JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept.

2012) ISSN: 2301-928X A-29

Peramalan Kunjungan Wisata dengan

Pendekatan Model SARIMA
(Studi kasus : Kusuma Agrowisata)
Nofinda Lestari dan Nuri Wahyuningsih
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: nuri@matematika.its.ac.id
Abstrak—Peramalan jumlah kunjungan wisata yang masuk ke memanfaatkan Time Series Regression, Exponential
dalam suatu daerah sangat diperlukan oleh pelaku bisnis Smoothing dan Innovations state space models dalam
pariwisata. Untuk itu tujuan utama dalam penelitian ini adalah meramalkan jumlah kunjungan wisata ke Australia.
untuk pembentukan model dan memperoleh hasil peramalan Model SARIMA juga pernah digunakan oleh Hermanto
jumlah kunjungan wisata satu periode ke depan dengan studi
untuk meramalkan tingkat penjualan motor di PT. Lancar
kasus di Kusuma Agrowisata Batu Malang. Metode yang
digunakan dalam penelitian ini adalah metode Box Jenkins Sukses Mandiri, oleh Adit untuk memprediksi jumlah
dengan pendekatan model SARIMA sebagai pengembangan dari wisatawan dalam negeri yang datang ke hotel di Daerah
model ARIMA. Metode ini sesuai dengan situasi dengan data Istimewa Yogyakarta, oleh Roni untuk meramalkan harga
yang ada bersifat musiman. Langkah pertama yang dilakukan bawang merah di enam kota besar Indonesia, oleh Anggraini
adalah melihat kestasioneran data. Selanjutnya identifikasi model untuk memodelkan SARIMA dan penerapannya [3, 4, 5, 6].
dari perhitungan ACF dan PACF. Dari perhitungan ACF dan
PACF bisa dibentuk model ARIMA sementara, kemudian
penaksiran dan estimasi parameter model, dan langkah yang II. URAIAN PENELITIAN
terakhir adalah pemeriksaan diagnostik dengan melihat hasil
residual dan normalitas. Hasil analisis menunjukkan bahwa A. Studi Literatur
model ARIMA ([2,5],1,1)(1,0,0)12 adalah model yang terbaik.
Metode Peramalan adalah cara memperkirakan secara
Kata Kunci—ARIMA, Kunjungan Wisata, Metode Box- kuantitatif apa yang akan terjadi pada masa yang akan datang,
Jenkins, Model SARIMA berdasarkan data yang relevan pada masa lalu. Metode ini
sangat berguna dalam mengadakan pendekatan analisis
terhadap perilaku atau pola dari data yang lalu, sehingga dapat
I. PENDAHULUAN memberikan cara pemikiran, pengerjaan dan pemecahan yang

P ARIWISATA merupakan bagian yang tidak terpisahkan

dari kehidupan manusia. Indonesia sebagai negara yang
sedang berkembang dalam tahap pembangunannya, berusaha
sistematis dan prakmatis serta memberikan tingkat keyakinan
yang lebih. Salah satu metode dalam peramalan yaitu metode
Box Jenkins. Beberapa model dalam Metode Box-Jenkins
membangun industri pariwisata sebagai salah satu cara untuk yaitu :
mencapai neraca perdagangan luar negeri yang berimbang [1]. 1) Model ARIMA (p,d,q)
Setiap kota di Indonesia memiliki objek wisatanya masing- Rumus umum model ARIMA (p,d,q) adalah sebagai berikut
masing, Kota Malang, Jawa Timur sebagai salah satu tujuan [7]:
wisata di Jawa Timur semakin populer. Selain karena udaranya d
 ( B )(1  B ) Z t   ( B ) a t
yang sejuk, banyak juga tujuan wisata di sekitar Malang, p q
seperti Kota Batu yang mempunyai beragam wisata alam, dengan :
contohnya Kusuma Agrowisata. Oleh karena itu penelitian ini p
bertujuan untuk meramalkan jumlah pengunjung Kusuma  ( B )  (1   B  ...   B ) , AR (p)
p 1 p
Agrowisata pada tahun 2012 [2].
q
Pada musim–musim liburan sekolah dan juga tahun baru,  (B )  (1  1 B  ...   q B ) , MA (q)
q
jumlah kunjungan wisata di berbagai tempat pariwisata lebih
d
meningkat daripada hari-hari biasa, sehingga model peramalan (1  B) : differencing orde d
yang digunakan dalam penelitian ini adalah model SARIMA.
a : nilai residual pada saat t
Beberapa penelitian terdahulu memberikan informasi t
mengenai metode yang dapat diterapkan untuk meramalkan 2) Model ARIMA dan Faktor Musim (SARIMA)
jumlah kunjungan wisata. Naïve Models, Exponential Notasi ARIMA dapat diperluas untuk menangani aspek
Smoothing dan Seasonal ARIMA merupakan metode yang musiman, notasi umumnya adalah [7] :
pernah digunakan oleh Wang dan Lim untuk meramalkan ARIMA (p,d,q) (P,D,Q)S
kunjungan wisatawan ke Malaysia dan asal Australia ke dengan :
Jepang. Sedangkan Athanasopoulos dan Hyndman p,d,q : bagian yang tidak musiman dari model
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X A-30

