PENAKSIRAN PARAMETER MODEL AUTOREGRESSIV. pdf
PENAKSIRAN PARAMETER MODEL AUTOREGRESSIVE EXOGENOUS DENGAN METODE ORDINARY LEAST SQUARE SKRIPSI
Diajukan untuk menempuh Ujian Sarjana pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran
TAMARA PUTRI ANDINI 140110130087 UNIVERSITAS PADJADJARAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI S-1 MATEMATIKA JATINANGOR 2017
JUDUL : PENAKSIRAN PARAMETER MODEL AUTOREGRESSIVE EXOGENOUS DENGAN METODE ORDINARY LEAST SQUARE
PENYUSUN : TAMARA PUTRI ANDINI NPM
Jatinangor, Februari 2017
Menyetujui,
Pembimbing Utama Pembimbing Pendamping
Prof. Dr. Budi Nurani Ruchjana, MS Iin Irianingsih, Dra., M.Stat. NIP 19631223 198803 2 001
NIP 19620305 198703 2 002
Mengetahui, Ketua Prodi S-1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran
Dr. Ema Carnia, M.Si.
ABSTRAK
Curah hujan merupakan ketinggian air hujan yang terkumpul di tempat yang datar, tidak menguap, tidak meresap, dan tidak mengalir, Kelembaban udara adalah jumlah kandungan uap air yang ada dalam udara. Data curah hujan merupakan data yang berpola musiman sehingga membentuk model deret waktu. Pada skripsi ini, analisis deret waktu digunakan untuk memodelkan data deret waktu curah hujan dan kelembaban. Model Autoregressive Exogenous (ARX) adalah model yang menyatakan pengamatan pada waktu sekarang dipengaruhi waktu sebelumnya dan dipengaruhi oleh faktor eksogen pada waktu sekarang.
Dalam penelitian ini, dikaji model ARX untuk memodelkan data curah hujan sebagai faktor endogen serta sejauh mana faktor eksogen khususnya kelembaban udara memengaruhi faktor endogennya dengan bantuan software R. Identifikasi orde AR terhadap data curah hujan di beberapa lokasi provinsi Jawa Barat menunjukkan orde AR(3) dari tiga lokasi pengamatan. Estimasi parameter model ARX(3) menggunakan metode Ordinary Least Square (OLS). Hasil ramalan pada penelitian ini untuk ketiga lokasi digunakan model ARX(3) dengan dihasilkan MAPE lebih dari 10%, namun model ARX diharapkan dapat menjadi alternatif dalam peramalan curah hujan di wilayah Jawa Barat.
Kata kunci: Curah Hujan, Kelembaban, Autoregressive Exogenous , Ordinary Least Square , Software R
ABSTRACT
Rainfall is the height of rainwater that collected in flat place, not evaporate, not flow, and impermeable. Humidity is the amount of water vapor in the air. Rainfall data is a sea sonal data thus forming a time series model. In this resea rch, time series analysis is used for rainfall and humidity data modeling. Autoregressive Exogenous (ARX) model state that value at the present time is affected by value at earlier times and affected by exogenous factor at the present time.
In this resea rch, ARX model is studied for rainfall and humidity data modeling by processing the data using R softwa re, with rainfall as endogenous factor and humidity as exogenous factor. AR model identification of the rainfall data at several locations in West Java is indicates the model order AR(3) for three locations. Parameters estimation for ARX(3) model is using Ordinary Least Square (OLS) method. Foreca st results for three locations generate MAPE value more than 10%, yet ARX model can be one alternative for rainfall forecasting in West Java.
Keywords: Rainfall, Humidity, Autoregressive Exogenous, Ordinary Least Square, R Software
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadirat Allah SWT atas segala rahmat, karunia dan pertolongan-Nya sehingga penulis dapat menyelesaikan skripsi yang
berjudul “PENAKSIRAN PARAMETER MODEL AUTOREGRESSIVE
EXOGENOUS DENGAN METODE ORDINARY LEAST SQUARE ”.
Skripsi ini diajukan untuk memenuhi salah satu syarat dalam menempuh ujian sidang sarjana pada Prodi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran.
Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada Ibu
Prof. Dr. Budi Nurani Ruchjana, MS selaku pembimbing utama penulis dan Ibu Iin Irianingsih, Dra., M.Stat. selaku pembimbing pendamping yang telah meluangkan waktu untuk memberikan bimbingan serta masukan-masukan yang sangat berharga kepada penulis pada saat penyusunan skripsi ini. Selain itu, penulis juga ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan bantuan, terutama kepada:
1. Bapak Prof. Dr. Sudrajat, MS, selaku dekan Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran.
2. Bapak Prof. Dr. Asep K. Supriatna, MS, selaku Ketua Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran.
3. Ibu Dr. Ema Carnia, M.Si., selaku Koordinator Prodi S1 Matematika, Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam.
4. Seluruh staf dosen dan Tata Usaha Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran.
5. Ibu Badrulfalah, Dra. MS, selaku dosen wali penulis.
6. Bapak Sony Surya Nurcahya, Ibu Regina Purba, dan Tania Putri Andari selaku keluarga penulis yang selalu memotivasi dan mendoakan penulis.
7. Teman-teman mahasiswa Departemen Matematika FMIPA Unpad terutama 2013, sahabat seperjuangan (Della, Novi, Kukuh, Cyntia, Ninis, Ieva, dan Belda), Aktuaria 2013, BS, dan Mathcapela yang telah mengisi hari-hari di kampus.
8. Rizki Nadiari yang selalu memotivasi, mendukung, dan memberi masukan untuk penulis dalam menyelesaikan skripsi.
9. Seluruh pihak yang tidak dapat penulis sebutkan satu per satu, yang telah memberikan motivasi kepada penulis.
Penulis terbuka atas segala kritik dan saran yang membangun. Penulis berharap semoga skripsi ini dapat bermanfaat khususnya bagi pengembangan ilmu matematika dan bagi pembaca pada umumnya. Amin.
DAFTAR TABEL
Tabel 4.1 Nilai Statistik Deskriptif dari Data 5 Lokasi ................................ 29 Tabel 4.2
Nilai Estimasi Parameter Model AR(3) Lokasi Indramayu .......... 33 Tabel 4.3
Nilai Estimasi Parameter Model AR(3) Lokasi Bandung ............. 33 Tabel 4.4
Nilai Estimasi Parameter Model AR(3) Lokasi Tasikmalaya ....... 33 Tabel 4.5
Uji ADF Data Curah Hujan pada 5 Lokasi .................................. 35 Tabel 4.6
Nilai Statistik Deskriptif dari Data Kelembaban .......................... 36 Tabel 4.7
Nilai Estimasi Parameter Model ARX(3) Lokasi Indramayu ....... 37 Tabel 4.8
Nilai Estimasi Parameter Model ARX(3) Lokasi Bandung .......... 38 Tabel 4.9
Nilai Estimasi Parameter Model ARX(3) Lokasi Tasikmalaya .... 39 Tabel 4.10
Perbandingan � � dan �̂ � untuk 3 Lokasi ...................................... 41 Tabel 4.11
Nilai MAPE untuk 3 Lokasi ........................................................ 42 Tabel 4.12
Nilai Ramalan Curah Hujan di 3 Lokasi ...................................... 43
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah
Analisis deret waktu univariat merupakan bagian dari proses stokastik. Proses stokastik adalah barisan variabel acak yang diberi urutan atau indeks
{� � | � = , ± , ± , ± , … }, dengan � � adalah variabel acak untuk setiap waktu t dan t merupakan tahun, bulan, minggu, hari, jam, atau waktu lainnya tergantung
situasi (Cryer, 2008). Model Autoregressive (AR) adalah suatu model deret waktu univariat yang menggambarkan pengamatan suatu variabel yang dipengaruhi variabel itu sendiri pada periode sebelumnya untuk data stasioner. Model Autoregressive Exogenous (ARX) merupakan pengembangan dari model AR, namun pada model ARX nilai pengamatan saat ini dipengaruhi atau bergantung pada nilai-nilai pengamatan waktu-waktu sebelumnya serta dipengaruhi oleh faktor luar yaitu variabel eksogen.
