Info Artikel
Sejarah Artikel: Penelitian ini bertujuan untuk mengetahui model peramalan terbaik dengan metode
Diterima Januari 2017 exponential smoothing Holt-Winters dan ARIMA serta mengetahui perbandingan hasil
Disetujui Maret 2017 peramalan dengan kedua metode tersebut sehingga diperoleh metode terbaik. Data yang
Diterbitkan Mei 2017 digunakan penelitian ini adalah jumlah kedatangan wisatawan mancanegara ke Bali Ngurah
Rai Tahun 2010-2015. Data diperoleh dengan cara metode dokumentasi dengan
pengumpulan data sekunder dan studi pustaka. Analisis data yang digunakan adalah metode
exponential smoothing Holt-Winters dan ARIMA dengan nilai MSE dan MAPE terkecil. Hasil
Kata Kunci: penelitian menunjukkan bahwa: (1) peramalan dengan metode exponential smoothing Holt-
Peramalan; Winters menghasilkan model dengan nilai MSE 1436553590 dan MAPE 8,86198%; (2)
Exponential smoothing peramalan dengan metode ARIMA menghasilkan model ARIMA (2,1,0)(0,1,1) 12 dengan
Holt-Winters; ARIMA; transformasi logaritma dengan nilai MSE 1353169319 dan MAPE 9,40981%; dan (3)
metode terbaik. perbandingan peramalan lebih tepat menggunakan metode exponential smoothing Holt-Winters
daripada ARIMA karena menghasilkan nilai error lebih kecil daripada nilai error metode
ARIMA.
Abstract
The purpose of this study was to determine the best method of forecasting models Holt-Winters
exponential smoothing and ARIMA forecasting and compare the results with both methods in order to
obtain the best method. The data used in this study is the number of foreign tourist arrivals to Bali
Ngurah Rai Year 2010-2015. The data collected by the method of documentation by collecting
secondary data and literature. The data analysis is the method of Holt-Winter exponential smoothing
and ARIMA with MSE and MAPE smallest value. The results showed that: (1) the prediction using
the method of exponential smoothing Holt-Winter produce model with a value of MSE 1436553590
and MAPE 8,86198%; (2) The ARIMA forecasting method produces ARIMA (2,1,0)(0,1,1)12 with the
transformation logarithms with MSE 1353169319 and MAPE 9,40981%; and (3) a more precise
comparison of forecasting methods Holt-Winters exponential smoothing than ARIMA for produce an
error value is less than the error method ARIMA
How to Cite
Safitri T., Dwidayati N., & Sugiman. (2017). Perbandingan Peramalan
Menggunakan Metode Exponential Smoothing Holt-Winters dan Arima. Unnes
Journal of Mathematics, 6(1): 48-58.
dan pemecahan masalah, tahapan penelitian sesuai dengan menghitung dan menguji ACF
dan penarikan kesimpulan. Identifikasi dan PACF dai correlogram; (c) tahap estimasi
masalah dimulai dengan studi pustaka. Pada model dengan penaksiran terhadap parameter
tahap ini dilakukan pencarian dan dalam model tersebut; (d) tahap uji
pengumpulan data sekunder dan memilih diagnostik: untuk menguji keseuaian dari
data sekunder yaitu mengambil data sampel model yang diperoleh pada tahap sebelumnya
yang dijadikan sebagai permasalahan yang yaitu uji normalitas, uji heteroskedastisitas
dikaji dalam analisis pembahasan. Tahap dan uji autokorelasi; (e) penggunaan model
fokus permasalahan dalam penelitian ini untuk peramalan yang selanjutnya dihitung
adalah penelitian menggunakan metode nilai MSE dan MAPE.
exponential smoothing Holt-Winters dan Tahap selajutnya yaitu pemecahan
ARIMA. Penelitian didukung oleh bantuan masalah yaitu berbagai sumber pustaka yang
program Eviews dan Microsoft Excel. sudah menjadi bahan kajian, diperoleh suatu
Metode pengumpulan data dalam pemecahan masalah di atas. Langkah
penelitian ini yaitu studi pustaka, metode terkahir dalam peneltian ini adalah penarikan
dokumentasi dan dilakukan dengan kesimpulan dari keseluruhan hasil dan
mengumpulkan data dan informasi dengan pemecahan masalah sebagai jawaban dari
cara mengkaji sejumlah literatur (bahan baha-bahan pustaka dan pembahasan.
