Matematika (S2)

Permanent URI for this collection

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

Browse

Browsing Matematika (S2) by Author "Budi Nurani Ruchjana"

Now showing 1 - 4 of 4
  • 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 CLUSTERING GSTARI-ARCH DAN PENERAPANNYA PADA DATA TERKONFIRMASI POSITIF COVID-19 DI JAWA BARAT
    (2021-03-03) MUTIK ALAWIYAH; Dianne Amor Kusuma; Budi Nurani Ruchjana
    Deret waktu merupakan proses stokastik yang diberi indeks waktu secara simultan. Model deret waktu yang digunakan pada penelitian ini adalah model deret waktu basis Box-Jenkins. Model deret waktu dapat dikombinasikan dengan data spasial yang menghasilkan proses stokastik dengan indeks lokasi waktu secara simultan. Salah satu model berbasis model Box-Jenkins dengan karakteristik lokasi yang heterogen adalah Model Generalized Space Time Autoregressive (GSTAR) untuk model dengan asumsi data stasioner dan model Generalized Space Time Autoregressive Integrated (GSTARI) untuk data yang tidak stasioner, khususnya untuk data yang memiliki pola trend. Dalam penelitian ini dipelajari pengembangan model GSTARI dengan asumsi variansi eror tidak konstan. Salah satu contoh data dengan variansi eror tidak konstan adalah data terkonfirmasi positif Covid-19 di Provinsi Jawa Barat. Fenomena data terkonfirmasi positif Covid-19 di Jawa Barat juga dikelompokkan menjadi zona merah, kuning dan hijau untuk menggambarkan banyaknya penderita positif Covid-19 dalam kelompok tinggi, sedang dan rendah. Metode penaksiran parameter untuk asumsi unsur eror tidak konstan dapat digunakan metode Autoregresive Conditional Heteroscedasticity (ARCH). Oleh karena itu, penelitian ini membahas Analisis Clustering dan Model GSTARI dengan asumsi variansi eror tidak konstan yang dinamakan dengan Model Clustering Generalized Space Time Autorgressive-Autoregresive Conditional Heteroscedasticity atau dapat disingkat dengan Model Clustering GSTARI-ARCH. Tahapan-tahapan dalam memodelkan Clustering GSTARI-ARCH dibagi menjadi dua yaitu tahap Analisis Cluster hingga terbentuk 3 cluster tinggi, sedang, rendah, dilanjutkan dengan tahap peramalan model GSTARI-ARCH yang mengikuti 3 tahapan deret waktu Box-Jenkins. Tiga tahap deret waktu Box-Jenkins berupa identifikasi model, estimasi parameter hingga pengecekan diagnostik. Penerapan Model Clustering GSTARI-ARCH pada data terkonfirmasi Covid-19 menghasilkan RMSE yang minimum pada Cluster tinggi dibandingkan dengan Cluster lainnya. Hal ini menunjukkan bahwa plot data pada cluster tinggi hampir mendekati plot data aktualnya. Plot ramalan pada semua cluster memiliki kemiripan dengan data aktual hanya untuk waktu jangka pendek yaitu selama 1-2 hari.
  • 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.
  • No Thumbnail Available
    Item
    PENDEKATAN PENGALI LAGRANGE PADA METODE CO-KRIGING UNTUK PPREDIKSI VARIABEL PENAMBANGAN BATUBARA DI LOKASI TIDAK TERSAMPEL MENGGUNAKAN R
    (2018-01-18) ANNISA NUR FALAH; Budi Nurani Ruchjana; Endang Rusyaman
    Metode Co-Kriging merupakan metode yang digunakan untuk memprediksi suatu nilai di lokasi tidak tersampel berdasarkan titik-titik tersampel yang saling berhubungan secara spasial dengan menambahkan variabel lain yang memiliki korelasi dengan variabel utamanya atau dapat juga digunakan untuk memprediksi 2 variabel/lebih secara bersamaan. Dalam penelitian ini, digunakan pendekatan Pengali Lagrange untuk menghasilkan variansi minimum dari estimator Co-Kriging. Studi kasus dilakukan prediksi pada variabel kualitas batubara, fixed carbon sebagai variabel utama dengan calorific value sebagai variabel tambahan. Proses perhitungan prediksi dengan Metode Co-Kriging menggunakan package gstat pada Program R yang menghasilkan model teoretis terbaik adalah Model Gaussian sebagai input dalam perhitungan prediksi variabel fixed carbon dan calorific value di lokasi tidak tersampel. Hasil perhitungan dengan pendekatan Pengali Lagrange menggunakan Program R lebih cepat, tepat dan akurat yang menghasilkan variansi prediksi minimum untuk variabel fixed carbon dan calorific value.