Jurnal Informatika Mulawarman Vol 4 No. Juli 9 8 Pemodelan Fungsi Transfer Multi Input M. Fathurahman *) Program Studi Statistika, FMIPA Universitas Mulawarman Jl. Barong Tongkok no.5 Kampus Unmul Gn. Kelua Sempaja Samarinda 759 Abstrak Model fungsi transfer merupakan salah satu teknik analisis data dalam analisis deret waktu (time series). Salah satu keunikan dan kelebihan dari model ini adalah ada unsur regresi dalam modelnya. Sehingga model fungsi transfer dapat dikatakan sebagai model yang melibatkan analisis regresi dan analisis time series. Oleh karena itu peneliti tertarik mengkaji pemodelan fungsi transfer. Hasil yang diperoleh diaplikasikan pada peramalan data curah hujan. Kata kunci : Model fungsi transfer, time series, hujan. Pendahuluan Model fungsi transfer merupakan salah satu model time series yaitu gabungan pendekatan regresi dan time series (ARIMA) untuk errornya. Model regresi dinamik merupakan salah satu bentuk model kombinasi dan seringkali disebut sebagai model fungsi transfer dalam terminologi Box dan Jenkins (994). Beberapa penelitian yang pernah dilakukan dengan menggunakan fungsi transfer ini antara lain oleh Mc Sweeny (978) dalam Bowerman dan O Connel. (993) yaitu mengetahui pengaruh diberlakukannya suatu kebijakan baru dalam hal tarif telepon bantuan lokal terhadap jumlah telepon yang masuk rata-rata perhari perbulan. Kemudian Suhartono dan Otok () melakukan kajian model intervensi dan model fungsi transfer mengenai peluang bisnis pada jasa kereta api Indonesia dalam menyikapi krisis ekonomi. Konsep Dasar Time Series Time series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan dan dengan interval waktu yang tetap. Beberapa kondisi penting yang harus dimliki oleh data time series adalah (Makridakis, Wheelwright dan Hyndman, 998) :. Deretan pengukuran berasal dari sumber yang sama. Yang membedakan hasil pengukuran tersebut adalah waktu pengukuran dilakukan.. Antara observasi pada suatu titik waktu dengan observasi pada titik waktu lainnya saling dependen secara statistik atau berkorelasi. 3. Kumpulan observasi memiliki susunan atau pola tertentu. Setiap pengamatan dapat dinyatakan sebagai variabel random Z t dengan fungsi kepadatan f ( Z t ) yang dapat dipasangkan dengan indeks waktu t i, yaitu :,, 3,..., n t, t, t 3,, t n adalah urutan waktu pengamatan, karena itu data time series yang diamati pada waktu t, t, t 3,, t n dapat dituliskan dalam notasi. t, t, t 3,..., Fungsi Transfer Multi Input Pada fungsi transfer multi input ada beberapa X variabel input yang dimasukkan pada suatu pemodelan. Maka bentuk model fungsi transfer multi input adalah (Wei, 99): m yt j B j B x j, t b B B a () j t j dimana : y t = Variabel dependen. x jt = Variabel independen ke-j. j (B) = Operator moving average order s j untuk variabel ke-j. j (B) = Operator autoregresi order r j untuk variabel ke-j. (B) = Operator moving average order q (B) = Operator autoregresi order p a t = Nilai gangguan acak. Metode Analisis Adapun tahapan-tahapan dalam pemodelan fungsi transfer multi input adalah sebagai berikut : Tahap : Identifikasi Bentuk Model - : Mempersiapkan deret input dan output - : Pemutihan deret input -3 : Pemutihan deret output -4 : Perhitungan korelasi silang & autokorelasi deret input & output yang telah diputihkan -5 : Penetapan r, s, b model fungsi transfer yang menghubungkan deret input & deret output tn *) Dosen Jurusan Statistika FMIPA Unmul Samarinda Email : Fathur_Statisticians@yahoo.com
