Penerapan Bayesian Model Averaging (BMA) dengan Markov Chain Monte Carlo (MCMC) Untuk peramalan : Studi kasus Curah Hujan Kota Bandung

Rahmatillah, Silvy Hatami (2024) Penerapan Bayesian Model Averaging (BMA) dengan Markov Chain Monte Carlo (MCMC) Untuk peramalan : Studi kasus Curah Hujan Kota Bandung. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_COVER.pdf Download (195kB) | Preview
Preview	Text (ABSTRAK) 2_ABSTRAK.pdf Download (200kB) | Preview
Preview	Text (DAFTAR ISI) 3_DAFTAR ISI.pdf Download (199kB) | Preview
Preview	Text (BAB I) 4_BAB I.pdf Download (312kB) | Preview
	Text (BAB II) 5_BAB II.pdf Restricted to Registered users only Download (588kB)
	Text (BAB III) 6_BAB III.pdf Restricted to Registered users only Download (487kB)
	Text (BAB IV) 7_BAB IV.pdf Restricted to Registered users only Download (886kB)
	Text (BAB V) 8_BAB V.pdf Restricted to Registered users only Download (198kB)
	Text (DAFTAR PUSTAKA) 9_DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (319kB)

Abstract

Peramalan data curah hujan menjadi aspek yang penting salah satunya dalam risiko bencana alam, dan sebagainya. Penelitian ini mengkaji mengenai penerapan Bayesian Model Averaging (BMA) dengan Markov Chain Monte Carlo (MCMC) untuk meningkatkan akurasi peramalan curah hujan di Kota Bandung. Bayesian Model Averaging memungkingkan menggabungkan beberapa model pramalan untuk mendapatkan hasil yang lebih akurat. Dalam penelitian ini, data curah hujan bulanan dari bulan Januari 2023 sampai Februari 2024 yang diambil dari website Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) yang digunakan sebagai data observasi utama. Metode Bayesian Model Averaging dengan Markov Chain Monte Carlo digunakan untuk mengestimasi nilai bobot untuk model prediksi BMA yang digunakan. Hasil peramalannya akan dibandingkan dengan hasil peramalan dengan metode ensemble yang didapat menggunakan model Autoregressive Integrated Moving Average (ARIMA). Hasil tersebut didapatkan dari nilai Continous Ranked Probability Score (CRPS) yang digunakan sebagai alat ukur mengevaluasi model terbaiknya yang mana nilai CRPS untuk model BMA sebesar 0,16 lebih kecil dari nilai CRPS ensemble sebesar 0,19, dengan catatan bahwa semakin kecil nilai CRPS maka semakin baik modelnya. Meskipun beberapa nilai data observasi berada diluar interval ramalan terkalibrasi, seperti bulan Juni, Juli, Agustus dan Desember 2023 yang tidak mampu menangkap nilai observasi dalam interval ramalan terkalibrasi. Hal ini tetap memberi kesimpulan bahwa model Kalibrasi BMA jauh lebih akurat dibandingkan dengan peramalan ensemble

Actions (login required)

View Item