ANALISIS KUNJUNGAN KEDATANGAN TAMU MANCANEGARA KE INDONESIA (STUDI KASUS : BANDAR UDARA INTERNASIONAL SOEKARNOHATTA DAN NGURAH RAI)
Oleh Ruth Caroline H24080126
DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2012
RINGKASAN RUTH CAROLINE.H24080126 Analisis Kunjungan Kedatangan Tamu Mancanegara ke Indonesia (Studi Kasus : Bandar Udara Soekarno-Hatta dan Ngurah Rai) Di bawah bimbingan H.MUSA HUBEIS. Pariwisata merupakan sektor industri yang menjanjikan,dapat menunjang perekonomian dunia, terutama di Indonesia sendiri, sektor pariwisata memegang peranan besar dalam menyumbangkan devisa negara. Dengan mengembangkan pariwisata sebagi suatu industri, akan terjadi peningkatan dalam kesempatan berusaha, kesempatan kerja, penerimaan pajak, pendapatan nasional dan sekaligus memperkuat posisi neraca pembayaran. Memperkirakan jumlah wisatawan asing yang berkunjung ke Indonesia merupakan peranan penting dalam industri pariwisata, karena hasil dari analisis kedatangan turis mancanegara ke depan digunakan untuk menetapkan banyaknya jumlah turis mancanegara yang akan mengunjungi Indonesia. Penelitian ini bertujuan : (1) Mendapatkan korelasi diantara kedatangan turis mancanegara diantara kedua pintu gerbang utama Soekarno-Hatta dan Ngurah Rai, (2) Mengidentifikasi pola kedatangan turis mancanegara ke Indonesia melalui pintu bandar udara Soekarna-Hatta dan bandar udara Ngurah Rai serta (3) Menganalisis model peramalan kedatangan turis mancanegara dengan menggunakan ARIMA. Data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder diperoleh dari arsip data jumlah kunjungan turis mancanegara ke Indonesia dari Badan Pusat Statistik (BPS) studi literatur di perpustakaan, internet, skripsi terdahulu dan beberapa literatur yang terkait. Alat analisis yang digunakan dalam penelitian ini adalah Analisis Korelasi dengan bantuan Statistical Package Social Science (SPSS), analisis data dengan bantuan Microsoft Excel 2007 dan Autoregrresive Integrated Moving Average (ARIMA) dengan bantuan Minitab. Berdasarkan hasil penelitian, peramalan kedatangan turis mancanegara di Bandar udara Soekarno-Hatta dengan model ARIMA didapatkan model ARIMA (0,1,1)(0,1,1)12. Sedangkan untuk peramalan kedatangan turis mancanegara di Bandar Udara Ngurah Rai didapatkan model ARIMA (0,1,0)(0,1,1)12, yang memiliki hubungan positif dan kuat diantara jumlah turis mancanegara yang berkunjung melalui dua (2) Bandar udara tersebut. Kata kunci : Pariwisata, Wisatawan Mancanegara, Peramalan, ARIMA.
ANALISIS KUNJUNGAN KEDATANGAN TAMU MANCANEGARA KE INDONESIA (STUDI KASUS : BANDAR UDARA INTERNASIONAL SOEKARNOHATTA DAN NGURAH RAI)
SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA EKONOMI pada Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor Oleh : Ruth Caroline H24080126
DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2012
Judul Skripsi : Analisis Kunjungan Kedatangan Tamu Mancanegara ke Indonesia (Studi Kasus : Bandar Udara Soekarno-Hatta dan Ngurah Rai) Nama
: Ruth Caroline
NIM
: H24080126
Menyetujui, Pembimbing
Prof. Dr. Ir. H. Musa Hubeis, MS, Dipl. Ing., DEA NIP : 19550625 198003 1 002
Mengetahui : Ketua Departemen
(Dr. Ir. Jono M. Munandar, M.Sc) NIP : 19610123 198601 1 002
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta, 03 Mei 1990. Terlahir sebagai putri pertama dari 3 (tiga) bersaudara dari pasangan orangtua Fritz Rommel Marpaung dan Rosemerry Sianipar. Penulis menyelesaikan pendidikan sekolah dasar (SD) di SD Marsudirini Kemang Pratama Bekasi, dan terus berada dalam yayasan yang sama sampai dengan mengecap pendidikan sekolah menengah atas (SMA). Bulan Agustus 2008 dimana untuk pertama kalinya penulis menginjakkan kaki di Institut Pertanian Bogor (IPB) sebagai mahasiswi IPB melalui jalur SNMPTN (Seleksi Nasional Masuk Perguruan Tinggi Negeri) di Departemen Manajemen Fakultas Ekonomi dan Manajemen (FEM). Selama menjalani perannya sebagai mahasiswa penulis cukup aktif dalam kegiatan organisasi kampus, terutama dalam organisasi Persekutuan Mahasiswa Kristen Institut Pertanian Bogor (PMK IPB). Sebagai ilustrasi penulis aktif dan pernah menjabat sebagai sekretaris komisi kesenian periode 2010-2011, dan sekretaris kelompok pra-alumni PMK IPB. Penulis juga terlibat dalam beberapa kepanitiaan seperti berperan sebagai staff acara dalam kepanitiaan malam sukacita paskah, staff konsumsi dalam kepanitiaan festival musik, staff publikasi dan dokumentasi dalam acara natal CIVA IPB, serta mengambil bagian dalam kepanitiaan retreat komisi kesenian sebagai staff acara. Selain itu, penulis juga pernah mengikuti kepanitiaan malam keakraban manajemen sebagai staff
konsumsi, serta terakhir menjadi
penanggung-jawab bidang publikasi, dekorasi, dan dokumentasi di acara camp pengutusan kelompok pra-alumni. Penulis pernah menjadi Master of Ceremony (MC) di beberapa acara komisi kesenian dan PMK. Serta pernah menjadi traineer MC di acara training PMK IPB.
KATA PENGANTAR
Segala puji syukur, hormat, dan kemuliaan terhadap Tuhan Yesus atas kasih karunia, dan limpahan berkatNya yang menjadikan sumber kekuatan dan semangat kepada penulis sehingga dapat menyelesaikan penulisan Skripsi berjudul Analisis Kunjungan Kedatangan Tamu Mancanegara ke Indonesia (Studi Kasus : Bandar Udara Soekarno-Hatta dan Ngurah Rai) disusun oleh penulis sendiri sebagai persyaratan mendapatkan gelar Sarjana Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor,Bogor. Skripsi ini menganalisis mengenai pola data kedatangan turis mancanegara di bandar udara Soekarno-Hatta dan bandar udara Ngurah Rai, mengkaji dan memperoleh model ARIMA terbaik dan paling sesuai untuk meramalkan kedatangan turis mancanegara selama 15 bulan ke depan. Informasi ini dapat menjadi masukan bagi Pemerintah dan para pelaku bisnis pariwisata sehingga dapat digunakan untuk pembuatan rencana strategi maupun kebijakan yang tepat untuk ke depannya. Penulis menyadari bahwa skripsi ini masih jauh dari sempurna, maka saran dan kritik yang membangun sangat diharapkan bagi perbaikan skripsi ini.
UCAPAN TERIMA KASIH
Segala puji dan syukur tak pernah habis penulis naikkan kepada Tuhan Yesus Kristus atas anugerah, penyertaan, kehadiran, bimbingan, dan cintaNya yang luar biasa hingga penulis dapat menyelesaikan penulisan skripsi berjudul “Analisis Kunjungan Turis Mancanegara ke Indonesia (Studi Kasus : Bandar Udara Soekarno-Hatta dan Ngurah Rai) ” sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen (FEM) Institut Pertanian Bogor (IPB),Bogor. Skripsi ini tiada akan pernah terwujud tentunya tanpa dukungan doa, bantuan, kerjasama dari berbagai pihak yang terkait. Oleh karena itu pada kesempatan kali ini penulis ingin meyampaikan rasa terimakasih yang begitu besar terhadap :
1. Prof.Dr.Ir.H.Musa Hubeis,MS,Dipl, Ing, DEA sebagai dosen pembimbing yang telah memberikan arahan ,bimbingan, dan motivasi kepada penulis selama menyelesaikan skripsi ini. 2. Dr.Ir.M.Syamsun, MSc dan Hardiana Widyastuti, S.Hut,MM selaku dosen penguji yang telah bersedia menyumbangkan ide, dan gagasan kepada tulisan ini. 3. Ibu Yeyet dan seluruh staff dan karyawan departemen manajemen FEM IPB yang juga sudah begitu banyak memberikan bantuan kepada penulis dalam tahapan menyelesaikan skripsi ini. 4. Kedua orangtua saya, Fritz Rommel Marpaung dan Rosemerry Sianipar yang tak pernah letih mencintai saya, menyimpan saya dalam doa-doa, dan menjadi pendukung sekaligus motivasi paling utama bagi penulis untuk menyelesaikan skripsi ini. 5. Kedua adik saya, Ryan Jeremy Marpaung dan Raysara Natalie Omi Marpaung atas tingkahnya yang selalu menghibur dan tetap menerima saya sebagai kakak secara apa adanya.
6. ’The boys’ Delano, Eben, Nicko, Henry yang banyak membantu penulis lewat bincang statistik dan selalu membuat penulis tertawa tak peduli seberat apapun permasalahannya 7. Intan Olga Fajar Kemala yang sudah banyak menemani penulis dari TPB dan sudah melewati banyak sekali momen bersama. Terimakasih intan. 8. Sahabat-sahabat gendut terkasih Christini Lubis, Manuel Leonard Sirait, Adi Permana. Terimakasih sudah mengisi dan mewarnai hari penulis sehingga menjadi sangat menyenangkan untuk dijalani. 9. Buat bebi-bebi kesayangan Sankiki Malau, Handrio Siregar dan Imanuel Zega terimakasih sudah membuat penulis benar-benar merasa nyaman dan dicintai serta selalu mengingatkan dan tak pernah kehabisan cara untuk memberi semangat. Stay like this Forever please and i love you. 10. Komkes 45. Gunawan, Tiur, Amudi,Astra, Hisar, Christine,dll. Baru kali ini rasanya takut kehilangan teman. 11. Saudara 1 kosan Dwi Regina Geta, Puyun, Ria, Lia, Nita, Helen. Terimaksih atas keceriaan, candaan, airmata, doa, dan saat-saat begadang mengerjakan tugas bersama. Itu berarti sangat banyak bagi penulis. 12. Teman-teman satu bimbingan (Fitri, David, Mega, Puspa, Naylla, Rina, Septi, dan Ifa) yang telah berbagi kebersamaan, support, dan rasa pedulinya. 13. Keluarga manajemen 45 yang luar biasa banyak mengajari dan membekali penulis untuk menghadapi fase hidup selanjutnya. 14. Keluarga Komisi Kesenian, tempat dimana penulis banyak bertumbuh, berubah, dan menemukan keluarga di Bogor ini. Kehidupan kuliah tidak akan ada artinya tanpa kehadiran kalian, komkes.
DAFTAR ISI Halaman RINGKASAN RIWAYAT HIDUP..........................................................................
v
KATA PENGANTAR.....................................................................
vi
UCAPAN TERIMAKASIH............................................................
vii
DAFTAR TABEL............................................................................
xi
DAFTAR GAMBAR .......................................................................
xii
DAFTAR LAMPIRAN ...................................................................
xiii
I.
PENDAHULUAN ..................................................................
1
1.1. 1.2. 1.3. 1.4.
Latar Belakang Penelitian ................................................ Perumusan Masalah ......................................................... Tujuan Penelitian ............................................................. Ruang Lingkup Penelitian ...............................................
1 4 6 6
TINJAUAN PUSTAKA ........................................................
7
II.
