Skripsi Al Fitri Syawal 1807015005 19 Mei
Skripsi Al Fitri Syawal 1807015005 19 Mei
SKRIPSI
Al Fitri Syawal
NIM. 1807015005
SKRIPSI
Diajukan kepada
Program Studi S1 Statistika Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Mulawarman untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Statistika
Oleh :
Al Fitri Syawal
NIM. 1807015005
ii
ABSTRAK
iii
ABSTRACT
iv
KATA PENGANTAR
v
Dzulqaidah yang telah memberikan kesabaran, kasih sayang, doa dan
dukungan moral maupun materi yang tiada hingga juga selalu memberikan
semangat sehingga penulis dapat menyelesaikan proposal penelitian tugas
akhir dengan baik.
5. Teman seperjuangan bimbingan skripsi dan teman dalam suka dan duka (Lisa
Dwi Nurul Khasanah, Anggi Jaya Utami, Muhammad Taufik Nur dan
Muhammad Syahril Basri), yang selalu membantu dan mengingatkan selama
penyusunan tulisan ini serta seluruh mahasiswa Statistika Angkatan 2018
yang selalu memberikan dukungan selama masa perkuliahan berlangsung.
6. Garden Hills Squad (Musafira Rahmania, Nurul Shabrina M., Saskia
Maulina, Syafrina Aulia Sari dan Ananda Nur Aulia Ansar) dan CC (Aisyah
Amartria, Agus Selviana dan Nur Jannatul M.) teman perjalanan sejak SMA
yang selalu mengingatkan, memberikan semangat, menghibur dan
mendukung penulis selama penyusunan tulisan ini.
7. Semua pihak yang tidak dapat disebutkan satu persatu yang telah membantu
memberikan semangat, dukungan, serta masukan kepada penulis.
Penulis menyadari bahwa dalam penulisan skripsi ini masih terdapat banyak
kekurangan dan jauh dari kesempurnaan. Oleh karena itu, Penulis mengharapkan
kritik dan saran dari berbagai pihak yang membangun guna kesempurnaan tulisan
ini. Penulis berharap semoga skripsi ini dapat memberi wawasan dan pengetahuan
serta dapat memberikan manfaat bagi pembaca.
Wassalamu’alaikum Warahmatullahi Wabarakatuh
Al Fitri Syawal
vi
DAFTAR ISI
vii
2.14.2 Perhitungan Korelasi Silang (Cross Correlation) Dan
Autocorrelation untuk Runtun Input dan Runtun Output ... 26
2.14.3 Penetapan (r, s, b) untuk Model Fungsi Transfer................. 26
2.14.4 Pengujian pendahuluan Runtun Gangguan (Noise Series) .. 28
2.14.5 Penetapan Model ARIMA dari Runtun Gangguan (Noise
Series) .................................................................................. 29
2.14.6 Penaksiran Parameter-Parameter Model Fungsi Transfer ... 29
2.14.7 Uji Disgnostik Model Fungi Transfer .................................. 30
2.15 Ketetapan Metode Peramalan ............................................................ 31
2.16 Curah Hujan ....................................................................................... 32
2.16.1 Faktor-Faktor Yang Mempengaruhi Curah Hujan ............... 33
BAB 3 METODOLOGI PENELITIAN ............................................................ 35
3.1 Rancangan Penelitian ......................................................................... 35
3.2 Waktu dan Tempat Penelitian ............................................................ 35
3.3 Populasi dan Sampel Penelitian ......................................................... 36
3.4 Variabel Penelitian ............................................................................. 36
3.5 Teknik Sampling ................................................................................ 36
3.6 Teknik Pengumpulan Data ................................................................. 36
3.7 Teknik Analisis Data .......................................................................... 37
BAB 4 HASIL DAN PEMBAHASAN ............................................................... 42
4. 1 Deskripsi Data .................................................................................... 42
4. 2 Uji Independensi Antar Variabel ....................................................... 46
4. 3 Pemodelan ARIMA Curah Hujan di Kota Samarinda ....................... 50
4.3.1 Pemeriksaan Pola Data ........................................................ 50
4.3.2 Pengujian Pola Musiman menggunakan Analisis Periodogram
.............................................................................................. 51
4.3.3 Pemeriksaan Stasioneritas Data Curah Hujan...................... 56
4.3.4 Pengujian Signifikansi Parameter Model ARIMA .............. 61
4.3.5 Pemeriksaan Diagnostik Data Model ARIMA .................... 64
4.3.6 Pemilihan Model ARIMA Terbaik ...................................... 67
viii
4.3.7 Peramalan Curah Hujan di Kota Samarinda Menggunakan
Model ARIMA Terbaik ....................................................... 68
4. 4 Pemodelan Fungsi Transfer Curah Hujan di Kota Samarinda ........... 70
4.4.1 Pemodelan ARIMA Runtun Input Kelembapan Udara (𝑿𝟏𝒕)
.............................................................................................. 70
a. Pemeriksaan Pola Data 𝑿𝟏𝒕................................................. 70
b. Pemeriksaan Stasioneritas data 𝑿𝟏𝒕 .................................... 71
c. Pengujian Signifikansi Parameter Model ARIMA .............. 76
d. Pemeriksaan Diagnostik Model ARIMA ............................. 77
e. Pemilihan Model Terbaik ARIMA Data 𝑿𝟏𝒕 ...................... 80
4.4.2 Pemodelan ARIMA Runtun Input Kecepatan Angin (𝑿𝟐𝒕) 81
b. Pemeriksaan Stasioneritas Data 𝑿𝟐𝒕 ................................... 82
c. Pengujian Signifikansi Parameter Model ARIMA .............. 87
d. Pemeriksaan Diagnostik Model ARIMA ............................. 88
e. Pemilihan Model Terbaik ARIMA Data 𝑿𝟐𝒕 ...................... 91
4.4.3 Menetapkan Model ARIMA Runtun Input Suhu Udara (𝑿𝟑𝒕)
.............................................................................................. 92
b. Pemeriksaan Stasioneritas Data 𝑿𝟑𝒕 ................................... 92
4.4.4 Menetapkan Model ARIMA Runtun Input Tekanan Udara
(𝑿𝟒𝒕) .................................................................................... 93
b. Pemeriksaan Stasioneritas Data 𝑿𝟒𝒕 ................................... 94
4. 5 Pre-whitening Runtun Input Kelembapan Udara (𝑿𝟏𝐭) dan Kecepatan
Angin (𝑿𝟐𝐭) ....................................................................................... 95
4. 6 Pre-whitening Runtun Output Curah Hujan (𝒀𝒕)𝟑 ............................ 95
4. 7 Penentuan Orde Model Fungsi Transfer ............................................ 96
4. 8 Penaksiran Parameter Model Awal Fungsi Transfer ......................... 97
4. 9 Pemodelan ARIMA untuk Runtun Noise Model Awal Fungsi Transfer
............................................................................................................ 98
4. 10 Pemodelan Fungsi Transfer Multi Input .......................................... 101
4.11.1 ......... Penaksiran dan Pengujian Signifikansi Parameter Model Fungsi
Transfer Multi Input Akhir .............................................................. 101
ix
4.11.2 ............... Pemeriksaan Diagnostik Model Fungsi Transfer Multi Input
.......................................................................................................... 103
4.11.3 .............. Peramalan Menggunakan Model Fungsi Transfer Multi Input
.......................................................................................................... 105
4. 11 Perbandingan Model ARIMA (6, 1, 1) dan Model Fungsi Transfer 106
BAB 5 PENUTUP ............................................................................................. 107
5.1 Kesimpulan ...................................................................................... 107
5.2 Saran ................................................................................................. 107
DAFTAR PUSTAKA ........................................................................................ 109
LAMPIRAN ....................................................................................................... 116
x
DAFTAR TABEL
xi
Tabel 4.21 Uji Cross Correlation 𝑿𝟏𝒕 dan Y ..................................................... 103
Tabel 4.22 Uji Cross Correlation 𝑿𝟐𝒕 dan Y ..................................................... 103
Tabel 4.23 Model ARIMA runtun noise 𝑿𝟏𝒕 ..................................................... 105
Tabel 4.24 Penaksiran dan Pengujian Signifikansi Parameter Model Runtun Noise
𝑿𝟏𝒕 .................................................................................................... 106
Tabel 4.25 Pemilihan Model Runtun Noise Terbaik menggunakan AIC .......... 107
Tabel 4.26 Model ARIMA runtun noise 𝑿𝟐𝒕 ..................................................... 108
Tabel 4.27 Penaksiran dan Pengujian Signifikansi Parameter Model Runtun Noise
𝑿𝟐𝒕 .................................................................................................... 109
Tabel 4.28 Pemilihan Model Runtun Noise Terbaik menggunakan AIC .......... 110
Tabel 4.29 Penaksiran dan Pengujian Signifikansi Parameter Model Fungsi
Transfer ............................................................................................ 112
Tabel 4.30 Hasil output Cross Correlation pada Model Fungsi Transfer ........ 112
Tabel 4.31 Hasil output Autocorrelation pada Model Fungsi Transfer ............ 113
Tabel 4.32 Hasil Peramalan Curah Hujan di Kota Samarinda 12 Periode yang
Akan Datang .................................................................................... 115
xii
DAFTAR GAMBAR
xiii
Gambar 4.17 Grafik PACF data kelembapan udara setelah transformasi dan
differencing orde 1 76
Gambar 4.18 Grafik pengujian Ljung-Box data kelembapan udara .................... 80
Gambar 4.19 Grafik data runtun waktu kecepatan angin di Kota Samarinda ..... 82
Gambar 4.20 Grafik Box-Cox kecepatan angin .................................................. 83
Gambar 4.21 Grafik data runtun waktu kecepatan angin di Kota Samarinda ..... 84
Gambar 4.22 Grafik ACF data kecepatan angin setelah transformasi ................ 84
Gambar 4.23 Grafik ACF data kecepatan angin setelah transformasi dan
differencing orde 1......................................................................... 86
Gambar 4.24 Grafik data runtun waktu kecepatan angin setelah di transformasi
dan differencing orde 1 .................................................................. 87
Gambar 4.25 Grafik PACF data kelembapan udara setelah transformasi dan
differencing orde 1 87
Gambar 4.26 Grafik pengujian Ljung-Box data kelembapan udara .................... 93
Gambar 4.27 Grafik data runtun waktu suhu udara di Kota Samarinda ............. 95
Gambar 4.28 Grafik Box-Cox suhu udara .......................................................... 96
Gambar 4.29 Grafik data runtun waktu tekanan udara di Kota Samarinda ........ 97
Gambar 4.30 Grafik Box-Cox tekanan udara...................................................... 97
Gambar 4.31 Grafik CCF antara curah hujan dengan kelembapan udara ......... 100
Gambar 4.32 Grafik CCF antara curah hujan dengan kecepatan angin ............ 100
Gambar 4.33 Grafik ACF runtun noise X1t ...................................................... 104
Gambar 4.34 Grafik PACF runtun noise X1t ................................................... 104
Gambar 4.35 Grafik ACF runtun noise X2t ...................................................... 107
Gambar 4.36 Grafik PACF runtun noise X2t ................................................... 108
Gambar 4.37 Grafik peramalan curah hujan di Kota Samarinda menggunakan
model fungsi transfer 116
xiv
DAFTAR SIMBOL
Simbol Arti
𝛼 Taraf signifikansi
n Banyaknya data pengamatan
𝑚 Banyaknya variabel penelitian
t Indeks waktu
𝑰 Matriks identitas
|𝑹| Determinan matriks korelasi antar variabel
𝑎𝑖 Parameter 𝑎 koefisien Fourier ke-𝑖
𝑏𝑖 Parameter 𝑏 koefisien Fourier ke-𝑖
𝜋 Radian 180⋄
𝐼(𝜔𝑖 ) Nilai periodogram pada frekuensi Fourier ke-𝑖
xv
p Orde autoregressive
q Orde moving average
𝑍𝑡+𝑘 Nilai pada waktu ke 𝑡+𝑘
k Nilai lag
𝜙𝑝 Parameter autoregressive orde ke-𝑝
𝜃𝑞 Parameter moving average orde ke-𝑞
Dhitung Statistik uji Kolmogorov-Smirnov
𝑌𝑡 Runtun output ke-𝑡
𝑋𝑡 Runtun input ke-𝑡
et-q Noise pada waktu ke 𝑡-𝑞
𝜏𝛼:𝑑𝑏 Tabel dari uji McKinnon
𝑛𝑝 Banyaknya parameter
𝐹0 (𝑍) Fungsi distribusi kumulatif normal
𝑆𝑛 (𝑍) Fungsi distribusi kumulatif sampel
Q Nilai statistik uji Ljung-Box
𝑄0 Statistik hitung dari uji korelasi silang (cross
correlation)
𝑄1 Statistik hitung dari uji autocorrelation
𝜌𝑘 Autocorrelation function pada lag ke-k
𝜙𝑘𝑘 Partial autocorrelation function pada lag ke-k
𝑡ℎ𝑖𝑡 Statistik hitung dari uji t
𝑡𝛼⁄2:𝑑𝑏 Tabel distribusi 𝑡 untuk tingkat signifikansi sebesar
𝛼⁄ dan derajat bebas adalah 𝑑𝑏
2
𝜏 Parameter model ARIMA (mencakup 𝜙, 𝜃, dan 𝜇)
𝑛𝑡 Variabel error (runtun noise)
𝑣(𝐵) Koefisien model fungsi transfer
𝑣̂(𝐵) Penaksiran fungsi parameter sementara
𝑣𝑗 (𝐵) Fungsi transfer runtun input ke-𝑗
𝑏, r, s Orde model fungsi transfer
xvi
𝜔𝑠 (𝐵) Operator dengan orde 𝑠
𝛿𝑟 (𝐵) Operator dengan orde 𝑟
xvii
BAB I
PENDAHULUAN
2.1 Peramalan
Menurut Aswi dan Sukarna (2006), peramalan adalah bagian dari proses
pengambilan keputusan. Keputusan yang efektif dipengaruhi oleh beberapa faktor
yang tidak dapat dilihat pada waktu keputusan itu diambil. Peramalan merupakan
salah satu cara untuk meramalkan suatu nilai pada masa yang akan datang dengan
memperhatikan data masa lalu maupun data masa kini. Menurut Makridakis,
Wheelwright dan McGree (1999), peramalan memiliki tujuan sebagai penduga
perubahan yang akan terjadi dan dilakukan untuk menghadapi kondisi yang tidak
pasti dengan cara meminimumkan kesalahan dalam meramalkan melalui
pengukuran tingkat akurasi peramalan.
Menurut Aswi dan Sukarna (2006), metode peramalan dibedakan menjadi
dua kategori yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif
adalah peramalan menurut argumen suatu pihak dan data tidak dapat
direpresentasikan secara tegas menjadi suatu nilai atau angka. Metode kualitatif
pada umumnya digunakan untuk mengetahui ramalan jangka pendek. Metode
kuantitatif adalah metode peramalan yang didasarkan pada data masa lalu (data
historis) yang berbentuk angka atau nilai. Metode peramalan ini membutuhkan
informasi masa lalu yang dikuantitatifkan dalam bentuk data numerik, sehingga
data tersebut dapat diramalkan menggunakan metode statistika dan matematika.
Metode peramalan kuantitatif dibagi menjadi dua, yaitu metode runtun waktu
dan metode regresi. Metode runtun waktu yaitu metode yang digunakan untuk
meramalkan masa depan dengan menggunakan data historis. Metode runtun waktu
mencoba melihat apa yang terjadi pada masa mendatang dengan menggunakan data
masa lalu untuk meramalkannya. Sedangkan, metode regresi adalah metode analisis
yang dilakukan dengan memasukkan dan menguji variabel-variabel yang diduga
memengaruhi variabel terikat (Makridakis, Wheelwright dan McGree, 1999).
