bab i
DESCRIPTION
kapita selektaTRANSCRIPT
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.