PEMODELAN SIRI MASA KEPEKATAN BAHAN PENCEMAR UDARA 03, PMlO DAN JEREBU MENERUSI PENDEKATAN KALUT

Transcription

1 PEMODELAN SIRI MASA KEPEKATAN BAHAN PENCEMAR UDARA 03, PMlO DAN JEREBU MENERUSI PENDEKATAN KALUT NOR ZILA BINTI ABD HAMID TESIS YANG DIKEMUKAKAN UNTUK MEMPEROLEH HAZAH DOKTOR FALSAFAH

2 Parameter IV ABSTRAK Kajian ini adalah aplikasi pendekatan kalut ke atas pemodelan siri masa bahan pencemar udara ozon (03), zarah terampai (PMIO) dan jerebu yang dicerap mengikut jam di stesenstesen asas dan metropolitan di Malaysia. Pemodelan kalut melibatkan dua peringkat iaitu (i) analisa dinamik siri masa dan (ii) pembinaan model peramalan. Peringkat (i) melalui kaedah Cao, kaedah msongsang dan plot ruang fasa menunjukkan kehadiran dinamik kalut dalam setiap siri masa. Peringkat (ii) melibatkan dua langkah iaitu (a) pembinaan semula ruang fasa dan (b) proses peramalan. Untuk (a), dua parameter diperlukan iaitu masa tunda t dan matra pembenaman m. t: ditentukan melalui penetapan t 1, = kaedah purata maklumat bersama dan kaedah baharu t: songsang. Parameter m dikira melalui kaedah Cao dan kaedah msongsang. Langkah (b) dijalankan melalui kaedah penghampiran purata setempat (kpps), kaedah penghampiran linear setempat (kpls) dan kaedah penambahbaikan penghampiran linear setempat (kppls). Peramalan satujam ke hadapan mendapati kaedah t songsang membantu meningkatkan pre stasi peramalan. Prestasi model kppls adalah mengatasi modelmodel kpps dan kpls. Model kalut 03 boleh meramal sehingga dua hari ke hadapan manakala bagi model kalut PMIO, peramalan semakin merosot bermula dua jam ke hadapan. Peramalan pelbagailangkah memperlihatkan penurunan prestasi model dengan pertambahan bilangan langkah peramalan. Model peramalan kalut pemetaan logistik adalah cemerlang dengan nilai pekali kolerasi satu. Tiada model peramalan siri masa bahan pencemar udara dengan pekali kolerasi satu kerana siri masa ini mengandungi gangguan hingar. Mengecilkan skop siri masa mengikut musim adalah berbaloi memandangkan pre stasi model peramalan PMIO ketika jerebu adalah lebih baik berbanding tempoh biasa. Prestasi model kalut adalah lebih cemerlang berbanding model tradisional regresi linear. Pendekatan kalut telah berjaya menganalisa dan meramal siri masa 03, PMIO dan jerebu. Dengan hasilhasil yang diperoleh, diharapkan kajian ini mampu memudahkan pengurusan pencemaran udara oleh pihakpihak berkepentingan dan menjadi petunjuk baharu dalam arena pemodelan siri masa bahan pencemar Malaysia. udara di

3 inverse inverse inverse v TIME SERIES MODELING OF 03, PMlO AND HAZE AIR POLLUTANT CONCENTRATIONS THROUGH CHAOTIC APPROACH ABSTRACT This study is an application of the chaotic approach in modeling the time series of air pollutants namely ozone (03), particulate matter (PMIO) and haze observed hourly at the Malaysian background and metropolitan stations. Chaotic modeling involves two stages, namely (i) dynamic analysis of time series and (ii) development of the prediction model. Stage (i) through Cao method, rn inverse method and phase space plot discovered the presence of chaotic dynamics in each time series. Stage (ii) involves two steps, namely (a) reconstruction of phase space and (b) prediction process. For (a), two parameters are needed, the delay time t: and embedding dimension rn. Parameter t: is determined by the setting of r I =, the average mutual information method and a new method called the t: method. Parameter rn is calculated by the Cao and rn methods. Step (b) is performed by means of the local average approximation method (kpps), local linear approximation method (kpls) and the improved local linear approximation method (kppls). The onehour ahead prediction models found that the t: method helped to improve the prediction performance. The performance of kppls model overcomes both kpps and kpls models. Chaotic model of 03 can predict up to two days ahead while for PMIO model, the prediction performance declined starting from two hour ahead prediction. The multistep ahead prediction models show the decrease of the prediction performance with increasing number of prediction steps. Prediction model for the chaotic logistic map is excellent where the value of correlation coefficient is one. However, there is no prediction model of air pollutants time series with a correlation coefficient equal to of the time one as the time series contains noise disturbance. Narrowing the scope series according to its season was worth it as the performance of the prediction model of PM10 during haze episode is much better than the normal period. Prediction performance through chaotic model is better than the traditional model of linear regression. Chaotic approach has successfully analyzed and predicted the time series of 03, PMIO and haze. With the promising results, it is hoped that this study will the stakeholders and it becomes the new facilitate the management of air pollution by guidance in the realm of the air pollutants time series modeling in Malaysia.

