BAB 3 METODOLOGI
3.1
Metodologi Penelitian 3.1.1
Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung dari sumber asli yaitu melalui wawancara (Interview) dengan aktif bertanya kepada pihak yang berwenang dalam peramalan cuaca. Dalam hal ini adalah BMG (Badan Meteorologi dan Geofisika). Pertanyaanpertanyaan yang diajukan berkaitan dengan penyusunan skripsi ini. 2) Data Sekunder, yaitu dengan mengumpulkan sumber data penelitian secara tidak langsung melalui media perantara yang berupa arsip-arsip (data dokumenter), materi skripsi dari buku-buku ilmu statistika, jurnal, artikel dan buku-buku bahasa pemrograman yang mendukung program aplikasi perhitungan peramalan.
3.1.1.1 Data yang Digunakan Dalam penelitian ini digunakan satu set data histories temperatur yaitu: Data per-jam untuk daerah Jakarta yang berasal dari Badan Meteorologi dan Geofisika (BMG) selama 15 hari dari terhitung 1 Januari hingga 15 Januari 2004.
33 3.1.2
Kerangka Berpikir Peramalan temperatur merupakan salah satu peramalan yang sangat penting dalam kehidupan manusia. Kajian serta aplikasi terapan peramalan temperatur di Indonesia sudah menjadi tugas dari suatu instansi yang terkait dalam peramalan cuaca yaitu BMG yang sudah tersebar di setiap daerah. Peramalan temperatur merupakan patokan untuk meramalkan datangnya hujan. Oleh karena itu peramalan temperatur merupakan salah satu aplikasi statistik yang sudah tidak asing lagi dalam masyarakat. Hasil peramalan temperatur dapat dijumpai di beberapa media-media cetak maupun elektronik. Hal ini tentu saja berguna bagi masyarakat yang ingin mengetahui informasi perubahan cuaca. Metode peramalan yang digunakan adalah metode peramalan False Nearest Neighbours (FNN). Metode ini digunakan karena dapat digunakan untuk peramalan data dengan pola non-linear (temperatur). Dari data 15 hari pertama digunakan untuk meramal data pada periode berikutnya. Untuk penelitian ini dibuktikan apakah data temperatur termasuk dalam data musiman. Maka dicari autokorelasinya. Untuk membuktikan bahwa data temperatur memiliki pola musiman maka dibandingkan autokorelasi dalam data, jika ρ k > ρ 2 k > ρ 4 k maka data merupakan data musiman. Kemudian diuji apakah semakin besar time delay akan membuat hasil peramalan data menjadi semakin akurat. Hal ini dapat diketahui dengan melihat autokorelasinya. Dari hasil autokorelasi akan ditemukan beberapa time delay (k) yang mendekati nilai 1.
34 Kemudian nilai ramalan data dihitung masing-masing dengan harga time delay yang berbeda- beda. Antara hasil peramalan dengan hasil observasi dihitung nilai kesalahan prediksi (error) dari masing-masing k. Nilai error yang didapat digunakan untuk menghitung nilai Mean Absolute Percentage Error (MAPE) sehingga diketahui apakah k yang semakin besar menghasilkan MAPE yang semakin kecil. Semakin kecil nilai MAPE, semakin akurat hasil peramalan yang didapatkan. Selain itu juga diuji apakah dimensi ketika FNN mencapai nol merupakan dimensi yang optimal sehingga akan dihasilkan hasil peramalan yang lebih akurat. Hal ini diuji dengan melihat keakuratan peramalan (MAPE) dari dimensi yang berbeda-beda.
3.1.3
Hipotesis Penelitian 3.1.3.1 Analisis Pola Data Temperatur Ho : Temperatur memiliki pola musiman. H1 : Temperatur tidak memiliki pola musiman.
3.1.3.2 Analisis Time Delay (k) Ho : Hasil Peramalan dengan metode FFN akan
semakin
akurat
dengan nilai k yang besar. H1
: Hasil peramalan dengan metode FNN tidak selalu semakin akurat dengan nilai k yang besar.
35 3.1.3.3 Analisis Dimensi (d) Ho : d dimana harga FNN=0 adalah dimensi optimal untuk mendapatkan hasil peramalan yang akurat. H1 : d dimana harga FNN=0 bukanlah dimensi optimal untuk mendapatkan hasil peramalan yang akurat.
