Statistika Terapan (S2)

Permanent URI for this collection

https://repository.unpad.ac.id/handle/kandaga/273

Browse

Browsing Statistika Terapan (S2) by Subject "ARCH"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE WITH ARCH ERROR (GSTAR-ARCH) DAN PENERAPANNYA TERHADAP DATA CURAH HUJAN PADA WILAYAH RAWAN BENCANA DI PULAU JAWA
    (2018-01-15) SHAILLA RUSTIANA; Budi Nurani Ruchjana; I Gede Nyoman Mindra Jaya
    Curah hujan merupakan salah satu parameter cuaca dan iklim yang memiliki tingkat keragaman yang tinggi, baik secara temporal (waktu) maupun spasial (lokasi). Beberapa penyimpangan yang disebabkan oleh curah hujan tak jarang menyebabkan bencana hidrometeorologi yang dapat merugikan masyarakat, sehingga model prediksi terhadap curah hujan sangat dibutuhkan di Indonesia. Salah satu model multivariat time series untuk meramalkan data curah hujan dikenal dengan nama model Generalized Space Time Autoregressive (GSTAR) yang merupakan salah satu bentuk khusus dari Vector Autoregressive (VAR). Model GSTAR mengasumsikan parameter AR maupun parameter space time berbeda untuk setiap lokasi, sehingga model tersebut berlaku untuk karakteristik lokasi yang heterogen. Data curah hujan diketahui sangat beragam dari segi waktu juga lokasi yang diamati, sehingga menyebabkan varians residual dari data tersebut tidak konstan (heteroskedastis). Untuk mengatasi permasalahan tersebut, diperlukan suatu model Autoregressive Conditional Heteroskedasticity (ARCH). Dalam penelitian ini dikaji gabungan antara model GSTAR dengan ARCH, dinamakan model GSTAR-ARCH yang dapat digunakan untuk prediksi data curah hujan di Indonesia yang diamati secara simultan berdasarkan waktu serta lokasi dengan asumsi terdapat varians error yang tidak konstan. Pada penelitian ini, model GSTAR-ARCH diterapkan untuk meramalkan data curah hujan bulanan saat musim penghujan (DJF) pada wilayah rawan bencana di Pulau Jawa bagian barat diwakili oleh Kabupaten Bandung, Garut, Ciamis, dan Pangandaran. Bobot lokasi yang digunakan adalah bobot invers jarak dan menghasilkan nilai Mean Absolute Percentage Error (MAPE) data in-sample dan out-sample lebih kecil dibandingkan dengan model GSTAR-ARCH dengan bobot lokasi seragam. Error model GSTAR-ARCH dalam penelitian ini juga memenuhi asumsi white noise dan berdistribusi multivariate normal, sehingga model GSTAR-ARCH dapat digunakan sebagai alternative untuk peramalan data curah hujan dalam jangka pendek, 1-3 bulan ke depan yang melibatkan pengaruh data curah hujan dari lokasi itu sendiri serta pengaruh dari lokasi – lokasi lain di sekitarnya pada pengamatan waktu sebelumya.