IV. HASIL DAN PEMBAHASAN

9 menguji kelayakan model sehingga model sementara tersebut cukup memadai. Salah satu caranya adalah dengan menganalisis galat (residual). Galat merupakan selisih antara data observasi dengan data hasil keluaran model. Tahap 4: Prakiraan Langkah ini merupakan langkah terakhir dimana kita bisa membuat prakiraan (forecasting) dari model yang telah kita buat. IV. HASIL DAN PEMBAHASAN 4. Analisis Spektral Data Kecepatan Angin Zonal pada Lapisan 8 mb Metode analisis spektral banyak digunakan untuk menganalisis fenomena osilasi atmosferik. Analisis ini digunakan untuk memunculkan periode dari setiap osilasi yang terjadi. Salah satu cara untuk mengamati perilaku MJO adalah dengan mengamati data indeks MJO yang saat ini telah dikenal luas yaitu Real Time Multivariate MJO (RMM dan RMM2) yang digunakan oleh pihak Badan Meteorologi Australia (BoM, Australia). RMM dan RMM2 adalah sepasang indeks untuk memonitoring MJO yang didasarkan pada sepasang fungsi ortogonal empiris gabungan dari data kecepatan angin pada lapisan 8 mb dan 2 mb, serta data Outgoing Longwave Radiation (OLR) (Wheeler dan Hendon, 24). Namun, pada penelitian ini fenomena MJO hanya diamati dengan menggunakan data kecepatan angin zonal pada lapisan 8 mb atau sekitar ketinggian.4 km. Hal tersebut didasarkan pada asumsi bahwa pada lapisan tersebut merupakan pusat konveksi, dimana akan terbentuk dasar awan-awan hujan sebagai ciri kejadian MJO. Menurut Aldrian (2) kecepatan angin juga akan mempengaruhi pembentukan awan konvektif. Jika kecepatannya terlalu tinggi maka akan menghalangi pembentukan awan konvektif, sedangkan jika terlalu lemah maka akan menyebabkan terjadinya gangguan lokal. Selain itu angin berperan dalam memindahkan awan dari tempat pembentukannya. Gambar 8 Power Spectral Density (PSD) kecepatan angin zonal periode Januari 27 3 Desember 2 di Pontianak. Berdasarkan analisis PSD, osilasi kecepatan angin zonal harian pada lapisan 8 mb atau ketinggian sekitar.4 km di Pontianak menunjukkan harian. Artinya jika osilasi ini berjalan sempurna maka dalam waktu harian akan terjadi peningkatan kecepatan angin di kawasan tersebut. Hal ini menunjukkan fenomena MJO terasa di kawasan Pontianak. Hasil yang sama juga ditunjukkan dengan teknik wavelet. Global wavelet spektrum menunjukkan periodesitas harian. harian Gambar 9 Wavelet Kecepatan Angin Zonal pada Ketinggian.4 km periode Januari 27 3 Desember 2 di Pontianak.

kawasan tersebut. Hal ini menunjukkan fenomena MJO terasa di kawasan Biak. Gambar Power Spectral Density (PSD) kecepatan angin zonal periode Januari 27 3 Desember 2 di Manado. Gambar 2 Power Spectral Density (PSD) kecepatan angin zonal periode Januari 27 3 Desember 2 di Biak. 4 harian 4 harian Gambar Wavelet Kecepatan Angin Zonal pada Ketinggian.4 km periode Januari 27 3 Desember 2 di Manado. Analisis yang sama menggunakan teknik FFT dan wavelet mennjukkan bahwa osilasi kecepatan angin zonal harian pada lapisan 8 mb atau ketinggian sekitar.4 km di daerah Manado adalah 4 harian. Artinya jika osilasi ini berjalan sempurna maka dalam waktu 4 harian akan terjadi peningkatan kecepatan angin di kawasan tersebut. Hal ini menunjukkan fenomena MJO terasa di kawasan Manado. Begitu pula dengan daerah Biak. Hasil analisis kecepatan angin zonal harian pada lapisan 8 mb atau ketinggian sekitar.4 km di daerah Biak menghasilkan osilasi 4 harian. Artinya jika osilasi ini berjalan sempurna maka dalam waktu 4 harian akan terjadi peningkatan kecepatan angin di Gambar 3 Wavelet Kecepatan Angin Zonal pada Ketinggian.4 km periode Januari 27 3 Desember 2 di Biak. Disamping itu, dilakukan pula analisis spektral pada data indeks MJO yaitu RMM dan RMM2. Hasil PSD menunjukkan bahwa data RMM dan RMM2 menghasilkan osilasi 4 harian. Dari hasil analisis spektral diketahui bahwa data kecepatan angin zonal pada lapisan 8 mb memiliki osilasi yang sama dengan data indeks MJO global (RMM dan RMM2), yakni keduanya berosilasi sekitar 4 harian. Osilasi yang kuat pada 4 harian ini diidentifikasi sebagai suatu sinyal MJO di wilayah Pontianak, Manado, dan Biak.