(P,D,Q)S : bagian musiman dari model H1 : estimasi parameter ≠ 0

S : jumlah periode per musim
Adapun rumus umum dari ARIMA (p,d,q)(P,D,Q)S sebagai estimasi parameter(1 )  0
Statistik uji : t hitung 
berikut : standart error parameter
S d
S D S
 B  p ( B )(1  B ) (1  B ) Z   q ( B )  ( B ) a Daerah penolakan : Tolak H 0 jika | t hitung | t
P t q t 2  n 1
dengan : dimana n menunjukkan banyaknya data dan n menunjukkan
 p (B ) : AR non seasonal banyaknya parameter.
Kriteria pengujian:
S
 B : AR seasonal Jika | t hitung | t  n1 maka H 0 ditolak.
P 2
d 5) Uji Asumsi Residual
(1  B) : differencing non seasonal Dalam menentukan model ARIMA yang terbaik, harus
S D dipilih model yang seluruh parameternya signifikan, kemudian
(1  B ) : differencing seasonal

juga memenuhi 2 asumsi residual yaitu berdistribusi normal
q B : MA non seasonal dan white noise.
S a. Distribusi Normal
 (B ) : MA seasonal Pengujian kenormalan dapat dihitung dengan
Q
menggunakan Kolmogorov-Smirnov.
3) Stasioneritas data
Hipotesa :
Kestasioneran data bisa dilihat dari plot time series. Untuk
melihat kestasioneran data dalam means bisa dilihat dari H 0 : residual berdistibusi normal
perhitungan ACF dan PACF nya. ACF untuk data jumlah H1 : residual tidak berdistribusi normal
kunjungan wisata diperoleh dengan rumus sebagai berikut :
  
sup
nk Statistik uji : D hit  x | S ( x )  F0 ( x ) |
 Z t  Z Z t k  Z
k k 1
k   (1) Kriteria pengujian:
0
n
 Zt  Z
t 1

2
 Jika D hit  D maka H 0 ditolak.
(1   ), n

dengan Z t data time series pada waktu ke t dan Z rata-rata dengan :

F0 ( x ) :fungsi yang dihipotesiskan yaitu berdistribusi normal
sampel. Sedangkan PACF untuk data jumlah kunjungan wisata
diperoleh dengan rumus sebagai berikut : S ( x) :fungsi distribusi kumulatif dari data asal
k 1 n :banyaknya residual
 k   ˆk 1, j  k  j
j 1 D didapatkan dari Tabel Kolmogorov Smirnov.
ˆkk  (2) (1   ), n
k 1
1   ˆk 1, j  j b. White Noise
j 1
Suatu model bersifat white noise artinya residual dari
dengan  k adalah fungsi autokorelasi. model tersebut telah memenuhi asumsi identik (variasi residual
Ketidakstasioneran data dalam means dapat diatasi dengan homogen) serta independen (antar residual tidak berkorelasi).
proses pembedaan (differencing), sedangkan kestasioneran Pengujian asumsi white noise dilakukan dengan menggunakan
data dalam varians dapat dilihat dengan nilai  . Adapun nilai uji Ljung-Box.
 dihitung dengan rumus sebagai berikut : Hipotesa :
H 0 : 1   2  ...   k  0
Y  1
Wi 
i
untuk   0 , W  G ln Y   untuk   0, sehingga H1 : Minimal ada satu  i yang tidak sama dengan nol,
G   1 i i
i  1.2...., k
  
