You are on page 1of 10

PERAMALAN DEBIT AIR SUNGAI BRANTAS

DENGAN MODEL GSTAR DAN ARIMA

Oleh:
Henny Dwi Khoirun Nisa’
1205 100 044
Dosen Pembimbing:
Dra. Nuri Wahyuningsih, M.Kes
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh November
Surabaya 2010

Abstrak
Dalam kehidupan sehari-hari, seringkali kita jumpai data yang tidak hanya mengandung keterkaitan dengan
kejadian pada waktu sebelumnya, tetapi juga mempunyai keterkaitan dengan lokasi atau tempat yang lain. Data seperti
ini disebut data spasial, salah satu data yang diduga mempunyai keterkaitan antar waktu dan lokasi adalah data debit air
sungai. Untuk mendapatkan hasil peramalan yang baik maka dilakukan perbandingan dua model yaitu model
Generalized Space Time Autoregressive (GSTAR) dan model Autoregressive Integrated Moving Average (ARIMA).
Dalam penilitian ini akan diterapkan model GSTAR dengan dua bobot lokasi yaitu bobot seragam, dan bobot inverse
jarak. Pemodelan ARIMA dimaksudkan untuk mengatasi permasalahan yang mungkin muncul yaitu dugaan tidak
adanya hubungan keterkaitan antar lokasi. Dari analisis yang telah dilakukan, didapatkan model yang sesuai dengan data
yaitu model GSTAR(21) – I(1) untuk ketiga lokasi, model ARIMA(1,0,0) untuk Z1, model ARIMA(1,0,0) untuk Z2 ,
dan model ARIMA([3,10],1,[3,13]) untuk Z3. Dari model GSTAR dan ARIMA yang terbentuk akan dipilih model
terbaik yang menghasilkan kesalahan ramalan terkecil. Pemilihan model terbaik didasarkan pada nilai RMSE dari
model. Berdasarkan nilai rata-rata RMSE dari peramalan dengan menggunakan one step forecast, didapatkan
kesimpulan bahwa model yang paling sesuai dengan kondisi data adalah model GSTAR(2 1) – I(1) dengan bobot lokasi
inverse jarak.
Kata kunci: GSTAR, ARIMA, RMSE, Debit air, one step forecast.

1. Pendahuluan
Sungai Brantas, terletak di propinsi Jawa Timur dengan luas wilayah sungai 26,5% dari wilayah propinsi
Jawa Timur. Sebagai sumber air yang sangat potensial bagi usaha pengelolaan dan pengembangan sumber
daya air, Sungai Brantas digunakan untuk kebutuhan domestik, air baku air minum dan industri, irigasi, dan
lain lain. Seiring dengan semakin banyaknya kajian-kajian mengenai analisis time series, muncul pemikiran
adanya dugaan bahwa ada beberapa data dari suatu kejadian yang tidak hanya mengandung keterkaitan
dengan kejadian pada waktu-waktu sebelumnya, tetapi juga mempunyai keterkaitan dengan lokasi atau
tempat yang lain. Dengan adanya keheterogenan debit air sungai pada setiap lokasi pengukuran maka untuk
melakukan pemodelan hendaknya tidak hanya memperhatikan masalah waktu, akan tetapi juga
memperhatikan masalah lokasi. Model space-time ini pertama kali diperkenalkan oleh Pfeifer dan Deutsch
(1980a, 1980b). Model space-time yang dikembangkan oleh Pfeifer dan Deutsch mempunyai kelemahan dan
kelemahan ini diperbaiki oleh Borovkova, Lopuhaa, dan Ruchjana (2002) melalui model yang dikenal dengan
model Generalized Space-Time Autoregressive (GSTAR). Model GSTAR ini muncul atas ketidakpuasan
terhadap pengasumsian karakteristik lokasi yang seragam (homogen) pada model STAR yang membuat
model ini menjadi tidak fleksibel, khususnya pada saat dihadapkan pada lokasi-lokasi yang memiliki
karakteristik yang heterogen. Ruchjana (2002) melakukan pemodelan dengan GSTAR untuk data produksi
minyak bumi, model yang didapatkan yaitu GSTAR (11) dengan matrik bobot spasial serta estimasinya
menggunakan metode kuadrat terkecil (Least Square). Penelitian lainnya dilakukan oleh Borovkova dkk.
(2008) mengenai hasil produksi teh bulanan di Jawa Barat. Pada penelitian ini diambil 24 lokasi dengan 94
pengamatan dan estimasinya menggunakan metode kuadrat terkecil (Least Square). Pada tahun 2009 Mir
Atus Shofiyah menerapkan model GSTAR pada data produksi gas, model yang didapatkan yaitu model

