PERBANDINGAN HASIL PERAMALAN CURAH HUJAN BULANAN

STASIUN KLIMATOLOGI MAROS DENGAN METODE ARIMA,

MULTIPLE REGRESSION, DAN PRINCIPAL COMPONENT ANALYSIS.
A. Ade Asrindah1, Fitri Annisa2,Rizky Yudha Pahlawan, SST3
1,2 : Mahasiswa S1 Prodi Statistika Jurusan Matematika FMIPA Universitas Hasanuddin

: PMG Pertama Balai Besar MKG Wilayah IV Makassar

Abstrak :
Informasi tentang prediksi curah hujan merupakan salah satu unsur penting
bagi berbagai macam aktivitas. Terdapat beberapa metode yang dapat digunakan
untuk memperoleh informasi tentang prediksi curah hujan ke depan. Pada penelitian
ini metode yang digunakan dalam memprediksi curah hujan adalah ARIMA, Regresi
Linier Berganda dan Regresi Komponen Utama. Data yang digunakan yaitu data
curah hujan bulanan Stasiun Klimatologi Klas I Maros, data re-analisis suhu
permukaan dan titik embun beberapa lapisan dari tahun 2004 sampai tahun 2014.
Hasil penelitian menunjukkan bahwa Metode ARIMA merupakan metode terbaik
dalam melakukan prediksi.
Kata kunci : ARIMA, Regresi Linier Berganda, Regresi Komponen Utama
Abstract:
Information about rainfall prediction is one of important things for any
activities. There are several methods than can be used to obtain information about
rainfall prediction. In this study, the used method is ARIMA, Multiple Regression,
and Principal Component Regression. The used data is monthly rainfall at Maros
Climatology Station, re-analysis data of surface temperature, and dew point at few
pressure level from 2004 until 2014. Result of the study suggest that the best method
to predict rainfall is ARIMA.
Keywords : ARIMA, MR, PCR
1.

PENDAHULUAN
Curah hujan merupakan unsur iklim yang sangat signifikan. BMKG (Badan
Meteorologi, Klimatologi, dan Geofisika) sebagai instansi pemerintah yang memiliki
tugas diantaranya untuk memberikan informasi prakiraan curah hujan jangka panjang
seperti prakiraan curah hujan bulanan di Kabupaten Maros. Informasi tentang
prakiraan curah hujan merupakan salah satu unsur penting bagi berbagai macam
aktivitas kehidupan seperti keselamatan masyarakat, produksi pertanian, perkebunan,
perikanan, penerbangan, public service, dan sebagainya.
Terdapat beberapa metode statistik untuk memprakirakan curah hujan ke
depan. Dalam penelitian ini digunakan tiga metode yaitu ARIMA (Autoregressive
Integrated Moving Avarage), Regresi Linier Berganda (Multiple Regression), dan

Regresi Komponen Utama (Principal Component Regression). Tujuan penelitian ini

yaitu mencari metode terbaik yang dapat digunakan untuk memprakirakan curah
hujan bulanan di Stasiun Klimatologi Maros.
2.
TINJAUAN PUSTAKA
Metode peramalan merupakan suatu teknik untuk memprediksi atau
memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data
atau informasi masa lalu maupun saat ini baik secara matematik maupun statistik
(Hannum, 2011).
Secara umum, metode peramalan dibagi dalam dua kelompok, yaitu metode
kualitatif (subjektif) dan metode kuantitatif. Metode peramalan kualitatif cenderung
lebih menggunakan judgement dan intuisi manusia daripada penggunaan data historis
yang ada. Metode peramalan kuantitatif dapat dibagi menjadi dua jenis model
peramalan, yaitu metode kausal (regresi) dan metode time series (runtun waktu). Pada
metode kausal, pendugaan masa depan dari suatu faktor yang diramalkan (variabel
tak bebas) didasari suatu asumsi bahwa faktor itu menunjukkan suatu hubungan
sebab-akibat dengan satu atau lebih variabel bebas. Adapun pada metode time series,
peramalan dilakukan berdasarkan variabel itu sendiri (Makridakis, 1993).
a.
ARIMA
ARIMA (Autoregressive Integrated Moving Average) sering juga disebut
metode runtun waktu Box-Jenkins. Model ARIMA adalah model yang secara penuh
mengabaikan independen varibel dalam pembuatan peramalan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. Namun untuk peramalan jangka
panjang ketepatan peramalannya kurang baik. Tujuan ARIMA adalah untuk
menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai
historis variabel tersebut sehingga peramalan dapat dilakukan dengan model tersebut
(Setiawan, 2012).
Untuk melakukan peramalan dengan metode deret berkala Box-Jenkins, maka
dipilih deret berkala yang stasioner, sehingga untuk deret berkala yang tidak stasioner
perlu dilakukan suatu proses untuk mendapatkan keadaan stasioner (Irwan &
Harahap, 2011).
b.
Regresi Linier Berganda (Multiple Regression)
Dalam regresi linier berganda, peramalan nilai variabel tak bebas Y diperoleh
dengan membentuk persamaan yang menghubungkan lebih dari satu variabel yaitu
(Wati, Sebayang, & Sitepu, 2013).
Analisis regresi linear berganda memerlukan pengujian secara serempak
dengan menggunakan F hitung. Signifikansi ditentukan dengan membandingkan F
hitung dengan F tabel atau melihat signifikansi pada output SPSS (Statistical
Package for the Social Sciences). Dalam beberapa kasus dapat terjadi bahwa secara
simultan (serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi
secara parsial tidak (Supratomo, Sari, & Anwar, 2009).

