IV. HASIL DAN PEMBAHASAN 4.1 Gambaran Umum Bandar Udara Soekarno-Hatta

dokumen-dokumen yang mirip
III. METODE PENELITIAN

PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER

4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :

BAB 2 LANDASAN TEORI

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA

BAB IV ANALISIS DAN PEMBAHASAN

BAB 2 LANDASAN TEORI

PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

BAB II LANDASAN TEORI

Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER

HALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) I. PENDAHULUAN II. METODOLOGI

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang

Bab IV. Pembahasan dan Hasil Penelitian

1. Latar Belakang. Gambar 1 Plot Produksi Tembakau Indonesia. Gambar 2 Plot Harga Tembakau Indonesia

Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung

Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman

Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman.

BAB 2 LANDASAN TEORI

PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim

BAB 2 LANDASAN TEORI Pengertian Data Deret Berkala

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus

III. METODE PENELITIAN

BAB 2 LANDASAN TEORI

BAB III METODE PENELITIAN

AKURANSI ARIMA DALAM PERAMALAN INFLASI KOTA BANDUNG

Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS

BAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara

PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS

Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA

Prediksi Wisatawan Mancanegara Ke Jawa Barat Melalui Pintu Masuk Bandara Husein Sastranegara dan Pelabuhan Muarajati Menggunakan Metode SARIMA

ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA

METODE MOVING AVERAGE DAN METODE WINTER DALAM PERAMALAN ABSTRACT

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI

BAB III METODOLOGI PENELITIAN

Penerapan Model ARIMA

Metode Deret Berkala Box Jenkins

Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan

model Seasonal ARIMA

Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins

Diagnostik Model. Uji Ljung-Box-Pierce (modified Box-Pierce)

Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan

BAB II LANDASAN TEORI. merupakan kumpulan dari komponen-komponen yang salling berkaitan untuk

BAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

iii Universitas Sumatera Utara

BAB 2 LANDASAN TEORI

PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api

PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010

HASIL DAN PEMBAHASAN Eksplorasi Data Suhu Udara Rata-rata

BAB I PENDAHULUAN. Peramalan merupakan suatu kegiatan memprediksi nilai dari suatu

PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK

EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN

Metode Box - Jenkins (ARIMA)

PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA

BAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran.

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

PEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON

BAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT

Cetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura

Pengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012

LAMPIRAN. Langkah-Langkah Penggunaan Program Minitab: nama kolom tepat diantara C1 dan angka penjualan pertama Jakarta Muscat

PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH

PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.

PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO

PEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS

Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER

Artikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs.

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

VERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE

Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input

PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA

Oleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si

Revitalisasi adalah suatu proses atau cara dan perbuatan untuk menghidupkan kembali suatu hal yang sebelumnya terberdaya sehingga revitalisasi berarti

PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI

Penerapan Model ARIMA

IMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER

BAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan

PERKEMBANGAN PARIWISATA DAN TRANSPORTASI NASIONAL BULAN MEI 2004

Peramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika. Baristand Industri Surabaya)

MODEL FORECASTING WISATAWAN MANCANEGARA KE PROVINSI RIAU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR. Oleh : SALAM ALI WIRADINATA S

IV. HASIL DAN PEMBAHASAN

IV. METODE PENELITIAN

PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria)

PROSPEK PERDAGANGAN KOPI ROBUSTA INDONESIA DI PASAR INTERNASIONAL. (Indonesian Robusta Coffee Trade Prospects In The International Markets)

PERKEMBANGAN PARIWISATA DAN TRANSPORTASI NASIONAL NOVEMBER 2009

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...

OUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran

Transkripsi:

26 IV. HASIL DAN PEMBAHASAN 4.1 Gambaran Umum Bandar Udara Soekarno-Hatta Bandar Udara Internasional Soekarno-Hatta (IATA: CGK, ICAO: WIII) merupakan sebuah bandar udara utama di Indonesia yang terletak di ibukota negara Indonesia yaitu Jakarta. Bandar udara ini diberi nama seperti nama Presiden Indonesia pertama, Soekarno dan Wakil Presiden pertama, Muhammad Hatta. Bandar udara ini sering disebut Cengkareng, dan menjadi kode IATA-nya, CGK. Letaknya sekitar 20 km barat Jakarta, di Kota Tangerang, Banten. Operasinya dimulai pada 1985, Soekarno-Hatta memiliki luas 18 km² memiliki dua (2) landasan paralel yang dipisahkan oleh dua taxiway sepanjang 2.400 m. Terdapat dua (2) bangunan terminal utama,yaitu Terminal 1 untuk semua penerbangan domestik kecuali penerbangan yang dioperasikan oleh Garuda Indonesia dan Merpati Nusantara Airlines, Terminal 2 melayani semua penerbangan internasional juga domestik oleh Garuda dan Merpati. Setiap bangunan terminal dibagi menjadi tiga (3) concourse. Terminal 1A, 1B dan 1C digunakan (kebanyakan) penerbangan domestik oleh maskapai lokal. Terminal 1A melayani penerbangan oleh Lion Air dan Wings Air. Terminal 1B melayani penerbangan oleh Kartika Airlines dan Sriwijaya Air. Sedangkan terminal 1C melayani penerbangan oleh Airfast Indonesia, Batavia Air, dan Citilink. Terminal 2D dan 2E digunakan untuk melayani semua penerbangan internasional maskapai luar negeri. Terminal 2D untuk semua maskapai luar yang dilayani oleh PT Jasa Angkasa Semesta, salah satu kru darat bandara. Terminal 2E untuk maskapai internasional yang dilayani oleh Garuda, termasuk semua penerbangan internasional Garuda dan Merpati. Terminal 2F untuk penerbangan domestik Garuda Indonesia dan Merpati Nusantara Airlines. Terminal 3 selesai dibangun pada tanggal 15 April 2009 nantinya digunakan oleh Maskapai penerbangan berbiaya murah dan direncanakan dapat didarati pesawat model Airbus A380. Bandar udara ini dirancang oleh arsitek Perancis Paul Andreu, yang juga merancang bandar udara Charles de Gaulle di Paris. Salah satu karakteristik besar bandara ini adalah gaya arsitektur lokalnya, dan kebun tropis di antara lounge tempat tunggu.