1

Secara matematis. 2. 𝜙𝑘0 1 𝑁 𝚽𝒌𝟏 = diag 𝜙𝑘1 . 𝜙𝑘1 pembobot dipilih sedemikian hingga 𝒘𝒊𝒊 = 0 dan 𝒊≠𝒋 𝒘𝒊𝒋 = 1 Penaksir parameter model GSTAR dapat dilakukan dengan menggunakan metode kuadrat terkecil dengan cara meminimumkan jumlah kuadrat simpangannya. Model GSTAR merupakan suatu model yang lebih fleksibel sebagai generalisasi dari model STAR. RMSE dirumuskan sebagai berikut :  Z  n 1 2 (3) RMSE  MSE  n1  Ẑ n ( l ) n l 1 dengan n merupakan banyak ramalan yang dilakukan. 2006) :  p  ( B )( 1  B )d Z ( t )  0   q ( B )e( t ) (1) dengan : 𝑝.q) dirumuskan sebagai berikut (Wei. Model ini dapat menjelaskan keterkaitan suatu pengamatan pada suatu waktu dengan pengamatan pada waktu-waktu sebelumnya. Perbedaan utama dari model GSTAR(p1) ini terletak pada nilai-nilai parameter pada lag spasial yang sama diperbolehkan berlainan. Model ARIMA dan GSTAR Model ARIMA merupakan model yang biasa digunakan pada data deret waktu yang univariat. Dengan diketahuinya peramalan debit air sungai Brantas maka akan diketahui kapan banjir itu akan datang. Nilai RMSE berkisar antara 0 sampai  . Pemilihan atau penentuan bobot lokasi merupakan salah satu permasalahan utama pada pemodelan GSTAR. Dua bobot lokasi yang digunakan dalam penelitian ini adalah : 1. Secara umum model ARIMA(p. Dalam notasi matriks. Bobot lokasi jenis ini seringkali digunakan pada data yang lokasinya homogen atau mempunyai jarak antar lokasi yang sama. Root Mean Squared Error (RMSE) adalah Ukuran perbedaan antara nilai prediksi dari model atau penaksir dengan nilai sebenarnya dari observasi. orde differencing non-musiman.d. 2. Dengan diperoleh model GSTAR. orde MA nonmusiman ∅𝒑 𝐵 ∶ koefisien komponen AR nonmusiman dengan derajat p 𝜃𝑞 𝐵 ∶ koefisien komponen MA nonmusiman dengan derajat q 𝐵 ∶ backward shift operator nonmusiman Salah satu metode yang digunakan dalam pemodelan ARIMA adalah metode Box-Jenkins. Bobot seragam (uniform) w ij  1 ni dengan ni = jumlah lokasi yang berdekatan dengan lokasi i. 𝑞 ∶ orde AR nonmusiman. Sehingga perlu kiranya untuk melakukan peramalan debit air sungai Brantas pada periode yang akan datang. model GSTAR(p1) dapat ditulis sebagai berikut : p Z ( t )   k 0  k 1W Z ( t  k )  e( t ) (2) k 1 Dengan: 1 𝑁 𝚽𝒌𝟎 = diag 𝜙𝑘0 . … . notasi dari model GSTAR(p1) adalah sama dengan model STAR(p1). Kawasan rawan banjir adalah kawasan yang setiap musim hujan mengalami genangan lebih dari enam jam pada saat hujan turun dalam keadaan normal. Semakin kecil nilai RMSE maka model semakin bagus 2 . Model GSTAR ini dapat diterapkan pada data debit air sungai Brantas. … .GSTAR (11) – I(1) dengan bobot lokasi inverse jarak dan menggunakan one step forecast. yang menjadi masalah utama dalam model GSTAR adalah pada pemilihan bobot lokasi. 𝑑. Beberapa cara penentuan bobot lokasi yang sering digunakan dalam aplikasi model GSTAR telah disebutkan dalam Suhartono dan Atok (2006). Pemilihan bobot lokasi yang optimal akan menghasilkan model yang lebih tepat sehingga diperoleh hasil peramalan yang tepat pula. Metode ini menggunakan nilai-nilai sekarang dan nilai-nilai waktu sebelumnya dari suatu variabel untuk menghasilkan model ramalan jangka pendek dengan pendekatan yang iteratif. diharapkan akan diketahui hasil debit air sungai Brantas. Bobot invers jarak. Amstrong (2006) serta Kostenko dan Hydman (2008) menyatakan bahwa variabel yang tidak signifikan dapat digunakan untuk melakukan peramalan.

