TUGAS AKHIR
MHD. FADLI
062407141
PROGRAM STUDI D3 STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERAMALAN SUHU UDARA BULANAN DI KOTA MEDAN
DENGAN METODE BOX-JENKINS
TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya
MHD. FADLI
062407141
PROGRAM STUDI D3 STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PERAMALAN SUHU UDARA BULANAN DI KOTA MEDAN DENGAN METODE BOX-JENKINS
Kategori : TUGAS AKHIR Nama : MHD.FADLI Nim : 062407141 Program Studi : D3 STATISTIKA Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM ( FMIPA ) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, 2009
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua, Pembimbing,
Dr. Saib Suwilo, M.Sc Drs. Marwan Harahap, M.Eng
NIP. 131 796 149 NIP. 130 422 443
PERNYATAAN
PERAMALAN SUHU UDARA BULANAN DI KOTA MEDAN DENGAN METODE BOX-JENKINS
TUGAS AKHIR
Saya mengakui bahwa tugas akhir ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing – masing disebutkan sumbernya.
Medan,.../.../ 2009
PENGHARGAAN
Puji dan syukur penulis ucapkan kehadirat Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpahan karunia-Nya akhirnya penulis dapat menyelesaikan Tugas Akhir ini tepat pada waktunya.
DAFTAR ISI
Daftar Gambar vii
Bab 1 Pendahuluan 1
1.1. Latar Belakang 1
1.2. Perumusan Masalah 2
1.3. Tinjauan Pustaka 3
1.4. Tujuan Penelitian 5
1.5. Kontribusi Penelitian 5
1.6. Metode Penelitian 5
1.7. Sistematika Penelitian 6
Bab 2 Landasan Teori 8
2.1. Peramalan 8
2.2. Jenis-jenis Peramalan 8
2.2.1. Peramalan Kualitatif 8
2.2.2. Peramalan Kuantitatif 9
2.3. Metode Peramalan 10
2.4. Jenis-jenis Metode Peramalan Kuantitatif 10
2.5. Pemilihan Teknik dan Metode Peramalan 11
2.6. Metode Deret Berkala (Time Series) Box-Jenkins 13
2.7. Metode Auto Regresive (AR) 13
2.8. Metode Rataan Bergerak/Moving Average (MA) 14
2.9. Metode Box-Jenkins 15
2.10.Peramalan Model Box-Jenkins 16
Bab 3 Analisa dan Evaluasi 17
3.1. Studi Kasus 17
3.2. Analisis Plot Data Awal 18
3.3. Pengecekan Model 24
3.4. Peramalan 24
Bab 4 Kesimpulan dan Saran 26
4.1. Kesimpulan 26
4.2. Saran 27
Daftar Pustaka 28
DAFTAR TABEL
Halaman Tabel 3.1.1. Data Suhu Udara Bulan Januari 2002-Desember 2007 17
Tabel 3.2.1. Nilai-nilai Pembedaan Pertama 19
Tabel 3.2.2. Nilai-nilai Pembedaan Kedua 21
DAFTAR GAMBAR
Halaman Gambar 3.2.1. Plot Suhu Udara Kota Medan Tahun 2002-2007 18 Gambar 3.2.2. Autokorelasi Suhu Udara Kota Medan Tahun 2002-2007 18 Gambar 3.2.3. Autokorelasi Parsial Suhu Udara Kota Medan Tahun 2002-
2007 19
Gambar 3.2.4. Plot Suhu Udara dengan Menggunakan Pembedaan Pertama 20 Gambar 3.2.5. Autokorelasi Suhu Udara Menggunakan Pembedaan Pertama 20 Gambar 3.2.6. Autokorelasi Parsial Suhu Udara Menggunakan Pembedaan
Pertama 21
Gambar 3.2.7. Plot Suhu Udara dengan Menggunakan Pembedaan Kedua 22 Gambar 3.2.8. Autokorelasi Suhu Udara dengan Menggunakan Pembedaan
Kedua 23
Gambar 3.2.9. Autokorelasi Parsial Suhu Udara dengan Menggunakan Pem-
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta
yang sejak tahun enam puluhan telah diterapkan menjadi suatu direktorat perhubungan
udara. Direktorat BMG tersebut bertugas mengadakan penelitian dan pelayanan
meteorologi dan geofisika yang salah satu bidangnya adalah iklim.
Iklim merupakan kebiasaan alam yang digerakkan oleh gabungan beberapa
unsur yaitu radiasi matahari, temperatur, kelembaban, curah hujan, suhu udara,
tekanan udara dan angin. Unsur-unsur itu berbeda pada tempat yang satu dengan
tempat yang lainnya. Perbedaan itu disebabkan karena ketinggian tempat, garis
lintang, daerah tekanan, arus laut, dan permukaan tanah.
