Paper Analisis Runtun Waktu

Januari 2014

Peramalan Temperatur Udara di Kabupaten Lowa 12 Periode Kedepan Dengan

Menggunakan Metode ARIMA Box-Jenkins
Bayu Aji Prabowo (1107015002), Hasniah (1107015003), Indri Utami (1107015032), dan
Nur Aida (1107015004)
Program Studi Statistika FMIPA Universitas Mulawarman
Abstract
The purpose of this research is to predict temperature of Lowa District for 12 periods
(months). The method used is the Box-Jenkins ARIMA method. This method will be generated
a seasonal ARIMA model to be used in predicting temperatures of Lowa District. The model
generated by using the Box-Jenkins method for temperature of Lowa District is ARIMA
(0,0,0) (0,1,1)12.
Keywords : Box-Jenkins ARIMA method, temperature data, forecasting.
Pendahuluan
Dalam ilmu fisika, temperatur atau suhu
udara adalah derajat panas udara.
Temperatur diukur dengan menggunakan
termometer. Empat macam termometer
yang paling dikenal adalah Celsius,
Reumur, Fahrenheit dan Kelvin.
Temperatur di permukaan bumi
berbeda-beda dari satu tempat ke tempat
yang lain. Perbedaan ini disebabkan oleh
banyak faktor antara lain pengatuh daratan
dan lautan, pengaruh ketinggian tempat,
pengaruh angin, lamanya penyinaran
matahari dan sebagainya.
Selain itu, pada bulan-bulan tertentu
temperatur di suatu tempat dapat lebih
tinggi atau lebih rendah daripada bulanbulan lainnya. Hal ini disebut dengan
gejala musiman.
Untuk dapat mengetahui temperatur di
masa yang akan datang diperlukan suatu
metode peramalan. Salah satu metode yang
bisa digunakan adalah metode ARIMA
yang juga sering disebut metode Box
Jenkins
Peramalan adalah kegiatan
mengestimasi apa yang akan terjadi pada
masa yang akan datang dengan waktu yang
relatif lama. Salah satu teknik peramalan
deret
waktu
adalah
Seaseonal
Autoregressive Integrated Moving Average
(ARIMA musiman).

Tinjauan Pustaka
Dalam ARIMA musiman, time series
mempunyai sifat berulang setelah sekian
periode waktu tertentu. Hasil peramalan
model ARIMA musiman terbaik yang
diperoleh kemudian diverifikasi dengan
grafik pengendali moving range untuk
mengetahui apakah hasil peramalan
dengan
metode
yang
digunakan
mencerminkan data masa lalu. Analisis
time series model ARIMA dapat digunakan
untuk melakukan estimasi maupun
peramalan pada masa yang akan datang
(Makridakis, 1998).
Musiman
berarti
kecenderungan
mengulangi pola tingkah gerak dalam
periode musim, biasanya satu tahun untuk
data bulanan. Karena itu, deret waktu
musiman mempunyai karakteristik yang
ditunjukkan oleh adanya korelasi berurutan
yang kuat pada jarak semusim (periode
musim), yakni waktu yang berkaitan
dengan banyak observasi pada periode
musim. Terdapat banyak cara yang
mungkin untuk memodelkan yang
bentuknya (bukan musiman yang konstan),
yang tergantung pada bagaimana pola
musiman diandaikan. Model yang banyak
dipakai untuk perubahan musiman dapat
dikategorikan dalam dua kategori, yaitu
model dengan musiman akar unit (unit
root) dan model dengan parameter
tergantung musim (season dependent)
(Salamah, dkk, 2003).

