PERAMALAN CURAH

HUJAN MENGGUNAKAN
METODE ARIMA GARCH

Presentation By:
Ilmiyatus Solehah (2019010100005)
Khodaifah (2019010100011)

Mata Kuliah : Analisis Deret Waktu

Dosen Pengampu : Ibu Ira Yudistira, M.Si.
Pendahuluan

Kondisi iklim yang berubah-ubah memberi dampak negatif pada

kondisi cuaca pada suatu wilayah. Perubahan cuaca yang terjadi
mengakibatkan pola intensitas curah hujan ikut berubah. Perubahan
cuaca ini dirasakan cukup ekstrim, mengakibatkan peningkatan
intensitas curah hujan yang berdampak pada banjir, badai angin, dsb.
Perubahan kondisi iklim ini tentu sangat mempengaruhi perencanaan
pembangunan di berbagai sektor. Dampak buruk yang dihasilkan dari
kondisi ekstrim tersebut antara lain: kegagalan panen, peningkatan
kemiskinan, penurunan kondisi kesehatan masyarakat dll.
Tinjauan Pustaka

Curah Hujan
Indonesia merupakan negara yang berada di garis khatulistiwa. Akibatnya Indonesia
memiliki musim kemarau dan musim penghujan. Dua musim ini sangat berpengaruh
terhadap kelangsungan hidup makhluk hidup di wilayah Indonesia.
Akibatnya, masyarakat Indonesia harus mengenali faktor dari kedua musim tersebut
agar dapat melakukan aktivitas dengan lancar. Salah satu faktor yang penting dari
musim-musim tersebut adalah curah hujan.

Peramalan
Model peramalan secara umum dapat dikemukakan sebagai, Yt = pola + error.
Data dibedakan menjadi komponen yang dapat diidentifikasi (pola) dan yang tidak dapat
diidentifikasi (error). Jadi, penggunaan metode peramalan adalah untuk mengidentifikasi
suatu model peramalan sedemikian rupa sehingga error nya menjadi seminimal mungkin.
Penggunaan teknik peramalan diawali
dengan pengeksplorasian kondisi (pola data) pada waktu yang lalu guna
mengembangkan model yang sesuai dengan pola data itu dengan menggunakan
asumsi bahwa pola data pada waktu yang lalu itu akan berulang lagi pada waktu
yang akan datang.
Tinjauan Pustaka

• Autoregressive Integrated Moving Average (ARIMA)

Model Autoregressive Integrated Moving Average (ARIMA) (p,d,q) berikut :
 Tinjauan Pustaka

Metode Generalized Autoregrresive Conditional Heteroscedasticity atau disingkat

GARCH yang dikembangkan oleh Bollerslev tahun 1986 adalah suatu metode yang
berasal dari pengembangan metode Autorerresive Conditional Heteroscedasticity
(ARCH). Identifikasi orde pada GARCH bisa juga dilakukan dengan melihat pola ACF
dan PACF dari data time series. Proses GARCH didefinisikan oleh persamaan
sebagai berikut :

Dimana adalah kondisional varians dari > 0 dan < 1. selanjutnya adalah koefisien
parameter dari ARCH dan GARCH. ACF dan PACF dari residual dapat membantu
mengidentifikasi tingkat r dan s pada ARCH dan GARCH. (Bolerslev, 1986).
Tinjauan Pustaka
 Stasioner dan Non-Stasioner Pada Mean dan Variansi
Kestasioneran suatu data dilihat dari dua hal yaitu stasioner dalam mean (rata-rata) dan
stasioner dalam variansi. Jika merupakan pengamatan pada waktu m dan dapat ditulis
maka dikenal sebagai proses Stokastik. Peubah acak dikatakan stasioner
orde ke m, jika

 Transformasi Box Cox

Transforamsi Box-Cox merupakan salah satu metode untuk proses kestasioneran dalam
variansi yang dikenalkan oleh Box dan Tiao Cox. Transformasi Box-Cox juga disebut
Transformasi Kuasa. Secara matematis Box-Cox dapat ditulis :

Notasi melambangkan parameter transformasi. Setiap mempunyai rumus

transformasi yang berbeda.
Tinjauan Pustaka

 Pembedaan (differencing)
Proses pembedaan (differencing) dilakukan setelah data stasioner dalam varians.
Proses pembedaan dilakukan jika data tidak stasioner dalam mean. Proses differencing
pada orde pertama merupakan selisih antara data ke-t dengan data ke- t-1
yaitu
Adapun bentuk differencing untuk orde kedua, yaitu

 Uji Akar Unit (Unit Root Test)

Uji akar unit adalah salah satu cara untuk menguji kestasioneran suatu data runtun
waktu. Uji akar unit dapat dijelaskan dari model di bawah ini :
 Tinjauan Pustaka

 ACF dan PACF

Koefisien autokorelasi merupakan suatu fungsi yang menunjukkan tingkat keeratan
hubungan linear (besarnya korelasi) antara pengamatan pada waktu ke t dengan
pengamatan pada waktu-waktu yang sebelumnya (dinotasikan dengan ).