sehingga dapat mendukung terjadinya pembentukan awan dan pergerakan awan dari barat ke timur sebagai ciri terjadinya MJO. Hal tersebut juga sesuai dengan karakteristik pergerakan SCC yang bergerak ke timur dengan kecepatan rata-rata sekitar m/s (Zhang, 2). Gambar 4 Power Spectral Density (PSD) RMM dan RMM2 periode Januari 27 3 Desember 2. 4 harian 4.2 Analisis Statistik Data Kecepatan Angin Zonal pada Lapisan 8 mb dengan Data RMM dan RMM2 Analisis statistik ini dilakukan untuk membuktikan apakah data kecepatan angin zonal pada lapisan 8 mb dapat digunakan untuk memprediksi kejadian MJO di Indonesia, khususnya kawasan Pontianak, Manado, dan Biak. Seperti yang telah dikemukakan sebelumnya bahwa sebelum data kecepatan angin ini digunakan untuk prediksi MJO maka akan dibandingkan terlebih dahulu dengan data indeks MJO yang telah dikenal luas, yaitu RMM dan RMM2. Dengan teknik wavelet, diketahui terdapat puncak-puncak varians kecepatan angin zonal maupun RMM dan RMM2 yang dapat dilihat pada gambar berikut ini: Gambar Wavelet RMM periode Januari 27 3 Desember 2. 4 harian Gambar 6 Wavelet RMM2 periode Januari 27 3 Desember 2. Plot data angin di ketiga wilayah penelitian menunjukkan bahwa kecepatan angin berkisar m/s. Kecepatan angin ini tidak terlalu tinggi maupun terlalu rendah Gambar 7 Rata-rata time series kecepatan angin zonal, RMM dan RMM2 periode Januari 27 3 Desember 2. Secara sepintas terlihat bahwa kecepatan angin zonal memiliki pola yang sama dengan data RMM dan RMM2 meskipun amplitudonya berbeda. Analisis statistik menunjukkan bahwa data kecepatan angin zonal lapisan 8 mb dengan data RMM dan RMM2 memiliki hubungan yang signifikan pada selang kepercayaan 9 %. Gambar 7 menunjukkan terjadinya puncak-puncak kecepatan angin zonal maupun data RMM dan RMM2 khususnya

2 pada sekitar bulan Juni 27, Desember 27, Juni 28, April 29, November 29, dan Oktober 2. Sehingga analisis statistik dari variabel angin dengan RMM dan RMM2 difokuskan pada saat keduanya menguat. Pada bulan-bulan tersebut terlihat pula bahwa angin yang mendominasi adalah angin baratan. Tabel 4 menunjukkan persamaan menggunakan analisis regresi linear sederhana antara kecepatan angin zonal dengan RMM dan RMM2, dimana; Y = kecepatan angin zonal, X = RMM, X 2 = RMM2. Tabel 4 Regresi linear antara kecepatan angin zonal di Pontianak dengan RMM dan RMM2 Bulan R 2 Persamaan 7 Des- 7 8 Apr- 9 Nov- 9 Okt-.32 Y=.226 +.28 X +.4 X2.86 Y= 4.48 + 2.7 X +.76 X2.47 Y=. +.24 X +.387 X2.27 Y=.668 +.9 X +.67 X2.87 Y= 3.29 +.984 X + 2.82 X2.33 Y=.47 +.43 X +.829 X2.2 Tabel 4 menunjukkan bahwa terdapat keterkaitan yang erat antara data angin zonal dengan data RMM dan RMM2 dengan nilai rata-rata R 2 sebesar.2. Nilai R 2 tinggi pada bulan Desember dan November. Pada masing-masing bulan di atas, fase MJO dimulai di belahan bumi bagian barat/ Afrika lalu bergerak ke timur melalui Samudera Hindia, Indonesia, dan Samudera Fasifik Bagian Barat. MJO aktif pada saat melewati Indonesia tidak sama setiap bulan, namun umumnya pada pertengahan hingga