ABSTRAK : Model ARIMA adalah metode analisis deret waktu yang memiliki tingkat akurasi
peramalan yang cukup tinggi, cocok digunakan untuk meramal sejumlah variabel dengan cepat,
sederhana dan akurat. Banyak model stokastik tidak memberikan acuan berapa panjang data historis
minimal yang dibutuhkan. Panjang data historis minimal perlu ditetapkan sebagai masukan untuk
menggambarkan fenomena hidrologi yang terjadi. Penelitian menggunakan data debit dari 3 (tiga)
stasiun AWLR yang mewakili masing-masing sub DAS di DAS Brantas. Panjang data historis
representatif dengan nilai kesalahan relatif 5% untuk pembangkitan data debit menggunakan model
ARIMA untuk stasiun AWLR Gadang adalah 15 tahun untuk lebar data 10 harian, 17 tahun untuk
lebar data 15 harian dan 11 tahun untuk lebar data 1 bulanan. Untuk stasiun AWLR Kertosono,
panjang data historis representatif adalah 8 tahun untuk lebar data 10 harian, 5 tahun untuk lebar
data 15 harian dan 14 tahun untuk lebar data 1 bulanan. Untuk stasiun AWLR Lengkong Baru,
panjang data historis representatif adalah 6 tahun untuk lebar data 10 harian, 6 tahun untuk lebar
data 15 harian dan 14 tahun untuk lebar data 1 bulanan.
Kata kunci: Model ARIMA, panjang data historis, lebar data, debit sungai, DAS Brantas
ABSTRACT : ARIMA model is a method of time series analysis which has quite high level
forecasting accuracy, suitable to predict the number of variables in quickly, simply and accurately.
Many stochastic models do not provide a reference of minimum length of historical data that need to
be set as an input to describe the hydrology phenomenon. The study used discharge data from three
(3) AWLR stations representing each sub-watershed in Brantas watershed. Representative historical
data length with 5% relative error for the generation of discharge data using ARIMA models are:
(a) at Gadang AWLR station is 15 years with 10 daily width of data, 17 years with 15 daily width of
data and 11 years with monthly width of data. (b) At Kertosono AWLR station is 8 years with 10
daily width of data, 5 years with the 15 daily width of data and 14 years with the monthly width of
data. (c) At Lengkong Baru AWLR stations is 6 years with 10 daily width of data, 6 years with the 15
daily width of data and 14 years with monthly width of data
Keywords: ARIMA models, historical data length, width of data, river discharge, Brantas
watershed.
Data debit aliran sungai merupakan informasi masukan dalam pengambilan keputusan dalam
yang penting bagi perencanaan, pengelolaan pengelolaan sumber daya air.
dan pengembangan sumber daya air. Data debit Pembangkitan data adalah salah satu cara untuk
air sungai memerlukan deret yang cukup mengatasi permasalahan data hidrologi yang
panjang untuk keperluan perencanaan dan kurang panjang. Apabila dalam perencanaan
pengelolaan bangunan sumber daya air. Para hanya tersedia data debit yang pendek maka
ahli hidrologi sering menghadapi salah satu dapat diperpanjang de-ngan pembangkitan data,
masalah umum yaitu kekurangan atau bahkan proyeksi debit di masa mendatang dapat
keterbatasan data. Prediksi debit sungai pada juga diprediksi. Metode ARIMA merupakan
periode mendatang juga diperlukan sebagai salah satu metode stokastik yang digunakan
37
38 Jurnal Teknik Pengairan, Volume 7, Nomor 1, Mei 2016, hlm 37-46
untuk pembangkitan data sintetik mengguna- Penelitian dilakukan pada sungai Brantas
kan data deret waktu (time series). Banyak yang merupakan sungai terbesar dan terpanjang
model stokastik tidak memberikan acuan/ kedua di Jawa setelah sungai Bengawan Solo.
pedoman berapa panjang data historis minimal Sungai Brantas memiliki panjang sekitar 320km
yang harus digunakan .Penelitian ini meng- dan luas daerah pengaliran sungai ± 12.000
analisis pengaruh panjang data debit historis km2, yang mencakup 25% wilayah Jawa Timur.
