Professional Documents
Culture Documents
ec4b56ff4f6b65d4e5a1e4472de02fe8
ec4b56ff4f6b65d4e5a1e4472de02fe8
ec4b56ff4f6b65d4e5a1e4472de02fe8
Register Login
Search
Chief-in-Editor:
Desak Putu Eka Nilakusmawati, Udayana University, Mathematics Department, Indonesia (Scopus
ID, Orcid ID)
Editorial Board:
Dr. Putu Harry Gunawan, Telkom University, School of Computing, Bandung, Indonesia (Scopus ID,
Orcid ID)
Marjono, Brawijaya University, Department of Mathematics, Malang, Indonesia (Scopus ID, Orcid ID)
Tjokorda Bagus Oka, Udayana University, Mathematics Department, Badung- Bali, Indonesia
I Komang Gde Sukarsa, Udayana University, Mathematics Department, Badung- Bali, Indonesia
I Putu Eka Nila Kencana, Udayana University, Mathematics Department, Badung- Bali, Indonesia
I Gusti Ayu Made Srinadi, Udayana University, Mathematics Department, Badung- Bali, Indonesia
(Scopus ID, Orcid ID)
https://ojs.unud.ac.id/index.php/mtk/about/editorialTeam 1/2
7/12/2018 Editorial Team | E-Jurnal Matematika
https://ojs.unud.ac.id/index.php/mtk/about/editorialTeam 2/2
7/12/2018 Vol 7 No 2 (2018) | E-Jurnal Matematika
Register Login
Search
DOI: https://doi.org/10.24843/MTK.2018.v07.i02
Published: 2018-05-13
Articles
PENENTUAN HARGA JUAL OPSI BARRIER TIPE EROPA DENGAN METODE ANTITHETIC VARIATE
PADA SIMULASI MONTE CARLO
LUH HENA TERECIA WISMAWAN PUTRI, KOMANG DHARMAWAN, I WAYAN SUMARJAYA
71-78
CADANGAN PREMI ASURANSI JOINT-LIFE DENGAN SUKU BUNGA TETAP DAN BERUBAH SECARA
STOKASTIK
NI KOMANG SUKANASIH, I NYOMAN WIDANA, KETUT JAYANEGARA
79-87
KONVERGENSI NUMERIK FLUKS RUSANOV DAN HLLE PADA METODE BEDA VOLUM UNTUK
MENGHAMPIRI PERSAMAAN AIR DANGKAL
https://ojs.unud.ac.id/index.php/mtk/issue/view/2751 1/4
7/12/2018 Vol 7 No 2 (2018) | E-Jurnal Matematika
PENENTUAN HARGA PREMI ASURANSI PERTANIAN BERBASIS INDEKS CURAH HUJAN DENGAN
MENGGUNAKAN METODE PEMBANGKIT DISTRIBUSI EKSPONENSIAL CAMPURAN
SAYID QOSIM, KOMANG DHARMAWAN, LUH PUTU IDA HARINI
141-147
https://ojs.unud.ac.id/index.php/mtk/issue/view/2751 2/4
7/12/2018 Vol 7 No 2 (2018) | E-Jurnal Matematika
https://ojs.unud.ac.id/index.php/mtk/issue/view/2751 3/4
7/12/2018 Vol 7 No 2 (2018) | E-Jurnal Matematika
https://ojs.unud.ac.id/index.php/mtk/issue/view/2751 4/4
E-Jurnal Matematika Vol. 7 (2), Mei 2018, pp. 157-164 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2018.v07.i02.p198
Tjok Gde Sahityahutti Ranangga1§, I Wayan Sumarjaya 2, I Gusti Ayu Made Srinadi 3
1
Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: tjokopa@gmail.com]
2
Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: sumarjaya@unud.ac.id]
3
Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: srinadi@unud.ac.id]
§
Corresponding Author
ABSTRACT
The purposes of this research were to model and to forecast the number of foreign tourists (Australia,
China, and Japan) arrival to Bali using vector autoregressive (VAR) method. The estimated of VAR
model obtained to forecast the number of foreign tourists to Bali is the sixth order VAR (VAR(6)).We
used multivariate least square method to estimate the VAR(6)’s parameters.The mean absolute
percentage error (MAPE) in this model were as follows 6.8% in predicting the number of Australian
tourists, 15.9% in predicting the number of Chinese tourists, and 9% in predicting the number of
Japanese tourists. The prediction of Australian, Chinese, and Japanese tourists arrival to Bali for
July 2017 to December 2017 tended to experience up and downs that were not too high compared to
the previous months.
