Kebakaran hutan di Indonesia tidak hanya terjadi pada lahan kering saja,
pada lahan basah seperti lahan/hutan gambut juga dapat terjadi kebakaran
terutama pada musim kemarau dimana lahan basah tersebut mengalami
kekeringan. kebakaran hutan dan lahan di Indonesia umumnya disebabkan oleh
perbuatan manusia yang dibuat secara sengaja atau karena kelalaian yang
mereka perbuat. Akan tetapi ada juga kebakaran hutan dan lahan yang
diakibatkan oleh faktor alam (Adinugroho, Suryadiputra, Saharjo, & Siboro,
2005).
5
II.1.2. Titik Panas / Hotspot
Dapat diartikan sebagai suatu daerah yang memiliki suhu permukaan
relatif lebih tinggi dibandingkan dengan daerah yang ada disekitarnya
berdasarkan ambang batas suhu tertentu terpantau oleh satelit pengindraan jauh
yang ada.
6
sistematis dengan cara yang telah ditentukan untuk mendapatkan estimasi masa
depan (Gor, 2015). Metode forecasting dibagi menjadi dua, yakni forecasting
secara kualitatif dan forecasting secara kuantitatif (Pangestika, 2019).
1. Time Series
Metode time series atau deret waktu merupakan metode forecasting
yang menghubungkan keterkaitan antara variabel dependen (variabel
yang dicari) dengan variabel independen atau variabel yang
mempengaruhinya kemudian dihubungkan dengan waktu, mingguan,
bulan atau tahun. Jadi di dalam metode time series, variabel yang dicari
berupa waktu. Untuk menggunakan metode forecasting ini dapat
menghitungnya menggunakan metode smoothing, metode box jenkins,
atau metode proyeksi trend dengan regresi.
2. Metode Kasual (Sebab Akibat)
7
II.1.3.2. Metode Forecasting Kualitatif
Pola data yang terdapat pada data time series adalah (Kartiasih, 2014):
8
untuk forecasting jangka pendek, sedangkan untuk forecasting jangka panjang
ketepatan forecastingnya kurang baik (Syahrir, 2017).
Penerapan model ARIMA terdiri dari tiga langkah dasar seperti pada Gambar
II.2, yaitu tahap identifikasi, tahap penaksiran dan pengujian, dan pemeriksaan
diagnostik. Selanjutnya model ARIMA dapat digunakan untuk melakukan
forecasting jika model yang diperoleh memadai (S. Makridakis, n.d.).
(sumber : ARIMA Models and The Box Jenkins Methodology(S. Makridakis, n.d.))
9
1. Persiapan data melibatkan transformasi dan diferensiasi. Transformasi dari
data (seperti akar atau logaritma) dapat membantu menstabilkan varians.
Diferensiasi berarti mengambil perbedaan antara observasi berurutan, atau
antara observasi dengan selang satu tahun.
2. Seleksi model pada kerangka box jenkins menggunakan berbagai grafik
berdasarkan transformasi dan diferensiasi data untuk mencoba dan
mengidentifikasi proses ARIMA yang potensial sehingga akan
menghasilkan model yang cocok dengan data. Penemuan terbaru
menunjukan seleksi model menggunakan fungsi yang lain seperti Akaike
Information Criterion Corrected (AICc).
3. Estimasi parameter yaitu menemukan nilai dari koefisien model yang
memiliki kesesuaian paling baik dengan data.
4. Pengecekan model yaitu pengetesan asumsi dari model untuk
mengidentifikasi apakah model layak atau tidak. Jika model ditemukan
tidak memadai, perlu kembali ke langkah nomer 2 untuk mengidentifikasi
model yg lebih baik.
5. Forecasting adalah tujuan dari seluruh prosedur, setelah model dipilih,
diestimasi, dan ditinjau, langkah terakhir adalah melakukan forecasting
menggunakan model terbaik.
ARIMA terbagi kedalam 3 kelompok, yaitu model Autoregressive (AR),
Moving Average (MA) dan model campuran Autoregressive Moving Average
(ARMA) (Syahrir, 2017).