362 179.875 584. T merupakan jumlah residual.) merupakan notasi determinan. Jumlah debit air sungai di out mrican (Z1). Terdapat tiga variabel penelitian yang digunakan dalam penelitian ini. Kertosono. Selanjutnya dilakukan peramalan untuk data out-sample. dan Ploso merupkan salah satu tempat pengukuran debit air di sepanjang aliran sungai Brantas. Tabel 1 Statistika Deskriptif Debit Air sungai Variabel Mean Varians Minimum Maximum Z1 186. 4. Akaike’s Information Criteria (AIC) merupakan salah satu kriteria pemilihan dalam penentuan model terbaik pada data in-sample.457 42. Metode time series yang digunakan pada penelitian ini adalah pemodelan ARIMA dan pemodelan GSTAR dengan dua bobot lokasi yaitu bobot lokasi seragam dan bobot lokasi inverse jarak. Untuk data in- sample digunakan 90 data yaitu bulan Januari-Maret 2010. tinggi permukaan air atau elevasi muka air sungai yang terukur oleh alat ukur permukaan air sungai. sedangkan yang out-sample sebanyak 30 data yaitu bulan April 2010. Data yang digunakan sebanyak 120 dibagi menjadi dua yaitu sebagai data in-sample dan data out-sample. dan Ploso 3. Model terbaik adalah model dengan nilai AIC paling kecil. debit air sungai adalah. Mrican. dan ∑( p )  T ∑û û u 1 t 1 t ' t adalah matriks taksiran kovarian residual dari model VAR(p).000 787. Metodelogi Penelitian Data yang digunakan dalam penelitian ini didapat dari Biro Pengelolaan Dat dan Lingkungan. Kertosona. det(.827 137. Deskripsi secara statistik dari data in-sample dapat dilihat pada tabel berikut ini.083 Z3 363. Pemodelan dilakukan pada data in-sample. pada jam-jam tertentu. Jumlah debit air sungai di ploso (Z 3).533 97.196 105.333 853. Pengukuran dilakukan tiap hari. Dari hasil ramalan tersebut dapat diketahui model terbaik yaitu model dengan nilai RMSE terkecil.208 3 . 2. Pemilihan model terbaik pada data in-sample berdasarkan pada nilai AIC. Hasil Penelitian Data debit air sungai yang dijadikan sebagai data in-sample pada penelitian ini adalah dari bulan Januari- Maret 2010. Jumlah debit air sungai di kertosono (Z2). 3. yaitu: 1. dan K merupakan jumlah variabel. Dalam hidrologi dikemukakan. 2005): ~ 2 (4) ∑ AIC ( p )  log det( ( p ))  K 2 p u ~ T Log adalah notasi logaritma natural.010 136.833 Z2 295. Data in-sample digunakan untuk membentuk model dan data out-sample digunakan untuk mengecek ketepatan model. Berikut cara perhitungan nilai AIC (Lutkepohl. Peta ketiga tempat pengukuran debit air sungai Brantas dapat dilihat pada gambar gambar 1 berikut: Gambar 1 peta lokasi pengukuran debit air di Mrican.

