I.PENDAHULUAN

I.PENDAHULUAN
1.1. Latar Belakang
Cuaca dan iklim memberi pengaruh besar dalam kehidupan masyarakat
Indonesia khususnya masyarakat Sumatera Barat.Sebagaimana kita ketahui bahwa
mata pencarian utama masyarakat Sumatera Barat adalah bidang agraris
(pertanian). Di Sumatera Barat banyak ditemui tanaman seperti hortikultura,padi,
palawija,dan
lainnya
yang
memberikan
hasil
panen
yang
kurang
memuaskan.Berdasarkan kondisinyatanah di Sumatera Barat pada umumnya
subur sehingga dapat mendukung hasil pertanian.Di negara –negara maju dapat
kita lihat bahwa hasil panennya memuaskan dan kualitas yang dihasilkan terbaik,
hal ini terjadi karena mereka memiliki suatu sistem pertanian.Sistem pertanian ini
memperhatikan iklim dan waktu pemupukan yang benar.Sehingga dapat
dikatakan para petani Sumatera Barat khususnya, hanya mengandalkan
pengalaman dalam bertani padahal keadaan cuaca seperti curah hujan ituterus
berubah dan bersifat dinamis.Produksi di bidang pertanian sangat tergantung pada
faktor utama yaitu keadaan tanaman, keadaan tanah , iklim dan kecerdasan
(petani).
Informasi iklim menjadi acuan dalam menentukan pola tanam maupun
awal tanam. Salah satu unsur iklim yang berperan penting yaitu curah hujan,
untuk itu dalam laporan ini dilakukan simulasi komputer yaitu dengan pendekatan
metode ARIMA. Metode ARIMA adalah model yang secara penuh mengabaikan
independen variabel dalam membuat peramalan jangka pendek.
1
1.2.Tujuan
Adapun tujuan pelaksanaan kegiatan PKPM ini yaitu:
1. Mengetahui dan meningkatkan pengetahuan secara umum tentang
klimatologi khususnya curah hujan
2. Menerapan metodeARIMAuntukperamalan
prediksi curah hujan
daerah Sicincin
3. Melakukan prediksi curah hujan daerah Sicincin dengan metode
ARIMA
1.3.Manfaat
1. Manfaat bagi mahasiswa adalah menambah ilmu pengetahuan, wawasan,
dan pengalaman
2. Memberi informasi prediksi curah hujan di daerah sicincindengan
menggunakan metode ARIMA
2
II. TINJAUAN PUSTAKA
2.1 Iklim dan Cuaca
2.1.1
Pengertian
Menurut BMKG Sicincin (2013) iklim didefinisikan sebagai cuaca rata-
rata selama periode waktu yang panjangdengan periode standar rata-rata 30 tahun.
Iklim pada lokasi tertentu dipengaruhi oleh posisi lintang, ketinggian, topografi,
tutupan lahan serta kondisi laut terdekat di wilayahnya. Iklim dapat
diklasifikasikan menggunakan parameter seperti suhu dan curah hujan untuk
menentukan jenis iklim yang spesifik. Sedangkan Cuaca adalah kondisi atmosfer
pada suatu waktu. Perbedaan antara iklim dan cuaca yang ringkas secara populer
“iklim adalah apa yang anda harapkan, cuaca adalah yang anda dapatkan”. Kedua
kata ini kadang-kadang digunakan secara terbalik dan karenanya harus
diklarifikasi dan dijabarkan, lebih lanjut unsur cuaca dan iklim juga harus
dibedakan dengan berdasarkan skala waktu kejadian.
2.1.2
Unsur – unsur Cuaca
Unsur-unsur cuaca dan iklim ini tidak tetap pada setiap saat dan tempat,
selalu berubah-rubah tergantung pada faktor-faktor fisis di alam yang disebut
faktor pengendali cuaca. Faktor pengendali cuaca ini ada yang bersifat permanen
dan ada yang bersifat sementara (BMKG,2013).
Faktor-faktor tersebut adalah :
a. Faktor pengendali cuaca yang bersifat permanen
1. Efek rotasi bumi
2. Penyebaran daratan dan lautan di permukaan bumi
3
3. Letak garis lintang bumi
4. Faktor orografis (gunung dan pegunungan)
5. Perbedaan ketinggian letak dari permukaan laut.
b. Faktor pengendali cuaca yang bersifat sementara
1. Pusat-pusat tekanan tinggi dan rendah
2. Arus laut yang ditimbulkan oleh perbedaan musim
3. Arus angin yang ditimbulkan oleh perbedaan tekanan udara.
2.2 Defenisi Curah Hujan
Hujan merupakan salah satu unsur iklim yang sangat penting bagi
kehidupan.Semua makhluk hidup dipermukaan bumi membutuhkan air yang salah
satu sumbernya berasal dari hujan.Hujan adalah salah satu bentuk presipitasi.
Presipitasi (endapan) didefinisikan sebagai bentuk air cair dan padat (es) yang
jatuh kepermukaan bumi. Bentuk prepitasi yang umumnya dikenal adalah hujan
(rain), gerimis (drizzle), salju (snow) dan batu es hujan (hail)(Tyasyono,2004).
Terbentuknya hujan sampai jatuh berupa tetes air ke permukaan bumi dan
kembali lagi kedalam permukaan bumi melalui beberapa tahap tertentu. Tahapan
tersebut berupa suatu siklus hidrologi yang terdiri dari penguapan air, kondensasi,
perpindahan awan, presipitasi dan aliran air.Siklus ini berlangsung terus menerus.
Proses penguapan air yang ada dipermukaan bumi bergantung pada energi yang
diterima. Sehingga jumlah energi yang diterima berbanding lurus dengan molekul
air yang diuapkan.Sumber energi ini diperoleh dari radiasi matahari. Besarnya
energi matahari dinyatakan oleh Stefan-Boltzman, dalam rumusnya dinyatakan
sebagai berikut:
4
W = e .б. T4 ............................................................................................
(1)
Keterangan : W adalah energi radiasi matahari yang dipancarkan
persatuan satuan waktu
T adalah suhu mutlak (Kelvin)
Б adalah konstanta Boltzman 5.672 x 10-8
e adalah emisitas benda (0≤ e ≥ 1)
Disamping jumlah energi radiasi,kelembaban udara juga mempengaruhi laju
penguapan karena udara yang lembab akan mengurangi laju penguapan (Lakitan,
2002).
Uap air dari proses penguapan akan bergerak ke lapisan atmosfer bumi.
Pada lapisan ini suhu udara akan semakin turun karena bertambahnya ketinggian.
Penurunan suhu akan mempercepat tercapainya kejenuhan uap air pada udara
tersebut yang akan merangsang terjadinya kondensasi(Lakitan, 2002).
Penurunan suhu udara akan mempercepat kejenuhan uap air pada udara
tersebut. Naiknya udara yang mengandung uap air dapat terjadi melalui tiga
proses yakni konveksi, orografis dan frontal. Secara konveksi terjadi karena udara
lapisan bawah dengan suhu lebih tinggi memuai sehingga menjadi lebih renggang
dan udara dingin pada lapisan atas akan turun karena lebih rapat. Secara orografis
terjadi akibat udara bergerak terhalang oleh adanya pegunungan sehingga udara
dipaksa naik sesuai ketinggian tersebut menyebabkan suhu udara yang naik turun
dan proses kondensasi dapat berlangsung. Sedangkan secara frontal terjadi akibat
pertemuan antara masa udara dingin dengan masa udara panas dari arah
berlawanan. Bila udara panas banyak mengandung uap air maka akan mengalami
kondensasi (Lakitan,2002).
5
Kondensasi juga dapat terjadi apabila tersedia partikel-partikel halus yang
bersifat higroskopis sehingga dapat berfungsi sebagai inti kondensasi. Inti ini
nantinya akan mengikat molekul –molekul air disekitarnya untuk membentuk
butiran air. Kumpulan butiran ini yang tersuspensi padaketinggian dari 1 km dapat
dilihat dengan mata telanjang yang disebut awan(Lakitan, 2002).
Awan terbentuk dari proses kondensasi akan bergerak terbawa oleh angin,
sehingga berpeluang untuk tersebar keseluruh permukaan bumi. Salah satu faktor
yang mempengaruhi pergerakan awan adalah perbedaan tekanan. Biasanya akan
terjadi pergerakan dari tempat bertekanan tinggi ke tampat bertekanan rendah
sehingga terjadi suatu keseimbangan(Lakitan, 2002).
Awan yang terbentuk dari proses kondensasi tersebut tidak selalu
menghasilkan hujan, untuk dapat menghasilkan hujan butir-butir awan harus
tumbuh menjadi cukup besar sehingga gaya berat cukup untuk melawan daya
angkat (arus udara naik permukaan). Tampa butir-butir yang besar awan akan
menguap kembali atau hilang tertiup angin. Pertumbuhan butir-butir air (pada
awan) menjadi butir-butir yang lebih besar diperlukan untuk terjadinya
hujan(Lakitan, 2002).
