See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/311558057

PERBANDINGAN BEBERAPA METODE TIME

SERIES PADA PERAMALAN JUMLAH
KUNJUNGAN WISATAWAN MANCANE....

Working Paper · January 2013

DOI: 10.13140/RG.2.2.26922.62403

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:

polycentric mega urban region View project

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.

The user has requested enhancement of the downloaded file.

 PERBANDINGAN BEBERAPA METODE TIME SERIES PADA PERAMALAN JUMLAH
KUNJUNGAN WISATAWAN MANCANEGARA
(Studi Kasus Di Kabupaten Karimun, Provinsi Kepulauan Riau)

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

1. Pendahuluan Kabupaten Karimun merupakan

Sektor pariwisata memegang wilayah kepulauan yang terdiri dari 249
peranan penting dalam perekonomian pulau yang seluruhnya sudah memiliki
Indonesia, baik sebagai salah satu sumber nama, namun baru 45 pulau yang
penerimaan devisa maupun penciptaan berpenghuni. Wilayah Kabupaten Karimun
lapangan kerja serta kesempatan berada di antara Kota Batam, Singapura,
berusaha. Pariwisata merupakan salah Malaysia, Kepulauan Riau serta Riau, serta
satu sektor yang memberikan kontribusi berada pada jalur pelayaran dunia yang
terbesar dalam perolehan devisa negara. ramai.
Kinerja sektor pariwisata sebagai Keuntungan geografis ini menjadikan
penghasil devisa ditentukan oleh Karimun sebagai tempat yang sangat
kemampuan kita untuk mendatangkan strategis, terutama untuk berbagai
sebanyak mungkin wisatawan kegiatan perekonomian. Dengan
mancanegara (wisman) ke Indonesia. dukungan daya tarik keadaan alam yang
indah dan letak yang strategis tersebut,
salah satu potensi yang sangat cocok
untuk dikembangkan adalah sektor
pariwisata.
Bagi Kabupaten Karimun, sektor
pariwisata memegang peranan penting
dalam mendukung pertumbuhan ekonomi
daerah. Setidaknya terdapat tiga sektor
yang terkena dampak langsung dari
kegiatan pariwisata di Kabupaten Karimun
yaitu Perdagangan, Hotel dan Restoran,
Pengangkutan dan Komunikasi, serta Jasa.
Dengan 95 persen jumlah
wisatawan mancanegara berasal dari
Singapuran dan Malaysia, share ketiga
sektor tersebut dalam PDRB Kabupaten
Karimun pada tahun 2011 mencapai 44
persen dari total PDRB yang terbentuk.
Oleh karena itu dalam perencanaan
pembagunan Kabupaten Karimun, sektor
ini mendapatkan perhatian besar, sesuai
dengan strategi pencapaian misi pertama
dan kedua dalam RPJM 2011-2016.
Untuk keperluan tersebut maka
diperlukan adanya ramalan mengenai
perkiraan jumlah wisman tahunan sebagai
dasar untuk menyusun Rencana Kerja
Pemerintah Daerah pada tahun
berikutnya. Penelitian sebelumnya
mengenai peramalan jumlah wisatawan
dengan menggunakan data deret waktu
telah banyak dilakukan antara lain oleh
Witt dan Witt (1992), Song dan Witt
(2000), Frechtling (1996 dan 2001), Wong
dan Song (2002), Suhartono (2007), Song
dan Li (2008), Chu (2008 dan 2009),
Nuvitasari (2009), Chen (2011), Suhartono
dan Lee (2011), Lee, et al. (2012), dan
banyak lainnya.
Dalam penelitian mengenai
permintaan pariwisata, yang diwakili oleh
jumlah seluruh dunia pengunjung ke Hong
Kong, Jepang, Korea, Taiwan, Singapura,
Thailand, Filipina, Australia dan Selandia
Baru, Chu (2009) menerapkan tiga model
ARMA berbasis univariat dan mendapati
bahwa model berbasis ARMA tampil
sangat baik dan dalam beberapa kasus
