Anda di halaman 1dari 12

PERBANDINGAN BEBERAPA METODE TIME SERIES PADA PERAMALAN JUMLAH

KUNJUNGAN WISATAWAN MANCANEGARA


(Studi Kasus Di Kabupaten Karimun, Provinsi Kepulauan Riau)

Erie Sadewo
1

Mahasiswa Pascasarjana Statistika FMIPA ITS
Abstrak
Penelitian mengenai metode peramalan jumlah kunjungan wisatawan telah seringkali
dilakukan, namun sampai dengan saat ini belum ditemukan adanya metode yang benar-
benar unggul untuk diterapkan dalam berbagai pola data time series. Suatu temuan menarik
dari berbagai penelitian sebelumnya adalah bahwa penerapan metode yang kompleks
belum tentu menghasilkan ramalan yang lebih baik dibandingkan dengan model sederhana.
Untuk itu akan dilakukan perbandingan beberapa metode time series pada kasus peramalan
jumlah kunjungan wisatawan di Kabupaten Karimun, Provinsi Kepulauan Riau. Dengan
menggunakan empat metode sederhana dan satu metode kompleks pada 120 data
insample dan 15 data outsample didapatkan bahwa metode yang paling baik untuk
menggambarkan pola data dan meramalkan jumlah kunjungan wisatwan di Kabupaten
Karimun adalah Double Moving Average.
Kata Kunci: Metode peramalan, Jumlah Kunjungan Wisatawan, Data Time Series

