TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya
YUSRINA BATUBARA
072407019
Diluluskan di
Medan, Mei 2010
Diketahui
Departemen Matematika FMIPA USU Pembimbing 1
Ketua,
TUGAS AKHIR
Saya mengakui bahwa Tugas Akhir ini adalah hasil kerja saya sendiri, kecuali
beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
YUSRINA BATUBARA
072407019
Puji dan syukur penulis ucapkan kehadirat Allah SWT yang telah memberikan rahmat
dan karunia-Nya akhirnya penulis dapat menyelesaikan Tugas Akhir ini tepat pada
waktunya. Kemudian seiring shalawat dan salam penulis ucapkan kepada junjungan
nabi Muhammad SAW yang membawa umatnya ke jalan yang benar dan
kesejahteraan hidup.
Pada kesempatan ini penulis menghaturkan terimakasih atas petunjuk dan
bimbingan yang berharga yang telah diberikan kepada penulis sehingga akhirnya
penulis dapat menyelesaikan Tugas Akhir ini. Maka dengan ini penulis mengucapkan
terimakasih yang sebesar-besarnya kepada :
1. Bapak Drs. Marwan Harahap, M.Eng. sebagai pembimbing Saya pada
penyelesaian Tugas Akhir ini yuang telah memberikan panduan dan penuh
kepercayaan kepada saya untuk menyempurnakan Tugas Akhir ini.
5. Ayahanda Sangkot Sahruddin Batubara, Spd. dan Ibunda tercinta Nur Jamilah
lubis, yang membesarkan dan mendidik penulis dengan penuh kasih sayang
dan cinta dari kecil hingga saat ini memberi motivasi dan restu serta materi
yang tak ternilai dengan apapun, teristimewa buat saudara-saudaraku tercinta (
D’ijah, D’Hamdan) terima kasih telah membantu dan menjadi penopang setiap
langkahku.
Atas segala bantuan dan budi baik semua pihak penulis ucapkan terima kasih,
semoga Allah SWT memberikan rahmat dan hidayah-Nya kepada kita semua. Amin
ya rabbal’alamin.
Akhirnya penulis berharap semoga Tugas Akhir ini dapat memberikan
mamfaat kepada semua pihak yang memerlukan.
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Daftas Isi v
Daftar Tabel vi
Daftar Gambar vii
BAB 1 Pendahuluan
1.1 Latar Belakang 1
1.2 Perumusan Masalah 3
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
1.5 Kontribusi Penelitian 5
1.6 Tinjauan Pustaka 5
1.7 Metode Penelitian 7
1.8 Sistematika Penulisan 9
Daftar Pustaka 69
Lampiran
Halaman
Halaman
Gambar 3.1 Plot Tekanan Udara Kota Medan Tahun 2005 – 2009 36
Gambar 3.2 Autokorelasi Tekanan Udara Kota Medan Tahun 2005 – 2009 36
Gambar 3.3 Autokorelasi Parsial Tekanan Udara Kota Medan
Tahun 2005 – 2009 37
Gambar 3.4 Plot Kecepatan Angin Kota Medan Tahun 2005 – 2009 37
Gambar 3.5 Autokorelasi Kecepatan Angin Kota Medan
Tahun 2005 – 2009 38
Gambar 3.6 Autokorelasi Parsial Kecepatan Angin Kota Medan
Tahun 2005 – 2009 38
Gambar 3.7 Plot Tekanan Udara Menggunakan Pembedaan Pertama 40
Gambar 3.8 Autokorelasi Tekanan Udara 44
Gambar 3.9 Autokorelasi Parsial Tekanan Udara 45
Gambar 3.10 Plot Autokorelasi Sisaan Model 47
Gambar 3.11 Korelasi Silang Pemutihan Deret Input dan Output 52
Gambar 3.12 Autokorelasi Pemutihan Deret Input 54
Gambar 3.13 Autokorelasi Pemutihan Deret Output 55
Gambar 3.14 Plot Deret Noise ( nt ) Awal 58
Gambar 3.15 Autokorelasi Noise ( nt ) Awal 59
Gambar 3.16 Autokorelasi Parsial Noise ( nt ) Awal 59
Gambar 3.17 Plot Gugus Residu ( at ) 63
Gambar 3.18 Autokorelasi Gugus Residu ( at ) 64
Gambar 3.19 Autokorelasi Parsial Gugus Residu ( at ) 64
PENDAHULUAN
yang sejak tahun enam puluhan telah diterapkan menjadi suatu direktorat perhubungan
unsur yaitu radiasi matahari, temperatur, kelembaban, curah hujan, suhu udara,
tekanan udara dan angin. Unsur-unsur itu berbeda pada tempat yang satu dengan
tempat yang lainnya. Perbedaan itu disebabkan karena ketinggian tempat, garis
Pengaruh timbal balik antara faktor tersebut akan menentukan pola yang
diperlihatakan oleh unsur. Tetapi sebaliknya, unsur-unsur tersebut pada suatu batas
melanjutkan proses timbal balik tadi. Batas pola yang ditentukan itu umumnya stabil.
