PERAMALAN CURAH HUJAN DENGAN

METODE ARIMA (Studi kasus : Kabupaten Tabanan

Bali)
Nadia Cikyta Maliangkay, Departemen Matematika, FMK SD, Institut Teknologi Sepuluh Nopember Jl. Arief
Rahman Hakim, Surabaya 60111
E-mail: cikytan@gmail.com
Abstrak—Peramalan jumlah
hasil panen padi suatu daerah
sangat penting dalam kegiatan
perekonomian. Untuk itu tujuan
utama dalam Tugas Akhir ini
adalah untuk pembentukan
model dan memperoleh hasil
peramalan curah hujan satu
periode ke depan dengan studi
kasus di Kabupaten Tabanan
Bali. Metode yang digunakan
dalam Tugas Akhir ini adalah
metode Box Jenkins-SARIMA
sebagai pengembangan dari
metode ARIMA. Metode ini
sesuai dengan situasi yang ada
dimana data yang ada bersifat
musiman. Langkah pertama
yang dilakukan adalah melihat
kestasioneran data. Selanjutnya
identifikasi model dari plot ACF
dan PACF yang menghasilkan
kesalahan ramalan terkecil,
estimasi parameter, dan
diagnosa dengan melihat hasil
residual dan normalitas.
Software yang digunakan untuk
menganalisa data dan
pembentukan model adalah
dengan software Minitab 15 dan
SAS. Hasil analisis
menunjukkan bahwa model
ARIMA adalah model yang
terbaik.
Kata Kunci—ARIMA,
Curah Hujan, Metode Box-
Jenkins, SARIMA
I. PENDAHULUAN
Kegagalan panen
merupakan salah satu
masalah besar yang terjadi
di wilayah lumbung padi
Bali, termasuk kabupaten
Tabanan. Kegagalan panen
ini umumnya disebabkan
oleh kejadian cuaca ekstrim
yang mengacaukan sistem
kalender tanam padi yang
digunakan petani. Kalender
tanam padi sangat
menentukan tingkat
keberhasilan panen. Saat ini
kalender tanam disusun oleh
Dinas Pertanian Kabupaten
Tabanan berdasarkan data
curah hujan bulanan yang
dicatat dan diramalankan
oleh BMKG. Hasil ramalan
curah hujan yang dilakukan
oleh BMKG memiliki
akurasi yang masih rendah
sehingga berpengaruh
terhadap keakuratan
kalender tanam padi.
Penyebab rendahnya akurasi
kalender tanam padi adalah
penggunaan basis data pada
periode waktu yang terlalu
lebar dan penggunaan
metode yang kurang sesuai.
Saat ini BMKG sering kali
menggunakan metode
Autoregressive Integrated
Moving Average(ARIMA)
dalam meramalkan curah
hujan. Metode ARIMA
belum mampu
mengakomodasi adanya data
ekstrim. Oleh karena itu,
diperlukan metode yang
mampu mengakomodasi
adanya data ekstrim. Metode
Seasonal Autoregressive
Integrated Moving Average
(SARIMA) dengan deteksi
outlier berbasis data dasa
harian dapat memprediksi
cuaca ekstrim lebih akurat.
Metode ini mampu
mengakomodasi data curah
hujan yang memiliki
fluktuasi tinggi dan nilai
ekstrim. Hasil penelitian
menunjukkan bahwa model
peramalan memberikan nilai
akurasi yang tinggi karena
nilai Mean Square Error
(MSE)yang dihasilkan lebih
kecil. Beberapa keuntungan
yang dapat diperoleh dengan
menggunakan ARIMA.
Arima merupakan model
tanpa teori karena
variabel yang digunakan
adalah nilai-nilai lampau
dan kesalahan yang
mengikutinya. Arima
memiliki tingkat akurasi
peramalan yang cukup
tinggi karena setelah
mengalami pengukuran
kesalahan peramalan mean
absolute error, nilainya
mendekati nol. Arima cocok
digunakan untuk meramal
sejumlah variabel dengan
cepat, sederhana, akurat dan
murah karena hanya
membutuhkan data variabel
yang akan diramal. Model
ARIMA menggunakan
pendekatan iteratif dalam
indentifikasi terhadap suatu
model yang ada. Model
yang dipilih diuji lagi
dengan data masa lampau
untuk melihat apakah model
tersebut menggambarkan
keadaan data secara akurat
atau tidak. Suatu model
dikatakan sesuai (tepat) jika
residual antara model
dengan titik-titik data
historis bernilai kecil,
terdistribusi secara acak dan
bebas satu sama lainnya.
Pemilihan model terbaik
dapat dilakukan dengan
membandingkan distribusi
koefisien-koefisien
autocorrelation (otokorelasi)
dari data time series tersebut
dengan distribusi teoritis
dari berbagai macam model.
Sebuah model time series
digunakan berdasarkan
asumsi bahwa data time
series yang digunakan harus
stasioner yang artinya rata-
rata variasi dari data yang
dimaksud konstan. Tapi hal
ini tidak banyak ditemui
dalam banyak data time
series yang ada, mayoritas
merupakan data yang tidak
stasioner melainkan
integrated. Data yang
integrated ini harus
mengalami proses random
stasioner yang seringkali tak
dapat dijelaskan dengan baik
oleh autoregressive model
saja atau moving average
model saja dikarenakan
proses tersebut mengandung
keduanya. Oleh karena itu
campuran kedua model yang
disebut autoregressive
integrated moving average
(ARIMA) menjadi lebih
efektif menjelaskan proses
itu.
4.
II. URAIAN (1 − B) d : differencing orde d
PENELITI at
AN t
A. Studi Literatur
Metode Peramalan adalah
cara memperkirakan secara
ANALISA DAN
kuantitatif apa yang akan terjadi
pada masa yang akan datang,PEMBAHASAN 3.1
berdasarkan data yang relevan
pada masa lalu. Metode iniTahap Identifikasi
sangat berguna dalam
mengadakan pendekatan
analisis terhadap perilaku atauperlu dilakukan dalam proses
pola dari data yang lalu,permalan dalam penelitian
sehingga dapat memberikan
cara pemikiran, pengerjaan danini adalah plot data time
pemecahan yang sistematis dan
prakmatis serta memberikan
tingkat keyakinan yang lebih.
Salah satu metode dalam
peramalan yaitu metode Box
Jenkins. Beberapa model dalam
Metode Box-Jenkins yaitu :
A. Model ARIMA (p,d,q)
Autoregressive Integrated
Moving Average (ARIMA)
atau biasa disebut dengan
metode Box-Jenkins. ARIMA
sangat baik ketepatannya
untuk peramalan jangka
pendek, yang tidak
membentuk suatu model
struktural baik itu persamaan
tunggal atau simultan yang
bebasis kepada teori ekonomi
atau logika, namun dengan
menganalisis probabilistik
atau stokastik dari data deret
waktu (time series) dengan
menggunakan nilai masa lalu
dan sekarang dari variabel
dependen untuk
menghasilkan peramalan
jangka pendek yang akurat
dengan mengabaikan
variabel independennya.
Rumus umum model
ARIMA (p,d,q) adalah
sebagai berikut
[5]:
B. d
p (B)(1 − B) Zt = θ q
(B)at
dengan :
← p (B) = (1 − φ1B − ... −
φpBp)
3. q (B) = (1 − θ1B − ... −
θqBq)
← p (B) : AR (p)
q (B) : AR (p)
: nilai residual pada saat
III.
Tahap pertama yang
series yang ditunjukan dalam terhadap mean dapat dilihat belum stasioner sehingga perlu
gambar berikut ini. melalui plot trend analysis dilakukan differencing kembali.
sebagai berikut

