Metode Analisis Data 1. Analisis Deskriptif
Dimana : n = Ukuran sampel N = Ukuran populasi
e = nilai kritis bata ketelitian yang digunakan persen kelonggaran ketidaktelitian karena kesalahan pengambilan
sampel populasi Pada penelitian ini, populasi rata-rata jumlah pengunjung Little Farmers
selama tiga bulan terakhir, yaitu bulan Maret hingga Mei 2005 yaitu 11.651 pengunjung. Jadi ukuran sampel responden :
11.651 n = = 99,15 • 100
1 + 11.651 0.1
2
Jumlah responden yang akan diambil adalah sebanyak 100 orang dengan kriteria responden adalah pengunjung yang berumur lebih atau sama dengan lima
belas tahun. Metode pengambilan sampel pada responden dengan teknik accidental sampling
Convenience Sampling, yaitu sampel yang didapat berdasarkan ketersediaan responden untuk diwawancarai. Agar sampel yang
diambil representatif, maka pengambilan sampel harus mewakili setiap minggu dalam satu bulan dan setiap hari dalam seminggu.
4.4. Metode Analisis Data 4.4.1. Analisis Deskriptif
Data yang diperoleh untuk karakteristik pengunjung ditabulasikan ke dalam kerangka tabel yang telah disiapkan, kemudian dianalisis karakteristik
tersebut mencakup daerah asal, umur, jenis kelamin, status perkawinan, tingkat pendidikan, pekerjaan, pendapatan, motivasi, sumber informasi, jarak tempuh,
cara kedatangan, jenis kendaraan yang digunakan, frekuensi kunjungan, biaya
dan rekreasi. Disanping itu didapatkan juga persepsi pengunjung mengenai ciri obyek Little Farmers mencakup daya tarik, ketersediaan fasilitas, aksesibilitas dan
objek yang paling menarik.
4.4.2. Metode Peramalan 4.4.2.1.Metode Dekomposisi
Metode dekomposisi adalah salah satu pendekatan analisis deret waktu yang berupaya mengidentifikasi faktor-faktor yang mempengaruhi nilai pada deret
waktu. Metode ini memisahkan komponen trend, siklus dan musiman. Secara matematik bentuk umum pendekatan dekomposisi adalah :
Yt = f S
t
, T
t
, C
t
, E
t
Dimana : Y
t
= nilai serial waktu data actual pada periode t f = fungsi peramalan
S
t
= komponen musiman atau indeks pada periode t T
t
= komponen trend pada periode t C
t
= komponen siklus pada periode t E
t
= komponen random kesalahan pada periode t
Metode dekomposisi terdiri dari dua model yaitu 1.
Model Aditif model yang memperlakukan nilai-nilai deret waktu sebagai jumlah dari komponen-komponen
Y
t
= S
t
+ T
t
+ C
t
+ R
t
2. Model Multiplikatif model yang memperlakuakan nilai deret sebagai hasil
perkalian. X
t
= S
t
x T
t
x C
t
x R
t
Langkah- Langkah yang harus diikuti di dalam mempergunakan peramalan metode dekomposisi :
1. Menentukan faktor musiman. Contohnya jika kumpulan penuh pengamatan
musiman yang mencakupi 12 periode, dengan data bulanan, dimulai dengan menghitung 12 bulan rata-rata bergerak dan dengan pemusatan 12 bulan rata-
rata bergerak yang nilai dan rasio tersebut dirata-ratakan. Lalu menghitung rata-rata tengah untuk bulan tersebut dan menyesuaikan untuk mendapatkan
indeks musiman untuk bulan tersebut. 2.
Menentukan faktor trend. Ini memerlukan pencocokan kembali garis trend data. Jika dianggap linier. Salah satu pendekatan grafik atau regresi sederhana
bias digunakan untuk mendapatkan a dan b untuk garis lurus Y = a + bt. 3.
