63 7.1. Ringkasan Motivasi dan Permasalahan
Disertasi ini termotivasi oleh keinginan mengimplementasikan sistem komunikasi nirkabel gelombang millimeter di daerah tropis seperti Indonesia. Sistem komunikasi ini adalah salah satu sarana komunikasi yang dapat digunakan untuk aplikasi akses broadband multimedia. Layanan akses ini menggunakan frekuensi 20-40 GHz.
Permasalahan pada sistem dengan frekuensi di atas 10 GHz adalah mempunyai redaman yang cukup besar terutama redaman yang diakibatkan oleh hujan sehingga menurunkan performansi system. Sistem ini memiliki kelemahan jika diaplikasikan pada negara tropis, karena adanya redaman yang besar yang disebabkan oleh hujan. Sistem harus dievaluasi sebelum dapat diimplementasikan.
Permasalahan yang akan dikaji dalam disertasi ini adalah model dari kanal pada kondisi hujan yang berubah terhadap ruang dan waktu. Model kanal ini dikhususkan untuk frekuensi 30 GHz. Ada 3 tahapan yang dilakukan untuk menjawab permasalahan yaitu :
Tahap pertama yaitu Pemodelan ARIMA curah hujan. Pada tahapan ini didapatkan langkah-langkah pemodelan dari data curah hujan baik stasioner maupun yang tidak stasioner. Keberhasilan lainnya adalah pengelompokan model, mengidentifikasi distribusi curah hujan, membangkitkan curah hujan dengan metode pemodelan, dan terakhir berhasil mengidentifkasi model yang dapat diterima sebagai model pembangkitan dengan uji KS.
Tahap kedua adalah Pemodelan ARIMA Redaman Hujan Pada Lintasan Radio Teresterial 28 GHz di Surabaya. Tapan ini menghasilkan model redaman hujan baik data stasioner maupun yang tidak stasioner. Didapatkan uji AIC terkecil dalam menentukan model yang terbaik. Didapatkan pembangkitan model kumulatif dengan asumsi setiap model secara random, tidak berdasarkan nilai lambda seperti pada pemodelan ARIMA curah hujan.
Tahap terakhir adalah Penerapan Vektor AR dengan Uji Granger Causality untuk Pemodelan Deret Ruang-Waktu Data Curah Hujan di Surabaya. Pada tahap ini selain dapat dibangkitkan pemodelan curah hujan sebagai fungsi ruang dan waktu. Diperoleh uji Granger
Causality untuk menentukan kaitan antara satu lokasi pengukuran dengan yang lain. Untuk
validasi model dilakukan dengan 4 metode yaitu metode ECDF, QQplot, Saphiro Wilk dan uji residu model.
7.2. Analisa Metode dan Ringkasan Hasil
7.2.1. Pemodelan ARIMA curah hujan
Analisa metode pemodelan ARIMA curah hujan dapat disampaikan sebagai berikut : Pemodelan ARIMA dapat digunakan untuk membangkitkan data time series dalam hal ini curah hujan yang tidak stasioner. Data time series yang tidak stasioner terlebih dahulu harus melalui proses differencing. Hasil differencing inilah yang dipakai sebagai data yang akan dimodelkan dengan ARIMA.
Diperlukan identifikasi AIC terkecil pada masing-masing model sehingga diperoleh model yang terbaik. Identifikasi dilakukan jika satu event data curah hujan menghasilkan dugaan ARIMA lebih dari satu model, sehingga pemilihan ARIMA yang akan dipilih berdasarkan pada nilai AIC terkecil.
Pembangkitan model ARIMA sebaiknya dilakukan berdasar pada probabilitas model dengan membangkitkan data uniform U(0,1), bukan berdasar pada probabilitas kemunculan terjadinya model. Karena dengan berdasar pada probabilitas kemunculan, maka model dengan prosentasi lebih besar akan lebih dominan dibandingkan model lain dengan prosentasi lebih kecil. Demikian juga, pembangkitan model tidak perlu lagi mengacu pada nilai dari pada lambda (λ).