Pengaruh timbal balik antara faktor tersebut akan menentukan pola yang
diperlihatkan oleh unsur. Tetapi sebaliknya, unsur-unsur tersebut pada suatu batas
tertentu akan mempengaruhi faktor juga, sehingga keadaan cenderung untuk
melanjutkan proses timbal balik tadi. Batas pola yang ditentukan itu umumnya stabil.
Terjadinya penyimpangan tidak dapat dihindari pada proses tersebut. Penyimpangan
Sebagai contoh curah hujan yang terus menerus selama beberapa hari serta demikian
lebat.
Penyimpangan tersebut dapat menimbulkan bencana, baik bagi manusia,
ternak, tumbuh-tumbuhan, seperti halnya banjir, badai atau angin topan, kekeringan,
dan lain sebagainya.
Iklim beserta unsurnya penting untuk diperhatikan dan dipelajari dengan
sebaik-baiknya, karena pengaruhnya sering menimbulkan masalah bagi manusia serta
makhluk hidup lainnya. Masalah tersebut merupakan tantangan bagi manusia karena
harus berusaha untuk mengatasinya dengan menghindari atau memperkecil pengaruh
yang tidak menguntungkan kehidupan manusia.
Dari keadaan diatas penulis ingin mengadakan penelitian terhadap data curah
hujan pada masa yang lalu (dari bulan Januari 2002 sampai dengan Desember 2007) ,
untuk meramalkan curah hujan pada masa yang akan datang, sebagai bahan penulisan
tugas akhir dengan judul “PERAMALAN SUHU UDARA BULANAN DI KOTA
MEDAN DENGAN METODE BOX-JENKINS”.
1.2. Perumusan masalah
Untuk memudahkan penelitian, maka penulis meramalkan curah hujan yang akan
datang (bulan Januari 2008) menggunakan data suhu udara pada bulan Januari 2002
1.3. Tinjauan Pustaka
Metodologi ARIMA Box-Jenkins merupakan suatu pendekatan pembentukan model
yang sangat kuat untuk analisis deret berkala. Ia memberikan kajian yang teliti, tetapi
ia tidak dapat diterapkan dengan baik kecuali apabila dimengerti dengan baik. Untuk
nilai p, d, q, P, D, dan Q yang sangat kecil pada model umum ARIMA (p,d,q,)
(P,D,Q)S data dapat diprediksi.
ARIMA dikembangkan oleh Box dan Jenkins. Metode ini merupakan
gabungan dari metode penghalusan, metode regresi dan metode dekomposisi. Metode
ini banyak digunakan untuk peramalan harga saham, penjualan, dan variabel runtun
waktu lainnya. Model runtun waktu ini biasanya digunakan bila hanya sedikit yang
diketahui mengenai variabel-variabel tak bebas yang dapat digunakan untuk
menjelaskan variabel bebas yang diminati. Dalam meramalkan curah hujan, maka
dapat digunakan beberapa buku antara lain :
Assauri, S [1] menguraikan tentang defenisi peramalan adalah kegiatan
memperkirakan apa yang akan terjadi pada masa yang akan datang. Sedangkan
ramalan adalah situasi atau kondisi yang diperlukan akan terjadi pada masa yang akan
datang. Ramalan tersebut dapat didasarkan atas bermacam-macam cara yang dikenal
dengan metode peramalan.
Daldjoeni, N [2] menguraikan tentang klimatologi yakni selukbeluknya,
klasifikasinya serta pernyataannya secara wilayah. Dalam beberapa uraiannya
Iriawan Nur [3] menguraikan tentang pengolahan data statistik dengan
menggunakan MINITAB versi 14. Minitab memberikan beberapa kelebihan dalam
mengolah data untuk Analysis of Variance (ANOVA), analisis multivariate, peramalan,
membuat grafik-grafik statistik dan lain-lain.
Kartasapoetra, Ance Gunarsih [4] menguraikan tentang iklim yang mencakup
tinjauan tentang iklim, sifat, dan klasifikasinya, dan bagaimana
pendekatan-pendekatan yang dilakukan terhadap iklim yang berpengaruh terhadap berbagai
bidang.
