Anda di halaman 1dari 42

ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN

CURAH HUJAN RATA-RATA


FATHIN FAHIMAH 2206100033

DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D. Dr. Ir. Achmad Mauludiyanto, M.T.

LATAR BELAKANG
Indonesiacurah hujan tinggi. Tetes-tetes hujanpenghamburan dan penyerapan energi gelombang radioredamanpenurunan daya. Diperlukan pemahaman mengenai model curah hujan yang terjadi setiap saat. Dengan mengetahui model curah hujan, maka dapat ditentukan model redaman hujan. Pemodelan ARIMA Solusi yang tepat untuk teknik mitigasi terhadap pengaruh redaman hujan pada gelombang milimeter. Penelitian mengenai pemodelan curah hujan sangat jarang dilakukan di daerah iklim tropis.

MASALAH
Bagaimana memodelkan data curah hujan menggunakan model ARIMA? Apakah ada keterkaitan antara model dengan curah hujan maksimum? Apakah ada keterkaitan antara model dengan lamanya hujan? Apakah ada keterkaitan antara model dengan curah hujan rata-rata?

BATASAN MASALAH
Pengukuran curah hujan dilakukan di kampus ITS Surabaya. Data curah hujan diukur dengan Parsivel Disdrometer. Data curah hujan yang digunakan sejak 2007-2010. Pemodelan curah hujan didekati dengan model ARIMA. Ada proses pembangkitan model. Proses validasi data dilakukan dengan membandingkan curah hujan dari data hasil pembangkitan model dengan data hasil pengukuran pada kurva CCDF.

TUJUAN
Memperoleh model curah hujan yang didekati dengan model ARIMA. Mengetahui pola hubungan antara pemodelan ARIMA curah hujan dengan curah hujan maksimum, lama waktu hujan, dan curah hujan rata-rata.

PENGOLAHAN DATA
START

Data Curah Hujan file txt

Pengelompokan Data

Data Curah Hujan file txt per event

Pengubahan Data Curah Hujan ke Bentuk Numerik dengan Matlab

STOP

PEMODELAN ARIMA
Model ARIMA (Autoregresive 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


Start

Data Curah Hujan (Zt)

Tidak

Dugaan ARIMA

Apakah Stasioner dalam varians Cek dengan Box-Cox Lambda=1

Tidak

Transformasi: Lambda = 0 Ln[Zt] Lambda = 0.5 Zt^0.5 Lambda = -0.5 1/Zt^0.5

Ya

Estimasi Parameter : delta & phi Cek p-value < 0.05 Diagnosis *Uji Ljung-Box : White noise residual p-value > 0.05

Ya

Apakah Stasioner dalam mean Cek ACF


ACFturun lambat Tidak

Ya Diagnosis **Uji Normalisasi residual Kolmogorov Smirnov p-value > 0.05

Differencing

Identifikasi Cek ACF dan PACF

Model ARIMA terbaik, AIC terkecil

End
A

VALIDASI MODEL
START

Model yang telah diperoleh

Pembangkitan Model

Plot Kurva CCDF Hasil Pengukuran dan Pembangkitan

STOP

JUMLAH EVENT DAN MODEL


Dari hasil pengukuran diperoleh 238 event dengan 14 model
NO. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.

MODEL ARIMA (0,1,1) (0,1,2) (1,0,0) (1,0,1) (1,1,0) (1,1,1) (2,0,0) (2,1,0) (3,0,0) (3,1,0) (3,1,1) (3,1,2) (4,0,0) (4,1,0) Total

JUMLAH EVENT 69 6 84 6 7 2 42 4 9 2 1 1 2 3 238

EVENT DENGAN BEBERAPA MODEL


Dari 238 event ada beberapa di antaranya yang multi model, sehingga untuk menentukan model terbaik ditentukan dengan AIC terkecil

EVENT DENGAN BEBERAPA MODEL 2 Model 3 Model 4 Model atau lebih

JUMLAH

81 34 7

Model AR tanpa Differencing

Error:
(1 0 0)=1.2921 (2 0 0)=0.4048 (3 0 0)=0.2723 (4 0 0)=0.1877

Model AR dengan differencing

Error:
(1 1 0)= 2.8721x10-5 (2 1 0)= 0.0017 (3 1 0)= 4.3950x10-5 (4 1 0)= 1.1395x10-5

Model MA dengan differencing

Error: (0 1 1)= 6.8234x10-4 (0 1 2)= 8.0069x10-5

Model ARMA

Error:
(1 0 1)=0.1207

Model ARIMA

Error: (1 1 1)=1.5148x10-4 (3 1 1)=4.4485x10-4 (3 1 2)=4.8673x10-5

KETERKAITAN ANTARA PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA

POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM

Model ARIMA (0 1 1)

