Best Forecasting Model on Arrivals of Foreign Visitors to DKI

Jakarta by Port of Entry

NAMA : IMAM HIDAYAT, SST

NRP : G 152150211
DOSEN : Dr. I Made Sumerta Jaya, MSi
Dr. Bagus Sartono, MSi
Dr. Utami Dyah Savitri, MSi
:

PROGRAM STUDI STATISTIKA TERAPAN

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2016
 KATA PENGANTAR

Tulisan dengan judul Best Forecasting Model on Arrivals of Foreign Visitors to DKI
Jakarta by Port of Entry ini menyajikan gambaran pergerakan wisatwan mancanegara yang
datang ke DKI Jakarta melalui Bandara Soekarno Hatta, Bandara Halim Perdana Kusuma
dan Pelabuhan Tannjung Priok diduga selain mempunyai keterkaitan dengan jumlah
wisatawan pada waktu-waktu sebelumnya juga mempunyai keterkaitan dengan pergerakan
jumlah wisatawan di pintu masuk lain yang seringkali disebut dengan hubungan spasial.
Harapan saya, hasil penelitian ini bermanfaat bagi fihak-fihak terkait, terutama
sebagai informasi para penentu kebijakan sektor pariwisata dalam merumuskan kebijakan
yang akan datang khususnya dalam program pariwisata di DKI Jakarta.
Penulis menyadari, tanpa bantuan dari berbagai fihak, rasanya mustahil dan sungguh
terasa sangat berat untuk bisa menyelesaikan tulisan ini. Karena itu, pada kesempatan ini
penulis menyampaikan terima kasih dan penghargaan yang setinggi-tingginya kepada yang
terhormat :

1. Bapak Dr. I Made Sumerta Jaya, M.Si selaku dosen yang telah berkenan meluangkan waktu
dan memberikan materi kuliah Pemodelan Space Time di mata kuliah Kapita Selekta serta
dorongan semangat kepada penulis hingga tulisan ini selesai.

2. Bapak Dr. Bagus Sartono, M.Si selaku selaku dosen yang telah berkenan meluangkan waktu
dan memberikan materi kuliah Kapita Selekta serta dorongan semangat kepada penulis
hingga tulisan ini selesai.
3. Bapak Dr. Utami Dyah Savitri, M.Si selaku selaku dosen yang telah berkenan meluangkan
waktu dan memberikan materi kuliah Kapita Selekta serta dorongan semangat kepada penulis
hingga tulisan ini selesai.
4. Fihak lain yang tidak bisa kami sebutkan satu persatu, yang banyak berperan membantu
dalam penyelesaian penulisan ini.
Akhirnya, saran dan kritik membangun dari semua fihak sangat diharapkan untuk
penyempurnaan tulisan ini.

Bogor, November 2016

Penulis

Imam Hidayat

i
 DAFTAR ISI

Kata Pengantar i
Daftar Isi ii
Daftar Tabel iii
Daftar Gambar v
Pendahuluan 1
Latar Belakang 1
Tujuan 1
Metodologi 2
Hasil dan Pembahasan 10
Analisis Deskriptif 11
Membangun Model Rataan Berupa Box-Jenkins 13
Membangun Model Vector Auto Regressive (VAR) 21
Membangun Model GSTAR Bobot Inverse Jarak 25
Membangun Model GSTAR Bobot Seragam 31
Kesimpulan dan Saran 37
Lampiran 38
Daftar Pustaka 41

ii
 DAFTAR TABEL

Tabel 1. Data Wisatawan Mancanegara Datang ke DKI Jakarta Tahun 2010-2015 10

Tabel 2. Data Training 11
Tabel 3. Data Testing 11
Tabel 4. Statistika Deskriptif Data Wisatawan Mancanegara Datang ke DKI Jakarta 12
Tabel 5. Matriks Korelasi Jumlah Wisatawan Mancanegara yang datang ke
DKI Jakarta Antar Pintu Masuk 13
Tabel 6: Pola ACF dan PACF 14
Tabel 7. Ringkasan Pengecekan Autokorelasi untuk White Noise Ketiga Series 16
Tabel 8. Ringkasan Pengecekan Minimum Information Criteria (MIC)
untuk Ketiga Series 16
Tabel 9. Ringkasan Augmented Dickey-Fuller Unit Root Tests untuk Ketiga Series 17
Tabel 10. Ringkasan Hasil Estimasi untuk Ketiga Series 17
Tabel 11. Ringkasan Model Terbaik untuk Ketiga Series 19
Tabel 12. Hasil Peramalan Model ARMA (1,1) 20
Tabel 13. Ringkasan RMSE model ARMA(1,1) pada Setiap Lokasiuntuk Ketiga Series 20
Tabel 14. Deskriptif Data Training pada Setiap Lokasi 21
Tabel 15. Ringkasan uji Augmented Dickey Fuller (ADF) Unit Root Tests 22
Tabel 16. Ringkasan Nilai Minimum Information Criterion (MIC) 22
Tabel 17. Ringkasan Prediksi Parameter ketiga Series 22
Tabel 18. Portmanteau Test for Cross Correlations of Residuals ketiga Series 23
Tabel 19. Univariate Model ANOVA Diagnostics ketiga Series 23
Tabel 20. Univariate Model White Noise Diagnostics ketiga Series 23
Tabel 21. Univariate Model AR Diagnostics ketiga Series 23
Tabel 22. Hasil Peramalan Model Var(1) untuk Ketiga Series 23
Tabel 23. Ringkasan RMSE model VAR pada Setiap Lokasi 24
Tabel 24. Output (2) Nonlinear OLS Summary of Residual Errors GSTAR
Bobot Inverse Jarak 27
Tabel 25. Dugaan parameter GSTAR Bobot Inverse Jarak 27
Tabel 26. Hasil Peramalan Model GSTAR Bobot Inverse Jarak 30
Tabel 27. Ringkasan RMSE model GSTAR GSTAR Bobot Inverse Jarak 31
Tabel 28. Output (2) Nonlinear OLS Summary of Residual Errors GSTAR

iii
 Bobot Seragam 32
Tabel 29. Dugaan Parameter GSTAR Bobot Seragam 32
Tabel 30. Hasil Peramalan Model GSTAR Bobot Seragam 35
Tabel 31. Ringkasan RMSE model GSTAR Bobot Seragam 36
Tabel 32. Ringkasan RMSE Berbagai Model untuk Permalan Ketiga Lokasi 36

iv
 DAFTAR GAMBAR

Gambar 1. Tahapan ARIMA 6

Gambar 2. Syntax Program Import Data Asal (tugas.xlsx) 10
Gambar 3. Syntax Program Pemilahan Data Training dan Testing 11
Gambar 4. Time series Plot untuk Series Z1, Z2, Z3 12
Gambar 5. Syntax Program untuk Identifikasi, Estimasi dan Diagnostic Checking 13
Gambar 6. Plot ACF, PACF dan IACF untuk Series Z1 14
Gambar 7. Plot ACF, PACF dan IACF untuk Series Z2 15
Gambar 8. Plot ACF, PACF dan IACF untuk Series Z3 15
Gambar 9. Residual Diagnostik Plot untuk ketiga series 18
Gambar 10. Residual Normality Diagnostics untuk ketiga series 19
Gambar 11. Syntax Program Penghitungan RM 20
Gambar 12. Syntax Program untuk Perisapan Data Penyusun Model VAR 21
Gambar 13. Syntax Program untuk Penentuan Ordo Optimal Model VAR ketiga series 21
Gambar 14. Syntax Program untuk Penghitungan RMSE model VAR ketiga series 23
Gambar 15. Ilustrasi Peta lokasi 26
Gambar 16.Syntax program untuk Penyusunan GSTAR Bobot Inverse Jarak 26
Gambar 17. Output (1) Model Summary GSTAR Bobot Inverse Jarak 27
Gambar 18. Output (4) Hasil Fit diagnostic Series Z1 GSTAR Bobot Inverse Jarak 28
Gambar 19. Output (5) Hasil Fit diagnostic Series Z2 GSTAR Bobot Inverse Jarak 28
Gambar 20. Output (6) Hasil Fit diagnostic Series Z3 GSTAR Bobot Inverse Jarak 29
Gambar 21. Syntax untuk Peramalan Model GSTAR Bobot Inverse Jarak 30
Gambar 22. Syntax Program untuk Penghitungan RMSE model GSTAR
Bobot Inverse Jarak 31
Gambar 23.Syntax program untuk Penyusunan GSTAR Bobot Seragam 31
Gambar 24. Output (1) Model Summary GSTAR Bobot Seragam 32
Gambar 25. Output (2) Hasil Fit diagnostic Series Z1 GSTAR Bobot Seragam 33
Gambar 26. Output (3) Hasil Fit diagnostic Series Z2 GSTAR Bobot Seragam 33
Gambar 27. Output (4) Hasil Fit diagnostic Series Z3 GSTAR Bobot Seragam 34
Gambar 28. Syntax untuk Peramalan Model GSTAR Bobot Seragam 35
Gambar 29. Syntax Program untuk Penghitungan RMSE model GSTAR Bobot Seragam 36

v
 BAB I. PENDAHULUAN

Data deret waktu dari beberapa lokasi yang berdekatan seringkali mempunyai
hubungan yang saling bergantung [1]. Model Generalized Space Time Autoregrresive
(GSTAR) adalah salah satu model yang banyak digunakan untuk memodelkan dan
meramalkan data deret waktu dan lokasi.
Model ini merupakan pengembangan dari model Space Time Autoregrresive
(STAR) yang cenderung tidak fleksibel saat dihadapkan pada lokasi-lokasi yang memiliki
karakteristik yang heterogen [5]. Salah satu penelitian mengenai model GSTAR adalah
Model Generalisasi Lokasi Time Autoregresi dan Penerapannya pada Produksi Minyak
Bumi[6]. Studi model GSTAR tersebut dimotivasi oleh fenomena produksi minyak bumi
yang memiliki keheterogenan tinggi, sehingga model STAR kurang sesuai dalam
mendeskripsikan dan memperkirakan produksi minyak. Penelitian lain mengenai model
GSTAR adalah mengenai kekonsistenan least square sebagai metode estimasi dalam
model pada studi kasus pada produksi teh bulanan di Jawa Barat[2].
Salah satu permasalahan utama pada pemodelan GSTAR adalah pemilihan dan
penentuan bobot lokasi. Bobot lokasi yang baik adalah bobot lokasi yang membentuk
model dengan kesalahan ramalan terkecil. Secara umum terdapat tiga bobot lokasi yang
digunakan dalam GSTAR, yaitu bobot lokasi seragam, bobot lokasi invers jarak, dan bobot
lokasi normalisasi korelasi silang.
Beberapa penelitian yang berkaitan dengan penentuan bobot lokasi antara lain
mengkaji tentang penggunaan bobot lokasi seragam pada data produktivitas teh di beberapa
perkebunan [6]. Penentuan bobot lokasi dengan menggunakan normalisasi hasil inferensia
statistik terhadap korelasi silang antar lokasi merupakan cara yang optimal untuk
pemodelan GSTAR dibandingkan dengan bobot lokasi seragam[7].
Namun, karakteristik suatu data mempunyai keunikan sendiri, sehingga
memungkinkan adanya pemilihan dan penentuan bobot lokasi yang berbeda. Pada
penelitian ini analisis GSTAR diaplikasikan untuk memodelkan wisatawan mancanegara
yang datang ke DKI Jakarta melalui pintu masuk : Bandara Soekarno Hatta, Bandara
Halim Perdana Kusuma dan Pelabuhan Tanjung Priok yang datanya diambil per bulan dari
tahun 2009 sampai dengan 2015.
Pergerakan wisatwan mancanegara yang melalui tiap pintu masuk diduga selain
mempunyai keterkaitan dengan jumlah wisatawan pada waktu-waktu sebelumnya juga
mempunyai keterkaitan dengan pergerakan jumlah wisatawan di pintu masuk lain yang
seringkali disebut dengan hubungan spasial. Model yang diharapkan yaitu model yang
menggambarkan keterkaitan waktu dan lokasi pada data wisatawan mancanegara yang
datang ke DKI Jakarta menurut pintu masuk setiap bulan berdasarkan penentuan bobot
lokasi yang memberikan nilai kesalahan ramalan terkecil.
Tujuan dari penelitian ini yaitu untuk memperoleh model space-time terbaik dengan
membandingkan dan mengevaluasi ketepatan ramalan berbagai bobot lokasi dari model
GSTAR pada data wisatawan mancanegara yang datang ke DKI Jakarta menurut pintu
masuk setiap bulan

1
 BAB II. METODOLOGI

Proses Linear Umum (𝒁𝒕 )

Misalkan :{𝑍𝑡 } adalah data deret waktu dan {𝑎𝑡 } adalah white noise

Proses linier Umum {𝑍𝑡 } adalah suatu proses yang merupakan kombinasi linier dari white
noise sekarang dan sebelumnya

𝑍𝑡 = 𝑎𝑡 + 1 𝑎𝑡−1 + 2 𝑎𝑡−2 + . . .

