Penerapan Vector AR
Dengan Uji Granger Causality
Untuk Pemodelan Deret RuangWaktu
Curah Hujan di Surabaya
Tesis
Sis Soesetijo 2208203004 Pembimbing: Prof. Ir. Gamantyo Hendrantoro, M.Eng, Ph.DLatar Belakang
Hujan → redaman pada frekuensi di atas 10 GHz
Indonesia → negara tropis dengan curah hujan yang tinggi
Fade Mitigation Techniques (FMT) → teknik diversitas sel *
Model statistik curah hujan untuk mengemulasi tingkah laku hujan → FMT
Curah hujan → bervariasi terhadap ruang (spatial) dan
waktu (temporal)→ pemodelan multivariate time series dengan data waktu-lokasi
3
Pemodelan Statistik Curah Hujan
yang telah ada
Model auto-regressive (AR) : curah hujan yang stasioner dan berdistribusi lognormal (Hendrantoro dkk, 2006).
Model auto-regressive moving-average (ARMA) : curah hujan yang stasioner dan berdistribusi lognormal (Yadnya dkk, 2008).
Model Fuzzy auto-regressive moving-average (Fuzzy ARMA) : curah hujan sebagai proses yang tidak stasioner. (M. Rusdi dkk, 2009)
Time series model tanpa ada informasi spatial
Pemodelan Statistik Curah Hujan
yang telah ada (2)
D.R. Cox, Valerie Isham, “ A Simple Spatio-Temporal Model of Rainfall”,
Proceeding of The Royal Society of London. Series A: Mathematical and Physical Sciences, 1988
Kevin S. Paulson, “The Spatial Temporal Statistic of Rain Rate Random Fields”,
Radio Communication Research Unit, UK, 2002
Zepu Zhanga and Paul Switzerb, “Stochastic Space-Time Regional Rainfall
Modeling Adapted to Historical Rain Gauge Data”, Water Resources Research American Geophysical Union, USA, 2006
Pemodelan Spatio-Temporal Model saja tanpa time-series model
5
VARIMA /VARMA Model
STATE-SPACE Model
Aplikasi :
1. Lebih dari satu VARIABEL −
Satu Lokasi
2. Satu VARIABEL − Lebih dari satu Lokasi
3. Lebih dari satu VARIABEL −
Lebih dari satu Lokasi
SPACE-TIME Models (STAR,
GSTAR, STARMA, dll)
Aplikasi :
Satu VARIABEL − Lebih dari satu Lokasi
*Suhartono (2004), ”EVALUASI PEMBENTUKAN MODEL VARIMA DAN STAR UNTUK PERAMALAN DATA DERET WAKTU DAN LOKASI”, Jurnal Matematika Alternatif, Vol 3 No 2
VARIMA vs STAR
Suhartono (2004), “
Evaluasi Pembentukan Model
VARIMA dan STAR untuk Peramalan Data
Deret Waktu dan Lokasi
“ Jurnal Matematika
Alternatif Vol 3. No. 2
VARIMA → model yang tepat dan lebih fleksibel VARIMA → model yang sudah final baik secara
teori atau implementasi
7
STARMA
(Special Case)
= VARMA
Yiannis Kamarianakis and Poulicos Prastacos (2006),Spatial-Time Series
Modeling: A Review of The Proposed Methodologies, Working Paper 0604, Department of Economics-University of Crete, Greece
De Luna, X. and Genton, M.G. (2005), Predictive Spatio-Temporal Models for Spatially Sparse Environmental Data, Statistica Sinica, 15:547-658
C.A. Glasbey and D.J. Allcroft (2008), Spatiotemporal ARMA for Solar
Radiation, Applied Statistics, 57 p.343-355, Scotland.
STARIMA = VARMA
STARMA = VARMA
VAR dan VARMA
Agustinus Alonso-Rodriguez (2000), “VARMA Modeling of The
Production Function”, International Advance in Economic Research, Vol. 6 No. 2
Vinod (2005), “Vector Models for Multivariate Problems”, Hand on Intermediate Econometrics Using R, Fordham University, USA
George Athanasopoulus, Farshid Vahid (2006),”VARMA vs VAR for Macroeconomic Forecasting”, Working Paper 4/06, Monash University
Model VAR lebih empiris dan praktis
Model VARMA yang melibatkan koefisien MA terdapat
kesulitan dalam estimasi yang rumit sehingga cenderung tidak praktis
9
Permasalahan
(1)
(1) Apakah model VAR sesuai untuk pemodelan curah hujan Apakah model VAR sesuai untuk pemodelan curah hujan beberapa lokasi ?
beberapa lokasi ?
