peramalan dbit air sungai brantas dengan metode...
TRANSCRIPT
PERAMALAN DBIT AIR SUNGAI BRANTAS DENGAN METODE GSTAR DAN ARIMA
HENNY DWI KHOIRUN NISA’1205 100 044
Seminar Tugas AhirSenin, 19 juli 2010
Dosen PembimbingDra Nuri Wahyuningsih, MKes
Latar belakang
1. Sungai Brantas, dengan batas administrasi meliputi 9kabupaten dan 6 kota atau sebesar 26,5% dari wilayahpropinsi Jawa Timur.
2. Kawasan rawan banjir adalah kawasan yang setiap musimhujan mengalami genangan lebih dari enam jam pada saathujanturundalamkeadaannormal.hujanturundalamkeadaannormal.
3. Agar ada Perkiraan kapan banjir itu akan terjadi, makaperlu kirannya untuk melakukan peramalan debit airsungai Brantas.
4. Model GSTAR ini dapat diterapkan pada data debit airsungai Brantas. Dengan diperoleh model GSTAR, makadiharapkan akan diketahui hasil peramalan debit air sungaiBrantas.
Perumusan Masalah
Bagaimana1. akurasi peramalan2. ramalan terbaik
Batasan Masalah1. Data yang digunakan skunder2. Lokasi berdekatan3. Model GSTAR dengan bobot lokasi seragam dan
invers jarak
Tujuan
Manfaat
Menentukan1. model terbaik2. ramalan dari model terbaik
1. Dapat mengetahui debit air sungai pada periodeyang akan datang
2. Memberikan informasi
TINJAUAN PUSTAKA
Model ARIMA
dimana :orde AR nonmusiman, orde differencingnonmusiman,ordeMA nonmusimanorde AR nonmusiman, orde differencingnonmusiman,ordeMA nonmusimankoefisien komponen AR nonmusiman denganderajatpkoefisien komponen MA nonmusiman denganderajat qbackshift operator nonmusiman
Lanjutan…
Dua bobot lokasi yang digunakan dalam Dua bobot lokasi yang digunakan dalam penelitian ini adalah:1. Bobot seragam atau Uniform.2. Bobot invers jarak.
METODELOGI PENELITIAN
1. Data yang digunakan dalam penelitian ini didapatkan dari Biro Pengelolaan Data dan Lingkungan.
2. Variabel yang digunakan dalam penelitian ini2. Variabel yang digunakan dalam penelitian ini
• Jumlah debit air sungai di out mrican (Z1).
• Jumlah debit air sungai di kertosono (Z2).
• Jumlah debit air sungai di ploso (Z3).
METODE ANALISIS
Mulai
Menentukan orde GSTAR
Estimasi parameter model GSTAR
GSTAR
Menentukan MPACF, MACF, dan nilai AIC
Differencing atau
tranformasi Peramalan
A
Tidak
Tidak
ya
ya
Data debit air sungai Brantas
Apakah data stasioner?
Apakah model sesuai?
LANJUTAN…
Mulai
Menentukan orde ARIMA
Estimasi parameter model ARIMA
ARIMA
Data debit air sungai Brantas
Menentukan PACF dan ACF
Differencing atau
tranformasi Peramalan
B
Tidak
Tidak
ya
yaApakah data stasioner?
Apakah model sesuai?
Taksiran Parameter Model GSTAR(21)-I(1)
yang Signifikan
Model yang dihasilkan untuk bobot seragam
Model yang dihasilkan untuk bobot invers jarak
Model GSTAR(21)-I(1) dengan lokasi Bobot Seragam
Model GSTAR(21)-I(1) dengan lokasi Bobot Invers Jarak
Syntax sas untuk model var/gstar
data DEBITAIR;input Z1 Z2 Z3;datalines;
48.350 97.000 184.0469.670 120.75 193.8366.750 116.63 197.75
266.13 379.08 350.17266.13 379.08 350.17396.63 477.29 450.33584.83 787.08 853.21;
run;proc varmax data=DEBITAIR;
model Z1 Z2 Z3/p=1dify(1)lagmax=10minic=(p=9)nointnoint print=(corry pcorr);
Syntax SAS untuk model ARIMA
data DATADEBIT; input Z1; datalines;
48.35069.67066.750
data DATADEBIT; input Z2; datalines;
97.000 120.75 116.63
data DATADEBIT; input Z3; datalines;
184.04 193.83 197.75 66.750
.
