Prediksi Indeks Kekeringan Menggunakan Metode Standardized

Precipitation Index (SPI) dan Seasonal Autoregressive Integrated

Moving Average (SARIMA) Kota Banjarbaru

Disusun oleh :
Nabila Septiani
1811017320020

Dosen Pembimbing I : Dosen Penguji I :

Nur Salam, S.Si., M.Sc Yeni Rahkmawati, S.Mat., M.Si.
NIP. 198303282005012001 NIP. 199404032022032014

Dosen Pembimbing II : Dosen Penguji II :

Khairullah, S.P., M.Si Dr.Tetti Novalina Manik, S.Si., M.T
NIP. 198807112019031014 NIP. 197412272001122003

Program Studi Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lambung Mangkurat
 Latar Belakang

Kekeringan Curah Hujan

Analisis Deret Waktu Indeks Kekeringan

SARIMA
 Rumusan Masalah

01
Bagaimana indeks kekeringan yang
terjadi di Kota Banjarbaru dengan
menggunakan metode
Standardized Precipitation Index ?
03
02
Bagaimana hasil peramalan dari
model SARIMA terbaik ?
Bagaimana model SARIMA terbaik
untuk melakukan peramalan indeks
kekeringan di Kota Banjarbaru ?

Tujuan Penelitian
01
Menjelaskan indeks kekeringan yang
terjadi di Kota Banjarbaru dengan
metode Standardized Precipitation
Index
02
Membuat model SARIMA terbaik
untuk prediksi indeks kekeringan di
Kota Banjarbaru
03
Menentukan hasil peramalan
dari model SARIMA terbaik
 Manfaat Penelitian
01
Bagi penulis sendiri, dapat
memperdalam lagi ilmu yang
berkaitan tentang analisis deret
waktu SARIMA dan bagaimana
permodelannya, serta dapat
menganalisa indeks kekeringan
menggunakan metode SPI
02
Bagi para pembaca, dapat
menambah pengetahuan tentang
pengaplikasian ilmu statistik
menggunakan analisis deret waktu
SARIMA dan metode SPI khususnya
dalam menganalisis indeks
kekeringan
03
Bagi pihak pemerintahan, dapat
menjadi referensi untuk
menggunakan metode SARIMA
dan SPI untuk mengetahui
terjadinya kekeringan dalam
tahun berikutnya dan dapat
mengantisipasi terjadinya
kekeringan tersebut.

01
Hisham M. & Tariq M, 2014
Telah melakukan penelitian untuk
mengetahui model terbaik
menggunakan metode SARIMA dengan
menggunakan data kekeringan curah
hujan yang diteliti menggunakan
metode SPI dari stasiun Gadaref, Sudan
pada tahun 1971 hingga 2010.
Kajian Pustaka
Kajian Penelitian
Terdahulu 03
Vita Mami Nikmatillah dkk,
02 2020
Melakukan penelitian untuk
mengetahui peramalan curah hujan
dan indeks kekeringan pada empat
Widdya R dan Novreta, 2020 wilayah di Kabupaten Jember.
Meramalkan indeks kekeringan pada
daerah irigasi Kelayang menggunakan
metode SARIMA. Lalu menganalisis
indeks kekeringan pada Daerah Irigasi
Kalayang menggunakan metode SPI
 Kajian Teori
01 Metode Standardized Precipitation Index (SPI)
Metode Indeks kekeringan SPI adalah indeks yang digunakan untuk menentukan penyimpangan
curah hujan terhadap normalnya dalam satu periode yang panjang (bulanan, dua bulanan, tiga
bulanan dan seterusnya)(Saidah dkk., 2017).
𝑥 𝑥 −𝑥
1
𝐺 ( 𝑥 ) =𝑥∫ 𝑔 ( 𝑥 ) 𝑑𝑥= 𝛼 ∫ Perhitungan nilai SPI untuk
𝑎− 1 𝛽
𝑡 ℯ 𝑑𝑥
𝛽 𝜏
( 𝑐 0+𝑐 1 𝑡 +𝑐 2 𝑡 2
)
0 ( 𝑎) 0

Dengan G(x) adalah jumlah distribusi 𝑍 =𝑆𝑃𝐼 =− 𝑡 −

1+𝑑 1 𝑡 +𝑑 2 𝑡 2+ 𝑑 3 𝑡 3
yang diakumulasi, karena fungsi gamma

√[ ]
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:

Tabel 1. Kategori Kekeringan

Nilai SPI Kategori
Ekstrim Basah
Sangat Basah
Basah
Normal
1.00) Kering
1.5) Sangat Kering
Ekstrim Kering
02 Data Deret Waktu
Deret waktu adalah suatu pengamatan yang terjadi berturut-turut dengan interval waktu
tertentu dengan interval yang sama. (Lusiana & Yuliarty, 2020). Interval waktu tertentu dari
data deret waktu misalnya data mingguan, bulanan atau tahunan (Maulana, 2018).

Gambar 1. Pola Data Tren Gambar 2. Pola Data Musiman

Gambar 3. Pola Data Siklus Gambar 4. Pola Data Stasioner

03 Stasioner Data
Data deret waktu dikatakan stasioner jika tidak ada perubahan kecenderungan dalam rata-
rata dan perubahan variansi. Dengan kata lain data deret waktu yang stasioner adalah
relative tidak terjadi kenaikan atau penurunan nilai secara tajam pada data (fluktuasi data
berada pada sekitar nilai rata-rata yang konstan)(Fadliani dkk., 2021)

Stasioner Data dalam Rata-rata dan Stasioner Data dalam Variansi

𝑦 =𝑍 𝑡𝜆
Dimana : Dimana :
: nilai dari variable z pada waktu t Z : Data Actual
sesudah differensiasi t : Waktu
s : periode musiman : Parameter Transformasi
Nilai dengan aturan transformasi Box-Cox dituliskan pada tabel 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

apabila taraf signifikan yang ditetapkan α = 5%

dan apabila p-value lebih besar dari α maka
ditolak dan berarti tidak memenuhi white noise.
08 Pemilihan Model Terbaik
Ketepatan metode berguna untuk
mengevaluasi hasil dari peramalan Mean Absolute
𝑛 Deviation (MAD)
1
yang telah dilakukan. Jika terdapat 𝑀𝐴𝐷= ∑ | 𝑍 𝑡 − ^𝑍 𝑡|
lebih dari satu model yang cocok
untuk peramalan, untuk memilih
1 𝑛 𝑡 =1

model terbaik maka dapat dilihat

dengan nilai kesalahan terkecil.
Mean Absolute Percentage Error (MAPE)

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

Analisis Indeks Kekeringan (SPI)

Data Indeks Kekeringan

Plot Deret Waktu, ACF dan PACF

Tidak
Stasioner Transformasi
atau
Data
differencing

Ya
Model SARIMA

Estimasi Parameter Pada Model

Kelayakan Model

Model SARIMA Terbaik

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