7.2.2. Pemodelan ARIMA Redaman Hujan
Analisa metode pemodelan ARIMA redaman hujan dapat disampaikan sebagai berikut : Ditinjau dari data pengukuran yang diperoleh, masih diperlukan data pengukuran yang lebih besar, sehingga variasi dari data lebih besar dan hasil pemodelan akan lebih teliti. Ditinjau dari akusisi data, perlu dikembangkaan sistem akuisisi data, sehingga lebih mudah dilakukan dan lebih teliti. Ditinjau dari jarak pengukuran antara radio pemancar dengan penerima, perlu dikembagkan jarak pengukuran yang lebih jauh sehingga didapat redaman hujan yang betul-betul mempunyai efek besar, misalnya jarak keduanya adalah antara 200 – 500 m.
Dari proses pemodelan hingga pembangkitan model sudah cukup menunjukkan hasil yang dapat diterima secara statistik yaitu dengan penggunaan nilai AIC sebagai pemilihan model bagi event yang menghasilkan dugaan ARIMA lebih dari satu.
Ditinjau dari validasi hasil, masih diperlukan pengembangan sistem khusunya redaman hasil SST. Karena data arah dan kecepatan angin yang digunakan pada pemodelan ini masih berdasar pada data BMKG Juanda, bukan data arah dan kecepatan hasil pengukuran sendiri.
7.2.3. Ringkasan hasil pemodelan ARIMA curah dan redaman hujan
Dari pembahasan dan analisa pada sub. bab. 7.2.1 dan 7.2.2, maka dapat disimpulkan beberapa hal tentang pemodelan ARIMA sebagai fungsi temporal sebagai berikut :
Pemodelan ini sudah dapat digunakan untuk memodelkan data curah atau redaman hujan, dengan beberapa masukan sebagai perbaikan sebagai berikut :
1. Proses pembangkitan curah hujan harus berdasarkan kepada probability uniform, bukan berdasar pada probability model.
2. Jarak antara pemancar dan penerima diperbesar, data ukur redaman hujan lebih lama, dan data arah dan kecpatan angin yang dipakai untuk menghitung redaman model SST diukur pada lokasi yang sama dengan pengukuran radio.
Pemodelan pada lintasan pendek sekali atau lintasan panjang dan tegak lurus dengan arah angin maka dapat didekati dengan model model IMA. Tetapi jika lintasan panjang dan searah dengan arah angin maka dapat didekati dengan model ARI. Untuk arah link utara-selatan, model cenderung ke MA, sehingga redaman total tidak dipengaruhi oleh redaman sebelumnya. Sedangkan arah link timur-barat, model cenderung ke AR, sehingga redaman total dipengaruhi oleh redaman sebelumnya.
7.2.4. Pemodelan Vektor AR Curah Hujan
Analisa metode pemodelan VAR curah hujan dapat disampaikan sebagai berikut : Untuk 3 lokasi pengukuran :
Data logaritma natural curah hujan di raingauge A saling mempengaruhi data logaritma natural curah hujan di raingauge B. Jarak raingauge antara A dan B adalah 700 meter. Data logaritma natural curah hujan di raingauge B saling mempengaruhi data logaritma natural curah hujan di raingauge D. Jarak raingauge antara B dan D adalah 950 meter. Data logaritma natural curah hujan di raingauge A tidak saling mempengaruhi data logaritma natural curah hujan di raingauge D. Jarak antara raingauge A dan D adalah 1550 meter. Jadi dapat disimpulkan bahwa untuk jarak raingaguge > 1 Km maka data curah hujan diantara 2
raingauge tidak saling berpengaruh, sebaliknya jika jaraknya < 1 Km maka hasil perekaman data curah hujan saling mempengaruhi. Hal ini bisa terjadi karena sel hujan yang terjadi mempunyai radius sekitar 1 Km. Artinya diameter sel hujan yang terjadi < 1 Km, sehingga jika jarak pengukuran > 1 Km maka alat ukur (raingauge) yang kedua berada pada sel hujan yang berbeda dengan alat ukur (raingauge) yang pertama.
