Tugas Analisis Deret

Waktu

Ananda Kurniawati
(0810953003)

Statistika A
 DATA CURAH HUJAN BULANAN
STASIUN KALASAN
DINAS PENGAIRAN KABUPATEN KEDIRI

No Stasiun 10 Elevasi 247 mdpl

No In Database Tipe alat Biasa (MRG
Lintang Selatan 414138 Pemilik Pengairan
Bujur Timur 785761 Operator

TAHUN BULAN
JAN FEB MAR APR MEI JUN JUL AGS SEP OKT NOP DES
1990 371 252 158 164 138 30 26 2 28 2 76 557
1991 418 146 237 291 46 33 2 2 2 26 214 418
1992 535 373 294 2 27 6 67 26 33 156 178 346
1993 391 34 109 491 2 218 2 84 2 9 169 280
1994 260 305 453 192 2 2 2 2 2 2 72 152
1995 145 243 377 214 218 48 11 13 2 28 305 127
1996 215 281 317 101 2 37 2 11 52 145 148 87
1997 149 239 138 128 2 2 2 2 2 2 58 117
1998 290 551 665 209 26 152 56 2 24 36 16 107
1999 282 408 553 178 58 67 12 11 18 55 92 356
2000 357 339 435 194 204 31 2 2 27 130 169 117
2001 622 130 302 141 29 116 7 2 55 237 216 167
2002 240 333 135 137 90 2 2 2 2 2 111 157
2003 264 234 228 172 64 38 2 2 2 2 161 65
2004 213 237 382 114 21 2 6 2 12 28 73 129
2005 82 81 213 259 2 2 2 2 2 2 15 265
2006 214 314 165 250 34 2 2 2 2 2 2 60

PENYELESAIAN :

Langkah-langkah penyelesaian (Metodologi) :

1. Plotkan data dengan cara ketik set c1 pada lembar kerja session kemudian masukkan
data.
2. Maka data akan tampil pada lembar kerja worksheet seperti berikut :

3. Langkah selanjutkan yaitu memplotkan grafik dari data curah hujan bulanan tersebut :

4. Kemudian Uji stasioneritas terhadap ragam dan rata-rata,

a. Stasioneritas terhadap Ragam
Langkah-langkah:
1. Input data pada Session Minitab lakukan langkah-langkah berikut:
i) Pilih Editor > Enable commands
ii) Pada Session Minitab akan muncul MTB>
iii) Ketik MTB> set c1 pada Session Minitab, tekan ENTER.
iv) Copy data dari Notepad.
v) Pada Session Minitab setelah tulisan DATA>, masukkan data yang telah
dicopy, lalu tekan ENTER.
vi) DATA> end.
2. Mem-Plot Box-Cox data
Pilih Stat > Control Chat > Box-Cox Transformation
b. Stasioneritas terhadap Rata-rata
Langkah-langkah:
1. Untuk mengecek data deret waktu tersebut apakah stasioner terhadap rata-rata
atau tidak adalah dengan Autocorrelation Function (ACF) dengan cara pilih Stat >
Time Series > Autocorrelation.
2. Jika masih ada yang keluar berarti data deret waktu belum stasioner terhadap
rata-rata. Lalu dilakukan differensi dengan cara pilih Stat > Time Series >
Differences.
5. Setelah data telah memenuhi syarat stasioner maka langkah selanjutnya yaitu
menentukan model tentatif dari data musiman (Curah hujan bulanan) dengan cara :
Membuat Plot ACF dan PACF dari hasil transformasi (stasioner terhadap
ragam).
 Pada grafik ACF jika banyaknya lag yang keluar batas lebih dari lag yang
ketiga maka modelnya MA(0), MA(1), MA(2).
6. Kemudian lakukan pendugaan parameter dengan menggunakan Metode Moment dan
Metode Kuadrat Terkecil dimana pada MKT ini dengan memperlakukan model AR
(1) pada regresi. Yang pertama dilakukan adalah transformasi lag 1 sehingga diperoleh
Zt-1. (Regresi ini dilakukan tanpa intercept).

7. Langkah terakhir yaitu menguji signifikansi, menentukan apakah model layak atau
tidak dengan menggunakan uji L-jung Box.

Hasil dan Pembahasan

1. Plot Data Musiman yaitu Curah hujan bulanan

Dari gambar plot diatas, dapat di ketahui bahwa pola data diatas menunjukkan pola
data musiman dengan trend yang cenderung naik turun.