𝑖=1 𝑖 < ∞
2
Dengan ∑∞

Perhatikan bila 𝑖 =  𝑖 dengan −1 <  < 1 maka

𝑍𝑡 = 𝑎𝑡 + 1 𝑎𝑡−1+ 2 𝑎𝑡−2 + . . .

Nilai harapan : E (𝑍𝑡 ) = E (𝑎𝑡 + 1 𝑎𝑡−1+ 2 𝑎𝑡−2 + . . .)

= E (𝑎𝑡 ) +  E (𝑎𝑡−1 ) + ⋯ ….
=0

Ragam : Var (𝑍𝑡 ) = Var (𝑎𝑡 +  𝑎𝑡−1 +  2 𝑎𝑡−2 + . . . , )

= Var (𝑎𝑡 ) +  2 Var (𝑎𝑡−1) +  4 Var (𝑎𝑡−2) + …….

= 2𝑎 ( 1 +  2 +  4 + ⋯ … . . )
1
= 2𝑎
1−  2

Koragam : Cov (𝑍𝑡 , 𝑍𝑡−1 ) = Cov (𝑎𝑡 +  𝑎𝑡−1 +  2 𝑎𝑡−2 + . . . , 𝑎𝑡−1 + 𝑎𝑡−2+  2 𝑎𝑡−3 )

= Cov ( 𝑎𝑡−1 , 𝑎𝑡−1 ) + Cov ( 2 𝑎𝑡−2 ,  𝑎𝑡−2) +……

=  2𝑎 ( 1 +  2 +  4 + ⋯ … . . )

= 2𝑎 1−  2


Cov (𝑍𝑡 ,𝑍𝑡−1 ) 2𝑎
1−  2
Korelasi : Corr (𝑍𝑡 , 𝑍𝑡−1 ) = = 1 =
Var (𝑍𝑡 ) 𝑎
2
1−  2

 𝑘 2𝑎
𝛾𝑘 = Cov (𝑍𝑡 , 𝑍𝑡−𝑘 ) = dan Corr (𝑍𝑡 , 𝑍𝑡−𝑘 ) =  𝑘 untuk k = 0, 1, 2, ……
1−  2

Mengacu kepada konsep weak stationarity, ∀t, k, s ≥ 1, suatu series {𝑍𝑡 } dikatakan
stasioner bila:

E (𝑍𝑡 ) = E (𝑍𝑡−𝑘 )

Var (𝑍𝑡 ) = Var(𝑍𝑡−𝑘 )

Cov(𝑍𝑡 , 𝑍𝑡 ) = Cov(𝑍𝑡−𝑘 , 𝑍𝑠−𝑘 )

2
Matrix Autocorrelation Function (MACF)
Diberikan suatu vektor time series sebanyak n pengamatan 𝑧1 , 𝑧2 , … … … … , 𝑧𝑛
matriks korelasi sampel dinyatakan sebagai:

𝜌̂(𝑘) = [ 𝜌̂𝑖𝑗 (𝑘)]…………………………...........................................................................(1)

Dengan 𝜌̂𝑖𝑗 (𝑘) adalah korelasi silang sampel dari komponen deret ke-i dan ke-j yaitu

∑𝑛−𝑘 ̅ ̅
𝑡=1 ( 𝑍𝑖,𝑡 − 𝑍𝑖 )( 𝑍𝑗,𝑡+𝑘 − 𝑍𝑗 )
𝜌̂𝑖𝑗 (𝑘) = ………………………………………………..(2)
[∑𝑛 ̅ 2 𝑛 ̅ 2 1/2
𝑡=1( 𝑍𝑖,𝑡 − 𝑍𝑖 ) ∑𝑡=1( 𝑍𝑗,𝑡 − 𝑍𝑗 ) ]

dengan 𝑍̅𝑖 dan 𝑍𝑗̅ adalah mean sampel dari komponen deret yang bersesuaian.

Bentuk matriks dan grafik semakin kompleks apabila dimensi dan vektornya
semakin besar, sehingga menyulitkan dalam hal pengidentifikasian. Untuk mempermudah
metode yang digunakan adalah dengan menggunakan simbol yang dinotasikan dengan
(+),(-) dan (.) pada matriks korelasi sampel ke (i,j)[9]. Simbol (+) diartikan sebagai lebih
besar dari 2 kali standar error dan menunjukkan hubungan memiliki korelasi positif. Simbol
(-) menyatakan suatu nilaikurang dari -2 kali standar error dan menunjukkan hubungan
memiliki korelasi negatif. Sedangkan symbol (.) menotasikan berada diantara ±2 kali
standar error dan menunjukkan tidak adanya korelasi.

Matrix Partial Autocorrelation Function (MPACF)

Fungsi Matriks parsial korelasi sampel sangat diperlukan dalam model AR.
Korelasi antara 𝑧𝑡 dan 𝑧𝑡+𝑘 bisa diketahui setelah dependensi linear pada variabel
𝑧𝑡+1 , 𝑧𝑡+2 , … … … … , 𝑧𝑡+𝑘−1 dihilangkan. Persamaan Matrix Partial Autocorrelation
Function (MPACF) dirumuskan sebagai berikut[9]:
𝑐𝑜𝑣 [ ( 𝑍𝑡 − 𝑍̅𝑡 )−( 𝑍𝑡+𝑘 − 𝑍̅𝑡+𝑘 )]
𝑘𝑘 = ………………………………………………………(3)
√𝑣𝑎𝑟 ( 𝑍𝑡 − 𝑍̅𝑡 ) √𝑣𝑎𝑟 ( 𝑍𝑡+𝑘 − 𝑍̅𝑡+𝑘 )

Matriks fungsi korelasi parsial pada lag ke-s (P(s)) sebagai koefisien matriks
terakhir jika data diterapkan untuk suatu proses vector autoregressive pada orde ke-s i[3].
Hal ini merupakan pengembangan definisi fungsi parsial sampel untuk univariate time
series[3]. Sehingga P(s) sama dengan dalam regresi linier multivariat. Seperti PACF kasus
univariate time series, MAPCF juga bersifat terputus setelah lag p pada model VAR (p).

Model GSTAR (Generalized Lokasi-Time Autoregressive)

Model GSTAR merupakan suatu model yang lebih fleksibel sebagai generalisasi
dari model STAR. Secara matematis, notasi dari model GSTAR(p1) adalah sama dengan
model STAR(p1). Perbedaan utama terletak pada nilai-nilai parameter. Pada model STAR
nilai parameter diasumsikan sama untuk semua lokasi, sedangkan pada model GSTAR nilai
parameter pada spasial lag yang sama antar lokasi diperbolehkan berlainan. Model GSTAR
( 𝑝1) dapat ditulis sebagai berikut:
𝑝
Z(t) = ∑𝑘=1[ k0 + k1 𝑾 ] 𝒁(𝑡−𝑘) + 𝑒𝑡 …………………………………………………………………………………..(4)

3
dengan

k0: diag ( 1k0 , 2k0 , …….., 𝑁

k0 ) dan k1 : diag ( k1 , k1 , …….., k1 )
1 2 𝑁

Bobot-bobot dipilih sedemikian hingga 𝑊𝑖𝑡 = 0 dan ∑𝑖 ≠𝑗 𝑊𝑖𝑗 = 1

Pemilihan Bobot Lokasi pada Model GSTAR

Bobot Seragam (Uniform)
1
Bobot seragam didefinisikan dalam 𝑊𝑖𝑗 = , dengan 𝑛𝑖 = banyaknya lokasi yang
𝑛𝑖
berdekatan dengan lokasi i. Bobot lokasi ini memberikan nilai bobot yang sama untuk
masing-masing lokasi. Oleh karena itu, bobot lokasi ini sering digunakan pada data yang
mempunyai jarak antar lokasi yang sama (homogen).

Bobot Invers Jarak

Pembobotan dengan invers jarak mengacu pada jarak antar lokasi[4]. Misalkan jarak di
antara 3 lokasi didefinisikan,

𝑟1 = Jarak antara lokasi 1 dengan lokasi 2

𝑟2 = Jarak antara lokasi 1 dengan lokasi 3

𝑟3 = Jarak antara lokasi 2 dengan lokasi 3

Kemudian matrik diatas distandarkan dalam bentuk 𝑤𝑖𝑗∗ untuk mendapatkan ∑𝑖 ≠𝑗 𝑊𝑖𝑗 = 1.

Bobot berdasarkan pada normalisasi korelasi silang antar lokasis pada lag waktu yang
bersesuaian.
Taksiran dari korelasi silang ini pada data sampel adalah:
∑𝒏 ̅ ̅
𝒊=𝒌+𝟏[( 𝒁𝒊 (𝒕)− 𝒁𝒊 )][( 𝒁𝒋 (𝒕−𝒌)− 𝒁𝒋 )]
𝐫𝒊𝒋 (𝒌)= …………………………………(5)
√ ( ∑𝒏 ̅ 𝟐 𝒏 ̅ 𝟐
𝒕=𝟏 [ 𝒁𝒊 (𝒕)− 𝒁𝒊 ] )( ∑𝒕=𝟏 [ 𝒁𝒋 (𝒕)− 𝒁𝒋 ] )

Selanjutnya, penentuan bobot lokasi dapat dilakukan dengan normalisasi dari

besaran-besaran korelasi silang antara lokasi pada waktu yang bersesuaian. Proses ini
secara umum menghasilkan bobot lokasi sebagai berikut:
𝑟𝑖𝑗 (1)
𝑊𝑖𝑗 = ∑𝑘≠1 |𝑟𝑖𝑘 (1)|
dengan i≠j,……………………………………………………………..(6)

Bobot ini memenuhi ∑𝑖 ≠𝑗 𝑊𝑖𝑗 = 1. Bobot lokasi dengan menggunakan normalisasi dari
besaran-besaran korelasi silang antara lokasi pada waktu yang bersesuaian ini
memungkinkan semua bentuk kemungkinan hubungan antar lokasi. Bobot ini juga
memberikan fleksibilitas pada besar dan tanda hubungan antar lokasi yang berlainan yaitu
positif dan negatif. Bobot lokasi ini merupakan bobot lokasi yang mencakup bobot lokasi
seragam dan biner[8]

4
Estimasi Parameter Least Square pada Model GSTAR
Model GSTAR dapat direpresentasikan sebagai suatu model linier dan parameter-
parameter autoregresifnya dapat diestimasi menggunakan metode least square[2]. Dengan
orde autoregresi, p=1 dan orde spasial 1, maka Persamaan (4) dapat diturunkan ke dalam
bentuk model GSTAR(11 ) sebagai berikut:

𝑍𝑖 (t) = 𝜑𝑖0 𝑍𝑖 (t − 1) + 𝜑𝑖1 ∑𝑛𝑗=1 W𝑖𝑗 𝒁𝑗 (𝑡 − 1) + 𝑒𝑖 (𝑡) …………………………………(7)

𝑍𝑖 (t) menyatakan observasi pada waktu t=0,1,…T di uts i=1, 2,…N dengan parameter
regresi waktu 𝜑𝑖0 dan spasial 𝜑𝑖1 dimana Wij menyatakan bobot lokasi i terhadap lokasi j.
Model GSTAR(11) dalam bentuk Persamaan (7) digunakan untuk melihat observasi yang
terjadi di setiap lokasi pada waktu tertentu.
Dalam melakukan penaksiran parameter terhadap suatu model linear, metode
kuadrat terkecil merupakan cara favorit dan sering digunakan oleh para peneliti maupun
praktisi. Metode ini juga diterapkan pada model GSTAR(11 ) yang dapat ditulis dalam
bentuk linear sebagai berikut:
Y = X β + u ……………………………………………………………………………….(8)
Estimasi dengan metode Least Square adalah sebagai berikut:

β = [𝐗’𝐗]−𝟏 𝑿𝒀 ………………………………………………………………………… ...(9)

Root Mean Square Error (RMSE)

Sasaran dalam peramalan adalah menghasilkan suatu ramalan yang optimum dengan error
yang sekecil mungkin. Hal ini mengarah pada nilai MSE ramalan yang minimum [9].
Secara umum, MSE diformulasikan dalam bentuk sebagai berikut,

1
RMSE = √ 𝑛 ( ∑𝒏𝒕=𝟏 [ 𝑦𝑡 − 𝑦̂𝑡 ]2 ) ………………………………………………………(10)

dengan
𝑦𝑖 = pada pengamatan pada waktu ke-t
𝑦̂𝑡 = nilai ramalan pada waktu ke-t
n = jumlah pengamatan (data testing)

Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder jumlah Wisatawan
mancanegara yang datang ke DKI Jakarta menurut Pintu Masuk dan Bulan yang diperoleh
dari Publikasi DKI Jakarta Dalam Angka tahun 2011 – 2016 mulai bulan Januari 2010
hingga bulan Desember 2015, sejumlah 72 data dan dibagi menjadi 2 bagian yaitu:
(i) Data in-sample (pemodelan) : Januari 2010 - Desember 2014 (60 data)
(ii) Data out-sample (validasi) : Januari 2015 - Desember 2015 (12 data)
Sedangkan variable-variabel yang digunakan dalam penelitian ini adalah sebagai berikut:

