Full

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO

KECAMATAN TURI, DAERAH ISTIMEWA YOGYAKARTA DENGAN
METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
(ARIMA) BOX-JENKINS MENGGUNAKAN SOFTWARE EVIEWS 10
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Pendidikan
Program Studi Pendidikan Matematika
Oleh:
Christina Candra Aditya
NIM: 151414034
PROGRAM STUDI PENDIDIKAN MATEMATIKA
JURUSAN PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019

SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Pendidikan
Program Studi Pendidikan Matematika
Oleh:
NIM: 151414034
PROGRAM STUDI PENDIDIKAN MATEMATIKA
JURUSAN PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019
i
SKRIPSI

Disusun oleh:
NIM: 151414034
Telah disetujui oleh:
Dosen Pembimbing,
Eko Budi Santoso, S.J. S.Pd., Ph.D. Tanggal: 14 Juni 2019
ii
SKRIPSI

Disusun oleh:
NIM: 151414034
Telah dipertahankan di depan Panitia Penguji
pada tanggal 20 Juni 2019
dan dinyatakan telah memenuhi syarat
Susunan Panitia Penguji
Nama Lengkap Tanda Tangan
Ketua : ..................
Sekretaris : ..................
Anggota I : ..................
Anggota II : ..................
Anggota III : ..................
Yogyakarta, 20 Juni 2019
Fakultas Keguruan dan Ilmu Pendidikan
Universitas Sanata Dharma
Dekan,
Dr. Yohanes Harsoyo, S.Pd., M.Si.
iii
HALAMAN PERSEMBAHAN
Dengan ucapan penuh rasa syukur, saya mempersembahkan skripsi saya ini untuk:
1. Tuhan Yesus Kristus yang selalu menemani dan menguatkan saya dalam setiap
langkah hidup saya.
2. Kedua orang tua saya, Edy Mulyono dan Endang yang selalu mendukung saya
baik motivasi, doa maupun materi dan menjadi tempat berkeluh kesah saya
selama proses pengerjaan skripsi.
3. Romo Eko Budi Santoso, S.J. S.Pd., Ph.D. sebagai dosen pembimbing saya.
4. Program Studi Pendidikan Matematika Universitas Sanata Dharma yang

memberikan kesempatan bagi saya untuk berkuliah dan menyelesaikan kuliah
Program Sarjana serta memfasilitasi selama saya berkuliah di Universitas
Sanata Dharma.
5. Partner saya, Kevin yang selalu mendukung, memotivasi dan menghibur saya
selama proses pengerjaan skripsi.
6. Sahabat-sahabat saya yang selalu menemani saat pengerjaan skripsi dan juga
menjadi tempat saya berkeluh kesah.
Dan semua pihak yang telah membantu dalam penyusunan skripsi ini.
iv
MOTTO
“Janganlah hendaknya kamu kuatir tentang apapun juga, tetap nyatakanlah dalam
segala hal keinginanmu kepada Allah dalam doa dan permohonan dengan ucapan
syukur”. (Filipi 4:6)
“Berbahagialah orang yang bertahan dalam pencobaan, sebab apabila ia sudah
tahan uji, ia akan menerima mahkota kehidupan yang dijanjikan Allah kepada
barangsiapa yang mengasihi Dia”. (Yakobus 1:12)
“Sebab itu janganlah kamu kuatir akan hari besok, karena hari besok mempunyai
kesusahannya sendiri. Kesusahan sehari cukuplah untuk sehari”.(Matius 6:34)
“Percayalah kepada Tuhan dengan segenap hatimu dan janganlah bersandar kepada
pengertianmu sendiri. Akuilah Dia dalam segala lakumu, maka Ia akan meluruskan
jalanmu”. (Amsal 3:5-6)
“Segala perkara dapat kutanggung di dalam Dia yang memberi kekuatan
kepadaku”. (Filipi 4:13)
“Bersukacitalah dalam pengharapan, sabarlah dalam kesesakan dan bertekunlah
dalam doa!”. (Roma 12:12)
v
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang telah saya tulis ini
tidak memuat karya atau bagian karya dari orang lain, kecuali yang telah disebutkan
dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.
Penulis,
vi
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPERLUAN AKADEMIS
Yang bertandatangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Christina Candra Aditya
Nomor Induk Mahasiswa : 151414034
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan
Universitas Sanata Dharma karya ilmiah saya yang berjudul:
“PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO

(ARIMA) BOX-JENKINS MENGGUNAKAN SOFTWARE EVIEWS 10”
Dengan demikian, saya memberikan hak sepenuhnya kepada Perpustakaan
Universitas Sanata Dharma untuk menyimpan, mengalihkan dalam bentuk media
lain, mengolahnya dalam bentuk pangkalan data, mendistribusikan secara terbatas
dan mempublikasinya di internet atau media lain untuk kepentingan akademis tanpa
perlu meminta izin dari saya maupun memberikan royalti kepada saya selama tetap
mencantumkan nama saya sebagai peneliti.
Demikian pernyataan ini saya buat dengan sebenar-benarnya.
Yang menyatakan,
vii
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa atas rahmat dan karunia-Nya,
peneliti dapat menyelesaikan tugas akhir yang berjudul “Peramalan Curah Hujan
di Pos Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta
dengan Metode Autoregressive Integrated Moving Average (Arima) Box-
Jenkins Menggunakan Software Eviews 10”. Tugas akhir ini sebagai syarat
memperoleh gelar sarjana pendidikan Program Studi Pendidikan Matematika
Universitas Sanata Dharma.
Peneliti menyadari bahwa banyak pihak yang membantu dalam penyelesaian
tugas akhir ini. Tanpa pihak tersebut, peneliti tidak dapat menyelesaikan tugas akhir
ini dengan baik. Oleh sebab itu, peneliti ingin mengucapkan terima kasih kepada
pihak-pihak tersebut, yaitu:
1. Bapak Dr. Yohanes Harsoyo S.Pd, M.Si., sebagai Dekan Fakultas Keguruan
dan Ilmu Pendidikan.
2. Bapak Beni Utomo M.Sc sebagai Ketua Program Studi Pendidikan
Matematika.
3. Romo Eko Budi Santoso, S.J. S.Pd., Ph.D. sebagai dosen pembimbing skripsi
peneliti yang telah merelakan diri untuk meluangkan waktu, tenaga serta
pikiran untuk membimbing peneliti dalam menyelesaikan tugas akhir ini.
4. Segenap dosen Program Studi Pendidikan Matematika Universitas Sanata
Dharma yang telah memberikan bekal kepada peneliti selama mengikuti
perkuliahan di Universitas Sanata Dharma.
viii
5. Segenap staf sekretariat JPMIPA yang telah banyak membantu peneliti selama
berkuliah di Program Studi Pendidikan Matematika Universitas Sanata
Dharma.
6. Kedua orang tua, Bapak Silvester Edi Mulyono dan Ibu Endang Setyowati
yang selalu memberikan doa dan motivasi kepada peneliti selama proses
penelitian skripsi ini.
7. Kornelius Septiawan Kevin Supriyanto yang sudah memberikan doa dan
dukungan sehingga peneliti dapat menyelesaikan skripsi ini.
8. Teman-teman Pendidikan Matematika angkatan 2015 yang telah memberikan
semangat bagi peneliti selama proses penyelesaian skripsi ini.
Tugas akhir ini masih banyak kekurangan. Walaupun demikian, peneliti
berharap hasil penelitian ini dapat menjadi acuan dan referensi bagi peneliti lain.
Semoga tulisan ini dapat digunakan dengan sebaik-baiknya.
ix
DAFTAR ISI
HALAMAN JUDUL....................................................................................... i
LEMBAR PERSETUJUAN PEMBIMBING ................................................ ii
LEMBAR PENGESAHAN .......................................................................... iii
HALAMAN PERSEMBAHAN ................................................................... iv
MOTTO ......................................................................................................... v
LEMBAR PERNYATAAN KEASLIAN KARYA TULIS ......................... vi
LEMBAR PERNYATAAN PUBLIKASI KARYA TULIS ....................... vii
KATA PENGANTAR ................................................................................ viii
DAFTAR ISI .................................................................................................. x
DAFTAR TABEL ........................................................................................ xii
DAFTAR GAMBAR .................................................................................. xiii
DAFTAR LAMPIRAN ................................................................................ xv
DAFTAR SIMBOL..................................................................................... xvi
ABSTRAK ................................................................................................. xvii
ABSTRACT ................................................................................................ xviii
BAB I PENDAHULUAN .............................................................................. 1
A. Latar Belakang Masalah ..................................................................... 1
B. Rumusan Masalah .............................................................................. 3
C. Pembatasan Masalah .......................................................................... 4
D. Tujuan Penelitian ............................................................................... 4
E. Manfaat Penelitian ............................................................................. 4
F. Jenis Penelitian ................................................................................... 5
G. Sistematika Penelitian ........................................................................ 5
BAB II LANDASAN TEORI ........................................................................ 6

A. Konsep Hujan ..................................................................................... 6
B. Runtun Waktu .................................................................................. 11
C. Analisis Runtun Waktu .................................................................... 13
D. Metode Autoregrresive Integrated Moving Averagre (ARIMA) ..... 14
x
E. Tahap-Tahap Peramalan ARIMA .................................................... 17

F. Penelitian yang Sejenis .................................................................... 33
BAB III METODE KEGIATAN ................................................................. 35

A. Objek Penelitian ............................................................................... 35
B. Metode dan Desain Penelitian.......................................................... 35
C. Teknik Pengumpulan Data ............................................................... 35
D. Waktu dan Tempat Penelitian .......................................................... 36
E. Teknik Analisis Data pada Software EVIews 10.............................. 36
BAB IV HASIL DAN PEMBAHASAN ..................................................... 58

A. Statistik Deskriptif Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, Daerah Istimewa Yogyakarta........................................... 58
B. Peramalan Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, Daerah Istimewa Yogyakarta........................................... 60
BAB V KESIMPULAN DAN SARAN ....................................................... 73
A. Kesimpulan ...................................................................................... 73
B. Saran ................................................................................................. 74
DAFTAR PUSTAKA .................................................................................. 75

LAMPIRAN ................................................................................................. 77
xi
DAFTAR TABEL
Tabel 2.1 Data Curah Hujan di Pos Hujan Ledok Nongko Kec.Turi
Daerah Istimewa Yogyakarta ............................................................ 11
Tabel 2.2 Data Runtun Waktu Penjualan Sepeda Motor Honda
CBR150R, Yamaha R15 dan Suzuki GSX-R150 di Indonesia
pada Tahun 2017 .................................................................................12
Tabel 2.3 Nilai Ulangan Matematika Kelas 8A ..................................................13
Tabel 2.4 Daerah Penerimaan dan Estimasi Awal Beberapa Proses ...................23
Tabel 4.1 Data Curah Hujan di Pos Hujan Ledok Nongko, Kec.Turi
Daerah Istimewa Yogyakarta Tahun 2005-2014 ...............................59
Tabel 4.2 Statistik Deskriptif Curah Hujan di Pos Hujan Ledok
Nongko, Kec.Turi, Daerah Istimewa Yogyakarta ..............................59
Tabel 4.3 Uji Stasionaritas dengan Uji ADF.......................................................61
Tabel 4.4 Uji Stasionaritas dengan Uji PP ..........................................................63
Tabel 4.5 Uji Stasionaritas dengan Uji KPSS .....................................................64
Tabel 4.6 Nilai P-Value Masing-Masing Model ARIMA ..................................67
Tabel 4.7 Kesimpulan Kandidat Model ARIMA Tahap Estimasi Parameter .....68
Tabel 4.8 Nilai P-Value Masing-Masing Model .................................................69
Tabel 4.9 Uji Kenormalan Residual Model ARIMA .........................................69
Tabel 4.10 AIC dan SC pada Model MA(14) dan MA(22) ..................................71
Tabel 4.11`Data Peramalan Curah Hujan (mm) di Pos Hujan Ledok Nongko,
nnnnnnnnnDIY Tahun 2005-2015 .........................................................................71
Tabel 5.1 Hasil Peramalan Data Curah Hujan Tahun 2015 ................................73
xii
DAFTAR GAMBAR
Gambar 2.1 Pola Curah Hujan Ekuatorial....................................................... 7

Gambar 2.2 Pola Curah Hujan Monsoon ........................................................ 8
Gambar 2.3 Pola Curah Hujan Lokal .............................................................. 9
Gambar 2.4 Pluviometer Standar .................................................................. 10
Gambar 2.5 Algoritma Sederhana Analisis Runtun Waktu .......................... 18
Gambar 2.6 Algoritma Tahap-Tahap Peramalan ARIMA ............................ 32
Gambar 3.1 Ikon Software EViews 10 .......................................................... 39
Gambar 3.2 Halaman Awal Software EViews 10 ......................................... 40
Gambar 3.3 Workfile Create EViews 10 ....................................................... 40
Gambar 3.4 Lembar Kerja EViews 10 .......................................................... 41
Gambar 3.5 Data Curah Hujan Telah Dimasukkan dalam Lembar Kerja
EViews 10 ................................................................................. 42
Gambar 3.6 Grafik Data Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, DIY Tahun 2005-2014 .............................................. 42
Gambar 3.7 Workfile UNTITLED ................................................................ 43
Gambar 3.8 Tampilan Lembar Kerja curah_hujan ....................................... 43
Gambar 3.9 Membuka Lembar Kerja Unit Root Test ................................... 44
Gambar 3.10 Kotak Dialog Unit Root Test .................................................... 44
Gambar 3.11 Tabel Uji Stasionaritas dengan Uji ADF .................................. 45
Gambar 3.12 Tabel Uji Stasionaritas dengan Uji PP ...................................... 46
Gambar 3.13 Tabel Uji Stasionaritas dengan Uji KPSS ................................. 47
Gambar 3.14 Membuka Correlogram Specification....................................... 48
Gambar 3.15 Pilih Level pada Kotak Dialog Correlogram Specification ..... 48
Gambar 3.16 ACF dan PACF pada Correlogram ........................................... 49
Gambar 3.17 Membuka Equation Estimation................................................. 50
Gambar 3.18 Kotak Dialog Equation Estimation pada AR(1) ....................... 50
Gambar 3.19 Tabel Estimasi Parameter pada Model AR(1).......................... 51
Gambar 3.20 Kotak Dialog Equation Estimation pada MA(1) ........................ 52
Gambar 3.21 Tabel Estimasi Parameter pada Model AR(1)............................ 52
xiii
Gambar 3.22 Uji Kenormalan Residual pada Model MA(22) .......................... 53

