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
