Analisis Kunjungan Kedatangan Tamu Mancanegara ke Indonesia (Studi Kasus : Bandar Udara Soekarno-Hatta dan Ngurah Rai)

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 1984 1985

1 Minyak Bumi 63 54

2 Gas Alam 18 22,40

3 Kayu 6 7,40

4 Karet 4,8 4,20

5 Kopi 3,10 3,40

6 Pariwisata

2,60

3,20

7 Tekstil 2,40 3,40

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

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 1996 1997 1998 1999

1 Oil and Oil Products 12.86 13.353,0 9.429,0 11.189

2 Tourism

6.307,7 5.321,5 4.331,0 4.710,0

3 Textile 2.975 3.658,4 4.739,6 3.418,2

4 Garments 3.575,8 2.875,6 2.587,9 3.817,9 5 Plywood 3.594,5 3.410,6 2.077,9 2.256,3 6 Rubber 2.226,7 1.998,4 1.548,1 1.236,3 7 Electricitiy Tools 1.411,4 1.370,6 1.490,8 1.692,0

8 Copper 1747.6 1.497,3 1.307,5 1.150,0

9 Coal 1.120,7 1.485,3 1.346,5 1.314,2

10 Fresh Shrimps 1.015,7 1.007,9 1.007,2 887,5

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

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

Tahun

Bandara

Jumlah Soekarno

Hatta

Ngurah

Rai Polonia Batam

Bandara Lainnya

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

Bali sangat dikenali di dunia internasional karena pesona alamnya yang luar biasa indah

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 non-pertanian dan tingkat pertumbuhan ekonomi Indonesia ke depannya, dan upaya-upaya 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.

Travel Transportation -air

- land -sea

Hospitality *accomodation *reastaurant *entertainment *leisure activities \ Ancillary

services Attractions Government tourism

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 ?

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.

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.

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.

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 terjadiberarti 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.

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

yang dapat diaplikasikan secara mekanis untuk masing-masing produk. Dalam keadaan ini hanya ada satu produk yang diramalkan, maka aturan-aturan 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

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

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

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.

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

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 Box-Jenkins. 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.

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

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 Ngurah Rai Hasil peramalan kunjungan turis mancanegara di sekarno-hatta

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.

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

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

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 +b1Yt-1 + b2Yt-2 + ... +bpYt-p+et 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 (b1yt-1), komponen data pada dua periode sebelumnya

dikalikan dengan koefisien otoregresinya (b2Yt-2) ,.., komponen data pada

p periode sebelumnya dikalikan dengan koefisien otoregresinya (bpYt-p),

dan komponen residu atau error modelnya pada periode tersebut (et) .

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) : Yt = c + e+ m1et-1 + m2et-2 + ...+ mqet-q

Dari model itu dapat diketahui bahwa nilai data pada suatu periode (Yt) merupakan hasil penjumlahan dari komponen

konstanta (c), komponen residu pada periode tersebut (et),

komponen residu pada suatu periode sebelumnya dikalikan dengan koefisiennya (m1et-1), komponen residu pada dua periode

sebelumnya dikalikan dengan koefisiennya (m2et-2) ,..., dan

komponen residu pada q periode sebelumnya dikalikan dengan koefisiennya (mqet-q).

c ARMA (p,q)

Yt = K + b1yt-1 + ...+bpyt-p – m1et-1-...mqet-q +et

Gabungan model AR (p) dan model (q) disebut model ARMA (p,q). Konstanta (K)model itu dihitung dengan rumus :

K= M(1-b1-...-bp), dimana M: merupakan rata-rata dari data

mentah Yt.

d Model ARIMA (1,1,1)

Yt = K + Yt-1 + b1Yt-1- b1Yt-2 – m1et-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-b1m1)(b1-m1)]/[1+m12 – 2b1m1] , dan r2 = r1b1

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 :

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 Box-Jenkins (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 (thit) 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).

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 parameter-parameter 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

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 Mean Percentage Error (MPE) yang mendekati nol.

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.

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

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.

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

0 500,000 1,000,000 1,500,000 2,000,000 2,500,000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Series1

(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).

Gambar 4 Jumlah kedatangan turis mancanegara di Ngurah Rai bali tahun 1997-2011

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

0 500,000 1,000,000 1,500,000 2,000,000 2,500,000 3,000,000

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 Soekarno-Hatta 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 soekarno-hatta 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.

Tabel 3. Hasil analisis korelasi kedatangan turis mancanegara di kedua Bandar Udara

SH NR

SH Pearson Correlation 1 .605**

Sig. (2-tailed) .000

N 49 49

NR Pearson Correlation .605** 1 Sig. (2-tailed) .000

N 49 49

**. Correlation is significant at the 0.01 level (2-tailed).

4.4 Metode Peramalan Time Series ARIMA pada Bandar Udara Soekarno-Hatta

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 :

4.4.1Uji 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

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.

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

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.

12 11 10 9 8 7 6 5 4 3 2 1 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Lag P a rt ia l A u to c o rr e la ti o n

PACF Soekarno-Hatta setelah melalui proses differencing

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

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.

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.

