kajian model inflasi tahunan kota sibolga dengan arima dan ...
PERBANDINGAN MODEL FUNGSI TRANSFER DAN ARIMA...
-
Upload
phamkhuong -
Category
Documents
-
view
226 -
download
0
Transcript of PERBANDINGAN MODEL FUNGSI TRANSFER DAN ARIMA...
i
PERBANDINGAN MODEL FUNGSI TRANSFER DAN ARIMA
STUDI KASUS MODEL ANTARA CURAH HUJAN DENGAN
KELEMBABAN UDARA
Skripsi
Sebagai Salah Satu Syarat Untuk Memperoleh
Gelar Sarjana Sains
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh:
Catur Aprialis
106094003178
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2010M/1431H
ii
PENGESAHAN UJIAN
Skripsi berjudul “Perbandingan Model Fungsi Transfer dan ARIMA Studi Kasus Model Antara Curah Hujan dengan Kelembaban Udara” yang ditulis oleh Catur Aprialis, NIM 106094003178 telah diuji dan dinyatakan lulus dalam sidang Munaqosyah Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada tanggal 31 Agustus 2010, skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar Sarjana strata satu (S1) Program Matematika.
Menyetujui :
Penguji 1, Penguji 2,
Taufik Edy Sutanto, M.Sc.Tech Gustina Elfiyanti, M.Si NIP. 19790530 200604 1 002 NIP. 19820820 200901 2 006
Pembimbing 1, Pembimbing 2,
Hermawan Setiawan, M.Kom Suma’inna, M.Si NIP. 19740623 199312 1 001 NIP. 150 408 699
Mengetahui :
Dekan Fakultas Sains dan Teknologi, Ketua Program Studi Matematika,
Dr. Syopiansyah Jaya Putra, M. Sis Yanne Irene, M.Si NIP. 19680117 200112 1 001 NIP. 19741231 200501 2 018
iii
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-
BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI PADA PERGURUAN TINGGI ATAU LEMBAGA
MANAPUN.
Jakarta, 31 Agustus 2010
Catur Aprialis 106094003178
iv
PERSEMBAHAN
Skripsi ini aku persembahkan untuk Kedua orang tuaku, Papa dan Mama tercinta, Mbaku, Masku, Adikku, Keponakanku dan
Keluarga besarku tersayang, serta Pacarku (“tercinta, tersayang, tercantik dan terbaik”) dan
Keluarganya untuk do’a, kasih sayang, dukungan dan semangat tiada henti yang membuat
aku bertahan hingga sejauh ini... Sahabat-sahabat dan Keluarga besar Program Studi Matematika
terhebat yang selalu mendampingi dan berjuang bersama dalam semangat persahabatan dan persaudaraan...
MOTTO
Firman Allah Subhanahu Wa Ta’ala :
…” dan katakanlah: Ya Tuhanku, tambahkanlah kepadaku ilmu pengetahuan”
[QS Thaha : 114]
Sabda Nabi Muhammad Shalallahu Alaihi Wasallam :
“Ya Allah, aku mohon kepada-Mu ilmu yang bermanfaat, rizki yang halal dan
amalan yang diterima.”
[HR Ahmad]
“ Barang siapa yang menempuh jalan untuk mencari ilmu, niscaya Allah SWT
memudahkan baginya jalan ke surga. Dan sesungguhnya malaikat sungguh
meletakkan sayapnya terhadap orang yang mencari ilmu karena ridho tentang apa
yang ia perbuat..”
( HR. Abu Daawud – At Turmudzi )
v
ABSTRAK
CATUR APRIALIS, Perbandingan Model Fungsi Transfer dan ARIMA Studi Kasus Model Antara Curah Hujan dengan Kelembaban Udara. Di bawah bimbingan Hermawan Setiawan, M.Kom dan Suma’inna, M.Si.
Informasi tentang banyaknya curah hujan adalah salah satu unsur penting dan besar pengaruhnya terhadap segala macam aktifitas, seperti produksi pertanian, perkebunan, perikanan, penerbangan, dan sebagainya. Prakiraan curah hujan dengan segala bentuk analisis dan informasi yang dihasilkan besar dampaknya guna membantu dan menunjang kegiatan sosial ekonomi di Indonesia. Banyak metode dalam statistika yang dapat digunakan dalam melakukan peramalan suatu deret waktu, seperti ARIMA dan Model Fungsi Transfer Pada skripsi ini dilakukan perbandingan antara kedua metode tersebut dalam meramalkan curah hujan bulanan dari tahun 1998 sampai dengan 2007. Pada Model Fungsi Transfer menggunakan kelembaban udara yang berpengaruh dalam meramalkan curah hujan.Hasil peramalan dengan menggunakan ARIMA diperoleh nilai MAPE sebesar 123,32 sedangkan pada Model Fungsi Transfer diperoleh nilai MAPE sebesar 106,82. Berdasarkan nilai tersebut, dengan nilai MAPE yang lebih kecil, dapat dikatakan untuk data curah hujan Model Fungsi Transfer lebih baik dari ARIMA dalam melakukan peramalan curah hujan. Kata Kunci : Curah Hujan, ARIMA, Model Fungsi Transfer
vi
ABSTRACT
CATUR APRIALIS, Comparison Transfer Function Models and ARIMA Case Study Between Rain Fall with Air Humidity under direction of Hermawan Setiawan, M.Kom and Suma’inna, M.Si. The development of todays industry services motivated the company to control their quality of services. The control of quality should be done continually and in a long time period to mantain service qualities. There are lots of variabels used in this reaserch and Multivariate Statistical Process Control (MSPC) is one of the method that can be used in this kind of problem. This reaserch done by first applying Principal Component Analysis method to reduce variable dimension and then analyse the resulting variables to make a standard of the service at Laboratory of Syarif Hidayatullah Hospital. This quality control is important currently the hospital does not have yet quality control departement at the time reserch. This reserch use 100 random samples from outpatient patient. The Analysis shows, some problems appear from the process, the main problems happened when registration process. The main cause of these problems are the undercomunication problem is utilization of registration technology and the information for patient, therefore in order to increase the service quality, the Hospital need to updates their facilities and make better information socialization to patients. Key Words : MSPC, PCA, Quality Control, Standardization.
vii
KATA PENGANTAR
Segala puji bagi Allah SWT, Yang Maha Mulia, Sumber Cahaya Ilmu,
yang senantiasa melimpahkan rahmat kepada hamba-Nya. Berkat anugrah dan
ridho-Nya, penulis dapat menyelesaikan skripsi “Perbandingan Model Fungsi
Transfer dan ARIMA Studi Kasus Model Antara Curah Hujan dengan
Kelembaban Udara”. Shalawat dan salam teruntuk Baginda Nabi Muhammad
saw, panutan paling hak di bumi ini, beserta keluarga dan para sahabatnya.
Skripsi ini dimaksudkan untuk memenuhi salah satu syarat menempuh ujian
Sarjana Sains pada Program Studi Matematika, Fakultas Sains dan Teknologi,
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Pada penulisan skripsi ini, penulis mendapat bimbingan dan bantuan dari
berbagai pihak, sehingga pada kesempatan ini penulis mengucapkan terima kasih
kepada:
1. Dr. Syopiansyah Jaya Putra, M. Sis, Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah.
2. Yanne Irene, M.Si, Ketua Program Studi Matematika dan selaku Penguji I.
3. Suma’inna, M.Si, Sekretaris Program Studi Matematika dan selaku
Pembimbing II.
4. Taufik Edy Sutanto, M.Sc.Tech, selaku Penguji I.
5. Gustina Elfiyanti, M.Si, selaku Penguji II.
6. Seluruh Dosen Program Studi Matematika, terima kasih atas pengajaran dan
ilmu bermanfaat yang telah diberikan kepada penulis.
viii
7. Kedua Orang tua, Papa dan Mama tercinta, Mba Rini, Mas Didit, Mas
Yitno, Mba Nur, Mas Puji, Mba Citra, Ari, Vano, Bita dan Tsakib serta
seluruh keluarga besar yang sudah mendampingi dan memberikan dukungan
moral dan materil.
8. Sweetheartku, Niken Putri Pradanayanti yang selalu ada disampingku dalam
memberikan semangat dan do’a selama ini, “ I love you”.
