I. PENDAHULUAN
Salah satu sektor yang cukup berperan penting dalam perekonomian Indonesia adalah
sektor pariwisata. Kontribusi sektor pariwisata diantaranya yaitu dapat mendongkrak
perekonomian masyarakat disekitar tempat wisata. Masyarakat dapat mendirikan usaha jasa
penginapan untuk para wisatawan, menjual barang-barang kerajian, hingga oleh-oleh khas
daerah tempat wisata tersebut kepada para wisatawan. Oleh karena itu, Kementrian Budaya dan
Pariwisata menetapkan target kunjungan wisatawan meningkat disetiap tahunnya khususnya
untuk wisatawan mancanegara. Jumlah kedatangan wisatawan mancanegara dapat dilihat dari
pintu masuk dari setiap bandara yang ada di Indonesia. Terdapat lima pintu masuk terbesar yang
menerima kedatangan wisatawan mancanegara yaitu Bandara Soekarno Hatta, Bandara Juanda
Surabaya, Bandara Ngurah Rai Bali, Bandara Hang Nadim Batam, Bandara Tanjung Pinang
Kepualauan Riau, dan Bandara Polonia Medan.
Berdasarkan data dari Badan Pusat Statistika, setiap tahunnya jumlah wisatawan
mancanegara mengalami peningkatan. Hal ini bisa menjadi peluang bisnis bagi para pelaku
bisnis di bidang pariwisata. Sehingga, peramalan jumlah kunjungan wisatawan sangat
dibutuhkan bagi pelaku bisnis pariwisata khususnya para wisatawan mancanegara. Metode
peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang
akan datang berdasarkan data yang relevan pada masa lalu. Salah satu metode yang dapat
digunakan dalam peramalan yaitu Box-Jenkins dengan model ARIMA (p,d,q). Sebelum
melakukan analisis menggunakan ARIMA sebelumnya dilakukan eksplorasi data, pemeriksaan
stationeritas data, apakah data sudah stationer dalam varians dan mean. Selanjutnya melakukan
estimasi parameter dan pengujian asumsi.
Laporan ini akan meramalkan jumlah wisatawan mancanegara yang masuk ke Indonesia
melalui bandara yang ada diseluruh Indonesia dengan menggunakan model ARIMA. Peramalan
ini bertujuan untuk mengetahui karakteristik jumlah kunjungan wisatawan mancanegara yang
masuk melalui bandara yang ada di Indonesia dan model peramalan yang paling sesuai.
Data yang digunakan dalam laporan ini adalah data sekunder tentang jumlah kedatangan
wisatawan mancanegara ke Indonesia per bulan menurut pintu masuk dari bulan Januari 2008
sampai Juli 2015 yang diperoleh dari website resmi Badan Pusat Statistika (www.bps.go.id)
sebanyak 91 data. Data tersebut akan dibagi menjadi data in sample sebanyak 72 data dan out
sample sebanyak 19 data.
1
II. PEMBAHASAN
Dalam pembahasan ini akan dibahas mengenai karakteristik data jumlah kedatangan
wisatawan mancanegara ke Indonesia dan penentuan model terbaik dengan menggunakan model
ARIMA.
A. Karakteristik Data Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia
Sebelum melakukan time series analysis, perlu dilakukan eksplorasi data untuk melihat
karakteristik dari data jumlah kedatangan wisatawan mancanegara ke Indonesia. Berikut ini hasil
analisisnya.
Tabel 1. Karakteristik Data Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia
Deviasi
Tahun N Total Rata-rata Maksimum Minimum
Standar
2008 12 2081786 173482 195758 147319 15862
2009 12 2384819 198735 235042 146192 28218
2010 12 2546023 212169 252110 178358 24753
2011 12 2788406 232392 279219 201457 24824
2012 12 2902125 241844 271371 209160 19456
2013 12 3241889 270157 309051 229561 29647
2014 12 3731735 310978 358907 268418 34758
2015 7 2253216 321888 281890 287141 36955
Tabel 1 menunjukkan bahwa tahun 2008 jumlah kedatangan wisatawan mancanegara
paling banyak adalah 195758 wisatawan terjadi pada bulan Agustus dan jumlah kedatangan
wisatawan mancanegara paling sedikit yaitu 147319 wisatawan terjadi pada bulan Januari
dengan total kunjungan sebanyak 2081786 wisatawan. Pada tahun 2009 hingga tahun 2012
jumlah kedatangan wisatawan paling banyak terjadi pada bulan Juli yaitu sebanyak 235042
wisatawan, 252110 wisatawan, 279219 wisatawan, dan 271371 wisatawan. Rata-rata jumlah
kedatangan wisatawan mancanegara tahun 2013 yaitu 270157 wisatawan dengan deviasi standar
sebesar 29647 wisatawan. Selain itu pada tahun 2014 jumlah kedatangan wisatawan
mancanegara sebanyak 3731735 wisatawan dengan jumlah wisatawan paling banyak terdapat di
bulan Juli yaitu 358907 wisatawan dan paling sedikit terdapat di bulan Maret sebanyak 268418
wisatawan. Sedangkan, rata-rata jumlah kedatangan wisatawan mancanegara dari bulan Januari
hingga Juli 2015 sebanyak 321888 wisatawan dan total wisatawan sebanyak 2253216.
2
Data jumlah kedatangan wisatawan mancanegara ke Indonesia per bulan menurut pintu masuk
memiliki pola sebagai berikut.
900000
800000
600000
500000
400000
1 7 14 21 28 35 42 49 56 63 70
Periode
Gambar 1. Plot Time Series Data Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia
Gambar 1 mengindikasikan bahwa plot time series sudah stasioner dalam varians, tetapi
tidak stasioner dalam mean. Hal ini karena plot time series tidak membentuk pola tertentu seperti
corong sehingga secara visual data sudah stasioner dalam varians. Akan tetapi, perlu dilakukan
analisis lebih lanjut untuk memastikan apakah data sudah stationer dalam varians dengan
menggunakan plot Box-Cox dan didapatkan hasil sebagai berikut.