.
. 266.13396.63584.83 ; proc arima data=DATADEBIT out=out1;
identify var=Z1; run; estimate p=1 noconstant;
run; forecast lead=30 out=out2; run;
116.63 . . .
379.08 477.29 787.08 ; proc arima data=DATADEBIT out=out1;
identify var=Z2; run; estimate p=1 noconstant;
run; forecast lead=30 out=out2; run;
197.75 . . .
350.17 450.33 853.21 ; proc arima data=DATADEBIT out=out1;
identify var=Z3(1); run; estimate p=(3,10) q=(3,13) noconstant;
run; forecast lead=30 out=out2; run;
Kesimpulan
1. Model GSTAR(21)-I(1) dengan Bobot Invers Jarak
2. Berdasarkan nilai rata-rata RMSE terkecil, modelterbaik yang dihasilkan adalah model GSTAR(21)-I(1) dengan bobot lokasi invers jarak. Nilai rata-rataRMSE dari model metode peramalanone stepforecast adalah 165,5078 m3/s
Saran
Untuk penelitian selanjutnya, perlu dilakukan kajian lebih lanjut mengenai hubungan spasial antar variabel dan mencoba menggunakan variabel yang lebih dari 3variabel yang lebih dari 3
DAFTAR PUSTAKAArmstrong, J.S. (2006). Significance Test Harm Progress in Forecasting.International Journal of Forecasting, vol 23, pp. 321-327.
Borovkova, S.A., dkk. (2002). Generalized STAR model with experimental weights.In M. Stasionopoulos and G. Toulomi (Eds.).Proceedings of the 17th International Workshop on Statistical Modeling, Chania, pp. 139-147.
Borovkova, S.A., dkk. (2008). Consistency and asymptotic normality of least square estimators in generalized STAR models.Journal compilation Statistica Neerlandica, Neerlandica, pp. 482-508.
Box, G.E.P., dkk. (1994).Time Series Analysis: Forcasting and Control. 3rd edition, Englewood Cliffs: Prentice Hall.
Cryer, J.D. (1986).Time Series Analysis. PWS-Kent Publishing Co: Boston.
Kostenko, A.V. dan R.J. Hyndman. (2008). Forecasting without significance test?.RobJHynman.com/papers/sst2.pdf.
Lutkepohl, H. (2005).New Introduction to Multiple Time Series Analysis, New York: Springger.
Pfeifer, P.E. dan S.J. Deutsch. (1980a). A Three Stage Iterative Procedure for Space-Time Modeling.Technometrics, 22 (1), 35-47.
Pfeifer,P.E. danS.J. Deutsch. (1980b). IdentificationandInterpretationof First OrdeSpace-Time ARMA Models. Technometrics,Pfeifer,P.E. danS.J. Deutsch. (1980b). IdentificationandInterpretationof First OrdeSpace-Time ARMA Models. Technometrics,22 (1), 397-408.
Ruchjana, B.N. (2002). Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi S-TAR.Forum Statistika danKomputasi, IPB, Bogor.
Shofiyah, M.A., dkk. (2009). Peramalan Data Produksi Gas di Joint Operating Body Pertamina-Petrochina East Java (JOB P-PEJ)dengan Model GSTAR dan ARIMA.
Suhartono dan R.M. Atok. (2006). Pemilihan bobot lokasi yang optimal pada model GSTAR. Prosiding Konferensi NasionalMatematika XIII, (h. 571-580). Semarang, Indonesia: Universitas Negeri Semarang.
Suhartono dan Subanar. (2007). Some Comments on the Theorem Providing StasionerityCondition for GSTAR Models in thePaper by Borovkova et al.Journal of The Indonesian Mathematical Siciety (MIHMI), 13 (1), 44-52.
Suhartono dan Subanar (2006). The Optimal Determination of Space Weight in GSTAR Model by using Cross-correlationInference.Journal of Quantitative Method, Journal Devoted to the Mathematical and Statistical Aplication in Various Field,2 (2), 45-53.
Wei, W.W.S. (2006).Time Series Analysis Univariate and Multivariate Methods, second edition, Pearson Education, Inc.