9. Bapak Abdullah Riva’i dan sekeluarga yang selalu membantu penulis.
10. Sahabat yang sudah lulus, Anas, Reza, Mahmudi, Dwi, Ulfah, Vivi dan Ella.
Sahabat satu perjuangan, Ramdhan, Farrah dan Epo. Sahabat yang belum
lulus kalian harus tetap semangat, Arya, Zikri, Iben, Yayan, Rohmat, Indra,
Arif, Sayuti, Jemy, Anty, Firda, Iif, Iis dan Jaka. Terima kasih untuk
persahabatan, kasih sayang, dan dukungan kalian, gud luck guys!.
11. Kak Dennis, Kak Bambang, Kak Sopi, Pandu, Yanna, Peppi, Acong dan
seluruh Keluarga besar Matematika Fakultas Sains dan Teknologi.
12. B 6041 CAD yang selalu setia mengiringi langkahku dalam menempuh
panas dan hujan selama 4 tahun.
Pada akhirnya penulis berharap skripsi ini dapat bermanfaat bagi pembaca
pada umumnya. Penulis menyadari masih banyak kekurangan dalam penulisan
skripsi ini, sehingga penulis mengharapkan saran dan kritik yang konstruktif.
Jakarta, 31 Agustus 2010
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL .................................................................................. i
PENGESAHAN UJIAN ............................................................................. ii
PERNYATAAN ......................................................................................... iii
PERSEMBAHAN DAN MOTTO ............................................................. iv
ABSTRAK ............................................................................................... v
ABSTRACT ............................................................................................... vi
KATA PENGANTAR ................................................................................ vii
DAFTAR ISI .............................................................................................. ix
DAFTAR TABEL ...................................................................................... xii
DAFTAR GAMBAR .................................................................................. xiii
BAB I PENDAHULUAN ......................................................................... 1
1.1. Latar Belakang ...................................................................... 1
1.2. Perumusan Masalah .............................................................. 2
1.3. Pembatasan Masalah ............................................................. 2
1.4. Tujuan Penelitian .................................................................. 3
1.5. Manfaat Penelitian ................................................................ 3
BAB II LANDASAN TEORI .................................................................... 4
2.1. Curah Hujan ........................................................................... 4
2.2. ARIMA .................................................................................. 5
2.3. Fungsi Transfer ..................................................................... 6
2.3.1 Bentuk Dasar Model Fungsi Transfer .......................... 7
x
2.3.2 Identifikasi Model Dasar Fungsi Transfer ................... 9
2.3.3 Penaksiran Parameter-parameter Model ...................... 12
2.3.4 Pemeriksaan Diagnostik Pada Model .......................... 13
2.3.5 Peramalan Menggunakan Model Fungsi Transfer........ 14
BAB III METODOLOGI PENELITIAN .................................................. 16
3.1. Metode Pengumpulan Data ................................................... 16
3.2. Metode Pengolahan Data ....................................................... 16
3.3. Alur Penelitian ...................................................................... 18
BAB IV HASIL DAN PEMBAHASAN ..................................................... 20
4.1. Eksplorasi Data ..................................................................... 20
4.2. Mempersiapkan Deret Output dan Deret Input
(Penstasioneran Data) ............................................................ 20
4.3. Identifikasi Model ARIMA .................................................. 22
4.3.1. Kelembaban Udara ....................................................... 22
4.3.2. Curah Hujan .................................................................. 23
4.4. Prewhitening Deret Input dan Output .................................... 25
4.5. Menghitung Korelasi Silang ................................................... 25
4.6. Identifikasi Awal Model Fungsi Transfer ............................... 25
4.7. Identifikasi Model Sisaan ....................................................... 27
4.8. Pendugaan Akhir Parameter Model Fungsi Transfer ............... 27
4.9. Peramalan Model Fungsi Transfer .......................................... 28
BAB V KESIMPULAN DAN SARAN ..................................................... 31
5.1. Kesimpulan ........................................................................... 31
xi
5.2. Saran ..................................................................................... 31
DAFTAR PUSTAKA ................................................................................. 32
LAMPIRAN
xii
DAFTAR TABEL
Tabel 4.1 Nilai SBC dan AIC Kandidat Model ARIMA Xt
Tabel 4.2 Nilai SBC dan AIC Kandidat Model ARIMA Y
........................ 23
t
Tabel 4.4 Perbandingan Peramalan Model Funsi Transfer dengan ARIMA ... 29
........................ 24
Tabel 4.3 Rekapitulasi Identifikasi Awal Model Fungsi Transfer ................. 26
xiii
DAFTAR GAMBAR
Gambar 3.1 Alur Penelitian .......................................................................... 18
Gambar 4.1 Plot Yt
Gambar 4.2 Plot X
Stasioner ........................................................................ 21
t
Gambar 4.3 Plot ACF Deret Input x
Stasioner......................................................................... 21
t
Gambar 4.4 Plot PACF Deret Input x
............................................................ 22
t
Gambar 4.5 Plot ACF Deret Output y
........................................................... 22
t.................................................................................................
Gambar 4.6 Plot PACF Deret Output y
23
t
Gambar 4.7 Plot Hasil Fungsi Transfer, ARIMA dan Aktual ......................... 30
........................................................ 24
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Negara Indonesia merupakan negara dengan iklim tropis dan memiliki dua
musim, musim kemarau dan musim penghujan. Musim penghujan berperan dalam
menunjang berlangsungnya proses kehidupan masyarakat Indonesia, seperti
produksi pertanian, perkebunan, perikanan, penerbangan, dan sebagainya.
Informasi tentang banyaknya curah hujan adalah salah satu unsur penting dan
besar pengaruhnya terhadap segala macam aktifitas tersebut.
Curah hujan adalah endapan atau deposit air dalam bentuk cair maupun
padat yang berasal dari atmosfer. Curah hujan mencangkup tetes hujan, salju, batu
es, dan embun. Salah satu faktor yang mempengaruhi curah hujan adalah
kelembaban udara. Kelembaban udara adalah ukuran banyaknya uap air di udara
[3]. Prakiraan curah hujan dengan segala bentuk analisis dan informasi yang
dihasilkan besar dampaknya guna membantu dan menunjang kegiatan sosial
ekonomi di Indonesia.
Banyak metode dalam statistika yang dapat digunakan dalam melakukan
peramalan suatu deret waktu, salah satunya adalah fungsi transfer. Model fungsi
transfer merupakan salah satu cara untuk menyelesaikan masalah bila terdapat
lebih dari satu data deret waktu dan terdapat hubungan sebab akibat. Model
fungsi transfer adalah suatu model peramalan deret waktu berganda yang
1
2
menggabungkan beberapa karakteristik model-model ARIMA univariat dengan
beberapa karakteristik analisis regresi [4].
Berdasarkan uraian diatas maka penulis mengambil judul
PERBANDINGAN MODEL FUNGSI TRANSFER DAN ARIMA STUDI
KASUS MODEL ANTARA CURAH HUJAN DENGAN KELEMBABAN
UDARA.
1.2. Perumusan Masalah
Berdasarkan latar belakang permasalahan di atas, maka dapat dirumuskan
permasalahan sebagai berikut:
1. Bagaimana model peramalan curah hujan berdasarkan kelembaban udara
dengan menggunakan model fungsi transfer?
2. Berapa besar ramalan curah hujan berdasarkan model yang telah diperoleh?
3. Bagaimana perbandingan hasil peramalan model fungsi transfer dengan
model ARIMA?
1.3. Pembatasan Masalah
Permasalahan pada skripsi ini dibatasi pada pembuatan model peramalan
curah hujan berdasarkan kelembaban udara dengan menggunakan model fungsi
transfer. Dengan pembuatan model fungsi transfer ini diharapkan dapat diketahui
besarnya ramalan curah hujan berdasarkan model yang telah diperoleh selama 12
bulan, di Stasiun Klimatologi Pondok Betung.
3
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Mendapatkan model peramalan curah hujan berdasarkan kelembaban udara
dengan menggunakan model fungsi transfer.
2. Memperoleh ramalan curah hujan berdasarkan model yang telah diperoleh.
3. Mendapatkan hasil perbandingan peramalan model fungsi transfer dengan
model ARIMA.
1.5. Manfaat Penelitian
Berikut adalah beberapa manfaat dari pemecah masalah yang dibahas dalam
skripsi ini :
1. Memberikan sumbangan pemikiran bagi BMKG dalam memprediksikan
curah hujan di suatu daerah.
2. Bagi penulis sangat bermanfaat dalam menerapkan ilmu pengetahuan yang
selama ini dipelajari dalam perkuliahan dan tentunya juga dapat menambah
wawasan terutama dalam penggunaan statistika di bidang peramalan.
