PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)

Oleh : Nofinda Lestari 1208 100 039

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2012

Latar Belakang Masalah

PARIWISATA

Kehidupan Manusia

Kusuma Agrowisata

Menunjang pembangunan nasional, meningkatkan pendapatan masyarakat, dan pemasukan devisa

Data musiman

SARIMA

Rumusan Masalah

Bagaimana menentukan model SARIMA terbaik untuk peramalan kunjungan wisata Kusuma Agrowisata, Batu-Malang. Bagaimana mendapatkan hasil peramalan untuk jumlah pengunjung yang berwisata di Kusuma Agrowisata, Batu-Malang tahun 2012.

Batasan Masalah

Data yang digunakan adalah data bulanan jumlah kunjungan wisata asing dan lokal di Kusuma Agrowisata tahun 2001-2011. Analisa data dengan menggunakan software Minitab 15 dan SAS 9.1.

Tujuan

Memperoleh model SARIMA yang terbaik untuk peramalan kunjungan wisata Kusuma Agrowisata, Batu-Malang. Memperoleh hasil peramalan jumlah pengunjung di Kusuma Agrowisata, Batu-Malang tahun 2012.

Manfaat

Untuk mengetahui model dan hasil peramalan terbaik untuk kunjungan wisata Kusuma Agrowisata, Batu-Malang.

TINJAUAN PUSTAKA
METODE PERAMALAN Metode Peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang, berdasarkan data yang relevan pada masa lalu. Metode ini sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan prakmatis serta memberikan tingkat keyakinan yang lebih. Salah satu metode dalam peramalan yaitu metode Box Jenkins. Beberapa model dalam Metode BoxJenkins yaitu : a. Model ARIMA (p,d,q)

b. Model ARIMA dan Faktor Musim Notasi ARIMA dapat diperluas untuk menangani aspek musiman, notasi umumnya adalah : ARIMA (p,d,q) (P,D,Q)S dengan : p,d,q S berikut : : bagian yang tidak musiman dari model : jumlah periode per musim (P,D,Q)S : bagian musiman dari model Adapun rumus umum dari ARIMA (p,d,q)(P,D,Q)S sebagai

Uji Signifikansi Parameter Model peramalan yang diperoleh akan diuji signifikansi parameter modelnya dengan hipotesis sebagai berikut. Hipotesa :

Daerah penolakan : Tolak H0 jika thit t/2, n-a dimana n menunjukkan banyaknya data dan a menunjukkan banyaknya parameter.

Uji Asumsi Residual Dalam menentukan model ARIMA yang terbaik, harus dipilih model yang seluruh parameternya signifikan, kemudian juga memenuhi 2 asumsi residual yaitu berdistribusi normal dan white noise. a. Distribusi Normal Pengujian kenormalan dapat dihitung dengan menggunakan KolmogorovSmirnov. Hipotesa : H0 : residual berdistibusi normal H1 : residual tidak berdistribusi normal Statistik uji : Dhit = maximum F0(x) SN (x) Kemudian nilai Dhit dibandingkan dengan nilai D pada Tabel KolmogorovSmirnov dengan derajat bebas adalah n. Dengan : F0(X) : fungsi yang dihipotesiskan yaitu berdistribusi normal SN(X) : fungsi distribusi kumulatif dari data asal n : banyaknya residual Daerah penolakan : Tolak H0 jika Dhit > D, n

b. White Noise Suatu model bersifat white noise artinya residual dari model tersebut telah memenuhi asumsi identik (variasi residual homogen) serta independen (antar residual tidak berkorelasi). Pengujian asumsi white noise dilakukan dengan menggunakan uji Ljung-Box. Hipotesa :

Daerah penolakan : Q > 2, k-m dengan : n : banyaknya residual k : lag ke-k m : jumlah parameter

Kriteria Pemilihan Model Terbaik Dalam analisis time series terdapat banyak data sehingga akan menghasilkan banyak model untuk menggambarkannya. Kadang-kadang pemilihan model terbaik memang mudah namun dilain waktu pemilihan modelnya menjadi lebih sulit. Oleh karena itu dibutuhkan kriteria untuk menentukan model yang terbaik dan akurat. Beberapa kriteria pemilihan model terbaik terdiri dari : a. AIC (Akaikes Information Criterion) Diasumsikan suatu model statistik dengan M parameter sebagai penduga dari data. Penaksiran kualitas dari model dugaan dapat menggunakan AIC dengan perumusan sebagai berikut :

b. SBC (Schwartzs Bayesian Criterion) Schwartz di dalam Wei menggunakan kriteria Bayesian dalam pemilihan model terbaik yang disebut dengan SBC dengan perumusan sebagai berikut : Selain itu pemilihan model terbaik dapat menggunakan Mean Absolute Percentage Error (MAPE) yaitu :

n menyatakan banyaknya data yang akan dihitung residualnya.

