Deteksi Outlier pada Data Peramalan Jumlah Kunjungan Wisatawan Mancanegara ke Yogyakarta

ANUNG KHARISTA M., Adhistya Erna Permanasari, S.T., M.T., Ph.D.

2015 | Tesis | S2 Teknik Elektro

Data kunjungan wisman melalui pintu masuk bandara Adisutjipto Yogyakarta dapat diolah untuk melakukan peramalan jumlah kunjungan wisman pada masa yang akan datang. Kendala dalam pengolahan data yang cenderung naik turun adalah terkadang data memiliki outlier. Outlier merupakan masalah yang serius karena dapat mempengaruhi hasil peramalan sehingga diperlukan pendeteksian dan penanganan pada data yang digunakan. Metode yang digunakan dalam penelitian ini adalah ARIMA. Proses pemodelan ARIMA dibagi menjadi tiga tahap yaitu identifikasi, penaksiran dan pemeriksaan diagnostik, serta penerapan. Dalam tahapan pemeriksaan diagnostik terdapat dua pengujian yaitu uji white noise dan normalitas. Tahap normalitas dilakukan untuk mengetahui apakah data mengandung outlier atau tidak. Jika data tidak terdistribusi normal, maka dapat diindikasikan bahwa terdapat outlier pada data yang diolah. Penanganan outlier dilakukan menggunakan additive outlier (AO), innovative outlier (IO), dan substitusi mean. Hasil penelitian menunjukkan bahwa model ARIMA (0,1,1) murni memiliki nilai MAPE sebesar 18,94% dan Theil U sebesar 0,197 sebelum dilakukan pendekatan outlier. Setelah dilakukan pendekatan AO dan IO menghasilkan nilai MAPE sebesar 12,17% dan Theil U sebesar 0,137. Hal ini menunjukkan bahwa outlier dapat mempengaruhi hasil peramalan.

The number of the foreign tourists who came through Adisutjipto Airport Yogyakarta can be processed as the data to forecast the future foreigner visiting. However, there is a problem related to the data processing. The problem is the existing of data outlier which can make a kind of fluctuation on the data processing. Outlier itself is considered as a serious problem since it can impact on the forecasting result, so detecting and dealing the data are necessary to be done. The method used in this study is ARIMA. ARIMA modeling processes are divided into three stages: identification, estimating and diagnostic checking, and implementation. There are two kinds of checking were done during the diagnostic checking stage, they are: the white noise and normality checking. The normality checking is conducted in order to find whether the data contain outliers or not. When the data are not distributed normally, it is indicated that there were outliers during the data processing. To overcoming the outliers, the additive outlier (AO) and innovative outlier (IO) should be applied. The result shows that before the application of the outliers approach, the MAPE and Theil U of ARIMA (0,1,1) achieved the forecasting accuracy in numbers of 18,94% and 0,197. After handling outlier using IO and AO, the results were 12,17% and 0,137. It shows that the accuracy of MAPE and Theil U have 6% and 0,004 number of decreasing. Thus, it shows that outliers have impact on the forecasting.

Kata Kunci : peramalan, ARIMA, outlier, MAPE, Theil U, forecasting, ARIMA, outlier, MAPE, Theil U