Rosyida, Diana (2019) Model Hybrid GSTAR-X-SUR dengan Pendekatan Fungsi Transfer pada Variabel Eksogen dan Neural Network pada Sisaan dalam Peramalan Curah Hujan di Daerah Tengger. Magister thesis, Universitas Brawijaya.
Abstract
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
English Abstract
Spatio Temporal phenomenon is a phenomenon that connected with time and location. One of the spatio temporal model that currently grown is GSTAR model. This model could be added into exogenous variable, as a metric or as nonmetric, that will produce GSTAR-X model. The estimation of parameter method is Generalized Least Square (GLS), because the GLS method can overcome the residual correlation between equations. Therefore, the spatio temporal model used is GSTAR-X-SUR. There is another phenomenon that happen frequently beside spatio temporal, This phenomenon is non-linier. One of non-linier model that already used in many fields is neural network model, where the models doesn’t need statistics assumptions. Precipitation is one of the data that include spatio temporal, influenced by other variables, and include non-linier phenomenon. The purpose of this research is to identify the model of precipitation in Tengger Area with GSTAR-X-SUR model with transfer function in exogenous variable and neural network in residual approaches, and to determine the reliability of the prediction from the built model. This research uses precipitation data and air pressure data from several location. There are five location where these data taken. These five locations are villages of Ngadas, Ranupane, Mulyorejo, Argosari, and Mororejo. The air pressure data is used as the exogenous variable. These data are acquired from NASA’s meteorology website. It takes the data from January 2000 to September 2018. Those data divided into two part, where one part is training data (in sample), and the other one is testing data (out of sample). The data that come from January 2000 to December 2017 are used as training data, while data from January 2018 to December 2018 are used in as testing data. This research, GSTAR-X-SUR-NN model use two weight location. These location weights are inverse distance and cross covariance normalization. The GSTAR-X-SUR-NN model formed by inverse distance weight is GSTAR-X-SUR (1) (3, [12]) (4,0,1) - NN (15,15,5). While the model formed with the weight of the cross covariance normalization location is GSTAR-X-SUR (1) (3, [12]) (4.0,1) - NN (20,15,5). The best model from those two formed models previously is the GSTAR-X-SUR-NN model with cross covariance normalization weight. This result based on the value of
Other obstract
-
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | TES/551.577/ROS/m/2019/041902930 |
| Uncontrolled Keywords: | RAIN AND RAINFALL—FORECASTING, GENERALIZED SPACES, NEURAL NETWORKS (COMPUTER SCIENCE)--MATHEMATICS |
| Subjects: | 500 Natural sciences and mathematics > 551 Geology, hydrology, meteorology > 551.5 Meteorology > 551.57 Hydrometeorology > 551.577 Precipitation |
| Divisions: | S2/S3 > Magister Statistika, Fakultas MIPA |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 06 Jan 2020 07:12 |
| Last Modified: | 21 Oct 2021 03:26 |
| URI: | http://repository.ub.ac.id/id/eprint/177567 |
Preview |
Text
Diana Rosyida.pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |