peramalan curah hujan di pos hujan ledok ...repository.usd.ac.id/34914/2/151414034_full.pdftabel 2.3...
TRANSCRIPT
-
PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO
KECAMATAN TURI, DAERAH ISTIMEWA YOGYAKARTA DENGAN
METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
(ARIMA) BOX-JENKINS MENGGUNAKAN SOFTWARE EVIEWS 10
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Pendidikan
Program Studi Pendidikan Matematika
Oleh:
Christina Candra Aditya
NIM: 151414034
PROGRAM STUDI PENDIDIKAN MATEMATIKA
JURUSAN PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
i
PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO
KECAMATAN TURI, DAERAH ISTIMEWA YOGYAKARTA DENGAN
METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
(ARIMA) BOX-JENKINS MENGGUNAKAN SOFTWARE EVIEWS 10
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Pendidikan
Program Studi Pendidikan Matematika
Oleh:
Christina Candra Aditya
NIM: 151414034
PROGRAM STUDI PENDIDIKAN MATEMATIKA
JURUSAN PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
ii
SKRIPSI
PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO
KECAMATAN TURI, DAERAH ISTIMEWA YOGYAKARTA DENGAN
METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
(ARIMA) BOX-JENKINS MENGGUNAKAN SOFTWARE EVIEWS 10
Disusun oleh:
Christina Candra Aditya
NIM: 151414034
Telah disetujui oleh:
Dosen Pembimbing,
Eko Budi Santoso, S.J. S.Pd., Ph.D. Tanggal: 14 Juni 2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
iii
SKRIPSI
PERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO
KECAMATAN TURI, DAERAH ISTIMEWA YOGYAKARTA DENGAN
METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
(ARIMA) BOX-JENKINS MENGGUNAKAN SOFTWARE EVIEWS 10
Disusun oleh:
Christina Candra Aditya
NIM: 151414034
Telah dipertahankan di depan Panitia Penguji
pada tanggal 20 Juni 2019
dan dinyatakan telah memenuhi syarat
Susunan Panitia Penguji
Nama Lengkap Tanda Tangan
Ketua : ..................
Sekretaris : ..................
Anggota I : ..................
Anggota II : ..................
Anggota III : ..................
Yogyakarta, 20 Juni 2019
Fakultas Keguruan dan Ilmu Pendidikan
Universitas Sanata Dharma
Dekan,
Dr. Yohanes Harsoyo, S.Pd., M.Si.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
iv
HALAMAN PERSEMBAHAN
Dengan ucapan penuh rasa syukur, saya mempersembahkan skripsi saya ini untuk:
1. Tuhan Yesus Kristus yang selalu menemani dan menguatkan saya dalam setiap
langkah hidup saya.
2. Kedua orang tua saya, Edy Mulyono dan Endang yang selalu mendukung saya
baik motivasi, doa maupun materi dan menjadi tempat berkeluh kesah saya
selama proses pengerjaan skripsi.
3. Romo Eko Budi Santoso, S.J. S.Pd., Ph.D. sebagai dosen pembimbing saya.
4. Program Studi Pendidikan Matematika Universitas Sanata Dharma yang
memberikan kesempatan bagi saya untuk berkuliah dan menyelesaikan kuliah
Program Sarjana serta memfasilitasi selama saya berkuliah di Universitas
Sanata Dharma.
5. Partner saya, Kevin yang selalu mendukung, memotivasi dan menghibur saya
selama proses pengerjaan skripsi.
6. Sahabat-sahabat saya yang selalu menemani saat pengerjaan skripsi dan juga
menjadi tempat saya berkeluh kesah.
Dan semua pihak yang telah membantu dalam penyusunan skripsi ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
v
MOTTO
βJanganlah hendaknya kamu kuatir tentang apapun juga, tetap nyatakanlah dalam
segala hal keinginanmu kepada Allah dalam doa dan permohonan dengan ucapan
syukurβ. (Filipi 4:6)
βBerbahagialah orang yang bertahan dalam pencobaan, sebab apabila ia sudah
tahan uji, ia akan menerima mahkota kehidupan yang dijanjikan Allah kepada
barangsiapa yang mengasihi Diaβ. (Yakobus 1:12)
βSebab itu janganlah kamu kuatir akan hari besok, karena hari besok mempunyai
kesusahannya sendiri. Kesusahan sehari cukuplah untuk sehariβ.(Matius 6:34)
βPercayalah kepada Tuhan dengan segenap hatimu dan janganlah bersandar kepada
pengertianmu sendiri. Akuilah Dia dalam segala lakumu, maka Ia akan meluruskan
jalanmuβ. (Amsal 3:5-6)
βSegala perkara dapat kutanggung di dalam Dia yang memberi kekuatan
kepadakuβ. (Filipi 4:13)
βBersukacitalah dalam pengharapan, sabarlah dalam kesesakan dan bertekunlah
dalam doa!β. (Roma 12:12)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
vi
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang telah saya tulis ini
tidak memuat karya atau bagian karya dari orang lain, kecuali yang telah disebutkan
dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.
Yogyakarta, 20 Juni 2019
Penulis,
Christina Candra Aditya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
vii
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPERLUAN AKADEMIS
Yang bertandatangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Christina Candra Aditya
Nomor Induk Mahasiswa : 151414034
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan
Universitas Sanata Dharma karya ilmiah saya yang berjudul:
βPERAMALAN CURAH HUJAN DI POS HUJAN LEDOK NONGKO
KECAMATAN TURI, DAERAH ISTIMEWA YOGYAKARTA DENGAN
METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
(ARIMA) BOX-JENKINS MENGGUNAKAN SOFTWARE EVIEWS 10β
Dengan demikian, saya memberikan hak sepenuhnya kepada Perpustakaan
Universitas Sanata Dharma untuk menyimpan, mengalihkan dalam bentuk media
lain, mengolahnya dalam bentuk pangkalan data, mendistribusikan secara terbatas
dan mempublikasinya di internet atau media lain untuk kepentingan akademis tanpa
perlu meminta izin dari saya maupun memberikan royalti kepada saya selama tetap
mencantumkan nama saya sebagai peneliti.
Demikian pernyataan ini saya buat dengan sebenar-benarnya.
Yogyakarta, 20 Juni 2019
Yang menyatakan,
Christina Candra Aditya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
viii
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa atas rahmat dan karunia-Nya,
peneliti dapat menyelesaikan tugas akhir yang berjudul βPeramalan Curah Hujan
di Pos Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta
dengan Metode Autoregressive Integrated Moving Average (Arima) Box-
Jenkins Menggunakan Software Eviews 10β. Tugas akhir ini sebagai syarat
memperoleh gelar sarjana pendidikan Program Studi Pendidikan Matematika
Universitas Sanata Dharma.
Peneliti menyadari bahwa banyak pihak yang membantu dalam penyelesaian
tugas akhir ini. Tanpa pihak tersebut, peneliti tidak dapat menyelesaikan tugas akhir
ini dengan baik. Oleh sebab itu, peneliti ingin mengucapkan terima kasih kepada
pihak-pihak tersebut, yaitu:
1. Bapak Dr. Yohanes Harsoyo S.Pd, M.Si., sebagai Dekan Fakultas Keguruan
dan Ilmu Pendidikan.
2. Bapak Beni Utomo M.Sc sebagai Ketua Program Studi Pendidikan
Matematika.
3. Romo Eko Budi Santoso, S.J. S.Pd., Ph.D. sebagai dosen pembimbing skripsi
peneliti yang telah merelakan diri untuk meluangkan waktu, tenaga serta
pikiran untuk membimbing peneliti dalam menyelesaikan tugas akhir ini.
4. Segenap dosen Program Studi Pendidikan Matematika Universitas Sanata
Dharma yang telah memberikan bekal kepada peneliti selama mengikuti
perkuliahan di Universitas Sanata Dharma.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
ix
5. Segenap staf sekretariat JPMIPA yang telah banyak membantu peneliti selama
berkuliah di Program Studi Pendidikan Matematika Universitas Sanata
Dharma.
6. Kedua orang tua, Bapak Silvester Edi Mulyono dan Ibu Endang Setyowati
yang selalu memberikan doa dan motivasi kepada peneliti selama proses
penelitian skripsi ini.
7. Kornelius Septiawan Kevin Supriyanto yang sudah memberikan doa dan
dukungan sehingga peneliti dapat menyelesaikan skripsi ini.
8. Teman-teman Pendidikan Matematika angkatan 2015 yang telah memberikan
semangat bagi peneliti selama proses penyelesaian skripsi ini.
Tugas akhir ini masih banyak kekurangan. Walaupun demikian, peneliti
berharap hasil penelitian ini dapat menjadi acuan dan referensi bagi peneliti lain.
