PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN
RAINGAUGE DAN DISDROMETER
Muhammad Zainuddin Fanani 2210105059
Muhammad Zainuddin Fanani 2210105059
Dosen Pembimbing :
Dr. Ir. Achmad Mauludiyanto,
M.T.
Latar Belakang
Curah
Hujan Berpengaruh pada link
komunikasi dg frekuensi tinggi (sistem gelombang milimeter)
Redaman Hujan
Penurunan kualitas komunikasi
Di indonesia hujan terjadi rata-rata selama
½ tahun atau lebih
Redaman sangat terasa
Di indonesia hujan terjadi rata-rata selama
½ tahun atau lebih
Redaman sangat terasa
Pemodelan curah hujan diperlukan untuk acuan mendesain sistem
telekomunikasi yang handal
Model ARIMA
MASALAH
• Bagaimana memodelkan data curah hujan menggunakan model ARIMA.
• Bagaimana perbandingan model ARIMA dari dua alat pengukur curah hujan,
disdrometer dan raingauge.
• Bagaimana memodelkan data curah hujan menggunakan model ARIMA.
• Bagaimana perbandingan model ARIMA dari dua alat pengukur curah hujan,
disdrometer dan raingauge.
BATASAN MASALAH
• Pengukuran curah hujan dilakukan dilantai 4 gedung teknik elektro kampus ITS Surabaya.
• Data curah hujan diukur dengan 2 alat, yaitu Disdrometer dan Raingauge.
• Pengukuran curah hujan dilakukan selama periode akhir november 2011 - Februari 2012 (kurang lebih selama 2,5 bulan).
• Pemodelan curah hujan didekati dengan model ARIMA.
• Ada proses pembangkitan model
• Proses validasi data dilakukan dengan membandingkan curah hujan dari data hasil pengukuran dilapangan, dengan data hasil pembangkitan model pada plot kurva CDF dan Time Series.
• Pengukuran curah hujan dilakukan dilantai 4 gedung teknik elektro kampus ITS Surabaya.
• Data curah hujan diukur dengan 2 alat, yaitu Disdrometer dan Raingauge.
• Pengukuran curah hujan dilakukan selama periode akhir november 2011 - Februari 2012 (kurang lebih selama 2,5 bulan).
• Pemodelan curah hujan didekati dengan model ARIMA.
• Ada proses pembangkitan model
• Proses validasi data dilakukan dengan membandingkan curah hujan dari data hasil pengukuran dilapangan, dengan data hasil pembangkitan model pada plot kurva CDF dan Time Series.
TUJUAN
• Memperoleh model curah hujan yang didekati dengan model ARIMA
• Mengetahui perbedaan model ARIMA dari dua alat pengukur curah hujan, yaitu
Disdrometer dan Raingauge.
• Memperoleh model curah hujan yang didekati dengan model ARIMA
• Mengetahui perbedaan model ARIMA dari dua alat pengukur curah hujan, yaitu
Disdrometer dan Raingauge.
SET UP PENGUKURAN CURAH HUJAN MENGGUNAKAN ALAT
DISDROMETER
RS-485
RS-232
Output Pengukuran dari software ASDO berupa file notepad .txt , dg curah hujan
(mm/h) dan periode sampling 60 detik Software ASDO
SET UP PENGUKURAN CURAH HUJAN MENGGUNAKAN ALAT
RAINGAUGE
Rainlogger di launch dg Software BoxCar
Rainlogger di launch dg Software BoxCar
Rainlogger di
readout dg Software BoxCar
Output dari raingauge berupa file notepad .txt dalam satuan curah hujannya dalam inchi
PENGOLAHAN DATA
Data
Disdrometer Data
Raingauge
PEMODELAN ARIMA
• Model ARIMA (Autoregressive Integrated Moving Average) adalah model statistik yang digunakan untuk melakukan analisa sifat-sifat dari data runtun waktu terhadap data-data yang telah lalu, sehingga didapatkan suatu persamaan model yang menggambarkan hubungan dari data runtun waktu tersebut.
• Model ARIMA (Autoregressive Integrated Moving Average) adalah model statistik yang digunakan untuk melakukan analisa sifat-sifat dari data runtun waktu terhadap data-data yang telah lalu, sehingga didapatkan suatu persamaan model yang menggambarkan hubungan dari data runtun waktu tersebut.
