ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR...
Transcript of ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR...
ESTIMASI PARAMETER MODEL ARMA
UNTUK PERAMALAN DEBIT AIR SUNGAI
MENGGUNAKAN GOAL PROGRAMMING
Nama : Zahroh Atiqoh
NRP : 1205 100 021
Dosen Pembimbing :
1. Dra. Nuri Wahyuningsih, MKes
2. Drs. Sulistiyo, MT
Jurusan Matematika
Fakultas Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya
2010
ABSTRAK
Peramalan debit air sungai merupakan salah satu langkah
untuk mengantisipasi ketidakstabilan aliran sungai. Salah satu
metode yang dapat digunakan dalam peramalan debit air sungai
adalah metode time series. Model ARMA (autoregressive moving
average) merupakan salah satu model time series. Pada proses
peramalan, setelah identifikasi model dilakukan estimasi
parameter. Untuk mengestimasi parameter model ARMA digunakan
pendekatan conditional least square dan selanjutnya dioptimalkan
dengan menggunakan goal programming. Model ARMA untuk rata-
rata bulanan debit air sungai Brantas stasiun pengamatan Kediri
adalah:
Dengan:
PENDAHULUAN
LATAR BELAKANG
Debit Air Sungai
Peramalan
Time Series
Model ARMA
Goal Programming
RUMUSAN MASALAH
Permasalahan yang akan dibahas dalam tugas
akhir adalah :
1. Bagaimana model yang sesuai berdasarkan
analisis yang dilakukan terhadap debit air
sungai.
2. Bagaimana hasil peramalan debit air sungai
untuk periode mendatang dengan memanfaatkan
model yang telah diperoleh.
BATASAN MASALAH
Pada tugas akhir ini, dibuat batasan masalah
sebagai berikut :
1. Data yang digunakan pada tugas akhir ini
adalah data sekunder yaitu data rata-rata
bulanan debit air sungai Brantas stasiun
pengamatan Kediri yang dimulai pada Januari
tahun 2000 sampai dengan April tahun 2010.
2. Data diambil dari stasiun pengamatan yang
jumlah debit air sungainya hanya dipengaruhi
oleh air hujan dan air tanah.
3. Data yang diperoleh diasumsikan stasioner
terhadap mean.
TUJUAN PENELITIAN
Tujuan dari tugas akhir ini adalah :
1. Memperoleh model yang sesuai berdasarkan
analisis yang dilakukan terhadap debit air
sungai.
2. Mengetahui besar peramalan debit air sungai
untuk periode mendatang dengan memanfaatkan
model yang telah diperoleh.
MANFAAT PENELITIAN
Manfaat yang diharapkan dari tugas akhir ini
adalah:
1. Model yang didapat diharapkan mempermudah
Perum Jasa Tirta I dalam mendapatkan prediksi
debit air sungai pada periode mendatang.
2. Memberikan gambaran tentang langkah-
langkah mendapatkan model ARMA untuk
sungai yang lain.
TINJAUAN PUSTAKA
MODEL ARMA
Bentuk umum model ARMA (p,q):
atau
dengan:
: besarnya pengamatan (kejadian) pada waktu ke-t
: konstanta model
: suatu proses white noise atau galat pada waktu ke-t
: parameter autoregressive
: parameter moving average
qtqttptptt aaaZZZ ...... 1111
tqtp aBZB )()(
tZ
ta
p ,...,, 21
p ,...,, 21
LANJUTAN MODEL ARMA
ARMA (p,q)(P,Q)S adalah model ARMA reguler dan
ARMA musiman. Bentuk umum ARMA (p,q)(P,Q)S
adalah:
dengan:
: parameter autoregressive musiman
: parameter moving average musiman
t
S
Qqtp
S
P aBBZBB )()(
P ,...,, 21
Q ,...,, 21
IDENTIFIKASI
Syarat terpenting yang harus dipenuhi agar data dapat diolah
dengan metode time series adalah stasioner, baik dalam mean maupun
varian. Sebuah deret disebut stasioner jika sifat statistiknya bebas
dari waktu periode selama pengamatan. Untuk mengatasi
ketidakstationeran dalam varian perlu dilakukan transformasi
terlebih dahulu. Transformasi yang biasa digunakan adalah
transformasi Box-Cox. Nilai (parameter transformasi) yang umum
digunakan dalam transformasi Box-Cox dapat dilihat pada Tabel 2.1.