besarnya rata-rata persentase kesalahan
absolut lebih rendah dari level dua
persen.
Sementara Chen (2011)
menunjukkan bahwa penggunaan
gabungan metode linier dan non-linier
dapat meningkatkan akurasi hasil
peramalan pada data series Inbound
Outbound Tourism di Taiwan.
Pada studi 121 paper mengenai
peramalan jumlah wisatawan yang telah
diterbitkan sejak tahun 2000, Song dan Li
(2008) mempelajari berbagai metode
peramalan dan menyimpulkan bahwa
tidak terdapat metode yang benar-benar
unggul untuk diterapkan pada seluruh
peramalan jumlah wisatawan. Namun
demikian terdapat bukti kuat bahwa diantaranya naïve, regresi, dekomposisi,
metode time series yang berdasarkan exponential smoothing, regresi dan
kepada lag autoregresive terdistribusi ARIMA Box-Jenkins. Hasilnya didapati
cenderung memberikan hasil yang lebih bahwa model ARIMA tidak selalu
baik. Hal ini sesuai dengan hasil penelitian memberikan hasil peramalan yang terbaik,
dari Lee, et al. (2012) yang menemukan terutama ketika terdapat unsur musiman.
bahwa meskipun metode kompleks Pada deteksi awal didapati bahwa
memberikan hasil peramalan yang lebih plot data menunjukkan kecenderungan
akurat, namun metode klasik tetap yang menurun, namun tidak memberikan
terpilih sebagai metode terbaik untuk petunjuk adanya unsur musiman yang
peramalan pada kasus kunjungan jelas. Dengan demikian metode yang
wisatawan di Bali dan Bandara Soekarno dapat dipergunakan untuk peramalan
Hatta Jakarta. univariat adalah Naïve I dan II, Double
Dari berbagai penelitian tersebut, Moving Average (DMA), Double
dapat ditarik suatu kesimpulan bahwa Exponential Smoothing (DES), dan Regresi
dalam peramalan jumlah wisatawan, tidak Linier, serta metode kompleks seperti
ada jaminan bahwa metode yang lebih ARIMA Box Jenkins (Hanke, 2001).
kompleks akan memberikan hasil yang Berdasarkan studi ini, diharapkan
lebih baik dibandingkan dengan metode dapat diketahui model terbaik yang dapat
sederhana. Dengan demikian akan menjelaskan jumlah kunjungan wisman di
menarik untuk mempelajari bagaimana Kabupaten Karimun dan
perbandingan performa kedua metode mempergunakannya untuk meramalkan
tersebut dalam peramalan jumlah wisman jumlah kunjungan wisman di Kabupaten
di Kabupaten Karimun. Karimun selama tahun 2013.
Beberapa penelitian sebelumnya
mengenai perbandingan peramalan 2. Metode Peramalan
antara metode sederhana dan metode 2.1. Metode Naïve
kompleks pada data deret waktu pernah Naive model merupakan metode
dilakukan oleh Chen (1997), Syariza dan yang paling sederhana, menganggap
Norhafiza (2005), Taylor (2008), serta bahwa peramalan periode berikutnya
Javedani, Lee, dan Suhartono (2011). sama dengan nilai aktual periode
Beberapa metode yang digunakan sebelumnya. Metode ini merupakan
metode paling sederhana karena umum dapat diterangkan melalui
mengasumsikan bahwa data yang baru persamaan berikut :
saja terjadi merupakan prediksi paling X t  X t 1  X t 2  ...  X t N 1
S 't 
tepat untuk meramalkan priode yang akan N
S 't  S 't 1  S 't 2  ...  S 't  N 1
datang. S ''t  N
Model untuk data tren sederhana:  
at  S 't  S 't  S ''t  2S 't  S ''t
Yˆt 1  Yt  (Yt  Yt 1 ) Untuk tren bersifat
aditif, dan
2

bt  N  1 S 't  S ''t 
Y
Yˆt 1  Yt t Untuk data bersifat
Yt 1 F t m  at  bt m
multiplikatif
2.3. Double Exponential Smoothing (DSE)

