INTER-RELASI KELUARAN MODEL NWP UNTUK POTENSI PRAKIRAAN CUACA JANGKA PENDEK TIGA WILAYAH TIPE HUJAN DI INDONESIA DEVITA RISTANTI

INTER-RELASI KELUARAN MODEL NWP UNTUK POTENSI PRAKIRAAN CUACA JANGKA PENDEK TIGA WILAYAH TIPE HUJAN DI INDONESIA

DEVITA RISTANTI

DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009

ABSTRAK DEVITA RISTANTI. Inter – Relasi Keluaran Model NWP untuk Potensi Prakiraan Cuaca Jangka Pendek Tiga Wilayah Tipe Hujan di Indonesia. Dibimbing oleh AHMAD BEY dan KUKUH RIBUDIYANTO. Prakiraan cuaca jangka pendek di Indonesia saat ini memanfaatkan keluaran model NWP. Model NWP merupakan prediksi cuaca harian yang rutin dengan komputer menggunakan persamaan matematik. Banyak orang mengakui bahwa sistem cuaca skala meso belum disimulasikan secara memuaskan oleh model NWP. Tujuan dari penelitian ini yaitu untuk mempelajari dan memahami teknik prediksi cuaca jangka pendek dan membuat suatu analisis statistik sebagai upaya pemanfaatan data output model NWP untuk prediksi cuaca. Parameter cuaca yang akan dibahas dan diprediksi dalam penelitian ini yaitu CH, T max, T min, RH max dan RH min dengan daerah kajian adalah tiga wilayah tipe hujan di Indonesia yaitu Padang, Jakarta dan Ambon. Kota Ambon merupakan kota yang paling baik untuk pemaanfaatan model NWP dalam penelitian ini dilihat dari plot nilai output model dengan hasil observasi lapangan yang berpola sama. Nilai output model NWP (prediksi) dengan nilai observasi lapangan tidak sama atau terdapat error antara keduanya, untuk itu dicari faktor koreksi untuk meminimalisasi nilai error tersebut. Untuk model hujan, nilai RMSE berkurang hingga 8.9 % sementara nilai MAE berkurang hingga 25 % karena menggunakan faktor koreksi. Untuk model suhu nilai RMSE berkurang hingga 80 % sementara nilai MAE berkurang hingga 84 % setelah menggunakan faktor koreksi. Sedangkan untuk model RH nilai RMSE berkurang hingga 81% sementara nilai MAE berkurang hingga 85% setelah menggunakan faktor koreksi. Hasil ini menunjukkan bahwa penggunaan faktor koreksi lebih berpengaruh nyata pada model regresi suhu (Tmax dan Tmin) dan RH (RHmax dan RH min) daripada model regresi CH.

Kata kunci: Numerical Weather Prediction (NWP), prakiraan cuaca jangka pendek, pola curah hujan, faktor koreksi

ABSTRACT DEVITA RISTANTI. Numerical Weather Prediction (NWP) Output Model Potentials for Shortrange Weather Forecasting in three different rainfall patterns in Indonesia. Supervised by AHMAD BEY and KUKUH RIBUDIYANTO. Most of the present day short-range weather forecasting centers all over the world, including Indonesia, utilize various NWP products. NWP prediction is performed by solving mathematical equations which describe the behavior of the atmosphere. Current available NWP model is not yet satisfactorily capable of simulating mesoscale weather systems. The main objective of this research is to comprehend the process and technique of preparing short-range weather forecasts using NWP products; this is followed by incorporating statistical analysis to possibly reveal any useful relationship between NWP model output and observational data to enhance forecasting accuracy. Weather parameters to be focused in this research include rainfall, maximum and minimum temperature, maximum and minimum relative humidity in the three different rain type areas of Indonesia, namely, Padang, Jakarta, and Ambon. This study clearly reveals that using NWP model output is highly prospective for shotrange weather prediction in Ambon; the plot of prediction output shows similar pattern with observational data. The output values of NWP model (prediction) and the values of field observation are not precisely the same due to systematic errors. A simple linear correction factor is attempted to reduced the errors. For rainfall, the correction factor causes the RMSE value to decrease by 8.9% while MAE value decreases by 25%. For temperature, RMSE value decreases by 80%, while MAE value decreases by 84%; while for relative humidity, RMSE value decreases by 81%, while MAE value decreases by 85%. This results show that using of correction factor for temperature regression model (Max Temp and Min Temp) and relative humidity (Max RH and Min RH) is more effective than rainfall regression model.