c.

Regresi Komponen Utama (Principal Component Regression)

Principal Component Regression (PCR) merupakan salah satu metode yang
telah dikembangkan untuk mengatasi masalah multikolinearitas. PCR merupakan
analisis regresi dari variable respon terhadap komponen-komponen utama yang tidak
saling berkorelasi, dimana setiap komponen utama merupakan kombinasi linear dari
semua variabel prediktor (Draper & Smith, 1992).
Principal Component Regression (PCR) merupakan suatu teknik analisis yang
mengkombinasikan antara analisis regresi dengan Principal Component Analysis
(PCA). Analisis Regresi digunakan untuk mengetahui ada tidaknya hubungan antara
variabel respon dan prediktor, sedangkan PCA pada dasarnya bertujuan untuk
menyederhanakan variabel yang diamati dengan cara menyusutkan dimensinya. Dari
p buah variabel asal dapat dibentuk p buah komponen utama, dipilih k buah
komponen utama saja (k<p) yang telah mampu menerangkan keragaman data cukup
tinggi (antara 80% sampai dengan 90%) (Johnson & Wichern, 1996).
3.
DATA DAN METODE PENELITAN
Data yang digunakan dalam penelitian ini yaitu:
1.
Data curah hujan bulanan Stasiun Klimatologi Klas I Maros yang terletak
pada 04o 55' 51.0"LS dan 119o 34' 19.0" BT dengan elevasi 13 meter sebagai
data prediktan.
2.
Data re-analisis suhu permukaan dan titik embun bulanan ( C) pada lapisan
925 hPa, 850 hPa, 700 hPa, 500 hPa, dan 200 hPa dengan batas domain 6.50 3.50 LS dan 1180 1210 BT sebagai prediktor.
Data yang digunakan yaitu data dari tahun 2004 sampai tahun 2014, dimana
data 2004 sampai 2013 digunakan untuk verifikasi dan data tahun 2014 digunakan
untuk validasi.
Dalam penelitian ini metode yang digunakan yaitu ARIMA, Multiple
Regression dengan Lag, Multiple Regression Simultan, dan PCR (Principal
Component Regression). Pengolahan data dilakukan dengan Software Microsoft
Excel 2010 dan Minitab 17.
1. ARIMA
Langkah pertama untuk melakukan peramalan dengan ARIMA adalah membuat
plot time series dan plot ACF data untuk melihat apakah data yang digunakan
stationer atau tidak. Jika data tidak stationer maka dilakukan differencing pertama.
Setelah melalui proses differencing dibuat lagi plot untuk data. Penentuan model
dilakukan berdasarkan pola ACF dan PACF yang terbentuk.

Gambar 1. Langkah Pembuatan Plot Time Series Gambar 2. Langkah Differencing

Model yang diperoleh kemudian diverifikasi. Verifikasi model meliputi 3 hal,
yaitu keberartian koefisien, variansi sesatan, dan uji kecocokan model. Koefisien
dikatakan berarti apabila
dengan rumus

. Variansi sesatan diperoleh

. Model dikatakan sesuai apabla nilai P Value pada lag 12, 24, 36,

dan 48 lebih besar dari nilai .

2. Multiple Regression (Regresi Berganda)
Curah hujan dapat diramalkan melalui model yang terbentuk dengan
menggunakan metode regresi berganda. Dalam pembentukan model digunakan
beberapa data prediktor yaitu data suhu permukaan bulanan dan data titik embun
bulanan pada lapisan 925 hPa, 850 hPa, 700 hPa, 500 hPa, dan 200 hPa.
3. PCR (Principal Component Regression)
Langkah pertama untuk membangun model PCR yaitu mencari komponenkomponen utamanya dengan melakukan Principal Component Analysis. Dengan
menggunakan Minitab 17, PCA dilakukan dengan menu Stat Multivariate
Principal Components. Komponen utama inilah yang kemudian dijadikan variable
prediktor dalam membangun model regresinya.

Setelah memperoleh hasil prediksi dengan menggunakan metode di atas,

dilakukan verifikasi dan validasi dengan metode Root Mean Square Error dan
Korelasi Pearson. RMSE digunakan untuk mengetahui besarnya penyimpangan yang
terjadi antara nilai curah hujan estimasi dengan nilai observasinya. Korelasi
digunakan untuk menentukan kuat tidaknya (derajat) hubungan linier antara 2
variabel atau lebih (Puspitasari, 2013). Semakin kecil nilai RMSE dan semakin besar
nilai korelasi, maka model persamaan regresi semakin baik.
4.
PEMBAHASAN
1.
ARIMA
Partial Autocorrelation Function for CH

Autocorrelation Function for CH

(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial Autocorrelation

Autocorrelation

(with 5% significance limits for the autocorrelations)

0.4
0.2
0.0
-0.2
-0.4
-0.6

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

-0.8

-1.0

-1.0
2

10

12

14

16

18

20

22

24

26

28

30

10

12

14

16

18

20

22

24

26

28

30

Lag

Lag

Terlihat dari diagram ACF bahwa data yang digunakan merupakan data
musiman sehingga dalam peramalan digunakan model musiman 12. Berdasarkan
hasil pengujian diagnostik diperoleh kombinasi terbaik yaitu (1,1,2)(0,1,1)12 tanpa
konstan.
Final Estimates of Parameters
Type
Coef SE Coef
T
AR
1
0.2865
0.0983
2.91
MA
1
1.1953
0.0002 6248.80
MA
2
-0.1830
0.0289
-6.34
SMA 12
0.8456
0.0858
9.86

P
0.004
0.000
0.000
0.000

Nilai P untuk setiap parameter < 0,05 yang berarti model yang digunakan sesuai
dengan data. Hasil peramalan yang diperoleh adalah
Waktu Aktual Prediksi Waktu Aktual Prediksi Waktu Aktual Prediksi
Jan14
Feb14
Mar14
Apr14

975
327
265
287

889.5
826
617.8
943
439.3
317
296.6
775

May14
Jun14

185
41

Jul-14

36

Aug14

207.0
63
125.3
647
99.80
375
36.70
42

Sep14
Oct14
Nov14
Dec14

65.149
12

140.77

138
716

305.66
69
682.48
93

2.

Regresi Berganda
Dalam pembentukan model regresi digunakan lag dengan melihat cross
correlation yang menunjukkan jeda waktu variable peridiktor dalam mempengaruhi
variable prediktan. Nilai korelasi terbaik diperoleh pada lag -2 untuk suhu permukaan
dan lag -3 untuk titik embun dengan mengasumsikan bahwa suhu permukaan dan titik
embun mempengaruhi curah hujan untuk 2 dan 3 bulan ke depan.
Model regresi yang diperoleh dengan menggunakan nilai lag adalah:

CH lag = -3029 + 100.4 SP + 186 Dew 925_1 + 57.1 Dew 850_1

- 26.8 Dew 700_1 + 18.0 Dew 500_1 - 8.5 dew 200_1

Model regresi yang diperoleh dengan tanpa menggunakan nilai lag adalah:

CH = 2560 - 66.0 Suhu Permukaan + 120.5 Dew 925 - 26.5 Dew 850
- 17.0 Dew 700 - 9.36 Dew 500 - 86.9 dew 200

3.

PCR (Principal Component Analisys)

Dew 925
Dew 850
Dew 700
Dew 500
Dew 200

Suhu Permukaan
0.410
0.302
0.035
0.242
0.164

Dew 925

Dew 850

Dew 700

Dew 500

0.883
0.604
0.603
0.365

0.642
0.618
0.318

0.862
0.693

0.695

Dari tabel korelasi antar variable prediktor dapat dilihat bahwa nilai korelasi
cukup tinggi (

). Karena terjadi multikolinieritas maka dilakukan analisis

komponen utama. Dengan menggunakan komponen utama yang diperoleh melalui

analisis komponen utama, diperoleh model regresi
CH = 798.8 - 37.85 a1 + 0.2 a2 - 77.8 a3

Dengan a1, a2, dan a3 merupakan komponen utama.

