PERBANDINGAN BEBERAPA METODE TIME SERIES PADA

PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA

(Studi Kasus Di Kabupaten Karimun, Provinsi Kepulauan Riau)
Erie Sadewo1
Mahasiswa Pascasarjana Statistika FMIPA ITS
Abstrak
Penelitian mengenai metode peramalan jumlah kunjungan wisatawan
telah seringkali dilakukan, namun sampai dengan saat ini belum
ditemukan adanya metode yang benar-benar unggul untuk diterapkan
dalam berbagai pola data time series. Suatu temuan menarik dari
berbagai penelitian sebelumnya adalah bahwa penerapan metode yang
kompleks belum tentu menghasilkan ramalan yang lebih baik
dibandingkan dengan model sederhana. Untuk itu akan dilakukan
perbandingan beberapa metode time series pada kasus peramalan jumlah
kunjungan wisatawan di Kabupaten Karimun, Provinsi Kepulauan Riau.
Dengan menggunakan empat metode sederhana dan satu metode
kompleks pada 120 data insample dan 15 data outsample didapatkan
bahwa metode yang paling baik untuk menggambarkan pola data dan
meramalkan jumlah kunjungan wisatwan di Kabupaten Karimun adalah
Double Moving Average.
Kata Kunci: Metode peramalan, Jumlah Kunjungan Wisatawan, Data Time
Series

1. Pendahuluan
2.

Sektor

pariwisata
peranan

memegang
penting

perekonomian
baik

sebagai

dalam

Indonesia,
salah

satu

devisa

negara.

Kinerja

sektor

pariwisata

sebagai

penghasil devisa ditentukan

oleh kemampuan kita untuk
mendatangkan
mungkin

sebanyak
wisatawan

sumber penerimaan devisa

mancanegara (wisman) ke

maupun

Indonesia.
3.
Kabupaten

penciptaan

lapangan

kerja

kesempatan

serta

berusaha.

Pariwisata merupakan salah

satu

sektor

memberikan

yang
kontribusi

terbesar dalam perolehan

Karimun
wilayah

merupakan
kepulauan

yang

terdiri dari 249 pulau yang

seluruhnya sudah memiliki
nama, namun baru 45 pulau

yang berpenghuni. Wilayah

Dengan

persen

di

mancanegara berasal dari

antara

Kota

Batam,
Malaysia,

jumlah

95

Kabupaten Karimun berada

Singapura,

Singapuran

wisatawan

dan

Malaysia,

Kepulauan Riau serta Riau,

share ketiga sektor tersebut

serta

jalur

dalam

yang

Karimun pada tahun 2011

berada

pelayaran

pada

dunia

ramai.
4.

Keuntungan

geografis

ini

yang

Kabupaten

sangat

tempat
strategis,

untuk

kegiatan

total PDRB yang terbentuk.

menjadikan

sebagai

terutama

berbagai

perekonomian.

Dengan

dukungan

daya

tarik keadaan alam yang

indah

PDRB

mencapai 44 persen dari

Karimun

dan

strategis

5.

6.

letak

yang

tersebut,

salah

Oleh

karena

perencanaan

itu

dalam

pembagunan

Kabupaten Karimun, sektor

ini mendapatkan perhatian
besar,

sesuai

dengan

strategi

pencapaian

misi

pertama dan kedua dalam

RPJM 2011-2016.
7.
Untuk
keperluan

satu potensi yang sangat

tersebut

cocok untuk dikembangkan

adanya ramalan mengenai

adalah sektor pariwisata.

Bagi
Kabupaten

perkiraan

jumlah

tahunan

sebagai

Karimun, sektor pariwisata

memegang peranan penting
dalam

mendukung

pertumbuhan
daerah.

ekonomi
Setidaknya

terdapat tiga sektor yang

terkena dampak langsung
dari kegiatan pariwisata di
Kabupaten

Karimun

Perdagangan,
Restoran,

Hotel

yaitu
dan

Pengangkutan

dan Komunikasi, serta Jasa.

maka

diperlukan
wisman
dasar

untuk menyusun Rencana

Kerja
pada

Pemerintah
tahun

Daerah

berikutnya.

Penelitian

sebelumnya

mengenai

peramalan

jumlah wisatawan dengan

menggunakan
waktu

telah

data

deret
banyak

dilakukan antara lain oleh

Witt dan Witt (1992), Song
dan Witt (2000), Frechtling

(1996 dan 2001), Wong dan

Inbound Outbound Tourism

Song

di Taiwan.
10.