Semoga tulisan ini dapat digunakan dengan sebaik-baiknya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
x
DAFTAR ISI
HALAMAN JUDUL ....................................................................................... i
LEMBAR PERSETUJUAN PEMBIMBING ................................................ ii
LEMBAR PENGESAHAN .......................................................................... iii
HALAMAN PERSEMBAHAN ................................................................... iv
MOTTO ......................................................................................................... v
LEMBAR PERNYATAAN KEASLIAN KARYA TULIS ......................... vi
LEMBAR PERNYATAAN PUBLIKASI KARYA TULIS ....................... vii
KATA PENGANTAR ................................................................................ viii
DAFTAR ISI .................................................................................................. x
DAFTAR TABEL ........................................................................................ xii
DAFTAR GAMBAR .................................................................................. xiii
DAFTAR LAMPIRAN ................................................................................ xv
DAFTAR SIMBOL ..................................................................................... xvi
ABSTRAK ................................................................................................. xvii
ABSTRACT ................................................................................................ xviii
BAB I PENDAHULUAN .............................................................................. 1
A. Latar Belakang Masalah ..................................................................... 1
B. Rumusan Masalah .............................................................................. 3
C. Pembatasan Masalah .......................................................................... 4
D. Tujuan Penelitian ............................................................................... 4
E. Manfaat Penelitian ............................................................................. 4
F. Jenis Penelitian ................................................................................... 5
G. Sistematika Penelitian ........................................................................ 5
BAB II LANDASAN TEORI ........................................................................ 6
A. Konsep Hujan ..................................................................................... 6
B. Runtun Waktu .................................................................................. 11
C. Analisis Runtun Waktu .................................................................... 13
D. Metode Autoregrresive Integrated Moving Averagre (ARIMA) ..... 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xi
E. Tahap-Tahap Peramalan ARIMA .................................................... 17
F. Penelitian yang Sejenis .................................................................... 33
BAB III METODE KEGIATAN ................................................................. 35
A. Objek Penelitian ............................................................................... 35
B. Metode dan Desain Penelitian .......................................................... 35
C. Teknik Pengumpulan Data ............................................................... 35
D. Waktu dan Tempat Penelitian .......................................................... 36
E. Teknik Analisis Data pada Software EVIews 10.............................. 36
BAB IV HASIL DAN PEMBAHASAN ..................................................... 58
A. Statistik Deskriptif Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, Daerah Istimewa Yogyakarta........................................... 58
B. Peramalan Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, Daerah Istimewa Yogyakarta........................................... 60
BAB V KESIMPULAN DAN SARAN ....................................................... 73
A. Kesimpulan ...................................................................................... 73
B. Saran ................................................................................................. 74
DAFTAR PUSTAKA .................................................................................. 75
LAMPIRAN ................................................................................................. 77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xii
DAFTAR TABEL
Tabel 2.1 Data Curah Hujan di Pos Hujan Ledok Nongko Kec.Turi
Daerah Istimewa Yogyakarta ............................................................ 11
Tabel 2.2 Data Runtun Waktu Penjualan Sepeda Motor Honda
CBR150R, Yamaha R15 dan Suzuki GSX-R150 di Indonesia
pada Tahun 2017 ............................................................................... ..12
Tabel 2.3 Nilai Ulangan Matematika Kelas 8A .................................................. 13
Tabel 2.4 Daerah Penerimaan dan Estimasi Awal Beberapa Proses ................... 23
Tabel 4.1 Data Curah Hujan di Pos Hujan Ledok Nongko, Kec.Turi
Daerah Istimewa Yogyakarta Tahun 2005-2014 ............................... 59
Tabel 4.2 Statistik Deskriptif Curah Hujan di Pos Hujan Ledok
Nongko, Kec.Turi, Daerah Istimewa Yogyakarta .............................. 59
Tabel 4.3 Uji Stasionaritas dengan Uji ADF ....................................................... 61
Tabel 4.4 Uji Stasionaritas dengan Uji PP .......................................................... 63
Tabel 4.5 Uji Stasionaritas dengan Uji KPSS ..................................................... 64
Tabel 4.6 Nilai P-Value Masing-Masing Model ARIMA .................................. 67
Tabel 4.7 Kesimpulan Kandidat Model ARIMA Tahap Estimasi Parameter ..... 68
Tabel 4.8 Nilai P-Value Masing-Masing Model ................................................. 69
Tabel 4.9 Uji Kenormalan Residual Model ARIMA ......................................... 69
Tabel 4.10 AIC dan SC pada Model MA(14) dan MA(22) .................................. 71
Tabel 4.11`Data Peramalan Curah Hujan (mm) di Pos Hujan Ledok Nongko,
nnnnnnnnnDIY Tahun 2005-2015 ......................................................................... 71
Tabel 5.1 Hasil Peramalan Data Curah Hujan Tahun 2015 ................................ 73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xiii
DAFTAR GAMBAR
Gambar 2.1 Pola Curah Hujan Ekuatorial....................................................... 7
Gambar 2.2 Pola Curah Hujan Monsoon ........................................................ 8
Gambar 2.3 Pola Curah Hujan Lokal .............................................................. 9
Gambar 2.4 Pluviometer Standar .................................................................. 10
Gambar 2.5 Algoritma Sederhana Analisis Runtun Waktu .......................... 18
Gambar 2.6 Algoritma Tahap-Tahap Peramalan ARIMA ............................ 32
Gambar 3.1 Ikon Software EViews 10 .......................................................... 39
Gambar 3.2 Halaman Awal Software EViews 10 ......................................... 40
Gambar 3.3 Workfile Create EViews 10 ....................................................... 40
Gambar 3.4 Lembar Kerja EViews 10 .......................................................... 41
Gambar 3.5 Data Curah Hujan Telah Dimasukkan dalam Lembar Kerja
EViews 10 ................................................................................. 42
Gambar 3.6 Grafik Data Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, DIY Tahun 2005-2014 .............................................. 42
Gambar 3.7 Workfile UNTITLED ................................................................ 43
Gambar 3.8 Tampilan Lembar Kerja curah_hujan ....................................... 43
Gambar 3.9 Membuka Lembar Kerja Unit Root Test ................................... 44
Gambar 3.10 Kotak Dialog Unit Root Test .................................................... 44
Gambar 3.11 Tabel Uji Stasionaritas dengan Uji ADF .................................. 45
Gambar 3.12 Tabel Uji Stasionaritas dengan Uji PP ...................................... 46
Gambar 3.13 Tabel Uji Stasionaritas dengan Uji KPSS ................................. 47
Gambar 3.14 Membuka Correlogram Specification ....................................... 48
Gambar 3.15 Pilih Level pada Kotak Dialog Correlogram Specification ..... 48
Gambar 3.16 ACF dan PACF pada Correlogram ........................................... 49
Gambar 3.17 Membuka Equation Estimation ................................................. 50
Gambar 3.18 Kotak Dialog Equation Estimation pada AR(1) ....................... 50
Gambar 3.19 Tabel Estimasi Parameter pada Model AR(1).......................... 51
Gambar 3.20 Kotak Dialog Equation Estimation pada MA(1) ........................ 52
Gambar 3.21 Tabel Estimasi Parameter pada Model AR(1)............................ 52
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xiv
Gambar 3.22 Uji Kenormalan Residual pada Model MA(22) .......................... 53
Gambar 3.23 Uji Kenormalan Residual pada Model MA(14) .......................... 53
Gambar 3.24 Tabel Uji Independensi Residual pada Model MA(22) .............. 54
Gambar 3.25 Tabel Uji Independensi Residual pada Model MA(14) .............. 54
Gambar 3.26 Tabel Estimasi Parameter pada Model MA(22) .......................... 55
Gambar 3.27 Tabel Estimasi Parameter pada Model MA(14) .......................... 55
Gambar 3.28 Kotak Dialog Workfile Structure ............................................... 56
Gambar 3.29 Kotak Dialog Forecast ................................................................. 57
Gambar 3.30 Grafik Forecasting&Actuals ....................................................... 57
Gambar 4.1 Diagram Curah Hujan di Pos Hujan Ledok Nongko
Kec.Turi, DIY ............................................................................. 58
Gambar 4.2 Penjelasan ACF dan PACF ......................................................... 65
Gambar 4.3 Grafik Data Aktual dan Data Peramalan Data Curah Hujan di
Pos Hujan Ledok Nongko, Kec.Turi, DIY Tahun 2005-2014 ..... 72
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xv
DAFTAR LAMPIRAN
Lampiran 4.6 Tabel Hasil Uji Signifikansi Model ARIMA Menggunakan
Sofware EViews 10 ................................................................74
Lampiran 4.7 Tabel Hasil Uji Signifikansi Model ARIMA Menggunakan
Sofware EViews 10 ................................................................77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xvi
DAFTAR SIMBOL
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
ππ‘βπ = data pada waktu π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘, π‘ = 1,2,3, β¦ , π
πΌπ‘βπ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
β 0 = konstanta model Autoregressive (AR)
β π = koefisien dari ππ‘βπ pada model Autoregressive (AR)
π0 = konstanta model Moving Average (MA)
ππ = koefisien dari πΌπ‘βπ pada model Moving Average (MA)
π = galat (error) pada uji stasionaritas
π = lag (baris pada Auto Correlation Function (ACF) dan pada Partial Auto
nnCorrelation Function (PACF))
π = lag maksimal pada ACF dan PACF
ππ = korelasi antara ππ‘ dan ππ‘βπ pada Auto Correlation Function (ACF)
β ππ = himpunan autokorelasi parsial untuk berbagai lag-π pada Partial Auto
nnCorrelation Function (PACF)
ππ(π) = residual autokorelasi lag-k
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xvii
ABSTRAK
Christina Candra Aditya. 2019. Peramalan Curah Hujan di Pos Hujan Ledok
Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta dengan Metode
Autoregressive Integrated Moving Average (ARIMA) Box-Jenkins
Menggunakan Software Eviews 10. Skripsi. Program Studi Pendidikan
Matematika, Jurusan Pendidikan Matematika dan Ilmu Pengetahuan Alam,
Fakultas Keguruan dan Ilmu Pendidikan, Universitas Sanata Dharma.
Indonesia merupakan negara kepulauan yang terletak di daerah khatulistiwa.
Karena Indonesia dikelilingi oleh lautan maka di banyak daerah memiliki potensi
curah hujan yang tinggi. Ketika musim hujan, curah hujan yang tinggi tersebut
mengakibatkan bencana banjir pada daerah-daerah tersebut. Oleh karena itu,
peneliti berpendapat bahwa ketepatan dalam memperkirakan curah hujan menjadi
sesuatu yang penting untuk menghindari kerugian material maupun hilangnya jiwa
manusia akibat bencana tersebut. Salah satu metode peramalan yang dapat
digunakan adalah metode Autoregressive Integrated Moving Average (ARIMA)
seperti yang digunakan dalam penelitian ini.
Penelitian ini bertujuan untuk mendapatkan model terbaik yang dibentuk dari
data curah hujan dari tahun 2005 sampai dengan tahun 2014 dan untuk memprediksi
curah hujan pada tahun 2015 di Pos Hujan Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta. Jenis penelitian yang digunakan dalam penelitian ini
adalah studi pustaka.
Ada empat tahap yang dilakukan pada peramalan menggunakan metode
ARIMA, yaitu identifikasi model, estimasi parameter, verifikasi model, dan
peramalan. Berdasarkan tahapan-tahapan yang dilakukan, peneliti menyimpulkan
bahwa model ARIMA terbaik dari data curah hujan dari tahun 2005 sampai dengan
tahun 2014 di Pos Hujan Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa
Yogyakarta adalah model MA(14). Grafik yang terbentuk dari data aktual dan data
peramalan menunjukkan kemiripan. Pada hasil peramalan tahun 2015, curah hujan
tertinggi akan terjadi pada bulan Agustus dengan perkiraan sebesar 240 milimeter.
Sedangkan pada bulan Maret, September, Oktober, November, dan Desember, data
peramalan menunjukkan bahwa tidak ada hujan. Rata-rata curah hujan pada tahun
2015 yang diamati dari Pos Hujan Ledok Nongko, Kecamatan Turi, Daerah
Istimewa Yogyakarta adalah 84,25 milimeter.
Kata kunci: Data curah hujan, ARIMA, Runtun Waktu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
xviii
ABSTRACT
Christina Candra Aditya. 2019.Rainfall Forecasting at Ledok Nongko Rain
Post, Turi District, Special Region of Yogyakarta with Autoregressive
Integrated Moving Average (ARIMA) Box-Jenkins Method using EViews 10
Software. Unergraduate Thesis. Mathematics Education Study Program,
Department of Mathematics and Sciences Education, Faculty of Teacher
Training and Education, Sanata Dharma University.