akhir bulan (sekitar 8- hari). Pada saat melewati Indonesia inilah yang menyebabkan curah hujan yang tinggi. Bulan Oktober-Desember memiliki curah hujan yang tinggi. Hal tersebut karena angin yang mendominasi adalah angin baratan yang membawa banyak uap air dari Samudera Hindia yang memungkinkan terjadinya banyak hujan di kawasan Pontianak. Pola curah hujan di Pontianak dapat dilihat pada Gambar 8. Curah Hujan (mm) Gambar 8 Curah Hujan Rata-rata Bulanan Pontianak Tahun 27-2. Berdasarkan data rata-rata curah hujan bulanan tahun 27-2 di Pontianak memiliki pola curah hujan equatorial, dengan puncak curah hujan terjadi pada bulan Oktober dan April. Meskipun begitu, curah hujan pada bulan Oktober, November, dan Desember nilainya lebih tinggi dibandingkan dengan curah hujan pada bulan April. Tabel Regresi linear antara kecepatan angin zonal di Manado dengan RMM dan RMM2 Bulan R 2 Persamaan 7 Des- 7 8 Apr- 9 Nov- 9 Okt- 4 3 2 JFMAMJJASOND Bulan.7 Y= -.93 +.38 X -.346 X2. Y=.84 +. X -.489 X2.6 Y= -.94 +.4 X -.3 X2.82 Y=.38 +.62 X +.687 X2.86 Y= 3. +.248 X + 2.7 X2.4 Y= -.483 +.22 X + 3.3 X2.4 Tabel menunjukkan bahwa di Manado rata-rata R 2 sebesar.4. Nilai R 2 tertinggi terjadi pada bulan November. Pada bulan tersebut curah hujan di Manado mengalami puncak. Pada saat MJO menguat pada bulan Juni, posisi matahari berada di utara, namun pemanasan intensif belum terjadi di wilayah utara ekuator. Akibatnya curah hujan yang terjadi tidak terlalu tinggi. Sedangkan pada bulan Desember posisi matahari berada di selatan ekuator sehingga pengaruh pemanasan tidak intensif untuk kawasan di utara ekuator seperti Manado. Hal

3 tersebut mengakibatkan pengaruh MJO di Manado pada bulan Desember melemah. 3 3 2 2 Curah Hujan (mm) Gambar 9 Curah Hujan Rata-rata Bulanan Manado Tahun 27-2. Berdasarkan data rata-rata curah hujan bulanan di Manado tahun 27-2 cenderung berpola curah hujan monsunal, dengan puncak curah hujan terjadi pada bulan November. Puncak curah hujan terjadi pada bulan November-Januari. Sementara itu curah hujan terendah terjadi pada bulan Agustus Oktober. Di kawasan Manado ini sepertinya faktor monsun lebih kuat dibandingkan dengan pengaruh MJO dan karena pengaruh faktor lokal. Hubungan curah hujan Manado dengan ITCZ juga tidak konsisten, karena secara teori pengaruh ITCZ untuk kawasan di utara ekuator akan dirasakan pada bulan Agustus, namun pada kenyataannya pada bulan Agustus curah hujan di wilayah ini justru paling rendah. Hal tersebut menguatkan pendapat bahwa kawasan Manado lebih dipengaruhi oleh faktor lokal. Tabel 6 Regresi linear antara kecepatan angin zonal di Biak dengan RMM dan RMM2 Bulan R 2 Persamaan 7 Des- 7 8 Apr- 9 Nov- 9 Okt- J F MAM J J A S O N D Bulan.63 Y= -2.682 -.3 X + 4.39 X 2.76 Y= 2.368 +.886 X + 3.384 X 2.2 Y= -.976+.883 X +.469 X 2.66 Y=.72 -.264 X + 2.7 X 2.74 Y= 3.2 -.98 X + 3.7 X 2.77 Y= -.99 -.363 X + 4.36 X 2.68 Hasil regresi di Biak menunjukkan bahwa di setiap bulan R 2 cenderung tinggi. Hal tersebut mengindikasikan bahwa MJO berpengaruh pada kondisi iklim