Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
APLIKASI ARIMA DAN ARFIMA PADA DATA KONSENTRASI
BLACK CARBON PARTIKULAT UDARA HALUS
DI DAERAH LEMBANG BANDUNG
SKRIPSI
Diajukan untuk Memenuhi Sebagian dari Syarat Memperoleh Gelar Sarjana Sains pada
Program Studi Matematika
Oleh
Fitriasari Anisa
0902276
JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
APLIKASI ARIMA DAN ARFIMA PADA DATA KONSENTRASI BLACK
CARBON PARTIKULAT UDARA HALUS DI DAERAH LEMBANG BANDUNG
Oleh Fitriasari Anisa
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat untuk memperoleh gelar Sarjana Sains pada
Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Fitriasari Anisa 2013 Universitas Pendidikan Indonesia
Oktober 2013
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu Skripsi ini tidak boleh diperbanyak seluruhya atau sebagian,
dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa ijin dari penulis.
FITRIASARI ANISA
APLIKASI ARIMA DAN ARFIMA PADA DATA
YANG MENGANDUNG MISSING DATA
(Studi kasus pada data konsentrasi black carbon partikulat udara halus di daerah
Lembang Bandung)
DISETUJUI DAN DISAHKAN OLEH :
Pembimbing I:
Entit Puspita, S.Pd, M.Si
NIP. 196704081994032002
Pembimbing II
Dr. Bambang Avip Priatna M, M.Si
NIP. 196412051990031001
Mengetahui,
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Drs. Turmudi, M.Ed., M.Sc., Ph.D
i
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ABSTRAK
Time series (runtun waktu) merupakan serangkaian data pengamatan yang terjadi
berdasarkan urutan waktu. Metode Autoregressive Integrated Moving Average (ARIMA ) adalah metode yang sering digunakan untuk data yang tidak stasioner. Ada beberapa data yang tidak stasioner tetapi fungsi autokorelasi nya turun secara sangat lambat. Data seperti ini dikategorikan data yang mengandung jangka panjang (long memory) yang dapat dimodelkan menggunakan Autoregressive
Fractionally Integrated Moving Average (ARFIMA). Tujuan dari penelitian ini
adalah untuk mengatasi missing data pada data dengan menggunakan metode imputasi yaitu Multiple Imputation (MI) dengan menggunakan software Norm 2.03, selanjutnya akan dimodelkan melalui dua pendekatan yaitu model ARIMA dan ARFIMA. Hasil dari penelitian ini menunjukan model ARFIMA lebih baik dibandingkan model ARIMA. Diperoleh model terbaik yaitu model ARFIMA (0,0.4,1).
i
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ABSTRACT
Time series is the occurrence of a series of observational data based on time sequence. Autoregressive Integrated Moving Average (ARIMA ) method is a method most commonly used for not stationary data. Some data are not stationary but the autocorrelation function descreased slowly. These data are categoried as long memory time series data that can be modeled using the ARFIMA. The purpose of this study is to overcome missing data in data with Multiple Imputation (MI) method using NORM 2.03 software, then modeled by ARIMA and ARFIMA. Result from this study show ARFIMA is better than the ARIMA model. Obtained the best model is a model ARFIMA (0,0.4,1).
v
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
2.2 Fungsi Autokovarians ... 7
2.3 Stasioneritas ... 7
2.4 Fungsi Autokorelasi dan Fungsi Autokorelasi Parsial... 7
2.5 Metode Box-Jenkin’s ... 9
2.6 Model untuk Data Stasioner ... 10
2.7 Model untuk Data Nonstasioner ... 13
vi
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
BAB III MISSING OBSERVATIONS DAN PROSES RUNTUN
WAKTU JANGKA PANJANG ... 17
3.1. Missing Data ... 17
3.2. Proses Runtun Waktu Jangka Panjang ... 18
3.3. Proses ARFIMA ... 19
3.4. Pemodelan ARFIMA ... 21
3.5. Metodologi Penelitian ... 26
BAB IV STUDI KASUS ... 29
4.1 Sumber Data ... 29
4.2 Statistik Deskripsi Data ... 29
4.3 Missing Data dan Statistik Deskriptif Data ... 30
4.4 Uji Stasioneritas ... 31
4.5 Model ARIMA... 34