27 4.2 Gambaran Umum Bandar Udara Ngurah Rai PT (Persero) Angkasa Pura I adalah Badan Usaha Milik Negara yang bergerak dibidang Pengelolaan Jasa Kebandarudaraan. PT (Persero) Angkasa Pura I mengelola 13 Bandar Udara yang tersebar di kawasan Tengah dan Timur Indonesia. Dan Bandara Ngurah Rai merupakan Bandara terbesar yang dikelola oleh PT (Persero) Angkasa Pura I. Sebagai satu-satunya Bandar Udara di Pulau Bali, menjadikan Bandara Ngurah Rai sebagai Pintu Gerbang utama menuju Wilayah Tengah dan Timur Indonesia. Dengan luas 295,6 Ha, Bandara Ngurah Rai menyediakan fasilitas penunjang yang dapat membantu aktivitas penerbangan dan melayani kebutuhan penumpang pesawat. Saat ini Bandara Ngurah Rai mampu melayani ±10 juta penumpang per tahun dengan rataan pergerakan 5.000 pesawat per bulan. PT (Persero) Angkasa Pura I menyelenggarakan pengelolaan (pengusahaan, pengembangan, dan pemanfaatan) bandar udara dan sekitarnya secara baik dan inovatif, sehingga tercapai pemanfaatan optimal dan memperoleh hasil yang dapat digunakan untuk menumbuhkembangkan perusahaan yang akhirnya memberi konstribusi berupa keuntungan bagi Negara dan Pembangunan Nasional. Visi dan Misi dari Bandar udara internasional Ngurah Rai adalah VISI Menjadi perusahaan pelayanan jasa navigasi penerbangan dan pengelola Bandar Udara kelas dunia yang memberikan nilai tambah kepada stakeholder MISI 1. Memberikan keselamatan, keamanan, kenyamanan dan pengalaman yang menyenangkan melalui jasa kebandarudaraan dan navigasi penerbangan. 2. Mendukung peningkatan perekonomian untuk kesejahteraan masyarakat Jumlah kedatangan turis mancanegara selalu menjadi hal menarik untuk diamati dan dianalisis, karena hal ini dapat membuktikan langsung, apakah program pariwisata yang dilakukan pemerintah sudah cukup menarik dan membawanya untuk mengunjungi Indonesia. Diantara kedua pintu gerbang utama yang digunakan dalam analisis peramalan ini diuji hubungan dan tingkat saling mempengaruhi diantara kedua pintu gerbang tersebut. Sehingga dengan dihasilkan model maka dapat

28 digunakan untuk menentukan hubungan dan perbandingan jumlah kedatangan turis mancanegara diantara kedua pintu gerbang utama tersebut. 4.3 Uji Korelasi Kunjungan Turis Mancanegara di Bandar udara Soekarno-Hatta dan Bandar Udara Ngurah Rai Korelasi adalah salah satu teknik statistik yang digunakan untuk mencari hubungan antara dua (2) peubah atau lebih yang sifatnya kuantitatif. Pada penelitian kali ini uji korelasi dilakukan ada kedua Bandar Udara yang digunakan sebagai studi kasus. Analisis pola data diterapkan terlebih dahulu sebelum memasuki uji keeratan hubungan diantara dua (2) Bandar udara tersebut. 4.3.1 Analisis Pola Data Bandar Udara Soekarno-Hatta Kedatangan turis mancanegara ke Indonesia sudah banyak dilakukan bahkan di dekade-dekade sebelumnya. Tetapi dalam hal ini dilakukan plot data dari tahun 1997-2011. (Gambar 3). Jumlah wisatawan mancanegara cenderung mengalami kenaikan dari tahun ke tahun, meskipun sempat mengalami resesi kedatangan turis mancanegara di awal tahun 2000 an. Berdasarkan gambar trend peningkatan jumlah wisatawan mancanegara yang datang ke Indonesia mengalami kenaikan tetapi fluktuatif dalam jumlah kenaikkannya. Fluktuatif dalam jumlah kenaikan maksudnya setiap tahun ke tahun jumlah wisatawan mancanegara mengalami kenaikan maupun penurunan, tetapi secara umum jumlah kedatangan wisatawan mancanegara selalu menigkat. Peningkatan kedatangan turis mulai meningkat di tahun 2008, dimana pada tahun itu pemerintah mengeluarkan kebijakan Visit Indonesia, yang bertujuan untuk mempromosikan negara Indonesia dan meningkatkan jumlah wisatawan yang datang.

29 2,500,000 2,000,000 1,500,000 1,000,000 500,000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Series1 Ket: series 1: 1997 ; 2:1998 ;. 15: 2011 Gambar 3 Pola data kedatangan turis Mancanegara di Soekarno-Hatta sejak tahun 1997-2011 Pada bulan Juni 1997 sampai Januari 1998 terjadi banyak gejolak di negara Indonesia, hal ini tentu saja memengaruhi jumlah wisatawan yang datang mengunjungi Indonesia. Penurunan junlah wisatawan ke Indonesia disebabkan oleh keadaan negara yang dianggap tidak aman, dan kondisi perekonomian, sosial dan politik yang dinilai tidak stabil, sehingga menurunkan minat para wisatawan mancanegara untuk mengunjungi Indonesia. Keadaan pada tahun ini dianggap sebagai mendug dalam dunia pariwisata Indonesia. Namun seiring berjalannya waktu pada tahun 2000 suhu politik di Indonesia semakin stabil dan pergerakan arus wisatawan mancanegara mulai beranjak naik, namun pada tahun 2001 tragedi World Trade Centre (WTC) kembali menurunkan jumlah wisatawan mancanegara yang berkunjung. Pada tahun 2004-2010 sektor pariwisata menjadi penghela perekonomian Indonesia, karena sektor pertanian hanya menyumbangkan sedikit pemasukan ke devisa negara. Tahun 2011 kementrian parwisata dan industri kreaatif mengusung tema Wonderful Indonesia dalam sektor pariwisata Indonesia. Tema pariwisata 2011 "Eco, Culture, and Meeting, Incentive, Convention, Exhibition (MICE)" merupakan bentuk kepedulian pariwisata Indonesia terhadap lingkungan. Sementara itu kebudayaan