1. Pendahuluan
Sektor pariwisata memegang
peranan penting dalam perekonomian
Indonesia, baik sebagai salah satu sumber
penerimaan devisa maupun penciptaan
lapangan kerja serta kesempatan
berusaha. Pariwisata merupakan salah
satu sektor yang memberikan kontribusi
terbesar dalam perolehan devisa negara.
Kinerja sektor pariwisata sebagai
penghasil devisa ditentukan oleh
kemampuan kita untuk mendatangkan
sebanyak mungkin wisatawan
mancanegara (wisman) ke Indonesia.
Kabupaten Karimun merupakan
wilayah kepulauan yang terdiri dari 249
pulau yang seluruhnya sudah memiliki
nama, namun baru 45 pulau yang
berpenghuni. Wilayah Kabupaten Karimun
berada di antara Kota Batam, Singapura,
Malaysia, Kepulauan Riau serta Riau, serta
berada pada jalur pelayaran dunia yang
ramai.
Keuntungan geografis ini menjadikan
Karimun sebagai tempat yang sangat
strategis, terutama untuk berbagai
kegiatan perekonomian. Dengan
dukungan daya tarik keadaan alam yang
indah dan letak yang strategis tersebut,
salah satu potensi yang sangat cocok
untuk dikembangkan adalah sektor
pariwisata.
Bagi Kabupaten Karimun, sektor
pariwisata memegang peranan penting
dalam mendukung pertumbuhan ekonomi
daerah. Setidaknya terdapat tiga sektor
yang terkena dampak langsung dari
kegiatan pariwisata di Kabupaten Karimun
yaitu Perdagangan, Hotel dan Restoran,
Pengangkutan dan Komunikasi, serta Jasa.
Dengan 95 persen jumlah
wisatawan mancanegara berasal dari
Singapuran dan Malaysia, share ketiga
sektor tersebut dalam PDRB Kabupaten
Karimun pada tahun 2011 mencapai 44
persen dari total PDRB yang terbentuk.
Oleh karena itu dalam perencanaan
pembagunan Kabupaten Karimun, sektor
ini mendapatkan perhatian besar, sesuai
dengan strategi pencapaian misi pertama
dan kedua dalam RPJM 2011-2016.
Untuk keperluan tersebut maka
diperlukan adanya ramalan mengenai
perkiraan jumlah wisman tahunan sebagai
dasar untuk menyusun Rencana Kerja
Pemerintah Daerah pada tahun
berikutnya. Penelitian sebelumnya
mengenai peramalan jumlah wisatawan
dengan menggunakan data deret waktu
telah banyak dilakukan antara lain oleh
Witt dan Witt (1992), Song dan Witt
(2000), Frechtling (1996 dan 2001), Wong
dan Song (2002), Suhartono (2007), Song
dan Li (2008), Chu (2008 dan 2009),
Nuvitasari (2009), Chen (2011), Suhartono
dan Lee (2011), Lee, et al. (2012), dan
banyak lainnya.
Dalam penelitian mengenai
permintaan pariwisata, yang diwakili oleh
jumlah seluruh dunia pengunjung ke Hong
Kong, Jepang, Korea, Taiwan, Singapura,
Thailand, Filipina, Australia dan Selandia
Baru, Chu (2009) menerapkan tiga model
ARMA berbasis univariat dan mendapati
bahwa model berbasis ARMA tampil
sangat baik dan dalam beberapa kasus
besarnya rata-rata persentase kesalahan
absolut lebih rendah dari level dua
persen.
Sementara Chen (2011)
menunjukkan bahwa penggunaan
gabungan metode linier dan non-linier
dapat meningkatkan akurasi hasil
peramalan pada data series Inbound
Outbound Tourism di Taiwan.
Pada studi 121 paper mengenai
peramalan jumlah wisatawan yang telah
diterbitkan sejak tahun 2000, Song dan Li
(2008) mempelajari berbagai metode
peramalan dan menyimpulkan bahwa
tidak terdapat metode yang benar-benar
unggul untuk diterapkan pada seluruh
peramalan jumlah wisatawan. Namun
demikian terdapat bukti kuat bahwa
metode time series yang berdasarkan
kepada lag autoregresive terdistribusi
cenderung memberikan hasil yang lebih
baik. Hal ini sesuai dengan hasil penelitian
dari Lee, et al. (2012) yang menemukan
bahwa meskipun metode kompleks
memberikan hasil peramalan yang lebih
akurat, namun metode klasik tetap
terpilih sebagai metode terbaik untuk
peramalan pada kasus kunjungan
wisatawan di Bali dan Bandara Soekarno
Hatta Jakarta.
Dari berbagai penelitian tersebut,
dapat ditarik suatu kesimpulan bahwa
dalam peramalan jumlah wisatawan, tidak
ada jaminan bahwa metode yang lebih
kompleks akan memberikan hasil yang
lebih baik dibandingkan dengan metode
sederhana. Dengan demikian akan
menarik untuk mempelajari bagaimana
perbandingan performa kedua metode
tersebut dalam peramalan jumlah wisman
di Kabupaten Karimun.
Beberapa penelitian sebelumnya
mengenai perbandingan peramalan
antara metode sederhana dan metode
kompleks pada data deret waktu pernah
dilakukan oleh Chen (1997), Syariza dan
Norhafiza (2005), Taylor (2008), serta
Javedani, Lee, dan Suhartono (2011).
Beberapa metode yang digunakan
diantaranya nave, regresi, dekomposisi,
exponential smoothing, regresi dan
ARIMA Box-Jenkins. Hasilnya didapati
bahwa model ARIMA tidak selalu
memberikan hasil peramalan yang terbaik,
terutama ketika terdapat unsur musiman.
Pada deteksi awal didapati bahwa
plot data menunjukkan kecenderungan
yang menurun, namun tidak memberikan
petunjuk adanya unsur musiman yang
jelas. Dengan demikian metode yang
dapat dipergunakan untuk peramalan
univariat adalah Nave I dan II, Double
Moving Average (DMA), Double
Exponential Smoothing (DES), dan Regresi
Linier, serta metode kompleks seperti
ARIMA Box Jenkins (Hanke, 2001).
Berdasarkan studi ini, diharapkan
dapat diketahui model terbaik yang dapat
menjelaskan jumlah kunjungan wisman di
Kabupaten Karimun dan
mempergunakannya untuk meramalkan
jumlah kunjungan wisman di Kabupaten
Karimun selama tahun 2013.

