BAB I

PENDAHULUAN

1.1 Latar Belakang

Pendekatan statistik dari analisis time series memberi alternatif cara untuk

prediksi curah hujan. Model ARIMA menggabungkan karakteristik musiman,

yang disebut sebagai model Seasonal ARIMA yang disajikan.

Penelitian curah hujan menggunakan metode Autoregressive Integrated

Moving Average (ARIMA) telah dilakukan di Indonesia, beberapa diantaranya

Mauludiyanto (2009), Kalfarosi (2009), Sutrisno (2009), dan Nail (2009).

Sutrisno (2009) meramalkan curah hujan di Surabaya dengan metode ARIMA dan

menghasilkan model peramalan curah hujan yang non-stasioner melalui proses

differencing. Namun model ARIMA yang terbentuk belum menitikberatkan

kejadian musiman (seasonal) yang merupakan sifat data curah hujan. Padahal

menurut S.J. Vermeulen, et all (2012) memasukkan faktor musiman sangat

penting karena sangat mempengaruhi peramalan. Mauludiyanto (2009)

menggunakan model ARIMA untuk satu lokasi curah hujan. Namun, penggunaan

metode ARIMA seringkali belum mampu memberikan residual yang memenuhi

uji normalitas Kolmogorov-Smirnov karena adanya outlier.

Saat ini BMKG seringkali menggunakan metode ARIMA dalam

meramalkan curah hujan. Metode ARIMA mampu memberikan hasil yang baik,

namun harus memenuhi beberapa asumsi, diantaranya adalah white noise,

berdistribusi normal, stasioner dalam mean dan varians (Wei, 2006). Faktanya

asumsi-asumsi tersebut sering terlanggar. Selain itu, metode ARIMA belum

mampu mengakomodasi adanya data ekstrim. Oleh karena itu, diperlukan metode

yang mampu mengakomodasi adanya data ekstrim yang selanjutnya dapat

digunakan sebagai basis data penyusunan kalender tanam. Metode Seasonal

Autoregressive Integrated Moving Average (SARIMA) merupakan metode

alternatif untuk menutupi kelemahan metode ARIMA. Metode SARIMA pernah

digunakan oleh Hermanto (2007) untuk meramalkan tingkat penjualan motor

sebuah dealer dan Yanto (2008) untuk meramalkan permintaan tomat di Bandung.

Pendekatan dengan SARIMA memberikan pendekatan yan g paling baik karena

permintaan dan penjualan tersebut memiliki fluktuasi tinggi dan sifat musiman.

Autoregressive Integrated Moving Average Model (ARIMA), adalah time

series model analisis banyak digunakan dalam statistik. Model ARIMA pertama

kali diusulkan oleh Box dan Jenkins pada awal tahun 1970, yang sering disebut

sebagai model Box-Jenkins atau model BJ untuk kesederhanaan (Stoffer dan

Dhumway, 2010). ARIMA adalah jenis model prediksi jangka pendek dalam

analisis time series. Karena metode ini relatif sistematis, fleksibel dan dapat

memahami lebih asli informasi time series, itu secara luas digunakan dalam

meteorologi, teknologi rekayasa, Kelautan, statistik ekonomi dan teknologi

prediksi, (Kantz dan Schreiber, 2004; Cryer dan Chan, 2008).

Model ARIMA umum juga berlaku untuk time series non-stasioner yang

memiliki beberapa kecenderungan diidentifikasi dengan jelas (Stoffer dan

Dhumway, 2010). Biasanya kita menunjukkan Model ARIMA sebagai ARIMA

(p, d, q), di mana p dan q adalah bilangan bulat non-negatif yang sesuai dengan

urutan autoregressive, terintegrasi dan bergerak bagian rata-rata model, masing-

masing. Selain model ARIMA umum, yaitu non-musiman ARIMA (p, d, q), kita

juga harus mempertimbangkan beberapa deret waktu berkala. Periodisitas time

series berkala biasanya akibat perubahan musim (termasuk bulanan, triwulanan

dan tingkat perubahan minggu) atau beberapa alasan alam lainnya. Kita bisa

membangun Seasonal murni A ARIMA (P, D, Q) Model (He, 2004) dengan

tanggal time series dalam siklus yang berbeda dan fase yang sama, parameter P, D

dan Q adalah parameter autoregressive relevan musiman, parameter terpadu

musiman dan parameter moving average musiman.

Mengingat hubungan data, kita dapat membangun sebuah perkalian

musiman model SARIMA (p, d, q) (P, D, Q)s, (Wang et al., 2008). Model ini telah

berhasil diterapkan di banyak mata pelajaran. Dalam aplikasi praktis, urutan

model SARIMA biasanya tidak terlalu besar (Guo, 2009). Jika periode time series

sama dengan 12, maka dapat dinyatakan sebagai SARIMA (p, d, q) (P, D, Q)12.

Dalam penyesuaian musim, ini adalah sangat nyaman, model yang stabil.

1.2 Rumusan Masalah

Berdasarkan latar belakang penelitian yang telah diuraikan maka

permasalahan yang didapat adalah :

1. Bagaimana memprediksi curah hujan di Provinsi Sulawesi Selatan .

2. Bagaimana memodelkan runtun waktu curah hujan menggunakan

Seasonal ARIMA di Provinsi Sulawesi Selatan.

1.3 Batasan Masalah

Penelitian ini hanya dibatasi pada permasalahan Seasonal

Autoregressive Integrated Moving Average (SARIMA) dalam hal ini curah hujan

di Provinsi Sulawesi Selatan.

1.4 Tujuan Penulisan

Tujuan dari penulisan tugas akhir ini adalah :

1. Memprediksi curah hujan di Provinsi Sulawesi selatan.

2. Menemukan Model terbaik dari keadaan data curah hujan Provinsi

Sulawesi selatan.

1.5 Manfaat Penulisan

Penelitian ini untuk memenuhi mata kuliah Kapita Selekta penulis.