Pada skripsi ini, analisis deret waktu digunakan untuk memodelkan data deret waktu curah hujan dan kelembaban. Data curah hujan merupakan data yang berpola musiman sehingga membentuk model deret waktu. Curah hujan yang terjadi di wilayah Indonesia terdiri dari tiga pola yaitu: monsunal, ekuatorial dan lokal. Pola monsunal memiliki grafik curah hujan yang bersifat unimodal dengan satu puncak musim hujan dalam setahun yang terjadi pada bulan Desember hingga Februari. Curah hujan merupakan ketinggian air hujan yang terkumpul di tempat Pada skripsi ini, analisis deret waktu digunakan untuk memodelkan data deret waktu curah hujan dan kelembaban. Data curah hujan merupakan data yang berpola musiman sehingga membentuk model deret waktu. Curah hujan yang terjadi di wilayah Indonesia terdiri dari tiga pola yaitu: monsunal, ekuatorial dan lokal. Pola monsunal memiliki grafik curah hujan yang bersifat unimodal dengan satu puncak musim hujan dalam setahun yang terjadi pada bulan Desember hingga Februari. Curah hujan merupakan ketinggian air hujan yang terkumpul di tempat
Model AR dan ARX telah digunakan pada penelitian sebelumnya yang dilakukan oleh Dany Aryanto (2014) yaitu untuk meneliti perbandingan model AR dan ARX pada data Indeks Harga Saham Gabungan dan kurs Rupiah terhadap Dolar Amerika. Telah diketahui dari penelitian tersebut bahwa model ARX adalah model terbaik untuk memodelkan data IHSG dan kurs Rupiah terhadap Dolar Amerika.
Model ARX termasuk ke dalam model linier sehingga salah satu metode penaksiran parameter model yang dapat digunakan adalah Metode Ordinary Least Square (OLS). Pada skripsi ini, penulis ingin mengetahui bagaimana menaksir parameter model ARX dengan OLS dan bagaimana penerapannya pada data curah hujan dan kelembaban.
1.2 Identifikasi Masalah
Berdasarkan latar belakang yang telah dijelaskan, masalah yang akan diteliti adalah:
1. Bagaimana penaksiran parameter model ARX dengan OLS?
2. Bagaimana penerapan model ARX pada data curah hujan dengan penambahan variabel eksogen kelembaban?
1.3 Batasan Masalah
Pada penelitian ini penulis membatasi masalah yang akan dibahas agar jelas dan terarah, yaitu:
1. Model yang digunakan dalam skripsi ini adalah model Autoregressive Exogenous (ARX).
2. Penaksiran parameter model menggunakan Metode Ordinary Least Squa re (OLS).
3. Kriteria galat pada model ARX menggunakan MAPE.
4. Pada penelitian ini softwa re yang digunakan adalah Microsoft Excel 2010 dan R versi 3.1.1.
1.4 Maksud dan Tujuan Penelitian
Maksud penelitian ini adalah untuk mengaplikasikan model ARX dengan OLS pada data curah hujan dan kelembaban.
Tujuan dari penelitian ini adalah:
1. Menaksir parameter model ARX dengan OLS.
2. Menerapkan model ARX pada data curah hujan dengan penambahan
1.5 Kegunaan Penelitian
Kegunaan penelitian ini adalah:
1. Bagi penulis, skripsi ini dapat menerapkan ilmu yang sudah diperoleh pada masa perkuliahan mengenai analisis deret waktu.
2. Bagi pembaca, skripsi ini dapat menjadi referensi untuk penelitian selanjutnya mengenai penaksiran parameter model ARX dan penerapannya pada data curah hujan dengan penambahan variabel eksogen kelembaban.
1.6 Metodologi Penelitian
Prosedur yang digunakan dalam penelitian ini yaitu:
1. Studi Literatur
Bentuk penelitian yang dilakukan penulis adalah dengan mempelajari teori- teori dasar yang dapat menunjang penulisan skripsi ini, seperti: analisis deret waktu, Autocorrelation Function (ACF), Partia l Autocorrelation Function (PACF), kestasioneran, proses stokastik, Augmented Dickey Fuller Test , Ordinary Lea st Square (OLS), Q-Q Plot , dan model Autoregressive Exogenous (ARX).
2. Studi Eksperimental
Data curah hujan dan kelembaban yang didapat akan diolah menggunakan software R dengan mengaplikasikan teori yang telah dipelajari pada studi literatur untuk melakukan penaksiran model.
1.7 Sistematika Penulisan
Sistematika penulisan yang penulis gunakan dalam skripsi ini adalah sebagai berikut:
BAB I. PENDAHULUAN. Bab ini membahas hal-hal yang mendasari dan melatarbelakangi penelitian ini, identifikasi masalah, pembatasan masalah, maksud dan tujuan penelitian, kegunaan penelitian, dan sistematika penulisan.
BAB II. TINJAUAN PUSTAKA. Bab ini menjelaskan teori dan konsep dasar dari analisis deret waktu seperti: analisis deret waktu, Autocorrelation Function (ACF), Pa rtial Autocorrelation Function (PACF), kestasioneran, proses stokastik, Augmented Dickey Fuller Test , Ordinary Least Square (OLS), Q-Q Plot , dan model Autoregressive Exogenous (ARX).
BAB III. METODOLOGI PENELITIAN. Bab ini membahas mengenai data dan langkah-langkah untuk mengestimasi parameter model.
BAB IV. HASIL DAN PEMBAHASAN. Bab ini membahas tentang pengolahan data curah hujan dan kelembaban dengan menggunakan model ARX
BAB V. SIMPULAN DAN SARAN. Bab ini berisi tentang simpulan dari penelitian telah dilakukan serta saran yang berisi tentang rekomendasi untuk penelitian selanjutnya agar dapat mengembangkan model menjadi lebih luas.
BAB II TINJAUAN PUSTAKA
Pada bab ini dijelaskan teori-teori yang mendukung untuk menaksir parameter model Autoregressive Exogenous (ARX) dan menerapkannya pada data curah hujan dan kelembaban.
2.1 Analisis Deret Waktu
Analisis deret waktu adalah analisis yang memodelkan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu secara berurutan dengan interval tetap. Analisis deret waktu merupakan salah satu prosedur statistika yang diterapkan untuk meramalkan keadaan yang akan terjadi sebagai pertimbangan untuk mengambil keputusan. Analisis deret waktu univariat merupakan bagian dari proses stokastik. Proses stokastik adalah barisan variabel acak yang diberi urutan atau indeks {� � | � = , ± , ± , ± , … }, dengan � � adalah variabel acak untuk setiap waktu t dan t merupakan tahun, bulan, minggu, hari, jam, atau waktu lainnya tergantung situasi (Cryer, 2008).