Dinotasikan dengan ARIMA (p,d,q).
dengan:
p = orde atau derajat autoregressive (AR) d = orde atau derajat pembeda.
q = orde atau derajat moving average (MA)
DIAGRAM ALIR ARIMA
Diagram AlirPemodelan ARIMA
Diagram AlirPenentuan Model ARIMA
VALIDASI MODEL
HASIL PENGUKURAN CURAH HUJAN
No Alat Pengukur Curah Hujan Jumlah Event
1 Disdrometer 49
• Dari hasil pengukuran dilapangan didapatkan 83 event hujan yang bisa dijadikan data untuk pemodelan.
2 Raingauge 34
Total 83
JUMLAH MODEL
• Dari 83 event hujan hasil pengukuran didapatkan 3 jenis model ARIMA yang tertera pada tabel dibawah :
No Alat Ukur Model ARIMA Jumlah Event
1 Disdrometer (1,0,0) 31
1 Disdrometer (1,0,0) 31
2 Disdrometer (2,0,0) 10
3 Disdrometer (3,0,0) 3
4 Raingauge (1,0,0) 16
Total Pemodelan yang didapatkan 60 Event yang tidak bisa dimodelkan 23
MODEL ARIMA (1,0,0) DARI ALAT DISDROMETER
Error = 141,575 (0,04% )
Plot CDF Plot Time Series
MODEL ARIMA (2,0,0) DARI ALAT DISDROMETER
Plot CDF Plot Time Series
Error = 62,7 (0,052% )
MODEL ARIMA (3,0,0) DARI ALAT DISDROMETER
Error = 95,9098 (0,106%)
Plot CDF Plot Time Series
MODEL ARIMA (1,0,0) DARI ALAT RAINGAUGE
Plot CDF Plot Time Series
Error = 153,98 (0,18% )
PERBANDINGAN ANTARA MODEL CURAH HUJAN DISDROMETER DENGAN
MODEL CURAH HUJAN RAINGAUGE
PERBANDINGAN ANTARA MODEL CURAH HUJAN DISDROMETER DENGAN
MODEL CURAH HUJAN
RAINGAUGE
PERBANDINGAN ANTARA ALAT
DISDROMETER DAN RAINGAUGE DALAM PEMODELAN ARIMA
NO Parameter
Pembanding
Alat Pengukur Curah Hujan Disdrometer Raingauge 1 Total event hujan
selama pengukuran
49 event hujan 34 event hujan
Perbandingan dua alat pengukur hujan dalam pemodelan dirangkum dalam tabel dibawah ini :
Total event hujan selama pengukuran
2 Model ARIMA yang
didapatkan
3 model, yaitu
: AR (1),
AR(2), AR(3)
1 model, yaitu : AR (1)
3 Banyak event hujan dalam model yang sama (AR (1))
31 event hujan 16 event hujan
4 Banyak sampel dalam 1 event
cenderung lebih banyak
dibanding raingauge
cenderung lebih sedikit
dibanding disdrometer
PERBANDINGAN LANGSUNG PEMODELAN
DISDROMETER & RAINGAUGE DALAM PLOT CDF &
TIME SERIES YG SAMA
Yang perlu diperhatikan dalam membandingkan dua pemodelan dari alat pengukur curah hujan yang berbeda adalah sebagai berikut :
• Model yang akan dibandingkan adalah model yang sama dari masing- masing alat pengukur hujan → Model yang sama yaitu model ARIMA (1,0,0).
• Dalam membandingkan data hujan dalam 1 plot CDF dan Time Series, dicari data dari masing-masing alat yang terjadinya pada event hujan yang sama (hari &waktu yang sama turunnya hujan) → Didapati event hujan yang sama dari kedua alat yaitu event pada : 17 Desember 2011, 20 Desember 2011, 31 Desember 2011, 12 Januari 2012, 13 Januari 2012, 19 Januari 2012 → total ada 6 event hujan yang sama untuk dibandingkan
MODEL DISDROMETER & RAINGAUGE DALAM PLOT YANG SAMA
Plot CDF Plot Time Series
KESIMPULAN
1. Dari pengukuran curah hujan menggunakan alat ukur disdrometer didapatkan 49 event hujan dan 3 jenis model ARIMA. Tiga model tersebut antara lain :
•Model ARIMA (1 0 0) sebanyak 31 event hujan (63,3% dari data keseluruhan)
•Model ARIMA (2 0 0) sebanyak 10 event hujan (20,4% dari data keseluruhan)
•Model ARIMA (3 0 0) sebanyak 3 event hujan (6,1% dari data keseluruhan) 2. Untuk pengukuran curah hujan menggunakan alat ukur raingauge didapatkan 34 event hujan dengan 1 jenis model ARIMA. Model tersebut adalah ARIMA (1 0 0) sebanyak 16 event hujan (47% dari data keseluruhan). Selebihnya 53%
data hujan tidak bisa dimodelkan karena tidak memenuhi syarat untuk dimodelkan.
