MAKALAH FISIKA KOMPUTASI II

PEMODELAN DATA CURAH HUJAN DENGAN BANDINGAN METODE ARIMA

DAN RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) MENGGUNAKAN
METODE REGRESI

DOSEN PENGAMPU :
IKLAS SANUBARY, M. Si

DISUSUN OLEH :
ALFIARANI MEDINA (H1021161040)
FAISAL (H1021161029)
MAYANA (H1021161056)

JURUSAN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TANJUNGPURA
PONTIANAK
2018
 BAB I

PENDAHULUAN

1.1 LATAR BELAKANG

Salah satu komponen lingkungan penentu keberhasilan usaha budidaya tanaman adalah
iklim. Salah satu indikator iklim adalah curah hujan. Curah hujan didefinisikan sebagai jumlah
air yang jatuh di permukaan tanah datar selama periode tertentu yang diukur dengan satuan
tinggi (mm) di atas permukaan horizontal bila tidak terjadi evaporasi, limpasan, dan infiltrasi.

Mengingat pentingnya peranan curah hujan dalam penentuan musim tanam untuk mencapai
hasil yang maksimal, perlu dilakukan prediksi curah hujan di masa yang akan datang.
Puslitbang Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) menjelaskan bahwa
BMKG melakukan peramalan curah hujan dengan menggunakan metode Ensemble Mean dan
Ensemble Bayesian Model Averaging (BMA).

Dalam penelitian ini dinggunakan metode ARIMA dan RBFNN untuk memodelkan
curah hujan. Model ARIMA digu-nakan untuk pendekatan linier terhadap data curah hujan.
Model RBFNN digunakan untuk pendekatan non linier. Metode-metode tersebut tidak lain
adalah sebagai bandingan dari jurnah untuk pembuatan makalah ini. Adapun metode yang
sebenarnya dan di praktekan dalam penyelesaian tugan Fisika Komputasi II menggunakan data
sekunder adalah dengan metode regresi non-linier menggunakan matlab.

1.2 RUMUSAN MASALAH

Bagaimana hasil data pendekatan curah hujan yang diperoleh dengan metode non-linier
melalui fungsi sinusoidal ?

1.3 BATASAN MASALAH

Hasil yang diperoleh dari data-data non-linier tentang curah hujan.

1.4 TUJUAN

Mengetahuai dan membuat script dengan matlab dengan data sekunder pada penelitian
curah hujan melalui pendekatan metode regresi non-linier.

1.5 MANFAAT
 Dapat mengetahui proses dan alur pada penggunaan matlab dengan data non linier
curah hujan.
 BAB II

TINJAUAN PUSTAKA

2.1 CURAH HUJAN

Curah hujan didefinisikan sebagai jumlah air yang jatuh di permukaan tanah datar
selama periode tertentu yang diukur dengan satuan tinggi (mm) di atas permukaan horizontal
bila tidak terjadi evaporasi, limpasan, dan infiltrasi. Curah hujan satu millimeter (1 mm),
artinya dalam luasan satu meter persegi pada tempat yang datar tertampung air setinggi satu
millimeter. Jumlah curah hujan sangat penting dalam menentukan hasil budidaya tanaman.
Peningkatan curah hujan di suatu daerah menimbulkan potensi banjir. Sebaliknya, bila terjadi
penurunan curah hujan di suatu daerah, akan mengakibatkan kekeringan (Anwar, 2015).

2.2 MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

Model ARIMA merupakan penggabungan antara model Autoregressive (AR) dan

Moving Average (MA) serta proses differencing (orde d untuk data non musiman, orde D untuk
data musiman) terhadap data time series. Secara umum, model ARIMA (p, d, q) dapat ditulis
sebagai berikut (Wei,2006) :

Φp (Bs) ϕp ( B ) (1 − B)b (1 − B)D Zt = ϴq(B) ΘQ(B) ɑt,............. (1), dengan :

(p, d, q) : orde AR (p), orde differencing (d), orde MA (q) untuk data non musiman.

