PERAMALAN CURAH HUJAN EKSTRIM MENGGUNAKAN

DISTRIBUSI GENERALIZED EXTREME VALUE

(Studi Kasus : Intensitas Curah Hujan Kota Semarang Tahun 2001-2012)

NIAH

UNIVERSITAS ISLAM NEGERI

SYARIF HIDAYATULLAH JAKARTA

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2013 M / 1434 H
 PERAMALAN CURAH HUJAN EKSTRIM MENGGUNAKAN

DISTRIBUSI GENERALIZED EXTREME VALUE

(Studi Kasus : Intensitas Curah Hujan Kota Semarang Tahun 2001-2012)

SKRIPSI

Diajukan Kepada

Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta

Untuk Memenuhi Salah Satu Persyaratan Dalam

Memperoleh Gelar Sarjana Sains

Fakultas Sains Dan Teknologi

Oleh:

Niah

109094000024

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2013
 PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR -

BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN

SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI

ATAU LEMBAGA MANAPUN

Jakarta, 21 Juni 2013

Niah
109094000024
 PERSEMBAHAN

Seuntai bukti bakti nan bisu, untukmu ayah & ibu-ku

MOTTO

waktu adalah emas

Waktu tidak dapat maju maupun mundur sesuai kemauan

anda, waktu tidak dapat diulang maupun dipercepat

sesuai kebutuhan anda. Maka waktu menjadi “emas”,

bagi anda yang memanfaatkannya.

 ABSTRAK

Niah, Peramalan Curah Hujan Ekstrim Menggunakan Distribusi Generalized Extreme

Value. Di bawah bimbingan Nina Fitriyati, M.Kom dan Yanne Irene, M.Si.

Curah hujan merupakan parameter iklim yang dianggap paling mempengaruhi

pola kehidupan manusia. Dalam intensitas maksimum, curah hujan menjadi suatu
bencana yang memberikan banyak kerugian. Sehingga diperlukan suatu antisispasi
untuk meminimalisir berbagai kerugian tersebut. Antisipasi awal yang dapat dilakukan
adalah melakukan peramalan curah hujan ekstrim. Penelitian ini menjelaskan salah satu
metode statistika yang berkaitan dengan nilai-nilai ekstrim yaitu Extreme Value Theory
(EVT). EVT diterapkan melalui pengambilan sampel dengan Block Maxima sehingga
hasil distribusi yang terbentuk adalah Distribusi Generalized Extreme Value (GEV).
Melalui GEV, nilai dugaan curah hujan ekstrim diperoleh menggunakan return level.
Hasil penelitian ini memberikan informasi intensitas curah hujan ekstrim yang akan
terjadi pada periode Januari 2013 sampai Juni 2013.

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.

Keywords: Extreme Rainfall, Forecasting, Extreme Value Theory (EVT),

Generalized Extreme Value (GEV) Distribution, Probability Weighted
Moments (PWM), Return Level.
 KATA PENGANTAR

Bismillahirrohmanirrohim

Puji dan syukur kehadirat Allah SWT karena limpahan nikmatnya

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

menyusun penelitian yang berjudul “Peramalan Curah Hujan Ekstrim

Menggunakan Distribusi Generalized Extreme Value”.

Dalam proses pelaksanaan sampai penyelesaian penelitian ini, banyak

kesulitan yang mengiringi langkah penulis. Alhamdulillah, hal itu terlewati karena

mereka yang dengan ketulusan hati membantu. Untuk itu, tiada ragu rasa terima

kasih ini terucap kepada mereka :

1. Ayah, Ibu, Cholis dan Keluarga Besar, you raised me up with so much

love and prayers, i really thank you.

2. Ibu Nina Fitriyati M.Kom dan Ibu Yanne Irene M.Si selaku pembimbing

yang senantiasa memberikan arahan dan saran-saran dalam penyelesaian

penelitian ini.

3. Ibu Suma’inna M.Si dan Ibu Irma Fauziah, M.Sc selaku penguji yang

memberikan koreksi membangun untuk penelitian ini.

4. BMKG Batas Wilayah 2 yang telah bersedia datanya untuk diolah.

5. Margareta Maya Putri, Sari Dwi Septiyani, Naily Hidayati, Catur Candra

Wishnu, you all best 

 6. Ifthah Afiffah, Poppy Rachmayanti, Mutia Nurfadillah dan Syifa Aulia,

dan teman-teman matematika 2009 terima kasih untuk segala bantuan

sebelum penelitian sampai waktu sidang berlangsung, terima kasih banyak

teman-teman dan Kurnia Wanto terima kasih untuk belajar barengnya.

7. Lia Puji Astuti yang menjadi teman petualang pencari data keliling

Jakarta, terima kasih mba lia.

8. Siti Soffah yang menjadi teman membuat skripsi bersama dan membantu

kelancaran hasil skripsi ini.

9. Firly Octavianti yang menemani menunggu data seharian di BMKG,

terima kasih firly.

10. Seluruh Dosen pengajar Prodi Matematika, terima kasih atas semua ilmu

yang telah diberikan yang secara tidak langsung saya gunakan dalam

memahami materi penelitian ini, terima kasih.

Penulis berharap agar pembahasan dalam penelitian ini dapat memberikan

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

penelitian ini lebih baik lagi.

Jakarta, Juni 2013

Penulis
 DAFTAR ISI

HALAMAN JUDUL..............................................................................................ii

PENGESAHAN UJIAN.......................................................................................iii

PERNYATAAN.....................................................................................................iv

PERSEMBAHAN DAN MOTTO........................................................................v

ABSTRAK.............................................................................................................vi

ABSCTRACT.......................................................................................................vii

KATA PENGANTAR.........................................................................................viii

DAFTAR ISI...........................................................................................................x

DAFTAR TABEL................................................................................................xii

DAFTAR GAMBAR...........................................................................................xiii

BAB I. PENDAHULUAN .....................................................................................1

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

BAB II. TUJUAN PUSTAKA...............................................................................7

2.1.Curah Hujan...........................................................................................7
 2.2.Teori Pengantar Extreme Value Theory.................................................8

2.3.Extreme Value Theory (EVT)................................................................9

2.4. Distribusi Generalized Extreme Value (GEV)....................................11

2.5.Estimasi Probability Weighted Moments (PWM)................................15

2.6.Return Level.........................................................................................19

BAB III. METODOLOGI PENELITIAN.........................................................20

3.1.Data dan Sumber Data.........................................................................20

