aplikasi metodebayesian model averaging dengan pendekatan...
TRANSCRIPT
Aplikasi Metode Bayesian Model Averaging Dengan PendekatanMarkov Chain Monte Carlo (MCMC) Untuk Peramalan Curah HujanBulanan di Stasiun Meteorologi Sukowono Kabupaten Jember
Galih Satrio Prayoga 1312105014 Pembimbing : Dr. rer. Pol. Heri Kuswanto, S.Si, M.Si.Dr. Irhamah, S.Si, M.Si.
PeramalanDeterministik
PeramalanProbabilistik
Seminar Hasil Tugas Akhir
“Salah satu metode probabilistik yang akhir – akhir ini dikembangkan adalah metodeBayesian Model Averaging (BMA)”
Rumusan Permasalahan
Bagaimana hasil kalibrasi peramalan ensembel data curah hujan bulananmenggunakan metode Bayesian Model Averaging (BMA) dengan pendekatan MarkovChain Monte Carlo.
Tujuan Penelitian
Mengetahui hasil kalibrasi peramalan ensembel data curah hujan bulananmenggunakan metode Bayesian Model Averaging (BMA) dengan pendekatan MarkovChain Monte Carlo.
Seminar Hasil Tugas Akhir
Manfaat Penelitian
Diharapkan dapat membantu BMKG maupun institusi lain yang terkait denganperamalan cuaca dalam melakukan peramalan cuaca khususnya denganmenggunakan konsep ensembel (peramalan taksiran interval).
Batasan Penelitian
Penelitian dibatasi pada data yang digunakan Anggraeni (2013) yaitu data curah hujanbulanan di kabupaten Jember antara bulan februari 2005 sampai desember 2009pada stasiun sukowono. Data peramalan yang dijadikan rujukan adalah dataperamalan menggunakan empat metode peramalan yaitu ARIMA, ANFIS, Wavelet –ARIMA dan Wavelet – ANFIS. Dalam penelitian ini hanya menggunakan metode BMAdengan pendekatan algoritma Markov Chain Monte Carlo (MCMC).
Seminar Hasil Tugas Akhir
Tinjauan PustakaAnalisis Deret
WaktuSoftware HyBMG
Bayesian Model Averaging MCMC CRPS Cuaca
Seminar Hasil Tugas Akhir
Pengertian
Teknik yang untuk menganalisis beragam deret observasi yang dependen dinamakananalisis deret waktu (Time Series Analysis) (Box dan Jenkins, 1976).
Kegunaan
Pada penerapan statistika, dependensi antar observasi dianggap sebagai sebuahgangguan. Bagaimanapun juga, banyak data pada bidang bisnis, ekonomi, enginee-ring, dan ilmu science memiliki bentuk deret waktu yang observasinya adalah depen-den, dimana sifat dependen data tersebut bersifat penting. Analisis Deret Waktudigunakan untuk melakukan analisis data yang mempertimbangkan pengaruh waktu.
Analisis DeretWaktu
Software HyBMG
Bayesian Model Averaging MCMC CRPS Cuaca
Seminar Hasil Tugas Akhir
Analisis DeretWaktu
Software HyBMG
Bayesian Model Averaging MCMC CRPS Cuaca
ARIMA
ANFIS
Wavelet - ARIMA
Wavelet - ANFIS
Seminar Hasil Tugas Akhir
Pengertian
Metode kalibrasi yang tidak hanya mempertimbangkan salah satu model terbaik saja,namun juga mempertimbangkan model lain yang signifikan kemudian diberikanpembobotan sesuai kontribusi model.
