NIAH
JAKARTA
2013 M / 1434 H
PERAMALAN CURAH HUJAN EKSTRIM MENGGUNAKAN
SKRIPSI
Diajukan Kepada
Oleh:
Niah
109094000024
JAKARTA
2013
PERNYATAAN
Niah
109094000024
PERSEMBAHAN
MOTTO
Kata Kunci: Curah Hujan Ekstrim, Peramalan, Extreme Value Theory (EVT),
Distribusi Generalized Extreme Value (GEV), Probability Weighted
Moments (PWM), Return Level.
ABSTRACT
Rainfall is climatic parameter which the most affecting for pattern of human life.
In maximum intensity, rainfall becomes a disasters that gave a lot of losses. So we need
an anticipation to minimize these losses. We have to do is forecasting extreme rainfall
on starting anticipation. This research was describes one of the statistic methods has
related with extreme values, that is Extreme Value Theory (EVT). EVT is applied
through sampling with Block Maxima formed, so that the distribution of sample is
Generalized Extreme Value (GEV) Distribution. Through GEV Distribution, estimation
of extreme rainfall obtained by using return level. In the end, we have an intensity
information of extreme rainfall that will occur in January 2013 to June 2013.
Bismillahirrohmanirrohim
sehingga terselesaikanlah salah satu tanggung jawab ini. Shalawat serta salam
teruntuk Nabi Muhammad SAW, menjadi sosok tauladan nyata seluruh umat agar
selalu bersabar dan bertawakal, yang merupakan pengiring langkah penulis dalam
kesulitan yang mengiringi langkah penulis. Alhamdulillah, hal itu terlewati karena
mereka yang dengan ketulusan hati membantu. Untuk itu, tiada ragu rasa terima
1. Ayah, Ibu, Cholis dan Keluarga Besar, you raised me up with so much
2. Ibu Nina Fitriyati M.Kom dan Ibu Yanne Irene M.Si selaku pembimbing
penelitian ini.
3. Ibu Suma’inna M.Si dan Ibu Irma Fauziah, M.Sc selaku penguji yang
5. Margareta Maya Putri, Sari Dwi Septiyani, Naily Hidayati, Catur Candra
7. Lia Puji Astuti yang menjadi teman petualang pencari data keliling
8. Siti Soffah yang menjadi teman membuat skripsi bersama dan membantu
10. Seluruh Dosen pengajar Prodi Matematika, terima kasih atas semua ilmu
yang telah diberikan yang secara tidak langsung saya gunakan dalam
informasi yang berguna serta kontribusi yang membangun, baik bagi para
pembaca maupun saya sendiri sebagai penulis. Banyak kekurangan yang tidak
luput dari penelitian ini, penulis berharap adanya saran yang dapat menjadikan
Penulis
DAFTAR ISI
HALAMAN JUDUL..............................................................................................ii
PENGESAHAN UJIAN.......................................................................................iii
PERNYATAAN.....................................................................................................iv
ABSTRAK.............................................................................................................vi
ABSCTRACT.......................................................................................................vii
KATA PENGANTAR.........................................................................................viii
DAFTAR ISI...........................................................................................................x
DAFTAR TABEL................................................................................................xii
DAFTAR GAMBAR...........................................................................................xiii
1.1.Latar Belakang.......................................................................................1
1.2.Perumusan Masalah...............................................................................4
1.3.Pembatasan Masalah..............................................................................5
1.4.Tujuan Penelitian...................................................................................5
1.5.Manfaat Penelitian.................................................................................6
2.1.Curah Hujan...........................................................................................7
2.2.Teori Pengantar Extreme Value Theory.................................................8
2.6.Return Level.........................................................................................19
3.3.Alur Penelitian.....................................................................................24
4.1.Deskriptif Data.....................................................................................25
4.2.Pengambilan Sampel............................................................................27
5.1.Kesimpulan..........................................................................................40
5.2.Saran.....................................................................................................41
REFERENSI ........................................................................................................42
DAFTAR TABEL
Tabel 4.12. Hasil return level dan RMSPE periode 2 bulan ke depan..................35
Tabel 4.13. Hasil return level dan RMSPE periode 3 bulan ke depan..................36
Tabel 4.14. Hasil return level dan RMSPE periode 4 bulan ke depan..................36
Tabel 4.15. Hasil return level dan RMSPE periode 5 bulan ke depan..................36
Tabel 4.16. Hasil return level dan RMSPE periode 6 bulan ke depan..................37
DAFTAR GAMBAR
PENDAHULUAN
Banjir merupakan salah satu bencana alam yang sudah mulai akrab dengan
sampah, banjir kiriman karena daya tampung yang tidak mencukupi, curah hujan
yang tinggi dan mungkin masih banyak faktor lain yang masih kurang mendapat
perhatian. Akan tetapi di antara sekian banyak faktor, intensitas curah hujan
Curah hujan merupakan salah satu unsur iklim yang menarik untuk di kaji,
karena tidak semua wilayah indonesia mempunyai pola hujan yang sama dan
curah hujan adalah parameter iklim yang paling mempengaruhi pola kehidupan
masyarakat [1]. Penelitian tentang peramalan curah hujan untuk suatu wilayah
dengan tepat.
