Anda di halaman 1dari 10

UJM 4 (1) (2015)

UNNES Journal of Mathematics


http://journal.unnes.ac.id/sju/index.php/ujm

PERBANDINGAN PERAMALAN CURAH HUJAN DENGAN METODE


BAYESIAN MODEL AVERAGING DAN KALMAN FILTER

Noviesag Artanto, Arief Agoestanto

Jurusan Matematika, FMIPA, Universitas Negeri Semarang, Indonesia


Gedung D7 Lt.1, Kampus Sekaran Gunungpati, Semarang 50299

Info Artikel Abstrak


_______________________ _________________________________________________________
Sejarah Artikel: Pada era sekarang tanpa disadari dampak dari pemanasan global semakin
Diterima Oktober 2014 terasa, salah satunya berupa perubahan iklim. Perubahan cuaca seperti
Disetujui Desember 2014 musim hujan yang tak menentu merupakan salah satu tanda berubahnya
iklim. Padahal dalam suatu jenis pekerjaan tertentu hujan yang turun dapat
Dipublikasikan Mei 2015
mempengaruhi hasil produksi. Oleh karena itu dibutuhkanlah prediksi untuk
_______________________ mengetahui curah hujan yang turun pada suatu tempat sehingga tidak
Keywords: merugikan aktifitas manusia. Dalam penelitian ini akan dikaji tentang
Peramalan Curah Hujan; membandingan dua metode peramalan yaitu metode Bayesian Model
Bayesian Model Averaging; Averaging dengan metode Kalman Filter. Dengan membandingan kedua
Kalman Filter metode peramalan tersebut diharapkan dapat diketahui metode mana yang
_____________________________ ternyata memberikan hasil prediksi yang lebih optimal dalam menentukan
tingginya curah hujan.

Abstract
_________________________________________________________
In the current era, we almost do not realize that the impact of global warming is
getting more real. One of the impact is in the form of climate change. Changes in
weather such erratic rainy season refers to one sign of the changing of climate. Where
as, in a certain type of work, rain can affect the production process. Therefore, it is
needed the prediction to determine the rainfall in one particular place so that rain
will not be detrimental to human activities. This study will as sesson comparing that
who methods of forecasting namely Bayesian method with averaging models and
Kalman Filter. By comparing the two methods of forecasting, it is expected to be
known which method turned out to providea more optimal out come prediction in
determining the high intensity of rainfall.

2015UniversitasNegeri Semarang
Alamat korespondensi: ISSN 2252-6943
E-mail: noviesag@gmail.com
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