3. Memberikan informasi curah hujan kepada masyarakat tentang keadaan
suatu daerah.
4
BAB II
LANDASAN TEORI
2.1. Curah Hujan
Curah hujan adalah jumlah air hujan yang jatuh di permukaan tanah selama
periode tertentu diukur dalam satuan tinggi di atas permukaan horizontal apabila
tidak terjadi penghilangan oleh proses penguapan, pengaliran dan peresapan.
Satuan yang digunakan adalah millimeter. Bagi bidang meteorologi pertanian,
curah hujan dikumpulkan berdasarkan periode harian atau setiap periode 24 jam
yang diukur setiap pagi hari. Dari data harian dapat dihimpun data curah hujan
mingguan, sepuluh harian (dasarian), bulanan, tahunan, dan sebagainya [6].
Menurut pengertian klimatologi, satu hari hujan adalah periode 24 jam di
mana terkumpul curah hujan setinggi 0.5 mm atau lebih. Kurang dari ketentuan
ini hujan dinyatakan nol, meskipun tinggi curah hujannya tetap diperhitungkan.
Curah hujan di suatu daerah tidaklah selalu sama dengan di daerah lain. Ada suatu
daerah yang pada akhir tahun hujannya mulai meningkat tinggi dan mencapai
puncaknya dan pertengahan tahun mencapai titik terendahnya. Sebaliknya, di
daerah lain pada akhir tahun hujannya mencapai titik terendah, sedangkan pada
pertengahan tahun mencapai titik tertingginya [3].
Rata-rata curah hujan di Indonesia untuk setiap tahunnya tidak sama.
Namun masih tergolong cukup banyak, yaitu rata-rata 2000 – 3000 mm/tahun.
Begitu pula antara tempat yang satu dengan tempat yang lain rata-rata curah
hujannya tidak sama.
4
5
Curah hujan menurut BMKG dibagi menjadi empat kelompok, yaitu:
1. Curah hujan rendah: 0-20mm, 21-50mm, 51-100mm.
2. Curah hujan menengah: 101-150mm, 151-200mm, 201-300mm.
3. Curah hujan tinggi: 301-400mm
4. Curah hujan sangat tinggi: 401-500mm, >500mm.
2.2. ARIMA
Metode ARIMA pertama kali diperkenalkan oleh Box dan Jenkins. Pada
model ini terjadi proses Autoregressive (AR) berordo-p atau proses Moving
Average (MA) berordo-q atau merupakan kombinasi keduanya. Pembeda berordo-
d dilakukan jika data deret waktu tidak stasioner. Kebanyakan data deret waktu
bersifat non stasioner, padahal aspek-aspek AR dan MA dari model ARIMA
menghendaki data yang stasioner. Syarat utama dalam membuat model ARIMA
adalah data bersifat stasioner, baik dalam rataan maupun ragam. Data dikatakan
stasioner jika fluktuasi data berada di sekitar nilai yang konstan (stasioner dalam
rataan) dan ragam dari fluktuasi tersebut tetap konstan dari waktu ke waktu
(stasioner dalam ragam) [1].
Bentuk umum model ARIMA (p,d,q) adalah sebagai berikut :
tqtd
p eBXB )()( θµφ +=∇ 2.1
dengan:
µ = konstanta
te = sisaan pada waktu ke-t
d∇ = operator pembedaan dengan derajat pembeda d
6
ppp BBBB φφφφ −⋅⋅⋅−−−= 2
21
11)( merupakan polinomial karakteristik AR
qqq BBBB θθθθ −⋅⋅⋅−−−= 2
21
11)( merupakan polinomial karakteristik MA
Memasukkan faktor musiman (S) ke dalam model akan dapat mereduksi
besarnya sisaan yang disebabkan oleh fakor musiman. Bentuk umum dari model
campuran dengan faktor musiman adalah ARIMA (p,d,q)(P,D,Q)s
tQsqtDs
dPsp eBBXBB )()()()( Θ+=∇∇Φ θµφ
:
2.2
dengan:
µ = konstanta
te = sisaan pada waktu ke-t
s = banyaknya pengamatan deret waktu dalam satu musim
d∇ = operator pembedaan dengan derajat pembeda d
ppp BBBB φφφφ −⋅⋅⋅−−−= 2
21
11)( merupakan polinomial karakteristik AR
qqq BBBB θθθθ −⋅⋅⋅−−−= 2
21
11)( merupakan polinomial karakteristik MA
)(BPsΦ = merupakan polinomial karakteristik AR musiman
)(BQsΘ = merupakan polinomial karakteristik MA musiman
DsDs B )1( −=∇ merupakan operator pembedaan musiman dengan pembedaan
derajat D
2.3. Fungsi Transfer
Fungsi Transfer merupakan salah satu metode peramalan yang digunakan
pada data deret waktu yang terhubung dengan satu atau lebih deret waktu lainnya.
7
Metode yang digunakan dalam moedel fungsi transfer adalah penggabungan
pendekatan deret berkala dengan pendekatan kausal [4].
Deret waktu tX memberikan pengaruhnya kepada deret waktu tY melalui
fungsi transfer, yang mendistribusikan dampak tX melalui beberapa periode yang
akan datang. Model yang dihasilkan disebut model fungsi transfer, yang
menghubungkan deret output ( tY ), deret input ( tX ), dan noise ( tn ) [4]. Fungsi
transfer digunakan untuk meramal nilai yang akan datang dari suatu deret output (
tY ) berdasarkan nilai yang lalu dari deret output tersebut dan deret-deret lain yang
berhubungan (secara umum disebut deret input ( tX )).
Fungsi transfer memetekan deret input tX ke deret output tY dimana tX
merupakan input yang terkendali. Tetapi pada kenyataannya input ini biasanya
tidak terkendali. Upaya untuk mengatasi hal ini adalah melakukan pemutihan
yaitu penghilangan seluruh pola yang diketahui sehingga yang berpengaruh
hanyalah galat acak. Untuk mempertahankan hubungan fungsional fungsi transfer
maka transformasi pemutihan yang dilakukan terhadap deret input haruslah
dilakukan pula terhadap deret output.
2.3.1. Bentuk Dasar Model Fungsi Transfer
Model fungsi transfer bivariat ditulis dalam dua bentuk umum. Bentuk
pertama adalah sebagai berikut:
ttt NXBvY += )( , 2.3
dengan:
8
tY = deret output
=tX deret input
=tN pengaruh kombinasi dari seluruh faktor yang mempengaruhi tY (disebut
“gangguan”)
=)(Bv )...( 2210
kk BvBvBvv ++++ , v adalah respons impuls di mana k adalah
order fungsi transfer.
Deret input dan output harus ditransformasikan dengan tepat (untuk
mengatasi varian yang nonstasioner), dibedakan (untuk mengatakan nilai tengah
yang nonstasioner) dan mungkin perlu dihilangkan unsur musimannya. Jadi tX
dan tY (dan juga tN ) pada persamaan (2.3) harus diingat sebagai nilai yang telah
ditransformasikan bukan dalam bentuk data mentah. Orde dari fungsi transfer
adalah k (menjadi orde tertinggi untuk proses pembedaan) dan ini kadang-kadang
dapat lebih besar (dan oleh karena itu tidak terlalu dibatasi). Karena alasan-alasan
ini, model fungsi transfer juga ditulis sebagai berikut:
tbtt nxBBy += −)(
)(δω , 2.4
atau
tbtt aBBx
BBy
)()(
)()(
φθ
δω
+= − , 2.5
dengan :
=)(Bω ss BBB ωωωω −⋅⋅⋅−−− 2
210 ,
=)(Bδ rr BBB δδδ −⋅⋅⋅−−− 2
211 ,
9
=)(Bθ qq BBB θθθ −⋅⋅⋅−−− 2
211 ,
=)(Bφ pp BBB φφφ −⋅⋅⋅−−− 2
211 ,
=ty nilai tY yang telah ditransformasikan dan dibedakan
=tx nilai tX yang telah ditransformasikan dan dibedakan
=ta nilai gangguan random,
r,s,p,q, dan b konstanta
2.3.2. Identifikasi Model Fungsi Transfer
1. Mempersiapkan Deret Input dan Output
Model ARIMA memperbolehkan pembedaan suatu deret berkala (time
series) sehingga proses AR dan MA dapat didefinisikan sebagai data yang
stasioner. Dengan kata lain, apabila data mentah tidak stasioner, maka biasanya
data tersebut dibedakan terlebih dahulu untuk menghilangkan ketidakstasioneran.
