1, Mei 2020
ABSTRAK
Indonesia merupakan negara kepulauan maritim banyak pulau-pulau dengan berbagai
karakteristik yang ada di Indonesia. Salah satu pulau yang memiliki posisi geografis
yang cukup menguntungkan dengan potensi daerah tujuan wisata dan jalur perhubungan
laut nasional maupun international yaitu Pulau Lombok yang bertepatan di Provinsi
Nusa Tenggara Barat (NTB). Dari sekian kabupaten di Provinsi NTB ada salah satu
kabupaten yang memiliki keunggulan pada pembangunan daerah dari berbagai aspek
seperti pariwisata, pelabuhan penyebrangan vital penghubung Pulau Bali dan Pulau
Lombok yaitu Kabupaten Lombok Barat. Sebagai wilayah yang berbatasan langsung
dengan lautan, wilayah Kabupaten Lombok Barat cukup kaya dengan produk perikanan
lautnya. Adapun beberapa faktor alam yang menjadi penyebab kekhawatiran bagi para
nelayan maupun pelaut yaitu angin yang mempengaruhi tinggi nya gelombang laut.
Dalam menyelesaikan permasalahan meramalkan rata-rata kecepatan angin di
Kabupaten Lombok Barat untuk yang akan datang, dilakukan menggunakan metode,
yaitu hybrid Autoregeressive Integrated Moving Average-Artificial Neural Network
(ARIMA-ANN). Dimana hasil peramalan dapat dijadikan acuan untuk untuk mencegah
dampak negatif dari angin dan mengoptimasikan peranan positif angin dalam kehidupan
sehari-hari manusia. Model yang digunakan untuk meramalkan rata-rata kecepatan
angin pada penelitian ini memiliki nilai MSE training dan testing terkecil sebesar
0.000061 dan 0.0657. Hal tersebut menunjukkan bahwa model yang dihasilkan
memiliki hasil permalan yang sangat baik.
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
Tabel 1. Skala Beaufort empat jenis pola time series yaitu pola
Horizontal, Seasonal, Siklis dan Trend.
Number
Description Wind Speed
of Scale
ARIMA (Autoregressive Integrated
0 Calm <1 knot
Moving Average)
1 Light Air 1-3 knots ARIMA (Autoregressive Integrated
Moving Average) sering disebut juga
Light
2 4–6 knots metode deret berkala Box-Jenkins. Nilai
Breeze
Light data mendatang diasumsikan sebagai
Gentle
3 Winds 7–10 knots fungsi linier dari data historis dan
Breeze
random error. ARIMA dibagi dalam tiga
Moderate 11–16
4 klasifikasi yaitu:
Breeze knots
Fresh 17–21
1. Model Autoregressive (AR)
5 Autoregressive adalah suatu bentuk
Breeze knots
Strong 22–27 peramalan regresi yang meng-
6 hubungkan nilai-nilai sebelumnya
Breeze High knots
Winds 28–33 dengan masing-masing variabel pada
7 Near Gale time lag (selang waktu) yang
knots
34–40 bermacam-macam. Jadi suatu model
8 Gale AR dikatakan mengikuti proses AR
Gale- knots
Strong force 41–47 jika lag-lag pada plot ACF menurun
9
Gale knots secara eksponensial dan banyaknya
48–55 lag yang signifikan berbeda dengan
10 Storm
Storm- knots nol pada plot PACF digunakan
Violent force 56–63 sebagai indikasi parameter p. Bentuk
11
Storm knots umum model autoregressive dengan
Hurric berorde ke-p atau model ARIMA
Hurricane
12 ane- ≥63 knots
Force (p,0,0) dinyatakan sebagai berikut:
force
10
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
11
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
prosesing sederhana, yakni layer input, lain menggunakan ANN untuk model
layer hidden dan layer output. linier akan menghasilkan data beragam.
∑ ( Sebagai contoh, (Denton dalam Zhang,
∑ ) (5) 2003) ketika terdapat outlier atau
multikolinieritas dalam data, neural
Dimana:
network secara signifikan mengungguli
= output jaringan yakni ramalan
model regresi liner.