Pendahuluan yang relatif rendah atau terkadang


Pada era sekarang tanpa disadari overdispersive yaitu hasil peramalan dengan
dampak dari pemanasan global semakin nilai varians yang relatif besar. Oleh karena
terasa, salah satunya berupa perubahan itu yang akan dilakukan ialah suatu proses
iklim. LAPAN (2009) menyatakan bahwa kalibrasi yang bertujuan untuk memperbaiki
dampak ekstrem dari perubahan iklim peramalan ensemble yaitu dengan
terutama terjadinya kenaikan temperatur menggunakan metode Bayesian Model
serta pergeseran musim. Selain itu, Averaging (BMA-EM). Bayesian Model
perubahan iklim dapat memberikan dampak Averaging merupakan suatu metode
pada berubahnya suhu udara, curah hujan, kalibrasi untuk menggeser atau melakukan
tekanan udara, dan kecepatan angin. Dari penyesuaian terhadap nilai mean dan varian
keempat faktor ini, curah hujan merupakan dari hasil peramalan sedemikian rupa
salah satu faktor yang memberikan sehingga dapat mendekati nilai observasi.
pengaruh besar dalam kehidupan manusia, Kelebihan dari metode Bayesian Model
antara lain sebagai faktor penentu Averaging selain dapat menggeser nilai
penerbangan, pelayaran, pertanian, serta mean sehingga dapat memperkecil bias
merupakan faktor penting dalam yaitu dengan adanya bobot yang diperoleh
mempengaruhi prakiraan cuaca. Perubahan dari algoritma EM. Kelemahan dari
iklim yang terjadi saat ini membuat curah penelitian tersebut yakni perlu
hujan menjadi tak menentu dibandingkan menggunakan banyak model arima
musim-musim sebelumnya. Untuk sehingga terbentuk model peramalan
meminimalisir dampak yang ditimbulkan semakin akurat, penentuan pemilihan
oleh curah hujan yang tak menentu yakni training set atau rentang waktu
dengan menyediakan informasi mengenai mempengaruhi hasil peramalan sehingga
peluang terjadinya cuaca ekstrem seperti perlu dilakukan berbagai macam uji coba.
prediksi curah hujan di suatu daerah dalam Selain dengan metode BMA
jangka waktu tertentu. Pentingnya penelitian lain dilakukan dengan metode
meramalkan curah hujan inilah yang Kalman Filter. Kalman Filter merupakan
berguna untuk menghindari timbulnya salah satu metode runtun waktu yang dapat
kerugian bagi kehidupan manusia. Inilah digunakan dalam menentukan ramalan ke
yang menjadi latar belakang dari adanya depan. Metode ini bekerja secara rekursif
penelitian ini, terutama bagi kota besar untuk meminimalkan ketidaktepatan dalam
seperti Kota Semarang. peramalan. Kalman Filter terdiri dari
Beberapa penelitian mengenai persamaan keadaan dan observasi. Metode
peramalan telah dilakukan sebelumnya, ini digunakan untuk menyatakan suatu
antara lain oleh Raftery (2003) dengan model runtun waktu yang ditampilkan
menggunakan metode Bayesian Model dalam bentuk linier state space (Brockwell and
Averaging, Sloughter (2010) menggunakan Davis, 1991). Menurut Meinhold dan
metode peramalan ensemble dan Bayesian Singpurwala (1983), model, teknik, dan
Model Averaging, dan Tresnawati (2010) notasi dari Kalman Filter hampir sama
dengan menggunakan metode Kalman dengan model regresi linier dan analisis
Filter. Sementara itu banyak pusat prediksi runtun waktu. Perbedaannya terletak pada
di negara-negara maju seperti NAEFS, telah sifat rekursif yang ada pada Kalman Filter
mengembangkan model peramalan dengan (Welch and Gary, 2001).
ensemble (Ensemble Prediction System, EPS) Kalman Filter juga memiliki
yang akan memberikan luaran berupa kelemahan menurut Wei (2006) yaitu
taksiran interval. Zhu (2005) juga keberhasilan dalam mendapatkan hasil
menyatakan, kelebihan dari penggunaan prediksi optimal bergantung pada ketepatan
model ensemble dibandingkan peramalan estimasi keadaan (state) awal pada data
yang menghasilkan taksiran titik adalah observasi terbaru. Oleh karena itu, dalam
dapat menangkap adanya unsur / faktor penelitian ini peneliti akan
ketidakpastian. Raftery dkk (2005) membandingkan hasil penaksiran curah
menyatakan salah satu karakteristik dari hujan antara BMA-EM dengan metode
peramalan ensemble adalah sering kali Kalman Filter untuk tahun 2013. Sehingga
bersifat underdispersive yaitu hasil peramalan dapat di peroleh hasil yang berbeda dan
yang dihasilkan cenderung terpusat pada lebih akurat dari penelitian yang sudah
suatu titik tertentu dengan nilai varians dilakukan sebelumnya.

