pengembangan model prediksi iklim...
TRANSCRIPT
PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN
MELALUI INTEGRASI MAKRO NCL DALAM SISTEM
INFORMASI IKLIM BERBASIS WEB
TAUFIK HIDAYAT
DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model
Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi
Iklim Berbasis Web adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Desember 2015
Taufik Hidayat
NIM G24110030
ABSTRAK
TAUFIK HIDAYAT. Pengembangan Model Prediksi Iklim Musiman Melalui
Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web. Dibimbing
oleh AKHMAD FAQIH.
Pada penelitian ini, dikembangkan perangkat lunak prediksi iklim
musiman berbasis web. Perhitungan model prediksi dilakukan dengan
menggunakan metode Principal Component Regression (PCR) yang kode
programnya disusun menggunakan perangkat lunak NCAR Command Language
(NCL). Sebagai input prediksi, digunakan data curah hujan luaran dari tiga model
iklim global (Global Climate Model, GCM) yang terdapat di dalam North
American Multi Model Ensemble (NMME). Ketiga model tersebut yaitu model
GCM CMC1-CanCM3, CMC2-CanCM4 dan NCEP-CFSv2. Penelitian ini
menggunakan data curah hujan observasi CHIRPS versi 2.0 sebagai prediktan
untuk penyusunan model prediksi. Hasil pengujian metode PCR dengan NCL
menunjukkan prediksi yang baik pada curah hujan bulanan di musim kemarau,
yaitu untuk bulan July dan Oktober. Pola spasial curah hujan hasil prediksi pada
kedua bulan tersebut mendekati pola observasi. Sebaliknya, pola curah hujan
bulanan pada musim hujan untuk ketiga model menunjukkan hasil yang berbeda
pada sebagian wilayah di Indonesia. Pada hasil skill model menggunakan korelasi
Pearson juga menunjukkan nilai korelasi yang baik pada prediksi bulan kering
terutama di wilayah Kalimantan dan Sumatra di semua model. Nilai korelasi
Pearson tersebut memiliki nilai yang tinggi pada lead month 1 dan cenderung
menurun pada lead month 2 dan 3. Nilai korelasi Pearson tertinggi terdapat pada
model CMC1-CanCM3 sebesar 0.215. Selain korelasi, juga dilihat nilai anomali
curah hujan yang menunjukkan nilai yang rendah pada bulan Juli sehingga
mendekati nilai observasi. Sedangkan hasil prediksi bulan Januari nilai
anomalinya cenderung lebih tinggi dari observasi.
Kata kunci: NCL, Sistem infomasi iklim, PCR, Model iklim NMME
ABSTRACT
TAUFIK HIDAYAT. Seasonal Climate Prediction Model Development with
NCL Macro Integration in Climate Information System Web-Based. Supervised
by AKHMAD FAQIH.
This study developed a web-based seasonal climate prediction tool. The
prediction models were calculated using Principal Component Regression (PCR),
where the source codes were developed using NCAR Command Language (NCL).
Rainfall data from the outputs of three Global Climate Models (GCMs) used in
the North American Multi-Model Ensemble (NMME) database are used as
predictors. Those three models are CMC1-CanCM3, CMC2-CanCM4 and NCEP-
CFSv2. This study used gridded rainfall data from CHIRPS version 2.0 dataset as
predictand for the prediction models. The result of PCR methods developed in
NCL showed a relatively well prediction results for the monthly rainfall during
the dry season, i.e. in July and October. The spatial patterns of monthly rainfall
for both periods were relatively similar compared to the observed data. In contrast,
the patterns of monthly rainfall from the three models showed different results in
some areas in Indonesia. The Pearson’s correlation results indicated a relatively
good skills during the dry season, especially in Kalimantan and Sumatra. Higher
correlation values are mostly found on 1 month lead time and tend to decrease on
2 and 3 month lead time. Among the three models, CMC1-CanCM3 has the
highest correlation values with r= 0.215. This study also compared the anomaly
results between the predicted and observed data, where the predicted rainfall
anomalies in July were nearly similar with the observed, while the predicted
anomalies in January are found to be higher than the observed.
Keywords: NCL, Climate Information System, PCR, Climate Model NMME
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains
pada
Departemen Geofisika dan Meteorologi
PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN
MELALUI INTEGRASI MAKRO NCL DALAM SISTEM
INFORMASI IKLIM BERBASIS WEB
TAUFIK HIDAYAT
DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Judul Skripsi : Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi
Makro NCL dalam Sistem Informasi Iklim Berbasis Web
Nama : Taufik Hidayat
NIM : G24110030
Disetujui oleh
Dr Ir Tania June, M.Sc
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian ialah prediksi iklim curah hujan, dengan judul
Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL
dalam Sistem Informasi Iklim Berbasis Web.
Terima kasih penulis ucapkan kepada Bapak Dr Akhmad Faqih selaku
pembimbing skripsi yang telah memberikan banyak ide, kritik, serta saran demi
kelancaran karya ilmiah ini. Terima kasih juga penulis ucapkan kepada seluruh
dosen Laboratorium Klimatologi yang telah banyak memberi saran dan seluruh
staf serta pengajar di Departemen Geofisika dan Meteorologi atas bimbingan serta
ilmu yang diberikan selama menjalani perkuliahan.
Ungkapan terima kasih juga disampaikan kepada keluarga besar tercinta
yang selalu mendukung member semangat dan doa. Terima kasih juga penulis
ucapkan kepada seluruh kerabat dekat di Institut Pertanian Bogor serta seluruh
anggota Laboratorium Klimatologi khususnya teman satu bimbingan Alvin
Gustomy, dan Radini atas dukungan dan kerjasamanya selama ini. Terima kasih
juga penulis ucapkan untuk rekan Jejaka Community yang senantiasa memberikan
semangat dan bantuan hingga selesainya karya ilmiah ini. Semoga karya ilmiah
ini bermanfaat dan dapat dikembangkan.
Jakarta, Desember 2015
Taufik Hidayat
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 1
METODE 2
Alat dan Bahan 2
Prosedur Analisis Data 2
Pengumpulan Data 2
Otomasi dan Sistem Informasi Iklim 4
Model Prediksi Iklim dan Cross validation Model 4
HASIL DAN PEMBAHASAN 6
Sistem Informasi Iklim 6
Validasi Data CHIRPS 7
Model Prediksi Curah Hujan 9
Nilai PC Score 9
Hasil PCR 10
Peta Skill Forecast 11
Peta Forecast Curah Hujan 13
Peta Anomali Curah Hujan Prediksi 18
SIMPULAN DAN SARAN 19
Simpulan 19
Saran 19
DAFTAR PUSTAKA 19
LAMPIRAN 21
RIWAYAT HIDUP 33
DAFTAR TABEL
1 Deskripsi data yang digunakan dalam pembuatan model Prediksi 2
2 Deskripsi Stasiun BMKG untuk Validasi data CHIRPS 3
3 Nilai Korelasi setelah koreksi pada delapan sampel stasiun 8
4 Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan
Model NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS 10
DAFTAR GAMBAR
1 Plot sebaran stasiun BMKG untuk validasi CGIRPS 4
2 Desain Eksperimen Cross Validation model GCM 5
3 Halaman utama web hasil otomasi prediksi curah hujan 6
4 Hasil software otomasi PCR di web 7
5 Plot lokasi stasiun BMKG dan nilai korelasi 8
6 Perbandingan rataan curah hujan bulanan observasi dengan data CHIRPS
sebelum dan sesudah koreksi. 9
7 Nilai principal component (PC) pada tiga model dalam bentuk grafik
scree plot hasil makro NCL 10
8 Peta Skill forecast bulan Januari keluaran system pada tiga model 11
9 Peta Skill forecast Juli keluaran sistem pada tiga model. 12
10 Peta Forecast curah hujan Indonesia Issued month bulan Januari
keluaran sistem dan observation map (data curah hujan: CHRIPS) 14
11 Peta Forecast curah hujan Indonesia Issued month bulan April keluaran
sistem dan observation map (data curah hujan: CHRIPS) 15
12 Peta Forecast curah hujan Indonesia Issued month: Juli keluaran sistem
dan observation map (data curah hujan: CHRIPS) 16
13 Peta Forecast curah hujan Indonesia Issued month bulan Oktober
keluaran sistem dan observation map (data curah hujan: CHRIPS) 17
14 Peta sebaran nilai anomali curah hujan prediksi dengan nilai observasi 18
DAFTAR LAMPIRAN
1. Diagram Alir Pembuatan CH Forecast 21
2. Coding NCL 21
3. Coding sh dan setting otomasi crontab 26
4. Nilai Koefisien Determinasi Model 27
5. Nilai Korelasi Data CHIRPS dengan data BMKG 32
PENDAHULUAN
Latar Belakang
Sistem informasi iklim (SII) berguna untuk mengetahui kejadian iklim yang
sedang terjadi saat ini, yang telah lalu, serta memprediksi iklim yang akan datang
sehingga dapat meminimalisir kerugian dan meningkatkan keuntungan. SII juga
sangat berguna untuk meningkatkan pengetahuan masyarakat umum terutama
profesi/kerja manusia yang menggunakan iklim sebagai salah satu faktor penentu
kegiatannya (Boer 2009). SII yang semakin berkembang didasari dari sifat iklim
yang bervariasi dari waktu ke waktu baik itu secara musiman atau tahunan sehingga
membuat manajemen data dan informasi iklim diperlukan agar pengelolaanya
menjadi terstruktur dan mudah dalam menganalisisnya. Oleh karena itu, penyedia
layanan informasi prediksi iklim musiman semakin diperlukan guna memperoleh
informasi iklim yang mudah dan efisien.
