3.2 Analisis Plot Data Awal
Langkah pertama yang perlu dilakukan untuk menganalisis data time series adalah membuka plot data terhadap waktu dan melakukan interpretasi secara visual. Dengan
membuat plot data mentah, yaitu data yang akan diolah dan akan dianalisis, dapat dideteksi apakah pola data mengandung unsur trend, siklik, musiman atau tidak
mengandung pola tertentu. Plot data Kecepatan angin di kota medan selama 60 periode dapat dilihat pada gambar dibawah ini.
Gambar 3.2.1 Plot Kecepatan Angin kota Medan Tahun 2007-2011
Dari plot data diatas dapat kita lihat bahwa data tersebut jelas tidak stasioner, karena pada data awal yaitu plot data menunjukkan pertumbuhan atau penurunan pada data.
Fluktuasi data semakin naik dan menurun dengan meningkatnya waktu, jadi dapat diketahui bahwa datanya tidak stasioner.
Gambar 3.2.2 Autokorelasi Kecepatan Angin kota Medan Tahun 2007-2011
Tabel 3.2.1 Nilai Autokorelasi Kecepatan Angin kota Medan Tahun 2007-2011
Lag Autokorelasi
Lag Autokorelasi
1 0.815
9 0.378
2 0.721
10 0.359
3 0.651
11 0.322
4 0.632
12 0.281
5 0.569
13 0.203
6 0.525
14 0.152
7 0.445
15 0.099
8 0.410
16 0.053
Gambar 3.2.3 Nilai Autokorelasi Parsial Kecepatan Angin kota Medan Tahun 2007-2011
Tabel 3.2.2 Nilai Autokorelasi Parsial Kecepatan Angin kota Medan Tahun
2007-2011
Lag Autokorelasi
Parsial Lag
Autokorelasi Parsial
1 0.815
9 0.024
2 0.169
10 0.028
3 0.078
11 -0.02
4 0.161
12 -0.046
5 -0.50
13 -0.143
6 0.18
14 -0.059
7 -0.110
15 -0.065
8 0.034
16 -0.048
Plot data diatas memperlihatkan deret data yang tidak stasioner, jadi sebelum melangkah lebih lanjut ke tahap pembuatan model deret berkala, kita perlu
menghilangkan ketidakstasioneran data awal. Untuk mengatasi hal ini data mentah yang kita peroleh harus diubah dalam bentuk pembedaan pertama. Jadi untuk
mendapatkan ketidakstasioneran dapat diubah deret angka baru yang terdiri dari pembedaan angka antara periode yang berturut-turut:
maka perlu diadakan pembedaan pertama dengan persamaan : W
t
= X
t
– X
t-1
W
t
= X
2
– X
2-1
Tabel 3.2.3 Nilai - nilai Pembedaan Pertama
No. Wt
No. Wt
No. Wt
1 21
-0.25 41
-2.33
2 0.95
22 -0.66
42 2.33
3
0.60
23
0.08
43
0.00
4 -0.35
24 -0.12
44 0.00
5 -0.08
25 0.02
45 0.00
6 -0.23
26 0.58
46 0.00
7 -0.16
27 0.00
47 0.00
8
0.66
28
0.00
48
-0.39
9
-0.25
29
0.19
49
-0.29
10 -0.37
30 -0.19
50 0.41
11 0.04
31 -0.39
51 -0.19
12 -0.23
32 0.00
52 0.04
13
0.23
33
0.39
53
0.17
14
0.29
34
0.00
54
0.58
15 0.19
35 -0.97
55 -0.43
16 -0.64
36 0.00
56 -0.21
17 0.31
37 0.00
57 -0.04
18
-0.31
38
0.97
58
0.16
19
-0.58
39
0.00
59
-0.60
20 -0.33
40 0.00
60 0.39
Gambar 3.2.4 Plot Keceptan angin dengan menggunakan pembedaan pertama
Gambar 3.2.5 Autokorelasi Kecepatan Angin Menggunakan Pembedaan Pertama
Tabel 3.2.4 Nilai Autokorelasi Kecepatan Angin Menggunakan Pembedaan Pertama
Lag Autokorelasi
Lag Autokorelasi
1 -0.288
9 -0.034
2 -0.058
10 0.058
3 -0.142
11 -0.007
4 0.121
12 0.109
5 -0.039
13 -0.069
6 0.177
14 0.002
7 -0.162
15 -0.012
8 -0.010
16 0.088
Gambar 3.2.6 Autokorelasi Parsial Kecepatan Angin Menggunakan Pembedaan Pertama
Tabel 3.2.5 Nilai Autokorelasi Parsial Kecepatan Angin Menggunakan Pembedaan Pertama
Lag Autokorelasi
Lag Autokorelasi
1 -0.288
9 -0.085
2 -0.154
10 -0.056
3 -0.230
11 -0.020
4 -0.013
12 0.105
5 -0.053
13 0.043
6 0.095
14 0.021
7 -0.091
15 0.010
8 -0.087
16 0.062
Dari plot korelasi diatas terlihat deret data yang sudah stasioner. Plot korelasi diatas memperlihatkan bahwa ada satu koefisien korelasi diri berbeda nyata dari nol
sehingga diduga ordo dari proses MA
q
adalah 1 q=1, yaitu nilai koefisien lag ke-1 -0.288. Maka model ARIMA Tentatif yang pertama yaitu ARIMA 0, 1, 1
Dari plot fungsi korelasi diri parsial, ditentukan ordo regresi diri.dari plot tersebut dilihat bahwa ada satu koefisien korelasi yang berbeda nyata dari nol,
sehingga diduga bahwa ordo dari AR
p
adalah 1 p=1 yaitu nilai koefisien lag ke-1 -
0.288. Sesuai dengan keterangan model diatas data yang dibedakan adalah ARIMA 1,1,1.
Pendugaan parameter-parameter model ARIMA dari Box-Jenkins untuk model ARIMA 1,1,1 adalah :
Parameter Taksiran
Standart error Nilai-t
0,323 0,219
1,475 0,764
0,152 5,039
3.3 Pengecekan Model
Kategori