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