Peramalan Jumlah Wisatawan Mancanegara Asal Negara Anggota Asean Di Sumatera Utara Menggunakan Simulasi Monte Carlo

Universitas Sumatera Utara
Repositori Institusi USU http://repositori.usu.ac.id

Departemen Matematika Skripsi Sarjana
2019
Peramalan Jumlah Wisatawan

Mancanegara Asal Negara Anggota
Asean di Sumatera Utara Menggunakan
Simulasi Monte Carlo
SK, Andri Saputra

Universitas Sumatera Utara
http://repositori.usu.ac.id/handle/123456789/16058
Downloaded from Repositori Institusi USU, Univsersitas Sumatera Utara
PERAMALAN JUMLAH WISATAWAN MANCANEGARA ASAL
NEGARA ANGGOTA ASEAN DI SUMATERA UTARA
MENGGUNAKAN SIMULASI MONTE CARLO
SKRIPSI
ANDRI SAPUTRA SK
150803003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2019

SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Sains
ANDRI SAPUTRA SK
150803003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
MEDAN
2019
PERNYATAAN ORISINALITAS
PERAMALAN JUMLAH WISATAWAN MANCANEGARA ASAL NEGARA

ANGGOTA ASEAN DI SUMATERA UTARA MENGGUNAKAN
SIMULASI MONTE CARLO
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juni 2019
Andri Saputra Sk
150803003

PENGESAHAN SKRIPSI
Judul : Peramalan Jumlah Wisatawan Mancanegara Asal

Negara Anggota ASEAN di Sumatera Utara
Menggunakan Simulasi Monte Carlo
Kategori : Skripsi
Nama : Andri Saputra Sk
Nomor Induk Mahasiswa : 150803003
Program Studi : Sarjana (S1) Matematika
Fakultas : MIPA – Universitas Sumatera Utara
Disetujui di
Medan, Juni 2019
Ketua Departemen Matematika

FMIPA USU Pembimbing
Dr. Suyanto, M.Kom Dr. Suyanto, M.Kom

NIP. 19590813 198601 1 002 NIP. 19590813 198601 1 002
i
PERAMALAN JUMLAH WISATAWAN MANCANEGARA ASAL
NEGARA ANGGOTA ASEAN DI SUMATERA UTARA
MENGGUNAKAN SIMULASI MONTE CARLO
ABSTRAK
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif
dan efisien untuk memprediksi peristiwa masa depan. Peramalan identik tentang
nilai-nilai masa depan dari sebuah variabel untuk perencanaan atau pengambilan
keputusan dari situasi untuk memperkirakan nilai masa depan. Simulasi Monte
Carlo adalah model simulasi yang mengikutsertakan serangkaian acak dan
sampling dengan distribusi probabilitas yang dapat diketahui dan ditentukan,
maka simulasi ini dapat digunakan. Dalam penelitian ini, data diambil dari jumlah
wisatawan mancanegara asal dari negara anggota ASEAN yang berkunjung ke
Sumatera Utara dari tahun 2007 hingga 2018 yang mengindikasikan adanya pola
data trend seiring bertambahnya waktu. Kemudian, data diolah serta dianalisis
menggunakan Simulasi Monte Carlo untuk menentukan hasil ramalan pada 5
tahun setelahnya. Hasilnya jumlah wisman asal Brunei Darussalam meningkat
sebesar 4,62%, jumlah wisman asal Malaysia meningkat sebesar 3,44%, jumlah
wisman asal Filipina meningkat sebesar 3,07%, jumlah wisman asal Singapura
meningkat sebesar 6,64%, dan jumlah wisman asal Thailand meningkat sebesar
8,75%.
Kata kunci : peramalan, pola data, simulasi Monte Carlo, wisatawan mancanegara
ii
FORECASTING THE AMOUNT OF FOREIGN TOURISTS OF ASEAN
COUNTRY ORIGIN IN NORTH SUMATERA USING MONTE
CARLO SIMULATION
ABSTRACT
Forecasting is an important tool in effective and efficient planning to predict

future events. The charasteristic of forecasting about future values of a variable
for planning or decision making of a situation to estimate future values. Monte
Carlo simulation is a simulation model that includes a random series and
sampling with a probability distribution that can be known and determined, so
this simulation can be used. In this study, data was taken from the amount of
foreign tourists from ASEAN member countries who visited North Sumatra from
2009 to 2018 which indicated a trend data pattern over time. Then, data
processed and analyzed using Monte Carlo Simulation to determine the forecast
results for 5 years after that. As a result, the amount of foreign tourists from
Brunei Darussalam increased by 4,62%, the amount of foreign tourists from
Malaysia increased by 3,44%, the number of foreign tourists from the Philippines
increased by 3,07%, the number of foreign tourists from Singapore increased by
6,64%, and the number of foreign tourists from Thailand increased by 8,75%.
Keywords: forecasting, foreign tourists, Monte Carlo simulation, trend data
iii
PENGHARGAAN
Puji syukur penulis ucapkan kehadirat Allah SWT, atas rahmat dan
hidayah-Nya penulis dapat menyelesaikan penyusunan skripsi ini yang berjudul
“Peramalan Jumlah Wisatawan Mancanegara Asal Negara Anggota ASEAN
di Sumatera Utara Menggunakan Simulasi Monte Carlo”. Tujuan penulisan
skripsi ini adalah sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sumatera Utara.
Dalam penyusunan skripsi ini, tidak sedikit hambatan yang penulis
hadapi. Namun penulis menyadari bahwa kelancaran dalam penyusunan skripsi
ini tidak lain berkat bantuan, arahan dan dorongan dari berbagai pihak. Oleh
karena itu pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada:
1. Bapak Dr. Suyanto, M.Kom selaku Dosen Pembimbing sekaligus Ketua

Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Sumatera Utara (FMIPA USU) yang telah memberikan
bimbingan, arahan dan saran kepada penulis dalam pengerjaan skripsi ini.
2. Bapak Dr. Syahriol Sitorus, M.IT dan Bapak Drs. Gim Tarigan, M.Si
selaku Dosen Pembanding yang telah memberikan arahan, kritik dan saran
yang membangun kepada penulis dalam pengerjaan skripsi ini.
3. Bapak Drs. Rosman Siregar, M.Si selaku Sekretaris Departemen
Matematika FMIPA USU.
4. Seluruh dosen dan pegawai Departemen Matematika FMIPA USU.
5. Bapak Dr. Kerista Sebayang, MS selaku Dekan FMIPA USU beserta
jajarannya.
6. Bapak Prof. Dr. Runtung Sitepu, M.Hum selaku Rektor Universitas
Sumatera Utara beserta jajarannya.
7. Ayahanda Abdul Gani dan Ibunda Jaminar serta Kakanda Zulaika dan
Adinda Abdul Arif yang telah memberikan dukungan, semangat, motivasi
dan doa kepada penulis dalam pengerjaan skripsi ini.
iv
8. Teman-teman penulis yaitu Kurnia, Khoiriah, Helmi, Mardiyana, Nurul,
Rizki, Salma, Sarah, Indra dan Matematika 2015 yang selalu mendukung
dan selalu memotivasi penulis di setiap suka dan duka dalam pengerjaan
skripsi ini.
Penulis menyadari bahwa skripsi ini masih jauh dari kata sempurna, baik
pada teknis penulisan maupun materi, mengingat akan kemampuan yang penulis
miliki. Untuk itu kritik dan saran yang membangun dari semua pihak sangat
penulis harapkan demi penyempurnaan pembuatan skripsi ini. Akhir kata penulis
berharap semoga skripsi ini dapat bermanfaat dan menjadi sumbangan pemikiran
bagi pihak yang membutuhkan, khususnya bagi penulis sehingga tujuan yang
diharapkan dapat tercapai, Amin.
Medan, Juni
2019 Penulis,
Andri Saputra Sk
150803003
v
DAFTAR ISI
Halaman
PENGESAHAN SKRIPSI i
ABSTRAK ii
ABSTRACT iii
PENGHARGAAN iv
DAFTAR ISI vi
DAFTAR TABEL viii
DAFTAR GAMBAR ix
DAFTAR LAMPIRAN x
BAB 1 PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Manfaat Penelitian 3
BAB 2 TINJAUAN PUSTAKA 4

2.1 Peramalan 4
2.1.1 Konsep Dasar Peramalan 4
2.1.2 Jenis Metode Peramalan 5
2.1.3 Pola Data 5
2.2 Wisatawan Mancanegara 7
2.3 Simulasi Monte Carlo 8
2.3.1 Pengertian Simulasi 8
2.3.2 Kelebihan dan Kekurangan Simulasi 8
2.3.3 Metode Monte Carlo 10
2.4 Uji Kenormalan 11
2.5 Random Number Generating 14
2.6 Generate Random Variate 15
2.7 Uji Kesamaan Rata-rata Dua Populasi 19
2.8 Penelitian Terdahulu 20
BAB 3 METODE PENELITIAN 21

3.1 Waktu dan Tempat Penelitian 21
3.2 Rancangan Penelitian 21
3.3 Sumber dan Jenis Data 22
3.3.1 Sumber Data 22
3.3.2 Jenis Data 22
3.4 Metode Analisis Data 22
vi
BAB 4 HASIL DAN PEMBAHASAN 23
4.1 Analisis Data 23
4.2 Analisis pada Simulasi Monte Carlo 37
4.3 Hasil Peramalan 49
BAB 5 KESIMPULAN DAN SARAN 52

5.1 Kesimpulan 52
5.2 Saran 52
DAFTAR PUSTAKA 53
LAMPIRAN 54
vi
i
DAFTAR TABEL
No.
Tabel Judul Halaman
2.1 Contoh Bilangan acak dengan aturan LCG 15
4.1 Data Jumlah Wisatawan Mancanegara asal negara 23
anggota ASEAN di Sumatera Utara tahun 2007-2018
4.2 Uji Kenormalan Liliefors pada Data Jumlah Wisman 28
Asal Brunei Darussalam
Asal Malaysia
Asal Filipina
Asal Singapura
Asal Thailand
Asal Vietnam
Asal Myanmar
4.9 Simulasi jumlah wisman asal Brunei Darussalam 38
4.10 Simulasi jumlah wisman asal Malaysia 39
4.11 Simulasi jumlah wisman asal Filipina 40
4.12 Simulasi jumlah wisman asal Singapura 41
4.13 Simulasi jumlah wisman asal Thailand 42
4.14 Uji Kesamaan Dua Rata-rata pada Wisman asal Brunei 43
Darussalam
4.15 Uji Kesamaan Dua Rata-rata pada Wisman asal 44
Malaysia
Filipina
Singapura
Thailand
4.19 Hasil Peramalan 49
viii
DAFTAR GAMBAR
No.
Gambar Judul Halaman
2.1 Pola Data Horizontal 6
2.2 Pola Data Musiman 6
2.3 Pola Data Siklis 6
2.4 Pola Data Trend 7
3.1 Diagram Kerangka Penelitian 21
4.1 Grafik Wisman Asal Brunei Darussalam 24
4.2 Grafik Wisman Asal Malaysia 24
4.3 Grafik Wisman Asal Filipina 25
4.4 Grafik Wisman Asal Singapura 25
4.5 Grafik Wisman Asal Thailand 26
4.6 Grafik Wisman Asal Vietnam 26
4.7 Grafik Wisman Asal Myanmar 27
4.8 Grafik Peramalan pada jumlah wisman asal Brunei 50
Darussalam
4.9 Grafik Peramalan pada jumlah wisman asal Malaysia 50
4.10 Grafik Peramalan pada jumlah wisman asal Filipina 50
4.11 Grafik Peramalan pada jumlah wisman asal Singapura 51
4.12 Grafik Peramalan pada jumlah wisman asal Thailand 51
ix
DAFTAR
LAMPIRAN
No.
Judul Halaman
Lampiran
1 Tabel Nilai Luas Kurva Normal untuk Nilai Z 54
2 Tabel Nilai Kritis untuk Uji Kenormalan Liliefors 56
3 Tabel Distribusi t-Student 57
4 Pengerjaan dengan Simulasi Monte Carlo 58
5 Hasil Peramalan 68
x
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Pariwisata merupakan sektor ekonomi yang penting di Indonesia.

Pengelolaan kepariwisataan, serta urusan pemerintahan di bidang kepariwisataan
di Indonesia diatur oleh Kementerian Pariwisata. Pariwisata menempati urutan
ketiga dalam hal penerimaan devisa negara setelah komoditi minyak dan gas bumi
serta minyak kelapa sawit pada tahun 2009. Salah satu indikator perkembangan
pariwisata dapat diketahui dari adanya pertumbuhan kunjungan wisatawan
mancanegara, selain dari kunjungan wisatawan domestik serta pertumbuhan
pendapatan dari sektor perdagangan dan hotel.
Indonesia adalah salah satu anggota ASEAN (Association of Southeast
Asian Nations) bersama Malaysia, Thailand, Singapura, Filipina, Laos, Brunei
Darussalam, Vietnam, Kamboja dan Myanmar dimana para pemimpin ASEAN
sepakat membentuk sebuah pasar tunggal di kawasan Asia Tenggara pada akhir
2015 mendatang yang diistilahkan dengan Masyarakat Ekonomi ASEAN (MEA).
MEA ini nantinya memungkinkan satu negara menjual barang dan jasa dengan
mudah ke negara-negara lain di seluruh Asia Tenggara sehingga kompetisi akan
semakin ketat. Ini dilakukan agar daya saing ASEAN meningkat serta bisa
menyaingi Tiongkok dan India untuk menarik turis asing. Turis asing di wilayah
ini sangat dibutuhkan untuk meningkatkan cadangan devisa dan meningkatkan
kesejahteraan ekonomi di kawasan negara anggota ASEAN.
Salah satu provinsi yang sering dikunjungi para turis mancanegara
terutama negara ASEAN adalah Sumatera Utara. Sumatera Utara merupakan
salah satu daerah tujuan wisata terpenting di Indonesia selain Bali, Jawa Tengah
dan Daerah Istimewa Yogyakarta. Banyak destinasi pariwisata andalan di
Sumatera Utara. Danau Toba serta Pulau Samosir di tengah-tengah danau,
Brastagi dengan udara sejuknya, Kota Medan dengan berbagai bangunan tua di
kawasan Kesawan, Kepulauan Nias dengan lompat batu, hingga Taman Nasional
Bukit Barisan pun berada di provinsi ini.

