Perpustakaan Digital ITB

Data deret waktu kerap mengalami perubahan struktur rata-rata maupun variansi akibat intervensi eksternal. Ketepatan mendeteksi titik-titik lokasi perubahan tersebut menjadi krusial karena berperan sebagai alat evaluasi berbasis data terhadap dampak kebijakan maupun fenomena laten yang sulit diukur secara langsung. Penelitian ini mengevaluasi kinerja berbagai algoritma deteksi titik perubahan, khususnya Tail-Greedy Unbalanced Haar (TGUH), dalam mendeteksi perubahan tersebut. Pengujian dilakukan melalui simulasi Monte Carlo dengan delapan skenario sinyal sintetis dan implementasi pada data konsentrasi PM2.5 harian DKI Jakarta (2019–2023) yang dibagi ke dalam tiga periode berdasarkan karakteristik variansinya. Hasil simulasi menunjukkan bahwa algoritma TGUH dan Wild Binary Segmentation (WBS) yang diintegrasikan dengan penalti Strengthened Schwarz Information Criterion (sSIC) menunjukkan kinerja yang lebih baik dalam mendeteksi titik perubahan, dengan capaian F1-Score terbaik sebesar 0.9983 dan 0.9973 pada skenario Big Jump. Pada data riil, TGUH dan WBS konsisten melokalisasi partisi struktural yang tervalidasi oleh dinamika iklim dan kebijakan pandemi Covid-19.