UJIAN AKHIR SEMESTER

ANALISIS DERET WAKTU

KELOMPOK 1

ANGGOTA:

Chindy Putri Army 08011282025058

Melinda Hersa Putri 08011382025102

Vivi Clara Dita 08011382025116

Kelas :B

Dosen Pengampu : Oki Dwipurwani S.Si

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SRIWIJAYA
TAHUN 2023
1. Cari data deret waktu, minimal 50 entri waktu. Tuliskan topic datanya berhubunngan
denngan lingkungan hidup, sumbernya. Webnya (bila dari hasil browsing internet) cetak
data tersebut.
Pembahasan :

Berikut ini akan disajikan data Curah Hujan Kota Bandung Pada tahun 2017 sampai
dengan tahun 2021. Seperti pada tabel 1 berikut :

Tabel 1. Curah Hujan Kota Bandung Tahun 2017-2021

Curah Curah
No Tahun Bulan No Tahun Bulan
Hujan Hujan
1 2017 1 65,3 31 2019 7 13,4
2 2017 2 199,3 32 2019 8 0,2
3 2017 3 389,3 33 2019 9 55
4 2017 4 220,2 34 2019 10 84,2
5 2017 5 222,3 35 2019 11 270,7
6 2017 6 106,4 36 2019 12 313,5
7 2017 7 39,1 37 2020 1 207,6
8 2017 8 48,4 38 2020 2 337
9 2017 9 90,8 39 2020 3 291
10 2017 10 345,3 40 2020 4 271
11 2017 11 442,2 41 2020 5 292
12 2017 12 129,9 42 2020 6 30
13 2018 1 191 43 2020 7 64
14 2018 2 239,3 44 2020 8 42
15 2018 3 292 45 2020 9 88
16 2018 4 297,6 46 2020 10 327
17 2018 5 123,9 47 2020 11 207
18 2018 6 33,4 48 2020 12 262
19 2018 7 0,3 49 2021 1 146,4
20 2018 8 38,9 50 2021 2 153,9
21 2018 9 40,8 51 2021 3 292,5
22 2018 10 124,8 52 2021 4 177,3
23 2018 11 483,2 53 2021 5 239
24 2018 12 323,5 54 2021 6 92,4
25 2019 1 231,6 55 2021 7 33,2
26 2019 2 269,1 56 2021 8 91,8
27 2019 3 222,7 57 2021 9 73
28 2019 4 298,9 58 2021 10 218,4
29 2019 5 245,7 59 2021 11 454,3
30 2019 6 26,5 60 2021 12 198,5
Sumber Data :Badan Pusat Statistik Kota Bandung (bps.go.id)
 Data yang digunakan pada penelitian ini adalah curah hujan di kota bandung selama 5
tahun mulai dari tahun 2017 sampai dengan tahun 2021 dengan banyaknya jumlah data
sebanyak 60 bulan. Data ini akan diuji dengan menggunakan bantuan software Minitab 20.

2. Apakah data tersebut sudah stasioner? Uji dengan von Neumanns. Stasionerkan jika
belum! Uraikan semua proses stasioneritas data yang anda lakukan, gunakan kalimat
sendiri.
Pembahasan :

Kestasioneritas suatu data merupakan kondisi yang dibutuhkan dalam analisis deret
waktu karena dapat memperkecil kekeliruan model, sehingga jika data tidak stasioner maka
harus dilakukan transformasi stasioberitas melalui proses diferensi jika trend-nya linier,
sedangkan jika tidak linier maka transformasi linieritas trend melalui proses logaritma natural
jika trend-nya eksponensial, dan proses pembobotan (penghalusan eksponensial sederhana),
jika bentuknya yang lain maka selanjutnya dilakukan proses diferensi pada data hasil proses
linieritas.
Bentuk kestasioneran di bedakan menjadi dua yaitu stasioner kuat(strickly stationer)
yang mana dan stasioner lemah (weakly stationer), 𝑋𝑡1 , 𝑋𝑡2 …disebut stasioner kuat jika
distribusi gabungan 𝑋𝑡1 , 𝑋𝑡2 … 𝑋𝑡𝑛 Sama dengan distribusi gabungan 𝑋𝑡1+𝑘 , 𝑋𝑡2+𝑘 … 𝑋𝑡𝑛+𝑘
untuk setiap nilai 𝑡1 , 𝑡2 … … 𝑡𝑛 dan 𝑘. Sedangkan disebut stasioner lemah jika rata-rata hitung
data konstan E(x)=𝜇 dan autokovariansnya merupakan fungsi dari log 𝑝𝑘 = 𝑓(𝑘). sedangkan
ketidakstasioneran data diklasifikasikan atas tiga bentuk yaitu :
1. Tidak stasioner dalam rata-rata hitung, jika trend tidak data (tidak sejajar sumbu
waktu) dan data tersebut pada “pita” yang meliputi secara seimbang trendnya.
2. Tidak stasioner dalam varians, jika trend datar atau hampir datar tapi data tersebar
membangun pola melebar atau menyempit yang meliputi secara seimbang trendnya
(pola terompet).
3. Tidak stasioner dalam rata-rata hitung dan varians, jika trend tidak datar dan data
membangun pola terompet.

