library.binus.ac.idlibrary.binus.ac.id/ecolls/ethesisdoc/bab2doc/2012-1... · web viewdengan kata...
Post on 11-Mar-2019
213 Views
Preview:
TRANSCRIPT
BAB II
LANDASAN TEORI
2.1 Manajemen Operasi
Menurut Fogarty (1989) mendefinisikan manajemen operasi sebagai
suatu proses yang secara berkesinambungan dan efektif
menggunakan fungsi-fungsi manajeman untuk mengintegrasikan
berbagai sumber daya secara efisien dalam rangka mencapai tujuan.
(Harjanto, 2007, p. 2).
Adam (1992), Heizer (2004), dan Stevenson (2005) dalam
(Harjanto, 2007, p. 2) lebih menitikberatkan manajemen operasi
sebagai suatu system yang bertujuan menciptakan barang dan atau
menyediakan jasa.
Menurut (Prasetya & Fitria, 2009, p. 2) Manajemen operasi adalah
serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang
dan jasa dengan mengubah input menjadi output. Kegiatan yang
menghasilkan barang dan jasa berlangsung di semua organisasi, baik
perusahaan manufaktur maupun jasa. Dalam perusahaan manufaktur,
kegiatan produksinya terlihat dengan jelas (berwujud) untuk
menghasilkan barang, sementara dalam perusahaan jasa kegiatan
produksinya tidak menghasilkan barang secara fisik. Seperti contoh
adalah proses yang terjadi di bank, rumah sakit maupun perusahaan
yang akan penulis bahas dalam kasus ini yaitu perusahaan agen
10
11
penjualan tiket Oman Air di Indonesia. Proses produksinya sendiri
bisa berupa pengisian kursi kosong di pesawat, aktivitas produksi
inilah yang berlangsung dalam organisasi yang disebut sebagai
manajemen operasi.
2.1.1 Unsur-unsur Manajemen operasi
Menurut Fogarty (1989), dalm Harjanto (2007), manajemen operasi adalah
suatu proses yang berkesinambungan (kontinu) dan efektifitas menggunakan
manajemen untuk mengintegrasikan berbagai sumber daya secara efisien dalam
rangka mencapai tujuan. Unsur-unsur pokok dalam definisi tersebut, yaitu:
1. Continues, berarti manajemen produksi dan operasi bukan suatu
kegiatan yang berdiri sendiri. Keputusan manajemen bukan merupakan
tindakan sesaat, melainkan tindakan berkelanjutan (kontinu).
2. Efektif, berarti segala pekerjaan harus dilakukan secara tepat dan sebaik-
baiknya, serta mencapai hasil sesuai dengan yang diharapkan.
3. Fungsi manajaemen, berarti kegiatan manajemen produksi dan operasi
memerlukan pengetahuan yang luas, mencakup planning, organizing,
actuating dan controlling. Dalam pelaksanaanya, berbagai sumber daya
diintegrasikan untuk menghasilkan barang dan jasa.
4. Efisien, berarti manajaer produksi dan operasi dituntut untuk
mempunyai kemampuan kerja secara efisien agar dapat mengoptimalkan
penggunaan sumber daya dan memperkecil limbah.
12
5. Tujuan, berarti kegiatan manajemen produksi dan operasi harus
mempunyai tujuan untuk menghasilkan suatu produk yang
direncanakan.
Schroeder (1994) memberikan penekanan terhadap definisi kegiatan
produksi dan operasi pada tiga hal, yaitu:
1. Pengelolaan fungsi organisasi dalam menghasilkan barang dan jasa.
2. Adanya sistem transformasi yang menghasilkan barang dan jasa.
3. Adanya pengambilan keputusan sebagai elemen penting dari manajemen
operasi.
Secara umum kegiatan operasi merupakan suatu kegiatan yang berhubungan
dengan penciptaan atau pembuatan barang, jasa atau kombinasinya melalui proses
transformasi dari masukan sumber daya produksi menjadi keluaran yang
diinginkan. (Harjanto, 2007, p. 2)
2.2 Forecasting
Salah satu keputusan penting dalam perusahaan yang dilakukan oleh
manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu
disiapkan untuk masa mendatang. Penentuan tingkat produksi, yang merupakan
tingkat penawaran dipengaruhi oleh jumlah permintaan pasar yang dapat dipenuhi
oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar
dapat mengakibatkan kerugian bagi perusahaan. Tingkat penawaran yang lebih
rendah dibandingkan dengan kemampuan pangsa pasar yang dapat diraih
mengakibatkan hilangnya kesemparan untuk memeperoleh keuntungan, bahkan
13
mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Salah satu cara
untuk membantu mencapai suatu keputusan optimal dengan cara yang tepat,
sistematis dan dapat dipertanggung jawabkan adalah forecasting atau peramalan.
(Herjanto, 2009, p. 177).
Menurut (Prasetya & Fitria, 2009) Peramalan merupakan suatu usaha untuk
meramalkan keadaan dimasa yang akan datang melalui pengujian keadaan dimasa
lalu.