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 9-6 : Penaksiran awal & penetapan ( p n, q n ) untuk model ARIMA (p n,, q n ) dari deret gangguan & perhitungan autokorelasi parsial deret ini Tahap : Penaksiran parameter parameter model fungsi transfer - : Taksiran awal nilai parameter - : Taksiran akhir nilai parameter Tahap 3 : Uji Diagnosis Model Fungsi Transfer 3- :Perhitungan autokorelasi nilai sisa model (r,s,b) 3- : Perhitungan korelasi silang antara nilai sisa dengan deret gangguan yang telah diputihkan Tahap 4 : Penggunaan model fungsi transfer untuk peramalan 4- : Peramalan nilai nilai yang akan datang dengan menggunakan model fungsi transfer Analisis Data dan Pembahasan Dalam tulisan ini model fungsi transfer multi input akan diaplikasikan pada data curah hujan yang terjadi di Kota Surabaya dengan variabel yang berpengaruh pada periode Januari 989 sampai dengan Desember (BPS Propinsi Jawa Timur). Deskripsi Data Variabel Input dan Output Pada bagian ini akan dibahas terlebih dahulu mengenai diskripsi variabel output yang berupa curah hujan. Tabel Deskripsi variabel output dan input Variabel Mean Std. Dev Min Max Curah hujan 37.5 33.4 67 ( mm ) Kelembapan udara ( % ) 76. 6.56 6 86 Tekanan udara ( Mbs ).4.4 5.4 3.5 Suhu udara ( C ) 7.94.764 6. 3. Penyinaran matahari ( % ) Kecepatan angin ( knot ) 73. 7.9 35 5.8.34 3 8 ( X ) Tekanan Udara (X ).57..554.6 Temperatur ( X 3 ).44..83. Penyinaran Matahari ( X 4 ) Kecepatan Angin ( X 5 ).793.554.83.88.37.6..88 Hasil korelasi antar variabel diatas menunjukkan bahwa nilai curah hujan sebanding dengan nilai kelembapan udara dan berbanding terbalik dengan nilai tekanan udara, nilai temperatur, nilai intensitas penyinaran matahari dan nilai kecepatan angin. Sementara variabel yang berkorelasi tinggi dengan curah hujan adalah variabel kelembapan udara dan intensitas penyinaran matahari. Sementara itu variabel kelembapan udara juga berkorelasi tinggi dengan variabel tekanan udara dan intensitas penyinaran matahari. Identifikasi Deret Output Curah Hujan Plot time series dari data curah hujan pada gambar menunjukkan bahwa data berfluktuasi sangat tajam. Hal tersebut dipengaruhi oleh fenomena musim penghujan dan musim kemarau di Indonesia yang menyebabkan perbedaan nilai yang ekstrim. Curah Hujan 7 6 5 4 3 Jul-9 Jan-9 Oct-9 Karena fluktuasi yang tajam dari deret output ini memerlukan transformasi akar pangkat dua ( Z t = Y t. ) untuk memperkecil fluktuasi data agar deret output menjadi lebih stasioner. Pemodelan Fungsi Transfer Single Input. Identifikasi untuk Deret Input Pada gambar dibawah ini terlihat bahwa data belum stasioner sehingga perlu dilakukan differencing pada lag untuk mengetahui lag-lag yang berpengaruh dalam pemodelan variabel input. Apr- Jan- Oct- Jul- Tabel Korelasi antara variabel input dengan variabel output Variabel X X X 3 X 4 X 5 Curah Hujan ( Y ).736.457.93.79.8 Kelembapan Udara.57.44.793.37
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 Kelembapan Udara 9 8 7 6 5 Jul-9 Oct-9 Jan-9 Apr- Jul- Oct- Jan- Gambar Plot time series data kelembapan udara Tekanan Udara Gambar 3 Plot time series data tekanan udara Temperatur Gambar 4 Plot time series data temperatur Intensitas Penyinaran Matahari Oct-9 Jan-9 Gambar 5 plot time series data penyinaran matahari Kecepatan Angin 4 8 6 4 3 3 9 8 7 6 5 8 6 4 9 8 7 6 5 4 3 Jul-9 Jul-9 Jul-9 Jul-9 Jan-9 Jan-9 Jan-9 Oct-9 Oct-9 Oct-9 Apr- Apr- Apr- Apr- Jan- Jan- Jan- Jan- Jul- Oct- Oct- Oct- Oct- Jul- Jul- Jul- Dengan melihat plot ACF dan PACF variabel input setelah differencing didapatkan model untuk deret input adalah : kelembapan udara : ARIMA ( [],, [] ). tekanan udara : ARIMA (,, [, ]). Temperatur : ARIMA ( [],, [] ). Intensitas penyinaran matahari : ARIMA ( [],, [] ). Kecepatan angin : ARIMA ( [],, [] ).. Penentuan nilai ( b,r,s ) pada model fungsi transfer dan CCF Plot cross-correlation dalam penentuan bobot respon impuls didapatkan dari deret input ( it ) dan deret output ( it ) yang telah diputihkan, memberikan hasil yang signifikan pada : Tabel 3 Estimasi nilai bobot respon impuls Variabel input b r s X X 4 X 3 X 4 X 5 3 3. Tahap estimasi parameter fungsi transfer Tahap estimasi parameter merupakan tahap penentukan taksiran parameter parameter pada model untuk variabel input. Untuk mencari taksiran terbaik digunakan algorithma Lavenberg Marquardt untuk optimasi parameternya. Hasil taksiran parameternya disajikan pada tabel dibawah ini : Tabel 4 Estimasi parameter variabel input Var Parameter Tratio Lag Shift AIC SBC X =.93 C =.5638 =.4384 X =.85399 =.8946 C =.939 = -.58 =.876 X 3 C =.33757 =.7875 =.8753 X 4 C =.698 =.3935 =.8794 =.3849 X 5 C =.88897 =.674 =.5475 3.5 9.85 5.39 8.46.3 3.8.98 9.8 3.87 7.7 9.8 7.35 3.7 9.66 3.86 3.8.87 3.8 3 4 4 756.89 765.95 8.58 83.57 8.64 83.67 787.69 796.74 88.79 833.85 Gambar 6 Plot time series data kecepatan angin
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 Hasil estimasi parameter model fungsi transfer single input menunjukkan bahwa semua parameter dugaan signifikan karena semua nilai dugaan lebih besar dari nilai T tabel =.96 dengan = 5 %. Model fungsi transfer single input variabel kelembapan udara : t =.56 x t.3 x t- + a t.93 a t - Model fungsi transfer single input variabel B ) tekanan udara : t =.93( +.58B)x t-4 + (.854 B ) a t (.8959 Model fungsi transfer single input variabel temperatur : t =.85 t- +.699 x 3t-.6 x 3t- +.9 x 3t-3 +.5 x 3t-3-4 + a t.874 a t- Model fungsi transfer single input variabel intensitas penyinaran matahari : a t- t =.698 x 4t +.66 x 4t- + a t.875 Model fungsi transfer single input variabel kecepatan angin : t =.978 t-.6 t-4.889 x 5t +.74 x 5t-.486 x 5t-3 +.5 x 5t-5 + a t.67 a t - +.879 a t - +.589 a t 4 4. Tahap Pemeriksaan Diagnostik Model Single Input Pengujian kelayakan suatu model perlu dilakukan untuk mengetahui kesesuaian deret noise model, dan tidak adanya korelasi antara residual dengan variabel inputnya. Yaitu dengan memeriksa autokorelasi residula model dan memeriksa cross correlation residual model. 5. Pemeriksaan Autokorelasi Residual Model Hasil pengolahan data pada output di bawah ini menunjukkan bahwa nilai-nilai autokorelasi dari model untuk variabel input sampai pada lag 4 nilainya kecil dengan nilai p-value lebih besar dari = 5 %. Sehingga dapat disimpulkan bahwa residual bersifat independen secara statistik. Autocorrelation Check of Residuals ( X ) 6 3.73 5.589 8.8.64 8 3.54 7.699 4 6.47 3.834 Autocorrelation Check of Residuals ( X ) 6 4.38 4.357.94.7 8 8. 6.3 4 3.38.38 Autocorrelation Check of Residuals ( X 3 ) 6 3.94 4.44.8.373 8 5.53 6.486 4 7.49.736 Autocorrelation Check of Residuals ( X 4 ) 6 7.3 5. 9.79.55 8 5.96 7.57 4.9 3.53 Autocorrelation Check of Residuals ( X 5 ) 6 7.48 4. 4.9.6 8 5.5 6.6 4 9.58.9 Output. Hasil Uji Autokorelasi Residual 6. Pemeriksaan Cross Correlation Residual Model Pemeriksaan cross correlation residual menunjukkan bahwa semua nilai p-value dari uji Ljung Box ( Q ) lebih besar dari = 5 %. Sehingga dapat disimpulkan bahwa antara deret input ( it ) dengan residual ( a it ) bersifat independen secara statistik.
