Peramalan Kecepatan Angin Bulanan Di Medan Berdasarkan Tekanan Udara Dengan Fungsi Transfer

PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN
BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER
TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya
YUSRINA BATUBARA
072407019
PROGRAM STUDI D-III STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2010
Universitas Sumatera Utara

PERSETUJUAN
Judul : PERAMALAN KECEPATAN ANGIN BULANAN DI

MEDAN BERDASARKAN TEKANAN UDARA
DENGAN FUNGSI TRANSFER
Kategori : TUGAS AKHIR
Nama : YUSRINA BATUBARA
Nomor Induk Mahasiswa : 072407019
Program Studi : DIPLOMA (D3) STATISTIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Diluluskan di
Medan, Mei 2010
Diketahui
Departemen Matematika FMIPA USU Pembimbing 1
Ketua,
Dr. Saib Suwilo, M.Sc Drs. Marwan Harahap, M.Eng

NIP. 19640109 198803 1 004 NIP. 19461225 197403 1 001

PERNYATAAN
PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN

BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER
TUGAS AKHIR
Saya mengakui bahwa Tugas Akhir ini adalah hasil kerja saya sendiri, kecuali
beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Mei 2010
YUSRINA BATUBARA
072407019

PENGHARGAAN
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.
2. Bapak Dr. Eddy Marlianto, M.Sc, selaku Dekan FMIPA USU.
3. Bapak Dr. Saib Suwilo, M.Sc, selaku ketua Departemen Matematika.
4. Bapak Drs. Suwarno Ariswoyo, M.Si, selaku Ketua jurusan Statistika.
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.
6. Untuk Zulham terima kasih telah memberikan bantuan dan memberikan

semangat serta motivasi, Untuk sahabatku, Ilva octaviana Dewi Nasution,
Prima jana AS, Tongku Hasibuan, Kiki fajri terima kasih telah membantu dan
memahamiku selama ini.
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.

DAFTAR ISI
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
BAB 2 Landasan Teori

2.1 Peramalan 11
2.2 Peranan Teknik Peramalan 12
2.3 Jenis-jenis Peramalan 12
2.3.1 Peramalan Kualitatif 13
2.3.2 Peramalan Kuantitatif 13
2.4 Pemilihan Teknik dan Metode Peramalan 14
2.5 Kestasioneran Data Deret Berkala 17
2.5.1 Pembedaan (Diffrencing) 17
2.6 Koefisien Autokorelasi 18
2.7 Koefisien Autokorelasi Parsial 19
2.8 Model Regresi Diri (AR) 20
2.9 Model Rataan Bergerak (MA) 20
2.10 Model Campuran AR dan MA 21
2.11 Model Fungsi Transfer 22
2.12 Tahapan Pembentukan Model Fungsi Transfer 25
2.12.1 Mempersiapkan Deret Input dan Output 25
2.12.1.1 Pemutihan Deret Input ( xt ) 26
2.12.1.2 Pemutihan Deret Output ( yt ) 26
2.12.1.3 Perhitungan Korelasi Silang dan Korelasi Diri 27
2.12.1.4 Pendugaan Langsung Bobot Respons Impuls 28
2.12.1.5 Penetapan Parameter (r,s,b) 29
2.12.1.6 Penaksiran Awal Deret Gangguan ( nt ) 30
2.12.1.7 Penetapan (P n, qn) untuk Model ARIMA (Pn, qn)
dari Deret Gangguan ( nt ) 31
2.12.2 Penaksiran Parameter-Parameter Model 31

2.12.2.1 Pendugaan Awal Parameter Model 31
2.12.2.2 Penaksiran Akhir Parameter Model 32
2.12.3 Pemeriksaan Diagnostik Model 32
2.12.4 Peramalan dengan Model Transfer 33
BAB 3 Analisa dan Evaluasi

3.1 Studi Kasus 34
3.2 Analisis Plot Data Awal 36
3.3 Identifikasi Bentuk Model 39
3.3.1 Memeriksa Kestasioneran Data 39
3.3.2 Pengecekan Model 46
3.4 Pemutihan Deret Input (α t )

3.3.2.1 Pemeriksaan Sisaan 46
47
3.5 Pemutihan Deret Output ( β t ) 49
3.6 Pendugaan Korelasi Silang dan Korelasi Diri 51
3.6.1 Korelasi Silang 51
3.6.2 Korelasi Diri 52
3.7 Pendugaan Langsung Bobot Impuls 55
3.8 Penetapan (r,s,b) untuk Model Fungsi Transfer 56
3.9 Pengamatan Awal Deret Noise 57
3.10 Penaksiran Parmeter-parameter ModelFungsi Transfer 60
3.10.1 Taksiran awal Parameter Model 60
3.10.2 Taksiran akhir Parameter Model 61
3.11 Pemeriksaan Diagnostik Model 62
3.11.1 Analisis nilai sisa (residu) at 64
3.12 Peramalan dengan Fungsi Transfer 66
BAB 4 Kesimpulan dan Saran

4.1 Kesimpulan 67
4.2 Saran 68
Daftar Pustaka 69
Lampiran

DAFTAR TABEL
Halaman
Tabel 3.1 Data Kecepatan Angin Bulan Januari 2005 – Bulan

Desember 2009 34
Tabel 3.2 Data Kecepatan Angin Bulan Januari 2005 – Bulan
Desember 2009 35
Tabel 3.3 Pembedaan Pertama Deret Input ( X t ) 39
Tabel 3.4 Data Hasil Transformasi Logaritma 41
Tabel 3.5 Pembedaan Pertama dari Data Transformasi 42
Tabel 3.6 Nilai-nilai Autokorelasi dan Autokorelasi Parsial Data Hasil
Deret Input ( xt ) 44
Tabel 3.8 Pemutihan Deret Output ( β t )

Tabel 3.7 Pemutihan Deret Input 48
49
Tabel 3.9 Analisis Lengkap Korelasi Silang 51
Tabel 3.10 Autokorelasi Pemutihan Deret Input 53
Tabel 3.11 Autokorelasi Pemutihan Deret Output 53
Tabel 3.12 Pendugaan Langsung Bobot Impuls 55
Tabel 3.13 Perkiraan Awal Deret Komponen Gangguan Noise 57
Tabel 3.14 Gugus Residu Akhir ( at ) 62
Tabel 3.15 Korelasi Silang Dari Gugus Residu ( at ) dengan Pemutihan

Deret Input ( α t ) 65

DAFTAR GAMBAR
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

BAB 1
PENDAHULUAN
1.1. Latar Belakang
Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta
yang sejak tahun enam puluhan telah diterapkan menjadi suatu direktorat perhubungan
udara. Direktorat tersebut bertugas mengadakan penelitian dan pelayanan meterologi
dan geofisika yang salah satu bidangnya adalah iklim.
Iklim merupakan kebiasaan alam yang digerakkan oleh gabungan beberapa
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
lintang, tekanan, arus laut, dan permukaan tanah.
Pengaruh timbal balik antara faktor tersebut akan menentukan pola yang
diperlihatakan oleh unsur. Tetapi sebaliknya, unsur-unsur tersebut pada suatu batas
tertentu akan mempengaruhi faktor juga,sehingga keadaan cenderung untuk
melanjutkan proses timbal balik tadi. Batas pola yang ditentukan itu umumnya stabil.
Terjadinya penyimpangan tidak dapat dihindaripada proses tersebut. Penyimpangan
yang dimaksud sesungguhnya merupakan pengecualian yang harus diperhatikan,