Ada dua teori untuk menjelaskan proses terjadinya hujan, yakni: teori
kristas es (ice crystal theory) dan teori tumbukan (coalescence theory).
Berdasarkan teori kristal es, butiran air hujan berasal dari kristal es atau salju
yang mencair. Kristal es terbentuk pada awan-awan tinggi (misalnya awan cirrus)
akibat deposisi uap air pada inti kondensasi.Apabila semakin banyak uap air yang
terikat pada inti kondensasi ini, maka ukuran Kristal menjadi besar, dan menjadi
terlalu berat untuk tetap melayang.Kristal es ini dipengaruhi oleh gya gravitasi
6
bumi sehingga jatuh. Dalam perjalanan menuju permukaan bumi, kristales
tersebut akan melewati udara panas sehingga mencair menjadi butiran air
hujan(Lakitan, 2002).
Teori tumbukan berdasarkan pada fakta bahwa butiran air berukuran tidak
seragam, sehingga dengan demikian kecepatan jatuhnya pun berbeda . Butiran
yang berukuran besar akan jatuh dengan kecepatan yang lebih tinggi
dibandingkan butiran yang lebih kecil, sehingga dalam proses jatuhnya butiran
yang lebih besar ini akan menabrak (dan bergabung) dengan butiran yang lebih
kecil. Ukuran butiran air hujan ini akan semakin besar dengan banyaknya butiranbutiran air halus yang ditabraknya(Lakitan, 2002).
Teori kristal es agaknya lebih sesuai untuk menjelaskan peristiwa hujan
yang berasal dari awan tinggi, sedangkan teori tumbukan lebih sesuai untuk
menjelaskan hujan yang berasal dari awan-awan rendah atau pertengahan. Untuk
hujan asal awan tinggi, ada kemungkinan bahwa yang terjadi adalah gabungan
dari proses seperti yang dijelaskan pada teori kristal es dan teori tumbukan.
Air yang berasal dari tetesan hujan meresap kedalam tanah, diserap oleh
tanaman dan akhirnya bermuara kelautan. Proses ini berlangsung terus menerus
sehingga disebut dangan siklus(Lakitan, 2002).
Klasifikasi Hujanmenurut Tjasyono, B.2004 kandungan titik-titik air
dalam awan semakin lama semakin tinggi. Apabila awan sudah tidak mampu lagi
menampung titik-titik air karena sudah cukup banyak maka akan dijatuhkan
kembali ke permukaan Bumi dalam bentuk hujan atau presipitasi. Untuk
mengukur intensitas curah hujan digunakan alat fluviograf atau rain gauge yang
biasa menggunakan skala milimeter. Pada peta cuaca, daerah-daerah yang
7
memiliki curah hujan dihubungkan dengan garis isohiet. Hujan orografis yang
terjadi pada akhirnya memunculkan fenomena angin fohnBerdasarkan proses
kejadiannya, kita mengenal tiga macam hujan.
2.2.1 Hujan konvergensi atau hujan frontal
Jenis hujan yang terjadi akibat pertemuan massa udara panas dengan
massa udara dingin. Akibat pertemuan massa udara yang berbeda temperaturnya
maka pada bidang frontnya terjadi kondensasi dan terbentuk awan badai siklon,
kemudian dijatuhkan sebagai hujan frontal. Jenis hujan ini terjadi di daerah
lintang sedang (antara 35°LU–65°LU dan 35°LS–65°LS), akibat pertemuan massa
udara panas (angin barat) dan massa udara kutub (angin timur).(Tjasyono, B.
2004)
2.2.2 Hujan Orografis
Hujan yang terjadi akibat gerakan massa udara yang mengandung uap air
terhalang oleh gunung atau pegunungan sehingga dipaksa naik ke lereng
pegunungan. Sampai pada ketinggian tertentu, kelembapan relatifnya mencapai
100% sampai terbentuk awan. Kumpulan awan itu kemudian dijatuhkan sebagai
hujan orografis. Massa udara yang telah kering karena kadar airnya telah
dijatuhkan sebagai hujan ini, terus bergerak menuruni lereng daerah bayangan
hujandisebutsebagaiangin
fohn. (Tjasyono, B. 2004)
2.2.3 Hujan Zenithal (konveksi)
Jenis hujan yang terjadi akibat massa udara yang banyak mengandung uap
air naik secara vertikal. Pada daerah ini, awan terbentuk akibat pemanasan materi
sehingga terjadi kenaikan massa udara ke atmosfer secara vertikal, sampai pada
8
ketinggian tertentu kelembapan relatifnya mencapai 100%. Kumpulan awan itu
kemudian dijatuhkan sebagai hujan konveksi. Jenis hujan ini banyak terjadi di
daerah doldrum (antara 10°LU–10°LS), di mana massa angin passat naik secara
vertikal.
Sedangkan jenis-jenis hujan berdasarkan curah hujan terdiri dari hujan
sedang dengan curah hujan 20-50 mm perhari, hujan lebat dengan curah hujan 50100 mm perhari dan hujan sangat lebat dengan curah hujan diatas 100 mm
perhari.
Selain pengelompokan curah hujan berdasarkan tingkat hujan, curah hujan
juga memiliki sifat curah hujan.Sifat curah hujan adalah perbandingan antara
jumlah curah hujan selama satu bulan denagn nilai rata-rata di suatu tempat.Sifat
curah hujan terbagi tiga yakni curah hujan normal jika perbandingannya >115,
atas normal perbandingan 85%-115% dan bawah normal jika nilai perbandingan
<85%.(Tjasyono, B. 2004)
2.3 Prediksi Curah Hujan dengan Metode ARIMA (Autoregresif Integrated
Moving Avarage)
2.3.1 PengertianA RIMA
ARIMA sering juga disebut metode runtun waktu Box-Jenkins.ARIMA
adalah model statistik yang digunakan untuk melakukan analisa sifat-sifat dari
data runtun waktu terhadap data-data yang telah lalu, sehingga didapatkan suatu
persamaan model yang menggambarkan hubungan dari data runtun waktu.
ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan
untuk peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya
akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang.Model
9
ARIMA adalah model yang secara penuh mengabaikan independen variabel
dalam membuat peramalan.Pendekatan model dengan menggunakan ARIMA
dapat dilakukan dengan proses pemilihan model dengan mengamati distribusi dari
koefisien autokorelasi ACF dan koefisien parsial autokorelasi PACF. Pada
pemodelan ARIMA, stasioneritas adalah istilah penting dalam analisis time series.
Suatu deret pengamatan atau data yang diperoleh dikatakan stasioner jika proses
tidak berubah seiring perubahan waktu. Rata-rata deret pengamatan disepanjang
waktu selalu konstan. Apabila data belum stasioner terhadap varians maka perlu
dilakukan transformasi, dimana salah satu transformasi yang dapat digunakan
adalah transformasi Box-Cox. Namun bila data belum stasioner terhadap mean,
maka dilakukan proses differencing.(Herdranata, 2003)
2.3.2
Sejarah ARIMA
Arima pertama kali dikembangkan oleh George Box dan Gwilym Jenkins
untuk pemodelan analisis deret waktu. ARIMA mewakili tiga pemodelan yaitu dari
Autoregressive Model (AR), Moving Average(MA), dan Autoregressive dan
Moving Average Model (ARMA).Prinsip dasar model ARIMA adalah mengubah
data runtun waktu non stasioner menjadi data stasioner dengan melakukan
diferensiasi. (Herdranata, 2003)
2.3.3 MetodeARIMA
Metode Autoregressive Integrated Moving Average merupakan salah satu
metode yang tepat untuk mengatasi sesuatu hal yang berhubungan denganderet
waktu dan situasi peramalan lainnya. Menurut Herdranata,A. tahun 2003 metode
ARIMA terdiri atas beberapa model yaitu:
1. Model (AR)
10
Bentuk umum model AR dengan orde p (AR (p) / modelARIMA (p, 0, 0))
2. Model (MA)
Bentuk umum model MA dengan ordo q (MA (q) atau ARIMA(0, 0, q)
3. Model Campuran (ARIMA)
Bentuk umum model ARIMA (p, 0, q)
4. Model (ARIMA)
Bentuk umum model ARIMA (p, d, q)
2.3.4. Aplikasi ARIMA
Aplikasi ARIMA hanya menggunakan suatu variabel (univariate) deret
waktu. Misalnya:variabel IHSG. Program komputer yang dapat digunakan adalah
RStudio, EViews, Minitab, SPSS dll.(Herdranata, 2003)
11
III. METODE PELAKSANAAN
4.1. Waktu dan Tempat
Waktu dan Tempat pelaksanaan kegiatan PKPM ini dimulai dari tanggal
26 maret sampai dengan 12 juni 2013, yang dilaksanakan di Badan Meteorologi
Klimatologi Geofisika (BMKG) Sicincin.
4.4. Bahan dan Alat
Bahan yang digunakan dalam pelaksanaan ini adalah data curah hujan 10
tahun yang ada di sicincin.Alat yang di gunakan dalam pelaksanaan ini adalah
komputer sebagai pengolah data yang ada dan alat – alat tulis.