4 VI KANDUNGAN Halaman PENGAKUAN PENGHARGAAN ABSTRAK ABSTRACT KANDUNGAN SENARAI JADUAL SENARAI RAJAH SENARAI SINGKATAN SENARAI TATANAMA U m IV V VI XU XVI XXU xxm BABI PENDAHULUAN Pengenalan Kekalutan ObjektifKajian Sumbangan Kajian Sumbangan Kajian Kepada Penambahbaikan Dalam Kaedah Pendekatan Kalut Sumbangan Kajian Kepada Pemodelan Siri Masa Bahan Pencemar Udara Sumbangan Kajian Kepada Negara Malaysia Skop Kajian Kerangka Tesis 7 BAB II KAJIAN KEPUSTAKAAN Pengenalan Aplikasi Pendekatan Kalut Kepentingan Pemodelan Siri Masa Bahan Pencemar Udara Aplikasi Pendekatan Kalut Ke Atas Siri Masa Bahan Pencemar Udara 15

5 Vll Pengesanan Kehadiran Dinamik Kalut Siri Masa Bahan Pencemar Udara Pembinaan Model Peramalan Siri Masa Bahan Pencemar Udara Rumusan 19 BAB III PENDEKATAN KALUT Pengenalan Asas Pendekatan Kalut Sistem Dinamik Ruang Fasa Kepelbagaian CiriCiri Kalut Dinamik Sistem Dinamik Pembinaan Semula Ruang Fasa Penentuan Parameter r Penentuan Parameter rn Pengesanan Kehadiran Dinamik Kalut Pembinaan Model Peramalan Asas Peramalan Model Berasaskan Pendekatan Kalut Model Tradisional Regresi Linear Petunjuk Prestasi Perisian Komputer Rumusan 56 BAB IV PEMODELAN KALUT PEMETAAN LOGISTIK Pengenalan Pemetaan Logistik Parameter Ruang Fasa Pemetaan Logistik Kaedah Purata Maklumat Bersama (pmb) 62

6 Vlll Kaedah Cao Kaedah m Kaedah T songsang songsang Gabungan Parameter Ruang Fasa Kaitan antara ParameterParameter Ruang Fasa dan FaktorFaktor yang Mempengaruhi Siri Masa Pemetaan Logistik Analisa Dinamik Kalut Pemetaan Logistik Kaedah Cao Kaedah m songsang Kaedah Plot Ruang Fasa Cadangan Model Peramalan Pemetaan Logistik ModelModel Peramalan Siri Masa Pemetaan Logistik ModelModel Peramalan SatuLangkah Ke Hadapan Siri Masa Pemetaan Logistik ModelModel Peramalan PelbagaiLangkah Ke Hadapan Siri Masa Pemetaaan Logistik Rumusan 73 BABV DATASIRIMASA Pengenalan KawasanKawasan Kajian Geografi Koordinat Geografi Manusia Geografi Fizikal Status Pencemaran Udara Data Siri Masa Siri Masa Bahan Pencemar 03 dan PMIO Isu Bilangan Data Isu Data Lenyap

7 IX 5.5 Analisa Variasi Siri Masa Bahan Pencemar Udara Variasi Siri Masa Variasi Siri Masa PMlO Perbandingan Corak Variasi Harian dan Mengikut Musim Siri Masa 03 dan PMlO 100 BAB VI PENGESANAN KEHADlRAN DINAMIK KALUT SIRI MASA BAHAN PENCEMAR UDARA Pengenalan Parameter Ruang Fasa Kaedah Purata Maklumat Bersama (pmb) Kaedah Cao Kaedah m Kaedah r songsang songsang Gabungan Parameter Ruang Fasa Kaitan antara ParameterParameter Ruang Fasa dan FaktorFaktor Siri Masa Bahan Pencemar Udara 116 yang Mempengaruhi Kaitan antara ParameterParameter Ruang Fasa dan Faktor Faktor yang Mempengaruhi Siri Masa Kaitan antara Parameterparameter Ruang Fasa dan Faktor Faktor yang Mempengaruhi Siri Masa PMlO Kaitan antara ParameterParameter Ruang Fasa dan Faktor Faktor yang Mempengaruhi Siri Masa Jerebu Analisa Dinamik Kalut Siri Masa Bahan Pencemar Udara Dinamik Siri Masa Kepekatan 03 Dinamik Siri Masa Kepekatan PMIO Dinamik Siri Masa Jerebu Cadangan Model Peramalan Bagi Siri Masa Bahan Pencemar Udara 129 BAB VII MODEL PERAMALAN SIRI MASA BAHAN PENCEMAR UDARA Pengenalan 132