Sebagai contoh angin dengan kecepatan yang tinggi akan mengakibatkan masalah
seperti angin bahorok, puting beliung, dan lain-lain.
Penyimpangan tesebut dapat menimbulkan bencana baik bagi manusia, ternak,
tumbuh-tumbuhan, seperti halnya penyimpangan yang ditimbulkan akibat banjir,
angin puting beliung,badai,Kekeringan, dan sebagainya.
Iklim beserta unsurnya adalah hal penting untuk diperhatikan dan dipelajari
dengan sebaik-baiknya, karena pengaruhnya sering menimbulkan masalah yang berat
bagi manusia serta makhluk hidup lainnya. Masalah tersebut merupakan tantangan
bagi manusia karena harus berusaha untuk mengatasinya dengan menghindari atau
memperkecil pengaruh yang tidak menguntungkan kehidupan manusia.
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
penyebaran curah hujan.
Perubahan tekanan udara akan menyebabkan perubahan kecepatan dan arah
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

karna perbedaan suhu yang disebabkan; san angin yang berasal dari lautan atau
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.
Berdasarkan uraian di atas, penulis tertarik untuk meneliti apakah tekanan
udara mempunyai pengaruh terhadap kecepatan angin pada bulan Januari 2010
berdasarkan data dari bulan Januari 2005 sampai dengan Desember 2009, dan
berusaha menetapkan model peramalannya.maka penulis memilih judul
“PERAMALAN KECEPATAN ANGIN BULANAN DI
MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI
TRANSFER”.
1.2. Perumusan Masalah
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
masalah tersebut dirumuskan dalam sejumlah pertanyaan – pertanyaan penelitian
sebagai berikut :
1. Bagaimana pengaruh Tekanan Udara terhadap kecepatan angin bulanan di
Medan

2. Bagaimana model peramalan yang dihasilkan oleh fungsi transfer, sesuai data
tekanan udara dan kecepatan angin pada bulan januari 2005 sampai dengan
desember 2009.
1.3. Batasan Masalah
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
adalah metode fungsi transfer.
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah :
1. Menerapkan metode analisis fungsi transfer untuk melihat pengaruh tekanan
udara terhadap kecepatan angin bulanan di kota Medan.
2. Menduga model peramalan kecepatan angin bulanan yang berkenaan dengan
tekanan udara dengan fungsi transfer, sesuai data tekakan udara dan kecepatan
angin pada bulan januari 2005 sampai dengan desember 2009?

1.5. Kontribusi Penelitian
Perubahan tekanan udara akan menyebabkan perubahan kecepatan dan arah angin
perubahan ini akan membawa pula pada perubahan suhu dan curah hujan yang pada
umumnya sangat menentukan sifat-sifat iklim dan cuaca suatu arah.
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
dan panas. Penganalisaan dengan menggunakan metode transfer diharapkan dapat
menjadi bahan masukan dan bermanfaat bagi pihak instansi (BMG), PERUMKIM,
penerbangan, peternakan, perkebunan untuk memberikan gambaran di waktu yang
akan datang.
1.6. Tinjauan Pustaka
ARIMA dikembangkan oleh Box-Jenkins sehingga disebut ARIMA Box-Jenkins.
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
variabel-variabel independen yang dapat digunakan untuk menjelaskan variabel utama
(dependent) yang diminati, tetapi model ini juga digunakan bila datanya tersedia
dalam jumlah yang cukup besar sehingga membentuk runtun waktu yang cukup
panjang.

Dalam meramalkan kecepatan angin, penulis menggunakan metode Box –
Jenkins fungsi transfer. Model – model Autoregresive/Moving Average (ARIMA)
telah dipelajari secara mendalam oleh George Box dan Gwilyn Jenkins (1976), dan
nama mereka sering disinonimkan dengan proses ARIMA yang diterapkan untuk
analisis deret berkala, peramalan dan pengendalian.
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
deret berkala multivariat.
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
untuk model yang tidak statis menggunakan ARIMA (Autoregressiv-Integrated-
Moving-Average)
.
Model multivariat (fungsi transfer) menggabungkan beberapa karakteristik dari
model – model ARIMA univariat dan beberapa karakteristik analisis regresi berganda,
maka apa yang dibicarakan sebenarnya adalah metode yang menggabungkan
pendekatan deret berkala dengan pendekatan kausal. Tujuan pemodelan fungsi
transfer adalah untuk menetapkan model yang sederhana, yang menghubungkan
Y t (output) dengan X t (Input) dan N t (gangguan). Tujuan utama pemodelan ini

adalah untuk menetapkan peranan indikator penentu (leading indicator) deret input
dalam rangka menetapkan deret output. Model fungsi tranfer merupakan
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
dihasilkan disebut fungsi transfer (Makridarkis, 1983).
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.
Tahap keempat adalah peramalan berdasarkan model yang di dapat.
1.7. Metode Penelitian
Peramalan adalah memperkirakan apa yang terjadi pada masa yang akan datang.
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi
dimasa depan, berdasarkan data relevan pada masa lalu.
Metode yang digunakan dalam Tugas Akhir ini adalah metode peramalan
dengan menggunakan fungsi transfer, adapun langkah–langkah yang dilakukan
sebelum data akan diramalkan dengan fungsi transfer, sebagai berikut :
1. Plot data
2. Identifikasi bentuk model

2.1 Memeriksa kestasioneran data
2.2 Pemutihan deret input
2.3 Pemutihan deret output
2.4 Perhitungan korelasi silang dan auto korelasi dari deret input dan
output yang telah diputihkan.
2.5 Pendugaan langsung bobot respons impuls.
2.6 Penetapan (r,s,b) untuk model fungsi transfer.
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
yt = Nilai Y t yang telah ditransformasikan dan dibedakan
xt = Nilai X t yang telah ditransformasikan dan dibedakan
r,s,p,q dan b = Konstanta
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
terhingga jumlahnya. Nilai b menyatakan bahwa y t tidak dipengaruhi oleh nilai x t
sampai periode t+b atau (y t = θ x t + θ x t +1 + θ x t +2 + ...+ ω 0 x t −b ), s menyatakan
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
menyatakan bahwa y t berkaitan dengan nilai – nilai sebelumnya sebagai berikut :

y dipengaruhi oleh (y t −1 , y t −2 , y t −3 , . . . , y t − x ).
2.7. Penaksiran awal deret gangguan ( n t )
2.8. Penetapan ( P n , q n ) untuk model ARIMA (P n , 0, q n ) dari deret
gangguan (n t ).
3. Penaksiran parameter – parameter model fungsi transfer
3.1. Penaksiran awal parameter model
3.2. Penaksiran akhir parameter model
4. Pemeriksaan diagnostik model
4.1. Perhitungan autokorelasi dari nilai sisa model (r,s,b)
4.2. Perhitungan korelasi silang nilai sisa model (r,s,b) dengan deret
gangguan yang telah diputihkan
5. Peramalan dengan model fungsi transfer.
1.8. Sistematika Penulisan
Penulisan Tugas Akhir ini disusun secara sistematis didalamnya dikemukakan
beberapa hal, dimana setiap bab seperti yang tercantum dibawah :
BAB 1 : PENDAHULUAN
Menjelaskan latar belakang masalah, perumusan masalah, tinjauan pustaka, tujuan
penelitian, kontribusi penelitian, dan sistematika penulisan.

BAB 2 : LANDASAN TEORI
Menjelaskan uraian teoritis tentang segala sesuatu yang berhubungan dengan masalah
Tugas Akhir.
BAB 3 : ANALISA DAN EVALUASI
Menyajikan pembahasan dan hasil penelitian
BAB 4 : KESIMPULAN DAN SARAN
Pada bab ini penulis memberikan beberapa kesimpulan dan saran sesuai dengan hasil
analisis yang dilakukan.

BAB 2
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
peramalan. Dengan demikian dapat dikatakan bahwa peramalan merupakan dasar
untuk penyusunan rencana.

Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
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.
2.2 Peranan Teknik Peramalan
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.
2.3 Jenis-jenis Peramalan
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara
melihatnya. Berdasarkan sifatnya peramalan dapat dibedakan menjadi 2 (dua) macam
yaitu peramalan kualitatif dan peramalan kuantitatif.

2.3.1 Peramalan kualitatif
Peramalan kualitatif merupakan peramalan yang didasarkan atas data kualitatif pada
masa lalu. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan
pemikiran yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman
penyusunnya.
2.3.2 Peramalan Kuantitatif
Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang
dipergunakan dalam peramalan tersebut. Baik tidaknya metode yang digunakan
ditentukan oleh perbedaan antara penyimpangan hasil ramalan dengan kenyataan yang
terjadi. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut :
1. Menganalisa data masa lalu.
2. Menentukan metode yang dipergunakan.
3. Memproyeksikan data yang lalu dengan menggunakan metode yang akan
dipergunakan dan mempertimbangkan adanya beberapa faktor perubahan.
Metode peramalan kuantitatif dibagi atas dua bagian yaitu :
a. Analisa deret berkala (time series), yang berdasarkan hasil ramalan yang
disusun atas pola hubungan antara variabel yang dicari dengan variabel waktu
yang mempengaruhinya. Analisa deret berkala ini mancakup :
• Metode Pemulusan (Smoothing)
• Metode Box jenkins

• Metode Variasi Musiman
b. Metode kausal yaitu peramalan yang mengamsusikan bahwa faktor yang
diramalkan sebab akibat dengan satu atau lebih variabel bebas. Metode ini
berdasarkan hasil yang disusun atas pola hubungan antara variabel yang dicari
dengan variabel-variabel yang mempengaruhinya yang bukan waktu.
• Metode Regresi dan Korelasi
• Metode Ekonometrik
• Metode Input-Output
2.4 Pemilihan Teknik dan Metode Peramalan
Penggunaan peramalan dalam pengambilan keputusan oleh setiap pimpinan, baik
pimpinan perusahaan maupun pimpinan organisasi pemerintah merupakan hal yang
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.
Dalam pemilihan teknik-teknik dan metode peramalan, pertama perlu
diketahui ciri-ciri penting, yang perlu diperhatikan untuk pengambilan keputusan dan
analisa keadaan dalam mempersiapkan peramalan.

Adapun enam faktor utama yang dapat diidentifikasikan sebagai teknik dan
metode peramalan, yaitu :
1. Horison waktu
Merupakan pemilihan yang didasarkan atas jangka waktu permalan yaitu :
a. Peramalan yang segera dilakukan dalam waktu kurang dari satu bulan
b. Peramaln jangka pendek dengan waktu antara satu sampai tiga bulan
c. Peramalan jangka menengah dengan waktu antara tiga bulan sampai
dua tahun
d. Peramalan jangka panjang dengan waktu dua tahun ke atas
2. Pola Data
Salah satu dasar pemilihan metoda permalan adalah dengan
memperhatikan pola data yang diramalkan. Ada empat jenis pola data
mendasar yang terdapat dalam suatu dereran data yaitu :
a. Pola Horisontal (H) terjadi bilamana berfluktuasi disekitar nilai rata-
rata yang konstan, (Derat seperti ini adalah “stasioner” terhadap nilai
rata-ratanya).
b. Pola Musiman (M) terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (Misalnya : kuartalan, bulanan, mingguan atau hari-hari pada
minggu tertentu).
c. Pola Siklus (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus
bisnis.
d. Pola Trend (T) terjadi bilamana terdapat kenaikan atau penurunan
jangka panjang dalam data.

3. Jenis dari model
Banyak metode peramalan telah menganggap adanya beberapa model dari
keadaan yang diramalkan. Model-model ini merupakan suatu deret dimana
waktu digambarkan sebagai unsur yang penting untuk menentukan
perubahan-perubahan dalam pola, memungkinkan secara sistematik dapat
dijelaskan dengan analisa regresi atau korelasi. Model tersebut mempunyai
kemampuan yang berbeda dalam analisa keadaan untuk mengambil
keputusan.
4. Biaya yang dibutuhkan
Biaya yang tercakup dalam penggunaan suatu prosedur ramalan yaitu
biaya-biaya, pengembangan, penyimpangan data, operasi pelaksana dan
kesempatan dalam penggunaan dalam teknik-teknik dan metode lainnya.
Adanya perbedaan yang nyata dalam jumlah biaya mempunyai pengaruh
dalam penggunaan metode tertentu untuk suatu keadaan yang dihadapi.
5. Ketepatan metode peramalan
Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan
tingkat perincian yang dibutuhkan dalam suatu peramalan. Dalam
mengambil keputusan, variasi atau penyimpangan atas peramalan yang
dilakukan antara 10% sampai 15% bagi maksud-maksud yang diharapkan,
sedangkan untuk hal atau kasus lain mungkin menganggap bahwa adanya
variasi atau penyimpangan atas ramalan sebesar 5% adalah cukup
berbahaya.

6. Kemudahan dalam penerapan
Dalam penggunaaan metode peramalan untuk manajemen dan analisis
adalah metode-metode yang dapat dimengerti dan mudah diaplikasikan
yang akan dipergunakan dalam pengambilan keputusan dan analisa.
2.5 Kestasioneran Data Deret Berkala
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
berkala yang stasioner.
2.5.1 Pembedaan (Differencing)
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
dikatakan deret tersebut konstan.
Data deret berkala yang tidak stasioner dalam nilai tengah dapat distasionerkan
dengan pembedaan (difference) drajat d. Notasi yang bermamfa’at adalah operator
shift mundur (backward shift) B, yang penggunaannya adalah sebagai berikut :
Misalakan ada suatu deret data X 1 , X 2 ,..., X t maka untuk memperkirakan
X 1 dilakukan dengan mengurangi satu periode kebelakangnya dengan cara :

B X t = X t −1
Dengan kata lain, notasi B yang dipasang pada X t , mempunyai pengaruh menggeser
data 1 periode kebelakang.
Pembedaan pertama dapat dirumuskan
X 1t = X t −1 (2.1)
Menggunakan operator shift mundur persamaan dapat menjadi
X 1t = X t - B X t = (1-B) X t
Sedang pembedaan kedua adalah
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
Secara umum pembedaan d dirumuskan
X t = (1 – B)d X t (2.2)
2.6 Koefisien Autokorelasi
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
n =k
− X )(X t +k − X )
i =1
t
∑ (X
rk = (2.3)
t − X)2
Dengan :
rk = Autokorelasi pada lag ke-k
Xt = Nilai pengamatan ke-t
X t +k = Nilai pengamatan saat ke-t+k
X = Rata-rata pengamatan
2.7 Koefisien Autokorelasi Parsial
Koefisien autokorelasi parsial digunakan untuk model autukorelasi parsial digunakan
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
adalah untuk menetapkan model ARIMA yang tepat untuk peramalan.
Autokorelasi parsial pada lag ke-k ( φ kk ) adalah sebagai koefisien autoregresif
terakhir dari model AR (k), dan memenuhi persamaan sebagai berikut :
P j = φ k 1 ρ j −1 + φ k 1 ρ j −2 +...+ φ kk ρ j −k ;j = 1,2,...,k (2.4)
Pendugaan koefisien autokorelasi parsial dapat dilakukan subsitusi r j untuk
O j dan menyelesaikan persamaan diatas dengan metode rekursif, Simpangan baku
dari penduga φ kk adalah 1/ n , dimana n adalah jumlah pengamatan dikurangi lag (k).