Tabel 4 Ringkasan untuk pemenuhan kriteria masing masing model ARIMA

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 Kriteria

Kelayakan

Model ARIMA

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 √ √ √ √

peramalan sesuai dengan kecocokan data yang digunakan. Model yang paling sesuai untuk data kedatangan turis mancanegara di pintu gerbang Bandar Udara Soekarno-Hatta adalah ARIMA (0,1,1)(0,1,1)12

.

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 Mar 12 Apr 12 Mei 12 Jun 12 Jul 12 Ags 12 Sep 12 Okt 12 Nov 12 Des 12 Jan 13 Feb 13 Mar 13 Apr 13 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 161654 194812 182121 193244 190760 220188 186705 174663 196506 195870 198233 184304 190985 224674 212516 127521 157052 141053 149116 143770 170500 134459 119978 139487 136608 136810 120794 122112 152637 137448 195787 237373 237751 269876 238952 229348 253526 255131 259655 247814 259858 296712 287584 223189

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

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.

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

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

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

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

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 masing-masing 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 12 24 36 48

Chi-Square 12.0 17.6 * * DF 10 22 * * P-Value 0.286 0.730 * *

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

Lampiran 8 grafik pola deret waktu kedatangan turis mancanegara di Bandar udara Ngurah Rai

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

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 Coef SE Coef T P SMA 12 0.8572 0.2035 4.21 0.000 Constant 581.5 897.4 0.65 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 12 24 36 48

Chi-Square 12.6 25.9 * * DF 10 22 * * P-Value 0.245 0.254 * *

Lampiran 13 hasil pengolahan minitab ARIMA model (0,1,1)(0,1,0)

12

ARIMA Model: Ngurah Rai

Estimates at each iteration

Iteration SSE Parameters 0 12973795400 0.100 410.961 1 11192039265 0.250 373.665 2 9809824955 0.400 376.334 3 8785823136 0.550 381.322 4 8127080199 0.700 359.654 5 7850084437 0.834 232.549 6 7788974765 0.868 89.203 7 7715320083 0.905 35.654 8 7560168327 0.953 -37.455 9 7523252229 0.966 -48.118 10 7516279073 0.968 -14.851 11 7513697700 0.970 -12.570 12 7513697438 0.970 -12.127 13 7513697399 0.970 -12.025 14 7513697388 0.970 -11.975 15 7513697388 0.970 -11.925 16 7513697387 0.970 -11.913 17 7513697387 0.970 -11.907

Relative change in each estimate less than 0.0010 Final Estimates of Parameters

Type Coef SE Coef T P MA 1 0.9695 0.0834 11.63 0.000 Constant -11.9 214.7 -0.06 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 12 24 36 48

Chi-Square 12.0 17.6 * * DF 10 22 * * P-Value 0.286 0.730 * *

Lampiran 14 hasil olahan data minitab model ARIMA (1,1,1)(1,1,1)

12

ARIMA Model: Ngurah Rai

Estimates at each iteration

Iteration SSE Parameters

0 14428635983 0.100 0.100 0.100 0.100 332.879 1 13744520178 0.086 -0.050 0.120 -0.036 376.112 2 13543586746 0.225 0.072 0.270 0.091 275.845 3 13293909895 0.359 0.009 0.420 0.031 236.078 4 12944835864 0.485 -0.008 0.570 0.020 180.685 5 12320221551 0.592 0.083 0.720 0.123 110.732 6 10811801202 0.575 -0.067 0.819 0.002 84.130 7 9567671718 0.473 0.045 0.825 0.152 66.677 8 8115441599 0.323 -0.038 0.822 0.133 82.938 9 6849444437 0.173 -0.060 0.831 0.219 97.435 10 5808471934 0.023 -0.160 0.831 0.293 134.724 11 5085634076 -0.061 -0.293 0.833 0.392 176.704 12 4708859359 -0.082 -0.409 0.827 0.459 195.169 13 4493656299 -0.092 -0.497 0.823 0.514 200.038 14 4363776653 -0.106 -0.566 0.820 0.555 187.571 15 4280122079 -0.117 -0.619 0.822 0.587 168.580 16 4222539407 -0.130 -0.662 0.825 0.610 138.151 17 4179614919 -0.140 -0.697 0.833 0.629 109.051 18 4145179300 -0.154 -0.729 0.840 0.642 72.652 19 4114809166 -0.163 -0.757 0.852 0.652 42.386 20 4086069024 -0.176 -0.783 0.860 0.660 4.585 21 4055928702 -0.186 -0.809 0.874 0.667 -24.150 22 4022570436 -0.200 -0.835 0.884 0.672 -64.210 23 3981548555 -0.211 -0.861 0.903 0.678 -91.131 24 3931264557 -0.227 -0.889 0.915 0.682 -136.431 25 3865590944 -0.237 -0.917 0.942 0.687 -158.781 ** Convergence criterion not met after 25 iterations **

* WARNING * Back forecasts not dying out rapidly

Final Estimates of Parameters

Type Coef SE Coef T P AR 1 -0.2366 0.2442 -0.97 0.340 SAR 12 -0.9168 0.1724 -5.32 0.000 MA 1 0.9424 0.1317 7.16 0.000 SMA 12 0.6875 0.2737 2.51 0.017 Constant -158.78 51.91 -3.06 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 12 24 36 48

Chi-Square 15.8 29.8 * * DF 7 19 * * P-Value 0.027 0.054 * *

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

.