Anda di halaman 1dari 62

2012100229MNBab2001

1 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

BAB II
LANDASAN TEORI
2.1

Manajemen Operasi
Menurut Fogarty (1989) mendefinisikan manajemen operasi sebagai
suatu proses yang secara berkesinambungan dan efektif

menggunakan fungsi-fungsi manajeman untuk mengintegrasikan

berbagai sumber daya secara efisien dalam rangka mencapai tujuan.


(Harjanto, 2007, p. 2).
Adam (1992), Heizer (2004), dan Stevenson (2005) dalam (Harjanto,

2007, p. 2) lebih menitikberatkan manajemen operasi sebagai suatu


system yang bertujuan menciptakan barang dan atau menyediakan
jasa.

Menurut (Prasetya & Fitria, 2009, p. 2)

Manajemen operasi adalah

serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang


dan jasa dengan mengubah input menjadi output. Kegiatan yang
menghasilkan barang dan jasa berlangsung di semua organisasi, baik

perusahaan manufaktur maupun jasa. Dalam perusahaan manufaktur,


kegiatan produksinya terlihat dengan jelas (berwujud) untuk
menghasilkan barang, sementara dalam perusahaan jasa kegiatan
produksinya tidak menghasilkan barang secara fisik. Seperti contoh

adalah proses yang terjadi di bank, rumah sakit maupun perusahaan

05/04/2016 11.40

2012100229MNBab2001

2 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

3 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

11

yang akan penulis bahas dalam kasus ini yaitu perusahaan agen
penjualan tiket Oman Air di Indonesia. Proses produksinya sendiri
bisa berupa pengisian kursi kosong di pesawat, aktivitas produksi
inilah yang berlangsung dalam organisasi yang disebut sebagai
manajemen operasi.
2.1.1 Unsur-unsur Manajemen operasi
Menurut Fogarty (1989), dalm Harjanto (2007), manajemen operasi adalah
suatu proses yang berkesinambungan (kontinu) dan efektifitas menggunakan
manajemen untuk mengintegrasikan berbagai sumber daya secara efisien dalam
rangka mencapai tujuan. Unsur-unsur pokok dalam definisi tersebut, yaitu:
1. Continues, berarti manajemen produksi dan operasi bukan suatu
kegiatan yang berdiri sendiri. Keputusan manajemen bukan merupakan
tindakan sesaat, melainkan tindakan berkelanjutan (kontinu).

2. Efektif, berarti segala pekerjaan harus dilakukan secara tepat dan sebaikbaiknya, serta mencapai hasil sesuai dengan yang diharapkan.

3. Fungsi manajaemen, berarti kegiatan manajemen produksi dan operasi


memerlukan pengetahuan yang luas, mencakup planning, organizing,
actuating dan controlling. Dalam pelaksanaanya, berbagai sumber daya
diintegrasikan untuk menghasilkan barang dan jasa.

4. Efisien, berarti manajaer produksi dan operasi dituntut untuk


mempunyai kemampuan kerja secara efisien agar dapat mengoptimalkan
penggunaan sumber daya dan memperkecil limbah.

05/04/2016 11.40

2012100229MNBab2001

4 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

5 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

12

5. Tujuan, berarti kegiatan manajemen produksi dan operasi harus


mempunyai tujuan untuk menghasilkan suatu produk

yang

direncanakan.

Schroeder (1994) memberikan penekanan terhadap definisi kegiatan


produksi dan operasi pada tiga hal, yaitu:

1. Pengelolaan fungsi organisasi dalam menghasilkan barang dan jasa.


2. Adanya sistem transformasi yang menghasilkan barang dan jasa.

3. Adanya pengambilan keputusan sebagai elemen penting dari manajemen


operasi.
Secara umum kegiatan operasi merupakan suatu kegiatan yang berhubungan

dengan penciptaan atau pembuatan barang, jasa atau kombinasinya melalui proses
transformasi dari masukan sumber daya produksi menjadi keluaran yang
diinginkan. (Harjanto, 2007, p. 2)
2.2

Forecasting

Salah satu keputusan penting dalam perusahaan yang dilakukan oleh

manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu
disiapkan untuk masa mendatang. Penentuan tingkat produksi, yang merupakan
tingkat penawaran dipengaruhi oleh jumlah permintaan pasar yang dapat dipenuhi
oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar

dapat mengakibatkan kerugian bagi perusahaan. Tingkat penawaran yang lebih


rendah dibandingkan dengan kemampuan pangsa pasar yang dapat diraih
mengakibatkan hilangnya kesemparan untuk memeperoleh keuntungan, bahkan

05/04/2016 11.40

2012100229MNBab2001

6 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

7 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

13

mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Salah satu cara


untuk membantu mencapai suatu keputusan optimal dengan cara yang tepat,
sistematis dan dapat dipertanggung jawabkan adalah forecasting atau peramalan.
(Herjanto, 2009, p. 177).

Menurut (Prasetya & Fitria, 2009) Peramalan merupakan suatu usaha untuk

meramalkan keadaan dimasa yang akan datang melalui pengujian keadaan dimasa
lalu.

