VII. PERAMALAN TINGKAT KUNJUNGAN
KE LITTLE FARMERS
7.1. Identifikasi Pola Data
Tujuan dari pembuatan grafik atau plot pergerakan kunjungan Little Farmers
terhadap waktu adalah untuk melihat pola yang ada dalam data time series
yang tersedia. Dengan melihat pola kunjungan Little Farmers, dapat diketahui dengan keragaan fluktuasi kunjungan Little Farmers sebagai
pertimbangan awal yang membantu dalam pemilihan metode peramalan kuantitatif di tahap pengolahan selanjutnya. Dari pola data dapat diketahui
kecenderungan pengunjung Little Farmers tersebut, apakah terdapat unsur trend, musiman, siklus dan horisontal.
Berdasarkan hasil plot data time series pergerakan kunjungan Little Farmers
yang telah disajikan pada Gambar 1, terlihat bahwa jumlah kunjungan Little Farmers
memiliki trend yang meningkat. Data bulanan tingkat kunjungan aktual di Little Farmers peride Juni 2001 hingga Juli 2005 Lampiran 4
menunjukan bahwa terjadi fluktuasi tinggi rendah pada tingkat kunjungan. Terjadinya fluktuasi tinggi rendah tersebut disebabkan oleh adanya musim
liburan, cuaca dan kondisi keamanan negara. Terkait dengan cuaca pada bulan Juni sampai September, biasanya musim kemarau, sebaliknya pada bulan
Desember sampai bulan Maret biasanya terjadi musim hujan. Secara umum terjadi juga penurunan yang signifikan pada tingkat kunjungan yang disebabkan
memasuki bulan Ramadhan, hari raya Idul Fitri dan Natal.
Penurunan tingkat pengunjung pada hari raya Idul Fitri dan hari raya Natal disebabkan oleh keinginan pengunjung yang cenderung melakukan
kunjungan pada hari kerja yang dimanfaatkan untuk tujuan pendidikan. Selain itu, pengunjung Little Farmers dengan tujuan pendidikan biasanya sudah memiliki
jadwal untuk melakukan kunjungan. Dilain pihak, sesuai dengan kondisi Little Farmers
yang memfokuskan agrowisatanya untuk tujuan pembelajaran bagi para pengunjung mengindikasikan bahwa peningkatan pengunjung lebih cenderung
pada hari kerja.
7.2. Penerapan Metode Peramalan 7.2.1. Metode Dekomposisi
Metode dekomposisi berusaha memisahkan berbagai komponen yang mempengaruhi pola perilaku deret data. Pemisahan dekomposisi ini bertujuan
untuk membantu pemahaman yang lebih baik. Komponen yang mempengaruhi deret data dapat dikelompokan menjadi empat macam yaitu trend, musiman,
siklus dan fakor acak. Apabila terdapat komponen-komponen tersebut dalam suatu deret data maka penggunaan metode dekomposisi akan memberikan hasil
peramalan yang optimal dan cukup akurat. Kelebihan lain metode dekomposisi adalah kemampuannya memberikan ramalan untuk beberapa periode ke depan
serta tidak terlalu rumit dalam penggunaannya.
Tabel 23. Persamaan Trend dan nIlai MSE Penerapan Metode Dekomposisi Aditif dan Multiplikatif
Dekomposisi Persamaan trend
MSE Aditif
Yt = -153.794 + 61.6245t 313217
multiplikatif Yt = -286.024 + 72.7933t
443770
Hasil peramalan dengan menggunakan dekomposisi aditif dan dekomposisi multiplikatif kunjungan Little Farmers, ternyata yang menghasilkan
nilai MSE terkecil yaitu metode dekomposisi aditif, seperti pada Tabel 23. Hasil output
komputer kedua metode dekomposisi dapat dilihat pada Lampiran 5 dan Lampiran 6.
7.2.2. Metode ARIMA
Setelah melihat plot data pergerakan kunjungan Little Farmers, dapat dilakukan estimasi awal untuk menentukan model yang paling akurat dalam
menjelaskan pergerakan kunjungan Little Farmers tersebut. Disamping dengan melihat plot data terhadap waktu, dapat juga dilihat sebaran autokorelasi
autocorellation function atau ACF untuk menentukan banyaknya parameter moving average
MA non musiman q dan MA musiman Q serta parsial autokorelasi partial autocorellation function atau PACF untuk mengidentifikasi
nilai banyaknya parameter autoregressive AR non musiman p dan AR musiman P dari data yang ada.
Syarat agar dapat diterapkan metode ARIMA pada suatu deret waktu adalah deret data tersebut harus memiliki pola data yang stasioner atau horisontal.
