PERAMALAN KUNJUNGAN WISATAWAN KE ULUWATU DENGAN MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE

Transkripsi

1 TRI TANAMI SUKRAINI : RAMALAN KUNJUNGAN WISATAWAN 47 PERAMALAN KUNJUNGAN WISATAWAN KE ULUWATU DENGAN MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE Tri Tanami Sukraini Jurusan Adminisrasi Niaga Polieknik Negeri Bali Jln. Kamus Buki Jimbaran, Bali Tel Fax rianami@nb.ac.id Absrak: Ramalan jumlah kunjungan wisaawan yang daang ke dalam suau daerah ujuan wisaa sanga dierlukan oleh elaku bisnis wisaa unuk erencanaan bisnis mereka. Tujuan eneliian ini adalah membua model dan memeroleh hasil eramalan jumlah kunjungan wisaawan ada beberaa eriode ke dean. Meode yang digunakan dalam eneliian ini adalah meode Box-Jenkins dengan endekaan model Auoregressive Inegraed Moving Average (). Langkah erama yang dilakukan dengan cara meliha kesasioneran daa, selanjunya mengidenifikasi model dari correlogram ACF dan PACF. Dari correlogram ersebu daa dibenuk model semenara dan dilakukan overfiing. Langkah berikunya yaiu enaksiran dan esimasi arameer model. Selanjunya langkah akhir adalah emeriksaan diagnosik dengan meliha nilai residual dan normalias. Hasil akhir menunjukkan bahwa model (1,1,0) ana konsana adalah model yang erbaik dalam meramalkan kunjungan wisaawan. Kaa-kaa kunci:, Meode Box-Jenkins, Peramalan. Touriss Visi Predicion In Uluwau Using Auoregressive Inegraed Moving Average Model Absrac: Predicing he number of ouriss coming o ourism desinaion is required by ourism businesses o lan heir business. The urose of his research is o creae a model and know he resuls of redicing he number of ouriss visi for several eriods ino he fuure. The mehod used in his research is he Box-Jenkins wih Auoregressive Inegraed Moving Average () model aroach. The firs se is look a he saionary daa and idenify he model of he ACF and PACF correlogram. The emorary model are formed from he correlogram and hen o be overfied. The nex se is o measure and esimae he model arameers.the final se is o conduc diagnosic examinaion by looking a residual value and normaliy. The final resul shows ha he (1,1,0) wihou consan is he bes model in redicing he ouris visis. Keywords:, Box-Jenkins mehod, redicion. I. PENDAHULUAN Sekor ariwisaa bereranan ening dalam erekonomian Indonesia. Pariwisaa menjadi sekor unggulan bagi erekonomian daerah Bali. Hal ini daa diliha dari daa Badan Pusa Saisik Bali, erumbuhan ekonomi Bali lebih banyak diunjang oleh laangan usaha enyediaan akomodasi. Pada ahun 014 jumlah kunjungan wisaawan yang daang mencaai 3,77 jua orang, Meningka seikiar 14,89 ersen dari ahun sebelumnya []. Usaha unuk engembangan ariwisaa yang erarah dan ea sanga dierlukan. Oleh karenanya. ihakihak yang erkai elah beruaya meningkakan kegiaan emasaran, erbaikan berbagai fasilias dan elayanan yang dierlukan wisaawan. Conohnya, objek wisaa kawasan Uluwau yang erleak di wilayah Bali Selaan, kini menjadi salah sau ujuan wisaa andalan di Bali. Selain anorama yang indah, Uluwau juga menghadirkan emenasan Tari Kecak yang menjadi salah sau seni budaya yang dikagumi engunjung. Pihak engelola kawasan Uluwau bersama-sama dengan emerinah, dan elaku bisnis ariwisaa lainnya elah beruaya meningkakan elayanan dan melakukan erbaikan fasilias. Namun, kedaangan jumlah wisaawan yang bersifa flukuaif menjadi kendala ihak erkai dalam mengambil suau indakan. Unuk membua suau erencanaan yang cerma, ihak erkai memerlukan gambaran enang ola kujungan wisaawan ke Uluwau. Peneliian ini berujuan membua model eramalan kunjungan wisaawan ke kawasan wisaa Uluwau. Peramalan meruakan ala banu yang ening dalam suau erencanaan agar daa mengambil suau indakan yang ea. Dalam suau erisiwa, eramalan dierlukan unuk meneakan kaan suau erisiwa akan erjadi aau imbul, sehingga indakan yang ea daa dilakukan.

