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

Kusuma
Agrowisata

Kehidupan
Manusia

Data musiman

SARIMA

Menunjang
pembangunan
nasional,
meningkatkan
pendapatan
masyarakat, dan
pemasukan devisa

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

Agrowisata, Batu-Malang tahun 2012.

pengunjung

di

Kusuma

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

: bagian yang tidak musiman dari model

(P,D,Q)S : bagian musiman dari model

S

: jumlah periode per musim

Adapun rumus umum dari ARIMA (p,d,q)(P,D,Q)S sebagai

berikut :

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
Differencing

Proses
stasioner
ya
Plot ACF dan PACF

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

Box-Cox Plot of C2

Box-Cox Plot of Kunjungan wisata

Lower CL

14000

12000

Lower CL

Upper CL

Lambda

Lambda

0.410

(using 95.0% confidence)

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

Gambar 2. Plot data time series

Kunjungan Wisata

-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

Gambar 5. Transformasi data

dengan Box Cox C3

2.5

5.0

(with 5% significance limits for the partial autocorrelations)

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

Partial Autocorrelation Function for Zt

Autocorrelation Function for Zt

Lambda

-2.5

Gambar 4. Transformasi data dengan

Box Cox C2.

(with 5% significance limits for the autocorrelations)

Upper CL
(using 95.0% confidence)

StDev

2.5

Partial Autocorrelation

Lower CL

0.0
Lambda

Gambar 3. Transformasi data

dengan Box Cox
Kunjungan Wisata

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

(using 95.0% confidence)

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

Gambar 7. Plot ACF dari Zt

100

10

20

30

40

50
Lag

60

70

80

90

Gambar 8. Plot PACF dari Zt

100

LANJUTAN
Autocorrelation Function for C7

Partial Autocorrelation Function for C7

(with 5% significance limits for the autocorrelations)

(with 5% significance limits for the partial autocorrelations)

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

Gambar 9. Plot ACF dari Zt differencing

10

20

30

40

50
Lag

60

70

80

90

100

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

(5,1,[1,12])

Parameter

Estimasi

Pvalue

Signifikan/
Tidak

MA1,1

0.80820

<.0001

Signifikan

MA1,2

-0.25666

<.0001

Signifikan

Tabel.1 Pengujian Parameter

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

Tabel 8. Tabel Hasil Ramalan

Forecast dengan
transformasi (ct)

Forecast dengan
transformasi balik bt =
ct^(1/2.99)

Forecast dengan transformasi

balik at = exp (bt)

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

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