Raja Fadhilah Firdaus – 15421027

TES AKHIR PRAKTIKUM MAP II 2022/2023

ANALISIS PERAMALAN TIME SERIES
SOAL A - SHIFT 5

SOAL!
Sektor pariwisata memiliki potensi yang sangat besar untuk dikembangkan sebagai salah satu
sektor ekonomi yang menghasilkan devisa. Sebuah tinjauan yang dilakukan oleh
Kementerian Pariwisata menunjukkan bahwa devisa sektor pariwisata dapat tumbuh setiap
tahunnya. Salah satu provinsi di Indonesia yang telah berhasil menjadikan pariwisata sebagai
sektor utama perekonomiannya adalah Provinsi Bali. Provinsi ini memiliki berbagai jenis
destinasi wisata yang menarik, terutama wisata alam seperti pantai. Pengembangan sektor
pariwisata di Provinsi Bali akan memberikan dampak positif pada pengembangan sektor
lainnya. Oleh karena itu, sangat penting untuk memperhatikan kebutuhan wisatawan dan
meningkatkan sarana serta prasarana yang ada. Diperlukan perhitungan yang tepat untuk
menentukan estimasi jumlah wisatawan yang akan datang ke Provinsi Bali pada masa yang
akan datang. Dengan begitu, pengembangan sektor pariwisata di Provinsi Bali dapat
terencana dan berkelanjutan, serta memberikan manfaat ekonomi yang lebih besar bagi
masyarakat setempat.

1. Berdasarkan data laju pertumbuhan jumlah wisatawan Provinsi Bali, metode dan
teknik pendekatan apa yang paling baik digunakan dalam mengestimasikan laju
pertumbuhan jumlah wisatawan?
2. Bagaimana anda mengkonfirmasi bahwa teknik peramalan tersebut memiliki makna
yang berarti?
3. Perkirakan laju pertumbuhan jumlah wisatawan Provinsi Bali pada Desember 2024
berdasarkan analisis yang telah dilakukan! Interpretasikan hasil tersebut!

*terlampir tabel data Laju Pertumbuhan Jumlah Wisatawan di Provinsi Bali

 Laju Pertumbuhan Jumlah
Bulan Wisatawan
201 201 202 202 202
8 9 0 1 2
Januari -0.2083 -0.1741 -0.2370 -0.2628 -0.1622

Februari -0.1180 -0.1278 -0.1803 -0.1475 -0.2612

Maret 0.1630 0.1380 -0.2131 0.2700 0.4055

April 0.0192 0.0106 -0.6914 0.0819 -0.0858

Mei -0.1219 -0.1758 -0.4178 0.1009 0.9185

Juni 0.6939 0.9630 0.3477 0.3706 -0.2152

Juli -0.2161 -0.2733 0.6675 -0.6658 0.0402

Agustus -0.1500 -0.0113 0.5527 0.2127 -0.1589

September 0.0049 -0.1225 -0.2035 0.4786 -0.0569

Oktober -0.0155 0.0505 0.1904 0.5682 0.1543

November 0.0581 -0.0004 0.2603 0.0953 -0.0837

Desember 0.1915 0.3522 -0.0994 0.2261 0.4149

Sumber: Hasil olahan data BPS Provinsi Bali, 2018 – 2022

Pembahasan!

1. Merumuskan Masalah
Masalah yang akan diteliti adalah sebagai berikut:
- Metode dan pendekatan apa yang paling baik untuk digunakan dalam analisis
peramalan terhadap data laju pertumbuhan jumlah wisatawan di Provinsi Bali?
- Bagaimana Anda mengkonfirmasi bahwa model peramalan tersebut memiliki makna
yang berarti?
- Perkirakan laju pertumbuhan jumlah wisatawan di Provinsi Bali pada bulan Desember
2024!
2. Memasukkan Data pada Stata
Meng-import data yang sudah di download sesuai dengan soal yang di berikan ke dalam
StataMP. Data yang dibutuhkan yaitu Laju Pertumbuhan Jumlah Wisatawan di Provinsi
Bali per bulan pada tahun 2018 hingga 2022 seperti pada gambar berikut!
 Gambar 1. Tampilan Data Editor
Sumber: Hasil Analisis, 2023

3. Mengolah Data Menggunakan Stata

Pengolahan data time-series pada aplikasi StataMP meliputi empat metode berikut:
a. Declare data time series
b. Metode Smoothing Average
c. Metode Exponential Smoothing
d. Metode Dekomposisi

a. Declare Data Time Series

Sebelum melakukan analisis time series, input data yang digunakan harus dikenali
terlebih dahulu oleh aplikasi StataMP sebagai data timeseries. Untuk
mendifinisikannya, akan dibuat variable baru sebagai variable yang memiliki satuan
waktu
1. Membuat variable waktu sesuai periode data, pada hal ini diberi nama variable
“tanggal” dengan periode data 60 bulan dengan menggunakan command sebagai
berikut.
Command: generate tanggal = tm(2018m1) + _n-1
Dalam praktikum ini data yang digunakan merupakan data dengan periode bulan
(monthly), maka input yang digunakan yaitu dengan format %tm.
2. Untuk memudahkan pembacaan variable tanggal dengan format standar StataMP,
lakukan formatting variable dimana m1 menunjukkan bulan Januari, m2 bulan
Februari, dan seterusnya. Hal ini dapat dilakukan dengan menggunakan command
sebagai berikut.
Command: format %tm tanggal
 Gambar 2. Format Data Hasil Formatting Tanggal
Sumber: Hasil Analisis, 2023

3. Lakukan declare variable tanggal sebagai variable acuan periode data agar
dikenali sebagai data time series dengan menggunakan command sebagai berikut.
Command: tsset tanggal