ϕp(𝐵) : komponen AR non musiman dengan orde (p)

Φp(𝐵) : komponen AR musiman dengan orde (P)

ϴq(𝐵) : komponen MA non musiman dengan orde (q)

ΘQ(𝐵) : komponen MA musiman dengan orde (Q)

(1 − 𝐵)b : differencing non musiman dengan orde (d)

(1 − 𝐵)D : differencing musiman dengan orde (D)

Zt : besarnya pengamatan (kejadian) pada waktu ke t

ɑt : nilai residual pada saat t

 Metode ARIMA (Autoregressive Integrated Moving Average) merupakan salah satu
metode pemodelan data deret berkala secara linier untuk peramalan. Metode ARIMA
mengasumsikan nilai residual white noise dan berdistribusi normal. Pada kenyataannya, terjadi
kondisi cuaca ekstrim di Banyuwangi. Pemodelan data yang mengandung nilai ekstrim dengan
menggunakan model ARIMA menye-babkan nilai residual tidak berdistribusi normal dan tidak
white noise.

2.3 STASIONER

Jika time series plot berfluktuasi di sekitar garis yang sejajar sumbu waktu t maka dapat
dikatakan bahwa deret waktu sudah stasioner dalam mean, jika kondisi stasioner dalam mean
tidak terpenuhi maka perlu dilakukan differencing terhadap data. Suatu data telah memenuhi
syarat stasioner dalam varians jika nilai rounded value (λ) sudah bernilai 1, atau nilai batas
lower dan upper-nya telah melewati 1. Jika syarat stasioner dalam varians belum terpenuhi
maka perlu dilakukan transformasi. Transformasi yang diperkenalkan dalam buku Wei (2006)
adalah transformasi Box-Cox, dengan rumus (Wei,2006) :

(Zt) = [ Zt −1 ]/ λ ................................. (2)

2.4 AUTOCORRELATION FUNCTION (ACF) DAN PARTIAL AUTOCORRELATION

(PACF)

ACF merupakan suatu koefisien yang menunjukkan hubungan linier pada data time
series antara Zt dengan Zt-k. Korelasi antara {Zt} dengan {Zt-k}adalah sebagai berikut
(Wei,2006) :

ρK = C( Zt.Zt-k ) √Vɑr( Zt ) √Vɑr( Zt-k ) .................. (3)

PACF berfungsi untuk mengukur tingkat keeratan hubungan (korelasi) antara pasangan data Zt
dan Zt-k setelah pengaruh variabel Zt-1,t-2 ,…, Zt-k+1 dihilangkan. Fungsi parsial autokorelasi
antara Zt dan Zt-k bernilai sama dengan autokorelasi antara Zt − Z ̂t dan Zt-k − Z ̂t-k, sehingga
fungsi autokorelasi parsial dapat dihitung dengan rumus sebagai berikut (Wei,2006) :

Pk = C[(Zt−Z ̂t),(Zt-k−Z ̂t-k)]/[√Vɑr(Zt−Z ̂t)√Vɑr(Zt-k−Z ̂t-k)] ................ (4)

dengan:

Z ̂t = β1 𝑍t-1 + β2 Zt-2 + ⋯+ βk Zt-k

Z ̂t-k = α1 Zt-k-1 + α2 𝑍t-k-2 + ⋯+ αk Z1

2.5 ESTIMASI PARAMETER

Salah satu metode estimasi parameter adalah metode Least Square Estimation, yaitu
dengan cara meminimumkan jumlah kuadrat residual. Untuk model AR(1) dinyatakan dalam
rumus berikut (Cryer,2008) :

(ϕ,µ) = ∑t=2 [(Zt − µ) − ϕ(Zt-1 − µ)]2 ................. (5)

Taksiran parameter untuk 𝜇 dan 𝜙 ̂ dari model AR(1) sebagai persamaan berikut :

µ =[Z −
̅ ϕZ ̅ ]/[1−ϕ]=[Z ̅(1−ϕ)]/ [1−ϕ]= Z................... (6)

ϕ ̂ = [∑t=2 (Zt−Z ̅)(Zt-1−Z ̅)]/[∑t=2 (Zt-1−Z ̅)2]......................(7)

