Oleh : Ruth Caroline
III. METODE PENELITIAN
3.4 Pengolahan dan Analisis Data
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-HattaBandar 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 Series1
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 :
4.4.1 Uji 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