sebagai suatu kebutuhan. Mereka membutuhkan air yang cukup untuk pengairan
sawah, ladang atau kebun mereka, terutama pada sawah tadah hujan. Di sisi lain,
jika hujan turun dengan intensitas yang besar sehingga melebihi kapasitas daya
1
tampung maka hujan berubah menjadi sebuah bencana. Pada saat pembungaan,
jika terjadi intensitas curah hujan yang besar maka proses pembungaan akan
terganggu. Tepung sari akan menjadi busuk karena kelembaban tinggi. Apabila
terjadi kerusakan pada tepung sari dan kepala putik berarti penyerbukan telah
gagal. Hal ini juga berarti bahwa pembuahan yang selanjutnya panen, telah gagal
dan harus menunggu masa cocok tanam berikutnya. Bencana ini akan membuat
petani rugi materi, tenaga dan waktu. Hal ini menunjukan bahwa cuaca dan iklim
Kota Semarang adalah salah satu kota yang merubah arah sektor pertanian
tomat dan buncis dimana lahan yang digunakan adalah lahan kering [2]. Secara
geografis, Kota Semarang memiliki daerah dataran rendah yang sangat sempit
yakni sekitar empat kilometer dari garis pantai. Dataran rendah ini dikenal dengan
sebutan kota bawah. Kawasan kota bawah seringkali dilanda banjir yang
disebabkan luapan air laut. Di sebelah selatan merupakan dataran tinggi, yang
dikenal dengan sebutan kota atas. Kota atas merupakan daerah yang didominasi
oleh perbukitan, yang tentu saja apabila hujan turun dengan lebat, maka daerah ini
rawan longsor. Dampak curah hujan ekstrim yang sangat berpengaruh terhadap
bahkan menghindari kerugian. Salah satu antisipasi yang dapat dilakukan adalah
melakukan peramalan intensitas curah hujan. Cuaca dan iklim memang tidak
2
dapat dikendalikan akan tetapi keberadaan ilmu pengetahuan dan teknologi yang
Dalam beberapa kasus iklim, curah hujan, suhu, kecepatan angin, dan
kelembaban memiliki nilai ekstrim pada waktu tertentu yang memang jarang
terjadi. Sehingga jika diamati dalam panjang periode tertentu, kumpulan nilai
ekstrim tersebut memiliki frekuensi yang rendah. Walaupun jarang terjadi dan
sering diabaikan keberadaanya namun kejadian ini memiliki dampak yang sangat
kejadian ekstrim seperti ini dapat dilakukan dengan Extreme Value Theory (EVT).
EVT berfokus pada perilaku ekor distribusi yaitu distribusi yang memiliki ekor
turun melambat karena terdapat nilai ekstrim dengan frekuensi rendah pada data
tersebut.
