Penggunaan Arimax dalam Meteorologi dan Klimatologi

Penggunaan Arimax dalam Meteorologi dan Klimatologi

Oleh: Charisma I.A Reyhan (Taruni STMKG jurusan Klimatologi

Peramalan deret waktu merupakan metode yang digunakan untuk mengestimasi nilai variabel dimasa yang akan datang berdasarkan sebuah variabel atau kumpulan variabel tertentu. Data dari variabel yang dikumpulkan dan dicatat dalam periode waktu digunakan untuk meramalkan nilai variabel dalam jangka waktu tertentu. Dalam bidang meteorologi dan klimatologi terdapat klasifikasi jangka waktu nowcasting (hourly atau perjam), jangka pendek (harian), jangka menengah (10 hari-bulanan) dan jangka panjang (musiman dan tahunan). Dalam peramalan, sering ditemukan adanya kesalahan peramalan (forecast error) sehingga apa yang diramalkan tidak benar benar terjadi. Meskipun demikian, peramalan merupakan usaha yang dapat digunakan untuk membuat kebijakan atau rencana tentang sesuatu yang akan terjadi. Sehingga kita dapat menentukan dan mempersiapkan tindakan yang akan dilakukan.

Model yang sering digunakan dalam peramalan deret waktu adalah autoregresif (AR), moving average (MA), Autoregressive Moving Average (ARMA), Auto Regressive Integrated Moving Average (ARIMAX), dan ARIMAX (Auto Regressive Integrated Moving Average with Exogenous Variable). Dalam meteorologi dan klimatologi, peramalan harus memperhatikan sifat dinamis atmosfer. Unsur-unsur meteorologi yang saling berhubungan tidak terlepas dari pengaruhnya terhadap suatu kondisi. Misalnya, peramalan hujan menggunakan model ARIMA perlu dikaji ulang. Model ARIMA melakukan peramalan dengan menggunakan nilai masa lalu dan sekarang dari variabel dependen. Dengan kata lain, ARIMA meramalkan dirinya sendiri. Sementara dalam kasus permalan curah hujan, kita tidak bisa mengabaikan faktor mengendali musim yang mempengaruhi hujan seperti suhu muka laut, tekanan, suhu, dan fenomena atmosfer lainnya yang juga ikut mempengaruhi terjadinya hujan. Model ARIMAX merupakan perluasan dari model ARIMA yang lebih cocok digunakan untuk kasus permalan yang dipengaruhi variabel tertentu. Dalam ARIMAX, variabel ini dinamakan variabel eksogen.

Dalam melakukan peramalan, terdapat variabel lain yang diduga mempengaruhi model. Adanya variabel yang mempengaruhi model deret waktu dapat menyebabkan beberapa nilai observasi mengalami kenaikan atau penurunan yang drastis dan dapat terjadi secara berulang dengan rentang waktu yang berbeda, sehingga dibutuhkan model khusus untuk melakukan peramalan dengan kriteria tersebut. Model deret waktu yang dapat menyelesaikan masalah dengan kriteria tersebut yaitu model ARIMAX. Model ARIMAX menggunakan variabel tambahan atau exogenous variable yang dianggap memiliki pengaruh signifikan terhadap data (Cryer, Jonathan D and Chan, 2008). Keuntungan dari model ARIMAX adalah pemanfaatan yang luas dari pemodelan deret waktu dan teknik peramalan, yang membuat beberapa parameter memadai untuk menjelaskan deret waktu. Namun, ARIMAX memiliki interpretasi model yang sulit dan perlunya time series dengan minimal 50 observasi, yang terkadang akan sangat bermasalah untuk diperoleh jika beberapa nilai hanya diukur setiap tahun (Jalalkamali et al., 2015).

Model ARIMAX sering digunakan untuk melakukan peramalan dalam berbagai bidang, termasuk dalam bidang meteorologi dan klimatologi. Beberapa kasus yang menunjukkan keefektifan ARIMAX adalah peramalan curah hujan, kebakaran hutan dan kekeringan, pertanian dan agroklimat, bahkan sampai peramalan penyakit yang dipengaruhi oleh faktor meteorologis. Dalam beberapa kasus, tidak jarang model ARIMAX dibandingkan dengan model peramalan lainnya seperti ARIMA. Meskipun secara teori ARIMAX dapat menjelaskan parameter lain yang mempengaruhi peramalan, dalam beberapa kasus ARIMA atau model peramalan lain lebih cocok digunakan jika melihat dari nilai akurasi error yang lebih rendah dari ARIMAX.

