INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA...
Transcript of INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA...
2
SEMINAR HASIL TUGAS AKHIRPRODI S1 JURUSAN STATISTIKA ITS
Ruang sidang Lt.IVSurabaya, 6 Januari 2014
Oleh : Rosna Malika |1310 100 073
Pembimbing :Dr. Sutikno, S.Si, M.Si
3Seminar Hasil Tugas Akhir
PENDAHULUAN
TINJAUAN PUSTAKA
METODOLOGI PENELITIAN
HASIL DAN PEMBAHASAN
PENUTUP
5
Iklim Ekstrim
• Wabah penyakit/ masalah
kesehatan
• Bencana Alam : kekeringan,
banjir, tanah longsor
• Kerentanan pangan
Kajian Extreme Value
Theory (EVT)
Seminar Hasil Tugas Akhir
Latar Belakang Manfaat
Batasan Masalah
Tujuan Penelitian
Rumusan Masalah
6
Extreme value
Return Level
nilai maksimum yang diharapkan akan dilampaui satu kali dalam jangka waktu tertentu (Gilli dan
Kellezi, 2003)
Asuransi Ekonomi dankeuangan
Pertanian
Seminar Hasil Tugas Akhir
Latar Belakang Manfaat
Batasan Masalah
Tujuan Penelitian
Rumusan Masalah
7
Return level Estimasi
parameter
Asumsi
Independen
Data ekstrim
Dependen
Model Parameter
Declustering
Seminar Hasil Tugas Akhir
Lopes, Nascimento, Gamerman (2011)
Kurniawati (2013)
Latar Belakang Manfaat
Batasan Masalah
Tujuan Penelitian
Rumusan Masalah
8
• Memodelkan parameter GPD
• Metode Dynamic Linear Model (DLM)
• Algoritma Markov Chain Monte Carlo (MCMC)
• Metode declustering
• Data tinggi gelombang laut.• Standard Storm Length (SSL), Runs declustering (RL), DeClustering Algorithm (DeCA), dan Triple Annual Maximum
(TAM).
Seminar Hasil Tugas Akhir
ManfaatBatasan Masalah
Tujuan Penelitian
Rumusan Masalah
Latar Belakang
9Seminar Hasil Tugas Akhir
data ekstrim dependen pada kasus curah hujan di Jawa Timur Peaks Over Threshold
Pemodelan untuk parameter skala (scale) pada Generalized Pareto Distribution
Return level
Transformasi trigonometri
ManfaatBatasan Masalah
Tujuan Penelitian
Rumusan Masalah
Latar Belakang
10
• Bagaimana karakteristik curah hujan ekstrim di Jawa timur khususnya Kabupaten Jember, Bojonegoro, Lamongan, Banyuwangi, danNgawi?
• Bagaimana hasil estimasi parameter GPD danreturn level curah hujan di lima kabupatentersebut melalui declustering pada data curahhujan ekstrim?
Seminar Hasil Tugas Akhir
Rumusan Masalah
ManfaatBatasan Masalah
Latar Belakang
Tujuan Penelitian
12
Metode alternatif untuk prakiraan iklim ekstrim.
Antisipasi kerugian akibat gagal panen dapatdiminimalkan
Menentukan varietas tanaman pangan baru yang lebih adaptif terhadap iklim ekstrim
Pengetahuan dalam mengidentifikasi kejadianekstrim terhadap cuaca dan iklim
Pustaka untuk penelitian berikutnya.
ManfaatTujuan
PenelitianBatasan Masalah
Latar Belakang
Rumusan Masalah
Seminar Hasil Tugas Akhir
13
Batasan yang digunakan dalam penelitian iniadalah berupa data curah hujan di KabupatenJember, Lamongan, Ngawi, Banyuwangi, danBojonegoro tahun 1981 sampai tahun 2010.
