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