4.3. Prosedur Pelaksaan
4.3.1. Pengumpulan Data
Data yang dikumpulkan dalam pelaksanaan PKPM ini berupa data Curah
Hujan 10 Tahun dari tahun 1985 sampai 2012 yang didapatkan dari kantor BMKG
Sicincin.
4.3.2. Pengolahan Data
Cara pengolahan data yang digunakan dalam metoda ARIMA
Diantaranya yaitu :
1. Pengumpulan data curah hujan bulanan 28 Tahun dari tahun 1985 sampai
2012 pada daerah Sicincin Sumatra Barat yang dapat diambil di kantor
(BMKG) Sicincin.
2. Pengolahan data dasar curah hujan selama 28 tahun menjadi matrik
1x1menggunakan aplikasi Microsoft Excel dan disimpan dengan tipe file
Comma Sevarated Value untuk dapat diproses lebih lanjut dengan metode
ARIMA.
12
3. Menginstall program aplikasi Rstudio (www.rstudio.com/ide/download/‎)
4. Simulasi pengolahan dan peramalan data curah hujan BMKG Sicincin.
13
1V. HASIL DAN PEMBAHASAN
4.1 Hasil
4.1.1
Gambaran Umun Perusahaan / Deskripsi Instansi
A. Lokasi geografis
BMKG Klimatologiterletak di Sicincin Kecamatan 2x11 Enam Lingkung
Kabupaten Padang Pariaman Sumatra Barat.Koordinat 00 o 34’ 31” LS. 100o 42’
44” BT,dengan elevasi sekitar 137 m di atas permukaan laut.
Sejarah Singkat BMKG
Meteorologi berasal dari bahasa Yunani yaitu meteos atau ruang yakni
atmosfer, sedangkan logos yaitu ilmu. Meteorologi adalah ilmu pengetahuan yang
membahas tentang pembentukan dan gejala perubahan cuaca serta fisika yang
berlangsung di atmosfer. Proses fisika ini berlangsung secara terus menurus
sangat rumit dan dinamis akibatnya cuaca senantiasa berubah menurut ruang dan
waktu.
Berkembangnya klimatologi diawali dengan pembuatan thermometer oleh
Galileo pada tahun 1593 dan pada tahun 1643 muridnya Toricelli menemukan
prinsip-prinsip barometer air raksa. Pada tahun 1686 seorang astronom Edmund
Halley menceritakan tentang angin pasat dan angin musim. Pada tahun 1800
pengamatan cuaca dan iklim diadakan secara serentak di dua belas tempat di
Eropa
dan
lima
di
Amerika
Serikat
dan
diadakan
penyempurnaan-
penyempurnaan, misalnya di Belanda Buys Ballot memulainya dengan kompilasi
peta cuaca harian yakni pada tahun 1852. Pada tahun 1861 Admiral Fitzboy
membuat formulasi pertama tentang hubungan antara tekanan udara dan curah
14
hujan serta membuat prakiraan hujan dan angin di Inggris atas dasar peta cuaca.
Pada tahun 1869-1870 Cheveland Abbe membuat peta prakiraan cuaca,
sedangkan untuk Indonesia berkembangnya meteorologi dan klimatologi serta
penerapannya dibagi atas beberapa periode yaitu :
1.
Periode I (1758-1866)
Periode ini diawali pada tahun 1758-1866, sejak tahun 1758 mulai
diadakan pengumpulan data meteorologi dan geofisika oleh kegiatan-kegiatan
ilmiah kemudian timbul dorongan untuk membentuk stasiun-stasiun pengamatan
guna, megetahui cuaca dan iklim.
2.
Periode II (1866-1942)
Pada tahun 1866 observation Jakarta mulai bekerja dengan lebih lengkap.
Sebagian kantor pusat dan dinyatakan sebagai tahun lahirnya meteorologi
klimatologi dan geofisika dibawah Departemen Van Marine. Pada zaman Belanda
kegiatan meteorologi dipusatkan pada kegiatan penelitian iklim dan dirintis
prakiraan jangka panjang untuk perusahaan perkebunan. Pada tahun 1930
lembaga lembaga meteorologi klimatologi dan geofisika mulai melayani
penerbangan.
3.
Periode III (1942-1945)
Pada zaman pendudukan Jepang penerbangan sudah berkembang dengan
baik dimana penerbangan memerlukan data prakiran meteorologi maka
meteorologi sinoptik lebih dikembangkan. Dari tahun 1942-1945 meteorologi
klimatologi dan geofisika bersifat semi militer dan berfungsi sebagai penunjang
perang asia timur.
4.
Periode IV (1945-1950)
15
Pada tahun ini jawatan diambil alih oleh pemerintahan Belanda namanya
menjadi Departemen Van Verkeer Enegeies end Myninezen dan kemudian
mendirikan pula kantor jawatan meteorologi klimatologi dan geofisika di
Gonggadia Jakarta. Pada tahun 1990 negara Indonesia menjadi anggota World
Meteorology Organazation (WMO).
5.
Periode V (1950-1960)
Jawatan meteorologi klimatologi dan geofisika berada dibawah naungan
Departemen Perhubungan dan PU.
6.
Periode VI (1960-1965)
Badan meteorologi dan geofisika berubah menjadi direktorat meteorologi
dan geofisika departemen perhubungan udara. Dari tahun 1965-2000 badan ini
resmi dibawah naungan Departemen perhubungan.
7.
Periode VII (1965-2000)
Pada periode ini kegiatan meteorologi meliputi masalah pengamatan
meteorologi, geofisika, penerapan alatalat, prakiraan cuaca, klimatologi, aerologi,
ionosfer, radiasi matahari, tanda waktu dan gravitasi.
Pada tahun 2008 nama Badan Meteorologi dan Geofisika (BMG) berubah
menjadi Badan Meteorologi, Klimatologi dan Geofisika atau BMKG. Perubahan
nama ini sudah ditetapkan Presiden Susilo Bambang Yudhoyono pada 4
September 2008. Secara sitem kerjanya tidak ada perubahan. Perubahan ini
dimaksudkan untuk memperluas pengertian cakupan tugas-tugas instansi BMKG
yang dari dahulunya telah melayani masyarakat dalam bidang Meteorologi
klimatologi dan geofisika.
16
B. Profil
BMKG Sicincin merupakan salah satu instansi pemerintah yang bergerak
dibidang klimatologi. Kegiatan yang dilakukan di stasiun Klimatologi Sicincin
antara lain :
1.
Kegiatan yang sesuai dengan jabatan masing-masing petugas.
2.
Pengamatan alat-alat di Stasiun Klimatologi Sicincin yang dilakukan setiap
hari dan setiap jam yaitu 07.00 pagi sampai 22.00 malam.
3.
Pengiriman data ke BMKG Pusat pada tiap 3 jam sekali yaitu pukul 07.00,
10.00, 13.00, 16.00, 19.00 dan 22.00 yang dikenal dengan jam-jam penting.
4.
Penggantian kertas
pias alat-alat
sesuai
dengan jenis dan waktu
penggantiannya.
5.
Pengolahan data analisa data hasil pengamatan setiap hari
6.
Rekapitulasi data harian menjadi data mingguan, rekapitulasi data mingguan
menjadi data bulanan, rekapitulasi data bulanan menjadi data tahunan.
7.
Memberikan penyuluhan kepada petani tentang keadaan iklim dan cuaca pada
saat ini.
8.
Mengirim utusan untuk mengikuti berbagai kegiatan pelatihan yang
diselenggarakan oleh instansi terkait, seperti BMKG Pusat.
Selain itu, BMKG Staklim Sicincin juga menyediakan data-data cuaca
yang diperlukan untuk menganalisa kondisi cuaca pada suatu wilayah tertentu,
sehingga memberikan kemudahan bagi instansi lain, maupun mahasiswa yang
mengambil tugas akhir yang berkaitan dengan cuaca dan iklim.
17
C. Visi dan Misi
Visi dari BMKG Sicincin
Terwujudnya BMKG yang tanggap dan mampu memberikan pelayanan
meteorologi, klimatologi, kualitas udara dan geofisika yang handal guna
mendukung keselamatan dan keberhasilan pembangunan nasional serta berperan
aktif di tingkat internasional.
Misi :
1.
Mengamati dan memahami data dan informasi meteorologi, klimatologi,
kualitas udara dan geofisika.
2.
Menyediakan data dan informasi meteorologi, klimatologi, kualitas udara dan
geofisika.
3.
Melaksanakan dan memenuhi kewajiban internasional dalam bidang
meteorologi, klimatologi, kualitas udara dan geofisika.
4.
Mengkoordinasi dan memfasilitasi kegiatan di bidang meteorologi,
klimatologi, kualitas udara dan geofisika.