Key words: Numerical Weather Prediction (NWP), Short-range Weather Prediction, Rainfall patterns, Correction Factor

INTER-RELASI KELUARAN MODEL NWP UNTUK POTENSI PRAKIRAAN CUACA JANGKA PENDEK TIGA WILAYAH TIPE HUJAN DI INDONESIA

DEVITA RISTANTI G24052601

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Geofisika dan Meteorologi

DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR

2009

KATA PENGANTAR

Alhamdulillah segala puji dan syukur penulis panjatkan ke hadirat Allah SWT atas segala nikmat dan rahmat - Nya sehingga penelitian ini dapat berjalan dengan baik. Penelitian ini berjudul “Inter-relasi Keluaran Model NWP untuk Potensi Prakiraan Cuaca Jangka Pendek Tiga Wilayah Tipe Hujan di Indonesia” yang bertempat di Laboratorium Meteorologi dan Pencemaran Atmosfer, Departemen Geofisika dan Meteorologi IPB serta di Badan Meteorologi, Kimatologi dan Geofisika Pusat Jakarta Bagian Informasi Meteorologi Publik. Penulis tidak lupa menyampaikan ucapan terima kasih yang sebesar - besarnya kepada : 1. Kedua orang tua serta adik (Gesti Prabandini) atas segala doa, kasih sayang, semangat dan dukungannya selama ini. 2. Prof. Dr. Ir. Ahmad Bey dan Kukuh Ribudiyanto, S.Si sebagai pembimbing skripsi, yang banyak memberikan arahan dan bimbingan serta semangat selama kegiatan penelitian. 3. Ir. Henny Soeharsono, MS selaku dosen penguji atas segala saran dan kritiknya yang membangun. 4. Ir. Bregas Budiyanto, Ass, dpl. selaku pembimbing akademik atas nasehat dan arahannya selama p enulis menyelesaikan studi. 5. Dosen dan staf pengajar Departemen Geofisika dan Meteorologi atas ilmu yang telah diberikan kepada penulis. 6. Seluruh staf/pegawai Departemen Geofisika dan Meteorologi (Mas Aziz, Mbak Wanti, Pak Pono, Pak Udin, Mbak Icha, Pak Badrudin, Pak Khoirun, Bu Inda, Pak Jun) atas bantuannya selama ini. 7. Yudi Triawan Septiadhi atas hati, waktu, pundak,dukungan dan semangatnya. 8. Yohanes Ariyanto, Raden Tigin Purna Lugina dan Widya Ningsih atas bantuannya terhadap penulis selama menyelesaikan penelitin ini. 9. Teman – teman GFM angkatan 42 (Indah, Dewy, Anis, Lisa, Epi, Mbak Ium, Veza, Tanjung, Rifa, Ciciw, Nancy, Wita, Ivan, Dori, Gito, Victor, Anton, Indra, Franz, Apit, Budi, Ghulam, Hardie, Hengky, Nizar, Zahir, Galih, Heri, Wahyu, Aan, Dani, Obet, Tumpal, Irvan, Singgih) atas persahabatan dan keceriaan tak terlupakan yang telah kalian berikan selama 3 tahun ini. Semoga cerita kita menjadi “sebuah kisah klasik untuk masa depan” yang selalu indah untuk dikenang. 10. Kakak dan adik kelas di GFM atas persahabatan dan kebersamaannya. 11. Kawan seperjuangan Achie, Farida, Murti dan Yunita atas kebersamaan, persahabatan serta semangatnya selama ini. 12. Semua pihak yang telah membantu penulis dalam menyelesaikan studi yang tidak dapat disebutkan satu persatu. Akhir kata, penulis hanya bisa menyampaikan bahwa tanpa pribadi – pribadi di atas, tugas akhir ini tidak akan selesai dengan baik. Penulis menyadari bahwa tulisan dalam tugas akhir ini masih jauh dari sempurna, namun penulis berharap semoga penelitian ini dapat memberikan manfaat bagi pihak – pihak yang memerlukan.

