RINGKASAN
MUHAMMAD IRFAN. Sebaran Pareto Terampat untuk Menentukan Curah Hujan
Ekstrim (Studi Kasus: Curah Hujan Periode 2001-2010 pada Stasiun Darmaga).
Dibimbing oleh AJI HAMIM WIGENA dan ANIK DJURAIDAH.
Beberapa tahun terakhir, perubahan cuaca sering tidak menentu sehingga menyebabkan
peristiwa cuaca ekstrim seperti hujan badai, banjir, dan tanah longsor. Studi mengenai
cuaca ekstrim perlu dilakukan untuk mengantisipasi kerugian yang mungkin terjadi di
masa yang akan datang. Penelitian ini bertujuan untuk mengkaji data curah hujan
ekstrim menggunakan Sebaran Pareto Terampat (
Generalized Pareto Distribution
,
GPD). Data yang digunakan berupa data sekunder, diperoleh dari Badan Meteorologi
Klimatologi dan Geofisika (BMKG) berupa curah hujan harian periode 2001-2010.
Metode yang digunakan dalam penelitian ini adalah teori nilai ekstrim berupa GPD.
Tingkat Pengembalian (
Return Level
) digunakan untuk meramalkan curah hujan
maksimum pada periode tahunan dan musim hujan. Hasil penelitian ini menunjukkan
nilai ramalan untuk periode musim hujan memiliki hasil ramalan yang lebih baik dari
periode tahunan. Nilai Rata-rata Kesalahan Absolut Relatif (
Mean Absolute Percent
Error
, MAPE) pada periode tahunan untuk 2, 3, dan 6 bulan ke depan secara
berturut-turut sebesar 28.53%, 19.13%, dan 19.4%. Sementara Nilai MAPE pada periode musim
hujan untuk 2, 3, dan 6 bulan ke depan sebesar 18.02%, 6.79%, dan 14.04%.
Berdasarkan nilai MAPE maka periode musim hujan untuk 3 bulan ke depan memiliki
hasil ramalan lebih baik dari semua periode analisis yang digunakan.
1 PENDAHULUAN
Latar Belakang
Cuaca dan iklim merupakan faktor utama yang sangat berpengaruh terhadap berbagai aktifitas kehidupan. Aktifitas manusia yang semakin meningkat mengakibatkan timbulnya perubahan pada komponen biofisik lingkungan. Seperti peningkatan konsentrasi gas-gas rumah kaca di atmosfer yang merupakan penyumbang utama terjadinya pemanasan dan perubahan iklim. Salah satu unsur cuaca dan iklim yang sangat bervariasi adalah curah hujan. Indonesia yang mayoritas penduduknya bekerja sebagai petani, curah hujan merupakan faktor utama untuk memperoleh hasil produksi pertanian yang optimal. Kondisi perubahan cuaca dan iklim yang tidak menentu atau berubah setiap saat mengakibatkan kerugian di berbagai sektor, khususnya pertanian. Akibat yang paling penting dari proses perubahan cuaca dan iklim ini adalah timbulnya peristiwa ekstrim seperti hujan badai, banjir, atau tanah longsor yang semakin sering terjadi akhir-akhir ini di Indonesia.
Oleh karena itu, diperlukan penanganan untuk penyimpangan iklim tersebut. Prang (2006) telah mengkaji fenomena curah hujan dengan menggunakan sebaran Nilai Ekstrim Terampat (Generalized Extreme Value, GEV) serta menyimpulkan bahwa pemodelan dengan GEV sangat bermanfaat untuk meramalkan curah hujan ekstrim tiga bulan ke depan. Dalam penelitiannya menyarankan untuk menggunakan sebaran nilai ekstrim terampat yang lebih spesifik untuk pengkajian lebih lanjut. Oleh karena itu, Sebaran Pareto Terampat (Generalized Pareto Distribution, GPD) akan digunakan untuk mengkaji lebih lanjut fenomena curah hujan ekstrim.
Tujuan
Tujuan dari penelitian ini adalah mengkaji data curah hujan ekstrim menggunakan GPD.
TINJAUAN PUSTAKA
Cuaca Ekstrim
Cuaca adalah keadaan sesaat dari atmosfer, serta perubahan dalam jangka pendek (kurang dari satu jam hingga 24 jam) di suatu tempat atau wilayah tertentu (Nasir 1993). Sementara iklim adalah sintesis dari perubahan nilai unsur-unsur cuaca dalam jangka panjang di suatu tempat atau pada suatu wilayah. Sintesis tersebut dapat dikatakan pula sebagai nilai statistik yang meliputi rata-rata, maksimum, minimum, frekuensi kejadian atau peluang kejadian.
Menurut World Meteorology Organitation (WMO) diacu dalam Ismaini (2006) menyatakan, cuaca ekstrim adalah keadaan cuaca saat terjadi hujan sangat lebat secara terus menerus dengan jumlah di atas 50 mm/jam. Sedangkan iklim ekstrim merupakan keadaan dimana nilai dari unsur-unsur iklim menyimpang di atas atau di bawah nilai normal.
Berdasarkan informasi yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika (BMKG), curah hujan harian di Indonesia dikategorikan ekstrim jika jumlah curah hujan harian memiliki nilai di atas 50 mm/hari. Penentuan nilai-nilai ekstrim menurut Gilli dan Kellezi (2003) dapat dilakukan dengan dua cara yaitu:
1. Mengambil nilai-nilai maksimum dalam suatu periode, misalnya periode mingguan atau bulanan, pengamatan dari nilai-nilai ini dianggap sebagai nilai-nilai ekstrim.
2. Mengambil nilai-nilai yang melampaui suatu nilai ambang (threshold) , seluruh nilai-nilai yang melampaui nilai-nilai ambang u dianggap sebagai nilai-nilai ekstrim.
Dalam penelitian ini, nilai curah hujan ekstrim diambil dengan menggunakan nilai ambang u.
Sebaran Pareto Terampat
Sebaran pareto terampat adalah salah satu metode alternatif dalam menganalisis nilai ekstrim. Sebaran ini termasuk dalam kelompok sebaran GEV. Sebaran GEV pertama kali diperkenalkan oleh Jenkinson pada tahun 1955 sedangkan GPD diperkenalkan oleh Pickands pada tahun 1975 (Samuel dan Sarelees 2000). Misalkan adalah peubah acak saling
bebas dan identik, statistik tataan
{ } yang merupakan
nilai-nilai ekstrim akan mengikuti sebaran GEV dengan fungsi sebarannya dapat dinyatakan sebagai berikut:
{
⁄
(1) dengan µ adalah parameter lokasi, σ adalah parameter skala, dan ξ adalah parameter bentuk.
Jika pengambilan nilai ekstrim diperoleh dari nilai yang melampaui ambang u maka akan mengikuti sebaran GPD dengan fungsi sebarannya dapat dinyatakan sebagai berikut:
= {
̃
⁄
1 PENDAHULUAN
Latar Belakang
Cuaca dan iklim merupakan faktor utama yang sangat berpengaruh terhadap berbagai aktifitas kehidupan. Aktifitas manusia yang semakin meningkat mengakibatkan timbulnya perubahan pada komponen biofisik lingkungan. Seperti peningkatan konsentrasi gas-gas rumah kaca di atmosfer yang merupakan penyumbang utama terjadinya pemanasan dan perubahan iklim. Salah satu unsur cuaca dan iklim yang sangat bervariasi adalah curah hujan. Indonesia yang mayoritas penduduknya bekerja sebagai petani, curah hujan merupakan faktor utama untuk memperoleh hasil produksi pertanian yang optimal. Kondisi perubahan cuaca dan iklim yang tidak menentu atau berubah setiap saat mengakibatkan kerugian di berbagai sektor, khususnya pertanian. Akibat yang paling penting dari proses perubahan cuaca dan iklim ini adalah timbulnya peristiwa ekstrim seperti hujan badai, banjir, atau tanah longsor yang semakin sering terjadi akhir-akhir ini di Indonesia.
Oleh karena itu, diperlukan penanganan untuk penyimpangan iklim tersebut. Prang (2006) telah mengkaji fenomena curah hujan dengan menggunakan sebaran Nilai Ekstrim Terampat (Generalized Extreme Value, GEV) serta menyimpulkan bahwa pemodelan dengan GEV sangat bermanfaat untuk meramalkan curah hujan ekstrim tiga bulan ke depan. Dalam penelitiannya menyarankan untuk menggunakan sebaran nilai ekstrim terampat yang lebih spesifik untuk pengkajian lebih lanjut. Oleh karena itu, Sebaran Pareto Terampat (Generalized Pareto Distribution, GPD) akan digunakan untuk mengkaji lebih lanjut fenomena curah hujan ekstrim.
Tujuan
Tujuan dari penelitian ini adalah mengkaji data curah hujan ekstrim menggunakan GPD.
TINJAUAN PUSTAKA
Cuaca Ekstrim
Cuaca adalah keadaan sesaat dari atmosfer, serta perubahan dalam jangka pendek (kurang dari satu jam hingga 24 jam) di suatu tempat atau wilayah tertentu (Nasir 1993). Sementara iklim adalah sintesis dari perubahan nilai unsur-unsur cuaca dalam jangka panjang di suatu tempat atau pada suatu wilayah. Sintesis tersebut dapat dikatakan pula sebagai nilai statistik yang meliputi rata-rata, maksimum, minimum, frekuensi kejadian atau peluang kejadian.
Menurut World Meteorology Organitation (WMO) diacu dalam Ismaini (2006) menyatakan, cuaca ekstrim adalah keadaan cuaca saat terjadi hujan sangat lebat secara terus menerus dengan jumlah di atas 50 mm/jam. Sedangkan iklim ekstrim merupakan keadaan dimana nilai dari unsur-unsur iklim menyimpang di atas atau di bawah nilai normal.
