MODEL PREDIKSI SINTILASI IONOSFER DAERAH LINTANG RENDAH INDONESIA BERDASARKAN DATA PENGAMATAN STASIUN KOTOTABANG MENGGUNAKAN REGRESI LOGISTIK BINER

• Main Author: Siti Ira Yustika, - (Author)
• Format: Book
• Published: 2022-08-26.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata

Summary

Sintilasi ionosfer merupakan salah satu gangguan akibat ketidakteraturan ionosfer yang bisa mengganggu sistem yang memanfaatkan propagasi sinyal melalui ionosfer, diantaranya sistem komunikasi dan navigasi. Pada penelitian ini disusun model prediksi menggunakan regresi logistik biner untuk kejadian sintilasi kuat. Regresi logistik biner dipilih karena dapat menyajikan analisis untuk variabel dependen dengan respon biner. Variabel independen yang digunakan dalam penelitian ini adalah indeks Dst, F10.7, kemunculan FAI, dan indeks Kp, sedangkan variabel dependen yang digunakan dalam penelitian ini adalah sintilasi kuat dengan indeks S4 ≥ 0,5 dengan respon biner "1" untuk S4 ≥ 0,5 dan "0" untuk S4 < 0,5. Koefisien korelasi silang antara indeks Dst, F10.7, kemunculan FAI dan indeks Kp terhadap kejadian sintilasi kuat berturut-turut adalah sebesar 0,032, 0,033, 0,341, dan -0,034. Kemunculan FAI memiliki nilai koefisien korelasi paling tinggi terhadap kejadian sintilasi kuat. Koefisien determinasi R2 memberikan nilai 0,588 yang artinya variabel independen berpengaruh sebanyak 58,8% terhadap variabel dependen. Uji kesesuaian model dengan uji Hosmer-Lemeshow bernilai 0,947 menunjukkan bahwa model prediksi sesuai dengan data observasi. Melalui hasil uji Wald diketahui bahwa variabel yang berpengaruh pada model prediksi kejadian sintilasi kuat oleh regresi logistik biner adalah kemunculan FAI dan F10.7. Nilai akurasi model prediksi untuk data training diperoleh sebesar 99,1% dan nilai akurasi untuk data uji diperoleh sebesar 99,95%. Berdasarkan nilai akurasi, model prediksi yang dihasilkan dapat digunakan untuk memprediksi kejadian sintilasi kuat. Ionospheric scintillation is a disturbance due to ionospheric irregularities. It can disturb signal propagation through the ionosphere, for example interference with communication and navigation system signals. On this study, a predictive model was developed using binary logistic regression for strong scintillation events. Binary logistic regression can provide analysis for the dependent variable with a binary response. The independent variables used in this study were the Dst index, F10.7, the occurrence of FAI, and the Kp index, with the dependent variable used in this study was strong scintillation with an index of S4 ≥ 0.5. This study also defined a binary response of "1" for S4 ≥ 0,5 and "0" for S4 < 0.5. The cross-correlation coefficients between the Dst index, F10.7, the presence of FAI and the Kp index to the strong scintillation event were 0.032, 0.033, 0.341, and -0.034, respectively. The present of FAI has the highest correlation coefficient value. The coefficient of determination R2 gives a value of 0.588, which means that the independent variable has an effect of 58.8% on the dependent variable. The goodness of fit test with the Hosmer-Lemeshow test is 0.947, indicating that the data is fit the model. From the Wald test, the variables that can be use in the prediction model are the occurrence of FAI and F10.7. The accuracy of the prediction model for the training data is 99.1% and the accuracy for the test data is 99.95%. Based of the accuracy score, the prediction model can be used for predict strong scintillation.

Item Description

http://repository.upi.edu/80886/1/S_FIS_1802164_Title.pdf
http://repository.upi.edu/80886/2/S_FIS_1802164_Chapter%201.pdf
http://repository.upi.edu/80886/3/S_FIS_1802164_Chapter%202.pdf
http://repository.upi.edu/80886/4/S_FIS_1802164_Chapter%203.pdf
http://repository.upi.edu/80886/5/S_FIS_1802164_Chapter%204.pdf
http://repository.upi.edu/80886/6/S_FIS_1802164_Chapter%205.pdf
http://repository.upi.edu/80886/7/S_FIS_1802164_Appendix.pdf