Maxima dan Peaks Over Threshold (POT). Kedua metode ini akan memberikan
hasil distribusi yang berbeda yaitu metode Block Maxima akan menghasilkan
diharapkan dapat memberikan informasi pada pihak terkait yaitu warga serta
3
Peramalan intensitas curah hujan ekstrim menggunakan GPD melakukan
curah hujan ekstrim pada penelitian ini akan dilakukan menggunakan distribusi
GEV dengan Block Maxima sebagai metode pengambilan sampel. Block maxima
adalah cara pengambilan sampel dengan membagi data menjadi beberapa blok
dan mengambil satu nilai paling maksimum dari setiap blok. Penentuan ukuran
blok dapat diperkirakan oleh penenliti dari data yang tersedia dan berusaha tidak
menghilangkan informasi yang ada. Pada data curah hujan biasanya ukuran blok
ataupun tahunan.
(PWM)?
Semarang?
4
1.3. Pembatasan Masalah
Moments.
hujan ekstrim.
(PWM).
Kota Semarang.
5
1.5. Manfaat Penelitian
Penulis berharap hasil penelitian ini dapat berguna bagi diri sendiri
maupun orang lain. Adapun manfaat yang dapat diperoleh dari penelitian ini
adalah :
a. Hasil penelitian ini diharapkan dapat dijadikan acuan serta menjadi bahan
6
BAB 2
TINJAUAN PUSTAKA
presipitasi non-cair seperti salju, batu es dan slit. Presipitasi terbentuk melalui
tabrakan antara butir air atau kristal es dengan awan. Hujan memerlukan
keberadaan lapisan atmosfer tebal agar dapat menemui suhu di atas titik leleh es
di dekat dan di atas permukaan bumi. Di bumi, hujan adalah proses kondensasi
uap air di atmosfer menjadi butir air yang cukup berat untuk jatuh dan biasanya
tiba di daratan. Butir hujan memiliki ukuran yang beragam mulai dari pepat, butir
besar, hingga butir kecil. Dua proses yang mungkin terjadi bersamaan dapat
mendorong udara semakin jenuh menjelang hujan, yaitu pendinginan udara atau
penambahan uap air ke udara yang biasa disebut virga. Virga adalah presipitasi
Curah hujan dapat diartikan sebagai ketinggian air yang terkumpul dalam
tempat yang datar, tidak menguap, tidak meresap dan tidak mengalir. Untuk
mengukur curah hujan, digunakan alat yang disebut observatorium dan umumnya
curah hujan dinyatakan dalam milimeter. Curah hujan satu milimeter artinya pada
luasan satu meter persegi dalam tempat yang datar tertampung air setinggi satu
7
Menurut informasi yang diperoleh dari Badan Meteorologi Klimatologi
Jika terdapat suatu distribusi yang bergantung pada bilangan bulat positif
n, maka fungsi distribusi F dari distribusi tersebut juga bergantung pada n. Oleh
karena itu, fungsi distribusi tersebut dituliskan dengan Fn dan fungsi kepadatan
Apabila kita dihadapkan pada suatu barisan peubah acak X1, ... , Xn yang
Definisi 1. Misalkan fungsi distribusi Fn(x) dari peubah acak Xn bergantung pada
8
Jika terdapat barisan peubah acak X1, X2, X3, . . . yang konvergen dalam distribusi
limn Fn ( x) F ( x)
pada semua nilai x dimana F(x) kontinu, maka dapat dinyatakan F1 , . . . , Fn juga
disimpulkan bahwa Xn adalah barisan X1, X2, X3, . . . yang memiliki fungsi batas
distribusi F(x).
Extreme Value Theory (EVT) atau teori nilai ekstrim adalah teori
sangat kecil [3]. Karena pada umumnya nilai ekstrim hanya terjadi sewaktu-
waktu. Perilaku nilai ekstrim pada suatu distribusi meyebabkan data berekor. Ekor
dari distribusi tersebut turun melambat karena adanya nilai ekstrim dengan
frekuensi rendah. EVT merupakan salah satu metode statistika yang mempelajari
perilaku ekor distribusi tersebut. Studi tentang EVT umunya diterapkan dalam
berbagai disiplin ilmu antara lain hidrologi dan klimatologi. Selanjutnya terus
EVT diawali dengan pengambilan sampel melalui dua metode yaitu Block
Maxima dan Peaks Over Threshold (POT). Kedua metode ini menentukan
mendatang[4].