Tabel 2.1 Transformasi Box-Cox
Transformasi
-1
-0.5
0
0.5
1
tZ/1
tZ/1
tZln
tZ
tZ
ACF & PACF
Autokorelasi adalah korelasi antar deret pengamatan suatu
time series, sedangkan Autocorrelation Function (ACF)
menggambarkan kovarian dan korelasi antara pengamatan pada
waktu ke-t dengan pengamatan pada waktu ke-t+k yang dipisahkan
oleh k lag, sehingga persamaan ACF dapat dirumuskan sebagai
berikut:
Partial Autocorrelation Function (PACF) digunakan mengukur
keeratan hubungan dan setelah dependensi linier dalam varian
dihilangkan. (Wei, 1990). Nilai PACF dapat dihitung dengan
menggunakan persamaan sebagai berikut:
n
t
t
kn
k
ktt
k
k
ZZ
ZZZZ
1
2
1
0 )(
))((
1
1
,1
1
1
,1
ˆˆ1
ˆˆˆ
ˆk
j
jjk
k
j
jkjkk
kk
ESTIMASI DAN UJI SIGNIFIKANSI
Pada penelitian ini metode yang digunakan untuk
mengestimasi parameter Model ARMA adalah Conditional Least
Squares (CLS) dengan bentuan software Minitab. Model ARMA
yang baik adalah model yang menunjukkan bahwa penaksiran
parameternya signifikan. Secara umum, misalkan adalah suatu
parameter pada model ARMA dan adalah nilai taksiran dari
parameter tersebut, serta adalah standar error dari , maka
uji kesignifikanan parameter dapat dilakukan dengan hipotesa
sebagai berikut:
Hipotesa:
H0 :
H1 :
Statistik uji:
)ˆ(SE
0
0
)ˆ(SE
ˆ
t
LANJUTAN ESTIMASI DAN UJI SIGNIFIKANSI
H0 ditolak jika
dengan:
np : banyaknya parameter yang ditaksir
atau H0 ditolak jika P-value <
pnndftt
,2
DIAGNOSTIC CHECKING DAN OVERFITTING
Pemeriksaan diagnostik pada residual meliputi uji asumsi
white noise (independen dan identik) dan berdistribusi normal.
Pengujian dengan menggunakan uji L-jung Box dilakukan dengan
hipotesa sebagai berikut:
Hipotesa:
H0
H1 : minimal ada satu nilai , k = 1, 2,..., K.
Statistik uji:
dengan:
K : lag maksiumum
n : banyak pengamatan
: sampel ACF residual pada lag-k.
0...: 21 k
0k
2
1
1 ˆ)(2 k
K
k
knnnQ
k
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Daerah Kritis :
H0 ditolak jika
dengan p dan q adalah order dari ARMA.
Untuk mengetahui apakah residual berdistribusi normal atau
tidak dilakukan uji Kolmogorov Smirnov dengan hipotesa sebagai
berikut:
Hipotesa:
H0
H1
Statistik Uji:
qpKdfQ );1(2
)()(: 0 tt aFaF
)()(: 0 tt aFaF
)()( 0 tta
aFaSSupDt
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
dengan:
: fungsi peluang kumulatif yang dihitung dari data sampel.
: fungsi peluang kumulatif distribusi yang dihipotesiskan.
: fungsi distribusi yang belum diketahui
Sup : nilai supremum untuk semua
Daerah Kritis:
H0 ditolak jika atau P-value < , dengan = 5%.
Salah satu prosedur diagnostic checking yang dikemukakan
oleb Box dan Jenkins adalah overfitting. Yaitu penggunaan beberapa
parameter lebih banyak daripada yang diperlukan. Ini merupakan
prosedur yang berguna meskipun memerlukan banyak waktu.