2.8 Model Regresi Diri (AR)
Proses regresi ini menyatakan ketergantungan nilai pengamatan X t terhadap X t −1 .
X t −2 ..., X t − p . Model regresi diri derajat p dilambangkan dengan AR (p) atau ARIMA
(p,0,0). Model regresi diri adalah sebagai berikut :
X t = µ + φ1 X t −1 + φ2 X t −2 +...+ φ p X t − p + e t (2.5)
Dengan :
Xt `= Pengamatan deret berkala ke-t
µ = Nilai konstan
φp = Parameter autoregresike-p, (p= 1,2,...n)
Xt −p = Variabel pertama pada periode ke-(t-p);(p=1,2..,n)
et = Kesalahan pada saat t
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.
2.9 Model Rataan Bergerak (MA)
Proses rataan bergerak menyatakan ketergantungan nilai X t terhadap e t e t −1 ,..., e t −r .
Model rataan bergerak derajat q dilambangkan MA (q) atau ARIMA (0,0,q) dan
ditulis sebagai berikut :
X t = µ - θ 1 e t −1 - θ 2 e t −2 -...- θ q e t −q + e t (2.6)

Dengan :
Xt = Pengamatan deret berkala
µ = Nilai konstan
θq = Parameter moving average ke-q;(q = 1,2,...,n)
e t −q = Variabel pertama pada saat t-q; (q = 1,2,...,n)
et = Kesalahan pada saat t
2.10 Model Campuran AR dan MA
Dalam pembuatan model empiris dari deret berkala sering ditemukan bahwa model
regresi diri (AR) dan rataan bergerak (MA). Model campuran regresi diri dan rataan
bergerak derajat (p,q) dapat ditulis sebagai berikut :
X t = µ + φ1 X t −1 + φ2 X t −2 +...+ φ p X t − p - θ 1 e t −1 - θ 2 e t −2 -...- θ q e t −q + e t (2.7)
Atau ditulis
φ p (B) X t = µ + θ q (B) e t
Dan disingkat ARMA (p,q)
Model ARMA (p.q) dapat diperluas untuk deret berkala yang tidak stasioner.
Dengan operator pembeda derajat ∇ d X t , model ARMA(p,q) menjadi
φ p (B) ∇ d X t = µ + θ q (B) e t
Dan model ini disingkat ARIMA (p,d,q)

Untuk data yang dikumpulkan secara bulanan, pembedaan satu musim penuh
(tahun) dapat dihitung X t - X t −12 = (1 - B 12 ) X t . Sehingga untuk model ARIMA
(p.d.q) (P,D.Q)s dengan s adalah jumlah periode permusim.
2.11 Model Fungsi Transfer
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
nilai Yt model yang dihasilkan disebut fungsi transfer.
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.
Gambar 2.1 memperlihatakan secara ringkas unsur – unsur yang berkaitan
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
lain, deret input X t memberikan pengaruhnya terhadap fungsi transfer,
mendistribusikan dampak X t melalui beberapa periode akan datang. Tujuan
pemodelan fungsi transfer adalah untuk menetapkan model sederhana,
menghubungkan Yt dengan X t dan N t . Tujuan utama pemodelan ini adalah untuk

menetapkan peranan indikator penentu (leading indicator) deret input dalam rangka
menetapkan deret output.
Deret Fungsi deret

Transfer
Input Output
( Xt ) (Yt )
Seluruh
Pengaruh
lain
(Nt )
Gambar 2.1 Konsep Fungsi Transfer
Fungsi transfer bivariat ditulis dalam bentuk
Yt = ν (B) X t + N t (2.8)
Dengan :
Yt = Deret output
Xt = Deret input
Nt = Faktor yang mempengaruhi Yt (disebut gangguan)
ν (B) = (ν 0 + ν 1 B +ν 2 B 2 +...+ ν k B k ), dengan k adalah orde fungsi transfer
dan B operator shif mundur
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
yang telah ditransformasikan. Selanjutnya untuk penulisan persamaan digunakan
huruf kecil.

Secara lebih singkat, fungsi transfer ditulis sebagai berikut
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
yt = Nilai Yt yang telah ditransformasikan dan dibedakan
xt = Nilai X t yang telah di transformasikan dan dibedakan
r,s,p,q dan b = Konstanta
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
transfer yang menghubungkan Yt dan X t , Sedangkan (p,q) merupakan parameter
model gangguan. Subskrip (t-b) menunjukkan keterlambatan b periode sebelum x
mempengaruhi y atau dapat dikatakan bahwa X t , pertama kali mempengaruhi Yt +b .

Jika persamaan (2.10) telah didefenisikan dan seluruh parameter telah diduga,
maka selanjutnya ditentukan model peramalannya. Persamaan (2.10) dikalikan dengan
δ (B) dan φ (B) , akan menjadi :
δ (B) φ (B) y t = φ (B) ω (B) xt −b + δ (B) θ (B)at (2.11)
Sebagai contoh, untuk model yang sederhana (1,1,b) (1,1) adalah :
(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
y t =( δ 1 + φ1 ) y t −1 − (δ 1φ1 ) y t −2 + ω 0 xt −b − (ω 0φ1 + ω1 ) xt −b −1 + (φ1 + ω1 ) xt −b −2 +
a1 − (δ 1 + θ1 )at −1 + (δ 1θ1 )at − 2 (2.12)
Dengan mengetahui nilai parameter dan nilai y, x dan a dapat dihitung nilai y
pada periode yang akan datang.
2.12 Tahapan Pembentukan Model Fungsi Transfer
2.12.1 Mempersiapkan Deret Input dan Output
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,
akan tetapi akan mempengaruhi nilai-nilai (r,s.b) yang dihasilkan.

2.12.1.1 Pemutihan Deret Input ( xt )
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 :
φ x (B) xt = θ x (B)α t (2.13)
Dengan φ x (B) adalah operator autoregresif, θ x (B) adalah operator rataan
bergerak dan α t adalah kesalahan acak. Persamaan (2.13) dapat diubah menjadi
φ x (B)
αt =
θ x (B)
yt (2.14)
2.12.1.2 Pemutihan Deret Output ( yt )
Fungsi transfer yang dimaksud diatas adalah memetakan xt ke dalam y t . Sehingga
apabila diterapkan suatu transformasi pemutihan terhadap xt maka terhadap yt harus
diterapkan transformasi yang sama agar dapat mempertahankan integritas hubungan
fungsional. Deret yt yang diputihkan akan menjadi β t dengan persamaan berikut
φ x (B)
βt =
θ x (B)
yt (2.15)

2.12.1.3 Perhitungan Korelasi Silang dan Korelasi Diri
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
salah satu deret ditambahkan (lag) terhadap deret lainnya.
Korelasi silang antara x dan y diduga dengan rumus
C sy (k )
rsy (k ) = (2.16)
SxS y
Dengan :
rsy (k ) = korelasi silang Antara deret x dan y pada lag ke k
C sy (k ) = covarian antara x dan y pada lag ke k
Sx = standard deviasi deret x
Sy = standard deviasi deret y
k = 0,1,2,3,…
Untuk menguji tingkat kepercayaan 95% dari nilai korelasi silang diatas.
Barlett melakukan pendekatan perhitungan kesalahan baku dengan rumus
SE(rxy (k )) = (n − k ) 2
1
(2.17)
Atau serk = 1 n−k
Dengan :
n = Jumlah pengamatan
k = Kelambatan (lag)