Lower CL Upper CL
62500 Lambda
(using 95.0% confidence)
60000 Estimate 0.48
Lower CL -1.05
57500 Upper CL 1.88
52500
50000
47500
Limit
45000
Gambar 2 menunjukkan bahwa plot sudah stasioner dalam varians karena nilai lower dan
upper dari sudah melewati angka satu. Selain itu, diketahui rounded value sebesar 0,50
sehingga tidak perlu dilakukan transformasi. Setelah data sudah stasioner dalam varians,
selanjutnya adalah melakukan pemeriksaan stasioneritas dalam mean dengan melihat plot time
series dan plot ACF (Autocorrelation Function).
3
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70
Lag
Berdasarkan Gambar 1 dan 3 menunjukkan secara visual bahwa data belum stasioner
dalam mean. Hal ini karena pada Gambar 1 (plot time series) terdapat trend dan pada Gambar 3
lag-lag cenderung turun melambat atau dies down. Data yang belum stasioner dalam mean
diatasi dengan melakukan proses diffencing orde ke satu. Setelah dilakukan differencing, data
yang digunakan telah memenuhi asumsi stasioneritas yang dapat dilihat pada Gambar 4 berikut
ini.
100000
50000
0 5953
Differencing
-50000
-100000
-150000
1 7 14 21 28 35 42 49 56 63 70
Index
Gambar 4. Plot Time Series Jumlah Kedatangan Wisatawan Mancanegara Setelah Differencing
Gambar 4 menunjukkan bahwa data telah stasioner dalam mean karena plot-plotnya
cenderung konstan pada satu garis horizontal, sehingga asumsi stasioneritas telah terpenuhi dan
dapat digunakan untuk membuat plot ACF dan PACF.
4
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70
Lag
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70
Lag
Berdasarkan Gambar plot ACF ada lag 2 lag yang keluar yaitu lag ke-1 dan 12. Sedangkan,
pada plot PACF ada 5 lag yang keluar yaitu lag ke-1,2,10, 11 dan 12. Sehingga berdasarkan plot
ACF dan PACF yang telah stasioner, didapatkan tiga kemungkinan model ARIMA (12,1,1),
ARIMA ([1,2],1,12), dan ARIMA ([1,2,12],1,0).
b. Estimasi Parameter
Setelah dilakukan identifikasi model sementara dari plot ACF dan PACF, maka selanjutnya
dilakukan estimasi parameter. Model estimasi yang digunakan yaitu conditional least square
dengan uji hipotesis sebagai berikut.
H0 : i 0 atau j 0 ; i =1, 2, , p dan j = 1,2, , q
H1 : i 0 atau j 0
Taraf Signifikan : = 0.05
Statistik Uji
t
t
SE
atau
SE
5
Daerah penolakan :
t
H0 ditolak jika |thitung| > , n p atau p-value <
2
Tabel 2. Estimasi Parameter Model ARIMA pada Data Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia
Nilai
Model
Parameter Estimasi St. Error t p-value
ARIMA
Parameter
ARIMA 12 0.71637 0.10700 6.69 <0.0001
(12,1,1) 1 0.59715 0.09823 6.08 <0.0001
1 -0.52669 0.11465 -4.59 <0.0001
ARIMA
2 -0.37073 0.11790 -3.14 0.0025
([1,2],1,12)
12 -058982 0.11738 -5.02 <0.0001
ARIMA 1 -0.33298 0.08412 -3.96 0.0002
([1,2,12],1,0) 12 0.66702 0.09737 6.85 <0.0001
Tabel 2 menunjukkan bahwa dari semua model dugaan yaitu ARIMA (12,1,1), ARIMA
([1,2],1,12), dan ARIMA ([1,2,12],1,0) memiliki parameter yang signifikan. Langkah selanjutnya
adalah diagnostic checking.
c. Diagnostic Checking dari Jumlah Wisatawan Wisatawan Mancanegara ke Indonesia
Diagnostic checking merupakan uji asumsi residual meliputi uji asumsi identik,
independen (white noise) dan asumsi normalitas.
1. Uji Identik
Pada tahap identifikasi Yt sudah stasioner dalam mean dan varians, maka model dapat
dikatakan sudah identik
2. Uji Independen
Pengujian ini dilakukan untuk melihat adanya independensi dari residual (untuk
mengetahui korelasi dari nilai-nilai residual), maka dilakukan uji asumsi white noise
menggunakan uji Ljung-Box.
Hipotesis
H0 : r1 r 2 L r K 0 (residual tidak saling berkorelasi)
H1 : minimal ada satu ri 0, i = 1, 2, , K (residual saling berkorelasi)
Taraf Signifikan : = 0,05
Statistik Uji
r k2
Q n n 2 k 1
K
n k
Daerah Penolakan :
H0 ditolak jika Q> , df K p q atau p-value <
2
Tabel 3. Hasil Uji Ljung-Box (Q) untuk Asumsi White Noise pada Data Jumlah Kedatangan Wisatawan
Mancanegara ke Indonesia
Model ARIMA Q Lag Df p-value
3,56 6 4 0,4689
6
ARIMA 14,06 12 10 0,1702
19,49 18 16 0,2439
(12,1,1)
24,70 24 22 0,3115
ARIMA 1,96 6 3 0,5810
9,29 12 9 0,4112
([1,2],1,12)
11,99 18 15 0,6800
27,52 24 21 0,1542
ARIMA 3,04 6 3 0,3852
10,24 12 9 0,3315
([1,2,12],1,0)
10,98 18 15 0,7538
16,29 24 21 0,7534
Tabel 3 menunjukkan bahwa p-value masing-masing lag kelipatan 6 dari model ARIMA
(12,1,1), ARIMA ([1,2],1,12), dan ARIMA ([1,2,12],1,0) bernilai lebih besar dari sebesar 0.05
yang berarti ketiga model telah memenuhi asumsi white noise.
3. Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah residual berdistribusi normal atau tidak,
menggunakan uji Kolmogorov smirnov.
Hipotesis
H0 : F(x) = F0(x) (residual berdistribusi normal)
H1 : F(x) F0(x) (residual tidak berdistribusi normal)
Taraf signifikan : = 0,05
Statistik Uji
S x F0 x
SUP
D x
Daerah Penolakan :
H0 ditolak jika D>D(n,1-) atau p-value <
Tabel 4. Uji Normalitas Residual pada Data Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia
Model D p-value
ARIMA (12,1,1) 0,096008 0,1015
ARIMA ([1,2],1,12) 0,058987 >0,1500
ARIMA ([1,2,12],1,0) 0,088961 >0,1500
Tabel 4 menunjukkan bahwa p-value dari model ARIMA (12,1,1), ARIMA ([1,2],1,12),
dan ARIMA ([1,2,12],1,0) memiliki nilai yang lebih dari sebesar 0,05 yang berarti residual dari
ketiga model sudah memenuhi asumsi residual berdistribusi normal.
d. Pemilihan Model Terbaik
Pemilihan model terbaik dilakukan dengan pendekatan in-sample dan out-sample. Berikut
hasil analisisnya.
1. Pendekatan In-Sample
Pemilihan model terbaik dilakukan dengan pendekatan in sample menggunakan kriteria
RMSE, AIC dan SBC, dimana model yang digunakan adalah model dugaan yang signifikan,
memenuhi asumsi white noise dan distribusi normal yaitu model ARIMA (12,1,1), ARIMA
([1,2],1,12), dan ARIMA ([1,2,12],1,0).
Tabel 5. Pemilihan Model Terbaik dengan Pendekatan In-Sample
Model RMSE AIC SBC
ARIMA (12,1,1) 40939,52 1711,479 1716,009
7
ARIMA ([1,2],1,12) 44040,22 1722,81 1729,598
ARIMA ([1,2,12],1,0) 41459,14 1714,234 1721,022
Berdasarkan Tabel 5 diketahui bahwa model terbaik dilihat dari nilai RMSE, AIC, dan SBC
yang terkecil adalah model ARIMA (12,1,1).
2. Pendekatan Out-Sample
Pemilihan model terbaik dilakukan dengan pendekatan out sample menggunakan kriteria
MAPE, MSE, dan MAD, dimana model yang digunakan adalah model dugaan yang signifikan,
memenuhi asumsi white noise dan distribusi normal yaitu model ARIMA (12,1,1), ARIMA
([1,2],1,12), dan ARIMA ([1,2,12],1,0).
Tabel 6. Pemilihan Model Terbaik dengan Pendekatan Out-Sample
Model MAPE MSE MAD
ARIMA (12,1,1) 6,5 3465294499 49986,83
ARIMA ([1,2],1,12) 7,7 4588076626 58633,43
ARIMA ([1,2,12],1,0) 6,4 3453321391 49465,81
Berdasarkan Tabel 6 diketahui bahwa model terbaik dilihat dari nilai MAPE, MSE, dan
MAD yang terkecil adalah model ARIMA ([1,2,12],1,0). Sehingga model ini yang akan
digunakan untuk analisis selanjutnya.
Berdasarkan hasil pemilihan model terbaik dengan pendekatan out-sample diperoleh model
ARIMA ([1,2,12],1,0), sehingga persaman modelnya dapat ditulis sebagai berikut.
p B 1 B Z&t q B at
d
1,2,12 B 1 B Z&t 0 B at
1
1,2,12 B 1 B Z&t at
d
1 B B B Z& Z& a
1
1
2
2
12
12
t t 1 t
8
Bulan Ramalan Bulan Ramalan
Oktober 2015 825315.2 Juli 2016 823446.7
Nopember 2015 892101.2 Agustus 2016 894225.9
Desember 2015 872699 September 2016 856441.4
Januari 2016 798265.6 Oktober 2016 841139.2
Februari 2016 904576.7 Nopember 2016 898524.7
Maret 2016 861330.4 Desember 2016 863306.4
April 2016 818535.8 Januari 2017 819803.9
III. KESIMPULAN
Berdasarkan latar belakang masalah dan hasil analisis dapat disimpulkan bahwa model
terbaik yang digunakan untuk meramalkan jumlah kedatangan wisatawan mancanegara yang
berkunjung ke Indonesia adalah model ARIMA ([1,2,12],1,0) karena memiliki nilai MAPE,
MSE, dan MAD terkecil dari data out-sample. Hasil ramalan jumlah kedatangan wisatawan
mancanegara dari bulan Agustus 2015 hingga Januari 2017 cenderung meningkat. Dari hasil
ramalan jumlah kedatangan wisatawan mancanegara yang berkunjung ke Indonesia dapat
dijadikan sebuah informasi untuk para pelaku bisnis di bidang pariwisata untuk mengembangkan
usahanya.