Analisis DeretWaktu
Software HyBMG
Bayesian Model Averaging MCMC CRPS Cuaca
ARIMA
ANFIS
Wavelet - ARIMA
Wavelet - ANFIS
∑=
=K
kkkkk fygwffyp
11 )|(),...,|(
Pembobot sesuai kontribusi model individu signifikandalam peramalan
PDF bersyarat dari anggota ensembleyang berbeda, yang terpusat pada fungsi linear , σkkk fba +
Peramalan ensemble individu
Seminar Hasil Tugas Akhir
Pengertian
Simulasi MCMC digunakan sebagai pendekatan untuk mengestimasi bobot (w) danvariasi (σ) BMA
Kelebihan
1. lebih fleksibel terhadap berbagai distribusi2. memberikan gambaran yang jelas mengenai distribusi posterior dari pembobotan
dan variasi BMA3. dapat mengakomodasi jumlah paramater BMA yang besar dan banyaknya
peramalan ensembel yang berbeda
Analisis DeretWaktu
Software HyBMG
Bayesian Model Averaging MCMC CRPS Cuaca
Seminar Hasil Tugas Akhir
Pengertian
CRPS merupakan suatu ukuran untuk menilai seberapa reliabel hasil kalibrasi yangtelah dihasilkan dengan menggunakan metode BMA
Analisis DeretWaktu
Software HyBMG
Bayesian Model Averaging MCMC CRPS Cuaca
∑ ∫ −==
∞
−∞=
M
i xi
fi dxxFxF
MCRPS
1
20 ))()((1
“Hasil kalibrasi dikatakan baik jika memiliki nilai CRPS yang kecil”
Seminar Hasil Tugas Akhir
Cuaca
• Curah hujan dapat diartikan sebagai ketinggian air hujan yang terkumpul dalamtempat yang datar, tidak menguap, tidak meresap, dan tidak mengalir. Curah hujan1 (satu) millimeter, artinya dalam luasan satu meter persegi pada tempat yangdatar tertampung air setinggi satu millimeter atau tertampung air sebanyak satuliter (BMKG, 2012).
• Kriteria intensitas curah hujan dibagi menjadi 4 kategori, yaitu :a. Hujan Ringan dengan intensitas 5 – 20 mm/harib. Hujan Sedang dengan intensitas 20 – 50 mm/haric. Hujan Lebat dengan intensitas 50 – 100 mm/harid. Hujan Sangat Lebat dengan intensitas >100 mm/hari(BMKG, 2013).
Analisis DeretWaktu
Software HyBMG
Bayesian Model Averaging MCMC CRPS
CurahHujan
Seminar Hasil Tugas Akhir
Sumber Data Variabel Penelitian Metode Pelaksanaan
Data yang digunakan adalah data sekunder yang berasal dari thesis anggraeni (2013)dengan proses pengambilan data sebagai berikut.
Sumber
ARIMA
ANFIS
Wavelet - ARIMA
Wavelet - ANFIS
Seminar Hasil Tugas Akhir
Sumber Data Variabel Penelitian Metode Pelaksanaan
Variabel penelitian yang digunakan adalah variabel curah hujan bulanan mulai bulanFebruari 2005 sampai Desember 2009 yang berskala rasio.
Variabel
Seminar Hasil Tugas Akhir
Sumber Data Variabel Penelitian Metode Pelaksanaan
Metode
1. Membentuk plot time series data observasi dan ensemble individual setiap lead. Kemudianmelakukan perbandingan antara data hasil peramalan ensemble dengan data observasi. Melaluilangkah ini, akan dapat diketahui karakteristik dan kebaikan hasil peramalan ensembel.
2. Melakukan proses kalibrasi dari peramalan menggunakan BMA dengan pendekatan MCMC.3. Melakukan evaluasi ketepatan peramalan menggunakan MSE dan CRPS. Dalam tahap ini, akan
dievaluasi nilai MSE dan CRPS yang dihasilkan dari proses kalibrasi sebanyak training windowyang telah ditetapkan.
4. Membandingkan peramalan hasil metode BMA-MCMC dengan BMA-EM dalam Anggraeni(2013). Peramalan dengan nilai MSE dan CRPS lebih kecil adalah peramalan yang lebih baik.
5. Pembuatan kesimpulan
Seminar Hasil Tugas Akhir
Sumber Data Variabel Penelitian Metode Pelaksanaan
Tahapan MCMC
a. Menetapkan perhitungan dengan menggunakan training windows yaitu 10, 12, 15 bulan.b. Melakukan koreksi bias pada mean dengan meregresikan data ensemble dengan pengamatan sebenarnya
untuk data training window yang ditetapkan.c. Mendapatkan koefisien bias, yaitu b0 dan b1.d. Menghitung mean dari ensemble dengan menggunakan rumus µk = b0k+b1kfk.e. Mengestimasi parameter bobot dan varians dengan algoritma DREAM.f. Melakukan kalibrasi untuk mendapatkan parameter varians dan mean terkalibrasi dengan mengalikan varian
dan mean masing – masing ensemble dengan parameter bobot yang diperoleh dari pendekatan MCMC. g. Membuat kurva pdf gamma dengan nilai parameter skala dan parameter bentuk yang diperoleh dari
hubungan mean dan variasi peramalan kalibrasi. h. Membandingkan hasil ramalan ensemble terkalibrasi dengan data observasi dengan lead time dan training
window yang sudah ditetapkan.