(2002),

Suhartono

(2007), Song dan Li (2008),

Chu

(2008

Nuvitasari

dan

2009),

(2009),

Chen

(2011), Suhartono dan Lee

(2011), Lee, et al. (2012),
dan banyak lainnya.
8.
Dalam
penelitian
mengenai

permintaan

pariwisata,

yang

Pada studi 121

paper mengenai peramalan

jumlah
telah

wisatawan

yang

diterbitkan

sejak

tahun 2000, Song dan Li

(2008)

mempelajari

berbagai metode peramalan

dan menyimpulkan bahwa

diwakili

tidak terdapat metode yang

oleh jumlah seluruh dunia

benar-benar unggul untuk

pengunjung ke Hong Kong,

diterapkan

Jepang,

Taiwan,

peramalan

jumlah

Thailand,

wisatawan.

Namun

Korea,

Singapura,
Filipina,

Australia

dan

pada

demikian

seluruh

terdapat

bukti

Selandia Baru, Chu (2009)

kuat bahwa metode time

menerapkan

series

ARMA
dan

berbasis

model
univariat

yang

kepada

lag

mendapati

bahwa

terdistribusi

berbasis

ARMA

memberikan

model
tampil

tiga

sangat

dalam

baik

beberapa

besarnya
persentase

berdasarkan
autoregresive
cenderung
hasil

yang

dan

lebih baik. Hal ini sesuai

kasus

dengan hasil penelitian dari

rata-rata
kesalahan

Lee,

et

al.

(2012)

menemukan

yang
bahwa

absolut lebih rendah dari

meskipun metode kompleks

level dua persen.

9.
Sementara

memberikan

Chen (2011) menunjukkan

bahwa

penggunaan

gabungan metode linier dan

non-linier

dapat

meningkatkan akurasi hasil

peramalan pada data series

peramalan
akurat,

hasil
yang

namun

lebih
metode

klasik tetap terpilih sebagai

metode
peramalan

terbaik

untuk

pada

kasus

kunjungan wisatawan di Bali

dan

Bandara

Soekarno

Hatta Jakarta.
11. Dari

berbagai

penelitian tersebut, dapat

ditarik

suatu

kesimpulan

bahwa

dalam

peramalan

jumlah

wisatawan,

tidak

regresi

dan

ARIMA

Jenkins.

Hasilnya

Box-

didapati

bahwa model ARIMA tidak

selalu

memberikan

peramalan
terutama

yang
ketika

hasil

terbaik,
terdapat

ada jaminan bahwa metode

unsur musiman.
13. Pada

yang lebih kompleks akan

awal didapati bahwa plot

memberikan

data

lebih

baik

hasil

yang

dibandingkan

deteksi

menunjukkan

kecenderungan

yang

dengan metode sederhana.

menurun,

tidak

Dengan

memberikan

petunjuk

menarik untuk mempelajari

adanya

unsur

musiman

bagaimana

yang

jelas.

demikian

performa

akan

perbandingan
kedua

metode

namun

demikian

Dengan

metode

yang

tersebut dalam peramalan

dapat dipergunakan untuk

jumlah

peramalan univariat adalah

wisman

di

Kabupaten Karimun.
12. Beberapa

Nave
Moving

penelitian

sebelumnya

mengenai

perbandingan

peramalan antara metode

sederhana

dan

metode

kompleks pada data deret

waktu

pernah

dilakukan

dan

II,

Double

Average

(DMA),

Double

Exponential

Smoothing

(DES),

dan

Regresi Linier, serta metode

kompleks seperti ARIMA Box
Jenkins (Hanke, 2001).
14. Berdasarkan

oleh Chen (1997), Syariza

studi ini, diharapkan dapat

dan Norhafiza (2005), Taylor

diketahui

(2008), serta Javedani, Lee,

yang

dan

(2011).

jumlah kunjungan wisman

yang

di Kabupaten Karimun dan

Suhartono

Beberapa
digunakan

metode

diantaranya

model

dapat

menjelaskan

mempergunakannya

nave, regresi, dekomposisi,

meramalkan

exponential

kunjungan

smoothing,

terbaik

untuk
jumlah

wisman

di

Kabupaten Karimun selama

tahun 2013.
15.
16.
2.

Metode

merupakan

metode

paling

yang

sederhana,

menganggap

bahwa

peramalan
nilai

dibangun

mengambil

Peramalan
17.
2.1. Metode Nave
18. Naive
model

berikutnya

yang

periode
sama

aktual

sebelumnya.

dengan
periode

Metode

ini

dengan

rata-rata

beberapa

nilai

dari

berurutan

dari deret waktu yang lain.