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 Crosscorrelation Check of Residuals (X) 5 5.36 4.53 9.9.448 7 3.4 6.655 3 8.7.664 Crosscorrelation Check of Residuals (X) 5 4.79 4.39 6..93 7.7 6. 3.45.493 Crosscorrelation Check of Residuals (X3) 5 9.35 4.53 7.8.7 7 3.7 6. 3 5.3.96 Crosscorrelation Check of Residuals (X4) 5 4.37 4.358.99.85 7 9.95 6. 3 4..34 Crosscorrelation Check of Residuals (X5) 5.53 3.469 5.3 9.84 7 9.68 5.84 3 6.5.74 4.3 Pemodelan Fungsi Transfer Multi Input Pemodelan fungsi transfer multi input dilakukan dengan cara memodelkan secara serentak seluruh variabel yang sudah diidentifikasi sebelumnya. Identifikasi fungsi transfer single input menghasilkan nilai nilai bobot respon inmpuls dan model deret noise yang dijadikan dasar dalam pemodelan serentak yang menghasilkan fungsi transfer multi input untuk deret output curah hujan kota Surabaya. Pada output dibawah ini tampak bahwa parameter yang signifikan pada = 5% adalah MA (), x t, x t-, x 3t-, x 3t-, x 4t, x 5t, x 5t- dan x 5t-3 Conditional Least Squares Estimation Approx. Parameter Estimate T Ratio Lag Var Shift MA,. 3.37 Y SCALE.373 5. X DEN,.47495 3.6 X SCALE -.8654 -.53 X 4 DEN, -.588 -.9 X 4 SCALE3.57868. X3 DEN, -.35-3.5 X3 SCALE4.54-3.5 X4 DEN,.383. X4 SCALE5 -.6936 -.3 X5 NUM,.555.84 X5 DEN,.734 7.6 3 X5 Hal ini Conditional disebabkan Least karena Squares adanya Estimation korelasi yang cukup signifikan pada = 5%, pada variabel x Approx. t Parameter dengan x t Estimate sebesar.458, T Ratio antara Lag variabel Var x t dengan variabel x t- sebesar.48, antara variabel MA,. 3.37 Y SCALE x t dengan.373 x 4t sebesar.644, 5. antara variabel X x t- DEN, dengan x 4t-.47495 sebesar.6, 3.6 antara variabel X x 3t SCALE -.8654 -.53 X 4 DEN, dengan x 4t- -.588 sebesar.65, -.9 serta antara variabel X x 3t- 4 SCALE3 dengan variabel.57868 x 4t-.. X3 DEN, -.35-3.5 X3 SCALE4 Karena.54 masih terdapat -3.5 beberapa parameter X4 DEN, yang tidak signifikan,.383 maka. dilakukan identifikasi X4 SCALE5 -.6936 -.3 X5 NUM, kembali dengan.555 mengurangi.84 variable yang X5 tidak DEN, signifikan dikeluarkan.734 satu 7.6 persatu 3 dari X5 model sampai didapatkan model yang terbaik. Shift Output. Hasil Estimasi Parameter model Fungsi Multi Input Output diatas menunjukkan bahwa setelah mengurangi variabel x t dan x 4t, maka parameter x t, x 3t dan x 5t telah signifikan pada nilai = 5 %. Dan nilai estimasi parameter selengkapnya pada tabel dibawah ini : Tabel 5 Estimasi Parameter Model Multi Input Akhir Input Parameter Tratio Lag Shift =.9353.8 X C =.5873 =.473 9.34 5.9 X 3 C =.843 =.737. 3.6 X 5 C =.4453 =.594 =.6379.7 3.65 3.76 AIC = 74.5743 SBC = 766.3454 Sehingga model fungsi transfer multi input akhir output curah hujan adalah : t =.59 (.47B )x t +.84 (.73 B)x 3t- Conditional Least Squares Estimation Approx. Parameter Estimate T Ratio Lag Var Shift MA,.9358.8 Y SCALE.5873 9.34 X DEN,.473 5.9 X SCALE.843. X3 DEN, -.737-3.6 X3 SCALE3 -.4453 -.7 X5 NUM,.594 3.65 X5 DEN,.6379 3.76 3 X5.45( +.498B 5 )x 5t + (.935 B ) a t (.6379 B 3 ) 3
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 3 Z t = Z t- 66 Z t- +.63 Z t-3 5.6 Z t-4 + 833.7Z t-5 6.8Z t-6 + 4.4Z t-7 994.8Z t-8 + 83 Z t-9 565.8 Z t- + 34.4 Z t- 39.8Z t- + 4.7 Z t-3 4.6 Z t-4 +.6 Z t-5 +.59 X t + 6.4 X t- + 38.9 X t- 4 X t-3 + 5.9 X t-4 39. X t-5 + 4.7 X t-6 395.9 X t-7 + 86. X t-8 75. X t-9 + 67.3X t- + 9.7X t- 54. X t- + 5.5X t-3 7.7X t-4 + 9.X t-5.7 X t-6 +.43 X t-7 +.84 X 3t- 9.5 X 3t- + 48.6 X 3t-3 46.7 X 3t-4 + 9.6 X 3t-5 44.4 X 3t-6 + 4.3 X 3t-7 89.8X 3t-8 + 83.4 X 3t-9 86.6 X 3t- +.3 X 3t- + 4.84 X 3t- 74.57 X 3t-3 + 47.8 X 3t-4 8.3 X 3t-5 + 3.9X 3t-6.374 X 3t-7 +.45 X 5t 4.86 X 5t- + 7.5 X 5t- 