Pemodelan Generalized Space Time Autoregressive Seasonal Untuk Pendugaan Curah Hujan Di Makassar Tahun 2018-2023 = Generalized Space Time Autoregressive Seasonal Modeling for Rainfall Estimation in Makassar 2018-2023

Latar Belakang. Model Space Time Autoregressive (STAR) merupakan model yang efektif untuk memodelkan ketergantungan temporal dalam data deret waktu, namun memiliki keterbatasan karena tidak mempertimbangkan variasi dan ketergantungan antar lokasi dalam analisis spasial. Keterbatasan ini mendorong pengembangan model Generalized Space Time Autoregressive (GSTAR) yang mengintegrasikan dimensi spasial melalui matriks bobot lokasi, sehingga mampu menangkap ketergantungan spasial-temporal secara simultan. Namun, baik STAR maupun GSTAR masih memiliki kelemahan dalam menangkap pola musiman yang berulang secara konsisten. Untuk mengatasi keterbatasan tersebut, dikembangkan model GSTAR-Seasonal yang menambahkan komponen musiman pada struktur GSTAR, sehingga mampu menangkap ketergantungan spasial-temporal serta pola musiman secara simultan. Tujuan. Penelitian ini bertujuan untuk mendapatkan hasil peramalan data curah hujan di 3 Stasiun yang ada di Makassar. Metode. Data yang digunakan merupakan data bulanan curah hujan 3 stasiun di Makassar yang dibagi menjadi data training (Januari 2018-Desember 2022) dan testing (Januari-Desember 2023). Proses dimulai dengan pembentukan bobot spasial berdasarkan bobot seragam, invers jarak, dan korelasi silang. Selanjutnya, estimasi parameter model GSTAR-Seasonal dilakukan dengan metode Least Squares. Terakhir, penentuan model terbaik dengan melihat nilai RSME terkecil. Hasil. Hasil dari penelitian ini menunjukkan bahwa model terbaik untuk meramalkan data curah hujan tiga stasun di Makassar adalah model Generalized Space Time Autoregressive Seasonal dengan bobot seragam. Hal ini ditunjukkan dengan nilai rata-rata RMSE terkecil yaitu 181.1521. Sementara bobot Invers Jarak dengan nilai RMSE 197.2431 dan bobot Korelasi Silang dengan nilai RMSE 199.1377. Kesimpulan. Model Generalized Space Time Autoregressive Seasonal berhasil mempresiksi pola curah hujan dengan baik pada ketiga stasiun, yang ditunjukkan dengan nilai korelasi antara data aktual dan hasil prediksi yang mendekati 1. Dimana Stasiun Maritim Paotere menunjukkan performa terbaik dengan MAPE terendah 14.86% dan korelasi tinggi 0.948, diikuti oleh Stasiun Meteorologi Sultan Hasanuddin dengan MAPE 14.99% dan korelasi 0.930, dan Stasiun Klimatologi Sulawesi Selatan dengan MAPE 18.54% dan korelasi 0.933.

Keyword : Bobot Lokasi, Curah Hujan, Data Spasial dan Temporal, Generalized Space Time Autoregressive Seasonal.