2. Untuk pengukuran curah hujan menggunakan alat ukur raingauge didapatkan 34 event hujan dengan 1 jenis model ARIMA. Model tersebut adalah ARIMA (1 0 0) sebanyak 16 event hujan (47% dari data keseluruhan). Selebihnya 53%
data hujan tidak bisa dimodelkan karena tidak memenuhi syarat untuk
dimodelkan.
3. Adapun setelah dilakukan proses validasi pada setiap model didapatkan hasil sebagai berikut :
•Model ARIMA (1 0 0) dari alat ukur disdrometer persentase error-nya sebesar 0,04%.
•Model ARIMA (2 0 0) dari alat ukur disdrometer persentase error-nya sebesar 0,052%.
•Model ARIMA (3 0 0) dari alat ukur disdrometer persentase error-nya sebesar 0,106%.
•Model ARIMA (1 0 0) dari alat ukur raingauge persentase error-nya sebesar 0,18%.
Sehingga dari seluruh jenis pemodelan yang telah dilakukan baik itu dari alat pengukuran disdrometer maupun raingauge menunjukkan hasil yang bagus dikarenakan didapatkan nilai persentase error yang kecil ketika dilakukan proses validasi.
4. Jika dibandingkan secara langsung pada pemodelan antara alat disdrometer dan raingauge dengan mengambil data dari event yang terjadi bersamaan, maka pada plotnya terlihat hasil yang relatif mirip pada nilai awal-awalnya. Namun lambat laun grafik semakin berbeda dan malah hilang pada bagian grafik raingauge. Hal ini disebabkan karena banyak sampel data pada raingauge tidaklah sebanyak sampel data pada disdrometer. Sehingga tidak dimungkinkan untuk mendapatkan model yang identik dari kedua alat pengukur curah hujan ini.
4. Jika dibandingkan secara langsung pada pemodelan antara alat disdrometer dan
raingauge dengan mengambil data dari event yang terjadi bersamaan, maka pada
plotnya terlihat hasil yang relatif mirip pada nilai awal-awalnya. Namun lambat laun
grafik semakin berbeda dan malah hilang pada bagian grafik raingauge. Hal ini
disebabkan karena banyak sampel data pada raingauge tidaklah sebanyak sampel data
pada disdrometer. Sehingga tidak dimungkinkan untuk mendapatkan model yang
identik dari kedua alat pengukur curah hujan ini.
T E R I M A K A S I H
T E R I M A K A S I H
UJI STASIONER DALAM
VARIANS
UJI STASIONER DALAM MEAN
(Sudah Stasioner)
IDENTIFIKASI AFC DAN PACF
Model ACF PACF
AR (p) Turun (dies down) Terpotong (cut-off) setelah lag ke-p MA (q) Terpotong (cut-off)
setelah lag ke-q
Turun (dies down) ARMA (p,q) turun (dies down) Turun (dies down) ARMA (p,q) turun (dies down) Turun (dies down) AR (p) atau
MA (q)
Terpotong (cut-off) setelah lag ke-q
Terpotong (cut-off) setelah lag ke-p
Plot ACF Plot PACF
Estimasi parameter Delta&phi dan uji Ljung-Box
Final Estimates of Parameters
Type Coef SE Coef T P AR 1 0.7033 0.0540 13.03 0.000 AR 2 0.2160 0.0541 3.99 0.000 Constant 0.08261 0.01105 7.47 0.000 Mean 1.0240 0.1370
Number of observations: 332
Residuals: SS = 12.9083 (backforecasts excluded) MS = 0.0392 DF = 329
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48
Chi-Square 11.7 22.9 39.1 45.8 DF 9 21 33 45 P-Value 0.229 0.350 0.214 0.440 Final Estimates of Parameters
Type Coef SE Coef T P AR 1 0.7033 0.0540 13.03 0.000 AR 2 0.2160 0.0541 3.99 0.000 Constant 0.08261 0.01105 7.47 0.000 Mean 1.0240 0.1370
Number of observations: 332
Residuals: SS = 12.9083 (backforecasts excluded) MS = 0.0392 DF = 329
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48
Chi-Square 11.7 22.9 39.1 45.8 DF 9 21 33 45 P-Value 0.229 0.350 0.214 0.440
Uji Normalisasi residual Kolmogorov-
Smirnov
Pembangkitan Model
AR
MA
ARMA
ARMA