)( taS
)(0 taF
)( taF
ta
nDD ,1
GOAL PROGRAMMING
Goal programming merupakan salah satu teknik optimasi dari
beberapa tujuan yang dikembangkan dari linier programming
dalam riset operasi. Bentuk umum dari goal programming yang
digunakan dalam mengestimasi parameter model ARMA adalah:
m = 1,2,3,...,12 (2.3)
dan fungsi kendalanya adalah:
NT
i
imim ENVEPU1
min
121211111 ......... nininininini XSARXSARRMARMAXARXAR
iinini XdivENEPCmRSMARSMA 1... 12121
121211111 ......... nininininini XSARXSARRMARMAXARXAR
iinini XdivENEPCmRSMARSMA 1... 12121
ii XEdivEP 0
ii XEdivEN 0
LANJUTAN GOAL PROGRAMMING
dengan:
AR : parameter autoregressive
MA : parameter moving average
SAR : parameter autoregressive musiman
SMA : parameter moving average musiman
U,V : koefisien deviasi bulanan dari nilai sebenarnnya (prioritas)
EP : error relatif positif
EN : dan negatif
div : error relatif untuk peramalan
Ediv : error relatif maksimum untuk peramalan
X : nilai data
R : nilai residual
Cm : konstanta dalam model
NT : jumlah data
PEMILIHAN MODEL TERBAIK
Untuk menentukan model terbaik dapat digunakan beberapakriteria antara lain kriteria in-sample dan out-sample. Kriteria in-sample antara lain AIC dan SBC. Kriteria out-sample antara lainRMSE dan MAPE. Penjelasan mengenai kriteria pemilihan modeladalah sebagai berikut:
1. AIC (Akaike’s Information Criterion)
Kriteria AIC dirumuskan sebagai berikut:
AIC(M)
dengan;
n : banyaknya residual
: estimasi dari varians residual
M : jumlah parameter dalam model
2. SBC (Schwart’z Bayesian Criterion)
Schwartz (1978) menggunakan kriteria Bayesian dalam pemilihanmodel terbaik yang disebut dengan SBC dengan perumusan sebagaiberikut :
SBC(M) =
Mn a 2ˆln 2
2ˆa
nMn a lnˆln 2
LANJUTAN PEMILIHAN MODEL TERBAIK
3. Mean Square Error (MSE)
Kriteria MSE dirumuskan sebagai berikut
Pada penelitian ini akan digunakan kriteria RMSE (Root Mean
Square Error), dengan nilai RMSE =
4. Mean Absolute Percentage Error (MAPE)
Kriteria MAPE dirumuskan sebagai berikut :
MSE
2
1
ˆ
n
ZZ
MSE
n
t
tt
% n
Z
ZZn
t t
tt
100
ˆ
MAPE1
DEBIT AIR
Dalam hidrologi dikemukakan, debit air sungai
adalah, tinggi permukaan air sungai yang terukur oleh
alat ukur pemukaan air sungai. Pengukurannya
dilakukan tiap hari, atau dengan pengertian yang lain
debit atau aliran sungai adalah laju aliran air (dalam
bentuk volume air) yang melewati suatu penampang
melintang sungai per satuan waktu. Dalam sistem
satuan SI besarnya debit dinyatakan dalam satuan meter
kubik per detik (m3/dt).
METODOLOGI PENELITIAN
LANGKAH-LANGKAH
Pembentukan model ARMA
Pada pembentukan model ARMA dilakukan dengan langkah-langkahsebagai berikut:
1. Data dibagi menjadi dua, yaitu data in sample dan data out sample.
2. Melakukan identifikasi Model ARMA dengan langkah sebagai berikut:
a. Membuat time series plot untuk melihat kestationeran data, jikadata belum stationer dalam varian maka dilakukantransformasi.
b. Membuat plot Autocorrelation Function (ACF) dan PartialAutocorrelation Function (PACF) dari data yang sudah stasioner.
3. Melakukan estimasi dan uji signifikansi parameter model
ARMA(p, q)(P,Q)s.