(2)
(2) Bagaimana bentuk model VAR yang paling akurat untuk curah Bagaimana bentuk model VAR yang paling akurat untuk curah hujan yang terukur pada beberapa lokasi yang berbeda dalam
hujan yang terukur pada beberapa lokasi yang berbeda dalam
wilayah yang kecil/sempit ?
wilayah yang kecil/sempit ?
(3)
(3) Bagaimana akurasi model VAR dan bagaimana kinerjanya Bagaimana akurasi model VAR dan bagaimana kinerjanya dalam pembangkitan deret waktu untuk intensitas hujan pada
dalam pembangkitan deret waktu untuk intensitas hujan pada
beberapa lokasi hujan ?
Metodologi
11
Metodologi :
Pengukuran Curah Hujan
Pengukuran curah hujan: Jan
2008 - Feb 2009, terdapat 65 event hujan
Lokasi→gedung PENS (D),
gedung perpustakaan (C), gedung Elektro (B) dan gedung Medical Center (A)*
Pengukuran menggunakan 4
Rain Gauge
*Ari Wijayanti,”Karakterisasi Variasi Spasial Curah Hujan dan Redaman Spesifik di Surabaya”, Tesis-Elektro ITS, 2008
Metodologi :
Pengukuran Curah Hujan (2)
Lokasi Jarak (m) A - D 1550 A - C 1000 B - D 950 A - B 700 C - D 550 B - C 400
Bulan Jumlah Event Hujan Januari 2008 6 Februari 2008 12 Maret 2008 13 April 2008 10 Desember 2008 3 Januari 2009 18 Februari 2009 3 Total Event 65
13
Metodologi :
Pengolahan Data
Konversi data hujan dari raingauge dalam bentuk txt
(dari software BoxCar) menjadi mm/jam
Dalam satu event hujan waktu antar sampel adalah
kurang dari 15 menit.
Event hujan merupakan awal hujan mulai sampai
berakhir.
Satu event hujan terdiri dari 4 curah hujan dari 4 lokasi
raingauge
Data event hujan harus dilognaturalkan lebih dahulu,
Metodologi :
Pengolahan Data Event Hujan 28 Feb 2008
Lokasi R-max
(mm/jam) (mm/jam)Rata-rata
A 176.78 50.03 B 186.06 55.9 C 83.61 24.9 D 181.49 53.43 Durasi 90 menit lognatural
15
Metodologi :
Pemodelan VAR: Identifikasi
• Pada tahap identifikasi
– Dilakukan uji stasioner dengan ADF Lokasi Test
Value Critical Value Ket
5% 10% A -7.09 -3.45 -3.15 I(0) B -9.98 -3.45 -3.15 I(0) C -6.48 -3.45 -3.15 I(0) D -7.09 -3.45 -3.15 I(0) I(0) = Stasioner
Metodologi :
Estimation dan Diagnostic Check dengan AIC
17
Metodologi :
Residu Model VAR(1)
M atrik k
ova ria
nsi
Deret Waktu Residu Model
•Matrik kovariansi residu digunakan untuk pembangkitan data residu
•Dari pembangkitan residu, kemudian
dibangkitkan data hujan (data pembangkitan) dengan mencari selisih antara data
Metodologi :
19
Validasi Model
ECDF
(PP-Plot) QQ-Plot Residu ModelAnalisis
Model VAR : Tepat dan Valid
Validasi Model : PP-Plot
Perbandingan
Distribusi Gabungan antara data
pengukuran dan data pembangkitan
21
Validasi Model : PP-Plot
24
Perbandingan Distribusi marginal antara data
pengukuran dan data pembangkitan
Validasi Model : QQ-Plot
Perbandingan Distribusi gabungan antara data pengukuran dan data pembangkitan
23
Validasi Model : QQ-Plot
Perbandingan Distribusi marginal antara data
pengukuran dan data pembangkitan
Validasi Model : Analisis Residu
• Untuk mendapatkan model yang tepat dan valid, residu harus bersifat:
– Rata-rata Nol
– White Noise
– Distribusi Normal
Semua memiliki rata-rata nol
Event Nilai Rata-rata Residu
25
Validasi Model : Analisis Residu
Validasi Model : Analisis Residu
( Distribusi Normal Untuk Distribusi Gabungan )27
Validasi Model : Analisis Residu
Distribusi Lognormal