76
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

Runtun waktu atau time series adalah Dimana ( | ) adalah ramalan


data yang dikumpulkan dari waktu ke PDF berdasarkan saja, dan ( | )
waktu untuk menggambarkan adalah probabilitas posterior yang
perkembangan suatu kegiatan diberikan pada training data, dan
(perkembangan produksi, harga, hasil mencerminkan seberapa baik Model
penjualan, jumlah personil, penduduk, cocok dengan data pelatihan. Model
jumlah kecelakaan, jumlah kejahatan, dan posterior probabilitas menambahkan hingga
lain sebagainya) (Supranto,200:214). satu , sehingga ( | ) = 1,
Peramalan dengan metode Bayesian sehingga hal itu bisa dipandang sebagai
Model Averaging merupakan peramalan bobot. BMA PDF adalah rata-rata
yang dapat untuk meramalkan data tertimbang dari PDF yang diberikan model
musiman, oleh karena itu metode ini individual, dihitung dengan probabilitas
merupakan bagian dari metode posterior Model mereka. BMA memiliki
Autoregressive Integrated Moving Average berbagai sifat optimalitas teoritis dan telah
(SARIMA). menunjukkan kinerja yang baik dalam
Musiman adalah kecenderungan berbagai situasi data simulasi dan nyata
mengulangi pola tingkah gerak dalam (Raftery dan Zheng 2003).
periode musim, biasanya satu tahun untuk Selanjutnya memperluas BMA dari
data bulanan. Model ARIMA Musiman model statistik untuk model dinamis. Ide
merupakan model ARIMA yang digunakan dasarnya adalah bahwa untuk setiap
untuk menyelesaikan time series musiman perkiraan yang diberikan merupakan model
yang terdiri dari dua bagian, yaitu bagian terbaik, namun tidak tahu apa itu, dan
tidak musiman (non-musiman) dan bagian ketidakpastian tentang model terbaik adalah
musiman. Bagian non-musiman dari kuantitas oleh BMA. Sekali lagi,
metode ini adalah model ARIMA. Secara dilambangkan dengan kuantitas yang akan
umum bentuk model ARIMA musiman diramalkan. Setiap peramalan
atau ARIMA ( , , )( , , ) adalah: deterministik, , bisa bias dikoreksi,
( ) ( )(1 ) (1 ) menghasilkan peramalan bias dikoreksi .
= ( ) ( ) Peramalan kemudian dikaitkan dengan
Pada analisis statistik, seperti analisis PDF bersyarat, ( | ), yang dapat
regresi, biasanya mengacu pada hasil diartikan sebagai PDF bersyarat
bersyarat pada satu asumsi model statistik. tergantung pada , mengingat bahwa
Seringkali model ini telah dipilih dari antara adalah perkiraan terbaik dalam ensemble.
beberapa model yang mungkin untuk data, Model prediksi BMA menjadi
dan analis data tidak yakin bahwa itu
( | ,, ) = ( | k),
adalah yang terbaik. Karena model yang
dimana adalah probabilitas
masuk akal lainnya juga bisa memberikan
perbedaan jawaban. Ini merupakan sumber posterior dari perkiraan menjadi yang
ketidakpastian dalam menarik kesimpulan, terbaik, dan didasarkan pada keterampilan
dan pendekatan yang khas, yang perkiraan pada periode pelatihan.
kemungkinan pada model tunggal dianggap adalah probabilitas dan sehingga mereka
terbaik dengan mengabaikan sumber menambahkan hingga 1, = 1.
ketidakpastian, sehingga meremehkan Ketika peramalan suhu dan tekanan
ketidakpastian tersebut. permukaan laut, sering tampak masuk akal
Perataan model bayes (Leamer 1978; untuk mendekati PDF bersyarat oleh
Kass dan Raftery 1995; Hoeting, Madigan, distribusi normal berpusat di k , sehingga
Raftery, dan Volinsky 1999) mengatasi ( | k) adalah PDF normal dengan mean
masalah ini dengan pengkondisian, tidak k dan sebuah ensemble anggota spesifik
pada satu model terbaik, tetapi pada deviasi standar . Sehingga diperoleh situasi
seluruh ensemble model statistik pertama seperti ini:
yang dipertimbangkan. Dalam kasus | k~ N( k )
kuantitas yang akan diperkirakan Dalam hal ini, prediksi rata-rata
berdasarkan data training menggunakan BMA hanya ekspektasi bersyarat dari
model statistik ,{ , , }, hukum diberikan perkiraan, yaitu
probabilitas jumlah memberitahu bahwa [ | ,, ] = k
perkiraan PDF, ( ), diberikan melalui (Raftery dkk:2003)
( )= ( | ) ( | ) (1)
77
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

Hal ini dapat dilihat sebagai Dari tahap E dan M kemudian


perkiraan deterministik dalam dirinya diiterasi untuk konvergensi, yang
sendiri, dan dibandingkan dengan perkiraan didefinisikan sebagai perubahan tidak lebih
individu dalam ensemble atau rata-rata besar dari beberapa toleransi kecil di salah
ensemble. satu log-likelihood, nilai-nilai parameter,
Algoritma EM adalah metode untuk ( )
atau dalam satu iterasi. Log-likelihood
menemukan estimator maksimum dijamin akan meningkat pada setiap iterasi
likelihood yang bermasalah dalam hal data EM (Wu 1983), yang menunjukkan bahwa
yang hilang sehingga jika dapat mengetahui secara umum menyatu dengan maksimum
data yang hilang masalah estimasi akan lokal dari kemungkinan. Konvergensi
mudah. Data yang hilang tidak harus data maksimum global yang tidak dapat dijamin,
aktual yang hilang dan sebaliknya, data sehingga solusi yang dicapai oleh algoritma
tersebut sering tidak teramati, pengetahuan dapat peka terhadap nilai-nilai awal. Mulai
yang akan menyederhanakan masalah nilai berdasarkan pengalaman masa lalu
estimasi model BMA adalah model biasanya memberikan solusi yang baik.
campuran terbatas (McLachlan dan Peel Dalam implementasi, training set terdiri dari
2000). Disini data yang hilang yang perkiraan dan pengamatan untuk waktu
mana = 1 jika anggota ensemble ke waktu sebelumnya.
adalah perkiraan terbaik untuk tempat dan Hasil peramalan dari kalibrasi
waktu , dan = 0 sebaliknya. Untuk ensembel berubah sebuah taksiran interval
setiap ( , ), hanya satu dari { , , } dalam bentuk pdf. Oleh karena itu, evaluasi
sama dengan 1 yang lain adalah nol. kebaikan model tidak bisa dilakukan
Algoritma EM merupakan proses dengan prosedur standar MSE atau MAPE.
iteratif dan bergantian antara dua langkah, Sehingga dalam penelitian ini akan
E langkah (expectation atau harapan), dan digunakan evaluasi kebaikan model dengan
M langkah (maximization atau prosedur CRPS. CRPS berkaitan dengan
maksimalisasi). Dimulai dengan menebak probabilitas rank / pangkat, yang
awal ( ), untuk vektor parameter . Pada membandingkan distribusi hasil ramalan
langkah E, yang diperkirakan diberikan dengan pengamatan, dimana keduanya
menebak saat ini untuk parameter perkiraan direpresentasikan sebagai fungsi distribusi
yang tidak selalu bilangan bulat, kumulatif (cdf).
meskipun nilai-nilai yang benar adalah 0 1
atau 1. Pada langkah M, diperkirakan = ( ( )
mengingat nilai-nilai saat ini dari ( ))
tersebut. (Raftery dkk : 2003)
Untuk langkah E adalah
( ) ( ) : cdf dari hasil peramalan (ke-i)
( ) ( | , )
= ( )
( ) : cdf dari pengamatan sebenarnya
( | , ) (ke-i)
dimana j superscript mengacu pada : jumlah peramalan
iterasi j dari algoritma EM, dan
( ) Hasil dari CRPS ini berupa suatu
( | , ) adalah densitas normal
( ) nilai, dimana peramalan akan dikatakan
dengan mean dan standar deviasi
bagus bila CRPS yang dihasilkan sangat
dievaluasi pada . Langkah M kemudian kecil atau mendekati nol.
terdiri dari memperkirakan dan Kalman Filter adalah sebuah metode
menggunakan sebagai bobot perkiraan saat bagian dari ruang keadaan (state space) yang
( )
, yaitu . Demikian dapat diterapkan dalam model prakiraan
( ) 1 ( ) statistik. Sesuai dengan Wei (2006), metode
= ,
ini menggunakan teknik rekursif dalam
,
( ) mengintegrasikan data pengamatan terbaru
( ) , ( ) ke model untuk mengoreksi prediksi
= ( )
, sebelumnya dan melakukan prediksi
(Raftery dkk : 2003) selanjutnya secara optimal berdasarkan
di mana adalah jumlah observasi yaitu informasi data di masa lalu maupun
nilai-nilai yang berbeda ( , )). berdasarkan informasi data saat ini.