2.1. Manajemen Operasi ......................................................... 7 2.2. Peramalan ........................................................................ 7 2.2.1 Klasifikasi Model Peramalan................................... 9 2.2.2 Model Peramalan Terbaik........................................................8 2.3. Pariwisata......................................................................... 12 2.4. Wisatawan........................................................................ 13 2.5. Penelitian Terdahulu ......................................................... 14 III. METODE PENELITIAN...................................................... 3.1. 3.2. 3.3. 3.4.
Kerangka Pemikiran Penelitian ....................................... Lokasi dan Waktu Penelitian ........................................... Pengumpulan Data ........................................................... Pengolahan dan Analisis Data ......................................... 3.4.1 Analisis Korelasi Sederhana..................................... 3.4.2 Metode ARIMA.......................................................
IV. HASIL DAN PEMBAHASAN.............................................. 4.1. Gambaran Umum Bandar Udara Soekarno-Hatta ........... 4.2. Gambaran Umum Bandar Udara Ngurah Rai................... 4.3. Uji Korelasi Kedatangan Turis Mancanegara di Bandar Udara Soekarno- Hatta dan Ngurah Rai.............. ............ 4.3.1. Analisis Pola Data bandar Udara Soekarno-Hatta.. 4.3.2. Analisis Pola Data Bandar Udara Ngurah-Rai......
15 17 17 18 19 20 21 22 26 27 28 29 30
4.3.3. Hubungan Kedatangan Turis Mancanegara di Bandar Udara Soekarno-Hatta dan Ngurah Rai................. 4.4. Metode Peramalan Time Series ARIMA pada Bandar Udara Soekarno-Hatta................ ..................................... 4.4.1 Uji Stasioneritas Data............................................. 4.4.2 Identifikasi Model Tentatif...................................... 4.4.3 Pemeriksaaan Diagnostik....................................... 4.4.4 Melakukan Peramalan............................................ 4.5 Metode Peramalan Time Series pada Bandar Udara Ngurah Rai......................................................................................... 4.5.1 Uji Stasioneritas Data............................................. 4.5.2 Identifikasi Model Tentatif...................................... 4.5.3 Pemeriksaaan Diagnostik....................................... 4.5.4 Melakukan Peramalan............................................ 4.6. Implikasi Manajerial.......................................................... KESIMPULAN DAN SARAN........................................................ DAFTAR PUSTAKA ...................................................................... LAMPIRAN .....................................................................................
32 32 32 34 37 39 41 43 43 46 47 48 50
DAFTAR TABEL No.
Halaman
1. Peringkat (%) Sektor Pariwisata Sebagai Penghasil Diantara Komoditi Non-Migas tahun 1984-1985 ...................................... .......... 2. Kedudukan Devisa Sektor Pariwisata Diantara Perolehan Devisa non-Migas lainnya 1996-1999................................... ................. .......... 3. Jumlah Kedatangan Turis Mancanegara ke Indonesia tahun 1997-2008.............................................................................................. 4. Beberapa Kemungkinan Model berdasarkan pola ACF dan PACF....... 5. Hasil analisis Korelasi kedatangan turis mancanegara di kedua Bandar Udara......................................................................................... 6. Ringkasan Untuk Pemenuhan kriteria Masing-Masing model ARIMA...................... ................................................................. ......... 7. Hasil Peramalan di Bandar Udara Soekarno-Hatta............................... 8. Hasil Peramalan di Bandar Udara Ngurah-Rai.....................................
1 2 3 24 32 39 40 46
DAFTAR GAMBAR No. 1. 2. 3. 4. 5. 6 7 8
Halaman Travel is a Multisector Industry ................................................. Kerangka Pemikiran Penelitian.................................................. Pola kedatangan mancanegara di Soekarno-Hatta tahun 1997-2011 ................................................................................... Pola Kedatangan Turis Mancanegara di Ngurah Rai tahun 1997-2011.......... .............................................................. Plot data kedatangan Turis mancanegara setelah proses differencing 1 kali......................................................................... PACF Soekarno-Hatta setelah melewati differencing pertama... Plot Data Kedatangan turis Mancanegara di Ngurah Rai setelah differencing................................................................................. Plot ACF Kedatangan turis Mancanegara di Ngurah Rai setelah differencing.................................................................................. .
4 17 29 30 34 36 42 43
DAFTAR LAMPIRAN No.
Halaman
1. Data Kedatangan Turis Mancanegara ke Indonesia .................... 2. Plot data kedatangan turis mancanegara di Bandar udara soekarno-hatta sebelum proses differencing……………………. 3. ACF Soekarno-Hatta setelah proses differences 1 kali………….. 4. Hasil olahan minitab ARIMA (1,1,1)(1,1,1)12…………………... 5. Hasil pengolahan data model ARIMA (0,1,1)(0,1,1)12………….. 6. Hasil pengolahan data model ARIMA (0,1,1)(1,1,1)12………….. 7. Hasil pengolahan data model ARIMA (1,1,1)(0,1,1)12………….. 8. Grafik pola deret waktu kedatangan turis mancanegara di Bandar udara Ngurah Rai……………………………………….. 9. Grafik ACF data asli kedatangan turis mancanegara di Bandar Udara Ngurah Rai………………………………………………. 10. PACF data kedatangan turis mancanegara di Ngurah Rai setelah differences………………………………………………… 11. Grafik ACF kunjungan wisatawan manca negara ke Bali setelah differencing……………………………………………………….. 12. Hasil olahan data ARIMA (0,1,1)(0,1,0)12……………………….. 13. Hasil olahan data ARIMA model (0,1,1)(0,1,0)12 ………………... 14. Hasil olahan data minitab model ARIMA (1,1,1)(1,1,1)12………...
.
52 57 57 58 59 60 61 62 62 63 63 64 65 66
1
I.
PENDAHULUAN
1.1. Latar Belakang Pariwisata merupakan sektor industri yang menjanjikan ,yang dapat menunjang perekonomian dunia, terutama di Indonesia sendiri, sektor pariwisata memegang peranan besar dalam menyumbangkan devisa negara. Sektor pariwisata menjadi sektor yang terbesar kedua dalam menyumbangkan devisa negara. Seiring dengan menipisnya minyak bumi dan produk olahan minyak yang merupakan sumber pendapatan utama, dengan demikian devisa negara yang 70%80% didapatkan dari sektor minyak bumi dan gas kemungkinan besar akan digantikan oleh sektor pariwisata. Menurut beberapa pakar, cadangan minyak bumi, yang menjadi andalan pemasukan devisa negara di dekade sebelumnya diperkirakan secara ekonomis habis pada tahun 2012 ini. Komoditi prospektif yang memiliki potensi besar untuk dikembangkan pada saat mendatang adalah sektor pariwisata. Tabel 1 Peringkat (%) Sektor Pariwisata Sebagai Penghasil Diantara Komoditi Non-Migas Tahun 1984-1985 No
Komoditi Minyak Bumi Gas Alam Kayu Karet Kopi
1984 63 18 6 4,8 3,10
1985 54 22,40 7,40 4,20 3,40
6 Pariwisata
2,60
3,20
2,40
3,40
1 2 3 4 5
7 Tekstil
Faktor yang menyebabkan industri pariwisata semakin berkembang di Indonesia adalah Indonesia memiliki banyak objek wisata alam yang indah dan keaneragaman budaya yang menarik bagi para wisatawan. Sektor pariwisata sendiri diyakini bukan hanya sekedar mampu untuk meningkatkan perolehan devisa negara tetapi juga dipercaya mampu untuk mengentaskan kemiskinan. Hal ini bukanlah suatu yang tidak mungkin sepanjang kondisi keamanan, politik dan perekonomian yang tidak bergejolak, sehingga menyebabkan wisatawan enggan berkunjung ke Indonesia. Perkembangan sektor Pariwisata sebagai penyumbang devisa negara seperti yang terlihat dalam Tabel 1 hanya menduduki peringkat
2
tujuh (7) di periode tahun 1984-1985 an pada 10 tahun berikutnya penerimaan devisa sektor pariwisata menduduik peringkat kedua (Tabel 2). Tabel 2 Kedudukan Devisa Sektor Pariwisata diantara Perolehan Devisa Non-Migas lainnya 1996-1999 No
commodities 1 Oil and Oil Products
2 Tourism 3 4 5 6 7 8 9 10
Textile Garments Plywood Rubber Electricitiy Tools Copper Coal Fresh Shrimps
1996 12.86
1997 13.353,0
1998 9.429,0
1999 11.189
6.307,7 5.321,5 4.331,0 4.710,0 2.975 3.575,8 3.594,5 2.226,7 1.411,4 1747.6 1.120,7 1.015,7
3.658,4 2.875,6 3.410,6 1.998,4 1.370,6 1.497,3 1.485,3 1.007,9
4.739,6 2.587,9 2.077,9 1.548,1 1.490,8 1.307,5 1.346,5 1.007,2
3.418,2 3.817,9 2.256,3 1.236,3 1.692,0 1.150,0 1.314,2 887,5
Banyaknya turis mancanegara berguna untuk menjadi parameter dalam memperkirakan jumlah uang yang berputar di Indonesia. Maksudnya adalah dampak pengeluaran yang nantinya akan dikeluarkan para wisatawan terutama mancanegara di Indonesia menjadi sumber utama pendapatan masyarakat dan dapat mengentaskan kemiskinan. Dengan mengembangkan pariwisata sebagai suatu industri akan terjadi peningkatan dalam kesempatan berusaha, kesempatan kerja, penerimaan pajak, pendapatan nasional, dan sekaligus memperkuat posisi neraca pembayaran. Jumlah kedatangan turis mancanegara ke Indonesia seperti yang tergambar di dalam Tabel 1. Pariwisata sendiri merupakan industri bersifat multisektor (Gambar 1) artinya adalah terdiri dari beberapa sektor perindustrian didalamnya yang saling terkait dan berhubungan diantara masing-masing sektor. Hubungan antar setiap sektor dalam industri pariwisata merupakan berbentuk suatu siklus yang tidak dapat terpisahkan. Karena setiap sektor berhubungan dan tidak dapat saling terputus, maka harus terjadi kesimbangan diantara masing-masing industri pariwisata seperti industri travel maupun industri perhotelan. Dimana dalam industri pariwisata yang memegang peranan penting adalah wisatawan. Wisatawan memegang peranan sebagai obyek dalam industri pariwisata yang menjadi sasaran bagi para pelaku bisnis pariwisata. Turis merupakan orang yang melakukan pariwisata. Jumlah turis yang datang ke Indonesia akan terkait dengan
3
jumlah banyaknya tingkat hunian hotel di Indonesia dan jumlah sarana transportasi di Indonesia serta dapat berfungsi bagi para pelaku home industry yang menjual pernak-pernik oleh-oleh khas Indonesia. Keterlibatan langsung masyarakat industri kecil dan menengah dalam program-program pengembangan pariwisata seperti pemanfaatan hasil kerajinan tangan hasil pertanian, perikanan, dan peternakan menjadikan industri pariwisata ini sendiri dapat berfungsi sebagai katalisator dalam proses pembangunan di Indonesia menjadi penggerak dalam pembangunan Tabel 3. Jumlah Kedatangan Turis Mancanegara ke Indonesia dari Tahun 1997-2008 Bandara Tahun
Soekarno Hatta
Ngurah Rai
Polonia
Batam
Bandara Lainnya
Jumlah
1997
1,457,340
1,293,657
174,724
1,119,238
1,140,284
5,185,243
1998
883,016
1,246,289
70,441
1,173,392
1,233,278
4,606,416
1999
819,318
1,399,571
76,097
1,248,791
1,183,743
4,727,520
2000
1,029,888
1,468,207
84,301
1,134,051
1,347,770
5,064,217
2001
1,049,471
1,422,714
94,211
1,145,578
1,441,646
5,153,620
2002
1,095,507
1,351,176
97,870
1,101,048
1,387,799
5,033,400
2003
921,737
1,054,143
74,776
1,285,394
1,130,971
4,467,021
2004
1,005,072
1,525,994
97,087
1,527,132
1,165,880
5,321,165
2005
1,105,202
1,454,804
109,034
1,024,758
1,308,303
5,002,101
2006
1,147,250
1,328,929
110,405
1,012,711
1,272,056
4,871,351
2007
1,153,006
1,741,935
116,614
1,077,306
1,416,898
5,505,759
2008
1,153,006
1,741,935
116,614
1,077,306
1,416,898
5,505,759
Bandar udara merupakan gerbang masuk para turis mancanegara ke Indonesia. Hampir di setiap kota besar di Indonesia memiliki Bandar udara internasional. Dari data yang didapat dalam literatur diketahui bahwa bandara Ngurah Rai dan Soekarno-Hatta merupakan dua (2) bandara yang menjadi pintu utama kedatangan turis mancanegara ke Indonesia. Melalui kedua Bandar udara internasional inilah para wisatawan mancanegara paling banyak memasuki negara Indonesia. Bandar udara internasional Soekarno-Hatta merupakan Bandar udara utama karena terletak di pusat dan ibukota Indonesia yaitu Jakarta. Sedangkan
4
Bali sangat dikenali di dunia internasional karena pesona alamnya yang luar biasa indah
Travel Transportation -air - land -sea
Hospitality Ancillary services Attractions Government tourism
*accomodation *reastaurant *entertainment *leisure activities \
Gambar 1 Travel is a multi sector industry Memperkirakan jumlah wisatawan asing yang berkunjung ke Indonesia merupakan peranan penting karena hasil analisis kedatangan turis mancanegara kedepannya digunakan untuk mendapatkan bagaimana banyaknya jumlah turis mancanegara yang akan mengunjungi Indonesia. Hasil dari peramalan tersebut merupakan komponen utama yang perlu diperhatikan dalam perencanaaan industri dalam menyikapi untuk program pengembangan jumlah wisatawan yang berkunjung ke Indonesia tersebut. Pemodelan yang digunakan untuk meramalkan kedatangan turis mancanegara ke depannya sangat berguna bagi perkembangan industri pariwisata di Indonesia, maka peramalan jumlah wisatawan mancanegara yang akan datang dapat dikaitkan dengan jumlah tingkat hunian hotel, jumlah peningkatan kebutuhan sehari-hari baik dari sektor pertanian maupun nonpertanian dan tingkat pertumbuhan ekonomi Indonesia ke depannya, dan upayaupaya untuk membangkitkan industri Indonesia dalam kaitannya dengan program pengentasan kemiskinan. Oleh karena itu dilakukan penelitian dengan judul ”Analisis Kunjungan Kedatangan turis Mancanegara ke Indonesia (Studi Kasus : Bandar Udara Internasional Soekarno-Hatta dan Ngurah Rai)”.
