Matematika (S2)

Permanent URI for this collection

https://repository.unpad.ac.id/handle/kandaga/274

Browse

Browsing Matematika (S2) by Author "Atje Setiawan Abdullah"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Implementasi Model Principal Component AnalysisVector Autoregressive Integrated (PCA-VARI) menggunakan Pendekatan Data Mining pada Data Iklim di Wilayah Jawa Barat
    (2022-06-14) DEVI MUNANDAR; Budi Nurani Ruchjana; Atje Setiawan Abdullah
    Perubahan atmosfer dalam jangka waktu yang panjang yang disebabkan oleh fenomena alam melibatkan matahari, lautan, atmosfer, awan, es, daratan, dan organisme hidup atau seringkali ini dianggap sebagai sistem iklim dengan variabel saling mempengaruhi. Pada Tesis Magister ini dikaji model Principal Component Analysis (PCA) yang diintegrasikan dengan Vector Autoregressive Integrated (VARI) pada data iklim Jawa Barat, dinamakan model PCA-VARI melalui pendekatan Data Mining. PCA berperan untuk mereduksi data iklim yang saling berkorelasi menjadi data yang tidak berkorelasi dinyatakan sebagai komponen utama berisi kombinasi linear variabel awal. VARI merupakan model deret waktu multivariat non stasioner untuk memodelkan dua atau lebih variabel di mana variabel tersebut saling mempengaruhi satu sama lain menggunakan proses differencing. Kombinasi model PCA dan VARI secara simultan diharapkan dapat digunakan untuk peramalan data iklim yang telah direduksi pada waktu mendatang. Kajian pada penelitian ini meliputi analisis parameter iklim seperti Indeks UV, suhu, titik embun, radiasi matahari, kelembapan, curah hujan, tekanan udara, kecepatan angin, kebasahan tanah akar, kebasahan tanah permukaan yang terletak di lima wilayah yaitu Lembang, Bogor, Tasikmalaya, Sukabumi, dan Indramayu dari Januari 2001 hingga Desember 2020 dari POWER NASA Agroclimatology. Dalam penelitian ini metodologi yang digunakan mengikuti proses Knowledge Discovery in Data Base (KDD) dalam Data Mining meliputi pre-processing, proses Data Mining dan post-processing. Model yang digunakan pada proses Data Mining adalah model PCA-VARI. Hasil pengembangan model PCA-VARI dalam post-processing divisualisasikan melalui Impulse Response Function (IRF) dan digunakan untuk menggambarkan pengaruh iklim lokasi terhadap respon wilayah lainnya dengan perubahan standar deviasi. IRF fenomena iklim hasil PCA-VARI untuk wilayah yang berdekatan menggambarkan pengaruh antar wilayah yang memiliki kemiripan tinggi. Sedangkan untuk beberapa wilayah yang berjauhan secara umum respon yang diperoleh beragam tergantung waktu pengamatan. Peramalan model PCA-VARI untuk fenomena iklim pada 5 wilayah di Jawa Barat memberikan nilai Mean Absolute Percentage Error (MAPE) sebesar 2.2053%.
  • No Thumbnail Available
    Item
    MODEL GSTARI-X-ARCH DENGAN PENDEKATAN DATA MINING DAN PENERAPANNYA PADA FENOMENA IKLIM DI JAWA BARAT
    (2023-01-16) PUTRI MONIKA; Budi Nurani Ruchjana; Atje Setiawan Abdullah
    Data Spatio Temporal adalah data yang diurutkan berdasarkan lokasi dan waktu secara simultan. Data Spatio Temporal dapat dimodelkan dengan Model Spatio Temporal berbasis model deret waktu Box-Jenkins antara lain Model Generalized Space Time Autoregressive (GSTAR) untuk data yang stasioner dan Model Generalized Space Time Autoregressive Integrated (GSTARI) untuk data yang tidak stasioner dengan mempertimbangkan interaksi antar lokasi melalui matriks bobot. Kebaruan pada penelitian ini merupakan pengembangan asumsi Model Spatio Temporal yang dinamakan Model Generalized Space Time Autoregressive Integrated – Exogenous- Autoregressive Conditional Heteroscedasticity disingkat GSTARI-X-ARCH untuk data Spatio Temporal dengan data tidak stasioner, penambahan variabel eksogen dan variansi eror tidak konstan. Model GSTARI-XARCH diterapkan pada fenomena Spatio-Temporal dengan ukuran data yang besar, sehingga metodologi penelitian dapat digunakan proses Knowledge Discovery in Databases (KDD) dalam data mining meliputi tahapan pre-processing, proses data mining dan post-processing. Data dalam penelitian digunakan data iklim di Jawa Barat bersumber dari website National Aeronautics and Space Administration Prediction of Worldwide Energy Resources (NASA POWER) dengan variabel penelitian berupa curah hujan sebagai variabel respon dan kelembapan sebagai variabel eksogen. Penerapan Model GSTARI-X-ARCH dengan pendekatan data mining menggunakan script R terintegrasi pada peramalan curah hujan yang dipengaruhi oleh kelembapan memiliki hasil peramalan yang akurat. Hal ini didukung dengan perolehan nilai MAPE pada data in-sample dan data out-sample sebesar 19%. Hasil peramalan menggunakan model GSTARI-X-ARCH dengan melibatkan pengaruh antar lokasi dan waktu secara simultan menunjukkan bahwa Kota Sukabumi pada bulan Februari 2021 memiliki intensitas curah hujan paling tinggi dan Kota Bandung memiliki intensitas curah hujan paling rendah. Hasil peramalan ini diharapkan dapat menjadi rekomendasi bagi instansi terkait sebagai early warning dalam deskripsi dan prediksi fenomena iklim yang bermanfaat bagi masyarakat.