pustaka) secara mendalam berupa buku, teks,
jurnal, skripsi, prosiding dan informasi yang HASIL DAN PEMBAHASAN
berkaitan dengan masalah, mengumpulkan Data menunjukkan jumlah kedatangan
konsep pendukung, landasan yang wisatawan mancanegara ke Bali Ngurah Rai
diperlukan dalam menyelesaikan masalah, meningkat tajam pada sekitar bulan Juli dan
sehingga diperoleh suatu ide mengenai bahan Agustus setiap tahunnya kecuali Tahun 2014
dasar pengembangan upaya pemecahan yang mana terjadi puncak peningkatan pada
masalah. Data diperoleh dari sumber BPS bulan Juli. Pada bulan Juli sedang berada
yaotu data jumlah kedatangan wisatawan pada musim kemarau. Gambar 1 adalah plot
mancanegara ke Bali Ngurah Rai melalui data jumlah kedatangan wisatawan
pintu masuk Tahun 2010- 2015. mancanegara ke Bali Ngurah Rai Tahun
Tahap analisis data diperoleh 2010-2014.
berdasarkan teori yang ada, khususnya
berkaitan dengan exponential smoothing Holt-
Winters dan ARIMA. Analisis data dilakukan
secara statistik dengan bantuan program
komputer Eviews 7 dan Microsoft Excel.
Tahapan analisis data meliputi Eksplorasi
data, Tahapan metode exponential smoothing
Holt-Winters dan ARIMA, serta
membandingkan nilai kesalahan peramalan
terkecil antara metode exponential smoothing
Holt-Winters dengan ARIMA pada kasus
jumlah kedatangan wisatawan mancanegara
ke Bali Ngurah Rai dengan menghitung MSE
dan MAPE.
Tahapan metode exponential smoothing
Holt-Winters sendiri terdiri dari beberapa Gambar 1 Hasil Plot Data Jumlah
tahap yaitu: (a) mengambil data musiman; (b) Kedatangan Wisatawan Mancanegara ke Bali
membuat scatter diagram; (c) menetukan Ngurah Rai Tahun 2010-2014
panjang musiman; (d) menentukan nilai awal
Pembahasan penelitian metode
taksiran (inisialisasi) pemulusan (𝑆𝐿 ) , trend exponential smoothing Holt-Winters ini diawali
(𝑏𝐿 ) dan musiman (𝐼𝐿 ); (e) menentukan nilai dengan membuat pola data atau scatter
𝛼, 𝛽, 𝛾 secara trial and error yang berada dalam diagram untuk menentukan model musiman
range antara 0 – 1; (f) mencari nilai RMSE aditif atau model multiplikatif. Apabila data
terkecil dari nilai 𝛼, 𝛽, 𝛾 yang kemudian merupakan model aditif maka pola data
dilakukan uji autokorelasi untuk cenderung memiliki variasi musiman yang
mendapatkan model terbaik; (g) menghitung bersifat konstan. Model aditif untuk prediksi
(𝑆𝑡 ), (𝑏𝑡 ) 𝑑𝑎𝑛 (𝐼𝑡 ); (h) diperoleh hasil ramalan data time series yang mana amplitudo
dan dihitung nilai MSE dan MAPE. (ketinggian) pola musimannya tidak
Tahapan metode ARIMA meliputi: (a) tergantung pada rata-rata level atau ukuran
pemeriksaan kestasioneran data; (b) data. Berdasarkan scatter diagram diketahui
identifikasi model yang dianggap paling bahwa data jumlah kedatangan wisatawan
50
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
mancanegara ke Bali Ngurah Rai melalui besar (0,9) memberikan pemulusan yang
pintu masuk tahun 2010-2014 merupakan sangat kecil dalam peramalan, sedangkan
model multiplikatif karena pola data nilai 𝛼 yang kecil (0,1) memberikan
cenderung mengalami peningkatan atau pemulusan yang besar. Nilai alpha, beta dan
penurunan (fluktuasi). Pada Gambar 1 gamma diperoleh dengan cara kombinasi.
tampak adanya musiman. Menurut Sugiarto Batasan untuk setiap nilai adalah satu angka
& Harijono (2000) variasi musim ini akan di belakang koma. Perhitungan peramalan
berulang kembali setiap tahun. Gambar 1 metode exponential smoothing Holt-Winters
dalam tahun yang sama, pada saat tertentu dilakukan secara berulang-ulang dengan
dalam satu tahun tersebut terjadi peningkatan mengkombinasikan semua dari ketiga nilai
dan penurunan lagi pada saat lain pada tersebut. Nilai tiga parameter tersebut adalah
waktu yang sama. Hal ini berulang pada kombinasi 0,1 sampai dengan 0,9 sehingga
tahun berikutnya. Terlihat pada peningkatan nantinya akan diperoleh nilai RMSE. Hal ini
jumlah kedatangan wisatawan mancanegara dilakukan untuk mengurangi waktu untuk
setiap tahunnya pada sekitar bulan Juli. pemrosesan peramalan.