30 (culture) menjadi harta dan kekuatan Indonesia yang memiliki kekayaan seni budaya beraneka ragam dari Sabang hingga Merauke. Sementara MICE (meeting, incentive, convention, dan exhibition) adalah dalam rangka tahun 2011 Indonesia menjadi tuan rumah KTT ASEAN, sehingga akan banyak kegiatan pertemuan dan konvensi (MICE) diadakan di Indonesia. Tahun 2011 disiapkan 600 event MICE yang akan diselenggarakan di berbagai daerah di tanah air. Tingginya kegiatan MICE meningkatkan kunjungan wisman ke Indonesia tahun 2011. 4.3.2 Analisis Pola Data Bandar Udara Ngurah Rai Jumlah kedatangan turis mancanegara ke Indonesia terhitung paling banyak di Bali. Bali merupakan daya tarik utama sektor pariwisata di Indonesia. Jumlah kedatangan turis mancanegara ke Bali selalu lebih tinggi dibandingkan kota-kota lainnya (Gambar 4). 3,000,000 2,500,000 2,000,000 1,500,000 1,000,000 500,000 0 Series1 Gambar 4 Jumlah kedatangan turis mancanegara di Ngurah Rai bali tahun 1997-2011 Kedatangan turis mancanegara di Bali juga fluktuatif. Meskipun pada umumnya kedatangan turis mancanegara tetap meningkat dari tahun ke tahun. Kedatangan turis mancanegara di Bali mengalami penurunan maksimal pada tahun 2003. Hal ini disebabkan oleh adanya peristiwa terorisme di Legian pada tahun 2002 yang menewaskan banyak wisatawan. Tentunya peristiwa tersebut menimbulkan trauma tersendiri terutama bagi

31 para wisatawan asing untuk mengunjungi Indonesia. Sehingga jumlah wisatawan yang berkunjung pun mengalami penurunan drastis. Setelah tahun terjadinya terorisme di Bali, pemerintah banyak melakukan upaya-upaya yang menjamin keamanan Indonesia. Sedikit demi sedikit jumlah wisatawan yang mengunjungi Bali semakin banyak dan meningkat terus hingga pada tahun 2011 mencapai jumlah kunjungan wisatawan terbanyak dibanding tahun-tahun sebelumnya. 4.3.3 Hubungan Kedatangan Turis Mancanegara di Bandar udara Soekarno- Hatta dan Ngurah Rai Jumlah kedatangan turis mancanegara di Bandar udara Soekarn Hatta dan Ngurah Rai merupakan acuan bagi pemerintah untuk membuat kebijakan mengenai perkembangan bisnis pariwisata dan membuat keputusan yang bertujuan untuk mengembangkan jumlah wisatawan mancanegara ke depannya. Jumlah kedatangan turis mancanegara di kedua Bandar udara internasional ini dinilai mampu untuk menjadi indicator bagi fluktuasi kedataangan turis mancanegara ke Indonesia. Mengacu pada tabel hasil olahan data menggunakan perangkat lunak SPSS 16.0 terlihat bahwa kedatangan turis mancanegara di soekarnohatta memiliki hubungan yang signifikan di taraf nyata 0.01 dan memiliki hubungan positif satu sama lain sebesar 0,605. Hal ini berarti bahwa semakin tinggi jumlah kedatangan turis mancanegara di Bandar udara Soekarno-Hatta maka akan semakin tinggi pula kedatangan turis mancanegara di Bali. Kedatangan turis mancanegara bukan hanya bergantung pada bagaimana kedatangan turis mancanegara di Soekarno-Hatta dan Bandar udara Ngurah Rai tetapi juga saling mempengaruhi. Hal seperti ini dikaitkan apabila keadaan politik tidak aman di Jakarta ataupun peristiwa terrorisme di Bali menyebabkan bukan hanya kedatangan di Jakarta atau Bali saja yang akan mengalami penurunan. Dengan kata lain kedua Bandar udara tersebut secara otomatis akan mengalami penurunan, sehingga sangat baik untuk melakukan upaya menjaga kestabilan negara baik dalam bidang politik, sosial, keuangan, maupun keamanan negara.

32 Tabel 3. Hasil analisis korelasi kedatangan turis mancanegara di kedua Bandar Udara SH NR SH Pearson Correlation 1.605 ** Sig. (2-tailed).000 N 49 49 NR Pearson Correlation.605 ** 1 Sig. (2-tailed).000 N 49 49 **. Correlation is significant at the 0.01 level (2-tailed). 4.4 Metode Peramalan Time Series ARIMA pada Bandar Udara Soekarno- Hatta Bandar udara Soekarno-Hatta adalah Bandar udara internasional yang terletak di Jakarta. Bandar Udara Soekarno-hatta merupakan pintu masuk utama bagi para turis mancanegara datang ke Indonesia, karena terletak di ibukota negara, Indonesia yaitu Jakarta. Penerapan dan analisis model yang tepat untuk mendapatkan model ARIMA terbaik yang akan digunakan untuk meramalkan kedatangan turis mancanegara ke depannya, harus melalui beberapa tahap tersendiri. Yaitu : 4.4.1 Uji Stasioneritas Data Penemuan model ARIMA yang terbaik untuk dilakukan dalam peramalan diproses melalui berbagai tahap. Tahap yang pertama dilakukan sebelum melangkah ke tahap selanjutnya adalah uji stasioneritas data. Data yang stasioner adalah data yang bersifat flat, tidak mengandung komponen trend, dengan keragaman yang konstan, serta tidak terdapat fluktuasi periodik. Data yang digunakan dalam membangun model ARIMA haruslah data stasioner, sehingga apabila data yang diperoleh tidak menunjukkan kestasioneran maka dilakukan proses pembedaan (differencing) agar data menjadi stasioner dan dapat digunakan untuk ke tahap selanjutnya. Data masa lalu yang diperoleh untuk kedatangan turis mancanegara di Bandar udara Soekarno-Hatta ternyata pola data di Soekarno-Hatta masih belum stasioner. (Lampiran 2). Ketidakstasionerannya dibuktikan oleh adanya unsur trend dalam data tersebut, yang dimaksud unsur trend dalam data adalah