2 48 JURNAL MATRIX VOL. 6, NO. 1, MARET 016 Daa masa lamau yang elah dikumulkan secara eraur (baik dalam benuk harian, minggu, bulan, ahun dan sebagainya) dianalisis menggunakan eknik eramalan yang ea. Hasilnya daa dijadikan acuan unuk eramalan nilai di masa yang akan daang. Hal okok yang harus dierhaikan dalam roses eramalan adalah engumulan daa yang relevan dan emilihan eknik eramalan yang ea. Peramalan haruslah daa memanfaakan daa yang dieroleh semaksimal mungkin. Aabila kedua hal ini daa erenuhi, roses eramalan akan memeroleh hasil yang akura dan bermanfaa. Makridakis e al [1] menjelaskan bahwa model Auoregressive Inegraed Moving Average () meruakan meode yang dierakan unuk analisis dere berkala, eramalan dan engendalian. Model secara enuh mengabaikan variabel bebas dalam embuaan eramalan. Noasi yang diusulkan Box-Jenkins [3] dalam buku mereka Time Series Analysis : Forecasing and Conrol (San Fransisco : Holden-Day,1976) adalah (,d,q) dengan: AR : = orde dari roses auoregresif I : d = ingka embedaan (berhubungan dengan sasionerias) MA : q = orde dari roses raa raa bergerak Model Box-Jenkins () dibagi ke dalam 3 kelomok, yaiu model auoregressive (AR), moving average (MA), dan model camuran (auoregressive moving average) yang memunyai karakerisik dari dua model erama. a. Auoregressive Model (AR) Benuk umum model auoregressive dengan ordo (AR()) aau model (,0,0) dinyaakan sebagai beriku: Z= µ + φ1z 1+ φz + + φz + e (1) dengan: Z = engamaan Z ada waku ke- Z i= engamaan Z ada waku ke--i, dengan i = 1,,, µ = suau konsana φ1, φ, φ = arameer auoregresif (AR) e = nilai error ada waku ke- dengan disribusi whie noise ( 0,σ ). Dengan menggunakan oeraor backward shif ada roses AR (), maka roses AR() daa diulis sebagai beriku : Z φz φ Z φ Z = e 1 1 Z φ BZ φ B Z φ B Z = e 1 0 ( 1 φ1 φ φ ) B B B Z = e φ ( BZ ) = e () φ ( B) = (1 φb φ B ) dengan 1 Unuk fungsi auokorelasi dan auokorelasi arsial ada model AR() yaiu: Fungsi auokorelasi akan urun secara eksonensial Fungsi auokorelasi arsial : φ kk = 0, k > Auokorelasi arsial akan nol seelah lag b. Moving Average Model (MA) Benuk umum model moving average orde q (MA(q)) aau model (0,0,q) dinyaakan sebagai beriku: Z= µ + e θ1e 1 θe θqe q (3) dengan: Z = engamaan Z ada waku ke- µ = suau konsana θ1, θ, θq = arameer moving average (MA) e = nilai error ada waku ke- dengan disribusi whie noise ( 0,σ ) Unuk fungsi auokorelasi dan auokorelasi arsial ada model MA(q) yaiu: Fungsi Auokorelasi Auokorelasi akan nol seelah lag Fungsi Auokorelasi Parsial Kurva fungsi auokorelasi arsial akan urun secara eksonensial c. Model camuran i. Proses ARMA Model ARMA: Z = µ + φz + + φ Z + e 1 1 θ e θ e 1 1 q q (4) dimana, Z = engamaan Z ada waku ke- Z i= engamaan Z ada waku ke--i, dengan i = 1,,, φ1, φ, φ = arameer auoregresif (AR) θ1, θ, θq = arameer moving average (MA) e = nilai error ada waku ke- dengan disribusi whie noise ( 0,σ ) ii. Proses Model (,d,q) model eramalan nonsasioner yang seelah diambil selisih dari lag erenu akan dilakukan differencing menjadi sasioner yang memunyai model auoregresif orde dan moving average orde q. Model