Seminar Hasil Tugas Akhir
Batasan Masalah
Tujuan Penelitian
ManfaatLatar
BelakangRumusan Masalah
Metode declustering yang digunakan adalah dengan pendekatan run declustering
Extreme Value Theory (EVT) | Metode Peaks Over Threshold | PenentuanNilai Threshold | Uji Kesesuaian Distribusi | Return Level | Extreme of Dependent |Model Parameter | Declustering | Curah Hujan
14
Metode statistika yang digunakan untukmempelajari bagaimana perilaku ekor(tail) suatu distribusi untuk dapatmenentukan probabilitas nilai-nilaiekstrimnya.
Sebagian besar data iklim memiliki ekordistribusi yang gemuk (heavy-tail), yaituekor distribusi turun secara lambat
15Seminar Hasil Tugas Akhir
Extreme Value Theory
Uji Kesesuaian Distribusi
Batasan Masalah
Peaks Over Threshold
Pemilihan Nilai Threshold
PDF Generalized Pareto Distribution (GPD)
16
σ : parameter skala (scale)ξ : parameter bentuk
(shape)/tail index
CDF Generalized Pareto Distribution (GPD)
Seminar Hasil Tugas Akhir
Ekstrim
0,exp1
0,11)(
11
ux
ux
xf
00,exp1
00
00,11
)(
1
jikaxux
jikax
jikauxux
xF
Peaks Over Threshold
Uji Kesesuaian Distribusi
Batasan Masalah
Extreme Value Theory
Pemilihan Nilai Threshold
17
ξ ξ ξ
Seminar Proposal Tugas Akhir
Peaks Over Threshold
Uji Kesesuaian Distribusi
Batasan Masalah
Extreme Value Theory
Pemilihan Nilai Threshold
1. Mean Residual Life Plot (MRLP)2. Metode persentase
Metode persentase :1. Mengurutkan data dari yang terbesar hingga yang
terkecil.2. Menghitung jumlah data ekstrim
3. Menentukan nilai threshold (u) yaitu
18Seminar Hasil Tugas Akhir
Pemilihan Nilai Threshold
Uji Kesesuaian Distribusi
Batasan Masalah
Extreme Value Theory
Peaks Over Threshold
Uji HipotesisH0: = F0 (x) (Data mengikuti distribusi teoritis F0(x))
H1: ≠ F0 (x) (Data tidak mengikuti distribusi teoritis F0(x))
Statistik Uji:
Daerah Kritis :tolak H0 jika D > Dα
)(xFn
)(xFn
19Seminar Proposal Tugas Akhir
Uji Kesesuaian Distribusi
Pemilihan Nilai Threshold
Batasan Masalah
Extreme Value Theory
Peaks Over Threshold
)()( 0 xFxFMaksD n
Return level merupakan nilai maksimum yang diharapkan akandilampaui satu kali dalam jangka waktu tertentu
(Gilli dan Kellezi, 2003)
20Seminar Proposal Tugas Akhir
Return LevelPemilihan Nilai Threshold
Uji Kesesuaian Distribusi
Extreme Value Theory
Peaks Over Threshold
21
Model Parameter Declustering
Seminar Proposal Tugas Akhir
Extreme Of Dependent
DeclusteringModel
ParameterExtremal
IndexCurah Hujan
Model untuk series trend mengikuti deret Fourier yang pertama, sehingga didapatkan model sebagai berikut
22Seminar Hasil Tugas Akhir
Model Parameter
DeclusteringExtreme Of Dependent
ExtremalIndex
Curah Hujan
23
Memfilter pengamatan dependen untuk mendapatkan satu set threshold yang independen. Teknik run-declustering :
Menentukan threshold (u) dan nilai r
Menentukan cluster. Cluster dimulai ketika threshold (u) terlampaui untuk pertamakalinya dan berakhir setelah setidaknya pengamatan r berturut-turut berada dibawah threshold.
Mengekstrak nilai maksimum cluster dan melanjutkan mengidentifikasi clusterberikutnya (menggunakan langkah 2 ). Prosedur berhenti bila data habis.