Keywords: forecasting, foreign tourists arrival to Bali, mean absolute percentage error (MAPE),
vector autoregressive (VAR)
157
Ranangga, T.G.S., I W. Sumarjaya, I G.A.M. Srinadi Metode Vector Autoregressive (VAR)…
digunakan untuk memodelkan dan meramalkan kepariwisataan (BPS Bali, 2017), sehingga
lebih dari satu variabel secara simultan. Menurut peramalan jumlah kunjungan wisatawan
Gujarati (2004, p. 853) keunggulan dari metode mancanegara ke Bali perlu dilakukan. Pada
VAR antara lain adalah (1) bentuk model tahun 2016 jumlah kunjungan wisatawan
sederhana, dengan tidak perlu khawatir dalam mancanegara ke Bali adalah sebanyak 4.927.937
menentukan antara variabel endogen dan jiwa. Jumlah ini meningkat sebesar 22,55% dari
variabel eksogen, dalam model ini semua tahun sebelumnya. Tiga negara terbanyak yang
variabel adalah variabel endogen; (2) estimasi mendatangkan warganya ke Bali adalah
model VAR sederhana yaitu bisa menggunakan Australia sebesar 1.143.157 jiwa (23,20%), Cina
metode kuadrat terkecil (MKT); (3) hasil sebesar 990.771 jiwa (20,11%), dan Jepang
peramalan yang diperoleh dari metode ini lebih sebesar 235.009 jiwa (4,77%). Ketiga negara
baik dibandingkan dengan model simultan tersebut menyumbang hampir 50% atau
kompleks lainnya. setengah dari total jumlah wistawan
Penelitian terkait metode VAR adalah mancanegara yang berkunjung ke Bali (Dinas
Suprianto (2014) menggunakan model VAR Pariwisata Provinsi Bali, 2017).
untuk memodelkan utang luar negeri pemerintah, Penelitian ini bertujuan untuk memodelkan
belanja negara, dan struktur perdagangan jumlah kunjungan wisatawan Australia, Cina,
Indonesia. Hasil yang diperoleh pada pemodelan dan Jepang ke Bali menggunakan metode VAR
utang luar negeri pemerintah, belanja negara, dan memprediksi jumlah kunjungan wisatawan
dan struktur perdagangan Indonesia adalah Australia, Cina, dan Jepang ke Bali.
model VAR dengan orde satu (VAR(1)). Model
VAR pada penelitian tersebut digunakan untuk 2. METODE PENELITIAN
memodelkan variabel dari sektor ekonomi. Salah Jenis data yang digunakan dalam penelitian
satu sektor ekonomi yang populer adalah bidang ini adalah data sekunder yaitu data jumlah
pariwisata. kunjungan wisatawan Australia, Cina, dan
Penelitian terkait model VAR dalam bidang Jepang ke Bali. Data diperoleh dari halaman
pariwisata adalah Witt & Song (2000) web Dinas Pariwisata Provinsi Bali. Data yang
memodelkan kunjungan wisatawan Amerika. digunakan adalah data bulanan dari Januari 2010
Pada penelitian Witt & Song (2000) tersebut sampai Juni 2017. Data dari Januari 2010
diperoleh hasil bahwa model VAR memiliki sampai Agustus 2016 digunakan dalam
tingkat akurasi yang cukup baik dalam pembentukan model dan data dari September
meramalkan kunjungan wisatawan Amerika. 2016 sampai Juni 2017 digunakan untuk
Berdasarkan penelitian tersebut, maka model menguji keakuratan model meng-gunakan
VAR dapat menjadi rekomendasi model untuk kriteria peramalan mean absolute percentage
meramalkan jumlah kunjungan wisatawan ke error (MAPE). Langkah-langkah analisis data
Bali. yang dilakukan dalam pembentukan model VAR
Provinsi Bali merupakan salah satu daerah adalah sebagai berikut.