Keadaan ini juga dapat digunakan untuk model umum MARIMA. Jadi, di dalam
pemodelan fungsi transfer perlu mentransformasi dan/atau membedakan deret-
deret input dan output, terutama apabila terdapat ketidakstasioneran [4].
2. Pemutihan Deret Input
Tahap pemutihan deret input merupakan proses transformasi deret yang
berkorelasi menuju perilaku white noise yang tidak berkorelasi. Proses pemutihan
ini menggunakan model ARIMA untuk deret input. Oleh karena itu, sebelum
proses pemutihan, dibangun terlebih dahulu model ARIMA bagi tx .
10
Misalkan jika deret input tx dimodelkan sebagai proses ARIMA (px,0,qx
),
maka deret ini memiliki model:
txtx BxB αθφ )()( = 2.6
Di mana )(Bxφ adalah operator autoregresif, )(Bxθ adalah operator moving
average dan tα adalah kesalahan random, yaitu white noise.
Dengan demikian deret input yang telah mengalami pemutihan ( tα ) adalah:
tx
xt x
BB
)()(
θφ
α = 2.7
dengan:
tα = Deret input yang diputihkan
)(Bxφ = Operator Autoregresif
)(Bxθ = Operator Moving Avarage
tx = Deret input yang stasioner
3. Pemutihan Deret Output
Fungsi transfer merupakan proses pemetaan tx terhadap ty . Sehingga
apabila diterapkan suatu proses pemutihan terhadap tx , maka transformasi yang
sama juga harus diterapkan ty agar dapat mempertahankan integritas hubungan
fungsional. Sehingga deret output yang telah ditransformasi ( tβ ) adalah:
.)()(
tX
xt y
BB
θφ
β = 2.8
dengan:
11
tβ = Deret input yang diputihkan
)(Bxφ = Operator Autoregresif
)(Bxθ = Operator Moving Avarage
ty = Deret output yang stasioner
4. Penghitungan Korelasi Silang antara Deret Input dan Output yang Telah
Diputihkan
Fungsi korelasi antara tα dan tβ pada lag ke-k adalah:
,)(
)(βα
αβαβ SS
kCkr = ,....3,2,1,0 ±±±=k 2.9
dengan:
)(krttβα = korelasi silang antara tα dan tβ pada lag ke-k
)(kCttβα = kovarian antara tα dan tβ pada lag ke-k
αS = simpangan baku deret tα
βS = simpangan baku deret tβ
5. Menentukan nilai b, s, r
Konstanta b, r, dan s ditentukan berdasarkan pola fungsi korelasi silang
antara αt dan βt
a. Korelasi silang berbeda nyata dengan nol untuk pertama kalinya pada lag ke-b.
. Cara menentukan nilai b, s, dan r adalah :
b. Untuk s dilihat dari lag berikutnya yang mempunyai pola yang jelas atau lama x
mempengaruhi y setelah nyata yang pertama.
c. Nilai r mengindikasikan berapa lama deret output (yt) berhubungan dengan
nilai yang terdahulu dari deret output itu sendiri.
12
2.3.3. Penaksiran Parameter-parameter Model
1. Pendugaan awal parameter δ dan ω
Penduga awal parameter fungsi transfer yaitu ),...,,(ˆ21 rδδδδ = dan
),...,,(ˆ 10 sωωωω = dicari dengan memanfaatkan persamaan berikut ini:
0=jv untuk bj < ,
011 ωδδ ++⋅⋅⋅+= −− rjrjj vvv untuk bj = ,
bjrjrjj vvv −−− −+⋅⋅⋅+= ωδδ 11 untuk sbbj ++= ,...,1 ,
rjrjj vvv −− +⋅⋅⋅+= δδ 11 untuk sbj +> .
Taksiran awal model dilakukan dengan melihat pola korelasi silang antara
tα dan tβ . Sehingga identifikasi awal dari model fungsi transfer adalah :
tgtgtttt nxvxvxvxvy ++⋅⋅⋅+++= −−− 22110 2.10
dengan:
tn =deret noise
gv = bobot respon impuls
tx =deret input yang stasioner
ty =deret output yang stasioner
2. Identifikasi Model Deret Gangguan
Taksiran bobot impuls yang diperlihatkan memungkinkan untuk
menghitung taksiran awal komponen noise dari model fungsi transfer.
gtgttttt xvxvxvxvyn −−− −⋅⋅⋅−−−−= 22110 2.11
13
Sesudah menggunakan persamaan 2.11 untuk mengukur deret gangguan,
kemudian nilai-nilai nt
tntn aBnB )()( θφ =
dianalisis dengan cara ARIMA biasa untuk menentukan
apakah terdapat model ARIMA (p, 0, q), untuk mendapatkan
2.12
3. Taksiran Akhir Parameter Model Fungsi Transfer
Taksiran awal parameter merupakan nilai awal pada logaritma pendugaan
kuadrat terkecil nonlinier untuk membentuk penduga akhir parameter model yang
dilakukan secara iteratif. Proses diulang sampai kekonvergenan dicapai. Iterasi
akan berhenti jika jumlah kuadrat galatnya mencapai nilai minimum.
Pada prosedur SAS, pendugaan akhir parameter ini menggunakan Metode
Kuadrat Terkecil (Least Squares Methods).
2.3.4. Pemeriksaan Diagnostik Pada Model
Pemeriksaan kesesuian model dilakukan dengan melihat perilaku sisaan
(at) dan korelasi silang contoh (SCC) antara at dan αt
Uji statistik Q Box-Pierce dapat diaplikasikan untuk menguji kebebasan
sisaan dan tidak adanya korelasi antara input dan sisaan, dengan rumus sebagai
berikut:
(sisaan dan input).
Keacakan sisaan serta tidak adanya nilai SCC yang berbeda nyata dengan nol
menunjukkan model sudah sesuai.
∑−
=m
kdf krn
1
22)( ),(χ 2.13
14
dengan:
n = jumlah pengamatan
m = waktu tunda terbesar yang diperhatikan
)(kr = autokorelasi untuk waktu tunda k
df = derajat bebas = qpm −−
2.3.5. Peramalan Menggunakan Model Fungsi Transfer
Peramalan dihitung dengan menggunakan persamaan:
tp
qbt
r
st a
BB
xBB
y)()(
)()(
φθ
δω
+= −
dengan memasukkan nilai-nilai parameter fungsi transfer dan nilai deret input dan
output yang didapat dari langkah-langkah sebelumnya.
Kriteria pemilihan model biasanya menggunakan Schwarz’s Bayesian
Criterion (SBC) atau disebut juga Bayesian Information Criterion (BIC) adalah
kriteria untuk memilih model. SBC merupakan kriteria pemilihan model
berdasarkan fungsi kemungkinan maksimum. SBC didefinisikan sebagai :
nMn a ln)ˆln( 2 +σ , dimana 2ˆ aσ adalah penduga dari 2aσ , M banyaknya parameter
dalam model, dan n banyaknya sisaan yang dapat dihitung dari suatu deret. Model
terbaik adalah model dengan nilai SBC minimum [7].
SBC dibentuk untuk menyeleksi model dan memilih nilai parameter yang
sebenarnya setepat mungkin. Sementara Akaike Information Criterion (AIC)
cenderung dari SBC, dimana AIC dapat didefinisikan sebagai : Mn a 2ˆln 2 +σ .
Untuk data yang besar SBC lebih baik serta lebih konsisten.
15
Setelah melakukan peramalan, ketepatan peramalan dapat dicari dengan
menghitung MAPE (Mean Absolute Percentage Error), dengan rumus sebagai
berikut :
1001 ×
−
=∑−
nx
fx
MAPE
n
t t
tt
2.14
dengan xt adalah pengamatan pada waktu ke-t dan ft
adalah ramalan pada waktu
ke-t. Semakin kecil nilai MAPE menunjukkan data hasil peramalan semakin
mendekati nilai aktual [9].
16
BAB III
METODOLOGI PENELITIAN
3.1 Metode Pengumpulan Data
Data yang penulis gunakan dalam penulisan Skripsi ini merupakan data
sekunder, yakni data tentang jumlah curah hujan dan kelembaban udara pada
Stasiun Klimatologi Pondok Betung periode 1997 – 2008. Penelitian ini
dilaksanakan selama 1 bulan, dimulai pada tanggal 2 Februari 2009 sampai
dengan 2 Maret 2009.
Penelitian berlokasi di kantor Balai Besar Meteorologi, Klimatologi, dan
Geofisika Wilayah II, Jl. Kp. Bulak Raya No. 5 Cempaka Putih Ciputat
Kabupaten Tangerang. Data yang diperoleh tepatnya berasal dari Sub Bidang
Manajemen Data.