LAMPIRAN
Lampiran 1. Data Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia per Bulan Menurut
Pintu Masuk Tahun 2008-2015
Bulan 2 008 2 009 2 010 2 011 2 012 2 013 2 014 2 015
Januari 437 966 473 165 493 799 548 821 652 692 614 328 753079 723 039
Februari 465 449 421 555 523 135 568 057 592 502 678 415 702666 786 653
Maret 502 041 511 314 594 242 598 068 658 602 725 316 765607 789 596
April 459 129 487 121 555 915 608 093 626 100 646 117 726332 749 882
Maret 508 955 521 735 600 031 600 191 650 883 700 708 752363 793,499
Juni 529 064 550 582 613 422 674 402 695 531 789 594 851475 815,148
Juli 567 364 593 415 658 476 745 451 701 200 717 784 777210 814 233
Agustus 599 506 566 797 586 530 621 084 634 194 771 009 826821
September 501 018 493 799 560 367 650 071 683 584 770 878 791296
Oktober 529 391 547 159 594 654 656 006 688 341 719 903 808767
Nopember 524 162 531 669 578 152 654 948 693 867 807 422 764461
Desember 610 452 625 419 644 221 724 539 766 966 860 655 915334
9
datalines; datalines; datalines;
437966 437966 437966
465449 465449 465449
M M M
860655 860655 860655
; ; ;
proc arima data=pengunjung; proc arima data=pengunjung; proc arima data=pengunjung;
identify var=y(1); identify var=y(1); identify var=y(1);
estimate p=(12) q=(1) estimate p=(1,2) q=(12) estimate p=(1,2,12) q=(0)
noconstant method=cls; noconstant method=cls; noconstant method=cls;
forecast out=ramalan lead=18; forecast out=ramalan lead=18; forecast out=ramalan lead=18;
run; run; run;
proc print data=ramalan; proc print data=ramalan; proc print data=ramalan;
run; run; run;
proc univariate data=ramalan proc univariate data=ramalan proc univariate data=ramalan
normal; normal; normal;
var residual; var residual; var residual;
run; run; run;
Lampiran 3. Output SAS Model ARIMA Data Jumlah Kedatangan Wisatawan Mancanegara ke
Indonesia
Lampiran 3a. Model ARIMA (12,1,1)
The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1
Mean of Working Series 5953.366
Standard Deviation 60111.12
Number of Observations 71
Observation(s) eliminated by differencing 1
Autocorrelations
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
10
1 0.51400 | . |********** |
2 0.32751 | . |******* |
3 0.08053 | . |** . |
4 0.08268 | . |** . |
5 0.01434 | . | . |
6 0.10875 | . |** . |
7 0.13184 | . |*** . |
8 0.17233 | . |*** . |
9 0.13335 | . |*** . |
10 0.08705 | . |** . |
11 -0.08139 | . **| . |
12 -0.25037 | *****| . |
13 -0.08610 | . **| . |
14 -0.04304 | . *| . |
15 0.02746 | . |* . |
16 0.00678 | . | . |
17 0.01373 | . | . |
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.39182 | ********| . |
2 -0.39276 | ********| . |
3 -0.07857 | . **| . |
4 -0.22290 | .****| . |
5 -0.00044 | . | . |
6 -0.06999 | . *| . |
7 0.08276 | . |** . |
8 -0.14699 | . ***| . |
9 0.19434 | . |****. |
10 -0.34245 | *******| . |
11 -0.29081 | ******| . |
12 0.25941 | . |***** |
13 0.08222 | . |** . |
14 0.11774 | . |** . |
15 -0.03559 | . *| . |
16 0.01428 | . | . |
17 -0.02511 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq ------------------Autocorrelations-----------------
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
11
AR1,1 0.025 1.000
To Chi- Pr >
Lag Square DF ChiSq ------------------Autocorrelations-----------------
Period(s) of Differencing 1
Autoregressive Factors
1 437966 . . . . .
2 465449 437966.00 40939.52 357726.01 518205.99 27483.00
3 502041 449037.45 40939.52 368797.46 529277.44 53003.55
4 459129 470389.78 40939.52 390149.79 550629.77 -11260.78
5 508955 465853.41 40939.52 385613.42 546093.39 43101.59
6 529064 483216.76 40939.52 402976.77 563456.75 45847.24
7 567364 501686.19 40939.52 421446.20 581926.18 65677.81
8 599506 528144.31 40939.52 447904.32 608384.30 71361.69
9 501018 556892.16 40939.52 476652.18 637132.15 -55874.16
10 529391 534383.42 40939.52 454143.43 614623.40 -4992.42
11 524162 532372.24 40939.52 452132.25 612612.22 -8210.24
12 610452 529064.77 40939.52 448824.78 609304.75 81387.23
13 473165 561851.38 40939.52 481611.39 642091.37 -88686.38
14 421555 545812.27 40939.52 465572.28 626052.26 -124257.27
15 511314 521968.93 40939.52 441728.94 602208.92 -10654.93
16 487121 486935.83 40939.52 406695.84 567175.82 185.17
12
17 521735 522704.19 40939.52 442464.20 602944.18 -969.19
18 550582 536719.20 40939.52 456479.21 616959.19 13862.80
19 593415 569740.69 40939.52 489500.71 649980.68 23674.31
20 566797 602303.33 40939.52 522063.34 682543.32 -35506.33
21 493799 517446.03 40939.52 437206.04 597686.02 -23647.03
22 547159 528245.41 40939.52 448005.42 608485.40 18913.59
23 531669 532118.80 40939.52 451878.82 612358.79 -449.80
24 625419 593753.02 40939.52 513513.03 673993.01 31665.98
25 493799 508161.52 40939.52 427921.53 588401.51 -14362.52
26 523135 465403.86 40939.52 385163.87 545643.85 57731.14
27 594242 552961.18 40939.52 472721.19 633201.17 41280.82
28 555915 552259.94 40939.52 472019.96 632499.93 3655.06
29 600031 578528.74 40939.52 498288.75 658768.73 21502.26
30 613422 607855.94 40939.52 527615.95 688095.93 5566.06
31 658476 640782.41 40939.52 560542.42 721022.40 17693.59
