. Dalam penelitian ini digunakan pendekatan Singular Spectrum Analysis (SSA) dan Local Linear Estimator (LLE). Selanjutnya, performa kedua metode tersebut akan dibandingkan berdasarkan kriteria Mean Absolute Percentage Error (MAPE) terkecil.
Metode SSA terdiri atas dua tahap, yaitu Dekomposisi dan Rekonstruksi. Tahap Dekomposisi terdiri atas dua langkah, yaitu Embedding dan Singular Value Decomposition (SVD). Pada langkah Embedding, dilakukan konversi dari data time series satu dimensi menjadi multidimensi berbentuk matriks Trajectory dengan panjang window (banyak baris) L, untuk L=2, 3, …, N-1 dan banyak kolom K, dengan K=N-L+1 untuk N adalah ukuran sampel atau banyaknya data. Selanjutnya, pada langkah SVD dilakukan penguraian nilai singular berdasarkan matriks Trajectory yang sudah terbentuk, hingga menghasilkan eigentriple yaitu: eigen value, vektor eigen kiri, dan vektor eigen kanan. Selanjutnya, pada tahap Rekonstruksi dilakukan pembentukan data time series baru melalui langkah grouping dan diagonal averaging berdasarkan matriks Trajectory dan nilai-nilai yang diperoleh sebelumnya. Dalam metode SSA ini perlu ditentukan window L yang optimal, dan kriteria yang digunakan adalah nilai MAPE terkecil.
Metode LLE adalah salah satu teknik dalam regresi nonparametrik untuk mengestimasi nilai respon dengan mengasumsikan bentuk fungsi liner secara local di tiap observasi. Metode estimasi yang digunakan adalah Weighted Least Square (WLS). Dalam metode ini dibutuhkan fungsi kernel pembobot dan parameter penghalus bandwidth. Model terbaik adalah dengan nilai bandwidth optimal. Kriteria yang umumnya digunakan untuk menentukan bandwidth optimal adalah Cross Validation (CV).
Data yang digunakan dalam penelitian ini berupa data time series, yaitu jumlah operasi pencarian dan penyelamatan kecelakaan kapal di Indonesia per bulan mulai Januari 2021 sampai Desember 2023, yaitu sebanyak 36 data. Data diperoleh dari Buku Statistik Basarnas. Data kemudian dibagi menjadi dua, data training untuk membangun model, dan data testing untuk validasi model. Data training terdiri atas 24 bulan mulai dari Januari 2021 hingga Desember 2022, sedangkan data testing terdiri atas 12 bulan mulai Januari 2023 hingga Desember 2023.
Dalam pemodelan SSA perlu ditentukan nilai parameter window L yang optimal. Untuk data Training sebanyak 24 bulan, penentuan L optimal dilakukan dengan trial nilai L dari 2 sampai 23. Berdasarkan kriteria MAPE terkecil, diperoleh nilai L optimal sebesar 3. Dengan L=3 diperoleh nilai MAPE prediksi untuk data Testing atau validasi sebesar 40,27%. Nilai ini masih termasuk dalam kategori prediksi yang layak. Sementara itu, untuk metode LLE dalam penelitian ini, digunakan fungsi pembobot Gaussian. Berdasarkan fungsi pembobot tersebut dan dengan kriteria CV terkecil, dari data Training diperoleh nilai bandwidth optimal sebesar 4,299. Berdasarkan bandwidth optimal tersebut diperoleh MAPE prediksi untuk data Testing atau validasi sebesar 18,67%. Nilai ini termasuk dalam kategori prediksi yang baik.
Penelitian ini memberikan gambaran bahwa meskipun metode SSA fleksibel untuk data nonparametrik, hasilnya kurang akurat dalam memperkirakan jumlah operasi pencarian dan penyelamatan kecelakaan kapal di Indonesia, dengan nilai MAPE yang tinggi (40,27%). Kondisi ini kemungkinan disebabkan oleh tidak adanya variabel prediktor yang dilibatkan dalam pemodelan selain variabel waktu, yang membuat model kurang mampu merepresentasikan pola data dengan baik. Di sisi lain, metode LLE memberikan akurasi yang lebih baik daripada SSA, dengan nilai MAPE sebesar 18,67%, yang termasuk dalam kategori peramalan yang baik. Oleh karena itu, untuk forecasting jumlah operasi pencarian dan penyelamatan kecelakaan kapal di Indonesia disarankan menggunakan metode LLE daripada SSA.
Penulis: Dr. Toha Saifudin, S.Si., M.Si
Informasi detail dari penelitian ini dapat dilihat pada tulisan kami di:
