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
c.
. Model dikatakan sesuai apabla nilai P Value pada lag 12, 24, 36,
1.0
1.0
0.8
0.8
0.6
0.6
Partial Autocorrelation
Autocorrelation
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:
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.
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 (
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.