9
Dalam metode Block Maxima, data dibagi dalam blok-blok berdasarkan
periode yang telah ditentukan. Penentuan jangka waktu dalam blok tersebut harus
peneliti dengan melihat jumlah data, keadaan data serta seberapa representatif
blok tersebut terhadap sampel yang diambil nantinya. Kemudian untuk setiap blok
ini ditentukan nilai yang paling maksimal. Kumpulan nilai tersebut akan
Peaks Over Threshold (POT) adalah metode EVT yang dalam mengidentifikasi
nilai ekstrim menggunakan patokan atau disebut threshold (u). Data yang
yang akan terbentuk dari kumpulan nilai ekstrim melalui metode POT adalah
Gambar 2.1 Block Maxima (sisi kiri) dan Peaks Over Threshold (sisi kanan)
Pada gambar 2.1 di sisi kiri, pengamatan x2, x5, x7 dan x11 menunjukan
10
dengan setiap periode terdapat tiga pengamatan. Sedangkan di sisi kanan,
M n maks{ X 1 , X 2 ,..., X n }
dimana X 1 ,..., X n adalah barisan peubah acak Xi saling bebas dengan i 1,..., n .
Xi menyatakan nilai-nilai dari hasil pengamatan dalam jangka waktu yang teratur
dan memiliki fungsi distribusi F. Maka Mn adalah nilai maksimum dalam n unit
Mn * = M n bn ,
an
11
pada barisan konstan { a n 0 } dan {bn}. Sehingga diperoleh distribusi
Teorema Fundamental Nilai Ekstrim (Fisher and Tippett (1928), Gnedenko (1943))
( M bn )
Pr n x F ( x ), n
an
x b
I: F(x) = exp exp , x
a
⎧ 0, x b
⎪
II : F(x) = x b
⎨ exp , x b
⎪ a
⎩
⎧ x b
⎪ exp , x b
III : F(x) = a
⎨
⎪ 1, x b
⎩
(2.2)
12
I, II atau III. Sehingga berdasarkan definisi-1, Mn* memiliki limit distribusi dari
atau distribusi nilai ekstrim yaitu tipe I adalah distribusi Gumbel, tipe II adalah
distribusi Frechet dan tipe III adalah distribusi Weibull. Setiap tipe distribusi
oleh b dan a , sedangkan pada Frechet dan Weibull memiliki parameter tambahan
Analisa yang lebih baik disajikan oleh model hasil reformulasi teorema
fundamental nilai ekstrim. Pada model ini dapat dilakukan pengecekan keluarga
1/
⎧ x
⎪ exp 1 0
F (x) = (2.3)
⎨ x
⎪ exp exp 0
⎩
Keterangan :
13
Distribusi GEV dapat menetukan keluarga distribusi dari data yang diolah,
Bentuk dari fungsi kepadatan peluang distribusi GEV dapat dinyatakan sebagai
berikut :
1
1
⎧ 1 x 1 1
x
⎪e 1 , 0
f (x ) = (2.4)
⎨ x
x
1
⎪ e e
e , 0
⎩
14
Gambar 2.1 yang diambil dari [10] dengan absis adalah Mn* dan ordinat
adalah pdf, menunjukan untuk nilai parameter bentuk yang semakin besar maka
akan semakin lambat penurunan ekor distribusinya menuju nilai nol, yang berarti
probabilitas terjadinya nilai ekstrim akan semakin besar. Sehingga terlihat bahwa
ekstrim paling besar dari kedua distribusi lain, lalu distribusi Gumbel dan terakhir
distribusi Weibull.
Moments dan Maximum Likelihood. Pada penelitian ini, estimasi parameter yang
15
r adalah momen untuk mengestimasi parameter GEV. r akan memiliki orde
sebanyak jumlah parameter yang akan diestimasi [12]. Maka momen akan
memiliki tiga orde yaitu r = 0, 1, 2. Menurut [7] PWM akan menjadi lebih mudah
(2.6). Peubah acak X pada rumusan tersebut digantikan dengan invers fungsi
distribusinya x(F),
1
r {x ( F )}F r dF (2.6)
0
Keterangan :
r = Momen ke – r
Dengan x( F )
1 ( log F ) maka penyelesaian persamaan (2.6) oleh [8]
1
r 1 ( log F ) F r dF
0
1 u e ( r 1) u
du dengan u=-log F
0
( r 1)u ( r 1) u
e du u e du
0 0
16
1 !
r 1
r 11
(r 1)
1 1
r 1 r 1 (1 ) , 1
1
r 1 1 (r 1) (1 )
r (r 1) 1 1 (r 1) (1 ) 1 dan r 0,1,2,...