1.2.
Perumusan Masalah Salah satu penambah devisa negara dihasilkan dari sektor pariwisata. Sektor pariwisata di Indonesia sendiri bergantung dari banyak faktor seperti kondisi sosial, kondisi politik, ekonomi, dan keamanan negara Indonesia sendiri.
5
Peramalan kedatangan wisatawan mancanegara ke Indonesia merupakan data yang dianalisis dengan asumsi dependen, maksudnya data bergantung pada berbagai faktor manusia , seperti selera konsumen, keadaan musim, kebiasaan, dan masih banyak faktor lain. Menganalisis data dependen tersebut digunakan analisis time series. Autoregrresive Integrated Moving Average (ARIMA) merupakan model yang dikembangkan oleh Box dan Jenkins (1976). ARIMA adalah teknik untuk mencari pola paling cocok dari sekelompok data, maka ARIMA memanfaatkan sepenuhnya data masa lalu dan sekarang untuk melakukan peramalan jangka pendek yang akurat. Peramalan turis mancanegara menggunakan data sekunder, jumlah turis mancanegara yang berkunjung cenderung berubah dari waktu ke waktu. Karena itu, dibutuhkan peramalan kedatangan turis mancanegara guna merencanakan jumlah turis yang datang, serta mempersiapkan hunian hotel dan transportasi masyarakat, serta berbagai macam program bagi pemerintah dalam menyikapi dan mempersiapkan jumlah kedatangan turis mancanegara ini. Fluktuasi kedatangan turis mancanegara merupakan salah satu issue di dalam perkembangan dunia pariwisata di Indonesia. Peramalan jumlah turis yang akan datang ke Indonesia dirasa perlu karena berguna untuk mengantisipasi dan meminimalisasi kemungkinan buruk yang timbul karena kemerosotan jumlah turis yang datang. Jumlah turis yang datang dapat berubah sesuai dengan musim, maka pemerintah dan para pelaku bisnis pariwisata sehaarusnya dapat meramalkan kedatangan turis mancanegara ke depannya. Dalam peramalan jumlah turis mancanegara ini digunakan model ARIMA untuk meramalkannnya. Berdasarkan uraian di atas, dapat dirumuskan beberapa masalah berikut : 1. Bagaimana hubungan kedatangan turis mancanegara diantara kedua bandar udara internasional tersebut ? 2. Bagaimana pola kedatangan turis macanegara ke Indonesia melalui pintu bandar udara Soekarno-Hatta dan bandar udara internasional Ngurah Rai ?
6
3.aBagaimana hasil pemodelan ARIMA terhadap peramalan kedatangan turis mancanegara di pintu bandar udara internasional Soekarno-Hatta dan Ngurah Rai ? 1.3.
Tujuan Penelitian Berdasarkan perumusan masalah yang ada, maka penelitian yang dilakukan ini bertujuan untuk : 1. Mendapatkan korelasi diantara kedatangan turis mancanegara diantara kedu bandar udara tersebut bandar udara Soekarno-Hatta dan Ngurah Rai. 2.
Mengidentifikasi pola kedatangan turis mancanegara ke Indonesia melalui pintu bandar udara Soekarna-Hatta dan bandar udara Ngurah rai.
3.
Menganalisis model peramalan kedatangan turis mancanegara dengan menggunakan ARIMA.
1.4.
Ruang Lingkup Penelitian Penelitian ini menggunakan metode time series dan data kedatangan turismancanegara di dua pintu utama Indonesia, yaitu bandar udara internasional Soekarno-Hattta dan Ngurah Rai. Data yang digunakan dalam penelitian ini adalah data di dua (2) bandar udara utama dari tahun 2008-2011. Peramalan dilakukan selama 15 bulan ke depan yaitu dari bulan januari 2012-Maret 2013.
7
II. TINJAUAN PUSTAKA 2.1. Manajemen Operasi Menurut Prawirosentono (2007) Manajemen operasi adalah suatu disiplin ilmu dan profesi yang mempelajari secara praktis tentang proses perencanaan, mendesain produk, dan sistem produksi untuk mencapai tujuan organisasi. Tujuan perusahaan
didirikan
adalah
mencari
keuntungan
sesuai
dengan
yang
direncanakan. Upaya mencapai tujuan tersebut, antara lain diperlukan kegiatan yang menunjang operasi perusahaan. Kelancaran operasi perusahaan dapat berlangsung dengan baik, bila dalam proses penyusunannya didasarkan kepada berbagai faktor kualitatif dan kuantitatif. Inti dari manajemen operasi adalah menunjang perusahaan memperoleh keuntungan yang langgeng dalam jangka panjang dan peranan manjemen operasi bagi pemerintah adalah upaya menciptakan pelayanan publik secara memuaskan dengan basis optimasi. Dalam manajemen operasi erat kaitannya dengan dengan proses perencanaan. Proses perencanaan dalam manajemen operasi meliputi penggunaan teknik perencanaan,
yang salah satu tekniknya forecasting
(peramalan). 2.2 Peramalan Menurut Supranto (2000), ramalan pada dasarnya merupakan dugaan atau prakiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Data ramalan seyogianya dipergunakan sebagai ”ancar-ancar” , bukan merupakan suatu angka/bilangan yang harus dipergunakan begitu saja. Ramalan dapat bersifat kualitatif, artinya tidak berbentuk angka dan bersifat kuantitatif, artinya berbentuk angka, dinyatakan dalam bilangan. Ramalan kuantitatif dibagi menjadi dua (2), yaitu, ramalan tunggal (point forecast) dan ramalan selang (interval forecast) Ramalan tunggal terdiri dari satu nilai sedangkan ramalan selang adalah ramalan berupa suatu selang yang dibatasi oleh nilai batas bawah (ramalan rendah) dan batas atas (ramalan tinggi). Ramalan ada jangka panjang (long term forecast) meliputi kurang lebih 25 tahun mendatang, jangka menengah (medium term forecast) untuk kurang lebih lima (5) tahun mendatang.
8
Komitmen peramalan tumbuh karena beberapa faktor, yaitu : 1. Meningkatnya kompleksitas organisasi dan lingkungannya 2. Meningkatnya ukuran organisasi, maka bobot dan kepentingan suatu keputusan telah meningkat pula maka lebih banyak keputusan yang memerlukan telaah peramalan khusus dana analitis lengkap 3. Lingkungan dari kebanyakan organisasi mempelajari hubungan baru secara lebih cepat. 4. Pengambilan keputusan telah semakin sistematis mencakup pembenaran tindakan individu secara eksplisit. 5. Pengembangan model peramalan dan pengetahuan yang menyangkut aplikasinya telah lebih memungkinkan adanya penerapan secara langsung. Beberapa sifat hasil peramalan : 1. Peramalan pasti mengandung kesalahan , artinya peramalan hanya mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut. 2. Peramalan seharusnya memberi informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. 3. Peramalan akan lebih akurat, jika dilakukan terhadap family atau group. 4. Peramalan akan memberikan hasil yang lebih baik, jika periode waktunya singkat, karena faktor-faktor yang mempengaruhi permintaan relatif masih konstan. Karakteristik hasil peramalan yang baik, antara lain : 1. Akurasi
:
suatu
hasil
peramalan
diukur
dengan
kebiasaan
kekonsistenan peramalan tersebut. 2. Biaya : biaya yang diperlukan dalam pembuatan suatu metode peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode dan metode peramalan yang dipakai. 3. Kemudahan : penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan dan memberikan keuntungan bagi perusahaan.
9
2.2.1 Klasifikasi Model Peramalan Berdasarkan sifatnya teknik peramalan dibagi dalam dua kategori utama, (Makridakis,1999) yaitu: a. Metode Peramalan Kualitatif Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan ditentukan berdasarkan pemikiran intuisi, pendapat dan pengetahuan dari orang yang menyusunnya. Metode kualitatif atau teknologis dapat dibagi menjadi metode eksploratoris dan metode normatif. b. Metode Peramalan Kuantitatif Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa yang lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang digunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan berbeda. Baik tidaknya metode yang digunakan ditentukan oleh perbedaan atau penyimpangan antara hasil peramaln dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Peramalan kuantitatif dapat digunakan bila terjadi tiga (3) kondisi, yaitu : 1) Adanya informasi tentang masa lalu. 2) Informasi tersebut dapat dikuantitatifkan dalam bentuk data. 3) Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang. Kondisi terakhir ini dibuat sebagai asumsi yang berkesinambungan (asumption of continuity), Asumsi merupakan modal yang mendasari semua metode peramalan kuantitatif dan banyak peramalan teknologis, terlepas dari bagaimana canggihnya metode tersebut. Metode kuantitatif dapat dibagi dalam dua (2) kelompok, yaitu : a. Metode–metode peramalan dengan analisa deret waktu, yaitu : 1). Metode Pemulusan Eksponensial dan Rataan Bergerak.
