PEMILIHAN MODEL COPULA MENGGUNAKAN

DISTRIBUSI COPULA EMPIRIK

Nahliyani1, Anisa2, Amran3
1
Mahasiswa Program Studi Statistika FMIPA Universitas Hasanuddin
2,3
Dosen Program Studi Statistika FMIPA Universitas Hasanuddin
Email:nahliyani1budding@gmail.com

ABSTRAK

Dalam menentukan probabilitas dependensi antara satu variabel dengan

variabel lainnya biasanya diasumsikan data berdistribusi normal. Namun,
seringkali data yang ditemui tidak berditribusi normal atau distribusi data berbeda
antara satu variabel dengan variabel lainnya.Copula adalah salah satu metode
dependensi yang dapat digunakan jika terdapat data yang tidak memenuhi asumsi
atau distribusi data antara satu variabel dengan variabel lainnya berbeda. Copula
terbagi dalam beberapa keluarga, diantaranya copula Achimedean dan copula
Ellips, untuk menentukan model Copula terbaik dalam menjelaskan dependensi
antara variabel, maka perlu dilakukan pemilihan model. Pada penelitian ini dikaji
mengenai pemilihan model Copula terbaik diantara copula Archimedean dan
copula Ellips menggunakan metode kuadrat selisih copula Empirik. Pendekatan
Copula tersebut diterapkan pada data intensitas curah hujan bulanan. Hasilnya
menunjukkan model copula Clayton merupakan model terbaik yang dapat
menjelaskan adanya dependensi di stasiun Tandung Nanggala dan stasiun Talang
Riaja, Sulawesi Selatan, periode Januari 2000-Desember 2015.

Kata Kunci: Copula Archimedean, copula Ellips, copula Clayton,kuadrat

selisih, copula Empirik, intensitas curah hujan

1. Pendahuluan
Hubungan suatu variabel dengan variabel lainnya dapat diketahui dengan
berbagai metode. Metode statistika yang biasa digunakan untuk melihat hubungan
dua variabel adalah analisis korelasi. Analisis korelasi digunakan untuk melihat
keeratan hubungan linier dua variabel yang dinyatakan dengan koefisien korelasi.
Analisis korelasi yang sering digunakan adalah korelasi Pearson, korelasi ini baik
digunakan jika memenuhi asumsi yaitu data berdistribusi normal. Namun, asumsi
kenormalan seringkali tidak terpenuhi karena adanya pengamatan outlier atau
terdapat amatan yang ekstrem. Dampaknya adalah pola hubungan akan sulit
terdeteksi meskipun terdapat keterkaitan yang cukup erat antar variabel (Ratih,
2011).

Pada penelitian di bidang klimatologi sering ditemui data yang tidak

berdistribusi normal. Menurut Schözel (2008), data iklim sering berubah sehingga
menghasilkan non Gaussian, seperti curah hujan, yang memiliki distribusi skew.
Kejadian iklim yang seringkali tidak menentu antar waktu menyebabkan
terjadinya iklim ekstrem (Ratih, 2011). Coles (2001) mendefinisikan kejadian
ekstrem dalam dua pendekatan yaitu Block Maxima (BM) dan Peaks Over
Threshold (POT). Karena adanya amatan estrem yang menyebabkan data tidak
berdistribusi normal, maka dibutuhkan metode yang dapat mengatasi dependensi
variabel yang berdistribusi tidak normal.

Salah satu metode yang dapat digunakan untuk mengetahui hubungan

antar variabel yang tidak berdistribusi normal ialah pendekatan Copula. Metode
ini bersifat fleksibel karena tidak mensyaratkan asumsi normalitas dari data dan
dapat menggabungkan beberapa distribusi marginal menjadi distribusi bersama.
Copula mempunyai kemampuan untuk mendeskripsikan struktur dependensi antar
variabel dengan marginal yang berbeda dan memodelkan dependensi tail-nya.
(Ningrum, 2017). Copula juga dapat menggambarkan dependensi pada titik-titik
ekstrem dengan jelas (Ratih, 2011).

Copula memiliki banyak keluarga. Beberapa keluarga Copula yang paling

popular adalah keluarga copula Archimedean dan keluarga copula Ellips. Copula
Archimedean terdiri dari tiga kelas Copula yaitu copula Clayton, copula Frank,
dan copula Gumbel, sedangkan copula Ellips terbagi menjadi dua kelas yaitu
copula Normal dan copula Studen-t (Chvosta, 2011).

