| dc.description.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. | |
| dc.description.abstract | 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. | |