3 TRI TANAMI SUKRAINI : RAMALAN KUNJUNGAN WISATAWAN 49 (,d,q) dengan differencing orde d dinyaakan dalam ersamaan sebagai beriku: d φ ( B)(1 B) Z = µ + θ ( Be ) (5) q dimana: φ ( B) = (1 φb φ B ) AR 1 q θ ( B) = (1 θ B θ B ) q MA 1 = oeraor dari = oeraor dari Variasi model idak erbaas jumlahnya. Model umum,yang mencaku seluruhnya dikenal dengan (,d,q). Meode Box-Jenkins hanya daa dierakan, menjelaskan, aau mewakili daa yang sasioner aau elah dijadikan sasioner. Suau daa runun waku dikaakan sasioner jika memunyai mean dan variansi dari runun waku ersebu yang idak diengaruhi oleh berubahnya waku engamaan. Daa runun waku yang sasioner memunyai kecenderungan bergerak di sekiar raa-raa yang aabila digambarkan erhada waku akan melewai sumbu raa-raa [1]. Pada kenyaaannya, daa runun waku lebih banyak bersifa idak sasioner. Jika daa idak sasioner maka meode yang digunakan unuk membua daa sasioner adalah differencing unuk daa yang idak sasioner dalam raa-raa dan roses ransformasi unuk daa yang idak sasioner dalam variansi [4]. Analisis ime series dengan meode Box-Jenkins ini erdiri aas ema ahaan, yaiu idenifikasi model, enaksiran arameer, emeriksaan diagnosik dan eramalan. Beriku enjelasan dari masing-masing ahaan ersebu. 1. Idenifikasi Model Pengujian visual dari suau lo dere berkala seringkali cuku meyakinkan bahwa daa ersebu adalah sasioner aau idak sasioner demikian ula lo auokorelasi daa dengan mudah memerlihakan keidaksasioneran. Nilai-nilai q auokorelasi dari daa sasioner akan urun secara cea menuju nol (urun samai nol sesudah ime-lag kedua aau keiga), sedangkan unuk daa yang idak sasioner akan urun menuju nol secara lamban. Unuk engujian secara inferensi daa digunakan uji ADF (Augmened Dickey Fuller). Prosedur engujian uni roo dengan ADF es sebagai beriku: Model AR(1) : Z = φz + e, 1< φ < Z Z = φ Z Z + e ( φ 1) Z = Z + e 1 1 Z = δ Z + e (6) 1 Model AR() : Z = φz + φ Z + e 1 1 Z Z Z = φz Z Z + φ Z Z + e Z = φ 1 Z + φ 1 Z + e ( ) ( ) 1 1 Z = δ Z + δ Z + e (7) 1 1 Dari ersamaan ersebu dieroleh hioesis : H0 = δ = 0 (daa idak sasioner) H1 = δ 0 (daa sasioner) H 0 diolak jika ADF Tes Saisic > Criical Value unuk nilai α erenu (1%, 5%, 10%). Rosadi [5] menjelaskan bahwa sasionerias dari daa daa diliha juga dari benuk Auo Correlaion Funcion (ACF) dan Parial Correlaion Funcion (PACF). Tabel 1 menunjukkan rangkuman sifa-sifa ACF/PACF. Tabel 1. Rangkuman sifa-sifa ACF/PACF Proses ACF PACF Whie noise Tidak ada yang melewai baas inerval ada lag>0 Tidak ada yang melewai baas inerval ada lag>0 AR () Meluruh menuju nol secara eksonensial Di aas baas inerval maksimum samai lag ke dan di bawah baas ada lag > MA(q) Di aas baas inerval maksimum samai Meluruh menuju nol secara eksonensial ARMA(,q) lag ke q dan di bawah baas ada lag > q Meluruh menuju nol secara eksonensial seelah lag q Meluruh menuju nol secara eksonensial seelah lag. Esimasi Parameer Seelah model semenara suau dere berkala eridenifikasi, langkah selanjunya adalah mencari esimasi erbaik aau aling efisien unuk arameerarameer dalam model ersebu. Esimasi arameer daa dilakukan dengan menggunakan meode Leas