Gambar 3.23 Uji Kenormalan Residual pada Model MA(14) .......................... 53
Gambar 3.24 Tabel Uji Independensi Residual pada Model MA(22) .............. 54
Gambar 3.25 Tabel Uji Independensi Residual pada Model MA(14) .............. 54
Gambar 3.26 Tabel Estimasi Parameter pada Model MA(22) .......................... 55
Gambar 3.27 Tabel Estimasi Parameter pada Model MA(14) .......................... 55
Gambar 3.28 Kotak Dialog Workfile Structure ............................................... 56
Gambar 3.29 Kotak Dialog Forecast ................................................................. 57
Gambar 3.30 Grafik Forecasting&Actuals ....................................................... 57
Gambar 4.1 Diagram Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, DIY ............................................................................. 58
Gambar 4.2 Penjelasan ACF dan PACF ......................................................... 65
Gambar 4.3 Grafik Data Aktual dan Data Peramalan Data Curah Hujan di
Pos Hujan Ledok Nongko, Kec.Turi, DIY Tahun 2005-2014 ..... 72
xiv
DAFTAR LAMPIRAN
Lampiran 4.6 Tabel Hasil Uji Signifikansi Model ARIMA Menggunakan

Sofware EViews 10 ................................................................74
Lampiran 4.7 Tabel Hasil Uji Signifikansi Model ARIMA Menggunakan
Sofware EViews 10 ................................................................77
xv
DAFTAR SIMBOL
𝑍𝑡 = data pada waktu 𝑡, 𝑡 = 1,2,3, … , 𝑛
𝑍𝑡−𝑖 = data pada waktu 𝑡 − 𝑖, 𝑖 = 1,2,3, … , 𝑝
𝛼𝑡 = error pada periode 𝑡, 𝑡 = 1,2,3, … , 𝑛
𝛼𝑡−𝑖 = error pada periode 𝑡 − 𝑖, 𝑖 = 1,2,3, … , 𝑞
∅0 = konstanta model Autoregressive (AR)
∅𝑖 = koefisien dari 𝑍𝑡−𝑖 pada model Autoregressive (AR)
𝜃0 = konstanta model Moving Average (MA)
𝜃𝑖 = koefisien dari 𝛼𝑡−𝑖 pada model Moving Average (MA)
𝜀 = galat (error) pada uji stasionaritas
𝑘 = lag (baris pada Auto Correlation Function (ACF) dan pada Partial Auto
nnCorrelation Function (PACF))
𝑚 = lag maksimal pada ACF dan PACF
𝑟𝑘 = korelasi antara 𝑍𝑡 dan 𝑍𝑡−𝑘 pada Auto Correlation Function (ACF)
∅𝑘𝑘 = himpunan autokorelasi parsial untuk berbagai lag-𝑘 pada Partial Auto
nnCorrelation Function (PACF)
𝑟𝑘 (𝑒) = residual autokorelasi lag-k
xvi
ABSTRAK
Christina Candra Aditya. 2019. Peramalan Curah Hujan di Pos Hujan Ledok
Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta dengan Metode
Autoregressive Integrated Moving Average (ARIMA) Box-Jenkins
Menggunakan Software Eviews 10. Skripsi. Program Studi Pendidikan
Matematika, Jurusan Pendidikan Matematika dan Ilmu Pengetahuan Alam,
Fakultas Keguruan dan Ilmu Pendidikan, Universitas Sanata Dharma.
Indonesia merupakan negara kepulauan yang terletak di daerah khatulistiwa.

Karena Indonesia dikelilingi oleh lautan maka di banyak daerah memiliki potensi
curah hujan yang tinggi. Ketika musim hujan, curah hujan yang tinggi tersebut
mengakibatkan bencana banjir pada daerah-daerah tersebut. Oleh karena itu,
peneliti berpendapat bahwa ketepatan dalam memperkirakan curah hujan menjadi
sesuatu yang penting untuk menghindari kerugian material maupun hilangnya jiwa
manusia akibat bencana tersebut. Salah satu metode peramalan yang dapat
digunakan adalah metode Autoregressive Integrated Moving Average (ARIMA)
seperti yang digunakan dalam penelitian ini.
Penelitian ini bertujuan untuk mendapatkan model terbaik yang dibentuk dari
data curah hujan dari tahun 2005 sampai dengan tahun 2014 dan untuk memprediksi
curah hujan pada tahun 2015 di Pos Hujan Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta. Jenis penelitian yang digunakan dalam penelitian ini
adalah studi pustaka.
Ada empat tahap yang dilakukan pada peramalan menggunakan metode
ARIMA, yaitu identifikasi model, estimasi parameter, verifikasi model, dan
peramalan. Berdasarkan tahapan-tahapan yang dilakukan, peneliti menyimpulkan
bahwa model ARIMA terbaik dari data curah hujan dari tahun 2005 sampai dengan
tahun 2014 di Pos Hujan Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa
Yogyakarta adalah model MA(14). Grafik yang terbentuk dari data aktual dan data
peramalan menunjukkan kemiripan. Pada hasil peramalan tahun 2015, curah hujan
tertinggi akan terjadi pada bulan Agustus dengan perkiraan sebesar 240 milimeter.
Sedangkan pada bulan Maret, September, Oktober, November, dan Desember, data
peramalan menunjukkan bahwa tidak ada hujan. Rata-rata curah hujan pada tahun
2015 yang diamati dari Pos Hujan Ledok Nongko, Kecamatan Turi, Daerah
Istimewa Yogyakarta adalah 84,25 milimeter.
Kata kunci: Data curah hujan, ARIMA, Runtun Waktu
xvii
ABSTRACT
Christina Candra Aditya. 2019.Rainfall Forecasting at Ledok Nongko Rain
Post, Turi District, Special Region of Yogyakarta with Autoregressive
Integrated Moving Average (ARIMA) Box-Jenkins Method using EViews 10
Software. Unergraduate Thesis. Mathematics Education Study Program,
Department of Mathematics and Sciences Education, Faculty of Teacher
Training and Education, Sanata Dharma University.
Indonesia is an archipelago that located in the equator. Because Indonesia is

surrounded by oceans, in many areas there is a high potential for rainfall. During
the rainy season, the high rainfall can cause a flood in these areas. Therefore, the
researchers argue that the accuracy in estimating rainfall is important to avoid
material losses and loss of human lives due to the disaster. One of the forecasting
methods that can be used is Autoregressive Integrated Moving Average (ARIMA)
method as used in this research.
The purposes of this research are to obtain the best model rainfall data from
2005 to 2014 and to forecast rainfall in 2015 at Ledok Nongko Rain Post, Turi
District, Special Region of Yogyakarta. The type of research is library research.
There are four steps to forecast using ARIMA method, that are model
identification, parameter stimation, model verification and forecasting. Based on
the steps, researchers concluded that the best ARIMA’s model of rainfall data from
2005 to 2014 at the Ledok Nongko rain post, Turi District, Special Region of
Yogyakarta is MA(14). Graph from actual data an forcasting data is similarities.
The results of forecasting in 2015 are the highest rainfall will occur on August with
an estimate of 240 milimeters and on march, September, October, November and
December, data forecasting show that there is no rain. The average rainfall in 2015
at Ledok Nongko post rain, Turi District, Special Region of Yogyakarta is 84,25
milimeters.
Keywords: Rainfall data, ARIMA, Time Series
xviii
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Indonesia merupakan negara kepulauan yang terletak di daerah
khatulistiwa. Karena Indonesia dikelilingi oleh lautan maka di banyak daerah
memiliki potensi curah hujan yang tinggi. Ketika musim hujan, curah hujan
yang tinggi tersebut mengakibatkan bencana banjir pada daerah-daerah
tersebut. Oleh karena itu, peneliti berpendapat bahwa ketepatan dalam
memperkirakan curah hujan menjadi sesuatu yang penting untuk menghindari
kerugian material maupun hilangnya jiwa manusia akibat bencana tersebut.
Curah hujan merupakan jumlah air yang jatuh ke permukaan bumi
secara horisontal yang diukur dengan satuan tinggi milimeter (𝑚𝑚). Curah
hujan satu milimeter adalah banyaknya air hujan yang tertampung dalam suatu
tempat yang datar dengan luasan 1 meter persegi dan setinggi satu milimeter.
Curah hujan juga diartikan sebagai ketinggian air hujan yang terkumpul pada
tempat yang datar yang dihitung di saat air hujan tidak menguap, tidak meresap
dan tidak mengalir. Salah satu aspek yang mempengaruhi curah hujan adalah
ketinggian daerah. Karena Indonesia memiliki ketinggian daerah yang
berbeda-beda, maka bervariasi pulalah angka curah hujan di Indonesia.
Selain dipengaruhi oleh ketinggian lokasi, aspek lain yang kini
mempengaruhi curah hujan adalah pemanasan global. Pemanasan global
menjadi penyebab kacaunya periode musim hujan dan musim kemarau. Hal ini
1
berakibat pada sulitnya memprediksi kapan dimulainya musim hujan dan
musim kemarau. Hal itu berakibat langsung pada sistem pola tanam dan
produksi pertanian serta persediaan pangan. Data curah hujan termasuk dalam
kategori data runtun waktu. Data runtun waktu merupakan barisan data hasil
observasi yang dilakukan pada waktu tertentu. Curah hujan masuk ke dalam
data runtun waktu karena data curah hujan merupakan data yang dapat
diobservasi dan observasi tersebut dapat dilakukan pada waktu-waktu tertentu.
Penelitian ini dilakukan di Pos Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta. Kecamatan Turi di Daerah Istimewa Yogyakarta
merupakan daerah yang memiliki potensi unggulan dalam komoditi pertanian
salak pondoh. Waktu tanam bibit salak pondoh adalah pada awal musim
penghujan. Para petani salak di Kecamatan Turi, Daerah Istimewa Yogyakarta
seringkali mengalami gagal panen akibat hujan, seperti contohnya pada berita
di antaranews.com hari Jumat tanggal 21 Juni 2013, petani salak di daerah Turi
mengalami gagal panen akibat guyuran hujan dengan intensitas tinggi dalam
beberapa waktu yang menyebabkan proses penyerbukan tidak optimal. Oleh
sebab itu, peneliti memandang perlu adanya metode matematika untuk
mengantisipasi terjadinya kejadian-kejadian alam yang ekstrim. Peneliti
merasa perlu adanya metode matematika untuk melakukan analisis frekuensi
curah hujan.
Untuk melalukan peramalan curah hujan, peneliti menggunakan
metode Autoregressive Integrated Moving Average (ARIMA) Box-Jenkins.
Metode ARIMA Box-Jenkins banyak digunakan dalam peramalan-peramalan

karena ARIMA memiliki sifat yang fleksibel (mengikuti pola data), memiliki
tingkat akurasi peramalan yang cukup tinggi dan cocok digunakan untuk
meramal sejumlah variabel dengan cepat, sederhana, akurat karena hanya
memerlukan data historis untuk melakukan peramalannya. Peramalan dalam
penelitian ini juga dibantu oleh software EViews 10. EViews merupakan
program berbasis Windows yang dapat digunakan untuk ekonometrika data
runtun waktu atau data time series, membuat model peramalan, statistik
inferensial yang sederhana, analisis deskriptif bahkan analisis multivariat.
Penelitian ini akan membuat model untuk peramalan curah hujan tahun
2015 berdasarkan data curah hujan tahun 2005 sampai dengan 2014 dari Pos
Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta dengan
menggunakan software EViews 10.
B. Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, masalah-masalah yang
akan dibahas dalam penelitian ini adalah sebagai berikut:
1. Bagaimana model ARIMA terbaik yang dibentuk dari data curah hujan dari
tahun 2005-2014 di Pos Hujan Ledok Nongko, Kecamatan Turi, Sleman,
Daerah Istimewa Yogyakarta?
2. Bagaimana prediksi curah hujan pada tahun 2015 di Pos Hujan Ledok
Nongko, Kecamatan Turi, Sleman, Daerah Istimewa Yogyakarta?

