View
228
Download
1
Category
Preview:
Citation preview
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
Presentasi Tesis 14 Juli 2010
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
Presentasi Tesis 14 Juli 2010
Hal 3 dari 28
Penelitian Sebelumnya
ARIMA Autoregressive ARMA FUZZY-ARMA
Presentasi Tesis 14 Juli 2010
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
Presentasi Tesis 14 Juli 2010
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
Presentasi Tesis 14 Juli 2010
Hal 6 dari 28
Model Neuro-ARIMA
Presentasi Tesis 14 Juli 2010
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?
Presentasi Tesis 14 Juli 2010
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
Presentasi Tesis 14 Juli 2010
Hal 9 dari 28
Metodologi Penelitian
Presentasi Tesis 14 Juli 2010
Hal 10 dari 28
Hasil & Pembahasan
Presentasi Tesis 14 Juli 2010
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
Presentasi Tesis 14 Juli 2010
Hal 12 dari 28
Pemodelan ARIMA
Presentasi Tesis 14 Juli 2010
Hal 13 dari 28
LAMBDA BOX-COX NILAI
MIN -0.12494
MAX 0.201
MEAN 0.001513
Transformasi Data
Model ARIMA
Presentasi Tesis 14 Juli 2010
Hal 14 dari 28
Uji Stasioneritas
Stasioner ?
Model ARIMA
Presentasi Tesis 14 Juli 2010
Hal 15 dari 28
Uji Stasioneritas
Model ARIMA
Presentasi Tesis 14 Juli 2010
Hal 16 dari 28
Estimasi Parameter
Metode Brute-force dengan Maximum Likelihood Estimation
Orde p dan q maksimum = 3
Model ARIMA
Presentasi Tesis 14 Juli 2010
Hal 17 dari 28
Uji Diagnosaresidual model dari event 59
residual model dari event 33
Model ARIMA
Presentasi Tesis 14 Juli 2010
Hal 18 dari 28
Uji Normalitas Residualresidual model dari event 59
residual model dari event 33
Model ARIMA
Presentasi Tesis 14 Juli 2010
Hal 19 dari 28
Uji KS utk Normalitas Residual
Model ARIMA
Presentasi Tesis 14 Juli 2010
Hal 20 dari 28
Evaluasi Kinerja Model ARIMA
fitting model dari event 33
fitting model dari event 59
Presentasi Tesis 14 Juli 2010
Hal 21 dari 28
Evaluasi Kinerja Model ARIMA
Metodologi
Presentasi Tesis 14 Juli 2010
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
Presentasi Tesis 14 Juli 2010
Hal 23 dari 28
Evaluasi Kinerja Model Neuro-ARIMA
Presentasi Tesis 14 Juli 2010
Hal 24 dari 28
Evaluasi Kinerja Model Neuro-ARIMA
Metodologi
Presentasi Tesis 14 Juli 2010
Hal 25 dari 28
Evaluasi Kinerja Antar Model
Metodologi
Presentasi Tesis 14 Juli 2010
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
Presentasi Tesis 14 Juli 2010
Hal 27 dari 28
Saran
Uji CADF dapat melengkapi uji stasioner dengan ADF, Efek-efek musiman harus dipertimbangkan, pemodelan curah hujan dengan algoritma genetik,
Recommended