Untuk dapat mengetahui apakah data pada penelitian sudah stastioner atau belom,
perlu kita uji dengan bantuan software minitab, untuk mengetahuinya dapat dilihat pada
gambar 1, disajikan sebagaimana berikut :
 Gambar 1. Data trend curah hujan
Dari gambar 1 plot, dapat dilihat bahwa plot data mengandung trend linier yang
cendrung menurun dengan melihat garis fits yang miring, sehingga dapat dikatakan bahwa
data belum stasioner.

Pada tabel 2 ini menjelaskan metode yang digunakan untuk penelitian ini, selanjutnya
akan disajikan pada tabel 2, sebagai berikut :
Tabel 2. Method
Model Linear Trend Model
type
Data Curah Hujan
Length 60
NMissing 0

Berdasarkan tabel 2 diketahui bahwa tipe model yang digunakan adalah linear trend
model, dengan data yaitu Curah Hujan sebanyak 60 sampel data dan data yang tidak
dimasukkan dalam model penelitian tidak ada atau 0.

Pada tabel 3 akan disajikan persamaan model trend linear yang terbentuk dari data
curah hujan kota Bandung.

Tabel 3. Fitted Trend Equation

Yt = 185,6 - 0,016×t

Berdasarkan tabel 3. Diketahui bahwa Yt=185,6 - 0,016×t adalah persamaan model

trend linear.

Pada tabel 4 accuracy measures akan disajikan nilai MAPE (Mean Absolute
Percentage Error), MAD (Mean Absolute Deviation), dan nilai MSD (Mean Squared
Deviation).
 Tabel 4. Accuracy Measures
MAPE 2695,3
MAD 105,7
MSD 15166,7
Berdasarkan pada tabel 4 diketahui MAPE (Mean Absolute Percentage Error) adalah
presentase kesalahan rata-rata secara mutlak sebesar 2695,3, MAD (Mean Absolute
Deviation) adalah perhitungan untuk menghitung rata-rata kesalahan mutlak yaitu sebesar
105,7, dan MSD (Mean Squared Deviation) menukur akurasi dari nilai time series yang akan
dihitung yaitu sebesar 15166,7.

Data yang digunakan dalam peneliian ini adalah data Curah Hujan Kota Bandung
Tahun 2017-2021. Untuk mengetahui apakah data tersebut stasioner atau tidak maka
dilakukan uji Box-Cox transformation dengan menggunakan software Minitab 20. Data
dikatakan stasioner apabila nilai lambda (𝜆) yang diperoleh pada uji Box-Cox plot = 1.

Gambar 2. Data tidak stasioner dalam varians

Dari hasil Uji Box-Cox transformation diatas dapat dilihat bahwa nilai estimasi
(rounded value) sebesar 0,50 maka data curahh ujan tersebut belum stasioner dalam varians
karena nilai 𝜆 = 0,50. Untuk mendapatkan stasioner dalam varians maka dilakukan
transformasi pada data sampai nilai 𝜆 = 1.

Gambar 3. Data sudah stasioner dalam varians

 Berdasarkan hasil Uji Box-Cox Plot of CH1 diatas dapat dilihat nilai 𝜆 = 1 sehingga
data tersebut sudah stasioner dalam varians (ragam).

Selanjutnya pada trend Analysis Plot For CH1 akan mengandung trend linear untuk
mengetahui data stationer atau belum. Dapat dilihat pada gambar 4.

Gambar 4. Data sudah stasioner dalam Rataan

Dari gambar 4 plot, dapat dilihat bahwa plot data mengandung trend linier yang
cendrung menurun dengan melihat garis fits yang miring, sehingga dapat dikatakan bahwa
data belum stasioner. Untuk mendapatkan stasioner dalam varians maka dilakukan
transformasi pada data Gambar 5.

Gambar 5.
Dari gambar 5 telah diketahui bahwa data deret waktu diatas sudah memenuhi sifat
stasioner, yang dapat dilihat dari garis merah yang di sebut fits. Garis fits tersebut tidak
terlalu miring / tidak miring, maka hal ini dapat diartikan bahwa data deret waktu tersebut
sudah stasioner dalam rataan.
3. Tampilkan autokorelogram ACF dan PACF untuk data asal (Zt) dan untuk data yang
sudah mengalami pembedaan Wt (jika data awal tidak stasioner).
Pembahasan :

Autokorelogram ACF dan PACF untuk data Curah Hujan Kota Bandung Tahun 2017-2021.

Gambar 6. Data Asal (𝑧𝑡 ) Gambar 7. Data Pembedaan (𝑊𝑡 ) ACF

Pada gambar 6 dapat dilihat bahwa ada 4 lag pertama pada data asal yang keluar dari
garis merah. Dimana garis merah merupakan selang kepercayaan atau batas signifikan
autokorelasi. Sehingga gambar 6 menunjukan data masih terdapat autokorelasi dan data tidak
stasioner dalam means.proses difference dilakukan dengan cara mengurangi nilai data pada
suatu periode dengan nilai data pada periode sebelumnya untuk menghitunng nilai selisihnya,
jika dilakukan proses difference 1 kali maka nilai d adalah 1 pada model.

Sedangkan pada gambar7 menunjukkan plot ACF data curah hujan setelah dilakukan
proses difference 1 kali plot AFC menunjukan jika data masih belum stasioner dalam means
yang dililhat masih banyak lag yang melewati selang kepercayaan. Sehingga didapat nilai
ordo q=4 (lag yang keluar).