Iklim beserta unsurnya adalah hal penting untuk diperhatikan dan dipelajari
bagi manusia serta makhluk hidup lainnya. Masalah tersebut merupakan tantangan
bagi manusia karena harus berusaha untuk mengatasinya dengan menghindari atau
Tekanan udara didefenisikan sebagai berat dari suatu kolom udara sebenarnya
pengaruh langsung perubahan tekanan udara terhadap kehidupan makhluk adalah kecil
sekali. Perubahan tekanan udara lebih berpengaruh terhadap pergerakan angin dan
angin inilah yang lebih penting sebagai pengendali iklim secara langsung, terutama
dalam pengaruhnya terhadap penguapan, suhu, dan curah hujan. Dengan demikian
angin (dan juga tekanan udara) menjadi unsur dan pengendali iklim yang sangat
penting bagi kehidupan makhluk di bumi, karena perananya sebagai penentu dalam
angin perubahan ini akan membawa pula pada perubahan suhu dan curah hujan yang
pada umumnya sangat menentukan sifat-sifat iklim dan cuaca suatu arah. Angin yang
bergerak dari arah yang berlawanan mempunyai pengaruh yang besar terhadap iklim
melewati laut pada sebagian besar perjalanannya akan lebih banyak mendatangkan
hujan karena uap air yang dibawanya. Dengan demikian penyebaran curah hujan
diseluruh permukaan bumi berhubungan sangat erat dengan tekanan udara dan angin.
udara mempunyai pengaruh terhadap kecepatan angin pada bulan Januari 2010
berdasarkan data dari bulan Januari 2005 sampai dengan Desember 2009, dan
TRANSFER”.
Tekanan udara akan terjadi secara priodik maka diasumsikan analisis yang tepat
adalah metode analisis deret waktu, dan untuk mengetahui hubungan antara tekanan
udara dengan kecepatan angin analisis yang digunakan adalah metode regresi linier
berganda. Jadi metode yang tepat untuk perilaku data seperti ini adalah metode fungsi
transfer, yaitu penggabungan antara metode kausal dan deret waktu. Selanjutnya
sebagai berikut :
Medan
tekanan udara dan kecepatan angin pada bulan januari 2005 sampai dengan
desember 2009.
Untuk membuat arah yang jelas dan tidak menyimpang dari pokok bahasan maka
penulis membatasi masalah yang akan dibahas dalam Tugas Akhir ini yaitu masalah
pengaruh tekanan udara terhadap kecepatan angin di Medan, data yang digunakan
adalah data Kecepatan Angin dan tekanan udara tahun 2005 – 2009 dari Badan
Meterologi dan Geofisika, Stasiun Sampali Medan, dan metode yang digunakan
tekanan udara dengan fungsi transfer, sesuai data tekakan udara dan kecepatan
Perubahan tekanan udara akan menyebabkan perubahan kecepatan dan arah angin
perubahan ini akan membawa pula pada perubahan suhu dan curah hujan yang pada
Dalam dunia pertanian ada angin yang tidak menguntungkan karena dapat
melayukan tanaman . Angin itu terjadi karena udara yang mengandung uap air
membentur pegunungan atau gunung yang tinggi sehingga angin akan bersifat kering
menjadi bahan masukan dan bermanfaat bagi pihak instansi (BMG), PERUMKIM,
akan datang.
Metode ini merupakan gabungan dari metode penghalusan, metode regresi dan
metode dekomposisi. Metode ini banyak digunakan untuk peramalan harga saham
harian, penerimaan, penjualan, tenaga kerja, dan variabel runtun waktu lainnya. Model
runtun waktu ini biasanya digunakan bila hanya sedikit yang diketahui mengenai
(dependent) yang diminati, tetapi model ini juga digunakan bila datanya tersedia
dalam jumlah yang cukup besar sehingga membentuk runtun waktu yang cukup
panjang.
telah dipelajari secara mendalam oleh George Box dan Gwilyn Jenkins (1976), dan
nama mereka sering disinonimkan dengan proses ARIMA yang diterapkan untuk
Box dan Jenkins secara efektif telah berhasil mencapai kesepakatan mengenai
informasi relevan yang diperlukan untuk memahami dan memakai model – model
ARIMA untuk deret berkala univariat, sedangkan fungsi transfer digunakan untuk
Pada dasarnya ada dua model linier dari metode Box Jenkins, yaitu model
linier untuk deret statis (Stasionery Series) dan model linier untuk deret data yang
tidak statis (Nonstasionery Series). Model – model linier ini untuk deret data yang
yang tidak mengunakan teknik penyaringan (filtering) untuk deret waktu, yaitu
ARIMA (Auto Regressive Moving Average) untuk suatu kumpulan data. Sedangkan
Moving-Average)
.
Model multivariat (fungsi transfer) menggabungkan beberapa karakteristik dari
model – model ARIMA univariat dan beberapa karakteristik analisis regresi berganda,
pengembangan dari model ARIMA satu peubah (univariat). Jika deret berkala Yt
berhubungan dengan satu atau lebih deret berkala lain X t maka dapat dibuat suatu
model berdasarkan informasi deret berkala X t untuk menduga nilai Y t model yang
Metode analisis deret berkala Box – Jenkins fungsi transfer terdiri dari empat
tahap utama. Tahap pertama disebut tahap identifikasi yang meliputi identifikasi
model. Tahap ini dapat dilakukan dengan melihat fungsi autokorelasi dan autokorelasi
parsial. Tahap kedua adalah menduga parameter model atau disebut tahap pendugaan.
Tahap ketiga adalah diagnosa untuk melihat apakah model sudah tepat atau belum.
Peramalan adalah memperkirakan apa yang terjadi pada masa yang akan datang.
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi
Metode yang digunakan dalam Tugas Akhir ini adalah metode peramalan
1. Plot data
2.4 Perhitungan korelasi silang dan auto korelasi dari deret input dan
ω (B) θ (B)
x t −b +
δ (B) φ (B)
yt = at
Dengan :
ω (B) = ω 0 - ω1 B - ω 2 B 2 - …- ω 0 Bs
δ (B) = 1 - δ1 B - δ 2 B 2 - … - δ r B r
θ (B) = 1 - θ 1 B - θ2 B 2- … - θ p B p
Fungsi ν (B) merupakan rasio dari fungsi ω (B) dan δ (B) dan akan
mempunyai jumlah suku yang tak terhingga, sehingga akan terdapat bobot v yang tak
untuk beberapa lama deret output (y) secara terus menerus dipengaruhi oleh nilai –
nilai baru dari deret input (x), atau y dipengaruhi oleh (x t −b , x t −b −1 , ... , x t −b −s ) dan r
gangguan (n t ).