C. Pembatasan Masalah
Masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut:
1. Model ARIMA yang digunakan adalah model Box-Jenkins dengan
2. Model ARIMA hanya digunakan untuk memprediksi curah hujan di Pos
Hujan Ledok Nongko, Kecamatan Turi, Sleman, Daerah Istimewa
Yogyakarta pada tahun 2015.
D. Tujuan Penelitian
Tujuan yang ingin dicapai oleh peneliti adalah untuk:
1. Mendapatkan model ARIMA terbaik yang dibentuk dari data curah hujan
dari tahun 2005-2014 di Pos Hujan Ledok Nongko, Kecamatan Turi,
Sleman, Daerah Istimewa Yogyakarta.
2. Memprediksi curah hujan pada tahun 2015 di Pos Hujan Ledok Nongko,
Kecamatan Turi, Sleman, Daerah Istimewa Yogyakarta.
E. Manfaat Penelitian
Manfaat dari penelitian tugas akhir ini adalah sebgai berikut:
Informasi prediksi curah hujan sangat bermanfaat dalam berbagai bidang,
misal bidang perhubungan. Informasi mengenai curah hujan dapat membantu
pilot untuk mengambil tindakan selama proses penerbangan. Bidang lainnya
adalah bidang pertanian, agar para petani dapat memprediksi pola tanam.
F. Jenis Penelitian
Jenis penelitian yang digunakan peneliti dalam penyusunan tugas akhir
yaitu studi pustaka. Studi pustaka yaitu jenis penelitian dengan mempelajari
buku atau jurnal ilmiah yang membahas mengenai topik tertentu. Penelitian ini
menggunakan jenis penelitian studi pustaka dengan mempelajari buku dan
jurnal ilmiah yang membahas mengenai curah hujan dan metode ARIMA Box-
Jenkins serta pengaplikasiannya menggunakan software EViews 10.
G. Sistematika Penelitian
Skripsi ini terdiri atas lima bab. Bab I merupakan pendahuluan yang
membahas latar belakang, rumusan masalah, tujuan dan manfaat penelitian
serta jenis penelitian. Pada bab II, didiskusikan konsep-konsep dasar yang
dipakai dalam penelitian ini, yaitu tentanng curah hujan, data runtun waktu,
analisis data runtun waktu, dan metode Autoregressive Integrated Moving
Average (ARIMA) serta tahap-tahapnya. Pada bab III, peneliti membicarakan
objek, metode, dan desain penelitian serta teknik pengolahan data, waktu dan
tempat penelitian. Pada akhir bab ini, peneliti mendiskusikan teknik analisis
data metode ARIMA dengan menggunakan software EViews 10. Bab IV
mendeskripsikan hasil penelitian. Akhirnya, kesimpulan penelitian dan saran
untuk penelitian berikutnya dituliskan dalam bab V.

BAB II
LANDASAN TEORI
A. Konsep Hujan
1. Pengertian Curah Hujan
Hujan adalah peristiwa jatuhnya butiran-butiran air dalam bentuk
cair atau padat menuju bumi (Hestiyanto, 2006). Banyak sedikitnya hujan
yang turun ke bumi disebut curah hujan dan dihitung dengan mengukur air
yang ditampung pada sebuah permukaan yang datar seluas satu meter
persegi. Dengan demikian curah hujan satu milimeter (1 𝑚𝑚) adalah
banyaknya air hujan yang tertampung dalam suatu tempat yang datar
dengan luasan 1 meter persegi (1𝑚2) setinggi satu milimeter. Dalam
pengukuran curah hujan, diasumsikan bahwa air hujan yang terkumpul
pada tempat yang datar tersebut tidak menguap, tidak meresap, dan tidak
mengalir.
Besarnya curah hujan dipengaruhi oleh beberapa faktor, misalnya
arus udara, besar kecilnya perairan atau daratan, intensitas panas matahari,
ketinggian tempat, dan pengaruh polusi asap pabrik serta kendaraan
bermotor. Semakin tinggi suatu tempat, misalnya, maka kuantitas hujan
pun akan semakin rendah karena suhu yang rendah akan mengurangi
penguapan di tempat tersebut. Karena Indonesia memiliki ketinggian
daerah yang berbeda-beda, maka bervariasi pulalah curah hujan di
Indonesia.
6
2. Pola Curah Hujan di Indonesia
Berdasarkan faktor-faktor yang menentukan curah hujan, maka
curah hujan di Indonesia dapat dibedakan menjadi tiga pola (Hestiyanto,
2006) yaitu Pola Ekuatorial, Pola Monsoon dan Pola Lokal.
a. Pola Ekuatorial ialah pola hujan yang terjadi di sekitar khatulistiwa.
Pola ekuatorial dicirikan oleh tipe curah hujan dengan bentuk
bimodial (dua puncak hujan) yang biasanya terjadi sekitar bulan Maret
dan Oktober atau pada saat terjadi ekinoks yaitu saat posisi matahari
berada di ekuator. Pola ini ditemukan di daerah Nangroe Aceh
Darussalam (NAD), Sumatera Utara, Sumatera Barat, Riau, Jambi,
Sumatera Selatan, Bengkulu, Kalimantan Barat dan Kalimantan
Tengah.
Gambar 2.1 Pola Curah Hujan Ekuatorial

(https://1.bp.blogspot.com/_SJHzAop4PKs/TEBvA05HkCI/A
AAAAAAAA0Y/_futhEswmHU/s1600/equatorial+type.jpg)
b. Pola Monsoon ialah pola hujan yang ditentukan oleh monsoon barat
dan monsoon timur. Tipe curah hujan ini bersifat unimodial atau satu
puncak musim hujan yang terjadi karena monsoon barat. Monsoon

barat mengakibatkan musim hujan pada wilayah tersebut sedangkan
monsoon timur mengakibatkan musim kemarau. Pola ini terdapat di
daerah Lampung, Jawa Barat, Jawa Tengah, Daerah Istimewa
Yogyakarta (DIY), Jawa Timur, Bali, Nusa Tenggara Barat (NTB),
Nusa Tenggara Timur (NTT), Kalimantan Selatan dan Sulawesi
Selatan.
Gambar 2.2 Pola Curah Hujan Monsoon

(https://2.bp.blogspot.com/_SJHzAop4PKs/TEBvAhJRiKI/AAA
AAAAAA0Q/pENHZUUxk6Q/s1600/monsoon+type.jpg)
c. Pola Lokal ialah pola hujan yang wilayahnya memiliki distribusi
hujan bulanan kebalikan dengan pola monsoon. Pola lokal dicirikan
oleh bentuk pola hujan unimodial (satu puncak hujan) tetapi
bentuknya berlawanan dengan tipe hujan monsoon. Pola ini terdapat
di daerah Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah,
Sulawesi Tenggara, Maluku dan Papua.

Gambar 2.3 Pola Curah Hujan Lokal

(https://3.bp.blogspot.com/_SJHzAop4PKs/TEBvAAD8vGI/AAA
AAAAAA0I/ZgKK8FHFbsM/s1600/local+type.jpg)
3. Pengaruh Curah Hujan
Karena curah hujan adalah banyaknya hujan yang turun pada suatu
tempat, maka besar kecilnya curah hujan pasti akan berpengaruh pada
tempat tersebut atau sekitarnya. Misalnya, curah hujan yang tinggi di
daerah Bogor akan mengakibatkan banjir di Kota Jakarta. Curah hujan
yang tinggi di daerah Bandung, akan mengakibatkan banjir di Bandung
bagian selatan. Sebaliknya, rendahnya curah hujan pada suatu kawasan
akan mengakibatkan kawasan tersebut mengalami kekeringan.
Tinggi rendahnya curah hujan tidak hanya berpengaruh pada
sedikit atau banyaknya persediaan air di suatu daerah. Curah hujan juga
memiliki pengaruh yang lebih luas. Misalnya, rendahnya curah hujan tidak
hanya mengakibatkan kekeringan, tetapi lebih dari itu, bisa menyebabkan
bencana kebakaran hutan yang memiliki akibat sangat luas. Kekeringan
juga mengakibatkan rendah produk pertanian. Hal yang sama juga berlaku
10
jika curah hujan terlalu tinggi. Bencana alam seperti banjir, longsor, dan
gagal panen juga terjadi karena curah hujan yang terlalu tinggi.
4. Metode Pengukuran Curah Hujan
Alat yang dipergunakan untuk mengukur jumlah curah hujan
disebut pluviometer atau penakar hujan (rain gauge). Beberapa jenis satu
alat penakar hujan diperlihatkan dalam gambar 2.4. Seperti telah dibahas
di depan, angka-angka pada penakar hujan tersebut menunjukkan
ketinggian curah hujan dalam milimeter, yang berarti ketinggian air hujan
yang tertampung pada bidang datar 1 meter persegi dengan tinggi 1
milimeter.
Gambar 2.4 Pluviometer Standar

(https://id.wikipedia.org/wiki/Pluviometer)
Pengukuran curah hujan biasanya dilakukan pada pukul 07.00
waktu setempat. Karena dalam pengukuran tidak selalu didapatkan angka
bulat, maka harus dilakukan pembulatan dengan cara pembulatan ke
bawah jika kurang dari 0.5 milimeter dan pembulatan ke atas jika lebih
11
dari atau sama dengan 0.5 milimeter (Tjasyono, 1999). Dengan demikian,
data curah hujan selalu merupakan bilangan bulat. Sebagai ilustrasi, Tabel
2.1 berikut menyajikan curah hujan rerata bulanan di Ledok Nongko
Kecamatan Turi, Sleman, Daerah Istimewa Yogyakarta pada tahun 2014.
Tabel 2.1 Data Curah Hujan di Pos Hujan

Ledok Nongko, Kec. Turi Tahun 2014
Banyaknya Curah
Bulan
Hujan (mm)
Januari 338
Februari 362
Maret 202
April 259
Mei 125
Juni 171
Juli 91
Agustus 3
September 0
Oktober 3
November 448
Desember 190
Jumlah Curah
Hujan 2.192
dalam 1 tahun
B. Runtun Waktu
Dalam pembahasan bagian A telah didiskusikan data curah hujan pada
suatu kawasan. Data pada Tabel 2.1 merupakan himpunan observasi curah
hujan selama tahun 2014 di Pos Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta. Data-data tersebut disebut dengan data runtun

12
waktu (time series). Jadi, runtun waktu didefinisikan sebagai barisan hasil
observasi yang dilakukan pada waktu tertentu (Box, et al., 2016: 1). Semua
bentuk hasil observasi yang dinyatakan sebagai sebuah barisan berdasarkan
urutan waku tertentu bisa dikatakan sebagai data runtun waktu. Menurut Box
et. al., himpunan data tersebut bisa berupa data harian, bulanan, atau tahunan,
misal banyaknya kecelakaan lalu lintas bulanan atau perubahan reaksi kimia
yang diobservasi setiap jam. Data runtun waktu bisa termasuk dalam bidang
ekonomi, bisnis, teknik, ilmu alam (khususnya meteorologi dan geofisika),
juga ilmu-ilmu sosial. Tabel 2.2 berikut menyajikan data penjualan sepeda
motor Honda CBR150R, Yamaha R15, dan Suzuki GSX-R150 di Indonesia
pada tahun 2017.
Tabel 2.2 Data Runtun Waktu Penjualan Sepeda Motor Honda

CBR150R, Yamaha R15, dan Suzuki GSX-R150 di Indonesia Pada
Tahun 2017
Honda CBR 150 Yamaha R15 Suzuki GSX-R150
Jan-17 7.513 2.116 1.552
Feb-17 7.568 2.268 4.128
Mar-17 5.591 1.697 1.954
Apr-17 5.139 5.820 1.633
Mei-17 7.241 8.474 3.897
Jun-17 4.062 2.932 3.779
Jul-17 6.338 4.656 3.622
Agu-17 6.497 5.837 2.371
Sep-17 7.613 6.250 2.317
Okt-17 6.053 5.530 1.497
Nov-17 4.942 2.375 927
Des-17 3.662 2.791 1.323
Jan-18 4.642 5.061 2.330
13
Perlu diperhatikan bahwa tidak semua data hasil observasi bisa
dikategorikan sebagai runtun waktu. Tabel 2.3 berikut, yang merupakan nilai
ulangan sebuah kelas, diurutkan dari nilai tertinggi, bukan merupakan data
runtun waktu.
Tabel 2.3 Nilai Ulangan Matematika

