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.

[img]
Preview
Text
1310100053-Abstract.pdf - Published Version

Download (199kB) | Preview
[img] Text
1310100053-Undergraduate Thesis.pdf - Published Version
Restricted to Repository staff only

Download (2MB) | Request a copy
[img]
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
Divisions: Faculty of Mathematics and Science > Statistics > (S1) Undergraduate Theses
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 View Item