2.2 Analisis Runtun Waktu
Analisis runtun waktu digunakan untuk melakukan analisis data yang
mempertimbangkan pengaruh waktu. Analisis runtun waktu dapat dilakukan
peramalan data beberapa periode ke depan yang sangat membantu dalam menyusun
perencanaan ke depan. Metode runtun waktu yang telah berkembang antara lain:
Autoregressive Integrated Moving Average (ARIMA), moving average,
exponential smoothing, dan time series regression. Metode runtun waktu ini disebut
sebagai metode runtun waktu klasik (Makridakis, Wheelwright dan McGree, 1999).
Analisis runtun waktu adalah salah satu metode statistika yang digunakan untuk
mengolah data runtun waktu sehingga diperoleh model pada peramalan (Aswi dan
Sukarna, 2006).
Suatu urutan pengamatan memiliki model runtun waktu jika memenuhi
asumsi berikut (Aswi dan Sukarna, 2006) :
1. Interval waktu dapat dinyatakan dalam satuan waktu yang sama.
2. Adanya hubungan antara kejadian masa mendatang terhadap masa sebelumnya
atau lebih dikenal dengan istilah adanya autocorrelation antara suatu variabel
pada waktu tertentu dengan variabel itu sendiri pada waktu-waktu sebelumnya.
3. Data masa depan mengikuti pola data yang terjadi di masa lalu.
Metode peramalan runtun waktu memiliki tujuan untuk menemukan pola
pada runtun historis dan meramalkan nilai pola tersebut ke masa yang akan datang.
Menurut Makridakis, Wheelwright dan McGree (1999), langkah penting dalam
memilih model runtun waktu yang sesuai yaitu dengan memperhatikan jenis pola
data, sehingga model yang sesuai dengan pola tersebut dapat dianalisis pola data
dapat dibedakan menjadi 4 jenis yaitu:
1. Pola horizontal, pola data ini terjadi jika data berfluktasi disekitar rata-rata yang
konstan. Runtun seperti ini stasioner terhadap nilai rata-ratanya. Bentuk pola
horizontal pada umumnya ditunjukkan seperti Gambar 2.1.
Gambar 2.1 Pola data horizontal
2. Pola tren, pola data ini terjadi jika terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data. Bentuk pola tren ditunjukkan seperti Gambar 2.2.
3. Pola Musiman, pola data ini terjadi jika suatu runtun dipengaruhi oleh faktor
musiman, Komponen musiman menunjukkan pola perubahan yang berulang-
ulang secara periodik. Bentuk pola musiman ditunjukkan seperti Gambar 2.3.
dengan,
ry1y1 ry1y2 ⋯ ry1ym
ry2y1 ry2y2 ⋯ ry2ym
R= [ ⋮ ] (2.2)
⋮ ⋮ ⋱
rymy1 rymy2 ⋯ rymym
Keterangan:
I : matriks identitas berukuran m m
Daerah Penolakan
H 0 ditolak jika 2 hitung 2 ;1 2m m 1 , artinya terdapat korelasi antar variabel
yang diujikan
Penentuan koefisien korelasi denganmenggunakan metode analisis korelasi
Pearson dengan menggunakan rumus sebagai berikut:
∑𝑛𝑡=1(𝑦1𝑡 − 𝑦̅1𝑡 )(𝑦2𝑡 − 𝑦̅2𝑡 )
𝑟𝑦𝑖𝑦𝑗 = (2.3)
√∑𝑛𝑡=1(𝑦1𝑡 − 𝑦̅1𝑡 )2 ∑𝑛𝑡=1(𝑦2𝑡 − 𝑦̅2𝑡 )2
dari hasil yang diperoleh dengan rumus di atas, dapat diketahui tingkatpengaruh
variabel 𝑦𝑖 dan variabel 𝑦𝑗 . Pada hakikatnya nilai r dapat bervariasi dari -1 hingga
+1, atau secara matematis dapat ditulis menjadi -1 ≤ r ≤ +1. Hasil dariperhitungan
akan memberikan tiga alternatif, yaitu:
a. Bila r = 0 atau mendekati 0, maka korelasi antar kedua variabel sangat lemahatau
tidak terdapat hubungan antara variabel 𝑦𝑖 dan variabel 𝑦𝑗 .
b. Bila r = +1 atau mendekati +1, maka korelasi antar kedua variabel adalah kuatdan
searah, dikatakan positif.
c. Bila r = -1 atau mendekati -1, maka korelasi antar kedua variabel adalah kuatdan
berlawanan arah, dikatakan negatif.
Sebagai bahan penafsiran terhadap koefisien korelasi yang ditemukan besaratau
kecil, maka dapat berpedoman pada ketentuan berikut ini:
N
2 𝑖 = 1, 2, … , [𝑛 − 1)/2] jika 𝑛 ganjil dan
bi = [∑ Zt sin(𝜔𝑖 𝑡)] , (2.6)
n 𝑖 = 1, 2, … , [(𝑛/2) − 2]ika 𝑛 genap,
t=1
2𝜋𝑖 𝑛
𝜔𝑖 = di mana 𝑖 = 0, 1, 2, … , 2 (2.7)
𝑛
dengan g > 0 dan 𝑚∗ merupakan integer terbesar yang kurang dari 1⁄g. Jadi untuk
setiap 𝛼 taraf signifikansi tertentu, dapat dignakan Persamaan (2.8) untuk
menemukan nilai kritis g α seperti berikut :
𝑃(𝑇 > g) = 𝛼 (2.10)
sedangkan untuk memperoleh g α by first term only diperoleh dengan pendekatan
dari Persamaan (2.9), sehingga diperoleh:
𝑃(𝑇 > g) ≃ 𝑁(1 − g)𝑁−1 (2.11)
Hasil g α by first term only hampir sama atau tidak jauh berbeda, bahkan
untuk sampel kecil bernilai sama dengan g α by exact formula. Sehingga untuk
mendapatkan nilai g α sampel besar lebih disarankan by first term only karena alasan
kepraktisan (Darmawan, Handoko dan Zulhanif, 2017). Hasil perhitungan by first
term only dapat ditunjukkan pada Tabel 2.2.
5 0,6838
10 0,4450
15 0,3364
Tabel 2.2 Nilai kritis 𝛼 = 0,05 untuk Nilai Periodogram Terbesar (Lanjutan)
20 0,2705
25 0,2281
30 0,1979
35 0,1753
40 0,5175
45 0,1432
50 0,1315
di mana,
∆𝑍𝑡 = differencing pertama dari 𝑍𝑡
𝜇 = koefisien regresi untuk lag
𝛾 = koefisien regresi untuk lag differencing
𝑒𝑡 = noise pada waktu ke−𝑡
Prosedur yang digunakan pada pengujian ADF adalah sebagai berikut:
Hipotesis
𝐻0 : 𝜇 = 0, (Data tidak stasioner dalam rata-rata)
𝐻1 : 𝜇 ≠ 0, (Data stasioner dalam rata-rata)
Taraf Signifikansi
𝛼 = 5%
Statistik Uji
̂
𝜇
𝜏 = 𝑆𝐸(𝜇̂) (2.15)
Daerah Penolakan
Menolak 𝐻0 jika |𝜏| > |𝜏𝛼;𝑑𝑏 | atau p-value < 𝛼
𝜏𝛼;𝑑𝑏 diperoleh dari Tabel MacKinnon dengan 𝛼 adalah taraf signifikansi dan
db adalah derajat bebas dimana 𝑑𝑏 = 𝑛 − 𝑛𝑝 . 𝑛 adalah banyak data pengamatan
dan 𝑛𝑝 adalah banyaknya parameter dalam model (Widarjono, 2007).
di mana:
𝜙𝑘𝑘 = fungsi PACF ke-𝑘
𝑍𝑡 = nilai pada waktu ke-𝑡
𝑍𝑡+𝑘 = nilai pada waktu ke-𝑘
𝑍̂𝑡 = dugaan variabel Z pada waktu ke-𝑡
(Wei, 2006).
Tabel 2.4 Pola Umum ACF dan PACF untuk model AR dan MA
Proses ACF PACF
Dies Down (turun secara Cuts off after lag p
AR(p)
eksponensial/sinusoidal) (terputus setelah lag p)
Cuts off after lag q Dies Down (turun secara
MA(q)
(terputus setelah lag q) eksponensial/sinusoidal)
Dies Down (turun secara Dies Down (turun secara
ARMA(p,q)
eksponensial/sinusoidal) eksponensial/sinusoidal)
AR(p) atau Cuts off after lag q Cuts off after lag p
MA(q) (terputus setelah lag q) (terputus setelah lag p)
Sumber : Gujarati (2003)
2.7 Model Linier Stasioner
Model-model linier yang stasioner adalah model Autoregressive (AR) (𝑝),
Moving Average (MA) (𝑞), dan Autoregressive Moving Average (ARMA) (𝑝, 𝑞):
a. Model Autoregressive (AR)
Autoregressive adalah suatu bentuk regresi tetapi bukan yang
menghubungkan variabel tak bebas, melainkan menghubungkan dengan nilai-nilai
sebelumnya pada selang waktu, sehingga suatu model autoregressive akan
menyatakan suatu ramalan sebagai fungsi nilai-nilai sebelumnya dari data runtun
waktu. Bentuk umum dari model AR(𝑝) atau ARIMA (𝑝, 0,0) dituliskan sebagai
berikut :
Zt − 𝜙𝑍𝑡−1 − 𝜙𝑍𝑡−2 − ⋯ − 𝜙𝑝 𝑍𝑡−𝑝 = 𝑒𝑡 (2.22)
Persamaan di atas dapat diubah dalam bentuk
𝑍𝑡 = 𝜙𝑍𝑡−1 − 𝜙𝑍𝑡−2 − ⋯ − 𝜙𝑝 𝑍𝑡−𝑝 + 𝑒𝑡 (2.23)
di mana:
ϕp = parameter autoregressive orde ke-𝑝
atau dengan menggunakan operator AR(𝑝) dan MA(𝑞) sehingga persamaan diatas
dapat disederhanakan menjadi :
ϕp (B)Zt =θq (B) et (2.26)
di mana,
𝐵 = operator backshift (operator mundur)
ϕp (B) = 1-ϕ1 (B)-ϕ2 (B)2 -…-ϕp (B)p
Zt -ϕ1 Zt-1 -ϕ2 Zt-2 -…-ϕp Zt-p )(1-B)d =et -θ1 et-1 -θ2 et-2 -…-θq et-q (2.29)
2.9 Estimasi Parameter Model
Tahap selanjutnya setelah p dan q ditentukan adalah mengestimasi parameter
AR dan MA yang ada pada model, sehingga didaptkan besaran koefisien model.
Pada penelitian ini metode estimasi yang digunakan adalah maximum likelihood
estimation. Teknik maximum likelihood estimation dapat diterapkan namun terlebih
dahulu harus membuat asumsi tentang bentuk fungsi probabilitas dari data yang di
amati. Asumsi yang paling sering digunakan adalah bahwa data observasi berasal
dari distribusi normal multivariat. Dalam hal ini, analisis yang sebenarnya dimulai
dengan asumsi bahwa error 𝑒𝑡 adalah sebagai berikut :
Fungsi kepadatan probabilitas suatu error 𝑒𝑡 adalah sebagai berikut :
𝑒 2
𝑓(𝑒𝑡 |𝜎𝑒2𝑡 ) = (2𝜋𝜎𝑒2𝑡 )−𝑛⁄2 𝑒𝑥𝑝 (− 2𝜎𝑡2 ) (2.20)
𝑒𝑡
di mana,
𝑆(𝜙, 𝜃) = ∑𝑛𝑡=1(𝑍𝑡 − 𝜙1 𝑍𝑡−1 − ⋯ − 𝜙𝑝 𝑍𝑡−𝑝 − 𝜃1 𝑒𝑡−1 − ⋯ − 𝜃𝑞 𝑒𝑡−𝑞 )2 (2.34)
Karena pada akhirnya hanya akan mengarah pada besar relative likelihood, maka
cukup jika memandang ln likelihoood yang diberikan dengan rumus sebagai berikut
:
𝑛 𝑛
𝑙(𝜙, 𝜃, 𝜎𝑒2𝑡 ) = − 2 𝑙𝑛2𝜋 − 2 𝑙𝑛2𝜎𝑒2𝑡 𝑆(𝜙, 𝜃) (2.35)
dari persamaan diatas dapat dilihat bahwa 𝜙 dan 𝜃 hanya bisa masuk dalam bagian
jumlah kuadrat fungsi likelihoood, maka untuk memaksimumkan likelihood kita
hanya perlu meminimumkan fungsi jumlah kuadrat untuk seluruh nilai parameter-
parametere itu. Setelah taksiran maximum likelihood parameter-parameter tersebut
diperoleh, dapat ditunjukkan bahwa taksiran maximxum likelihood untuk 𝜎𝑒2𝑡 adalah
sebagai berikut :
̂ ,𝜃
𝑆̂(𝜙 ̂)
𝜎𝑒2𝑡 = (2.36)
𝑛
- Daerah Penolakan
dengan
𝑛 = banyak data pengamatan
𝑘 = nilai lag
𝑘 ∗ = maksimum lag
𝜌̂𝑘 = penaksir otokorelasi pada lag k
𝑍̂𝑡 = penaksir data pengamatan pada waktu ke −𝑡
𝑍̂ = rata-rata penaksir data pengamatan
Daerah Penolakan
2
𝐻0 ditolak jika 𝑄 ∗ > 𝜒𝛼;𝑑𝑏 atau p-value < 𝛼
2
𝜒𝛼;𝑑𝑏 diperoleh dari tabel nilai kritis Chi-Square dengan 𝛼 adalah taraf
signifikansi dan db adalah derajat bebas di mana db=𝑘 ∗ − 𝑛𝑝 . 𝑘 ∗ adalah
maksimum lag dan 𝑛𝑝 adalah banyaknya parameter.
(Aswi dan Sukarna, 2006).
sehingga
𝜔(𝐵) ∗ 𝜃(𝐵)
𝑌𝑡 = 𝑋𝑡−𝑏 + 𝑎
𝛿(𝐵) 𝜙(B) 𝑡
(2.45)
keterangan:
𝑏 = banyaknya periode sebelum runtun input mulai berpengaruh terhadap
runtun output.
𝜔𝑠 (𝐵) = 𝜔0 − 𝜔1 𝐵 − 𝜔2 𝐵 2 − ⋯ − 𝜔𝑠 𝐵 𝑠 merupakan operator dengan orde 𝑠, yang
merepresentasikan jumlah pengamatan masa lalu 𝑥𝑡 yang berpengaruh
terhadap 𝑦𝑡
𝛿𝑟 (𝐵) = 𝛿0 − 𝛿1 𝐵 − 𝛿2 𝐵 2 − ⋯ − 𝛿𝑠 𝐵 𝑟 merupakan operator dengan orde 𝑟, yang
merepresentasikan jumlah pengamatan masa lau dari runtun output itu
sendiri yang berpengaruh terhadap 𝑦𝑡 .
