Kajian Rintis Terhadap Analisis Telatah Kalut dalam Data Siri Masa Aras

Air Sungai di Sungai Dungun, Terengganu

Adib Mashuri1,a* dan Nur Hamiza Adenan1,b
1
Fakulti Sains dan Matematik, Universiti Pendidikan Sultan Idris, Tanjung Malim, Perak, Malaysia
a
adibmshri@gmail.com ; bhamieza@fsmt.upsi.edu.my
*
Pengarang: adibmshri@gmail.com

Abstrak : Aras air sungai di dataran banjir adalah tidak menentu dan merupakan fenomena yang
berterusan. Data siri masa aras air sungai di dataran banjir adalah penting untuk dianalisis bagi
mengenalpasti kehadiran telatah kalut bagi tujuan peramalan menggunakan pendekatan kalut. Lokasi
kajian rintis ini dipilih adalah di Sungai Dungun, Terengganu dengan memilih tiga stesen utama sungai
tersebut. Dua kaedah telah dipilih untuk analisis data aras air sungai iaitu (1) Kaedah Cao dan (2) Plot
Ruang Fasa. Pembinaan ruang fasa memerlukan penganggaran (1) masa tunda, dan (2) dimensi
pembenaman, m yang diperolehi melalui kaedah maklumat purata bersama (PMB) dan kaedah Cao.
Kajian ini menunjukkan bahawa kehadiran telatah kalut terhadap data siri masa aras air sungai. Oleh
itu, data siri masa aras air sungai dapat diramal dengan menggunakan pendekatan kalut.

Kata Kunci : Kalut, Aras Air Sungai, Sungai Dungun

1. Pengenalan
Baharuddin et al. (2012) dan Ching et al. (2013) menyatakan bahawa banjir terjadi apabila aras air yang tidak
menentu berlaku sama ada secara semula jadi atau kesan daripada buatan manusia di bahagian sungai atau anak
sungai. Dari sudut terminologi teknikal, banjir merujuk kepada sumbangan hujan luar biasa yang tidak mampu
ditampung oleh sesebuah lembangan sungai dan menyebabkannya air melimpah keluar daripada tebing atau di
dataran banjir (Haliza, 2009). Oleh itu, objektif utama kajian ini adalah untuk mengenalpasti kehadiran telatah
kalut terhadap data siri masa aras air sungai yang tidak menentu.

Penemuan dinamik kalut ini oleh Lorenz (1963) dan telatah kalut siri masa telah menjadi penemuan penting
dalam proses peramalan daripada pemerhatian berkala terhadap sistem yang ingin diuji. Teknologi ini sudah
digunakan secara mendalam dalam bidang sains dan kejuruteraan. Istilah “Chaos” (kalut) telah digunakan
pertama kali pada tahun 1975 (Li & Yorke, 1975). Data siri masa yang bertelatah kalut dapat dibahagikan
kepada dua bahagian iaitu berketentuan dan rawak (Abarbanel, 1996)

Melalui kajian perpustakaan, kajian hidrologi melibatkan data siri masa aras air hanya dilakukan di luar Negara
sahaja seperti di jadual 1:

Jadual 1 Senarai kajian aras air di luar negara

Pengkaji Negara Aras Air
Khokhlov et al. (2007) Ukraine Pantai
Khatibi et al. (2011) Australia Pantai
Wang & Babovic (2014) Singapura Pantai
Khatami (2013) Iran Tasik
Tongal dan Berndtsson (2014) Australia Tasik

Kajian-kajian luar negara tersebut telah menggunakan pendekatan kalut di mana hasil analisis dan peramalan
mencapai objekti kajian. Kajian berkenaan data siri masa aras air sungai menggunakan pendekatan kalut belum
dilaksanakan di dalam mahupun di luar negara. Maka, kajian ini ingin melihat sejauh mana kehadiran telatah
kalut terhadap data siri masa telatah kalut di aras air sungai di Malaysia.

2. Data
Data siri masa aras air sungai diukur dengan menggunakan tolok banjir dalam unit meter (Jabatan Pengairan dan
Saliran Malaysia, 2003). Dalam kajian ini, data siri masa aras air sungai harian digunakan. Data harian
digunakan adalah bersesuaian bagi pengaplikasian kajian hidrologi terutamanya bagi peramalan banjir
(Grimaldi, 2004). Maka, kajian rintis ini akan di jalankan di kawasan dataran banjir di mana stesen tersebut
merupakan kawasan yang sering terlibat dengan bencana banjir.