Bogor, Oktober 2009

Devita Ristanti

RIWAYAT HIDUP

Penulis merupakan anak pertama dari dua bersaudara yang dilahirkan di Jakarta pada tanggal 26 Januari 1987 dari pasangan Bapak Purwanto dan Ibu Gemi Rahayu. Penulis memulai pendidikan formalnya di TK Miniatur tahun 1991-1993, kemudian penulis melanjutkan pendidikannya di SDN Kartika Sejahteradan lulus pada tahun 1999. Tahun 1999-2002, penulis melanjutkan studi ke SLTPN 1 Bojonggede dan tahun 2002-2005 ke SMU Negeri 5 Bogor. Pada tahun 2005, penulis lulus seleksi masuk IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan setahun kemudian diterima pada program studi Meteorologi Terapan, Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis pernah menjadi anggota Himpunan Profesi HIMAGRETO Departemen Kesekretariatan masa jabatan 2007/2008 dan Departemen Keilmuan dan Profesi masa jabatan 2008/2009. Selama menjalankan studi, penulis menerima beasiswa PPA (Peningkatan Prestasi Akademik) tahun 2005 – 2009. Penulis juga pernah melakukan kegiatan magang di Stasiun Klimatologi Kelas I Dramaga selama satu bulan dan menjadi asisten dosen mata kuliah Meteorologi Dinamik selama satu semester.

DAFTAR ISI Halaman DAFTAR ISI ............................................................................................................................................. iii DAFTAR TABEL .................................................................................................................................... iv DAFTAR GAMBAR ............................................................................................................................... v DAFTAR LAMPIRAN ........................................................................................................................... vi I.

PENDAHULUAN 1.1. Latar Belakang ........................................................................................................................ 1 1.2. Tujuan ....................................................................................................................................... 1

II.

TINJAUAN PUSTAKA 2.1. Tipe – tipe Prediksi Cuaca ..................................................................................................... 2.2. Proses Prediksi Cuaca Numerik ........................................................................................... 2.3. Model Numerical Weather Prediction (NWP) .................................................................. 2.3.1 Sejarah Model NWP ..................................................................................................... 2.3.2 Klasifikasi Model NWP ............................................................................................... 2.3.3 Persamaan Model NWP ............................................................................................... 2.4. Koreksi Prediksi Cuaca .......................................................................................................... 2.5. Pola Curah Hujan di Indonesia ............................................................................................. 2.6. Karakteristik Lokasi pengamatan .........................................................................................

III. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian ............................................................................................... 3.2. Data dan Peralatan ................................................................................................................. 3.3. Metode Penelitian 3.3.1. Karakteristik Output Model NWP ........................................................................... 3.3.2. Post Processing Output Model NWP .....................................................................

1 2 2 2 3 3 4 4 5

7 7 7 7

IV.

HASIL DAN PEMBAHASAN 4.1. Numerical Weather Prediction (NWP) .............................................................................. 8 4.2. Potensi Pemanfaatan Output Model NWP Studi Kasus Kota Padang, Jakarta dan Ambon ..................................................................................................................................... 15

V.

PENUTUP 5.1 Kesimpulan ................................................................................................................................. 25 5.2 Saran ........................................................................................................................................... 26

DAFTAR PUSTAKA ............................................................................................................................... 26 LAMPIRAN ............................................................................................................................................... 27

DAFTAR TABEL

1. 2. 3. 4. 5. 6. 7. 8.