Program Studi Statistika FMIPA Universitas Mulawarman

Page 1

Paper Analisis Runtun Waktu

Dalam kategori pertama, model

seasonal autoregressive integrated moving
average (SARIMA), yang dikembangkan
oleh Box dan Jenkins. Merupakan model
yang paling populer dan telah banyak
dipakai sebagai acuan dalam berbagai
studi perbandingan tentang peramalan.
Dalam model ini, pola musiman dalam
satu periode diandaikan berulang dalam
periode berikutnya hanya dengan satu
pertubasi acak tambahan. Walaupun
efektif, kelemahan SARIMA adalah
kurangnya
kemampuan
untuk
menghasilkan peramalan jangka panjang
yang handal karena pengandaian model
tipe random-walk. Kategori kedua model
periode Autoregressive Moving Average
(ARMA) dimana parameter ARMA
diperbolehkan untuk bervariansi dengan
musim yang bukan konstan. Ramalan
terdiri dari rata-rata musiman ditambah
suku yang ditentukan oleh sifat
autokorelasi dari deret waktu disetiap
periode. Kelemahnnya terdapat sejumlah
besar variabel dalam vektor musiman.
Langkah-langkah
penerapan
metode
ARIMA secara berturut-turut adalah : (1)
Identifikasi Model, (2) Estimasi Model, (3)
Diagnostic checking, (4) Peramalan
(Mulyana, 2006).
Metodologi Penelitian
Data yang digunakan pada penelitian
ini adalah data temperatur di Kabupaten
Lowa bulan Januari 1964-Desember 1975.
Data berbentuk bulanan dan bersifat
musiman, pada data temperatur di
Kabupaten
Lowa
dengan
periode
sebanyak 144 bulan. Peramalan yang
digunakan adalah sejumlah 12 periode
kedepan. Peramalan data data temperatur
di Kabupaten Lowa dilakukan dengan
metode ARIMA Box Jenkins dengan
tahapan
analisis
meliputi
tahap
identifikasi, tahap penaksiran parameter
dan pemeriksaan diagnostik, kemudian
tahap peramalan. Analisis dilakukan
dengan bantuan software Minitab 16.0.
Hasil dan Pembahasan

Kasus :
Berikut adalah data mengenai rata-rata
temperatur di Lowa bulan Januari 1964
Desember 1975 (Cryer 1986).
Tabel 1 Data Temperatur di Lowa Bulan
Januari 1964 Desember
1969
1964 196 196 196 196 196
5
6
7
8
9
24,7 16,1 10,4 21,5 19,1
14
25,7 19,1 21,6 14,7 20,6 24,1
30,6 24,2 37,4
35 40,2 29,4
47,5 45,4 44,7 48,3
50 46,6
62,9 61,3 53,2
54 55,3 58,6
68,5 66,5
68 68,2 67,7 62,2
73,7 72,1 73,7 69,6 70,7 72,1
67,9 68,4 68,2 65,7 70,3 71,7
61,1 60,2 60,7 60,8 60,6 61,9
48,5 50,9 50,2 49,1 50,7 47,6
39,6 37,4 37,2 33,2 35,8 34,2
20 31,1 24,6
26 20,7 20,4

Tabel 2 Data Temperatur di Lowa Bulan

Januari 1970 Desember
1975
197 197 197 197 197 197
0
1
2
3
4
5
13, 22, 17, 20,
8,4 11,2
2
5
6
4
17, 25, 20, 19,
19
20
2
7
5
6
31, 29, 30, 42, 34, 24,
4
6
8
3
2
6
48, 47, 43, 42, 49, 41,
7
7
7
5
2
3
61, 55, 62, 55, 54, 61,
6
8
3
5
8
8
68, 73, 66, 68, 63, 68,
1
2
4
9
8
5
72,
70, 72,
2
68
2
3
74
72
70, 67, 71, 72, 67, 71,
6
1
6
3
1
1
62, 64, 62, 62, 57, 57,
5
9
1
5
7
3

Program Studi Statistika FMIPA Universitas Mulawarman

Page 2

Paper Analisis Runtun Waktu

57,
1
37,
6
27,
7

55,
6

46
32,
7
17,
3

50,
8
36,
8
25,
5

38
20,
4

52,
5
40,
6
26,
2

Partial Autocorrelation Function for CurHuj

(with 5% significance limits for the partial autocorrelations)
1,0
0,8

Partial Autocorrelation

52,
7
36,
7
23,
8

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

10

15

20

25

30

35

Lag

Identifikasi Model

(b)
Gambar 3. (a) Plot ACF (b) Plot PACF

Time Series Plot of CurHuj

80
70
60

Sedangkan Gambar 3 Plot ACF dan PACF

menunjukkan bahwa data belum stationer
dalam rata-rata musiman 12.