(2.7)
Dengan fungsi gamma yang digunakan adalah hasil pendekatan dari [11] yaitu
z
2 z 1 1
( z ) .
z e z sinh z 810 z 6
Menurut Landwehr et.al pada [9], estimasi unbiased r dari sampel acak
n
( j 1)( j 2)...( j r )
br n 1 xj , j 1,2,... (2.8)
j 1 ( n 1)( n 2)...(n r )
Sehingga
1 n 1 n j 1 1 n ( j 1)( j 2)
b0 j 1 n
n j 1
x , b
j 1 n 1
x j , b2
n j 1 (n 1)(n 2)
xj
17
Dengan b0 adalah PWM ke-0 atau moment pertama, b1 adalah PWM ke-1
atau moment kedua dan b 2 adalah PWM ke-2 atau moment ketiga. Melalui
0 {1 (1 )},
(2.9)
2 1 0 (1 )(1 2 )
(2.10)
(3 2 0 ) (1 3 )
(2 1 0 ) (1 2 ) (2.11)
Estimator , , adalah solusi bagi parameter , , karena penggunaan br
sebagai estimator r . Estimator dapat diperoleh menggunakan persamaan
(1 3 )
metode iteratif, akan tetapi karena fungsi hampir linier pada nilai
(1 2 )
1 1
maka diperoleh estimator yang mendekati hasil metode iteratif
2 2
2b1 b0 ln( 2)
tersebut. Dengan c estimator tersebut adalah sebagai berikut
3b2 b0 ln( 3)
7,8590 c 2,9554 c 2 (2.12)
Untuk estimator dapat diperoleh melalui persamaan (2.10), maka
(2b1 b0 )
(2.13)
{(1 )(1 2 )}
18
Sedangkan estimator diperoleh melalui persamaan (2.9) sehingga
b0 (1 ) 1 (2.14)
selama periode tertentu dengan tidak tumpang tindih dan mempunyai panjang
1
waktu yang sama, maka return level R nk F 1 (1 ) adalah nilai yang diduga
k
⎧ [1 { log(1 1 )} ], 0
⎪ k
R nk = (2.15)
⎨ 1
⎪ log[ log(1 )], 0
⎩ k
Keterangan :
19
BAB 3
METODOLOGI PENELITIAN
Data yang digunakan penulis dalam penelitian ini adalah data sekunder,
yaitu data intensitas curah hujan pada Stasiun Klimatologi Semarang dari periode
2001 sampai 2012. Data diperoleh dari kantor Balai Besar Badan Meteorologi
Klimatologi dan Geofisika (BMKG) Batas Wilayah II, Jl. Kp. Bulak Raya No.5
Cempaka Putih, Ciputat, Kota Tangerang Selatan. Data curah hujan tersebut
merupakan hasil pengukuran harian dengan satuan curah hujan yaitu mm/hari.
Jika tidak terjadi curah hujan maka BMKG menyatakan intensitasnya 0 mm/hari.
sebagai berikut.
Maxima, yaitu dengan cara mengambil satu nilai tertinggi dalam suatu
20
block yang telah ditentukan. Prosedur yang dilakukan untuk memperoleh
majunya periode return level yang akan dihitung dan sebagai data
ekstrim.
(2.5).
persamaan (2.7).
21
4. Pemeriksaan distribusi dengan Q-Q plot pada umumnya mudah dilakukan
karena hanya melihat pola sebaran nilai-nilai ekstrim yang mendekati pola
diagonal. Menurut [7] jika Q-Q plot mendekati pola diagonal, maka
x1 x2 ... xn .
i
b. Untuk setiap xi , hitung nilai pi = dengan i = 1, 2, . . . , n.