4.2. Perhitungan korelasi silang nilai sisa model (r,s,b) dengan deret
BAB 1 : PENDAHULUAN
Menjelaskan uraian teoritis tentang segala sesuatu yang berhubungan dengan masalah
Tugas Akhir.
Pada bab ini penulis memberikan beberapa kesimpulan dan saran sesuai dengan hasil
LANDASAN TEORI
2.1 Peramalan
Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi
pada masa yang akan datang. Metode peramalan adalah cara memperkirakan secara
kuantitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada
masa lalu.
Dalam rangka usaha untuk melihat dan mengkaji situasi dan kondisi masa
depan harus dilakukan peramalan, oleh karena itu perlu diperkirakan atau diramalkan
situasi apa dan kondisi bagaimana yang akan terjadi pada masa depan. Efektif
tidaknya suatu rencana yang disusun sangat ditentukan oleh kemampuan para
penyusunnya untuk meramalkan situasi dan kondisi pada saat rencana itu
dilaksanakan. Oleh karena eratnya kaitan antara perencanaan dan peramalan, maka
dapat dilihat bahwa dalam penyusunan rencana, sebenarnya telah terlihat masalah
Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang
akan terjadi pada waktu keputusan itu dilaksanakan. Apabila kurang tepat ramalan
yang kita susun, maka kurang baik keputusan yang kita ambil.
Dengan adanya sejumlah besar metode peramalan yang tersedia, maka masalah yang
timbul bagi para praktisi adalah memahami bagaimana karakteristik suatu metode
peramalan akan cocok bagi situasi pengambilan keputusan tertentu. Sering terdapat
senjang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang
dengan peristiwa itu sendiri. Adanya waktu tenggang (lead time) itu merupakan suatu
alasan bagi perencanaan dan peramalan. Jika waktu tenggangnya ini nol atau sangat
kecil, maka perencanaan tidak perlukan dan jika waktu tenggang ini panjang
sedangkan hasil peristiwa akhir tergantung pada faktor-faktor yang dapat diketahui,
maka perencanaan dapat memegang sebagai peranan yang penting untuk mengambil
keputusan.
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara
Peramalan kualitatif merupakan peramalan yang didasarkan atas data kualitatif pada
masa lalu. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan
penyusunnya.
Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang
ditentukan oleh perbedaan antara penyimpangan hasil ramalan dengan kenyataan yang
terjadi. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut :
a. Analisa deret berkala (time series), yang berdasarkan hasil ramalan yang
disusun atas pola hubungan antara variabel yang dicari dengan variabel waktu
diramalkan sebab akibat dengan satu atau lebih variabel bebas. Metode ini
berdasarkan hasil yang disusun atas pola hubungan antara variabel yang dicari
• Metode Ekonometrik
• Metode Input-Output
sangat penting. Demikian pula seorang peneliti sering menggunakan peramalan dalam
penelitian yang dilakukan, akaan tetapi perlu adanya pedoman yang dapat
dipergunakan untuk memilih teknik dan metode peramalan yang tepat untuk suatu
situasi tertentu.
diketahui ciri-ciri penting, yang perlu diperhatikan untuk pengambilan keputusan dan
1. Horison waktu
a. Peramalan yang segera dilakukan dalam waktu kurang dari satu bulan
b. Peramaln jangka pendek dengan waktu antara satu sampai tiga bulan
dua tahun
2. Pola Data
memperhatikan pola data yang diramalkan. Ada empat jenis pola data
rata yang konstan, (Derat seperti ini adalah “stasioner” terhadap nilai
rata-ratanya).
b. Pola Musiman (M) terjadi bilamana suatu deret dipengaruhi oleh faktor
minggu tertentu).
bisnis.
keputusan.
sedangkan untuk hal atau kasus lain mungkin menganggap bahwa adanya
berbahaya.
Dalam tahap identifikasi model ARIMA sementara, hal pertama yang harus dilihat
apakah suatu deret berkala sudah stasioner baik dalam rataan maupun ragam. Hal ini
dikarenakan bahwa syarat utama dalam pembuatan model ARIMA adalah deret
Untuk melihat apakah suatu deret berkala X 1 , X 2 ,..., X n sudah stasioner, dapat dilihat
plot nilai deret waktu terhadap waktu t 1 , t 2 ,..., t n Jika n buah nilai tersebut
berfluktuasi sekitar ragam yang konstan dan nilai tengah yang konstan, maka dapat
Data deret berkala yang tidak stasioner dalam nilai tengah dapat distasionerkan
Dengan kata lain, notasi B yang dipasang pada X t , mempunyai pengaruh menggeser
X 1t = X t −1 (2.1)
X 1t = X t - B X t = (1-B) X t
t = X t - X t −1
X 11 1 1
= (X t - X t −1 ) – (X t −1 - X t −2 )
= X t - 2 X t −1 + X t −2
= (1 - 2B + B 2 ) X t
= (1 – B) 2 X t
X t = (1 – B)d X t (2.2)
Dalam analisis deret berkala, salah satu statistik kunci adalah koefisien autokorelasi,
autokorelasi dapat diartikan sebagai korelasi linier deret berkala dengan deret berkala
itu sendiri dengan selisih waktu (lag) 0, 1, 2 periode atau lebih. Koefisien autokorelasi
deret X t yang stasioner untuk lag ke-k, dihitung dengan rumus sebagai berikut :
∑ (X
rk = (2.3)
t − X)2
Dengan :
X = Rata-rata pengamatan
untuk mengukur tingkat hubungan antara X t dan X t +k apabila pengaruh dari selisih
waktu 1,2,3,...(k-1) dianggap terpisah. Salah satu tujuan dalam analisis deret berkala
dari penduga φ kk adalah 1/ n , dimana n adalah jumlah pengamatan dikurangi lag (k).