3.2.Metode Pengolahan Data.....................................................................20

3.3.Alur Penelitian.....................................................................................24

BAB IV. HASIL DAN PEMBAHASAN.............................................................25

4.1.Deskriptif Data.....................................................................................25

4.2.Pengambilan Sampel............................................................................27

4.3.Estimasi Parameter GEV......................................................................28

4.4.Pemeriksaan Kesesuaian Distribusi.....................................................32

4.5.Penentuan Return Level Terbaik..........................................................35

4.6.Pendugaan Intensitas Curah Hujan Maksimum...................................38

BAB V. KESIMPULAN DAN SARAN.............................................................40

5.1.Kesimpulan..........................................................................................40

5.2.Saran.....................................................................................................41

REFERENSI ........................................................................................................42
 DAFTAR TABEL

Tabel 2.1. Kriteria Intensitas Curah Hujan di Indonesia........................................8

Tabel 4.1. Kisaran curah hujan Kota Semarang 2001-2012 ................................22

Tabel 4.2. Jumlah sampel untuk return level 2 bulan ke depan............................27

Tabel 4.3. Jumlah sampel untuk return level 3 bulan ke depan.........................27

Tabel 4.4. Jumlah sampel untuk return level 4 bulan ke depan............................27

Tabel 4.5. Jumlah sampel untuk return level 5 bulan ke depan............................28

Tabel 4.6. Jumlah sampel untuk return level 6 bulan ke depan............................28

Tabel 4.7. Nilai estimasi parameter periode 2 bulan ke depan..............................29

Tabel 4.8. Nilai estimasi parameter periode 3 bulan ke depan .............................29

Tabel 4.9. Nilai estimasi parameter periode 4 bulan ke depan .............................30

Tabel 4.10. Nilai estimasi parameter periode 5 bulan ke depan ...........................31

Tabel 4.11. Nilai estimasi parameter periode 6 bulan ke depan ...........................31

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

Gambar 2.1. Block Maxima dan Peaks Over Threshold....................................10

Gambar 2.2. Plot fungsi kepadatan peluang distribusi GEV................................14

Gambar 4.1. Histogram Intensitas Curah Hujan...............................................25

Gambar 4.2. Q-Q Plot untuk periode 2 bulan kedepan .......................................32

Gambar 4.3. Q-Q Plot untuk periode 3 bulan kedepan .......................................33

Gambar 4.4. Q-Q Plot untuk periode 4 bulan kedepan .......................................33

Gambar 4.5. Q-Q Plot untuk periode 5 bulan kedepan .......................................34

Gambar 4.6. Q-Q Plot untuk periode 6 bulan kedepan .......................................34

Gambar 4.6. Q-Q Plot untuk periode 6 bulan kedepan .......................................34

Gambar 4.7. Q-Q Plot Jan 2001-Des2012 periode 6 bulan kedepan...................38

 BAB 1

PENDAHULUAN

1.1. Latar Belakang

Banjir merupakan salah satu bencana alam yang sudah mulai akrab dengan

Indonesia. Secara umum, banyak faktor penyebab terjadinya banjir di antaranya,

kurangnya tempat resapan air, tersumbatnya gorong-gorong aliran air oleh

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

merupakan satu-satunya faktor yang tidak dapat dikendalikan oleh manusia.

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

sangat dibutuhkan untuk menunjang pembangunan diberbagai bidang di antaranya

mengoptimalkan produktivitas teknologi dan industri yang erat kaitannya dengan

curah hujan, mengantisipasi dampak curah hujan dan merencanakan pertanian

dengan tepat.

Mayoritas pencari nafkah dengan bercocok tanam menjadikan hujan

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

memiliki pengaruh kuat terhadap pola kehidupan manusia.

Kota Semarang adalah salah satu kota yang merubah arah sektor pertanian

tanaman pangannya dari tanaman padi menjadi tanaman holtikultura. Tanaman

holtikultura yang diproduksi di antaranya sayuran kacang panjang, cabai, terung,

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

sektor-sektor tersebut memerlukan antisispasi yang mungkin dapat mengurangi

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

semakin berkembang diharapkan dapat membantu meminimalisir kerugian.

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

besar. Metode statistika yang dikembangkan berkaitan dengan identifikasi

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.

Pengambilan sampel dengan EVT dapat dilakukan dengan metode Block

Maxima dan Peaks Over Threshold (POT). Kedua metode ini akan memberikan

hasil distribusi yang berbeda yaitu metode Block Maxima akan menghasilkan

distribusi Generalized Extreme Value (GEV) sedangkan metode POT akan

menghasilkan Generalized Pareto Distribution (GPD), sehingga penerapan

identifikasinya akan berbeda. Identifikasi curah hujan ekstrim di Kota Semarang

diharapkan dapat memberikan informasi pada pihak terkait yaitu warga serta

pemerintah kota agar dapat melakukan antisipasi untuk meminimalisir kerugian

yang akan terjadi.

3
 Peramalan intensitas curah hujan ekstrim menggunakan GPD melakukan

pengambilan sampel melalui penentuan threshold, sedangkan peramalan intensitas

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

ditentukan berdasarkan mingguan, dasarian (persepuluh hari), bulanan, kuartalan

ataupun tahunan.

1.2. Perumusan Masalah

Berdasarkan latar belakang di atas, maka permasalahan yang dibahas pada

penelitian ini adalah :

1. Bagaimana penerapan Distribusi Generalized Extreme Value (GEV)

dalam meramalkan intensitas curah hujan ekstrem?

2. Bagaimana estimasi parameter dari Distribusi Generalized Extreme Value

Distribution (GEV) dengan metode Probability Weighted Moments

(PWM)?

3. Bagaimana intensitas curah hujan ekstrim periode mendatang di Kota

Semarang?

4
1.3. Pembatasan Masalah

Dalam tugas akhir ini masalah dibatasi tentang menerapkan Generalized

Extreme Value Distribution (GEVD) dalam mengestimasi intensitas curah hujan

ekstrim periode mendatang. Metode yang digunakan adalah Extreme Value

Theory dengan pengambilan sampel menggunakan metode Block Maxima

sehingga sampel berdistribusi Generalized Extreme Value Distribution (GEVD).

Sedangkan nilai parameter diperoleh dengan estimasi Probability Weighted

Moments.

