BAB I
PENDAHULUAN
BAB II
DESKRIPSI KERJA
4. Kemudian double klik pada series yang telah dibuat, dalam hal ini
laporan_sarima, hingga muncul lembar kerja seperti gambar 2.4 Lalu klik
edit untuk memasukkan data ke lembar kerja.
12. Setelah melakukan langkah nomor 11, akan diperoleh hasil seperti gambar
2.13 dan gambar 2.14 Dapat dilihat bahwa masih terdapat koefisien yang
8
Gambar 2.13 Koefisien yang tidak Gambar 2.14 Koefisien yang tidak
signifikan model 1 signifikan model 2
Gambar 2.15 Koefisien yang sudah Gambar 2.16 Koefisien yang sudah
signifikan model 1 signifikan model 2
9
14. Langkah selanjutnya adalah melakukan uji diagnostik dari model yang
memiliki koefisien yang sudah signifikan. Hal pertama yang dilakukan
adalah menguji normalitas dengan pilih menu bar View > Residual Test >
Histogram-Normality Test > OK. Lakukan hal ini ke setiap model yang
signifikan.
16. Langkah ketiga adalah uji homoskedastisitas. Klik View > Residual Test >
Correlogram-Squared Residuals > OK. Ulangi langkah ini ke setiap
model yang signifikan.
BAB III
PEMBAHASAN
360,000
320,000
280,000
240,000
200,000
160,000
120,000
2003 2004 2005 2006 2007 2008 2009 2010
i. Hipotesis
H0 : Data mengandung unit root atau tidak stasioner dalam mean
H1 : Data tidak mengandung unit root atau stasioner dalam mean
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value < α
iv. Statistika Uji
8 Mean 237540.4
Median 233779.0
Maximum 358907.0
6 Minimum 146192.0
Std. Dev. 50909.37
4 Skewness 0.388268
Kurtosis 2.533294
2 Jarque-Bera 3.009690
Probability 0.222052
0
160000 200000 240000 280000 320000 360000
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa data
mengandung unit root artinya data tidak stasioner dalam mean.
3.5 Overfitting
3.5.1 SARIMA(1,1,1)(0,1,1)12
i. Hipotesis
H0 : Koefisien signifikan terhadap model
H1 : Koefisien tidak signifikan terhadap model
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value < α
iv. Statistika Uji
v. Keputusan
Tabel 3.2 Keputusan Overfitting model
Variabel Prob. α Keputusan
AR(1) 0.01 0.05 Gagal tolak H0
MA(1) 0.0001 0.05 Gagal tolak H0
SMA(12) 0.0034 0.05 Gagal tolak H0
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
koefisien signifikan terhadap model.
3.5.2 SARIMA(2,1,1)(0,1,1)12
i. Hipotesis
H0 : Koefisien signifikan terhadap model
H1 : Koefisien tidak signifikan terhadap model
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value < α
iv. Statistika Uji
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
masih terdapat koefisien yang tidak signifikan terhadap model.
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
koefisien signifikan terhadap model.
Setelah dilakukan overfitting maka model signifikan yang diperoleh adalah
SARIMA(1,1,1)(0,1,1)12 dan SARIMA(0,1,1)(0,1,1)12.
19
6 Mean 1331.414
Median 423.8024
5 Maximum 28032.47
Minimum -25782.43
4 Std. Dev. 12859.79
3 Skewness 0.209399
Kurtosis 2.495048
2
Jarque-Bera 1.344899
1 Probability 0.510457
0
-20000 -10000 0 10000 20000 30000
6 Mean 1455.038
Median 320.0409
5 Maximum 37252.60
Minimum -24435.61
4 Std. Dev. 13281.43
3 Skewness 0.218209
Kurtosis 2.876497
2
Jarque-Bera 0.642856
1 Probability 0.725113
0
-20000 -10000 0 10000 20000 30000
vii. Keputusan
- Untuk model SARIMA(1,1,1)(0,1,1)12 gagal tolak H0 karena
seluruh Prob>α
- Untuk model SARIMA(0,1,1)(0,1,1)12 tolak H0 karena masih
terdapat Prob<α
viii. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
model SARIMA(1,1,1)(0,1,1)12 tidak memiliki autokorelasi antar
residual dan model SARIMA(0,1,1)(0,1,1)12 memiliki autokorelasi
antar residual.
3.6.3 Uji Homoskedastisitas
i. Hipotesis
H0 : Residual bersifat homoskedastisitas
H1 : Residual tidak bersifat homoskedastisitas
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value (Prob) < α
iv. Statistika Uji
v. Keputusan
- Untuk model SARIMA(1,1,1)(0,1,1)12 gagal tolak H0 karena
terdapat p-value>α
- Untuk model SARIMA (0,1,1)(0,1,1)12 gagal tolak H0 karena
seluruh p-value>α
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
model ARMA(1,0)c memiliki residual yang tidak bersifat
homoskedastisitas sedangkan model lainnya memiliki residual yang
bersifat homoskedastisitas.
