[D1]RMSEP NWP saya liat dari mbak dewinta krn data training dan testingnya sama
ANALISIS DAN PEMBAHASAN www.themegallery.com
Validasi Model Nilai RMSEP MOS ICA dan PCA Stamet
Tanjung Priok
Cengkareng
Curug
Darmaga
RMSEP MOS
%IM
ICA
PCA
RMSEP NWP
Tmax
0.879
0.953
2.600
66.192
PCA 63.346
Tmin
0.904
0.805
1.775
49.070
54.648
RH
4.809
5.660
6.174
22.109
8.325
Tmax
1.039
1.034
2.459
57.747
57.950
Tmin
2.589
0.705
1.278
-102.582
44.836
RH
6.999
7.169
6.882
-1.700
-4.170
Tmax
1.249
1.097
2.688
53.534
59.189
Tmin
3.049
0.626
0.857
-255.776
26.954
RH
6.092
5.962
6.515
6.493
8.488
Tmax
0.924
0.926
2.070
55.362
55.266
Tmin
0.124
0.663
1.260
90.159
47.381
RH
5.067
5.199
11.515
55.997
54.850
Unsur Cuaca
ICA
PENUTUP www.themegallery.com
Kesimpulan 1. Semua variabel NWP di empat stasiun pengamatan tidak berdistribusi normal multivariat setelah diuji dengan Shapiro Wilk Multivariat α = 0.05. 2. Hasil reduksi dimensi menggunakan metode PCA menghasilkan total komponen utama yang digunakan sebagai variabel prediktor pada pemodelan MOS di stasiun Tanjung Priok sebanyak 38 variabel, Cengkareng sebayak 37 variabel, Curug sebanyak 34 variabel, dan Darmaga sebanyak 36 variabel. Sedangkan hasil reduksi dimensi ICA menghasilkan total komponen utama yang digunakan dalam penyusunan MOS berturut-turut 36, 38, 34 dan 43 variabel. 3. Dengan nilai RMSEP terbukti bahwa MOS mampu mengurangi bias yang dihasilkan data NWP. MOS Stepwise ICA lebih baik dibandingkan dengan MOS Stepwise PCA. Hasil pengkoreksian bias untuk ICA dan PCA masing-masing mampu mencapai 90.159% dan 63.346%.
PENUTUP www.themegallery.com
Saran 1. Model regresi yang digunakan dalam penyusunan MOS lebih advanced untuk menghindari multikolinearitas. 2. Sebaiknya menggunakan data training dan testing dengan periode yang lebih panjang.
DAFTAR PUSTAKA www.themegallery.com
Aldrian, E. (2008). Dominant Factors of Jakarta’s Three Largest Floods. J. Hidrosfir Indonesia 3: 105-112. Arfianto, A.D. (2008). Aplikasi Model regresi Logistik Untuk Prakiraan Kejadian Hujan. Skripsi. Bogor: Institut Pertanian Bogor. Ariyat, A. (2008). Perbandingan Metode Regresi Unsur Utama, Regresi Kuadrat Terkecil Parsial, dan regresi Bertatar dalam Pendugaan Suhu dan Kelembapan. Skripsi. Bogor: Institut Pertanian Bogor. Badan Meteorologi Klimatologi dan Geofisika. (2005). Laporan Kegiatan Pengembangan Model Output Statistik (MOS) untuk Pemodelan Prakiraan Cuaca Jangka Pendek. BMKGJakarta Badan Meteorologi Klimatologi dan Geofisika. (2011). Analisis Musim Kemarau 2011 dan Prakiraan Musim Hujan 2011/2012 Provinsi DKI Jakarta. BMKG-Jakarta. Badan Meteorologi Klimatologi dan Geofisika. (2005). Laporan Kegiatan Pengembangan Model Output Statistik (MOS) untuk Pemodelan Prakiraan Cuaca Jangka Pendek. BMKGJakarta. Daniel, W.W. (1989). Statistika Nonparametrik Terapan. Jakarta: PT Gramedia. Davis, J.T. (2004). Bias Removal and Model Consensus Forecast of Maximum and Minium Temperatures using The Graphical Forecast Editor. NOOA NWS Office Tucson, Arizona,WR Technical 04: 10-13. Draper, N & Smith, H. (1998). Analisis Regresi Terapan. Jakarta: PT Gramedia Pustaka Utama.
DAFTAR PUSTAKA www.themegallery.com
Glahn, H.R. & Lowry, D.A. (1972). The Use Model Output Statistics (MOS) in Objective Weather Forecasting. J.Appl.Meteor 11: 1203-1211. Gujarati, D.N. (2004). Basic Econometrics. Fourth Edition. New York: The McGraw-Hill Companies Haykin, S. (2009). Neural Networks and Learning Machines. New Jersey: Pearson Education, Inc. Hyvärinen et al. (2001). Independent Component Analysis. New York: John Wiley and Sons, Inc. Hyvärinen, A & Oja, E. (2000). Independent Component Analysis: Algorithm and Applications. Neural Networks 13: 411-430. Johnson, R.A & Wichern, D.W. (2002). Applied Multivariate Statistical Analysis. 5th Ed. New Jersey: Prentice Hall. Korea Meteorological Administration (KMA). (2002). Training Course on Weather Forecasting for Operational Meteorologists. Korea Meteorological Administratio. Langlois, D et al. (2010). An Introduction to Independent Component Analysis: InfoMax and FastICA algorithms. Tutorials in Quantitative Methods for Psychology 6: 31-38. Li, K. C. (1991). Sliced Inverse Regression for Dimensional Reduction. Journal of the American Statistical Association 414: 316-327. Neilley, P.P & Hanson, K.A. (2004). Are Model Output Statistics Still Need?. Preprints, 20th Conference on Weather Analysis and Forecasting/16th Conference on Numerical Weather Prediction, Seattle, WA, Amer. Meteor. Soc.:64. Nichols, M. (2008). Model Output Statistics. Independent Research Program. 2008-2009.
DAFTAR PUSTAKA www.themegallery.com
Panik, M. J. (2009). Regression Modelling. Methods, Theory, and Computation with SAS. New York: CRC Press Taylor & Francis Group. Prastuti, M. (2012). Klasifikasi Kejadian Hujan Menggunakan Regresi Logistik Ordinal dan Pricipal Component Analysis Sebagai Pra-Pemrosesan Data Numerical Weather Prediction. Skripsi. Surabaya : Institut Teknologi Sepuluh Nopember. Renecher, Alvin C. (2002). Methods of Multivariate Analysis. New York: John Wiley and Sons, Inc. Royston, J. P. (1981). An Extension of Shapiro and Wilk’s W Test for Normality to Normality to Large Samples. Jurnal Appl. Statist. 2: 115-124 Safitri, R. (2012). Model Output Statistics dengan Projection Pursuit Regression untuk Meramalkan Suhu Minimum, Suhu Maksimum, dan Kelembapan. Skripsi. Surabaya : Institut Teknologi Sepuluh Nopember. Thorarinsdottir, T.L. & Gneiting, L. (2008). Probabilistic Forecasts of Wind Speed: Ensemble Model Output Statistics using Heteroskedastic Censored Regression. Technical Report 546, Department of Statistics, University of Washington. Walpole, R. E. (1995). Pengantar Statistika Edisi ke-3. Jakarta: Gramedia. Wilks, D. S. (2006). Statistical Methods in the Atmospheric Sciences (2nd). Boston: Elvesier.
www.themegallery.com
