PEMODELAN NEURO-ARIMA UNTUK CURAH HUJAN DI KOTA SURABAYA Oleh: Wiwinta Sutrisno 22 08 203 009 Pembimbing: Prof. Dr. Ir. Gamantyo Hendrantoro, M.Eng Hal 1 dari 28
Latar Belakang Curah Hujan sangat berpengaruh pada komunikasi gelombang milimeter. Curah Hujan sebagai Model Time Series nonstationer Model ARIMA didesain untuk time-series stasioner dan non stasioner. Model ARIMA-Artificial Neural Network secara empiris dapat meningkatkan akurasi forecasting Hal 2 dari 28
Penelitian Sebelumnya ARIMA Autoregressive ARMA FUZZY-ARMA Hal 3 dari 28
Penelitian Sebelumnya ARIMA oleh Sosa (2000), ARIMA Models In The Rain Attenuation Prediction In A Mexican Tropical Area, IEEE Antennas and Propagation Society International Symposium, 2000., Volume 2, 16-21 July 2000 Page(s):546-549. Data bulanan selama 20 tahun SARIMA Autoregressive oleh Hendrantoro, dkk (2004), An Autoregressive Model for Simulation of Time Varying Rain Rate, 10th International Symposium on Antenna Technology and Applied Electromagnetics and URSI Conference, Ottawa, Canada. Curah hujan dianggap sebagai proses autoregressive Hal 4 dari 28
Penelitian Sebelumnya ARMA oleh Yadna (2008)), Pemodelan ARMA Untuk Curah Hujan Di Surabaya, Tesis Master, Jurusan T.Elektro, ITS pemotongan data curah hujan nonstasioner menjadi stasioner FUZZY-ARMA oleh Rusdi(2009), Aplikasi Model FUZZY-ARMA Untuk Curah Hujan di Surabaya, Tesis Master, Jurusan T.Elektro, ITS Kinerja model yang lebih akurat untuk curah hujan stasioner Hal 5 dari 28
Model Neuro-ARIMA Hal 6 dari 28
Rumusan Masalah apakah model hybrid Neuro-ARIMA mampu memodelkan time series curah hujan di Surabaya lebih akurat dibandingkan dengan model ARIMA? Hal 7 dari 28
Tujuan Penelitian Menghasilkan model statistik curah hujan dengan menggunakan model hybrid Neuro-ARIMA. Membuktikan apakah model hybrid Neuro-ARIMA memiliki kinerja yang lebih baik daripada model ARIMA. Manfaat Penelitian menghasilkan model statistik curah hujan yang lebih akurat Hal 8 dari 28
Metodologi Penelitian Hal 9 dari 28
Hasil & Pembahasan Hal 10 dari 28
Pengolahan Data 81 event untuk periode pengukuran 12 Nopember 2008 sd 26 Februari 2009 rata-rata sampel = 490 sampel dgn durasi rata-rata = 1 jam 21 menit 33 detik dan amplitudo rata-rata = 73, 63189 mm/h Hal 11 dari 28 Metodologi
Pemodelan ARIMA Hal 12 dari 28
Transformasi Data LAMBDA BOX-COX NILAI MIN -0.12494 MAX 0.201 MEAN 0.001513 Hal 13 dari 28 Model ARIMA
Uji Stasioneritas Stasioner? Hal 14 dari 28 Model ARIMA
Uji Stasioneritas Hal 15 dari 28 Model ARIMA
Estimasi Parameter Metode Brute-force dengan Maximum Likelihood Estimation Orde p dan q maksimum = 3 Model ARIMA Hal 16 dari 28
Uji Diagnosa residual model dari event 59 residual model dari event 33 Hal 17 dari 28 Model ARIMA
Uji Normalitas Residual residual model dari event 59 residual model dari event 33 Hal 18 dari 28 Model ARIMA
Uji KS utk Normalitas Residual Hal 19 dari 28 Model ARIMA
Evaluasi Kinerja Model ARIMA fitting model dari event 59 fitting model dari event 33 Hal 20 dari 28
Evaluasi Kinerja Model ARIMA Hal 21 dari 28 Metodologi
Pemodelan Neuro-ARIMA Normalisasi residual model ARIMA sebagai input jaringan Arsitektur jaringan : 2-8-1 (2 node pd input layer, 8 node pd hidden layer, 1 node pada output layer) Fungsi aktivasi : tansig pd node dari input layer, logsig pd node dari hidden layer, dan purelin pada output layer Algoritma pelatihan: BPNN dengan MSE min 0.001 dan epoch maksimum 2000 Hal 22 dari 28
Evaluasi Kinerja Model Neuro-ARIMA Hal 23 dari 28
Evaluasi Kinerja Model Neuro-ARIMA Hal 24 dari 28 Metodologi
Evaluasi Kinerja Antar Model Hal 25 dari 28 Metodologi
Kesimpulan Uji Stasioner ADF lebih efektif dari uji stasioner dengan korelogram Model ARIMA lebih akurat dalam memodelkan curah hujan stasioner daripada curah hujan nonstasioner Algoritma pemodelan ARIMA: identifikasi, estimasi, uji diagnostik Pembangkitan data dengan model ARIMA: regresi dengan parameter model, uji kinerja model Model Neuro-ARIMA punya kinerja yang lebih baik dari model ARIMA dalam memodelkan curah hujan Algoritma pemodelan Neuro-ARIMA: Normalisasi residual sebagai input, desain jaringan, latih input pada jaringan untuk menghasilkan curah hujan keluaran dan uji kinerja model Hal 26 dari 28
Saran Uji CADF dapat melengkapi uji stasioner dengan ADF, Efek-efek musiman harus dipertimbangkan, pemodelan curah hujan dengan algoritma genetik, Hal 27 dari 28