umumnya stabil. Terjadinya penyimpangan tidak dapat dihindari pada proses tersebut. Penyimpangan tersebut sesungguhnya pengecualian yang harus diperhatikan.
Iklim beserta unsurnya adalah hal yang penting untuk diperhatikan dan dipelajari dengan sebaik-baiknya, karena pengaruhnya menimbulkan masalah yang
berat bagi manusia serta makhluk hidup lainnya. Masalah tersebut merupakan tantangan bagi manusia karena harus berusaha untuk mengatasinya dengan
menghindari atau memperkecil pengaruh yang tidak menguntungkan kehidupan manusia.
Dari keadaan di atas penulis ingin mengadakan penelitian terhadap data kelembaban udara pada masa lalu dari bulan Januari 2006 – Desember 2010, untuk
meramalkan kelembaban udara pada masa yang akan datang tahun 2011, sebagai
bahan penulisan tugas akhir dengan judul “PERAMALAN KELEMBABAN UDARA BULANAN DI KOTA MEDAN TAHUN 2011 BERDASARKAN DATA
TAHUN 2006 – 2010 DENGAN METODE BOX – JENKINS”
1.2 Perumusan Masalah
Penulis hanya meramalkan kelembaban udara yang akan datang bulan Januari – Desember 2011 dengan menggunakan data kelembaban udara pada bulan Januari
2006 – Desember 2010
1.3 Tinjauan Pustaka
Metodologi ARIMA Auto Regresive Integrete Moving Avarage Box – Jenkins merupakan suatu pendekatan pembentukan model yang sangat kuat untuk analisis
Universitas Sumatera Utara
deret berkala. Agar metodologi tersebut dapat digunakan, maka harus dilakukan analisis data deret berkala historis, ketepatan modal yang harus diukur dan model-
model tersebut harus diterapkan untuk tujuan peramalan. Meskipun beberapa pedoman yang bermanfaat untuk menangani tugas-tugas tersebut telah dikembangkan,
masih tetap diperlukan adanya pengalaman dan usaha mencoba-coba trial and error agar dapat mengunakan pendekatan-pendekatan tersebut dengan berhasil. Untuk nilai
p, d dan q yang sangat kecil pada model umum ARIMA p,d,q data dapat diprediksi. ARIMA Auto Regresive Integrete Moving Avarage dikembangkan oleh Box
dan Jenkins sehingga disebut ARIMA Box–Jenkins. Metode ini merupakan gabungan dari metode penghalusan smoothing, metode regresi dan metode dekomposisi.
Metode ini banyak digunakan untuk peramalan harga saham, penerimaan, penjualan, tenaga kerja dan variabel runtun waktu lainnya. Model runtun waktu ini biasanya
digunakan bila hanya sedikit yang diketahui mengenai variabel – variabel independent yang dapat digunakan untuk memperjelas variabel utama dependent yang diminati.
Menurut dalam buku “Metode Peramalan ARIMA Box-Jenkins” peramalan dengan mengunakan ARIMA dilakukan melalui lima tahapan, yaitu tahap
pemeriksaan kestasioneran data, pengidentifikasi model, pengestimasian parameter model, pengujian model dan penggunaan model untuk peramalan. Dalam peramalan
kelembaban udara, maka dapat digunakan beberapa buku antara lain : Assauri, S [1] menguraikan bahwa peramalan adalah kegiatan memperkirakan
apa yang akan terjadi pada masa yang akan datang. Ramalan tersebut didasarkan atas bermacam-macam cara yang dikenal dengan metode peramalan.
Makridakis, S [2] menguraikan bahwa dalam bukunya metode dan aplikasi peramalan, pada dasarnya ada dua model dari metode Box-Jenkins yaitu model linear untuk deret
statis Stationary Series dan model linear yang tidak statis Non Stationary Series.
Universitas Sumatera Utara
Model-model untuk deret statis menggunakan teknik penyaringan filtering untuk deret waktu yaitu apa yang disebut dengan ARMA Auto Regresive-Moving Avarage
untuk suatu kumpulan data, sedangkan untuk model untuk model yang tidak statis menggunakan apa yang disebut ARIMA Auto Regresive-Integrete-Moving Avarage.
Model peramalan Box–Jenkins untuk postulasi kelas untuk ARIMA p,q yang umum adalah :
Dimana : = Variabel yang diramalkan Dependent Variabel
= Variabel pertama pada periode ke 1, 2, 3,..., p = Paramater Auto Regresive
= Nilai kesalahan pada t = Parameter – parameter dari MA 1, 2, ..., p
= Nilai kesalahan pada saat t-q
Kartasapoetra, Ance Gunarsih [3] menguraikan tentang iklim yang mencangkup tinjauan tentang iklim, sifat dan klasifikasinya dan bagaimana
pendekatan-pendekatan yang dilakukan terhadap iklim yang berpengaruh terhadap berbagai bidang.
Helmi, S [4] menguraikan mengenai penggunaan SPSS untuk peramalan forcasting, yaitu dengan menu Analyze, Forcasting dan lainnya.
Iriawan Nur [5] menguraikan tentang pengolahan data peramalan ARIMA untuk korelasi yaitu dengan menu Statistik, Times series dan ARIMA.
Universitas Sumatera Utara
1.4 Tujuan Penelitian