SII yang berkembang saat ini salah satunya adalah melalui sistem web yang
dapat diakses melalui jaringan internet. Kelebihan dari sistem web ini adalah akses
sistem dapat dilakukan secara real time melalui penjelajah situs web browser.
Namun saat ini, situs penyedia layanan prediksi iklim umumnya masih berbasis
oriented user dimana pengguna melakukan serangkaian kerja seperti input data,
seleksi dan lainnya untuk memperoleh hasil prediksi iklim yang diinginkan. Adapun
perkembangan sistem prediksi di Indonesia telah dilakukan oleh beberapa lembaga
seperti Badan Meteorologi Klimatologi dan Geofisika (BMKG) dan Lembaga
Penerbangan dan Antariksa Nasional (LAPAN) yang menyediakan beberapa
informasi iklim. Namun pemanfaatan data luaran Global Circulation Model (GCM)
pada pembuatan prediksi masih terbilang minim padahal data tersebut dapat
diperoleh secara bebas di internet dan memiliki banyak program aplikasi yang
mendukung dalam teknik pengelolaanya.
Sistem prediksi iklim yang dibuat pada penelitian ini menggunakan data luaran
GCM yang merupakan suatu model dengan orientasi spasial dan temporal. Data
GCM ini digunakan sebagai alat prediksi utama iklim secara numerik sebagai sumber
informasi primer untuk menilai beberapa parameter iklim. Namun, informasi GCM
masih berskala global sehingga perlu dilakukan teknik downscaling guna
memperoleh informasi prediksi iklim lokal yang cenderung dipengaruhi oleh
topografi dan tataguna lahan. Adapan metode yang digunakan adalah metode PCR
untuk membuat prediksi iklim wilayah Indonesia dengan bantuan perangkat lunak
NCL. Sistem prediksi iklim dibuat dengan sebuah otomasi didalamnya dimana
sistem diatur untuk menjalankan program secara otomatis tiap bulan untuk
menghasilkan keluaran prediksi. Sistem juga akan secara otomatis mengunduh data
luaran GCM dan melakukan kalkulasi secara statistik dan matematik untuk
menghasilkan forecast. Dengan demikian pengguna (end user) dapat memperoleh
informasi iklim secara efisien dan efektif.
Tujuan Penelitian
Penelitian ini bertujuan untuk :
1. Membuat otomasi sistem prediksi iklim musiman berbasis model PCR dan
Cross Validation dengan script makro NCAR Command Language (NCL).
2. Melakukan analisis data prediksi iklim pada ketiga model hasil keluaran sistem
yang diolah menggunakan NCL.
METODE
Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah sebuah perangkat personal
computer (PC) dengan software linux versi 14.1.6, software NCL versi 6.1.2, Xampp
Apache versi 1.8.3, PHP 5, Aplikasi Schedule Crontab dan bahasa pemrograman
PERL yang dijalankan menggunakan Linux Ubuntu versi 14.04.
Bahan yang digunakan dalam penelitian adalah:
1. Data historis prediksi (Hindcast) dan prediksi akan datang (Forecast) dari luaran
model GCM CMC1-CanCM3, CMC2-CanCM3 dan NCEP-CFSv2 dari database
the North American Multimodel Ensemble (NMME; Kirtman et al. 2014).
2. Data curah hujan bulanan Climate Hazards Group Infrared Precipitation with
Station data (CHIRPS) versi 2.0 (Funk et al. 2015) untuk wilayah Indonesia.
3. Data Curah Hujan Observasi BMKG sebanyak 24 stasiun (Data Online BMKG)
Prosedur Analisis Data
Pengumpulan Data
Penelitian ini menggunakan data luaran model GCM dari Hindcast\ dan
Forecast dari basis data NMME (Kirtman et al. 2014). Ada tiga model luaran yang
digunakan sebagai pilihan data prediktor, CMC1-CanCM3, CMC2-CanCM4 dan
NCEP-CFSv2. Data ketiga model tersebut di akses melalui website IRI/LDEO
Climate Data Library (alamat website: http://iridl.ldeo.columbia.edu/
SOURCES/.Models/.NMME/). Data Hindcast digunakan untuk membangun dan
mengembangkan model prediksi, sedangkan data Forecast digunakan untuk
membuat prediksi. Data curah hujan yang digunakan dalam penelitian ini adalah data
CHIRPS versi 2.0 bulanan wilayah Indonesia.
Table 1 Deskripsi data yang digunakan dalam pembuatan model Prediksi
Model NMME Obervasi
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2 CHIRPS v2.0
Resolusi 1o x 1
o 1
o x 1
o 1
o x 1
o 0.05
o x 0.05
o
Periode
Hindcast :
1981-2010
Forecast:
Jan,Apr 2015
Jul,Okt 2014
Hindcast :
1981-2010
Forecast:
Jan,Apr 2015
Jul,Okt 2014
Hindcast :
1981-2010
Forecast:
Jan,Apr 2015
Jul,Okt 2014
1981-2010
Validasi Data CHIRPS
Data CHIRPS berasal dari data citra satelit dengan resolusi 0.05o x 0.05
o
dikombinasi dengan data curah hujan stasiun insitu untuk membentuk data curah
hujan grid yang biasa menggunakan analisis tren dan pemantauan musim kering
(Funk et al. 2014). Pada penelitian ini data CHIRPS yang digunakan adalah data
curah hujan bulanan CHIRPS versi 2.0. Data CHIRPS tersebut dibentuk dari data
curah hujan bulanan Climate Hazards Group's Precipitation Climatology (CHPclim),
observasi satelit Quasi-global Geostationary Thermal Infrared (Janowiak et al.
3
2001), data Tropical Rainfall Measuring Mission (TRMM) (Huffman et al. 2007),
model curah hujan Climate Forecast Systems (CFS) NOAA (Saha et al. 2010), dan
data observasi insitu di seluruh dunia yang didapat dari lembaga klimatologi masing-
masing negara. Data grid CHIRPS didapat berdasarkan 5 stasiun observasi terdekat,
semakin dekat dengan stasiun maka pembobotannya semakin besar pula (Funk et al.
2014). Dengan demikian, semakin sedikit stasiun cuaca disuatu tempat maka nilai
grid curah hujan yang dihasilkan akan kurang bagus.
Data CHIRPS digunakan sebagai data prediktan dalam pembuatan prediksi
iklim. Namun sebelum digunakan data CHIRPS terlebih dahulu divalidasi dengan
data-data stasiun observasi di Indonesia yang dikeluarkan oleh BMKG guna
memperoleh nilai yang lebih akurat. Sebelum divalidasi, data observasi stasiun
BMKG dilakukan pengecekan dan uji homogenitas terlebih dahulu. Uji homogenitas
ini dilakukan untuk melihat pola data yang dihasilkan homogen atau tidak. Setelah
itu, nilai faktor koreksi (FK) diperoleh dengan membuat persamaan regresi tanpa
intercept menggunakan minitab. Nilai FK ini digunakan untuk validasi data CHIRPS
yakni dengan mengalikannya dengan data CHIRPS sebelum data digunakan pada
sistem. Berikut stasiun BMKG yang digunakan untuk validasi.
