Hari/ Tanggal

: Senin / 1 Desember 2014

Asisten

: 1. Anis Purwaningsih
2. Nihayatul Zulfa

Nama : Umar Muhamad A A

NRP : G24120072
(G24110012)
(G24110067)

Model Statistik untuk Forecast Musiman Wilayah Sumatera

PENDAHULUAN
Latar Belakang
Kebutuhan terhadap ketersediaan data dan informasi yang aktual dan bahkan beberapa
waktu ke depan telah mendorong berkembangnya berbagai model prediksi, baik yang berbasis
statistik maupun yang berdasarkan pendekatan stokastik. Ide penggunaan model matematika untuk
menjelaskan perilaku fenomena fisik telah dilakukan dengan baik. Berbagai pendekatan model
telah banyak digunakan untuk prakiraan iklim baik dengan model statisitik, model deterministik
maupun kombinasinya. Model deterministik kekuatannya pada nalar fisik sehingga rumusannya
dapat merepresentasikan perilaku fisik yang mendasarinya, sehingga berlaku universal dan dapat
diaplikasikan dimanapun. Kelemahannya, model deterministik iklim sangat komplek prosesnya,
rumit interaksinya dan sebagian besar faktornya diluar kontrol, sehingga selain memerlukan
tenaga, waktu dan biaya besar, secara operasional sulit direalisasikan. Sedangkan model statistik
dapat diformulasikan berdasarkan hubungan peubah bebas dan tidak bebas secara empirik,
sehingga lebih praktis untuk menalarkan gejala itu sendiri. Kelemahannya, model statistik perlu
divalidasi setiap saat untuk setiap tempat. Apabila kedua pendekatan tersebut dapat digabungkan,
sehingga kelemahan masingmasing dapat direduksi dan kelebihan keduanya dapat disinergikan,
maka model yang dihasilkan akan dapat ditingkatkan presisi/akurasinya dan keberhasilannya
dalam prediksi anomali iklim.
Analisis deret waktu merupakan salah satu model statistik untuk menetukan variabilitas
data deret waktu dalam bentuk fungsi periodik dominan. Analisis data deret waktu bisa dilakukan
peramalan data beberapa periode ke depan yang sangat membantu dalam menyusun perencanaan
ke depan. Beberapa hasil penelitian menunjukkan adanya korelasi antara SPL dengan curah hujan.
Berdasarkan hasil penelitian Hendon (2003) diketahui bahwa variabilitas SPL Nino 3.4
mempengaruhi 50% variasi curah hujan seluruh Indonesia sedangkan variabilitas SPL di Laut
India 10-15%.. Menurut Boer, et al (1999) anomali suhu permukaan laut di wilayah Nino 3.4
memiliki hubungan yang lebih kuat terhadap anomali curah hujan bulanan dibandingkan dengan
anomali suhu permukaan laut di zona lain. Pada musim kemarau, anomali SST yang mencapai +1
C sudah menyebabkan curah hujan turun sampai di bawah normal. Aldrian dan Susanto juga
mengungkapkan hubungan curah hujan dan SPL dalam bentuk korelasi pada setiap musimnya.
Namun dari hasil penelitian tersebut belum mengungkap bagaimana hubungan curah hujan dan
SPL terkait dengan perbedaan waktu (time lag).
Tujuan
a.

Mahasiswa dapat melakukan forecast menggunakan model statistik

METODE
Waktu dan Tempat
Praktikum ini dilaksanakan pada hari Senin, 1 Desember 2014 di Laboratorium Komputer
departemen Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan Alam Institut
Pertanian Bogor.
Alat
Peralatan yang diperlukan untuk praktikum forecast adalah Laptop atau PC dengan
Microsoft Excel dan software Minitab untuk mengolah data
Bahan

A
t
k
M
T
S
j
H
s
C
g
d
o
f
,
p
a
r
G
u
n
e
m
h
l
i
y
b
Bahan yang diperlukan untuk praktikum ini adalah Data ikli, wilayah Sumatra tahun 1992
hingga 2002
Metodologi