Hasil prediksi diperoleh dengan memasukkan nilai variable predictor dan/atau

komponen utama ke dalam model. Perbandingan hasil prediksi dengan curah hujan
aktual adalah sebagai berikut:
Waktu
Aktual
Prediksi Lag
Prediksi Simultan
Prediksi PCR
Jan-14
Feb-14
Mar-14
Apr-14
May-14
Jun-14
Jul-14
Aug-14
Sep-14
Oct-14
Nov-14
Dec-14

4.

975
327
265
287
185
41
36
7
0
0
138
716

645.0735
286.8591
181.2344
211.8277
417.5173
311.0736
292.758
189.4181
141.5779
226.5753
371.3164
994.2745

677.6012
630.8511
346.2285
274.7812
173.2533
246.5585
212.1928
-39.1274
-102.487
-101.365
199.6361
616.329

613.7133
567.8024
353.461
301.6323
196.5959
263.1143
171.159
-57.9469
18.60945
-132.199
175.9407
596.4015

Validasi
RMSE
R

ARIMA

Regresi Lag

Regresi Sim

PCR

125.2511
0.943681

214.5906
0.77646

157.4787
0.846937

158.6597
0.843689

Validasi dilakukan berdasarkan nilai korelasi dan RMSE antara nilai prediksi
dengan curah hujan observasi. Berdasarkan hasil validasi terlihat hasil prediksi
ARIMA dengan curah hujan observasi memiliki nilai korelasi tertinggi dan RMSE

terkecil. Ini berarti bahwa metode ARIMA merupakan metode terbaik dalam
meramalkan curah hujan.
5.

Kesimpulan
Metode ARIMA merupakan metode terbaik dalam melakukan peramalan.

Daftar Pustaka
Astuti, A. D. (2014). PARTIAL LEAST SQUARE (PLS) DAN PRINCIPAL
COMPONENTREGRESSION (PCR) UNTUK REGRESI LINEAR DENGAN
MULTIKOLINEARITAS PADA KASUS INDEKS PEMBANGUNAN MANUSIA
DI KABUPATEN GUNUNG KIDUL . Skripsi UNY.
Draper, N., & Smith, H. (1992). Analisis Regresi Terapan. Jakarta: PT. Gramedia Pustaka
Utama.
Hannum, L. (2011, Agustus 12). USU Institutional Repository. Retrieved januari 8, 2016,
from http://repository.usu.ac.id/bitstream/123456789/28450/4/Chapter%20II.pdf
Irwan, B., & Harahap, M. (2011). Analisis Deret Berkala Bivariat Pada Model Fungsi
Transfer. SP-Mathematics.
Johnson, R. A., & Wichern, D. W. (1996). Applied Multivariate Statistical Analysis. New
Jersey: Prentice Hall Inc.
Makridakis. (1993). Metode dan Aplikasi Peramalan. Jakarta: Erlangga.
Marcus, G., Wattimanela, H., & Lesnusa, Y. (2012). Analisis Regresi Komponen Utama
untuk Mengatasi Masalah Multikolinieritas dalam Analisis Regresi Linier Berganda.
Jurnal Barekeng.
Puspitasari, N. (2013). Estimasi Curah Hujan Menggunakan Data TRMM di Stasiun
Mteorologi Sentani, Merauke, dan Sorong. Laporan Kerja Diploma III Akademi
Meteorologi dan Geofisika Jakarta.
Setiawan, N. (2012, Desember 8). Metode Box-Jenkins (ARIMA). Retrieved Januari 8, 2016,
from Statistik Ceria: http://statistikceria.blogspot.co.id/2012/12/metode-box-jenkinsarima.html
Supratomo, Sari, S. I., & Anwar, C. (2009, Maret). PENGARUH MOTIVASI AUDITOR
DAN KOMPLEKSITAS. JURNAL Akuntansi & Keuangan.
Wati, S. E., Sebayang, D., & Sitepu, R. (2013). PERBANDINGAN METODE FUZZY
DENGAN REGRESI LINEAR BERGANDA DALAM MELAKUKAN
PERAMALAN. 273284.