perancangan sistem informasi data dan prediktor...
TRANSCRIPT
PERANCANGAN SISTEM INFORMASI DATA DAN
PREDIKTOR CUACA DENGAN METODE
AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
MELALUI JARINGAN INTERNET
Dimas Rangga Adhyaksa
2409100003
Dosen pembimbing
Dr. Ir. Aulia Siti Aisjah, MT NIP : 196601161989032001
Ir. Syamsul Arifin, MT NIP : 196309071989031004
Latar Belakang
Keperluan Data Cuaca
Cuaca Maritime Ekstrim
SistemInformasi
web
• Pola cuaca dan iklim yang tidak beraturan berdampak pada saranatransportasi laut di Indonesia
• Data cuaca dan prakiraan cuaca merupakan informasi pentinguntuk meminimalisir dampak yang terjadi.
• Website merupakan salah satu media yang mudah diakses untukberbagai kalangan guna memperoleh informasi.
RUMUSAN MASALAH
• Bagaimana cara merancang sistem prediksi cuacamaritim dengan menggunakan metodeautoregressive integrated moving average?
• Bagaimana cara menampilkan informasi dan hasilprediksi pada sistem informasi berbasis Web?
Batasan Masalah
• Prakiraan cuaca menggunakan data sekunder BMKG II Perak untuk cuaca maritim Surabaya – Banjarmasinmulai dari bulan januari 2007 sampai dengan bulan desember 2013 dengan nilai rekaman tiap jam.
• Data yang digunakan adalah data temperatur, kelembaban udara, kecepatan angin, tekanan udara, dan curah hujan.
• Peramalan cuaca maritim menggunakan metode statistikautoregressive integrated moving average.
• Perancangan disimulasikan dengan Matlab 2013• User Interface menggunakan sistem informasi berbasis
web.
TUJUAN
• Dapat merancang sistem prediktor cuacamaritim dengan menggunakan metode ARIMA
• Dapat menampikan informasi data hasilprediksi cuaca maritim pada Web
Metedologi PenelitianMulai
Studi Literatur
Identifikasi Masalah
Pengambilan data cuaca
Perancangan Algoritma
prediktor cuaca menggunakan
ARIMA
Validasi sistem
Apakah performansi sesuai
?
Simulasi program dan pengujian
Tampil Data dan Prakiraan pada
Web
Penyusunan Laporan
selesai
ARIMA
Metode Autoregressive Integrated MovingAverage (ARIMA) atau biasa disebut juga sebagaimetode Box-Jenkins merupakan metode yang secaraintensif dikembangkan oleh George Box dan GwilymJenkins pada tahun 1970
Kelompok model time series yang termasukdalam metode ini antara lain: autoregressive (AR),moving average (MA), autoregressive-movingaverage (ARMA), dan autoregressive integratedmoving average
Model Autoregresif (Autoregressive, AR)
Model Autoregresif (AR) pertama kali diperkenalkan oleh Yule padatahun 1926 dan dikembangkan oleh Walker pada tahun 1931, model inimemiliki asumsi bahwa data periode sekarang dipengaruhi oleh data padaperiode sebelumnya. Model Autoregresif dengan ordo p disingkat AR(p)atau ARIMA (p,0,0) dan diformulasikan sebagai berikut
Dimana∅ = 𝑘𝑜𝑛𝑡𝑎𝑛𝑡𝑎
𝑌𝑡−1. . . . . 𝑌𝑡−𝑝 = 𝑘𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝐴𝑅 𝑘𝑒 − 𝑝
𝜀𝑡 = 𝑛𝑖𝑙𝑎𝑖 𝑠𝑖𝑠𝑎𝑎𝑛 (𝑒𝑟𝑟𝑜𝑟)
Model Rata-rata Bergerak (Moving
Average, MA) Proses Moving Average berorde q menyatakan hubungan ketergantungan antara nilai pengamatan dengan nilai-nilai kesalahan yang berurutan dari periode t sampai t-q
Dimana𝜇 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎
𝑌𝑡−1. . . . . 𝑌𝑡−𝑝 =𝑘𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝑀𝐴 𝑘𝑒 − 𝑞
𝜀𝑡 = 𝑛𝑖𝑙𝑎𝑖 𝑠𝑖𝑠𝑎𝑎𝑛 (𝑒𝑟𝑟𝑜𝑟)
Model ARMA (Autoregressive Moving
Average) Model AR (p) dan MA (q) dapat disatukan menjadi model yang dikenal dengan Autoregressive Moving Average (ARMA), sehingga memiliki asumsi bahwa data periode sekarang dipengaruhi oleh data pada periode sebelumnya dan nilai sisaan pada periode sebelumnya
Model ARIMA (Autoregressive Integrated
Moving Average)
Model AR, MA dan ARMA menggunakan asumsibahwa data deret waktu yang dihasilkan sudah bersifatstasioner. Pada kenyataannya, data deret waktu lebihbanyak bersifat tidak stasioner
Jika data tidak stasioner maka metode yangdigunakan untuk membuat data stasioner dilakukanadalah differencing
Model ARIMA (p,d,q) merupakan model umum dariregresi deret waktu sebab ARIMA (p,0,0) sama dengan AR(p), ARIMA (0,0,q) sama dengan MA (p) dan ARIMA(p,0,q) sama dengan ARMA (p,q).