Indonesia is an archipelago that located in the equator. Because Indonesia is
surrounded by oceans, in many areas there is a high potential for rainfall. During
the rainy season, the high rainfall can cause a flood in these areas. Therefore, the
researchers argue that the accuracy in estimating rainfall is important to avoid
material losses and loss of human lives due to the disaster. One of the forecasting
methods that can be used is Autoregressive Integrated Moving Average (ARIMA)
method as used in this research.
The purposes of this research are to obtain the best model rainfall data from
2005 to 2014 and to forecast rainfall in 2015 at Ledok Nongko Rain Post, Turi
District, Special Region of Yogyakarta. The type of research is library research.
There are four steps to forecast using ARIMA method, that are model
identification, parameter stimation, model verification and forecasting. Based on
the steps, researchers concluded that the best ARIMAβs model of rainfall data from
2005 to 2014 at the Ledok Nongko rain post, Turi District, Special Region of
Yogyakarta is MA(14). Graph from actual data an forcasting data is similarities.
The results of forecasting in 2015 are the highest rainfall will occur on August with
an estimate of 240 milimeters and on march, September, October, November and
December, data forecasting show that there is no rain. The average rainfall in 2015
at Ledok Nongko post rain, Turi District, Special Region of Yogyakarta is 84,25
milimeters.
Keywords: Rainfall data, ARIMA, Time Series
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
1
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Indonesia merupakan negara kepulauan yang terletak di daerah
khatulistiwa. Karena Indonesia dikelilingi oleh lautan maka di banyak daerah
memiliki potensi curah hujan yang tinggi. Ketika musim hujan, curah hujan
yang tinggi tersebut mengakibatkan bencana banjir pada daerah-daerah
tersebut. Oleh karena itu, peneliti berpendapat bahwa ketepatan dalam
memperkirakan curah hujan menjadi sesuatu yang penting untuk menghindari
kerugian material maupun hilangnya jiwa manusia akibat bencana tersebut.
Curah hujan merupakan jumlah air yang jatuh ke permukaan bumi
secara horisontal yang diukur dengan satuan tinggi milimeter (ππ). Curah
hujan satu milimeter adalah banyaknya air hujan yang tertampung dalam suatu
tempat yang datar dengan luasan 1 meter persegi dan setinggi satu milimeter.
Curah hujan juga diartikan sebagai ketinggian air hujan yang terkumpul pada
tempat yang datar yang dihitung di saat air hujan tidak menguap, tidak meresap
dan tidak mengalir. Salah satu aspek yang mempengaruhi curah hujan adalah
ketinggian daerah. Karena Indonesia memiliki ketinggian daerah yang
berbeda-beda, maka bervariasi pulalah angka curah hujan di Indonesia.
Selain dipengaruhi oleh ketinggian lokasi, aspek lain yang kini
mempengaruhi curah hujan adalah pemanasan global. Pemanasan global
menjadi penyebab kacaunya periode musim hujan dan musim kemarau. Hal ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
2
berakibat pada sulitnya memprediksi kapan dimulainya musim hujan dan
musim kemarau. Hal itu berakibat langsung pada sistem pola tanam dan
produksi pertanian serta persediaan pangan. Data curah hujan termasuk dalam
kategori data runtun waktu. Data runtun waktu merupakan barisan data hasil
observasi yang dilakukan pada waktu tertentu. Curah hujan masuk ke dalam
data runtun waktu karena data curah hujan merupakan data yang dapat
diobservasi dan observasi tersebut dapat dilakukan pada waktu-waktu tertentu.
Penelitian ini dilakukan di Pos Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta. Kecamatan Turi di Daerah Istimewa Yogyakarta
merupakan daerah yang memiliki potensi unggulan dalam komoditi pertanian
salak pondoh. Waktu tanam bibit salak pondoh adalah pada awal musim
penghujan. Para petani salak di Kecamatan Turi, Daerah Istimewa Yogyakarta
seringkali mengalami gagal panen akibat hujan, seperti contohnya pada berita
di antaranews.com hari Jumat tanggal 21 Juni 2013, petani salak di daerah Turi
mengalami gagal panen akibat guyuran hujan dengan intensitas tinggi dalam
beberapa waktu yang menyebabkan proses penyerbukan tidak optimal. Oleh
sebab itu, peneliti memandang perlu adanya metode matematika untuk
mengantisipasi terjadinya kejadian-kejadian alam yang ekstrim. Peneliti
merasa perlu adanya metode matematika untuk melakukan analisis frekuensi
curah hujan.
Untuk melalukan peramalan curah hujan, peneliti menggunakan
metode Autoregressive Integrated Moving Average (ARIMA) Box-Jenkins.
Metode ARIMA Box-Jenkins banyak digunakan dalam peramalan-peramalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
3
karena ARIMA memiliki sifat yang fleksibel (mengikuti pola data), memiliki
tingkat akurasi peramalan yang cukup tinggi dan cocok digunakan untuk
meramal sejumlah variabel dengan cepat, sederhana, akurat karena hanya
memerlukan data historis untuk melakukan peramalannya. Peramalan dalam
penelitian ini juga dibantu oleh software EViews 10. EViews merupakan
program berbasis Windows yang dapat digunakan untuk ekonometrika data
runtun waktu atau data time series, membuat model peramalan, statistik
inferensial yang sederhana, analisis deskriptif bahkan analisis multivariat.
Penelitian ini akan membuat model untuk peramalan curah hujan tahun
2015 berdasarkan data curah hujan tahun 2005 sampai dengan 2014 dari Pos
Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta dengan
menggunakan software EViews 10.
B. Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, masalah-masalah yang
akan dibahas dalam penelitian ini adalah sebagai berikut:
1. Bagaimana model ARIMA terbaik yang dibentuk dari data curah hujan dari
tahun 2005-2014 di Pos Hujan Ledok Nongko, Kecamatan Turi, Sleman,
Daerah Istimewa Yogyakarta?
2. Bagaimana prediksi curah hujan pada tahun 2015 di Pos Hujan Ledok
Nongko, Kecamatan Turi, Sleman, Daerah Istimewa Yogyakarta?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
4
C. Pembatasan Masalah
Masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut:
1. Model ARIMA yang digunakan adalah model Box-Jenkins dengan
menggunakan software EViews 10.
2. Model ARIMA hanya digunakan untuk memprediksi curah hujan di Pos
Hujan Ledok Nongko, Kecamatan Turi, Sleman, Daerah Istimewa
Yogyakarta pada tahun 2015.
D. Tujuan Penelitian
Tujuan yang ingin dicapai oleh peneliti adalah untuk:
1. Mendapatkan model ARIMA terbaik yang dibentuk dari data curah hujan
dari tahun 2005-2014 di Pos Hujan Ledok Nongko, Kecamatan Turi,
Sleman, Daerah Istimewa Yogyakarta.
2. Memprediksi curah hujan pada tahun 2015 di Pos Hujan Ledok Nongko,
Kecamatan Turi, Sleman, Daerah Istimewa Yogyakarta.
E. Manfaat Penelitian
Manfaat dari penelitian tugas akhir ini adalah sebgai berikut:
Informasi prediksi curah hujan sangat bermanfaat dalam berbagai bidang,
misal bidang perhubungan. Informasi mengenai curah hujan dapat membantu
pilot untuk mengambil tindakan selama proses penerbangan. Bidang lainnya
adalah bidang pertanian, agar para petani dapat memprediksi pola tanam.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
5
F. Jenis Penelitian
Jenis penelitian yang digunakan peneliti dalam penyusunan tugas akhir
yaitu studi pustaka. Studi pustaka yaitu jenis penelitian dengan mempelajari
buku atau jurnal ilmiah yang membahas mengenai topik tertentu. Penelitian ini
menggunakan jenis penelitian studi pustaka dengan mempelajari buku dan
jurnal ilmiah yang membahas mengenai curah hujan dan metode ARIMA Box-
Jenkins serta pengaplikasiannya menggunakan software EViews 10.
G. Sistematika Penelitian
Skripsi ini terdiri atas lima bab. Bab I merupakan pendahuluan yang
membahas latar belakang, rumusan masalah, tujuan dan manfaat penelitian
serta jenis penelitian. Pada bab II, didiskusikan konsep-konsep dasar yang
dipakai dalam penelitian ini, yaitu tentanng curah hujan, data runtun waktu,
analisis data runtun waktu, dan metode Autoregressive Integrated Moving
Average (ARIMA) serta tahap-tahapnya. Pada bab III, peneliti membicarakan
objek, metode, dan desain penelitian serta teknik pengolahan data, waktu dan
tempat penelitian. Pada akhir bab ini, peneliti mendiskusikan teknik analisis
data metode ARIMA dengan menggunakan software EViews 10. Bab IV
mendeskripsikan hasil penelitian. Akhirnya, kesimpulan penelitian dan saran
untuk penelitian berikutnya dituliskan dalam bab V.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
6
BAB II
LANDASAN TEORI
A. Konsep Hujan
1. Pengertian Curah Hujan
Hujan adalah peristiwa jatuhnya butiran-butiran air dalam bentuk
cair atau padat menuju bumi (Hestiyanto, 2006). Banyak sedikitnya hujan
yang turun ke bumi disebut curah hujan dan dihitung dengan mengukur air
yang ditampung pada sebuah permukaan yang datar seluas satu meter
persegi. Dengan demikian curah hujan satu milimeter (1 ππ) adalah
banyaknya air hujan yang tertampung dalam suatu tempat yang datar
dengan luasan 1 meter persegi (1π2) setinggi satu milimeter. Dalam
pengukuran curah hujan, diasumsikan bahwa air hujan yang terkumpul
pada tempat yang datar tersebut tidak menguap, tidak meresap, dan tidak
mengalir.
Besarnya curah hujan dipengaruhi oleh beberapa faktor, misalnya
arus udara, besar kecilnya perairan atau daratan, intensitas panas matahari,
ketinggian tempat, dan pengaruh polusi asap pabrik serta kendaraan
bermotor. Semakin tinggi suatu tempat, misalnya, maka kuantitas hujan
pun akan semakin rendah karena suhu yang rendah akan mengurangi
penguapan di tempat tersebut. Karena Indonesia memiliki ketinggian
daerah yang berbeda-beda, maka bervariasi pulalah curah hujan di
Indonesia.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
7
2. Pola Curah Hujan di Indonesia
Berdasarkan faktor-faktor yang menentukan curah hujan, maka
curah hujan di Indonesia dapat dibedakan menjadi tiga pola (Hestiyanto,
2006) yaitu Pola Ekuatorial, Pola Monsoon dan Pola Lokal.
a. Pola Ekuatorial ialah pola hujan yang terjadi di sekitar khatulistiwa.