Dalam analisis deret waktu terdapat beberapa jenis model, yaitu model deret waktu stasioner, model deret waktu non-stasioner, dan model deret waktu heteroskedastik. Model deret waktu yang paling sering digunakan adalah model deret waktu stasioner antara lain model Autoregressive Exogenous (ARX). ARX merupakan pengembangan dari model autoregressive yang didalamnya terdapat dua macam variabel yaitu variabel endogen dan eksogen.
2.2 Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF)
Dalam analisis deret waktu, fungsi autokovariansi, fungsi autokorelasi, dan fungsi autokorelasi parsial digunakan untuk menentukan model apa yang akan digunakan untuk pemodelan deret waktu (Wei, 2006). Koefisien autokorelasi artinya adalah hubungan antara data pada waktu t dengan data pada waktu t+ k yang memiliki selisih waktu k (lag- k ).
Jika {� � } merupakan suatu proses stasioner dengan
fungsi autokorelasi antara � � dan � �+� adalah
dengan =� � � =� � �+� dan � =�� � ,� �+� = � � −�� �+� −�
Sifat-sifat fungsi autokovariansi � pada proses stasioner adalah sebagai berikut:
3. � = −� untuk semua k Sedangkan sifat fungsi autokorelasi � pada proses stasioner adalah sebagai
berikut:
3. � = −� untuk semua k Berdasarkan sifat-sifatnya dapat dilihat bahwa fungsi autokovariansi dan fungsi autokorelasi adalah fungsi genap. Pada deret waktu stasioner, autokorelasi parsial pada lag ke k digunakan untuk mengukur tingkat keeratan antara keadaan � � dan � �−� dengan tidak mempertimbangkan pengaruh dari � �− ,� �− , …, dan � �−� . Partial Autocorrelation Function (PACF) didefinisikan sebagai berikut:
(2.2) � �� adalah koefisien korelasi dalam distribusi bivariat, � � ,� �+� yang
bersyarat � �+ ,� �+ ,…,� �+�− (Wei, 2006). Jika {� � } adalah deret waktu yang berdistribusi normal, maka fungsi autokorelasi parsial (PACF) antara � � dan � �+� akan sama dengan autokorelasi biasa antara � � − �̂ � dan � �+� − �̂ �+� , yang dinotasikan � yaitu (Wei, 2006):
2.3 Kestasioneran Data
Data stasioner artinya data tidak terjadinya pertumbuhan dan penurunan pola. Data dikatakan stasioner apabila pola data tersebut berada pada kesetimbangan di sekitar nilai rata-rata dan konstan selama waktu tertentu. Suatu proses stokastik {� � , � ∈ �} dikatakan stasioner lemah jika:
1. Rataan : � � = � konstan
2. Kovariansi: � =�� � ,� �+� = � � −�� �+� −�, hanya
3. Variansi : � = � � −�= � �+ −�=� � � adalah hingga. (Wei, 2006).
Secara visual, kestasioneran data dalam mean dapat dilihat dari plot data deret waktu dan plot ACF data untuk masing-masing variabel secara univariat. Plot deret waktu yang berfluktuansi dengan ragam yang konstan disekitar rataan yang konstan menunjukkan bahwa deret waktu tersebut stasioner, sedangkan plot deret
waktu yang tidak berfluktuansi mengindikasikan bahwa data deret waktu tidak stasioner. Jika korelogram ACF dari data membentuk pola cut-off (memotong garis) atau tails off (turun secara cepat membentuk sinosaidal), maka data diperkirakan stasioner. Sedangkan jika ACF membentuk tails off secara lambat, maka data dapat diindikasikan sebagai data tidak stasioner (Wei, 2006).
2.4 Augmented Dickey Fuller Test Augmented Dickey Fuller (ADF) test adalah uji statistik untuk mengetahui data adalah stasioner atau tidak stasioner. Uji statistik ADF digunakan pada bilangan negatif. Jika lebih negatif, maka kuat menolak hipotesis yang terdapat unit root artinya data tidak stasioner. Terdapat unit root ketika koefisien parameter � adalah bernilai satu. Unit root dapat dinyatakan sebagai =�−.
Δ� � = +��− + ∑ � �= Δ� � − � + +� (2.3) Digunakan hipotesis seperti yang diterapkan oleh (Mulyaningsih, T.,
2015) sebagai berikut: � : = , data tidak stasioner
� : ≠ , data stasioner Statistik uji yang digunakan adalah:
. ( ̂) dengan ̂: nilai dugaan
. ( ̂): simpangan baku dari Jika � hitung adalah kurang daripada nilai kritis pada tabel uji Dickey-Fuller , maka tolak � yang artinya data stasioner.
2.5 Metode Ordinary Least Square
Metode Ordinary Least Square (OLS) merupakan salah satu penaksir parameter untuk model linear secara umum. Analisis regresi adalah metode statistik yang paling sering digunakan dalam analisis data (Wei, 2006). Akibatnya, estimasi metode OLS berkembang untuk model regresi standar, juga bisa menjadi metode yang paling sering digunakan sebagai prosedur estimasi dalam statistik.
Perhatikan model persamaan linear berikut:
(2.4) dengan ~
,�. Taksiran parameter model linear diatas dapat diselesaikan dengan metode OLS dengan cara mengalikan kedua ruas dengan �′ sehingga diperoleh:
2.6 Model AR(1)
Model Autoregressive (AR) adalah model deret waktu univariat yang menyatakan bahwa nilai pengamatan pada waktu saat ini dipengaruhi atau bergantung pada nilai pengamatan pada waktu-waktu sebelumnya. Nilai pada waktu ke � disebut � � yang diregresikan dengan nilai-nilai sebelumnya pada dirinya sendiri ditambah dengan white noise pada lag ke- p dinamakan model AR( p ).
Autoregressive mewakili sebuah proses, jika hanya ada sebuah bilangan hingga tak nol yang dinotasikan dengan , maka
= � , dan � = untuk � > , maka proses ini dikatakan model autoregressive orde p , yang dinotasikan dengan AR( p ). Model dinaytakan dengan persamaan sebagai berikut (Wei, 2006):
� � =�� �− +�� �− +⋯+�� �− + � (2.5) dengan asumsi:
,� dengan:
� � : variabel acak pada waktu � � : parameter model AR pada lag ke- p
� : error model AR
� merupakan error dari model yang diasumsikan berdistribusi normal dengan rata-rata 0 dan nilai varians konstan �.
Jika pada persamaan (2.5) nilai p =1 maka model menjadi:
Jika model AR(1) dibentuk dengan menggunakan operator backshift maka persamaannya menjadi:
Proses AR(1) dikatakan stasioner apabila akar-akar polinom dari �
− � = terletak di luar lingkaran satuan (Wei, 2006). Oleh karena itu, � � −� = �
dengan � =−�=, maka
dan akar dari � =,
Maka AR(1) stasioner bila | B| >1, maka | �|<1 atau − < � < .