2. Metode Peramalan
2.1. Metode Nave
Naive model merupakan metode
yang paling sederhana, menganggap
bahwa peramalan periode berikutnya
sama dengan nilai aktual periode
sebelumnya. Metode ini merupakan
metode paling sederhana karena
mengasumsikan bahwa data yang baru
saja terjadi merupakan prediksi paling
tepat untuk meramalkan priode yang akan
datang.
Model untuk data tren sederhana:
Untuk tren bersifat
aditif, dan
1
1

t
t t
t
Y
Y Y
Y
+

= Untuk data bersifat


multiplikatif
2.2. Double Moving Average (DMA)
Moving Average (DMA) adalah
deret waktu yang dibangun dengan
mengambil rata-rata dari beberapa nilai
berurutan dari deret waktu yang lain.
Istilah "rata-rata bergerak" digunakan
untuk menggambarkan prosedur ini
karena setiap rata-rata dihitung dengan
menghilangkan pengamatan sebelumnya
dan memasukan pengamatan berikutnya.
Metode DMA didasarkan pada
perhitungan rata-rata bergerak kedua,
yang dihitung berdasarkan rata-rata dari
rata-rata bergerak pertama. DMA
dinotasikan dengan MA (T x T), yang dapat
diartikan sebagai MA (T) periode dari MA
(T) periode. Metode ini dapat digunakan
untuk meramalkan data dengan
komponen trend linier dengan lebih baik.
Prosedur rata-rata bergerak linier secara
umum dapat diterangkan melalui
persamaan berikut :
N
N t t t t X X X X
S t
1 2 1
...
'
+
+ + + +
=
N
N t t t t S S S S
S t
'
...
' ' '
' '
1 2 1 +
+ + + +
=
( )
' ' ' 2 ' ' ' ' S t S t S t S t S t at
= + =

( )
' ' '
1
2
S t S t
N
bt

=

m
bt at F m t
+ =
+

2.3. Double Exponential Smoothing (DSE)
Dasar pemikiran dari pemulusan
eksponensial adalah serupa dengan rata-
rata bergerak linier karena kedua nilai
pemulusan tunggal dan ganda ketinggalan
dari data yang sebenarnya bilamana
terdapat unsur trend, perbedaan antara
nilai pemulusan tunggal dan ganda dapat
ditambahkan kepada nilai pemulusan
tunggal dan disesuaikan untuk trend.
Metode pemulusan eksponensial
linear dari Holt tidak menggunakan rumus
pemulusan berganda secara langsung.
Sebagai gantinya, Holt memuluskan nilai
trend dengan parameter yang berbeda
dari parameter yang digunakan pada
deret yang asli. Ramalan dari pemulusan
eksponensial linear Holt didapat dengan
menggunakan dua konstanta pemulusan
(dengan nilai antara 0 dan 1) dan tiga
persamaan sebagai berikut :
1 1

( )
t t t t
Y Y Y Y
+
= +
) )( 1 (
1 1
+ + =
t t t t
b S X S o o

1 1
) 1 ( ) (

+ =
t t t t
b S S b

m
b
S F
t
t m t
. + =
+

Inisialisasi : S
1
= X
1

b
1
= X
2
X
1

2.4. Regresi Linier Terhadap Waktu
Merupakan penerapan dari metode
regresi linier sederhana dengan variabel
waktu (t) sebagai prediktor, dengan rumus
umum sebagai berikut:
t t t
y x | c = +
Dimana x
t
didefinisikan sebagai waktu ke
t= 1,2,
Dan persamaan tersebut telah memenuhi
asumsi eror yang IIDN
2.5. ARIMA Box Jenkins
Model ini merupakan pendekatan
metode Box Jenkins pada peramalan data
deret waktu. Metode ini diapatkan dari
perluasan yang diperoleh dari model
AR(p) dan MA(q) membentuk model
campuran sebagai berikut:

yang dinamakan model ARMA(p,q) dan
bisa juga ditulis dalam bentuk:

dengan



Pada kenyatannya data time series
yang ada lebih banyak yang tidak
stasioner. Ada banyak hal yang
menyebabkan data time series tidak
stasioner diantaranya adalah karena mean
dan varians. Ketidakstasioneran dalam
mean dapat diatasi dengan proses
differencing. Sedangkan
ketidakstasioneran dalam varians dapat
diatasi dengan transformasi Box-Cox.
Model time series tidak stasioner yang
telah di-differencing dinamakan model
Autoregressive Integrated Moving
Average (ARIMA). Misalnya Wt adalah
barisan selisih dengan
maka proses ARMA dapat ditulis:

jika Wt diganti dengan , maka
persamaan tersebut dapat ditulis sebagai:

Dalam banyak kasus, dapat terjadi
bahwa selisih (difference) pertama suatu
time series masih tidak stasioner. Dengan
menuliskan derajat selisih dengan d, maka
suatu proses ARIMA dapat digambarkan
dengan dimensi p, d, dan q. Sehingga
ARIMA(p,d,q) berarti suatu time series
nonstasioner yang setelah diambil selisih
ke-d menjadi stasioner dan mengikuti
proses AR(p) dan MA(q).

