MA(q) AR(p) MA(q) jika ACF cuts off lebih tajam, AR(p) jika PACF cuts off lebih tajam ARMA(0,0)

Transkripsi

1 LAMPIRAN

2 ACF Lampiran 1. Tabel penentuan Nilai Ordo Pada Proses ARIMA Berdasarkan Plot ACF dan PACF No Kemungkinan plot ACF dan PACF Model ARIMA 1 ACF nyata pada ke-1,2,3,...,q dan terpotong setelah q (cuts off), PACF menurun cepat membentuk pola exponensial atau sinus(tails off) 2 ACF tails off, PACF nyata pada ke-1,2,...,p dan cuts off setelah ke-p 3 ACF nyata pada ke-1,2,...q lalu cuts off, PACF nyata pada ke-1,2,3...,p dan cuts off 4 Tidak ada autokorelasi yang nyata pada plot ACF dan PACF MA(q) AR(p) MA(q) jika ACF cuts off lebih tajam, AR(p) jika PACF cuts off lebih tajam ARMA(0,0) 5 ACF tail off, PACF tail off ARMA(p,q) Lampiran 2. Uji Kestasioneran Ragam Data Suhu Udara Per Hari Lampiran 3. Uji kehomogenan nilai tengah adf.test(data_hri) Test Augmented Dickey-Fuller data: data_hri Dickey-Fuller = -8.26, order = 11, p-value = 0.01 alternative hypothesis: stationary Lampiran 4. Plot Autocorrelation FunctionUntuk Suhu Perhari Tanpa Pembedaan suhu_hari

3 Partial ACF Lampiran 5. Plot Parsial Autocorrelation FunctionUntuk Suhu Perhari Tanpa Pembedaan Series data_hri Lampiran 6. Tabel Nilai Parameter Dugaan Model - Model Sementara Pemodelan Data Suhu Perhari Model Tipe Koef. Se. t-hit AR (5) AR 1 0,2712 0, ,20661 AR 2 0,1409 0,025 5,636 AR 3 0,0753 0,0252 2, AR 4 0,0626 0,025 2,504 AR 5 0,0554 0,0242 2, MA(29) MA 1 0,2608 0, ,77686 MA 2 0,2033 0,0249 8, MA 3 0,1502 0,0254 5, MA 4 0,1337 0,0256 5, MA 5 0,1267 0,0258 4, MA 6 0,0763 0,0262 2, MA 7 0,0759 0,0266 2, MA 8 0,1106 0,0267 4, MA 9 0,0863 0,0268 3, MA 10 0,0408 0,0268 1, MA 11 0,0504 0,027 1, MA 12 0,0457 0,0272 1, MA 13 0,0144 0,0273 0, MA 14 0,0314 0,0272 1, MA 15 0,0271 0,0267 1, MA 16 0,0423 0,0269 1, MA 17 0,075 0,0274 2, MA 18 0,0536 0,0272 1, MA 19 0,0912 0,0257 3, MA 20 0,0295 0,0245 1, MA 21 0,0233 0,0255 0, MA 22 0,0237 0,0258 0, MA 23 0,0392 0,0266 1,

4 MA 24 0,0376 0,0263 1, MA 25 0,0453 0,0272 1, MA 26 0,1018 0,0265 3, MA 27 0,0209 0,0265 0, MA 28 0,0407 0,0263 1, MA 29 0,052 0,0246 2, ARMA(5,29) AR 1 0,4076 0, ,4981 AR 2-0,0735 NaN AR 3 0,0455 NaN AR 4 0,4109 0,047 8, AR 5-0,7542 0,0873 8, MA 1-0,1495 0,0373 4, MA 2 0,1679 0,0339 4, MA 3 0,0429 NaN MA 4-0,333 0,0724 4, MA 5 0,7237 0,077 9, MA 6 0,1477 0,0369 4,00271 MA 7 0,1322 0,0354 3, MA 8 0,1445 0,034 4,25 MA 9 0,0911 0,0343 2, MA 10 0,0724 0,0343 2, MA 11 0,0745 0,0339 2,19764 MA 12 0,0293 0,0341 0, MA 13 0,056 0,0332 1, MA 14 0,0765 0,0331 2, MA 15 0,0181 0,0332 0, MA 16 0,0564 0,0329 1, MA 17 0,0823 0,0318 2,58805 MA 18 0,0226 0,0327 0, MA 19 0,0906 0,0335 2, MA 20-0,0056 0,0325 0, MA 21 0,0165 0,0316 0, MA 22 0,0496 0,0306 1, MA 23 0,0277 0,0326 0, MA 24 0,0778 0,0321 2, MA 25 0,0448 0,0269 1, MA 26 0,0652 0,0287 2, MA 27 0,0066 0,0266 0,24812 MA 28 0,0482 0,029 1, MA 29 0,0226 0,0251 0,