83.5 X 5t-3 + 69.5 X 5t-4 7.6 X 5t-5 + 4. X 5t-6 + 5.7 X 5t-7 3.9 X 5t-8 + 8.35 X 5t-9 5.43 X 5t- + 98.3 X 5t- 3.55 X 5t- + 5.63 X 5t-3.469 X 5t-4 + a t.63 a t-3.935 a t- +.59 a t-5 Model fungsi transfer multi input diatas menunjukkan bahwa nilai akar kuadrat tingkat curah hujan pada waktu ke t dipengaruhi oleh akar kuadrat tingkat curah hujan selama 5 bulan sebelumnya (t sampai dengan t 5), dipengaruhi oleh nilai kelembapan udara pada bulan yang sama sampai 7 bulan sebelumnya (t sampai dengan t 7), dipengaruhi oleh nilai temperatur selama 7 bulan sebelumnya (t sampai dengan t 7), dipengaruhi oleh kecepatan angin pada bulan yang sama sampai 5 bulan sebelumnya (t sampai dengan t 5 ), serta dipengaruhi oleh nilai residual pada bulan yang sama, 3 bulan sebelumnya ( t-3 ), bulan sebelumnya ( t- ) dan 5 bulan sebelumnya ( t 5 ). Pemodelan curah hujan dengan metode fungsi transfer multi input menunjukkan bahwa kelembapan udara, temperatur serta kecepatan angin dapat dijadikan prediktor yang signifikan untuk mengukur tingkat curah hujan pada waktu ke-t. Proses differencing orde membuat model peramalan curah hujan tersebut menjadi begitu komplek. Hal ini menunjukkan bahwa tingkat curah hujan pada waktu ke-t merupakan suatu proses interaksi dari kelembapan udara, temperatur serta kecepatan angin di suatu wilayah minimal selama bulan atau satu tahun. Hasil ini menunjukkan bahwa tingkat curah hujan pada musim penghujan merupakan suatu fenomena yang dipengaruhi oleh kondisi udara secara global dan dalam waktu yang cukup lama. Atau dapat dikatakan bahwa curah hujan adalah salah satu bentuk interaksi kondisi udara selama kurang lebih satu tahun yang membentuk iklim global. Dan ilkim inilah yang juga dapat mempengaruhi tingkat curah hujan tiap bulannya pada saat musim penghujan. Dari pemeriksaan autokorelasi residual model menunjukkan nilai autokorelasi yang kecil serta nilai p-value yang lebih besar dari = 5%. Sehingga dapat disimpulkan bahwa residual model fungsi transfer multi input telah memenuhi asumsi white noise. Autocorrelation Check of Residuals 6 3. 5.699 9.6.67 8 8.64 7.35 4.57 3.486 Output 3. Hasil Uji Asumsi Residual White Noise Pemeriksaan cross correlation residual menunjukkan bahwa semua nilai p-value dari uji Ljung Box (Q) lebih besar dari = 5%. Sehingga deret-deret tersebut bersifat independen secara statistik. Adapun hasil uji cross correlation residual seperti pada output 4 berikut : Crosscorrelation Check of Residuals with Input X 5.8 4.769 3.9.95 7 8.48 6.933 3 4.44.885 Crosscorrelation Check of Residuals with Input X3 5 4.4 4.355 5.7.3 7 6.64 6.49 3 9.5.63 Crosscorrelation Check of Residuals with Input X5 5.5 3.74 6. 9.78 7 4.84 5.463 3.35.499 Output 4. Hasil Uji Cross Correlation Residual
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 4 7. Uji Normalitas Untuk mengetahui pola kenormalan residual pada model fungsi transfer multi input dilakukan dengan melihat plot sebaran residual yang dibandingkan dengan kurva normal. Gambar dibawah ini menunjukkan bahwa residual model curah hujan berdistribusi normal dengan p-value sebesar. atau lebih besar dari = 5 %. Pengujian Kenormalan Residual Curah Hujan Secara lengkap nilai akar kuadrat curah hujan aktual, peramalan, batas bawah dan batas atas model ditampilkan pada gambar berikut ini. 4 3.9 99.99.95 Probability.8.5..5.. Apr-9 Jul-9 Oct-9 Jan-9 Apr-93 Jan-94 Jul-95 Oct-94 Apr-96 Jan-97 Oct-97 Jul-98 Apr-99 Oct- Jan- Jul- Apr- Jan-3 Jul-4 Oct-3 ACTUAL FORECAST LOWER - UPPER Aver age: -.5 StDe v: 3.93 49 N: 5 3 - Residual model multi input