LANDASAN TEORI
menyediakan jasa.
10
11
yang akan penulis bahas dalam kasus ini yaitu perusahaan agen
manajemen operasi.
2. Efektif, berarti segala pekerjaan harus dilakukan secara tepat dan sebaik-
direncanakan.
operasi.
dengan penciptaan atau pembuatan barang, jasa atau kombinasinya melalui proses
2.2 Forecasting
manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu
tingkat penawaran dipengaruhi oleh jumlah permintaan pasar yang dapat dipenuhi
oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar
untuk membantu mencapai suatu keputusan optimal dengan cara yang tepat,
Menurut (Prasetya & Fitria, 2009) Peramalan merupakan suatu usaha untuk
meramalkan keadaan dimasa yang akan datang melalui pengujian keadaan dimasa
lalu.
untuk meramalkan masa yang akan datang berdasarkan sejumlah faktor, untuk
perusahaan dimasa yang akan datang” (Modul Lab. AKB, Universitas Bina
keinginan menajemen untuk memberikan respon yang cepat dan tepat terhadap
dikurangi, dan juga dapat membuat perusahaan lebih terkonsentrasi pada sasaran
tertentu agar perencanaan yang dihasilkan lebih baik sehingga dapat menjadi
suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel itu
perencanaan lainnya.
daya manusia.
15
tahun.
pendekatan kuantitatif.
dalam 2 jenis yaitu metode eksplanatori dan metode serial waktu (deret berkala,
merupakan fungsi dari 1 atau beberapa variabel lain. Kegunaan metode ini adalah
untuk menemukan bentuk hubungan antara suatu suatu variable dengan variabel-
variabel lain, dan menggunakannya untuk meramalkan nilai variable tak bebas
variabel pada masa sebelumnya dan mengekstrapolasikan pola itu untuk membuat
Analisis serial didasarkan para waktu yang berurutan atau beranjak sama
(mingguan, bulanan, kwartalan dan lainnya). Metode ini sering juga disebut
metode runtun waktu, metode deret waktu atau deret berkala menggambarkan
berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah
penting dalam memilih metode deret berkala atau runtun waktu adalah dengan
mempertimbangkan jenis pola data. Serangkaian data dalam serial waktu dapar
berhubungan dengan faktor iklim atau cuaca atau faktor yang dibuat
Residu atau variasi acak (random), yaitu apabila data tidak teratur
Dengan jenis data diatas maka penelitian ini dilakukan dengan metode
yang melibatkan analisis statistik terhadap data-data masa lalu. Penelitian yang
menggunakan rentetan data deret waktu, maka metode peramalan kuantitatif yang
dipakai adalah metode peramalan kuantitatif model deret waktu satu ragam.
Metode peramalan kuantitatif model deret waktu satu ragam adalah metode
peramalan yang fokus pada observasi terhadap urutan pola data yang secara
kronologis suatu peubah tertentu (Firdaus, 2006). Menurut Levine et. Al. (2002, p.
655) metode peramalan deret waktu melibatkan Peramalan nilai yang akan datang
dari sebuah variable berdasarkan pada pengamatan masa lalu dan sekarang dari
variable tersebut. Metode peramalan deret waktu dapat dibagi menjadi beberapa
1. Metode Smoothing
lalu. Metode ini sangat efektif untuk peramalan jangka pendek dan tidak
Cocok untuk jangka pendek maupun jangka panjang. Makin banyak data
4. Metode Dekomposisi
19
Metode ini cocok bagi rencana jangka pendek dan semakin banyak data
atau pengaruh antar variabel seperti pada model regresi; dengan demikian metode
seasonal, siklis atau irregular seperti pada data time series pada umumnya.
Metode ini secara murni melakukan prediksi hanya berdasarkan data-data historis
yang ada. Hampir mustahil menerapkan ARIMA secara manual. Selain dikenal
dengan nama ARIMA, metode ini popular dengan sebutan metode Box-Jenkins,
karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box
integrated moving average (ARIMA) models are a class of linear models that is
that stationary process, vary about fixed level and non-stationary process have no
natural constant mean level. ARIMA models do not involve independent variable
in their constriction. Rather, they make use of the information in the series itself
to generate forecasts. For example an ARIMA model for monthly sales would
20
project the historical sales pattern to produce a forecast of next month’s sales.
akurat berdasarkan deskripsi pola data masa lalu dalam data. Autoregressive
integrated moving average (ARIMA) model adalah kelas model linier yang
mampu mengolah data stasioner maupun non-stasioner time series. Perlu diingat
bahwa proses stasioner bergantung dari level tetap dan non-stasioner proses tidak
informasi dalam seri itu sendiri untuk menghasilkan perkiraan. Misalnya model
bergantung pada pola autokorelasi dalam data. (Hanke & Wichern, 2003, p. 381)
sebuah variabel, yang bersenjang satu periode lebih, dengan variabel itu sendiri.