33 data memiliki pola yang berulang dalam waktu tertentu dan masih menyebar jauh dari nilai tengah data tersebut. Pola lonjakan kunjungan turis ke Indonesia umumnya meningkat di sekitar bulan Juli dan Desember. Dari masing-masing data kedatangan turis mancanegara di tiap pintu gerbang Bandar udara di Indonesia memiliki jumlah kunjungan turis tertinggi di bulan tersebut. Hal ini sepertinya disebabkan kedua bulan tersebut merupakan musim liburan, sehingga memungkinkan para wisatawan untuk melakukan kunjungan ke Indonesia. Kedatangan turis mancanegara di Bandar udara Soekarno-Hatta belum stasioner oleh karena itu perlu dilakukan suatu proses differencing untuk menghasilkan data yang stasioner agar data dapat diolah dengan menggunakan metode ARIMA.Kestasioneran data dapat diihat melalui dua (2) sisi, yaitu stasioner secara mean (nilai tengah) dan stasioner dengan menghilangkan unsur trend didalamnya. Banyaknya proses pembedaan yang dilakukan dalam mencapai kestasioneran data nantinya akan menjadi ordo d (differencing) dalam model ARIMA yang akan digunakan. Hasil differencing ke dalam data kedatangan turis mancanegara di Bandar udara Soekarno Hatta disajikan pada Gambar 5.

34 Gambar 5. Plot data kedatangan turis mancanegara setelah proses differencing satu (1) kali Hasil gambar yang didapat setelah data didifferencing satu (1) kali dengan software Minitab 14 memperlihatkan data menyebar di sekitar nilai tengah. Data yang menyebar di sekitar mean menjadikan data kedatangan turis mancanegara di Soekarno-Hatta telah stasioner sehingga dapat melalui proses selanjutnya. 4.4.2 Identifikasi Model Tentatif (Estimasi) Tahapan yang selanjutnya dilakukan dalam menemukan model ARIMA terbaik adalah mengidentifikasi model tentatif. Identifikasi model tentatif adalah tahap untuk menentukan ordo (P,D,Q), yaitu P : merupakan orde autoregrresive D : merupakan jumlah differencing data setelah stasioner Q : merupakan orde moving average. Penentuan ordo P,D,Q dalam tahap ini ditentukan berdasarkan ciri-ciri yang ditunjukkan oleh data. Pada tahap ini kesalahan penentuan ordo bukan merupakan masalah besar, karena kesalahan penetuan ordo dapat ditanggulangi ditahap selanjutnya yaitu tahap pemeriksaan diagnosa. Pegidentifikasian orde yang dilakukan dengan bantuan ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function). Hasil dari uji stasioneritas data pada tahap sebelumnya

35 menunjukkan data perlu dilakukan pembedaan sebanyak satu (1) kali agar stasioner. Hal ini menunjukkan bahwa ordo d=1. Grafik ACF digunakan untuk menemukan ordo AR. Grafik ACF yang digunakan untuk mengidentifikasi ordo AR adalah grafik ACF yang telah dilakukan pembeda sebanyak satu (1) kali (Lampiran 3). Penentuan model tentatif dapat dilakukan dengan cara membaca pola yang terdapat dalam grafik ACF dan PACF. Grafik ACF dan PACF memiliki 2 pola, yaitu pola cut off dan pola dies down. Pola cut off adalah pola ketika garis ACF dan PACF nyata pada lag pertama atau kedua tetapi kemudian tidak ada garis ACF dan PACF yang nyata pada lag berikutnya. Sedangkan pola dies down adalah jika kedua fungsi tersebut tidak terpotong, melainkan menurun secara bertahap. Bentuk penurunannya tanpa ataupun dengan bentuk gelombang sinus. Gambar grafik ACF seperti yang terdapat dalam Lampiran 3 menunjukkan bahwa grafik menujukkan pola dies down yang mengisyaratkan bahwa terdapat model AR dalam data tersebut. Hal ini terlihat dari data dari lag pertama secara bertahap menuju 0 di lag ketiga. Fungsi ACF dari data kedatangan turis mancanegara setelah di differencing menunjukkan bahwa fungsi tersebut tidak terpotong melainkan menuju nol (0) secara bertahap dan berbentuk seperti gelombang sinus. Karena berdasarkan hasil identifikasi grafik ACF bahwa data mengandung model AR, maka untuk identifikasi model sementara ordo p = 1. Pola ACF yang berfungsi sebagai parameter nilai MA untuk mode ARIMA seperti yang terdapat dalam Gambar 6. Menunjukkan bahwa PACF setelah proses differencing terlihat dengan cepat menuju 0 pada lag ketiga dan membentuk grafik serupa gelombang sinus. Hal ini menguatkan terdapat MA (1) dalam data.

36 PACF Soekarno-Hatta setelah melalui proses differencing 1.0 0.8 Partial Autocorrelation 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8-1.0 1 2 3 4 5 6 Lag 7 8 9 10 11 12 Gambar 6 PACF Soekarno-Hatta setelah melewati proses differencing pertama Penentuan parameter dalam ARIMA sedikit banyak ditentukan dengan menggunakan menggunakan metode trial and error. Hal ini yang menjadikan beberapa kalangan mengatakan bahwa ARIMA merupakan suatu seni. Menyikapi data yang mengandung unsur trend maka digunakan metode seasonal ARIMA untuk meramalnya. Berdasarkan unsur yang terdapat didalam data dan pengidentifikasian model tentatif dengan bantuan grafik ACF dan PACF maka ditemukan model tentatif yang akan digunakan dalam penelitian kali ini, yaitu : ARIMA (1,1,1)(1,1,1) 12 Model tentatif yang telah didapatkan dari identifikasi awal berdasarkan pola ACF dan PACF kemudian diposes mengggunakan bantuan software sehingga menghasilkan tampilan seperti dalam Lampiran 4. Berdasarkan hasil olahan yang didapatkan menunjukkan bahwa pemeriksaan kelayakan model ARIMA (1,1,1)(1,1,1) 12 menunjukkan bahwa kriteria stasioneritas, invertibilitas, dan p value telah terpenuhi. Dapat dilihat pada lampiran 4 model berhasil dibentuk setelah mengalami 21 kali iterasi. Olahan yang didapat menunjukkan