Oleh karena itu transformasi tidak perlu dilakukan dan data dapat dianggap stasioner dalam varian (Shofiyah.915 Z3 0.915 1 Besarnya nilai korelasi antar lokasi menggambarkan besarnya hubungan keterkaitan antar lokasi. Z1 dengan Z2 dan Z2 dengan Z3 mempunyai nilai korelasi yang besar. dan Suhartono. Pola data dari masing-masing variabel dapat dilihat pada Gambar 2. batas atas. hal ini menunjukkan adanya keterkaitan yang besar pada waktu yang sama. dapat dilihat antar lokasi Z1 dengan Z3.862 0. sedangkan stasioneritas data dalam mean dapat dilihat dari skema matriks korelasi silang antar variabel dan matriks parsial korelasi silang antar variabel. Selanjutnya dilakukan identifikasi stasioneritas dalam mean.862 Z2 0. rounded value. Berdasarkan Tabel 2. dan Z3 4 . Stasioneritas data dalam varian dapat dilihat dari plot Box-Cox. Dwiatmono. dan lambda estimate masing- masing variabel tidak sama. Gambar 3 Plot Box-Cox Variabel Z1.960 0.960 1 0. Gambar 2 Plot Time Series untuk Z1. Untuk langkah awal identifikasi model asumsi yang harus dipenuhi adalah data harus stasioner dalam varian dan mean. Z3 Dari Gambar 3 diketahui bahwa batas bawah. Z2.05. 2009). Nilai korelasi ini signifikan pada  sebesar 0. Gambar 4 Skema Matriks Korelasi Silang Z1. Tabel 2 Matriks Korelasi Antar Lokasi Lokasi Z1 Z2 Z3 Z1 1 0. dan Z3 Besarnya pengaruh satu variabel terhadap variabel lain pada suatu waktu dapat dilihat melalui nilai korelasi antar lokasi pada matriks korelasi antar lokasi. maka transformasi yang dipakai berbeda-beda sesuai dengan lambda estimate masing-masing variabel. Hasil identifikasi stasioneritas dalam varian dengan metode Box-Cox Transformation disajikan dalam plot Box-Cox Gambar 3. Model GSTAR Dalam pemodelan data time series ada dua asumsi yang harus dipenuhi yaitu data harus stasioner dan residual harus white noise. Z2. Z2. Hasil dari identifikasi ini disajikan dalam Gambar 4. Jika akan dilakukan transformasi.

Dua bobot lokasi yang digunakan dalam penelitian ini adalah :  0 0 .5   0 . Z2.5 0 . Dari hasil identifikasi yang telah dilakukan. Hal ini ditunjukkan oleh banyaknya simbol (. didapatkan skema matriks korelasi seperti pada Gambar 5.12024 GSTAR(41)–I(1) 24.499951  0 . sehingga dapat dikatakan bahwa data Z 1. Setelah dilakukan differencing tingkat 1. yaitu dengan memeriksa skema matriks korelasi silang (MACF) dan skema matriks korelasi silang parsial (MPACF). Hal ini ditunjukkan oleh banyaknya simbol (+) yang dapat diartikan bahwa adanya hubungan memiliki korelasi positif. dan Z3 tidak stasioner dalam mean.289707 * Nilai AIC terkecil Identifikasi terhadap nilai AIC dari model dugaan menghasilkan kesimpulan bahwa model GSTAR yang paling sesuai untuk data in-sample adalah model GSTAR(21)–I(1) karena model dugaan ini mempunyai nilai AIC terkecil diantara model dugaan lainnya. Z2. Tabel 3 Nilai AIC untuk Menentukan Orde GSTAR Model Dugaan Nilai AIC GSTAR(11)–I(1) 24. Karena data belum stasioner dalam mean maka dilakukan differencing. dan Z3 sesudah Differencing Gambar 5 menujukkan bahwa data sudah stasioner dalam mean.5  Bobot seragam   W  0 .5 0 0 . Pencarian orde dilakukan dengan menggunakan model VARIMA. Gambar 5 Skema Matriks Korelasi Silang Z1. Sedangkan simbol (+) dan (-) pada skema hanya keluar pada lag tertentu. Skema matrik korelasi silang dapat dilihat pada Gambar 5.496274 Bobot invers jarak  W  0 . Karena data telah stasioner dalam varian dan mean maka dapat dilanjutkan dengan pembentukan model GSTAR.054788* GSTAR(31)–I(1) 24. dan Z3 sesudah Differencing Nilai korelasi silang dari lag-lag yang berada diluar nilai standar deviasi dipilih sebagai orde model VARIMA.) yang mengindikasikan bahwa tidak adanya korelasi. Kondisi ini berarti bahwa data telah stasioner setelah dilakukan differencing 1. Adapun nilai AIC untuk setiap lag dapat dilihat pada Tabel 3.5 0   0 0 .496323 0 . selanjutnya dilakukan penerapan tiga macam bobot lokasi pada model GSTAR(21) – I(1).503677 0  5 . Skema matriks korelasi silang pada Gambar 4 terlihat bahwa pada semua lag terdapat nilai korelasi silang yang keluar.23252 GSTAR(21)–I(1) 24. Z2.503726 0 . sedangkan skema matriks korelasi silang parsial dapat lihat pada Gambar 6. Gambar 6 Skema Matriks Korelasi Silang Parsial Z1. Orde VARIMA yang mempunyai nilai AIC terkecil merupakan orde yang dianggap paling sesuai dengan karakteristik data.5 0 .500049 0  0 .