terhadap kinerja hasil pembangkitan data pada Pertimbangan dalam memilih objek
lebar data tertentu menggunakan metode penelitian sungai yang ada di DAS Brantas
ARIMA. Kinerja hasil pembangkitan diukur adalah:
dari nilai kesalahan relatif hasil pembangkitan 1. Total potensi debit air permukaan sangat
data debit terhadap data debit aktual. Hasil besar (373,64 m3/detik atau 11.783,2 juta
penelitian diharapkan dapat memberikan m3/tahun) dan banyak dimanfaatkan untuk
masukan nilai berapa panjang data yang memenuhi kebutuhan manusia.
representatif atau diperkenankan secara statistik 2. Terdapat beberapa stasiun pencatat tinggi
yang bisa mewakili data debit historis untuk muka air otomatis (AWLR) dan data debit
mendapatkan data sintetik melalui yang tersedia cukup panjang untuk analisis
pembangkitan pada lebar data tertentu. deret waktu.
3. Mempunyai luas DAS yang relatif besar
BAHAN DAN METODE (>100 km2), dengan asumsi DAS yang luas
mempunyai debit sungai yang stabil.
Lokasi Penelitian
Tabel 1. Seri Lebar dan Panjang Data Debit Salah satu metode dengan pendekatan analisis
Historis deret waktu adalah ARIMA (Autoregressive
Panjang Jumlah Integrated Moving Average) Box-Jenkins.
Lebar Interval
Data Data
Data Waktu
(tahun) (n) Model ARIMA – Box Jenkins
5 2005 – 2009 180 ARIMA adalah suatu model gabungan
10
10 2000 – 2009 360 yang meliputi model Autoregressive (AR)
harian
15 1995 – 2009 540 (Yule, 1926) dan Moving Average (MA)
5 2005 – 2009 120 (Stuttzky, 1937 dalam Makridakis et. al., 1999).
15
10 2000 – 2009 240 Model Autoregressive (AR) menunjukkan nilai
harian
15 1995 – 2009 360 prediksi variabel dependen Zt hanya merupakan
5 2005 – 2009 60 fungsi linier dari sejumlah Zt aktual
1
10 2000 – 2009 120 sebelumnya. Model Moving Average (MA)
bulanan
15 1995 – 2009 180 menunjukkan bahwa nilai prediksi variabel
Sumber : Hasil Perhitungan dependen Zt hanya dipengaruhi oleh nilai
residual pada periode sebelumnya.
Data debit aktual tahun 2010 digunakan 1) Model Autoregressive (AR)
untuk menilai kinerja model ARIMA yang Model Autoregressive (AR) menunjukkan
dipilih. nilai prediksi variabel dependen Zt hanya
merupakan fungsi linier dari sejumlah Zt aktual
Metode sebelumnya. Bentuk umum persamaan model
autoregresif ordo p atau AR(p) dapat
Model Stokastik dinyatakan dalam persamaan sebagai berikut
Model stokastik adalah model hidrologi (Wei, 2006):
yang selalu berkisar dengan waktu, mewakili Ẑ t 1 Ẑ t 1 ... p Ẑ t p a t (1)
suatu urutan peristiwa dan selalu dipengaruhi
dengan:
oleh peristiwa sebelumnya (Wahyuni, 2001).
Model ini umumnya digunakan untuk Ẑ t : variabel dependen pada saat t
menganalisis sifat fisik statistik output dari
suatu sistem yang didasarkan pada urutan Ẑ t 1 , ..., Ẑ t p : lag ke-(t-1), ..., lag ke-(t-p)
kejadian sebagai akibat perubahan waktu dan dari Z
menghasilkan suatu set data dalam jangka at : residual pada saat t
panjang dengan sifat yang sama pula. Set data
tersebut dapat dianalisis untuk memperoleh : konstanta
gambaran mengenai kemungkinan urutan p : tingkat (orde) AR
kejadian yang akan terjadi di masa datang,
misalnya frekuensi harapan dari debit air. 2) Model Moving Average (MA)
Model Moving Average (MA)
Analisis Deret Waktu menunjukkan bahwa nilai prediksi variabel
Analisis deret waktu (time series dependen Zt hanya dipengaruhi oleh nilai
analysis) adalah metode peramalan dengan residual pada periode sebelumnya. Bentuk
menggunakan pendekatan deret waktu (time umum persamaan model MA(q) dapat ditulis
series) sebagai dasar peramalan, yang sebagai berikut (Wei, 2006):
memerlukan data aktual (historis) periode lalu Ẑ t a t θ1a t 1 ... θ q a t q (2)
yang akan diramalkan untuk menge-tahui pola
dengan :