Selain itu, untuk mengetahui data tersebut Semakin banyak jumlah konstanta
merupakan model multiplikatif dapat maka proses peramalan akan memakan
diketahui dengan pola musiman membesar waktu yang cukup lama karena sistem akan
atau seiring meningkatnya ukuran data, melakukan perulangan yang lebih banyak.
terlihat gejolak musiman pada bulan Juli. Menurut Sungkawa dan Megasari (2011)
Selanjutnya adalah menentukan panjang atau menyebutkan bahwa metode alternatif yang
periode musiman, jika data berdasarkan dapat mengurangi keraguan tentang nilai
kuartalan maka panjang atau periode optimal adalah mencari nilai taksiran awal
musiman adalah 4. Berdasarkan data yang lebih baik, lalu menetapkan nilai kecil
diperoleh panjang atau periode musiman untuk ketiga paramter pemulusan (sekitar 0,1
adalah 12 karena data berdasarkan per bulan. sampai dengan 0,3). Nilai 0,1 membuat
Setelah panjang atau periode musiman ramalan bersifat terlalu hati-hati, sedangkan
diperoleh, selanjutnya adalah menentukan nilai 0,3 memberikan sistem yang lebih
nilai awal taksiran (inisialisasi) yang responsif. Berdasarkan Makridakis (1999:
berpengaruh terhadap prediksi berikutnya 110-111) yang menyebutkkan bahwa
bergantung pada panjang deret waktu dan penetapan nilai parameter untuk mean (𝛼) ,
nilai dari ketiga parameternya yaitu mean (𝛼), trend (𝛽) dan seasonal (𝛾) sekitar 0,1 sampai
trend (𝛽) dan seasonal (𝛾). dengan 0,2. Hal ini bermanfaat untuk
Nilai awal taksiran untuk model mencapai stabilitas jangka panjang dan
multiplikatif diperoleh niali inisialisasi menyediakan metode yang umum dan murah
pemulusan (𝑆𝐿 ) adalah 212168,6 yang untuk peramalan semua jenis data.
merupakan rata-rata dari beberapa nilai pada Banyaknya kombinasi menghasilkan
musim yang sama. Inisialisasi faktor trend 729 model dimana semakin besar nilai beta
(𝑏𝐿 ) adalah 1685,299 dan inisialisasi faktor dan gamma maka semakin besar nilai RMSE
musiman (𝐼𝐿 ) untuk penghalusan musiman dan semakin besar nilai alpha akan terjadi
dimana pada siklus musiman pertama autokorelasi. Hal ini sesuai dengan penelitian
dilakukan dengan membagi setiap data nilai yang dilakukan oleh Pryanto (2013) yaitu
aktual (𝑋𝐿 ) dengan rata-rata pada siklus itu. nilai 𝛽 (trend) dan 𝛾 (seasonal) semakin besar,
Diperoleh hasil inisialisasi faktor musiman maka menunjukkan pemberian bobot yang
yaitu 𝐼1 = 0,840643 ; 𝐼2 = 0,901934 ; 𝐼3 = semakin besar pada pengamatan yang
0,900817 ; 𝐼4 = 0,868319 ; 𝐼5 = 0,939823 ; terbaru. Maka dari perhitungan semua
𝐼6 = 1,05904; 𝐼7 = 1,188253; 𝐼8 = 1,146362; 𝛼, 𝛽, 𝑑𝑎𝑛 𝛾 yang telah dilakukan, diperoleh
𝐼9 = 1,095902 ; 𝐼10 = 1,082399 ; 𝐼11 = 729 kombinasi model. Selanjutnya, dari 729
0,927828 dan 𝐼12 = 1,04868 . Selanjunya, model yang terbentuk diperoleh model
model exponential smoothing Holt-Winters terbaik yaitu dari kombinasi 𝛼 = 0,3; 𝛽 = 0,1
diperoleh dari kombinasi nilai mean (𝛼), trend dan 𝛾 = 0,1 karena memiliki nilai RMSE
(𝛽) dan seasonal (𝛾) secara trial and error minimum sebesar 10649,73.