4.6 Model ARFIMA ... 40
4.7 Perbandingan Model Terbaik dari ARIMA dan ARFIMA ... 44
BAB V KESIMPULAN DAN SARAN ... 46
5.1 Kesimpulan ... 46
5.2 Saran ... 47
DAFTAR PUSTAKA ... 48
LAMPIRAN ... 50
vii
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
DAFTAR TABEL
Halaman
Tabel 4.1 Statistik Deskriptif data konsentrasi BC ... 30
Tabel 4.2 Statistik Deskriptif data konsentrasi BC lengkap ... 30
Tabel 4.3 Pengujian Dicky-Fuller sebelum differencing... 33
Tabel 4.4 Pengujian Dicky-Fuller setelah differencing ... 35
Tabel 4.5 Persamaan Model-Model ARIMA ... 38
Tabel 4.6 Uji Keberartian Koefisien Model Box-Jenkin’s ... 38
Tabel 4.7 Uji Kecocokan (lack of fit) ... 39
Tabel 4.8 Uji Keberartian Koefisien ... 43
Tabel 4.9 Pemilihan Model ARFIMA Terbaik ... 43
Tabel 4.10 Perbandingan Model ARIMA dan ARFIMA ... 44
viii
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
DAFTAR GAMBAR
Halaman
Gambar 4.1 Plot Box-Cox Data Konsentrasi Black Carbon ... 31
Gambar 4.2 Plot Box-Cox Data Konsentrasi BC setelah transformasi ... 32
Gambar 4.3 Plot time series data konsentrasi BC ... 32
Gambar 4.4 Fak Data Konsentrasi BC ... 33
Gambar 4.5 Fakp Data Konsentrasi BC ... 34
Gambar 4.6 Plot time series data konsentrasi BC diff 1 ... 34
Gambar 4.7 Fak Data Konsentrasi BC diff 1 ... 36
Gambar 4.8 Fakp Data Konsentrasi BC diff 1 ... 36
Gambar 4.9 Fak Data BC diff d=0.4 ... 41
ix
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Data Konsentrasi BC ... 50
Lampiran 2 Data Konsentrasi BC Interval Minggu... 55
Lampiran 3 Data Konsentrasi BC Interval Minggu Lengkap... 58
Lampiran 4 Data Konsentrasi BC setelah ditransformasi ... 61
Lampiran 5 Data Konsentrasi BC differencing 1 ... 63
Lampiran 6 Mengatasi Missing Data menggunakan Norm 2.03 ... 65
Lampiran 7 Output Minitab Estimasi Parameter Model ARIMA... 68
1
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Black carbon (BC) merupakan bentuk impuritas dari karbon hasil
pembakaran tidak sempurna bahan bakar fosil atau pembakaran biomassa.
Black carbon memiliki pengaruh yang signifikan terhadap perubahan iklim
melalui sifatnya yang mampu menyerap sinar matahari. Sumber utama BC
adalah antropogenik, termasuk pembakaran biomassa, kendaraan bermotor
(bensin dan diesel) serta sumber industri seperti pembakaran batu bara
(Lestiani at al.,2013).
Pencemar udara adalah masuknya/dimasukannya zat, energi,
dan/atau komponen lain ke dalam udara ambien oleh kegiatan manusia,
sehingga mutu udara ambien turun sampai tingkat tertentu yang
menyebabkan udara ambien tidak dapat memenuhi fungsinya (Peraturan
Pemerintah no.41, tahun 1999, pasal 1 angka 1).
Parameter utama pencemaran yang berdampak pada kesehatan
paru-paru dan jantung adalah particulat matter (PM). Partikulat udara yang
berukuran 2.5 < PM < 10 ( ) disebut atau partikulat kasar,
sedangkan partikulat udara yang berukuran 0 < PM < 2.5 ( ) disebut
atau partikulat halus. Konsentrasi BC umumnya 10-40% dari partikulat udara halus, partikulat halus ini yang dapat lolos terhirup oleh
hidung manusia sehingga mampu berpenetrasi ke dalam bagian paru-paru.
Bentuk kontribusi Teknik Analisis Nuklir (TAN) terhadap permasalahan
udara adalah dengan mengkaji kualitas udara di Indonesia. Pada penelitian
ini, BC pada ditentukan berdasarkan metode reflektansi
menggunakan alat EEL Smoke Stain Reflectometer. Pengambilan sampel
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Hasil penelitian dan pengambilan sampel tahun 2003-2009 terhadap
konsentrasi black carbon di Lembang Bandung oleh BATAN Bandung
memperlihatkan data yang cenderung stabil, untuk itu sejak 2010 tidak
dilakukan lagi penelitian dan pengambilan sampel di daerah Lembang
Bandung, dengan pertimbangan penghematan tenaga, biaya dan karena data
yang didapat memperlihatkan polusi udara yang cenderung stabil.