2.6.1 Penaksiran Model AR(1) dengan Metode OLS Model autoregressive orde satu AR(1) adalah turunan dari model AR( p ) dimana AR(1) adalah model deret waktu yang menyatakan bahwa pengamatan pada waktu � dipengaruhi oleh satu waktu sebelumnya � − , model AR(1) ditulis sebagai berikut:
� � = �� �− + � (2.6) dengan asumsi: ��
� ~ ,� dengan:
� � : variabel acak pada waktu � � �− : variabel acak pada waktu �− � : parameter model AR(1)
� : error model AR(1) Untuk menaksir parameter � pada model AR(1) akan digunakan metode
OLS. Model AR(1) dinyatakan sebagai berikut:
Misalkan M adalah fungsi � dikuadratkan,
Untuk mendapatkan error yang minimum, turunan pertama � terhadap � harus sama dengan 0:
Nilai �̂ bernilai konstan pada model AR(1) dengan nilai variansi model adalah:
Nilai � harus berhingga dan terletak diantara − < � < , hal ini merupakan syarat agar deret waktu bersifat stasioner (Wei, 2006).
2.7 Model ARX(1)
ARX adalah model deret waktu univariat yang menyatakan bahwa nilai pengamatan pada waktu saat ini dipengaruhi atau bergantung oleh nilai pada waktu-waktu sebelumnya serta dipengaruhi oleh faktor luar yaitu variabel eksogen. Model ARX merupakan pengembangan dari model AR namun pada model ARX terdapat dua variabel yaitu variabel endogen dan variabel eksogen. Variabel eksogen adalah variabel yang memiliki pengaruh terhadap variabel yang lain, namun tidak dipengaruhi oleh variabel lain dalam model. Model ARX(1) dapat ditulis sebagai berikut (Qin, P., Nishii, R., Nakagawa, T., Nakamoto, T., 2010):
� � = �� �− + �� � + � (2.7) dengan:
� �− : variabel acak endogen pada waktu t -1 � � : variabel acak eksogen pada waktu t �
: parameter variabel endogen model ARX(1) �
: parameter variabel eksogen model ARX(1) � : error pada model ARX(1)
� merupakan error dari model yang diasumsikan berdistribusi normal dengan rata-rata 0 dan nilai varians konstan �.
2.7.1 Penaksiran Model ARX(1) dengan Metode OLS
Model ARX(1) merupakan pengembangan dari model AR(1). Oleh karena itu, langkah untuk mngestimasi model ARX(1) tidak jauh berbeda dengan model AR(1). Berikut uraian pengestimasian parameter model ARX(1) dengan menggunakan metode OLS:
1. Model ARX(1) sebagai berikut: � � = �� �− + �� � + � (2.8)
dengan asumsi � ~
2. Dari persamaan (2.8) bentuk � menjadi � =� � − �� �− − �� � (2.9)
3. Persamaan (2.9) dikuadratkan kedua ruas dan dimisalkan dengan = � =� � − �� �− − �� �
4. Turunkan persamaan (2.10) terhadap �
6. Untuk meminimumkan error pada model maka turunan pertama persamaan (2.11) dan (2.12) harus sama dengan nol:
7. Lalu dari persamaan (2.13) dan (2.14) dicari nilai � dan � dengan menggunakan matriks: �� �− + �� � � �− =� � � �− �� �− � � + �� � =� � � �
Untuk � = , , … , maka didapat
2.8 (Q-Q) Plot Cek diagnostik model dilakukan untuk mengetahui apakah asumsi residual sudah terpenuhi dengan melihat quantile-quantile (Q-Q) plot. Apabila residual model berada pada garis normalnya maka residual tidak berkorelasi, dan memiliki rata- rata nol dan varians konstan. Gambar berikut merupakan contoh kenormalan residual melalui Q-Q plot:
Sumber: https://en.wikipedia.org/wiki/Q%E2%80%93Q_plot Gambar 2.1 Kenormalan Residual Melalui Q-Q Plot
2.9 Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) merupakan persentase dari rata- rata mutlak error pada tiap periode dibagi dengan nilai aktual pada periode Mean Absolute Percentage Error (MAPE) merupakan persentase dari rata- rata mutlak error pada tiap periode dibagi dengan nilai aktual pada periode
MAPE =∑ �= | | (2.16)
� � merupakan data ramalan pada periode � dan adalah banyaknya periode waktu.
2.10 Curah Hujan
Berdasarkan distribusi data rata-rata curah hujan bulanan, umumnya wilayah Indonesia dibagi menjadi 3 (tiga) pola hujan, yaitu:
1. Pola hujan monsun, yang wilayahnya memiliki perbedaan yang jelas antara periode musim hujan dan periode musim kemarau kemudian dikelompokan dalam Zona Musim (ZOM), tipe curah hujan yang bersifat unimodial (satu puncak musim hujan, Desember-Januari-Februari musim hujan, Juni-Juli-Agustus musim kemarau).
2. Pola hujan equatorial, yang wilayahnya memiliki distribusi hujan bulanan bimodial dengan dua puncak musim hujan maksimum dan hampir sepanjang tahun masuk dalam kriteria musim hujan. Pola ekuatorial dicirikan oleh tipe curah hujan dengan bentuk bimodial (dua puncak hujan) yang biasanya terjadi sekitar bulan Maret dan Oktober atau pada saat terjadi ekinoks.
3. Pola hujan lokal, yang wilayahnya memiliki distribusi hujan bulanan kebalikan dengan pola monsun. Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu puncak hujan), tetapi bentuknya berlawanan dengan tipe hujan monsun.
Curah hujan di Indonesia beragam menurut waktu dan tempat (http://repository.ipb.ac.id/handle/123456789/60623?show=full).
Keragaman curah hujan dipengaruhi oleh unsur-unsur cuaca lainnya, salah satunya adalah kelembaban. Keterkaitan curah hujan dengan unsur cuaca lain tercermin dari siklus hidrologi yang berpengaruh terhadap kehidupan manusia. Kelembaban udara memiliki peranan penting pada siklus hidrologi yaitu dalam pembentukan dan pertumbuhan awan yang berkaitan dengan kejadian hujan.
2.11 Kelembaban
Kelembaban udara adalah jumlah kandungan uap air yang ada dalam udara. Banyaknya uap air di atmosfer antara 0-5% adalah tidak konstan. Jika kadar uap air naik, maka akan menyebabkan energi potensial naik, sehingga dapat mengakibatkan turunnya hujan.
Kandungan uap air di udara berubah-ubah bergantung pada suhu, semakin tinggi suhu maka semakin banyak kandungan uap airnya. Alat pengukur kelembaban udara adalah higrometer (http://dataonline.bmkg.go.id/webfaq).
Kelembaban udara ada 2 jenis sebagai berikut:
1. Kelembaban mutlak (absolut) yaitu bilangan yang menunjukkan jumlah uap air dalam satuan gram pada satu meter kubik udara.
2. Kelembaban relatif (nisbi), yaitu angka dalam persen yang menunjukkan perbandingan antara banyaknya uap air yang dikandung udara pada suhu tertentu dan jumlah uap air maksimum yang dapat dikandung udara.
Kelembaban relatif dihitung dengan menggunakan rumus berikut:
Keterangan: : kelembaban relatif.
� : uap air yang dikandung udara pada temperatur tertentu. � : kapasitas kandungan uap air maksimum.
