Rainfall occurence modeling with dynamic bayesian networks (Case study: rainfall occurence in Indramayu)
Pemodelan kejadian hujan dengan dynamic bayesian networks (studi kasus: kejadian hujan di wilayah Indramayu)
Abstract
The objective of this research was to build Dynamic Bayesian Networks (DBN) model for modeling time series data and to predict occurence of dry, normal and wet month in Indramayu, West Java. DBN is the extention of Bayesian Networks (BN) considering a sequence of time slices corresponding to different snapshots in time of the same static BN, connected by temporal links. BN itself is a direct acyclic graph in which nodes represent random variables and edges indicate conditional dependencies among them. Thus, DBN can represent spatial and temporal dependences among variables. In this research, a discrete DBN model was constructed by learning network structures and parameters from the real data. Criteria for learning are introduced by a Bayesian networks viewpoint. In this case, K2/K3 algorithm and Adaptive Importance Sampling - Bayesian Network (AIS-BN) were used as learning algorithm. The research use rainfall data in 1997 to 2008 from 14 stations at Indramayu, West Java. It was categorized into 3 states: dry (0-100 mm), normal (100-200 mm), and wet (above 200 mm). The result shows DBN could model rainfall data from 14 stations which considered spatial and temporal dependences. The state probabilities of stations could be read from conditional probability of networks and it could be changed by instanted an evidence from other station. The state occurrences prediction of 12 months in 2008 by DBN model shows 12 of 14 stations have a value greater than 75% of accuracy. The accuracy measured by way of transformed Hellinger Distance. Ketersediaan informasi kondisi hujan yang baik semakin dibutuhkan terutama ketika ketidakteraturan perilaku iklim semakin meningkat intensitas, frekuensi dan durasinya. Berbagai metode yang digunakan untuk memprediksi kondisi iklim seperti Markov Chains, Auto-Regressive, dan Neural Networks umumnya tidak melibatkan pengaruh spasial yang mungkin terjadi antar wilayah pengamatan hujan. Bayesian Networks (BN) hadir sebagai metode yang dapat menggambarkan adanya hubungan spasial tersebut. BN merupakan salah satu metode yang handal dalam dunia kecerdasan buatan. Tetapi BN memiliki keterbatasan karena tidak dirancang untuk dapat menggambarkan secara eksplisit hubungan temporal yang terkandung dalam data deret waktu sehingga kemudian dikembangkan menjadi Dynamic Bayesian Networks (DBN). Penelitian terhadap metode DBN dan penggunaannya di Indonesia masih belum banyak dilakukan, sehingga penelitian ini tertarik untuk mengkaji penggunaan DBN untuk memodelkan data deret waktu dan menggunakanya pada prakiraan kejadian hujan khususnya di wilayah Indramayu sebagai studi kasus. DBN adalah model grafik probabilistik yang mampu menggambarkan data deret waktu dengan mempertimbangkan hubungan ketergantungan spasial dan temporal antar peubahnya. Dengan melibatkan aspek waktu, DBN mampu memodelkan hubungan cyclic pada peubah yang tidak dapat digambarkan oleh BN. Node pada DBN merepresentasikan peubah pada timeslice tertentu, hubungan ketergantungan antar peubah bisa terjadi pada satu timeslice yang menandakan hubungan lokal atau spasial (contemporaneous-links) maupun antar timeslice yang menandakan hubungan temporal (noncontemporaneous-links) Modelnya dibangun dari dua komponen: network prior dan network transisi. Network prior adalah BN yang menentukan sebaran awal berupa tabel peluang bersyarat, sedangkan network transisi adalah BN yang memodelkan proses markov orde-k dan menentukan peluang transisinya. Asumsinya topologi dan parameter network tidak berubah antar timeslice.