ABSTRAK
Prediksi Curah Hujan Bulanan di daerah Purbalingga telah dilakukan menggunakan metode
Kalman Filter dengan Prediktor SST 3.4. Validasi terhadap prediksi tiga tahun kebelakang
(hindcast) 2006, 2007, 2008 menunjukkan nilai koefisien korelasi mencapai 75%. Untuk
memperoleh nilai prediktor SST Nino 3.4 diprediksi menggunakan metode ARIMA. Validasi
prediksi SST Nino 3.4 selama tiga tahun periode pengujian menunjukkan pada tahun 2006 r=0.91,
2007 r=0.64 dan 2008 r=0.82.
Kata kunci : Kalman Filter, Prediksi SST, SST Nino 3,4, ARIMA
ABSTRACT
Monthly Rainfall Prediction in the area Purbalingga been performed using the method of Kalman
Filter with SST Predictor 3.4. Validation of predictions three years before (hindcast) 2006, 2007,
2008 showing the correlation coefficient reached 75%. To obtain Nino 3.4 SST predictor values
predicted using ARIMA method. Validation of Nino 3.4 SST predictions for three-year testing
period in 2006 showed r = 0.91, 2007 and 2008, r = 0.64 r = 0.82
Key words : Kalman Filter, SST Prediction, SST Nino 3.4, ARIMA
108
PREDIKSI CURAH HUJAN BULANAN DENGAN MENGGUNAKAN METODE KALMAN FILTER
DENGAN PREDIKTOR SST NINO 3.4 DIPREDIKSI
Restu Tresnawati, Tri Astuti Nuraini, Wido Hanggoro
I. PENDAHULUAN menyarankan suatu kemungkinan baik untuk
Posisi geografis Indonesia terletak prediksi musiman dengan menggunakan
di antara Samudera Hindia dan Samudera nilai SST5).
Pasifik dan di antara Benua Asia dan Benua Prakiraan curah hujan secara
Australia serta berada pada ekuator. Kondisi terperinci sampai ke wilayah-wilayah masih
ini menyebabkan cuaca, musim dan sangat sedikit. Penelitian tentang prakiraan
iklimnya dipengaruhi oleh sirkulasi atmosfer curah hujan untuk suatu wilayah sangat
global, regional dan lokal, seperti sirkulasi dibutuhkan untuk menunjang pembangunan
utara-selatan (Hadley), sirkulasi barat-timur di berbagai bidang, termasuk bidang
(Walker) dan sistem angin lokal. Gangguan pertanian. Dalam penelitian yang telah
terhadap salah satu sistem sirkulasi ini akan dilakukan oleh Estiningtyas6), 2008 salah
mempengaruhi cuaca dan iklim di satu metode yang dapat dilakukan dalam
Indonesia1). peramalan curah hujan adalah metode
kalman filter, dimana Kalman Filter
Salah satu faktor yang berpengaruh mempunyai kemampuan memprediksi curah
terhadap kondisi cuaca dan iklim adalah hujan tidak hanya menggunakan input curah
SST (Sea Surface Temperature). Laut hujan saja, melainkan dapat
merupakan sumber uap air utama untuk mempertimbangkan faktor prediktor lain
segala proses yang terjadi di atmosfer. yang mempengaruhi salah satunya yaitu
Semakin hangat SST maka akan makin SST Nino 3.4. Sebagai salah satu input
banyak juga uap air yang didistribusikan ke prediktor dalam metode Kalman Filter maka
atmosfer sehingga akan semakin besar juga panjang periode data SST Nino 3.4 juga
kemungkinan terjadinya hujan2). Menurut sangat diperlukan selain juga panjang
Hendon3), terdapat korelasi yang kuat antara periode data curah hujan. Data SST Nino 3.
curah hujan dengan SST (SST local dan yang diperlukan adalah selama panjang
pasifik) untuk wilayah Indonesia. tahun data input, dan SST prediksi yang
Suhu air laut terutama lapisan biasanya dapat diekstrak dari gambar
permukaan, ditentukan oleh pemanasan Consolidated SST Forecasts melalui
matahari yang intensitasnya senantiasa http://www.cpc.ncep.noaa.gov/products/pre
berubah terhadap waktu. Perubahan suhu ini dictions/90day/tools/briefing/ssttt.gif.