37 kalimat Unable to reduce sum square any further, hal ini berarti pengujian data setelah melewati 21 kali iterasi dan tidak menunjukkan data menjadi konvergen. Nilai parameter AR menunjukkan bahwa koefisiennya memiliki nilai 0.2691 dan nilainya lebih kecil dari 1. Hal ini berarti bahwa kondisi stasioneritas sudah terpenuhi. Sedangkan nilai parameter MA 0.9659 yang berarti memiliki nilai <1 hal ini berarti memenuhi kondisi invertibilitas dalam data. Penjumlahan secara absolute antara koefisien parameter AR dan MA regular dan seasonal dilakukan secara terpisah. Nilai p value dari parameter baik AR maupun MA menunjukkan nilai 0.187 dan 0.00. hal ini berarti bahwa nilai parameter AR dalam model tersebut masih belum signifikan karena masih lebih besar dari 0.05. nilai Ljung Box Statistics (LJBQ) dalam bentuk p-value yang diamati pada lag ke 12 dan 24 adalah 0.096 dan 0.128 ternyata semuanya lebih besar dari 0,05. Hal ini berarti galat pada model ini telah menunjukkan pola acak. Untuk mengecek parameter kelayakan suatu model yang lain masih perlu dibandingkan nilai MSE dari model tersebut dan kesederhanaan dari model. Selain itu untuk mengecek apakah masih ada model yang memiliki kriteria lebih sesuai untuk melakukan peramalan kedatangan turis mancanegara di bandara, perlu dilakukan perbandingan dengan beberapa model alternatifnya. 4.4.3 Pemeriksaan Diagnostik Dari hasil identifikasi model tentatif didapatkan model ARIMA (1,1,1) (1,1,1) 12, tetapi setelah diolah dengan menggunakan software Minitab terlihat bahwa model masih error dan belum memenuhi kriteria untuk melakukan peramalan. Pemeriksaan diagnostik model dengan mencari model alternatif yang lebih sederhana dari model tentatif ARIMA (1,1,1) (1,1,1) 12 sesuai dengan prinsip parsimonitas (kesederhanaan) dari suatu model. Model yang dipilih untuk verifikasi model sementara adalah ARIMA (0,1,1) (0,1,1) 12, model ARIMA (0,1,1) (1,1,1) 12, dan ARIMA (1,1,1)(0,1,1) 12.

38 Hasil perhitungan dengan menggunakan software Minitab untuk setiap model seperti yang terdapat dalam Lampiran 4, Lampiran 5, dan Lampiran 6,. Hasil perhitungan model ARIMA seperti pada ARIMA (0,1,1)(0,1,1) 12 menunjukkan bahwa model tersebut sudah memenuhi kriteria konvergenitas yang terlihat dari output hasil olahan Minitab yang menyatakan relative change in each estimate less than 0.0010, yang berarti data berhasil menjadi konvergen setelah melewati proses iterasi sebanyak 18 kali. Nilai dari setiap parameter baik MA dan SMA adalah 0,001 dan 0,003 dimana kedua nilai parameter tersebut kurang dari 0,005. maka dapat ditarik sebuah pernyataan bahwa model ARIMA tersebut signifikan dan dapat digunakan untuk peramalan kedatangan turis mancanegara di Soekarno-Hatta. Meskipun model sudah dapat dilakukan peramalan, namun tetap perlu dilakukan pencocokan dengan model aternatif lain agar menemukan model terbaik. Model ARIMA (0,1,1)(1,1,1) 12 seperti yang terdapat dalam Lampiran 6 menunjukkan bahwa data yang didapat dengan menggunakan model ini tidak konvergen karena sampai iterasi ke 24 data sudah tidak dapat diiterasi lebih lanjut. P-value untuk nilai masing-masing parameter SAR, MA, SMA 0,000, 0,000, dan 0,002. Hal ini berarti bahwa masing-masing parameter sudah nyata karena semua bernilai lebih kecil dari 0,005. Model ARIMA (1,1,1)(0,1,1) 12 seperti yang terdapat dalam Lampiran 7 menyatakan bahwa nilai parameter AR dan SMA belum nyata karena memiliki nilai lebih besar dari 0.005 yaitu 0.101 dan 0.006.

39 Tabel 4 Ringkasan untuk pemenuhan kriteria masing masing model ARIMA Kriteria Kelayakan Model ARIMA tentatif Model ARIMA alternatif (1,1,1,) (1,1,1) 12 (0,1,1) (0,1,1) 12 (0,1,1)(1,1,1) 12 (1,1,1)(0,1,10 12 Konvergenitas X X X Stasioneritas Inversibilitas p-value LJBQ Terbaik Pemiihan model ARIMA yang akan digunakan selain memenuhi kriteria parameter sesuai dengan yang diterapkan perlu juga dilakukan pengujian white noise, untuk menguji whitenoise digunakan data Ljung Box. Dalam uji white noise yang digunakan menjadi simbol pengukuran adalah nilai p value dimasing-masing lag harus lebih besar daripada α > (0.05) Nilai Ljung Box untuk model ARIMA terpilih ARIMA (0,1,1)(0,1,1) 12 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 4.5 19.7 * * DF 9 21 * * P-Value 0.879 0.543 * * Dari hasil perhitungan didapatkan hasil bahwa nilai p value untuk masing-masing lag adalah 0.879 dan 0.543 karena α > (0.05) dapat disimpulkan bahwa data kedatangan turis mancanegara di Bandar udara Soekarno-Hatta yang telah differencing satu (1) kali telah white noise jika menggunakan model ARIMA (0,1,1) (0,1,1) 12 4.4.4 Melakukan Peramalan Model ARIMA yang didapat apabila telah signifikan dan memenuhi asumsi serta persyaratan yang dibutuhkan maka model dapat digunakan untuk