8 x 7.2 ModelModel Peramalan SatuLangkah Ke Hadapan Siri Masa Kepekatan ModelModel Peramalan Siri Masa Kepekatan 03 di Jerantut ModelModel Peramalan Siri Masa Kepekatan 03 di Petaling J a ModelModel Peramalan Siri Masa Kepekatan 03 di Shah Alam Perbandingan Model Peramalan Kalut Siri Masa 03 dan Model Tradisional ModelModel Peramalan SatuLangkah Ke Hadapan Siri Masa Kepekatan PMIO ModelModel Peramalan Siri Masa Kepekatan PMIO di Jerantut ModelModel Peramalan Siri Masa Kepekatan PMIO di Petaling Jaya ModelModel Peramalan Siri Masa Kepekatan PM10 di Shah Alam Perbandingan Model Perama1an Kalut Siri Masa PMIO dan Model Tradisional Model Peramalan PelbagaiLangkah Ke Hadapan ModelModel Peramalan PelbagaiLangkah Ke Hadapan Siri Masa ModelModel Peramalan PelbagaiLangkah Ke Hadapan Siri Masa PMIO Kaitan Antara Dinamik Kalut dan Model PelbagaiLangkah ModelModel Peramalan SatuLangkah Ke Hadapan Siri Masa Jerebu ModelModel Peramalan Jerebu di Jerantut ModelModel Peramalan Jerebu di Petaling Jaya ModelModel Peramalan Jerebu di Shah Alam Perbandingan Model Peramalan Kalut Siri Masa Jerebu dan Model Tradisional Dapatan Penting Kajian Khas Jerebu Perbandingan TeknikTeknik Peramalan Antara Kpps, Kpls dan Kppls 216

9 Xl Antara t: = 1, t: Antara m cao pm b dan m dan t: songsang songsang Antara Model Kalut dan Model Tradisional Kelebihan Model Jerebu BAB VIII KESIMPULAN DAN CADANGAN KAJIAN LANJUTAN Pengenalan DapatanDapatan Penting Keseluruhan Kajian CadanganCadangan Kajian Lanjutan Pengesanan KaedahKaedah Bagi Kepelbagaian Data dan Lokasi Siri Masa Kehadiran Dinamik Kalut Mencari Parameter t: dan m RUJUKAN 227 PENERBITAN 237 Jumal Prosiding

10 langkah xu No. Jadual SENARAI JADUAL Halaman Aplikasiaplikasi terkini pendekatan kalut Kajiankajian terkini variasi siri masa kepekatan 03 Kajiankajian terkini variasi siri masa mengikut musim kepekatan PMIO Aplikasi kaedah Cao, kaedah m songsang dan plot ruang fasa dalam kajiankajian lepas Aplikasi kaedah pmb dalam kajiankajian lepas Contoh keputusan kaedah t: songsang bagi sin masa pemetaan logistik Contoh keputusan kaedah m songsang siri masa 03 di Ierantut Proses tambahan bagi kppls Interpretasi nilai pk Aplikasi TSTOOL Kaedah msongsang bagi siri masa pemetaan logistik Kaedah t: songsang bagi siri masa pemetaan logistik Parameterparameter ruang fasa bagi siri masa pemetaan logistik Keputusan penuh analisa dinamik siri masa pemetaan logistik Parameterparameter model peramalan bagi sin masa pemetaan logistik Keputusan peramalan model kpps dengan k 1 = Keputusan model peramalan kpls dengan k = 2 Keputusan model per amalan kuadratik setempat dengan k=3 Keputusan model peramalan kuadratik setempat dengan k=50 Keputusan model peramalan kuadratik setempat dengan k=100 Keputusan peramalan p ke hadapan pemetaan logistik Koordinat geografi stesen kajian Kategori stesen kajian Bilangan penduduk dan jumlah keluasan lokasi kajian Status IPU siri masa tahun 2009 Status kualiti udara mengikut lokasi kajian bagi Bilangan hari jerebu mengikut tahun Bilangan kenderaan berdaftar di Malaysia mengikut tahun Bilangan kes pembakaran terbuka mengikut kategori Bilangan kes pembakaran terbuka mengikut tahun Ringkasan siri masa pemodelan kalut Garis Panduan Kualiti Udara Persekitaran Malaysia