3. Data
Data yang digunakan dalam
penelitian adalah jumlah wisman bulanan
yang berkunjung ke Kabupaten Karimun
dari pintu masuk Pelabuhan Tanjungbalai
Karimun yang bersumber dari BPS
Kabupaten Karimun. Jumlah pengamatan
sebanyak 120 bulan akan digunakan
sebagai insample dan 15 bulan berikutnya
akan digunakan sebagai outsample.

4. Hasil dan Pembahasan
Selama periode 2002-2012, jumlah
wisman yang berkunjung ke Kabupaten
Karimun terus menunjukkan tren yang
menurun. Walaupun sempat mengalami
peningkatan sebesar 3,84 persen pada
tahun 2004, namun secara keseluruhan
laju kunjungan wisman pada periode
tersebut mengalami penurunan rata-rata
sebesar 7,20 persen setiap tahunnya.
Penurunan laju kunjungan tertinggi terjadi
pada tahun 25,43 persen, merupakan
dampak tidak langsung dari menurunnya
kondisi perekonomian dunia yang juga
dirasakan oleh Singapura dan Malaysia
sebagai dua negara asal wisman terbesar.
Gambaran mengenai jumlah kunjungan
wisatawan pada periode tersebut
selengkapnya terdapat pada Grafik 1.

Grafik 1. Jumlah Kunjungan Wisatawan Mancanegara di Kabupaten Karimun 2002-2013

Year
Month
2013 2012 2011 2010 2009 2008 2007 2006 2005 2004 2003 2002
Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan
25000
20000
15000
10000
5000
w
i
s
m
a
n
3
2
1
12
11
10
9
8
7
6
5
4
3
2
1
12
11
10
9
8
7
6
5
4
3
2
1
12
11
10
9
8
7
6
5
4
3
2
1
12
11
10
9
8
7
6
5 4
3
2
1
12
11
10
9
8
7
6
5
4
3
2
1
12
11
10
9
8
7 6
5
4
3
2
1
12
11
10
9
8
7
6
5
4
3
2
1
12
11
10
9
8
7 6
5
4
3
2
1
12
11
10 9
8
7
6
5
4
3
2
1
12
11
10
9
8
7
6
5
4
3
2
1
12
11
10
9
8
7 6
5
4
3
2
1


4.1. Hasil Metode Regresi linier
Persamaan regresi yang
didapatkan dari data insample adalah
Yt = 21003 - 121 t

Predictor Coef SE Coef T P
Constant 21003,0 447,1 46,98 0,000
t -120,557 6,413 -18,80 0,000
S = 2433,58 R-Sq = 75,0% R-Sq(adj) = 74,8%