Halaman Variabel NWP dalam beberapa level tekanan ............................................................................ 8 Operasional Penting dari KI ........................................................................................................... 11 Parameter model NWP yang mempunyai korelasi nyata dan lebih besar dari 0.5 dengan CH ........................................................................................................................................ 15 Nilai R2 dari Persamaan Regresi Berganda Model CH ............................................................ 16 Faktor Koreksi Model Hujan kota Ambon untuk masing-masing Bulan .............................. 19 Persamaan Regresi Model Suhu dan RH kota Ambon ............................................................. 20 Faktor Koreksi Model suhu kota Ambon untuk masing-masing Bulan ................................ 24 Faktor Koreksi Model RH kota Ambon untuk masing-masing Bulan.................................... 25

DAFTAR GAMBAR

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26.

Halaman Peta sebaran pola curah hujan Indonesia .................................................................................... 4 Geometri pergerakan bumi terhadap matahari ........................................................................... 5 Peta Sumatera Barat ........................................................................................................................ 5 Peta Kota Jakarta ............................................................................................................................. 6 Peta Kepulauan Maluku ................................................................................................................. 7 Ilustrasi perbedaan antara dunia nyata (a) dengan representasinya dalam model NWP (b) ............................................................................................................................................ 9 Grid Cell ........................................................................................................................................... 9 Grid Cell dua dimensi dalam Model NWP ................................................................................. 10 Dipole Mode Index ......................................................................................................................... 11 Suhu dan Pressure Velocity ........................................................................................................... 13 K – Index .......................................................................................................................................... 13 Lifted – Index .................................................................................................................................. 13 Showalter – Index ........................................................................................................................... 14 MSLP ................................................................................................................................................ 14 Moisture Flux dan Konvergensi ................................................................................................... 14 Plot Nilai CH Obs dan CH untuk kota Padang (a) , Jakarta (b) dan Ambon (c) ................... 17 Plot nilai CH Obs dan CH^ kota Ambon bulan DJF (a) , MAM (b), JJA (c) dan SON (d) ............................................................................................................................................. 18 Plot nilai CH Obs dan CH* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d) ............................................................................................................................................. 18 Plot nilai Tmax obs dan Tmax^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d) ............................................................................................................................................. 20 Plot nilai Tmin obs dan Tmin^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d) ............................................................................................................................................. 21 Plot nilai Tmax obs dan Tmax* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d) ............................................................................................................................................. 21 Plot nilai Tmin obs dan Tmin* kota Ambon bulan DJF (a), MAM (a), JJA (c) dan SON (d) ............................................................................................................................................. 22 Plot nilai RHmax obs dan RHmax^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d) ..................................................................................................................................... 22 Plot nilai RHmin obs dan RHmin^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d) ..................................................................................................................................... 23 Plot nilai RHmax obs dan RHmax* kota Ambon bulan DJF (a) , MAM (b), JJA (c) dan SON (d) ..................................................................................................................................... 23 Plot nilai RHmin obs dan RHmin* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d) ..................................................................................................................................... 24

DAFTAR LAMPIRAN

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31.

Halaman Hasil Intepretasi Peta Cuaca Output Model NWP dari KMA..................................................... 28 Plot Pola Angin Zonal Permukaan (u0) kota Ambon Tahun 2008............................................. 28 Plot Pola Angin Meridional Permukaan (v0) kota Ambon Tahun 2008 ................................... 28 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan DJF 2008........................... 29 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan MAM 2008 ....................... 31 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan JJA 2008 ........................... 33 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan SON 2008 ......................... 35 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan DJF 2008........................... 37 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan MAM 2008 ....................... 39 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan JJA 2008 ............................ 41 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan SON 2008.......................... 43 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan DJF 2008 .......................... 45 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan MAM 2008....................... 47 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan JJA 2008........................... 49 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan SON 2008 ......................... 51 Principal Component Analysis dan analisis regresi model CH kota Padang bulan DJF 2008 ..................................................................................................................... 53 Principal Component Analysis dan analisis regresi model CH kota Padang bulan JJA 2008...................................................................................................................... 53 Principal Component Analysis dan analisis regresi model CH kota Padang bulan SON 2008 .................................................................................................................... 54 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan DJF 2008 ...................................................................................................................... 55 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan MAM 2008 .................................................................................................................. 56 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan JJA 2008....................................................................................................................... 56 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan SON 2008 .................................................................................................................... 57 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan DJF 2008..................................................................................................................... 58 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan MAM 2008 ................................................................................................................. 59 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan JJA 2008 ...................................................................................................................... 60 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan SON 2008.................................................................................................................... 60 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan DJF 2008..................................................................................................................... 61 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan MAM 2008 ................................................................................................................. 62 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan JJA 2008 ...................................................................................................................... 62 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan SON 2008.................................................................................................................... 63 Principal Component Analysis dan analisis regresi model T min kota Ambon bulan DJF 2008..................................................................................................................... 64