Menentukan faktor siklik. Sejak rata-rata bergerak dihapuskan pola musimannya dan pola random-nya. Yang hilang adalah trend dan siklik. Jadi
faktor siklik dapat ditentukan dengan membegi nilai rata-rata bergerak oleh nilai trend untuk observasi.
4. Mendapatkan lebih perkiraan dari nilai-nilai trend siklik, dimulai dengan
deseasonalized data dan menghitung 3 x 3 rata-rata bergerak untuk
mengurangi banyaknya trend siklik yang hilang di awal dan di akhir dari data. Lalu menghasilkan perkiraan hilangnya nilai trend siklik di akhir dari data.
5. Mempersiapkan peramalan periode waktu yang diinginkan. Dimulai dengan
periode waktu untuk diramalkan. Faktor musiman untuk periode tersebut dapat diidentifikasi dengan menyesuaikan indeks musiman, trend bisa
ditentukan dengan menaruh periode waktu untuk t di dalam persamaan trend dan faktor siklik dapat diperkirakan dari pola tadi di dalam faktor tersebut.
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.
4.4.2.2.Metode Box Jenkins ARIMA
Metode ini tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja dengan baik. Sugiarto dan Harijono 2000 menyebutkan bahwa
Metode Box Jenkins ARIMA menggunakan pendekatan interatif dalam mengidentifikasi suatu model yang paling tepat dalam berbagai alternatif model
yang ada. Model yang telah terpilih dilakukan pengujian kembali. Model dianggap sudah memadai apabila residual terdistribusi secara random, kecil dan
independen satu sama lain. Model Box Jenkins secara umum dinotasikan sebagai berikut : ARIMA p, d, q
Dimana : p menunjukan orde derajat autoregressive AR d menunjukan orde derajat differencing pembedaan
q menunjukan orde derajat movong average MA Model AR menggambarkan bahwa variabel dependen yang dipengaruhi
oleh variabel dependen itu sendiri pada peiode-periode yang sebelumnya. Perbedaan dengan model MA adalah pada jenis variabel independennya. Variabel
independen pada model AR adalah nilai sebelumnya lag dan variabel dependen
Yt itu sendiri sedangkan pada model MA adalah nilai residual pada periode sebelumnya.
Simbol-simbol yang digunakan dalam model dapat juga dinyatakan dalam bentuk lain, seperti MA 2 sama artinya dengan ARIMA 0,0,2, AR 1
sama artimya dengan ARIMA 1,0,0 dan ARMA 2 sama artinya dengan ARIMA 1,0,2.
Menurut Sugiarto dan Harijono 2002, dalam ARIMA terbagi atas model MA moving average, AR autoregressive, ARMA autoregressive
moving average. Persamaan model tersebut adalah :
a. Model AR
Y
t
= b
o
+ b
1
+ Y
t-1
+ b
2
Y
t-2
+...................+ b
q
Y
t-q
+ e
t
dimana : Y
t
= nilai series yang stasioner Y
t-1
, Y
t-2
= nilai sebelumnya b
,b
1
dan b
2
= konstanta dan koefisien model e
t
= kesalahan peramalan b.
Model MA Y
t
= a
o
+ e
t
– a
1
e
t-1
- a
2
e
t-2
-...................- aq e
t-q
dimana : Y
t
= nilai series yang stasioner e
t-1
, e
t-2
= kesalahan peramalan masa lalu a
,a
1
dan a
2
= konstanta dan koefisien model e
t
= kesalahan peramalan
c. Model ARMA, apabila data asli yang dikumpulkan bersifat stasioner.
Y
t
= b
o
+ b
1
+ Y
t-1
+ b
2
Y
t-2
+.....+ b
p
Y
t-p
+ e
t
- a
1
e
t-1
- a
2
e
t-2
-.....- aq e
t-q
dimana : Y
t
= nilai series yang stasioner e
t-1
, e
t-q
= kesalahan peramalan masa lalu
b
o,
b
1
, b
p
,a
1
, a
q
= konstanta dan koefisien model e
t
= kesalahan peramalan
d. Model ARIMA, apabila data asli yang dikumpulkan bersifat non stasioner.