40 peramalan sesuai dengan kecocokan data yang digunakan. Model yang paling sesuai untuk data kedatangan turis mancanegara di pintu gerbang Bandar Udara Soekarno-Hatta adalah ARIMA (0,1,1)(0,1,1) 12. Untuk hasil peramalan kedatangan turis mancanegara di pintu gerbang Bandar Udara Soekarno-Hatta selama 15 bulan ke depan diamati pada Tabel 5. Hasil Peramalan di Bandar Udara Soekarno-Hatta no Period Forecast Lower Upper Feb 12 50 161654 127521 195787 Mar 12 51 194812 157052 237373 Apr 12 52 182121 141053 237751 Mei 12 53 193244 149116 269876 Jun 12 54 190760 143770 238952 Jul 12 55 220188 170500 229348 Ags 12 56 186705 134459 253526 Sep 12 57 174663 119978 255131 Okt 12 58 196506 139487 259655 Nov 12 59 195870 136608 247814 Des 12 60 198233 136810 259858 Jan 13 61 184304 120794 296712 Feb 13 62 190985 122112 287584 Mar 13 63 224674 152637 223189 Apr 13 64 212516 137448 Peramalan kedatangan turis mancanegara dilakukan untuk melihat kemungkinan terbesar kunjungan wisatawan mancanegara di masa mendatang. Peramalan kedatangan turis mancanegara dilakukan sampai 15 bulan ke depan dengan data historis kedatangan turis mancanegara di bulan Januari 2008 sampai bulan Januari 2012. Asumsi peramalan dengan model ARIMA (0,1,1)(0,1,1) 12 adalah model dengan kriteria yang paling memenuhi untuk meramalkan kedatangan turis mancanegara di Bandar udara Soekarno-Hatta. Dapat dilihat dari tabel bahwa ramalan kedatangan turis mancanegara di Indonesia memiliki trend

41 meningkat dari bulan ke bulan dan memiliki kecenderungan nilai tertinggi jumlah pengunjungnya di bulan Juli dan Desember. 4.5 Metode Peramalan Time Series ARIMA pada Bandar udara Ngurah Rai 4.5.1 Uji Stasioneritas Data Bandar udara Ngurah Rai adalah salah satu bandar udara internasional di Indonesia. Kendati pintu utama turis mancanegara masuk ke Indonesia adalah Bandar udara Soekarno-Hatta namun kedatangan turis mancanegara ke Indonesia lebih tinggi di pintu Bandar udara internasional Ngurah Rai. Hal ini lebih dikarenakan Bali lebih terkenal di mata dunia. Pesona alam bali sudah terkenal di mancanegara sehingga menarik minat wisatawan mancanegara untuk melakukan pariwisata dan berkunjung ke Bali. Jumlah kedatangan turis mancanegara melalui Bandar udara Ngurah Rai juga cenderung naik pada bulan tertentu dan sama seperti yang dialami Bandar udara Soekarno-Hatta yaitu cenderung mengalami peningkatan pada bulan Juli dan Desember seperti yang terlihat pada Lampiran 8 merupakan plot data asli jumlah kedatangan turis mancanegara ke Indonesia melalui bandara Ngurah Rai, Bali Dari plot data asli kedatangan turis mancanegara dapat terlihat bahwa data masih belum stasioner terlihat dari jumlah data yang ada yang masih tersebar jauh dari mean data tersebut dan masih terlibat unsur musiman dalam data. Dari Grafik ACF (Lampiran 8) dari data asli menyatakan bahwa data masih belum stasioner karena meskipun mengalami penurunan secara eksponensial sampai lag ke-3 (tiga) tetapi nilai koefisien autokorelasi belum mendekati 0 (nol) agar dapat diproses lebih lanjut untuk mengetahui model terbaik dalam melakukan analisis peramalan jumlah kedatangan turis mancanegara ke Indonesia melalui pintu badar udara Ngurah Rai, Bali perlu dilakukan proses differencing terlebih dahulu. Plot data jumlah kedatangan turis mancanegara setelah mengalami proses differencing pertama, seperti dimuat pada Gambar 7.

42 Gambar 7 Plot data kedatangan turis mancanegara di Ngurah Rai setelah dilakukan proses differencing Plot data kedatangan turis mancanegara yang dilakukan proses diferencing 1 (satu) kali langsung menunjukkan bahwa data stasioner terlihat dari sebaran data yang menyebar di sekitaran mean dari data tersebut. Tetapi untuk mengetahui kestasioneran data perlu dilakukan identifikasi ACF (Autocorrelation Function) dari data yang didapat. dari plot ACF yang didapat dari data aali kedatangan turis mancanegara di Ngurah Rai didapatkan hasil bahwa data masih belum stasioner (Lampiran 9). Hal ini ditunjukkan dari lag kedua maupun ketiga dalam data tersebut belum mendekati 0 (nol) sehingga menunjukkan bahwa data belum stasioner. Untuk menstasionerkan data masih perlu diberlakukan proses differencing agar data menjadi stasioner. Banyaknya proses differencing yang dilakukan nantinya akan menunjukkan derajat diferensiasi pada model ARIMA yang digunakan. Plot data ACF yang didapat setelah dilakukan proses differencing 1 (satu) kali menjadikan data menjadi stasioner, dimana pada lag ke 3 pola data ACF sudah menuju ke 0 (nol). Dengan stasionernya data yang didapatkan maka data telah layak menggunakan proses ARIMA dalam melakukan

