Professional Documents
Culture Documents
JURNAL Fiftria EDIT
JURNAL Fiftria EDIT
Analisis Spektral dan Model ARIMA Untuk Peramalan Jumlah Wisatawan di Dunia Fantasi
Taman Impian Jaya Ancol
Spectral Analysis and ARIMA Models For Forecasting The Number Of Tourist At Dunia Fantasi
Taman Impian Jaya Ancol
Abstract
Spectral analysis is a method that is used for the analysis of time series in the frequency domain. The basic
concept of spectral analysis is calculate the periodogram and illustrate the power spectrum lines, so the
periodicity pattern can bee seen. Then we determined the type of seasonal or non-seasonal pattern. In time
series analysis, forecasting a future state estimation is done based on the past. Time series approach can use
several methods,one of which is the ARIMA model. The purpose of research is to obtain spectral data pattern
analysis, ARIMA models, and results of forecasting the number of number at Dunia Fantasi Taman Impian Jaya
Ancol from January 2014 to December 2014. Based on the results of spectral analysis showed that the pattern
of spectral analysis from the number of tourists data at Dunia Fantasi Taman Impian Jaya Ancol in January
2001 to December 2013 is non-seasonal. Appropriate ARIMA model to predict the number of tourists at Dunia
Fantasi Taman Impian Jaya Ancol 2014 is ARIMA (2,1,1),
̂
Wt =-0,2502Wt-1 +1,0014Wt-2 +0,2488Wt-3 +at +0,9907at-1 . Forecasting by using the model,showed that incresing
trend for forecasting the number of tourists at the Dunia Fantasi Taman Impian Jaya Ancol, period from
January -December 2014.
Keywords: Spectral analysis, ARIMA, number of tourists at the Dunia Fantasi Taman Impian Jaya Ancol.
StDev
DATA
2,50
200000
150000 Limit
2,45
100000
-5,0 -2,5 0,0 2,5 5,0
1 16 32 48 64 80 96 112 128 144
Lambda
Index
(a)
(b)
Box-Cox Plot of DATA Gambar 3. (a) Plot Box-Cox Transformasi 1 kali
Lower CL Upper CL
90000 Lambda
(using 95,0% confidence)
Data Jumlah Wisatawan di Dunia Fantasi Taman
80000 Estimate 0,04 Impian Jaya Ancol. (b) Plot Transformasi 1 kali
Lower CL -0,33
70000 Upper CL
Rounded Value
0,44
0,00
Data Jumlah Wisatawan di Dunia Fantasi Taman
60000 Impian Jaya Ancol.
StDev
50000
40000
Berdasarkan Gambar 3(a) diperoleh nilai
30000
Rounded Value sebesar 1,00, dengan demikian data
20000 Limit sudah stasioner dalam variansi, sedangkan pada
-5,0 -2,5 0,0
Lambda
2,5 5,0 Gambar 3(b) dapat dilihat bahwa grafik data
transformasi memiliki tren naik dan stabil,
(b) selanjutnya data transformasi dapat diidentifikasi
Gambar 2. (a) Plot Data Jumlah Wisatawan di lebih lanjut yaitu dengan melakukanAugmented
Dunia Fantasi Taman Impian Jaya Ancol . (b) Plot Dickey-Fuller (ADF), agar dapat melihat
Box-Cox Data Jumlah Wisatawan di Dunia Fantasi kestasioneran data transformasi dalam rata-rata.
Taman Impian Jaya Ancol Dengan menggunakan software Eviews 4, diperoleh
hasil output sebagai berikut :
Berdasarkan Gambar 2(a) dapat dilihat bahwa
data tidak stasioner karena data cenderung naik Tabel 2 Hasil Output Uji ADF
dan data tidak berada di sekitar rata-rata.
