Prediksi curah hujan

Model dari cl42 meramal hujan beberapa hari ke depan dari tujuh hari terakhir. Ketelitiannya tidak diambil dari angka lama, melainkan diuji ulang pada data yang dimasukkan, lewat uji satu langkah, dan dibandingkan dengan tebakan paling sederhana: hujan besok sama dengan hari ini.

simulasiData hujan harian, uji satu langkah, dan ramalan beberapa hari ke depan

satuanmm/hari

ModelLSTM

n180

RMSE—

NSE—

lembarHY-06rev A

jenis data

data masukan

180 hari terbaca

Berkas dua kolom: tanggal, hujan (mm). Tanggal 2020-12-01 atau 01/12/2020; pemisah koma, titik koma, atau tab.

pengaturan grafik

Judul grafikNama sumbu xNama sumbu yLabel dataLabel ramalan

metode prediksi

model

Sim	Besaran		Nilai
h	Lama ramalan		7hari

Dilatih hanya pada April, September, dan November

Notebook pelatihan cl42 mengurai tanggal dari nama bulan berbahasa Indonesia dengan pustaka yang hanya mengenal bahasa Inggris. Hanya tiga bulan yang ejaannya sama di kedua bahasa yang terbaca; sembilan bulan lain dibuang tanpa peringatan, 1.800 dari 7.305 hari. Model ini karena itu tidak pernah melihat Januari sampai Maret, Mei sampai Agustus, Oktober, dan Desember, dan deret latihnya melompat sampai empat bulan di antara hari-hari yang dianggapnya berurutan.

ketelitian hasil ukur ulang

	MAE	RMSE	NSE
data latih lengkap, semua bulan	0,474	0,812	0,816
data latih seperti dipakai notebook	0,459	0,770	0,735
sama dengan kemarin	0,439	0,833	0,807
ditulis cl42	0,46	0,77	—

yang perlu diperhatikan

Pada 1460 hari uji data latih lengkap, tebakan "sama dengan kemarin" mencapai MAE 0,439 mm. LSTM 0,474, BiLSTM 0,487, XGBoost 0,618, Gradient Boosting 0,631. Tidak satu pun model univariat cl42 mengalahkan tebakan kemarin pada MAE; LSTM hanya menyamainya pada NSE. Artinya model-model ini, dalam bentuk sekarang, belum menambah informasi tentang hujan besok di atas apa yang sudah terlihat hari ini.

verifikasi

4 dari 4 pemeriksaan lolos

Nilai acuan berasal dari luar aplikasi ini. Kolom hitungan dievaluasi saat halaman digambar, jadi tabel ini ikut berubah bila modelnya berubah.

Yang diperiksa	Jenis	Acuan	Nilai acuan	Hitungan	Selisih
Fitur univariat (9) yang disusun peramban sama dengan pandas	Konsistensi silang	pandas 2.3, rolling dengan shift(1) dan std pembagi n − 1, scripts/data_contoh_prediksi.py	0,000000000000	0,000000000000	nol
Kemungkinan log ARIMA(1,0,1) sama dengan statsmodels	Konsistensi silang	statsmodels 0.15, ARIMA kemungkinan maksimum eksak, scripts/acuan_arima.py	-340,82175	-340,82175	< 0,0001%
Statistik KPSS pemilih diferensiasi sama dengan statsmodels	Konsistensi silang	statsmodels 0.15, kpss(regression='c', nlags='legacy')	1,391575	1,391575	< 0,0001%
Tidak ada ramalan hujan yang negatif	Perilaku	Hujan tidak negatif; keluaran model dipotong di nol	1	1	nol

Kedua pengoptimal berhenti pada toleransinya sendiri

Seluruh pemeriksaan ini juga tersedia sebagai berkas uji yang dapat dijalankan sendiri dengan perintah npm test.

dasar perhitungan

NSE = 1 − Σ(y − ŷ)² / Σ(y − ȳ)²nol: sama dengan menebak rata-rata

ŷ(t) = f(y(t−1), …, y(t−7))hanya hari yang sudah lewat

φ(B) Φ(Bˢ) (1 − B)ᵈ (1 − Bˢ)ᴰ y(t) = θ(B) Θ(Bˢ) ε(t)

Lembar ini menjalankan model yang dilatih di proyek cl42 tanpa mengubah satu bobot pun, tetapi tidak lagi memakai angka ketelitian yang ditulis cl42. Setiap model diukur dengan dua cara. Pertama, pada data latihnya sendiri, dengan fitur yang disusun persis seperti peramban menyusunnya (skrip pengukurnya ada di folder scripts). Kedua, pada data yang dimasukkan di lembar ini: seperlima hari terakhir diramal satu per satu, masing-masing hanya melihat hari-hari sebelumnya, lalu dibandingkan dengan pembanding paling sederhana yang ada, yaitu "hujan besok sama dengan hari ini". Model yang tidak dapat mengalahkan pembanding itu belum membawa informasi apa pun tentang hujan besok. Ramalan beberapa hari ke depan dibuat berantai: ramalan hari pertama dipakai sebagai data untuk hari kedua, dan seterusnya, sehingga kesalahannya menumpuk dan ramalannya cepat mendatar ke rata-rata.

rujukan

01Box, G.E.P., Jenkins, G.M., Reinsel, G.C. & Ljung, G.M. (2015). Time Series Analysis: Forecasting and Control, edisi ke-5. Wiley.
02Nash, J.E. & Sutcliffe, J.V. (1970). River flow forecasting through conceptual models, part I. Journal of Hydrology 10(3).
03Kaufman, S., Rosset, S., Perlich, C. & Stitelman, O. (2012). Leakage in data mining: formulation, detection, and avoidance. ACM TKDD 6(4).
04Hyndman, R.J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, edisi ke-3. OTexts, bab 5 dan 9.

tanggal	hujan, mm	pakai