78
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

Persamaan umum dari model observasi yang telah didapat. Kedua


Kalman Filter sesuai dengan Hamilton membagi model ARIMA yang akan
(1994) jika diberikan yang dinotasikan digunaka untuk metode Bayesian Model
sebagai vector berukuran ( 1) variabel Averaging (BMA) dan Kalman Filter.
terobservasi pada waktu , model dinamis Dalam penelitian ini untuk metode BMA
untuk yang mungkin tidak teramati dapat model arima yang digunakan sebanyak
dijelaskan pada vektor yang berukuran empat model yang dipilih berdasarkan
( 1). Representasi ruang keadaan untuk syarat memenuhi white noise dan residual
diberikan pada persamaan berikut : normal. Sedangan untuk metode Kalman
Persamaan keadaan : = + Filter model arima yang digunakan
Persamaan observasi : = + merupakan model paling terbaik.
Dimana Langkah ketiga yakni melakukan
: vector keadaan berukuran ( 1). proses peramalan dengan BMA , dengan
: matriks parameter berukuran ( ) membangkitkan data ensamble tiruan dari
pada persamaan keadaan keempat model time series. Proses ini
: matriks parameter berukuran ( ) dilakukan dengan memperbarui model
pada persamaan observasi peramalan dari hari ke hari, sehingga bukan
: vektor noise berukuran ( 1) pada peramalan sekaligus dalam banyak periode
persamaan keadaan seperti pada umumnya, melainkan
: vektor noise berukuran ( 1) pada peramalan satu tahap kedepan. Setelah itu
persamaan observasi menggunakan pendekatan EM , dengan
: vector dari variable terobservasi melalui langkah kalibrasi ini akan didapat
berukuran ( 1) parameter parameter kalibrasi yang akan
: matriks varian kovarian berukuran digunakan dalam mendapatkan taksiran
( ) pada noise persamaan keadaan interval. Lalu mengevaluasi ketepatan
peramalan dengan menggunakan CPRS.
: matriks varian kovarian berukuran
( ) pada noise persamaan Langkah keempat melakukan proses
permalan dengan Kalman Filter yaitu
observasi
dengan membentuk sebuah fungsi pada
: orde ARIMA dari data pengamatan
ruang keadaan yang mewakili proses
: jumlah variable bebas pada data
ARIMA terbaik dari data. Selanjutnya
pengamatan
mengestimasi nilai awal parameter yang
belum diketahui dari fungsi yang telah
Vektor dan harus mengikuti asumsi
dibentuk. Lalu melakukan pemfilteran dari
white noise dengan :
data curah hujan dengan output parameter
, untuk =
( )= dari hasil fungsi yang telah diestimasi.
0, lainnya
Menghitung nilai residual, membuat plot
Dimana merupakan matriks berukuran
hasil filtering dan plot normalitas residual.
( ).
Melakukan prediksi curah hujan dari data
, untuk =
( )= yang telah difilter kemudian mencari batas
0, lainnya
atas dan bawah hasil prediksi.
Dimana R adalah matriks berukuran
Langkah kelima membandingan hasil
( ).
peramalan antara metode BMA dengan
Vektor noise dan diasumsikan
Kalman Filter melalui Mean Squared Error
tidak berkorelasi dengan semua lag sehingga
(MSE). Maka dapat diperoleh metode
untuk semua dan nilai ( ) = 0.
peramalan yang lebih akurat.
Metode Pembahasan
Pada penelitian ini data curah hujan Pada penelitian ini akan dilakukan
yang digunakan merupakan data curah peramalan dengan membandingkan data asli
hujan dari tahun 2003-2013 untuk wilayah dengan data hasil peramalan. Metode
Kecamatan Gunungpati Kota Semarang, peramalan yang akan dibandingkan ialah
yang diambil langsung dari Badan metode Bayesian Model Averaging dan
Meteorologi Klimatologi dan Geofisika metode Kalman Filter. Untuk mengolah
Provinsi Jawa Tengah. Langkah langkah data tersebut maka progam yang digunakan
analisis yang akan dilakukan pada untuk mempermudah pengerjaan ada dua
penelitian ini sebagai berikut: Pertama yakni dengan progam R dan minitab. Data
membuat model ARIMA dari data
79
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