32 586530 628841.93 40939.52 548601.95 709081.92 -42311.93
33 560367 559503.24 40939.52 479263.25 639743.23 863.76
34 594654 598076.61 40939.52 517836.63 678316.60 -3422.61
35 578152 585601.28 40939.52 505361.29 665841.27 -7449.28
36 644221 649759.88 40939.52 569519.89 729999.87 -5538.88
37 548821 553240.17 40939.52 473000.18 633480.16 -4419.17
38 568057 572475.30 40939.52 492235.31 652715.29 -4418.30
39 598068 621634.20 40939.52 541394.21 701874.18 -23566.20
40 608093 584684.38 40939.52 504444.39 664924.36 23408.62
41 600191 625717.77 40939.52 545477.79 705957.76 -25526.77
42 674402 625027.27 40939.52 544787.28 705267.26 49374.73
43 745451 677193.00 40939.52 596953.01 757432.98 68258.00
44 621084 653150.71 40939.52 572910.72 733390.70 -32066.71
45 650071 621490.39 40939.52 541250.40 701730.37 28580.61
46 656006 657566.12 40939.52 577326.13 737806.11 -1560.12
47 654948 645116.12 40939.52 564876.13 725356.11 9831.88
48 724539 696406.60 40939.52 616166.61 776646.59 28132.40
49 652692 639398.13 40939.52 559158.14 719638.12 13293.87
50 592502 658533.59 40939.52 578293.60 738773.57 -66031.59
51 658602 653431.88 40939.52 573191.89 733671.86 5170.12
52 626100 662696.24 40939.52 582456.25 742936.23 -36596.24
53 650883 642292.80 40939.52 562052.82 722532.79 8590.20
54 695531 698915.74 40939.52 618675.76 779155.73 -3384.74
55 701200 748449.46 40939.52 668209.47 828689.44 -47249.46
56 634194 640322.58 40939.52 560082.59 720562.57 -6128.58
57 683584 658619.06 40939.52 578379.08 738859.05 24964.94
58 688341 672927.76 40939.52 592687.77 753167.75 15413.24
59 693867 678379.02 40939.52 598139.04 758619.01 15487.98
60 766966 734471.09 40939.52 654231.10 814711.08 32494.91
61 614328 696092.67 40939.52 615852.68 776332.65 -81764.67
62 678415 620035.80 40939.52 539795.81 700275.79 58379.20
63 725316 690905.63 40939.52 610665.65 771145.62 34410.37
64 646117 681484.35 40939.52 601244.36 61724.34 -35367.35
65 700708 684990.47 40939.52 604750.48 765230.46 15717.53
66 789594 723306.64 40939.52 643066.65 803546.63 66287.36
67 717784 754071.41 40939.52 673831.42 834311.40 -36287.41
68 771009 691452.16 40939.52 611212.17 771692.15 79556.84
69 770878 758882.83 40939.52 678642.84 839122.82 11995.17
70 719903 767122.82 40939.52 686882.83 847362.80 -47219.82
71 807422 752059.10 40939.52 671819.11 832299.09 55362.90
72 860655 826727.69 40939.52 746487.70 906967.68 33927.31
73 . 731050.19 40939.52 650810.21 811290.18 .
74 . 776960.09 44136.64 690453.87 863466.30 .
75 . 810558.47 47117.31 718210.24 902906.71 .
76 . 753822.82 49920.33 655980.78 851664.87 .
77 . 792930.08 52574.12 689886.71 895973.45 .
78 . 856605.19 55100.23 748610.71 964599.66 .
79 . 805162.79 57515.51 692434.45 917891.12 .
80 . 843291.49 59833.37 726020.23 960562.74 .
81 . 843197.64 62064.73 721553.01 964842.28 .
82 . 806680.77 64218.60 680814.62 932546.92 .
83 . 869376.60 66302.54 739426.01 999327.20 .
84 . 907511.03 68322.95 773600.51 041421.55 .
85 . 814666.27 82264.88 653430.06 975902.48 .
13
86 . 847554.65 86998.83 677040.08 1018069.23 .
87 . 871623.47 91488.15 692309.99 1050936.95 .
88 . 830979.86 95767.25 643279.49 1018680.22 .
89 . 858995.05 99863.16 663266.85 1054723.26 .
90 . 904609.88 103797.58 701170.37 1108049.39 .
Moments
N 71 Sum Weights 71
Mean 5829.77393 Sum Observations 413913.949
Std Deviation 40219.7611 Variance 1617629180
Skewness -0.5655784 Kurtosis 0.82597477
Uncorrected SS 1.15647E11 Corrected SS 1.13234E11
Coeff Variation 689.902585 Std Error Mean 4773.20747
Location Variability
Quantiles (Definition 5)
Quantile Estimate
Extreme Observations
------Lowest------ -----Highest-----
14
-124257.3 14 66287.4 66
-88686.4 13 68258.0 43
-81764.7 61 71361.7 8
-66031.6 50 79556.8 68
-55874.2 9 81387.2 12
Missing Values
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 19 21.11 100.00
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.51400 | . |********** |
2 0.32751 | . |******* |
3 0.08053 | . |** . |
4 0.08268 | . |** . |
5 0.01434 | . | . |
6 0.10875 | . |** . |
7 0.13184 | . |*** . |
8 0.17233 | . |*** . |
9 0.13335 | . |*** . |
10 0.08705 | . |** . |
11 -0.08139 | . **| . |
12 -0.25037 | *****| . |
15
13 -0.08610 | . **| . |
14 -0.04304 | . *| . |
15 0.02746 | . |* . |
16 0.00678 | . | . |
17 0.01373 | . | . |
16
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.39182 | ********| . |
2 -0.39276 | ********| . |
3 -0.07857 | . **| . |
4 -0.22290 | .****| . |
5 -0.00044 | . | . |
6 -0.06999 | . *| . |
7 0.08276 | . |** . |
8 -0.14699 | . ***| . |
9 0.19434 | . |****. |
10 -0.34245 | *******| . |
11 -0.29081 | ******| . |
12 0.25941 | . |***** |
13 0.08222 | . |** . |
14 0.11774 | . |** . |
15 -0.03559 | . *| . |
16 0.01428 | . | . |
17 -0.02511 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq ------------------Autocorrelations-----------------
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
17
Autocorrelation Check of Residuals
To Chi- Pr >
Lag Square DF ChiSq ------------------Autocorrelations-----------------
Period(s) of Differencing 1
Autoregressive Factors
18
Obs y FORECAST STD L95 U95 RESIDUAL
1 437966 . . . . .
