PEMODELAN VARIABILITAS MUSIMAN DALAM CURAH HUJAN : PENDEKATAN DERET WAKTU

Ali Mustopa; Joko Dwi Santoso; Muhammad Sachib Farhan Nauvaldhi; Devi Wulandari

doi:10.24076/joism.2025v6i2.1936

Authors

Ali Mustopa Universitas Amikom Yogyakarta https://orcid.org/0000-0002-4298-4525
Joko Dwi Santoso Universitas Amikom Yogyakarta
Muhammad Sachib Farhan Nauvaldhi Universitas Amikom Yogyakarta
Devi Wulandari Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.24076/joism.2025v6i2.1936

Keywords:

Analisis Deret Waktu, Model terbaik, ARIMA, SARIMA, ETS

Abstract

Presipitasi merupakan komponen fundamental dalam siklus hidrologi Bumi yang memiliki dampak signifikan terhadap ekosistem, produktivitas pertanian, dan pengelolaan sumber daya air. Variabilitas presipitasi, terutama pola musiman, sangat penting untuk dipahami dalam konteks perencanaan yang efektif dan strategi adaptasi terhadap perubahan iklim yang semakin nyata. Penelitian ini bertujuan untuk mengeksplorasi variabilitas musiman curah hujan di Bangladesh melalui analisis deret waktu yang komprehensif, dengan memanfaatkan teknik statistik canggih, termasuk model Autoregressive Integrated Moving Average (ARIMA), Seasonal Autoregressive Integrated Moving Average (SARIMA), dan Exponential Smoothing State Space (ETS). Data yang digunakan dalam penelitian ini mencakup catatan curah hujan dan suhu rata-rata bulanan dari tahun 1901 hingga 2023, yang diambil dari Humanitarian Data Exchange (HDX). Analisis dilakukan untuk mengidentifikasi pola dan tren musiman yang ada dalam data tersebut. Hasil analisis menunjukkan bahwa model SARIMA (2, 0, 1) × (0, 1, 1, 12) memberikan kinerja terbaik dibandingkan dengan model lainnya, dengan nilai Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE) yang rendah, yang menunjukkan akurasi prediksi yang tinggi. Sementara itu, model ETS juga menunjukkan hasil yang baik dalam hal akurasi, tetapi dengan nilai MAPE yang lebih tinggi, yang mengindikasikan bahwa meskipun model ini mampu menangkap pola musiman, proporsi kesalahan relatif terhadap data aktual lebih besar. Penelitian ini menekankan pentingnya mempertimbangkan komponen musiman dalam pemodelan deret waktu, karena fluktuasi musiman yang terjadi secara periodik dapat ditangkap dengan lebih baik, sehingga menghasilkan prediksi yang lebih konsisten dan akurat. Dengan demikian, hasil penelitian ini memberikan wawasan berharga untuk perencanaan dan strategi adaptasi di masa depan, terutama dalam konteks perubahan iklim yang dapat mempengaruhi pola curah hujan.

Downloads

Download data is not yet available.

References

H. P. Dasari and V. S. Challa, “A Study of Precipitation Climatology and Its Variability over Europe Using an Advanced Regional Model (WRF),” Am. J. Clim. Chang., vol. 04, no. 01, pp. 22–39, 2015, doi: 10.4236/ajcc.2015.41003.

K. S. Rawat, R. K. Pal, and S. K. Singh, “Rainfall variability analysis using Precipitation Concentration Index: a case study of the western agro-climatic zone of Punjab, India,” Indones. J. Geogr., vol. 53, no. 3, Dec. 2021, doi: 10.22146/ijg.64890.

A. Azwar, E. Meilianda, and M. Masimin, “KAJIAN POLA CURAH HUJAN DURASI PANJANG TERKAIT DENGAN WAKTU KEJADIAN BANJIR DI KABUPATEN ACEH UTARA,” J. Arsip Rekayasa Sipil dan Perenc., vol. 4, no. 1, pp. 39–48, Jan. 2022, doi: 10.24815/jarsp.v4i1.16723.

G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time series analysis: forecasting and control. John Wiley & Sons, 2015.

W. W. S. Wei, Multivariate time series analysis and applications. John Wiley & Sons, 2019.

R. J. Hyndman and G. Athanasopoulos, Forecasting: principles and practice. OTexts, 2018.

M. Clements and D. F. Hendry, Forecasting Economic Time Series. in Forecasting economic time series. Cambridge University Press, 1998.

R. J. Hyndman and Y. Khandakar, “Automatic Time Series Forecasting: The forecast Package for R,” J. Stat. Softw., vol. 27, no. 3, 2008, doi: 10.18637/jss.v027.i03.

S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “The M4 Competition: Results, findings, conclusion and way forward,” Int. J. Forecast., vol. 34, no. 4, pp. 802–808, Oct. 2018, doi: 10.1016/j.ijforecast.2018.06.001.

A. I. Ritu, M. N. Ahasan, and M. N. Ahasan, “Prediction of Summer Monsoon Rainfall over Bangladesh Using Climate Predictability Tool (CPT),” DEW-DROP, vol. 9, no. 1, pp. 63–73, 2023, Accessed: Jan. 08, 2025. [Online]. Available: https://live6.bmd.gov.bd/p/Dew-Drop-Vol.9-No.1

U. Ashwini, K. Kalaivani, K. Ulagapriya, and A. Saritha, “Time Series Analysis based Tamilnadu Monsoon Rainfall Prediction using Seasonal ARIMA,” in 2021 6th International Conference on Inventive Computation Technologies (ICICT), IEEE, Jan. 2021, pp. 1293–1297. doi: 10.1109/ICICT50816.2021.9358615.

H. Prapcoyo and M. As’ad, “THE FORECASTING OF MONTHLY INFLATION IN YOGYAKARTA CITY USES AN EXPONENTIAL SMOOTHING-STATE SPACE MODEL,” Int. J. Econ. Bus. Account. Res., vol. 6, no. 2, pp. 1144–1152, Jun. 2022, doi: 10.29040/IJEBAR.V6I2.4853.

M. As et al., “Forecasting Performance Base on Exponential Smoothing with SES and ETS Model for Gold Price Forecasting,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 11, no. 1, pp. 267–274, Mar. 2024, doi: 10.35957/JATISI.V11I1.3804.

W. Rahmalina, “Pemodelan Seasonal Autoregressive Integrated Moving Average Untuk Memprediksi Jumlah Kasus Covid-19 di Padang,” J. Mat. Integr., vol. 17, no. 1, p. 23, Aug. 2021, doi: 10.24198/jmi.v17.n1.32024.23-31.

Yakin, “Bangladesh Weather Dataset (1901 - 2023).” Accessed: Jan. 08, 2025. [Online]. Available: https://www.kaggle.com/datasets/yakinrubaiat/bangladesh-weather-dataset