Dikarenakan salah satu Program BATAN adalah memonitor kualitas
udara di Indonesia maka penting untuk dapat memodelkan data konsentrasi
black carbon diseluruh daerah, diantaranya di Lembang Bandung, dengan
harapan model peramalan yang diperoleh dapat memberikan gambaran
keadaan kualitas udara Lembang Bandung setelah pengambilan sampel
tidak dilakukan lagi.
Terdapat beberapa macam metode peramalan, salah satunya adalah
Analisis Runtun Waktu. Analisis runtun waktu (time series) merupakan
serangkaian data pengamatan yang terjadi berdasarkan waktu secara
runtun, baik data dalam interval tahun, bulan, hari, jam, menit atau detik.
Peramalan dilakukan dengan menganalisis dan mencocokan model
yang sesuai dengan data yang dimiliki. Hanya saja tidak jarang data yang
dimiliki tidak lengkap, kadang ditemukan data observasi yang terlewat
atau hilang yang dikenal dengan missing observations atau missing data.
Missing data merupakan informasi yang tidak tersedia dalam
sebuah subyek atau kasus. Dalam Statistical Package for The Sosial
Science (SPSS) missing data adalah adanya sel – sel kosong pada satu atau
beberapa variabel. Banyak hal yang menyebabkan terjadi missing data,
seperti peralatan yang tidak berfungsi dengan baik, kesalahan mekanis,
penolakan dari responden untuk menjawab kuisioner, dan tidak adanya
jawaban dari setiap pertanyaan yang spesifik sehingga tidak mengetahui
variabel yang dipermasalahkan(Hutrisah, 2013).
Metode untuk mengatasi missing data secara umum dapat dibagi
3
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
estimasi parameter dari missing data, dan Imputasi. Imputasi merupakan
proses pengisian atau penggantian nilai-nilai yang mungkin (plausible
values) berdasarkan informasi yang didapatkan dari data tersebut.
Dalam Skripsi ini untuk mengatasi missing data akan digunakan
kategori multiple imputation, dengan menggunakan software Norm 2.03.
Sedangkan metode runtun waktu digunakan untuk memodelkan peramalan
yang akan datang dapat dilihat dengan memperhatikan data masa lalu dan
dilakukan pemodelan data berdasarkan identifikasi Box-Jenkins,
manggunakan plot fungsi autokorelasi (fak) dan fungsi autokorelasi parsial
(fakp).
Pada data runtun waktu yang tidak stasioner, model ARIMA
(Autoregressive Integrated Moving Average) sangat efektif untuk
digunakan. Tetapi Adakalanya, plot fak dan fakp menunjukkan pola deret
berkala jangka panjang (long memory), ini terlihat dari nilai-nilai
autokorelasi pada plot fak atau fakp turun secara lambat untuk lag yang
semakin meningkat. Identifikasi ini mengindikasikan bahwa nilai dari d
koefisien pembeda (differencing) bernilai pecahan, sehingga model yang
paling cocok adalah Model ARFIMA (Autoregressive Fractionally
Integrated Moving Average) (Darmawan, 2008).
Harus selalu diingat bahwa dalam praktek, model yang ditemukan
bukanlah model yang sebenarnya dari proses yang menghasilkan data yang
diamati, melainkan hanya merupakan pendekatan saja, sehingga
mengandung kesalahan (sesatan) baik dalam langkah identifikasi maupun
estimasi (Soejoeti, 1987). Dalam tugas akhir ini akan dilakukan
pemodelan ARIMA dan ARFIMA. Dimana untuk mengetahui model yang
terbaik adalah model yang menghasilkan sesatan (bias) terkecil.
Berdasarkan uraian di atas penulis tertarik untuk mengkaji model
runtun waktu dari data konsentrasi black carbon partikulat udara halus
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Data Konsentrasi Black Carbon Partikulat Udara Halus di Daerah
Lembang Bandung”.
1.2 Batasan Masalah
Untuk mengatasi beberapa data hilang akan digunakan software
NORM 2.03 dan pendekatan yang digunakan adalah model ARIMA dan
ARFIMA.
1.3 Rumusan Masalah
Berdasarkan latar belakang masalah yang telah diuraikan,
permasalahan yang akan diangkat pada skripsi ini adalah :
1. Bagaimana model ARIMA dan ARIFMA untuk data konsentrasi black
carbon partikulat udara halus di daerah Lembang Bandung ?
2. Bagimana perbandingan model ARIMA dan ARFIMA untuk data
konsentrasi black carbon partikulat udara halus di daerah
Lembang Bandung?