Berdasarkan informasi yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika (BMKG), curah hujan harian di Indonesia dikategorikan ekstrim jika jumlah curah hujan harian memiliki nilai di atas 50 mm/hari. Penentuan nilai-nilai ekstrim menurut Gilli dan Kellezi (2003) dapat dilakukan dengan dua cara yaitu:
1. Mengambil nilai-nilai maksimum dalam suatu periode, misalnya periode mingguan atau bulanan, pengamatan dari nilai-nilai ini dianggap sebagai nilai-nilai ekstrim.
2. Mengambil nilai-nilai yang melampaui suatu nilai ambang (threshold) , seluruh nilai-nilai yang melampaui nilai-nilai ambang u dianggap sebagai nilai-nilai ekstrim.
Dalam penelitian ini, nilai curah hujan ekstrim diambil dengan menggunakan nilai ambang u.
Sebaran Pareto Terampat
Sebaran pareto terampat adalah salah satu metode alternatif dalam menganalisis nilai ekstrim. Sebaran ini termasuk dalam kelompok sebaran GEV. Sebaran GEV pertama kali diperkenalkan oleh Jenkinson pada tahun 1955 sedangkan GPD diperkenalkan oleh Pickands pada tahun 1975 (Samuel dan Sarelees 2000). Misalkan adalah peubah acak saling
bebas dan identik, statistik tataan
{ } yang merupakan
nilai-nilai ekstrim akan mengikuti sebaran GEV dengan fungsi sebarannya dapat dinyatakan sebagai berikut:
{
⁄
(1) dengan µ adalah parameter lokasi, σ adalah parameter skala, dan ξ adalah parameter bentuk.
Jika pengambilan nilai ekstrim diperoleh dari nilai yang melampaui ambang u maka akan mengikuti sebaran GPD dengan fungsi sebarannya dapat dinyatakan sebagai berikut:
= {
̃
⁄
2 dengan y > 0, (1+
̃ dan ̃
Nilai y adalah nilai yang melebihi nilai ambang u yang dirumuskan dengan , adalah data asli pengamatan. Misalkan ,…, dengan k adalah banyaknya nilai yang melampaui ambang u. Fungsi kepekatan peluang (fkp) untuk sebaran GPD dapat diperoleh dengan menurunkan fungsi sebarannya. Rumus untuk fkp dari sebaran GPD dapat dinyatakan sebagai berikut:
{
(3) Pendugaan parameter dapat dilakukan dengan beberapa metode seperti momen, momen terboboti, entropi maksimum dan kemungkinan maksimum. Berdasarkan hasil studi simulasi Singh dan Guo (1995) menyatakan bahwa metode kemungkinan maksimum memiliki nilai penduga terbaik dari ketiga metode yang lainnya. Oleh karena itu, dalam penelitian ini metode kemungkinan maksimum akan digunakan untuk melakukan pendugaan parameter. Pendugaan untuk parameter GPD menggunakan metode kemungkinan maksimum. Fungsi log kemungkinan dari dapat dinyatakan sebagai berikut: { ⁄ ∑( ⁄ ) ∑
(Mallor et al. 2009).
Pemilihan Nilai Ambang
Penentuan nilai-nilai ekstrim dengan nilai ambang u dalam sebaran GPD merupakan suatu hal yang sulit. Kondisi ini serupa dengan penentuan ukuran blok dalam sebaran GEV. Kedua kasus tersebut mengakibatkan penduga yang bias dan keragaman yang besar. Jika nilai ambang u terlalu rendah maka data yang melampaui nilai ambang u akan menghasilkan penduga yang bias. Disisi lain, jika nilai ambang u yang dipilih terlalu tinggi maka tidak akan cukup data untuk menduga model, sehingga menghasilkan ragam yang besar. Oleh karena itu, diperlukan suatu metode dalam menentukan nilai ambang u untuk meminimumkan bias dan keragaman tersebut. Ada beberapa metode untuk menentukan nilai ambang u diantaranya adalah
Mean Residual Life Plot (MRLP) dan metode yang disarankan oleh Chavest-Demoulin pada tahun 1999 yaitu dengan kuantil 10%.
MRLP merupakan salah satu metode untuk menentukan nilai ambang u. Metode MRLP ini berdasarkan pada rataan dari nilai-nilai ekstrim GPD. Namun metode MRLP ini memerlukan pengalaman dan keahlian dalam menentukan nilai ambang u. Sedangkan penentuan nilai ambang u dengan metode kuantil lebih praktis dan mudah diterapkan dibanding dengan metode MRLP. Berdasarkan hasil studi simulasi yang ekstensif, Chavez-Demoulin pada tahun 1999 merekomendasikan mengambil nilai-nilai ekstrim kurang lebih 10% nilai tertinggi dari data analisis yang digunakan. Kemudian berdasarkan hasil studi analisis sensitivitas pada tahun 2004, Chavez-Demoulin dan Embrechts menyatakan penggunaan metode kuantil 10% ini jika terjadi perubahan pada nilai u, dugaan parameter yang dihasilkan tidak akan terpengaruh oleh perubahan tersebut (Chavez dan Sardy 2006).
Pemeriksaan Model
Jika sebuah model untuk nilai telah memenuhi asumsi yaitu menyebar sesuai sebaran teoritisnya maka untuk u lebih dari model akan menyebar sesuai sebaran teoritisnya yaitu GPD. Pemeriksaan asumsi sebaran untuk nilai u yang telah ditentukan, dapat dilakukan dengan melihat kekonsistenan nilai dugaan parameter
dan σ. Plot peluang dan plot kuantil-kuantil dapat digunakan untuk melihat kekonsistenan nilai dugaan parameter untuk nilai u yang dipilih. Plot peluang dapat dibentuk dengan koordinat titik sebagai berikut:
⁄ (4) Nilai merupakan nilai-nilai ekstrim yang menyebar GPD dengan i=1,…,k. Sedangkan untuk plot kuantil-kuantil, dapat dibentuk dengan prosedur sebagai berikut:
1. Urutkan data menjadi , dengan data terkecil, data urutan ke-i dan data terbesar.
2. Untuk setiap tetapkan nilai dengan ⁄ .
3. Selanjutnya membuat plot kuantil dengan rumus sebagai berikut:
(5)
dengan i= 1,…,k dan persamaan dapat dinyatakan sebagai berikut:
{ ( )
3 Jika plot peluang dan plot kuantil-kuantil
membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009).
Tingkat Pengembalian
Dalam praktik, besaran atau kuantitas yang menjadi perhatian bukan hanya tertuju pada pendugaan parameter itu sendiri, tetapi pada tingkat pengembalian (return level) dari penduga GPD. Tingkat pengembalian merupakan nilai maksimum yang diharapkan akan dilampaui satu kali dalam jangka waktu m pengamatan dengan periode tertentu. Peluang tidak bersyarat untuk peubah acak X yaitu P{X>x} diperlukan untuk memperoleh nilai tingkat pengembalian, dengan merupakan nilai maksimum yang diharapkan dari tingkat pengembalian (x>u). Misalkan melambangkan peluang P{X>u} dan peluang bersyarat X dengan syarat X>u dapat dinyatakan dengan persamaan sebagai berikut :
P{ }= ⁄ (6) dengan mensubstitusikan persamaan (6) terhadap
akan diperoleh peluang P{X>x} dengan persamaan sebagai berikut :
P{ } ⁄ (7) untuk mendapatkan persamaan nilai tingkat pengembalian diperlukan persamaan sebagai berikut:
⁄ (8) Nilai dapat diperoleh dengan menyelesaikan persamaan (8) sehingga akan diperoleh persamaan sebagai berikut:
( ) (9) dengan dapat diduga dengan ̂ ⁄ , (Mallor et al. 2009). Pengukuran tingkat kesalahan antara nilai aktual dengan nilai tingkat pengembalian (ramalan) dapat menggunakan Rata-rata Kesalahan Absolut Relatif (Mean Absolute Percent Error,MAPE) yang dirumuskan sebagai berikut:
MAPE ∑ ⁄
100% (10)
Semakin kecil nilai MAPE maka hasil ramalan semakin mendekati nilai sebenarnya (Chatfield 1984).
METODOLOGI
Data
Data yang digunakan dalam penelitian ini berupa data sekunder yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika (BMKG). Periode data curah hujan harian yang digunakan
dari tahun 2001-2010 pada stasiun pengamat yang berada di daerah Darmaga, Bogor.
Metode
Langkah-langkah yang dilakukan dalam penelitian ini adalah sebagai berikut:
1. Melakukan eksplorasi data curah hujan harian untuk mengidentifikasi adanya curah hujan ekstrim.
2. Menentukan nilai ambang u menggunakan kuantil 10% nilai tertinggi dari data analisis yang digunakan untuk mengambil nilai-nilai ekstrim.
3. Melakukan pendugaan parameter GPD menggunakan metode kemungkinan maksimum.
4. Pemeriksaan model menggunakan plot kuantil-kuantil, plot peluang, dan uji Kolmogorov Smirnov.
5. Meramalkan nilai tingkat pengembalian curah hujan maksimum.
HASIL DAN PEMBAHASAN
Eksplorasi Data Curah Hujan
Secara eksplorasi curah hujan harian periode tahunan untuk tahun 2001-2010 pada stasiun pengamat di daerah Darmaga, menunjukkan adanya nilai-nilai ekstrim seperti yang terlihat pada Gambar 1. Sementara untuk mengetahui adanya curah hujan ekstrim pada periode musim hujan (Oktober-Maret), variasi jumlah hari hujan serta kisaran tinggi curah hujan dapat ditunjukkan oleh Gambar 2 dan Tabel 1. Gambar 2 menunjukkan adanya curah hujan ekstrim pada periode musim hujan. Sementara Tabel 1 menunjukkan bahwa pada selang tahun 2001-2010 banyaknya hari hujan per tahun di atas 50 %, sedangkan rata-rata banyaknya hari hujan per bulan di atas 51%. Hal ini menunjukkan pula bahwa secara rata-rata daerah Darmaga sering turun hujan dengan variasi curah hujan yang cukup tinggi. Kisaran curah hujan tertinggi terjadi pada tahun 2007 dengan curah hujan 156 mm, sedangkan pada tahun 2010 memiliki waktu terpanjang terjadinya turun hujan harian dalam waktu 1 tahun.