Gambar 8. Data Asal (𝑧𝑡 ) Gambar 9. Data Pembedaan (𝑊𝑡 ) PACF

 Pada gambar 8 dan 9 diketahui dan dapat disimpulkan bahwa plot PACF belum
stasioner dan didapat nilai p= 4.

4. Tentukan beberapa nilai p, d, q, P, D, Q dan L pada model ARIMA (p,d,q) (P,D,Q)L yang
anda coba.

Berikut adalah ARIMA dan nilai dari p,d,q sebagaimana telah disajikan dalam tabel 2
berikut.
Tabel 2. ARIMA
Nilai P-
value Apakah ACF
Ljung- dan PACF
Arima(p,d,q
No Nilai box lag risidualnyaaca Residual Menyebar
)
MSE terakhir k Normal
Normal/Tidak
P-Value Normal
1 Arima(4,1,3) 11372 0 TidakAcak 0,065 Menyebar Normal
2 Arima(4,1,1) 13188,1 0 TidakAcak 0,150 Menyebar Normal
3 Arima(4,1,0) 13392,5 0 TidakAcak 0,150 Menyebar Normal
4 Arima(3,1,2) 13339,9 0 TidakAcak 0,150 Menyebar Normal
5 Arima(3,1,1) 15797 0 TidakAcak 0,150 Menyebar Normal
6 Arima(3,1,0) 16773,3 0 TidakAcak 0,150 Menyebar Normal
Tidak Menyebar
0 TidakAcak 0,019
7 Arima(2,1,3) 11694,6 Normal
8 Arima(2,1,2) 12075 0 TidakAcak 0,150 Menyebar Normal
Tidak Menyebar
0 TidakAcak 0,015
9 Arima(2,1,1) 12653,7 Normal
10 Arima(2,1,0) 16529,3 0 TidakAcak 0,150 Menyebar Normal
11 Arima(1,1,3) 12256 0 TidakAcak 0,150 Menyebar Normal
Tidak Menyebar
0 TidakAcak 0,033
12 Arima(1,1,2) 11672,6 Normal
13 Arima(1,1,1) 13049,2 0 TidakAcak 0,150 Menyebar Normal
14 Arima(1,1,0) 16869,6 0 TidakAcak 0,150 Menyebar Normal
15 Arima(4,0,3) 12106,6 0 TidakAcak 0,064 Menyebar Normal
16 Arima(4,0,2) 12915,2 0 TidakAcak 0,150 Menyebar Normal
17 Arima(4,0,1) 13493 0 TidakAcak 0,080 Menyebar Normal
18 Arima(4,0,0) 16114,1 0 TidakAcak 0,075 Menyebar Normal
19 Arima(3,0,3) 13168,4 0 TidakAcak 0,089 Menyebar Normal
20 Arima(3,0,2) 12336,3 0 TidakAcak 0,150 Menyebar Normal
21 Arima(3,0,1) 13129,7 0 TidakAcak 0,150 Menyebar Normal
22 Arima(3,0,0) 15831,4 0 TidakAcak 0,073 Menyebar Normal
23 Arima(2,0,3) 15387,7 0 TidakAcak 0,150 Menyebar Normal
24 Arima(2,0,2) 12394,1 0 TidakAcak 0,150 Menyebar Normal
25 Arima(2,0,1) 13275,2 0 TidakAcak 0,150 Menyebar Normal
26 Arima(2,0,0) 15766,5 0 TidakAcak 0,080 Menyebar Normal
27 Arima(1,0,3) 12098,1 0 TidakAcak 0,146 Menyebar Normal
28 Arima(1,0,2) 12529,2 0 TidakAcak 0,097 Menyebar Normal
29 Arima(1,0,1) 15762,3 0 TidakAcak 0,085 Menyebar Normal
30 Arima(1,0,0) 15510,4 0 TidakAcak 0,069 Menyebar Normal
31 Arima(0,1,3) 12270,6 0 TidakAcak 0,150 Menyebar Normal
32 Arima(0,1,2) 11077,6 0 TidakAcak 0,071 Menyebar Normal
33 Arima(0,0,3) 15271,3 0 TidakAcak 0,150 Menyebar Normal
34 Arima(0,0,2) 20780,5 0 TidakAcak 0,150 Menyebar Normal
35 Arima(0,0,1) 22344 0 TidakAcak 0,150 Menyebar Normal
36 Arima(4,1,4) 7046,05 0,003 TidakAcak 0,150 Menyebar Normal
37 Arima(3,1,4) 9946,55 0 TidakAcak 0,150 Menyebar Normal
38 Arima(2,1,4) 10399,7 0 TidakAcak 0,150 Menyebar Normal
39 Arima(1,1,4) 12102,5 0 TidakAcak 0,150 Menyebar Normal
40 Arima(0,1,4) 12107,8 0 TidakAcak 0,150 Menyebar Normal
41 Arima(0,0,4) 13932,4 0 TidakAcak 0,150 Menyebar Normal
42 Arima(4,0,4) 10226 0 TidakAcak 0,128 Menyebar Normal
43 Arima(3,0,4) 10689,1 0 TidakAcak 0,075 Menyebar Normal
44 Arima(2,0,4) 13294,4 0,054 Acak 0,150 Menyebar Normal
45 Arima(1,0,4) 1586,1 0 TidakAcak 0,150 Menyebar Normal

Berdasarkan tabel 2, diketahui bahwa arima terurut dari p=4 sampai p=1, d=1 sampai
d=0, dan q=1 sampai q=1.