= bobot layer pada input
Model Hybrid ARIMA dan ANN
= bias pada layer input dengan model linier dan nonliniernya
= banyak unit input dapat digunakan untuk menangkap pola
= bobot pada layer hidden data time series. Oleh karenanya perlu
= bias pada layer hidden dipertimbangkan menyusun struktur
autokorelasi linier dan komponen
= banyak unit hidden nonlinier, yakni
= residual (8)
12
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
Uji Stasioner
HASIL DAN PEMBAHASAN
Autocorrelation Function for Rata-Rata Kecepatan Angin Partial Autocorrelation Function for Rata-Rata Kecepatan Angin
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2
Gambar 1. Pola Data Time Series -0.4
-0.2
-0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1. bahwa pola data tersebut mengalami Gambar 3. Plot ACF dan PACF
fluktuatif dan terindikasikan bahwa data
stasioner secara varians, namun belum Hasil dari uji stasioner secara rata-rata
stasioner secara rataan. Pola data differencing 1 pada Gambar 3.
tersebut dapat dikatakan berebentuk menunjukan grafik ACF telah telah
trend karena tidak stasioner secara stasioner dilihat dari plot ACF nilai-nilai
rataan. Maka untuk mengetahui ada nya autokorelasi dari data turun menuju nol
kestasioneran data dapat dilakukan secara drastis pada lag-lag awal (cut off).
dengan uji stasioner. Berdasarkan hasil tersebut, maka data
rata-rata kecepatan angin di Kabupaten
Lombok Barat telah stasioner secara
rataan.
13
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
Pemilihan Model Terbaik ARIMA ramalan mengikuti pola dari data aktual.
Oleh karena itu model ARIMA (2,1,4)
Pemilihan model ARIMA terbaik layak digunakan. Berikut merupakan
dilakukan untuk mendapatkan hasil hasil dari ramalan ARIMA (2,1,4) rata-
ramalan yang akurat pada tahun rata kecepatan angin pada tahun 2019.
mendatang. Dapat dibandingan dari
model terpenuhi dan memenuhi asumsi Implementasi Hybrid ARIMA-ANN
residual ARIMA mana yang memiliki
nilai MSE terkecil, maka model tersebut Dalam penelitian tugas akhir ini
lah yang terbaik untuk meramalkan rata- dilakukan proses pengolahan data, pada
rata kecepatan angin mendatang. tahap ini data akan dikelompokan
menjadi dua kelompok yaitu data
Tabel 2. Pemilihan Model Terbaik ARIMA pelatihan (training) dan data pengujian
(testing) dengan proporsi 80% training
dan 20% testing. Tujuan dari pembagian
data tersebut adalah pada data training
untuk membentuk model ANN yang
akan dilakukan oleh data testing dalam
melakukan suatu peramalan. Berikut
merupakan inputan ANN yang
Pada tabel 4.1 dari hasil pemilihan dihasilkan dari proses residual ARIMA,
model terbaik ARIMA pada model 7 input ANN akan diproses untuk
(2,1,4) dengan nilai MSE sebesar 0,1907 melakukan Hybrid ARIMA-ANN.
dan telah memenuhi asumsi residual dari Pada penelitian ini akan dilakukan
ARIMA white noise dan normalitas. dengan menggunakan jumlah input layer
Maka dapat disimpulkan bahwa model 12 node, hidden layer 1 sampai 20,
(2,1,4) dapat digunakan untuk output layer 1 node, learning rate 0.1,
meramalkan rata-rata kecepatan angin. max.epoch 1000, dan batasan error
Hasil Peramalan ARIMA 0.001. Selanutnya dilakukan simulasi
trial and error untuk menentukan
banyak neuron yang dibutuhkan pada
layer hidden. Hasil yang diperoleh dari
sumulasi tidak konstan kemudian dari
dari hasil ini dipilih banyaknya hidden
layer yang menghasilkan Mean Square
Error (MSE) terkecil. Berikut
merupakan hasil simulasi dari pemilihan
hidden layer yang telah dilakukan.