Penggerak iklim seperti Indian Ocean Dipole (IOD) dan El Nino Southern Oscillation (ENSO) digunakan dapat sebagai prediktor. Model ARIMAX yang dikembangkan dapat membantu mengatasi kesulitan dalam prediksi curah hujan musiman serta penerapannya dapat memberikan kontribusi yang sangat berharga bagi rencana kesiapsiagaan ekonomi para pemangku kepentingan. (Fitriani, 2014) juga melakukan peramalan curah hujan dengan ARIMAX dengan variabel prediktor yang berbeda yaitu data kelembaban udara. Hasil penelitian untuk permalan curah hujan menunjukkan tiga kategori, yaitu curah hujan sangat tinggi (ekstrim), menengah, dan rendah.

Dalam bidang pertanian, faktor produksi (seperti curah hujan, suhu minimum, konsumsi pupuk, area irigasi untuk tanaman tertentu) sangat penting untuk produktivitas tanaman. (Mishra, 2021) melalukan peramalan dengan menggunakan ARIMA dan ARIMAX sederhana (dengan memasukkan input tanaman dalam model ARIMA. Model ARIMAX lebih baik dibandingkan dengan ARIMA sederhana. Peramalan dilakukan dengan memasukkan faktor meteorologi sehingga didapatkan tren produksi tanaman di masa depan serta faktor yang mempengaruhi produktivitas. Pada kasus lain, (Kolanthasamy & Nelson, 2021) melakukan penelitian terhadap variasi kondisi agroklimat yang berpengaruh pada kecenderungan hama di alam dan tingkat kerusakan tanaman. Model ARIMAX digunakan untuk memprediksi kejadian hama pada kelapa dari kasus mingguan dan faktor cuaca.

Model ARIMAX juga digunakan dalam kasus kebakaran hutan. (Chen et al., 2020) mengembangkan sistem prakiraan kebakaran global yang memprediksi emisi bulanan menggunakan data kebakaran masa lalu dan variabel iklim untuk waktu tunggu (lag time) 1 hingga 6 bulan. Sistem prakiraan memperhitungkan informasi tentang musim spesifik wilayah, tren jangka panjang, pengamatan kebakaran baru-baru ini, dan pemicu iklim yang mewakili variabilitas iklim skala besar dan cuaca kebakaran lokal. Sistem ini juga berhasil menyelesaikan pola spasial rinci anomali emisi kebakaran di wilayah dengan aktivitas kebakaran yang signifikan. Sistem pemodelan mengakui bahwa aktivitas kebakaran di masa depan di banyak wilayah terkait dengan aktivitas kebakaran di bulan-bulan sebelumnya, serta variabel iklim. Dengan membandingkan hasil prediksi dengan pengamatan, sistem pemodelan kami berkinerja cukup baik dalam mereproduksi variabilitas temporal dan spasial dari emisi kebakaran. Sistem ini dapat diintegrasikan ke dalam sistem prakiraan kebakaran, asap, dan karbon global operasional untuk mengantisipasi periode aktivitas kebakaran tinggi dan rendah pada skala waktu submusim hingga musiman dengan lebih baik.

Pada beberapa kasus, kekeringan dapat menjadi indikasi terjadinya kebakaran hutan. (Jalalkamali et al., 2015) melakukan kajian untuk meramalkan kekeringan menggunakan ARIMAX. Hasil penelitian menunjukkan bahwa model ARIMAX memberikan nilai prakiraan kekeringan yang presisi. Model ARIMAX adalah sarana yang berguna untuk peramalan kekeringan meteorologi yang bekerja pada data yang direkam. Oleh karena itu, dapat dicatat bahwa model ini dapat sangat berguna dalam pemantauan berkelanjutan kekeringan meteorologi regional untuk mengelola sumber daya air yang terbatas pada periode yang berbeda.