𝑋𝑡∗ = nilai 𝑋𝑡 yang telah di transformasi dan differencing
𝜔𝑠 (𝐵)
di mana 𝑣𝑗 (𝐵) = 𝐵 𝑏𝑗 adalah fungsi transfer untuk runtun input 𝑋𝑗𝑡∗ ke-𝑗 dan
𝛿𝑟 (𝐵)
Transformasi pada 𝑌𝑡∗ tidak harus mengubah 𝑌𝑡∗ menjadi white noise. Oleh sebab
itu kata “pre-whitening” ditulis dalam tanda kutip untuk mengingatkan terhadap
kejadian ini. Berikut merupakan pre-whitening runtun 𝑌𝑡∗ yang telah di pre-
whitening akan disebut 𝛽𝑡 :
𝜙𝑥 (𝐵) ∗
𝛽𝑡 = 𝑌 (2.50)
𝜃𝑥 (𝐵) 𝑡
atau
1
𝐶𝑌𝑋 (𝑘) = 𝑛 ∑𝑛−𝑘 ̅ ̅
𝑡=1 (𝑌𝑡 − 𝑌 )(𝑋𝑡+𝑘 − 𝑋 ), (2.52)
di mana 𝑘 = 0, 1, 2, 3, …
Kovariansi silang dapat dengan mudah diubah menjadi cross correlation
dengan membagi kovariansi tersebut oleh dua standar deviasi sebagai berikut:
𝐶(𝑘) 𝐶𝑋𝑌 (𝑘)
𝑟𝑋𝑌 = 𝜌̂𝑋𝑌 (𝑘) = = , (2.53)
√𝐶𝑋𝑋 (0)𝐶𝑌𝑌 (0) 𝑆𝑥 𝑆𝑦
𝜔
(1,0,2) 𝑣(𝐵)𝑥𝑡 =(1−𝛿0 𝐵) 𝑥𝑡−2
1
0 𝜔 −𝜔 𝐵)
1
(1,1,2) 𝑣(𝐵)𝑥𝑡 =( (1−𝛿 𝑥
𝐵) 𝑡−2
1
𝜔0
(2,0,2) 𝑣(𝐵)𝑥𝑡 =(1−𝛿 2)
𝑥𝑡−2
1 𝐵−𝛿2 𝐵
(𝜔0 −𝜔1 𝐵)
(2,1,2) 𝑣(𝐵)𝑥𝑡 = 𝑥
(1−𝛿1 𝐵−𝛿2 𝐵2 ) 𝑡−2
(Wei, 2006).
di mana g adalah nilai praktis yang dipilih oleh peneliti. Fungsi 𝑣(𝐵) mempunyai
jumlah suku tak terbatas, akan tetapi pada tahap penaksiran langsung bobot respon
impuls hanya 10 atau 15 bobot 𝑣 yang akan dihitung, dan ini sudah dianggap
memuaskan sebagai analisis pendahuluan dari runtun gangguan (noise series) (Wei,
2006).
Studi literatur
Merumuskan masalah
Menentukan variabel
Mengumpulkan data
Analisis data
Kesimpulan
Mulai
Input data
Tidak
Apakah stasioner Transformasi
dalam variansi
Ya
Apakah stasioner
dalam rata-rata
Ya Tidak
Melakukan differencing data
A B
A B
Ya
C D
D
C
Ya
Tidak
Selesai
4. 1 Deskripsi Data
Data yang digunakan dalam penelitian ini adalah data bulanan curah hujan,
kelembapan udara, kecepatan angin, suhu udara dan tekanan udara di Kota
Samarinda periode Januari 2016 sampai dengan Desember 2021 sebanyak 72 data.
Data bulanan curah hujan di Kota Samarinda periode Januari 2016 sampai dengan
Desember 2021 dapat dilihat pada Tabel 4.1.
Tabel 4.1 Data dan Analisis Rata-rata Curah Hujan di Kota Samarinda (mm)
Tahun
Bulan Rata-rata
2016 2017 2018 2019 2020 2021
Januari 158,8 160,8 215,9 179,8 259,0 369,0 194,9
Februari 99,3 138,6 97,7 41,6 95,0 148,0 94,4
Maret 317,6 88,1 154,1 198,2 132,0 274,0 178,0
April 369,2 343,3 180,2 123,5 175,0 256,0 238,2
Mei 224,6 309,3 296,0 193,6 201,0 117,0 244,9
Juni 202,0 421,8 197,0 252,7 165,0 141,0 247,7
Juli 162,7 160,9 136,9 52,1 144,0 212,0 131,3
Agustus 99,3 249,7 47,9 62,5 228,0 350,0 137,5
September 226,4 100,0 127,4 49,2 276,0 244,0 155,8
Oktober 174,5 152,0 151,9 202,8 166,0 265,0 169,4
November 291,9 218,8 126,6 121,9 173,0 282,0 186,4
Desember 356,5 223,1 169,5 401,3 119,0 231,0 253,9
Februari rendah karena berada pada rentang (0-100 mm/bulan). Curah hujan
maksimum di Kota Samarinda adalah sebesar 253,9 mm yang menunjukkan bahwa
intensitas hujan pada bulan Desember sedang karena berada pada rentang (100-300
mm/bulan).
Tabel 4.2 Data dan Analisis Rata-rata Kelembapan Udara di Kota Samarinda (%)
Tahun
Bulan Rata-rata
2016 2017 2018 2019 2020 2021
Januari 76,0 82,0 81,0 80,0 74,4 84,0 80,5
Februari 75,0 80,0 82,0 76,0 70,1 84,0 78,8
Maret 77,0 81,0 80,0 78,0 71,8 83,0 79,5
April 78,0 82,0 82,0 80,0 72,8 83,0 80,7
Mei 82,0 86,0 84,0 82,0 78,5 84,0 83,5
Juni 83,0 84,0 83,0 83,0 79,7 82,0 83,3
Juli 82,0 82,0 81,0 62,0 79,2 83,0 81,5
Agustus 80,0 83,0 78,0 59,0 77,2 83,0 80,7
September 83,0 82,0 77,0 55,0 78,2 83,0 80,3
Oktober 79,0 77,0 81,0 65,0 76,0 74,0 75,8
November 84,0 81,0 82,0 85,0 76,0 83,0 82,0
Desember 57,0 76,0 80,0 76,0 78,0 78,0 73,0
Tabel 4.3 Data dan Analisis Rata-rata Kecepatan Angin di Kota Samarinda
(m/det)
Tahun
Bulan Rata-rata
2016 2017 2018 2019 2020 2021
Januari 6,0 3,0 3,7 3,9 4,2 3,8 4,1
Februari 6,0 4,0 3,4 5,1 5,0 3,4 4,5
Maret 5,0 4,0 4,2 4,1 4,4 3,8 4,3
April 5,0 4,0 3,5 3,6 4,2 3,4 4,0
Mei 4,0 4,0 3,3 3,2 3,0 3,4 3,5
Juni 3,0 4,0 2,9 3,6 2,7 3,6 3,3
Juli 4,0 4,0 4,0 4,4 3,2 3,8 3,9
Agustus 4,0 4,0 4,2 4,7 3,3 3,6 4,0
September 4,0 4,0 4,3 4,8 3,1 3,6 4,0
Oktober 4,0 4,0 3,4 3,2 3,2 4,0 3,6
November 4,0 4,0 3,5 3,4 3,2 3,1 3,5
Desember 4,0 4,0 3,7 3,0 3,4 3,4 3,6
Tabel 4.4 Data dan Analisis Rata-rata Suhu Udara di Kota Samarinda (℃)
Tahun
Bulan Rata-rata
2016 2017 2018 2019 2020 2021
Januari 28,7 27,4 27,6 27,7 28,2 27,6 27,9
Februari 29,0 27,9 27,6 28,4 28,6 27,3 28,1
45
Tabel 4.4 Data Analisis Rata-rata Suhu Udara di Kota Samarinda (℃) (Lanjutan)
Tahun
Bulan Rata-rata
2016 2017 2018 2019 2020 2021
Maret 29,0 27,6 27,9 28,2 28,7 27,4 28,1
April 29,0 27,8 27,8 28,5 28,6 27,5 28,2
Mei 28,7 27,7 27,8 28,3 28,4 28,0 28,2
Juni 27,6 27,3 27,8 27,7 27,6 27,7 27,6
Juli 27,8 27,7 27,9 27,7 27,3 27,4 27,6
Agustus 27,9 27,2 28,0 27,9 27,5 27,2 27,6
September 27,4 27,8 28,1 28,5 27,6 27,4 27,8
Oktober 27,6 28,3 27,8 28,0 28,0 28,2 28,0
November 27,7 28,1 27,9 28,1 28,1 27,6 27,9
Desember 27,5 28,0 28,2 27,8 27,7 27,5 27,8
Tabel 4.5 Data dan Analisis Rata-rata Tekanan Udara di Kota Samarinda (𝑚𝑏)
Tahun
Bulan Rata-rata
2016 2017 2018 2019 2020 2021
Januari 1.012,8 1.014,0 1.011,8 1.011,1 1.012,8 1.009,5 1.012,0
Februari 1.013,1 1.013,0 1.012,3 1.012,0 1.014,0 1.010,1 1.012,4
Maret 1.013,4 1.014,0 1.012,4 1.012,0 1.013,2 1.009,6 1.012,4
April 1.012,2 1.013,0 1.012,8 1.011,5 1.012,2 1.009,6 1.011,9
46
Tabel 4.5 Data dan Analisis Rata-rata Tekanan Udara di Kota Samarinda (𝑚𝑏)
(Lanjutan)
Tahun
Bulan Rata-rata
2016 2017 2018 2019 2020 2021
Mei 1.012,7 1.012,0 1.011,9 1.011,7 1.012,5 1.008,9 1.011,6
Juli 1.013,1 1.012,0 1.012,7 1.011,7 1.012,8 1.008,4 1.011,8
Agustus 1.013,1 1.012,0 1.012,1 1.012,5 1.013,0 1.009,0 1.011,9
September 1.013,4 1.013,0 1.012,5 1.012,9 1.013,8 1.008,9 1.012,4
Oktober 1.013,8 1.012,0 1.011,7 1.013,0 1.012,5 1.008,2 1.011,9
November 1.012,0 1.011,0 1.009,4 1.011,5 1.011,1 1.008,6 1.010,6
Desember 1.012,7 1.011,0 1.011,0 1.011,8 1.012,1 1.007,9 1.011,1
∑72
𝑡=1(𝑦1𝑡 − 𝑦
̅1𝑡 )(𝑦3𝑡 − 𝑦̅3𝑡 )
𝑟𝑦1𝑦3 = 𝑟𝑦3𝑦1 = = −0,1857 (4.2)
√∑72 ̅1𝑡 )2 ∑72
𝑡=1(𝑦1𝑡 − 𝑦 ̅3𝑡 )2
𝑡=1(𝑦3𝑡 − 𝑦
∑72
𝑡=1(𝑦1𝑡 − 𝑦
̅1𝑡 )(𝑦4𝑡 − 𝑦̅4𝑡 )
𝑟𝑦1𝑦4 = 𝑟𝑦4𝑦1 = = −0,2249 (4.3)
√∑72
𝑡=1(𝑦1𝑡 − 𝑦̅1𝑡 )2 ∑72
𝑡=1(𝑦4𝑡 − 𝑦̅4𝑡 )2
∑72
𝑡=1(𝑦1𝑡 − 𝑦
̅1𝑡 )(𝑦5𝑡 − 𝑦̅5𝑡 )
𝑟𝑦1𝑦5 = 𝑟𝑦5𝑦1 = = −0,1900 (4.4)
√∑72
𝑡=1(𝑦1𝑡 − 𝑦̅1𝑡 )2 ∑72
𝑡=1(𝑦5𝑡 − 𝑦̅5𝑡 )2
∑72
𝑡=1(𝑦2𝑡 − 𝑦
̅2𝑡 )(𝑦3𝑡 − 𝑦̅3𝑡 )
𝑟𝑦2𝑦3 = 𝑟𝑦3𝑦2 = = −0,383 (4.5)
√∑72
𝑡=1(𝑦2𝑡 − 𝑦̅2𝑡 )2 ∑72
𝑡=1(𝑦3𝑡 − 𝑦̅3𝑡 )2
∑72
𝑡=1(𝑦2𝑡 − 𝑦
̅2𝑡 )(𝑦4𝑡 − 𝑦̅4𝑡 )
𝑟𝑦2𝑦4 = 𝑟𝑦4𝑦2 = = −0,3623 (4.6)
√∑72
𝑡=1(𝑦2𝑡 − 𝑦̅2𝑡 )2 ∑72
𝑡=1(𝑦4𝑡 − 𝑦̅4𝑡 )2
∑72
𝑡=1(𝑦1𝑡 − 𝑦
̅1𝑡 )(𝑦5𝑡 − 𝑦̅5𝑡 )
𝑟𝑦1𝑦5 = 𝑟𝑦5𝑦1 = = −0,1510 (4.7)
√∑72 ̅1𝑡 )2 ∑72
𝑡=1(𝑦1𝑡 − 𝑦 ̅5𝑡 )2
𝑡=1(𝑦5𝑡 − 𝑦
∑72
𝑡=1(𝑦3𝑡 − 𝑦
̅3𝑡 )(𝑦4𝑡 − 𝑦̅4𝑡 )
𝑟𝑦3𝑦4 = 𝑟𝑦4𝑦3 = = 0,5814 (4.8)
√∑72
𝑡=1(𝑦3𝑡 − 𝑦̅3𝑡 )2 ∑72
𝑡=1(𝑦4𝑡 − 𝑦̅4𝑡 )2
∑72
𝑡=1(𝑦3𝑡 − 𝑦
̅3𝑡 )(𝑦5𝑡 − 𝑦̅5𝑡 )
𝑟𝑦3𝑦5 = 𝑟𝑦5𝑦3 = = 0,2541 (4.9)
√∑72
𝑡=1(𝑦3𝑡 − 𝑦̅3𝑡 )2 ∑72
𝑡=1(𝑦5𝑡 − 𝑦̅5𝑡 )2
∑72
𝑡=1(𝑦4𝑡 − 𝑦
̅4𝑡 )(𝑦5𝑡 − 𝑦̅5𝑡 )
𝑟𝑦4𝑦5 = 𝑟𝑦5𝑦4 = = 0,2596 (4.10)
√∑72 ̅4𝑡 )2 ∑72
𝑡=1(𝑦4𝑡 − 𝑦 ̅5𝑡 )2
𝑡=1(𝑦5𝑡 − 𝑦
arah hubungan linier positif, yang berarti semakin tinggi curah hujan maka
kelembapan udara akan semakin tinggi begitupun sebaliknya.
Koefisien korelasi antara curah hujan dan kecepatan angin pada Persamaan
(4.2) yaitu sebesar -0,1857, di mana termasuk korelasi yang sangat lemah dan
memiliki arah hubungan linier negatif, yang berarti semakin tinggi curah hujan
maka kecepatan angin akan semakin rendah begitupun sebaliknya.
Koefisien korelasi antara curah hujan dan suhu udara pada Persamaan (4.3)
yaitu sebesar -0,2249, di mana termasuk korelasi yang lemah dan memiliki arah
hubungan linier negatif, yang berarti semakin tinggi curah hujan maka suhu udara
akan semakin rendah begitupun sebaliknya.
Koefisien korelasi antara curah hujan dan tekanan udara pada Persamaan
(4.4) yaitu sebesar -0,1900, di mana termasuk korelasi yang lemah dan memiliki
arah hubungan linier negatif, yang berarti semakin tinggi curah hujan maka tekanan
udara akan semakin rendah begitupun sebaliknya.
Koefisien korelasi antara kelembapan udara dan kecepatan angin pada
Persamaan (4.5) yaitu sebesar -0,3834, di mana termasuk korelasi yang lemah dan
memiliki arah hubungan linier negatif, yang berarti semakin tinggi kelembapan
udara maka kecepatan angin akan semakin rendah begitupun sebaliknya.
Koefisien korelasi antara curah hujan dan suhu udara pada Persamaan (4.6)
yaitu sebesar -0,3623, di mana termasuk korelasi yang lemah dan memiliki arah
hubungan linier negatif, yang berarti semakin tinggi kelembapan udara maka suhu
udara akan semakin rendah begitupun sebaliknya.
Koefisien korelasi antara kelembapan udara dan tekanan udara pada
Persamaan (4.7) yaitu sebesar -0,1510, di mana termasuk korelasi yang sangat
lemah dan memiliki arah hubungan linier negatif, yang berarti semakin tinggi
kelembapan udara maka tekanan udara akan semakin rendah begitupun sebaliknya.
Koefisien korelasi antara kecepatan angin dan suhu udara pada Persamaan
(4.8) yaitu sebesar 0,5814, di mana termasuk korelasi yang sedang dan memiliki
arah hubungan linier positif, yang berarti semakin tinggi kecepatan angin maka
suhu udara akan semakin tinggi begitupun sebaliknya.
