Universitas Gadjah Mada
Jurusan Teknik Sipil dan Lingkungan
Prodi Magister Teknik Pengelolaan Bencana Alam
Teknik Pengolahan
Data
Analisis Data Time Series
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 1
Analisis Data
Time Series
•
Acuan
• Haan, C.T., 1982, Sta+s+cal Methods in Hydrology, 1st Ed., 3rd Prin5ng,
The Iowa State Univ. Press, Ames, Iowa, USA.
• Chapter 14, pp 275-288 13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 2
Data Time Series
•
Time series data
• Data yang diperoleh dari operasi (observasi, pengukuran, eksperimen)
urut menurut waktu
• Data 5me series berupa
• hasil observasi atau pengukuran pada waktu-waktu tertentu (diskrit)
• hasil perata-rataan pada suatu selang waktu
• hasil observasi atau pengukuran secara menerus (kon5nu)
• Sekumpulan 5me series adalah himpunan dari sejumlah 5me series
hasil pengukuran variabel yang sama
• Time series tunggal disebut realisasi
• Kelompok 5me series beranggota sejumlah realisasi
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 3
Data Time Series
•
Data 5me series dapat berasal atau bersusun dari
• peris5wa atau kejadian yang bersifat determinis5k
• peris5wa atau kejadian yang bersifat stokas5k
• campuran peris5wa atau kejadian determinis5k+stokas5k
•
Data 5me series hidrologi
• umumnya berupa data komponen stokas5k yang disuperposisikan
pada data komponen determinis5k
• contoh
• temperatur udara harian menunjukkan pola musiman (komponen determinis5k) dan perubahan atau fluktuasi dari pola musiman, yang bersifat random (acak)
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 4
Data Time Series
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 5data 5me series hidrologi
komponen stokas5k
komponen determinis5k
komponen periodik komponen loncatan
komponen pola kecenderungan komponen gabungan
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 6
Data Time Series Deterministik
• Pola, kecenderungan (trend)
• Perubahan DAS yang berlangsung selama beberapa tahun à
memunculkan perubahan pola debit aliran permukaan
• Perubahan lingkungan secara alamiah dan perlahan atau perubahan
lingkungan akibat ulah manusia dapat menimbulkan perubahan pola data 5me series
• Loncatan (jump)
• Bencana alam (gempa, kebakaran hutan)
• Pembendungan aliran sungai oleh dam
• Periodik
• Faktor astronomis
• Periodik yang bersifat tahunan, bulanan, mingguan
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 7
Skala Waktu
• Diskrit
• Data yang diperoleh dari
pengamatan atau pengukuran pada waktu-waktu tertentu yang
dipisahkan menurut waktu Δt
• Data yang diperoleh dari
pengamatan nilai atau variabel yang merupakan fungsi waktu, yang terjadi pada waktu Δt
• hujan rerata bulanan (Δt = 1 bulan)
• debit puncak tahunan (Δt = 1 tahun)
• hujan harian (Δt = 1 hari)
• Kon5nu
• Data yang diperoleh dari
pengamatan atau pengukuran secara menerus (kon5nu)
• muka air dari AWLR
• curah hujan dari ARR
• Walaupun data kon5nu, tetapi dalam analisis, data dibaca pada waktu-waktu tertentu
• curah hujan dibaca per selang waktu tertentu, misal se5ap 5 menit
• curah hujan dibaca pada data puncak, selang waktu antar data 5dak
beraturan 13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 8
AWLR dan ARR
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 9Automa5c Water Level Recorder, AWLR
Data Muka Air Sungai
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 10Automa5c Water Level Recorder, AWLR
Untuk analisis, data dibaca se5ap jam (Δt = 1 jam) atau se5ap muka air ekstrem (pasang ter5nggi dan surut terendah)
Data Curah Hujan, ARR
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 11Skala Waktu
• Yang dibahas pada bab ini
• Selang waktu konstan, Δt konstan
• Data 5me series 5dak selalu merupakan fungsi waktu, namun dapat pula
data hasil pengamatan atau pengukuran dalam fungsi yang lain, misal
fungsi jarak/ruang (spa+al)
• data lebar sungai di se5ap tampang lintang • lebar sungai adalah variabel random
• jarak tampang lintang adalah variabel ruang
• Variabel random dalam data 5me series
• Variabel random kon5nu
• kedalaman (volume) hujan per hari
• Variabel random diskrit
• hari hujan (1) dan hari 5dak hujan (0) per hari
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 12
Proses Stokastik
•
Proses stokas5k:
X
(
t
)
• pdf X(t): p(x;t) à perilaku probabilis5k X(t) pada waktu t
•
Jika sifat-sifat suatu 5me series 5dak berubah terhadap waktu,
maka 5me series tersebut disebut proses permanen (
sta+onary
)
• Time series permanen: p(x;t1) = p(x;t2), t1 ≠ t2
• Time series tak-permanen: p(x;t1) ≠ p(x;t2)
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 13
Proses Stokastik
•
Sifat-sifat 5me series dapat diperoleh dari atau didasarkan pada
• realisasi tunggal selama suatu selang waktu à dikenal sebagai +me
average proper+es
• beberapa realisasi pada waktu tertentu à dikenal sebagai ensemble
proper+es
•
Apabila
+me average proper+es
=
ensemble proper+es
, maka 5me
series tsb memiliki sifat
ergodic
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 14
Proses Stokastik
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 15 ! ! Xi = 1 T Xi(t)dt 0 T∫
Xi = 1 n Xi(tj) j=1 n∑
! ! X(t)= 1 m Xi(t) i=1 m∑
X(t)= X(t)p(x;t)dx −∞ ∞∫
+me average proper+es
realisasi ke-i selama selang waktu 0 s.d. T
Proses Stokastik
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 16 !!X(t)=X(t+τ), ∀tdanτ proses stokas5k bersifat permanen untuk nilai rerata (sta+onary in the mean, first-order sta+onary)
! ! Cov(X(t),X(t+τ))= 1 m
(
Xi(t)−X(t))
(
Xi(t+τ)−X(t+τ))
i=1 m∑
kovarian X(t) dan X(t+τ) jika τ = 0 à varian 5me seriesJika proses stokas5k memiliki sifat permanen (sta+onary) untuk nilai rerata dan kovarian, maka 5me series tsb memiliki sifat second-order sta+onary.