4. Melakukan diagnostic checking, yang meliputi uji residual white noisedan uji kenormalan residual.
5. Melakukan overfitting yaitu mencoba beberapa model yang lain.
6. Melakukan estimasi parameter model ARMA menggunakan goalprogramming sebagai pengoptimalan dari hasil estimasi parametermodel yang telah dilakukan sebelumnya.
LANJUTAN LANGKAH-LANGKAH
7. Melakukan seleksi model untuk menentukan model terbaik dengan
menghitung nilai AIC, SBC, RMSE, MAPE dari seluruh model yang
mungkin.
Peramalan
Peramalan debit sungai dilakukan dengan memanfaatkan model
yang telah diperoleh.
Penarikan Kesimpulan
a. Diperoleh model yang sesuai dan terbaik untuk memprediksi
debit air sungai.
b. Penggunaan model yang telah diperoleh untuk memprediksi
debit air sungai pada periode mendatang.
Program yang digunakan dalam penelitian ini adalah Minitab dan
LINDO.
PEMBAHASAN
IDENTIFIKASI
Identifikasi Model
Gambar 5.1 Plot Time Series dan Box-Cox (In Sample) Debit Air
Stasiun Kediri
Gambar 5.2 Plot Time Series dan Box-Cox Transformasi
Index
debi
t ai
t (in
sam
pel)
9988776655443322111
350
300
250
200
150
100
50
0
Time Series Plot of debit ait (in sampel)
Lambda
StDe
v
5,02,50,0-2,5-5,0
700
600
500
400
300
200
100
0
Lower CL Upper CL
Limit
Lambda
0,00
(using 95,0% confidence)
Estimate -0,05
Lower CL -0,36
Upper CL 0,29
Rounded Value
Box-Cox Plot of debit ait (in sampel)
Index
tran
sfor
mas
i 1
9988776655443322111
6,0
5,5
5,0
4,5
4,0
3,5
Time Series Plot of transformasi 1
Lambda
StDe
v
5,02,50,0-2,5-5,0
0,36
0,35
0,34
0,33
0,32
0,31
0,30
0,29
0,28
0,27
Lower CL Upper CL
Limit
Lambda
0,50
(using 95,0% confidence)
Estimate 0,67
Lower CL -0,79
Upper CL 2,10
Rounded Value
Box-Cox Plot of transformasi 1
LANJUTAN IDENTIFIKASI
Gambar 5.3 Plot Time Series dan Box-Cox Transformasi
Pada Gambar 5.3 terlihat bahwa data debit air sudah stasioner
dalam varian karena diperoleh λ=1.
Index
tran
sfor
mas
i 2
9988776655443322111
2,4
2,3
2,2
2,1
2,0
1,9
1,8
Time Series Plot of transformasi 2
Lambda
StD
ev
5,02,50,0-2,5-5,0
0,069
0,068
0,067
0,066
0,065
0,064
0,063
Lower CL Upper CL
Limit
Lambda
1,00
(using 95,0% confidence)
Estimate 1,35
Lower CL -1,51
Upper CL 4,35
Rounded Value
Box-Cox Plot of transformasi 2
LANJUTAN IDENTIFIKASI
Gambar 5.4 Plot ACF dan PACF Transformasi
Lag
Auto
corr
elat
ion
2624222018161412108642
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Autocorrelation Function for transformasi 2(with 5% significance limits for the autocorrelations)
Lag
Part
ial A
utoc
orre
latio
n
2624222018161412108642
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Partial Autocorrelation Function for transformasi 2(with 5% significance limits for the partial autocorrelations)
ESTIMASI DAN UJI SIGNIFIKANSI
Tabel 5.1 Estimasi Parameter Debit Air Model ARMA(2,2)(0,0)
Pada Gambar 5.4 pola dari ACF adalah cuts off setelah lag 2dan pola dari PACF adalah cuts off setelah lag 2. Maka untuksementara, model yang diduga adalah ARMA(2,2)(0,0).
Selanjutnya akan dilakukan estimasi parameter danpengujian signifikansi parameter dari model tersebut denganmenggunakan statistik uji t-student dengan .