10
2). Metode Proyeksi Trend dengan Regresi. 3). Metode Box Jenkins b. Metode – metode kausal, yaitu : 1). Metode Regresi dan Korelasi, digunakan untuk memperoleh ramalan yang terbaik. Semakin baik regresinya maka akan semakin baik pula tafsiran yang diperoleh, maka hubungan antara korelasi dan regresi sangat erat dalam peramalan. 2). Metode Ekonometri, digunakan untuk memperoleh nilai-nilai variable bebas sehingga peubah bebas tersebut tidak perlu ditafsir lagi 2.2.2
Pemilihan Model Peramalan Terbaik Penggunaaan peramalan dalam pengambilan keputusan oleh setiap pimpinan, baik pimpinan perusahaan maupun organisasi merupakan hal sangat penting. Dengan demikian seorang peneliti atau analis sering menggunakan peramalan dalam penelitiannya, dengan teknik dan metode peramalan yang tepat. Dalam pemilihan teknik dan metode peramalan yang tepat perlu diketahui beberapa ciri-ciri penting yang sangat berppengaruh terhadap analisa dan pengambilan keputusan dalam mempersiapkan peramalan (Assauri, 1999). Ciri utama yang perlu diperhatikan : a) Horison waktu. Periode waktu selama suatu keputusan atau analisa akan mempunyai pengaruh dan untuk ini manajer atau analis harus merencanakan dan pengaruh- pengaruh pemilihan teknik dan metode peramalan yang tepat. b) Tingkat Perincian. Tugas-tugas dalam pengambilan keputusan dan analisa umumnya dibagi-bagi (mempermudah penanganannya menurut tingkat perincian yang dibutuhkan). Dalam pemilihan teknik atau metode peramalan untuk suatu keadaan tersebut haruslah hati-hati, karena harus disesuaikan dengan tingkat perincian yang dibutuhkan dari peramalan tersebut untuk digunakan bagi pengambilan keputusan dan analisa. c) Jumlah Produk. Dalam keadaan dimana keputusan atau analisa yang dibuat mengenai berbagi produk perusahaan, maka hendaklah ada usaha pengembangan secara efektif atas aturan-aturan pengambilan keputusan
11
yang dapat diaplikasikan secara mekanis untuk masing-masing produk. Dalam keadaan ini hanya ada satu produk yang diramalkan, maka aturanaturan yang digunakan dalam persiapan ramalan dapat lebih rinci dan lebih rumit dari keadaan di mana terdapat banyak ramalan yang harus dibuat. d) Pengawasan versus Perencanaan. Dalam metode peramalan yang dibutuhkan untuk pengawasan adalah metode peramalan yang mampu memperkirakan dan mengetahui sedini mungkin perubahan-perubahan yang terdapat dalam pola dasar. Sedangkan dalam bidang perencanaan umumnya dianggap bahwa pola yang ada akan berkelanjutan pada masa depan
dan
karena itu
dasar-dasar utama
yang penting adalah
mengidentifikasi pola-pola tersebut, serta mengeksplorasikannya untuk masa mendatang. e) Stabilitas. Dalam keadaan stabil, metode peramalan dapat diterima dan diperiksa secara periodik untuk menentukan apakah hal tersebut masih berlaku. Sedangkan dalam keadaan yang tidak pasti, metode peramalan yang dibutuhkan adalah metode yang dapat sesuai dengan hasil-hasil yang terbaru secara terus-menerus dan informasi-informasi terakhir. f)
Prosedur Perencanaan yang ada. Suatu metode peramalan umumnya memasukkan proses perubahan-perubahan rencana perusahaan dan prosedur-prosedur pengambilan keputusan. Setiap prosedur-prosedur pengambilan keputusan membutuhkan metode peramalan yang berbeda dengan memilih metode yang berlaku pada saat dimulainya. Faktor-faktor yang berperan dalam penggunaan metode peramalan adalah:
a. Horison Waktu. Ada dua (2) aspek dari horison waktu yang berhubungan dengan masing-masing metode peramalan, pertama cakupan waktu di masa mendatang. aspek kedua adalah jumlah periode yang dibutuhkan untuk ramalan. Beberapa teknik dan metode hanya dapat sesuai untuk peramalan 1, atau 2 periode ke depan, sedangkan teknik dan metode yang lain dapat digunakan untuk peramalan periode di masa depan. b. Pola dari Data. Dasar utama dari peramalan adalah anggapan bahwa macam dari pola data yang didapati di dalam data yang diramalkan akan
12
berkelanjutan, maka perbedaan kemampuan metode peramalan dalam mengidentifikai pola-pola data, memerlukan usaha penyesuaian antara pola data yang telah diperkirakan terlebih dahulu dengan teknik dan metode peramalan yang digunakan. c. Jenis dari Model. Banyak metode peramalan telah menganggap adanya beberapa model dari keadaan yang diramalkan. Model-model ini merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau korelasi. Model yang lain adalah model sebab-akibat atau ”casual model” yang menggambarkan bahwa ramalan yang dilakukan sangat tergantung pada terjadinya sejumlah peristiwa yang lain atau sifatnya merupakan campuran dari model-model yang telah disebutkan di atas. Model-model tersebut sangat penting diperhatikan, karena model-model tersebut mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan. d. Biaya. Umumnya ada 4 (empat) unsur biaya yang tercakup dalam penggunaan suatu proses ramalan, yaitu biaya-biaya pengembangan, penyimpanan data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik dan metode-metode lainnya. e. Ketepatan Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa pengambilan keputusan diharapkan variasi, atau atas ramalan yang dilakukan antara 10%-15% bagi maksud-maksud yang diharapkan, sedangkan hal atau kasus lain mungkin menganggap bahwa adanya variasi, atau penyimpangan atas ramalan 5 % adalah cukup berbahaya. 2.3 Pariwisata Pengertian istilah pariwisata adalah kegiatan melakukan perjalanan dengan tujuan mendapatkan kenikmatan mencapai kepuasan, mengetahui sesuatu memperbaiki kesehatan, menikmati olahraga atau istirahat, menunaikan tugas, berziarah, dan lain-lain
13
Menurut definisi yang luas pariwisata adalah perjalanan dari satu tempat ke tempat lain, bersifat sementara, dilakukan perorangan maupun, kelompok, sebagai usaha mencari keseimbangan atau keserasian dan kebahagiaan dengan lingkungan hidup dalam dimensi sosial budaya alam, dan ilmu. 2.4 Wisatawan Dalam Instruksi Presiden (INPRES) No. 9/1969 dinyatakan bahwa wisatawan adalah setiap orang yang bepergian dari tempat tinggalnya untuk berkunjung ke tempat lain dengan menikmati perjalanan dari kunjungan itu. Menurut konferensi PBB tentang perjalanan dan pariwisata internasional di Roma pada tahun 1963 turis adalah mereka yang melakukan perjalanan lebih dari 24 jam dengan tujuan
a) leisure
(recreation, holiday, health, study, religion, and sport) ; b) bussiness family, mission,and
meeting. Seorang wisatawan atau turis adalah
seseorang yang melakukan perjalanan paling tidak sejauh 80 km (50 mil) dari rumahnya dengan tujuan rekreasi, merupakan definisi oleh Organisasi Pariwisata Dunia. 2.5 Penelitian Terdahulu Rosyidah (2005) melakukan penelitian mengenai pemodelan Autoregressive Integrated Moving Average (ARIMA) dalam peramalan penumpang kereta api pada daerah operasi IX Jember. Penelitian dilakukan terhadap kecenderungan peningkatan penjualan tiket terutama di musim menjelang lebaran. Penelitian ini bertujuan untuk mengetahui aplikasi model ARIMA pada data penumpang kereta api dari bulan Januari 1997 sampai dengan bulan Februari 2005. Dari model yang diperoleh dapat dibuat peramalan penumpang kereta api pada daerah operasi IX Jember untuk beberapa waktu ke depan.
Metode time series yang
digunakan dalam penelitian ini adalah metode ARIMA Kurniawati (2009) melakukan penelitian mengenai peramalan penjualan candy dan cookies sebagai acuan dalam perencanaan kuantitas produk pada usaha kecil menengah (UKM) Warung Coklat di Bogor. Penelitian dilakukan degan mengunakan dua (2) komoditi di dalam UKM
14
Warung Coklat itu sendiri, yaitu cokelat candy dan coklat cookies. Data penjualan yang digunakan adalah data penjualan dari masing-masing tipe produk yang terpilih, khususnya data penjualan harian. Metode time series yang digunakan adalah metode trend, metode dekomposisi, metode rataaan, metode pemulusan eksponensial, dan metode winters. Metode yang memiliki nilai MSE (Mean Square Error) terkecil yang akan dipilih menjadi metode untuk meramalkan setiap produk. Ramadhan (2011) melakukan penelitian mengenai analisis peramalan ekspor, konsumsi domestik, dan produksi Crude Palm Oil (CPO). Penelitian dilakukan dengan mencari masing-masing model ARIMA terbaik yang dapat digunakan untuk meramalkan ekspor, konsumsi domestik dan produksi CPO. Data yang digumakan dalam penelitian ini adalah data sekunder, metode ARIMA yang terbaik ditemukan dengan cara mencari model yang paling banyak memenuhi kriteria.
15
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya bentuk dan jenis usaha yang muncul sekarang ini. Perkembangan bisnis yang semakin cepat ini menuntut para pelaku bisnis untuk memahami dan meramalkan keadaan di masa depan dalam mengambil keputusan. Peramalan merupakan unsur sangat penting dalam menjalankan suatu usaha, terlebih dalam memberikan gambaran terhadap masa depan suatu perusahaan. Meskipun, peramalan merupakan suatu hal yang jarang ditemui kesempurnaan perhitungannya dalam kehidupan sehari-hari. Tetapi, hasil peramalan penjualan dapat membantu pihak manajemen perusahaan dalam mengambil keputusan yang berpengaruh terhadap perusahaan ke depannya yang dapat mendatangkan keuntungan bagi perusahaan. Dengan melakukan peramalan, para perencana dan pengambil keputusan akan dapat mempertimbangkan alternatif alternatif strategi dalam cakupan yang lebih luass dan pasti apabila dibandingkan dengan tanpa peramalan. Industri Pariwisata merupakan industri yang sedang berkembang sekarang ini. Hal ini terkait dengan semakin tingginya prospek bisnis industri pariwisata yang menjanjikan ke depannya. Bisnis pariwisata sendiri terdiri dari banyak komponen bisnis didalamnya dan banyak pihak yang terlibat dalam menjalankan usahanya. Banyaknya jumlah turis yang datang merupakan penggerak utama perekonomian dalam sektor pariwisata. Oleh karena itu perlu dilakukan peramalan terhadap jumlah wisatawan yang akan datang ke Indonesia dengan menggunakan studi kasus dua (2) pintu gerbang utama terhadap kedatangan wisatawan mancanegara di Indonesia yaitu Bandara Internasional Soekarno-Hatta dan Ngurah Rai serta bagaimana korelasi dan pengaruh kedatangan turis mancanegara diantara dua (2) pintu gerbang utama tersebut. Peramalan kedatangan turis mancanegara Dengan peramalan yang tepat maka para pelaku bisnis pariwisata dapat mempersiapkan dengan baik
16
hal-hal seperti
hunian hotel, transportasi, dan acara kebudayaan untuk
menarik minat para wisatawan tersebut. Oleh karena itu pada penelitian ini dilakukan peramalan terhadap kedatangan turis mancanegara ke Indonesia yang berfokus kepada dua (2) pintu utama yaitu Bandara Internasional Soekarno-Hatta dan Ngurah Rai. Metode peramalan yang tersedia cukup banyak untuk melakukan peramalan. Untuk kasus pada travel ini, metode yang digunakan adalah ARIMA) atau juga yang sering disebut dengan metode runtun waktu BoxJenkins. ARIMA adalah suatu model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. Analisis time series model ARIMA dapat digunakan untuk melakukan estimasi maupun peramalan pada waktu yang mendatang. Diharapkan dari hasil pemodelan peramalan yang didapat dari penggunaan ARIMA ini didapatkan model yang dapat meramalkan kedatangan turis mancanegara ke Indonesia selama 15 bulan ke depan. Hasil dari pemodelan peramalan yang dilakukan dengan metode ARIMA diharapkan dapat memeberikan sumbangan pemikiran bagi pemerintah dan para pelaku bisnis pariwisata dalam mengestimasi banyaknya turis mancanegara yang datang ke Indonesia dalam periode 15 bulan mendatang dan dengan demikian pemerintah dapat menyediakan program yang menarik bagi para turis dan pelaku bisnis pariwisata dapat menggerakkan potensi bisnisnya semaksimal mungkin dan dapat menambah devisa negara secara keseluruhan. Kerangka Pemikiran dapat dilihat pada Gambar 2.