di Biak. Curah Hujan (mm) Gambar 2 Curah Hujan Rata-rata Bulanan Biak Tahun 27-2. Berdasarkan data rata-rata curah hujan bulanan tahun 27-2, Biak memiliki pola curah hujan yang tidak begitu jelas. Hal tersebut sesuai dengan penelitian Junaeni (26) yang menyebutkan bahwa pola curah hujan di Biak sulit ditentukan karena tidak jelas apakah mengikuti pola equatorial atau lokal. Namun, Sunarsih (27) menyebutkan bahwa curah hujan di Biak memiliki pola equatorial. Pada periode ini, curah hujan paling tinggi pada bulan Juni-Agustus serta bulan Oktober-Desember juga terlihat curah hujan cukup tinggi. Curah Hujan (mm) 3 2-4 3 2 J FMAMJ J ASOND Bulan J F MAM J J A S O N D Bulan Pontianak Manado Biak Gambar 2 Distribusi Curah Hujan Rata-rata Bulanan Pontianak, Manado, dan Biak Tahun 27-2. Berdasarkan distribusi curah hujan bulanan periode Januari 27-Desmber 2 yang ditunjukkan pada Gambar 2 terlihat adanya perbedaan yang signifikan antara curah hujan Pontianak, Manado dan Biak. Curah hujan rata-rata maksimum dimiliki oleh Pontianak sebesar 32 mm. Curah hujan ratarata Manado sebesar 23 mm sedangkan Biak sebesar 222 mm. Dari distribusi curah hujan ini terlihat bahwa semakin ke timur curah

4 hujan semakin kecil, yang berarti kekuatan MJO semakin berkurang, kecuali untuk Biak yang curah hujannya lebih tinggi dari Manado. Dengan menggunakan analisis statistik diperoleh adanya keterkaitan antara data kecepatan angin zonal dengan data indeks MJO global khususnya pada saat keduanya menguat yaitu sekitar bulan Januari 27, Desember 27, Juni 28, April 29, November 29, dan Oktober 2. Nilai R 2 rata-rata melebihi. sehingga menunjukkan bahwa data kecepatan angin zonal signifikan dan valid untuk analisis lebih lanjut, yaitu untuk analisis MJO di kawasan Indonesia. Kecuali unutk daerah Manado, rata-rata R 2 kurang dari. kemungkinan disebabkan faktor lokal. Hasil analisis regresi menunjukkan kecenderungan bahwa pada saat bulan-bulan basah yaitu Oktober, November, dan Desember nilai R 2 lebih tinggi daripada pada saat bulan-bulan kering seperti April dan Juni. Hal tersebut berarti bahwa prediksi indeks MJO menunjukkan hasil yang baik pada saat musim basah karena MJO berkaitan dengan perjalanan ITCZ saat bergerak ke utara dan selatan. 4.3 Model Berbasis ARIMA Dari hasil analisis spektral dan statistik diketahui bahwa kecepatan angin zonal pada lapisan 8 mb (ketinggian.4 km) dapat menunjukkan terjadinya osilasi MJO di kawasan Indonesia khususnya Pontianak, Manado, dan Biak. Pemodelan ini menggunakan data harian kecepatan angin zonal selama 4 tahun (46 data) yang terbagi menjadi 369 data untuk menduga model sementara dan sisanya 92 data untuk validasi model. Pemodelan ini bertujuan untuk memperoleh model prediksi data time series kecepatan angin zonal yang nantinya dapat digunakan dalam mengembangkan model MJO. 4.3. Pontianak Tahapan awal dalam pemodelan ini yaitu melakukan uji stasioneritas data. Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret waktu karena dapat memperkecil kekeliruan model. Kestasioneran data dapat dilihat secara visual pada plot data terhadap waktu dan melalui telaah plot ACF dan PACF. Time Series Plot of Zonal_Pontianak Zonal_Pontianak - - - 37 274 4 48 68 822 99 96 233 () Autocorrelation Function for Zonal_Pontianak (with % significance limits for the autocorrelations) Partial Autocorrelation Function for Zonal_Pontianak (with % significance limits for the partial autocorrelations) Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, Partial Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, 2 3 4 6 7 8 (2) (3) Gambar 22 Plot data (), ACF (2), PACF (3) kecepatan angin zonal di Pontianak periode Januari 27 3 September 2. 2 3 4 6 7 8

Gambar 22 () menunjukkan bahwa data deret waktu sudah stasioner dalam rataan dan ragam, sehingga tidak perlu dilakukan proses differencing. Proses differencing ini merupakan proses transformasi data agar data menjadi stasioner dengan cara mencari selisih nilai saat ini dengan nilai kemarin. Dari Gambar 22 (2) dan 22 (3) terlihat bahwa pada plot ACF tail off (menurun secara eksponensial) tapi pada PACF nya cut off (menuju setelah lag q). Plot PACF nyata pada lag, 2, 3 dan 4. Dengan demikian, model sementara dari plot data kecepatan angin zonal di Pontianak adalah model autoregressif (AR). Kemungkinan model adalah ARIMA(,,), ARIMA(2,,), ARIMA(3,,), dan untuk lebih meyakinkan akan dicoba model ARIMA (4,,). Tahap selajutnya adalah melakukan penaksiran parameter terhadap model sementara. Hal ini diperlukan untuk menelaah besarnya kekeliruan jika model tersebut digunakan sebagai model ramalan. Pengolahan data dilakukan dengan menggunakan software Minitab. Penaksir parameter untuk masing-masing model sementara dapat dilihat pada Lampiran 6. Hasil penaksiran model menunjukkan bahwa ARIMA (3,,) tidak nyata pada penduga pada koefisien AR(2). Sementara itu untuk ARIMA(2,,) nyata untuk semua penduga parameternya, maka ARIMA (2,,) ditetapkan sebagai model tentatif nya. Model AR(2), Zt = φz t- + φ 2Z t-2 + at Z t =.33396 +.6792 Z t- +.762 Z t-2 + a t Setelah diperoleh model ARIMA selanjutnya dilakukan validasi untuk data tanggal Oktober 2-3 Desember 2. Hasil validasi dapat dilihat pada Gambar 23. Dari Gambar tersebut terlihat bahwa nilai galat yang diperoleh relatif kecil sehingga model ini cukup dapat mengenali pola kecepatan angin zonal di Pontianak. Berdasarkan Gambar 23 dapat dilihat bahwa plot data prediksi mendekati data asli dengan nilai r sebesar.783. Hasil prediksi ini cukup baik karena menghasilkan galat ratarata yang kecil yaitu sebesar.89 dan RMSE (Root Mean Square Error) sebesar.83. RMSE ini digunakan untuk menduga perbedaan antara nilai observasi dengan nilai prediksi. Tabel 7 Penaksir Parameter ARIMA(2,,) Type Coef SE Coef T P AR,6792,27 2,8, AR 2,762,27 2,83, Constant,33396,49 6,7. Mean,36,22 Time Series Plot of Data_Asli; Nilai_Prediksi Variable Data_Asli N ilai_p red ik si Data - 9 8 27 36 4 4 63 72 8 9 Gambar 23 Plot data asli kecepatan angin zonal di Pontianak dengan hasil prediksi ARIMA(2,,) Oktober 2-3 Desember 2.