1 - öñB 1 - ÔñB
s
1 - B
d
1 - B
s
Yt = 1 - è
q
B 1 - •
Q
Bs e
t
Dimana : 1 - ö
ñ
B = AR p tidak musiman 1 - Ô
ñ
B
s
= AR P musiman 1 - B
d
= pembedaan tidak musiman 1 - B
s
= pembedaan musiman 1 - è
q
B = MA q tidak musiman 1 - •
q
B
s
= MA Q musiman
Langkah-langkah dalam metode Box Jenkins ARIMA adalah sebagai berikut : 1.
Penstasioneran data Model Box Jenkins mengansumsikan data yang menjadi input berasal dari
data stasioner. Untuk melihat kestasioneran data, dapat dilakukan dengan melihat nilai autokorelasinya plot ACF. Apabila data yang menjadi input model tidak
stasioner, perlu dilakukan modifikasi untuk menghasilkan data yang stasioner. Salah satu metode yang umum dipakai adalah metode pembedaan differencing.
Data yang telah ditransformasi tersebut digunakan sebagai inputnya. Pemakaian data sebagai input akan menentukan notasi dari ARIMA.
2. Identifikasi Model
Secara umum prinsip yang digunakan dalam mengidentifikasi model adalah sebagai berikut :
a. Jika koefisien autokorelasi menurun secara eksponensial menuju nol, pada
umumnya terjadi proses AR autoregressive. Estimasi orde AR dapat dilihat dari jumlah koefisien autokorelasi parsial yang berbeda secara
signifikan dari nol. b.
Jika koefisien autokorelasi parsial menurun secara eksponensial menuju nol, pada umumnya terjadi proses MA moving average. Estimasi orde
AR dapat dilihat dari jumlah koefisien autokorelasi yang berbeda secara signifikan darai nol.
c. Jika koefisien autokorelasi maupun autokorelasi parsial menurun secara
eksponensial menuju nol, berarti terjadi proses ARIMA gabungan AR dan MA. Orde MA atau AR dapat dilihat dari jumlah koefisien autokorelasi
dan autokorelasi parsial yang berbeda secara signifikan dari nol. 3.
Estimasi parameter dari model sementara Setelah model sementara terpilih, maka parameter dari model harus
diestimasi. Teknik Box Jenkins akan memilih parameter yang menghasilkan kesalahan yang kecil.MSE terkecil
4. Diagnosa untuk menentukan apakah model memadai
Pengujian kelayakan model dapat dilakukan dengan dua cara : a.
Menguji residual error term Setelah nilai residual tersebut diketahui, dilakukan perhitungan nilai
koefisien autokorelasi dari nilai residual untuk berbagai time lag tidak berbeda nyata dari nol.
b. Melakukan uji dengan statistik Box-Pierce Q
Jika nilai Q lebih kecil dari nilai pada table Chi-Square dengan derajat bebas m-p-q dimana p dan q masing-masingmenunjukkan orde AR dan
MA, model dianggap memadai dan begitu juga sebaliknya. Apabila hasil pengujian menunjukkan model belum memadai, maka proses diulang lagi
mulai dari langkah dua. 5.
Menggunakan model terpilih untuk peramalan Setelah diperoleh model yang memadai, maka peramalan untuk satu
atau beberapa periode ke depan dapat dilakukan. Evaluasi ulang terhadap model perlu dilakukan terhadap model yang dipilih karena terdapat kemungkinan pola
data berubah Mulyono, 2000. Secara teoritis metode ARIMA merupakan metode yang canggih
terutama untuk peramalan jangka pendek, akan tetapi secara praktis terdapat beberapa kelemahan diantaranya :
1. Apabila terdapat data baru yang tersedia, seringkali parameter dari model
harus diestimasi ulang, hal tersebut mengindikasikan bahwa adanya revisi total terhadap model yang sudah dibuat.
2. Waktu yang dibutuhkan cukup lama untuk mencari model yang tepat