Analisis Pola Musiman dan Peramalan Kelembapan Udara Kota Cirebon (BPS) Menggunakan Time Series SARIMA
2026-01-11
library(readxl)
library(forecast)
library(tseries)
library(ggplot2)Pendahuluan
Kelembapan udara merupakan salah satu unsur iklim yang berperan penting dalam menentukan kenyamanan lingkungan dan aktivitas masyarakat. Kota Cirebon sebagai wilayah pesisir memiliki karakteristik iklim tropis yang dipengaruhi oleh perubahan musim, sehingga menyebabkan variasi kelembapan udara yang berbeda pada setiap bulan. Data kelembapan udara bulanan Kota Cirebon dalam satuan persen (%) digunakan untuk menganalisis pola perubahan kelembapan udara dari waktu ke waktu. Analisis ini bertujuan untuk mengidentifikasi pola musiman dan karakteristik data kelembapan udara, serta memberikan gambaran yang dapat digunakan sebagai dasar dalam peramalan kelembapan udara pada periode selanjutnya.
Deskripsi Data
Data yang digunakan dalam penelitian ini merupakan data kelembapan udara bulanan Kota Cirebon yang bersumber dari Badan Pusat Statistik (BPS) Kota Cirebon. Data tersebut disajikan dalam satuan persen (%) dan menggambarkan rata-rata kelembapan udara setiap bulan dalam periode pengamatan. Data ini digunakan sebagai dasar analisis untuk mengetahui pola perubahan kelembapan udara berdasarkan waktu serta mendukung pemodelan dan peramalan kelembapan udara di Kota Cirebon.
Variabel penelitian pada analisis ini terdiri atas: 1. Variabel waktu, yang dinyatakan dalam bentuk bulan dan tahun, digunakan sebagai penunjuk urutan observasi dalam analisis deret waktu. 2. Variabel kelembapan udara, yang dinyatakan dalam satuan persen (%), merupakan variabel utama yang diamati dan dianalisis untuk mengetahui pola perubahan kelembapan udara berdasarkan bulan di Kota Cirebon.
Sumber Data
Data ini bersumber dari Badan Pusat Statistik Kota Cirebon.
Exploratory Data Analysis (EDA)
Data kelembapan udara menunjukkan pola musiman yang kuat, dengan nilai rata-rata 76,5% dan sebagian besar berada pada rentang 70–83%, di mana kelembapan paling tinggi terjadi pada awal dan akhir tahun (Januari–April serta November–Desember) yang mencerminkan musim hujan dengan udara sangat lembap dan relatif stabil, sementara kelembapan terendah terjadi pada puncak musim kemarau (Juli–September), khususnya Agustus dan September, ketika median turun hingga sekitar 65% dan nilai minimum mencapai sekitar 59%, lalu mulai meningkat kembali pada Oktober sebagai fase transisi menuju musim hujan.
Metode Analisis
Data kelembapan udara Kota Cirebon dianalisis menggunakan model SARIMA karena merupakan data runtun waktu bulanan yang menunjukkan pola musiman tahunan yang konsisten. Selain itu, data telah memenuhi asumsi stasioneritas dan memiliki ketergantungan terhadap nilai masa lalu, sehingga model SARIMA tepat digunakan untuk analisis dan peramalan kelembapan udara.
Hasil dan Pembahasan
data <- read_excel(file.choose())
data## # A tibble: 60 × 3
## Bulan Tahun Kelembapan
## <chr> <dbl> <dbl>
## 1 Januari 2018 83
## 2 Februari 2018 88
## 3 Maret 2018 86
## 4 April 2018 85
## 5 Mei 2018 70
## 6 Juni 2018 75
## 7 Juli 2018 68
## 8 Agustus 2018 65
## 9 September 2018 65
## 10 Oktober 2018 67
## # ℹ 50 more rowsts_kelembapan <- ts(data$Kelembapan)
summary(ts_kelembapan) ## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 59.00 70.00 78.50 76.50 83.25 88.00Kelembapan udara berkisar antara 59%–88% dengan rata-rata 76,5% dan median 78,5%, menunjukkan kondisi umumnya lembap, di mana sebagian besar data berada pada rentang 70%–83%, dengan beberapa periode lebih kering yang menurunkan rata-rata.
plot(ts_kelembapan,
main = "Time Series Kelembapan Udara Kota Cirebon",
xlab = "Tahun",
ylab = "Kelembapan (%)")
Time Series Kelembapan Udara Kota Cirebon
Grafik tersebut menunjukkan bahwa kelembapan udara di Kota Cirebon berfluktuasi secara musiman dari tahun 2018 hingga 2023, dengan pola berulang berupa puncak kelembapan tinggi (sekitar 82–88%) pada musim hujan dan penurunan tajam (sekitar 60–70%) pada musim kemarau, tanpa terlihat tren jangka panjang yang naik atau turun secara signifikan, sehingga perubahan yang terjadi lebih didominasi oleh siklus tahunan daripada perubahan iklim jangka panjang.