3.1.4
Teknik Analisis Data Data yang berhasil dikumpulkan dari beberapa periode harus diurutkan dahulu dari periode pertama (data awal) hingga data pada periode terakhir yang akan diramalkan. Dari data ini, diramalkan data berikutnya dengan metode FNN yang merupakan metode untuk analisis data deret waktu nonlinear. Data tersebut lalu dicari autokorelasi dari masing-masing pasangan data dalam sampel sehingga akan didapatkan nilai time delay (k) sebanyak N1, dimana N = jumlah data dalam sampel. Dari hasil tersebut kemudian dibandingkan apakah nilai autokorelasi dengan time delay 24 akan lebih besar dari nilai autokorelasi dengan time delay 48 dan nilai autokorelasi dengan time delay 48 akan lebih besar dengan nilai autokorelasi dengan time delay 96. Digunakan harga k=24 sebagai pembanding karena tipe data memiliki pola yang berulang setiap 24 jam kedepan, maka nilai k yang didapat pun memiliki autokorelasi yang kuat dalam selang 24 jam kedepan. Jika hal ini terbukti, maka data terbukti memiliki pola musiman. Kemudian dari hasil autokorelasi, dicari nilai k yang mendekati 1. Semakin besar nilai k yang digunakan, maka semakin kecil ukuran dimensi yang digunakan.
Oleh karena itu masing-
36 masing k yang dipilih diuji dengan meramalkan data pada periode mendatang sehingga didapatkan nilai k yang tepat. Untuk peramalan digunakan metode False Nearest Neighbours. Dengan metode FNN, setiap nilai k akan menghasilkan dimensi embedding (d) yang akan terus beriterasi sampai mencapai harga FNN adalah nol. Kemudian dipastikan apakah dimensi dimana harga FNN mencapai nol merupakan nilai dimensi yang paling optimal, maka dibandingkan hasil peramalan dengan harga d dari yang lebih kecil hingga harga d yang ingin diuji keoptimalannya. Setelah diperoleh nilai ramalan maka keakuratan peramalan diukur dengan Mean Absolute Percentage Error. Dari pengukuran MAPE didapatkan suatu kesimpulan apakah peramalan dengan metode FNN akan semakin akurat dengan nilai k yang besar dan apakah semakin besar nilai d akan menghasilkan peramalan yang lebih akurat.
3.2
Objek Penelitian Objek peramalan dalam penelitian ini adalah data deret waktu temperatur udara di DKI Jakarta terhitung dari tanggal 1 Januari 2004 sampai tanggal 15 Januari 2004. Data ini digunakan sebagai dasar untuk meramalkan data temperatur pada hari ke 16 dan 17. Menurut Departemen Pertanian, iklim adalah keadaan cuaca pada suatu daerah. Unsur-unsur yang menggambarkan keadaan cuaca meliputi temperatur udara, kelembaban udara, curah hujan, angin dan penyinaran. Pemahaman terhadap cuaca, iklim, kualitas udara, gempa bumi dan keselamatan transportasi sangat mutlak
37 diperlukan agar masyarakat dapat mengetahui fenomena alam baik sekarang maupun masa mendatang. Untuk mengetahui parameter mengenai kecepatan angin, temperatur, curah hujan, tekanan udara, kelembapan udara, arah angin serta radiasi matahari digunakan alat dimana yang disebut Automatic Weather Station (AWS). Alat ini dapat memonitor unsur-unsur meteorologi secara otomatis tanpa harus adanya operator. Banyak fenomena alam yang disebabkan oleh perubahan iklim dan cuaca. Satu hal yang selalu menjadi topik pembicaraan dan melibatkan elemen iklim temperatur yaitu pemanasan global. Oleh karena itu, melihat pentingnya informasi bagi masyarakat tentang kondisi temperatur pada suatu daerah, maka sebagai tujuan dalam skripsi ini, diprediksi temperatur pada suatu daerah yaitu DKI Jakarta dengan metode False Nearest Neighbours. Suhu atau temperatur udara maksimum umumnya berkisar antara 34oC sampai 35oC, sedangkan suhu udara minimum berkisar antara 14oC sampai 15oC. Temperatur juga dapat didefinisikan sebagai tingkat panas suatu benda. Panas bergerak dari suatu benda yang mempunyai temperatur tinggi ke benda yang mempunyai temperatur rendah. Pada umumnya temperatur maksimum terjadi sesudah tengah hari, biasanya antara jam 12.00 dan jam 14.00 dan temperatur minimum terjadi pada jam 06.00 atau sekitar matahari terbit.
38 3.3
Metode Perancangan Program Aplikasi 3.3.1
Struktur Menu
(Gambar 3.1) Struktur menu program peramalan temperatur.