Kajian ini dilaksanakan di Sungai Dungun, Terengganu dengan melibatkan Stesen Jambatan Jerangau (SD01),
Stesen Rumah Pam Paya Kempian (SD02) dan Stesen Kuala Jengai (SD03). Data siri masa harian diperoleh
daripada Jabatan Pengairan dan Saliran Malaysia adalah seperti jadual 2. Setiap data yang digunakan adalah
berbeza kerana masalah kehilangan data yang banyak sehingga kajian ini hanya memilih data siri masa harian
yang mempunyai kehilangan data yang sedikit seperti jadual 2. Data yang hilang diisi dengan menggunakan
kaedah min.

Jadual 2 Data siri masa harian dan peratusan kehilangan data mengikut stesen
Stesen Data Harian Peratusan Kehilangan Data
SD01 Ogos 2009 - Mac 2016 1.09 %
SD02 April 2010 - Mac 2016 0.63 %
SD03 Mac 2009 - Mac 2016 1.36 %

Data siri masa harian kajian ini adalah seperti rajah 1. Sungai yang dipilih juga merupakan dataran banjir dan
menunjukkan terdapat lebih 10 buah sekolah sepanjang sungai tersebut. Maka, kajian ini amat penting untuk
menganalisis telatah kalut sebelum proses peramalan menggunakan pendekatan kalut dilaksanakan.

Rajah 1 Data siri masa aras air sungai di (a) SD01, (b) SD02 dan (c) SD03

3. Analisis Telatah Kalut

Data siri masa yang berkentuan dapat diramal manakala data rawak adalah tidak boleh diramal. Selain itu, data
bertelatah kalut adalah di antara berketentuan dan rawak di mana ia peka terhadap isyarat awal. Dengan adanya
isyarat awal, maka peramalan pada akan datang mampu memberikan kesan yang besar. Maka, peramalan yang
melibatkan data siri jangka pendek sahaja dapat diramal (Sprott, 2003).

Terdapat pelbagai kaedah yang digunakan dalam menentukan telatah kalut sesuatu data siri masa yang berbeza
seperti jadual 2. Dalam kajian ini, dua kaedah mengenal pasti telatah kalut akan digunakan iaitu keadah Cao dan
Plot Ruang Fasa.

Jadual 2 Senarai kaedah dalam mengenal pasti telatah kalut terhadap data siri masa
Kaedah Data Siri Masa
Kaedah Eksponen Lyapunov Ekonomi dan Kewangan (Rodríguez et al., 2000)
Kaedah Cao Aliran Air (Adenan & Md Noorani, 2016)
Plot Ruang Fasa Ozon (Hamid, 2018)
Dimensi Korelasi Aras Air (Khatami, 2013)
Kolmogoroy Entropy Gangguan Hingar (Anishchenko et al. , 2003)
3.1 Plot Ruang Fasa
Pembinaan semula ruang fasa melibatkan pengumpulan data siri masa yang dicerap secara bersiri (satu dimensi)
dengan membina semula ke vector ruang fasa m-dimensi. Siri masa X adalah direkodkan secara skalar dengan
siri-siri masa tersebut ditulis seperti berikut:

X  {x1 , x2 ,......, xN 1, xN } (3)

Siri masa X adalah digunakan untuk mengesan kehadiran dinamik kalut dan mengira parameter yang diperlukan.
Ruang fasa pelbagai dimensi dibina semula dengan menggunakan siri masa X. Menerusi teori Takens (1981)
masa tunda  , dimensi pembenaman m dan ruang fasa m-dimensi adalah dalam bentuk Yi m seperti berikut:

Ym  ( xi , xi  , xi  2 ,......, xi ( m1) ) (4)

dengan j = 1, 2,…, N  (m  1) dimana Yj  m

. Bagi mendapatkan nilai  , kaedah purata maklumat bersama
(PMB) digunakan. Manakala, bagi mendapatkan nilai m , kaedah Cao digunakan.