47 0.44 -0. Hasil keputusan pengujian masing-masing parameter model dapat dilihat pada kolom 5 Tabel 4 dan dapat disimpulkan seperti yang ada dalam kolom 6 Tabel 4 6 . karena Fhitung > F0 . 261  1.96 H 0 diterima tidak signifikan 11 3 4.71 MSE Ftabel = F0 .9 .26 0.71 -0.40 -0.71 -0.261 .1005 -0.25 0.9 .96 H 0 diterima tidak signifikan  2 01 0. Tabel 4 Taksiran Parameter Model CSTAR(21)-I(1) Paramet Bobot lokasi seragam Bobot lokasi invers jarak Kriteria t tabel Kesimpulan er t hitung t hitung Pengujian Nilai taksiran Nilai taksiran 01 1 0. Hasil dari estimasi parameter dengan metode least square tersebut ditampilkan dalam Tabel 4 berikut ini. dengan k  0 .44 -0. 2.45 0.058 1.18 -0.1. maka H 0 ditolak artinya secara bersama-sama parameter signifikan terhadap model. 261 maka H 0 ditolak artinya parameter signifikan.0568 0. Uji Individu dengan Uji-t Hipotesis: H0 : ki 1  0 .3 (parameter tidak signifikan) H1 : ki 1  0 . Penerapan kedua bobot lokasi pada model GSTAR(21) – I(1) menghasilkan nilai taksiran parameter yang berbeda-beda.1146 -0.96 H 0 diterima tidak signifikan 21 2 -0.96 H 0 diterima tidak signifikan 11 2 -0. dengan k  0 .886 4.0568 1. Uji Serentak dengan Uji-F Hipotesis : H0 : 011  012  013  111  112  113  211  212  213  0 H1 : sekurang-kurangnya ada ki 1  0 .2 .32 0.96 H 0 ditolak signifikan  3 01 -4.2 . dengan k  0 .47 0.885 1.96 Kriteria Pengujian : Dengan  = 5%.96 H 0 ditolak signifikan  21 1 0.3 dan i  1.058 -0.1004 1.96 H 0 diterima tidak signifikan  3 21 2.2 .025 .1067 1.2 dan i  1.88 Dengan  = 5%.261 = 1. jika t hitung > t 0 .3 (parameter signifikan) Statistik Uji : bk 1 t hitung  S bk 1  Hasil t-hitung dari pengujian masing-masing parameter dapat dilihat pada kolom kedua Tabel 4 t tabel  t 0 .3 Satistik Uji : Fhitung = MSR = 2.40 -0.1148 1.32 0.025 .3205 1.96 H 0 diterima tidak signifikan 11 1 -0.2 dan i  1.44 0.05 .5691 1.96 H 0 ditolak signifikan Kemudian dilakukan uji-F dan uji-t 1.18 -0.3209 2.1.035 0.1064 0.25 0.2 .05 .5688 -4.26 0.1.0354 1.

