pengembangan model prediksi iklim...

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.

http://iridl.ldeo.columbia.edu/%20SOURCES/.Models/.NMME/



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 :

http://www.ncl.ucar.edu/

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



CMC2-

CanCM4




NCEP-CFSv2




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)


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)


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


Monthly Prec. (Issued month: Juli)


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


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


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.

http://dx.doi.org/110.3133/ds832

http://dx.doi.org/10.1175/BAMS-D-12-00050.1

https://en.wikipedia.org/wiki/Bibcode

http://adsabs.harvard.edu/abs/1998WtFor..13..783R

http://dx.doi.org/10.5065/D6WD3XH5

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


fili = ".nc"


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


fili2 = ".nc"


obs = h-

>precipitation(0:28,{latS:latN},{lonL:lonR}) ;

(time,lat,lon)

obs!0 = "time"

obs!1 = "lat"

obs!2 = "lon"


;delete(obs@missing_value)

;print(obs)

else

;hindcast


fili = ".nc"


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


fili2 = ".nc"


obsall = h-

>precipitation(:,{latS:latN},{lonL:lonR}) ;

(time,lat,lon)

obs = (/obsall(inds,:,:)/)

obs!0 = "time"

obs!1 = "lat"

obs!2 = "lon"

;printVarSummary(obs)


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)) ;



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_ch.ncl

ncl makro/duga_pc1cmc2.ncl



ncl makro/duga_ch_cmc2.ncl

ncl makro/duga_pc1fs.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


Bu

lan

Jan

uari

Feb

ruari

29

Mare

t

Ap

ril

Mei

Ju

ni

Ju

li

Agu

stu

s

30

Sep

tem

ber


Nilai Koefisien Determinasi Model NCEP-CFSv2

Lead Time


Bu

lan

Jan

uari

Feb

ruari

Mare

t

Ap

ril

31

Mei

Ju

ni

Ju

li

Agu

stu

s

Sep

tem

ber


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.

pengembangan model prediksi iklim...

Documents