ARIMAX juga digunakan dalam meramalkan beban listrik dengan efek suhu. Faktor cuaca terutama efek suhu di musim panas mempengaruhi beban listrik jangka pendek secara signifikan. Faktor eksternal dapat mengakibatkan struktur mutasi dalam memuat data. Di bawah pengaruh faktor suhu eksternal, beban listrik tidak dapat dengan mudah diramalkan seperti biasanya. (Cui & Peng, 2015) menganalisisa hubungan antara beban listrik dengan suhu harian. Model ARIMAX dapat secara efektif menggali informasi self-related load data. Sebagai metode yang efektif untuk peramalan beban jangka pendek, model dapat memperoleh hasil prediksi yang lebih akurat daripada model deret waktu tradisional. Akurasi prediksi model ini sangat meningkat, yang bernilai tinggi di bidang aplikasi teknik.

Dalam bidang kesehatan, ARIMAX digunakan untuk meprediksi beberapa jenis penyakit yang dipengaruhi oleh faktor meteorologis. Deteksi dini penyakit tersebut diperlukan agar dapat mempersiapkan tindakan pencegahan. Demam berdarah yang disebabkan oleh inveksi virus dengue melalui gigitan nyamuk Aedes Aegypti dan Aedes Albopictus menjadi kasus yang tinggi di Indonesia. Indonesia memiliki jumlah kasus demam berdarah tertinggi di Asia Tenggara. (Anggraeni & Aristiani, 2017) menggunakan model time series untuk menganalisa peran Google Trends dalam epidemiologi penularan demam berdarah. Model ARIMA dan ARIMAX dengan data Google Trends diimplementasikan untuk meramalkan jumlah kasus demam berdarah. Hasil penelitian menunjukkan bahwa penambahan Google Trends ke dalam model ARIMAX meningkatkan kinerja peramalan. (Jing et al., 2018) menggunakan model ARIMAX untuk menguji hubungan antara jumlah bulanan infeksi dengue yang didapat secara lokal dan kasus impor, kepadatan nyamuk, suhu dan curah hujan. Kasus impor dan suhu minimum adalah dua penentu utama penularan lokal dengue.

Selain dengue atau demam berdarah, faktor iklim juga mempengaruhi terjadinya meningitis. (Tall et al., 2020) melalukan penelitian dengan model ARIMAX untuk mengukur pengaruh faktor iklim pada kasus meningitis, dan kemudian memprediksi insiden meningitis mingguan di Burkina Faso. Suhu secara signifikan berhubungan dengan peningkatan kasus meningitis, sedangkan kelembaban relatif secara signifikan berhubungan dengan penurunan kasus meningitis. Pengaruh kecepatan angin dan curah hujan tidak signifikan pada tingkat 5%. Faktor iklim seperti suhu dan kelembaban relatif memiliki pengaruh yang signifikan terhadap kejadian meningitis. Suhu mempengaruhinya secara positif dan kelembaban relatif mempengaruhinya secara negatif.

Pada kasus tuberculosis paru (PTB) (Li et al., 2020) melakukan eksplorasi dengan memasukkan faktor meteorologi untuk meningkatkan kinerja model deret waktu dalam memprediksi PTB. Hasil penelitian ini menunjukkan adanya kemungkinan hubungan antara PTB dan faktor meteorologi. Mempertimbangkan faktor meteorologi dapat meningkatkan akurasi model deret waktu dalam memprediksi PTB. Pada kasus ini, model ARIMAX lebih unggul daripada model ARIMA.

Influenza sering dikaitkan dengan faktor iklim. Pola epidemi bervariasi secara geografis, peran faktor iklim mungkin tidak unik. Efek langsung kelembaban seperti musim dingin pada penularan influenza melalui udara yang mendominasi di daerah beriklim sedang, sedangkan influenza di daerah tropis lebih efektif ditularkan melalui kontak langsung. (Soebiyanto et al., 2010) menganalisis peran faktor iklim terhadap epidemiologi penularan influenza di dua wilayah yang bercirikan iklim hangat. Hasil penelitian ini menunjukkan bahwa memasukkan variabel iklim sebagai seri input menghasilkan model dengan kinerja yang lebih baik daripada model univariat di mana kasus influenza hanya bergantung pada nilai masa lalu dan sinyal kesalahannya. Memasukkan variabel lingkungan umumnya meningkatkan kemampuan prediksi. Oleh karena itu, untuk negara-negara yang belum memiliki sistem surveilans influenza yang canggih, variabel lingkungan dapat digunakan untuk memperkirakan penularan influenza saat ini dan dalam waktu dekat.