49 0. Model ARIMA Penaksiran parameter pada pemodelan GSTAR(21) – I(1) dengan dua macam bobot lokasi menghasilkan parameter yang tidak signifikan. Seperti yang dijelaskan oleh Amstrong (2006) serta Kostenko dan Hydman (2008) bahwa variabel yang tidak signifikan dapat digunakan untuk melakukan peramalan. (b) Inverse Jarak. Sehingga muncul dugaan bahwa tidak terdapat korelasi antar lokasi dan antar waktu.32 1. Terpenuhinya asumsi white noise dapat dilihat dari Gambar 7 dimana pada skema matriks korelasi silang residual tidak ada lag yang keluar secara bersama. untuk model GSTAR parameter yang tidak signifikan akan tetap digunakan.57 -4.96 H 0 ditolak signifikan Dari perhitungan parameter diatas hanya di dapat persamaan pada lokasi 3 saja. Parameter yang tidak signifikan tersebut seharusnya tidak dimasukkan dalam persamaan model.57 1. Oleh karena itu perlu untuk dilakukan pemodelan pada tiap-tiap lokasi dengan menggunakan 7 .22 -0. namun untuk mengetahui ramalan dari model GSTAR dengan bobot lokasi seragam maka semua parameterakan dimasukkan ke dalam model.49 0. maka dilakukan pemilihan model regresi terbaik dengan prosedur eleminasi langkah mundur.96 H 0 ditolak signifikan  21 3 2. Tabel 5 Taksiran Parameter Model CSTAR(21)-I(1) yang signifikan Param Bobot Lokasi Seragam Bobot Lokasi Invers jarak Kriteria t hitung t hitung t tabel Kesimpulan eter Nilai taksiran Nilai taksiran Pengujian 01 3 -4. Karena dua asumsi untuk residual telah terpenuhi. Gambar 7 MACF residual GSTAR(21)-I(1) dengan Bobot Lokasi (a) Seragam.733333 Inverse Jarak 0.28 0.22 -0.28 0. Sedangkan terpenuhinya asumsi multivariate normal dibuktikan oleh t-value dari masing-masing residual yang lebih besar dari 0.05 sehingga dapat dikatakan residual dari bobot lokasi seragam dan inverse jarak sudah berdistribusi multivariate normal. Selanjutnya residual diuji apakah berdistribusi multivariate normal dengan menggunakan q-q plot dan hasilnya ditampilkan pada Tabel 6 Tabel 6 Hasil Uji Multivariate Normal untuk Residual Bobot Lokasi t Seragam 0.96 H 0 ditolak signifikan  11 3 4. Identifikasi white noise dapat dilihat melalui skema matriks korelasi silang residual pada Gambar 7.88 4. Sehingga parameter yang sudah signifikan dapat dilihat pada Tabel 5.88 1. Parameter yang belum signifikan dihilangkan.733333 Residual dari model GSTAR(21) – I(1) dengan bobot lokasi seragam telah memenuhi asumsi white noise dan multivariate normal. maka dapat disimpulkan bahwa model GSTAR(21) – I(1) sudah baik dan sesuai dengan kondisi data.32 2. Karena ada parameter yang tidak signifikan. Model GSTAR yang terbentuk dikatakan sesuai jika residualnya telah white noise dan mengikuti distribusi multivariate normal. Cek diagnosa dilakukan terhadap residual dari model. Setelah didapatkan nilai taksiran untuk semua parameter. selanjutnya dilakukan cek diagnosa untuk mengetahui apakah model yang terbentuk telah sesuai dengan kondisi data. Sehingga dalam penelitian ini.