untuk memperoleh model terbaik. Seleksi model exponential smoothing
Menurut Hendikawati (2015) untuk Holt-Winters dilakukan uji autokorelasi.
mencari nilai parameter yang memberikan Pengujian autokorelasi pada error (residu)
hasil prediksi terbaik dapat dilakukan trial and perlu dilakukan untuk mengetahui apakah
error. Model terbaik diperoleh dengan nilai error (residu) bersifat random dan tidak ada
parameter dengan nilai antara 0 sampai 1. Ini korelasi yang nyata antar error. Dari 729
merupakan iterasi yang dimulai dengan model diuji apakah terdapat korelasi antar
memilih antara 0,1 sampai 0,9. Makridakis et error (residu). Pada uji autokorelasi, semakin
al., (1999) menyebutkan bahwa nilai 𝛼 yang besar nilai beta (𝛽) dan gamma (𝛾) maka
51
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
akan terjadi adanya korelasi sehingga jika Komponen seasonal (musiman), yang
terjadi auotokorelasi maka model belum ditampilkan pada Tabel 1 menyatakan
dikatakan menjadi model terbaik. Model persentase rata-rata relatif setiap bulan
dikatakan model terbaik jika mempunyai terhadap nilai rata-rata yang diberikan oleh
nilai RMSE terkecil dan tidak terjadi persamaan trend. Sebagai contoh, untuk
autokorelasi dengan kriteria nilai probabilitas bulan pertama yaitu 𝐼1 nilainya 94,6844%
Chi-Square dari Observasi R-Squared lebih dari nilai rata-rata yang ditunjukkan oleh
dari atau sama dengan p-value yaitu 0,05. persamaan trend, atau dapat juga
Dalam hal ini diperoleh model terbaik 𝛼 = diinterpretasikan untuk bulan pertama,
0,3 ; 𝛽 = 0,1 dan 𝛾 = 0,1 yang selanjutnya nilainya berada 100 – 94,6844% = 5,3156% di
diuji apakah terdapat autokorelasi atau tidak. bawah nilai rata-rata trend. Berikut hasil
Berdasarkan analisis uji autokorelasi yang Langkah selanjutnya adalah seleksi model
penting, yakni nilai statistik korelasi adalah exponential smoothing Holt-Winters model
nilai Observasi R-squared (yakni nilai yakni terbaik yang sudah diperoleh kemudian
R-squared dikalikan banyaknya data) sebesar dilakukan uji autokorelasi. Model dikatakan
3,596957 dengan probability/p-value sebesar model terbaik jika mempunyai nilai RMSE
0,1656. Karena nilai p-value lebih dari 5% terkecil dan tidak terjadi autokorelasi dengan
maka disimpulkan tidak ada autokorelasi kriteria nilai probabilitas Chi-Square dari
dalam residual. Berdasarkan model terbaik Observasi R-Squared lebih dari atau sama
𝛼 = 0,3 ; 𝛽 = 0,1 dan 𝛾 = 0,1 diperoleh nilai dengan p-value yaitu 0,05. Artinya error
Probabilitas Chi-Square(2) dari Observasi R- bersifat random dan model tidak terjadi
Squared yaitu 0,1656 lebih dari 0,05. Artinya autokorelasi. Berdasarkan perhitungan
error bersifat random dan model tidak terjadi diperoleh nilai Probabilitas Chi-Square(2)
autokorelasi. Uji autokorelasi analog untuk dari Observasi R-Squared yaitu 0,1656 lebih
model lainnya. Berdasarkan hasil RMSE dari 0,05. Artinya model tidak terjadi
terkecil dan uji autokorelasi sehingga dapat autokorelasi. Berdasarkan hasil RMSE
dikatakan model dengan 𝛼 = 0,3 ; 𝛽 = 0,1 terkecil dan uji autokorelasi sehingga dapat
dan 𝛾 = 0,1 adalah model terbaik. Persamaan dikatakan model dengan 𝛼 = 0,3 ; 𝛽 = 0,1
model pemulusan eksponensial data asli dan 𝛾 = 0,1 adalah model terbaik. Persamaan
𝑋
(keseluruhan) yaitu 𝑆𝑡 = 0,3 𝑡 + model pemulusan eksponensial data asli
𝐼𝑡−12 𝑋
0,7 (𝑆𝑡−1 + 𝑏𝑡−1 ), pemulusan pola trend yaitu (keseluruhan) yaitu 𝑆𝑡 = 0,3 𝑡 +
𝐼𝑡−12
𝑏𝑡 = 0,1(𝑆𝑡 − 𝑆𝑡−1 ) + 0,9 𝑏𝑡−1 , pemulusan 0,7 (𝑆𝑡−1 + 𝑏𝑡−1 ), pemulusan pola trend yaitu
𝑋
pola musiman yaitu 𝐼𝑡 = 0,1 𝑡 + 0,9 𝐼𝑡−12 𝑏𝑡 = 0,1(𝑆𝑡 − 𝑆𝑡−1 ) + 0,9 𝑏𝑡−1 , pemulusan
𝑆𝑡 𝑋
dan ramalan m periode ke depan yaitu pola musiman yaitu 𝐼𝑡 = 0,1 𝑡 + 0,9 𝐼𝑡−12
𝑆𝑡
𝐹𝑡+𝑚 = (𝑆𝑡 + 𝑏𝑡 𝑚)𝐼𝑡−12+𝑚 . Pada model dan ramalan m periode ke depan yaitu
multiplikatif, rumus menggunakan proses 𝐹𝑡+𝑚 = (𝑆𝑡 + 𝑏𝑡 𝑚)𝐼𝑡−12+𝑚 .