2
Pada data wisatawan mancanegara (wisman) yang datang ke Sumatera

Utara pada tahun 2016 adalah 233.668 orang yang mengalami kenaikan 1,91%
dari tahun 2015 dan di tahun 2017 adalah 270.792 orang yang mengalami
kenaikan 15,96% dari tahun 2016 (BPS, 2019). Mengingat pariwisata menjadi
sektor yang penting bagi pemasukan devisa negara, Pemerintah pusat merilis
destinasi wisata prioritas di Indonesia dan Sumatera Utara sebagai salah satu
diantaranya. Dalam rangka perkembangan pariwisata internasional perlu
dilakukan langkah-langkah untuk meningkatkan arus wisman dengan cara
meningkatkan pemasaran dan fasilitas yang dibutuhkan. Diharapkan dengan
adanya program ini menambah arus kunjungan wisman di Sumatera Utara.
Dalam memprediksi arus wisman di Sumatera Utara, berlandaskan
informasi kuantitatif dan kualitatif mengenai pariwisata pada masa lampau. Tanpa
melihat data sebelumnya sulit menyusun perencanaan yang terarah agar
meningkatkan promosi wisata di Sumatera Utara. Salah satu teknik peramalan
yang digunakan adalah dengan menggunakan Simulasi Monte Carlo. Simulasi
Monte Carlo menggunakan data yang sudah ada untuk memperkirakan hal-hal
penting di masa depan seperti penjualan, permintaan, dan seterusnya sebagai
gambaran dari suatu data yang lalu. Dari gambaran yang ada dibuat suatu model
sehingga dapat dibangkitkan suatu bilangan acak berdasarkan suatu model yang
dibuat.
Tüzüntürk, et al. (2015) dalam artikelnya mengenai penerapan Simulasi
Monte Carlo dapat digunakan dalam meramalkan permintaan air minum
menghasilkan nilai estimasi yang mendekati dengan data aktualnya sehingga
Simulasi Monte Carlo dapat meramalkan permintaan air minum dalam 12 bulan
kemudian. Alrabadi dan Aljarayesh (2015) dalam penelitiannya mengenai
perbandingan metode peramalan simple moving average (SMA), exponential
moving average (EMA) dan Simulasi Monte Carlo dalam meramalkan stock
market returns pada saham Amman yang hasilnya bahwa nilai estimasi dengan
Simulasi Monte Carlo lebih mendekati dengan data aktualnya sehingga Simulasi
Monte Carlo dapat memprediksi stock market return. Sugiharto (2007) dalam
penelitiannya mengenai penerapan Simulasi dalam meramalkan permintaan dan
pengelolaan cat merek Top Paint menghasilkan perkiraan volume setiap

pemesanan dan selang waktu kedatangan pemesanan selama 12 bulan ke
depannya.
1.2 Rumusan Masalah
Berdasarkan uraian di atas, maka rumusan masalah yang diteliti yaitu

bagaimana analisis dari hasil ramalan dengan menggunakan Simulasi Monte
Carlo dalam meramalkan jumlah wisman asal negara ASEAN yang datang ke
Sumatera Utara.
1.3 Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengetahui peramalan jumlah wisman

asal negara anggota ASEAN dalam beberapa tahun ke depan menggunakan
Simulasi Monte Carlo.
1.4 Manfaat Penelitian
Manfaat yang diberikan dari penelitian ini adalah memberikan informasi

yang akurat kepada pihak Badan Pusat Statistik dan Dinas Pariwisata Sumatera
Utara mengenai hasil ramalan wisman asal negara anggota ASEAN yang datang
ke Sumatera Utara agar dapat melakukan perencanaan dan pengambilan
keputusan yang tepat dalam peningkatan jumlah wisman yang berdampak pada
pemasukan cadangan devisa negara sehingga dapat meningkatkan fasilitas yang
dibutuhkan untuk menarik wisman untuk berkunjung di masa depan.
BAB 2
TINJAUAN PUSTAKA
.
2.1 Peramalan
2.1.1 Konsep Dasar Peramalan
Peramalan merupakan alat bantu yang penting dalam perencanaan yang

efektif dan efisien untuk memprediksi peristiwa masa depan (Makridakis et al,
1999). Peramalan identik tentang nilai-nilai masa depan dari sebuah variabel untuk
perencanaan atau pengambilan keputusan dari situasi untuk memperkirakan nilai
masa depan.Dalam kondisi pasar bebas, permintaan pasar lebih banyak bersifat
kompleks dan dinamis karena permintaan tersebut akan tergantung pada keadaan
sosial, ekonomi, sosial politik, aspek teknologi, produk pesaing dan produk
substitusi. Oleh karena itu peramalan yang akurat merupakan informasi yang sangat
dibutuhkan dalam pengambilan keputusan manajemen.
Menurut Heizer dan Render (2009), peramalan atau forecasting memiliki
tujuan sebagai berikut:
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan di masa lalu
serta melihat sejauh mana pengaruh di masa datang.
2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu
kebijakan perusahaan ditetapkan dengan saat implementasi
3. Peramalan merupakan dasar penyusunan bisnis pada suatu perusahaan
sehingga dapat meningkatkan efektivitas suatu rencana bisnis.
Dalam menerapkan hasil suatu peramalan, terdapat beberapa sifat hasil peramalan
yang harus dipertimbangkan, yaitu:
1. Peramalan pasti mengandung kesalahan
2. Peramalan seharusnya memberikan informasi tentang berapa ukuran
kesalahan
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka
panjang.

5
2.1.2 Jenis Metode Peramalan
Secara ilmiah metode peramalan dapat diklasifikasikan dalam dua kelompok

yaitu metode kualitatif dan metode kuantitatif. Biasanya metode yang sering dipakai
adalah metode kuantitatif karena metode ini menggunakan analisis statistik dan
tanpa penilaian subyektif orang yang melakukan peramalan. Peramalan dengan
menggunakan metode kuantitatif dapat diterapkan apabila memiliki tiga kondisi
yaitu tersedia informasi tentang masa lalu, informasi tersebut dapat dikuantitatifkan
dalam bentuk data numerik dan beberapa pola masa lalu akan terus berlanjut di masa
mendatang.Metode kuantitatif dapat dibedakan menjadi dua yaitu:
1. Metode peramalan yang berdasarkan penggunaan analisis pola hubungan
antara variabel yang akan diperkirakan dengan variabel waktu (Time Series).
Metode yang termasuk dalam jenis ini adalah Metode Pemulusan
(smoothing), Metode Box Jenkins, Metode proyeksi Trend dengan Regresi
dan Metode Monte Carlo.
2. Metode peramalan yang berdasarkan penggunaan analisis pola hubungan
antar variabel lain yang mempengaruhinya tanpa melibatkan waktu (metode
korelasi atau sebab akibat). Metode peramalan yang termasuk dalam jenis ini
adalah Metode Regresi dan Korelasi, Metode Ekonometrik dan Metode Input
Output.
2.1.3 Pola Data
Langkah penting dalam memilih suatu metode deret waktu yang tepat adalah
dengan mempertimbangkan jenis pola datanya. Pola data dapat dibedakan menjadi
empat (Makridakis et al, 1999), yaitu:
1. Pola Horizontal
Terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan
(deret seperti ini adalah stasioner terhadap nilai rata-ratanya). Suatu produk
yang penjualannya tidak meningkat atau menurun selama waktu tertentu
termasuk jenis pola ini. Pola data horizontal ditunjukkan pada gambar
berikut.

Gambar 2.1 Pola Data Horizontal.
2. Pola Musiman
Terjadi bila data berfluktuasi, namun fluktuasi tersebut terlihat berulang
dalam satu interval waktu tertentu. Disebut pola musiman karena permintaan
ini biasanya dipengaruhi oleh musim sehingga biasanya interval perulangan
data ini adalah satu tahun. Penjualan dari produk minuman ringan, es krim
dan bahan bakar pemanas ruang termasuk pola musiman. Pola data musiman
ditunjukkan pada Gambar 2.2
Gambar 2.2 Pola Data Musiman.

3. Pola Siklis
Terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang
seperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti
mobil, baja dan peralatan utama lainnya termasuk pola siklis. Pola data siklis
ditunjukkan pada Gambar 2.3
Gambar 2.3 Pola Data Siklis.

4. Pola Trend
Pola trend adalah bila data permintaan menunjukkan pola kecenderungan
gerakkan penurunan atau kenaikkan jangka panjang. Data yang kelihatannya
berfluktuasi, apabila dilihat pada rentang waktu yang panjang akan ditarik
garis maya. Garis maya itulah yang disebut garis trend. Pola data trend
ditunjukkan pada Gambar 2.4.
Gambar 2.4 Pola Data Trend.
2.2 Wisatawan Mancanegara
Definisi wisatawan mancanegara (wisman) sesuai dengan

rekomendasiUnited Nation World Tourism Organization (UNWTO) adalah setiap
orang yang melakukan perjalanan ke suatu negara di luar negara tempat tinggalnya,
kurang dari satu tahun, didorong oleh suatu tujuan utama (bisnis, berlibur, atau
tujuan pribadi lainnya), selain untuk bekerja dengan penduduk negara yang
dikunjungi (BPS, 2019). Definisi ini mencakup dua kategori tamu mancanegara,
yaitu:
1. Wisatawan (tourist)
Wisatawan adalah setiap pengunjung seperti definisi di atas yang tinggal

paling sedikit 24 jam, akan tetapi tidak lebih dari 12 (dua belas) bulan di tempat
yang dikunjungi dengan maksud kunjungan antara lain:
a. Personal: berlibur, rekreasi, mengunjungi teman atau keluarga, belajar atau

pelatihan, kesehatan olah raga. keagamaan, belanja, transit, dan lain-lain.
b. Bisnis dan profesional: menghadiri pertemuan, konferensi atau kongres,

pameran dagang, konser, pertunjukan, dan lain-lain.
2. Pelancong (excursionist)
Pelancong adalah setiap pengunjung seperti definisi di atas yang tinggal

kurang dari dua puluh empat jam di tempat yang dikunjungi (termasuk cruise
passenger yaitu setiap pengunjung yang tiba di suatu negara dengan kapal atau
kereta api, dimana mereka tidak menginap di akomodasi yang tersedia di negara
tersebut).
2.3 Simulasi Monte Carlo

2.3.1 Pengertian Simulasi
Simulasi merupakan salah satu cara untuk memecahkan berbagai persoalan

dalam kehidupan nyata yang penuh ketidakpastian dengan tidak atau menggunakan
model atau metode tertentu dan lebih ditekankan pada pemakaian komputer untuk
mendapatkan solusinya (Kakiay, 2003). Konsep simulasi muncul sebagai akibat dari
terjadinya di dalam memandang persoalan, di mana suatu persoalan dianggap dapat
diuraikan menurut bagian-bagian yang berinteraksi secara simultan yang dapat
diamati akan memberikan hasil yang layak (feasible), di mana hasilnya dapat
diperoleh dengan cepat. Pada pendekatan simulasi, untuk menyelesaikan persoalan
yang rumit akan lebih mudah dilakukan dengan membangun model percobaan dari
suatu sistem. Salah satu metode yang berperan dalam simulasi komputer adalah
metode Monte Carlo.
2.3.2 Kelebihan dan Kekurangan dari Simulasi
Kakiay (2003) mengemukakan bahwa keuntungan yang diperoleh dengan

memanfaatkan simulasi, yaitu:
1. Menghemat waktu (compress time)
Kemampuan dalam menghemat waktu dapat dilihat dari pekerjaan yang bila
dikerjakan akan memakan waktu tahunan tetapi dapat disimulasikan hanya
dalam beberapa menit bahkan detik. Kemampuan ini dapat dipakai untuk
melakukan berbagai pekerjaan yang memerhatikan bagian terkecil dari waktu
untuk kemudian dibandingkan dengan sistem yang nyata berlaku.
2. Dapat memperluas waktu (expand time)
Simulasi dapat digunakan untuk menunjukkan perubahan struktur dari suatu
sistem nyata (real system) yang sebenarnya tidak dapat diteliti pada waktu
yang seharusnya (real time). Hal ini mengakibatkan data yang diinginkan
dapat tersaji dengan cepat hanya memasukkan sedikit data.
3. Dapat mengawasi sumber-sumber yang bervariasi (control sources of
variation)
Kemampuan pengawasan dalam simulasi ini tampak apabila analisis statistik
digunakan untuk meninjau hubungan antara variabel bebas (independent)
dengan variabel terkait (dependent) yang merupakan faktor-faktor yang akan
dibentuk dalam percobaan. Dalam simulasi pengambilan data dan
pengolahannya pada komputer, ada beberapa sumber yang dapat dihilangkan
atau sengaja ditiadakan. Pengguna harus mengetahui dan mampu
menguraikan sejumlah input dari sumber-sumber yang berariasi yang
dibutuhkan oleh simulasi tersebut.
4. Mengoreksi kesalahan-kesalahan perhitungan (error in measurement
correction)
Dalam simulasi komputer jarang ditemukan kesalahan perhitungan terutama
bila angka-angka diambil dari komputer secara teratur dan bebas. Komputer
mempunyai kemampuan untuk melakukan penghitungan dengan akurat.
5. Dapat dihentikan dan dijalankan kembali (stop simulation and restart)
Simulasi komputer dapat dihentikan untuk kepentingan peninjauan atau
pencatatan semua keadaan yang relevan tanpa berakibat buruk terhadap
program simulasi tersebut. Setelah dilakukan penghentian maka dapat
dengan cepat dijalankan kembali.
6. Mudah diperbanyak (easy to replicate)
Dengan simulasi komputer percobaan dapat dilakukan setiap saat dan dapat
diulang-ulang. Pengulangan dilakukan terutama untuk mengubah berbagai
komponen dan variabelnya, seperti dengan perubahan pada parameternya,
perubahan pada kondisi operasinya, ataupun dengan memperbanyak output.
Render et al, (2009) mengemukakan bahwa kekurangan dari simulasi yaitu:
1. Model simulasi yang baik untuk situasi kompleks pada umumnya memakan
waktu yang lama dan merupakan proses yang kompleks pula.
2. Simulasi tidak menghasilkan solusi yang optimal untuk suatu permasalahan
seperti teknik analisis kuantitatif lainnya seperti economic order quantity,
linear programming,atau program evaluation and review technique. Simulasi
menggunakan pendekatan trial and error, yang memberikan solusi yang
berbeda setiap pengulangannya.
3. Harus membangkitkan semua kondisi dan batasan untuk solusi yang hendak
diuji. Simulasi tidak menghasilkan jawabannya sendiri.
4. Masing-masing model simulasi bersifat unik. Solusi dan keputusan simulasi
tidak selalu dapat diaplikasikan untuk permasalahan lain.
Teknik dalam melakukan Simulasi menurut Render et al, (2009) dibagi

menjadi lima langkah yaitu:
a. Menetapkan Distribusi Probabilitas yang diketahui secara pasti dari data
yang didapatkan dari data masa lalu.
b. Membangun Distribusi Probabilitas Kumulatif untuk masing-masing variabel
yang menjadi dasar pengelompokkan batas interval dari bilangan acak yang
mewakili setiap hasil yang mungkin.
c. Lakukan simulasi untuk membangkitkan bilangan acak.
d. Analisis yang dilakukan dari output simulasi sebagai masukkan dan evaluasi
terhadap kondisi yang sedang terjadi dengan hasil simulasi.
e. Melakukan simulasi berulang-ulang.
2.3.3 Metode Monte Carlo
Metode Monte Carlo adalah sebuah penarikan yang melibatkan serangkaian

angka acak yaitu variasi dari 𝑈(0,1), yang digunakan untuk menyelesaikan
permasalahan stokastik atau deterministik dimana peran waktu tidak memerlukan
aturan yang substantif, karenanya metode Monte Carlo umumnya statis daripada
dinamis. (Law dan Kelton, 1991). Metode ini menggambarkan kemungkinan
penggunaan data sampel yang sudah ada (historical data) dan sudah dapat diketahui
atau diperkirakan distribusinya. Dengan kata lain apabila model simulasi yang
mengikutsertakan serangkaian acak dan sampling dengan distribusi probabilitas
yang dapat diketahui dan ditentukan, maka simulasi ini dapat digunakan (Kakiay,
2003).
Istilah dari Metode Monte Carlo telah ada sekitar 1949 yang ditemukan oleh
John von Neumann dan Stanislav Ulam. Nama “Monte Carlo” didapat dari kota
Monte Carlo, Monako yang terkenal dengan perjudian dan kasinonya (Hira, 2001).
Perjudian adalah permainan probabilitas dan pengambilan sampel acak dengan
menggunakan alat mekanis sederhana yang bernama Roulette dan begitu juga
dengan Metode Monte Carlo.
Meskipun lahirnya istilah metode Monte Carlo terhubung dengan permainan
judi, namun tidak dapat membantu untuk memenangkan roulette. Metode
inimenggunakan teknik pengambilan sampel eksperimental dengan angka acak atau
metode uji coba, yang dapat digunakan untuk menyelesaikan banyak masalah, yang
sebaliknya sulit atau tidak mungkin untuk dipecahkan. J. Von Neumann, dan S.
Ulam, yang menciptakan istilah “Monte Carlo” ini terlibat dalam perancangan
perisai nuklir di Laboratorium Ilmu Pengetahuan Los Alamos. Mereka perlu tahu
seberapa jauh neutron akan menempuh berbagai bahan. Masalahnya terlalu sulit
untuk diselesaikan secara analitis, dan sangat memakan waktu dan berbahaya untuk
melakukan eksperimen. Mereka mensimulasikan percobaan dengan bantuan
komputer menggunakan angka acak, hingga memberinya nama Metode Monte
Carlo.
Ciri-ciri dari Metode Monte Carlo adalah:
1. Dalam pengerjaannya menggunakan pembangkit bilangan acak
2. Menggunakan data yang sudah ada (historical data) atau sudah diketahui
distribusinya
3. Monte Carlo digunakan bila metode analitis tidak tersedia atau metode
pendekatan.
2.4 Uji Kenormalan

