ITS Paper 24035 1208100039 Presentation
ITS Paper 24035 1208100039 Presentation
Oleh :
Nofinda Lestari
1208 100 039
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2012
PARIWISATA
Kusuma
Agrowisata
Kehidupan
Manusia
Data musiman
SARIMA
Menunjang
pembangunan
nasional,
meningkatkan
pendapatan
masyarakat, dan
pemasukan devisa
Rumusan Masalah
Batasan Masalah
Tujuan
hasil
peramalan
jumlah
pengunjung
di
Kusuma
Manfaat
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. 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 :
Metodologi penelitian
Mulai
Studi Literatur
Membuat plot times series
tidak
Differencing
Proses
stasioner
ya
Plot ACF dan PACF
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
Box-Cox Plot of C2
14000
12000
Lower CL
Upper CL
Lambda
Lambda
0.410
12000
Estimate
Estimate
-0.24
0.71
Rounded Value
6000
Limit
0.390
Limit
2000
12
24
36
48
60
Index
72
84
96
108
120
-5.0
-2.5
-5.0
5.0
Estimate
105
Lower CL
Upper CL
Rounded Value
1.00
-0.21
2.38
1.00
100
95
90
Autocorrelation
110
Limit
80
-5.0
-2.5
0.0
Lambda
2.5
5.0
2.5
5.0
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
85
0.0
Lambda
Lambda
-2.5
Upper CL
(using 95.0% confidence)
StDev
2.5
Partial Autocorrelation
Lower CL
0.0
Lambda
Box-Cox Plot of C3
115
2.99
0.400
0.395
4000
-1.21
*
Rounded Value
0.00
8000
4000
2000
2.99
Lower CL
Upper CL
0.405
StDev
6000
0.25
Lower CL
Upper CL
10000
8000
StDev
Kunjungan wisata
10000
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-0.8
-1.0
-1.0
1
10
20
30
40
50
Lag
60
70
80
90
100
10
20
30
40
50
Lag
60
70
80
90
100
LANJUTAN
Autocorrelation Function for C7
0.8
1.0
0.6
0.8
0.4
0.6
Partial Autocorrelation
Autocorrelation
1.0
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
10
20
30
40
50
Lag
60
70
80
90
100
-1.0
1
10
20
30
40
50
Lag
60
70
80
90
100
LANJUTAN
b. Tahap Penaksiran dan Pengujian
Model
(5,1,[1,12])
Parameter
Estimasi
Pvalue
Signifikan/
Tidak
MA1,1
0.80820
<.0001
Signifikan
MA1,2
-0.25666
<.0001
Signifikan
LANJUTAN
Model
(5,1,[1,12])
Parameter Estimasi
AR1,1
0.24326
Pvalue
Signifikan
/
Tidak
0.0103
Signifikan
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
Pvalue
Kesimpulan
13.46
0.0012
12
44.71
<.0001
18
60.68
<.0001
Tidak White
Noise
Tidak White
Noise
Tidak White
Noise
Tidak White
Noise
24
89.05
<.0001
LANJUTAN
Uji Normalitas
Model
Pvalue
(5,1,[1,12])
>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
Estimasi Parameter
0.36416
-0.41225
([2,5],1,1)
(1,0,0)6
1.00000
(1,1,[2,5])
(1,0,0)12
0.57861
-0.33577
([2,5],1,1)
(1,0,0)12
([2,5],1,1)
(0,0,1)12
(5,1,1)
(0,0,1)12
Pvalue
-0.51934
0.36972
0.46335
0.23323
0.37955
0.33710
-0.91259
0.63960
0.0001
<.0001
<.0001
<.0001
<.0001
Signikan/
Tidak
<.0001
<.0001
<.0001
0.0111
<.0001
0.0004
<.0001
<.0001
Signifikan
Signifikan
Signifikan
1.00000
0.28436
0.31390
0.58881
<.0001
0.0022
0.0011
<.0001
1.00000
-0.51493
0.24716
0.30880
<.0001
<.0001
0.0090
0.0015
Signifikan
0.0016
Signifikan
1.00000
-0.47250
0.31037
<.0001
<.0001
Signifikan
LANJUTAN
Tabel 7. Perhitungan MSE, RMSE dan MAPE
Residual
Model
([2,5],1,1)
(1,0,0)12
MSE
RMSE
MAPE(%)
882175.4
939.2419
15.93689
Forecast dengan
transformasi balik bt =
ct^(1/2.99)
578.1212
568.39
525.6161
551.1101
600.6039
606.7479
640.0644
493.6089
578.1525
550.6486
563.1684
636.6508
8.38981
8.342312
8.126857
8.256617
8.497549
8.526524
8.680332
7.957873
8.389962
8.254304
8.316602
8.664822
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
2012
Forecast
4402
4198
3384
3853
4903
5047
5886
2858
4403
3844
4091
5795
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
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