Tugas Individu

ANALISIS DERET WAKTU

“Peramalan Temperatur Udara Kota Kendari
Dengan Metode Arima Box-Jenskin”

OLEH :
NAMA : ANDI PUTRI ANUGRAH FIRDANG
NIM : F1A2 16 006
KELAS : B

PROGRAM STUDI S1 STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2018
Judul : Peramalan Temperatur Udara Kota Kendari Dengan Metode Arima
Box-Jenskin
Tujuan : Penelitian ini bertujuan untuk mendapatkan model ARIMA terbaik
dan untuk memperoleh angka ramalan temperatur udara di Kota
Kendari untuk enam periode mendatang
A. Sumber data
Data yang digunakan dalam penelitian ini adalah data temperatur udara
periode Januari 1998 sampai dengan September 2008 yang berjumlah 129
pengamatan. Data ini merupakan data sekunder yang berasal dari BMG
Kendari. Adapun variabel yang digunakan dalam penelitian ini adalah :
Zt = Rata-rata suhu per bulan berdasarkan rata-rata suhu per hari yang
diukur dalam satuan derajat celcius (◦C)
t = Periode (bulan)
n = 129 data
(Sumber Data : Parlindungan Siregar, 2009)
B. Pemodelan Data Dengan Metode ARIMA
1. Identifikasi Model
a. Plot Data Time Series
Metode time series adalah suatu metode peramalan untuk masa
depan yang dilakukan berdasarkan nilai atau data masa lalu dari suatu
variabel dan kesalahan (error) masa lalu dan bertujuan untuk
menemukan pola data time series (runtun waktu) dan
mengekstrapolasikan pola tersebut ke masa depan.

Gambar 1. Plot Time Series

Berdasarkan gambar diatas, pada rentang waktu bulan Oktober
sampai dengan Desember dari tahun ke tahun temperatur udara
mengalami kenaikan maksimum sedangkan pada bulan Juni sampai
dengan September temperatur udara mengalami penurunan minimum.
 Hal ini mengindikasikan bahwa data temperatur udara Kota Kendari
dipengaruhi oleh faktor musiman.
b. Uji Kestasioneran

Gambar 2. Plot Transformasi 1 Gambar 3. Plot Transformasi 2

Pada Gambar 2 terlihat bahwa data temperatur udara tidak stasioner
dalam dan variansi non musiman. Hal ini dapat dilihat nilai rounded
value adalah 2,00. Pada gambar 3, memiliki nilai rounded value sebesar
1,00 maka data telah stasioner dalam variansi non musiman.

Gambar 4. ACF Gambar 5. FACF

Pada gambar 4 dan 5 memperlihatkan dengan jelas adanya nilai
korelasi yang signifikan, sehingga menunjukkan ketidakstasioneran dalam
rata-rata . Untuk mengatasi hal ini dilakukan differencing satu non-
musiman (d=1) .

Gambar 6. Diagram differencing 1 Gambar 7. Diagram FAK

Berdasarkan gambar diatas, diagram deret waktu dan diagram FAK
hasil differencing satu non-musiman terlihat bahwa data belum stasioner
dalam rata-rata musiman . Maka, dilakukan proses differencing satu
musiman 12 dari data hasil differencing satu non-musiman (D=1).

Gambar 8. Diagram differencing 12 Gambar 9. Diagram FAK

 Gambar 10. Diagram FAKP
Berdasarkan gambar diatas, terlihat bahwa data sudah stasioner
dalam rata-rata. Jadi, data sudah dapat digunakan untuk mencari model
ARIMA terbaik . Proses tersebut adalah proses MA(1) musiman 12,
karena nilai korelasi turun secara eksponensial pada lag musiman (lag
12 dan lag 24).
c. Penentuan Model Awal
Berdasarkan bentuk FAK dan FAKP, beberapa model untuk data
temperatur udara adalah ARIMA (0,1,1)(1,1,1)12, ARIMA
(4,1,0)(0,1,1)12, ARIMA (0,1,1)(0,1,1)12, ARIMA (1,1,0)(1,1,1)12, dan
ARIMA (1,1,1)(1,1,1)12.
2. Estimasi Parameter
Uji t digunakan untuk mengetahui apakah koefisien yang dihasilkan
signifikan atau tidak.
Tabel 1. Ringkasan Hasil Penaksiran Parameter
Model Estimasi t(α/2;(n-np)) T Signifikansi
ARIMA(0,1,1)(1,1,1)12 SAR 12 -0,2468 1,98 -2,26 Tidak
MA 1 0,8209 15,22 Ya
SMA 12 0,8295 9,24 Ya

