Perbandingan Akurasi Peramalan Wisatawan Mancanegara Di Provinsi Bali Menggunakan Model Autoregressive Integrated Moving Average dan Hybrid Time Series Regression-Autoregressive Integrated Moving Average
DOI:
https://doi.org/10.21831/pspmm.v7i1.268Keywords:
ARIMA, Hybrid, Peramalan, TSR-ARIMAAbstract
Ancaman resesi ekonomi menyebabkan Indonesia perlu memperkuat cadangan devisa negara yang salah satunya ada pada sektor pariwisata. Perkembangan pariwisata khususnya di Provinsi Bali sangat ditentukan oleh jumlah wisatawan khususnya wisatawan mancanegara. Salah satu cara yang dapat dilakukan untuk memprediksi jumlah wisatawan tersebut pada masa mendatang yaitu dengan peramalan. Semakin berkembangnya model dalam peramalan, dikembangkan model yang bersifat hybrid dimana dilakukan kombinasi beberapa model dengan tujuan untuk menghasilkan peramalan yang lebih akurat. Tujuan dari penelitian ini adalah untuk membandingkan akurasi peramalan menggunakan model ARIMA dan model hybrid TSR-ARIMA pada data wisatawan mancanegara di Provinsi Bali. Data yang digunakan adalah data bulanan jumlah wisatawan mancanegara di Provinsi Bali periode Januari 2017 hingga November 2022. Model ARIMA diperoleh dengan mengidentifikasi orde plot ACF dan PACF dari data yang telah stasioner. Setelah itu, model sementara dilakukan uji signifikansi parameter, uji diagnostik, dan perhitungan nilai MAPE. Sedangkan model hybrid TSR-ARIMA diawali dengan memodelkan TSR untuk dicari nilai residu, kemudian residu dimodelkan menggunakan ARIMA. Berdasarkan hasil analisis, model ARIMA terbaik yaitu ARIMA(1,1,0) dengan nilai MAPE sebesar 13,68%, sedangkan pada model hybrid diperoleh model terbaik TSR-ARIMA(1,1,0) dengan nilai MAPE sebesar 5,77%. Dapat disimpulkan bahwa model hybrid TSR-ARIMA merupakan model yang lebih baik dibandingkan model ARIMA karena mempunyai nilai MAPE yang lebih kecil.References
Z. Shella, M. Said, dan M. Nasir, “Faktor-faktor yang mempengaruhi penerimaan daerah sektor pariwisata kota Banda Aceh,” Jurnal Ilmu Ekonomi, vol. 2, hal. 39-48, 2014.
W. W .S. Wei, Time series analysis : univariate and multivariate (2nd ed.), Addison Wesley Publishing Company: America, 2006.
R. Duanaputri, Sulistyowati, dan P. A. Insan, “Analisis peramalan kebutuhan energi listrik sektor industri di jawa timur dengan metode regresi linear,” Jurnal Eltek, vol. 20, hal. 50-60, 2022.
G. N. Ayuni dan D. Fitrianah, “Penerapan metode regresi linear untuk prediksi penjualan properti pada PT XYZ,” Jurnal Telematika, vol. 14, hal. 79-86, 2019.
B. S. Wirdacahya dan M. Prastuti, “Peramalan permintaan semen di PT. XYZ menggunakan time series regression dan ARIMA,” Jurnal Sains Dan Seni ITS, vol. 11, hal. 96-101, 2022.
N. Salwa, N. Tatsara, R. Amalia, dan A. F. Zohra, “Peramalan harga bitcoin menggunakan metode ARIMA (autoregressive integrated moving average),” Journal of Data Analysis, vol. 1, hal. 21-31, 2018.
A. K. Rachmawati dan S. D. Miasary, “Peramalan penyebaran jumlah kasus virus covid-19 provinsi Jawa Tengah dengan metode ARIMA,” J. Zeta-Math, vol. 6, hal. 11-16, 2021.
R. Yuliyanti dan E. Arliani, “Peramalan jumlah penduduk menggunakan model ARIMA,” Jurnal Kajian dan Terapan Matematika, vol. 8, hal. 114-128, 2022.
Desi, S. W. Rizki, dan Yundari, “Combined model time series regression–ARIMA on stocks prices,” J. TENSOR, vol. 3, hal. 65-72, 2022.
M. Arumsari dan A. T. R. Dani, “Peramalan data runtun waktu menggunakan model hybrid time series regression–autoregressive integrated moving average,” Jurnal Siger Matematika, vol. 2, hal. 1-12, 2021.
K. Ramadani, S. Wahyuningsih, M. N. Hayati, “Forecasting stock price PT. Telkom using hybrid time series regression linear–autoregressive integrated moving average model,” Jurnal Matematika, Statistika dan Komputasi, vol. 18, hal. 293-307, 2022.
B. L. Bowerman dan D. O'Connell, Forecasting and time series: an applied approach, 3rd edition, Duxbury Press: California, 1993.
N. R. Drapper dan H. Smith, Applied Regression Analysis, John Wiley dan Sons: New York, 1998.
G. P. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, vol. 50, hal. 159-173, 2003.