Table 2 Deskripsi Stasiun BMKG untuk Validasi data CHIRPS
No Nama Stasiun Bujur Lintang Periode No Nama Stasiun Bujur Lintang Periode
1 AhmadYani Semarang
110.374 -6.971 1981-2010
13 Paloh KalBar 109.325 1.808 1983-2010
2 Babullah Ternate 136.106 -1.189 1984-2010
14 Pangsuma Putussibau
112.935 0.835 1995-2010
3 blang-bintang Acehh
95.425 5.525 1982-2010
15 Raden-Inten Lampung
105.175 -5.242 1981-2010
4 Darmaga Bogor 106.749 -6.553 1984-2010
16 Sampali-Medan 98.725 3.625 1985-2010
5 ElTariKupang 123.672 -10.171
1981-2010
17 Soetha_Cengkareng 106.654 -6.126 1985-2010
6 FransKaiseipo_Biak 127.379 0.833 1981-2010
18 Sultan_Hasanudddin 119.568 -5.069 1981-2010
7 HajiAsan_Sampit 112.976 -2.501 1997-2010
19 Sultan Mahmud Badaruddin
104.700 -2.897 1981-2010
8 Juanda_Surabaya 112.793 -7.377 1981-2010
20 Sultan-Thaha Jambii 103.641 -1.636 1985-2010
9 KaranPloso_Malang 112.597 -7.901 1988-2010
21 Sumbawa NTB 117.412 -8.488 1981-2010
10 Kasiguncu_Posoo 120.643 -1.418 1983-2010
22 Supadio Pontianakk 109.4050 -0.147 1981-2010
11 Mutiara Palu 119.906 -0.918 1981-2010
23 Tarakan Kalimantann
117.5750 3.325 1981-2010
12 NgurahRai_Bali 115.168 -8.748 1981-2010
24 Tjilik_Riwut 113.9430 -2.226 1981-2010
Gambar 1 Plot sebaran stasiun BMKG untuk validasi CGIRPS
Otomasi dan Sistem Informasi Iklim
Sistem informasi iklim yang dibuat berbentuk website, yang menyediakan
informasi hasil prediksi iklim yakni curah hujan. Website digunakan sebagai alat
untuk menampilkan keluaran forecast yang di-running secara otomatis setiap
bulannya. Waktu running program diatur secara otomatis setiap tanggal 15 atau
pertengahan bulan yang menyesuaikan dengan waktu rilisnya data forecast model.
Set otomasi ini menggunakan Aplikasi Crontab pada sistem operasi linux sesuai
dengan alur sistem (Lampiran 1). Keluaran nantinya merupakan hasil forecast curah
hujan spasial wilayah Indonesia dengan lead time tiga bulan kedepan. Forecast
dibuat dengan menggunakan file makro (Lampiran 2) yang berisi sekumpulan koding
untuk membuat prediksi yang di-running menggunakan NCAR Command Language
(NCL). Pembuatan makro NCL ini didasari kombinasi dua metode statistika yaitu
Principal Component Analysis (PCA) dan Regresi Multilinier sehingga
menghasilkan Principal Component Regression (PCR). Perhitungan PCR dilakukan
tiap grid pada data menggunakan fungsi-fungsi pada bahasa pemograman NCL yang
merujuk pada situs pengembang NCL http://www.ncl.ucar.edu/.
Website dibuat dalam bahasa html disertai bahasa php dan java script untuk
membuat web menjadi dinamis dan terintegrasi dengan database. Database
digunakan untuk menyimpan keluaran hasil forecast tiap bulan dan ditampilkan pada
web menggunkan query pada script php.
Model Prediksi Iklim dan Cross validation Model
Model prediksi iklim dibuat menggunakan software NCL yang terintegrasi
dengan sistem web. Dalam penelitian ini metode yang digunakan adalah model
statistik PCR berdasarkan analisis komponen utama PCA. PCA adalah suatu
prosedur untuk mereduksi dimensi data dengan cara mentransformasi variabel-
variabel asal yang berkorelasi menjadi sekumpulan variabel baru yang tidak
berkorelasi. Variabel-variabel baru itu dikatakan sebagai PC (Johnson dan Wichern
2002). PC dapat diperoleh dari pasangan nilai eigen vektor, eigen matriks kovarian
atau matriks korelasi.
Hasil perhitungan PCA, yaitu skor komponen utama atau PC diregresikan
langsung dengan data observasi dimana model persamaan yang diperoleh dapat
digunakan untuk proses validasi selanjutnya. Jika hasil validasi menghasilkan nilai
korelasi yang baik, maka model persamaan hasil PCR ini mempunyai kemungkinan
untuk digunakan sebagai model pembuat prediksi. Persamaan model regresi
komponen utama adalah sebagai berikut :
5
y = f (pc)
y = b0 +b1pc1 + b2pc2 + …+ bk pck
Keterangan :
y = data observasi curah hujan
pc = score komponen utama
Nilai skill model dapat dilihat dari korelasi Pearson pada data hasil prediksi
yang didapatkan dari hasil Cross-Validation dengan data observasi secara spasial dan
temporal. Korelasi Pearson digunakan untuk melihat keeratan hubungan antara
peubah X dan peubah Y. Korelasi ini mengukur hubungan linier antara dua peubah X
dan Y, yang diduga dengan koefisien korelasi r, yaitu:
=
Keterangan :
= korelasi antara peubah X dan peubah Y
= koragam peubah X dan peubah Y
= peragam peubah X
= peragam peubah Y
Cross Validation merupakan salah satu teknik untuk menilai atau menvalidasi
keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Pembuatan
model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap
suatu data baru yang boleh jadi belum pernah muncul di dalam dataset. Salah satu
metode cross-validation yang populer adalah K-Fold Cross Validation. Dalam teknik
ini dataset dibagi menjadi sejumlah K-buah partisi secara acak, kemudian dilakukan
sejumlah K-kali eksperimen, dimana masing-masing eksperimen menggunakan data
partisi ke-K sebagai data testing dan memanfaatkan sisa partisi lainnya sebagai data
training (Refaeilzadeh et al. 2008).
Gambar 2 Desain Eksperimen Cross Validation model GCM
Pembuatan prediksi dengan teknik PCR yang dilakukan menggunakan 30
Fold Cross-Validation sedangkan untuk mendapatkan nilai akurasi ataupun ukuran
penilaian lainnya dari hasil eksperimen yang dilakukan, diambil nilai rataan dari
seluruh eksperimen tersebut. Hal ini tentunya akan menghasilkan nilai prediksi yang
lebih baik secara statistik.
HASIL DAN PEMBAHASAN
Sistem Informasi Iklim
Otomasi adalah suatu teknologi terkait dengan aplikasi mekanik, elektronik,
atau pun komputer yang didasarkan pada sistem untuk beroperasi dan mengendalikan
produksi secara otomatis (Burton 2004). Otomasi kerap digunakan dalam sistem
informasi guna memperoleh keluaran dari suatu proses yang kompleks secara
kontinu karena akan mempermudah kerja bagi para pengguna dengan waktu yang
efisien. Bagian dari sistem informasi iklim yang dibentuk dalam penelitian ini adalah
sebuah otomasi pembuatan prediksi iklim yang dapat dilihat dan diakses
menggunakan penjelajah situs atau web browser.
Informasi yang disediakan pada sistem prediksi berbasis web yang dibuat
merupakan keluaran akhir dari hasil running prediksi menggunakan software NCL
yang terintegrasi pada sistem sehingga dapat ditujukan untuk end user dimana
keluaran merupakan informasi yang siap pakai. Hal ini tentunya akan memudahkan
para pengguna yang umumnya adalah masyarakat umum dalam memperoleh prediksi
iklim yang informatif tanpa melakukan serangkaian proses yang rumit. Berikut
gambar halaman utama sistem informasi iklim yang dibuat.
Gambar 3 Halaman utama web hasil otomasi prediksi curah hujan
Sistem Informasi iklim yang efektif menurut Boer (2009) ialah sistem yang
mampu menyediakan informasi (prakiraan) iklim yang mudah dipahami, memenuhi
kebutuhan pengguna dan sampai ke tangan pihak yang tepat pada waktu yang tepat
sehingga bisa digunakan untuk membuat keputusan yang tepat. Otomasi sistem
informasi ini memberikan informasi prediksi secara berkesinambungan dan historis
sehingga dapat untuk analisis iklim dengan ketepatan waktu yang dapat diandalkan.
Analisis tersebut membuat segala kerugian yang mungkin muncul akibat kondisi
iklim yang diprakirakan kurang baik dapat ditekan atau pun keuntungan yang dapat
7
dicapai dari kondisi iklim yang diprakirakan akan baik dapat dimaksimalkan berkat
adanya sistem informasi.