ARIMA(4,1,0)(0,1,1)12 AR 1 -0,6159 1,98 -6,61 Tidak

AR 2 -0,5206 -5,04 Tidak
AR 3 -0,4172 -4,08 Tidak
AR 4 -0,2513 -2,74 Tidak
SMA 12 0,8630 11,27 Ya

ARIMA(0,1,1)(0,1,1)12 MA 1 0,8305 1,98 16,23 Ya

SMA 12 0,8528 11,06 Ya
ARIMA(1,1,0)(1,1,1)12 AR 1 -0,3861 1,98 -4,40 Tidak
SAR 12 -0,2701 -2,53 Tidak
SMA 12 0,8354 9,80 Ya

ARIMA(1,1,1)(1,1,1)12 AR 1 0,1740 1.98 1,53 Tidak

SAR 12 -0,2457 -2,27 Tidak
MA 1 0,8801 16,17 Ya
SMA 12 0,8397 9,76 Ya

Dari tabel diatas dapat dilihat bahwa model arima musiman yang
signifikan adalah Arima (0,1,1)(0,1,1)12. Pada model
 ARIMA(1,1,1)(1,1,1)12 tidak signifikan karena nilai statistik t yang lebih
kecil daripada (t(α/2;(n-np))) Oleh karena itu, model ini tersisihkan.
3. Uji Diagnostik
Kelayakan suatu model dapat diketahui dengan melihat residual bersifat
white noise dan melakukan uji kenormalan distribusi dengan menggunakan
uji kolmogorov – smirnov.
Tabel 2. Ringkasan Hasil Uji White Noise dan Uji KS
Model Estimasi Uji White Noise p-value untuk uji KS
ARIMA(0,1,1)(1,1,1)12 Lag 12 24 36 48 0,107
Chi-Square 8,6 16,0 23,2 40,0 (Berdistribusi Normal)
DF 8 20 32 44
P-Value 0,378 0,718 0,871 0,643

ARIMA(4,1,0)(0,1,1)12 Lag 12 24 36 48 0,084

Chi-Square 15,1 27,2 38,9 53,1 (Berdistribusi Normal)
DF 6 18 30 42
P-Value 0,020 0,075 0,128 0,118

ARIMA(0,1,1)(0,1,1)12 Lag 12 24 36 48 0,03

Chi-Square 15,6 26,5 34,7 54,1 (Tidak Berdistribusi
DF 9 21 33 45 Normal)
P-Value 0,075 0,187 0,387 0,166

ARIMA(1,1,0)(1,1,1)12 Lag 12 24 36 48 >0,15

Chi-Square 21,4 30,9 42,3 66,4 (Berdistribusi Normal)
DF 8 20 32 44
P-Value 0,006 0,056 0,105 0,016

Pada model ARIMA(0,1,1)(0,1,1)12 asumsi white noise terpenuhi

tetapi residual tidak berdistribusi normal karena p-value < α sedangkan
pada model ARIMA(1,1,0)(1,1,1)12 asumsi white noise tidak terpenuhi
walaupun residual berdistribusi normal karena p-value > α , sehingga
kedua model ARIMA itu tidak memenuhi asumsi kelayakan model.
4. Pemilihan Model Terbaik
Terdapat 2 model ARIMA yang memenuhi asumsi kelayakan model
yaitu ARIMA (0,1,1)(1,1,1)12 dan ARIMA (4,1,0)(0,1,1)12 . Mean Square
Error (MSE) digunakan untuk memilih model terbaik dari kedua model
ARIMA tersebut.
Differencing: 1 regular, 1
seasonal of order 12
Number of observations: Original
series 129, after differencing
116
Residuals: SS = 18,0552
(backforecasts excluded)
MS = 0,1612 DF = 112

Gambar 11. MSE dan plot residual ARIMA (0,1,1)(1,1,1)12

 Differencing: 1 regular, 1
seasonal of order 12
Number of observations: Original
series 129, after differencing 116
Residuals: SS = 19,5406
(backforecasts excluded)
MS = 0,1776 DF = 110

