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
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
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],1,10,0,112
Signifikan Tidak White Normal
Noise
5,1,10,0,112
Signifikan Tidak White Normal
Noise