11 X111 No. Jadual Halaman Penerangan statistik siri masa kepekatan pencemar 03 Penerangan statistik siri masa kepekatan pencemar PMIO Penerangan statistik siri masa jerebu Bilangan data lenyap Kaedah m songsang bagi siri masa 03 di Jerantut Kaedah msongsang bagi siri masa 03 di Petaling Jaya Kaedah m songsang bagi siri masa 03 di Shah Alam Kaedah msongsangbagi siri masa PMIO di Jerantut Kaedah msongsang bagi siri masa PMIO di Petaling Jaya Kaedah msongsang bagi siri masa PMIO di Shah Alam Kaedah msongsang bagi siri masajerebu di Jerantut Kaedah msongsang bagi siri masajerebu di Petaling Jaya Kaedah msongsang bagi siri masajerebu di Shah Alam Kaedah T Kaedah T Kaedah T Kaedah T songsang bagi siri masa 03 di Jerantut songsang bagi siri masa 03 di Petaling Jaya songsang bagi siri masa 03 di Shah Alam songsang bagi siri masa PMIO di Jerantut Kaedah T songsang bagi siri masa PMIO di Petaling Jaya Kaedah T songsang bagi siri masa PMIO di Shah Alam Kaedah T songsang bagi siri masa j erebu di Jerantut Kaedah T songsang bagi siri masajerebu di Petaling Jaya Kaedah T songsang bagi siri masa jerebu di Shah Alam Parameterparameter ruang fasa bagi siri masa kepekatan 03 Parameterparameter ruang fasa bagi siri masa PMIO Parameterparameter ruang fasa bagi siri masajerebu Julat m, mmaksimum dan mmedian siri masa kepekatan 03 Julat m, mmaksimum dan mmedian siri masa kepekatan PMIO Julat m, mmaksimum dan mmedian siri masa jerebu Keputusan penuh analisa dinamik siri masa 03 di Jerantut Keputusan penuh analisa dinamik siri masa 03 di Petaling Jaya Keputusan penuh analisa dinamik siri masa 03 di Shah Alam Keputusan penuh analisa dinamik SIn masa PMIO di Jerantut Keputusan penuh analisa dinamik SIn masa PMIO di Petaling Jaya Keputusan penuh analisa dinamik siri masa PMIO di Shah Alam Keputusan penuh analisa dinamik SIn masa jerebu di Jerantut Keputusan penuh analisa dinamik SIn masa jerebu di Petaling Jaya

12 XIV No. Jadual Halaman Keputusan penuh analisa dinamik siri masa jerebu Alam di Shah Nilai pk bagi keputusankeputusan peramalan 03 di Jerantut Nilai pk bagi Jerantut t: yang berbeza ke atas peramalan 03 di Petunjuk prestasi bagi m yang berbeza ke atas peramalan 03 di Jerantut Nilai pk bagi keputusankeputusan peramalan 03 di Petaling Jaya Petunjuk pre stasi bagi t yang berbeza ke atas peramalan 03 di Petaling J aya Nilai pk bagi m yang berbeza ke atas peramalan 03 di Petaling J aya Nilai pk bagi keputusankeputusan peramalan 03 di Shah Alam Nilai pk bagi Shah Alam Nilai pk bagi Shah Alam t: yang berbeza ke atas peramalan 03 di m yang berbeza ke atas peramalan 03 di Perbandingan petunjukpetunjuk prestasi antara model tradisional dan model terbaik pendekatan kalut bagi siri masa O, Nilai Jerantut pk bagi keputusankeputusan peramalan PMIO di Nilai pk bagi t: yang berbeza ke atas peramalan PMIO di Jerantut Nilai pk bagi m yang berbeza ke atas peramalan PMIO di Jerantut Nilai pk Petaling Jaya Nilai pk bagi bagi keputusankeputusan peramalan PMIO di r yang berbeza ke atas peramalan PMIO di Petaling J aya Petunjuk prestasi bagi m yang berbeza ke atas peramalan PMIO di Petaling Jaya Nilai pk bagi keputusankeputusan peramalan PMIO di ShahAlam Nilai pk bagi r yang berbeza ke atas peramalan PMIO di Shah Alam 7.19 Petunjuk prestasi bagi PMIO di Shah Alam m yang berbeza ke atas peramalan 183

13 . xv No. Jadual Halaman Perbandingan petunjukpetunjuk prestasi antara model tradisional dan model terbaik pendekatan kalut bagi siri masapmio Model peramalan terbaik bagi setiap siri masa mengikut lokasi Prestasi peramalan pelbagailangkah ke hadapan 03 Prestasi peramalan pelbagailangkah ke hadapan PMIO Nilai Jerantut siri masa siri masa pk bagi keputusankeputusan peramalan jerebu di Nilai pk bagi Jerantut t: yang berbeza ke atas peramalan jerebu di Nilai pk bagi m yang berbeza ke atas peramalan jerebu di Jerantut Nilai pk bagi keputusankeputusan peramalan jerebu di Petaling J aya Nilai prm dan rppkd bagi keputusankeputusan peramalanjerebu di Petaling Jaya Nilai.pk bagi t: yang berbeza ke atas peramalan jerebu di Petaling Jaya Nilai pk bagi m yang berbeza ke atas peramalan jerebu di Petaling J aya Nilai pk bagi keputusankeputusan peramalan PMIO ketikajerebu di Shah Alam Nilai pk bagi m yang berbeza ke atas peramalan PMIO ketikajerebu di Shah Alam Perbandingan model peramalan jerebu