Halaman 32. Principal Component Analysis dan analisis regresi model T min kota Ambon bulan MAM 2008 ................................................................................................................. 65 33. Principal Component Analysis dan analisis regresi model T min kota Ambon bulan JJA 2008 ...................................................................................................................... 65 34. Principal Component Analysis dan analisis regresi model T min kota Ambon bulan SON 2008.................................................................................................................... 66 35. Principal Component Analysis dan analisis regresi model RH max kota Ambon bulan DJF 2008..................................................................................................................... 67 36. Principal Component Analysis dan analisis regresi model RH max kota Ambon bulan MAM 2008 ................................................................................................................. 67 37. Princip al Component Analysis dan analisis regresi model RH max kota Ambon bulan JJA 2008 ...................................................................................................................... 68 38. Principal Component Analysis dan analisis regresi model RH max kota Ambon bulan SON 2008.................................................................................................................... 69 39. Principal Component Analysis dan analisis regresi model RH min kota Ambon bulan DJF 2008..................................................................................................................... 70 40. Principal Component Analysis dan analisis regresi model RH min kota Ambon bulan MAM 2008 ................................................................................................................. 70 41. Principal Component Analysis dan analisis regresi model RH min kota Ambon bulan JJA 2008 ...................................................................................................................... 71 42. Principal Component Analysis dan analisis regresi m odel RH min kota Ambon bulan SON 2008.................................................................................................................... 72

I. PENDAHULUAN 1.1. Latar Belakang Cuaca dan iklim merupakan bagian yang tak terpisahkan bagi kehidupan makhluk hidup di bumi. Pada pertengahan tahun 1950an, seluruh peta dan diagram cuaca diplotkan secara manual dan dianalisis oleh individual. Para meteorologist memprediksi cuaca dengan menggunakan aturan baku yang berhubungan dengan sistem cuaca tertentu yang dikaji (Ahrens 2007). Pengalaman merupakan hal yang paling penting dalam membuat prediksi cuaca sehingga prediksi cuaca saat itu masih bersifat sangat subjektif. Pada beberapa kasus, hasil prediksi dengan menggunakan metode tersebut sangat akurat, tapi dengan adanya komputer super canggih yang modern dan diikuti dengan teknik observasi yang baru, saat ini prediksi cuaca menjadi lebih baik. Super komputer modern dapat menganalisis data dalam jumlah besar dengan sangat cepat. Komputer tidak hanya memplotkan dan menganalisis data, tapi juga memprediksi cuaca. Prediksi cuaca harian yang rutin dengan komputer menggunakan persamaan matematik dikenal dengan sebutan Numerical Weather Predictio n (NWP). Walaupun model NWP menjadi semakin kompleks dan superkomputer saat ini lebih berguna banyak orang mengakui bahwa sistem cuaca skala meso belum disimulasikan secara memuaskan (Crook 1996 dalam Tong 2006). Indonesia merupakan negara kepulauan beriklim monsun yang memiliki dinamika cuaca dan atmosfer yang kompleks dan unik. Atmosfer di atas Indonesia memiliki peranan yang sangat dominan dalam sistem cuaca dan iklim global (Tjasyono et al. 2008). Saat ini, Indonesia menggunakan metode analogi yaitu metode dengan membandingkan atau memperhatikan pola cuaca yang sudah terjadi dengan kondisi cuaca yang sedang terjadi. Dasar pertimbangan untuk memprakirakan cuaca adalah dengan memanfaatkan model TLAPS (Tropical Limited Area Prediction System), Arhpege (prancis) yang diadopsi dari Australia dan Prancis, disamping itu membandingkan model meteorologi yang diambil dari Eropa, Amerika, Singapore, Jepang, dsb (Zakir 2008). Hasil prediksi model NWP biasanya kurang tepat untuk kondisi Indonesia yang memiliki dinamika cuaca dan atmosfer yang kompleks dan unik serta terkadang lebih dipengaruhi oleh kondisi lokal. Hal ini membuat hasil prakiraan cuaca di Indonesia banyak meleset. Untuk itu diperlukan suatu analisis statistik