n 1
⎧
⎪ [1 { log( p i )} ] , 0
1
F ( pi ) = (3.1)
⎨
⎪ log[ log( pi )], 0
⎩
analisa return level. Periode yang nantinya terpilih adalah periode dengan
22
curah hujan ekstrim mendatang akan sesuai dengan aktualnya. Rumusan
2
n At Ft
t 1
At
RMSPE 100%
n (3.2)
Keterangan :
hasil RMSPE tiap periode. Periode dengan RMSPE terkecil dipilih sebagai
plot dan jika dinyatakan sesuai maka dilakukan perhitungan return level
23
3.3. Alur Penelitian
Pendeskripsian Data
Gambar 4.1 menunjukan intensitas curah hujan Kota Semarang tahun 2001
sampai 2012 dengan absis menjelaskan nilai curah hujan harian Kota Semarang,
sedangkan ordinat menjelaskan frekuensi dari nilai absis. Nilai 0 pada absis
memiliki artian curah hujan yang turun sebesar 0 mm dalam satu hari begitu juga
nilai lainnya.
3000
2500
2000
1500
1000
500
0
0 20 40 60 80 100 120 140
frekuensi yang paling besar yaitu melebihi sebagian pengamatan yaitu lebih dari
2500 hari dari keseluruhan 4380 hari pengamatan. Ini menunjukan bahwa
sebagian besar hari dalam 12 tahun pengamatan, hujan yang turun sangatlah
25
ringan atau tidak terjadi hujan. Sedangkan curah hujan yang tergolong sangat
lebat melebihi 100 mm/hari memiliki frekuensi yang sangat rendah sehingga tidak
terlihat pada gambar. Pada tabel 4.1 memperlihatkan kisaran curah hujan sangat
lebat antara tahun 2001-2012 yang beberapa nilainya tidak terlihat pada
histogram.
lebat yaitu lebih dari 100 mm/hari. Pengamatan tersebut tidak terlihat pada
gambar dikarenakan skala frekuensi yang cukup besar sehingga untuk nilai curah
terlihat dari adanya nilai-nilai ekstrim dengan frekuensi rendah sehingga bentuk
26
4.2. Pengambilan Sampel
27
Tabel 4.5 Jumlah sampel untuk return level 5 bulan ke depan
harus diestimasi untuk memperoleh nilai return level yaitu parameter bentuk ,
28
Tabel 4.7 Nilai estimasi parameter untuk periode 2 bulan ke depan
sampai 38 yang berarti titik pemusatan intensitas curah hujan ekstrim Kota
Semarang periode Januari 2001 sampai Oktober 2010 terletak pada kisaran
keragaman terbesar terjadi pada periode analisis Januari 2001 sampai April 2010
yaitu sebesar 31,03. Parameter bentuk terus mengalami kenaikan pada periode
analisis bulan Januari 2001 sampai April 2010, hal tersebut diduga karena setiap
pertambahan periode analisa, sampel yang masuk memiliki intensitas curah hujan
yang besar. Dengan perkataan lain, pada periode tersebut terjadi curah hujan
29
Dari hasil estimasi diperoleh letak titik pemusatan curah hujan ekstrim
curah hujan ekstrim yang masih berkisar 29 sampai 31. Sedangkan parameter
bentuk memiliki nilai tertinggi yang sama pada periode peramalan sebelumnya
yaitu Januari 2001 sampai Juni 2010 sebesar 0,1596. Hal tersebut diduga karena
setiap pertambahan periode analisa, sampel yang masuk memiliki intensitas curah
hujan yang besar. Dengan perkataan lain, pada periode Januari 2010 sampai Juni
2010 terjadi curah hujan dengan nilai-nilai yang lebih ekstrim dari periode
setelahnya.