Metode peramalan digunakan untuk menaksir atau memprediksi keadaan di


masa mendatang. Pada kenyataannya, seorang manajer secara konstan mencoba
untuk meramalkan masa yang akan datang berdasarkan sejumlah faktor, untuk
mengambil keputusan di masa sekarang yang akan menjamin suksesnya

perusahaan dimasa yang akan datang (Modul Lab. AKB, Universitas Bina
Nusantara 2010, P19 ). Kebutuhan peramalan semakin bertambah sejalan dengan
keinginan menajemen untuk memberikan respon yang cepat dan tepat terhadap

kesempatan di masa medatang, serta menjadi lebih ilmiah di dalam menghadapi


lingkungan. Dengan peramalan yang baik diharapkan pemborosan akan bisa

dikurangi, dan juga dapat membuat perusahaan lebih terkonsentrasi pada sasaran
tertentu agar perencanaan yang dihasilkan lebih baik sehingga dapat menjadi
kenyataan. (Herjanto, 2009)
2.2.1 Jenis-jenis peramalan
Peramalan dapat dilakukan secara kuantitatif maupun kualitataif.
Pengukuran secara kuantitatif menggunakan metode statistik, sedangkan

05/04/2016 11.40

2012100229MNBab2001

8 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

9 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

14

pengukuran secara kualitatif berdasarkan pendapat (judgement) dari yang


melakukan peramalan. Berkaitan dengan ini maka dikenal-lah istilah prakiraan
dan prediksi dalam peramalan. Prakiraan didefinisikan sebagai proses peramalan
suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel itu

pada masa sebelumnya. Sementara prediksi adalah proses peramalan variabel di


masa mendatang dengan lebih mendasarkan pada pertimbangan intuisi daripada
data masa lampau. (Harjanto, 2007, p. 78)

Organisasi pada umumnya menggunakan 3 tipe peramalan utama dalam


perencanaan operasi di masa depan (Heizer & Render, 2006, p. 138):
1.

Peramalan ekonomi (economic forecast), menjelaskan siklus bisnis

denngan memprediksikan tingkat inflasi, ketersediaan uang data


yang dibutuhkan untuk membangun perumahan dan indicator

2.

perencanaan lainnya.

Peramalan teknologi (technological forecast), memperhatikan tingkat


kemajuan teknologi yang dapat memunculkan produk baru yang

3.

menarik, yang membutuhkan pabrik dan peralatan baru.

Peramalan permintaan (demand forecast), dalah Peramalan permintaan


untuk produk atau layanan suatu perusahaan. Peramalan ini disebut
juga peramalan penjualan, yang mengendalikan produksi, kapasitas
serta sistem penjadwalan dan menjadi input bagi perencanaan
keuangan, pemasaran dan sumber daya manusia.

2.2.1.1 Peramalan horizon waktu

05/04/2016 11.40

2012100229MNBab2001

10 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

11 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

15

Berdasarkan horizon waktu, peramalan dapat dikelompokan dalam 3 bagian


(Prasetya & Fitria, 2009, p. 43), Yaitu:
1. Peramalan jangka panjang, mencakup jangka waktu satu tahun tetapi
umumnya kurang dari 3 bulan..

2. Peramalan jangka menengah, mencakup hitungan bulanan hingga 3


tahun.

3. Peramalan jangka pendek, kurang dari 3 bulan. biasanya menggunakan


pendekatan kuantitatif.
Metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan
dalam 2 jenis yaitu metode eksplanatori dan metode serial waktu (deret berkala,
time series). Metode eksplanatori mengasumsikan bahwa nilai suatu variabel

merupakan fungsi dari 1 atau beberapa variabel lain. Kegunaan metode ini adalah
untuk menemukan bentuk hubungan antara suatu suatu variable dengan variabelvariabel lain, dan menggunakannya untuk meramalkan nilai variable tak bebas
(yang diramalkan, dependen) terhadapa perubahan dari variebel bebasnya.
Sedangkan metode serial waktu adalah metode yang digunakan untuk

menganalisis serangkaian data yang merupakan fungsi dari waktu. Tujuannya


untuk menemukan pola deret variable byang bersangkutan berdasarkan nilai
variabel pada masa sebelumnya dan mengekstrapolasikan pola itu untuk membuat
peremlan niali variabel pada masa mendatang (Harjanto, 2007).
2.2.2 Metode serial waktu

05/04/2016 11.40

2012100229MNBab2001

12 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

13 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

16

Analisis serial didasarkan para waktu yang berurutan atau beranjak sama
(mingguan, bulanan, kwartalan dan lainnya). Metode ini sering juga disebut
metode runtun waktu, metode deret waktu atau deret berkala menggambarkan

berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah
penting dalam memilih metode deret berkala atau runtun waktu adalah dengan

mempertimbangkan jenis pola data. Serangkaian data dalam serial waktu dapar
dikelompokkan ke dalam pola dasar sebagai berikut (lihat gambar 2.1).

Gambar 2.1 pola dasar dalam serial waktu


Sumber: Harjanto (2007)
Horizontal (konstan), yaitu apabila data berfluktuasi di sekitar rata-rata
secara stabil. Polanya berupa garis lurus mendatar biasanya terdapat
dalam jangka pendek atau menengah. Jarang sekali suatu variable
memiliki pola konstan dalam jangka panjang.
Kecenderungan (trend), yaitu apabila data mempunyai kecenderungan,
baik yang arahnya meningkat atau menurun dari waktu ke waktu.

05/04/2016 11.40

2012100229MNBab2001

14 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

15 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

17

Pola ini disebabkan antara lain oleh bertambahnya populasi,


perubahan pendapat, dan pengaruh budaya.
Musiman (seasonal), yaitu apabila polanya merupakan gerakan

berulang-ulang secara teratur dalam setiap periode tertentu, misalnya


tahunan, triwulan, bulanan atau mingguan. Pola ini biasanya
berhubungan dengan faktor iklim atau cuaca atau faktor yang dibuat
oleh manusia seperti liburan dan hari besar.

Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi


ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama
antara pola musiman dengan siklus adalah pola musiman

mempunyai panjang gelombang yang tetap dan terjadi dari waktu


(durasi) yang tetap, sedangkan pola siklus memiliki jarak waktu
lebih panjang dan bervariasi dari satu siklus ke siklus lainnya.
Residu atau variasi acak (random), yaitu apabila data tidak teratur
sama sekali. Gerakan random

adalah rangkaian waktu yang

menunjukkan gerakan yang tak teratur yang disebabkan oleh faktorfaktor di luar dugaan, seperti wabah, gempa bumi, dan sebagainya.

