Analisis Bias Data Time Series Dengan Algoritma Quantile Mapping (Studi Kasus : Presipitasi Kota Makassar) = Analysis Of Time Series data Bias Using Quantile Mapping Algorithm (Case Study : Precipitation In Makassar City)

ANDI BESSE ADYA FEBRYANA ADIASPOETRI. Analisis Bias data Time Series Dengan Algoritma Quantile Mapping (Studi Kasus : Presipitasi Kota Makassar) (dibimbing oleh Mukarramah Yusuf dan Zahir Zainuddin).
Perubahan lingkungan menjadi topik dalam beberapa dekade terakhir. Akibat ketersediaan data pengukuran langsung yang sering kali tidak lengkap atau bahkan tidak ada, data satelit menjadi alat penting dalam menganalisis pola curah hujan di berbagai wilayah. Data satelit CHIRPS merupakan data gabungan yang mencakup informasi curah hujan dari stasiun dan satelit. Namun, masih ada tantangan terkait keakuratan dan penggunaan nya yaitu, permasalahan bias.
Oleh karena itu, penelitian ini menganalisis beberapa data curah hujan yang bersifat publik, mengurangi bias pada data, serta membuat aplikasi berbasis website yang dapat memvisualisasikan hasil koreksi bias terhadap data yang dianggap benar dan data prediksi.
Metode penelitian yang digunakan yaitu koreksi bias data curah hujan dengan algoritma Quantile Mapping. Quantile Mapping adalah teknik yang menyesuaikan seluruh distribusi kumulatif data estimasi dengan distribusi kumulatif data penakar hujan menggunakan fungsi transfer.
Hasil penelitian untuk evaluasi data publik menunjukkan bahwa dataset yang digunakan memiliki ketersediaan data yang tidak lengkap dan menunjukkan variasi dalam intensitas dan frekuensi curah hujan, khususnya peristiwa hujan ekstrem. Meskipun semua data memiliki kecenderungan serupa dalam mencatat pola curah hujan, koefisien korelasi Pearson antar dataset tidak menunjukkan korelasi yang sangat kuat. Data CHIRPS dan World Weather Online menunjukkan korelasi yang lebih tinggi, karena keduanya bersumber dari hasil prakiraan, berbeda dengan data BMKG yang berasal dari pengukuran langsung di lapangan. Kemudian, hasil penelitian menunjukkan bahwa koreksi bias dengan algoritma Quantile Mapping mampu mengurangi nilai RMSE dan mendekati data referensi, meningkatkan akurasi prediksi data curah hujan, meskipun terdapat koreksi yang mengalami peningkatan RMSE. Selain itu, nilai R2 yang tinggi di semua kasus menunjukkan koreksi bias memiliki tingkat penjelasan yang baik terhadap variabilitas data referensi. Website dalam penelitian ini menyediakan fitur visualisasi yang mencakup diagram perbandingan, tabel data, nilai RMSE dan R2, serta opsi mengunduh data dan melakukan koreksi bias dengan data baru.

Keywords : Curah hujan, Bias, Algoritma Quantile Mapping