5. Tuliskan model yang menurut anda adalah MODEL TERBAIK, uraikan modelnya.

Pembahasan :
a) Uji Kesignifikanan Parameter Model
Berdasarkan Output Minitab 20 diperoleh hasil dari uji kesignifikanan parameter
model yang dapat dilihat pada tabel estimasi parameter sebagai berikut:

Tabel 3. Data Arima Signifikan

SE T- P-
Model Type Coef Coef Value Value Ket
Arima AR 1 0,297 0,151 1,96 0,055 TidakSignifikan
(4,1,3) AR 2 -0,847 0,164 -5,17 0,000 Signifikan
AR 3 0,133 0,155 0,86 0,395 TidakSignifikan
AR 4 -0,148 0,154 -0,97 0,339 TidakSignifikan
MA 1 0,7409 0,0761 9,74 0,000 Signifikan
MA 2 -0,7406 0,0758 -9,78 0,000 Signifikan
MA 3 0,9668 0,0735 13,15 0,000 Signifikan
Arima AR 1 -0,516 0,203 -2,54 0,014 Signifikan
(4,1,1) AR 2 -0,329 0,143 -2,31 0,025 Signifikan
AR 3 -0,193 0,147 -1,31 0,194 TidakSignifikan
AR 4 -0,516 0,131 -3,93 0,000 Signifikan
MA 1 -0,443 0,226 -1,96 0,055 TidakSignifikan
Arima AR 1 -0,174 0,122 -1,43 0,157 TidakSignifikan
(4,1,0) AR 2 -0,272 0,126 -2,15 0,036 Signifikan
AR 3 -0,124 0,128 -0,97 0,336 TidakSignifikan
AR 4 -0,507 0,126 -4,01 0,000 Signifikan
Arima AR 1 -1,52 0,182 -8,37 0,000 Signifikan
(3,1,2) AR 2 -0,917 0,269 -3,4 0,001 Signifikan
AR 3 0,054 0,168 0,32 0,747 TidakSignifikan
MA 1 -1,562 0,174 -8,96 0,000 Signifikan
MA 2 -0,915 0,158 -5,8 0,000 Signifikan
Arima AR 1 -0,829 0,248 -3,34 0,002 Signifikan
(3,1,1) AR 2 -0,292 0,179 -1,63 0,110 TidakSignifikan
AR 3 0,059 0,177 0,33 0,742 TidakSignifikan
MA 1 -0,762 0,217 -3,51 0,001 Signifikan
Arima AR 1 -0,15 0,136 -1,1 0,274 TidakSignifikan
(3,1,0) AR 2 -0,208 0,14 -1,49 0,142 TidakSignifikan
AR 3 -0,062 0,143 -0,44 0,665 TidakSignifikan
Arima AR 1 0,443 0,148 2,99 0,004 Signifikan
(2,1,3) AR 2 -0,42 0,199 -2,11 0,039 Signifikan
MA 1 0,9155 0,0454 20,17 0,000 Signifikan
MA 2 -0,268 0,207 -1,29 0,202 TidakSignifikan
MA 3 0,475 0,225 2,11 0,039 Signifikan
Arima AR 1 -0,154 0,24 -0,64 0,524 TidakSignifikan
(2,1,2) AR 2 0,112 0,199 0,56 0,577 TidakSignifikan
MA 1 0,196 0,202 0,97 0,336 TidakSignifikan
MA 2 0,77 0,19 4,06 0,000 Signifikan
Arima AR 1 0,555 0,135 4,12 0,000 Signifikan
(2,1,1) AR 2 -0,236 0,138 -1,71 0,094 TidakSignifikan
MA 1 0,9662 0,0536 18,04 0,000 Signifikan
Arima AR 1 -0,143 0,134 -1,07 0,288 TidakSignifikan
(2,1,0) AR 2 -0,201 0,138 -1,46 0,150 TidakSignifikan
Arima AR 1 -0,509 0,955 -0,53 0,596 TidakSignifikan
(1,1,3) MA 1 -0,125 0,987 -0,13 0,899 TidakSignifikan
MA 2 0,841 0,295 2,85 0,006 Signifikan
MA 3 0,237 0,683 0,35 0,730 TidakSignifikan
Arima AR 1 0,167 0,218 0,76 0,448 TidakSignifikan
(1,1,2) MA 1 0,62 0,201 3,08 0,003 Signifikan
MA 2 0,439 0,225 1,95 0,056 TidakSignifikan
Arima AR 1 0,452 0,131 3,44 0,001 Signifikan
(1,1,1) MA 1 0,9567 0,0687 13,93 0,000 Signifikan
Arima
(1,1,0) AR 1 -0,126 0,135 -0,93 0,355 TidakSignifikan
Arima AR 1 1,218 0,219 5,55 0,000 Signifikan
(4,0,3) AR 2 -0,968 0,361 -2,68 0,010 Signifikan
AR 3 1,022 0,36 2,84 0,006 Signifikan
AR 4 -0,273 0,215 -1,27 0,211 TidakSignifikan
MA 1 0,706 0,198 3,56 0,001 Signifikan
MA 2 -0,652 0,208 -3,13 0,003 Signifikan
 MA 3 0,924 0,218 4,24 0,000 Signifikan
Arima AR 1 0,624 0,232 2,69 0,009 Signifikan
(4,0,2) AR 2 0,581 0,325 1,79 0,079 TidakSignifikan
AR 3 -0,158 0,249 -0,64 0,527 TidakSignifikan
AR 4 -0,046 0,181 -0,25 0,801 TidakSignifikan
MA 1 0,1 0,208 0,48 0,633 TidakSignifikan
MA 2 0,858 0,18 4,77 0,000 Signifikan
Arima AR 1 1,303 0,141 9,26 0,000 Signifikan
(4,0,1) AR 2 -0,279 0,267 -1,04 0,301 TidakSignifikan
AR 3 -0,115 0,274 -0,42 0,676 TidakSignifikan
AR 4 0,092 0,154 0,6 0,552 TidakSignifikan
MA 1 0,9717 0,0515 18,87 0,000 Signifikan
Arima AR 1 0,815 0,136 5,99 0,000 Signifikan
(4,0,0) AR 2 -0,071 0,184 -0,38 0,703 TidakSignifikan
AR 3 0,122 0,184 0,66 0,511 TidakSignifikan
AR 4 0 0,144 0 0,998 TidakSignifikan
Arima AR 1 1,503 0,149 10,09 0,000 Signifikan
(3,0,3) AR 2 -0,671 0,385 -1,74 0,087 TidakSignifikan
AR 3 0,169 0,329 0,52 0,608 TidakSignifikan
MA 1 0,9693 0,0544 17,83 0,000 Signifikan
MA 2 -0,076 0,37 -0,21 0,838 TidakSignifikan
MA 3 0,082 0,315 0,26 0,796 TidakSignifikan
Arima AR 1 0,744 0,222 3,35 0,001 Signifikan
(3,0,2) AR 2 0,461 0,367 1,26 0,214 TidakSignifikan
AR 3 -0,206 0,226 -0,91 0,366 TidakSignifikan
MA 1 0,138 0,175 0,78 0,436 TidakSignifikan
MA 2 0,833 0,229 3,63 0,001 Signifikan
Arima AR 1 1,45 0,134 10,79 0,000 Signifikan
(3,0,1) AR 2 -0,467 0,237 -1,97 0,054 TidakSignifikan
AR 3 0,018 0,143 0,13 0,900 TidakSignifikan
MA 1 0,9783 0,0121 80,67 0,000 Signifikan
Arima AR 1 0,815 0,134 6,070 0,000 Signifikan