Data bersifat acak tidak dapat digambarkan. (Harjanto, 2007, p. 79)


2.2.2.1 Pengolahan data kuantitatif
Dengan jenis data diatas maka penelitian ini dilakukan dengan metode

peramalan kuantitatif. Metode peramalan kuantitatif adalah metode peramalan

05/04/2016 11.40

2012100229MNBab2001

16 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

17 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

18

yang melibatkan analisis statistik terhadap data-data masa lalu. Penelitian yang
menggunakan rentetan data deret waktu, maka metode peramalan kuantitatif yang
dipakai adalah metode peramalan kuantitatif model deret waktu satu ragam.
Metode peramalan kuantitatif model deret waktu satu ragam adalah metode

peramalan yang fokus pada observasi terhadap urutan pola data yang secara

kronologis suatu peubah tertentu (Firdaus, 2006). Menurut Levine et. Al. (2002, p.

655) metode peramalan deret waktu melibatkan Peramalan nilai yang akan datang
dari sebuah variable berdasarkan pada pengamatan masa lalu dan sekarang dari
variable tersebut. Metode peramalan deret waktu dapat dibagi menjadi beberapa
metode sebagai berikut.

1. Metode Smoothing
Metode ini digunakan untuk melakukan pemulusan terhadap suatu deret
berkala dengan membuat rata-raat tertimbang dari sederetan data yang

lalu. Metode ini sangat efektif untuk peramalan jangka pendek dan tidak
membutuhkan banyak data.

2. Metode Box Jenkins

Metode ini menggunakan dasar deret waktu dengan model matematis


dan hanya cocok untuk jangka pendek.

3. Metode Peramalan Trend


Metode ini berdasarkan garis trend untuk suatu persamaan matematis.

Cocok untuk jangka pendek maupun jangka panjang. Makin banyak data
yang tersedia, hasilnya akan semakin baik.
4. Metode Dekomposisi

05/04/2016 11.40

2012100229MNBab2001

18 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

19 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

19

Metode ini memisahkan 3 komponen yaitu trend, siklis, dan musiman.


Metode ini cocok bagi rencana jangka pendek dan semakin banyak data
2.3

yang tersedia akan semakin baik hasil peramalannya.

ARIMA (Autoregressive Integrated Moving average)

Metode ARIMA adalah metode peramalan yang tidak menggunakan teori

atau pengaruh antar variabel seperti pada model regresi; dengan demikian metode
ARIMA tidak memerlukan penjelasan mana variabel dependen dan inde[penden.
Metode ini tidak memerlukan pemecahan pola menjadi komponen trend,
seasonal, siklis atau irregular seperti pada data time series

pada umumnya.

Metode ini secara murni melakukan prediksi hanya berdasarkan data-data historis
yang ada. Hampir mustahil menerapkan ARIMA secara manual. Selain dikenal

dengan nama ARIMA, metode ini popular dengan sebutan metode Box-Jenkins,
karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box
dan G.M Jenkins pada tahun 1970. (Santoso, 2009, p. 152)

This chapter introduces a class of models that can produce accurate

forecasts based on a description of historical patterns in the data. Autoregressive


integrated moving average (ARIMA) models are a class of linear models that is
capable of representing stationary as well as non-stationary time series. Recall
that stationary process, vary about fixed level and non-stationary process have no
natural constant mean level. ARIMA models do not involve independent variable
in their constriction. Rather, they make use of the information in the series itself
to generate forecasts. For example an ARIMA model for monthly sales would

05/04/2016 11.40

2012100229MNBab2001

20 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

21 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

20

project the historical sales pattern to produce a forecast of next months sales.
ARIMA models rely heavily on autocorrelation patterns in the data.
Bab ini memperkenalkan model yang dapat menghasilkan peramalan yang

akurat berdasarkan deskripsi pola data masa lalu

dalam data. Autoregressive

integrated moving average (ARIMA) model adalah kelas model linier yang

mampu mengolah data stasioner maupun non-stasioner time series. Perlu diingat

bahwa proses stasioner bergantung dari level tetap dan non-stasioner proses tidak
memiliki tingkat rata-rata alami konstan. Model ARIMA tidak melibatkan
variabel independen dalam pengolahannya. Sebaliknya, mereka memanfaatkan
informasi dalam seri itu sendiri untuk menghasilkan perkiraan. Misalnya model

ARIMA untuk penjualan bulanan akan memproyeksikan pola penjualan sejarah


untuk menghasilkan perkiraan penjualan bulan depan. Model ARIMA sangat
bergantung pada pola autokorelasi dalam data. (Hanke & Wichern, 2003, p. 381)
Autoregressive Integrated Moving average

(ARIMA) adalah metode ini

mengekplisitkan pemakain autokorelasi dalam time series, yaitu korelasi anatar

sebuah variabel, yang bersenjang satu periode lebih, dengan variabel itu sendiri.
(Kazmier, 2005)

ARIMA merupakan suatu metode yang menghasilkan ramalan-ramalan


berdasarkan sintesis dari pola data secara historis (Arsyad, 1995). ARIMA ini
sama sekali mengabaikan variabel independen karena model ini menggunakan

nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. Untuk peramalan jangka panjang

05/04/2016 11.40

2012100229MNBab2001

22 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

23 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

21

ketepatan peramalannya biasanya akan cenderung flat (mendatar/konstan) untuk


periode yang cukup panjang.
Dalam membuat peramalan model ini sama sekali mengabaikan variabel

independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau
dari variabel dependen untuk menghasilkan peramalan jangka pendek yang

akurat. Metode Box-Jenkins hanya dapat diterapkan, menjelaskan, atau mewakili


series yang stasioner atau telah dijadikan stasioner melalui proses differencing.
Karena series stasioner tidak punya unsur tren, maka yang ingin dijelaskan
dengan metode ini adalah unsur sisanya, yaitu error. Kelompok model time series
linier yang termasuk dalam metode ini antara lain: autoregressive, moving

average, autoregressive-moving average, dan autoregressive integrated moving


average. (Administrator, 2009).
ARIMA models have been widely used in the tourism literature, model

ARIMA telah banyak digunakan dalam literature pariwisata (Claveria & Datzira,
2010).
2.3.1 Model Autoregressive
Jika series stasioner adalah fungsi linier dari nilai-nilai lampaunya yang
berurutan atau nilai sekarang series merupakan rata-rata tertimbang nilai-nilai
lampaunya bersama dengan kesalahan sekarang, maka persamaan itu dinamakan
model autoregressive.