curah hujan yang digunakan adalah data Sedangkan model ARIMA (0,0,1)(1,0,0)12
curah hujan untuk Kecamatan Gunung Pati akan digunakan untuk meramalkan dengan
Kota Semarang periode 2003 2013 yang metode Kalman Filter karena pada model
diambil dari Badan Meteorologi Klimatologi tersebut memiliki AIC yang paling besar.
dan Geofisika (BMKG) Kota Semarang. Peramalan dengan metode Bayesian
Model Averaging adalah salah satu metode
kalibrasi dimana metode ini dilakukan
untuk memperbaiki peramalan ensemble
yang mempunyai sifat underdispersive (nilai
varian terlalu rendah) ataupun overdispersive
(nilai varian terlalu tinggi) sehingga
membuat hasil peramalan tidak dapat
menangkap data observasi.
Peramalan ensemble tiruan yang
(a) dilakukan dalam penelitian ini dilakukan
dengan cara memperbarui data dengan
model peramalan dari hari ke hari namun
dalam penelitian ini dilakukan dari satu
bulan ke bulan lain, jadi tidak langsung
untuk beberapa bulan ke depan. Dengan
memperbarui dari satu bulan ke bulan lain
maka dimulai dari peramalan untuk bulan
Januari 2013 diperoleh dengan memodelkan
data in-sample (Januari 2003 Desember
(b) 2012) dengan model ARIMA
Gambar 1. (a) Plot ACF dan (b) Plot PCAF (1,0,0)(1,0,0)12. Dengan memperbarui data
data curah hujan bulanan in-sample (mengurangi satu data terlama dan
menambahkan satu data terbaru) menjadi
Dari Gambar 1 plot ACF dan PCAF Februari 2003 Januari 2013 dan dengan
dapat dilihat kemungkinan data observasi model ARIMA (1,0,0)(1,0,0)12 , akan
telah stasioner sehingga tidak perlu untuk diperoleh hasil peramalan untuk Februari
ditransormasi ataupun dideferinsikan. 2013. Pembaruan data in-sample ini
dilakukan terus menerus hingga didapatkan
Augmented Dickey-Fuller Test peramalan untuk bulan Desember 2013.
data: curahhujan
Dickey-Fuller = -6.4912,
Selain itu, langkah ini juga dilakukan
Lag order = 4, p-value = 0.01 terhadap 3 model lainnya (ARIMA
alternative hypothesis: stationary (1,0,0)(0,0,1)12, ARIMA (0,0,1)(0,0,1)12, dan
ARIMA(0,0,2)(1,0,0)12).
berdasarkan uji augmentasi dickey fuller Setelah didapatkan 4 buah
diatas p-value< 5%, ini menunjukkan data peramalan ensemble untuk masing-masing
observasi telah stasioner. model, dapat diperoleh nilai dan 2
Berdasarkan Tabel 1 dari enam (perbulan) dari keempat model peramalan
model yang dibuat hanya empat model saja ensemble tiruan tersebut. Berdasarkan
yang ternyata dapat digunakan untuk penelitian sebelumnya oleh sloughter dkk
peramalan dengan metode Bayesian Model (2010), data dari masing masing ensemble
Averaging, yakni ARIMA (0,0,1) (1,0,0)12, mengikuti distribusi gamma. Sehingga
ARIMA (1,0,0) (0,0,1)12, ARIMA (1,0,0) parameter gamma ( dan ) akan diestimasi
(1,0,0)12 dan ARIMA (0,0,2) (1,0,0)12 karena dari dan 2 yang telah ditemukan
memenuhi white noise dan residual normal. sebelumnya.

