KELOMPOK 1
ANGGOTA:
Kelas :B
Berikut ini akan disajikan data Curah Hujan Kota Bandung Pada tahun 2017 sampai
dengan tahun 2021. Seperti pada tabel 1 berikut :
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.
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.
Selanjutnya pada trend Analysis Plot For CH1 akan mengandung trend linear untuk
mengetahui data stationer atau belum. Dapat dilihat pada gambar 4.
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.
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).
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:
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.
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.
Pembahasan :
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.
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)