pemodelan neuro-arima untuk curah hujan di...

Presentasi Tesis 14 Juli 2010

Hal 1 dari 28

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 2 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 3 dari 28

Penelitian Sebelumnya

ARIMA Autoregressive ARMA FUZZY-ARMA


Hal 4 dari 28

Penelitian SebelumnyaARIMA 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.

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.

Data bulanan selama 20 tahun SARIMA

Curah hujan dianggap sebagai proses autoregressive


Hal 5 dari 28

Penelitian SebelumnyaARMA oleh Yadna (2008)),”Pemodelan ARMA Untuk Curah Hujan Di Surabaya”, Tesis Master, Jurusan T.Elektro, ITS

FUZZY-ARMA oleh Rusdi(2009), ”Aplikasi Model FUZZY-ARMA Untuk Curah Hujan di Surabaya“, Tesis Master, Jurusan T.Elektro, ITS

pemotongan data curah hujan nonstasioner menjadi stasioner

Kinerja model yang lebih akurat untuk curah hujan stasioner


Hal 6 dari 28

Model Neuro-ARIMA


Hal 7 dari 28

Rumusan Masalah

apakah model hybrid Neuro-ARIMA mampu memodelkan time series curah hujan di Surabaya lebih akurat dibandingkan dengan model ARIMA?


Hal 8 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 9 dari 28

Metodologi Penelitian


Hal 10 dari 28

Hasil & Pembahasan


Hal 11 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

Metodologi


Hal 12 dari 28

Pemodelan ARIMA


Hal 13 dari 28

LAMBDA BOX-COX NILAI

MIN -0.12494

MAX 0.201

MEAN 0.001513

Transformasi Data

Model ARIMA


Hal 14 dari 28

Uji Stasioneritas

Stasioner ?

Model ARIMA


Hal 15 dari 28

Uji Stasioneritas

Model ARIMA


Hal 16 dari 28

Estimasi Parameter

Metode Brute-force dengan Maximum Likelihood Estimation

Orde p dan q maksimum = 3

Model ARIMA


Hal 17 dari 28

Uji Diagnosaresidual model dari event 59

residual model dari event 33

Model ARIMA


Hal 18 dari 28

Uji Normalitas Residualresidual model dari event 59

residual model dari event 33

Model ARIMA


Hal 19 dari 28

Uji KS utk Normalitas Residual

Model ARIMA


Hal 20 dari 28

Evaluasi Kinerja Model ARIMA

fitting model dari event 33

fitting model dari event 59


Hal 21 dari 28

Evaluasi Kinerja Model ARIMA

Metodologi


Hal 22 dari 28

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 23 dari 28

Evaluasi Kinerja Model Neuro-ARIMA


Hal 24 dari 28

Evaluasi Kinerja Model Neuro-ARIMA

Metodologi


Hal 25 dari 28

Evaluasi Kinerja Antar Model

Metodologi


Hal 26 dari 28

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 27 dari 28

Saran

Uji CADF dapat melengkapi uji stasioner dengan ADF, Efek-efek musiman harus dipertimbangkan, pemodelan curah hujan dengan algoritma genetik,

pemodelan neuro-arima untuk curah hujan di...

Documents