PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER

Abstract

The purpose of this paper is to provide the results of Arima modeling and outlier detection in the rainfall data in Surabaya. This paper explained about the steps in the formation of rainfall models, especially Box-Jenkins procedure for Arima modeling and outlier detection. Early stages of modeling stasioneritas Arima is the identification of data, both in mean and variance. Stasioneritas evaluation data in the variance can be done with Box-Cox transformation. Meanwhile, in the mean stasioneritas can be done with the plot data and forms of ACF. Identification of ACF and PACF of the stationary data is used to determine the order of allegations Arima model. The next stage is to estimate the parameters and diagnostic checks to see the suitability model. Process diagnostics check conducted to evaluate whether the residual model is eligible berdistribusi white noise and normal. Ljung-Box Test is a test that can be used to validate the white noise condition, while the Kolmogorov-Smirnov Test is an evaluation test for normal distribution. Residual normality test results showed that the residual model of Arima not white noise, and indicates the existence of outlier in the data. Thus, the next step taken is outlier detection to eliminate outlier effects and increase the accuracy of predictions of the model Arima. Arima modeling implementation and outlier detection is done by using MINITAB package and MATLAB. The research shows that the modeling Arima and outlier detection can reduce the prediction error as measured by the criteria Mean Square Error (MSE). Quantitatively, the decline in the value of MSE by incorporating outlier detection is 23.7%, with an average decline 6.5%. ABSTRAK Tujuan dari penulisan paper ini adalah untuk memberikan hasil pemodelan ARIMA dan deteksi outlier pada data curah hu-jan di Surabaya. Dalam paper ini dijelaskan tentang langkah-langkah dalam pembentukan model curah hujan, khususnya prosedur Box-Jenkins untuk pemodelan ARIMA dan deteksi outlier. Tahap awal dari pemodelan ARIMA adalah identi-fikasi stasioneritas data, baik dalam mean dan varians. Evaluasi stasioneritas data dalam varians dapat dilakukan dengan transformasi Box-Cox. Sedangkan stasioneritas dalam mean dapat dilakukan dengan plot data dan bentuk ACF. Identi-fikasi bentuk ACF dan PACF dari data yang sudah stasioner digunakan untuk menentukan orde model ARIMA dugaan. Tahapan selanjutnya adalah estimasi parameter dan cek diagnosa untuk melihat kesesuaian model. Proses cek diagnosa dilakukan untuk mengevaluasi apakah residual model sudah memenuhi syarat white noise dan berdistribusi normal. Uji Ljung-Box adalah uji yang dapat digunakan untuk memvalidasi syarat white noise, sedangkan Uji Kolmogorov-Smirnov merupakan uji untuk evaluasi distribusi normal. Hasil uji normalitas residual menunjukkan bahwa residual model ARIMA belum white noise, dan mengindikasikan adanya outlier pada data. Sehingga, langkah selanjutnya yang dilakukan adalah deteksi outlier untuk mengeliminasi efek outlier dan memperbesar ketepatan prediksi dari model ARIMA. Implementasi pemodelan ARIMA dan deteksi outlier dilakukan dengan menggunakan paket MINITAB dan MATLAB. Hasil penelitian menunjukkan bahwa pemodelan ARIMA dan deteksi outlier dapat mereduksi kesalahan prediksi yang diukur dengan kri-teria Mean Square Error (MSE). Secara kuantitatif, penurunan nilai MSE dengan memasukkan deteksi outlier adalah 23,7% , dengan rata-rata penurunan 6,5%.