49
Koefisien korelasi antara kecepatan angin dan tekanan udara pada Persamaan
(4.9) yaitu sebesar 0,2541, di mana termasuk korelasi yang lemah dan memiliki
arah hubungan linier positif, yang berarti semakin tinggi kecepatan angin maka
tekanan udara akan semakin rendah begitupun sebaliknya.
Koefisien korelasi antara suhu udara dan tekanan udara pada Persamaan
(4.10) yaitu sebesar 0,2596, di mana termasuk korelasi yang lemah dan memiliki
arah hubungan linier positif, yang berarti semakin tinggi suhu udara maka tekanan
udara akan semakin rendah begitupun sebaliknya.
Berdasarkan perhitungan koefiesien korelasi di atas, maka diperoleh matriks
korelasi pada Persamaan (4.11) dan hasil statistik uji Bartlett of Sphericity pada
Persamaan (4.12) berikut:
ry1y1 ry1y2 ry1y3 ry1y4 ry1y5
ry2y1 ry2y2 ry2y3 ry2y4 ry2y5
R= ry3y1 ry3y2 ry3y3 ry3y4 ry3y5
ry4y1 ry4y2 ry4y3 ry4y4 ry4y5
[ry5y1 ry5y2 ry5y3 ry5y4 ry5y5 ]
1 0,0973 -0,1857 -0,2249 -0,1900
0,0973 1 -0,3834 -0,3623 -0,1510
= -0,1857 -0,3834 1 0,5814 0,2541
-0,2249 -0,3623 0,5814 1 0,2569
[ -0,1900 -0,1510 0,2541 0,2569 1 ]
2
2𝑚 − 5
𝜒ℎ𝑖𝑡𝑢𝑛𝑔 = − (𝑛 − 1 − ) 𝑙𝑛|𝑹|
6
2(5) − 5
= − (144 − 1 − ) 𝑙𝑛|0,4632|
6
= 53,9918
Dari hasil perhitungan pada Persamaan (4.12) menuunjukkan bahwa nilai
𝜒 2 ℎ𝑖𝑡𝑢𝑛𝑔 = 53,9918 lebih besar dari 𝜒 2 𝑡𝑎𝑏𝑒𝑙 = 𝜒 2 0,05;10 = 18,037 yang artinya
200
100
0 10 20 30 40 50 60 70
Time
Gambar 4.1 Grafik data runtun waktu curah hujan di Kota Samarinda
Berdasarkan Gambar 4.1 dapat dilihat bahwa data bulanan curah hujan di
Kota Samarinda periode Januari 2016 sampai dengan Desember 2021 tidak
membentuk pola yang stasioner dan tren, tetapi cenderung membentuk pola
musiman. Hal ini dikarenakan pola dari data tersebut mengalami kenaikan dan
penurunan yang berulang-ulang secara periodik. Pemeriksaan yang dilakukan
dengan melihat grafik memberikan hasil subjektif, maka perlu dilakukan analisis
periodogram untuk mengetahui apakah terdapat pola musiman pada data curah
hujan di Kota Samarinda.
51
Perhitungan koefisien Fourier (𝑏𝑖 ) dilakukan sampai dengan 𝑖 = 35, di mana hasil
perhitungan untuk 𝑖 = 35 adalah sebagai berikut:
72
1
𝑏35 = [∑ 𝑓𝑡 sin(𝜔𝑝35𝑡)]
72
𝑡=1
Tabel 4.6 Analisis Periodogram Data Curah Hujan Kota Samarinda Periode
Januari 2016 sampai dengan Desember 2021
i 𝝎𝒑𝒊 𝑎′ 𝒊 𝒃𝒊 𝑰(𝝎𝒑𝒊 )
𝟎 𝟎, 𝟎𝟎𝟎𝟎 𝟏𝟗𝟓, 𝟏𝟎𝟖𝟐 𝟏𝟒, 𝟏𝟒𝟒𝟎 𝟐. 𝟕𝟒𝟐. 𝟐𝟖𝟔, 𝟖𝟑𝟔𝟖
1 0,0861 40,0977 −6,5674 6.8623,0032
2 0,1721 −13,5875 −7,8663 6.765,5880
3 0,2582 8,0774 −5,2170 4.507,6776
4 0,3443 8,3848 7,2036 4.394,1819
5 0,4304 1,7726 6,1578 3.072,3436
6 0,5164 −3,4958 −27,0774 3.877,4069
7 0,6025 1,9648 6,4342 22.646,9720
8 0,6886 −10,0734 −4,0145 4.336,1817
9 0,7746 −4,7183 −40,1457 463,0444
10 0,8726 −34,6491 −13,7670 64.248,8500
11 0,9599 −41,3615 −29,9645 68.411,0200
12 1,0471 26,8944 16,4100 58.362,5200
13 1,1344 −5,2286 9,2790 10.678,6000
14 1,2217 −0,0731 −9,9011 3.099,8310
15 1,3089 13,3619 −16,0569 9.956,6870
16 1,3962 −5,2216 −9,8833 10.263,2200
17 1,4835 8,8041 12,8055 6.306,9350
18 1,5707 24,2527 −11,1791 27.078,4600
19 1,6580 19,1894 −11,4691 17.755,5000
20 1,7453 −0,4606 −5,11579 4.743,0710
21 1,8325 1,9557 −10,0742 1.079,8610
22 1,9198 4,4141 2,1233 4.355,0630
23 2,0071 −14,3811 13,4233 7.607,7160
24 2,0943 15,9611 0,8835 15.658,0000
25 2,1816 3,2360 19,6225 405,0958
26 2,2689 1,2316 −1,4085 13.916,2000
55
Tabel 4.6 Analisis Periodogram Data Curah Hujan Kota Samarinda Periode
Januari 2016 sampai dengan Desember 2021 (Lanjutan)
i 𝝎𝒑𝒊 𝒂′ 𝒊 𝒃𝒊 𝑰(𝝎𝒑𝒊 )
27 2,3561 −3,4568 −4,8279 501,6006
28 2,4434 −1,8592 −8,97702 963,5801
29 2,5307 -20,0831 14,2552 17.421,0500
30 2,6179 −15,4460 −10,2159 15.904,4700
31 2,7052 2,5914 17,0544 3.998,8950
32 2,7925 9,6759 24,0815 13.841,1800
33 2,8797 16,4434 −13,7670 30.611,0300
34 2,9670 −14,6111 −29,9645 19.560,8000
35 3,0543 2,3298 −23,2092 2.110,5911
36 3,1412 −3,3667 4,6104 1.790,0139
Sumber: Lampiran 8
Daerah Penolakan
Menolak 𝐻0 jika 𝑇 > gα.
Statistik Hitung
549373,2
=
2778906,8459+65987,6213+8312,9596+…+827,4319
75738,87
=
548007,3
= 0,1249114
Keputusan
Karena 𝑇 < g0,05 di mana 𝑇 = 0,1382 dan nilai kritis berdasarkan Tabel 2.1
Kesimpulan
Tidak terdapat pola musiman pada data curah hujan
Berdasarkan pengujian hipotesis diperoleh kesimpulan bahwa data curah
hujan di Kota Samarinda periode Januari 2016 sampai dengan Desember 2021
merupakan data yang tidak berpola musiman
95%
-200
-300
log-Likelihood
-400
-500
-600
-2 -1 0 1 2
Berdasarkan Gambar 4.3 terlihat bahwa data tidak stasioner dalam variansi,
dimana nilai dari 𝜆 = 0,5085639. Nilai 𝜆 belum mendekati 1 sehingga dapat
disimpulkan bahwa data curah hujan belum stasioner dalam variansi. Oleh karena
data curah hujan belum stasioner dalam variansi, maka perlu dilakukan
(0,5085639)
transformasi Box-Cox pada data curah hujan yaitu 𝑍𝑡 . Setelah dilakukan
transformasi pada data, maka dilakukan pemeriksaan kembali pada nilai 𝜆 yang
dapat dilihat pada Lampiran 9 dan diperoleh nilai 𝜆 = 0,999999. Nilai 𝜆 telah
mendekati 1, maka syarat dari nilai estimasi telah terpenuhi dan dapat disimpulkan
bahwa data curah hujan telah stasioner dalam variansi.
15
10
0 10 20 30 40 50 60 70
Time
Gambar 4.4 Grafik data runtun waktu curah hujan setelah di transformasi
Berdasarkan Gambar 4.4 dapat dilihat bahwa grafik data runtun waktu setelah
ditransformasi membentuk pola yang stasioner dalam variansi. Selanjutnya
dilakukan pemeriksaan stasioneritas terhadap rata-rata dengan pemeriksaan pada
grafik ACF data curah hujan setelah di transformasi yang dapat dilihat pada Gambar
4.5
58
1.0
0.8
0.6
0.4
ACF
0.2
0.0
-0.2
0 10 20 30 40 50 60 70
Lag
Berdasarkan Gambar 4.5 dapat dilihat bahwa pada grafik ACF data curah
hujan nilai lag telah cut off setelah lag 0, sehingga dapat dikatakan data curah hujan
telah stasioner dalam rata-rata. Pemeriksaan stasioneritas rata-rata yang dilakukan
dengan melihat grafik ACF memberikan hasil yang subjektif, maka perlu dilakukan
pemeriksaan dengan uji Augmented Dickey-Fuller (ADF). Berdasarkan uji ADF
pada Lampiran 10 diperoleh hipotesis sebagai berikut :
Hipotesis
𝐻0 : 𝛿 = 0, (Data curah hujan setelah tranformasi tidak stasioner dalam rata-
rata)
𝐻1 : 𝛿 ≠ 0, (Data curah hujan setelah tranformasi stasioner dalam rata-rata)
Taraf Signifikansi
𝛼 = 5%
Statistik Uji
̂
𝜇
𝛿 = 𝑆𝐸(𝜇̂)
Daerah Penolakan
Menolak 𝐻0 jika |𝛿| > |𝜏𝛼;𝑑𝑏 | atau p-value < 𝛼
Keputusan
Karena |𝛿| < |𝜏0,05;72 | di mana |−0,5969| < |−1,95| atau p-value > 𝛼 di
mana 0,4222 > 0,05 maka diputuskan H0 gagal ditolak.
Kesimpulan
Data curah hujan setelah transformasi tidak stasioner dalam rata-rata.
59
Berdasarkan grafik ACF dan uji ADF dapat disimpulkan bahwa data curah
hujan setelah transformasi tidak stasioner dalam rata-rata, maka perlu dilakukan
differencing orde 1 pada data curah hujan setelah transformasi. Grafik ACF untuk
data curah hujan setelah transformasi dan differencing orde 1 dapat dilihat pada
Gambar 4.6.
Grafik ACF Data Curah Hujan Setelah T ransformasi dan differencing orde 1
1.0
0.8
0.6
0.4
ACF
0.2
0.0
-0.2
-0.4
0 10 20 30 40 50 60 70
Lag
Gambar 4.6 Grafik ACF data curah hujan setelah transformasi dan differencing
orde 1
Berdasarkan Gambar 4.6 dapat dilihat bahwa pada grafik ACF nilai lag
telah cut off setelah lag 1, sehingga dapat dikatakan data curah hujan setelah
dilakukan differencing telah stasioner dalam rata-rata Pemeriksaan yang dilakukan
dengan melihat grafik ACF memberikan hasil yang subjektif, maka perlu dilakukan
pemeriksaan dengan uji ADF. Berdasarkan uji ADF pada Lampiran 10 diperoleh
hipotesis sebagai berikut:
Hipotesis
𝐻0 : 𝛿 = 0, (Data curah hujan setelah tranformasi dan differencing tidak
stasioner dalam rata-rata)
𝐻1 : 𝛿 ≠ 0, (Data curah hujan setelah tranformasi dan differencing stasioner
dalam rata-rata)
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
̂
𝜇
𝛿 = 𝑆𝐸(𝜇̂)
60
Daerah Penolakan
Menolak 𝐻0 jika |𝛿| > |𝜏𝛼;𝑑𝑏 | atau p-value < 𝛼
Keputusan
Karena |𝛿| < |𝜏0,05;72 | di mana |−7,755| > |−1,95| atau p-value < 𝛼 di
mana 0,01 < 0,05 maka diputuskan H0 ditolak.
Kesimpulan
Data curah hujan setelah transformasi stasioner dalam rata-rata.
5
0
-5
0 10 20 30 40 50 60 70
Time
Gambar 4.7 Grafik data runtun waktu curah hujan setelah di transformasi dan
differencing orde 1
Berdasarkan Gambar 4.7 dapat dilihat bahwa grafik data runtun waktu curh
hujan setelah di transformasi dan differencing orde 1 membentuk pola yang
stasioner dalam rata-rata. Hal ini dikarenakan data cenderung berfluktuasi disekitar
rata-rata yang konstan dari waktu ke waktu.
-0.1
-0.2
-0.3
-0.4
0 10 20 30 40 50 60 70
Lag
Gambar 4.8 Grafik PACF data curah hujan setelah transformasi dan differencing
orde 1
61
Hipotesis
𝐻0 : 𝜏 = 0, (Parameter tidak signifikan dalam model)
𝐻1 : 𝜏 ≠ 0, (Parameter signifikan model)
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
𝜏̂
𝑡ℎ𝑖𝑡 =
𝑆𝐸(𝜏̂ )
Daerah Penolakan
Menolak 𝐻0 jika |𝑡ℎ𝑖𝑡 | > |𝑡0,025:𝑑𝑏 | atau p-value < 𝛼, dengan 𝑑𝑏 = 𝑛 − 𝑛𝑝
di mana 𝑛 adalah 72 dan 𝑛𝑝 adalah banyaknya parameter.
Pada kasus ini, 𝜏 mencakup parameter ARIMA yaitu 𝜙1 , 𝜙2 , 𝜙3 , 𝜙4 , 𝜙5 , 𝜙6
dan 𝜃1 . Hasil penaksiran dan pengujian signifikansi parameter dapat dilihat pada
Tabel 4.8.
ARIMA ̂ 3 = −0,8226
ϕ −5,8966 65 1,9971 1,457×10-07 𝐻0 ditolak
(6, 1, 1) ̂ 4 = −0,7642
ϕ −5,6102 65 1,9971 4,475×10-07 𝐻0 ditolak
̂ 5 = −0,5583
ϕ −3,8817 65 1,9971 0,0002 𝐻0 ditolak
̂ 6 = 0,2962
ϕ −2,5051 65 1,9971 0,0147 𝐻0 ditolak
Daerah Penolakan
2
Menolak 𝐻0 jika 𝑄 ∗ > 𝜒0,05;72 atau p-value > 𝛼
66
1.0
0.8
0.8
0.6
0.6
p value
p value
0.4
0.4
0.2
0.2
0.0
0.0
5 10 15 20 5 10 15 20
lag lag
(a) (b)
1.0
0.8
0.8
0.6
0.6
p value
p value
0.4
0.4
0.2
0.2
0.0
0.0
5 10 15 20 5 10 15 20
lag lag
(c) (d)
Gambar 4.9 Grafik pengujian Ljung-Box data curah hujan
67
1.0
1.0
0.8
0.8
0.6
0.6
p value
p value
0.4
0.4
0.2
0.2
0.0
0.0
5 10 15 20 5 10 15 20
lag lag
(e) (f)
diperoleh hasil prediksi untuk data curah hujan di Kota Samarinda selama 12 bulan
atau satu tahun ke depan yaitu bulan Januari hingga Desember 2022 yang dapat
dilihat pada Tabel 4.11.
Berdasarkan hasil peramalan dibentuk sebuah grafik runtun waktu dari hasil
peramalan curah hujan di Kota Samarinda tahun 2016-2022. Grafik perbandingan
antara data aktual dan data hasil peramalan menggunakan model ARIMA (6, 1, 1)
dapat dilihat pada Gambar 4.10.
70
Aktual vs Prediksi
500
Prediksi Aktual
400
Jumlah Curah Hujan
300
200
100
0
0 20 40 60 80
Waktu
Gambar 4.10 Grafik data aktual dan hasil ramalan curah hujan di Kota
Samarinda
Berdasarkan Gambar 4.10 menunjukkan bahwa pola data pada grafik hasil
prediksi dan peramalan curah hujan di Kota Samarinda tidak mendekati pola data
aktual. Gambar 4.10 juga menampilkan perbandingan hasil peramalan curah hujan
Kota Samarinda tahun 2022 dengan data aktual terbaru yaitu periode Januari 2022
sampai dengan Februari 2022 yang diperoleh dari BMKG Kota Samarinda.
75
70
65
60
0 10 20 30 40 50 60 70
Time
95%
50
0
-50
log-Likelihood
-100
-150
-200
-250
-20 -10 0 10 20
Berdasarkan Gambar 4.12 terlihat bahwa data tidak stasioner dalam variansi,
dimana nilai dari 𝜆 = 10,3871. Nilai 𝜆 belum mendekati 1 sehingga dapat
disimpulkan bahwa data kelembapan udara belum stasioner dalam variansi. Oleh
karena data kelembapan udara belum stasioner dalam variansi, maka perlu
(10,3871)
dilakukan transformasi Box-Cox pada data kelembapan udara yaitu 𝑍𝑡 .
Setelah dilakukan transformasi pada data, maka dilakukan pemeriksaan kembali
pada nilai 𝜆 yang dapat dilihat pada Lampiran 19 dan diperoleh nilai 𝜆 = 1. Nilai
𝜆 adalah 1, maka syarat dari nilai estimasi telah terpenuhi dan dapat disimpulkan
bahwa data kelembapan udara telah stasioner dalam variansi.
1.0e+18
5.0e+17
0.0e+00
0 10 20 30 40 50 60 70
Time
Berdasarkan Gambar 4.13 dapat dilihat bahwa grafik data runtun waktu
setelah di transformasi belum membentuk pola yang stasioner dalam rata-rata.
Selanjutnya dilakukan pemeriksaan stasioneritas terhadap rata-rata dengan
pemeriksaan pada grafik ACF data kelembapan udara setelah yang dapat dilihat
pada Gambar 4.14
73
0.2
0.0
-0.2
0 10 20 30 40 50 60 70
Lag
Berdasarkan Gambar 4.14 dapat dilihat bahwa pada grafik ACF data
kelembapan udara cut off setelah lag 2. Pemeriksaan yang dilakukan dengan
melihat grafik ACF memberikan hasil yang subjektif, maka perlu dilakukan
pemeriksaan dengan uji Augmented Dickey-Fuller (ADF). Berdasarkan uji ADF
pada Lampiran diperoleh hipotesis sebagai berikut:
Hipotesis
𝐻0 : 𝛿 = 0, (Data klembapan udara setelah tranformasi tidak stasioner dalam
rata-rata)
𝐻1 : 𝛿 ≠ 0, (Data kelembapan udara setelah tranformasi stasioner dalam rata-
rata)
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
̂
𝜇
𝛿= ̂)
𝑆𝐸(𝜇
Daerah Penolakan
𝐻0 di tolak jika |𝛿| > |𝜏𝛼;𝑑𝑏 | atau p-value < 𝛼
Keputusan
Karena |𝛿| < |𝜏0,05;72 | di mana |−0,8062| < |−1,95| atau p-value < 𝛼 di
mana 0,3556 > 0,05 maka diputuskan H0 gagal ditolak.
74
Kesimpulan
Data kelembapan udara setelah tranformasi tidak stasioner dalam rata-rata.
0.2
0.0
-0.2
0 10 20 30 40 50 60 70
Lag
Berdasarkan grafik ACF dan uji ADF dapat disimpulkan bahwa data
kelembapan udara tidak stasioner dalam rata-rata, maka perlu dilakukan
differencing orde 1 pada data kelembapan udara. Grafik ACF untuk data
kelembapan udara setelah differencing orde 1 dapat dilihat pada Gambar 4.15.
Berdasarkan Gambar 4.15 dapat dilihat bahwa pada grafik ACF nilai lag telah
cut off setelah lag 2. Namun perlu dilakukan pemeriksaan dengan uji ADF.
Berdasarkan uji ADF pada Lampiran diperoleh hipotesis sebagai berikut:
Hipotesis
𝐻0 : 𝛿 = 0, (Data kelembapan udara setelah transformasi dan differencing
tidak stasioner dalam rata-rata)
𝐻1 : 𝛿 ≠ 0, (Data kelembapan udara setelah transformasi stasioner dan
differencing dalam rata-rata)
Taraf Signifikansi
𝛼 =0,05
Statistik Uji
̂
𝜇
𝛿 = 𝑆𝐸(𝜇̂)
Daerah Penolakan
Menolak 𝐻0 jika |𝛿| > |𝜏𝛼;𝑑𝑏 | atau p-value < 𝛼
75
Keputusan
Karena |𝛿| > |𝜏0,05;72 | di mana |−7,3044| > |−1,95| atau p-value < 𝛼 di
mana 0,01 < 0,05 maka diputuskan H0 ditolak.
Kesimpulan
Data kelembapan udara setelah transformasi dan differencing stasioner dalam
rata-rata.
5e+19
0e+00
datadiff_ku
-5e+19
-1e+20
0 10 20 30 40 50 60 70
Time
Gambar 4.16 Grafik data runtun waktu 𝑋1𝒕 setelah di transformasi dan
differencing orde 1
Berdasarkan Gambar 4.16 dapat dilihat bahwa grafik data runtun waktu
setelah ditransformasi dan differencing orde 1 membentuk pola yang stasioner
dalam rata-rata. Hal ini dikarenakan data cenderung berfluktuasi di sekitar rata-rata
yang konstan dari waktu ke waktu.
Grafik PACF Data Kelembapan Udara Setelah Transformasi dan differencing orde 1
0.2
0.0
PACF
-0.2
-0.4
0 10 20 30 40 50 60 70
Lag
Gambar 4.17 Grafik PACF data 𝑋1𝒕 setelah transformasi dan differencing orde 1
76
Tabel 4.13 Penaksiran dan Pengiujian Signifikansi Parameter Model ARIMA 𝑋1𝑡
Taksiran
𝒕𝒉𝒊𝒕 db 𝒕𝟎,𝟎𝟐𝟓:𝒅𝒃 p-value Keputusan
Model Parameter
ARIMA
𝜃̂1 = 0,8973 16,6000 71 1,9939 < 0,0001 𝐻0 ditolak
(0,1,1)
ARIMA
𝜙̂1 = −0,6098 −6,3300 71 1,9939 < 0,0001 𝐻0 ditolak
(1,1,0)
ARIMA 𝜙̂1 = 0,0474 0,13442 70 1,9944 < 0,0001 𝐻0 ditolak
(1,1,1) 𝜃̂1 = 0,9152 0,0548 70 1,9944 0,0253 𝐻0 ditolak
Sumber : Lampiran 23
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
𝐷ℎ𝑖𝑡 = sup|𝐹0 (𝑍) − 𝑆𝑛 (𝑍)|
di mana:
𝐹0 (𝑍) = fungsi distribusi kumulatif normal
𝑆𝑛 (𝑍) = fungsi distribusi kumulatif sampel
Daerah Penolakan
𝐻0 di tolak jika |𝐷ℎ𝑖𝑡 | > |𝐷𝛼/2:𝑑𝑏 |
Daerah Penolakan
2
𝐻0 di tolak jika 𝑄 ∗ > 𝜒0,05;72 atau p-value > 𝛼
Pengujian independensi residual dilakukan dengan membuat grafik runtun
waktu dari setiap nilai p-value pada pengujian Ljung-Box yang kemudian
dibandingkan dengan taraf signifikansi yang telah ditentukan yaitu 𝛼 = 0,05.
Model ARIMA dikatakan memenuhi asumsi independensi residual apabila p-value
lebih besar dari 𝛼 = 0,05 (berada diatas garis threshold). Grafik runtun waktu dari
pengujian Ljung-box untuk setiap model dapat dilihat pada Gambar 4.18.
1.0
0.8
0.8
0.6
0.6
p value
p value
0.4
0.4
0.2
0.2
0.0
0.0
5 10 15 20 5 10 15 20
lag lag
(a) (b)
Ljung-Box ARIMA(1,1,1)
1.0
0.8
0.6
p value
0.4
0.2
0.0
5 10 15 20
lag
(c)
Gambar 4.18 Grafik pengujian Ljung-Box data 𝑋1𝑡 (Lanjutan)
4.5
4.0
3.5
3.0
0 10 20 30 40 50 60 70
Time
Berdasarkan Gambar 4.19 dapat dilihat bahwa data bulanan kecepatan angin
di Kota Samarinda periode Januari 2016 sampai dengan Desember 2021
membentuk pola yang stasioner. Pemeriksaan yang dilakukan dengan melihat
grafik runtun waktu memberikan hasil yang subjektif, maka perlu dilakukan
identifikasi stasioneritas.
82
95%
-20
-40
log-Likelihood
-60
-80
-100
-120
-10 -5 0 5 10
Berdasarkan Gambar 4.20 terlihat bahwa data tidak stasioner dalam variansi,
dimana nilai dari 𝜆 = −1,573465. Nilai 𝜆 belum mendekati 1 sehingga dapat
disimpulkan bahwa data kecepatan angin belum stasioner dalam variansi. Oleh
karena data kelembapan udara belum stasioner dalam variansi, maka perlu
(−1,573465)
dilakukan transformasi Box-Cox pada data kelembapan udara yaitu 𝑍𝑡 .
Setelah dilakukan transformasi pada data, maka dilakukan pemeriksaan kembali
pada nilai 𝜆 yang dapat dilihat pada Lampiran 27 dan diperoleh nilai 𝜆 =
0,9999997. Nilai 𝜆 telah mendekati 1, maka syarat dari nilai estimasi telah
terpenuhi dan dapat disimpulkan bahwa data kecepatan angin telah stasioner dalam
variansi.
83
0.08
0.06
0 10 20 30 40 50 60 70
Time
Berdasarkan Gambar 4.21 dapat dilihat bahwa grafik data runtun waktu
setelah ditransformasi membentuk pola yang stasioner dalam rata-rata. Hal ini
dikarenakan data cenderung berfluktuasi disekitar rata-rata yang konstan dari waktu
ke waktu. Selanjutnya dilakukan pemeriksaan stasioneritas terhadap rata-rata
dengan pemeriksaan pada grafik ACF data kecepatan angin setelah di transformasi
yang dapat dilihat pada Gambar 4.22.
0.2
0.0
-0.2
0 10 20 30 40 50 60 70
Lag
Berdasarkan Gambar 4.22 dapat dilihat bahwa pada grafik ACF data
kecepatan angin nilai lag telah cut off setelah lag 1, sehingga dapat dikatakan bahwa
data kecepatan angin telah stasioner dalam rata-rata. Pemeriksaan yang dilakukan
84
dengan melihat grafik ACF memberikan hasil yang subjektif, maka perlu dilakukan
pemeriksaan dengan uji Augmented Dickey-Fuller (ADF). Berdasarkan uji ADF
pada Lampiran diperoleh hipotesis sebagai berikut:
Hipotesis
𝐻0 : 𝛿 = 0, (Data kecepatan angin tidak stasioner dalam rata-rata)
𝐻1 : 𝛿 ≠ 0, (Data kecepatan angin stasioner dalam rata-rata)
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
̂
𝜇
𝛿 = 𝑆𝐸(𝜇̂)
Daerah Penolakan
Menolak 𝐻0 jika |𝛿| > |𝜏𝛼;𝑑𝑏 | atau p-value < 𝛼
Keputusan
Karena |𝛿| < |𝜏𝛼;𝑑𝑏 | di mana |−0,2577| > |−1,95| atau p-value < 𝛼 di
mana 0,53 < 0,05 maka diputuskan H0 ditolak.
Kesimpulan
Data kecepatan angin setelah transformasi tidak stasioner dalam rata-rata.
Berdasarkan grafik ACF dan uji ADF dapat disimpulkan bahwa data
kecepatan angin setelah transformasi tidak stasioner dalam rata-rata, maka perlu
dilakukan differencing orde 1 pada data kecepatan angin setelah transformasi.
Grafik ACF untuk data kecepatan angin setelah transformasi dan differencing orde
1 dapat dilihat pada Gambar 4.23.
85
0.2
0.0
-0.2
0 10 20 30 40 50 60 70
Lag
Gambar 4.23 Grafik ACF data 𝑋2𝑡 setelah transformasi dan differencing orde 1
Berdasarkan Gambar 4.23 dapat dilihat bahwa nilai ACF cut off setelah lag
3. Namun perlu dilakukan pemeriksaan dengan uji ADF. Pemeriksaan yang
dilakukan dengan melihat grafik ACF memberikan hasil yang subjektif, maka perlu
dilakukan pemeriksaan dengan uji ADF. Berdasarkan uji ADF pada Lampiran 29
diperoleh hipotesis sebagai berikut :
Hipotesis
𝐻0 : 𝛿 = 0, (Data kecepatan angin setelah transformasi dan differencing orde
1 tidak stasioner dalam rata-rata)
𝐻1 : 𝛿 ≠ 0, (Data kecepatan angin setelah transformasi dan differencing orde
1 stasioner dalam rata-rata)
Taraf Signifikansi
𝛼 = 5%
Statistik Uji
̂
𝜇
𝛿 = 𝑆𝐸(𝜇̂)
Daerah Penolakan
Menolak 𝐻0 jika |𝛿| > |𝜏𝛼;𝑑𝑏 | atau p-value < 𝛼
Keputusan
Karena |𝛿| < |𝜏𝛼;𝑑𝑏 | di mana |−7,1116| > |−1,95| atau p-value < 𝛼 di
mana 0,01 < 0,05 maka diputuskan H0 ditolak.
86
Kesimpulan
Data kecepatan angin setelah transformasi dan differencing orde 1 stasioner
dalam rata-rata
0.04
0.02
datadiff_ka
0.00
-0.02
-0.04
0 10 20 30 40 50 60 70
Time
Berdasarkan Gambar 4.24 dapat dilihat bahwa grafik data runtun waktu
setelah ditransformasi membentuk pola yang stasioner dalam rata-rata. . Hal ini
dikarenakan data cenderung berfluktuasi disekitar rata-rata yang konstan dari waktu
ke waktu.
-0.1
-0.2
-0.3
0 10 20 30 40 50 60 70
Lag
lag 8 dan berdasarkan Gambar 4.25 dapat dilihat bahwa nilai PACF cut off setelah
lag 6. sehingga diperoleh kombinasi model ARIMA sementara yang diperoleh
dapat dilihat pada Tabel 4.16.
Daerah Penolakan
2
Menolak 𝐻0 jika 𝑄 ∗ > 𝜒𝛼;𝑑𝑏 atau p-value < 𝛼
Pengujian independensi residual dilakukan dengan membuat grafik runtun
waktu dari setiap nilai p-value pada pengujian Ljung-Box yang kemudian
dibandingkan dengan taraf signifikansi yang telah ditentukan yaitu 𝛼 = 0,05.
Model ARIMA dikatakan memenuhi asumsi independensi residual apabila p-value
lebih besar dari 𝛼 = 0,05 (berada diatas garis threshold). Grafik runtun waktu dari
pengujian Ljung-box untuk setiap model dapat dilihat pada Gambar 4.26.
Ljung-Box ARIMA(3,1,0)
Ljung-Box ARIMA(3,1,3)
1.0
1.0
0.8
0.8
0.6
0.6
p value
p value
0.4
0.4
0.2
0.2
0.0
0.0
5 10 15 20 5 10 15 20
lag lag
(a) (b)
Gambar 4.26 Grafik runtun waktu pengujian Ljung-Box data 𝑋2𝑡
91
Ljung-Box ARIMA(4,1,0)
1.0
0.8
0.6
p value
0.4
0.2
0.0
5 10 15 20
lag
(c)
Gambar 4.26 Grafik runtun waktu pengujian Ljung-Box data 𝑋2𝑡
28.0
27.5
0 10 20 30 40 50 60 70
Time
95%
140
120
100
log-Likelihood
80
60
40
20
Berdasarkan Gambar 4.28 terlihat bahwa data tidak stasioner dalam variansi,
dimana nilai dari 𝜆 berada pada rentang 0 − 50. Nilai 𝜆 belum mendekati 1,
sehingga dapat disimpulkan bahwa data suhu udara belum stasioner dalam variansi.
Karena nilai 𝜆 sangat jauh dari 1 maka tidak bisa dilakukan transformasi data,
sehingga variabel input suhu udara tidak memenuhi asumsi.
1011
1010
1009
1008
0 10 20 30 40 50 60 70
Time
95%
320
310
log-Likelihood
300
290
280
270
Berdasarkan Gambar 4.30 terlihat bahwa data tidak stasioner dalam variansi,
dimana nilai dari 𝜆 berada pada rentang 0 − 50. Nilai 𝜆 belum mendekati 1,
95
sehingga dapat disimpulkan bahwa data tekanan udara belum stasioner dalam
variansi. Karena nilai 𝜆 sangat jauh dari 1 maka tidak bisa dilakukan transformasi
data, sehingga variabel input tekanan udara tidak memenuhi asumsi.
(a) (b)
Gambar 4.31 Grafik CCF (a) 𝑌𝑡 dengan 𝑋1𝑡 dan (b) 𝑌𝑡 dengan 𝑋2𝑡
97
Berdasarkan Gambar 4.31 dapat dilihat bahwa lag yang pertama kali
signifikan adalah lag ke−7 maka diperoleh orde 𝑏 = 7. Berdasarkan Gambar 4.30
tidak terdapat lag yang signifikan setelah lag ke−7, maka diperoleh orde 𝑠 = 0.
berdasarkan Gambar 4.31 grafik CCF tidak membentuk pola sinus atau
eksponensial, maka diperoleh 𝑟 = 0. Berdasarkan uraian diatas dapat disimpulkan
bahwa orde (𝑏, 𝑟, 𝑠) adalah (7, 0, 0). Orde 𝑏 = 7 menunjukan keterlambatan 7
periode sebelum runtun input kelembapan udara memengaruhi runtun ouput curah
hujan. Model fungsi transfer orde (7, 0, 0) adalah sebagai berikut :
Berdasarkan Gambar 4.31 dapat dilihat bahwa tidak terdapat lag yang
pertama kali signifikan maka diasumsikan orde 𝑏 = 0 dan orde 𝑠 = 0. berdasarkan
Gambar 4.32 plot CCF tidak membentuk pola sinus atau eksponensial, maka
diperoleh 𝑟 = 0. Berdasarkan uraian diatas dapat disimpulkan bahwa orde (𝑏, 𝑟, 𝑠)
adalah (0, 0, 0). Model fungsi transfer orde (0, 0, 0) adalah sebagai berikut :
Daerah Penolakan
Pada kasus ini 𝜔0 mencakup parameter model fnugsi transfer yaitu 𝜔01 dan 𝜔02.
Hasil penaksiran dan pengujian signifikansi parameter model awal fungsi transfer
kecepatan angin dapat dilihat pada Tabel 4.19.
Tabel 4.19 Penaksiran dan Pengujian Signifikansi Parameter Model Awal Fungsi
Transfer
Taksiran
Parameter Standard Error 𝑡ℎ𝑖𝑡 p-value
Parameter
𝜔01 5,5362 2,4134 2,2900 0,0252
𝜔02 -46,3063 20,5520 -2,2500 0,0278
Sumber : Lampiran 39
Berdasarkan Tabel 4.19 dapat dilihat bahwa model awal fungsi transfer
kelembapan udara dan kecepatan angin terhadap curah hujan memiliki nilai p-value
< 0,05. Dapat diputuskan bahwa 𝐻0 ditolak dan disimpulkan bahwa Parameter
𝜔01 dan 𝜔02 signifikan.
Setelah dilakukan penaksiran dan penguian signifikansi parameter
didapatkan model awal fungsi transfer multi input berdasarkan Persamaan (2.46)
adalah sebagai berikut :
𝑌𝑡 = 𝜔01 𝑋1𝑡−7 + 𝜔02 𝑋2𝑡 + 𝑛𝑡 (4.15)
dengan mensubtitusikan nilai masing-masing parameter berdasarkan tabel 4.19,
maka diperoleh model sebagai berikut:
𝑌𝑡 = 5,5362𝑋1𝑡−7 − 46,3063𝑋2𝑡 + 𝑛𝑡 (4.16)
(a) (b)
Gambar 4.32 Grafik (a) ACF runtun noise dan (b) PACF runtun noise
Berdasarkan Gambar 4.32 dapat dilihat bahwa grafik ACF dan PACF cut off
setelah lag 0, sehingga tidak diperoleh kombinasi model ARIMA runtun noise
model awal fungsi trnasfer. Dilakpukan percobaan menggunakan orde
autoregressive dan moving average masing-masing 1 sehingga diperoleh
kombinasi model ARIMA runtun noisemodel awal fungsi transfer adalah ARIMA
(0, 0, 1), ARIMA (1, 0, 0) dan ARIMA (1, 0, 1).
Hipotesis
𝐻0 : 𝜏 = 0, (Parameter tidak signifikan)
𝐻1 : 𝜏 ≠ 0, (Parameter signifikan)
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
𝜏̂
𝑡ℎ𝑖𝑡 =
𝑆𝐸(𝜏̂ )
Daerah Penolakan
𝐻0 di tolak jika |𝑡ℎ𝑖𝑡 | > |𝑡0,025:𝑑𝑏 | atau p-value < 𝛼
Pada kasus ini, 𝜏 mencakup model ARIMA yaitu 𝜙1 , dan 𝜃1 . Hasil
penaksiran dan pengujian signifikansi parameter dapat dilihat pada Tabel 4.21.
Tabel 4.21 Penaksiran dan Pengujian Signifikansi Parameter Model Runtun Noise
Taksiran
Model 𝒕𝒉𝒊𝒕 db 𝒕𝟎,𝟎𝟐𝟓:𝒅𝒃 p-value Keputusan
Parameter
ARIMA 𝐻0 gagal
𝜃̂1 = 0,1915 1,8706 70 1,9955 0,06141
(0 , 0, 1) ditolak
ARIMA
ϕ̂ 1 = 0,3031 2,3652 70 1,996008 0,02076 𝐻0 ditolak
(1 , 0, 0)
ϕ̂ 1 = 0,6567 −2,5736 70 1,996008 0,01218 𝐻0 ditolak
ARIMA
𝐻0 gagal
(1 , 0, 1) 𝜃̂1 = −0,3770 −1,2227 70 1,9955 0,22555
ditolak
software SAS. Berdasarkan (Lampiran 25) menunjukkan bahwa model ARIMA (1,
0, 0) memiliki nilai AIC sebesar 849,0918.
𝑎𝑡
𝑌𝑡 (1 − 𝜙1 𝐵) = 𝜔01 (𝐵)𝐵𝑏 (1 − 𝜙1 𝐵) + 𝜔02 (𝐵)(1 − 𝜙1 𝐵) + (1
1 − 𝜙1 𝐵
− 𝜙1 𝐵)
𝑌𝑡 − 𝑌𝑡 𝜙1 𝐵 = (𝜔01 𝐵 𝑏 𝐵 − 𝜙1 𝐵𝜔01 (𝐵)𝐵𝑏 + 𝜔02 (𝐵) − 𝜙1 𝜔02 𝐵 2 + 𝑎𝑡
(4.17)
Tabel 4.22 Penaksiran dan Pengujian Signifikansi Parameter Model Akhir Fungsi
Transfer
Model Taksiran
𝒕𝒉𝒊𝒕 db 𝒕𝟎,𝟎𝟐𝟓:𝒅𝒃 p-value Keputusan
Runtun noise Parameter
ϕ̂ 1 = 0,2192 1,72 71 1,996008 0,0089 𝐻0 ditolak
ARIMA
𝜔
̂01 = 6,3435 2,66 71 1,9955 0,0099 𝐻0 ditolak
(1 , 0, 0)
𝜔
̂02 = −44,1994 −2,01 71 1,9955 0,0486 𝐻0 ditolak
kelembapan udara tujuh dan delapan bulan sebelumnya dan dipengaruhi oleh
kecepatan angin pada bulan ini.
Daerah Penolakan
Menolak 𝐻0 jika p-value < 𝛼
Keputusan
Berdasarkan hasil uji Ljung-box diperoleh bahwa setiap lag pada variabel
input memiliki p-value > 𝛼, maka 𝐻0 gagal ditolak
104
Kesimpulan
Korelasi silang tidak signifikan terhadap runtun noise dan runtun input atau
dapat disimpulkan bahwa runtun noise dan runtun input saling independen.
2. Pemeriksaan Autocorrelation antara residual
Tabel 4.24 Hasil Output Autocorrelation pada Model Fungsi Transfer
Model
𝒍𝒂𝒈 𝝌𝟐 p-value Keputusan
Runtun Noise
5 5,06 0,4081
12 10,62 0,4754 𝐻0 gagal
ARIMA (1 , 0, 0)
18 21,03 0,2249 ditolak
24 24,19 0,3933
Adapun uji hipotesis yang digunakan adalah:
Hipotesis
𝐻0 : Otokorelasi antara residual model noise tidak signifikan
𝐻1 : Otokorelasi antara residual model noise signifikan
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
𝑄0 = 𝑚(𝑚 + 2) ∑𝑘𝑗=0(𝑚 − 𝑗)𝑝̂ 𝑎2̂ (𝑗)
Daerah Penolakan
Menolak 𝐻0 jika p-value < 𝛼
Keputusan
Berdasarkan hasil uji Ljung-box diperoleh bahwa setiap lag pada variabel
input memiliki p-value > 𝛼, maka 𝐻0 gagal ditolak
Kesimpulan
Otokorelasi antara residual model noise tidak signifikan atau dapat
disimpulkan bahwa tidak terdapat korelasi antar lag.
105
Tabel 4.25 Hasil Peramalan Curah Hujan di Kota Samarinda 12 Periode yang
Akan Datang
Periode Bulan Hasil Peramalan
73 Januari 198,0152
74 Februari 197,4293
75 Maret 198,8926
76 April 211,1028
77 Mei 161,4657
78 Juni 217,2093
79 Juli 173,3068
80 Agustus 187,2508
81 September 189,9684
82 Oktober 202,5721
83 November 210,395
84 Desember 209,4171
Hasil peramalan yang telah diperoleh pada Tabel 4.25 selanjutnya disajikan
dalam bentuk grafik pada Gambar 4.33. Berdasarkan Gambar 4.33 menunjukkan
bahwa pola data pada grafik hasil prediksi dan peramalan curah hujan di Kota
Samarinda tidak mendekati pola data aktual. Gambar 4.33 juga menampilkan
perbandingan hasil peramalan curah hujan Kota Samarinda tahun 2022 dengan data
aktual terbaru yaitu periode Januari 2022 sampai dengan Februari 2022 yang
diperoleh dari BMKG Kota Samarinda.
106
500
Aktual vs Prediksi
Prediksi Aktual
400
Jumlah Curah Hujan
300
200
100
0
0 20 40 60 80
Waktu
5.1 Kesimpulan
1. Model ARIMA untuk peramalan curah hujan di Kota Samarinda adalah
𝑍𝑡 = 0,1571𝑍𝑡−1 + 0,1279𝑍𝑡−2 − 0,1076𝑍𝑡−3 + 0,0584𝑍𝑡−4 +
0,2059𝑍𝑡−5 + 0,2621𝑍𝑡−6 + 0,2962𝑍𝑡−7 + 𝑒𝑡 +0,9661𝑒𝑡−1.
2. Model fungsi transfer multi input untuk peramalan curah hujan di Kota
Samarinda adalah 𝑌𝑡 = −148.54061 + 0,2192𝑌𝑡−1 + 6,3435𝑋1𝑡−7
−(1,3905)𝑋1𝑡−8 − 44,1994𝑋2𝑡 + 9,6885𝑋2𝑡 + 𝑎𝑡
3. Model ARIMA memiliki tingkat akurasi yang baik yaitu sebesar 19,27%
sedangkan model fungsi transfer memiliki tingkat akurasi yang cukup baik
yaitu sebesar 18,55%.
4. Hasil peramalan curah hujan di Kota Samarinda dengan menggunakan model
fungsi transfer menunjukkan bahwa curah hujan cenderung konstan tiap
bulannya. Tingkat curah hujan terendah terjadi pada bulan Mei 2022 yaitu
sebesar 161,4657 mm. Tingkat curah hujan tertinggi terjadi pada bulan Juni
2022 yaitu sebesar 217,2013 mm.
5.2 Saran
Berdasarkan penelitian pada skripsi ini, penulis menyarankan agar dalam
penelitian selanjutnya dapat ditambahkan variabel-variabel lain yang berpengaruh
kuat terhadap runtun output seperti lama penyinaran matahari. Selain itu penulis
menyarankan agar peneliti selanjutnya memperluas populasi penelitian seperti
Provinsi Kalimantan Timur dan dapat menggunakan analisis Generalized Spatial
Time Autoregressive (GSTAR) untuk melakukan peramalan data runtun waktu dan
spasial.
108
DAFTAR PUSTAKA
Sholihin, I. N., Mustafid & Safitri, D. (2014). Analisis Faktor Konfirmatori Strategi
Positoning Pasar Indomaret (Studi Kasus Wilayah Tembalang Kota
Semarang). Jurnal Gaussian, 3(3), 431-440.
Siti Lis Ina Atul Hidayah. (2015). Perbandingan Model ARIMA dan Fungsi
Transfer pada Peramalan Curah Hujan Kabupaten Wonosobo. Jurnal
Gaussian, 2339-2541.
Soewarno. (2000). Hidrologi Operasional. Jilid kesatu. Bandung: Citra Aditya.
Suhartono. (2005). Modul Analisis Time Series. Modul Perkuliahan. Surabaya: ITS
Surabaya.
Sosrodarsono, Suyono. (1985). Hidrologi. Jakarta: PT. Pradya Paramita.
Wahyu, K., Kusnandar, N., Sulistianingsih, E. 2019. Estimasi Parameter Regresi
Spline Dengan Metode Penalized Spline, BuletinIlmiah Mat. Stat. dan
Terapannya. Bimaster: Semarang.
Wei, W.W.S. (1990). Time Series Analysis Univariate and Multivariate Methods.
Califonia: Adisson Wesley Publishing Company.
Wei, W. W. S. (2006). Time Series Analysis Univariate and Multivariate Methods
(Second Edition). Boston: Pearson AddisonWesley.
Widarjono, A. (2007). Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan
Bisnis. Yogyakarta: Ekonisia.
Wirjohamidjojo, S., &Y. S. Swirinoto. (2007). Praktek Meteorologi Pertanian.
Jakarta: Badan Meteorologi dan Geofisika.
