Waktu dan Tempat Penelitian Alat dan Data yang digunakan Metode Penelitian

tidak simetris sebab ρ XX k ≠ ρ XX −k. Jika nilai ACF sebagai ukuran kekuatan dari hubungan antar pengamatan, maka nilai CCF selain sebagai ukuran kekuatan hubungan antar variabel, nilai dari CCF juga sebagai ukuran arah hubungan. Untuk mendapatkan gambaran secara menyeluruh mengenai hubungan antara data deret waktu X t dengan Y t , pengujian mengenai CCF, ρ XX k, harus dilakukan untuk k 0 dan k 0, melalui analisis korelasi silang atau gambar CCF yang biasa dinamakan korelogram silang cross correlogram Mulyana 2004.

2.7 Regresi Linear Berganda

Analisis Multivariat Multivariat Analysis merupakan salah satu jenis analisis statistik yang digunakan untuk menganalisis data dimana data yang digunakan berupa banyak peubah bebas independen variabels dan juga banyak peubah terikat dependen variabels. Analisis Regresi Linear Ganda atau sering disebut juga Analisis Multiple Regression Linear merupakan perluasan dari Simple Regression Linear Regresi Linear Sederhana. Pada analisis ini bentuk hubungannya adalah beberapa variabel bebas terhadap satu variabel terikat. Misalkan untuk mengetahui faktor-faktor yang terkait dengan tekanan darah sistolik variabel Y analisis dilakukan dengan melibatkan kadar glukosa darah variabel X1, kadar kolesterol darah X2 dan Berat Badan X3. Perbedaan dengan analisis-analisis statistik yang lain adalah bahwa jumlah peubah tak bebas pada analisis statistik lain, seperti analisis regresi ganda, terdiri dari hanya satu peubah misalnya Y tetapi pada analisis multivariat, peubah terikat dapat berjumlah lebih dari satu misalnya Y1, Y2, ……….Yq. Secara sederhana model persamaan regresi ganda digambarkan sebagai berikut : Y = a + b1X1+b2X2+…+bnXn+e Keterangan : Y = variabel terikat a = konstanta b1,b2 = koefisien regresi X1, X2 = variabel bebas e = nilai kesalahan error yaitu selisih antara nilai Y individual yang teramati dengan nilai Y sesungguhnya pada titik X tertentu Menurut Yusuf 2003 Untuk menentukan model yang paling fit sesuaicocok menggambarkan faktor-faktor yang terkait dengan variabel dependen terikat. Model Regresi Ganda dapat berguna untuk dua hal, yaitu :  Prediksi, memperkirakan variabel dependen dengan menggunakan informasi yang ada pada sebuah atau beberapa variabel independen. Misalnya kita melakukan analisis variabel independen kadar glukosa darah, kadar kolesterol darah dan BB dihubungkan dengan tekanan darah sistolik. Dari hasil regresi, seseorang individu dapat diperkirakan tekanan darahnya pada kadar glukosa, kolesterol dan BB tertentu.  Estimasi, mengkuantifikasi hubungan sebuah atau beberapa variabel independen dengan sebuah variabel dependen. Difungsi ini regresi dapat digunakan untuk mengetahui variabel independen apa saja yang berhubungan dengan variabel dependen. Difungsi ini regresi dapat digunakan untuk mengetahui variabel independen apa saja yang berhubungan dengan variabel dependen. Selain itu kita dapat mengetahui seberapa besar hubungan masing-masing variabel independen dengan dependen setelah memperhitungkanmengontrol variabel independen lainnya. Dari analisis tersebut dapat diketahui variabel mana yang paling besar pengaruhnyadominan dalam mempengaruhi variabel dependen, yang ditujukan dari nilai koefisien regresi b yang sudah distandarisasi yaitu nilai beta. Analisis regresi berganda ini memiliki tujuan untuk memperkirakanmeramalkan nilai Y, jika semua variable bebas diketahui nilainya. Persamaan regresi linear berganda dibentuk dengan menggunakan metode kuadrat terkecil least square method. Selain itu juga untuk mengetahui besarnya pengaruh dari setiap variable bebas yang terdapat dalam persamaan Avip 2007.

III. DATA DAN METODE

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilakukan pada bulan Maret hingga Agustus 2011 di bagian Pemodelan Atmosfer Lembaga Penerbangan dan Antariksa Nasional LAPAN Bandung dan Laboratorium Klimatologi Departemen Geofisika dan Meteorologi Institut Pertanian Bogor IPB.

3.2 Alat dan Data yang digunakan

Alat yang digunakan dalam penelitian ini adalah Laptop dengan software MATLAB versi 2008a, SPSS versi 16.0, Minitab 15, Microsoft excel dan Microsoft word 2007. Data yang digunakan dalam penelitian kali ini adalah sebagai berikut: a. Data curah hujan bulanan daerah Lampung, Sumbawa Besar, Indramayu, Banjar Baru, dan Pandeglang periode 1976 –2000. b. Data Nino 3.4 yang diperoleh dari http:www.cpc.noaa.govdataindices nino34.mth.ascii.txt. Periode 1950-2009 c. Data Monsoon Index periode 1950-2009 • Australian Monsoon Index AUSMI • Western North Pasific Monsoon Index WNPMI • Indian Summer Monsoon Index ISMI Data indeks monsun diperoleh dari: http:iprc.soest.hawaii.eduusersykaji monsoonrealtime-monidx.html

