simulasi prediksi curah hujan
DESCRIPTION
Stamet PalohTRANSCRIPT
PENGGUNAAN PERSAMAAN REGRESI UNTUK SIMULASI PREDIKSI TOTAL HUJAN BULANAN DI PALOH KABUPATEN SAMBAS
YOSEF LUKY D. PRASETYAStasiun Meteorologi Paloh
ABSTRAK
Telah dilakukan simulasi prediksi total hujan bulanan di Stasiun Meteorologi Paloh dengan menggunakan data rata-rata suhu udara bulanan, rata-rata kelembaban udara bulanan dan total curah hujan bulanan selama 30 tahun (1983 – 2012). Data diperoleh dari F-KLIM 71 Stasiun Meteorologi Paloh. Metode penelitian dilakukan dengan 2 cara yaitu metode prediksi menggunakan persamaan regresi linier sederhana dan regresi linier berganda serta evaluasi menggunakan metode RMSE dan koefisien korelasi. Hasil study menunjukkan bahwa menggunakan prediktor kelembaban udara memiliki hasil prakiraan yang cukup baik dibandingkan dengan prakiraan menggunakan prediktor suhu udara ataupun suhu udara dan kelembapan udara sekaligus dengan nilai rata-rata RMSE = 121 mm/bln dan koefisien korelasi r = 0,8.
Kata kunci : curah hujan bulanan, kelembaban udara, suhu udara, regresi linier
I. PENDAHULUANI.1 LATAR BELAKANG
Wilayah Indonesia terbentang diantara 6° 8’ LU - 11° 15’ LS dan 95° 45’ BT - 141° 5’ BT (Sandy, 1995) tercakup di wilayah monsun, yaitu diantara 35° LU - 25° LS dan 30° BB – 170° BT (Ramage, 1971) sehingga secara umum memiliki dua musim yaitu musim hujan dan musim kemarau. Musim hujan diakibatkan oleh pengaruh Monsun Asia yang terjadi pada bulan Oktober hingga Maret dan musim kemarau dipengaruhi oleh Monsun Australia yang terjadi pada bulan April hingga September. Di wilayah Indonesia yang beriklim tropis, curah hujan merupakan salah satu unsur iklim yang paling tinggi keragamannya. Karakteristik curah hujan di berbagai daerah tentunya tidak sama. Kondisi ini diakibatkan oleh beberapa faktor, yakni: geografis, topografis, dan orografis. Belum lagi ditambah dengan struktur dan orientasi kepulauan. Akibatnya pola sebaran curah hujan cenderung tidak merata antara daerah yang satu dengan daerah yang lain dalam ruang lingkup yang luas.
Daerah Paloh yang wilayahnya dekat dengan garis khatulistiwa tentunya mendapat pengaruh yang signifikan dari iklim tropis yang dimiliki Indonesia, salah satunya tentang curah hujan, dan mengingat bahwa hujan di wilayah tropis banyak berpengaruh terhadap kehidupan manusia dalam segala aspeknya, maka penulis berusaha mengumpulkan dan melakukan pengolahan data curah hujan dimaksud. Selain itu disertai juga dengan pengolahan data suhu udara dan kelembapan udara selama 30 tahun di Stasiun Meteorologi Paloh. Sementara itu untuk pembuatan simulasi prediksi total hujan bulanan digunakan metode regresi linier sederhana dan regresi linier berganda.
Berkaitan dengan adanya tipe-tipe total hujan bulanan, maka presisi prediksi total hujan bulanan akan berbeda-beda dari tempat yang satu dengan tempat yang lain. Prediksi total hujan bulanan dengan metode tertentu sangat sesuai dengan tempat yang satu, tetapi dapat juga tidak sesuai pada tempat yang lain. Untuk itu evaluasi prediksi total hujan bulanan sangat diperlukan sehingga hasil kajian dapat digunakan sebagai masukan dalam menyiapkan prediksi total hujan bulanan pada bulan-bulan berikutnya.