1.4. Tujuan penenlitian

Tujuan yang ingin dicapai penulis dari penenlitian ini adalah :

1. Untuk mengetahui secara terperinci tentang menerapkan distribusi

Generalized Extreme Value (GEV) dalam meramalkan intensitas curah

hujan ekstrim.

2. Untuk mengetahui estimasi parameter dari distribusi Generalized Extreme

Value Distribution (GEV) dengan metode Probability Weighted Moments

(PWM).

3. Untuk mengetahui intensitas curah hujan ekstrim periode mendatang di

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

referensi seputar identifikasi nilai ekstrim periode mendatang.

b. Memberikan informasi penerapan distribusi Generalized Extreme Value

Distribution (GEV) dalam mengidentifikasi nilai ekstrim.

c. Memberikan informasi bagi pihak yang bersangkutan khususnya warga

dan Pemerintah Kota Semarang tentang terjadinya curah hujan ekstrim.

6
 BAB 2

TINJAUAN PUSTAKA

2.1. Curah Hujan

Hujan adalah sebuah presipitasi berwujud cairan, berbeda dengan

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

yang jatuh ke bumi namun menguap sebelum mencapai daratan [5].

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

milimeter atau tertampung air sebanyak satu liter [4].

7
 Menurut informasi yang diperoleh dari Badan Meteorologi Klimatologi

dan Geofosika (BMKG), kriteria intensitas curah hujan harian di wilayah

Indonesia adalah sebagai berikut.

Tabel 2.1 Kriteria Intensitas Curah Hujan di Indonesia

Kriteria Hujan Intensitas Curah Hujan

Ringan 5-20 (mm/hari)
Normal > 20-50 (mm/hari)
Lebat > 50-100 (mm/hari)
Sangat Lebat >100 (mm/hari)

2.2. Teori Pengantar Extreme Value Theory (EVT)

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

peluang dituliskan dengan fn.

Apabila kita dihadapkan pada suatu barisan peubah acak X1, ... , Xn yang

bergantung pada n, maka menurut [11] kekonvergenan dalam distribusi dari

barisan peubah acak tersebut didefinisikan sebagai berikut.

Definisi 1. Misalkan fungsi distribusi Fn(x) dari peubah acak Xn bergantung pada

n, n=1,2,3,... Jika F(x) adalah sebuah fungsi distribusi dan jika

limn Fn ( x)  F ( x) untuk setiap titik x, dimana F(x) kontinu, maka barisan

peubah acak X1, X2 , . . . , konvergen dalam distribusi ke peubah acak dengan

fungsi distribusi F(x).

8
Jika terdapat barisan peubah acak X1, X2, X3, . . . yang konvergen dalam distribusi

ke peubah acak X yang memiliki fungsi distribusi F(x) dengan

limn Fn ( x)  F ( x)

pada semua nilai x dimana F(x) kontinu, maka dapat dinyatakan F1 , . . . , Fn juga

konvergen dalam distribusi ke fungsi distribusi F(x). Dengan demikian dapat

disimpulkan bahwa Xn adalah barisan X1, X2, X3, . . . yang memiliki fungsi batas

distribusi F(x).

2.3. Extreme Value Theory (EVT)

Extreme Value Theory (EVT) atau teori nilai ekstrim adalah teori

memodelkan dan mengukur suatu kejadian, dimana probabilitas kejadian tersebut

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

berkembang dan digunakan di bidang keuangan. Identifikasi nilai ekstrim dengan

EVT diawali dengan pengambilan sampel melalui dua metode yaitu Block

Maxima dan Peaks Over Threshold (POT). Kedua metode ini menentukan

distribusi yang akan diterapkan pada pendugaan nilai ekstrim periode

mendatang[4].

9
 Dalam metode Block Maxima, data dibagi dalam blok-blok berdasarkan

periode yang telah ditentukan. Penentuan jangka waktu dalam blok tersebut harus

diperhitungkan sebaik mungkin agar tidak menghilangkan informasi dari data

sebenarnya. Blok yang biasanya digunakan yaitu mingguan, bulanan, triwulan,

semesteran atau tahun. Penentuan blok dapat dipertimbangkan langsung oleh

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

membentuk distribusi Generalized Extreme Value (GEV). Sedangkan metode

Peaks Over Threshold (POT) adalah metode EVT yang dalam mengidentifikasi

nilai ekstrim menggunakan patokan atau disebut threshold (u). Data yang

melebihi patokan tresebut akan diidentifikasi sebagai nilai ekstrim. Distribusi

yang akan terbentuk dari kumpulan nilai ekstrim melalui metode POT adalah

Generalized Pareto Distribution (GPD). Penggambaran pengambilan sampel dari

kedua metode adalah sebagai berikut.

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

pengambilan sampel menggunakan metode Block Maxima selama empat periode

10
dengan setiap periode terdapat tiga pengamatan. Sedangkan di sisi kanan,

pengamatan x1, x2, x7, x8 , x9 dan x11 menunjukan pengambilan sampel

menggunakan metode POT [6].

2.4. Distribusi Generalized Extreme Value (GEV)

Pemodelan untuk pengambilan sampel menggunakan block maxima, yang

dinotasikan dengan M n yaitu

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

waktu. Fungsi distribusi Mn diberikan sebagai berikut.

Pr{M n  x}  Pr{ X 1  x,..., X n  x}

 Pr{ X 1  x}  ...  Pr{ X n  x} (2.1)
n
 F ( x )

Fungsi distribusi Fn adalah fungsi distribusi degenerate yang pada

praktiknya tidak bermanfaat karena tidak dapat diketahui fungsi batas

distribusinya. Sehingga keluarga distribusi dari kumpulan nilai ekstrim tersebut

tidak dapat diketahui. Dengan demikian dilakukan normalisasi linier untuk

mengetahui keluarga distribusi dari Fn yaitu dengan

Mn * =  M n  bn  ,
 an 
 

11
pada barisan konstan { a n  0 } dan {bn}. Sehingga diperoleh distribusi

pendekatan untuk Mn*.

Teorema Fundamental Nilai Ekstrim (Fisher and Tippett (1928), Gnedenko (1943))

Jika terdapat barisan konstan {an  0} dan {bn } sedemikian sehingga

 ( M  bn ) 
Pr  n  x   F ( x ), n
 an 

Dimana F adalah fungsi distribusi non-degenerate, maka F termasuk kedalam

salah satu keluarga distribusi berikut :

   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)

Untuk parameter a  0 , b dan dalam distribusi I dan II   0

Teorema di atas menyatakan pengukuran sampel maksima Mn* konvergen

dalam distribusi ke variabel yang memiliki distribusi di antara keluarga distribusi

12
I, II atau III. Sehingga berdasarkan definisi-1, Mn* memiliki limit distribusi dari

salah satu keluarga distribusi I , II, III.