Seminar Hasil Tugas Akhir
Analisis dan Pembahasan
Seminar Hasil Tugas Akhir
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
Seminar Hasil Tugas Akhir
544842363024181261
500
400
300
200
100
0
Series
Obs
166
200512 200612 200712 200812 200912
Karakteristik Curah HujanStasiun Sukowono
Curah hujan max bulan maret 524 mm
Rata – rata curah hujan
166 mm
Pola musiman belumnampak jelas
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
Seminar Hasil Tugas Akhir
5550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
12 24 36 48
Plot Autocorrelation FunctionCurah Hujan
Pada kelipatan 12Selalu terjadi korelasi
tinggi
Curah Hujan di kabupatenJember bersifat Musiman
12 Bulan
Seminar Hasil Tugas Akhir
Karakteristik Rata – Rata Curah Hujan Bulanan diStasiun Sukowono tahun 2005 – 2009Karakteristik Curah Hujan di Stasiun
Sukowono Per Bulan tahun 2005 – 2009
DesNovOktSepAugJulJunMayAprMarFebJan
500
400
300
200
100
0
Bulan
Cura
h Hu
jan
(mm
)
2050
100
20052006200720082009
Variable
DesNovOktSepAugJulJunMayAprMarFebJan
400
300
200
100
0
Bulan
Rat
a -
Rat
a Cu
rah
Huj
an (
mm
)
20
50
100
372.6
179.6
80.4
5.2
17.211.2
73.083.6
199.2
364.4331.4
301.0
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
Curah hujanrendah terjadipada musim
kemarau
Seminar Hasil Tugas Akhir
500
400
300
200
100
0
Curah H
ujan (m
m)
2005 2006 2007 2008 2009(a)
500
400
300
200
100
0
Curah Hu
jan (mm
)
(b)
500
400
300
200
100
0
Curah H
ujan (m
m)
(c)
Keterangan :O Observasi - - - - ANFIS
- - - - ARIMA - - - - Wav-ANFIS- - - - Wav-ARIMA
Karakteristik peramalan ensemble dengan lead = 1 (a), lead = 6 (b), lead = 12 (c), lead = 18 (d), dan lead = 24 (e)
500
400
300
200
100
0
Curah Hu
jan (mm
)
(d)
20092008200720062005
500
400
300
200
100
0
Curah Hu
jan (mm
)
(e)
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
Rata – rata observasisudah tercakup
peramalan ensembel
Model ANFIS merupakanmodel terbaik dalam
prediksi
Seminar Hasil Tugas Akhir
Contoh Parameter untuk Bulan Desember 2009 (Lead ke-1)
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
Model ANFIS mendapat
Bobot terbesarNilai Koreksi Bias
Observasi368 mm
Nilai peramalan ensembel
Seminar Hasil Tugas Akhir
0 50 100 150 200 250 300 350 4000
0.005
0.01
0.015
0.02
0.025
0.03
Curah Hujan
Pro
babi
lity
dens
ity
0 50 100 150 200 250 300 350 4000
0.005
0.01
0.015
0.02
0.025
0.03
Curah Hujan
Prob
abilit
y de
nsity
-300 -200 -100 0 100 200 300 400 500 600 7000
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
-3
Curah Hujan
Prob
abilit
y de
nsity
lead 1, m=10
M Mean Varian Batas 1 Batas 210 208.61 587.30 161.1086 256.106912 225.87 4754.01 90.7304 361.011715 255.76 10150.58 58.2913 453.2317
lead 1, m=12 lead 1, m=15
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
Batas 1Batas 2
Obs
Observasi dapatdicakup olehinterval lead 1 m=15
* Data bulan desember 2009 dengan lead time 1
Seminar Hasil Tugas Akhir
800
600
400
200
0
Curah
Hujan
2006 2007 2008 2009
(a)
700
550
400
250
100
-50
-200
Curah
Hujan
(b)
6161616172
750
600
450
300
150
0
-150
Curah H
ujan
(c)
Keterangan :–––– Obs- - - - Kalibrasi- - - - Batas 1- - - - Batas 2
(a) m=10, (b) m=12, dan (c) m=15
65%
35%
(a)
masuk interval keluar interval
62%
38%
(b)
89%
11%(c)
Training window terbaik adalah 15 data
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
* Semua data dengan lead 1
Seminar Hasil Tugas Akhir
Lead Mean Varian Batas 1 Batas 21 208.61 587.30 161.11 256.116 198.62 1939.25 112.31 284.93
12 197.14 552.45 151.07 243.2018 191.26 1347.54 119.31 263.2124 210.01 1698.01 129.24 290.78