BAB III OBJEK DAN METODE PENELITIAN
Pada bab ini akan dibahas data penelitian, variabel penelitian, dan langkah-langkah yang digunakan untuk mengestimasi parameter model ARX.
3.1 Data Penelitian
Data dalam penelitian ini adalah data sekunder yaitu data curah hujan dan data kelembaban di beberapa lokasi pada provinsi Jawa Barat. Data curah hujan dan data kelembaban tersebut diperoleh dari PSTA LAPAN Bandung. Data yang digunakan adalah data bulanan pada musim hujan menurut pola hujan monsun yaitu setiap bulan basah yang diantaranya adalah Desember, Januari, dan Februari dari tahun 1981 hingga 2015. Jumlah data yang digunakan dalam penelitian ini adalah masing-masing 102 data curah hujan dan data kelembaban pada masing- masing lokasi.
3.2 Variabel Penelitian
Variabel yang digunakan dalam penelitian ini terdiri:
� � = Nilai curah hujan sebagai variabel endogen pada waktu � � � = Nilai kelembaban sebagai variabel eksogen pada waktu �
3.3 Tahapan Analisis Data
Tahap 1: Pengumpulan Data Tahap ini merupakan tahap mencari dan mengumpulkan data deret waktu.
Data yang dibutuhkan yaitu data curah hujan dan data kelembaban di beberapa lokasi pada provinsi Jawa Barat. Data yang digunakan merupakan data sekunder yang didapat dari LAPAN Bandung. Model yang digunakan adalah model ARX yang mengharuskan data bersifat stasioner.
Tahap 2: Identifikasi Model Pada tahap ini dilakukan pengidentifikasian model dengan menggunakan
plot ACF dan PACF. Jika plot ACF menurun secara eksponensial mulai pada lag pertama dan plot PACF siginfikan pada lag ke- p , maka model yang digunakan adalah model AR( p ). Dalam penelitian ini, plot PACF signifikan pada lag ke-3.
Tahap 3: Menaksir parameter model AR(3) Setelah dilakukan plot ACF dan PACF dapat diketahui bahwa model yang akan digunakan adalah model AR(3). Oleh karena itu, untuk tahapan
selanjutnya adalah mengestimasi parameter model AR(3) dengan menggunakan metode OLS. Parameter yang harus diestimasi dalam model AR(3) yaitu �,�,�.
Tahap 4: Menentukan kestasioneran data Kestasioneran data ditentukan dengan Augmented Dickey Fuller (ADF) Tahap 4: Menentukan kestasioneran data Kestasioneran data ditentukan dengan Augmented Dickey Fuller (ADF)
Tahap 5: Menambahkan variabel eksogen pada model AR(3) Setelah diketahui bahwa data yang dimodelkan AR(3) merupakan data stasioner maka tahap selanjutnya menambahkan variabel eksogen ke
dalam model AR(3) sehingga model berubah menjadi model ARX(3).
Tahap 6: Menaksir parameter model ARX(3) Model ARX(3) ditaksir dengan menggunakan metode OLS. Parameter yang harus ditaksir yaitu � , � , � , �.
Tahap 7: Checking diagnostic Setelah berhasil menaksir nilai-nilai parameter dari model ARX(3),
selanjutnya perlu dilakukan cek diagnostik untuk mengetahui apakah model yang didapat sudah baik atau belum yaitu apabila asumsi residual sudah terpenuhi dengan melihat quantile-quantile (Q-Q) plot. Apabila residual model berada pada garis normalnya maka residual tidak berkorelasi, dan memiliki rata-rata nol dan varians konstan. Lalu dihitung pula Mean Absolute Percentage Error (MAPE) dari perbandingan data aktual in-sample dengan data taksiran.
Tahap 8: Peramalan Dari model yang sudah didapat dari penaksiran parameter, dapat dihitung nilai ramalan curah hujan pada waktu yang akan datang.
Untuk mempermudah dalam analisis data, selanjutnya dibuat tahapan analisis yang disajikan dalam bentuk diagram pada Gambar 3.2 sebagai berikut:
Start Tambahkan Variabel
Eksogen pada Model AR Data Curah Hujan
Identifikasi Model AR dengan Plot ACF dan
Penaksiran Parameter PACF
Model ARX dengan OLS
Penaksiran Parameter Model AR dengan OLS
Model ARX
Check Diagnostic Model AR
Peramalan Kestasioneran
Gambar 3.1 Tahapan Analisis Data
3.4 Prosedur Penggunaan Software R untuk Identifikasi Model ARX
Perangkat lunak R dapat membantu dalam menentukan statistik deskriptif data, penentuan plot data deret waktu, estimasi parameter model ARX, dan nilai data peramalan. Langkah-langkah penggunaan perangkat lunak R dalam mengidentifikasi model ARX adalah sebagai berikut:
1. Buka perangkat lunak R versi 3.1.1.
2. Input data
Data yang digunakan adalah data dari Microsoft Excel , sehingga diperlukan import data dengan mengubah ekstensi file menjadi “.csv”. Lalu ketik pada R:
3. Statistika deskriptif data
4. Analisis deret waktu
Plot data deret waktu, plot autokorelasi (ACF) dan autokorelasi parsial (PACF), dan uji kestasioneran data dalam mean dengan metode Augmented Dickey Fuller test (ADF).
BAB IV HASIL DAN PEMBAHASAN
Bab ini membahas tentang pengolahan data curah hujan dengan penambahan variabel eksogen kelembaban menggunakan model ARX.
4.1 Data Curah Hujan dan Kelembaban
Data yang digunakan adalah data bulanan pada musim hujan menurut pola hujan monsun yaitu setiap bulan Desember, Januari, dan Februari dari tahun 1981 hingga 2015. Jumlah data yang digunakan dalam penelitian ini adalah masing-masing 102 data curah hujan dan data kelembaban pada setiap lokasi. Data curah hujan akan digunakan sebagai variabel endogen dan data kelembaban sebagai variabel eksogen pada model ARX. Data curah hujan dan kelembaban dapat dilihat di Lampiran.
4.2 Penaksiran Parameter Model AR
4.2.1 Plotting Data Curah Hujan
Gambar 4.1 hingga 4.5 memperlihatkan grafik data curah hujan masing- masing sebanyak 102 data pada 5 lokasi.
Gambar 4.1 Plot Data Curah Hujan Indramayu
Gambar 4.2 Plot Data Curah Hujan Bandung
Gambar 4.3 Plot Data Curah Hujan Bogor
Gambar 4.4 Plot Data Curah Hujan Sumedang
Gambar 4.5 Plot Data Curah Hujan Tasikmalaya
Tabel 4.1 menyajikan nilai statistika deskriptif dari data curah hujan pada kelima lokasi yang terdiri dari rataan, variansi, maksimum, median, dan minimum.
Tabel 4.1 Nilai Statistika Deskriptif dari Data Curah Hujan di 5 Lokasi
Lokasi Rataan
Variansi
Maksimum
Median Minimum
Indramayu 2 298 mm 9030,108 mm 683,7 mm 288,7 mm 89,51 mm Bandung 2 224,1 mm 4380,837 mm 504,7 mm 219,1 mm 103,3 mm
Bogor 2 388,1 mm 13642,9 mm 943,8 mm 368,4 mm 161,6 mm Sumedang 2 386,6 mm 8988,661 mm 784,1 mm 383,1 mm 142,4 mm
Tasikmalaya 333,9 mm 2 12159,33 mm 864 mm
323,2 mm 111 mm
4.2.2 Identifikasi Model AR
Selanjutnya data curah hujan diidentifikasi dengan melihat plot ACF dan plot PACFnya. Gambar 4.6 hingga 4.10 memperlihatkan korelogram dari data curah hujan pada kelima lokasi.
