Anda di halaman 1dari 25

1

BAB I
PENDAHULUAN

Seasonal ARIMA merupakan model ARIMA yang mengandung faktor


musiman. Musiman mengartikan bahwa data memiliki kecenderungan
mengulangi pola tingkah gerak dalam periode musim. Biasanya dapat berupa
mingguan, bulanan, triwulan, semesteran. Misalnya, musiman satu tahun untuk
data bulanan. Oleh sebab itu, runtun waktu musiman mempunya karakteristik
yang ditunjukkan oleh adanya korelasi beruntun yang kuat pada jarak musiman
(periode musim), yaitu waktu yang berkaitan dengan banyak observasi pada per
periode musim. Notasi Seasonal ARIMA dapat dinyatakan sebagai
SARIMA(p,d,q)(P,D,Q)S
Keterangan:
- p : Komponen non musiman AR dari model ARIMA
- q : Komponen non musiman MA dari model ARIMA
- d: Orde diferensi komponen non musiman
- P : Nilai dari seasonal AR
- Q : Nilai moving average seasonal
- D : Nilai dari differencing seasonal
- S : Jumlah Periode per musim
Secara umum model ARIMA musiman atau SARIMA (Seasonal
Autoregressive Integrated Moving Average) terdiri dari dua macam yaitu model
musiman saja atau ARIMA (P,D,Q)S dan model ARIMA multiplikatif musiman
dan nonmusiman atau ARIMA (p,d,q)(P,D,Q)S, dengan S adalah periode
musiman. Bentuk matematis dari model ARIMA(P,D,Q)S dapat ditulis sebagai
berikut

Seperti pada model nonmusiman (ARIMA), untuk penentuan orde P dan Q


dari model ARIMA musiman (SARIMA) pada suatu data dilakukan dengan
mengidentifikasi plot ACF dan PACF dari data yang sudah stasioner.
2

BAB II
DESKRIPSI KERJA

2.1 Studi Kasus


Pada kasus kali ini praktikan akan meramalkan jumlah wisatawan di suatu
objek wisata di Indonesia dengan menggunakan metode SARIMA. Berikut pada
tabel 2.1 merupakan data jumlah wisatawan
Tabel 2.1 Data jumlah wisatawan
Tahun
Bulan
2003 2004 2005 2006 2007 2008 2009 2010
Januari 147319 173919 178358 208337 249728 229561 278685 288755
Februari 159681 146192 191362 201457 209160 236971 269367 333072
Maret 159886 168036 191125 202539 222950 247024 268418 294758
April 154777 188189 184230 224423 222657 239400 277925 309888
Mei 167342 190697 199401 208832 220508 244874 285965
Juni 178258 200503 224695 245248 241108 275452 329654
Juli 190662 235042 252110 279219 271371 297723 358907
Agustus 195758 232164 243222 252698 253970 309051 336628
September 189247 218245 232516 252855 255717 305429 352017
Oktober 189142 225606 229651 244421 252716 266453 339200
November 172813 184622 196856 220341 237874 296990 293858
Desember 176901 221604 222497 248336 264366 292961 341111

1. Bagaimana gambaran kunjungan wisatawan pada tahun 2003-2010


2. Lakukan peramalan untuk bulan Mei hingga Juli 2010

2.2 Langkah Kerja


Langkah kerja yang digunakan untuk menyelesaikan studi kasus diatas
adalah sebagai berikut:
1. Buka program EViews sehingga muncul tampilan seperti gambar 2.1
3

Gambar 2.1 Tampilan halaman utama Eviews


2. Kemudian klik Create a new EViews workfile sehingga akan muncul
tampulan seperti gambar 2.2. Lalu pada frequency pilih monthly karena
data yang akan diinputkan merupakan data dengan skala bulan dari januari
2003 sampai april 2010, maka pada start date isikan 2003:01 dan pada end
date isikan dengan 2010:04. Kemudian klik OK.

Gambar 2.2 Tampilan halaman Workfile Create


3. Lalu klik Object > New object sehingga muncul tampilan seperti gambar
2.3. Pada Type of Object pilih Series kemudian beri nama untuk data pada
kotak Name for Object. Kemudian klik OK.

Gambar 2.3 Tampilan halaman New Object


4

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.