pembagian, yakni membagi 𝑋 dengan 𝐿. Hal
Gambar 2 adalah hasil peramalan
ini bertujuan untuk menghasilkan indeks
exponential smoothing Holt-Winters dengan 𝛼 =
yang dapat digunakan untuk menghitung
forecast pada cara multiplikatif. 0,3, 𝛽 = 0,1, 𝑑𝑎𝑛 𝛾 = 0,1 terlihat pada
Gambar 2.
Tabel 1 inisialisasi faktor musiman
𝛼 = 0,3; 𝛽 = 0,1 dan 𝛾 = 0,1
Nilai Awal Inisialisasi faktor musiman (𝐼𝐿 )
𝐼1 0,946844
𝐼2 0,910162
𝐼3 0,921995
𝐼4 0,927065
𝐼5 0,927906
𝐼6 1,043746
𝐼7 1,149486
𝐼8 1,089933
𝐼9 1,080649
𝐼10 1,022455
𝐼11 0,947217 Gambar 2 Output Hasil Exponential Smoothing
dengan 𝛼 = 0,3; 𝛽 = 0,1 dan 𝛾 = 0,1
𝐼12 1,032541
Berdasarkan Gambar 2 terlihat pola data
merah (hasil Holt-Winters) pemulusan pola
52
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
data musiman yang ada pada data aktual, Terlihat pada Gambar 1 data secara grafis
khususnya pada tahun 2013 interval IV. dilihat apakah data sudah statsioner dalam
Secara deskriptif jumlah kedatangan mean (rata-rata) dan variansi ataukah belum
wisatawan mancanegara ke Bali Ngurah Rai dengan membuat plot time series untuk
akan mengalami peningkatan. Tabel 2 berikut melihat pola musiman yang ada. Hal ini
adalah hasil peramalan untuk Bulan Januari bermanfaat untuk menetapkan adanya trend
2015 sampai dengan Desember 2015. (penyimpangan nilai tengah). Plot data
banyaknya wisatawan di atas terlihat adanya
Tabel 2 Hasil Peramalan kedatangan
fluktuasi yang beraturan yang
wisatawan mancanegara ke Bali Ngurai Rai
mengindikasikan kemungkinan adanya faktor
Tahun 2015 dengan exponential smoothing
musiman dan trend di dalamnya. Berdasarkan
Holt-Winters
data banyaknya pengunjung paling banyak
Hasil Ramalan Exponential
Bulan terjadi pada bulan Juli, sedangkan
Smoothing Holt-Winters
pengunjung paling menurun pada bulan
Januari 313150,7 Januari dan Februari.
Februari 303878,3 Menurut Hendikawati (2015) metode
Maret 310726,0 ARIMA diperlukan sampel dengan jumlah
April 315347,5 data yang memadai. Box dan Jenkins
Mei 318548,8 menyarankan ukuran sampel minimum yang
Juni 361595,9 dibutuhkan adalah 50 data pengamatan.
Apabila data pengamatan yang tersedia
Juli 401840,0
kurang dari 50 maka perlu kehati-hatian
Agustus 384446,1 dalam menginterpretasikan hasilnya.