2 465449 437966.00 44040.22 351648.75 524283.25 27483.00
3 502041 450974.01 44040.22 364656.77 537291.26 51066.99
4 459129 472579.62 44040.22 386262.37 558896.86 -13450.62
5 508955 468164.49 44040.22 381847.24 554481.73 40790.51
6 529064 498621.00 44040.22 412303.76 584938.25 30443.00
7 567364 500000.79 44040.22 413683.54 586318.04 67363.21
8 599506 539736.80 44040.22 453419.55 626054.04 59769.20
9 501018 568378.19 44040.22 482060.94 654695.43 -67360.19
10 529391 540974.49 44040.22 454657.25 627291.74 -11583.49
11 524162 550959.78 44040.22 464642.54 637277.03 -26797.78
12 610452 516397.31 44040.22 430080.07 602714.56 94054.69
13 473165 566942.58 44040.22 480625.34 653259.83 -93777.58
14 421555 529692.32 44040.22 443375.07 616009.56 -108137.32
15 511314 529754.48 44040.22 443437.24 616071.73 -18440.48
16 487121 475238.85 44040.22 388921.61 561556.10 11882.15
17 521735 490646.02 44040.22 404328.77 576963.27 31088.98
18 550582 530429.32 44040.22 444112.07 616746.56 20152.68
19 593415 562288.63 44040.22 475971.38 648605.88 31126.37
20 566797 595414.23 44040.22 509096.99 681731.48 -28617.23
21 493799 525206.19 44040.22 438888.94 611523.43 -31407.19
22 547159 535282.10 44040.22 448964.86 621599.35 11876.90
23 531669 530311.49 44040.22 443994.25 616628.74 1357.51
24 625419 575521.01 44040.22 489203.76 661838.25 49897.99
25 493799 526472.21 44040.22 440154.96 612789.45 -32673.21
26 523135 464583.70 44040.22 378266.45 550900.94 58551.30
27 594242 545602.98 44040.22 459285.73 631920.22 48639.02
28 555915 552923.38 44040.22 466606.13 639240.62 2991.62
29 600031 568076.90 44040.22 481759.66 654394.15 31954.10
30 613422 602891.15 44040.22 516573.90 689208.39 10530.85
31 658476 608373.06 44040.22 522055.82 694690.31 50102.94
32 586530 612902.96 44040.22 526585.71 699220.21 -26372.96
33 560367 589195.51 44040.22 502878.26 675512.76 -28828.51
34 594654 607824.64 44040.22 521507.39 694141.88 -13170.64
35 578152 587095.54 44040.22 500778.30 673412.79 -8943.54
36 644221 603563.25 44040.22 517246.00 689880.49 40657.75
37 548821 596269.53 44040.22 509952.29 682586.78 -47448.53
38 568057 609108.31 44040.22 522791.06 695425.55 -41051.31
39 598068 621981.82 44040.22 535664.58 708299.07 -23913.82
40 608093 576894.70 44040.22 490577.46 663211.95 31198.30
41 600191 610534.27 44040.22 524217.02 696851.51 -10343.27
42 674402 606847.68 44040.22 520530.43 693164.92 67554.32
43 745451 667797.37 44040.22 581480.13 754114.62 77653.63
44 621084 664962.57 44040.22 578645.33 751279.82 -43878.57
45 650071 643242.88 44040.22 556925.64 729560.13 6828.12
46 656006 673142.17 44040.22 586824.92 759459.41 -17136.17
47 654948 636858.61 44040.22 550541.36 723175.85 18089.39
48 724539 677285.90 44040.22 590968.65 763603.15 47253.10
49 652692 660292.12 44040.22 573974.87 746609.36 -7600.12
50 592502 640520.41 44040.22 554203.16 726837.65 -48018.41
51 658602 636734.31 44040.22 550417.07 723051.56 21867.69
52 626100 664503.68 44040.22 578186.44 750820.93 -38403.68
53 650883 612612.42 44040.22 526295.18 698929.67 38270.58
54 695531 689724.78 44040.22 603407.53 776042.02 5806.22
55 701200 708629.62 44040.22 622312.37 794946.86 -7429.62
56 634194 655781.15 44040.22 569463.90 742098.39 -21587.15
57 683584 671411.03 44040.22 585093.78 757728.27 12172.97
58 688341 672304.69 44040.22 585987.44 758621.93 16036.31
59 693867 678194.73 44040.22 591877.48 764511.97 15672.27
60 766966 717064.00 44040.22 630746.76 803381.25 49902.00
61 614328 721934.19 44040.22 635616.94 808251.43 -107606.19
62 678415 639298.22 44040.22 552980.98 725615.47 39116.78
63 725316 714146.79 44040.22 627829.55 800464.04 11169.21
64 646117 654203.31 44040.22 567886.07 740520.56 -8086.31
65 700708 693015.51 44040.22 606698.27 779332.76 7692.49
66 789594 704741.69 44040.22 618424.44 791058.94 84852.31
67 717784 718158.02 44040.22 631840.77 804475.26 -374.02
19
68 771009 709920.12 44040.22 623602.87 796237.36 61088.88
69 770878 776778.09 44040.22 690460.84 863095.33 -5900.09
70 719903 760673.47 44040.22 674356.23 846990.72 -40770.47
71 807422 756043.42 44040.22 669726.17 842360.66 51378.58
72 860655 809658.16 44040.22 723340.92 895975.41 50996.84
73 . 736703.01 44040.22 650385.76 823020.25 .
74 . 805324.06 48724.16 709826.46 900821.66 .
75 . 821722.81 51517.83 720749.72 922695.89 .