Sejak bulan Maret tahun 2020, kasus Covid-19 mulai berkembang di Indonesia. Situasi ini membuat pandemi Covid-19 masih terus terjadi sampai saat ini. Dampak cuaca terhadap kasus terkonfirmasi COVID-19 diteliti oleh (Hossain et al., 2021) menggunakan model ARIMAX. Wilayah kajiannya meliputin negara-negara di Asia Selatan, yaitu Afghanistan, Bangladesh, India, Pakistan, dan Sri Lanka. Data kasus terkonfirmasi harian, bersama dengan parameter cuaca, dikumpulkan dari hari pertama kasus terkonfirmasi COVID di setiap Negara. Parameter cuaca yang digunakan adalah curah Hujan (mm), kelembaban relatif (%), suhu maksimum dan minimum ( °C), tekanan permukaan (kPa), bahan pencemar udara maksimum PM 2.5 (μg/m3) dan kecepatan angin maksimum (m/s). Hasil penelitian menunjukkan bahwa kecepatan angin maksimum, curah hujan, polutan udara (maksimum PM 2.5) dan suhu adalah empat variabel yang dapat berperan penting dalam penularan COVID-19. Meskipun ada banyak kesimpulan mengenai parameter cuaca terhadap penularan Covid-19, ARIMAX dapat digunakan untuk melakukan prediksi jangka pendek sehingga dapat dibuat kebijakan terkait risiko penyebarannya.

ARIMAX bukan merupakan satu-satunya model yang dapat digunakan untuk memprediksi variabel dengan variabel prediktor yang ikut mempengaruhi. Dalam beberapa kasus, model peramalan lain justru lebih signifikan. Tidak jarang dilakukan penelitian untuk membandingkan efektifitas model peramalan dalam suatu kasus. Misalnya dalam kasus malaria. (Wangdi et al., 2010) menggunakan laporan bulanan kasus malaria dan data meteorologi. Analisis deret waktu dilakukan pada kasus malaria bulanan. Model prediksi

dikembangkan dari kasus malaria yang dilaporkan setiap bulan dan faktor meteorologi. Model ARIMAX digunakan untuk menentukan prediktor malaria bulan berikutnya. Hasil penelitian menunjukkan bahwa model ARIMAX untuk kasus bulanan dan faktor iklim menunjukkan variasi yang cukup besar. Model ARIMA dari analisis deret waktu berguna dalam memperkirakan jumlah kasus di daerah endemik. Tidak ada konsistensi dalam prediktor kasus malaria saat menggunakan model ARIMAX dengan jeda waktu dan prediktor iklim yang dipilih. Dalam beberapa wilayah model ARIMAX cocok digunakan untuk prediksi sementara di wilayah lainnya model ARIMA lebih cocok digunakan. Model peramalan ARIMA dapat digunakan untuk perencanaan dan pengelolaan program pencegahan dan pengendalian malaria.

Pada kasus epidemic HMFD (Head, Mouth, and Feet Disease) atau yang sering dikenal sebagai flu singapura, (Liu et al., 2019) mengembangkan model yang optimal dengan faktor meteorologi untuk memprediksi epidemi HFMD. Metode back propagation neural networks (BP), ARIMA, dan ARIMAX digunakan untuk mengembangkan model peramalan. Hasil peramalan menunjukkan bahwa model BP multivariat bekerja dengan baik dalam tahap pemasangan model dan tahap peramalan prospektif. Kinerja model ARIMAX multivariat mirip dengan model ARIMA univariat. Keduanya berkinerja jauh lebih buruk daripada dua model BP. Model BP multivariat secara efektif mengintegrasikan autokorelasi dari seri kejadian HFMD. Sementara itu, ia juga secara komprehensif menggabungkan variabel iklim dan efek histeresisnya. Pengenalan istilah iklim secara signifikan meningkatkan akurasi prediksi model BP. Model ini bisa menjadi metode yang ideal untuk memprediksi tingkat epidemi HFMD