Prediksi iklim curah hujan yang dihasilkan merupakan hasil pengolahan dari
software NCL dengan membuat file makro yang berisi sekumpulan koding dan
fungsi-fungsi sesuai dengan teknik prediksi yang digunakan. NCL adalah sebuah
program open source bahasa dengan basis linux yang dirancang khusus untuk
pengolahan data ilmiah dan melakukan visualisasi hasil pengolahannya tersebut.
Fleischer and Bottinger (2013) mengatakan bahwa NCL merupakan bahasa program
yang digunakan untuk membaca, menulis, memanipulasi, dan visualisasi data ilmiah.
NCL berguna untuk merubah data hasil keluaran yang berbentuk data ASCII atau pun
data grid yang berbasis matriks menjadi bentuk visual atau gambar. Pada sistem
informasi yang dibuat, NCL digunakan sebagai alat untuk membuat makro model
prediksi iklim curah hujan berdasarkan teknik PCR dan validasi silang serta
menampilkanya dalam bentuk peta prediksi curah hujan. Halaman sistem informasi
tersebut dapat dilihat pada Gambar 4 dibawah ini.
Gambar 4 Hasil software otomasi PCR di web
Validasi Data CHIRPS
Data CHIRPS (Climate Hazards Group InfraRed Precipitation with Station
data) merupakan dataset hujan yang memiliki panjang periode hingga kini 30 tahun
dengan resolusi 0.05°. Data CHIRPS menggabungkan citra satelit resolusi 0.05°
dengan data stasiun in-situ untuk membuat grid curah hujan time series. Pada 12
Februari 2015, versi 2.0 dari data CHIRPS telah terbit dan tersedia untuk umum.
Data inilah yang digunakan sebagai data prediktan dalam pembuatan prediksi iklim.
Contoh koreksi untuk masing-masing stasiun ditampilkan pada Gambar 5 dan
Tabel 3. Pola data CHIRPS setelah dikoreksi terlihat mengikuti dengan pola data
observasi BMKG terlihat dari garis yang saling berimpit. Pola CHIRPS yang tidak
dikoreksi berwarna merah terlihat memiliki nilai yang lebih tinggi dari data obesrvasi
sehingga data chirps koreksi dapat digunakan.
Gambar 5 Plot lokasi stasiun BMKG dan nilai korelasi
Table 3 Nilai Korelasi setelah koreksi pada delapan sampel stasiun
Stasiun Faktor Koreksi Nilai Korelasi
Sampali-Medan 0.95 0.72
AhmadYani_Semarang 0.91 0.82
Frans Kaiseipo_Biak 0.88 0.67
HajiAsan_Sampit 0.99 0.99
KaranPloso_Malang 1.24 0.80
Kasiguncu_Posoo 0.99 0.53
Sumbawa_NTB 1.07 0.88
Supadio_Pontianakk 0.99 0.81
Untuk keseluruhan wilayah Indonesia, digunakan satu nilai faktor koreksi
dari gabungan 24 stasiun yang tersebar di seluruh Indonesia. Setelah digabung, hasil
persamaan regresi kedua data tersebut pada minitab adalah Obs = 0.87 CHIRPS
sehingga nilai faktor koreksi (FK) adalah 0.87 yang akan digunakan pada sistem.
Adapun pola data CHIRPS hasil koreksi dan sebelum koreksi ditunjukkan oleh
Gambar 6.
9
Gambar 6 Perbandingan rataan curah hujan bulanan observasi dengan data
CHIRPS sebelum dan sesudah koreksi. Data menggunankan 24
stasiun dengan periode tahun 1981-2010.
Jumlah stasiun yang digunakan untuk melakukan koreksi data adalah sebanyak
24 stasiun yang tersebar diseluruh Indonesia. Seluruh data stasiun observasi tersebut
diregresikan dengan data CHIRPS dengan koordinat yang sama dengan lokasi
stasiun. Hasil regresi selurah data menunjukkan bahwa nilai faktor koreksi FK untuk
data CHIRPS sebesar 0.87 yang artinya data CHIRPS perlu dikali nilai FK tersebut
sebelum digunakan sebagai data prediktan. Nilai FK yang digunakan hanya satu nilai
FK saja sehingga terdapat kekurangan yakni kurang mewakili karakteristik wilayah
Indonesia yang begitu luas dan hanya menurunkan nilai sekian persen agar semakin
mendekati nilai observasi. Penggunaan satu nilai tersebut bertujuan untuk
mempermudah dalam pembuatan file makro untuk mengkoreksi tiap grid pada data
CHIRPS. Adapun nilai koreksi ini digunakan karena memiliki delapan sampel
stasiun memiliki nilai korelasi yang cukup tinggi yakni rata-rata sekitar 0.8. Nilai
korelasi yang tinggi ini juga menggambarkan nilai koefisien determinasi (r2) yang
tinggi. Nilai R-square merupakan ukuran kecocokan hasil estimasi sebuah model
regresi linier dengan data yang dimodelkan, atau biasa disebut ukuran goodness of fit
dari sebuah model regresi (Irianto 2010).
Model Prediksi Curah Hujan
Nilai PC Score
Prediksi pada sistem yang dibuat menggunakan jumlah nilai komponen utama
atau principal component (PC) sebanyak tiga buah nilai pada setiap model. Nilai PC
tersebut diperoleh dari pasangan nilai eigen-vektor, eigen matriks kovarian atau
matriks korelasi. Nilai PC pertama merupakan nilai komponen utama yang
mempunyai varian terbesar, sedangkan PC kedua memiliki varian terbesar kedua dan
begitu seterusnya. Nilai PC digambarkan dalam bentuk grafik scree plot (Tabel 4)
dan menujukkan bahwa ketiga model memiliki jumlah varians dari tiga nilai PC
sekitar 80% dengan model CMC1-CanCM3 memiliki nilai terbesar. Dengan
demikian, tiga nilai PC tersebut telah mewakili 80% dari keragaman data. Hal ini
sesuai dengan pernyataan Draper and Smith (1981) yang menyatakan bahwa bahwa
proporsi kumulatif keragaman data asal yang dijelaskan oleh jumlah komponen
utama adalah minimum sebesar 80%.
Gambar 7 Nilai principal component (PC) pada tiga model dalam bentuk
grafik scree plot hasil makro NCL
Hasil PCR
Tabel 4 merupakan nilai korelasi Pearson rata-rata antara data model dengan
data curah hujan. Nilai korelasi tersebut menggambarkan seberapa besar hubungan
antara model dengan observasi. Pada hasil curah hujan bulanan yang terbentuk,
korelasi model CMC1-CanCM3 dan model CMC2-CanCM4 memiliki nilai korelasi
yang tidak jauh berbeda dan terbesar pada lead time 1 bulan kedepan. Nilai korelasi
terbesar terdapat pada model CMC1-CanCM3 baik issued month Januari maupun
Juli. Pada ketiga model, semakin jauh lead time nilai korelasi cenderung semakin
kecil. Hal ini dapat terjadi karena waktu yang semakin jauh dari issued month
sehingga akurasi model menjadi berkurang.
Table 4 Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan Model
NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS
Model Lead Month
Nilai Korelasi
(issued month: Januari)
Nilai korelasi
(issued month: Juli)
Pearson Pearson
CMC1-
CanCM3
1 Bulan kedepan 0.206 0.215
2 Bulan kedepan 0.152 0.169
3 Bulan kedepan 0.147 0.201
CMC2-
CanCM4
1 Bulan kedepan 0.185 0.197
2 Bulan kedepan 0.147 0.154
3 Bulan kedepan 0.164 0.185
NCEP-CFSv2
1 Bulan kedepan 0.183 0.191
2 Bulan kedepan 0.164 0.132
3 Bulan kedepan 0.164 0.183
Nilai korelasi yang ditampilkan merupakan gambaran nilai rata-rata korelasi
dari keseluruhan grid (Tabel 4). Korelasi Pearson ini merupakan salah satu ukuran
korelasi yang digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua
variabel atau lebih. Nilai korelasi yang positif menunjukkan bahwa hasil prediksi
yang terbentuk tergolong baik dilihat dari keseluruhan grid. Walaupun mungkin saja
terdapat korelasi yang negatif pada suatu grid namun setelah dirata-rata masih
menunjukkan nilai korelasi yang positif.