5
𝑍1 (t) : Jumlah Wisatawan mancanegara yang datang ke DKI Jakarta melalui Bandara
Soekarno Hatta

𝑍2 (t) : Jumlah Wisatawan mancanegara yang datang ke DKI Jakarta yang melalui
Bandara Halim Perdana Kusuma

𝑍3 (t) : Jumlah Wisatawan mancanegara yang datang ke DKI Jakarta yang melalui
Pelabuhan Tanjung Priok

Metode Analisis Data

Dalam penelitian ini dilakukan beberapa tahapan atau langkah-langkah penelitian.
Berikut merupakan penjelasan metode analisis data yang digunakan dalam penelitian ini :
1. Melakukan analisis data secara deskriptif untuk mempelajari karakteristiknya.
2. Membangun model rataan yang berupa model Box-Jenkins. Model Box-Jenkins
merupakan salah satu teknik prediksi model deret waktu yang hanya berdasarkan
perilaku data peubah yang diamati. Model Box-Jenkins ini secara teknis dikenal
sebagai model Autoregresive Integrated Moving Average (ARIMA) untuk 3 (tiga)
lokasi, yaitu : Bandar Udara Soekarno Hatta, Bandar Udara Halim Perdana Kusuma
dan Pelabuhan Tanjung Priok
Berikut ini langkah-langkah membangun model rataan sesuai dengan program yang
akan digunakan, yaitu SAS versi 9.4 :

6
a. Identification stage (Tahap Identifikasi)
Tahapan ini terdiri dari Perumusan Model Umum dan Uji Stasioneritas Data.
Sebelum menentukan model rataan tentatif, dilakukan pengujian kestasioneran
terhadap rataan. Pengujian kestasioneran terhadap rataan dilakukan dengan
menggunakan uji Augmented Dickey Fuller (ADF) yang merupakan uji formal
yang digunakan untuk melihat kestasioneran dari set data. Uji tersebut merupakan
pengembangan dari uji Dickey Fuller (Enders 2004). Kemudian dilakukan
pemerikasaan kestasioneran terhadap rataan secara deskriptif dengan
menggunakan plot autocorrelation function (ACF) dan partial autocorrelation
function (PACF).
Uji ADF menggunakan proses higher order autoregressive untuk peubah terikat.
Proses ini memungkinkan pengujian pada ordo tinggi. Misal persamaan
autoregressive ordo ke – p :

Y𝑡 = ∅1Y𝑡 – 1 + ∅2Y𝑡 – 2 + ⋯ + ∅𝑝Y𝑡−𝑝 + u𝑡

Pendekatan ADF mengontrol korelasi ordo lebih tinggi dengan menambahkan lag
periode pembedaan dari peubah terikat Y terhadap terhadap sisi kanan persamaan
sehingga diperoleh:

ΔY𝑡 = γY𝑡 – 1 + ∑𝑝𝑖=2 𝛽𝑖 ∆𝑌𝑡−𝑖+1 + u𝑡

Dengan 𝛾 = - ( 1 - ∑𝑝𝑖=1 ∅𝑖 ) dan 𝛽𝑖 = − ∑𝑝𝑗=1 ∅𝑗

Hipotesis yang digunakan untuk uji ADF adalah :

H0 : γ = 0 (Data belum stasioner dalam rataan)
H1 : γ  0 (Data sudah stasioner dalam rataan)
𝑛
dengan statistik uji :  = 1−𝛽 (𝛾 − 1)
𝑖

di mana n adalah banyaknya amatan yang digunakan. Hipotesis nol ditolak jika
statistik uji ADF () lebih kecil dari nilai kritis Dickey-Fuller pada taraf nyata
tertentu. Dengan demikian data dapat dikatakan sudah stasioner dalam rataan
(Hamilton 1994). Selanjutnya, berdasarkan ACF dan PACF ditentukan model
ARIMA tentatif.
b. Estimation and diagnostic checking stage (Tahap pendugaan dan pemeriksaan sisaan)

Identifikasi Model Tentatif & Pendugaan

Setelah berhasil identifikasi model ARIMA tentatif selanjutnya dilakukan
pendugaan parameter model. Model rataan yang memiliki penduga parameter
yang nyata dipilih sebagai model tentatif.

Diagnostic
Nilai sisaan dipelajari secara deskriptif untuk melihat apakah masih terdapat
beberapa pola yang belum diperhitungkan. Selanjutnya, dilakukan pemeriksaan
kebebasan pada sisaan (tidak autokorelasi) menggunakan Uji Ljung-Box. Statistik
uji Ljung-Box dinyatakan sebagai berikut (Enders 2004):

7
 𝑟𝑗2
𝑄𝐿𝐵 = 𝑛 (𝑛 + 2) ∑𝑘𝑖=1
−𝑘

dengan 𝑟𝑗2 adalah autokorelasi sisaan ke–j, n adalah banyaknya pengamatan, dan
k adalah lag maksimum yang diinginkan. Hipotesis yang akan diuji adalah:
H0 : Tidak terdapat autokorelasi antar sisaan di semua lag k
H1 : Terdapat autokorelasi antar sisaan di semua lag k
Statistik uji Ljung-Box menyebar Khi-kuadrat dengan derajat bebas k-p-q, di
mana p dan q merupakan orde pada model. Jika nilai 𝑄𝐿𝐵 > 2(𝑘−𝑝−𝑞) () maka
hipotesis nol (H0) ditolak dan artinya model yang dibangun tidak layak (Cryer
2008).

Deteksi ketidakhomogenan ragam sisaan pada model rataan

Langkah sederhana untuk pemeriksaan ini adalah melalui plot deret waktu data
sisaan. Selanjutnya, dilakukan pengujian keheterogenan ragam bersyarat untuk
mendeteksi keberadaan proses ARCH/GARCH dengan menggunakan uji
langrange multiplier (LM). Sisaan yang diperoleh dari model ARIMA
dikuadratkan. Kemudian dilanjutkan dengan meregresikan kuadrat sisaan dengan
menggunakan konstanta sampai lag ke q, sehingga membentuk persamaan regresi
sebagai berikut:
2
𝑢𝑡2 = 𝑘 + 𝛼1 𝑢𝑡−1 2
+ ⋯ … … … … . . + 𝛼𝑞 𝑢𝑡−𝑞 + 𝑒𝑡

Jika nilai dugaan 𝛼1 sampai dengan 𝛼𝑞 bernilai nol, maka dapat disimpulkan
bahwa 𝑢𝑡2 tidak memiliki autokorelasi yang nyata atau dengan kata lain tidak
terdapat pengaruh ARCH, sehingga hipotesis yang digunakan dalam pengujian ini
adalah:
H0 : (Tidak ada pengaruh ARCH/GARCH)
H1 : minimal ada satu , untuk i = 1,...,q (Ada pengaruh ARCH/GARCH)
dengan statistik uji LM sebagai berikut : LM = nR2
di mana n merupakan jumlah amatan dan R2 merupakan koefisien determinasi dari
model regresi kuadrat sisaan diatas. Statistik uji LM ini mengikuti sebaran khi-
kuadrat dengan derajat bebas q yang merupakan ordo dari ARCH. Hipotesis nol
(H0) akan ditolak jika statistik uji LM lebih besar dari nilai tabel dengan taraf
nyata tertentu.

Pemeriksaan kemungkinan adanya asimetri dalam model ragam

Pemeriksaan kemungkinan adanya asimetri dalam model ragam dilakukan dengan
melakukan pendugaan parameter empat jenis model GARCH asimetri dan Non-
linier. Pendugaan parameter dilakukan dengan menggunakan metode
kemungkinan maksimum.
3. Analisis model VAR (Vector Auto Regressive)
4. Analisis model STAR (Space Time Autoregressive)
5. Analisis model GSTAR (Generalized Space Time Autoregressive)

8
Adapun langkah-langkahnya :
a. Mendeskripsikan data jumlah kunjungan wisatawan mancanegara yang datang ke
DKI Jakarta dan memplot data tersebut.
b. Memeriksa kestasioneran data dengan melihat plot ACF. Jika data tidak stasioner
terhadap varian maka dilakukan transformasi, untuk melihat kestasioneran dalam
varian dilihat dari plot Box-Cox. Jika data tidak stasioner terhadap mean dapat
dilakukan differencing pada data, untuk melihat kestasioneran terhadap mean
dapat melihat skema matriks korelasi silang (MACF).
c. Identifikasi data musiman dengan melihat skema matriks korelasi silang dengan
adanya nilai lag nyata pada lag 12 dan seterusnya, dan juga dapat dilihat dari plot
data awal, jika pada waktu−waktu tertentu mengalami naik atau turun secara
bersamaan.
d. Menentukan MACF, MPACF dan nilai AIC.
e. Mengidentifikasi orde model dengan melihat hasil dari MACF dan MPACF, serta
memilih model terbaik dengan melihat nilai AIC terkecil.
f. Menghitung bobot lokasi seragam, bobot lokasi invers jarak, dan bobot lokasi
normalisasi silang.
g. Menetukan parameter autoregressive untuk masing−masing bobot lokasi.
h. Memperoleh model GSTAR untuk masing−masing bobot lokasi.
i. Melakukan uji kenormalan residual dengan menggunakan Q-Q Plot.
j. Melakukan uji white noise residual dengan menggunakan plot MACF dan melihat
nilai AIC minimum pada lag 0.
k. Menghitung nilai RMSE masing-masing model.
l. Memilih model terbaik berdasarkan nilai RMSE terkecil.

9
 BAB III. HASIL DAN PEMBAHASAN

Tahapan awal yang dilakukan pada tiap penelitian adalah penyiapan data. Data
Wisatawan Mancanegara Datang ke DKI Jakarta melalui 3 (tiga) pintu masuk, yaitu :
Bandara Soekarno Hatta, Bandara Halim Perdana Kusuma dan Pelabuhan Tanjung Priok
Tahun 2010-2015 merupakan data hasil olahan publikasi DKI Jakarta Dalam Angka Tahun
2010-2016 yang terdiri dari 72 baris dan 4 kolom diberi nama tugas.xlsx dan disimpan ke
D:\S-2 IPB\SEMESTER III\kapita selekta\UTS\bahan\tugas.xlsx
Pada penelitian ini penulis menggunakan program SAS 9.4, sehingga dilakukan
proses import dari data awal tugas.xlsx ke dalam program untuk dilakukan pengolahan
lanjutan yang diberi nama uts.
Adapun Syntax Program sebagai berikut :
Libname ks 'D:\S-2 IPB\SEMESTER III\kapita selekta';

PROC IMPORT OUT= KS.UTS

DATAFILE= "D:\S-2 IPB\SEMESTER III\kapita selekta\UTS\bahan\tugas.xlsx"
DBMS=EXCEL REPLACE;
RANGE="Sheet2$";
GETNAMES=YES;
MIXED=NO;
SCANTEXT=YES;
USEDATE=YES;
SCANTIME=YES;
RUN;
Gambar 2. Syntax Program Import Data Asal (tugas.xlsx)

Adapun Output yang dihasilkan sebagai berikut :

Tabel 1. Data Wisatawan Mancanegara Datang ke DKI Jakarta Tahun 2010-2015

Setelah itu, dilakukan pemilahan data asal (uts) dimana 60 data awal (Januari 2010-
Desember 2014) digunakan sebagai data training untuk menyusun model dan 12 data terakhir
(Januari-Desember 2015) digunakan sebagai data testing untuk evaluasi model yang dihasilkan.
Proses pemilahan ini dilakukan untuk tiap series, yaitu : Z_1(t) : Jumlah Wisatawan mancanegara

10
yang datang ke DKI Jakarta melalui Bandara Soekarno Hatta, Z_2(t) : Jumlah Wisatawan
mancanegara yang datang ke DKI Jakarta yang melalui Bandara Halim Perdana Kusuma dan Z_3(t) :
Jumlah Wisatawan mancanegara yang datang ke DKI Jakarta yang melalui Pelabuhan Tanjung Priok
dan diberi nama sesuai dengan urutannya (LOKASI_1 untuk series data Z_1(t) atau Bandara
Soekarno Hatta , LOKASI_2 untuk untuk series data Z_2(t) atau Bandara Halim Perdana Kusuma
dan LOKASI_3 untuk series data Z_3(t) atau Pelabuhan Tanjung Priok

Adapun Syntax Program sebagai berikut :

DATA KS.LOKASI_1;
SET ks.uts;
IF 1 <= T <= 60 THEN OUTPUT KS.LOKASI_1;
RUN;

DATA RAMAL_LOKASI_1;
SET ks.uts;
IF 61 <= T <= 72 THEN OUTPUT KS.RAMAL_LOKASI_1;
RUN;
Gambar 3. Syntax Program Pemilahan Data Training dan Testing

Adapun Output yang dihasilkan program sebagai berikut :

Tabel 2. Data Training Tabel 3. Data Testing

ANALISIS DESKRIPTIF
Berdasarkan analisis deskriptif yang dirangkum pada Tabel 1 terlihat bahwa pada
kurun waktu 2009 s/d 2015 jumlah wisatawan mancanegara yang datang ke DKI Jakarta
paling banyak melalui bandara Soekarno Hatta, sedangkan jumlah wisatawan mancanegara
yang datang ke DKI Jakarta paling sedikit melalui bandara Halim Perdana Kusuma.