14
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
KESIMPULAN
Kesimpulan yang dapat diambil dari
penelitian ini adalah sebagai berikut:
1. Rata-rata kecepatan angin di
Kabupaten Lombok Barat dengan
satuan m/s selama periode Januari
Gambar 5. Grafik Data Training Model 2009 – Desember 2018 menunjukan
Terbaik bahwa rata-rata kecepatan angin
dengan hembusan tertinggi pada
15
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
tahun 2012 sebesar 3,18 m/s dan rata- pecah berhamburan dengan puncah
rata hembusan terendah pada tahun ombak berbuih bening.
2018 sebesar 0.50 m/s. Sedangkan
untuk hembusan terendah dan DAFTAR PUSTAKA
tertinggi pada untuk kecepatan angin [1] Widiyanto, W. (2013). Analisis
yaitu pada tahun 2018 dengan Probabilitas Kecepatan Angin untuk
hembusan terendah dan pada tahun Pesisir Cilacap dengan Menerapkan
2015 dengan hembusan angin Distribusi Weibull dan Rayleigh
tertinggi pada tiap bulan nya. Probability Analisis of Wind Speed
2. Hasil peramalan rata-rata kecepatan for Cilacap Coast by Applying
angin di Kabupaten Lombok Barat Weibull and Rayleigh Distribution.
dengan menggunakan Hybrid Jurnal Sains Dan Teknik, 9(1), 45–
ARIMA-ANN didapatkan bahwa 60.
model terbaik dengan MSE terkecil [2] Desvina, A. P., & Anggriani, M.
dari ARIMA tersebut yaitu (4,2,1). (2015).Peramalan Kecepatan Angin
Dari model ARIMA terbaik maka Di Kota Pekanbaru Menggunakan
dilakukan permodelan menggunakan Metode Box-Jenkins. Jurnal Sains
hasil dari residual ARIMA untuk Matematika Dan Statistika, Vol. 1,
inputan ANN yang digunakan untuk No. 2, Juli 2015 ISSN 2460 - 4542
meramalakan tahun 2019. Model Peramalan, 1(2), 39–51.
ANN tersebut didapatkan dengan 12 [3] Rufiyanti, D. E. (2015).
input layer, 13 hidden layer dan 1 Implementasi Jaringan Syaraf
output layer dengan jumlah epoch 7 Tiruan Backpropagation dengan
dari jumlah maksimal epoch 1000. Input Model ARIMA untuk
Model ANN yang didapatkan tersebut Peramalan Harga Saham.
didapatkan dari nilai MSE training Universitas Negeri Semarang.
dan testing terkecil. [4] Zhang, G. P. (2000). Neural
3. Berdasarkan hasil peramalan rata-rata Networks for Classification : A
kecepatan angin tersebut yang dapat Survey. IEEE Transactions on
diketahui gambaran gelombang air System, 30(4), 451–462.
laut dimana menujukan pada skala [5] Faustina, R. S., Agoestanto, A., &
Beaufort 1 dengan rata-rata Hendikawati, P. (2017). Model
kecepatann angin sebesar 0,3–1,5 m/s Hybrid ARIMA-GARCH Untuk
dengan keadaan udara angin dan Estimasi Volatilitas Harga Emas
keadaan laut gelombang kecil tidak Menggunakan Software R. UNNES
meluap, untuk skala Beaufort 2 Journal of Mathematics, 6(1), 11–
dengan rata-rata kecepatan angin 24.
sebesar 1,6–3,4 m/s menunjukan [6] Sari, V. (2016). Model Hybrid
keadaan angin sepoi-sepoi dan ARIMA dan Neural Network untuk
gelombang kecil dengan luapan Meramalkan Data Time Series.
ombak yang tampak seperti kaca dan Majalah Ilmiah Median Vol. 9, No.
tidak pecah dan pada skala Beaufort 3 1, Oktober 2016 ISSN 1693-0568,
dengan rata-rata kecepatan angin 9(1).
sebesar 3,4–5,4 m/s menunjukan [7] Sulhan, M., & Khoiriyah, R. (2015).
bahwa keadaan angin sepoi-sepoi Sistem Informasi Peramalan
dengan keadaan laut gelombang kecil (Forecasting) Produksi Melalui
yang besar, luapan gelombang mulai Pendekatan Time Series Pada PTPN
XII (Persero) Malang. Prosiding
16
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
17
http://jurnal.unimus.ac.id