Metode peramalan digunakan untuk menaksir atau memprediksi keadaan di
masa mendatang. “Pada kenyataannya, seorang manajer secara konstan mencoba
untuk meramalkan masa yang akan datang berdasarkan sejumlah faktor, untuk
mengambil keputusan di masa sekarang yang akan menjamin suksesnya
perusahaan dimasa yang akan datang” (Modul Lab. AKB, Universitas Bina
Nusantara 2010, P19 ). Kebutuhan peramalan semakin bertambah sejalan dengan
keinginan menajemen untuk memberikan respon yang cepat dan tepat terhadap
kesempatan di masa medatang, serta menjadi lebih ilmiah di dalam menghadapi
lingkungan. Dengan peramalan yang baik diharapkan pemborosan akan bisa
dikurangi, dan juga dapat membuat perusahaan lebih terkonsentrasi pada sasaran
tertentu agar perencanaan yang dihasilkan lebih baik sehingga dapat menjadi
kenyataan. (Herjanto, 2009)
2.2.1 Jenis-jenis peramalan
Peramalan dapat dilakukan secara kuantitatif maupun kualitataif.
Pengukuran secara kuantitatif menggunakan metode statistik, sedangkan
14
pengukuran secara kualitatif berdasarkan pendapat (judgement) dari yang
melakukan peramalan. Berkaitan dengan ini maka dikenal-lah istilah prakiraan
dan prediksi dalam peramalan. Prakiraan didefinisikan sebagai proses peramalan
suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel itu
pada masa sebelumnya. Sementara prediksi adalah proses peramalan variabel di
masa mendatang dengan lebih mendasarkan pada pertimbangan intuisi daripada
data masa lampau. (Harjanto, 2007, p. 78)
Organisasi pada umumnya menggunakan 3 tipe peramalan utama dalam
perencanaan operasi di masa depan (Heizer & Render, 2006, p. 138):
1. Peramalan ekonomi (economic forecast), menjelaskan siklus bisnis
denngan memprediksikan tingkat inflasi, ketersediaan uang data
yang dibutuhkan untuk membangun perumahan dan indicator
perencanaan lainnya.
2. Peramalan teknologi (technological forecast), memperhatikan
tingkat kemajuan teknologi yang dapat memunculkan produk baru
yang menarik, yang membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast), dalah Peramalan
permintaan untuk produk atau layanan suatu perusahaan.
Peramalan ini disebut juga peramalan penjualan, yang
mengendalikan produksi, kapasitas serta sistem penjadwalan dan
menjadi input bagi perencanaan keuangan, pemasaran dan sumber
daya manusia.
15
2.2.1.1 Peramalan horizon waktu
Berdasarkan horizon waktu, peramalan dapat dikelompokan dalam 3 bagian
(Prasetya & Fitria, 2009, p. 43), Yaitu:
1. Peramalan jangka panjang, mencakup jangka waktu satu tahun tetapi
umumnya kurang dari 3 bulan..
2. Peramalan jangka menengah, mencakup hitungan bulanan hingga 3
tahun.
3. Peramalan jangka pendek, kurang dari 3 bulan. biasanya menggunakan
pendekatan kuantitatif.
Metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan
dalam 2 jenis yaitu metode eksplanatori dan metode serial waktu (deret berkala,
time series). Metode eksplanatori mengasumsikan bahwa nilai suatu variabel
merupakan fungsi dari 1 atau beberapa variabel lain. Kegunaan metode ini adalah
untuk menemukan bentuk hubungan antara suatu suatu variable dengan variabel-
variabel lain, dan menggunakannya untuk meramalkan nilai variable tak bebas
(yang diramalkan, dependen) terhadapa perubahan dari variebel bebasnya.
Sedangkan metode serial waktu adalah metode yang digunakan untuk
menganalisis serangkaian data yang merupakan fungsi dari waktu. Tujuannya
untuk menemukan pola deret variable byang bersangkutan berdasarkan nilai
variabel pada masa sebelumnya dan mengekstrapolasikan pola itu untuk membuat
peremlan niali variabel pada masa mendatang (Harjanto, 2007).
2.2.2 Metode serial waktu
16
Analisis serial didasarkan para waktu yang berurutan atau beranjak sama
(mingguan, bulanan, kwartalan dan lainnya). Metode ini sering juga disebut
metode runtun waktu, metode deret waktu atau deret berkala menggambarkan
berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah
penting dalam memilih metode deret berkala atau runtun waktu adalah dengan
mempertimbangkan jenis pola data. Serangkaian data dalam serial waktu dapar
dikelompokkan ke dalam pola dasar sebagai berikut (lihat gambar 2.1).
Gambar 2.1 pola dasar dalam serial waktu
Sumber: Harjanto (2007)
Horizontal (konstan), yaitu apabila data berfluktuasi di sekitar rata-
rata secara stabil. Polanya berupa garis lurus mendatar biasanya
terdapat dalam jangka pendek atau menengah. Jarang sekali suatu
variable memiliki pola konstan dalam jangka panjang.
Kecenderungan (trend), yaitu apabila data mempunyai
kecenderungan, baik yang arahnya meningkat atau menurun dari
17
waktu ke waktu. Pola ini disebabkan antara lain oleh bertambahnya
populasi, perubahan pendapat, dan pengaruh budaya.
Musiman (seasonal), yaitu apabila polanya merupakan gerakan
berulang-ulang secara teratur dalam setiap periode tertentu, misalnya
tahunan, triwulan, bulanan atau mingguan. Pola ini biasanya
berhubungan dengan faktor iklim atau cuaca atau faktor yang dibuat
oleh manusia seperti liburan dan hari besar.
Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi
ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama
antara pola musiman dengan siklus adalah pola musiman
mempunyai panjang gelombang yang tetap dan terjadi dari waktu
(durasi) yang tetap, sedangkan pola siklus memiliki jarak waktu
lebih panjang dan bervariasi dari satu siklus ke siklus lainnya.