Gambar 2.4 Tampilan halaman workfile


5. Selanjutnya untuk mengetahui visualisasi atau gambaran dari data dapat
dilakukan dengan klik View > Graph sehingga akan muncul tampilan
seperti gambar 2.5. Kemudian klik OK untuk menampilkan grafik.

Gambar 2.5 Tampilan halaman Graph Options


6. Langkah selanjutnya adalah melakukan pengujian stasioneritas dalam
mean. Hal ini dapat dilakukan dengan ADF Unit Root Test dengan cara
klik View > Unit Root Test sehingga muncul tampilan seperti gambar 2.6.
Kemudian klik OK.
5

Gambar 2.6 Tampilan halaman Unit Root Test


7. Selain melakukan uji stasioneritas, uji normalitas juga perlu dilakukan
untuk lebih meyakinkan apakah data stasioner dalam variansi. Uji
normalitas dapat dilakukan dengan klik View > Descriptive Statistics &
Test > Histogram and Stats. Sehingga muncul hasil dari pengujian Jarque-
Bera seperti gambar 2.7

Gambar 2.7 Pengujian normalitas


8. Berdasarkan uji stasioneritas yang telah dilakukan sebelumnya, diperoleh
bahwa data telah stasioner dalam variansi tetapi masih belum stasioner
dalam mean. Sehingga dalam hal ini perlu dilakukan differensiasi terhadap
data yang dapat dilakukan dengan klik Quick > Generate Series kemudian
pada enter equation isikan perintah seperti gambar 2.8. Kemudian klik OK
6

Gambar 2.8 Tampilan halaman Generate Series by Equation


9. Setelah itu maka akan didapatkan series baru dengan nama dsarima. Pada
series ini akan dilakukan pengujian stasioner dalam mean yang dapat
dilakukan dengan klik View > Unit Root Test > OK. Sehingga muncul
hasil uji ADF seperti gambar 2.9

Gambar 2.9 Pengujian stasioneritas


10. Setelah didapatkan bahwa data telah stasioner dalam mean dan variansi
maka langkah selanjutnya adalah mengidentifikasi model dengan
mengunakan correlogram yang dapat dilakukan dengan klik View >
Correlogram > OK sehingga muncul tampilan seperi gambar 2.8
7

Gambar 2.10 Identifikasi model


11. Dari correlogram tersebut diperoleh dua model estimasi yaitu
SARIMA(1,1,1)(0,1,1)12 dan SARIMA(2,1,1)(0,1,1)12. Kemudian lakukan
pengujian terhadap koefisien yang signifikan. Untuk melihat estimasi
model dapat dilakukan dengan klik Quick > Estimation Equation.
Kemudian tuliskan sintak dari kedua model tersebut. Lalu klik OK.

Gambar 2.11 Estimasi model Gambar 2.12 Estimasi model


SARIMA(1,1,1)(0,1,1)12 SARIMA(2,1,1)(0,1,1)12

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

belum signifikan, maka dari itu perlu dilakukan eliminasi terhadap


koefisien tersebut.

Gambar 2.13 Koefisien yang tidak Gambar 2.14 Koefisien yang tidak
signifikan model 1 signifikan model 2

13. Setelah melakukan eliminasi, akan diperoleh koefisien-koefisien yang


sudah signifikan seperti gambar 2.15 dan gambar 2.16

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.

Gambar 2.17 Uji normalitas residual model SARIMA(1,1,1)(0,1,1)12


15. Langkah kedua dalam uji diagnostik adalah menguji ada tidaknya
autokorelasi pada data. Klik View > Residual Test > Correlogram-Q-
Statistics > OK. Ulangi langkah ini ke setiap model yang signifikan.

Gambar 2.18 Autokorelasi model SARIMA(1,1,1)(0,1,1)12


10

16. Langkah ketiga adalah uji homoskedastisitas. Klik View > Residual Test >
Correlogram-Squared Residuals > OK. Ulangi langkah ini ke setiap
model yang signifikan.