II.1.5.1. Model Autoregressive (AR)
Model yang menggunakan hubungan dependen antara observasi dan
sejumlah nilai observasi dari lag (selang waktu). Bentuk umum model
Autoregressive dengan ordo p (AR(p)) atau model ARIMA (p,0,0) (Kang,
2017). Bentuk umum dari Autoregressive (AR(p)) adalah sebagai berikut
(Syahrir, 2017).
𝑋𝑡 = ∅1𝑋𝑡−1+. . . +∅𝑝𝑋𝑡−𝑝 + 𝜀𝑡
10
Dimana,
𝑋𝑡 : nilai variable pada waktu ke-t
𝑋𝑡, 𝑋𝑡−1, 𝑋𝑡−2, . . . , 𝑋𝑡−𝑝 : nilai masa lalu dari time series yang
bersangkutan pada waktu t, t-1, t-2, … ,
t-p
∅𝑖 : koefisien regresi, I :1, 2, 3, …, p
𝜀𝑡 : nilai error pada waktu ke-t
11
Dimana,
𝑋𝑡: nilai variable pada waktu ke-t
∅𝑖 : koefisien regresi, i:1,2,3,…,p
p :orde AR
q :orde MA
𝜃𝑖 :parameter model MA ke-i, i=1,2,3,…,q
𝜀𝑡 :nilai error pada waktu ke-t
𝜀𝑡, 𝜀𝑡−1, 𝜀𝑡−2, . . . , 𝜀𝑡−𝑞 :error pada waktu t-1,t-2,…, t-q dan 𝜀𝑡
diasumsikan white noise dan normal.
II.1.5.4. Model ARIMA
Secara umum model ARIMA (p,d,q) untuk suatu data time series 𝑋𝑡
adalah sebagai berikut (Syahrir, 2017).
∅ 𝐵(1 − 𝐵)𝑑𝑋𝑡 = 𝜃(𝐵)𝜀𝑡; 𝜀𝑡~𝑁(0, 𝜎2)𝑡
Persamaan diatas dapat ditulis menggunakan operator B (backshift),
menjadi :
(1 − 𝐵)𝑑(1 − ∅1𝐵 − ∅2𝐵2−. . . ∅𝑃𝐵𝑃)𝑋𝑡 = (1 + ∅1𝐵 + ∅2𝐵2+. . . ∅𝑞𝐵𝑞)𝜀𝑡
Sehingga diperoleh,
(1 − 𝐵)𝑑(𝑋𝑡 − ∅1𝑋𝑡−1 + ∅2𝑋𝑡−2+. . . +∅𝑝𝑋𝑡−𝑝)
= (𝜀𝑡 + 𝜃1𝜀𝑡−1 + 𝜃2𝜀𝑡−2+. . . +𝜃𝑞𝜀𝑡−𝑞)
Dimana,
𝑋𝑡 : nilai variable pada waktu ke-t
B :operator backshift
(1 − 𝐵)𝑑𝑋𝑡 : time series yang stasioner pada pembedaan ke-
d
𝜀𝑡 : nilai error pada waktu ke-t
p :orde AR
d :orde pembedaan
q :orde MA
𝜀𝑡, 𝜀𝑡−1, 𝜀𝑡−2, . . . , 𝜀𝑡−𝑞 : error pada waktu t-1, t-2,…, t-q dan 𝜀𝑡
12
II.1.5.5. Pengujian Data
Untuk mengetahui apakah data stasioner atau tidak dilakukan uji
stasioneritas. Augmented Dickey–Fuller (ADF) digunakan untuk melihat
apakah data stationer terhadap rata-rata dan uji Bartlette untuk melihat
apakah data stasioner terhadap ragam (Box, Jenkins, Reinsel, & Ljung,
2016).
1. Augmented Dickey–Fuller (ADF)
𝑦𝑡 = 𝑎0 + 𝑎1𝑦𝑡 − 1 + 𝑎2𝑦𝑡 − 2+. . . +𝑎𝑝𝑦𝑡 − 𝑝 + 𝜀𝑡
𝑦𝑡 : waktu ke-t
𝑦𝑡−𝑖: pengamatan pada waktu ke-(t-i),
𝑎𝑝: koefisien regresi
𝜀𝑡 : sisaan dengan asumsi 𝜀𝑡~ N (0, σ2 )
Jika γ = ∑𝑝 𝑖=1
𝑎𝑖 − 1 dan γ berjumlah 0, persamaan tersebut
mempunyai akar unit atau data tidak stasioner.