Model ARIMAX sangat berguna dalam metode peramalan. Secara teori, penggunaan model ARIMAX lebih luas dalam peramalan multivariat, namun pada praktiknya, beberapa kasus justru lebih cocok menggunakan model peramalan lain. Pemanfaatan model ARIMAX dalam peramalan untuk berbagai bidang membutuhkan kajian lebih lanjut. Pada beberapa kasus, ARIMAX mungkin lebih cocok namun dikasus lain, metode peramalan lain justru lebih cocok digunakan. Maka dari itu, pada kasus-kasus yang akan diramalkan, perbandingan metode mungkin perlu dilakukan untuk menemukan model yang cocok. Pada bidang meteorologi dan klimatologi, sering ditemukan unsur-unsur yang saling berhubungan dimana terjadinya fenomena A dipengaruhi oleh faktor B, faktor C, dan mungkin bisa lebih banyak faktor yang mempengaruhi. Jika ingin melakukan prediksi dengan ARIMAX, disarankan untuk melakukan analisis hubungan antar variabel terlebih dahulu untuk melihat faktor mana yang lebih dominan pengaruhnya.

Faktor musiman sering ditemui dalam kajian meteorologi dan klimatologi. Untuk kajian musiman, model SARIMAX (Seasonal Autoregressive Moving Average with Exogenous Variable) lebih cocok digunakan karena ARIMAX biasa tidak mendukung musiman. Model direpresentasikan sebagai SARIMAX (p, d, q) (P, D, Q)s, dimana p dan P mewakili auto regresif dan autoregresif musiman, d dan D mewakili perbedaan non-musiman dan perbedaan musiman, q dan Q adalah parameter rata-rata bergerak dan parameter rata-rata bergerak musiman, dan s mewakili panjang periode musiman). Secara umum, model ARIMAX memiliki representasi yang sama, namun suku s tidak diabaikan untuk menghiraukan faktor musiman.

Dalam bidang meteorologi dan klimatologi, model ARIMAX digunakan untuk meramalkan variabel yang berkaitan dengan proses cuaca dan iklim. ARIMAX dapat digunakan untuk meramalkan salah satu unsur cuaca dengan variabel eksogen berupa unsur cuaca lainnya. Pada bidang lain, penggunaan ARIMAX masih dikaitkan dengan faktor meteorologi dan klimatologi dimana unsur-unsur meteorologis memang sangat dekat pengaruhnya terhadap berbagai aspek dan bidang. Faktor-faktor meteorologi yang dapat mempengaruhi kejadian tertentu dapat diramalkan dengan ARIMAX. Jadi, ARIMAX dapat digunakan dalam bidang meteorologi dan klimatologi meliputi banyak aspek, baik yang dipengaruhi secara langsung ataupun yang masih memiliki hubungan atau pengaruh antar variabel.