80
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

Tabel 1. Evaluasi Model Arima Yang Digunakan


Model M1 M2 M3 M4 M5 M6
(0,0,1) (1,0,0) (1,0,0) (1,0,1) (0,0,2) (2,0,0)
Arima
(1,0,0)12 (0,0,1)12 (1,0,0)12 (1,0,0)12 (1,0,0)12 (1,0,0)12
1 - 0,7197 0,6723 0,7471 - 0,5904
P-value - 0,000 0,000 0,000 - 0,000
2 - - - - - 0,1162
P-value - - - - - 0,2111
1 0,4458 - - 0,1419 0,4983 -
P-value 0,000 - - 0,2440 0,000 -
2 - - - - 0,2933 -
P-value - - - - 0,0006 -
12 0,5889 - 0,3848 0,3940 0,5230 0,3958
P-value 0,000 - 0,0002 0,0001 0,000 0,0001
12 - 0,3367 - - - -
P-value - 0,004 - - - -
AIC 1586,79 1568,25 1566,34 1567,03 1577,57 1566,77
White Tidak Tidak
Memenuhi Memenuhi Memenuhi Memenuhi
noise memenuhi Memenuhi
Residual
Memenuhi Memenuhi Memenuhi Memenuhi Memenuhi Memenuhi
Normal

pendekatan Expectation Maximization.


Tabel 2. Hasil Peramalan Dengan Ensemble Selain itu akan digunakan beragam nilai m
Tiruan (window training) antara lain 3, 6, dan 9.
Bulan Observasi Lower Upper Penggunaan nilai m yang berbeda akan
Januari 414 337 370 menyebabkan perbedaan waktu yang dapat
Februari 222 155 202 diramalkan. Untuk peramalan menggunakan
Maret lead ke-1, waktu pertama yang dapat
363 189 213
April diramalkan dimulai dari satu waktu setelah m.
221 257 288
Selain itu, penggunaan nilai m yang berbeda
Mei 301 143 198 juga akan menyebabkan hasil peramalan yang
Juni 206 210 263 berbeda pula.
Juli* 131 114 158 Setelah menentukan ukuran m yang
Agustus 22 108 148 digunakan, langkah berikutnya adalah
September 22 64 72 mendapatkan nilai b0 dan b1. Pada dasarnya
Oktober 111 116 163 b0 dan b1 digunakan untuk menghilangkan
November 346 221 251 bias dari peramalan ensemble, dimana proses
Desember* 254 248 297 ini bertujuan untuk menggeser nilai
peramalan ensemble tiruan agar dapat
Berdasarkan Tabel 2 dapat diketahui mendekati nilai observasi melalui prosedur
bahwa hanya dua dari dua belas hasil regresi. Nilai b0 dan b1 dapat diperoleh
peramalan ensemble tiruan yang dapat dengan cara meregresikan peramalan ensemble
menangkap data observasi, hal ini karena terhadap observasi dengan jumlah data yang
nilai varian ensemble tiruan yang besar. digunakan sebanyak m data sebelum tanggal
Sehingga hal ini mengindikasikan bahwa hasil peramalan. Sebagai ilustrasi , misalkan akan
peramalan ensemble tiruan umumnya bersifat dikalibrasi peramalan ensemble pada bulan
overdispersive. Karena peramalan untuk bulan Desember 2013 dengan m = 3, maka data
Januari Desember 2013 dengan yang digunakan adalah data mulai September
menggunakan ensemble tiruan bersifat 2013 November 2013. Melalui proses regresi
overdispersive dan masih memberikan hasil ini akan diperoleh koefisien regresi b0 = -129
yang kurang baik, maka hasil peramalan dan b1 = 1,96 . Koreksi bias didapat melalui
ensembel tiruan perlu dikalibrasi. Metode rumusan = + , dimana fk
kalibrasi yang digunakan dalam penelitian ini merupakan peramalan ensemble untuk tiap
adalah metode Bayesian Model Averaging model pada bulan Desember 2013, maka akan
dimana parameter parameternya (varians diperoleh 1= 212,362 ; 2=196,0322
dan bobot ) akan diestimasi dengan ;3=194,479 ; dan 4=212,5073.
81
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