14 12 10

8 6 4 2 0
0 2 0 4 0 6 0 8 0 0 0 2 0 4 0 6 0 8 0 0 0 2 0 40 60 80 00 20 40 60 80 00 20 40 60 80 00 20 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5

ada 14 event dari 69 event atau sebanyak 20.3% event dengan model ARIMA (0 1 1) memiliki curah hujan maksimum dari 0-20 mm/h

Jumlah Event

Curah Hujan Maksimum (mm/h)

Model ARIMA (1 0 0)

20 18 16 14
Jumlah Event

12 10 8 6 4 2 0 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 Curah Hujan Masimum (mm/h)

ada 19 event dari 84 event atau sebanyak 22.6% event dengan model ARIMA (1 0 0) memiliki curah hujan maksimum dari 0-20 mm/h

Model ARIMA (2 0 0)
12

10

Jumlah Event

ada 11 event dari 42 event atau sebanyak 26.2% event dengan model ARIMA (2 0 0) memiliki curah hujan maksimum dari 0-20 mm/h
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 Curah Hujan Maksimum (mm/h)

POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN WAKTU TERJADINYA CURAH HUJAN MAKSIMUM

Model ARIMA (0 1 1)

18 16 14
Jumlah Event

12 10 8 6 4 2 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 Durasi (%)

ada 17 event dari 69 event atau sebanyak 24.6 % event dengan model ARIMA (0 1 1) memiliki curah hujan maksimum yang terjadi pada 10-20 % durasinya

Model ARIMA (1 0 0)
ada 12 event dari 84 event atau sebanyak 14.3% event dengan model ARIMA (1 0 0) memiliki curah hujan maksimum yang terjadi pada 30-40 % durasinya dan pada 40-50% durasinya, sehingga sebanyak 28.6% event memiliki curah hujan maksimum yang terjadi pada 30-50% durasinya

12 10 8 6 4 2 0

Jumlah Event

10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

Durasi (%)

Model ARIMA (2 0 0)
ada 7 event dari 42 event atau sebanyak 16.67 % event dengan model ARIMA (2 0 0) memiliki curah hujan maksimum yang terjadi pada 10-20%, 30-40%, dan 40-50% durasinya, sehingga sebanyak 33.33% event memiliki curah hujan maksimum yang terjadi pada 30-50% durasinya

7 6 5
Jumlah Event

4 3 2 1 0

10

20

30

40

50 60 Durasi (%)

70

80

90

100

POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN LAMA WAKTU HUJAN

Model ARIMA (0 1 1)

14 12 10
Jumlah Event

8 6 4 2 0
0 00 00 00 00 00 00 00 00 00 00 00 0 0 00 00 00 00 0 0 00 00 00 00 00 00 00 00 10 20 30 40 50 60 70 80 90 100 11 0 120 130 140 1 50 160 170 180 1 90 200 210 220 230 2 40 250

ada 14 event dari 69 event atau sebanyak 20.3 % event dengan model ARIMA (0 1 1) memiliki lama waktu hujan 2000-3000 s
Lama Waktu Hujan (s)

Model ARIMA (1 0 0)

18 16 14
Jumlah Event

12 10 8 6 4 2 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 Lama Waktu Hujan (s)

ada 17 event dari 84 event atau sebanyak 20.2 % event dengan model ARIMA (1 0 0) memiliki lama waktu hujan 400-600 s

Model ARIMA (2 0 0)

14 12 10
Jumlah Event

8 6 4 2 0

ada 13 event dari 42 event atau sebanyak 31 % event dengan model ARIMA (2 0 0) memiliki lama waktu hujan 1000-1500 s
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 Lama Waktu Hujan (s)

POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN RATA-RATA

Model ARIMA (0 1 1)

26 24 22 20
Jumlah Event

18 16 14 12 10 8 6 4 2 0 0 5 10 15 20 25 30 35 40 45 Curah Hujan Rata-Rata (mm/h) 50 55 60

ada 25 event dari 69 event atau sebanyak 36.2 % event dengan model ARIMA (0 1 1) memiliki curah hujan rata-rata 0-5 mm/h

Model ARIMA (1 0 0)

24 22 20 18
Jumlah Event

16 14 12 10 8 6 4 2 0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

ada 24 event dari 84 event atau sebanyak 28.6 % event dengan model ARIMA (1 0 0) memiliki curah hujan rata-rata 0-5 mm/h
Curah Hujan Rata-Rata (mm/h)

Model ARIMA (2 0 0)