17 Kunjungan turis mancanegara ke Indonesia
Bandar udara Soekarno-Hatta
Bandar udara Ngurah Rai
Hubungan kedatangan turis mancanegara
Model Peramalan kedatangan turis di Soekarno Hatta
Model Peramalan kedatangan turis di Ngurah Rai Pengecekan tingkat galat dan Penentuan model ARIMA terbaik untuk peramalan
Hasil peramalan kunjungan turis mancanegara di sekarno-hatta
Hasil peramalan kunjungan turis mancanegara di Ngurah Rai
Gambar 2 . Kerangka pemikiran penelitian 3.2. Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan dengan menggunakan data sekunder, data kedatangan turis mancanegara ke Indonesia selama 4 tahun kebelakang (data tahun 2008-2011). Pemilihan jenis penelitian ini dilakukan karena tersedianya akses untuk mendapatkan data dan dengan pertimbangan bahwa peramalan kedatangan turis mancanegra ke Indonesia melalui 2 (dua) pintu utama yaitu bandar udara Soekarno-Hatta dan Ngurah Rai belum pernah dilakukan sebelumnya. Penelitian ini akan dilakukan dari bulan Februari sampai dengan bulan April 2012. 3.3 Pengumpulan Data Data yang digunakan dalam penyelesaian penelitian ini, antara lain adalah data kedatangan turis mancanegara ke Indonesia. Data kedatangan
18
turis mancanegara yang digunakan merupakan data bulanan kedatangan turis dalam setiap tahunnya dan kecenderungan trend kedatangannya yang naik di bulan-bulan tertentu. Data kedatangan yang digunakan pada saat meramal juga adalah data yang didapatkan dengan mengamati bagaimana hubungan antara kedatangan turis mancanegara diantara kedua bandar udara yang digunakan dalam studi kasus penelitian kali ini. Analisis kuantitatif yang dilakukan dalam penelitian ini berfungsi untuk meramalkan kedatangan turis mancanegara di masa mendatang. Peramalan kedatangan turis mancanegara ini diawali dengan mengumpulkan data jumlah kedatangan turis mancanegara ke Indonesia. Setelah itu ditemui dan diketahui pola data penjualan, maka akan ditentukan model peramalan ARIMA yang paling sesuai dan paling kecil tingkat kesalahannya. Hasil peramalan dalam penelitian ini dapat berguna bagi pemerintah dan para pelaku bisnis pariwisata dalam mengeluarkan keputusan dan penyediaan akomodasi bagi kedatangan turis ke depannya. Hal ini bertujuan untuk memaksimalkan pendapatan dan devisa negara yang masuk melalui sektor pariwisata. Analisis peramalan dalam penelitian ini menggunakan metode time series. Metode time series adalah metode yang meramalkan kejadian atau penjualan di masa yang akan datang atas dasar serangkaian data masa lalu, yang merupakan hasil observasi berbagai variabel menurut waktu. Selain itu, metode ini juga digunakan dengan pertimbangan dengan digunakan data deret waktu dalam penelitian ini berarti bahwa data penjualan didasarkan pada
waktu
kejadian
tanpa
memperhatikan
faktor
luar
yang
mempengaruhinya. Metode peramalan time series yang digunakan dalam penelitian ini adalah ARIMA. Model ARIMA ini adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. Dalam menyusun metode peramalan time series perlu diketahui suatu pola data terlebih dahulu. Dari suatu pola data tersebut dapat terbentuk suatu plot data yang kemudian dikonversi menjadi bentuk kurva sehingga dapat diketahui unsur yang terdapat dalam data tersebut, hal ini berguna untuk menduga metode peramalan yang terbaik untuk digunakan.
19
Menurut Aritonang (2002), data runtut waktu dapat dibedakan menjadi empat (4) komponen, yaitu : 1. Trend merupakan komponen data runtut waktu yang berkaitan dengan adanya kecendrungan peningkatan atau penurunan pada periode tertentu. 2. Musim merupakan komponen data runtu waktu yang memiliki pola berulang dari waktu ke waktu. Pola tersebut biasanya timbul karena adanya pengaruh dari suatu musim tertentu. 3. Siklis merupakan komponen data runtut waktu yang ditunjukkan dengan pola data yang berfluktuasi bergelombang yang biasanya dipengaruhi keadaan ekonomi secara umum. 4. Ketidakteraturan/ireguler/acak merupakan komponen data runtut waktu yang tidak tergolong dalam trend, musim, maupun siklis. Komponen ini berkaitan dengan hal-hal yang tdak terduga sebelumnya. Pemilihan metode peramalan dalam time series ini dilakukan pada data kedatangan turis mancanegara ke Indonesia dengan pola kedatangan turis mancanegara tersebut dan nilai kesalahan terkecil. Pada peramalan time series model peramalan yang terbaik adalah model yang memiliki nilai kesalahan peramalan terkecil. Data yang digunakan dalam penelitian ini adalah data sekunder serta jenis data yang bersifat kuantitatif. data sekunder yang digunakan adalah data kedatangan turis mancanegara ke Indonesia yang sudah menjadi arsip negara, keadaan umum lokasi penelitian, potensi pengembangan perusahaan ke depannya dan informasi lain yang didapatkan dari berbagai sumber termasuk internet. 3.4 Pengolahan dan Analisis Data Pengolahan dan analisis data yang digunakan dalam penelitian ini akan dilakukan secara kualitatif dan kuantitatif. Penghitungan dan pengolahan data kuantitatif akan dikerjakan dengan menggunakan bantuan software komputer seperti program Stastical Package Social Science (SPSS) dan Minitab. Analisis kualitatif digunakan untuk mengetahui gambaran umum keadaan selama penelitian dan mengetahui permasalahan apakah yang terjadi di dalam pemelitian terseut. Analisis ini dilakukan dengan
20
menggunakan pengamatan langsung terhadap keadaan selama penelitian dan wawancara mendalam ke pada pihak pihak ahli. Data yang digunakan seperti terdapat dalam Lampiran 1. 3.4.1 Analisis Korelasi Sederhana Analisis korelasi pertama kali dikembangkan oleh Karl Pearson pada tahun 1900. Tujuan dari analisis korelasi adalah menentukan seberapa erat hubungan antara dua (2) peubah. Analisis Korelasi adalah suatu teknik statisika yang digunakan untuk mengukur keeratan hubungan atau korelasi diantara dua (2) peubah. Analisis korelasi mengukur keeratan hubungan antara dua (2) peubah X dan Y. Keeratan hubungan antara dua (2) variabel tersebut dinyatakan dalam bentuk koefisien korelasi yang dilambangkan dengan huruf r. Koefisisen korelasi (r) menunjukkan seberapa dekat titik kombinasi antara peubah X dan Y pada garis lurus sebagai dugaaannya. Semakin dekat titik kombinasi dengan dugaannya maka korelasi semakin besar. Ukuran korelasi antar dua (2) buah variabel yang paling banyak digunakan adalah koefisien korelasi momen yang dikembangkan oleh Pearson. Rumus Koefisien Korelasi tersbut dinyatakan sebagai berikut : n(∑XY) – (∑X∑Y) r hitung
= [n∑X2 – (∑X)2] [n∑Y2 – (∑Y)2]
Dimana : r
: Nilai koefisien korelasi
∑X
: jumlah pengamatan peubah X
∑Y
: jumlah pengamatan peubah Y
∑XY : jumlah hasil perkalian peubah X dan Y (∑X2) : jumlah kuadrat dari hasil pengamatan peubah X (∑Y2) : jumlah kuadrat dari hasil pengamatan peubah Y n
: jumlah pasangan pengamatan X dan Y Koefisisen korelasi mempunyai nilai antara -1 sampai 1. Nilai r=-1
yang disebut dengan linier sempurna negatif, terjadi apabila titik contoh atau kombinasi terletak pada suatu garis lurus yang mempunyai kemiringan negatif. Nilai r = 1 disebut dengan nilai linier sempurna positif dan hal ini
21
terjadi apabila semua titik contoh terletak tepat pada suatu garis lurus dengan kemiringan positif. Akan tetapi apabila nilai mendekati nol (0) hubungan antara kedua peubah sangat lemah atau mungkin tidak ada sama sekali. 3.4.2 Metode ARIMA Model Box-Jenkins (ARIMA) dibagi kedalam tiga (3) kelompok, yaitu : model autoregressive (AR), moving average (MA), dan model campuran (ARIMA) yang memiliki karakteristik dari dua (2) model pertama. a
Autoregressive Model (AR) Model AR dapat berjenjang 0, 1, 2, ..., sampai dengan p.
Bentuk model AR(p), AR (1), dan AR (2) dikemukakan sebagai berikut model umum AR (P) : Yt = a +b 1 Y t-1 + b 2 Y t-2 + ... +b p Y t-p +e t dari model tersebut dapat diketahui bahwa nilai pada suatu periode (Yt) merupakan hasil penjumlahan dari komponen konstanta (a), komponen data pada suatu periode sebelumnya dikalikan dengan koefisien otoregresinya (b 1 y t-1 ), komponen data pada dua periode sebelumnya dikalikan dengan koefisien otoregresinya (b 2 Y t-2 ) ,.., komponen data pada p periode sebelumnya dikalikan dengan koefisien otoregresinya (b p Y t-p ), dan komponen residu atau error modelnya pada periode tersebut (e t ) . komponen residu itu merupakan selisih dari hasil yang diproyeksikan datanya. b
Moving Average Model (MA) Model MA juga dapat berjenjang 0, 1, 2, ..., sampai dengan jenjang q. Model MA (q), MA (1), MA (2) dikemukakan sebagai berikut ini : Model umum MA (q) : Y t = c + e + m 1 e t-1 + m 2 e t-2 + ...+ m q e t-q Dari model itu dapat diketahui bahwa nilai data pada suatu periode (Y t ) merupakan hasil penjumlahan dari komponen konstanta (c), komponen residu pada periode tersebut (e t ), komponen residu pada suatu periode sebelumnya dikalikan dengan koefisiennya (m 1 e t-1), komponen residu pada dua periode
22
sebelumnya dikalikan dengan koefisiennya (m 2 e t-2 ) ,..., dan komponen residu pada q periode sebelumnya dikalikan dengan koefisiennya (m q e t-q ). c
ARMA (p,q) Yt = K + b 1 y t-1 + ...+b p y t-p – m 1 e t-1 -...m q e t-q +e t Gabungan model AR (p) dan model (q) disebut model ARMA (p,q). Konstanta (K) model itu dihitung dengan rumus : K= M(1-b 1 -...-b p ), dimana M: merupakan rata-rata dari data mentah Yt.