Untuk perhitungan korelasi diri dapat dilihat dari persamaan (2.3) dan uji Box-
Pierce Portmanteau untuk sekumpulan nilai rk didasarkan ada nilai statistik Q yang
menyebar mengikuti sebaran khi-kuadrat dengan derajat bebas(m-p-q)
Q = n∑r2
m
(2.18)
k =1
Dengan :
m = Lag maksimum
n = N-d
N = Jumlah pengamatan asli
rk = Autokorelasi untuk lag ke-k
P = Nilai dari parameter Autoregresif
q = Nilai Dari Parameter Moving Average (MA)
2.12.1.4 Pendugaan Langsung Bobot Respons Impuls
Dari Persamaan (2.9) dengan mengasumsikan b = 0 maka model transfer dapat ditulis
yt = ν (B) xt + nt
Bila xt Ditransformasikan dengan dan dimasukkan kepersamaan diatas secara
keseluruhan maka akan diperoleh
φ x (B) φ (B) φ (B)

y t = ν (B) x xt + x
θ x (B) θ x (B) θ x (B)
nt (2.19)
Atau
β t = ν (B)α t + et (2.20)

Dengan et adalah deret gangguan ditransformasikan dan diperkirakan tidak berkorelasi
dengan α t . Jika kedua sisi persamaan (2.20) dikalikan α t −k dan diambil nilai
ekspetasinya, maka diperoleh :
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 ]
Cαβ (k ) = ν k Cαα (t −k ) + 0 (2.21)
( α t dan et diasumsikan bebas)
Dengan menyusun kembali persamaan (2.21) maka diperoleh :
νk = =
Cαβ (k ) rαβ (k )S 2 β
(2.22)
S 2α Sα
2.12.1.5 Penetapan Parameter (r,s,b)
Parameter r menunjukkan derajat fungsi δ ( B) . s menunjukkan derajat fungsi ω ( B) ,
dan b menunjukkan keterlambatan yang dicatat pada subskrip Xt-b pada persamaan
(2.10). Perhatikan persamaan (2.8),(2.9) dan penetapan
ω (B)
ν (B) xt =
δ (B)
xt −b (2.23)
Apabila pernyataan ν ( B) , ω ( B) , δ ( B) diperluas dan koefisien-koefisiennya
dibandingkan maka didapatkan hubungan sebagai berikut :
Vj = 0 j<b
Vj = δ 1ν j −1 + ... + δ rν j −r + ω 0 j=b
Vj = δ 1ν j −1 + ... + δ rν j − r - ω j −b j=b + 1…b + s
Vj = δ1ν j −1 + ... + δ rν j −r j>b + s (2.24)

Secara Intuitif, nilai b menyatakan bahwa yt tidak dipengaruhi oleh nilai xt sampai
periode t+b atau
yt = θ xt + θxt −1 + θxt −2 + ... + ω 0 xt −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 , …
, xt −b− s ) dan r menyatakan bahwa yt berkaitan dengan nilai-nilai sebelumnya sebagai
berikut :
y dipengaruhi oleh ( y t −1, y t −2 , y t −3 ,…, y t −r )
Dalam menentukan parameter (r,s,b) dapat digunakan pedoman 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
2.12.1.6 Penaksiran Awal Deret Gangguan (nt)
Perhitungan nilai taksiran awal deret gangguan nt menggunakan rumus berikut :
nt = y t − ν 0 xt − ν 1 xt −1 − ν 2 xt −2 − ... − ν g xt − g (2.25)
dengan g didapat dari hasil lag pada korelasi silang

2.12.1.7 Penetapan (pn,qn) untuk Model ARIMA (pn,qn) dari Deret Gangguan (nt)
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
φn (B)n1 = θ n ( (B)at (2.26)
2.12.2 Penaksiran Parameter – Parameter Model
2.12.2.1 Pendugaan Awal Parameter Model
Pada tahap ini ditentukan model fungsi transfer secara tentative untuk menaksir nilai
awal parameter-parameter ω0 , ω1 ,…, ω s , δ1 , δ 2 ,…, δ r , φ1 , φ2 ,…, φ pn dan
θ1 , θ 2 , …, θ qn . Untuk mendapatkan nilai parameter-parameter tersebut digunakan
algoritma marquadt dengan iterasi.
Misalkan untuk nilai (r,s,b) = (2,2,2) dan deret gangguan mempunyai model
ARIMA (2,0,1) model tentative yang digunakan adalah
(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 ω0 , ω1 , ω 2 , δ1 , δ 2 , φ1 dan φ2 dengan memperhatikan hubungan pada
persamaan (2.24) dan persamaan Yule Walker.

2.12.2.2 Penaksiran Akhir Parameter Model
Dengan menggunakaan algoritma marquadt pada setiap iterasi nilai 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.
2.12.3 Pemeriksaan Diagnostik Model
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
m = Lag terbesar yang diperhatikan
r(k) = Autokorelasi pada lag ke- k
df = derajat bebas (m-p-q)
sedangkan untuk nilai sisa α t perhitungannya menjadi
X 2 (m− pn −qn ) = (n − 1 − r − s − b)∑ r 2

m
k −1

xli
dengan (r, s , b), pn dan qn merupakan parameter fungsi transfer
2.12.4 Peramalan dengan Model Transfer
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
peramalan. Model yang digunakan untuk contoh model (1,1,b)(1,1) adalah :
y t =( δ 1 + φ1 ) y t −1 − (δ 1φ1 ) y t −2 + ω 0 xt −b − (ω 0φ1 + ω1 ) xt −b −1 + (φ1 + ω1 ) xt −b −2

BAB 3
PEMBAHASAN
3.1 Studi Kasus
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
disajikan dalam bentuk table. Data tersebut adalah sebagai berikut :
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
Sumber : Badan Meteorologi dan Geofisika Stasiun Klimatologi Sampali Medan

Tabel 3.2 Data Kecepatan Angin Bulan Januari 2005 – Bulan Desember 2009
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
Sumber : Badan Meteorologi dan Geofisika Stasiun Klimatologi Sampali Medan
3.2 Analisis Plot Data Awal
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

apakah pola data mengandung unsur trend, siklik, musiman atau tidak mengandung
pola tertentu.
Gambar 3.1 Plot Tekanan Udara Kota Medan Tahun2005-2009
Gambar 3.2 Autokorelasi Tekanan Udara Kota Medan Tahun 2005-2009

Gambar 3.3 Autokorelasi Parsial Tekanan Udara Kota Medan Tahun
2005-2009
Gambar 3.4 Plot Kecepatan Angin Kota Medan Tahun 2005-2009

Gambar 3.5 Autokorelasi Kecepatan angin Kota Medan Tahun 2005-2009
Gambar 3.6 Autokorelasi Parsial Kecepatan Angin Kota Medan Tahun 2005-
2009

3.3 Identifikasi Bentuk Model
3.3.1 Memeriksa Kestasioneran Data
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
lainnya,maka untuk menstasionerkannya dilakukan pembedaan, pembedaan pertama
untuk deret input dapat dicari dengan persamaan :
x1 = x1 - xt −1
x2 = x2 - x2−1
= 1010.95 – 1011.43
= -0.48
Untuk x3 , … x60 dapat dilihat pada tabel 3.3.1
Tabel 3.3 Pembedaan Pertama Deret Input ( X t )
No. xt No. xt No. xt
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

7 0.45 27 -0.79 47 -1.37
8 0.11 28 -0.04 48 0.75
9 0.36 29 -0.65 49 1.32
10 0.34 30 -1.35 50 -1.45
11 -0.21 31 1.41 51 0.18
12 -0.46 32 0.17 52 -0.31
13 0.7 33 -0.01 53 -0.23
14 -0.22 34 0.38 54 -0.1
15 -0.74 35 0.01 55 0.28
16 -0.19 36 -0.53 56 0.12
17 0.48 37 0.6 57 0.59
18 -0.21 38 0.46 58 0.51
19 0.17 39 -1.09 59 -6.82
20 0.13 40 -0.83 60 6.08
Gambar 3.7 Plot Tekanan Udara Menggunakan Pembedaan Pertama