Berdasarkan matriks perbandingan pada tabel 3.5 maka model terbaik yang
diperoleh adalah model SARIMA(1,1,1)(0,1,1)12 karena memiliki nilai AIC
(Aikake info criterion) dan SC (Schawartz criterion) yang kecil dan memenuhi
asumsi untuk normalitas, tidak ada autokorelasi dan homoskedastisitas.
3.8 Peramalan
Berdasarkan model terbaik, dalam hal ini adalah SARIMA(1,1,1)(0,1,1)12
diperoleh peramalan untuk jumlah pengunjung salah satu tempat wisata pada
bulan mei 2010 sebanyak 212499 orang, untuk bulan juni 2010 diperoleh
23
sebanyak 222771 orang dan untuk bulan juli 2010 diperoleh sebanyak 235384
orang. Untuk lebih lengkapnya lihat tabel 3.6
Tabel 3.6 Hasil peramalan
Tahun
Bulan
2004 2005 2006 2007 2008 2009 2010
Januari - 170028.6 176568.3 183108.2 189648 196187.8 202727.7
Februari - 162064.1 168604 175143.9 181683.7 188223.6 194763.4
Maret 172297.6 175401.3 181941.1 188481 195020.8 201560.7 208100.5
April 157653.4 165458.4 171998.3 178538.1 185077.9 191617.8 198157.6
Mei 173725.5 179799.5 186339.4 192879.2 199419.1 205958.9 212498.7
Juni 183360.3 190071.7 196611.5 203151.4 209691.2 216231.1 222770.9
Juli 196208.6 202685.3 209225.1 215764.9 222304.8 228844.6 235384.5
Agustus 201215.7 207778.8 214318.6 220858.5 227398.3 233938.2
September 194534.5 201065.8 207605.7 214145.5 220685.4 227225.2
Oktober 195043.2 201586.2 208126 214665.8 221205.7 227745.5
November 176991.9 183530.5 190070.4 196610.2 203150.1 209689.9
Desember 185778 192318.3 198858.1 205398 211937.8 218477.7
Disamping itu juga diperoleh nilai RMSE (Root Mean Square Error)
sebesar 61901.25, nilai MAE (Mean Absolute Error) sebesar 53052.71 dan nilai
MAPE (Mean Absolute Percent Error) sebesar 19.798.
360,000
Forecast: FORECAST
320,000 Actual: LAPORAN_SARIMA
Forecast sample: 2003M01 2010M07
280,000 Adjusted sample: 2004M03 2010M07
Included observations: 74
240,000 Root Mean Squared Error 61901.25
Mean Absolute Error 53052.71
200,000 Mean Abs. Percent Error 19.79890
Theil Inequality Coefficient 0.136985
160,000 Bias Proportion 0.731356
Variance Proportion 0.198072
120,000 Covariance Proportion 0.070572
80,000
2004 2005 2006 2007 2008 2009 2010
FORECAST ± 2 S.E.
BAB IV
PENUTUP
Dari berbagai hal yang telah dilakukan dapat disimpulkan beberapa hal
sebagai berikut:
1. Data jumlah wisatawan di suatu objek wisata memiliki pola data
musiman aditif
2. Data jumlah wisatawan sudah stasioner dalam variansi namun belum
stasioner dalam mean sehingga diperlukan difference untuk musiman.
12
3. Estimasi model yang didapatkan adalah SARIMA(1,1,1)(0,1,1) dan
SARIMA(2,1,1)(0,1,1) 12
4. Berdasarkan overfitting yang dilakukan maka model signifikan yang
diperoleh adalah SARIMA(1,1,1)(0,1,1)12 dan SARIMA(0,1,1)(0,1,1)12
5. Berdasarkan uji diagnostik yang dilakukan maka model terbaik yang
diperoleh adalah model SARIMA(1,1,1)(0,1,1)12 karena memiliki nilai
AIC (Aikake info criterion) dan SC (Schawartz criterion) yang kecil dan
memenuhi asumsi untuk normalitas, tidak ada autokorelasi dan
homoskedastisitas
6. Diperoleh hasil peramalan untuk jumlah pengunjung salah satu tempat
wisata pada bulan mei 2010 sebanyak 212499 orang, untuk bulan juni
2010 sebanyak 222771 orang dan untuk bulan juli 2010 diperoleh
sebanyak 235384 orang
7. Didapatkan pulan nilai RMSE sebesar 61901,25, nilai MAE sebesar
53052,71 dan nilai MAPE sebesar 19,798.
25
DAFTAR PUSTAKA
Primandari, Arum Handini, dkk. 2016. Modul Praktikum Analisis Runtun Waktu.
Yogyakarta.
Ukhra, Annisa Ul. 2014. Pemodelan dan Peramalan Data Deret Waktu dengan
Metode Seasonal ARIMA. Diakses pada tanggal 14 Mei 2017 pada situs
http://jmua.fmipa.unand.ac.id/index.php/jmua/article/download/141/138.