I.2 TUJUANTujuan dari penulisan ini adalah :
Melaksanakan simulasi prediksi total hujan bulanan di Stasiun Meteorologi Paloh dengan memanfaatkan data Suhu Udara dan Kelembapan Udara dan menggunakan persamaan regresi linier sederhana dan regresi linier berganda.
Mengevaluasi besarnya nilai penyimpangan dari hasil prediksi total hujan bulanan terhadap total hujan observasi dengan menghitung nilai Koefisien Korelasi, Root Mean Square Error dan perbedaan hasil prediksi dengan observasi
I.3 BATASAN MASALAHDalam tulisan ini dilakukan simulasi prediksi total hujan bulanan tahun 2011
menggunakan persamaan regresi linier sederhana dan regresi linier berganda dengan suhu udara dan kelembapan udara sebagai prediktor atau variabel penduga. Penggunaan 2 variabel ini dimaksudkan karena suhu udara dan kelembapan udara banyak berperan secara fisis dalam mekanisme pembentukan dan pertumbuhan awan hingga berkaitan dengan kejadian hujan. Dalam tulisan ini hanya dibahas tentang kaitan dan peranan suhu udara dan kelembapan udara sebgai variabel penduga total hujan bulanan di stasiun Meteorologi Paloh.
I.4 METODOLOGI PENELITIAN Menyiapkan data suhu udara, kelembapan udara dan curah hujan yang diperoleh dari
data F-KLIM 71 stasiun Meteorologi Paloh Menyiapkan persamaan regresi linier sederhana dan regresi linier berganda untuk
melakukan simulasi prediksi total hujan bulanan dengan suhu udara dan kelembapan udara sebagai prediktornya
Melakukan simulasi prediksi total hujan bulanan dengan memasukkan nilai prediktor ke dalam persamaan regresi linier sederhana dan regresi linier berganda setiap bulannya
Menghitung nilai penyimpangan hasil prediksi total hujan bulanan terhadap total hujan observasinya.
II. DATA DAN METODEII.1 DATA
Data yang digunakan dalam penulisan ini adalah data iklim yang diperoleh dari F-KLIM 71 Stasiun Meteorologi Paloh, yang terdiri atas :
Data total curah hujan bulanan Data rata-rata suhu udara bulanan Data rata-rata kelembaban udara bulananData suhu udara dan kelembapan udara bulanan merupakan rata-rata bulanan hasil
dari jumlah data rata-rata harian selama satu bulan kemudian dibagi dengan banyaknya data pada bulan yang bersangkutan. Panjang data yang digunakan adalah 30 tahun dari tahun 1983 - 2012.
Data total hujan, suhu udara, dan kelembapan udara bulanan selama 28 tahun (1983-2010), digunakan untuk membentuk persamaan regresi. Data suhu udara dan kelembapan udara bulanan tahun 2011 digunakan untuk memprediksi total hujan. Sedangkan data total hujan bulanan pada tahun 2011 dan 2012 digunakan sebagai pembanding dalam melakukan verifikasi hasil prediksi total hujan bulanan.
II.2 METODE2.2.1 Metode Prediksia. Regresi Linier Sederhana
Metode prediksi regresi linier sederhana dilakukan dengan cara membentuk persamaan regresi agar dapat melakukan simulasi memprediksi total hujan bulanan di Stasiun Meteorologi Paloh. Adapun persamaan yang digunakan adalah sebagai berikut:
Y = A + BXDengan: Y = variabel yang diduga (predictant/ dependent); A = konstanta; B =
koefisien regresi; dan X = variabel penduga (prediktor/ independent).Koefisien A dan B pada persamaan di atas dapat dihitung dengan cara sebagai berikut:
Sedangkan:A = Ymean - B*Xmean
Dengan: X = data suhu udara (kelembapan udara); Y = data total hujan (mm); dan n = banyak data.