43 peramalannya. Setelah melalui tahap pengidentifikasian data maka hal selanjutnya yang dapat dilakukan adalah tahap estimasi model yang tepat. Gambar 8 Plot ACF kedatangan turis mancanegara setelah melalui proses differencing 4.5.2 Identifikasi Model tentatif Pengidentifikasian dan penaksiran model tentatif dilakukan dengan menggunakan bantuan ACF untuk menentukan orde AR dan PACF untuk menentukan orde MA. Berdasarkan pengamatan yang dilakukan pada pola lag ACF dan PACF maka akan didapatkan model tentatif. Model tentatif sementara berupa model ARIMA (p.d,q) dengan unsur siklus akibat adanya pengulangan pola dalam data, dimana pada bulan Juli dan Desember kedatangan turis mancanegara ke Indonesia cenderung mengalami peningkatan. Notasi seasonal ARIMA berupa model ARIMA (p,d,q)(p,d,q) n. dimana : (p,d,q) mewakili unsur ARIMA biasa dan (P,D,Q) mewakili unsur ARIMA musiman Berdasarkan pengamatan pola data ACF dan PACF didapatkan model tentatif. Model tentatif sementara berupa model seasonal ARIMA (p.d.q)(p,dq) 12. Dengan ketentuan yang terdapat dalam ketentuan ARIMA maka didapatkan pola lag cutoff pada PACF kedatangan turis mancanegara Bandar udara Ngurah Rai setelah proses differencing pertama., Pola cut off adalah pola ketika garis ACF dan PACF nyata pada lag pertama atau kedua tetapi kemudian tidak ada garis ACF dan PACF yang nyata pada lag berikutnya. Untuk pola cut off, perbedaan antara ACF dan PACF yang

44 nyata dengan ACF dan PACF yang tidak nyata adalah besar sehingga garis ACF dan PACF terlihat terpotong (cut off). PACF yang didapat dari data kedatangan turis mancanegara di bandar udara Ngurah Rai setelah melalui proses differencing seperti dimuat dalam Lampiran 10. Dari pola tersebut didapatkan hasil bahwa pola PACF memiliki pola cutoff karena nilai dari lag 1 ke lag 2 yang melonjak jauh sehingga membuat garis seperti terpotong. Ciri sepeti ini menunjukkan bahwa model tidak mengandung unsur MA. Dari pola yang didapatkan dari hasil olahan ACF tersebut didapatkan hasil bahwa pola ACF memiliki pola dies down karena nyata di lag pertama dan terus menurun tetapi tetap nyata dan memiliki nilai yang terus menurun. Hal ini menyatakan bahwa model ini nantinya memiliki ordo AR dengan nilai 1. ACF dari data kedatangan turis mancanegara di Bandar udara Ngurah Rai (Lampiran 11) setelah dilakukan proses differencing ditemui pola dies down yang mengindikasikan adanya unsur autoregrresive dalam model.,model ini melakukan proses differencing satu (1) kali agar data menjadi stasioner sehingga dengan begitu dapat diidentifikasi menjadi model tentatif untuk meramalkan kedatangan turis mancanegara di pintu Bandar Udara Ngurah Rai yaitu ARIMA (p,d,q) = ARIMA (1,1,0)(0,1,0) 12 Dari model tentatif didapat, diproses untuk diketahui kriterianya apakah sudah memenuhi untuk menjadi model yang digunakan dalam peramalan kedatangan turis mancanegarai di Bali atau belum. Dengan menggunakan bantuan perangkat lunak Minitab 14. Dengan melakukan pengolahan data ternyata model tentatif yang terbentuk yaitu model ARIMA (1,1,0)(0,1,0) 12 tidak memenuhi kriteria dan memiliki kelemahan terhadap plot data kedatangan turis mancanegara di ngurah Rai, Bali. Karena kriteria tidak konvergen sampai 10 iterasi dan model ini tidak dapat digunakan untuk estimasi peramalan data. Pengujian terhadap model tentatif muncul kalimat *ERROR* Model cannot be estimated with these data. Kesalahan dalam penentuan model tentatif disebabkan ketidakcermatan dalam membaca grafik ACF dan PACF. Untuk itu

45 mendapatkan model yang tepat diperlukan pencarian model alternatif yang dapat memenuhi kriteria model ARIMA yang dapat digunakan untuk peramalan dan paling memenuhi kriteria model yang pas. Evaluasi kelayakan model yang tepat dan bisa untuk dilakukan dengan trial and error. Cara untuk mendapatkan parameter-parameter tersebut dapat dilakukan metode berikut, yaitu : 1. Dengan cara mencoba-coba (trial and error) menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared residual) 2. Perbaikan secara iteratif, memilih taksiran awal dan kemudian memberikan program komputer untuk memperhalus penaksiran tersebut secara iteratif. Untuk mendapatkan model yang tepat pada penelitian ini digunakan kedua cara tersebut untuk mendapatkan parameter terbaik. Yang paling umum digunakan untuk menemukan parameter dalam metode ARIMA adalah menggunakan metode trial and error. Maka ARIMA dikenal sebagai metode seni dalam peramalan. Dalam penelitian ini penentuan trial and error dilaksanakan dengan cara menggeser setiap ordo dengan selisish 1 (satu) dari model tentatif yang ditetapkan sebelumnya dengan tetap memeperhatikan kriteria parsimoni dalam model. Dimana parameter yang akan dicoba dan diuji adalah model ARIMA (0,1,0)(0,1,1) 12, ARIMA (0,1,1)(0,1,0) 12, ARIMA (0,1,0)(1,1,0) dan ARIMA (1,1,1)(1,1,1) 12. 4. 5. 3 Pemeriksaan Diagnostik Pemeriksaan diagnostik terhadap model dilakukan dengan memilih model yang lebih parsimoni (sederhana) dibandingkan dengan model tentatifnya. Model yang dipilih untuk verifikasi setelah model tentatif yang didapat tidak sesuai dengan data dan tidak dapat diproses lebih lanjut menggunakan data kedatangan turis mancanegara di Ngurah Rai, antara lain : model ARIMA tentatif (0,1,0)(0,1,1) 12 dan model