2.2. Double Moving Average (DMA) Dasar pemikiran dari pemulusan

Moving Average (DMA) adalah eksponensial adalah serupa dengan rata-

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

Istilah "rata-rata bergerak" digunakan terdapat unsur trend, perbedaan antara

untuk menggambarkan prosedur ini nilai pemulusan tunggal dan ganda dapat

karena setiap rata-rata dihitung dengan ditambahkan kepada nilai pemulusan

menghilangkan pengamatan sebelumnya tunggal dan disesuaikan untuk trend.

dan memasukan pengamatan berikutnya. Metode pemulusan eksponensial

Metode DMA didasarkan pada linear dari Holt tidak menggunakan rumus

perhitungan rata-rata bergerak kedua, pemulusan berganda secara langsung.

yang dihitung berdasarkan rata-rata dari Sebagai gantinya, Holt memuluskan nilai

rata-rata bergerak pertama. DMA trend dengan parameter yang berbeda

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

untuk meramalkan data dengan menggunakan dua konstanta pemulusan

komponen trend linier dengan lebih baik. (dengan nilai antara 0 dan 1) dan tiga

Prosedur rata-rata bergerak linier secara persamaan sebagai berikut :

 St  X t  (1 )(St 1  bt 1 ) Pada kenyatannya data time series

bt   (St  St 1 )  (1  )bt 1 yang ada lebih banyak yang tidak

stasioner. Ada banyak hal yang
Ft m  S t  bt .m
menyebabkan data time series tidak
Inisialisasi : S1 = X1
stasioner diantaranya adalah karena mean
b 1 = X 2 – X1
dan varians. Ketidakstasioneran dalam
2.4. Regresi Linier Terhadap Waktu mean dapat diatasi dengan proses
Merupakan penerapan dari metode differencing. Sedangkan
regresi linier sederhana dengan variabel ketidakstasioneran dalam varians dapat
waktu (t) sebagai prediktor, dengan rumus diatasi dengan transformasi Box-Cox.
umum sebagai berikut: Model time series tidak stasioner yang
yt  xt    t telah di-differencing dinamakan model

Dimana xt didefinisikan sebagai waktu ke Autoregressive Integrated Moving

t= 1,2,… Average (ARIMA). Misalnya Wt adalah

Dan persamaan tersebut telah memenuhi barisan selisih dengan

asumsi eror yang IIDN
maka proses ARMA dapat ditulis:
2.5. ARIMA Box Jenkins
Model ini merupakan pendekatan
metode Box Jenkins pada peramalan data jika Wt diganti dengan , maka

deret waktu. Metode ini diapatkan dari persamaan tersebut dapat ditulis sebagai:

perluasan yang diperoleh dari model

AR(p) dan MA(q) membentuk model Dalam banyak kasus, dapat terjadi

campuran sebagai berikut: bahwa selisih (difference) pertama suatu

time series masih tidak stasioner. Dengan

yang dinamakan model ARMA(p,q) dan
bisa juga ditulis dalam bentuk:
dengan
menuliskan derajat selisih dengan d, maka
suatu proses ARIMA dapat digambarkan
dengan dimensi p, d, dan q. Sehingga
ARIMA(p,d,q) berarti suatu time series
nonstasioner yang setelah diambil selisih
ke-d menjadi stasioner dan mengikuti
proses AR(p) dan MA(q).
3. Data
Data yang digunakan
penelitian adalah jumlah wisman bulanan
yang berkunjung ke Kabupaten Karimun
dari pintu masuk Pelabuhan Tanjungbalai
Karimun yang bersumber
Kabupaten Karimun. Jumlah pengamatan
sebanyak 120 bulan akan digunakan
sebagai insample dan 15 bulan berikutnya
akan digunakan sebagai outsample.
4. Hasil dan Pembahasan
Selama periode 2002-2012, jumlah
wisman yang berkunjung ke Kabupaten
Karimun terus menunjukkan tren yang
menurun. Walaupun sempat mengalami
dalam peningkatan sebesar 3,84 persen pada
tahun 2004, namun secara keseluruhan
laju kunjungan wisman pada periode
tersebut mengalami penurunan rata-rata
dari BPS sebesar 7,20 persen setiap tahunnya.
Penurunan laju kunjungan tertinggi terjadi
pada tahun 25,43 persen, merupakan
dampak tidak langsung dari menurunnya
kondisi perekonomian dunia yang juga
dirasakan oleh Singapura dan Malaysia
sebagai dua negara asal wisman terbesar.
Gambaran mengenai jumlah kunjungan
wisatawan pada periode tersebut
selengkapnya terdapat pada Grafik 1.