di Indonesia yang dominan dengan bidang
pariwisata. Keindahan alam dan keunikan 1. Identifikasi Orde Model VAR
budaya Bali menyebabkan daerah ini menjadi Bentuk umum model VAR orde-p,
daerah tujuan wisata yang terkenal sampai ke dinotasikan VAR( ), untuk variabel deret
mancanegara. Hal ini dibuktikan dengan waktu yaitu data jumlah kunjungan wisatawan
Australia ( ), Cina ( ), dan Jepang ( ) ke
beberapa kegiatan-kegiatan internasional yang
Bali adalah sebagai berikut:
diadakan di Bali dan beberapa tokoh-tokoh
dunia yang berkunjung ke Bali.
Jumlah kunjungan wisatawan man-canegara (1)
ke Bali merupakan salah satu indikator utama
untuk mengukur per-kembangan kegiatan
158
E-Jurnal Matematika Vol. 7 (2), Mei 2018, pp. 157-164 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2018.v07.i02.p198
( )
( ) | ̃ ( )| (7)
| | (2)
dengan adalah banyak data, adalah banyak
yaitu persamaan (2) yang disebut sebagai variabel, dan ̃ ( ) merupakan penduga MLE
reverse characteristic polynomial dari model dari . Estimasi orde ( ̂ ) model yang dipilih
VAR( ) tidak memiliki akar pada dan di dalam adalah ̂ sedemikian sehingga nilai kriteria
lingkaran unit (L ̈ tkepohl, 2005). ( ), ( ), ( ) , dan ( ) yang
Identifikasi orde optimum dari model dihasilkan adalah yang terkecil (L ̈ tkepohl,
VAR( ) menggunakan Likelihood Ratio(LR) 2005).
Test, final prediction error (FPE), Akaike’s
Information Criterion (AIC), Hannan-Quinn 2. Estimasi Parameter Model
Criterion (HQ), dan Schwarz Information
Estimasi parameter model VAR yang
Criterion (SC). Misalkan merupakan batas
digunakan adalah metode multivariate least
orde dari model VAR, urutan hipotesis untuk uji
square estimastion (MLS). Misalkan untuk
LR adalah sebagai berikut:
setiap K variabel deret waktu diberikan sampel
berukuran , yaitu dan
vs
diberikan p presample, yaitu
vs | . Banyak data presample sama
dengan orde optimum model yang terpilih pada
langkah pertama. Digunakan notasi sebagai
vs
berikut:
|
( )( )
( )( ( ))
vs
|
159
Ranangga, T.G.S., I W. Sumarjaya, I G.A.M. Srinadi Metode Vector Autoregressive (VAR)…
(8) dan
( )( )
dan penduga MLS dari adalah (12)
dengan ( ) ;
̂ [̂ ̂ ̂ ̂ ̂ ]
∑ (̂ ) , ;
( ) (9) ( ) ; ∑ (̂ ) ,
(L ̈ tkepohl, 2005). ; ( ) vektor
berukuran ( ).
3. Uji Asumsi Model
Berdasarkan persamaan (11) dan (12)
Uji asumsi model dilakukan untuk diperoleh statistik uji Lomnicki-Jarque-Bera
mengecek asumsi-asumsi yang terdapat pada sebagai berikut:
model. Asumsi-asumsi yang harus terpenuhi
(13)
pada model agar model tersebut dapat digunakan
untuk proses peramalan adalah tidak terjadi
Jika atau dari
autokorelasi antarresidual, residual model , maka ditolak.
menyebar normal, dan model merupakan proses
Untuk mengecek kestabilan model VAR
yang stabil.
dapat dilihat dari akar reverse characteristic
Untuk menguji autokorelasi antarresidual
model digunakan uji Portmanteau. Hipotesis polynomial model tersebut seperti pada
persamaan (2).
yang diuji adalah.