6 Model ARIMA(2,,) untuk data kecepatan angin zonal di Pontianak artinya peramalan data angin zonal periode mendatang tergantung pada data dua waktu sebelumnya. Model tersebut dapat digunakan untuk menduga kecepatan angin tiga hari ke depan. Hasil prediksi menunjukkan bahwa kecepatan angin pada tanggal -3 Januari 2 masih didominasi oleh angin baratan. Artinya kemungkinan curah hujan masih tetap tinggi. 4.3.2 Manado Uji stasioneritas dilakukan terhadap data kecepatan angin zonal di Manado. Time Series Plot of Zonal_Manado Zonal_Manado - - - 37 274 4 48 68 Gambar 24 Plot data asli kecepatan angin zonal di Manado periode Januari 27 3 September 2. 822 99 96 233 Time Series Plot of diff_ diff_ - - - 37 274 4 48 68 822 99 96 233 () Autocorrelation Function for diff_ (with %significance limits for the autocorrelations) Partial Autocorrelation Function for diff_ (with %significance limits for the partial autocorrelations) Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, Partial Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, 2 3 4 6 7 8 (2) (3) Gambar 2 Plot data (), ACF (2) PACF (3) differencing orde kecepatan angin zonal di Manado periode Januari 27 3 September 2. 2 3 4 6 7 8

7 Dari plot data pada Gambar 24 terlihat bahwa data tidak stasioner dalam rataan, maka dilakukan proses differencing satu kali. Setelah dilakukan proses pembedaan maka terlihat bahwa data sudah stasioner. Dengan dilakukannya pembedaan maka ditentukan model sementara (d=). Plot ACF nya nyata pada lag 2 dan 3, sedangkan PACF nya nyata pada lag 2, 3, dan 4 maka kemungkinan model adalah ARIMA(2,,2), ARIMA(2,,3), ARIMA (2,,4), ARIMA (3,,2) ARIMA (3,,3) ARIMA (3,,4). Pada proses pendugaan parameter diperoleh bahwa ARIMA(2,,2), ARIMA(2,,3) nyata untuk semua parameternya. Penduga parameter dari masing-masing model dapat dilihat pada Lampiran 7. Namun, untuk kemungkinan model yang lain tidak bisa diperoleh penaksir parameternya disebabkan tidak muncul iterasi di Minitab. Sehingga model yang mungkin untuk data kecepatan angin zonal di Manado adalah ARIMA(2,,2), ARIMA(2,,3). Model yang memiliki nilai MS dan SS paling kecil adalah ARIMA(2,,2). Berdasarkan hal tersebut maka model terbaik adalah ARIMA(2,,2). Bentuk persamaan modelnya adalah: Z t = (+Ø )Z t- + (- Ø +Ø 2 )Z t-2 θ a t- θ 2 a t-2. Berdasarkan Tabel 9 maka diperoleh persamaan ARIMA(2,,2) adalah Z t =.4472 Z t-.2842 Z t-2.847 a t-.3883 a t-2. Model ARIMA(2,,2) untuk kecepatan angin zonal di Manado artinya peramalan data angin zonal periode mendatang tergantung pada data tiga waktu sebelumnya dan galat dua waktu sebelumnya. Model tersebut dapat digunakan untuk menduga kecepatan angin tiga hari ke depan. Hasil prediksi menunjukkan bahwa kecepatan angin pada tanggal -3 Januari 2 menunjukkan kecenderungan untuk membentuk angin timuran. Artinya kemungkinan curah hujan tidak akan tinggi. Tabel 8 Perbandingan Nilai MS dan SS masing-masing model Model ARIMA kecepatan MS SS angin zonal (2,,2) 3,73 78,84 (2,,3) 3,74 9,2 Tabel 9 Parameter Model ARIMA(2,,2) Type Coef SE Coef T P AR,4472,274 6,3, AR 2,63,289,6, MA,847,7 78,4,7 MA 2,3883,9 42,6,4 Constant -,28,43 -,88,378 Time Series Plot of Data_Asli; N ilai_prediksi Variable Data_Asli N ilai_p r ed ik si Data - - 9 8 27 36 4 4 Gambar 26 Plot data asli kecepatan angin zonal di Manado dengan hasil prediksi ARIMA (2,,2) periode Oktober 2-3 Desember 2. 63 72 8 9