4 50 JURNAL MATRIX VOL. 6, NO. 1, MARET 016 Square. Wei [6] mengaakan bahwa meode Leas Square meruakan suau meode dengan meminimalkan nilai jumlah kuadra dari selisih nilai akual (daa sebenarnya) dengan nilai ramalan. Dalam emodelan, juga dilakukan analisis overfiing, yaiu mengkaji dan menganalisis model ime series yang memiliki order lebih inggi dariada model yang elah eridenifikasi. 3. Diagnosic Checking Uji diagnosik yaiu memeriksa aau menguji aakah model elah disesifikasi secara benar aau elah diilih, d dan q yang benar. Cara yang sebaiknya digunakan unuk memeriksa model adalah dengan memelajari nilai sisa (residual) unuk meliha aakah masih erdaa beberaa ola yang belum dierhiungkan. Nilai sisa (gala) yang eringgal sesudah dilakukan encocokan model diharakan hanya meruakan gangguan acak. Oleh karena iu, aabila auokorelasi dan arsial dari nilai sisa dieroleh, diharakan akan diemukan (i) idak ada auokorelasi yang nyaa, arinya idak ada korelasi di anara serangkaian gala observasi (residual) yang beruruan menuru waku, (ii) residual bersifa homokedasis, arinya variansi residual konsan, dan (iii) residual berdisribusi normal. Unuk memilih model erbaik di anara modelmodel yang memenuhi uji diagnosic. Ala yang biasanya digunakan unuk emilihan model biasanya didasarkan ada kesalahan/error. Jika Z meruakan daa acual unuk eriod ke I dan F meruakan rediksi/eramalan ada eriode ke-i maka kesalahan/error didefinisikan sebagai : e = Z F (8) i i i Jika erdaa nilai engamaan dan ramalan unuk n eriode waku maka akan erdaa n kesalahan/error. Krieria emilihan model berdasarkan ukuran ingka keslahan/error ersebu daa didefinisikan anara lain berdasarkan nilai Akaike s Informaion Crierion (AIC). SSE AIC = n ln + k. n (9) dimana k adalah jumlah arameer yang ada di dalam model (+q+1), n adalah jumlah daa dan SSE (Sum of Squared Error) yang daa diesimasi dari jumlah kuadra semua nilai residual. Ukuran krieria informasi lainnya yaiu Schwarz s Bayesian Crierion (SBC). Semakin kecil nilai AIC dan SBC maka semakin baik modelnya. SSE SBC = n ln + k ln( n). n (10) 4. Peramalan Seelah dieroleh model yang memadai, maka model ersebu daa digunakan unuk melakukan eramalan unuk eriode waku selanjunya. Menuru Wei [6] aabila dikeahui n adalah eriode eramalan, l adalah ukuran langkah ke dean (l-se), dan Zn() l adalah eramalan engamaan Z ada eriode waku ke n + l ( Z n + l), daa didefinisikan sebagai beriku: Z () l = E Z Z, Z, (11) ( ) n n + l n n 1 Sehingga jika diberikan : d + d ψ( B) = φ( B)(1 B) = 1 ψ B ψ B (1) ( 