d
Model ARIMA (1,1,1) Yt = K + Y t-1 + b 1 Y t-1 - b 1 Y t-2 – m 1 e t-1 Konstanta pada model ARIMA (1,1,1) adalah rata-rata dari I(1). Estimasi awal atas parameter ARIMA (1,1,1), dilakukan berdasarkan dua persamaan berikut ; r1 = [(1-b 1 m 1 )(b 1 -m 1 )]/[1+m 1 2 – 2b 1 m 1 ] , dan r2 = r 1 b1
Langkah – Langkah dalam Pengolahan Data dalam Metode ARIMA 1) Identifikasi Model Tentatif Hal yang perlu diperhatikan sebelum menentukan model awal dari metode ARIMA adalah melihat komponen plot data. Model ARIMA mengasumikan bahwa peramalan dapat dilakukan apabila data telah berfluktuasi secara konstan diantara rataan dan ragamnya telah stasioner. Untuk melihat kestasioneran data, dapat dilihat melalui plot data dan analisis autokorelasi. Data yang masih tergabung dalam unsur trend yang tampak apabila
diplotkan
harus
terleih
dahulu
dilakukan
pembedaan
(differencing) secara regular. Sedangkan apabila data mengandung unsur musiman, maka perlu dilakukan pembedaan secara musiman pula. Data yang memiliki ragam yang tidak stasioner (trend yang tidak konstan) dapat diatasi dengan menggunakan transformasi dengan mengubahnya ke bentuk akar, logaritma, atau logaritma natural. (ln). Rumus pembeda regukar dan musiman adalah : 1)
Pembeda regular : Zt = Yt – Yt-1
23
2)
Pembeda Musiman : Zt = Yt – Yt-L
Dimana : Zt : nilai pembedaan regular Yt : data pada periode t Yt-1 : data pada satu periode sebelum t L : jumlah periode musiman dalam 1 tahun Setelah dilakukan pembedaan, untuk menentukan stasioneritas dari data, kita dapat melihat dari plot autocorrelation function yang merupakan kumpulan dari koefisien koefisien autokorelasi (rk). Untuk model ARIMA regular, data dapat disebut stasioner apabila nilai rk sudh menurun mendekati nol pada selang ketiga dalam lima selang pertama. Nilai Rk yang kembali berbeda nyata dengan nol setelah selang kelima tidak diperhatikan dan dianggap sudah stasioner. Setelah mendapati data yang stasioner, berikutnya dilakukan pembentukan model tentatif yang dilihat dari ACF dan Partial Autocorrelation Function (PACF).ACF mewakili ordo MA dan PACF mewakili ordo AR. Penentuan model ARIMA regular dan seasonal dijelaskan pada tabel berikut. 2) Estimasi Dalam melakukan metode peramalan dengan metode BoxJenkins (ARIMA) adalah menentukan nilai-nilai dalam parameter atau koefisien dari model tentatif. Estimasi dilakukan dengan bantuan software minitab 14.0 ini juga ditunjukkan untuk melihat nyatanya suatu parameter. Suatu parameter dikatakan signifikan atau berbeda nyata dari nol apabila nilai. Uji slope (t hit ) lebih besar dari nilai t tabel pada selang kepercayaan tertentu (5 persen). Atau dapat dilihat dari p-value harus lebih kecil dari selang kepercayaan a (p-value < a). Selain itu, pada tahap ini juga dilakukan perbamdingan nilai Mean Squared Error (MSE) dan Mean Percentage Error (MAPE) yang bermanfaat bagi pencocokan dan perbandingan model-model yang berbeda (Hanke, et all, 1996).
24
Tabel 4. Beberapa Kemungkinan model berdasarkan Pola ACF dan PACF Model
Pola ACF
Pola PACF
AR (p)
dying down
Cut off setelah selang p (p = 1 atau p = 2)
MA (q)
Cut off setelah selang p (p = 1 atau p = 2)
dying down
ARIMA (p,d,q)
dying down
dying down
Ada dua (2) cara yang mendasar untuk mendapatkan parameterparameter dalam model ARIMA : 1) 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).Dengan cara mencoba-coba (trial and error), menguji beberapa 2) Perbaikan secara iteratif, memilih taksiran awal dan kemudian penghitungan dilakukan Box-Jenkins Computer Program untuk memperhalus penaksiran tersebut secara iterati c) Evaluasi Model Tedapat enam (6) yang harus dilihat untuk mengetahui kelayakan model ARIMA, diantaranya (Firdaus, 2006) : 1) Proses iterasi harus konvergen. Bila kondisi ini terpenuhi, maka pada sassion output Minitab 14.0 n tampil pernyataaan , ”relative change in each estimate less than 0,0010”. 2) Parameter yang diestimasi harus sudah signifikan atau sudah berbeda dengan nol. Hal ini dinyatakan dengan nilai p-value dari parameter AR atau MA yang kurang dari 0,05. 3) Kondisi inversibilitas dan stasioneritas model terpenuhi. Invertibilitas merupakan kondisi dimana seluruh penjumlahan koefisien parameter MA lebih kecil dari 1. Sedangkan stasioneritas terpenuhi apabila jumlah
25
koefisien parameter AR lebih kecil dari 1. Penjumlahan secara absolut antara koefisien parameter AR dan MA reguler dan seasonal dilakukan secara terpisah. 4) Parsimonitas model. Hal ini berarti dari pemilihan model , dipilih model yang memiliki bentuk paling sederhana. Sebagai contoh, model ARIMA (1,1,1) lebih baik daripada ARIMA model (2,1,2) 5) Residual (error) peramalan bersifat acak. Uji ini dilakukan untuk melihat apakah sekumpulan autokorelasi dari nilai sisa telah bersifat acak atau masih memiliki pola. Model yang baik adalah model yang memiliki komponen galatnya tidak dapat digunakan untuk menjelaskan ramalan. Uji ini dilihat dengan menggunakan indikator Ljung-Box Q, apabila p-value telah lebih besar dari 0,05 maka residual atau error model tersebut telah menyebar acak (random). 6) MSE terkecil. Nilai rataan galat kuadrat dari model ARIMA yang kita dapatkan harus menampilkan hasil yang paling kecil apabila dibandingkan dengan model ARIMA lainnya. Selain dari MSE, evaluasi untuk mendapatkan model terbaik pun dapat dilihat dari nilai Mean Absolute Percentage Error (MAPE) dan mendekati nol.
Mean Percentage Error (MPE) yang
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 19972011 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 SoekarnoHatta 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 SH
NR
Pearson Correlation
1
Sig. (2-tailed) N NR
Pearson Correlation Sig. (2-tailed) N
**
.605
.000 49
49
**
1
.605
.000 49
49
**. Correlation is significant at the 0.01 level (2-tailed).
4.4 Metode Peramalan Time Series ARIMA pada Bandar Udara SoekarnoHatta 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
Partial Autocorrelation
0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1
2
3
4
5
6
7
8
9
10
11
12
Lag
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
Model ARIMA
Kelayakan
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)(0,1,1012
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 12
Soekarno-Hatta adalah ARIMA (0,1,1)(0,1,1) . 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 Chi-Square DF P-Value
12 12.0 10 0.286
24 17.6 22 0.730
36 * * *
48 * * *
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.
50
KESIMPULAN DAN SARAN KESIMPULAN 1. Analisis korelasi diantara kedua Bandar udara tersebut menunujukkan korelasi yang positif dan kuat.. apabila pada suatu waktu kedatangan turis mancanegara di Bandar udara Soekarno-Hatta mengalami kenaikan berarti jumlah kedatangan turis mancanegara di Bandar udara Ngurah Rai juga akan mengalami kenaikan, dan berlaku sebaliknya 2. Hasil pola data kedatangan turis mancanegara baik di pintu Bandar udara SoekarnoHatta dan Bandar udara Ngurah Rai menunjukkan pola data tidak stasioner. Maka untuk semua pola data perlu dilakukan proses pembedaan (differencing) agar menghasilkan data yang stasioner tidak mengandung unsur musiman dan dapat diproses lebih lanjut. 3. Hasil pemodelan ARIMA terhadap peramalan kedatangan turis mancanegara memadai untuk melakukan peramalan kedatangan turis mancanegara di kedua Bandar Udara., dimana model ARIMA untuk Bandar udara Soekarno-Hatta adalah ARIMA (0,1,1)(0,1,1)12. Sedangkan untuk peramalan kedatangan turis mancanegara di Bandar Udara Ngurah Rai model yang digunakan adalah ARIMA (0,1,0)(0,1,1)12. . SARAN 1. Peramalan kedatangan turis mancanegara ini perlu dilakukan secara berkala dan teratur dalam periode tertentu. Karena ARIMA merupakan metode yang sangat baik diterapkan dalam peramalan jangka pendek. Selain itu untuk setiap data yang akan diamasukkan kembali ke model ARIMA akan menghasilkan pola data yang berbeda, sehingga model yang terbaik diterapkan juga akan berbeda. 2. Bandar udara Soekarno-Hatta dan Ngurah Rai dijadikan pintu masuk utama kedatangan turis mancanegara ke Indonesia, maka perlu dilakukan pencatatan data yang teratur dan terdokumentasi dengan baik sehingga dapat dijadikan bahan pertimbangan bagi para pengambil kebijakan. Selain itu perlu dilakukan pencatatan dan peramalan kedatangan untuk wisatawan yang berkunjung dengan alat transportasi darat dan laut
51
3. Perlu adanya pengembangan model peramalan dengan menggunakan metode lain untuk dibandingkan keakuratannya dalam meramalkan kedatangan turis mancanegara ke Indonesia. Misalnya peramalan dengan menggunakan metode VAR dengan software E Views agar dapat dilihat interaksi kointegrasi baik diantara semua bandar udara maupun pelabuhan. 4. Agar tidak terjadi penurunan dalam jumlah wisatawan mancanegara yang mengunjungi Indonesia, maka perlu dijaga kestabilan dalam negeri ,agar mengurangi ketakutan para wisatawan untuk berkunjung
52
DAFTAR PUSTAKA Aritonang R dan Lerbin R. 2009. Peramalan Bisnis. Ghalia Indonesia, Jakarta. Assauri,S. Manajemen Produksi Operasi. 1999. LPFE UI, Jakarta. Box, G., G Jenkins and G. Reinsel. 1994. Time Series Analysis Forecasting and Control. Third Edition. Holden-Day, San Fransisco. Bowerman, Bruce L. & Richard T. O’Connel. 1993. Forecasting and Time Series. Wadsworth,Inc, United States. Chiang, A.A. Dasar-Dasar Matematika Ekonomi. 1993. Jakarta : Erlangga Hanke J, Reitsch A. 1996. Bussines Forecasting. Prentice Hall International Edition. Engkewood Clifffs, New Jersey : Kurniawati, A.D. 2009. Peramalan penjualan Candy dan Cookies dalam Perencanaan Kuantitas Produk UKM Warung Cokelat di Kota Bogor. Skripsi pada Departemen Manajemen Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor,Bogor. Istiqomah. 2006. Aplikasi Model ARIMA untuk Forecasting Produk Gula pada PT Perkebunan Nusantara IX (PERSERO). Skripsi pada Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang, Semarang. Lovelock, C. 2007. Manajemen Pemasaran Jasa (Terjemahan). PT. Indeks, Jakarta. Makridakis, S. , S C. Wheelwright, dan V. E. McGee. 1999. Metode dan Aplikasi Peramalan, Jakarta: Erlangga,
Ramadhan, G.D.. 2011. Analisis Peramalan Ekspor, Konsumsi Domestik, dan Produksi Crude Palm Oil (CPO). Skripsi pada Departemen Agribisnis Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor, Bogor. Render, B dan J. Heizer. 2001. Prinsip-Prinsip Manajemen Operasi. (Terjemahan). Salemba Empat,Jakarta. Rosyiidah, Umi. 2005. Pemodelan ARIMA dalam Peramalan Penumpang Kereta Api Pada Daerah Operasi (DAOP) IX Jember. Jurnal pada Jurusan Matematika, universitas, Jember. Sedarmayanti.. 2005. Membangun Kebudayaan dan Pariwisata. Mandar Maju, Jakarta.
53
Spillane, James. J. Ekonomi Pariwisata, Sejarah dan Prospeknya. Googlr Books. Supranto, J. 2000. Metode Ramalan Kuantitatif : untuk perencanaan Ekonomi. Rineka Cipta, Jakarta. Prawirosentono, S. 2007. Manajemen Operasi. Bumi Aksara, Jakarta. Yoeti, O. A. 2008. Ekonomi Pariwisata. PT. Kompas Media Nusantara, Jakarta.