boxplot(
data$Kelembapan ~ data$Bulan,
main = "Distribusi Kelembapan Udara per Bulan",
xlab = "Bulan",
ylab = "Kelembapan (%)",
xaxt = "n"
)
axis(1, at = 1:12, labels = c("Januari","Februari","Maret","April","Mei","Juni","Juli","Agustus","September","Oktober","November","Desember"),
las = 2
)
Distribusi Kelembapan Udara per Bulan
Boxplot menunjukkan pola musiman yang jelas sepanjang tahun. Kelembapan relatif tinggi dan stabil terjadi pada bulan Februari hingga Mei yang mencerminkan kondisi musim hujan. Memasuki pertengahan tahun, khususnya bulan Juni, nilai kelembapan mulai mengalami penurunan. Kelembapan terendah umumnya terjadi pada akhir tahun hingga awal tahun berikutnya (November–Januari). Selanjutnya, pada bulan September hingga Oktober terlihat peningkatan variasi kelembapan udara yang menandakan fase peralihan musim.
adf.test(ts_kelembapan)##
## Augmented Dickey-Fuller Test
##
## data: ts_kelembapan
## Dickey-Fuller = -5.2115, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationaryHasil uji Augmented Dickey-Fuller (ADF) menunjukkan nilai p-value = 0,01, yang lebih kecil dari 0,05, sehingga hipotesis nol ditolak. Ini berarti deret waktu kelembapan udara bersifat stasioner atau sudah cukup stabil, sehingga layak digunakan untuk pemodelan deret waktu.
model_sarima <- Arima(
ts_kelembapan,
order = c(1, 0, 0),
seasonal = list(order = c(0, 1, 1), period = 12)
)
summary(model_sarima)## Series: ts_kelembapan
## ARIMA(1,0,0)(0,1,1)[12]
##
## Coefficients:
## ar1 sma1
## 0.6462 -0.5888
## s.e. 0.1074 0.2015
##
## sigma^2 = 17.21: log likelihood = -138.17
## AIC=282.34 AICc=282.88 BIC=287.95
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.495214 3.632573 2.439659 0.5186736 3.2138 0.6258256 -0.08620987Model terbaik yang diperoleh adalah SARIMA(1,0,0)(0,1,1)[12], yang menunjukkan bahwa kelembapan udara dipengaruhi oleh nilai pada satu periode sebelumnya serta memiliki komponen musiman tahunan. Keberadaan komponen autoregresif menunjukkan adanya keterkaitan antarwaktu, sementara komponen musiman membantu menangkap fluktuasi tahunan pada data. Dengan nilai MAPE sekitar 3,2% dan RMSE sekitar 3,6, model ini memiliki tingkat kesalahan peramalan yang relatif kecil sehingga dinilai layak digunakan untuk peramalan kelembapan udara.
checkresiduals(model_sarima, lag = 12)
Diagnostik Residual sarima
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,0,0)(0,1,1)[12]
## Q* = 10.017, df = 10, p-value = 0.439
##
## Model df: 2. Total lags used: 12Hasil diagnostik residual menunjukkan bahwa sisa kesalahan model berfluktuasi di sekitar nol tanpa pola tertentu, serta grafik ACF residual tidak menunjukkan adanya autokorelasi yang signifikan. Selain itu, uji Ljung–Box menghasilkan nilai p-value sebesar 0,439 (> 0,05), sehingga hipotesis nol tidak ditolak dan residual dapat dianggap bersifat white noise. Dengan demikian, model SARIMA(1,0,0)(0,1,1)[12] dinilai memadai dan mampu menangkap pola utama pada data kelembapan udara dengan baik.
forecast_12 <- forecast(model_sarima, h=12)
plot(forecast_12,
main="Peramalan Kelembapan Udara Kota Cirebon",
xlab="Tahun",
ylab="Kelembapan (%)")
Peramalan Kelembapan Udara 12 Bulan ke Depan
forecast_12## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 61 84.43458 79.10221 89.76695 76.27942 92.58974
## 62 85.76112 79.41818 92.10405 76.06044 95.46180
## 63 84.35706 77.63699 91.07712 74.07960 94.63451
## 64 81.39028 74.51887 88.26169 70.88136 91.89920
## 65 79.20460 72.27097 86.13822 68.60053 89.80866
## 66 78.87060 71.91116 85.83003 68.22707 89.51413
## 67 71.85906 64.88890 78.82922 61.19912 82.51899
## 68 67.51707 60.54248 74.49165 56.85036 78.18378
## 69 67.04435 60.06803 74.02068 56.37499 77.71372
## 70 72.29857 65.32178 79.27536 61.62849 82.96864
## 71 79.19288 72.21653 86.16924 68.52348 89.86229
## 72 82.47523 75.50057 89.44989 71.80840 93.14206Grafik peramalan menunjukkan bahwa kelembapan udara di Kota Cirebon pada periode ke depan diperkirakan tetap mengikuti pola musiman, dengan kecenderungan menurun pada pertengahan tahun dan meningkat kembali di akhir tahun. Rentang bayangan yang semakin lebar menandakan ketidakpastian prediksi yang meningkat, namun secara umum kelembapan diproyeksikan berada pada kisaran yang masih sejalan dengan pola historis.