Gambar 2.19 Pengujian homoskedastisitas model SARIMA(1,1,1)(0,1,1)12


17. Setelah mendapatkan nilai-nilai dari uji diagnostik, maka dapat ditentukan
model terbaik yang digunakan dalam peramalan dengan membandingkan
nilai AIC, SC, ARS, normalitas, autokorelasi dan homoskedastisitas.
Setelah menentukan metode terbaik, maka dapat dilakukan peramalan
dengan mengubah range data dengan cara double klik pada bagian range.
Kemudian ganti End Date menjadi 2010M07. Kemudian klik OK. Untuk
lebih jelasnya lihat gambar 2.20

Gambar 2.20 Tampilan halaman Workfie Structure


11

18. Setelah muncul pertanyaan “Resize involves interesting 3 observation.


Continue?”, maka pilih “Yes”.

Gambar 2.21 Tampilan Resize involves


19. Kemudian melakukan peramalan periode selanjutnya dengan memilih
menu bar Quick > Estimate Equation serta menuliskan syntak dari model
terbaik yang telah dipilih. Kemudian klik OK. Lihat gambar 2.18

Gambar 2.22 Metode SARIMA(1,1,1)(0,1,1)12


20. Kemudian klik Forecast sehingga muncul tampilan seperti gambar 2.19.
Lalu klik OK sehingga akan muncul grafik peramalan. Hasil peramalan
dapat dilihat pada workfile utama dengan nama obyek series “forecast”.

Gambar 2.23 Peramalan menggunakan metode SARIMA(1,1,1)(0,1,1)12


12

BAB III
PEMBAHASAN

3.1 Visualisasi Data


Sebelum melakukan analisis runtun waktu, penting untuk mengetahui pola
data yang akan diolah. Pola data yang dihasilkan ini nantinya akan digunakan
untuk menentukan metode peramalan. Berdasarkan data jumlah wisatawan di
suatu objek wisata di Indonesia dari januari 2003 sampai april 2010, grafik yang
dihasilkan adalah seperti gambar 3.1
LAPORAN_SARIMA
400,000

360,000

320,000

280,000

240,000

200,000

160,000

120,000
2003 2004 2005 2006 2007 2008 2009 2010

Gambar 3.1 Visualisasi data


Berdasarkan gambar tersebut, dapat dilihat bahwa data memiliki pola data
musiman aditif karena naik turunnya jumlah wisatawan dipengaruhi oleh faktor
musiman dan memiliki simpangan yang hampir sama besar disetiap bukit dan
lembahnya. Sehingga, dalam hal ini praktikan akan digunakan metode SARIMA
untuk meramalkan jumlah wistawan hingga bulan april 2010.

3.2 Cek Stasioner


Tahap selanjutnya adalah melakukan pengecekan terhadap kestasioneran
data. Dalam tahap ini terdapat dua jenis kestasioneran yang akan diuji, yaitu
stasioner dalam mean dan stasioner dalam variansi. Berikut merupakan
pengecekan stasioner dalam mean:
13

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

Gambar 3.2 Uji stasioner dalam mean


v. Keputusan
Karena p-value > α yaitu 0,999 > 0,05 maka gagal tolak H0
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa data
mengandung unit root artinya data tidak stasioner dalam mean.

Selanjutnya pengecekan stasioner dalam variansi adalah sebagai berikut:


i. Hipotesis
H0 : Data berdistribusi normal atau stasioner dalam variansi
H1 : Data tidak berdistribusi normal atau tidak stasioner dalam variansi
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value < α
14

iv. Statistika Uji


12
Series: LAPORAN_SARIMA
Sample 2003M01 2010M04
10
Observations 88

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

Gambar 3.3 Uji stasioner dalam variansi


v. Keputusan
Karena p-value > α yaitu 0,222 > 0,05 maka gagal tolak H0
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa data
berdistribusi normal artinya data stasioner dalam variansi.

3.3 Diffrencing Musiman


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

Gambar 3.4 Uji stasioner dalam mean dengan differencing


v. Keputusan
Karena p-value > α yaitu 0,0001 > 0,05 maka gagal tolak H0
15

vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa data
mengandung unit root artinya data tidak stasioner dalam mean.

