1. Pendahuluan

Kecepatan angin merupakan salah satu unsur iklim yang berperan dalam dinamika atmosfer suatu wilayah dan dapat memengaruhi berbagai aktivitas manusia. Di Indonesia yang beriklim tropis, kecepatan angin dipengaruhi oleh sistem angin muson sehingga mengalami perubahan secara musiman. Di Provinsi Jawa Tengah, kondisi ini menyebabkan kecepatan angin berfluktuasi dari waktu ke waktu dan cenderung berulang setiap tahun.

Perubahan kecepatan angin yang terjadi secara musiman dapat memberikan dampak pada berbagai sektor, seperti pertanian, transportasi, serta pengelolaan lingkungan. Oleh karena itu, pemahaman terhadap pola kecepatan angin menjadi penting, terutama untuk melihat kecenderungan perubahan yang terjadi dari waktu ke waktu berdasarkan data historis.

Data kecepatan angin yang dicatat secara berkala dan tersusun berdasarkan waktu dapat dianalisis menggunakan pendekatan runtun waktu (time series). Analisis ini digunakan untuk melihat pola perubahan data, termasuk pola musiman. Salah satu metode yang sering digunakan adalah Exponential Smoothing, karena cukup efektif dan relatif sederhana dalam penerapannya.

2. Deskripsi dan Sumber Data

Data yang digunakan dalam analisis ini merupakan data kecepatan angin rata-rata bulanan di Provinsi Jawa Tengah periode 2020–2024 yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Jawa Tengah. Data disajikan dalam satuan kilometer per jam (km/jam) dan terdiri dari 60 observasi yang merepresentasikan kondisi bulanan selama lima tahun.

Sebelum dilakukan analisis, data diimpor ke dalam perangkat lunak R untuk dilakukan pengecekan struktur dan penyesuaian format, sehingga data siap digunakan dalam analisis runtun waktu.

2.1 Import Data

library(readxl)

url <- "https://docs.google.com/uc?export=download&id=1MQXcPs8VDt3cPspZQfor3wBuA21ijVxr"
temp <- tempfile(fileext = ".xlsx")
download.file(url, temp, mode = "wb")

DATAKOMSTAT <- read_excel(temp)
Data_Kecepatan_Angin_Jateng_20_24 <- DATAKOMSTAT
Data_Kecepatan_Angin_Jateng_20_24$Bulan <- rep(1:12, 5)

2.2 Penyiapan Data untuk Analisis Time Series

Data_Kecepatan_Angin_Jateng_20_24 <- Data_Kecepatan_Angin_Jateng_20_24[
  order(Data_Kecepatan_Angin_Jateng_20_24$Tahun),
]
angin <- Data_Kecepatan_Angin_Jateng_20_24$`Kecepatan Angin (km/jam)`

Langkah ini dilakukan untuk memastikan data telah tersusun sesuai urutan waktu sehingga siap dikonversi menjadi objek runtun waktu (time series) pada tahap analisis selanjutnya.

3. Exploratory Data Analysis (EDA)

Tahap eksplorasi data dilakukan untuk melihat gambaran awal pola kecepatan angin dari waktu ke waktu. Data kecepatan angin disusun dalam bentuk objek time series dengan frekuensi bulanan, kemudian divisualisasikan dalam bentuk grafik.

# Membentuk Objek Time Series (Frekuensi Tahunan)
ts_angin <- ts(
  angin,
  start = c(2020,1),
  frequency = 12
)
ts_angin
##       Jan  Feb  Mar  Apr  May  Jun  Jul  Aug  Sep  Oct  Nov  Dec
## 2020  5.1 10.3  4.6  4.7  5.1  5.2  5.0  6.0  5.0  5.0  5.0  5.0
## 2021  4.8  6.8  4.4  4.7  5.0  4.9  5.0  6.0  5.0  5.0  4.0  4.0
## 2022  4.8  5.0  4.4  4.4  4.8  7.1  8.4  8.7  8.1  7.0  6.0  9.0
## 2023  4.7  5.6  4.6  4.2  4.7  4.7  4.6  5.5  5.2  6.0  5.0  4.0
## 2024  3.0  4.0  4.0  4.0  4.0  4.0 12.0 15.0 16.0 13.0 14.0 13.0
plot(
  ts_angin,
  type = "o",
  pch = 16,
  xlab = "Tahun",
  ylab = "Kecepatan Angin (km/jam)",
  main = "Plot Time Series Kecepatan Angin Jawa Tengah 2020-2024"
)