Grafik 1. Jumlah Kunjungan Wisatawan Mancanegara di Kabupaten Karimun 2002-2013

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

4.1. Hasil Metode Regresi linier Yt = 21003 - 121 t

Predictor Coef SE Coef T P

Persamaan regresi yang Constant 21003,0 447,1 46,98 0,000
t -120,557 6,413 -18,80 0,000
didapatkan dari data insample adalah
S = 2433,58 R-Sq = 75,0% R-Sq(adj) = 74,8% 4.2. Hasil ARIMA
Analysis of Variance
Source DF SS MS
Pemeriksaan pola data yang
F P
Regression 1 2092742763 2092742763 dilakukan dengan menggunakan plot
353,37 0,000
Residual Error 118 698832796 5922312 menunjukkan adanya tren yang menurun,
Total 119 2791575559
sehingga dapat diduga bahwa pola data
Secara parsial, koefisien regresi
tidak stasioner dalam mean. Namun
signifikan, dengan varians yang dapat
sebelumnya, hasil pemeriksaan terhadap
dijelaskan mencapai 75 persen. Artinya,
stasioneritas varians pola data dengan
kita percaya bahwa variabel waktu dapat
metode Box-Cox menunjukkan bahwa
menjelaskan informasi perubahan jumlah
terdapat selang kepercayaan sebesar 95
wisatawan sebesar 75 persen, sedangkan
persen bahwa nilai lambda berada
sisanya dijelaskan oleh faktor lain. Namun
diantara 0,11 dan 1,02.
demikian Error yang dihasilkan oleh model
Dengan demikian dapat
regresi tersebut ternyata tidak memenuhi
disimpulkan bahwa pola data telah
asumsi IIDN, dimana terdapat pelanggaran
stasioner dalam varians, sehingga
asumsi autokorelasi, homoskadastistitas
transformasi yang perlu dilakukan
dan kenormalan error, sehingga pada
hanyalah dengan differencing data
tahap selanjutnya metode ini tidak akan
sebesar satu lag. Dari hasil diferencing
digunakan baik pada perbandingan model
tersebut kemudian diperoleh plot ACF dan
maupun peramalan.
PACF sebagai berikut:

Grafik 3. ACF dan PACF dari Model ARIMA (4,1,0)

Autocorrelation Function for diff1 Partial Autocorrelation Function for diff1

(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

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

Grafik 1. Normal Probability Plot Model ARIMA

Probability Plot of residual

Normal
99,9
Mean -308,6
StDev 2217
99
N 119
KS 0,044
95 P-Value >0,150
90
80
70
Percent

60
50
40
30
20
10
5

0,1
-7500 -5000 -2500 0 2500 5000
residual

4.3. Perbandingan Performa Antar (DMA), Double Exponential Smoothing

Metode
(DES) dengan alfa 1,115 dan Gamma
Hasil pengujian data outsample yang
dilakukan dengan menggunakan metode 0,004, dan ARIMA disajikan pada tabel 1

Naïve I dan II, Double Moving Average berikut.

 Tabel 1. Perbandingan Nilai Hasil Ramalan Tujuh Metode Dengan Data Aktual
ARIMA ARIMA ARIMA
t Yt Naïve I Naïve II DMA DES
(4,1,0) (0,1,2) (2,1,3)
(1) (2) (3) (4) (5) (6) (7) (8) (9)
121 9.387 12.396 12.807 8.839 10.624 8.641 9.383 8.938
122 8.069 14.280 14.618 9.098 10.513 8.506 8.896 8.599
123 10.050 16.164 16.450 8.925 10.402 8.709 8.896 8.582
124 8.488 18.048 18.297 8.893 10.291 8.853 8.896 8.905
125 9.337 19.932 20.152 8.803 10.180 9.219 8.896 9.184
126 10.456 21.816 22.013 8.807 10.070 8.921 8.896 9.090
127 7.817 23.700 23.878 8.698 9.959 8.780 8.896 8.736
128 7.107 25.584 25.747 8.479 9.848 8.834 8.896 8.542
129 8.336 27.468 27.618 8.977 9.737 8.890 8.896 8.736
130 7.586 29.352 29.491 9.068 9.626 8.963 8.896 9.087
131 8.896 31.236 31.365 9.218 9.515 8.915 8.896 9.179
132 11.022 33.120 33.241 9.293 9.405 8.868 8.896 8.905
133 7.181 35.004 35.118 9.049 9.294 8.875 8.896 8.590
134 9.912 36.888 36.995 9.077 9.183 8.894 8.896 8.608
135 9.660 38.772 38.873 9.056 9.072 8.910 8.896 8.935