Kaedah purata maklumat bersama boleh diperolehi melalui persamaan berikut:

1 N  p  ua  u a  T  
I (T )  
N a 1
p  ua , ua T  log 2  
 p  ua  p  ua T  
(5)

dengan p  ua  dan p  ua T  adalah kebarangkalian untuk mencari nilai u a dan ua T yang diberi bagi data siri
masa X dan p  ua  ua T  adalah nilai kebarangkalian bersama merujuk nilai p  ua  dan p  ua T  .

Kaedah Cao mencadangkan cara yang lebih praktikal dalam penentuan nilai m dimana nilai tersebut
memberikan nilai yang optimum ( mopt ) bagi skalar siri masa (Cao, 1997). Nilai mopt daripada kaedah Cao
boleh dikira menggunakan:

E1 m  1 (6)
E1 m   , dan
E  m

1 N  m Ynm 1  Y jjm 1 (7)

E  m 
N  m
n 1 Ynm  Y jjm

dengan adalah merujuk kepada jarak Eukledian dan Yjjm merujuk kepada jiran terdekat bagi Ynm . Jika E1 m 
tidak berubah apabila nilai m lebih besar daripada m0 , maka m0  1 merupakan nilai dimensi yang optimum
(Zaim and Hamid, 2017).

3.2 Kaedah Cao

Selain daripada mengenal pasti nilai dimensi pembenaman (m), kaedah ini juga dapat menentukan dinamik
sistem terhadap data siri masa iaitu berketentuan atau rawak. Jika nilai E1(m) terus menepu dengan peningkatan
m, maka siri masa adalah rawak. Cao (1997) turut memperkenalkan pengiraan E2(m) dengan

E   m  1 (1)
E 2  m  ,
E  m


N  m (2)
1
E  m 
N  m

i 1
xi  m  xiNN
 m .

Jika dinamik kalut hadir dalam data siri masa, nilai masa akan datang data siri masa adalah berdasarkan nilai
yang lepas dan nilai E2(m) tidak tetap untuk m. Dalam istilah lain, wujud beberapa m atau sekurang-kurangnya
satu m dengan E2(m) ≠ 1. Maka, jika terdapat E2(m) ≠ 1 dinamik kalut hadir dalam data siri masa yang
diperhatikan.
4. Keputusan dan Perbincangan

Rajah 2(a), 2(b) dan 2(c) adalah keputusan bagi kaedah PMB bagi tiga stesen data siri masa aras air Sungai
Dungun. Bagi setesen SD01, SD02 dan SD03, nilai  yang diperolehi adalah 7, 9 dan 11 masing-masing.

Rajah 2 Pemilihan nilai  bagi data siri masa harian aras air sungai di (a) SD01, (b) SD02 dan (c) SD03

Nilai E1 m  daripada kaedah Cao dikira bagi memperolehi nilai m dengan menggunakan nilai  yang
diperolehi melalui kaedah PMB. Nilai tepu bagi nilai E1 m  adalah dipilih antara 0.9 hingga 1.0 seperti kajian
data siri masa ozon oleh Hamid dan Noorani (2017). Daripada Rajah 3(a), 3(b) dan 3(c), dapat dilihat nilai m0
mula menepu selepas m0 = 6 bagi SD01, SD02 dan SD03. Maka, nilai, m yang dicari adalah enam bagi ketiga-
tiga stesen. Kehadiran kalut dapat dikesan kerana m mula menepu pada m = 2 bagi ketiga-tiga stesen. Kehadiran
dinamik kalut dalam siri masa aras air Sungai Dungun dapat diyakinkan lagi kerana melalui Rajah 3, terdapat
sekurang- kurangnya satu nilai E 2  m  ≠1.