Kesimpulan
Berdasarkan hasil analisis data kelembapan udara bulanan Kota Cirebon, dapat disimpulkan bahwa kelembapan udara menunjukkan pola musiman tahunan yang kuat dan konsisten. Kelembapan relatif tinggi dan stabil umumnya terjadi pada awal dan akhir tahun, khususnya pada periode Januari hingga April serta November–Desember, yang mencerminkan kondisi musim hujan. Sebaliknya, kelembapan udara mengalami penurunan pada puncak musim kemarau, terutama pada bulan Juli hingga September, dengan nilai terendah umumnya terjadi pada bulan Agustus dan September. Tidak ditemukan adanya tren jangka panjang yang meningkat atau menurun secara signifikan, sehingga variasi kelembapan udara lebih didominasi oleh siklus musiman tahunan dibandingkan perubahan iklim jangka panjang.
Hasil uji stasioneritas menggunakan Augmented Dickey-Fuller (ADF) menunjukkan bahwa data telah bersifat stasioner, sehingga layak digunakan untuk pemodelan deret waktu. Model terbaik yang diperoleh adalah SARIMA(1,0,0)(0,1,1)[12], yang mampu menangkap keterkaitan antarwaktu serta pola musiman tahunan dengan baik. Nilai kesalahan peramalan yang relatif kecil, ditunjukkan oleh MAPE sekitar 3,2% dan RMSE sekitar 3,6, menandakan bahwa model memiliki kinerja yang baik dan akurat. Selain itu, hasil diagnostik residual menunjukkan bahwa residual berperilaku seperti white noise dan tidak mengandung autokorelasi yang signifikan, sehingga model yang dibangun dapat dianggap memadai.
Hasil peramalan menunjukkan bahwa kelembapan udara pada periode mendatang diperkirakan tetap mengikuti pola musiman yang sama, yaitu menurun pada pertengahan tahun dan meningkat kembali menjelang akhir tahun. Dengan demikian, model SARIMA yang digunakan dapat dijadikan alat bantu yang andal dalam perencanaan dan pengambilan keputusan yang berkaitan dengan kondisi iklim dan lingkungan di Kota Cirebon.
Referensi
Badan Pusat Statistik Kota Cirebon. (2019). Kelembapan udara berdasarkan bulan di Kota Cirebon (%), 2018. Badan Pusat Statistik.https://cirebonkota.bps.go.id/id/statistics-table/1/ODE5MiMx/kelembapan-udara-berdasarkan-bulan-di-kota-cirebon—persen—2018.html Badan Pusat Statistik Kota Cirebon. (2020). Kelembapan udara berdasarkan bulan di Kota Cirebon (%), 2019. Badan Pusat Statistik.https://cirebonkota.bps.go.id/id/statistics-table/1/ODE4OCMx/jumlah-penguapan-berdasarkan-bulan-di-kota-cirebon–mm—2019.html Badan Pusat Statistik Kota Cirebon. (2021). Kelembapan udara berdasarkan bulan di Kota Cirebon (%), 2020. Badan Pusat Statistik.https://cirebonkota.bps.go.id/id/statistics-table/1/ODE5NCMx/kelembapan-udara-berdasarkan-bulan-di-kota-cirebon—persen—2020.html Badan Pusat Statistik Kota Cirebon. (2022). Kelembapan udara berdasarkan bulan di Kota Cirebon (%), 2021. Badan Pusat Statistik.https://cirebonkota.bps.go.id/id/statistics-table/1/ODE5NSMx/kelembapan-udara-berdasarkan-bulan-di-kota-cirebon—persen—2021.html Badan Pusat Statistik Kota Cirebon. (2023). Kelembapan udara berdasarkan bulan di Kota Cirebon (%), 2022. Badan Pusat Statistik.https://cirebonkota.bps.go.id/id/statistics-table/1/ODE5NiMx/kelembapan-udara-berdasarkan-bulan-di-kota-cirebon—persen—2022.html