PERBANDINGAN AKURASI ENSEMBLE ARIMA DALAM PERAMALAN CURAH HUJAN DI KOTA BATU, MALANG, JAWA TIMUR
Keywords: ARIMA, curah hujan dasaharian, ensemble
Abstract
Di Indonesia, perubahan pola iklim sangat mempengaruhi produksi pertanian. Salah satu upaya untuk mengatasi dampak perubahan iklim dalam pertanian saat ini adalah melalui pendekatan taktis dengan pengembangan metode dalam pemodelan dan peramalan. Dalam studi ini digunakan metode ARIMA sebagai model individu dan ensemble ARIMA sebagai model kombinasi untuk meramalkan rata-rata curah hujan dasaharian di enam stasiun Kota Batu, Malang, Jawa Timur. Keakuratan model dalam prediksi diukur berdasarkan kriteria RMSE dimana model terbaik yang dipilih adalah model dengan RMSE terkecil. Model ARIMA pada enam stasiun curah hujan menunjukkan akurasi yang lebih baik untuk 54 periode ke depan dibandingkan dengan model Ensemble ARIMA.
Downloads
Download data is not yet available.
References
Anonim. (2010). Edukasi. Diambil pada tanggal 9 Oktober 2012 dari: http://www.dirgantara-lapan.or.id)
Bowerman, B.L., and OConnell, R.T. (1993). Forecasting and time series: an applied approach. 3rd edition. California: Duxbury Press.
Chadsuthi, S., Modchang, C., Len
bury, Y., Iamsirithaworn, S., & Triampo, W. (2012). Modeling seasonal leptospirosis transmission and its association with rainfall and temperature in Thailand using timeseries and ARIMAX analyses. Asian Pacific Journal of Tropical Medicine, 5 (7), hal.539-546.
Irawan, D. (2007). Potensi pengembangan tanaman apel (malus sylvestris mill) berdasarkan aspek agroklimat di Jawa Timur. Tugas Akhir Institut Pertanian Bogor Departemen Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan Alam (Tidak dipublikasikan).
Leutbecher, M., & Palmer, T. N. (2008). Ensemble forecasting. Journal of Computational Physics , hal. 35153539.
Makridakis, S., & Hibon, M. (2000). The M-3 Competition: results, conclusions and implications. International Journal of Forecasting. 16. hal. 451476.
Wei, W.W.S. (2006). Time series analysis, univariate and multivariate methods. Canada: Addison Wesley Publishing Company.
Zaier, I., Shu, C., Ouarda, T., Seidou, O., & Chebana, F. (2010). Estimation of ice thickness on lakes using artificial neural network ensembles.
Bowerman, B.L., and OConnell, R.T. (1993). Forecasting and time series: an applied approach. 3rd edition. California: Duxbury Press.
Chadsuthi, S., Modchang, C., Len
bury, Y., Iamsirithaworn, S., & Triampo, W. (2012). Modeling seasonal leptospirosis transmission and its association with rainfall and temperature in Thailand using timeseries and ARIMAX analyses. Asian Pacific Journal of Tropical Medicine, 5 (7), hal.539-546.
Irawan, D. (2007). Potensi pengembangan tanaman apel (malus sylvestris mill) berdasarkan aspek agroklimat di Jawa Timur. Tugas Akhir Institut Pertanian Bogor Departemen Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan Alam (Tidak dipublikasikan).
Leutbecher, M., & Palmer, T. N. (2008). Ensemble forecasting. Journal of Computational Physics , hal. 35153539.
Makridakis, S., & Hibon, M. (2000). The M-3 Competition: results, conclusions and implications. International Journal of Forecasting. 16. hal. 451476.
Wei, W.W.S. (2006). Time series analysis, univariate and multivariate methods. Canada: Addison Wesley Publishing Company.
Zaier, I., Shu, C., Ouarda, T., Seidou, O., & Chebana, F. (2010). Estimation of ice thickness on lakes using artificial neural network ensembles.
Published
Sep 26, 2015
How to Cite
Faulina, R. . (2015). PERBANDINGAN AKURASI ENSEMBLE ARIMA DALAM PERAMALAN CURAH HUJAN DI KOTA BATU, MALANG, JAWA TIMUR. Jurnal Matematika Sains Dan Teknologi, 15(2), 75–83. Retrieved from http://jurnal.ut.ac.id/index.php/jmst/article/view/384
Download Citation
Issue
Section
Articles