KESIMPULAN DAN SARAN 1. Peramalan dengan menggunakan ensemble tiruan menghasilkan peramalan berupa pdf dan memiliki interval. Ensembel tiruan pada lead pertama dapat menangkap observasi kecepatan angin sebesar 17% atau 16 hari dari 92 pengamatan (1 Oktober – 31 Desember 2009). Ensembel tiruan pada lead ketujuh dapat menangkap observasi kecepatan angin sebesar 13% atau 11 hari dari 86 pengamatan (7 Oktober – 31 Desember 2009). Berdasarkan kedua hasil tersebut dapat disimpulkan bahwa ensemble tiruan lead pertama lebih banyak menangkap kecepatan angin daripada ensemble lead ketujuh. Interval yang dihasilkan ensemble tiruan dari kedua lead tidak mampu menangkap observasi kecepatan angin dengan baik. 2. Peramalan ensemble terkalibrasi menggunakan training window sebesar 10, 15, 20, dan 25 untuk setiap lead. Hasil optimum pengaturan training window pada lead pertama menggunakan 25, sedangkan untuk lead ketujuh menggunakan training window 15. Peramalan ensemble terkalibrasi pada lead pertama dapat menangkap observasi kecepatan angin sebesar 72% atau 48 hari dari 67 pengamatan (26 Oktober – 31 Desember 2009). Peramalan ensemble terkalibrasi pada lead ketujuh dapat menagkap observasi kecepatan angin sebesar 61% atau 41 hari dari 71 pengamatan (22 Oktober – 31 Desember 2009). Interval dari ensemble terkalibrasi mampu menangkap observasi kecepatan angin dengan baik, bahkan dengan peramalan yang lebih jauh yaitu lead tujuh.
KESIMPULAN DAN SARAN 3. Hasil evaluasi dengan menggunakan CRPS didapatkan bahwa ensemble terkalibrasi menghasilkan CRPS lebih kecil daripada ensemble tiruan. Hal ini menunjukkan bahwa peramalan kecepatan angin dengan menggunakan ensemble terkalibrasi lebih baik daripada ensemble tiruan. Interval yang dihasilkan ensemble terkalibrasi lebih banyak menangkap nilai observasi dari kecepatan angin daripada interval yang dihasilkan oleh ensemble tiruan.
SARAN Penelitian lebih lanjut dapat digunakan jumlah ensemble yang lebih banyak atau lebih dari jumlah ensemble pada penelitian kali ini. Selain itu untuk membangkitkan ensemble dari beberapa model time series dapat dilakukan dengan mencari model terbaik pada setiap hari, tidak lagi menggunakan referensi model. Penggunaan algoritma MCMC-DREAM juga akan mempunyai kinerja yang lebih bagus jika banyaknya jumlah panjang ensemble diperbanyak.
DAFTAR PUSTAKA Anonim_a, (2010). Angin. .( http://www.e-smartschool.com, diakses pada 5 Februari 2011). Anonim_b, (2011) BMKG Waspadai Cuaca Ekstrem Jawa Timur.. (http://metrotvnews.com/ metromain/newscat / nusantara/2011/01/25/40612/BMKG-Waspadai-Cuaca-Ekstrem-Jawa-Timur, diakses pada 4 Februari 2011 ). Anonim_c, (2011). Profil Stasiun Meteorologi Juanda. (http://www.meteojuanda.info, diakses 10 Maret 2011). Anonim_d, (2011). Wind Speed. (http://en.wikipedia.org/wiki/Wind_speed, diakses 5 Februari 2011). Bowerman, B.L., O’Connell, R. T., dan Koehler, A.B. (2005). Forecasting, Time Series, and Regression, Fourth Edition. USA : Thomson Learning, Inc. Chadee, J.C., dan Sharma, S. (2009). Wind Speed Distributions: a new catalogue of defined models, Wind Engineering, 25(6), 319-337. Cryer, J.D. (1986). Time Series Analysis. PWS-Kent Publishing Co., Boston Faulina, R., (2010). Adaptive Neuro-Fuzzy Inference System untuk Peramalan Kecepatan Angin Rata-Rata Harian di Sumenep. Tugas Akhir. Mahasiswa Jurusan Statistika FMIPA ITS, Surabaya. Gneiting, T., Balabdoui, F., dan Raftery, A. E. (2007). Probabilistic Forecasts, Calibration and Sharpness. J. R. Statist. Soc. B, 69(2), 243-268. Hamill, T. M., dan Colucci, S. J. (1997). Verification of Eta-RSM Short-Range Ensembel Forecasts. Monthly Weather Forecast, 125, 1312-1327. Irhamah dan Nooreliz, M., (2006), The Comparison Of ARIMA and ARFIMA Models In Modeling Wind Speed Data at Juanda, Indonesia. Seminar Kebangsaan Sains dan Aplikasi Sains Dalam Industri, Malaysia. Irhamah, Fitrasari, K., dan Prasetyo, D.P., (2010). Pengembangan Model Ramalan Kecepatan Angin Menggunakan Hybrid Time Series dan Algorithma Genetika. Penelitian Produktif ITS Tahun 2010, Lemit-ITS.
DAFTAR PUSTAKA Makridakis, McGee dan Wheelwright (1999). Metode Aplikasi dan Peramalan, Edisi Kedua, Bina Rupa Aksara. Jakarta. Nuryana, F., (2006). Perbandingan Pendekatan ARIMA dan ARFIMA (Studi Kasus Pemodelan Kecepatan Angin Di Kabupaten Sumenep). Tugas Akhir. Mahasiswa Jurusan Statistika FMIPA ITS, Surabaya. Sarjani (2008). Cuaca dan Iklim. Modul Ajar Geografi. Sloughter, J. M., Gneiting, T., dan Raftery, A. E. (2010). Probabilistic Wind Speed Forecasting Using Ensembels And Bayesian Model Averaging. Journal Of The American Statistical Association, 105 (489). Wei, W.W.S. (2006). Time Series Analysis, Univariate and Multivariate Methods. Canada : Addison Wesley Publishing Company. Widianto, E., (2010). Gelombang Tinggi Nelayan Melaut. (http://www.tempointeraktif.com/ hg/nusa/2010/01/14/brk,20100114-219197,id, diakses pada 10 Maret 2011). Vrugt, J. A., Diks, C. G. H., dan Clark, M. P. (2008). Ensembel Bayesian Model Averaging Using Markov Chain Monte Carlo Sampling. Environmental Fluid Mechanics. 8, 579-595
TERIMA KASIH
[email protected] Penggunaan Metode Bayesian Model Averaging (BMA) dengan Pendekatan Markov Chain Monte Carlo (MCMC) pada Data Kecepatan Angin Rata-rata Harian Stasiun Meteorologi Juanda