8 Gambar 26 menunjukkan perbandingan antara data asli dengan nilai prediksi. Dari Gambar tersebut dapat dilihat bahwa plot data prediksi mendekati plot data asli dengan nilai r sebesar,78. Hasil prediksi ini cukup baik karena menghasilkan galat rata-rata yang kecil yaitu sebesar.42 dan RMSE sebesar.84. 4.3.3 Biak Analisis yang sama dilakukan untuk data kecepatan angin zonal di Biak. Dari plot data pada Gambar 27, terlihat bahwa data tidak stasioner dalam rataan, maka dilakukan proses differencing orde. Setelah dilakukan proses pembedaan maka terlihat bahwa data sudah stasioner. Time Series Plot of Zonal_Biak Zonal_Biak - - - 37 274 4 48 68 822 99 96 233 Gambar 27 Plot data kecepatan angin zonal di Biak periode Januari 27 3 September 2. T im e S e r ie s P lo t o f B ia k _ dif Biak_dif - - 37 274 4 48 68 822 99 96 233 () Autocorrelation Function for Biak_dif (with % significance limits for the autocorrelations) Partial Autocorrelation Function for Biak_dif (with %significance limits for the partial autocorrelations) Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, Partial Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, 2 3 4 6 7 8 (2) (3) Gambar 28 Plot data (), ACF (2), PACF (3) differencing orde kecepatan angin zonal di Biak periode Januari 27 3 September 2. 2 3 4 6 7 8

9 Dari plot deret waktu pada Gambar 28() terlihat bahwa setelah dilakukan proses differencing orde maka data deret waktu sudah stasioner dalam rataan dan ragam. Dengan dilakukannya pembedaan maka ditentukan model sementara (d=). Terlihat bahwa pada plot ACF cut off tapi pada PACF nya taill off. Plot ACF nya nyata pada lag, 2, dan 3, maka kemungkinan model adalah ARIMA(,,), ARIMA(,,2), dan ARIMA(,,3). Penduga parameter dari masing-masing model tersebut dapat dilihat pada Lampiran 8. Karena model-model tersebut nyata pada semua pendugaan parameternya maka untuk menentukan model terbaik dengan melihat nilai MS dan SS. Diantara ketiga model tersebut yang memiliki nilai MS dan SS paling kecil yaitu ARIMA(,,3). Dengan demikian, model ARIMA(,,3) merupakan model terbaik. Bentuk persamaan modelnya adalah: Z t = Z t- θ a t- θ 2 a t-2 θ 3 a t-3. Berdasarkan Tabel maka diperoleh persamaan ARIMA(,,3) adalah Zt = Z t- -,97 -,38 a t- -,238 a t-2 -,874 a t-3 Model ARIMA(,,3) untuk kecepatan angin zonal di Biak artinya peramalan data angin zonal periode mendatang tergantung pada data satu waktu sebelumnya dan galat tiga waktu sebelumnya. Model tersebut dapat digunakan untuk menduga kecepatan angin satu hari ke depan. Hasil prediksi menunjukkan bahwa kecepatan angin pada tanggal Januari 2 masih didominasi angin baratan. Artinya kemungkinan curah hujan tetap tinggi. Tabel Perbandingan Nilai MS dan SS masing-masing model Model ARIMA kecepatan MS SS angin zonal (,,) 723, 7,8 (,,2) 3,4 7,6 (,,3) 47,7 7,4 Tabel Penaksir Parameter ARIMA(,,3) Type Coef SE Coef T P MA,38,266,2, MA 2,238,26 9,4, MA 3,874,266 7,4, Constant -,97,399 -,3,76 Time Series Plot of Data_Asli; N ilai_prediksi Variable Data_Asli N ilai_p r ed ik si Data - - 9 8 27 36 4 4 Gambar 29 Plot data asli kecepatan angin zonal di Biak dengan hasil prediksi ARIMA (,,3) periode Oktober 2-3 Desember 2. 63 72 8 9