Nilai varian dan weight diestimasi Berdasarkan Tabel 4 dapat diketahui


dengan pendekatan EM. Dari pendekatan hasil peramalan dengan menggunakan BMA-
EM ini akan diperoleh koefisien c0 = 1,09 dan EM akan lebih mendekati nilai observasi
c1= 1,E-05 , dengan standar deviasi = + daripada hasil peramalan dengan metode
. Selanjutnya didapatkan 1= 1,094055 ; ensemble tiruan, selain itu hasil interval
2=1,093595 ; 3=1,093552 ; dan peramalannya juga padat. Hal ini ditunjukkan
4=1,094059. Serta nilai bobot untuk masing- oleh nilai CRPS metode kalibrasi BMA-EM
masing model adalah w1= 5,16E-04 ; w2 = yang lebih kecil dari pada ensemble tiruan.
9,93E-04 ; w3 = 1,63E-03 ; dan w4 = 6,27E-04. Sedangkan untuk menggunakan m dapat
Semakin besar bobot dari model itu semakin diketahui bahwa peramalan terbaik
tinggi tingkat kontribusi peramalan ensemble menggunakan m=3 dikarenakan akan
terhadap hasil peramalan terkalibrasi. menghasilkan nilai CRPS yang optimum /
Karena peramalan ensemble untuk terkecil dibandingan dengan nilai m lainnya.
kecepatan angin mengikuti distribusi gamma, Sehingga hasil prediksi untuk curah hujan
pmaka parameter gamma diestimasi dari k Kota Semarang pada bulan Desember 2013
dan 2k yang telah ditentukan sebelumnya. sebesar 203 mm.
Dan diperoleh 1= 37676,97019 , 1=
Tabel 4. Evaluasi Hasil Peramalan
0,00563; 2= 32132,31016 , 2= 0,00610; CRPS m=3 m=6 m=9
3=31627,8147 , 3=0,006149 ; dan 4 = Ensemble 0,500301 0,500301 0,500301
37728,1867 , 4= 0,005632. Tiruan
BMA 0,500506 0,500354 0,500164
Tabel 3. Parameter Distribusi untuk Bulan
Desember 2013 Persamaan Kalman Filter dibuat
Bobot (w) m=3 m=6 m=9 berdasarkan model terbaik ARIMA
M1 5,16,E-04 7,72,E-04 6,06,E-04 (0,0,0)(0,1,1)12 yang direpresentasikan dalam
M2 9,93,E-04 1,24,E-03 1,13,E-03 bentuk ruang keadaan (state space) sehingga
M3 1,63,E-03 1,02,E-03 8,28,E-04 didapat persamaan Kalman Filter sebagai
M5 6,27,E-04 9,00,E-04 1,37,E-03 berikut
-
203,8453 220,9399 205,74
terkalibrasi
2-
1,196432 2,049806 2,609
terkalibrasi

Berdasarkan Tabel 3 dapat diketahui bahwa


hasil peramalan terkalibrasi terbaik untuk
Bulan Desember 2013 adalah menggunakan
m=6, dikarenakan hasil peramalan
terkalibrasi memiliki bias paling kecil karena
nilai meannya mendekati observasi yaitu
220,9399 serta memiliki bobot w yang
mendekati nilai bobot terbaik 1 yaitu bernilai Gambar 2. Persamaan State space Kalman Filter
1,02,E-03.
Evaluasi hasil peramalan antara kedua Dan untuk persamaan observasinya seperti
metode yang digunakan ini dilakukan dengan berikut:
menggunakan Continous Ranked Probability = [1 0 0 0 0 0 0 0 0 0 0 1 0 1]
Score (CRPS), dimana prosedur dasarnya +
adalah membandingkan distribusi hasil Hasil peramalan curah hujan Kota Semarang
peramalan dengan pengamatan, yang untuk wilayah Kecamatan Gunung Pati
keduanya direpresentasikan. Sebagai fungsi tahun 2013 ditunjukkan pada Tabel 5 sebagai
distribusi kumulatif (cdf). berikut