b. Regresi Linier BergandaMetode prediksi regresi linier berganda ini dilakukan dengan cara membentuk
persamaan regresi yang digunakan untuk melakukan simulasi prediksi total hujan bulanan menggunakan lebih dari dari satu variabel independen. Hasil prediksi total hujan bulanan menggunakan metode ini dibandingkan dengan prediksi total hujan bulanan menggunakan regresi linier sederhana sehingga dapat terlihat hasil prediksi yang lebih baik setelah dicocokkan dengan data observasi. Adapun persamaan umum metode ini adalah sebagai berikut:
Y = B0 + B1 X1 + B2 X2 + ….. + Bk Xk
Dengan: Bo = konstanta; B1, B2, ….. Bk = koefisien variabel X1, X2,...., Xk; Y = variabel yang diduga (variabel dependen); dan Xi = variabel penduga (variabel independen). Untuk analisis dengan metode regresi dibedakan dua jenis variabel ialah variabel bebas (independent) atau variabel prediktor dan variabel tidak bebas (dependent) atau variabel respon. Variabel bebas merupakan variabel yang dapat mempengaruhi varibel tidak bebas atau variabel yang dapat memprediksi harga variabel tidak bebas. Variabel ini dinyatakan dengan X1, X2, ..., Xk. Sedangkan variabel tidak bebas merupakan variabel yang terjadi karena varibel bebas atau variabel yang mencerminkan respon dari variabel bebas, dinyatakan dengan Y .
Dalam tulisan ini variabel bebas (independent) atau prediktor adalah suhu udara dan kelembapan udara, sedangkan variabel tidak bebas (dependent) atau variabel respon adalah total hujan. Proses pembuatan prakiraan ada dua tahap, tahap pertama membuat persamaan regresi untuk tiap bulan berdasarkan bulan yang sama selama 28 tahun dari tahun 1983 - 2010 dan tahap kedua memprediksi total hujan bulan dengan memberikan nilai variabel penduga (prediktor) pada persamaan regresi yang dibuat.
2.2.2 Metode Evaluasia. Root Mean Square Error
Metode ini digunakan untuk mengetahui besarnya penyimpangan yang terjadi antara nilai prediksi total hujan dibandingkan dengan nilai total hujan aktualnya yang terjadi selama satu tahun. Dari nilai ini dapat dilakukan analisa prediksi total hujan dengan prediktor mana diantara suhu maupun kelembapan udara atau suhu dan kelembapan udara yang
memiliki nilai penyimpangan yang besar atau kecil .Perlu diketahui bahwa untuk validasi hasil prakiraan semakin besar nilai RMSE, maka semakin jauh nilai data total hujan bulanan prakiraan terhadap total hujan aktualnya dan semakin kecil nilai RMSE maka semakin baik prediksi total hujannya. Karena tingkatkesalahan yang dapat diminimalisir dapat meningkatkan tingkat akurasi prakiraan
b. Koefisien KorelasiNilai koefisien korelasi digunakan untuk menentukan besarnya hubungan atau
kedekatan antara total hujan yang telah diprediksi dengan total hujan aktual yang terjadi. Dalam hal ini kedekatan yang dicari adalah besarnya nilai prediksi dengan menggunakan prediktor mana diantara suhu atau kelembapan udara atau suhu dan kelembapan udara yang paling baik. Kuat tidaknya hubungan antara prediksi total hujan bulanan dengan total hujan observasinya dapat diukur dengan suatu nilai yang disebut dengan koefisien korelasi. Nilai koefisien korelasi ini paling sedikit -1 dan paling besar 1.
Untuk Validasi hasil prakiraan dengan menggunakan koefisien korelasi, semakin kuat korelasi maka semakin baik hasil validasi berarti semakin tinggi tingkat akurasi prakiraan.