(Kazmier, 2005)
berdasarkan sintesis dari pola data secara historis (Arsyad, 1995). ARIMA ini
nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan
independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau
series yang stasioner atau telah dijadikan stasioner melalui proses differencing.
Karena series stasioner tidak punya unsur tren, maka yang ingin dijelaskan
dengan metode ini adalah unsur sisanya, yaitu error. Kelompok model time series
linier yang termasuk dalam metode ini antara lain: autoregressive, moving
ARIMA models have been widely used in the tourism literature, model
ARIMA telah banyak digunakan dalam literature pariwisata (Claveria & Datzira,
2010).
Jika series stasioner adalah fungsi linier dari nilai-nilai lampaunya yang
model autoregressive.
Dimana :
Yt-1, Yt-2, Yt-n = nilai lampau series yang bersangkutan ; nilai lag dari
time series.
Ap = koefisien
tingkat dari model ini. Jika hanya digunakan sebuah nilai lampau, dinamakan
model autoregressive tingkat satu dan dilambangkan dengan AR. Agar model ini
dari 1. Ini merupakan syarat perlu, bukan cukup, sebab masih diperlukan syarat
Jika series yang stasioner merupakan fungsi linier dari kesalahan peramalan
sekarang dan masa lalu yang berurutan, persamaan itu dinamakan moving
average model.
Dimana :
(q) menandai tingkat dari model moving average. Jika pada model itu digunakan
dua kesalahan masa lalu, maka dinamakan model average tingkat 2 dan
prinsipnya ekuivalen dengan suatu model ini. Agar model ini stasioner, suatu
syarat perlu (bukan cukup), yang dinamakan invertibility condition adalah bahwa
jumlah koefisien model selalu kurang dari 1. ini artinya jika makin ke
belakang peranan kesalahan makin mengecil. Jika kondisi ini tak terpenuhi
Model time series yang digunakan berdasarkan asumsi bahwa data time
series tersebut stasioner, artinya rata-rata varian (σ2) suatu data time series
24
konstan. Tapi seperti kita ketahui bahwa banyak data time series dalam ilmu
ekonomi adalah tidak stasioner, melainkan integrated. Jika data time series
integrated dengan ordo 1 disebut I (1) artinya differencing pertama. Jika series itu
melalui proses differencing sebanyak d kali dapat djadikan stasioner, maka series
stasioner tak dapat dengan baik dijelaskan oleh model moving average saja atau
Pada model gabungan ini series stasioner adalah fungsi dari nilai lampaunya
Dimana :
Pemilihan model juga menggunakan unsur seni disamping ilmu; selain itu
parameter banyak, serta mengutamakan lag yang paling sedikit. (Santoso, 2009)
Ciri-ciri stasioner dalam time series adalah nilai rata-rata (mean) dan varian
selalu konstan untuk setiap periode. Data time series yang tidak memeiliki tren
pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu.
Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang
konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada
pokoknya tetap konstan setiap waktu. Sebaliknya, data time series yang memiliki
tren disebut non-stasioner. Indikasi adanya non-stasioner pada data time series
ditunjukan dengan menurunnya koefisien auto korelasi mendekati nol (0) setelah
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat
berkenaan dengan deret berkala yang stasioner. Jadi suatu deret waktu yang tidak
nilai observasi. Nilai selisih yang diperoleh dicek kembali apakah stasioner atau
2009)
26
menetapkan berapa p, d, dan q. Jika tanpa proses differencing d diberi nilai 0, jika
Dimana :
Mungkin saja terjadi bila suatu series non-stasioner homogen tidak tersusun
atas kedua proses itu, yaitu proses autoregressive maupun moving average. Jika
Dalam (Hanke & Wichern, 2003, p. 389) Fungsi Autokorelasi (ACF) dan
antar pengamatan dengan jeda k dan dengan mengontrol korelasi antar dua
pengamatan dengan jeda kurang dari k. Untuk memilih berapa p dan q dapat
berikut :
ARIMA
Autocorrelation Partial autocorrelation
tentatif
Menurun secara ARIMA
Menuju nol setelah lag q
bertahap/bergelombang (0,d,q)
Menurun secara ARIMA
Menuju nol setelah lag q
bertahap/bergelombang (p,d,0)
Menurun secara Menurun secara
bertahap/bergelombang bertahap/bergelombang ARIMA
(sampai lag q masih (sampai lag p masih (p,d,q)
berbeda dari nol) berbeda dari nol)
Sumber: (Hanke & Wichern, 2003)
tidak menyerupai salah satu dari pola yang ada pada tabel itu karena adanya
diharapkan dekat dengan yang benar. Perhatikan bahwa kesalahan memilih p dan
menjadi nol berarti terjadi proses AR. Jika autokorelasi parsial melemah secara
28
eksponensial berarti terjadi proses MA. Jika keduanya melemah berarti terjadi
Data yang bersifat time series cenderung memiliki hubungan antar periode.
