Model Hybrid MGSTARX-ANN untuk Peramalan Data Space-Time dengan Variabel Eksogen Metrik (Studi Kasus: Data Kualitas Udara di Surabaya)

Nahdliyah, Nurun (2021) Model Hybrid MGSTARX-ANN untuk Peramalan Data Space-Time dengan Variabel Eksogen Metrik (Studi Kasus: Data Kualitas Udara di Surabaya). Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
06211950010004-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (9MB) | Request a copy

Abstract

Model Multivariate Generalized Space-Time (MGSTAR) merupakan model untuk peramalan data space-time dengan beberapa variabel di beberapa lokasi. Pengembangan model MGSTAR nonlinier yang melibatkan variabel eksogen terbatas pada variabel eksogen nonmetrik berupa variasi kalender. Sehingga pada penelitian ini diusulkan model MGSTAR nonlinier yang melibatkan variabel eksogen metrik, yaitu model hybrid MGSTARX-ANN. Pemodelan linier dilakukan dengan pendekatan time series regression dan fungsi transfer. Sedangkan pemodelan nonlinier dilakukan menggunakan arsitektur Feedforward Neural Network (FFNN). Penelitian ini terdiri dari kajian simulasi dan kajian terapan. Kajian simulasi menggunakan data bangkitan dua variabel di tiga lokasi yang terdiri dari komponen trend dan efek variabel eksogen metrik dengan dua skenario noise, yaitu linier dan nonlinier. Hasil kajian simulasi menunjukkan bahwa model hybrid MGSTARX-ANN memiliki performa yang baik untuk data yang berpola nonlinier. Sedangkan untuk data berpola linier, model MGSTARX memiliki performa yang hampir sama dengan model hybrid MGSTARX-ANN. Pada kedua skenario dan kedua model, pendekatan fungsi transfer memiliki performa lebih baik dibandingkan pendekatan time series regression. Pada kajian terapan, model yang diusulkan juga diterapkan pada data kualitas udara di Surabaya. Variabel yang digunakan adalah CO dan NO2 di SUF 1, SUF 6, dan SUF 7 serta kecepatan angin di lokasi yang bersesuaian sebagai variabel eksogen. Hasil kajian terapan menunjukkan bahwa model dengan pendekatan time series regression mampu memodelkan data kualitas udara dengan baik dibandingkan dengan pendekatan fungsi transfer. Secara umum, model MGSTARX dan hybrid MGSTARX-ANN memberikan hasil yang sama. Namun, model MGSTARX cenderung memiliki nilai RMSE dan sMAPE yang lebih kecil dibandingkan model hybrid MGSTARX-ANN. Selain itu, model MGSTARX juga cenderung memiliki nilai RMSE dan sMAPE yang lebih kecil dibandingkan dengan model MGSTAR. ===================================================================================================== The Multivariate Generalized Space-Time (MGSTAR) model is a model for forecasting space-time data with several variables in several locations. The development of nonlinear MGSTAR model that involved exogenous variables is limited using calendar variation as nonmetric exogenous variables. Therefore, in this study, a nonlinear MGSTAR model involving metric exogenous variables is proposed, namely hybrid MGSTARX-ANN model. Linear modeling is done by using time series regression and transfer function approaches. While the nonlinear modeling is done using the Feedforward Neural Network (FFNN) architecture. This research consists of simulation studies and applied studies. The simulation study generated data of two variables in three locations that consist of trend components and metric exogenous variable effects with two noise scenarios, which are linear and nonlinear. The results of the simulation study show that the hybrid MGSTARX-ANN model has the best performance for data with nonlinear patterns. For linear pattern data, the performance of MGSTARX model almost same with hybrid MGSTARX-ANN model. In both scenarios and both models, the transfer function approach has better performance than the time series regression approach. In the applied study, the proposed model is also applied to air quality data in Surabaya. The variables used were CO and NO2 at SUF 1, SUF 6, and SUF 7 and wind speed at the appropriate locations as exogenous variables. The results of the applied study show that the model with the time series regression approach is better than the transfer function approach to forecast the air quality. In general, the MGSTARX and hybrid MGSTARX-ANN models give the same results. However, the MGSTARX model tends to have smaller RMSE and sMAPE values than the MGSTARX-ANN hybrid model. In addition, the MGSTARX model also tends to have smaller RMSE and sMAPE values compared to the MGSTAR model.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Fungsi Transfer, Hybrid MGSTRAX-ANN, Multivariate Space-Time, Variabel Eksogen Metrik. Hybrid MGSTRAX-ANN, Metric Exogenous Variables, Multivariate Space-Time, Transfer Function.
Subjects: Q Science > Q Science (General) > Q325.78 Back propagation
Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry)
Q Science > QA Mathematics > QA280 Box-Jenkins forecasting
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions: Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User: Nurun Nahdliyah
Date Deposited: 09 Sep 2021 07:58
Last Modified: 09 Sep 2021 07:58
URI: https://repository.its.ac.id/id/eprint/91924

Actions (login required)

View Item View Item