MRi  max Wi ,..., Wi  r 1  Wi ,..., Wi  r 1  K
2
ˆ k
( MR  ...  MR ) Statistik uji : Q  n ( n  2)  ,n  k
i N k 1 n  k
MR  (3)
( N  r  1)
2
Daerah penolakan : Q   ( ; K  p  q )
dengan, Yi data aktual untuk i  1,..., n , G geometric mean
dengan :
dari seluruh data,  nilai lambda, n jumlah data observasi. K : lag maksimum
4) Penaksiran dan Pengujian Parameter n : jumlah data (observasi)
Model peramalan yang diperoleh akan diuji signifikansi k : lag ke-k
parameter modelnya dengan hipotesis sebagai berikut. p dan q : order dari ARMA (p,q)
̂ k : autokorelasi residual untuk lag ke-k
Hipotesa :
H 0 : estimasi parameter = 0
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X A-31

Salah satu prosedur pemeriksaan diagnosis yang III. HASIL PENELITIAN

dikemukakan Box Jenkins adalah overfitting, yakni dengan Dasar dari pendekatan metode Box-Jenkins dibagi
menambah satu atau lebih parameter dalam model yang menjadi 3 tahap.
dihasilkan pada tahap identifikasi. Karena ada salah satu
estimasi parameter yang tidak signifikan maka dilakukan tahap A. Tahap Identifikasi
overfitting. Model yang dihasilkan dari hasil overfitting Yang pertama kali dilakukan yaitu membuat plot data time
dijadikan sebagai model alternatif yang kemudian dicari model series seperti ditunjukkan pada Gambar 1. Namun setelah
yang terbaik diantara model-model yang signifikan. dilihat pada Gambar 1 tidak bisa dipastikan apakah data
6) Kriteria Pemilihan Model Terbaik jumlah kunjungan wisata Kusuma Agrowisata termasuk
Dalam pemilihan model terbaik kadang mudah namun musiman atau tidak.
dilain waktu pemilihan modelnya kadang menjadi lebih sulit.
Oleh karena itu dibutuhkan kriteria untuk menentukan model
yang terbaik dan akurat. pemilihan model terbaik dapat
menggunakan Mean Absolute Percentage Error (MAPE) yaitu
:
n Yt  Yˆt

t 1 Y
t
MAPE   100%
n
n menyatakan banyaknya data yang akan dihitung residualnya.
Gambar. 1. Plot time series data jumlah kunjungan wisata.
Semakin kecil nilai RMSE dan MAPE, maka semakin baik dan
model tersebut layak untuk digunakan. Adapun nilai MSE dan Tabel 1.
RMSE diperoleh dengan rumus sebagai berikut : Perhitungan ACF dan PACF
Lag k ˆkk

RMSE  MSE 
1 n

 y t  yˆ t  1
2
-0.554006*
0.166143
-0.554006*
-0.203122*
n i 1
3 -0.135652 -0.206841*
B. Sumber Data 4 -0.139535 -0.461579*
5 0.195992 -0.301312*
Data yang dipakai dalam penelitian ini adalah data
6 -0.041697 -0.201342*
kunjungan wisata Kusuma Agrowisata Batu Malang mulai 7 0.202131 0.135513
tahun 2001-2011 yang didapat dari laporan pihak marketing 8 -0.236899 0.003565
Kusuma Agrowisata Batu Malang. 9 0.051972 -0.003714
C. Metodologi Penelitian 10 -0.042439 0.069203
11 -0.216270 -0.458017*
Identifikasi data dilakukan dengan membuat plot time 12 0.481885* -0.115634
series untuk melihat apakah ada indikasi data musiman atau 13 -0.206168 0.140560
tidak dan melihat data sudah stasioner atau belum. Jika data 14 0.071262 0.090881
belum stasioner dalam mean dilakukan differencing, namun 15 -0.145338 -0.020356
jika data tidak stasioner dalam varians, dilakukan transformasi 16 -0.0412832 0.056475
Box-Cox. Kemudian menghitung ACF dan PACF dari data 17 0.0114817 -0.126167
yang sudah stasioner. Dari perhitungan ACF dan PACF yang 18 0.110073 -0.142088
didapat bisa ditentukan model ARIMA sementara. 19 0.145473 0.034267
Tahap selanjutnya adalah penaksiran dan pengujian 20 -0.234585 -0.036337
21 0.105491 -0.016161
parameter  dan  . Pada pengujian parameter  q ,  p dicek
q p 22 -0.243787 -0.332464*
apakah parameter yang didapat dari model SARIMA 23 0.181348 0.007778
sementara signifikan atau tidak. 24 0.0868786 0.107872
Tahap selanjutnya adalah pemeriksaan diagnostik. 25 -0.001549 -0.055735
26 -0.020498 -0.111093
Pemeriksaan diagnostik dilakukan untuk uji identik, uji
27 -0.098928 0.078717
independent, uji normalitas, dan overfitting. Nilai residual dari
28 0.027729 0.070452
model kemudian diuji whitenoise dan kenormalan -0.102281
29 -0.084433
distribusinya. Jika pada tahap ini didapatkan kesimpulan 30 0.187224 -0.057767
bahwa model belum sesuai maka prosedur ini kembali ke tahap Keterangan : * adalah lag yang keluar dari batas normal.
penaksiran dan pengujian parameter.
Langkah terakhir adalah pemilihan model terbaik. Model Setelah membuat plot time series langkah selanjutnya
terbaik dipilih dari model-model yang telah memenuhi semua adalah melihat kestasioneran data dalam varians dan mean.
asumsi yaitu parameter signifikan, white noise, dan
berdistribusi normal, serta nilai MAPE terkecil.
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X A-32