3.2 Metode Pengolahan Data
Pengolahan data dilakukan dengan menggunakan metode fungsi transfer
untuk mendapatkan hasil peramalan curah hujan, dengan tahapan pengolahan
sebagai berikut:
a. Mempersiapkan deret output dan deret input (penstasioneran data). Tahap ini
mengidentifikasikan apakah deret input dan deret output sudah stasioner baik
dalam rataan maupun dalam ragam. Jika data tidak stasioner maka dilakukan
pembedaan dan transformasi untuk menghilangkan ketidakstasioneran,
16
17
tY : Curah hujan (deret output)
tX : Kelembaban udara (deret input)
b. Identifikasi model ARIMA untuk seluruh peubah. Identifikasi model ARIMA
dilakukan dengan memperhatikan beberapa nilai awal dan periode musiman
dari korelasi diri dan korelasi diri parsialnya yang tidak nol, serta pola dari plot
ACF dan plot PACFnya.
c. Prewhitening deret input (kelembaban udara) dan deret output (curah hujan).
Prewhitening/pemutihan deret input dan deret output maksudnya adalah untuk
menghilangkan seluruh pola yang diketahui supaya yang tertinggal hanya white
noise.
d. Menghitung korelasi silang antara Deret Input dan Deret Output. Menghitung
korelasi silang antara deret input dan deret output maksudnya adalah untuk
mencari hubungan antara kelembaban udara dengan curah hujan.
e. Identifikasi awal model fungsi transfer. Identifikasi awal model dilakukan
dengan melihat pola korelasi silang antara tα (pemutihan deret input) dan tβ
(pemutihan deret output).
f. Identifikasi model sisaan. Identifikasi model sisaan dilakukan dengan melihat
plot ACF dan PACF dari identifikasi awal model fungsi transfer.
g. Identifikasi Akhir Parameter Model Fungsi Transfer. Identifikasi akhir
parameter model fungsi transfer dilakukan dengan mengkombinasikan model
awal dengan sisaannya.
h. Meramalkan jumlah Curah Hujan dengan menggunakan model terbaik.
i. Membandingkan hasil peramalan model fungsi transfer dengan model ARIMA
18
3.3 Alur Penelitian
Alur penelitian dijelaskan pada Gambar 3.1 berikut:
Tidak
Ya
Gambar 3.1 Alur Penelitian
Transformasi dan Pembedaan (xt dan yt)
Deret waktu Xt dan Yt
Identifikasi awal model sisaan
Identifikasi awal nilai b, r, dan s
Model ARIMA xt
Prewhitening yt (βt)
Korelasi Silang αt dan βt
Diagnostik Model
Pendugaan Parameter Fungsi Transfer
Prewhitening xt (αt)
Model ARIMA yt
Peramalan Transfer
Peramalan ARIMA yt
Parameter nyata & asumsi terpenuhi?
19
Gambar 3.1 merupakan gambar alur penelitian yang menjelaskan proses
alur penelitian yang dapat dijelaskan sebagai berikut :
Data deret waktu yang telah diperoleh berupa variabel input atau Xt yaitu
kelembaban udara dan variabel output atau Yt yaitu curah hujan. Tahap pertama
terlebih dahulu mempersiapkan deret input dan deret output, setelah itu deret input
dan output dilakukan transformasi ataupun pembedaan untuk mendapatkan data
yang stasioner. Setelah deret input telah stasioner (xt), lalu tentukan model
ARIMA dan pemutihan atau prewhitening (αt). Hal serupa juga dilakukan
terhadap deret output yang telah stasioner (yt). Deret output yang telah di
prewhitening(βt) lalu dikorelasi silang terhadap deret input yang telah di
prewhitening (αt
Sementara itu setelah dapat model ARIMA untuk deret output dan telah
memenuhi semua asumsinya, maka deret output bisa dilakukan peramalan.
Setelah itu hasil peramalan dari Model Fungsi Transfer dan ARIMA dibandingkan
untuk mendapatkan peramalan terbaik.
). Selanjutnya, penerapan korelasi silang dari hasil prewhitening
dari kedua variabel tersebut, untuk menentukan nilai r, s, dan b yang berguna
dalam identifikasi model awal sisaan. Berikutnya adalah menduga parameter
untuk model fungsi transfer sebelum dilakukan tahap diagnostik model. Jika
parameter dan asumsi telah terpenuhi, maka selanjutnya dapat dilakukan
peramalan dengan menggunakan Model Fungsi Transfer yang telah diperoleh [4].
20
BAB IV
HASIL DAN PEMBAHASAN
Setelah dilakukan pengumpulan data, maka pada bab ini dilakukan
pengolahan dan analisa terhadap data tersebut. Pengolahan dan analisa dilakukan
dengan pendefinisian variabel terdahulu. Pengolahan dan analisa dijabarkan
sebagai berikut:
4.1 Eksplorasi Data
Data yang digunakan adalah data curah hujan bulanan tahun 1998 sampai
dengan 2008 dan data kelembaban udara bulanan tahun 1998 sampai dengan 2007
Stasiun Klimatologi Pondok Betung (Lampiran 1). Berdasarkan Lampiran 2,
ternyata curah hujan dan kelembaban udara memiliki nilai-p korelasi sebesar
0.736, menunjukkan bahwa kelembaban udara memilki hubungan yang kuat
dengan curah hujan.
Curah hujan tertinggi terdapat pada bulan Februari 2007 mencapai 831.40
mm dan terendah pada bulan September 2006 mencapai 0.20 mm. Sedangkan
kelembaban udara tertinggi pada bulan Februari 2002 mencapai 89.13% dan
terendah pada bulan September dan Oktober 2006 mencapai 65.33% (Lampiran
3).
4.2 Mempersiapkan Deret Output dan Deret Input (Penstasioneran Data)
Data deret waktu memerlukan transformasi dan pembedaan untuk mencapai
kestasioneran data. Transformasi diperlukan agar stasioner dalam ragam,
20
21
sedangkan pembedaan agar deret stasioner dalam rataan. Plot data asli pada
Lampiran 4 dan plot ACF serta PACF pada Lampiran 5 menunjukkan bahwa data
tidak stasioner. Berikut ini adalah gambar plot yang telah stasioner:
Index
Diffe
renc
ing
Cura
h Hu
jan
12010896847260483624121
500
250
0
-250
-500
Time Series Plot of Differencing Curah Hujan
Gambar 4.1 Plot ty Stasioner.
Gambar 4.1 menunjukkan bahwa dengan pembedaan satu kali pada musiman
(D=12) telah dapat menghasilkan deret output curah hujan yang stasioner ty .
Index
Diffe
renc
ing
Kele
mba
ban
Udar
a
12010896847260483624121
10
5
0
-5
-10
-15
Time Series Plot of Differencing Kelembaban Udara
Gambar 4.2 Plot tx Stasioner.
Gambar 4.2 juga menunjukkan bahwa dengan pembedaan satu kali pada musiman
(D=12) telah dapat menghasilkan deret input kelembaban udara yang stasioner
.tx
22
4.3 Identifikasi Model ARIMA
Identifikasi model ARIMA dilakukan dengan memperhatikan beberapa nilai
awal dan periode musiman dari korelasi diri dan korelasi diri parsialnya yang
tidak nol, serta pola dari plot ACF dan plot PACFnya.
4.3.1 Kelembaban Udara
Plot ACF dan PACF dari deret input tx yang telah stasioner, dapat dilihat
pada Gambar 4.3 dan 4.4.
Lag
Auto
corr
elatio
n
2624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for Differencing Kelembaban Udara(with 5% significance limits for the autocorrelations)
Gambar 4.3 Plot ACF Deret Input tx .
Lag
Part
ial A
utoc
orre
latio
n
2624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Partial Autocorrelation Function for Differencing Kelembaban Udara(with 5% significance limits for the partial autocorrelations)
Gambar 4.4 Plot PACF Deret Input tx .
Gambar 4.3 dan 4.4 mununjukkan bahwa Plot ACF dan PACF dari deret input tx
yang telah stasioner, masing-masing nyata pada lag 1 dan 12.
23
Pengecekan dengan beberapa nilai α menghasilkan kandidat model pada
Tabel 4.1.