untuk memvalidasi data output NWP yang digunakan agar lebih mendekati nilai observasi di lapangan. 1.2. Tujuan Penelitian Penelitian ini bertujuan untuk : 1. Mempelajari dan memahami teknik prediksi cuaca jangka pendek. 2. Membuat suatu analisis statistik sebagai upaya pemanfaatan data output model NWP untuk prediksi cuaca.

II. TINJAUAN PUSTAKA Prediksi cuaca dibuat untuk menyelamatkan kehidupan, properti dan tanaman serta untuk memberitahu kita apa yang sedang terjadi di dalam lingkungan atmosfer. Mengetahui keadaan cuaca di masa yang akan datang sangat penting bagi aktivitas manusia di bumi. Oleh karena itu, proses peramalan cuaca sangat dibutuhkan oleh manusia. 2.1 Tipe – tipe Prediksi Cuaca Prediksi cuaca dilakukan untuk berbagai jangka waktu, yaitu (Ahrens 2007): • Very Short – range forecast (nowcast) yaitu prediksi cuaca untuk beberapa jam ke depan (biasanya tidak lebih dari 6 jam). Teknik yang digunakan untuk membuat prediksi jangka ini biasanya adalah dengan menggunakan interpretasi subjektif dari observasi permukaan, citra satelit, dan informasi radar. Kadang kala pengalaman forecaster sangat dibutuhkan pada prediksi ini. • Short – range forecast (prediksi jangka pendek) yaitu prediksi cuaca untuk jangka waktu 6 jam hingga beberapa hari ke depan (biasanya 2,5 hari atau 60 jam). Forecaster menggunakan variasi teknik untuk membuat prediksi jangka pendek ini, seperti citra satelit, radar, peta cuaca permukaan, angin udara atas, dan pola trend cuaca sebelumnya. Untuk prediksi di atas kira – kira 12 jam, forecaster mulai mempertimbangkan penggunaan ramalan dengan komputer yang lebih rumit dan informasi statistik seperti Model Output Statistics (MOS). • Medium – range forecast (prediksi jangka menengah) yaitu prediksi cuaca untuk jangka waktu 3 sampai 8,5 hari (200 jam) ke depan. Prediksi jangka menengah hampir seluruhnya menggunakan produk dari komputer

