83 bab v kesimpulan dan saran

BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan diperoleh
beberapa kesimpulan sebagai berikut :
1. Beberapa prosedur yang harus diperhatikan untuk pengisian
missing data curah hujan antara lain :
a. Menggunakan metode analisis regresi
- Stasiun yang digunakan untuk pengisian missing data
curah hujan harus mempunyai pola curah hujan yang
sama, memenuhi asumsi kehomogenan, kerandoman, dan
mempunyai korelasi cukup tinggi.
- Dengan metode Ordinary Least Square (OLS), parameter
β0 dan β1 bermakna, akan tetapi tidak menjadi masalah
apabila hanya parameter β1 yang bermakna karena
parameter β0 hanya merupakan koefisien penyesuai.
Selain itu residual yang dihasilkan dengan metode OLS
harus memenuhi asumsi identik, independen, dan
distribusi normal (0, σ2).
- Apabila kedua syarat tersebut tidak terpenuhi, maka
dilakukan deteksi outlier dan jika terdeteksi adanya
outlier, maka model yang dihasilkan dengan metode OLS
tidak dapat digunakan untuk pengisian data missing.
Metode yang dapat digunakan apabila terdapat
pengamatan outlier adalah regresi robust, yang bertujuan
untuk mendapatkan model yang lebih resisten terhadap
outlier.
- Apabila dengan metode regresi robust, parameter β0 dan
β1 tidak bermakna dan residual tidak memenuhi asumsi
IIDN (0, σ2), penyelesaiannya adalah analisis regresi
dengan metode lain sampai diperoleh hasil bahwa kedua
asumsi tersebut terpenuhi. Pada penelitian ini, residual
83
84
yang tidak memenuhi asumsi identik diselesaikan dengan
transformasi variabel.
b. Menggunakan metode EM algorithm
- Stasiun yang digunakan untuk pengisian missing data
curah hujan harus mempunyai pola curah hujan yang
sama, memenuhi asumsi kehomogenan, kerandoman, dan
mempunyai korelasi cukup tinggi, serta memenuhi
asumsi normal multivariat.
2.
Karakteristik data untuk pengisian missing data curah hujan
dengan analisis regresi dan EM algorithm adalah antar
stasiun mempunyai pola curah hujan sama, memenuhi
asumsi kehomogenan, kerandoman, dan mempunyai
korelasi cukup tinggi. Khusus untuk penggunaan EM
algorithm maka data harus berdistribusi normal multivariat.
Penggunaan metode transformasi dan regresi robust (Mestimation Huber), jika asumsi-asumsi metode OLS
terlanggar. Metode transformasi digunakan jika uji asumsi
identik tidak memenuhi, sedangkan regresi robust
digunakan jika terdapat data yang outlier.
3.
Kehandalan metode analisis regresi dan EM algorithm
dalam menangani missing data curah hujan di setiap lokasi
berbeda-beda. Metode terbaik untuk pengisian data missing
di Kabupaten Subang adalah EM algorithm, sedangkan di
Kabupaten Indramayu dan Karawang adalah regresi robust
M-estimation Huber. Namun secara umum analisis regresi
robust (M-estimation Huber) merupakan metode terbaik
dibandingkan dengan EM algorithm. Keunggulan lain
metode regresi robust M-estimation Huber adalah
menghasilkan nilai residual yang relatif konstan meskipun
jumlah data missing banyak. Sebaliknya metode EM
algorithm, semakin banyak data missing, maka semakin
besar nilai residualnya. Oleh karena itu EM algorithm
kurang sesuai jika diterapkan pada data yang mengandung
banyak missing.
85
5.2 Saran
Untuk mendapatkan kekonsistensian metode terbaik
maka jumlah pengamatan dan lokasi penelitian perlu ditambah.
Karena dengan banyaknya lokasi penelitian maka karakteristik
data untuk periode ketika data pada kedua stasiun tersedia
semakin beragam.