data yang diperlukan untuk menentukan metode
peramalan yang sesuai (Makridakis et. al., a t : residual pada saat t
1999). Secara umum analisis deret waktu
mempunyai beberapa tujuan, yaitu peramalan,
a t 1 ,..., a t q : lag ke-(t-1), ..., lag ke-(t-q)
permodelan, dan juga kontrol (Chatfield, 2001). dari residual
Model deret waktu merupakan sebuah θ : konstanta
model suatu fungsi yang menghubungkan nilai q : tingkat (orde) MA
deret waktu dengan nilai awal deret waktu,
kesalahannya atau yang berhubung-an dengan 3) Model Autoregressive Moving Average
deret waktu lainnya (Makridakis et. al., 1999). (ARMA)
40 Jurnal Teknik Pengairan, Volume 7, Nomor 1, Mei 2016, hlm 37-46
Seringkali perilaku data time series dapat p,d,q : orde AR, differencing, MA (non-
dijelaskan dengan baik melalui penggabungan musiman)
antara model AR dan model MA. Model P,D,Q : orde AR, differencing, MA (musiman)
gabungan ini disebut Autoregressive Moving S : jumlah periode per musim
Average (ARMA). Secara umum model at : residual pada saat t
ARMA(p,q) dapat ditulis dalam bentuk (Wei,
2006): Konsep Model ARIMA – Box Jenkins
Ẑt 1 Ẑt 1 ... p Ẑt p θ0 a t θ1 a t 1 ... θq a t q (3) Konsep model analisis time series
menggunakan metode ARIMA yang
dikembangkan oleh Box dan Jenkins (1976)
4) Model Autoregressive Integrated Moving terdiri dari 4 (empat) tahapan utama (Aswi dan
Average (ARIMA) Sukarna, 2006), yaitu: (1) Tahap identifikasi
Model dalam peramalan menghendaki model, (2) Tahap estimasi parameter model, (3)
datanya stasioner baik dalam mean maupun Tahap pemeriksaan diagnosa (verifikasi)
varians. Data yang belum stasioner dalam kesesuaian model dan (4) Tahap peramalan,
varians perlu dilakukan transformasi. Data yang yaitu menggunakan model untuk peramalan.
belum stasioner dalam mean perlu dilakukan 1. Stasioneritas Data
proses differencing. Proses differencing Analisis data deret waktu (time series)
merupakan suatu proses mencari perbedaan memerlukan data yang sudah stasioner.
antara data satu periode dengan periode yang Kestasioneran data merupakan kondisi yang
lainnya secara berurutan. Secara umum bentuk diperlukan dalam analisis regresi deret waktu
ARIMA (p,d,q) adalah sebagai berikut (Wei, karena dapat memperkecil kekeliruan model.
2006): Suatu data dapat dikatakan stasioner apabila
B1 Bd Ẑ t θ 0 θBa t (4) pola data tersebut berada pada kesetimbangan
disekitar nilai rata-rata yang konstan dan
B 1 1B ... p Bp variansi disekitar rata-rata tersebut konstan
θB1 θ1B ... θq Bq
selama waktu tertentu (Makridakis et. al.,
1999).
dengan: Suatu data dikatakan stasioner dalam
B : operator AR varians jika varians dari data tidak dipengaruhi
B : operator MA oleh deret waktu. Data yang tidak stasioner
p : orde/derajat autoregressive (AR) dalam varians maka perlu dilakukan trans-
d : tingkat proses differencing formasi supaya varians yang awalnya tidak
q : orde/derajat moving average (MA) konstan menjadi lebih konstan. Transformasi
Box-Cox adalah salah satu metode untuk
5) Model Seasonal Autoregressive Integra-ted menstasionerkan data yang tidak stasioner
Moving Average (ARIMA Musiman) dalam varians. Secara matematis transformasi
Musiman didefinisikan sebagai suatu Box-Cox dirumuskan sebagai berikut (Cryer
pola yang berulang-ulang dalam selang waktu dan Chan, 2008) :
yang tetap. Musiman adalah kecenderungan
mengulangi pola tingkah gerak dalam periode
musim, biasanya satu tahun untuk data bulanan. t { (6)
Model ARIMA Musiman merupakan model
ARIMA yang digunakan untuk menyelesaikan
dengan:
time series musiman yang terdiri dari dua
T(Zt) : data transformasi
bagian, yaitu bagian tidak musiman dan bagian
Zt : nilai pengamatan pada waktu t
musiman. (Salamah, dkk., 2003).