September 384566,7 Sedangkan menurut Sugiarto dan Harijono
Oktober 367069,9 (2000) apabila data baru yang tersedia,
November 343034,9 seringkali parameter dari ARIMA harus
Desember 377179,0 diestimasi ulang dan hal ini menyebabkan
revisi total terhadap model yang sudah dibuat
Berdasarkan Tabel 2 terlihat pola karena dibutuhkan waktu yang cukup lama
data merah (hasil Holt-Winters) pemulusan untuk mencari model yang tepat. Pada
pola data musiman yang ada pada data penelitian ini digunakan data jumlah
aktual, khususnya pada tahun 2013 interval kedatangan wisatawan mancanegara ke Bali
IV. Secara deskriptif jumlah kedatangan gurah Rai melalui pintu masuk Tahun 2010-
wisatawan mancanegara ke Bali Ngurah Rai 2015 dengan jumlah data adalah 72 data
akan mengalami peningkatan. Tabel 2 pengamatan.
diketahui bahwa jumlah kedatangan Tahap identifikasi adalah mengukur
wisatawan mancanegara ke Bali Ngurah Rai korelasi antar data. Melalui pengujian yang
akan mengalami peningkatan dimana seksama terhadap plot data diketahui apakah
pengunjung paling banyak terjadi pada bulan mengandung trend, musiman variansi yang
Juli. Setelah ramalan diperoleh, selanjutnya tidak konstan dan fenomena
menghitung nilai kesalahan peramalan. ketidakstasioneran dan ketidaknormalan
Selanjutnya dihitung nilai error lainnya. Menurut Anggriningrum et al.,
peramalan yang meliputi MSE dan MAPE. (2013) menyebutkan bahwa jika data tidak
Secara umum dirumuskan sebagai berikut. stasioner dalam mean maupun varian, untuk
∑(𝑋 −𝐹 )2 dapat membuat model time series ARIMA
𝑀𝑆𝐸 = 𝑡 𝑡
(1) data harus ditransformasi dan differencing.
𝑛
Rumus MAPE adalah sebagai berikut. Dalam analisis runtun waktu, transformasi
𝑋 −𝐹
∑|( 𝑡 𝑡 )|
𝑋
untuk menstabilkan variansi dan pembeda
𝑀𝐴𝑃𝐸 = 𝑡
𝑥100% (2) (differencing). Karena deret yang variansi tidak
𝑛
Diperoleh nilai MSE = 1436553590 dan konstan dilakukan transformasi logaritma.
MAPE = 8,86198%. selanjutnya menghitung dan menguji
autokorelasi dan autokorelasi parsial. Untuk
Pembahasan penelitian peramalan
mengukur korelasi antar titik pengamatan
metode ARIMA diawali dengan mengambil
dalam sebuah runtun waktu digunakan dua
data musiman dan identifikasi model dengan grafik yaitu autocorrelation (ACF) dan partial
pemeriksaan kestasioneran. Menurut
autocorrelation (PACF). ACF dan PACF ini
Makridakis et al,. (1999: 61) suatu data
merupakan gambaran kasar dari hubungan
dikatakan stasioner apabila pola data berada
statistik antar titik data pengamatan dalam
pada kesetimbangan di sekitar nilai rata-rata
sebuah data runtun waktu. ACF dan PACF
yang konstan dan variansi di sekitar rata-rata
memberi petunjuk mengenai pola atau model
tersebut konstan selama waktu tertentu.
dari data yang tersedia.
53
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
54
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
(e) Daerah kritis: Ho ditolak jika pemodelan mulai dari identifikasi, estimasi
probabilitas < 0,05 dan diagnostic checking dilakukan berulang-
(f) Kesimpulan: Dari estimasi diperoleh ulang sampai diperoleh model yang terbaik.
nilai probabilitas 0,0000<0,05, maka Berdasarkan analisis estimasi parameter dan
Ho ditolak yang berarti parameter uji diagnostik diperoleh uji asumsi residual
AR(1) signifikan. model ARIMA(2,1,0)(0,1,1)12 dengan
Uji parameter AR(2) transformasi logaritma tidak mengandung
(a) Hipotesis: autokorelasi, tidak terjadi heteroskedastisitas
H0 : Parameter sama dengan nol atau dan berdistribusi normal. Jadi model
tidak signifikan ARIMA(2,1,0)(0,1,1)12 dengan transformasi
H1 : Parameter sama dengan nol atau logaritma adalah model terbaik dengan
signifikan persamaan sebagai berikut.
