Model Hybrid GSTAR-X-SUR dengan Pendekatan Fungsi Transfer pada Variabel Eksogen dan Neural Network pada Sisaan dalam Peramalan Curah Hujan di Daerah Tengger
| Main Author: | Rosyida, Diana |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/177567/1/Diana%20Rosyida.pdf http://repository.ub.ac.id/177567/ |
Daftar Isi:
- Fenomena spatio temporal merupakan fenomena yang berhubungan dengan waktu dan lokasi. Salah satu model spatio temporal yang banyak berkembang adalah model GSTAR. Pada pemodelan GSTAR dapat ditambahkan variabel eksogen, variabel eksogen tersebut dapat berupa data metrik maupun non metrik sehingga model yang terbentuk adalah model GSTAR-X. Adapun metode pendugaan parameter yang digunakan adalah Generalized Least Square (GLS) karena metode GLS dapat mengatasi adanya korelasi sisaan antar persamaan. Oleh karena itu model spatio temporal yang digunakan adalah GSTAR-X-SUR. Selain fenomena spatio temporal, fenomena yang sering terjadi sekarang adalah fenomena non linier. Salah satu model non linier yang telah banyak diterapkan pada berbagai bidang adalah model neural network, dimana model tersebut tidak membutuhkan asumsi-asumsi statsitik. Salah satu data terdapat unsur spatio temporal, dipengaruhi variabel lain, dan terdapat fenomena non linier adalah curah hujan. Adapun tujuan dari penelitian ini adalah memodelkan data curah hujan di Daerah Tengger dengan model GSTAR-X-SUR dengan pendekatan fungsi transfer pada variabel eksogen dan neural network pada sisaan dan menentukan kehandalan peramalan dari model yang terbentuk. Data yang digunakan adalah data curah hujan dan tekanan udara di lima lokasi di Daerah Tengger, yakni Desa Ngadas, Ranupane, Mulyorejo, Argosari, dan Mororejo. Adapun variabel eksogen yang digunakan pada penelitian ini adalah tekanan udara. Data tersebut diperoleh dari website NASA mengenai meteorologi. Periode data yang digunakan mulai dari bulan Januari 2000 sampai September 2018. Data yang diperoleh dibagi kedalam data training (in sample) dan data testing (out of sample). Data training yang digunakan mulai dari Januari 2000 sampai Desember 2017, sedangkan pada bulan Januari sampai September 2018 sebagai data testing. Pada pemodelan GSTAR-X-SUR-NN menggunakan dua bobot lokasi, yaitu bobot lokasi invers jarak dan normalisasi cross covariance. Model GSTAR-X-SUR-NN yang terbentuk dengan bobot lokasi invers jarak adalah GSTAR-X-SUR (1) (3,[12]) (4,0,1) – NN (15,15,5). Sedangkan model yang terbentuk dengan bobot lokasi normalisasi cross covariance adalah GSTAR-X-SUR (1) (3,[12]) (4,0,1) – NN (20,15,5). Dari kedua model yang terbentuk tersebut, model terbaik adalah model GSTAR-X-SUR-NN dengan bobot lokasi normalisasi cross covariance. Hal ini berdasarkan nilai