PERANCANGAN SISTEM INFORMASI DATA DAN PREDIKTOR CUACA DENGAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE MELALUI JARINGAN INTERNET Dimas Rangga Adhyaksa 2409100003 Dosen pembimbing Dr. Ir. Aulia Siti Aisjah, MT NIP : 196601161989032001 Ir. Syamsul Arifin, MT NIP : 196309071989031004
Latar Belakang Keperluan Data Cuaca Cuaca Maritime Ekstrim Sistem Informasi web Pola cuaca dan iklim yang tidak beraturan berdampak pada sarana transportasi laut di Indonesia Data cuaca dan prakiraan cuaca merupakan informasi penting untuk meminimalisir dampak yang terjadi. Website merupakan salah satu media yang mudah diakses untuk berbagai kalangan guna memperoleh informasi.
RUMUSAN MASALAH Bagaimana cara merancang sistem prediksi cuaca maritim dengan menggunakan metode autoregressive integrated moving average? Bagaimana cara menampilkan informasi dan hasil prediksi pada sistem informasi berbasis Web?
Batasan Masalah Prakiraan cuaca menggunakan data sekunder BMKG II Perak untuk cuaca maritim Surabaya Banjarmasin mulai dari bulan januari 2007 sampai dengan bulan desember 2013 dengan nilai rekaman tiap jam. Data yang digunakan adalah data temperatur, kelembaban udara, kecepatan angin, tekanan udara, dan curah hujan. Peramalan cuaca maritim menggunakan metode statistik autoregressive integrated moving average. Perancangan disimulasikan dengan Matlab 2013 User Interface menggunakan sistem informasi berbasis web.
TUJUAN Dapat merancang sistem prediktor cuaca maritim dengan menggunakan metode ARIMA Dapat menampikan informasi data hasil prediksi cuaca maritim pada Web
Metedologi Penelitian Mulai Studi Literatur Simulasi program dan pengujian Identifikasi Masalah Tampil Data dan Prakiraan pada Web Pengambilan data cuaca Penyusunan Laporan Perancangan Algoritma prediktor cuaca menggunakan ARIMA selesai Validasi sistem Apakah performansi sesuai?
ARIMA Metode Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut juga sebagai metode Box-Jenkins merupakan metode yang secara intensif dikembangkan oleh George Box dan Gwilym Jenkins pada tahun 1970 Kelompok model time series yang termasuk dalam metode ini antara lain: autoregressive (AR), moving average (MA), autoregressive-moving average (ARMA), dan autoregressive integrated moving average
Model Autoregresif (Autoregressive, AR) Model Autoregresif (AR) pertama kali diperkenalkan oleh Yule pada tahun 1926 dan dikembangkan oleh Walker pada tahun 1931, model ini memiliki asumsi bahwa data periode sekarang dipengaruhi oleh data pada periode sebelumnya. Model Autoregresif dengan ordo p disingkat AR(p) atau ARIMA (p,0,0) dan diformulasikan sebagai berikut Dimana = kontanta Y t 1..... Y t p = koefisien AR ke p ε t = nilai sisaan (error)
Model Rata-rata Bergerak (Moving Average, MA) Proses Moving Average berorde q menyatakan hubungan ketergantungan antara nilai pengamatan dengan nilai-nilai kesalahan yang berurutan dari periode t sampai t-q Dimana μ = konstanta Y t 1..... Y t p =koefisien MA ke q ε t = nilai sisaan (error)
Model ARMA (Autoregressive Moving Average) Model AR (p) dan MA (q) dapat disatukan menjadi model yang dikenal dengan Autoregressive Moving Average (ARMA), sehingga memiliki asumsi bahwa data periode sekarang dipengaruhi oleh data pada periode sebelumnya dan nilai sisaan pada periode sebelumnya
Model ARIMA (Autoregressive Integrated Moving Average) Model AR, MA dan ARMA menggunakan asumsi bahwa data deret waktu yang dihasilkan sudah bersifat stasioner. Pada kenyataannya, data deret waktu lebih banyak bersifat tidak stasioner Jika data tidak stasioner maka metode yang digunakan untuk membuat data stasioner dilakukan adalah differencing Model ARIMA (p,d,q) merupakan model umum dari regresi deret waktu sebab ARIMA (p,0,0) sama dengan AR (p), ARIMA (0,0,q) sama dengan MA (p) dan ARIMA (p,0,q) sama dengan ARMA (p,q).
Grafik data awal Grafik kelembaban Grafik kecepatan angin Grafik suhu udara Grafik tekanan udara
Proses differencing Grafik kelembaban Grafik kecepatan angin Grafik suhu udara Grafik tekanan udara
Pendugaan model Data correlogram pada ACF terjadi dies down pada lag ke-1, ke-2 dan ke-3 sehingga diduga MA(3). Dari plot PACF dapat dilihat bahwa nilai autokorelasi parsial terjadi cut off setelah lag 1, sehingga dugaan sementara AR(1). Sehingga didapat model awal ARIMA(1,1,3).