Bentuk umum model ini adalah (Santoso, 2009):

05/04/2016 11.40

2012100229MNBab2001

24 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

25 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

22

Dimana :
Yt

Yt-1 , Yt-2 , Yt-n

= nilai AR yang di prediksi

= nilai lampau series yang bersangkutan ; nilai lag dari


time series.

Ap

= koefisien

et

= residual; error yang menjelaskan efek dari variabel


yang tidak dijelaskan oleh model, kesalahan
peramalan dengan ciri seperti sebelumnya.

Banyaknya nilai lampau yang digunakan (p) pada model AR menunjukkan


tingkat dari model ini. Jika hanya digunakan sebuah nilai lampau, dinamakan

model autoregressive tingkat satu dan dilambangkan dengan AR. Agar model ini
stasioner, jumlah koefisien model autoregressive

harus selalu kurang

dari 1. Ini merupakan syarat perlu, bukan cukup, sebab masih diperlukan syarat
lain untuk menjamin stationarity.
2.3.2 Model moving average

Jika series yang stasioner merupakan fungsi linier dari kesalahan peramalan

sekarang dan masa lalu yang berurutan, persamaan itu dinamakan moving
average model.

Bentuk umum model ini adalah (Santoso, 2009):

05/04/2016 11.40

2012100229MNBab2001

26 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

27 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

23

Dimana :
Yt

= nilai MA yang di prediksi

W1,2,q

= konstanta; koefisien atau bobot (weight)

et

Terlihat bahwa Y

= residual; error yang menjelaskan efek dari variabel


yang tidak dijelaskan oleh model.

merupakan rata-rata tertimbang kesalahan sebanyak n

periode ke belakang. Banyaknya kesalahan yang digunakan pada persamaan ini


(q) menandai tingkat dari model moving average. Jika pada model itu digunakan
dua kesalahan masa lalu, maka dinamakan model average

tingkat 2 dan

dilambangkan sebagai MA. Hampir setiap model exponential smoothing

pada

prinsipnya ekuivalen dengan suatu model ini. Agar model ini stasioner, suatu

syarat perlu (bukan cukup), yang dinamakan invertibility condition adalah bahwa
jumlah koefisien model

selalu kurang dari 1. ini artinya jika makin ke

belakang peranan kesalahan makin mengecil. Jika kondisi ini tak terpenuhi
kesalahan yang semakin ke belakang justru semakin berperan.
Model MA meramalkan nilai Y

berdasarkan kombinasi kesalahan linier

masa lampau (lag), sedangkan model AR menunjukkan Y t sebagai fungsi linier


dari sejumlah nilai Yt aktual sebelumnya.

2.3.3 Model Autregressive Integrated Moving Average (ARIMA)


Model time series yang digunakan berdasarkan asumsi bahwa data time

series tersebut stasioner, artinya rata-rata varian (s2) suatu data time series

05/04/2016 11.40

2012100229MNBab2001

28 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

29 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

24

konstan. Tapi seperti kita ketahui bahwa banyak data time series

dalam ilmu

ekonomi adalah tidak stasioner, melainkan integrated. Jika data time series
integrated dengan ordo 1 disebut I (1) artinya differencing pertama. Jika series itu
melalui proses differencing sebanyak d kali dapat djadikan stasioner, maka series
itu dikatakan non-stasioner homogen tingkat d.

Seringkali proses random

stasioner tak dapat dengan baik dijelaskan oleh model moving average saja atau
autoregressive saja, karena proses itu mengandung keduanya. Karena itu,

gabungan kedua model, yang dinamakan Autregressive Integrated Moving


Average (ARIMA) model dapat lebih efektif menjelaskan proses itu.
Pada model gabungan ini series stasioner adalah fungsi dari nilai lampaunya

serta nilai sekarang dan kesalahan lampaunya.

Bentuk umum model ini adalah (Santoso, 2009):

Dimana :
Yt

= nilai series yang stasioner

Yt-1 , Yt-2

= nilai lampau series yang bersangkutan

et-1 , et-2

= variabel bebas yang merupakan lag dari residual

W1 , Wq, A1, Ap = koefisien model


2.3.4 Konsep Parsimoni
Pemilihan model juga menggunakan unsur seni disamping ilmu; selain itu

factor parsimoni juga perlu di pertimbangkan. Parsimoni adalah konsep yang

05/04/2016 11.40

2012100229MNBab2001

30 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

31 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

25

mengutamankan kesederhanaan sesuatu; dalam ARIMA. Konsep tersebut


menekankan lebih baik memilih model dengan parameter sedikit daripada
parameter banyak, serta mengutamakan lag yang paling sedikit. (Santoso, 2009)
2.4

Stasioner dan Non-stasioner

Ciri-ciri stasioner dalam time series adalah nilai rata-rata (mean) dan varian

selalu konstan untuk setiap periode. Data time series yang tidak memeiliki tren
disebut stasioner. Stasioner berarti tidak terdapat pertumbuhan atau penurunan
pada data. Data secara kasarnya harus horizontal

sepanjang sumbu waktu.

Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang
konstan, tidak tergantung pada waktu dan varians

dari fluktuasi tersebut pada

pokoknya tetap konstan setiap waktu. Sebaliknya, data time series yang memiliki
tren disebut non-stasioner. Indikasi adanya non-stasioner pada data time series

ditunjukan dengan menurunnya koefisien auto korelasi mendekati nol (0) setelah
lag 2 atau lag 3. (Rangkuti, 2005, p. 67)

Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat

non-stasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya

berkenaan dengan deret berkala yang stasioner. Jadi suatu deret waktu yang tidak
stasioner harus diubah menjadi data stasioner dengan melakukan differencing.
Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih

nilai observasi. Nilai selisih yang diperoleh dicek kembali apakah stasioner atau
tidak. Jika belum stasioner maka dilakukan tranformasi logaritma. (Administrator,
2009)

05/04/2016 11.40

2012100229MNBab2001

32 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

33 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

26

2.5

Pola autokorelasi
Setelah data runtut waktu telah stasioner, langkah berikutnya adalah

menetapkan model ARIMA (p,d,q) yang sekiranya cocok (tentatif), maksudnya


menetapkan berapa p, d, dan q. Jika tanpa proses differencing d diberi nilai 0, jika
menjadi stasioner setelah first order differencing d bernilai 1 dan seterusnya.

Dalam (Santoso, 2009) proses ini dilambangkan dengan ARIMA (p,d,q).


Dimana :
q menunjukkan ordo/ derajat autoregressive (AR)
d adalah tingkat proses differencing

p menunjukkan ordo/ derajat moving average (MA)


Simbol model-model sebelum ini dapat saja dinyatakan seperti berikut :
AR sama maksudnya dengan ARIMA (1,0,0),

MA sama maksudnya dengan ARIMA (0,0,2), dan


ARMA sama maksudnya dengan ARIMA (1,0,2).

Mungkin saja terjadi bila suatu series non-stasioner homogen tidak tersusun

atas kedua proses itu, yaitu proses autoregressive maupun moving average. Jika
hanya mengandung proses autoregressive, maka series itu dikatakan mengikuti

proses Integrated autoregressive dan dilambangkan ARIMA (p,d,0). sementara


yang hanya mengandung proses moving average, seriesnya dikatakan mengikuti
proses Integrated moving average dan dituliskan ARIMA (0,d,q).

Dalam (Hanke & Wichern, 2003, p. 389) Fungsi Autokorelasi (ACF) dan
Fungsi Autokorelasi Parsial (PACF) melalui korelogramnya. ACF mengukur

05/04/2016 11.40

2012100229MNBab2001

34 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

35 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

27

korelasi antar pengamatan dengan jeda k, sedangkan PACF mengukur korelasi


antar pengamatan dengan jeda k dan dengan mengontrol korelasi antar dua
pengamatan dengan jeda kurang dari k. Untuk memilih berapa p dan q dapat
dibantu dengan mengamati pola fungsi autocorrelation dan partial

autocorrelation (correlogram) dari series yang dipelajari, dengan acuan sebagai


berikut :

Tabel 2.1 Pola Autokorelasi dan Autokorelasi Parsial


Autocorrelation
Menuju nol setelah lag q
Menurun secara
bertahap/bergelombang

Menurun secara
bertahap/bergelombang
(sampai lag q masih
berbeda dari nol)

Partial autocorrelation

ARIMA
tentatif

Menuju nol setelah lag q

ARIMA
(p,d,0)

Menurun secara
bertahap/bergelombang

Menurun secara
bertahap/bergelombang
(sampai lag p masih
berbeda dari nol)

ARIMA
(0,d,q)

ARIMA
(p,d,q)

Sumber: (Hanke & Wichern, 2003)

Dalam praktik pola autocorrelation dan partial autocorrelation seringkali

tidak menyerupai salah satu dari pola yang ada pada tabel itu karena adanya
variasi sampling. Jika sudah terbiasa atau berpengalaman pemilihan p dan q

diharapkan dekat dengan yang benar. Perhatikan bahwa kesalahan memilih p dan
q bukan merupakan masalah, dan akan dimengerti setelah tahap diagnostic

checking. Pada umumnya, analis harus mengindentifikasi autokorelasi yang


secara eksponensial menjadi nol. Jika autokorelasi secara eksponensial melemah
menjadi nol berarti terjadi proses AR. Jika autokorelasi parsial melemah secara

05/04/2016 11.40

2012100229MNBab2001

36 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

37 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

28

eksponensial berarti terjadi proses MA. Jika keduanya melemah berarti terjadi
proses ARIMA (Arsyad, 1995).
Data yang bersifat time series cenderung memiliki hubungan antar periode.

Untuk mengetahui apakah data time series tersebut saling berhubungan satu sama
lain, kita dapat melakukan analisis autokorelasi. Idealnya, data yang bersifat time
series harus bebas dari pengaruh autokorelasi. Komponen yang membentuk pola
tertentu pada data time series

diakibatkan oleh pengaruh tren, kecenderungan

musiman, serta ketidakajegan. Semuanya dapat dipelajari dengan menggunakan


analisis koefisien autokorelasi, baik bersifat natural logs maupun berbagai
senjang waktu yang berbeda (time lags). (Rangkuti, 2005, p. 29)

Dikemukakan There may be some ambiguity in determining an appropriate

ARIMA model from the pattern of the sample autocorrelation and partial
autocorrelation. With a little practice, the analys should become more adept at

identifying an adequate model. (Hanke & Wichern, 2003). Terdapat keambiguan


dalam menetukan model ARIMA yang tepat dari contoh autokorelasi dan

autokorelasi parsial. Dengan banyak latihan, analis dapat menjadi lebih mahir
dalam mengidentifikasi model yang memenuhi syarat.
1.6

