Perbandingan Model Threshold Generalized Autoregressive Conditional Heteroscedasticity Dan Exponential Generalized Autoregressive Conditional Heteroscedasticity Pada Peramalan Curah Hujan

Latar Belakang. Model Generalized Autoregressive Conditional Heteroscedasticity (GARCH) merupakan salah satu analisis deret waktu yang dapat mengatasi pelanggaran asumsi kehomogenan ragam sisaan (heterooskedastisitas) pada model Autoregressive Moving Integrated Average (ARIMA). Akan tetapi, model GARCH memiliki kelemahan dalam menangkap pengaruh keasimetrikan pada volatilitas data sehingga perlu dilakukan analisis lebih lanjut menggunakan model Threshold Generalized Autoregressive Conditional Heteroscedasticity (T-GARCH) dan Model Exponential Generalized Autoregressive Conditional Heteroscedasticity (E-GARCH). Tujuan. Penelitian ini adalah memperoleh hasil model terbaik untuk untuk peramalan curah hujan di Kota Makassar periode 01 Januari 2021 hingga 31 Mei 2023. Metode. Penelitian ini menggunakan data curah hujan Kota Makassar yang dikumpulkan dari 01 Januari 2021 sampai tanggal 31 Mei 2023, data tersebut dibagi menjadi dua periode, yaitu data training dari 01 Januari 2021 sampai tanggal 31 Desember 2022, dan data testing dari 01 Januari 2023 sampai tanggal 31 Mei 2023 dengan model T-GARCH dan E-GARCH digunakan untuk meramalkan curah hujan di Kota Makassar. Hasil. Pemodelan terbaik untuk data periode 01 Januari 2021 hingga 31 Desember 2022 adalah model ARMA (2,1) E-GARCH (1,2) dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,411% dan Mean Squared Error (MSE) sebesar 508,480 dibandingkan dengan model ARMA (2,1) T-GARCH (2,1) dan nilai MAPE (9,443%) MSE (510,720). Kesimpulan. Hasil peramalan curah hujan data periode 01 Januari 2023 hingga 31 Mei 2023 menunjukan bahwa model ARMA (2,1) E-GARCH (1,2) merupakan model peramalan terbaik berdasarkan nilai MAPE sebesar 0,924% dan nilai Root Mean Square Error of Prediction (RMSEP) sebesar 32,641.