14 XVI No. Rajah SENARAI RAJAH Halaman Contoh ruang fasa bagi a. siri masa pemetaan logistik dan b. siri masa kepekatan 03 di Jerantut Contoh perubahan dinamik siri masa pemetaan logistik Ilustrasi ciri peka terhadap syarat awal pemetaan logistik Contoh keputusan pmb bagi a. pemetaan logistik dan b. siri masa kepekatan 03 di Jerantut Ruang fasa bagi a. pemetaan logistik dengan t: = 11 dan b. siri masa kepekatan 03 di Jerantut dengan r = 8 Carta alir algoritma kaedah t: Carta alir algoritma kaedah m songsang songsang Contoh keputusan kaedah Cao ke atas siri masa kepekatan 03 di Jerantut Contoh plot ruang fasa siri masa pemetaan logistik bagi a. r=1 dan b. r=11 Contoh graf hubungan bilangan langkah peramalan dan prestasi model peramalan bagi a. pemetaan logistik siri masa kepekatan 03 di Jerantut Carta alir algoritma peramalan kpps Carta alir algoritma peramalan kpls Langkahlangkah pemodelan kalut Langkahlangkah pembinaan model peramalan Ilustrasi variasi parameter x{l) pemetaan logistik dan b. Perubahan dinamik siri masa terhadap variasi parameter r Siri masa pemetaan logistik Keputusan kaedah pmb pemetaan logistik Kaedah Cao dengan a. r=1 dan b. r=11 Plot ruang fasa siri masa pemetaan logistik bagi a. t: = 1, b. r=l1 Gambarajah taburan model peramalan satulangkah ke hadapan Gambarajah taburan model peramalan Iimalangkah ke hadapan Gambarajah taburan model peramalan 50langkah ke hadapan Plot p melawan pk bagi peramalan siri masa pemetaan logistik Peta negara Malaysia Lokasi kajian: a. Petaling Jaya Jerantut Siri masa bahan pencemar 03 di a. J aya dan c. Shah Alam dan Shah Alam dan b. Jerantut, b. Petaling

15 XVll No. Rajah Ha1aman Rajah 5.4 Rajah 5.5 Rajah 5.6 Rajah 5.7 Rajah 5.8 Rajah 5.9 Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 6.1 Rajah 6.2 Rajah 6.3 Rajah 6.4 Rajah 6.5 Rajah 6.6 Rajah 6.7 Rajah 6.8 Rajah 6.9 Rajah 6.10 Siri masa bahan pencemar PMIO di a. Jerantut, b. Peta1ing J aya dan c. Shah A1am Variasi harian siri masa 03 di kawasan a. Jerantut, b. Peta1ing J aya dan c. Shah A1am Variasi mengikut musim siri masa 03 Jerantut ketika a. Monsun Barat Daya dan b. Monsun Timur Laut Variasi mengikut musim siri masa 03 Peta1ing Jaya ketika a. Monsun Barat Daya dan b. Monsun Timur Laut Variasi mengikut musim siri masa 03 Shah A1am ketika a. Monsun Barat Daya dan b. Monsun Timur Laut Variasi harian siri masa PMIO di kawasan a. Jerantut, b. Peta1ing J aya dan c. Shah A1am Variasi mengikut musim siri masa PMIO di kawasan Jerantut ketika a. Monsun Barat Daya Timur Laut dan b. Monsun Variasi mengikut musim siri masa PMIO di kawasan Petaling Jaya ketika a. Monsun Barat Daya Timur Laut dan b. Monsun Variasi mengikut musim siri masa PMIO di kawasan Shah A1am ketika a. Monsun Barat Daya dan b. Monsun Timur Laut Pmb bagi siri masa 03 di a. Jerantut, b. Peta1ing Jaya Shah A1am dan c. Pmb bagi siri masa PMIO di a. Jerantut, b. Peta1ing Jaya dan c. Shah A1am Pmb bagi siri masa jerebu di a. Jerantut, b. Peta1ing Jaya dan c. Shah A1am Kaedah Cao siri masa 03 di Jerantut bagi a. T=1 dan b. Tpmb = 8 Kaedah Cao siri masa 03 di Peta1ing Jaya bagi a. b. Tpmb = 10 T=1 dan Kaedah Cao siri masa 03 di Shah A1am bagi a. T = 1 dan b. Tpmb = 10 Kaedah Cao siri masa PMIO di Jerantut bagi Tpmb = 5 a. T=1 dan b. Kaedah Cao siri masa PMIO di Petaling Jaya bagi a. T=1 dan b. Tpmb = 7 Kaedah Cao siri masa PMIO di Shah A1am bagi a. T = 1 b. Tpmb =6 dan Kaedah Cao siri masa jerebu di Jerantut bagi a. t > 1 dan b. 'pmb =