54
LAMPIRAN
Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia Menurut Pintu Masuk, 2012
52
2012 Pelabuhan Masuk
Januari
Februari
Soekarno-Hatta
156,654
154,698
Ngurah Rai
249,728
209,160
Polonia
15,384
14,843
Batam
102,630
83,089
1,827
1,171
14,200
14,290
Entikong
2,324
1,787
Adi Sumarmo
1,482
1,622
Minangkabau
2,502
2,561
Tanjung Priok
5,449
4,409
Tanjung Pinang
9,524
6,869
Selaparang
1,230
871
Makassar
1,064
1,048
Sepinggan
1,157
1,836
Sultan Syarif Kasim II
1,408
1,720
Adi Sucipto
3,795
3,447
Husein Sastranegara
9,600
10,667
30,546
23,440
9,455
8,123
32,733
46,851
652,692
592,502
Sam Ratulangi Juanda
Tanjung Uban Tanjung Balai Karimun Lainnya Total
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
53
Lanjutan Lampiran 1 (tahun 2011) 2011 Pelabuhan Masuk Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Soekarno-Hatta
138,987
144,299
160,650
151,989
150,407
164,689
200,180
142,974
169,777
175,068
171,215
162,787
Ngurah Rai
208,337
201,457
202,539
224,423
208,832
245,248
279,219
252,698
252,855
244,421
220,341
248,336
Polonia
12,172
14,270
15,600
14,998
16,648
15,979
17,646
13,225
14,517
15,392
19,907
22,296
Batam
77,925
86,318
87,776
92,055
96,206
111,619
108,383
84,918
90,569
95,250
100,404
130,158
1,050
1,264
1,778
1,764
1,436
1,513
2,011
2,199
1,927
2,100
1,425
1,607
13,580
13,086
15,317
14,179
14,894
16,215
16,788
16,553
14,264
15,406
18,650
16,883
Entikong
1,647
2,297
2,044
1,831
2,201
2,118
1,559
2,643
1,759
1,506
2,269
3,380
Adi Sumarmo
1,374
1,622
2,501
1,993
2,542
1,795
1,989
1,937
2,029
1,837
1,993
2,218
Minangkabau
2,183
2,646
3,215
2,107
2,669
2,707
2,734
1,628
1,903
1,799
3,740
3,254
Tanjung Priok
5,903
5,089
5,593
5,278
5,452
5,270
5,273
4,864
4,972
5,180
6,980
5,317
Tanjung Pinang
6,194
8,648
8,388
9,026
8,523
11,067
8,987
7,858
7,849
7,483
9,969
12,188
Selaparang
1,164
835
1,315
1,639
1,698
1,683
2,182
1,506
1,216
1,629
1,368
1,703
906
1,083
939
1,146
1,090
1,289
1,277
1,295
964
1,178
1,615
1,513
Sepinggan
1,355
1,356
1,744
1,283
1,158
1,295
1,137
1,124
1,311
1,242
1,408
1,194
Sultan Syarif Kasim II
1,412
1,468
1,852
1,982
2,131
1,982
2,079
1,731
1,482
1,485
2,214
2,164
Adi Sucipto
2,990
3,344
5,187
4,651
5,106
3,700
4,519
3,826
2,672
3,417
4,851
3,897
Husein Sastranegara
9,383
8,747
9,057
9,732
9,397
11,079
11,806
6,507
6,916
9,126
11,155
12,380
22,663
25,662
28,523
26,206
25,487
32,372
31,694
32,806
25,208
27,097
25,425
34,210
7,193
9,903
8,933
9,284
8,680
9,325
9,907
5,587
8,355
8,090
8,628
10,512
32,403
34,663
35,117
32,527
35,634
33,457
36,081
35,205
39,526
37,300
41,391
48,542
548,821
568,057
598,068
608,093
600,191
674,402
745,451
621,084
650,071
656,006
654,948
724,539
Sam Ratulangi Juanda
Makassar
Tanjung Uban Tanjung Balai Karimun Lainnya Total
54
Lanjutan lampiran 1 (tahun 2010) 2010 Pelabuhan Masuk Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Soekarno-Hatta
117,422
121,727
183,449
173,906
183,218
155,951
180,353
142,050
125,439
153,300
147,579
139,242
Ngurah Rai
178,358
191,362
191,125
184,230
199,401
224,695
252,110
243,222
232,516
229,651
196,856
222,497
Polonia
11,365
12,625
14,000
12,326
13,298
15,499
15,244
11,447
12,127
13,520
14,102
16,857
Batam
79,560
80,966
81,732
77,178
84,617
92,719
86,716
76,809
74,511
77,183
85,307
110,148
1,841
2,308
1,602
1,445
1,602
1,590
1,776
1,689
1,561
1,847
1,477
1,482
13,889
12,241
14,455
12,561
13,459
15,008
15,941
14,420
13,171
12,297
17,255
14,191
Entikong
1,262
2,432
1,873
1,538
2,073
2,099
2,134
1,874
1,816
1,139
1,915
3,281
Adi Sumarmo
1,033
1,163
2,117
1,790
2,368
2,183
2,334
2,067
2,361
2,384
869
1,681
Minangkabau
1,714
2,005
2,350
1,906
2,092
2,972
2,434
1,180
2,279
1,864
3,342
3,344
Tanjung Priok
5,535
5,260
5,271
4,945
4,720
5,035
5,088
5,943
4,776
5,690
6,044
5,552
Tanjung Pinang
6,173
8,548
7,731
7,942
8,474
10,030
8,091
7,093
8,390
7,237
8,167
10,078
727
974
1,293
1,319
1,170
1,585
2,134
2,171
1,340
1,459
1,253
1,863
1,913
2,045
1,080
925
913
1,093
935
1,026
946
950
3,059
1,326
615
694
1,254
899
780
891
846
841
889
1,104
1,116
895
Sultan Syarif Kasim II
1,056
1,268
1,319
1,234
1,131
1,642
1,223
905
1,508
1,089
2,070
833
Adi Sucipto
3,672
4,006
4,467
3,733
5,170
4,747
4,576
4,188
3,488
4,419
1,254
3,267
Husein Sastranegara
6,444
6,809
7,155
6,885
8,156
7,680
8,409
7,218
5,227
9,570
6,321
10,404
21,604
23,718
27,100
22,281
26,349
29,928
27,000
26,653
23,187
25,435
26,029
34,661
6,912
9,100
9,446
8,180
8,543
9,413
9,237
6,126
7,119
7,707
8,605
10,520
32,704
33,884
35,423
30,692
32,497
28,662
31,895
29,608
37,716
36,809
45,532
52,099
493,799
523,135
594,242
555,915
600,031
613,422
658,476
586,530
560,367
594,654
578,152
644,221
Sam Ratulangi Juanda
Selaparang Makassar Sepinggan
Tanjung Uban Tanjung Balai Karimun Lainnya Total
55
Lanjutan Lampiran 1 (Tahun 2009)
2009 Pelabuhan Masuk Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
92,136
97,985
121,699
96,709
119,231
125,111
150,924
123,405
87,047
117,911
127,299
130,983
173,919
146,192
168,036
188,189
190,697
200,503
235,042
232,164
218,245
225,606
184,622
221,604
Polonia
11,248
9,133
13,617
11,481
13,031
14,166
13,886
12,043
9,702
11,861
12,042
15,983
Batam
81,601
68,964
87,154
77,788
79,969
84,521
70,864
78,422
66,105
72,195
78,764
105,037
Juanda
1,981
1,956
2,274
2,538
2,543
2,393
2,970
3,559
2,633
2,675
1,923
2,270
10,665
9,916
13,061
11,582
13,448
14,879
14,810
15,661
10,381
12,630
16,413
14,630
Entikong
1,581
1,175
1,859
1,497
1,814
1,820
1,451
1,578
2,192
1,314
1,855
3,054
Adi Sumarmo
1,088
909
1,313
1,192
1,444
1,611
1,713
1,391
1,211
1,777
1,239
1,601
Minangkabau
3,757
4,611
4,597
4,450
5,776
6,224
6,872
1,932
1,965
4,140
3,037
3,641
Tg. Priok
5,911
5,111
4,957
5,212
5,567
5,444
4,791
4,583
4,959
4,746
3,011
4,920
Tg. Pinang
9,909
6,606
9,867
8,428
9,001
10,241
7,159
8,025
8,407
7,598
7,864
9,382
79,369
68,997
82,880
78,055
79,214
83,669
82,933
84,034
80,952
84,706
93,600
112,314
473,165
421,555
511,314
487,121
521,735
550,582
593,415
566,797
493,799
547,159
531,669
625,419
Soekarno-Hatta Ngurah Rai
Sam Ratulangi
Lainnya Total
56
Lanjutan lampiran 1 (tahun 2008) 2008 Pelabuhan Masuk Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Soekarno-Hatta
101,190
110,477
123,981
105,338
122,627
120,270
145,535
149,635
97,764
120,683
117,008
150,209
Ngurah Rai
147,319
159,681
159,886
154,777
167,342
178,258
190,662
195,758
189,247
189,142
172,813
176,901
Polonia
8,322
8,581
9,843
9,180
11,655
9,698
11,898
14,890
8,021
10,477
11,134
16,512
Batam
77,656
87,206
92,174
78,838
87,079
98,404
85,560
94,257
74,690
82,630
90,102
112,794
Juanda
927
1,328
1,686
1,669
1,697
1,607
1,952
2,048
2,109
2,432
2,032
2,308
Sam Ratulangi
9,043
10,403
11,485
10,597
12,646
12,416
14,006
18,171
17,363
11,011
13,858
15,727
Entikong
1,043
1,613
1,610
1,234
1,606
1,553
1,363
2,331
1,790
1,430
1,672
2,744
Adi Sumarmo
1,508
1,469
2,130
1,536
2,107
1,776
1,892
1,601
947
1,404
1,194
1,458
Minangkabau
1,880
2,208
3,313
2,016
3,583
3,586
3,408
3,435
3,460
2,936
3,320
7,766
Tg. Priok
5,102
5,820
5,626
5,648
5,962
5,610
5,570
5,781
5,656
5,682
6,098
5,331
Tg. Pinang
6,538
9,736
10,415
8,915
12,001
11,692
9,871
13,319
9,735
8,966
9,272
13,045
77,438
66,927
79,892
79,381
80,650
84,194
95,647
98,280
90,236
92,598
95,659
105,657
437,966
465,449
502,041
459,129
508,955
529,064
567,364
599,506
501,018
529,391
524,162
610,452
Lainnya Total
57 Lampiran 2 plot data kedatangan turis mancanegara di Bandar udara soekarno-hatta sebelum proses differencing
Lampiran 3 ACF Soekarno-Hatta setelah proses differences 1 kali
58
Lampiran 4 hasil olahan minitab ARIMA (1,1,1)(1,1,1)12 ARIMA Model: Soekarno-Hatta Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
SSE 15443384168 14408421082 14138488194 13953754916 13738424585 13518479191 13240685293 12713317813 11922210620 11254515018 9653424426 8899221606 8847476719 8791371659 8768300837 8750181830 8742093724 8741992009 8741974353 8741960715 8741464456 8740654926
0.100 -0.016 0.015 0.059 0.131 0.228 0.342 0.466 0.536 0.451 0.393 0.245 0.255 0.240 0.255 0.255 0.263 0.263 0.264 0.264 0.267 0.269
Parameters 0.100 0.100 0.200 0.250 0.283 0.174 0.352 0.084 0.453 0.003 0.575 -0.051 0.707 -0.108 0.849 -0.184 0.970 -0.232 0.965 -0.365 0.967 -0.507 0.954 -0.657 0.971 -0.663 0.957 -0.709 0.973 -0.709 0.966 -0.718 0.967 -0.725 0.967 -0.725 0.966 -0.726 0.966 -0.727 0.965 -0.730 0.966 -0.731
0.100 0.195 0.045 -0.105 -0.255 -0.370 -0.480 -0.604 -0.690 -0.833 -0.983 -1.002 -1.001 -0.999 -0.999 -0.999 -0.999 -0.999 -0.999 -0.999 -0.999 -0.999
578.804 648.768 749.409 804.286 805.339 740.793 641.735 514.893 438.718 451.623 555.970 530.766 597.633 530.952 602.936 561.791 600.723 598.737 597.892 597.638 603.335 610.154
Unable to reduce sum of squares any further * WARNING * Back forecasts not dying out rapidly Final Estimates of Parameters Type AR 1 SAR 12 MA 1 SMA 12 Constant
Coef 0.2691 -0.9988 0.9659 -0.7313 610.2
