Universitas Gadjah Mada Jurusan Teknik Sipil dan Lingkungan Prodi Pascasarjana Teknik Sipil
Statistika
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
, 1
stEd., 3
rdPrin5ng,
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 .id2
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 .id3
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 .id4
Data Time Series
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id5
data 5me series hidrologi komponen stokas5k komponen determinis5k komponen periodik komponen loncatan komponen pola kecenderungan komponen gabungan periodik+pola+loncatan13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
6
Contoh data 5me series yang terdiri dari komponen stokas5k dan determinis5k
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 .id7
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 .id8
AWLR dan ARR
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id9
Automa5c Water Level Recorder, AWLR Automa5c Rainfall Recorder, ARRData Muka Air Sungai
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id10
Automa5c 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 .id11
Automa5c Rainfall Recorder, ARRSkala 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 .id12
Proses Stokastik
•
Proses stokas5k:
X(t)
•
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
;
t
1) =
p
(
x
;
t
2),
t
1≠ t
2•
Time series tak-permanen:
p
(
x
;
t
1) ≠
p
(
x
;
t
2)
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id13
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 .id14
Proses Stokastik
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id15
!! 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 ensemble average pada waktu tProses Stokastik
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id16
!!X(t)= X(t + τ), ∀ t dan τ 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 series Jika 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 .id17
Proses Stokastik
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id18
•
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(
Xi(t)− Xi)
(
Xi(t + τ)− Xi)
dt 0 T−τ∫
Cov(Xi(t),Xi(t + τ))= 1 n−1(
Xi(tj)− Xi)
(
Xi(tj+ τ)− Xi)
j=1 n∑
nilai rerata, realisasi tunggal, variabel random kon5nu nilai rerata, realisasi tunggal, variabel random diskrit var random kon5nu var random diskritAutokorelasi
•
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 .id19
!!
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 .id20
•
Plot fungsi autokorelasi
vs
selang waktu τ disebut korelogram
stokas5k stokas5k+periodikAutokorelasi
•
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 .id21
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
•
Δ
t
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 .id22
!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 .id23
Analisis Spektral
•
Autokorelasi
• Time series dalam domain waktu•
Analisis spektral
• Time series dalam domain frekuensi•
Time series
• Sampel dari suatu populasi yang dicirikan oleh keragaman dalam suatu spektrum frekuensi kon5nu • Sampel random dari suatu prosesmenurut waktu, temporal (atau ruang, spa+al) yang tersusun dari oskilasi semua frekuensi yang mungkin terjadi 13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
24
Analisis Spektral
•
Analisis spektral
• Spektrum keragaman (a variance spectrum) à membagi keragaman (variance) menjadi sejumlah rentang frekuensi • Variabel yang umumnya dipakai dalam analisis adalah kerapatan spektral (spectral density) • Spectral density • jumlah varian per rentang frekuensi•
Beberapa is5lah, variabel
• Frekuensi, f [T−1] • Frekuensi sudut (angular frequency), ω [rad T−1] • Periode, T atau p [T] • Spectral density, S 13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id25
!!
ω =
2π
T
=
2π
p
= 2πf
S( f )=
S(ω)
2π
Analisis Spektral
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id26
!!S( f )= ρ(τ)exp −i 2πf τ−∞(
)
dτ ∞∫
= 2 ρ(τ)cos 2πf τ(
)
dτ 0 ∞∫
§ Hubungan antara fungsi kerapatan spektral dan fungsi autokorelasi § Transformasi Fourier !!ρ(τ) = S( f )cos 2πf τ(
)
d f −∞ ∞∫
§ Untuk τ = 0, ρ(0) = 1 dan cos(0) = 1 yang menunjukkan bahwa: !! S( f )d f −∞ ∞∫
=1 S(f) dapat dipandang sebagai probability density func+on (pdf) yang memberikan kontribusi terhadap varian tak berdimensi (normalized variance) dalam rentang frekuensi dari f1 s.d. f2.Analisis Spektral
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id27
!! ρ(τ) = Cov X(t),X(t + τ)(
)
Var X(t)( )
• Kontribusi terhadap varian yang diberikan oleh S(f) !! S( f )d f f1 f2∫
• Jika autokorelasi dihitung sbg Cov(X(t), X(t+τ)), maka ρ(0) = Var(X(t)) Ingat: autokorelasiAnalisis Spektral
•
Data 5me series hidrologi
• Umumnya berupa tabel variabel sebagai fungsi waktu • Selang waktu adalah diskrit, bukan kon5nu • Oleh karena itu • Spektral harus disesuaikan untuk mengakomodasikan sejumlah diskrit frekuensi; kepada frekuensi inilah varian akan didistribusikan • Untuk data yang diukur pada selang waktu Δt seragam • Oskilasi data yang memiliki frekuensi ter5nggi yang dapat memberikan informasi mengenai data tsb adalah oskilasi data yang memiliki frekuensi sbb: 13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id28
!!fN = 1 2Δt Frekuensi NyquistAnalisis Spektral
•
Kerapatan spektral sampel
• dihitung dengan memakai r(k) dan integrasi persamaan S(f) • m adalah jumlah maksimum lag korelasi {jumlah maksimum selang waktu untuk menghitung r(k)} • m sebaiknya 5dak melebihi 10% s.d. 25% jumlah data pada sampel • persamaan di atas dipakai untuk menghitung kerapatan spektral sampel untuk frekuensi: 13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id29
!! ˆ!S(f)= Δt r(0)+2 r(k)cos(2πkfΔt)+r(m)cos(2πmfΔt) k=1 m−1∑
& ' ( ( ) * + + !f = k fN mAnalisis Spektral
•
Nilai kerapatan spektral sampel tersebut perlu dihaluskan
•
Nilai es5masi kerapatan spektral adalah:
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id30
!!ˆS(0)=0.5 ˆ!S(0)+ ˆ!S(f(
N m))
!!ˆS(fN)= 0.5 ˆ!#$S ((m−1) fN m)+ ˆ!S ( fN)%& !! ˆS(kfN m)= 0.25 ˆ!S ((k −1) fN m)+0.5 ˆ!S (k fN m)+0.25 ˆ!S ((k +1) fN m) k =1,2,...,m−113-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
31
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
32
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
33
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
34
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
35
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id
36
13-S ep -16 h2 p: // is 5ar to .s taff .u gm .ac .id