Istilah "rata-rata bergerak"
digunakan

untuk

menggambarkan

prosedur

ini karena setiap rata-rata

dihitung

dengan

menghilangkan
pengamatan

sebelumnya

dan

memasukan

merupakan metode paling

pengamatan berikutnya.
24. Metode
DMA

sederhana

karena

didasarkan

mengasumsikan

bahwa

perhitungan

pada
rata-rata

data yang baru saja terjadi

bergerak

merupakan prediksi paling

dihitung berdasarkan rata-

tepat

rata dari rata-rata bergerak

untuk

meramalkan

priode yang akan datang.

Yt 1 Yt (Yt Yt 1 )
19.
Model
untuk data tren sederhana:
20.
Untuk

tren

bersifat

21.

Untuk

data bersifat multiplikatif

22.

yang

pertama. DMA dinotasikan

dengan MA (T x T), yang
dapat diartikan sebagai MA
(T)

periode

dari

MA

2.2. Double Moving

Average (DMA)
23. Moving Average
(DMA) adalah deret waktu

(T)

periode. Metode ini dapat

digunakan

aditif, dan
Y
Yt 1 Yt t
Yt 1

kedua,

untuk

meramalkan

data

komponen

trend

dengan
linier

dengan lebih baik. Prosedur

rata-rata

bergerak

secara

umum

diterangkan
persamaan berikut :

linier
dapat
melalui

25.

30.

Metode

pemulusan
linear
X t X t 1 X t 2 ... X t N 1
S 't
N

eksponensial

dari

Holt

menggunakan

tidak
rumus

pemulusan berganda secara

langsung. Sebagai gantinya,
Holt memuluskan nilai trend

S 't S 't 1 S 't 2 ... S 't N 1

S ''t
N

dengan

parameter

berbeda

dari

yang

parameter

yang digunakan pada deret

at S 't S 't S ''t 2 S 't S ''t

26.
27.
28.

2
bt N 1 S 't S ''t

(DSE)
29.

Dasar pemikiran
pemulusan

eksponensial adalah serupa

dengan rata-rata bergerak
linier

karena

pemulusan

kedua

nilai

tunggal

dan

ganda ketinggalan dari data

yang sebenarnya bilamana
terdapat

unsur

trend,

perbedaan

antara

nilai

pemulusan

tunggal

dan

ganda dapat ditambahkan

kepada

nilai

pemulusan

tunggal

dan

disesuaikan

untuk trend.

pemulusan

dari

eksponensial

konstanta

Smoothing

dari

Ramalan

menggunakan

Double

Exponential

asli.

linear Holt didapat dengan

F t m at bt m

2.3.

yang

dua
pemulusan

(dengan nilai antara 0 dan

1)

dan

tiga

persamaan

sebagai berikut :
31.

S t X t (1 )( S t 1 bt 1 )
32.

bt ( S t S t 1 ) (1 )bt 1
33.
34.
35.

Ft m S t bt .m

Inisialisasi : S1 = X1
b1 = X2

X1
36.

2.4. Regresi Linier

Terhadap Waktu
37.
Merupakan penerapan
dari metode regresi linier
sederhana dengan variabel

waktu (t) sebagai prediktor,

dengan

rumus

umum

sebagai berikut:

50.

kenyatannya
series

yt xt t

Pada
data

time

ada

lebih

yang

banyak

yang

tidak

38.

stasioner. Ada banyak hal

39.
Dimana xt
didefinisikan sebagai waktu
ke t= 1,2,

yang

2.5.

Jenkins
42.

ARIMA

time series tidak stasioner

mean

dan

varians.

Ketidakstasioneran

Box

Model

data

diantaranya adalah karena

40.
Dan persamaan
tersebut telah memenuhi
asumsi eror yang IIDN
41.

menyebabkan

ini

dalam

mean dapat diatasi dengan

proses

differencing.

Sedangkan
ketidakstasioneran

dalam

metode Box Jenkins pada

varians

diatasi

peramalan

dengan

merupakan

pendekatan
data

deret

dapat

transformasi

Box-

waktu. Metode ini diapatkan

Cox. Model time series tidak

dari

stasioner

perluasan

yang

yang

diperoleh dari model AR(p)

differencing

dan

model

MA(q)

model

membentuk

campuran

sebagai

44.

yang

model ARMA(p,q) dan bisa

juga ditulis dalam bentuk:
45.
46.
47.
48.
49.

dengan

dinamakan

Integrated Moving Average

adalah

dinamakan

di-

Autoregressive

(ARIMA).

berikut:
43.

telah

Misalnya
barisan

dengan
51.
maka

proses

Wt
selisih

ARMA

dapat ditulis:
52.