seperti NWP dan MOS. Prediksi di atas 3 hari biasanya disebut juga dengan extended forecast. • Long – range forecast (prediksi jangka panjang) yaitu prediksi cuaca untuk jangka waktu lebih dari 8,5 hari (200 jam). Biasanya ramalan komputer tidak akurat untuk memprediksi lebih dari 16 hari terutama untuk prediksi temperatur dan presipitasi. 2.2 Proses Prediksi Cuaca Numerik Prediksi cuaca merupakan suatu initial value problem. Kondisi awal atmosfer (pada waktu t dan t - ∆t) harus diketahui dengan benar untuk memprediksi suhu di waktu setelahnya (t + ∆t). Jadi, untuk membuat prediksi dari cuaca riil, harus dimulai dulu dengan observasi dari cuaca riil tersebut. Berikut ini merupakan tiga tahap proses prediksi cuaca (Stull 2000) : 1. Pre – processing, dimana observasi cuaca dari berbagai lokasi dan waktu di seluruh dunia ditransf ormasi menjadi sebuah grid beraturan dari kondisi awal. 2. Prediksi cuaca secara terkomputerisasi, dimana pendekatan finite – difference persamaan pergerakan atmosfer diselesaikan. 3. Post – processing dilakukan untuk mengoreksi hasil prediksi dan untuk memproduksi produk tambahan lainnya. 2.3 Model Numerical Weather Prediction (NWP) Model NWP adalah sekumpulan kode komputer yang mempresentasikan secara numerik persamaan-persamaan atmosfir, digunakan untuk memprediksi kondisi atau status atmosfir yang akan datang dengan menggunakan kemampuan komputer yang tinggi. Prediksi/ramalan cuaca dirumuskan dengan menyelesaikan persamaan pergerakan atmosfir. Persamaan–persamaan tersebut meliputi persamaan non-linier time-dependent differential parsial angin, temperatur, kelembaban dan tekanan. 2.3.1 Sejarah Model NWP (BMG 2007) Tahun 1904, Vilheim Bjerknes (Norwegia) didalam papernya” Weather Forecasting as a Problem in Mechanic and Physics” mengusulkan bahwa kemungkinan untuk memprediksi atmosfir dengan sekumpulan persamaan angin, temperatur, tekanan dan kelembaban. Pada tahun 1922, Lewis Fry Richardson (Inggris) dalam bukunya “Weather Prediction by Numerical P rocess” mendiskusikan tentang bagaimana persamaan

– persamaan atmosfir dapat diselesaikan dengan kalkulator mekanik. Dia menduga bahwa sekitar 64000 orang dibutuhkan untuk bekerjasama dalam menghasilkan ramalan numerik. Dia juga mencoba untuk menghitung prediksi numerik perubahan tekanan di stasiun dengan menggunakan persamaan kontinyu. Untuk menghitung prediksi ramalan 6 jam dibutuhkan 6 minggu. Sayangnya, ramalan tekanan permukaan tidak sesuai besarnya dibandingkan dengan cuaca sesungguhnya (perubahan tekanan sebesar 145 hPa dalam 6 jam). John von Neumann, penemu komputer modern dan Vladimir Zworykin, penemu utama televisi (1945) mengusulkan untuk mengembangkan model NWP dengan menggunakan komputer elektronik. Keinginan utama Zworykin adalah modifikasi iklim dan membutuhkan metode yang handal untuk menghitung sirkulasi umum seluruh atmosfir. Von Neumann bekerja bersama-sama dengan ahli meteorologi meliputi Carl-Gustav Rossby dan Jule Charney. Melalui pengembangan penyederhanaan persamaan (disebut persamaan barotropik vorticity) oleh Charney dan Von Neumann, ahli komputer elektronik (ENIAC: Electrical Numerical Integrator and Calculator) yang didirikan 1950 untuk menghitung ramalan tiga numerik di Amerika Utara. Pada waktu yang sama, Rossby kembali ke Swedia untuk memulai program NWP. Komputer elektronik di Swedia dinamakan BESK, yang merupakan komputer tercanggih pada saat itu, didirikan dan dioperasionalkan pada 1953. Akhir 1954, Meteorologi Swedia mampu menghasilkan ramalan rutin 3 harian 500 hPa dengan model barotropik. Melalui penemuan komputer yang canggih diawal 1960-an, operasional model multilayer atmosfir dapat dilakukan. Beberapa pusat operasional memulai untuk menjalankan model numerik global, regional untuk menyediakan ramalan beberapa hari hingga mingguan. Saat ini, banyak pusat meteorologi menggunakan model NWP dan super komputer untuk menghitung ramalan cuaca dalam 10 hari atau lebih ke depan.