Metodologi penelitian
Mulai
Studi Literatur Membuat plot times series tidak Proses stasioner ya Plot ACF dan PACF Differencing

Menetukan Model SARIMA sementara Penaksiran dan pengujian

Pemeriksaan diagnostik (apakah model sesuai)

Overfitting

Menentukan model SARIMA terbaik untuk peramalan

Penulisan Laporan Tugas Akhir

Selesai

PEMBAHASAN
Analisis Data dan Pembahasan Dasar dari pendekatan metode Box-Jenkins dibagi menjadi 3 tahap, yaitu : a. Tahap Identifikasi Yang pertama kali dilakukan yaitu memplot data time seriesnya untuk mengetahui apakah data tersebut merupakan deret berkala musiman atau deret berkala tidak musiman. Dilihat dari Gambar 1 plot data time seriesnya, data tersebut termasuk data musiman. Langkah selanjutnya yang perlu diperhatikan adalah membuat deret stasioner dalam varians dan means.

LANJUTAN
Time Series Plot of Kunjungan wisata
12000 10000

Box-Cox Plot of Kunjungan wisata

14000 12000 10000
StDev
Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL Rounded Value 0.25 -0.24 0.71 0.00

Box-Cox Plot of C2
Lower CL Lambda

0.410

(using 95.0% confidence) Estimate 2.99 -1.21 * 2.99

Kunjungan wisata

0.405

Lower CL Upper CL Rounded Value

8000 6000 4000

StDev

8000 6000 4000

0.400

0.395

Limit

2000 1 12 24 36 48 60 Index 72 84 96 108 120

0.390 Limit -5.0 -2.5 0.0 Lambda 2.5 5.0 -5.0 -2.5 0.0 Lambda 2.5 5.0

2000

Gambar 2. Plot data time series Kunjungan Wisata

Box-Cox Plot of C3
115 110 105
StDev
Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL Rounded Value 1.00 -0.21 2.38 1.00

Gambar 3. Transformasi data dengan Box Cox Kunjungan Wisata

(with 5% significance limits for the autocorrelations) 1.0 0.8 0.6
Autocorrelation

Gambar 4. Transformasi data dengan Box Cox C2.

(with 5% significance limits for the partial autocorrelations) 1.0 0.8
Partial Autocorrelation

Autocorrelation Function for Zt

Partial Autocorrelation Function for Zt

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 10 20 30 40 50 Lag 60 70 80 90 100

100 95 90 85 80 -5.0 -2.5 0.0 Lambda 2.5 5.0

Limit

10

20

30

40

50 Lag

60

70

80

90

100

Gambar 5. Transformasi data dengan Box Cox C3

Gambar 7. Plot ACF dari Zt

Gambar 8. Plot PACF dari Zt

LANJUTAN
(with 5% significance limits for the autocorrelations) 1.0 0.8 0.6
Autocorrelation

Autocorrelation Function for C7

(with 5% significance limits for the partial autocorrelations) 1.0 0.8

Partial Autocorrelation

Partial Autocorrelation Function for C7

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 10 20 30 40 50 Lag 60 70 80 90 100

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 10 20 30 40 50 Lag 60 70 80 90 100

Gambar 9. Plot ACF dari Zt differencing

Gambar 10. Plot PACF dari Zt differencing

Adapun model ARIMA sementara dilihat dari Gambar 9 dan 10 yaitu (5,1,[1,12]).

LANJUTAN
b. Tahap Penaksiran dan Pengujian

Model

Parameter

Estimasi

Pvalue

Signifikan/ Tidak Signifikan

MA1,1 (5,1,[1,12])

0.80820

<.0001

MA1,2

-0.25666

<.0001

Signifikan

Tabel.1 Pengujian Parameter

LANJUTAN

Model

Parameter Estimasi

Pvalue

Signifikan / Tidak Signifikan

(5,1,[1,12])

AR1,1

0.24326

0.0103

LANJUTAN
c. Pemeriksaan Diagnostik Digunakan untuk membuktikan apakah model cukup memadai atau tidak. Dilakukan dengan mempelajari nilai-nilai residual. Model dikatakan sesuai jika nilai residualnya white noise . Maka dilakukan uji sebagai berikut: Uji identik Untuk melihat apakah variannya homogen atau tidak. Karena pada tahap identifikasi Zt sudah stasioner dalam means dan varians, maka model dapat dikatakan sudah identik. Uji independent
Model ARIMA (5,1,[1,12]) Lag (K) 6 12 18 24 Q 13.46 44.71 60.68 89.05 Pvalue 0.0012 <.0001 <.0001 <.0001 Kesimpulan Tidak White Noise Tidak White Noise Tidak White Noise Tidak White Noise

