Perbandingan Metode Seasonal Autoregressive Integreted Moving Average (SARIMA) dan Metode Fuzzy Time Series untuk Model Peramalan Jumlah Wisatawan Mancanegara di Bali

Regita Aprilia Maharani Yusuf, Teti Sofia Yanti

Abstract


Abstract. Forecasting is a state prediction process in the future by using the data in the past. Forecasting methods with data are time series developing quite rapidly, resulting in many choices of methods used to forecast data according to the needs to be used so it is necessary to compare one method with other methods to get forecast results with high accuracy. The method time series that is often used for data containing seasonal data patterns is the SARIMA (methodSeasonal Autoregressive Integrated Moving Average). The SARIMA method is a technique that utilizes past and present data to produce accurate long-term forecasts. In analyzing forecasting the SARIMA method requires stationary assumptions, as for another alternative in forecasting methods that do not require stationary assumptions and can produce short-term forecasts, one of which is the method Fuzzy Time Series. The purpose of this study is to compare the value of the error rate of the two methods for forecasting results which are calculated based on the results of Mean Absolute Percentage Error (MAPE). The data used is the actual data on the number of foreign tourists who come to Bali through Ngurah Rai Airport. From the test results with both methods, the MAPE value using the SARIMA model  is 104.64%, and using the model is Fuzzy Time Series 115.96%. So it can be concluded that forecasting the number of foreign tourists who come to Bali using the SARIMA method provides better performance than the method Fuzzy Time Series.

Keywords: SARIMA Method, Method Fuzzy Time Series, Forecasting.

Abstrak. Peramalan adalah suatu proses prediksi keadaan pada masa yang akan datang dengan menggunakan data di masa lalu. Metode peramalan dengan data time series berkembang cukup pesat sehingga mengakibatkan terdapat banyak pilihan metode yang digunakan untuk meramalkan data sesuai dengan kebutuhan yang akan digunakan sehingga perlu membandingkan metode yang satu dengan metode lainnya agar mendapatkan hasil ramalan dengan akurasi yang tinggi. Metode time series yang sering digunakan untuk data yang mengandung pola data musiman adalah metode SARIMA (Seasonal Autoregressive Integrated Moving Average). Metode SARIMA merupakan teknik yang memanfaatkan data masa lalu dan data sekarang untuk menghasilan peramalan jangka panjang yang akurat. Dalam menganalisis peramalan metode SARIMA memerlukan asumsi stasioner, adapun alternatif lain dalam metode peramalan yang tidak memerlukan asumsi stasioner dan dapat menghasilkan peramalan jangka pendek yaitu salah satunya adalah metode Fuzzy Time Series. Tujuan dari penelitian ini adalah membandingkan nilai tingkat kesalahan dari kedua metode untuk hasil peramalan yang dihitung berdasarkan hasil Mean Absolute Percentage Error (MAPE). Data yang digunakan adalah data aktual jumlah wisatawan mancanegara yang datang ke Bali melalui Bandara Ngurah Rai. Dari hasil uji coba dengan kedua metode menunjukkan nilai MAPE menggunakan model SARIMA  sebesar 104,64% dan menggunakan model Fuzzy Time Series sebesar 115,96%. Sehingga dapat disimpulkan bahwa peramalan jumlah wisatawan mancanegara yang datang ke Bali menggunakan metode SARIMA memberikan kinerja yang lebih baik dibandingkan metode Fuzzy Time Series.

Kata Kunci: Metode SARIMA, Metode Fuzzy Time Series, Peramalan.


Keywords


Metode SARIMA, Metode Fuzzy Time Series, Peramalan

Full Text:

PDF

References


Adam, E., & Ebert, R. (1982). Production and Operation anagement. Concept,. Hall Inc: Concept, Models and Behaviors. 2 nd ed.

Chang, P. C., Wang, Y. W., & Liu, C. H. (2007). The development of a weighted evolving fuzzy neural network for PCB sales forecasting. Expert Systems with Applications. https://doi.org/10.1016/j.eswa.2005.11.021

Chen, S., & Hsu, C. (2004). A New Method to Forecast Enrollments Using Fuzzy Time Series. International Journal of Applied Science and Engineering. https://doi.org/10.6703/IJASE.2004.2(3).234

Chuang, A., & Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods. In Technometrics (Vol. 33, Issue 1, p. 108). https://doi.org/10.2307/1269015

Hendayanti, N. P. N., & Nurhidayati, M. (2020). Perbandingan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) dengan Support Vector Regression (SVR) dalam Memprediksi Jumlah Kunjungan Wisatawan Mancanegara ke Bali. Jurnal Varian, 3(2), 149–162. https://doi.org/10.30812/varian.v3i2.668

Ruhiat, D., & Suwanda, C. (2019). Peramalan Data Deret Waktu Berpola Musiman Menggunakan Metode Regresi Spektral (Studi Kasus : Debit Sungai Citarum-Nanjung). TEOREMA : Teori Dan Riset Matematika, 4(1), 1. https://doi.org/10.25157/teorema.v4i1.1887

Tsaur, R. C. (2012). A fuzzy time series-Markov chain model with an application to forecast the exchange rate between the Taiwan and us Dollar. International Journal of Innovative Computing, Information and Control.

Irawadi Jody Alwin, Sunendiari Siti. (2021). Penerapan dan Perbandingan Tiga Metode Analisis Pohon Keputusan pada Klasifikasi Penderita Kanker Payudara. Jurnal Riset Statistika, 1(1), 19-27.




DOI: http://dx.doi.org/10.29313/.v0i0.29204

Flag Counter