discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/311558057
CITATIONS READS
0 2,577
1 author:
Erie Sadewo
Bandung Institute of Technology
18 PUBLICATIONS 0 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Truncated Power Method Implementation on PCA-Part for K-Means Initialization View project
All content following this page was uploaded by Erie Sadewo on 10 December 2016.
Erie Sadewo1
Mahasiswa Pascasarjana Statistika FMIPA ITS
Abstrak
Penelitian mengenai metode peramalan jumlah kunjungan wisatawan telah seringkali
dilakukan, namun sampai dengan saat ini belum ditemukan adanya metode yang benar-
benar unggul untuk diterapkan dalam berbagai pola data time series. Suatu temuan menarik
dari berbagai penelitian sebelumnya adalah bahwa penerapan metode yang kompleks
belum tentu menghasilkan ramalan yang lebih baik dibandingkan dengan model sederhana.
Untuk itu akan dilakukan perbandingan beberapa metode time series pada kasus peramalan
jumlah kunjungan wisatawan di Kabupaten Karimun, Provinsi Kepulauan Riau. Dengan
menggunakan empat metode sederhana dan satu metode kompleks pada 120 data
insample dan 15 data outsample didapatkan bahwa metode yang paling baik untuk
menggambarkan pola data dan meramalkan jumlah kunjungan wisatwan di Kabupaten
Karimun adalah Double Moving Average.
Kata Kunci: Metode peramalan, Jumlah Kunjungan Wisatawan, Data Time Series
deret waktu yang dibangun dengan rata bergerak linier karena kedua nilai
mengambil rata-rata dari beberapa nilai pemulusan tunggal dan ganda ketinggalan
berurutan dari deret waktu yang lain. dari data yang sebenarnya bilamana
untuk menggambarkan prosedur ini nilai pemulusan tunggal dan ganda dapat
Metode DMA didasarkan pada linear dari Holt tidak menggunakan rumus
yang dihitung berdasarkan rata-rata dari Sebagai gantinya, Holt memuluskan nilai
dinotasikan dengan MA (T x T), yang dapat dari parameter yang digunakan pada
diartikan sebagai MA (T) periode dari MA deret yang asli. Ramalan dari pemulusan
(T) periode. Metode ini dapat digunakan eksponensial linear Holt didapat dengan
komponen trend linier dengan lebih baik. (dengan nilai antara 0 dan 1) dan tiga
deret waktu. Metode ini diapatkan dari persamaan tersebut dapat ditulis sebagai:
yang dinamakan model ARMA(p,q) dan menuliskan derajat selisih dengan d, maka
suatu proses ARIMA dapat digambarkan
bisa juga ditulis dalam bentuk:
dengan dimensi p, d, dan q. Sehingga
ARIMA(p,d,q) berarti suatu time series
dengan
nonstasioner yang setelah diambil selisih
ke-d menjadi stasioner dan mengikuti
proses AR(p) dan MA(q).
3. Data menurun. Walaupun sempat mengalami
Data yang digunakan dalam peningkatan sebesar 3,84 persen pada
penelitian adalah jumlah wisman bulanan tahun 2004, namun secara keseluruhan
yang berkunjung ke Kabupaten Karimun laju kunjungan wisman pada periode
dari pintu masuk Pelabuhan Tanjungbalai tersebut mengalami penurunan rata-rata
Karimun yang bersumber dari BPS sebesar 7,20 persen setiap tahunnya.
Kabupaten Karimun. Jumlah pengamatan Penurunan laju kunjungan tertinggi terjadi
sebanyak 120 bulan akan digunakan pada tahun 25,43 persen, merupakan
sebagai insample dan 15 bulan berikutnya dampak tidak langsung dari menurunnya
akan digunakan sebagai outsample. kondisi perekonomian dunia yang juga
dirasakan oleh Singapura dan Malaysia
4. Hasil dan Pembahasan sebagai dua negara asal wisman terbesar.
Selama periode 2002-2012, jumlah Gambaran mengenai jumlah kunjungan
wisman yang berkunjung ke Kabupaten wisatawan pada periode tersebut
Karimun terus menunjukkan tren yang selengkapnya terdapat pada Grafik 1.
23
25000
5 1
2 8
4
678 1012 5 12
6
79 2
20000 3 6 4 78 2
9 1
11 9 3 567
10
11 4 9
12
8 12 4
wisman
1 12
3 1 1 3
15000 11
10 11 3 56
9 67 122 5
2 7 11 2 4 8
8 8
10 11 34 6 12
7
10 9 11 12
45 1 5 13 12 12 6
3
10 2 7 23
10000 1 10 6 3
122 67 6 1 5
2 45 34 11
5 11 5 911 4 9
78 4 10 2
10 10 7 10
9 1 8 1
9 111
9 8
8
5000
Month Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan
Year 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013
1,0 1,0
0,8 0,8
0,6 0,6
Partial Autocorrelation
0,4 0,4
A utocorrelation
0,2 0,2
0,0 0,0
-0,2 -0,2
-0,4 -0,4
-0,6 -0,6
-0,8 -0,8
-1,0 -1,0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag Lag
Berdasarkan Grafik 3. pola ACF dalam memodelkan dan meramalkan data
menunjukkan cut off pada lag 1, adalah ARIMA (2,1,3).
sementara pola PACF menunjukkan cut off
Final Estimates of Parameters
setelah lag 4. Tidak terlihat adanya pola Type Coef SE Coef T P
AR 1 0,8126 0,0187 43,57 0,000
musiman baik pada ACF maupun PACF AR 2 -0,9945 0,0184 -54,14 0,000
MA 1 1,4302 0,0464 30,85 0,000
sehingga kemungkinan model yang dapat MA 2 -1,4154 0,0453 -31,24 0,000
MA 3 0,6426 0,0560 11,47 0,000
dibentuk adalah ARIMA (4,1,0), ARIMA
(0,1,2) atau ARIMA (3,1,2). Differencing: 1 regular difference
Number of observations: Original
series 120, after differencing 119
Hasil pengolahan dengan software Residuals: SS = 591178400
(backforecasts excluded)
MS = 5185775 DF = 114
Minitab 15 menunjukkan bahwa ketiganya
Modified Box-Pierce (Ljung-Box) Chi-
memenuhi asumsi white noise dan Square statistic
normaly distributed residual, namun Lag 12 24 36 48
Chi-Square 5,0 16,5 25,9 32,3
model yang memiliki performa terbaik DF 7 19 31 43
P-Value 0,664 0,621 0,727 0,884
60
50
40
30
20
10
5
0,1
-7500 -5000 -2500 0 2500 5000
residual