Hasil dan Pembahasan

Forecast atau peramalan yaitu memperkirakan sesuatu yang belum terjadi. Peramalan
masa mendatang berdasarkan data masa lampau yang dianalisis secara ilmiah, khususnya
menggunakan metode statistika disebut forecasting (Sudjana 1981). Sedangkan pendugaan suatu
kejadian di masa lampau menggunakan data dan bukti- bukti yang ada saat ini disebut hindcasting
(Kristie 2013). Untuk meminimalkan kesalahan dalam peramalan terdapat dua hal pokok yang
harus diperhatikan untuk mendapatkan hasil peramalan yang akurat yaitu relevansi data dan
kesesuailan metode statistika dengan data yang digunakan.
Fungsi korelasi silang (cross correlation function) merupakan formulasi umum dari
fungsi autokorelasi (auto correlation function). Fungsi autokorelasi menunjukkan korelasi dengan
bentuk simetris, sedangkan fungsi korelasi silang mampu menunjukkan korelasi yang tidak
simetris. ACF dapat digunakan sebagai ukuran kekuatan hubungan antar pengamatan sedangkan
CCF dapat juga digunakan sebagai ukuran arah hubungan (Abraham dan Ledolter 1983).
Cross Correlation Function for Anomali CH; Anomali SST

0.1
0.1
0.0
-0.1
-0.1
Cross Correlation -0.2
-0.2
-0.3
-0.3
-0.4

Lag

Gambar 1 Cross correlation function anomali curah hujan dan SST

Gambar 1 menunjukkan Cross correlation function (CCF) dari data anomaly CH dan SST
di pulau Sumatra pada tahun 1992 hingga 2002. Nilai negatif dan positif yang terdapat dalam
grafik merupakan representasi dari hindcast dan forecast untuk prediksi curah hujan untuk
beberapa bulan kedepan. Semakin tinggi nilai lag yang dimiliki maka akurasi pada lag tersebut
semakin baik untuk digunakan untuk forecasting. Jika lag mengalami perubahan nilai dari positif
menjadi negative atau sebaliknya, maka data menjadi tidak relevan digunakan untuk forecasting.
Nilai korelasi selalu menghasilkan kesimpulan yang berbanding terbalik. Sehingga dari gambar 1
dapat diketahui bahwa Cross correlation function (CCF) di pulau Sumatra pada tahun 1992 hingga
2002 memiliki akurasi peramalan hingga 10 bulan.
Hubungan antara variabel regresi dapat diketahui menggunakan analisis regresi. Selain
itu, analisis regresi juga dapat digunakan untuk peramalan atau forecasting (Sarti 2014). Analisis
regresi merupakan analisis terhadap hubungan variabel terikat dengan satu atau lebih variabel
bebas. Berdasarkan hasil perhitungan menggunakan software Minitab, didapatkan sebuah model
untuk meramalkan Curah Hujan di Pulau Sumatra yang bisa digunakan selama 10 bulan yaitu :

CHa_10 = 0,82 - 2,11 SST_10

Curah Hujan di pulau Sumatra dapat diprediksi menggunakan data SST menggunakan
persamaan regresi tersebut. Tabel 1 pada lampiran menunjukkan tabel residual (Four in One table)
yang didapatkan dari data Curah Hujan dan SST di pulau Sumatra. Tabel tersebut menunjukkan
bahwa data menyebar secara normal dengan nilai harapan nol, data acak dan homogen, serta nilai
tengah dan ragam konstan. Hal ini memperkuat prediksi atau forecasting yang dilakukan karena
ketelitian yang tinggi.
KESIMPULAN
Forecast atau peramalan musiman dapat dilakukan menggunakan model statistik. Dengan
menggunakan data anomali curah hujan dan anomali SST di pulau Sumatra pada tahun 1992
hingga tahun 2002 didapatkan model yang dapat digunakan untuk forecasting sepuluh tahun
kedepan.
DAFTAR PUSTAKA
Abraham, B. dan Ledolter, J. , 1983 , Statistical Methods for Forecasting . New York: John Wiley
& Sons.
Kristie Stefani Dauhan. 2013. Analisis Karakteistik Gelombang Pecah Terhadap Perubahan Garis
Pantai di Atep Oki. Jurnal Sipil Statik Vol.1 No.12 (784-796) ISSN: 2337-6732.
Sarti Aldila. 2014. Regresi Linier Nonparametrik dengan Metode Theil. Jurnal Matematika
UNAND Vol. 2 No. 3 (167-174) ISSN: 2303-2910.
Sudjana. 1992. Metoda Statistika. Bandung : Tarsito.

LAMPIRAN