Copula Archimedean dan copula Ellips mempunyai kelebihan diantaranya

dapat menjelaskan tail dependensi, sedangkan kelemahan dari copula
Archimedean adalah hanya dapat menjelaskan tail dependensi atas atau bawah,
tidak kedua-duanya (Pirmoradian, 2013). Untuk memilih kelas Copula terbaik
untuk menjelaskan dependensi antar variabel, maka perlu dilakukan pemilihan
model Copula terbaik karena tidak ada prosedur umum untuk melakukannya
secara langsung (Schölzel, 2008).

Ada beberapa metode pemilihan model Copula terbaik, diantaranya adalah

Akaike’s Information Criteria (AIC), Log likelihood, dan kuadrat selisih dengan
copula Empirik. Penelitian dengan pemilihan model Copula di bidang
agroklimatologi telah dilakukan oleh Ratih (2011) yang menggunakan AIC dalam
pemilihan model terbaik dalam menganalisis model Gaussian Copula Marginal
Regression (GCMR). Syahrir, dkk (2011) menggunakan Log likelihood dalam
pemilihan model Copula terbaik pada model copula Archimedean di bidang
klimatologi. Chvosta, dkk (2011) menggunakan kuadrat selisih dengan copula
Empirik dalam memodelkan korelasi faktor risiko keuangan. Pemilihan model
Copula dengan kuadrat selisih menggunakan copula Empirik mempunyai
kelebihan dibandingkan metode AIC dan Log likelihood, yaitu tidak perlu
menggunakan nilai likelihood.

Penelitian ini mengkaji tentang pemilihan model Copula terbaik dari

copula Archimedean dan copula Ellips. Pemilihan model terbaik didasarkan atas
selisih antara nilai pengamatan dengan copula Empirik dan model Copula yang
digunakan. Data yang digunakan berupa intensitas curah hujan di stasiun Tandung
Nanggala kabupaten Toraja dan intensitas curah hujan di stasiun Talang Riaja
kabupaten Enrekang, Sulawesi Selatan. Kedua wilayah ini merupakan tempat
wisata yang cukup popular dan dapat dijangkau dalam satu perjalanan jika cuaca
memungkinkan. Jika curah hujan lebat di Enrekang berpengaruh pada curah hujan
di Toraja, maka perjalanan di kedua lokasi tersebut menjadi terhambat. Sehingga
penting untuk mengetahui dependensi curah hujan antar kedua wilayah untuk
efisiensi perjalanan wisata.
2. Copula
2.1 Teori Copula
Copula berasal dari bahasa latin yang artinya hubungan, pertalian, ikatan.
Copulapertama kali digunakan pada bidang Matematika dan Statistika oleh Abe
Sklar yang dipopulerkan pada tahun 1959 melalui Teorema Sklar. Misalkan F
adalah fungsi distribusi bersama dan F j , j=1 , … , m merupakan distribusi
marjinal. Kemudian terdapat sebuah Copula C :[0,1]m → [0,1] sehingga
F ( x 1 , … , x m ) =C ( F 1 ( x 1 ) , … . , F m ( xm ) ) (1)

untuk setiap x 1 , … . , xm pada interval [−∞ , ∞] atau F j (−∞ )=0 dan F j ( ∞ )=1
(Chvosta, 2011).
Untuk menyederhanakan distribusi bersamanya maka diasumsikan
distribusi marginal F j kontinu. Hal ini mengakibatkan C unik dan dapat
dirumuskan pada Persamaan 2.
u1 um

C ( u 1 , … , um ) =∫ …∫ c ( u 1 , … , um ) d u1 … d um (2)
0 0

denganC ( u 1 , … , um ) adalah fungsi distribusi Copula dan c ( u1 , … ,u m ) adalah fungsi

densitas Copula. Copula merupakan fungsi yang menghubungkan distribusi
margin univariat menjadi distribusi bivariat atau multivariat (Nelsen, 2005).