46 ARIMA alternatif ARIMA (0,1,1)(0,1,0) 12, ARIMA (0,1,0)(1,1,0) dan ARIMA (1,1,1)(1,1,1) 12. Hasil pengolahan data Minitab untuk masingmasing model tersebut dimuat dalam lampiran 12, 13, 14, dan 15. Dari ketiga model ARIMA yang terdapat diatas terlihat bahwa model ARIMA (0,1,0)(0,1,1) 12 memiliki nilai MSE paling kecil dibandingkan 3 (tiga) model lainnya. Berdasarkan prinsip parsimonitas, yaitu melibatkan semakin sedikit parameter dalam model ARIMA dan juga data yang konvergen sesuai hasil iterasi maka model tersebut paling memenuhi kriteria untuk melakukan peramalan turis macanegara di Bali berdasarkan data empat (4) 4 tahun sebelumnya. Data kedatangan turis mancanegara di bali merupakan data yang musiman dengan parameter SMA(1) < 0.05. Pemilihan model ARIMA yang akan digunakan selain memenuhi kriteria parameter sesuai dengan yang diterapkan dengan pengujian white noise. Untuk menguji whitenoise digunakan data Ljung Box. Dalam uji white noise yang digunakan menjadi simbol pengukuran adalah nilai p value dimasing-masing lag harus lebih besar daripada α > (0.05) Nilai Ljung Box untuk model ARIMA terpilih ARIMA (0,1,0)(0,1,1) 12 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 12.0 17.6 * * DF 10 22 * * P-Value 0.286 0.730 * * Dari hasil perhitungan didapatkan hasil bahwa nilai p value untuk masing-masing lag adalah 0,286 dan 0,730 karena α > (0.05) sehingga disimpulkan bahwa data kedatangan turis mancanegara di Bandar udara Ngurah Rai yang telah differencing satu (1) kali telah white noise, memenuhi jika menggunakan model ARIMA (0,1,0) (0,1,1) 12 4.5.4 Melakukan Peramalan Hasil pemodelan data sesuai dengan kriteria model ARIMA dan telah memenuhi asumsi yang disyaratkan, maka dapat digunakan untuk

47 peramalan. Model ARIMA yang tepat untuk melakukan peramalan kedatangan turis mancanegara di Bandar udara Ngurah Rai Bali adalah ARIMA (0,1,0)(0,1,1) 12. Dengan bantuan minitab, maka hasil peramalan jumlah wisatawan asing di Bandar udara Ngurah Rai untuk periode waktu 15 bulan ke depannya akan menunjukkan hasil seperti dalam Tabel berikut : Tabel 6. Hasil Peramalan di Bandar Udara Ngurah Rai Period Forecast Lower Upper 50 254193 225986 282401 51 259368 219477 299259 52 262880 214024 311737 53 272431 216017 328846 54 295637 232563 358710 55 324072 254979 393166 56 317404 242774 392033 57 309774 229992 389556 58 309697 225075 394319 59 280870 191671 370069 60 306560 213007 400113 61 292887 195175 390600 62 297934 195042 400827 63 303691 195867 411514 64 307784 195245 420323 Fluktuasi jumlah kedatangan jumlah turis ke depannya berdasarkan hasil peramalan menggunakan metode ARIMA menunjukkan bahwa masih terjadi fluktuasi kedatangan turis mancanegara di bulan-bulan ke depan. Lonjakan jumlah wisatawan ke Bali dan daerah Tengah dan Timur Jawa yang datang melalui pintu Bandar udara Ngurah Rai diperkirakan terjadi di bulan Juli 2012. Sesuai dengan pola musiman yang terjadi pada data kedatangan turis mancanegara, maka bulan desember juga diperkirakan terjadi lonjakan kedatangan wisatawan yang ingin menghabiskan akhir tahunnya di Bali. Hasil peramalan menggunakan metode ARIMA hanya mengacu kepada data masa lalu yang digunakan sehingga hasil akhir yang didapatkan juga mengabaikan peubah luar yang memengaruhi keadaan setelah dilakukan peramalan

48 4.6 Implikasi Manajerial Semakin tingginya minat terhadap industri pariwisata di Indonesia sekarang imembuat semakin berjamurnya industri bisnis di Indonesia. Hal ini membuat semakin banyak pelaku usaha yang memasuki dunia pariwisata untuk menjadikannya bisnis. Banyaknya pesaing dalam usaha ini menyebabkan para pelaku usaha di bisnis pariwisata harus mampu membaca dan memahami peluang, maupun kondisi yang ada sekarang ini, sehingga dapat bertahan di pasar. Ketidakpastian yang dialami oleh para pelaku bisnis pariwisata ini sendiri bergantung kepada fluktuasi jumlah wisatawan yang datang ke Indonesia, karena wisatawan adalah komponen obyek utama dalam industri pariwisata. Untuk itu, cara yang tepat dilakukan adalah melakukan peramalan kedatangan turis mancanegara ke Indonesia. Salah satu keuntungan dari peramalan kedatangan turis mancanegara adalah, memberi masukan kepada pemerintah agar mengetahui bagaimana pola kedatangan turis ke depannya, sehingga dapat diluncurkan program-program serta kebijakan tetap di bidang pariwisata. Semakin banyak usaha dan bisnis yang memanfaatkan sektor pariwisata tentunya membawa pengaruh baik bagi perekonomian negara, karena akan semakin menurunkan jumlah penduduk yang tidak bekerja dan mendapatkan penghasilan sendiri. Disamping dapat meningkatkan pendapatan negara melalui pajak pendapatan yang diberlakukan. aaaaaauntuk mencapai keoptimalan program dan kebijakan pemerintah di bidang pariwisata perlu dibuat suatu perencanaan-perencanaan kebijakan yang berdasarkan hasil peramalan kedatangan turis mancanegara dapat dijadikan dasar membuat suatu keputusan. Oleh karena itu analisis peramalan kedatangan turis mancanegara maka dapat meramalkan kedatangan dan jumlah wisatawan ke depannya, sehingga dapat jadi dasar pembuatan kebijakan ke depan. aaaaaainformasi hasil kedatangan turis mancanegara ke depan secara teknis dapat digunakan untuk melakukan peramalan jumlah tingkat hunian hotel dan penyediaan logistik kebutuhan kebutuhan sehari-hari terkhusus di daerah yang merupakan obyek wisata. Hasil peramalan tingkat hunian hotel ini dapat menjadi perkiraan pendapatan kotor bagi industri perhotelan di daerah obyek wisata dan perkiraan pendapatan kotor bagi para pelaku bisnis di daerh seperti Bali, dan

49 Jakarta. Hal ini dapat memberikan efisiensi bagi kelangsungan kegiatan perusahaan dan mendukung perencanaan proses pengambilan keputusan, serta dapat menjadi dasar membuat pemasaran yang baik bagi bisnis-bisnis di bidang pariwisata.