Pola ekuatorial dicirikan oleh tipe curah hujan dengan bentuk
bimodial (dua puncak hujan) yang biasanya terjadi sekitar bulan Maret
dan Oktober atau pada saat terjadi ekinoks yaitu saat posisi matahari
berada di ekuator. Pola ini ditemukan di daerah Nangroe Aceh
Darussalam (NAD), Sumatera Utara, Sumatera Barat, Riau, Jambi,
Sumatera Selatan, Bengkulu, Kalimantan Barat dan Kalimantan
Tengah.
Gambar 2.1 Pola Curah Hujan Ekuatorial
(https://1.bp.blogspot.com/_SJHzAop4PKs/TEBvA05HkCI/A
AAAAAAAA0Y/_futhEswmHU/s1600/equatorial+type.jpg)
b. Pola Monsoon ialah pola hujan yang ditentukan oleh monsoon barat
dan monsoon timur. Tipe curah hujan ini bersifat unimodial atau satu
puncak musim hujan yang terjadi karena monsoon barat. Monsoon
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
https://1.bp.blogspot.com/_SJHzAop4PKs/TEBvA05HkCI/AAAAAAAAA0Y/_futhEswmHU/s1600/equatorial+type.jpghttps://1.bp.blogspot.com/_SJHzAop4PKs/TEBvA05HkCI/AAAAAAAAA0Y/_futhEswmHU/s1600/equatorial+type.jpg
-
8
barat mengakibatkan musim hujan pada wilayah tersebut sedangkan
monsoon timur mengakibatkan musim kemarau. Pola ini terdapat di
daerah Lampung, Jawa Barat, Jawa Tengah, Daerah Istimewa
Yogyakarta (DIY), Jawa Timur, Bali, Nusa Tenggara Barat (NTB),
Nusa Tenggara Timur (NTT), Kalimantan Selatan dan Sulawesi
Selatan.
Gambar 2.2 Pola Curah Hujan Monsoon
(https://2.bp.blogspot.com/_SJHzAop4PKs/TEBvAhJRiKI/AAA
AAAAAA0Q/pENHZUUxk6Q/s1600/monsoon+type.jpg)
c. Pola Lokal ialah pola hujan yang wilayahnya memiliki distribusi
hujan bulanan kebalikan dengan pola monsoon. Pola lokal dicirikan
oleh bentuk pola hujan unimodial (satu puncak hujan) tetapi
bentuknya berlawanan dengan tipe hujan monsoon. Pola ini terdapat
di daerah Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah,
Sulawesi Tenggara, Maluku dan Papua.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
9
Gambar 2.3 Pola Curah Hujan Lokal
(https://3.bp.blogspot.com/_SJHzAop4PKs/TEBvAAD8vGI/AAA
AAAAAA0I/ZgKK8FHFbsM/s1600/local+type.jpg)
3. Pengaruh Curah Hujan
Karena curah hujan adalah banyaknya hujan yang turun pada suatu
tempat, maka besar kecilnya curah hujan pasti akan berpengaruh pada
tempat tersebut atau sekitarnya. Misalnya, curah hujan yang tinggi di
daerah Bogor akan mengakibatkan banjir di Kota Jakarta. Curah hujan
yang tinggi di daerah Bandung, akan mengakibatkan banjir di Bandung
bagian selatan. Sebaliknya, rendahnya curah hujan pada suatu kawasan
akan mengakibatkan kawasan tersebut mengalami kekeringan.
Tinggi rendahnya curah hujan tidak hanya berpengaruh pada
sedikit atau banyaknya persediaan air di suatu daerah. Curah hujan juga
memiliki pengaruh yang lebih luas. Misalnya, rendahnya curah hujan tidak
hanya mengakibatkan kekeringan, tetapi lebih dari itu, bisa menyebabkan
bencana kebakaran hutan yang memiliki akibat sangat luas. Kekeringan
juga mengakibatkan rendah produk pertanian. Hal yang sama juga berlaku
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
10
jika curah hujan terlalu tinggi. Bencana alam seperti banjir, longsor, dan
gagal panen juga terjadi karena curah hujan yang terlalu tinggi.
4. Metode Pengukuran Curah Hujan
Alat yang dipergunakan untuk mengukur jumlah curah hujan
disebut pluviometer atau penakar hujan (rain gauge). Beberapa jenis satu
alat penakar hujan diperlihatkan dalam gambar 2.4. Seperti telah dibahas
di depan, angka-angka pada penakar hujan tersebut menunjukkan
ketinggian curah hujan dalam milimeter, yang berarti ketinggian air hujan
yang tertampung pada bidang datar 1 meter persegi dengan tinggi 1
milimeter.
Gambar 2.4 Pluviometer Standar
(https://id.wikipedia.org/wiki/Pluviometer)
Pengukuran curah hujan biasanya dilakukan pada pukul 07.00
waktu setempat. Karena dalam pengukuran tidak selalu didapatkan angka
bulat, maka harus dilakukan pembulatan dengan cara pembulatan ke
bawah jika kurang dari 0.5 milimeter dan pembulatan ke atas jika lebih
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
https://id.wikipedia.org/wiki/Pluviometer
-
11
dari atau sama dengan 0.5 milimeter (Tjasyono, 1999). Dengan demikian,
data curah hujan selalu merupakan bilangan bulat. Sebagai ilustrasi, Tabel
2.1 berikut menyajikan curah hujan rerata bulanan di Ledok Nongko
Kecamatan Turi, Sleman, Daerah Istimewa Yogyakarta pada tahun 2014.
Tabel 2.1 Data Curah Hujan di Pos Hujan
Ledok Nongko, Kec. Turi Tahun 2014
Bulan Banyaknya Curah
Hujan (mm)
Januari 338
Februari 362
Maret 202
April 259
Mei 125
Juni 171
Juli 91
Agustus 3
September 0
Oktober 3
November 448
Desember 190
Jumlah Curah
Hujan
dalam 1 tahun
2.192
B. Runtun Waktu
Dalam pembahasan bagian A telah didiskusikan data curah hujan pada
suatu kawasan. Data pada Tabel 2.1 merupakan himpunan observasi curah
hujan selama tahun 2014 di Pos Hujan Ledok Nongko, Kecamatan Turi,
Daerah Istimewa Yogyakarta. Data-data tersebut disebut dengan data runtun
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
12
waktu (time series). Jadi, runtun waktu didefinisikan sebagai barisan hasil
observasi yang dilakukan pada waktu tertentu (Box, et al., 2016: 1). Semua
bentuk hasil observasi yang dinyatakan sebagai sebuah barisan berdasarkan
urutan waku tertentu bisa dikatakan sebagai data runtun waktu. Menurut Box
et. al., himpunan data tersebut bisa berupa data harian, bulanan, atau tahunan,
misal banyaknya kecelakaan lalu lintas bulanan atau perubahan reaksi kimia
yang diobservasi setiap jam. Data runtun waktu bisa termasuk dalam bidang
ekonomi, bisnis, teknik, ilmu alam (khususnya meteorologi dan geofisika),
juga ilmu-ilmu sosial. Tabel 2.2 berikut menyajikan data penjualan sepeda
motor Honda CBR150R, Yamaha R15, dan Suzuki GSX-R150 di Indonesia
pada tahun 2017.
Tabel 2.2 Data Runtun Waktu Penjualan Sepeda Motor Honda
CBR150R, Yamaha R15, dan Suzuki GSX-R150 di Indonesia Pada
Tahun 2017
Honda CBR 150 Yamaha R15 Suzuki GSX-R150
Jan-17 7.513 2.116 1.552
Feb-17 7.568 2.268 4.128
Mar-17 5.591 1.697 1.954
Apr-17 5.139 5.820 1.633
Mei-17 7.241 8.474 3.897
Jun-17 4.062 2.932 3.779
Jul-17 6.338 4.656 3.622
Agu-17 6.497 5.837 2.371
Sep-17 7.613 6.250 2.317
Okt-17 6.053 5.530 1.497
Nov-17 4.942 2.375 927
Des-17 3.662 2.791 1.323
Jan-18 4.642 5.061 2.330
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
13
Perlu diperhatikan bahwa tidak semua data hasil observasi bisa
dikategorikan sebagai runtun waktu. Tabel 2.3 berikut, yang merupakan nilai
ulangan sebuah kelas, diurutkan dari nilai tertinggi, bukan merupakan data
runtun waktu.
Tabel 2.3 Nilai Ulangan Matematika
Kelas 8A
Nama Nilai
Akbar 100
Budi 100
Chika 98
Dodi 96
Ema 96
Fani 90
Gita 84
Hana 82
Ian 80
C. Analisis Runtun Waktu
Dalam tabel 2.1 diberikan data curah hujan selama tahun 2014 di Pos
Hujan Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta. Data-
data tersebut tidak hanya disimpan sebagai data laporan saja. Data-data tersebut
bisa digunakan untuk memprediksi curah hujan pada waktu-waktu yang akan
datang. Tentu saja, semakin banyak data yang pernah tercatat akan membantu
untuk mendapatkan sebuah model yang baik untuk meramalkan curah hujan.
Proses ini biasa disebut sebagai analisis runtun waktu. Dengan demikian,
analisis runtun waktu, menurut Box et.al (2016), adalah pengolahan data
runtun waktu untuk melakukan prediksi pada waktu yang akan datang. Analisis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
14
runtun waktu bisa diaplikasikan pada beberapa bidang, misalnya untuk
meramalkan curah hujan atau meramalkan penjualan sebuah produk.
Peramalan suatu data runtun waktu memiliki empat tipe atau pola yaitu
pola horizontal, pola trend, pola musiman dan pola siklis (Hanke dan Wichren,
2005: 158). Pola horizontal adalah peramalan yang dilakukan pada kejadian
tidak terduga dan bersifat acak tetapi kemunculannya dapat mempengaruhi
fluktuasi data runtun waktu. Selanjutnya, adalah pola trend yang digunakan
dalam peramalan jangka panjang dapat berupa kenaikan maupun penurunan.
Pola musiman adalah peramalan yang dilakukan pada data yang terjadi secara
periodik dalam kurun waktu tahunan, triwulan, kuartalan, bulanan, mingguan
maupun harian. Sedangkan pola siklis merupakan fluktuasi dari data untuk
waktu yang lebih dari satu tahun. Data runtun waktu yang berkaitan dengan
curah hujan termasuk dalam pola periodik.
D. Metode Autoregressive Integrated Moving Average (ARIMA)
Ada beberapa analisis runtun waktu yang dipergunakan untuk
memperkirakan data pada waktu yang akan datang. Pemilihan metode analisis
runtun waktu salah satunya ditentukan oleh pola data (horizontal, trend,
musiman atau siklis). Metode paling sederhana adalah dengan analisis regresi.