53.

jika Wt diganti dengan

, maka persamaan

tersebut
sebagai:

dapat

ditulis

54.

digunakan
55.

Dalam

banyak

kasus, dapat terjadi bahwa

selisih (difference) pertama
suatu

time

series

tidak

stasioner.

masih
Dengan

menuliskan derajat selisih

dengan

d,

proses

maka

suatu

ARIMA

dapat

digambarkan
dimensi

dengan

p,

d,

Sehingga

dan

q.

ARIMA(p,d,q)

berarti suatu time series

nonstasioner yang setelah
diambil selisih ke-d menjadi
stasioner

dan

mengikuti

proses AR(p) dan MA(q).

56.
57.
3. Data
58. Data
yang
digunakan dalam penelitian
adalah

jumlah

wisman

bulanan yang berkunjung ke

Kabupaten
pintu

Karimun

masuk

dari

Pelabuhan

Tanjungbalai Karimun yang

bersumber

dari

BPS

Kabupaten Karimun. Jumlah

pengamatan sebanyak 120
bulan

akan

digunakan

sebagai insample dan 15

bulan

berikutnya

akan

outsample.
59.
60.
4.

sebagai

Hasil

dan

Pembahasan
61.

Selama periode

2002-2012, jumlah wisman

yang

berkunjung

Kabupaten

Karimun

menunjukkan

tren

ke
terus
yang

menurun. Walaupun sempat

mengalami

peningkatan

sebesar 3,84 persen pada

tahun 2004, namun secara
keseluruhan laju kunjungan
wisman

pada

tersebut

periode
mengalami

penurunan

rata-rata

sebesar 7,20 persen setiap

tahunnya.

Penurunan

laju

kunjungan tertinggi terjadi

pada tahun 25,43 persen,
merupakan

dampak

tidak

langsung dari menurunnya

kondisi perekonomian dunia
yang juga dirasakan oleh
Singapura

dan

sebagai dua

Malaysia

negara

asal

wisman terbesar. Gambaran

mengenai jumlah kunjungan
wisatawan
tersebut

pada

periode

selengkapnya

terdapat pada Grafik 1.

62.
63.

Grafik 1. Jumlah Kunjungan Wisatawan Mancanegara di

Kabupaten Karimun 2002-2013
64.

23

25000

12
12
10
56
79 2
36
4 78 2
9 1
9 3 567
10
11
11 4 9
12
12 4
12
8
1
3
1
3
5
12 5
11
11 3 67 9 24 67
2
10
2
11
8
8
8
10
11 34 6 12
7
12
11
10 1 5 9
12
12 6
45
13
3
10
2 7
23
1
6 1223 67
10
1 5
6
4
3
2 45
5 11 5 911 4 911
4
10 2 7
78
10
10
10
9 1
8 1
111
9
8
9
8

678

20000
wisman

15000

10000

5000
Month Jan
Jan J an
Jan Jan
Jan Jan
Jan Jan
Jan Jan
Jan
Year 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

65.
66.

67.

4.1.

Hasil

Metode

Regresi linier
68.
yang

Artinya,

Persamaan

didapatkan

regresi

dari

data

insample adalah
69. Yt = 21003 - 121 t
70.
71.
Predictor
Coef SE Coef
T
P
72.
Constant
21003,0
447,1
46,98 0,000
73.
t
-120,557
6,413
-18,80 0,000
74. S = 2433,58
R-Sq = 75,0%
R-Sq(adj) =
74,8%
75.
76. Analysis of Variance
77. Source
DF
SS
MS
F
P
78. Regression
1 2092742763
2092742763 353,37 0,000
79. Residual Error 118
698832796
5922312
80. Total
119 2791575559

81.
koefisien
dengan

Secara
regresi
varians

dijelaskan mencapai 75 persen.

parsial,
signifikan,
yang

dapat

kita

percaya

bahwa

variabel waktu dapat menjelaskan

informasi

perubahan

wisatawan

sebesar

sedangkan

jumlah

75

sisanya

persen,

dijelaskan

oleh faktor lain. Namun demikian

Error yang dihasilkan oleh model
regresi tersebut ternyata tidak
memenuhi asumsi IIDN, dimana
terdapat

pelanggaran

autokorelasi,

asumsi

homoskadastistitas

dan kenormalan error, sehingga

pada tahap selanjutnya metode
ini tidak akan digunakan baik
pada

perbandingan

maupun peramalan.

model

82.
83.
data

4.2. Hasil ARIMA

selang kepercayaan sebesar 95

Pemeriksaan

persen

yang

pola

dilakukan

dengan

tren

sehingga

yang

dapat

menurun,

diduga

bahwa

lambda

84.

Dengan

demikian

dapat disimpulkan bahwa pola

data

telah

stasioner

varians,

mean. Namun sebelumnya, hasil

yang perlu dilakukan hanyalah

pemeriksaan

terhadap

dengan differencing data sebesar

stasioneritas varians pola data

satu lag. Dari hasil diferencing

dengan

Box-Cox

tersebut kemudian diperoleh plot

terdapat

ACF dan PACF sebagai berikut:

metode

85.

bahwa

sehingga

dalam

pola data tidak stasioner dalam

menunjukkan

transformasi

Grafik 3. ACF dan PACF dari Model ARIMA (4,1,0)

86.

87.

Autocorrelation Function for diff1

Partial Autocorrelation Function for diff1

(with 5% significance limits for the autocorrelations)

(with 5% significance limits for the partial autocorrelations)

1,0

1,0

0,8

0,8

0,6

0,6

Partial Autocorrelation

Autocorrelation

nilai

berada diantara 0,11 dan 1,02.

menggunakan plot menunjukkan

adanya

bahwa

0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8

0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8

-1,0

-1,0
2

88.

10

12

14

16
Lag

18

20

22

24

26

28

30

Berdasarkan Grafik 3.

10

12

14

16
Lag

18

20

22

24

menunjukkan cut of setelah lag

pola ACF menunjukkan cut of

4.

Tidak

terlihat

adanya

pola

pada lag 1, sementara pola PACF

musiman baik pada ACF maupun

26

28

30

PACF

sehingga

model

yang

adalah

ARIMA

kemungkinan

dapat

dibentuk

(4,1,0),

ARIMA

(0,1,2) atau ARIMA (3,1,2).

89.
dengan

Hasil

pengolahan

software

menunjukkan

Minitab

bahwa

15

ketiganya

memenuhi asumsi white noise

dan normaly distributed residual,
namun

model

yang

performa

terbaik

memodelkan

dan

memiliki
dalam

meramalkan

data adalah ARIMA (2,1,3).

90. Final Estimates of Parameters
91.
92.
Type
Coef SE Coef
T
P
93.
AR
1
0,8126
0,0187
43,57
0,000

112.

94.
AR
2 -0,9945
0,0184 -54,14
0,000
95.
MA
1
1,4302
0,0464
30,85
0,000
96.
MA
2 -1,4154
0,0453 -31,24
0,000
97.
MA
3
0,6426
0,0560
11,47
0,000
98.
99.
100.
Differencing: 1 regular
difference
101.
Number of observations:
Original series 120, after
differencing 119
102.
Residuals:
SS =
591178400 (backforecasts
excluded)
103.
MS =
5185775 DF = 114
104.
105.
Modified Box-Pierce
(Ljung-Box) Chi-Square
statistic
106.
107.
Lag
12
24
36
48
108.
Chi-Square
5,0
16,5
25,9
32,3
109.
DF
7
19
31
43
110.
P-Value
0,664 0,621
0,727 0,884
111.

Grafik 1. Normal Probability Plot Model ARIMA

113.
Probability Plot of residual
Normal
99,9

Mean
StDev
N
KS
P-Value

99
95

Percent

90

-308,6
2217
119
0,044
>0,150

80
70
60
50
40
30
20
10
5
1
0,1

-7500

-5000

-2500

0
residual

2500

5000

114.
115.
4.3. Perbandingan
Performa Antar Metode

116.
data

Hasil
outsample

pengujian
yang

dilakukan

dengan

(DES)

menggunakan metode Nave I

dan

dan

dengan
Gamma

alfa

1,115

0,004,

dan

II,

Double

Moving

ARIMA disajikan pada tabel

Average

(DMA),

Double

1 berikut.

Exponential
117.