D. Struktur Organisasi
Badan Meteorologi, Klimatologi dan Geofisika (BMKG) Sicincin sesuai
dengan Keputusan Menteri Perhubungan Nomor: 007/PKBMG 01/2006 tahun
2006, dinyatakan kedudukan, tugas, fungsi dan klasifikasi
Stasiun Klimatologi Sicincin sebagai Stasiun Klimatologi Kelas II
memiliki kedudukan sebagai berikut:
Stasiun Klimatologi Kelas II adalah Unit Pelaksana Teknis (UPT) di lingkungan
BMKG yang berada dibawah dan tanggung jawab kepada Kepala BMKG.Dalam
pelaksanaan tugasnya sehari-hari Stasiun Klimatologi secara administratif dibina
18
oleh sekretaris utama dan secara teknis operasional dibina oleh masing-masing
sesuai dengan bidang tugasnya.
Stasiun Klimatologi Kelas II mempunyai tugas melaksanakan pengamatan,
pengumpulan data, penyebaran data, pengolahan data, analisa data dan prakiraan
di dalam wilayahnya serta pelayanan jasa klimatologi dan kualitas udara,
pengamatan meteorologi pertanian dan hidrometeorologi.
Dalam pelaksanaannya Stasiun klimatologi Kelas II mempunyai fungsi
sebagai berikut :
1. Pengamatan klimatologi dan kualitas udara serta meteorologi pertanian.
2. Pengumpulan dan penyebaran data klimatologi dan kualitas udara serta
meteorologi pertaniaan.
3. Pengolahan, analisa dan prakiraan klimatologi dan kualitas udara serta
meteorologi pertanian, serta pengolahan basis data klimatologi.
4. Pelayanan jasa klimatologi dan kualitas udara serta meteorologi pertanian.
Stasiun Klimatologi Sicincin ditetapkan sebagai Stasiun Klimatologi Kelas
II terdiri dari : Subbagian Tata Usaha, Seksi Observasi dan Informasi, Kelompok
Jabatan Fungsional.
BMKG Stasiun Klimatologi Sicincin merupakan suatu instansi yang
dipimpin oleh seorang kepala yang disebut Kaslim (Kepala Stasiun Klimatologi)
yang bertanggung jawab terhadap semua kegiatan yang dilakukan di Staklim
Sicincin.
Berikut merupakan uraian tugas staf-staf yang membantu Kaslim dalam
pelaksanaan tugasnya di BMKG Staklim Sicincin yaitu :
19
1.
Tata usaha bertanggung jawab atas administrasi kantor, misalnya masalah
surat menyurat, keuangan dan lain-lain.
2.
Kelompok tenaga teknis bertanggung jawab terhadap pengarsipan data-data
klimatologi yang ada di Staklim Sicincin.
3.
Pengamat (Observer) bertanggung jawab terhadap pengaturan jadwal
pengamatan di Staklim Sicincin.
4.
Kelompok pengamat data bertanggung jawab terhadap pengolahan data dan
analisa data-data yang diperoleh dan kemudiaan dilaporkan ke balai wilayah
5.
Kelompok komunikasi dan peralatan bertanggung jawab terhadap pengiriman
informasi data ke balai wilayah 1 melalui sistem komunikasi yang ada dan
bertanggung jawab terhadap kondisi peralatan yang ada pada stasiun tersebut
4.1.2. Pengamatan Taman Alat BMKG Stasiun Klimatologi Sicincin
Dalam mendirikan suatu taman alat ada beberapa persyaratan yang
harus dipenuhi, persyaratan tersebut antara lain yaitu :
1.
Areal tanah jauh dari lokasi pohon-pohon dan gedung-gedung tinggi
2. Areal tanah yang datar atau harus diratakan dan ditumbuhi rumput-rumput
pendek
3. Areal yang digunakan untuk taman alat tersebut diberi pagar (pagar yang kuat/
besi) setinggi satu meter untuk melindulingi alat dari ganagguan binatang atau
lainnya.
4. Ukuran luas taman alat jenis stasiun dan jumlah alat yang dipasang
didalamnya,misalnya untuk taman alat stasiun meteorologi sinoptik dan
penerbangan berukuran 20 m x 15 m, dan untuk ukuran taman alat stasiun
meteorologi pertanian 40 mx 20 m dan ukuran stasiun klimatologi 60m x40m.
20
5. Posisi taman alat memanjang arah utara ke selatan.
Alat-alat yang ada di Stasiun Klimatologi Sicincin disajikan pada Tabel 1
Tabel 1. Alat- Alat di Stasiun Klimatologi Sicincin
NO
NAMA
FUNGSI
KETERANAGAN
1.
Sangkar
Meteorologi
Berventilasi, Double Jaruci guna
untuk mengalirkan udara masukkeluar, Dicat putih agar tidak
terlalu banyak menyerap panas
matahari
2.
Penakar Hujan
tipe OBS
Tempat untuk
meletakkan
Termometer bola
basah, bola
kering,
maksimum,
minimum, dan
piche
Mengukur Jumlah
Curah Hujan
Secara Manual
3.
Penakar Hujan
Tipe Hellman
Jumlah curah hujan yang terukur
dinyatakan dalam satuan millimeter
(mm). Alat ini dipasang 120 cm di
atas permukaan tanah
Mengukur Jumlah Penakar Hujan Tipe Hellman Data
Curah Hujan
yang dihasilkan oleh alat ini yaitu :
Secara Otomatis
Waktu saat terjadinya hujan ,
periode hujan (jam), intensitas
curah hujan (mm / menit atau mm
/jam), jumlah curah hujan (mm)
4
Cup Counter
Anemometer 2
meter
Untuk Pengukur
Kecepatan Angin
Rata-rata harian
5.
Cup Counter
Anemometer10
meter
6.
Termometer
Bola kering
menunjukan suhu
udara pada waktu
pengamatan
Termometer bola kering terpasang
di dalam sangkar meteorologi. Data
yang di hasilkan dinyatakan dalam
0
C.
7.
Termometer
Bola Basah
digunakan
mencari
kelembaban udara
dengan bantuan
Table
Waktu pengamatan thermometer
bola basah sama dengan waktu
pengamatan thermometer bola
kering. Termometer bola basah
terpasang
dalam
sangkar
Prinsip kerja seperti gerakan
Spedometer sepeda motor dalam
satuan km/jam Kecepatan angin
rata-rata harian selisih pembacaan
angka dibagi 24 jam.
Pencatat Arah dan Yang dimaksud arah angin yaitu
Kecepatan Angin Arah
dari
mana
angin
Sesaat
berhembusArah Angin ( 8 mata
angin )Kecepatan Angin : Knots.
( 1 Knots = 1.8 Km/Jam )
21
meteorologi. Data yang dihasilkan
dalam satuan persen(%)
8.
Termometer
Maksimum
Untuk mengukur
Suhu Tertinggi
9.
Termometer
Manimum
Untuk mengukur
suhu terendah
10.
Termometer
Tanah
Gundul,Tanah
Berumput
Evaporimeter
panci Terbuka
Untuk mengukur
suhu Tanah
12.
Campbell
Stokes
Untuk Mengukur
lamanya durasi
penyinaran
Matahari
13.
Barometer Air
Untuk mengukur
11.
Untuk mencatat
Jumlah
Penguapan
Spesifikasi
dari
thermometer
maksimum adalah terdapatnya
celah sempit bagian antara bola
thermometer dan kolom air raksa
pada skala, untuk menghambat
kembalinya air raksa yang telah
masuk ke kolom raksa dapat
kembali ke bola thermometer saat
terjadinya
penyusutan
oleh
penurunan suhu
Spesifikasi dari alat ini adalah
thermometer
minimum
tidak
menggunakan air raksa, akan tetapi
menggunakan alkohol. Alasan
penggunaan alkohol adalah alkohol
mempunyai titik beku yang rendah
dan merupakan penghantar yang
baik. Data yang didapat dinyatakan
dalam satuan 0 C
Kedalaman tanah yang diukur
meliputi kedalam tanah 0 cm, 2
cm, 10 cm, 20 cm, 50 cm, dan 100
cm.
Evaporimetermenggunakan
perubahan tinggi air dalam panci.
Air dalam panci mengibaratkan
jumlah penguapan udara yang
terjadi.
Karena
evaporimeter
adalah alat yang mengukur kadar
penguapan yang terjadi selama 24
jam
Dipergunakannya bola kaca pejal
dimasukkan agar alat tersebut
dapat
dipergunakan
untuk
memfokuskan
sinar
matahari
secara terus menerus, tampa
terpengaruh oleh posisi matahari.
Kertas Pias ditempatkan pada
kerangka cekung yang konsentrik
dengan bola pejal dan sinar yang
difokuskan tepat mengenai pias
pengukuran tekanan udara dengan
22
Raksa
tekanan Udara
barometer
ini
adalah
membandingkan perbedaan tinggi
air raksa dalam tabung dan didalam
bejana. Air raksa dalam bejana
berhubungan langsung dengan
udara luar melalui sebuah lubang
kecil, maka udara luar akan
menekan air raksa di dalam bejana
sehingga mendorong air raksa di
dalam tabung bergerak ke atas.
Alat ini diamati setiap jam 07.00
pagi waktu setempat. Alat ini
ditanam di dalam tanah dengan
menggunakan suatu silinder.