sebelum menduga model ARIMA perlu diketahui terlebih dahulu apakah data telah stasioner dalam varian dan mean. Kondisi ini mengindikasikan bahwa data pada lokasi Z 1 dan Z2 telah stasioner dalam mean sehingga tidak perlu dilakukan differencing.99 H 0 ditolak signifikan 10 -3. dilakukan pengujian parameter dengan taraf signifikansi 5%. Z2. jika t hitung > t 0 .3 (parameter tidak signifikan) H1 : k  0 dan  k  0 .90  1.1.90 maka H 0 ditolak artinya parameter signifikan.[3. Gambar 8 Plot ACF Variabel Z1.31 1.49 1. dengan k  0 . 8 .16 1. Uji Individu dengan Uji-t Hipotesis: H0 : k  0 dan  k  0 . Berikut ini uji individu dengan uji-t.25 1. Identifikasi tersebut membuktikan bahwa data pada tiap-tiap lokasi telah stasioner dalam varian.10]. Hasil keputusan pengujian masing-masing parameter model dapat dilihat pada kolom 6 Tabel 7 dan dapat disimpulkan seperti yang ada dalam kolom 7 Tabel 7. Z3 Dari Gambar 8 terlihat bahwa plot ACF dari lokasi Z3 turun lambat.0) 1 30.0.model ARIMA.3 (parameter signifikan) Statistik Uji : bk 1 t hitung  S bk 1  Hasil t-hitung dari pengujian masing-masing parameter dapat dilihat pada kolom 4 Tabel 7 t tabel  t 0 . Untuk mengetahui parameter yang signifikan. Sedangkan plot ACF dari lokasi Z1 dan Z2 turun cepat.2 .1. Selanjutnya dilakukan penaksiran parameter model time series.0.99 H0 ditolak signifikan Dari Tabel 7 diketahui bahwa parameter untuk masing-masing model sudah signifikan. Data telah stasioner setelah dilakukan differencing sebanyak satu kali pada variabel Z3. Sedangkan pengujian kestasioneritasan dalam mean untuk tiap-tiap lokasi dapat dilihat dari plot ACF tiap-tiap lokasi pada Gambar 8.0) 1 34. Seperti pada pemodelan GSTAR(21) – I(1) yang telah dilakukan sebelumnya.2 .99 H 0 ditolak signifikan Z2 ARIMA(1. Tabel 7 Hasil Estimasi Parameter Dugaan Model ARIMA dan Hasil Uji-t untuk Signifikansi Lokasi Model Parameter t hitung t tabel Kriteria pengujian kesimpulan Z1 ARIMA(1.13]) 3 7.99 H 0 ditolak signifikan ARIMA Z3 ([3. Kestasioneran dalam varian telah dibuktikan oleh hasil identifikasi dengan menggunakan Box-Cox Transformation yang dilakukan sebelumnya yaitu pada saat pembentukan model GSTAR(21) – I(1).33 1.99 Kriteria Pengujian : Dengan  = 5%. Langkah selanjutnya adalah melakukan cek diagnosa terhadap residual untuk mengetahui apakah residual telah white noise dan berdistribusi normal. Hal ini berarti bahwa data pada lokasi tersebut belum stasioner dalam mean sehingga perlu dilakukan differencing.99 H 0 ditolak signifikan 3 3.69 1. dengan k  0 .99 H 0 ditolak signifikan  13 -2.025 .1.025 .