Gambar 3. Hasil Declare Data Time Series

Sumber: Hasil Analisis, 2023

Berdasarkan gambar di atas dapat diketahui bahwa data sudah dapat dikenali
sebagai data time series dengan variable tanggal sebagai variable waktu, dengan
satuan bulanan, dan periode data yang dimiliki ialah bulan Januari 2018 sampai
Desember 2022.
4. Filling Data
Filling data ini dilakukan jika terdapat data yang tidak memiliki nilai pada periode
tertentu, atau kita anggap sebagai missing data. Filling Data dilakukan dengan
menggunakan command sebagai berikut.
Command: tsfill
b. Identifikasi Komponen Pola Data Trend dan Seasonal
Mengidentifikasi apakah data memiliki komponen trend dan seasonal dengan
melakukan langkah berikut.
1. Menampilkan grafik scatterplot untuk melihat data secara grafis dengan
menggunakan command sebagai berikut.
Command: atau twoway (tsline LajuWis)
 Gambar 3. Grafik Scatter Plot
Sumber: Hasil Analisis, 2023

Dari grafik di atas dapat dilakukan perkiraan keberadaan komponen pola data
secara pendekatan grafis. Dapat diketahui daya yang dimiliki ialah data yang non-
stasioner karena grafik pada data bersifat fluktuatif. Selain itu, dapat diperkirakan
bahwa data memiliki komponen trend yang cukup signifikan. Kemudian, data
memiliki komponen seasonal sebab relative berfluktuasi pada interval yang sama,
ditandai dengan adanya pola meningkat di tiap bulan Januari dan bulan Juni. Pola
peningkatan ini kemungkinan besar disebabkan oleh adanya libur Panjang seperti
liburan semester maupun liburan tahun baru.Namun, seluruh hasil perkiraan ini
namun perlu dikonfirmasi kembali agar dapat menghasilkan persepsi yang lebih
akurat dan presisi.

2. Dickey-Fuller Test
Uji Dickey-Fuller ini dilakukan untuk menguji sifat stationarity, apakah data
berfluktuasi pada titik nilai yang sama atau dalam kata lain menguji keberadaan
komponen trend. Uji ini dapat dilakukan dengan menggunakan command sebagai
berikut.
Command: dfuller LajuWi, regress trend
 Gambar 4. Hasil Dickey Fuller Test
Sumber: Hasil Analisis, 2023

Untuk mengetahui apakah data bersifat stasioner atau tidak, kita perlu membuat
hipotesa dengan mengacu pada nilai p-value for z(t). Berikut berupakan hipotesa
yang digunakan:
H0: Data series memiliki unit roots
H1: Data series tidak memiliki unit roots

Berdasarkan hasil analisis pada tabel Dickey-Fuller Test nilai dari p -value for z(t)
bernilai 0.0000 dimana lebih kecil dari 0.05, artinya hipotesa nol ditolak dan
hipotesa satu diterima sehingga series data yang dianalisis tidak memiliki unit
roots yang berarti bahwa data bersifat stasioner berdasarkan teori. Hal ini juga
berarti bahwa data yang dimiliki bersifat horizontal dan tidak memiliki komponen
trend yang signifikan sesuai dengan perkiraan kita pada pendekatan grafis scatter
plot sebelumnya.

Selanjutnya melihat pada _trend pada tabel Dickey-Fuller Test, nilai koefisien
yang didapatkan yaitu bernilai 0.0020859 yang berarti bahwa data yang dianalisis
memiliki kecenderungan untuk menurun dengan sangat tidak signifikan. Kolom
p|t| dapat digunaan untuk mengidentifikasi apakah nilai trend memiliki
keberartian atau tidak dengan membuat hipotesa sebagai berikut.
H0: Koefisien tidak memiliki keberartian
H1: Koefisien memiliki keberartian

Berdasarkan hasil analisis pada tabel Dickey-Fuller Test nilai dari p|t| yaitu 0.419
dimana lebih kecil dari 0.05 yang artinya H1 diterima sehingga koefisien trend
yang dimiliki memiliki keberartian jika mengacu pada teori.

3. Uji Korelogram dan Box-Pierce’s Autocorrelation

Uji ini dilakukan untuk menguji keberadaan seasonality yakni apakah data
berfluktuasi dalam interval yang sama. Pengujian ini dilakukan secara tidak
langsung melalui sifat autocorrelation, yaitu korelasi antara variable dengan nilai
sebelumnya untuk mengetahui apakah pada data tersebut merupakan data yang
memiliki kaitan secara series. Uji ini dapat dilakukan dengan menggunakan
command sebagai berikut.
Command: reg d.LajuWis l.LajuWis
predict res, r
corrgram res
wntestq res
 Gambar 5. Tampilan Model Autocorrelation
Sumber: Hasil Analisis, 2023

Pengujian ini dilakukan dengan pembuatan model linear antara nilai differensial
series dari variable lag. Model menguji nilai obsevasi ke-n dengan nilai pada lag
(interval) sebelumnya. Dapat dilihat, model tersebut memiliki nilai Porb > F dan
nilai P|t| untuk koefisien lajuwis < 0.05 yang artinya H0 ditolak dan H1 diterima
yang berarti model secara keseluruhan dan koefisien lajuwis lagl memiliki
keberartian sehingga model memiliki sifat autokorelasi, yakni data yang dianalisis
memiliki keterkaitas secara series.