Par EstimasiStandart
Errort hitung
P value
1,6762 0,0478 35,04 0
-0,9295 0,0443 -20,98 0
1,1324 0,0988 11,47 0
-0,5336 0,0975 -5,47 0
0,547726 0,003166 173,03 0
LANJUTAN ESTIMASI DAN UJI SIGNIFIKANSI
Hasil estimasi parameter dapat dilihat pada tabel 5.1 kolom
2 dan pengujian signifikansi masing-masing parameter adalah
sebagai berikut:
Uji Signifikansi Parameter
Hipotesis:
Statistik Uji :
Karena atau maka H0 ditolak
artinya parameter signifikan.
DIAGNOSTIC CHECKING DAN OVERFITTING
Begitu juga untuk uji signifikansi parameter yang lain yaitu
parameter dapat dilakukan dengan cara yang sama
seperti pada parameter . Berdasarkan hasil uji signifikasi
paramater dapat disimpulkan bahwa pada model
ARMA(2,2)(0,0) semua parameternya signifikan.
Diagnostic Checking dan Overfitting
Ada dua asumsi yang harus dipenuhi dalam menentukan
kecukupan model, yaitu residual bersifat white noise dan
berdistribusi normal. Pengujian asumsi residual white noise dapat
dilakukan dengan menggunakan uji Ljung-Box , sebagai
berikut :
Hipotesis:
minimal ada satu , dengan
,,, 212
,,,, 2121
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Statistik uji Ljung-Box :
Untuk K = 12 maka:
= 17,723
Dengan cara yang sama seperti perhitungan di atas maka
untuk K = 12, 24, 36, dan 48 hasil yang diperoleh dapat dilihat pada
Tabel 5.2. Karena pada lag 12 dan 24 atau maka
H0 ditolak artinya residual tidak white noise.
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Tabel 5.2 Uji Asumsi Residual White noise ARMA(2,2)(0,0)
Sedangkan pengujian asumsi distribusi normal dapat
dilakukan dengan menggunakan uji Kolmogorov-Smirnov, .
Pengujian ini dapat dilakukan melalui hipotesis sebagai berikut :
Hipotesis :
Lag Q P-value
12 17,7 14,0671 0,013
24 30,3 30,144 0,049
36 40,3 44,9853 0,122
48 56,2 59,3035 0,085
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Statistik uji :
Karena maka H0 diterima artinya residual model
berdistribusi normal. Hal ini sesuai dengan hasil yang ada pada
Gambar 5.5 yaitu yang berarti residual model
berdistribusi normal.
Gambar 5.5 Plot Kenormalan Residual Model ARMA(2,2)(0,0)
040014778,0)()( 0 xFxSSupDx
11739,0108,05.0, DD n
(2,2)(0,0)
Perc
ent
0,30,20,10,0-0,1-0,2-0,3
99,9
99
95
90
80
7060504030
20
10
5
1
0,1
Mean
>0,150
0,0005779
StDev 0,08038
N 108
KS 0,046
P-Value
Probability Plot of (2,2)(0,0)Normal
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Dari hasil pengujian parameter signifikan, residual tidak
white noise dan residual berdistribusi normal dapat
disimpulkan bahwa model ARMA(2,2)(0,0) tidak sesuai untuk
deret in sample debit air stasiun Kediri.
Selanjutnya dilakukan overfitting dengan melihat
kemungkinan model-model yang lain, yaitu ARMA(2,1)(0,0),
ARMA(2,1)(0,1)12, ARMA(2,1) (0,2)12 , ARMA(1,0)(1,1)12.
Dari estimasi parameter, uji signifikansi parameter, uji
residual white noise, dan uji kenormalan residual, maka
model ARMA(2,1)(0,0) dan ARMA(2,1)(0,1)12 memenuhi
kecukupan model. Hal ini dapat dilihat pada Tabel 5.6.