2. Bartlette
Uji Bartlett digunakan untuk menguji apakah k sampel berasal
dari populasi dengan varians yang sama.
𝑓 𝑙𝑛𝑠2 − ∑𝑘𝑖=1
( 𝑖𝑙𝑛𝑠𝑖2)
𝑄ℎ𝑖𝑡 = 𝑓
1 𝑘 1 1
∑
1 + 3(𝑘 − 1) ⦋ 𝑖=1( 𝑓) − ⦌
𝑖 𝑓
Dengan,
𝑓𝑖 = (𝑛𝑖 − 1)
𝑘
𝑓=∑ 𝑓𝑖
𝑖=1
𝑘 2
∑𝑖=1 𝑠
𝑖 𝑖 ∑ 𝑖 𝑠𝑖 2
𝑠2 = 𝑓 = 𝑓
∑ 𝑓𝑖 𝑓
𝑠𝑖2:ragam kelompok ke-i
𝑠2 : ragam gabungan dari seluruh kelompok
Jika p-value < α maka data dikatakan stasioner.
13
II.1.5.6. Auto ARIMA
Fungsi auto ARIMA dalam R menggunakan variasi algoritma
Hyndman-Khandakar, yang menggabungkan tes unit root, minimalisasi
Akaike Information Criterion corrected (AICc) dan maximum likelihood
estimation (MLE) untuk mendapatkan model ARIMA. Argumen pada auto
ARIMA menyediakan variasi pada algoritma yang dideskripsikan sebagai
aturan standar (Hyndman & Athanasopoulos, 2018).
Algoritma Hyndman-Khandakar untuk pemodelan auto ARIMA
1. Jumlah diferensiasi 0 ≤ d ≤ 2 ditentukan menggunakan tes
Kwiatkowski–Phillips–Schmidt–Shin (KPSS) berulang.
2. Nilai-nilai p dan q kemudian dipilih dengan meminimalkan AICc
setelah membedakan data sebanyak d kali. Alih-alih
mempertimbangkan setiap kemungkinan kombinasi p dan q,
algoritma menggunakan pencarian bertahap untuk melintasi ruang
model.
a) Empat model awal yang dipersiapkan:
ARIMA (0, d, 0),
ARIMA (2, d, 2),
ARIMA (1, d, 0),
ARIMA (0, d, 1.
Konstanta dimasukkan kecuali d = 2. Jika d ≤ 1, model
tambahan juga dipersiapkan:
ARIMA (0, d, 0) tanpa konstanta.
b) Model terbaik (dengan nilai AICc terkecil) yang dipersiapkan
pada langkah (a) ditetapkan sebagai "model saat ini".
c) Variasi pada model saat ini dipertimbangkan:
bervariasi p dan / atau q dari model saat ini oleh ± 1;
sertakan / kecualikan c dari model saat ini.
14
Model terbaik yang dipertimbangkan sejauh ini (baik model saat ini
atau salah satu dari variasi ini) menjadi model saat ini yang baru.
d) Ulangi Langkah 2 (c) sampai tidak ada lagi nilai AICc yang
lebih rendah yang dapat ditemukan.
15
II.1.5.8. Pengujian Model
1. Uji signifikansi
Menggunakan uji z dengan tingkat signifikansi atau α sebesar 0.05.
𝑝 − 𝑝0
𝑧=
√𝑝0(1 − 𝑝0)
𝑛
2. Uji autokorelasi
Pada tahap ini model harus dicek kelayakannya dengan melihat sifat
sisaan dari sisi kenormalan dan kebebasannya. Secara umum
pengecekan kebebasan sisaan model dapat dilakukan dengan
menggunakan uji Q modifikasi Box-Pierce (Ljung-Box) (Commerce
Department’s, 2012).