Fungsi autokorelasi parsial adalah suatu fungsi yang menunjukkan besarnya korelasi
parsial antara pengamatan pada waktu ke t ( ) dengan pengamatan pada waktu-
waktu sebelumnya ( ) Rumus untuk autokorelasi parsial (dinotasikan ) adalah
 Tinjauan Pustaka

 Pemeriksaan Diagnosa
1) Penaksiran dan Pengujian Parameter
Model peramalan yang diperoleh akan diuji signifikan parameter modelnya dengan
hipotesis sebagai berikut.
Hipotesis :
: Estimasi Parameterrnya = 0
: Estimasi Parameterrnya ≠ 0
Statistik uji :
 Tinjauan Pustaka

 Pemeriksaan Diagnosa
2) Uji Asumsi Residual
a. Distribusi Normal
Pengujian kenormalan dapat dihitung dengan menggunakan Uji Jarque Bera (JB).
Hipotesis :
: Residual Berdistribusi Normal
: Residual Tidak Berdistribusi Normal
Statistik uji :
 Tinjauan Pustaka

 Pemeriksaan Diagnosa
2) Uji Asumsi Residual
b. White Noise
Pengujian asumsi white noise dilakukan dengan menggunakan uji Ljung-Box.
Hipotesis :

Statistik uji :
Tinjauan Pustaka
o Ada beberapa kriteria pemilihan model yang dapat digunakan
untuk memilih model ARIMA terbaik pada suatu data runtun
waktu, antara lain Akaike’s Information Criterion (AIC).
Rumus perhitungan AIC adalah sebagai berikut :

dengan k adalah banyaknya parameter model dan n adalah

jumlah data (pengamatan)
Metode Penelitian
Penelitian ini menggunakan metode SARIMA untuk meramalkan curah hujan di Kecamatan
kalianget, yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari
Badan Meteorologi
Klimatologi dan Geofisika (BMKG) Kalianget. berupa data curah hujan bulanan dari tahun
2012 - 2021
Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des

2012 260.1 176 201.1 37,6 144,3 12,7 0,1 0 0 0 65,1 284,7

2013 292,7 147,6 149,9 216,9 224,7 379,6 153,8 0 0,1 0 116,2 377,2

2014 201,5 324 145,6 123 28,6 16,8 16,7 0,4 0 0 16,5 258,8

2015 205,2 145,5 79,1 150,7 78,7 28,7 0 8,8 2 0 11 117,3

2016 161 182,7 163,3 360,6 228,1 155,9 154,3 12.5 8,2 309,9 50,4 263,8

2017 400,7 309,5 163,4 193 68,2 139,3 20,2 0 0 2,2 302 229,4

2018 334,5 319,9 250,5 55,3 31,2 15,8 0 0 0 0 170,6 258,1

2019 299,9 393,7 176,7 115,6 4,7 0 3,2 0 0 0 15,4 169,9

2020 310,9 339,6 226,5 177,1 160,1 2,7 45,3 10,1 1,5 103,2 78,1 392,1

2021 357,9 283,7 175,5 178 89,2 76,2 5,3 0 16,9 47,7 375,5 305,3
 Hasil dan Pembahasan
 Uji Stasioneritas Data

Berdasarkan hasil pegolahan data, dapat dilihat bahwa hasil

statistik uji Augmented Dickey-Fuller (ADF) adalah 0.01 lebih kecil
dari taraf signifikan 5%. Ini artinya hipotesiss nol ( ) ditolak. Hal
ini menunjukan bahwa data curah hujan bulanan Kecamatan
kalianget sudah stasioner.
 Hasil dan Pembahasan
 Deskripsi Statistik dan Plot Data

Berdasarkan gambar di atas, dapat dilihat bahwa pola yang terbentuk sejak Januari 2012
sampai dengan Desember 2021 adalah jumlah curah hujan mengalami curah hujan
paling tinggi berada di akhir tahun. Pola ini mengindikasikan bahwa terdapat komponen
musiman pada data curah hujan bulanan Kecamatan Kalianget, walaupun variasi hujan
tiap tahun berbeda.
 Hasil dan Pembahasan

 Penentuan Orde Model

Berdasarkan hasil dari penentuan

orde model terpilih model5. dengan
menghasilkan nilai AIC terkecil.
Sehingga model5 terpilih
 Hasil dan Pembahasan

 Uji signifikasi parameter

 Hasil dan Pembahasan

 Uji signifikasi parameter  Uji White Noise

 Hasil dan Pembahasan

 PERAMALAN
 Kesimpulan

Dari uraian pada bagian sebelumnya data curah hujan dari tahun
2012-2021 sudah tersasioner, dari hasil uji ADF diperoleh nilai p-
value sebesar 0,01 yang mana Hipotesis Nol diterima, dan
melakukan percobaan pada model,dan terdapat nilai AIC terkecil
berada pada model ARIMA (0,0,1). Untuk hasil peramalan curah
hujan selama 9 bulan kedepan mengalami kontinuitas.
THANK YOU