Analysis of Variance
Source DF SS MS
F P
Regression 1 2092742763 2092742763
353,37 0,000
Residual Error 118 698832796 5922312
Total 119 2791575559
Secara parsial, koefisien regresi
signifikan, dengan varians yang dapat
dijelaskan mencapai 75 persen. Artinya,
kita percaya bahwa variabel waktu dapat
menjelaskan informasi perubahan jumlah
wisatawan sebesar 75 persen, sedangkan
sisanya dijelaskan oleh faktor lain. Namun
demikian Error yang dihasilkan oleh model
regresi tersebut ternyata tidak memenuhi
asumsi IIDN, dimana terdapat pelanggaran
asumsi autokorelasi, homoskadastistitas
dan kenormalan error, sehingga pada
tahap selanjutnya metode ini tidak akan
digunakan baik pada perbandingan model
maupun peramalan.
4.2. Hasil ARIMA
Pemeriksaan pola data yang
dilakukan dengan menggunakan plot
menunjukkan adanya tren yang menurun,
sehingga dapat diduga bahwa pola data
tidak stasioner dalam mean. Namun
sebelumnya, hasil pemeriksaan terhadap
stasioneritas varians pola data dengan
metode Box-Cox menunjukkan bahwa
terdapat selang kepercayaan sebesar 95
persen bahwa nilai lambda berada
diantara 0,11 dan 1,02.
Dengan demikian dapat
disimpulkan bahwa pola data telah
stasioner dalam varians, sehingga
transformasi yang perlu dilakukan
hanyalah dengan differencing data
sebesar satu lag. Dari hasil diferencing
tersebut kemudian diperoleh plot ACF dan
PACF sebagai berikut:
Grafik 3. ACF dan PACF dari Model ARIMA (4,1,0)
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Autocorrelation Function for diff1
(with 5% significance limits for the autocorrelations)

30 28 26 24 22 20 18 16 14 12 10 8 6 4 2
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Partial Autocorrelation Function for diff1
(with 5% significance limits for the partial autocorrelations)

Berdasarkan Grafik 3. pola ACF
menunjukkan cut off pada lag 1,
sementara pola PACF menunjukkan cut off
setelah lag 4. Tidak terlihat adanya pola
musiman baik pada ACF maupun PACF
sehingga kemungkinan model yang dapat
dibentuk adalah ARIMA (4,1,0), ARIMA
(0,1,2) atau ARIMA (3,1,2).
Hasil pengolahan dengan software
Minitab 15 menunjukkan bahwa ketiganya
memenuhi asumsi white noise dan
normaly distributed residual, namun
model yang memiliki performa terbaik
dalam memodelkan dan meramalkan data
adalah ARIMA (2,1,3).
Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 0,8126 0,0187 43,57 0,000
AR 2 -0,9945 0,0184 -54,14 0,000
MA 1 1,4302 0,0464 30,85 0,000
MA 2 -1,4154 0,0453 -31,24 0,000
MA 3 0,6426 0,0560 11,47 0,000


Differencing: 1 regular difference
Number of observations: Original
series 120, after differencing 119
Residuals: SS = 591178400
(backforecasts excluded)
MS = 5185775 DF = 114

Modified Box-Pierce (Ljung-Box) Chi-
Square statistic

Lag 12 24 36 48
Chi-Square 5,0 16,5 25,9 32,3
DF 7 19 31 43
P-Value 0,664 0,621 0,727 0,884

Grafik 1. Normal Probability Plot Model ARIMA

5000 2500 0 -2500 -5000 -7500
99,9
99
95
90
80
70
60
50
40
30
20
10
5
1
0,1
residual
P
e
r
c
e
n
t
Mean -308,6
StDev 2217
N 119
KS 0,044
P-Value >0,150
Probability Plot of residual
Normal

4.3. Perbandingan Performa Antar
Metode
Hasil pengujian data outsample yang
dilakukan dengan menggunakan metode
Nave I dan II, Double Moving Average
(DMA), Double Exponential Smoothing
(DES) dengan alfa 1,115 dan Gamma
0,004, dan ARIMA disajikan pada tabel 1
berikut.
Tabel 1. Perbandingan Nilai Hasil Ramalan Tujuh Metode Dengan Data Aktual
t Yt Nave I Nave II DMA DES
ARIMA
(4,1,0)
ARIMA
(0,1,2)
ARIMA
(2,1,3)
(1) (2) (3) (4) (5) (6) (7) (8) (9)
121 9.387 12.396 12.807 8.839 10.624 8.641 9.383 8.938
122 8.069 14.280 14.618 9.098 10.513 8.506 8.896 8.599
123 10.050 16.164 16.450 8.925 10.402 8.709 8.896 8.582
124 8.488 18.048 18.297 8.893 10.291 8.853 8.896 8.905
125 9.337 19.932 20.152 8.803 10.180 9.219 8.896 9.184
126 10.456 21.816 22.013 8.807 10.070 8.921 8.896 9.090
127 7.817 23.700 23.878 8.698 9.959 8.780 8.896 8.736
128 7.107 25.584 25.747 8.479 9.848 8.834 8.896 8.542
129 8.336 27.468 27.618 8.977 9.737 8.890 8.896 8.736
130 7.586 29.352 29.491 9.068 9.626 8.963 8.896 9.087
131 8.896 31.236 31.365 9.218 9.515 8.915 8.896 9.179
132 11.022 33.120 33.241 9.293 9.405 8.868 8.896 8.905
133 7.181 35.004 35.118 9.049 9.294 8.875 8.896 8.590
134 9.912 36.888 36.995 9.077 9.183 8.894 8.896 8.608
135 9.660 38.772 38.873 9.056 9.072 8.910 8.896 8.935