III. HASIL DAN PEMBAHASANIII.1 HASIL
Tabel 3.1 Persamaan regresi linier sederhana dengan prediktor Suhu (T) dan Kelembaban (RH)
No
Bulan
Persamaan Regresi Linier Sederhana
Suhu Udara (T)Kelembaban Udara
(RH)1 Januari Y = - 691 + 44 X Y = - 14078 + 169 X2 Februari Y = - 272 + 20 X Y = - 5437 + 64 X3 Maret Y = - 493 + 25 X Y = - 4537 + 43 X4 April Y = - 1064 + 45 X Y = - 1796 + 22 X5 Mei Y = 770 - 22 X Y = - 1408 + 18 X6 Juni Y = 943 - 32 X Y = - 2529 + 31 X7 Juli Y = 713 - 22 X Y = - 1293 + 17 X8 Agustus Y = - 659 + 30 X Y = - 2524 + 31 X
9Septembe
rY = 415 - 7 X Y = - 1769 + 23 X
10 Oktober Y = - 26 + 11 X Y = - 2507 + 32 X
11Nopembe
rY = - 1134 + 55 X Y = - 772 + 13 X
12 Desember Y = 3012 - 95 X Y = - 2708 + 36 X
Tabel 3.2 Prediksi Total hujan bulanan tahun 2011 menggunakan prediktor Suhu (T) dan Kelembaban (RH) di Stasiun meteorologi Paloh
No
BulanPrediksi CHT Tahun
2011 (mm)Prediksi CHRH Tahun
2011 (mm)
1 Januari 430,6 654,72 Februari 236,3 268,63 Maret 169,4 181,84 April 152,4 174,45 Mei 139,2 153,76 Juni 80,4 134,87 Juli 117,1 141,58 Agustus 174,1 121,49 Septembe 223,0 260,8
r10 Oktober 253,8 288,8
11Nopembe
r325,2 349,0
12 Desember 508,9 456,2
Tabel 3.3 Persamaan regresi linier berganda dengan prediktor Suhu (T) dan Kelembaban (RH)
No Bulan Persamaan Regresi Linier Berganda
1 Januari Y = - 16993 + 66X1 + 171X22 Februari Y = - 1498 + 20X1 + 16X23 Maret Y = - 3434 - 77X1 + 68X24 April Y = - 9573 + 285X1 + 29X25 Mei Y = 1569 - 78X1 + 11X26 Juni Y = - 273 + 61X1 - 10X27 Juli Y = - 1202 + 77X1 - 4X28 Agustus Y = -345 + 115X1 - 26X29 September Y = - 2474 + 157X1 - 15X210 Oktober Y = 2171 - 41X1 - 6X211 Nopember Y = 210 - 2X1 + 4X212 Desember Y = -265 + 31X1 - 1X2
Gambar 3.1 Perbandingan prediksi total hujan bulanan dengan prediktor T dengan data curah hujan hasil observasi tahun 2011 di Stasiun Mtetorologi Paloh
Jan Mar Mei JulSe
pNop
0100200300400500600700800900
Curah Hujan Bulanan terhadap Prediktor T tahun 2011
PrediksiData Obs
Cura
h Hu
jan
Jan
Feb
Mar
Apr
Mei
Jun
JulAgust
Sep
Okt
Nop
Des
0100200300400500600700800900
Curah Hujan Bulanan terhadap prediktor RH tahun 2011
PrediksiData Obs
Cura
h Hu
jan
Gambar 3.2 Perbandingan prediksi total hujan bulanan dengan prediktor RH dengan data curah hujan hasil observasi tahun 2011 di Stasiun Mtetorologi Paloh
Gambar 3.3 Perbandingan prediksi total hujan bulanan dengan prediktor T dan RH dengan data curah hujan hasil observasi tahun 2011 di Stasiun Mtetorologi Paloh
III.2 PEMBAHASANIII.2.1 Prediksi
Tabel 3.4 Prediksi dan Penyimpangan Total Hujan Bulanan tahun 2011
BulanPrediktor T Prediktor RH Prediktor T dan RH
Prediksi (mm)
Penyimpangan (mm)
Prediksi (mm)
Penyimpangan (mm)
Prediksi (mm)
Penyimpangan (mm)
Januari 431 427 655 202 560 297
Februari 236 73 269 40 475 166
Maret 169 2 182 14 522 354
April 152 66 174 88 680 594
Mei 139 51 154 65 369 281
Juni 80 128 135 73 585 377
Juli 117 87 142 111 620 590
Agustus 174 24 121 28 643 439
September 223 23 260 61 469 269
Oktober 254 65 289 100 521 332
November 325 43 349 67 495 213
Desember 509 239 456 292 481 266
III.2.2 Evaluasia. Root Mean Square Error
Secara keseluruhan prediksi total hujan bulanan tahun 2011 di stasiun meteorologi Paloh untuk prediktor suhu udara menghasilkan nilai rata-rata RMSE sebesar 153 mm, dengan menggunakan prediktor kelembaban udara menghasilkan nilai rata-rata RMSE sebesar 121 mm, dan menggunakan prediktor suhu dan kelembaban menghasilkan nilai rata-rata RMSE 377 mm.