Seminar Hasil Tugas Akhir
DeclusteringModel
ParameterExtreme Of Dependent
ExtremalIndex
Curah Hujan
24
Untuk menentukan estimasi r (run length) yang optimal, dapat mengguna-kan extremal index (Ferro dan Segers, 2003). Extremal index merupakansuatu indikator untuk mengukur berapa banyak cluster yang terbentuksehingga data menjadi independen.Salah satu metode dalam mengestimasi extremal index adalah dengan menggunakan persamaan berikut.
Seminar Hasil Tugas Akhir
Extremal Index
DeclusteringExtreme Of Dependent
Model Parameter
Curah Hujan
211:max211
12,1min
211:max1
2,1min
~
1
1
21
1
1
12
21
1
NiTiifTTN
T
NiTiifTiN
T
N
i ii
N
i i
N
i
N
i i
•
••
•••
Seminar Hasil Tugas Akhir 25
Curah Hujan
DeclusteringExtreme Of Dependent
Model Parameter
Extremal Index
26Seminar Hasil Tugas Akhir
Curah Hujan
DeclusteringExtreme Of Dependent
Model Parameter
Extremal Index
29Seminar Hasil Tugas Akhir
CurahHujanHarian
1981-2010
Langkah Analisis
Variabel Penelitian
Sumber Data
30Seminar Hasil Tugas Akhir
Ngawi(Pos Ngale)
Lamongan(Pos Karangbinangun)
Bojonegoro(Pos Cawak)
Jember(Pos Karangkedawung)
Banyuwangi(Pos Pasewaran)
Langkah Analisis
Variabel Penelitian
Sumber Data
31
Variabel Penelitian
Langkah Analisis
Sumber Data
Mengidentifikasi adanya heavy tail pada curah hujan ekstrim
Mendeskripsikan dan mengidentifikasi pola sebaran
curah hujan
Pengambilan sampel data ekstrim dengan menggunakan metode POT
Mengidentifikasi pola data curah hujan siklik, linier, atau trend
Pemeriksaan kesesuaian distribusi
YaTidak
Pra-pemrosesan data
A
Seminar Hasil Tugas Akhir
32
Variabel Penelitian
Langkah Analisis
Sumber Data
Mencari nilai estimasi parameter distribusi Generalized Pareto
Melakukan declustering data
Menentukan Return level
Estimasi Extremal index
A
Seminar Hasil Tugas Akhir
Pra-Pemrosesan Data|Statistika Deskriptif |Identifikasi Heavy Tail| Pengambilan Sampel Ekstrim|Identifikasi Dependensi Data|Uji Kesesuaian Distribusi|Extremal Index|Declustering|Estimasi Parameter|Return Level
33
34Seminar Hasil Tugas Akhir
Pra-Pemrosesan
Pengambilan Sampel Ekstrim
Cek Dependensi
Deskripsi Data
Identifikasi Heavy Tail
Pasewaran Karang Kedawung Ngale Cawak Karang-
binangunN 11160 11160 11160 11160 11160N tidak sesuai 203 203 203 203 203% missing 0,84 0,00 5,16 0,28 0,54
35Seminar Hasil Tugas Akhir
Pra-Pemrosesan
Pengambilan Sampel Ekstrim
Cek Dependensi
Deskripsi Data
Identifikasi Heavy Tail
9864876876726576548043843288219210961
180
160
140
120
100
80
60
40
20
0
Index
CH
Bojonegoro
9864876876726576548043843288219210961
250
200
150
100
50
0
Index
CH
Pasewaran
9864876876726576548043843288219210961
140
120
100
80
60
40
20
0
Index
CH
Karang Kedawung
9864876876726576548043843288219210961
200
150
100
50
0
Index
CH
Ngale
9864876876726576548043843288219210961
180
160
140
120
100
80
60
40
20
0
Index
CH
Karangbinangun
36Seminar Hasil Tugas Akhir
Deskripsi Data
Pengambilan Sampel Ekstrim
Cek Dependensi
