APLIKASI MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK MENGETAHUI FAKTOR YANG MEMPENGARUHI CURAH HUJAN DI KOTA MAKASSAR

Muhammad Reski Mattalunru; Suwardi Annas; Muhammad Kasim Aidid

doi:10.35580/variansiunm2

Muhammad Reski Mattalunru Department of Statistics, Universitas Negeri Makassar
Suwardi Annas Program Studi Statistika, Universitas Negeri Makassar
Muhammad Kasim Aidid Program Studi Statistika, Universitas Negeri Makassar

DOI: https://doi.org/10.35580/variansiunm2

Keywords: curah hujan, MARS, GCV

Abstract

Analisis regresi nonparametrik merupakan metode alternatif ketika asumsi parametrik terlanggar. Kemampuan estimasi yang tinggi serta sifatnya yang fleksibel membuat regresi nonparametrik menjadi sebuah pemodelan masa kini dan masa mendatang. Memperhatikan gejala alam dewasa ini semakin hari semakin sulit untuk diduga. Musim hujan merupakan salah satu fenomena alam yang semakin hari semakin mengarah pada pola yang tidak menentu. Bulan yang biasanya telah menjadi penanda musim kemarau malah tiba-tiba terjadi curah hujan yang sangat deras bahkan mengakibatkan banyak kerugian. Maka dibutuhkan pemodelan untuk mengetahui faktor-faktor apa yang mempengaruhi curah hujan. Metode Multivariate Adaptive Regression Splines (MARS) merupakan salah satu metode pemodelan modern dengan kemampuan estimasi yang tinggi. Selain itu MARS memilki sifat yang fleksibel serta ketangguhan mengatasi data yang berdimensi tinggi yaitu data yang memiliki variabel bebas 3 ≤ x ≤ 20 dan ukuran data sampel 50 ≤ n ≤ 1000. Model MARS diperoleh dari kombinasi antara Basis Fungsi (BF), Maksimum Interaksi (MI) dan Minimum Observasi (MO) dengan Generalized Cross Validation (GCV) yang bernilai kecil. Pada penelitian ini banyaknya variabel bebas yang digunakan sebanyak 4 variabel. suhu udara, kelembaban udara, kecepatan angin, dan tekanan udara merupakan variabel bebas yang mempengaruhi curah hujan di Kota Makassar dengan tingkat kontribusi masing-masing sebesar 86,54%, 100%, 39,38% dan 54,68%. Kombinasi model terbaik MARS pada penelitian ini adalah BF=12, MI=1, dan MO=1 dengan GCV=31,14

References

Ampulembang, A. P., Otok, B. W., Rumiati, A. T., & Budiasih. (2015). Bi-Responses Nonparametric Regression Model Using MARS and Its Propertis. Applied Matematical Sciences 9(29), 1417-1427.
Annur, M., Dahlan, J. A., & Agustina, F. (2015). Penerapan Metode Multivariate Adaptive Regression Spline (MARS) untuk Menentukan Faktor yang Mempengaruhi Masa Studi Mahasiswa FPMIPA UPI. Eurekamatika 3(1), 135-155.
Arisandi, R., & Annas, S. (2016). Metode MARS Bagging dalam Memodelkan Berat Badan Balita Sulawesi-Selatan. Seminar Nasional VARIANSI, 160-182.
BMKG. (2021, 8 25). BMKG Database. Diambil kembali dari Badan Meteorologi Klimatologi dan Geofisika: http://www.bmkg.go.id/cuaca/probabilistik-curah-hujan.bmkg
Bongi, A., Rogi, O. H., & Sela, R. E. (2020). Mitigasi Risiko Banjir di Kota Makassar. SABUA 9(1), 1-12.
Budiantara, I. N. (2005). Model Keluarga Spline Polinomial Truncated Dalam Regresi Semiparametrik. Berkala Mipa 15(3, 55-61.
Eubank, R. L. (1999). Nonparametrik Regression and Spline Smoothing (2end ed.). New York: Marcell Dekker.
Friedman, J. H. (1991). Multivariat Adaptive Regression Splines. The Annals of Statistics 19(1), 1-67.
Friedman, J., & Silverman, B. (1989). Flexible Parsimony Smoothing and Additive Modeling. Techonometrics 31, 3-39.
Irmawati, Bustan, M. N., & Annas, S. (2019). Aplikasi Multivariate Adaptive Regression Spline (MARS) Terhadap Pemodelan Risiko Kesehatan Bayi dengan Berat Badan Lahir Rendah (BBLR). VARIANSI: Journal of Statistics and Its appplication on Teaching and Research 1(2), 1- 6.
Mahardy, A. I. (2014). Analisis dan Pemetaan Daerah Rawan Banjir di Kota Makassar Berbasis Spatial. Makassar: skripsi Teknik Sipil, Universitas Hasanuddin.
Nash, M., & Brandford, D. (2001). Parametric and Nonparametric logistic Regression for Prediction of Presence/Absence of An Amphibian. U.S. Enviromental rotection Agency.
Otok, B. W. (2005). Klasifikasi Perbangkan dengan Pendekatan CART dan MARS. Widya Management dan Akutansi 5 (1), 50-82.
Otok, B. W. (2010). Pendekatan Multivariate Adaptive Regression Spline (MARS) Pada Pengelompokkan Zona Musim Suatu Wilayah. Statistika 10(2), 107-120.
Pabalik, I., Ihsan, N., & Arsyad, M. (2015). Analisis Fenomena Perubahan Iklim dan Karakteristik Curah Hujan Ekstrim di Kota Makassar. Jurnal Sains dan Pendidikan Fisika 11(1), 88-92.
Paradipta, N. S., Sembiring, P., & Bangun, P. (2013). Analisis Pengaruh Curah Hujan di Kota Medan. Saintia Matematika 1(5), 459-468.
Poerwanto, B., & Budiantara, I. N. (2014). Estimasi Kurva Regresi Semiparametrik Spline untuk Data Longitudinal. Prosiding Seminar Nasional Matematika, Universitas Udayana.
Ramli, U. (2010). Meteorologi dan Kliatologi. Makassar: Badan Penerbit UNM.
Salford System. (t.thn.). MARS (Multivariate Adaptive Regression Splines). http//www.salford-system.com.
Saputro, D. (2011). penduga data tidak lengkap curah hujan di kabupaten indramayu(berdasarkan data tahun 1980-2000). Sains IPB Press.
Sutikno. (2002). Penggunaan Regresi Spline Adaptive Berganda untuk Peramalan Indeks ENSO dan Hujan Bulanan. BOGOR: Tesis jurusan Statistika, Institut ertanian Bogor.
Tiro, M. A. (2008). Dasar-Dasar Statistika. Makassar: Andira Publiser.
Tiro, M. A. (2011). Analisis Regresi dengan Data Kategori (Edisi Ketiga). Makassar: Andhira Publisher.
Triatmojo, B. (1998). Studi Keseimbangan Air di Pulau Jawa. Media Teknik 20(1), 32-38.
Wicaksono, W., suparti, & Suparti. (2014). Pemodelan Multivariate Adaptive Regression Spline (MARS) Pada Faktor-Faktor Resiko Kesakitan Diare. Jurnal Gaussian 3(2), 253-262.
Yani, N. M., Srinadi, I. A., & Sumarjaya, I. (2017). Aplikasi Model Regresi Semiparametrik Studi kasus DBD di Rumah Sakit Puri Raharja. E-Journal Matematika 6(1), 65-73