ABSTRAK
Data curah hujan bulanan sebanyak 114 buah dari Badan Meteorologi dan Geofisika
(BMG) Bandung periode Januari 2001 hingga Juni 2010 diproses dengan program
komputer minitab untuk dilihat polanya dalam model ARIMA. Tahap pemodelan ini
dimulai dari pengujian stasioneritas data, indentifikasi model, estimasi parameter,
verifikasi model, hingga peramalan. Data curah hujan adalah data yang tidak stasioner
sehingga dilakukan pembedaan pertama. Model yang diperoleh dari data hasil pembedaan
pertama ini adalah ARIMA (0,1,1)(0,1,1)12 dengan uji signifikasi parameter model, uji
statistik t, dan overfitting.
ABSTRACT
Monthly rainfall of 114 data got from Badan Meteorologi dan Geofisika (BMG)
Bandung, period January 2001 - June 2010 is processed by a minitab computer program
to see the pattern of existing ARIMA model. Stages of ARIMA modeling were the
identification of models which include testing the stationarity of data and determination
temporary model, estimating model parameter, testing the feasibility of the model, and
forecasting with the model selected. Rainfall data was not stationary as a result
differencing of preliminary data was made. The model built by the first differencing data
was ARIMA (0,1,1)(0,1,1)12 with a test of coefficients (parameters) models significance,
the T statistics test, and overfitting.
dengan analisis runtun waktu dalam sumber literatur dan dokumentasi BMG
penelitian ini, digunakan software Kota Bandung. Data ini dianalisis
minitab karena software komputer ini dengan menggunakan analisis runtun
mempunyai fasilitas lengkap untuk waktu model ARIMA, mulai dari
permasalahan ARIMA. identifikasi model, stasioneritas data,
estimasi model, verifikasi model, dan
METODE PENELITIAN peramalan. Hal ini tergambar dalam
Pada panelitian ini, data diperoleh diagram alir sebagai berikut.
melalui pengumpulan dari beberapa
START
FORECASTING
FINISH
dengan
Pengambilan keputusan : Tolak
n = jumlah data,
H0 jika ⎜thitung ⎜> tα/2, (n-1) = koefisien korelasi
4. Verifikasi Model dengan time lag k,
Pengujian kelayakan model dapat = kesalahan standar
dilakukan dengan beberapa cara : (standard error) dari ,
a.Overfitting dilakukan apabila
= nilai distribusi normal.
diperlukan model yang lebih
Suatu koefisien autokorelasi
luas.
disimpulkan tidak berbeda
b.Menguji residual (error term).
secara signifikan dari nol
Secara sistematis residual dapat
apabila nilainya terletak di
dihitung dengan cara mengurangi
antara rentang nilai tersebut
data hasil ramalan dengan data
dan sebaliknya.
asli. Pemilihan model dalam
2). Autokorelasi Parsial
metode ARIMA dilakukan
Koefisien autokorelasi parsial
dengan mengamati distribusi
mengukur tingkat keeratan
koefisien autokorelasi dan
hubungan antara Xt dengan
koefisien autokorelasi parsial.
Xt-k, sedangkan pengaruh dari
1). Koefisien Autokorelasi
time lag 1, 2, 3, dan
Koefisien korelasi
seterusnya sampai k-1
menunjukkan arah dan
dianggap konstan (Metode
keeratan hubungan dua variasi
Peramalan, 2008).
sehingga menggambarkan apa
5. Menggunakan Model Terpilih
yang terjadi pada satu variabel
untuk Peramalan.
bila terjadi perubahan pada
variabel yang lain. Untuk
menguji signifikasi suatu
Pemodelan Autoregressive Integrated Moving 13
Average (Arima) Curah Hujan
Di Kota Bandung
Autocorrelation
MAPE 1075,6
Curah Hujan (mm)
200 -0,4
-0,6
100
-0,8
0 -1,0
1 11 22 33 44 55 66 77 88 99 110 2 4 6 8 10 12 14 16 18 20 22 24 26 28
Periode Januari 2000 - Juni 2010 (114 bulan) Lag
Grafik trend data asli yaitu rk, signifikan dari nol untuk
memperlihatkan adanya cukup besar.Oleh karena itu, setelah
ketidakstasioneran data karena data tahap ini, dilakukan differencing
mengalami pertumbuhan sepanjang pada data dalam hal ini pembedaan
sumbu waktu (fluktuasi data tidak pertama sehingga diperoleh data
stasioner pada nilai tengahnya). selisih satu yang grafiknya sebagai
Demikian juga pada grafik FAK data berikut.