X t −2 ..., X t − p . Model regresi diri derajat p dilambangkan dengan AR (p) atau ARIMA
X t = µ + φ1 X t −1 + φ2 X t −2 +...+ φ p X t − p + e t (2.5)
Dengan :
µ = Nilai konstan
Untuk model AR(1) kondisi stasioner akan terpenuhi jika φ1 < 1. Sedangkan
model AR (2) akan memenuhi syarat stasioner jika φ1 + φ 2 < 2 φ2 − φ1 < 2 dan φ2 < 2.
Model rataan bergerak derajat q dilambangkan MA (q) atau ARIMA (0,0,q) dan
X t = µ - θ 1 e t −1 - θ 2 e t −2 -...- θ q e t −q + e t (2.6)
µ = Nilai konstan
Dalam pembuatan model empiris dari deret berkala sering ditemukan bahwa model
regresi diri (AR) dan rataan bergerak (MA). Model campuran regresi diri dan rataan
Atau ditulis
φ p (B) X t = µ + θ q (B) e t
Model ARMA (p.q) dapat diperluas untuk deret berkala yang tidak stasioner.
φ p (B) ∇ d X t = µ + θ q (B) e t
Model fungsi transfer merupakan pengembangan dari model ARIMA satu peubah.
Jika deret berkala Yt berhubungan dengan satu atau lebih deret berkala lain X t maka
dapat dibuat suatu model berdasarkan informasi deret berkala X t , untuk menduga
Dalam penelitian ini, pembuatan fungsi transfer hanya dibatasi untuk dua deret
berkala yaitu Yt sebagai deret output dan X t sebagai deret output atau disebut fungsi
transfer dwipeubah.
dengan model fungsi transfer. Terdapat deret berkala output, disebut Yt , yang
diperkirakan akan dipengaruhi oleh deret berkala input X t , dan input-input lain yang
disebut gangguan (noise) N t , seluruh sistem tersebut adalah dinamis. Dengan kata
( Xt ) (Yt )
Seluruh
Pengaruh
lain
(Nt )
Yt = ν (B) X t + N t (2.8)
Dengan :
Yt = Deret output
Xt = Deret input
Deret input dan output perlu ditrans-formasikan untuk mengatasi ragam yang
tidak stasioner, dibedakan untuk mengatasi nilai tengah yang tidak stasioner, serta
dihilangkan unsur musimannya. Jadi pada persamaan (2.8) harus merupakan nilai
huruf kecil.
ω (B)
x t −b + n t
δ (B)
yt = (2.9)
Atau
ω (B) θ (B)
x t −b +
δ (B) φ (B)
yt = at (2.10)
Dengan :
ω (B) = ω 0 - ω1 B - ω 2 B 2 -...- ω s B s
δ (B) = 1 - δ 1 B - δ 2 B 2 -...- δ r B r
θ (B) = 1 - θ 1 B - θ 2 B 2 -...- θ q B q
φ (B) = 1 - φ1 B - φ2 B 2 -...- φ p B p
Fungsi ν (B) merupakan rasio dari fungsi ω (B) dan δ (B) dan akan mempunyai
jumlah suku yang tak terhingga, sehingga akan terdapat bobot ν yang tak terhingga
jumlahnya. Dengan demikian persamaan (2.10) merupakan suatu gambaran yang lebih
singkat.
Dari persamaan (2.8) dapat dilihat bahwa sebagai faktor penentunya adalah
konstanta (r,s,b) dan (p,q). Konstanta (r,s,b) menunjukkan parameter dari fungsi
(ω 0 − ω1B) (1 − θ1 B)
xt −b +
(1 − δ 1 B) (1 − φ1 B)
yt = a1
(1 − δ1 B) (1 − φ1 B) y t = (1 − φ1 B) (ω0 − ω1B) xt −b + (1 − δ1 B) (1 − θ1 B) a1
Dengan mengetahui nilai parameter dan nilai y, x dan a dapat dihitung nilai y
Tahap ini mengidentifikasi apakah data mentah (input dan output) sudah stasioner
dalam rataan ataupun ragam. Jika belum stasioner perlu dilakukan pembedaan atau
transformasi untuk menghilangkan ketidak stasioneran. Disamping itu deret input atau
output perlu dihilangkan pengaruh musiman. Hal ini bukan merupakan syarat mutlak,
Tahap pemutihan deret input dimaksudkan untuk menghilangkan pola yang diketahui
agar yang tersisa hanya merupakan “white noise”. Sebagai contoh, jika deret input
dapat dimodelkan dengan ARIMA ( p x ,0, q x ) maka deret input dapat didefenisikan
sebagai :
bergerak dan α t adalah kesalahan acak. Persamaan (2.13) dapat diubah menjadi
φ x (B)
αt =
θ x (B)
yt (2.14)
φ x (B)
βt =
θ x (B)
yt (2.15)
Dalam pemodelan fungsi transfer, korelasi diri mempunyai peranan yang kedua
setelah korelasi silang. Korelasi silang digunakan untuk mengetahui hubungan dua
deret waktu x dan y (atau dalam bentuk deret waktu yang diputihkan α dan β ) yang
C sy (k )
rsy (k ) = (2.16)
SxS y
Dengan :
k = 0,1,2,3,…
Untuk menguji tingkat kepercayaan 95% dari nilai korelasi silang diatas.