Gambar 4.6 Plot ACF dan PACF Data Curah Hujan Indramayu
Gambar 4.7 Plot ACF dan PACF Data Curah Hujan Bandung
Gambar 4.8 Plot ACF dan PACF Data Curah Hujan Bogor
Gambar 4.9 Plot ACF dan PACF Data Curah Hujan Sumedang
Gambar 4.10 Plot ACF dan PACF Data Curah Hujan Tasikmalaya
Berdasarkan gambar di atas, dapat terlihat bahwa ACF menurun secara eksponensial dan pada PACF data signifikan pada lag ke-3 untuk lokasi Indramayu, Bandung, dan Tasikmalaya sehingga data tersebut dapat dimodelkan dengan menggunakan model AR(3) yang dinyatakan dalam persamaan sebagai berikut:
dengan � adalah parameter AR(3) dari data curah hujan. Sedangkan pada lokasi Bogor dan Sumedang, data curah hujan tidak cocok dengan model ARX.
4.2.3 Penaksiran Parameter Model AR(3)
Setelah diketahui bahwa model yang digunakan adalah model AR(3) maka langkah selanjutnya adalah menaksir parameter model AR(3). Penaksiran parameter model AR(3) menggunakan bantuan software R dengan metode Ordinary Least
Square . Tabel 4.2, Tabel 4.3, dan Tabel 4.4 menunjukkan nilai taksiran dari model AR(3) untuk ketiga lokasi.
Tabel 4.2 Nilai Taksiran Parameter Model AR(3) untuk Lokasi Indramayu
Tabel 4.3 Nilai Taksiran Parameter Model AR(3) untuk Lokasi Bandung
Tabel 4.4 Nilai Taksiran Parameter Model AR(3) untuk Lokasi Tasikmalaya
Untuk lokasi Indramayu, pada Tabel 4.2 diperoleh nilai taksiran dari parameter �=,
. Jadi persamaan (4.1) dapat ditulis menjadi:
dan �=,
Dari model tersebut, nilai curah hujan pada satu waktu dipengaruhi oleh satu waktu sebelumnya sebesar ,
, dua waktu sebelumnya sebesar , dan tiga waktu sebelumnya sebesar ,
Untuk lokasi Bandung, pada Tabel 4.3 diperoleh nilai taksiran dari parameter �=,
. Jadi persamaan (4.1) dapat ditulis menjadi:
Dari model tersebut, nilai curah hujan pada satu waktu dipengaruhi oleh satu waktu sebelumnya sebesar ,
, dua waktu sebelumnya sebesar , dan tiga waktu sebelumnya sebesar ,
Untuk lokasi Tasikmalaya, pada Tabel 4.4 diperoleh nilai taksiran dari parameter �=,
. Jadi persamaan (4.1) dapat ditulis menjadi:
Dari model tersebut, nilai curah hujan pada satu waktu dipengaruhi oleh satu waktu sebelumnya sebesar ,
, dua waktu sebelumnya sebesar , dan tiga waktu sebelumnya sebesar ,
4.2.4 Kestasioneran
Uji Augmented Dickey Fuller (ADF) digunakan untuk menentukan kestasioneran data. Tabel 4.5 menunjukkan hasil uji ADF yang didapat dengan bantuan software R:
Tabel 4.5 Uji ADF Data Curah Hujan pada 5 Lokasi
Lokasi
ADF
Orde Lag
Berdasarkan uji ADF, terlihat bahwa untuk data curah hujan di Indramayu, Bandung, dan Tasikmalaya diperoleh nilai ADF di setiap lokasi lebih kecil dari nilai kritis yaitu -1,645 dengan derajat kepercayaan 0,95 sehingga dapat disimpulkan data sudah stasioner.
4.3 Variabel Eksogen
Setelah model AR(3) didapat maka selanjutnya model tersebut akan ditambahkan dengan variabel eksogen yaitu data kelembaban sehingga model berubah menjadi model ARX(3) yaitu sebagai berikut:
dengan � adalah parameter AR(3) dari data curah hujan dan � adalah parameter dari variabel eksogen kelembaban. Data kelembaban dapat dilihat di Lampiran 4. Gambar
4.7 memperlihatkan grafik data kelembaban sebanyak 102 data.
Gambar 4.11 Plot Data Kelembaban
Tabel 4.6 menyajikan nilai statistika deskriptif dari data curah hujan pada kelima lokasi yang terdiri dari rataan, variansi, maksimum, median, dan minimum.
Tabel 4.6 Nilai Statistika Deskriptif dari Data Kelembaban di Jawa Barat
Rataan Variansi
Minimum 85,85
Maksimum
Median
Pada penaksiran parameter model ARX, metode yang digunakan sama dengan penaksiran parameter model AR. Perbedaannya adalah parameter yang ditaksir yaitu � dan �.
4.4 Penaksiran Parameter Model ARX(3) untuk Lokasi Indramayu
Berikut nilai taksiran parameter � dan � yang didapat dengan bantuan software R:
Tabel 4.7 Nilai Taksiran Parameter Model ARX(3) untuk Lokasi Indramayu
Dari Tabel 4.7 didapat nilai taksiran parameter model ARX(3) yaitu �=−,
sehingga model ARX(3) dapat ditulis menjadi:
Dari model tersebut, nilai curah hujan di lokasi Indramayu pada satu waktu dipengaruhi oleh nilai curah hujan pada satu waktu sebelumnya sebesar -0,0319, dua waktu sebelumnya sebesar -0,1574, tiga waktu sebelumnya sebesar 0,2084 dan variabel eksogen yaitu nilai kelembaban pada waktu tersebut sebesar 3,474.
4.5 Penaksiran Parameter Model ARX(3) untuk Lokasi Bandung
Berikut nilai taksiran parameter � dan � yang didapat dengan bantuan software R:
Tabel 4.8 Nilai Taksiran Parameter Model ARX(3) untuk Lokasi Bandung
Dari Tabel 4.8 didapat nilai taksiran parameter model ARX(3) yaitu �=−,
sehingga model ARX(3) dapat ditulis menjadi:
Dari model tersebut, nilai curah hujan di lokasi Bandung pada satu waktu dipengaruhi oleh nilai curah hujan pada satu waktu sebelumnya sebesar -0,0584, dua waktu sebelumnya sebesar -0,0711, tiga waktu sebelumnya sebesar 0,2387 dan variabel eksogen yaitu nilai kelembaban pada waktu tersebut sebesar 2,6331.
4.6 Penaksiran Parameter Model ARX(3) untuk Lokasi Tasikmalaya
Berikut nilai taksiran parameter � dan � yang didapat dengan bantuan software R:
Tabel 4.9 Nilai Taksiran Parameter Model ARX(3) untuk Lokasi Tasikmalaya
Dari Tabel 4.9 didapat nilai taksiran parameter model ARX(3) yaitu �=−,
sehingga model ARX(3) dapat ditulis menjadi:
Dari model tersebut, nilai curah hujan di lokasi Tasikmalaya pada satu waktu dipengaruhi oleh nilai curah hujan pada satu waktu sebelumnya sebesar -0,053, dua waktu sebelumnya sebesar -0,0825, tiga waktu sebelumnya sebesar 0,264 dan variabel eksogen yaitu nilai kelembaban pada waktu tersebut sebesar 3,8837.