𝑚
𝑄 = 𝑛 (𝑛 + 2) ∑ 𝑟̂ 𝑘
2
𝑛−𝑘
𝑘=1
n : jumlah pengamatan
𝑦𝑡 : nilai sampel yang dipesan
𝑎𝑡 : koefisien ditabulasikan
16
II.1.5.7. Evaluasi Model
Digunakan untuk mengukur ketepatan ramalan dengan merata-rata
kesalahan dugaan (nilai absolute masing-masing kesalahan). Berikut adalah
rumus untuk menghitung MAE (Ardhitama, 2012).
𝑀𝐴𝐸 = 1 ∑ 𝑛 |𝑍𝑡 − 𝑍𝑡
𝑡=1
𝑛
17
transformation. Pan adalah tools yang berfungsi membaca, melakukan
perubah dan menulis data. Sedangkan Kitchen adalah program yang
mengeksekusi job (Wibisono, 2017).
Pada penelitian ini, terdapat beberapa komponen pada PDI yang
digunakan, penjelasan komponen yang digunakan dapat dilihat pada Tabel II.1.
18
Nama Gambar Deskripsi Kategori
Komponen ini
digunakan untuk
mengelompokkan
dan memberikan
nilai diatas
kelompok kolom
group by Statistics
yang ditentukan.
Sebelum
melakukan group
by, data harus
diurutkan terlebih
dahulu.
Komponen ini
digunakan untuk
microsoft excel
menulis data ke Output
output
satu atau lebih file
Excel.
Komponen ini
regex digunakan untuk
evaluationfilter mengolah baris Scripting
rows code menjadi
sebuah data.
Komponen ini
digunakan untuk
replace in
mengganti semua Transform
string
kata menjadi
string. Dapat
19
Nama Gambar Deskripsi Kategori
menggunakan
regex.
Komponen ini
digunakan untuk
memilih atau
menghilangkan
select values field. Pengguna Transform
dapat
menyesuaikan
field apa yang
akan ditampilkan.
Komponen ini
digunakan untuk
mengurutkan baris
berdasarkan kolom
sort rows Transform
yang pengguna
tentukan. Dapat
berupa ascending
atau descending
Komponen ini
digunakan untuk
menggabungkan
beberapa field
sorted merge Transform
dengan jumlah
kolom yang sama
dan nama kolom
yang sama.
20
II.1.7. Bahasa Pemrograman R
R adalah bahasa pemrograman yang telah didesain ulang sebagai
pengembangan bahasa pemrograman "S" di Bell Laboratories untuk
memudahkan analisis statistika. Walaupun awalnya dikembangkan untuk
analisis statistik, namun saat ini telah berkembang pengaplikasinya sehingga
dapat melakukan manipulasi data spasial serta menampilkannya secara dinamis
dalam situs web. Ditambah lagi dengan era data analysis atau akrab disebut big
data, maka perkembangan R menjadi tidak terbendung lagi. Perintah dasar
dalam bahasa R telah menyediakan berbagai tool untuk pemodelan statistik
linear dan nonlinear, analisis time-series, klasifikasi, analisis klaster, dan
analisis grafis. Kemampuan ini terus berkembang dengan adanya ribuan paket
tambahan yang diunggah ke server Comprehensive R Archive Network (CRAN)
tiap tahunnya (Gio & Irawan, 2016).
21
5. Mempunyai kemampuan menampilkan grafis yang sangat baik dan
lengkap sehingga sangat memudahkan bagi kita untuk menampilkan
bentuk-bentuk grafik sesuai yang diinginkan dan mudah dibaca.
II.1.6.2. Kelemahan Utama Program R (Gamma Sigma Beta, 2014):
1. R dibangun dalam versi Command Line Interface (CLI) yang
banyak menggunakan syntax-syntax dalam pemrograman sehingga
kurang user friendly bagi para pengguna yang biasa menggunakan
software dengan point click dan graphical user interface (GUI).
2. Walaupun analisa statistika dalam R sudah cukup lengkap, belum
semua metode statistika telah diimplementasikan di dalam R.