5 ACF p value ACF Partial ACF Time ACF of Residuals Lampiran 7. Ljung-Box Test Sisaan model AR(5) Lampiran 8. Shapiro-Wilk normality Test Sisaan model AR(5) Shapiro-Wilk normality test data: residuals(model1) W = , p-value = 4.189e-0 Lampiran 9. Plot Autocorrelation FunctionUntuk Suhu Udara Rata-rata Per Hari dengan PembedaanSatu Kali suhu_hari Lampiran 10. Partial Autocorrelation Function Untuk Suhu Per Hari dengan PembedaanSatu Kali Series data_hari.diff Lampiran 11. TabelNilai Parameter Dugaan Model-model Sementara Pemodelan Data Suhu Perhari Dengan Pembedaan Pertama Model Tipe Coef Se. t-hit ARIMA(0,1,1) MA 1-0,7729 0, ,4078 ARIMA(8,1,0) AR 1-0,684 0, ,26446 AR 2-0,5066 0,029 17,46897 AR 3-0,4036 0,031 13,01935 AR 4-0,3203 0,032 10,00938 AR 5-0,2505 0,0319 7, AR 6-0,2248 0,031 7, AR 7-0,1724 0,029 5, ARIMA(8,1,1) AR 8-0,0718 0,0241 2,

6 p value p value AR 1 0,2673 0, ,04545 AR 2 0,1378 0,025 5,512 AR 3 0,0688 0,0252 2, AR 4 0,0538 0,0253 2, AR 5 0,0411 0,0253 1, AR 6-0,0035 0,0252 0, AR 7 0,0211 0,025 0,844 AR 8 0,0661 0,0242 2, MA 1-1 0, ,6792 Lampiran 12. Ljung-Box Test Sisaan model ARIMA(0,1,1) Lampiran 13.Ljung-BoxTest Sisaan model ARIMA(8,1,0) Lampiran 14.Tabel Nilai Ramalan Suhu Per Hari dengan Model AR(5) Hari ke- Ramalan Batas Atas Batas Bawah 1 26,75 25,01 28, ,76 24,97 28, ,76 24,93 28, ,75 24,90 28, ,75 24,88 28, ,76 24,87 28, ,77 24,87 28, ,78 24,87 28, ,77 24,87 28, ,77 24,86 28, ,77 24,86 28, ,77 24,86 28, ,77 24,86 28, ,77 24,86 28, ,78 24,86 28,69 22

7 ACF ,78 24,86 28, ,77 24,87 28, ,77 24,87 28, ,77 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28, ,78 24,87 28,69 Lampiran 15. Uji Kestasioneran Ragam Data Suhu Udara Per Hari Lampiran 16. Hasil Uji Augmented Dickey Fuller Data Suhu Udara Per Minggu Augmented Dickey-Fuller Test data: datasuhu.m.tran Dickey-Fuller = , order = 5, p-value = 0.01 alternative hypothesis: stationary Lampiran 17. Plot Autocorrelation FunctionUntuk Suhu Rata-rata Per MingguTanpa Pembedaan ACF Suhu Per Minggu ACF 23