SE Coef 0.1996 0.0531 0.1145 0.2138 216.4
T 1.35 -18.81 8.44 -3.42 2.82
P 0.187 0.000 0.000 0.002 0.008
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 49, after differencing 36 Residuals: SS = 8563580128 (backforecasts excluded) MS = 276244520 DF = 31
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 12.1 26.1 * * DF 7 19 * * P-Value 0.096 0.128 * *
59
Lampiran 5 Hasil pengolahan data model ARIMA (0,1,1)(0,1,1)12 ARIMA Model: Soekarno-Hatta Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
SSE 14714699949 14136952448 13907808123 13747052080 13613248712 13489308575 13366048981 13240386046 13117298484 13010645779 12935069573 12892864674 12873888513 12866621492 12864113685 12863301991 12863049908 12862974126 12862952168
0.100 0.250 0.310 0.344 0.373 0.398 0.421 0.443 0.464 0.482 0.497 0.508 0.515 0.520 0.523 0.525 0.526 0.527 0.527
Parameters 0.100 714.572 0.144 755.851tab 0.217 759.247 0.284 727.532 0.342 698.704 0.396 673.285 0.449 649.801 0.500 627.580 0.549 606.650 0.593 587.614 0.628 571.257 0.654 558.102 0.670 548.289 0.680 541.546 0.686 537.247 0.689 534.655 0.691 533.149 0.692 532.293 0.692 531.814
Relative change in each estimate less than 0.0010
Final Estimates of Parameters Type Coef SE Coef T MA 1 0.5269 0.1443 3.65 SMA 12 0.6924 0.2136 3.24 Constant 531.8 633.6 0.84
P 0.001 0.003 0.407
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 49, after differencing 36 Residuals: SS = 10003930344 (backforecasts excluded) MS = 303149404 DF = 33
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 * *
60
Lampiran 6 hasil pengolahan data model ARIMA (0,1,1)(1,1,1)12 ARIMA Model: Soekarno-Hatta Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
SSE 14869456733 14518918942 14167806780 14005579315 13839820025 13684862368 13574575225 13483227678 13386726834 13243204410 12892453595 11568788136 10706255622 10451301204 10379777003 10327699447 10250196306 10107942963 9808500621 9491922725 9347006499 9334431800 9329167109 9325546748 9325465795
Parameters 0.100 0.100 0.176 0.250 0.265 0.176 0.290 0.082 0.317 -0.003 0.347 -0.065 0.373 -0.110 0.394 -0.157 0.413 -0.211 0.430 -0.279 0.449 -0.371 0.484 -0.520 0.578 -0.660 0.634 -0.722 0.672 -0.744 0.707 -0.749 0.747 -0.748 0.798 -0.742 0.869 -0.733 0.974 -0.718 0.958 -0.730 0.966 -0.723 0.960 -0.722 0.961 -0.716 0.960 -0.716
0.100 0.205 0.055 -0.095 -0.245 -0.376 -0.473 -0.560 -0.645 -0.735 -0.841 -0.980 -0.996 -0.995 -0.996 -0.996 -0.997 -0.999 -1.000 -1.002 -1.002 -1.002 -1.002 -1.002 -1.002
643.115 611.051 753.721 849.799 925.330 964.883 981.364 994.523 1009.240 1027.917 1052.409 1074.607 1116.336 1168.949 1177.943 1170.513 1151.693 1125.711 1091.083 1051.076 742.200 831.113 804.497 853.269 849.610
Unable to reduce sum of squares any further * WARNING * Back forecasts not dying out rapidly Final Estimates of Parameters Type SAR 12 MA 1 SMA 12 Constant
Coef -1.0021 0.9602 -0.7165 849.6
SE Coef 0.0446 0.0998 0.2119 238.1
T -22.48 9.62 -3.38 3.57
P 0.000 0.000 0.002 0.001
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 49, after differencing 36 Residuals: SS = 9137553089 (backforecasts excluded) MS = 285548534 DF = 32 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 17.8 8 0.023
24 30.5 20 0.062
36 * * *
48 * * *
61
Lampiran 7 hasil pengolahan data model ARIMA (1,1,1)(0,1,1)12 ARIMA Model: Soekarno-Hatta Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
SSE 15377804658 14158682446 13919868409 13720074094 13526474419 13323150871 13085268119 12756491100 12627617251 12491737138 12453937086 12414086192 12391698464 12377545205 12369733796 12366067584 12364153953 12363434242 12363047564 12362939577 12362869849 12362862785 12362851933
Parameters 0.100 0.100 0.228 0.129 0.328 0.210 0.445 0.272 0.560 0.328 0.665 0.381 0.762 0.434 0.858 0.487 0.933 0.528 0.908 0.548 0.918 0.582 0.900 0.603 0.905 0.626 0.894 0.639 0.896 0.652 0.891 0.659 0.892 0.665 0.889 0.668 0.889 0.671 0.888 0.672 0.888 0.673 0.888 0.674 0.888 0.674
0.100 -0.036 0.026 0.111 0.201 0.286 0.365 0.442 0.484 0.411 0.412 0.384 0.386 0.369 0.371 0.362 0.363 0.359 0.360 0.358 0.358 0.358 0.358
Final Estimates of Parameters Type Coef SE Coef T AR 1 0.3578 0.2116 1.69 MA 1 0.8880 0.1179 7.53 SMA 12 0.6744 0.2315 2.91 Constant 314.6 175.6 1.79
643.115 769.357 750.842 654.219 568.166 486.697 411.069 344.451 330.185 234.523 333.822 277.598 325.779 298.888 320.727 308.313 317.293 312.128 315.596 313.605 314.903 314.168 314.647
P 0.101 0.000 0.006 0.083
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 49, after differencing 36 Residuals: SS = 9941532030 (backforecasts excluded) MS = 310672876 DF = 32
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 6.7 8 0.572
24 19.5 20 0.491
36 * * *
48 * * *
Lampiran 7 hasil pengolahan data model ARIMA (1,1,1)(0,1,1)12
62
Lampiran 8 grafik pola deret waktu kedatangan turis mancanegara di Bandar udara Ngurah Rai
Lampiran 9 grafik ACF data asli kedatangan turis mancanegara di Bandar udara Ngurah Rai
63
Lampiran 10 PACF data kedatangan turis mancanegara di Ngurah Rai setelah melalui proses differences
Lampiran 11 grafik ACF kunjungan wisatawan manca negara ke Bali setelah dilakukan differencing
64
Lampiran 12 hasil olahan data ARIMA (0,1,1)(0,1,0)12 ARIMA Model: Ngurah Rai Estimates at each iteration Iteration SSE Parameters 0 13279393045 0.100 410.961 1 11802255540 0.250 395.520 2 10580560152 0.400 396.079 3 9567245880 0.550 400.825 4 8752310106 0.700 410.658 5 8317909089 0.850 457.937 6 8315602342 0.858 572.404 7 8315553743 0.857 581.615 8 8315551793 0.857 581.456 Relative change in each estimate less than 0.0010
Final Estimates of Parameters Type SMA 12 Constant
Coef 0.8572 581.5
SE Coef 0.2035 897.4
T 4.21 0.65
P 0.000 0.521
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 49, after differencing 36 Residuals: SS = 7039039540 (backforecasts excluded) MS = 207030575 DF = 34
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 12.6 10 0.245
24 25.9 22 0.254
36 * * *
48 * * *
65
Lampiran 13 hasil pengolahan minitab ARIMA model (0,1,1)(0,1,0)12 ARIMA Model: Ngurah Rai Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
SSE 12973795400 11192039265 9809824955 8785823136 8127080199 7850084437 7788974765 7715320083 7560168327 7523252229 7516279073 7513697700 7513697438 7513697399 7513697388 7513697388 7513697387 7513697387
Parameters 0.100 410.961 0.250 373.665 0.400 376.334 0.550 381.322 0.700 359.654 0.834 232.549 0.868 89.203 0.905 35.654 0.953 -37.455 0.966 -48.118 0.968 -14.851 0.970 -12.570 0.970 -12.127 0.970 -12.025 0.970 -11.975 0.970 -11.925 0.970 -11.913 0.970 -11.907
Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type MA 1 Constant
Coef 0.9695 -11.9
SE Coef 0.0834 214.7
T 11.63 -0.06
P 0.000 0.956
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 49, after differencing 36 Residuals: SS = 7494841334 (backforecasts excluded) MS = 220436510 DF = 34
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 12.0 10 0.286
24 17.6 22 0.730
36 * * *
48 * * *
66
Lampiran 14 hasil olahan data minitab model ARIMA (1,1,1)(1,1,1)12 ARIMA Model: Ngurah Rai Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
SSE 14428635983 13744520178 13543586746 13293909895 12944835864 12320221551 10811801202 9567671718 8115441599 6849444437 5808471934 5085634076 4708859359 4493656299 4363776653 4280122079 4222539407 4179614919 4145179300 4114809166 4086069024 4055928702 4022570436 3981548555 3931264557 3865590944
0.100 0.086 0.225 0.359 0.485 0.592 0.575 0.473 0.323 0.173 0.023 -0.061 -0.082 -0.092 -0.106 -0.117 -0.130 -0.140 -0.154 -0.163 -0.176 -0.186 -0.200 -0.211 -0.227 -0.237
0.100 -0.050 0.072 0.009 -0.008 0.083 -0.067 0.045 -0.038 -0.060 -0.160 -0.293 -0.409 -0.497 -0.566 -0.619 -0.662 -0.697 -0.729 -0.757 -0.783 -0.809 -0.835 -0.861 -0.889 -0.917
Parameters 0.100 0.100 0.120 -0.036 0.270 0.091 0.420 0.031 0.570 0.020 0.720 0.123 0.819 0.002 0.825 0.152 0.822 0.133 0.831 0.219 0.831 0.293 0.833 0.392 0.827 0.459 0.823 0.514 0.820 0.555 0.822 0.587 0.825 0.610 0.833 0.629 0.840 0.642 0.852 0.652 0.860 0.660 0.874 0.667 0.884 0.672 0.903 0.678 0.915 0.682 0.942 0.687
332.879 376.112 275.845 236.078 180.685 110.732 84.130 66.677 82.938 97.435 134.724 176.704 195.169 200.038 187.571 168.580 138.151 109.051 72.652 42.386 4.585 -24.150 -64.210 -91.131 -136.431 -158.781
** Convergence criterion not met after 25 iterations ** * WARNING * Back forecasts not dying out rapidly
Final Estimates of Parameters Type AR 1 SAR 12 MA 1 SMA 12 Constant
Coef -0.2366 -0.9168 0.9424 0.6875 -158.78
SE Coef 0.2442 0.1724 0.1317 0.2737 51.91
T -0.97 -5.32 7.16 2.51 -3.06
P 0.340 0.000 0.000 0.017 0.005
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 49, after differencing 36 Residuals: SS = 3497911508 (backforecasts excluded) MS = 112835855 DF = 31
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 15.8 7 0.027
24 29.8 19 0.054
36 * * *
48 * * *