2.2 Copula Archimedean

Nelsen (2006) mendefinisikan copula Archimedian, yaitu misalkan fungsi
ϕ :[0,1]→ ¿ merupakan fungsi generator copula Archimedean dan inversnya ϕ−1
sehingga ϕ ( 0 )=∞dan ϕ ( 1 )=0, maka fungsi copula Archimedean didefinisikan
pada Persamaan 3.
C ( u 1 , u2 … ,u m )=ϕ−1 (ϕ ( u 1) + …+ϕ ( u m )) (3)

Copula Archimedean terbagi dalam tiga kelas, yaitu copula Clayton,

copula Frank, dan copula Gumbel. Masing-masing fungsi generator dari kelas
copula tersebut yang digunakan untuk membangkitkan fungsi estimasi parameter
dan fungsi copula dinyatakan pada Tabel 1.
 Tabel 1. Fungsi Generator dan Fungsi Copula Archimedean

Kelas Generatorϕ θ(u) Fungsi Copula Parameter

Copula C θ (u1 ,u2 , … um ) θ
m −1

Clayton θ−1 ( u−θ−1 ) [∑ i=1

(u i−θ+ m−1) ] θ
θ>0

m θ ∈(−∞ , ∞) untuk m=2

( ∏ [ e−θv −1 ]
)
−θt
e −1
Frank −ln −θ
e −1 ( ) 1
θ
ln 1 +
i=1

e −1 −θ
θ>0 untuk m ≥3

1
m
Gumbel ¿¿ exp −
( [ [∑ i=1
(−lnui )
θ
]] ) θ
θ>1

(Sumber : Chvosta, 2011)

Copula Archimedean mempunyai tail dependensi yang berbeda-beda

antara copula Clayton, copula Frank, dan copula Gumbel. Pola dari masing-
masing Copula ditunjukkan pada Gambar 1.
1.0

1.0

1.0
0.8

0.8

0.8
IC H T alang Riaja

IC H Talang R iaja
IC H Talang Riaja
0.6

0.6

0.6
0.4

0.4

0.4
0.2

0.2

0.2
0.0

0.0

0.0

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

ICH Tanggung Nanggala ICH Tanggung Nanggala ICH Tanggung Nanggala

a. Clayton b. Frank c. Gumbel

Gambar 1 Plot Dependensi Copula Archimedean

Gambar 1 menunjukkan plot dependensi copula Clayton memiliki tail

dependensi di bagian bawah, copula Frank tidak mempunyai tail dependensi baik
diatas maupun dibawah, sedangkan copula Gumbel mempunyai tail dependensi
lebih ke atas.

2.3 Copula Ellips

2.3.1 Copula Normal
 Misalkan u j U (0,1) untuk j=1 ,… , m dimana (0,1) mewakili distribusi
uniform pada interval [0,1]. Misalkan Σ matriks korelasi dengan parameter m(m-
1)/2, maka fungsi copula Normal dapat dirumuskan pada Persamaan 4.

C Σ (u ¿ ¿1 , u2 , …u m)=Φ Σ ( Φ−1 (u 1) , … ., Φ−1 (um ) ) ¿ (4)

denganΦ adalah fungsi normal standar variabel acak dan Φ Σ adalah distribusi
normal standar m-variat dengan vektor mean 0 dan matriks kovarian Σ. Sehingga
distribusi Φ Σ adalah N m (0 , Σ)(Chvosta, 2011).Jika copula Gaussian digunakan
pada distribusi normal multivariat, maka diasumsikan memiliki hubungan yang
linier (Ratih, 2014). Plot dependensi Copula Normal bivariat ditunjukkan pada
Gambar 2.
1.0
0.8
IC H T alang R iaja

0.6
0.4
0.2
0.0

0.0 0.2 0.4 0.6 0.8 1.0

ICH Tanggung Nanggala

Gambar 2 Plot Dependensi Copula Normal

2.3.2 Copula Student-t

Misalkan Θ= {( v , Σ ) : v ∈ (1 , ∞ ) , Σ ∈ Rm x m } dan t v merupakan distribusi t
univariate dan v derajat bebas. Copula student-t dapat ditulis pada Persamaan 5.
C Θ (u ¿ ¿ 1 ,u 2 , … um )=t v , Σ ( t −1 −1
v ( u 1 ) ,… , t v ( um ) ) ¿ (5)

dengant v , Σ distribusi Student-t multivariate dengan Σ matriks korelasi dan v

derajat bebas (Chvosta, 2011). Menurut Zhang (2012) copula Student-t
mempunyai dependensi asimtotik di tail.Plot copula tditunjukkan pada Gambar 3.
1.0
0.8
IC H T alan g R iaja

0.6
0.4
0.2
0.0

0.0 0.2 0.4 0.6 0.8 1.0

ICH Tanggung Nanggala

 Gambar 3 Plot Dependensi Copula t

3. Estimasi Parameter Copula Menggunakan Tau Kendall

Melchiori (2003) menyatakan misalkan terdapat variabel acak U dengan
copula Archimedean C (u , v ) dan generator ϕ θ, tau Kendall dari U dan V dapat
dirumuskan pada Persamaan 6.