(3,0,0) AR 2 -0,071 0,182 -0,390 0,700 TidakSignifikan
AR 3 0,122 0,141 0,860 0,392 TidakSignifikan
Arima AR 1 0,401 0,618 0,65 0,519 TidakSignifikan
(2,0,3) AR 2 0,421 0,579 0,73 0,470 TidakSignifikan
MA 1 -0,495 0,627 -0,79 0,433 TidakSignifikan
MA 2 0,225 0,216 1,04 0,302 TidakSignifikan
MA 3 -0,033 0,303 -0,11 0,914 TidakSignifikan
Arima AR 1 0,892 0,212 4,2 0,000 Signifikan
(2,0,2) AR 2 0,107 0,213 0,5 0,616 TidakSignifikan
MA 1 0,233 0,191 1,22 0,228 TidakSignifikan
MA 2 0,713 0,149 4,79 0,000 Signifikan
Arima AR 1 1,385 0,159 8,73 0,000 Signifikan
(2,0,1) AR 2 -0,386 0,15 -2,57 0,013 Signifikan
MA 1 0,962 0,125 7,69 0,000 Signifikan
Arima AR 1 0,817 0,134 6,1 0,000 Signifikan
(2,0,0) AR 2 0,026 0,139 0,19 0,853 TidakSignifikan
Arima AR 1 0,99963 0,00448 223,29 0,000 Signifikan
(1,0,3) MA 1 0,377 0,145 2,610 0,012 Signifikan
MA 2 0,687 0,139 4,950 0,000 Signifikan
MA 3 -0,071 0,131 -0,540 0,590 TidakSignifikan
Arima AR 1 0,9965 0,0159 62,67 0,000 Signifikan
(1,0,2) MA 1 0,267 0,142 1,88 0,066 TidakSignifikan
MA 2 0,653 0,142 4,59 0,000 Signifikan
Arima AR 1 0,8513 0,0876 9,72 0,000 Signifikan
(1,0,1) MA 1 0,042 0,165 0,25 0,800 TidakSignifikan
Arima
(1,0,0) AR 1 0,8376 0,0728 11,51 0,000 Signifikan
Arima MA 1 0,352 0,135 2,6 0,012 Signifikan
(0,1,3) MA 2 0,682 0,118 5,79 0,000 Signifikan
MA 3 -0,076 0,14 -0,54 0,590 TidakSignifikan
Arima MA 1 0,342 0,116 2,95 0,005 Signifikan
(0,1,2) MA 2 0,64 0,111 5,77 0,000 Signifikan
Arima MA 1 -1,111 0,106 -10,470 0,000 Signifikan
(0,0,3) MA 2 -1,036 0,123 -8,450 0,000 Signifikan
MA 3 -0,665 0,107 -6,230 0,000 Signifikan
Arima MA 1 -1,002 0,128 -7,820 0,000 Signifikan
(0,0,2) MA 2 -0,230 0,130 -1,770 0,082 TidakSignifikan
Arima
(0,0,1) MA 1 -0,8244 0,0736 -11,200 0,000 Signifikan
Arima AR 1 -0,173 0,104 -1,670 0,102 TidakSignifikan
(4,1,4) AR 2 0,449 0,103 4,360 0,000 Signifikan
AR 3 0,201 0,105 1,910 0,061 TidakSignifikan
AR 4 -0,766 0,096 -8,020 0,000 Signifikan
MA 1 0,306 0,167 1,830 0,073 TidakSignifikan
MA 2 1,159 0,005 234,230 0,000 Signifikan
MA 3 0,360 0,172 2,090 0,042 Signifikan
MA 4 -0,844 0,110 -7,690 0,000 Signifikan
Arima AR 1 -0,486 0,217 -2,240 0,029 Signifikan
(3,1,4) AR 2 -0,545 0,181 -3,010 0,004 Signifikan
AR 3 -0,183 0,210 -0,870 0,388 TidakSignifikan
MA 1 -0,167 0,177 -0,940 0,350 TidakSignifikan
MA 2 -0,071 0,159 -0,450 0,658 TidakSignifikan
MA 3 0,418 0,159 2,620 0,011 Signifikan
MA 4 0,776 0,149 5,220 0,000 Signifikan
Arima AR 1 -0,596 0,163 -3,650 0,001 Signifikan
(2,1,4) AR 2 -0,548 0,160 -3,430 0,001 Signifikan
MA 1 -0,291 0,143 -2,030 0,048 Signifikan
MA 2 -0,073 0,126 -0,580 0,564 TidakSignifikan
MA 3 0,545 0,109 4,990 0,000 Signifikan
MA 4 0,744 0,121 6,160 0,000 Signifikan
Arima AR 1 -0,339 0,467 -0,73 0,471 TidakSignifikan
(1,1,4) MA 1 -0,024 0,459 -0,05 0,958 TidakSignifikan
 MA 2 0,486 0,206 2,36 0,022 Signifikan
MA 3 0,18 0,279 0,65 0,521 TidakSignifikan
MA 4 0,298 0,145 2,06 0,044 Signifikan
Arima MA 1 0,283 0,136 2,08 0,042 Signifikan
(0,1,4) MA 2 0,451 0,149 3,03 0,004 Signifikan
MA 3 -0,021 0,147 -0,15 0,885 TidakSignifikan
MA 4 0,244 0,145 1,69 0,097 TidakSignifikan
Arima MA 1 -1,038 0,132 -7,870 0,000 Signifikan
(0,0,4) MA 2 -1,062 0,159 -6,670 0,000 Signifikan
MA 3 -0,639 0,163 -3,930 0,000 Signifikan
MA 4 0,123 0,135 0,910 0,365 TidakSignifikan
Arima AR 1 0,414 0,215 1,930 0,060 TidakSignifikan
(4,0,4) AR 2 -0,001 0,235 0,000 0,998 TidakSignifikan
AR 3 0,503 0,232 2,170 0,035 Signifikan
AR 4 0,083 0,210 0,390 0,695 TidakSignifikan
MA 1 -0,215 0,191 -1,130 0,265 TidakSignifikan
MA 2 -0,042 0,183 -0,230 0,819 TidakSignifikan
MA 3 0,489 0,195 2,500 0,016 Signifikan
MA 4 0,771 0,151 5,090 0,000 Signifikan
Arima AR 1 0,464 0,195 2,380 0,021 Signifikan
(3,0,4) AR 2 0,047 0,235 0,200 0,843 TidakSignifikan
AR 3 0,487 0,191 2,560 0,014 Signifikan
MA 1 -0,264 0,210 -1,260 0,214 TidakSignifikan
MA 2 -0,063 0,228 -0,270 0,784 TidakSignifikan
MA 3 0,467 0,177 2,640 0,011 Signifikan
MA 4 0,694 0,156 4,440 0,000 Signifikan
Arima AR 1 -1,093 0,137 -7,990 0,000 Signifikan
(2,0,4) AR 2 -0,430 0,146 -2,940 0,005 Signifikan
MA 1 -2,210 0,034 -64,920 0,000 Signifikan
MA 2 -2,560 0,034 -75,810 0,000 Signifikan
MA 3 -2,058 0,050 -41,530 0,000 Signifikan
MA 4 -0,856 0,047 -18,190 0,000 Signifikan
Arima AR 1 -0,040 1,580 -0,020 0,982 TidakSignifikan
(1,0,4) MA 1 -1,060 1,580 -0,670 0,506 TidakSignifikan
MA 2 -0,910 1,700 -0,540 0,594 TidakSignifikan
MA 3 -0,550 1,500 -0,370 0,713 TidakSignifikan
MA 4 0,061 0,988 0,060 0,951 TidakSignifikan