CurHuj

50
40
30
20
10
0
1

14

28

42

56

70
Index

84

98

112

126

140

Time Series Plot of diff

15

Gambar 1 Time series plot untuk data

10

diff

Gambar
1
memperlihatkan
bahwa
pergeseran rata-rata non musiman dari data
temperatur
adalah
tetap
yang
mengindikasikan bahwa data sudah
stationer dalam rata-rata non musiman.

-5

-10
1

14

28

42

56

70
84
Index

98

112

126

140

Autocorrelation Function for diff

(with 5% significance limits for the autocorrelations)

Box-Cox Plot of CurHuj

Lower CL

50

Upper CL

1,0

Lambda

0,8

(using 95,0% confidence)

StDev

40

Estimate

0,96

LowerCL
UpperCL

0,60
1,29

Rounded Value

1,00

35
30

0,6

Autocorrelation

45

0,4
0,2
0,0
-0,2
-0,4
-0,6

25

-0,8
20

Limit
-2

-1

1
2
Lambda

-1,0

10

15

20

25

30

Lag

Gambar 2 Box-cox plot data

Partial Autocorrelation Function for diff

(with 5% significance limits for the partial autocorrelations)
1,0

Partial Autocorrelation

0,8

Gambar 2 terlihat bahwa estimasi nilai

lambda (0.96) sudah mendekati nilai 1
yang menyatakan bahwa sudah stationer
dalam variansi.

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

10

15

20

25

30

Lag

Autocorrelation Function for CurHuj

Gambar 4

(with 5% significance limits for the autocorrelations)

1,0
0,8

Autocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

10

15

20
Lag

(a)

25

30

35

Dari Gambar 4 plot ACF dan PACF di

atas, terlihat bahwa data sudah stationer
dalam rata-rata musiman.
Maka model-model ARIMA sementara
adalah:
ARIMA(0, 0, 0)(1, 1, 1)12
ARIMA(0, 0, 0)(0, 1, 1)12
ARIMA(0, 0, 0)(1, 1, 0)12

Program Studi Statistika FMIPA Universitas Mulawarman

Page 3

Paper Analisis Runtun Waktu

Penaksiran Parameter
ARIMA(0, 0, 0)(1, 1, 1)12
P ( B S ) (1B s)D Z t =Q ( Bs ) at
Z t =Zt 12+ 1 Z t12 1 Zt 24+ at 1 at12
ARIMA(0, 0, 0)(0, 1, 1)12
(1Bs )D Z t=Q (B s )a t
Z t =Zt 12+ at1 at 12
ARIMA(0, 0, 0)(1, 1, 0)12
P ( B S ) (1B s) D Z t =Q ( Bs ) at
Z t =Zt 12+ 1 Z t12 1 Zt 24+ at

Pemeriksaan Diagnostik
Tabel 3 ARIMA(0, 0, 0)(1, 1, 1)12
Type
Koef.
pKeputusan
value
SAR(1) -0,089 0,377 H0 diterima
SMA(1) 0,912 0,069 H0 ditolak
9

1. Uji Kesignifikanan Parameter

Hipotesis untuk parameter model SAR(1)
H : =0
0

(Parameter model SAR (1) tidak

signifikan berbeda dengan nol )
H1 : 0
(Parameter model SAR (1)
signifikan berbeda dengan nol )
Hipotesis untuk parameter model SMA(1)
H : =0
0

(Parameter model SMA (1) tidak

signifikan berbeda dengan nol )
H1 : 0
(Parameter model SMA (1)
signifikan berbeda dengan nol )
Kesimpulan
Taraf signifikansi () yang digunakan
sebesar (0,05) dan kriteria pengujiannya
H0
yakni jika p-value < , maka
ditolak.

Karena
P-value
SAR(1)
(0.377)
( 0,05) , maka diputuskan menerima
H0

yang artinya bahwa parameter

model SAR (1) tidak signifikan berbeda

dengan nol, sedangkan untuk P-value
(0,05) , maka
SMA(1)
(0.000)
diputuskan menolak

H0

yang artinya

bahwa parameter model SMA (1)

signifikan berbeda dengan nol.
Karena parameter SAR (1) tidak signifikan
berbeda dengan nol maka model
ARIMA(0, 0, 0)(1, 1, 1)12 adalah bukan
model terbaik.
Tabel 4 ARIMA(0, 0, 0)(1, 1, 0)12
Type
Koef.
pKeputusan
value
SAR(1) -0,458 0,000 H0 ditolak
1. Uji Kesignifikanan Parameter
Hipotesis
H : =0
0