1
ϕ(t)
τ =1+4 ∫ dt (6)
0 ϕ ' (t )

Estimasi parameter copula Clayton dan copula Gumbel dapat diperoleh dengan
persamaan 6. Jika menggunakan fungsi generator masing-masing Copula pada
Tabel 1, maka parameternya sebagai berikut.

Copula Clayton,

t −θ−1
1 1
ϕ(t) θ θ
τ =1+4 ∫ ' dt=1+4 ∫ −θ−1 dt=
0 ϕ (t ) 0 −t θ+2

Sehingga parameter dependensinya yaitu,

2τ
θc = (7)
1−τ

Copula Gumbel,

1 1
ϕ(t)
τ =1+4 ∫ ' dt=1+4 ∫ ¿ ¿¿ ¿ ¿
0 ϕ (t ) 0

Sehingga parameter dependensinya yaitu,

1
θG = (8)
1−τ

Untuk Estimasi parameter copula Ellips dapat dilakukan dengan menggunakan

Persamaan 9 (Zhang, 2012)
 ρ=sin ( πτ2 ) (9)

denganπ=3,14 dan τ adalah korelasi tau Kendall.

4. Copula Empirik
Konsep Copula Empirik pertama kali diperkenalkan oleh Deheuvels
(1979) dan menunjukkan bahwa copula Empirik konvergen seragam ke Copula
parametrik yang mendasarinya. Misalkan X i ={ X 1 i , X 2 i , … , X di } variabel
independen dan urutannya terdistribusi secara identik (i.i.d) dengan F kontinu dan
distribusi marginal F i kontinu, maka distribusi copula Empirik didefinisikan pada
Persamaan 10

n d
1
C=( u1 , … , ud ) = ∑ ∏ 1 ( r ij ≥u j ) (10)
n i=1 j=1

dengan 1(.) adalah fungsi indikator yang mengambil nilai 1 bila kondisinya
terpenuhi, yaitu ketika r ij ≥ u j, dan 0 ketika r ij< u j dimana r ij adalah statistik
peringat variabel ui . Dengan kata lain distribusi copula Empirik merupakan
statistik peringkat untuk setiap pengamatan dibagi dengan jumlah pengamatan
(Chvosta, 2011).

5. Kuadrat Selisih
Chvosta (2011) menyatakan untuk menentukan kuadrat selisih dengan
copula Empirik berdasarkan data pengamatan dan data simulasi dapat
menggunakan Persamaan 11.
( K ❑P ( t ) −K❑S ( t ) )2 (11)

dengan,
K ❑P : copula Empirik data pengamatan
S
K ❑: copula Empirik data simulasi
t : nilai persentil

6. Aplikasi Pemilihan Model Copula Terbaik

 Dalam penelitian ini pemilihan model copula terbaik diaplikasikan pada
data intensitas curah hujan di stasiun Tandung Nanggala desa Tandung kecamatan
Nanggala kabupaten Toraja Utara ( X ) dan intensitas curah hujan di stasiun Talang
Riaja desa Talang Riaja kecamatan Baraka kabupaten Enrekang (Y ), Sulawesi
Selatan yang merupakan data observasi bulanan selama 16 tahun dari Januari
2000- Desember 2015. Pemilihan model dilakukan untuk menentukan
modelcopula terbaik dalam menjelaskan dependensi antara dua variabel tersebut.