(a) Nilai koefisien AR(2) sebesar -
0,607173
(b) Tingkat signifikansi (𝛼) = 5% =
0,05
(c) Statistik uji: Probabilitas = 0,0001
(d) Daerah kritis: Ho ditolak jika
probabilitas < 0,05
(e) Kesimpulan: Dari estimasi diperoleh
nilai probabilitas 0,0001<0,05, maka Hasil peramalan untuk bulan Januari 2015
Ho ditolak yang berarti sampai dengan bulan Desember 2015 dapat
parameter AR(2) signifikan. ditujukkan pada Tabel 3.
Uji parameter MA(12)
(b) Hipotesis: Tabel 3 Hasil Peramalan kedatangan
H0 : Parameter sama dengan nol atau wisatawan mancanegara ke Bali Ngurai Rai
tidak signifikan dari Bulan Januari 2015 sampai Desember
H1 : Parameter sama dengan nol atau 2015 dengan ARIMA
signifikan Hasil Ramalan
Bulan
(f) Nilai koefisien MA(12) sebesar - ARIMA
0,880053 Januari 323414,3
(g) Tingkat signifikansi (𝛼) = 5% = Februari 292558,6
0,05 Maret 310158,3
(h) Statistik uji: Probabilitas = 0,0000
April 317059,3
(i) Daerah kritis: Ho ditolak jika
probabilitas < 0,05 Mei 314340,2
(j) Kesimpulan: Dari estimasi diperoleh Juni 369298,6
nilai probabilitas 0,0000<0,05, maka Juli 406026,2
Ho ditolak yang Agustus 379235,2
berarti parameter MA(12)
signifikan. September 389941,5
Oktober 374479,6
Pada diagnostic checking dengan uji Q-
November 331300,7
Ljung-Box dan plot ACF atau PACF untuk
melihat apakah model yang dipilih sudah Desember 378127,7
cukup baik secara statistik. Uji ini juga untuk
melihat apakah terdapat korelasi serial dalam Setelah diperoleh hasil peramalan yang
residual dari hasil estimasi dengan model ditunjukkan pada Tabel 3 maka hasil
yang diamati. Model peramalan yang baik peramalan tersebut akan diukur nilai
adalah yang tidak terdapat autokorelasi dan kesalahan peramalan dengan MSE dan
autokorelasi parsial pada residual. Dengan MAPE. Diperoleh nilai kesalahan peramalan
menggunakan normal probability plot dan ARIMA (2,1,0)(0,1,1)12 dengan transformasi
histogram dari residual, dapat diketahui logaritma yaitu MSE = 1353169319 dan
bahwa residual berdistribusi normal. Jika MAPE = 9,40981%.
residual berdistribusi normal maka model Metode time series merupakan metode
ARIMA cukup memadai untuk menjadi peramalan yang melalui analisis suatu
model terbaik. Model yang tidak melampaui variabel yang diperkirakan dengan variabel
uji diagnostik ini akan ditolak. Jika model atau fungsi waktu. Langkah penting dalam
yang dipilih ditolak atau masih kurang baik, pemilihan metode peramalan yang tepat
maka langkah langkah pengujian kembali adalah dengan mempertimbangkan jenis pola
pada tahap identifikasi untuk memilih model data. Metode ARIMA dan exponential
tentatif lagi. Apabila diperlukan, tahapan smoothing Holt-Winters masing-masing
55
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
Tabel 4 Perbandingan data aktual dengan ramalan exponential smoothing Holt-Winters dan
ARIMA
Hasil Ramalan Exponential Smoothing Hasil Ramalan
Bulan Data Aktual
Holt-Winters ARIMA
Januari 288755 313150,7 323414,3
Februari 333072 303878,3 292558,6
Maret 294758 310726,0 310158,3
April 309888 315347,5 317059,3
Mei 287141 318548,8 314340,2
Juni 357712 361595,9 369298,6
Juli 381890 401840,0 406026,2
Agustus 298638 384446,1 379235,2
September 379397 384566,7 389941,5
Oktober 366759 367069,9 374479,6
November 262180 343034,9 331300,7
Desember 363780 377179,0 378127,7
56
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
April, Juni, Juli, September, Oktober dan Holt-Winters dan ARIMA, dengan indikator
Desember. Sedangkan metode ARIMA sebagai berikut: (1) Peramalan jumlah