Sedangkan, pada Gambar 2(b) terlihat bahwa data
Nilai Statistik Uji ADF Nilai Kritis τ
tidak stasioner dalam variansi, karena nilai rounded Τ P-value Mc Kinnon
value yang tidak sama dengan 1 yakni 0,00. 2,570142 0,1015 2,880463
Dengan demikian data jumlah wisatawan di Dunia
Fantasi Taman Impian Jaya Ancol perlu Pengujian hipotesis untuk uji ADF adalah
ditransformasi terlebih dahulu. Berdasarkan tabel 1 sebagai berikut :
diperoleh rounded value λ= 0,00, maka Hipotesis
transformasi yang sesuai adalah Ln Zt. H0 : γ = 0 atau data transformasitidak stasioner
Setelah dilakukan transformasi, maka dalam rata-rata
dilakukan pengecekan kembali menggunakan Box- H1 : γ ≠ 0 atau data transformasi stasioner
Cox Plot dan Time Series Plot diperoleh hasil dalam rata-rata
sebagai berikut : Taraf Signifikansi
α = 5%
Time Series Plot of data transformasi Statistik Uji
12,8
̂
𝛾
𝜏=| ̂)
| =2,570142 ; P-value = 0,1015
12,6 𝑆𝐸(𝛾
Daerah Penolakan
data transformasi
12,4
12,2
H0 ditolak jika nilai τ lebih besar daripada nilai
kritis absolut τ Mc Kinnon atau H0 ditolak jika P-
12,0
value< α.
11,8
Keputusan
11,6
1 16 32 48 64 80 96 112 128 144
Karena nilai τ = 2,570142 lebih kecil daripada
Index
nilai kritis absolut τ Mc Kinnon = 2,880463, maka
H0 gagal ditolak. Atau karena P-value = 0,1015 >
(a)
α=0,05, maka H0 gagal ditolak.
Kesimpulan
Data transformasi tidak stasioner dalam rata-
rata.
Berdasarkan pengujian ADF diperoleh
kesimpulan bahwa data transformasi tidak
stasioner dalam rata-rata. Selanjutnya dilakukan ARIMA (2,1,3), ARIMA (3,1,0), ARIMA (3,1,1),
differencing data, dimana hasilnya data telah dan ARIMA (3,1,3). Model ARIMA (0,1,1) dapat
stasioner dalam variansi maupun dalam rata-rata, ditulis menjadi :
sehingga dapat dilakukan pendugaan model Model ARIMA (0,1,1) dapat ditulis menjadi :
sementara dengan data transformasi yang sudah 𝑍̂𝑡 = 𝑍𝑡−1 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 ,
differencing. sedangkan untuk model ARIMA (0,1,3) secara
Pendugaan model awal untuk data transformasi matematis dapat ditulis menjadi :
yang sudah differencing dilakukan dengan 𝑍̂𝑡 = 𝑍𝑡−1 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃2 𝑎𝑡−2 − 𝜃3 𝑎𝑡−3 ,
menggunakan grafik autokorelasi dan autokorelasi Untuk ARIMA (1,1,3) dapat ditulis matematis
parsial pada Gambar 4. menjadi :
𝑍̂𝑡 = (1 + 𝜙1 )𝑍𝑡−1 − 𝜙1 𝑍𝑡−2 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 −
Autocorrelation Function for data differencing
(with 5% significance limits for the autocorrelations)
𝜃2 𝑎𝑡−2 − 𝜃3 𝑎𝑡−3 ,
1,0
0,8
dan untuk model ARIMA (1,1,1) dapat ditulis
0,6
0,4
matematis menjadi :
Autocorrelation
0,4
0,2 H1 : 𝜙1 ≠ 0 (Parameter AR (1) signifikan dalam
0,0
-0,2
model)
-0,4 Rumusan Hipotesis untuk parameter model MA(1):
-0,6
-0,8 H0 : 𝜃1 = 0 (Parameter MA (1) tidak
-1,0
1 5 10 15 20 25 30 35
signifikan dalam model)
Lag
H1 :𝜃1 ≠ 0 (Parameter MA (1) signifikan
dalam model)
(b) Taraf Signifikansi :
Gambar 4. (a) Grafik ACF dan (b) Grafik PACF α=5%
untuk Data Transformasi yang sudah Differencing
Berdasarkan Gambar 4(a), dapat dilihat bahwa Statistik Uji :
̂
𝜙 ̂
𝜃
pola pada ACF tidak terdapat tren naik ataupun tren thitung = atau thitung =
𝑆𝐸(𝜙̂) 𝑆𝐸(𝜃̂)
turun senhingga dapat disimpulkan bahwa data
telah stasioner dalam rata-rata. Pada Gambar 4(a) Daerah Penolakan :
dapat dilihat pula bahwa nilai ACF signifikan pada H0 ditolak jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 |>𝑡𝛼⁄2 dimana ttabel
lag 1, dan 3 sehingga diperoleh orde untuk moving = 𝑡(α,155) = 1,9840 ataudengan menggunakanP-
2
average (q) adalah 0, 1, dan 3. Sedangkan untuk value, yakni tolak H0 jika nilai P-value <α.
