3.2 Analisis Plot Data Awal
Langkah pertama yang perlu dilakukan untuk menganalisis data time series adalah membuat plot data terhadap waktu dan melakukan interpretasinsecara visual. Dengan
membuat plot data mentah, yaitu data yang akan diolah dan dianalisis, dapat dideteksi apakah pola data mengandung unsur trend, siklik, musiman atau tidak
mengandung pola tertentu.
Gambar 3.1 Plot Suhu Udara Kota Medan Tahun 2008 - 2012
Universitas Sumatera Utara
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 Autokorelasi Suhu Udara Kota Medan Tahun 2008 - 2012 Tabel 3.2 Nilai-Nilai Autokorelasi Suhu Udara Kota Medan Tahun 2008 - 2012
Lag Autocorrelation
Lag Autocorrelation
1 0,566
9 0,109
2 0,344
10 0,211
3 0,127
11 0,321
4 0,009
12 0,354
5 -0,116
13 0,288
6 -0,172
14 0,167
7 -0,153
15 0,055
8 0,024
16 -0,086
Universitas Sumatera Utara
Gambar 3.3 Autokorelasi Parsial Suhu Udara Kota Medan Tahun 2008 – 2012
Tabel 3.3 Nilai - Nilai Autokorelasi Parsial Suhu Udara Kota Medan Tahun
2008 - 2012
Lag Autocorrelation
Lag Autocorrelation
1 0,565
9 0,047
2 0,036
10 0,097
3 -0,118
11 0,178
4 -0,043
12 0,081
5 -0,115
13 0,002
6 -0,062
14 -0,022
7 0,016
15 0,004
8 0,211
16 -0,114
Plot data di atas 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
Universitas Sumatera Utara
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 :
�
=
�
−
�−1 2
=
2
−
2 −1
= 26,9 – 26,4
= 0,5
Tabel 3.4 Nilai – Nilai Pembedaan Pertama
No. Wt
No. Wt
No. Wt
No. Wt
1 16
0,6 31
-0,5 46
1,7
2 0,5
17 0,3
32 -0,5
47 -2,3
3
0,9
18
-0,4
33
-0,2
48
-0,3
4
-0,3
19
-0,1
34
-0,1
49
0,2
5 0,1
20 0,1
35 -0,1
50 0,8
6 -0,6
21 -0,4
36 0,1
51 -0,3
7
0,2
22
0,1
37 52
0,4
8
-0,2
23
-0,2
38
1,3
53
0,5
9 -0,1
24 -0,4
39 -0,2
54 10
-0,3 25
-0,1 40
0,6 55
0,1
11
-0,2
26
0,8
41
0,2
56
-1
12
-0,2
27
-0,1
42
-0,9
57
0,3
13 0,7
28 0,9
43 -0,4
58 -0,3
14 -0,1
29 -0,1
44 59
-0,2
15
-0,2
30
0,6
45
-0,2
60
-0,2
Universitas Sumatera Utara
Gambar 3.4 Plot Suhu Udara Dengan Menggunakan Pembedaan Pertama
Gambar 3.5 Autokorelasi Suhu Udara Menggunakan Pembedaan Pertama
Universitas Sumatera Utara
Tabel 3.5 Nilai – Nilai Autokorelasi Suhu Udara Dengan Pembedaan Pertama
Lag Autocorrelation
Lag Autocorrelation
1 -0,232
9 -0,044
2 0,038
10 -0,008
3 -0,122
11 0,061
4 0,004
12 0,143
5 -0,082
13 0,072
6 -0,085
14 0,038
7 -0,2
15 0,017
8 0,095
16 0,011
Gambar 3.6 Autokorelasi Parsial Suhu Udara Menggunakan Pembedaan Pertama
Universitas Sumatera Utara
Tabel 3.6 Nilai – Nilai Autokorelasi Parsial Suhu Udara Dengan Pembedaan
Pertama
Lag Autocorrelation
Lag Autocorrelation
1 -0,232
9 -0,133
2 -0,017
10 -0,193
3 -0,124