Rajah 3 Pemilihan nilai masa pembenaman m melalui [ E1 m  ] dan analisis telatah kalut melalui [ E 2  m  ]
bagi data siri masa harian aras air Sungai Dungun menggunakan kaedah Cao di (a) SD01, (b) SD02 dan (c)
SD03
Rajah 4(a), 4(b) dan 4(c) merupakan plot ruang fasa dimensi pembenaman (m) dengan menggunakan nilai
  7 ,   9 dan   11 . Melalui ruang fasa ini, dinamik data yang bermula daripada satu titik asal, melalui
trajektori dan bergerak dalam satu ruang dapat dilihat. Terdapat beberapa titik terpencil yang menjauhi ruang
itu. Hal ini berkemungkinan terdapat gangguan hingar yang datang daripada bendasing lain yang turut tercerap
bersama ketika aktiviti merekod data siri masa aras air sungai. Namun, kebanyakan titik berada dalam trajektori
ruang itu dan wujud satu rantau penarik dalam ruang fasa yang mencadangkan bahawa dinamik kalut hadir
dalam siri masa aras air sungai yang diuji (Sivakumar, 2002).

Rajah 4 Plot ruang fasa bagi data siri masa aras air harian di di (a) SD01, (b) SD02 dan (c) SD03

5. Kesimpulan
Siri masa aras air sungai yang dicerap di tiga stesen Sungai Dungun menunjukkan sifat kalut hadir dalam (1)
plot ruang fasa dan (2) kaedah Cao dengan menggunakan data harian. Keputusan : (1) menunjukkan wujud
bentuk yang spesifik bagi data siri masa aras air sungai yang kompleks di setiap stesen dan (2) E1 m  tidak
berubah dengan peningkatan m dan sekurang-kurangnya satu nilai dimana E 2  m   1 bagi semua data di setiap
stesen. Kesimpulannya, bagi semua data siri masa yang dianalisis menunjukkan telatah kalut berdasarkan
analisis menggunakan plot ruang fasa dan kaedah Cao. Maka, data siri masa yang dianalisis dapat diramal
menggunakan pendekatan kalut.

6. Penghargaan
Pengkaji memberi penghargaan kepada Jabatan Pengiran dan Saliran Malaysia (JPS) yang memberikan
maklumat data siri masa harian bagi tiga stesen di Sungai Dungun. Selain itu, penghargaan juga kepada
Kementerian Pendidikan Malaysia (FRGS/1/2018/STG06/UPSI/02/3) yang memberikan tajaan kewangan dalam
kajian ini.