Pada data awal kecepatan angin terlihat musiman yang jelas yaitu fluktuasi
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
logaritma digunakan yaitu :
lt = log (Y t )
l1 = log (Y 1 )
= log ( 7 )
= 0.845098
Tabel 3.4 Data Hasil Transformasi Logaritma
No. lt No. lt No. lt
1 0.8451 21 0.8451 41 0.9031

2 0.8451 22 0.8451 42 0.8451
3 0.8451 23 0.8451 43 0.8451
4 0.6021 24 0.8451 44 0.7782
5 0.8451 25 0.8451 45 0.7782
6 0.8451 26 0.9031 46 0.6990
7 0.9031 27 0.9031 47 0.7782
8 0.9031 28 0.9031 48 0.6990
9 0.8451 29 0.9031 49 0.8451
10 0.8451 30 0.9031 50 0.8451
11 0.8451 31 0.8451 51 0.9031
12 0.8451 32 0.9031 52 0.8451
13 0.8451 33 0.9031 53 0.8451
14 0.8451 34 0.8451 54 0.8451

15 0.9031 35 0.8451 55 0.8451
16 0.9031 36 0.8451 56 0.8451
17 0.8451 37 0.8451 57 0.8451
18 0.9031 38 0.9031 58 0.8451
19 0.8451 39 0.9031 59 0.8451
20 0.9031 40 0.8451 60 0.7782
Untuk membuat data stasioner terhadap rataannya perlu dilakukan pembedaan
pertama dengan rumus :
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
Tabel 3.5 Pembedaan Pertama dari Data Transformasi
No. lt yt No. lt yt No. lt yt
1 0.8451 * 21 0.8451 -0.0580 41 0.9031 0.0580

2 0.8451 0.0000 22 0.8451 0.0000 42 0.8451 -0.0580
3 0.8451 0.0000 23 0.8451 0.0000 43 0.8451 0.0000
4 0.6021 -0.2430 24 0.8451 0.0000 44 0.7782 -0.0669
5 0.8451 0.2430 25 0.8451 0.0000 45 0.7782 0.0000
6 0.8451 0.0000 26 0.9031 0.0580 46 0.6990 -0.0792
7 0.9031 0.0580 27 0.9031 0.0000 47 0.7782 0.0792
8 0.9031 0.0000 28 0.9031 0.0000 48 0.6990 -0.0792

li
9 0.8451 -0.0580 29 0.9031 0.0000 49 0.8451 0.1461

10 0.8451 0.0000 30 0.9031 0.0000 50 0.8451 0.0000
11 0.8451 0.0000 31 0.8451 -0.0580 51 0.9031 0.0580
12 0.8451 0.0000 32 0.9031 0.0580 52 0.8451 -0.0580
13 0.8451 0.0000 33 0.9031 0.0000 53 0.8451 0.0000
14 0.8451 0.0000 34 0.8451 -0.0580 54 0.8451 0.0000
15 0.9031 0.0580 35 0.8451 0.0000 55 0.8451 0.0000
16 0.9031 0.0000 36 0.8451 0.0000 56 0.8451 0.0000
17 0.8451 -0.0580 37 0.8451 0.0000 57 0.8451 0.0000
18 0.9031 0.0580 38 0.9031 0.0580 58 0.8451 0.0000
19 0.8451 -0.0580 39 0.9031 0.0000 59 0.8451 0.0000
20 0.9031 0.0580 40 0.8451 -0.0580 60 0.7782 -0.0669
Koefisien autokorelasi sederhana antara xt dengan xt −1 dapat dicari dengan
meggunakan rumus pada persamaan (2.3) :
∑ (X )( )
n−k
− X X t +k − X
∑ (X )
t =1
t
rk =
−X
n
2
t =1
t
Untuk r1 dapat dihitung
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.
Untuk nilai r1 dan r2 … rn dapat dilihat pada tabel 3.6

Tabel 3.6 Nilai – nilai Autokorelasi dan Autokorelasi parsial
Data Hasil Deret Input ( xt )
Log rk rkk Log rk rkk
1 0.143 0.143 9 0.016 0.030
2 0.043 0.023 10 -0.066 -0.078
3 0.098 0.091 11 0.112 0.142
4 0.011 -0.017 12 0.191 0.164
5 -0.055 -0.061 13 0.002 -0.046
6 -0.020 -0.013 14 -0.010 -0.040
7 0.003 0.011 15 -0.001 -0.038
8 -0.041 -0.032 16 -0.037 -0.020
Gambar 3.8 Autokorelasi Tekanan Udara

Gambar 3.9 Autokorelasi Parsial Tekanan Udara
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
adalah 0 (q = 1 ). Sesuai dengan keterangan di atas, model sementara data yang
dibedakan adalah ARIMA (1,1,1). Maka pendugaan parameter-parameter model
ARIMA tersebut adalah :
φ
Parameter Taksiran Standar Nilai-t
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87
Uji hipotesis dari parameter model
Ho = Parameter berbeda
H1 = Parameter tidak berbeda nyata dari nol

Untuk α = 0.05 semua harga mutlak dari model adalah lebih besar dari t0,05 dengan
derajat kebebasan N-Np = 60 – 1 = 59. Hal ini menunjukkan bahwa semua penduga
parameter berbeda dari nol. Kesimpulannya parameter – parameter di atas dimasukkan
kedalam model.
3.3.2 Pengecekan Model
3.3.2.1 Pemeriksaan Sisaan
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
tersebut sudah acak atau tidak dengan menggunakan selang kepercayaan.
-1.960 (0.1302) ≤ rk ≤ + 1.960 (0.1302)
-0.255 ≤ rk ≤ 0.255

Gambar 3.10 Plot Autokorelasi Sisaan Model
3.4 Pemutihan Deret Input (αt)
Deret input Xt (Tekanan Udara) dimodelkan sebagai proes ARIMA (1,1,1) karena xt
merupakan bentuk pembeda Xt maka xt dimodelkan sebagai ARMA (1,1), dengan
rumus pada persamaan (2.14) sebagai berikut :
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

Tabel 3.7 Pemutihan Deret Input
No. xt αt No. xt αt No. xt αt
1 0.48 -0.34162 21 0.7 -0.42245 41 0.25 -0.59156
2 -0.33 -0.71399 22 -1.37 -0.00501 42 -0.08 -0.49561
3 -0.4 -2.06325 23 0.36 1.096568 43 0.06 0.261439
4 -1.4 -1.87074 24 1.11 0.106654 44 0.73 0.67874
5 0.04 -1.31414 25 -0.9 -0.6677 45 0.45 -0.74118
6 0.45 -1.13946 26 -0.79 -0.65019 46 -1.37 0.084595
7 0.11 -0.71661 27 -0.04 -1.26183 47 0.75 1.38158
8 0.36 -0.34411 28 -0.65 -2.52355 48 1.32 -0.1798
9 0.34 -0.54256 29 -1.35 -0.93577 49 -1.45 0.045624
10 -0.21 -0.96628 30 1.41 -0.74609 50 0.18 -0.27136
11 -0.46 -0.19958 31 0.17 -0.7173 51 -0.31 -0.47825
12 0.7 -0.42505 32 -0.01 -0.29582 52 -0.23 -0.54518
13 -0.22 -1.13528 33 0.38 -0.278 53 -0.1 -0.23142
14 -0.74 -1.2421 34 0.01 -0.79226 54 0.28 -0.10489
15 -0.19 -0.68608 35 -0.53 -0.13388 55 0.12 0.488241
16 0.48 -0.86824 36 0.6 0.319299 56 0.59 0.955889
17 -0.21 -0.64324 37 0.46 -0.80019 57 0.51 -5.93142
18 0.17 -0.48037 38 -1.09 -1.5578 58 -6.82 0.654684
19 0.13 0.364109 39 -0.83 -0.81814 59 6.08 0.469903
20 0.82 1.023329 40 0.63 -0.53635

