Herbalist's Shop Business Plan Infographics by Slidesgo (Autosaved)
Herbalist's Shop Business Plan Infographics by Slidesgo (Autosaved)
Disusun oleh :
Nabila Septiani
1811017320020
01 03
02
Bagaimana indeks kekeringan yang Bagaimana hasil peramalan dari
terjadi di Kota Banjarbaru dengan model SARIMA terbaik ?
menggunakan metode Bagaimana model SARIMA terbaik
Standardized Precipitation Index ? untuk melakukan peramalan indeks
kekeringan di Kota Banjarbaru ?
Tujuan Penelitian
01 03
Menjelaskan indeks kekeringan yang 02 Menentukan hasil peramalan
terjadi di Kota Banjarbaru dengan Membuat model SARIMA terbaik dari model SARIMA terbaik
metode Standardized Precipitation untuk prediksi indeks kekeringan di
Index Kota Banjarbaru
Manfaat Penelitian
01 03
Kajian Penelitian
01 Terdahulu 03
√[ ]
dengan
tidak terdefinisi untuk x=0, maka nilai
1
G(x) menjadi : 𝑡= 𝑙𝑛 2
𝐻 ( 𝑥 )=𝑞+ ( 1− 𝑞 ) 𝐺 ( 𝑥 ) ( 𝐻 ( 𝑥 ))
dimana , m adalah jumlah kejadian hujan 0 mm Perhitungan nilai SPI untuk
( )
2
dan n adalah jumlah data 𝑐 0 +𝑐 1 𝑡 +𝑐 2 𝑡
𝑍 =𝑆𝑃𝐼 =+ 𝑡 −
1+ 𝑑 1 𝑡 + 𝑑 2 𝑡 2 + 𝑑3 𝑡 3
√[
: 2. : 1.432788 dengan
1
]
: 0.802853 : 0.189269
: 0.010328 : 0.001308 𝑡 = 𝑙𝑛 2
( 1− 𝐻 ( 𝑥 ) )
Kekeringan dimulai saat SPI pertama jatuh di bawah nol dan berakhir dengan nilai positif SPI
mengikuti nilai -1.0 atau kurang (McKee et al., 1993). Intensitas kekeringan didefinisikan secara
sewenang-wenang untuk nilai-nilai SPI dengan kategori berikut:
Nilai Transformasi
2
1 (tidak ada transformasi)
0,5
0
-0,5
-1
-2
04 Autocorrelative Function (ACF)
Fungsi autokorelasi merupakan suatu fungsi yang menunjukkan besarnya korelasi
antara pengamatan data pada waktu ke−t dengan pengamatan data pada waktu-waktu
yang sebelumnya (Deviana dkk., 2021).
𝑛 −𝑘
𝜌 𝑘= ∑ ¿ ¿ ¿
^
𝑡 =1
Dimana :
: Nilai estimasi fungsi autokorelasi lag ke-k
: Data Actual waktu ke-t
: Nilai rata-rata
bernilai + maka lag naik ke atas
bernilai - maka lag turun ke bawah
05 Partial Autocorrelative Function (PACF)
Partial Autocorrelative Function adalah suatu persamaan yang berfungsi sebagai penghitung ukuran
kekuatan dari variabel dan . Pada PACF, pengawalan perhitungan nilai dimulai dengan , dimana
adalah nilai dari autocorrelative lag pertama. Berikut ini adalah persamaan untuk
menghitung nilai partial autocorrelative function lag ke- dengan menentukan hasil (Utomo &
Fanani, 2020).