111
LAMPIRAN
112
Lampiran 1. Sintaks dan output Software Excel Rata-rata Data Curah Hujan
113
Lampiran 3. Sintaks dan output Software Excel Rata-rata Data Suhu Udara
115
Lampiran 5. Sintaks dan output Software Excel Rata-rata Data Tekanan Udara
117
Lampiran 7. Sintaks dan output Software R Grafik Runtun Waktu Data Curah
Hujan
> #GRAFIK RUNTUN WAKTU CURAH HUJAN
> datatku<-ts(Data$Curah_Hujan)
> plot(datatku, main="Grafik Runtun Waktu", ylab=
+ "Data Curah Hujan", xlab="Time", pch=20, type="o")
> abline(h=mean(Data$Curah_Hujan),col="blue")
119
type="o", pch=20,
abline(h=mean(Data$Curah_Hujan),pch=19,col="blue"))
> abline(h=mean(Data$Curah_Hujan),pch=19,col="blue")
124
Test Results:
PARAMETER:
Lag Order: 1
STATISTIC:
Dickey-Fuller: -0.5969
P VALUE:
0.4222
> datadiff=diff(Zt1,differences=1)
> datadiff
Time Series:
Start = 2
End = 72
Frequency = 1
[1] -2.7844828 8.3344331 1.4876103 -4.5067384 -0.8223434 -1.5455822
[7] -2.9473794 5.3790217 -1.9500590 4.1202824 1.9166459 -6.5976305
[13] -0.9606904 -2.5164052 9.6978980 -1.0046909 3.1524696 -8.3644057
[19] 3.3100235 -6.1455458 2.4587988 2.6125649 0.1537392 -0.2582597
[25] -5.0886098 2.6704058 1.0703320 4.0208303 -3.3716774 -2.4740319
[31] -5.0194069 4.5827315 1.0970888 -1.1345755 1.8700636 0.4131685
[37] -7.3182128 8.0284870 -3.1398698 2.9654341 2.1072763 -9.1621897
[43] 0.7179413 -0.9302270 7.6141019 -3.3885803 9.5621086 -4.2035069
[49] -6.7224287 1.8372768 1.8413248 1.0065487 -1.4130070 -0.8947706
[55] 3.2876682 1.6109632 -3.9626830 0.2849155 -2.3738544 8.8216894
[61] -7.4935862 4.6592758 -0.5888496 -5.4956655 1.1172290 2.8472209
[67] 4.4190964 -3.2917779 0.7007703 0.5475926 -1.6970512
> #GRAFIK RUNTUN WAKTU CURAH HUJAN SETELAH DI
TRANSFORMASI DAN DIFFERENCING
> plot(Zt1, main="Grafik Runtun Waktu", ylab="Data
Curah Hujan Setelah di Transformasi dan Differencing",
xlab="Time", type="o", pch=20)
> adfTest(datadiff)
Title:
Augmented Dickey-Fuller Test
Test Results:
PARAMETER:
Lag Order: 1
Lampiran 10. Sintaks dan output Software R Pemeriksaan Stasioneritas dalam
Rata-rata untuk Data Curah Hujan (Lanjutan)
126
STATISTIC:
Dickey-Fuller: -7.755
P VALUE:
0.01
Description:
Fri Mar 18 07:09:11 2022 by user: asus
Warning message:
In adfTest(datadiff) : p-value smaller than printed p-
value
127
Lampiran 11. Sintaks Software R Grafik ACF dan PACF Data Curah Hujan
#GRAFIK ACF DATA CURAH HUJAN SETELAH TRANSFORMASI DAN
DIFFERENCING
> acf(datadiff,72,main="Grafik ACF Data Curah Hujan
Setelah Transformasi dan differencing orde
1",ylab="ACF",xlab="Lag")
˃ abline(h=0)
#GRAFIK PACF DATA CURAH HUJAN SETELAH TRANSFORMASI DAN
DIFFERENCING
˃ pacf(datadiff,72,main="Grafik PACF Data Curah Hujan
Setelah Transformasi",ylab="PACF",xlab="Lag")
˃ abline(h=0)
128
Lampiran 12. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter
> #PENAKSIRAN DAN PENGUJIAN SIGNIFIKANSI PARAMETER
> library(lmtest)
> fit1=arima(x=Zt1,order=c(0,1,1))
> fit1
Call:
arima(x = datadiff, order = c(0, 1, 1))
Coefficients:
ma1
-1.0000
s.e. 0.0355
Coefficients:
ar1
-0.6689
s.e. 0.0891
Coefficients:
ar1 ma1
0.3852 -1.0000
129
Lampiran 12. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter (Lanjutan)
s.e. 0.1095 0.0366
Coefficients:
ar1 ar2 ma1
-0.4243 -0.1000 -1.000
s.e. 0.1189 0.1212 0.037
Coefficients:
ar1 ar2 ar3 ma1
-0.4637 -0.2471 -0.3094 -1.0000
s.e. 0.1132 0.1266 0.1154 0.0387
t test of coefficients:
Lampiran 12. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter (Lanjutan)
ar1 -0.463661 0.113166 -4.0972 0.0001137 ***
ar2 -0.247050 0.126566 -1.9519 0.0550638 .
ar3 -0.309404 0.115376 -2.6817 0.0091853 **
ma1 -0.999999 0.038711 -25.8323 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Call:
arima(x = datadiff, order = c(4, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ma1
-0.5976 -0.3453 -0.5079 -0.4020 -1.000
s.e. 0.1086 0.1186 0.1170 0.1104 0.047
t test of coefficients:
Call:
arima(x = datadiff, order = c(5, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ar5 ma1
-0.7330 -0.5160 -0.6201 -0.6011 -0.3222 -0.9999
s.e. 0.1125 0.1266 0.1166 0.1243 0.1141 0.0858
z test of coefficients:
131
Lampiran 12. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter (Lanjutan)
Estimate Std. Error z value Pr(>|z|)
ar1 -0.732965 0.112471 -6.5169 7.176e-11 ***
ar2 -0.515988 0.126637 -4.0745 4.611e-05 ***
ar3 -0.620146 0.116616 -5.3178 1.050e-07 ***
ar4 -0.601144 0.124329 -4.8351 1.331e-06 ***
ar5 -0.322248 0.114132 -2.8235 0.004751 **
ma1 -0.999909 0.085806 -11.6531 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Call:
arima(x = datadiff, order = c(6, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6
ma1
-0.8429 -0.7150 -0.8226 -0.7642 -0.5583 -0.2962 -
0.9661
s.e. 0.1166 0.1458 0.1395 0.1362 0.1438 0.1183
0.0576
t test of coefficients:
Lampiran 13. Sintaks dan output Softw are R Untuk Pengujian Normalitas
Residual
> #UJI NORMALITAS RESIDUAL
> res1=resid(fit1)
> ks.test(res1,"pnorm",mean(res1),sd(res1))
data: res1
D = 0.052682, p-value = 0.9833
alternative hypothesis: two-sided
> res2=resid(fit2)
> ks.test(res2,"pnorm",mean(res2),sd(res2))
data: res2
D = 0.064172, p-value = 0.9136
alternative hypothesis: two-sided
> res3=resid(fit3)
> ks.test(res3,"pnorm",mean(res3),sd(res3))
data: res3
D = 0.058881, p-value = 0.9542
alternative hypothesis: two-sided
> res4=resid(fit4)
> ks.test(res4,"pnorm",mean(res4),sd(res4))
data: res4
D = 0.068409, p-value = 0.8712
alternative hypothesis: two-sided
> res5=resid(fit5)
> ks.test(res5,"pnorm",mean(res5),sd(res5))
Lampiran 13. Sintaks dan output Softw are R Untuk Pengujian Normalitas
Residual (Lanjutan)
data: res5
D = 0.077231, p-value = 0.7615
alternative hypothesis: two-sided
> res6=resid(fit6)
> ks.test(res6,"pnorm",mean(res6),sd(res6))
data: res6
D = 0.069192, p-value = 0.8625
alternative hypothesis: two-sided
> res7=resid(fit7)
> ks.test(res7,"pnorm",mean(res7),sd(res7))
data: res7
D = 0.073145, p-value = 0.8152
alternative hypothesis: two-sided
> res8=resid(fit8)
> ks.test(res8,"pnorm",mean(res8),sd(res8))
data: res8
D = 0.076373, p-value = 0.7731
alternative hypothesis: two-sided
134
> x<-res3
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")
+ $p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(1,1,1)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
> x<-res4
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")
+ $p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(2,1,1)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
>
> x<-res5
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")
+ $p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(3,1,1)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
135
> x<-res7
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")
+ $p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(5,1,1)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
> x<-res8
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")
+ $p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(6,1,1)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
136
Lampiran 15. Sintaks dan output Software R Pemilihan Model Terbaik untuk Data
Curah Hujan
> #PEMILIHAN MODEL TERBAIK#
> model6=arima(datadiff,order=c(4,1,1))
> model6
Call:
arima(x = datadiff, order = c(4, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ma1
-0.5976 -0.3453 -0.5079 -0.4020 -1.000
s.e. 0.1086 0.1186 0.1170 0.1104 0.047
Call:
arima(x = datadiff, order = c(5, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ar5 ma1
-0.7330 -0.5160 -0.6201 -0.6011 -0.3222 -0.9999
s.e. 0.1125 0.1266 0.1166 0.1243 0.1141 0.0858
Call:
arima(x = datadiff, order = c(6, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6 ma1
-0.8429 -0.7150 -0.8226 -0.7642 -0.5583 -0.2962 -
0.9661
s.e. 0.1166 0.1458 0.1395 0.1362 0.1438 0.1183 0.0576
Lampiran 16. Sintaks dan Software R Nilai Peramalan ARIMA untuk Data Curah
Hujan
> #PEMILIHAN MODEL TERBAIK#
> model6=arima(datadiff,order=c(4,1,1))
> model6
Call:
arima(x = datadiff, order = c(4, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ma1
-0.5976 -0.3453 -0.5079 -0.4020 -1.000
s.e. 0.1086 0.1186 0.1170 0.1104 0.047
Call:
arima(x = datadiff, order = c(5, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ar5 ma1
-0.7330 -0.5160 -0.6201 -0.6011 -0.3222 -0.9999
s.e. 0.1125 0.1266 0.1166 0.1243 0.1141 0.0858
Call:
arima(x = datadiff, order = c(6, 1, 1))
Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6 ma1
-0.8429 -0.7150 -0.8226 -0.7642 -0.5583 -0.2962 -
0.9661
s.e. 0.1166 0.1458 0.1395 0.1362 0.1438 0.1183 0.0576
Lampiran 17. Sintaks dan output Software R Plot Prediksi Curah Hujan
Menggunakan Arima
> #PLOT PREDIKSI CURAH HUJAN MENGGUNAKAN ARIMA#
> data=read.table("D://forecastchu.txt",header=TRUE)
> data
Aktual
1 158.8
2 99.3
3 317.6
4 369.2
5 224.6
6 202.0
7 162.7
8 99.3
9 226.4
10 174.5
11 291.9
12 356.5
13 160.8
14 138.6
15 88.1
16 343.3
17 309.3
18 421.8
19 160.9
20 249.7
21 100.0
22 152.0
23 218.8
24 223.1
25 215.9
26 97.7
27 154.1
28 180.2
29 296.0
30 197.0
31 136.9
32 47.9
33 127.4
34 151.9
35 126.6
36 169.5
37 179.8
139
Lampiran 17. Sintaks dan output Software R Plot Prediksi Curah Hujan
Menggunakan Arima (Lanjutan)
38 41.6
39 198.2
40 123.5
41 193.6
42 252.7
43 52.1
44 62.5
45 49.2
46 202.8
47 121.9
48 401.3
49 259.0
50 95.0
51 132.0
52 175.0
53 201.0
54 165.0
55 144.0
56 228.0
57 276.0
58 166.0
59 173.0
60 119.0
61 369.0
62 148.0
63 274.0
64 256.0
65 117.0
66 141.0
67 212.0
68 350.0
69 244.0
70 265.0
71 282.0
72 231.0
73 145.0
74 134.0
> aktual=ts(data$Aktual)
> aktual
Time Series:
Start = 1
140
Lampiran 17. Sintaks dan output Software R Plot Prediksi Curah Hujan
Menggunakan Arima (Lanjutan)
End = 74
Frequency = 1
[1] 158.8 99.3 317.6 369.2 224.6 202.0 162.7 99.3 226.4 174.5 291.9
356.5
[13] 160.8 138.6 88.1 343.3 309.3 421.8 160.9 249.7 100.0 152.0 218.8
223.1
[25] 215.9 97.7 154.1 180.2 296.0 197.0 136.9 47.9 127.4 151.9 126.6
169.5
[37] 179.8 41.6 198.2 123.5 193.6 252.7 52.1 62.5 49.2 202.8 121.9
401.3
[49] 259.0 95.0 132.0 175.0 201.0 165.0 144.0 228.0 276.0 166.0 173.0
119.0
[61] 369.0 148.0 274.0 256.0 117.0 141.0 212.0 350.0 244.0 265.0 282.0
231.0
[73] 145.0 134.0
> data=read.table("D://Predictchu.txt",header=TRUE)
> data
prediksi
1 159.64020
2 142.82128
3 167.20622
4 261.24050
5 294.44387
6 203.38692
7 160.38091
8 193.77915
9 206.37488
10 264.42397
11 276.84380
12 224.11773
13 222.58998
14 167.15571
15 139.12373
16 205.83354
17 258.82354
18 289.23994
19 243.50799
20 181.11800
21 165.47094
22 225.05692
23 265.72554
24 302.57045
25 289.32203
26 211.48923
27 178.84539
28 159.67320
29 199.28980
30 217.46449
141
Lampiran 17. Sintaks dan output Software R Plot Prediksi Curah Hujan
Menggunakan Arima (Lanjutan)
31 197.27614
32 151.49130
33 142.35568
34 179.33115
35 213.56752
36 197.66616
37 161.11252
38 144.45766
39 101.93151
40 125.60040
41 163.53313
42 139.00740
43 165.15481
44 130.90495
45 94.86532
46 160.26393
47 179.74240
48 174.61045
49 166.07145
50 141.29477
51 63.50932
52 108.95675
53 209.48160
54 221.97975
55 234.11906
56 190.03069
57 171.67027
58 188.83008
59 168.39988
60 159.79467
61 179.58911
62 219.15254
63 226.23915
64 183.45682
65 214.29093
66 182.42231
67 181.40721
68 258.33346
69 252.43782
70 229.62218
71 186.26680
72 196.87934
142
Lampiran 17. Sintaks dan output Software R Plot Prediksi Curah Hujan
Menggunakan Arima (Lanjutan)
73 210.38690
74 229.15230
75 269.54159
76 271.57052
77 265.43363
78 250.36443
79 236.68633
80 234.66190
81 245.15834
82 259.20638
83 262.70072
84 257.03678
> prediksi=ts(data$prediksi)
> win.graph()
> plot(prediksi,ylim=c(0,500),main="Aktual vs
Prediksi",
+ xlab= "Waktu",ylab="Jumlah Curah Hujan",col="white")
> points(prediksi[1:82],cex=1,col="Red",pch=19)
> lines(prediksi,col="Red",lwd=2)
> points(aktual[1:82],cex=1,col="black",pch=19)
> lines(aktual,col="black",lwd=2,cex=1.5)
> legend("topleft",legend=c("Prediksi"),cex=1,lty=1,
+ col="red",pch=10)
> legend("topright",legend=c("Aktual"),cex=1,lty=1,
+ col="black",pch=10)
> grid()
143
Lampiran 18. Sintaks dan output Software R Grafik Runtun Waktu Data
Kelembapan Udara
#ARIMA KELEMBAPAN UDARA
> Data=read.table(file.choose(),header=T)
> datatku<-ts(Data$Kelembapan_Udara)