Kolmogorov-Smirnov Normality T est D+:.44 D-:.66 D :.66 Appro ximate P-Value :. Gambar 7. Pengujian distribusi normal model fungsi transfer multi input Setelah model fungsi transfer multi input dari curah hujan didapatkan, selanjutnya dilakukan peramalan nilai akar kuadrat curah hujan bulan Januari 3 sampai dengan Desember 4, yang tersaji dalam tabel dibawah ini. Tabel 6 Nilai Peramalan Akar Kuadrat Curah Hujan Bulan Peramalan Batas Bawah Batas Atas Jan 3 7.45.679 3.43 Peb 3 5.83 8.48.734 Mar 3 4.796 7.7389.853 Apr 3 5.48 8.48.585 Mei 3 3.576 6.963.856 Jun 3 8..893 5.55 Jul 3 6.98 -.373 4.336 Agst 3.4593-5.93 8.85 Sep 3.845-5.53 9.3 Okt 3 7.8479.47 5.5 Nop 3.694 4.345 9.7 Des 3 5.54 7.84.587 Jan 4 8.437. 5.855 Peb 4 6.8 8.694 3.56 Mar 4 5.948 7.84.748 Apr 4 5.95 8.46 3.379 Mei 4 4.938 6.639.557 Juni 4 8.8.846 5.748 Juli 4 7.963 -.7 4.664 Agst 4.648-5.89 9.6 Sep 4.86-5.643 9.95 Okt 4 7.96.4469 5.385 Nop 4.7846 4.354 9.54 Des 4 5.67 7.69.63 Bulan Gambar 8. Nilai akar kuadrat curah hujan aktual, peramalan, batas bawah dan batas atas model fungsi transfer multi input Sedangkan nilai konversi peramalan, aktual, batas bawah dan batas atas curah hujan ke transformasi asalnya ditampilkan pada tabel dibawah ini. Tabel 7 Nilai Peramalan Curah Hujan Bulan Peramalan Batas Bawah Batas Atas Jan 3 9.43 4.5 547.7 Peb 3 7.446 7.35 47.38 Mar 3 8.95 59.89 477.57 Apr 3 37.554 67.9 5.8 Mei 3 84.33 39.643 434.97 Jun 3 67.6.798 4.83 Jul 3 48.736.39 5.5 Agst 3.3 34.844 77.89 Sep 3 3.45 3.58 85.4 Okt 3 6.59. 3.79 Nop 3 36.7 8.65 363.68 Des 3 3.4 6.7 5.5 Jan 4 339.764.38 668.46 Peb 4 6.9 75.586 555.8 Mar 4 33.93 6.484 57.49 Apr 4 53.46 7.67 546.578 Mei 4 98.635 43.969 464.69 Juni 4 68.575.664 47.984 Juli 4 5.787.74 5.7 Agst 4.76 33.87 83. Sep 4 3.334 3.845 86.397 Okt 4 6.663. 36.7 Nop 4 38.877 8.63 37.75 Des 4 9.877 59.68 5.7 Hasil peramalan tersebut menunjukkan bahwa pada tahun 4 musim penghujan baru berakhir pada bulan Mei atau musim kemarau tahun 4
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 5 baru dimulai pada bulan Juni. Fenomena ini dapat dikatakan sesuai dengan kondisi saat ini dimana baru pada bulan Juni 4, hujan yang mengguyur kota Surabaya mulai berhenti. Sedangkan musim penghujan berikutnya, atau akhir musim kemarau tahun 4 akan terjadi pada bulan Nopember 4. Kesimpulan Berdasarkan hasil analisis dan pembahasan, maka dapat diperoleh kesimpulan sebagai berikut :. Dalam kurun waktu Januari 989 sampai dengan Desember, curah hujan rata-rata kota Surabaya sebesar 37.5 mm. Nilai minimum curah hujan di Surabaya adalah nol yang tejadi saat musim kemarau. Sedangkan curah hujan maksimum yang pernah terjadi di Surabaya dalam kurun waktu tersebut terjadi pada bulan Januari 999 sebesar 67 mm. Hal tersebut dipengaruhi oleh terjadinya gelombang panas El Nino yang disusul dengan datangnya gelombang dingin La Nina yang menyebabkan banjir di sebagian wilayah Indonesia.. Kelembapan udara rata rata kota Surabaya dalam kurun waktu Januari 989 sampai dengan Desember mencapai 76. % dengan fluktuasi sebesar 6.56%. Kelembapan udara tertinggi sebesar 86 % terjadi pada bulan September 995. Dan kelembapan udara minimum dalam kurun waktu tersebut terjadi pada bulan Oktober 99 dan bulan Oktober 99 sebesar 6 %. Sedangkan model fungsi transfer singgle input kelembapan udara dengan variabel output curah hujan adalah : Z t = Z t- 66 Z t- + Z t-3 495 Z t-4 + 79 Z t-5 94 Z t-6 + 79 Z t-7 495 Z t-8 + Z t-9 66 Z t- + Z t- Z t- +.56 X t.67 X t- + 36.73 X t-.4 X t-3 + 6.89 X t-4 39.48 X t-5 + 4.6 X t-6 59.78 X t-7 + 6.83 X t-8 + 6.54 X t-9 