SE(rxy (k )) = (n − k ) 2
1
(2.17)
Dengan :
n = Jumlah pengamatan
k = Kelambatan (lag)
Pierce Portmanteau untuk sekumpulan nilai rk didasarkan ada nilai statistik Q yang
Q = n∑r2
m
(2.18)
k =1
Dengan :
m = Lag maksimum
n = N-d
Dari Persamaan (2.9) dengan mengasumsikan b = 0 maka model transfer dapat ditulis
yt = ν (B) xt + nt
Atau
β t = ν (B)α t + et (2.20)
dengan α t . Jika kedua sisi persamaan (2.20) dikalikan α t −k dan diambil nilai
E [α t − k B1 ] = ν 0 E [α t −k α t ] + ν 1 E [α t −k α t −1 ] + ... + E [α t − k et ]
νk = =
Cαβ (k ) rαβ (k )S 2 β
(2.22)
S 2α Sα
dan b menunjukkan keterlambatan yang dicatat pada subskrip Xt-b pada persamaan
ω (B)
ν (B) xt =
δ (B)
xt −b (2.23)
Vj = 0 j<b
Vj = δ 1ν j −1 + ... + δ rν j −r + ω 0 j=b
s menyatakan untuk beberapa lama deret output deret (y) secara terus menerus
dipebgaruhi oleh nilai-nilai baru deret input (x) atau y dipengaruhi oleh ( xt −b, xt −b−1 , …
berikut :
a. Sampai lag waktu ke b, korelasi silang tidak berbeda dari nol secara signifikan
b. Untuk s lag waktu selanjutnya, korelasi tidak akan memperlihatkan pola yang
jelas
c. Untuk r lag waktu selanjutnya, korelasi silang akan memperlihatkan suatu pola
yang jelas
nt = y t − ν 0 xt − ν 1 xt −1 − ν 2 xt −2 − ... − ν g xt − g (2.25)
Tahap ini nilai-nilai nt dianalisis dengan cara ARIMA biasa untuk menetukan apakah
terdapat model ARIMA (pn , 0 , qn). Untuk menentukan model ARIMA ini digunakan
identifikasi fungsi autokorelasi dan korelasi parsial. Dengan cara ini fungsi
Pada tahap ini ditentukan model fungsi transfer secara tentative untuk menaksir nilai
Misalkan untuk nilai (r,s,b) = (2,2,2) dan deret gangguan mempunyai model
(ω 0 − ω1 B − ω 2 B 2 ) (1 − θ1 B)
yt = xt −2 +
(1 − δ 1B − δ 2 B ) (1 − φ1 B − φ 2 B 2 )
2 at (2.27)
Dari model diatas, tahap selanjutnya adalah menaksir nilai awal parameter –
parameter selalu diperbarui dan dihitung dengan taksiran a t. untuk memilih nilai
parameter terbaik, dilihat nilai jumlah kuadrat sisa (JKS) sampai mendekati nilai
minimum.
Pemeriksaan ini dilakukan dengan mempelajari nilai sisa akhir at dengan deret input
yang disesuaikan ( α t ). Jika nilai sisa tidak mempunyai pola tertentu, maka model
yang didapatkan sudah bersifat acak. Uji Box-Pierce untuk deret stasioner ARIMA (p,
d, q), rumusnya :
X 2 ( df ) = n∑ r 2 (k )
m
(2.28)
k −1
Dengan :
n = Jumlah pengamatan
k −1
Tujuan peramalan adalah untuk menduga nilai deret waktu untuk masa yang akan
dating dengan penyimpangan yang sekecil mungkin. Jika model yang ditetapkan
menunjukkan residual yang acakan, maka model itu dapat digunakan untuk maksud
PEMBAHASAN
Dalam penyelesaian suatu masalah diperlukan suatu data sebagai bahan penunjang
dan diharapkan mendekati masalah. Data yang diambil merupakan data historis dari
tekanan udara dan kecepatan angin kota medan dari tahun 2005 sampai 2009 yang
Tabel 3.1 Data Tekanan Udara Bulan Januari 2005 – Bulan Desember 2009
Tahun
Bulan
2005 2006 2007 2008 2009
Januari 1010.95 1010.63 1011.67 1009.97 1011.25
Februari 1011.43 1010.41 1010.77 1010.43 1009.80
Maret 1011.10 1009.67 1009.98 1009.34 1009.98
April 1010.70 1009.48 1009.94 1008.51 1009.67
Mei 1009.30 1009.96 1009.29 1009.14 1009.44
Juni 1009.34 1009.75 1007.94 1009.39 1009.34
Juli 1009.79 1009.92 1009.35 1009.31 1009.62
Agustus 1009.90 1010.05 1009.52 1009.37 1009.74
September 1010.26 1010.87 1009.51 1010.10 1010.33
Oktober 1010.60 1011.57 1009.89 1010.55 1010.84
November 1010.39 1010.20 1009.90 1009.18 1004.02
Desember 1009.93 1010.56 1009.37 1009.93 1010.10
Tahun
Bulan
2005 2006 2007 2008 2009
Januari 7 7 7 7 7
Februari 7 7 8 8 7
Maret 7 8 8 8 8
April 4 8 8 7 7
Mei 7 7 8 8 7
Juni 7 8 8 7 7
Juli 8 7 7 7 7
Agustus 8 8 8 6 7
September 7 7 8 6 7
Oktober 7 7 7 5 7
November 7 7 7 6 7
Desember 7 7 7 5 6
Langkah pertama yang perlu dilakukan untuk menganalisis data time series adalah
membuat plot data terhadap waktu dan melakukan interpretasi secara visual. Dengan
membuat plot data mentah, yaitu data yang akan diolah dan dianalisis, dapat dideteksi
pola tertentu.