: nilai parameter transformasi
Bentuk model ARIMA musiman atau
ARIMA (p.d,q)(P,D,Q)S secara umum adalah
Data dikatakan stasioner dalam mean bila
(Aswi dan Sukarna, 2006):
berfluktuasi disekitar garis sejajar dengan
sumbu waktu (t) atau disekitar suatu nilai mean
(5) yang konstan. Data yang tidak stasioner dalam
dengan: mean perlu dilakukan proses pembedaan
(differencing). Secara umum differencing orde
Efendi , dkk, Pengaruh Panjang Dan Lebar Data Debit Historis Pada Kinerja Model Pembangkitan Data … 41
2. Identifikasi Model
Tahap identifikasi berfungsi untuk
pendugaan orde model ARIMA (p, d, q) awal
yang sekiranya cocok (tentatif) melalui bentuk 3. Estimasi Parameter Model
ACF (Autocorrelation Function) dan bentuk Estimasi parameter berfungsi untuk
PACF (Partial Autocorrelation Function) dari menduga nilai besaran konstanta dan koefisien
data yang sudah stasioner. dari model AR dan MA.
Autocorrelation Function (ACF) adalah Estimasi parameter AR dan MA
korelasi antara Zt dan Zt+k dari proses yang menggunakan persamaan sebagai berikut
sama dan dipisahkan oleh waktu lag k. (Makridakis et. al., 2002):
Persamaan dari kovarians antara Zt dan Zt+k a) Penaksiran model Autoregressive (AR):
adalah:
(12)
(8) : parameter autoregressive
p : derajat autoregressive
dan korelasi antara Zt dan Zt+k adalah:
b) Penaksiran model Moving Average (MA):
(9)
(13)
dengan catatan, var(Zt) = var(Zt+k) = 0. Sesuai
fungsi dari k, k adalah auto-covariance : parameter moving average
function, dan k adalah auto-correlation q : derajat moving average
function (ACF) dalam analisis time series
karena masing-masing dari keduanya c) Penaksiran model ARMA:
menyatakan kovariansi dan korelasi antara Zt
dan Zt+k dari proses yang sama, hanya
dipisahkan oleh jarak waktu lag k (Wei, 2006). (14)
Partial Autocorrelation (PACF)
digunakan untuk mengukur tingkat keeratan
(association) antara Zt dan Zt-k apabila pengaruh 4. Pemeriksaan Diagnostik
lag waktu (time lag) 1, 2, 3, k-l dianggap Pemeriksaan diagnostik dilakukan untuk
terpisah. Partial Autocorrelation Function mengetahui ketepatan model setelah memiliki
(PACF) adalah suatu fungsi yang menunjukkan paramater yang signifikan sehingga akan
besarnya korelasi parsial antara pengamatan didapatkan suatu model yang valid.
pada waktu ke t (dinotasikan dengan Zt) dengan Pemeriksaan diagnostik dilakukan dalam
pengamatan pada waktu-waktu sebelumnya (Zt- dua tahap, yaitu (1) uji signifikansi parameter
dan (2) uji kesesuaian model (meliputi uji
1, Zt-2,..., Zt-k). Persamaan dari Partial Auto-
correlation Function antara Zt dan Zt+k adalah asumsi white noise dan residual berdistribusi
(Wei, 2006): normal).
(10)
42 Jurnal Teknik Pengairan, Volume 7, Nomor 1, Mei 2016, hlm 37-46
Data debit rata-rata 15 harian diperoleh Tabel 4. Model ARIMA Terbaik - Stasiun
dari rata-rata debit rata-rata harian selama AWLR Lengkong Baru
interval 15 hari kalender. Panjang
Lebar
Dalam 1 (satu) bulan terdapat 2 (dua) Data Model ARIMA
Data
periode, yaitu periode I untuk rata-rata debit (tahun)
tanggal 1 – 15 dan periode II untuk rata-rata 5 (1,0,0)(1,1,1)36
debit tanggal 16 – 31. 10
10 (0,0,2)(0,1,2)36
harian
Data debit rata-rata 1 bulanan diperoleh 15 (0,0,4)(0,1,1)36
dari rata-rata debit rata-rata harian selama 1 5 (2,0,2)(1,1,2)24
15
bulan. 10 (2,0,1)(1,1,4)24
harian
15 (1,0,1)(3,1,4)24
Model ARIMA 5 (1,0,1)(3,1,1)10
1
Model ARIMA dibuat menggunakan data 10 (1,0,2)(0,1,2)12
bulanan
debit historis untuk setiap seri lebar dan 15 (3,0,1)(1,2,4)12
panjang data berdasarkan Tabel 1. Sumber : Hasil Perhitungan
Analisis dilakukan untuk memperoleh 9
(sembilan) model ARIMA terbaik untuk setiap Peramalan Debit Tahun 2010
stasiun AWLR Model ARIMA terbaik yang diperoleh
pada setiap seri data digunakan untuk
Tabel 2. Model ARIMA Terbaik - Stasiun meramalkan data debit tahun 2010.