Proses Stokastik
•
Untuk 5me series yang bersifat ergodic
• nilai rerata waktu (+me average mean) sama dengan nilai rerata
bersama (ensemble average)
• hal di atas berlaku pula untuk nilai-nilai rerata waktu yang lain, 5dak
hanya mean
•
Oleh karena itu
• sifat-sifat proses random (stokas5k) permanen dapat diukur dari data
historis tunggal (realisasi tunggal)
• kadang, data 5me series realisasi tunggal dipecah menjadi beberapa
5me series pendek
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 17
Proses Stokastik
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 18• Untuk suatu proses random dengan realisasi tunggal, i = 1
! ! Xi = 1 T Xi(t)dt 0 T
∫
Xi = 1 n Xi(tj) j=1 n∑
! ! Cov(Xi(t),Xi(t+τ))= 1 T − τ 0(
Xi(t)−Xi)
(
Xi(t+τ)−Xi)
dt T−τ∫
Cov(Xi(t),Xi(t+τ))= 1 n−1 j=1(
Xi(tj)−Xi)
(
Xi(tj+τ)−Xi)
n∑
nilai rerata, realisasi tunggal, variabel random kon5nu nilai rerata, realisasi tunggal, variabel random diskrit
var random kon5nu var random diskrit
Autokorelasi
•
Yang dibahas adalah 5me series ergodic, sehingga hanya
diperlukan realisasi tunggal,
i
= 1 saja
•
Autokorelasi (
autocorrela+on
), ρ(τ)
•
Untuk τ = 0, maka ρ(τ) = 1 karena Cov(
X
(
t
),
X
(
t
+τ)) = Var(
X
(
t
))
•
Jika τ kecil, maka ρ(τ) posi5f
Jika τ bertambah besar, maka ρ(τ) nega5f
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 19 ! ! ρ(τ)= Cov
(
X(t),X(t+τ))
Var( )
X(t)Autokorelasi
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 20• Plot fungsi autokorelasi vs selang waktu τ disebut korelogram
Autokorelasi
• Korelogram
• berguna untuk mengetahui jika data yang berurutan tersebut
independent
• jika korelogram menunjukkan adanya korelasi yang kuat antara X(t) dan
X(t+τ), maka data 5dak independent
• Autokorelasi dengan demikian
• menunjukkan “memori” proses stokas5k
• jika ρ(τ) = 0, proses dikatakan 5dak memiliki memori terhadap kejadian
sebelum t – τ
• pada prinsipnya untuk sebagian besar proses random, ρ(τ) haruslah sama
dengan nol untuk τ besar
• jika ρ(τ) untuk τ besar menunjukkan suatu pola yang 5dak sama dengan
nol, maka hal ini mengindikasikan suatu komponen determinis5k
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 21
Autokorelasi
•
Untuk skala waktu diskrit, fungsi autokorelasi menjadi ρ(
k
),
k
adalah jumlah selang waktu yang memisahkan
X
(
t
) dan
X
(
t
+τ)
•
Hubungan antara τ dan
k
• Δt adalah panjang selang waktu, misal 1 hari, 1 bulan, 1 tahun, dsb.
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 22 !τ =k Δt
Autokorelasi
• Jika ρ(k) = 0 untuk semua k ≠ 0
• proses disebut sebuah proses random murni
• hal ini menunjukkan data saling linearly independent
• Jika ρ(k) ≠ 0 untuk sejumlah k ≠ 0
• data yang terpisah k Δt adalah dependent
• proses disebut sebuah proses random
• Jika sebuah 5me series bersifat tak permanen (nonsta+onary)
• ρ(k) ≠ 0 untuk semua k ≠ 0 karena adanya komponen determinis5k
• Jika komponen determinis5k 5dak dihilangkan terlebih dulu, maka kita
5dak dapat menentukan sampai seberapa jauh ρ(k) ≠ 0 akan dipengaruhi
oleh komponen determinis5k
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 23
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id 24