Metode analisis regresi biasanya cocok untuk data trend. Namun, metode
tersebut tidak mencukupi untuk analisis data runtun waktu yang kompleks.
Salah satu metode yang banyak dipakai dalam peramalan dikembangkan oleh
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
15
Box dan Jenkins yang diberi nama metode Autoregressive Integrated Moving
Average (ARIMA).
ARIMA adalah salah satu metode analisis data runtun waktu yang
diperkenalkan pada tahun 1930-1940 oleh insinyur mesin Norbert Wiener
(Nau, 2014). Pada tahun 1970an dua statiskawan George Box dan Gwilym
Jenkins mengembangkan metode tersebut pada bidang bisnis dan ekonomi.
Metode ini sekarang dikenal dengan nama Model Box-Jenkins. Tujuan dari
metode ARIMA adalah menentukan hubungan statistik yang baik antar
variabel yang diramal dengan historis variabel-variabel tersebut. ARIMA
sangat baik untuk peramalan jangka pendek namun kurang baik dalam
peramalan jangka panjang karena biasanya akan cenderung flat
(mendatar/konstan). ARIMA merupakan analisis data dependen karena untuk
melakukan peramalan ARIMA menggunakan data masa lalu (ππ‘β1) dan data
sekarang (ππ‘) untuk menghasilkan ramalan jangka pendek yang akurat.
Bentuk umum dari ARIMA adalah ARIMA(p,d,q). Tiga unsur dalam
ARIMA(p,d,q) adalah AR(p), I(d) dan MA(q), dimana p,d,q merupakan
bilangan bulat tidak negatif. Nilai p merupakan derajat autoregresi (lags of the
stationarized series), nilai d merupakan derajat integrasi (series which needs to
be differenced to be made stationary) dan nilai q merupakan kesalahan
perkiraan (lags of the forecast errors). ARIMA(p,d,q) memiliki tiga klasifikasi
model yaitu AR(p), MA(q) dan ARMA(p,q).
Berikut ini merupakan beberapa contoh bentuk khusus dari persamaan
AR(p), MA(q) dan ARMA(p,q):
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
16
1. Autoregressive Model (AR(p))
ππ‘ = β 0 + β 1ππ‘β1 + β 2ππ‘β2 + β― + β πππ‘βπ + πΌπ‘
Keterangan:
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
ππ‘βπ = data pada waktu π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
β 0 = konstanta model Autoregressive (AR)
β π = koefisien dari ππ‘βπ pada model Autoregressive (AR)
Bentuk khusus dari persamaan Autoregressive Model (AR(p)), antara lain:
a. Model AR(1): ππ‘ = β 0 + β 1ππ‘β1 + πΌπ‘
b. Model AR(2): ππ‘ = β 0 + β 1ππ‘β1 + β 2ππ‘β2 + πΌπ‘
c. Model AR(3): ππ‘ = β 0 + β 1ππ‘β1 + β 2ππ‘β2 + β 3ππ‘β3 + πΌπ‘
d. Model AR(4): ππ‘ = β 0 + β 1ππ‘β1 + β 2ππ‘β2 + β 3ππ‘β3 + β 4ππ‘β4 + πΌπ‘
2. Moving Average Model (MA(q))
ππ‘ = π0 + πΌπ‘ β π1πΌπ‘β1 β π2πΌπ‘β2 β β― β πππΌπ‘βπ
Keterangan:
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
πΌπ‘βπ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
π0 = konstanta model Moving Average Model (MA(q))
ππ = koefisien dari ππ‘βπ pada Moving Average Model (MA(q))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
17
Bentuk khusus dari persamaan Moving Average Model (MA(q)), antara
lain:
a. Model MA(1): ππ‘ = β 0 + πΌπ‘ β β 1πΌπ‘β1
b. Model MA(2): ππ‘ = β 0 + πΌπ‘ β β 1πΌπ‘β1 β π2πΌπ‘β2
c. Model MA(3): ππ‘ = β 0 + πΌπ‘ β β 1πΌπ‘β1 β π2πΌπ‘β2 β π3πΌπ‘β3
d. Model MA(4): ππ‘ = β 0 + πΌπ‘ β β 1πΌπ‘β1 β π2πΌπ‘β2 β π3πΌπ‘β3 β π4πΌπ‘β4
3. Autoregressive Moving Average (ARMA(p,q))
ππ‘ = β 0 + β 1ππ‘β1 + β¦ + β πππ‘βπ + πΌπ‘ β π1πΌπ‘β1 β β― β πππΌπ‘βπ
Keterangan:
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
ππ‘βπ = data pada waktu π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘βπ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
β 0 = konstanta model Autoregressive (AR)
β π = koefisien dari ππ‘βπ pada model Autoregressive (AR)
ππ = koefisien dari πΌπ‘βπ pada model Moving Average (MA)
Bentuk khusus dari persamaan Moving Average Model (MA(q)), antara
lain Model ARMA(1,1): ππ‘ = β 0 + β 1ππ‘β1 + πΌπ‘ β β 1πΌπ‘β1
E. Tahap-Tahap Peramalan ARIMA
Jika digambarkan dengan sebuah gambar secara sederhana, maka
tahap-tahap peramalan ARIMA diperlihatkan pada Gambar 2.5 di bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
18
Ada Model Yang Memenuhi Tidak Ada Model Yang Memenuhi
Gambar 2.5. Algoritma Analisis Runtun Waktu
Adapun penjelasan dari masing-masing tahap adalah sebagai berikut.
1. Identifikasi Model
Pada tahap identifikasi model, ada dua uji yang dilakukan yaitu uji
stasionaritas dan uji korelasi. Data dikatakan stasioner jika fluktuasi data
berada di sekitar rata-rata nilai yang konstan dan variansi data dari waktu
ke waktu mempunyai fluktuasi yang tetap atau konstan. Stasioner atau
tidaknya data dapat dilihat dengan grafik yang terbentuk. Namun, untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
19
lebih pastinya ada beberapa cara yang dapat dilakukan antara lain dengan
menggunakan ADF (Augmented Dickey-Fuller), PP (Philips-Perron) dan
KPSS (Kwiatkowski-Philips-Schmidt-Shin).
a. ADF (Augmented Dickey-Fuller)
ADF adalah pengembangan versi pengujian Dickey-Fuller. Uji ini
dilakukan dengan menggunakan persamaan sebagai berikut (Enders,
1995):
βππ‘ = πΌ0 + πΌ1ππ‘β1 + β πΌπβππ‘β1 + ππ‘
π
π=1
Keterangan:
πΌπ = parameter (π = 1,2,3, β¦ , π)
π‘ = waktu trend variabel
π = galat (error)
Langkah-langkah hipotesis dengan menggunakan uji ADF
(Augmented Dickey-Fuller) adalah sebagai berikut:
a) Menentukan π»0 dan π»π
π»0 = Data Unit Root Test (data tidak stasioner)
π»π = Data tidak Unit Root Test (data stasioner)
b) Menentukan tingkat signifikansi (πΌ)
πΌ = 0,05
c) Menentukan nilai statistik uji
Nilai |π΄π·πΉ| dan nilai |π‘ β π π‘ππ‘ππ π‘πππ |
d) Menentukan Wilayah Kritis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
20
|π΄π·πΉ| < |π‘ β π π‘ππ‘ππ π‘πππ |
e) Menghitung nilai statistik uji
f) Kesimpulan
b. PP (Philips-Perron)
Pengujian ini diperkenalkan oleh Philips dan Perron dengan membuat
beberapa modifikasi pada t-statistic dan Dickey-Fuller.
Persamaannya adalah (Enders, 1995):
βππ‘ = πΌ0 + πΌ1ππ‘β1 + ππ‘
Keterangan:
πΌ0, πΌ1 = parameter
π‘ = waktu trend variabel
π = galat (error)
Langkah-langkah hipotesis dengan menggunakan uji PP (Philips-
Perron) adalah sebagai berikut:
a) Menentukan π»0 dan π»π
π»0 = Data Unit Root Test (data tidak stasioner)
π»π = Data tidak Unit Root Test (data stasioner)
b) Menentukan tingkat signifikansi (πΌ)
πΌ = 0,05
c) Menentukan nilai statistik uji
Nilai |ππ| dan nilai |π‘ β π π‘ππ‘ππ π‘πππ |
d) Menentukan Wilayah Kritis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
21
|ππ| < |π‘ β π π‘ππ‘ππ π‘πππ |
e) Menghitung nilai statistik uji
f) Kesimpulan
c. KPSS (Kwiatkowski-Philips-Schmidt-Shin)
KPSS juga dapat digunakan untuk menguji stasioner atau
nonstasioner data, dengan persamaan (Pani, 2010):
ππ‘ = πΌ0 + ππ‘
Keterangan:
πΌ0 = parameter
π‘ = waktu tren variabel
π = galat
Langkah-langkah hipotesis dengan menggunakan uji KPSS
(Kwiatkowski-Philips-Schmidt-Shin) adalah sebagai berikut:
1) Menentukan π»0 dan π»π
π»0 = Data Unit Root Test (data tidak stasioner)
π»π = Data tidak Unit Root Test (data stasioner)
2) Menentukan tingkat signifikansi (πΌ)
πΌ = 0,05
3) Menentukan nilai statistik uji
Nilai |πΎπππ| dan nilai |π‘ β π π‘ππ‘ππ π‘πππ |
4) Menentukan Wilayah Kritis
|πΎπππ| > |π‘ β π π‘ππ‘ππ π‘πππ |
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
22
5) Menghitung nilai statistik uji
6) Kesimpulan
Jika uji stasionaritas menemukan bahwa data belum stasioner,
maka harus dilakukan differencing. Differencing merupakan transformasi
data dimana data sekarang (ππ‘) dikurangi dengan data sebelumnya (ππ‘β1)
sehingga mendapatkan data yang baru. Jika data yang baru sudah stasioner
maka diperoleh d=1 yang artinya untuk memperoleh data yang stasioner
diperlukan satu differencing. Jika pada differencing pertama data belum
stasioner, maka perlu dilakukan differencing kedua (d=2), ketiga dan
seterusnya hingga data menjadi stasioner. Jika data sudah stasioner tanpa
differencing maka nilai d=0. Banyaknya differencing pada uji
stasioneritas ini nantinya akan berpengaruh pada I(d) di ARIMA(p,d,q).