Alat ini diamati volume air yang
ada didalam tabung, sebagai
pembacaan pertama, lalu alat
dibalikkan dan dibaca kembali
sebagai pembacaan kedua
Curah
hujan
yang
terukur
menggunakan alat ukur ini diukur
sekali dalam seminggu yaitu setiap
hari senin pukul 07.00 pagi
menggunakan gelas ukur tipe
hellman. Dan alat ini menyediakan
air sampel untuk diuji kualitasnya
14.
Gunbellani
Alat untuk
mengukur
Intensitas radiasi
matahari
15.
Automatic
Water Sampler
alat pengukur
curah hujan
mingguan
16.
H V Sampler
alat untuk
mengukur
kualitas udara
disekitar stasiun
Klimatologi
Sicincin
Alat ini diopersikan secara berkala,
tidak setiap hari. Alat ini
menggunakan kertas saring yang
telah ditimbang beratnya. Alat ini
memilki kemampuan menghisap
debu dan kotoran yang ada di
udara. Dengan demikian, berat
kertas saring yang digunakan akan
bertambah.
17.
Actinograf
alat yang
digunakan untuk
merakam
intensitas radiasi
matahari secara
tetus menerus
Sistem pencatatan pena pada pias
dilakukan secara mekanis. Pena
bergerak naik turun pada pias yang
digulung pada silinder jam
sehingga dapat membuat jejak
(grafik) pada kertas pias yang
direkatkan pada silinder yang
berputar. Kertas pias tersebut
terdapat skala waktu satuan luas
dari kertas pias tersebut dapat
diperoleh hasil rekaman intensitas
23
18
Termograph
pengukur suhu
udara yang
merekam setiap
perubahan suhu
udara
19.
Evapotranspiro
meter Piche
Alat ukur
penguapan
20.
Barometer
digital
radiasi matahari total di suatu
tempat selama waktu tertentu
(harian atau mingguan
Termograph dipasang di dalam
sangkar meteorologi. Merupakan
alat pengukur suhu udara secara
kontinyu karena dapat merekam
keadaan suhu udara selama waktu
yang
sudah
diatur
atau
ditentukan,biasanya untuk waktu
selama 24 jam,bahkan satu minggu
Alat Evapotranspirometer piche
sangat peka terhadap laju angin,
endapan debu maupun pasir
sehingga penempatannya pada
sangkar meteorologi.
Alat ini ditempel di dinding dan di
baca tiap jam pengamatan
mengukur
tekanan udara
baik di
permukaan lautan
maupun disekitar
stasiun
Hasil keterangan gambar alat-alat di Stasiun Klimatologi Sicincin di lampiran 1
halaman 35.
4.2. Pembahasan
4.2.1. Pengolahan Data
A. Data curah hujan (kurun waktu 28 tahun)
Data yang diperoleh dari Stasiun BMKG Sicincin merupakan data curah
hujan selama 28 tahun. Dimulai dari tahun 1985 hingga tahun 2012 dalam bentuk
tabel dasarian bulanan per tahun. Berikut merupakan tabel data curah hujan :
Tabel 2. Data Curah Hujan bulanan daerah Sicincin dari tahun 1985 sampai 2012
Tahun
JAN
FEB
MAR
APR
MEI
JUNI
JULI
AGUS
SEP
OKT
NOV
DES
1985
208
266
647
196
331
205
209
272
539
405
719
329
1986
200
183
533
388
577
163
468
324
305
276
392
403
1987
457
337
406
729
480
163
407
460
358
967
536
468
1988
352
419
571
357
414
407
107
454
773
329
772
293
1989
344
383
420
252
519
136
280
276
474
411
758
576
1990
422
248
594
278
354
337
440
59
418
457
472
461
24
1991
744
322
559
462
391
224
280
452
600
556
1146
497
1992
146
251
373
590
484
144
399
244
329
427
625
397
1993
315
159
548
305
598
201
389
136
691
520
640
450
1994
494
370
180
368
315
228
160
255
94
86
517
505
1995
308
497
425
423
408
349
368
512
567
397
328
547
1996
268
383
622
523
97
402
266
404
294
467
314
273
1997
307
70
195
397
547
147
190
84
153
111
243
380
1998
609
239
276
472
327
351
365
873
517
532
251
472
1999
478
309
385
79
405
230
149
255
674
567
711
478
2000
338
106
272
307
123
150
258
375
353
419
1080
448
2001
344
481
331
407
371
235
183
154
417
292
377
222
2002
228
266
726
610
282
265
336
331
478
451
648
561
2003
275
303
393
702
135
227
337
503
597
512
764
677
2004
653
235
387
789
232
122
320
192
486
554
599
381
2005
351
204
495
217
143
144
205
519
325
819
484
390
2006
229
485
584
242
127
307
134
178
386
148
324
677
2007
597
189
418
516
308
370
264
73
248
687
259
493
2008
246
377
494
528
369
362
346
402
408
617
294
597
2009
433
314
245
587
161
253
281
500
506
539
416
584
2010
440
649
660
605
378
301
638
363
376
341
420
211
2011
338
288
305
356
242
340
138
278
452
320
881
334
2012
268
449
220
306
233
247
338
493
161
612
520
493
Untuk dapat diolah selanjutnya, data dasar harus di ubah menjadi matrik
1x1 dan disimpan dalam bentuk file Comma Sevarated Value (CurahHujan.csv)
sehingga dapat di baca oleh aplikasi Rstudio (Lampiran 2).
B. Simulasi Peramalan Data Curah Hujan Dengan Metode ARIMA
1. Tahap Stasionerisasi Data
Model ARIMA mengasumsikan data menjadi input berasal dari
datastasioner. Data stasioner adalah data yang tidak mengandung trend, nilainya
berfluktuasi di sekitar nilai rataan yang konstan, hal ini dapat dilihat melalui
nilaiautokorelasi (plot ACF), apabila data yang menjadi input model belum
stasionermaka
perlu
dilakukan
stasionerisasi
data.
Salah
satu
metode
penstationeran data yang umum dipakai adalah metode diferensial (differencing).
25
Pembedaan kedua dilakukan jika data yang diperoleh setelah
melakukan pembedaan pertama data masih belum stasioner. Apabila pada sampai
pembedaan kedua, data belum stasioner maka dapat dilakukan transformasi data
ke dalam bentuk log atau logaritma natural. Analisis ACF dan PACF dilakukan
dengan menggunakan program Rstudio 3.0.1. Autokorelasi adalah korelasi
diantara variabel itu sendiri denganselang satu atau beberapa periode ke belakang.
Sedangkan PACF adalah suatu ukuran dari korelasi dua variabel time series
stationer setelah efek dari variabel lainnya dihilangkan. Koefisien autokorelasi
dapat dihitung dengan menggunakan formula sebagai berikut :
Dimana :
rk
n
Zt
Ž
............................., (2)
= nilai koefisien autokorelasi
= jumlah observasi
= series stasioner
= rata-rata series data stasioner
Dalam simulasi Rstudio dilakukan scan data yang berupa file csv
untuk memperoleh matrik persegi dengan perintah scan. Setelah itu proses awal
penstasioneran data dengan membuat time series.
26
Gambar 1. Scan data curah hujan csv
Gambar 2. Time Series data curah hujan 1985 - 2012
2. Tahap Identifikasi Model Sementara
Tahap penting berikutnya dari identifikasi adalah menentukan
modelARIMA tentative. Hal ini dilakukan dengan menganalisis perilaku pola dari
ACFdan PACF. Sebagaimana telah disebutkan sebelumnya, autokorelasi untuk
dataderet waktu non musiman yang stasioner biasanya berbeda nyata dari nol
27
hanyapada beberapa lag pertama (k<5). Hal ini dapat terjadi dengan berbagai
polacorrelogram yang berbeda (Gaynor dan Kirkpatrick, 1994).
Pertama, correlogram dengan koefisien autokorelasi untuk semua lag
sama dengan nol. Hal inimenujukkan bahwa data tersebut tidak memiliki trenddan
komponen residualnya acak. Kedua, correlogram dengan koefisien autokorelasi
bersifat cut off(terpotong) setelah beberapa lag pertama. Hal ini berarti koefisien
autokorelasi untuk lag 1, lag 2, dan atau lag 3 nilainya cukup besar dan signifikan.
Di sebagian besar kasus, ACF akan cut off (terpotong)setelah lag 1 atau lag 2.
Ketiga, correlogram dengan koefisien autokorelasi tidak cut off (terpotong)tetapi
menurun mendekati nol dalam pola yang cepat disebut sebagai pola yang
menurun (dying down) dengan cepat. ACF menunjukkan beberapa pola dying
down, yaitu pola eksponential menurun; pola gelombang sinus dankombinasi
kedua pola tersebut. Setelah pola ACF dan PACF dianalisisperilakunya, maka
dapat ditentukan model tentative Box Jenkins ( Gaynor dan Kirkpatrik, 1994) :
1. Jika ACF terpotong (cut off) setelah lag 1 atau 2, lag musiman
tidaksignifikan dan PACF perlahan-lahan menghilang (dying down),
makadiperoleh model MA (q=1 atau 2).