11
 Pintu Masuk Total Rata-rata Minimum Maximum StDev

Soekarno Hatta (𝑍1 ) 12601710 175024.0 117422 252914 23843.0

Halim Perdana Kusuma (𝑍2 ) 40899 568.0 115 1451 300.4

Tanjung Priok (𝑍3 ) 389977 5416.3 3951 8767 774.4

Tabel 4. Statistika Deskriptif Data Wisatawan Mancanegara Datang ke DKI Jakarta

Berdasarkan Gambar 1 menunjukan bahwa jumlah wisatawan mancanegara yang datang ke

DKI Jakarta melalui bandara Soekarno Hatta jauh lebih tinggi dibandingkan dua pintu
masuk lainnya pada kurun waktu 2009 s/d 2015. Selain itu dapat dilihat adanya
kecenderungan series-series ini tidak stasioner dalam mean. Hal ini nantinya dipastikan
dengan cek plot ACF masing-masing series.

Time Series Plot of Soekarno Hatta Time Series Plot of Halim Perdana Kusuma
260000 1600

240000 1400

Wisatawan Mancanegara
1200
Wisatawan Mancanegara

220000

200000 1000

180000 800

160000 600

140000 400

120000 200

100000 0
1 7 14 21 28 35 42 49 56 63 70 1 7 14 21 28 35 42 49 56 63 70
Index Index

Time Series Plot of Tanjung Priok

9000

8000
Wisatawan Mancanegara

7000

6000

5000

4000

1 7 14 21 28 35 42 49 56 63 70
Index

Gambar 4. Time series Plot untuk Series Z1, Z2, Z3

Korelasi Jumlah Wisatawan Mancanegara datang ke DKI Jakarta Antar Pintu Masuk
Berdasarkan Tabel 5 terdapat hubungan korelasi positif antara Jumlah Wisatawan
Mancanegara yang datang ke DKI Jakarta bandara Soekarno Hatta (Z1) dengan bandara
Halim Perdana Kusuma (Z2) terhadap Pelabuhan Tanjung Priok (Z3), sedangkan Jumlah
Wisatawan Mancanegara yang datang ke DKI Jakarta melalui Bandara Halim Perdana
Kusuma (Z2) dan Jumlah Wisatawan Mancanegara yang datang ke DKI Jakarta melalui
Pelabuhan Tanjung Priok (Z3) berkorelasi negatif.

12
 Tabel 5. Matriks Korelasi Jumlah Wisatawan Mancanegara yang datang ke DKI Jakarta
Antar Pintu Masuk

Series Z1 Z2

0.312
Z2 0.008

-0,064 -0,066

Z3 0.592 0.584
Cell Contents: Pearson correlation

P-Value

Pada table 5 diatas, terdapat 2 nilai p−value yang lebih dari  sebesar 0,05 pada Bandara
Halim Perdana Kusuma dan Pelabuhan Tanjung Priok yang berarti tidak adanya keterkaitan
antar lokasi tersebut. Tetapi nilai p−value antar lokasi yang lain memiliki nilai yang kurang
dari α yang menunjukkan adanya hubungan keterkaitan antar lokasi.

MEMBANGUN MODEL RATAAN YANG BERUPA MODEL BOX-JENKINS

Dengan menggunakan program SAS akan diberikan kemudahan dalam melakukan proses
identifikasi, estimasi dan diagnostic yang akan dilakukan untuk tiap series data (lokasi_1, lokasi_2,
lokasi_3) oleh program (SAS) secara otomatis sehingga mengahasilkan 12 angka ramalan/forecast
untuk tiap series data (dugaan1, dugaan2, dugaan3).

Adapun Syntax Program sebagai berikut :

PROC ARIMA DATA=KS.LOKASI_1;
IDENTIFY VAR=soetta MINIC STATIONARITY=(adf=(1)) NLAG=15;
ESTIMATE P=1 NOINT;
FORECAST LEAD=12 OUT=DUGAAN1;
RUN;

PROC ARIMA DATA=KS.LOKASI_2;

IDENTIFY VAR=halim MINIC STATIONARITY=(adf=(1)) NLAG=15;
ESTIMATE P=1 NOINT;
FORECAST LEAD=12 OUT=KS.DUGAAN2;
RUN;

PROC ARIMA DATA=KS.LOKASI_3;

IDENTIFY VAR=halim MINIC STATIONARITY=(adf=(1)) NLAG=15;
ESTIMATE P=1 NOINT;
FORECAST LEAD=12 OUT=KS.DUGAAN3;
RUN
Gambar 5. Syntax Program untuk Identifikasi, Estimasi dan Diagnostic Checking
Adapun penjelasan tahapnnya (hasil dari SAS-[Result Viewer – SAS Output] adalah
sebagai berikut :

a. Tahap Identifikasi
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data
secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data

13
berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians
dari fluktuasi tersebut atau tetap konstan setiap waktu. Suatu data time series yang tidak
stasioner harus diubah menjadi data stasioner, karena aspek-aspek AR dan MA dari model
ARIMA hanya berkenaan dengan data time series yang stasioner.

Model Pola ACF Pola PACF

AR (p) Menurun secara exponential Menurun drastis pada lag tertentu (p)
MA (q) Menurun drastis pada lag tertentu (q) Menurun secara exponential
ARMA (p,q) Menurun secara exponential Menurun secara exponential

Tabel 6: Pola ACF dan PACF

Salah satu cara yang paling sering dipakai adalah metode pembedaan (differencing) yaitu
menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi
apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi.Untuk
mengetahui kestasioneran data masing-masing series dalam mean dapat dicek melalui
fungsi autokorelasi (ACF) sedangkan kestasioneran dalam ragam dicek melalui fungsi
Parsial autokorelasi (PACF)

Gambar 6. Plot ACF, PACF dan IACF untuk Series Z1

Berdasarkan plot ACF dan PACF diatas, series Z1 atau Bandara Soekarno Hatta
terlihat turun lambat, hal ini menunjukan bahwa terdapat ketidakstationeran dalam mean
dan ragam. Plot ACF dan PACF menunjukan bahwa perlu dilakukan differencing satu
agar data stasioner dalam mean dan ragam. Plot ACF yang turun drastic (cut-off) setelah
lag1 dan PACF yang juga turun drastic (cut-off) pada lag1 menunjukan bahwa model
tentative yang terbentuk untuk series 1 atau bandara Soekarno Hatta merupakan ARMA
(1,1).

Sedangkan plot ACF dan PACF untuk series Z2 atau Bandara Halim Perdana
Kusuma sepeerti tampak pada gambar 7 berikut turun lambat, hal ini juga menunjukan
terdapat ketidakstationeran dalam mean dan ragam. Plot ACF yang turun drastic (cut-
off) setelah lag1 dan PACF yang juga turun drastic (cut-off) pada lag1 menunjukan

14
 bahwa model tentative yang terbentuk untuk series 2 atau bandara Halim Perdana
Kusuma merupakan ARMA (1,1)

Gambar 7. Plot ACF, PACF dan IACF untuk Series Z2

Berdasarkan Gambar 7 dibawah ini, plot ACF untuk series Z3 atau Pelabuhan
Tanjung Priok tersebut tenyata sudah turun tajam, hal ini juga menunjukan data sudah
stationer dalam mean. Sedangkan untuk Plot ACF PACF menunjukan bahwa data
stasioner dalam ragam, model tentative yang terbentuk untuk series 3 atau Pelabuhan
Tanjung Priok merupakan ARMA (0,0) atau ARMA (1,1). Namun hal ini perlu dilakukan
uji lanjut untuk memastikannya.

Gambar 8. Plot ACF, PACF dan IACF untuk Series Z3

Pada pemodelan time series ada dua asumsi yang harus dipenuhi yaitu data harus stasioner
dan residual harus white noise. Selain plot ACF, PACF dan IACF untuk tiap series juga
ditampilkan pengecekan Autokorelasi untuk white noise ketiga series seperti terlihat pada
table 7. Sebuah proses white noise adalah serangkaian waktu kontinu dari nilai-nilai

15
random, dengan rata-rata dan varians konstan, berdistribusi normal dan saling bebas, dan
tidak autokorelasi. Jika setelah pemodelan diperoleh time series residual berbentuk white
noise, maka kita mengatakan seri telah prewhitened.

Autocorrelation Check for White Noise

To Lag Chi-Square DF Pr > ChiSq Autocorrelations

6 (Z1) 49.28 6 <.0001 0.408 0.380 0.361 0.388 0.301 0.265

12 (Z1) 91.65 12 <.0001 0.347 0.357 0.262 0.191 0.283 0.377
6(Z2) 13.07 6 0.0420 0.386 -0.021 -0.183 -0.061 0.130 0.036
12 (Z2) 28.76 12 0.0043 0.113 -0.105 -0.215 -0.055 0.225 0.291

6 (Z3) 7.19 6 0.3038 -0.041 0.153 -0.094 -0.174 0.011 -0.208

12 (Z3) 10.16 12 0.6018 -0.110 0.099 -0.129 0.028 0.025 -0.039
Tabel 7. Ringkasan Pengecekan Autokorelasi untuk White Noise Ketiga Series
Tabel diatas memperlihatkan bahwa untuk series Z1 dan Z2 untuk lag ke-6 dan lag ke-12
sudah berbentuk white noise yang ditunjukkan dari Pr > ChiSq yang kecil ( <0.05), sedangkan
untuk series Z3 belom berbentuk white noise, sehingga perlu dilakukan prewhitening terlebih
dahulu agar data menjadi white noise.
Minimum Information Criterion Z1
Lags MA 0 MA 1 MA 2 MA 3 MA 4 MA 5
AR 0 19.59781 19.64819 19.63225 19.57199 19.51291 19.53597
AR 1 19.46491 19.18961 19.24895 19.26182 19.2796 19.33382
AR 2 19.31961 19.25002 19.31713 19.32444 19.3404 19.38819
AR 3 19.26914 19.26904 19.31995 19.38521 19.40783 19.4548
AR 4 19.23364 19.27807 19.3135 19.37668 19.29332 19.33799
AR 5 19.28541 19.33246 19.37199 19.43786 19.34432 19.39965
Minimum Information Criterion Z2
AR 0 11.2465 11.1244 11.18242 10.97738 10.81839 10.86023
AR 1 11.16339 11.19099 11.24483 11.04121 10.8587 10.91645
AR 2 11.17266 11.23785 11.22327 10.98445 10.83929 10.90262
AR 3 10.98711 11.03025 11.03229 10.97772 10.89301 10.9582
AR 4 10.91976 10.93276 10.83289 10.85085 10.90189 10.94414
AR 5 10.93579 10.92294 10.87305 10.91861 10.96691 11.00504
Minimum Information Criterion Z3
AR 0 12.93231 12.9957 13.01775 13.0295 13.07773 13.14434
AR 1 12.99523 13.06345 13.08466 13.09253 13.14587 13.21251
AR 2 13.02423 13.09238 13.15177 13.15988 13.2139 13.28052
AR 3 13.08121 13.14839 13.20661 13.13693 13.19612 13.22796
Tabel 8. Ringkasan Pengecekan Minimum Information Criteria (MIC) untuk Ketiga Series
Selain melakukan prewhitening data time series dengan menggunakan
Autoregressive (AR) Integrative (I) Moving Average (MA) model (ARIMA) dan
memperhatikan sisaannya, program juga menghasilkan output lainnya , yaitu : Minimum

16
Information Criteria MIC) seperti terlihat pada table 8 diatas yang menghasikan nilai MIC
terkecil dari tiap series data dan tiap model. Dengan menggunakan informasi tersebut, kita
dapat memperoleh model tentative yang akan digunakan untuk menduga model untuk
masing-masing series data. Series Z1 atau Bandara Soekarno Hatta akan diestimasi
menggunakan model ARMA (1,1) dengan nilai MIC 19.18961, sedangkan series Z2 atau
Bandara Halim Perdana Kusuma akan diestimasi menggunakan model ARMA (0,4) dengan
nilai MAC 10.81839 dan series Z3 atau Pelabuhan Tanjung Priok akan diestimasi
menggunakan ARMA (0,0) dengan nilai MIC 12.93231.
Type Lags Rho Pr < Rho Tau Pr < Tau F Pr > F
BIC(1,1) = 19.18961
Zero Mean (Z1) 1 0.1809 0.7212 0.31 0.7725
Single Mean (Z1) 1 -21.6398 0.0040 -3.72 0.0060 7.20 0.0010
Trend (Z1) 1 -52.8338 0.0001 -5.31 0.0003 14.40 0.0010
BIC(0,4) = 10.81839
Zero Mean (Z2) 1 -6.4398 0.0758 -1.75 0.0766
Single Mean(Z2) 1 -54.3851 0.0005 -5.12 0.0001 13.11 0.0010
Trend (Z2) 1 -71.3837 0.0001 -5.69 0.0001 16.24 0.0010
BIC(0,0) = 12.93231
Zero Mean (Z3) 1 -0.2027 0.6336 -0.29 0.5775
Single Mean (Z3) 1 -44.3168 0.0005 -4.58 0.0005 10.48 0.0010
Trend (Z3) 1 -44.4532 0.0001 -4.54 0.0030 10.33 0.0010
Tabel 9. Ringkasan Augmented Dickey-Fuller Unit Root Tests untuk Ketiga Series
Pada table 9, output SAS juga menghasilkan Augmented Dickey-Fuller Unit Root
Tests untuk tiap series yang digunakan untuk melakukan pengujian apakah data series tidak
stasioner (Ho :  = 0). Dari output tersebut terlihat bahwa dengan  = 0.05 tolak Ho (Yt
stasioner), karena Pr > F sangat kecil ( <  = 0.05). Dengan demikian dapat disimpulkan
data ketiga series tersebut stasioner.