Kelas 8A
Nama Nilai
Akbar 100
Budi 100
Chika 98
Dodi 96
Ema 96
Fani 90
Gita 84
Hana 82
Ian 80
C. Analisis Runtun Waktu
Dalam tabel 2.1 diberikan data curah hujan selama tahun 2014 di Pos
Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta. Data-
data tersebut tidak hanya disimpan sebagai data laporan saja. Data-data tersebut
bisa digunakan untuk memprediksi curah hujan pada waktu-waktu yang akan
datang. Tentu saja, semakin banyak data yang pernah tercatat akan membantu
untuk mendapatkan sebuah model yang baik untuk meramalkan curah hujan.
Proses ini biasa disebut sebagai analisis runtun waktu. Dengan demikian,
analisis runtun waktu, menurut Box et.al (2016), adalah pengolahan data
runtun waktu untuk melakukan prediksi pada waktu yang akan datang. Analisis
14
runtun waktu bisa diaplikasikan pada beberapa bidang, misalnya untuk
meramalkan curah hujan atau meramalkan penjualan sebuah produk.
Peramalan suatu data runtun waktu memiliki empat tipe atau pola yaitu
pola horizontal, pola trend, pola musiman dan pola siklis (Hanke dan Wichren,
2005: 158). Pola horizontal adalah peramalan yang dilakukan pada kejadian
tidak terduga dan bersifat acak tetapi kemunculannya dapat mempengaruhi
fluktuasi data runtun waktu. Selanjutnya, adalah pola trend yang digunakan
dalam peramalan jangka panjang dapat berupa kenaikan maupun penurunan.
Pola musiman adalah peramalan yang dilakukan pada data yang terjadi secara
periodik dalam kurun waktu tahunan, triwulan, kuartalan, bulanan, mingguan
maupun harian. Sedangkan pola siklis merupakan fluktuasi dari data untuk
waktu yang lebih dari satu tahun. Data runtun waktu yang berkaitan dengan
curah hujan termasuk dalam pola periodik.
D. Metode Autoregressive Integrated Moving Average (ARIMA)
Ada beberapa analisis runtun waktu yang dipergunakan untuk
memperkirakan data pada waktu yang akan datang. Pemilihan metode analisis
runtun waktu salah satunya ditentukan oleh pola data (horizontal, trend,
musiman atau siklis). Metode paling sederhana adalah dengan analisis regresi.
Metode analisis regresi biasanya cocok untuk data trend. Namun, metode
tersebut tidak mencukupi untuk analisis data runtun waktu yang kompleks.
Salah satu metode yang banyak dipakai dalam peramalan dikembangkan oleh
15
Box dan Jenkins yang diberi nama metode Autoregressive Integrated Moving
Average (ARIMA).
ARIMA adalah salah satu metode analisis data runtun waktu yang
diperkenalkan pada tahun 1930-1940 oleh insinyur mesin Norbert Wiener
(Nau, 2014). Pada tahun 1970an dua statiskawan George Box dan Gwilym
Jenkins mengembangkan metode tersebut pada bidang bisnis dan ekonomi.
Metode ini sekarang dikenal dengan nama Model Box-Jenkins. Tujuan dari
metode ARIMA adalah menentukan hubungan statistik yang baik antar
variabel yang diramal dengan historis variabel-variabel tersebut. ARIMA
sangat baik untuk peramalan jangka pendek namun kurang baik dalam
peramalan jangka panjang karena biasanya akan cenderung flat
(mendatar/konstan). ARIMA merupakan analisis data dependen karena untuk
melakukan peramalan ARIMA menggunakan data masa lalu (𝑍𝑡−1) dan data
sekarang (𝑍𝑡 ) untuk menghasilkan ramalan jangka pendek yang akurat.
Bentuk umum dari ARIMA adalah ARIMA(p,d,q). Tiga unsur dalam
ARIMA(p,d,q) adalah AR(p), I(d) dan MA(q), dimana p,d,q merupakan
bilangan bulat tidak negatif. Nilai p merupakan derajat autoregresi (lags of the
stationarized series), nilai d merupakan derajat integrasi (series which needs to
be differenced to be made stationary) dan nilai q merupakan kesalahan
perkiraan (lags of the forecast errors). ARIMA(p,d,q) memiliki tiga klasifikasi
model yaitu AR(p), MA(q) dan ARMA(p,q).
Berikut ini merupakan beberapa contoh bentuk khusus dari persamaan
AR(p), MA(q) dan ARMA(p,q):

16
1. Autoregressive Model (AR(p))
𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ⋯ + ∅𝑝 𝑍𝑡−𝑝 + 𝛼𝑡
Keterangan:
𝛼𝑡 = error pada periode 𝑡 − 𝑖, 𝑖 = 1,2,3, … , 𝑞
Bentuk khusus dari persamaan Autoregressive Model (AR(p)), antara lain:
a. Model AR(1): 𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + 𝛼𝑡
b. Model AR(2): 𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + 𝛼𝑡
c. Model AR(3): 𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ∅3 𝑍𝑡−3 + 𝛼𝑡
d. Model AR(4): 𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ∅3 𝑍𝑡−3 + ∅4 𝑍𝑡−4 + 𝛼𝑡
2. Moving Average Model (MA(q))
𝑍𝑡 = 𝜃0 + 𝛼𝑡 − 𝜃1 𝛼𝑡−1 − 𝜃2 𝛼𝑡−2 − ⋯ − 𝜃𝑞 𝛼𝑡−𝑞
Keterangan:
𝜃0 = konstanta model Moving Average Model (MA(q))
𝜃𝑖 = koefisien dari 𝑍𝑡−𝑖 pada Moving Average Model (MA(q))

17
Bentuk khusus dari persamaan Moving Average Model (MA(q)), antara
lain:
a. Model MA(1): 𝑍𝑡 = ∅0 + 𝛼𝑡 − ∅1 𝛼𝑡−1
b. Model MA(2): 𝑍𝑡 = ∅0 + 𝛼𝑡 − ∅1 𝛼𝑡−1 − 𝜃2 𝛼𝑡−2
c. Model MA(3): 𝑍𝑡 = ∅0 + 𝛼𝑡 − ∅1 𝛼𝑡−1 − 𝜃2 𝛼𝑡−2 − 𝜃3 𝛼𝑡−3
d. Model MA(4): 𝑍𝑡 = ∅0 + 𝛼𝑡 − ∅1 𝛼𝑡−1 − 𝜃2 𝛼𝑡−2 − 𝜃3 𝛼𝑡−3 − 𝜃4 𝛼𝑡−4
3. Autoregressive Moving Average (ARMA(p,q))
𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + … + ∅𝑝 𝑍𝑡−𝑝 + 𝛼𝑡 − 𝜃1 𝛼𝑡−1 − ⋯ − 𝜃𝑞 𝛼𝑡−𝑞
Keterangan:
Bentuk khusus dari persamaan Moving Average Model (MA(q)), antara
lain Model ARMA(1,1): 𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + 𝛼𝑡 − ∅1 𝛼𝑡−1
E. Tahap-Tahap Peramalan ARIMA
Jika digambarkan dengan sebuah gambar secara sederhana, maka
tahap-tahap peramalan ARIMA diperlihatkan pada Gambar 2.5 di bawah ini.

18
Ada Model Yang Memenuhi Tidak Ada Model Yang Memenuhi
Gambar 2.5. Algoritma Analisis Runtun Waktu
Adapun penjelasan dari masing-masing tahap adalah sebagai berikut.
1. Identifikasi Model
Pada tahap identifikasi model, ada dua uji yang dilakukan yaitu uji
stasionaritas dan uji korelasi. Data dikatakan stasioner jika fluktuasi data
berada di sekitar rata-rata nilai yang konstan dan variansi data dari waktu
ke waktu mempunyai fluktuasi yang tetap atau konstan. Stasioner atau
tidaknya data dapat dilihat dengan grafik yang terbentuk. Namun, untuk
19
lebih pastinya ada beberapa cara yang dapat dilakukan antara lain dengan
menggunakan ADF (Augmented Dickey-Fuller), PP (Philips-Perron) dan
KPSS (Kwiatkowski-Philips-Schmidt-Shin).
a. ADF (Augmented Dickey-Fuller)
ADF adalah pengembangan versi pengujian Dickey-Fuller. Uji ini
dilakukan dengan menggunakan persamaan sebagai berikut (Enders,
1995):
𝑛
∆𝑍𝑡 = 𝛼0 + 𝛼1 𝑍𝑡−1 + ∑ 𝛼𝑖 ∆𝑍𝑡−1 + 𝜀𝑡

𝑖=1
Keterangan:
𝛼𝑖 = parameter (𝑖 = 1,2,3, … , 𝑛)
𝑡 = waktu trend variabel
𝜀 = galat (error)
Langkah-langkah hipotesis dengan menggunakan uji ADF
(Augmented Dickey-Fuller) adalah sebagai berikut:
a) Menentukan 𝐻0 dan 𝐻𝑎
𝐻0 = Data Unit Root Test (data tidak stasioner)
𝐻𝑎 = Data tidak Unit Root Test (data stasioner)
b) Menentukan tingkat signifikansi (𝛼)
𝛼 = 0,05
c) Menentukan nilai statistik uji
Nilai |𝐴𝐷𝐹| dan nilai |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|
d) Menentukan Wilayah Kritis

20
|𝐴𝐷𝐹| < |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|
e) Menghitung nilai statistik uji
f) Kesimpulan
b. PP (Philips-Perron)
Pengujian ini diperkenalkan oleh Philips dan Perron dengan membuat
beberapa modifikasi pada t-statistic dan Dickey-Fuller.
Persamaannya adalah (Enders, 1995):
∆𝑍𝑡 = 𝛼0 + 𝛼1 𝑍𝑡−1 + 𝜀𝑡
Keterangan:
𝛼0 , 𝛼1 = parameter
𝑡 = waktu trend variabel
𝜀 = galat (error)
Langkah-langkah hipotesis dengan menggunakan uji PP (Philips-
Perron) adalah sebagai berikut:
𝛼 = 0,05
c) Menentukan nilai statistik uji
Nilai |𝑃𝑃| dan nilai |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|

21
|𝑃𝑃| < |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|
e) Menghitung nilai statistik uji
f) Kesimpulan
c. KPSS (Kwiatkowski-Philips-Schmidt-Shin)
KPSS juga dapat digunakan untuk menguji stasioner atau
nonstasioner data, dengan persamaan (Pani, 2010):
𝑍𝑡 = 𝛼0 + 𝜀𝑡
Keterangan:
𝛼0 = parameter
𝑡 = waktu tren variabel
𝜀 = galat
Langkah-langkah hipotesis dengan menggunakan uji KPSS
(Kwiatkowski-Philips-Schmidt-Shin) adalah sebagai berikut:
1) Menentukan 𝐻0 dan 𝐻𝑎
2) Menentukan tingkat signifikansi (𝛼)
𝛼 = 0,05
3) Menentukan nilai statistik uji
Nilai |𝐾𝑃𝑆𝑆| dan nilai |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|
4) Menentukan Wilayah Kritis
|𝐾𝑃𝑆𝑆| > |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|

22
5) Menghitung nilai statistik uji
6) Kesimpulan
Jika uji stasionaritas menemukan bahwa data belum stasioner,
maka harus dilakukan differencing. Differencing merupakan transformasi
data dimana data sekarang (𝑍𝑡 ) dikurangi dengan data sebelumnya (𝑍𝑡−1 )
sehingga mendapatkan data yang baru. Jika data yang baru sudah stasioner
maka diperoleh d=1 yang artinya untuk memperoleh data yang stasioner
diperlukan satu differencing. Jika pada differencing pertama data belum
stasioner, maka perlu dilakukan differencing kedua (d=2), ketiga dan
seterusnya hingga data menjadi stasioner. Jika data sudah stasioner tanpa
differencing maka nilai d=0. Banyaknya differencing pada uji
stasioneritas ini nantinya akan berpengaruh pada I(d) di ARIMA(p,d,q).
Jika data sudah stasioner, maka selanjutnya akan dilakukan uji
korelasi. Uji Korelasi dilakukan dengan cara menentukan ACF dan PACF
seperti berikut.
a. Auto Correlation Function (ACF)
ACF atau korelasi antara 𝑍𝑡 dan 𝑍𝑡−𝑘 dinotasikan dengan 𝑟𝑘 . Secara
matematis sebagai berikut (Cryer, 2008):
∑𝑛𝑡=𝑘+1(𝑍𝑡 − 𝑍̅)(𝑍𝑡−𝑘 − 𝑍̅)

𝑟𝑘 =
∑𝑛𝑡=1(𝑍𝑡 − 𝑍̅)2
23
b. Partial Auto Correlation Function (PACF)
PACF dinotasikan dengan {∅𝑘𝑘 ; 𝑘 = 1,2,3, … } yaitu himpunan
autokorelasi parsial untuk berbagai lag-k yang secara matematis dapat
dituliskan sebagai berikut:
𝑟𝑘 −∑𝑘−1
𝑗=1 ∅𝑘−1,𝑗 𝑟𝑘−𝑗
∅𝑘𝑘 =
1−∑𝑘−1
𝑗=1 ∅𝑘−1,𝑗 𝑟𝑗
dan,
∅𝑘𝑗 = ∅𝑘−1,𝑗 − ∅𝑘𝑘 ∅𝑘−1,𝑘−𝑗 untuk 𝑗 = 1,2, … , 𝑘 − 1
Jika sudah ditentukan nilai ACF dan PACFnya maka maka
langkah-langkah selanjutnya adalah menetapkan kandidat model AR, MA,
ARMATabel 2.4 menunjukkan daerah penerimaan dan estimasi awal
beberapa proses menurut Soejoeti(1987: 5), yaitu:
Tabel 2.4 Daerah Penerimaan dan Estimasi Awal Beberapa Proses
Proses ACF PACF
AR(1) −1 < 𝑟1 < 1 ∅0 = 𝑟1

11 11111 1
∅10 =
11111
−1 < 𝑟1 < 1
AR(2) 1 11 1111
111 < (𝑟2 + 1) ∅20 =
1 11111
̅̅̅̅̅̅̅̅̅1
1111111 1
∅0 =
MA(1) −0,5 < 𝑟1 < 0,5 111
11
∅0 =
ARMA(1,1) 2𝑟1 |𝑟1 | < 𝑟2 < |𝑟1 | 11
24
11√11 11
∅0 = dengan
1
𝑏 = 1 − 2𝑟2 + ∅11
dan tandanya dipilih
untuk menjamin
|∅0 | < 1
Model AR(p), MA(q) dan ARMA(p,q) memiliki persamaan umum
sebagai berikut:
a. Model Autoregressive atau AR(p)
AR(p) adalah model linear yang paling dasar untuk proses yang
stasioner. Persamaan umum AR(p) adalah sebagai berikut:
𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ⋯ + ∅𝑝 𝑍𝑡−𝑝 + 𝛼𝑡
Keterangan:
𝛼𝑡 = error pada periode 𝑡 , 𝑡 = 1,2,3, … , 𝑛
b. Persamaan umum MA(q) adalah sebagai berikut:

𝑍𝑡 = 𝜃0 + 𝛼𝑡 − 𝜃1 𝛼𝑡−1 − 𝜃2 𝛼𝑡−2 − ⋯ − 𝜃𝑞 𝛼𝑡−𝑞
Keterangan:

25
𝜃0 = konstanta model Moving Average (MA)
c. Model Autoregressive Moving Average atau ARMA(𝑝, 𝑞)
Model ini merupakan gabungan dari AR(p) dan MA(q). Bentuk umum
dari model ARMA(𝑝, 𝑞) adalah sebagai berikut:
𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + … + ∅𝑝 𝑍𝑡−𝑝 + 𝛼𝑡 − 𝜃1 𝛼𝑡−1 − ⋯ − 𝜃𝑞 𝛼𝑡−𝑞
Keterangan:
Jika untuk menstasionerkan data diperlukan differencing maka
model yang dipakai adalah ARIMA (p,d,q) dengan persamaan sebagai
berikut:
𝑍𝑡 = ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ⋯ + ∅𝑝 𝑍𝑡−𝑝 + 𝛼𝑡 + 𝜃1 𝛼𝑡−1 + ⋯
+ 𝜃𝑞 𝛼𝑞−1
Keterangan:

26
2. Estimasi Parameter
Setelah identifikasi model, langkah selanjutnya yang dilakukan
adalah mengestimasi parameter atau taksiran model. Pada langkah ini akan
dipilih model yang terbaik atau paling efisien untuk parameter-parameter
dalam model. Model yang terbaik adalah model yang memiliki jumlah
kuadrat kekeliruan (error) minimum. Setelah itu, asil estimasi diuji apakah
signifikan atau belum dengan membandingkan p-value dengan 𝛼.
Jumlah kuadrat kekeliruan (error) persamaan time series analog
persamaan jumlah kuadrat error pada regresi linear sederhana (Sembiring,
2003). Adapun persamaan regresi sederhana adalah sebagai berikut:
𝑦̂𝑖 = 𝛼 + 𝛽𝑥𝑖 ; 𝑖 = 1,2,3, … , 𝑛
Sedangkan persamaan jumlah kuadrat error regresi linear
sederhana adalah sebagai berikut:
𝑛 𝑛
𝐽 = ∑ 𝑒𝑖 2 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2 ; 𝑖 = 1,2,3, … , 𝑛

𝑖=1 𝑖=1
27
Sedangkan persamaan jumlah kuadrat error time series adalah
sebagai berikut:
𝑍̂𝑡 = ∅0 + ∅1 𝑍𝑡−1
Jika pada persamaan regresi sederhana 𝑥𝑖 diganti dengan 𝑍𝑡−1, 𝛽
diganti dengan ∅1 , 𝑦𝑖 diganti dengan 𝑍𝑡 dan 𝛼 diganti dengan ∅0 , maka
persamaan menjadi:
𝑍̂𝑡 = ∅0 + ∅1 𝑍𝑡−1 ; 𝑡 = 1,2,3, … , 𝑛
Kemudian jika pada persamaan jumlah kuadrat error regresi linear
sederhana 𝑦𝑖 diganti dengan 𝑍𝑡 dan 𝑒𝑖 diganti dengan 𝛼𝑡 , maka persamaan
menjadi:
𝑛 𝑛
𝐽 = ∑ 𝛼𝑡 2 = ∑(𝑍𝑡 − 𝑍̂𝑡 )2 , 𝑡 = 1,2,3, … , 𝑛

𝑡=1 𝑡=1
Dengan mendistribusikan persamaan 𝑍̂𝑡 = ∅0 + ∅1 𝑍𝑡−1 ke
persamaan 𝐽 = ∑𝑛𝑡=1 𝛼𝑡 2 = ∑𝑛𝑡=1(𝑍𝑡 − 𝑍̂𝑡 )2, maka persamaan baru yang
diperoleh adalah:
𝑛 𝑛
𝐽 = ∑ 𝛼𝑡 = ∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 )2
2
𝑡=1 𝑡=1
Meminimumkan kuadrat error berarti menurunkan ∅0 dan ∅1 pada
persamaan.
a. Menurunkan ∅0
𝜕𝐽
=0
𝜕∅0
𝑛
𝜕
∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 )2 = 0
𝜕∅0
𝑡=1
28
2 ∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 )(−1) = 0

𝑡=1
−2 ∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 ) = 0
𝑡=1
∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 ) = 0
𝑡=1
𝑛 𝑛 𝑛
∑ 𝑍𝑡 − ∑ ∅0 − ∅1 ∑ 𝑍𝑡−1 = 0
𝑡=1 𝑡=1 𝑡=1
𝑛 𝑛
∑ 𝑍𝑡 − 𝑛∅0 − ∅1 ∑ 𝑍𝑡−1 = 0
𝑡=1 𝑡=1
𝑛 𝑛
𝑛∅0 = ∑ 𝑍𝑡 − ∅1 ∑ 𝑍𝑡−1
𝑡=1 𝑡=1
∑𝑛𝑡=1 𝑍𝑡 − ∅1 ∑𝑛𝑡=1 𝑍𝑡−1

∅0 =
𝑛
∅0 = 𝑍̅𝑡 − ∅1 𝑍𝑡−1
̅
b. Menurunkan ∅1
𝜕𝐽
=0
𝜕∅1
𝑛
𝜕
∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 )2 = 0
𝜕∅1
𝑡=1
2 ∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 )(−𝑍𝑡−1 ) = 0

𝑡=1
−2 ∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 )(𝑍𝑡−1 ) = 0

𝑡=1
29
∑(𝑍𝑡 − ∅0 − ∅1 𝑍𝑡−1 )(𝑍𝑡−1 ) = 0

𝑡=1
∑(𝑍𝑡 𝑍𝑡−1 − ∅0 𝑍𝑡−1 − ∅1 𝑍𝑡−1 2 ) = 0

𝑡=1
𝑛 𝑛 𝑛
∑ 𝑍𝑡 𝑍𝑡−1 − ∅0 ∑ 𝑍𝑡−1 − ∅1 ∑ 𝑍𝑡−1 2 = 0

𝑡=1 𝑡=1 𝑡=1
𝑛 𝑛 𝑛
∑𝑛𝑡=1 𝑍𝑡 − ∅1 ∑𝑛𝑡=1 𝑍𝑡−1
∑ 𝑍𝑡 𝑍𝑡−1 − ( ) ∑ 𝑍𝑡−1 − ∅1 ∑ 𝑍𝑡−1 2 = 0
𝑛
𝑡=1 𝑡=1 𝑡=1
𝑛 𝑛 𝑛 𝑛
∑𝑛𝑡=1 𝑍𝑡 ∑𝑛𝑡=1 𝑍𝑡−1
∑ 𝑍𝑡 𝑍𝑡−1 − ( ∑ 𝑍𝑡−1 − ∅1 ∑ 𝑍𝑡−1 ) − ∅1 ∑ 𝑍𝑡−1 2 = 0
𝑛 𝑛
𝑡=1 𝑡=1 𝑡=1 𝑡=1
𝑛 𝑛
∑𝑛𝑡=1 𝑍𝑡 ∑𝑛𝑡=1 𝑍𝑡−1 ∑𝑛𝑡=1 𝑍𝑡−1 ∑𝑛𝑡=1 𝑍𝑡−1
∑ 𝑍𝑡 𝑍𝑡−1 − + ∅1 − ∅1 ∑ 𝑍𝑡−1 2 = 0
𝑛 𝑛
𝑡=1 𝑡=1
𝑛 𝑛
∑𝑛𝑡=1 𝑍𝑡−1 ∑𝑛𝑡=1 𝑍𝑡−1 2 ∑𝑛𝑡=1 𝑍𝑡 ∑𝑛𝑡=1 𝑍𝑡−1
∅1 − ∅1 ∑ 𝑍𝑡−1 = − ∑ 𝑍𝑡 𝑍𝑡−1 +
𝑛 𝑛
𝑡=1 𝑡=1
𝑛 𝑛
∑𝑛𝑡=1 𝑍𝑡−1 ∑𝑛𝑡=1 𝑍𝑡−1 ∑𝑛𝑡=1 𝑍𝑡 ∑𝑛𝑡=1 𝑍𝑡−1
∅1 ( − ∑ 𝑍𝑡−1 2 ) = − ∑ 𝑍𝑡 𝑍𝑡−1 +
𝑛 𝑛
𝑡=1 𝑡=1
∑𝑛𝑡=1 𝑍𝑡 ∑𝑛𝑡=1 𝑍𝑡−1

− ∑𝑛𝑡=1 𝑍𝑡 𝑍𝑡−1 +
∅1 = 𝑛 𝑛
𝑛
∑𝑡=1 𝑍𝑡−1 ∑𝑡=1 𝑍𝑡−1
𝑛 − ∑𝑛𝑡=1 𝑍𝑡−1 2
Pada tahap ini, nilai koefisien-koefisien pada masing-masing
model yang diduga menjadi model terbaik akan diuji signifikasinya
dengan langkah-langkah hipotesis sebagai berikut:
30
𝐻0 = parameter tidak signifikan
𝐻𝑎 = parameter signifikan
𝛼 = 0,05
3) Menentukan nilai P-value
𝑃 − 𝑉𝑎𝑙𝑢𝑒 < 𝛼
5) Kesimpulan
Jika 𝑃 − 𝑉𝑎𝑙𝑢𝑒 < 𝛼 maka 𝐻0 ditolak, yang artinya parameter
signifikan.
3. Verifikasi Model
Pada tahap verifikasi model dilakukan dua uji yaitu uji
independensi residual dan uji kenormalan residual.
a. Uji Independensi Residual
Uji ini dilakukan untuk mendeteksi independensi antar residual.
Dapat dilihat dari ACF dan PACF residual. Independensi residual
dapat juga dilihat pada kerandoman residual. Kerandoman residual
dapat diuji dengan uji statistik seperti di bawah ini.

𝑚
𝑟𝑘 2 (𝑒)
𝑄 = 𝑛(𝑛 + 2) ∑
𝑛−𝑘
𝑛=1
Langkah-langkah uji hipotesis pada independensi residual adalah
sebagai berikut:
31
𝐻0 = residual adalah acak
𝐻𝑎 = residual tidak acak
𝛼 = 0,05
3) Menentukan nilai P-value
𝑃 − 𝑉𝑎𝑙𝑢𝑒 < 𝛼
5) Kesimpulan
Jika 𝑃 − 𝑉𝑎𝑙𝑢𝑒 < 𝛼 maka 𝐻0 ditolak, yang artinya residual acak.
b. Uji Kenormalan Residual
Hal ini dilakukan dengan cara melihat nilai MSE (Mean Squared
Error) dari model lain yang memiliki kemungkinan cocok dengan
data. Jika nilai MSE (Mean Squared Error) hampir sama maka pilih
model yang paling sederhana (prinsip parsimony). Tetapi, jika terjadi
perbedaan yang cukup besar, maka dipilih model dengan MSE (Mean
Squared Error) yang terkecil. Adapun rumus MSE (Mean Squared
Error) adalah sebagai berikut:
∑(𝑍𝑡 − 𝑍̂𝑡 )2
𝑀𝑆𝐸 =
𝑛
32
4. Peramalan atau forecasting
Peramalan atau forecasting adalah perkiraan yang akan terjadi pada
waktu yang akan datang. Peramalan atau forecasting merupakan salah satu
unsur yang sangat penting dalam mengambil keputusan sebab efektif tidaknya
suatu keputusan juga didasarkan pada peramalan. Pada peralaman ada dua jenis
data yaitu data training dan data testing. Data training yaitu peramalan dengan
menggunakan data aktual. Sedangkan, data testing yaitu peramalan yang tidak
menggunakan data aktual tetapi menggunakan data training untuk melakukan
peralaman. Kedua jenis data ini nantinya akan digunakan dalam peramalan atau
forecasting. Algoritma tahap-tahap peramalan ARIMA disajikan pada Gambar
2.6.
Gambar 2.6 Algoritma Tahap-Tahap Peramalan ARIMA

33
Jika data yang diolah menghasilkan model yang memenuhi semua tahap-tahap
peramalan ARIMA, maka model tersebut merupakan model terbaik.
Selanjutnya adalah melakukan peramalan dengan menggunakan persamaan
umum model terbaik yang disesuaikan dengan nilai p,d atau q.
F. Penelitian yang Sejenis
Beberapa penelitian yang relevan dengan penelitian ini adalah sebagai berikut:
1. Penelitian dengan judul “Verifikasi Model ARIMA Musiman
Menggunakan Peta Kendali Moving Range (Studi Kasus: Kecepatan Rata-
Rata Angin di BMKG Stasiun Meteorologi Maritim Semarang” oleh Kiki
Febri Azriati, Abdul Hoyyi dan Moch. Abdul Mukid. Dalam penelitian ini,
Azriati, Hoyyi dan Mukid menentukan model ARIMA musiman yang dapat
digunakan untuk peramalan kecepatan rata-rata angin di wilayah Pelabuhan
Tanjung Mas Semarang pada tahun 2014. Mereka menggunakan data rata-
rata kecepatan angin di wilayah tersebut mulai bulan Januari 2008 sampai
dengan bulan Desember 2013.
2. Penelitian yang berjudul “Penggunaan Metode ARIMA dalam Meramal
Pergerakan Inflasi” oleh Hartati tahun 2017. Dalam penelitian ini, Hartati
menggunakan metode Autoregressive Integrated Moving Average
(ARIMA) untuk mendapatkan model peramalan terhadap inflasi di
Indonesia. Data yang digunakan adalah data inflasi dari bulan Februari 2011
sampai dengan Februari 2016.
3. Penelitian dengan judul “Model Autoregrresive Moving Average (ARMA)
untuk Prediksi Curah Hujan di Kabupaten Semarang-Jawa Tengah-

34
Indonesia” oleh Adi Nugroho dan Bistok Hasiholan Simanjuntak
menggunakan data curah hujan di Kabupaten Semarang mulai Januari 2002
hingga Desember 2013, Nugroho dan Simanjuntak menentukan model
ARIMA (6,0,3) untuk memprediksi curah hujan tahun 2014.