Hasil Prediksi 24 Jam Chart Title 20 100 10 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Aktual Prediksi Aktual Prediksi Grafik kelembaban Grafik kecepatan angin 40,0 30,0 20,0 15,0 10,0 Chart Title 10,0 5,0 0,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 aktual prediksi Aktual Prediksi Grafik suhu udara Grafik tekanan udara
Akurasi Tiap jam data t+ aktual angin 210 error akurasi 0 11,55 12,22978 5,8856 94,1144 1 11,37 12,45134 9,5104 90,4896 2 11,23 12,49244 11,2417 88,7583 3 11,15 12,40328 11,2402 88,7598 4 11,11 12,22345 10,0221 89,9779 5 11,14 11,99959 7,7163 92,2837 6 11,21 11,76339 4,9366 95,0634 7 11,34 11,55027 1,8542 98,1458 8 11,51 11,40845 0,8823 99,1177 9 11,74 11,33852 3,4198 96,5802 10 12,01 11,3734 5,3005 94,6995 11 12,32 11,52866 6,4232 93,5768 12 12,4 11,48279 7,3969 92,6031 13 12,54 11,33043 9,6457 90,3543 14 12,75 11,10683 12,8876 87,1124 15 13,01 10,85542 16,5609 83,4391 16 13,34 10,60583 20,4961 79,5039 17 13,71 10,39238 24,1985 75,8015 18 14,13 10,23315 27,5786 72,4214 19 14,6 10,1493 30,4843 69,5157 20 15,11 10,17495 32,6608 67,3392 21 15,65 10,29728 34,2027 65,7973 22 16,22 10,53698 35,0371 64,9629 23 16,83 10,89883 35,2417 64,7583 rata - rata 11,28445
data t+ temp aktual 210 Error Akurasi 0 26,4 27,0311 2,390524 97,60948 1 26,3 26,8204 1,978691 98,02131 2 25,9 27,74327 7,116868 92,88313 3 26,8 25,71886 4,034089 95,96591 4 29,2 26,60335 8,892629 91,10737 5 30,4 27,28219 10,25597 89,74403 6 32,4 27,56231 14,93113 85,06887 7 32,6 27,765 14,83129 85,16871 8 33,5 27,91968 16,65768 83,34232 9 34,2 27,85899 18,54098 81,45902 10 35,0 27,6151 21,09971 78,90029 11 34,2 27,3172 20,12513 79,87487 12 31,2 27,62109 11,47088 88,52912 13 29,2 27,27338 6,598001 93,402 14 28,8 28,06382 2,556176 97,44382 15 27,5 25,92111 5,741419 94,25858 16 27,1 26,70688 1,450643 98,54936 17 26,8 27,30873 1,898255 98,10174 18 26,5 27,53332 3,899333 96,10067 19 26,5 27,69993 4,528034 95,47197 20 26,6 27,83499 4,642823 95,35718 21 26,6 27,76772 4,389929 95,61007 22 26,4 27,52683 4,268314 95,73169 23 26,2 27,23832 3,963068 96,03693 rata - rata 29,0 27,3
data t+ Press aktual 011 error Akurasi 0 5,1 8,308384 62,9095 37,0905 1 4,4 8,7 97,72727 2,272727 2 5,1 9,2 80,39216 19,60784 3 6,1 9,8 60,65574 39,34426 4 7,0 6,7 4,285714 95,71429 5 7,9 7,6 3,797468 96,20253 6 6,9 7,3 5,797101 94,2029 7 8,4 6,7 20,2381 79,7619 8 9,4 8,7 7,446809 92,55319 9 8,6 8,2 4,651163 95,34884 10 7,4 6,6 10,81081 89,18919 11 8,5 7,1 16,47059 83,52941 12 8,7 8,308384 4,501329 95,49867 13 10,5 8,7 17,14286 82,85714 14 9,6 9,2 4,166667 95,83333 15 9,8 9,8 0 100 16 9,2 6,7 27,17391 72,82609 17 9,9 7,6 23,23232 76,76768 18 9,8 7,3 25,5102 74,4898 19 9,1 6,7 26,37363 73,62637 20 9,4 8,7 7,446809 92,55319 21 8,9 8,2 7,865169 92,13483 22 6,6 6,6 0 100 23 9,2 7,1 22,82609 77,17391 rata - rata 8,1 7,9
