Electronic Theses and Dissertation

Data meteorologi seperti temperatur, kelembapan, curah hujan, lamanya penyinaran matahari, dan kecepatan angin penting untuk pemantauan dan peramalan cuaca yang akurat. Namun, data meteorologi sering menghadapi masalah data hilang yang menghambat analisis dan menghasilkan prediksi kurang akurat. Penelitian ini membandingkan tiga metode imputasi data hilang, yaitu Mean Substitution, Median Substitution, dan Last Observation Carried Forward (LOCF) serta meramalkan variabel meteorologi menggunakan metode Triple Exponential Smoothing di Kota Banda Aceh. Penelitian ini menggunakan data time series harian dari tahun 2010 hingga 2023 yang diperoleh dari BMKG Indonesia. Metode imputasi meliputi Mean Substitution, Median Substitution, dan LOCF untuk mengatasi data hilang dengan persentase penghilangan data sebesar 10%, 20%, dan 30%. Data yang telah diimputasi kemudian dianalisis menggunakan metode Triple Exponential Smoothing untuk peramalan variabel meteorologi. Hasil penelitian menunjukkan bahwa metode Mean Substitution memiliki nilai AIC terendah pada variabel kelembapan, curah hujan, dan kecepatan angin, sedangkan metode LOCF memiliki nilai AIC terendah pada variabel temperatur, dan Median Substitution pada variabel lamanya penyinaran matahari. Prediksi dengan metode Triple Exponential Smoothing menghasilkan peramalan variabel meteorologi yang akurat untuk satu tahun ke depan. Mean Substitution dan LOCF cenderung mempertahankan distribusi data yang lebih stabil dibandingkan Median Substitution yang menunjukkan perubahan lebih signifikan pada variabel dengan data hilang. Pemilihan metode imputasi yang tepat sangat penting karena dapat memengaruhi hasil analisis dan interpretasi data. Penelitian ini memberikan panduan bagi peneliti dan praktisi dalam memilih metode imputasi yang paling sesuai untuk data meteorologi serta memanfaatkan Triple Exponential Smoothing untuk peramalan yang lebih akurat.

Kata kunci: data hilang, imputasi data, peramalan, meteorologi, Banda Aceh

Meteorological data such as temperature, humidity, rainfall, sunshine duration, and wind speed are important for accurate weather monitoring and forecasting. However, meteorological data often face missing data problems that hamper analysis and result in less accurate predictions. This study compares three missing data imputation methods, namely Mean Substitution, Median Substitution, and Last Observation Carried Forward (LOCF) and forecasts meteorological variables using the Triple Exponential Smoothing method in Banda Aceh City. This research uses daily time series data from 2010 to 2023 obtained from BMKG Indonesia. The imputation method includes Mean Substitution, Median Substitution, and LOCF to overcome missing data with a percentage of data removal of 10%, 20%, and 30%. The imputed data was then analysed using the Triple Exponential Smoothing method for forecasting meteorological variables. The results showed that the Mean Substitution method has the lowest AIC value on humidity, rainfall, and wind speed variables, while the LOCF method has the lowest AIC value on temperature variables, and Median Substitution on sunshine duration variables. Prediction with the Triple Exponential Smoothing method produces accurate forecasts of meteorological variables for the next year. Mean Substitution and LOCF tend to maintain a more stable data distribution than Median Substitution which shows more significant changes in variables with missing data. The selection of an appropriate imputation method is critical as it can affect the results of data analysis and interpretation. This study provides guidance for researchers and practitioners in selecting the most suitable imputation method for meteorological data and utilising Triple Exponential Smoothing for more accurate forecasting. Keywords: missing data, data imputation, forecasting, meteorology, Banda Aceh