Grafik data awal
Grafik kelembaban Grafik kecepatan angin
Grafik suhu udara Grafik tekanan udara
Proses differencing
Grafik kelembaban Grafik kecepatan angin
Grafik suhu udara Grafik tekanan udara
Pendugaan model
Data correlogram pada ACF terjadi dies down pada lag ke-1, ke-2 dan ke-3
sehingga diduga MA(3). Dari plot PACF dapat dilihat bahwa nilai autokorelasi
parsial terjadi cut off setelah lag 1, sehingga dugaan sementara AR(1). Sehingga
didapat model awal ARIMA(1,1,3).
Hasil Prediksi 24 Jam
0
10
20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Aktual Prediksi
Grafik kelembaban Grafik kecepatan angin
Grafik suhu udara Grafik tekanan udara
0,0
10,0
20,0
30,0
40,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
aktual prediksi
0,0
5,0
10,0
15,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Chart Title
Aktual Prediksi
0
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Chart Title
Aktual Prediksi
Akurasi Tiap jamdata t+ aktual angin 210 error akurasi
0 11,55 12,22978 5,8856 94,1144
1 11,37 12,45134 9,5104 90,4896
2 11,23 12,49244 11,2417 88,7583
3 11,15 12,40328 11,2402 88,7598
4 11,11 12,22345 10,0221 89,9779
5 11,14 11,99959 7,7163 92,2837
6 11,21 11,76339 4,9366 95,0634
7 11,34 11,55027 1,8542 98,1458
8 11,51 11,40845 0,8823 99,1177
9 11,74 11,33852 3,4198 96,5802
10 12,01 11,3734 5,3005 94,6995
11 12,32 11,52866 6,4232 93,5768
12 12,4 11,48279 7,3969 92,6031
13 12,54 11,33043 9,6457 90,3543
14 12,75 11,10683 12,8876 87,1124
15 13,01 10,85542 16,5609 83,4391
16 13,34 10,60583 20,4961 79,5039
17 13,71 10,39238 24,1985 75,8015
18 14,13 10,23315 27,5786 72,4214
19 14,6 10,1493 30,4843 69,5157
20 15,11 10,17495 32,6608 67,3392
21 15,65 10,29728 34,2027 65,7973
22 16,22 10,53698 35,0371 64,9629
23 16,83 10,89883 35,2417 64,7583
rata - rata 11,28445
data t+ temp aktual 210 Error Akurasi
0 26,4 27,0311 2,390524 97,60948
1 26,3 26,8204 1,978691 98,02131
2 25,9 27,74327 7,116868 92,88313
3 26,8 25,71886 4,034089 95,96591
4 29,2 26,60335 8,892629 91,10737
5 30,4 27,28219 10,25597 89,74403
6 32,4 27,56231 14,93113 85,06887
7 32,6 27,765 14,83129 85,16871
8 33,5 27,91968 16,65768 83,34232
9 34,2 27,85899 18,54098 81,45902
10 35,0 27,6151 21,09971 78,90029
11 34,2 27,3172 20,12513 79,87487
12 31,2 27,62109 11,47088 88,52912
13 29,2 27,27338 6,598001 93,402
14 28,8 28,06382 2,556176 97,44382
15 27,5 25,92111 5,741419 94,25858
16 27,1 26,70688 1,450643 98,54936
17 26,8 27,30873 1,898255 98,10174
18 26,5 27,53332 3,899333 96,10067
19 26,5 27,69993 4,528034 95,47197
20 26,6 27,83499 4,642823 95,35718
21 26,6 27,76772 4,389929 95,61007
22 26,4 27,52683 4,268314 95,73169
23 26,2 27,23832 3,963068 96,03693
rata - rata 29,0 27,3
data t+ Press aktual 011 error Akurasi
0 5,1 8,308384 62,9095 37,0905
1 4,4 8,7 97,72727 2,272727
2 5,1 9,2 80,39216 19,60784
3 6,1 9,8 60,65574 39,34426
4 7,0 6,7 4,285714 95,71429
5 7,9 7,6 3,797468 96,20253
6 6,9 7,3 5,797101 94,2029
7 8,4 6,7 20,2381 79,7619
8 9,4 8,7 7,446809 92,55319
9 8,6 8,2 4,651163 95,34884
10 7,4 6,6 10,81081 89,18919
11 8,5 7,1 16,47059 83,52941
12 8,7 8,308384 4,501329 95,49867
13 10,5 8,7 17,14286 82,85714
14 9,6 9,2 4,166667 95,83333
15 9,8 9,8 0 100
16 9,2 6,7 27,17391 72,82609
17 9,9 7,6 23,23232 76,76768
18 9,8 7,3 25,5102 74,4898
19 9,1 6,7 26,37363 73,62637
20 9,4 8,7 7,446809 92,55319
21 8,9 8,2 7,865169 92,13483
22 6,6 6,6 0 100
23 9,2 7,1 22,82609 77,17391
rata - rata 8,1 7,9
data t+ Kelembaban aktual 210 error Akurasi