Jika data sudah stasioner, maka selanjutnya akan dilakukan uji
korelasi. Uji Korelasi dilakukan dengan cara menentukan ACF dan PACF
seperti berikut.
a. Auto Correlation Function (ACF)
ACF atau korelasi antara ππ‘ dan ππ‘βπ dinotasikan dengan ππ. Secara
matematis sebagai berikut (Cryer, 2008):
ππ =β (ππ‘ β οΏ½Μ οΏ½)(ππ‘βπ β οΏ½Μ οΏ½)
ππ‘=π+1
β (ππ‘ β οΏ½Μ οΏ½)2ππ‘=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
23
b. Partial Auto Correlation Function (PACF)
PACF dinotasikan dengan {β ππ; π = 1,2,3, β¦ } yaitu himpunan
autokorelasi parsial untuk berbagai lag-k yang secara matematis dapat
dituliskan sebagai berikut:
β ππ =ππββ β πβ1,πππβπ
πβ1π=1
1ββ β πβ1,ππππβ1π=1
dan,
β ππ = β πβ1,π β β ππβ πβ1,πβπ untuk π = 1,2, β¦ , π β 1
Jika sudah ditentukan nilai ACF dan PACFnya maka maka
langkah-langkah selanjutnya adalah menetapkan kandidat model AR, MA,
ARMATabel 2.4 menunjukkan daerah penerimaan dan estimasi awal
beberapa proses menurut Soejoeti(1987: 5), yaitu:
Tabel 2.4 Daerah Penerimaan dan Estimasi Awal Beberapa Proses
Proses ACF PACF
AR(1) β1 < π1 < 1 β 0 = π1
AR(2)
β1 < π1 < 1
111 <
1
1(π2 + 1)
β 10 =11111111
11111
β 20 =11111
1
11111
MA(1) β0,5 < π1 < 0,5 β 0 =
111111111Μ Μ Μ Μ Μ Μ Μ Μ Μ
111
ARMA(1,1) 2π1|π1| < π2 < |π1| β 0 =
1111
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
24
β 0 =11β1111
1 dengan
π = 1 β 2π2 + β 11
dan tandanya dipilih
untuk menjamin
|β 0| < 1
Model AR(p), MA(q) dan ARMA(p,q) memiliki persamaan umum
sebagai berikut:
a. Model Autoregressive atau AR(p)
AR(p) adalah model linear yang paling dasar untuk proses yang
stasioner. Persamaan umum AR(p) adalah sebagai berikut:
ππ‘ = β 0 + β 1ππ‘β1 + β 2ππ‘β2 + β― + β πππ‘βπ + πΌπ‘
Keterangan:
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
ππ‘βπ = data pada waktu π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘ , π‘ = 1,2,3, β¦ , π
β 0 = konstanta model Autoregressive (AR)
β π = koefisien dari ππ‘βπ pada model Autoregressive (AR)
b. Persamaan umum MA(q) adalah sebagai berikut:
ππ‘ = π0 + πΌπ‘ β π1πΌπ‘β1 β π2πΌπ‘β2 β β― β πππΌπ‘βπ
Keterangan:
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
πΌπ‘βπ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘, π‘ = 1,2,3, β¦ , π
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
25
π0 = konstanta model Moving Average (MA)
ππ = koefisien dari πΌπ‘βπ pada model Moving Average (MA)
c. Model Autoregressive Moving Average atau ARMA(π, π)
Model ini merupakan gabungan dari AR(p) dan MA(q). Bentuk umum
dari model ARMA(π, π) adalah sebagai berikut:
ππ‘ = β 0 + β 1ππ‘β1 + β¦ + β πππ‘βπ + πΌπ‘ β π1πΌπ‘β1 β β― β πππΌπ‘βπ
Keterangan:
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
ππ‘βπ = data pada waktu π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘βπ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘, π‘ = 1,2,3, β¦ , π
β 0 = konstanta model Autoregressive (AR)
β π = koefisien dari ππ‘βπ pada model Autoregressive (AR)
ππ = koefisien dari πΌπ‘βπ pada model Moving Average (MA)
Jika untuk menstasionerkan data diperlukan differencing maka
model yang dipakai adalah ARIMA (p,d,q) dengan persamaan sebagai
berikut:
ππ‘ = β 1ππ‘β1 + β 2ππ‘β2 + β― + β πππ‘βπ + πΌπ‘ + π1πΌπ‘β1 + β―
+ πππΌπβ1
Keterangan:
ππ‘ = data pada waktu π‘, π‘ = 1,2,3, β¦ , π
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
26
ππ‘βπ = data pada waktu π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘βπ = error pada periode π‘ β π, π = 1,2,3, β¦ , π
πΌπ‘ = error pada periode π‘, π‘ = 1,2,3, β¦ , π
β 0 = konstanta model Autoregressive (AR)
β π = koefisien dari ππ‘βπ pada model Autoregressive (AR)
ππ = koefisien dari πΌπ‘βπ pada model Moving Average (MA)
2. Estimasi Parameter
Setelah identifikasi model, langkah selanjutnya yang dilakukan
adalah mengestimasi parameter atau taksiran model. Pada langkah ini akan
dipilih model yang terbaik atau paling efisien untuk parameter-parameter
dalam model. Model yang terbaik adalah model yang memiliki jumlah
kuadrat kekeliruan (error) minimum. Setelah itu, asil estimasi diuji apakah
signifikan atau belum dengan membandingkan p-value dengan πΌ.
Jumlah kuadrat kekeliruan (error) persamaan time series analog
persamaan jumlah kuadrat error pada regresi linear sederhana (Sembiring,
2003). Adapun persamaan regresi sederhana adalah sebagai berikut:
οΏ½ΜοΏ½π = πΌ + π½π₯π; π = 1,2,3, β¦ , π
Sedangkan persamaan jumlah kuadrat error regresi linear
sederhana adalah sebagai berikut:
π½ = β ππ2 = β(π¦π β οΏ½ΜοΏ½π)
2
π
π=1
π
π=1
; π = 1,2,3, β¦ , π
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
27
Sedangkan persamaan jumlah kuadrat error time series adalah
sebagai berikut:
οΏ½ΜοΏ½π‘ = β 0 + β 1ππ‘β1
Jika pada persamaan regresi sederhana π₯π diganti dengan ππ‘β1, π½
diganti dengan β 1, π¦π diganti dengan ππ‘ dan πΌ diganti dengan β 0, maka
persamaan menjadi:
οΏ½ΜοΏ½π‘ = β 0 + β 1ππ‘β1; π‘ = 1,2,3, β¦ , π
Kemudian jika pada persamaan jumlah kuadrat error regresi linear
sederhana π¦π diganti dengan ππ‘ dan ππ diganti dengan πΌπ‘, maka persamaan
menjadi:
π½ = β πΌπ‘2 = β(ππ‘ β οΏ½ΜοΏ½π‘)
2
π
π‘=1
π
π‘=1
, π‘ = 1,2,3, β¦ , π
Dengan mendistribusikan persamaan οΏ½ΜοΏ½π‘ = β 0 + β 1ππ‘β1 ke
persamaan π½ = β πΌπ‘2 = β (ππ‘ β οΏ½ΜοΏ½π‘)
2ππ‘=1
ππ‘=1 , maka persamaan baru yang
diperoleh adalah:
π½ = β πΌπ‘2 = β(ππ‘ β β 0 β β 1ππ‘β1)
2
π
π‘=1
π
π‘=1
Meminimumkan kuadrat error berarti menurunkan β 0 dan β 1 pada
persamaan.
a. Menurunkan β 0
ππ½
πβ 0= 0
π
πβ 0β(ππ‘ β β 0 β β 1ππ‘β1)
2
π
π‘=1
= 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
28
2 β(ππ‘ β β 0 β β 1ππ‘β1)(β1)
π
π‘=1
= 0
β2 β(ππ‘ β β 0 β β 1ππ‘β1)
π
π‘=1
= 0
β(ππ‘ β β 0 β β 1ππ‘β1)
π
π‘=1
= 0
β ππ‘ β
π
π‘=1
β β 0
π
π‘=1
β β 1 β ππ‘β1
π
π‘=1
= 0
β ππ‘ β
π
π‘=1
πβ 0 β β 1 β ππ‘β1
π
π‘=1
= 0
πβ 0 = β ππ‘ β
π
π‘=1
β 1 β ππ‘β1
π
π‘=1
β 0 =β ππ‘ β
ππ‘=1 β 1 β ππ‘β1
ππ‘=1
π
β 0 = ποΏ½Μ οΏ½ β β 1οΏ½Μ οΏ½π‘β1
b. Menurunkan β 1
ππ½
πβ 1= 0
π
πβ 1β(ππ‘ β β 0 β β 1ππ‘β1)
2
π
π‘=1
= 0
2 β(ππ‘ β β 0 β β 1ππ‘β1)(βππ‘β1)
π
π‘=1
= 0
β2 β(ππ‘ β β 0 β β 1ππ‘β1)(ππ‘β1)
π
π‘=1
= 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
29
β(ππ‘ β β 0 β β 1ππ‘β1)(ππ‘β1)
π
π‘=1
= 0
β(ππ‘ππ‘β1 β β 0ππ‘β1 β β 1ππ‘β12)
π
π‘=1
= 0
β ππ‘ππ‘β1
π
π‘=1
β β 0 β ππ‘β1
π
π‘=1
β β 1 β ππ‘β12
π
π‘=1
= 0
β ππ‘ππ‘β1
π
π‘=1
β (β ππ‘ β
ππ‘=1 β 1 β ππ‘β1
ππ‘=1
π) β ππ‘β1
π
π‘=1
β β 1 β ππ‘β12
π
π‘=1
= 0
β ππ‘ππ‘β1
π
π‘=1
β (β ππ‘
ππ‘=1
πβ ππ‘β1
π
π‘=1
β β 1β ππ‘β1
ππ‘=1
πβ ππ‘β1
π
π‘=1
) β β 1 β ππ‘β12
π
π‘=1
= 0
β ππ‘ππ‘β1
π
π‘=1
ββ ππ‘
ππ‘=1 β ππ‘β1
ππ‘=1
π+ β 1
β ππ‘β1ππ‘=1 β ππ‘β1
ππ‘=1
πβ β 1 β ππ‘β1
2
π
π‘=1
= 0
β 1β ππ‘β1
ππ‘=1 β ππ‘β1
ππ‘=1
πβ β 1 β ππ‘β1
2
π
π‘=1
= β β ππ‘ππ‘β1
π
π‘=1
+β ππ‘
ππ‘=1 β ππ‘β1
ππ‘=1
π
β 1 (β ππ‘β1
ππ‘=1 β ππ‘β1
ππ‘=1
πβ β ππ‘β1
2
π
π‘=1
) = β β ππ‘ππ‘β1
π
π‘=1
+β ππ‘
ππ‘=1 β ππ‘β1
ππ‘=1
π
β 1 =β β ππ‘ππ‘β1
ππ‘=1 +
β ππ‘ππ‘=1 β ππ‘β1
ππ‘=1
πβ ππ‘β1
ππ‘=1 β ππ‘β1
ππ‘=1
π ββ ππ‘β1
2ππ‘=1
Pada tahap ini, nilai koefisien-koefisien pada masing-masing
model yang diduga menjadi model terbaik akan diuji signifikasinya
dengan langkah-langkah hipotesis sebagai berikut:
1) Menentukan π»0 dan π»π
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
30
π»0 = parameter tidak signifikan
π»π = parameter signifikan
2) Menentukan tingkat signifikansi (πΌ)
πΌ = 0,05
3) Menentukan nilai P-value
4) Menentukan Wilayah Kritis
π β ππππ’π < πΌ
5) Kesimpulan
Jika π β ππππ’π < πΌ maka π»0 ditolak, yang artinya parameter
signifikan.