PEMILIHAN MODEL TERBAIK

Setelah dilakukan iterasi oleh program terhadap berbagai model tentative yang ada
dengan menggunakan metode Conditional Least Squares untuk estimasi ketiga series data
seperti terlihat pada table 10 berikut ini, ternyata ketiga series data menghasilkan model
yang sama, yaitu : ARMA (1,1). Pemilihan model yang signifikan (p_value < .0001) dengan
menggunakan beberapa pertimbangan, yaitu :
1. Nilai estimate koefisien determinasi yang terbesar
2. Standard error, AIC dan SBC yang terkecil
Estimasi Conditional Least Squares Var Std
Parameter Standard t Value Approx AIC SBC
Estimate Lag Estimate Estimate
Error Pr > |t|
AR1,1 0.99775 0.02064 48.34 <.0001 1 7.4948E8 27376.6 1397.357 1399.452
AR1,1 0.87008 0.06496 13.40 <.0001 1 95279.39 308.6736 859.1383 861.2327
AR1,1 0.98370 0.02866 34.32 <.0001 1 1447670 1203.192 1022.392 1024.486
Tabel 10. Ringkasan Hasil Estimasi untuk Ketiga Series

17
 EVALUASI MODEL
Setelah menemukan model tentative dari tahapan sebelumnya, dilakukan evaluasi model
dengan cara menganalisis residualnya melalui korelogram ACF maupun PACF yang
hasilnya terlihat seperti gambar berikut ini
Z1 (Soekarno Hatta) Z2 (Halim Perdana Kusuma) Z3 (Tanjung Priok)

Gambar 9. Residual Diagnostik Plot untuk ketiga series

Hasil ACF dan PACF dari nilai residual seperti terlihat pada gambar diatas ternyata tidak
ada yang signifikan sampai lag ke-15. Ini menunjukkan bahwa nilai residual yang
diestimasi adalah random sehingga model ARIMA yang terpilih merupakan model
terbaik.

18
Z1 (Soekarno Hatta) Z2 (Halim Perdana Kusuma) Z3 (Tanjung Priok)

Gambar 10. Residual Normality Diagnostics untuk ketiga series

Hasil residual normality diagnostics seperti terlihat pada gambar diatas ternyata nilai
residual yang diestimasi mengikuti distribusi normal series Z2 atau Bandara Halim
Perdana Kusuma, sedangkan Untuk series Z1 atau Bandara Soekarno Hatta dan Z3 atau
Pelabuhan Tanjung Priok masih terlihat tidak simetris sehingga diperlukan uji lanjut
untuk dilakukan proses menyempurnakan modelnya.

PERAMALAN
Tahap terakhir adalah melakukan prediksi atau peramalan berdasarkan model yang
terpilih. Adapun model yang terpilih untuk masing-masing series seperti terlihat pada
table berikut :

Series Factor AR Factors

Z1 (Bandara Soekarno Hatta) Factor 1 1 - 0.99775 B**(1)
Z2 (Bandara Halim Perdana Kusuma) Factor 1 1 - 0.87008 B**(1)
Z3 (Pelabuhan Tanjung Priok) Factor 1 1 - 0.9837 B**(1)
Tabel 11. Ringkasan Model Terbaik untuk Ketiga Series
Tabel 11 diatas memperlihatkan model terbaik yang akan digunakan untuk
melakukan prediksi atau peramalan, dimana tiap series walaupun memiliki model yang
sama (ARMA(1,1)) namun memiliki akurasi berbeda yang akan terlihat dari ketepatan

19
angka ramalannya. Setelah diperoleh diperoleh model terpilih, maka dapat dilakukan
peramalan. Adapun hasil peramalan setiap series seperti terlihat pada tabel berikut ini.
Halim Perdana
Soekarno Hatta Tanjung Priok
Bulan Kusuma
Aktual Forecast Aktual Forecast Aktual Forecast
Januari 2015 165,746 190,170 439 319 8,340 5,246
Februari 2015 170,741 189,743 401 278 6,982 5,161
Maret 2015 203,019 189,317 705 242 4,456 5,077
April 2015 159,873 188,892 1,419 210 5,527 4,994
Mei 2015 189,307 188,468 526 183 5,342 4,912
Juni 2015 174,319 188,045 303 159 4,877 4,832
Juli 2015 175,347 187,623 527 139 3,951 4,754
Agustus 2015 252,914 187,201 828 121 5,174 4,676
September 2015 212,706 186,781 773 105 4,515 4,600
Oktober 2015 197,487 186,362 1,103 91 4,854 4,525
November 2015 216,517 185,943 813 79 5,763 4,451
Desember 2015 186,299 185,526 503 69 4,830 4,379
Tabel 12. Hasil Peramalan Model ARMA (1,1) untuk Ketiga Series
Setelah dilakukan peramalan, dapat dilakukan pengukuran kesalahan peramalan.
Adapun syntax programnya adalah :

Series Z1 Series Z2 Series Z3

PROC IML; PROC IML; PROC IML;
USE Ks.RAMAL_LOKASI_1; USE Ks.RAMAL_LOKASI_2; USE Ks.RAMAL_LOKASI_3;
READ ALL VAR{soetta} INTO READ ALL VAR{halim} INTO READ ALL VAR{Tg_priok} INTO
Y_AKTUAL; Y_AKTUAL; Y_AKTUAL;
USE Ks.DUGAAN1; USE Ks.DUGAAN2; USE Ks.DUGAAN3;
READ ALL VAR{FORECAST} INTO READ ALL VAR{FORECAST} INTO READ ALL VAR{FORECAST} INTO
Y_DUGA; Y_DUGA; Y_DUGA;
Y_DUGA=Y_DUGA[61:72,]; Y_DUGA=Y_DUGA[61:72,]; Y_DUGA=Y_DUGA[61:72,];
e=ABS(Y_AKTUAL-Y_DUGA); e=ABS(Y_AKTUAL-Y_DUGA); e=ABS(Y_AKTUAL-Y_DUGA);
SSE=e`*e; SSE=e`*e; SSE=e`*e;
N=NROW(Y_DUGA); N=NROW(Y_DUGA); N=NROW(Y_DUGA);
RMSE_UTS1=SQRT((1/N)*SSE); RMSE_UTS2=SQRT((1/N)*SSE); RMSE_UTS3=SQRT((1/N)*SSE);
CREATE RMSE_AR_LOK1 CREATE RMSE_AR_LOK2 CREATE RMSE_AR_LOK3
VAR{RMSE_UTS1}; VAR{RMSE_UTS2}; VAR{RMSE_UTS3};
APPEND; APPEND; APPEND;
QUIT; QUIT; QUIT;
Gambar 11. Syntax Program Penghitungan RMSE ARMA (1,1) untuk ketiga series
Adapun output yang dihasilkan seperti table 13 berikut :

Bandara Soekarno Bandara Halim Pelabuhan Tanjung

Metode
Hatta Perdana Kusuma Priok
ARMA (1,1) 26,420.66 625.25 1,178.89
Tabel 13. Ringkasan RMSE model ARMA(1,1) pada Setiap Lokasi

20
MEMBANGUN MODEL VAR
Tahapan awal yang dilakukan pada tiap penelitian adalah penyiapan data. Data yang digunakan
sama seperti yang digunakan pada pemodelan menggunakan ARIMA sebelumnya.

Adapun Syntax Program sebagai berikut :

DATA Ks.RUANG;
MERGE ks.lokasi_1;
RUN;

Gambar 12. Syntax Program untuk Perisapan Data Penyusun Model VAR
Setelah data yang akan digunakan sudah tersedia, dilakukan penentuan ordo optimal bagi
model VAR ketiga deret tersebut.
Adapun Syntax Program sebagai berikut :
DATA Ks.VAR1;
SET Ks.RUANG;
PROC VARMAX DATA=Ks.VAR1;
MODEL soetta halim tg_priok / P=1 MINIC=(p=3 q=3)
DFTEST COINTTEST=(JOHANSEN=(IORDER=1))
LAGMAX=3
PRINT=(ESTIMATES DIAGNOSE ROOTS CORRY PCORR) NOINT;
OUTPUT OUT=Ks.MODEL_VAR1 lead=12;
RUN;

Gambar 13. Syntax Program untuk Penentuan Ordo Optimal Model VAR ketiga series
Adapun output yang dihasilkan akan disajikan sebagai berikut :

Tabel Deskriptif
Tabel 14 berikut ini menyajikan ringkasan statisik 60 data training yang akan digunakan
untuk menyusun model VAR dimana terlihat bahwa Wisatawan mancanegara yang datang
ke DKI Jakarta lebih banyak masuk melalui Bandara Soekarna Hatta disusul Pelabuhan
Tanjung Priok dan Bandara Halim Perdana Kusuma yang paling sedikit

Simple Summary Statistics

Variable Type N Mean Standard Min Max Label
Deviation
Soetta Dependent 60 171623.91667 21981.05679 117422.00000 218903.00000 Soetta
Halim Dependent 60 542.65000 292.53746 115.00000 1451.00000 Halim
Tg_Priok Dependent 60 5422.76667 670.73366 4248.00000 8767.00000 Tg_Priok
Tabel 14. Deskriptif Data Training pada Setiap Lokasi
Setelah data training sudah tersedia dan siap digunakan, dilakukan pengujian terhadap
kestasioneran data, salah satunya dengan menggunakan uji Augmented Dickey Fuller
(ADF) Unit Root Tests yang hasilnya seperti terlihat pada table 15 berikut.
Untuk tiap series yang digunakan untuk melakukan pengujian apakah data series tidak
stasioner (Ho :  = 0). Dari output tersebut terlihat bahwa dengan  = 0.05 tolak Ho (Yt
stasioner), karena Pr > F sangat kecil ( <  = 0.05). Dengan demikian dapat disimpulkan
data ketiga series tersebut stasioner.

21
 Variable Type Rho Pr < Rho Tau Pr < Tau
Soetta Zero Mean 0.18 0.7212 0.31 0.7725
Single Mean -21.64 0.0040 -3.72 0.0060
Trend -52.83 0.0001 -5.31 0.0003
Halim Zero Mean -6.44 0.0758 -1.75 0.0766
Single Mean -54.39 0.0005 -5.12 0.0001
Trend -71.38 0.0001 -5.69 0.0001
Tg_Priok Zero Mean -0.20 0.6336 -0.29 0.5775
Single Mean -44.32 0.0005 -4.58 0.0005
Trend -44.45 0.0001 -4.54 0.
Tabel 15. Ringkasan uji Augmented Dickey Fuller (ADF) Unit Root Tests
Pada table 16 disajikan nilai MIC untuk berbagai alternative model yang akan digunakan,
terlihat bahwa ordo optimal p=2 yang diperoleh dari model ARMA (2,1) dengan nilai MIC
paling kecil sebesar 44.377267.

Minimum Information Criterion Based on AICC

Lag MA 0 MA 1 MA 2 MA 3
AR 0 49.047198 49.197794 49.2796 49.389121
AR 1 44.729306 44.387967 44.477006 44.623933
AR 2 44.50881 44.377267 44.394243 44.601415
AR 3 44.54883 44.582131 44.759161 45.065385
Tabel 16. Ringkasan Nilai Minimum Information Criterion (MIC)
Setelah mendapat ordo yang optimal berdasarkan nilai MIC terkecil, maka dilakukan
pendugaan parameter model VAR yang diperoleh sesuai ordo p yang optimal (paling
minimum information criteria), dimana hasilnya terlihat pada table 17 berikut. Pemilihan
model dengan memperhatikan standard error terkecil, t Value terbesar.