Pra-Pemrosesan
Identifikaasi Heavy Tail
Pos Pengamatan Rata-Rata
Std Deviasi Minimal Maksimal
Cawak 4,315 12,398 0 115Pasewaran 6,532 16,742 0 153Karang Kedawung 5,149 12,756 0 119Karangbinangun 4,152 11,261 0 124Ngale 5,352 13,199 0 127
37Seminar Hasil Tugas Akhir
Deskripsi Data
Pengambilan Sampel Ekstrim
Cek Dependensi
Pra-Pemrosesan
Identifikasi Heavy Tail
DESE
MBE
R
NOVE
MBE
R
OKTO
BER
SEPT
EMBE
R
AGUS
TUS
JULI
JUNI
MEI
APRIL
MAR
ET
FEBR
UARI
JANU
ARI
9
8
7
6
5
4
3
2
1
0
Bulan
Ra
ta
-ra
ta
cu
rah
hu
jan
ha
ria
n (
mm
)
DESE
MBE
R
NOVE
MBE
R
OKTOBE
R
SEPT
EMBE
R
AGUS
TUS
JULI
JUNI
MEI
APRI
L
MAR
ET
FEBR
UARI
JANU
ARI
20
15
10
5
0
Bulan
Ra
ta
-ra
ta c
ura
h h
uja
n h
aria
n (
mm
)
Pos Cawak Pos Pasewaran
DESE
MBE
R
NOVE
MBE
R
OKTOBE
R
SEPT
EMBE
R
AGUS
TUS
JULI
JUNI
MEI
APRI
L
MAR
ET
FEBR
UARI
JANU
ARI
10
8
6
4
2
0
Bulan
Ra
ta
-ra
ta
cu
ra
h h
uja
n h
aria
n (
mm
)Pos Ngale
Pos Karang Kedawung
DESE
MBE
R
NOVE
MBE
R
OKTOBE
R
SEPT
EMBE
R
AGUS
TUS
JULI
JUNI
MEI
APRI
L
MAR
ET
FEBR
UARI
JANU
ARI
12
10
8
6
4
2
0
Bulan
Ra
ta-r
ata
cu
rah
hu
jan
ha
ria
n (
mm
)
DESE
MBE
R
NOVE
MBE
R
OKTO
BER
SEPT
EMBE
R
AGUS
TUS
JULI
JUNI
MEI
APRIL
MAR
ET
FEBR
UARI
JANU
ARI
9
8
7
6
5
4
3
2
1
0
Bulan
Ra
ta-r
ata
cu
rah
hu
jan
ha
ria
n (
mm
)
Pos Karangbinangun
38Seminar Hasil Tugas Akhir
Identifikasi Heavy Tail
Pengambilan Sampel Ekstrim
Cek Dependensi
Pra-Pemrosesan
Deskripsi Data
1129680644832160
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
Curah Hujan
Fre
qu
en
cy
Bojonegoro
140120100806040200
8000
6000
4000
2000
01129680644832160
8000
6000
4000
2000
0
12610890725436180
8000
6000
4000
2000
012610890725436180
8000
6000
4000
2000
0
Banyuwangi (clean)
Fre
qu
en
cy
Jember (clean)
Ngawi (clean) Lamongan (clean)
39Seminar Hasil Tugas Akhir
Identifikasi Heavy Tail
Pengambilan Sampel Ekstrim
Cek Dependensi
Pra-Pemrosesan
Deskripsi Data
1251007550250-25-50
99.99
99
95
80
50
20
5
1
0.01
Curah Hujan
Pe
rce
nt
Mean 4.315
StDev 12.40
N 10957
AD 2701.596
P-Value <0.005
Normal - 95% CI
Bojonegoro
150100500-50
99.99
99
90
50
10
1
0.01
100500-50
99.99
99
90
50
10
1
0.01
150100500-50
99.99
99
90
50
10
1
0.01
100500-50
99.99
99
90
50
10
1
0.01
Banyuwangi (clean)
Pe
rce
nt
Jember (clean)
Ngawi (clean) Lamongan (clean)
40Seminar Proposal Tugas Akhir
Pengambilan Sampel Ekstrim
Pemilihan Nilai Threshold
Cek Dependensi
Extreme Value Theory
Peaks Over Threshold
120001000080006000400020000
120
100
80
60
40
20
0
pengamatan
CH
Bo
jon
eg
oro
u=15 mm
Pos Pengamatan N u nu
Cawak 10.957 15 985Pasewaran 10.957 23 1.095Karang Kedawung 10.957 19 1.051Karangbinangun 10.957 14 1.081Ngale 10.957 17 1.087
Pos Cawak
41Seminar Proposal Tugas Akhir
Cek Dependensi
Pemilihan Nilai Threshold
Uji Kesesuaian Distribusi
Extreme Value Theory
Peaks Over Threshold
950855760665570475380285190951
120
100
80
60
40
20
pengamatan ke-
cu
ra
h h
uja
n e
kstrim
(m
m)
150
100
50
10508406304202101
120
90
60