Gambar 4.Scatterplot antara X danY

Pada Gambar 4 terlihat bahwa titik-titik menyebar secara acak. Beberapa

titik menunjukkan jika nilai variabel X rendah, maka nilai variabel Y tinggi
Beberapa titik lainnya menunjukkan jika nilai variabel X tinggi, maka nilai
variabel Y rendah, sedangkan beberapa titik lainnya mengumpul disuatu bagian
membentuk pola yang tidak jelas. Hal ini menyebabkan Scatterplot sulit
menjelaskan hubungan kedua variabel.
Korelasi Pearson adalah analisis korelasi yang sering digunakan untuk
menjelaskan hubungan antar dua variabel. Analisis ini baik digunakan jika data
memenuhi asumsi distribusi, yaitu kedua variabel mengikuti distribusi
normal.Umumnya data curah hujan memiliki distribusi yang tidak normal karena
adanya curah hujan ekstrem, untuk mengetahui kenormalan data dapat dilakukan
dengan membuat histogram. Data dikatakan mengikuti distribusi normal jika
bentuk histogram simetris.
 Gambar 5. Histogram Intensitas Curah Hujan Tandung Nanggala kab. Toraja
dan Intensitas Curah Hujan Talang Riaja kab. Enrekang

Tampak pada Gambar 5 bahwa intesitas curah hujan Talang Riaja tidak
mengikuti distribusi normal. Salah satu metode dependensi yang dapat digunakan
jika terdapat data yang tidak memenuhi asumsi yaitu, Copula.

6.1 Transformasi Variabel dan Estimasi Parameter

Langkah pertama dalam analisis dengan Copula yaitu transformasi kedua
variabel ke domain [0,1] yang dapat dilakukan menggunakan transformasi Van
der Waerden, kemudian menentukan estimasi parameter copula Copula
menggunakan Tau Kendall.

Tabel 2. Estimasi Parameter Keluarga Copula Archimedean dan Copula Ellips

Copula Parameter p−value
Clayton 0.7119 7.55e-05
Frank 2.5047 < 2e-16
Gumbe
1.3559 < 2e-16
l
Nomal 0.4007 1.24e-08
t 0.4007 1.24e-08

Tabel 2 menunjukkan bahwa p−value<α (0.05) yang artinya parameter yang

diperoleh signifikan terhadap α.

6.2 Simulasi Data

 Simulasi ini dilakukan untuk membandingkan data pengamatan dan data
simulasi melalui distribusi copula Empirik. Data simulasi pertama dibangkitkan
menggunakan taksiran parameter pada Tabel 2 dengann=1000, kemudian
mengulangi sebanyak 50 kali simulasi.

1.0
1.0

1.0

0.8
0.8

0.8
IC H T alang R iaja

ICH Talang Riaja

ICH Talang Riaja

0.6
0.6

0.6

0.4
0.4

0.4
0.2

0.2
0.2
0.0

0.0
0.0

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

ICH Tanggung Nanggala ICH Tanggung Nanggala ICH Tanggung Nanggala

1.0
1.0

0.8
0.8
ICH Talang Riaja

ICH Talang R iaja

0.6
0.6

0.4
0.4

0.2
0.2

0.0
0.0

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

ICH Tanggung Nanggala ICH Tanggung Nanggala

Gambar 6Scatterplot Simulasi Copula Clayton, Frank, Gumbel, Normal, dan t

Scatterplot pada Gambar 6 diperoleh dengan membangkitkan data

menggunakan rata-rata parameter setelah dilakukan 50 kali simulasi. Masing-
masing model Copula mempresentasikan bentuk plot dependensi yang berbeda-
beda. Untuk menentukan copula terbaik dalam menjelaskan dependensi antara
intensitas curah hujan di stasiun Tandung Nanggala dan intensitas curah hujan di
stasiun Talang Riaja,maka dilakukan pemilihan model Copula menggunakan
metode kuadrat selisih dengan copula Empirik berdasarkan data asli dan data
simulasi.