1 + d ) Maka ersamaan model (,d,q) daa di sederhanakan menjadi : + d q ( 1 ψ1b ψ + db ) Z= ( 1 θ1b θqb ) e, (13) Unuk = n + l, dieroleh : Z = ψ Z + + ψ Z + e θ e θ e (14) n+ l 1 n+ l 1 + d n+ l d n+ l 1 n+ l 1 q n+ l q Sehingga nilai eramalan Z n+ l dengan n adalah eriode eramalan dan l adalah ukuran langkah kedean (l-se), yaiu: n ψ1 n ψ + d n n θ1 n θq en( l q), Z ( l) = Z ( l 1) + + Z ( l d) + e ( l) e ( l 1) dimana, Zn( j) = E Zn+ j Zn, Zn 1,, j 1, Z ( j) = Z, j 0, n n + j en( j) = 0, j 1, en( j) Zn+ j Zn+ j 1(1) en+ j, = = j 0. (15) Beberaa enelii elah menggunakan meode Box-Jenkins dengan endekaan model dalam eramalan. Rahmi [7] menelii enang eramalan jumlah wisaawan mancanegara yang masuk melalui inu kedaangan Bandara Soekarno Haa dan Bandara Juanda. Model ini digunakan karena ada fakor eksernal yaiu krisis oliik Thailand yang mendorong wisaawan mengalihkan erjalanannya ke Indonesia. Terjadi eningkaan jumlah kunjungan wisaawan ke Indonesia. Hasil analisis menunjukkan bahwa model yang dieroleh adalah ( )( ) 1 1,1, 0 0,1,1 dan model ini sesuai unuk daa jumlah kunjungan yang masuk melalui Bandara Soekarno Haa dan Bandara

5 TRI TANAMI SUKRAINI : RAMALAN KUNJUNGAN WISATAWAN 51 Juanda. Pengunjung wisaawan dari Malaysia menduduki eringka eraas yang erbanyak masuk ke Indonesia melalui bandara Soekarno Haa dan Bandara Juanda. Mifahurrohmah [8] menelii eramalan kunjungan wisawan bahari Lamongan dengan menggunakan. Model yang dieroleh dengan niai MAD (Mean Absolue Deviaion) dan MAPE (Mean Absolue Percenage Error) erkecil adalah model ( 1, 0,1)( 1, 0,1 ) 1. Hasil eneliian menunjukkan enurunan jumlah engunjung ada bulan Agusus dan eningkaan jumlah engunjung dierkirakan akan naik sanga sediki ada bulan Juni dan Seember. Sulisyawai [9] menelii eramalan jumlah engunjung domesik dan macanegara di Maharani Zoo & Goa menggunakan Box-Jenkins. Berdasarkan daa yang ada engunjung domesik aling banyak ada bulan Juni 009 dan engunjung mancanegara ada bulan Desember 013. Dari daa ersebu dieroleh model erbaik unuk engunjung domesik adalah X ( 1, 0, 0)( 0,1,1 ) 1 dan engunjung mancanegara adalah (0, 1, 1). Hasil ramalan menunjukkan jumlah engunjung domesik ada ahun 014 dierkirakan aling nggi ada bulan Mei dan jumlah engunjung aling rendah ada bulan Juli. Peramalan jumlah engunjung mancanegara ada ahun 014 aling inggi dierkirakan ada bulan Januari dan unuk bulan-bulan selanjunya jumlah engunjung ea. II. METODE PENELITIAN Peneliian ini ermasuk jenis analisis ime series dengan meode Box-Jenkins. Meode ini erdiri aas ema ahaan, yaiu idenifikasi, enaksiran (esimaion) arameer, emeriksaan diagnosik (diagnosic checking) dan eramalan (forecasing) sebagaimana elah dijelaskan ada bagian sebelumnya. Peneliian ini menggunakan variabel erika (4 daa) dan variabel ersebu menjadi masukan dalam roses eramalan. Daa yang digunakan adalah kunjungan wisaawan ke kawasan wisaa Uluwau mulai ahun