3. Verifikasi Model
Pada tahap verifikasi model dilakukan dua uji yaitu uji
independensi residual dan uji kenormalan residual.
a. Uji Independensi Residual
Uji ini dilakukan untuk mendeteksi independensi antar residual.
Dapat dilihat dari ACF dan PACF residual. Independensi residual
dapat juga dilihat pada kerandoman residual. Kerandoman residual
dapat diuji dengan uji statistik seperti di bawah ini.
π = π(π + 2) βππ
2(π)
π β π
π
π=1
Langkah-langkah uji hipotesis pada independensi residual adalah
sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
31
1) Menentukan π»0 dan π»π
π»0 = residual adalah acak
π»π = residual tidak acak
2) Menentukan tingkat signifikansi (πΌ)
πΌ = 0,05
3) Menentukan nilai P-value
4) Menentukan Wilayah Kritis
π β ππππ’π < πΌ
5) Kesimpulan
Jika π β ππππ’π < πΌ maka π»0 ditolak, yang artinya residual acak.
b. Uji Kenormalan Residual
Hal ini dilakukan dengan cara melihat nilai MSE (Mean Squared
Error) dari model lain yang memiliki kemungkinan cocok dengan
data. Jika nilai MSE (Mean Squared Error) hampir sama maka pilih
model yang paling sederhana (prinsip parsimony). Tetapi, jika terjadi
perbedaan yang cukup besar, maka dipilih model dengan MSE (Mean
Squared Error) yang terkecil. Adapun rumus MSE (Mean Squared
Error) adalah sebagai berikut:
πππΈ =β(ππ‘ β οΏ½ΜοΏ½π‘)
2
π
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
32
4. Peramalan atau forecasting
Peramalan atau forecasting adalah perkiraan yang akan terjadi pada
waktu yang akan datang. Peramalan atau forecasting merupakan salah satu
unsur yang sangat penting dalam mengambil keputusan sebab efektif tidaknya
suatu keputusan juga didasarkan pada peramalan. Pada peralaman ada dua jenis
data yaitu data training dan data testing. Data training yaitu peramalan dengan
menggunakan data aktual. Sedangkan, data testing yaitu peramalan yang tidak
menggunakan data aktual tetapi menggunakan data training untuk melakukan
peralaman. Kedua jenis data ini nantinya akan digunakan dalam peramalan atau
forecasting. Algoritma tahap-tahap peramalan ARIMA disajikan pada Gambar
2.6.
Gambar 2.6 Algoritma Tahap-Tahap Peramalan ARIMA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
33
Jika data yang diolah menghasilkan model yang memenuhi semua tahap-tahap
peramalan ARIMA, maka model tersebut merupakan model terbaik.
Selanjutnya adalah melakukan peramalan dengan menggunakan persamaan
umum model terbaik yang disesuaikan dengan nilai p,d atau q.
F. Penelitian yang Sejenis
Beberapa penelitian yang relevan dengan penelitian ini adalah sebagai berikut:
1. Penelitian dengan judul βVerifikasi Model ARIMA Musiman
Menggunakan Peta Kendali Moving Range (Studi Kasus: Kecepatan Rata-
Rata Angin di BMKG Stasiun Meteorologi Maritim Semarangβ oleh Kiki
Febri Azriati, Abdul Hoyyi dan Moch. Abdul Mukid. Dalam penelitian ini,
Azriati, Hoyyi dan Mukid menentukan model ARIMA musiman yang dapat
digunakan untuk peramalan kecepatan rata-rata angin di wilayah Pelabuhan
Tanjung Mas Semarang pada tahun 2014. Mereka menggunakan data rata-
rata kecepatan angin di wilayah tersebut mulai bulan Januari 2008 sampai
dengan bulan Desember 2013.
2. Penelitian yang berjudul βPenggunaan Metode ARIMA dalam Meramal
Pergerakan Inflasiβ oleh Hartati tahun 2017. Dalam penelitian ini, Hartati
menggunakan metode Autoregressive Integrated Moving Average
(ARIMA) untuk mendapatkan model peramalan terhadap inflasi di
Indonesia. Data yang digunakan adalah data inflasi dari bulan Februari 2011
sampai dengan Februari 2016.
3. Penelitian dengan judul βModel Autoregrresive Moving Average (ARMA)
untuk Prediksi Curah Hujan di Kabupaten Semarang-Jawa Tengah-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
34
Indonesiaβ oleh Adi Nugroho dan Bistok Hasiholan Simanjuntak
menggunakan data curah hujan di Kabupaten Semarang mulai Januari 2002
hingga Desember 2013, Nugroho dan Simanjuntak menentukan model
ARIMA (6,0,3) untuk memprediksi curah hujan tahun 2014.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
35
BAB III
METODE KEGIATAN
A. Objek Penelitian
Data yang digunakan dalam penelitian ini adalah data curah hujan di
Pos Hujan Ledok Nongko Kecamatan Turi di kota Daerah Istimewa
Yogyakarta pada tahun 2005-2014. Dari data tersebut akan dibuat peramalan
data curah hujan di Pos Hujan Ledok Nongko Kecamatan Turi di kota Daerah
Istimewa Yogyakarta pada tahun 2015.
B. Metode dan Desain Penelitian
Metode dan desain penelitian yang digunakan dalam penelitian ini
adalah metode literatur. Metode literatur yaitu metode penelitian yang
informasi-informasi untuk penelitian tersebut diperoleh dari membaca buku,
referensi, jurnal ilmiah dan berbagai sumber ilmiah lainnya. Informasi-
informasi tersebut digunakan untuk memberikan landasan teoritis dan mencari
pemecahan dari berbagai permasalahan yang diajukan.
C. Teknik Pengumpulan Data
Data yang digunakan dalam penelitian diambil dari database online
Badan Klimatologi, Meteorologi dan Geofisika (BMKG) secara khusus untuk
Pos Hujan di Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
36
tahun 2005-2014. Data tersebut seanjutnya diolah dengan tahap-tahap ARIMA
Box-Jenkins dan menggunakan software EViews 10.
D. Waktu dan Tempat Penelitian
1. Waktu Penelitian
Penelitian ini dilakukan sejak bulan Februari hingga bulan Mei 2019.
Pengambilan data penelitian dilakukan pada bulan Maret 2019.
2. Tempat Penelitian
Data yang digunakan dalam penelitian diambil dari database online
BMKG.
E. Teknik Analisis Data pada Software EViews 10
Data curah hujan yang telah disusun berdasarkan interval waktu,
kemudian dianalisis dengan tahap-tahap sebagai berikut:
1. Identifikasi Model. Pada tahap ini peneliti akan melakukan uji
stasionaritas dan uji korelasi terhadap data yang ada. Pertama-tama, data
dimasukkan ke dalam lembar kerja software EViews 10. Kemudian data
akan dilakukan dua uji, yaitu sebagai berikut:
a. Uji stasionaritas. Uji stasionaritas pada EViews 10 dapat menggunakan
uji Augmented Dickey-Fuller (ADF), uji Philips-Perron (PP), uji
Kwiatkowski-Philips-Schmidt-Shin (KPSS), uji Dickey-Fuller GLS
(ERS), uji Elliot-Rotthenberg-Stock Point-Optimal dan uji Ng-Perron.
Namun, pada penelitian ini digunakan tiga uji yaitu uji Augmented
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
37
Dickey-Fuller (ADF), uji Philips-Perron (PP) dan uji Kwiatkowski-
Philips-Schmidt-Shin (KPSS) karena tiga uji tersebut merupakan uji
stasioner yang populer digunakan dalam peramalan menggunakan
metode ARIMA. Jika data belum stasioner, maka perlu dilakukan
differencing. EViews 10 dapat melakukan differencing maksimal
sebanyak dua kali. Jika data hasil differencing kedua belum stasioner,
maka sebaiknya dilakukan penggantian data.
b. Uji Korelasi. Jika data sudah stasioner maka dapat dilakukan uji
korelasi. Pada EViews 10, uji korelasi dilaksanakan dengan melihat
pola Autocorrelation Fumction (ACF) dan Partial Autocorrelation
Fumction (PACF) pada lag data. Pola Autocorrelation Fumction
(ACF) dan Partial Autocorrelation Fumction (PACF) pada lag data
inilah yang nantinya akan dipakai sebagai acuan dalam memilih
kandidat model ARIMA terbaik. Model ARIMA dapat berupa AR(p),
MA(q) ataupun ARMA(p,q). Pemilihan model AR(p), MA(q) ataupun
ARMA(p,q) disesuaikan dengan spesifikasi ACF dan PACF yang
terbentuk. Lampiran 5 menunjukkan spesifikasi ACF dan PACF pada
model AR(p), MA(q) dan ARMA(p,q).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
38
2. Estimasi Parameter. Pada tahap ini, peneliti akan melakukan uji
signifikansi. Kandidat model ARIMA yang diperoleh pada tahap
identifikasi model akan diuji signifikansinya. Jika model tidak signifikan
maka model tersebut dieleminasi. Model ARIMA yang signifikan akan
diverifikisi pada tahap selanjutnya yaitu tahap verifikasi model. Namun,
jika pada tahap estimasi parameter, tidak ada model yang signifikan, maka
perlu diulangi lagi pada tahap identifikasi model yaitu saat menentukan
kandidat-kandidat model ARIMA. Signifikansi dapat dilihat dari nilai P-
Value dan nilai πΌ. Jika nilai P-Value kurang dari πΌ maka parameter
signifikan. Begitu juga sebaliknya, jika nilai P-Value lebih dari πΌ maka
model tidak signifikan.
3. Verifikasi Model. Pada tahap ini, peneliti akan melakukan uji kenormalan
residual dan uji independensi residual. Pada software EViews 10, model
ARIMA dikatakan normal jika histogram yang terbentuk menyerupai
lonceng (kurva normal) dan nilai π β π£πππ’π lebih dari πΌ. Sedangkan untuk
uji independensi residual, model ARIMA dikatakan independen jika garis-
garis Autocorrelation Fumction (ACF) dan Partial Autocorrelation
Fumction (PACF) seluruhnya sudah berada dalam garis Bartlet (garis
putus-putus). Garis Bartlet merupakan garis yang menunjukkan
homogenitas variansi data. Misal, PACF lag data ke-p berada dalam
interval garis Bartlet maka variansi pada lag data tersebut tidak homogen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
39
Sebaliknya, jika PACF lag data ke-p terpotong dengan garis Bartlet maka
variansi pada lag data tersebut homogen, artinya terjadi pola musiman.