Gambar 6. Tampilan Uji Box-Pierce’Q Autocorrelation

Sumber: Hasil Analisis, 2023

Gambar tabel diatas menunjukkan uji autocorrelation pada setiap lag data. Hasil
uji ini dapat diketahui untuk mengidentifikasi komponen pola data seasonality
(musiman), yakni fluktuasi data pada interval yang relative konstan. Dapat dilihat
pada lag pertama didapakan nilai autocorrelation sebesar -0.0101 dengan Prob>Q
lebih besar dari 0.05 yaitu 0.9368 yang menandakan bahwa pada lag pertama
autocorrelation tidak memiliki keberartian. Begitu pula pada lag kedua dengan
nilai autocorrelarion sebesar -0.0422 dengan Prob>Q lebih besar dari 0.05 yaitu
0.9423. Pada lag berikutnya tidak ditemukan nilai yang mengecil, bahkan nilai
terbilang cukup fluktuatif dan tidak ada yang memiliki nilai kurang dari 0.05
sehingga nilai-nilai pada lag autocorrelation ini tidak memiliki keberartian.
Berdasarkan representasi grafis AC, dapat dikonfirmasi bahwa data tidak
memiliki komponen pola data seasonality.

Berdasarkan prosedur yang telah dilakukan yaitu uji Dickey-Fuller Tes,

korelogfram, dan Box-I Autocorrelation didapatkan bahwa data series yang
dianalisis tidak memiliki komponen trend atau dalam kata lain merupakan data
 horizontal serta tidak memiliki pola data seasonal.

Gambar 7. Tampilan Uji Portmanteau

Sumber: Hasil Analisis, 2023

c. Analisis Smoothing Average

Berikut merupakan lamgkah-langkah dalam melakukan peramalan dengan metode
smoothing average pada aplikasi StataMP.
1. Perhitungan Single Moving Average Smoothing
Lakukan proses smoothing moving average yang pertama (s’) dengan span perode
(lagged term) data sejumlah 3 dengan menggunakan command sebagai berikut.
Command: tssmoth ma LajuWisSMA = LajuWis, window(3 0)

Gambar 8. Tampilan STATA Single Moving Average

Sumber: Hasil Analisis, 2023

Dengan menggunakan command diatas maka stata akan melakukan perhitungan

persamaan yang dibentuk berdasarkan command yang diberikan. Pada windows
data view akan dibentuk variable LajuWisSMA yang merupakan variable hasil
dari perhitungan single moving average(s’) dengan span 3.

Gambar 9. Tampilan Data Editor Hasil SMA

Sumber: Hasil Analisis, 2023

2. Perhitungan Double Moving Average Smoothing

Selanjutnya lakukan proses smoothing moving average yang kedua (s”) dengan
span periode data sejumlah 2 dengan menggunakan command berikut.
Command: tssmooth ma LajuWisDMA = LajuWisSMA, window(2 0)

Gambar 10. Tampilan STATA Double Moving Average

 Sumber: Hasil Analisis, 2023

Maka Stata akan melakukan perhitungan dengan persamaan yang dibentuk

berdasarkan command yang diberikan. Pada windows data view akan dibentuk
variable LajuWisDMA yang merupakan hasil perhitungan double moving average
(s”) dengan span 2. Nilai 2 pada command merupakan periode span, 0 adalah jika
nilai observasi saat itu dimasukkan dalam perhitungan smoothing.

Gambar 11. Tampilan Data Editor Hasil DMA

Sumber: Hasil Analisis, 2023
3. Uji RMSE, MAE, MAPE, dan Theils-U
Pengujian ini dilakukan untuk menentukan metode apa yang paling tepat
digunakan dari single moving average smoothing maupun double moving average
smoothing melalui perhitungan parameter error dan uji theils-u. Uji ini dapat
dilakukan dengan menggunakan command sebagai berikut.
Command: ssc install fcstats
fcstats LajuWis LajuWisSMA
fcstats LajuWis LajuWisDMA

Gambar 12. Uji FCSTATS Smoothing Average

Sumber: Hasil Analisis, 2023
 Dengan command tersebut dapat dihitunh nilai Root Mean Squared Error
(RMSE), Mean Absolute Error (MAE), Mean Absolute Percent Error (MAPE),
dan Theils-U. Keempat parameter ini dapat digunakan untuk menentukan
keberartian penggunaan metode/pendekatan analisis sedangkan uji Theils-U
digunakan untuk menentukan apakah penggunaan metode/pendekatan analisis
sudah tepat atau justru tidak lebih baik daripada metode naif.

Diantara ketiga parameter pengujian error, yang akan digunakan adalah MAPE.
Parameter ini merupakan parameter yang paling umum digunakan dalam
mengukur tingkat kesalahan hasil forecast sebab direpresentasian dalam satuan
persentase kesalahan model. Berdasarkan hasil uji fstats dapat dilihat bahwa nilai
MAPE dari metode single moving average (SMA) bernilai 0.0902422 artinya
tingkat kesalahan model hasil forecast SMA mengurangi data actual sebesar
9,02%. Sedangkan nilai MAPE metode double moving average (DMA) bernilai
0.09126106 artinya tingkat kesalahan model hasil forecast DMA mengurangi data
actual sebesar 9,12%.

Gambar 13. Premis Uji Theils-U

Sumber: Yafee, 2010

Kemudian penentuan apakah metode peramalan time series smoothing SMA

maupun DMA dipilih atau tidak dapat menggunakan uji Theils-U. Jika nilai
Theils-U bernilai > 1 maka metode naif lebih baik daripada metode yang
digunakan; jika bernilai < 1 maka metode yang digunakan lebih baik daripada
metode naif; sedangkan jika bernilai 1 maka keduanya merupakan metode yang
sama baik digunakan.

