Model Generalized Autoregressive Conditional Heteroscedasticity dengan Optimasi Algoritma Genetika untuk Peramalan Kecepatan Angin Rata-Rata Harian di Juanda Surabaya

Fahmiyah, Indah (2018) Model Generalized Autoregressive Conditional Heteroscedasticity dengan Optimasi Algoritma Genetika untuk Peramalan Kecepatan Angin Rata-Rata Harian di Juanda Surabaya. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 06211650010032-Master_Thesis.pdf]
Preview
Text
06211650010032-Master_Thesis.pdf - Accepted Version

Download (3MB) | Preview

Abstract

Peramalan kecepatan angin yang akurat menjadi penting untuk menghindari bencana atau kecelakaan, seperti kecelakaan transportasi udara, bangunan runtuh, pohon tumbang, dan sebagainya. Hal tersebut disebabkan karena angin yang tidak terkendali dapat membahayakan manusia dan merusak lingkungan. Metode peramalan yang paling umum digunakan adalah metode ARIMA. Kecepatan angin pada umumnya memiliki fluktuasi dan volatilitas sehingga model ARIMA tidak dapat menangkap fenomena heteroskedastisitas atau volatilitas. Oleh karena itu, kecepatan angin diprediksi dengan metode Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Hasil pemodelan kecepatan angin menggunakan ARIMA-GARCH lebih baik daripada model ARIMA berdasarkan nilai kriteria evaluasi model. Keakuratan hasil peramalan juga dipengaruhi oleh metode optimasi parameter selain dipengaruhi oleh metode peramalan yang digunakan. Algoritma Genetika atau Genetic Algorithm (GA) adalah salah satu mesin pembelajaran (machine learning) yang dapat digunakan untuk mengoptimalkan estimasi parameter model. GA dapat menghasilkan solusi global dan optimal. Parameter model ARIMA-GARCH yang dioptimasi dengan menggunakan GA memiliki nilai evaluasi model yang lebih baik daripada menggunakan model ARIMA-GARCH. Model ini diterapkan untuk kecepatan angin rata-rata harian di stasiun BMKG Juanda, Surabaya. Simulasi dari skenario yang dibuat juga menunjukkan bahwa GARCH-GA dapat menghasilkan RMSE yang lebih kecil.
====================================================================================================
Accurate wind speed forecasting is becoming important to avoid any disaster or accident, such as air transport accidents, collapsed buildings, fallen trees, and so on. It is because uncontrolled wind speed can harm people and damage the environment. The most commonly used forecasting method is ARIMA method. Wind speed generally has fluctuations and volatility, so the ARIMA model cannot capture the phenomenon of heteroscedasticity or volatility. Therefore, wind speed is predicted by Generalized Autoregressive Conditional Heteroscedasticity (GARCH) method. The result of wind speed modeling using ARIMA-GARCH is better than with ARIMA model based on model evaluation criteria value. The accuracy of the forecasting results apart from the correct forecasting method is also influenced by the parameter optimization method. Genetic algorithm (GA) is one of the machine learning that can be used to optimize model parameters. That algorithm can produce global and optimal solutions. The ARIMA-GARCH model parameters optimized using GA have a better model evaluation value than using the ARIMA-GARCH model. The model is applied to daily average wind speed at a meteorological station on Juanda, Surabaya. The results of simulation also show that GARCH-GA models can perform RMSE lower than GARCH models.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Algoritma Genetika, GARCH, Kecepatan Angin Rata-rata
Subjects: Q Science > Q Science (General)
Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry)
Q Science > QA Mathematics > QA402.5 Genetic algorithms.
Divisions: Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis
Depositing User: Indah Fahmiyah
Date Deposited: 04 Aug 2021 23:38
Last Modified: 04 Aug 2021 23:38
URI: http://repository.its.ac.id/id/eprint/58557

Actions (login required)

View Item View Item