Model Rantai Markov dan Model ARIMA serta Kombinasinya dalam Memprediksi Curah Hujan di Kota Makassar

Abstract

Abstrak. Curah hujan merupakan suatu data deret waktu yang bersifat kontinu, namun juga dapat diformulasikan sebagai peubah diskrit yaitu dengan menggolongkan suatu hari menjadi hujan dan tidak hujan. Curah hujan yang dicatat oleh pos hujan dapat digunakan untuk memprediksi curah hujan pada waktu yang akan datang melalui pemodelan deret waktu ARIMA musiman, Rantai Markov atau dengan campuran keduanya. Proses Markov merupakan suatu sistem stokastik di mana kejadian di masa yang akan datang bergantung pada kejadian sesaat sebelumnya Deret waktu merupakan serangkaian data yang disusun menurut urutan waktu Tujuan penelitian ini adalah untuk memodelkan dan memprediksi curah hujan dengan campuran Rantai Markov dan model deret waktu. Data yang digunakan dalam penelitian ini adalah curah hujan bulanan kota Makassar tahun 2007 sampai 2017. Campuran model deret waktu lebih sesuai digunakan untuk memprediksi curah hujan bulanan dibandingkan dengan pemodelan deret waktu saja hal ini dapat dilihat dai nilai MSE.

Kata Kunci: Rantai Markov, Deret Waktu, ARIMA Musiman

Abstract. Rainfall is a time series data that is continuous, but can also be formulated as a discrete variable that is by classifying one day as rainy and not rainy. Rainfall recorded by rain posts can be used to predict rainfall in the future through seasonal ARIMA time series modeling, Markov Chain or with a mixture of both. The Markov process is a stochastic system in which future events depend on the events of the previous moment. The time series is a series of data arranged in time sequence. The purpose of this study is to model and predict rainfall with a mixture of Markov Chains and time series models. The data used in this study is the monthly rainfall of Makassar city in 2007 to 2017. A mixture of time series models is more suitable to be used to predict monthly rainfall compared to modeling time series. This can be seen from the MSE value.

Keywords: Markov chain, Time Series, seasonal ARIMA.