Letak titik pemusatan curah hujan eksrim pada periode ini masih berkisar
pada periode analisa bulan Januari 2001 sampai Agustus 2010, hal tersebut diduga
intensitas curah hujan yang besar. Dengan perkataan lain, pada periode Januari
2010 sampai Agustus 2010 terjadi curah hujan dengan nilai-nilai yang lebih
30
Tabel 4.10 Nilai estimasi parameter untuk periode 5 bulan ke depan
Hasil estimasi parameter lokasi masih berkisar pada intensitas curah hujan
dari 31. Nilai parameter bentuk periode Januari 2001 sampai Mei 2010 adalah
sampai pertengahan tahun 2012, akan tetapi hasil estimasi parameter lokasi masih
tetap berada pada 36 sampai 38, yang berarti intensitas curah hujan dari sampel
ekstrim Kota Semarang tahun 2001 sampai 2012 didominasi oleh kisaran hujan
31
kembali naik pada kisaran 29 sampai 31. Parameter bentuk tertinggi pada periode
ini memiliki nilai yang sama pada periode ramalan 2 dan 3 bulan ke depan yaitu
demikian intensitas curah hujan Kota Semarang periode Januari 2001 sampai
sesuai dengan distribusi GEV. jika kebanyakan pasangan dari titik koordinat
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Jan 2001 - Des 2009 Jan 2001 - Feb 2010 Jan 2001 – Apr 2010
160 160 160
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Jan 2001 – Jun 2010 Jan 2001 – Ags 2010 Jan 2010 – Des 2010
32
160 150 160
120 120
100
80 80
50
40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140 160
Jan 2001 - Des 2009 Jan 2001 - Mar 2010 Jan 2001 – Jun 2010
160 160 160
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Jan 2001 – Sep 2010 Jan 2001 – Des 2011 Jan 2001 – Mar 2012
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Jan 2001 - Des 2009 Jan 2001 – Apr 2010 Jan 2001 – Ags 2010
160 150 160
125
120 120
100
80 75 80
50
40 40
25
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Jan 2001 – Des 2010 Jan 2001 – Apr 2011 Jan 2001 – Ags 2011
33
160 160 160
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Jan 2001 - Des 2009 Jan 2001 – Mei 2010 Jan 2001 – Okt 2010
160 160 160
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 180
Jan 2001 - Mar 2011 Jan 2001 – Ags 2011 Jan 2001 – Jan 2012
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Jan 2001 - Des 2009 Jan 2001 - Jun 2010 Jan 2001 – Des 2010
160 160 160
80 80 80
40 40 40
0 0 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 180
Jan 2001 – Jun 2011 Jan 2001 – Des 2011 Jan 2001 – Jun 2012
Gambar 4.2 sampai 4.6 menunjukan hasil Q-Q Plot yang tidak jauh
berbeda pada setiap periode analisa. Semua pasangan titiknya masih berada di
sekitar garis diagonal dan terlihat bahwa kebanyakan pasangan titik tersebut
34
mendekati pola diagonal, berdasarkan hal tersebut maka sebaran data dinyatakan
berdistribusi GEV.
Mean Square Percentage Error (RMSPE). Periode return level dengan nilai
RMSPE terkecil akan dijadikan periode peramalan mendatang. Tabel 4.11 sampai
4.15 memperlihatkan hasil retun level untuk setiap periode 2, 3, 4, 5 dan 6 bulan
ke depan.
Tabel 4.12 Hasil return level dan RMSPE periode 2 bulan ke depan
35
Tabel 4.13 Hasil return level dan RMSPE periode 3 bulan ke depan
Tabel 4.14 Hasil return level dan RMSPE periode 4 bulan ke depan
Tabel 4.15 Hasil return level dan RMSPE periode 5 bulan ke depan
36
Tabel 4.11 Hasil return level dan RMSPE periode 6 bulan ke depan
terlihat terdapat 2 periode peramalan yang memiliki kesalahan relatif lebih besar
dari 100%, yaitu return level 4 bulan mendatang pada periode peramalan Mei
2011 sampai Agustus 2011 memiliki kesalahan relatif terbesar yaitu sebesar
139,12% dan return level 5 bulan mendatang pada april 2011 sampai dengan
nilai dugaan curah hujan jauh di atas nilai aktual sehingga terjadi kesalahan relatif
yang besar. Akan tetapi periode peramalan lainnya pada return level 5 bulan
kedepan memiliki kesalahan relatif yang lebih kecil sehingga hasil RMSPE return
level 5 bulan ke depan sebesar 47,87% lebih kecil dibanding RMSPE return level
Berdasarkan nilai RMSPE yang telah diperoleh pada periode return level
level terbaik adalah periode 6 bulan ke depan dengan nilai RMSPE terkecil yaitu
37
24,70%, sehingga periode return level 6 bulan ke depan dipilih untuk menduga
untuk memperoleh dugaan curah hujan ekstrim ke depannya adalah periode enam
bulan kedepan. Pengambilan sampel pada subbab 4.2 dilanjutkan sampai tahun
2012 sehingga diperoleh jumlah sampel curah hujan sebanyak 144 sampel.
persamaan (2.12), (2.13) dan (2,14) yaitu parameter bentuk ( ) sebesar 0,1326 ,
parameter distribusi GEV telah diperoleh maka keseuaian sebaran data terhadap
distribusi GEV dapat diketahui melalui Q-Q plot, berikut adalah hasil plotnya.