hanya mendekati data aktual pada Bulan kedatangan wisatawan mancanegara ke Bali
Maret, Mei, Agustus dan November. Hal Ngurah Rai menurut pintu masuk dengan
tersebut didukung dari Gambar 5 dan metode exponential smoothing Holt-Winters
Gambar 6 dimana grafik metode exponential menghasilkan konstanta data asli 𝛼 = 0,3
smoothing Holt-Winters tidak jauh berbeda sehingga persamaan pemulusan eksponensial
dengan bentuk atau pola data aktual. 𝑋
data asli adalah 𝑆𝑡 = 0,3 𝑡 + 0,7 (𝑆𝑡−1 +
𝐼𝑡−12
Gambar 5 merupakan output
program perbandingan metode exponential 𝑏𝑡−1 ) , konstanta pemulusan untuk pola
smoothing Holt-Winters dan ARIMA. musiman 𝛽 = 0,1 sehingga persamaan
pemulusan pola musiman adalah 𝐼𝑡 =
𝑋
0,1 𝑡 + 0,9 𝐼𝑡−12 , konstanta pemulusan
𝑆𝑡
untuk pola trend 𝛾 = 0,1 sehingga persamaan
pemulusan pola trend adalah 𝑏𝑡 =
0,1(𝑆𝑡 − 𝑆𝑡−1 ) + 0,9 𝑏𝑡−1 dan moleh
peramalan m periode ke depan adalah 𝐹𝑡+𝑚 =
(𝑆𝑡 + 𝑏𝑡 𝑚)𝐼𝑡−12+𝑚 ; (2) Peramalan jumlah
kedatangan wisatawan mancanegara ke Bali
Ngurah Rai menurut pintu masuk metode
ARIMA dengan transformasi logaritma
menghasilkan model ARIMA (2,1,0)(0,1,1)12
mempunyai persamaan model sebagai
berikut:
Gambar 5 Perbandingan peramalan data
aktual exponential smoothing Holt-Winters dan
ARIMA
Berdasarkan Gambar 5 terlihat bahwa grafik
metode exponential smoothing Holt-Winters
mendekati grafik data aktual. Pernyataan ini
didukung dengan grafik visual seperti
Gambar 6. (3) Peramalan jumlah kedatangan wisatawan
mancanegara ke Bali Ngurah Rai menurut
pintu masuk dengan metode exponential
smoothing Holt-Winters menghasilkan nilai
Mean Square Error (MSE) yaitu 1436553590
dan nilai Mean Absolute Percentage Error
(MAPE) yaitu 8,86198%. Sedangkan metode
ARIMA menghasilkan nilai Mean Square
Error (MSE) yaitu 1353169319 dan nilai Mean
Absolute Percentage Error (MAPE) yaitu
9,40981%. Jadi peramalan jumlah
kedatangan wisatawan mancanegara ke Bali
Ngurah Rai melaui pintu masuk Tahun 2010-
2015 lebih efektif menggunakan metode
exponential smoothing Holt-Winters
dibandingkan metode ARIMA karena nilai
Gambar 6 Data aktual dengan exponential MAPE yang lebih kecil daripada nilai MAPE
smoothing Holt-Winters dan ARIMA yang dihasilkan metode ARIMA.
Diperoleh metode exponential smoothing Holt- DAFTAR PUSTAKA
Winters sebagai metode terbaik dalam
meramalkan data jumlah kedatangan Anggriningrum, D.P., Hendikawati, P., dan
wisatawan mancanegara ke Bali Ngurah Rai Abidin, Z. 2013. Perbandingan
Prediksi Harga Saham dengan
melalui pintu masuk Tahun 2010-2015.
Menggunakan Jaringa Syaraf Tiruan
SIMPULAN Backpropagation dan ARIMA. Unnes
Journal of Mathematics. 2(2): 105-109.
Berdasarkan hasil penelitian,
diperoleh bahwa perbandigan peramalan Box, G. E. P. dan Jenkins, M. 1970. Time
menggunakan metode exponential smoothing Series Analysis. California: Holden Day.
57
T. Safitri et al / UNNES Journal of Mathematics 6 (1) 2017
Kalekar, S.P. 2004. Time Series Forecasting Sugiarto dan Harijono. 2000. Peramalan
using Holt-Winters Exponential Bisnis. Jakarta: PT. Gramedia Utama.
Smoothing: Kanwal Rekhi School of
Information Technology. Sungkawa, I., Megasari, T.R. 2011.
Penerapan Ukuran Ketepatan Nilai
Machmudin, A., Ulama, B.S.S. 2012. Ramalan Data Deret Waktu dalam
Peramalan Temperatur Udara di Kota Seleksi Model Peramalan Volume
Surabaya dengan Menggunakan Penjualan PT. Satriamandiri
ARIMA dan Artificial Neural Citramulia. Journal Comtech. 2(2): 636-
Network. Jurnal Sains dan Seni ITS. 645.
1(1): 118-123.
58