II.1.7. RStudio
22
Tabel II. 2 State Of The Art
23
Judul Sumber Tahun Peneliti Hasil
menggunakan
metode
ARIMA (Box-
Jenkins) model
ARIMA (3,1,0)
dan metode
Jaringan Saraf
Tiruan
(JST)
Backpropagation
model BPNN
(4,10,5,1)
masing-masing
adalah
0,00498963 %
dan 0,003988183
%.
Teknik analisis
Hevelyne
data multivarian
Henn da
diterapkan oleh
Gama Viganó,
model MLR dan
Prediction and Revista Celso Correia
ARIMA, di
Modeling of Brasileira de de Souza, José
2018 mana 41% dari
Forest Fires in Meteorologia, Francisco Reis
varian jumlah
the Pantanal v. 33 Neto,
fokus, sehingga
Marcia
menunjukkan
Ferreira
teknik yang tidak
Cristaldo,
efisien untuk
24
Judul Sumber Tahun Peneliti Hasil
Leandro de prediksi.
Jesus. Pemodelan deret
waktu
menggunakan
teknik ARIMA
(4, 0, 10)
menyajikan hasil
yang lebih
memuaskan,
sehingga
memungkinkan
untuk
menjelaskan
varians dari
jumlah fokus di
66,5%, yang
terbukti menjadi
model yang
paling memadai
untuk
forecasting.
Untuk
meningkatkan
kinerja teknik
ini, variabel
antropik harus
dimasukkan,
yang merupakan
25
Judul Sumber Tahun Peneliti Hasil
faktor penentu
terjadinya
kebakaran, tetapi
perlu untuk
membangun
basis data
sedemikian rupa
sehingga kinerja
model prakiraan
baru dapat
ditingkatkan.
Didapatkan
model terbaik
ARIMA (2, 0, 0)
dimana model
Prediksi
tersebut telah
Temporal Untuk
memenuhi tahap
Kemunculan
pendugaan
Titik Panas Di
parameter, uji
Provinsi Riau Repository Isnan Syaiful
2014 kebabasan dan
Menggunakan IPB Robby
kenormalan
Autoregressive
sisaan, AIC
Integrated
(Akaike’s
Moving Average
Information
(ARIMA)
Criterion) dan
mempunyai nilai
MAPE (Mean
Absolute
26
Judul Sumber Tahun Peneliti Hasil
Percentage
Error) yang
paling kecil dari
model-model
yang diperoleh.
nilai MAPE
yang diperoleh
sebesar 40.974,
nilai tersebut
masih cukup
besar, hal ini
disebabkan oleh
data aktual yang
sangat tinggi
pada bulan Juni,
Juli dan Agustus.
sehingga
menghasilkan
selisih error
yang tinggi.
Evluasi akurasi
Pemodelan Box-
menggunakan
Jenkins Prosiding
Mean Absolute
(ARIMA) Untuk Seminar Vincentius
Error (MAE) dan
Peramalan Nasional 2015 Iwan
Root Mean
Indeks Harga Manajemen Primaditya,
Squared Error
Saham Teknologi Nur Iriawan
(RMSE)
Gabungan XXII
menunjukkan
27
Judul Sumber Tahun Peneliti Hasil
bahwa model
ARIMA (4,1,1)
mempunyai
akurasi yang
lebih baik dari
Random Walk
dengan drift.
Berdasarkan
hasil perhitungan
nilai MSE,
metode ARIMA
Perbandingan secara signifikan
Keakuratan selalu lebih
Metode rendah dari pada
Autoregresive nilai MSE
Integrated metode
Jurnal Riza
Moving Average Exponential
Rekursif Rahmadayanti,
(ARIMA) dan 2015 Smoothing
Universitas Boko Susilo,
Exponential Diyah sehingga dapat
Bengkulu
Smoothing Pada Puspitaningrum disimpulkan
Peramalan bahwa metode
Penjualan Semen ARIMA
di PT. Sinar merupakan
Abadi metode yang
lebih baik untuk
digunakan dalam
meramalkan
penjualan semen
28
Judul Sumber Tahun Peneliti Hasil
untuk periode
mendatang.
29