Makridakis, S [5] menguraikan bahwa dalam metode dan aplikasi peramalan
Makridakis, pada dasarnya ada dua model dari metode Box-Jenkins yaitu model linier
untuk deret statis (Stationery Series) dan model linier yang tidak statis (Non
Stationery Series). Model-model untuk deret statis menggunakan teknik penyaringan
(Filter) untuk deret waktu yaitu apa yang disebut dengan ARMA (Auto Regresive –
Moving Average) untuk suatu kumpulan data, sedangkan untuk model yang tidak
statis menggunakan apa yang disebut ARIMA (Auto Regresive – Integrate – Moving
Average).Untuk suatu kumpulan data, model ARMA merupakan model yang
dibangun berdasarkan proses Autoregressive ( AR ) berorde p dan proses Moving
Average ( MA ) berorde q menjadi :
Xt = ф1Xt-1+ф2Xt-2+…+фpXt-p+
e
t- Ө1e
t-1 - … - Өqe
t-qUntuk data yang dikumpulkan secara bulanan, pembedaan satu musim penuh (tahun)
dapat dihitung Xt – Xt-12 = (1 – B12)Xt. Sehingga untuk model ARIMA(p,d,f), (P,D,Q)
s
Sosrodarsono Suyono [6] menguraikan tentang faktor iklim dan unsur iklim
dimana iklim disuatu tempat atau daerah ditentukan oleh suhu udara, curah hujan,
angin, penyinaran matahari dan sebagainya. Faktor dan unsur iklim tersebut
berpengaruh terhadap tanaman, hewan, manusia, dan kependudukan.
Sudjana [7] menguraikan tentang data yang terdiri atas dua atau lebih variabel
untuk mempelajari cara bagaimana data itu berhubungan. Hubungan yang didapat
pada umumnya dinyatakan dalam bentuk persamaan matematika yang menyatakan
hubungan fungsional antara variabel-variabel. Untuk keperluan analisis, variabel
bebas akan dinyatakan dengan X1, X2, …, Xk (k≥1) sedangkan variabel tak bebas akan
dinyatakan dengan Y.
1.4. Tujuan Penelitian
Secara umum penelitian ini bertujuan untuk menganalisa suhu udara di kota Medan
dengan metode Box-Jenkins.
1.5. Kontribusi Penelitian
Penganalisaan dengan menggunakan metode Box-Jenkins diharapkan dapat menjadi
nilai tambah dan bermanfaat bagi pihak instansi (BMG), PERUMKIM, penerbangan,
peternakan, perkebunan untuk memberikan gambaran tentang suhu udara diwaktu
1.6. Metode Penelitian
Peramalan merupakan kegiatan memperkirakan apa yang akan terjadi pada masa akan
datang. Metode peramala adalah cara memperkirakan apa yang akan terjadi pada
masa depan, berdasarkan data yang relevan pada masa lalu.
Data sekunder yang diperoleh dari Badan Meteorologi dan Geofisika stasiun
Klimatologi Sampali Medan, yaitu data curah hujan dari bulan Januari 2002 sampai
dengan Desember 2007. Model peramalan Box-Jenkins untuk ARMA (p,q) yang
umum adalah :
Xt = ф1Xt-1+ф2Xt-2+…+фpXt-p+
e
t- Ө1e
t-1 - … - Өqe
t-qDimana :
Xt = Variabel yang diramalkan (Dependent Variable)
Xt-p = Variabel pertama pada periode ke 1,2, …, p
фp = Parameter Auto Regresive
e
t = Nilai kesalahan pada tӨq = Parameter-parameter dari MA (1,2, … , p)
e
t-q = Nilai kesalahan pada saat (t-q)1.7. Sistematika penulisan
Penulisan Tugas Akhir ini disusun secara sistematis didalamnya dikemukakan
BAB 1 : PENDAHULUAN
Menjelaskan latar belakang masalah, perumusan masalah, tinjauan pustaka, tujuan
penelitian, kontribusi penelitian, metode penelitian, dan sistematika penulisan.
BAB 2 : LANDASAN TEORI
Menjelaskan uraian teoritis tentang segala sesuatu yang berhubungan dengan masalah
Tugas Akhir.
BAB 3 : ANALISA DAN EVALUASI
Menyajikan pembahasan dan hasil penelitian.
BAB 4 : KESIMPULAN DAN SARAN
BAB 2
LANDASAN TEORI
2.1 Peramalan
Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang
akan terjadi pada waktu keputusan itu dilaksanakan. Ramalan diperlukan untuk
memberikan informasi sebagai dasar untuk membuat suatu keputusan dalam berbagai
kegiatan, seperti : penerbangan, peternakan, perkebunan dan sebagainya.
2.2 Jenis – Jenis Peramalan
Berdasarkan sifatnya peramalan dibedakan atas dua macam yaitu Peramalan
Kualitatif dan Peramalan Kuantitatif.
2.2.1 Peramalan Kualitatif
Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa
pemikiran yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman
penyusunnya.
2.2.2 Peramalan Kuantitatif
Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang
dipergunakan dalam peramalan tersebut. Baik tidaknya metode yang digunakan
ditentukan oleh perbedaan antara penyimpangan hasil ramalan dengan kenyataan yang
terjadi. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut :
1. Adanya informasi masa lalu yang dapat dipergunakan.
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data.
3. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang
akan datang.
Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti
langkah-langkah atau prosedur penyusunan yang baik. Pada dasarnya ada tiga langkah-langkah
peramalan yang penting, yaitu :
1. Menganalisa data masa lalu.
2. Menentukan metode yang dipergunakan.
3. Memproyeksikan data yang lalu dengan menggunakan metode yang
2.3 Metode Peramalan
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi
pada masa depan berdasarkan data yang relevan pada masa lalu. Metode peramalan
sangat berguna untuk membantu dalam mengadakan pendekatan analisis terhadap
pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pekerjaan dan
pemecahan yang sistematis, serta memberikan tingkat keyakinan yang lebih atas
ketepatan hasil ramalan yang dibuat.
2.4 Jenis-Jenis Metode Peramalan Kuantitatif
1. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan
antara variabel yang diperkirakn dengan variabel waktu yang merupakan deret
berkala (time series). Metode peramalan yang termasuk data jenis ini adalah :
a. Metode pemulusan.
b. Metode Box – Jenkins.
c. Metode proyeksi trend dengan regresi.
2. Metode peramalan yang didasarkan atas pengunaan analisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel yang
mempengaruhinya, yang bukan waktu yang disebut metode korelasi atau sebab
akibat (metode kausal).
a. Metode regresi dan korelasi.
b. Metode ekonometri.
2.5 Pemilihan Teknik dan Metode Peramalan
Semua tipe organisasi telah menunjukkan keinginan yang meningkat untuk
mendapatkan ramalan dan menggunakan sumber daya peramalan secara lebih baik.
Dengan adanya sejumlah besar metode peramalan tersedia, maka masalah yang timbul
bagi para praktisi adalah dalam memahami bagaimana karakteristik suatu metode
peramalan akan cocok bagi situasi pengambilan keputusan tertentu.
Adapun enam faktor utama yang dapat diidentifikasikan sebagai teknik dan
metode peramalan, yaitu :
1. Horison waktu
Merupakan pemilihan yang didasarkan atas jangka waktu peramalan yaitu :
a. Peramalan yang segera dilakukan dengan waktu yang kurang dari satu bulan.
b. Peramalan jangka pendek dengan waktu antara satu sampai tiga bulan.
c. Peramalan jangka menengah dengan waktu antara tiga bulan sampai dua
tahun.
d. Peramalan jangka panjang dengan waktu dua tahun keatas.
2. Pola data
Salah satu dasar pemilihan metode peramalan adalah dengan memperhatikan pola
data. Ada empat jenis pola data mendasar yang terdapat dalam suatu deretan data yaitu
:
a. Pola Horisontal (H) terjadi bilamana data berfruktuasi disekitar nilai rata –
rata yang konstan (Deret seperti ini adalah “stasioner” terhadap nilai rata –
b. Pola Musiman (M) terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu
tertentu).
c. Pola Siklis (C) terjadi bilamana data dipengaruhi oleh fluktuasi jangka panjang
dan lebih lama dari pola musiman, lamanya berbeda dari satu siklus ke siklus
yang lain.
d. Pola Trend (T) terjadi bilamana terdapat kenaikan atau penurunan jangka
panjang dalam data.
3. Jenis dari model
Untuk mengklasifikasikan metode peramalan kuantitatif perlu diperhatikan model
yang didasarinya. Model sangat penting diperhatikan, karena masing-masing model
mempunyai fungsi yang berbeda.
4. Biaya yang dibutuhkan
Biaya yang sangat diperlukan dalam meneliti suatu objek. Yang termasuk biaya dalam
penggunaan metode peramalan antara lain, biaya penyimpanan data, biaya-biaya
perhitungan, biaya untuk menganalisis dan biaya – biaya pengembangan.
5. Ketepatan metode peramalan
Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perincian
yang dibutuhkn dalam suatu peramalan. Dalam mengambil keputusan, variasi atau
penyimpangn atas peramalan yng dilakukan antara 10% sampai 15% bagi maksud –
maksud yang diharapkan, sedangkan untuk hal atau kasus lain mungkin menganggap
bahwa danya variasi atau penyimpangan atas ramalan sebesar 5% adalh cukup
berbahaya.
Metode peramalan yang digunakan adalah metode yang mudah dimengerti dan mudah
diterapkan dalam pengambilan keputusan dan analisisnya.
2.6 Metode Deret Berkala (Time Series) Box – Jenkins (ARIMA)
Metode peramalan yang sering digunakan adalah deret waktu (time series), dimana
sejumlah observasi, diambil selama beberapa periode dan digunakan sebagai dasar
dalam penyusunan suatu ramalan untuk beberapa periode dimasa depan yang
diinginkan. Metode Box – Jenkins adalah salah satu metode untuk menganalisis
waktu.
