Kajian Perbandingan Metode Deteksi dan Penanganan Anomali pada Data Deret Waktu Menggunakan HWES dan Metode Donut

Abstract

Anomali suhu udara pada data deret waktu musiman merupakan penyimpangan dari pola periodik normal yang dapat berdampak lintas sektor, mulai dari pertanian, kesehatan, hingga lingkungan. Di Provinsi Nusa Tenggara Barat (NTB), anomali suhu yang terjadi pada 2019/2020 menyebabkan penurunan luas panen padi, lonjakan kasus ISPA, serta kebakaran hutan seluas ±6.000 hektar di kawasan Gunung Rinjani. Kondisi ini menegaskan bahwa deteksi dini anomali suhu yang akurat dan penanganannya yang tepat menjadi kebutuhan mendesak untuk mitigasi risiko iklim. Penelitian ini bertujuan membandingkan dua pipeline metode deteksi dan penanganan anomali pada data deret waktu musiman, yaitu Holt-Winters exponential smoothing (HWES) yang dikombinasikan dengan winsorizing, serta Donut berbasis variational autoencoder (VAE) yang diperluas dengan integrasi long short-term memory (LSTM). Data yang digunakan adalah data reanalisis ERA5 suhu udara maksimum bulanan NTB dari climate change knowledge portal world bank, mencakup periode Januari 1950 hingga Desember 2022 dengan total 876 observasi. Evaluasi kinerja dilakukan melalui dua pendekatan: kajian empiris pada data aktual menggunakan skema expanding window 5-fold, dan kajian simulasi dengan 24 kombinasi skenario faktorial yang memvariasikan tipe anomali (random dan seasonal), persentase anomali (3%, 6%, 9%), serta persentase missing value (0%, 10%, 20%, 30%), masing-masing diulang sebanyak 10 kali replikasi sehingga menghasilkan 480 dataset simulasi. Pada kajian empiris, eksplorasi data menunjukkan bahwa suhu udara NTB memiliki pola musiman tahunan yang kuat dengan ketergantungan signifikan pada lag kelipatan 12. Kedua metode secara konsisten mengidentifikasi satu anomali yang valid secara statistik maupun klimatologis, yaitu pada Desember 2019 dengan nilai suhu 32,35°C, yang dikonfirmasi oleh laporan resmi BMKG sebagai dampak El Niño aktif yang memperlambat onset musim hujan. Di luar anomali utama tersebut, Donut menunjukkan sensitivitas yang lebih tinggi dibandingkan HWES dalam menangkap anomali dengan deviasi yang lebih halus yang berkaitan dengan dinamika El Niño–Southern Oscillation (ENSO) pada 2014, 2016, 2020, dan 2022, kejadian yang secara klimatologis relevan namun luput dari deteksi HWES karena deviasinya berada di bawah ambang batas statistik 3s yang bersifat kaku. Hal ini mengonfirmasi keunggulan pendekatan berbasis rekonstruksi Donut dalam mengidentifikasi penyimpangan pola temporal yang lebih halus, yang tidak selalu tertangkap oleh metode berbasis ambang batas seperti HWES. Penanganan anomali dengan winsorizing terbukti menurunkan MAPE peramalan HWES dari 7,16% menjadi 5,00% pada konfigurasi musiman m = 6 dan dari 3,27% menjadi 2,97% pada m = 12, pada fold yang terdampak kejadian ekstrem. Pada pipeline Donut LSTM, penggunaan anomaly flag hasil deteksi Donut sebagai fitur tambahan pada peramalan LSTM terbukti meningkatkan stabilitas dan akurasi prediksi secara nyata, dengan nilai korelasi tertinggi sebesar 0,76 pada konfigurasi terbaik dengan window = 6. Hal ini menegaskan bahwa informasi anomali dari Donut memberikan nilai tambah yang konkret bagi kualitas peramalan, meskipun performa