Januari 013 Desember 014 (daa bulanan). Daa Januari hingga Aril 015 digunakan sebagai erbandingan erhada hasil eramalan. Daa dieroleh dari Kanor Desa Ada Pecau Kua Selaan Proinsi Bali. Inu daa yang dieroleh diliha ola daa dan diidenifikasi kesasionerannya. Seelah daa dikaakan sasioner dalam mean dan variansi, kemudian dilakukan idenifikasi lo ACF dan PACF yang diliha dari lo correlogram unuk membenuk model. Selanjunya dilakukan overfiing erhada model sebagai salah sau langkah unuk membandingkan model sau dengan yang lainnya demi mendaakan model yang memberikan hasil rediksi yang diangga baik dan kemudian melakukan uji signifikansi arameer dan uji kelayakan model. Bagian erakhir dari eneliian ini adalah menghiung nilai eramalan jumlah kunjungan wisaawan ke Uluwau unuk 4 bulan kedean (Januari 015 Aril 015). III.HASIL DAN PEMBAHASAN 3.1 Plo Daa dan Mensasionerkan Daa Langkah erama yang dilakukan dalam roses embenukan model yaiu meliha kesasioneran daa. Daa yang digunakan adalah daa jumlah kunjungan wisaawan ke Uluwau dari Januari 013 hingga Desember 014 (4 bulan). Tabel. Daa Akual Jumlah Kunjungan Wisaawan ke Uluwau Bulan Tahun 013 Tahun 014 Januari 87, Pebruari 77, Mare 74, Aril 8, Mei 86, Juni 83, Juli 68, Agusus 9, Seember 69, Okober 77, Noember 71, Desember 8, Tamak daa asli idak sasioner (gambar 1a) di mana daa idak berflukuasi sabil aau daa idak berflukuasi disekiar iik nol sehingga daa dikaakan daa idak sasioner dalam mean dan variansi. Unuk mensasionerkannya maka dilakukan differencing (sau kali) dan ransformasi kemudian di bua kembali lonya (gambar 1b). Gambar 1a. Plo daa

6 5 JURNAL MATRIX VOL. 6, NO. 1, MARET 016 Gambar 1b. Plo daa seelah diansformasi Terliha bahwa daa elah sasioner dalam mean dan variansi, unuk memasikannya lagi dilakukan dengan uji Augmened Dickey-Fuller (ADF), dimana nilai ADF es > criical value (Tabel 3). Tabel 3. Hasil Uji Augmened Dickey-Fuller -Saisic Prob.* Augmened Dickey-Fuller es saisic Tes criical 1% level values: 5% level % level Idenifikasi Plo ACF dan PACF Seelah daa dikaakan sasioner dalam mean dan variansi, maka kemudian dilakukan idenifikasi lo ACF dan PACF yang diliha dari lo correlogram (Gambar ). Dari lo erliha lo ACF dan PACF ada engamaan lag, lag yang keluar baas signifikansi adalah lag ke-1, hal ini menunjukkan adanya roses AR(1) dan MA(1). Sebelumnya elah dilakukan differencing erhada daa sebanyak 1 kali, sehingga dieroleh model semenara yaiu (1,1,1) ana konsana. rediksi yang diangga baik. Kemudian dilakukan uji hioesis unuk mengeahui aakah model-model ersebu lolos dalam uji signifikansi arameer aau idak. Uji signifikan arameer daa dilakukan dengan krieria engambilan keuusan sebagai beriku: H 0 : Parameer = 0 (idak signifikan) H 1 : Parameer 0 (signifikan) Tingka signifikansi: α = 5% Tingka kriik : Prob ( ˆα ) Daerah kriik : H 0 diolak jika robabilias < α = 5% Model yang mungkin dibenuk adalah seeri ada Tabel 