> plot(datatch, main="Grafik Runtun Waktu", ylab="Data
Kelembapan Udara", xlab="Time", type="o", pch=20)
> abline(h=mean(Data$ Kelembapan_Udara)
+ ,ity=6,pch=20,col="blue")
144
Title:
Augmented Dickey-Fuller Test
Test Results:
PARAMETER:
Lag Order: 1
STATISTIC:
Dickey-Fuller: -0.8062
P VALUE:
0.3556
> datadiff_ku=diff(Zt1_ku,differences=1)
> datadiff_ku
Time Series:
Start = 2
End = 72
Frequency = 1
[1] -4.998687e+18 1.064540e+19 6.368783e+18 3.444764e+19
1.137003e+19
[6] -1.137003e+19 -1.921026e+19 3.058030e+19 -3.864541e+19
5.135965e+19
[11] -1.078432e+20 8.375890e+19 -1.921026e+19 9.055999e+18
1.015426e+19
[16] 5.411908e+19 -3.003480e+19 -2.408427e+19 1.137003e+19 -
1.137003e+19
[21] -4.081642e+19 3.066216e+19 -3.630887e+19 3.630887e+19
1.015426e+19
[26] -1.921026e+19 1.921026e+19 2.408427e+19 -1.271424e+19 -
2.152430e+19
[31] -2.429337e+19 -6.368783e+18 -1.506334e+19 5.587976e+19 -
5.977801e+19
[36] 4.056774e+19 -2.725287e+19 1.201549e+19 1.523738e+19
1.921026e+19
[41] 1.137003e+19 -4.581767e+19 -6.368783e+18 -1.506334e+19
9.416629e+18
[46] 3.630887e+19 -3.630887e+19 2.725287e+19 -2.725287e+19
1.201549e+19
[51] 7.172259e+18 3.864541e+19 2.691293e+19 -2.691293e+19
0.000000e+00
[56] 0.000000e+00 -6.283185e+19 4.130755e+19 -2.429337e+19
5.853191e+19
[61] 0.000000e+00 -1.271424e+19 0.000000e+00 1.271424e+19 -
2.408427e+19
[66] 1.137003e+19 0.000000e+00 0.000000e+00 -6.724979e+19
6.724979e+19
[71] -4.581767e+19
> #GRAFIK RUNTUN WAKTU KELEMBAPAN UDARA SETELAH DI
TRANSFORMASI DAN DIFFERENCING
146
Test Results:
PARAMETER:
Lag Order: 1
STATISTIC:
Dickey-Fuller: -7.3044
P VALUE:
0.01
148
Lampiran 21. Sintaks Software R Grafik ACF dan PACF Data Kelembapan
Udara
> #GRAFIK ACF DATA KELEMBAPAN UDARA SETELAH
TRANSFORMASI DAN DIFFERENCING
> acf(datadiff_ku,72,main="Grafik ACF Data Kelembapan
Udara Setelah Transformasi dan differencing orde
1",ylab="ACF",xlab="Lag")
> abline(h=0)
> #GRAFIK PACF DATA KELEMBAPAN UDARA SETELAH
TRANSFORMASI
> pacf(datadiff_ku,72,main="Grafik PACF Data
Kelembapan Udara Setelah Transformasi dan differencing
orde 1",ylab="PACF",xlab="Lag")
> abline(h=0)
149
Lampiran 22. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter
> #PENAKSIRAN DAN PENGUJIAN SIGNIFIKANSI PARAMETER
> fit1_ku=arima(x=datadiff_ku,order=c(0,1,1))
> fit1_ku
Call:
arima(x = datadiff_ku, order = c(0, 1, 1))
Coefficients:
ma1
-1.0000
s.e. 0.0367
z test of coefficients:
> fit2_ku=arima(x=datadiff_ku,order=c(1,1,0))
> fit2_ku
Call:
arima(x = datadiff_ku, order = c(1, 1, 0))
Coefficients:
ar1
-0.7901
s.e. 0.0743
t test of coefficients:
150
Lampiran 22. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter (Lanjutan)
Estimate Std. Error t value Pr(>|t|)
ar1 -0.790054 0.074279 -10.636 2.424e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’
0.1 ‘ ’ 1
> fit3_ku=arima(x=datadiff_ku,order=c(1,1,1))
> fit3_ku
Call:
arima(x = datadiff_ku, order = c(1, 1, 1))
Coefficients:
ar1 ma1
-0.5653 -1.0000
s.e. 0.0983 0.0406
t test of coefficients:
Call:
arima(x = datadiff_ku, order = c(0, 1, 2))
Coefficients:
ma1 ma2
-1.6596 0.6596
s.e. 0.1689 0.1648
Lampiran 22. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter (Lanjutan)
151
z test of coefficients:
Call:
arima(x = datadiff_ku, order = c(1, 1, 2))
Coefficients:
ar1 ma1 ma2
-0.5679 -0.9961 -0.0039
s.e. 0.1968 0.2520 0.2487
t test of coefficients:
data: res1_ku
D = 0.080908, p-value = 0.7106
alternative hypothesis: two-sided
> res2_ku=resid(fit2_ku)
> ks.test(res2_ku,"pnorm",mean(res2_ku),sd(res2_ku))
data: res2_ku
D = 0.10394, p-value = 0.3997
alternative hypothesis: two-sided
> res3_ku=resid(fit3_ku)
> ks.test(res3_ku,"pnorm",mean(res3_ku),sd(res3_ku))
data: res3_ku
D = 0.067489, p-value = 0.8811
alternative hypothesis: two-sided
> res4_ku=resid(fit4_ku)
> ks.test(res4_ku,"pnorm",mean(res4_ku),sd(res4_ku))
data: res4_ku
D = 0.12241, p-value = 0.2191
alternative hypothesis: two-sided
> res5_ku=resid(fit5_ku)
> ks.test(res5_ku,"pnorm",mean(res5_ku),sd(res5_ku))
data: res5_ku
D = 0.068356, p-value = 0.8718
alternative hypothesis: two-sided
> x<-res2_ku
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")$
+ p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(1,1,0)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
> x<-res3_ku
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")$
+ p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(1,1,1)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
> x<-res4_ku
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")$
+ p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(0,1,2)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
> x<-res5_ku
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")$
+ p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(1,1,2)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
Lampiran 25. Sintaks dan output Software R Pemilihan Model ARIMA Terbaik
untuk Data Kelembapan Udara
> #PEMILIHAN MODEL TERBAIK#
> model3_ku=arima(datadiff_ku,order=c(1,1,1))
154
> model3_ku
Call:
arima(x = datadiff_ku, order = c(1, 1, 1))
Coefficients:
ar1 ma1
-0.5653 -1.0000
s.e. 0.0983 0.0406
Call:
arima(x = datadiff_ku, order = c(1, 1, 1))
Coefficients:
ar1 ma1
-0.5653 -1.0000
s.e. 0.0983 0.0406
Call:
arima(x = datadiff_ku, order = c(0, 1, 2))
Coefficients:
Lampiran 25. Sintaks dan output Software R Pemilihan Model ARIMA Terbaik
untuk Data Kelembapan Udara (Lanjutan)
ma1 ma2
-1.6596 0.6596
s.e. 0.1689 0.1648
155
Call:
arima(x = datadiff_ku, order = c(0, 1, 2))
Coefficients:
ma1 ma2
-1.6596 0.6596
s.e. 0.1689 0.1648
Lampiran 26. Sintaks dan output Software R Grafik Runtun Waktu Data
Kecepatan Angin
> #ARIMA KECEPATAN ANGIN
> datatka<-ts(Data$Kecepatan_Angin)
> plot(datatka, main="Grafik Runtun Waktu", ylab="Data
+ Kecepatan Angin", xlab="Time", pch=20, type="o")
> abline(h=mean(Data$Kecepatan_Angin),col="blue")
157
Test Results:
PARAMETER:
Lag Order: 1
STATISTIC:
Dickey-Fuller: -0.2577
P VALUE:
0.53
> datadiff_ka=diff(Zt_ka1,differences=1)
> datadiff_ka
Time Series:
Start = 2
End = 72
Frequency = 1
[1] 0.000000000 0.012847056 0.000000000 0.019819104 0.033427765
[6] -0.033427765 0.000000000 0.000000000 0.000000000 0.000000000
[11] 0.000000000 0.033427765 -0.033427765 0.000000000 0.000000000
[16] 0.000000000 0.000000000 0.000000000 0.000000000 0.000000000
[21] 0.000000000 0.000000000 0.000000000 0.008126116 0.009579280
[26] -0.022461331 0.019085278 0.006955495 0.016731124 -0.038015961
[31] -0.004755936 -0.002206037 0.024667368 -0.003376054 -0.006203227
[36] -0.005559370 -0.023917228 0.018912522 0.013578936 0.013944112
[41] -0.013944112 -0.020204414 -0.005741863 -0.001745536 0.041635925
[46] -0.007379693 0.011420132 -0.033881463 -0.015063169 0.010755667
[51] 0.004307502 0.038183700 0.014734210 -0.023076886 -0.003800251
[56] 0.007840690 -0.004040439 0.000000000 -0.007379693 -0.012433475
[61] 0.012433475 -0.012433475 0.012433475 0.000000000 -0.006564420
[66] -0.005869055 0.005869055 0.000000000 -0.011140976 0.029125528
[71] -0.011420132
> #GRAFIK RUNTUN WAKTU KECEPATAN ANGIN SETELAH DI
TRANSFORMASI DAN DIFFERENCING
> plot(datadiff_ka, main="Grafik Runtun Waktu",pch=20,
ylab="Data Kecepatan Angin Setelah di Transformasi dan
Differencing", xlab="Time", type="o")
>
abline(h=mean(Data$Kecepatan_Angin),pch=19,col="blue"
)
> adfTest(datadiff_ka)
Title:
Augmented Dickey-Fuller Test
Test Results:
PARAMETER:
Lag Order: 1
159
Description:
Sun Mar 20 01:13:44 2022 by user: asus
Warning message:
In adfTest(datadiff_ka) : p-value smaller than printed
p-value
160
Lampiran 29. Sintaks Software R Grafik ACF dan PACF Data Kelembapan
Udara
> #GRAFIK ACF DATA KELEMBAPAN UDARA SETELAH
TRANSFORMASI DAN DIFFERENCING
> acf(datadiff_ka,72,main="Grafik ACF Data Kecepatan
Angin Setelah Transformasi dan differencing orde
1",ylab="ACF",xlab="Lag")
> abline(h=0)
> #GRAFIK PACF DATA KELEMBAPAN UDARA SETELAH
TRANSFORMASI
> pacf(datadiff_ka,72,main="Grafik PACF Data Kecepatan
Angin Setelah Transformasi dan differencing orde
1",ylab="PACF",xlab="Lag")
> abline(h=0)
161
Lampiran 30. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter
> #PENAKSIRAN DAN PENGUJIAN SIGNIFIKANSI PARAMETER
> library(lmtest)
> fit1_ka=arima(x=datadiff_ka,order=c(3,1,3))
> fit1_ka
Call:
arima(x = datadiff_ka, order = c(3, 1, 3))
Coefficients:
ar1 ar2 ar3 ma1 ma2 ma3
0.5800 -0.3636 -0.3428 -1.9988 1.4554 -
0.4566
s.e. 0.2191 0.1727 0.1381 0.2304 0.3856 0.2019
Coefficients:
ar1 ar2 ar3 ar4 ma1
ma2 ma3
-0.5900 0.0542 -0.4065 -0.3941 -0.8122 -
0.6999 0.5121
s.e. 0.2044 0.2074 0.1440 0.1229 0.2386
0.2527 0.2191
Lampiran 30. Sintaks dan output Software R Untuk Estimasi dan Pengujian
Signifikansi Parameter (Lanjutan)
162
t test of coefficients:
data: res1_ka
D = 0.092048, p-value = 0.5531
alternative hypothesis: two-sided
> res2_ka=resid(fit2_ka)
> ks.test(res2_ka,"pnorm",mean(res2_ka),sd(res2_ka))
data: res2_ka
D = 0.1157, p-value = 0.276
alternative hypothesis: two-sided
164
Lampiran 32. Sintaks dan output Software R Uji Independensi Residual untuk
Data Kecepatan Angin
> x<-res1_ka
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")
+ $p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(3,1,3)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
> x<-res2_ka
> pv2<-rep(1,24)
> for(i in 1:24)pv2[i]=Box.test(x,lag=i,type="Ljung")
+ $p.value
> plot(pv2,type="p",main="Ljung-Box ARIMA(3,1,4)",
+ xlab="lag",ylab="p value",ylim=c(0,1))
> abline(h=0.05,lty=1,col="blue")
165
Lampiran 33. Sintaks dan output Software R Pemilihan Model ARIMA Terbaik
untuk Data Kecepatan Angin
> #PEMILIHAN MODEL TERBAIK
> model1_ka=arima(y,order=c(3,1,3))
> model1_ka
Call:
arima(x = y, order = c(3, 1, 3))
Coefficients:
ar1 ar2 ar3 ma1 ma2 ma3
-0.8319 -0.1420 0.1185 0.6632 -0.5570 -
0.9595
s.e. 0.2081 0.2692 0.2041 0.1724 0.2139 0.1730
Coefficients:
ar1 ar2 ar3 ma1 ma2 ma3
-0.8319 -0.1420 0.1185 0.6632 -0.5570 -
0.9595
s.e. 0.2081 0.2692 0.2041 0.1724 0.2139 0.1730
Coefficients:
ar1 ar2 ar3 ar4 ma1 ma2
-0.0251 0.1226 -0.2472 0.0305 -0.2506 -
0.6361
s.e. 0.7898 0.5232 0.3041 0.2055 0.7776 0.7136
166
Lampiran 33. Sintaks dan output Software R Pemilihan Model ARIMA Terbaik
untuk Data Kecepatan Angin (Lanjutan)
sigma^2 estimated as 292833963: log likelihood = -
391.7, aic = 797.4
> summary(model2_ka)
Call:
arima(x = y, order = c(4, 1, 2))
Coefficients:
ar1 ar2 ar3 ar4 ma1 ma2
-0.0251 0.1226 -0.2472 0.0305 -0.2506 -
0.6361
s.e. 0.7898 0.5232 0.3041 0.2055 0.7776 0.7136
Lampiran 34. Sintaks dan output Software R Grafik Runtun Waktu Data Suhu
Udara
#GRAFIK RUNTUN WAKTU SUHU UDARA
> datatsu<-ts(Data$Suhu_Udara)
> plot(datatsu,main="Grafik Runtun Waktu",ylab="Data
Suhu + Udara",xlab="Time")
>abline(h=mean(Data$Suhu_Udara),ity=6,pch=19,col="bl
ue")
168
Lampiran 36. Sintaks dan output Software R Grafik Runtun Waktu Data
Tekanan Udara
#GRAFIK RUNTUN WAKTU TEKANAN UDARA
> #GRAFIK RUNTUN WAKTU TEKANAN UDARA
> datattu<-ts(Data$Tekanan_Udara)
> plot(datattu,main="Grafik Runtun Waktu",ylab=
+ "Data Tekanan + Udara",xlab="Time")
>abline(h=mean(Data$Tekanan_Udara),ity=6,pch=19,
+ col="blue")
170
Lampiran 38. Sintaks dan Output Penaksiran Parameter Model Awal Fungsi
Transfer
identify var=ch crosscorr=(ka) nlag=12;
run;
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag Variable Shift
AIC 759.944
SBC 766.4671
Number of Residuals 65
Variable ch ku ka
Parameter MU NUM1 NUM2
To Chi- Pr >
Lag Square DF ChiSq Autocorrelations
To Chi- Pr >
Lag Square DF ChiSq Crosscorrelations
To Chi- Pr >
Lag Square DF ChiSq Crosscorrelations
Input Number 1
Input Variable ku
Shift 7
Input Number 2
Input Variable ka
Lampiran 39. Sintaks dan Output Penaksiran Parameter Model Akhir Fungsi
Transfer
run;
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag Variable Shift
AIC 758.8683
SBC 767.5658
Number of Residuals 65
Variable ch ch ku ka
Parameter MU AR1,1 NUM1 NUM2
Variable ch ch ku ka
Parameter MU AR1,1 NUM1 NUM2
To Chi- Pr >
Lag Square DF ChiSq Autocorrelations
To Chi- Pr >
Lag Square DF ChiSq Crosscorrelations
To Chi- Pr >
Lag Square DF ChiSq Crosscorrelations
To Chi- Pr >
Lag Square DF ChiSq Crosscorrelations
Autoregressive Factors
Input Number 1
Input Variable ku
Shift 7
Input Number 2
Input Variable ka