Tabel 4.1 Nilai SBC dan AIC Kandidat Model ARIMA X
Model
t
SBC AIC ARIMA (1,0,0)(0,1,1) 592.6676 12 587.3033 ARIMA (0,0,1)(1,1,0) 603.8456 12 598.4813 ARIMA (1,0,1)(0,1,0) 629.193 12 623.8287 ARIMA (0,0,0)(1,1,1) 606.9392 12 601.5754
Tabel 4.1 menunjukkan bahwa model ARIMA (1,0,0)(0,1,1)12
)05,0( =α
merupakan model
terbaik karena memiliki nilai AIC dan SBC terkecil dibandingkan dengan model
ARIMA lainnya dan seluruh koefisien parameternya nyata (Lampiran 6). Selain
itu, pengujian Box-Pierce menunjukkan bahwa nilai korelasi diri sisaan tidak nol
untuk semua lagnya. Hal ini berarti sisaan tidak saling berkorelasi.
Sehingga model ARIMA kelembaban udara yang diperoleh adalah:
tt BXBB α)62866,01()1)(38143,01( 1212 −=−−
4.3.2 Curah Hujan
Berikut ini merupakan Gambar Plot ACF dan PACF dari deret output ty
yang telah stasioner.
Lag
Autoc
orrela
tion
2624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for Differencing Curah Hujan(with 5% significance limits for the autocorrelations)
Gambar 4.5 Plot ACF Deret Output ty .
24
Lag
Parti
al Au
toco
rrelat
ion
2624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Partial Autocorrelation Function for Differencing Curah Hujan(with 5% significance limits for the partial autocorrelations)
Gambar 4.6 Plot PACF Deret Output ty .
Gambar 4.5 dan 4.6 mununjukkan bahwa Plot ACF dan PACF dari deret output
ty yang telah stasioner, masing-masing nyata pada lag 12.
Pengecekan dengan beberapa nilai α menghasilkan kandidat model pada
Tabel 4.2.
Tabel 4.2 Nilai SBC dan AIC Kandidat Model ARIMA Yt
Model SBC AIC ARIMA (0,0,0)(1,1,0) 1356.536 12 1353.854 ARIMA (0,0,0)(0,1,1) 1348.831 12 1346.149 ARIMA (1,0,0)(0,1,0) 1391.734 12 1389.052 ARIMA (0,0,1)(0,1,0) 1391.734 12 1389.052
Tabel 4.2 menunjukkan bahwa model ARIMA (0,0,0)(0,1,1)12
)05,0( =α
merupakan model
terbaik karena memiliki nilai AIC dan SBC terkecil dibandingkan dengan model
ARIMA lainnya dan seluruh koefisien parameternya nyata (Lampiran 7). Selain
itu, pengujian Box-Pierce menunjukkan bahwa nilai korelasi diri sisaan tidak nol
untuk semua lagnya. Hal ini berarti sisaan tidak saling berkorelasi.
Sehingga model ARIMA curah hujan yang diperoleh adalah :
tt BYB α)72649,01()1( 1212 −=−
25
4.4 Prewhitening Deret Input dan Output
Tahap prewhitening dilakukan berdasarkan model ARIMA untuk data
kelembaban udara (deret input). Dalam tahap ini digunakan unsur white noise
model tersebut. Dengan demikian model prewhitening untuk deret input tx
adalah :
tt xBB
)62866,01()38143,01(
12−−
=α
Prewhitening deret output ty diperoleh dengan cara melakukan
transformasi yang sama dengan deret input tx , sehingga model prewhitening
untuk deret output ty adalah :
tt yBB
)62866,01()38143,01(
12−−
=β
4.5 Menghitung Korelasi Silang
Peubah output dan peubah input yang telah melalui proses prewhitening
untuk memperoleh tα dan tβ dihitung korelasi silangnya. Korelasi silang
menunjukkan hubungan antara kelembaban udara dengan curah hujan.
Dari pola korelasi silang yang dihasilkan akan digunakan untuk
mengidentifikasi model fungsi transfer ).,,( rsb Hasil korelasi silang antara tα
dan tβ dapat dilihat pada Lampiran 8.
4.6 Identifikasi Awal Model Fungsi Transfer
Identifikasi awal model dilakukan dengan melihat pola korelasi silang
antara tα dan tβ . Untuk nilai b ditentukan berdasarkan lag yang nyata pertama
26
kali pada pola korelasi silangnya, sehingga nilai b=0. Selanjutnya untuk
mendapatkan nilai s dilihat berapa lama nilai tx mempengaruhi ty setelah nyata
yang pertama.
Berdasarkan keterangan diatas, identifikasi awal model fungsi transfer
memiliki nilai b=0, s=1, dan r=1. Untuk mendapatkan model yang terbaik
dilakukan pemeriksaan kandidat model lainnya. Berdasarkan Tabel 4.3, dapat
diketahui model nomor 1, 2 dan 3 menunjukkan bahwa seluruh koefisien
parameternya tidak nol. Nilai AIC dan SBC terkecil terdapat pada model nomor 3
dengan nilai b=0, s=1, dan r =0. Sehingga identifikasi awal dari model fungsi
transfer adalah:
ttt nxBy +−= )26893,079758,22( 1
hasil pemodelan tersebut dapat dilihat pada Lampiran 9.
Tabel 4.3 Rekapitulasi identifikasi awal model fungsi transfer
No Nilai b,s dan r Parameter Nilai-t SBC AIC 1 (0,0,0) ω0 8,64 1297,072 1294,418
2 (0,0,1) ω0 8,85 1284,946 1279,658 ω1 -2,21
3 (0,1,0) ω0 8,86 1284,29 1279,001 ω1 2,6
4 (0,1,1) ω0 8,72
1288,932 1280,999 ω1 0,72 δ1 0,04
5 (0,2,1)
ω0 8,53
1282,152 1271,613 ω1 0,19 ω2 -0,12 δ1 0,13
6 (0,1,2)
ω0 8,88
1281,157 1270,618 ω1 -0,78 δ1 -1,31 δ2 -1,68
7 (0,2,2) ω0 8,16 1285,481 1272,307
27
ω1 -0,33 ω2 -0,83 δ1 -0,81 δ2 -1,59
4.7 Identifikasi Model Sisaan
Model yang didapatkan dari identifikasi awal model fungsi transfer yaitu:
ttt nxBy +−= )26893,079758,22( ,
sehingga untuk memperoleh nilai nt adalah:
tttt Bxxyn 26893,079758,22 +−=
Identifikasi awal model fungsi transfer menghasilkan plot ACF dan PACF
sisaan (Lampiran 10). Dari plot ACF dan PACF terindikasi lag turun secara cepat
mendekati nol. Akan tetapi setelah dilakukan proses pencocokan model, diperoleh
bahwa model ARIMA (0,0,0)(0,0,1)12 (Lampiran 11).
tt aBn )1( 121θ−=
Sehingga identifikasi awal
untuk model sisaan adalah:
4.8 Pendugaan Akhir Parameter Model Fungsi Transfer
Hasil pendugaan akhir model fungsi transfer dapat dilihat pada Lampiran
11. Plot ACF sisaan dan PACF sisaan tidak berbeda nyata dengan nol (Lampiran
12) mengindikasikan bahwa sisaan model saling bebas. Berdasarkan nilai korelasi
diri sisaan (Lampiran 13), nilai sisaan dari model fungsi transfer saling bebas
karena nilai korelasi diri sisaannya tidak berbeda nyata dengan nol )05,0( =α .
28
Nilai korelasi silang antara input dengan sisaan juga tidak berbeda nyata dengan
nol )05,0( =α (Lampiran 14).
Dengan pertimbangan uji parameter, korelasi diri sisaan, dan korelasi antara
deret input dan sisaan, maka ditetapkan bahwa model akhir fungsi transfer adalah
tbtbtt aBBxxy )1( 12110 θωω −+−= −−
tttt aBBxxy )63675,01(39602,054692,20 12−+−=
121 63675,039602,054692,20 −− −+−= ttttt aaxxy
Model fungsi transfer ini memiliki makna bahwa curah hujan dipengaruhi
oleh kelembaban udara. Interaksi pengaruh acak kelembaban udara dan curah
hujan dua belas bulan sebelumnya ikut menentukan periode mendatang. Model ini
menunjukkan hubungan positif antara kelembaban udara dan curah hujan.
