| dc.description.abstract | Kabupaten Jember merupakan salah satu kabupaten yang memiliki potensi
besar dalam bidang pertanian dimana curah hujan sangat berpengaruh terhadap
hasil pertanian di daerah tersebut. Oleh karena itu, perlu dilakukan peramalan
curah hujan sebagai informasi dasar dalam menentukan indeks kekeringan. Model
ARIMA dan GSTAR adalah model yang digunakan dalam peramalan curah
hujan. Pada model ARIMA dan GSTAR dilakukan pengklusteran pada data curah
hujan untuk membuat model peramalan. Selain ARIMA dan GSTAR, metode
yang sering digunakan adalah Kalman Filter. Metode Kalman Filter memiliki
keunggulan yaitu peramalan dapat diperbaharui dengan data terbaru sehingga nilai
prediksi selalu update. Kalman Filter biasanya digunakan untuk memperbaiki
peramalan dengan menggunakan model ARIMA. Untuk mendapatkan hasil yang
maksimal akan dilakukan penggabungan model ARIMA dan GSTAR dengan
menggunakan metode Super-Ensemble Kalman Filter dalam meramalkan curah
hujan di Kabupaten Jember. Data yang digunakan dalam penelitian ini adalah data
curah hujan Kabupaten Jember periode Januari 2005 sampai Desember 2017.
Selain itu, dalam penelitian ini yang digunakan sebagai fitting model dalam
metode Super-Ensemble Kalman Filter adalah model ARIMA periode Januari
2005-Desember 2015 dan GSTAR periode Januari 2005-Desember 2015.
Selanjutnya hasil peramalan antara metode Super-Ensemble Kalman Filter yang
menggunakan fitting model ARIMA (A1) periode Januari 2005-Desember 2015
dan GSTAR periode Januari 2005-Desember 2015 akan dibandingkan dengan
model ARIMA (A2) periode Januari 2005-Desember 2016.
Dalam penelitian ini data yang digunakan dibagi menjadi empat kelompok
berdasarkan pengelompokan dari BPS dan pengelompokan dengan menggunakan
algoritma K-Means. Berdasarkan pengelompokan ini, nantinya akan diperoleh
model peramalan terbaik dari masing-masing kelompok. Model tersebut yang
nantinya akan digunakan sebagai fitting model pada peramalan Super-Ensemble
Kalman Filter. Pada model ARIMA dan GSTAR data yang digunakan dalam
peramalan harus stasioner dalam mean dan varians, dimana pola data tidak
mengalami perubahan yang signifikan.
Model ARIMA yang diperoleh dari masing-masing kluster akan dipilih
model terbaik dan diperoleh
Y1
, Y2
, Y3
dan
Y4
yang menunjukkan model ARIMA
(A1) terbaik pada kluster 1, kluster 2, kluster 3 dan kluster 4. Model terbaik
ARIMA (A1) pada kluster pertama (4,0,4), kluster kedua (3,0,1), kluster ketiga
(2,0,3) dan kluster keempat (2,0,5). Model ini yang nantinya akan digunakan
sebagai fitting model dalam Kalman Filter. Sedangkan untuk Model ARIMA (A2)
nantinya akan digunakan sebagai pembanding hasil peramalan dengan SuperEnsemble Kalman Filter. Berdasarkan nilai AIC diperoleh model terbaik untuk
ARIMA (A2) pada kluster 1 adalah ARIMA (4,0,4), Kluster 2 ARIMA ( 4,0,2),
kluster 3 ARIMA (2,0,3) dan pada kluster 4 ARIMA (3,0,2). Sedangkan untuk
model GSTAR pembagian kluster dilakukan dengan menggunakan algoritma KMeans. Dari penelitian sebeumnya diperoleh empat model ditiap klusternya.
Pada metode Super-Ensemble Kalman Filter ini akan menggabungkan
model ARIMA dan GSTAR untuk melakukan peramalan curah hujan pada suatu
periode waktu tertentu di Kabupaten Jember yang telah dibagi menjadi empat
wilayah. Langkah awal pada metode Super-Ensemble Kalman Filter adalah
dengan menentukan nilai awal atau dalam komputasi disebut dengan iterasi ke-0,
dimana iterasi ke-0 adalah kondisi yang diperlukan untuk menentukan kondisi
pada tahap berikutnya. Penentuan nilai awal pada metode Super-Ensemble
Kalman Filter berupa asumsi suatu nilai yaitu nilai rata-rata maupun prediksi
awal. Penentuan nilai awal dilakukan pada nilai dari bobot vektor, dimana nilai
awal yang digunakan adalah nilai random.
Pada metode Super-Ensemble Kalman Filter ini, proses Kalman Filter
hanya dilakukan pada bobot vektor waktu saja untuk memperoleh nilai bobot
vektor waktu selama 12 kali data pengamatan. Selanjutnya dilakukan proses
penyesuaian hasil estimasi dengan data pengamatan dimana nilai tersebut
merupakan nilai sebenarnya sehingga akan dihasilkan perbaikan estimasi. Proses
perbaikan estimasi ini dalam Kalman Filter biasa disebut dengan Kalman Gain.
Kalman Gain berperan dalam meminimalisasi norm kovarian error pada proses
estimasi. Pada bagian ini diperoleh nilai norm kovarians error semakin mengecil
hingga iterasi terakhir. Selain itu juga dilakukan peramalan ARIMA (A2).
Berdasarkan hasil peramalan dari keduanya, diperoleh kesimpulan bahwa
peramalan menggunakan metode Kalman Filter menghasilkan nilai Root Mean
Square Error (RMSE) yang lebih kecil dibandingkan dengan peramalan
menggunakan model A2. Hal ini menunjukkan bahwa metode Super-Ensemble
Kalman Filter lebih baik daripada model ARIMA (A2) untuk peramalan curah
hujan di Kabupaten Jember. Diperoleh kesimpulan bahwa super-Ensemble
Kalman Filter dapat digunakan sebagai metode peramalan curah hujan di
Kabupaten Jember dengan menggunakan model ARIMA dan GSTAR sebagai
fitting model. | en_US |