deteksi mentahnya berada di bawah HWES. Pada kajian simulasi, hasil Aligned Rank Transform ANOVA (ART ANOVA) menunjukkan bahwa tipe anomali dan metode deteksi merupakan faktor paling berpengaruh terhadap performa deteksi, baik pada metrik Balanced Accuracy (BACC) maupun Average Precision (AP), diikuti oleh persentase anomali dan persentase missing value. Interaksi tiga arah antara tipe anomali, persentase anomali, dan metode deteksi juga signifikan pada kedua metrik. Secara agregat, HWES unggul secara konsisten dibandingkan Donut baik pada BACC (0,7699 vs 0,6401) maupun AP (0,373 vs 0,145), dengan AP menegaskan kesenjangan performa yang lebih tajam karena sifatnya yang lebih sensitif terhadap kondisi data tidak seimbang (imbalanced). Uji lanjut ART-C mengonfirmasi bahwa keunggulan HWES signifikan secara statistik pada seluruh level persentase anomali (3%, 6%, 9%), baik untuk tipe random maupun seasonal. Pada anomali random, selisih performa BACC menyempit seiring meningkatnya persentase anomali, mengindikasikan Donut semakin mampu merekonstruksi batas anomali mendekati akurasi HWES (rata-rata BACC Donut 0,695 vs HWES 0,787); pada anomali seasonal, keunggulan HWES tetap konsisten dan selisihnya relatif stabil pada seluruh level persentase (0,752 vs 0,584). Ditinjau dari aspek missing value, performa kedua metode relatif stabil sepanjang rentang 0%–30%, dengan HWES tetap unggul secara konsisten pada seluruh level (BACC 0,784–0,758; AP 0,406 0,337) dibandingkan Donut (BACC 0,652–0,632; AP hanya 0,137–0,152). Belum munculnya keunggulan struktural Donut pada kondisi missing value yang diuji dijelaskan oleh dua keterbatasan kajian ini: volume data yang relatif terbatas (876 observasi, tergolong small data regime, jauh di bawah skala data pada studi asli Donut) sehingga model belum dapat membentuk representasi laten yang optimal, serta tingkat kontaminasi missing value yang diuji (hingga 30%) yang belum mencapai ambang ekstrem untuk memunculkan keunggulan mekanisme penanganan data hilang milik Donut (M-ELBO dan MCMC Imputation). Pada aspek peramalan, ART-ANOVA menunjukkan bahwa metode peramalan merupakan faktor paling dominan, dengan interaksi tiga arah yang signifikan. HWES+Winsorizing menghasilkan MAPE yang signifikan lebih rendah dibandingkan Donut-LSTM pada seluruh level persentase anomali random, didukung oleh komponen musiman yang dimodelkan secara eksplisit serta mekanisme winsorizing yang membatasi nilai ekstrem. Pada anomali seasonal, perbedaan performa antara kedua metode umumnya tidak signifikan pada persentase 3% dan 9%, kecuali pada persentase 6% di mana HWES+Winsorizing unggul signifikan (p = 0,037), mengindikasikan adanya titik ambang kritis pada level anomali tersebut. Secara keseluruhan, selisih performa pada tipe seasonal jauh lebih kecil dibandingkan tipe random, sehingga Donut-LSTM tetap kompetitif. Secara keseluruhan, HWES+Winsorizing direkomendasikan untuk data musiman yang relatif lengkap dengan anomali berbasis simpangan ekstrem, khususnya anomali random, sedangkan Donut-LSTM menjadi alternatif kompetitif untuk anomali dengan simpangan yang tidak terlalu ekstrem terhadap pola musiman, terutama jika didukung oleh volume data yang lebih besar dan tingkat kontaminasi missing value yang lebih ekstrem pada kajian mendatang.