𝑘− 1
𝜌1 ∑ ∅ 𝑘 −1 ,
^ 𝑗 𝜌𝑘 − 𝑗
^ 𝑘𝑘 =
∅ 𝑗 =1
𝑘 −1
1 − ∑ ∅𝑘 − 1 , 𝑗 𝜌 𝑗
𝑗 =1
Dimana :
: Nilai partial autocorrelative function pada lag ke-k
: Nilai autocorrelative function pada lag ke-
06 Seasonal Autoregressive Integrated Moving Average (SARIMA)
Model Seasonal ARIMA ini dinotasikan dengan ARIMA (p, d, q. Pada model ini, terdapat 2 bagian yang
dinotasikan dengan huruf kecil dan huruf kapital, pada (p, d, q) adalah notasi dari model pada bagian yang
tidak musiman. Sedangkan (P, D, Q) adalah notasi dari bagian model yang musiman. Untuk pangkat s
adalah notasi untuk jumlah periode permusim yang akan dihitung. Bentuk dari model Seasonal ARIMA
tersebut dapat dilihat sebagai berikut:
∅ 𝑝 ( 𝐵𝑠 ) ∅ 𝑝 ¿
Dimana :
p, P : Autoregressive : Moving average non musiman
d, D : Differencing : Moving average musiman
q, Q : Moving Average : Data aktual periode t
: Tingkat Autoregressive non musiman : Error periode t
: Tingkat Autoregressive musiman B : Operator backshift berfungsi
: Tingkat differencing non musiman menggeser data keperiode sebelumnya
: Tingkat differencing musiman
07 White Noise
Dapat dikatakan bahwa suatu white noise process adalah stasioner dengan beberapa
sifat berikut:
Fungsi Autokovariansi Untuk melihat apakah residu dalam
{
2
𝜎 𝑎 untuk 𝑘= 0
𝛾𝑘 = proses white noise memenuhi atau
0 untuk 𝑘 ≠ 0 belum, dapat pengujian Ljung-Box,
berikut adalah persamaannya.
Fungsi Autokorelasi
𝜌 2𝑘
𝑘
𝜌 𝑘= {
𝜎 2𝑎 untuk 𝑘= 0
0 untuk 𝑘 ≠ 0
Dimana :
N : jumlah data
K : nilai lag
𝑄=𝑛(𝑛+2) ∑
𝑘=1 𝑛−𝑘
K : maksimum lag
Fungsi Autokorelasi parsial
{
2
𝜎 𝑎 untuk 𝑘=0 Hipotesis :
∅ 𝑘𝑘 =
0 untuk 𝑘 ≠ 0
2
Mean Square Error (MSE) dan
Standar Error Estimate (SEE)
3 1
𝑛
𝑀𝑆𝐸= ∑ ( 𝑍 𝑡 − ^𝑍 𝑡 ) dan
2
√
𝑛 𝑡=1 𝑛
1 2
𝑆𝐸𝐸= ∑ ( 𝑍 𝑡 − 𝑍 𝑡 )
^
𝑛 𝑡=1
09 Curah Hujan
Curah hujan merupakan salah satu faktor penting yang
mempengaruhi berbagai aspek kehidupan manusia. Ada beberapa
kuantitas atau ukuran yang berkaitan dengan hujan, misalnya
keseringan/berapa sering turunnya hujan sering disebut
intensitas hujan, sedangkan penentu banyaknya air hujan sering
digunakan istilah curah hujan. Satuan yang digunakan dalam
curah hujan adalah mm. Definisi curah hujan 1 mm merupakan
jumlah curah hujan yang terjadi pada luasan 1 m2 di suatu tempat
dengan asumsi tidak ada yang menguap.
10 Kekeringan
Kekeringan ditandai dengan jumlah curah hujan yang dibawah angka
normalnya pada satu musim. Menurut Saidah dkk (2017) kekeringan dibagi
menjadi 3 jenis yaitu:
1. Kekeringan meteorologi (meteorology drought)
2. Kekeringan pertanian (agricultural drought)
3. Kekeringan hidrologi (hydrological drought)
11 Indeks Kekeringan
Indeks kekeringan merupakan suatu perangkat utama untuk memperkirakan,
memantau, mendeteksi dan mengevaluasi kejadian kekeringan. Indeks
kekeringan yang dalam proses perhitungannya dapat memanfaatkan
beberapa data, baik data iklim maupun kelengasan tanah. Ada beberapa
metode yang dapat digunakan dalam perhitungan indeks kekeringan
diantaranya, PDSI, Thornthwaitu-Matter, SPI, Run, Desil, Crossing Theory dll.