30
10508406304202101
120
90
60
30
120
90
60
30
0
(a) Pasewaran
Pengamatan ke-
cu
ra
h h
uja
n e
kstrim
(m
m)
(b) Karang Kedawung
(c) Ngale (d) Karangbinangun
Pos Cawak
42Seminar Proposal Tugas Akhir
Cek Dependensi
Pemilihan Nilai Threshold
Uji Kesesuaian Distribusi
Extreme Value Theory
Peaks Over Threshold
Pos Cawak
757065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
CH Ekstrim Bojonegoro(with 5% significance limits for the autocorrelations)
43Seminar Proposal Tugas Akhir
Cek Dependensi
Pemilihan Nilai Threshold
Uji Kesesuaian Distribusi
Extreme Value Theory
Peaks Over Threshold
757065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Pasewaran (Banyuwangi)(with 5% significance limits for the autocorrelations)
757065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Karang Kedawung (Jember)(with 5% significance limits for the autocorrelations)
757065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Karangbinangun (Lamongan)(with 5% significance limits for the autocorrelations)
757065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Ngale (Ngawi)(with 5% significance limits for the autocorrelations)
Pos Pasewaran Pos Karang Kedawung
Pos Karangbinangun Pos Ngale
44Seminar Proposal Tugas Akhir
Uji Kesesuaian Distribusi Declustering
Extremal Index
Estimasi Parameter
Return Level
Pengujian hipotesis :H0: Fn(x) = F0(x) (Data mengikuti Generalized Pareto Distribution)H1: Fn(x) ≠ F0(x) (Data tidak mengikuti Generalized Pareto Distribution)α = 0,02Daerah kritis :Tolak H0 jika Dhitung > Dα
Pos Pengamatan Dhitung Dα KeputusanCawak 0,0453 0,0492 Gagal Tolak H0
Pasewaran 0,0304 0,0469 Gagal Tolak H0
Karang Kedawung 0,0339 0,0473 Gagal Tolak H0
Ngale 0,0333 0,0473 Gagal Tolak H0
Karangbinangun 0,0461 0,0476 Gagal Tolak H0
45Seminar Hasil Tugas Akhir
Extremal index
DeclusteringUji Kesesuaian Distribusi
Estimasi Parameter
Return Level
Pos Pengamatan Threshold r Extremal Index
Cawak 15 mm 8 0,3234Pasewaran 23 mm 10 0,1534Karang Kedawung 19 mm 8 0,2748Karangbinangun 14 mm 8 0,2955Ngale 17 mm 8 0,2958
46Seminar Hasil Tugas Akhir
DeclusteringExtremal
IndexUji Kesesuaian
DistribusiEstimasi
ParameterReturn Level
50403020100
50
40
30
20
10
0
Pengamatan Ke-
Cu
rah
hu
jan
(m
m)
Pos Cawak r = 8
u=15 mm
Cluster 1 Cluster 2
47Seminar Hasil Tugas Akhir
DeclusteringExtremal
IndexUji Kesesuaian
DistribusiEstimasi
ParameterReturn Level
Pos Cawak r = 8
605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
r = 8(with 5% significance limits for the autocorrelations)
48Seminar Hasil Tugas Akhir
Estimasi Parameter
DeclusteringUji Kesesuaian Distribusi
Extremal Index
Return Level
Pos Pengamatan Nilai73,0761
Cawak -0,7284nc 307Tipe Distribusi Beta
78,0252Pasewaran -0,5917
nc 177Tipe Distribusi Beta
42,9709Karang Kedawung -0,3903
nc 302Tipe Distribusi Beta
49Seminar Hasil Tugas Akhir
Estimasi Parameter
DeclusteringUji Kesesuaian Distribusi
Extremal Index