76 . 782876.34 58397.42 668419.50 897333.17 .
77 . 801794.03 62893.74 678524.56 925063.51 .
78 . 856279.87 66481.93 725977.67 986582.07 .
79 . 820348.82 70693.05 681792.98 958904.66 .
80 . 855105.47 74463.26 709160.17 1001050.77 .
81 . 846640.26 77878.18 694001.84 999278.68 .
82 . 814166.00 81304.60 654811.92 973520.08 .
83 . 864712.50 84572.90 698952.65 1030472.34 .
84 . 880208.63 87675.82 708367.18 1052050.08 .
85 . 853307.86 00540.84 656251.43 1050364.29 .
86 . 861731.30 106633.55 652733.37 1070729.23 .
87 . 867267.71 111641.16 648455.05 1086080.37 .
88 . 861228.92 118400.28 629168.62 1093289.21 .
89 . 862356.96 124044.23 619234.74 1105479.18 .
90 . 864001.6 129138.85 610894.10 1117109.10 .
Moments
N 71 Sum Weights 71
Mean 7144.68026 Sum Observations 507272.298
Std Deviation 42805.9557 Variance 1832349847
Skewness -0.4646026 Kurtosis 0.29494135
Uncorrected SS 1.31889E11 Corrected SS 1.28264E11
Coeff Variation 599.130461 Std Error Mean 5080.13231
Location Variability
Quantiles (Definition 5)
Quantile Estimate
20
95% 67554.3
90% 58551.3
75% Q3 40657.8
50% Median 10530.9
25% Q1 -21587.1
10% -41051.3
5% -67360.2
1% -108137.3
0% Min -108137.3
Extreme Observations
------Lowest------ -----Highest-----
-108137.3 14 67363.2 7
-107606.2 61 67554.3 42
-93777.6 13 77653.6 43
-67360.2 9 84852.3 66
-48018.4 50 94054.7 12
Missing Values
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 19 21.11 100.00
Period(s) of Differencing 1
Mean of Working Series 5953.366
Standard Deviation 60111.12
Number of Observations 71
Observation(s) eliminated by differencing 1
Autocorrelations
Inverse Autocorrelations
21
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.51400 | . |********** |
2 0.32751 | . |******* |
3 0.08053 | . |** . |
4 0.08268 | . |** . |
5 0.01434 | . | . |
6 0.10875 | . |** . |
7 0.13184 | . |*** . |
8 0.17233 | . |*** . |
9 0.13335 | . |*** . |
10 0.08705 | . |** . |
11 -0.08139 | . **| . |
12 -0.25037 | *****| . |
13 -0.08610 | . **| . |
14 -0.04304 | . *| . |
15 0.02746 | . |* . |
16 0.00678 | . | . |
17 0.01373 | . | . |
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.39182 | ********| . |
2 -0.39276 | ********| . |
3 -0.07857 | . **| . |
4 -0.22290 | .****| . |
5 -0.00044 | . | . |
6 -0.06999 | . *| . |
7 0.08276 | . |** . |
8 -0.14699 | . ***| . |
9 0.19434 | . |****. |
10 -0.34245 | *******| . |
11 -0.29081 | ******| . |
12 0.25941 | . |***** |
13 0.08222 | . |** . |
14 0.11774 | . |** . |
15 -0.03559 | . *| . |
16 0.01428 | . | . |
17 -0.02511 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq ------------------Autocorrelations-----------------
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
22
Correlations of Parameter Estimates
To Chi- Pr >
Lag Square DF ChiSq ------------------Autocorrelations-----------------
Period(s) of Differencing 1
Autoregressive Factors
1 437966 . . . . .
2 465449 437966.00 41459.14 356707.57 519224.43 27483.00
3 502041 453084.43 41459.14 371826.00 534342.86 48956.57
4 459129 480066.24 41459.14 398807.81 561324.68 -20937.24
5 508955 471096.07 41459.14 389837.64 552354.50 37858.93
6 529064 495144.88 41459.14 413886.45 576403.31 33919.12
7 567364 510023.76 41459.14 428765.33 591282.19 57340.24
8 599506 546099.77 41459.14 464841.33 627358.20 53406.23
9 501018 577363.81 41459.14 496105.38 658622.24 -76345.81
10 529391 538881.15 41459.14 457622.72 620139.58 -9490.15
11 524162 536379.02 41459.14 455120.59 617637.45 -12217.02
12 610452 520823.96 41459.14 439565.53 602082.39 89628.04
23
13 473165 572678.98 41459.14 491420.55 653937.41 -99513.98
14 421555 535286.85 41459.14 454028.42 616545.28 -113731.85
15 511314 495826.32 41459.14 414567.89 577084.75 15487.68
16 487121 453703.32 41459.14 372444.89 534961.76 33417.68
17 521735 512025.93 41459.14 430767.50 593284.36 9709.07
18 550582 523938.33 41459.14 442679.90 605196.76 26643.67
19 593415 555276.64 41459.14 474018.21 636535.07 38138.36
20 566797 589016.30 41459.14 507757.87 670274.73 -22219.30
21 493799 506884.16 41459.14 425625.73 588142.59 -13085.16
22 547159 550214.41 41459.14 468955.98 631472.84 -3055.41
23 531669 534432.42 41459.14 453173.99 615690.85 -2763.42
24 625419 583393.90 41459.14 502135.47 664652.33 42025.10
25 493799 498114.31 41459.14 416855.88 579372.74 -4315.31
26 523135 501042.55 41459.14 419784.12 582300.99 22092.45
27 594242 594022.29 41459.14 512763.86 675280.72 219.71
28 555915 540818.67 41459.14 459560.24 622077.10 15096.33
29 600031 581143.05 41459.14 499884.62 662401.48 18887.95
