PERAMALAN JUMLAH KEDATANGAN WISATAWAN MANCANEGARA DI INDONESIA MELALUI PINTU MASUK BANDAR UDARA NGURAH RAI BALI MENGGUNAKAN METODE ARIMA BOX-JENKINS

Transkripsi

1 TUGAS AKHIR SS PERAMALAN JUMLAH KEDATANGAN WISATAWAN MANCANEGARA DI INDONESIA MELALUI PINTU MASUK BANDAR UDARA NGURAH RAI BALI MENGGUNAKAN METODE ARIMA BOX-JENKINS Raih Yulika Endaryana NRP Dosen Pembimbing Dr. Wahyu Wibowo, S.Si.,M.Si. DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surab

2 TUGAS AKHIR SS PERAMALAN JUMLAH KEDATANGAN WISATAWAN MANCANEGARA DI INDONESIA MELALUI PINTU MASUK BANDAR UDARA NGURAH RAI BALI MENGGUNAKAN METODE ARIMA BOX-JENKINS Raih Yulika Endaryana NRP Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si. DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya 2017 ii

3 FINAL PROJECT SS FORCASTING THE NUMBER OF FOREIGN TOURIST VIA NGURAH RAI AIRPORT BALI USING ARIMA BOX-JENKINS Raih Yulika Endaryana NRP Supervisor: Dr. Wahyu Wibowo, S.Si., M.Si. DEPARTMENT OF BUSSINESS STATISTICS Faculy of Vocaional Sepuluh Nopember Insiue of Technology Surabaya 2017 iii

4 iv

5 PERAMALAN JUMLAH KEDATANGAN WISATAWAN MANCANEGARA DI INDONESIA MELALUI PINTU MASUK BANDAR UDARA NGURAH RAI BALI Nama Mahasiswa : Raih Yulika Endaryana NRP : Program Sudi : Diploma III Deparemen : Saisika Bisnis Fakulas Vokasi ITS Dosen Pembimbing : Dr. Wahyu Wibowo, S.Si., M.Si. Absrak Sekor Pariwisaa di Indonesia elah memberikan konribusi yang besar erhadap kehidupan perekonomian di negeri ini salah saunya sebagai komodii ekspor yang idak bisa diliha secara nyaa, namun erus meningkakan peran dalam perekonomian Indonesia. Kemenrian Budaya dan Pariwisaa memiliki age kunjungan wisaawan mancanegara di Indonesia ahun 2015 dapa meningka sebanyak 10 jua pengunjung iap ahun. Peramalan jumlah kunjungan wisaawan di Indonesia sanga dibuuhkan bagi pelaku bisnis pariwisaa sera dapa meningkakan penerimaan devisa suau negara, Sehingga perlu dilakukan suau peramalan pada jumlah wisaawan mancanegara di Indonesia eruama melalui pinu masuk Bandar Udara Ngurah Rai Bali sebagai pinu masuk dengan kedaangan wisaawan erbesar di Indonesia. Hasil analisis menunjukkan bahwa model erbaik unuk meramalkan jumlah kedaangan wisaawan mancanegara di Indonesia adalah ARIMA ([11],1,1). Kaa Kunci : ARIMA Box-Jenkins, Wisaawan, Mancanegara. ix v

6 Halaman ini sengaja dikosongkan vi x

7 FOREIGN TOURIST FORCASTING VIA NGURAH RAI AIRPORT BALI USING ARIMA BOX-JENKINS Suden Name : Raih Yulika Endaryana NRP : Programe : Diploma III Deparmen : Saisics Bussiness Faculy of Vocaional ITS Academic Supervisor : Dr. Wahyu Wibowo, S.Si., M.Si. Absrac Tourisms secor in Indonesia has a major conribuion o he economic in his counry each one as an expor commodiy ha can be seen, bu i coninues o enhance he role of he Indonesian economy. Minisry of Culure and Tourism has age ouris arrivals in Indonesia on 2015 could increase by 10 million visiors each year. Forecasing he number of ouris arrivals in Indonesia is necessary for ourism businesses and increase he revenue of a counry, so we need o predicion he number of foreign ouriss in Indonesia hrough he enrance of he Ngurah Rai Airpor Bali as he enrance o he ouris arrival in Indonesia. The analysis showed ha he bes model o predic he number of foreign ouris arrivals in Indonesia is ARIMA ([11], 1.1). Keywords : Box-Jenkins ARIMA, Travelers, Abroad. vii xi

8 Halaman ini sengaja dikosongkan viii xii

9 KATA PENGANTAR Puji syukur kehadira Allah SWT yang elah melimpahkan rahma, aufik, hidayah, sera inayah-nya. Sholawa dan salam semoga senaniasa ercurahkan kepada Nabi Muhammad SAW aau suri auladan dalam kehidupan ini sehingga penulis dapa menyelesaikan ugas akhir dengan judul Peramalan Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Melalui Pinu Masuk Bandar Udara Ngurah Rai Bali Menggunakan Meode ARIMA Box-Jenkins Terselesaikannya Tugas Akhi ini idak lepas dari peran sera berbagai pihak yang erkai sehingga penulis mengucapkan erima kasih kepada: 1. Bapak Dr. Wahyu Wibowo, S.Si., M.Si. selaku dosen pembimbing Tugas Akhir sera Kepala Deparemen Saisika Bisnis Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya yang elah dengan sabar memberikan bimbingan, waku, pengarahan, masukan, dan semanga kepada penulis unuk menyelesaikan Tugas Akhir ini. 2. Bapak Dr. Brodjol Suidjo S.U, M.Si., dan Ibu Noviyani Sanoso, S.Si., M.Si., sebagai dosen penguji yang elah memberikan masukan dan saran dalam penyelesaian Tugas Akhir ini. 3. Ibu Ir. Sri Pingi Wulandari, M.Si. selaku Kepala Program Sudi Diploma III Deparemen Saisika Bisnis Insiu Teknologi Sepuluh Nopember Surabaya. 4. Ibu Ir. Muiah Salamah Chamid, M.Kes selaku Dosen Wali yang elah memberikan moivasi dan bimbingan kepada penulis mulai dari awal perkuliahan. 5. Seluruh Dosen dan saff karyawan Deparemen Saisika Bisnis yang elah memberikan pengalaman dan ilmu kepada penulis sera membanu dalam menyelesaikan penulisan Tugas Akhir. 6. Ibuk dan Bapak yang idak pernah berheni memberikan doa, dukungan, naseha, cina dan kasih sayang kepada penulis ix xiii

10 yang idak pernah erganikan oleh siapapun. Kakak-kakak erheba Joko Praseya, Rananing Firoh Endaryana, Yuli Rinawai sera kedua keponakan ercina Luhfia Hanifai Prasnawa dan Maulia Prasnawa Husna yang selalu memberikan doa, semanga, dan moivasi kepada penulis. 7. Tiik Cahya Ningrum, Mifakhul Ardi Ikhwanus Safa, dan Mifakhul Ilmi Dinul Islamiyah yang elah memberikan banyak banuan dalam menyelesaikan Tugas Akhir penulis. 8. Akromaul Wafiroh eman erheba yang selalu memberikan semanga dan moivasi iada ara, Amanda Galuh K., Ria Rena Herliyasari yang sering menemani dan memberikan semanga kepada penulis. 9. Fungsionaris HIMADATA-ITS periode 2015/2016 dan periode 2016/2017 eruama Deparemen Dalam Negeri Mas Ardi, Mbak Azalia, Mbak Ani, Mbak Tiik, Ade, Lely, Inan, Rofik, Febryan, Wawan, Umma, Agnes, Cahya, Evi, Ella yang memberikan suka, duka, dan pengalaman selama sau kepengurusan. 10. Teman-eman keren Nina, Hani, Devi, Rima, Lely, Inan Rizky yang selalu memberikan dukungan, banuan, dan semanganya kepada penulis. 11. Seluruh eman-eman PIONEER angkaan 2014 Saisika Bisnis yang elah memberikan dukungan, ceria, dan kenangan yang indah kepada penulis. 12. Seluruh pihak yang elah membanu penulis dalam menyelesaikan Tugas Akhir ini yang idak dapa disebukan sau per sau. Penulis menyadari bahwa laporan ini masih jauh dari kesempurnaa, unuk iu penulis menerima saran dan kriik yang diberikan unuk menyempurnakan laporan Tugas Akhir ini. Penulis berharap semoga laporan ini dapa memberikan banyak manfaa unuk pembaca. Surabaya, Mei 2017 x xiv

11 DAFTAR ISI Halaman HALAMAN JUDUL... i TITTLE PAGE... iii LEMBAR PENGESAHAN... vii ABSTRAK... ix ABSTRACT... xi KATA PENGANTAR... xiii DAFTAR ISI... xv DAFTAR TABEL... xvii DAFTAR GAMBAR... xix DAFTAR LAMPIRAN... xxi BAB I PENDAHULUAN 1.1 Laar Belakang Rumusan Masalah Tujuan Peneliian Ruang Lingkup/Baasan Masalah Manfaa Peneliian... 5 BAB II TINJAUAN PUSTAKA 2.1 Model-model Time Series Idenifikasi Model ARIMA Kesasioneran Daa ACF dan PACF Pemeriksaan dan Diagnosa Model Esimasi Parameer dan Uji Signifikasi Parameer Pemeriksaan Residual Whie Noise Pemeriksaan Residual Disribusi Normal Deeksi Oulier Pemilihan Model Terbaik Wisaawan Mancanegara Lieraur Peneliian xv xi

12 BAB III METODOLOGI PENELITIAN 3.1 Sumber Daa dan Variabel Peneliian Langkah Analisis Diagram Alir BAB IV ANALISIS DAN PEMBAHASAN 4.1 Karakerisik Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Melalui Pinu Masuk Bandar Udara Ngurah Rai Bali Pemodelan Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Melalui Pinu Masuk Bandar Udara Ngurah Rai Bali Peramalan Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Melalui Pinu Masuk Bandar Udara Ngurah Rai Bali BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran LAMPIRAN DAFTAR PUSTAKA xii xvi