Gambar 3.6 Autokorelasi Parsial Kecepatan Angin Kota Medan Tahun 2005-
2009
Dari plot data tekanan udara tahun 2005 – 2009 pada gambar 3.1 memperlihatkan
deret data tersebut tidak stasioner, plot autokorelasi memeperlihatkan sebuah trend
yang linier pada sepuluh log pertama yang artinya bahwa nilai dari autokorelasi
berturut – turut bernilai positif atau berkorelasi positif antara satu dengan yang
x1 = x1 - xt −1
x2 = x2 - x2−1
= 1010.95 – 1011.43
= -0.48
1 * 21 0.82 41 0.63
2 0.48 22 0.7 42 0.25
3 -0.33 23 -1.37 43 -0.08
4 -0.4 24 0.36 44 0.06
5 -1.4 25 1.11 45 0.73
6 0.04 26 -0.9 46 0.45
mengecil dan membesar deret data terjadi secara acak atau disebut random walk.
Maka untuk mengatasi pola musiman dari data tersebut perlu dilakukan transformasi
dan untuk membuat data stasioner pada rataan dan ragamnya. Untuk transformasi
lt = log (Y t )
l1 = log (Y 1 )
= log ( 7 )
= 0.845098
Yt = y t − y t −1
Y2 = y 2 − y 2−1
= 0.8451 0.8451
= 0
Untuk nilai y3 dan y 4 dan seterusnya dapat dilihat dalam tabel 3.5
∑ (X )( )
n−k
− X X t +k − X
∑ (X )
t =1
t
rk =
−X
n
2
t =1
t
r1 =
(1010.95 − 1009.887 )(1011.43 − 1009.887) + ... + (1004.02 − 1009.887)(1010.1 − 1009.887)
(1010.95 − 1009.887) 2 + (1011.43 − 1009.887) 2 + ... + (1010.1 − 1009.887)
= -0.
Dari plot autokorelasi diatas tidak terdapat nilai autokorelasi yang berbeda
nyata dari nol sehingga diduga orde dari proses AR adalah 0 (p = 1 ), autokorelasi
parsial tidak menunjukkan nilai yang berbeda dari nol maka diduga proses dari MA
φ
Parameter Taksiran Standar Nilai-t
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87
Ho = Parameter berbeda
derajat kebebasan N-Np = 60 – 1 = 59. Hal ini menunjukkan bahwa semua penduga
kedalam model.
Hal yang diperlukan dalam pemeriksaan sisaan adalah nilai-nilai koefisien korelasi
dari sisaan. Koefisien autokorelasi dari data random mempunyai distribusi sampling
yang mendekati kurva normal dengan nilai tengah nol dan kesalahan standar 1 / n .
Hal ini dapat ditetapkan apakah berasal dari korelasi yang mempunyai nilai
autokorelasi nol pada time lag k. Karena sisaan adalah 59, maka kesalahan standar
adalah 1/ 59 = 0,1302. Ini berarti bahwa 95 % dari seluruh nilai tengah ditambah
atau dikurangi 1,96 kali kesalahan standar. Setelah dilakukan pengujian, sisaan
-0.255 ≤ rk ≤ 0.255
Deret input Xt (Tekanan Udara) dimodelkan sebagai proes ARIMA (1,1,1) karena xt
φ x ( B)
αt =
θ x (B)
xt
(1 − 0.0242B1 ) x t = (1 − 0.9425B1 )α t
αt = xt − 0.0242xt −1 + 0.9425α t −1
Menurut makridarkis deret output tidak harus diubah menjadi “white noise”, karena
pada prinsipnya fungsi transfer adalah memetakan nilai- nilai xt ke yt , sehingga deret
output diputihkan dengan deret yang sama dengan deret input, dengan persamaan
(2.15) yaitu
ϕ x (B)
βt =
θ x (B)
yt
φ x (B) y t = θ x (B) β t
βt = y t − 0.0242 y t −1 + 0.9425β t −1
Ringkasan statistik untuk pemutihan deret input dan output adalah sebagai berikut :
βt -0.0356 0.647
Perhitungan korelasi silang dapat dicari dengan menggunakan persamaan (2.16) yaitu
sebagai berikut
Analisis lengkap korelasi silang pemutihan deret input dan output diatas
menyatakan pengaruh nilai deret input terhadap nilai output atau indicator leading.
Dari hasil analisa korelasi silang diatas terdapat dua belas bulan penundaan kecepatan
angin terhadap tekanan udara artinya pengaruh kecepatan angin sebelumnnya lebih
Perhitunngan korelasi untuk pemutihan deret input dapat dihitung dengan rumus
sebagai berikut:
∑ (X )( )
n−k
− X X t +k − X
∑ (X )
t =1
t
rk =
−X
n
2
t =1
t
Lag rk Lag rk
1 0.04021591 9 -0.02064
2 -0.057371361 10 -0.105080719
3 0.130714132 11 0.085272976
4 0.026797644 12 0.174061876
5 -0.075086864 13 -0.044747285
6 -0.053554555 14 -0.052857377
7 -0.039005008 15 -0.042524993
8 -0.093415034 16 -0.103872161
Perhitungan untuk korelasi diri dari deret output dihitung denngan menggunakan
rumus :
∑ (Y )( )
n−k
− Y Y1+ k − Y
∑ (Y )
t =1
t
rk =
−Y
n
2
t =1
t
Lag rk Lag rk
1 0.341110646 9 0.007290128
2 0.31771818 10 0.068471715
3 0.012044455 11 0.034954402
5 -0.085930642 13 0.157610739
6 -0.023493691 14 -0.02822085
7 -0.109848143 15 0.017709772
8 0.037320881 16 -0.170691254
V Nilai v Nilai
0 -0.149122865 11 -0.07842318
1 0.000594115 12 -0.04396451
2 -0.011288185 13 0.00356469
3 -0.037429245 14 0.012476415
4 0.035052785 15 0.012476415
6 0.04871743 17 0.057629155