Untuk mengetahui apakah data time series tersebut saling berhubungan satu sama
lain, kita dapat melakukan analisis autokorelasi. Idealnya, data yang bersifat time
series harus bebas dari pengaruh autokorelasi. Komponen yang membentuk pola
tertentu pada data time series diakibatkan oleh pengaruh tren, kecenderungan
analisis koefisien autokorelasi, baik bersifat natural logs maupun berbagai senjang
ARIMA model from the pattern of the sample autocorrelation and partial
autocorrelation. With a little practice, the analys should become more adept at
dalam menetukan model ARIMA yang tepat dari contoh autokorelasi dan
autokorelasi parsial. Dengan banyak latihan, analis dapat menjadi lebih mahir
nilai yang diramalkan dan yang diamati). Namun dalam text book lain ada
peramalan, diantaranya :
aslinya.
dengan MINITAB.
1.7 MINITAB
30
powerful capabilities and unmatched ease of use make it the ideal teaching tool.
As a result more than 4000 colleges, universities and high schools worldwide rely
MINITAB has become the standard for statistic education. And because MINITAB
is the leading package used in industry for quality and process improvement,
student who learn MINITAB in class will have the advantage of knowing how to
use a real-world business tool – MINITAB adalah perangkat lunak statistik yang
lanjutan. Program ini memiliki kemampuan yang kuat dan mudah digunakan
digunakan di lebih dari 4000 perguruan tinggi, universitas dan sekolah menengah
di seluruh dunia. Dikembangakan lebih dari 30 tahun yang lalu dari professor ke
proses dan kualitas dalam perusahaan, murid yang mempelajari MINITAB pasti
yang digunakan dalam dunia bisnis sebenarnya (Ryan, Joiner, & Cryer, 2005, p.
xiii).
2.7 Pariwisata
pemerintah, dan masyarakat. Sebagai salah satu aktivitas fisik dan psikis manusia,
pariwisata didefinisikan oleh banyak ahli dengan definisi yang tidak terlalu jauh
semua proses yang ditimbulkan oleh arus perjalanan lalu lintas orang – orang dari
luar ke suatu negara atau daerah dan segala sesuatu yang terkait dengan proses
lain bersifat sementara, dilakukan perorangan atau kelompok dan sebagai usaha
dalam dimensi, budaya, alam, dan ilmu. Batasan – batasan diatas begitu luas,
kategori yaitu:
c. jangka waktu,
Jenis pariwisata yang sudah dikenal saat ini antara lain: wisata budaya,
wisata kesehatan, wisata olah raga, wisata komersial, wisata industri, wisata
wisata cagar alam, wisata buru, wisata pilgrim, wisata bulan madu, dan wisata
petualangan.
fasilitas dan atau jasa-jasa di tempat tersebut…” (Mathieson and Wall, 1982).
Definisi ini mengacu kepada luasnya dampak, yang berkaitan dengan harga dan
maupun yang ingin bepergian tetapi karena salah satu sebab tidak bias
Adalah jumlah yang secara nyata bepergian, hal ini mudah untuk diukur dan
merupakan sebagian besar dari data statistik berasal dari data ini.
Dengan kata lain permintan potensial dan permintaan tertahan akan berubah
menjadi permintaan actual dan efektif di masa akan dating atau tidak ada
1) Pendekatan ekonomi.
2) Pendekatan geografi
3) Pendekatan psikologi
melakukan pariwisata.
wisatawan tersebut.
pemicu dari proses perjalanan wisata, walaupun motivasi ini acapkali tidak
disadari secara penuh oleh wisatawan itu sendiri. Weaver and Lawton (2006 p.
wisata yaitu:
4. Sport / olahraga
5. Sprirituality / spriritual
6. Health / kesehatan
7. Study / belajar
35
terbentuk karena adanya kebutuhan dan/atau keinginan dari manusia itu sendiri,
sesuai dengan teori hierarki Maslow. Konsep Maslow tentang hierarki kebutuhan
kebutuhan prestis, dan kebutuhan akan aktualisasi diri, telah dijadikan dasar untuk
pengaruh atau tekanan keluarga, dan situasi kerja yang terinternalisasi dan
Nama
Judul Jurnal Hasil penelitian
pengarang
Hussein Ali European Journal of Praktisi melakukan penelitian dengan
Al-Zeaud Economics, Finance and data sebanyak 272 buah untuk
Administrative Sciences, menentukan peramalan dari votailitas
ISSN 1450-2275 Issue untuk sektor bank. Proses perhitungan
35, “Modelling and menggabungkan software E-views dan
36
Liem Gai Sin, Journal of Arts, Science Praktisi melakukan Peramalan dari
Ria & Commerce, Vol.– II, umur, jenis kelamin dan pendapatan
Purnamasari. Issue –3, July 2011, E- sebagai objeknya. Praktisi
ISSN 2229-4686, ISSN memprediksi bahwa pengguna internet
2231-4172, China E- di Cina diperkirakan akan bertumbuh
Commerce Market hingga 1.53 milyar pada tahun 2015,
38
Input Data
Uji Autokorelasi
Differencing = 0 Differencing ≥ 1
Peramalan
Percobaan Model
ARIMA
Sumber: Penulis