Menghitung Kesalahan Peramalan


Dalam (Santoso, 2009, p. 172)

penggunaan ARIMA dengan MINITAB

PEMILIHAN model terbaik adalah model degan tingkat kesalahn prediksi

terkecil. Acuannya adalah MS (means of square; Adalah rata-rata selisih kuadrat

05/04/2016 11.40

2012100229MNBab2001

38 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

39 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

29

nilai yang diramalkan dan yang diamati). Namun dalam text book lain ada
beberapa tekhnik untuk menghitung kesalahan peramalan.
Menurut (Weiers, 2011) ada beberapa teknik untuk mengevaluasi hasil
peramalan, diantaranya :

Mean Absolute Deviation (MAD) atau simpangan absolut rata-rata

MAD ini sangat berguna jika seorang analis ingin mengukur

kesalahan peramalan dalam unit ukuran yang sama seperti data


aslinya.
Mean Squared Error (MSE) atau Kesalahan rata-rata kuadrat

Pendekatan ini menghukum suatu kesalahan yang besar karena


dikuadratkan. Pendekatan ini penting karena satu teknik yang

menghasilkan kesalahan yang moderat yang lebih disukai oleh suatu


peramalan yang biasanya menghasilkan kesalahan yang lebih kecil
tetapi kadang-kadang menghasilkan kesalahan yang sangat besar.
Pendekatan inilah yang nantinya akan muncul dalam pehitungan
dengan MINITAB.
1.7

MINITAB
Minitab adalah program komputer yang dirancang untuk melakukan
pengolahan statistika. Minitab mengkombinasikan kemudahan penggunaan

05/04/2016 11.40

2012100229MNBab2001

40 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

41 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

30

layaknya Microsoft excel dengan kemampuannya melakukan analisis statistik


yang kompleks (Simarmata, 2010, p. 26)
MINITAB is a powerful statistical software that provides a wide range of

basic and advanced capabilities for statistical analysis. MINITABs broad,

powerful capabilities and unmatched ease of use make it the ideal teaching tool.

As a result more than 4000 colleges, universities and high schools worldwide rely
on MINITAB. Developed over 30 years ago, by professors for professor,

MINITAB has become the standard for statistic education. And because MINITAB
is the leading package used in industry for quality and process improvement,
student who learn MINITAB in class will have the advantage of knowing how to

use a real-world business tool MINITAB adalah perangkat lunak statistik yang
menyediakan berbagai kemampuan untuk analisis statistik baik dasar dan
lanjutan. Program ini memiliki kemampuan yang kuat dan mudah digunakan

menjadikannya ideal sebagai alat pengajaran. Sebagai buktinya MINITAB telah


digunakan di lebih dari 4000 perguruan tinggi, universitas dan sekolah menengah
di seluruh dunia. Dikembangakan lebih dari 30 tahun yang lalu dari professor ke
psrofesor, MINITAB telah menjadi standar untuk pembelajaran statistik. Dan

karena MINITAB adalah paket terdepan yang digunakan untuk meningkatkan


proses dan kualitas dalam perusahaan, murid yang mempelajari MINITAB pasti
mendapatakan keuntungan dari mengetahui dan juga dapat menggunakan alat

yang digunakan dalam dunia bisnis sebenarnya (Ryan, Joiner, & Cryer, 2005, p.
xiii).

05/04/2016 11.40

2012100229MNBab2001

42 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

43 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

31

2.7

Pariwisata
Kegiatan kepariwisataan adalah kegiatan yang mengutamakan pelayanan
dengan berorientasi pada kepuasan wisatawan, pengusaha di bidang pariwisata,

pemerintah, dan masyarakat. Sebagai salah satu aktivitas fisik dan psikis manusia,
pariwisata didefinisikan oleh banyak ahli dengan definisi yang tidak terlalu jauh
berbeda. Menurut Simatupang,V. (2009 p. 24) mengatakan pariwisata adalah

semua proses yang ditimbulkan oleh arus perjalanan lalu lintas orang orang dari
luar ke suatu negara atau daerah dan segala sesuatu yang terkait dengan proses
tersebut seperti makan/minum, transportasi, akomodasi, dan objek atau hiburan.
Sedangkan menurut Spillane (1997:105) dalam Pitana (2005 p. 46)

mendefinisikan pariwisata sebagai sebuah perjalanan dari suatu tempat ke tempat


lain bersifat sementara, dilakukan perorangan atau kelompok dan sebagai usaha
mencari keseimbangan, keserasian, atau kebahagian dengan lingkungan hidup
dalam dimensi, budaya, alam, dan ilmu. Batasan

batasan diatas begitu luas,

sehingga pengertian pariwisata seakan tidak bisa dibatasi karena menyangkut


hampir semua aspek kehidupan.

Pendit (2003 p. 37) menyebutkan bentuk pariwisata dapat dibagi menurut

kategori yaitu:
a. menurut asal wisatawan,
b. akibat terhadap neraca pembayaran,
c. jangka waktu,

d. jumlah wisatawan, dan


e. menurut alat angkut yang dipergunakan.

05/04/2016 11.40

2012100229MNBab2001

44 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

45 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

32

Jenis pariwisata yang sudah dikenal saat ini antara lain: wisata budaya,
wisata kesehatan, wisata olah raga, wisata komersial, wisata industri, wisata
politik, wisata konvensi, wisata sosial, wisata pertanian, wisata maritim/bahari,
wisata cagar alam, wisata buru, wisata pilgrim, wisata bulan madu, dan wisata
petualangan.
2.8

Permintaan pariwisata
Permintaan pariwisata didefinisikan sebagai, sejumlah orang yang
mengadakan perjalanan atau akan mengadakan perjalanan dengan menggunakan
fasilitas dan atau jasa-jasa di tempat tersebut (Mathieson and Wall, 1982).

Definisi ini mengacu kepada luasnya dampak, yang berkaitan dengan harga dan
pendapatan, sebagai determinan permintaan dan termasuk mereka yang bepergian
maupun yang ingin bepergian tetapi karena salah satu sebab tidak bias

mengadakan perjalanan. Permintaan pariwisata terbagi atas beberapa macam:


1. Permintaan efektif atau actual

Adalah jumlah yang secara nyata bepergian, hal ini mudah untuk diukur dan
merupakan sebagian besar dari data statistik berasal dari data ini.

2. Permintaan yang tertunda


Adalah mereka yang tidak jadi bepergian karena beberapa alasan:
a)
b)

Permintaan Potensial Mengacu kepada mereka yang akan

bepergian di masa akan masa tersebut.

Permintaan Tertunda Mengacu pada masalah

masalah

kelangkaan jasa pelayanan seperti kesempatan bepergian.

05/04/2016 11.40

2012100229MNBab2001

46 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

47 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

33

Dengan kata lain permintan potensial dan permintaan tertahan akan berubah
menjadi permintaan actual dan efektif di masa akan dating atau tidak ada
permintaan bepergian sama sekali.

Menurut Medlik (1980) dalam Ariyanto 2005, menjelaskan 3 pendekatan

yang digunakan untuk menggambarkan permintaan pariwisata, yaitu:


1) Pendekatan ekonomi.

Pendapat para ahli ekonomi mengatakan dimana permintaan


pariwisata menggunakan elastisitas permintaan/ pendapatan dalam
menngambarkan hubungan antara permintaan dengan tingkat harap
ataukah permintaan dengan variable lainnya.

2) Pendekatan geografi

Sedangkan para ahli geografi berpendapat bahwa untuk menafsirkan


permintaan harus berpikir lebih luas dari sekedar menaruh harga

sebagai penentu permintaan karena termasuk yang telah melakukan


perjalanan maupun yang belum mampu melakukan wisata karena
suatu alasan tertentu.

3) Pendekatan psikologi
Para ahli psikologi berpikir lebih dalam melihat dari permintaan
pariwisata, termasuk didalamnya interaksi antara kepribadian calon
wisatawan, lingkungan dan dorongan dari lubuk jiwanya untuk
melakukan pariwisata.
2.9

Motivasi berwisata

05/04/2016 11.40

2012100229MNBab2001

48 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

49 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

34

Dalam konteks pariwisata, sangat penting untuk diketahui alasan yang


menjadi motivasi utama manusia melakukan perjalanan wisata, karena dengan
mengetahui alasan mereka melakukan perjalanan wisata, maka dalam lingkup

yang lebih luas komponen pariwisata lainnya (pemerintah, penyedia jasa/pelaku


bisnis pariwisata, dan masyarakat lokal) dapat mengantisipasi kebutuhan
wisatawan tersebut.

Shapley (dalam Pitana & Gayatri, 2005, p. 28) menyebutkan bahwa

motivasi merupakan hal yang sangat mendasar. Karena motivasi merupakan


pemicu dari proses perjalanan wisata, walaupun motivasi ini acapkali tidak
disadari secara penuh oleh wisatawan itu sendiri. Weaver and Lawton (2006 p.
29) menyebutkan beberapa motivasi seseorang untuk melakukan perjalanan
wisata yaitu:
1. Leisure and recreation / liburan dan rekreasi

2. Visiting friend and relatives / mengunjungi teman dan keluarga


3. Business / urusan bisnis
4. Sport / olahraga

5. Sprirituality / spriritual
6. Health / kesehatan
7. Study / belajar
8. Multipurpose tourism / wisata dengan tujuan ganda

Pitana dan Gayatri (2005 p. 60) menyebutkan bahwa motivasi perjalanan

seseorang dipengaruhi oleh faktor internal wisatawan itu sendiri (intrinsic


motivation) dan faktor eksternal (extrinsic motivation). Secara intrinsik motivasi

05/04/2016 11.40

2012100229MNBab2001

50 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

51 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

35

terbentuk karena adanya kebutuhan dan/atau keinginan dari manusia itu sendiri,
sesuai dengan teori hierarki Maslow. Konsep Maslow tentang hierarki kebutuhan
yang dimulai dari kebutuhan fisiologis, kebutuhan keamanan, kebutuhan sosial,
kebutuhan prestis, dan kebutuhan akan aktualisasi diri, telah dijadikan dasar
untuk meneliti motivasi wisatawan. Sedangkan motivasi ekstrinsik adalah
motivasi yang terbentuknya dipengaruhi oleh faktor

faktor eksternal, seperti

norma sosial, pengaruh atau tekanan keluarga, dan situasi kerja yang

terinternalisasi dan kemudian berkembang menjadi kebutuhan psikologis.


Motivasi merupakan faktor penting bagi calon wisatawan didalam mengambil
keputusan mengenai destinasi yang akan dikunjungi.
2.10

Penelitian Terdahulu

Nama

pengarang

Hussein Ali
Al-Zeaud

Tabel 2.2 Tabel penelitian terdahulu


Judul Jurnal

Hasil penelitian

European Journal of

Praktisi melakukan penelitian dengan

Administrative Sciences,

menentukan peramalan dari votailitas

Economics, Finance and


ISSN 1450-2275

35, Modelling and

Issue untuk sektor bank. Proses perhitungan

Forecasting Volatility

Using ARIMA Model


(2011).
Lusi Alvina

data sebanyak 272 buah untuk

JURNAL TEKNIK ITS

menggabungkan software E-views dan


MINITAB. Model ARIMA terpilih

yang ditentukan dari MSE terkecil yaitu


0.0001003 adalah ARIMA (2,0,2)

dengan peramalan sebesar 0.0077137.

