Karakteristik Rantai Markov pada Data Curah Hujan Bulanan Stasiun Djalaluddin

Authors

  • Salmun K Nasib Program Studi Statistika, Universitas Negeri Gorontalo
  • Nurwan Nurwan Program Studi Matematika, Universitas Negeri Gorontalo
  • Eka Dicky D Yanuari Program Studi Statistika, Universitas Negeri Gorontalo
  • Tedy Macmud Program Studi Pendidikan Matematika, Universitas Negeri Gorontalo

DOI:

https://doi.org/10.26594/jmpm.v7i2.2654

Keywords:

Curah Hujan, Rantai Markov, Klasifikasi State

Abstract

Penelitian ini bertujuan untuk menganalisis karakteristik model rantai Markov pada data curah hujan bulanan. Data curah hujan bulanan dibagi dalam tiga state yaitu kering, lembab, dan basah. Sebagian besar data terkategorikan pada state 3 yaitu kondisi basah sebesar 54,41%. Berdasarkan hasil evaluasi data curah hujan di Stasiun Djalaluddin, memiliki curah hujan yang cukup tinggi dengan presentase diatas 50%. Peluang transisi tertinggi adalah  sebesar 61,9% dimana peluang transisi dari kondisi basah kembali ke kondisi basah lebih besar daripada peluang menuju kondisi kering atau lembab. Karakteristik rantai Markov data curah hujan bulanan menunjukkan kondisi yang tidak stabil dan kecilnya peluang transisi untuk berpindah ke kondisi lainnya.

References

Aprianto, R., & Puspitasari, P. A. D. (2020). Prediksi curah hujan bulanan tahun 2020 kabupaten Sumbawa menggunakan Artificial Neural Network (ANN) Back Propagation. Prosiding Seminar Nasional IPPeMas, 1(1), 622–628.

Back, Á. J., & Miguel, L. P. (2017). Analysis of the stochastic model of the Markov chain on daily rainfall occurrence in the state of Santa Catarina, Brazil. Management of Environmental Quality: An International Journal, 28(1), 2–16. https://doi.org/10.1108/MEQ-07-2015-0135

Banik, P., Mandal, A., & Rahman, M. S. (2002). Markov chain analysis of weekly rainfall data in determining drought-proneness. Discrete Dynamics in Nature and Society, 7(4), 231–239. https://doi.org/10.1155/S1026022602000262

Jale, J. da S., Xavier Júnior, S. F. A., Xavier, É. F. M., Stoši?, T., Stoši?, B., & Ferreira, T. A. E. (2019). Application of Markov chain on daily rainfall data in Paraíba-Brazil from 1995-2015. Acta Scientiarum - Technology, 41(1). https://doi.org/10.4025/actascitechnol.v41i1.37186

Koem, S., Lahay, R. J., & Nasib, S. K. (2022). The sensitivity of meteorological drought index towards El Nino-Southern Oscillation. IOP Conference Series: Earth and Environmental Science, 1089(1), 012005. https://doi.org/10.1088/1755-1315/1089/1/012005

Koem, S., & Rusiyah. (2017). Monitoring of drought events in Gorontalo Regency. IOP Conference Series: Earth and Environmental Science, 98, 012053. https://doi.org/10.1088/1755-1315/98/1/012053

Koem, S., & Rusiyah, R. (2018). Karakteristik spasiotemporal kekeringan meteorologi di kabupaten Gorontalo tahun 1981-2016. Jurnal Pengelolaan Sumberdaya Alam Dan Lingkungan, 8(3), 355–364. https://doi.org/10.29244/jpsl.8.3.355-364

Nop, C., Fadhil, R. M., & Unami, K. (2021). A multi-state Markov Chain Model for rainfall to be used in optimal operation of rainwater harvesting systems. Journal of Cleaner Production, 285, 124912. https://doi.org/10.1016/j.jclepro.2020.124912

Sanso, B., & Guenni, L. (1999). A stochastic model for tropical rainfall at a single location. Journal of Hydrology, 214, 64–73.

Tettey, M., Oduro, F. T., Adedia, D., & Abaye, D. A. (2017). Markov chain analysis of the rainfall patterns of five geographical locations in the south eastern coast of Ghana. Earth Perspectives, 4(1). https://doi.org/10.1186/s40322-017-0042-6

Yoo, C., Lee, J., & Ro, Y. (2016). Markov chain decomposition of monthly rainfall into daily rainfall: evaluation of climate change impact. Advances in Meteorology, 2016. https://doi.org/10.1155/2016/7957490

Downloads

Published

2022-09-30