2.6 PENGUJIAN SIGNIFIKANSI PARAMETER

Pengujian hipotesis dilakukan dengan menggunakan uji t. Misalkan yang diuji adalah
parameter MA yaitu ϴ, maka hipotesis yang diuji adalah sebagai berikut :

H0: ϴi = 0 (parameter tidak signifikan terhadap model) untuk i = 1, 2, .... , q

H1: ϴi ≠ 0 (parameter sudah signifikan terhadap model)

Statistik uji (Bowerman,1993) :

thitung =ϴ ̂ / Sϴ ̂ ....................(8)

dengan ϴ ̂ merupakan nilai estimasi dari ϴ dan Sϴ ̂ adalah standar error dari nilai taksiran ϴ ̂.
Tolak H0 jika |𝑡hitung| > tα/2df= n-p dengan p adalah banyaknya parameter, atau tolak H0 jika Pvalue
< α, dengan α adalah taraf signifikansi.
2.7 UJI LINIERITAS

Uji linieritas dapat dilakukan Uji Terasvirta. Prosedur pengujian Uji Terasvirta adalah
dengan meregresikan Zt pada 1, Zt-k , k=1,2, … ,p, sehingga diperoleh model linear (Subanar
& Suhartono, 2000) :

Zt = ϕ1 Zt-1 + ϕ2 Zt-2 + …+ ϕp Zt-p + et.....................(9)

kemudian menghitung menghitung jumlah kuadrat nilai residual yaitu SSR0 = ∑et 2.
Selanjutnya, meregresikan et pada 1, Zt-1 , Zt-2 , …, Zt-p , dan m prediktor tambahan yang
merupakan hasil pendekatan ekspansi Taylor, dan kemudian menghitung jumlah kuadrat nilai
residual SSR1 = ∑vt2. Langkah terakhir adalah menghitung nilai statistik uji sebagai berikut:

Fhit = [(SSR0−SSR1)/m]/ [SSR1/(n−p−1−m)]...................(10)

dengan n adalah jumlah pengamatan.Test dilakukan dengan menguji hipotesis :

H0 : Model linier

H0 : Model nonlinier

H0 ditolak jika Fhit > F(k-1,n-k)

2.8 RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN)

Radial Basis Function Neural Network (RBFNN) merupakan salah satu metode
jaringan saraf tiruan yang terdiri dari lapisan input, lapisan hidden, dan lapisan ouput. Jaringan
RBFNN menge-luarkan nilai berupa persamaan linier pada lapisan ouput.

Perbandingan hasil analisis dengan metode ARIMA dan RBFNN telah dibahas dalam
peramalan jumlah wisatawan di Indonesia (Haviluddin & Jawahir, 2015). Dikatakan bahwa
hasil peramalan data wisatawan di Indonesia dengan RBFNN menghasilkan nilai mean square
error (MSE) yang lebih kecil dibanding dengan metode ARIMA. Berdasarkan hasil tersebut,
Haviluddin dan Jawahir merekomendasikan metode RBFNN sebagai salah satu metode
alternatif untuk peramalan. Metode RBFNN juga pernah digunakan dalam peramalan curah
hujan di Liuzhou, China (Wu, J,2012). Wu dkk menggunakan RBFNN karena dapat
memperkirakan fungsi kontinu dengan ketepatan yang diinginkan. Dalam peramalan harga
saham, metode RBFNN juga pernah digunakan dengan alasan pergerakan harga saham
merupakan pola nonlinier dan dipengaruhi oleh banyak faktor (Shen, W, 2010).