13 DAFTAR TABEL Halaman Tabel 2.1 Karakerisik Model ARIMA Tabel 4.1 Karakerisik Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Tabel 4.2 Uji Dickey-Fuller Jumlah Wisaawan Mancanegara di Indonesia Tabel 4.3 Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing Tabel 4.4 Uji Signifikasi ARIMA Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Tabel 4.5 Pengujian Residual Whie Noise Jumlah Wisaawan Mancanegara di Indonesia Tabel 4.6 Pengujian Residual Disribusi Normal Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Tabel 4.7 Uji Signifikasi Parameer ARIMA (1,1,0) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Tabel 4.8 Uji Signifikasi Parameer ARIMA ([2],1,0) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Tabel 4.9 Uji Signifikasi Parameer ARIMA (1,1,0) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Tabel 4.10 Uji Signifikasi Parameer ARIMA ([11],1,1) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Tabel 4.11 Uji Signifikasi Parameer ARIMA (0,1,[3]) Daa Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier xvii xiii

14 Tabel 4.12 Krieria Kebaikan Model Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Tabel 4.13 Ramalan Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Tahun xiv xviii

15 DAFTAR GAMBAR Halaman Gambar 3.1 Diagram Alir Gambar 3.1 Diagram Alir (Lanjuan) Gambar 4.1 Karakerisik Jumlah Wisaawan Mancanegara di Indonesia Gambar 4.2 Box-Plo Jumlah Wisaawan Mancanegara di Indonesia Gambar 4.3 Time Series Plo Jumlah Wisaawan Mancanegara di Indonesia Gambar 4.4 Box-Cox Transformaion Jumlah Wisaawan Mancanegara di Indonesia Gambar 4.5 Plo ACF Jumlah Wisaawan Mancanegara di Indonesia Gambar 4.6 Time Series Plo Jumlah Wisaawan Mancanegara di Indonesia Seelah Differencing. 29 Gambar 4.7 Plo ACF Jumlah Wisaawan Mancanegara di Indonesia Gambar 4.8 Plo PACF Jumlah Wisaawan Mancanegara di Indonesia xix xv

16 Halaman ini sengaja dikosongkan xvi xx

17 DAFTAR LAMPIRAN Lampiran 1 Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 2 Karakerisik Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 3 Synax Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 4 Synax Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing Lampiran 4 Synax Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing (Lanjuan) Lampiran 5 Oupu Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 6 Oupu Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing Lampiran 7 Synax ARIMA(1,1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 8 Synax ARIMA([2],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 9 Synax ARIMA(0,1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 10 Synax ARIMA([11],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 11 Synax ARIMA(0,1,3) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 12 OupuARIMA(1,1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 12 OupuARIMA(1,1,0) Jumlah Kedaangan xvii xxi

18 Wisaawan Mancanegara di Indonesia (Lanjuan) Lampiran 13 Oupu ARIMA([2],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 13 Oupu ARIMA([2],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia (Lanjuan) Lampiran 14 Oupu ARIMA(0,1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 14 Oupu ARIMA(0,1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia (Lanjuan) Lampiran 15 Oupu ARIMA([11],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 15 Oupu ARIMA([11],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia (Lanjuan) Lampiran 16 Oupu ARIMA(0,1,[3]) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Lampiran 17 Synax ARIMA (1,1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 17 Synax ARIMA (1,1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) Lampiran 18 Synax ARIMA ([2]1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 18 Synax ARIMA ([2],1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 19 Synax ARIMA (0,1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 20 Synax ARIMA ([11],1,1) pada Jumlah xviii xxii

19 Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 21 Synax ARIMA (0,1,[3]) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 22 Oupu ARIMA (1,1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 23 Oupu ARIMA ([2],1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 23 Oupu ARIMA ([2],1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) Lampiran 24 Oupu ARIMA (0,1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 24 Oupu ARIMA (0,1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) Lampiran 25 Oupu ARIMA ([11],1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Lampiran 25 Oupu ARIMA ([11],1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) Lampiran 26 Oupu ARIMA (0,1,3) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier xxiii xix

20 Halaman ini sengaja dikosongkan xxiv

21 BAB I PENDAHULUAN 1.1. Laar Belakang Indonesia merupakan negara yang memiliki ribuan gugusan pulau yang erbenang mulai dari Sabang sampai Merauke. Jumlah penduduk yang menghuni negara ini ada sekiar 250 jua jiwa. Hal ersebu menjadikan Indonesia sebagai negara dengan uruan keempa di dunia dalam hal jumlah populasi di dunia (Invesmen, 2016). Angka ersebu dapa mengimplikasikan bahwa erdapa keanekaragaman budaya, enis yang berujung pada keanekaragaman sekor pariwisaa di Indonesia dari berbagai segi. Kepariwisaaan Indonesia merupakan salah sau penggerak perekonomian nasional yang berpoensi unuk memacu perumbuhan perekonomian yang lebih inggi di masa yang akan daang. Tahun 2008 kepariwisaaan Indonesia berkonribusi erhadap Produk Domesik Bruo (PDB) sebesar Rp. 153,25 Trilyun aau 3,09% dari oal PDB Indonesia (BPS, 2010). Pada ahun-ahun selanjunya PDB pariwisaa menunjukkan angka kenaikan yang cukup signifikan seiap ahunnya. Pada ahun yang sama, devisa dari pariwisaa merupakan konribuor erbesar keiga negara seelah minyak dan gas bumi, sera kelapa sawi. Pada ahun 2009 pemerinah menyelenggarakan program Visi Indonesia Year dengan ema Marine & MICE yang diujukan unuk meningkakan jumlah kunjungan wisaawan ke Indonesia yang dapa digunakan unuk mengejar arge jumlah kunjungan yang dieapkan (Kemenpar,2011). Dalam rangka mendukung program ersebu, Kemenrian Kebudayaan dan Pariwisaa elah meneapkan 13 desinasi MICE (Meeing, Incenive, Convenion, and Exhibiion) unggulan yaiu Jakara, Yogyakara, Surabaya, Bali, Balikpapan, Medan, Baam-Binan, Padang-Bukiinggi, Makassar, Manado, Palembang, Maaram, dan Bandung. Peneapan 13 desinasi MICE unggulan ini elah mendorong diselenggarakannya rausan even nasional maupun 1

22 2 inernasional di Indonesia seiap ahunnya. Adanya even-even ersebu dapa memicu kedaangan wisaawan mancanegara di Indonesia. Jumlah kunjungan wisaawan mancanegara (wisman) ke Indonesia pada Sepember 2016 mencapai aau mengalami peningkaan sebesar 9,40% dibandingkan Sepember 2015 berjumlah wisman (Kemenpar, 2016). Daa BPS dan Pengembangan Kebijakan Kepariwisaaan, Depui Bidang Pengembangan Kelembagaan Kepariwisaaan, menyebukan secara kumulaif kunjungan wisman pada Januari hingga Sepember 2016 meningka sebesar 8,51% dibandingkan periode yang sama ahun lalu. Meneri Pariwisaa (Menpar) Arief Yahya mengaakan capaian kunjungan wisman pada Januari hingga Sepember 2016 sebesar 8,36 jua wisman semakin menguakan keyakinan akan ercapainya arge 12 jua wisman hingga akhir ahun ini, sehingga meneri pariwisaa berharap bahwa jumlah ersebu akan mengalami peningkaan sampai akhir ahun ini. Menpar Arief Yahya juga menjelaskan upaya unuk meningkakan kunjungan wisman di penghujung akhir ahun anara lain dengan memperbanyak even-even menarik eruama di iga pinu uama grea Bali, grea Jakara, dan grea Baam. Begiu pula Binan, Kepulauan Riau juga akan diselenggaraka sejumlah even spor ourism dan enerainmen beraraf inernasional yang menargekan 2,5 jua wisaawan mancanegara (Invesmen, 2016). Karakerisik kedaangan wisaawan mancanegara di Indonesia selama ahun 2014 sampai 2015 didominasi yang daang melalui enam pinu masuk uama, yaiu Bandara Ngurah Rai sebesar kunjungan aau 38,47%, diikui Bandara Soekarno Haa sebesar kunjungan aau 23,15%, Pinu masuk Baam sebesar kunjungan aau 15,50%, Pelabuhan Tanjung Uban sebesar kunjungan aau 2,99%, sera Bandara Kaulamu dan Bandara Juanda yang memiliki selisih yang idak erlalu signifikan yaiu 2,00% unuk Bandara Juanda dan 1,97% unuk Bandara Kaulamu sedangkan yang memiliki

23 persenase kecil adalah melalui Bandara Adi Soemarmo sebesar 0,08%. Adapun pinu masuk yang memiliki presenase paling inggi adalah Bandar Udara Ngurah Rai Bali yang kemudian akan digunakan sebagai acuan dalam analisis kali ini dimana dikeahui Bandar Udara Ngurah Rai Bali sebagai salah sau pinu masuk yang memiliki persenase jumlah kedaangan wisaawan yang paling inggi dengan ujuan sebagai rekomendasi kepariwisaaan di Indonesia dalam rangka menarik mina kedaangan wisaman. Karakerisik jumlah kedaangan wisaawan macanegara di Bali selalu mengalami kenaikan yang cukup signifikan seiap ahun. Menuru daa BPS pada ahun 2015 kedaangan wisaawan mancanegara yang masuk melalui Bandar Udara Ngurah Rai elah mencapai jiwa memiliki selisish yang cukup jauh dengan pinu masuk erbesar kedua yaiu Bandar Udara Soekarno Haa Sebesar pada ahun yang sama. Kepariwisaaan di provinsi sanga diunggulkan unuk menarik jumlah wisaawan yang akan daang di Indonesia, berdasarkan publikasi dari Pemerinah Provinsi Bali (2010) salah sau sarana hoel yang dibangun unuk menampung kedaangan wisaawan elah dibangun sejak ahun 1930 di Denpasar, seiring dengan berjalannya waku kepariwisaaan di provinsi Bali sarana hunian wisaa umbuh dengan pesa eruama di kawasan Panai Kua, Jimbranan, dan Ungasan di Kabupaen Bandung, Sanur dan pusa koa di kawasan Denpasar, sera Ubud, Kedewean, Payangan, dan Tagelalang di kawasan Gianyar, sebagai jaminan dari pesanya jumlah kunjungan wisaawan di Bali maka organisasi kepariwisaaan seperi PHRI (IHRA), ASITA, dan lembaga kepariwisaaan lain di Bali secara profesional mengelola dan memberikan layanan jasa pariwisaa unuk memberikan jaminan kenyamanan berwisaa di Bali (Baliprov, 2010). Keberagaman pariwisaa di Bali didukung dengan sarana yang cukup memadahi mampu menjadikan salah sau poin pening unuk menarik mina kedaangan wisaawan mancanegara di Indonesia. Banyaknya kedaangan wisaawan mancanegara di Indonesia diharapkan dapa menunjang devisa negara dan 3

24 4 perekonomian eruama di daerah Bali salah saunya dengan membuka lapangan pekerjaan di daerah wisaa sehingga diharapkan bisa mengikis jumlah pengangguran di negeri ini eruama di daerah Bali dan sekianya. Beberapa keadaan ersebu memicu penulis unuk melakukan analisis ramalan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali menggunakan meode ARIMA Box-Jenkins. Analisis ini juga akan dilakukan analisis karakerisik daa unuk mengeahui pola jumlah kedaangan wisaawan mancanegara di Indonesia, yang akan digunakan unuk mengeahui kecenderungan dari daa ersebu Perumusan Masalah (Permasalahan) Pengeahuan mengenai perkiraan jumlah kedaangan wisaawan mancanegara di Indonesia menuru pinu masuk merupakan suau hal yang cukup pening dan era hubungannya dengan perekonomian suau negara dalam sekor pariwisaa. Sehubungan dengan hal ersebu maka perlu dilakukan suau pemodelan jumlah wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali sera peramalannya berdasarkan model ARIMA yang erbaik Tujuan Peneliian Berdasarkan laar belakang dan rumusan masalah maka ujuan yang ingin dicapai dari peneliian ini adalah sebagai beriku. 1. Mendeskripsikan karakerisik daa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali. 2. Memperoleh model ARIMA yang sesuai unuk daa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali. 3. Memperolah hasil ramalan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali.