160
120
80
40
38
Dari hasil Q-Q Plot terlihat kebanyakan pasangan titik koordinat
GEV. Setelah sampel memenuhi kesesuaian distribusi maka besarnya return level
sebagai nilai dugaan curah hujan ekstrim untuk enam bulan ke depan yaitu bulan
Januari 2013 sampai bulan Juni 2013 dapat dihitung dengan cara berikut.
30,9311 1
R 6 37,7696 [1 { log(1 )}0 ,1326 ] 104,3868
0,1326 6
Hasil yang diperoleh sebesar 104,39. Hasil ini memiliki artian bahwa
curah hujan paling ekstrim yang diduga akan terjadi satu kali antara periode
39
BAB V
5.1. Kesimpulan
ekstrim dengan frekuensi rendah. Distribusi GEV akan terbentuk pada suatu
pengaplikasian distribusi GEV, dugaan terhadap nilai ekstrim yang akan terjadi
dapat diketahui lebih awal dengan bermodalkan kumpulan data sebelumnya. Dari
hasil pengaplikasian tersebut akan diketahui seberapa besar nilai ekstrim yang
akan terjadi pada periode mendatang, sehingga dapat dilakukan antisipasi dengan
tujuan menghindari kerugian yang mungkin jauh lebih besar jika tidak diketahui
sebelumnya.
parameter bentuk bernilai positif. Hal ini menunjukan bahwa data curah hujan
Kota Semarang tahun 2001 sampai 2012 berdistribusi Frechet. Parameter lokasi
pada periode analisa memiliki kisaran nilai 36 sampai 38 yang berarti letak titik
pemusatan intensitas curah hujan tahun 2001 sampai 2012 berkisar 36 mm/hari
31 yang berarti keragaman intensitas curah hujan tahun 2001 sampai 2012
40
Nilai RMSPE terkecil diperoleh pada return level 6 bulan kedepan yaitu
sebesar 24,7%. Sehingga periode terbaik untuk melakukan dugaan curah hujan
ekstrim adalah 6 bulan kedepan maka diperoleh hasil bahwa curah hujan akan
mencapai 104,39 mm/hari sebanyak satu kali dalam periode Januari 2013 sampai
Juni 2013. Curah hujan ini termasuk kriteria hujan lebat, sehingga warga Kota
Semarang dan pihak terkait dapat mewaspadai lebih awal dan mengantisipasinya
5.2. Saran
dilakukan dengan penerapan distribusi GEV dan GPD sekaligus, agar hasil
validasi dapat dibandingkan sehingga nantinya diperoleh model terbaik serta hasil
peramalan yang lebih akurat. Distribusi GEV juga dapat diaplikasikan pada
variabel sejenis lainnya, terutama pada data yang memiliki nilai ekstrim pada
dan GPD dengan metode estimasi paratemer lain diantaranya estimasi hill,
41
DAFTAR PUSTAKA
[1] Nasrullah. Perubahan Iklim dan Trend Data Iklim. Bidang Informasi
[2] BPS & BAPPEDA Kota Semarang. Semarang Dalam Angka 2011.
Semarang, 2011.
[3] Alves, Isabel Fraga & Neves, Claudia. Extreme Value Distribution.
[5] Anonim. wikipedia.org . Hujan adalah. Diunduh pada 12 Mei 2013 pukul
22.16.
FAME. 2006
1985.
[9] Landwehr, J. M., Matalas, N.C., and Wallis, J. R. Probability Weighted
Research, 1979.
[10] Hor, Chinglai et al. Assessing Load Forecast Uncertainty using Extreme
Function. 2006.
Engineering, 2001
[14] Sodiq, Jaffarus dkk. Pengukuran Risiko pada Klaim Asuransi X dengan