6.3 Kuadrat selisih dengan Copula Empirik

 Pemilihan model Copula terbaik dilakukan dengan menghitung kuadrat
selisih antara copula Empirik data pengamatan dan copula Empirik data simulasi.
Untuk mempermudah proses perhitungan, maka masing-masing copula Empirik
dipersentilkan dalam jumlah persentil yang sama dan hasilnya dinyatakan pada
Tabel 3.
Tabel 3.Kuadrat selisih antara Copula Empirik data Pengamatan dan
Simulasi
ICH Data Simulasi( K ❑s )
Persentil (%)
( K ¿ ¿ ❑p )¿Clayton Frank Gumbel Normal t
5 0.0260 0.0260 0.0275 0.0315 0.0285 0.0275
10 0.0520 0.0515 0.0555 0.0615 0.0565 0.0545
15 0.0830 0.0805 0.0840 0.0925 0.0845 0.0850
20 0.1090 0.1110 0.1145 0.1245 0.1195 0.1225
25 0.1350 0.1445 0.1475 0.1555 0.1525 0.1555
30 0.1720 0.1775 0.1815 0.1935 0.1870 0.1885
35 0.2030 0.2135 0.2155 0.2270 0.2190 0.2225
40 0.2340 0.2490 0.2545 0.2695 0.2585 0.2605
45 0.2710 0.2855 0.2885 0.3045 0.2975 0.3015
50 0.3100 0.3260 0.3365 0.3445 0.3345 0.3425
55 0.3540 0.3685 0.3795 0.3775 0.3770 0.3865
60 0.3960 0.4135 0.4335 0.4185 0.4145 0.4335
65 0.4580 0.4695 0.4740 0.4635 0.4550 0.4765
70 0.5310 0.5265 0.5175 0.5090 0.5085 0.5250
75 0.6070 0.5795 0.5630 0.5640 0.5555 0.5705
80 0.6820 0.6465 0.6210 0.6175 0.6195 0.6255
85 0.7240 0.7195 0.6785 0.6785 0.6840 0.6930
90 0.8230 0.7895 0.7630 0.7475 0.7575 0.7700
95 0.9060 0.8845 0.8345 0.8360 0.8485 0.8715
( K ❑ ( t ) −K❑s ( t ) )2
p
- 0.0052 0.0208 0.0257 0.0200 0.0163

Berdasarkan Tabel 3, maka model Copula terbaik ditunjukkan oleh nilai

kuadrat selisih yang paling kecil, yaitu model copula Clayton.Hal ini
mengindikasikan bahwa terdapat dependensi yang cukup kuat untuk curah hujan
rendah dikedua lokasi pengamatan. Musim kemarau panjang pada kedua lokasi
memiliki peluang yang besar untuk terjadi secara bersamaan.
7. Kesimpulan
 1. Model copula terbaik diberikan oleh distribusi copula Empirik yang
mendekati distribusi pengamatan yang diperoleh dengan menghitung
kuadrat selisih antara copula Empirik berdasarkan data pengamatan dan
data simulasi.Model copula terbaik diberikan oleh selisih terkecil atau
mendekati nol antara copula Empirik data pengamatan dan data simulasi.

2. Aplikasi model Copula untuk intensitas curah hujan pada stasiun Tandung
Nanggala dan stasiun Talang Riaja adalah model copula Clayton sebagai
berikut.
−1.4128
C ( u , v ) =( u−0.7078 +v −0.7078−1 )
Model copula Clayton menunjukkan terdapat dependensi yang kuat antara
intensitas curah hujan rendah di stasiun Tandung Nanggala dan di stasiun
Talang Riaja dengan parameter 0.7078.

Daftra Pustaka
Chvosta, Jan, dkk. 2011. Modeling Finncial Risk Factor Correlation with the
COPULA Procedure. Cary: SAS Institute Inc, NC.

Coles S. 2001. An Introduction to Statistical Modeling of Extreme Values,

London: Springer-Verlag.

Nelsen, Roger B. 2006. An Introduction to Copulas -Second Edition-. New York:

Springer Series in Statistics.

Ningrum, Oktafiani Widya. 2017. Perhitungan Value at Risk pada Portofolio

Saham Menggunakan Copula. Semarang: Departemen Statistika
Universitas Diponegoro.

Melchiori, Mario. 2003. Which Archimedean Copula is the right

one?.https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1123135
diakses pada 3 September 2016.
Ratih, Iis Dewi. 2014. Penaksiran Parameter pada Model Copula
Regression.Tesis Tidak Diterbitkan. Surabaya: Jurusan Statistika FMIPA
ITS.

Ratih, Iis Dewi. 2011. Gaussian Copula Marginal Regression. Skripsi Tidak
Diterbitkan. Surabaya: Jurusan Statistika FMIPA ITS.

Schölzel, C dan Friederichs, P. 2008. Multivariate Non-normally Distributed

Random Variabel in Climate Research - Introduction to the Copula
Approach. University of Born. Germany.

Syahrir, Irwan. 2011. Estimasi Parameter Copula dan Aplikasinya pada

Klimatologi. Tesis Tidak Diterbitkan. Surabaya: Jurusan Statistika FMIPA
ITS

Zhang, Qiang, dkk. 2011. Spatio-temporal variations of precipitation extremes in

Xinjiang, China. Journal of Hodrology 434–435 (2012) 7–18.