Smoothing

Tabel 1. Perbandingan Nilai Hasil Ramalan Tujuh Metode

Dengan Data Aktual

118.
t

127.
(

136.
1

145.
1

154.
1

163.
1

172.
1

119.
Yt

120.
Nav
e
I

121.
Nav
e
II

122.
DM
A

123.
DE
S

128.
(2)

129.
(3)

130.
(4)

131.
(5)

132.
(6)

137.9
.
3
8
7

138.
12.3
9
6

139.
12.8
0
7

140.
8.8
3
9

146.8
.
0
6
9

147.
14.2
8
0

148.
14.6
1
8

149.
9.0
9
8

156.
16.1
6
4

157.
16.4
5
0

158.
8.9
2
5

165.
18.0
4
8

166.
18.2
9
7

167.
8.8
9
3

174.
19.9
3
2

175.
20.1
5
2

176.
8.8
0
3

155.1
0
.
0
5
0
164.8
.
4
8
8
173.9
.
3
3
7

141.
10.
6
2
4
150.
10.
5
1
3
159.
10.
4
0
2
168.
10.
2
9
1
177.
10.
1
8
0

124.
ARI
M
A

125.
ARI
M
A

126.
ARI
M
A

(
4
,
1
,
0
)

(
0
,
1
,
2
)
134.
(8)

(
2
,
1
,
3
)
135.
(9)

142.
8.6
4
1

143.
9.3
8
3

144.
8.9
3
8

151.
8.5
0
6

152.
8.8
9
6

153.
8.5
9
9

160.
8.7
0
9

161.
8.8
9
6

162.
8.5
8
2

169.
8.8
5
3

170.
8.8
9
6

171.
8.9
0
5

178.
9.2
1
9

179.
8.8
9
6

180.
9.1
8
4

133.
(7)

181.
1

190.
1

199.
1

208.
1

217.
1

226.
1

235.
1

244.
1

253.
1

262.
1

182.1
0
.
4
5
6
191.7
.
8
1
7
200.7
.
1
0
7
209.8
.
3
3
6
218.7
.
5
8
6
227.8
.
8
9
6
236.1
1
.
0
2
2
245.7
.
1
8
1
254.9
.
9
1
2
263.9
.
6
6
0

183.
21.8
1
6

184.
22.0
1
3

185.
8.8
0
7

186.
10.
0
7
0

187.
8.9
2
1

188.
8.8
9
6

189.
9.0
9
0

192.
23.7
0
0

193.
23.8
7
8

194.
8.6
9
8

195.
9.9
5
9

196.
8.7
8
0

201.
25.5
8
4

202.
25.7
4
7

203.
8.4
7
9

204.
9.8
4
8

205.
8.8
3
4

210.
27.4
6
8

211.
27.6
1
8

212.
8.9
7
7

213.
9.7
3
7

214.
8.8
9
0

219.
29.3
5
2

220.
29.4
9
1

221.
9.0
6
8

222.
9.6
2
6

223.
8.9
6
3

228.
31.2
3
6

229.
31.3
6
5

230.
9.2
1
8

231.
9.5
1
5

232.
8.9
1
5

197.
8.8
9
6
206.
8.8
9
6
215.
8.8
9
6
224.
8.8
9
6
233.
8.8
9
6

198.
8.7
3
6
207.
8.5
4
2
216.
8.7
3
6
225.
9.0
8
7
234.
9.1
7
9

237.
33.1
2
0

238.
33.2
4
1

239.
9.2
9
3

240.
9.4
0
5

241.
8.8
6
8

242.
8.8
9
6

243.
8.9
0
5

246.
35.0
0
4

247.
35.1
1
8

248.
9.0
4
9

249.
9.2
9
4

250.
8.8
7
5

255.
36.8
8
8

256.
36.9
9
5

257.
9.0
7
7

258.
9.1
8
3

259.
8.8
9
4

264.
38.7
7
2

265.
38.8
7
3

266.
9.0
5
6

267.
9.0
7
2

268.
8.9
1
0

251.
8.8
9
6
260.
8.8
9
6
269.
8.8
9
6

252.
8.5
9
0
261.
8.6
0
8
270.
8.9
3
5

271.
272. Berdasarkan
kesesuaian
menggunakan

uji

model

dengan

data

insample,

didapati

bahwa

metode

yang

menghasilkan nilai AIC dan SBC

terkecil

adalah

DMA,

diikuti

dengan ARIMA. Dengan demikian

menghasilkan nilai MSE terkecil

model yang paling sesuai untuk

adalah

menjelaskan

kunjungan

ketika dibandingkan MAPE dan

Kabupaten Karimun

MAD, metode yang menghasilkan

wisman di

jumlah

selama periode 2002-2011 adalah

metode

275.
itu

diketahui

Namun

nilai terkecil adalah ARIMA.

metode DMA.
273. Selain

DMA.

