Pemodelan Data Curah Hujan dan Suhu Rata-Rata dengan Model Seasonal Vector Autoregressive Moving Average (Seasonal VARMA) di Kota Bandung
Abstract
Abstract. Seasonal VARMA is able to produce precise forecasts, because it is used through multivariate time series modeling, but does not also ignore any seasonal events that are part of the nature of time series data. This model is used on data that has a two-way relationship, in this case time series with seasonal patterns that have a two-way relationship are data from rainfall and average temperature. In this study, researchers modeled time series data from rainfall and average temperature data in Bandung City using the Seasonal VARMA model and obtained the Seasonal VARMA〖(2,0,2)(1,1,0)〗_12 model. In addition to modeling, researchers also conducted forecasting of rainfall time series data and average temperature for the next 12 months. The results of the forecasting show that the highest rainfall forecast is in March 2023 at 254,394 mm and November 2023 at 382,937 mm, in which month the rainy season is predicted. While the lowest rainfall forecast results are in August 2023 amounting to 56,480 mm, where in August it is predicted that there will be a dry season.
Abstrak. Seasonal VARMA mampu menghasilkan ramalan yang tepat, karena digunakan telahaan melalui pemodelan deret waktu multivariat, namun tidak juga mengabaikan pada setiap kejadian musiman yang merupakan bagian dari sifat data deret waktu. Model ini digunakan pada data yang memiliki hubungan dua arah, dalam hal ini deret waktu dengan pola musiman yang memiliki hubungan dua arah adalah data dari curah hujan dan suhu rata-rata. Pada penelitian ini, peneliti melakukan pemodelan data deret waktu dari data curah hujan dan suhu rata-rata di Kota Bandung menggunakan model Seasonal VARMA dan didapatkan model Seasonal VARMA. Selain melakukan pemodelan, peneliti pun melakukan peramalan dari data deret waktu curah hujan dan suhu rata-rata 12 bulan ke depan. Hasil dari peramalan didapatkan jika ramalan curah hujan tertinggi ada pada bulan Maret 2023 sebesar 254.394 mm dan bulan November 2023 sebesar 382.937 mm, pada bulan tersebut diramalkan terjadi musim hujan. Sedangkan hasil ramalan curah hujan terendah ada pada bulan Agustus 2023 sebesar 56.480 mm, dimana pada bulan agustus diramalkan bahwa akan terjadi musim kemarau.
References
Ciptaningtyas, V. K. (2017). Penerapan Model Seasonal Vector Autoregressive Moveing Average (Seasonal VARMA) pada Data Curah Hujan dan Suhu Rata-rata di Stasiun Meteorologi Juanda, Sidoarjo. Malang: Universitas Brawijaya.
Gujarati, D. N. (2004). Basic Econometrics. New York: McGraw-Hill/Irwin.
Hairiah. (2016). Perubahan Iklim: Sebab Dan Dampaknya Terhadap Kehidupan. In Hairiah, Perubahan Iklim: Sebab Dan Dampaknya Terhadap Kehidupan (p. 21). Malang: World Agroforestry Center dan Universitas Brawijaya Malang.
Handoko. (1995). Klimatologi Dasar. Jakarta: Pustaka Jaya.
Lakitan. (1994). Dasar-dasar Klimatologi. Jakarta: Raja Grafindo Perkasa.
Muliantara. (2015). Perancangan alat ukur ketinggian curah hujan otomatis berbasis mikrokontroler. Jurnal Ilmu Komputer, 31-37.
Ulya, A. (2019). Peramalan Harga Saham Penutupan menggunakan Metode Vector Autoregressive Moving Average (VARMA). Malang: Universitas Islam Negeri Maulana Malik Ibrahim.
Wei, W. W. (2006). Time Series Analysis Univariate and Multivariate. Philadelphia: Greg Tobin.
Winarso. (2003). Pengertian Iklim dan Cuaca. Yogyakarta: Pustaka Belajar.
Yozgatligil, C. (2009). vol 63 No 4. Representation of Multiplicative Seasonal Vector, 7.
Febyanti, F. (2022). Pemodelan Faktor-Faktor yang Mempengaruhi Harga Rumah di Jabodetabek Menggunakan Metode Regresi Probit. Jurnal Riset Statistika, 50–56. https://doi.org/10.29313/jrs.vi.905
Firdayanti, E., 1, D., & Hajarisman, N. (2023). Penanganan Data Hilang pada Pemodelan Persamaan Terstruktur melalui Metode Full Information Maximum Likelihood (FIML). 1(1), 11–18. https://doi.org/10.29313/datamath.v1i1.10
Zain, M. N. (2022). Algoritma Artificial Neural Network dalam Klasifikasi Chest X-Rays Pasien COVID-19. Jurnal Riset Statistika, 137–144. https://doi.org/10.29313/jrs.v2i2.1426
