Menghitung Korelasi Silang Identifikasi Awal Model Fungsi Transfer Identifikasi Model Sisaan

25

4.4 Prewhitening Deret Input dan Output

Tahap prewhitening dilakukan berdasarkan model ARIMA untuk data kelembaban udara deret input. Dalam tahap ini digunakan unsur white noise model tersebut. Dengan demikian model prewhitening untuk deret input t x adalah : t t x B B 62866 , 1 38143 , 1 12 − − = α Prewhitening deret output t y diperoleh dengan cara melakukan transformasi yang sama dengan deret input t x , sehingga model prewhitening untuk deret output t y adalah : t t y B B 62866 , 1 38143 , 1 12 − − = β

4.5 Menghitung Korelasi Silang

Peubah output dan peubah input yang telah melalui proses prewhitening untuk memperoleh t α dan t β dihitung korelasi silangnya. Korelasi silang menunjukkan hubungan antara kelembaban udara dengan curah hujan. Dari pola korelasi silang yang dihasilkan akan digunakan untuk mengidentifikasi model fungsi transfer . , , r s b Hasil korelasi silang antara t α dan t β dapat dilihat pada Lampiran 8.

4.6 Identifikasi Awal Model Fungsi Transfer

Identifikasi awal model dilakukan dengan melihat pola korelasi silang antara t α dan t β . Untuk nilai b ditentukan berdasarkan lag yang nyata pertama 26 kali pada pola korelasi silangnya, sehingga nilai b=0. Selanjutnya untuk mendapatkan nilai s dilihat berapa lama nilai t x mempengaruhi t y setelah nyata yang pertama. Berdasarkan keterangan diatas, identifikasi awal model fungsi transfer memiliki nilai b=0, s=1, dan r=1. Untuk mendapatkan model yang terbaik dilakukan pemeriksaan kandidat model lainnya. Berdasarkan Tabel 4.3, dapat diketahui model nomor 1, 2 dan 3 menunjukkan bahwa seluruh koefisien parameternya tidak nol. Nilai AIC dan SBC terkecil terdapat pada model nomor 3 dengan nilai b=0, s=1, dan r =0. Sehingga identifikasi awal dari model fungsi transfer adalah: t t t n x B y + − = 26893 , 79758 , 22 1 hasil pemodelan tersebut dapat dilihat pada Lampiran 9. Tabel 4.3 Rekapitulasi identifikasi awal model fungsi transfer No Nilai b,s dan r Parameter Nilai-t SBC AIC 1 0,0,0 ω 8,64 1297,072 1294,418 2 0,0,1 ω 8,85 1284,946 1279,658 ω 1 -2,21 3 0,1,0 ω 8,86 1284,29 1279,001 ω 1 2,6 4 0,1,1 ω 8,72 1288,932 1280,999 ω 1 0,72 δ 1 0,04 5 0,2,1 ω 8,53 1282,152 1271,613 ω 1 0,19 ω 2 -0,12 δ 1 0,13 6 0,1,2 ω 8,88 1281,157 1270,618 ω 1 -0,78 δ 1 -1,31 δ 2 -1,68 7 0,2,2 ω 8,16 1285,481 1272,307 27 ω 1 -0,33 ω 2 -0,83 δ 1 -0,81 δ 2 -1,59

4.7 Identifikasi Model Sisaan

Model yang didapatkan dari identifikasi awal model fungsi transfer yaitu: t t t n x B y + − = 26893 , 79758 , 22 , sehingga untuk memperoleh nilai n t adalah: t t t t Bx x y n 26893 , 79758 , 22 + − = Identifikasi awal model fungsi transfer menghasilkan plot ACF dan PACF sisaan Lampiran 10. Dari plot ACF dan PACF terindikasi lag turun secara cepat mendekati nol. Akan tetapi setelah dilakukan proses pencocokan model, diperoleh bahwa model ARIMA 0,0,00,0,1 12 Lampiran 11. t t a B n 1 12 1 θ − = Sehingga identifikasi awal untuk model sisaan adalah:

4.8 Pendugaan Akhir Parameter Model Fungsi Transfer