Ketiga keluarga distribusi dinamakan Extreme Value Distribution (EVD)

atau distribusi nilai ekstrim yaitu tipe I adalah distribusi Gumbel, tipe II adalah

distribusi Frechet dan tipe III adalah distribusi Weibull. Setiap tipe distribusi

memiliki parameter lokasi (  ) dan skala ( ) , pada teorema di atas ditunjukan

oleh b dan a , sedangkan pada Frechet dan Weibull memiliki parameter tambahan

yaitu parameter bentuk ( ) , pada teorema diatas ditunjukan dengan  [7].

Analisa yang lebih baik disajikan oleh model hasil reformulasi teorema

fundamental nilai ekstrim. Pada model ini dapat dilakukan pengecekan keluarga

distribusi Gumbel, Frechet dan Weibull yang dikombinasikan kedalam suatu

fungsi distribusi yaitu distribusi Generalized Extreme Value (GEV). Fungsi

distribusi GEV [8].

1/
⎧    x    
⎪ exp   1          0
   
F (x) = (2.3)
⎨    x    
⎪ exp  exp       0
⎩      

Keterangan :

  Parameter Lokasi dengan      

  Parameter Skala dengan 0    

  Parameter Bentuk dengan      

13
 Distribusi GEV dapat menetukan keluarga distribusi dari data yang diolah,

dengan melihat ketentuan sebagai berikut :

1. Distribusi tipe I atau Gumbel diperoleh apabila   0

2. Distribusi tipe II atau Frechet diperoleh apabila   0

3. Distribusi tipe III atau Weibull diperoleh apabila   0

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
⎩ 

Gambar 2.1 Plot fungsi kepadatan peluang distribusi GEV

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

distribusi Frechet adalah distribusi yang memiliki probabilitas terjadinya nilai

ekstrim paling besar dari kedua distribusi lain, lalu distribusi Gumbel dan terakhir

distribusi Weibull.

2.5. Estimasi Probability-Weighted Moments (PWM)

Parameter distribusi GEV dapat diestimasi dengan mempergunakan

beberapa pendekatan yaitu Moments, Estimasi Hill, Probability Weighted

Moments dan Maximum Likelihood. Pada penelitian ini, estimasi parameter yang

digunakan adalah Probabiity-Weighted Momets (PWM).

PWM diperkenalkan oleh Greenwood et.al (1979) sebagai alat untuk

mengestimasi parameter suatu distribusi probabilitas [12]. Terdapat tiga parameter

dalam distribusi GEV yaitu parameter bentuk (  ), parameter lokasi (  ) dan

parameter skala (  ). Melalui parameter bentuk (  ) dapat diketahui keluarga

distribusi dari nilai-nilai ekstrim. Parameter skala (  ) digunakan untuk

menyatakan seberapa besar keragaman data dan parameter lokasi (  ) digunakan

untuk menyatakan letak titik pemusatan data [14].

PWM dari peubah acak X berdistribusi Generalized Extreme Value adalah

 r  E[ X {F ( X )}r ], r  0,1,2,... (2.5)

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

digunakan sebagai estimasi parameter GEV apabila dibentuk dalam persamaan

(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

x (F ) = Invers Fungsi Distribusi GEV


Dengan x( F )   

1  ( log F )  maka penyelesaian persamaan (2.6) oleh [8]

adalah sebagai berikut

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  11
     (r  1) 

  1   1
    r  1   r  1 (1   ) ,   1
   
 

1   

 r  1    1  (r  1)  (1   ) 


 

Sehingga menghasilkan PWM untuk distribusi GEV dengan   0 :

  
 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

berdistribusi F sebanyak n dengan x1  x2  ...  xn adalah

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

persamaan (2.7) diperoleh


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

(2.11). Pada dasarnya, penyelesaian dari persamaan tersebut membutuhkan

(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)
 

2.6. Return Level

Menurut [6], jika F adalah distribusi maksima yang diamati berturut-turut

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

akan dilampaui satu kali dalam periode k sepanjang waktu n.

⎧    [1  { log(1  1 )} ],   0
⎪  k
R nk = (2.15)
⎨ 1
⎪    log[  log(1  )],   0
⎩ k

Keterangan :

k = Periode return level

n Panjang waktu dalam periode return level

19
 BAB 3

METODOLOGI PENELITIAN

3.1. Data dan Sumber Data

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.

3.2. Metode Pengolahan Data

Pengolahan data akan dilakukan dengan menerapkan distribusi GEV untuk

memperoleh periode return level yang paling tepat dengan langkah-langkah

sebagai berikut.

1. Penggambaran keadaan data akan dilakukan menggunakan histogram.

Karena melalui histogram dapat terlihat kesesuaian keadaan data dengan

metode yang digunakan.

2. Pengambilan sampel yang bertujuan untuk mendapatkan nilai-nilai ekstrim

yang mewakili keseluruhan data akan diambil menggunakan metode Block

Maxima, yaitu dengan cara mengambil satu nilai tertinggi dalam suatu

20
 block yang telah ditentukan. Prosedur yang dilakukan untuk memperoleh

sampel bernilai ekstrim adalah sebagai berikut.

a. Pembagian data menjadi 2 bagian yaitu sebagai data training

GEVD dimulai tahun 2001 sampai 2009 dan bertambah seiring

majunya periode return level yang akan dihitung dan sebagai data

validasi dimulai tahun 2010 sampai 2012.

b. Penentuan periode return level yang akan dilakukan yaitu 2, 3, 4, 5

dan 6 bulan kedepan.

c. Penentuan panjang blok untuk mengumpulkan sampel bernilai

ekstrim.

3. Penentuan estimasi parameter menggunakan PWM. Tahap perhitungan

yang dilakukan adalah:

a. Perhitungan pertama adalah parameter bentuk (  ), karena

parameter lainnya bergantung oleh parameter bentuk. Untuk

memperolehnya, hitung momen-momen b0, b1 dan b2 maka nilai c

akan diperoleh dan dapat disubtitusi kepersamaan parameter bentuk

(2.5).

b. Perhitungan selanjutnya yaitu parameter skala (  ) melalui

persamaan (2.7).

c. Perhitungan terakhir yaitu parameter lokasi (  ). Setelah kedua

parameter sebelumnya diketahui maka parameter lokasi dapat

dihitung menggunakan persamaan (2.6).

