Pendidikan yang dimiliki seseorang menunjukan tingkat pengetahuan atas informasi yang dimiliki mengenai suatu objek wisata.
3.1.4. Teori Peramalan
Mulyono 2000, memberikan definisi peramalan sebagai suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi di
masa depan berdasarkan informasi masa lalu dan sekarang yang dimmiliki, agar kesalahan dapat diperkecil. Peramalan juga dapat diartikan sebagai uasaha
memperkirakan perubahan. Agar tidak disalahpahami bahwa peramalan tidak memberikan jawaban yang pasti tentang apa yang akan terjadi, melainkan akan
mencari yang sedekat mungkin dengan yang akan terjadi. Menurut Gaynor dan Kirpatrick 1999, peramalan merupakan pendugaan
terhadap kegiatan masa depan. Metode peramalan dapat berdasarkan pada pengalaman, penelitian, dan opini dari ahli.
Peramalan kuantitatif memiliki sifat yang objektif berdasarkan pada keadaan aktual data yang diolah dengan menggunakan metode-metode tertentu.
Penggunaan suatu metode juga harus didasarkan pada fenomena manajemen atau bisnis apa yang akan diramalkan dan tujuan yang ingin dicapai melalui peramalan.
Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi Makridakis et al, 1999 berikut :
1. Tersedia informasi masa lalu
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numeric.
3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa
datang.
Pada dua asumsi pertama merupakan suatu keharusan bagi penerapan metoda peramalan kuantitatif. Asumsi ketiga merupakan syarat kecukupan,
artinya walaupun asumsi ketiga dilanggar, model yang dirumuskan masih dapat digunakan.hal tersebut akan memberikankesalahan peramalan yang relatif besar
bila perubahan pola data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis.
Makridakis et al,1999 ada tiga alasan menggunakan metode deret waktu, yaitu :
a. Sistem kemungkinan tidak dipahami, dan sekalipun dipahami, hubungan- hubungan yang mengatur perilaku sistem tersebut kemungkinan sulit sekali
diujur. b. Perhatian utama hanyalah memprediksi apa yang akan, bukan bagaimana hal
itu terjadi. c. Saat mengetahui sesuatu terjadi dan memprediksi apa yang akan terjadi,
nilainya tidak terlalu berarti, padahal biaya untuk mengetahui tentang mengapa terjadi kemungkinan sangat tinggi, sementara biaya untuk
memprediksi apa yang akan terjadi lebih rendah. Peramal harus menyadari bahwa mereka menghadapi, persoalan, dan
keputusan yang berbeda-beda dimana tidak setiap metode peramalan dapat dikembangkan. Pertimbangan yang cermat dalam memilih metode peramalan
diperlukan agar ramalan dapat digunakan sesuai dengan tujuan yang telah ditentukan. Terdapat lima faktor utama yang mencerminkan kemampuan dan
kesesuaian dalam memilih suatu metode peramalan, yaitu :
a. Horison waktu Aspek penting dalam peramalan adalah jumlah dari periode yang diinginkan
dalam ramalan. Beberapa metode hanya dapat meramalkan satu periode ke depan, sedangkan metode lainnya dapat memproyeksikan beberapa periode.
Agrowisata Little Farmers memerlukan informasi tingkat kunjungan beberapa periode ke depan, sehingga metode yang menghasilkan beberapa periode ke
depan akan lebih baik. b. Pola data
Terdapat empat pola dalam metode time series, yaitu : -
Pola Horisontal stasioner Pola ini terjadi ketika data observasi berfluktuasi di sekitar nilai rata-rata
konstan. Tipe ini disebut juga pola stasioner, misalnya penjualanan bulanan untuk suatu produk tidak meningkat atau menurun secara konsisten selama
beberapa waktu. -
Pola Kecenderungan Trend Pola tren terbentuk ketika data observasi terlihat meningkat atau menurun
dalam periode waktu yang lebih panjang. Trend merupakan komponen jangka panjang yang mendasari pertumbuhan atau penurunan deret data.
Penyebabnya dapat berupa adanya pertumbuhan penduduk, peubahan teknologi, inflasi, produktivitas, dan sebaginya.