data t+ Kelembaban aktual 210 error Akurasi 0 89 68,03125 23,5604 76,4396 1 92 78,83968 14,3047 85,6953 2 92 76,49385 16,85451 83,14549 3 92 76,36457 16,99503 83,00497 4 91 87,22908 4,143873 95,85613 5 92 80,16119 12,86828 87,13172 6 95 80,10469 15,67927 84,32073 7 95 80,07194 15,71375 84,28625 8 93 75,0475 19,30376 80,69624 9 87 79,03226 9,15832 90,84168 10 90 81,02148 9,976133 90,02387 11 90 81,0145 9,983886 90,01611 12 89 68,04094 23,5495 76,4505 13 85 78,8462 7,239762 92,76024 14 88 76,49822 13,0702 86,9298 15 83 76,36751 7,990953 92,00905 16 84 87,23105 3,846485 96,15352 17 85 80,16251 5,691164 94,30884 18 88 80,10558 8,970932 91,02907 19 82 80,07254 2,350565 97,64943 20 84 75,04791 10,65726 89,34274 21 83 79,03253 4,780084 95,21992 22 88 81,02166 7,929931 92,07007 23 86 81,01462 5,796949 94,20305 rata - rata 88 79
Olah data koef korelasi Tgl intensitas curah hujan tekanan udara kecepatan angin tahun bulan (mm/jam) kelembaban (%) suhu udara ( C ) (mb) (knot) X1*Y X2*Y X3*Y X4*Y 40,6170 2012 1 1 4,3 82 28,025 9,445833333 10,67 352,6 120,5075 8 45,881 2 0 76 28,74583333 9,741666667 9,989166667 0 0 0 0 3 7,9 75 29,2625 10,275 12,22375 592,5 231,1738 81,1725 96,56763 4 0,8 81 27,69166667 10,025 10,52041667 64,8 22,15333 8,02 8,416333 5 30,4 82 27,57916667 9,2875 15,38041667 2492,8 838,4067 282,34 467,5647 6 0 77 28 9,3875 21,44416667 0 0 0 0 7 3,4 80 27,96666667 9,6125 21,85875 272 95,08667 32,6825 74,31975 8 1,3 78 28,14583333 8,541666667 20,44 101,4 36,58958 11,10417 26,572 9 15,5 80 27,99166667 8,120833333 20,38375 1240 433,8708 125,872 9 315,9481 10 0,0 79 28,0375 7,383333333 16,39 0 0 0 0 79,2670 11 10,3 81 27,79583333 7,695833333 13,68708333 834,3 286,2971 8 140,977 12 12,6 84 27,34166667 8,041666667 10,93625 1058,4 344,505 101,325 137,7968 30 0 73 29,37916667 10,39583333 3,584166667 0 0 0 0 31 0 78 28,7875 11,32916667 2,411666667 0 0 0 0 jumlah 837,7 7185 2571,495833 750,87875 916,3925 68438,6 23187,78 6981,763 8962,998
PERSAMAAN REGRESI LINIER BERGANDA Y = -51 + 1,20 RH 1,36 TEMP + 0,181 PRESS + 0,204 WIND
Akurasi prediksi No Prediksi Akurasi 1hari Model ARIMA 1 Kecepatan angin 87,93% Arima (2,1,0) 2 Temperatur udara 94,17% Arima (2,1,0) 3 Tekanan udara 97,09% Arima (0,1,1) 4 Kelembaban 88,88% Arima (2,1,0)
Rangka t : 1,3 m l : 80 cm, 60cm, 40cm Buoy d : 1,2m Buoy Weather dan Website BMKG
SISTEM AKUISISI DATA BUOY (server) Terima Kasih
TAMPILAN SEMENTARA WEB (client)
TAMPILAN DATABASE PREDIKTOR
KESIMPULAN Telah dilakukan pemodelan menggunakan metode Autoregressive Integrated Moving Average untuk memprediksi suhu udara, temperatur, kecepatan angin, kelembaban udara, dan curah hujan tiap jam selama 24 jam kedepan. Hasil validasi perancangan model cuaca maritim menggunakan metode Autoregressive Integrated Moving Average adalah sebagai berikut: 1. Untuk Kecepatan angin prediksi rata rata perjam dalam sehari tingkat akurasinya sebesar 87,9 % dengan model arima yang cocok adalah ARIMA(2,1,0) 2. Untuk temperatur udara prediksi rata rata perjam dalam sehari tingkat akurasinya sebesar 94,1 % dengan model arima yang cocok adalah ARIMA(2,1,0) 3. Untuk tekanan udara prediksi rata rata perjam dalam sehari tingkat akurasinya sebesar 97 % dengan model arima yang cocok adalah ARIMA(0,1,1) 4. Untuk kelembaban prediksi rata rata perjam dalam sehari tingkat akurasinya sebesar 88.8 % dengan model arima yang cocok adalah ARIMA(2,1,0) Web Prediksi Cuaca Maritim memiliki waktu rata-rata download data cuaca maritim sebesar 1 sekon