82
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

Tabel 5. Hasil Peramalan Kalman Filter training set (m) yang akan digunakan.
Tahun 2013 Sedangkan Peramalan dengan metode
Peramalan Kalman Filter menunjukan bahwa nilai
Batas Batas
Bulan Curah Hujan
Atas Bawah observasi dapat masuk dalam rentang selang
(mm)
Januari 429 274 584 hasil peramalannya karena memiliki interval
Februari 241 76 407 yang cukup besar.
Maret 254 78 429 Setelah diuji dengan MSE ternyata
April 168 -17 352 peramalan dengan menggunakan metode
Mei 98 -95 291 Bayesian Model Averaging lebih akurat
Juni 16 -186 217
Juli -3 -213 206 daripada menggunakan metode Kalman Filter
Agustus -4 -221 212 karena metode Bayesian Model Averaging
September 52 -171 276 memiliki error lebih sedikit dibandingkan
Oktober 139 -92 369 dengan metode Kalman Filter, namun
November 300 63 537
Desember 360 117 703
peramalan dengan Kalman Filter mempunyai
keunggulan dapat menangkap lebih banyak
data observasi karena memiliki interval yang
Perbandingan antara kedua metode
lebih panjang daripada metode Bayesian
peramalan ini bertujuan untuk mengetahui
Model Averaging.
metode mana yang terbaik dalam
menyelesaikan kasus penelitian ini. Setelah
DAFTAR PUSTAKA
dilakukan peramalan untuk bulan Januari
Desember 2013 maka kedua metode tersebut
Box,George E.P., Jenkins,Gwilym M.,
akan menggunakan MSE untuk
Reinsel, Gregory C. 2008. Time Series
membandingkan metode mana yang
Analysis: Forecasting and Control, 4th
merupakan metode terbaik.
Edition. NJ.USA.
Tabel 6. Hasil Perbandiangan Metode BMA-
Brockwell,P.J. and Davis, R.A. 1991. Time
EM Dan Kalman Filter
Series :Theory and Methods. Second
BMA Kalman
Bulan Obs Edition. Springer-Verlag, Inc. New
m=3 m=6 m=9 Filter
York.
Januari 414 340 337 328 429
Februari Erna, A., Sanjoyo, A., dan Dieky, A. 2011.
222 374 192 182 241
The Ground Water Pollution
Maret 363 247 233 207 254 Estimation by The Ensemble Kalman
April 221 198 206 221 168 Filter. Canadian Journal on Science and
Mei 301 291 297 197 98 Engineering Mathematics, Vol 2 No. 2.
Juni 206 247 225 202 16
Juli 131 321 183 151 -3
LAPAN.(2009).DampakPerubahan
Agustus
Iklim.(http://iklim.dirgantara-
22 167 188 170 -4
lapan.or.id.id/index.php?option=com_
September 22 -8 81 104 52 content&view=article&id=60&Itemid=
Oktober 111 87 119 143 139 37, diaksespada 9 September 2014).
November 346 197 259 263 300
Desember 254 204 221 206 360
Hamilton, J.D. 1994. Time Series Analysis.
Princeton University Press. New Jersey.
Dengan menggunakan MSE didapat hasil Makridakis,Spyrosdkk. 1999. Metode dan
peramalan metode BMA untuk m=3 sebesar
Aplikasi Peramalan edisi kedua. Jakarta:
10627, m=6 sebesar 5571 , m=9 sebesar 6974
Erlangga
sedangkan untuk metode Kalman Filter
MSEnya sebesar 10521.
McLachlan, G. J. and D. Peel (2000). Finite
Simpulan Mixture Models. New York: Wiley.
Dari pembahasan dapat disimpulkan
bahwa hasil peramalan dengan menggunakan Meinhold, R.J. and Singpurwala, N. D. 1983.
metode Bayesian Model Averaging sangat Understanding The Kalman Filter. The
bervariasi karena tergantung dari banyaknya American Statistician. Volume 37 No. 2 :
model arima yang digunakan serta penentuan
83
N. Artanto & A. Agoestanto / UNNES Journal of Mathematics 4 (1) (2015)

123 127. American Statistical Zhu, Yuejian.2005. Ensemble Forecast: A New


Association. Approach To Uncertainty And
Predictability. Advance In Atmosphere
Petris, G. 2010. An R Package for Dynamic Science,Vol 22,No 6. Hal 781-788
Linear Models. Journal of Statistical
Software. Volume 36 Issue 12. American
Statistical Association. USA.

Petris,G. and Petrone, S. 2011. State Space


Models in R. Journal of Statistical
Software. Volume 41 Issue 4. American
Statistical Association. USA.

Raftery,Adrian E.2003. Using Bayesian Model


Averaging to Calibrate Forecast
Ensembles. Jurnal of Statistic Department.
University of Washington, Seattle,
Washington

Raftery, A.F., Gneiting, T., Balabdaoui, F.,


dan Polakowski, M. (2005). Using
Bayesian Model to Calibrate Forecast
Ensembles. Monthly Weather Review, Vol
133. Hal 1155-1173.

Sloughter, M.J., Gneiting, T., dan Raftery,


A.E. (2010). Probabilistic Wind Speed
Forecasting Using Ensembles and
Bayesian Model Averaging. Journal of the
American Statistical Association. Vol 105,
No 489. Hal 25-34.

Supranto, J.2000. Statistika Teori dan Aplikasi.


Jakarta : Erlangga.

Tresnawati, R. dan Komalasari, K.E. 2011.


Skenario Tenggang Waktu SST Nino
3.4 Terhadap Curah Hujan untuk
Meningkatkan Akurasi Prediksi Kalman
Filter. Jurnal Meteorologi dan Geofisika.
Volume 12 No. 3 : 243 251. Puslitbang
BMKG. Jakarta.

Wei, W.W.S. 2006. Time Series Analysis


Univariate and Multivariate Methods.
Second Edition. Pearson Education, Inc.
US.

Welch, G. and Bishop, G. 2001. An Introduction


to the Kalman Filter. ACM Inc.
Wu, C. F. J. (1983). On The Convergence
Properties of The EM Algorithm. Annals of
Statistic 11, 95-103.

84