Program peramalan temperatur dengan metode FNN memiliki empat menu yang dikerjakan secara bertahap, yaitu menu data, menu autokorelasi, menu FNN dan menu peramalan. Menu data berisi tampilan baik secara data maupun grafik, data deret waktu yang kita gunakan sebagai data awal untuk memprediksi data periode setelahnya. Menu autokorelasi berisi hasil autokorelasi data untuk setiap time delay. Dari hasil autokorelasi dipilih time delay dengan nilai autokorelasi yang mendekati nilai 1. Time delay yang dipilih digunakan sebagai inputan untuk mencari nilai FNN dan dimensi embedding pada menu FNN. Nilai FNN yang didapat digunakan untuk mencari hasil peramalan dalam menu peramalan.
39 3.3.2
Diagram Alir Modul Modul yang terdapat dalam perancangan program aplikasi untuk peramalan data deret waktu ini ada 4 buah, yaitu modul data, modul autokorelasi, modul FNN dan modul peramalan. 3.3.2.1 Diagram Alir Modul Data
(Gambar 3.2) Diagram Alir Modul Tampilan Data
40
(Gambar 3.3). Diagram Alir Modul Analysis General Statistic
Diagram alir modul data diatas menunjukkan proses penyajian data awal dengan input yang diambil dari open file dan data diproses dengan analysis general statistic. Lalu data dicari rata-rata dan ragamnya sebagai validasi awalnya.
41 3.3.2.2 Diagram Alir Modul Autokorelasi.
(Gambar 3.4) Diagram Alir Modul Tampilan Autokorelasi
42
(Gambar 3.5) Diagram Alir Modul Perhitungan Autokorelasi Diagram alir pada gambar (3.4 dan 3.5) menunjukkan proses pencarian autokorelasi, yaitu dengan masuk ke tab halaman autokorelasi, lalu user menentukan sendiri rentang time delay yang ingin dicari, lalu masuk ke proses perhitungan autokorelasi dimana terdapat prosedur dan proses perhitungan autokorelasi dari delay 1
43 (delay awal yang diinginkan) sampai delay 2 (delay akhir yang ingin dicari). Kemudian hasilnya ditampilkan di layar.
3.3.2.3 Diagram Alir Modul FNN.
(Gambar 3.6) Diagram Alir Modul Tampilan FNN
44 Mulai Hitung FNN
Pilih Time Delay
Pilih Tresshold
Dim=1
FNN=0
i=0
I < (N-1) - (dim*delay)
Ya
Tidak
i 1
Rd
j 1 Tampil Hasil
min
Rd>Rt
Tidak
i
j
Ya
FNN++
i++ Tidak
Dim++
FNN= 0
Ya Return
(Gambar 3.7) Diagram Alir Modul Perhitungan FNN
45 Diagram alir pada gambar (3.6 dan 3.7) menunjukkan proses penentuan dimensi embedding dengan metode FNN (False Nearest Neighbours). User (pengguna program) diminta untuk memasukkan nilai time delay yang dipilih, lalu memilih ukuran tresshold yang digunakan, kemudian masuk ke proses perhitungan. Proses dimulai dari dimensi satu dan akan terus beriterasi sampai i<(n-1)-(dim*delay) lalu proses akan dilanjutkan dengan dimensi kedua dan seterusnya sampai hasil FNN=0. Dimensi yang terakhir adalah dimensi dimana FNN=0.
3.3.2.4 Diagram Alir Modul Peramalan.
(Gambar 3.8) Diagram Alir Modul Peramalan
46
(Gambar 3.9) Diagram Alir Modul Perhitungan Peramalan Diagram alir pada gambar (3.8 dan 3.9) menunjukkan proses peramalan data berikutnya yaitu user masuk ke tab peramalan, lalu dipilih time delay yang ditentukan dari hasil perhitungan autokorelasi. Pilih dimensi dengan dimensi yang ditemukan dengan metode FNN, lalu pilih selang peramalan ke depan yang diinginkan. Kemudian akan dicari error antara hasil ramalan dengan data observasi, dan
47 ditampilkan hasilnya yaitu grafik hasil ramalan dengan data observasinya.
3.3.3
Rancangan Tampilan Layar Untuk rancangan layar program peramalan dengan metode FNN ini, layar terbagi dalam 4 buah tab, yaitu layar menu data, layar menu autokorelasi, layar menu FNN dan layar menu peramalan. 3.3.3.1 Rancangan Menu Data.
(Gambar 3.10) Rancangan Layar Menu Data Rancangan layar menu data berisi tombol ‘Data Base’ untuk memasukkan letak penyimpanan data aktual. Kemudian input tanggal,
48 bulan dan tahun data. Hasilnya ditampilkan secara tabel dan secara grafik. Juga ditampilkan ‘jumlah data’, ‘mean’, ‘variance’. Tombol ‘exit’ digunakan untuk keluar dari program.