Berdasarkan hasil uji fstats didapatkan nilai Theils-U metode SMA bernilai 1.597
dimana hal tersebut > 1, dan metode DMA bernilai 1.670 yang dimana hal
tersebut juga > 1. Maka, metode naif lebih memberikan hasil peramalan yang baik
sehingga tidak ada gunanya jika menggunakan metode SMA maupun DMA.
Namun, karena metode SMA memiliki nilai yang lebih kecil daripada metode
DMA, maka metode SMA akan menjadi metode yang dipilih dalam smoothing
average.
4. Mengolah Data Menggunakan Excel
Membuat persamaan linier dari SMA dengan cara seperti berikut.
a b a+b(m)
Periode
Tahun S' S" (dengan
Bulan (2S'-S") ; n=2
m=1)
2018 Januari
Februari
Maret
-
April
0.0543333
Mei 0.0213333
 Juni 0.02 -0.0165
Juli 0.197 0.0206667 0.3733333 0.3526666 0.7259999
Agustus 0.1186667 0.1085 0.1288334 0.0203334 0.1491668
-
September 0.1093333 0.1578333 0.0608333 -0.097
0.0361667
- - - -
Oktober 0.114
0.1203333 0.3546666 0.4686666 0.8233332
- - - -
November -0.0055
0.0536667 0.1018334 0.0963334 0.1981668
Desember 0.0156667 -0.087 0.1183334 0.2053334 0.3236668
2019 Januari 0.078 -0.019 0.175 0.194 0.369
-
Februari 0.0253333 0.0468333 0.0038333 -0.043
0.0391667
- - - -
Maret 0.0516667
0.0366667 0.1250001 0.1766668 0.3016669
- - - -
April -0.098
0.0546667 0.0056667 0.1036667 0.2016667
-
Mei 0.007 0.0596667 0.1053334 0.1650001
0.0456667
-
Juni -0.009 0.0058333 0.0296666 0.0354999
0.0238333
Juli 0.266 -0.001 0.533 0.534 1.067
Agustus 0.1713333 0.1285 0.2141666 0.0856666 0.2998332
September 0.2263333 0.2186667 0.2339999 0.0153332 0.2493331
- - -
Oktober 0.1988333 -0.669
0.1356667 0.4701667 1.1391667
- - -
November -0.028 0.0453333
0.1013333 0.1466666 0.2479999
- -
Desember 0.0331667 0.115 0.1481667
0.0243333 0.0818333
-
2020 Januari 0.134 0.2941667 0.3203334 0.6145001
0.0261667
-
Februari 0.0383333 0.0548333 0.0218333 -0.033
0.0111667
- - - -
Maret 0.0861667
0.0216667 0.1295001 0.2156668 0.3451669
- - -
April -0.21 0.0083333
0.4283333 0.4366666 0.8649999
- - - -
Mei -0.491
0.3613333 0.1158333 0.6068333 1.0978333
- - - -
Juni -0.31
0.4406667 0.2856667 0.5956667 0.9056667
- -
Juli -0.401 0.2946666 0.1883332
0.2536667 0.1063334
-
Agustus 0.1993333 0.7458333 1.093 1.8388333
0.3471667
-
September 0.523 1.0731667 1.1003334 2.1735001
0.0271667
-
Oktober 0.3393333 0.3611667 0.3174999 0.2738331
0.0436668
- - -
November 0.18 0.4311666
0.0711666 0.5023332 0.5734998
 - - -
Desember 0.0823333 0.2596667
0.0950001 0.3546668 0.4496669
-
2021 Januari 0.117 0.1311667 0.1028333 0.0744999
0.0283334
- - -
Februari -0.034 0.0996667
0.1676667 0.2673334 0.4350001
Maret -0.17 0.0415 -0.3815 -0.423 -0.8045
April -0.047 -0.102 0.008 0.11 0.118
Mei 0.068 -0.1085 0.2445 0.353 0.5975
Juni 0.151 0.0105 0.2915 0.281 0.5725
Juli 0.1846667 0.1095 0.2598334 0.1503334 0.4101668
- - -
Agustus 0.1678333 -0.465
0.0646667 0.2971667 0.7621667
- - - -
September 0.06
0.0273333 0.1146666 0.1746666 0.2893332
Oktober 0.0086667 -0.046 0.0633334 0.1093334 0.1726668
-
November 0.42 0.8493333 0.8586666 1.7079999
0.0093333
Desember 0.3806667 0.2143333 0.5470001 0.3326668 0.8796669
-
2022 Januari 0.2963333 0.4003333 0.1923333 -0.208
0.0156667
Februari 0.053 0.3385 -0.2325 -0.571 -0.8035
- - - -
Maret 0.1746667
0.0656667 0.3060001 0.4806668 0.7866669
- - - -
April 0.0013332
0.0056667 0.0063333 0.0050001 0.0036669
-
Mei 0.0196667 0.0750001 0.1106668 0.1856669
0.0356667
Juni 0.413 0.007 0.819 0.812 1.631
-
Juli 0.206 0.2163333 0.1956667 0.1750001
0.0206666
Agustus 0.248 0.3095 0.1865 -0.123 0.0635
- - - -
September 0.227
0.1113333 0.4496666 0.6766666 1.1263332
- - -
Oktober 0.0683333 -0.254
0.0586667 0.1856667 0.4396667
-
November -0.085 0.0436666 0.1286666 0.1723332
0.0206667
-
Desember 0.0043333 0.0483333 0.088 0.1363333
0.0396667

Tabel Hasil Perhitungan Komponen Model

Sumber: Hasil Analisis, 2023

Untuk menentukan nilai laju wisatawan pada bulan Desember tahun 2024
menggunakan nilai konstanta a dan b dari persamaan MA linier pada bulan
Desember, yaitu:

Ft+m = at + btm
Ft+m = 0.05 + 0.09m

Diketahui nilai dari m adalah 24 maka:

 Ft+m = 0.05 + 0.09(24) = 2,16%

Tentunya perlu pengujian terhadap metode lain sebab terdapat kemungkinan

bahwa ada pendekatan metode yang lebih baik dalam menangkap komponen pola
data musiman seasonal sebab metode moving average ini membuat model yang
hasil estimasinya bersifat stasioner-linier sedangkan data yang dimiliki
sebelumnya telah diketahui bersifat non-stasioner dan memiliki komponen pola
data seasonal.
d. Analisis Exponential Smoothing
Berikut merupakan Langkah-langkah yang dapat dilakukan dalam menggunakan
metode exponential smoothing pada StataMP.
1. Single Exponential Smoothing
Dalam melakukan prosedur single exponential smoothing di STATA dapat
dilakukan dengan penetapan nilai bobot ataupun dihitung secara otomatis oleh
aplikasi STATA. Perintah pertama dibawah digunakan jika peneliti telah memiliki
nilai bobot yang ditentukan sebelumnya sedangkan perintah kedua ialah jika nilai
bobot tidak diketahui dimana aplikasi stata akan menghitung nilai bobot dengan
cara meminimalkan RMSE hasil proyeksi. Pada praktikum ini nilai bobot tidak
diketahui sehingga command yang dipakai adalah sebagai berikut.
Command: tssmooth exponential LajuWisSES = LajuWis, parms(0.2) forecast(24)

Gambar 14. Hasil Analisis Single Exponential Smoothing

Sumber: Hasil Analisis, 2023
Command: fcstats LajuWis LajuWisSES

Gambar 15. Hasil Analisis Single Exponential Smoothing

Sumber: Hasil Analisis, 2023

Tampilan di atas menunjukkan hasil perhitungan STATA untuk metode single

exponential smoothing di mana didapatkan bahwa nilai bobot perhitungan yang paling
tepat bernilai 0,2000. Kemudian, dapat diketahui nilai RMSE yang apabila bernilai
semakin kecil maka hasil peramalan semakin baik dan pada metode ini bernilai
sebesar 0,3523. Selanjutnya, dapat diketahui pula nilai sum-of-squared residuals yakni
nilai total varian (selisih) antara nilai observasi aktual dengan nilai hasil estimasi
peramalan dan pada metode ini bernilai 7,4501. Baik nilai RMSE maupun sum-of-
squared residuals akan memiliki keberartian jika dibandingkan dengan nilai hasil
metode lainnya. Berdasarkan perhitungan fcstats didapatkan nilai MAPE sebesar -
0,3199 yang artinya tingkat kesalahan model hasil forecast single exponential
smoothing melebihi data aktual sebesar 31,99%. Kemudian, metode ini memiliki nilai
Theils-U yang melebihi 1 yakni 1,047 yang menandakan tidak ada kegunaan dalam
menggunakan metode ini sebab metode naif lebih baik sehingga metode ini tidak
seharusnya digunakan.
Pada windows data view akan dibentuk variabel LajuInfses yang merupakan variabel
hasil peramalan dengan metode single exponential smoothing. Dapat dilihat pula
bahwa hasil estimasi pada periode pertama hingga terakhir setelah data observasi
bernilai sama, yakni 0,1128317 hal ini disebabkan metode single exponential
smoothing hanya berurusan dengan T data terakhir.

Gambar 16. Tampilan Data View Single Exponential Smoothing

Sumber: Hasil Analisis, 2023

2. Double Exponential Smoothing: Metode Linier 1 Parameter Brown

Dalam melakukan prosedur double exponential smoothing Brown di STATA,
juga dapat dilakukan dengan penetapan nilai bobot ataupun dihitung secara
otomatis oleh aplikasi STATA. Pada praktikum kali ini nilai bobot tidak diketahui
sehingga analisis dilakukan dengan manggunakan command sebagai berikut.
Command: tssmooth dexponential LajuWisDES = LajuWis, forecast(24)
Command: fcstats LajuWis LajuWisDES
 Gambar 17. Tampilan Hasil Double Exponential Smoothing 1 Parameter Brown
Sumber: Hasil Analisis, 2023

Tampilan di atas menunjukkan hasil perhitungan STATA untuk metode double

exponential smoothing brown di mana didapatkan bahwa nilai bobot perhitungan
yang paling tepat bernilai 0,0388. Kemudian, dapat diketahui nilai RMSE yang
apabila bernilai semakin kecil maka hasil peramalan semakin baik dan pada
metode ini bernilai sebesar 0,34211539. Selanjutnya, dapat diketahui pula nilai
sum-of-squared residuals yakni nilai total varian (selisih) antara nilai observasi
aktual dengan nilai hasil estimasi peramalan dan pada metode ini bernilai
7,0225766. Baik nilai RMSE maupun sum-of-squared residuals akan memiliki
keberartian jika dibandingkan dengan nilai hasil metode lainnya. Berdasarkan
perhitungan fcstats didapatkan nilai MAPE sebesar -0,0120 yang artinya tingkat
kesalahan model hasil forecast double exponential smoothing melebihi data aktual
sebesar 1,20%. Kemudian, metode ini memiliki nilai Theils-U yang kurang dari 1
yakni 0,88785162 yang menandakan bahwa metode ini tepat untuk digunakan
sebab lebih baik daripada metode naif.
 Gambar 18. Tampilan Data View Doubel Exponential Smoothing Brown
Sumber: Hasil Analisis, 2023

Pada windows data view akan dibentuk variabel LajuWisDES yang merupakan
variabel hasil peramalan dengan double exponential smoothing metode linier 1
parameter Brown. Dapat dilihat bahwa pada periode ke-12 (Desember 2024)
memiliki nilai 0,0495232.