25 Ruang lingkup / Baasan Masalah Pada peniliian ini, meode yang digunakan unuk meramalkan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali adalah meode ARIMA Box-Jenkins. Baasan masalah yang digunakan dalam peneliian ini yaiu menggunakan pinu masuk Bandar Udara Ngurah Rai Bali Manfaa Peneliian Manfaa dari peneliian ini adalah diharapkan dapa memberikan ambahan informasi mengenai model jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali yang bisa digunakan dalam pengambilan kebijakan aaupun penyelesaian masalah perekonomian yang era dengan sekor pariwisaa.

26 6 Halaman ini sengaja dikosongkan

27 7 BAB II TINJAUAN PUSTAKA 2.1 Model-Model Time Series Menuru (Wei, 2006) model-model ime series dapa dibedakan sebagai beriku. 1. Model Auoregresis (AR) Model auoregressive (AR) orde p menyaakan bahwa suau model pada pengamaan waku ke- merupakan kombinasi linear dari pengamaan sebelum -1, -2,.,-p. model auoregressive dengan orde p dapa didefinisikan AR(p) dengan persamaan Z Z pz p a (2.1) keerangan : p Z Z j a = parameer AR pada lag ke-j dengan j=1,2, p = daa ime series pada waku ke- dengan Z Z = daa ime series pada waku ke -j dengan j=1,2,..p = residual pada waku ke- 2. Model Moving Avarage (MA) Model moving average (MA) orde q menyaakan bahwa suau model pada pengamaan waku ke- dipengaruhi oleh kesalahan masa lalu. Model dari moving average orde q diuliskan dalam persamaan

28 8 Z a a... a 1 1 q q (2.2) dimana l adalah parameer MA pada lag ke-l dengan l=1,2,..q. 3. Model Auoregressive Moving Avarage (ARMA) 7 Model dari auoregressive dan moving average pada orde p dan q diuliskan dengan persamaan beriku. p ( B ) Z q ( B) a (2.3) 4. Model Auoregressive Inegraed Moving Avarage (ARIMA) Model ini merupakan gabungan anara model auoregressive dan moving average dengan adanya pembedaan aau differencing (d) yang disebabkan karena keidaksasioneran dalam mean. Sehingga model ARIMA (p,d,q) dapa diuliskan dengan persamaan d p ( B )(1 B) Z 0 q ( B) a (2.4) keerangan : p B) (1 B... B ) p ( 1 B) (1 B... B q ( 1 p q 5. Model ARIMA Musiman Model ARIMA musiman ini digunakan pada daa ime series yang memiliki fakor musiman. Model ARIMA musiman dapa diuliskan dalam persamaan beriku. S S D S P ( B )(1 B ) Z Q ( B ) a (2.5) Model ARIMA musiman muliplikaif memiliki persamaan biasa dengan ARIMA (p,d,q) (P,D,Q) 5 yaiu : S d S D S ( B ) ( B)(1 B) (1 B ) Z ( B) ( B ) a P dimana : Z : p Z q ),jika d = D = 0 q Q (2.6)

29 9 p P q a Q Z,lainnya : koefisien komponen AR pada orde p : koefisien komponen AR musiman pada orde p : koefisien komponen MA pada orde q : koefisien komponen MA musiman pada orde q : error whie noise 2.2 Idenifikasi Model ARIMA Tahap unuk mengidenifikasi model melipui ahap pengecekan kesasioneran daa dan peneapan model ARIMA (p,d,f) sera mengamai pola pada Auokorelasi Funcion (ACF) dan Parial Auokorelasi Funcion (PACF) yang akan dijelaskan sebagai beriku Kesasioneran Daa Kesasioneran daa erdiri dari kesasioneran daa dalam varians dan kesasioneran daa dalam mean. Jika daa dere waku idak sasioner pada variansnya, maka dapa dilakukan ransformasi sabilisasi varians. Dikaakan sasioner dalam mean saa ACF menunjukkan pola yang urun cepa. Jika daa idak sasioner pada raa-raa maka dilakukan proses differencing dengan cara sebagai beriku (Wei, 2006). W Z Z1 (2.7) Sasioner dalam mean dapa dilakukan dengan uji Dickey Fuller. Secara umum persamaan dari uji Dickey Fuller adalah sebagai beriku (Gujarai, 2004). Z Z 1 Z 1 Z 1 1 Z (2.8) Aau dapa diulisakan sebgai beriku 1

30 10 Z Z 1 dimana : Z = firs differencing dari Z (2.9) Z 1 = lag 1 dari Z = koefisien regresi dari predikor Z 1 dengan adalah 1 = error pada waku ke- Pengujiannya adalah sebagai beriku. Hipoesis : H 0 : = 0 (variabel Z idak sasioner) H 1 : 0 (variabel Z sasioner) dimana i = 1,2,3, k ˆ ' Saisik Uji : se( ˆ) ' Daerah Penolakan : H 0 diolak apabila (1 / 2) aau P- value < α Auokorelasi Funcion (ACF) dan Parial Auokorelasi Funcion (PACF) ACF merupakan korelasi anara Z dengan Z k digunakan unuk mengidenifikasi model peramalan dan meliha kesasioneran daa dalam mean. Fungsi ACF dari sampel dapa diulis sebagai beriku (Wei, 2006). ˆ k dimana : k=1,2,. dan nk 1 Z ( Z n Z )( Z ( Z 1 n Z n 1 k Z ). 2 Z ) (2.10) (2.11)

31 11 PACF adalah korelasi anara Z dengan menghilangkan efek variabel Z 1, Z2,..., Zk 1 PACF dinoasikan dalam (Wei, 2006). dengan ˆ k 1, k 1 ˆ Z k seelah. Koefisien ˆ kk dengan perhiungan sebagai beriku ˆ k 1 1 ˆ k j1 k j1 ˆ ˆ kj ˆ kj k 1 j k1, j kj k 1, k1 k, k1, k j dimana : j=1,2,,k Peneapan model yang sesuai diliha dari nilai ACF dan PACF dengan acuan seperi pada abel beriku (Bowerman & O'Connel, 1993). Tabel 2.1 Karakerisik Model ARIMA Model Pola ACF Pola PACF AR(p) Menurun secara cepa (dies down) Terpoong seelah lag ke-p (cu off) MA(q) Terpoong seelah lag ke-q (cu off) Menurun secara cepa (dies down) ARMA(p,q) Menurun secara cepa (dies down) Menurun secara cepa (dies down) AR(p) aau MA(q) Terpoong seelah lag ke-q (cu off) Terpoong seelah lag ke-p (cu off) Bukan AR(p) aau MA(q) Tidak ada yang keluar baas Tidak ada yang keluar baas j ˆ (2.12) 2.3 Pemeriksaan dan Diagnosa Model Pemeriksaan diagnosik dilakukan unuk membukikan bahwa suau model yang digunakan sudah epa, dianaranya adalah sebagai beriku.

32 Esimasi Parameer dan Uji Signifikasi Parameer Suau model ARIMA harus memiliki keepaan dalam meramalkannya dengan esimasi parameer yang harus signifikan. Misalkan adalah esimasi parameer pada ARIMA Box-Jenkins dan ˆ adalah nilai aksirannya. Misalkan unuk model AR(1) adalah sebagai beriku. ( Z ) 1 ( Z 1 ) a (2.13) Berdasarkan meode leas square aksiran dan dilakukan dengan meminimumkan S, dengan nilai SSE adalah sebagai beriku (Cyber & Chan, 2008). S, a Z Z 1 n n 2 2 Kemudian diurunkan erhadap dan dan disamakan dengan nol sehingga diperoleh nilai aksiran parameer unuk sebagai beriku. n Z 2 2 ˆ n Z n 11 1 dan nilai aksiran parameer didapakan sebagai beriku. ˆ n Z Z Z 1 Z 2 n Z 1 Z 2 Seelah mendapakan esimasi parameer model selanjunya dilakukan uji signifikasi parameer yang dilakukan adalah sebagai beriku (Wei, 2006). Hipoesis : H 0 : 0 (Parameer idak signifikan) p 2 2 (2.14) (2.15) (2.16)

33 13 Saisik Uji : Daerah Penolakan H 1 : 0 (Parameer Signifikan) p ˆ SE( ˆ) : H 0 diolak apabila nilai hiung, n p 2, dimana df adalah deraja bebas Pemeriksaan Residual Whie Noise Model peramalan yang baik akan didapa apabila residual yang berupa variabel random whie noise (residual independen dan idenik) harus memenuhi. Uji yang digunakan unuk asumsi whie noise adalah uji Ljung-Box sebagai beriku (Wei, 2006). Hipoesis : H 0 :... 0 (Residual memenuhi whie noise) 1 2 k H 1 : i 0 (Residual idak memenuhi whie noise) dimana i = 1,2,3, k Saisik Uji : Q K * 1 2 n( n 2) ( n k) ˆ k k1 Daerah Penolakan : H 0 diolak apabila nilai Q * 2 ; df, k pq (2.17) (2.18), dimana p dan q adalah ARIMA(p,q) keerangan : 2 ˆ k = ACF residual pada lag ke-k k = jumlah lag maksimum n = banyaknya pengamaan p dan q= orde dari model ARIMA (p,q) Pemeriksaan Residual Disribusi Normal Uji asumsi kenormalan residual digunakan adalah uji normalias meode Kolmogorov-Smirnov (Daniel, 1989) sebagai beriku. Hipoesis :

34 14 H 0 : Fx F0 x H 1 : x F x F 0 Saisik Uji : (residual berdisribusi normal) (residual idak berdisribusi normal) x D SupF F0 Daerah Penolakan : H 0 diolak apabila nilai D D1, n, dengan n adalah ukuran sampel dan D 1, n adalah abel D unuk uji Kolmogorov-Smirnov. keerangan: S x : fungsi peluang kumulaif yang dihiung dari daa sampel x F 0 : fungsi peluang kumulaif disribusi normal aau fungsi disribusi yang dihipoesiskan F : fungsi disribusi yang belum dikeahui x x Sup : nilai supremum semua x dari x F x S 0 (2.19) Deeksi Oulier Beberapa perisiwa yang dapa mempengaruhi observasi menggunakan dere waku. Perisiwa ersebu dianaranya liburan, penjualan, promosi, dan kebijakan pemerinah. Pengaruh dari perisiwa-perisiwa eresebu yang menyebabkan pengamaan menjadi idak konsekuen dengan nilainya biasa disebu dengan oulier. Hal ersebu menjadi salah sau masalah dalam analisis daa, oleh karena iu diperlukan deeksi oulier dan penghilangan oulier. Menuru (Wei, 2006) erdapa dua model oulier yang biasa dikenal yaiu addiive dan innovaional. Beriku adalah benuk model addiive oulier.