3.3.3.2 Rancangan Menu Autokorelasi
(Gambar 3.11) Rancangan Layar Menu Autokorelasi
Pada rancangan layar menu autokorelasi ini, user menginput time delay yang ingin dicari lalu dengan tombol ‘calculate’ akan ditampilkan hasilnya secara grafik (time delay, autokorelasi) dan data mentah dalam tabel . Tombol ‘exit’ dipilih jika ingin keluar dari program.
49 3.3.3.3 Rancangan Menu FNN
( Gambar 3.12) Rancangan Layar Menu FNN Pada rancangan layar menu FNN user memasukkan nilai time delay dan tresshold yang digunakan, kemudian tombol ‘FNN’ digunakan untuk proses perhitungan FNN dengan dimensinya sehingga pada layar akan ditampilkan dimensi yang didapatkan serta hasil FNN-nya dalam grafik dan tabel.
50 3.3.3.4 Rancangan Menu Peramalan
(Gambar 3.13) Rancangan Layar Menu Peramalan Pada rancangan layar menu peramalan, user akan diminta untuk memasukkan nilai time delay dan dimensi yang ingin digunakan. Kemudian user juga diminta memasukkan nilai waktu awal yang ingin diramalkan dalam tahun, bulan dan tanggal. Jumlah peramalan diisi jumlah titik yang ingin diramal. Tombol ‘start’ digunakan untuk menghitung tingkat kesalahan ramalan yang ditampilkan dengan ukuran MSE, ME, MAPE dan Er. Data hasil peramalan dan data observasi ditampilkan dalam grafik.
51 3.3.4
Rancangan Database Dalam sub bab ini disajikan basis data yang digunakan dalam program aplikasi peramalan dengan metode FNN. Tabel (3.1) merupakan tabel struktur database cuaca yang terdiri dari , tanggal, periode (jam) dan suhu (data aktual). Tabel (3.2) merupakan tabel struktur database autokorelasi yang terdiri dari tanggal, jam, length, time delay dan hasil autokorelasinya. Tabel (3.3) merupakan tabel struktur database FNN yang berisi tanggal, jam, length, time delay dan hasil FNN. Tabel (3.4) merupakan tabel struktur database peramalan yang terdiri dari tanggal, jam, length, time delay, FNN, index, suhu, data hasil peramalan dan APE. Nama tabel : cuaca. Primary key : Tanggal, Jam. (Tabel 3.1) Tabel cuaca Field Name Tanggal Jam Suhu
Data Type Date Number Number
Field size Short Date Integer Double
Keterangan Tanggal suhu diambil Jam suhu diambil Suhu
Nama tabel : autocorelation Primary key : Tanggal, Jam, Length, Time Delay (Tabel 3.2) Tabel autokorelasi Field Name Tanggal Jam Length
Data Type Date Number
Number Time Delay Number Autocorelation Number
Field size Keterangan Short Date Tanggal suhu diambil Jam suhu diambil Integer Jumlah data yang dipakai sebagai sumber data Integer Integer Time delay Double Autocorelation
52 Nama tabel : FNN Primary key : Tanggal, Jam, Length, Time Delay (Tabel 3.3) Tabel FNN Field Name Data Type Tanggal Date Jam Number Length Number Time Delay Number FNN Number
Field size Keterangan Short Date Tanggal suhu diambil Jam suhu diambil Integer Jumlah data yang dipakai sebagai sumber data Integer Integer Time delay Double False Nearest Neighbours
Nama tabel : peramalan Primary key : Tanggal, Jam, Length, Time Delay, FNN, Index (Tabel 3.4) Tabel peramalan Field Name Data Type Tanggal Date Jam Number Length Number Time Delay Number FNN Number Index Number Suhu Number Hasil Number APE Number
Field size Keterangan Short Date Tanggal suhu diambil Jam suhu diambil Integer Jumlah data yang dipakai sebagai sumber data Integer Integer Time delay Double False Nearest Neighbours Rentang jam suhu yang mau diramal Integer Suhu hasil survey Double Suhu hasil peramalan Double Absolute error peramalan Double
3.3.5 Spesifikasi Perangkat Program Aplikasi Semua data terlebih dahulu dimasukkan ke dalam Microsoft Office Access 2003 dan disimpan dalam format (.mdb). Lalu melalui program aplikasi peramalan dengan perangkat lunak (software) Borland Delphi 6.0 ditampilkan data peramalan dan grafik ramalan data beserta error dari hasil
53 peramalan. Selanjutnya uji hipotesa untuk tujuan penelitian cukup dengan menggunakan Microsoft Office Excel 2003. Spesifikasi hardware yang digunakan adalah : •
Intel Pentium 4 CPU 1.70 Ghz
•
RAM 256 Mb
•
VGA card dengan memory 128 Mb
•
Hard Disk 80 Gb
•
Monitor SVGA 17”
•
Mouse
•
Keyboard