(Parameter model SAR (1) tidak

signifikan berbeda dengan nol )
H1 : 0
(Parameter model SAR (1)
signifikan berbeda dengan nol )
Kesimpulan
Taraf signifikansi () yang digunakan
sebesar (0,05) dan kriteria pengujiannya
H0
yakni jika p-value <, maka
ditolak.
Karena
P-value
SAR(1)
(0.000)
( 0,05) , maka diputuskan menolak
H0

yang artinya bahwa parameter

model SAR (1) signifikan berbeda dengan

nol.
1. Uji Kesesuaian Model
Tabel 5 Uji Ljung-Box
Lag
df
pKesimpulan
(K)
value

Program Studi Statistika FMIPA Universitas Mulawarman

Page 4

Paper Analisis Runtun Waktu

12

11

0,193

H0 diterima

24
23 0,031
H0 ditolak
36
35 0,012
H0 ditolak
48
47 0,059
H0 diterima
Hipotesis
1=2 =3==k =0
H0 :
(Residual memenuhi syarat white
noise)
i
H :
0, i=1,2,3,..,k
1

(Residual tidak memenuhi syarat

white noise)
Kesimpulan
Taraf signifikansi () yang digunakan
sebesar (0,05) dan kriteria pengujiannya
H0
yakni jika p-value <, maka
ditolak.
Karena P-value pada lag 12 dan lag 48
masing- masing adalah 0.193 dan 0.059
(0,05) , maka
lebih besar dari
residualnya memenuhi syarat white noise.
Tetapi karena P-value pada lag 24 dan lag
36 masing masing adalah 0.031 dan 0.012
lebih kecil dari (0,05) , yang berarti
lag tersebut berkorelasi antar residual,
H0
maka diputuskan menolak
yang
artinya bahwa residual tidak memenuhi
syarat white noise.
Karena model ARIMA(0, 0, 0)(1, 1,
0)12 tidak memenuhi syarat white noise
maka model tersebut adalah bukan model
terbaik.
Tabel 6 ARIMA(0, 0, 0)(0, 1, 1)12
Type
Koef.
pKeputusan
value
SMA(1 0,9111 0,000 H0 ditolak
)
1. Uji Kesignifikanan Parameter
Hipotesis
H : =0
0

(Parameter model SMA (1) tidak

signifikan berbeda dengan nol )
H1 : 0

(Parameter model SMA (1)

signifikan berbeda dengan nol )
Kesimpulan
Taraf signifikansi () yang digunakan
sebesar (0,05) dan kriteria pengujiannya
H0
yakni jika p-value <, maka
ditolak.
Karena
P-value
SMA(1)
(0.000)
( 0,05) , maka diputuskan menolak
H0

yang artinya bahwa parameter

model SMA (1) signifikan berbeda dengan

nol.
1. Uji Kesesuaian Model
Lag
(K)
12

Tabel 7 Uji Ljung-Box

df
pKesimpulan
value
11 0,208
H0 diterima

24
23 0,475
H0 diterima
36
35 0,234
H0 diterima
48
47 0,550
H0 diterima
Hipotesis
1=2 =3==k =0
H0 :
(Residual memenuhi syarat white
noise)
i
H1 :
0, i=1,2,3,..,k
(Residual tidak memenuhi syarat
white noise)
Kesimpulan
Taraf signifikansi () yang digunakan
sebesar (0,05) dan kriteria pengujiannya
H0
yakni jika p-value <, maka
ditolak.
Karena P-value pada lag 12, 24, 36 dan lag
48 masing masing adalah 0.208, 0.475,
0.234 dan 0.550 lebih besar dari
(0,05) , maka diputuskan menolak
H 0.

yang

artinya

bahwa

residual

memenuhi syarat white noise.