16 XVlll No. Rajah Halaman Kaedah Cao siri masa jerebu di Petaling Jaya bagi a. t = 1 dan b. rpmb = 5 Kaedah Cao siri masa j erebu di Shah Alam bagi r = 1 Plot ruang fasa siri masa 03 di Jerantut bagi a. t = 1, b. 'songsang = 7, c. 'pmb = 8 dan d. 'songsang = 9 Plot ruang fasa siri masa 03 di Petaling J aya bagi a. r= 1 b. 'songsang = 9 dan c. 'songsang= 'pmb = 10 Plot ruang fasa siri masa 03 di Shah Alam bagi a. t = 'songsang = 1, b. 'songsang = 9 dan c. 'pmb = 10 Plot ruang fasa siri masa PMlO di Jerantut bagi a. r = 1 b. r=5 dan Plot ruang fasa siri masa PMlO di Petaling Jaya bagi a. t: = 1 b. t = 7 dan c. r = 6 Plot ruang fasa siri masa PMlO di Shah Alam bagi a. t: = 1, b. r = 6 dan c. r = 7 Plot ruang fasa siri masa jerebu di Jerantut bagi a. t = 1, b. t = 4 dan c. r = 9 Plot ruang fasa siri masa jerebu di Petaling Jaya bagi a. t: = 1,b. r = 5 dan c. t: = 6 Plot ruang fasa siri masa jerebu di Shah Alam bagi t = I Keputusan peramalan 03 di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (1,5) Keputusan peramalan 03 di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (1,6) Keputusan peramalan 03 di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (8,6) Keputusan peramalan 03 di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (8,2) Keputusan peramalan 03 di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (7,5) Keputusan peramalan 03 di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (9,6) Keputusan peramalan 03 di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (1,9) Keputusan peramalan 03 di Petaling Jaya melalui model a. kpps dan b. kpls menggunakan parameter (1,4) Keputusan peramalan 03 di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (10,7) Keputusan peramalan 03 di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (10,5) Keputusan peramalan 03 di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (9,9)

17 (IX No. Rajah Hal aman 7.12 Keputusan peramalan 03 di Petaling J aya melalui model a. 150 kpps, h. kpls dan c. kppls menggunakan parameter (10,4) 7.13 Keputusan peramalan 03 di Shah Alam melalui model a. 154 kpps, h. kpls dan c. kppls menggunakan parameter (1,6) 7.14 Keputusan peramalan 03 di Shah Alam melalui model a. 155 kpps dan h. kpls menggunakan parameter (1,2) 7.15 Keputusan peramalan 03 di Shah Alam melalui model a. 156 kpps, h. kpls dan c. kppls menggunakan parameter (10,5) 7.16 Keputusan peramalan 03 di Shah Alam melalui model a. 157 kpps, h. kpls dan c. kppls menggunakan parameter (10,3) 7.17 Keputusan peramalan 03 di Shah Alam melalui model a. 158 kpps, h. kpls dan c. kppls menggunakan parameter (9,6) 7.18 Keputusan peramalan PMlO di Jerantut melalui model a. 163 kpps, h. kpls dan c. kppls menggunakan parameter (1,5) 7.19 Keputusan peramalan PMlO di Jerantut melalui model a. 164 kpps, h. kpls dan c. kppls menggunakan parameter (1,8) 7.20 Keputusan peramalan PMlO di Jerantut melalui model a. 165 kpps, h. kpls dan c. kppls menggunakan parameter (5,5) 7.21 Keputusan peramalan PMlO di Jerantut melalui model a. 166 kpps, h. kpls dan c. kppls menggunakan parameter (5,6) 7.22 Keputusan peramalan PMlO di Petaling Jaya melalui model 170 a. kpps, h. kpls dan c. kppls menggunakan parameter (1,5) 7.23 Keputusan peramalan PMlO di Petaling Jaya melalui model 171 a. kpps, h. kpls dan c. kppls menggunakan parameter (1,1) 7.24 Keputusan peramalan PMlO di Petaling Jaya melalui model 172 a. kpps, h. kpls dan c. kppls menggunakan parameter (7,6) 7.25 Keputusan peramalan PMlO di Petaling Jaya melalui model 173 a. kpps, h. kpls dan c. kppls menggunakan parameter (7,1) 7.26 Keputusan peramalan PMlO di Petaling Jaya melalui model 174 a. kpps, h. kpls dan c. kppls menggunakan parameter (6,5) 7.27 Keputusan peramalan PMlO di Shah Alam melalui model a. 178 kpps, h. kpls dan c. kppls menggunakan parameter (1,5) 7.28 Keputusan peramalan PMlO di Shah Alam melalui model a. 179 kpps, h. kpls dan c. kppls menggunakan parameter (1,2) 7.29 Keputusan peramalan PMlO di Shah Alam melalui model a. 180 kpps, h. kpls dan c. kppls menggunakan parameter (6,6) 7.30 Keputusan peramalan PMlO di Shah Alam melalui model a. 181 kpps, h. kpls dan c. kppls menggunakan parameter (6,7) 7.31 Keputusan peramalan PMlO di Shah Alam melalui model a. 182 kpps, h. kpls dan c. kppls menggunakan parameter (7,5)