11 -0,093
4 -0,056
12 0,028
5 -0,102
13 0,027
6 -0,156
14 0,023
7 -0,301
15 0,091
8 -0,091
16 0,085
Dari plot korelasi di atas terlihat bahwa ada satu koefisien korelasi diri berbeda nyata dari nol sehingga diduga ordo dari proses MA adalah 1 q = 1. Dari plot fungsi
korelasi diri parsial, ditentukan ordo dari proses regresi diri. Dari plot tersebut dilihat bahwa ada satu koefisien korelasinya berbeda nyata dari nol, sehingga diduga bahwa
ordo dari AR adalah 1 p = 1. Ssesuai dengan keterangan diatas model sementara data yang dibedakan adalah ARIMA 1,1,1. Plot data diatas masih memperlihatkan
deret data yang tidak stasioner, maka perlu diadakan pembedaan kedua dengan persamaan :
�
=
�
−
�−1 2
=
2
−
2 −1
= 0,9 – 0,5
= 0,4
Universitas Sumatera Utara
Tabel 3.7 Nilai – Nilai Pembedaan Kedua
No. Wt
No. Wt
No. Wt
No. Wt
1 16
0,8 31
-1,1 46
1,9
2 17
-0,3 32
47 -4
3
0,4
18
-0,7
33
0,3
48
2
4 -1,2
19 0,3
34 0,1
49 0,5
5 0,4
20 0,2
35 50
0,6
6 -0,7
21 -0,5
36 0,2
51 -1,1
7
0,8
22
0,5
37
-0,1
52
0,7
8 -0,4
23 -0,3
38 1,3
53 0,1
9 0,1
24 -0,2
39 -1,5
54 -0,5
10
-0,2
25
0,3
40
0,8
55
0,1
11
0,1
26
0,9
41
-0,4
56
-1,1
12 27
-0,9 42
-1,1 57
1,3
13 0,9
28 1
43 0,5
58 -0,6
14
-0,8
29
-1
44
0,4
59
0,1
15
-0,1
30
0,7
45
-0,2
60
Gambar 3.7 Plot Suhu Udara Dengan Menggunakan Pembedaan Kedua
Universitas Sumatera Utara
Gambar 3.8 Autokorelasi Suhu Udara Menggunakan Pembedaan Kedua
Tabel 3.8 Nilai – Nilai Autokorelasi Suhu Udara Dengan Pembedaan Kedua
Lag Autocorrelation
Lag Autocorrelation
1 -0,618
9 -0,075
2 0,188
10 -0,009
3 -0,119
11 -0,017
4 0,088
12 0,068
5 -0,037
13 -0,023
6 0,049
14 0,004
7 -0,166
15 -0,011
8 0,179
16 0,043
Universitas Sumatera Utara
Gambar 3.9 Autokorelasi Parsial Suhu Udara Menggunakan Pembedaan Kedua
Tabel 3.9 Nilai - Nilai Autokorelasi Parsial Suhu Udara Dengan Pembedaan Kedua
Lag Autocorrelation
Lag Autocorrelation
1 -0,618
9 -0,078
2 -0,313
10 -0,153
3 -0,287
11 -0,207
4 -0,182
12 -0,121
5 -0,117
13 -0,065
6 -0,011
14 -0,074
7 -0,236
15 -0,018
8 -0,148
16 0,078
Universitas Sumatera Utara
Dari plot korelasi di atas terlihat bahwa ada satu koefisien korelasi diri berbeda nyata dari nol sehingga diduga ordo dari proses MA adalah 1 Q = 1. Dari plot fungsi
korelasi diri parsial, ditentukan ordo dari proses regresi diri. Dari plot tersebut dilihat bahwa ada satu koefisien korelasinya berbeda nyata dari nol, sehingga diduga bahwa
ordo dari AR adalah 1 P = 1. Ssesuai dengan keterangan diatas model sementara 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
φ 0,5897
0,1265 4,66
θ 0,9917
0,0639 15,52
3.3 Pengecekan Model
Kategori