Untuk 4 lokasi pengukuran :
Dalam pengukuran perlu dikembangkan sistem pengukuran data arah dan kecepatan angin. Dimana pada saat ini belum ada alat ukur untuk kedua besaran tadi. Dengan mengetahui arah dan kecepatan angin pada masing-masing titik pengukuran dapat dipertimbangkan pengaruhnya antara satu titik dengan titik lainnya secara lebih teliti. Kedua, jarak antar raingauge terjauh perlu diperbesar, sehingga dapat diketahui diameter sel hujan yang lebih besar dari 1550 m.
Kesimpulan dari data dan analisa terkait dengan curah hujan sebagi fungsi temporal dan spasial adalah :
Untuk 3 lokasi pengukuran :
Model lognatural curah hujan untuk 3 lokasi yang terpisah, dimana lokasi A saling mempengaruhi dengan lokasi B yang terpisah sejauh 700 meter, lokasi B saling mempengaruhi dengan lokasi C yang terpisah sejauh 950 meter, lokasi A tidak saling mempengaruhi dengan lokasi C yang terpisah sejauh 1550 meter. Dengan kata lain, untuk pengukuran curah hujan dengan jarak pengukuran lebih dari 1000 meter data tidak saling mempengaruhi, sebaliknya jika jarak pengukuran antar raingaguge kurang dari 1000 meter maka data curah hujan akan saling mempengaruhi.
Untuk 4 lokasi pengukuran :
Pemodelan temporal dan spasial curah hujan dapat dilakukan dengan menempatkan raingauge di 4 lokasi pengukuran. Hasil pengukuran curah hujan merupakan data dengan distribusi lognormal. Dengan uji Granger Causality, dapat disimpulkan bahwa dimensi sel hujan berkisar antara 1000-1550 m dengan prosentase 88,88%. Dengan uji kointegrasi terhadap model VAR menunjukkan bahwa hujan di lokasi satu dengan lokasi lainnya saling berhubungan secara linier.
7.3. Usulan Penelitian Yang Akan Datang
Penelitian yang dilaporkan dalam disertasi ini adalah sebagian dari roadmap penelitian pada Laboratorium Antena & Propagasi ITS. Oleh sebeb itu penelitian pemodelan redaman hujan masih akan dilanjutkan walaupun penulis telah menyelesaikan studi doktoral yang disampaikan dalam disertasi ini. Beberapa usulan penelitian yang dapat dilakukan pada masa yang akan datang sebagai penelitian yang berkesinambungan sebagai berikut :
1. Pemodelan Redaman Hujan untuk link yang lebih panjang (200 – 500 m), dengan arah link :
a. Barat – Timur b. Selatan – Utara
Penelitian ini dilakukan untuk memperbaiki penelitian sebelumnya dimana jarak antara pemancar dan penerima sangat terlalu kecil. Demikian juga arah link, dimana penelitian sebelumnya hanya dilakukan pada link barat-timur saja. Dengan demikian nantinya akan dapat dimodelkan dan dapat dibuktikan pengaruh dari arah link terhadap pemodelan ARIMA, seperti yang disampaikan pada kesimpulan disertasi ini.
2. Pemodelan Temporal dan Spasial dari redaman hujan, dengan menambahkan alat ukur arah dan kecepatan angin pada keempat titik ukur.
Penelitian ini diharapkan dapat memodelkan redaman hujan fungsi temporal dan spasial, dimana pada disertasi ini hanya model dari curah hujan saja. Sebagai perbaikan sebelumnya, pada penelitian yang akan diusulkan adalah dengan menambahkan alat ukur arah dan kecepatan angin pada lokasi yang sama dengan alat ukur hujan raingauge. Sehingga dari penelitian dapat dimodelkan redaman hujan ARIMA, redaman hujan model SST sebagai studi komparsinya.
3. Pemodelan Redaman hujan dengan metode Neuro-ARIMA.
Penelitian ini juga diharapkan dapat memperbaiki penelitian model ARIMA yang sebelumnya, dimana proses pemodelannya dilakukan secara manual. Dengan metode Neuro-ARIMA diharapkan proses pemodelannya dapat dilakukan lebih cepat sehingga dapat mempersingkat waktu pemodelan dan validasinya.