77.9 X t- + 44.3 X t- 4.75 X t- +.78 X t-3.3 X t-4 + a t.93 a t- 3. Dalam kurun waktu Januari 989 sampai dengan Desember, tekanan udara rata rata kota Surabaya sebesar.4 Mbs dengan fluktuasi rata rata sebesar.4 Mbs. Tekanan udara minimum terjadi pada bulan Pebruari 99 sebesar 5.4 Mbs, sedangkan tekanan udara maksimum terjadi pada bulan September 994 sebesar 3.5 Mbs. Model fungsi transfer singgle input tekanan udara dengan variabel output curah hujan adalah : Z t = Z t- 65.8 Z t- + 7.7 Z t-3 48.46 Z t-4 + 75. Z t-5 89.95 Z t-6 + 64.5 Z t-7 + 36.44 Z t-8 + 69.5 Z t-9 + 8 Z t- + 9.8 Z t- +.54 Z t-.8 Z t-3 +.89 Z t-4.93 X t-4 +.6 X t-5 55.6 X t-6 + 7. X t-7 343.3 X t-8 + 466.3 X t-9 + 44.35 X t- + 3.8 X t- + 5.77 X t- 85.46 X t-3 + 58.4 X t-4 4.3 X t-5 3.3 X t-6 + 3.3 X t-7.9 X t-8 +.89 X t-9 + a t.77 a t- 4. Temperatur rata rata kota Surabaya dalam kurun waktu Januari 989 Desember sebesar 7,94 o C, dengan nilai standart deviasi sebesar.764 o C. Suhu udara maksimum terjadi pada bulan Nopember 99 dan bulan Nopember sebesar 3. o C. Sedangkan suhu udara minimum yang pernah tercatat dalam kurun waktu tersebut terjadi pada bulan Pebruari 989 sebesar 6, o C. Pemodelan fungsi transfer dengan variabel input temperatur & variabel output curah hujan adalah : Z t = Z t- 65.8 Z t- + 7.7 Z t-3 48.8 Z t-4 + 75.3 Z t-5 83.4 Z t-6 + 645.5 Z t- 7 34. Z t-8 + 73.5 Z t-9 + 5.6 Z t- 8.7 Z t- +. Z t-. Z t-3 +.85 Z t-4 +.699 X 3t-.6 X 3t- + 53.45 X 3t-3 93 X 3t-4 + 47.5 X 3t-5 84.54 X 3t-6 + 47.76 X 3t-7 969.5 X 3t-8 + 66.77 X 3t-9 5.85 X 3t- + 7.6 X 3t- + 36 X 3t- 5.68 X 3t-3 + 8.5 X 3t-4.5 X 3t-5 +.5 X 3t-6 + a t.874 a t- Model diatas menunjukkan bahwa akar kuadrat tingkat curah hujan ( Z t ) dipengaruhi oleh akar kuadrat tingkat curah hujan ( Z t ) selama 4 bulan sebelumnya. Juga dipengaruhi oleh temperatur selama 6 bulan sebelumnya ( t- s/d t-6 ) serta nilai residual pada bulan yang sama dan nilai residual bulan sebelumnya. 5. Dalam kurun waktu Januari 989 sampai Desember intensitas penyinaran matahari untuk kota Surabaya sebesar 73. % dengan nilai penyimpangan terhadap rata ratanya sebesar 7.9 %. Intensitas penyinaran matahari maksimum dalam kurun waktu itu sebesar % yang terjadi pada bulan Agustus 99 dan bulan September 997. Sedangkan intensitas matahari minimum terjadi pada bulan Januari 995 sebesar 35 %. Model fungsi transfer input intensitas penyinaran matahari dan output curah hujan adalah : Z t = Z 3t- 66 Z 3t- + Z 3t-3 495 Z 3t- 4 + 79 Z 3t-5 94 Z 3t-6 + 79Z 3t-7 495 Z 3t-8 + Z 3t-9 66 Z 3t- + Z 3t- Z 3t- +.7 X 4t + X 4t-.4
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 6 X 4t- + 36.57 X 4t-3 79.69 X 4t-4 + X 4t-5 4.3 X 4t-6 + 8.X 4t-7 3. X 4t-8 4.9 X 4t-9 +.46 X 4t-.48 X 4t- + 4.9 X 4t-.79 X 4t-3 +.7 X 4t-4 + a t.875 a t- 6. Kecepatan angin kota Surabaya dalam kurun waktu Januari 989 sampai Desember sebesar 5.8 knots dengan nilai simpangan baku sebesar.34 knots. Kecepatan angin maksimum yang pernah terjadi di Surabaya dalam kurun waktu tersebut sebesar 8 knots yang terjadi pada bulan Januari, Juni dan Agustus 997, serta Februari. Sedangkan kecepatan angin minimum terjadi pada bulan Maret 994, Desember 997, Februari dan Maret 998, serta bulan April 999. Model fungsi transfer singgle input untuk variabel intensitas penyinaran matahari dengan output curah hujan adalah : Z t = Z t- 65 Z t- + 8.3 Z t-3 43.7 Z t-4 + 579 Z t-5 45.5 Z t-6 + 6.7 Z t-7 + 36.7 Z t-8 39.4 Z t-9 + 4.8 Z t- 4 Z t- 38.4 Z t- + 33.58 Z t-3.6 Z t-4 +.47 Z t-5.6 Z t-6.889 X 5t +.7 X 5t- 58.4 X 5t- + 9.8 X 5t-3 46. X 5t-4 + 6.9 X 5t-5 