Tujuan dilakukannya uji kenormalan terhadap serangkaian data adalah untuk
mengetahui apakah populasi data berdistribusi normal atau tidak. Ada beberapa
metode yang dapat digunakan untuk menguji normalitas data, yaitu:
1. Uji Kenormalan Chi-Square
Uji Kenormalan Chi-Square menggunakan pendekatan penjumlahan
penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.Syarat
menggunakan Uji Kenormalan Chi-Square adalah sebagai berikut:
a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi
frekuensi.
b. Cocok untuk data dengan banyaknya angka besar (𝑛 > 30).
2. Uji Kenormalan Liliefors
Uji Kenormalan Liliefors menggunakan data dasar yang belum diolah dalam
tabel distribusi frekuensi.Data ditransforrmasikan dalam nilai Z untuk dapat
dihitung luasan kurva normal sebagai probabilitas kumulatif normal.Syarat
Uji Kenormalan Liliefors:
a. Data berskala interval atau rasio (kuantitatif).
b. Data tunggal atau belum dikelompokkan pada tabel distribusi frekuensi.
c. Dapat untuk (𝑛 < 30).
3. Uji Kenormalan Kolmogorov-Smirnov
Uji Kenormalan Kolmogorov-Smirnov tidak jauh beda dengan uji
kenormalan Liliefors. Langkah-langkah penyelesaian dan penggunaan rumus
sama, namun pada signifikansi yang berbeda. Signifikansi Uji Kenormalan
Kolomogrov-Smirnov menggunakan tabel pembanding Kolmogrov-
Semirnov, sedangkan Uji Kenormalan Liliefors menggunakan tabel
pembanding Liliefors.Syarat uji kenormalan Kolmogrov-Semirnov:
a. Data berskala interval atau ratio (kuantitatif).
c. Data untuk n besar maupun n kecil.
4. Uji kenormalan Saphiro Wilk
Uji Kenormalan Saphiro Wilk menggunakan data dasar yang belum diolah
dalam tabel distribusi frekuensi.Data diurut, kemudian dibagi dalam dua
kelompok untuk dikonversi dalam Saphiro Wilk.Dapat juga dilanjutkan
transformasi nilai Z untuk dapat dihitung luasan kurva normal.Syarat Uji
Kenormalan Saphiro Wilk:
a. Data berskala interval atau ratio (kuantitatif).
c. Data dari sampel random.
Berdasarkan penjelasan di atas mengenai beberapa uji kenormalan data,

maka dalam penelitian ini akandigunakan uji kenormalan liliefors dikarenakan
syarat uji liliefors terpenuhi untuk menguji kenormalan data penelitian yaitu:
a. Uji kenormalan liliefors merupakan data tunggal. Data jumlah penyaluran
yang diperoleh dari perusahaan adalah data tunggal.
b. Banyak n < 30sesuai dengan data yang diperoleh adalah n = 10 atau n <
30,
Pola distribusi tersebut dapat diketahui dengan melakukan uji kenormalan
Liliefors. Pada pengujian ini terdapat 2 jenis hipotesis yaitu:
1. Hipotesis𝐻0: Sampel berasal dari populasi berdistribusi normal.
2. Hipotesis𝐻1: Sampel berasal dari populasi tidak berdistribusi normal.
Langkah-langkah Uji Normalitas data tunggal menggunakan Uji Kenormalan
Liliefors yang harus dilakukan antara lain (Sudjana, 2005):
1. Nilai data 𝑥1, 𝑥2, … , 𝑥𝑛, dijadikan angka baku 𝑧1, 𝑧2, … , 𝑧𝑛 dengan
menggunakan rumus:
𝑥𝑖 − 𝑥̅
𝑧𝑖 =
𝜎 (2.1)
keterangan:
𝑥̅ = rata-rata sampel
𝜎 = simpangan baku sampel
𝑖 = 1,2,3, … , 𝑛
Menghitung rata-rata dan simpangan baku pada sampel digunakan rumus:
∑𝑛 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛 (2.2)
∑𝑛 (𝑥𝑖 − 𝑥̅)2
𝑖=1
𝜎=√ 𝑛−1 (2.3)
keterangan:
𝑥𝑖 = sampel ke-𝑖
𝑛 = banyaknya sampel
2. Setiap angka baku dengan menggunakan daftar distribusi normal baku,
hitung peluang:
𝐹(𝑧 𝑖) = 𝑃(𝑧 ≤ 𝑧𝑖) (2.4)
3. Menghitung proporsi 𝑧𝑖 , 𝑧2, … , 𝑧𝑛 ≤ 𝑧𝑖 . Jika proporsi ini dinyatakan oleh
𝑆(𝑧𝑖), maka
𝑆 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑧1, 𝑧2, … , 𝑧𝑛 ≤ 𝑧𝑖
(𝑧𝑖) = (2.5)
𝑛
4. Hitung|𝐹(𝑧𝑖) − 𝑆(𝑧𝑖)|.
5. Cari nilai terbesar di antara poin 4, jadikan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔atau 𝐿0.
6. Kriteria pengambilan keputusan adalah:
≤ 𝐿𝛼(𝑛); 𝐻0 diterima, dan 𝐻1ditolak
𝐿0 = {
> 𝐿𝛼(𝑛); 𝐻0 ditolak, dan 𝐻1diterima
dengan𝐿∝(𝑛) adalah nilai kritis uji kenormalan liliefors dengan taraf nyata
𝛼dan banyaknya sampel 𝑛.
2.5 Random Number Generator
Dalam teknik Monte Carlo, data buatan dihasilkan melalui random number
generator(pembangkit bilangan acak) dan distribusi kumulatif. Karena
menghasilkan angka acak yang sebenarnya tidak benar-benar acak, sehingga disebut
pembangkit bilangan acak yang berarti bahwa apa yang dihasilkan sebenarnya dapat
dihasilkan tidak acak dan mempunyai kriteria yang harus dipenuhi, yaitu:
a. Berdistribusi seragam U(0,1) dan tidak berkorelasi antar bilangan
b. Membangkitkan cepat, storage tidak besar
c. Dapat di produksi berulang-ulang
d. Periode besar, karena mungkin bilangan acak dibangkitkan berulang.
Berbagai cara untuk mendapatkan bilangan acak, bisa dengan bantuan
komputer (misal Microsoft Excel dengan fungsi RAND) atau menggunakan metode
bilangan acak. Metode untuk bilangan acak biasanya adalah Linear Congruential
Generator (LCG),dan Multiplicative Congruential Generator (MCG). LCG
mempunyai rumus:
𝑍𝑖 = (𝑎𝑍𝑖−1 + 𝑐)mod 𝑚 (2.6)
dan MCG mempunyai rumus:
𝑍𝑖 = (𝑎𝑍𝑖−1)mod 𝑚 (2.7)
dengan:
𝑍𝑖 = bilangan acak deret ke-n
𝑍𝑖−1 = bilangan acak sebelumnya,(𝑍0 < 𝑚)
𝑎 = faktor pengali, (𝑎 < 𝑚)
𝑐 = increment factor, (𝑐 < 𝑚)
𝑚 = modulus factor.(𝑚 > 0)
Dari rumus (2.6) dan (2.7)dicari bilangan acak (𝑈𝑖) yang diinginkan
(untuk 𝑖 = 1,2,3, …) pada [0,1], maka menurut Law dan Kelton (1991) rumusnya
adalah:
𝑈𝑖 𝑍𝑖
= (2.8)
𝑚
Misalkan diberikan bilangan acak dikerjakan dengan aturan LCG dengan
𝑚 = 16, 𝑎 = 5, 𝑐 = 3, dan 𝑍0 = 7. Maka 10 bilangan acak yang dihasilkan dapat
dilihat pada Tabel 2.1
Tabel 2.1Contoh bilangan acak dengan aturan LCG
𝒊 𝒁𝒊 𝑼𝒊
0 7
1 6 0,375
2 1 0,063
3 8 0,500
4 11 0,688
5 10 0,625
6 5 0,313
7 12 0,750
8 15 0,938
9 14 0,875
10 9 0,563
2.6 Generate Random Variate
Dalam melakukan simulasi komputer, pertama harus dapat diketahui atau

dilakukan penarikan random number dari dan melalui program-program komputer.
Penarikan random number melalui komputer sangat bergantung pada fungsi atau
distribusi dari data yang diselidiki. Fungsi-fungsi distribusi ini mencakup juga
fungsi-fungsi probabilitas densitas yang harus dapat diidentifikasi terlebih dahulu.
Kemudian dari fungsi-fungsi distribusi ini dapat dicari atau diturunkan random
variate dari fungsi distribusi tersebut (Kakiay, 2004). Sifat sifat pembangkit random
variate yaitu:
1. Independen : tiap variabelnya harus bebas dari aturan aturan,
seperti Zi = merupakan hasil akhir
Z0 = merupakan angka pertama yang bebas
a = merupakan angka konstan yang dpat bebas
dengan ketentuan tersendiri
c = merupakan angka bebas tetapi tidak ada hubungan tertentu.
2. Uniform : suatu distribusi yangumum (distribusi probabilitas)dan sama untuk
semua besaran yang dikeluarkan/diambil. Hal ini berarti bahwa diusahakan
probabilitasnya sama untuk setiap penarikan random number tersebut
3. Dense : Density Probabilitas Distribution harus mengikuti syarat probabilitas
(antara 0 dan 1). Hal ini berarti dalam penarikan angka-angka yang dibutuhkan
dari RandomNumber Generator cukup banyak dan dibuat sedemikian rupa
sehingga 0 ≤ random number ≤ 1.
4. Efficient : artinya dapat cukup sederhana dan dalam menggunakan cara ini
harus terlebih dahulu memilih angka-angka untuk variable-variabelnya yang
cocok. Hal ini berarti dalam penarikan random variate tersebut harus dapat
menentukan angka-angka untuk variabelnya yang sesuai sehingga dapat
berjalan terus menerus.
Pada penelitian ini akan dibahas generate random variate berdistribusi

normal.Distribusi normal, disebut pula distribusi Gauss, adalah distribusi
probabilitas yang paling banyak digunakan dalam berbagai analisis statistika
(Sudjana, 2012). Distribusi ini juga dijuluki kurva lonceng (bell curve) karena grafik
fungsi kepadatan probabilitasnya (probability density function/pdf) mirip dengan
bentuk lonceng. Distribusi normal banyak digunakan dalam berbagai distribusi
dalam statistika, dan kebanyakan pengujian hipotesis mengasumsikan normalitas
suatu data. Distribusi normal baku adalah distribusi normal yang memiliki
rata-rata (𝜇) = 0 dan simpangan baku (𝜎) = 1. Rumus pdf pada distribusi normal
adalah sebagai berikut:
1 (𝑥−𝜇)2
− 2𝜎2
𝑓𝑋(𝑥) = 𝑃(𝑋 = 𝑥) = 𝑒
𝜎√2𝜋
−∞ < 𝜇 < ∞; 𝜎 > 0; ∞ < 𝑥 < ∞.
Sifat-sifat penting dari distribusi normal adalah:
1. Grafiknya selalu ada di atas sumbu datar 𝑥

2. Bentuknya simetrik berhadap 𝑥 = 𝜇
3. Luas daerah grafik selalu sama dengan satu unit persegi
4. Grafiknya mendekati sumbu datar 𝑥 dimulai dari 𝑥 = 𝜇 + 3𝜎 ke kanan dan
𝑥 = 𝜇 − 3𝜎 ke kiri.
Metode yang lazim digunakan untuk membangkitkan sampel acak dari

distribusi normal standar adalah dengan menggunakan hubungan yang disebut
dengan Transformasi Box-Muller:
1
(2.9)
𝑋 = (−2 ln 𝑅1)2cos(2𝜋𝑅2)
dengan 𝑅1 dan 𝑅2 adalah dua bilangan acak seragam dalam interval (0,1), dan X
adalah sampel dari distribusi normal standar. Penurunan persamaan (2.9) dilakukan
dengan pengambilan bilangan acak (random number) untuk distribusi normal
dengan
2 variateyang tidak diketahui bersifat independen dan berupa fungsi distribusi
normal standar.
Rumus PDF distribusi normal adalah:
2
1 −𝑥 1
𝑓(𝑥1) = 𝑒 2
√2𝜋
1 𝑥2
2
−
𝑓(𝑥 2) = 𝑒 2
√2𝜋
maka,
2 2
1 −(𝑥1 + 𝑥2 )
𝑓(𝑥1. 𝑥2) = 𝑓(𝑥1). 𝑓(𝑥2) = 𝑒 2 2
2𝜋
2 2
𝑥 −𝑥
1 2
𝑓(𝑥1 , 𝑥2 ) = −
𝑒 1 2 .
2𝜋
Misalkan
2 2
𝑌 = 𝑋 1 + 𝑋2 (𝑥 ∈ 𝑋; 𝑦 ∈ 𝑌)
diperoleh
1 −𝑦
𝑓(𝑦) = 𝑒2
2𝜋
makadiuraikan
𝑡
1 −𝑦
𝐹(𝑦) = ∫ 𝑒 2 𝑑𝑦
2𝜋
0
1 𝑦 𝑡
= [−2𝑒 −2 ]
2𝜋 0
1 𝑡
= [(−2𝑒 2) − (−2𝑒0)]
2𝜋
1 𝑡
= −2
2𝜋 (−2𝑒 + 2)
1 𝑒 −2𝑡
= − .
𝜋 𝜋
Random variate-nyaadalah:
𝑡
1 𝑒−2
𝐹(𝑦) = 𝑅 = −
𝜋 𝜋
𝑡
−
𝑒2 1
= −𝑅
𝜋 𝜋
𝑡
𝑒 −2 = 1 − 𝜋𝑅
𝑡
ln (𝑒 −2) = ln( 1 − 𝜋𝑅)
𝑡
− = ln( 1 − 𝜋𝑅)
2
𝑡 = −2 ln( 1 − 𝜋𝑅)
Kemudian, dari 𝑌 = 𝑡 = 𝑋 + 𝑋 , diperoleh
2 2
1 2
𝑋 + 𝑋2 = −2 ln(1 − 𝜋𝑅).
2
1 2
𝑋1 1 𝑋1
Jika diketahui𝜃 = arctan untuk 𝑁(0,2𝜋), akandiperoleh𝑅 = arctan .
𝑋 2𝜋 𝑋2
2
Dari data bilanganacak tersebut, dapatdiperoleh 2 independen normal diskret, yaitu:
𝑋1 = √−2 ln 𝑈1 cos 2𝜋𝑈2
𝑋2 = √−2 ln 𝑈1 sin 2𝜋𝑈2
Algoritma membangkitkan random variates dari distribusi normal, yaitu:
1. Bangkitkan 𝑈1 dan 𝑈2, dimana 𝑈1 dan 𝑈2 merupakan bilangan acak

independen 𝑈(0,1)
2. Hitung 𝑉1 = 2𝑈1 − 1 dan 𝑉2 = 2𝑈2 − 1
3. Hitung 𝑊 = 𝑉 2 + 𝑉 2
1 2
4. Jika 𝑊 > 1, maka kembali ke langkah 1 dan jika tidak lanjutkan ke langkah
selanjutnya
−2 ln𝑊
5. Hitung 𝑌 = √
𝑊
6. Hitung 𝑋1 = 𝑉1𝑌 dan 𝑋2 = 𝑉2𝑌, atau dapat disingkat dengan rumus:
𝑋1 = √−2 ln 𝑈1 cos 2𝜋𝑈2 (2.10)
(2.11)
𝑋2 = √−2 ln 𝑈1 sin 2𝜋𝑈2
7. Masukkan ke 𝑋 ′ = 𝜇 + 𝑋𝑖𝜎.
2.7 Uji Kesamaan Rata-Rata Dua Populasi