Pada dasarnya ada dua model dari metode Box – Jenkins, yaitu model linier
untuk deret statis (Stationery Series) dan model untuk deret data yang tidak statis (Non
Stationery Series). Model-model linier untuk deret data yang statis menggunakan
teknik penyaringan (filtering) untuk deret waktu, yaitu apa yang disebut dengan
ARMA (Auto Regresive – Moving Average) untuk suatu kumpulan data. Sedangkan
untuk model yang tidak statis menggunakan apa yang disebut ARIMA (Auto
Regresive – Integrated – Moving Average).
2.7 Metode Auto Regresive (AR)
Metode autoregressive adalah model yang mengambarkan bahwa variabel dependen
dipengaruhi oleh variabel dependen itu sendiri pada periode-periode yang
sebelumnya, atau autokorelasi dapat diartikan juga sebagai korelasi linier deret
lebih. Bentuk umum model autoregressive dengan ordo p atau dituliskan dengan
AR(p) mempunyai persamaan sebagai berikut:
Yt= µ + ф1Yt-1+ ф2Yt-2+ …+фpYt-p + et
dimana:
Фi = parameter autokorelasi ke-i dengan i = 1, 2, …, p
et = nilai kesalahan pada saat t
µ = nilai konstan
persamaan umum model AR(p) dapat juga ditulis sebagai berikut:
(1 – ф1B – ф2B2 - …- фpB p) Yt = µ + et
Dalam hal ini B adalah operator mundur (Backward shift Operator), bentuk umum
operator bergerak mundur ini dapat ditulis sebagai berikut:
BdYt = Yt-d. Artinya jika operator Bd bekerja pada Yt maka menggeser data tersebut
sebanyak d periode kebelakang.
Model autoregressive yang sering dijumpai dalam praktek adalah model AR(1)
dan AR(2).
Persamaan AR(1) ditulis dengan : ( 1- ф1B)Yt = µ + et
Persamaan AR(2) ditulis dengan : ( 1- ф1B – ф2B2)Yt = µ + et
2.8 Metode Rataan Bergerak/ Moving Average (MA)
Metode Rataan Bergerak ( Moving Average) mempunyai bentuk umum dengan ordo q
atau bisa ditulis dengan MA(q) adalah sebagai berikut:
dimana: θi = Parameter dari proses rataan bergerak ke-i, i = 1, 2, 3,…, q
Yt = Variabel yang akan diramalkan
et-q = Nilai kesalahan pada saat t-q
persamaan untuk model MA(q) bila menggunakan operator penggerak mundur dapat
ditulis sebagai berikut:
Yt = µ + ( 1 – θ1B – θ2B2 - …θqBq)et
Persamaan MA (1) dapat dituliskan dengan :
Yt = µ + et – θ1et-1
= µ + (1 – θ1B)et
Persamaan MA (2) dapat dituliskan dengan :
Yt = µ + (1 – θ1B –θ2B2)et
Perbedaan model moving average dan model autoregressive terletak pada jenis
variabel independen pada model autoregressive adalah nilai sebelumnya (lag) dari
variabel dependen (Yt) itu sendiri, maka pada model moving average sebagai variabel
independen adalah nilai residual pada periode sebelumnya.
2.9 Metode Box-Jenkins
MetodeARIMA meliputi tiga tahap yang harus dilakukan secara berurutan :
1. Identifikasi parameter–parameter model dengan menggunakan metode
autokorelasi dan autokorelasi parsial.
2. Estimasi (penaksiran) komponen–komponen autoregresif (AR) dan rata–rata
bergerak (MA) untuk melihat apakah komponen–komponen tersebut secara
signifikan memberikan kontribusi pada model atau salah satunya dapat
3. Pengujian dan penerapan model untuk meramalkan series data beberapa periode
ke depan. Pada tahap ini digunakan try and error yang sangat bermanfaat untuk
meningkatkan pemahaman dalam aplikasi model ARIMA untuk memprediksi
data-data klimatologi yang berbasis time series.
2.11 Peramalan Model Box-Jenkins
Tujuan peramalan adalah untuk menduga nilai deret waktu masa yang akan datang.
Jika model yang ditetapkan meunjukan residual yang acakan, maka model itu dapat
BAB 3
ANALISA DAN EVALUASI
3.1 Studi Kasus
Dalam penyelesaian masalah diperlukan suatu data sebagai bahan penunjang dan
diharapkan mendekati masalah. Data yang diambil merupakan data suhu udara dari
bulan Januari 2002 sampai dengan bulan Desember 2007 di kota Medan.
