BAB 4
HASIL dan PEMBAHASAN
Setelah melakukan perancangan terhadap sistem dan menetapkan metode yang akan digunakan, maka pada bab ini akan dibahas mengenai cara-cara yang dilakukan untuk melakukan peramalan curah hujan dengan menggunakan Bahasa R.
4.1
Pengaturan Data Curah Hujan
4.1.1 Data Curah Hujan
Untuk melakukan peramalan curah hujan yang harus dilakukan pertama kali adalah mengetahui data-data curah hujan tahun sebelemunya. Di sini peneliti menggunakan data curah hujan tahun 2001 sampai tahun 2013. Berikut sumber data yang akan digunakan untuk melakukan peramalan curah hujan dapat dilihat pada Tabel 1.
Tabel 1 Data Curah Hujan Tahun 2001-2013 Kabupaten Semarang
Gambar 3. Grafik Curah Hujan Kabupaten Semarang Tahun 2001-2013
4.1.2 Memanggil Data
Untuk melakukan peramalan curah hujan sepanjang tahun 2013, maka data tersebut harus dimuat kedalam Bahasa R seperti di bawah ini.
curahhujan <- read.csv("C:/R/skripsi/excel/curahhujan.txt", sep="")
Perintah di atas adalah perintah untuk memanggil data curah hujan kedalam Bahasa R, dengan curahhujan sebagai nama objek/variabel dan read.css sebagai fungsi untuk membaca file. Data yang dalam tabel tersebut pertama tama harus diubah ke dalam format .txt agar Bahasa R dapat memanggil data tersebut.
4.1.3 Data time-series
Setelah data berhasil dipangil ke dalam Bahasa R maka dilakukan pengubahan data curah hujan menjadi data time-series. Data time-series adalah data yang dicatat, dikumpulan, dan diamati berdasarkan kumpulan waktu. Data time-series digunakan untuk menemukan bentuk pola dari data di masa lalu yang digunakan untuk melakukan peramalan terhadap sifat sifat dari data di masa yang akan datang. Berikut adalah perintah yang digunakan untuk mengubah data curah hujan menjadi data time-series pada Bahasa R.
Keterangan untuk perintah di atas adalah: hujan : nama object time series yang dibuat; ts() : fungsi untuk mengubah variable/object menjadi time series; frequency artinya data memiliki frekuensi 12 pertahun(1 data untuk tiap 1 bulan). Pada perintah diatas time series dimulai tahun 2001.
4.2
Model Peramalan
4.2.1 Menentukan ACF dan PACF
Sebelum menentukan model yang akan digunakan untuk melakukan peramalan maka yang harus dilakukan terlebih dahulu adalah menentukan Auto Correlation (ACF) dan Partial Auto Correlation (PACF).
1. Par(mfrow=c(2,1)) 2. Acf(hujan,48) 3. Pacf(hujan,48)
Dengan hasil seperti gambar di bawah ini.
Gambar 5. Menampilkan Angka Partial Auto Correlation
Pada bentuk pola grafik ACF dan PACF di atas dapat dijelaskan bahwa plot ACF turun cepat secara sinusoidal pada lag 2, sedangkan pada plot PACF meunjukan dies down (turun cepat secara sinusodial) pada lag 2 dan kemungkina untuk arima yang digunakan adalah Model ARIMA (2,0,2) atau juga ARMA (2,2).
4.3
Tahap Estimasi dan Uji Statistik
Setelah menentukan model yang akan digunakan, maka tahap selanjutnya adalah menentukan estimasi parameter. Estimasi parameter dilakukan pada bahasa R dengan perintah seperti di bawah ini:
hujan.fit1 <- arima (hujan,c(2,0,2))
hujan.fit1
Dalam Bahasa R ditemukan hasil dengan taksiran dari vaiasi error (MLE) sebesar 17794 dan nilai aic sebesar 1984,15.
4.4
Tahap Pemeriksaan Diagnostic
Langkah berikutnya setelah hasil estimasi parameter ditemukan, maka dilakukan tahap permeriksaan diagnostic apakah model sudah memenuhi syarat atau belum. Untuk melakukan pemeriksaan diagnostic digunakanlah Bahasa R yaitu uji Statistik Ljung-Box dengan perintah seperti di bawah ini.
\
tsdiag(hujan.fit1)
Menghasilkan output seperti gambar di bawah ini:
Gambar 6. Hasil diagnostic dalam Bahasa R
tingkat signifikan pengujian. Dan model tersebut akan digunakan untuk proses peramalan.
4.5
Perhitungan Nilai MAPE
Untuk mengetahui ketepatan dalam proses peramalan, maka peneliti akan melakukan perbandingan data sebenarnya dengan data hasil peramalan, data yang akan coba dibandingan diambil dari data tahun 2013. Untuk menghitung ketepatan peramalan digunakan rumus MAPE (Mean Absolute Percentage Error) dengan rumus seperti dibawah ini.
Dari rumus diatas dapat dijelaskan bahwa At adalah nilai data yang sebenarnya, nilai Ft adalah nilai data hasil peramalan, dan n adalah banyaknya data hasil peramalan.
Tabel 2. Perbandingan data sebenarnya dengan hasil peramalan
Dari hasil perhitungan pada tabel 2 dapat diketahui bahwa model ARIMA (2,0,2) memiliki nilai MAPE sebesar 109,08%. Angka MAPE yang besar pada tabel dipengaruhi karena angka yang kecil pada data sebenarnya sehingga mengakibatkan nilai kesalahan yang besar pula.
4.6
Peramalan
4.6.1 Proses Peramalan
Setelah melakukan langkah seperti di atas, maka mulailah untuk melakukan peramalan dengan cara memasukan proses peramalan dan waktu yang diinginkan (1 tahun = 12 bulan). Berikut adalah rumus rumus dalam Bahasa R yang digunakan dalam melaukukan proses peramalan.
1. hujan.fore=predict(hujan.fit1,n.ahead=24)
pada perintah pertama digunakan untuk memasukan proses peramalan dan waktu yg diinginkan(1 tahun = 12 bulan). Pada perintah diatas peramaln dilakukan sampai 2 tahun kedepan
2. U=hujan.fore$pred+hujan.fore$se
Pada perintah kedua digunakan untuk menentukan nilai batas atas peramalan
3. L=hujan.fore$pred-hujan.fore$se
Pada perintah ketiga digunakan untuk menentukan nilai batas bawah peramalan.
4.6.2 Hasil Peramalan
Setelah proses peramaln selesai maka hasil peramalan akan ditampilkan dalam bentuk grafik garis dengan perintah seperti di bawah ini.
Setelah melakukan perintah di atas maka akan mendapatkan hasil seperti pada Gambar 7. Dengan menampilkan hasil peramalan menggunakan tanda merah.
Gambar 7. Hasil Peramalan Berupa Grafik Garis
Gambar 8. Hasil Peramalan Curah Hujan Terbesar dan Terkecil
Menampilkan hasil peramalan curah hujan terbesar dan terkecil pada tabel dapat dilihat pada Gambar 9.