Dengan menggunakan rumus pada persamaan (3) 2) Pengujian parameter 

untuk data kunjungan pariwisata kusuma agrowisata 1
Model peramalan yang diperoleh dari ARIMA sementara
diperoleh nilai   1 . Oleh karena itu data kunjungan wisata
sudah stasioner dalam varians. Setelah data sudah stasioner diuji signifikansi parameter  dengan hipotesis sebagai
1
dalam varians maka langkah selanjutnya adalah melihat berikut.
kestasioneran data dalam means. Dengan menggunakan Hipotesa :
persamaan (1) dan (2) diperoleh hasil perhitungan ACF dan H 0 : estimasi parameter  = 0
PACF. Adapun hasil perhitungan ACF dan PACF dari data 1
yang sudah stasioner dalam varians seperti dilihat pada Tabel H1 : estimasi parameter  ≠ 0
1. Dari Tabel 1 model ARIMA sementara untuk data 1
kunjungan wisata adalah ARIMA. Statistik uji :
estimasi parameter(1 )  0 0.24326
B. Tahap Penaksiran dan Pengujian t    2.61
hitung 0.09333
Pengujian signifikansi parameter model dengan   5% standart error parameter

dan menggunakan uji-t adalah sebagai berikut : t tabel  t t  1.960

 0.025 : 119
1) Pengujian parameter  ,n 1
1 2
Model peramalan yang diperoleh dari ARIMA sementara
Karena t t maka H0 ditolak. Sehingga dapat
diuji signifikansi parameter  dengan hipotesis sebagai hitung 
1 ,n 1
berikut. 2
Hipotesa : dikatakan estimasi parameter  signifikan. Adapun hasil
1
H 0 : estimasi parameter  = 0
1 pengujian parameter  didapat hasil seperti pada Tabel 2.
1
H1 : estimasi parameter 1 ≠ 0 Tabel 2.
Pengujian Parameter
Statistik uji :
Model Parameter Estimasi Std
estimasi parameter(1 )  0 0.80820
t hitung    24.74 1 0.80820 0.03267
standart error parameter 0.03267

t tabel  t t  1.960
(5,1,[1,12]) 2 -0.25666 0.03733
 0.025 : 119
,n 1  0.24326 0.09333
2 1
Karena t t maka H0 ditolak. Sehingga dapat
hitung  C. Pemeriksaan Diagnostik
,n 1
2
Model dikatakan sudah sesuai apabila telah memenuhi uji-
dikatakan estimasi parameter  signifikan. uji sebagai berikut :
1
1) Uji identik
2) Pengujian parameter  2
Karena pada tahap identifikasi Yt sudah stasioner dalam
Model peramalan yang diperoleh dari ARIMA sementara
means dan varians, maka model dapat dikatakan sudah
diuji signifikansi parameter  2 dengan hipotesis sebagai
identik.
berikut. 2) Uji independent
Hipotesa : Pengujian ini dilakukan untuk melihat adanya
H 0 : estimasi parameter  2 = 0 independensi dari residual (untuk mengetahui korelasi dari
nilai-nilai residual) maka dilakukan uji :
H1 : estimasi parameter  2 ≠ 0
Hipotesa:
Statistik uji :
H 0 : 1   2  ...   k  0
estimasi parameter( 2 )  0  0.25666
t hitung    6.88 H1 : Minimal ada satu  i yang tidak sama dengan nol,
standart error parameter 0.03733
i  1.2...., k
t tabel  t t  1.960 2
 0.025 : 119 K ˆ k
,n 1 Statistik uji : Q  n ( n  2)  ,n  k
2 k 1 n  k

Karena t t maka H0 ditolak. Sehingga dapat Untuk K  6 maka :

hitung  2
,n 1 6 ˆ k
2 Q  120 (120  2 ) 
k 1 120  k
dikatakan estimasi parameter  2 signifikan.
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X A-33

  0.150 2  0.026 
2
 0.143 
2
 Tabel 4.
   