Residu atau variasi acak (random), yaitu apabila data tidak teratur
sama sekali. Gerakan random adalah rangkaian waktu yang
menunjukkan gerakan yang tak teratur yang disebabkan oleh faktor-
faktor di luar dugaan, seperti wabah, gempa bumi, dan sebagainya.
Data bersifat acak tidak dapat digambarkan. (Harjanto, 2007, p. 79)
2.2.2.1 Pengolahan data kuantitatif
Dengan jenis data diatas maka penelitian ini dilakukan dengan metode
peramalan kuantitatif. Metode peramalan kuantitatif adalah metode peramalan
yang melibatkan analisis statistik terhadap data-data masa lalu. Penelitian yang
18
menggunakan rentetan data deret waktu, maka metode peramalan kuantitatif yang
dipakai adalah metode peramalan kuantitatif model deret waktu satu ragam.
Metode peramalan kuantitatif model deret waktu satu ragam adalah metode
peramalan yang fokus pada observasi terhadap urutan pola data yang secara
kronologis suatu peubah tertentu (Firdaus, 2006). Menurut Levine et. Al. (2002, p.
655) metode peramalan deret waktu melibatkan Peramalan nilai yang akan datang
dari sebuah variable berdasarkan pada pengamatan masa lalu dan sekarang dari
variable tersebut. Metode peramalan deret waktu dapat dibagi menjadi beberapa
metode sebagai berikut.
1. Metode Smoothing
Metode ini digunakan untuk melakukan pemulusan terhadap suatu deret
berkala dengan membuat rata-raat tertimbang dari sederetan data yang
lalu. Metode ini sangat efektif untuk peramalan jangka pendek dan tidak
membutuhkan banyak data.
2. Metode Box Jenkins
Metode ini menggunakan dasar deret waktu dengan model matematis
dan hanya cocok untuk jangka pendek.
3. Metode Peramalan Trend
Metode ini berdasarkan garis trend untuk suatu persamaan matematis.
Cocok untuk jangka pendek maupun jangka panjang. Makin banyak data
yang tersedia, hasilnya akan semakin baik.
4. Metode Dekomposisi
19
Metode ini memisahkan 3 komponen yaitu trend, siklis, dan musiman.
Metode ini cocok bagi rencana jangka pendek dan semakin banyak data
yang tersedia akan semakin baik hasil peramalannya.
2.3 ARIMA (Autoregressive Integrated Moving average)
Metode ARIMA adalah metode peramalan yang tidak menggunakan teori
atau pengaruh antar variabel seperti pada model regresi; dengan demikian metode
ARIMA tidak memerlukan penjelasan mana variabel dependen dan inde[penden.
Metode ini tidak memerlukan pemecahan pola menjadi komponen trend,
seasonal, siklis atau irregular seperti pada data time series pada umumnya.
Metode ini secara murni melakukan prediksi hanya berdasarkan data-data historis
yang ada. Hampir mustahil menerapkan ARIMA secara manual. Selain dikenal
dengan nama ARIMA, metode ini popular dengan sebutan metode Box-Jenkins,
karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box
dan G.M Jenkins pada tahun 1970. (Santoso, 2009, p. 152)
This chapter introduces a class of models that can produce accurate
forecasts based on a description of historical patterns in the data. Autoregressive
integrated moving average (ARIMA) models are a class of linear models that is
capable of representing stationary as well as non-stationary time series. Recall
that stationary process, vary about fixed level and non-stationary process have no
natural constant mean level. ARIMA models do not involve independent variable
in their constriction. Rather, they make use of the information in the series itself
to generate forecasts. For example an ARIMA model for monthly sales would
20
project the historical sales pattern to produce a forecast of next month’s sales.
ARIMA models rely heavily on autocorrelation patterns in the data.
Bab ini memperkenalkan model yang dapat menghasilkan peramalan yang
akurat berdasarkan deskripsi pola data masa lalu dalam data. Autoregressive
integrated moving average (ARIMA) model adalah kelas model linier yang
mampu mengolah data stasioner maupun non-stasioner time series. Perlu diingat
bahwa proses stasioner bergantung dari level tetap dan non-stasioner proses tidak
memiliki tingkat rata-rata alami konstan. Model ARIMA tidak melibatkan
variabel independen dalam pengolahannya. Sebaliknya, mereka memanfaatkan
informasi dalam seri itu sendiri untuk menghasilkan perkiraan. Misalnya model
ARIMA untuk penjualan bulanan akan memproyeksikan pola penjualan sejarah
untuk menghasilkan perkiraan penjualan bulan depan. Model ARIMA sangat
bergantung pada pola autokorelasi dalam data. (Hanke & Wichern, 2003, p. 381)
Autoregressive Integrated Moving average (ARIMA) adalah metode ini
mengekplisitkan pemakain autokorelasi dalam time series, yaitu korelasi anatar
sebuah variabel, yang bersenjang satu periode lebih, dengan variabel itu sendiri.
(Kazmier, 2005)
ARIMA merupakan suatu metode yang menghasilkan ramalan-ramalan
berdasarkan sintesis dari pola data secara historis (Arsyad, 1995). ARIMA ini
sama sekali mengabaikan variabel independen karena model ini menggunakan
nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. Untuk peramalan jangka panjang
21
ketepatan peramalannya biasanya akan cenderung flat (mendatar/konstan) untuk
periode yang cukup panjang.