nilai PACF, berdasarkan Gambar 4(b), dapat dilihat
bahwa nilai PACF signifikan pada lag 1, 2, dan 3. Keputusan
Sehingga diperoleh orde autoregressive (p) adalah Karena nilai |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 |parameter AR(1), MA(1)
0, 1, 2, dan 3. Sehinga diperoleh model dugaan
lebih besar daripada ttabel = 1,9840 maka H0ditolak.
awal untuk data differencing adalah ARIMA
Dengan demikian dapat diputuskan bahwa H0
(0,1,1), ARIMA (0,1,3), ARIMA (1,1,1), ARIMA
ditolak.
(1,1,3), ARIMA (1,1,0), ARIMA (2,1,0), ARIMA
(2,1,1), ARIMA (2,1,3), ARIMA (3,1,0), ARIMA
Kesimpulan
(3,1,1), dan ARIMA (3,1,3).
Parameter model ARIMA (1,1,1) signifikan.
Untuk model ARIMA (1,1,1), diperoleh
Penaksiran dan Pengujian Signifikansi
kesimpulan bahwa parameter model signifikan.
Parameter
Untuk model-model yang lain yaitu ARIMA
Berdasarkan hasil identifikasi model, diperoleh
(1,1,0), ARIMA (2,1,1), ARIMA (2,1,3), ARIMA
11 Model yang dapat dijadikan alternatif untuk
(2,1,0), ARIMA (3,1,0), dan ARIMA (0,1,1),
memilih model terbaik yaitu ARIMA (0,1,1),
karena model memiliki parameter-parameter model
ARIMA (0,1,3), ARIMA (1,1,1), ARIMA (1,1,3),
ARIMA (1,1,0), ARIMA (2,1,0), ARIMA (2,1,1),
yang memiliki |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | yang lebih besar (0,1,1) tidak memenuhi syarat white noise.
daripada ttabel = 1,9840, maka dapat disimpulkan Sedangkan untuk model ARIMA (2,1,1), dan
parameter-parameter signifikan dalam model. ARIMA (2,1,0), dari pengujian diperoleh
Untuk model ARIMA (1,1,3), ARIMA (3,1,3), kesimpulan bahwa tidak adanya korelasi antar
ARIMA (3,1,1), dan ARIMA (0,1,3), karena residual yang satu dengan residual, sehingga dapat
parameter model memiliki |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | yang lebih disimpulkan bahwa residual model ARIMA (2,1,1),
kecil daripada ttabel = 1,9840, sehingga dapat dan ARIMA (2,1,0) memenuhi syarat white noise.
disimpulkan bahwa parameter tidak signifikan Setelah dilakukan pengujian residual white
dengan model. noise, diperoleh kesimpulan bahwa hanya ada dua
Berdasarkan pengujian signifikan parameter model yang memiliki residual yang memenuhi
diperoleh kesimpulan bahwa parameter yang syarat white noise, yaitu model ARIMA (2,1,1),
signifikansi dalam model adalah ARIMA (1,1,1), dan ARIMA (2,1,0). Sehingga pada model ini
ARIMA (2,1,1), ARIMA (2,1,3), ARIMA (2,1,0), dilakukan pengujian kecukupan model
ARIMA (3,1,0), ARIMA (1,1,0), dan ARIMA tahapselanjutnya yaitu pengujian kenormalan
(0,1,1). residual.
2. Pengujian Residual Berdistribusi Normal
Pengujian Kecukupan Model Hipotesis
Setelah dilakukan pengujian signifikansi H0 : Residual model berdistribusi normal
parameter diperoleh model ARIMA (2,1,1), H1 : Residual model tidak berdistribusi
ARIMA (2,1,3), ARIMA (2,1,0), ARIMA (3,1,0), normal.
dan ARIMA (0,1,1) yang mempunyai parameter Taraf Signifikansi
signifikan. Maka tahapan selanjutnya adalah α=5%
dilakukan pengujian kecukupan model. Pengujian Daerah penolakan
kecukupan model diawali dengan pengujian H0 ditolak jika P-value <α.