1.4 Tujuan Penulisan
Berdasarkan rumusan masalah di atas, maka tujuan pembuatan
tugas akhir ini adalah sebagai berikut :
1. Memodelkan data konsentrasi black carbon partikulat udara halus
di Lembang Bandung dengan ARIMA dan ARFIMA.
2. Mengetahui pemodelan terbaik dari data konsentrasi black carbon
partikulat udara halus di Lembang Bandung.
1.5 Manfaat Penulisan
5
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Bagi para mahasiswa diharapkan skripsi ini dapat menjadi
media pembelajaran untuk menambah pengetahuan baru,
khususnya metode mengatasi data hilang (missing observations)
dan metode untuk meramalkan data yang mengandung pola jangka
panjang (Long Memory).
Model yang didapat diharapkan dapat membaca keadaan
konsentrasi black carbon Lembang Bandung sebagai gambaran
bagi pihak BATAN setelah pengambilan sampel diberhentikan.
1.2 Manfaat Teoritis
Menambah khazanah memodelkan dari data time series
17
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB III
MISSING DATA DAN PROSES RUNTUN WAKTU
JANGKA PANJANG
3.1 Missing Data
Missing data merupakan hilangnya informasi atau data dalam suatu
subjek. Terdapat banyak hal yang menyebabkan terjadinya missing data,
yaitu dapat disebabkan salah penginputan, terkait respon dari perespon
ataupun terdapat kendala pada alat pengumpulan data.
Adapun tipe dari missing data diantaranya:
1. Missing Completely at Random (MCAR) yang berarti bahwa missing
data terjadi secara acak dari sampel lengkap,
2. Missing not at Random (MNAR) yang berarti bahwa probabilitas dari
sebuah observasi yang hilang tidak derkaitan dengan hasil observasi
lain. Sehingga nilainya tersebut berkaitan dengan dirinya sendiri, dan
3. Missing at Random (MAR) yang berarti bahwa probabilitas sebuah
observasi dari missing data biasanya berkaitan dengan informasi yang
diberikan responden dengan suatu alasan untuk tidak memberikan data.
(Donders, A.R.T at al., 2006 : 1088)
Terdapat beberapa metoda imputasi yang biasa digunakan seperti
imputasi rata-rata, imputasi maksimum maupun imputasi minimum dengan
menggunakan bantuan software SPSS. Hanya saja menurut John W.
Graham (2012:51) merekomendasikan untuk tidak pernah menggunakan
imputasi rata-rata karena memasukan rata-rata pada missing data dapat
mengurangi varians dari variabel yang bersangkutan dan dapat merusak
kovarians dan autokovariansnya. Untuk mendapatkan estimasi yang baik
pada missing data Jhon W.Graham merekomendasikan untuk menggunakan
Multiple Imputation dengan Norm 2.03 atau menggunakan Multiple
18
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Pada skripsi ini digunakan metode Multiple Imputation (MI) yang
dapat menghasilkan inferensi valid untuk missing data pada software Norm
2.03, Data Augmentatin (DA) menganggap bahwa mekanisme missing data
adalah Missing at Random (MAR) yang mana data yang hilang tidak
tergantung pada nilai data yang hilang, tetapi tergantung pada nilai data
yang teramati.
3.2 Proses runtun waktu jangka panjang
Sebuah kasus khusus dari proses runtun waktu adalah proses jangka
panjang (long memory) atau long-range dependent processes. Terdapat
berbagai definisi dari long-range dependent, namun pada intinya
berdasarkan Hall (1997) dalam (Palma, Wilfredo, 2007:39) alasan semula
konsep jangka panjang ini erat hubungannya dengan kestasioneran pada
rata-rata.
(Haslet dan Raftery, 1989) mengatakan bahwa data yang
dikategorikan sebagai data long memory ditandai dengan plot fungsi
autokorelasi (fak) yang tidak turun secara eksponensial melainkan menurun
secara sangat lambat. Fenomena long memory didalam data runtun waktu
pertama kali diperkenalkan oleh Hurst (1951, 1956). Granger dan Joyeux
(1980), serta Hosking (1981), mengembangkan model Autoregressive
Fractionally Integrated Moving Average (ARFIMA) untuk memodelkan
long memory pada data runtun waktu.
Model ARFIMA merupakan model terbaik yang dapat menjelaskan
data deret waktu baik berupa short memory maupun long memory dengan
differencing yang dapat bernilai real ( Moulines dan Soulier, 1999).