Berhubungan
Uji ini digunakan untuk menguji kesamaan rata-rata dari dua populasi
berdasarkan dua buah sampel yang ditarik dari dua populasi tersebut. Gunanya untuk
menguji kemampuan generalisasi (signifikansi hasil penelitian yang berupa
perbandingan dua rata-rata sampel). Dua sampel tersebut merupakan sampel-sampel
yang saling berhubungan atau independent dari berasal dari populasi-populasi
berdistribusi normal. Uji statistik yang digunakan adalah uji statistik t. Berikut rumus
untukmenghitung nilai statistik t(Gio, 2013).
𝑑̅ − 𝜇 𝑑
𝑡= 𝜎
√𝑛
(2.12)
2
(∑ 𝑑 − 𝑑̅)
𝜎= √ (2.13)
𝑛−1
Perhatikan bahwa tmerupakan nilai dari statistik t,𝑑̅ merupakan rata-rata dari
selisih pasangan data dalam populasi,𝜇𝑑 merupakan selisih antara dua populasi dan
𝜎merupakan nilai standar deviasi dari selisih pasangan data dalam sampel.
2.8 Penelitian Terdahulu
Berikut ini beberapa penelitian sebelumnya yang dijadikan acuan dalam

penelitian ini adalah sebagai berikut.
1. Tüzüntürk, et al. (2015) pada artikelnya mengenai penerapan Simulasi Monte

Carlo dapat digunakan dalam meramalkan permintaan air minum di kota
Bursa, Turki menggunakan data bulanan menghasilkan nilai estimasi yang
mendekati dengan data aktualnya sehingga Simulasi Monte Carlo dapat
meramalkan permintaan air minum dalam 8 bulan setelahnya.
2. Alrabadi dan Aljarayesh (2015) pada penelitiannya mengenai perbandingan
teknik peramalan sepertisimple moving average (SMA), exponential moving
average (EMA) dan Simulasi Monte Carlo dalam meramalkan stock market
returnspada saham Amman menggunakan data tahunan yang hasilnya bahwa
nilai estimasi dengan Simulasi Monte Carlo lebih unggul dalam memprediksi
stock market returndibandingkan dengan teknik peramalan lainnya.
3. Sugiharto (2007) dalam penelitiannya mengenai penerapan Simulasi dalam
meramalkan permintaan dan pengelolaan cat merek Top Paint menggunakan
data bulanan menghasilkan perkiraan volume setiap pemesanan dan selang
waktu kedatangan pemesanan selama 12 bulan ke depannya untuk
menggambarkan situasi probablistik dalam jangka panjang yang terbukti
cukup efektif.
BAB 3
METODE PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian dilakukan pada Maret 2019 di Kantor Badan Pusat Statistik

(BPS) Provinsi Sumatera Utara yang beralamat di Jl. Asrama No. 179, Medan,
Sumatera Utara.
3.2 Rancangan Penelitian
Gambar 3.1 berikut merupakan alur metode penelitian menggunakan

metode Simulasi Monte Carlo.
Merumuskan Permasalahan dan Pengumpulan Referensi
Pengambilan data
Pengolahan Data yang telah diperoleh menggunakan Simulasi

Monte Carlo
Membangkitkan nilai estimasi dengan parameter rata-rata
Melakukan Simulasi Peramalan Data
Kesimpulan dan Saran
Gambar 3.1 Diagram Rancangan Penelitian

22
3.3 Sumber dan Jenis Data

3.3.1 Sumber data
Sumber data yang digunakan dalam penelitian ini merupakan data
sekunder. Data sekunder merupakan data yang diperoleh secara tidak langsung
melalui studi kepustakaan atau data yang sudah tersedia dengan mengambil
kutipan oleh peneliti untuk kepentingan penelitiannya baik melalui buku-buku,
dokumen-dokumen atau laporan tertulis serta informasi dari berbagai sumber
yang berhubungan dengan penelitian yang dilakukan penulis.
3.3.2 Jenis data

Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif
yaitu data yang diperoleh dari perusahaan dalam bentuk angka-angka seperti
jumlah wisatawan mancanegara dan data-data terkait lainnya.
3.4 Metode Analisis Data

Analisis data merupakan salah satu cara yang digunakan untuk
menginterpretasikan data-data yang telah dikumpulkan dan data telah diolah
sehingga menghasilkan informasi yang bermanfaat dan dapat dijadikan alternatif
dalam pengambilan keputusan. Adapun yang dilakukan dengan data yang telah
dikumpulkan adalah sebagai berikut:
1. Menguji kenormalan data jumlah wisatawan mancanegara asal negara
anggota ASEAN dengan Uji Kenormalan Liliefors.
2. Menentukan parameter yang berguna untuk membangkitkan bilangan
acak.
3. Melakukan simulasi sebanyak 5 kali.
4. Melakukan uji kesamaan rata-rata dua variabel berhubungan untuk
mengetahui ada tidaknya perbedaan antara data hasil simulasi dengan data
sebenarnya.
5. Melakukan simulasi untuk menentukan hasil peramalan.
6. Merumuskan kesimpulan.

BAB 4
HASIL DAN PEMBAHASAN
4.1 Analisis Data
Data yang akan dianalisis dalam penelitian ini adalah jumlah wisman asal
negara anggota ASEAN yang berkunjung ke Sumatera Utara tahun 2007-2018 yang
diperoleh dari Badan Pusat Statistik Provinsi Sumatera Utara. Data tersebut dapat
dilihat pada Tabel 4.1 berikut.
Tabel 4.1 Data Jumlah Wisatawan Mancanegara asal negara anggota ASEAN di
Sumatera Utara tahun 2007-2018
Negara
No Tahun Brunei
Malaysia Filipina Singapura Thailand Vietnam Myanmar
Darussalam
1. 2007 133 81.347 899 7.622 988 147 59
2. 2008 79 84.387 991 9.946 1.460 124 120
3. 2009 94 102.685 986 10.361 1.677 102 149
4. 2010 79 109.230 970 11.187 2.686 167 1.014
5. 2011 103 132.037 942 11.592 2.180 250 127
6. 2012 140 143.644 1.041 13.579 2.757 237 157
7. 2013 248 148.465 1.341 18.276 3.906 337 158
8. 2014 124 152.389 1.279 18.066 4.844 369 182
9. 2015 218 129.203 1.551 12.516 3.087 405 202
10. 2016 91 115.007 1.094 14.322 3.027 311 147
11. 2017 172 128.761 1.541 17.312 3.688 1.356 259
12. 2018 221 139.878 1.612 18.620 3.605 752 317
Jumlah 1.702 1.467.033 14.247 163.399 33.905 4.557 2.891
Sumber: Badan Pusat Statistik Provinsi Sumatera Utara
Pada Tabel 4.1, merupakan jumlah kedatangan wisman asal Brunei

Darussalam, Malaysia, Filipina, Singapura, Thailand,Vietnam dan Myanmar.
Sedangkan wisman asal Kamboja dan Laos tidak terdapat pada tabel dikarenakan
jumlah wisman yang berkunjung digabung menjadi ASEAN Lainnya. Oleh
karenanya negara tersebut tidak penulis sertakan serta berfokus pada jumlah wisman
asal negara selain dari negara tersebut.

24
300
250
200
150
100
50
0
200720082009201020112012201320142015201620172018
Gambar 4.1 Grafik Wisman Asal Brunei Darussalam Tahun 2007-2018

Dari hasil pemetaan pada Gambar 4.1 diketahui bahwa data wisman asal Brunei
Darussalam yang diperoleh berfluktuasi. Hal ini menunjukkan bahwa data tersebut
tidak konstan. Selain itu pada plot data yang telah disajikan dapat dilihat bahwa data
jika ditarik garis lurus membentuk grafik linier. Hal ini menunjukkan bahwa data
mengandung unsur trend.
180000
160000
140000
120000
100000
80000
60000
40000
20000
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Gambar 4.2 Grafik Wisman Asal Malaysia Tahun 2007-2018

Dari hasil pemetaan pada Gambar 4.2 diketahui bahwa data wisman asal
Malaysia yang diperoleh berfluktuasi. Hal ini menunjukkan bahwa data tersebut
jika ditarik garis lurus membentuk grafik linier. Hal ini menunjukkan bahwa data

1800
1600
1400
1200
1000
800
600
400
200
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Gambar 4.3 Grafik Wisman Asal Filipina Tahun 2007-2018

Filipina yang diperoleh berfluktuasi sehingga menunjukkan bahwa data tersebut
jika ditarik garis lurus membentuk grafik linier sehingga menunjukkan bahwa data
20000
18000
16000
14000
12000
10000
8000
6000
4000
2000
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Gambar 4.4 Grafik Wisman Asal Singapura Tahun 2007-2018

Singapura yang diperoleh berfluktuasi. Hal ini menunjukkan bahwa data tersebut
ditarik garis lurus membentuk grafik linier sehingga menunjukkan bahwa data
6000
5000
4000
3000
2000
1000
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Gambar 4.5 Grafik Wisman Asal Thailand Tahun 2007-2018

Thailand yang diperoleh berfluktuasi. Hal ini menunjukkan bahwa data tersebut
ditarik garis lurus membentuk grafik liniersehingga menunjukkan bahwa data
1600
1400
1200
1000
800
600
400
200
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Gambar 4.6 Grafik Wisman Asal Vietnam Tahun 2007-2018

Vietnam yang diperoleh berfluktuasi. Hal ini menunjukkan bahwa data tersebut tidak
konstan. Selain itu pada plot data yang telah disajikan dapat dilihat bahwa data
memiliki puncak data yang tinggi dengan data lainnya sehingga menunjukkan bahwa
data tersebut memiliki unsur horizontal.
27
1200
1000
800
600
400
200
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Gambar 4.7 Grafik Wisman Asal Myanmar Tahun 2007-2018

Myanmar yang diperoleh berfluktuasi. Hal ini menunjukkan bahwa data tersebut
memiliki puncak data yang tinggi dengan data lainnya sehingga menunjukkan bahwa
data tersebut memiliki unsur horizontal.
Hal pertama yang dilakukan adalah melakukan uji normalitas untuk
mengetahui apakah data yang diperoleh mengikuti distribusi normal. Uji yang
dilakukan adalah dengan menggunakan Uji Normalitas Liliefors, dengan hipotesis
sebagai berikut:
𝐻0 = Data yang digunakan berdistribusi normal
𝐻1 = Data yang digunakan tidak berdistribusi normal
𝐿ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐿𝑡𝑎𝑏𝑒𝑙 = 𝐻0 diterima dan 𝐻1ditolak
𝐿ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐿𝑡𝑎𝑏𝑒𝑙 = 𝐻1 diterima dan 𝐻0 ditolak. Langkah-
langkah pengujian data adalah sebagai berikut:
a. Pada wisman asal Brunei Darussalam
Rata-rata dan standar deviasi wisman asal Brunei Darussalam yang datang
dengan menggunakan rumus (2.2) dan (2.3) adalah:
∑12 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛
1.702
=
12
= 141,833
∑12 (𝑥 − 𝑥̅)2
𝜎 = √ 𝑖=1 𝑖
𝑛−1

38.925,667
=√
11
= √3.538,697
= 59,487
Kemudian hitung 𝑧𝑖 dengan rumus (2.1) dan tentukan nilai 𝐹(𝑧𝑖) dimana i =
1, 2, … ,12 dengan daftar luas dibawah kurva normal dengan rumus (2.4)
menggunakan tabel distribusi normal (Lampiran 1). Lalu hitung proporsi
𝑧1, 𝑧2, … , 𝑧𝑛 yang lebih kecil atau sama dengan 𝑧𝑛, dengan rumus (2.5). Dan
terakhir adalah menghitung selisih |𝐹(𝑧𝑖) − 𝑆(𝑧𝑖)| untuk 𝑖 = 1,2,3, … ,12
yang akan dirincikan pada Tabel 4.2 berikut.
Tabel 4.2 Uji Kenormalan Liliefors pada Data Jumlah Wisman Asal Brunei
Darussalam
No 𝒙𝒊 𝒙𝒊 − 𝒙̅ (𝒙𝒊 − 𝒙̅)𝟐 𝒛𝒊 𝑭(𝒛𝒊) 𝑺(𝒛𝒊) |𝑭(𝒛𝒊) − 𝑺(𝒛𝒊)|
1. 133 -8,833 78,028 -0,15 0,440 0,583 0,143
2. 79 -62,833 3.948,028 -1,06 0,145 0,167 0,022
3. 94 -47,833 2.288,028 -0,80 0,212 0,333 0,121
4. 79 -62,833 3.948,028 -1,06 0,145 0,167 0,022
5. 103 -38,833 1.508,028 -0,65 0,258 0,417 0,159
6. 140 -1,833 3,361 -0,03 0,488 0,667 0,179
7. 248 106,167 11.271,361 1,78 0,963 1,000 0,037
8. 124 -17,833 318,028 -0,30 0,382 0,500 0,118
9. 218 76,167 5.801,361 1,28 0,899 0,833 0,066
10. 91 -50,833 2.584,028 -0,85 0,198 0,250 0,052
11. 172 30,167 910,028 0,51 0,695 0,750 0,055
12. 221 79,167 6.267,361 1,33 0,908 0,917 0,009
Pada Tabel 4.2 dapat dilihat bahwa:

𝐿ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑀𝑎𝑥[|𝐹(𝑧𝑖) − 𝑆(𝑧𝑖)|] = 0,179. 𝐿𝑡𝑎𝑏𝑒𝑙 = 𝐿𝛼(𝑛), diperoleh dari
tabel Uji Kenormalan Liliefors dengan taraf nyata 𝛼 = 0,05 dan 𝑛 = 12,
maka nilai 𝐿𝛼(𝑛) = 𝐿005(12) = 0,242 (Lampiran 2) yang mengakibatkan
𝐿ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐿𝑡𝑎𝑏𝑒𝑙, maka 𝐻0 diterima. Sehingga dapat disimpulkan

menggunakan Uji Kenormalan Liliefors bahwa data jumlah wisman asal
Brunei Darussalam mengikuti distribusi normal.
b. Pada wisman asal Malaysia
Rata-rata dan standar deviasi wisman asal Malaysia yang datang dengan
menggunakan rumus (2.2) dan (2.3) adalah:
∑12 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛
1.467.033
=
12
= 122.252,750
∑ 12 (𝑥𝑖 − 𝑥̅)2
𝜎 = √ 𝑖=1
𝑛−1
6.261.990.626,250
=√
11
= 23.859,419
𝑧1, 𝑧2, … , 𝑧𝑛 yang lebih kecil atau sama dengan 𝑧𝑛, dengan rumus (2.5).
Terakhir menghitung selisih |𝐹(𝑧 𝑖) − 𝑆(𝑧𝑖)|yang akan dirincikan pada Tabel
4.3 berikut.
Tabel 4.3 Uji Kenormalan Liliefors pada Data Jumlah Wisman Asal Malaysia
1. 81.347 -40.905,750 1.673.280.383,063 -1,71 0,044 0,083 0,039
2. 84.387 -37.865,750 1.433.815.023,063 -1,59 0,056 0,167 0,111
3. 102.685 -19.567,750 382.896.840,063 -0,82 0,206 0,250 0,044
4. 109.230 -13.022,750 169.592.017,563 -0,55 0,291 0,333 0,042
5. 132.037 9.784,250 95.731.548,063 0,41 0,659 0,667 0,008
6. 143.644 21.391,250 457.585.576,563 0,90 0,816 0,833 0,017
7. 148.465 26.212,250 687.082.050,063 1,10 0,864 0,917 0,053
8. 152.389 30.136,250 908.193.564,063 1,26 0,896 1,000 0,104
9. 129.203 6.950,250 48.305.975,063 0,29 0,614 0,583 0,031
10. 115.007 -7.245,750 52.500.893,063 -0,30 0,382 0,417 0,035
11. 128.761 6.508,250 42.357.318,063 0,27 0,606 0,500 0,106
12. 139.878 17.625,250 310.649.437,563 0,74 0,770 0,750 0,020
Pada Tabel 4.3dapat dilihat bahwa:
𝐿ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑀𝑎𝑥[|𝐹(𝑧𝑖) − 𝑆(𝑧𝑖)|] = 0,111.𝐿𝑡𝑎𝑏𝑒𝑙 = 𝐿𝛼(𝑛), diperoleh dari tabel
Uji Kenormalan Liliefors dengan taraf nyata 𝛼 = 0,05 dan 𝑛 = 12, maka
nilai 𝐿𝛼(𝑛) = 𝐿005(12) = 0,242 (Lampiran 2) yang mengakibatkan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 ≤
𝐿𝑡𝑎𝑏𝑒𝑙, maka 𝐻0 diterima. Sehingga dapat disimpulkan menggunakan Uji

Kenormalan Liliefors bahwa data jumlah wisman asal Malaysia mengikuti
distribusi normal.
c. Pada wisman asal Filipina

Rata-rata dan standar deviasi wisman asal Filipina yang datang dengan
∑12 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛
14.247
=
12
= 1.187,250
∑ 12 (𝑥𝑖 − 𝑥̅)2
𝜎 = √ 𝑖=1
𝑛−1
769.456,250
=√
11
= √69.950,568
= 264,482
terakhir adalah menghitung selisih |𝐹(𝑧𝑖) − 𝑆(𝑧𝑖)| yang akan dirincikan pada
Tabel 4.4 berikut.
Tabel 4.4 Uji Kenormalan Liliefors pada Data Jumlah Wisman Asal Filipina
1. 899 -288,250 83.088,063 -1,09 0,138 0,083 0,055
2. 991 -196,250 38.514,063 -0,74 0,229 0,417 0,188
3. 986 -201,250 40.501,563 -0,76 0,224 0,333 0,109
4. 970 -217,250 47.197,563 -0,82 0,206 0,250 0,044
5. 942 -245,250 60.147,563 -0,93 0,176 0,167 0,009
6. 1.041 -146,250 21.389,063 -0,55 0,291 0,500 0,209
7. 1.341 153,750 23.639,063 0,58 0,719 0,750 0,031
8. 1.279 91,750 8.418,063 0,35 0,637 0,667 0,030
9. 1.551 363,750 132.314,063 1,38 0,916 0,917 0,001
10. 1.094 -93,250 8.695,563 -0,35 0,363 0,583 0,220
11. 1.541 353,750 125.139,063 1,34 0,909 0,833 0,076
12. 1.612 424,750 180.412,563 1,61 0,946 1,000 0,054

Uji Kenormalan Liliefors dengan taraf nyata 𝛼 = 0,05 dan 𝑛 = 12 (Lampiran
2), maka nilai 𝐿𝛼(𝑛) = 𝐿005(12) = 0,242 yang mengakibatkan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 ≤

Kenormalan Liliefors bahwa data jumlah wisman asal Filipina mengikuti
distribusi normal.
d. Pada wisman asal Singapura

Rata-rata dan standar deviasi wisman asal Singapura yang datang dengan
∑12 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛
163.399
=
12
= 13.616,583
∑12 (𝑥 − 𝑥̅)2
𝜎 = √ 𝑖=1 𝑖
𝑛−1
151.916.910,917
=√
11
= 3.766,265
Tabel 4.5 berikut.
Tabel 4.5 Uji Kenormalan Liliefors pada Data Jumlah Wisman Asal Singapura
No 𝒙𝒊 𝒙𝒊 − 𝒙̅ (𝒙𝒊 − 𝒙̅ )𝟐 𝒛𝒊 𝑭(𝒛𝒊) 𝑺(𝒛𝒊) |𝑭(𝒛𝒊) − 𝑺(𝒛𝒊)|
1. 7.622 -5.994,583 35.935.029,340 -1,61 0,054 0,083 0,029
2. 9.946 -3.670,583 13.473.182,007 -0,99 0,161 0,167 0,006
3. 10.361 -3.255,583 10.598.822,840 -0,88 0,189 0,250 0,061
4. 11.187 -2.429,583 5.902.875,174 -0,65 0,258 0,333 0,075
5. 11.592 -2.024,583 4.098.937,674 -0,54 0,295 0,417 0,122
6. 13.579 -37,583 1.412,507 -0,01 0,496 0,583 0,087
7. 18.276 4.659,417 21.710.163,674 1,25 0,894 0,917 0,023
8. 18.066 4.449,417 19.797.308,674 1,20 0,885 0,833 0,052
9. 12.516 -1.100,583 1.211.283,674 -0,30 0,382 0,500 0,118
10. 14.322 705,417 497.612,674 0,19 0,575 0,667 0,092
11. 17.312 3.695,417 13.656.104,340 0,99 0,839 0,750 0,089
12. 18.620 5.003,417 25.034.178,340 1,35 0,912 1,000 0,088

Uji Kenormalan Liliefors dengan taraf nyata 𝛼 = 0,05 dan 𝑛 = 12 (Lampiran
2), maka nilai 𝐿𝛼(𝑛) = 𝐿005(12) = 0,242 yang mengakibatkan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 ≤

Kenormalan Liliefors bahwa data jumlah wisman asal Singapura mengikuti
distribusi normal.
e. Pada wisman asal Thailand
Rata-rata dan standar deviasi wisman asal Thailand dengan menggunakan
rumus (2.2) dan (2.3) adalah:
∑12 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛
33.905
=
12
= 2.825,417
∑ 12 (𝑥𝑖 − 𝑥̅)2
𝜎 = √ 𝑖=1
𝑛−1
13.703.204,917
=√
11
= 1.116,129
𝑧1, 𝑧2, … , 𝑧𝑛 yang lebih kecil atau sama dengan 𝑧𝑛, dengan rumus (2.5).
Terakhir adalah menghitung selisih |𝐹(𝑧𝑖) − 𝑆(𝑧𝑖)| yang akan dirincikan
pada Tabel 4.6 berikut.
Tabel 4.6 Uji Kenormalan Liliefors pada Data Jumlah Wisman Asal Thailand
1. 988 -1.837,417 3.376.100,007 -1,65 0,049 0,083 0,034
2. 1.460 -1.365,417 1.864.362,674 -1,22 0,111 0,167 0,056
3. 1.677 -1.148,417 1.318.860,840 -1,03 0,152 0,250 0,098
4. 2.686 -139,417 19.437,007 -0,12 0,452 0,417 0,035
5. 2.180 -645,417 416.562,674 -0,58 0,281 0,333 0,052
6. 2.757 -68,417 4.680,840 -0,06 0,476 0,500 0,024
7. 3.906 1.080,583 1.167.660,340 0,97 0,834 0,917 0,083
8. 4.844 2.018,583 4.074.678,674 1,81 0,965 1,000 0,035
9. 3.087 261,583 68.425,840 0,23 0,591 0,667 0,076
10. 3.027 201,583 40.635,840 0,18 0,571 0,583 0,012
11. 3.688 862,583 744.050,007 0,77 0,779 0,833 0,054
12. 3.605 779,583 607.750,174 0,70 0,758 0,750 0,008
𝐿ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑀𝑎𝑥[|𝐹(𝑧𝑖) − 𝑆(𝑧𝑖)|] = 0,098. 𝐿𝑡𝑎𝑏𝑒𝑙 = 𝐿𝛼(𝑛), diperoleh dari
tabel Uji Kenormalan Liliefors dengan taraf nyata 𝛼 = 0,05 dan 𝑛 = 12,
maka nilai 𝐿𝛼(𝑛) = 𝐿005(12) = 0,242 yang mengakibatkan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐿𝑡𝑎𝑏𝑒𝑙,
maka 𝐻0 diterima. Sehingga dapat disimpulkan menggunakan Uji

Kenormalan Liliefors bahwa data jumlah wisman asal Thailand mengikuti
distribusi normal.
f. Pada wisman asal Vietnam

Rata-rata dan standar deviasi wisman asal Vietnam yang datang dengan
∑12 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛
4.557
=
12
= 379,750
∑ 12 (𝑥𝑖 − 𝑥̅)2
𝜎 = √ 𝑖=1
𝑛−1
1.378.142,250
=√
11
= √125.285,659
= 353,957
Tabel 4.7 berikut.
Tabel 4.7 Uji Kenormalan Liliefors pada Data Jumlah Wisman Asal Vietnam
1. 147 -232,750 54.172,563 -0,66 0,255 0,250 0,005
2. 124 -255,750 65.408,063 -0,72 0,236 0,167 0,069
3. 102 -277,750 77.145,063 -0,78 0,218 0,083 0,135
4. 167 -212,750 45.262,563 -0,60 0,274 0,333 0,059
5. 250 -129,750 16.835,063 -0,37 0,356 0,500 0,144
6. 237 -142,750 20.377,563 -0,40 0,345 0,417 0,072
7. 337 -42,750 1.827,563 -0,12 0,452 0,667 0,215
8. 369 -10,750 115,563 -0,03 0,488 0,750 0,262
9. 405 25,250 637,563 0,07 0,528 0,833 0,305
10. 311 -68,750 4.726,563 -0,19 0,425 0,583 0,158
11. 1.356 976,250 953.064,063 2,76 0,997 1,000 0,003
12. 752 372,250 138.570,063 1,05 0,853 0,917 0,064

nilai 𝐿𝛼(𝑛) = 𝐿005(12) = 0,242 yang mengakibatkan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐿𝑡𝑎𝑏𝑒𝑙, maka
𝐻0 ditolak. Sehingga dapat disimpulkan menggunakan Uji Kenormalan

Liliefors bahwa data jumlah wisman asal Vietnam tidak mengikuti distribusi
normal.
g. Pada wisman asal Myanmar

Rata-rata dan standar deviasi wisman asal Myanmar yang datang dengan
∑12 𝑥𝑖
𝑖=1
𝑥̅ = 𝑛
2.891
=
12
= 240,917
∑12 (𝑥 − 𝑥̅)2
𝜎 = √ 𝑖=1 𝑖
𝑛−1
700.636,917
=√
11
= 252,377
Tabel 4.8 berikut.
Tabel 4.8 Uji Kenormalan Liliefors pada Data Jumlah Wisman Asal Myanmar
No 𝒙𝒊 𝒙𝒊 − 𝒙̅ (𝒙𝒊 − ̅𝒙)𝟐 𝒛𝒊 𝑭(𝒛𝒊) 𝑺(𝒛𝒊) |𝑭(𝒛𝒊) − 𝑺(𝒛𝒊)|
1. 59 -181,917 33.093,674 -0,72 0,236 0,083 0,152
2. 120 -120,917 14.620,840 -0,48 0,316 0,167 0,149
3. 149 -91,917 8.448,674 -0,36 0,359 0,417 0,058
4. 1.014 773,083 597.657,840 3,06 0,999 1,000 0,001
5. 127 -113,917 12.977,007 -0,45 0,326 0,250 0,076
6. 157 -83,917 7.042,007 -0,33 0,371 0,583 0,212
7. 158 -82,917 6.875,174 -0,33 0,371 0,583 0,212
8. 182 -58,917 3.471,174 -0,23 0,409 0,667 0,258
9. 202 -38,917 1.514,507 -0,15 0,440 0,750 0,310
10. 147 -93,917 8.820,340 -0,37 0,356 0,333 0,023
11. 259 18,083 327,007 0,07 0,528 0,833 0,305
12. 317 76,083 5.788,674 0,30 0,618 0,917 0,299

nilai 𝐿𝛼(𝑛) = 𝐿005(12) = 0,242 yang mengakibatkan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐿𝑡𝑎𝑏𝑒𝑙, maka
𝐻0 ditolak. Sehingga dapat disimpulkan menggunakan Uji Kenormalan

Liliefors bahwa data jumlah wisman asal Myanmar tidak mengikuti distribusi
normal.
Oleh karena pada data wisman asal Vietnam dan Myanmar tidak
berdistribusi normal, maka data yang berasal dari negara tersebut tidak dipakai.
Sehingga dalam pengerjaan selanjutnya hanya data wisman asal Brunei Darussalam,
Malaysia, Filipina, Singapura dan Thailand saja yang dipakai karena data wisman
asal negara tersebut mengikuti distribusi normal.
4.2 Analisis pada Simulasi Monte Carlo
Langkah selanjutnya yatiu menentukan parameter dan standar deviasinya.