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

distribusi data dinyatakan sesuai dengan distribusi teoritik. Langkah-

langkah pemeriksaan kesesuaian pola sebaran data terhadap pola sebaran

teoritik dengan Q-Q plot adalah sebagai berikut :

a. Sampel diurutkan dari nilai terkecil sampai nilai yang terbesar,

x1  x2  ...  xn .

i
b. Untuk setiap xi , hitung nilai pi = dengan i = 1, 2, . . . , n.
n 1

c. Untuk setiap pi tentukan nilai kuantil F 1 ( p i ) dengan persamaan

⎧  
⎪   [1  { log( p i )} ] ,   0
1
F ( pi ) =  (3.1)
⎨
⎪    log[ log( pi )],   0
⎩

d. Plot antara F 1 ( p i ) dengan xi merupakan Q-Q plot.

5. Pendugaan return level pada periode 2, 3, 4, 5 dan 6 bulan ke depan

dengan tiap periode melakukan enam waktu validasi.

6. Pengukuran keakuratan hasil peramalan untuk mendapatkan periode

return level akan dilakukan menggunakan Root Mean Square Percentage

Error (RMSPE). Pengukuran RMSPE akan dilakukan di setiap periode

analisa return level. Periode yang nantinya terpilih adalah periode dengan

nilai RMSPE terkecil. Diharapkan dengan periode tersebut peramalan

22
 curah hujan ekstrim mendatang akan sesuai dengan aktualnya. Rumusan

RMSPE adalah sebagai berikut [15].

2
n  At  Ft 
 t 1
 
 At 
RMSPE   100%
n (3.2)

Keterangan :

At = data aktual ke-t dengan At  0

Ft = data dugaan ke-t

7. Penentuan periode return level terbaik dilakukan dengan membandingkan

hasil RMSPE tiap periode. Periode dengan RMSPE terkecil dipilih sebagai

periode penduga curah hujan ekstrim mendatang.

8. Pendugaan curah hujan ekstrim periode mendatang dilakukan dengan

mengestimasi nilai parameter dari sampel ekstrim tahun 2001 sampai

2012, dilanjutkan dengan pemeriksaan kesesuaian distribusi dengan Q-Q

plot dan jika dinyatakan sesuai maka dilakukan perhitungan return level

untuk memperoleh dugaan curah hujan ekstrim.

23
3.3. Alur Penelitian

Pendeskripsian Data

Data training Data validasi

Membagi data tahun 2001-2012

menjadi beberapa periode return
level yaitu 2,3,4,5 dan 6 bulan
kedepan, dimulai tahun 2010

Menentukan panjang blok untuk

pengambilan sampel bernilai
ekstrim Membagi data tahun 2010-2012
menjadi periode 2,3,4,5 dan 6
bulan kedepan
Menentukan nilai parameter
distribusi GEV (  ,  ,  )
masing-masing periode

Uji kesesuaian distribusi GEV

masing-masing periode dengan
Quantile-Quantile Plot

Menentukan return level untuk Menentukan nilai maksimum dari

masing-masing periode masing-masing periode

Menyesuaikan data training dan data

validasi sesuai dengan periodenya

Menghitung RMSPE masing-masing

periode

Memilih periode return level terbaik

Meramalkan curah hujan

maksimum periode mendatang

Gambar 3.1 Alur Penelitian

24
 BAB 4

HASIL DAN ANALISA

4.1. Deskripsi 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

Gambar 4.1 Histogram Intensitas Curah Hujan

Terlihat pada gambar di atas curah hujan disekitar 0 mm/hari memiliki

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.

Tabel 4.1 Kisaran curah hujan Stasiun Klimatologi Semarang 2001-2012

Tahun Frekuensi Curah Hujan  50 Frekuensi Curah Hujan  100

2001 7 1
2002 6 0
2003 10 1
2004 6 0
2005 10 0
2006 8 1
2007 10 1
2008 16 3
2009 10 1
2010 14 4
2011 9 1
2012 8 3

Terdapat sebanyak 16 hari yang memiliki curah hujan tergolong sangat

lebat yaitu lebih dari 100 mm/hari. Pengamatan tersebut tidak terlihat pada

gambar dikarenakan skala frekuensi yang cukup besar sehingga untuk nilai curah

hujan berfrekuensi rendah seperti pada tabel menjadi tidak terlihat.

Gambar 4.1 di atas menunjukan bahwa data mengandung ekor berat,

terlihat dari adanya nilai-nilai ekstrim dengan frekuensi rendah sehingga bentuk

histogram melenceng kekanan dengan turun secara melambat. Maka penerapan

EVT dianggap paling sesuai pada keadaan data tersebut.

26
4.2. Pengambilan Sampel

Blok ditetapkan yaitu 1 bulan dimana setiap blok terdapat 28 sampai 31

pengamatan sesuai banyaknya hari perbulan. Maka setiap 1 bulan dilakukan

pengambilan 1 nilai ekstrim sebagai sampel.

Tabel 4.2 Jumlah sampel untuk return level 2 bulan ke depan

Periode Analisis Periode Ramalan Jumlah Data

Jan 2001-Des 2009 Jan 2010-Feb 2010 108
Jan 2001-Feb 2010 Mar 2010-Apr 2010 110
Jan 2001-Apr 2010 Mei 2010-Jun 2010 112
Jan 2001-Jun 2010 Jul 2010-Agu 2010 114
Jan 2001-Agu 2010 Sep 2010-Okt 2010 116
Jan 2001-Okt 2010 Nov 2010-Des2010 118

Tabel 4.3 Jumlah sampel untuk return level 3 bulan ke depan

Periode Analisis Periode Ramalan Jumlah Data

Jan 2001-Des 2009 Jan 2010-Mar 2010 108
Jan 2001-Mar 2010 Apr 2010-Jun 2010 111
Jan 2001-Jun 2010 Jul 2010-Sep 2010 114
Jan 2001-Sep 2010 Okt 2010-Des 2010 117
Jan 2001-Des 2010 Jan 2011-Mar 2011 120
Jan 2001-Mar 2011 Apr 2011-Jun 2011 123