Berdasarkan uji kesesuaian model
dengan menggunakan data insample,
didapati bahwa metode yang
menghasilkan nilai AIC dan SBC terkecil
adalah DMA, diikuti dengan ARIMA.
Dengan demikian model yang paling
sesuai untuk menjelaskan jumlah
kunjungan wisman di Kabupaten Karimun
selama periode 2002-2011 adalah metode
DMA.
Selain itu diketahui bahwa metode
Nave serta DES memberikan hasil yang
kurang baik. Yang menarik adalah ketika
metode nave I menghasilkan nilai AIC dan
SBC yang lebih kecil dibandingkan dengan
nave multiplikatif. Hal ini memperkuat
hasil pengujian bahwa varians data
cenderung konstan.
Sementara untuk pengujian hasil
peramalan, diketahui bahwa metode yang
menghasilkan nilai MSE terkecil adalah
metode DMA. Namun ketika dibandingkan
MAPE dan MAD, metode yang
menghasilkan nilai terkecil adalah ARIMA.
Dengan demikian kedua metode
tersebut sama-sama dapat digunakan
untuk peramalan, walaupun dalam
prakteknya, metode yang lebih sering
dipakai adalah metode yang menghasilkan
nilai MSE terkecil. Dapat disimpulkan
bahwa secara keseluruhan, metode
terbaik yang dapat menjelaskan pola data
dan digunakan untuk peramalan adalah
DMA.

Tabel 2. Perbandingan Kriteria Kebaikan Model Untuk Empat Metode Peramalan
Metode Insample Outsample
AIC SIC MSE MAD MAPE
Nave Aditif (I) 18.316.623 18.904.113 345.859.992 16.697 193
Nave Multiplikatif (II) 21.255.380 21.255.380 351.012.787 16.891 195
Double Moving Average 3.322.526 3.429.094 1.246.763 1.002 12
Double Exponential Smoothing 9.017.969 9.307.212 2.553.510 1.404 17
ARIMA (4,1,0) 5.443.174 5.571.790 1.351.485 987 11
ARIMA (0,1,2) 5.523.392 5.653.903 1.352.142 984 11
ARIMA (2,1,3) 5.052.085 5.171.460 1.252.918 965 11

Berdasarkan hasil perbandingan
keempat metode tersebut, maka
digunakan metode DMA untuk
meramalkan jumlah kunjungan wisman di
Kabupaten Karimun bulan April-Desember
2013 sebagai berikut.
Tabel 3. Ramalan Jumlah Kunjungan
Wisman di Kabupaten Karimun April-
Desember 2013 Dengan Menggunakan
Metode DMA
Bulan Periode Jumlah
April 136 8.815
Mei 137 8.866
Juni 138 8.781
Juli 139 8.500
Agustus 140 8.626
September 141 8.903
Oktober 142 9.002
Nopember 143 9.240
Desember 144 9.282

Berdasarkan hasil ramalan tersebut,
maka jumlah kunjungan wisman di Kabupaten
Karimun pada tahun 2013 diperkirakan akan
mencapai 110.502 orang, atau mengalami
peningkatan sebesar 3,71 persen
dibandingkan dengan tahun sebelumnya.
Dengan demikian telah terjadi perubahan
tren kunjungan yang meningkat selama
tiga tahun terakhir, dibandingkan dengan
periode 2005-2010 yang selalu mengalami
penurunan.

