Main Article Content
Abstract
Makalah ini menyampaikan hasil pemodelan VARIMA (Vektor Autoregressive Integrated Moving Average)
dengan efek deteksi outlier terhadap data curah hujan di Surabaya. Pemodelan ini menggunakan program SAS
dan minitab. Tahap awal dari pemodelan ARIMA adalah identifikasi stasioneritas data, baik dalam mean dan
varians. Identifikasi bentuk ACF dan PACF dari data yang sudah stasioner digunakan untuk menentukan orde
model VARIMA dugaan. Tahapan selanjutnya adalah estimasi parameter dengan MLE (Maximum Likehood
Estimation) dan cek Approx. Pr.>⎢t⎥ harus lebih kecil dari 0,05. Jika hasil Approx. Pr.>⎢t⎥ lebih besar dari 0,05
maka orde dari model yang diduga tidak signifikan. Sehingga, langkah selanjutnya yang dilakukan adalah
mengeliminasi orde tersebut dari model ARIMA dugaan. Pada bagian akhir dari hasil ditunjukkan rangkuman
dari deteki outlier dan jenisnya. Hasil penelitian menunjukkan Dengan program SAS dapat ditentukan secara
otomatis jumlah outlier yang terjadi, sehingga menghindari terjadinya ‘spurious outlier’. Untuk jarak antar
raingaguge > 1 Km maka data curah hujan diantara 2 raingaguge tidak saling berpengaruh, sebaliknya jika
jaraknya < 1 Km maka hasil perekaman data curah hujan saling mempengaruhi. Hal ini bisa terjadi karena sel
hujan yang terjadi mempunyai radius sekitar 1 Km. Artinya diameter sel hujan yang terjadi < 1 Km, sehingga
jika jarak pengukuran > 1 Km maka alat ukur (raingauge) yang kedua berada pada sel hujan yang berbeda
dengan alat ukur (raingauge) yang pertama.
Kata kunci: model VARIMA, SAS, deteksi outlier, MSE.
dengan efek deteksi outlier terhadap data curah hujan di Surabaya. Pemodelan ini menggunakan program SAS
dan minitab. Tahap awal dari pemodelan ARIMA adalah identifikasi stasioneritas data, baik dalam mean dan
varians. Identifikasi bentuk ACF dan PACF dari data yang sudah stasioner digunakan untuk menentukan orde
model VARIMA dugaan. Tahapan selanjutnya adalah estimasi parameter dengan MLE (Maximum Likehood
Estimation) dan cek Approx. Pr.>⎢t⎥ harus lebih kecil dari 0,05. Jika hasil Approx. Pr.>⎢t⎥ lebih besar dari 0,05
maka orde dari model yang diduga tidak signifikan. Sehingga, langkah selanjutnya yang dilakukan adalah
mengeliminasi orde tersebut dari model ARIMA dugaan. Pada bagian akhir dari hasil ditunjukkan rangkuman
dari deteki outlier dan jenisnya. Hasil penelitian menunjukkan Dengan program SAS dapat ditentukan secara
otomatis jumlah outlier yang terjadi, sehingga menghindari terjadinya ‘spurious outlier’. Untuk jarak antar
raingaguge > 1 Km maka data curah hujan diantara 2 raingaguge tidak saling berpengaruh, sebaliknya jika
jaraknya < 1 Km maka hasil perekaman data curah hujan saling mempengaruhi. Hal ini bisa terjadi karena sel
hujan yang terjadi mempunyai radius sekitar 1 Km. Artinya diameter sel hujan yang terjadi < 1 Km, sehingga
jika jarak pengukuran > 1 Km maka alat ukur (raingauge) yang kedua berada pada sel hujan yang berbeda
dengan alat ukur (raingauge) yang pertama.
Kata kunci: model VARIMA, SAS, deteksi outlier, MSE.