Jaringan saraf tiruan atau Neural Network (NN) adalah sistem pemrosesan informasi
yang memiliki karakteristik mirip jaringan saraf biologi. (Fausett, L, 1994). Jaringan saraf
tiruan RBF memiliki 3 layer, yaitu input layer, hidden layer, dan ouput layer. Ouput
dirumuskan sebagai berikut:

y ̂ = ∑j=1 wj hj (x) = 1.......................(11)

Dimana fungsi aktivasi dengan RBF (Gaussian) dinyatakan sebagai berikut:

hj (x) = exp((−‖x−cj‖2 / ϭj 2)).....................(12)

Dimana:

cj = vektor Center pada node ke-j

ϭj = standar deviasi pada node ke-j

x = vektor input

2.9 PEMILIHAN MODEL TERBAIK

Kriteria pemilihan model terbaik adalah nilai Mean Square Error (MSE) dan nilai Mean
Absolute Error (MAE), dengan rumus sebagai berikut (Wei,2006) :

MSE = 1/n ∑t=1 (Zt − Z ̂t)2 ..........................(13)

MAE = 1/n ∑t=1 |Zt − Z ̂t| ............................(14)

Model yang paling baik adalah model yang menghasilkan nilai MSE dan MAE terkecil.
2.10 REGRESI NON-LINIER

Analisis regresi merupakan metode dalam statistika yang digunakan untuk mengetahui
pola antara variabel bebas dan variabel terikat. Menurut analisis hubungannya (Hasan, 2000).

Analisis regresi terbagi atas analisis regresi linier dan analisis regresi non linier. Suatu
model disebut model regresi nonlinier apabila ada variabel-variabelnya ada yang berpangkat.
Contoh permodelan regresi non linier adalah gerak parabola, kuadratik, hiperbola, dan lain-lain
(Hasan, 2000).
 BAB III

METODOLOGI

Pengerjaan makalah dilaksanakan di Fakultas Mipa Universitas Tanjungpura yang

proses pendataannya sendiri menggunakan software MATLAB untuk menentukan
ketidaklinieran suatu data.

3.1 DIAGRAM ALIR

Mulai

Input data:
Waktu (X)
Nilai Curah Hujan (Y)

Data diproses menggunakan

formula program data regresi
non linier fungsi sinusoidal.
Plot Grafik

Grafik
Non - Linier

Selesai
 BAB IV
HASIL DAN PEMBAHASAN
Curah hujan merupakan jumlah air yang jatuh di permukaan tanah datar selama periode
tertentu yang diukur dengan satuan tinggi (mm) di atas permukaan horizontal bila tidak terjadi
evaporasi, runoff dan infiltrasi. Jadi, jumlah curah hujan yang diukur, sebenarnya adalah
tebalnya atau tingginya permukaan air hujan yang menutupi suatu daerah luasan di permukaan
bumi/tanah. Satuan curah hujan yang umumnya dipakai oleh BMKG adalah milimeter (mm).
Curah hujan 1 (satu) milimeter, artinya dalam luasan satu meter persegi pada tempat yang datar
tertampung air setinggi 1 (satu) milimeter atau tertampung air sebanyak 1 (satu) literatau 1000
ml.

Dari kedua metode yang digunakan, diketahui bahwa nilai MSE dan MAE model
RBFNN lebih kecil dibandingkan model ARIMA, maka model yang digunakan untuk
melakukan peramalan adalah RBFNN. Model ini menjelaskan bahwa jumlah curah hujan pada
periode 2016 dipengaruhi oleh jumlah curah hujan pada empat periode sebelumnya berturut-
turut, dan kesalahan peramalan pada 15 periode sebelumnya. Model Radial Basis Function
(RBFNN) yang optimum adalah dengan 6 neuron pada input, 3 neuron pada lapisan
tersembunyi, dan 1 neuron pada lapisan output. Berdasarkan perbandingan MSE dan RMSE
dari model ARIMA dan RBFNN, dapat dikatakan bahwa pada kasus pemodelan curah hujan
pada tahun 2011-2015, metode RBFNN lebih baik dari pada ARIMA. Akan tetapi, berdasarkan
nilai Mean Absolute Error (MAE), metode ARIMA lebih baik dibandingkan RBFNN.
Selanjutnya sebaiknya digunakan metode imputasi lain seperti fungsi transfer atau regresi.
Agar lebih sensitif menangkap perubahan musim dan fenomena alam yang berpengaruh atau
memberi interfensi pada data curah hujan.