Equation Parameter Estimate Standard Error t Value Pr > |t| Variable

Soetta AR1_1_1 0.73591 0.10507 7.00 0.0001 Soetta(t-1)
AR1_1_2 9.25089 10.35834 0.89 0.3756 Halim(t-1)
AR1_1_3 7.44819 3.07691 2.42 0.0188 Tg_Priok(t-1)
Halim AR1_2_1 0.00275 0.00129 2.13 0.0378 Soetta(t-1)
AR1_2_2 0.36054 0.12730 2.83 0.0064 Halim(t-1)
AR1_2_3 -0.02271 0.03781 -0.60 0.5505 Tg_Priok(t-1)
Tg_Priok AR1_3_1 0.01324 0.00423 3.13 0.0028 Soetta(t-1)
AR1_3_2 0.21817 0.41714 0.52 0.6030 Halim(t-1)
AR1_3_3 0.55005 0.12391 4.44 0.0001 Tg_Priok(t-1)
Tabel 17. Ringkasan Prediksi Parameter ketiga Series

22
Dengan kriteria tersebut, untuk series Z1 atau bandara Soekarno Hatta mendapat ordo yang
optimal berdasarkan nilai MIC terkecil, maka dilakukan pendugaan parameter model yang
menghasilkan informasi sebagai berikut :
Log-Likeihood AICC HQC AIC SBC PPEC
-1398.53 2838.228 2839.23 2827.065 2858.228 2.622E19
Setelah diperoleh model yang akan digunakan, maka dilanjutkan dengan pemeriksaan
sisaan seperti terlihat pada table berikut ini :

Up To Lag DF Chi-Square Pr > ChiSq

2 9 31.28 0.0003
3 18 43.17 0.0008
Tabel 18. Portmanteau Test for Cross Correlations of Residuals ketiga Series
Tabel diatas menunjukkan bahwa ada korelasi silang antar sisaan yang nyata. yang
ditunjukkan dengan nilai Chi-Square yang besar di lag ke-2 dan ke-3 atau nilai Pr > ChiSq
yang kecil (<=0.05)

Variable R-Square Standard Deviation F Value Pr > F

Soetta 22087.33199
Halim 0.1516 271.43631 5.00 0.0100
Tg_Priok 889.48064
Tabel 19. Univariate Model ANOVA Diagnostics ketiga Series
Tabel diatas menunjukkan bahwa model yang dihasilkan sudah layak yang ditunjukkan
dengan nilai F Value > F table atau nilai Pr > F yang kecil (<=0.05)

Variable Durbin Normality ARCH

Watson
Chi-Square Pr > ChiSq F Value Pr > F
Soetta 2.94273 1.10 0.5776 1.92 0.1714
Halim 1.85660 18.35 0.0001 0.31 0.5769
Tg_Priok 2.77281 43.38 <.0001 4.78 0.0330
Tabel 20. Univariate Model White Noise Diagnostics ketiga Series
Dari table diatas terlihat bahwa untuk series Z1 atau Soekarno Hatta dan Z2 atau Halim
Perdana Kusuma sudah berbentuk white noise, sedangkan untuk series Z3 atau Tanjung
Priok belum berbentuk white noise, sehingga perlu dilakukan prewhitening terlebih dahulu
agar data menjadi white noise.

Variable AR1 AR2 AR3 AR4

F Value Pr > F F Value Pr > F F Value Pr > F F Value Pr > F
Soetta 16.52 0.0002 9.40 0.0003 6.72 0.0006 5.56 0.0009
Halim 0.20 0.6599 0.83 0.4430 2.29 0.0887 1.91 0.1241
Tg_Priok 10.73 0.0018 5.98 0.0045 4.16 0.0102 3.50 0.0135
Tabel 21. Univariate Model AR Diagnostics ketiga Series

23
Setelah diperoleh model terpilih, maka dapat dilakukan peramalan. Adapun hasil peramalan
setiap series seperti terlihat pada table 22 berikut ini.
Halim Perdana
Soekarno Hatta Tanjung Priok
Bulan Kusuma
Aktual Forecast Aktual Forecast Aktual Forecast
Januari 2015 165,746 183,380 439 535 8,340 5,537
Februari 2015 170,741 181,137 401 571 6,982 5,590
Maret 2015 203,019 180,215 705 577 4,456 5,597
April 2015 159,873 179,644 1,419 576 5,527 5,590
Mei 2015 189,307 179,166 526 574 5,342 5,579
Juni 2015 174,319 178,713 303 573 4,877 5,566
Juli 2015 175,347 178,268 527 571 3,951 5,552
Agustus 2015 252,914 177,825 828 570 5,174 5,538
September 2015 212,706 177,384 773 568 4,515 5,525
Oktober 2015 197,487 176,944 1,103 567 4,854 5,511
November 2015 216,517 176,505 813 565 5,763 5,497
Desember 2015 186,299 176,068 503 564 4,830 5,484
Tabel 22. Hasil Peramalan Model Var(1) untuk Ketiga Series
Setelah dilakukan peramalan, dapat dilakukan pengukuran kesalahan peramalan.
Salah satunya dengan nilai RMSE. Adapun syntax programnya adalah :
PROC IML;
PROC IML;
USE KS.RAMAL_LOKASI_1;
USE KS.RAMAL_LOKASI_2;
USE KS.RAMAL_LOKASI_3;
READ ALL VAR{soetta halim tg_priok} INTO Y_AKTUAL;
USE KS.MODEL_VAR1;
READ ALL VAR{FOR1 FOR2 FOR3} INTO Y_DUGA;
Y_DUGA=Y_DUGA[59:70,];
e=ABS(Y_AKTUAL-Y_DUGA);
e1=e[,1];
e2=e[,2];
e3=e[,3];
SSE1=e1`*e1;
SSE2=e2`*e2;
SSE3=e3`*e3;
N=NROW(Y_DUGA);
RMSE_UTS1=SQRT((1/N)*SSE1);
RMSE_UTS2=SQRT((1/N)*SSE2);
RMSE_UTS3=SQRT((1/N)*SSE3);
CREATE KS.RMSE_VAR1 VAR{RMSE_UTS1 RMSE_UTS2 RMSE_UTS3};
APPEND;
QUIT;
Gambar 14. Syntax Program untuk Penghitungan RMSE model VAR ketiga series
Adapun output yang dihasilkan seperti table 23 berikut :

Bandara Soekarno Hatta Bandara Halim Perdana Kusuma Pelabuhan Tanjung Priok
29,084.01 359.51 1,141.30
Tabel 23. Ringkasan RMSE model VAR pada Setiap Lokasi

24
MEMBANGUN MODEL GENERALIZED SPACE-TIME AUTOREGRESSIVE
(GSTAR)

Tahap penyiapan data dan penjelasan deskriptif dari data sudah dijelaskan pada
pembahasan sebelumnya mengenai MEMBANGUN MODEL RATAAN YANG
BERUPA MODEL BOX-JENKINS & MEMBANGUN MODEL VAR, karena data
yang digunakan juga sama yang menjadi perbedaan hanya model yang dihasilkan untuk
melakukan peramalan yang pada bagian ini akan menggunakan metode GSTAR.
Penggunaan metoode GSTAR bisa dilakukan karena ada korelasi antara Bandara
Soekarno Hatta dengan Bandara Halim Perdana Kusuma sebesar 0.312 dengan p_value
sebesar 0.008 (< 0.05) sehingga pergerakan wisatawan mancanegara yang datang ke DKI
Jakarta melalui salah satu pintu masuk (Bandara Soekarno Hatta, Bandara Halim Perdana
Kusuma dan Pelabuhan Tanjung Priok) diduga selain mempunyai keterkaitan dengan
volume pada waktu-waktu sebelumnya juga mempunyai keterkaitan dengan pergerakan
volume di pintu masuk lain yang seringkali disebut dengan hubungan spasial.
Model yang diharapkan yaitu model yang menggambarkan keterkaitan waktu dan
lokasi pada data wisatawan mancanegara yang datang ke DKI Jakarta yang melalui 3 pintu
masuk berdasarkan penentuan bobot lokasi yang memberikan nilai kesalahan ramalan
terkecil.Menurut Borovkova,dkk (2002) model GSTAR dapat dituliskan :
𝑝
𝑍(𝑡) = ∑𝑘=1( 𝑘0 + 𝑘1 𝑊) 𝑍(𝑡−𝑘) + 𝑒(𝑡) …………………………………………………………………………………(11)

Dengan

𝑍(𝑡) = 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑝𝑒𝑛𝑔𝑔𝑎𝑛𝑡𝑖 𝑝𝑑𝑎𝑡𝑎 𝑝𝑎𝑑𝑎 𝑤𝑎𝑘𝑡𝑢 𝑦

p = orde spasial

k0 = diag (1k0 , … … . , nk0 ) dan (1k1 , … … . , nk1 ) merupakan parameter model

W = bobot (weigth) yang dipilih untuk memenuhi wij = 0 dan ∑i ≠j wij = 1

Matriks model GSTAR untuk penggunakan 3 lokasi yang berbeda pada orde waktu
dan orde spasial 1 disajikan pada persamaan 12 berikut ini : (Faizah & Setiawan, 2013).

(12)

Bobot lokasi yang dipakai dalam penelitian ini adalah bobot seragam dan bobot invers
jarak.

MENGGUNAKAN BOBOT LOKASI INVERSE JARAK

Penentuan nilai bobot lokasi invers jarak dihitung menggunakan jarak sebenarnya antar
lokasi yang terlihat pada gambar berikut ini
𝑑12 = jarak antara Bandara Soekarno Hatta – Bandara Halim Perdana Kusuma = 45.6 Km

25
𝑑13 = jarak antara Bandara Soekarno Hatta – Pelabuhan Tanjung Priok = 28.3 Km

𝑑23 = jarak antara Bandara Halim Perdana Kusuma – Pelabuhan Tanjung Priok = 21.1 Km

28.3 km 3
1

21.1 km
45.6 k

2
Gambar 15. Ilustrasi Peta lokasi

∗
1 1 ∗
1 1 ∗
1 1
𝑊12 = = =, 𝑊13 = = , 𝑊23 = =
𝑑12 45.6 𝑑13 28.3 𝑑23 21.1
∗ 1 ∗ 1
𝑊12 45.6 𝑊13 28.3
𝑤12 = 𝑊 ∗ ∗ = 1 1 = 0.38295, 𝑤13 = 𝑊 ∗ ∗ = 1 1 = 0.61705
12 +𝑊13 +
45.6 28.3 13 +𝑊12 +
28.3 45.6

1
𝑊23∗
21.1
𝑤23 = 𝑊 ∗ +𝑊 ∗ = 1 1 = 0.827607
23 12 +
21.1 45.6

Setelah diperoleh bobot masing-masing, akan diperoleh model GSTAR sebagai berikut :

𝑍1(𝑡) = 10 𝑍1(𝑡−1) + 11 ( 𝑤12 𝑍2(𝑡−1) + 𝑤13 𝑍3(𝑡−1) )

𝑍1(𝑡) = = 10 𝑍1(𝑡−1) + 11 ( 0.38295 𝑍2(𝑡−1) + 0.61705 𝑍3(𝑡−1) )

𝑍2(𝑡) = 20 𝑍2(𝑡−1) + 22 ( 𝑤12 𝑍1(𝑡−1) + 𝑤23 𝑍3(𝑡−1) )

𝑍2(𝑡) = = 20 𝑍1(𝑡−1) + 22 ( 0.38295 𝑍1(𝑡−1) + 0.827607 𝑍3(𝑡−1) )

𝑍3(𝑡) = 30 𝑍3(𝑡−1) + 33 ( 𝑤13 𝑍1(𝑡−1) + 𝑤23 𝑍2(𝑡−1) )

𝑍3(𝑡) = = 30 𝑍1(𝑡−1) + 33 ( 0.61705 𝑍1(𝑡−1) + 0.827607 𝑍2(𝑡−1) )

Adapun syntax programnya adalah sebagai berikut :

DATA KS.GSTAR1;
SET KS.RUANG;
PROC MODEL DATA=KS.GSTAR1;
PARMS a b c d e f;
soetta=a*lag1(soetta)+d*((0.38295*lag1(halim))+(0.61705*lag1(tg_priok)));
halim=b*lag1(halim)+e*((0.38295*lag1(soetta))+(0.827607*lag1(tg_priok)));
tg_priok=c*lag1(tg_priok)+f*((0.61705*lag1(soetta))+(0.827607*lag1(halim)));
FIT soetta halim tg_priok / OLS OUT=KS.GSTAR_PARAMETER1 OUTPREDICT OUTEST=KS.KOEFISIEN1;
RUN;

Gambar 16. Syntax program untuk Penyusunan GSTAR Bobot Inverse Jarak

26
Adapun output programnya adalah sebagai berikut :

Gambar 17. Output (1) Model Summary GSTAR Bobot Inverse Jarak
Karena data yang digunakan tidak stasioner di dalam varians maka digunakan metode
ordinary least square (ols) non linear seperti terlihat pada table berikut ini

Equation DF Model DF Error SSE MSE Root MSE R-Square Adj R-Sq Label
Soetta 2 57 2.742E10 4.8099E8 21931.4 -0.0743 -0.0932 Soetta
Halim 2 57 4162933 73033.9 270.2 0.1440 0.1290 Halim
Tg_Priok 2 57 44486563 780466 883.4 -0.6768 -0.7062 Tg_Priok
Tabel 24. Output (2) Nonlinear OLS Summary of Residual Errors GSTAR Bobot Inverse Jarak
Selain Nonlinear OLS Summary of Residual Errors seperti terlihat pada table diatas,
program juga menghasilkan dugaan parameter yang akan digunakan dalam menyusun
model seperti terlihat pada table berikut ini

Parameter Estimate Approx Std Err t Value Approx Pr > |t|

a 0.745644 0.1020 7.31 <.0001
b 0.369001 0.1262 2.92 0.0049
c 0.545046 0.1226 4.44 <.0001
d 12.31871 4.9203 2.50 0.0152
e 0.004919 0.00111 4.45 <.0001
f 0.022741 0.00626 3.63 0.0006
Tabel 25. Dugaan parameter GSTAR Bobot Inverse Jarak
Dari table diatas kita dapat memperoleh persamaan yang akan digunakan untuk peramalan
sebagai berikut :
𝑍1(𝑡) = = 0.745644 𝑍1(𝑡−1) + 12.31871 ( 0.38295 𝑍2(𝑡−1) + 0.61705 𝑍3(𝑡−1) )
𝑍2(𝑡) = = 0.369001 𝑍1(𝑡−1) + 0.004919 ( 0.38295 𝑍1(𝑡−1) + 0.827607 𝑍3(𝑡−1) )
𝑍3(𝑡) = = 0.545046 𝑍1(𝑡−1) + 0.022741( 0.61705 𝑍1(𝑡−1) + 0.827607 𝑍2(𝑡−1) )
Setelah didapatkan persamaan diatas, sebelum dilanjutkan ke peramalan lebih dulu
dilakukan Diagnostik Fit yang hasilnya dikeluarkan program untuk tiap series.

