Abstrak. Curah hujan yang turun dapat mempengaruhi produksi dari beberapa jenis pekerjaan tertentu dan dapat mengganggu aktifitas manusia. Peramalan curah hujan dalam hal ini sangat penting untuk dilakukan. Metode peramalan yang sering dilakukan yaitu metode ensemble. Namun, metode ini cenderung mengalami overdispersive atau underdispersive. Maka dilakukan suatu proses kalibrasi yaitu Bayesian Model Averaging (BMA). Metode ini mampu menggeser nilai rata-rata dan variansi agar mendekati nilai observasi. Penaksiran parameter BMA dilakukan dengan pendekatan Markov Chain Monte Carlo (MCMC) yang mampu mengatasi variasi pada distribusi BMA dan memberikan hasil informasi penting mengenai bobot dan variansi. Metode ini diaplikasikan pada Curah Hujan Bulanan Kota Makassar. Hasil analisis memberikan kesimpulan bahwa metode ensemble tidak ada yang mampu yang menangkap nilai observasi sedangkan metode BMA dengan menggunakan training window 5 mampu menangkap nilai observasi curah hujan bulan Februari, Maret, Mei, Juni, Juli, dan Agustus 2018. Nilai observasi curah hujan bulan Juni yaitu 121 mm. Hasil peramalan dari metode ensemble untuk bulan Juni yaitu 130,6 mm, sedangkan pada metode BMA diperoleh interval ramalan untuk bulan Juni yaitu (-61,02-156,41) mm. Nilai Continous Ranked Probability Score (CRPS) yang diperoleh untuk metode ensemble yaitu 62,07 dan metode BMA yaitu 25,24. Sehingga, metode BMA lebih baik dari metode ensemble karena nilai CRPS yang dihasilkan lebih kecil, sehingga interval yang dihasilkan dari peramalan BMA lebih banyak menangkap nilai observasi.Kata Kunci: Curah Hujan, Ensemble, BMA, MCMC, CRPS.
BAYESIAN MODEL AVERAGING WITH MARKOV CHAIN MONTE CARLO FOR CALIBRATING TEMPERATURE FORECAST FROM COMBINATION OF TIME SERIES MODELS