7 0.039805705 18 0.03089398
8 -0.005347035 19 -0.004158805
9 -0.06297619 20 -0.046935085
10 -0.069511455 21 -0.095652515
Dari hasil analisis korelasi silang atau penaksiran langsung bobot respon impuls, nilai
yang signifikan dari nol adalah pada lag ke-16 artinya enam belas bulan penundaan
kerana itu b = 16 dan diikuti oleh satu lag selanjutnya maka nilai s = 1 dan r =1 dilihat
Peubah r s b
Tekanan Udara 1 1 16
(ω 0 − ω t β )
yt = xt −16 + nt
(1 − δβ )
Dengan menggunakan persamaan (2.25), maka akan dapat dihitung nilai dari noise
( nt ) dengan rumus :
nt = y t − ν 0 x1 − ν 1 xt −1 − ν 2 xt −2 − ... − ν 21 xt −21
Bila kita menggunakan 22 pembobot ( v0 dan v21 ) maka akan terdapat 38 nilai
( nt ). Terdapat59 nilai y t dan xt dan akan kehilangan 22 nilai akibat adanya 22 waktu
Perhatikan n22 :
= -0.18165
Untuk nilai n23, n24, …, n38 cdapat dilihat pada tabel 3.13
No. nt No. nt
1 -0.18165 20 -0.23965
2 -0.18165 21 -0.18165
3 -0.18165 22 -0.24855
4 -0.12365 23 -0.18165
5 -0.18165 24 -0.26085
6 -0.18165 25 -0.10245
7 -0.18165 26 -0.26085
8 -0.18165 27 -0.03555
9 -0.23965 28 -0.18165
10 -0.12365 29 -0.12365
11 -0.18165 30 -0.23965
12 -0.23965 31 -0.18165
13 -0.18165 32 -0.18165
14 -0.18165 33 -0.18165
15 -0.18165 34 -0.18165
fungsi koefisien kiri dan kanan, ω (B) dan δ ( B) , untuk model transfer (r,s,b) =
(1,1,16), persamaannya adalah sebagai berikut :
V0 =0
V1 =0 j<b
V2 =0 j<b
.
.
.
V17 = δ 1ν 16 + δ 2ν 1 − ω1 j<b+1…b+s
= δ 1ν 21−1
.
V21 j>b+s
Nilai v didapat dari pembobot impuls (v0, ...,v21), dari rumus diatas didapat
taksiran awal parameter model yaitu sebagai berikut :
Parameter δ1 ω0 ω1
Nilai -0.04069631 0.07367026 -0.05095479
Parameter Nilai
δ1 -0.04069631
ω0 0.07367026
ω1 -0.05095479
θ
Parameter Taksiran Standar Nilai-t
0.357 0.161 2.211
(−0.07367026) − (−0.05095479B)
yt = xt −16 + (1 − 0.357)at
(1 − (−0.04069631B))
at = y t − d1 y t −1 + e0 xt −16 + e1 xt −17 + f1 at −1
Dengan :
d1 = δ1 = -0.04069631
e0 = ω 0 = 0.07367026
e1 = ω1 = -0.05095479
f1 = θ1 = 0.357
Jika diasumsikan a1 ...a17 sama dengan nol, maka a18 dapat dihitung dengan
persamaan :
No. at No. at
1 0.060213 22 -0.05579
2 0.060213 23 0.060213
3 -0.05579 24 -0.05579
4 0.002213 25 0.002213
5 0.002213 26 -0.06469
6 0.002213 27 0.002213
7 0.002213 28 -0.07699
8 0.060213 29 0.081413
9 0.002213 30 -0.07699
10 0.002213 31 0.148313
11 0.002213 32 0.002213
12 0.002213 33 0.060213
13 -0.05579 34 -0.05579
14 0.060213 35 0.002213
15 0.002213 36 0.002213
16 -0.05579 37 0.002213
17 0.002213 38 0.002213
18 0.002213 39 0.002213
19 0.002213 40 0.002213
20 0.060213 41 0.002213
21 0.002213 42 -0.06469
Untuk menentukan autokorelasi gugus residu signifikan dari nol akan digunakan uji
statistik Box-Pierce dengan rumus :
X 2 ( m − pn,qn) = (n − 1 − r − s − b) ∑ r 2 aa (k )
m
k −1
= 30.64251
Dengan memperhatikan tabel X2 untuk drajat bebas 15 dengan tingkat
kepercayaan 90% nilainya adalah 22,3 , berarti Qhitung lebih besar dari Qtabel ,
Tabel 3.15 Korelasi silang dari Gugus Residu ( at ) dengan Pemutihan deret
input ( α t )
(αt )
0 0.296 pemutihan
deret input
gugus residu ( at ) apakah secara signifikan berbeda dari nol digunakan kembali
X 2 (m− r ,s ) = (n − 1 − s − b − p)∑ r 2 aa (k )
persamaan Box- Pierce
m
k −1
X 2
( 20−1,1) = (60 − 1 − 1 − 16 − 0)[( 0.296)2 + (0.042)2 + …+ (-0.004)2 + (-0.183)2]
= 11.36734
Dengan memperhatikan tabel X2 untuk derajat bebas 18 dengan tingkat kepercayaan
90% nilainya adalah 31.5264, berarti Qhitung lebih kecil dari Qtabel , kesimpulan bahwa
Model peramalan yang digunakan untuk contoh model (1,1,16) (0,1) adalah :
ŷt = δ 1 y t −1 + ω 0 xt −16 − ω1 xt −17 − θ1 at −1
ŷ61 = δ 1 y 60 + ω 0 x 45 − ω1 x 44 − θ1 a60
= (-0.04069631)( 0.7782) + (0.07367026)( 0.73) – (-0.05095479)
(0.06) –(0.357)( -0.06469)
= 0.048261
Total kecepatan angin untuk periode 61 = Total kecepatan angin periode 60 + ŷ60
Ŷ = 6 + 0.048261
= 6.048261 knot
4.1 Kesimpulan
ramalan kecepatan angin bulanan berdasarkan tekanan udara dengan fungsi transfer,
1. Plot Autokorelasi data awal Tekanan Udara secara halus membentuk pola
2. Model ARIMA untuk tekanan udara adalah ARIMA (1,1,1) dengan taksiran
φ
Parameter Taksiran Standar Nilai-t
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87
kepercayaan (-0.255 ≤ rk ≤ 0.255) artinya model telah sesuai untuk model tekanan
udara.
