Melola Discovery

← Melola Discovery

Akses terbuka Jurnal Tanpa peringkat SINTA

Extreme Rainfall Analysis Of The West Papua Province Using Schlather’s Model Of Max Stable Process

Analisis Curah Hujan Ekstrem Daerah Provinsi Papua Barat Menggunakan Max Stable Process Model Schlather

Jurnal Matematika, Statistika dan Komputasi · Vol. 20 No. 1 (2023) · hlm. 152–163

DOI
10.20956/j.v20i1.27433
ISSN
2614-8811, 1858-1382
Terbit
2023-09-06
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Inggris

Data from Badan Pusat Statistik (BPS) in 2021 notes the province of West Papua as the province with the 5th highest rainfall in Indonesia with a rainfall of 3,811 mm. The province also recorded 268 rainy days, the most amongst all provinces in the country. The excess amount of rain is one of the causes of disasters such as floods. This research uses rainfall data from the Regencies of Manokwari, Fakfak, and Kaimana. The method used is Spatial Extreme Value particularly Schlather's Model of the Max Stable Process. The data used is hourly rainfall for the period of 13 March 2022 to 17 October 2022 with the proportion of training and testing data respectively 85.84% and 14.16%. Extreme data collection was carried out using the Block Maxima method with a fitting to the Generalized Extreme Value (GEV) distribution before being transformed into the Frechet Z margin units. The calculation of the extreme coefficient resulted in a value between 1.4 to 1.85, indicating a relationship between the locations. Next, the best trend surface model was determined, which involves latitude coordinates for the calculation of the location parameter and both longitude and latitude coordinates for the calculation of the scale parameter. The spatial parameter estimation is carried using the powered exponential correlation function. Then, model validation was carried out using MAPE based on a comparison of return levels and testing data. The MAPE values obtained was 22.61% for the BFGS iteration method. The final step is to calculate return levels for periods of 2, 4, 6, 8, and 10 years ahead. All the results were categorized under very heavy rain. These results can be used by related parties to carry out disaster mitigation efforts.

Bahasa Indonesia

Data dari BPS pada tahun 2021 mencatatkan bahwa Provinsi Papua Barat dengan curah hujan sebesar 3.811 mm adalah provinsi dengan curah hujan tertinggi ke-5 di Indonesia. Selain itu, Provinsi Papua Barat juga mencatatkan 286 hari hujan, menjadikan provinsi tersebut sebagai provinsi yang paling sering hujan di Indonesia pada tahun 2021. Banyaknya hujan yang turun merupakan salah satu penyebab bencana alam seperti banjir. Penelitian ini menggunakan data curah hujan dari Kabupaten Manokwari, Kabupaten Fakfak, dan Kabupaten Kaimana. Metode yang digunakan adalah Spatial Extreme Value dengan Max Stable Process Model Schlather. Data yang digunakan adalah curah hujan per jam periode 13 Maret 2022 hingga 17 Oktober 2022 dengan proporsi data training 85,84% dan testing 14,16%. Pengambilan data ekstrem dilakukan dengan metode Block Maximalalu fitting distribusi GEV kemudian ditransformasi ke unit margin Frechet Z. Selanjutnya dilakukan perhitungan koefisien ekstremal dengan hasil di antara 1,4 hingga 1,85 yang menunjukkan adanya hubungan antar lokasi. Kemudian ditentukan model trend surface terbaik, yaitu melibatkan koordinat lintang dalam perhitungan parameter lokasi serta menggunakan koordinat bujur dan lintang dalam perhitungan parameter skala. Selanjutnya dilanjutkan dengan estimasi parameter secara spasial dengan menggunakan fungsi korelasi powered exponential. Kemudian, dilakukan validasi model dengan menggunakan MAPE berdasarkan perbandingan return level dan data testing. Nilai MAPE yang didapatkan adalah 22,61% untuk metode iterasi BFGS. Langkah terakhir yaitu menghitung prediksi return level untuk periode 2, 4, 6, 8, dan 10 tahun ke depan. Seluruh hasil yang didapatkan termasuk ke dalam kategori sangat lebat. Hasil ini dapat digunakan oleh pihak terkait untuk melakukan upaya mitigasi bencana.