Berdasarkan informasi yang diperoleh dari BMKG, keadaan curah hujan dikatakan musim kering jika curah hujan kurang dari 50 mm/10 hari (< 50 mm/10 hari) dan musim hujan jika curah hujan mencapai lebih dari atau sama
dengan 50 mm/10 hari (≥ 50 mm/ 10 hari).
3 Jika plot peluang dan plot kuantil-kuantil
membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009).
Tingkat Pengembalian
Dalam praktik, besaran atau kuantitas yang menjadi perhatian bukan hanya tertuju pada pendugaan parameter itu sendiri, tetapi pada tingkat pengembalian (return level) dari penduga GPD. Tingkat pengembalian merupakan nilai maksimum yang diharapkan akan dilampaui satu kali dalam jangka waktu m pengamatan dengan periode tertentu. Peluang tidak bersyarat untuk peubah acak X yaitu P{X>x} diperlukan untuk memperoleh nilai tingkat pengembalian, dengan merupakan nilai maksimum yang diharapkan dari tingkat pengembalian (x>u). Misalkan melambangkan peluang P{X>u} dan peluang bersyarat X dengan syarat X>u dapat dinyatakan dengan persamaan sebagai berikut :
P{ }= ⁄ (6) dengan mensubstitusikan persamaan (6) terhadap
akan diperoleh peluang P{X>x} dengan persamaan sebagai berikut :
P{ } ⁄ (7) untuk mendapatkan persamaan nilai tingkat pengembalian diperlukan persamaan sebagai berikut:
⁄ (8) Nilai dapat diperoleh dengan menyelesaikan persamaan (8) sehingga akan diperoleh persamaan sebagai berikut:
( ) (9) dengan dapat diduga dengan ̂ ⁄ , (Mallor et al. 2009). Pengukuran tingkat kesalahan antara nilai aktual dengan nilai tingkat pengembalian (ramalan) dapat menggunakan Rata-rata Kesalahan Absolut Relatif (Mean Absolute Percent Error,MAPE) yang dirumuskan sebagai berikut:
MAPE ∑ ⁄
100% (10)
Semakin kecil nilai MAPE maka hasil ramalan semakin mendekati nilai sebenarnya (Chatfield 1984).
METODOLOGI
Data
Data yang digunakan dalam penelitian ini berupa data sekunder yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika (BMKG). Periode data curah hujan harian yang digunakan
dari tahun 2001-2010 pada stasiun pengamat yang berada di daerah Darmaga, Bogor.
Metode
Langkah-langkah yang dilakukan dalam penelitian ini adalah sebagai berikut:
1. Melakukan eksplorasi data curah hujan harian untuk mengidentifikasi adanya curah hujan ekstrim.
2. Menentukan nilai ambang u menggunakan kuantil 10% nilai tertinggi dari data analisis yang digunakan untuk mengambil nilai-nilai ekstrim.
3. Melakukan pendugaan parameter GPD menggunakan metode kemungkinan maksimum.
4. Pemeriksaan model menggunakan plot kuantil-kuantil, plot peluang, dan uji Kolmogorov Smirnov.
5. Meramalkan nilai tingkat pengembalian curah hujan maksimum.
HASIL DAN PEMBAHASAN
Eksplorasi Data Curah Hujan
Secara eksplorasi curah hujan harian periode tahunan untuk tahun 2001-2010 pada stasiun pengamat di daerah Darmaga, menunjukkan adanya nilai-nilai ekstrim seperti yang terlihat pada Gambar 1. Sementara untuk mengetahui adanya curah hujan ekstrim pada periode musim hujan (Oktober-Maret), variasi jumlah hari hujan serta kisaran tinggi curah hujan dapat ditunjukkan oleh Gambar 2 dan Tabel 1. Gambar 2 menunjukkan adanya curah hujan ekstrim pada periode musim hujan. Sementara Tabel 1 menunjukkan bahwa pada selang tahun 2001-2010 banyaknya hari hujan per tahun di atas 50 %, sedangkan rata-rata banyaknya hari hujan per bulan di atas 51%. Hal ini menunjukkan pula bahwa secara rata-rata daerah Darmaga sering turun hujan dengan variasi curah hujan yang cukup tinggi. Kisaran curah hujan tertinggi terjadi pada tahun 2007 dengan curah hujan 156 mm, sedangkan pada tahun 2010 memiliki waktu terpanjang terjadinya turun hujan harian dalam waktu 1 tahun.
Berdasarkan informasi yang diperoleh dari BMKG, keadaan curah hujan dikatakan musim kering jika curah hujan kurang dari 50 mm/10 hari (< 50 mm/10 hari) dan musim hujan jika curah hujan mencapai lebih dari atau sama
dengan 50 mm/10 hari (≥ 50 mm/ 10 hari).
3 Jika plot peluang dan plot kuantil-kuantil
membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009).
Tingkat Pengembalian
Dalam praktik, besaran atau kuantitas yang menjadi perhatian bukan hanya tertuju pada pendugaan parameter itu sendiri, tetapi pada tingkat pengembalian (return level) dari penduga GPD. Tingkat pengembalian merupakan nilai maksimum yang diharapkan akan dilampaui satu kali dalam jangka waktu m pengamatan dengan periode tertentu. Peluang tidak bersyarat untuk peubah acak X yaitu P{X>x} diperlukan untuk memperoleh nilai tingkat pengembalian, dengan merupakan nilai maksimum yang diharapkan dari tingkat pengembalian (x>u). Misalkan melambangkan peluang P{X>u} dan peluang bersyarat X dengan syarat X>u dapat dinyatakan dengan persamaan sebagai berikut :
P{ }= ⁄ (6) dengan mensubstitusikan persamaan (6) terhadap
akan diperoleh peluang P{X>x} dengan persamaan sebagai berikut :
P{ } ⁄ (7) untuk mendapatkan persamaan nilai tingkat pengembalian diperlukan persamaan sebagai berikut:
⁄ (8) Nilai dapat diperoleh dengan menyelesaikan persamaan (8) sehingga akan diperoleh persamaan sebagai berikut:
( ) (9) dengan dapat diduga dengan ̂ ⁄ , (Mallor et al. 2009). Pengukuran tingkat kesalahan antara nilai aktual dengan nilai tingkat pengembalian (ramalan) dapat menggunakan Rata-rata Kesalahan Absolut Relatif (Mean Absolute Percent Error,MAPE) yang dirumuskan sebagai berikut:
MAPE ∑ ⁄
100% (10)
Semakin kecil nilai MAPE maka hasil ramalan semakin mendekati nilai sebenarnya (Chatfield 1984).
METODOLOGI
Data
Data yang digunakan dalam penelitian ini berupa data sekunder yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika (BMKG). Periode data curah hujan harian yang digunakan
dari tahun 2001-2010 pada stasiun pengamat yang berada di daerah Darmaga, Bogor.
Metode
Langkah-langkah yang dilakukan dalam penelitian ini adalah sebagai berikut:
1. Melakukan eksplorasi data curah hujan harian untuk mengidentifikasi adanya curah hujan ekstrim.
2. Menentukan nilai ambang u menggunakan kuantil 10% nilai tertinggi dari data analisis yang digunakan untuk mengambil nilai-nilai ekstrim.
3. Melakukan pendugaan parameter GPD menggunakan metode kemungkinan maksimum.
4. Pemeriksaan model menggunakan plot kuantil-kuantil, plot peluang, dan uji Kolmogorov Smirnov.
5. Meramalkan nilai tingkat pengembalian curah hujan maksimum.
HASIL DAN PEMBAHASAN
Eksplorasi Data Curah Hujan
Secara eksplorasi curah hujan harian periode tahunan untuk tahun 2001-2010 pada stasiun pengamat di daerah Darmaga, menunjukkan adanya nilai-nilai ekstrim seperti yang terlihat pada Gambar 1. Sementara untuk mengetahui adanya curah hujan ekstrim pada periode musim hujan (Oktober-Maret), variasi jumlah hari hujan serta kisaran tinggi curah hujan dapat ditunjukkan oleh Gambar 2 dan Tabel 1. Gambar 2 menunjukkan adanya curah hujan ekstrim pada periode musim hujan. Sementara Tabel 1 menunjukkan bahwa pada selang tahun 2001-2010 banyaknya hari hujan per tahun di atas 50 %, sedangkan rata-rata banyaknya hari hujan per bulan di atas 51%. Hal ini menunjukkan pula bahwa secara rata-rata daerah Darmaga sering turun hujan dengan variasi curah hujan yang cukup tinggi. Kisaran curah hujan tertinggi terjadi pada tahun 2007 dengan curah hujan 156 mm, sedangkan pada tahun 2010 memiliki waktu terpanjang terjadinya turun hujan harian dalam waktu 1 tahun.
Berdasarkan informasi yang diperoleh dari BMKG, keadaan curah hujan dikatakan musim kering jika curah hujan kurang dari 50 mm/10 hari (< 50 mm/10 hari) dan musim hujan jika curah hujan mencapai lebih dari atau sama
dengan 50 mm/10 hari (≥ 50 mm/ 10 hari).