asli memperlihatkan
ketidakstasioneran data karena
beberapa nilai autokorelasi pada
time-lag 1, 2, dan 5 cukup signifikan
dari nol. Begitu juga pada time-lag
14 Sigma-Mu Vol.3 No.2 – September 2011
Autocorrelation
MAPE 101,3
MAD 117,6 0,2
100 MSD 25387,7
0,0
0
-0,2
-100
-0,4
-200
-0,6
-300 -0,8
-400 -1,0
-500 2 4 6 8 10 12 14 16 18 20 22 24 26 28
1 11 22 33 44 55 66 77 88 99 110 Lag
1,0
0,8
0,6
Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20 22 24 26 28
Lag
ARIMA (0,1,1)(0,1,1)12
Estimates at each iteration
Iteration SSE Parameters
0 3684654 0,100 0,100 -1,038
1 3075389 0,250 0,142 -0,657
2 2605568 0,400 0,188 -0,289
3 2232414 0,550 0,240 0,069
4 1927690 0,700 0,307 0,405
5 1662610 0,850 0,409 0,644
6 1432577 0,973 0,559 0,548
7 1338031 0,996 0,709 0,480
8 1229643 0,988 0,859 0,329
9 1213748 1,009 0,879 0,309
10 1213683 1,008 0,945 0,363
11 1200744 1,006 0,930 0,350
12 1196736 1,005 0,930 0,343
13 1193618 1,003 0,930 0,337
14 1191652 1,001 0,929 0,330
15 1191035 0,998 0,929 0,322
Unable to reduce sum of squares any further
ARIMA (0,1,1)(1,1,1)12
Estimates at each iteration
Iteration SSE Parameters
0 3950982 0,100 0,100 0,100 -0,934
1 3253204 0,072 0,250 0,128 -0,724
2 2729458 0,154 0,400 0,265 -0,353
3 2307145 0,221 0,550 0,400 -0,019
4 1954190 0,264 0,700 0,530 0,255
5 1636376 0,267 0,850 0,667 0,445
6 1466184 0,224 0,924 0,742 0,456
7 1374430 0,149 0,965 0,770 0,463
8 1270217 0,018 0,960 0,841 0,474
9 1209231 -0,083 0,998 0,895 0,421
10 1173834 -0,045 0,997 0,935 0,469
11 1172750 -0,047 0,997 0,932 0,474
12 1172550 -0,048 0,997 0,932 0,474
13 1172460 -0,048 0,997 0,932 0,474
14 1172452 -0,048 0,997 0,932 0,473
15 1172452 -0,048 0,997 0,932 0,473
Relative change in each estimate less than 0,0010
ARIMA (1,1,1)(1,1,1)12
Estimates at each iteration
Iteration SSE Parameters
0 4425227 0,100 0,100 0,100 0,100 -0,840
1 3007829 -0,050 0,049 0,250 0,151 -0,800
2 2791137 0,036 0,064 0,400 0,190 -0,536
3 2544029 0,104 0,076 0,550 0,233 -0,247
4 2243850 0,139 0,093 0,700 0,298 0,091
5 1839545 0,099 0,132 0,850 0,434 0,488
6 1573422 0,022 0,164 0,923 0,584 0,501
7 1509922 -0,044 0,163 0,991 0,734 0,407
8 1289379 -0,138 0,121 0,979 0,871 0,274
9 1172187 -0,143 -0,029 0,983 0,888 0,552
10 1154947 -0,138 -0,040 1,002 0,898 0,524
11 1150482 -0,149 -0,030 1,001 0,918 0,533
Pemodelan Autoregressive Integrated Moving 19
Average (Arima) Curah Hujan
Di Kota Bandung
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 -0,2
-0,4 -0,4
-0,6 -0,6
-0,8 -0,8
-1,0 -1,0
1 2 3 4 5 6 1 2 3 4 5 6
Lag Lag
350 500
300 400
Curah Hujan (mm)
250
300
200
200
150
100
100
0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Periode Juli 2010 - Juni 2012 Periode bulan Juli 2008 - Juni 2010
Grafik FAK dan FAKP data asli selisih satu, diperoleh model
belum memberikan model yang baik sementara ARIMA(1,1,1)(0,1,1)12.