Kata kunci

Jaringan kolaborasi para penulis

17 penulis · 49 tautan kepenulisan bersama · 18 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Institut Teknologi Sepuluh Nopember
  • Indonesia Open University
  • Padjadjaran University
  • Institut Teknologi Kalimantan
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Prilyandari Dina SaputriInstitut Teknologi Sepuluh Nopember1
Pratnya Paramitha OktavianaAfiliasi tidak diketahui1
Galuh Oktavia SiswonoAfiliasi tidak diketahui1
Nyoman Gede Trisna SanjayaAfiliasi tidak diketahui1
Galuh Oktavia SiswonoInstitut Teknologi Sepuluh Nopember1
Nyoman Gede Trisna SanjayaInstitut Teknologi Sepuluh Nopember1
Radit Candra NugrohoInstitut Teknologi Sepuluh Nopember1
Subchan SubchanInstitut Teknologi Sepuluh Nopember1
Irma FitriaInstitut Teknologi Kalimantan1
Andriyansah AndriyansahIndonesia Open University1
Kasno PamungkasPadjadjaran University1
Alvian Alif HidayatullahInstitut Teknologi Sepuluh Nopember1
Niken Putri WulandariInstitut Teknologi Sepuluh Nopember1
Sena SafarinaInstitut Teknologi Sepuluh Nopember1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Extreme Rainfall Analysis Of The West Papua Province Using Schlather’s Model Of Max Stable Process </dc:title>
	<dc:title xml:lang="id">Analisis Curah Hujan Ekstrem Daerah Provinsi Papua Barat Menggunakan Max Stable Process Model Schlather</dc:title>
	<dc:creator xml:lang="en">Azzahra, Alya</dc:creator>
	<dc:creator xml:lang="en">Oktaviana, Pratnya Paramitha </dc:creator>
	<dc:creator xml:lang="en">Atok, R. Mohamad </dc:creator>
	<dc:subject xml:lang="en">Spatial Extreme Value</dc:subject>
	<dc:subject xml:lang="en">Max Stable Process</dc:subject>
	<dc:subject xml:lang="en">Schlather's Model</dc:subject>
	<dc:description xml:lang="en">Data from Badan Pusat Statistik (BPS) in 2021 notes the province of West Papua as the province with the 5th highest rainfall in Indonesia with a rainfall of 3,811 mm. The province also recorded 268 rainy days, the most amongst all provinces in the country. The excess amount of rain is one of the causes of disasters such as floods. This research uses rainfall data from the Regencies of Manokwari, Fakfak, and Kaimana. The method used is Spatial Extreme Value particularly Schlather's Model of the Max Stable Process. The data used is hourly rainfall for the period of 13 March 2022 to 17 October 2022 with the proportion of training and testing data respectively 85.84% and 14.16%. Extreme data collection was carried out using the Block Maxima method with a fitting to the Generalized Extreme Value (GEV) distribution before being transformed into the Frechet Z margin units. The calculation of the extreme coefficient resulted in a value between 1.4 to 1.85, indicating a relationship between the locations. Next, the best trend surface model was determined, which involves latitude coordinates for the calculation of the location parameter and both longitude and latitude coordinates for the calculation of the scale parameter. The spatial parameter estimation is carried using the powered exponential correlation function. Then, model validation was carried out using MAPE based on a comparison of return levels and testing data. The MAPE values obtained was 22.61% for the BFGS iteration method. The final step is to calculate return levels for periods of 2, 4, 6, 8, and 10 years ahead. All the results were categorized under very heavy rain. These results can be used by related parties to carry out disaster mitigation efforts.</dc:description>
	<dc:description xml:lang="id">Data dari BPS pada tahun 2021 mencatatkan bahwa Provinsi Papua Barat dengan curah hujan sebesar 3.811 mm adalah provinsi dengan curah hujan tertinggi ke-5 di Indonesia. Selain itu, Provinsi Papua Barat juga mencatatkan 286 hari hujan, menjadikan provinsi tersebut sebagai provinsi yang paling sering hujan di Indonesia pada tahun 2021. Banyaknya hujan yang turun merupakan salah satu penyebab bencana alam seperti banjir. Penelitian ini menggunakan data curah hujan dari Kabupaten Manokwari, Kabupaten Fakfak, dan Kabupaten Kaimana. Metode yang digunakan adalah Spatial Extreme Value dengan Max Stable Process Model Schlather. Data yang digunakan adalah curah hujan per jam periode 13 Maret 2022 hingga 17 Oktober 2022 dengan proporsi data training 85,84% dan testing 14,16%. Pengambilan data ekstrem dilakukan dengan metode Block Maximalalu fitting distribusi GEV kemudian ditransformasi ke unit margin Frechet Z. Selanjutnya dilakukan perhitungan koefisien ekstremal dengan hasil di antara 1,4 hingga 1,85 yang menunjukkan adanya hubungan antar lokasi. Kemudian ditentukan model trend surface terbaik, yaitu melibatkan koordinat lintang dalam perhitungan parameter lokasi serta menggunakan koordinat bujur dan lintang dalam perhitungan parameter skala. Selanjutnya dilanjutkan dengan estimasi parameter secara spasial dengan menggunakan fungsi korelasi powered exponential. Kemudian, dilakukan validasi model dengan menggunakan MAPE berdasarkan perbandingan return level dan data testing. Nilai MAPE yang didapatkan adalah 22,61% untuk metode iterasi BFGS. Langkah terakhir yaitu menghitung prediksi return level untuk periode 2, 4, 6, 8, dan 10 tahun ke depan. Seluruh hasil yang didapatkan termasuk ke dalam kategori sangat lebat. Hasil ini dapat digunakan oleh pihak terkait untuk melakukan upaya mitigasi bencana.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2023-09-06</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/27433</dc:identifier>
	<dc:identifier>10.20956/j.v20i1.27433</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 20 No. 1 (2023): SEPTEMBER, 2023; 152- 163</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/27433/10274</dc:relation>
	<dc:relation>10.20956/j.v20i1.27433.g10274</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2023 Author and publisher</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>