2. Uji Kenormalan Residual

Program Studi Statistika FMIPA Universitas Mulawarman

Page 5

Paper Analisis Runtun Waktu

Probability Plot of RESI 1

Normal
99,9

Mean
StDev
N
RJ
P-Value

99
95

Percent

90

-0,07085
3,459
132
0,996
>0,100

80
70
60
50
40
30
20
10
5
1
0,1

-10

-5

0
RESI1

10

Gambar 5 Probability plot of residual

Hipotesis
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi nomal
Kesimpulan
Karena P-value > 0.1000 (0,05) ,
maka diputuskan menerima

H0

148
149
150
151
152
153
154
155
156

46,5191
57,6978
67,0452
71,9918
69,1608
60,5643
51,0870
36,7186
23,8160

39,7360
50,9146
60,2620
65,2086
62,3776
53,7811
44,3038
29,9354
17,0328

53,3023
64,4810
73,8284
78,7750
75,9440
67,3475
57,8702
43,5017
30,5992

Dapat dilihat pada Tabel 8 pada kolom

Lower dan Upper yang merupakan limit
prediksi 95% dari hasil masing-masing
peramalan.

yang

artinya bahwa residual berdistribusi

normal.
Karena seleruh parameter model
ARIMA(0, 0, 0)(0, 1, 1)12 signifikan dan
seluruh asumsi sisa terpenuhi, maka model
tersebut merupakan model terbaik.
Pemilihan Model Terbaik
Setelah dilakukan uji signifikansi
parameter dan uji kesesuaian model
(meliputi uji asumsi white noise dan uji
kenormalan residual) diketahui bahwa
model ARIMA yang memenuhi syarat
tersebut adalah model ARIMA (0, 0, 0)(0,
1, 1)12 dengan nilai MAPE (Mean Absolute
Percentage Error) sebesar 0,38 %
Peramalan
Dengan taraf kepercayaan 95%,
berikut adalah data hasil peramalan ratarata temperatur di Lowa untuk Januari
1976 Desember 1976:
ARIMA (0,0,0)(0,1,1)12 ynag memiliki
hasil peramalan sebagai berikut:
Tabel 8 Hasil Peramalan 12 Periode
Kedepan
Period
Lower
Upper
e
Peramalan
9,9681
23,5344
145
16,7513
13,8546
27,4210
146
20,6378
25,9165
39,4829
147
32,6997

Verifikasi Peramalan
Berdasarkan hasil peramalan
temperatur pada
Tabel 8 dilakukan perhitungan jaraknya
(R)
n

12

Rt

t =1

n1

554,6894
11

Rt
t =2

121

= 50,4263

Berdasarkan tabel grafik pengendali

diketahui bahwa nilai tengahnya sebesar
50,4263.
Moving Range Of Peramalan
250
200
150

Peramalan

moving range 100

Periode

50
0

Gambar 6 Grafik pengendali

Program Studi Statistika FMIPA Universitas Mulawarman

Page 6

Paper Analisis Runtun Waktu

Moving Range untuk

peramalan
Berdasarkan Gambar 6 terlihat bahwa
tidak ada nilai peramalan yang berada di
luar batas pengendali, sehingga data hasil
peramalan telah terkendali. Dengan
demikian model ARIMA (0,0,0)(0,1,1)12
dapat digunakan untuk melakukan
peramalan rata-rata temperatur di Lowa
untuk Januari 1976 Desember 1976.
Kesimpulan
Berdasarkan
hasil
analisis
data
temperatur di Lowa, maka dapat
disimpulkan bahwa:
1. Model ARIMA (0,0,0)(0,1,1)12 adalah
model terbaik.
2. Model ARIMA (0,0,0)(0,1,1)12 yang
diperoleh merupakan model peramalan
yang
terbaik
untuk
melakukan

peramalan
peramalan
rata-rata
temperatur di Lowa untuk Januari
1976 Desember 1976 karena semua
hasil peramalannya telah terkendali
secara statistik.
Daftar Pustaka
Makridakis, Spyros. 1998. Metode
Aplikasi dan Peramalan. Erlangga:
Jakarta.
Mulyono, S. 2006. Statistik Untuk
Ekonomi dan Bisnis Edisi Ketiga.
Jakarta: Lembaga Penerbit Fakultas
Ekonomi UI.
Salamah,
Mutiah,
Suhartono
dan
Wulandari, Sri Pingit. 2003.
Analisis Time Series. Surabaya:
FMIPA-ITS.

Program Studi Statistika FMIPA Universitas Mulawarman

Page 7