Dalam membuat peramalan model ini sama sekali mengabaikan variabel
independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau
dari variabel dependen untuk menghasilkan peramalan jangka pendek yang
akurat. Metode Box-Jenkins hanya dapat diterapkan, menjelaskan, atau mewakili
series yang stasioner atau telah dijadikan stasioner melalui proses differencing.
Karena series stasioner tidak punya unsur tren, maka yang ingin dijelaskan
dengan metode ini adalah unsur sisanya, yaitu error. Kelompok model time series
linier yang termasuk dalam metode ini antara lain: autoregressive, moving
average, autoregressive-moving average, dan autoregressive integrated moving
average. (Administrator, 2009).
ARIMA models have been widely used in the tourism literature, model
ARIMA telah banyak digunakan dalam literature pariwisata (Claveria & Datzira,
2010).
2.3.1 Model Autoregressive
Jika series stasioner adalah fungsi linier dari nilai-nilai lampaunya yang
berurutan atau nilai sekarang series merupakan rata-rata tertimbang nilai-nilai
lampaunya bersama dengan kesalahan sekarang, maka persamaan itu dinamakan
model autoregressive.
Bentuk umum model ini adalah (Santoso, 2009):
22
Dimana :
Yt = nilai AR yang di prediksi
Yt-1, Yt-2, Yt-n = nilai lampau series yang bersangkutan ; nilai lag dari
time series.
Ap = koefisien
et = residual; error yang menjelaskan efek dari variabel
yang tidak dijelaskan oleh model, kesalahan
peramalan dengan ciri seperti sebelumnya.
Banyaknya nilai lampau yang digunakan (p) pada model AR menunjukkan
tingkat dari model ini. Jika hanya digunakan sebuah nilai lampau, dinamakan
model autoregressive tingkat satu dan dilambangkan dengan AR. Agar model ini
stasioner, jumlah koefisien model autoregressive harus selalu kurang
dari 1. Ini merupakan syarat perlu, bukan cukup, sebab masih diperlukan syarat
lain untuk menjamin stationarity.
2.3.2 Model moving average
Jika series yang stasioner merupakan fungsi linier dari kesalahan peramalan
sekarang dan masa lalu yang berurutan, persamaan itu dinamakan moving
average model.
Bentuk umum model ini adalah (Santoso, 2009):
23
Dimana :
Yt = nilai MA yang di prediksi
W1,2,q = konstanta; koefisien atau bobot (weight)
et = residual; error yang menjelaskan efek dari variabel
yang tidak dijelaskan oleh model.
Terlihat bahwa Yt merupakan rata-rata tertimbang kesalahan sebanyak n
periode ke belakang. Banyaknya kesalahan yang digunakan pada persamaan ini
(q) menandai tingkat dari model moving average. Jika pada model itu digunakan
dua kesalahan masa lalu, maka dinamakan model average tingkat 2 dan
dilambangkan sebagai MA. Hampir setiap model exponential smoothing pada
prinsipnya ekuivalen dengan suatu model ini. Agar model ini stasioner, suatu
syarat perlu (bukan cukup), yang dinamakan invertibility condition adalah bahwa
jumlah koefisien model selalu kurang dari 1. ini artinya jika makin ke
belakang peranan kesalahan makin mengecil. Jika kondisi ini tak terpenuhi
kesalahan yang semakin ke belakang justru semakin berperan.
Model MA meramalkan nilai Yt berdasarkan kombinasi kesalahan linier
masa lampau (lag), sedangkan model AR menunjukkan Yt sebagai fungsi linier
dari sejumlah nilai Yt aktual sebelumnya.
2.3.3 Model Autregressive Integrated Moving Average (ARIMA)
Model time series yang digunakan berdasarkan asumsi bahwa data time
series tersebut stasioner, artinya rata-rata varian (σ2) suatu data time series
24
konstan. Tapi seperti kita ketahui bahwa banyak data time series dalam ilmu
ekonomi adalah tidak stasioner, melainkan integrated. Jika data time series
integrated dengan ordo 1 disebut I (1) artinya differencing pertama. Jika series itu
melalui proses differencing sebanyak d kali dapat djadikan stasioner, maka series
itu dikatakan non-stasioner homogen tingkat d. Seringkali proses random
stasioner tak dapat dengan baik dijelaskan oleh model moving average saja atau
autoregressive saja, karena proses itu mengandung keduanya. Karena itu,
gabungan kedua model, yang dinamakan Autregressive Integrated Moving
Average (ARIMA) model dapat lebih efektif menjelaskan proses itu.
Pada model gabungan ini series stasioner adalah fungsi dari nilai lampaunya
serta nilai sekarang dan kesalahan lampaunya.
Bentuk umum model ini adalah (Santoso, 2009):
Dimana :
Yt = nilai series yang stasioner
Yt-1, Yt-2 = nilai lampau series yang bersangkutan
et-1, et-2 = variabel bebas yang merupakan lag dari residual
W1, Wq, A1, Ap = koefisien model
2.3.4 Konsep Parsimoni
Pemilihan model juga menggunakan unsur seni disamping ilmu; selain itu
factor parsimoni juga perlu di pertimbangkan. Parsimoni adalah konsep yang
25
mengutamankan kesederhanaan sesuatu; dalam ARIMA. Konsep tersebut
menekankan lebih baik memilih model dengan parameter sedikit daripada
parameter banyak, serta mengutamakan lag yang paling sedikit. (Santoso, 2009)
2.4 Stasioner dan Non-stasioner
Ciri-ciri stasioner dalam time series adalah nilai rata-rata (mean) dan varian
selalu konstan untuk setiap periode. Data time series yang tidak memeiliki tren
disebut stasioner. Stasioner berarti tidak terdapat pertumbuhan atau penurunan
pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu.
Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang
konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada
pokoknya tetap konstan setiap waktu. Sebaliknya, data time series yang memiliki
tren disebut non-stasioner. Indikasi adanya non-stasioner pada data time series
ditunjukan dengan menurunnya koefisien auto korelasi mendekati nol (0) setelah
lag 2 atau lag 3. (Rangkuti, 2005, p. 67)
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat
non-stasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya
berkenaan dengan deret berkala yang stasioner. Jadi suatu deret waktu yang tidak
stasioner harus diubah menjadi data stasioner dengan melakukan differencing.
Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih
nilai observasi. Nilai selisih yang diperoleh dicek kembali apakah stasioner atau
tidak. Jika belum stasioner maka dilakukan tranformasi logaritma. (Administrator,
2009)
26
2.5 Pola autokorelasi
Setelah data runtut waktu telah stasioner, langkah berikutnya adalah
menetapkan model ARIMA (p,d,q) yang sekiranya cocok (tentatif), maksudnya
menetapkan berapa p, d, dan q. Jika tanpa proses differencing d diberi nilai 0, jika
menjadi stasioner setelah first order differencing d bernilai 1 dan seterusnya.
Dalam (Santoso, 2009) proses ini dilambangkan dengan ARIMA (p,d,q).
Dimana :
q menunjukkan ordo/ derajat autoregressive (AR)
d adalah tingkat proses differencing
p menunjukkan ordo/ derajat moving average (MA)
Simbol model-model sebelum ini dapat saja dinyatakan seperti berikut :
AR sama maksudnya dengan ARIMA (1,0,0),
MA sama maksudnya dengan ARIMA (0,0,2), dan
ARMA sama maksudnya dengan ARIMA (1,0,2).
Mungkin saja terjadi bila suatu series non-stasioner homogen tidak tersusun
atas kedua proses itu, yaitu proses autoregressive maupun moving average. Jika
hanya mengandung proses autoregressive, maka series itu dikatakan mengikuti
proses Integrated autoregressive dan dilambangkan ARIMA (p,d,0). sementara
yang hanya mengandung proses moving average, seriesnya dikatakan mengikuti
proses Integrated moving average dan dituliskan ARIMA (0,d,q).
Dalam (Hanke & Wichern, 2003, p. 389) Fungsi Autokorelasi (ACF) dan
Fungsi Autokorelasi Parsial (PACF) melalui korelogramnya. ACF mengukur
27
korelasi antar pengamatan dengan jeda k, sedangkan PACF mengukur korelasi
antar pengamatan dengan jeda k dan dengan mengontrol korelasi antar dua
pengamatan dengan jeda kurang dari k. Untuk memilih berapa p dan q dapat
dibantu dengan mengamati pola fungsi autocorrelation dan partial
autocorrelation (correlogram) dari series yang dipelajari, dengan acuan sebagai
berikut :
Tabel 2.1 Pola Autokorelasi dan Autokorelasi Parsial
Autocorrelation Partial autocorrelation ARIMA tentatif
Menuju nol setelah lag q Menurun secara bertahap/bergelombang
ARIMA (0,d,q)
Menurun secara bertahap/bergelombang Menuju nol setelah lag q ARIMA
(p,d,0)
Menurun secara bertahap/bergelombang
(sampai lag q masih berbeda dari nol)
Menurun secara bertahap/bergelombang
(sampai lag p masih berbeda dari nol)
ARIMA (p,d,q)
Sumber: (Hanke & Wichern, 2003)
Dalam praktik pola autocorrelation dan partial autocorrelation seringkali
tidak menyerupai salah satu dari pola yang ada pada tabel itu karena adanya
variasi sampling. Jika sudah terbiasa atau berpengalaman pemilihan p dan q
diharapkan dekat dengan yang benar. Perhatikan bahwa kesalahan memilih p dan
q bukan merupakan masalah, dan akan dimengerti setelah tahap diagnostic
checking. Pada umumnya, analis harus mengindentifikasi autokorelasi yang
secara eksponensial menjadi nol. Jika autokorelasi secara eksponensial melemah
menjadi nol berarti terjadi proses AR. Jika autokorelasi parsial melemah secara
28
eksponensial berarti terjadi proses MA. Jika keduanya melemah berarti terjadi
proses ARIMA (Arsyad, 1995).
Data yang bersifat time series cenderung memiliki hubungan antar periode.
Untuk mengetahui apakah data time series tersebut saling berhubungan satu sama
lain, kita dapat melakukan analisis autokorelasi. Idealnya, data yang bersifat time
series harus bebas dari pengaruh autokorelasi. Komponen yang membentuk pola
tertentu pada data time series diakibatkan oleh pengaruh tren, kecenderungan
musiman, serta ketidakajegan. Semuanya dapat dipelajari dengan menggunakan
analisis koefisien autokorelasi, baik bersifat natural logs maupun berbagai senjang
waktu yang berbeda (time lags). (Rangkuti, 2005, p. 29)
Dikemukakan There may be some ambiguity in determining an appropriate
ARIMA model from the pattern of the sample autocorrelation and partial
autocorrelation. With a little practice, the analys should become more adept at
identifying an adequate model. (Hanke & Wichern, 2003). Terdapat keambiguan
dalam menetukan model ARIMA yang tepat dari contoh autokorelasi dan
autokorelasi parsial. Dengan banyak latihan, analis dapat menjadi lebih mahir
dalam mengidentifikasi model yang memenuhi syarat.