- Pola Musiman seasonality
Pola ini terjadi ketika data observasi dipengaruhi oleh faktor musiman. Komponen musiman merupakan fluktuasi yang terjadi kurng dari setahun dan
berulang pada tahun berikutnya. Komponen musiman relatif dominan pada
peubah-ubah yang besarannya tergantung pada musim atau cuaca, seperti produksi komoditi pertanian
- Pola Siklus cyclus
Pola ini terjadi ketika data observasi terlihat naik atau turun dalam periode waktu yang tidak tetap. Komponen siklus seperti fluktuasi gelombang
disekitatr garis tren biasanya dipengaruhi oleh keadaan ekonomi secara umum. Nilai fluktuasi yang terjdi lebih dari setahun disekitar garis tren, misalnya
disebabkan oleh fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis. Komponen siklus umumnya ditemukan pada analisis jangka
panjang seperti peramaaln peubah terkait dengan siklus hidup produk. Melihat perbedaan tersebut, perlu penyesuaian antara pola data dengan metode
peramalan yang akan digunakan. c. Daya tarik dalam metode peramalan
Mencakup kekuatan atau kelemahan dari metode peramalan, kesederhanaan dan kemudahan aplikasi.
d. Ketepatan Ukuran ketepatan yang digunakan dalam penerapan metode time series adalah
MSE Mean Square Error. Metode yang memiliki MSE lebih kecil akan lebih baik, karena metode tersebut mampu memberikan ramalan tingkat
kunjungan pada Little Farmers lebih akurat. e. Ketersediaan perangkat lunak komputer
Penerapan metode peramalan menggunakan program komputer yang sesuai. Program tersebut harus mudah dipergunakan, bebas dari kesalahan-kesalahan
besar, sehingga dapat dipahami dan diinterptretasikan hasilnya.
Secara umum terdapat dua metode peramalan time series, yaitu metode pelicinan smoothing dan metode analisis time series. Pada metode pelicinan,
terdapat dua kelompok metode, yaitu metode perataan dan pelicinan eksponensial. Metode perataan terdiri dari :
1. Metode Rata-rata a. Simple Average rata-rata kumulatif
Metode ini hanya cocok diterapkan pada data yang stasioner. Bila data mengalami perubahan mendadak pada periode tertentu, maka nilai tengah
sebagai ramalan periode mendatang tidak dapat mengkap perubahan tersebut.
a. Simple Moving Average rata-rata bergerak sederhana
Metode ini mempunyai kelemahan tidak dapat menanggulangi adanya trend dan musiman pada data.
2. Metode Pelicinan Eksponensial Exponential Smoothing Metode pelicinan eksponensial terdiri dari pelicinan eksponensial
tunggal, pelicinan eksponensial ganda Brown, pelicinan eksponensial ganda Holt, dan pelicinan eksponensial triple Winters.
a. Pelicinan Eksponensial Tunggal single exponential smoothing-SES
Metode ini cocok untuk peramalan jangka pendek satu periode berikutnya dengan serial data histories yang berpola horizontal
b. Pelicinan Eksponensial Ganda Brown
Metode ini sesuai digunakan pada data yang berpola trend liner. Pada metode ini, hasil yang didapat dari metode SES dilicinkan kembali dengan
memberi bobot yang menurun secara eksponensial.
c. Pelicinan Eksponensial Linear Holt
Metode Holt mirip dengan metode Brown, tetapi tidak menggunakan rumus pelicinan ganda secara langsung.
d. Pelicinan Eksponensial Linear dan Musiman Winters
Metode ini akan menghasilkan ramalan yang lebih tepat pada data histories yang memiliki pola trend linear dan pola musiman.
3. Metode Dekomposisi Metode ini dapat digunakan pada data histories yang memiliki pola
sembarang. Metode dekomposisi biasanya mencoba memisahkan komponen tren, siklus dan musiman. Metode dekomposisi terbagi atas dekomposisi multipliklatif
dan aditif. Metode ini memiliki kelebihan yaitu mudah dan cepat dalam perhitungan. Sedangkan kelemahannya adalah jika ada data baru maka
pengolahan harus diulang lagi dan tidak ada variabel lain yang diperhitungkan. Namun, metode ini umum dipakai, cukup sukses dan akurat hasilnya khususnya
untuk ramalan jangka panjang Gaynor dan Kirpatrick, 1999. 4. Metode Box Jenkins ARIMA
Metode Autoregressive Integrated Moving Average ARIMA merupakan metode yang dikembangkan oleh George Box dan Gwilyn Jenkins
sehingga nama mereka sering disinonimkan dengan proses ARIMA. Metode ini berbeda dengan metode peramalan lain karena metode ini tidak mensyaratkan
suatu pola data tertentu supaya model dapat bekerja dengan baik. Metode ini sangat tepat untuk kondisi dimana tersedia data yang memiliki jangka waktu
pendek.
3.1.5. Analisis Faktor
Kategori