3.3 Metode Penelitian

3.3.1 Anomali Curah Hujan

Sebelum melakukan tahapan penelitian lebih lanjut, tahap awal penelitian yaitu mengubah data curah hujan bulanan menjadi suatu data anomali, tujuannya agar data tersebut lebih mudah diolah. Ada berbagai macam cara pengolahan data curah hujan menjadi data anomali. Dalam penelitian ini, metode yang digunakan adalah Rumus diatas digunakan dengan tujuan agar sifat monsunal pada data curah hujan bulanan tidak dihilangkan. Setelah data curah hujan berbentuk anomali, maka dapat dilakukan tahap-tahap penelitian selanjutnya. 3.3.2 Analisis Spektral Salah satu metode dalam analisis data deret waktu yang jarang dibahas, padahal peranannya sangat besar dalam melengkapi informasi mengenai ciri characters data deret waktu adalah analisis spektral. Analisis spektral membahas mengenai cara menelaah periodesitas data tersembunyi hidden periodecities yang sulit diperoleh pada saat kajian dilakukan pada kawasan domain waktu. Kajian periodesitas data perlu dilakukan untuk menambah informasi mengenai karakteristik dari data deret waktu tersebut, dan harus dilakukan pada kawasan frekuensi melalui analisis spektral Mulyana 2004.

3.3.2.1 FFT Fast Fourier Transform

Salah satu metode analisis spektral yang umum digunakan adalah FFT Fast Fourier Transform. Data deret waktu dapat dinyatakan sebagai deret fourier yang merupakan fungsi harmonis, sehingga dengan membangun fungsi spektrum kuasanya, periodesitas data dapat ditentukan.

3.3.2.2 Transformasi Wavelet

Seperti halnya transformasi fourier, transformasi wavelet digunakan juga untuk menganalisis sinyal ataupun data. Transformasi Wavelet TW adalah suatu alat untuk memilah-milah data, fungsi atau operator ke dalam komponen frekuensi yang berbeda-beda, kemudian mempelajari setiap komponen dengan suatu resolusi yang cocok dengan skalanya. Tang 2009

3.3.3 Analisis Statistik

Analisis statistik pada penelitian kali ini menggunakan dua metode yaitu: metode korelasi silang dan metode pendekatan Box- jenkins.

3.3.3.1 Metode Korelasi Silang

Korelasi menunjukkan adanya hubungan keeratan antara dua variabel atau lebih. Jika dua variabel atau lebih tersebut saling berhubungan maka hasilnya dapat ditentukan dengan nilai koefisien korelasi yang berkisar antara -1 dan +1.

3.3.3.2 Analisis Multivariat

Analisis Regresi Linear Berganda multivariat digunakan untuk mengukur pengaruh antara lebih dari satu variabel predictor variabel bebas terhadap variabel terikat. Adapun persamaan umum dari regresi berganda adalah Y = a + b1X1+b2X2+…+bnXn Keterangan : Y = variabel terikat a = konstanta b1,b2 = koefisien regresi X1, X2 = variabel bebas Analisis regresi berganda dalam penelitian digunakan untuk membuktikan hubungan antara interaksi fenomena monsun dan Nino3.4 terhadap curah hujan. Analisis regresi berganda dapat digunakan untuk menentukan model prediksi awal pengaruh antara interaksi monsun dan Nino3.4 terhadap curah hujan. Selain itu, dapat juga digunakan untuk menentukan berapa lamakah waktu tunggu iklim global dapat mempengaruhi curah hujan di wilayah kajian. Analisis ini dilakukan dengan bantuan software SPSS 16.0 dan Microsoft excel.

3.3.3.3 Metode Pendekatan Box-Jenskins

Menurut Makridakis 1983 metode ini menggunakan beberapa tahapan-tahapan yang perlu dilakukan sebelum membuat model. Tahap 1: Identifikasi Model Cara yang dilakukan pada tahapan identifikasi model adalah:  Plot data aktual data iklim global yang meliputi AUSMI, WNPMI dan Nino 3.4 sehingga dapat terlihat apakah data tersebut stasioner atau tidak. Apabila data belum stasioner maka data harus distasionerkan terlebih dahulu agar data dapat dimodelkan.  Melihat plot dari fungsi autokorelasi ACF dan fungsi autokorelasi parsial PACF untuk melihat model data. Apabila ACF signifikan pada lag lead time q dan PACF menurun secara eksponensial, maka data dapat dimodelkan dengan model MAq Moving average derajat q dan jika ACF turun secara eksponensial dan PACF signifikan pada lag p maka data dapat dimodelkan dengan model ARp Autoregresif derajat p. Apabila kedua hal tersebut tidak diperoleh, ada kemungkinan model merupakan gabungan antara AR dan MA atau ARMAp,q. Gambar 6 Skema pendekatan Box-Jenskin. Tahap 2: Pendugaan Parameter Model Cara-cara yang dapat dilakukan adalah:  Cara mencoba-coba trial and error, menguji beberapa nilai yang berbeda dan memilih salah satu nilai tersebut sekumpulan nilai apabila terdapat lebih dari satu parameter yang akan ditaksir yang meminimumkan jumlah kuadrat nilai sisa sum of squared residuals  Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan program computer memperhalus penaksiran tersebut secara iteratif Makridakis 1983. Tahap 3: Pengujian atau Validasi Model Setelah berhasil menduga nilai parameter dari model ARIMA selanjutnya melakukan pemeriksaan diagnostic untuk membuktikan bahwa model tersebut cukup memadai. Cara yang dapat dilakukan adalah dengan mempelajari nilai sisa residual untuk melihat apakah masih terdapat model yang dapat dipertimbangkan. Kedua dengan cara mempelajari statistik sampling dari pemecahan optimum untuk melihat apakah model masih dapat disederhanakan Makridakis 1983. Tahap 4: Penetapan Model ARIMA Tahap ini merupakan tahap terakhir dimana kita dapat melakukan prakiraan forecasting dari model yang kita buat. 3.4 Lokasi Kajian Gambar 7 Wilayah kajian

3.5 Tahapan Penelitian