3. Double Exponential Smoothing: Metode Double Exponential Parameter Holt

Dalam melakukan prosedur double exponential smoothing holt di STATA, juga
dapat dilakukan dengan penetapan nilai bobot ataupun dihitung secara otomatis
oleh aplikasi STATA. Pada praktikum kali ini nilai bobot tidak diketahui sehingga
analisis dilakukan dengan manggunakan command sebagai berikut.
Command: tssmooth dexponential LajuWisDESH = LajuWis,
forecast(24)iterate(100)
Command: fcstats LajuWis LajuWisDESH
 Gambar 19. Tampilan Hasil Double Exponential Smoothing Holt
Sumber: Hasil Analisis, 2023

Tampilan di atas menunjukkan hasil perhitungan STATA untuk double exponential

smoothing metode double parameter Holt di mana didapatkan bahwa nilai bobot
perhitungan α yang paling tepat bernilai 0,0083 dan β bernilai 1,0000. Kemudian,
dapat diketahui nilai RMSE yang apabila bernilai semakin kecil maka hasil peramalan
semakin baik dan pada metode ini bernilai sebesar 0,3339659. Selanjutnya dapat
diketahui pula nilai sum-of-squared residuals yakni nilai total varian (selisih) antara
nilai observasi aktual dengan nilai hasil estimasi peramalan dan pada metode ini
bernilai 6,691994. Baik nilai RMSE maupun sum-of-squared residuals akan memiliki
keberartian jika dibandingkan dengan nilai hasil metode lainnya. Berdasarkan
perhitungan fcstats didapatkan nilai MAPE sebesar -0,10614088 yang artinya tingkat
kesalahan model hasil forecast double exponential smoothing parameter Holt ini
melebihi data aktual sebesar 10,61%. Kemudian metode ini memiliki nilai Theils-U
yang kurang dari 1 yakni 0,8243 yang menandakan bahwa metode ini tepat untuk
digunakan sebab lebih baik daripada metode naif.
 Gambar 20. Tampilan Data View Doubel Exponential Smoothing Holt
Sumber: Hasil Analisis, 2023

Pada windows data view akan dibentuk variabel LajuWisDESH yang merupakan
variabel hasil peramalan dengan double exponential smoothing metode double
parameter Holt. Dapat dilihat bahwa pada periode ke-12 (Desember 2024) memiliki
nilai 0,3754174.

4. Triple Exponential Smoothing – Winter

Dalam melakukan prosedur triple exponential smoothing winter di STATA, juga
dapat dilakukan dengan penetapan nilai bobot ataupun dihitung secara otomatis
oleh aplikasi STATA. Pada praktikum ini nilai bobot tidak diketahui sehingga
dilakukan dengan menggunakan command sebagai berikut.
Command: tssmooth dexponential LajuWisTES = LajuWis, forecast(24)
iterate(100)
Command: fcstats LajuWis LajuWisTES

Gambar 21. Tampilan Hasil Triple Exponential Smoothing Winter

Sumber: Hasil Analisis, 2023

Tampilan di atas menunjukkan hasil perhitungan STATA untuk double exponential

smoothing metode double parameter Holt di mana didapatkan bahwa nilai bobot
perhitungan α yang paling tepat bernilai 0,0107, β bernilai 0,7368, dan γ bernilai
0,0887. Kemudian, dapat diketahui nilai RMSE yang apabila bernilai semakin kecil
maka hasil peramalan semakin baik dan pada metode ini bernilai sebesar 0,3078.
Selanjutnya dapat diketahui pula nilai sum-of-squared residuals yakni nilai total
varian (selisih) antara nilai observasi aktual dengan nilai hasil estimasi peramalan dan
pada metode ini bernilai 5,684142. Baik nilai RMSE maupun sum-of-squared
residuals akan memiliki keberartian jika dibandingkan dengan nilai hasil metode
lainnya. Berdasarkan perhitungan fcstats didapatkan nilai MAPE sebesar -0,08025343
yang artinya tingkat kesalahan model hasil forecast double exponential smoothing
parameter Holt ini melebihi data aktual sebesar 8,02%. Kemudian metode ini
memiliki nilai Theils-U yang kurang dari 1 yakni 0,58322692 yang menandakan
bahwa metode ini tepat untuk digunakan sebab lebih baik daripada metode naif.
 Gambar 22. Tampilan Data View Triple Exponential Smoothing Winter
Sumber: Hasil Analisis, 2023

Pada windows data view akan dibentuk variabel LajuWisTES yang merupakan
variabel hasil peramalan dengan metode triple exponential smoothing. Dapat
dilihat pula bahwa hasil estimasi pada periode pertama hingga terakhir setelah
data observasi bernilai sama, yakni 4,678614.

e. Analisis Dekomposisi (Unobserved Component Model)

Berikut ini merupakan langkah-langkah yang dapat dilakukan untuk melakukan
peramalan dengan menggunakan metode exponential smoothing pada STATA.
1. Pendekatan UCM
Pendekatan UCM Stata menampilkan karakteristik dari model yang dibentuk
dengan command sebagai berikut. Ada pun dalam aplikasi stata, setiap komponen
baik itu trend, seasonal, dan siklus bersifat optional, namun dalam praktikum ini
akan diidentifikasikan ketiga komponen tersebut.Berdasarkan hasil analisis
sebelumnya, data yang digunakan pada praktikum ini tidak memiliki komponen
data seasonal. Sehingga akan dilakukan pendugaan bahwa data wisata memiliki
interval season 2, 4, dan 5 bulan. Kemudian akan diuji dalam membandingkan
nilai Prob>Chi2. Command yang digunakan sebagai berikut.
Command:
ucm LajuWis, seasonal(2) cycle(1) iterate(100) difficult
ucm LajuWis, seasonal(4) cycle(1) iterate(100) difficult
ucm LajuWis, seasonal(5) cycle(1) iterate(100) difficult
 Gambar 23. Hasil UCM Seasonal (2)
Sumber: Hasil Analisis, 2023