Berdasarkan uji kesesuaian model Sementara untuk pengujian hasil

dengan menggunakan data insample, peramalan, diketahui bahwa metode yang
didapati bahwa metode yang menghasilkan nilai MSE terkecil adalah
menghasilkan nilai AIC dan SBC terkecil metode DMA. Namun ketika dibandingkan
adalah DMA, diikuti dengan ARIMA. MAPE dan MAD, metode yang
Dengan demikian model yang paling menghasilkan nilai terkecil adalah ARIMA.
sesuai untuk menjelaskan jumlah Dengan demikian kedua metode
kunjungan wisman di Kabupaten Karimun tersebut sama-sama dapat digunakan
selama periode 2002-2011 adalah metode untuk peramalan, walaupun dalam
DMA. prakteknya, metode yang lebih sering
Selain itu diketahui bahwa metode dipakai adalah metode yang menghasilkan
Naïve serta DES memberikan hasil yang nilai MSE terkecil. Dapat disimpulkan
kurang baik. Yang menarik adalah ketika bahwa secara keseluruhan, metode
metode naïve I menghasilkan nilai AIC dan terbaik yang dapat menjelaskan pola data
SBC yang lebih kecil dibandingkan dengan dan digunakan untuk peramalan adalah
naïve multiplikatif. Hal ini memperkuat DMA.
hasil pengujian bahwa varians data
cenderung konstan.
 Tabel 2. Perbandingan Kriteria Kebaikan Model Untuk Empat Metode Peramalan

Metode Insample Outsample

AIC SIC MSE MAD MAPE
Naïve Aditif (I) 18.316.623 18.904.113 345.859.992 16.697 193
Naïve Multiplikatif (II) 21.255.380 21.255.380 351.012.787 16.891 195
Double Moving Average 3.322.526 3.429.094 1.246.763 1.002 12
Double Exponential Smoothing 9.017.969 9.307.212 2.553.510 1.404 17
ARIMA (4,1,0) 5.443.174 5.571.790 1.351.485 987 11
ARIMA (0,1,2) 5.523.392 5.653.903 1.352.142 984 11
ARIMA (2,1,3) 5.052.085 5.171.460 1.252.918 965 11

Berdasarkan hasil perbandingan tren kunjungan yang meningkat selama

keempat metode tersebut, maka tiga tahun terakhir, dibandingkan dengan
digunakan metode DMA untuk periode 2005-2010 yang selalu mengalami
meramalkan jumlah kunjungan wisman di penurunan.
Kabupaten Karimun bulan April-Desember
2013 sebagai berikut. 5. Kesimpulan dan Diskusi
Dalam penelitian ini dilakukan
Tabel 3. Ramalan Jumlah Kunjungan
Wisman di Kabupaten Karimun April- pemilihan metode terbaik untuk
Desember 2013 Dengan Menggunakan meramalkan jumlah kunjungan wisatawan
Metode DMA
mancanegara di Kabupaten Karimun pada
Bulan Periode Jumlah
April 136 8.815
periode April-Desember 2013 dengan
Mei 137 8.866 menggunakan empat jenis metode
Juni 138 8.781
sederhana dan satu metode kompleks.
Juli 139 8.500
Agustus 140 8.626 Dengan mempelajari pola data yang
September 141 8.903
diduga bersifat tren non-musiman, maka
Oktober 142 9.002
Nopember 143 9.240 metode yang dipergunakan sebagai alat
Desember 144 9.282
peramalan adalah Naïve I dan II, Double
Moving Average, Double Exponential
Berdasarkan hasil ramalan tersebut,
maka jumlah kunjungan wisman di Kabupaten Smoothing, Regresi, serta ARIMA.