Uji signifikansi dilakukan untuk mengetahui apakah model ARIMA yang telah
ditemukan layak atau tidak. Model dikatakan signifikan jika nilai P-Value (probabilitas)
seluruh variable kurang dari 𝛼 dengan 𝛼 = 0,05. Pada tabel tersebut dapat diketahui bahwa
hasil uji signifikansi setiap parameter model yang parameternya signifikan yaitu ARIMA
(1,1,1), ARIMA (2,0,4), ARIMA (2,0,1), ARIMA (1,0,0), ARIMA (0,1,2), ARIMA (0,0,3),
ARIMA (0,0,1). Untuk hasil model ARIMA yang parameter tidak signifikan maka tidak dapat
dilanjutkan ketahap selanjutnya.
 b) Uji White Noise
Tabel 4. White Noise
Model Lag p- value Keterangan
12 0,000 tidak white Noise
Arima 24 0,000 tidak white Noise
(1,1,1) 36 0,000 tidak white Noise
48 0,000 tidak white Noise
12 0,028 tidak white Noise
24 0,076 white Noise
Arima(2,0,4)
36 0,049 tidak white Noise
48 0,054 white Noise
12 0,000 tidak white Noise
Arima 24 0,000 tidak white Noise
(0,1,2) 36 0,000 tidak white Noise
48 0,000 tidak white Noise
12 0,000 tidak white Noise
Arima 24 0,000 tidak white Noise
(2,0,1) 36 0,000 tidak white Noise
48 0,000 tidak white Noise
12 0,003 tidak white Noise
24 0,000 tidak white Noise
Arima(1,0,0)
36 0,000 tidak white Noise
48 0,000 tidak white Noise
12 0,001 tidak white Noise
24 0,000 tidak white Noise
Arima(0,0,3)
36 0,000 tidak white Noise
48 0,000 tidak white Noise
12 0,000 tidak white Noise
24 0,000 tidak white Noise
Arima(0,0,1)
36 0,000 tidak white Noise
48 0,000 tidak white Noise