18 xx No. Rajah Halaman Rajah taburan model peramalan 03 di Jerantut bagi a. p = 1, b. p = 24 dan c. p = 168 Rajah taburan model peramalan 03 di Petaling Jaya bagi a. p=l,b. p=24 danc. p=168 Rajah taburan model peramalan 03 di Shah Alam bagi a. p=l,b. p=24 danc. p=168 Rajah taburan model peramalan PMIO di Jerantut bagi a. p=l,b. p=24 danc. p=168 Rajah taburan model peramalan PMIO di Petaling Jaya bagi a. p = 1, b. p = 24 dan c. p = 168 Rajah taburan model peramalan PMIO di Shah Alam bagi a. p = 1, b. p = 24 dan c. p = 168 Plot p melawan pk bagi peramalan 03 di a. Jerantut, b. Petaling Jaya Plot p melawan pk dan c. Shah Alam bagi peramalan PMIO di a. Jerantut, b. Petaling Jaya dan c. Shah Alam Keputusan peramalan jerebu di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (1,4) Keputusan peramalan jerebu di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (1,3 ) di Jerantut melalui model a. Keputusan peramalan jerebu kpps, b. kpls dan c. kppls menggunakan parameter (4,5) Keputusan peramalan jerebu di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (4,1) Keputusan peramalan jerebu di Jerantut melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (9,4) Keputusan peramalan jerebu di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (1,5) Keputusan peramalan jerebu di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (1,2) Keputusan peramalan jerebu di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (5,5) Keputusan peramalan jerebu di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (5,2) Keputusan peramalan jerebu di Petaling Jaya melalui model a. kpps, b. kpls dan c. kppls menggunakan parameter (6,5)

19 XXI No. Rajah Hal aman di Shah Alam melalui model Keputusan peramalan jerebu a. kpps, b. kpls dan c. kppls menggunakan parameter (1,5) Keputusan peramalan jerebu a. kpps, b. kpls dan c. kppls menggunakan parameter (1,4) di Shah Alam melalui model

20 XXll SENARAI SINGKATAN d EI(d) E2(d) J(T) JASM JMM JPM JPNM k kpls kplsp kpps m meao msongsang pk prm rppkd pmb T TSTOOL 7 7pmb 7songsang matra pembenaman parameter kaedah Cao parameter kaedah Cao parameter kaedah pmb Jabatan Alam Sekitar Malaysia Jabatan Meteorologi Malaysia Jabatan Perangkaan Malaysia Jabatan Penerangan Malaysia bilangan jiran terdekat kaedah penghampiran linear setempat kaedah penghampiran linear setempatpenambahbaikan kaedah penghampiran purata setempat matra pembenaman optimum m dari kaedah Cao m dari kaedah songsang pekali kolerasi purata ralat mutlak ralat punca purata kuasa dua purata maklumat bersama parameter kaedah pmb Time Series Tool (nama perisian) masa tunda 7 dari kaedah pmb 7 dari kaedah songsang

21 XX111 8ENARAI TATANAMA CH4 Metana CO Karbon Monoksida NO Nitrogen Monoksida N02 Nitrogen Dioksida NOx Nitrogen Oksida O2 Oksigen 03 Ozon PMIO Zarah Terampai 802 Sulfur Dioksida VOC Volatile Organic Compound

22 BABI PENDAHULUAN 1.1 PENGENALAN Sejak berabad dahulu, ahli sains mendapati banyak fenomena alam semula jadi yang bukan sahaja tidak teratur, malah, sukar diramal. Namun, dari generasi ke generasi, daripada hasil pemerhatian yang teliti serta eksperimeneksperimen yang dijalankan, ahli sains mula memperoleh idea tentang peramalan ke atas beberapa fenomena alam yang kompleks seperti paras air laut, cuaca dan aliran sungai. Berdasarkan apa yang diteliti, ahli sains mula menyedari yang kebanyakan fenomena alam mematuhi peraturan tertentu dan mempunyai struktur yang teratur. Penulisan tesis ini bertujuan untuk mengupas tentang peraturan dan struktur yang dipatuhi oleh fenomenafenomena kompleks ini. Pengesanan ciriciri yang tetap dan teratur dalam sesebuah fenomena yang kelihatan rawak dan tidak teratur adalah dijalankan. Fenomena yang rawak tetapi teratur ini seterusnya akan diramal. Dalam kajian ini, fenomena yang menjadi fokus adalah fenomena pencemaran alam, dan lebih spesifik lagi, fenomena pencemaran udara. 1.2 KEKALUTAN Bagi meramal sesuatu fenomena, manusia perlu memahami fenomena tersebut dan fenomenafenomena lain di sekelilingnya. Matematik sebagai bahasa sains, mampu memainkan peranan penting dalam penelitian setiap fenomena, termasuk fenomena kompleks. Objek matematik yang digunakan untuk memahami fenomena ini dikenali sebagai sistem dinamik (Noorani 2012). Sistem adalah ringkasan tentang set peraturan yang dipatuhi sesebuah fenomena manakala dinamik merujuk kepada keadaan

