hujan semakin kecil, yang berarti kekuatan MJO semakin berkurang, kecuali untuk Biak
yang curah hujannya lebih tinggi dari Manado.
Dengan menggunakan analisis statistik diperoleh adanya keterkaitan antara data
kecepatan angin zonal dengan data indeks MJO global khususnya pada saat keduanya
menguat yaitu sekitar bulan Januari 2007, Desember 2007, Juni 2008, April 2009,
November 2009, dan Oktober 2010. Nilai R
2
rata-rata melebihi 0.5 sehingga menunjukkan bahwa data kecepatan angin zonal signifikan
dan valid untuk analisis lebih lanjut, yaitu untuk analisis MJO di kawasan Indonesia.
Kecuali unutk daerah Manado, rata-rata R
2
kurang dari 0.5 kemungkinan disebabkan faktor lokal.
Hasil analisis regresi menunjukkan kecenderungan bahwa pada saat bulan-bulan
basah yaitu Oktober, November, dan Desember nilai R
2
lebih tinggi daripada pada saat bulan-bulan kering seperti April dan Juni.
Hal tersebut berarti bahwa prediksi indeks MJO menunjukkan hasil yang baik pada saat
musim basah karena MJO berkaitan dengan perjalanan ITCZ saat bergerak ke utara dan
selatan.
4.3 Model Berbasis ARIMA
Dari hasil analisis spektral dan statistik diketahui bahwa kecepatan angin zonal pada
lapisan 850 mb ketinggian 1.455 km dapat menunjukkan terjadinya osilasi MJO di
kawasan Indonesia khususnya Pontianak, Manado, dan Biak. Pemodelan ini
menggunakan data harian kecepatan angin zonal selama 4 tahun 1461 data yang terbagi
menjadi 1369 data untuk menduga model sementara dan sisanya 92 data untuk validasi
model.
Pemodelan ini bertujuan untuk memperoleh model prediksi data time series
kecepatan angin zonal yang nantinya dapat digunakan dalam mengembangkan model
MJO.
4.3.1 Pontianak
Tahapan awal dalam pemodelan ini yaitu melakukan uji stasioneritas data.
Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret waktu
karena dapat memperkecil kekeliruan model. Kestasioneran data dapat dilihat secara visual
pada plot data terhadap waktu dan melalui telaah plot ACF dan PACF.
I n d e x Z
o n
a l_
P o
n ti
a n
a k
1 2 3 3 1 0 9 6
9 5 9 8 2 2
6 8 5 5 4 8
4 1 1 2 7 4
1 3 7 1
1 5 1 0
5 - 5
- 1 0 - 1 5
T i m e S e r i e s P l o t o f Z o n a l _ P o n t i a n a k
1
Lag A
u to
c o
rr e
la ti
o n
80 70
60 50
40 30
20 10
1 1,0
0,8 0,6
0,4 0,2
0,0 -0,2
-0,4 -0,6
-0,8 -1,0
Autocorrelation Function for Zonal_Pontianak
with 5 significance limits for the autocorrelations
Lag P
a rt
ia l
A u
to c
o rr
e la
ti o
n
80 70
60 50
40 30
20 10
1 1,0
0,8 0,6
0,4 0,2
0,0 -0,2
-0,4 -0,6
-0,8 -1,0
Partial Autocorrelation Function for Zonal_Pontianak
with 5 significance limits for the partial autocorrelations
2 3 Gambar 22 Plot data 1, ACF 2, PACF 3 kecepatan angin zonal di Pontianak periode 1
Januari 2007 – 30 September 2010.
Gambar 22 1 menunjukkan bahwa data deret waktu sudah stasioner dalam rataan dan
ragam, sehingga tidak perlu dilakukan proses differencing
. Proses differencing ini merupakan proses transformasi data agar data
menjadi stasioner dengan cara mencari selisih nilai saat ini dengan nilai kemarin. Dari
Gambar 22 2 dan 22 3 terlihat bahwa pada plot ACF tail off menurun secara
eksponensial tapi pada PACF nya cut off menuju 0 setelah lag q. Plot PACF nyata
pada lag 1, 2, 3 dan 4. Dengan demikian, model sementara dari plot data kecepatan
angin zonal di Pontianak adalah model autoregressif
AR. Kemungkinan model adalah ARIMA1,0,0, ARIMA2,0,0,
ARIMA3,0,0, dan untuk lebih meyakinkan akan dicoba model ARIMA 4,0,0.
Tahap selajutnya adalah melakukan penaksiran parameter terhadap model
sementara. Hal ini diperlukan untuk menelaah besarnya kekeliruan jika model tersebut
digunakan sebagai model ramalan. Pengolahan data dilakukan dengan
menggunakan software Minitab 15. Penaksir parameter untuk masing-masing model
sementara dapat dilihat pada Lampiran 6. Hasil penaksiran model menunjukkan
bahwa ARIMA 3,0,0 tidak nyata pada penduga pada koefisien AR2. Sementara itu
untuk ARIMA2,0,0 nyata untuk semua penduga parameternya, maka ARIMA 2,0,0
ditetapkan sebagai model tentatif nya. Model AR2,
1 t-1
2 t-2
Zt = Z
+ Z
+ at
φ φ
Z
t
= 0.33396 + 0.6792 Z
t-1
+ 0.0762 Z
t-2
+ a
t
Setelah diperoleh model ARIMA selanjutnya dilakukan validasi untuk data
tanggal 1 Oktober 2010-31 Desember 2010. Hasil validasi dapat dilihat pada Gambar 23.
Dari Gambar tersebut terlihat bahwa nilai galat yang diperoleh relatif kecil sehingga
model ini cukup dapat mengenali pola kecepatan angin zonal di Pontianak.
Berdasarkan Gambar 23 dapat dilihat bahwa plot data prediksi mendekati data asli
dengan nilai r sebesar 0.783. Hasil prediksi ini cukup baik karena menghasilkan galat rata-
rata yang kecil yaitu sebesar 0.819 dan RMSE Root Mean Square Error sebesar 0.083.
RMSE ini digunakan untuk menduga perbedaan antara nilai observasi dengan nilai
prediksi.
Tabel 7 Penaksir Parameter ARIMA2,0,0
Type Coef SE
Coef T
P AR 1
0,6792 0,0270 25,18 0,000 AR 2
0,0762 0,0270 2,83 0,005
Constant 0,33396 0,05409 6,17 0.000
Mean 1,3651
0,2211
9 0 8 1
7 2 6 3
5 4 4 5
3 6 2 7
1 8 9
1 1 0
5
- 5
I n d e x D
a ta
D a t a _ A sli N ila i_ P r e d ik si
V a r ia b le
T i m e S e r i e s P l o t o f D a t a _ A s l i ; N i l a i _ P r e d i k s i
Gambar 23
Plot data asli kecepatan angin zonal di Pontianak dengan hasil prediksi ARIMA2,0,0 1 Oktober 2010-31 Desember 2010.
Model ARIMA2,0,0 untuk data kecepatan angin zonal di Pontianak artinya
peramalan data angin zonal periode mendatang tergantung pada data dua waktu
sebelumnya. Model tersebut dapat digunakan untuk menduga kecepatan angin tiga hari ke
depan.
Hasil prediksi menunjukkan bahwa kecepatan angin pada tanggal 1-3 Januari
2011 masih didominasi oleh angin baratan. Artinya kemungkinan curah hujan masih tetap
tinggi.
4.3.2 Manado