27
Gambar berikut ini menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z1
atau Bandara Soekarno Hatta, terlihat bahwa setelah dilakukan treatment oleh program
untuk menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner dan
menyebar normal di sekitar garis normal .
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z1(t))= 0 terpenuhi.

Gambar 18. Output (4) Hasil Fit diagnostic Series Z1 GSTAR Bobot Inverse Jarak
Gambar berikut ini menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z2
atau Bandara Halim Perdana Kusuma, terlihat bahwa setelah dilakukan treatment oleh
program untuk menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner
dan menyebar normal di sekitar garis normal .

Gambar 19. Output (5) Hasil Fit diagnostic Series Z2 GSTAR Bobot Inverse Jarak

28
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z1(t))= 0
Gambar berikut ini menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z2
atau Bandara Halim Perdana Kusuma, terlihat bahwa setelah dilakukan treatment oleh
program untuk menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner
dan menyebar normal di sekitar garis normal .
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z2(t))= 0 terpenuhi.

Gambar 20. Output (6) Hasil Fit diagnostic Series Z3 GSTAR Bobot Inverse Jarak
Gambar diatas menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z3 atau
Pelabuhan Tanjung Priok, terlihat bahwa setelah dilakukan treatment oleh program untuk
menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner dan menyebar
normal di sekitar garis normal .
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z3(t))= 0 terpenuhi.
Dengan demikian dapat diambil kesimpulan, bahwa model yang dihasilkan sudah layak dan
memenuhi semua asumsi yang dipersyaratkan dan bias digunakan untuk melakukan
peramalan menggunakan data testing.

29
PERAMALAN

Setelah dilakukan fit diagnostic terhadap model yang dihasilkan, model sudah bisa
digunakan untuk melakukan peramalan/forecasting.
Adapun syntax programnya adalah sebagai berikut :

PROC IML; DATA KS.RAMAL_GSTAR1;

USE KS.RUANG; SET KS.RAMAL1;
READ ALL VAR {soetta halim tg_priok} SET KS.KOEFISIEN1;
INTO Y_DUGA; DO i=1 TO 12;
T=NROW(Y_DUGA); Y1T=a*Y1T_1+d*((0.38295*Y2T_1)+(0.61705*Y3T_1));
Y1T_1=Y_DUGA[T,1]; Y2T=b*Y2T_1+e*((0.38925*Y1T_1)+(0.827607*Y3T_1));
Y2T_1=Y_DUGA[T,2]; Y3T=c*Y3T_1+f*((0.61705*Y1T_1)+(0.827607*Y2T_1));
Y3T_1=Y_DUGA[T,3]; OUTPUT;
CREATE KS.RAMAL1 VAR {Y1T_1 Y2T_1 Y1T_1=Y1T;
Y3T_1}; Y2T_1=Y2T;
APPEND; Y3T_1=Y3T;
QUIT; END;
RUN;
Gambar 21. Syntax untuk Peramalan Model GSTAR Bobot Inverse Jarak
Adapun output programnya adalah sebagai berikut :
Halim Perdana
Soekarno Hatta Tanjung Priok
Bulan Kusuma
Aktual Forecast Aktual Forecast Aktual Forecast
Januari 2015 165,746 190,598 439 367 8,340 5,333
Februari 2015 170,741 184,387 401 522 6,982 5,588
Maret 2015 203,019 182,427 705 568 4,456 5,643
April 2015 159,873 181,601 1,419 582 5,527 5,646
Mei 2015 189,307 181,075 526 586 5,342 5,637
Juni 2015 174,319 180,626 303 586 4,877 5,624
Juli 2015 175,347 180,196 527 585 3,951 5,611
Agustus 2015 252,914 179,773 828 584 5,174 5,598
September 2015 212,706 179,351 773 582 4,515 5,585
Oktober 2015 197,487 178,930 1,103 581 4,854 5,572
November 2015 216,517 178,511 813 580 5,763 5,559
Desember 2015 186,299 178,092 503 578 4,830 5,545
Tabel 26. Hasil Peramalan Model GSTAR Bobot Inverse Jarak
Setelah dilakukan peramalan, dapat dilakukan pengukuran kesalahan peramalan.
Salah satunya dengan nilai RMSE. Adapun syntax programnya adalah :
PROC IML;
PROC IML;
USE KS.RAMAL_LOKASI_1;
USE KS.RAMAL_LOKASI_2;
USE KS.RAMAL_LOKASI_3;
READ ALL VAR{soetta halim tg_priok} INTO Y_AKTUAL;
USE KS.RAMAL_GSTAR1;
READ ALL VAR{Y1T_1 Y2T_1 Y3T_1} INTO Y_DUGA;

30
Y_DUGA=Y_DUGA[1:12,];
e=ABS(Y_AKTUAL-Y_DUGA);
e1=e[,1];
e2=e[,2];
e3=e[,3];
SSE1=e1`*e1;
SSE2=e2`*e2;
SSE3=e3`*e3;
N=NROW(Y_DUGA);
RMSE_UTS1=SQRT((1/N)*SSE1);
RMSE_UTS2=SQRT((1/N)*SSE2);
RMSE_UTS3=SQRT((1/N)*SSE3);
CREATE KS.RMSE_GSTAR1 VAR{RMSE_UTS1 RMSE_UTS2 RMSE_UTS3};
APPEND;
QUIT;
Gambar 22. Syntax Program untuk Penghitungan RMSE model GSTAR Bobot Inverse Jarak
Adapun output yang dihasilkan seperti table 23 berikut :

Bandara Soekarno Hatta Bandara Halim Perdana Kusuma Pelabuhan Tanjung Priok
29,082.40 323.29 1,231.58
Tabel 27. Ringkasan RMSE model GSTAR GSTAR Bobot Inverse Jarak

MENGGUNAKAN BOBOT SERAGAM

Matriks model GSTAR untuk penggunakan 3 lokasi yang berbeda pada orde waktu
dan orde spasial 1 disajikan pada persamaan 12 yang telah digunakan pada pembahasan
sebelumnya (Model GSTAR Bobot Inverse Jarak).
Bobot lokasi yang dipakai dalam penelitian ini adalah bobot seragam 𝑤12 = 𝑤13 = 𝑤23 = ½ =
0.5, yang akan menghasilkan perssamaan yang akan digunakan dalam menyuun model sebagai
berikut:

𝑍1(𝑡) = 10 𝑍1(𝑡−1) + 11 ( 𝑤12 𝑍2(𝑡−1) + 𝑤13 𝑍3(𝑡−1) ) = 10 𝑍1(𝑡−1) + 11 ∗ 0.5 ∗ ( 𝑍2(𝑡−1) + 𝑍3(𝑡−1) )
𝑍2(𝑡) = 20 𝑍2(𝑡−1) + 22 ( 𝑤12 𝑍1(𝑡−1) + 𝑤23 𝑍3(𝑡−1) ) = 20 𝑍2(𝑡−1) + 22 ∗ 0.5 ∗ ( 𝑍1(𝑡−1) + 𝑍3(𝑡−1) )
𝑍3(𝑡) = 30 𝑍3(𝑡−1) + 33 ( 𝑤13 𝑍1(𝑡−1) + 𝑤23 𝑍2(𝑡−1) ) = 30 𝑍3(𝑡−1) + 33 ∗ 0.5 ∗ ( 𝑍1(𝑡−1) + 𝑍2(𝑡−1) )
Adapun syntax programnya adalah sebagai berikut :
DATA KS.GSTAR2;
SET KS.RUANG;
PROC MODEL DATA=KS.GSTAR2;
PARMS a b c d e f;
soetta=a*lag1(soetta)+d*((0.5*lag1(halim))+(0.5*lag1(tg_priok)));
halim=b*lag1(halim)+e*((0.5*lag1(soetta))+(0.5*lag1(tg_priok)));
tg_priok=c*lag1(tg_priok)+f*((0.5*lag1(soetta))+(0.5*lag1(halim)));
FIT soetta halim tg_priok / OLS OUT=KS.GSTAR_PARAMETER2 OUTPREDICT
OUTEST=KS.KOEFISIEN2;
RUN;

Gambar 23.Syntax program untuk Penyusunan GSTAR Bobot Seragam

31
Adapun output programnya adalah sebagai berikut :

Gambar 24. Output (1) Model Summary GSTAR Bobot Seragam

Karena data yang digunakan tidak stasioner di dalam varians maka digunakan metode
ordinary least square (ols) non linear seperti terlihat pada table berikut ini

Equation DF Model DF Error SSE MSE Root MSE R-Square Adj R-Sq Label
Soetta 2 57 2.742E10 4.8099E8 21931.4 -0.0743 -0.0932 Soetta
Halim 2 57 4162933 73033.9 270.2 0.1440 0.1290 Halim
Tg_Priok 2 57 44486563 780466 883.4 -0.6768 -0.7062 Tg_Priok
Tabel 28. Output (2) Nonlinear OLS Summary of Residual Errors GSTAR Bobot Seragam
Selain Nonlinear OLS Summary of Residual Errors seperti terlihat pada table diatas,
program juga menghasilkan dugaan parameter yang akan digunakan dalam menyusun
model seperti terlihat pada table berikut ini

Parameter Estimate Approx Std Err t Value Approx Pr > |t|

a 0.745644 0.1020 7.31 <.0001
b 0.369001 0.1262 2.92 0.0049
c 0.545046 0.1226 4.44 <.0001
d 12.31871 4.9203 2.50 0.0152
e 0.004919 0.00111 4.45 <.0001
f 0.022741 0.00626 3.63 0.0006
Tabel 29. Dugaan Parameter GSTAR Bobot Seragam
Dari table diatas kita dapat memperoleh persamaan yang akan digunakan untuk peramalan
sebagai berikut :
𝑍1(𝑡) = = 0.745644 𝑍1(𝑡−1) + 12.31871 ( 0.5 𝑍2(𝑡−1) + 0.5 𝑍3(𝑡−1) )
𝑍2(𝑡) = = 0.369001 𝑍1(𝑡−1) + 0.004919 ( 0.5 𝑍1(𝑡−1) + 0.5 𝑍3(𝑡−1) )
𝑍3(𝑡) = = 0.545046 𝑍1(𝑡−1) + 0.022741( 0.5 𝑍1(𝑡−1) + 0.5 𝑍2(𝑡−1) )
Setelah didapatkan persamaan diatas, sebelum dilanjutkan ke peramalan lebih dulu
dilakukan Diagnostik Fit yang hasilnya dikeluarkan program untuk tiap series.

32
Gambar berikut ini menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z1
atau Bandara Soekarno Hatta, terlihat bahwa setelah dilakukan treatment oleh program
untuk menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner dan
menyebar normal di sekitar garis normal .
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z1(t))= 0 terpenuhi.

Gambar 25. Output (2) Hasil Fit diagnostic Series Z1 GSTAR Bobot Seragam
Gambar berikut ini menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z2
atau Bandara Halim Perdana Kusuma, terlihat bahwa setelah dilakukan treatment oleh
program untuk menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner
dan menyebar normal di sekitar garis normal .

Gambar 26. Output (3) Hasil Fit diagnostic Series Z2 GSTAR Bobot Seragam

33
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z1(t))= 0
Gambar berikut ini menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z2
atau Bandara Halim Perdana Kusuma, terlihat bahwa setelah dilakukan treatment oleh
program untuk menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner
dan menyebar normal di sekitar garis normal .
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z2(t))= 0 terpenuhi.