Tabel 3.1.1. Data Suhu Udara Bulan Januari 2002-Bulan Desember 2007
BULAN TAHUN
2002 2003 2004 2005 2006 2007 JAN 26.3 26.4 26.6 28.4 26.6 26.3 FEB 26.6 26.6 26.7 27.0 27.0 26.6 MAR 27.6 27.2 27.0 27.8 27.5 27.6 APR 27.6 27.6 27.3 28.1 27.5 27.6 MEI 27.7 27.9 28.0 26.4 27.5 27.7 JUN 27.3 27.3 26.5 26.0 27.4 27.3 JUL 27.1 27.1 25.3 27.5 27.7 27.1 AGUS 27.1 26.7 26.2 27.8 27.2 27.1 SEP 26.9 26.6 25.6 25.8 25.1 26.9 OKT 26.6 26.2 25.7 26.6 26.6 26.6 NOP 26.0 26.5 26.7 26.7 26.4 26.0 DES 26.2 25.9 24.7 26.2 26.2 26.2
3.2 Analisis Plot Data Awal
Langkah pertama yang perlu dilakukan untuk menganalisis data time series adalah
membuat plot data terhadap waktu dan melakukan interpretasinsecara visual. Dengan
membuat plot data mentah, yaitu data yang akan diolah dan dianalisis, dapat dideteksi
apakah pola data mengandung unsur trend, siklik, musiman atau tidak mengandung
pola tertentu.
Gambar 3.2.1. Plot Suhu Udara Kota Medan Tahun 2002-2007
2 7 12 17
2 7 12 17
Partial Autocorrelation Function for SUHU
Gambar 3.2.3. Autokorelasi Parsial Suhu Udara Kota Medan 2002-2007
Plot data diatas memperlihatkan deret data yang tidak stasioner, maka perlu
diadakan pembedaan pertama dengan persamaan :
Wt = Xt – Xt-1
W2 = X2 – X2-1
=26,7 – 26.3
= 0,4
Tabel 3.2.1. Nilai-Nilai Pembedaan Pertama
16 0.4 34 0.1 52 0.065 70 -0.3
Gambar 3.2.4. Plot Suhu Udara dengan Menggunakan Pembedaan Pertama
2 7 12 17
2 7 12 17
Partial Autocorrelation Function for DIFF
Gambar 3.2.6. Autokorelasi Parsial Suhu Udara Menggunakan Pembedaan
Petama
Dari plot korelasi diatas terlihat bahwa ada satu koefisien korelasi diri berbeda nyata
dari nol sehingga diduga ordo dari proses MA adalah 1 (q = 1). Dari plot fungsi
korelasi diri parsial, ditentukan ordo dari proses regresi diri. Dari plot tersebut dilihat
bahwa ada satu koefisien korelasinya berbeda nyata dari nol, sehingga diduga bahwa
ordo dari AR adalah 1 (p = 1). Ssesuai dengan keterangan diatas model sementara data
yang dibedakan adalah ARIMA (1,1,1). Plot data diatas masih memperlihatkan deret
data yang tidak stasioner, maka perlu diadakan pembedaan kedua dengan persamaan :
Wt = Xt – Xt-1
W2 = X2 – X2-1
= 0,7 – 0,4
= 0,3
Tabel 3.2.2. Nilai-Nilai Pembedaan Kedua
7 1.6 25 1.3 43 1.9 61 0.3 8 -0.5 26 -0.6 44 -1.2 62 0.2 9 -2.1 27 0.2 45 -2.3 63 0.7 10 2.6 28 0 46 2.8 64 -1 11 -1.3 29 0.4 47 -0.7 65 0.1 12 0.9 30 -2.2 48 -0.6 66 -0.5 13 0 31 0.3 49 0.9 67 0.2 14 -0.1 32 2.1 50 0 68 0.2 15 0.4 33 -1.5 51 0.1 69 -0.2 16 -0.2 34 0.7 52 -0.5 70 -0.1 17 -0.1 35 0.9 53 0 71 -0.3 18 -0.9 36 -3 54 -0.1 72 0.8
10 20 30 40 50 60 70
-3 -2 -1 0 1 2
Index
D
IF
F
.2
Time Series Plot of Suhu
2 7 12 17
Gambar 3.2.8. Autokorelasi Suhu Udara Menggunakan Pembedaan Kedua
2 7 12 17
Partial Autocorrelation Function for SUHU
Gambar 3.2.9. Autokorelasi Parsial Curah Hujan Menggunakan Pembedaan
Kedua
Dari plot korelasi diatas terlihat bahwa ada satu koefisien korelasi diri berbeda
nyata dari nol sehingga diduga ordo dari proses MA adalah 1 (Q = 1). Dari plot fungsi
korelasi diri parsial, ditentukan ordo dari proses regresi diri. Dari plot tersebut dilihat
bahwa ada satu koefisien korelasinya berbeda nyata dari nol, sehingga diduga bahwa
ordo dari AR adalah 1 (P = 1). Ssesuai dengan keterangan diatas model sementara
data yang dibedakan adalah ARIMA (1,1,1). Pendugaan parameter-parameter model
Parameter Taksiran Standart Error Nilai – t
ф - 0,0280 0,1599 - 0,18
θ 0,8776 0,1057 8,30
3.3 Pengecekan Model
Model variabel dibawah ini adalah dengan pengerjaan program MINITAB untuk
menentukan taksiran konstanta, nilai standart error konstanta dan uji-t.