karena data tidak stasioner pada nilai Dalam pengujian parameter,
tengahnya. Oleh karena itu, diperoleh bahwa parameter yang
dilakukan differencing atau menunjukan AR(1) tidak musiman
pembedaan pertama sehingga tidak signifikan terhadap model.
diperoleh data selisih satu. Pada data Dengan demikian, dilakukan
22 Sigma-Mu Vol.3 No.2 – September 2011
LAMPIRAN
Tabel 2. Data Asli
BADAN METEOROLOGI DAN GEOFISIKA
STASIUN GEOFISIKA KELAS I BANDUNG
Jl. Cemara No. 66, Bandung (40161)
Telp. (022) 2031881, Fax. (022) 2036212
_______________________________________________________________________
Jumlah Curah Hujan Kota Bandung (mm)
TAHUN
BULAN
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari 219 364,8 72,1 195,6 168,2 299,9 127,5 240,9 208,5 353,3
Februari 240,9 81,4 265,6 191,2 416,7 282,3 405,7 103,3 200,5 557,1
Maret 206 344,1 365 240,8 307,7 53,4 105,4 242,4 365,7 531
April 244,3 183,1 136 304,8 166,9 232,6 462 327,1 165,6 93
Mei 83,1 55 111,7 286,5 190,6 89,5 88,6 171,2 183,8 345
Juni 87,5 54,1 37,4 76,2 201,6 32,2 164,1 65,3 101 131,9
Juli 187,2 121,8 40,5 34,4 76,3 45 11 3,6 24,2
Agustus 52,3 37,9 74,7 11,4 64,2 - - 58,6 0,5
September 107 10,3 76,3 84,7 145,3 0,3 44,1 41,5 24
Oktober 410,1 20,6 314,2 83,5 114,9 57,1 98,4 137 234,5
November 526,4 196,2 185,9 184,4 225,8 109,3 301,7 277,3 318,2
Desember 75,5 457,7 197,2 238,9 204,7 499,8 389,7 332,8 271,1
Pemodelan Autoregressive Integrated Moving 25
Average (Arima) Curah Hujan
Di Kota Bandung
TAHUN
BULAN
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari - -385,6 -1,6 -70,7 95,2 -372,3 -148,8 240,9 -124,3 82,2
Februari 21,9 193,5 -4,4 248,5 -17,6 278,2 -137,6 103,3 -8 203,8
Maret -34,9 99,4 49,6 -109 -228,9 -300,3 139,1 242,4 165,2 -26,1
April 38,3 -229 64 -140,8 179,2 356,6 84,7 327,1 -200,1 -438
Mei -161,2 -24,3 -18,3 23,7 -143,1 -373,4 -155,9 171,2 18,2 252
Juni 4,4 -74,3 -210,3 11 -57,3 75,5 -105,9 65,3 -82,8 -213,1
Juli 99,7 3,1 -41,8 -125,3 12,8 -153,1 -61,7 3,6 -76,8
Agustus -134,9 34,2 -23 -12,1 -45 -11 55 58,6 -23,7
September 54,7 1,6 73,3 81,1 0,3 44,1 -17,1 41,5 23,5
Oktober 303,1 237,9 -1,2 -30,4 56,8 54,3 95,5 137 210,5
November 116,3 -128,3 100,9 110,9 52,2 203,3 140,3 277,3 83,7
Desember 261,5 11,3 54,5 -21,1 390,5 88 55,5 332,8 -47,1