PARIWISATA
Kehidupan Manusia
Kusuma Agrowisata
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 :
Metodologi penelitian
Mulai
Studi Literatur Membuat plot times series tidak Proses stasioner ya Plot ACF dan PACF Differencing
Overfitting
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 C2
Lower CL Lambda
0.410
Kunjungan wisata
0.405
StDev
0.400
0.395
Limit
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
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
Limit
10
20
30
40
50 Lag
60
70
80
90
100
LANJUTAN
(with 5% significance limits for the autocorrelations) 1.0 0.8 0.6
Autocorrelation
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
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
MA1,1 (5,1,[1,12])
0.80820
<.0001
MA1,2
-0.25666
<.0001
Signifikan
LANJUTAN
Model
Parameter Estimasi
Pvalue
(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
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
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