Peramalan dengan Menggunakan Metode ARIMA

Analisis Data Jumlah Pengunjung mancanegara istana basa pagaruyuang dengan

Menggunkan metode ARIMA

1) Membuat Plot Data

Plot data jumlah pengunjung mancanegara istana basa pagaruyuang dari bulan
Januari 2011 sampai Desember 2016 dapat dilihat pada gambar berikut.

Time Series Plot of C1

5000

4000

3000
C1

2000

1000

0
1 7 14 21 28 35 42 49 56 63
Index

Berdasarkan plot diatas, secara umum jika kita lihat dari periode 10 sampai
57 dimana pada periode tersebut adalah awal tahun 2012 dan akhir tahun, terlihat
adanya pola musiman setiap 12 bulan (musiman tahunan) dan jika mengikuti garis
trend data tersebut mengalami kenaikan atau adanya pola trend. Dari gambar
tersebut mengindikasikan bahwa data wisatawan mancanegara bahwa data belum
stasioner karena terjadi perubahan rata-rata dari waktu ke waktu. Karena data
bersifat non-stasioner maka perlu dilakukan proses pembedaan pertama. Setelah
dilakukan proses pembedaan pertama dilakukan plot data kembali dari hasil
proses pembedaan pertama.

2) Pemeriksaan Kestasioneran
 Setelah dilakukan transformasi data didapatkanPlot ACF dari datajumlah
pengunjung dapat dilihat pada gambar berikut :

FAKP

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0

-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag

Plot ACF (Autocorrelation Function) digunakan untuk melihat kestasioneran data

dan menemukan pola dalam data. Berdasarkan plot ACF terlihat bahwa data sudah
stasioner terhadap ragam maupun rata-rata.
3) Menganalisa Plot ACF dan Plot PACF
Karena kestasioneran dalam rata-rata telah terpenuhi, maka langkah selanjutnya
adalah menentukan nilai taksiran ACF.
 Autocorrelation Function for pembeda pertama
(with 5% significance limits for the autocorrelations)

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag

terlihat bahwa nilai autokorelasi relatif tidak terlau besar, selain itu nilai
autokorelasi telah bernilai positif dan negatif sehingga dapat disimpulkan bahwa
data sudah stasioner dalam rata-rata.

Partial Autocorrelation Function for pembeda pertama

(with 5% significance limits for the partial autocorrelations)

1,0
0,8
0,6
Partial Autocorrelation

0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag

Berdasarkan Gambar nilai PACF pada lag 1, 2 dan 11 keluar dari batas
signifikansi, sehingga ditetapkan proses AR(3) sedang berlangsung untuk AR
yang non musimandimana orde AR adalah jumlah autokorelasi parsial yang
signifikan. Berdasarkan plot deret waktu terlihat bahwa data belum stasioner
dalam rata-rata musiman 12. Oleh karena itu dilakukan proses pembedaan
pertama musiman 12 dari data pembedaan pertama non-musiman. Dengan
mengidentifikasi ACF dan PACF pembedaan pertama non-musiman dan musiman
12 diperoleh bahwa proses AR(1) dan MA(1) sedang berlangsung untuk orde AR
dan MA yang musiman.
Berdasarkan plot data deret waktu, plot ACF, dan plot PACF hasil
pembedaan pertama non-musiman dan pembedaan pertama musiman 12 terlihat
bahwa data sudah stasioner dalam rata-rata. Data sudah dapat digunakan untuk
mendapatkan model ARIMA sementara untuk data jumlah wisatawan
mancanegara objek wisata Istana Basa Pagaruyung yaitu ARIMA (3,1,3) (1,1,1)12.
Model ARIMA (3,1,3)(1,1,1)12
H0 : parameter sama dengan nol atau tidak signifikan
H1 : parameter tidak sama dengan nol atau signifikan
Tingkat signifikan atau 𝛼 = 0,05

Type Coef SE Coef T P

AR 1 -0,9910 0,0915 -10,83 0,000
AR 2 -0,7349 0,0938 -7,84 0,000
Constant -38,9 126,8 -0,31 0,760

Kesimpulan : karena p-value masing-masing parameter <𝛼 = 0,05 sehingga H0

ditolak artinya Model ARIMA (2,1,0)(1,1,0)12 dapat dipertimbangkan sebagai
model dari data.