Sehingga model ARFIMA dapat mengatasi kelemahan dari model ARIMA
yang hanya dapat menjelaskan short memory dengan differencing bernilai
bilangan bulat. Berikut adalah definisi daripada proses jangka panjang dari
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Definisi 3.1
Sebuah proses dikatakan mengandung jangka panjang jika
∑ | | adalah tak hingga. (Pfaff, 2008:40)
Menurut Hall pada tahun 1997 dalam Palma (2007: 39) mengatakan
jika autokovarian suatu proses stasioner dapat dijumlahkan maka proses
tersebut memiliki proses jangka pendek Sedangkan jika autokovarian suatu
proses stasioner tidak dapat dijumlahkan (nilainya tidak terdefinisi) maka
proses tersebut memiliki proses jangka panjang.
Definisi 3.2
Misalkan adalah fungsi autokovarian pada lag ke-k
dari proses stasioner , long memory dapat didefinisikan sebagai: ∑ | | ... (3.1)
(Palma, 2007 : 40)
3.3 Proses Autoregressive Fractionally Integrated Moving Average
(ARFIMA)
Suatu deret dikatakan mengikuti model ARIMA jika penyelisihan
ke- yakni adalah proses ARMA. Jika adalah ARMA ( ,
maka adalah ARIMA( . Dalam prakteknya nilai yang digunakan
pada umumnya bernilai 1 atau paling banyak 3 (Wei, 1994).
Model Autoregresive Fractionally Integrated Moving Average
ditulis ARFIMA ( dapat memodelkan proses ketergantungan jangka
20
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
model ARIMA yaitu dan , dimana adalah parameter AR, adalah
parameter MA, sedangkan parameter pembeda berupa bilangan pecahan
, yang menyebabkan nilai-nilai fak turun secara hiperbolik. Model
ARFIMA ( yang dikenalkan oleh Granger dan Joyeux (1980) adalah
sebagai berikut,
... (3.2) Dimana,
t : indeks dari pengamatan
: parameter pembeda (bilangan pecahan)
: rata-rata dari pengamatan
: operator fraksional diferensi
berdistribusi identik independen
adalah operator
adalah operator
Untuk suatu nilai d bernilai pecahan, operator fraksional diferensi
didefinisikan sebagai berikut:
∑ ... (3.3)
Pada persamaan (3.3) untuk berbagai nilai , ekuivalen dengan:
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Spectral density adalah sebuah fungsi real positif yang variabel
frekuensi nya dihubungkan dengan fungsi deterministik dari waktu. Dalam
(Palma, 2007 : 49), spectral density dari (3.2) adalah sebagai berikut:
( )
Dimana adalah fungsi gamma, dan fungsi autokorelasi (fak) adalah:
... (3.6)
Dan fungsi autokorelasi parsial (fakp) adalah sebagai berikut:
... (3.7)
Dengan untuk ukuran n yang besar.
Menurut Boutahar dan Khalfaoui (2011), karakteristik utama dari
sebuah model ARFIMA ( ) adalah sebagai berikut,
stasioner dimana fungsi autokorelasi menurun secara hiperbolik
menuju nol.
22
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.4 Pemodelan ARFIMA
Tahapan pemodelan ARFIMA melalui metode Box-Jenkins
dilakukan melalui tahap identifikasi, estimasi, verifikasi dan peramalan.
Berikut akan dijelaskan tiap tahapan Pemodelan ARFIMA.
3.4.1 Tahap Identifikasi Model ARFIMA
Identifikasi untuk model ARFIMA dilakukan dengan
memperhatikan plot data runtun waktu untuk melihat pola data, plot
fungsi autokorelasi (fak), plot fungsi autokorelasi parsial (fakp) dan
transformasi Box-Cox untuk data yang tidak stasioner dalam varians
(Wei, 1990 ).
Proses jangka panjang diidentifikasi bukan hanya melalui
fungsi autokorelasi (fak) dan fungsi autokorelasi parsial (fakp).
Namun diperlukan juga fungsi spectral density dari proses yang
diestimasi oleh periodogram.
Pada saat kondisi rata-rata tidak stasioner dilakukan
differencing ( ) untuk menstasionerkan data, untuk proses
short memory dilakukan dengan d bernilai bilangan bulat, sedangkan
untuk proses long memory dilakukan dengan . Pada saat
kondisi varians yang tidak stasioner dilakukan transformasi data,
salah satunya dengan transformasi Box-Cox (power transformation).
3.4.2 Tahap Estimasi Parameter Model ARFIMA
Metode estimasi parameter d yang akan digunakan adalah
metode GPH (Gawake and Poter-Hudak). Metode GPH pertama kali
diusulkan oleh Geweke dan Poter-Hudak pada tahun 1983, dimana
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
regresi kuadrat terkecil yang diperoleh dari sebuah penaksiran
persamaan regresi logaritma spectral density.