dapat terjadi secara musiman, tahunan, dan Namun data prediksi SST Nino 3.4 tersebut
jangka panjang. Menurut Bony et al 4), SST tidak dapat merepresentasikan dengan baik
di bawah 29,6 C, jumlah curah hujan untuk waktu yang akan datang, hal ini
meningkat seiring dengan peningkatan SST. merupakan keterbatasan pengukuran
Peningkatan tersebut tidak linier. Di di atas sehingga prediksi curah hujan dengan
29,6 C peningkatan dari SST menyebabkan kalman filter tidak dapat dilakukan untuk
penurunan jumlah curah hujan maksimum. masa yang akan datang dari waktu sekarang
Berdasarkan hasil penelitian Aldrian dan jika salah satu variabel input yang diminta
Susanto5), yang mengidentifikasikan wilayah adalah SST Nino 3.4
Indonesia menjadi 3 daerah curah hujan Mendasari pada masalah diatas,
dominan (daerah A, B, dan C) dengan dalam penelitian ini mencoba untuk
daerah intermedit ditengahnya, untuk daerah memprediksi SST Nino 3.4 dari waktu
A ada perbedaan jelas antara musim sakarang menjadi waktu yang akan datang
kemarau dan hujan. SST dan jumlah curah dengan menggunakan model statistik Time
hujan berkurang dari Januari ke Agustus dan Series (ARIMA), sehingga didapat prediksi
meningkat dari Agustus ke Desember. SST Nino 3.4 beberapa waktu kedepan yang
Secara umum, MAM adalah musim yang akan digunakan dalam peramalan Curah
paling tak bereaksi, dengan paling sedikit Hujan menggunakan metode Kalman Filter.
nilai korelasi penting di semua tiga daerah. Beberapa skenario time lag dalam hubungan
Korelasi yang tinggi dari Juni sampai SST Nino 3.4 terhadap variasi curah hujan
November di sebagian besar Indonesia, telah dilakukan pada time lag 0-3, pada
109
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 NOVEMBER 2010: 108 - 119
kasus SST Nino 3.4 diprediksi ARIMA ini Secara teori Kalman filter
diujicobakan untuk time lag 0. mempunyai dua tahapan yang berbeda yaitu
Kalman filter adalah suatu persamaan Predict dan Update. Tahapan pertama yaitu
matematika yang menghasilkan perhitungan Predict menggunakan estimasi State dari
efisien (rekursi) dalam arti mengestimasi tahap waktu sebelumnya untuk
state proses, dengan cara meminimalisasi menghasilkan estimasi State pada tahap
mean kuadrat eror. Filter ini mempunyai waktu sekarang, namun tidak termasuk
kegunaan di banyak aspek, dengan informasi dari observasi di dalamnya, Pada
kemampuan perhitungan masa lampau, tahapan Update, a priori prediction
sekarang dan yang akan datang, dan dapat dikombinasikan dengan informasi
juga dilakukan jika ketepatan dari suatu observasinya untuk penghalusan tahapan
sistem tidak diketahui. estimasi, perbaikan estimasi yang dihasilkan
disebut sebagai estimasi posteriori.
Sedangkan metode ARIMA yang dibuat oleh Box dan Jenkins pada tahun
merupakan bagian dari time series dipilih 1970, menggunakan 3 proses iteratif8).
untuk memprediksi SST Nino. 3.4 karena
dipandang mampu menemukan suatu model II. METODOLOGI
yang akurat yang mewakili pola masa lalu Lokasi daerah yang dilakukan dalam
dan masa depan dari suatu data time series penelitian ini adalah daerah purbalingga
Yt = Pattern + et, di mana polanya bisa Jawa Tengah dan untuk data SST Nino 3.4
random, seasonal, trend, cyclical, mengambil dari http:www.cpc.ncep.noaa.