11
Peta Skill Forecast
Skill forecast adalah representasi skala kesalahan perkiraan yang
berhubungan akurasi perkiraan model perkiraan khusus untuk beberapa model
referensi (Roebber dan Paul 1998). Peta skill forecast ini dapat digunakan untuk
mengetahui tingkat keandalan suatu sistem prakiraan musim dan memantau kualitas
dari hasil prakiraan atau sejauh mana ketepatan prakiraan yang dibuat. Sistem
prakiraan musim yang baik menurut Boer (2009) ialah suatu sistem yang secara
konsisten mampu memberikan kualitas prakiraan yang baik dan dapat digunakan
oleh pengguna untuk meningkatkan keuntungan ekonomi atau keuntungan lainnya.
Peta skill untuk bulan Januari yang terbentuk pada ketiga model jika dilihat
secara keseluruhan memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan
cenderung turun pada lead time 3 bulan (Gambar 8). Model CMC1-CanCM3 dan
CMC2-CanCM4 memiliki pola nilai korelasi yang cenderung sama yakni tinggi
diwilayah Kalimantan, sebagian Sumatra dan Jawa, begitu pula untuk model NCEP-
CFSv2 namun sebaran nilai korelasinya rendah pada lead time 3 bulan. Nilai yang
rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai forecast yang berlebih
dibanding nilai model lain dan melampaui jauh dari nilai observasi.
Monthly Prec. (Issued month: Januari)
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
Lea
d T
ime
1 M
onth
2 M
onth
3 M
onth
Legenda Skill Correlation
Gambar 8 Peta Skill forecast bulan Januari keluaran system pada tiga model.
Nilai Skill diperoleh dari korelasi antara 30 nilai persamaan member
dan historis observasi CHIRPS 1981-2010 bulan Januari
Sama halnya dengan bulan Januari, peta skill untuk bulan Juli yang terbentuk
pada ketiga model memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan
cenderung turun pada lead time 2 dan lead time 3 terutama model CMC2-CanCM4
terlihat dari warna biru yang semakin banyak atau menandakan berkorelasi negatif
(Gambar 9). Model CMC1-CanCM3 dan CMC2-CanCM4 memiliki pola nilai
korelasi yang cenderung sama yakni tinggi diwilayah Kalimantan, sebagian Sumatra
dan sebagian besar Jawa, sedangkan model NCEP-CFSv2 cenderung memiliki
sebaran nilai korelasi yang lebih baik pada lead time 2 bulan dan rendah di lead time
3 bulan. Nilai yang rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai
anomali yang berlebih dibanding nilai model lain dan melampaui dari nilai observasi
CHIRPS.
Monthly Prec. (Issued month: Juli)
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
Lea
d T
ime
1 M
onth
2 M
onth
3 M
onth
Legenda Skill Correlation
Gambar 9 Peta Skill forecast Juli keluaran sistem pada tiga model. Nilai Skill
diperoleh dari korelasi antara 30 nilai persamaan member dan
historis observasi CHIRPS 1981-2010 bulan Juli
13
Peta Forecast Curah Hujan
Peta prediksi curah hujan issued month Januari hasil keluaran sistem yang di-
running dengan NCL menggunakan sekumpulan script makro yang telah dibuat
ditampilkan pada Gambar 10. Lead time 1 merupakan forecast untuk bulan Februari,
lead time 2 untuk Maret dan lead time 3 untuk bulan April. Hasil peta forecast
menunjukkan bahwa prediksi curah hujan semakin tinggi pada lead time 2 dan 3
terutama pada wilayah Jawa, Kalimantan, dan Selawesi terlihat dari warna yang
semakin biru dimana wilayah yang semakin basah. Hasil rataan tiga model memiliki
nilai forecast yang lebih baik terlihat dari pola grid yang mirip dengan nilai observasi.
Jika dibandingkan dengan data observasi CHIRPS yang telah rilis dan
divalidasi dengan data BMKG yakni bulan Februari hingga April terlihat pola yang
paling mirip untuk lead time 1 bulan. Sedangkan lead time 2 dan 3 memiliki nilai
prediksi yang lebih tinggi terutama model CMC1-CanCM3 dan CMC2-CanCM4.
Secara umum, hasil forecast sesuai dengan observasi, hanya saja pada lead time 3
wilayah Kalimantan memiliki nilai estimasi yang berlebih.
Hasil peta prediksi curah hujan issued month April dengan Lead time 1
merupakan forecast untuk bulan Mei, lead time 2 untuk Juni dan lead time 3 untuk
bulan Juli (Gambar 11). Hasil peta forecast tersebut menunjukkan sebagian besar
wilayah memiliki potensi hujan yang lebih rendah dibanding forecast bulan Januari
terlihat dari banyaknya wilayah yang kering. Pola hasil forecast pada tiga model
sedikit berbeda, dimana model CMC1-CanCM2 memiliki nilai estimasi yang lebih
tinggi. Setelah dirata-rata nilai ketiga model, nilai forecast bagus pada lead time 1
namun lead time dua dan tiga nilai observasi memiliki nilai curah hujan yang lebih
kering dengan pola yang tidak begitu jauh berbeda. Pada bulan Juli ini, semakin jauh
lead time hasil forecast dari issued month semakin berbeda dengan observasi yang
menunjukkan bahwa nilai error semakin tinggi.
Hasil peta prediksi curah hujan issued month Juli dengan lead time 1
merupakan forecast untuk bulan Agustus, lead time 2 untuk September dan lead time
3 untuk bulan Oktober (Gambar 12). Peta forecast tersebut menunjukkan bahwa
prediksi curah hujan Indonesia cenderung kering terutama pada wilayah Jawa dan
Sumatra terlihat dari warna yang semakin coklat dimana nilai CH semakin rendah.
Curah hujan yang sedikit tinggi terlihat berada di wilayah utara Kalimantan
sedangkan wilayah Jawa, Papua dan bagian selatan Sumatra cenderung kering. Hasil
prediksi dari tiga model umumnya memiliki pola yang tidak jauh berbeda dengan
nilai rata-rata ketiga model terlihat dari miripnya pola dengan data observasi.
Untuk hasil prediksi curah hujan issued month Oktober dengan lead time 1
merupakan forecast untuk bulan November, lead time 2 untuk Desember dan lead
time 3 untuk bulan Januari ditunjukkan pada Gambar 13. Hasil peta forecast prediksi
curah hujan tersebut memiliki pola yang cenderung berbeda pada ketiga model. Nilai
prediksi untuk lead time 1 lebih kering dibanding lead time lain. Setelah dirata-rata,
nilai prediksi menjadi lebih baik terlihat pola yang menjadi lebih mirip dengan
observasi. Pola hujan yang dihasilkan dari ketiga model terdapat perbedaan di
sebagian wilayah. Adapun perbandingan dengan data observasi CHIRPS dilakukan
untuk mengetahui apakah kualitas (quality) nilai prakiraan yang terbentuk baik atau
tidak dan sejauh mana ketepatan prakiraan serta apakah ada perbaikan dari waktu ke
waktu (skill meningkat).
Monthly Prec. (Issued month: Januari)
Lead time 1 Lead time 2 Lead time 3 C
MC
1-C
an
CM
3
CM
C2
-Can
CM
4
NC
EP
_C
FS
v2
Rata
-rata
Ob
serv
asi
Legenda CH Forecast (mm)
Gambar 10 Peta Forecast curah hujan Indonesia Issued month bulan Januari
keluaran sistem dan observation map (data curah hujan: CHRIPS)
15
Monthly Prec. (Issued month: April)
Lead time 1 Lead time 2 Lead time 3 C
MC
1-C
an
CM
3
CM
C2
-Can
CM
4
NC
EP
_C
FS
v2
Rata
-rata
Ob
serv
asi
Gambar 11 Peta Forecast curah hujan Indonesia Issued month bulan April
keluaran sistem dan observation map (data curah hujan: CHRIPS)
Monthly Prec. (Issued month: Juli)
Lead time 1 Lead time 2 Lead time 3 C
MC
1-C
an
CM
3
CM
C2
-Can
CM
4
NC
EP
-CF
Sv2
Rata
-rata
Ob
serv
asi
Legenda
Gambar 12 Peta Forecast curah hujan Indonesia Issued month: Juli keluaran
sistem dan observation map (data curah hujan: CHRIPS)
17
Monthly Prec. (Issued month: Oktober)
Lead time 1 Lead time 2 Lead time 3
CM
C1
-Can
CM
3
CM
C2
-Can
CM
4
NC
EP
-CF
Sv2
Rata
-rata
Ob
serv
asi
Legenda CH Forecast (mm)
Gambar 13 Peta Forecast curah hujan Indonesia Issued month bulan Oktober
keluaran sistem dan observation map (data curah hujan: CHRIPS)
Peta Anomali Curah Hujan Prediksi
Peta anomali merepresentasikan selisih hasil nilai prediksi dengan nilai
observasi yang telah divalidasi (Gambar 14). Nilai anomali negatif menunjukkan
bahwa nilai prediksi berada dibawah nilai observasi yang digambarkan oleh warna
yang semakin ungu sedangkan anomali positif berada diatas nilai observasi dengan
warna yang semakin hijau. Prediksi bulan Januari dimana musim hujan terlihat nilai
anomali yang cukup besar baik anomali positif atau pun negatif terutama model
CMC1-CanCM2 dan CMC2-CanCM4. Sebaliknya, pada prediksi bulan Juli nilai
anomali cenderung lebih kecil terlihat dari warna putih yang banyak tersebar di
seluruh wilayah. Hal ini menunjukkan bahwa nilai prediksi pada bulan Juli atau saat
bulan kering menghasilkan nilai prediksi yang lebih baik.