Dengan

demikian

kedua

metode

bahwa metode Nave serta DES

sama

dapat

memberikan hasil yang kurang

peramalan,

baik. Yang menarik adalah ketika

prakteknya, metode yang lebih

metode nave I menghasilkan nilai

sering

AIC dan SBC yang lebih kecil

yang

dibandingkan

terkecil. Dapat disimpulkan bahwa

dengan

nave

tersebut

sama-

digunakan

untuk

walaupun

dipakai

adalah

menghasilkan

dalam
metode

nilai

multiplikatif. Hal ini memperkuat

secara

hasil

terbaik yang dapat menjelaskan

pengujian

bahwa

varians

data cenderung konstan.

274. Sementara
pengujian
diketahui

hasil
bahwa

277.

metode

pola data dan digunakan untuk

untuk

peramalan,
metode

keseluruhan,

MSE

peramalan adalah DMA.

276.

yang

Tabel 2. Perbandingan Kriteria Kebaikan Model Untuk Empat

Metode Peramalan

278.

Metode

279.
282.
AIC

287.

Nave Aditif (I)

293.
Nave
Multiplikatif (II)

299.
Double Moving
Average

305.
Double
Exponential Smoothing

288.
18.316
.62
3
294.
21.255
.38
0
300.
3.322.
52
6
306.
9.017.

Insampl
e
283.
SIC
289.
18.904
.11
3
295.
21.255
.38
0
301.
3.429.
09
4
307.
9.307.

280.

Outsample

284.
MSE

285.
M

286.
M

290.
345.859.
992

291.
16.

292.
19

296.
351.012.
787

297.
16.

298.
19

302.
1.246.76
3

303.
1.0

304.
12

308.
2.553.51

309.
1.4

310.
17

311.

ARIMA (4,1,0)

317.

ARIMA (0,1,2)

323.

ARIMA (2,1,3)

96
9

21
2

312.
5.443.
17
4
318.
5.523.
39
2
324.
5.052.
08
5

313.
5.571.
79
0
319.
5.653.
90
3
325.
5.171.
46
0

0
314.
1.351.48
5

315.
98

320.
1.352.14
2

321.
98

326.
1.252.91
8

327.
96

316.
11

322.
11

328.
11

329.

330. Berdasarkan
perbandingan

keempat

hasil
metode

tersebut, maka digunakan metode

DMA untuk meramalkan jumlah
kunjungan wisman di Kabupaten
Karimun

bulan

April-Desember

2013 sebagai berikut.

331.
Tabel
3.
Ramalan
Jumlah Kunjungan Wisman
di Kabupaten Karimun AprilDesember 2013 Dengan
Menggunakan Metode DMA

332.
Bulan

335.
April

333.P
e
ri
o
d
e
336.1
3
6

338.
Mei

339.1
3
7

341.
Juni

342.1
3
8

344.
Juli

345.1
3
9

347.
Agustus

348.1
4
0

334.J
u
m
l
a
h

337.
8.81
5
340.
8.86
6
343.
8.78
1
346.
8.50
0
349.
8.62
6

350.
Septem
ber

351.1
4
1

353.
Oktober

354.1
4
2

356.
Nopemb
er
359.
Desemb
er

352.
8.90
3
355.
9.00
2
358.
9.24
0
361.
9.28
2

357.1
4
3
360.1
4
4

362.

363. Berdasarkan
ramalan

tersebut,

hasil

maka

kunjungan

wisman

di

Karimun

pada

tahun

jumlah

Kabupaten
2013

diperkirakan akan mencapai 110.502

orang, atau mengalami peningkatan

sebesar 3,71 persen dibandingkan

dengan

tahun

Dengan

demikian

sebelumnya.
telah

terjadi

perubahan tren kunjungan yang

meningkat
terakhir,

selama

tiga

dibandingkan

tahun
dengan

periode 2005-2010 yang selalu

mengalami penurunan.
364.

365.

5. Kesimpulan dan

untuk

menjelaskan

data

Diskusi

adalah Double Moving Average,

366. Dalam penelitian ini

sementara

dilakukan

pemilihan

metode

kunjungan
mancanegara
Karimun

di

pada

Desember
metode
metode
diduga

hasil peramalan didapati bahwa

Aprildengan

bersifat

musiman,

maka

yang

jenis

digunakan

dalam

satu

Namun secara overall, metode

Dengan

terbaik dalam menjelaskan data

dan

peramalan.

dan peramalan jumlah kunjungan

tren

non-

wisman di Kabupaten Karimun

yang

adalah DMA.

metode

peramalan adalah Nave I dan II,

371.