Tabel 4.4 Jumlah sampel untuk return level 4 bulan ke depan

Periode Analisis Periode Ramalan Jumlah Data

Jan 2001-Des 2009 Jan 2010-Apr 2010 108
Jan 2001-Apr 2010 Mei 2010-Agu 2010 112
Jan 2001-Agu 2010 Sep 2010-Des 2010 116
Jan 2001-Des 2010 Jan 2011-Apr 2011 120
Jan 2001-Apr2011 Mei 2011-Agu 2011 124
Jan 2001-Agu 2011 Sep 2011-Des 2011 128

27
 Tabel 4.5 Jumlah sampel untuk return level 5 bulan ke depan

Periode Analisis Periode Ramalan Jumlah Data

Jan 2001-Des 2009 Jan 2010-Mei 2010 108
Jan 2001-Mei 2010 Jun 2010-Okt 2010 113
Jan 2001-Okt 2010 Nov 2010-Mar 2011 118
Jan 2001-Mar 2011 Apr 2011-Agu 2011 123
Jan 2001-Agu 2011 Sep 2011-Jan2012 128
Jan 2001-Jan 2012 Feb 2012-Jun 2012 133

Tabel 4.6 Jumlah sampel untuk return level 6 bulan ke depan

Periode Analisis Periode Ramalan Jumlah Data

Jan 2001-Des 2009 Jan 2010-Jun 2010 108
Jan 2001-Jun 2010 Jul 2010-Des 2010 114
Jan 2001-Des 2010 Jan 2011-Jun 2011 120
Jan 2001-Jun 2011 Jul 2011-Des 2011 126
Jan 2001-Des 2011 Jan 2012-Jun2012 132
Jan 2001-Jun 2012 Jul 2012-Des2012 138

Dari tabel di atas terlihat bahwa jumlah data bertambah sebanyak

periode return level-nya.

4.3. Estimasi Parameter GEV

Berdasarkan bentuk fungsi distribusi GEV terdapat tiga parameter yang

harus diestimasi untuk memperoleh nilai return level yaitu parameter bentuk  ,

skala  dan lokasi  . Melalui penggunaan estimator br maka ketiga parameter

pada masing-masing periode analisa dapat diperoleh menggunakan persamaan

(2.12) , (2.13) dan (2.14).

28
 Tabel 4.7 Nilai estimasi parameter untuk periode 2 bulan ke depan

Periode Analisis Periode Ramalan Bentuk Skala Lokasi

Jan 2001-Des 2009 Jan 2010-Feb 2010 0,1308 29,8473 36,3482
Jan 2001-Feb 2010 Mar 2010-Apr 2010 0,1372 30,5063 37,1697
Jan 2001-Apr 2010 Mei 2010-Jun 2010 0,1501 31,0287 37,9874
Jan 2001-Jun 2010 Jul 2010-Agu 2010 0,1596 31,0118 38,4420
Jan 2001-Agu 2010 Sep 2010-Okt 2010 0,1531 30,6883 38,1573
Jan 2001-Okt 2010 Nov 2010-Des 2010 0,1534 30,3923 38,2727

Dari hasil estimasi diperoleh nilai parameter lokasi berkisar antara 36

sampai 38 yang berarti titik pemusatan intensitas curah hujan ekstrim Kota

Semarang periode Januari 2001 sampai Oktober 2010 terletak pada kisaran

36mm/hari sampai 38 mm/hari, sedangkan keragaman intensitas curah hujan yang

dinyatakan dengan parameter skala yaitu berkisar 29 sampai 31 dengan

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

dengan nilai-nilai yang lebih ekstrim dari periode setelahnya.

Tabel 4.8 Nilai estimasi parameter untuk periode 3 bulan ke depan

Periode Analisis Periode Ramalan Bentuk Skala Lokasi

Jan 2001-Des 2009 Jan 2010-Mar 2010 0,1308 29,8473 36,7202
Jan 2001-Mar 2010 Apr 2010-Jun 2010 0,1456 30,0720 37,8092
Jan 2001-Jun 2010 Jul 2010-Sep 2010 0,1596 31,0118 38,4420
Jan 2001-Sep 2010 Jul 2010-Des 2010 0,1546 30,5715 38,2625
Jan 2001-Des 2011 Jan 2011-Mar 2011 0,1322 30,4834 38,3528
Jan 2001-Mar 2011 Apr 2011-Jun 2011 0,1392 30,3044 38,7542

29
 Dari hasil estimasi diperoleh letak titik pemusatan curah hujan ekstrim

yang masih berkisar 36 mm/hari sampai 38 mm/hari. Begitu juga keragaman

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.

Tabel 4.9 Nilai estimasi parameter untuk periode 4 bulan ke depan

Periode Analisis Periode Ramalan Bentuk Skala Lokasi

Jan 2001-Des 2009 Jan 2010-Apr 2010 0,1308 29,8473 36,3482
Jan 2001-Apr 2010 Mei 2010-Ags 2010 0,1500 31,0287 37,9874
Jan 2001-Ags 2010 Sep 2010-Des 2010 0,1531 30,6883 38,1573
Jan 2001-Des 2010 Jan 2011-Apr 2011 0,1322 30,4834 38,3528
Jan 2001-Apr 2011 Mei 2011-Ags 2011 0,1385 30,1432 38,7844
Jan 2001-Ags 2011 Sep 2011-Des 2011 0,1269 29,9136 37,6247

Letak titik pemusatan curah hujan eksrim pada periode ini masih berkisar

36mm/hari sampai 38mm/hari, begitupun keragaman curah hujan ekstrim yang

masih berkisar 29 sampai 31. Sedangkan parameter bentuk mengalami kenaikan

pada periode analisa bulan Januari 2001 sampai Agustus 2010, 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 Agustus 2010 terjadi curah hujan dengan nilai-nilai yang lebih

ekstrim dari periode setelahnya.