Berdasarkan pada tabel 4 dapat diketahui bahwa Seluruh Arima tidak mengalami
white noise, kecuali Arima (2,0,4) yang mengalami white noise pada lag 24 dan lag 48,
sedangkan pada lag 12 dan lag 36 tidak mengalami white noise. White noise sendiri adalah
proses stasioner yang didefinisikan sebagai deret acak yang independen.

c) Uji Kenormalan Residual

Tabel 5. Kenormalan Residual
model p-value Keterangan
Arima (2,0,4) 0,150 Residual Normal

Pemilihan model terbaik dengan melalui proses uji kesignifikan parameter model, uji
white noise, dan uji kenormalan residual dengan menggunakan uji Kolmogorov-smirnov
bahwa dapat diketahui model ARIMA (2,0,4) merupakan model terbaik yang bisa dipakai
dalam meramalkan curah hujan di kota Bandung. Model ARIMA (2,0,4) layak karena pada
uji kesignifikan parameter hasil semua parameternya signifikan serta residualnya telah
mengandung asumsi white noise dan berdistribusi normal. Nilai MSE dari model ARIMA
tersebut sebesar 13294,4.

6. Cetak OUTPUT MINITAB hasil estimasi parameter-parameter MODEL TERBAIK.

Masukan hasil estimasi dalam model yang sudah diuraikan pada nomor 5. Sebutkan
parameter mana saja yang signifikan.

Pembahasan :