0 50 100 150 200 250 300 350 4000
0.005
0.01
0.015
0.02
0.025
0.03
Curah Hujan
Pro
babi
lity
dens
ity
0 50 100 150 200 250 300 350 4000
0.005
0.01
0.015
0.02
0.025
Curah Hujan
Pro
babi
lity
dens
ity
0 50 100 150 200 250 300 350 4000
0.005
0.01
0.015
0.02
0.025
0.03
Curah Hujan
Pro
babi
lity
dens
ity
50 100 150 200 250 300 350 4000
0.005
0.01
0.015
0.02
0.025
Curah Hujan
Pro
babi
lity
dens
ity
50 100 150 200 250 300 350 4000
0.005
0.01
0.015
0.02
0.025
0.03
Curah Hujan
Pro
babi
lity
dens
ity
Lead 1 Lead 6 Lead 12 Lead 18 Lead 24
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
Tidak adaobservasi* yang masuk interval
* Data bulan desember 2009 dengan training window 10
Seminar Hasil Tugas Akhir
800
600
400
200
0
Curah
Hujan
2006 2007 2008 2009
(a)
550
430
310
190
70
-50
Curah
Hujan
(b)
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
800
600
400
200
0
Curah
Hujan
(c)
600
500
400
300
200
100
0
-100
-200
-300
Curah
Hujan
(d)
6161616172
700
600
500
400
300
200
100
0
-100
Curah
Hujan
(e)
Keterangan :–––– Obs- - - - Kalibrasi- - - - Batas 1- - - - Batas 2
Observasi* kebanyakansudah masuk dalaminterval yang dibuat
*semua data pada training window 10
Seminar Hasil Tugas Akhir
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
65%
35%
(a)
masuk interval keluar interval
68%
32%
(b)
66%
34%
(c)
69%
31%
(d)
77%
23%
(e)
Masing – masing lead time menghasilkan peramalan yang baik
Lead 1 Lead 6 Lead 12 Lead 18 Lead 24
Seminar Hasil Tugas Akhir
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiMSE dan CRPS
m MetodeLead
1 6 12 18 24
10
ORI 11163.3 12187.2 13231.7 12045.8 14066
MCMC 14241.8 10273.6** 13909.7 12782.3 13876.4
EM 13560.3 10466.2 28305.6 13648.8 20864.8
12
ORI 9389.8* 12480.4 13788 12683.9 14653.1
MCMC 10617.4 11062.2 10773.9* 9845.6* 11268.7**
EM 11168.5 12440.2 29276.7 10695.7** 22098.7
15
ORI 9612.8** 13185.4 13206.72 13620.3 11244.5*
MCMC 10261.22 9913.7* 12598.24** 11621.5 53548.8
EM 10502.41 13550.6 30141.51 11485.9 17014.5
* nilai paling kecil pada lead time yang digunakan** nilai paling kecil kedua pada lead time yang digunakan
Metode ORI denganlead 1 m=12
memberikan nilaiMSE yang kecil
Seminar Hasil Tugas Akhir
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
0
5000
10000
15000
20000
25000
30000
1 6 12 18 24
MSE
(a)
ORI
MCMC
EM
0
5000
10000
15000
20000
25000
30000
35000
1 6 12 18 24
MSE
(b)0
10000
20000
30000
40000
50000
60000
1 6 12 18 24
MSE
(c)
m = 15m = 12m = 10
Metode BMA – MCMC menghasilkan peramalandeterministik yang baik hampir sama dengan metodeORI
Seminar Hasil Tugas Akhir
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
m MetodeLead
1 6 12 18 24
10ORI 99.58 125.23 126.6 123.18 121.55
MCMC 85.01 76.87 81.14 75.31 68.57EM 68.46 60.85** 70.81 64.38 67.71
12ORI 92.5 119.56 127.22 124.72 117.22
MCMC 67.65 73.48 78.83 70.49 68.16EM 60.4 60.39* 60.08* 61.51** 65.35**
15ORI 93.93 126.15 127.55 130.14 112.18
MCMC 60.06** 76.1 85.6 80.62 66.45EM 58.44* 63.23 60.39** 61.12* 59.55*
* paling kecil pada lead time yang digunakan** paling kecil kedua pada lead time yang digunakan
Metode EM dengan lead 1
m=15 memberikan nilaiCRPS yang kecil
Seminar Hasil Tugas Akhir
KarakteristikObservasi
KarakteristikEnsembel
ParameterKalibrasi
PerformaTraining Window
Performa lead time
EvaluasiCRPS dan MSE
0
20
40
60
80
100
120
140
1 6 12 18 24
CRPS
(a)
ORI
MCMC
EM
0
20
40
60
80
100
120
140
1 6 12 18 24
CRPS
(b)0
20
40
60
80
100
120
140
1 6 12 18 24
CRPS
(c)
m = 15m = 12m = 10
Metode BMA – EM menghasilkan peramalan probabilistikyang baik, hampir sama dengan metode MCMC
Seminar Hasil Tugas Akhir