Gambar 27. Output (4) Hasil Fit diagnostic Series Z3 GSTAR Bobot Seragam
Gambar diatas menampilkan hasil fit diagnostic terhadap sisaan untuk series data Z3 atau
Pelabuhan Tanjung Priok, terlihat bahwa setelah dilakukan treatment oleh program untuk
menghasilkan persamaan diatas data tersebut juga telah menjadi stasioner dan menyebar
normal di sekitar garis normal .
Selain itu juga terlihat plot ACF dan PACF yang menunjukkan bahwa data telah stasioner
mulai dari lag 1 hingga lag ke-25, dimana plot ACF dan plot PACF yang langsung cut off
pada lag 1 sehingga model time series yang terbentuk adalah ARMA (1,1). Tampak
histogram dari residual yang juga terlihat simetris sehingga asumsi E(Z3(t))= 0 terpenuhi.
Dengan demikian dapat diambil kesimpulan, bahwa model yang dihasilkan sudah layak dan
memenuhi semua asumsi yang dipersyaratkan dan bias digunakan untuk melakukan
peramalan menggunakan data testing.

34
PERAMALAN

Setelah dilakukan fit diagnostic terhadap model yang dihasilkan, model sudah bisa
digunakan untuk melakukan peramalan/forecasting.
Adapun syntax programnya adalah sebagai berikut :

PROC IML; DATA KS.RAMAL_GSTAR2;

USE KS.RUANG; SET KS.RAMAL2;
READ ALL VAR {soetta halim tg_priok} INTO SET KS.KOEFISIEN2;
Y_DUGA; DO i=1 TO 12;
T=NROW(Y_DUGA); Y1T=a*Y1T_1+d*0.5*(Y2T_1+Y3T_1);
Y1T_1=Y_DUGA[T,1]; Y2T=b*Y2T_1+e*0.5*(Y1T_1+Y3T_1);
Y2T_1=Y_DUGA[T,2]; Y3T=c*Y3T_1+f*0.5*(Y1T_1+Y2T_1);
Y3T_1=Y_DUGA[T,3]; OUTPUT;
CREATE KS.RAMAL 2 VAR {Y1T_1 Y2T_1 Y3T_1}; Y1T_1=Y1T;
APPEND; Y2T_1=Y2T;
QUIT; Y3T_1=Y3T;
END;
RUN;
Gambar 28. Syntax untuk Peramalan Model GSTAR Bobot Seragam
Adapun output programnya adalah sebagai berikut :
Halim Perdana
Soekarno Hatta Tanjung Priok
Bulan Kusuma
Aktual Forecast Aktual Forecast Aktual Forecast
Januari 2015 165,746 190,598 439 367 8,340 5,333
Februari 2015 170,741 183,719 401 518 6,982 5,589
Maret 2015 203,019 181,725 705 561 4,456 5,634
April 2015 159,873 180,917 1,419 572 5,527 5,632
Mei 2015 189,307 180,390 526 575 5,342 5,619
Juni 2015 174,319 179,926 303 575 4,877 5,605
Juli 2015 175,347 179,475 527 574 3,951 5,590
Agustus 2015 252,914 179,027 828 573 5,174 5,576
September 2015 212,706 178,580 773 572 4,515 5,562
Oktober 2015 197,487 178,134 1,103 570 4,854 5,548
November 2015 216,517 177,689 813 569 5,763 5,534
Desember 2015 186,299 177,245 503 567 4,830 5,521
Tabel 30. Hasil Peramalan Model GSTAR Bobot Seragam
Setelah dilakukan peramalan, dapat dilakukan pengukuran kesalahan peramalan.
Salah satunya dengan nilai RMSE. Adapun syntax programnya adalah :
PROC IML;
PROC IML;
USE KS.RAMAL_LOKASI_1;
USE KS.RAMAL_LOKASI_2;
USE KS.RAMAL_LOKASI_3;
READ ALL VAR{soetta halim tg_priok} INTO Y_AKTUAL;
USE KS.RAMAL_GSTAR2;
READ ALL VAR{Y1T_1 Y2T_1 Y3T_1} INTO Y_DUGA;

35
Y_DUGA=Y_DUGA[1:12,];
e=ABS(Y_AKTUAL-Y_DUGA);
e1=e[,1];
e2=e[,2];
e3=e[,3];
SSE1=e1`*e1;
SSE2=e2`*e2;
SSE3=e3`*e3;
N=NROW(Y_DUGA);
RMSE_UTS1=SQRT((1/N)*SSE1);
RMSE_UTS2=SQRT((1/N)*SSE2);
RMSE_UTS3=SQRT((1/N)*SSE3);
CREATE KS.RMSE_GSTAR2 VAR{RMSE_UTS1 RMSE_UTS2 RMSE_UTS3};
APPEND;
QUIT;
Gambar 29. Syntax Program untuk Penghitungan RMSE model GSTAR Bobot Seragam
Adapun output yang dihasilkan seperti table 23 berikut :

Bandara Soekarno Hatta Bandara Halim Perdana Kusuma Pelabuhan Tanjung Priok
29,436.78 327.68 1,222.87
Tabel 31. Ringkasan RMSE model GSTAR Bobot Seragam

36
 KESIMPULAN DAN SARAN

Berdasarkan hasil analisis dan pembahasan yang dipaparkan sebelumnya seperti terlihat
pada table berikut diperoleh kesimpulan bahwa model dihasilkan dari berbagai metode yang
digunakan untuk data jumlah wisatawan mancanegara yang masuk DKI Jakarta akan
menghasilkan RMSE yang berbeda di tiap pintu masuk.
Metode GSTAR dengan bobot inverse jarak sangat tepat digunakan untuk melakukan
peramalan kunjungan wisatawan mancanegara yang datang ke DKI Jakarta yang masuk
melalui Bandara Halim Perdana Kusuma karena selain keterkaitan dengan volume pada
waktu-waktu sebelumnya juga mempunyai keterkaitan dengan pergerakan volume di pintu
masuk Bandara Soekarno Hatta yang terlihat adanya korelasi positif yang signifikan
sebesar 0.312, sedangkan Metode ARMA (1,1) sangat tepat digunakan digunakan untuk
melakukan peramalan kunjungan wisatawan mancanegara yang datang ke DKI Jakarta yang
masuk melalui Bandara Soekarno Hatta dan Pelabuhan Tanjung Priok

Bandara Soekarno Bandara Halim Pelabuhan Tanjung

Metode
Hatta Perdana Kusuma Priok

ARMA (1,1) 26,420.66 625.25 1,178.89

VAR 29,084.01 359.51 1,141.30
GSTAR(1) * 29,082.40 323.29 1,231.58
GSTAR(1) ** 29,436.78 327.68 1222.87
Tabel 32. Ringkasan RMSE Berbagai Model untuk Permalan Ketiga Lokasi
Perlu diadakan penyempurnaan dalam peramalan dengan menggunakan GSTAR
salah satunya dengan penyempurnaan bobot agar menghasilkan peramalan yang lebih baik
di pintu masuk lainnya.

37
 LAMPIRAN
Data Training :

Halim Perdana
Bulan Soekarno Hatta Tanjung Priok Jumlah
Kusuma

Januari 2010 117,422 115 5,535 123,072

Februari 2010 121,727 391 5,260 127,378

Maret 2010 183,449 502 5,271 189,222

April 2010 173,906 492 4,945 179,343

Mei 2010 183,218 264 4,720 188,202

Juni 2010 155,951 333 5,035 161,319

Juli 2010 180,353 387 5,088 185,828

Agustus 2010 142,050 232 5,943 148,225

September 2010 125,439 327 4,776 130,542

Oktober 2010 153,300 479 5,690 159,469

November 2010 147,579 1,427 6,044 155,050

Desember 2010 139,242 422 5,552 145,216

Januari 2011 138,987 289 5,903 145,179

Februari 2011 144,299 257 5,089 149,645

Maret 2011 160,650 150 5,593 166,393

April 2011 151,989 775 5,278 158,042

Mei 2011 150,407 765 5,452 156,624

Juni 2011 164,689 905 5,270 170,864

Juli 2011 200,180 408 5,273 205,861

Agustus 2011 142,974 161 4,864 147,999

September 2011 169,777 580 4,972 175,329

Oktober 2011 175,068 565 5,180 180,813

November 2011 171,215 637 6,980 178,832

Desember 2011 162,787 259 5,317 168,363

Januari 2012 156,654 265 5,449 162,368

38
Februari 2012 154,698 491 4,409 159,598

Maret 2012 165,927 436 5,763 172,126

April 2012 161,005 788 5,760 167,553

Mei 2012 185,932 567 4,995 191,494

Juni 2012 169,682 358 5,351 175,391

Juli 2012 190,320 556 5,819 196,695

Agustus 2012 140,077 307 4,857 145,241

September 2012 182,214 488 5,876 188,578

Oktober 2012 184,894 361 5,507 190,762

November 2012 185,112 619 5,972 191,703

Desember 2012 177,335 259 6,410 184,004

Januari 2013 160,998 514 5,880 167,392

Februari 2013 180,441 369 6,619 187,429

Maret 2013 186,548 568 4,992 192,108

April 2013 162,682 546 5,758 168,986

Mei 2013 179,737 492 5,256 185,485

Juni 2013 211,118 860 5,331 217,309

Juli 2013 188,800 568 5,705 195,073

Agustus 2013 188,854 617 4,733 194,204

September 2013 201,336 1,023 5,364 207,723

Oktober 2013 191,460 1,199 5,407 198,066

November 2013 199,511 888 5,069 205,468

Desember 2013 189,005 381 5,113 194,499

Januari 2014 187,123 398 5,496 193,017

Februari 2014 180,362 622 4,867 185,851

Maret 2014 194,720 517 8,767 204,004

April 2014 180,787 404 5,182 186,373

Mei 2014 184,534 588 5,594 190,716

Juni 2014 208,624 434 4,892 213,950

39
Juli 2014 169,135 321 4,458 173,914

Agustus 2014 218,903 687 4,902 224,492

September 2014 174,169 1,306 4,248 179,723

Oktober 2014 177,274 1,451 5,287 184,012

November 2014 180,208 822 5,915 186,945

Desember 2014 190,598 367 5,333 196,298

Data Testing :

Halim Perdana
Bulan Soekarno Hatta Tanjung Priok Jumlah
Kusuma

Januari 2015 165,746 439 8,340 174,525

Februari 2015 170,741 401 6,982 178,124

Maret 2015 203,019 705 4,456 208,180

April 2015 159,873 1,419 5,527 166,819

Mei 2015 189,307 526 5,342 195,175

Juni 2015 174,319 303 4,877 179,499

Juli 2015 175,347 527 3,951 179,825

Agustus 2015 252,914 828 5,174 258,916

September 2015 212,706 773 4,515 217,994

Oktober 2015 197,487 1,103 4,854 203,444

November 2015 216,517 813 5,763 223,093

Desember 2015 186,299 503 4,830 191,632

40
 DAFTAR PUSTAKA

1. Borovkova , S.A., Lopuhaa, H.P., and Ruchjana, B.N., Generalized STAR Model with
Eksperimental Weights. In M. Stasionopoulus and G. Toulomi (Eds.), Proceeding of the
th
17 International Workshop on Statistical Modeling , Chania, 2002: 139-147.
2. Borovkova, S.A., Lopuhaa, H.P., and Ruchjana, B.N., Consistency and Asymptotic
Normality of Least Square Estimators in Generalized STAR Models, Journal
compilation Statistica Neerlandica, 2008: 482-500
nd
3. Box, G.E.P., and Jenkins, G.M., Time Series Analysis Forecasting and Control, 2
Edition. San Francisco: Holden-Day, 1976.

4. Cliff, A. and Ord, J.K., Spatial Processes: Models and Applications, London: Pion,
1983.

5. Pfeifer, P.E. and Deustch, S.J., A Three Stage Iterative Procedure for Space –Time
Modeling. Technometrics, 1980, Vol.1, No.22: 35-47.

6. Ruchjana, B.N., Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model

Generalisasi S-TAR, Forum Statistika dan Komputasi, IPB, Bogor, 2002.

7. Suhartono, dan R.M. Atok, Perbandingan antara Model GSTAR dan VARIMA untuk
Peramalan Data Deret Waktu dan Lokasi, Makalah Seminar Nasional Jurusan Statistika,
FMIPA-ITS, Surabaya, 2006.

8. Suhartono dan Subanar, Some Comments on the Theorem Providing Stasionerity

Condition for GSTAR Models in The Paper by Borovkova et al. Journal of The
Indonesian Mathematical Siciety (MIHMI), 2007, No.13, Vo.1: 44-52.

9. Wei, W.W.S., Time Series Analysis Univariate and Multivariate Methods, Addison
Wesley Publishing Company, Inc. Canada., 2006.

10. Bambang Juanda dan Junaidi, Ekonometrika Deret Waktu, IPB Press, Bogor, 2012

11. Dian Anggraeni, Alan Prahutama dan Shofi Andari, Aplikasi Generalized Space Time
Autoregressive (GSTA) pada Pemodelan Volume Kendaraan Masuk Tol Semarang,
Media Statistika, 2013, Vol. 6, No. 2,: 71-80

41