PREDIKSI CUACA MENGGUNAKAN METODE BAYESIAN BERBASIS BIG DATA

Prosiding Seminar Nasional Manajemen Teknologi XXII Program Studi MMT-ITS, Surabaya 24 Januari 2015

PREDIKSI CUACA MENGGUNAKAN METODE BAYESIAN BERBASIS BIG DATA Bayu Setyatmoko1), Mochamad Hariadi2) dan I Ketut Eddy Purnama3) 1) Department of Electrical Engineering, Intitut Teknologi Sepuluh Nopember (ITS) Campus ITS Keputih, Surabaya, 60111, Indonesia e-mail: [email protected] 2) Department of Electrical Engineering, Intitut Teknologi Sepuluh Nopember (ITS) 3) Department of Electrical Engineering, Intitut Teknologi Sepuluh Nopember (ITS)

ABSTRAK Indonesia adalah salah satu negara di dunia yang rentan mengalami bencana alam. Salah satu bencana yang terjadi hampir diseluruh wilayah Indonesia adalah bencana banjir. Upaya "mitigasi bencana" yang perlu dilakukan adalah peningkatan kualitas peringatan dini berupa prediksi cuaca yang akurat dan cepat. Selain bermanfaat dalam pencegahan bencana, prediksi cuaca juga bermanfaat bagi nelayan, petani dan seorang pilot. Beberapa permasalahan pengolahan data masukan pada proses prediksi cuaca adalah lokasi data "Automatic Weather System" (AWS) yang tersebar diseluruh wilayah Indonesia yang luas, periode update data AWS setiap 15 menit sekali (velocity) dan data berbentuk tidak terstruktur (variety). Sehingga proses pemindahan seluruh data ke server datawarehouse sulit untuk dilaksanakan karena terbatasnya kapasitas bandwidth jaringan komputer dan kapasitas penyimpanan di komputer server. Maka diperlukan sistem analisa data pada lokasi data yang tersebar (tanpa harus memindahkan datanya terlebih dahulu) yang dikenal dengan istilah "Big Data Analysis". Sedang proses "Machine Learning" yang digunakan untuk memprediksi cuaca menggunakan metode "Regresi Bayes". Tujuan penelitian ini adalah menghasilkan prediksi cuaca yang cepat dan akurat menggunakan data AWS yang tersebar diseluruh Indonesia. Pada penelitian ini diperoleh nilai DIC = 341821.7, nilai "posterior mean" = 3159726 dan 95% nilai "credible interval" = 3093183 - 3221960. Kesimpulan dari penelitian kami adalah semakin banyak jumlah variable predictor dan semakin banyak jumlah sampel data yang digunakan maka semakin akurat prediksi yang dihasilkan. Kata kunci: Bigdata, Hadoop, Prediksi Cuaca, Regresi Bayes.

PENDAHULUAN Kondisi negara Indonesia yang berpotensi mengalami bencana alam harus diikuti dengan kesiapan sumber daya manusia dalam melakukan upaya mitigasi bencana. Mitigasi bencana adalah serangkaian upaya untuk mengurangi resiko bencana, baik melalui pembangunan fisik maupun penyadaran dan peningkatan ke-mampuan menghadapi ancaman bencana (Undang- undang No 24 Tahun 2007 dan PP No 21 Tahun 2008). Dalam rangka melakukan upaya mitigasi bencana pemerintah Indonesia banyak mengeluarkan regulasi dan mendirikan lembaga yang menjalan regulasi tersebut. Salah satu regulasi tersebut adalah Undang-Undang No 21 Tahun 2013 Tentang Keantariksaan yang menyatakan bahwa LAPAN (Lembaga Penerbangan dan Antariksa) berkewajiban menyediakan data pengideraan jarak jauh dengan tutupan awan minimal dan bebas awan setiap tahunnya untuk seluruh wilayah indonesia kedalam Sistim Jaringan Data Spasial