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Tabel 5.3 Estimasi dan Uji Signifikansi
Model
ARMA
Parameter thitung ttabel P value Kepu-
tusan
(2,1)(0,0) = 1,5433 14 1,98304 0 signifikan
= -0,7494 -8,98 0 signifikan
= 0,6341 4,3 0 signifikan
= 0,4458 149,66 0 signifikan
(2,1)(0,1)12 = 1,4903 9,78 1,98326 0 signifikan
= -0,6733 -6,45 0 signifikan
= 0,6657 3,62 0 signifikan
= -0,3204 -3,34 0,001 signifikan
= 0,3965 113,28 0 signifikan
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Model
ARMA
Parameter thitung ttabel P value Kepu-
tusan(2,1)(0,2)12 = 1,5061 10,75 1,98350 0 signifikan
= -0,6958 -6,89 0 signifikan
=0,6509 3,74 0 signifikan
= -0,2895 -2,79 0,006 signifikan
= 0,0805 0,73 0,469 Tidak
signifikan
= 0,4106 120,93 0 signifikan
(1,0)(1,1)12 = 0,6702 9,07 1,983 0 signifikan
= 1,0041 40,12 0 signifikan
= 0,8882 9,77 0 signifikan
= -0,0032 1,77 0,079 Tidak
signifikan
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Tabel 5.4 Uji Residual White NoiseModel
ARMA
Lag Q P value Kepu
tusan
(2,1)(0,0) 12 12,95 15,5073 0,114 white noise
24 27,6 31,4104 0,118 white noise
36 41,9 46,1943 0,112 white noise
48 57,7 60,4809 0,081 white noise
(2,1)(0,1)12 12 8,1 14,0671 0,323 white noise
24 24,8 30,1435 0,168 white noise
36 38,6 44,9853 0,164 white noise
48 55,3 59,3035 0,099 white noise
(2,1)(0,2)12 12 7,6 12,5916 0,264 white noise
24 23,5 28,8693 0,171 white noise
36 36,1 43,7730 0,206 white noise
48 54,1 58,1240 0,100 white noise
LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING
Model
ARMA
Lag Q P value Kepu
tusan
(1,0)(1,1)12 12 7,4 15,5073 0,494 white noise
24 24,1 31,4104 0,328 white noise
36 33,1 46,1943 0,415 white noise
48 42,1 60,4809 0,525 white noise
Model
ARMA
D P value Keputusan
(2,1)(0,0) 0,04309 0,11739 >0,150 mengikuti distribusi normal
(2,1)(0,1)12 0,04639 >0,150 mengikuti distribusi normal
(2,1)(0,2)12 0,00339 >0,150 mengikuti distribusi normal
(1,0)(1,1)12 0,03699 >0,150 mengikuti distribusi normal
Tabel 5.5 Uji Kenormalan Residual
nD ,
ESTIMASI PARAMETER MENGGUNAKAN GP
Tabel 5.6 Kecukupan Model
Estimasi Parameter menggunakan Goal Programming
Dari dua model yang telah memenuhi kecukupan model, akan
dilakukan estimasi atau penaksiran parameternya dengan
menggunakan goal programming. Tujuannya adalah untuk
meminimalisasi deviasi.
Model
ARMA
Uji Signifikansi Uji Residual White
Noise
Uji Kenormalan Residual
(2,2)(0,0) signifikan tidak white noise berdistribusi normal
(2,1)(0,0) signifikan white noise berdistribusi normal
(2,1)(0,1)12 signifikan white noise berdistribusi normal
(2,1)(0,2)12 tidak signifikan white noise berdistribusi normal
(1,0)(1,1)12 tidak signifikan white noise berdistribusi normal
LANJUTAN ESTIMASI PARAMETER MENGGUNAKAN GP
ARMA (2,1)(0,0)
Dengan menggunakan persamaan (2.3) didapatkan:
AR1 = 0,756629, AR2 = 0, MA1 = 0, Cm = 0,53481
ARMA (2,1)(0,1)12
Dengan menggunakan persamaan (2.3) didapatkan:
AR1 = 0,791156, AR2 = 0, MA1 = 0, SMA1 = 0, Cm = 0,450847
Metode goal programming dapat meminimalkan deviasi atau
penyimpangan pada deret out sampel. Hal ini dapat dilihat pada
Tabel 5.7. Oleh karena itu, model ARMA yang parameternya telah
diestimasi menggunakan goal programming lebih akurat (dari pada
yang sebelum diestimasi menggunakan goal programming) untuk
digunakan pada peramalan debit air.