promotional, atau kombinasi pola-pola gov/data/indices/sstoi.indices
tersebut. Model ARIMA pada time series
Analisis dilakukan dengan dua
tahapan yaitu : 1) SST Nino 3.4 diprediksi
110
PREDIKSI CURAH HUJAN BULANAN DENGAN MENGGUNAKAN METODE KALMAN FILTER
DENGAN PREDIKTOR SST NINO 3.4 DIPREDIKSI
Restu Tresnawati, Tri Astuti Nuraini, Wido Hanggoro
menggunakan ARIMA dan 2) Prediksi Analisis menggunakan software
Curah Hujan dengan Kalman Filter minitab 13 untuk data SST Nino 3.4 selama
menggunakan data SST Nino 3.4 hasil 20 tahun dengan pengambilan sampling tiga
prediksi ARIMA yang mempunyai nilai periode tahun yang berbeda yaitu SST Nino
terbaik. 3.4 tahun 1986-2005,1987-2006 dan 1988-
2007. Ketiga periode tahun tersebut diplot
2.1 Prediksi SST Nino 3.4 menggunakan dalam Time Series yang menunjukkan
ARIMA bahwa data tersebut nonstasioner kemudian
Salah satu parameter yang diamati proses differensiasi yang bertujuan
berkaitan dengan variabilitas iklim di menstasionerkan data nonstasioner (reduce
wilayah Indonesia adalah Nino 3.4 (5N to stationary). Dengan melihat hasil pada
5S,120170W). Menurut Trenberth9), Autocorrelation Function (ACF) dan Partial
perubahan nilai SST di daerah tersebut dapat Autocorrelation Function (PACF) didapat
mengakibatkan penyimpangan iklim di derajat (q) untuk MA dan derajat (p) untuk
sekitar pantai barat Peru dan di wilayah AR .
Indonesia. Lebih jelas lagi dikatakan bahwa Model ARIMA dapat ditulis sebagai
anomali SST di sekitar region Nino 3.4 yang Model ARIMA (p,d,q) yang merupakan
mempunyai nilai 0.4 C selama 5 bulan atau model campuran antara model
lebih dapat menyebabkan El Nino. Autoregressive (AR) berordo p dengan
Suatu data SST Nino 3,4 dapat moving average (MA) berordo q yang
dipandang secara runtun waktu nonstasioner mengalami pembedaan (difference)
sehingga pada data ini diujicobakan dengan sebanyak d kali.
metode ARIMA yang merupakan bagian
dari Time Series untuk melihat pola masa
lampau dan kemudian merepresentasikan
pola masa yang akan datang untuk
memprediksinya
111
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 NOVEMBER 2010: 108 - 119
ARIMA(p,d,q)(P,D,Q)T merupakan model Dari input data diatas menghasilkan data
campuran antara model Autoregressive (AR) output berupa prediksi curah hujan, namun
berordo p dengan moving average (MA) sebelum digunakan untuk prediksi , model
berordo q yang mengalami difference terlebih dahulu divalidasi dengan tiga
sebanyak d kali dan model campuran antara persamaan, yaitu : ARMAX, Box Jenkins
model musiman Autoregressive (AR) (BJ) dan Output Error (OE). Persamaan
berordo P dengan moving average musiman terbaik ditentukan berdasarkan nilai
(MA) berordo Q yang mengalami seasonal koefisien korelasi validasi tertinggi.
difference sebanyak D kali dengan periode
musiman T.