35 15 ) ( ) ( ) ( ) (,, T T I a B B I X T X T X Z dimana : T T T I 0, 1, ) ( I merupakan nilai dari indikaor variabel yang menjelaskan ada idaknya oulier pada wakyu ke T. Selanjunya adalah model innovaional oulier yang didefinisikan sebagai beriku. ) ( ) ( ) ( ) ( ) ( ) ( T T I a B B I B B X Z Berdasarkan model yang elah didefinisikan dapa dikeahui perbedaan dari addiive oulier dan innovaional oulier. Addiive oulier adalah ipe oulier yang hanya mempengaruhi observasi ke T, Z T. Sedangkan innovaional oulier adalah ipe oulier yang mempengaruhi semua observasi Z T, Z T+1,, diluar waku T, melalui sisem yang dijelaskan oleh ) ( ) ( B B. Model umum oulier dengan k oulier adalah sebagai beriku. k j T j j X I B v Z 1 ) ( ) ( dimana : 1 ) (, / B V a B B X j T unuk ipe addiive ) ( ) / ( ) ( B B B V j pada waku =T j. (2.20) (2.21) (2.22) (2.23) (2.24) (2.25) (2.26)

36 Pemilihan Model Terbaik Beberapa cara yang dapa digunakan unuk melakukan pemilihan daa erbaik unuk daa ou sample menggunakan beberapa krieria yaiu Roo Mean Square Error (RMSE), Mean Absolue Error (MAE), dan Mean Absolue Percenage Error (MAPE) dengan persamaan error sebagai beriku (Wei, 2006). e Z Zˆ ( l) (2.27) l n l Roo Mean Square Error (RMSE) merupakan meode yang digunakan unuk mengevaluasi keepaan model ime series dengan cara memperimbangkan sisa perhiungan ramalan pada daa ou sample dengan rumus sebagai beriku. RMSE 1 m n m 2 e 1 dimana : m = jumlah daa ou sample. Mean Absolue Error (MAE) merupakan krieria kesalahan berdasarkan nilai raa-raa absolue error dengan rumus sebagai beriku. m 1 MAE e (2.29) m l1 Krieria kesalahan unuk Mean Absolue Percenage Error (MAPE) dapa dirumuskan sebagai beriku. m 1 e MAPE 100% m Z (2.30) l1 dimana : Z n l = Nilai akual pada daa ou sample ke-l Zˆ n ( l) = Nilai dugaan aau peramalan pada daa ou sample ke-l 2.5 Wisaawan Mancanegara nl (2.28)

37 17 Sesuai dengan rekomendasi Unied Naions World Tourism Organizaion (UNWTO) wisaawan mancanegara (wisman) adalah seiap orang yang melakukan perjalanan ke suau negara di luar negara empa inggalnya, kurang dari sau ahun, di dorong oleh suau ujuan uama (bisnis, berlibur, aau ujuan pribadi lainnya), selain unuk bekerja dengan penduduk negara yang dikunjungi. Definiai ini mencakup 2 (dua) kaegori amu mancanegara, yaiu (BPS, 2016). 1. Wisaawan (ouris) adalah seiap pengunjung seperi definisi di aas yang inggal paling sediki 24 jam, akan eapi idak lebih dari 12 (dua belas) bulan di empa yang dikunjungi dengan maksud kunjungan anara lain: a. Personal : berlibur, rekreasi, mengunjungi eman dan keluarga, belajar aau pelaihan, kesehaan olah raga, keagamaan, belanja, ransi, dan lain lain. b. Bisnis : menghadiri peremuan, konferensi aau kongres, pemeran dagang, konser, perunjukan, dan lain lain. 2. Pelancong (Excursionis) adalah seiap pengunjung seperi definisi di aas yang inggal kurang dari 24 jam di empa yang dikunjungi (ermasuk cruise passanger yaiu pengunjung yang iba di suau negara dengan kapal aau kerea api, di mana mereka idak menginap di akomodasi yang ersedia di negara ersebu) 2.6 Lieraur Peneliian Peneliian yang menggunakan model ARIMA lain dianaranya peneliian Rahmi (2012) mengenai peramalan jumlah wisaawan mancanegara yang masuk melalui pinu kedaangan Bandara Udara Soekarno Haa Tangerang, dan Bandara Juanda Sidoarjo. Penulis menganalisis daa berdasarkan pada fakor eksernal aau krisis poliik Thailand pada waku iu yang mempengaruhi jumlah kunjungan wisaawan mancanegara yang masuk di Indonesia. Begiupula peneliian yang dilakukan oleh Praama (2016) yang melakukan pemodelan kunjungan wisaawan mancanegara ke Jawa Timur berdasarkan wilayah

38 18 negara asal melalui Bandar Udara Juanda, Sehingga dengan peneliian ersebu perlu diadakan peneliian mengenai jumlah wisaawan mancanegara di Indonesia unuk membandingkan apakah erjadi kenaikan jumlah wisaawan mancanegara yang signifikan seelah 5 ahun berlalu semenjak krisis di Thailand aau jumlah kedaangan wisaawan mancanegara di Indonesia masih idak erlalu besar dibandingkan pada ahun iu.

39 19 BAB III METODOLOGI PENELITIAN 3.1 Sumber Daa dan Variabel Peneliian Sumber daa yang digunakan dalam peneliian ini adalah daa kedaangan wisaawan mancanegara di Indonesia menuru pinu masuk Bandar Udara Ngurah Rai Bali. Daa diperoleh dari websie resmi Kemenrian Pariwisaa Indonesia kemenpar.go.id. Variabel yang digunakan pada peneliian ini adalah daa mulai dari bulan Januari 2011 sampai Desember Daa akan dibagi menjadi in sample yang berjumlah 60 daa dan daa ou sample yang berjumlah 12 daa. 3.2 Langkah Analisis Langkah analisis yang digunakan dalam peneliian menggunakan meode ARIMA Box-Jenkins adalah sebagai beriku. 1. Melakukan idenifikasi daa menggunakan ime series plo unuk mengeahui kesasioneran daa. 2. Melakukan idenifikasi pada daa apakah daa jumlah kedaangan wisaawan mancanegara di Indonesia menuru pinu masuk elah sasioner dalam mean dan varians 3. Melakukan ransformasi apabila daa idak sasioner dalam varians dan melakukan differencing daa apabila daa idak sasioner dalam mean. 4. Melakukan pendugaan model menggunakan plo Auocorrelaion Funcion (ACF) dan Parial Auocorrelaion Funcion (PACF). 5. Melakukan pendugaan esimasi dan uji saisik yaiu melakukan esimasi parameer menggunakan meode serenak 6. Melakukan pemeriksaan diagnosik yaiu menguji apakah residualnya elah whie-noise dan berdisribusi normal 7. Melakukan pemilihan model erbaik unuk daa jumlah kedaangan wisaawan mancanegara di Indonesia. 19

40 20 8. Melakukan ramalan jumlah kedaangan wisaawan mancanegara di Indonesia menuru pinu masuk pada ahun Menarik kesimpulan dari hasil analisis 3.3 Diagram Alir Diagram alir yang digunakan dalam analisis kali ini adalah sebagai beriku. Mulai Daa Membua Plo Time Series Pemeriksaan Kesasioneran Apakah Daa Sasioner Ya Tidak Idenifikasi berdasarkan ACF dan PACF A Gambar 3.1 Diagram Alir

41 21 A Peneapan Model Semenara Esimasi Parameer Tidak Tidak Signifikasi Parameer Ya Cek Residual Daa Tidak Ya Whie Noise Ya Disribusi Normal Pemilihan Model Terbaik Peramalan 1 Periode Kedepan Kesimpulan Selesai Gambar 3.2 Diagram Alir Lanjuan

42 22 Halaman ini Sengaja dikosongkan

43 23 BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan dilakukan analisis mengenai daa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali. Analisis yang dilakukan melipui penyajian karakerisika daa, pemodelan jumlah kedaangan wisaawan mancanegara sera peramalan jumlah kedaangan wisaawan mancanegara menggunakan meode ARIMA Box-Jenkins. 4.1 Karakerisik Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Karakerisik daa jumlah wisaawan mancanegara di Indonesia yang akan dilakukan melipui nilai raa-raa, jumlah maksimum, jumlah minimum, dan sandar deviasi dari daa iap ahun. Selain iu juga dilakukan analisis karakerisik menggunakan diagram baang unuk mengeahui secara visual flukuasi kenaikan aau penurunan jumlah wisaawan mancanegara disajikan dalam Tabel 4.1 beriku. Tabel 4.1 Karakerisik Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Variabel N Raaraa Maksimum Minimum Sadev Jumlah Kedaangan Wisman Tabel 4.1 menunjukkan bahwa raa-raa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali selama 71 bulan mulai dari Januari ahun 2011 sampai Desember ahun 2016 adalah sebesar jiwa. Jumlah wisaawan eringgi sebesar jiwa pada bulan Juli ahun 2016 dan erendah sebesar jiwa 23

44 24 pada bulan Februari ahun 2011,dan simpangan baku sebesar Selain karakerisik diaas, akan dilakukan analisis pada karakerisik lain menggunakan diagram baang unuk mengeahui flukuasi kenaikan aau penurunan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali seiap ahun selama 6 ahun. Diagram baang jumlah kedaangan wisaawan mancanegara di Indonesia disajikan dalam Gambar Gambar 4.1 Karakerisik Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Gambar 4.1 menunjukkan bahwa jumlah kedaangan wisaawan mancanegara mulai dari ahun 2011 sampai ahun 2016 selalu mengalami kenaikan yang signifikan dimana ahun 2015 ke ahun 2016 mengalami kenaikan yang cukup inggi sebesar jiwa, oal jumlah kedaangan wisaawan erbanyak ada pada ahun 2016 sebesar jiwa hal ersebu disebabkan pada ahun 2016 erdapa beberapa even yang diselenggarakan di provinsi Bali sebagian dianaranya adalah Nusa Dua Fiesa, Bali Vegan Fesival 2016 pada bulan Okober 2016 sera Denpasar Fesival pada bulan Desember 2016.