Karimun pada tahun 2013 diperkirakan akan Berdasarkan pengujian awal,

mencapai 110.502 orang, atau mengalami ternyata model regresi linier yang
peningkatan sebesar 3,71 persen dihasilkan tidak layak digunakan dalam
dibandingkan dengan tahun sebelumnya. peramalan karena terdapat pelanggaran
Dengan demikian telah terjadi perubahan
terhadap asumsi non-autokorelasi,
homoskedastisitas, dan normalitas error.
Selanjutnya dengan menggunakan
sebanyak 120 buah data insample
diketahui bahwa metode yang paling baik
untuk menjelaskan pola data adalah
Double Moving Average, sementara yang
paling buruk adalah metode Naïve II.
Berdasarkan pengujian performa
ketepatan hasil peramalan didapati bahwa
model DMA dan ARIMA (4,1,0)
merupakan yang paling baik digunakan
dalam peramalan. Namun secara overall,
metode terbaik dalam menjelaskan data
dan peramalan jumlah kunjungan wisman
di Kabupaten Karimun adalah DMA.
6. Daftar Pustaka
Chen C., (1997). Robustness Properties for
Some Forecsting Methods of
Time Series: a Monte Carlo Study.
International Journal of
Forecasting. Vol. 13, Issue 2. pp.
269-280
Chen K., (2011). Combining linear and
nonlinear model in forecasting
tourism demand. Expert Systems
with Applications. Vol. 38, Issue 8:
10368–10376
Chu F., (2008). Analyzing and forecasting
tourism demand with ARAR
algorithm. Tourism Management.
Vol 29, Issue 6. pp 1185–1196
_________, (2009). Forecasting tourism
demand with ARMA-based
methods, Tourism Management,
Vol. 30, Issue 5. Pp. 740–751
Frechtling, D. C. (2001), Forecasting
Tourism Demand: Methods and
Strategies, Butterworth-
Heinemann, Oxford
Frechtling, D. C. (1996), Practical Tourism
Forecasting, Butterworth
Heinenman, Oxford
Hanke, J.E. and Reitsch, A.G. (2001).
th
“Business Forecasting” 7
edition, Prentice Hall.
Lee, M. H., et al., (2012). Fuzzy time
series: An application to tourism
demand forecasting. Am. J.
Applied Sci., Vol. 9. pp. 132-140
Javedani H., Lee M. H., and Suhartono.
(2011). An Evaluation of Some
Classical Method for Forecasting
Electrical Usage on a Spesific
Problems. Journal of Statistical
Modelling and Analysis.Vol. 2.
pp. 1-10.
Nuvitasari, E., (2009). Analisis Intervensi
Multi Input Fungsi Step dan Pulse
Untuk Peramalan Kunjungan
Wisatawan ke Indonesia. Thesis.
ITS Surabaya
Song, H. and Witt, S. F. (2000), Tourism
Demand Modelling and
Forecasting: Modern Econometric
Approaches, Pergamon
Song, H. & Li, G. (2008). Tourism demand
modelling and forecasting: A
review of recent research,
Tourism Management. Vol. 29.
pp. 203-220.
Suhartono and M.H. Lee, 2011. A hybrid
approach based on winter's
model and weighted fuzzy time
series for forecasting trend and
seasonal data. J. Math. Stat., Vol.
7. pp. 177-183.
 Syariza, A.R. and Norhafiza, M. (2005).
Comparison of Time series
methods for Electricity
forecasting: a Case in Perlis.
ICOQSIA, 6-8 december, Penang,
Malaysia.
Taylor, J. W. (2008). A Comparison of
Univariate Time Series Methods
for forecasting intraday Arrivals
at a Call centre. Management
Science, Vol. 54, pp. 253-265
Witt, S. F. and Witt, C. A. (1992), Modeling
and Forecasting Demand in
Tourism, Academic Press, London
Wong, K. F. and Song, H. (2002), Tourism
Forecasting and Marketing,
Hayworth Hospitality Press, New
York

View publication stats