30
 Tabel 4.10 Nilai estimasi parameter untuk periode 5 bulan ke depan

Periode Analisis Periode Ramalan Bentuk Skala Lokasi

Jan 2001-Des 2009 Jan 2010-Mei 2010 0,1308 29,8473 36,3482
Jan 2001-Mei 2010 Jun 2010-Okt 2010 0,1539 30,9832 38,1803
Jan 2001-Okt 2010 Nov 2010-Mar 2011 0,1534 30,3923 38,2727
Jan 2001-Mar 2011 Apr 2011-Ags 2011 0,1392 30,7542 38,7542
Jan 2001-Ags 2011 Sep 2011-Jan 2012 0,1269 29,9136 37,6247
Jan 2001-Jan 2012 Feb 2012-Jun 2012 0,1284 30,1993 38,2612

Hasil estimasi parameter lokasi masih berkisar pada intensitas curah hujan

36 mm/hari sampai 38 mm/hari, akan tetapi pembagian periode peramalan 5 bulan

ke depan membuat keragaman intensitas curah hujan menurun, menjadi kurang

dari 31. Nilai parameter bentuk periode Januari 2001 sampai Mei 2010 adalah

yang terbesar yaitu 0,1539 sedangkan pada periode setelahnya mengalami

penurunan sampai pada periode analisa terakhir kembali mengalami kenaikan.

Tabel 4.11 Nilai estimasi parameter untuk periode 6 bulan ke depan

Periode Analisis Periode Ramalan Bentuk Skala Lokasi

Jan 2001-Des 2009 Jan 2010-Jun 2010 0,1308 29,8473 36,3482
Jan 2001-Jun 2010 Jul 2010-Des 2010 0,1596 31,0118 38,4420
Jan 2001-Des 2010 Jan 2011-Jun 2011 0,1322 30,4834 38,3528
Jan 2001-Jun 2011 Jul 2011-Des 2011 0,1303 29,8608 38,3311
Jan 2001-Des 2011 Jan 2012-Jun 2012 0,1278 29,9176 37,9386
Jan 2001-Jun 2012 Jul 2012-Des 2012 0,1225 30,1270 38,3255

Nilai estimasi parameter untuk periode 6 bulan ke depan memerlukan data

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

normal 36 mm/hari sampai 38 mm/hari. Sedangkan keragaman curah 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

pada bulan Januari 2010 sampai Juni 2010 sebesar 0,1596.

Terlihat hasil parameter bentuk diseluruh periode bernilai positif, dengan

demikian intensitas curah hujan Kota Semarang periode Januari 2001 sampai

Desember 2012 termasuk ke dalam distribusi Frechet, yang menandakan

probabilitas terjadinya curah hujan ekstrim periode mendatang lebih besar

dibanding distribusi Gumbel dan Weibull.

4.3. Pemeriksaan Kesesuaian Distribusi

Pemeriksaan kesesuaian data dengan distribusi GEV dapat dilakukan

dengan membuat Quantile-Quantile Plot (Q-Q Plot). Sebaran data dikatakan

sesuai dengan distribusi GEV. jika kebanyakan pasangan dari titik koordinat

mendekati pola diagonal.

160 160 160

120 120 120

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

120 120 120

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

Gambar 4.2 Quantile-Quantile Plot untuk periode 2 bulan kedepan

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

120 120 120

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

Gambar 4.3 Quantile-Quantile Plot untuk periode 3 bulan kedepan

160 160 160

120 120 120

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

Gambar 4.4 Quantile-Quantile Plot untuk periode 4 bulan kedepan

33
 160 160 160

120 120 120

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

120 120 120

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

Gambar 4.5 Quantile-Quantile Plot untuk periode 5 bulan kedepan

160 160 160

120 120 120

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

120 120 120

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 4.6 Quantile-Quantile Plot untuk periode 6 bulan kedepan

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.

4.5. Penentuan Return Level Terbaik

Setelah diperoleh nilai parameter pada setiap periode analisa maka

peramalan return level dapat dilakukan menggunakan persamaan (2.15). Hasil

peramalan dengan return level akan diukur keakuratannya menggunakan Root

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

Nilai Nilai Kesalahan

Periode Analisis Periode Ramalan
Ramalan Aktual Relatif (%)
Jan 2001-Des 2009 Jan 2010-Feb 2010 69,5099 109 36,2295
Jan 2001-Feb 2010 Mar 2010-Apr 2010 70,9358 103 31,1302
Jan 2001-Apr 2010 Mei 2010-Jun 2010 72,0762 68 5,9944
Jan 2001-Jun 2010 Jul 2010-Agu 2010 72,3241 50 44,6481
Jan 2001-Agu 2010 Sep 2010-Okt 2010 71,8117 54 32,9846
Jan 2001-Okt 2010 Nov 2010-Des 2010 71,5977 139 48,4908
RMSPE (%) 35,9407

35
 Tabel 4.13 Hasil return level dan RMSPE periode 3 bulan ke depan

Nilai Nilai Kesalahan

Periode Analisis Periode Ramalan
Ramalan Aktual Relatif (%)
Jan 2001-Des 2009 Jan 2010-Mar 2010 82,7202 109 24,1099
Jan 2001-Mar 2010 Apr 2010-Jun 2010 81,6650 103 20,7136
Jan 2001-Jun 2010 Jul 2010-Sep 2010 85,4828 54 58,3014
Jan 2001-Sep 2010 Jul 2010-Des 2010 84,8265 139 38,9737
Jan 2001-Des 2011 Jan 2011-Mar 2011 85,6587 68 25,9687
Jan 2001-Mar 2011 Apr 2011-Jun 2011 85,5088 49 74,5078
RMSPE (%) 45,0076

Tabel 4.14 Hasil return level dan RMSPE periode 4 bulan ke depan

Nilai Nilai Kesalahan

Periode Analisis Periode Ramalan
Ramalan Aktual Relatif (%)
Jan 2001-Des 2009 Jan 2010-Apr 2010 90,7016 109 16,7875
Jan 2001-Apr 2010 Mei 2010-Ags 2010 93,4248 68 37,3894
Jan 2001-Ags 2010 Sep 2010-Des 2010 92,8202 139 33,2229
Jan 2001-Des 2010 Jan 2011-Apr 2011 93,7888 68 37,9248
Jan 2001-Apr 2011 Mei 2011-Ags 2011 93,2568 39 139,1205
Jan 2001-Ags 2011 Sep 2011-Des 2011 92,3084 106 12,9166
RMSPE (%) 62,9062