Gambar 12. MSE dan plot residual ARIMA (4,1,0)(0,1,1)12

Hasil pengolahan memperlihatkan nilai MSE model ARIMA
(0,1,1)(1,1,1)12 sebesar 0,1612 dan ARIMA (4,1,0)(0,1,1)12 sebesar 0,1776
Model ARIMA (0,1,1)(1,1,1)12 memiliki nilai MSE lebih kecil daripada
model ARIMA (4,1,0)(0,1,1)12 . Jadi, dapat dikatakan model ARIMA
(0,1,1)(1,1,1)12 merupakan model terbaik yang digunakan.
5. Peramalan
Secara matematis, ARIMA(0,1,1)(1,1,1)12 ini dapat ditulis sebagai
berikut :
-0,2463(B12) (1-B)(1-B12)Ẑt = 0,8202(B)0,8299(B12)at
Atau dapat ditulis :
Ẑt = Ẑt-1 - Ẑt-12 - Ẑt-13 - 0,2463Ẑt-12 + 0,2463Ẑt-13 + 0,2463 Ẑt-24 – 0,2463 Ẑt-25 + at– 0,8202 at-1
– 0,8299 at-12 + 0,6807 at-13
Ẑt = µ + (Ẑt-1 - µ)–(Ẑt-12 - µ) -(Ẑt-13 - µ)–0,2463(Ẑt-12 - µ) + 0,2463(Ẑt-13 - µ)+0,2463(Ẑt-24 µ)
– 0,2463(Ẑt-25 - µ) + at – 0,08202at-1 – 0,8299at-12 + 0,6807 at-13
Tahapan peramalan dapat dilakukan berdasarkan model terbaik yaitu
ARIMA (0,1,1)(1,1,1)12 yang telah diperoleh.
Forecasts from period 129
95% Limits
Period Forecast Lower Upper
130 27,2142 26,4271 28,0013
131 27,8008 27,0012 28,6005
132 27,6247 26,8127 28,4367
133 27,2405 26,4164 28,0646
134 27,0170 26,1809 27,8531
135 26,9742 26,1263 27,8221

Gambar 13. Plot dan Hasil Peramalan Temperatur Udara

C. Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan, diperoleh model
terbaik yaitu ARIMA (0,1,1)(1,1,1)12 dengan nilai MSE terkecil sebesar
dengan 0,1612. Angka ramalan untuk 6 periode mendatang berturut-turut
adalah 27.2142 ◦C, 27.8008 ◦C, 27.6247 ◦C, 27.2405 ◦C, 27.0170 ◦C, dan
26,9742 ◦C.
 DAFTAR PUSTAKA

Machmudin , Ali dan Brodjol S. S. Ulama. 2012. Peramalan Temperatur

Udara di Kota Surabaya Dengan Menggunakan Metode Arima dan Artificial
Neural Network. Jurnal Sains dan Seni ITS. Vol. 1 No. 1 (Sept. 2012) ISSN:
2301-928X.
Siregar, Parlindungan. 2009. Peramalan Temperatur Udara Kota
Kendari Dengan Metode Arima Box-Jenskin. D-III Statistika. Fakultas
Matematika dan Ilmu Pengetahuan Alam. Universitas Halu Oleo.
 LAMPIRAN

Tabel Data Temperatur Udara (◦C)

Bulan Tahun
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Januari 27,5 27,2 26,8 27,2 27,2 27,6 27,2 27,6 27,5 28,1 27,6
Februari 27,9 26,9 27,0 27,4 27,8 27,2 27,4 27,2 27,0 27,2 27,1
Maret 27,4 26,9 27,1 27,0 27,2 27,3 27,6 27,3 27,3 27,0 27,0
April 27,3 27,0 26,9 27,0 27,3 27,3 27,4 27,3 27,2 26,9 26,7
Mei 27,0 25,8 26,5 27,0 26,8 27,1 27,5 27,1 26,6 27,0 26,1
Juni 26,6 26,1 25,1 26,6 26,2 26,3 26,0 26,3 25,8 26,3 25,7
Juli 26,4 25,3 25,3 25,9 25,9 25,7 25,3 25,7 25,7 25,9 25,4
Agustus 25,9 25,6 25,4 25,9 25,8 25,6 27,6 25,6 25,4 25,4 25,4
September 26,8 26,2 26,7 26,6 26,1 26,6 26,4 26,6 25,7 25,9 26,5
Oktober 27,7 27,2 27,4 27,9 27,3 27,9 27,6 27,9 26,8 27,7
November 27,4 27,2 28,2 26,8 28,5 28,4 28,4 28,4 28,1 28,1
Desember 27,4 27,6 27,9 27,3 28,3 27,5 28,1 27,5 28,4 27,8