BAB IV

HASIL DAN PEMBAHASAN

4.1 Plot Data

Jumlah Kunjungan Wisatawan Mancanegara di Provinsi Bali

600000

500000
wisatawan

400000

300000

200000

100000
Month Jan Jan Jan Jan Jan Jan Jan Jan Jan
Year 2009 2010 2011 2012 2013 2014 2015 2016 2017

Gambar 4.1 Plot Data Awal

Berdasarkan hasil plot time series dengan bantuan Minitab diatas dapat dilihat
bahwa data jumlah kunjungan wisatawan mancanegara di Provinsi Bali
menunjukkan pola gabungan trend dan musiman, sehingga data diatas dapat
dianalisis mengunakan Winter Exponential Smoothing dan SARIMA
(Seasonal Autoregressive Integrated Moving Average).

4.2 Winter Exponential Smoothing

4.3.1 Plot Model Additive dan Multliplikatif

Winters' Method Plot for Jumlah Kunjungan Wisatawan Mancanegara di Provinsi Bali
Additive Method
Variable
600000
Actual
Fits

Smoothing Constants
500000
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
wisatawan

400000 Accuracy Measures

MAPE 7
MAD 19721
300000 MSD 1124887758

200000

100000
1 11 22 33 44 55 66 77 88 99
Index

Gambar 4.2 Plot Model Aditif

 Winters' Method Plot for Jumlah Kunjungan Wisatawan Mancanegara di Provinsi Bali
Multiplicative Method
Variable
600000
Actual
Fits

Smoothing Constants
500000
Alpha (lev el) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2

wisatawan
400000 Accuracy Measures
MAPE 6
MAD 18989
300000 MSD 1098365479

200000

100000
1 11 22 33 44 55 66 77 88 99
Index

Gambar 4.3 Plot Model Multiplikatif

Berdasarkan plot model additive dan plot model multiplikatif pada
metode winter menggunakan Minitab dengan nilai α, β dan γ sebesar
0.2, didapatkan nilai MAPE berturut-turut sebesar 7% dan 6%,
sehingga dapat dikatakan bahwa model additive dan model
multlipikatif pada metode winter dapat digunakan untuk peramalan
jumlah kunjungan wisatawan mancanegara di Provinsi Bali karena
nilai MAPE yang didapatkan < 20%. Berdasarkan perbandingan
nilai MAPE-nya model yang lebih baik digunakan untuk peramalan
yaitu model multlipikatif karena memiliki nilai MAPE lebih kecil.

4.3 Metode SARIMA (Seasonal Autoregressive Integrated Moving Average)

4.3.1 Box-Cox Transformation
Box-Cox Plot of Jumlah Kunjungan Wisatawan Mancanegara di Provinsi Bali
Lower CL Upper CL
70000 Lambda
(using 95.0% confidence)
Estimate -0.06
60000
Lower CL -0.67
Upper CL 0.45

Rounded Value 0.00

50000
StDev

40000

30000

Limit
20000
-5.0 -2.5 0.0 2.5 5.0
Lambda

Gambar 4.4 Box-Cox Plot Sebelum Transformasi

 Box-Cox Plot of Jumlah Kunjungan Wisatawan Mancanegara di Provinsi Bali

0.00265625 Lambda
(using 95.0% confidence)
Estimate 1.00
0.00265600
Lower CL *
Upper CL *
0.00265575
Rounded Value 1.00

0.00265550

StDev
0.00265525

0.00265500

0.00265475

0.00265450
-5.0 -2.5 0.0 2.5 5.0
Lambda

Gambar 4.5 Box-Cox Plot Setelah Transformasi

Berdasarkan Box-Cox Plot sebelum transformasi (Gambar 4.4)
didapatkan nilai Rounded Value nya sebesar 0.00 sehingga data
dikatakan tidak stasioner terhadap ragam, maka dilakukan
transformasi sebanyak 2 kali dan didapatkan Box-Cox Plot (Gambar
4.5) yang nilai Rounded Value nya 1.00 sehingga data sudah dapat
dikatakan stasioner terhadap ragam.

4.3.2 Plot ACF dan PACF

- Plot ACF

Autocorrelation Function
(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 10 20 30 40 50 60 70 80 90 100
Lag

Gambar 4.6 Plot ACF Awal

 Autocorrelation Function for Difference
(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 10 20 30 40 50 60 70 80 90 100
Lag

Gambar 4.7 Plot ACF Setelah Differencing

Berdasarkan Plot ACF sebelum dilakukan differencing (Gambar

4.6) pola yang terbentuk adalah dies down sehingga dapat
dikatakan bahwa data tidak stasioner terhadap rataan, maka
dilakukan differencing sebanyak 1 kali dan didapatkan plot ACF
seperti pada Gambar 4.7, setelah dilakukan differencing pola
yang terbentuk adalah cuts-off pada lag ke-1 dan lag ke-4
sehingga data sudah dapat dikatakan stasioner terhadap rataan.
Adapun nilai MA (q) yang didapatkan berdasarkan plot ACF
adalah MA (1) dan MA (4). Jika dilihat pada lag ke-12, lag ke-
24, lag ke-36 dan seterusnya, data menunjukkan pola seasonal,
adapun pola seasonal yang terbentuk cuts-off di lag ke-12
sehingga nila SMA (q) yang didapatkan adalah SMA(1).
- Plot PACF

Partial Autocorrelation Function

(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 10 20 30 40 50 60 70 80 90 100
Lag

Gambar 4.8 Plot PACF

Berdasarkan Plot PACF (Gambar 4.8) pola yang terbentuk
adalah cuts-off pada lag 1 sehingga didapatkan nilai AR (p)
berdasarkan plot PACF adalah AR (1). Adapun pada lag ke-12,
lag ke-24, lag ke-36 dan seterusnya, data menunjukkan pola
seasonal, adapun pola seasonal yang terbentuk cuts-off di lag ke-
12 sehingga nila SAR (p) yang didapatkan adalah SAR (1).