1.6 Menghitung Kesalahan Peramalan
Dalam (Santoso, 2009, p. 172) penggunaan ARIMA dengan MINITAB
PEMILIHAN model terbaik adalah model degan tingkat kesalahn prediksi
terkecil. Acuannya adalah MS (means of square; Adalah rata-rata selisih kuadrat
29
nilai yang diramalkan dan yang diamati). Namun dalam text book lain ada
beberapa tekhnik untuk menghitung kesalahan peramalan.
Menurut (Weiers, 2011) ada beberapa teknik untuk mengevaluasi hasil
peramalan, diantaranya :
Mean Absolute Deviation (MAD) atau simpangan absolut rata-rata
MAD ini sangat berguna jika seorang analis ingin mengukur
kesalahan peramalan dalam unit ukuran yang sama seperti data
aslinya.
Mean Squared Error (MSE) atau Kesalahan rata-rata kuadrat
Pendekatan ini menghukum suatu kesalahan yang besar karena
dikuadratkan. Pendekatan ini penting karena satu teknik yang
menghasilkan kesalahan yang moderat yang lebih disukai oleh suatu
peramalan yang biasanya menghasilkan kesalahan yang lebih kecil
tetapi kadang-kadang menghasilkan kesalahan yang sangat besar.
Pendekatan inilah yang nantinya akan muncul dalam pehitungan
dengan MINITAB.
1.7 MINITAB
Minitab adalah program komputer yang dirancang untuk melakukan
pengolahan statistika. Minitab mengkombinasikan kemudahan penggunaan
30
layaknya Microsoft excel dengan kemampuannya melakukan analisis statistik
yang kompleks (Simarmata, 2010, p. 26)
MINITAB is a powerful statistical software that provides a wide range of
basic and advanced capabilities for statistical analysis. MINITAB’s broad,
powerful capabilities and unmatched ease of use make it the ideal teaching tool.
As a result more than 4000 colleges, universities and high schools worldwide rely
on MINITAB. Developed over 30 years ago, by professors for professor,
MINITAB has become the standard for statistic education. And because MINITAB
is the leading package used in industry for quality and process improvement,
student who learn MINITAB in class will have the advantage of knowing how to
use a real-world business tool – MINITAB adalah perangkat lunak statistik yang
menyediakan berbagai kemampuan untuk analisis statistik baik dasar dan
lanjutan. Program ini memiliki kemampuan yang kuat dan mudah digunakan
menjadikannya ideal sebagai alat pengajaran. Sebagai buktinya MINITAB telah
digunakan di lebih dari 4000 perguruan tinggi, universitas dan sekolah menengah
di seluruh dunia. Dikembangakan lebih dari 30 tahun yang lalu dari professor ke
psrofesor, MINITAB telah menjadi standar untuk pembelajaran statistik. Dan
karena MINITAB adalah paket terdepan yang digunakan untuk meningkatkan
proses dan kualitas dalam perusahaan, murid yang mempelajari MINITAB pasti
mendapatakan keuntungan dari mengetahui dan juga dapat menggunakan alat
yang digunakan dalam dunia bisnis sebenarnya (Ryan, Joiner, & Cryer, 2005, p.
xiii).
31
2.7 Pariwisata
Kegiatan kepariwisataan adalah kegiatan yang mengutamakan pelayanan
dengan berorientasi pada kepuasan wisatawan, pengusaha di bidang pariwisata,
pemerintah, dan masyarakat. Sebagai salah satu aktivitas fisik dan psikis manusia,
pariwisata didefinisikan oleh banyak ahli dengan definisi yang tidak terlalu jauh
berbeda. Menurut Simatupang,V. (2009 p. 24) mengatakan pariwisata adalah
semua proses yang ditimbulkan oleh arus perjalanan lalu lintas orang – orang dari
luar ke suatu negara atau daerah dan segala sesuatu yang terkait dengan proses
tersebut seperti makan/minum, transportasi, akomodasi, dan objek atau hiburan.
Sedangkan menurut Spillane (1997:105) dalam Pitana (2005 p. 46)
mendefinisikan pariwisata sebagai sebuah perjalanan dari suatu tempat ke tempat
lain bersifat sementara, dilakukan perorangan atau kelompok dan sebagai usaha
mencari keseimbangan, keserasian, atau kebahagian dengan lingkungan hidup
dalam dimensi, budaya, alam, dan ilmu. Batasan – batasan diatas begitu luas,
sehingga pengertian pariwisata seakan tidak bisa dibatasi karena menyangkut
hampir semua aspek kehidupan.
Pendit (2003 p. 37) menyebutkan bentuk pariwisata dapat dibagi menurut
kategori yaitu:
a. menurut asal wisatawan,
b. akibat terhadap neraca pembayaran,
c. jangka waktu,
d. jumlah wisatawan, dan
e. menurut alat angkut yang dipergunakan.
32
Jenis pariwisata yang sudah dikenal saat ini antara lain: wisata budaya,
wisata kesehatan, wisata olah raga, wisata komersial, wisata industri, wisata
politik, wisata konvensi, wisata sosial, wisata pertanian, wisata maritim/bahari,
wisata cagar alam, wisata buru, wisata pilgrim, wisata bulan madu, dan wisata
petualangan.
2.8 Permintaan pariwisata
Permintaan pariwisata didefinisikan sebagai, “…sejumlah orang yang
mengadakan perjalanan atau akan mengadakan perjalanan dengan menggunakan
fasilitas dan atau jasa-jasa di tempat tersebut…” (Mathieson and Wall, 1982).