Metode Penelitian
01 Sumber data
Data yang digunakan sebagai objek dalam penelitian ini adalah data sekunder. Data
sekunder yang didapatkan dari data curah hujan bulanan BMKG Stasiun Meteorologi
Syamsudin Noor Banjarmasin (lokasi terletak di Kota Banjarbaru Kec. Landasan Ulin
Kelurahan Syamsudin Noor) yang didapatkan melalui data online bmkg.go.id dan website
Japan Meteorological Agency dimana terdapat data time series berupa data Curah Hujan
Kota Banjarbaru Januari 2007 - Desember 2022.
02 Variabel Penelitian
Pada penelitian ini, variabel yang digunakan adalah curah hujan di Kota Banjarbaru.
Data berjumlah 192 data pada Januari 2007 – Desember 2022.
Prosedur Penelitian
Mulai
Studi Literatur
Pengumpulan Data
Curah Hujan
Tidak
Stasioner Transformasi
atau
Data
differencing
Ya
Model SARIMA
Kelayakan Model
Peramalan
Jadwal Penelitian
N Bulan Bulan Bulan Bulan Bulan
o Nama Kegiatan Ke-1 Ke-2 Ke-3 Ke-4 Ke-5
1 Penentuan Topik
2 Studi Literatur
3 Penyusunan Proposal
4 Pelaksanaan seminar proposal
5 Perbaikan proposal
6 Pengumpulkan data
Melakukan analisis indeks
7
kekeringan
Melakukan analisis deret waktu
8
(SARIMA)
Melakukan interpretasi hasil
9
dan penarikan kesimpulan
Persiapan dan Pengajuan
10
Sidang Hasil Penelitian
11 Pelaksanaan sidang hasil
11 Perbaikan Laporan Tugas Akhir
Daftar Pustaka
Ali, H. M., & Mohamed, T. M. (2014). Rainfall Drought Simulating Using Stochastic SARIMA Models for Gadaref Region, Sudan. 1-13.
Aulia, F., Yozza, H., & Devianto, D. (2019). Peramalan Curah Hujan Bulanan Kabupaten Tanah Datar Dengan Model Seasonal
Autoregressive Integrated Moving Average (Sarima). Jurnal Matematika UNAND, 8(2), 37–44.
https://doi.org/10.25077/jmu.8.2.37-44.2019
Deviana, S., Nusyirwan, N., Azis, D., & Ferdias, P. (2021). Analisis model Autoregressive Integrated Moving Average Data Deret Waktu
Dengan Metode Momen Sebagai Estimasi Parameter. Jurnal Siger Matematika, 2(2), 57–67.
https://jurnal.fmipa.unila.ac.id/JSM/article/view/2812
Fadliani, I., Purnamasari, I., & Wasono. (2021). Peramalan dengan Metode SARIMA Pada Data Inflasi dan Identifikasi Tipe Outlier (Studi
Kasus: Data Inflasi Indonesia Tahun 2008-2014). Jurnal Statistika Universitas Mulawarman, 9(2), 109–116.
https://doi.org/10.26714/jsunimus.9.2.2021.109-116
Kurniawan, A. (2010). Verifikasi Data Pengukuran Curah Hujan antara Vaisala Hydromet-MAWWS201 Menggunakan Sensor Hujan Rain
Gauge Qmr101 dengan penakar hujan observasi (OBS) di SPAG Bukit Kototabang pada Januari-Juni 2010, Megasains.
Kurniawan, R. (2016). Kombinasi Autoregressive Integrated Moving Average ( ARIMA ) dan Standardized Precipitation Index ( SPI )
untuk Penentuan Indeks Kekeringan dengan Teknologi Android ( Studi kasus : Wilayah Kabupaten Boyolali ) Artikel Ilmiah.