Dari ketiga prediktor di atas nampak bahwa prediksi total hujan bulanan dengan menggunakan prediktor suhu udara dan kelembaban udara sekaligus memiliki nilai
1 2 3 4 5 6 7 8 9 10 11 120.0
100.0200.0300.0400.0500.0600.0700.0800.0900.0
Curah Hujan Bulanan terhadap Prediktor T dan RH tahun 2011
PrediksiData ObsCu
rah
huja
n
Bulan
penyimpangan yang relatif lebih besar daripada menggunakan prediktor suhu udara dan prediktor kelembapan udara. Sedangkan untuk prediksi total hujan bulanan menggunakan prediktor kelembapan udara mempunyai nilai penyimpangan yang relatif lebih rendah dari yang lainnya.
Hal tersebut di atas menunjukkan bahwa prediksi total hujan bulanan 2011 dengan menggunakan prediktor kelembapan udara memiliki hasil prakiraan yang cukup baik dibandingkan dengan prakiraan menggunakan prediktor suhu udara ataupun suhu udara dan kelembapan udara sekaligus.
b. Koefisien KorelasiNilai Koefisien Korelasi antara simulasi presiksi total hujan bulanan dengan prediktor
suhu udara pada tahun 2011 di stasiun meteorologi Paloh adalah r = - 0,6 menggunakan prediktor kelembaban udara diperoleh r = 0,8 dan menggunakan prediktor suhu udara dan kelembaban udara diperoleh r = - 0,3
Nilai koefisien korelasi menggunakan prediktor kelembaban udara memiliki sifat yang lebih kuat dibandingkan dengan menggunakan prediktor suhu udara dan prediktor suhu udara dan klembaban udara sekaligus artinya prediksi total hujan bulanan 2011 menggunakan prediktor kelembaban udara memiliki hasil prakiraan yang lebih baik.
IV. KESIMPULANDari hasil pembahasan di atas dapat ditarik kesimpulan antara lain :
1. Prediksi total hujan bulanan tahun 2011 menggunakan prediktor suhu udara dan prediktor kelembaban udara menunjukkan nilai yang cukup baik pada bulan maret, dan menggunakan prediktor suhu udara dan kelembaban udara sekaligus menunjukkan nilai yang cukup baik pada bulan November.
2. Prediksi total hujan bulanan menggunakan prediktor kelembaban udara memiliki hasil prakiraan yang cukup baik dibandingkan dengan prediktor suhu udara ataupun suhu udara dan kelembapan udara sekaligus.
V. DAFTAR PUSTAKA
Soepangkat. Pengantar Meteorologi. Badan Diklat Perhubungan. Balai Diklat Meteorologi dan Geofisika. Jakarta
Tjasyono, B. (1999). Klimatologi Umum. Bandung: ITB.
Prasetyo, Aji. 2012. Penggunaan Metode RMSE Untuk Memvalidasi Prediksi Curah Hujan Bulanan Tahun 2006-2010 di Stasiun Meteorologi Babullah Ternate. AMG: Jakarta
Zakir, A., Sulistya, W., dan Khotimah, M.K. 2010. Perspektif Operasional Cuaca Tropis. Pusat Penelitian dan Pengembangan BMG: Jakarta.
Referensi Internet:1. www.wikipedia.com 2. www.google.com