29
Distribusi Model VAR
VAR(p) Jumlah event Prosentase (%)
VAR(1) 29 44.62 VAR(2) 14 21.54 VAR(3) 7 10.76 VAR(4) 7 10.76 VAR(6) 5 7.7 VAR(7) 1 1.54 VAR(8) 2 3.08 Total Event 65 100
Model VAR(p) terbaik
• Model VAR(4) merupakan model terbaik dengan rata-rata spasial RMSE 0,452 diantara VAR(p)
• Apabila dipilih model VAR (p) individu, maka VAR(2) pada event hujan 6 Jan 2009 merupakan model terbaik dengan rata-rata spasial RMSE 0.273
• Dengan rentang rata-rata spasial RMSE antara 0,273 – 0,763, maka model VAR yang diperoleh mempunyai
31
Uji Granger Causality
Lokasi Jarak (m) A - D 1550 A - C 1000 B - D 950 A - B 700 C - D 550 B - C 400
Dimensi Sel Hujan : jarak
terjauh terjadi Granger Cause A - D 1550 m
Distribusi Sel Hujan
• Setelah diuji terhadap 65 event hujan diperoleh granger cause
pada 63 event hujan, 2 event hujan (8 Apr 2008 dan 28 Jan 2009) tidak terjadi granger cause karena hujannya bersifat lokal dan tidak merata.
Distribusi Sel Hujan di Surabaya
33
Event Hujan 8 Apr 2008 dan 28 Jan 2009
Hujan Stratiform
35
Sel Hujan di Indonesia & Malaysia
• Nor Hisham Haji Khamis, Jafri Din, Tharek Abdul Rahman (2004),”Determination of Rain Cell Size Distribution for Microwave Link Design in Malaysia”, 2004 RF and Microwave Conference, October 5-6, Selangor-Malaysia
• Dengan menggunakan 4 rain-gauge masing-masing berjarak 250 m membentuk garis lurus
• Pengukuran dari Desember 1998 – Juli 1999
• Diameter sel hujan antara 1200 - 1500 m ↔ Sel Hujan di Surabaya antara 1000 – 1550 m (Jan 2008 – Feb 2009)
• Nor Hisham Haji Khamis, Jafri Din, Tharek Abdul Rahman (2005), “ Analysis of Rain Cell Size Distribution from Meteorological Radar Data for Rain Attenuation Studies”, 2005 Asia-Pasific Conference On Applied Electromaganetics Proceedings, Johor Bahru-Malaysia
• Dengan menggunakan radar cuaca
• Prosentase diameter sel hujan 1000 – 2000 m : 85,22% ↔ prosentase sel hujan di Surabaya diameter antara 1000 – 1550 m : 88,88%
Uji Kointegrasi
•
Uji Kointegrasi untuk mengetahui apakah
terdapat hubungan linier antara lokasi hujan
A, B, C dan D.
Ada hubunganlinier antara lokasi hujan
Uji Kointegrasi Johansen : mendeteksi
37
Kesimpulan
• Validasi model menggunakan 3 metode dinyatakan bahwa model VAR yang diperoleh merupakan model yang tepat dan valid untuk pemodelan curah hujan pada 4 lokasi hujan.
• Model VAR pada 65 event yang diperoleh mempunyai rentang
rata-rata spasial RMSE antara 0,273 – 0,763, dapat disimpulkan bahwa model VAR tersebut mempunyai akurasi yang baik.
• Dengan menggunakan uji granger causality pada model VAR
dapat hubungan antar lokasi hujan, dengan hasil ini dapat
diketahui dimensi sel hujan maksimal pada setiap event hujan.
Dimensi sel hujan di Surabaya berkisar antara 1000 - 1550 m mempunyai prosentase 88,88 %. Hasil ini sesuai dengan penelitian sel hujan di Malaysia tahun 1999 dan tahun 2005.
Kesimpulan
• Hasil penelitian diameter sel hujan ini apabila diimplementasikan
pada site diversity menunjukkan bahwa jarak minimum antara
2 site diversityyang membentuk sudut 180 derajat adalah
antara 1000 – 1500 m.
• Dengan uji kointegrasi terhadap model VAR menunjukkan bahwa lokasi hujan satu dengan lokasi hujan lainnya saling
berhubungan linier. Trend peningkatan atau penurunan di
39