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -0.0280 0.1599 -0.18 0.861
MA 1 0.8776 0.1057 8.30 0.000
Constant -0.001925 0.003781 -0.51 0.613
Dalam pengujian ini akan diuji nilai taksiran konstanta terhadap nilai nol
dengan menggunakan statistik uji-t. Dengan bantuan komputer diperoleh nilai taksiran
konstanta = -0,001925 dan nilai Standar Error = 0,003781 sehingga tw = -0,001925 /
0,003781 = -0,50912 , nilai t 0,05 , 2(71) = 1,67. Ternyata nilai tw > t 0,05 , 2(71). Berarti
taksiran berbeda nyata dari nol. Jadi konstanta dimasukkan dalam model.
3.4 Peramalan
Model peramalan yang digunakan untuk data ini sesuai dengan identifikasi model
ARIMA dengan menggunakan ordo (111;111). Namun dilakukan juga pengujian
dengan metode try and error untuk mendapatkan hasil yang maksimal. Model
ARIMA yang diujikan dengan metode try and error adalah arima adalah model
ARIMA (001;100),(111;100), (000;111), (110;011).
BULAN
ORDO Data
Aktual2008 111;111 001;100 111;011 000;111 110;011
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Dari hasil penelitian data sekunder Badan Meteorologi dan Geofisika stasiun
Klimatologi Sampali Medan yang dianalisa dari bulan Januari 2002 sampai dengan
Desember 2007, dapat diambil beberapa kesimpulan sebagai berikut :
1. Berdasarkan hasil pengujian plot data aktual, menunjukkan bahwa data suhu
udara tidak stasioner. Fluktuasi data suhu udara sangat signifikan, sehingga
dilakukan pembedaan (difference) agar diperoleh data yang stasioner.
2. Hasil identifikasi model ARIMA dengan melakukan pembedaan (difference),
menunjukkan nilai ACF yang diperoleh adalah 1 dan nilai PACF adalah 1.
Sehingga menghasilkan model ARIMA (111;111).
3. Hasil korelasi data aktual dan hasil prediksi, ordo (110;100) menghasilkan
korelasi 0,514, ordo (110;001) menghasilkan korelasi 0,511, ordo (111;000)
menghasilkan korelasi 0,543, ordo (011;000) menghasilkan korelasi 0,549,
ordo (011;001) menghasilkan korelasi 0,52.
4. Berdasarkan validasi antara prediksi dan data aktual, hasil yang paling bagus
4.2 Saran
Dari hasil penelitian dan dari beberapa hasil kesimpulan dapat diambil saran-saran
sebagai berikut :
1. Untuk melakukan prediksi, sebaiknya menggunakan data time series yang
panjang agar dapat mengetahui pola dari data tersebut, sehingga dapat
diketahui apakah datanya stasioner atau tidak.
2. Perlu dilakukan pengujian ordo ARIMA dengan metode try and error untuk
smemperoleh hasil yang lebih baik.
3. Pergunakanlah program MINITAB karena program ini dapat menentukan nilai
taksiran konstanta, nilai standart error, uji-t dan matriks korelasi serta dapat
DAFTAR PUSTAKA
1. Assauri Sofyan. 1984. “Teknik dan Metoda Peramalan”. Jakarta : Penerbit
Fakultas Ekonomi Universitas Indonesia.
2. Daldjoeni N. 1986. “Pokok-Pokok Klimatologi” . Bandung : Penerbit Alumni.
3. Iriawan Nur. 2006. “Mengolah Data Statistik Dengan Mudah Menggunakan
Minitab 14”. Yogyakarta : Penerbit C.V Andi Offset.
4. Kartasapoetra Ance Gunarsih. 2004. “Klimatologi : Pengaruh Iklim”. Jakarta :
Penerbit Bumi Aksara.
5. Makridakis S, Wheelwright S.C dam Mc Gee V.E. 1993. “Metode dan Aplikasi
Peramalan”. Jakarta : Penerbit Erlangga.