Definisi ini mengacu kepada luasnya dampak, yang berkaitan dengan harga dan
pendapatan, sebagai determinan permintaan dan termasuk mereka yang bepergian
maupun yang ingin bepergian tetapi karena salah satu sebab tidak bias
mengadakan perjalanan. Permintaan pariwisata terbagi atas beberapa macam:
1. Permintaan efektif atau actual
Adalah jumlah yang secara nyata bepergian, hal ini mudah untuk diukur dan
merupakan sebagian besar dari data statistik berasal dari data ini.
2. Permintaan yang tertunda
Adalah mereka yang tidak jadi bepergian karena beberapa alasan:
a) Permintaan Potensial Mengacu kepada mereka yang akan
bepergian di masa akan – masa tersebut.
b) Permintaan Tertunda Mengacu pada masalah – masalah
kelangkaan jasa pelayanan seperti kesempatan bepergian.
33
Dengan kata lain permintan potensial dan permintaan tertahan akan berubah
menjadi permintaan actual dan efektif di masa akan dating atau tidak ada
permintaan bepergian sama sekali.
Menurut Medlik (1980) dalam Ariyanto 2005, menjelaskan 3 pendekatan
yang digunakan untuk menggambarkan permintaan pariwisata, yaitu:
1) Pendekatan ekonomi.
Pendapat para ahli ekonomi mengatakan dimana permintaan
pariwisata menggunakan elastisitas permintaan/ pendapatan dalam
menngambarkan hubungan antara permintaan dengan tingkat harap
ataukah permintaan dengan variable lainnya.
2) Pendekatan geografi
Sedangkan para ahli geografi berpendapat bahwa untuk menafsirkan
permintaan harus berpikir lebih luas dari sekedar menaruh harga
sebagai penentu permintaan karena termasuk yang telah melakukan
perjalanan maupun yang belum mampu melakukan wisata karena
suatu alasan tertentu.
3) Pendekatan psikologi
Para ahli psikologi berpikir lebih dalam melihat dari permintaan
pariwisata, termasuk didalamnya interaksi antara kepribadian calon
wisatawan, lingkungan dan dorongan dari lubuk jiwanya untuk
melakukan pariwisata.
2.9 Motivasi berwisata
34
Dalam konteks pariwisata, sangat penting untuk diketahui alasan yang
menjadi motivasi utama manusia melakukan perjalanan wisata, karena dengan
mengetahui alasan mereka melakukan perjalanan wisata, maka dalam lingkup
yang lebih luas komponen pariwisata lainnya (pemerintah, penyedia jasa/pelaku
bisnis pariwisata, dan masyarakat lokal) dapat mengantisipasi kebutuhan
wisatawan tersebut.
Shapley (dalam Pitana & Gayatri, 2005, p. 28) menyebutkan bahwa
motivasi merupakan hal yang sangat mendasar. Karena motivasi merupakan
pemicu dari proses perjalanan wisata, walaupun motivasi ini acapkali tidak
disadari secara penuh oleh wisatawan itu sendiri. Weaver and Lawton (2006 p.
29) menyebutkan beberapa motivasi seseorang untuk melakukan perjalanan
wisata yaitu:
1. Leisure and recreation / liburan dan rekreasi
2. Visiting friend and relatives / mengunjungi teman dan keluarga
3. Business / urusan bisnis
4. Sport / olahraga
5. Sprirituality / spriritual
6. Health / kesehatan
7. Study / belajar
8. Multipurpose tourism / wisata dengan tujuan ganda
Pitana dan Gayatri (2005 p. 60) menyebutkan bahwa motivasi perjalanan
seseorang dipengaruhi oleh faktor internal wisatawan itu sendiri (intrinsic
motivation) dan faktor eksternal (extrinsic motivation). Secara intrinsik motivasi
35
terbentuk karena adanya kebutuhan dan/atau keinginan dari manusia itu sendiri,
sesuai dengan teori hierarki Maslow. Konsep Maslow tentang hierarki kebutuhan
yang dimulai dari kebutuhan fisiologis, kebutuhan keamanan, kebutuhan sosial,
kebutuhan prestis, dan kebutuhan akan aktualisasi diri, telah dijadikan dasar untuk
meneliti motivasi wisatawan. Sedangkan motivasi ekstrinsik adalah motivasi yang
terbentuknya dipengaruhi oleh faktor – faktor eksternal, seperti norma sosial,
pengaruh atau tekanan keluarga, dan situasi kerja yang terinternalisasi dan
kemudian berkembang menjadi kebutuhan psikologis. Motivasi merupakan faktor
penting bagi calon wisatawan didalam mengambil keputusan mengenai destinasi
yang akan dikunjungi.
2.10 Penelitian Terdahulu
Tabel 2.2 Tabel penelitian terdahulu
Nama
pengarangJudul Jurnal Hasil penelitian
Hussein Ali
Al-Zeaud
European Journal of
Economics, Finance and
Administrative Sciences,
ISSN 1450-2275 Issue
35, “Modelling and
Forecasting Volatility
Using ARIMA Model”
(2011).
Praktisi melakukan penelitian dengan
data sebanyak 272 buah untuk
menentukan peramalan dari votailitas
untuk sektor bank. Proses perhitungan
menggabungkan software E-views dan
MINITAB. Model ARIMA terpilih
yang ditentukan dari MSE terkecil
yaitu 0.0001003 adalah ARIMA
(2,0,2) dengan peramalan sebesar
0.0077137.