Visualisasi menunjukkan bahwa kecepatan angin rata-rata bulanan di Provinsi Jawa Tengah mengalami fluktuasi dari bulan ke bulan. Pola fluktuasi tersebut relatif berulang setiap tahun, yang mengindikasikan adanya pengaruh musiman. Selain itu, tidak terlihat adanya tren jangka panjang yang kuat, sehingga metode yang menekankan komponen musiman dinilai sesuai untuk digunakan.

4. Metode Analisis

Metode analisis yang digunakan dalam studi ini adalah analisis runtun waktu (time series) dengan pendekatan Exponential Smoothing. Metode ini digunakan untuk memodelkan dan menganalisis pola kecepatan angin rata-rata bulanan yang tersusun secara berurutan dalam periode waktu tertentu. Pendekatan Exponential Smoothing sesuai digunakan pada data iklim yang menunjukkan pola musiman berulang tanpa adanya kecenderungan tren jangka panjang yang kuat, sebagaimana umum ditemukan pada data kecepatan angin di wilayah tropis.

4.1 Pembentukan Model Exponential Smoothing

Model dibentuk menggunakan fungsi ets() pada paket forecast di perangkat lunak R.

library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
model_es <- ets(ts_angin)
summary(model_es)
## ETS(M,N,M) 
## 
## Call:
## ets(y = ts_angin)
## 
##   Smoothing parameters:
##     alpha = 0.7304 
##     gamma = 1e-04 
## 
##   Initial states:
##     l = 5.661 
##     s = 1.0387 0.9618 1.0803 1.1591 1.3545 1.3088
##            0.8263 0.7831 0.7776 0.8149 1.1002 0.7947
## 
##   sigma:  0.263
## 
##      AIC     AICc      BIC 
## 305.9235 316.8326 337.3387 
## 
## Training set error measures:
##                     ME     RMSE      MAE       MPE     MAPE      MASE      ACF1
## Training set 0.1544228 1.588551 1.035458 -1.069507 15.74684 0.4610575 0.1235653

Berdasarkan hasil estimasi, diperoleh model terbaik yaitu ETS(M,N,M). Model ini menunjukkan bahwa data kecepatan angin memiliki komponen musiman yang bersifat multiplikatif, tanpa adanya komponen tren jangka panjang, serta error yang juga bersifat multiplikatif. Struktur model ini konsisten dengan hasil eksplorasi data yang menunjukkan fluktuasi musiman yang relatif stabil dari tahun ke tahun. . Model Exponential Smoothing yang digunakan dapat dituliskan sebagai berikut:

\[ Y_t = L_{t-1} \times S_{t-m} \times \varepsilon_t \]

dengan: - \(Y_t\) adalah kecepatan angin pada waktu ke-\(t\) - \(L_{t-1}\) adalah komponen level - \(S_{t-m}\) adalah komponen musiman - \(\varepsilon_t\) adalah error - \(m = 12\) bulan

dengan \(Y_t\) menyatakan kecepatan angin pada waktu ke-\(t\), \(L_{t-1}\) merupakan komponen level, \(S_{t-m}\) adalah komponen musiman, dan \(\varepsilon_t\) merupakan error acak, dengan periode musiman \(m = 12\) bulan.

Nilai MAPE sebesar 15,7% dan RMSE sebesar 1,59 menunjukkan bahwa tingkat kesalahan model relatif rendah, sehingga model dinilai cukup baik dalam merepresentasikan pola kecepatan angin rata-rata bulanan di Provinsi Jawa Tengah.

