REDUKSI DIMENSI NWP DENGAN TRANSFORMASI WAVELET DISKRIT DAN PRINCIPAL COMPONENT ANALYSIS UNTUK PRA PEMROSESAN DATA DALAM PEMODELAN PRAKIRAAN CURAH HUJAN

IDAYATI, - (2014) REDUKSI DIMENSI NWP DENGAN TRANSFORMASI WAVELET DISKRIT DAN PRINCIPAL COMPONENT ANALYSIS UNTUK PRA PEMROSESAN DATA DALAM PEMODELAN PRAKIRAAN CURAH HUJAN. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Preview	Text 1310100053-Abstract.pdf - Published Version Download (199kB) | Preview
	Text 1310100053-Undergraduate Thesis.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
Preview	Text 1310100053-conclusion.pdf - Published Version Download (203kB) | Preview

Abstract

Prakiraan cuaca memiliki peranan penting bagi masyarakat
sebagai bentuk antisipasi terhadap bencana buruk yang diakibatkan
oleh cuaca ekstrim. Sampai saat ini metode prakiraan yang digunakan
oleh BMKG masih bersifat subjektif. Model prakiraan yang
memanfaatkan Numerical Weather Prediction (NWP) menjadikan
pemodelan prakiraan cuaca dapat dilakukan secara objektif. Namun,
luaran dari metode NWP masih sering bias, sehingga diperlukan
pemrosesan, salah satunya dengan Model Output Statistics (MOS).
MOS merupakan pemodelan yang berbasis regresi antara hasil
observasi cuaca dengan luaran NWP. Observasi cuaca yang digunakan
sebagai variabel respon adalah curah hujan. Paramater NWP yang
digunakan sebagai variabel prediktor adalah ps, rh, rnd, temp, u, dan v.
Data NWP bersifat deterministik dan berdimensi tinggi sehingga
diperlukan reduksi dimensi grid dan variabel NWP dengan
Transformasi Wavelet Diskrit (TWD) dan Principal Component Analysis
(PCA) sebagai pembanding. TWD mensyaratkan ukuran data 2N.
Penentuan jumlah koefisien wavelet hasil TWD berdasarkan kombinasi
level resolusi yang memiliki nilai MSE terkecil. Penentuan jumlah PC
hasil reduksi PCA berdasarkan besar persentase yang dijelaskan
sebesar 85%. TWD tidak dapat mengatasi multikolineritas, sehingga
dapat dimodelkan jika koefisien wavelet direduksi kembali dengan PCA.
Model terbaik yang dipilih berdasarkan nilai RMSEP terkecil. Hasil
penelitian menyimpulkan bahwa RMSEP di 5 lokasi pengamatan
dengan pra-pemrosesan PCA lebih kecil dibandingkan dengan prapemrosesan
TWD. Hasil ramalan model MOS baik dengan prav
pemrosesan TWD dan PCA secara konsisten memiliki nilai RMSEP
lebih kecil daripada model NWP. Kesimpulan lain adalah model MOS
dengan pra-pemrosesan TWD rata-rata dapat mengoreksi bias NWP
sebesar 24,63%, sedangkan dengan PCA rata-rata sebesar 25,34%.

=====================================================================================================

A weather forecasting has a important role for the society as
anticipation of worse disasters caused by extreme weather. Until now,
forecasting methods used by BMKG still subjective. Forecasting model
which use Numerical Weather Prediction (NWP) to make short-term
forecast modelling conducted objcetively. But, output of the NWP
method is often biased, so need a processing by Model Output Statistics
(MOS). MOS is regression based on relationship modelling between
weather observation and NWP outputs. The weather observation used as
response variable is rainfall. The NWP parameters used as the predictor
variables are ps, rh, rnd, temp, u, and v. NWP are deterministic and
high dimension so needed dimension reduction both grid and variables
of NWP by Descrete Wavelet Transform (TWD) and Principal
Component Analysis (PCA) as a comparison. TWD requires the 2M data
size. The number of wavelet coefficients based on a combination of
results TWD which has a smallest MSE. The number of PC based on a
large percentage explained by 85%. TWD can’t overcome
multicolinearity so that can be modeles if the wavelet coefficients is
reduced by PCA. The best model have a smallest RMSEP. The result of
the study infer that RMSEP in 5 observing locations with pre-processing
of PCA is smaller than by pre-processing of TWD. The result of
forecasting MOS models both pre-processing of TWD and PCA has
consistently RMSEP smaller than NWP models. Another conclusion is
MOS models using pre-processing of TWD can correcting the bias NWP
on average by 24,63%, whereas the pre-processing of PCA on average
by 25,34%.

Item Type:	Thesis (Undergraduate)
Additional Information:	RSSt 519.535 4 Ida r
Uncontrolled Keywords:	MOS, NWP, Transformasi Wavelet Diskrit, Principal Component Analysis, ramalan cuaca
Subjects:	G Geography. Anthropology. Recreation > GA Mathematical geography. Cartography Q Science > QA Mathematics Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Mr. Tondo Indra Nyata
Date Deposited:	04 Jan 2017 03:22
Last Modified:	04 Jan 2017 03:22
URI:	http://repository.its.ac.id/id/eprint/1289

Actions (login required)

View Item