988 * nilai RMSE yang terkecil di setiap lokasi Hasil perbandingan pada Tabel 9 menunjukkan bahwa model GSTAR(21)-I(1) bobot lokasi invers jarak mempunyai rata-rata nilai RMSE out-sample yang lebih kecil. Perbandingan hasil ramalan dilakukan dengan melihat nilai RMSE dari tiap-tiap model.1.67 Z2 ARIMA (1.8508 165. Oleh karena itu.1314 165.0.84 14. RMSE Model pada one step Forecast Model Z1 Z2 Z3 Rata-rata GSTAR(21)-I(1) bobot lokasi Seragam 168. Salah satu metode yang bisa digunakan untuk mengatasi kondisi semacam ini adalah one step forecast.5066 193.0.0) 2. Pola ramalan dari model GSTAR(21) – I(1) dengan bobot lokasi inverse jarak ditampilkan dalam Gambar 10.22 14. Z3 Dari pengujian dengan Ljung-Box yang telah dilakukan didapatkan p-value seperti pada Tabel 6.Tabel 8.79 14. Hal ini disebabkan oleh banyaknya outlier yang ada pada data.99 Gambar 9 Plot Probabilitas Residual untuk Z1.4109 144. Penerapan masing-masing model pada data in-sample menghasilkan ramalan yang mendekati data asli namun pada data out-sample menghasilkan ramalan yang nilainya relatif konstan dan tidak sesuai dengan pola data asli. Nilai RMSE dari hasil peramalan dengan menggunakan one step forecast dapat dilihat pada Tabel 9.13]) 3.02 6.18 Z3 ARIMA ([3. Ljung-Box Model ARIMA Lokasi Model Lag 6 Lag 12 Lag 18 Z1 ARIMA (1.3260 175.0) 2.10]. dilakukan perbandingan hasil ramalan dari tiap-tiap model yang terbentuk.[3.2224 166. Tabel 9.5078* ARIMA 169.82 5.2617 175. Z2. Perbandingan Pemodelan GSTAR dan ARIMA Model terbaik adalah model dengan kesalahan ramalan terkecil. Kondisi ini berati bahwa model yang ada sudah cukup sesuai dengan kondisi asli namun perlu dilakukan pemilihan metode peramalan yang lebih sesuai dengan kondisi data asli. Gambar 10.3699 192. p-value dari masing-masing model lebih dari 0.5758 GSTAR(21)-I(1) bobot lokasi Inverse jarak 176.1352 139.05 yang itu berarti bahwa residual dari model ARIMA telah white noise. Sedangkan dari Gambar 9 dapat diketahui bahwa residual dari model ARIMA tidak berdistribusi normal. Hasil Peramalan One Step Model GSTAR dengan Bobot Invers Jarak 9 .68 8.

Prosiding Konferensi Nasional Matematika XIII. Box. 321-327. A Three Stage Iterative Procedure for Space-Time Modeling. Borovkova. 571-580). Wei.0. (2009).A. Consistency and asymptotic normality of least square estimators in generalized STAR models. Proceedings of the 17th International Workshop on Statistical Modeling. Pearson Education.A. Peramalan Data PdoduksinGas di Joint Operating Body Pertamina-Petrochina East Java (JOB P-PEJ) dengan Model GSTAR dan ARIMA. Pfeifer. 22 (1). (1980a). model ARIMA(1. 139-147. In M. (h. International Journal of Forecasting. pp. Daftar Pustaka Armstrong. (1994).N.E.S. 35-47.W.0. (2006). Identification and Interpretation of First Orde Space-Time ARMA Models.A.). Time Series Analysis Univariate and Multivariate Methods. Chania. Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi S-TAR. 482-508. Pola ramalan dari model ini dengan metode peramalan one step forecast sudah cukup baik dan mengikuti pola data out-sample. Englewood Cliffs: Prentice Hall. W.V. Forum Statistika dan Komputasi.10]. 10 . Model terbaik yang dihasilkan adalah model GSTAR(21) . Toulomi (Eds.0) untuk Z1. Pfeifer. Indonesia: Universitas Negeri Semarang. Inc. Borovkova. Significance Test Harm Progress in Forecasting. New York: Springger. Kostenko. B. Technometrics. Semarang. G. Generalized STAR model with experimental weights. P. (2002). Bogor. pp.0) untuk Z 2 . Neerlandica.com/papers/sst2. second edition. 22 (1).5.E. Suhartono (2006).P. P. Time Series Analysis: Forcasting and Control. Nilai rata-rata RMSE dari model ini dengan metode peramalan one step forecast adalah 165.13]) untuk Z3. pp.[3. 397-408. Pemilihan bobot lokasi yang optimal pada model GSTAR. S.pdf. M. Stasionopoulos and G. 6. 3rd edition. Journal compilation Statistica Neerlandica. Technometrics. H.5078. New Introduction to Multiple Time Series Analysis. model ARIMA(1.E. A. (2006). Shofiyah. S.I(1) dengan bobot lokasi inverse jarak. (2008). (2008). RobJHynman. (2005). IPB. Kesimpulan Dari analisis yang telah dilakukan didapatkan kesimpulan bahwa model yang sesuai untuk data debit air sungai pada penelitian ini adalah model GSTAR(21) – I(1) untuk ketiga lokasi. (2002). (1980b). Forecasting without significance test?.S. vol 23. J. Ruchjana. dan model ARIMA([3.1. Lutkepohl.