Perhitungan MSE, RMSE dan MAPE

Q  14640
 120  1 120  2 120  3  Residual
MAPE(%)
  MSE RMSE
  0.091    
2 2 2

0.031

0.234

 120  4 120  5 120  6  882175.4 939.2419 15.93689
 13.46
2 2
 ( ; K  p  q )   ( 0.05;3)  7.81473
IV. KESIMPULAN
2 Model yang sesuai untuk kunjungan wisata Kusuma
Karena Q   ( ; K  p  q ) maka H 0 ditolak artinya residual
Agrowisata Batu Malang adalah
tidak white noise. Dengan cara yang sama bisa dipakai untuk 2 5
(1  0.28436 B  0.31390 B )(1  0.58881B )(1  B )Yt  (1  B ) a t
melihat adanya independensi dari residual pada lag 12, 18, dan
24. dengan :
3) Uji normalitas 2.99
Yt  [ln( Z )]
Untuk melihat apakah residual berdistribusi normal. Maka t
dilakukan uji:
Hipotesa:
DAFTAR PUSTAKA
H 0 : residual berdistibusi normal
[1] Anonim 1. Bab 2 Landasan Teori, di akses pukul 22.24 WIB, tanggal 19
H1 : residual tidak berdistribusi normal Februari 2012.
<http://repository.usu.ac.id/bitstream/123456789/23541/4/
Statistik uji : Chapter%20II.pdf >..
sup [2] Anonim 2. Tips Wisata ke Kota Malang, , di akses pukul 09.50 WIB
D hit  x | S ( x )  F0 ( x ) | tanggal 28 Februari 2012. <http://travel.kompas.com/read/2011/11/13/
17384179/Tips.Wisata.ke.Kota.Malang>.
 0.048717
[3] Hermanto. “Analisis Peramalan Tingkat Penjualan Motor Menggunakan
D  0.111 Metode SARIMA Berdasarkan Pola Data Seasonality Pada PT. Lancar
(1   , n ) Sukses Mandiri”. Tugas Akhir, Jurusan Teknik Informatika dan
Statistika, Bina Nusantara. (2007).
Karena D hit  D maka H 0 diterima artinya residual
(1   , n ) [4] Adit, “ Prediksi Jumlah Wisatawan Dalam Negeri Yang Datang Ke Hotel
Di Daerah Istimewa Yogyakarta”. Tugas Akhir, Jurusan Statistika,
berdistribusi normal. (2007).
Beberapa model alternatif yang kemudian dicari model [5] Roni, I.K. “Peramalan Dan Faktor-Faktor Yang Mempengaruhi Harga
yang terbaik diantara model-model yang signifikan. Bawang Merah Enam Kota Besar Indonesia”. Tugas Akhir, Jurusan
Ekstensi Manajemen Agribisnis, IPB. (2007).
Adapun model-model alternatif yang akan diujikan seperti
[6] Anggaini. “Model SARIMA Dan Penerapannya”. Tugas Akhir, Jurusan
pada Tabel 4. Matematika, UNY. (2009).
Tabel 3. [7] Wei, W.W.S. “Time Series Analysis, Univariate and Multivariate
Pengujian Model SARIMA Methods”. 2nd edition. Pennsylvania: Pearson Education Inc. 2006.
Keputusan
Model Uji Parameter Uji White Uji
Noise Normal
[1,5],1, [1,12]1,0,0 6 Signifikan Tidak White
Noise
Normal

[ 2,5],1,11,0,0 6 Signifikan Tidak White

Noise
Normal

1,1, [ 2,5]1,0,0 12 Signifikan White Noise Tidak

Normal
[ 2,5],1,11,0,0 12 Signifikan White Noise Normal

[ 2,5],1,10,0,112
Signifikan Tidak White Normal
Noise

5,1,10,0,112
Signifikan Tidak White Normal
Noise

Dari Tabel 4 didapatkan satu model yang memenuhi semua

asumsi yaitu model ARIMA [ 2,5],1,11, 0, 0  . Dengan hasil
12

perhitungan MSE, RMSE dan MAPE pada Tabel 4.