Kelebihan metode GPH dibandingkan dengan yang lainnya
seperti metode Maksimum Likelihood (Sowell, 1992) dan Metode
Nonlinear Least Square (Beran, 1995) adalah fleksibilitas dalam
penaksiran parameternya. Penaksiran parameter pembeda pada
metode GPH dapat dilakukan secara langsung tanpa mengetahui
nilai parameter dan terlebih dahulu. Pendekatan dengan
maksimum likelihood berkendala pada penurunan fungsi
autokovarians dari model ARFIMA (Darmawan,2008).
Irhamah (2007) telah melakukan penelitian mengenai
perbandingan metode-metode pendugaan parameter model
ARFIMA, yaitu metode Geweke and Poter Hudak (GPH), Estimasi
Maksimum Likelihood (EML) dan Nonlinear Least Square (NLS).
Hasil dari studi ini menyatakan bahwa penduga GPH
meminimumkan bias dan AIC tetapi memaksimumkan MSE,
sedangkan penduga EML untuk adalah efisien namum
memberikan bias dan AIC maksimum. Sebaliknya penduga NLS
paling efisien untuk .
Sebagaimana yang telah diketahui sebelumnya, fungsi
24
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu ( ) ( )[ ( )]
( ) ( )[ (
)]
( ( ))
Misalkan ( ) [ ]
Karena maka [ ] dapat diabaikan, sehingga
persamaan di atas dapat ditulis kembali menjadi:
Dengan dan .
Estimasi dari parameter long memory , disimbolkan dengan
̂ , didefinisikan sebagai berikut:
̂ ∑ ( ̅) ̅
∑ ̅ ... (3.8)
Dengan ̅ ∑ dan ̅ ∑ ,
3.4.3 Tahap Verifikasi
Tahap erifikasi meliputi pengujian terhadap residual
diantaranya dilakukan pengujian residual saling bebas, mempunyai
rata-rata nol dan varians konstan. Uji yang digunakan untuk asumsi
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
residual berdistribusi normal dengan menggunakan uji kolmogorov
smirnov.
3.4.4 Tahap Peramalan Model ARFIMA
Tahapan analisis data runtun waktu selanjutnya adalah
melakukan peramalan. Penaksir terbaik dari adalah ̂ .
Teorema Dekomposisi Wold merupakan sebuah alat pokok
untuk menganalisis proses stasioner (Wold, 1938 dalam Palma,
2007).
Teorema 3.3
Beberapa proses stasioner merupakan penjumlahan dari sebuah
proses stokastik dan sebuah proses deterministik; kedua proses ini
adalah orthogonal dan dekomposisi unik.
(Palma, 2007 : 5)
Berdasarkan representasi teorema Wold, sebuah proses stokastik
stasioner dapat dituliskan sebagai berikut:
∑ ... (3.9)
Proses (1.1) dikatakan invertible, jika terdapat barisan koefisien
sedemikian sehingga:
∑ ... (3.10)
Asumsikan pada persamaan (3.10), proses dapat ditulis
sebagai:
∑ ... (3.11)
Berdasarkan persamaan (3.11), merupakan sebuah proses
invertible. Prediksi linier terbaik dari observasi adalah sebagai
berikut:
26
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Dengan konsekuensi ̂ merupakan proses dengan
rata-rata nol dan varians konstan. Sehingga dapat diketahui untuk ̂
adalah sebagai berikut:
̂ ∑ ... (3.13)
Dari persamaan (3.13) diperoleh hasil sebagai berikut,
̂ ∑ ,
̂ ∑
,
Dan seterusnya.
3.4.5 Tahap Pemilihan Model Terbaik
3.4.5.1. Mean Square Error (MSE)
Kriteria penentuan model terbaik berdasarkan residual
digunakan persamaan Mean Square Error (MSE)
... (3.14)
Dengan ∑ , merupakan banyaknya observasi
dan merupakan banyaknya parameter yang diestimasi.
3.4.5.2. Akaike’s Information Criterion (AIC)
Untuk menilai suatu kualitas dari pemilihan model,
Akaike pada tahun 1973 memperkenalkan kriteria informasi
yangg mempertimbangkan banyaknya parameter. Kriteria
tersebut dinamakan Akaike’s Information Criterion (AIC).