Gambar 24. Hasil UCM Seasonal (4)

Sumber: Hasil Analisis, 2023

Gambar 25. Hasil UCM Seasonal (5)

Sumber: Hasil Analisis, 2023

Dalam mengetahui keberartian model UCM, dilakukan pembuatan hipotesa

dengan mengacu pada nilai Prob>chi2. Berikut ini merupakan hipotesa yang
digunakan H0: Seluruh koefisien pada model kecuali konstanta bernilai 0 H1:
Koefisien pada model tidak bernilai 0 Hipotesa nol akan ditolak jika nilai
Prob>Chi2 bernilai kurang dari 0,05 atau dalam kata lain Hipotesa satu akan
diterima; sebaliknya jika nilai Prob>Chi2 bernilai lebih besar atau sama dengan
0,05 maka hipotesa nol akan diterima dan hipotesa satu ditolak.
 Berdasarkan hasil, Season 2 memiliki nilai Prob>Chi 1 (> 0.05), season 4
memiliki nilai Prob>Chi 0 (<0.05) dan Season 5 memiliki nilai Prob>Chi 0.6889
(>0.05). Hal ini menandakan penolakan H0 hanya terjadi pada Season 4 sehingga
model dengan season 4 memiliki keberartian dalam melakukan peramalan time
series.

Pada kolom Coef. (koefisien) pada tabel, dapat diketahui nilai koefisien frekuensi
dan damping. Nilai koefisien frekuensi menunjukkan kecenderungan pemusatan
frekuensi (kekerapan) pada data yang jika semakin tinggi maka siklus semakin
sering terjadi. Nilai damping menunjukkan seberapa mendekatinya distribusi
komponen model terhadap nilai estimasi frekuensi pusat yang dihasilkan yang
apabila bernilai mendekati 1 menandakan komponen semakin memusat. Dalam
gambar ditunjukkan bahwa model memiliki kecenderungan kekerapan tinggi yaitu
dengan frekuensi 0.9058154 yang berarti dalam periode seasonal 4 bulan terjadi
0.9058154 siklus dan cenderung mendekati frekuensi dengan damping mendekati
1 yakni sebesar 0.84368884.

Kemudian pada baris variansi komponen level, seasonal, dan cycle dapat
diketahui keberartian dan persebaran nilai ketiga komponen pola data tersebut.
Apabila dilihat pada koefisien variansi level, didapatkan nilai 0.0000633 yang
relatif sangat kecil sehingga dapat dikatakan bahwa nilai variansi perubahan
tingkatan setiap lag periode data tidak signifikan (sangat kecil). Kemudian jika
dilihat pada kolom Prob>|z| bernilai lebih besar daripada 0,05 sehingga hipotesis
nol diterima dan hipotesis satu ditolak yang berarti pada koefisien level tidak
memiliki keberartian. Hasil ini logis sebab berdasarkan uji Dickey-Fuller Test
data bersifat stasioner yang berarti perubahan tingkatan setiap lag tidak terjadi
sehingga fluktuasi data cenderung terjadi pada garis nilai yang sama.

Pada koefisien variansi seasonal didapatkan nilai 0,0309 dengan nilai Prob>|z|
bernilai lebih besar daripada 0,05 yakni 0,068 sehingga hipotesis satu ditolak dan
hipotesis nol diterima yang berarti pada koefisien variansi seasonal tidak memiliki
keberartian. Pada koefisien variansi cycle didapatkan nilai 0,3902 dengan nilai
Prob>|z| bernilai lebih kecil daripada 0,05 yakni 0 sehingga hipotesis satu diterima
dan hipotesis nol ditolak yang berarti pada koefisien variansi seasonal memiliki
keberartian.

2. Agar nilai koefisien frekuensi dapat lebih berarti, maka dapat dilakukan konversi
nilai tersebut menjadi nilai pusat periode dengan menggunakan command sebagai
berikut.
Command: estat period

Gambar 26. Tampilan Estat Period

Sumber: Hasil Analisis, 2023

Berdasarkan gambar di atas dapat diketahui bahwa komponen siklus dalam model
tersusun oleh komponen yang terjadi di sekitar periode pusat 2,06 bulan. Dalam
 kata lain, siklus pada data inflasi terjadi utamanya setiap sekitar 2 bulan

3. Selanjutnya akan dilakukan prosedur posestimasi, yang digunakan untuk

mengetahui baik nilai komponen trend, siklus, maupun musiman (seasonal) yang
belum diketahui dari periode data yang dimiliki berdasarkan model yang telah
dibentuk
Command:
predict strend, trend
predict season, seasonal
predict cycle, cycle

Gambar 27. Tampilan Data View Variabel Strend, Season, Cycle

Sumber: Hasil Analisis, 2023

Pada windows data view akan dibentuk variabel strend yang merupakan variabel
estimasi komponen trend, variabel season sebagai estimasi komponen musiman,
dan variabel cycle sebagai estimasi komponen siklus yang dibuat oleh model.