4.7 Checking Diagnostic
Model dikatakan layak digunakan apabila residual data bersifat normal atau independen. Secara visual, uji kenormalan residual dapat dilakukan dengan melihat
Q-Q plot ( quantile-quantile plot ). Gambar 4.8 menunjukkan Q-Q Plot model ARX(3) untuk ketiga lokasi yang sudah didapat dengan bantuan software R:
Lokasi Indramayu
Lokasi Bandung
Lokasi Tasikmalaya
Gambar 4.12 Kenormalan Residual Melalui (Q-Q) Plot
Gambar 4.12 menunjukkan bahwa berdasarkan kenormalan Q-Q plot, residual data prediksi adalah normal pada ketiga lokasi karena terletak di sekitar garis normalnya. Residual data bersifat normal sehingga model sudah layak digunakan.
Nilai MAPE pada data in-sample digunakan untuk melihat bagaimana ketepatan ramalan dalam suatu pemodelan. Sedangkan ketepatan ramalan dapat Nilai MAPE pada data in-sample digunakan untuk melihat bagaimana ketepatan ramalan dalam suatu pemodelan. Sedangkan ketepatan ramalan dapat
Tabel 4.10 Perbandingan � � dan �̂ � untuk Lokasi Indramayu, Bandung, Tasikmalaya
Tasikmalaya Waktu � � �̂ � � � �̂ � � � �̂ �
Indramayu
Bandung
283,1389 389,55 Feb 2010 284,7902
Jan 2010 371,4963
302,1643 370,23 Des 2010 240,7751
428,1644 370,45 Jan 2011 358,6133
233,1346 365,75 Feb 2011 207,4751
235,5483 368,28 Des 2011 286,6815
367,3596 421,441 Jan 2012 308,5687
315,4457 363,79 Feb 2012 236,0243
205,284 356,08 Des 2012 328,7466
525,2095 404,04 Jan 2013 565,2444
371,5808 383,909 Feb 2013 233,5737
305,2331 323,83 Des 2013 358,6109
469,1769 436,402 Jan 2014 683,7448
412,877 394,69 Feb 2014 317,6502
Dari tabel di atas, didapat perhitungan nilai MAPE berdasarkan rumus persamaan (2.16) yang ditunjukkan pada tabel berikut:
Tabel 4.11 Nilai Mean Percentage Error (MAPE) untuk 3 Lokasi
Lokasi MAPE Indramayu
Masing-masing lokasi diperoleh nilai MAPE yang sedikit lebih dari 10%. Namun, model ARX(3) dapat dijadikan salah satu alternatif model bagi instansi terkait dalam meramalkan curah hujan pada fenomena musim hujan pada pola hujan monsun (Desember, Januari, Februari).
4.8 Peramalan
Berdasarkan model ARX(3) yang sudah diperoleh pada persamaan (4.6), (4.7), dan (4.8), didapat nilai ramalan curah hujan di Indramayu, Bandung, dan Tasikmalaya. Nilai ramalan yang diperoleh dengan bantuan Microsoft Excel 2010 dapat dilihat pada tabel berikut:
Tabel 4.12 Nilai Ramalan Curah Hujan di Indramayu, Bandung, dan Tasikmalaya
Tasikmalaya Waktu � � �̂ � � � �̂ � � � �̂ �
MAPE antara nilai ramalan yang dibandingkan dengan nilai aktual pada data outsample untuk lokasi Indramayu, Bandung dan Tasikmalaya berturut-turut adalah 33%, 19,7% dan 18,5%. Pencilan pada data curah hujan dan kelembaban pada penelitian ini merupakan salah satu penyebab nilai MAPE yang masih cukup besar. Model ARX(3) dapat menjadi alternatif dalam peramalan curah hujan di wilayah Jawa Barat.
BAB V SIMPULAN DAN SARAN
Bab ini berisi tentang simpulan dari penelitian telah dilakukan serta saran yang berisi tentang rekomendasi untuk penelitian selanjutnya.
5.1 Simpulan
Model Autoregressive Exogenous (ARX) merupakan pengembangan dari model Autoregressive (AR) yang didalamnya terdapat dua macam variabel yaitu variabel endogen dan eksogen. Penelitian ini menerapkan model ARX untuk data curah hujan pada beberapa lokasi di Jawa Barat dengan penambahan variabel eksogen kelembaban. Penaksiran parameter model ARX dapat dilakukan dengan metode OLS yaitu dengan meminimumkan jumlah kuadrat error data curah hujan di ketiga lokasi.
Penerapan model ARX pada data curah hujan dengan penambahan variabel eksogen berupa kelembaban di tiga lokasi menghasilkan model ARX(3) di setiap lokasi. Taksiran parameter pada setiap lokasi memiliki pola yang mirip karena lokasinya berada pada satu wilayah pengamatan.
5.2 Saran
1. Pada penelitian ini, metode yang digunakan adalah metode ordinary least square dengan error model diasumsikan berdistribusi normal. Diharapkan
pada penelitian selanjutnya penaksiran dapat dilakukan dengan metode lainnya.
2. Nilai curah hujan dan kelembaban pada satu lokasi tidak hanya dipengaruhi oleh lokasi itu sendiri, namun dapat dipengaruhi oleh lokasi lainnya. Untuk itu, data curah hujan dan kelembaban dapat diolah menggunakan model Vector Autoregressive Exogenous (VARX).
DAFTAR PUSTAKA
Cryer, J. D. and Chan, K. S. 2008. Time Series Analysis with Application in R . Second Edition, Springer Science Business Media. New York.
Mulyaningsih, T. 2015. Model Generalized Space Time Autoregressive Integrated
untuk Peramalan Indeks Harga Konsumen Beberapa Kota di Jawa Tengah . Tesis tidak diterbitkan. Bandung: Program Pendidikan Magister Program Studi Statistika Terapan Konsentrasi Statistika Sosial Universitas Padjadjaran.
Qin, P., Nishii, R., Nakagawa, T., Nakamoto, T. 2010. ARX models for time- varying systems estimated by recursive penalized weighted least squares method. Journal of Math-for-Industry, 2 (2010A-11) , pp.109-114.
