Implementasi Model Principal Component AnalysisVector Autoregressive Integrated (PCA-VARI) menggunakan Pendekatan Data Mining pada Data Iklim di Wilayah Jawa Barat
No Thumbnail Available
Date
2022-06-14
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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%.
Description
Keywords
PCA-VARI, Iklim, KDD