Dirumuskan sebagai berikut:
̂ ... (3.15) Dimana,
M : banyaknya parameter dalam model
: banyaknya observasi
̂ : estimasi dari Mean Square Error
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.5Metodologi Penelitian
3.5.1 Pengambilan Data
Data yang digunakan pada skripsi ini adalah data sekunder
yang diperoleh dari hasil penelitian di BATAN Bandung. (Lestani, et
al.,2007:331) menjelaskan bahwa Pengambilan sampel partikulat
udara dilakukan seminggu dua kali selama 24 jam menggunakan Gent
stacked filter unit sampler di lokasi sampling stasiun Badan
Meterologi dan Geofisika-BMG Lembang. Filter yang digunakan
adalah filter jenis Nuclepore polikarbonat yang berukuran dua macam
yaitu filter halus (berpori-pori 0,4 ) dan filter kasar (berpori-pori 8
). Penentuan konsentrasi dilakukan menggunakan metode gravimetri yang diperoleh dari pengurangan hasil penimbangan berat
sampel pada filter halus dengan berat filter halus kosong. Sebelum
dilakukan penimbangan, filter dikondisikan pada ruang bersih dengan
temperatur dan kelembaban maksimum kurang dari 55%.
Penentuan reflektansi dari filter sampel dilakukan menggunakan alat
EEL Smoke Stain Reflectometer, Diffusion System, Ltd, Model 43D.
Tata cara pengukuran reflektans BC menggunakan EEL smoke
stain reflectometer adalah sebagai berikut:
1. Sampel yang akan diukur harus disimpan (dikondisikan) minimal
12 jam pada kondisi yang sama dengan alat EEL Smoke Stain
Reflectometer.
2. Sampel yang akan diukur harus ditangani menggunakan pinset
yang bersih.
3. Alat dihubungkan dengan tegangan jala-jala 220-240V, tombol ON
ditekan lalu dibiarkan minimal selama ½ jam agar kondisi alat
28
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
4. Angka pada display diatur hingga menunjukan angka 00,0 dengan
memutar tombol ZERO tanpa memasang Reflectometer Lead (RL)
pada soket INPUT.
5. Kabel RL dipasang pada soket INPUT, kemudian Reflectometer
Lead (RL) diletakan di atas standar putih. Tombol COARSE atau
tombol FINE diputar hingga angka pada display menunjukan angka
100.
6. Untuk pengukuran filter halus sampel partikulat udara,
Reflectometer Lead (RL) diletakan di atas standar abu-abu,
kemudian tombol COARSE dan FINE diputar hingga angka pada
display menunjukan angka yang sesuai dengan nilai yang
didapatkan dari nilai pengukuran 5 filter halus kosong pada standar
abu-abu.
7. Untuk pengukuran filter kasar sampel partikulat udara,
Reflectometer Lead (RL) diletakan di atas standar abu-abu,
kemudian tombol COARSE dan FINE diputar hingga angka pada
display menunjukan angka yang sesuai dengan nilai yang
didapatkan dari nilai pengukuran 5 filter kasar kosong pada standar
abu-abu.
8. Sampel partikulat udara diletakan pada standar putih dengan posisi
sampel (debu) di atas, kemudian RL diletakan di atas sampel
tersebut.
9. Pengukuran dilakukan sebanyak 3 kali untuk masing-masing
sampel.
3.5.2 Statistika Deskriptif
3.5.3 Estimasi Missing Data
Metode yang digunakan untuk mengatasi missing data pada data
karakteristik black carbon partikulat udara halus di Lembang
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
bantuan software Norm 2.03. Sebagaimana telah dijelaskan pada
bagian 3.1.
3.5.4 Aplikasi Pemodelan ARIMA
Langkah-langkah pemodelan ARIMA adalah sebagai berikut:
1. Tahap Identifikasi Model
2. Tahap Estimasi Parameter
3. Tahap Verifikasi ( uji keberartian koefisien dan uji lack of fit)
4. Tahap Pemilihan Model Terbaik
3.5.5 Aplikasi Pemodelan ARFIMA
Langkah-langkah pemodelan ARFIMA hampir sama dengan
langkah-langkah pemodelan ARIMA. Perbedaannya hanya pada tahap
identifikasi, dimana untuk pemodelan ARFIMA melakukan
identifikasi long memory.
3.5.6 Pemilihan Model Terbaik
46
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Data konsentrasi black carbon partikulat udara halus di
Lembang Bandung menunjukan Plot data time series tidak stasioneran pada
rata-rata, serta fungsi autokorelasi terlihat turun secara lambat. Sehingga
dapat dimodelkan melalui pendekatan ARIMA dan ARFIMA:
a. Pendekatan aplikasi model ARIMA diperoleh model terbaiknya yaitu
ARIMA(0,1,1)
b. Pendekatan aplikasi ARFIMA diperoleh model terbaiknya yaitu
ARFIMA(0,0.4,1)
Perbandingan model ARIMA dan ARFIMA untuk data konsentrasi
black carbon partikulat udara halus di Lembang Bandung.