ISBN : 978-602-70604-1-8 A-7-1


Nasional (pasal 20), dan berkewajiban pula mengupayakan terjadinya alih teknologi keantariksaan (pasal 25). Sedangkan institusi yang diberi tugas untuk mengelola informasi geospasial dan mengelola Jaringan Data Spatial Nasional (JDSN) adalah Badan Informasi Geospasial (BIG) sebagai pengganti Badan Koordinasi Survei dan Pemetaan Nasional (Bakorsurtanal). Bahkan dalam Perpres No.85 Tahun 2007 yang diperkuat oleh Undang-Undang No.4 Tahun 2011 mewajibkan Pemerintah Daerah membangun JDSN dan menggunakan informasi geospasial yang akurat dalam pengambilan keputusan. Yang tidak kalah pentingnya adalah lembaga khusus yang ditugaskan mengelola bidang meteorologi, klimatologi, kualitas udara dan geofisika yang dikenal dengan nama Badan Meteorologi Klimatologi dan Geofisika (BMKG). Sayangnya belum banyak instansi pemerintah daerah yang tertarik memanfaatkan informasi yang telah dhasilkan oleh lembaga seperti LAPAN, BIG dan BMKG. Kurangnya antusias dari pemerintah daerah bisa jadi dikarenakan kurangnya sosialisasi dan proses alih teknologi ke pemerintah daerah. Salah satu pemanfaatan Automatic Weather Station (AWS) diantaranya adalah pada proses prediksi cuaca (kondisi alam setiap harinya) dan pemodelan iklim (kondisi alam dalam periode tertentu). Prediksi cuaca yang akurat dan cepat sangat bermanfaat bagi institusi pemerintah dalam mitigasi bencana, bermanfaat bagi petani untuk menentukan pola tanam pertanian dan bermanfaat bagi nelayan untuk menentukan saat yang tepat untuk berlayar mencari ikan. Namun untuk menjalankan sebuah Numerical Weather Prediction System dibutuhkan sarana berupa Super Computer untuk melakukan proses High Performance Computing(HPC) dengan harga yang mahal dan tidak terjangkau oleh anggaran pemerintah daerah. Salah satu alternatif solusi yang dapat digunakan adalah menggunakan metode Tren Analysis / Statistik dengan memanfaatkan Framework Hadoop Distributed File System (HDFS) berbasis Bigdata yang hanya membutuhkan komputer standar (commodity hardware). Permasalahan lainnya adalah lamanya waktu yang dibutuhkan untuk mengolah data Automatic Weather Station (AWS) dengan tipe "data unstructure" (variety) dan periode akusisi data tiap 15 menit sekali (velocity). Sehingga pendekatan memindahkan data ke server datawarehouse untuk menganalisa data sudah tidak dapat dilakukan lagi. Sebab kapasitas storage dan bandwidth jaringan yang terbatas sudah tidak sanggup lagi untuk menampung data tersebut. Maka diperlukan sebuah pendekatan baru, bukan lagi data yang datang kelokasi server komputasi tapi justru proses komputasi yang mendatangi lokasi data. Pendekatan inilah yang digunakan oleh framework komputasi Bigdata, yang salah satu contohnya adalah hadoop. Pada penelitian ini digunakan Framework HDFS, MapReduce dan metode machine learning "Regresi Bayes. Diharapkan pada penelitian ini dapat dihasilkan prediksi cuaca yang cepat dan akurat. METODE Secara umum tahapan penelitian yang dilakukan adalah sbb: 1. Akusisi data dari Automatic Weather Station (AWS) menggunakan dataset milik NASA yang dapat diakses secara bebas di ftp://ftp.ncdc.noaa.gov/pub/data/noaa/. 2. Preprocessing dataset dengan melakukan proses Extract Transform Load (ETL) menggunakan metode Map Reduce pada framework Hadoop Distributed File System (HDFS). 3. Hasil preprocessing dataset AWS pada framework HDFS kemudian dilakukan proses analisa data menggunakan algoritma "Regresi Bayes". 4. Menguji hasil prediksi menggunakan data baru yang tidak ada didalam dataset. 5. Mengambil kesimpulan berdasarkan hasil penelitian yang diperoleh.

ISBN : 978-602-70604-1-8 A-7-2


HASIL DAN PEMBAHASAN Pada penelitian ini dataset yang digunakan adalah data weather station yang ada di bandara udara sukarno hatta, cengkareng, jakarta. Adapun isi dari dataset weather station adalah sebagai berikut : VSB,TEMP,DEWP,PRESS,DIR,SPD,LAT,LON,ELEV,YYYYMMDDhhmm,USAF 000000,+0284,+0212,10082,310,0031,-06117,+106650,+0008,200709111200,967490 000000,+0303,+0219,10073,350,0041,-06117,+106650,+0008,200709110900,967490 000300,+0238,+0230,10078,090,0041,-06117,+106650,+0008,201010190900,967490 000300,+0247,+0239,10101,150,0026,-06117,+106650,+0008,200802010300,967490 000300,+0248,+0245,10096,030,0046,-06117,+106650,+0008,201102140300,967490 000300,+0254,+0251,10055,230,0093,-06117,+106650,+0008,201304060900,967490 Sebelum melakukan proses analisa dataset diatas, perlu dilakukan proses instalasi package kedalam tools RStudio yaitu proses instalasi package RHadoop (package rhdfs dan package rmr) untuk menghubungkan antara RStudio dengan Framework Hadoop. Selain itu perlu juga proses instalasi package MCMCglmm untuk melakukan proses regresi bayes.

ISBN : 978-602-70604-1-8 A-7-3


ISBN : 978-602-70604-1-8 A-7-4


KESIMPULAN DAN SARAN Pada penelitian ini kualitas hasil prediksi dapat ditingkatkan dengan penambahan variable prediktor dan penambahan jumlah data pada dataset yang diteliti. DAFTAR PUSTAKA Chand, Savin S. and Walsh, Kevin J.E., 2010, , A Bayesian Regression Approach to Seasonal Prediction of Tropical Cyclones Affecting the Fiji Region, American Meteorological Society, Journal Of Climate, Volume 23, 2010., McFadden, Jonathan. and Miranowski, John., 2014Climate Change and US Corn Yields: A Dynamic Bayesian Approach, Department of Economics, Iowa State University, Kurniawan , Roni. dan Permana, Donaldi Sukma,2009 Pemanfaatan dan Validasi ConformalCubic Atmospheric Model (CCAM) untuk prakiraan cuaca di Jakarta, Pusat Penelitian dan Pengembangan Badan Meteorologi Klimatologi dan Geofisika (BMKG), Jurnal Meteorologi dan Geofisika Volume. 10 Nomor 2, Morgan , Hilary A.,2012, , Lava Discharge Rate Estimates From Thermal Infrared Satellite Data At Pacaya Volcano Guatemala, Geology Department, Michigan Technological University, .

ISBN : 978-602-70604-1-8 A-7-5

PREDIKSI CUACA MENGGUNAKAN METODE BAYESIAN BERBASIS BIG DATA

Recommend Documents