Parameter ini akan menjadi patokan dalam membangkitkan jumlah wisman pada
langkah berikutnya. Data pada simulasi yang dibangkitkan bergantung pada
parameter yang ada serta bilangan acaknya agar parameter tersebut dapat dipakai
untuk meramalkan hasil yang diinginkan.
Setelah diketahui nilai parameternya, dilakukan simulasi sebanyak yang
dinginkan. Dalampenelitianinisimulasi dilakukan sebanyak 5 kali agar data hasil
simulasi tersebut diharapkan dapat mewakili data sebenarnya dengan langkah
pengerjaan sebagai berikut:
1. Bangkitkan 𝑈1 dan 𝑈2 (𝑈1 ≠ 𝑈2) dari 𝑈(0,1) dengan menggunakan fungsi
=RAND() pada Microsoft Excel.
2. Tentukan nilai X
3. Bangkitkan X dari 𝑁(0,1)
4. Tentukan 𝑋′ = 𝜎𝑋 + 𝜇.
5. Maka 𝑋′adalah data acak dari 𝑁(𝜇, 𝜎 2 ).
Berikut ini pengerjaan simulasi dari tiap negara yang telah diketahui
parameternya, sebagai berikut:
a. Simulasi data wisman asal Brunei Darussalam
Pada data wisman asal Brunei Darussalam, rata-rata (𝜇) dan standar
deviasinya (𝜎) adalah 141,833 dan 59,487. Kemudian data diurutkan dari
yang terkecil hingga yang terbesar, didapatlah nilai minimum dan
maksimumnya adalah 79 dan 248. Mula-mula dibangkitkan nilai 𝑈1 dan 𝑈2
menggunakan fungsi =RAND(). Kemudian diambil sebagai contoh untuk
menentukan nilai 𝑋 yang didapat dengan rumus (2.10), yaitu:
𝑋 = √−2 ln 𝑈1 cos 2𝜋𝑈2
= √(−2 ln 0,633) cos(2𝜋 × 0,263)
= √0,915 × (−0,082)
= 0,957 × (−0,082)
= −0,080
Lalu dari bilangan acak yang diperoleh dikonversi menjadi jumlah
kedatangan wisman, yaitu:
𝑋′ = 𝜇 + 𝜎𝑋
= 141,833 + (59,487 × (−0,080))
= 137,074
≈ 137.
Seterusnya dapat dilihat pada Lampiran 4. Tabel 4.9 menjelaskan rangkuman
data simulasi jumlah wisman asal Brunei Darussalam.
Tabel 4.9 Simulasi jumlah wisman asal Brunei Darussalam
No Simulasi ke Jumlah Wisman

1 Simulasi I 1.924
2 Simulasi II 1.410
3 Simulasi III 1.645
4 Simulasi IV 1.285
5 Simulasi V 1.761
Rata-rata 1.605
Pada Tabel 4.9, rata-rata jumlah wisman asal Brunei Darussalam hasil
simulasi sebesar 1.605 orang, hanya berbeda sedikit dengan data yang
sebenarnya yaitu sebesar 1.702 orang.
b. Simulasi data wisman asal Malaysia

Pada data wisman asal Malaysia, rata-rata (𝜇) dan standar deviasinya (𝜎)
adalah 122.252,750 dan 23.859,419. Kemudian data diurutkan dari yang
terkecil hingga yang terbesar, didapatlah nilai minimum dan maksimumnya
adalah 81.347 dan 152.389. Mula-mula dibangkitkan nilai 𝑈1 dan 𝑈2
39
𝑋 = √−2 ln 𝑈1 cos 2𝜋𝑈2
= √(−2 ln 0,008) cos(2𝜋 × 0,194)
= √9,657 × 0,345
= 3,108 × 0,345
= 1,055
𝑋′ = 𝜇 + 𝜎𝑋
= 122.252,750 + (23.859,419 × 1,055)
= 147430,746
≈ 147.431.
Seterusnya dapat dilihat pada Lampiran 4. Tabel 4.10 menjelaskan
rangkuman data simulasi jumlah wisman asal Malaysia.
Tabel 4.10 Simulasi jumlah wisman asal Malaysia

1 Simulasi I 1.455.333
2 Simulasi II 1.521.579
3 Simulasi III 1.465.864
4 Simulasi IV 1.537.491
5 Simulasi V 1.457.245
Rata-rata 1.487.502
Pada Tabel 4.10, rata-rata jumlah wisman asal Malaysia hasil simulasi
sebesar 1.487.502 orang, hanya berbeda sedikit dengan data yang sebenarnya
yaitu sebesar 1.467.033 orang.
c. Simulasi data wisman asal Filipina

Pada data wisman asal Filipina, rata-rata (𝜇) dan standar deviasinya (𝜎)
adalah 1.187,250 dan 264,482. Kemudian data diurutkan dari yang terkecil
hingga yang terbesar, didapatlah nilai minimum dan maksimumnya adalah
899 dan 1.612. Mula-mula dibangkitkan nilai 𝑈1 dan 𝑈2 menggunakan
fungsi =RAND(). Kemudian diambil sebagai contoh untuk menentukan nilai
𝑋 yang didapat dengan rumus (2.10), yaitu:

𝑋 = √(−2 ln 𝑈1) cos 2𝜋𝑈2
= √(−2 ln 0,640) cos(2𝜋 × 0,061)
= √0,893 × 0,927
= 0,945 × 0,927
= 0,877.
𝑋′ = 𝜇 + 𝜎𝑋
= 1.187,250 + (264,482 × 0,877)
= 1.419,200
≈ 1.419.
rangkuman data simulasi jumlah wisman asal Filipina.
Tabel 4.11 Simulasi jumlah wisman asal Filipina

1 Simulasi I 16.247
2 Simulasi II 13.019
4 Simulasi IV 12.655
5 Simulasi V 14.998
Rata-rata 14.396
Pada Tabel 4.11, rata-rata jumlah wisman asal Filipina hasil simulasi sebesar
14.396 orang, hanya berbeda sedikit dengan data yang sebenarnya yaitu
sebesar 14.247 orang.
d. Simulasi data wisman asal Singapura

Pada data wisman asal Singapura, rata-rata (𝜇) dan standar deviasinya (𝜎)
adalah 13.616,583 dan 3.766,265. Kemudian data diurutkan dari yang
terkecil hingga yang terbesar, didapatlah nilai minimum dan maksimumnya
adalah 7.622 dan 18.620. Mula-mula dibangkitkan nilai 𝑈1 dan 𝑈2
41
𝑋 = √(−2 ln 𝑈1) cos 2𝜋𝑈2
= √(−2 ln 0,874) cos(2𝜋 × 0,169)
= √0,269 × 0,487
= 0,519 × 0,487
= 0,253.
𝑋′ = 𝜇 + 𝜎𝑋
= 13.616,583 + (3.716,265 × 0,253)
= 14.553,443
≈ 14.553.
rangkuman data simulasi jumlah wisman asal Singapura.
Tabel 4.12 Simulasi jumlah wisman asal Singapura

1 Simulasi I 158.282
5 Simulasi V 199.850
Rata-rata 169.946
Pada Tabel 4.12, rata-rata jumlah wisman asal Singapura hasil simulasi
sebesar 169.946 orang, hanya berbeda sedikit dengan data yang sebenarnya
yaitu sebesar 163.399 orang.
e. Simulasi data wisman asal Thailand

Pada data wisman asal Thailand, parameter rata-rata (𝜇) dan standar
deviasinya (𝜎) adalah 2.825,417 dan 1.116,129. Kemudian data diurutkan
dari yang terkecil hingga yang terbesar, didapatlah nilai minimum dan
maksimumnya adalah 988 dan 4.844. Mula-mula dibangkitkan nilai 𝑈1 dan
𝑈2 menggunakan fungsi =RAND(). Kemudian diambil sebagai contoh untuk


42
𝑋 = √(−2 ln 𝑈1) cos 2𝜋𝑈2
= √(−2 ln 0,912) cos(2𝜋 × 0,219)
= √0,184 × 0,914
= 0,429 × 0,194
= 0,084.
𝑋′ = 𝜇 + 𝜎𝑋
= 2.825,417 + (1.116,129 × 0,084)
= 2.919,171
≈ 2.919.
rangkuman data simulasi jumlah wisman asal Thailand.
Tabel 4.13 Simulasi jumlah wisman asal Thailand

1 Simulasi I 35.431
5 Simulasi V 32.284
Rata-rata 32.171
Pada Tabel 4.13, rata-rata jumlah wisman asal Thailand hasil simulasi sebesar
32.171 orang, hanya berbeda sedikit dengan data yang sebenarnya yaitu
sebesar 33.905 orang.
Setelah data disimulasikan, data diuji kesamaan rata-rata dua populasi untuk
membuktikan apakah data yang hasil simulasi serupa dengan data yang sebenarnya.
Langkah pengerjaan hipotesis yang dilakukan adalah (tingkat signifikansinya 𝛼 =
0,05):
𝐻0 = Tidakadanyaperbedaan yang signifikan antara data wisman sebenarnya (𝑋)
dengan data hasil simulasi (𝑌).

𝐻1 = Adanya perbedaan yang signifikan antara data wisman sebenarnya (𝑋)
dengan data hasil simulasi (𝑌).
dengan:
𝑋 = data wisman sebenarnya.
𝑌 = data wisman hasil simulasi.
𝐻0 diterima dan 𝐻1 ditolak apabila −𝑡𝑘𝑟𝑖𝑡𝑖𝑠 < 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 < 𝑡𝑘𝑟𝑖𝑡𝑖𝑠.
Langkah pengerjaannya adalah sebagai berikut:
Setelah merumuskan hipotesis, hitung nilai derajat bebas rumus untuk menghitung
nilai derajat bebas yaitu:
nilai derajat bebas = n − 1.
Perhatikan bahwa n merupakan banyaknya pasangan data (𝑋, 𝑌), yakni 12, Sehingga
nilai derajat bebas adalah 12 − 1 = 11. Diketahui tingkat signifikansi yang
digunakan adalah 5%, sehingga nilai kritis t dengan derajat bebas 11 dan tingkat
signifikansi 5% adalah 2,201 dengan uji dua arah (Lampiran 3).
a. Pada wisman asal Brunei Darussalam
Selanjutnya hitung nilai dari statistik t, tapi terlebih dahulu menghitung nilai
standar deviasi yang akan dirincikan pada Tabel 4.14 berikut.
Tabel 4.14 Uji Kesamaan Dua Rata-rata pada Wisman asal Brunei Darussalam
𝟐
No X Y 𝒅=𝒀−𝑿 𝒅 − 𝒅̅ (𝒅 − 𝒅̅)
1. 133 133 0 -142 20.117
2. 79 106 27 -115 13.187
3. 94 133 39 -103 10.575
4. 79 122 43 -99 9.768
5. 103 125 22 -120 14.360
6. 140 126 -14 -156 24.284
7. 248 151 -97 -239 57.041
8. 124 106 -18 -160 25.547
9. 218 161 -57 -199 39.535
10. 91 157 66 -76 5.751
11. 172 147 -25 -167 27.833
12. 221 139 -82 -224 50.101
Jumlah 1.702 1.606 -96 -1.798 298.098
Rata-rata 141,83 133,83 -8,00 -149,83 24.841,53
Sehingga diperoleh nilai standar deviasinya yaitu:

2
∑(𝑑 − 𝑑̅)
𝜎= √
𝑛−1
298.098
=√
11
= 164,620
Selanjutnya menghitung nilai statistik t.
𝑑̅ − 𝜇𝑑
𝑡= 𝜎
√𝑛
−8 − 0
=
164,620
√12
= −0,168
Berdasarkan perhitungan, nilai statistik t adalah−0,168. Karena −2,201 <
−0,168 < 2,201, maka 𝐻0 diterima dan 𝐻1 ditolak ini berarti tidak terdapat
perbedaan yang signifikan terhadap data wisman asal Brunei Darussalam
hasil simulasi dengan data riilnya dapat diterima pada tingkat
signifikansi 5%. Hasil ini mengindikasikan bahwa hasil estimasi
menggunakan Monte Carlo dapat digunakan dalam memprediksi jumlah
wisman asal Brunei Darussalam.
b. Pada wisman asal Malaysia

Tabel 4.15 Uji Kesamaan Dua Rata-rata pada Wisman asal Malaysia
𝟐
No X Y 𝒅=𝒀−𝑿 𝒅 − 𝒅̅ (𝒅 − 𝒅̅)
1. 81.347 125.413 44.066 -78.187 6.113.197.545
2. 84.387 108.020 23.633 -98.620 9.725.914.994
3. 102.685 132.585 29.900 -92.352 8.528.981.625
4. 109.230 115.944 6.714 -115.539 13.349.207.628
5. 132.037 125.790 -6.247 -128.500 16.512.184.177
6. 143.644 136.374 -7.270 -129.523 16.776.187.507
7. 148.465 120.399 -28.066 -150.319 22.595.778.173
8. 152.389 129.050 -23.339 -145.591 21.196.882.082
9. 129.203 132.226 3.023 -119.230 14.215.675.187
𝟐
No X Y 𝒅=𝒀−𝑿 𝒅 − 𝒅̅ (𝒅 − 𝒅̅)
10. 115.007 107.228 -7.779 -130.032 16.908.333.366
11. 128.761 113.207 -15.554 -137.807 18.990.702.418
12. 139.878 141.267 1.389 -120.864 14.608.095.928
Jumlah 1.467.033 1.487.502 20.469 -1.446.564 179.521.140.630
Rata-rata 122.252,750 123.958,534 1.705,784 -120.546,966 14.960.095.052,504

2
∑(𝑑 − 𝑑̅)
𝜎= √
𝑛−1
179.521.140.630
=√
11
= 127.750,161
𝑑̅ − 𝜇 𝑑
𝑡= 𝜎
√𝑛
1.705,784 − 0
= 127.750,161
√12
= −0,046
Berdasarkan perhitungan, nilai statistik t adalah −0,046. Karena −2,201 <
perbedaan yang signifikan terhadap data wisman asal Malaysia hasil simulasi
dengan data riilnya dapat diterima pada tingkat signifikansi 5%. Hasil ini
mengindikasikan bahwa hasil estimasi menggunakan Monte Carlo dapat
digunakan dalam memprediksi jumlah wisman asal Malaysia.
c. Pada wisman asal Filipina

standar deviasiyang akan dirincikan pada Tabel 4.16 berikut.
Tabel 4.16 Uji Kesamaan Dua Rata-rata pada Wisman asal Filipina
𝟐
No X Y 𝒅=𝒀−𝑿 𝒅 − 𝒅̅ (𝒅 − 𝒅̅)
1. 899 1.346 447 -740 548.192
2. 991 1.200 209 -978 956.807
3. 986 1.044 58 -1.129 1.275.022
4. 970 1.285 315 -873 761.446
5. 942 1.083 141 -1.046 1.094.437
6. 1.041 1.336 295 -893 796.967
7. 1.341 1.183 -158 -1.346 1.810.749
8. 1.279 1.221 -58 -1.245 1.549.541
9. 1.551 984 -567 -1.754 3.076.986
10. 1.094 1.270 176 -1.011 1.022.040
11. 1.541 1.113 -428 -1.616 2.610.625
12. 1.612 1.332 -280 -1.467 2.152.807
Jumlah 14.247 14.396 149 -14.098 17.655.620
Rata-rata 1.187,250 1.199,687 12,437 -1.174,813 1.471.301,636

2
∑(𝑑 − 𝑑̅)
𝜎= √
𝑛−1
17.655.620
=√
11
= 1.266,908
𝑑̅ − 𝜇𝑑
𝑡= 𝜎
√𝑛
12,437 − 0
=
1.266,908
√12
= 0,034
Berdasarkan perhitungan, nilai statistik t adalah 0,034. Karena −2,201 <
0,034 < 2,201, maka 𝐻0 diterima dan 𝐻1 ditolak ini berarti tidak terdapat
perbedaan yang signifikan terhadap data wisman asal Filipina hasil simulasi
digunakan dalam memprediksi jumlah wisman asal Filipina.
d. Pada wisman asal Singapura

Tabel 4.17 Uji Kesamaan Dua Rata-rata pada Wisman asal Singapura
𝟐
No X Y 𝒅=𝒀−𝑿 𝒅 − 𝒅̅ (𝒅 − 𝒅̅)
1. 7.622 14.652 7.030 -6.587 43.389.101
2. 9.946 13.561 3.615 -10.002 100.038.324
3. 10.361 13.093 2.732 -10.885 118.480.694
4. 11.187 14.794 3.607 -10.010 100.192.274
5. 11.592 14.178 2.586 -11.030 121.671.428
6. 13.579 16.643 3.064 -10.553 111.358.380
7. 18.276 12.522 -5.754 -19.370 375.211.617
8. 18.066 12.789 -5.277 -18.893 356.953.109
9. 12.516 15.411 2.895 -10.722 114.951.051
10. 14.322 15.156 834 -12.783 163.406.714
11. 17.312 12.233 -5.079 -18.695 349.508.206
12. 18.620 14.915 -3.705 -17.322 300.048.712
Jumlah 163.399 169.946 6.547 -156.852 2.255.209.610
Rata-rata 13.616,583 14.162,184 545,600 -13.070,983 187.934.134,148
Sehingga diperoleh nilai standar deviasi yaitu:

2
∑(𝑑 − 𝑑̅)
𝜎= √
𝑛−1
129.026.327
=√
12 − 1
= 14.318,486
𝑑̅ − 𝜇𝑑
𝑡= 𝜎
√𝑛
545,600 − 0
=
14.318,486
√12
= 0,132
Berdasarkan perhitungan, nilai statistik t adalah 0,312. Karena −2,201 <
0,132 < 2,201, maka 𝐻0 diterima dan 𝐻1 ditolak ini berarti tidak terdapat
perbedaan yang signifikan terhadap data wisman asal Singapura hasil
simulasi dengan data riilnya dapat diterima pada tingkat signifikansi 5%.
Hasil ini mengindikasikan bahwa hasil estimasi menggunakan Monte Carlo
dapat digunakan dalam memprediksi jumlah wisman asal Singapura.
e. Pada wisman asal Thailand

Tabel 4.18 Uji Kesamaan Dua Rata-rata pada Wisman asal Thailand
2
No X Y 𝑑=𝑌−𝑋 𝑑 − 𝑑̅ (𝑑 − 𝑑̅)
1. 988 2.713 1.725 -1.100 1.210.340
2. 1.460 2.302 842 -1.984 3.934.744
3. 1.677 2.920 1.243 -1.582 2.502.836
4. 2.686 2.925 239 -2.586 6.688.129
5. 2.180 2.516 336 -2.489 6.197.406
6. 2.757 2.445 -312 -3.137 9.842.087
7. 3.906 2.844 -1.062 -3.888 15.113.250
8. 4.844 3.067 -1.777 -4.602 21.178.660
9. 3.087 2.133 -954 -3.780 14.284.971
10. 3.027 3.004 -23 -2.848 8.112.407
11. 3.688 2.818 -870 -3.695 13.656.460
12. 3.605 2.483 -1.122 -3.947 15.580.563
Jumlah 33.905 32.171 -1.734 -35.639 118.301.853
Rata-rata 2.825,417 2.680,943 -144,474 -2.969,891 9.858.487,789
2
∑(𝑑 − 𝑑̅)
𝜎= √
𝑛−1
118.301.853
=√
11
= 3.279,438
𝑑̅ − 𝜇𝑑
𝑡= 𝜎
√𝑛
−144,474 − 0
=
3.279,438
√10
= −0,153
Berdasarkan perhitungan, nilai statistikt adalah−0,153. Karena −2,201 <
perbedaan yang signifikan terhadap data wisman asal Thailand hasil simulasi
digunakan dalam memprediksi jumlah wisman asal Thailand.
4.3 Hasil Peramalan
Data kemudian di simulasikan kembali untuk membuat prediksi jumlah

wisman. Data telah mencapai hasil yang optimal karena telah dilakukan simulasi
dengan menggunakan parameter yang sudah ada. Berikut akan ditampilkan hasil
peramalan dengan Simulasi Monte Carlo dari Tahun 2019 hingga Tahun 2023 pada
Tabel 4.19.
Tabel 4.19 Hasil Peramalan
Negara
No Tahun Brunei
Malaysia Filipina Singapura Thailand
Darussalam
1 2019 206 102.608 1.424 18.761 3.660
2 2020 259 112.972 1.586 13.611 2.213
3 2021 231 118.251 1.274 12.210 4.448
4 2022 305 134.984 1.340 22.231 3.221
5 2023 274 139.855 1.458 21.311 3.782
350
300
250
200
150
100
50
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
Gambar 4.8 Grafik Peramalan pada jumlah wisman asal Brunei Darussalam
Pada Gambar 4.8, jumlah wisatawan mancanegara yang berkunjung ke
Sumatera Utara asal Brunei Darussalam meningkat sebesar 4,62%.
180000
160000
140000
120000
100000
80000
60000
40000
20000
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
Gambar 4.9 Grafik Peramalan pada jumlah wisman asal Malaysia

Sumatera Utara asal Malaysia meningkat sebesar 3,44%.
2000
1500
1000
500
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
Gambar 4.10 Grafik Peramalan pada jumlah wisman asal Filipina

Pada Gambar 4.10, jumlah wisatawan mancanegara yang berkunjung ke Sumatera
Utara asal Filipina meningkat sebesar 3,07%.
25000
20000
15000
10000
5000
0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
Gambar 4.11 Grafik Peramalan pada jumlah wisman asal Singapura
Pada Gambar 4.11, jumlah wisatawan mancanegara yang berkunjung ke Sumatera
Utara asal Singapura meningkat sebesar 6,64%.
6000
5000
4000
3000
2000
1000
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
0
Gambar 4.12 Grafik Peramalan pada jumlah wisman asal Thailand
Sumatera Utara asal Thailand meningkat sebesar 8,75%. Oleh karena itu jumlah
wisman yang datang ke Sumatera Utara asal negara anggota ASEAN akan
meningkat dalam 5 tahun ke depan dengan jumlah wisman asal Thailand yang
diprediksi akan lebih signifikan dibandingkan dengan negara lainnya.
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisis dan pembahasan yang telah dilakukan dapat diambil

kesimpulan bahwa hasil ramalan jumlah wisatawan mancanegara yang datang ke
Sumatera Utara asal negara anggota ASEAN akan meningkat dalam lima tahun
ke depan.Jumlah wisatawan mancanegara yang berkunjung ke Sumatera Utara
asal Brunei Darussalam meningkat sebesar 4,62%. Jumlah wisatawan
mancanegara yang berkunjung ke Sumatera Utara asal Malaysia meningkat
sebesar 3,44%. Jumlah wisatawan mancanegara yang berkunjung ke Sumatera
Utara asal Filipina meningkat sebesar 3.07%. Jumlah wisatawan mancanegara
yang berkunjung ke Sumatera Utara asal Singapura meningkat sebesar
6,64%.Jumlah wisatawan mancanegara yang berkunjung ke Sumatera Utara asal
Thailand meningkat sebesar 8,75%. Oleh karena itu jumlah wisman asal
Singapura yang diprediksi akan lebih signifikan dibandingkan dengan negara
lainnya.
5.2 Saran
Untuk penelitian selanjutnya yang sejenis seperti ini disarankan untuk

juga melakukan simulasi dengan mempertimbangkan variabel-variabel lain yang
juga ikut mempengaruhi jumlah wisatawan tersebut, sehingga hasil yang
diperoleh dapat lebih akurat.

53
DAFTAR PUSTAKA
Alrabadi, Dima Waleed Hanna, Nada Ibrahim Abu Aljarayesh. 2015. Forecasting
Stock Market Returns Via Monte Carlo Simulation: The Case of Amman
Stock Exchange. Jordan Journal of Business Administration, Vol. 11,
No. 3.
[BPS] Badan Pusat Statistik Provinsi Sumatera Utara. 2019. Statistik Wisatawan
Mancanegara Sumatera Utara. Medan.
Gio, Prana Ugiana. 2013. Aplikasi Statistika dalam SPSS. USU Press: Medan.
Heizer, J, B Render. 2011. Operations Management. Pearson Education Inc.:

New Jersey.
Hira, D.S. 2001. System Simulation. S. Chand and Company Ltd: New Delhi.
Law, Averil M., W David Kelton. 2000,Simulation Modelling and Analysis. Mc

Graw-Hillbook Co: Singapore.
Kakiay, Thomas J. 2004. Pengantar Sistem Simulasi. Andi: Yogyakarta.
Makridakis, Spyros, Steven C. Wheelwright, dan Victor E. McGee. 1999. Metode

dan Aplikasi Peramalan. Erlangga: Jakarta.
Render, B., Ralph M. Stair Jr, Michael E. Hanna. 2012. Quantitative Analysis for
Management. Pearson Education Inc.: New Jersey.
Rubiensten, Reuven Y. 1981. Simulation and The Monte Carlo Method. John
Wiley & Sons: New York.
Sugiharto, Bambang. 2007.Aplikasi Simulasi untuk Peramalan Permintaan dan

Pengeloaan Persediaan yang bersifat Probabilistik.Industrial and
Systems Engineering Assessment Journal, Vol. 8 No.2, Oktober 2007.
Tüzüntürk, Selim, Arzu Eren Şenaras, dan Kemal Sezen. 2015. Forecasting
Water Demand by Using Monte Carlo Simulation. Akademik Bakiş
Dergisi Sayı: 49 Mayıs – Haziran 2015.

Lampiran 1. Tabel Nilai Luas Kurva Normal untuk Nilai Z
Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
-3.4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3.3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3.2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3.1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3.0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2.9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2.8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2.7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2.6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2.5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2.4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2.3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2.2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2.1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2.0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1.9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1.8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1.7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1.6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1.5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1.4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1.3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1.2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1.1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1.0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1.0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1.1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1.2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1.3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1.4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1.5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1.6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1.7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1.8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1.9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2.0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2.1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2.2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2.3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2.4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2.5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2.6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2.7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2.8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2.9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3.0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3.1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3.2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3.3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3.4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
56
Lampiran 2. Tabel Nilai Kritis untuk Uji Kenormalan Liliefors
𝜶
0,20 0,15 0,10 0,05 0,01
n
4 0,300 0,319 0,352 0,381 0,417
5 0,285 0,299 0,315 0,337 0,405
6 0,265 0,277 0,294 0,319 0,364
7 0,247 0,258 0,276 0,300 0,348
8 0,233 0,244 0,261 0,285 0,331
9 0,223 0,233 0,249 0,271 0,311
10 0,215 0,224 0,239 0,258 0,294
11 0,206 0,217 0,230 0,249 0,284
12 0,199 0,212 0,223 0,242 0,275
13 0,190 0,202 0,214 0,234 0,268
14 0,183 0,194 0,207 0,227 0,261
15 0,177 0,187 0,201 0,220 0,257
16 0,173 0,182 0,195 0,213 0,250
17 0,169 0,177 0,189 0,206 0,245
18 0,166 0,173 0,184 0,200 0,239
19 0,163 0,169 0,179 0,195 0,235
20 0,160 0,166 0,174 0,190 0,231

Lampiran 3. Tabel Distribusi t-Student
Uji satu sisi (one tailed)