Praktisi melakukan pemodelan dan

05/04/2016 11.40

2012100229MNBab2001

52 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

53 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

36

Tofani,

Vol. 1, No. 1 (Sept.

peramalan trafik SMS pada jaringan

Mauludiyanto

Peramalan Trafik Sms

Communication) area Jabotabek

Achmad

2012) ISSN: 2301-9271,


Area Jabotabek dengan
Metode Arima (2012).

GSM (Global System for Mobile

menggunakan metode ARIMA namun


tidak disebutkan software nya.

Didapatkan hasil untuk trafik all

operator 0-15 sec didapat model

([6,9],1,2) dengan nilai MAPE sebesar

0,33% . untuk trafik all operator 16-30


sec didapat model (1,0,[1,4,5]) dengan
nilai MAPE sebesar 2,24%. Model

ARIMA trafik peer to peer GSM-T 0-

15 sec didapat model (1,0,[1,7]) dengan


nilai MAPE sebesar 3,06% dan untuk
trafik peer to peer

GSM-T 16-30 sec

didapat model ([1,5],0,5) dengan nilai


MAPE sebesar 10,991%. Model

ARIMA yang telah didapat dari proses


pemodelan ini sebelum proses deteksi
outlier dilakukan. Untuk trafik all
operator 0-15 sec

didapat model

([6,9],1,2) dengan nilai MAPE sebesar


0,35% dan untuk trafik all operator 1630 sec didapat model (1,0,[1,4,5])

dengan nilai MAPE sebesar 210,94%.


Model ARIMA trafik peer to peer
GSM-T 0-15

sec didapat model

(1,0,[1,7]) dengan nilai MAPE sebesar


23,95% dan untuk trafik peer to peer

05/04/2016 11.40

2012100229MNBab2001

54 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

55 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

37

GSM-T 16-30 sec didapat model

([1,5],0,5) dengan nilai MAPE sebesar


Salah T. Alrawashdeh

International Journal of
Business and

5,56%.

Praktisi menemukan bahwa data tidak

stasioner maka dari itu dilakukan proses

Management, Vol. 6, No. differencing dengan model ARIMA.


10; October 2011, ISSN

Software yang digunakan (Minitab, 14

8119 Forecasting

peramalannya. Praktisi menemukan

Investment

1)

1833-3850 E-ISSN 1833- and Eviews, 3.1) untuk analisi data dan
Foreign Direct

peramalan optimal pada ARIMA (0, 1,

in Jordan for the Years


(2011).

dengan MAD 12.060 dan

peramalannya mencapai (29207.06)

juta dalam dinar Jordan dinar (JD) pada


tahun 2030. Praktisi melakukan

pendeketan parsemoni dengan hanya


melakukan analisis pada ARIMA

(1,1,0); ARIMA (1,1,1) dan ARIMA


(0,1,1).
Liem Gai Sin,

Journal of Arts, Science

Praktisi melakukan Peramalan dari

Purnamasari.

Issue 3, July 2011, E-

sebagai objeknya. Praktisi memprediksi

2231-4172, China E-

diperkirakan akan bertumbuh hingga

Analysis: Forecasting

di perkirakan masih akan mendominasi

Ria

& Commerce, Vol.


ISSN 2229-4686,

II, umur, jenis kelamin dan pendapatan

ISSN bahwa pengguna internet di Cina

Commerce Market

And Profiling Internet


User (2011).

1.53 milyar pada tahun 2015, kaum pria


pasar namun pria pengguna internet di
prediksi akan turun secara bertahap.

Pengguna internet yang berpendapatan

05/04/2016 11.40

2012100229MNBab2001

56 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

57 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

38

tinggi juga meningkat, maka

kemungkinan produk mewah akan

menjadi produk potensial yang dapat di

perdagangkan lewat internet. Peramalan


dilakukan dengan metode ARIMA
namun dari tiap indikatornya

penggunaan model ARIMA yang


digunakan berbeda-beda, sebagai

contoh model ARIMA (1,0,0) sesuai

untuk meramalkan pengguna internet

campuran, pengguna internet pria, orang


berpendapatan kurang dari 501 yuan
dan orang yang berpendapatan 5014000 yuan. Sedangkan pengguna

internet wanita menggunakan model

ARIMA (2,0,2). Pengguna dibawah 21

tahun dan diatas 30 tahun menggunakan

model ARIMA (1,1,1), sedangkan orang


berumur 21-30 tahun menggunakan
model ARIMA (1,0,2), dan orang

berpenghasilan tinggi menggunakan


model ARIMA (2,1,2).

Oscar

TOURISM REVIEW,

Praktisi focus dengan permintaan

Datzira

18-36, Q Emerald Group Perancis, Inggris, Jerman dan Italia

Claveria; Jordi VOL. 65 NO. 1 2010, pp. pariwisata di Katalonia dari Negara
Publishing Limited,

dengan peramalan membandingkan

Forecasting tourism

exciting threshold autoregressions) dan

ISSN 1660-5373,
demand using

model AR, ARIMA, SETAR (Self-

MKTAR (Markov switching regime).

05/04/2016 11.40

2012100229MNBab2001

58 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

59 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

39

consumer expectations

Hasil yang di dapat oleh praktisi

menunjukan keakuratan ARIMA


dibandingkan model lain.

Sumber: Hasil Studi Literatur

05/04/2016 11.40

2012100229MNBab2001

60 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40

2012100229MNBab2001

61 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

40

Input Data

Uji Autokorelasi

Stasioner

Non Stasioner

Differencing = 0

Differencing
=
1

Peramalan
Percobaan Model
ARIMA

2.11 Kerangka Pemikiran

Pemilihan Model
ARIMA Terbaik

Parameter MS &
MSE Terkecil

Gambar 2.2 kerangka permasalahan


Sumber: Penulis

05/04/2016 11.40

2012100229MNBab2001

62 of 62

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...

05/04/2016 11.40