Kesimpulan Saran
1. Performa peramalan terkalibrasi dalam mengcover nilai observasi su-dah sangat baik. Nilai observasi pada tiap training window kebanyakansudah masuk dalam interval peramalan terkalibrasi. Data yang dapatditangkap interval peramalan terkalibrasi dengan training window 10,12 dan 15 pada lead 1 berturut turut 65%, 62% dan 89% dari totalpengamatan. Banyaknya jumlah training window yang digunakan tidakmemberikan pengaruh yang sebanding, artinya makin banyak trainingwindow yang digunakan hasil peramalan belum tentu baik
Seminar Hasil Tugas Akhir
Kesimpulan Saran
2. Penggunaan lead time yang panjang yaitu 24 bulan kedepan masihdapat menghasilkan nilai peramalan yang baik. Hal ini ditunjukkandengan persentase data yang dapat ditangkap interval peramalanpada pada lead time 24 dengan training windows 10 sebanyak 77%data. Begitu juga penggunaan lead yang kurang dari 24 bulan, jugamemberikan hasil peramalan yang baik. Pada lead time berbeda,metode BMA – MCMC dapat menangkap lebih dari 60% data obser-vasi. Artinya metode BMA-MCMC dapat menghasilkan peramalanjangka pendek dan jangka panjang (24 data ke depan) dengan hasilyang baik.
Seminar Hasil Tugas Akhir
Kesimpulan Saran
3. Metode yang dapat memberikan nilai MSE terkecil adalah metodeORI dengan menggunakan training window, m=12 dan lead time 1. Metode ini lebih baik digunakan untuk peramalan deterministikdaripada metode kalibrasi dengan pendekatan EM atau metodekalibrasi dengan pendekatan MCMC. Namun nilai MSE dari model pendekatan BMA-MCMC hampir beriringan dengan nilai MSE metodeORI, sehingga dapat dikatakan bahwa dalam peramalan deter-ministik untuk meramalkan curah hujan di Stasiun SukowonoKabupaten Jember penggunaan metode BMA – MCMC sama baiknyadengan metode ORI.
Seminar Hasil Tugas Akhir
Kesimpulan Saran
3. Metode yang dapat memberikan nilai MSE terkecil adalah metodeORI dengan menggunakan training window, m=12 dan lead time 1. Metode ini lebih baik digunakan untuk peramalan deterministikdaripada metode kalibrasi dengan pendekatan EM atau metodekalibrasi dengan pendekatan MCMC. Namun nilai MSE dari model pendekatan BMA-MCMC hampir beriringan dengan nilai MSE metodeORI, sehingga dapat dikatakan bahwa dalam peramalan deter-ministik untuk meramalkan curah hujan di Stasiun SukowonoKabupaten Jember penggunaan metode BMA – MCMC sama baiknyadengan metode ORI.
Seminar Hasil Tugas Akhir
Kesimpulan Saran
4. Penggunaan lead 1 dalam peramalan menghasilkan nilai CRPS yang lebih kecil dibandingkan menggunakan lead time yang lain. Sedangkan pemilihan training window yang baik adalah denganmenggunakan training window dengan m=15 dan metode EM memberikan hasil peramalan probabilistik yang lebih baik daripadametode BMA-MCMC dan ORI. Namun perbedaan nilai CRPS metodeperamalan BMA-MCMC dengan BMA – EM dalam menghasilkanperamalan probabilistik tidak berbeda jauh, sehingga dapat dikatakanbahwa dalam menghasilkan peramalan probabilistik metode BMA –MCMC memberikan hasil yang sama baiknya dengan metode BMA –EM.
Seminar Hasil Tugas Akhir
Kesimpulan Saran
Permasalahan yang dikaji dalam penelitian ini masih terbatas, se-hingga untuk mengembangkan penelitian dapat dilakukan denganmelakukan kajian lebih lanjut dengan menambah jumlah data,training window dan variasi lead time. Penggunaan fungsi linieruntuk koreksi bias pada penelitian ini kurang dapat menarik nilaiperamalan kalibrasi mendekati nilai sebenarnya. Oleh karena itu,pendekatan koreksi bias dengan fungsi non-linier maupun seasonaldapat diuji cobakan pada penelitian selanjutnya.