residual white noise. Keputusan
Karena nilai P-value untuk model ARIMA
1. Pengujian Residual White Noise (2,1,0) lebih kecil daripada α (0,05), maka H0
Hipotesis ditolak. Sedangkan untuk Model ARIMA (2,1,1)
H0 : Residual memenuhi syarat white noise. nilai P-value lebih besar daripada α (0,05), maka
H1 : Residual tidak memenuhi syarat white H0 gagal ditolak.
noise. Kesimpulan
Taraf Signifikansi Berdasarkan pengujian, dapat disimpulkan
α=5% bahwa residual model ARIMA (2,1,0) tidak
Daerah penolakan : berdistribusi normal. Sedangkan untuk model
H0 ditolak jika P-value <α. ARIMA(2,1,1) berdasarkan pengujian dapat
Keputusan disimpulkan bahwa residual model tersebut
Karena nilai P-value setiap lag untuk model berdistribusi normal.
ARIMA (1,1,1), ARIMA (2,1,3), ARIMA (3,1,0), Berdasarkan pengujian kecukupan model
ARIMA (1,1,0), dan ARIMA (0,1,1) lebih kecil didapatkan model terbaik yang memenuhi kedua
daripada α (0,05), maka H0 ditolak. Sedangkan asumsi yaitu model ARIMA (2,1,1), dengan
untuk Model ARIMA (2,1,1), dan ARIMA (2,1,0) demikian model data jumlah wisatawan di Dunia
nilai P-value pada setiap lag lebih besar daripada α Fantasi Taman Impian Jaya Ancol adalah ARIMA
(0,05), maka H0 gagal ditolak. (2,1,1) sebagai berikut :
Ŵ t =(1+ϕ )Wt-1 -(ϕ -ϕ )Wt-2 -ϕ Wt-3 +at -θ1 at-1 ,
Kesimpulan 1 1 2 2
Berdasarkan hasil pengujian, dapat Nilai koefisien untuk masing-masing
disimpulkan bahwa terdapat korelasi antar residual parameter yang kemudian disubsitusikan ke dalam
pada model ARIMA (2,1,3), ARIMA (3,1,0), model, dan diperoleh model sebagai berikut :
ARIMA (1,1,0), dan ARIMA (0,1,1), sehingga Ŵ t =-0,2502Wt-1 +1,0014Wt-2 +0,2488Wt-3 +at
dapat disimpulkan bahwa residual ARIMA (2,1,3), +0,9907at-1 ,
ARIMA (3,1,0), ARIMA (1,1,0), dan ARIMA
Tabel 3.
Hasil Uji Signifikansi Parameter, Asumsi Residual White Noise, dan Uji Residual Berdistribusi Normal.
Kesimpulan
Model ARIMA
Uji Signifikansi Parameter Uji Asumsi Residual white Noise Uji Residual Berdistribusi Normal
(1,1,1) Parameter Signifikan Tidak WhiteNoise Tidak Berdistribusi Normal
(1,1,0) Parameter Signifikan Tidak White Noise Tidak Berdistribusi Normal
(1,1,3) Ada Parameter Tidak Signifikan Tidak White Noise Tidak Berdistribusi Normal
(2,1,3) Parameter Signifikan Tidak White Noise Tidak Berdistribusi Normal
(0,1,1) Parameter Signifikan Tidak White Noise Tidak Berdistribusi Normal
(0,1,3) Ada Parameter Tidak Signifikan Tidak White Noise Tidak Berdistribusi Normal
(2,1,1) Parameter Signifikan White Noise Berdistribusi Normal
(3,1,3) Ada Parameter Tidak Signifikan Tidak White Noise Tidak Berdistribusi Normal
(3,1,1) Ada Parameter Tidak Signifikan Tidak White Noise Tidak Berdistribusi Normal
(3,1,0) Parameter Signifikan Tidak White Noise Tidak Berdistribusi Normal
(2,1,0) Parameter Signifikan White Noise Tidak Berdistribusi Normal
Perama
150000
persentase tingkat kesalahan model ramalan jumlah 100000 Data Rill
50000
wisatawan di Dunia Fantasi Taman Impian Jaya 0
Jan-01
Jan-02
Jan-03
Jan-04
Jan-05
Jan-06
Jan-07
Jan-08
Jan-09
Jan-10
Jan-11
Jan-12
Jan-13
Jan-14
Ancol adalah sebesar 3,1432%. Karena nilai MAPE
yang diperoleh lebih kecil dari 5%, maka
disimpulkan bahwa model yang diperoleh sudah
tepat.