3.5 Pemutihan Deret Output ( β t )
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
(1-0.02421) yt = (1- 0.94251 )
βt = y t − 0.0242 y t −1 + 0.9425β t −1
Tabel 3.8 Pemutihan Deret Output ( β t )
No. yt βt No. yt βt No. yt βt
1 0.00 0 21 0.00 -0.15987 41 -1.00 -0.37938
2 0.00 -3 22 0.00 -0.15068 42 0.00 -1.35756
3 -3.00 0.2451 23 0.00 -0.14201 43 -1.00 -1.2553
4 3.00 0.158407 24 0.00 0.866153 44 0.00 -2.18312
5 0.00 1.149298 25 1.00 0.792149 45 -1.00 -1.03339
6 1.00 1.059014 26 0.00 0.746601 46 1.00 -1.99817
7 0.00 -0.00188 27 0.00 0.703671 47 -1.00 0.140922
8 -1.00 0.022428 28 0.00 0.66321 48 2.00 0.084419
9 0.00 0.021139 29 0.00 -0.37492 49 0.00 1.079565

10 0.00 0.019923 30 -1.00 0.670834 50 1.00 -0.00671
11 0.00 0.018778 31 1.00 0.608061 51 -1.00 0.017876
12 0.00 0.017698 32 0.00 -0.4269 52 0.00 0.016848
13 0.00 1.01668 33 -1.00 -0.37816 53 0.00 0.015879
14 1.00 0.934021 34 0.00 -0.35641 54 0.00 0.014966
15 0.00 -0.11968 35 0.00 -0.33592 55 0.00 0.014105
16 -1.00 0.911397 36 0.00 0.683397 56 0.00 0.013294
17 1.00 -0.16521 37 1.00 0.619902 57 0.00 0.01253
18 -1.00 0.868491 38 0.00 -0.41574 58 0.00 -0.98819
19 1.00 -0.20565 39 -1.00 0.632363 59 -1.00 -0.90717
20 -1.00 -0.16962 40 1.00 -0.4282
Ringkasan statistik untuk pemutihan deret input dan output adalah sebagai berikut :
Parameter Rata-rata Variansi

αt -0.4148 1.883
βt -0.0356 0.647

3.6 Perhitungan Korelasi Silang dan Korelasi Diri
3.6.1 Korelasi Silang
Perhitungan korelasi silang dapat dicari dengan menggunakan persamaan (2.16) yaitu
sebagai berikut
Tabel 3.9 Analisis Lengkap Korelasi Silang
Lag Cross correlation Lag Cross correlation
-21 -0.180 1 -0.018

-20 0.027 2 -0.019
-19 0.090 3 -0.063
-18 -0.103 4 0.059
-17 -0.070 5 0.111
-16 -0.088 6 0.082
-15 -0.176 7 0.067
-14 -0.094 8 -0.009
-13 -0.108 9 -0.106
-12 -0.023 10 -0.117
-11 0.136 11 -0.132
-10 0.037 12 -0.074
-9 -0.042 13 0.006
-8 -0.062 14 0.021
-7 0.053 15 0.021
-6 0.041 16 0.124
-5 0.005 17 0.097
-4 -0.061 18 0.052
-3 -0.121 19 -0.007
-2 -0.075 20 -0.079
-1 -0.221 21 -0.161
0 -0.251

Gambar 3.11 Korelasi Silang Pemutihan Deret Input dan Output
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
besar daripada pengaruh tekanan udara.
3.6.2 Korelasi Diri
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
Untuk nilai r1 dan r2 …r16 dapat dilihat pada tabel 3.9

Tabel 3.10 Autokorelasi Pemutihan Deret Input
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
Untuk nilai r1 dan r2 …r16 dapat dilihat pada tabel 3.10
3.11 Autokorelasi Pemutihan Deret Output
Lag rk Lag rk
1 0.341110646 9 0.007290128
2 0.31771818 10 0.068471715
3 0.012044455 11 0.034954402

4 -0.03196381 12 0.1239364
5 -0.085930642 13 0.157610739
6 -0.023493691 14 -0.02822085
7 -0.109848143 15 0.017709772
8 0.037320881 16 -0.170691254
Gambar 3. 12 Autokorelasi Pemutihan Deret Input

Gambar 3.13 Autokorelasi Pemutihan Deret Output
3.7 Pendugaan langsung Bobot Respon
Persamaan (2.22) digunakan untuk mengkonversi korelasi silang antara α t dan β t
kedalam bobot impuls sebagai berikut :
Tabel 3.12 Pendugaan Langsung Bobot Respon Impuls
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

5 0.065946765 16 0.07367026
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
3.8 Penetapan (r, s, b) untuk Model Fungsi Transfer
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
sebelum tekanan udara mempengaruhi kecepatan angin bulanan di Medan. Oleh
kerana itu b = 16 dan diikuti oleh satu lag selanjutnya maka nilai s = 1 dan r =1 dilihat
dari korelasi silang yang tidak menunjukkan pola yang jelas.
Peubah r s b
Tekanan Udara 1 1 16
Bentuk Persamaannya adalah sebagai berikut :
(ω 0 − ω t β )
yt = xt −16 + nt
(1 − δβ )

3.9 Pengamatan awal Deret Noise
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
penundaan (time lags).
Perhatikan n22 :
n22 = 0.0000 –(-0.149122865)( -1.37) –(0.000594115)( 0.7) -…-(-0.095652515)(0.48)
= -0.18165
Untuk nilai n23, n24, …, n38 cdapat dilihat pada tabel 3.13
Tabel 3.13 Perkiraan Awal Deret Komponen Gangguan Noise
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

16 -0.12365 35 -0.18165
17 -0.18165 36 -0.18165
18 -0.23965 37 -0.18165
19 -0.12365 38 -0.24855
Gambar 3.14 Plot Deret Noise (nt) Awal
Gambar 3.15 Autokorelasi Noise (nt) Awal

Gambar 3.16 Autokorelasi Parsial Noise (nt) Awal
3.10 Penaksiran Parameter-parameter Model Fungsi Transfer
3.10.1 Taksiran Awal Parameter Model
Persamaan (2.24) menyatakan secara eksplisit hubungan antara fungsi impuls, ν ( B) ,
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
.
.
.

V15 =0 j<b
V16 = δ 1ν 15 + δ 2ν 0 + ω 0 j=b
V17 = δ 1ν 16 + δ 2ν 1 − ω1 j<b+1…b+s
V18 = δ 1ν 14−1 j>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
3.10.2 Taksiran Akhir Parameter Model
Taksiran Akhir Parameter ω (B) dan δ (B)
Maka taksiran akhir yang di dapat adalah sebagai berikut :
Parameter Nilai
δ1 -0.04069631
ω0 0.07367026
ω1 -0.05095479
Maka model yang ditetapkan adalah sebagai berikut :
y t = -0.04069631 y t −1 − 0.07367026 xt −16 + 0.05095479 xt −17

Taksiran Akhir Parameter Noise
Dengan menggunakan Algoritma Marquardt maka didapat taksiran akhir parameter

noise (nt) yaitu :
θ
0.357 0.161 2.211
Model fungsi transfer dengan taksiran parameter-parameternya :
(−0.07367026) − (−0.05095479B)
yt = xt −16 + (1 − 0.357)at
(1 − (−0.04069631B))
3.11 Pemeriksaan Diagnostik Model
Deret nilai sisa akhir at dapat dihitung menggunakan rumus :
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 :

a18 = y18 − d1 y17 + e0 x 2 + e1 x1 + f1 at −17
= -0.0580 (-0.04069631)(0.0580) (0.07367026)( -0.33)
(-0.05095479)( 0.48) (0.357)(0)
= 0.060213
Untuk a19 sampai 60 dapat dilihat pada tabel 3.15
Tabel 3.14 Gugus Residu akhir ( at )
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