AWLR Gadang Banyaknya data yang diramalkan untuk
Panjang lebar data 10 adalah 36 buah data, untuk lebar
Lebar
Data Model ARIMA data 15 harian adalah 24 buah data dan untuk
Data
(tahun) lebar data 1 bulanan adalah 12 buah data.
5 (2,0,1)(0,2,1)36 Peramalan data debit dilakukan dengan
10
10 (2,0,1)(1,2,1)36 menggunakan software Minitab. Input data
harian
15 (3,0,1)(1,2,1)36 pada software Minitab adalah data debit
5 (1,0,2)(0,2,2)24 historis, model ARIMA dan panjang data yang
15
10 (1,0,1)(1,2,4)24 akan diramalkan.
harian
15 (2,0,1)(2,3,1)24
5 (2,0,1)(1,1,1)11 Kinerja Hasil Peramalan
1
10 (3,0,1)(1,2,2)12 Kesalahan relatif hasil peramalan
bulanan
15 (3,0,1)(2,2,3)12 digunakan untuk mengukur kinerja hasil
Sumber : Hasil Perhitungan peramalan dari model ARIMA.
Kesalahan relatif dihitung dengan cara
Tabel 3. Model ARIMA Terbaik - Stasiun mem-bandingkan antara volume air dari data
AWLR Kertosono debit hasil peramalan dengan volume air dari
Panjang data debit aktual.
Lebar
Data Model ARIMA
Data
(tahun) Tabel 5. Kesalahan Relatif Hasil Peramalan -
5 (2,0,1)(2,2,2)36 Stasiun AWLR Gadang
10
10 (1,0,5)(1,1,1)36
harian
15 (2,0,2)(2,1,2)36
5 (1,0,3)(1,1,2)24
15
10 (1,0,1)(2,1,2)24
harian
15 (1,0,1)(1,1,2)24
Panjang
Lebar
Data Model ARIMA
Data
(tahun)
5 (1,0,0)(1,0,1)12 Sumber : Hasil Perhitungan
1
10 (1,0,2)(2,1,2)12
bulanan
15 (1,0,2)(1,1,1)12
Sumber : Hasil Perhitungan
44 Jurnal Teknik Pengairan, Volume 7, Nomor 1, Mei 2016, hlm 37-46
Analisis Regresi
Analisis regresi digunakan untuk
Gambar 3. Grafik Pengaruh Panjang Data
mengetahui pengaruh panjang data historis
Terhadap Kesalahan Relatif – Stasiun AWLR
(variabel X) terhadap kesalahan relatif (variabel
Kertosono
Y) untuk setiap lebar data.
Tabel 10. Regresi Pengaruh Panjang Data
Tabel 8. Regresi Pengaruh Panjang Data
Historis Terhadap Kesalahan Relatif
Historis Terhadap Kesalahan Relatif -
- Stasiun AWLR Lengkong Baru
Stasiun AWLR Gadang
Lebar Nilai
Lebar Nilai No Persamaan Regresi
No Persamaan Regresi Data R2
Data R2
10 Y = 0,821X -
10 Y = -2,172X + 1 0,8302
1 0,8484 Harian 0,1133
Harian 35,38
15
15 Y = -2,015x + 2 Y = 1,39X - 4 0,9076
2 0,9685 Harian
Harian 38,163
1 Y = -2,969X +
1 Y = -0,69X + 3 0,9935
3 0,9292 Bulanan 43,922
Bulanan 12,51 Sumber : Hasil Perhitungan
Sumber : Hasil Perhitungan