6. Sosrodarsono Suyono. 2003. “Hidrologi”. Jakarta : Penerbit PT. Pradnya
Paramita.
Correlations: AKTUAL, 001;100
Pearson correlation of AKTUAL and 001;100 = 0.600 P-Value = 0.039
ARIMA Model: SUHU
ARIMA model for SUHU
Estimates at each iteration
Iteration SSE Parameters
Final Estimates of Parameters
Type Coef SE Coef T P AR 1 0.0122 0.1184 0.10 0.918 MA 1 0.8363 0.0652 12.83 0.000 SMA 12 0.8793 0.0822 10.70 0.000 Constant 0.002258 0.002332 0.97 0.335
Differencing: 1 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 107 Residuals: SS = 34.4928 (backforecasts excluded)
MS = 0.3349 DF = 103
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 4.8 16.5 29.6 44.3 DF 8 20 32 44 P-Value 0.780 0.685 0.587 0.457
Forecasts from period 120
Pearson correlation of AKTUAL and 111;011 = 0.633 P-Value = 0.027
ARIMA Model: SUHU
ARIMA model for SUHU
Estimates at each iteration
Iteration SSE Parameters Unable to reduce sum of squares any further
Final Estimates of Parameters
Type Coef SE Coef T P SAR 12 -0.0405 0.1131 -0.36 0.721 SMA 12 0.8931 0.0923 9.67 0.000 Constant 0.00106 0.01125 0.09 0.925
Differencing: 0 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 108 Residuals: SS = 32.4045 (backforecasts excluded)
MS = 0.3086 DF = 105
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 8.0 19.8 31.0 46.0 DF 9 21 33 45 P-Value 0.536 0.531 0.567 0.431
Forecasts from period 120
Pearson correlation of AKTUAL and 000;111 = 0.614 P-Value = 0.034
ARIMA Model: SUHU
ARIMA model for SUHU
Estimates at each iteration
Iteration SSE Parameters Unable to reduce sum of squares any further
Final Estimates of Parameters
Type Coef SE Coef T P
Differencing: 1 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 107 Residuals: SS = 34.4082 (backforecasts excluded)
MS = 0.3373 DF = 102
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 4.6 17.3 30.6 45.2 DF 7 19 31 43 P-Value 0.706 0.571 0.488 0.381
Forecasts from period 120
127 27.2393 26.0161 28.4626
Pearson correlation of AKTUAL and 110;011 = 0.620 P-Value = 0.032
ARIMA Model: SUHU
ARIMA model for SUHU
Estimates at each iteration
Iteration SSE Parameters Unable to reduce sum of squares any further
Final Estimates of Parameters
Type Coef SE Coef T P
Differencing: 0 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 108 Residuals: SS = 33.0678 (backforecasts excluded)
MS = 0.3210 DF = 103
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 7.3 15.1 25.6 39.3 DF 7 19 31 43 P-Value 0.395 0.714 0.742 0.631
Forecasts from period 120
DEPARTEMEN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS SUMATERA UTARA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Jl. Bioteknologi No. 1 Kampus USU Telp. (061) 8211212, 8211298, 8211414 Medan 20155
KARTU BIMBINGAN TUGAS AKHIR MAHASISWA
Nama : MHD.FADLI
Nim : 062407141
Judul Tugas Akhir : Peramalan Suhu Udara Bulanan di Kota Medan Dengan Metode Box-Jenkins.
Dosen Pembimbing : Drs. Marwan Harahap, M.Eng Tanggal Mulai Bimbingan :
Tanggal Selesai Bimbingan :
No Tanggal Asistensi Bimbingan
Pembahasan Asistensi Mengenai, Pada Bab
Paraf Dosen Pembimbing
Keterangan
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua, Pembimbing,
Dr. Saib Suwilo, M.Sc Drs. Marwan Harahap, M.Eng
SURAT KETERANGAN
Hasil Uji Program Tugas Akhir
Yang bertanda tangan dibawah ini, menerangkan bahwa Mahasiswa Tugas Akhir Program Studi Diploma III Ilmu Komputer/Statistika:
Nama : MHD.FADLI
NIM : 062407141
Program Studi : D3 Statistika
Judul TA : Peramalan Suhu Udara Bulanan di Kota Medan Dengan Metode Box-Jenkins.
Telah melaksanakan test program Tugas Akhir Mahasiswa tersebut di atas pada tanggal…../…./2009
Dengan Hasil: Sukses/Gagal
Demikian diterangkan untuk digunakan melengkapi syarat pendaftaran Ujian Meja Hijau Tugas Akhir Mahasiswa bersangkutan di Jurusan Matematika FMIPA USU Medan.
Medan,…../…../2009
Dosen Pembimbing/Kepala Lab Komputer Program D3 Ilmu Komputer/Statistika