3. Dari analisis korelasi silang antara deret input dan output didapat nilai r,s,b
(1,1,16) artinya bahwa deret input (tekanan udara) akan mempengaruhi output
δ1
Parameter Nilai
-0.04069631
ω0 0.07367026
ω1 -0.05095479
5. Dari analisis noise awal didapat model ARIMA (0,0,1) dengan nilai taksiran
6. Dari nilai sisa (residu) at didapat Qhitung =30.64251 dan Qtabel = 22.3 dengan
7. Analisis korelasi silang α t dan at diperoleh Qhitung = 11.36734 lebih kecil dari
ŷt = δ 1 y t −1 + ω 0 xt −16 − ω1 xt −17 − θ1 at −1
BAB 4
4.1 Kesimpulan
ramalan kecepatan angin bulanan berdasarkan tekanan udara dengan fungsi transfer,
9. Plot Autokorelasi data awal Tekanan Udara secara halus membentuk pola
10. Model ARIMA untuk tekanan udara adalah ARIMA (1,1,1) dengan taksiran
φ
Parameter Taksiran Standar Nilai-t
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87
kepercayaan (-0.255 ≤ rk ≤ 0.255) artinya model telah sesuai untuk model tekanan
udara.
δ1
Parameter Nilai
-0.04069631
ω0 0.07367026
ω1 -0.05095479
13. Dari analisis noise awal didapat model ARIMA (0,0,1) dengan nilai taksiran
14. Dari nilai sisa (residu) at didapat Qhitung =30.64251 dan Qtabel = 22.3 dengan
15. Analisis korelasi silang α t dan at diperoleh Qhitung = 11.36734 lebih kecil dari
16. Model yang cocok digunakan untuk peramalan kecepatan angin bulanan di
ŷt = δ 1 y t −1 + ω 0 xt −16 − ω1 xt −17 − θ1 at −1
4.1 Kesimpulan
ramalan kecepatan angin bulanan berdasarkan tekanan udara dengan fungsi transfer,
17. Plot Autokorelasi data awal Tekanan Udara secara halus membentuk pola
18. Model ARIMA untuk tekanan udara adalah ARIMA (1,1,1) dengan taksiran
φ
Parameter Taksiran Standar Nilai-t
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87
kepercayaan (-0.255 ≤ rk ≤ 0.255) artinya model telah sesuai untuk model tekanan
δ1
Parameter Nilai
-0.04069631
ω0 0.07367026
ω1 -0.05095479
21. Dari analisis noise awal didapat model ARIMA (0,0,1) dengan nilai taksiran
22. Dari nilai sisa (residu) at didapat Qhitung =30.64251 dan Qtabel = 22.3 dengan
23. Analisis korelasi silang α t dan at diperoleh Qhitung = 11.36734 lebih kecil dari
24. Model yang cocok digunakan untuk peramalan kecepatan angin bulanan di
ŷt = δ 1 y t −1 + ω 0 xt −16 − ω1 xt −17 − θ1 at −1
Sofyan Assauri. 1984. “Teknik dan Metode Peramalan”. Jakarta : Penerbit Fakultas
Bumi Aksara.
Bogor.
Makridakis S, Wheelwright S.C dan Mc Gee V.E. 1993. “Metode dan Aplikasi
http://www.maljoivi.com/pustaka.ut.ac.id/pusalata/metode-box-jenkins.pdf
http://www.mudrajad.com/upload/journal_analisis-box-jenkins.pdf
1 Januari 2005 7
2 Februari 2005 7
3 Maret 2005 7
4 April 2005 4
5 mei 2005 7
6 Juni 2005 7
7 Juli 2005 8
8 Agustus 2005 8
9 September 2005 7
10 Oktober 2005 7
11 November 2005 7
12 Desember 2005 7
13 Januari 2006 7
14 Februari 2006 7
15 Maret 2006 8
16 April 2006 8
17 Mei 2006 7
18 Juni 2006 8
19 Juli 2006 7
20 Agustus 2006 8
21 September 2006 7
22 Oktober 2006 7
23 November 2006 7
24 Desember 2006 7
25 Januari 2007 7
26 Februari 2007 8
27 Maret 2007 8
28 April 2007 8
29 Mei 2007 8
30 Juni 2007 8
31 Juli 2007 7
32 Agustus 2007 8
33 September 2007 8
34 Oktober 2007 7
35 November 2007 7
Autocorrelation
Series : Udara
Lag Autocorrelation Std. Errora Box-Ljung Statistic
Value df Sig.b
1 .143 .126 1.294 1 .255
2 .043 .125 1.412 2 .494
3 .098 .124 2.040 3 .564
4 .011 .123 2.048 4 .727
5 -.055 .122 2.251 5 .813
6 -.020 .120 2.278 6 .892
7 -.003 .119 2.279 7 .943
8 -.041 .118 2.397 8 .966
9 .016 .117 2.416 9 .983
10 -.066 .116 2.739 10 .987
11 .112 .115 3.699 11 .978
12 .191 .114 6.516 12 .888
13 .002 .112 6.516 13 .925
14 -.010 .111 6.524 14 .952
15 -.001 .110 6.524 15 .970
16 -.037 .109 6.638 16 .980
Partial Autocorrelations
Series : Udara