Persamaan Umum ARIMA Proses
Pengambillan
p B1 Bd Z t 0 q Bav Sampling
Tabel.1 Hasil prediksi SST Nino 3.4 dengan ARIMA untuk daerah Purbalingga
Hasil prediksi SST Nino 3.4 dengan 3.2. Prediksi Curah Hujan dengan
ARIMA pada tiga periode seperti pada Kalman Filter menggunakan data SST
Tabel. 1 memperlihatkan korelasi dengan Nino 3.4 hasil prediksi ARIMA
data observasinya lebih dari 60% sehingga Peramalan curah hujan dengan metode
dapat dikatakan pola hasil prediksii Kalman Filter dilakukan untuk periode yang
mengikuti pola observasinya. sama dengan data SST hasil prediksi
Dihasilkannya prediksi SST Nino ARIMA yaitu peramalan untuk tahun 2006,
3.4 yang mempunyai korelasi cukup baik 2007 dan 2008. Untuk mengetahui
pada Tabel.1 maka dapat diujicobakan karakteristik model maka dilakukan validasi
sebagai input peramalan curah hujan dengan dengan membandingkan antara data
Kalman Filter observasi dengan data hasil peramalan.
Dalam penelitian ini validasi dilakukan
untuk 12 bulan yaitu bulan Januari
Desember 2006, Januari Desember 2007
dan Januari Desember 2008. Hasil validasi
113
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 NOVEMBER 2010: 108 - 119
pada tabel.2 menunjukkan nilai koefisien dprediksi dengan ARIMA pada tahun yang
korelasi (r) validasi tertinggi untuk tahun akan diprediksi curah hujannya,
2005,2006 dan 2007 adalah model OUTPUT memperlihatkan korelasi koefisien model
ERROR (OE) yaitu sebesar 49.32%,82.93% berkisar antara 70% - 89% dan r model
dan 62,33%. Nilai r yang tinggi mempunyai kisaran antara 39% - 79%.
menunjukkan bahwa pola penyebaran hujan Nilai korelasi koefisien model dan r model
hasil validasi (gambar.3) akan menyebabkan tertinggi untuk tahun prediksi 2006, 2007
data hasil prediksi mirip dengan data dan 2008 daerah purbalingga dimiliki pada
pengamatan. model Box Jenkins, hal ini menunjukkan
Hasil prediksi hujan yang telah bahwa kondisi curah hujan beberapa waktu
didapat melalui pengerjaan Kalman Filter ke depan di daerah purbalingga dapat
dengan memasukkan input: Curah Hujan 20 digambarkan oleh model Box Jenkins,
tahun sebelumnya, SST Nino 3.4 sepanjang namun hal ini tidak mutlak berlaku pada
20 tahun sebelumnya dan SST Nino 3,4 daerah yang lain.
Tabel.2 Hasil validasi Curah Hujan dengan SST Nino 3.4 diprediksi ARIMA untuk daerah Purbalingga
CorrCoef
Tahun r Validasi r Model Fits
Model terpilih Model RMSE
Validasi
(%) (%) (%) (%)
ARMAX 84.42 32.03 71.26 144.3 36.73
2005 BOX JENKINS 88.23 35.62 77.85 93.5 44.12
OUTPUT ERROR 76.79 49.32 58.97 92.86 31.78
ARMAX 81.4 75.8 66.26 53.75 35.27
2006 BOX JENKINS 86.02 57.48 73.99 98.26 39.52
OUTPUT ERROR 75.17 82.93 56.51 41.7 31.3
ARMAX 81.25 61.67 66.02 99.24 32.87
2007 BOX JENKINS 86.69 40.93 75.15 85.18 39.71
OUTPUT ERROR 83.04 62.33 68.96 105.5 33.26
Validasi pada tabel. 2 menunjukkan bahwa model mendekati nilai sebenarnya sehingga
koefisien korelasi model mempunyai nilai model tersebut layak untuk digunakan
yang cukup baik yaitu dengan kisaran 75% - sebagai model prediksi.