LANJUTAN
Uji Normalitas
Model (5,1,[1,12]) Pvalue >0.1500 Kesimpulan Residual Normal

d. Overfitting Karena ada salah satu residual yang tidak white noise maka dilakukan tahap overfitting. Model yang dihasilkan dari hasil overfitting dijadikan sebagai model alternatif yang kemudian dicari model yang terbaik diantara model-model yang signifikan. Adapun model-model alternatif yang akan diujikan ialah sebagai berikut : ARIMA ([1,5],1,[1,12])(1,0,0)6 ARIMA ([2,5],1,1)(1,0,0)6 ARIMA (1,1,[2,5])(1,0,0)12 ARIMA ([2,5],1,1)(1,0,0)12 ARIMA ([2,5],1,1)(0,0,1)12 ARIMA (5,1,1)(0,0,1)12

LANJUTAN
Dari Tabel.5 dan Tabel.6 didapatkan 1 model yang memenuhi semua asumsi, oleh karena itu ARIMA ([2,5],1,1)(1,0,0)12 adalah model yang terbaik dengan perhitungan MSE, RMSE, MAPE seperti pada Tabel.7.
Tabel.5 Pengujian Estimasi Parameter Model ([1,5],1,[1,12]) (1,0,0)6 ([2,5],1,1) (1,0,0)6 (1,1,[2,5]) (1,0,0)12 ([2,5],1,1) (1,0,0)12 ([2,5],1,1) (0,0,1)12 (5,1,1) (0,0,1)12 Estimasi Parameter 0.36416 -0.41225 1.00000 0.57861 -0.33577 1.00000 1.00000 -0.51493 1.00000 -0.47250 -0.51934 0.36972 0.46335 0.23323 0.37955 0.33710 -0.91259 0.63960 0.28436 0.31390 0.58881 0.24716 0.30880 0.31037 Pvalue 0.0001 <.0001 <.0001 <.0001 <.0001 <.0001 <.0001 <.0001 <.0001 <.0001 <.0001 <.0001 <.0001 0.0111 <.0001 0.0004 <.0001 <.0001 0.0022 0.0011 <.0001 0.0090 0.0015 0.0016 Signikan/ Tidak Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan

LANJUTAN
Tabel 7. Perhitungan MSE, RMSE dan MAPE
Model ([2,5],1,1) (1,0,0)12 Residual MSE 882175.4 RMSE 939.2419 MAPE(%) 15.93689

Tabel 8. Tabel Hasil Ramalan

Forecast dengan transformasi (ct) 578.1212 568.39 525.6161 551.1101 600.6039 606.7479 640.0644 493.6089 578.1525 550.6486 563.1684 636.6508 Forecast dengan transformasi balik bt = ct^(1/2.99) 8.38981 8.342312 8.126857 8.256617 8.497549 8.526524 8.680332 7.957873 8.389962 8.254304 8.316602 8.664822 Forecast dengan transformasi balik at = exp (bt) 4401.982 4197.784 3384.147 3853.037 4902.739 5046.871 5886.002 2857.986 4402.651 3844.135 4091.234 5795.411

LANJUTAN
Tabel 9. Tabel Hasil Ramalan (SARIMA) Kunjungan Wisata Kusuma Agrowisata Batu Malang Bulan Januari-Desember 2012.
Tahun Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Forecast 4402 4198 3384 3853 4903 5047 5886 2858 4403 3844 4091 5795

2012

Tabel.10 Evaluasi Hasil Peramalan

Aktual 9276 4534 4943 5041 5788 Forecast 4402 4198 3384 3853 4903 5047 5886 2858 4403 3844 4091 5795 Batas Bawah 2235 2112 1581 1850 2460 2463 2955 1216 2068 1751 1882 2857 Batas Atas 7891 7569 6422 7183 8873 9326 10668 5771 8349 7440 7868 10664

PENUTUP

Model yang sesuai untuk kunjungan wisata Kusuma Agrowisata Batu Malang adalah Hasil peramalan menggunakan model tersebut menunjukkan kunjungan wisata Kusuma Agrowisata Batu Malang untuk 12 bulan kedepan diperkirakan akan mencapai angka tertendah pada bulan Agustus 2012 dan tertinggi pada bulan Desember 2012.

Daftar pustaka
[1]http://repository.usu.ac.id/bitstream/123456789/23541/4/Chapter%20I I.pdf , di akses pukul 22.24 WIB, tanggal 19 Februari 2012. [2] Tips Wisata ke Kota Malang, , di akses pukul 09.50 WIB tanggal 28 Februari 2012. <http://travel.kompas.com/read/2011/11/13/17384179/Tips.Wisata.ke .Kota.Malang> [3] Makridakis, S., Steven C. Wheelwright, dan Victor E. McGee. (1999). Metode dan Aplikasi Peramalan, edisi kedua. Binarupa Aksara, Jakarta. [4] Loganathan, Nanthakumar. dan Ibrahim, Y. (2010). Forecasting International Tourism Demand in Malaysia Using Box Jenkins Sarima Application. South Asian Journal of Tourism and Heritage (2010). Vol. 3, Number 2. [5] Wei, W.W.S. 2006. Time Series Analysis, Univariate and Multivariate Methods. 2nd edition. Pennsylvania: Pearson Education Inc.

TERIMA KASIH