45 25 Selain karakerisik daa diaas, akan dilakukan analisis pada karakerisik lain yaiu box-plo yang digunakan unuk mengeahui pemusaan daa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali yang melipui nilai kuaril, minimum, dan maksimum, sera meliha ada idaknya daa yang oulier aau daa yang jauh berbeda dengan daa yang lain. Grafik box-plo dapa diliha pada gambar 4.2 beriku Daa Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober Nopember Desember Gambar 4.2 Box-Plo Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Gambar 4.2 menunjukkan bahwa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali eringgi erdapa pada bulan Juli sedangkn jumlah erendah ada pada bulan Mare. Keragaman jumlah kedaangan wisaawan mancanegara di Indonesia eringgi erdapa pada bulan Sepember, hal ersebu dapa diliha dari range di bulan Sepember yang erpanjang dibandingkan dengan bulan lain. Selanjunya unuk plo ime series pada daa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rain Bali dapa diliha dari Gambar 4.3 beriku.

46 Daa Akual Monh Year Jan 2011 Jan 2012 Jan 2013 Gambar 4.3 Time Series Plo Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Gambar 4.3 menunjukkan bahwa daa jumlah kedaangan wisaawan mancanegara di Indonesia mulai bulan Januari 2011 sampai bulan Desember 2016 mengalami flukuasi yang inggi namun idak membenuk pola musiman erenu namun pada bulan Nopember 2015 mengalami penurunan yang inggi. Secara visual dapa dikaakan bahwa daa idak sasioner dalam varians dan mean. Selanjunya unuk mengidenifikasi kesasioneran dalam varians menggunakan Box-Cox yang dapa diliha dari grafik Pemodelan Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Pemodelan jumlah kedaangan wisaawan mancanegara di Indonesia digunakan unuk menenukan model yang erbaik unuk meramalkan jumlah kunjungan wisaawan 12 bulan kedepan. Pada analisis ini daa dibagi menjadi daa in sample dan daa ou sample. Daa in sample digunakan unuk meramalkan daa ou sample. Hasil peramalan pada daa ou sample digunakan sebagai pemilihan model erbaik dengan membandingkan hasil ramalan pada daa ou sample dengan daa akual ou sampel. Beriku adalah ahapan unuk pemodelan jumlah kedaangan wisaawan mancanegara di Indonesia menggunakan ARIMA Box-Jenkins. Jan 2014 Jan 2015 Jan 2016

47 Idenifikasi Model Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Idenifikasi model jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali digunakan unuk mengeahui apakah daa elah sasioner aau belum. Sasioner daa dibagi aas sasioner dalam mean dan sasioner dalam varians. Pemeriksaan sasioner dalam varians dapa dilakukan menggunakan Box-Cox Transformaion sedangkan sasioner dalam mean dapa dikeahui dari ime series plo maupun plo ACF. Mengacu pada grafik 4.2 bahwa plo ime series pada daa jumlah kedaangan wisaawan mancanegara di Indonesia belum sasioner dalam means dan varians. Selanjunya dilakukan idenifikasi kesasioneran dalam varians menggunakan Box-Cox. Idenifikasi Box-Cox diliha dari nilai Rounded Value. Daa dikaakan sasioner dalam varians saa rounded value sama dengan 1 aau selang inerval dari daa jumlah kedaangan wisaawan mancanegara di Indonesia melewai angka 1. Grafik Box-Cox Transformaion disajikan dalam Gambar Lower CL Upper CL Lambda (using 95.0% confidence) Esimae Lower CL Upper CL Rounded Value SDev Lambda Gambar 4.4 Box-Cox Transformaion Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Gambar 4.4 menunjukkan bahwa nilai rounded value yang diperoleh dari pemeriksaan Box-Cox daa jumlah kedaangan wisaawan mancanegara di Indonesia sebesar -2,00 dengan baas Limi

48 28 bawah dan baas aas beruru-uru sebesar -2,96 dan -0,11. Berdasarkan nilai rouded value sebesar -2,00 dan selang inerval yang idak melewai nilai 1, maka dapa diidenifikasikan bahwa daa jumlah kedaangan wisaawan mancanegada di Indonesia idak sasioner dalam varians. Namun karena nilai rounded value erlalu kecil unuk dilakukan ransformasi sehingga akan menghasilkan nilai ransformasi yang kecil maka ransformasi idak dilakukan. Selanjunya dilanjukan pemeriksaan sasioner dalam mean secara visual dapa diliha dari plo ACF seperi pada Gambar 4.5 beriku. Auocorrelaion Gambar 4.5 Plo ACF Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Berdasarkan Gambar 4.5 diaas dapa dikeahui bahwa secara visual daa jumlah kedaangan wisaawan mancanegara di Indonesia belum sasioner dalam mean, karena diliha dari plo ACF yang urun lamba seelah lag 1,2, dan 3. Analisis secara visual memberikan kesimpulan yang idak pasi sehingga perlu dilakukan pengujian menggunakan Uji Dickey-Fuller sebagai beriku. Z Z Lag Z 1 0, Z

49 29 Pengujian Dickey-Fuller adalah sebagai beriku dapa diliha pada abel 4.2 beriku. Tabel 4.2 Uji Dickey-Fuller Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Daa Esimasi S.E -value p-value Kedaangan Wisaawan 0, , ,13 0,8966 Tabel 4.2 menunjukkan bahwa hasil pengujian Dickey- Fuller diperoleh nilai p-value sebesar 0,8966 lebih besar dari nilai α sebesar 0,05, sehingga dapa dipuuskan H 0 gagal diolak arinya daa jumlah kedaangan wisaawan mancanegara di Indonesia idak sasioner dalam mean. Oleh karena iu perlu dilakukan differencing regular pada daa jumlah kedaangan wisaawan mancanegara di Indonesia, Seelah dilakukan differencing regular, hasil ime series plo jumlah kedaangan wisaawan mancanegara di Indonesia dapa diliha pada Gambar 4.6 beriku C Monh Year Jan 2011 Jul Jan 2012 Jul Jan 2013 Gambar 4.6 Time Series Plo Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing Gambar 4.6 menunjukkan bahwa secara visual daa jumlah kedaangan wisaawan mancanegara di Indonesia elah Jul Jan 2014 Jul Jan 2015 Jul

50 30 sasioner dalam mean. Namun karena secara visual menghasilkan kepuusan yang kurang akura, oleh karena iu selanjunya dilakukan uji Dickey-Fuller unuk menguji apakah daa hasil differencing elah sasioner dalam mean dengan hasil sebagai beriku. Z Z Z 1 1,50176 Z 1 Hasil pengujian Dickey-Fuller jumlah kedaangan wisaawan mancanegara seelah differencing regular adalah sebagai beriku. Tabel 4.3 Uji Dickey-Fuller Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing Daa Esimasi S.E -value p-value Kedaangan Wisaawan -1, , ,84 <0,0001 Tabel 4.3 menunjukkan bahwa hasil uji Dickey-Fuller pada daa jumlah kedaangan wisaawan mancanegara di Indonesia seelah differencing regular diperoleh nilai p-value sebesar <0,0001 lebih kecil dari nilai α sebesar 0,05 sehingga dipuuskan bahwa hipoesis H0 diolak yang arinya daa elah sasioner dalam mean. Selanjunya dilakukan idenifikasi orde ARIMA yang diliha dari lag-lag pada plo ACF dan PACF. Plo ACF dapa diliha dari Gambar 4.6 beriku. Auocorrelaion Lag

51 31 Gambar 4.6 Plo ACF Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Parial Auocorrelaion Gambar 4.7 Plo PACF Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Gambar 4.6 merupakan plo ACF jumlah kedaangan wisaawan mancanegara di Indonesia yang menunjukkan bahwa erdapa beberapa lag yang keluar dari baas anara lain lag 1, dan lag 3. Sedangkan unuk plo PACF pada Gambar 4.7 menunjukkan plo PACF dengan beberapa lag yang keluar daru baas yaiu lag ke 1, lag ke 2 dan lag ke 11. Berdasarkan lag-lag yang keluar dari plo ACF dan PACF daa jumlah kedaangan wisaawan mancanegara di Indonesia diperoleh dugaan modelmodel ARIMA ersebu adalah ARIMA (0,1,1) dan ARIMA ([2],1,0) Esimasi Parameer Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah melakukan idenifikasi orde ARIMA, selanjunya dilakukan esimasi parameer daa jumlah kedaangan wisaawan mancanegara di Indonesia. Esimasi parameer dilakukan unuk mengeahui apakah model dugaan elah signifikan aau idak. Hasil esimasi parameer dalam dugaan lima model ARIMA dapa diliha pada Tabel 4.2 beriku. 25 Lag

52 32 Tabel 4.4 Uji Signifikasi ARIMA Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia Model Dugaan Parameer Esimasi T-value P-Value ARIMA(1,1,0) 1-0, ,99 0,0002 ARIMA([2],1,0) 1-0, ,03 <0, , ,96 0,0044 ARIMA(0,1,1) 1 0, ,21 <0,0001 ARIMA([11],1,1) 11 0, ,54 <,0001 0, ,05 0, ARIMA(0,1,3) 3-0, ,42 0,0188 Tabel 4.4 menunjukkan bahwa dari 5 pendugaan model ARIMA Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia 5 parameer elah signifikan yaiu model ARIMA (1,1,0), ARIMA ([2],1,0), ARIMA (0,1,1), ARIMA([11],1,1) dan ARIMA (0,1,3). Hal ersebu dikarenakan nilai p-value memiliki nilai yang lebih besar dari α sebesar 0,05 sehingga mengacu pada sub bab dipuuskan unuk menolak hipoesis H 0 yang dapa diarikan bahwa parameer elah signifikan Pemeriksaan Residual Parameer Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Pemeriksaan residual dilakukan keika parameer dalam uji model elah signifikan. Terdapa dua pemeriksaan residual jumlah kedaangan wisaawan mancanegara di Indonesia yaiu residual whie noise dan residual berdisribusi normal. Hasl pengujian residual whie noise dan disribusi normal dapa diliha pada Tabel 4.5 beriku.

53 33 Tabel 4.5 Pengujian Residual Whie Noise Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia 2 Model Dugaan Lag DF P-Value Kepuusan ARIMA(1,1,0) ARIMA([2],1,0) ARIMA(0,1,1) ARIMA ([11],1,1) ARIMA (0,1,3) ,70 0,0176 Tidak Whie Noise ,87 0,0024 Tidak Whie Noise ,80 0,0089 Tidak Whie Noise ,32 0,00235 Tidak Whie Noise 6 4 8,70 0,0691 Whie Noise ,20 0,0003 Tidak Whie Noise ,82 0,0001 Tidak Whie Noise ,57 <0,0001 Tidak Whie Noise 6 5 9,79 0,0813 Tidak Whie Noise ,48 0,0013 Tidak Whie Noise ,10 0,0024 Tidak Whie Noise ,27 0,0021 Tidak Whie Noise 6 4 9,78 0,0443 Tidak Whie Noise ,24 0,0070 Tidak Whie Noise ,77 0,0255 Tidak Whie Noise ,64 0,0422 Tidak Whie Noise ,28 0,0139 Tidak Whie Noise ,53 0,0283 Tidak Whie Noise ,01 0,0580 Whie Noise ,56 0,1340 Whie Noise Tabel 4.5 memberikan informasi bahwa dari 5 pendugaan model erdapa 2 model yang memenuhi asumsi berdisribusi whie noise yaiu model ARIMA([2],1,0) pada lag ke-6, dan model ARIMA(0,1,3) hal ersebu dikarenakan nilai p-value memiliki nilai yang lebih besar dari nilai α yaiu 0,05 sehingga mangecu pada sub bab dipuuskan unuk gagal menolah hipoesis H 0 yang arinya daa elah memenuhi asumsi residual

54 34 whie noise. Selanjunya dilakukan pemeriksaan diagnosik yang kedua yaiu residual berdisribusi normal. Hasil pengujian residual berdisribusi normal dapa diliha pada abel beriku. Tabel 4.6 Pengujian Residual Disribusi Normal Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia Residual Model ARIMA Berdisribusi Normal Kesimpulan KS P-value ARIMA(1,1,0) 0, ,019 Tidak Bersiribusi Normal ARIMA([2],1,0 0,09119 >0,150 Berdisribusi Normal ARIMA(0,1,1) 0,08797 >0,150 Berdisribusi Normal ARIMA([11],1,1) 0,06186 >0,150 Besribusi Normal ARIMA(0,1,[3]) 0,06299 >0,150 Besribusi Normal Tabel 4.5 menunjukkan bahwa dari 5 model yang elah signifikan namun beberapa model idak memenuhi asumsi residual whie noise, erdapa sau model yang idak memenuhi asumsi berdisribusi normal yaiu model ARIMA(1,1,0) sedangkan 4 model lain yaiu model ARIMA([2],1,1), ARIMA(0,1,1), ARIMA([11],1,1), dan ARIMA(0,1,[3]) elah memenuhi asumsi berdisribusi normal. Hal ersebu dikarenakan nilai p-value melebihi nilai α sebesar 0,05. Selanjunya dilakukan deeksi oulier pada model ARIMA (1,1,0), ARIMA ([2],1,0), ARIMA (0,1,1), ARIMA([11],1,1) dan ARIMA (0,1,[3]). Deeksi oulier pada peneliian ini menggunakan araf signifikan sebesar 0,05 dengan maksimum pendeeksian oulier sebesar 20. Beriku ini merupakan hasil deeksi oulier pada kelima model ARIMA yaiu ARIMA (1,1,0), ARIMA ([2],1,0), ARIMA (0,1,1), ARIMA([11],1,1) dan ARIMA (0,1,[3]).

55 35 Tabel 4.7 Uji Signifikasi Parameer ARIMA (1,1,0) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Parameer Esimasi T-value P-value Tipe Oulier -0, ,45 <0, ,6-6,13 <0,0001 Addiive ,7-4,31 <0,0001 Addiive ,0 4,11 0,0001 Shif 54 Tabel 4.7 menunjukkan bahwa model ARIMA(1,1,0) erdapa iga oulier yang signifikan dengan sau pengamaan ipe addiive dan dua pengamaan ipe shif yaiu pengamaan ke 59, pengamaan ke 56 sera pengamaan ke 54. Dengan araf signifikan 0,05 diemukan 20 oulier dan dilakukan uji signifikasi parameer sau per sau. Namun seelah oulier kelima dimasukkan erdapa oulier yang signifikan dalam model memenuhi asumsi residual whie noise dan berdisribusi normal sehingga model elah memenuhi asumsi whie noise. Selanjunya adalah deeksi oulier pada model ARIMA ([2],1,0). Tabel 4.8 Uji Signifikasi Parameer ARIMA ([2],1,0) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Parameer Esimasi T-value P-value Tipe Oulier -0, ,09 <0, , ,02 0, ,4-6,13 <0,0001 Addiive ,3 4,49 <0,0001 Shif 42 Berdasarkan Tabel 4.8 dikeahui bahwa pada model ARIMA([1,2],1,0) erdapa dua pengamaan yang erdeeksi sebagai oulier yang signifikan, yaiu pengamaan ke 59 dan pengamaan ke 42 dimana sau oulier ipe addiive dan sau

56 36 oulier ipe shif. Dengan araf signifikan 0,05 diemukan 14 oulier dan dilakukan uji signifikasi parameer sau per sau. Seelah oulier ke 7 dimasukkan erdapa sau oulier yang signifikan dalam model, memenuhi asumsi residual whie noise dan berdisribusi normal. Sehingga model ARIMA ([2],1,0) elah memenuhi asumsi whie noise. Selanjunya dilakukan deeksi oulier pada model ARIMA (0,1,1). Tabel 4.9 Uji Signifikasi Parameer ARIMA (0,1,1) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Parameer Esimasi T-value P-value Tipe Oulier 0, ,06 <0, ,5-4,20 <0,0001 Addiive 56 Tabel 4.9 menunjukkan uji signifikansi paremeer pada model ARIMA (0,1,1) dengan penambahan 1 oulier. Berdasarkan deeksi oulier pada model ARIMA(0,1,1) dengan penambahan 1 oulier ipe addiive menggunakan araf signifikan 0,05 diperoleh 19 pengamaan yang edeeksi oulier. Seelah dilakukan uji signifikansi sau per sau seelah oulier ke dua model elah signifikan, memenuhi asumsi residual whie noise dan disribusi normal. Selanjunya adalah deeksi oulier pada model ARIMA ([2,10],1,1). Tabel 4.10 Uji Signifikasi Parameer ARIMA ([11],1,1) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Parameer Esimasi T-value P-value Tipe Oulier 0, ,98 0, ,000 6,07 <0, ,5356,7-8,80 <0,0001 Addiive 59

57 37 Tabel 4.8 menunjukkan bahwa model ARIMA([11],1,1) erdapa sau oulier yang signifikan dengan ipe pengamaan addiive yaiu pengamaan ke 59. Dengan araf signifikan 0,05 diemukan 20 oulier dan dilakukan uji signifikasi parameer sau per sau. Seelah oulier ke 14 dimasukkan erdapa oulier yang signifikan dalam model memenuhi asumsi residual whie noise dan berdisribusi normal sehingga model elah memenuhi asumsi whie noise. Selanjunya adalah deeksi oulier pada model ARIMA (0,1,[3]). Tabel 4.11 Uji Signifikasi Parameer ARIMA (0,1,[3]) Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia dengan Deeksi Oulier Parameer Esimasi T-value P-value Tipe Oulier 0, ,61 0, ,0-12,11 <0,0001 Addiive ,6 4,54 <0,0001 Shif ,3-7,79 <0,0001 Addiive 56 Tabel 4.10 menunjukkan uji signifikansi paremeer pada model ARIMA (0,1,[3]) dengan penambahan 3 oulier. Berdasarkan deeksi oulier pada model ARIMA(0,1,[3]) dengan penambahan 3 oulier, sau ipe Shif dan dua ipe addiive. Menggunakan araf signifikan 0,05 diperoleh 17 pengamaan yang edeeksi oulier. Seelah dilakukan uji signifikansi sau per sau, idak erdapa model yang idak signifikan, dan idak memenuhi asumsi disribusi normal, namun memenuhi asumsi whie noise. Berdasarkan deeksi oulier pada kelima model yaiu ARIMA (1,1,0), ARIMA ([1,2],1,0), ARIMA (0,1,1), ARIMA([11],1,1) dan ARIMA (0,1,[3]), didapakan empa model yang signifikan, sera memenuhi asumsi residual whie noise dan

58 38 disribusi normal yaiu model ARIMA ARIMA (1,1,0), ARIMA ([2],1,0), ARIMA (0,1,1), dan ARIMA([11],1,1) Pemilihan Model Terbaik Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Pemodelan ARIMA pada daa jumlah kedaangan wisaawan mancanegara di Indonesia menghasilkan empa model yang signifikan, sera memenuhi asumsi residual whie noise dan disribusi normal. Model erbaik dipilih menggunakan beberapa krieria yaiu nilai RMSE, MAE, dan MAPE dari daa jumlah kedaangan wisaawan mancanegara di Indonesia ou sample. Model erbaik akan digunakan unuk melakukan peramalan jumlah kedaangan wisaawan mancanegara di Indonesia. Hasil perbandingan krieria keempa model adalah sebagai beriku. Tabel 4.12 Krieria Kebaikan Model Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Model ARIMA Ou Sampel RMSE MAE MAPE ARIMA(1,1,0) 82847, ,83 18,23% ([1,2],1,0) 79519, ,32 17,26% ARIMA(0,1,1) 76106, ,03 16,39% ARIMA([11],1,1] 73970, ,53 15,40% Tabel 4.12 menunjukkan bahwa berdasarkan daa ou sample perbandingan model yang erbaik adalah model ARIMA ([11],1,1) dimana model ersebu adalah model dengan nilai RMSE, MAE, dan MAPE erkecil beruru-uru sebesar 73970,70, 64657,53 dan 15,40%. Oleh karena iu, model erbaik pada daa jumlah kedaangan wisaawan mancanegara di Indonesia adalah model ARIMA ([11],1,1). Benuk umum dari model ARIMA ([11],1,1) adalah. 1 1 B 1 B Z B a B 11B 11B Z 1 1B a

59 39 Z Z Z Z BZ 11B Z 11B Z a 1 Z Z Z Z Z a a Ba Z Z a a ,34325 Z 11 0,34325 Z 12 0, a 1 a I I Pemodelan Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Peramalan dilakukan unuk memprediksi daa pada beberapa periode kedepan. Peramalan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali dilakukan pada sau ahun kedapan yaiu ahun Berdasarkan model erbaik yaiu model ARIMA ([11],1,1) diperoleh hasil ramalan jumlah wisaawan mancanegara di Indonesia adalah sebagai beriku. Tabel 4.13 Ramalan Jumlah Kedaangan Wisaawaan Mancanegara di Indonesia Tahun 2017 Bulan Ramalan Januari ,3 Februari ,8 Mare ,5 April ,6 Mei ,4 Juni ,5 Juli ,3 Agusus ,2 Sepember ,3 Okober ,4 Nopember ,8 Desember ,5

60 40 Tabel 4.13 menunjukkan ramalan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali dimana dikeahui bahwa jumlah ramalan pada ahun 2017 mengalami kenaikan dan penurunan yang idak erlalu signifikan. Diperkirakan wisaawan mancanegara akan daang ke Indonesia paling banyak adalah pada bulan Juni 2017.

61 41 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Hasil analisis yang elah dilakukan pada daa jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali adalah sebagai beriku. 1. Jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali selama lima ahun selalu mengalami kenakan yang signifikan. Jumlah wisaawan eringgi adalah pada bulan Juli ahun 2016 dan erendah pada bulan Februari ahun Model erbaik unuk meramalkan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali pada ahun 2017 adalah ARIMA ([11],1,1) dengan model 45 Z Z 1 0,34325 Z 11 0,34325 Z 12 0, a 1 a I 3. Peramalan jumlah kedaangan wisaawan mancanegara di Indonesia melalui pinu masuk Bandar Udara Ngurah Rai Bali pada ahun 2017 eringgi ada pada bulan Juni. 5.2 Saran Kedaangan wisaawan mancanegara ke Indonesia dapa dipengaruhi beberapa fakor seperi halnya adanya even yang mampu menarik perhaian, sehingga berdasarkan hasil analisis ini didapakan model peramalan jumlah kedaangan wisaawan mancanegara melalui Bandar Udara Ngurah Rai Bali yang bias dimanfaakan unuk menyusun kalender even di Bali. Unuk peneliian selanjunya diharapkan menggunakan daa yang lebih banyak sehingga pola dari daa jumlah kedaangan wisaawan lebih erliha. 41

62 42 Halaman ini Sengaja dikosongkan

63 43 LAMPIRAN Lampiran 1. Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Melalui Pinu Masuk Bandar Udara Ngurah Rai Bali Tahun Bulan Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober Nopember Desember Lampiran 2. Karakerisik Daa Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Melalui Pinu Masuk Bandar Udara Ngurah Rai Bali Descripive Saisics: Z Toal Variable Coun Mean SDev Minimum Maximum Z

64 44 Lampiran 3. Synax Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia daa wisaawan; inpu y; daalines; ; daa wisaawan; se wisaawan; y1=lag1(y); yd=y-y1; run; proc reg daa=wisaawan; model yd=y1/noin; run; Lampiran 4. Synax Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing daa wisaawan; inpu y; daalines; *

65 45 Lampiran 4. Synax Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing (Lanjuan). daa wisaawan; se wisaawan; y1=lag1(y); yd=y-y1; run; proc reg daa=wisaawan; model yd=y1/noin; run; Lampiran 5. Oupu Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model Error Uncorreced Toal Roo MSE R-Square Dependen Mean Adj R-Sq Coeff Var Parameer Esimaes Parameer Sandard Variable DF Esimae Error Value Pr > y

66 46 Lampiran 6. Oupu Uji Dickey-Fuller Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Seelah Differencing Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model E E <.0001 Error Uncorreced Toal E11 Roo MSE R-Square Dependen Mean Adj R-Sq Coeff Var Parameer Esimaes Parameer Sandard Variable DF Esimae Error Value Pr > y <.0001 Lampiran 7. Synax ARIMA (1,1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia daa wisman; inpu y; daalines; ; proc arima daa=wisman; idenify var=y(1); run; esimae p=(1) q=(0) mehod=cls noconsan; forecas lead=12 ou=ou2; run; oulier maxnum=20 alpha=0.05; proc univariae daa=ou2 normal; var residual; run;

67 47 Lampiran 8. Synax ARIMA ([2],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia daa wisman; inpu y; daalines; ; proc arima daa=wisman; idenify var=y(1); run; esimae p=(1,2) q=(0) mehod=cls noconsan; forecas lead=12 ou=ou2; run; oulier maxnum=20 alpha=0.05; proc univariae daa=ou2 normal; var residual; run; Lampiran 9. Synax ARIMA (0,1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia daa wisman; inpu y; daalines; ; proc arima daa=wisman; idenify var=y(1); run; esimae p=(0) q=(1) mehod=cls noconsan; forecas lead=12 ou=ou2; run; oulier maxnum=20 alpha=0.05; proc univariae daa=ou2 normal; var residual; run;

68 48 Lampiran 10. Synax ARIMA ([11],1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia daa wisman; inpu y; daalines; ; proc arima daa=wisman; idenify var=y(1); run; esimae p=(11) q=(1) mehod=cls noconsan; forecas lead=12 ou=ou2; run; oulier maxnum=20 alpha=0.05; proc univariae daa=ou2 normal; var residual; run; Lampiran 11. Synax ARIMA (0,1,3) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia daa wisman; inpu y; daalines; ; proc arima daa=wisman; idenify var=y(1); run; esimae p=(0) q=(3) mehod=cls noconsan; forecas lead=12 ou=ou2; run; oulier maxnum=20 alpha=0.05; proc univariae daa=ou2 normal; var residual; run;

69 49 Lampiran 12. Oupu ARIMA (1,1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, Variance Esimae E8 Sd Error Esimae AIC SBC Number of Residuals 59 * AIC and SBC do no include log deerminan. Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Forecass for variable y Obs Forecas Sd Error 95% Confidence Limis The ARIMA Procedure Oulier Deecion Summary Maximum number searched 20 Number found 20 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs Type Esimae Square ChiSq 59 Addiive < Addiive Shif < Shif

70 50 Lampiran 12. Oupu ARIMA (1,1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia (Lanjuan) 7 Addiive Shif Addiive Addiive Shif Addiive Addiive Addiive Shif Shif Addiive Shif Shif Shif Shif Addiive Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq Lampiran 13. Oupu ARIMA ([2],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia The ARIMA Procedure Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, Variance Esimae E8 Sd Error Esimae AIC SBC Number of Residuals 59 * AIC and SBC do no include log deerminan. Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions

71 51 Lampiran 13. Oupu ARIMA ([2],1,0) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia (Lanjuan) < Forecass for variable y Obs Forecas Sd Error 95% Confidence Limis The ARIMA Procedure Oulier Deecion Summary Maximum number searched 20 Number found 14 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs Type Esimae Square ChiSq 59 Addiive < Shif < Shif Addiive Shif Shif Addiive Addiive Shif Shif Addiive Shif Addiive Addiive Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq >0.2500

72 52 Lampiran 14. Oupu ARIMA (0,1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia The ARIMA Procedure Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < Variance Esimae E8 Sd Error Esimae AIC SBC Number of Residuals 59 * AIC and SBC do no include log deerminan. Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Forecass for variable y Obs Forecas Sd Error 95% Confidence Limis The ARIMA Procedure Oulier Deecion Summary Maximum number searched 20 Number found 20 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs Type Esimae Square ChiSq 59 Addiive < Shif Shif <.0001

73 53 Lampiran 14. Oupu ARIMA (0,1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia (Lanjuan) 56 Addiive < Shif Shif Shif Addiive Shif Addiive Addiive Shif Addiive Addiive Shif Shif Addiive Addiive Shif Shif Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq > Lampiran 15. Oupu ARIMA ([11],1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia The ARIMA Procedure Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < AR1, Variance Esimae E8 Sd Error Esimae AIC SBC Number of Residuals 59 * AIC and SBC do no include log deerminan. Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions

74 54 Lampiran 15. Oupu ARIMA ([11],1,1) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia (Lanjuan) Forecass for variable y Obs Forecas Sd Error 95% Confidence Limis The ARIMA Procedure Oulier Deecion Summary Maximum number searched 20 Number found 20 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs Type Esimae Square ChiSq 59 Addiive < Addiive Shif Shif Shif Shif Addiive Shif Addiive Addiive Shif Shif Shif Addiive Addiive Addiive Shif Shif Addiive Addiive Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq >0.2500

75 55 Lampiran 16. Oupu ARIMA (0,1,[3]) Jumlah Kedaangan Wisaawan Mancanegara di Indonesia The ARIMA Procedure Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, Variance Esimae E9 Sd Error Esimae AIC SBC Number of Residuals 59 * AIC and SBC do no include log deerminan. Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq > Lampiran 17. Synax ARIMA (1,1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier daa A; inpu y; daalines; ;

76 56 Lampiran 17. Synax ARIMA (1,1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) daa A; se A; if _n_=59 hen AO59=1;else AO59=0; if _n_=56 hen AO56=1;else AO56=0; if _n_>=54 hen LS54=1;else LS54=0; if _n_>=42 hen LS42=1;else LS42=0; if _n_=7 hen AO7=1;else AO7=0; proc arima daa=a; idenify var=y(1) crosscorr=(ao59(1) AO56(1) LS54(1) LS42(1) AO7(1)); esimae p=(1) q=(0) inpu=(ao59 AO56 LS54 LS42 AO7) noconsan mehod=cls; forecas ou=ramalan lead=12; run; proc univariae daa=ramalan normal; var residual; run; Lampiran 18. Synax ARIMA ([2],1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier daa A; inpu y; daalines; ; daa A; se A; if _n_=59 hen AO59=1;else AO59=0; if _n_>=42 hen LS42=1;else LS42=0; if _n_>=54 hen LS54=1;else LS54=0; if _n_=56 hen AO56=1;else AO56=0; if _n_>=30 hen LS30=1;else LS30=0; if _n_>=6 hen LS6=1;else LS6=0; if _n_=47 hen AO47=1;else AO47=0;