4 Gambar 1. Diagram kotak garis curah hujan periode tahunan 2001-2010.
curah hujan tersebut dengan jumlah hari terjadinya turun hujan dalam waktu 1 tahun di daerah Darmaga. Curah hujan normal untuk periode tahun 2001-2010 rata-rata terjadi turun hujan sebanyak 47 hari, sedangkan untuk curah hujan tidak normal secara rata-rata terjadi 183 hari dengan curah hujan di bawah normal rata-rata terjadi 163 hari dan di atas normal rata-rata-rata-rata 20 hari. Dalam penelitian ini, curah hujan di atas normal akan dikaji lebih lanjut untuk mengurangi kerugian di masa yang akan datang. Data tahun 2001-2008 akan digunakan sebagai data analisis sedangkan data tahun 2009 dan 2010 akan digunakan sebagai data validasi.
Pendugaan Parameter GPD Sebelum melakukan pendugaan parameter GPD, terlebih dahulu dilakukan penentuan nilai ambang u menggunakan grafik MRLP seperti yang ditunjukkan oleh Gambar 3. Penentuan nilai ambang u dapat dilakukan menggunakan grafik pada Gambar 3, nilai u dipilih dengan cara melihat pola grafik yang membentuk garis lurus atau linier pada u. Ketika pola grafik sudah tidak beraturan maka nilai u dapat dipilih pada titik
awal terjadinya perubahan pola tersebut. Seperti yang ditunjukkan oleh garis putus-putus pada Gambar 3, nilai u masih sulit untuk ditentukan. Oleh karena itu, dalam penelitian ini nilai ambang u akan dipilih dengan metode yang disarankan oleh Chavez-Demoulin yaitu dengan mengambil 10 % nilai tertinggi dari data analisis yang digunakan. Proses penentuan nilai ambang u dengan metode kuantil 10% ini dapat ditunjukkan pada Gambar 4.
Setelah data diurutkan dari nilai tertinggi sampai nilai terendah maka akan diperoleh nilai ambang u yang akan dipilih. Pada Gambar 4, penentuan nilai ambang u ditunjukkan oleh garis putus-putus. Berdasarkan pada Gambar 4, nilai ambang u yang terpilih untuk data analisis 1 Januari 2001- 31 Desember 2008 adalah 36. Sementara periode untuk data analisis yang lainnya mempunyai proses yang sama dalam penentuan nilai ambang u. Dalam penelitian ini, pendugaan parameter dilakukan untuk dua periode analisis yaitu pada periode tahunan dari bulan Januari – Desemeber dan periode musim hujan dari bulan Oktober – Maret.
Gambar 2. Diagram kotak garis curah hujan periode musim hujan tahun 2001-2010 Tahun
C
ur
ah
h
uj
an
(
m
m
)
2010 2009 2008 2007 2006 2005 2004 2003 2002 2001 160
140
120
100
80
60
40
20
5 Tabel 1. Jumlah hari hujan dan kisaran curah hujan tahun 2001-2010
Tahun Banyaknya hari hujan (hari)
Rata-rata banyakanya hari hujan per bulan(hari)
Kisaran tinggi curah hujan (mm)
2001 226 18.83 0 – 107
2002 213 17.75 0 – 127
2003 234 19.50 0 – 123
2004 205 17.08 0 – 142
2005 260 21.67 0 – 127
2006 184 15.33 0 – 136
2007 229 19.08 0 – 156
2008 251 20.92 0 – 105
2009 233 19.42 0 – 115
2010 267 22.25 0 - 145
Hasil pendugaan parameter untuk menentukan ramalan curah hujan maksimum periode tahunan untuk 2 bulan ke depan dapat dilihat pada Tabel 2. Interpretasi terhadap parameter skala σ menggambarkan bentuk dari fungsi peluangnya atau menyatakan pola keragaman data.
Sedangkan parameter ξ menggambarkan perilaku titik ujung kanan dari fungsi peluangnya. Jika ξ <
0 maka fungsi peluangnya akan mempunyai titik ujung kanan yang terhingga dengan batas
dan jika ξ ≥ 0 maka fungsi peluangnya akan
mempunyai titik ujung kanan yang tak terhingga (Mallor et.al 2009). Tabel 2 untuk periode tahunan menunjukkan nilai dugaan parameter
skala σ yang paling besar pada periode 1 Januari
2001 – 30 Juni 2009 dengan nilai sebesar 27.75 dan nilai terkecil pada periode 1 Januari 2001 – 30 Juni 2010 dengan nilai sebesar 26.83. Pada periode 1 Januari 2001 – 30 Juni 2009
dimungkinkan variasi curah hujan lebih beragam dibandingkan dengan periode 1 Januari 2001 – 30 Juni 2010. Nilai ambang u untuk setiap periode secara keseluruhan memiliki nilai 35 dan 36.
Parameter bentuk ξ untuk semua periode pada Tabel 2 mempunyai nilai dugaan ξ < 0. Hal ini
menunjukkan fungsi peluangnya mempunyai titik ujung kanan yang terhingga. Berdasarkan persamaan (2) dan hasil analisis pada Tabel 2 maka dapat diperoleh fungsi sebaran GPD untuk periode 1 Januari 2001 – 31 Desember 2008 sebagai berikut:
⁄ (11) dengan menurunkan persamaan (11) maka akan diperoleh fkp untuk periode 1 Januari 2001 – 31 Desember 2008 sebagai berikut:
(12)
Gambar 3. Grafik MRLP.
u
M
ean E
kse
6 Gambar 4. Histogram data curah hujan dan nilai kuantil 10%.
Berdasarkan persamaan (12) maka grafik fkp untuk periode 1 Januari 2001- 31 Desember 2008 dapat dilihat pada Gambar 5 yang menunjukkan bahwa grafik yang terbentuk mengindikasikan nilai ekstrim yang terambil memiliki sebaran GPD. Sementara fkp untuk data analisis periode yang lainnya dapat dilihat pada Lampiran 2 dan 3. Hasil dugaan parameter untuk menentukan ramalan curah hujan maksimum periode tahunan untuk 3 bulan ke depan diberikan dalam Tabel 3. Pada Tabel 3 menunjukkan nilai ambang u yang diperoleh 35, 36, dan 37, sedangkan nilai ξ < 0 serta nilai σ berada di sekitar 26.83 - 27.75. Sementara nilai dugaan parameter untuk ramalan curah hujan maksimum periode tahunan untuk 6 bulan ke depan dapat dilihat dalam Tabel 4. Pada Tabel 4 menunjukkan nilai ambang u yang diperoleh sebesar 35 dan 36, sementara nilai ξ<0
serta nilai σ berada di sekitar 26.83 – 27.75. Sementara hasil pendugaan parameter untuk periode musim hujan dapat dilihat pada Tabel 5, 6, dan 7. Tabel 5 menunjukkan hasil dugaan
parameter untuk 2 bulan ke depan, dengan nilai ambang u yang diperoleh sebesar 39 serta nilai
ξ<0 dan σ berkisar 27.74 - 29.36. Sementara pada Tabel 6 menggambarkan hasil dugaan parameter untuk 3 bulan ke depan pada periode musim hujan dengan u sebesar 39, ξ<0, dan σ berada pada nilai 27.96 – 29.36. Hasil dugaan parameter untuk 6 bulan ke depan pada periode musim hujan disajikan dalam Tabel 7 dengan nilai u sebesar 39, ξ<0, dan 28.84 – 29.94. Ketiga parameter tersebut memiliki interpretasi yang sama seperti yang telah dijelaskan sebelumnya pada nilai dugaan parameter dalam Tabel 2. Setelah model telah terbentuk, pemeriksaan asumsi sebaran merupakan hal yang penting untuk memeriksa kesesuaian pola sebaran antara sebaran empirik dengan sebaran teoritisnya. Plot peluang dan plot kuantil-kuantil akan digunakan dalam penelitian ini untuk memeriksa kesesuaian pola sebaran data. Gambar 6 dan 7 menunjukkan plot peluang dan plot kuantil-kuantil untuk periode 1 Januari 2001 – 31 Desember 2008.
Tabel 2. Nilai dugaan parameter GPD periode tahunan untuk 2 bulan ke depan
Periode analisis Nilai dugaan parameter
u σ ξ
1 Jan 2001-31 Des 2008 36 27.20 -0.118 1 Jan 2001-28 Feb 2009 36 27.19 -0.118 1 Jan 2001-30 Apr 2009 36 27.14 -0.119 1 Jan 2001-30 Jun 2009 36 27.75 -0.129 1 Jan 2001-31 Agust 2009 35 27.37 -0.119 1 Jan 2001-31 Okt 2009 35 26.94 -0.112 1 Jan 2001-31 Des 2009 35 26.86 -0.113 1 Jan 2001-28 Feb 2010 35 27.05 -0.119 1 Jan 2001-30 Apr 2010 35 27.12 -0.121 1 Jan 2001-30 Jun 2010 35 26.83 -0.116 1 Jan 2001-31 Agust 2010 35 27.02 -0.121 1 Jan 2001-31 Okt 2010 35 26.99 -0.108
Curah hujan (mm)
Fr
ek
ue
ns
i
140 120 100 80 60 40 20 0 1600
1400
1200
1000
800
600
400
200
0
7 Tabel 3. Nilai dugaan parameter GPD periode tahunan untuk 3 bulan ke depan
Periode analisis Nilai dugaan parameter
u σ ξ
1 Jan 2001-31 Des 2008 36 27.20 -0.118 1 Jan 2001-31 Mar 2009 37 27.08 -0.118 1 Jan 2001-30 Jun 2009 36 27.75 -0.129 1 Jan 2001-30 Sep 2009 36 27.60 -0.126 1 Jan 2001-31 Des 2009 35 26.86 -0.113 1 Jan 2001-31 Mar 2010 36 27.48 -0.131 1 Jan 2001-30 Jun 2010 35 26.83 -0.116 1 Jan 2001-30 Sep 2010 36 27.36 -0.118
Tabel 4. Nilai dugaan parameter GPD periode tahunan untuk 6 bulan ke depan
Periode analisis Nilai dugaan parameter
u σ ξ
1 Jan 2001-31 Des 2008 36 27.20 -0.118 1 Jan 2001-30 Jun 2009 36 27.75 -0.129 1 Jan 2001-31 Des 2009 35 26.86 -0.113 1 Jan 2001-30 Jun 2010 35 26.83 -0.116
Gambar 5. Grafik fungsi kepekatan peluang periode 1 Januari 2001 – 31 Desember 2008.