36
Lusi Alvina
Tofani,
Achmad
Mauludiyanto
JURNAL TEKNIK ITS
Vol. 1, No. 1 (Sept.
2012) ISSN: 2301-9271,
Peramalan Trafik Sms
Area Jabotabek dengan
Metode Arima (2012).
Praktisi melakukan pemodelan dan
peramalan trafik SMS pada jaringan
GSM (Global System for Mobile
Communication) area Jabotabek
menggunakan metode ARIMA namun
tidak disebutkan software nya.
Didapatkan hasil untuk trafik all
operator 0-15 sec didapat model
([6,9],1,2) dengan nilai MAPE sebesar
0,33% . untuk trafik all operator 16-30
sec didapat model (1,0,[1,4,5]) dengan
nilai MAPE sebesar 2,24%. Model
ARIMA trafik peer to peer GSM-T 0-
15 sec didapat model (1,0,[1,7])
dengan nilai MAPE sebesar 3,06% dan
untuk trafik peer to peer GSM-T 16-30
sec didapat model ([1,5],0,5) dengan
nilai MAPE sebesar 10,991%. Model
ARIMA yang telah didapat dari proses
pemodelan ini sebelum proses deteksi
outlier dilakukan. Untuk trafik all
operator 0-15 sec didapat model
([6,9],1,2) dengan nilai MAPE sebesar
0,35% dan untuk trafik all operator
16-30 sec didapat model (1,0,[1,4,5])
dengan nilai MAPE sebesar 210,94%.
Model ARIMA trafik peer to peer
GSM-T 0-15 sec didapat model (1,0,
[1,7]) dengan nilai MAPE sebesar
23,95% dan untuk trafik peer to peer
37
GSM-T 16-30 sec didapat model
([1,5],0,5) dengan nilai MAPE sebesar
5,56%.
Salah T. Al-
rawashdeh
International Journal of
Business and
Management, Vol. 6,
No. 10; October 2011,
ISSN 1833-3850 E-
ISSN 1833-8119
Forecasting Foreign
Direct Investment
in Jordan for the Years
(2011).
Praktisi menemukan bahwa data tidak
stasioner maka dari itu dilakukan
proses differencing dengan model
ARIMA. Software yang digunakan
(Minitab, 14 and Eviews, 3.1) untuk
analisi data dan peramalannya. Praktisi
menemukan peramalan optimal pada
ARIMA (0, 1, 1) dengan MAD
12.060 dan peramalannya mencapai
(29207.06) juta dalam dinar Jordan
dinar (JD) pada tahun 2030. Praktisi
melakukan pendeketan parsemoni
dengan hanya melakukan analisis pada
ARIMA (1,1,0); ARIMA (1,1,1) dan
ARIMA (0,1,1).
Liem Gai Sin,
Ria
Purnamasari.
Journal of Arts, Science
& Commerce, Vol.– II,
Issue –3, July 2011, E-
ISSN 2229-4686, ISSN
2231-4172, China E-
Commerce Market
Analysis: Forecasting
And Profiling Internet
User (2011).
Praktisi melakukan Peramalan dari
umur, jenis kelamin dan pendapatan
sebagai objeknya. Praktisi
memprediksi bahwa pengguna internet
di Cina diperkirakan akan bertumbuh
hingga 1.53 milyar pada tahun 2015,
kaum pria di perkirakan masih akan
mendominasi pasar namun pria
pengguna internet di prediksi akan
turun secara bertahap. Pengguna
internet yang berpendapatan tinggi
38
juga meningkat, maka kemungkinan
produk mewah akan menjadi produk
potensial yang dapat di perdagangkan
lewat internet. Peramalan dilakukan
dengan metode ARIMA namun dari
tiap indikatornya penggunaan model
ARIMA yang digunakan berbeda-beda,
sebagai contoh model ARIMA (1,0,0)
sesuai untuk meramalkan pengguna
internet campuran, pengguna internet
pria, orang berpendapatan kurang dari
501 yuan dan orang yang
berpendapatan 501-4000 yuan.
Sedangkan pengguna internet wanita
menggunakan model ARIMA (2,0,2).
Pengguna dibawah 21 tahun dan diatas
30 tahun menggunakan model ARIMA
(1,1,1), sedangkan orang berumur 21-
30 tahun menggunakan model ARIMA
(1,0,2), dan orang berpenghasilan
tinggi menggunakan model ARIMA
(2,1,2).
Oscar
Claveria;
Jordi Datzira
TOURISM REVIEW,
VOL. 65 NO. 1 2010,
pp. 18-36, Q Emerald
Group Publishing
Limited, ISSN 1660-
5373, Forecasting
tourism demand using
Praktisi focus dengan permintaan
pariwisata di Katalonia dari Negara
Perancis, Inggris, Jerman dan Italia
dengan peramalan membandingkan
model AR, ARIMA, SETAR (Self-
exciting threshold autoregressions) dan
MKTAR (Markov switching regime).
Hasil yang di dapat oleh praktisi
39
consumer expectations menunjukan keakuratan ARIMA
dibandingkan model lain.
Sumber: Hasil Studi Literatur
40
2.11 Kerangka Pemikiran
Gambar 2.2 kerangka permasalahan
Sumber: Penulis
Input Data
Uji Autokorelasi
Non StasionerStasioner
Differencing = 0 Differencing ≥ 1
Peramalan
Percobaan Model ARIMA
Pemilihan Model ARIMA Terbaik
Parameter MS & MSE Terkecil
top related