Double Moving Average, Double

Exponential Smoothing, Regresi,

Chen
C.,
(1997).
Robustness Properties for
Some Forecsting Methods
of Time Series: a Monte
Carlo Study. International
Journal of Forecasting. Vol.
13, Issue 2. pp. 269-280

373.

Chen
K.,
(2011).
Combining
linear
and
nonlinear
model
in
forecasting
tourism
demand. Expert Systems
with Applications. Vol. 38,
Issue 8: 1036810376

374.

Chu F., (2008). Analyzing

and forecasting tourism
demand
with
ARAR
algorithm.
Tourism

367. Berdasarkan
pengujian awal, ternyata model
regresi linier yang dihasilkan tidak
digunakan

dalam

peramalan

karena

terdapat

pelanggaran

terhadap

asumsi

non-autokorelasi,
homoskedastisitas,

dan

normalitas error.
368. Selanjutnya

dengan

sebanyak

insample

120

diketahui

bahwa metode yang paling baik

6. Daftar Pustaka

372.

serta ARIMA.

data

baik

yang

sebagai

menggunakan

paling

data

370.

layak

ketepatan

model DMA dan ARIMA (4,1,0)

alat

dipergunakan

performa

merupakan

empat

pola

369. Berdasarkan

Kabupaten

kompleks.

mempelajari

buruk

pengujian

2013
sederhana

paling

wisatawan
periode

menggunakan

yang

adalah metode Nave II.

terbaik untuk meramalkan jumlah

buah

pola

Management. Vol 29, Issue

6. pp 11851196
375.

376.

_________,
(2009).
Forecasting
tourism
demand with ARMA-based
methods,
Tourism
Management,
Vol. 30,
Issue 5. Pp. 740751
Frechtling, D. C. (2001),
Forecasting
Tourism
Demand: Methods and
Strategies,
ButterworthHeinemann, Oxford

377.

Frechtling, D. C. (1996),
Practical
Tourism
Forecasting,
Butterworth
Heinenman, Oxford

378.

Hanke, J.E. and Reitsch,

A.G.
(2001).
Business
th
Forecasting 7
edition,
Prentice Hall.

379.

380.

381.

Lee, M. H., et al., (2012).

Fuzzy time series: An
application
to
tourism
demand forecasting. Am. J.
Applied Sci., Vol. 9. pp.
132-140
Javedani H., Lee M. H., and
Suhartono.
(2011).
An
Evaluation
of
Some
Classical
Method
for
Forecasting
Electrical
Usage
on
a
Spesific
Problems.
Journal
of
Statistical Modelling and
Analysis.Vol. 2. pp. 1-10.
Nuvitasari,
E.,
(2009).
Analisis Intervensi Multi
Input Fungsi Step dan
Pulse Untuk Peramalan
Kunjungan Wisatawan ke

Indonesia.
Surabaya

Thesis.

ITS

382.

Song, H. and Witt, S. F.

(2000), Tourism Demand
Modelling and Forecasting:
Modern
Econometric
Approaches, Pergamon

383.

Song, H. & Li, G. (2008).

Tourism demand modelling
and forecasting: A review
of recent research, Tourism
Management. Vol. 29. pp.
203-220.

384.

Suhartono and M.H. Lee,

2011. A hybrid approach
based on winter's model
and weighted fuzzy time
series for forecasting trend
and seasonal data. J. Math.
Stat., Vol. 7. pp. 177-183.

385.
386.

Syariza,
A.R.
and
Norhafiza,
M.
(2005).
Comparison of Time series
methods
for
Electricity
forecasting: a Case in
Perlis.
ICOQSIA,
6-8
december,
Penang,
Malaysia.

387.

Taylor, J. W. (2008). A
Comparison of Univariate
Time Series Methods for
forecasting
intraday
Arrivals at a Call centre.
Management Science, Vol.
54, pp. 253-265

388.

Witt, S. F. and Witt, C. A.

(1992),
Modeling
and
Forecasting Demand in
Tourism, Academic Press,
London

389.

Wong, K. F. and Song, H.

(2002),
Tourism
Forecasting
and
Marketing,
Hayworth
Hospitality Press, New York