Hasil plot peluang dan plot kuantil-kuantil yang ditunjukkan oleh Gambar 6 dan 7 mengindikasikan bahwa data empirik mengikuti sebaran teoritisnya, yaitu GPD. Hal ini dikarenakan kedua plot tersebut membentuk garis lurus atau linier. Namun, untuk lebih meningkatkan kepercayaan terhadap kesesuaian pola sebaran tersebut dan menghindari subjektifitas, suatu uji formal perlu dilakukan untuk memeriksa pola sebaran data yang terbentuk. Dalam penelitian ini, uji formal yang
digunakan adalah uji Kolmogorov-Smirnov. Statistik uji Kolmogorov-Smirnov untuk periode 1 Januari 2001- 31 Desember 2008 memiliki nilai kritis D = 0.045 <
√ untuk α=0.05
sehingga hipotesis nol diterima. Hal ini menunjukkan bahwa data empirik yang digunakan mengikuti sebaran teoritisnya yaitu GPD. Sedangkan untuk uji Kolmogorov-Smirnov untuk data analisis yang lainnya dapat dilihat pada Lampiran 4, 5, 6, 7, 8, dan 9. Model yang telah memenuhi asumsi ini dapat digunakan untuk menentukan ramalan curah hujan maksimum.
Gambar 6. Plot peluang untuk periode 1 Januari 2001 – 31 Desember 2008.
Tabel 5. Nilai dugaan parameter GPD periode musim hujan untuk 2 bulan ke depan
Periode analisis Nilai dugaan parameter
u σ ξ
1 Jan 2001-31 Mar 2008 39 29.36 -0.179
1 Jan 2001-30 Nop 2008 39 29.06 -0.178
1 Jan 2001-31 Jan 2009 39 29.21 -0.184
1 Jan 2001-31 Mar 2009 39 28.84 -0.176
1 Jan 2001-30 Nop 2009 39 28.15 -0.168
1 Jan 2001-31 Jan 2010 39 27.74 -0.161
1 Jan 2001-31 Mar 2010 39 28.11 -0.174
h(y)
8 Tabel 6. Nilai dugaan parameter GPD periode musim hujan untuk 3 bulan ke depan
Periode analisis Nilai dugaan parameter
u σ ξ
1 Jan 2001-31 Mar 2008 39 29.36 -0.179
1 Jan 2001-31 Des 2008 39 29.02 -0.179
1 Jan 2001-31 Mar 2009 39 28.84 -0.176
1 Jan 2001-31 Des 2009 39 27.96 -0.165
1 Jan 2001-31 Mar 2010 39 28.11 -0.174
Tabel 7. Nilai dugaan parameter GPD periode musim hujan untuk 6 bulan ke depan
Periode analisis u Nilai dugaan parameter σ ξ 1 Jan 2001 - 31 Mar 2007 39 29.94 -0.173 1 Jan 2001 - 31Mar 2008 39 29.36 -0.179 1 Jan 2001 - 31 Mar 2009 39 28.84 -0.176
Gambar 7. Plot kuantil-kuantil untuk periode 1 Januari 2001 – 31 Desember 2008.
Tingkat Pengembalian
Pengkajian metode GPD ini tidak hanya tertuju pada pendugaan parameter GPD itu sendiri, tetapi pada nilai tingkat pengembalian curah hujan maksimum dari penduga parameter GPD untuk periode tertentu. Analisis tingkat pengembalian ini, bertujuan untuk memberikan gambaran seberapa besar suatu nilai maksimum yang diharapkan secara rata-rata dapat dilampaui satu kali dalam jangka waktu m pengamatan. Nilai tingkat pengembalian curah hujan yang diperoleh dapat dijadikan sebagai acuan untuk peramalan terjadinya curah hujan maksimum pada periode tertentu. Berdasarkan persamaan (9) dan hasil pada Tabel 2 maka dapat diperoleh persamaan tingkat pegembalian curah hujan maksimum periode 1 Januari 2001- 31 Desember 2008 sebagai berikut:
(13)
dengan m adalah banyaknya pengamatan untuk periode tingkat pengembalian. Grafik persamaan tingkat pengembalian curah hujan periode 1 Januari 2001 – 31 Desember 2008 dapat ditunjukkan pada Gambar 8.
Gambar 8. Grafik tingkat pengembalian curah hujan maksimum periode 1 Januari 2001 – 31 Desember 2008.
Sementara fungsi tingkat pengembalian untuk periode yang lainnya dapat dilihat pada Lampiran 10 dan 11. Keakuratan informasi mengenai ramalan curah hujan maksimum menjadi cukup berarti jika dikaitkan dengan kepentingan bidang pertanian pada khususnya, bahkan kepentingan umum untuk meminimumkan resiko yang bisa terjadi. Hasil ramalan tingkat pengembalian curah hujan maksimum untuk periode tahunan disajikan dalam Tabel 8, 9, dan 10. Berdasarkan informasi BMKG diacu dalam Prang (2006), adanya perbedaan nilai antara ramalan dengan data aktualnya sebesar 25 – 30%, ramalan yang diberikan masih cukup baik untuk digunakan.
Hasil analisis pada Tabel 8 menunjukkan adanya perbedaan yang cukup besar antara nilai ramalan dengan nilai aktualnya yaitu pada periode 1 Januari 2001 – 28 Februari 2009, 1 Januari 2001 – 30 April 2009, 1 Januari 2001- 30 Juni 2009, 1 Januari 2001 – 31 Agustus 2009, 1 Januari 2001 – 31 Agustus 2010, dan 1 Januari 2001 – 31 Oktober 2010 dengan tingkat kesalahan melebihi 30%. Kesalahan relatif terbesar berada pada periode 1 Januari 2001 – 30 Juni 2009 untuk tingkat pengembalian 2 bulan ke
Periode pengembalian (tahun)
T
in
gka
t
pe
ng
em
bal
ia
n (
m
m
)
0
200
9 Tabel 8. Ramalan tingkat pengembalian curah hujan 2 bulan ke depan periode tahunan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001-31 Des 2008 79.56 93 14.45 1 Jan 2009-28 Feb 2009 1 Jan 2001-28 Feb 2009 80.72 62 30.19 1 Mar 2009-30 Apr 2009 1 Jan 2001-30 Apr 2009 80.40 115 30.09 1 Mei 2009-30 Juni 2009 1 Jan 2001-30 Jun 2009 81.26 48 69.29 1 Jul 2009-31 Agust 2009 1 Jan 2001-31 Agust 2009 80.61 60 34.35 1 Sep 2009-31 Okt 2009 1 Jan 2001-31 Okt 2009 80.16 78 2.77 1 Nop 2009-31 Des 2009 1 Jan 2001-31 Des 2009 78.64 81 2.91 1 Jan 2010-28 Feb 2010 1 Jan 2001-28 Feb 2010 79.98 76 5.24 1 Mar 2010-30 Apr 2010 1 Jan 2001-30 Apr 2010 79.76 101 21.03 1 Mei 2010-20 Jun 2010 1 Jan 2001-30 Jun 2010 79.61 100 20.39 1 Jul 2010-31 Agust 2010 1 Jan 2001-31 Agust 2010 79.70 144 44.84 1 Sep 2010-31 Okt 2010 1 Jan 2001-31 Okt 2010 80.07 48 66.81 1 Nop 2010-31 Des 2010
depan (Juli dan Agustus). Pada periode bulan Juli dan Agustus 2009, realisasi terjadinya curah hujan maksimum berada di bawah normal dengan nilai sebesar 48, sehingga tingkat kesalahan untuk tingkat pengembalian curah hujan maksimum cukup besar. Hal ini terjadi pula pada periode 1 Januari 2001 – 31 oktober 2010 yang memiliki realisasi nilai curah hujan maksimum di bawah normal. Sementara untuk mendapatkan rata-rata kesalahan relatif dari ramalan tingkat pegembalian curah hujan maksimum periode tahunan untuk 2 bulan ke depan, dalam penelitian ini menggunakan MAPE. Semakin kecil nilai MAPE maka hasil ramalan semakin baik (Chatfield 1984).
Berdasarkan persamaan (10), rata-rata tingkat kesalahan pada Tabel 8 memiliki nilai MAPE sebesar 28.53%. Sedangkan hasil analisis pada Tabel 9 sebagian besar menunjukkan hasil yang lebih baik dari 2 bulan ke depan. Namun untuk periode 1 Januari 2001 – 30 Juni 2009 dan 1 Januari 2001 – 30 Juni 2010, memiliki kesalahan relatif di atas 30%. Secara keseluruhan hasil analisis pada Tabel 9 memiliki nilai MAPE sebesar 19.13%. Tabel 10 menunjukkan hasil analisis periode tahunan untuk 6 bulan ke depan dengan kesalahan relatif yang diperoleh masih di atas 30%. Nilai MAPE pada periode tahunan
untuk 6 bulan ke depan sebesar 19.4%. Nilai kesalahan relatif yang cukup besar (> 30%) pada periode tahunan untuk 2, 3, dan 6 bulan ke depan disebabkan adanya pengaruh faktor musiman.