Model
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
Jan
uari
Lea
d t
ime
1
Lea
d
tim
e 2
Lea
d
tim
e 3
Ju
li
Lea
d t
ime
1
Lea
d t
ime
2
Lea
d
tim
e 3
Legenda
Nilai Anomali (mm)
Gambar 14 Peta sebaran nilai anomali curah hujan prediksi dengan nilai observasi
19
SIMPULAN DAN SARAN
Simpulan
Sistem informasi iklim yang dibentuk berupa aplikasi website yang
berintegrasi dengan software NCL untuk melakukan pengolahan prediksi iklim curah
hujan yang dapat diakses menggunakan penjelajah situs atau web browse dengan
sistem otomasi. Informasi yang tersedia pada web ini merupakan keluaran akhir dari
prediksi dan ditujukan untuk end user dimana keluaran merupakan informasi yang
siap pakai berupa prediksi curah hujan bulanan dengan lead time 3 bulan.
Berdasarkan hasil keluaran sistem, hasil peta forecast pada ketiga model
memiliki sedikit perbedaan pola pada musim hujan sedangkan pada musim kemarau
hasil forecast cenderung lebih baik terlihat dari pola yang semakin mirip dengan data
observasi CHIRPS. Nilai korelasi Pearson keluaran sistem memiliki nilai yang tinggi
pada leadmonth 1 dan cenderung menurun pada lead month 2 dan 3. Nilai korelasi
Pearson tertinggi yaitu pada model CMC1-CanCM3 sebesar 0.215. Nilai korelasi
digunakan untuk mengetahui seberapa besar skill forecast dari tiap-tiap grid data.
Nilai anomali antara prediksi dan observasi memiliki nilai yang rendah pada bulan
Juli yang menggambarkan pada bulan kering nilai prediksi yang dihasilkan memiliki
nilai yang lebih baik.
Saran
Perkembangan teknologi dan informasi membuat suatu sistem informasi
menjadi dinamis dan perlu pengembangan secara kontinu. Sistem informasi yang
dibuat perlu penyempurnaan kembali untuk sistem web dengan memberikan pilihan
jenis pengolahan metode statistik selain PCR yang dapat dijadikan sebagai esemble
member untuk meningkatkan skill forecast. Validasi data observasi juga sebaiknya
digunakan metode lain yang lebih mewakili keseluruhan wilayah seperti metode
clustering sehingga tidak hanya memiliki satu nilai faktor koreksi. Selain itu perlu
perkembangan dari model-model lain sebagai perbandingan model mana yang lebih
baik.
DAFTAR PUSTAKA
Boer R. 2009. Sekolah Lapang Iklim Antisipasi Risiko Perubahan Iklim. Bogor:
Geomet FMIPA-IPB dan PERHIMPI.
Burton ES, Neil CR. 2004. Innovating Mindfully with Information Technology, MIS
Quarterly Vol. 28 No. 4 pp. 553-583
Dillon WR, M. Goldstein. 1984. Multivariate Analysis Methods and Aplications.
John Willey & Sons, New York
Draper NR, Smith H, (1981), Apllied Regression Analysis, Second Edition, John
Wiley and Son Inc, New York.
Fleischer KM, Bottinger M. 2013. High Quality Graphics with NCL 6.1.2. Deutsches
Klimarechenzentrum (DKRZ), Hamburg.
Funk CC, Peterson PJ, Landsfeld MF, Pedreros DH, Verdin JP, Rowland JD,
Romero BE, Husak GJ, Michaelsen JC, Verdin AP. 2014. A quasi-global
precipitation time series for drought monitoring: U.S. Geological Survey Data
Series 832, 4 p., http://dx.doi.org/110.3133/ds832.
Harris I, Jones PD, Osborn TJ, Lister DH 2014. Updated high-resolution grids of
monthly climatic observations - the CRU TS3.10 Dataset.Int. J. Climatol.,34:
623-642. Doi: 10.1002/joc.3711
Huffman GJ, Bolvin DT, Nelkin EJ, Wolff DB, Adler RF, Gu G, Stocker EF. 2007.
The TRMM multisatellite precipitation analysis (TMPA)—Quasi-global,
multiyear, combined-sensor precipitation estimates at fine scales: Journal of
Hydrometeorology, 8(1): p. 38–55.
Irianto A. 2010. Statistika Konsep, Dasar, Aplikasi, dan Pengembangannya. Jakarta:
Kencana Prenada Media Group.
Janowiak JE, Joyce RJ, Yarosh Y. 2001. A real-time global half-hourly pixel-
resolution infrared dataset and its applications: Bulletin of the American
Meteorological Society, 82(2): p. 205–217.
Johnson RA, dan Wichern DW. 2002. Applied Multivariate Statistical Analysis 5th Ed. New
Jersey: Prentice Hall.
Kirtman, Ben P, Coauthors. 2014. The North American Multimodel Ensemble:
Phase-1 seasonal-to-interannual prediction; Phase-2 toward developing
intraseasonal prediction. Bull. Amer. Meteor. Soc., 95, 585–601. doi:
http://dx.doi.org/10.1175/BAMS-D-12-00050.1 New York (US): Academic
Press
Refaeilzadeh, P., Tang, L., Liu, H. 2008. Cross Validation: Encyclopedia of
Database Systems. Springer, pp. 532-538, DOI:10.1007/978-0-387-
39940_9_565
Roebber, Paul J. 1998. The Regime Dependence of Degree Day Forecast Technique,
Skill, and Value: American Meteorological Society -- Weather and
Forecasting (Allen Press) 13 (3): 783–794, Bibcode:1998WtFor..13..783R,
Saha S, Moorthi S, Pan HL, Wu X, Wang J, Nadiga S, dan Reynolds RW 2010. The
NCEP climate forecast system reanalysis. Bulletin of the American
Meteorological Society, 91(8), p. 1015–1057.
The NCAR Command Language (Version 6.1.2) [Software]. 2014. Boulder,
Colorado: UCAR/NCAR/CISL/VETS.http://dx.doi.org/10.5065/D6WD3XH5
Wilks DS. 1995. Statistical Methods in The Atmospheric Science an Introduction.