Gambar
4.Plotting
Autocorrelation
Gambar 1.Plot time series
curah hujan

Dari gambar diatas Gambar 3. Uji

stasioner terhadap
dapat dilihat bahwa data mean
curah hujan di kabupaten
Dari gambar 3 terlihat
Tabanan Bali dari tahun
bahwa data berfluktuasi namun Gambar 3.2 uji
2012-2016 bukan merupakan
tidak berada disekitar nilai stasioner terhadap
data musiman, selain itu mean
tengah (mean), sehingga pada
gambar juga menunjukan
plot trend analysis yang Setelah melakukan
bahwa data belum stasioner
pertama ini proses differencing sebanyak Gambar 5.Plotting
terhadap varian dan mean, partial Autocorrelation
belum stasioner.Oleh karena itu2 kali maka dapat dilihat
oleh karena itu maka perlu
perlu dilakukan differencing pada gambar 3.2 bahwa data Berdasarkan proses
dilakukan uji stasioner stasioner dan plotting
agar data stasioner terhadapsudah stasioner terhadap ACF
terhadap varian
mean.Berikut adalah hasilmean, sehingga pada tahap
dan PACF maka didaptkan
differencing yang pertama . ini dapat disimpulkan bahwa
kemungkinan model ARIMA
data telah stasioner terhadap
[1, 2,1], [2, 2, 1], [0, 2, 1]
mean dan varians, lalu
untuk meramalkan curah
langkah selanjutnya adalah
hujan di Kabupaten Tabanan
plot ACF dan PACF.
Bali. Hasil estimasi
Setelah proses plot
paramater diperoleh sebagai
Gambar 2. Uji ACF dan PACF maka akan
berikut
stasioner varian diperoleh kemungkinan
model yang dapat digunakan
Gambar 2
untuk meramalkan curah
menunjukan bahwa data
Gambar 3.1 Uji hujan di Kabupaten Tabanan
sudah stasioner terhadap
stasioner terhadap Bali selama 24 bulan
varian, hal ini dapat dilihat mean 2
ketika rounded value bernilai Gambar 3.1mendatang.Berikut adalah

1,00, setelah melakukan uji menunjukan bahwa ploting datahasil plotting ACF dan PACF

stasioner terhadap varian mulai berfluktuasi disekitarpada data yang telah di

maka dilakukan uji stasioner nilai tengah namun masihdifferencing sebanyak 2 kali.