Dalam penelitian ini, untuk mengetahui adanya pengaruh faktor musiman dilakukan analisis curah hujan maksimum pada periode musim hujan. Tabel 11 menunjukkan nilai ramalan tingkat pengembalian curah hujan maksimum pada periode musim hujan untuk periode 2 bulan ke depan. Kesalahan relatif pada periode musim hujan untuk 2 bulan ke depan masih memiliki nilai lebih dari 30% yaitu pada periode analisis 1 Januari 2001 – 31 Januari 2009 dan 1 Januari 2001 – 30 Nopember 2009 dengan nilai MAPE untuk 2 bulan ke depan sebesar 18.02%. Sedangkan Tabel 12 menunjukkan hasil ramalan pada periode musim hujan untuk 3 bulan ke depan dengan kesalahan relatif kurang dari 30%.
Berdasarkan nilai kesalahan relatifnya, maka hasil ramalan pada periode musim hujan untuk 3 bulan ke depan masih cukup relevan untuk digunakan dilapangan dengan nilai MAPE sebesar 6.79%. Sementara hasil ramalan tingkat pengembalian curah hujan maksimum pada periode musim hujan untuk 6 bulan ke depan dapat dilihat pada Tabel 13. Hasil analisis pada
Tabel 9. Ramalan tingkat pengembalian curah hujan 3 bulan ke depan periode tahunan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
10 Tabel 10. Ramalan tingkat pengembalian curah hujan 6 bulan ke depan periode tahunan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001-31 Des 2008 102.95 115 10.48 1 Jan 2009-30 Jun 2009 1 Jan 2001-30 Jun 2009 105.6 78 35.38 1 Jul 2009-31 Des 2009 1 Jan 2001-31 Des 2009 103.84 101 2.81 1 Jan 2010-30 Jun 2010 1 Jan 2001-30 Jun 2010 103.06 145 28.92 1 Jun 2010-31 Des 2010
Tabel 11. Ramalan tingkat pengembalian curah hujan 2 bulan ke depan periode musim hujan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001-31 Mar 2008 82.88 89 6.88 1 Okt 2008-30 Nop 2008 1 Jan 2001-30 Nop 2008 82.76 93 11.01 1 Des 2008-31 Jan 2009 1 Jan 2001-31 Jan 2009 82.48 41 50.29 1 Feb 2009-31 Mar 2009 1 Jan 2001-31 Mar 2009 81.52 78 4.51 1 Okt 2009-30 Nop 2009 1 Jan 2001-30 Nop 2009 81.07 48 40.79 1 Des 2009-31 Jan 2010 1 Jan 2001-31 Jan 2010 80.19 81 1.00 1 Feb 2010-31 Mar 2010 1 Jan 2001-31 Mar 2010 80.38 91 11.67 1 Okt 2010-30 Nop 2010
Tabel 12. Ramalan tingkat pengembalian curah hujan 3 bulan ke depan periode musim hujan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001-31 Mar 2008 92.11 89 3.49 1 Okt 2008-31 Des 2008 1 Jan 2001-31 Des 2008 91.50 93 1.61 1 Jan 2009-31 Mar 2009 1 Jan 2001-31 Mar 2009 90.68 78 16.26 1 Okt 2009-31 Des 2009 1 Jan 2001-31 Des 2009 89.72 81 10.76 1 Jan 2010-31 Mar 2010 1 Jan 2001-31 Mar 2010 89.36 91 1.80 1 Okt 2010-31 Des 2010
Tabel 13. Ramalan tingkat pengembalian curah hujan 6 bulan ke depan periode musim hujan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001 - 31 Mar 2007 106.38 105 1.31 1 Okt 2007-31 Mar 2008 1 Jan 2001 - 31 Mar 2008 105.06 93 12.97 1 Okt 2008-31 Mar 2009 1 Jan 2001 - 31 Mar 2009 103.56 81 27.85 1 Okt 2009-31 Mar 2010
Tabel 13 secara keseluruhan memiliki nilai kesalahan relatif kurang dari 30% dengan nilai MAPE 14.04%. Berdasarkan nilai MAPE, ramalan untuk tingkat pengembalian curah hujan maksimum pada periode musim hujan memiliki nilai ramalan yang lebih baik dari periode tahunan. Pada periode musim hujan, periode 3 bulan dan 6 bulan ke depan memiliki hasil ramalan yang masih cukup relevan untuk digunakan di lapangan. Namun berdasarkan nilai MAPE maka periode musim hujan untuk 3 bulan ke depan memiliki hasil ramalan yang lebih baik dari semua periode yang digunakan.
SIMPULAN
Simpulan
Sebaran pareto terampat dapat digunakan untuk mengkaji kejadian-kejadian ekstrim, salah satunya adalah fenomena curah hujan ekstrim di daerah Darmaga, Bogor. Hal-hal yang dikaji
10 Tabel 10. Ramalan tingkat pengembalian curah hujan 6 bulan ke depan periode tahunan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001-31 Des 2008 102.95 115 10.48 1 Jan 2009-30 Jun 2009 1 Jan 2001-30 Jun 2009 105.6 78 35.38 1 Jul 2009-31 Des 2009 1 Jan 2001-31 Des 2009 103.84 101 2.81 1 Jan 2010-30 Jun 2010 1 Jan 2001-30 Jun 2010 103.06 145 28.92 1 Jun 2010-31 Des 2010
Tabel 11. Ramalan tingkat pengembalian curah hujan 2 bulan ke depan periode musim hujan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001-31 Mar 2008 82.88 89 6.88 1 Okt 2008-30 Nop 2008 1 Jan 2001-30 Nop 2008 82.76 93 11.01 1 Des 2008-31 Jan 2009 1 Jan 2001-31 Jan 2009 82.48 41 50.29 1 Feb 2009-31 Mar 2009 1 Jan 2001-31 Mar 2009 81.52 78 4.51 1 Okt 2009-30 Nop 2009 1 Jan 2001-30 Nop 2009 81.07 48 40.79 1 Des 2009-31 Jan 2010 1 Jan 2001-31 Jan 2010 80.19 81 1.00 1 Feb 2010-31 Mar 2010 1 Jan 2001-31 Mar 2010 80.38 91 11.67 1 Okt 2010-30 Nop 2010
Tabel 12. Ramalan tingkat pengembalian curah hujan 3 bulan ke depan periode musim hujan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001-31 Mar 2008 92.11 89 3.49 1 Okt 2008-31 Des 2008 1 Jan 2001-31 Des 2008 91.50 93 1.61 1 Jan 2009-31 Mar 2009 1 Jan 2001-31 Mar 2009 90.68 78 16.26 1 Okt 2009-31 Des 2009 1 Jan 2001-31 Des 2009 89.72 81 10.76 1 Jan 2010-31 Mar 2010 1 Jan 2001-31 Mar 2010 89.36 91 1.80 1 Okt 2010-31 Des 2010
Tabel 13. Ramalan tingkat pengembalian curah hujan 6 bulan ke depan periode musim hujan
Periode analisis Ramalan (mm)
Realisasi (mm)
Kesalahan
relatif (%) Periode ramalan 1 Jan 2001 - 31 Mar 2007 106.38 105 1.31 1 Okt 2007-31 Mar 2008 1 Jan 2001 - 31 Mar 2008 105.06 93 12.97 1 Okt 2008-31 Mar 2009 1 Jan 2001 - 31 Mar 2009 103.56 81 27.85 1 Okt 2009-31 Mar 2010
Tabel 13 secara keseluruhan memiliki nilai kesalahan relatif kurang dari 30% dengan nilai MAPE 14.04%. Berdasarkan nilai MAPE, ramalan untuk tingkat pengembalian curah hujan maksimum pada periode musim hujan memiliki nilai ramalan yang lebih baik dari periode tahunan. Pada periode musim hujan, periode 3 bulan dan 6 bulan ke depan memiliki hasil ramalan yang masih cukup relevan untuk digunakan di lapangan. Namun berdasarkan nilai MAPE maka periode musim hujan untuk 3 bulan ke depan memiliki hasil ramalan yang lebih baik dari semua periode yang digunakan.
SIMPULAN
Simpulan
Sebaran pareto terampat dapat digunakan untuk mengkaji kejadian-kejadian ekstrim, salah satunya adalah fenomena curah hujan ekstrim di daerah Darmaga, Bogor. Hal-hal yang dikaji
SEBARAN PARETO TERAMPAT
UNTUK MENENTUKAN CURAH HUJAN EKSTRIM
(Studi Kasus: Curah Hujan Periode 2001-2010 pada Stasiun Darmaga)
MUHAMMAD IRFAN
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
11 DAFTAR PUSTAKA
Chatfield C. 1984. The Analysis of Time Series: An Introduction. Third Edition. London: Chapman and Hall.
Chavez DV, Sardy S. 2006. A bayesian nonparametric peaks over threshold method to estimate risk measures of nonstationary financial time series. [jurnal online].http://www.math.ethz.ch/riskomete r/npot.pdf. [29 April 2011].
Gilli M, Kellezi E. 2003. An application of extreme value theory for measuring risk. Department of Econometrics, University of Geneva and FAME CH-1211 Geneva 4,
Switzerland [jurnal
online].http://www.michaeltanphd.com/evt rm.pdf. [12 Mei 2011].
Ismaini F. 2006. Pergeseran Statistik Curah Hujan Ekstrim di Daerah Aliran Sungai Brantas Jawa Timur [skripsi]. Bogor: Program Sarjana, Institut Pertanian Bogor.
Mallor F, Nualart E, Omey E. 2009. An introduction to statistical modelling of extreme values application to calculate extreme wind speeds. Hogeschool Universiteit Brussel [jurnal on-line].
http://www.isse.ucar.edu/extremevalues/ev tk.html. [13 Jan 2011].
Nasir AA. 1995. Ruang Lingkup Klimatologi. In: Handoko (eds). Klimatologi Dasar. Jakarta: Pustaka Jaya.
Prang JD. 2006. Sebaran Nilai Ekstrim Terampat dalam Fenomena Curah Hujan [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Samuel K, Sarelees N. 2000. Extreme Value Distributions: Theory and Applications.[e-book]. London: Imperial College Press. ISBN:1860942245. http:/library.nu/e-books. [23 Des 2010].