21
LAMPIRAN
Lampiran 1 Diagram Alir Pembuatan Prediksi CH
Lampiran 2 Coding NCL load
"$NCARG_ROOT/lib/ncarg/nclscripts/csm/gsn
_code.ncl" load
"$NCARG_ROOT/lib/ncarg/nclscripts/csm/gsn_csm.ncl"
load
"$NCARG_ROOT/lib/ncarg/nclscripts/csm/contributed.n
cl"
latS = -11.0 ; seleksi grid Indonesia
latN = 6.0
lonL = 95.0
lonR = 141.0
neof = 3
nlat=toint((latN-latS)*20)
nlon=toint(((lonR-lonL)*20)+1)
;*******************************************
; Read data
;******************************************
a1=0
j=0
bulan="apr"
lt = 0
do while (j .le. 30) ; looping for cross validate
if (j .eq. 0) then
;hindcast
diri = "./data/hindcast/"+bulan
fili = ".nc"
f = addfile (diri+fili, "r")
x = f->prec(1:29,:,:,{latS:latN},{lonL:lonR}) ;float
prec(S, M, L, Y, X)
x!0 = "time"
x!1 = "member"
x!2 = "leadmonth"
x!3 = "lat"
x!4 = "lon"
;printVarSummary(x)
;observasi
diri2 = "./data/obs/"+bulan
fili2 = ".nc"
h = addfile (diri2+fili2, "r")
NCL
Ya
Aplikasi Schedule Crontab
Keluaran data ascii
NCL
(running forecast)
Peta
prediksi
iklim
Website prediksi
iklim
(visualisasi keluaran)
Selesai
Mulai
Website
prediksi iklim
Data prediktor, prediktan,
dan prediksi (Model NMME
dan Observasi CHIRPS)
Tidak
k Time system
= 15 (middle
of month)
obs = h-
>precipitation(1:29,{latS:latN},{lonL:lonR}) ;
(time,lat,lon)
obs!0 = "time"
obs!1 = "lat"
obs!2 = "lon"
obs@_FillValue = -999.0
;delete(obs@missing_value)
;print(obs)
else if (j .eq. 29) then
;hindcast
diri = "./data/hindcast/"+bulan
fili = ".nc"
f = addfile (diri+fili, "r")
xab = f->prec(:,:,:,{latS:latN},{lonL:lonR}) ;float
prec(S, M, L, Y, X)
x = (/xab(0:28,:,:,{latS:latN},{lonL:lonR})/) ;float
prec(S, M, L, Y, X)
x!0 = "time"
x!1 = "member"
x!2 = "leadmonth"
x!3 = "lat"
x!4 = "lon"
;printVarSummary(x)
;observasi
diri2 = "./data/obs/"+bulan
fili2 = ".nc"
h = addfile (diri2+fili2, "r")
obs = h-
>precipitation(0:28,{latS:latN},{lonL:lonR}) ;
(time,lat,lon)
obs!0 = "time"
obs!1 = "lat"
obs!2 = "lon"
obs@_FillValue = -999.0
;delete(obs@missing_value)
;print(obs)
else
;hindcast
diri = "./data/hindcast/"+bulan
fili = ".nc"
f = addfile (diri+fili, "r")
a = f->prec(:,:,:,{latS:latN},{lonL:lonR}) ;float
prec(S, M, L, Y, X)
inds = array_append_record(ispan(0,a1-
1,1),ispan(a1+1,29,1),0)
x = (/a(inds,:,:,:,:)/)
x!0 = "time"
x!1 = "member"
x!2 = "leadmonth"
x!3 = "lat"
x!4 = "lon"
;printVarSummary(x)
;observasi
diri2 = "./data/obs/"+bulan
fili2 = ".nc"
h = addfile (diri2+fili2, "r")
obsall = h-
>precipitation(:,{latS:latN},{lonL:lonR}) ;
(time,lat,lon)
obs = (/obsall(inds,:,:)/)
obs!0 = "time"
obs!1 = "lat"
obs!2 = "lon"
;printVarSummary(obs)
obs@_FillValue = -999.0
end if
end if
;forecast
diri1 = "./data/forecast/"+bulan
fili1 = ".nc"
g = addfile (diri1+fili1, "r")
pc = g->prec(:,:,:,{latS:latN},{lonL:lonR})
;float prec(S, M, L, Y, X)
;Validasi nilai obs
obs=obs*0.87
j=j+1
a1=a1+1
;*******************************************
; Looping for LT
;*******************************************
;do while (lt .le. 3)
pr=x(:,:,lt,:,:)
xx=dim_avg_n_Wrap(pr,1) ; (time,lon,lat)
xx!0 = "time"
xx!1 = "lat"
xx!2 = "lon"
;*******************************************
; Hitung PCA
;*******************************************
X = xx(lat|:,lon|:,time|:) ; Space x Time
optEof = True
eof = eofunc_Wrap( X, neof, optEof)
eof_ts = eofunc_ts_Wrap( X, eof, False)
;print (eof_ts)
asciiwrite("eof_ts.txt",eof_ts)
;printVarSummary(eof)
;printVarSummary(eof_ts)
;print(eof_ts(0,:))
;**********************************************
; Hitung Nilai Pc Score Forecast, input data forecast
;**********************************************
PCS = pc(:,:,lt,:,:) ;dimension->S,M,Y,X
23
;printVarSummary(PCS)
PCSN1 = dim_avg_n_Wrap(PCS,0); M,Y,X
PCSN = dim_avg_n_Wrap(PCN1,0);Y,X
PCSNa = dim_standardize(PCSN,0) ; with metadata
PCST = transpose(PCSNa)
;printVarSummary(PCSNa)
;printVarSummary(PCST)
PC1 = eof(0,:,:) # PCST(:,:) ;perkalian matriks
PC2 = eof(1,:,:) # PCST(:,:)
PC3 = eof(2,:,:) # PCST(:,:)
PC1fcst = sum(PC1) - eof_ts@ts_mean(0) ;jumlah
nilai pc
PC2fcst = sum(PC2) - eof_ts@ts_mean(1)
PC3fcst = sum(PC3) - eof_ts@ts_mean(2)
delete(PCS)
delete(PCSN)
delete(PCSNa)
delete(PCST)
delete(xx)
delete(X)
delete(PC1)
delete(PC2)
delete(PC3)
;**********************************************
; Hitung Persamaan Multiple Liniar Regression, input obs
; fungsi reg_multlin_stats
; function reg_multlin_stats (
; y [*] : numeric,
; x : numeric, [*] or [*][*] only,
; opt : logical
; )
;**********************************************
print("Program is still running.. Note:looping ke-
"+(j)) ;note for loop
b0 = new((/nlat,nlon/),typeof(obs)) ; create an array to
hold predictor variables
b1 = new((/nlat,nlon/),typeof(obs)) ;
b2 = new((/nlat,nlon/),typeof(obs)) ;
b3 = new((/nlat,nlon/),typeof(obs)) ;
yyresult = new((/nlat,nlon/),float)
do m=0,nlat-1,1 ;looping perhitungan tiap grid
do n=0,nlon-1,1
if(all(ismissing(obs(time|:,lat|m,lon|n)))) then
;if(obs(time|:,lat|m,lon|n).ge.0) then
b0(m,n) = -999
b1(m,n) = -999
b2(m,n) = -999
b3(m,n) = -999
else
b =
reg_multlin_stats(obs(time|:,lat|m,lon|n),eof_ts(time|:,
evn|:),opt) ; partial regression coef
b0(m,n) =b(0)
b1(m,n) =b(1)
b2(m,n) =b(2)
b3(m,n) =b(3)
;print(b)
end if
;********************************
;Hitung curah hujan forecast
;CH=f(PC)
;yy=b0+b1PC1+b2PC2+b3PC3
;********************************
if(all(ismissing(obs(time|:,lat|m,lon|n)))) then
yyresult(m,n)=-999
else
vb =
b0(m,n)+b1(m,n)*PC1fcst+b2(m,n)*PC2fcst+b3(m,n)*P
C3fcst
if (vb .le. 0) then
vb=0.0
end if
yyresult(m,n)= vb
end if
;simpan nilai tiap grid berisi data 30 member
ol="ascii_dugaCH"
ol1="/grid:x="+(m)
ol2="y="+(n)
ol3=".txt"
;asciiwrite(ol+ol1+ol2+ol3,yyresult(m,n))
if (j .eq. 1) then
write_table(ol+ol1+ol2+ol3, "w", [/(/yyresult(m,n)/)/],
"%f")
else
write_table(ol+ol1+ol2+ol3, "a", [/(/yyresult(m,n)/)/],
"%f")
end if
delete(ol)
delete(ol1)
delete(ol2)
end do
end do
delete(b0)
delete(b1)
delete(b2)
delete(b3)
delete(yyresult)
delete(obs)
delete(pc)
end do
;lt=lt+1
;end do
;end
;*******************************************
; Panggil kembali data ascii dan rata-rata dari 30 member
;*******************************************
do m=0,nlat-1,1
do n=0,nlon-1,1
ol="ascii_dugaCH"
ol1="/grid:x="+(m)
ol2="y="+(n)
ol3=".txt"
grid = asciiread(ol+ol1+ol2+ol3,1,"float")
jj = (num(grid.eq.-999))
if (jj .gt. 15) then
yyresult(m,n) = -999
else yyresult(m,n) = avg(grid); ;nilai rata2 grid dr 30
member
end if
if ((yyresult(m,n).le. 0).and.(yyresult(m,n).ne. -999)) then
yyresult(m,n)=0
end if
end do
end do
;*******************************************
; plots maps prediction
;*******************************************
; only needed if paneling
res = True
res@gsnDraw = False ; don't draw yet
res@gsnFrame = False ; don't advance frame
yet
res@gsnSpreadColors = True ; spread out color
table
res@gsnSpreadColorEnd = -2 ; don't use added
gray
res@gsnAddCyclic = False ; data not cyclic
res@mpCenterLonF = 180. ; defailt is 0 [GM]
res@mpMinLatF = min(yyresult&lat)
res@mpMaxLatF = max(yyresult&lat)
res@mpMinLonF = min(yyresult&lon)
res@mpMaxLonF = max(yyresult&lon)
res@mpFillDrawOrder = "PreDraw"
res@cnFillOn = True ; turn on color fill
res@cnLinesOn = False ; True is default
res@lbLabelBarOn = False ; turn off individual
lb's
; set symmetric plot min/max
; panel plot only resources
resP = True ; modify the panel plot
resP@gsnMaximize = True ; large format
resP@gsnPanelLabelBar = True ; add common
colorbar
resP@lbLabelAutoStride = True ; auto stride on
labels
;*******************************************
;Forecast Map plot
;*******************************************
ol1="output_map/forecast_Indonesia_LT:"+(lt/1)
ol2="_"+(bulan)
wks = gsn_open_wks("png",ol1+ol2)
res = True
res@gsnMaximize = True
res@cnFillOn = True
res@cnLinesOn = False
res@cnLineLabelsOn = False
;cnres = True ; variable for contour/map resources
;cnres@cnFillOn =True
res@gsnDraw = True ; don't draw yet
res@gsnFrame = True ; don't advance frame
yet
res@lbLabelBarOn = True ; turn off individual
res@cnLevelSelectionMode = "AutomaticLevels"
;res@cnLevelSelectionMode = "ManualLevels"
;res@cnMinLevelValF = 0.