Gambar 5. Peramalan Jumlah wisatawan di Dunia
Peramalan Fantasi Taman Impian Jaya Ancol Tahun 2014
Karena telah memenuhi dua asumsi yang ada,
maka model ARIMA (2,1,1) dapat digunakan untuk Gambar 5 dapat diketahui adanya tren naik.
peramalan atau forecasting, untuk mengetahui hasil Hal ini dapat dilihat dari adanya grafik kenaikan
peramalan jumlah wisatawan di Dunia Fantasi peramalan jumlah wisatawan. Sehingga dapat
Taman Impian Jaya Ancol bulan Januari 2014 disimpulkan bahwa adanya peningkatan jumlah
sampai dengan Desember 2014. wisatawan di Dunia Fantasi Taman Impian Jaya
Tabel 4. Data Peramalan Jumlah Wisatawan Ancol untuk periode Januari – Desember 2014.
di Dunia Fantasi Taman Impian Jaya Ancol Tahun
2014 Kesimpulan
Berdasarkan analisis dan pembahasan yang
Bulan Peramalan Bulan Peramalan telah dilakukan, dapat diambil kesimpulan sebagai
Januari 235.761 Juli 260.361 berikut :
Februari 244.291 Agustus 269.904
Maret 243.664 September 269.134
1. Pola data analisis spektral pada data jumlah
April 252.554 Oktober 279.019
wisatawan di Dunia Fantasi Taman Impian
Mei 251.873 November 278.202 Jaya Ancol pada bulan Januari 2001 sampai
Juni 261.086 Desember 288.442 dengan bulan Desember 2013 adalah data non
musiman (non seasonal).
Pada Tabel 4. menunjukkan bahwa peramalan 2. Model ARIMA untuk meramalkan jumlah
jumlah wisatawan di Dunia Fantasi Taman Impian wisatawan di Dunia Fantasi Taman Impian
Jaya Ancol pada bulan Januari 2014 terdapat Jaya Ancol adalah model ARIMA (2,1,1),
235.761 orang. Pada bulan Februari 2014 terdapat dengan model berikut :
peningkatan sebanyak 8.530 orang dari bulan ̂ t =-0,2502Wt-1 +1,0014Wt-2 +0,2488Wt-3 +at
W
Januari 2014, sedangkan pada bulan Maret 2014 +0,9907at-1 ,
terdapat penurunan sebanyak 627 orang dari bulan
dimana nilai Wt yang digunakan adalah nilai Wei, W. W. S. 2006. Time Series Analysis,
data asli yang sudah ditransformasi dengan Ln Univariate and Multivariate Methods, Second
(Zt ), selanjutnya didiferensiasi orde satu. Edition. United State of America : Pearson
3. Berdasarkan model ARIMA yang diperoleh, Education, Inc.
dapat diramalkan bahwa adanya tren naik Chan, F, dan C. Lim. 2011. Spectral Analysis of
untuk peramalan jumlah wisatawan di Dunia Seasonality in Tourism Demand. Internasional
Fantasi Taman Impian Jaya Ancol, untuk Journal of Mathematics and Computers in
periode Januari – Desember 2014. Simulation, Vol. 81, 1409-1418.
Wilson, P. J, dan L. J. Perry. 2004. Forecasting
Daftar Pustaka Unemployment Rates Using Spectral Analysis.
Ismawati. 2002. Pengantar Parawisata. Jakarta: Australian Journal of Labour Economic, Vol.
Grasindo. 7, No. 4, 459-480.
PT. Pembangunan Jaya Ancol. 1985. Taman Soejoeti, Zanzawi. 1987. Analisis Runtun Waktu.
Impian Jaya Ancol, diakses pada Jakarta: Penerbit Kanunita Universitas
http://www.ancol.com tanggal 6 Maret 2014. Terbuka.
Aswi dan Sukarna. 2006. Analisis Deret Waktu: Sumodiningrat, Gunawan. 2007. Ekonometrika
Teori dan Aplikasi. Makassar Andira Pengantar. Yogyakarta : BPFE.
Publisher.