8 V p value Partial ACF -0.1 ACF Standardized Residuals Lampiran 18. Plot Parsial Autocorrelation Function untuk Suhu Per Minggu Tanpa Pembedaan PACF Data Perminggua Suhu Udara di Sekitar Palangkaraya Time ACF of Residuals Lampiran 19. Ljung-Box Test Sisaan model MA(2) Lampiran 20. Plot Data Suhu Udara Rata-rata Per Minggu Setelah Proses Pembedaan Satu Kali Time 24

9 p value p value Partial ACF ACF Lampiran 21. Plot Autocorrelation FunctionUntuk Suhu Rata-rata PerMinggu dengan PembedaanSatu Kali ACF Dif.Data Perminggua Suhu Udara di Sekitar Palangkaraya Lampiran 22. Plot PartialAutocorrelation FunctionUntuk Suhu Rata-rata Per Minggu dengan PembedaanSatu Kali PACF Dif.Data Perminggua Suhu Udara di Sekitar Palangkaraya Lampiran 23. Ljung-Box Test Sisaan model ARIMA(0,1,1) Lampiran 24. Ljung-Box Test Sisaan model ARIMA(1,1,0) 25

10 p value Lampiran25. Ljung-Box Test Sisaan model ARIMA(2,1,0) Lampiran 26.Shapiro-Wilk normality Test Sisaan model ARIMA(0,1,1) Shapiro-Wilk normality test data: residuals(arima.m.diff.1) W = , p-value = Lampiran 27. Shapiro-Wilk normality Test Sisaan model ARIMA(0,1,1) Shapiro-Wilk normality test data: residuals(arima.m.diff.3) W = 0.99, p-value = Lampiran 28. Overfitting Model untuk Data Suhu Udara Per Minggu dengan Pembedaan Satu Kali. Model ARIMA (0,1,1) ARIMA (2,1,0) Model overfitting ARIMA(1,1,1) ARIMA(0,1,2) ARIMA(3,1,0) ARIMA(2,1,1) Signifikasi semua parameter Signifikan Signifikan Tidak Tidak Kebebasan sisaan Bebas Tidak bebas - - Kenormalan sisaan Normal Normal - - AIC Lampiran 29. Tabel Nilai Ramalan Suhu Udara Rata-rata Per Minggu dengan Model ARIMA(0,1,1) Minggu ke- Ramalan Batas Atas Batas Bawah , , , , , , , , , , , , , , , , , , , , , , , , ,78 25, , , , , , , , , , , , , , , , , , , , , ,959 28,

11 Partial ACF ACF , , , , , , , , , , ,819 28,8057 Lampiran 30. Hasil Uji Augmented Dickey Fuller Data Suhu Udara Per Minggu Lampiran 31. Uji Kestasioneran Ragam Data Suhu Udara Per Bulan adf.test(datasuhu.b.tran) Augmented Dickey-Fuller Test data: datasuhu.b.tran Dickey-Fuller = , order = 3, p-value = 0.01 alternative hypothesis: stationary Lampiran 32. Plot Autocorrelation FunctionUntuk Suhu Udara Rata-Rata Per Bulan Tanpa Pembedaan suhu Lampiran 33. Plot Partial Autocorelation Function Untuk Suhu Udara Rata-rata Suhu Per Bulan Tanpa Pembedaan Series datasuhu.b.tran

12 p value p value Lampiran 34. Ljung-Box TestSisaan model AR(1) Lampiran 35. Ljung-Box Test Sisaan model MA(1) Lampiran 36. Shapiro-Wilk normalitytest Sisaan model MA(1) Shapiro-Wilk normality test data: residuals(arima.b.2) W = , p-value = Lampiran 37.Tabel Nilai Ramalan Suhu Udara Per Bulan dengan Model MA(1) Bulan Ramal Batas Atas Batas Bawah Jul-05 26,76 25,79 27,72 Agust-05 26,84 25,84 27,84 Sep-05 26,84 25,84 27,84 Okt-05 26,84 25,84 27,84 Nov-05 26,84 25,84 27,84 Des-05 26,84 25,84 27,84 28