2. Jika ACF cut off (terpotong)setelah lag musiman L, lag non musiman
tidak signifikan dan PACF dying down (perlahan-lahan menghilang),
maka diperoleh model MA (Q = 1).
3. Jika ACF terpotong setelah lag musiman L, lag non musiman cut off
setelah lag 1 dan 2, maka diperoleh model MA (q=1 atau 2; Q=1).
4. Jika ACF dying down dan PACF cut off (terpotong) setelah lag 1 atau 2;
lag musiman tidak signifikan, maka diperoleh model AR (p=1 atau 2).
28
3. Tahap Estimasi Parameter Dari Model Sementara
Setelah model ditemukan, maka parameter dari model harus
diestimasi. Terdapat dua cara mendasar yang dapat digunakan untuk pendugaan
terhadap parameter-parameter tersebut, yaitu :
a) Trial and Error yaitu dengan menguji beberapa nilai yang berbeda dan
memilih diantaranya dengan syarat yang meminimumkan jumlah kuadrat
nilai galat (sum square of residuals).
b) Perbaikan secara iteratif yaitu dengan cara memilih taksiran awal dan
kemudian membiarkan program komputer untuk memperhalus penaksiran
tersebut secara iteratif. Metode ini banyak digunakan dan telah tersedia
suatu logaritma (proses komputer).
4. Evaluasi Model
Setelah dilakukan estimasi parameter model dengan menggunakan
pirantilunak computer, selanjutnya dilakukan evaluasi terhadap model yang telah
didapat,menurut Firdaus (2006) terdapat enam kriteria dalam evaluasi modelBoxJenkins, yaitu :
a. Proses interasi harus konvergen (Data yang bervariasi/berbeda-beda).
b. Prosesnya harus berhenti ketika telah menghasilkan nilai parameter yang
memberikan nilai terkecil.
c. Kondisi invertibilitas dan stationeritas harus dipenuhi.
d. Kondisi invertibilitas dan stationeritas ini ditunjukkan dengan koefisien
AR dan MA kurang dari 1.
e. Residual hendaknya bersifat acak, dan terdistribusi normal.
29
Gambar 3. Grafik Nilai Forcasterrors terhadap data prediksi
Dari hasil grafik residu error menunjukkan nilai error prediksi tidak terlalu
melenceng dari data prediksi.
f. Mengindikasikasikan bahwa model yang digunakan sesuai dengan data.
Untuk mengujinya digunakan uji statistik Ljung-Box (Q).
Gambar 4. Pengujian statistik residu dengan Ljung-Box
g. Semua parameter estimasi harus berbeda nyata dari nol.
h. Hal ini dapat dilihat dari nilai P-value yang harus kurang dari 0,5.
i. Model ini merupakan model yang memiliki jumlah parameter terkecil.
j. Nilai MSE (Mean Square Error) model terkecil.
4.2.2. Hasil
30
Setelah melakukan simulasi komputer maka diperoleh hasil peramalan
data curah hujan untuk 1 tahun kedepan 2013 berdasarkan metode ARIMA(1,0,1)
merupakan metode paling akurat dalam memberikan prediksi curah hujan dua
tahunan. Hal ini terlihat dari hasil nilai MSE yang paling rendah, yaitu0.07373281
(nilai tingkat kesalahan prediksi).
Gambar 5. Nilai Mean Square Error
Dengan tabel hasil prediksi sebagai berikut ini :
Tabel 3. Hasil prediksi curah hujan untuk tahun 2013
Bulan
Jan 2013
Hasil Prediksi
Curah Hujan
409,9513
Satuan
mm/bulan
Feb 2013
401,1527
mm/bulan
Mar 2013
399,5634
mm/bulan
Apr 2013
399,2763
mm/bulan
Mei 2013
399,2245
mm/bulan
Jun 2013
399,2151
mm/bulan
Jul 2013
399,2134
mm/bulan
Agust 2013
399,2131
mm/bulan
Sep 2013
399,2131
Okt 2013
399,2130
mm/bulan
Nop 2013
399,2130
mm/bulan
Des 2013
399,2130
mm/bulan
mm/bulan
Nilai curah hujan tertinggi terdapat pada bulan Januari 2013 dan nilai
terendah terdapat pada bulan Oktober hingga Desember. Berdasarkan tabel hasil
prediksi menunjukkan bahwa selisih antara nilai terendah dan tertinggi dari hasil
peramalan adalah 10,7383. Nilai selisih masih tergolong kecil untuk peramalan
curah hujan kedepan, hal disebabkan proses hanya diolah untuk data curah hujan
31
saja dengan mengabaikan indikator lain dianggap tidak ada. Berikut adalah grafik
dari hasil data prediksi :
Gambar 6. Grafik hasil prediksi
32
V. KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan simulasi dapat disimpulkan bahwa hasil peramalan sebagai
berikut :
1.
Hasil magang penulis mengetahui secara langsung prosedur pengambilan
data dengan peralatan di Stasiun Klimatologi Sicincin, khususnya
pengambilan data curah hujan.
2.
Berdasarkan hasil perhitungan menunjukkan bahwa metode peramalan Box
jenkins ARIMA(1,0,1) merupakan metode yang lebih cocok untuk digunakan
pada peramalan data curah hujan berdasarkan data curah hujan bulanan. Hal
ini
ditunjukkan
dengan
perolehan
nilai
MSE
terendah
adalah
0.07373281(nilai kesalahan prediksi).
3.
Simulasi peramalan dilakukan untuk satu tahun kedepan dengan selisih nilai
maksimum dan minimum adalah 10,7383. Hal ini menunjukkan hasil
peramalan masih jauh dari nilai riil yang diharapkan (Trend data curah hujan
yang telah terjadi).
5.2. Saran
Proses peramalan dapat menggabungkan beberapa metode untuk
mendapatkan selisih yang mendekati nilai riil dengan menambahkan indikator
masukan data yang lebih bervariasi sehingga dapat melakukan peramalan dalam
kurun waktu yang panjang.
33
DAFTAR PUSTAKA
Badan Klimatologi dan Geofisika (BMKG). 2013. Modul SLI (Sekolah Lapang
Iklim). Padang : Stasiun Klimatologi Sicincin Padang Pariaman.
Firdaus, M. Analisis Deret Waktu Satu Ragam. (Jakarta:IPB Press, 2006)
Gaynor, P. E., and R. C. Kirk Patrick. 1994. Time Series Modelling and
Forecasting in Bussines and Economics. Newyork, McGraw Hill.
Hendranata, Anton. ARIMA (Autoregressive Moving Average), Manajemen
KeuanganSektor Publik FEUI, 2003.
Lakitan, Benyamin.2002. Dasar-dasar klimatologi.PT Raja Grafindo Persada.
Jakarta.
Tjasyono, Bayong. 2004. Klimalogi. Institut Teknologi Bandung. Bandung.
Wijaya,
Arif. 2008. Memprediksi Temperature Udara Per bulan di
JakartaDengan Menggunakan Metode ARIMA. Jurusan Ganda Teknik
Informatika Statistika Universitas Bina Nusantara.
34
LAMPIRAN
Lampiran 1. Gambar Alat – alat di Stasiun Klimatologi
1. Sangkar Meteorologi
3. Penakar Hujan Tipe Hellman
2. Penakar Hujan Tipe
Observatorium
4. Anemometer Ketinggian 2 m
35
5. Anemometer Ketinggian 10 m
6. Belford Aerovane Anemometer
7. Thermometer Bola Basah, Bola
Kering, Maksimum, Minimum dan
Piche.
8. Thermometer Tanah Gundul
9. Thermometer Tanah Berumput
10. Evaporimeter Panci Terbuka dan
Kelengkapannya
36
11. Campbel Stokes
12. Kertas Pias
13. Barometer Air Raksa
14. Gunbellani
15. Automatic Water Sample
16. Actinografh
37
17. Thermograph
18. Evapotranspirometer Piche
19. Barometer Digitall
38
Lampiran 2.Data Hasil
A. DataSeries
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1985 208 266 642 196 331 205 209 272 539 405 719 329
1986 200 183 533 388 577 163 468 324 305 276 392 403
1987 457 337 406 729 480 163 407 460 358 967 536 468
1988 352 419 571 357 414 407 107 454 773 329 772 293
1989 344 383 420 252 519 136 280 276 474 411 758 576
1990 422 248 594 278 354 337 440 590 418 457 472 461
1991 744 322 559 462 391 224 280 452 600 556 114 497
1992 146 251 373 590 484 144 399 244 329 427 625 397
1993 315 159 548 305 598 201 389 136 691 520 640 450
1994 494 370 180 368 315 228 160 255 940 860 517 505
1995 308 497 425 423 408 349 368 512 567 397 328 547
1996 268 383 622 523 970 402 266 404 294 467 314 273
1997 307 700 195 397 547 147 190 840 153 111 243 380
1998 609 239 276 472 327 351 365 873 517 532 251 472
1999 478 308 385 793 405 230 148 255 673 566 711 477
2000 337 106 272 307 123 150 258 375 352 419 108 448
2001 343 480 330 407 370 234 183 153 417 292 377 221
2002 227 266 726 609 282 264 336 330 478 450 647 560
2003 275 303 393 702 135 226 336 502 597 512 763 677
2004 652 234 386 789 231 122 320 192 485 554 599 380
2005 350 203 494 217 143 143 204 519 324 819 484 390
2006 229 485 583 242 127 307 134 177 385 147 324 676
2007 597 189 418 515 308 370 263 733 247 687 258 492
2008 246 376 494 528 368 361 346 401 407 616 294 597
2009 432 313 244 586 160 253 281 500 505 539 415 583
2010 440 649 660 605 377 300 639 362 375 340 420 211
2011 338 287 304 356 341 339 138 277 452 320 880 333
2012 268 449 220 306 233 246 337 492 161 612 519 492
B. Data Prediksi
$method
[1] "ARIMA(1,0,1) with non-zero mean"
$model
Call:
arima(x = DataSeries, order = c(1, 0, 1))
Coefficients:
ar1
ma1 intercept
0.1806 -0.0765 399.2130
s.e. 0.3045 0.3057 10.6455
sigma^2 estimated as 29997: log likelihood = -2208.66, aic = 4425.31
$level
39
Lanjutan Lampiran 2.