Referensi

  • Anggraeni, W., & Aristiani, L. (2017). Using Google Trend data in forecasting number of dengue fever cases with ARIMAX method case study: Surabaya, Indonesia. Proceedings of 2016 International Conference on Information and Communication Technology and Systems, ICTS 2016, 114–118. https://doi.org/10.1109/ICTS.2016.7910283
  • Chen, Y., Randerson, J. T., Coffield, S. R., Foufoula-Georgiou, E., Smyth, P., Graff, C. A., Morton, D. C., Andela, N., van der Werf, G. R., Giglio, L., & Ott, L. E. (2020). Forecasting Global Fire Emissions on Subseasonal to Seasonal (S2S) Time Scales. Journal of Advances in Modeling Earth Systems, 12(9). https://doi.org/10.1029/2019MS001955
  • Cryer, Jonathan D and Chan, K.-S. (2008). Time series analysis: with applications in R. In Journal of Structural Chemistry (Vol. 23, Issue 6). Springer Science & Business Media. https://doi.org/10.1007/BF00746534
  • Cui, H., & Peng, X. (2015). Short-Term City Electric Load Forecasting with Considering Temperature Effects: An Improved ARIMAX Model. Mathematical Problems in Engineering, 2015. https://doi.org/10.1155/2015/589374
  • Fitriani. (2014). Peramalan Curah Hujan di Kota Makassar Menggunakan Model ARIMAX. Universitas Islam Negeri Alauddin Makassar.
  • Hossain, M. S., Ahmed, S., & Uddin, M. J. (2021). Impact of weather on COVID-19 transmission in south Asian countries: An application of the ARIMAX model. Science of the Total Environment, 761, 143315. https://doi.org/10.1016/j.scitotenv.2020.143315
  • Islam, F., & Alam, M. (2020). Use of teleconnections to predict Western Australian seasonal rainfall using ARIMAX model. Hydrology, 7(3). https://doi.org/10.3390/HYDROLOGY7030052
  • Jalalkamali, A., Moradi, M., & Moradi, N. (2015). Application of several artificial intelligence models and ARIMAX model for forecasting drought using the Standardized Precipitation Index. International Journal of Environmental Science and Technology, 12(4), 1201–1210. https://doi.org/10.1007/s13762-014-0717-6
  • Jing, Q. L., Cheng, Q., Marshall, J. M., Hu, W. B., Yang, Z. C., & Lu, J. H. (2018). Imported cases and minimum temperature drive dengue transmission in Guangzhou, China: evidence from ARIMAX model. Epidemiology and Infection, 146(10), 1226–1235. https://doi.org/10.1017/S0950268818001176
  • Kolanthasamy, E., & Nelson, J. (2021). Incidence forecasting of new invasive pest of coconut rugose spiraling whitefly ( Aleurodicus rugioperculatus ) in India using ARIMAX analysis Incidence forecasting of new invasive pest of coconut rugose spiraling whitefly ( Aleurodicus rugioperculatus ) . June.
  • Li, Z. Q., Pan, H. Q., Liu, Q., Song, H., & Wang, J. M. (2020). Comparing the performance
  • of time series models with or without meteorological factors in predicting incident pulmonary tuberculosis in eastern China. Infectious Diseases of Poverty, 9(1), 1–11. https://doi.org/10.1186/s40249-020-00771-7
  • Liu, W., Bao, C., Zhou, Y., Ji, H., Wu, Y., Shi, Y., Shen, W., Bao, J., Li, J., Hu, J., & Huo, X. (2019). Forecasting incidence of hand, foot and mouth disease using BP neural networks in Jiangsu province, China. BMC Infectious Diseases, 19(1), 1–9. https://doi.org/10.1186/s12879-019-4457-6
  • Mishra, P. (2021). Forecasting of Rice Production using the Meteorological Factor in Major States in India and its Role in Food Security. International Journal of Agriculture Environment and Biotechnology, 14(1), 30954. https://doi.org/10.30954/0974- 1712.01.2021.6
  • Soebiyanto, R. P., Adimi, F., & Kiang, R. K. (2010). Modeling and predicting seasonal influenza transmission in warm regions using climatological parameters. PLoS ONE, 5(3), 1–10. https://doi.org/10.1371/journal.pone.0009450
  • Tall, H., Yaméogo, I., Novak, R., Ouedraogo, L., Ouedraogo, O., Essoh, T. A., Moisi, J., Baguinebie, B., & Sakande, S. (2020). Impact of Climate Factors in Modeling and Predicting the Transmission of Meningitis in Africa: The Case of Burkina Faso. 1–27. https://doi.org/10.21203/rs.2.22137/v1
  • Wangdi, K., Singhasivanon, P., Silawan, T., Lawpoolsri, S., & White, N. J. (2010). Development of temporal modelling for forecasting and prediction of malaria infections using time-series and ARIMAX analyses: A case study in endemic districts of Bhutan. Malaria Journal, 1–9.

veanti

Siapa penulis utama veantiworld.com? Blog ini dibuat, dikelola, dan ditulis oleh Desak Putu Okta Veanti. Penulis adalah dosen jurusan klimatologi dan juga salah satu lulusan terbaik Sekolah Tinggi Meteorologi Klimatologi dan Geofisika. Penulis lulus Master Program of School of Integrated Climate System Science, University of Hamburg, Germany pada tahun 2017. Saat ini penulis aktif menekuni pekerjaan sebagai dosen, menulis blog, belajar Python, meningkatkan kemampuan bahasa asing, serta mencari informasi mengenai pseudo-science seperti astrologi dan tarot.

Tinggalkan Balasan