4. Tabel 4. Overfiing model (1,1,1) (1,1,1)C (1,1,0) (1,1,0) C (0,1,1) (0,1,1)C Hasil uji signifikansi arameer dengan α = 5% unuk model dan model di sekiar model dirangkum dalam Tabel 5. Tabel 5. Hasil Uji Signifikansi Parameer Model C AR(1) MA(1) Kesimulan (1,1,1) Lolos Tidak lolos (1,1,0) (0,1,1) Lolos Tidak lolos Lolos Tidak lolos Gambar. Correlogram ACF dan PACF 3.3 Overfiing Model dan Esimasi Parameer Model yang dieroleh adalah (1,1,1) ana konsana, maka dilakukan overfiing disekiar model sebagai salah sau langkah unuk membandingkan model sau dengan model lainnya demi mendaakan model yang memberikan hasil Dari analisis di aas, model (1,1,1) dengan konsana, (1,1,0) dengan konsana dan (0,1,1) dengan konsana idak lolos dalam uji signifikansi arameer karena mengandung arameer-arameer yang idak signifikan sehingga model idak layak digunakan. Dari abel uji signifikansi (Tabel 5) erdaa 3 model yang lolos uji signifikansi arameer yaiu model (1,1,1) ana konsana, (1,1,0) ana konsana, dan (0,1,1) ana konsana. 3.4 Analisis Residual dan Uji Kelayakan Model Selanjunya dilakukan analisis residual dari ke iga model ersebu. Unuk hasil analisis residual, daa diliha ada Tabel 6.

7 TRI TANAMI SUKRAINI : RAMALAN KUNJUNGAN WISATAWAN 53 Tabel 6. Analisis Residual Model No auokorelasi Homokedasisias Normalisasi Tidak ada lag yang Tidak ada lag yang keluar ada lag-lag keluar ada lag-lag (1,1,1) (1,1,0) (0,1,1) Tidak ada lag yang keluar ada lag-lag Tidak ada lag yang keluar ada lag-lag Tidak ada lag yang keluar ada lag-lag Tidak ada lag yang keluar ada lag-lag Prob = > α = 0.05 (normalias erenuhi) Prob = > α = 0.05 (normalias erenuhi) Prob = > α = 0.05 (normalias erenuhi) Unuk mendaakan model erbaik akan dilakukan erbandingan keiga model ersebu berdasarkan ukuran kebaikan model yang dirangkum dalam Tabel 7. Tabel 7. Ukuran Kebaikan Model Model AIC SBC (1,1,1) (1,1,0) (0,1,1) Terliha ada Tabel 7 model yang ermasuk baik berdasarkan erhiungan AIC dan SBC adalah model (1,1,0) ana konsana. Hal ini daa diliha dari nilai AIC dan SBC erkecil. Sehingga dieroleh model yang erbaik dari model lain yang mungkin erjadi adalah model (1,1,0) ana konsana. 3.7 Peramalan Berdasarkan hasil analisis, model erbaik yang dieroleh yaiu (1,1,0) ana konsana yang diformulasikan sebagai beriku. Z = Z 1+ φz 1 φz + e (16) dengan nilai arameer seeri ada Tabel 8. Tabel 8 Nilai arameer (1,1,0) Variable Coefficien Sd.Error -Saisic Prob AR(1) Unuk = n + l, dengan l adalah ukuran langkah kedean (l-se) dan n adalah eriode eramalan, berdasarkan ersamaan (8) nilai eramalan engamaan Z ada eriode waku ke n + l unuk model (1,1,0) ana konsana adalah: Zn( l) = Zn( l 1) + φ Zn( l 1) φ Zn( l ) + en( l) (17) dengan nilai arameer φ adalah Dieroleh hasil ramalan unuk 4 eriode ke dean, yaiu Januari, Februari, Mare dan Aril 015. Hasil eramalan dibandingan dengan daa akual yang dieroleh di Kanor Desa Ada Pecau dieroleh nilai Mean