Dalam menentukan ketidaklinieran pada data sekunder yang dikaji maka digunakan
MATLAB sebagai sarana pengerjaannya. Metode yang digunakan untuk mendapatkan hasil
hubungan antara waktu dan nilai curah hujan ialah menggunakan regresi non-linier dengan
fungsi sinusoidal, dimana waktu sebagai variabel x, dan nilai curah hujan sebagai variabel y.
Setelah merumuskan program di dalam MATLAB akan ditentukan dA yang tujuannya untuk
mendapatkan hasil dari 𝑎0 - 𝑏8 . Ketika sudah didapat nilai 𝑎0 - 𝑏8 , maka nilai fx dan A dapat
diperoleh serta grafik pendekatan non-linier dari data yang digunakan dapat muncul di
MATLAB.
 Nilai Curah Hujan

Gambar 1. Grafik data regresi

non - linier
Waktu

Setelah diplotkan, maka akan muncul grafik dimana untuk garis yang berwarna biru
sebagai nilai x dan y-nya, dan garis yang merah sebagai posisi pendekatannya terhadap data
yang ditunjukan oleh gambar. Grafik pendekatannya sendiri mengikuti grafik mula-mulanya
namun tidak sama karena memiliki nilai RMSE-nya yang didapat sebesar 0,3054. Posisi
pendekatan yang optimal ketika nilai 𝑎0 - 𝑏8 berturut – turut bernilai 1. Nilai iterasi yang
dipakai pun mencapai angka 10.
 BAB V

PENUTUP

5.1 KESIMPULAN DAN SARAN

Dari hasil analisis data tersebut dapat disimpulkan bahwa yang diperoleh dari data
sekunder adalah data non-linier. Dan untuk mendapatkan hasil yang baik hendaknya memilih
data yang tidak singular karena apabila data-data tersebut tidak, maka akan didapatan hasil
yang baik.
 DAFTAR PUSTAKA

Anwar, M., Liu, D., Macadam, I., Kelly, G. 2015. Climate Change Impacts on Phenology adn
Yields of Five Broadacre Cropsat Four Climatologically Distinct. Australia:
Agricultural System , 133-144.

Bowerman, B., & O'Connell. 1993. Forecasting and Time Series: An Applied Approach, 3rd
ed. California: Duxbury Press.

Cryer, J., & Chan, K. 2008. Time Series Analysis with Application in R, 2nd ed. USA: PWS-
Kent Publishing (Duxbury Press).

Fausett, L. 1994. Fundamentals of Neural Networks (Architectures, Algorithms, dan

Applications). Upper Saddle River, New Jersey: Prentice.

Haviluddin & Jawahir, A. 2015. Comparing of ARIMA and RBFNN for Short-Term
Forecasting. International Journal of Advance in Intelligent Informatics Vol 1, No.1 ,
15-22.

Shen, W., Guo, Xiaopen., Wu, C., & Wu, D. 2010. Forecasting Stock Indices Using Radial
Basis Function Neural Networks Optimized by Artificial Fish Swarm Algorithm.
Knowledge-Based System 24 , 378-385.

Subanar & Suhartono. 2000. Uji Linieritas Tipe Lagrange Multiplier dengan Ekspansi Taylor
untuk Deteksi Hubungan Nonlinier Pada Data Time Series. Yogyakarta: Universitas
Gadjah Mada.

Wei, W. 2006. Time Series Analysis Univariate and Multivariate Methods. USA: Addison
Wesley Publishing Company, Inc.

Wu, J., Long, J., & Liu, M. (2012). Envolving RBF Neural Networks for Rainfall Prediction
using hybrid Particle Swarm Optimization and Genetic Algorithm. Neurocomputing
148 , 136142.
 LAMPIRAN

Nilai Curah
Waktu
Hujan

181 54,707

182 56,066

183 59,897

184 63,648

185 63,862

186 61,999

187 60,724

188 62,482

189 65,366

190 66,702

191 66,248

192 65,943

193 67,217

194 70,332

195 73,004

196 74,441

197 76,579

198 81,351

Tabel 1. Tabel Pengamatan

Gambar 1. Script pada Matlab