Model Generalized Space Time Autoregressive with ARCH Error (GSTAR-ARCH) dan Penerapannya terhadap Data Curah Hujan pada Wilayah Rawan Bencana di Pulau Jawa

Model Generalized Space Time Autoregressive with ARCH Error (GSTAR-ARCH) dan Penerapannya terhadap Data Curah Hujan pada Wilayah Rawan Bencana di Pulau Jawa SHAILLA RUSTIANA Primary Author mixed material bibliography Bandung Magister Statistika Terapan 2018 id Indonesia xiii, 93 hlm. ; il. ; 29 cm 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 beeeaaa hidrometeorolegi yaag dapat merugikaa masyarakat, sehingga model prediksi terhadap curah hujan sangat dibutuhkan di Indonesia. Sa1ah sa.tu model. multivariat time series \J.t1Wk me};~a.n data. curah h:u:,ian dikenal dengan nama model Generalized Space Time Autoregressive (GSTAR) yang merupakan salah satu bentuk khusus dari Vector Autoregressive (V AR). Model GST AR mengasumsikan parameter AR maupun parameter space time berbeda untuk setiap lokasi, sehingga model tersebut berlaku untuk karakteristik Iokasi yang heterogen. Data curah hujan diketahui sangat beragam dari segi waktu juga lokasi yang diamati, schingga mcnycbabkan varians residual dari data tcrscbut tidak k9!1§t~!1 (h~t~r9§k~dastj§). lJt:rrnJ~ .JIleJ1gat~§i pe.l1!la§~J~haJ1 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 seeara simultan berdasarkan waktu serta lokasi dengan asumsi terdapat varians error yang tidak konstaa. Pada penelitian ini, model GST AR-ARCH diterapkan untuk meramalkan data eurah hujan bulanan saat musim penghujan (DJF) pada wilayah rawan bene ana di Pulau Jawa bagian barat diwakili oleh Kabupaten Bandung, Garut, Ciamis, dan Pangandaran. Bobot lokasi yang .digunakan adalah hobot invers jarak dan menghasilkan nilai Mean Absolute Percentage Error (MAPE) data in-sample dan out-sample lebih keeil dibandingkan dengan model GSTAR-ARCH dengan bobot lokasi seragam. Error model GST AR-ARCH dalam penelitian ini juga memenuhi SHAILLA RUSTIANA 1. GSTAR 2. fu~CH 3. Curah Hujan 4. Bobot In 519.5 Perpustakaan Universitas Padjadjaran Kementerian Riset Teknologi dan Pendidikan Tinggi 519.5 Sha m/R.14.89.1 010030008095 Perpustakaan Pusat (REF.14.89.1) 519.5 Sha m/R.14.89.1 20%252Fscan0001.jpg.jpg 62269 2018-06-26 10:09:25 2018-06-26 10:10:19 machine generated