Penerapan Model ARMA(1,1) GARCH(0,1) padaTinggi Muka Air Sungai Bengawan Solo di Pos Pemantauan Jurug
Main Article Content
Abstract
Intensitas hujan tahunan di daerah aliran sungai (DAS) Bengawan Solo mengakibatkan debit aliran sungai besar di beberapa anak sungai. Debit aliran sungai yang besar mengakibatkan tinggi muka air di beberapa pos pemantauan meningkat. Pada bulan Juli 2016, luapan sungai Bengawan Solo mengakibatkan banjir di kawasan Solo timur. Hal ini disebabkan karena tinggi muka air pada pos pemantauan Jurug menembus level 10. Oleh karena itu prediksi nilai tinggi muka air diperlukan sebagai upaya peringatan dini banjir. Pengukuran tinggi muka air sungai Bengawan Solo pada setiap pos pemantauan dilakukan setiap hari. Data tinggi muka air merupakan data runtun waktu. Salah satu metode peramalan data runtun waktu adalah Autoregressive Integrated Moving Average (ARIMA), model ini memiliki asumsi homoskedastisitas atau variansi eror tetap. Tetapi apabila variansi eror berubah-ubah maka model yang digunakan adalah model ARIMA. Penelitian ini menggunakan 60 data dari bulan Januari – Februari 2017. Data tersebut terbukti stasioner berdasarkan nilai ADF 0,0036, oleh karena itu model ARIMA dapat digunakan. Berdasarkan pola correlogram, ACF dan PACF terpotong setelah lag pertama, hal ini menunjukan tinggi muka air sungai periode tersebut dapat dimodelkan dengan Autoregressive Moving Average dengan orde p = 1 dan q = 1 (ARMA(1,1)) berikut dan GARCH (0,1) , dengan nilai mean absolute percentage error (MAPE) 0,186946 artinya 18,6946 % rata-rata presentase kesalahan terhadap penerapan model ini.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright Notice
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[2] K. Yunus, “ARIMA-based Frequency-Decomposed Modelling of Wind Speed Time Series,” IEEE Trans. Power Syst., vol. 31(4), pp. 2546–2556, 2016.
[3] A. Vaccaro, “Local Learning-ARIMA Adaptive Hybrid Architecture for Hourly Electricity Price Forecasting,” Powertech IEEE, pp. 1–6.
[4] G. Liu, “Software Reliability Forecasting: Singular Spectrum Analysis and ARIMA Hybrid Model,” Theor. Asp. Softw. Eng. Nanjing, pp. 111–118, 2015.
[5] T. Hirata, “Time Series Prediction using Deef Belief Net (DBF) and ARIMA,” in international Conference on Computer Application Technologies, 2015.
[6] L. Wang, “Wind Speed Forecasting Based on Fuzzy-Neural Network Combination Method,” in The 27th Chinese Control and Decision Conference, 2015, pp. 4811–4816.
[7] Y.-S. Lee, “Forecasting Time Series using a Methodology Based on Autoregressive Integrated Moving Average and Genetic Programming,” Knowledge-Based Syst., vol. 24, pp. 66–72, 2011.
[8] A. M. S. W.Jacobs, “Combination of Box-Jenkins and MLP/RNA Models for Forecasting Combining Forecasting of Box-Jenkins,” IEEE Lat. Am. Trans., vol. 14, no. 4, 2016.
[9] Z. A. Farhath, B. Arputhamary, and L. Arockiam, “A Survey on Arima Forecasting Using Time Series Model,” vol. 5, no. 8, pp. 104–109, 2016.
[10] M. Y. Mahan, C. R. Chorn, and A. P. Georgopoulos, “White Noise Test : detecting autocorrelation and nonstationarities in long time series after ARIMA modeling,” Proceeding 14th Python Sci. Conf. (SCIPY 2015), no. Scipy, pp. 100–108, 2015.