4.9 Peramalan Model Fungsi Transfer
Untuk mengetahui keakuratan dan keefektifan perkiraan curah hujan
berdasarkan model yang diperoleh, dilakukan validasi model. Konsep dari
validasi model adalah membandingkan antara data aktual dengan data peramalan
yang diperoleh dari model yang dihasilkan. Perbandingan hasil peramalan antara
model fungsi transfer, model ARIMA curah hujan dengan data aktual. Nilai
MAPE hasil peramalan dengan model fungsi transfer adalah 106,82 sedangkan
pada model ARIMA sebesar 123,32. Hasil peramalan selengkapnya dapat dilihat
pada Tabel 4.4.
29
Tabel 4.4 Perbandingan Peramalan Model Fungsi Transfer dan Model ARIMA
Bulan Peramalan Data Aktual Transfer ARIMA
Januari 282.49 299.25
239.90
Februari 492.58 454.75
592.40
Maret 182.48 207.46
174.20
April 220.95 216.27
206.60
Mei 183.43 190.66
113.20
Juni 68.91 73.33
99.90
Juli 80.74 97.40
9.10
Agustus 56.28 59.43
53.10
September 90.66 92.64
68.50
Oktober 134.71 141.21
41.00
November 197.03 191.86
370.20
Desember 329.81 298.12
99.70
MAPE 106,82 123,32
Berdasarkan Tabel 4.4, diketahui bahwa data aktual curah hujan sangat
berfluktuasi antar bulan sepanjang tahun 2008. Berdasarkan hasil MAPE yang
diperoleh, dapat diketahui bahwa hasil peramalan model fungsi transfer lebih baik
dibandingkan dengan model ARIMA curah hujan, dengan nilai MAPE yang lebih
kecil.
30
Grafik hasil perbandingan peramalan model fungsi transfer dengan ARIMA
dapat dilihat pada Gambar 4.7.
Gambar 4.7 Plot Hasil Transfer, ARIMA dan Aktual
Gambar 4.7 memperlihatkan juga bahwa dengan model fungsi transfer lebih
mendekati data aktual dibandingkan dengan model ARIMA. Perbedaan pola ini
disebabkan karena pada model ARIMA curah hujan tidak ada unsur kelembaban
udara dan interaksi pengaruh acak antara curah hujan dan kelembaban udara.
Selain itu, model ARIMA hanya didasarkan pada satu pengamatan dalam suatu
periode tertentu. Hal ini berarti dapat dikatakan model fungsi transfer lebih tepat
digunakan sebagai peramalan curah hujan dari pada model ARIMA.
0
100
200
300
400
500
600
700
Transfer
ARIMA
Aktual
31
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Hasil akhir menunjukkan bahwa model fungsi transfer
121 63675,039602,054692,20 −− −+−= ttttt aaxxy dapat menjelaskan hubungan
curah hujan dengan kelembaban udara. Berdasarkan hasil MAPE yang diperoleh,
dapat diketahui bahwa hasil peramalan model fungsi transfer lebih baik
dibandingkan dengan model ARIMA curah hujan, dengan nilai MAPE yang lebih
kecil.
5.2 Saran
Penulis menyarankan untuk penelitian selanjutnya agar menggunakan lebih
banyak lagi variable input yang merupakan faktor-faktor berpengaruh terhadap
curah hujan, sehingga dapat diperoleh model yang lebih baik.
Penulis juga menyarankan untuk mengkaji kembali hubungan antara curah
hujan dengan kelembaban udara dengan menggunakan metode deret waktu
lainnya seperti metode VAR. Tidak terlepas kemungkinan diperoleh model baru
yang lebih mampu menjelaskan hubungan keduanya.
31
32
DAFTAR PUSTAKA
[1] Bowerman BL, Richard T.O’Connell. Forecasting and Time Series : an
applied approach. 3rd edition. California : Wadsworth. 1993.
[2] Cryer, JD. Time Series Analysis. Boston : Duxbury Press. 1986.
[3] Effendy Manan, Moh. dkk. Alat Pengukur Cuaca di stasiun Klimatologi.
Jurusan Geofisika dan Meteorologi FMIPA-IPB : Bogor.1986.
[4] Makridaskis S, SC Wheelwright, VE Megee. Metode dan Aplikasi
Peramalan. Erlangga : Jakarta.1999.
[5] Montgomery DC, LA Johnson, JS Gardiner. Forecasting and Time
Series Analysis. 2nd edition. Singapore : McGraw Hill. 1990.
[6] Nasrulloh. Analisis Trend Curah Hujan Tahunan di Wilayah Bogor Jawa Barat [PKL]. UIN : Jakarta. 2009.
[7] SAS Institute Inc. SAS/ETS User’s Guide, Version 9, First Edition. Cary,
NC : SAS Institute Inc. 1988.
[8] Surtono, Bagus. Kecenderungan Peranan Statistika di Masa Depan. IPB :
Bogor. 2002.
[9] ARIMA,http://www.wahana-statistika.com/analisis/analisis-time-
series/112-...
, 28 Agustus 2010, Pukul 02.50 WIB.
32
LAMPIRAN 1. Data Curah Hujan Bulanan Tahun 1998 s.d 2008 Stasiun Klimatologi Pondok Betung (dalam mm)
Data Kelembaban Udara Bulanan Tahun 1998 s.d 2007 Stasiun Klimatologi Pondok Betung (dalam persen % )
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 Januari 184,50 279,80 424,50 272,20 737,53 177,00 385,50 329,40 396,80 140,50 239,90 Februari 450,50 261,70 313,90 218,20 424,80 447,80 316,60 211,00 287,70 831,40 592,40 Maret 363,60 448,40 81,90 270,51 287,40 265,00 333,92 269,50 157,90 83,30 174,20 April 312,20 90,10 221,50 207,60 268,40 123,10 182,80 103,00 256,50 265,80 206,60 Mei 251,70 281,80 198,10 240,10 124,10 169,10 290,30 204,30 132,30 179,40 113,20 Juni 157,80 173,80 82,60 209,60 72,10 9,00 26,60 24,05 88,20 78,40 99,90 Juli 186,80 111,30 73,70 187,20 156,10 0,70 228,60 225,30 47,80 0,50 9,10 Agustus 150,90 112,50 110,60 11,10 4,00 5,20 23,00 157,30 6,20 65,40 53,10 September 156,30 67,00 37,10 98,70 16,30 231,90 27,00 143,30 0,20 128,80 68,50 Oktober 249,60 247,20 94,30 270,20 54,30 224,90 26,80 240,30 5,00 181,50 41,00 Nopember 77,30 193,00 241,10 149,20 175,80 254,50 220,80 206,70 98,90 250,80 370,20 Desember 142,90 252,00 119,70 165,70 275,20 262,30 207,20 126,40 336,00 484,80 99,70
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 Januari 81,23 88,02 87,82 85,11 87,31 78,23 85,12 85,45 85,81 76,70 Februari 86,92 88,08 86,28 86,88 89,13 87,28 86,09 84,86 84,65 85,71 Maret 83,92 82,86 81,81 86,57 82,85 85,23 82,51 83,19 82,58 80,53 April 85,16 77,53 82,18 85,39 83,95 79,43 79,73 78,78 81,54 83,96 Mei 81,84 82,69 83,81 82,12 80,52 78,31 82,60 78,08 79,02 80,03 Juni 84,97 78,93 79,78 81,92 77,57 72,97 74,28 82,41 75,74 78,54 Juli 84,09 77,19 77,04 79,17 77,03 70,88 79,36 76,19 73,69 72,13 Agustus 77,80 72,06 76,89 73,98 70,81 69,76 71,15 76,18 69,24 69,47 September 76,25 69,63 73,08 78,02 70,14 72,17 71,67 74,58 65,33 69,94 Oktober 82,95 80,25 77,17 83,65 70,64 77,44 69,04 78,77 65,33 75,22 Nopember 78,46 83,22 85,08 83,44 78,12 82,09 80,05 79,76 72,06 78,08 Desember 79,14 84,87 77,06 76,61 80,91 85,06 82,98 83,19 83,44 84,52
LAMPIRAN 2. Korelasi Curah Hujan dengan Kelembaban Udara
Kelembaban_Udara Curah_Hujan Kelembaban_Udara Pearson Correlation 1 .736**
Sig. (2-tailed) .000 N 120 120
Curah_Hujan Pearson Correlation .736** 1 Sig. (2-tailed) .000 N 120 120
LAMPIRAN 3. Statistik Deskriptif
LAMPIRAN 4. Plot Data Asli Curah Hujan dan Kelembaban Udara
Index
Cura
h H
ujan
12010896847260483624121
900
800
700
600
500
400
300
200
100
0
Time Series Plot of Curah Hujan