Seasonal time-series anomalies are deviations from normal periodic patterns with wide-ranging sectoral impacts. In West Nusa Tenggara (NTB) Province, the 2019/2020 temperature anomaly caused a decline in rice harvest area, a substantial surge in acute respiratory infection (ARI) cases, and approximately 6,000 hectares of forest fires in the Mount Rinjani area. These impacts underscore the urgency of accurate temperature anomaly detection as a basis for climate risk mitigation and adaptive resource management. This study aims to compare two anomaly detection and handling pipelines for seasonal time-series data: Holt-Winters Exponential Smoothing (HWES) combined with winsorizing, and Donut, a Variational Autoencoder (VAE)-based method extended with Long Short-Term Memory (LSTM) integration for forecasting. The data used were ERA5 monthly maximum air temperature reanalysis data for NTB obtained from the World Bank Climate Change Knowledge Portal, covering the period January 1950 to December 2022, with a total of 876 observations. Performance evaluation was conducted through two complementary approaches: an empirical study on actual data using a five-fold Expanding Window cross validation scheme, and a simulation study comprising 24 factorial scenario combinations varying anomaly type (random and seasonal), anomaly percentage (3%, 6%, 9%), and missing-value percentage (0%, 10%, 20%, 30%), each replicated ten times, yielding a total of 480 simulated datasets. In the empirical study, data exploration confirmed that NTB air temperature exhibits a strong annual seasonal pattern with significant autocorrelation at multiples of lag 12. Both methods consistently identified one anomaly that was valid both statistically and climatologically, occurring in December 2019 at 32.35°C, triggered by an active El Niño event that delayed monsoon onset, as confirmed by official BMKG reports. Beyond this primary anomaly, Donut demonstrated higher sensitivity than HWES in capturing contextual anomalies associated with El Niño–Southern Oscillation (ENSO) dynamics in 2014, 2016, 2020, and 2022 — events that were climatologically relevant but missed by HWES because their deviations fell below its rigid 3s statistical threshold. This confirms an advantage of Donut's reconstruction-based approach in identifying subtler temporal deviations that threshold-based methods such as HWES cannot always capture. Anomaly handling through winsorizing reduced HWES forecasting MAPE from 7.16% to 5.00% for the m = 6 seasonal configuration, and from 3.27% to 2.97% for m = 12, in the fold affected by the extreme event. In the Donut-LSTM pipeline, incorporating anomaly flags derived from Donut's detection results as additional LSTM input features markedly improved prediction stability and accuracy, with the highest correlation of 0.76 observed in the best-performing window = 6 configuration — demonstrating that Donut's anomaly information provides concrete added value to forecasting quality, even though its raw detection performance trailed HWES. In the simulation study, Aligned Rank Transform ANOVA (ART-ANOVA) results showed that anomaly type and detection method were the most dominant factors affecting detection performance, on both the Balanced Accuracy (BACC) and Average Precision (AP) metrics, followed by anomaly percentage and missing value percentage, with a significant three-way interaction among anomaly type, anomaly percentage, and detection method on both metrics. Overall, HWES consistently outperformed Donut on both BACC (0.7699 vs 0.6401) and AP (0.373 vs 0.145), with AP revealing an even sharper performance gap due to its greater sensitivity to imbalanced data conditions. ART-C post-hoc tests confirmed that HWES's advantage was statistically significant across all anomaly-percentage levels (3%, 6%, 9%) for both anomaly types. For random anomalies, the BACC gap narrowed as anomaly percentage increased, indicating that Donut increasingly approximated HWES's reconstruction accuracy (mean BACC of 0.695 for Donut versus 0.787 for HWES); for seasonal anomalies, HWES's advantage remained consistently significant with a relatively stable gap across percentage levels (mean BACC of 0.752 versus 0.584 for Donut). With respect to missing values, both methods' performance remained relatively stable across the 0%–30% range, with HWES consistently outperforming Donut at every level on both BACC (0.784 0.758 vs 0.652–0.632) and AP (0.406–0.337 vs only 0.137–0.152). The absence of a clear structural advantage for Donut under the missing-value conditions tested is attributable to two limitations of this study: the relatively limited data volume (876 observations, placing it in the small-data regime, far below the scale used in Donut's original study), which constrained the model's ability to form an optimal latent representation; and the missing-value contamination levels tested (up to 30%), which had not yet reached the extreme threshold needed to reveal the advantage of Donut's missing-data handling mechanisms (M-ELBO and MCMC Imputation). For the forecasting task, ART-ANOVA indicated that the forecasting method was the dominant factor, with a significant three-way interaction among anomaly type, anomaly percentage, and forecasting method. HWES+Winsorizing produced significantly lower MAPE than Donut-LSTM across all anomaly-percentage levels under the random anomaly condition (p < 0.001), supported by its explicitly modeled seasonal component and by winsorizing's mechanism of bounding extreme values. Conversely, under seasonal anomaly conditions, the performance difference was generally not significant at 3% and 9%, except at 6% where HWES+Winsorizing showed a significant advantage (p = 0.037), suggesting a critical threshold at that contamination level. Overall, the performance gap under seasonal conditions was substantially smaller than under random conditions, keeping Donut-LSTM competitive. Overall, HWES+Winsorizing is recommended for relatively complete seasonal data dominated by extreme-deviation anomalies, particularly random anomalies, whereas Donut-LSTM offers a competitive alternative for anomalies that are contextual to seasonal patterns, particularly if supported by larger data volumes and more extreme missing-value contamination levels in future studies.