SEBARAN PARETO TERAMPAT
UNTUK MENENTUKAN CURAH HUJAN EKSTRIM
(Studi Kasus: Curah Hujan Periode 2001-2010 pada Stasiun Darmaga)
MUHAMMAD IRFAN
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
RINGKASAN
MUHAMMAD IRFAN. Sebaran Pareto Terampat untuk Menentukan Curah Hujan
Ekstrim (Studi Kasus: Curah Hujan Periode 2001-2010 pada Stasiun Darmaga).
Dibimbing oleh AJI HAMIM WIGENA dan ANIK DJURAIDAH.
Beberapa tahun terakhir, perubahan cuaca sering tidak menentu sehingga menyebabkan
peristiwa cuaca ekstrim seperti hujan badai, banjir, dan tanah longsor. Studi mengenai
cuaca ekstrim perlu dilakukan untuk mengantisipasi kerugian yang mungkin terjadi di
masa yang akan datang. Penelitian ini bertujuan untuk mengkaji data curah hujan
ekstrim menggunakan Sebaran Pareto Terampat (
Generalized Pareto Distribution
,
GPD). Data yang digunakan berupa data sekunder, diperoleh dari Badan Meteorologi
Klimatologi dan Geofisika (BMKG) berupa curah hujan harian periode 2001-2010.
Metode yang digunakan dalam penelitian ini adalah teori nilai ekstrim berupa GPD.
Tingkat Pengembalian (
Return Level
) digunakan untuk meramalkan curah hujan
maksimum pada periode tahunan dan musim hujan. Hasil penelitian ini menunjukkan
nilai ramalan untuk periode musim hujan memiliki hasil ramalan yang lebih baik dari
periode tahunan. Nilai Rata-rata Kesalahan Absolut Relatif (
Mean Absolute Percent
Error
, MAPE) pada periode tahunan untuk 2, 3, dan 6 bulan ke depan secara
berturut-turut sebesar 28.53%, 19.13%, dan 19.4%. Sementara Nilai MAPE pada periode musim
hujan untuk 2, 3, dan 6 bulan ke depan sebesar 18.02%, 6.79%, dan 14.04%.
Berdasarkan nilai MAPE maka periode musim hujan untuk 3 bulan ke depan memiliki
hasil ramalan lebih baik dari semua periode analisis yang digunakan.
SEBARAN PARETO TERAMPAT
UNTUK MENENTUKAN CURAH HUJAN EKSTRIM
(Studi Kasus: Curah Hujan Periode 2001-2010 pada Stasiun Darmaga)
MUHAMMAD IRFAN
SKRIPSI
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
Judul Skripsi : Sebaran Pareto Terampat untuk Menentukan Curah Hujan Ekstrim
(Studi Kasus: Curah Hujan Periode 2001-2010 pada Stasiun Darmaga).
Nama : Muhammad Irfan
NIM
: G14070044
Menyetujui
Pembimbing I,
Pembimbing II,
(Dr.Ir. Aji Hamim Wigena, M.Sc)
(Dr.Ir. Anik Djuraidah, MS)
NIP: 19520928197701 1 001
NIP: 19630515198703 2 002
Mengetahui :
Ketua Departemen,
(Dr. Ir. Hari Wijayanto, MSi)
NIP: 19650421199002 1 001
RIWAYAT HIDUP
PRAKATA
Alhamdulillah, puji dan syukur penulis panjatkan kehadirat Alloh SWT karena atas
izin dan karunia-Nya karya ilmiah ini dapat diselesaikan. Judul yang dipilih dalam
karya ilmiah ini adalah Sebaran Pareto Terampat untuk Menentukan Curah Hujan
Ekstrim (Studi Kasus: Curah Hujan Periode 2001-2010 pada Stasiun Darmaga).
Penelitian ini dilaksanakan sejak bulan Oktober 2010 - Mei 2011.
Dalam menyelesaikan karya ilmiah ini tentunya penulis tidak akan berhasil jika tidak
ada pihak-pihak yang membantu atau memberikan dukungan kepada penulis, oleh
karena itu penulis mengucapkan terimakasih yang sebesar-besarnya kepada:
1.
Bapak Dr.Ir. Aji Hamim Wigena, M.Sc dan Dr.Ir. Anik Djuraidah, M.Si selaku
pembimbing. Terima kasih atas segala bimbingan, saran, kritik, dan perhatian
yang telah diberikan hingga selesainya karya ilmiah ini.
2.
Kedua orangtuaku, kakak-kakakku, dan adikku. Terima kasih atas segala
dukungannya,
do’anya, dan juga kasih sayangnya selama ini.
3.
Keluarga besar Badan Meteorologi Klimatologi dan Geofisika, Ibu Kepala Pusat
Iklim dan Agroklimat, Bapak Erwin dengan segenap jajarannya, dan pak marzuki.
Terima kasih atas informasi yang telah diberikan dalam penyusunan karya ilmiah
ini.
4.
Staf Departemen Statistika, Bu Markonah, Bu Tri, Bu Aat, Mang Herman, Mang
Dur, Pak Iyan. Terima kasih atas bantuannya selama ini.
5.
Teman-teman angkatan 44: Asep, Pingkan, Riska, Aris, dan Ahmad (
teman-teman
seperjuangan skripsi
), abi Hendra dan Ary (
The Agent of Change, teruskan
perjuangan kalian
), Doni, Akbar riski, Triyani, Gunawan, dan Keluarga Besar
BeSt, dan teman-teman lainnya yang tidak bisa disebutkan satu per satu.
6.
Adik-adik kelasku angkatan 45, 46, dan 47.
7.
Semua pihak yang tidak mungkin disebutkan satu per satu yang telah membantu
penulis selama ini.
Akhirnya penulis berharap semoga tulisan ini bermanfaat untuk memberikan
kontribusi yang nyata terhadap pengembangan ilmu pengetahuan di bidang Statistika
dan penerapannya di bidang Klimatologi.
Bogor, Juni 2011
DAFTAR ISI
Halaman
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... ix
DAFTAR LAMPIRAN ... ix
PENDAHULUAN
Latar Belakang………..
... 1
Tujuan ... 1
TINJAUAN PUSTAKA
Cuaca Ekstrim ... 1
Sebaran Pareto Terampat ... 1
Pemilihan Nilai Ambang ... 2
Pemeriksaan Model ... 2
Tingkat Pengembalian ... 3
METODOLOGI
Data ... 3
Metode ... 3
HASIL DAN PEMBAHASAN ... 3
SIMPULAN
Simpulan ... 10
DAFTAR PUSTAKA ... 11
viii
DAFTAR TABEL
Halaman
1.
Jumlah hari hujan dan kisaran curah hujan
tahun 2001-2010 ... 5
2.
Nilai dugaan parameter GPD periode tahunan
untuk 2 bulan ke depan ... 6
3.
Nilai dugaan parameter GPD periode tahunan
untuk 3 bulan ke depan ... 7
4.
Nilai dugaan parameter GPD periode tahunan
untuk 6 bulan ke depan ... 7
5.
Nilai dugaan parameter GPD periode musim hujan
untuk 2 bulan ke depan ... 7
6.
Nilai dugaan parameter GPD periode musim hujan
untuk 3 bulan ke depan ... 8
7.
Nilai dugaan parameter GPD periode musim hujan
untuk 6 bulan ke depan ... 8
8.
Ramalan tingkat pengembalian curah hujan 2 bulan
ke depan periode tahunan ... 9
9.
Ramalan tingkat pengembalian curah hujan 3 bulan
ke depan periode tahunan ... 9
10.
Ramalan tingkat pengembalian curah hujan 6 bulan
ke depan periode tahunan ... 10
11.
Ramalan tingkat pengembalian curah hujan 2 bulan
ke depan periode musim hujan ... 10
12.
Ramalan tingkat pengembalian curah hujan 3 bulan
ke depan periode musim hujan ... 10
13.
Ramalan tingkat pengembalian curah hujan 6 bulan
ix
DAFTAR GAMBAR
Halaman
1.
Diagram kotak garis curah hujan
periode tahunan 2001-2010 ... 4
2.
Diagram kotak garis curah hujan
periode musim hujan tahun 2001-2010 ... 4
3.
Grafik MRLP ... 5
4.
Histogram data curah hujan dan nilai kuantil 10% ... 6
5.
Grafik fungsi kepekatan peluang
periode 1 Januari 2001-31 Desember 2008 ... 7
6.
Plot peluang untuk periode
1 Januari 2001-31 Desember 2008 ... 7
7.
Plot kuantil-kuantil untuk periode
1 Januari 2001-31 Desember 2008 ... 8
8.
Grafik tingkat pengembalian curah hujan maksimum
periode 1 Januari 2001-31 Desember 2008 ... 8
DAFTAR LAMPIRAN
Halaman
1.
Jumlah hari hujan daerah Darmaga ... 12
2.
Fungsi kepekatan peluang periode tahunan
2, 3, dan 6 bulan ke depan ... 12
3.
Fungsi kepekatan peluang periode musim hujan
2, 3, dan 6 bulan ke depan ... 13
4.
Uji Kolmogorov-Smirnov periode tahunan
2 bulan ke depan ... 13
5.
Uji Kolmogorov-Smirnov periode tahunan
3 bulan ke depan ... 14
6.
Uji Kolmogorov-Smirnov periode tahunan
6 bulan ke depan ... 14
7.
Uji Kolmogorov-Smirnov periode musim hujan
2 bulan ke depan ... 14
8.
Uji Kolmogorov-Smirnov periode musim hujan
3 bulan ke depan ... 14
9.
Uji Kolmogorov-Smirnov periode musim hujan
6 bulan ke depan ... 15
10.
Fungsi tingkat pengembalian periode tahunan
2, 3, dan 6 bulan ke depan ... 15
11.