Perpustakaan Universitas Kristen Satya Wacana, 1–19.
Lusiana, A., & Yuliarty, P. (2020). Penerapan Peramalan (Forecasting) Pada Permintaan Atao di PT X. Industri Inovatif : Jurnal Teknik
Industri, 11–20. https://doi.org/10.36040/industri.v10i1.2530
Maulana, H. A. (2018). Pemodelan Deret Waktu Dan Peramalan Curah Hujan Pada Dua Belas Stasiun Di Bogor. Jurnal Matematika
Statistika Dan Komputasi, 15(1), 50–63. https://doi.org/10.20956/jmsk.v15i1.4424
McKee, T. B., Doesken, N. J., & Kleist, J. (1993). The Relationship of Drought Frequency andd Duration to Time Scales. Eight Conference on
Applied Climatology, 1–6. https://doi.org/10.1002/jso.23002
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to Time Series Analysis and Forecasting (2nd Ed). John Wiley &
Sons, Inc.
Nikmatillah, V. M., Anggraeni, D., & Hadi, A. F. (2020). Prediction Interval in Seasonal Autoregressive Integrated Moving Average (SARIMA)
Model for Rainfall Forecasting and Drought. In Proceedings of the International Conference on Mathematics and Islam (ICMIs 2018),
101–107. https://doi.org/10.5220/0008517801010107
Nurhayati, A., Nohe, D. A., & Syaripuddin. (2013). Peramalan Menggunakan Model ARIMA Musiman dan Verifikasi Hasil Peramalan
dengan Grafik Pengendali Moving Range (Studi Kasus: Produksi Air Bersih di PDAM Tirta Kencana Samarinda). Eksponensial, 4(1),
55–62.
Putri, N. (2020). Analisis Pola Kecenderungan Kekeringan dengan Metode Standardized Precipitation Index (Spi) dan Metode Palmer
Drought Severity Index (Pdsi) di Kabupaten Lombok Barat dan Lombok Tengah. 1–14. http://eprints.unram.ac.id/15279/
Rahmalina, W., & Novreta. (2020). Peramalan Indeks Kekeringan Kelayang Menggunakan Metode SARIMA dan SPI. Potensi : Jurnal Sipil
Politeknik, 22(1), 64–75. https://doi.org/10.35313/potensi.v22i1.1824
Saidah, H., Budianto, M. B., & Hanifah, L. (2017). Analisa Indeks Dan Sebaran Kekeringan Menggunakan Metode Standardized
Precipitation Index (Spi) Dan Geographical Information System (Gis) Untuk Pulau Lombok. Jurnal Spektran, 5(2), 173–179.
Sitorus, V. B., Wahyuningsih, S., & Hayati, M. N. (2017). Peramalan dengan Metode Seasonal Autoregressive Integrated Moving Average
(SARIMA) di Bidang Ekonomi (Studi Kasus: Inflasi Indonesia). Jurnal Eksponensial, 8(1), 17–26.
http://mmep.isme.ir/article_25341.html
Suni, Y. P., Karlina., & Sujono, J. (2022). Analisis Kekeringan Menggunakan Metode SPI dan PDSI pada Daerah Aliran Sungai Liliba.
Jurnal Teknik Sipil, 91-104.
Tantia, Y. A., Budianto, M. B., & Setiawan, E. (2018). Analisa Kekeringan Menggunakan Metode Standardized Precipitation Index (SPI)
dan Palmer Drought Severity Index (PDSI) di Kecamatan Pujut Kabupaten Lombok Tengah. JURNAL TEKNIK SIPIL, 1–26.
Utomo, P., & Fanani, A. (2020). Peramalan Jumlah Penumpang Kereta Api di Indonesia Menggunakan Metode Seasonal Autoregressive
Integrated Moving Average (SARIMA). Jurnal Mahasiswa Matematika ALGEBRA, 1(1), 169–178.
http://jurnalsaintek.uinsby.ac.id/mhs/index.php/algebra/article/view/6/6
Terima
Kasih