[1] 80 95
$mean
Jan
Feb
Mar
Apr
May Jun
Jul
Aug Sep
Oct
Nov
2013 409.9513 401.1527 399.5634 399.2763 399.2245 399.2151 399.2134
399.2131 399.2131 399.2130 399.2130Dec2013 399.2130
$lower
80%
95%
[1,] 187.9911 70.49251
[2,] 177.9915 59.85717
[3,] 176.3632 58.20815
[4,] 176.0749 57.91914
[5,] 176.0230 57.86722
[6,] 176.0136 57.85785
[7,] 176.0119 57.85616
[8,] 176.0116 57.85586
[9,] 176.0115 57.85580
[10,] 176.0115 57.85579
[11,] 176.0115 57.85579
[12,] 176.0115 57.85579
$upper
80%
95%
[1,] 631.9114 749.4100
[2,] 624.3138 742.4481
[3,] 622.7636 740.9186
[4,] 622.4778 740.6335
[5,] 622.4260 740.5817
[6,] 622.4166 740.5724
[7,] 622.4149 740.5707
[8,] 622.4146 740.5704
[9,] 622.4146 740.5703
[10,] 622.4146 740.5703
[11,] 622.4146 740.5703
[12,] 622.4146 740.5703
$x
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1985 208 266 642 196 331 205 209 272 539 405 719 329
1986 200 183 533 388 577 163 468 324 305 276 392 403
1987 457 337 406 729 480 163 407 460 358 967 536 468
1988 352 419 571 357 414 407 107 454 773 329 772 293
1989 344 383 420 252 519 136 280 276 474 411 758 576
1990 422 248 594 278 354 337 440 590 418 457 472 461
1991 744 322 559 462 391 224 280 452 600 556 114 497
1992 146 251 373 590 484 144 399 244 329 427 625 397
40
Lanjutan Lampiran 2.
1993 315 159 548 305 598 201 389 136 691 520 640 450
1994 494 370 180 368 315 228 160 255 940 860 517 505
1995 308 497 425 423 408 349 368 512 567 397 328 547
1996 268 383 622 523 970 402 266 404 294 467 314 273
1997 307 700 195 397 547 147 190 840 153 111 243 380
1998 609 239 276 472 327 351 365 873 517 532 251 472
1999 478 308 385 793 405 230 148 255 673 566 711 477
2000 337 106 272 307 123 150 258 375 352 419 108 448
2001 343 480 330 407 370 234 183 153 417 292 377 221
2002 227 266 726 609 282 264 336 330 478 450 647 560
2003 275 303 393 702 135 226 336 502 597 512 763 677
2004 652 234 386 789 231 122 320 192 485 554 599 380
2005 350 203 494 217 143 143 204 519 324 819 484 390
2006 229 485 583 242 127 307 134 177 385 147 324 676
2007 597 189 418 515 308 370 263 733 247 687 258 492
2008 246 376 494 528 368 361 346 401 407 616 294 597
2009 432 313 244 586 160 253 281 500 505 539 415 583
2010 440 649 660 605 377 300 639 362 375 340 420 211
2011 338 287 304 356 341 339 138 277 452 320 880 333
2012 268 449 220 306 233 246 337 492 161 612 519 492
$xname
[1] "structure(c(208, 266, 642, 196, 331, 205, 209, 272, 539, 405, "
[2] "719, 329, 200, 183, 533, 388, 577, 163, 468, 324, 305, 276, 392, "
[3] "403, 457, 337, 406, 729, 480, 163, 407, 460, 358, 967, 536, 468, "
[4] "352, 419, 571, 357, 414, 407, 107, 454, 773, 329, 772, 293, 344, "
[5] "383, 420, 252, 519, 136, 280, 276, 474, 411, 758, 576, 422, 248, "
[6] "594, 278, 354, 337, 440, 590, 418, 457, 472, 461, 744, 322, 559, "
[7] "462, 391, 224, 280, 452, 600, 556, 114, 497, 146, 251, 373, 590, "
[8] "484, 144, 399, 244, 329, 427, 625, 397, 315, 159, 548, 305, 598, "
[9] "201, 389, 136, 691, 520, 640, 450, 494, 370, 180, 368, 315, 228, "
[10] "160, 255, 940, 860, 517, 505, 308, 497, 425, 423, 408, 349, 368, "
[11] "512, 567, 397, 328, 547, 268, 383, 622, 523, 970, 402, 266, 404, "
[12] "294, 467, 314, 273, 307, 700, 195, 397, 547, 147, 190, 840, 153, "
[13] "111, 243, 380, 609, 239, 276, 472, 327, 351, 365, 873, 517, 532, "
[14] "251, 472, 478, 308, 385, 793, 405, 230, 148, 255, 673, 566, 711, "
[15] "477, 337, 106, 272, 307, 123, 150, 258, 375, 352, 419, 108, 448, "
[16] "343, 480, 330, 407, 370, 234, 183, 153, 417, 292, 377, 221, 227, "
[17] "266, 726, 609, 282, 264, 336, 330, 478, 450, 647, 560, 275, 303, "
[18] "393, 702, 135, 226, 336, 502, 597, 512, 763, 677, 652, 234, 386, "
[19] "789, 231, 122, 320, 192, 485, 554, 599, 380, 350, 203, 494, 217, "
[20] "143, 143, 204, 519, 324, 819, 484, 390, 229, 485, 583, 242, 127, "
[21] "307, 134, 177, 385, 147, 324, 676, 597, 189, 418, 515, 308, 370, "
[22] "263, 733, 247, 687, 258, 492, 246, 376, 494, 528, 368, 361, 346, "
[23] "401, 407, 616, 294, 597, 432, 313, 244, 586, 160, 253, 281, 500, "
41
Lanjutan Lampiran 2.
[24] "505, 539, 415, 583, 440, 649, 660, 605, 377, 300, 639, 362, 375, "
[25] "340, 420, 211, 338, 287, 304, 356, 341, 339, 138, 277, 452, 320, "
[26] "880, 333, 268, 449, 220, 306, 233, 246, 337, 492, 161, 612, 519, "
[27] "492), .Tsp = c(1985, 2012.91666666667, 12), class = \"ts\")"
$fitted
Jan
Feb
Mar
Apr
May
Jun
Jul
Nov
1985 398.1496 379.1291 383.8008 423.3251 379.8885
377.8021 384.3245 412.6359 400.8422
1986 394.4556 378.0978 375.0763 411.3038 398.9695
404.6052 391.7906 388.8316 385.5845
1987 399.4704 405.2522 393.1942 399.4598 433.5849
398.2074 405.4682 395.3983 458.0661
1988 407.8119 394.9525 400.9484 417.2403 396.1942
368.8437 402.5980 438.4082 394.8960
1989 391.0930 392.8408 397.0370 401.2120 384.0311
384.7647 385.2736 405.9376 400.9550
1990 420.4962 403.2140 383.7675 418.3225 388.0477
402.9337 419.3713 402.7113 405.5000
1991 406.2657 435.6678 393.9573 415.4558 406.9953
385.3979 403.6554 420.4681 417.1703
1992 407.2326 373.4497 381.8042 395.1514 418.7762
397.2186 382.8924 390.6513 401.4529
1993 400.7939 390.5617 373.5292 412.7480 390.4340
396.6876 371.6018 427.4965 413.9576
1994 406.5074 409.6445 396.9676 376.2065 394.2026
372.8777 382.1772 454.2427 451.4195
1995 411.4759 390.6493 408.7445 402.6280 401.9520
395.5683 410.6831 417.5679 400.3859
1996 414.0473 386.6792 396.5658 422.2177 413.8665
385.7130 398.6795 388.2125 405.4331
1997 385.4235 388.5531 429.7301 380.2741 397.5344
375.5004 443.3155 376.9378 367.4875
1998 395.7820 420.8036 384.1749 385.2285 405.7258
395.2241 448.2611 415.2328 414.2700
1999 405.7026 407.9163 390.3771 397.0569 440.0679
371.7190 382.0886 426.4233 418.6673
2000 409.9129 393.5506 368.2369 383.5932 388.4132
382.3454 395.4011 394.0035 400.8759
2001 401.9854 393.5695 407.1969 392.6138 399.5196
375.3572 371.7417 398.9654 388.0260
2002 380.4068 379.8362 383.8551 432.0793 423.5789
391.4909 391.4129 406.8237 405.0853
Aug
Sep
Oct
390.6299 378.3262
417.7140 376.0220
410.2565 375.4518
400.5225 400.1243
410.5301 372.6602
393.6496 392.3071
398.9525 380.9417
409.5409 373.4179
419.2489 380.0977
390.0577 380.6782
400.3378 394.0685
459.7907 404.1351
414.4793 374.1080
392.1888 393.6538
402.9396 381.8715
369.6149 370.9902
396.1934 381.7724
388.8663 384.3372
42
Lanjutan Lampiran 2.