2. Menguji stasioneritas terhadap ragam dan rata-rata

a. Stasioner terhadap ragam

Nilai estimasi pada Box-Cox transformation yang pertama ini adalah estimasi 0.14
(estimasi 1) yang berarti bahwa data tersebut belum memenuhi asumsi stasioner
terhadap ragam. Untuk itu dilakukan Transformasi Box Cox sebagai berikut :
 Nilai estimasi dari Lambda yang diperoleh dalam transformation yang pertama adalah 1
maka disimpulkan data sudah stasioner terhadap ragam. Langkah selanjutnya adalah
memeriksa apakah data stasioner terhadap rata rata.

b. Stasioner terhadap rata-rata

Setelah melihat plot ACF di atas ternyata data deret waktu belum stasioner terhadap rata-
2
rata karena masih ada lebih dari 3 lag yang keluar dari garis merah . Sehingga
n
dilakukan differensi, lalu data diplotkan dengan ACF dan hasilnya adalah sebagai
berikut:
 Setelah melihat plot ACF di atas ternyata data deret waktu sudah stasioner terhadap rata-
rata, dimana dapat dilihat dari pengamatan 1-10, lag yang keluar sebanyak 2 (q=2)
sehingga didapatkan MA(0) dan MA(1), MA(2) sedangkan dari pengamatan 12, 24, dst
lag yang keluar hanya 1(Q=1) sehingga didapatkan MA(0) dan MA(1).

3. Model tentatif yang didapatkan adalah :

Grafik PACF : Untuk menentukan AR(p)

Dari grafik PACF diatas, untuk p karena pada pengamatan lag ke 1-10 nilai lag yang
keluar hanya 1, maka p=1, sedangkan untuk P karena pada pengamatan lag ke 12, 24,
dst nilai lag yang keluar juga 1, maka P=1.

Grafik ACF : Untuk menentukan MA(q)

Dari grafik ACF diatas, untuk q karena pada pengamatan lag ke 1-10 nilai lag yang
keluar hanya 2, maka q=2 yang berarti MA(0) dan MA(1), MA(2), sedangkan untuk Q
karena pada pengamatan lag ke 12, 24, dst nilai lag yang keluar hanya 1, maka Q=1
yang berarti MA(0) dan MA(1) .

Untuk nilai d dan D karena pendifferensialnya dilakukan hanya sekali maka nilai
d=D=1. Sehingga dapat ditentukan model tentatifnya yaitu ARIMA(1,0,1)(1,0,1)12,
ARIMA(1,1,1)(1,1,1)12, ARIMA(1,2,1)(1,1)12.
4. Pendugaan parameter nya :
Dengan menggunakan metode Moment
Model AR (1) adalah : Z t 1 Z t 1 at
Autocorrelation Function: zt

Lag ACF T LBQ

1 0.551376 7.88 62.94
2 0.262287 2.95 77.25
3 -0.001892 -0.02 77.25
4 -0.260533 -2.82 91.51
5 -0.458447 -4.77 135.89
6 -0.519986 -4.90 193.28
7 -0.435456 -3.69 233.73
8 -0.236623 -1.88 245.74
9 -0.014326 -0.11 245.78
10 0.257154 2.01 260.11
11 0.515731 3.96 318.02
12 0.601916 4.30 397.32
13 0.484751 3.19 449.02
14 0.224107 1.40 460.13
15 0.017371 0.11 460.20
16 -0.238711 -1.48 472.93
17 -0.381700 -2.34 505.68
18 -0.452455 -2.71 551.93
19 -0.392017 -2.27 586.84
20 -0.244212 -1.38 600.46
21 -0.016392 -0.09 600.52
22 0.234631 1.31 613.23
23 0.447697 2.48 659.77
24 0.551788 2.97 730.85
25 0.432979 2.24 774.86
26 0.203210 1.02 784.61
27 0.031132 0.16 784.84
28 -0.163456 -0.82 791.22
29 -0.363883 -1.82 823.02
30 -0.451430 -2.22 872.24
31 -0.345415 -1.66 901.22
32 -0.248687 -1.18 916.33
33 -0.085944 -0.40 918.14
34 0.194008 0.91 927.45
35 0.384698 1.80 964.25
36 0.432067 1.99 1010.95
37 0.336551 1.52 1039.45
38 0.252437 1.13 1055.58
39 0.061905 0.28 1056.56
40 -0.184106 -0.82 1065.24
41 -0.367796 -1.63 1100.12
42 -0.437516 -1.91 1149.77
43 -0.401576 -1.73 1191.87
44 -0.278668 -1.18 1212.26
45 -0.103097 -0.43 1215.07
46 0.161120 0.68 1221.98
47 0.357279 1.50 1256.14
48 0.423814 1.76 1304.53
49 0.352850 1.44 1338.29
50 0.248293 1.00 1355.11
51 0.057895 0.23 1356.03