;res@cnMaxLevelValF = 1000.
;res@cnLevelSpacingF = 100.
res@tiMainString = "Forecast Map plot"
res@gsnPaperOrientation = "portrait"
res@gsnMaximize = True ;
gsn_define_colormap(wks,"GMT_drywet") ;
Blue-Red colormap
; gsn_define_colormap(wks,"MPL_RdBu") ;
Blue-Red colormap
rts@gsnAboveYRefLineColor = "blue" ; above ref
line fill red
rts@gsnBelowYRefLineColor = "red" ; below ref
line fill blue
;---This resource not needed in V6.1.0
res@gsnSpreadColors = True ; span full
colormap
;---This resource defaults to True in NCL V6.1.0
res@lbLabelAutoStride = True ; nice spacing
for labels
25
res@mpLandFillColor = "white" ; default is
gray which
; doesn't exist in colormap
res@gsnLeftString =
"Forecast_"+(bulan) ;-- don't draw left string
res@gsnRightString = "leadmonth "+(lt/1)
res@lbTitleString = "Rainfall Prediction (mm)"
res@lbTitleFontHeightF= .015 ; make title
smaller
res@pmLabelBarOrthogonalPosF = .12 ; move
whole thing down
plot = gsn_csm_contour_map_ce(wks,yyresult,res)
26
Lampiran 3 Coding sh dan setting otomasi crontab
ncl makro/duga_pc1.ncl
ncl makro/duga_pc2.ncl
ncl makro/duga_pc3.ncl
ncl makro/duga_ch.ncl
ncl makro/duga_pc1cmc2.ncl
ncl makro/duga_pc2cmc2.ncl
ncl makro/duga_pc3cmc2.ncl
ncl makro/duga_ch_cmc2.ncl
ncl makro/duga_pc1fs.ncl
ncl makro/duga_pc2fs.ncl
ncl makro/duga_pc3fs.ncl
ncl makro/duga_ch_cfs.ncl
#setting Schedule otomasi download & running PCR
#m h dom mon dow command
29 0 14 * * perl /opt/lamp/htdocts/otomasi/
cross_validation_indo/nmmme_download.pl
29 0 15 * * sh /opt/lamp/htdocts/otomasi/
cross_validation_indo/run_otomasi.sh
27
Lampiran 4 Nilai Koefisien Determinasi Model CMC1-CanCM3
Lead Time
1 Month 2 Month 3 Month
Bu
lan
Jan
uari
Feb
ruari
Mare
t
Ap
ril
Mei
Ju
ni
28
Ju
li
Agu
stu
s
Sep
tem
ber
Legenda Nilai Koofisien Determinasi
Nilai Koefisien Determinasi Model CMC2-CanCM4
Lead Time
1 Month 2 Month 3 Month
Bu
lan
Jan
uari
Feb
ruari
30
Sep
tem
ber
Legenda Nilai Koofisien Determinasi
Nilai Koefisien Determinasi Model NCEP-CFSv2
Lead Time
1 Month 2 Month 3 Month
Bu
lan
Jan
uari
Feb
ruari
Mare
t
Ap
ril
32
Lampiran 5 Nilai Korelasi Data CHIRPS dengan data BMKG
Urutan Nama Stasiun Korelasi_Sebelum Korelasi_Sesudah
1 AhmadYani_Semarang 0.805027 0.805027
2 Babullah_Ternate_Maluku 0.58338 0.58338
3 blang-bintang_banda acehh 0.644919 0.644919
4 Darmaga_Bogor 0.591303 0.591303
5 ElTari_Kupang_NTT 0.894833 0.894833
6 FransKaiseipo_Biak 0.671902 0.671902
7 HajiAsan_Sampit 0.990639 0.990639
8 Juanda_Surabaya 0.858036 0.858036
9 KaranPloso_Malang 0.822599 0.822599
10 Kasiguncu_Posoo 0.533989 0.533989
11 Mutiara Palu 0.409179 0.409179
12 NgurahRai_Bali 0.855194 0.855194
13 Paloh_KalBar 0.772976 0.779833
14 PangsumaPutussibau_KalBar 0.626901 0.626901
15 Raden-Inten_Lampung 0.641111 0.641111
16 Sampali-Medan 0.719861 0.719861
17 Soetha_Cengkareng 0.821183 0.821183
18 Sultan_Hasanudddin 0.512 0.512
19 Sultan_Mahmud Badaruddin 0.788912 0.788912
20 Sultan-Thaha_Jambii 0.70094 0.70094
21 Sumbawa_NTB 0.882212 0.882212
22 Supadio_Pontianakk 0.811037 0.811037
23 Tarakan_Kalimantann 0.514506 0.514506
24 Tjilik_Riwut 0.704065 0.704065
Rataaan 0.714863 0.715148
33
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 7 Januari 1993. Penulis
merupakan anak keempat dari empat bersaudara dari pasangan Bapak Sumarno
dan Ibu Sugiyem. Penulis menyelesaikan pendidikan sekolah dasar pada tahun
2005 di SDN Pekayon 05 Pagi, kemudian penulis menyelesaikan pendidikan
sekolah menengah pertama pada tahun 2008 di SMPN 184 Jakarta. Selanjutnya
penulis juga menyelesaikan pendidikan sekolah menengah atas pada tahun 2011
di SMAN 99 Jakarta.
Penulis diterima di Institut Pertanian Bogor (IPB) pada tahun 2011 melalui
jalur SNMPTN Undangan dengan memilih Program Studi Meteorologi Terapan,
Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu
Pengetahuan Alam. Penulis juga mendapatkan beasiswa Bidik Misi yang
diprogramkan oleh Kementerian Pendidikan dan Kebudayaan Nasional Republik
Indonesia (KEMENDIKBUD) selama delapan semester. Pada bulan Juli tahun
2014 penulis mengikuti magang kerja di Lembaga Penerbangan dan Antariksa
Nasional (LAPAN) Bidang Lingkungan dan Mitigasi Bencana-Pusat Pemanfaatan
Penginderaan Jauh dan mendapat tugas untuk pemetaan perubahan lahan wilayah
DKI Jakarta.
Selama menjalani perkuliahan, penulis aktif dalam aktif dalam organisasi
Himagreto divisi Koperasi Meteorologi (Komet) pada tahun 2012-2013 dan
mengikuti beberapa kepanitiaan seperti Pesta Sains Nasional tahun 2014. Adapun
prestasi yang pernah diraih penulis, diantaranya penulis pernah menjadi juara 1
lomba Digital Idea tingkat IPB yang diselenggarakan oleh Departemen Ilmu
Komputer.
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
Meteorologi di Institut Pertanian Bogor, penulis melakukan penelitian dengan
judul ―Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro
NCL dalam Sistem Informasi Iklim Berbasis Web‖ di bawah bimbingan Dr
Akhmad Faqih.