terhadap mean. Stasioner

 Dari gambar 6 paling kecil yaitu 4281110,
3.3 Pemeriksaan diagnostik menunjukan D untuk Uji Nilai MSE ARIMA (2, 2, 1)
1. Uji identik Kolmogorov-Smirnov adalah juga lebih kecil jika
Model ARIMA (1, 2, 1) 0,087 dan nilai p-value dibandingkan ARIMA (1, 2,
dikatakan identik karena > 0,150.Nilai lebih besar 1) dengan nilai MSE
3.2 Tahap penaksiran dan sudah stasioner terhadap dari nilai α = 0,05 sehingga 7920080 Sehingga dari hasil
pengujian dapat disimpulkan bahwa Uji dan Nilai MSE
varian dan mean
Pada tahap ini dilakukan 2.Uji white noise residual dari model ARIMA menunjukan bahwa ARIMA
pengujian
signifikansi (1,2,1) sudah berdistribusi (2, 2, 1) adalah Model yang

parameter model dengan dan normal.Parameter model terbaik untuk meramalkan

menggunakan uji-t. ARIMA (1,2,1) telah terbukti curah hujan di Kabupaten
signifikan dan telah Tabanan Bali dalam kurun
1. Pengujian Gambar 6. Hasil estimasi memenuhi asumsi white waktu 24 bulan mendatang .
Parameter θ1 ARIMA (1,2,1) noise sehingga dapat
3.6 Peramalan
sebagai AR(1) Hipotesa: disimpulkan bahwa model
Hipotesa : H0 : Data white noise ARIMA (1, 2, 1) dapat Dari metode
H0 : estimasi parameter θ1= 0 H1 : Data tidak white noise digunakan untuk meramalkan sebelumnya telah didapat
(parameter tidak signifikan) Taraf signifikan : α=0,05 model terbaik untuk
curah hujan untuk beberapa
H1 : estimasi parameter θ1≠ 0 dapat dilihat bahwa semua nilai
P- Value > α bulan mendatang. meramalkan data curah hujan
(parameter signifikan)
Statistik uji: sehingga H0 ditolak dan yaitu model ARIMA (2, 2,
Diketahui thitung sebesar -7,35 dapat disimpulkan data white 3.5 Overfitting 1).Berikut adalah Hasil
noise pada model ARIMA Uji
peramalan curah hujan di
(1,2,1) MODEL Uji Ljung-
Kabupaten Tabanan bali
Pengambilan Keputusan : Signifikan Box
3.4 Uji Normalitas dalam kurun waktu 24 bulan
Berikut adalah pengujian ARIMA signifikan White
mendatang dengan
sehingga H0 ditolak
pada asumsi kenormalan (0, 2, 1) noise
menggunakan model ARIMA
Maka dapat disimpulkan
bahwa signifikan terhadap residual dengan tingkat ARIMA signifikan (2, 2, 1)
White
model. signifikansi kesalahan (2, 2, 1) noise
sebesar 5% .
2. Pengujian Parameter Tabel 1. Overfitting ARIMA
sebagai MA(1) (p, 2, q)

Hipotesa : Overfitting bertujuan untuk

H0 : estimasi parameter = mendapatakan model lain

yang sesuai pada plotting
0
ACF dan PACF yang
H1 : estimasi parameter ≠
memungkinkan untuk
0
Statistik Uji : dijadikan model terbaik
Diketahui thitung. sebesar dalam meramalkan curah
30,80 Gambar 7.Grafik Residual hujan .Tabel 1 menunjukan
model ARIMA (1, 2, 1)
bahwa terdapat model lainya
Pengambilan Keputusan : yang memenuhi tahap
Hipotesa :
H0 : residual berdistribusi pengujian, namun jika dilihat
maka H0 ditolak normal dari MSE, ARIMA (2, 2, 1)
Kesimpulannya signifikan H1 : residual tak berdistribusi
terhadap model. menunjukan angka yang
normal
IV.KESIMPULAN
Berdasarkan analisis dan pembahasan yang telah dilakukan
sebelumnya, maka dapat disimpulkan bahwa Model terbaik
untuk meramalkan curah hujan di Kabupaten Tabanan Bali
selama 24 bulan mendatang adalah model ARIMA (2, 2, 1)
karena MSE dari ARIMA (2, 2, 1) bernilai paling kecil jika
dibandingkan dengan model lainya yang telah lulus uji.Dari
hasil peramalan diprediksi jumlah produksi padi pada bidang
pertanian akan meningkat pada periode periode berikutnya.

DAFTAR PUSTAKA

[1] Badan Pusat Statistik (BPS), diakses dari

http://wwwbali..bps.go.id/, diakses pada tanggal. 30
November 2017 pukul 19.40 WIB.

[2] Makridakis, Spyros; Steven C. Wheelwright, dan

Victor E. McGee.1999. “Metode dan Aplikasi
Peramalan Edisi Kedua Jilid 1”.
Jakarta: Erlangga.