BAB III
METODE KEGIATAN
A. Objek Penelitian
Data yang digunakan dalam penelitian ini adalah data curah hujan di
Pos Hujan Ledok Nongko Kecamatan Turi di kota Daerah Istimewa
Yogyakarta pada tahun 2005-2014. Dari data tersebut akan dibuat peramalan
data curah hujan di Pos Hujan Ledok Nongko Kecamatan Turi di kota Daerah
Istimewa Yogyakarta pada tahun 2015.
B. Metode dan Desain Penelitian
Metode dan desain penelitian yang digunakan dalam penelitian ini
adalah metode literatur. Metode literatur yaitu metode penelitian yang
informasi-informasi untuk penelitian tersebut diperoleh dari membaca buku,
referensi, jurnal ilmiah dan berbagai sumber ilmiah lainnya. Informasi-
informasi tersebut digunakan untuk memberikan landasan teoritis dan mencari
pemecahan dari berbagai permasalahan yang diajukan.
C. Teknik Pengumpulan Data
Data yang digunakan dalam penelitian diambil dari database online
Badan Klimatologi, Meteorologi dan Geofisika (BMKG) secara khusus untuk
Pos Hujan di Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta
35
36
tahun 2005-2014. Data tersebut seanjutnya diolah dengan tahap-tahap ARIMA
Box-Jenkins dan menggunakan software EViews 10.
D. Waktu dan Tempat Penelitian
1. Waktu Penelitian
Penelitian ini dilakukan sejak bulan Februari hingga bulan Mei 2019.
Pengambilan data penelitian dilakukan pada bulan Maret 2019.
2. Tempat Penelitian
Data yang digunakan dalam penelitian diambil dari database online
BMKG.
E. Teknik Analisis Data pada Software EViews 10
Data curah hujan yang telah disusun berdasarkan interval waktu,
kemudian dianalisis dengan tahap-tahap sebagai berikut:
1. Identifikasi Model. Pada tahap ini peneliti akan melakukan uji
stasionaritas dan uji korelasi terhadap data yang ada. Pertama-tama, data
dimasukkan ke dalam lembar kerja software EViews 10. Kemudian data
akan dilakukan dua uji, yaitu sebagai berikut:
a. Uji stasionaritas. Uji stasionaritas pada EViews 10 dapat menggunakan
uji Augmented Dickey-Fuller (ADF), uji Philips-Perron (PP), uji
Kwiatkowski-Philips-Schmidt-Shin (KPSS), uji Dickey-Fuller GLS
(ERS), uji Elliot-Rotthenberg-Stock Point-Optimal dan uji Ng-Perron.
Namun, pada penelitian ini digunakan tiga uji yaitu uji Augmented
37
Dickey-Fuller (ADF), uji Philips-Perron (PP) dan uji Kwiatkowski-
Philips-Schmidt-Shin (KPSS) karena tiga uji tersebut merupakan uji
stasioner yang populer digunakan dalam peramalan menggunakan
metode ARIMA. Jika data belum stasioner, maka perlu dilakukan
differencing. EViews 10 dapat melakukan differencing maksimal
sebanyak dua kali. Jika data hasil differencing kedua belum stasioner,
maka sebaiknya dilakukan penggantian data.
b. Uji Korelasi. Jika data sudah stasioner maka dapat dilakukan uji
korelasi. Pada EViews 10, uji korelasi dilaksanakan dengan melihat
pola Autocorrelation Fumction (ACF) dan Partial Autocorrelation
Fumction (PACF) pada lag data. Pola Autocorrelation Fumction
(ACF) dan Partial Autocorrelation Fumction (PACF) pada lag data
inilah yang nantinya akan dipakai sebagai acuan dalam memilih
kandidat model ARIMA terbaik. Model ARIMA dapat berupa AR(p),
MA(q) ataupun ARMA(p,q). Pemilihan model AR(p), MA(q) ataupun
ARMA(p,q) disesuaikan dengan spesifikasi ACF dan PACF yang
terbentuk. Lampiran 5 menunjukkan spesifikasi ACF dan PACF pada
model AR(p), MA(q) dan ARMA(p,q).

38
2. Estimasi Parameter. Pada tahap ini, peneliti akan melakukan uji
signifikansi. Kandidat model ARIMA yang diperoleh pada tahap
identifikasi model akan diuji signifikansinya. Jika model tidak signifikan
maka model tersebut dieleminasi. Model ARIMA yang signifikan akan
diverifikisi pada tahap selanjutnya yaitu tahap verifikasi model. Namun,
jika pada tahap estimasi parameter, tidak ada model yang signifikan, maka
perlu diulangi lagi pada tahap identifikasi model yaitu saat menentukan
kandidat-kandidat model ARIMA. Signifikansi dapat dilihat dari nilai P-
Value dan nilai 𝛼. Jika nilai P-Value kurang dari 𝛼 maka parameter
signifikan. Begitu juga sebaliknya, jika nilai P-Value lebih dari 𝛼 maka
model tidak signifikan.
3. Verifikasi Model. Pada tahap ini, peneliti akan melakukan uji kenormalan
residual dan uji independensi residual. Pada software EViews 10, model
ARIMA dikatakan normal jika histogram yang terbentuk menyerupai
lonceng (kurva normal) dan nilai 𝑃 − 𝑣𝑎𝑙𝑢𝑒 lebih dari 𝛼. Sedangkan untuk
uji independensi residual, model ARIMA dikatakan independen jika garis-
garis Autocorrelation Fumction (ACF) dan Partial Autocorrelation
Fumction (PACF) seluruhnya sudah berada dalam garis Bartlet (garis
putus-putus). Garis Bartlet merupakan garis yang menunjukkan
homogenitas variansi data. Misal, PACF lag data ke-p berada dalam
interval garis Bartlet maka variansi pada lag data tersebut tidak homogen.
39
Sebaliknya, jika PACF lag data ke-p terpotong dengan garis Bartlet maka
variansi pada lag data tersebut homogen, artinya terjadi pola musiman.
4. Peramalan atau forecasting. Pada tahap ini, peneliti akan melakukan
penambahan Range Data, yang mulanya dari tahun 2005 sampai dengan
tahun 2014, menjadi tahun 2005 sampai dengan tahun 2015. Model
ARIMA biasanya bagus untuk peramalan jangka pendek, dalam konteks
ini satu tahun setelah data aktual karena data runtun waktu hasil peramalan
ARIMA bersifat dependen terhadap data runtun waktu sebelumnya.
Maksud dari dependen adalah data ramalan bergantung pada data aktual
sebelumnya.
Berikut adalah tahap-tahap analisis data curah hujan dengan
a. Langkah-langkah input data ke software EViews 10
1) Aktifkan software EViews 10 yang sudah diunduh dan diinstal
sebelumnya.
Gambar 3.1 Ikon Software EViews 10

40
2) Pada kotak dialog EViews 10, klik Create a new EViews
workfile.
Gambar 3.2 Halaman Awal Software EViews 10
3) Kotak dialog Workfile Create akan muncul seperti pada tampilan
berikut.
Gambar 3.3 Workfile Create Software EViews 10
Pada tabel Frequency, kita dapat memilih bentuk waktu yang
sesuai dengan jenis data. Karena data curah hujan dihitung tiap
41
bulannya maka pada tabel Frequency kita pilih Monthly dengan
awal bulan dan tahun data yang diperoleh pada bulan Januari tahun
2005 dan akhir tahun data pada bulan Desember tahun 2014. Maka
pada Start Date kita tulis 2005:01 dan pada End Date kita tulis
2014:12. Kemudian klik OK.
4) Pada Command kita klik “Data” lalu Enter. Kemudian akan
muncul lembar kerja seperti gambar di bawah ini.
Gambar 3.4 Lembar Kerja EViews 10
5) Langkah selanjutnya adalah masukkan data curah hujan yang
sudah kita peroleh.

42
Gambar 3.5 Data Curah Hujan Telah

Dimasukkan dalam Lembar Kerja EViews 10
b. Uji stasionaritas
1) Dengan Grafik
Klik View -> Graph -> Klik OK. Kemudian akan muncul
grafik data curah hujan.
Gambar 3.6 Grafik Data Curah Hujan di Pos Ledok

Nongko Kecamatan Turi, DIY Tahun 2005-2014
43
2) Dengan Augmented Dickey-Fuller (ADF)
a) Klik Workfile UNTITLED
Gambar 3.7 Workfile Untitled
b) Klik data curah_hujan.
Gambar 3.8 Tampilan Lembar Kerja

curah_hujan
c) Klik view -> Unit Root Tests -> Standard Unit Root Test
44
Gambar 3.9 Membuka Lembar Kerja Unit Root Test
d) Kemudian pada kotak dialog Unit Root Test, pilih
Augmented Dickey-Fuller pada Test Type dan pilih Level,
kemudian klik OK.
Gambar 3.10 Kotak Dialog Unit Root Test

45
e) Kemudian akan tampil uji stasioner dengan ADF seperti di
bawah ini.
Gambar 3.11 Tabel Uji Stasionaritas dengan

Uji Augmented Dickey-Fuller (ADF)
3) Dengan Philips-Perron (PP)
a) Klik view -> Unit Root Tests -> Standard Unit Root Test
(Lihat Gambar 3.8)
b) Kemudian pada kotak dialog Unit Root Test, pilih Philips-
Perron pada Test Type dan pilih Level, kemudian klik OK.
(Lihat Gambar 3.9)
c) Kemudian akan muncul uji sasioneritas dengan PP seperti
gambar di bawah ini.

46

Uji Philips-Perron (PP)
4) Dengan Kwiatkowski-Philips-Schmidt-Shin (KPSS)
a) Klik view -> Unit Root Tests -> Standard Unit Root Test.
(Lihat Gambar 3.8)
b) Kemudian pada kotak dialog Unit Root Test, pilih
Kwiatkowski-Philips-Schmidt-Shin pada Test Type dan pilih
Level, kemudian klik OK. (Lihat Gambar 3.9)
c) Kemudian akan muncul Uji stasionaritas dengan KPSS seperti
gambar di bawah ini.

47

Kwiatkowski-Philips-Schmidt-Shin (KPSS)
c. Autocorrelation Fumction (ACF) dan Partial Autocorrelation
Fumction (PACF)
Langkah-langkah untuk menentukan nilai Autocorrelation Fumction
(ACF) dan Partial Autocorrelation Fumction (PACF) data dengan
menggunakan software EViews 10 adalah sebagai berikut:
1) Klik data curah_hujan -> klik view -> klik Correlogram.

48
Gambar 3.14 Membuka Correlogram Specification
2) Kemudian klik Level dan OK
Gambar 3.15 Pilih Level pada Kotak Dialog Correlogram

Specification
49
𝑁
Banyaknya lag data adalah dengan 𝑁 adalah banyaknya data.
4
Banyaknya data pada penelitian ini ada 120 sehingga banyaknya
lag adalah 30.
3) Maka akan muncul ACF dan PACF dari data curah_hujan.
Gambar 3.16 ACF dan PACF pada Correlogram
a. Untuk Model AR(1)
Langkah-langkah estimasi parameter untuk model AR(1) adalah
sebagai berikut:
50
1) Klik Quick -> Estimate Equation, maka muncul tampilan seperti
pada gambar di bawah ini:
Gambar 3.17 Membuka Equation Estimation
2) Kerikkan curah_hujan AR(1) pada Equation Specification
kemudian klik OK.
Gambar 3.18 Kotak Dialog Equation Estimation pada AR(1)
3) Maka akan muncul estimasi parameter seperti gambar di bawah ini.

51
Gambar 3.19 Tabel Estimasi Parameter pada Model AR(1)
Untuk AR(p), cara analog.
b. Untuk Model MA(1)
Langkah-langkah estimasi parameter untuk model MA(1) adalah
sebagai berikur:
1) Klik Quick -> Estimate Equation, maka muncul tampilan seperti
pada Gambar 3.17.
2) Ketikkan curah_hujan MA(1) pada Equation Specification
kemudian klik OK.

52
Gambar 3.20 Kotak Dialog Equation Estimation pada

MA(1)
3) Maka akan muncul estimasi parameter untuk model MA(1) seperti
gambar di bawah ini:
Gambar 3.21 Tabel Estimasi Parameter pada Model MA(1)
Untuk MA(q), cara analog.

53
3. Verifikasi Model
a. Uji Kenormalan Residual
Langkah-langkah uji kenormalan residual adalah dengan klik View -
> Residual Diagnostics -> Histogram Normality Test.
Gambar 3.22 Uji Kenormalan Residual pada Model MA(22)
Gambar 3.23 Uji Kenormalan Residual pada Model MA(14)

54
b. Uji Independensi Residual
Langkah-langkah untuk uji independensi residual adalah dengan klik
View -> Residual Diagnostics -> Correlogram Square Residual
kemudian masukkan lag lalu klik OK.
Gambar 3.24 Tabel Uji Gambar 3.25 Tabel Uji

Independensi Residual pada Independensi Residual pada
Model MA(22) Model MA(14)
Karena model MA(22) dan MA(14) masih memenuhi uji
kenormalan residual dan uji independensi residual, maka langkah
selanjutnya yang dilakukan adalah dengan melihat Akaike Info
Criterion (AIC) dan Schwarz Criterion (SC). AIC dan SC digunakan
untuk melihat error dalam model-model ARIMA. Model terbaik ialah
model ARIMA yang memiliki error terkecil, dengan kata lain memiliki
AIC dan SC yang lebih kecil. Dengan melakukan langkah-langkah yang

55
sama pada tahap estimasi parameter, maka diperoleh Gambar 3.26 dan
Gambar 3.27 sebagai berikut.