88% artinya bahwa pola penggambaran
114
PREDIKSI CURAH HUJAN BULANAN DENGAN MENGGUNAKAN METODE KALMAN FILTER
DENGAN PREDIKTOR SST NINO 3.4 DIPREDIKSI
Restu Tresnawati, Tri Astuti Nuraini, Wido Hanggoro
Tabel.3 Hasil Prediksi Curah Hujan dengan SST Nino 3.4 diprediksi ARIMA untuk daerah Purbalingga
115
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 NOVEMBER 2010: 108 - 119
Validasi 2005
Validasi 2006
116
PREDIKSI CURAH HUJAN BULANAN DENGAN MENGGUNAKAN METODE KALMAN FILTER
DENGAN PREDIKTOR SST NINO 3.4 DIPREDIKSI
Restu Tresnawati, Tri Astuti Nuraini, Wido Hanggoro
Validasi 2007
Prediksi 2006
117
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 NOVEMBER 2010: 108 - 119
Prediksi 2007
Prediksi 2008
118
PREDIKSI CURAH HUJAN BULANAN DENGAN MENGGUNAKAN METODE KALMAN FILTER
DENGAN PREDIKTOR SST NINO 3.4 DIPREDIKSI
Restu Tresnawati, Tri Astuti Nuraini, Wido Hanggoro
4)
IV. KESIMPULAN Bony S, Lau KM, Sud YC. 1997. Sea
Prediksi curah hujan dengan Kalman Surface Temperature and Large-
Filter untuk daerah Purbalingga Scale Circulation Influences on
menghasilkan nilai koefisien korelasi antara Tropical Greenhouse Effect and
70% - 89% dan rmodel berkisar antara 39% - Cloud Radiative Forcing. Journal of
79% , nilai ini menunjukkan bahwa prediksi Climate 10: 20552077
5)
yang dihasilkan sudah cukup baik dalam Aldrian E, Susanto RD. 2003.
menggambarkan pola curah hujan yang Identification of Three Dominant
sesungguhnya, oleh karena itu untuk Rainfall Regions within Indonesia
melakukan prediksi curah hujan dengan and Their Relationship to Sea
Kalman Filter dimana salah satu inputnya Surface Temperature. Int J
adalah SST Nino 3.4 tidak perlu menunggu Climatology 23: 14351452
hingga data observasi SST Nino 3,4 di tahun 6)
Estiningtyas,W. Surmaini, E. dan
prediksi yang tentunya bisa menyebabkan Hariyanti, K.S .2008. Penyusunan
prediksi curah hujan dengan kalman filter Skenario Masa Tanam Berdasarkan
menjadi terlambat. Peramalan Curah Hujan di Sentra
Prediksi SST Nino 3.4 dengan Produksi Pangan Balit Agroklimat
ARIMA sudah dapat merepresentasikan dan Hidrologi Bogor. Jurnal
gambaran SST Nino 3.4 dalam waktu Meteorologi dan Geofisika BMKG,
kedepan walaupun dalam jangka waktu yang pp 20 32.
pendek. Hal ini sangat membantu dalam 7)
Welch, G dan G. Bishop. 2006. An
memprakirakan kondisi curah hujan beberapa Introduction to The Kalman Filter.
waktu ke depan dengan Kalman Fiter, Departement of Computer Science
dimana konsep metode ini adalah University of North Carolina ay
memperhitungkan variabel lain sebagai Chapel Hill.
koreksinya. 8)
Box, G. Jenkins, G. dan Reinsel, G . 1994.
Time Series Analysis : Forecasting
V. DAFTAR PUSTAKA and Control (3rd Edition). Prentice
1)
Mukarami, Takio dan Zadrach L. Dupe. Hall.
2000. Interannual Variability of 9)
Trenberth. 1997. The Definition of El
Convective Intensity Index Over Nino. Bulletin of the American
Indonesia and Its Relationship with Meteorological Society
Enso. J. Meteorologi dan Geofisika,
Vol. 1, No. 4, p. 1-23.
10)
W.S. Wei, William. 2006. Time Series
2) Analysis. Departement of Statistics
Patridge et.al. 2004. Rainman User Guide. The Fox School of Business and
CSIRO Management Temple University, pp
3)
Hendon H. 2003. Indonesian Rainfall 68 86.
Variability : Impacts of ENSO and 11)
Kalman, R.E. 1960. A new approach to
Local Air-Sea Interaction. Journal of linier filtering and prediction
Climate 16 : 1775 1790 problem . Transaction of the
ASME. Journal of Basic
Engineering, pp 35-45,March 1960
119
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 NOVEMBER 2010: 108 - 119