Tabel 6. Estimates at Each Iteration

Iteration SSE Parameters
0 4248555 0,100 0,100 0,100 0,100 0,100 0,100
1 3378819 0,082 0,015 -0,050 0,036 0,098 0,142
2 3083536 -0,021 0,033 -0,200 0,038 0,097 0,171
3 2723236 -0,107 0,027 -0,350 0,001 0,089 0,203
4 2192785 -0,142 -0,060 -0,496 -0,149 0,048 0,242
5 1829607 -0,150 -0,141 -0,586 -0,299 -0,019 0,252
6 1579548 -0,184 -0,212 -0,685 -0,449 -0,104 0,239
7 1415407 -0,239 -0,277 -0,787 -0,599 -0,200 0,209
8 1298966 -0,305 -0,337 -0,892 -0,749 -0,303 0,166
9 1208198 -0,377 -0,391 -0,999 -0,899 -0,415 0,114
10 1132604 -0,451 -0,435 -1,108 -1,049 -0,534 0,053
11 1067843 -0,524 -0,469 -1,220 -1,199 -0,661 -0,014
12 1011697 -0,595 -0,492 -1,332 -1,349 -0,796 -0,088
13 961653 -0,659 -0,503 -1,444 -1,499 -0,939 -0,166
14 916581 -0,712 -0,499 -1,553 -1,647 -1,089 -0,248
15 879474 -0,759 -0,486 -1,655 -1,789 -1,239 -0,331
16 850995 -0,807 -0,475 -1,754 -1,931 -1,389 -0,415
17 829714 -0,860 -0,469 -1,851 -2,076 -1,539 -0,500
18 816272 -0,920 -0,468 -1,950 -2,224 -1,689 -0,586
19 808192 -0,964 -0,466 -2,016 -2,315 -1,780 -0,644
20 800959 -0,981 -0,462 -2,036 -2,334 -1,806 -0,670
21 793476 -1,007 -0,462 -2,069 -2,376 -1,856 -0,710
22 786828 -1,035 -0,458 -2,107 -2,426 -1,912 -0,754
23 781434 -1,058 -0,452 -2,140 -2,470 -1,961 -0,791
24 775910 -1,086 -0,443 -2,184 -2,527 -2,021 -0,833
25 773196 -1,093 -0,430 -2,210 -2,560 -2,058 -0,856
** Convergence criterion not met after 25 iterations **
Berdasarkan dari tabel 6 diketahui bahwa ada estimasi pada arima (2, 0, 4) bahwa ada
sebanyak 25 iterasi.
 Selnjutnya adalah estimasi terakhir dari parameter, yang disajikan pada tabel 7
sebagaimana berikut:
Tabel 7. Final Estimates of Parameters
Type Coef SE Coef T-Value P-Value
AR 1 -1,093 0,137 -7,99 0,000
AR 2 -0,430 0,146 -2,94 0,005
MA 1 -2,2104 0,0340 -64,92 0,000
MA 2 -2,5595 0,0338 -75,81 0,000
MA 3 -2,0580 0,0496 -41,53 0,000
MA 4 -0,8559 0,0471 -18,19 0,000
Berdasarkan tabel 7 yang menjelaskan hasil dari Arima (2, 0, 4) bahwa pada hasil
koefisien AR (1) sebesar -1,093 dan nilai T-value sebesar -7,99 dengan nilai P-value sebesar
0,000. Sehingga menunjukkan bahwa parameter AR(1) signifikansi nol karena nilai P-value
tidak melebihi bata toleransi sebesar 0,05.
Pada hasil koefisien AR (2) sebesar -0,430 dan nilai T-value sebesar -2,94 dengan
nilai P-value sebesar 0,005. Sehingga menunjukkan bahwa parameter AR(2) signifikansi nol
karena nilai P-value tidak melebihi bata toleransi sebesar 0,05.

Pada tabel 8 akan disajikan nilai dari Mean Square (MS), DF, dan SS. Sebagaimana
disajikan dalam tabel 8.
Tabel 8. Residual Sums of Squares
DF SS MS
54 717900 13294,4
Back forecasts excluded
Nilai Mean Square (MS) yang dihasilkan pada model arima ini sebesar 13294,4
dengan nilai SS sebesar 717900 dan DF 54.
Berdasarkan analisis diketahui bahwa parameter dari ARIMA (2, 0, 4) layak untuk
digunakan pada peramalan curah hujan di kota Bandung, karena parameter pada model ini
memiliki p-Value kurang dari btas toleransi 0,05.

Selanjutnya akan dilakukan uji Ljung box pada ARIMA (2,0,4) untuk mengetahui
memenuhi syarat white noise atau tidak.

Tabel 9. Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi- 14,14 27,16 43,84 57,70
Square
DF 6 18 30 42
P-Value 0,028 0,076 0,049 0,054
 Berdasarkan tabel 9 hasil dari Ljung Box P-value untuk time lag 24 dan 48 adalah >
0,05 yaitu secara berurut 0,076 dan 0,054. Sedangkan P-value time lag 12 dan 36 <0,05 yaitu
secara berurut 0,028 dan 0,049. Dapat disimpulkan sisaannya memenuhi syarat white noise
yaitu sisaannya saling bebas satu sama lain atau berdistribusi random walaupun time lag 14
dan time lag 36 yaitu < 0,05.

Selanjutnya akan disajikan tabel 10 yang menjelaskan tentang hasil uji coba
peramalan sebagai berikut:
Tabel 10. Forecasts from period 60
95% Limits
Period Forecast Lower Upper Actual
61 84,838 -141,199 310,874
62 -39,621 -378,600 299,358
63 -145,006 -541,329 251,316
64 11,155 -406,640 428,949
65 50,130 -369,505 469,766
66 -59,577 -479,443 360,289
67 43,562 -377,528 464,652
68 -22,000 -444,092 400,093
69 5,320 -417,156 427,796
70 3,641 -418,895 426,178
71 -6,266 -428,802 416,271
72 5,282 -417,265 427,829
73 -3,080 -425,639 419,480
74 1,095 -421,471 423,661
75 0,127 -422,441 422,694
76 -0,609 -423,177 421,959
77 0,611 -421,956 423,179
78 -0,406 -422,974 422,162
79 0,181 -422,387 422,749
80 -0,023 -422,591 422,545
81 -0,052 -422,620 422,516
82 0,067 -422,501 422,635
83 -0,051 -422,619 422,517
84 0,027 -422,541 422,595

Berdasarkan tabel 10 dengan membandingkan antara nilai actual curah hujan di kota
Bandung dengan hasil peramalan dengan periode bulan januari 2017 sampai dengan periode
desember 2021. Evaluasi ini bertujuan untuk mengukur tingat kesalahan hasil ramalan
dengan menggunakan MAD, MAPE, MSE, dan MPE.
 Gambar 10. Peluang Plot Residual

Berdasarkan gambar 10 didapatkan hasil dari uji Kolmogorov smirnov untuk ARIMA
(2, 0, 4) dengan nilai P-value >0,05 sehingga residual berdistribusi normal.
LAMPIRAN
Sumber Data :Badan Pusat Statistik Kota Bandung (bps.go.id)