5 - Laporan Praktikum 4 - 15421027 - Raja Fadhilah Firdaus
5 - Laporan Praktikum 4 - 15421027 - Raja Fadhilah Firdaus
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!
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. Lakukan declare variable tanggal sebagai variable acuan periode data agar
dikenali sebagai data time series dengan menggunakan command sebagai berikut.
Command: tsset tanggal
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.
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 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.
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%.
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
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
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.
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.
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.
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
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
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.
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)
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
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%.
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%.