4. Untuk mengetahui bagaimana karakteristik komponen trend, musiman, dan siklus

oleh model terhadap data yang dimiliki, maka dapat dibuat grafik twoway plot.
Dapat dilihat bahwa komponen pola trend cenderung berada pada garis linier
seiring waktu (garis kuning); sedangkan komponen season (garis merah) dan
siklus (garis hijau) bersifat non-stasioner.
Command : twoway (tsline LajuInf) (tsline season ) (tsline cycle ) (tsline strend)
 Gambar 28. Tampilan Twoway Plot Komponen Strend, Season, Cycle
Sumber: Hasil Analisis, 2023

5. Untuk melakukan forecasting dengan model yang dimiliki untuk periode kedepan
dapat dilakukan dengan command berikut.
Command : tsappend, add(24) predict LajuWis_f , dynamic(tm(2022m1))
rmse(rmse)

Gambar 29. Tampilan Data View Hasil Forecasting

Sumber: Hasil Analisis, 2023

Pada windows data view akan dibentuk variabel LajuWis_f yang merupakan
variabel hasil peramalan dari model UCM untuk 24 periode setelah periode data
yang dimiliki, serta variabel rmse yang merupakan nilai Root Mean Squared Error
untuk nantinya digunakan dalam penentuan pemilihan model. Berdasarkan hasil
proyeksi UCM, didapatkan nilai laju wisatawan estimasi untuk Desember 2024
sebesar 0,023657% dengan nilai RMSE sebesar 0,3534038.

6. Untuk melakukan perbandingan antara hasil estimasi model dengan data observasi
yang dimiliki maka dapat dilakukan dengan command berikut.
Command : predict xb twoway (tsline LajuWis) (tsline LajuWis_f) (tsline xb)
 Gambar 30. Tampilan Plot Twoway Perbandingan Model dan Aktual
Sumber: Hasil Analisis, 2023

Maka akan keluar grafik twoway plot yang menggambarkan garis laju inflasi
aktual berdasarkan data observasi yang dimiliki serta garis laju inflasi hasil
estimasi berdasarkan model yang dihasilkan UCM. Dapat diketahui bahwa garis
hasil estimasi relatif mendekati garis data aktual. Hal ini mengkonfirmasi
keberartian yang sebelumnya didapatkan oleh nilai Prob>chi2 yakni model hasil
estimasi memiliki keberartian dalam menggambarkan kondisi aktual

7. Selanjutnya akan dilakukan analisis fcstats untuk mengetahui nilai MAPE dan uji
Theils-U.
Command : fcstats LajuWis xb

Gambar 31. Fcstats Hasil Model Dekomposisi

Sumber: Hasil Analisis, 2023

Untuk analisis fcstats pada metode dekomposisi hanya akan melihat parameter
error tanpa melihat hasil uji theils-U. Hal ini disebabkan uji theils-U merupakan
prosedur pengujian selain dekomposisi yang tidak membagai komponen pola data
seperti model ARIMA dan eksponensial. Berdasarkan perhitungan didapatkan
nilai MAPE sebesar 0,25500616 yang artinya tingkat kesalahan model hasil
forecast single exponential smoothing melebihi data aktual sebesar 25,5%.

Hasil Analisis dan Interpretasi

Berdasarkan hasil analisis, metode yang digunakan adalah metode Single Average Smoothing
karena memiliki nilai MAPE yang lebih kecil dari Double Average Smoothing. Pada metode
exponential smoothing, dilakukan pengujian menggunakan empat metode yaitu single
exponential smoothing, double exponential smoothing brown dan holt, dan triple exponential
smoothing winter. Metode yang terpilih yaitu Double Exponential Smoothing Brown karena
memiliki nilai MAPE paling kecil daripada metode yang lain.

Metode Theils-U MAPE

Smoothing Average
Single Moving Average 1.59764 0.09024
Double Moving Average 1.67059 0.09126
Exponential Smoothing
Single Exponential Smoothing 1.0473385 -0.31995676
Double Exponential 0.88785162 -0.0120743
Smoothing Brown
Double Exponential 0.82424916 -0.1614088
Smoothing Holt
Triple Exponential Smoothing 0.58322692 -0.08025343
Dekomposisi
Unobserve Component Model 1.3828655 0.25500616

Jawab Soal!
1. Berdasarkan hasil analisis menggunakan data laju pertumbuhan wisatawan di Provinsi
Bali, metode dan Teknik pendekatan yang paling baik untuk digunakan dalam
mengestimasikan laju pertumbuhan jumlah wisatawan yaitu metode Double
Exponential Smoothing Brown. Karena metode tersebut memiliki nilai MAPE terkecil
jika dibandingkan dengan metode lainnya. Selain itu, dilihat juga melalui nilai Theils-U
dari metode Double Exponential Smoothing Brown yaitu 0.88785162 ( < 1)
menandakan bahwa metode ini tepat digunakan.

2. Hasil peramalan dapat dikonfirmasi memiliki makna yang berarti RMSE. Pada hasil
analisis sebelumnya nilai RMSE dari Double Exponential Smoothing yaitu 0.33396591
nilai ini merupakan nilai terkecil kedua setelah metode Triple Exponential Smoothing.
Semakin kecil nilai RMSE maka hasil peramalan semakin baik. Berdasarkan
perhitungan fcstats didapatkan nilai MAPE sebesar -0,0120 yang artinya tingkat
kesalahan model hasil forecast double exponential smoothing melebihi data aktual
sebesar 1,20%. Kemudian, metode ini memiliki nilai Theils-U yang kurang dari 1 yakni
0,88785162 yang menandakan bahwa metode ini tepat untuk digunakan sebab lebih
baik daripada metode naif.

3. Berdasarkan hasil analisis, pada data yang terlampir pada Tabel Data View dapat
dilihat bahwa laju pertumbuhan jumlah wisatawan di Provinsi Bali pada Desember
2024 akan bernilai 0.0495232 atau 0.05%.