<![CDATA[Penelitian ini membahas penerapan model Geometric Brownian Motion (GBM) untuk memodelkan dan mensimulasikan fluktuasi suhu harian di Kota New York secara stokastik. Data suhu diperoleh dari dataset Global Weather Repository (Kaggle) dan diolah untuk menghitung parameter drift (μ) dan volatilitas (σ) yang merepresentasikan tren serta tingkat ketidakpastian perubahan suhu. Simulasi dilakukan menggunakan metode Monte Carlo untuk menghasilkan beberapa lintasan kemungkinan perubahan suhu. Hasil penelitian menunjukkan bahwa model GBM mampu mengikuti pola suhu aktual dengan baik dan memberikan nilai Mean Absolute Percentage Error (MAPE) di bawah 10%, yaitu 6,47% untuk New York, 5,11% untuk Los Angeles, dan 4,81% untuk Chicago. Temuan ini membuktikan bahwa GBM efektif dalam menangkap dinamika stokastik suhu harian dan dapat digunakan sebagai alat prediksi iklim jangka pendek yang akurat, terutama di wilayah urban dengan fluktuasi suhu yang tinggi.]]>
Copyrights © 2025