2003 417.9696 387.7082 388.3111 397.7323
391.1019 409.2999 420.5872 412.5960
2004 431.1250 427.9851 384.2032 396.6890
388.6694 376.8221 406.4372 415.8891
2005 398.9004 394.0628 378.3803 407.4939
376.6734 409.9675 392.2006 442.4049
2006 399.1811 381.4800 406.7934 418.9372
370.6797 373.8841 395.7959 372.6794
2007 427.2910 421.9628 379.0552 399.6288
384.7413 432.8762 385.9313 428.1755
2008 407.9230 383.9192 395.6256 408.8124
393.3530 398.9511 400.0042 421.8556
2009 419.1103 404.1497 390.6099 382.3871
385.5970 408.6707 410.9557 414.6721
2010 418.5737 404.9420 425.6707 428.4014
423.3978 397.1858 396.5358 392.8403
2011 379.7357 391.3474 386.9227 388.3553
371.4858 384.3624 403.5762 391.2953
2012 396.0988 385.3068 403.3359 380.8602
391.4060 408.2815 375.0924 419.5342
Dec
1985 432.6489
1986 397.4196
1987 417.9617
1988 437.7151
1989 436.7201
1990 407.2758
1991 370.8762
1992 422.9039
1993 425.4225
1994 415.4743
1995 391.8847
1996 390.8122
1997 380.5150
1998 384.9254
1999 433.1785
2000 369.0053
2001 396.0438
2002 425.4733
2003 438.1310
2004 421.2993
2005 411.3475
2006 389.3496
430.6403 374.0936 379.2493
439.6231 384.7805 369.2330
380.8656 371.1212 370.3762
384.3447 369.7205 387.3525
411.3060 390.6363 395.5142
413.3624 397.0435 395.0666
417.3836 375.6842 382.1834
422.8810 398.7088 388.8397
393.8815 392.7415 392.4460
388.1000 381.0494 381.8645
43
Lanjutan Lampiran 2.
2007 386.7177
2008 389.9845
2009 402.0395
2010 400.8911
2011 448.6899
2012 413.2447
$residuals
Jan
Feb
Mar
Apr
May
Jun
Jul
1985 -190.1495866 -113.1290772 258.1992340 -227.3250658 -48.8885111 185.6299319 -169.3261516
1986 -194.4556494 -195.0978293 157.9237293 -23.3037638 178.0305326 254.7139905 91.9780284
1987 57.5296018 -68.2522272 12.8057594 329.5401741 46.4151020 247.2564618 31.5482298
1988 -55.8119050
24.0475389 170.0515672 -60.2402986
17.8058095
6.4774608 -293.1243136
1989 -47.0929924 -9.8407983 22.9630439 -149.2119802 134.9688883 274.5301086 -92.6601787
1990
1.5037721 -155.2140065 210.2324825 -140.3224944 -34.0477260 56.6496298 47.6928921
1991 337.7343073 -113.6677815 165.0426993 46.5442486 -15.9953007 174.9525446 -100.9416740
1992 -261.2326082 -122.4497244 -8.8042472 194.8485687 65.2237623 265.5408629 25.5821212
1993 -85.7939166 -231.5616804 174.4707582 -107.7479863 207.5659854 218.2488825 8.9023171
1994 87.4926486 -39.6444580 -216.9675875 -8.2065476 -79.2025961 162.0577092 -220.6782452
1995 -103.4759070 106.3507468 16.2555479 20.3720307
6.0480303 51.3377748 -26.0684888
1996 -146.0472712 -3.6791712 225.4341608 100.7822664 556.1334800 57.7907273 -138.1351132
1997 -78.4234596 311.4468797 -234.7301243 16.7259264 149.4655527 267.4792530 -184.1079689
1998 213.2179707 -181.8036300 -108.1749123 86.7715267 -78.7258001 41.1887778 -28.6537523
1999 72.2973762 -99.9162534 -5.3770827 395.9430847 -35.0678729 172.9396087 -233.8715275
2000 -72.9128860 -287.5505938 -96.2369118 -76.5931876 -265.4131780 219.6149483 -112.9901533
2001 -58.9853689 86.4305396 -77.1968882 14.3862414 -29.5196096 162.1934433 -198.7723856
2002 -153.4067715 -113.8361689 342.1449383 176.9207412 -141.5789100 124.8662995 -48.3371695
44
Lanjutan Lampiran 2.
2003 -142.9696273 -84.7082443
4.6888543 304.2677083 -295.6402966
148.0936331 -43.2493002
2004 220.8750071 -193.9851367
1.7968269 392.3109736 -208.6230753
262.7805063 -49.2330277
2005 -48.9003901 -191.0627538 115.6197098 -190.4938677 -237.8655717
228.1212037 -166.3761509
2006 -170.1811464 103.5200111 176.2066347 -176.9372076 -257.3447076
62.7205426 -253.3524779
2007 169.7089931 -232.9627947 38.9448183 115.3712377 -103.3060335
20.6362647 -132.5142242
2008 -161.9230133 -7.9192330 98.3743556 119.1875555 -45.3623899
36.0435255 -49.0666175
2009 12.8896512 -91.1497145 -146.6099298 203.6128569 -257.3836136
122.6842094 -101.1834299
2010 21.4262703 244.0579777 234.3293104 176.5985607 -45.8810358
98.7088244 250.1602534
2011 -41.7357223 -104.3474201 -82.9227212 -32.3552520 -52.8814776
53.7415038 -254.4460072
2012 -128.0988076 63.6931653 -183.3359459 -74.8601593 -155.1000439
135.0493984 -44.8644809
Aug
Sep
Oct
Nov
Dec
1985 -105.8020754 154.6754616 -7.6358880 318.1578362 -103.6489193
1986 -80.6052037 -86.7905956 -112.8316160 6.4154760 5.5803525
1987 61.7925931 -47.4681607 571.6017379 77.9338542 50.0383428
1988 85.1562955 370.4019862 -109.4082003 377.1039970 -144.7151386
1989 -108.7647275 88.7264296 5.0624174 357.0449843 139.2799311
1990 187.0663192 -1.3712672 54.2886766 66.4999722 53.7242403
1991 66.6020708 196.3445874 135.5318773 -303.1702628 126.1237947
1992 -153.2185583 -53.8924377 36.3487228 223.5470973 -25.9038993
1993 -260.6876229 319.3982154 92.5034768 226.0423662 24.5774831
1994 -117.8777232 557.8228192 405.7572503 65.5805053 89.5257215
1995 116.4316829 156.3169291 -20.5679386 -72.3859299 155.1153405
1996 18.2870452 -104.6794737 78.7875008 -91.4331222 -117.8122261
1997 464.4996230 -290.3155221 -265.9377883 -124.4875355 -0.5150416
1998 477.7758952 68.7388873 116.7672108 -163.2699572 87.0746448
1999 -116.7189549 290.9114184 139.5766677 292.3327309 43.8215138
2000 -7.3453592 -43.4011390 24.9964639 -292.8758782 78.9946638
2001 -222.3572266 45.2582914 -106.9654082 -11.0260273 -175.0438164
2002 -61.4909116 86.5871177 43.1763378 241.9147139 134.5266908
2003 110.8981060 187.7001031 91.4128026 350.4039897 238.8690266
2004 -196.6693762 108.1779258 147.5627781 183.1108719 -41.2993433
2005 142.3266163 -85.9675379 426.7994012 41.5950930 -21.3475070
2006 -193.6796866 11.1159225 -248.7958629 -48.6794400 286.6504429
2007 348.2586985 -185.8761910 301.0686841 -170.1754879 105.2822598
2008 7.6470446 8.0488748 215.9958364 -127.8556241 207.0154562
2009 114.4029591 96.3293376 128.0442964 0.3278976 180.960475
-
45
Lanjutan Lampiran 2.
2010 -61.3978403 -22.1858311 -56.5358390 27.1597114 -189.8911037
2011 -94.4858058 67.6375665 -83.5762388 488.7047477 -115.6898838
2012 100.5939825 -247.2814781 236.9075711 99.4657917 78.7553307
attr(,"class")
[1] "forecast"
46