Dari grafik ACF tersebut diperoleh nilai r1 = 0.553176, sehingga didapatkan

nilai = r dari hasil lag 1. Jadi pendugaan parameter dari metode momen
adalah = 0.553176. Dari hasil perhitungan tersebut model AR(1) dapat ditulis
dalam persamaan sebagai berikut : Z t 0.553176Z t 1 at .
 Dengan menggunakan metode Kuadrat Terkecil

Hasil regresi Zt terhadap Zt-1

Regression Analysis: zt versus zt-1

The regression equation is

zt = 0.784 zt-1

Koefisien dari fungsi regresi diatas adalah nilai duga dari parameter 1
dengan koefisien regresi Zt dengan Zt-1. Sehingga dengan metode kuadrat
terkecil didapatkan model AR(1) tersebut adalah :
Z t 0.784Z t 1 at

5. Uji signifikansi
PEMERIKSAAN SISAAN SECARA INFERENSIA DENGAN MENGGUNAKAN L-
JUNG BOX
Hipotesis:
H0 : model sesuai
H1 : model tidak sesuai
Untuk menganalisis sisaan secara inferensia kita lihat hasil dengan uji L-Jung Box
yang dapat di ambil dari hasil perhitungan ARIMA di bawah ini yaitu:
Untuk Model ARIMA (1,01)(1,0,1)12
ARIMA Model: zt

Estimates at each iteration

Iteration SSE Parameters

0 7786546 0.100 0.100
1 5060443 0.250 -0.050
2 4404883 0.400 0.016
3 3785530 0.550 0.051
4 3395736 0.700 0.064
5 3327684 0.782 0.067
6 3326834 0.792 0.071
7 3326820 0.793 0.071
8 3326820 0.793 0.071

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.7934 0.0560 14.17 0.000
MA 1 0.0714 0.0913 0.78 0.435

Number of observations: 204

Residuals: SS = 3293829 (backforecasts excluded)
MS = 16306 DF = 202

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
 Chi-Square 55.8 113.6 169.0 217.9
DF 10 22 34 46
P-Value 0.000 0.000 0.000 0.000

Dengan selang kepercayaan sebesar 95% ( nilai alpha = 0.05) akan dibandingkan
dengan p-value pada Modified Box-Pierce (Ljung-Box) Chi-Square statistic. Model
akan sesuai jika semua nilai p-value lebih besar dari nilai alpha. Karena pada data di
atas tidak ada satu pun nilai p-value yang lebih besar dari alpha maka dapat di
simpulkan bahwa model tersebut belum sesuai.

Untuk Model ARIMA (1,01)(1,0,1)12

ARIMA Model: zt

Estimates at each iteration

Iteration SSE Parameters

0 3768207 0.100 0.100
1 3642937 0.014 0.186
2 3632537 0.154 0.336
3 3610358 0.302 0.486
4 3556055 0.452 0.634
5 3444319 0.601 0.784
6 3268251 0.738 0.934
7 3093675 0.720 0.988
8 2983185 0.583 0.988
9 2979882 0.555 0.988
10 2979840 0.553 0.989
11 2979784 0.552 0.989

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.5525 0.0590 9.37 0.000
MA 1 0.9887 0.0001 12058.46 0.000

Differencing: 1 regular difference

Number of observations: Original series 204, after differencing 203
Residuals: SS = 2939022 (backforecasts excluded)
MS = 14622 DF = 201

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 83.0 168.9 247.1 322.6
DF 10 22 34 46
P-Value 0.000 0.000 0.000 0.000
Dengan selang kepercayaan sebesar 95% ( nilai alpha = 0.05) akan dibandingkan
dengan p-value pada Modified Box-Pierce (Ljung-Box) Chi-Square statistic. Model
akan sesuai jika semua nilai p-value lebih besar dari nilai alpha. Karena pada data di
atas tidak ada satu pun nilai p-value yang lebih besar dari alpha maka dapat di
simpulkan bahwa model tersebut belum sesuai.