Gambar 3.17 Plot Gugus Residu ( at )
Gambar 3.18 Autokorelasi Gugus Residu ( at )

Gambar 3.19 Autokorelasi Parsial Gugus Residu ( at )
3.11.1 Analisis Nilai Sisa (Residu) at
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
X 2 (16−1) = (60-1-1-1-16)[(-0.405)2 + (0.310)2 + …+ (0.007)2 + (-0.087)2 ]
= 30.64251
Dengan memperhatikan tabel X2 untuk drajat bebas 15 dengan tingkat
kepercayaan 90% nilainya adalah 22,3 , berarti Qhitung lebih besar dari Qtabel ,
kesimpulan bahwa at merupakan deret random,maka model fungsi transfer cocok
untuk data ini.
Tabel 3.15 Korelasi silang dari Gugus Residu ( at ) dengan Pemutihan deret
input ( α t )
Lag Cross correlation Lag Cross correlation

-20 0.082 1 0.042
-19 0.004 2 -0.025
-18 0.015 3 0.078
-17 -0.118 4 0.087
-16 -0.053 5 -0.063
-15 -0.122 6 -0.015
-14 -0.009 7 -0.208
-13 0.129 8 -0.178
-12 0.203 9 -0.017
-11 0.075 10 0.002
-10 0.042 11 0.025
-9 0.176 12 0.149
-8 0.098 13 0.025
-7 -0.023 14 -0.060
-6 -0.006 15 0.125
-5 -0.270 16 0.055
-4 -0.285 17 -0.036
-3 -0.216 18 0.084
Untuk
-2 -0.116 19 -0.004
menguji bahwa
korelasi -1 -0.099 20 -0.183 silang antara
(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 fungsi transfer memenuhi asumsi independensi antara deret α t dan at
3.12 Peramalan dengan Fungsi Transfer
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

Maka peramalan untuk data ke-61 adalah sebagai berikut :
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

BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil analisis tentang penggunaan metode fungsi transfer terhadap
ramalan kecepatan angin bulanan berdasarkan tekanan udara dengan fungsi transfer,
kesimpulan yang dapat diambil adalah sebagai berikut :
1. Plot Autokorelasi data awal Tekanan Udara secara halus membentuk pola
eksponensial menurun dan nilai autokorelasi berbeda secara signifikan nol,
untuk beberapa periode waktu.
2. Model ARIMA untuk tekanan udara adalah ARIMA (1,1,1) dengan taksiran
parameter sebagai berikut :
φ
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87
Dan autokorelasi sisaan menunjukkan nilai-nilai yang berbeda dibatas
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
(kecepatan angin) pada periode ke- 16

4. Taksiran untuk parameter ω ( B) dan δ ( B) diperoleh
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

θ 0.357 0.161 2.211
6. Dari nilai sisa (residu) at didapat Qhitung =30.64251 dan Qtabel = 22.3 dengan
tingkat kepercayaan 90% berarti at merupakan deret random.
7. Analisis korelasi silang α t dan at diperoleh Qhitung = 11.36734 lebih kecil dari
Qtabel = 31.5264 dengan tingkat kepercayaan 90% artinya model transfer
memenuhi asumsi independensi antara α t dan at
8. Model yang cocok digunakan untuk peramalan kecepatan angin bulanan di
Medan berdasarkan tekanan udara adalah :
ŷt = δ 1 y t −1 + ω 0 xt −16 − ω1 xt −17 − θ1 at −1

lxxvii
BAB 4
4.1 Kesimpulan
φ
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87
udara.

lxxviii
δ1
Parameter Nilai
-0.04069631
ω0 0.07367026
ω1 -0.05095479

θ 0.357 0.161 2.211
ŷt = δ 1 y t −1 + ω 0 xt −16 − ω1 xt −17 − θ1 at −1

BAB 4
4.1 Kesimpulan
φ
θ
0,0242 0.1491 0.16
0.9425 0.0955 9.87

udara.

δ1
Parameter Nilai
-0.04069631
ω0 0.07367026
ω1 -0.05095479

θ 0.357 0.161 2.211
ŷt = δ 1 y t −1 + ω 0 xt −16 − ω1 xt −17 − θ1 at −1

DAFTAR PUSTAKA
Sofyan Assauri. 1984. “Teknik dan Metode Peramalan”. Jakarta : Penerbit Fakultas
Ekonomi Universitas Indonesia.
Daldjoeni N.1986. “Pokok-Pokok Klimatologi”. Bandung : Penerbit Alumni.
Lerbin R Aritonang R. 2002. “Peramalan Bisnis”.Jakarta : PenerbitGhalia Indonesia
Kartasapoetra Ance Gunarsih. 2004. “Klimatologi Pengaruh Iklim”. Jakarta: Penerbit
Bumi Aksara.
Haryoko, Urip. 1998. “Peramalan Curah Hujan Bulanan Di Ambon Berdasarkan
ENSO Dengan Fungsi Transfer”. Thesis. Jakarta, Indonesia : institute Pertanian
Bogor.
Makridakis S, Wheelwright S.C dan Mc Gee V.E. 1993. “Metode dan Aplikasi
Peramalan”. Jakarta : Penerbit Erlangga
Maljoivi. “ Metode Box-Jenkins”, diakses dari:
http://www.maljoivi.com/pustaka.ut.ac.id/pusalata/metode-box-jenkins.pdf
Mudrajad. ”Analisis Box-jenkins”. diakases dari:
http://www.mudrajad.com/upload/journal_analisis-box-jenkins.pdf
Sudjana. 1992. “Metode Statistika”. Edisi kelima. Bandung : Penerbit Tarsito.

Data 2
No. Bulan Tahun Kecepatan Angin (knots)
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

36 Desember 2007 7
37 Januari 2008 7
38 Februari 2008 8
39 Maret 2008 8
40 April 2008 7
41 Mei 2008 8
42 Juni 2008 7
43 Juli 2008 7
44 Agustus 2008 6
45 September 2008 6
46 Oktober 2008 5
47 November 2008 6
48 Desember 2008 5
49 Januari 2009 7
50 Februari 2009 7
51 Maret 2009 8
52 April 2009 7
53 Mei 2009 7
54 Juni 2009 7
55 Juli 2009 7
56 Agustus 2009 7
57 September 2009 7
58 Oktober 2009 7
59 November 2009 7
60 Desember 2009 6

Autokorelation Function : bxt
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
a. The Underlying Process assumed in independence (white noise)

b. Based on the asymptotic chi-square approximation.

Partial Autocorrelation Function : bxt
Partial Autocorrelations
Series : Udara
Lag Partial Std. Error

Autocorrelation
1 .143 .129
2 .023 .129
3 .091 .129
4 -.017 .129
5 -.061 .129
6 -.013 .129
7 .011 .129
8 -.032 .129
9 .030 .129
10 -.078 .129
11 .142 .129
12 .164 .129
13 -.046 .129
14 -.040 .129
15 -.038 .129
16 -.020 .129

Peramalan Kecepatan Angin Bulanan Di Medan Berdasarkan Tekanan Udara Dengan Fungsi Transfer

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

Peramalan Kecepatan Angin Bulanan Di Medan Berdasarkan Tekanan Udara Dengan Fungsi Transfer

Diunggah oleh

Hak Cipta:

Format Tersedia

PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN

BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER

PROGRAM STUDI D-III STATISTIKA

Universitas Sumatera Utara

Judul : PERAMALAN KECEPATAN ANGIN BULANAN DI

Dr. Saib Suwilo, M.Sc Drs. Marwan Harahap, M.Eng

Universitas Sumatera Utara