Index
Kele
mba
ban
Udar
a
12010896847260483624121
90
85
80
75
70
65
Time Series Plot of Kelembaban Udara
N Minimum Maximum Mean
Std. Deviation
Kelembaban_Udara 120 65.33 89.13 795.503 542.321 Curah_Hujan 120 .20 831.40 194,02 13.741.206
Valid N (listwise) 120
LAMPIRAN 5. Plot ACF dan PACF Data Asli Curah Hujan dan Kelembaban Udara
Lag
Au
toco
rre
lati
on
30282624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for Curah Hujan(with 5% significance limits for the autocorrelations)
Lag
Pa
rtia
l Au
toco
rre
lati
on
30282624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Partial Autocorrelation Function for Curah Hujan(with 5% significance limits for the partial autocorrelations)
Lag
Au
toco
rre
lati
on
30282624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for Kelembaban Udara(with 5% significance limits for the autocorrelations)
Lag
Pa
rtia
l Au
toco
rre
lati
on
30282624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Partial Autocorrelation Function for Kelembaban Udara(with 5% significance limits for the partial autocorrelations)
LAMPIRAN 6. Pendugaan Parameter Kelembaban
Conditional Least Squares Estimation Standard Approx Parameter Estimate Error t Value Pr > |t| Lag MA1,1 0.62866 0.08205 7.66 <.0001 12 AR1,1 0.38143 0.09013 4.23 <.0001 1
Variance Estimate 13.22054 Std Error Estimate 3.636007 AIC 587.3033 SBC 592.6676 Number of Residuals 108
LAMPIRAN 7. Pendugaan Parameter Curah Hujan
Conditional Least Squares Estimation Standard Approx Parameter Estimate Error t Value Pr > |t| Lag MA1,1 0.72649 0.07837 9.27 <.0001 12
Autocorrelation Check of Residuals To Chi- Pr > Lag Square DF ChiSq Autocorrelations 6 5.61 4 0.2304 -0.074 0.171 0.026 0.099 -0.061 0.028 12 9.36 10 0.4985 0.040 -0.015 -0.066 0.146 0.004 -0.060 18 10.95 16 0.8123 -0.025 -0.050 0.021 -0.056 0.017 0.073 24 22.83 22 0.4112 -0.220 0.152 -0.040 0.100 -0.025 0.066
Variance Estimate 15021.73 Std Error Estimate 122.5631 AIC 1346.149 SBC 1348.831 Number of Residuals 108
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq Autocorrelations 6 7.62 5 0.1787 0.067 0.189 -0.008 -0.050 -0.149 0.046
12 18.50 11 0.0706 -0.021 0.036 -0.190 0.191 -0.100 -0.073
18 21.81 17 0.1922 0.015 -0.052 -0.116 -0.083 0.043 -0.025
24 25.77 23 0.3117 -0.029 0.104 0.008 -0.044 0.095 0.078
LAMPIRAN 8. Korelasi Silang Curah Hujan dan Kelembaban Udara
Crosscorrelations Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 -10 81.432793 0.17080 | . |***. | -9 -111.700 -.23428 | *****| . | -8 20.435046 0.04286 | . |* . | -7 -22.548765 -.04729 | . *| . | -6 -7.177949 -.01505 | . | . | -5 -51.389346 -.10778 | . **| . | -4 57.530664 0.12066 | . |** . | -3 0.627990 0.00132 | . | . | -2 63.218007 0.13259 | . |***. | -1 -67.169570 -.14088 | .***| . | 0 296.334 0.62153 | . |************ | 1 -150.665 -.31600 | ******| . | 2 88.718258 0.18608 | . |**** | 3 -45.617149 -.09568 | . **| . | 4 -11.020000 -.02311 | . | . | 5 -49.763951 -.10437 | . **| . | 6 20.450479 0.04289 | . |* . | 7 -1.166490 -.00245 | . | . | 8 34.661268 0.07270 | . |* . | 9 -55.304335 -.11599 | . **| . | 10 76.852552 0.16119 | . |***. |
LAMPIRAN 9. Pendugaan Awal Model Fungsi Transfer
Variance Estimate 12596.39 Std Error Estimate 112.2336 AIC 1279.001 SBC 1284.29 Number of Residuals 104
Conditional Least Squares Estimation Standard Approx Parameter Estimate Error t Value Pr > |t| Lag Variable Shift SCALE1 22.79758 2.57307 8.86 <.0001 0 X 0 NUM1,1 0.26893 0.10344 2.60 0.0107 1 X 0
LAMPIRAN 10. Plot ACF dan PACF Deret Sisaan
Partial Autocorrelations Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 -0.00333 | . | . | 2 0.13163 | . |***. | 3 0.05642 | . |* . | 4 -0.07434 | . *| . | 5 -0.04167 | . *| . | 6 0.06609 | . |* . | 7 0.08238 | . |** . | 8 0.07077 | . |* . | 9 -0.06189 | . *| . | 10 0.04334 | . |* . |
Autocorrelation Plot of Residuals
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 12596.390 1.00000 | |********************| 0
1 -41.954338 -.00333 | . | . | 0.098058
2 1658.164 0.13164 | . |***. | 0.098059
3 688.049 0.05462 | . |* . | 0.099744
4 -708.170 -.05622 | . *| . | 0.100031
5 -314.094 -.02494 | . | . | 0.100334
6 630.930 0.05009 | . |* . | 0.100394
7 784.365 0.06227 | . |* . | 0.100634
8 1056.990 0.08391 | . |** . | 0.101004
9 -365.637 -.02903 | . *| . | 0.101672
10 847.401 0.06727 | . |* . | 0.101752
LAMPIRAN 11. Hasil Pendugaan Akhir Model Fungsi Transfer
Conditional Least Squares Estimation Standard Approx Parameter Estimate Error t Value Pr > |t| Lag Variable Shift MA1,1 0.63675 0.09635 6.61 <.0001 12 Y 0 SCALE1 20.54692 2.74687 7.48 <.0001 0 X 0 NUM1,1 0.39602 0.12064 3.28 0.0014 1 X 0
Variance Estimate 9807.586 Std Error Estimate 99.03326
AIC 1253.95 SBC 1261.883 Number of Residuals 104
LAMPIRAN 12. Plot ACF dan PACF Sisaan Model Fungsi Transfer
Autocorrelation Plot of Residuals
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 9807.586 1.00000 | |********************| 0
1 -218.877 -.02232 | . | . | 0.098058
2 563.786 0.05748 | . |* . | 0.098107
3 -49.397266 -.00504 | . | . | 0.098430
4 -636.259 -.06487 | . *| . | 0.098433
5 -416.499 -.04247 | . *| . | 0.098843
6 1029.394 0.10496 | . |** . | 0.099018
7 402.667 0.04106 | . |* . | 0.100082
8 10.001772 0.00102 | . | . | 0.100244
9 -799.260 -.08149 | . **| . | 0.100244
10 768.280 0.07834 | . |** . | 0.100879
Partial Autocorrelations Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 -0.02232 | . | . | 2 0.05702 | . |* . | 3 -0.00256 | . | . | 4 -0.06857 | . *| . | 5 -0.04521 | . *| . | 6 0.11202 | . |** . | 7 0.05164 | . |* . | 8 -0.01619 | . | . | 9 -0.09615 | . **| . | 10 0.09178 | . |** . |
LAMPIRAN 13. Statistik χ2
Box-Pierce Untuk Menguji Kebebasan Sisaan Model fungsi Transfer
LAMPIRAN 14. Statistik χ2
Box-Pierce Untuk Menguji Kebebasan antara Input dan Sisaan
Crosscorrelation Check of Residuals with Input X To Chi- Pr > Lag Square DF ChiSq --------------------Crosscorrelations------------------- 5 5.19 4 0.2687 0.042 -0.017 0.103 -0.024 -0.145 -0.125 11 8.74 10 0.5569 -0.024 -0.061 0.117 -0.023 0.060 -0.110
Autocorrelation Check of Residuals To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations-------------------- 6 2.32 5 0.8037 -0.022 0.057 -0.005 -0.065 -0.042 0.105 12 4.83 11 0.9391 0.041 0.001 -0.081 0.078 -0.077 -0.032 18 8.50 17 0.9546 0.030 -0.154 -0.029 -0.039 -0.019 0.048 24 10.70 23 0.9861 0.001 -0.092 -0.040 -0.065 0.005 0.047
17 14.08 16 0.5925 -0.027 -0.127 0.029 -0.175 -0.051 0.021 23 20.71 22 0.5385 -0.007 -0.047 0.181 -0.048 -0.137 0.086