584.6 X 5t-6 + 56.4 X 5t-7 + 65 X 5t-8 396. X 5t-9 + 343. X 5t- 5.6 X 5t- + 5.3 X 5t- + 38.9 X 5t-3 6.9 X 5t-4 + 9.4 X 5t-5.8 X 5t- 6 +.5 X 5t-7 + a t.67 a t-.879 a t- +.589 a t-4 7. Dengan tingkat signifikansi ( ) sebesar 5 %, didapatkan model fungsi transfer multi input sebagai berikut : Z t = Z t- 66 Z t- +.63 Z t-3 5.6 Z t-4 + 833.65 Z t-5 6.8 Z t-6 + 4.35 Z t-7 994.75 Z t-8 + 83 Z t-9 565.75 Z t- + 34.4 Z t- 39.8 Z t- + 4.65 Z t-3 4.6 Z t-4 +.63 Z t-5 +.59 X t 6.35 X t- + 38.85 X t- 4 X t-3 + 5.95 X t-4 39. X t-5 + 4.7 X t-6 395.87 X t-7 + 86. X t-8 + 75. X t- 9 + 67.3 X t- + 9.7 X t- + 54. X t- + 5.5 X t-3 7.68 X t-4 + 9. X t-5.7 X t-6 +.43 X t-7 +.84 X 3t- 9.5 X 3t- + 48.6 X 3t-3 46.7 X 3t-4 + 9.6 X 3t-5 44.4 X 3t-6 + 4.3 X 3t-7 89.8X 3t-8 + 83..4 X 3t-9 86.6 X 3t- +.3 X 3t- + 4.8 X 3t- 74.57 X 3t-3 + 47.8 X 3t-4 8.3 X 3t-5 + 3.97 X 3t-6.374 X 3t-7 +.45 X 5t 4.86 X 5t- + 7.5 X 5t- 83.5 X 5t-3 + 69.5 X 5t-4 7.6 X 5t-5 + 4. X 5t-6 + 5.7 X 5t-7 3.9 X 5t-8 + 8.35 X 5t-9 5.43 X 5t- + 98.3 X 5t- 3.55 X 5t- + 5.63 X 5t-3.469 X 5t-4 + a t.63 a t-3.935 a t- +.59 a t-5 Model fungsi transfer multi input diatas menunjukkan bahwa nilai akar kuadrat tingkat curah hujan pada waktu ke t dipengaruhi oleh akar kuadrat tingkat curah hujan selama 5 bulan sebelumnya ( t sampai dengan t 5 ), dipengaruhi oleh nilai kelembapan udara pada bulan yang sama sampai 7 bulan sebelumnya ( t sampai dengan t 7 ), dipengaruhi oleh nilai temperatur selama 7 bulan sebelumnya ( t sampai dengan t 7 ), dipengaruhi oleh kecepatan angin pada bulan yang sama sampai 5 bulan sebelumnya ( t sampai dengan t 5 ), serta dipengaruhi oleh nilai residual pada bulan yang sama, 3 bulan sebelumnya ( t-3 ), bulan sebelumnya ( t- ) dan 5 bulan sebelumnya ( t 5 ). Pemodelan curah hujan dengan metode fungsi transfer multi input menunjukkan bahwa kelembapan udara, temperatur serta kecepatan angin dapat dijadikan prediktor yang signifikan untuk mengukur tingkat curah hujan pada waktu ke-t. Curah hujan dapat diprediksi oleh kelembapan udara dan kecepatan angin pada waktu yang sama ( waktu ke-t ), atau tidak ada waktu senggang untuk meramalkan curah hujan berdasarkan kelembapan udara dan kecepatan angin. Namun curah hujan dapat diprediksi oleh temperatur mulai satu bulan sebelumnya ( waktu ke t- ), atau ada waktu senggang untuk meramalkan curah hujan berdasarkan temperatur udara. Hasil ini menunjukkan bahwa tingkat curah hujan pada musim penghujan merupakan suatu fenomena yang dipengaruhi oleh kondisi udara secara global dan dalam waktu yang cukup lama. Atau dapat dikatakan bahwa curah hujan adalah salah satu bentuk interaksi kondisi udara yang membentuk iklim global dan ilkim inilah yang juga dapat mempengaruhi tingkat curah hujan tiap bulannya pada saat musim penghujan. Daftar Pustaka Bowerman, B.L., O connell, R.T. 993. Forecasting and Time Series And Applied Approach. Third edition. Miami University, Ohio, Duxburg Press. Box, G.E.P., Jenkins, G.M. 976, Time Series Analysis Forecasting and Control, Revised Edition, Holdenday, San Fransisco.
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 7 Makridakis, S., Wheelwright S.C., Hyndman, R.J. 998. Forecasting : Method and Applications, Wiley, New York. Otok B.W. dan Suhartono,. Peluang Bisnis Pada Jasa Kereta Api Indonesia Dalam Menyikapi Krisis Ekonomi (Kajian Analisis Intervensi dan Fungsi Transfer), Natural Jurnal, Vol.6 (Edisi Khusus), FMIPA, Universitas Brawijaya Malang. Wei, W.W.S., 99, Time Series Analysis, Univariate and Multivariate Methods, Addison- Wesley Publishing Company, California.