0 89 68,03125 23,5604 76,4396
1 92 78,83968 14,3047 85,6953
2 92 76,49385 16,85451 83,14549
3 92 76,36457 16,99503 83,00497
4 91 87,22908 4,143873 95,85613
5 92 80,16119 12,86828 87,13172
6 95 80,10469 15,67927 84,32073
7 95 80,07194 15,71375 84,28625
8 93 75,0475 19,30376 80,69624
9 87 79,03226 9,15832 90,84168
10 90 81,02148 9,976133 90,02387
11 90 81,0145 9,983886 90,01611
12 89 68,04094 23,5495 76,4505
13 85 78,8462 7,239762 92,76024
14 88 76,49822 13,0702 86,9298
15 83 76,36751 7,990953 92,00905
16 84 87,23105 3,846485 96,15352
17 85 80,16251 5,691164 94,30884
18 88 80,10558 8,970932 91,02907
19 82 80,07254 2,350565 97,64943
20 84 75,04791 10,65726 89,34274
21 83 79,03253 4,780084 95,21992
22 88 81,02166 7,929931 92,07007
23 86 81,01462 5,796949 94,20305
rata - rata 88 79
Olah data koef korelasi
tahun bulanTgl
intensitas curah hujan (mm/jam) kelembaban (%) suhu udara ( C )
tekanan udara (mB)
kecepatan angin (knot) X1*Y X2*Y X3*Y X4*Y
2012 1 1 4,3 82 28,025 9,445833333 10,67 352,6 120,507540,6170
8 45,881
2 0 76 28,74583333 9,741666667 9,989166667 0 0 0 0
3 7,9 75 29,2625 10,275 12,22375 592,5 231,1738 81,1725 96,56763
4 0,8 81 27,69166667 10,025 10,52041667 64,8 22,15333 8,02 8,416333
5 30,4 82 27,57916667 9,2875 15,38041667 2492,8 838,4067 282,34 467,5647
6 0 77 28 9,3875 21,44416667 0 0 0 0
7 3,4 80 27,96666667 9,6125 21,85875 272 95,08667 32,6825 74,31975
8 1,3 78 28,14583333 8,541666667 20,44 101,4 36,58958 11,10417 26,572
9 15,5 80 27,99166667 8,120833333 20,38375 1240 433,8708125,872
9 315,9481
10 0,0 79 28,0375 7,383333333 16,39 0 0 0 0
11 10,3 81 27,79583333 7,695833333 13,68708333 834,3 286,297179,2670
8 140,977
12 12,6 84 27,34166667 8,041666667 10,93625 1058,4 344,505 101,325 137,7968
30 0 73 29,37916667 10,39583333 3,584166667 0 0 0 0
31 0 78 28,7875 11,32916667 2,411666667 0 0 0 0
jumlah 837,7 7185 2571,495833 750,87875 916,3925 68438,6 23187,78 6981,763 8962,998
PERSAMAAN REGRESI LINIER BERGANDA
Y = -51 + 1,20 RH – 1,36 TEMP + 0,181 PRESS + 0,204 WIND
Akurasi prediksiNo Prediksi Akurasi
1hariModel ARIMA
1 Kecepatan angin 87,93% Arima (2,1,0)
2 Temperatur udara 94,17% Arima (2,1,0)
3 Tekanan udara 97,09% Arima (0,1,1)
4 Kelembaban 88,88% Arima (2,1,0)
Buoy Weather dan Website BMKG
• Rangka
t : 1,3 m
l : 80 cm, 60cm, 40cm
• Buoy
d : 1,2m
SISTEM AKUISISI DATA BUOY (server)
Terima Kasih
TAMPILAN SEMENTARA WEB (client)
TAMPILAN DATABASE PREDIKTOR
KESIMPULAN• Telah dilakukan pemodelan menggunakan metode Autoregressive Integrated
Moving Average untuk memprediksi suhu udara, temperatur, kecepatan angin, kelembaban udara, dan curah hujan tiap jam selama 24 jam kedepan.
• Hasil validasi perancangan model cuaca maritim menggunakan metodeAutoregressive Integrated Moving
• Average adalah sebagai berikut:1. Untuk Kecepatan angin prediksi rata – rata perjam dalam sehari tingkat akurasinya
sebesar 87,9 % dengan model arima yang cocok adalah ARIMA(2,1,0)2. Untuk temperatur udara prediksi rata – rata perjam dalam sehari tingkat akurasinya
sebesar 94,1 % dengan model arima yang cocok adalah ARIMA(2,1,0)3. Untuk tekanan udara prediksi rata – rata perjam dalam sehari tingkat akurasinya
sebesar 97 % dengan model arima yang cocok adalah ARIMA(0,1,1)4. Untuk kelembaban prediksi rata – rata perjam dalam sehari tingkat akurasinya
sebesar 88.8 % dengan model arima yang cocok adalah ARIMA(2,1,0)
• Web Prediksi Cuaca Maritim memiliki waktu rata-rata download data cuacamaritim sebesar 1 sekon