5. Hasil dan Pembahasan

5.1 Evaluasi Model

Evaluasi model dilakukan dengan melihat ukuran kesalahan dan kesesuaian model terhadap data historis. Nilai MAPE yang berada di bawah 20% menunjukkan bahwa model memiliki akurasi yang dapat diterima untuk analisis data iklim. Selain itu, nilai RMSE yang relatif kecil menunjukkan bahwa selisih antara nilai aktual dan nilai hasil estimasi model tidak terlalu besar.

accuracy(model_es)
##                     ME     RMSE      MAE       MPE     MAPE      MASE      ACF1
## Training set 0.1544228 1.588551 1.035458 -1.069507 15.74684 0.4610575 0.1235653

Hasil ini mengindikasikan bahwa model Exponential Smoothing telah mampu menangkap pola utama dalam data, khususnya pola musiman yang mendominasi pergerakan kecepatan angin.

5.2 Visualisasi Hasil Pemodelan

plot(model_es)

Grafik hasil pemodelan menunjukkan bahwa nilai estimasi model mengikuti pola data aktual dengan cukup baik. Komponen musiman terlihat jelas dan berulang secara konsisten, yang menegaskan bahwa variasi kecepatan angin di Provinsi Jawa Tengah sangat dipengaruhi oleh faktor musiman.

5.3 Peramalan Kecepatan Angin

ramalan <- forecast(model_es, h = 12)
plot(ramalan)

Hasil peramalan untuk 12 periode ke depan menunjukkan pola fluktuatif yang serupa dengan data historis. Hal ini menunjukkan bahwa model mampu memberikan gambaran awal mengenai kecenderungan kecepatan angin pada periode mendatang, meskipun tetap dipengaruhi oleh variasi musiman.

6. Kesimpulan

Berdasarkan hasil analisis runtun waktu terhadap data kecepatan angin rata-rata bulanan di Provinsi Jawa Tengah periode 2020–2024, dapat disimpulkan bahwa data menunjukkan pola musiman yang relatif konsisten dari tahun ke tahun tanpa adanya kecenderungan tren jangka panjang yang kuat. Pola ini mencerminkan karakteristik unsur iklim yang dipengaruhi oleh siklus musiman, khususnya peralihan angin monsun yang umum terjadi di wilayah Indonesia. Temuan ini sejalan dengan kajian klimatologi yang menyebutkan bahwa variabel kecepatan angin di daerah tropis cenderung bersifat periodik dan dipengaruhi faktor musiman dibandingkan perubahan struktural jangka panjang.

Pemodelan menggunakan metode Exponential Smoothing menghasilkan model terbaik dengan struktur ETS(M,N,M), yang menunjukkan bahwa komponen musiman bersifat multiplikatif dan tidak terdapat komponen tren. Nilai kesalahan model yang relatif kecil, ditunjukkan oleh nilai MAPE dan RMSE yang masih berada dalam batas wajar, mengindikasikan bahwa model mampu merepresentasikan pola data dengan cukup baik. Dengan demikian, metode Exponential Smoothing dapat digunakan sebagai pendekatan yang efektif untuk analisis dan peramalan kecepatan angin rata-rata bulanan di Provinsi Jawa Tengah. Hasil ini juga mendukung penggunaan metode runtun waktu sederhana dalam kajian lingkungan berbasis data resmi, khususnya untuk keperluan analisis awal dan pengambilan gambaran umum dinamika unsur iklim.

7. Referensi

Badan Pusat Statistik Provinsi Jawa Tengah. (2024). Rata-rata tekanan udara, kecepatan angin, dan lama penyinaran matahari menurut bulan di Provinsi Jawa Tengah. https://jateng.bps.go.id/id/statistics-table/2/NDQ5IzI=/rata-rata-tekanan-udara--kecepatan-angin-dan-lama-penyinaran-matahari-menurut-bulan-di-provinsi-jawa-tengah.html

Badan Riset dan Inovasi Nasional. (2020). Karakteristik angin. https://ejournal.brin.go.id/JTL/article/view/2039

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). https://otexts.com/fpp3/

Jurnal Teknik Fisika Universitas Lampung. (2021). Kajian karakteristik angin di wilayah tropis. https://jtaf.fmipa.unila.ac.id/index.php/jtaf/article/view/291