23 2 fenomena yang berevolusi dari masa ke semasa (Velickov 2004). Secara amnya, sistem dinamik sesebuah fenomena boleh dikelaskan kepada dua jenis, iaitu rawak dan berketentuan. Dinamik fenomena berketentuan yang bergerak dari titik awal dan melalui trajektorinya adalah dapat dilihat. Maka, fenomena yang berketentuan boleh diramal dengan tepat. Fenomena yang tidak berketentuan adalah rawak dan tidak boleh diramal. Dinamik kalut berada di antara berketentuan dan rawak (Abarbanel 1996). Sesebuah fenomena dengan kehadiran dinamik kalut adalah kelihatan rawak. Namun, fenomena ini mempunyai set peraturan yang membolehkan peramalan dijalankan. Ringkasnya, fenomena dengan dinamik kalut adalah kerawakan yang teratur. Istilah 'chaos' (kekalutan) telah digunakan untuk kali pertama oleh Li & Yorke (1975). Takrif saintifik bagi kekalutan ialah dinamik rawak yang berlaku di dalam suatu sistem berketentuan. Menurut Cheng (1999), konsep kekalutan bermula dengan kajian Henri Poincare mengenai kestabilan sistem suria pada Daripada kajian itu, Poincare mendapati pergerakan tiga atau lebih jasad akhir abad kel9. di bawah pengaruh daya graviti merupakan satu masalah yang amat kompleks. Persamaan gerakan sistem itu tidak mempunyai penyelesaian yang mudah dan satu ralat kecil dalam keadaan awal akan menghasilkan satu ralat yang sangat besar pada keadaan akhir. Pada 1960an, penciptaan komputer yang mempunyai kapasiti pemprosesan laju membolehkan ahli sains meneroka lagi dapatan gerakan sistem oleh Poincare. Eksperimen dengan bantuan komputer menghasilkan penemuan penting oleh Lorenz (1963) ke atas dinamik kalut dalam pol a cuaca. Hasil yang diperoleh untuk persamaan modelnya tidak mencapai keadaan keseimbangan atau keadaan berkala. Sebaliknya hasil itu terus berayun secara tidak teratur, juga tidak berkala. Selain itu, sekiranya simulasi tersebut dimulakan dengan dua syarat awal yang sedikit berbeza, akhimya kelakuan atau sifatsifat yang akan dihasilkan itu akan berbeza sarna sekali. Implikasi daripada kajian itu ialah fenomena cuaca tidak dapat diramalkan, kerana ralat yang kecil dalam pengukuran keadaan atmosfera semasa akan membesar dengan cepat sehingga menghasilkan ramalan yang salah pada akhimya. Disebabkan syarat awal

24 3 alam tidak dapat diketahui dengan tepat, maka ramalan mestilah meleset untuk sebarang sistem tak linear dengan dinamik kalut untuk jangka masa panjang. Dengan itu, kekalutan dan pendekatan kalut menjadi penemuan penting dalam ilmu sains. Pendekatan kalut berkemampuan menganalisa dan boleh meramal fenomena kompleks dalam jangka pendek. Selepas penemuan oleh Lorenz, pendekatan kalut telah dibangunkan dengan baik. Aplikasi pendekatan kalut adalah meluas ke atas fenomena kompleks pelbagai bidang seperti hidrologi, alam sekitar dan ekonomi. Pendekatan kalut telah membawa kejayaan dalam pemodelan pelbagai siri masa seperti aliran sungai, gelombang ribut dan indeks saham. Dengan kejayaankejayaan tersebut, aplikasi pendekatan kalut makin meluas dan sehingga kini, penerokaan ke atas pendekatan kalut ini semakin rancak. Pencemaran udara adalah berbentuk gas, cecair dan zarah yang terampai di udara yang memberikan kesan negatifkepada manusia dan alam sekitar. Kajiankajian literatur mendapati bahawa menyedut udara yang tercemar akan mendatangkan pelbagai penyakit kardiovaskular dan penyakitpenyakit yang berkaitan pemafasan. Maka, pemodelan siri masa bahan pencemar udara adalah penting. Eksplorasi pendekatan kalut ke atas pemodelan siri masa bahan pencemar udara dilihat masih belum meluas. Di Malaysia, kajian sebegini adalah belum pemah dijalankan. Melihat kepada kejayaan pemodelan kalut siri masa bahan pencemar udara di negaranegara luar (antaranya seperti Chen et al. (1998), Kocak et al. (2000) dan Chelani & Devotta (2006)), ini menjadi motivasi untuk menguji sejauh mana keberkesanan pendekatan kalut terhadap pemodelan siri masa bahan pencemar udara di Malaysia. Kajian ini akan membantu usaha pihakpihak berkepentingan seperti Jabatan Alam Sekitar Malaysia (JASM) dalam menguruskan pencemaran udara serta memudahkan kerajaan Malaysia dalam membuat jangkaan awal tentang tren turun naik siri masa bahan pencemar udara melalui model peramalan yang bakal dibina. Setiap tahun, Malaysia mengalami episod jerebu yang teruk. Persediaan bagi menghadapi episod jerebu adalah penting kerana jerebu memberikan impak besar terhadap kesihatan rakyat, mendatangkan kerugian dari aspek ekonomi nan menghadkan aktiviti seharian terutamanya dalam sektor pendidikan. Maka, kajian khas bagi menyiasat fenomena