Tabel
Perbandingan Model ARIMA dan ARFIMA
Model AIC
ARIMA(0,1,1) 5191.37
ARFIMA(0,0.4,1) 5149,047
model ARFIMA (0,0.4,1) merupakan model terbaik untuk data konsentrasi
black carbon partikulat udara halus di Lembang Bandung yang
memiliki nilai AIC lebih kecil dibandingkan dengan model ARIMA (1,1,0) .
Model ARFIMA (0,0.4,1) dapat ditulis sebagai berikut:
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
5.2 Saran
1. Model yang telah diperoleh dapat menjadi bahan penelitian selanjutnya
untuk pembaharuan data.
2. Untuk penelitian selanjutnya dapat membandingkan keadaan hasil
pemodelan konsentrasi BC pada Lembang Bandung dengan
keadaan konsentrasi BC pada Kota Bandung
3. Untuk mengatasi missing data dapat menggunakan software lain yang
48
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
DAFTAR PUSTAKA
Agustiana,F.(2010).Perbandingan Penaksiran Pembeda (d) ARFIMA
Nonstasioner GPH dengan Modifikasi GPH (Geweke and Poter-Hudak).
Tesis Program Pasca Sarjana UNPAD Bandung: tidak diterbitkan
Boutahar,M. Dan Khalfaoui,R.(2011).Estimation of the Long Memory Parameter
in Non-Stationary Models: A simulation Study.GREQAM,version 1-23 May
2011.
Darmawan,G.(2008).Perbandingan Metode Peramalan pada Model
ARFIMA[online].Tersedia:httpml.scribd.com/doc/49757041/semnas-mipa-Matematika.
Donder, A.,Greet J.M.G, Theo Stijden dan Karnel G.M. Moon (2006). Special
Series : Missing Data [online]. Tersedia: http://os1.amc.nl/mediawiki [07
Maret 2013]
Graham,J.W,.(2012). Missing Data Analysis and Design.New York :Springer.
Grewal, M.S. and Angus, P.A.. (2001).Peramalan pembangkitan kaidah asosiasi
untuk berbagai kondisi dengan menggunakan teknik kombinasi dataset
[online]. tersedia : http: digilib.its.ac.id [07 Maret 2013]
Haslett,J and Reftery,A.E.(1989).Space-Time Modelling with Long Memory Dependence:Assesing Ireland’s Wind Power Resource[online],Vol.38(1), 50 halaman.Tersedia:http://epaa.asu.edu/epaa/v7n7.html[13 maret 2013].
Hutrisah S.M Sitohang et al. (2011). Estimasi Missing data dalam Multivariat
berdasarkan data yang teramati [online]. Tersedia: http:ejournal.unesa.ac.id
Fitriasari Anisa, 2013
Aplikasi Arima Dan Arfima Pada Data Kondentrasi Balck Carbon Partikulat Udara Halus PM2,5 Di Daerah Lembang Bandung
Lestiani,D.D.,Santoso,M. Dan Hidayat,A.(2007).Karakteristik Black Carbon
Partikulat Udara Halus di Bandung dan Lembang
2004-2005.Bandung:PTNBR-BATAN Bandung.
Moulines,E dan Soulier,P.(1999).Log Periodogram Regression of Time Series
with Long Range Dependence. Annal of Statistics,Vol 27(4),1415-1439.
Nurbaety Basmar et al. (2011). Pemodelan Residual Regresi yang mengandung
Missing Observations dan Long memory [online]. Tersedia: http:
digilib.its.ac.id [20 Februari 2013].
Palma,W.(2007).Long Memory Time Series Theory and Methods.Canada:Wiley.
Pfaff,B.(2008).Analysis of Integrated and Cointegrated Time Series with
R.Germany:Springer.
Presiden Republik Indonesia.(1999).Peraturan Pemerintah nomor 41 tahun 1999
tentang Pengendalian Pencemaran Udara [online].Tersedia:
http://jdih.menlh.go.id/pdf/ind/IND-PUU-3-1999-PP-41-1999[01 Oktober
2013]
Schafer,J.L.(1999).NORM User Guide. The Pennsylvania State University
Parameter [online].Tersedia: http://methodology.psu.edu.
Soejoeti, Zanzawi (1987).Analisis Runtun Waktu. Bandung: Jakarta; Karunika
Jakarta.
Wei,W.W.S.(1990).Time Series Analysis. Canada: Addison Wisley Publishing
Company.
Wei,W.W.S(1994).Time Series Analysis Univariate and Multivariate