4. Peramalan atau forecasting. Pada tahap ini, peneliti akan melakukan
penambahan Range Data, yang mulanya dari tahun 2005 sampai dengan
tahun 2014, menjadi tahun 2005 sampai dengan tahun 2015. Model
ARIMA biasanya bagus untuk peramalan jangka pendek, dalam konteks
ini satu tahun setelah data aktual karena data runtun waktu hasil peramalan
ARIMA bersifat dependen terhadap data runtun waktu sebelumnya.
Maksud dari dependen adalah data ramalan bergantung pada data aktual
sebelumnya.
Berikut adalah tahap-tahap analisis data curah hujan dengan
menggunakan software EViews 10.
1. Identifikasi Model
a. Langkah-langkah input data ke software EViews 10
1) Aktifkan software EViews 10 yang sudah diunduh dan diinstal
sebelumnya.
Gambar 3.1 Ikon Software EViews 10
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
40
2) Pada kotak dialog EViews 10, klik Create a new EViews
workfile.
Gambar 3.2 Halaman Awal Software EViews 10
3) Kotak dialog Workfile Create akan muncul seperti pada tampilan
berikut.
Gambar 3.3 Workfile Create Software EViews 10
Pada tabel Frequency, kita dapat memilih bentuk waktu yang
sesuai dengan jenis data. Karena data curah hujan dihitung tiap
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
41
bulannya maka pada tabel Frequency kita pilih Monthly dengan
awal bulan dan tahun data yang diperoleh pada bulan Januari tahun
2005 dan akhir tahun data pada bulan Desember tahun 2014. Maka
pada Start Date kita tulis 2005:01 dan pada End Date kita tulis
2014:12. Kemudian klik OK.
4) Pada Command kita klik βDataβ lalu Enter. Kemudian akan
muncul lembar kerja seperti gambar di bawah ini.
Gambar 3.4 Lembar Kerja EViews 10
5) Langkah selanjutnya adalah masukkan data curah hujan yang
sudah kita peroleh.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
42
Gambar 3.5 Data Curah Hujan Telah
Dimasukkan dalam Lembar Kerja EViews 10
b. Uji stasionaritas
1) Dengan Grafik
Klik View -> Graph -> Klik OK. Kemudian akan muncul
grafik data curah hujan.
Gambar 3.6 Grafik Data Curah Hujan di Pos Ledok
Nongko Kecamatan Turi, DIY Tahun 2005-2014
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
43
2) Dengan Augmented Dickey-Fuller (ADF)
a) Klik Workfile UNTITLED
Gambar 3.7 Workfile Untitled
b) Klik data curah_hujan.
Gambar 3.8 Tampilan Lembar Kerja
curah_hujan
c) Klik view -> Unit Root Tests -> Standard Unit Root Test
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
44
Gambar 3.9 Membuka Lembar Kerja Unit Root Test
d) Kemudian pada kotak dialog Unit Root Test, pilih
Augmented Dickey-Fuller pada Test Type dan pilih Level,
kemudian klik OK.
Gambar 3.10 Kotak Dialog Unit Root Test
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
45
e) Kemudian akan tampil uji stasioner dengan ADF seperti di
bawah ini.
Gambar 3.11 Tabel Uji Stasionaritas dengan
Uji Augmented Dickey-Fuller (ADF)
3) Dengan Philips-Perron (PP)
a) Klik view -> Unit Root Tests -> Standard Unit Root Test
(Lihat Gambar 3.8)
b) Kemudian pada kotak dialog Unit Root Test, pilih Philips-
Perron pada Test Type dan pilih Level, kemudian klik OK.
(Lihat Gambar 3.9)
c) Kemudian akan muncul uji sasioneritas dengan PP seperti
gambar di bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
46
Gambar 3.12 Tabel Uji Stasionaritas dengan
Uji Philips-Perron (PP)
4) Dengan Kwiatkowski-Philips-Schmidt-Shin (KPSS)
a) Klik view -> Unit Root Tests -> Standard Unit Root Test.
(Lihat Gambar 3.8)
b) Kemudian pada kotak dialog Unit Root Test, pilih
Kwiatkowski-Philips-Schmidt-Shin pada Test Type dan pilih
Level, kemudian klik OK. (Lihat Gambar 3.9)
c) Kemudian akan muncul Uji stasionaritas dengan KPSS seperti
gambar di bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
47
Gambar 3.13 Tabel Uji Stasionaritas dengan
Kwiatkowski-Philips-Schmidt-Shin (KPSS)
c. Autocorrelation Fumction (ACF) dan Partial Autocorrelation
Fumction (PACF)
Langkah-langkah untuk menentukan nilai Autocorrelation Fumction
(ACF) dan Partial Autocorrelation Fumction (PACF) data dengan
menggunakan software EViews 10 adalah sebagai berikut:
1) Klik data curah_hujan -> klik view -> klik Correlogram.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
48
Gambar 3.14 Membuka Correlogram Specification
2) Kemudian klik Level dan OK
Gambar 3.15 Pilih Level pada Kotak Dialog Correlogram
Specification
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
49
Banyaknya lag data adalah π
4 dengan π adalah banyaknya data.
Banyaknya data pada penelitian ini ada 120 sehingga banyaknya
lag adalah 30.
3) Maka akan muncul ACF dan PACF dari data curah_hujan.
Gambar 3.16 ACF dan PACF pada Correlogram
2. Estimasi Parameter
a. Untuk Model AR(1)
Langkah-langkah estimasi parameter untuk model AR(1) adalah
sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
50
1) Klik Quick -> Estimate Equation, maka muncul tampilan seperti
pada gambar di bawah ini:
Gambar 3.17 Membuka Equation Estimation
2) Kerikkan curah_hujan AR(1) pada Equation Specification
kemudian klik OK.
Gambar 3.18 Kotak Dialog Equation Estimation pada AR(1)
3) Maka akan muncul estimasi parameter seperti gambar di bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
51
Gambar 3.19 Tabel Estimasi Parameter pada Model AR(1)
Untuk AR(p), cara analog.
b. Untuk Model MA(1)
Langkah-langkah estimasi parameter untuk model MA(1) adalah
sebagai berikur:
1) Klik Quick -> Estimate Equation, maka muncul tampilan seperti
pada Gambar 3.17.
2) Ketikkan curah_hujan MA(1) pada Equation Specification
kemudian klik OK.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
52
Gambar 3.20 Kotak Dialog Equation Estimation pada
MA(1)
3) Maka akan muncul estimasi parameter untuk model MA(1) seperti
gambar di bawah ini:
Gambar 3.21 Tabel Estimasi Parameter pada Model MA(1)
Untuk MA(q), cara analog.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
53
3. Verifikasi Model
a. Uji Kenormalan Residual
Langkah-langkah uji kenormalan residual adalah dengan klik View -
> Residual Diagnostics -> Histogram Normality Test.
Gambar 3.22 Uji Kenormalan Residual pada Model MA(22)
Gambar 3.23 Uji Kenormalan Residual pada Model MA(14)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
54
b. Uji Independensi Residual
Langkah-langkah untuk uji independensi residual adalah dengan klik
View -> Residual Diagnostics -> Correlogram Square Residual
kemudian masukkan lag lalu klik OK.
Gambar 3.24 Tabel Uji
Independensi Residual pada
Model MA(22)
Gambar 3.25 Tabel Uji
Independensi Residual pada
Model MA(14)
Karena model MA(22) dan MA(14) masih memenuhi uji
kenormalan residual dan uji independensi residual, maka langkah
selanjutnya yang dilakukan adalah dengan melihat Akaike Info
Criterion (AIC) dan Schwarz Criterion (SC). AIC dan SC digunakan
untuk melihat error dalam model-model ARIMA. Model terbaik ialah
model ARIMA yang memiliki error terkecil, dengan kata lain memiliki
AIC dan SC yang lebih kecil. Dengan melakukan langkah-langkah yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
55
sama pada tahap estimasi parameter, maka diperoleh Gambar 3.26 dan
Gambar 3.27 sebagai berikut.
Gambar 3.26 Tabel Estimasi Parameter pada Model MA(22)
Gambar 3.27 Tabel Estimasi Parameter pada Model MA(14)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
56
4. Peramalan atau Forecasting
Langkah-langkah peramalan atau forecasting menggunakan
EViews 10, sebagai berikut:
a. Doube Click pada Range sehingga akan tampil kotak dialog Workfile
Structure dan gantilah End date sesuai dengan penelitian, kemudian
kiik OK.
Gambar 3.28 Kotak Dialog Workfile Structure
b. Selanjutnya, buka hasil estimasi parameter MA(14) kemudian klik
Forecast sehingga muncul kotak dialog Forecast. Pada Method pilih
Static forecast dan pada Output piih Forecast & Actuals. Kemudian
klik OK.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
57
Gambar 3.29 Kotak Dialog Forecast
c. Kemudian akan muncul grafik Forecasting & Actuals seperti gambar
di bawah ini.
Gambar 3.30 Grafik Forecasting & Actuals
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
58
BAB IV
HASIL DAN PEMBAHASAN
A. Statistik Deskriptif Curah Hujan di Pos Hujan Ledok Nongko Kecamatan
Turi, Daerah Istimewa Yogyakarta
Data penelitian ini adalah data curah hujan yang diamati dari Pos Hujan
Ledok Nongko, Kecamatan Turi, Daerah Istimewa Yogyakarta dari bulan
Januari tahun 2005 sampai dengan bulan Desember tahun 2014. Agar lebih
jelas, data curah hujan disajikan dengan diagram di bawah ini.
Gambar 4.1 Diagram Curah Hujan di Pos Hujan Ledok Nongko
Kecamatan Turi, DIY
Gambar 4.1 menunjukkan bahwa curah hujan di Pos Hujan Ledok
Nongko Kecamatan Turi, Daerah Istimewa Yogyakarta, mengalami perubahan
setiap tahunnya. Curah hujan tertinggi terjadi pada tahun 2010 yaitu sebesar
4.670 milimeter dan curah hujan terendah terjadi pada tahun 2009 yaitu sebesar
1.829 milimeter. Data curah hujan di Pos Hujan Ledok Nongko Kecamatan
Turi, Daerah Istimewa Yogyakarta (7.64467 LS dan 110.35761 BT) pada tahun
2005 hingga tahun 2014 dituliskan secara lengkap pada Tabel 4.1 di bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
-
59