7. Rujukan
Abarbanel, H. D. I. (1996). Analysis of Observed Chaotic Data. New York, NY: Springer New York.
https://doi.org/10.1007/978-1-4612-0763-4
Adenan, N. H., & Md Noorani, M. S. (2016). Multiple Time-Scales Nonlinear Prediction of River Flow Using
Chaos Approach. Jurnal Teknologi, 78(7). https://doi.org/10.11113/jt.v78.3561
Anishchenko, V. S., Vadivasova, T. E., Okrokvertskhov, G. A., & Strelkova, G. I. (2003). Correlation Analysis
Of Deterministic And Noisy Chaos. Journal of Communications Technology and Electronics, 48(No. 7),
11. Retrieved from http://chaos.ssu.runnet.ru/~wadim/JCTE750.pdf
Baharuddin Yatim, Maimon Abdullah, Salmijah Surif (2012) Banjir: Bencana alam. In: Baharudin Yatim et al.
(eds) Banjir besar Johor, pp. 13-18. Penerbit Universiti Kebangsaan Malaysia, Selangor.
Cao, L. (1997). Practical method for determining the minimum embedding dimension of a scalar time series.
Physica D: Nonlinear Phenomena, 110(1–2), 43–50. https://doi.org/10.1016/S0167-2789(97)00118-8
Ching YC, Baharudin Y, Mohd Ekhwan T, Lee YH, Maimon A, Salmijah S (2013) Impact of climate change on
flood risk in the Muar River Basin of Malaysia. Disaster Advances 6, 11-17.
Fernández-Rodríguez, Fernando, Sosvilla-Rivero, Simón, Andrada-Félix, & Julián. (2000). Testing Chaotic
Dynamics via Lyapunov Exponents by. Retrieved from
http://www.fedea.es/hojas/publicaciones.html#DocumentosdeTrabajohttp://www.fedea.es/hojas/publicaci
ones.html%23DocumentosdeTrabajo
Grimaldi, S. (2004). Linear Parametric Models Applied to Daily Hydrological Series. Journal of Hydrologic
Engineering, 9(5), 383–391. https://doi.org/10.1061/(ASCE)1084-0699(2004)9:5(383)
Haliza Abdul Rahman (2009) Suatu tinjauan terhadap permasalahan banjir kilat di Lembah Klang. In: Nasir
Nayan et a. (eds) Persekitaran fizikal di Malaysia: Isu dan cabaran semasa, pp. 31-43. Penerbit Universiti
Pendidikan Sultan Idris, Tanjong Malim.
Hamid, N. Z. A. (2018). To cite this article: Nor Zila Abd Hamid. IOP Conf. Ser.: Earth Environ. Sci, 169,
12107. https://doi.org/10.1088/1755-1315/169/1/012107
Hamid, N. Z. A., & Noorani, M. S. M. (2017). Aplikasi Model Baharu Penambahbaikan Pendekatan Kalut Ke
Atas Peramalan Siri Masa Kepekatan Ozon. Sains Malaysiana, 46(8), 1333–1339.
Https://Doi.Org/10.17576/Jsm-2017-4608-20
Jabatan Pengairan dan Saliran Malysia. (2003). Pengukuran Kadar Luah Sungai Menggunakan Meter Arus dan
Pelampung. Retrieved from http://agrolink.moa.my/did/hydro/
Khatami, S. (2013). Nonlinear Chaotic and Trend Analyses of Water Level at Urmia Lake, Iran Does Climate
Variability Explain Urmia Lake Depletion? Lund University. Retrieved from http://www.tvrl.lth.se
Khatibi, R., Ghorbani, M. A., Aalami, M. T., Kocak, K., Makarynskyy, O., Makarynska, D., & Aalinezhad, M.
(2011). Dynamics of hourly sea level at Hillarys Boat Harbour, Western Australia: a chaos theory
perspective. Ocean Dynamics, 61(11), 1797–1807. https://doi.org/10.1007/s10236-011-0466-8
Khokhlov, V., Glushkov, A. A., Loboda, A. N., Serbov, A. N., & Zhurbenko, A. K. (2007). Signatures of low-
dimensional chaos in hourly water level measurements at coastal site of Mariupol, Ukraine.
https://doi.org/10.1007/s00477-007-0186-2
Li, T.-Y., & Yorke, J. A. (1975). Period Three Implies Chaos. The American Mathematical Monthly (Vol. 82).
Retrieved from http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.329.5038&rep=rep1&type=pdf
Lorenz, E. N. (1963). Deterministic Nonperiodic Flow. Journal Of The Atmospheric Sciences, 20, 12. Retrieved
from https://journals.ametsoc.org/doi/pdf/10.1175/1520-
0469%281963%29020%3C0130%3ADNF%3E2.0.CO%3B2
Sivakumar, B. (2002). A phase-space reconstruction approach to prediction of suspended sediment
concentration in rivers. Journal of Hydrology, 258(1–4), 149–162. https://doi.org/10.1016/S0022-
1694(01)00573-X
Sprott, J. C. (2003). Chaos and Time-Series Analysis. Oxford University Press. Retrieved from
http://sprott.physics.wisc.edu/chaostsa/.
Takens, F. (1981). Detecting strange attractors in turbulence. Dynamical Systems and Turbulence, Warwick.
Retrieved from http://www.crcv.ucf.edu/gauss/info/Takens.pdf
Tongal, H., & Berndtsson, R. (2014). Phase-space reconstruction and self-exciting threshold models in lake
level forecasting: a case study of the three largest lakes of Sweden. Stochastic Environmental Research
and Risk Assessment; 28(4), Pp 955-971 (2014), 28(4), 955–971. Retrieved from
https://lup.lub.lu.se/search/publication/f7105300-f029-4117-8c4c-740e3c7efcf1
Wang, X., & Babovic, V. (2014). Enhancing water level prediction through model residual correction based on
Chaos theory and Kriging. International Journal for Numerical Methods in Fluids, 75(1), 42–62.
https://doi.org/10.1002/fld.3883
Zaim, W. N. A., & Hamid, N. Z. A. (2017). Forecasting Ozone Pollutant (O3 ) in Universiti Pendidikan Sultan
Idris, Tanjung Malim, Perak, Malaysia based on Monsoon using Chaotic Approach. Sains Malaysiana,
46(12), 2523–2528. https://doi.org/10.17576/jsm-2017-4612-30