Fungsi tingkat pengembalian periode musim hujan
1 PENDAHULUAN
Latar Belakang
Cuaca dan iklim merupakan faktor utama yang sangat berpengaruh terhadap berbagai aktifitas kehidupan. Aktifitas manusia yang semakin meningkat mengakibatkan timbulnya perubahan pada komponen biofisik lingkungan. Seperti peningkatan konsentrasi gas-gas rumah kaca di atmosfer yang merupakan penyumbang utama terjadinya pemanasan dan perubahan iklim. Salah satu unsur cuaca dan iklim yang sangat bervariasi adalah curah hujan. Indonesia yang mayoritas penduduknya bekerja sebagai petani, curah hujan merupakan faktor utama untuk memperoleh hasil produksi pertanian yang optimal. Kondisi perubahan cuaca dan iklim yang tidak menentu atau berubah setiap saat mengakibatkan kerugian di berbagai sektor, khususnya pertanian. Akibat yang paling penting dari proses perubahan cuaca dan iklim ini adalah timbulnya peristiwa ekstrim seperti hujan badai, banjir, atau tanah longsor yang semakin sering terjadi akhir-akhir ini di Indonesia.
Oleh karena itu, diperlukan penanganan untuk penyimpangan iklim tersebut. Prang (2006) telah mengkaji fenomena curah hujan dengan menggunakan sebaran Nilai Ekstrim Terampat (Generalized Extreme Value, GEV) serta menyimpulkan bahwa pemodelan dengan GEV sangat bermanfaat untuk meramalkan curah hujan ekstrim tiga bulan ke depan. Dalam penelitiannya menyarankan untuk menggunakan sebaran nilai ekstrim terampat yang lebih spesifik untuk pengkajian lebih lanjut. Oleh karena itu, Sebaran Pareto Terampat (Generalized Pareto Distribution, GPD) akan digunakan untuk mengkaji lebih lanjut fenomena curah hujan ekstrim.
Tujuan
Tujuan dari penelitian ini adalah mengkaji data curah hujan ekstrim menggunakan GPD.
TINJAUAN PUSTAKA
Cuaca Ekstrim
Cuaca adalah keadaan sesaat dari atmosfer, serta perubahan dalam jangka pendek (kurang dari satu jam hingga 24 jam) di suatu tempat atau wilayah tertentu (Nasir 1993). Sementara iklim adalah sintesis dari perubahan nilai unsur-unsur cuaca dalam jangka panjang di suatu tempat atau pada suatu wilayah. Sintesis tersebut dapat dikatakan pula sebagai nilai statistik yang meliputi rata-rata, maksimum, minimum, frekuensi kejadian atau peluang kejadian.
Menurut World Meteorology Organitation (WMO) diacu dalam Ismaini (2006) menyatakan, cuaca ekstrim adalah keadaan cuaca saat terjadi hujan sangat lebat secara terus menerus dengan jumlah di atas 50 mm/jam. Sedangkan iklim ekstrim merupakan keadaan dimana nilai dari unsur-unsur iklim menyimpang di atas atau di bawah nilai normal.
Berdasarkan informasi yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika (BMKG), curah hujan harian di Indonesia dikategorikan ekstrim jika jumlah curah hujan harian memiliki nilai di atas 50 mm/hari. Penentuan nilai-nilai ekstrim menurut Gilli dan Kellezi (2003) dapat dilakukan dengan dua cara yaitu:
1. Mengambil nilai-nilai maksimum dalam suatu periode, misalnya periode mingguan atau bulanan, pengamatan dari nilai-nilai ini dianggap sebagai nilai-nilai ekstrim.
2. Mengambil nilai-nilai yang melampaui suatu nilai ambang (threshold) , seluruh nilai-nilai yang melampaui nilai-nilai ambang u dianggap sebagai nilai-nilai ekstrim.
Dalam penelitian ini, nilai curah hujan ekstrim diambil dengan menggunakan nilai ambang u.
Sebaran Pareto Terampat
Sebaran pareto terampat adalah salah satu metode alternatif dalam menganalisis nilai ekstrim. Sebaran ini termasuk dalam kelompok sebaran GEV. Sebaran GEV pertama kali diperkenalkan oleh Jenkinson pada tahun 1955 sedangkan GPD diperkenalkan oleh Pickands pada tahun 1975 (Samuel dan Sarelees 2000). Misalkan adalah peubah acak saling
bebas dan identik, statistik tataan
{ } yang merupakan
nilai-nilai ekstrim akan mengikuti sebaran GEV dengan fungsi sebarannya dapat dinyatakan sebagai berikut:
{
⁄
(1) dengan µ adalah parameter lokasi, σ adalah parameter skala, dan ξ adalah parameter bentuk.
Jika pengambilan nilai ekstrim diperoleh dari nilai yang melampaui ambang u maka akan mengikuti sebaran GPD dengan fungsi sebarannya dapat dinyatakan sebagai berikut:
= {
̃
⁄
2 dengan y > 0, (1+
̃ dan ̃
Nilai y adalah nilai yang melebihi nilai ambang u yang dirumuskan dengan , adalah data asli pengamatan. Misalkan ,…, dengan k adalah banyaknya nilai yang melampaui ambang u. Fungsi kepekatan peluang (fkp) untuk sebaran GPD dapat diperoleh dengan menurunkan fungsi sebarannya. Rumus untuk fkp dari sebaran GPD dapat dinyatakan sebagai berikut:
{
(3) Pendugaan parameter dapat dilakukan dengan beberapa metode seperti momen, momen terboboti, entropi maksimum dan kemungkinan maksimum. Berdasarkan hasil studi simulasi Singh dan Guo (1995) menyatakan bahwa metode kemungkinan maksimum memiliki nilai penduga terbaik dari ketiga metode yang lainnya. Oleh karena itu, dalam penelitian ini metode kemungkinan maksimum akan digunakan untuk melakukan pendugaan parameter. Pendugaan untuk parameter GPD menggunakan metode kemungkinan maksimum. Fungsi log kemungkinan dari dapat dinyatakan sebagai berikut: { ⁄ ∑( ⁄ ) ∑
(Mallor et al. 2009).
Pemilihan Nilai Ambang
Penentuan nilai-nilai ekstrim dengan nilai ambang u dalam sebaran GPD merupakan suatu hal yang sulit. Kondisi ini serupa dengan penentuan ukuran blok dalam sebaran GEV. Kedua kasus tersebut mengakibatkan penduga yang bias dan keragaman yang besar. Jika nilai ambang u terlalu rendah maka data yang melampaui nilai ambang u akan menghasilkan penduga yang bias. Disisi lain, jika nilai ambang u yang dipilih terlalu tinggi maka tidak akan cukup data untuk menduga model, sehingga menghasilkan ragam yang besar. Oleh karena itu, diperlukan suatu metode dalam menentukan nilai ambang u untuk meminimumkan bias dan keragaman tersebut. Ada beberapa metode untuk menentukan nilai ambang u diantaranya adalah
Mean Residual Life Plot (MRLP) dan metode yang disarankan oleh Chavest-Demoulin pada tahun 1999 yaitu dengan kuantil 10%.
MRLP merupakan salah satu metode untuk menentukan nilai ambang u. Metode MRLP ini berdasarkan pada rataan dari nilai-nilai ekstrim GPD. Namun metode MRLP ini memerlukan pengalaman dan keahlian dalam menentukan nilai ambang u. Sedangkan penentuan nilai ambang u dengan metode kuantil lebih praktis dan mudah diterapkan dibanding dengan metode MRLP. Berdasarkan hasil studi simulasi yang ekstensif, Chavez-Demoulin pada tahun 1999 merekomendasikan mengambil nilai-nilai ekstrim kurang lebih 10% nilai tertinggi dari data analisis yang digunakan. Kemudian berdasarkan hasil studi analisis sensitivitas pada tahun 2004, Chavez-Demoulin dan Embrechts menyatakan penggunaan metode kuantil 10% ini jika terjadi perubahan pada nilai u, dugaan parameter yang dihasilkan tidak akan terpengaruh oleh perubahan tersebut (Chavez dan Sardy 2006).
Pemeriksaan Model
Jika sebuah model untuk nilai telah memenuhi asumsi yaitu menyebar sesuai sebaran teoritisnya maka untuk u lebih dari model akan menyebar sesuai sebaran teoritisnya yaitu GPD. Pemeriksaan asumsi sebaran untuk nilai u yang telah ditentukan, dapat dilakukan dengan melihat kekonsistenan nilai dugaan parameter
dan σ. Plot peluang dan plot kuantil-kuantil dapat digunakan untuk melihat kekonsistenan nilai dugaan parameter untuk nilai u yang dipilih. Plot peluang dapat dibentuk dengan koordinat titik sebagai berikut:
⁄ (4) Nilai merupakan nilai-nilai ekstrim yang menyebar GPD dengan i=1,…,k. Sedangkan untuk plot kuantil-kuantil, dapat dibentuk dengan prosedur sebagai berikut:
1. Urutkan data menjadi , dengan data terkecil, data urutan ke-i dan data terbesar.
2. Untuk setiap tetapkan nilai dengan ⁄ .
3. Selanjutnya membuat plot kuantil dengan rumus sebagai berikut:
(5)
dengan i= 1,…,k dan persamaan dapat dinyatakan sebagai berikut:
{ ( )
3 Jika plot peluang dan plot kuantil-kuantil
membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009).
Tingkat Pengembalian
Dalam praktik, besaran atau kuantitas yang menjadi perhatian bukan hanya tertuju pada pendugaan parameter itu sendiri, tetapi pada tingkat pengembalian (return level) dari penduga GPD. Tingkat pengembalian merupakan nilai maksimum yang diharapkan akan dilampaui satu kali dalam jangka waktu m pengamatan dengan periode tertentu. Peluang tidak bersyarat untuk peubah acak X yaitu P{X&g