Return Level
Pos Pengamatan Nilai
48,3195Ngale -0,3941
nc 321Tipe Distribusi Beta
42,4165Karang-binangun -0,348
nc 295Tipe Distribusi Beta
Seminar Hasil Tugas Akhir 50
Return Level
DeclusteringExtreme Of Dependent
Model Parameter
Estimasi Parameter
Pos Pengamatan
Periode Ulang Aktual Non-
DeclusteringDeclustering
Cawak
3 bln 78 62,7905 64,61796 bln 78 73,2482 84,71919 bln 78 78,4827 92,545412 bln 85 81,8501 96,8516
Pasewaran3 bln 106 79,7064 50,05596 bln 106 95,0278 83,31749 bln 106 103,4922 100,151612 bln 106 109,2853 108,715
Karang Kedawung
3 bln 40 60,6546 52,61456 bln 60 73,0183 70,74189 bln 60 80,071 79,282012 bln 80 84,9963 84,5718
Karangbinangun
3 bln 105 53,1844 47,06536 bln 105 65,9425 66,10159 bln 105 73,4658 75,284612 bln 105 78,8308 81,0574
Ngale
3 bln 122 62,8333 56,27396 bln 122 76,7115 76,19489 bln 122 84,6895 85,560512 bln 122 90,2882 91,3543
Seminar Hasil Tugas Akhir 51
Return Level
DeclusteringExtreme Of Dependent
Model Parameter
Estimasi Parameter
Pos Pengamatan Non-Declustering
Declustering
Cawak 8,125 12,002Pasewaran 14,395 30,355Karang Kedawung 15,999 12,915Karangbinangun 38,372 39,767Ngale 44,579 46,597
Pengujian mean 2 sampel
H0: μ1 = μ2
H1: μ1 ≠ μ2
dimana : μ1 = rata-rata RMSE return level dari data tanpa declustering
μ2 = rata-rata RMSE return level dari data hasil declustering
α = 0,05thitung = -1,26ttabel = 3,495|thit| < ttabel sehingga kesimpulan yang diperoleh : gagal tolak H0.
53
Kesimpulan Saran
Seminar Hasil Tugas Akhir
Proses declustering pada data ekstrim dapat mengatasi dependensi data sehingga menghasilkan data yang independen. Namun, hal tersebut tidak menghasilkan estimasi parameter dan return level yang lebih baik karena nilai RMSE return level pada hasil declustering sama dengan RMSE return level dari data tanpa declustering
Karakteristik curah hujan di Jawa timur khususnya Kabupaten Jember, Bojonegoro, Lamongan, Banyuwangi, dan Ngawi pola heavy tail (mengandung nilai ekstrim) tidak berdistribusi normal Data ekstrim mengikuti distribusi General Pareto. Data ekstrim bersifat dependen karena berpola siklik dan memiliki nilai korelasi
yang tinggi pada lag-lag tertentu
54
SaranKesimpulan
Seminar Hasil Tugas Akhir
Pada penelitian ini metode declustering berhasil mengatasi dependensi data, namun tidak menghasilkan return level yang lebih baik.
1. Melakukan analisis declustering pada pos pengamatan yang berbeda atau menggunakan data simulasi sehingga ada kemungkinan akan menghasilkan estimasi parameter dan return level yang lebih baik.
2. Menggunakan metode pemodelan parameter GPD untuk memperoleh estimasi parameter dan return level yang lebih baik.
Aczel, Sounderpandian. (2008). Complete Business Statistics. United Stated of America: McGraw-Hill PrimisBadan Pusat Statistika. (2013). Data Strategis 2013. Jakarta : Badan Pusat Statistika.Coles, S. (2001). An Introduction to Statistical Modelling of Extreme Values.