PEMILIHAN MODEL TERBAIK
Tabel 5.7 Mean Absolut Error
Pemilihan Model Terbaik
Tabel 5.8 Seleksi Model
Mode ARMA Metode Mean absolut error
Deret in sample Deret out sample
(2,1)(0,0) CLS 0,067793 0,097768
GP 0,073034 0,083665
(2,1)(0,1)12 CLS 0,065012 0,095023
GP 0,071197 0,075543
Model
ARMA
In sample Out sample
AIC SBC RMSE MAPE
(2,1)(0,0) -496,01 -485,358 0,09768 3,8544%
(2,1)(0,1)12 -446,55 -433,731 0,09186 3,4486%
PERAMALAN
Dari hasil Tabel 5.8, terlihat bahwa model ARMA(2,1)(0,1)12
adalah model terbaik untuk peramalan debit air karena memiliki
nilai RMSE dan MAPE yang lebih kecil dibandingkan dengan model
yang lain.
Peramalan
Hasil peramalan delapan periode berikutnya berdasarkan model
yang diperoleh adalah sebagai berikut:
Tabel 5.9 Peramalan Debit Air (dalam m3/ detik)
Periode Forecast Periode Forecast
Mei 2010 191,5882 September 2010 132,5817
Juni 2010 168,0118 Oktober 2010 126,3893
Juli 2010 152,2268 November 2010 121,7165
Agustus 2010 140,8916 Desember 2010 118,1544
PENUTUP
KESIMPULAN DAN SARAN
Dari analisa yang dilakukan, diperoleh kesimpulan sebagai berikut:
1. Model yang sesuai untuk peramalan debit air sungai Brantas padastasiun pengamatan Kediri adalah:
ARMA(2,1)(0,1)12 atau:
dengan:
AR1 = 0,791156, AR2 = 0, MA1 = 0, SMA1 = 0, Cm = 0,450847
2. Rata-rata debit air sungai pada bulan Mei tahun 2010 sampaidengan Desember tahun 2010 adalah 143,82 m3/detik dan standardeviasinya adalah 25,15 m3/detik.
Pada penelitian ini menggunakan data rata-rata bulanan.Maka disarankan pada penelitian selanjutnya menggunakan datayang lebih banyak seperti rata-rata harian. Selain itu, disarankanpula menggunakan goal programming untuk mengestimasiparameter model selain ARMA, seperti ARIMA, ARFIMA, maupunmodel yang lainnya.
DAFTAR PUSTAKA
1. Daniel, W. W. 1986. Statistika Non Parametrik Terapan. Jakarta:Penerbit PT. Gramedia.
2. Makridakis, W. M. G. 1999. Metode dan Aplikasi Peramalan. Edisikedua. Bina Rupa Aksara. Jakarta.
3. Mohammadi, K., Eslami H.R., dan Kahwita R. May 2006. Parameterestimation of an ARMA model for rifer flow forecasting using goalprogramming. Journal of Hydrology 331, 293-299.
4. Mulyono, S. 2004. Operation Research. Jakarta: Fakultas EkonomiUniversitas Indonesia.
5. Perum Jasa Tirta I. 2002. Profil Perusahaan Perum Jasa Tirta I. Malang.http://www.jasatirta1.co.id/index.php (diakses tanggal 5 Juli 2010)
6. Salamah, M., Suhartono., dan Wulandari S. 2003. Analisis Time Series.Surabaya: Jurusan Statistika ITS.
7. Suharti, T. 2004. Pengelolaan sungai, danau, dan waduk untukkonservasi sumber daya air. http://www.rudyct.com/PPS702-ipb/09145/titing_suharti.pdf (diakses tanggal 4 Juli 2010)
8.Wei, W.W.S. 1994. Time Series Analysis: Univariate andMultivariate Methods. United State of America: Addison-WesleyPublishing Company.
TERIMA
KASIH