Wei, W. W. S. 2006. Time Series Analysis Univariate and Multivariate Methods. Second Edition. Pearson Education, Inc. Bonston.
http://repository.ipb.ac.id/handle/123456789/60623?show=full , (diakses pada tanggal 18 Oktober 2016)
http://dataonline.bmkg.go.id/webfaq , (diakses pada tanggal 18 Oktober 2016)
https://en.wikipedia.org/wiki/Q%E2%80%93Q_plot , (diakses tanggal 23 November 2016)
LAMPIRAN
Lampiran 1: Data Curah Hujan di Indramayu, Bandung, Bogor, Sumedang, dan Tasikmalaya Tahun 1981-2016
Tasikmalaya Jan-81
Indramayu Bandung
Bogor
Sumedang
Feb-81
Mar-81
Apr-81
May-81
Jun-81
Jul-81
Aug-81
Sep-81
Oct-81
Nov-81
Dec-81
Jan-82
Feb-82
Mar-82
Apr-82
May-82
Jun-82
Jul-82
Aug-82
Sep-82
Oct-82
Nov-82
Dec-82
Jan-83
Feb-83
Mar-83
Apr-83
May-83
Jun-83
Jul-83
Sep-83
Oct-83
Nov-83
Dec-83
Jan-84
Feb-84
Mar-84
Apr-84
May-84
Jun-84
Jul-84
Aug-84
Sep-84
Oct-84
Nov-84
Dec-84
Jan-85
Feb-85
Mar-85
Apr-85
May-85
Jun-85
Jul-85
Aug-85
Sep-85
Oct-85
Nov-85
Dec-85
Jan-86
Feb-86
Mar-86
Apr-86
May-86
Jun-86
Jul-86
Aug-86
Sep-86
Oct-86
Nov-86
Dec-86
Feb-87
Mar-87
Apr-87
May-87
Jun-87
Jul-87
Aug-87
Sep-87
Oct-87
Nov-87
Dec-87
Jan-88
Feb-88
Mar-88
Apr-88
May-88
Jun-88
Jul-88
Aug-88
Sep-88
Oct-88
Nov-88
Dec-88
Jan-89
Feb-89
Mar-89
Apr-89
May-89
Jun-89
Jul-89
Aug-89
Sep-89
Oct-89
Nov-89
Dec-89
Jan-90
Feb-90
Mar-90
Apr-90
May-90
Jul-90
Aug-90
Sep-90
Oct-90
Nov-90
Dec-90
Jan-91
Feb-91
Mar-91
Apr-91
May-91
Jun-91
Jul-91
Aug-91
Sep-91
Oct-91
Nov-91
Dec-91
Jan-92
Feb-92
Mar-92
Apr-92
May-92
Jun-92
Jul-92
Aug-92
Sep-92
Oct-92
Nov-92
Dec-92
Jan-93
Feb-93
Mar-93
Apr-93
May-93
Jun-93
Jul-93
Aug-93
Sep-93
Oct-93
Dec-93
Jan-94
Feb-94
Mar-94
Apr-94
May-94
Jun-94
Jul-94
Aug-94
Sep-94
Oct-94
Nov-94
Dec-94
Jan-95
Feb-95
Mar-95
Apr-95
May-95
Jun-95
Jul-95
Aug-95
Sep-95
Oct-95
Nov-95
Dec-95
Jan-96
Feb-96
Mar-96
Apr-96
May-96
Jun-96
Jul-96
Aug-96
Sep-96
Oct-96
Nov-96
Dec-96
Jan-97
Feb-97
Mar-97
May-97
Jun-97
Jul-97
Aug-97
Sep-97
Oct-97
Nov-97
Dec-97
Jan-98
Feb-98
Mar-98
Apr-98
May-98
Jun-98
Jul-98
Aug-98
Sep-98
Oct-98
Nov-98
Dec-98
Jan-99
Feb-99
Mar-99
Apr-99
May-99
Jun-99
Jul-99
Aug-99
Sep-99
Oct-99
Nov-99
Dec-99
Jan-00
Feb-00
Mar-00
Apr-00
May-00
Jun-00
Jul-00
Aug-00
Oct-00
Nov-00
Dec-00
Jan-01
Feb-01
Mar-01
Apr-01
May-01
Jun-01
Jul-01
Aug-01
Sep-01
Oct-01
Nov-01
Dec-01
Jan-02
Feb-02
Mar-02
Apr-02
May-02
Jun-02
Jul-02
Aug-02
Sep-02
Oct-02
Nov-02
Dec-02
Jan-03
Feb-03
Mar-03
Apr-03
May-03
Jun-03
Jul-03
Aug-03
Sep-03
Oct-03
Nov-03
Dec-03
Jan-04
Mar-04
Apr-04
May-04
Jun-04
Jul-04
Aug-04
Sep-04
Oct-04
Nov-04
Dec-04
Jan-05
Feb-05
Mar-05
Apr-05
May-05
Jun-05
Jul-05
Aug-05
Sep-05
Oct-05
Nov-05
Dec-05
Jan-06
Feb-06
Mar-06
Apr-06
May-06
Jun-06
Jul-06
Aug-06
Sep-06
Oct-06
Nov-06
Dec-06
Jan-07
Feb-07
Mar-07
Apr-07
May-07
Jun-07
Aug-07
Sep-07
Oct-07
Nov-07
Dec-07
Jan-08
Feb-08
Mar-08
Apr-08
May-08
Jun-08
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Jan-11
358,6133
196,3444 300,7657
346,966
233,1346
Feb-11
207,4751
121,3158 245,8612
238,9084
235,5483
Mar-11
220,2008
204,2055 257,2477
423,8048
344,3444
Apr-11
201,9958
267,6242
363,877
382,9103
313,6543
May-11
132,6575
234,3546
396,595
235,5073
255,9743
Jun-11
75,76192
64,22272 217,5142
98,9305
135,3223
Jul-11
27,60816
34,40571 132,9558
21,24719
85,22823
Aug-11
4,874442
15,75472 62,76841
10,8379
20,18619
Sep-11
2,450245
35,96671 102,3781
13,22722
34,63928
Oct-11
63,4412
94,63194 303,5722
90,27486
217,0933
Nov-11
235,3235
297,6975 531,8898
443,8429
442,0383
Dec-11
286,6815
280,3582 386,1087
426,8917
367,3596
Jan-12
308,5687
168,5135 327,3098
343,6227
315,4457
Feb-12
236,0243
165,7552 288,7079
304,6501
205,284
Mar-12
219,9962
177,2186 220,0077
352,3777
265,7577
Apr-12
138,6596
299,3083 581,7391
267,3208
291,6997
May-12
107,7123
147,988
309,9074
134,7284
238,0616
Jun-12
78,41
64,67417 141,4681
76,42719
92,45602
Jul-12
25,26844
22,62866 59,26775
18,53763
49,25976
Aug-12
11,55668
33,26734 87,33065
24,84586
52,21506
Sep-12
3,534364
32,27095 99,32357
18,89547
40,82617
Oct-12
63,19364
150,3095 439,0435
124,8123
402,6804
Nov-12
209,718
259,3343 510,6104
291,8182
372,343
Dec-12
328,7466
324,8996 439,8253
429,2248
525,2095
Jan-13
565,2444
333,1516
526,639
557,5436
371,5808
Feb-13
233,5737
165,3197 259,4798
300,6139
305,2331
Mar-13
231,2684
219,2005
317,322
391,7448
349,9252
Apr-13
191,1877
259,7153 386,7318
276,5183
225,5551
May-13
343,5482
502,4694 534,8888
488,5544
642,3284
Jun-13
172,4568
160,6292 278,0474
213,0342
428,6648
Jul-13
205,541
177,0899 507,9761
190,7421
490,9443
Aug-13
30,077
29,03601 201,4206
16,86674
63,07466
Sep-13
10,5624
71,22688 218,4845
39,69835
98,75127
Oct-13
41,94204
132,5421 352,4055
67,04988
189,2242
Nov-13
148,0994
183,0663 393,3526
245,8792
232,3046
Dec-13
358,6109
408,5109 642,4552
503,1191
469,1769
Jan-14
683,7448
349,4264 703,0349
608,573