56
4. Peramalan atau Forecasting
Langkah-langkah peramalan atau forecasting menggunakan
EViews 10, sebagai berikut:
a. Doube Click pada Range sehingga akan tampil kotak dialog Workfile
Structure dan gantilah End date sesuai dengan penelitian, kemudian
kiik OK.
Gambar 3.28 Kotak Dialog Workfile Structure
b. Selanjutnya, buka hasil estimasi parameter MA(14) kemudian klik
Forecast sehingga muncul kotak dialog Forecast. Pada Method pilih
Static forecast dan pada Output piih Forecast & Actuals. Kemudian
klik OK.
57
Gambar 3.29 Kotak Dialog Forecast
c. Kemudian akan muncul grafik Forecasting & Actuals seperti gambar
di bawah ini.
Gambar 3.30 Grafik Forecasting & Actuals

BAB IV
HASIL DAN PEMBAHASAN
A. Statistik Deskriptif Curah Hujan di Pos Hujan Ledok Nongko Kecamatan
Turi, Daerah Istimewa Yogyakarta
Data penelitian ini adalah data curah hujan yang diamati dari Pos Hujan
Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta dari bulan
Januari tahun 2005 sampai dengan bulan Desember tahun 2014. Agar lebih
jelas, data curah hujan disajikan dengan diagram di bawah ini.
Gambar 4.1 Diagram Curah Hujan di Pos Hujan Ledok Nongko

Kecamatan Turi, DIY
Gambar 4.1 menunjukkan bahwa curah hujan di Pos Hujan Ledok
Nongko Kecamatan Turi, Daerah Istimewa Yogyakarta, mengalami perubahan
setiap tahunnya. Curah hujan tertinggi terjadi pada tahun 2010 yaitu sebesar
4.670 milimeter dan curah hujan terendah terjadi pada tahun 2009 yaitu sebesar
1.829 milimeter. Data curah hujan di Pos Hujan Ledok Nongko Kecamatan
Turi, Daerah Istimewa Yogyakarta (7.64467 LS dan 110.35761 BT) pada tahun
2005 hingga tahun 2014 dituliskan secara lengkap pada Tabel 4.1 di bawah ini.
58
59
Tabel 4.1 Data Curah Hujan di Pos Hujan Ledok Nongko Kec.Turi
Tahun 2005-2014
Tahun
Bulan
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Januari 356 479 137 246 372 698 571 686 400 338
Februari 384 427 603 363 295 287 210 1053 514 362
Maret 203 223 335 341 192 366 560 551 448 202
April 337 447 652 308 375 232 339 421 339 259
Mei 48 247 116 85 176 464 427 329 373 125
Juni 64 0 44 64 48 249 0 39 222 171
Juli 84 0 7 0 0 55 0 10 195 91
Agustus 23 0 0 0 0 156 0 0 0 3
September 32 0 0 18 0 687 0 0 6 0
Oktober 53 0 76 300 50 541 191 86 180 3
November 210 46 507 679 254 439 1123 576 424 448
Desember 539 680 449 226 67 496 591 257 337 190
Jumlah CH
2333 2549 2926 2630 1829 4670 4012 4008 3438 2192
1 Thn
Keterangan
- Tidak ada hujan
0 Hujan kurang dari 0,5 mm
x Tidak ada data
Sumber: BMKG Yogyakarta
Stastistik deskriptif data curah hujan di Pos Hujan Ledok Nongko
Kecamatan Turi, Daerah Istimewa Yogyakarta pada tahun 2005 hingga tahun
2014 dituliskan dalam Tabel 4.2 berikut.
Tabel 4.2 Statistik Deskripstif Curah Hujan di Pos Hujan Ledok

Nongko Kecamatan Turi, DIY
Variabel Rata-Rata Minimum Maksimum

Jumlah Data
Curah Hujan 120 254,8917 0 1.123
Sumber: Data Diolah

60
Tabel 4.2 menunjukkan bahwa rata-rata per bulan curah hujan yang
dihitung dari Pos Hujan Ledok Nongko Kecamatan Turi, Daerah Istimewa
Yogyakarta adalah 254,8917 milimeter. Dari tabel 4.1, kita dapat mengetahui
bahwa curah hujan tertinggi adalah 1.123 milimeter pada bulan November pada
tahun 2011 dan curah hujan terendah adalah kurang dari 0,5 milimeter terjadi
pada bulan Juni-Oktober tahun 2006, Agustus dan September tahun 2007, Juli
dan Agustus tahun 2008, Juli-September tahun 2009, Juni-September tahun
2011, Agustus dan September tahun 2012, Agustus tahun 2013 serta pada bulan
September tahun 2014.
B. Peramalan Curah Hujan di Pos Hujan Ledok Nongko Kecamatan Turi,
Daerah Istimewa Yogyakarta
Data yang digunakan sebanyak 120 data dari bulan Januari 2005 sampai
dengan bulan Desember 2014. Hasil dan pembahasan dari tahap-tahap ARIMA
adalah sebagai berikut.
a. Uji Stasionaritas
Penelitian ini melakukan uji stasionaritas dengan menggunakan
empat metode yaitu metode grafik, uji Augmented Dickey-Fuller
(ADF), uji Philips-Perron (PP) dan uji The Kwiatkowski, Philips,
Schmidt and Shin (KPSS). Sebenarnya ketiga uji stasionaritas tersebut
tidak perlu semua karena keempat metode ini merupakan metode yang
61
populer digunakan untuk menguji stasionaritas dalam peramalan
model ARIMA Box-Jenkins.
1) Metode grafik
Dari Tabel 4.2 dapat kita ketahui bahwa data curah hujan di
atas memiliki rata-rata atau mean 254,8917. Grafik curah hujan
memperlihatkan bahwa fluktuasi data berada di sekitar rata-rata
nilai yang konstan dan variansi data dari waktu ke waktu
mempunyai fluktuasi yang tetap atau konstan. Oleh sebab itu, jika
dilihat menggunakan metode grafik, data curah hujan di Pos
Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa
Yogyakarta merupakan data stasioner.
2) Dengan Uji Augmented Dickey-Fuller (ADF)
Tabel 4.3 berikut menunjukkan hasil uji stasionaritas dengan
menggunakan uji Augmented Dickey-Fuller (ADF).
Tabel 4.3 Uji Stasionaritas dengan Uji Augmented Dickey-

Fuller (ADF)
Statistik t P-value
ADF (Augmented Dickey-
Fuller) −7,056284 0,0000
1% −3,488063
Nilai Kritik
5% −2,886732
McKinnon
10% −2,580281
Sumber: Data Diolah
Langkah-langkah hipotesis dengan menggunakan uji ADF
(Augmented Dickey-Fuller) adalah sebagai berikut:

62
𝛼 = 0,05
c) Menentukan Statistik Uji
Nilai |𝐴𝐷𝐹| = 2,886732
Nilai |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠| = 7,056284
|𝐴𝐷𝐹| < |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|
e) Menghitung Statistik Uji
Karena 2,886732 < 7,056284 maka 𝐻0 ditolak.
f) Kesimpulan
Jadi, dengan tingkat signifikansi 5% didapatkan kesimpulan
bahwa data tersebut stasioner.
3) Dengan Uji Philips-Perron (PP)
Tabel 4.4 berikut menunjukkan hasil uji stasionaritas dengan
menggunakan uji Philips-Perron (PP).

63
Tabel 4.4 Uji Stasionaritas dengan Uji Philips-Perron (PP)

Statistik t P-value
PP (Philips-Perron)
−6,670497 0,0000
1% −3,486064
Nilai Kritik
5% −2,885863
McKinnon
10% −2,579818
Sumber: Data Diolah
Langkah-langkah hipotesis dengan menggunakan uji PP
(Philips-Perron) adalah sebagai berikut:
𝛼 = 0,05
Nilai |𝑃𝑃| = 2,885863
|𝑃𝑃| < |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|
Karena 2,885863 < 6,670497 maka 𝐻0 ditolak
f) Kesimpulan

64
4) Dengan Uji The Kwiatkowski, Philips, Schmidt and Shin (KPSS)
Tabel 4.5 berikut menunjukkan hasil uji stasionaritas
dengan menggunakan uji The Kwiatkowski, Philips, Schmidt and
Shin (KPSS).
Tabel 4.5 Uji Stasionaritas dengan Uji The Kwiatkowski,

Philips, Schmidt and Shin (KPSS)
Statistik 𝒕
KPSS (The Kwiatkowski, Philips,
Schmidt and Shin) 0,133196
1% 0,739000
Nilai Kritik 5% 0,463000
McKinnon
10% 0,347000
Sumber: Data Diolah
Langkah-langkah hipotesis dengan menggunakan uji KPSS
(Kwiatkowski-Philips-Schmidt-Shin) adalah sebagai berikut:
𝛼 = 0,05
Nilai |𝐾𝑃𝑆𝑆| = 0,463000
|𝐾𝑃𝑆𝑆| > |𝑡 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑠|

65
Karena 0,463000 > 0,133196 maka 𝐻0 ditolak
f) Kesimpulan
b. ACF dan PACF
Berbentuk kurva Garis Bartlet

sinusoidal
Keterangan:
: lag- p yang terpotong dengan garis Bartlet

Gambar 4.2 Penjelasan ACF dan PACF
66
Gambar 4.2 menunjukkan bahwa model ARIMA data curah hujan
di Pos Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa
Yogyakarta diduga berupa model AR(p) atau MA(q). Model ARIMA
yang terbentuk diduga AR(p) atau MA(q) karena ACF berupa kurva
sinusoidal dan terpotong di beberapa lag q, sedangkan PACF belum
pasti ditentukan berbentuk kurva sinusoidal atau eksponensial tetapi
PACF terpotong di beberapa lag p. Penenliti tidak memasukkan
model ARMA(p,q) ke dalam kandidat model ARIMA karena jika kita
lihat pada Tabel 3.1, karakteristik ACF dan PACF pada model
ARMA(p,q) adalah keduanya berupa eksponensial, namun ACF pada
data curah hujan di Pos Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta berupa kurva sinusoidal dan bukan
eksponensial.
Dari Gambar 4.2 dapat dilihat bahwa PACF terpotong pada lag
ke 1, 5 dan 12. Sedangkan, ACF terpotong pada lag ke 1, 2, 5, 6, 7,
11, 12, 13, 14, 17, 18, 19, 23, 24, 25, 29, dan 30. Jadi yang diduga
model ARIMA adalah AR(1), AR(5), AR(12), MA(1), MA(2),
MA(5), MA(6), MA(7), MA(11), MA(12), MA(13), MA(14),
MA(17), MA(18), MA(19), MA(23), MA(24), MA(25), MA(29) dan
MA(30).
67
Langkah-langkah uji hipotesis pada tahap estimasi parameter adalah
sebagai berikut:
𝐻0 = Parameter tidak signifikan
𝐻𝑎 = Parameter signifikan
𝛼 = 0,05
3) Menentukan nilai statistik uji
Dari langkah-langkah uji signifikansi yang telah dilakukan pada bab
3, maka diperoleh nilai 𝑃 − 𝑣𝑎𝑙𝑢𝑒 dari masing-masing model
ARIMA seperti pada tabel 4.6 berikut:
Tabel 4.6 Nilai P-value Masing-Masing Model ARIMA

Model ARIMA P-value Model ARIMA P-value
AR(1) 0,0000 MA(13) 0,0000
AR(5) 0,0155 MA(14) 0,0000
AR(12) 0,0000 MA(17) 0,0940
MA(1) 0,0000 MA(18) 0,2091
MA(2) 0,0000 MA(19) 0,0607
MA(5) 0,2181 MA(22) 0,0000
MA(6) 0,2921 MA(23) 0,0000
MA(7) 0,1352 MA(24) 0,0001
MA(11) 0,0000 MA(25) 0,0000
MA(12) 0,0000
Sumber: Data Diolah
𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
5) Kesimpulan
68
Tabel 4.7 Kesimpulan Kandidat Model ARIMA Tahap Estimasi Parameter

Model
P-value 𝜶 Keterangan Kesimpulan
ARIMA
AR(1) 0,0000 0,05 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 Kandidat Model ARIMA
MA(1) 0,0000 0,05 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 Kandidat Model ARIMA
MA(5) 0,2181 0,05 𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 Bukan Kandidat Model ARIMA
Sumber: Data Diolah
Maka, diperoleh kandidat model ARIMA yang terbentuk adalah AR(1),
AR(5), AR(12), MA(1), MA(2), MA(11), MA(12), MA(13), MA(14),
MA(22), MA(23), MA(24) dan MA(25).
3. Verifikasi Model
Pada tahap ini akan dilakukan uji kenormalan residual dan uji
independensi residual.
a. Uji Kenormalan Residual