Jika pola data tidak stasioner atau mengandung unsur trend, maka harus dilakukan pembedaan differencing terlebih dahulu terhadap deret data sehingga menjadi
stasioner. Setelah data menjadi stasioner baru dilakukan identifikasi model. Untuk menentukan model mana yang sesuai dengan data yang dilakukan evaluasi dengan
melihat nilai MSE terkecil.
Dari plot data deret waktu terlihat bahwa data cenderung belum stasioner, begitu pula dari plot ACF, dimana nilai korelasinya cenderung lambat
menuju nol, hal ini mengindikasikan bahwa data belum stasionerLampiran 7. Dari plot ACF dan PACF diatas terlihat juga bahwa pada lag 12, 24, 36
nilai korelasinya cukup besar meskipun tidak nyata, hal ini mengindikasikan bahwa ada faktor musiman yang harus ditambahkan dalam model. Untuk
menstasionerkan data, maka perlu dilakukan differencing. Plot data deret waktu, ACF dan PACF setelah dilakuakan differencing satu kali dapat dilihat pada
Lampiran 8 . Dari plot data deret waktu, terlihat bahwa data sudah stasioner, hal ini
ditunjukkan pula bahwa dari plot ACF dimana pada lag kedua nilai korelasinya sudah tidak nyata menuju nol. Dari plot ACF terlihat hanya pada lag 1 nilai
korelasinya nyata, sedangkan pada lag 2 sudah tidak nyata hal ini mengindikasikan bahwa model MA1 untuk regulernya atau q=1. Kemudian
pada PACF pada lag 1 dan lag 2 korelasinya nyata kemudian pada lag 3 sudah tidak nyata, hal ini mengindikasikan bahwa model AR2 untuk regulernya atau
p=2. Sedangkan nilai d=1, karena setelah dilakukan differencing satu kali, data sudah stasioner. Sedangkan faktor musiman dapat dilihat bahwa pada plot ACF
dan PACF nilai-nilai korelasi pada lag 12, 24, dan 36 cukup besar hal ini mengindikasikan ada faktor musiman yang harus ditambahkan dalam model,
dalam hal ini musiman 12 S12 dan terlihat pula bahwa nilai korelasi pada lag- lag tersebut lambat menuju nol, hal ini mengindikasikan bahwa data belum
stasioner untuk faktor musimannya, oleh karena itu perlu dilakukan differencing
untuk menstasionerkannya. Berikut plot ACF dan PACF setelah dilakukan difference
terhadap faktor musimannya dapat dilihat pada Lampiran 9.
Terlihat dari plot ACF, setelah dilakukan difference terhadap faktor musimannya, nilai korelasi untuk faktor musimannya sudah menuju nol, hal
terlihat dari nilai korelasi pada lag 24 sudah sangat kecil sekali hampir mendekati nol. Dari plot ACF terlihat bahwa nilai korelasi pada lag 12 cukup besar
sedangkan pada lag 24 sudah sangat kecil mendekati nol, hal ini mengindikasikan bahwa model MA untuk musimannya adalah MA1 atau Q=1. Begitu juga dari
plot PACF lag 12 cukup besar sedangkan pada lag 24 sudah sangat kecil mendekati nol, hal ini mengindikasikan model AR untuk musimannya adalah
AR1 atau P=1. Sedangkan D=1 karena faktor musimannya stasioner setelah dilakukan difference satu kali. Jadi dapat disimpulkan bahwa model tentatifnya
adalah model ARIMA = p,d,qP,D,Q
s
= 2,1,11,1,1
12
. Hasil pendugaan parameter modelnya dan peramalannya dapat dilihat pada Lampiran 10.
Pada Lampiran 10 Terlihat bahwa parameter MA1 untuk reguler tidak nyata, oleh karena itu perlu dilakukan modifikasi model dengan menghilangkan
parameter yang tidak nyata ini. sehingga model menjadi ARIMA 2,1,01,1,1
12
dengan nilai MSE sebesar 250181 Lampiran 11. 7.3. Pemilihan Metode Peramalan Kuantitatif terbaik
Pemilihan metode peramalan kuantitatif terbaik dilihat dari nilai MSE yang terkecil. Nilai MSE dapat dilihat seperti pada Tabel 24.
Tabel 24. Nilai MSE Metode Peramalan
No Model
MSE
1. Dekomposisi Aditif
313217 2.
Dekomposisi Multiplikatif 443770
3. ARIMA 2,1,01,1,1
12
250181
Berdasarkan diatas dapat dilihat bahwa untuk peramalan kunjungan Little Farmers
metode terbaik adalah metode peramalan ARIMA 2,1,01,1,1
12
. Hal ini menunjukan pola data kunjungan Little Farmers mempunyai unsur trend
dan musiman dengan length panjang musim dua belas.
7.4. Hasil Ramalan
Kategori