5. Kesimpulan dan Diskusi
Dalam penelitian ini dilakukan
pemilihan metode terbaik untuk
meramalkan jumlah kunjungan wisatawan
mancanegara di Kabupaten Karimun pada
periode April-Desember 2013 dengan
menggunakan empat jenis metode
sederhana dan satu metode kompleks.
Dengan mempelajari pola data yang
diduga bersifat tren non-musiman, maka
metode yang dipergunakan sebagai alat
peramalan adalah Nave I dan II, Double
Moving Average, Double Exponential
Smoothing, Regresi, serta ARIMA.
Berdasarkan pengujian awal,
ternyata model regresi linier yang
dihasilkan tidak layak digunakan dalam
peramalan karena terdapat pelanggaran
terhadap asumsi non-autokorelasi,
homoskedastisitas, dan normalitas error.
Selanjutnya dengan menggunakan
sebanyak 120 buah data insample
diketahui bahwa metode yang paling baik
untuk menjelaskan pola data adalah
Double Moving Average, sementara yang
paling buruk adalah metode Nave II.
Berdasarkan pengujian performa
ketepatan hasil peramalan didapati bahwa
model DMA dan ARIMA (4,1,0)
merupakan yang paling baik digunakan
dalam peramalan. Namun secara overall,
metode terbaik dalam menjelaskan data
dan peramalan jumlah kunjungan wisman
di Kabupaten Karimun adalah DMA.

6. Daftar Pustaka
Chen C., (1997). Robustness Properties for
Some Forecsting Methods of
Time Series: a Monte Carlo Study.
International Journal of
Forecasting. Vol. 13, Issue 2. pp.
269-280
Chen K., (2011). Combining linear and
nonlinear model in forecasting
tourism demand. Expert Systems
with Applications. Vol. 38, Issue 8:
1036810376
Chu F., (2008). Analyzing and forecasting
tourism demand with ARAR
algorithm. Tourism Management.
Vol 29, Issue 6. pp 11851196
_________, (2009). Forecasting tourism
demand with ARMA-based
methods, Tourism Management,
Vol. 30, Issue 5. Pp. 740751
Frechtling, D. C. (2001), Forecasting
Tourism Demand: Methods and
Strategies, Butterworth-
Heinemann, Oxford
Frechtling, D. C. (1996), Practical Tourism
Forecasting, Butterworth
Heinenman, Oxford
Hanke, J.E. and Reitsch, A.G. (2001).
Business Forecasting 7
th

edition, Prentice Hall.
Lee, M. H., et al., (2012). Fuzzy time
series: An application to tourism
demand forecasting. Am. J.
Applied Sci., Vol. 9. pp. 132-140
Javedani H., Lee M. H., and Suhartono.
(2011). An Evaluation of Some
Classical Method for Forecasting
Electrical Usage on a Spesific
Problems. Journal of Statistical
Modelling and Analysis.Vol. 2.
pp. 1-10.
Nuvitasari, E., (2009). Analisis Intervensi
Multi Input Fungsi Step dan Pulse
Untuk Peramalan Kunjungan
Wisatawan ke Indonesia. Thesis.
ITS Surabaya
Song, H. and Witt, S. F. (2000), Tourism
Demand Modelling and
Forecasting: Modern Econometric
Approaches, Pergamon
Song, H. & Li, G. (2008). Tourism demand
modelling and forecasting: A
review of recent research,
Tourism Management. Vol. 29.
pp. 203-220.
Suhartono and M.H. Lee, 2011. A hybrid
approach based on winter's
model and weighted fuzzy time
series for forecasting trend and
seasonal data. J. Math. Stat., Vol.
7. pp. 177-183.

Syariza, A.R. and Norhafiza, M. (2005).
Comparison of Time series
methods for Electricity
forecasting: a Case in Perlis.
ICOQSIA, 6-8 december, Penang,
Malaysia.
Taylor, J. W. (2008). A Comparison of
Univariate Time Series Methods
for forecasting intraday Arrivals
at a Call centre. Management
Science, Vol. 54, pp. 253-265
Witt, S. F. and Witt, C. A. (1992), Modeling
and Forecasting Demand in
Tourism, Academic Press, London
Wong, K. F. and Song, H. (2002), Tourism
Forecasting and Marketing,
Hayworth Hospitality Press, New
York