0,25 0,1 0,05 0,025 0,01 0,005
Dk
Uji dua sisi (two tailed)
0,5 0,2 0,1 0,05 0,02 0,01
1 1,000 3,078 6,314 12,706 31,821 63,657
2 0,816 1,886 2,920 4,303 6,965 9,925
3 0,765 1,638 2,353 3,182 4,541 5,841
4 0,741 1,533 2,132 2,776 3,747 4,604
5 0,727 1,476 2,015 2,571 3,365 4,032
6 0,718 1,440 1,943 2,447 3,143 3,707
7 0,711 1,415 1,895 2,365 2,998 3,499
8 0,706 1,397 1,860 2,306 2,896 3,355
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,169
11 0,697 1,363 1,796 2,201 2,718 3,106
12 0,695 1,356 1,782 2,179 2,681 3,055
13 0,694 1,350 1,771 2,160 2,650 3,012
14 0,692 1,345 1,761 2,145 2,624 2,977
15 0,691 1,341 1,753 2,131 2,602 2,947
16 0,690 1,337 1,746 2,120 2,583 2,921
17 0,689 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,734 2,101 2,552 2,878
19 0,688 1,328 1,729 2,093 2,539 2,861
20 0,687 1,325 1,725 2,086 2,528 2,845
21 0,686 1,323 1,721 2,080 2,518 2,831
22 0,686 1,321 1,717 2,074 2,508 2,819
23 0,685 1,319 1,714 2,069 2,500 2,807
24 0,685 1,318 1,711 2,064 2,492 2,797
25 0,684 1,316 1,708 2,060 2,485 2,787
26 0,684 1,315 1,706 2,056 2,479 2,779
27 0,684 1,314 1,703 2,052 2,473 2,771
28 0,683 1,313 1,701 2,048 2,467 2,763
29 0,683 1,311 1,699 2,045 2,462 2,756
30 0,683 1,310 1,697 2,042 2,457 2,750
Lampiran 4. Pengerjaan dengan Simulasi Monte Carlo
a. Pada Wisman asal Brunei
Darussalam Simulasi I
U1 U2 X X'
0.633 0.263 -0.080 137
0.457 0.569 -1.136 74
0.516 0.127 0.802 190
0.224 0.785 0.381 165
0.744 0.069 0.698 183
0.290 0.008 1.572 235
0.623 0.442 -0.907 88
0.589 0.016 1.023 203
0.281 0.874 1.116 208
0.830 0.787 0.142 150
0.927 0.880 0.285 159
0.284 0.267 -0.172 132
Simulasi II
U1 U2 X X'
0.172 0.436 -1.727 39
0.314 0.527 -1.502 53
0.008 0.370 -2.137 15
0.747 0.173 0.356 163
0.583 0.684 -0.418 117
0.216 0.251 -0.010 141
0.764 0.546 -0.703 100
0.416 0.660 -0.710 100
0.572 0.897 0.841 192
0.876 0.131 0.351 163
0.668 0.670 -0.433 116
0.498 0.998 1.181 212
Simulasi III
U1 U2 X X'
0.925 0.701 -0.119 135
0.982 0.678 -0.084 137
0.059 0.750 -0.007 141
0.825 0.351 -0.368 120
0.845 0.868 0.393 165
U1 U2 X X'
0.141 0.472 -1.949 26
0.176 0.891 1.444 228
0.050 0.377 -1.752 38
0.926 0.236 0.034 144
0.583 0.871 0.716 184
0.487 0.762 0.093 147
0.760 0.080 0.649 180
Simulasi IV
U1 U2 X X'
0.495 0.855 0.728 185
0.036 0.444 -2.424 -2
0.913 0.059 0.399 166
0.561 0.640 -0.683 101
0.003 0.655 -1.919 28
0.666 0.447 -0.852 91
0.433 0.075 1.153 210
0.450 0.386 -0.955 85
0.728 0.610 -0.615 105
0.749 0.269 -0.091 136
0.851 0.371 -0.390 119
0.096 0.358 -1.359 61
Simulasi V
U1 U2 X X'
0.630 0.176 0.429 167
0.081 0.941 2.093 266
0.778 0.788 0.166 152
0.270 0.406 -1.345 62
0.833 0.712 -0.141 133
0.854 0.720 -0.106 136
0.047 0.739 -0.176 131
0.755 0.401 -0.608 106
0.876 0.185 0.205 154
0.342 0.768 0.164 152
0.434 0.865 0.854 193
0.123 0.293 -0.550 109
b. Pada Wisman asal
Malaysia Simulasi I
U1 U2 X X'
0.008 0.194 1.055 147,431
0.221 0.566 -1.590 84,306
0.857 0.925 0.495 134,066
0.370 0.341 -0.761 104,085
0.140 0.251 -0.008 122,060
0.347 0.080 1.275 152,668
0.705 0.026 0.824 141,922
0.841 0.851 0.349 130,584
0.741 0.667 -0.385 113,072
0.469 0.422 -1.085 96,359
0.422 0.506 -1.312 90,953
0.740 0.091 0.653 137,827
Simulasi II
U1 U2 X X'
0.372 0.362 -0.910 100,548
0.683 0.799 0.266 128,609
0.486 0.745 -0.036 121,389
0.408 0.848 0.776 140,756
0.878 0.739 -0.034 121,446
0.002 0.754 0.099 124,619
0.937 0.588 -0.308 114,893
0.854 0.313 -0.217 117,074
0.974 0.791 0.059 123,658
0.786 0.864 0.457 133,153
0.308 0.256 -0.056 120,908
0.027 0.902 2.191 174,526
Simulasi III
U1 U2 X X'
0.383 0.717 -0.287 115,415
0.599 0.325 -0.458 111,319
0.824 0.172 0.292 129,215
0.618 0.663 -0.512 110,038
0.897 0.958 0.449 132,961
U1 U2 X X'
0.913 0.724 -0.068 120,622
0.450 0.888 0.962 145,200
0.927 0.772 0.054 123,537
0.644 0.057 0.879 143,229
0.449 0.509 -1.263 92,111
0.876 0.597 -0.422 112,187
0.404 0.789 0.326 130,030
Simulasi IV
U1 U2 X X'
0.441 0.196 0.426 132,426
0.807 0.389 -0.501 110,288
0.364 0.946 1.341 154,257
0.470 0.420 -1.079 96,519
0.567 0.175 0.485 133,825
0.434 0.883 0.959 145,130
0.324 0.510 -1.497 86,528
0.343 0.041 1.413 155,969
0.474 0.859 0.775 140,749
0.499 0.722 -0.208 117,295
0.426 0.665 -0.667 106,335
0.028 0.155 1.505 158,171
Simulasi V
U1 U2 X X'
0.427 0.797 0.377 131,244
0.536 0.642 -0.699 105,577
0.995 0.889 0.073 124,000
0.656 0.205 0.254 128,322
0.290 0.735 -0.151 118,658
0.407 0.837 0.695 138,830
0.628 0.312 -0.369 113,452
0.214 0.734 -0.175 118,087
0.513 0.864 0.762 140,424
0.095 0.670 -1.049 97,220
0.742 0.880 0.562 135,652
0.785 0.479 -0.690 105,780
c. Pada Wisman asal
Filipina Simulasi I
U1 U2 X X'
0.640 0.061 0.877 1,419
0.212 0.064 1.624 1,617
0.793 0.282 -0.135 1,152
0.212 0.014 1.755 1,652
0.063 0.208 0.621 1,351
0.039 0.095 2.107 1,745
0.889 0.925 0.433 1,302
0.524 0.549 -1.084 901
0.747 0.717 -0.159 1,145
0.231 0.307 -0.598 1,029
0.841 0.186 0.231 1,248
0.139 0.050 1.890 1,687
Simulasi II
U1 U2 X X'
0.887 0.548 -0.466 1,064
0.315 0.759 0.088 1,210
0.562 0.284 -0.225 1,128
0.043 0.344 -1.392 819
0.027 0.263 -0.216 1,130
0.268 0.209 0.411 1,296
0.014 0.753 0.056 1,202
0.115 0.367 -1.393 819
0.088 0.470 -2.166 614
0.570 0.237 0.085 1,210
0.691 0.175 0.389 1,290
0.742 0.211 0.188 1,237
Simulasi III
U1 U2 X X'
0.091 0.044 2.106 1,744
0.136 0.293 -0.533 1,046
0.339 0.394 -1.155 882
0.687 0.400 -0.701 1,002
U1 U2 X X'
0.266 0.688 -0.617 1,024
0.803 0.644 -0.410 1,079
0.099 0.820 0.919 1,430
0.389 0.910 1.161 1,494
0.692 0.313 -0.331 1,100
0.255 0.977 1.636 1,620
0.474 0.650 -0.716 998
0.225 0.987 1.722 1,643
Simulasi IV
U1 U2 X X'
0.595 0.893 0.796 1,398
0.363 0.181 0.598 1,345
0.123 0.463 -1.993 660
0.576 0.150 0.615 1,350
0.963 0.465 -0.268 1,116
0.743 0.612 -0.586 1,032
0.059 0.431 -2.159 616
0.109 0.747 -0.044 1,176
0.246 0.280 -0.316 1,104
0.971 0.754 0.006 1,189
0.277 0.512 -1.598 765
0.532 0.548 -1.072 904
Simulasi V
U1 U2 X X'
0.895 0.633 -0.315 1,104
0.031 0.651 -1.534 781
0.287 0.166 0.800 1,399
0.294 0.006 1.563 1,601
0.302 0.544 -1.489 793
0.439 0.993 1.282 1,526
0.337 0.176 0.664 1,363
0.098 0.940 2.006 1,718
0.654 0.446 -0.869 958
0.784 0.141 0.442 1,304
0.872 0.160 0.281 1,262
0.990 0.760 0.008 1,189
d. Pada Wisman asal
Singapura Simulasi I
U1 U2 X X'
0.874 0.169 0.252 14,553
0.720 0.182 0.336 14,864
0.254 0.681 -0.692 11,046
0.891 0.428 -0.433 12,007
0.990 0.307 -0.050 13,431
0.003 0.196 1.133 17,827
0.608 0.115 0.748 16,397
0.634 0.610 -0.736 10,882
0.993 0.426 -0.107 13,219
0.858 0.492 -0.554 11,558
0.386 0.425 -1.228 9,054
0.274 0.255 -0.047 13,444
Simulasi II
U1 U2 X X'
0.021 0.386 -2.094 5,833
0.950 0.501 -0.321 12,423
0.667 0.750 0.002 13,624
0.972 0.094 0.199 14,356
0.642 0.318 -0.390 12,168
0.521 0.014 1.138 17,846
0.876 0.768 0.057 13,829
0.109 0.452 -2.011 6,141
0.878 0.161 0.272 14,627
0.201 0.865 1.181 18,007
0.135 0.131 1.360 18,672
0.556 0.976 1.070 17,595
Simulasi III
U1 U2 X X'
0.642 0.993 0.941 17,113
0.448 0.471 -1.245 8,989
0.672 0.777 0.152 14,183
0.120 0.575 -1.835 6,796
U1 U2 X X'
0.819 0.197 0.208 14,391
0.546 0.239 0.078 13,908
0.443 0.670 -0.614 11,336
0.677 0.116 0.658 16,064
0.817 0.843 0.350 14,916
0.986 0.609 -0.131 13,129
0.792 0.508 -0.681 11,084
0.814 0.210 0.160 14,213
Simulasi IV
U1 U2 X X'
0.670 0.721 -0.161 13,017
0.265 0.667 -0.814 10,590
0.840 0.600 -0.478 11,841
0.128 0.982 2.015 21,103
0.356 0.884 1.075 17,611
0.363 0.044 1.369 18,703
0.362 0.416 -1.232 9,039
0.287 0.291 -0.403 12,120
0.081 0.997 2.240 21,941
0.930 0.675 -0.174 12,969
0.590 0.438 -0.950 10,086
0.781 0.581 -0.614 11,337
Simulasi V
U1 U2 X X'
0.036 0.951 2.455 22,741
0.085 0.076 1.970 20,938
0.951 0.035 0.310 14,770
0.243 0.036 1.639 19,708
0.592 0.736 -0.088 13,290
0.864 0.863 0.354 14,931
0.390 0.699 -0.432 12,010
0.363 0.960 1.378 18,739
0.011 0.732 -0.340 12,353
0.211 0.022 1.748 20,114
0.771 0.334 -0.362 12,271
0.371 0.907 1.176 17,985
e. Pada Wisman asal
Thailand Simulasi I
U1 U2 X X'
0.912 0.219 0.084 2,919
0.220 0.176 0.780 3,695
0.537 0.754 0.030 2,859
0.712 0.512 -0.822 1,908
0.741 0.659 -0.420 2,357
0.129 0.291 -0.510 2,256
0.979 0.339 -0.109 2,704
0.272 0.065 1.481 4,478
0.072 0.470 -2.254 310
0.700 0.700 -0.261 2,534
0.117 0.971 2.037 5,099
0.286 0.909 1.331 4,311
Simulasi II
U1 U2 X X'
0.471 0.483 -1.219 1,464
0.312 0.712 -0.362 2,421
0.872 0.632 -0.352 2,432
0.123 0.189 0.769 3,684
0.313 0.999 1.523 4,525
0.162 0.981 1.895 4,940
0.823 0.645 -0.383 2,398
0.846 0.775 0.090 2,925
0.148 0.762 0.150 2,992
0.305 0.989 1.538 4,542
0.610 0.435 -0.912 1,807
0.650 0.230 0.118 2,957
Simulasi III
U1 U2 X X'
0.659 0.796 0.259 3,114
0.979 0.314 -0.081 2,735
0.880 0.909 0.425 3,300
0.285 0.342 -0.862 1,864
U1 U2 X X'
0.954 0.320 -0.131 2,679
0.082 0.570 -2.021 570
0.988 0.495 -0.157 2,650
0.684 0.312 -0.333 2,454
0.563 0.918 0.933 3,866
0.193 0.394 -1.426 1,234
0.604 0.722 -0.177 2,628
0.757 0.579 -0.656 2,093
Simulasi IV
U1 U2 X X'
0.928 0.000 0.387 3,257
0.190 0.560 -1.693 936
0.780 0.572 -0.634 2,118
0.703 0.624 -0.596 2,160
0.059 0.618 -1.759 863
0.986 0.090 0.142 2,984
0.722 0.131 0.550 3,440
0.957 0.624 -0.209 2,592
0.949 0.184 0.130 2,970
0.555 0.379 -0.787 1,947
0.551 0.710 -0.273 2,521
0.268 0.542 -1.565 1,079
Simulasi V
U1 U2 X X'
0.506 0.748 -0.013 2,811
0.613 0.492 -0.989 1,722
0.457 0.111 0.956 3,893
0.035 0.113 1.958 5,011
0.828 0.534 -0.600 2,156
0.337 0.403 -1.209 1,476
0.910 0.818 0.181 3,027
0.494 0.757 0.056 2,888
0.111 0.529 -2.061 525
0.060 0.119 1.737 4,764
0.145 0.309 -0.709 2,034
0.463 0.355 -0.760 1,977
Lampiran 6. Hasil Peramalan
Hasil Peramalan Jumlah Wisman Asal Brunei Darussalam

No U1 U2 X X'
1 0.432 0.437 -1.195 71
2 0.554 0.338 -0.569 108
3 0.014 0.056 2.734 304
4 0.741 0.349 -0.451 115
5 0.169 0.688 -0.721 99
Hasil Peramalan Jumlah Wisman Asal Malaysia

No U1 U2 X X'
1 0.707 0.476 -0.823 102,608
2 0.502 0.304 -0.389 112,972
3 0.777 0.288 -0.168 118,251
4 0.664 0.850 0.534 134,984
5 0.679 0.092 0.738 139,855
Hasil Peramalan Jumlah Wisman Asal Filipina
No U1 U2 X X'
1 0.255 0.841 0.895 1,424
2 0.319 0.012 1.508 1,586
3 0.721 0.184 0.327 1,274
4 0.843 0.977 0.579 1,340
5 0.512 0.077 1.022 1,458
Hasil Peramalan Jumlah Wisman Asal Singapura

No U1 U2 X X'
1 0.379 0.982 1.384 18,761
2 0.215 0.250 -0.001 13,611
3 0.906 0.587 -0.378 12,210
4 0.057 0.961 2.318 22,231
5 0.114 0.017 2.070 21,311
Hasil Peramalan Jumlah Wisman Asal Thailand

No U1 U2 X X'
1 0.619 0.888 0.748 3,660
2 0.852 0.540 -0.549 2,213
3 0.247 0.918 1.454 4,448
4 0.478 0.203 0.355 3,221
5 0.538 0.110 0.857 3,782
70

71

Peramalan Jumlah Wisatawan Mancanegara Asal Negara Anggota Asean Di Sumatera Utara Menggunakan Simulasi Monte Carlo

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Peramalan Jumlah Wisatawan Mancanegara Asal Negara Anggota Asean Di Sumatera Utara Menggunakan Simulasi Monte Carlo

Diunggah oleh

Hak Cipta:

Format Tersedia

Universitas Sumatera Utara

Repositori Institusi USU http://repositori.usu.ac.id

Peramalan Jumlah Wisatawan

SK, Andri Saputra

UNIVERSITAS SUMATERA UTARA

PERAMALAN JUMLAH WISATAWAN MANCANEGARA ASAL NEGARA

Medan, Juni 2019

UNIVERSITAS SUMATERA UTARA

Judul : Peramalan Jumlah Wisatawan Mancanegara Asal

Ketua Departemen Matematika

Dr. Suyanto, M.Kom Dr. Suyanto, M.Kom

Forecasting is an important tool in effective and efficient planning to predict

Keywords: forecasting, foreign tourists, Monte Carlo simulation, trend data

1. Bapak Dr. Suyanto, M.Kom selaku Dosen Pembimbing sekaligus Ketua

BAB 2 TINJAUAN PUSTAKA 4

BAB 3 METODE PENELITIAN 21

BAB 5 KESIMPULAN DAN SARAN 52

1.1 Latar Belakang

Pariwisata merupakan sektor ekonomi yang penting di Indonesia.

UNIVERSITAS SUMATERA UTARA

Pada data wisatawan mancanegara (wisman) yang datang ke Sumatera

UNIVERSITAS SUMATERA UTARA

1.2 Rumusan Masalah

Berdasarkan uraian di atas, maka rumusan masalah yang diteliti yaitu

1.3 Tujuan Penelitian

Tujuan penelitian ini adalah untuk mengetahui peramalan jumlah wisman

1.4 Manfaat Penelitian

Manfaat yang diberikan dari penelitian ini adalah memberikan informasi

Peramalan merupakan alat bantu yang penting dalam perencanaan yang

UNIVERSITAS SUMATERA UTARA

2.1.2 Jenis Metode Peramalan

Secara ilmiah metode peramalan dapat diklasifikasikan dalam dua kelompok

2.1.3 Pola Data

UNIVERSITAS SUMATERA UTARA

Gambar 2.2 Pola Data Musiman.

Gambar 2.3 Pola Data Siklis.

Gambar 2.4 Pola Data Trend.

2.2 Wisatawan Mancanegara

Definisi wisatawan mancanegara (wisman) sesuai dengan

Wisatawan adalah setiap pengunjung seperti definisi di atas yang tinggal

a. Personal: berlibur, rekreasi, mengunjungi teman atau keluarga, belajar atau

b. Bisnis dan profesional: menghadiri pertemuan, konferensi atau kongres,

Pelancong adalah setiap pengunjung seperti definisi di atas yang tinggal

2.3 Simulasi Monte Carlo

Simulasi merupakan salah satu cara untuk memecahkan berbagai persoalan

2.3.2 Kelebihan dan Kekurangan dari Simulasi

Kakiay (2003) mengemukakan bahwa keuntungan yang diperoleh dengan

Teknik dalam melakukan Simulasi menurut Render et al, (2009) dibagi

2.3.3 Metode Monte Carlo

Metode Monte Carlo adalah sebuah penarikan yang melibatkan serangkaian

2.4 Uji Kenormalan

Berdasarkan penjelasan di atas mengenai beberapa uji kenormalan data,

2.5 Random Number Generator

2.6 Generate Random Variate

Dalam melakukan simulasi komputer, pertama harus dapat diketahui atau

Pada penelitian ini akan dibahas generate random variate berdistribusi

−∞ < 𝜇 < ∞; 𝜎 > 0; ∞ < 𝑥 < ∞.

Sifat-sifat penting dari distribusi normal adalah:

1. Grafiknya selalu ada di atas sumbu datar 𝑥

Metode yang lazim digunakan untuk membangkitkan sampel acak dari

Dari data bilanganacak tersebut, dapatdiperoleh 2 independen normal diskret, yaitu:

𝑋1 = √−2 ln 𝑈1 cos 2𝜋𝑈2