Square Error (MSE) 3, (Tabel 9). Tabel 9 Hasil Peramalan Bulan Akual Peramalan Januari ,607 73,830 Februari ,859 77,908 Mare ,77 75,844 Aril ,95 76,889 Berdasarkan hasil eramalan, erliha bahwa jumlah kunjungan wisaawan ke Uluwau ada ahun 015 akan mengalami enurunan ada bulan Januari 015. Sehingga ihak manajemen Uluwau harus memersiakan romosi aau even unuk menarik engunjung lebih banyak. Teai engunjung ada bulan Februari 015 mengalami kenaikan sehingga ihak manajemen Uluwau harus meningkakan kualias elayanan sera fasilias yang memadai unuk memberikan rasa nyaman dan uas keada engunjung. Peningkaan wisaawan juga mengakibakan ihak manajemen Uluwau bersama emerinah harus memikirkan jumlah enaga kerja, lahan akir yang memadai, dan engauran arus lalu linas unuk menghindari erjadinya kemacean. Memodelkan daa jumlah kunjungan wisaawan erlu dilakukan unuk meramalkan jumlah kunjungan wisaawan. Hasil eramalan jumlah kunjungan wisaawan ini akan sanga dibuuhkan unuk ara elaku bisnis dalam menganisiasi halhal yang erjadi. Sehingga segala kekurangan daa dierbaiki dan kelebihan daa diingkakan. IV. KESIMPULAN Dieroleh model erbaik unuk eramalan jumlah kunjungan wisaawan ke Uluwau adalah model (1,1,0) ana konsana. Dengan nilai arameer AR(1) adalah Daa ramalan dibandingan dengan daa akual dan dieroleh nilai MSE 3, Model (1,1,0) ana konsana cuku baik dalam meramalkan jumlah

8 54 JURNAL MATRIX VOL. 6, NO. 1, MARET 016 kedaangan wisaawan ke Uluwau unuk 4 eriode ke dean. Unuk ke deannya diharakan meode ini daa memrediksi kunjungan wisaawan dalam eriode waku yang lebih anjang dan daa digunakan unuk memrediksi kunjungan wisaawan baik di ema wisaa aauun akomodasi wisaa lainnya (hoel, ema makan). DAFTAR PUSTAKA [1] Makridakis, S., Wheelwrigh, S.C., dan McGee, V.E., Forecasing: Mehods and Alicaions, Edisi Kedua, John Wiley dan Sons, New York. [] Badan Pusa Saisik Provinsi Bali., 015. Tinjauan Perekonomian Bali 014. Badan Pusa Provinsi Bali. [3] Box, G.E.P., dan Jenkins, G.M., Time Series Analysis: Forecasing and Conrol, Revised Ediion, Holden-Day San Fransisco. [4] Box, P.E.G, Jenkins, G.M dan Reinsel C. G., 1994, Time Series Analysis: Forecasing and Conrol, New Jersey, Prenice Hall. [5] Rosadi, D., 01. Ekonomerika dan Analisis Runun Waku Teraan dengan Eviews, Andi Offse, Yogyakara. [6] Wei, W.W.S., Time Series Analysis: Univariae dan Mulivariae Mehods, Addison- Wesley Publishing Comany, Inc. New York. [7] Rahmi, Indira, 01. eramalan jumlah wisaawan mancanegara yang masuk melalui inu kedaangan Bandara Soekarno Haa dan Bandara Juanda, Insiu Teknologi Seuluh Noember Surabaya. [8] Mifahurrohmah, Brina., 013. Peramalan Jumlah Pengunjung Wisaa Bahari Lamongan dengan Meode Box Jenkins, Insiu Teknologi Seuluh Noember Surabaya. [9] Sulysiawai, Vivi Kusuma., 014. Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani Zoo & Goa Menggunakan Box Jenkin, Insiu Teknologi Seuluh Noember Surabaya.