3.4 Indentifikasi dan Estimasi Model


Tahap ketiga yang harus dilakukan dalam peramalan SARIMA adalah
identifikasi model. Untuk mengetahui model-model yang sesuai untuk peramalan
dapat dilihat pada Correlogram pada gambar 3.4

Gambar 3.5 Correlogram


Dapat dilihat pada correlogram, bahwa untuk model non-seasonal ACF
signifikan pada lag pertama dan PACF signifikan pada lag kedua. Sedangkan
untuk model seasonal diperolah ACF yang signifikan pada lag ke-12 dan untuk
PACF tidak terdapat lag yang signifikan baik itu pada lag ke-12 maupun lag ke-
24.
16

Tabel 3.1 Identifikasi model


Non-Seasonal Seasonal
p=2 P=0
d=1 D=1
q=1 Q=1

Berdasarkan tabel maka dapat diperoleh model utama yaitu


SARIMA(2,1,1)(0,1,1)12. Dari model utama ini dapat diperoleh estimasi model
yang mungkin, yaitu:
- SARIMA(1,1,1)(0,1,1) 12
- SARIMA(2,1,1)(0,1,1) 12

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

Gambar 3.6 Overfitting model SARIMA(1,1,1)(0,1,1)12


17

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

Gambar 3.7 Overfitting model SARIMA(2,1,1)(0,1,1)12


v. Keputusan
Tabel 3.3 Keputusan Overfitting model
Variabel Prob. α Keputusan
C 0.1167 0.05 Tolak H0
AR(2) 0.0675 0.05 Tolak H0
MA(1) 0.0000 0.05 Gagal tolak H0
SMA(12) 0.0985 0.05 Tolak H0
18

vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
masih terdapat koefisien yang tidak signifikan terhadap model.

Dari pengujian diatas didapatkan bahwa terdapat koefisien yang tidak


signifikan terhadap model. Oleh sebab itu maka diperlukan eliminasi terhadap
koefisien yang tidak signifikan. Pengujian yang dilakukan adalah sebagai berikut:
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

Gambar 3.8 Overfitting model SARIMA(0,1,1)(0,1,1)12


v. Keputusan
Tabel 3.4 Keputusan Overfitting model
Variabel Prob. α Keputusan
MA(1) 0.0000 0.05 Gagal tolak H0
SMA(12) 0.0061 0.05 Gagal tolak H0

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

3.6 Diagnostik Cek


3.6.1 Uji Normalitas Residual
i. Hipotesis
H0 : Data berdistribusi normal atau stasioner dalam variansi
H1 : Data tidak berdistribusi normal atau tidak stasioner dalam variansi
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value < α
iv. Statistika Uji
9
Series: Residuals
8 Sample 2004M02 2010M04
Observations 75
7

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

Gambar 3.9 Uji Normalitas Residual model SARIMA(1,1,1)(0,1,1)12


9
Series: Residuals
8 Sample 2004M02 2010M04
Observations 75
7

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

Gambar 3.10 Uji Normalitas Residual model SARIMA(0,1,1)(0,1,1)12


v. Keputusan
- Untuk model SARIMA(1,1,1)(0,1,1)12 gagal tolak H0 karena p-
value > α yaitu 0,510 > 0,05
20

- Untuk model SARIMA(0,1,1)(0,1,1)12gagal tolak H0 karena p-


value > α yaitu 0,725 > 0,05
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
seluruh model memiliki residual yang berdistribusi normal.

3.6.2 Uji Autokorelasi


i. Hipotesis
H0 : Tidak terdapat autokorelasi antar residual
H1 : Terdapat autokorelasi antar residual
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value (Prob) < α
iv. Statistika Uji

Gambar 3.11 Uji Autokorelasi Gambar 3.12 Uji Autokorelasi


Residual SARIMA(1,1,1)(0,1,1)12 Residual SARIMA(0,1,1)(0,1,1)12
21

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

Gambar 3.13 Uji Homoskedastisitas Gambar 3.14 Uji Homoskedastisitas


Residual SARIMA(1,1,1)(0,1,1)12 Residual SARIMA(0,1,1)(0,1,1)12
22

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.

3.7 Pemilihan Model


Berdasarkan seluruh uji yang dilakukan, maka dapat dibuat matriks
perbandingan antara keempat model tersebut sebagai berikut:
Tabel 3.5 Matriks perbandingan keempat model
SARIMA(1,1,1)(0,1,1)12 SARIMA(0,1,1)(0,1,1)12
ARS 0.704 0.688
AIC 22.06 22.11
SC 22.18 22.20
Normalitas v v
Tidak ada autokorelasi v x
Homoskedastisitas v v

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.

Gambar 3.15 Visualisasi peramalan


24

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.