PENGELOMPOKAN STASIUN HUJAN MELALUI VARIABEL GEOGRAFIS PADA PEMODELAN GSTAR MUSIMAN UNTUK PERAMALAN CURAH HUJAN DI KABUPATEN JEMBER

Abstract

Data dalam penelitian ini adalah data curah hujan dari 77 stasiun hujan di Kabupaten Jember periode 2005 sampai dengan 2016. Data tersebut terbagi menjadi dua, yaitu data in-sample dan data out-sample. Data in-sample adalah data yang digunakan untuk membentuk model peramalan, yaitu data bulan Januari 2005 sampai dengan Desember 2015. Sedangkan data out-sample adalah data yang digunakan untuk memeriksa daya ramal model, yaitu data curah hujan bulan Januari 2016 sampai dengan Desember 2016. Secara garis besar, tahapan analisis peramalan dalam penelitian ini adalah pengelompokan data, identifikasi data, pemodelan GSTAR, kemudian nnalisis data dengan melihat RMSE, dimana RMSE yang lebih kecil menunjukkan model yang lebih baik. Pemodelan GSTAR dilakukan pada kedua pengelompokan, berdasarkan data rata-rata curah hujan setiap bulan pada masing-masing wilayah dari kedua pengelompokan. Pemodelan pada masing-masing pengelompokan dilakukan sebanyak dua kali, yaitu Pemodelan GSTAR Non Musiman dan GSTAR Musiman. Sehingga terbentuk empat macam model GSTAR. Model yang terbentuk adalah GSTAR𝐵(1; 1), GSTAR𝐵 − Musiman(1; 1), GSTAR𝐾(1; 1), dan GSTAR𝐾 − Musiman(1; 1) dengan nilai RMSE berturut turut adalah 163,293 ; 155,107; 147,505; dan 141,466. Berdasarkan nilai RMSE tersebut, didapat model terbaik adalah model GSTAR𝐾 − Musiman(1; 1), yaitu model GSTAR Musiman pada pengelompokan KMeans. Jika dibandingkan antara model non musiman dengan model musiman, maka model musiman memberikan nilai RMSE yang lebih kecil, baik pada pengelompokan BPS maupun pengelompokan K-Means. Sedangkan jika dibandingkan berdasarkan pengelompokan data, maka model pada pengelompokan K-Means memiliki nilai RMSE yang lebih kecil dibandingkan pada pengelompokan BPS. Sehingga dapat disimpulkan bahwa dengan memasukkan unsur musiman pada model dapat memperkecil nilai RMSE. Selain itu, pengelompokan K-Means dalam penelitian ini juga dapat memperkecil nilai RMSE model, baik pada model non musiman maupun model musiman.