: tidak terjadi autokorelasi antarresidual
4. Kriteria Peramalan
model pada semua lag
:iiterdapat autokorelasi antarresidual Kriteria peramalan yang digunakan untuk
model pada beberapa lag melihat seberapa akurat model dalam
memprediksi kejadian yang sebenarnya adalah
Statistik uji untuk menarik kesimpulan
mean absolute percentage error (MAPE). Nilai
dirumuskan sebagai berikut: MAPE yang semakin kecil mengindikasikan
bahwa hasil peramalan semakin mendekati hasil
∑ (̂ ̂ ̂ ̂ )) (10)
yang aktual. MAPE dirumuskan sebagai berikut:
dengan ̂ ∑ ̂ ̂ dan ̂ merupakan ∑
| ̅ |
(14)
residual dari model VAR( ) yang stabil. Jika
( ) atau dari < , dengan m merupakan banyak data yang
maka ditolak. digunakan menghitung MAPE, ̅ merupakan
Untuk menguji kenormalan residual model hasil peramalan, dan yt merupakan nilai yang
digunakan uji Lomnicki-Jarque-Bera (LJB). sesungguhnya dari variabel yang diprediksi.
Hipotesis yang diuji adalah sebagai berikut: Menurut Zhang et al. (2015) kriteria peramalan
MAPE dapat dilihat dalam Tabel 1.
residual model menyebar normal
iresidual model tidak menyebar Tabel 1. Kriteria Nilai MAPE
normal
MAPE Kekuatan Peramalan
Statistik uji LJB dapat dilihat berdasarkan
< 10% Peramalan sangat akurat
pada skewness dan kurtosis dari standardized
residual model, yaitu ̂ (̂ ̂ ̂ ) 10 %– 20% Peramalan baik
̃
∑ (̂ ̅
̂ ). Skewness ( ) dan kurtosis ( ) 20% – 50%
Peramalan masuk akal
(wajar)
dari ̂ dirumuskan sebagai berikut:
> 50% Peramalan tidak akurat
(11)
160
E-Jurnal Matematika Vol. 7 (2), Mei 2018, pp. 157-164 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2018.v07.i02.p198
La
LR FPE AIC SC HQ [ ] [ ] (16)
g
0 - 0,000203 0,009 0,107 0,048
1 97,613 0,0000575 -1,251 -0,860 -1,096 dengan
2 38,851 0,0000397 -1,623 -0,938 -1,352
3 22,036 0,0000355 -1,739 -0,760 -1,351
[ ]
4 21,240 0,0000317 -1,860 -0,587 -1,356
5 23,521 0,0000266 -2,048 -0,481 -1,427
6 20,115 0,0000234 -2,194 -0,333 -1,456
7 12,482 0,0000239 -2,200 -0,046 -1,347 [ ]
8 6,815 0,0000276 -2,094 0,354 -1,124
9 13,776 0,0000267 -2,174 0,568 -1,087
10 7,760 0,00003 -2,119 0,917 -0,916
[ ]
11 5,309 0,0000361 -2,010 1,319 -0,691
12 11,344 0,0000361 -2,111 1,512 -0,676
161
Ranangga, T.G.S., I W. Sumarjaya, I G.A.M. Srinadi Metode Vector Autoregressive (VAR)…
162
E-Jurnal Matematika Vol. 7 (2), Mei 2018, pp. 157-164 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2018.v07.i02.p198
163
Ranangga, T.G.S., I W. Sumarjaya, I G.A.M. Srinadi Metode Vector Autoregressive (VAR)…
164