30 613422 606409.99 41459.14 525151.56 687668.42 7012.01
31 658476 626077.86 41459.14 544819.43 707336.29 32398.14
32 586530 618413.33 41459.14 537154.89 699671.76 -31883.33
33 560367 562946.97 41459.14 481688.54 644205.40 -2579.97
34 594654 620861.47 41459.14 539603.04 702119.90 -26207.47
35 578152 574520.32 41459.14 493261.89 655778.75 3631.68
36 644221 638952.01 41459.14 557693.58 720210.44 5268.99
37 548821 533215.07 41459.14 451956.64 614473.50 15605.93
38 568057 597344.42 41459.14 516085.99 678602.85 -29287.42
39 598068 624236.38 41459.14 542977.95 705494.81 -26168.38
40 608093 556075.57 41459.14 474817.14 637334.00 52017.43
41 600191 625916.73 41459.14 544658.30 707175.16 -25725.73
42 674402 610341.76 41459.14 529083.33 691600.19 64060.24
43 745451 671555.30 41459.14 590296.87 752813.73 73895.70
44 621084 652363.01 41459.14 571104.58 733621.44 -31279.01
45 650071 645972.02 41459.14 564713.59 727230.45 4098.98
46 656006 684009.16 41459.14 602750.73 765267.59 -28003.16
47 654948 636916.43 41459.14 555657.99 718174.86 18031.57
48 724539 696695.74 41459.14 615437.31 777954.17 27843.26
49 652692 632129.38 41459.14 550870.95 713387.81 20562.62
50 592502 683421.37 41459.14 602162.94 764679.81 -90919.37
51 658602 653279.08 41459.14 572020.65 734537.51 5322.92
52 626100 647378.55 41459.14 566120.12 728636.98 -21278.55
53 650883 622386.87 41459.14 541128.44 703645.30 28496.13
54 695531 693946.73 41459.14 612688.30 775205.16 1584.27
55 701200 716136.07 41459.14 634877.64 797394.51 -14936.07
56 634194 609765.01 41459.14 528506.58 691023.44 24428.99
57 683584 681832.67 41459.14 600574.24 763091.10 1751.33
58 688341 678616.77 41459.14 597358.34 759875.21 9724.23
59 693867 675615.08 41459.14 594356.65 756873.51 18251.92
60 766966 735152.43 41459.14 653894.00 816410.86 31813.57
24
Obs y FORECAST STD L95 U95 RESIDUAL
Moments
N 71 Sum Weights 71
Mean 6112.77175 Sum Observations 434006.794
Std Deviation 40396.1708 Variance 1631850614
Skewness -0.6114684 Kurtosis 0.92221448
Uncorrected SS 1.16883E11 Corrected SS 1.1423E11
Coeff Variation 660.848669 Std Error Mean 4794.14345
Location Variability
25
Shapiro-Wilk W 0.966387 Pr < W 0.0540
Kolmogorov-Smirnov D 0.088951 Pr > D >0.1500
Cramer-von Mises W-Sq 0.073778 Pr > W-Sq 0.2482
Anderson-Darling A-Sq 0.601445 Pr > A-Sq 0.1164
Quantiles (Definition 5)
Quantile Estimate
Extreme Observations
------Lowest------ -----Highest-----
-113731.8 14 64060.2 42
-99514.0 13 68867.1 66
-90919.4 50 73895.7 43
-76345.8 9 81809.3 68
-72467.0 61 89628.0 12
Missing Values
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 19 21.11 100.00
26
Lampiran 4. Perhitungan MAPE, MSE, dan MAD pada Data Out-Sample Data Jumlah
Kedatangan Wisatawan Mancanegara ke Indonesia
ARIMA (12,1,1) ARIMA ([1,2],1,12)
Yt yt topi1 yt-yt topi1 yt-yt topi1^2 yt-yt topi1/yt yt topi2 yt-yt topi2 yt-yt topi2^2 yt-yt topi2/yt
753079 731050.2 22028,8 485268029.4 0.029252 736703 16376 268173376 0.021745
702666 776960.1 74294,1 5519613295 0.105732 805324.1 102658.1 10538685496 0.146098
765607 810558.5 44951,5 2020637352 0.058714 821722.8 56115.8 3148983010 0.073296
726332 753822.8 27,490,8 755744084.6 0.037849 782876.3 56544.3 3197257862 0.077849
752363 792930.1 40567,1 1645689602 0.05392 801794 49431 2443423761 0.065701
851475 856605.2 5130,2 26318952.04 0.006025 856279.9 4804.9 23087064.01 0.005643
777210 805162.8 27952,8 781359027.8 0.035966 820348.8 43138.8 1860956065 0.055505
826821 843291.5 16470,5 271277370.3 0.01992 855105.5 28284.5 800012940.3 0.034209
791296 843197.6 51901,6 2693776083 0.065591 846640.3 55344.3 3062991542 0.069941
808767 806680.8 2086,2 4352230.44 0.002579 814166 5399 29149201 0.006676
764461 869376.6 104915,6 11007283123 0.137241 864712.5 100251.5 10050363252 0.13114
915334 907511 7823 61199329 0.008547 880208.6 35125.4 1233793725 0.038374
723039 814666.3 91627,3 8395562105 0.126725 853307.9 130268.9 16969986307 0.180169
786653 847554.7 60901,7 3709017063 0.077419 861731.3 75078.3 5636751131 0.09544
789596 871623.5 82027,5 6728510756 0.103885 867267.7 77671.7 6032892981 0.098369
749882 830979.9 81097,9 6576869384 0.108148 861228.9 111346.9 12398132140 0.148486
793499 858995.1 65496,1 4289739115 0.082541 862357 68858 4741424164 0.086778
815148 904609.9 89461,9 8003431552 0.109749 864001.6 48853.6 2386674233 0.059932
814233 867758.2 53525,2 2864947035 0.065737 862717.2 48484.2 2350717650 0.059546
Rata-rata 49986.83158 3465294499 6.502833 58633.43158 4588076626 7.65735
27