London: Spinger-Verlag.Dahan, E., Mendelson, H. (2001). An extreme value model of concept testing. Management Science 47, 102-116.Daniel, W. (1989). Statistika Nonparametrik Terapan. Jakarta: PT Gramedia.Dawson, T. H. (2000). Maximum wave crests in heavy seas. Journalof
Offshore Mechanics and Arctic Engineering - Transactions of the AMSE 122, 222-224.Ferro, C.A.T., Segers, J. (2003). Inference for Clusters of Extreme Values. Journal R. Stat. Society, B65:545-556. Gilli,M., Kellezi,E. (2003). An Application of Extreme Value Theory for
Measuring Risk. Elsevier Science.
55Seminar Hasil Tugas Akhir
Gilleland, E., Katz, R.W. (2006). Analyzing Seasonal to Interannual Extreme Weather and Climate Variability with the Extremes Toolkit (extRemes). 18th
Conference on Climate Variability and Change, 86th American Meteorological
Society (AMS) Annual Meeting. Atlanta.Hermawan, E. (2010). Kondisi Iklim Indonesia Saat ini dan Prediksinya dalam
Beberapa Bulan Mendatang Berbasis Data Iklim Global. Bandung: Lembaga Penerbangan dan Antariksa Nasional (LAPAN).Jaruskova, D., Hanek, M. (2006). Peaks Over Threshold Method In Comparison With Block-Maxima Method For Estimating High Return Levels Of Several Northern Moravia Precipitation And Discharges Series. Journal of Hydrology and
Hydromechanics, 54, 309–319.Johnson, R.A., Bhattacharyya, G.K. (1977). Statistical Concepts and Methods. New York : John Wiley & Sons.Kurniawati, Y. (2013). Analisis Data Ekstrim Dependen (Non Stationary) Pada
Kasus Curah Hujan Ekstrim di Jawa Timur Dengan Pendekatan Peaks Over
Threshold. Tugas Akhir S1: Jurusan Statistika, Institut Teknologi Sepuluh Nopember.
56Seminar Hasil Tugas Akhir
57Seminar Hasil Tugas Akhir
Lavenda, B. H., Cipollone, E. (2000). Extreme value statistics and thermodynamics of earthquakes: aftershock sequences. Annali di geofisica 43, 967-982.Lopes, H.F., Nascimento, F. F., Gamerman, D. (2006). Generali-zed Pareto models with time-varying tail behavior. Retrie-ved September 22, 2013, from http://www.ime.unicamp.br/ sinape/sites/default/files/extendedsinape.pdfMcNeil, A.J. (1999). Extreme Value Theory for Risk Managers. Zurich: Departement Mathematic ETH Zentrum.Nihayatin,L.N. (2013). Perbandingan Uji Homogenitas Pada Data Curah Hujan
Di Jawa Timur Sebagai Pra-Pemrosesan Kajian Perubahan Iklim. Tugas Akhir S1: Jurusan Statistika, Institut Teknologi Sepuluh NopemberRoberts, S. J. (2000). Extreme value statistics for novelty detection in biomedical data processing.lEE Proceedings - Science Measurement and
Technology 147, 363-367.Soukissian, T. H., Arapi, P. M. (2011). The Effect of Declustering in the r-Largest Maxima Model for the Estimation of Hs-Design Values. The Open
Ocean Engineering Journal, 4, 34-43.
Wahyudi. (2012). Identifikasi Curah Hujan Ekstrem di Kabupaten Ngawi
Menggunakan Generalized Extreme Value dan Generalized Pareto
Distribution. Tugas Akhir S1: Jurusan Statistika, Institut Teknologi Sepuluh Nopember.Walpole, R. E. (1995). Pengantar Statistika. Jakarta: PT Gramedia Pustaka Utama.Wei, W.W.S. (2004). Time Series Analysis Univariate and Multivariate
Methods. Canada: Addison Wesley Publishing, Company. Inc
58Seminar Hasil Tugas Akhir