14 12 10
Jumlah Event

8 6 4 2 0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 00 05 1 1 Curah Hujan Rata-Rata (mm/h)

ada 14 event dari 42 event atau sebanyak 33.33 % event dengan model ARIMA (2 0 0) memiliki curah hujan rata-rata 0-5 mm/h

Dari data pengukuran curah hujan tahun 2007-2010 diperoleh 238 event dengan 14 model ARIMA dengan 3 model ARIMA yang paling dominan, yaitu: Model ARIMA (1 0 0) sebanyak 84 event Model ARIMA (0 1 1) sebanyak 69 event Model ARIMA (2 0 0) sebanyak 42 event Ada 116 event dengan 1 model, 81 event dengan 2 model, 34 event dengan 3 model, 7 event dengan 4 model atau lebih. 81 event dari model ARIMA (1 0 0) merupakan event dengan 1 model. 60 event dari model ARIMA (0 1 1) merupakan event dengan 2 model atau lebih. 27 event dari model ARIMA (2 0 0) merupakan event dengan 2 model. Untuk model dengan differencing, berdasarkan kurva CCDF, hasil pembangkitan model sangat mendekati hasil pengukuran, dengan nilai error yang sangat kecil.

Untuk model tanpa differencing, berdasarkan kurva CCDF, hasil pembangkitan model tidak berbeda jauh dengan hasil pengukuran, namun error yang dihasilkan lebih besar dari model dengan differencing. Model ARIMA (0 1 1), (1 0 0), dan (2 0 0) memiliki curah hujan maksimum 0-20 mm/h. Terjadinya curah hujan maksimum pada model ARIMA (0 1 1) di awal hujan atau 10-20 % durasinya. Sedangkan pada model ARIMA (1 0 0) dan (2 0 0) curah hujan maksimum terjadi di pertengahan hujan atau 30-50 % durasinya. Model ARIMA (0 1 1) memiliki lama waktu hujan yang lebih panjang yaitu 2000-3000 s. Sedangkan untuk model ARIMA (2 0 0) durasinya lebih pendek dari model ARIMA (0 1 1) yaitu 1000-1500 s. Model ARIMA (1 0 0) berdurasi paling pendek dibandingkan ketiga model ini yaitu 400-600 s. Model ARIMA (0 1 1), (1 0 0), dan (2 0 0) memiliki tipe hujan gerimis karena rata-rata curah hujan dari tiap eventnya 0-5 mm/h.

TERIMA KASIH

Uji Stasioner dalam Varians

Lower CL

Upper CL Lambda

Lower CL

Upper CL Lambda (using 95,0% confidence) Estimate Lower CL Upper CL Rounded Value 0,99 0,11 1,96 1,00

0,052
0,49 0,07 0,99 0,50

0,30

(using 95,0% confidence) Estimate Lower CL Upper CL Rounded Value

0,050 0,048
StDev

0,25
StDev

0,046 0,044 0,042 0,040

0,20

0,15 Limit 0,10 -5,0 -2,5 0,0 Lambda 2,5 5,0

Limit -5,0 -2,5 0,0 Lambda 2,5 5,0

BACK

Uji Stasioner dalam Mean

1,0 0,8 0,6

1,0 0,8 0,6

Autocorrelation

0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

Autocorrelation

0,4

0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

BACK

Identifikasi ACF 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) Terpotong (cut-off) setelah lag ke-p

AR (p) atau MA Terpotong (cut-off) setelah (q) lag ke-q

BACK

Estimasi Parameter Delta&Phi dan Uji Ljung-Box


Final Estimates of Parameters

Type AR 1 Constant Mean

Coef 0,9439 0,080737 1,43888

SE Coef 0,0213 0,003492 0,06223

T 44,39 23,12

P 0,000 0,000

Number of observations: 267 Residuals: SS = 0,853043 (backforecasts excluded) MS = 0,003219 DF = 265 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 18,7 10 0,054 24 24,2 22 0,335 36 39,0 34 0,254 48 55,1 46 0,169

BACK

AIC (Akaike Information Criteria)

EVENT

MODEL ARIMA

Std. Error Estimate

AIC

MODEL YANG DIGUNAKAN

(0 1 1) 240209(09:53:00 - 11:10:50)

0,187742

-235 (0 1 1)

(1 1 0)

0,201873

-168

BACK

PEMBANGKITAN MODEL
AR
Z t 1Z t 1 ... p Z t p at
Zt p q t : Nilai variabel dependent pada waktu t : Konstanta : Nilai dari koefisien AR (p) : Nilai koefisien dari MA(q) : Residual pada waktu t

MA
Z t at 1at 1 ... q at q

ARMA

Z t 1 Z t 1 ... p Z t p at 1at 1 ... q at q

BACK