Tabel 4.15 Hasil return level dan RMSPE periode 5 bulan ke depan

Nilai Nilai Kesalahan

Periode Analisis Periode Ramalan
Ramalan Aktual Relatif (%)
Jan 2001-Des 2009 Jan 2010-Mei 2010 96,3834 109 11,5749
Jan 2001-Mei 2010 Jun 2010-Okt 2010 98,9307 68 45,4863
Jan 2001-Okt 2010 Nov 2010-Mar 2011 97,8996 139 29,5687
Jan 2001-Mar 2011 Apr 2011-Ags 2011 99,1474 49 102,3416
Jan 2001-Ags 2011 Sep 2011-Jan 2012 98,0516 110 10,8622
Jan 2001-Jan 2012 Feb 2012-Jun 2012 99,1632 109 9,0246
RMSPE (%) 47,8723

36
 Tabel 4.11 Hasil return level dan RMSPE periode 6 bulan ke depan

Nilai Nilai Kesalahan

Periode Analisis Periode Ramalan
Ramalan Aktual Relatif (%)
Jan 2001-Des 2009 Jan 2010-Jun 2010 100,7693 109 7,5511
Jan 2001-Jun 2010 Jul 2010-Des 2010 103,1211 139 25,8122
Jan 2001-Des 2010 Jan 2011-Jun 2011 104,0386 68 52,9979
Jan 2001-Jun 2011 Jul 2011-Des 2011 102,8216 106 2,9985
Jan 2001-Des 2011 Jan 2012-Jun 2012 102,7446 110 6,5958
Jan 2001-Jun 2012 Jul 2012-Des 2012 104,0018 114 8,7704
RMSPE (%) 24,7032

Setelah dilakukan perhitungan return level pada masing-masing periode,

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

agustus 2011 memiliki kesalahan relatif sebesar 102,34%. Keduanya memberikan

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

4 bulan kedepan yang sebesar 62,91%.

Berdasarkan nilai RMSPE yang telah diperoleh pada periode return level

2, 3, 4, 5 dan 6 bulan ke depan dengan masing-masing periode memiliki nilai

RMSPE 35,94%, 45,01%, 62,91%, 47,87%, 24,70% menunjukan periode return

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

nilai curah hujan ekstrim periode berikutnya.

4.6. Peramalan Intensitas Curah Hujan Maksimum

Hasil yang diperoleh pada subbab sebelumnya, periode yang digunakan

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.

Nilai estimasi parameter yang diperoleh menggunakan PWM dengan

persamaan (2.12), (2.13) dan (2,14) yaitu parameter bentuk ( ) sebesar 0,1326 ,

skala ( ) sebesar 30,9311 dan lokasi (  ) sebesar 37,7696. Karena nilai

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

0 20 40 60 80 100 120 140 160 180

Gambar 4.7 Q-QPlot Jan 2001-Des2012 periode 6 bulan kedepan

38
 Dari hasil Q-Q Plot terlihat kebanyakan pasangan titik koordinat

mendekati pola diagonal, sehingga sebaran data dapat dinyatakan berdistribusi

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

Januari 2013 sampai Juni 2013 adalah 104,39 mm/hari.

39
 BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Distribusi GEV baik diaplikasikan pada data yang mengandung nilai

ekstrim dengan frekuensi rendah. Distribusi GEV akan terbentuk pada suatu

sampel jika pengambilannya dilakukan menggunakan metode Block Maxima.

Untuk meyakinkan bahwa distribusi sampel yang diambil mengikuti distribusi

GEV maka dilakukan kesesuaian distribusi melalui Q-Q Plot. Dengan

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.

Dari pengolahan data pada semua periode analisa, diperoleh hasil

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

sampai 38 mm/hari. Sedangkan parameter skala memiliki kisaran nilai 29 sampai

31 yang berarti keragaman intensitas curah hujan tahun 2001 sampai 2012

berkisar 29 sampai 31.

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

guna menghindari kerugian yang lebih besar.

5.2. Saran

Apabila akan dilakukan penelitian untuk menduga nilai ekstrim, sebaiknya

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

waktu tertentu. Untuk penelitian selanjutnya juga dapat mengkombinasikan GEV

dan GPD dengan metode estimasi paratemer lain diantaranya estimasi hill,

moment atau least square.

41
 DAFTAR PUSTAKA

[1] Nasrullah. Perubahan Iklim dan Trend Data Iklim. Bidang Informasi

Perubahan Iklim BMKG, diunduh pada 29 Mei 2013 pukul 15:45.

[2] BPS & BAPPEDA Kota Semarang. Semarang Dalam Angka 2011.

Semarang, 2011.

[3] Alves, Isabel Fraga & Neves, Claudia. Extreme Value Distribution.

Portugal: University of London, 2010.

[4] Wahyudi & Sutikno. Identifikasi Curah Hujan Ektstrem di Kabupaten

Ngawi Menggunakan Generalized Extreme Value dan Generalized Pareto

Distribution. Surabaya: Institut Tekhnologi Surabaya, diunduh pada 10

Februari 2013 pukul 11:10.

[5] Anonim. wikipedia.org . Hujan adalah. Diunduh pada 12 Mei 2013 pukul

22.16.

[6] Gilli, M. and Kellezi, E. An Application of Extreme Value Theory for

Measuring Financial Risk. Switzerland: University Of Geneva And

FAME. 2006

[7] Coles, S. An Introduction to Statistical Modelling of Extreme Values.

London: Verag, 2001.

[8] Hosking, et al. Estimation of Generalized Extreme Value Distribution by

the Method of Probability-Weighted Moments. Technometrics Vol. 27.

1985.
[9] Landwehr, J. M., Matalas, N.C., and Wallis, J. R. Probability Weighted

Moments Compared With Some Traditional Techniques in Estimating

Gumbel Parameters and Quantiles. New York: Water Resources

Research, 1979.

[10] Hor, Chinglai et al. Assessing Load Forecast Uncertainty using Extreme

Value Theory. Glasgow: Scotland, 2008.

[11] Toth, V.T . Programmable Calculators : Calculators and the Gamma

Function. 2006.

[12] Hogg, Robert V & Craig Allen T. Introduction to Mathematical Statistics.

New Jersey: Prentice Hall, 1995.

[13] Rasmussen, F. P. Generalized Probability Weighted Moments: Application

to the Generalized Pareto Distribution. Canada: Department of civil

Engineering, 2001

[14] Sodiq, Jaffarus dkk. Pengukuran Risiko pada Klaim Asuransi X dengan

menggunakan Metode Generalized Extreme Value dan Generalized Pareto

Distribution. Surabaya: Institut Teknologi Surabaya, 2012.

[15] Frechling, Douglas C. Forecaseting Tourism Demand: Methods and

Strategies. London: Elsevier, 2001.