69
Langkah-langkah uji hipotesis pada uji kenormalan residual adalah
sebagai berikut:
𝐻0 = Data berdistribusi normal
𝐻𝑎 = Data tidak berdistribusi normal
𝛼 = 0,05
3) Menentukan nilai 𝑃 − 𝑣𝑎𝑙𝑢𝑒
Dari langkah-langkah uji kenormalan residual yang telah
dilakukan pada bab 3, maka diperoleh nilai 𝑃 − 𝑣𝑎𝑙𝑢𝑒 dari
masing-masing model ARIMA seperti pada tabel 4.8 berikut:
Tabel 4.8 Nilai P-value Masing-Masing Model ARIMA

Model ARIMA P-value Model ARIMA P-value
AR(1) 0,000000 MA(13) 0,002865
AR(5) 0,001802 MA(14) 0,051943
AR(12) 0,000000 MA(22) 0,081054
MA(1) 0,000000 MA(23) 0,000000
MA(2) 0,000000 MA(24) 0,000000
MA(11) 0,000148 MA(25) 0,000000
MA(12) 0,000000
Sumber: Data Diolah
𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
5) Kesimpulan
Tabel 4.9 Uji Kenormalan Residual Model ARIMA

Model
P-value 𝜶 Keterangan Kesimpulan
ARIMA
AR(1) 0,000000 0,05 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 Bukan Kandidat Model ARIMA
70

MA(1) 0,000000 0,05 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 Bukan Kandidat Model ARIMA
MA(14) 0,051943 0,05 𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 Kandidat Model ARIMA
MA(22) 0,081054 0,05 𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 Kandidat Model ARIMA
Sumber: Data Diolah
Maka, diperoleh kandidat model ARIMA yang terbentuk adalah MA(14)
dan MA(22).
b. Uji Independensi Residual
Setelah dilakukan beberapa tahap ARIMA Box-Jenkins, pada
tahap akhir ini didapatkan dua model ARIMA yaitu MA(14) dan
MA(22). Dari dua model tersebut akan dipiih satu model ARIMA
terbaik. ACF dan PACF pada model MA(14) dan MA(22) (Lampiran
2) menunjukkan bahwa semua lag sudah berada dalam garis Bartlet.
Hal ini menunjukkan bahwa residual telah acak.
Langkah selanjutnya adalah dengan menguji AIC dan SC (tingkat
error) pada model MA(14) dan model MA(22). Dari Uji Signifikansi
(Lampiran 3) diperoleh nilai AIC dan SC seperti Tabel 4.10 di bawah
ini.
71
Tabel 4.10 AIC dan SC pada Model MA(14) dan MA(22)
Akaike Info Schwarz Criterion

Model ARIMA (SC)
Criterion (AIC)
MA(14) 14,02006 14,06652
MA(22) 14,21987 14,26633
Sumber: Data Diolah
Dari Tabel 4.10 di atas diperoleh model terbaik ARIMA adalah MA(14)
karena memiliki nilai AIC dan SC lebih kecil daripada MA(22). Maka,
dapat disimpulkan bahwa kandidat model terbaik adalah model MA(14)
dan model MA(22).
4. Peramalan
Dari tiga tahap yang telah dilalui yaitu tahap identifikasi model,
estimasi parameter dan verifikasi model, diperoleh model terbaik yaitu
model MA(14). Model MA(14) memiliki bentuk umum:
𝑍𝑡 = ∅0 + 𝛼𝑡 − ∅1 𝛼𝑡−1 − ∅2 𝛼𝑡−2 − ⋯ − ∅14 𝛼𝑡−14
Jika dituliskan ke dalam bentuk data maka data seperti Tabel 4.11
di bawah ini.
Tabel 4.11 Data Peramalan Curah Hujan (milimeter) di Pos Hujan Ledok
Nongko, Daerah Istimewa Yogyakarta Tahun 2005-2015
Tahun
Bulan
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Jan 0 0 102 19 374 492 148 311 457 485 177
Feb 0 0 262 415 320 117 - 387 205 160 229
Mar 0 173 232 22 159 - 156 324 290 - -
Apr 0 186 207 217 - - 128 219 514 239 156
Mei 0 99 32 65 224 24 277 310 175 123 191
Jun 0 164 165 282 64 303 189 161 156 - 16
72
Jul 0 23 94 59 14 - 332 115 15 154 2

Agu 0 31 - - - - - - - 51 240
Sep 0 41 - - - - 68 - - 140 -
Okt 0 11 - 73 63 113 127 31 112 73 -
Nov 0 16 - 10 58 33 526 - 196 67 -
Des 0 26 - 67 167 - 323 49 42 53 -
Sumber: Data Diolah
Jika grafik data peramalan dan aktual digabungkan, maka akan
menjadi seperti pada Gambar 4.3 di bawah ini.
Gambar 4.3 Grafik Data Aktual dan Data Peramalan Data Curah
Hujan di Pos Hujan Ledok Nongko, Kec. Turi, DIY Pada Tahun
2005-2014
BAB V
KESIMPULAN DAN SARAN
A. Kesimpulan
Berdasarkan pembahasan yang dilakukan pada Bab IV, dapat disimpulkan bahwa:
1. Model yang sesuai untuk curah hujan di Pos Hujan Ledok Nongko, Kecamatan
Turi, Daerah Istimewa Yogyakarta dengan menggunakan metode ARIMA
Box-Jenkins adalah MA(14), dengan model:
𝑍𝑡 = ∅0 + 𝛼𝑡 − ∅1 𝛼𝑡−1 − ∅2 𝛼𝑡−2 − ⋯ − ∅14 𝛼𝑡−14
2. Hasil peramalan curah hujan di Pos Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta pada tahun 2015 adalah sebagai berikut.
Tabel 5.1 Hasil Peramalan Data Curah Hujan Tahun 2015
Peramalan Curah Peramalan Curah

Bulan Bulan Hujan (mm)
Hujan (mm)
Januari 177 Juli 2
Februari 239 Agustus 240
Maret - September -
April 156 Oktober -
Mei 191 November -
Juni 16 Desember -
Sumber: Data Diolah
Berdasarkan Tabel 5.1, hasil peramalan curah hujan pada bulan Januari sampai
dengan Desember 2015 dengan menggunakan model MA(14) mengalami
fluktuasi naik turun. Berdasarkan peramalan tersebut, pada bulan Maret,
September, Oktober, November, dan Desember 2015 tidak ada hujan. Data
peramalan ini mungkin berbeda dengan kenyataan. Perbedaan tersebut dapat
73
74
dipengaruhi oleh beberapa faktor, salah satunya adalah perubahan iklim yang
disebabkan oleh faktor eksternal seperti ulah manusia. Peneliti tidak memiliki
data aktual curah hujan di Pos Hujan Ledok Nongko, Kecamatan Turi, Daerah
Istimewa Yogyakarta pada tahun 2015.
B. Saran
Pada penelitian ini, peneliti meramalkan data curah hujan di Pos Hujan Ledok
Nongko Kecamatan Turi, Daerah Istimewa Yogyakarta pada tahun 2015
mengguanakan model ARIMA dan Software EViews 10. Adapun saran bagi
penelitian selanjutnya adalah:
1. Menggunakan data aktual sampai dengan tahun 2018.
2. Menggunakan data runtun waktu jenis lain untuk meramalkan banyaknya
mahasiswa yang diterima pada perguruan tinggi, meramalkan data penjualan
pada produk tertentu, meramalkan inflasi, meramalkan harga saham,
meramalkan valuta asing, atau meramalkan rata-rata kecelakaan per bulan.
3. Menggunakan metode peramalan yang lain selain ARIMA Box-Jenkins.

DAFTAR PUSTAKA
Amanasari, Maulida & Hendra Perdana. 2018. Penerapan Model Kalman Filter dalam
Memprediksi Curah Hujan Kabupaten Kubu Raya. Buletin Ilmiah Math Stat
dan Terapannya (Bimaster). Vol.07 No.3: 217-224.
Aroran, Auxilia Maria. 2017. Filter Kalman. Skripsi. Yogyakarta: Universitas
Sanata Dharma.
Azriati, Kiki Febri Azriati, dkk. 2014. Verifikasi Model Arima Musiman
Menggunakan Peta Kendali Moving Range (Studi Kasus: Kecepatan Rata-
Rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun
Meteorologi Maritim Semarang). Semarang: Universitas Diponegoro.
Badan Meteorologi, Klimatologi dan Geofisika. http://dataonline.bmkg.go.id.
Diakses pada tanggal 16 Maret 2019.
Hartati. -. Penggunaan Metode ARIMA dalam Meramal Pergerakan Infasi.
Universitas Terbuka.
Hestiyanto, Y. 2006. Geografi 1 SMA kelas x. Jakarta: Yudhistira.
Manik, Tumiar Katarina. 2000. Analisis Deret Waktu Curah Hujan untuk Mengkaji
Perubahan Iklim di Daerah Tangkapan Air Propinsi Lampung. J Agromet.
Vol.23 No.1: 61-70.
Nugroho, Adi. 2014. Model Autoregrresive Moving Average (ARMA) untuk
Prediksi Curah Hujan di Kabupaten Semarang-Jawa Tengah-Indonesia.
Semarang
Subagyo, P. 1986. Forecasting Konsep dan Aplikasi. Yogyakarta: BPFE.
75
76
Susilowati & Ilyas Sadad. -. Analisa Karakteristik Curah Hujan di Kota Bandar
Lampung. Lampung: Fakultas Teknik Program Studi Sipil Universitas
Bandar Lampung.
Wei, William W.S., 1990. Time Series Analysis: Univariate and Multivariate
Methods. Canada: Addison Wesley.
Welch, G. & Bishop, G. 2006., An Introduction to the Kalman Filter. North
Caroline: Department of Computer Science, University of North Carolina.

77
Lampiran 1. Hasil Uji Stasionaritas Menggunakan Software EViews 10
Uji Hasil
Augmented
Dickey-
Fuller
(ADF)
Philips-
Perron
(PP)
Kwiatkows
ki-Philips-
Schmidt-
Shin
(KPSS)
Lampiran 2. Hasil Uji Independensi Residual Menggunakan Software

EViews 10
Model MA(14) Model MA(22)
78
Lampiran 3. Tabel Hasil Uji Signifikansi Model ARIMA Menggunakan

Software EViews 10
Model
Hasil
ARIMA
AR(1)
AR(5)
AR(12)
MA(1)
MA(2)
MA(5)
MA(6)
79
MA(7)
MA(11)
MA(12)
MA(13)
MA(14)
MA(17)
MA(18)
MA(19)
80
MA(22)
MA(23)
MA(24)
MA(25)
MA(29)
MA(30)
81
Lampiran 4. Hasil Uji Kenormalan Residual Model ARIMA menggunakan

software EViews 10
Model Hasil
ARIMA
AR(1)
AR(5)
AR(12)
82
MA(1)
MA(2)
MA(11)
MA(12)
83
MA(13)
MA(14)
MA(22)
MA(23)
84
MA(24)
MA(25)
Lampiran 5. Karakteristik ACF dan PACF pada model AR(p),

MA(q) dan ARMA(p,q)
ACF PACF
AR(p) Menurun secara

Terpotong pada lag p
eksponensial atau sinusoidal
Menurun secara
MA(q) Terpotong pada lag q eksponensial atau
sinusoidal
Menurun secara Menurun secara
ARMA(p,q) eksponensial eksponensial
(Diambil dari Wei,1990)
85

Full

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Pendidikan

Program Studi Pendidikan Matematika

Christina Candra Aditya

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS SANATA DHARMA

PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Pendidikan

Program Studi Pendidikan Matematika

Christina Candra Aditya

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS SANATA DHARMA

PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO

Christina Candra Aditya

Telah disetujui oleh:

Eko Budi Santoso, S.J. S.Pd., Ph.D. Tanggal: 14 Juni 2019

PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO

Anggota III : ..................

Yogyakarta, 20 Juni 2019

Fakultas Keguruan dan Ilmu Pendidikan

Universitas Sanata Dharma

Dr. Yohanes Harsoyo, S.Pd., M.Si.

4. Program Studi Pendidikan Matematika Universitas Sanata Dharma yang

syukur”. (Filipi 4:6)

“Berbahagialah orang yang bertahan dalam pencobaan, sebab apabila ia sudah

barangsiapa yang mengasihi Dia”. (Yakobus 1:12)

kesusahannya sendiri. Kesusahan sehari cukuplah untuk sehari”.(Matius 6:34)

jalanmu”. (Amsal 3:5-6)

“Segala perkara dapat kutanggung di dalam Dia yang memberi kekuatan

kepadaku”. (Filipi 4:13)

“Bersukacitalah dalam pengharapan, sabarlah dalam kesesakan dan bertekunlah

dalam doa!”. (Roma 12:12)

PERNYATAAN KEASLIAN KARYA

dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 20 Juni 2019

Christina Candra Aditya

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPERLUAN AKADEMIS

Yang bertandatangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Christina Candra Aditya

Nomor Induk Mahasiswa : 151414034

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul:

“PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO

Universitas Sanata Dharma untuk menyimpan, mengalihkan dalam bentuk media

lain, mengolahnya dalam bentuk pangkalan data, mendistribusikan secara terbatas

mencantumkan nama saya sebagai peneliti.

Demikian pernyataan ini saya buat dengan sebenar-benarnya.

Yogyakarta, 20 Juni 2019

Christina Candra Aditya

pihak-pihak tersebut, yaitu:

dan Ilmu Pendidikan.

2. Bapak Beni Utomo M.Sc sebagai Ketua Program Studi Pendidikan

pikiran untuk membimbing peneliti dalam menyelesaikan tugas akhir ini.

4. Segenap dosen Program Studi Pendidikan Matematika Universitas Sanata

Dharma yang telah memberikan bekal kepada peneliti selama mengikuti