77 57 Lampiran 18. Synax ARIMA ([2],1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier proc arima daa=a; idenify var=y(1) crosscorr=(ao59(1) LS42(1) LS54(1) AO56(1) LS30(1) LS6(1) AO47(1)); esimae p=(1,2) q=(0) inpu=(ao59 LS42 LS54 AO56 LS30 LS6 AO47) noconsan mehod=cls; forecas ou=ramalan lead=12; run; proc univariae daa=ramalan normal; var residual; run; Lampiran 19. Synax ARIMA (0,1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier daa A; inpu y; daalines; ; daa A; se A; if _n_=59 hen AO59=1;else AO59=0; if _n_>=42 hen LS42=1;else LS42=0; proc arima daa=a; idenify var=y(1) crosscorr=(ao59(1) LS42(1)); esimae p=(0) q=(1) inpu=(ao59 LS42) noconsan mehod=cls; forecas ou=ramalan lead=12; run; proc univariae daa=ramalan normal; var residual; run;

78 58 Lampiran 20. Synax ARIMA ([11],1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier daa A; inpu y; daalines; ; daa A; se A; if _n_=59 hen AO59=1;else AO59=0; if _n_=56 hen AO56=1;else AO56=0; if _n_>=54 hen LS54=1;else LS54=0; if _n_>=42 hen LS42=1;else LS42=0; if _n_>=31 hen LS31=1;else LS31=0; if _n_>=6 hen LS6=1;else LS6=0; if _n_=47 hen AO47=1;else AO47=0; if _n_>=49 hen LS49=1;else LS49=0; if _n_=7 hen AO7=1;else AO7=0; if _n_=50 hen AO50=1;else AO50=0; if _n_>=18 hen LS18=1;else LS18=0; if _n_>=14 hen LS14=1;else LS14=0; if _n_>=55 hen LS55=1;else LS55=0; if _n_=45 hen AO45=1;else AO45=0; proc arima daa=a; idenify var=y(1) crosscorr=(ao59(1) AO56(1) LS54(1) LS42(1) LS31(1) LS6(1) AO47(1) LS49(1) AO7(1) AO50(1) LS18(1) LS14(1) LS55(1) AO45(1)); esimae p=(11) q=(1) inpu=(ao59 AO56 LS54 LS42 LS31 LS6 AO47 LS49 AO7 AO50 LS18 LS14 LS55 AO45) noconsan mehod=cls; forecas ou=ramalan lead=12; run;

79 59 Lampiran 21. Synax ARIMA (0,1,[3]) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier daa A; inpu y; daalines; ; daa A; se A; if _n_=59 hen AO59=1;else AO59=0; if _n_=50 hen AO50=1;else AO50=0; if _n_=56 hen AO56=1;else AO56=0; if _n_=48 hen AO48=1;else AO48=0; if _n_>=54 hen LS54=1;else LS54=0; if _n_=34 hen AO34=1;else AO34=0; if _n_>=6 hen LS6=1;else LS6=0; if _n_>=42 hen LS42=1;else LS42=0; if _n_=24 hen AO24=1;else AO24=0; if _n_>=14 hen LS14=1;else LS14=0; if _n_>=47 hen LS47=1;else LS47=0; if _n_=43 hen AO43=1;else AO43=0; if _n_=7 hen AO7=1;else AO7=0; if _n_=11 hen AO11=1;else AO11=0; if _n_>19 hen LS19=1;else LS19=0; if _n_>=30 hen LS30=1;else LS30=0; if _n_=55 hen AO55=1;else AO55=0; proc arima daa=a; idenify var=y(1) crosscorr=(ao59(1) AO50(1) AO56(1) AO48(1) LS54(1) AO34(1) LS6(1) LS42(1) AO24(1) LS14(1) LS47(1) AO43(1) AO7(1) AO11(1) LS19(1) LS30(1) AO55(1)); esimae p=(0) q=(3) inpu=(ao59 AO50 AO56 AO48 LS54 AO34 LS6 LS42 AO24 LS14 LS47 AO43 AO7 AO11 LS19 LS30 AO 55) noconsan mehod=cls; forecas ou=ramalan lead=12; run; proc univariae daa=ramalan normal; var residual; run;

80 60 Lampiran 22. Oupu ARIMA (1,1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag Variable Shif AR1, < y 0 NUM < AO59 0 NUM < AO56 0 NUM LS54 0 NUM LS42 0 NUM AO7 0 Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq > Lampiran 23. Oupu ARIMA ([2],1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag Variable Shif AR1, < y 0 AR1, y 0 NUM < AO59 0 NUM < LS42 0 NUM < LS54 0 NUM AO56 0 NUM LS30 0 NUM LS6 0 NUM AO47 0

81 61 Lampiran 23. Oupu ARIMA ([2],1,0) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) Variance Esimae E8 Sd Error Esimae AIC SBC Number of Residuals 59 * AIC and SBC do no include log deerminan. Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq > Lampiran 24. Oupu ARIMA (0,1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag Variable Shif MA1, < y 0 NUM < AO59 0 NUM LS42 0 Variance Esimae E8 Sd Error Esimae AIC SBC Number of Residuals 59 * AIC and SBC do no include log deerminan. Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions

82 62 Lampiran 24. Oupu ARIMA (0,1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq Lampiran 25. Oupu ARIMA ([11],1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag Variable Shif MA1, < y 0 AR1, y 0 NUM < AO59 0 NUM < AO56 0 NUM LS54 0 NUM < LS42 0 NUM < LS31 0 NUM < LS6 0 NUM AO47 0 NUM < LS49 0 NUM AO7 0 NUM AO50 0 NUM < LS18 0 NUM LS14 0 NUM LS55 0 NUM AO45 0Variance Esimae E8 The ARIMA Procedure Variance Esimae E8 Sd Error Esimae AIC SBC Number of Residuals 59 Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions

83 63 Lampiran 25. Oupu ARIMA ([11],1,1) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier (Lanjuan) Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq > Lampiran 26. Oupu ARIMA (0,1,3) pada Jumlah Kedaangan Wisaawan Mancanegara di Indonesia Deeksi Oulier Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag Variable Shif MA1, y 0 NUM < AO59 0 NUM < AO50 0 NUM < AO56 0 NUM < AO48 0 NUM < LS54 0 NUM < AO34 0 NUM LS6 0 NUM LS42 0 NUM AO24 0 NUM LS14 0 NUM LS47 0 NUM AO43 0 NUM AO7 0 NUM AO11 0 NUM LS19 0 NUM LS30 0 NUM AO55 0 Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq

84 64 Halaman ini sengaja dikosongkan

85 65 65

86 66 66 Halaman ini sengaja dikosongkan

87 67 DAFTAR PUSTAKA Baliprov. (2010). Bali dan Pariwisaa. Rerieved from Pemerinah Provinsi Bali: Pariwisaa Bowerman, B. L., & O'Connel, R. T. (1993). Forecasing and Time Series : an Applied Approach, 2nd Ediion. California: Duxbury Press. BPS. (2010). Diambil kembali dari bps.go.id BPS. (2016). Saisik Kunjungan Wisaawan Mancanegara Jakara: CV Marshadio Inan Prima. Cyber, J. D., & Chan, K. (2008). Time Series Analysis wih Apllicaions in R, 2nd Ediion. New York: Springer. Daniel, W. W. (1989). Saisika Non Paramerik Terapan. Jakara: PT Gramedia Pusaka. Gujarai, D. (2004). Basic Economerics 4h Ediion. New York: Mc Graw Hill. Invesmen, I. (2016). Budaya Indonesia. Diambil kembali dari hp:// Kemenpar. (2011, Juni 14). Dampak Even Pariwisaa. Rerieved from hp:// Kemenpar. (2016, Nopember 3). Kunjungan Wisman Periode Januari - Sepember. Rerieved from hp:// Praama, A. O. (2016). Pemodelan Kunjungan Wisaawan Mancanegara Ke Jawa Timur Berdasarkan Wilayah Negara Asal Melalui Bandar Udara Juanda dengan Meode ARIMA Box-Jenkins dan Regresi Time Series. Surabaya: Jurusan Saisika FMIPA ITS. Rahmi, I. (2012). Peramalan Jumlah Wisaawan Mancanegara yang Masuk Melalui Punu Kedaangan Bandara Soekarno Haa dan Bandara Juanda. Surabaya: Jurusan Saisika Insiur Teknologi Sepuluh Nopember. 67

88 68 Walpole, R. (2012). Penganar Meode Saisika. Alih Bahasa : Ir Bambang. Jakara: Gramedia Pusaka Uama. Wei, W. (2006). Time Series Analysis, Addison Wesley. Redwood Ciy: CA.

89 69 BIODATA PENULIS Penulis bernama lengkap Raih Yulika Endaryana lahir di Ponorogo, 20 Juli 1995 sebagai adik dari Joko Praseya dan Rananing Firoh Endaryana dari pasangan Suyono dan Endang Sridayai. Penulis berempa inggal di Dsn. Tunjungan Kulon, Desa Paik, Kec. Pulung, Kab. Ponorogo. Menempuh pendidikan formal di TK Kemala Bhayangkari 61 Pulung, SDN 2 Pulung, SMP Negeri 1 Ponorogo, dan SMA Negeri 1 Ponorogo. Seelah lulus SMA penulis mengikui seleksi penerimaan mahasiswa baru dan dierima di Jurusan Diploma III Saisika FMIPA ITS aau kini disebu sebagai Deparemen Saisika Bisnis, Fakulas Vokasi ITS dengan NRP Selama perkuliahan penulis akif dalam berbagai organisasi anara lain sebagai anggoa dari UKM UKTK pada semeser 1 dan semeser 2, sebagai Saff Deparemen Dalam Negeri HIMADATA-ITS periode 2015/2016, dan sebagai Sekrearis Deparemen Dalam Negeri HIMADATA-ITS periode 2016/2017. Penulis mendapa kesempaan Kerja Prakek di bidang Medical PT. Peramina (Persero) MOR V Surabaya pada akhir semeser 4. Apabila pembaca memiliki kriik dan saran aau ingin berdiskusi lebih lanju mengenai ugas akhir ini, penulis dapa dihubungi melalui raihendaryana@gmail.com. 69