2.3.2 Klasifikasi Model NWP Model NWP dapat diklasifikasikan ke dalam empat kategori erdasarkan skala sistem atmosfir yang dihitung,, yaitu (BMG 2007):

1. Model Klimatologi Model ini disebut juga General C irculation Models (GCM). Model ini menggambarkan kondisi umum dari lapisan troposfir dan stratosfir dalam periode panjang. Dalam formulasi model, tidak banyak perbedaan dengan model skala sinoptik untuk perkiraan jangka menengah. Namun demikian, proses fisik seperti interaksi udara dan laut, sirkulasi benua, kandungan laut es dan proses stratosfir dibahas dengan teliti untuk menyediakan prakiraan jangka panjang. 2. Model Skala Sinoptik Model ini banyak digunakan oleh banyak pusat operasional di dunia untuk menghitung pra kiraan cuaca jangka menengah. Model ini dapat melingkupi domain global dan regional, tergantung pada aplikasi dan kemampuan komputasi di pusat meteorologi. Seringkali, model ini digunakan untuk memprediksi dan mengevaluasi sistem sinoptik seperti daerah tekanan tinggi, tekanan rendah (palung), sistem frontal dan siklon tropik. 3. Model Skala Meso Model ini digunakan untuk memprediksi perubahan cuaca lokal dan sistem cuaca skala meso seperti sistem konvektif pada daerah rendah monsun dan sirkulasi land-sea breeze. 4. Model Khusus Model ini digunakan untuk tujuan khusus seperti penyelidikan proses skala mikro dalam awan (cloud-resolving model) dan arah turbulensi di atas gunung. Model NWP juga dapat diklasifikasikan berdasarkan pada metode numerik yang digunakan menjadi sebagai berikut: 1. Model Grid (Finite differential method ) Model grid membagi atmosfir dalam kubus atau parcel udara. Semua nilai kontinyu temperatur, angin, uap lembab dsb digambarkan dengan sekumpulan nilai diskrit atau disebut nilai grid – point. Akibat gerakan udara dalam kubus, kemudian diprediksi berdasarkan kekuatan keaktifannya. Spasial kontinyu dan perubahan temporal disajikan pada pebedaan terbatas dalam pendekatan ini. Ukuran grid kotak atau jarak antara dua kotak menentukan resolusi model. Akurasi perkiraan model NWP pada prinsipnya akan meningkat jika resolusi model ditingkatkan. 2. Model Spectral Atmosfir digambarkan dengan basis fungsi series periodik. Model spectral disebut juga harmonik sperical dalam aplikasi model global. F ungsi sinus dan cosinus digunakan pada lokasi batas lateral dalam model regional,. Secara teori, pengembangan bidang

fisik tertentu menggunakan harmonik atau deret fourier seharusnya menggunakan jumlah suku takterbatas (infinite). Pada kegiatan operasional, hanya jumlah gelombang yang terbatas yang digunakan karena keterbatasan komputasi. Gelombang terkecil menentukan resolusi efektif model. 3. Model Elemen Terbatas (Finite) Model Elemen Terbatas digunakan dalam model komputasi dinamika fluida secara luas. Metode elemen terbatas secara fisik digambarkan menggunakan sekumpulan basis fungsi seperti halnya metode spectral , umumnya adalah polinomial order rendah. Area model dibagi ke dalam banyak elemen atau volume. 2.3.3 Persamaan Model NWP Persamaan yang digunakan dalam model NWP ada lima, yaitu (BMG 2007) : Konservasi Momentum :

Konservasi Energi :

Konservasi Massa (Persamaan Kontinu) :

Persamaan Status :

Konservasi Kelembaban :

Peramalan dengan menggunakan model NWP merupakan sebuah problem mengenai nilai kondisi inisial atmosfer, maksudnya adalah hasil peramalan yang baik tergantung pada kualitas kondisi inisial atmosfer, sementara itu kondisi atmosfer merupakan suatu hal yang sangat kom pleks dan dinamis. Asimilasi data adalah sebuah proses untuk membuat kondisi inisial atmosfer menjadi lebih sederhana, o leh karena itu, asimilasi data merupakan hal yang penting untuk meningkatkan mutu peramalan cuaca hasil model NWP dan kemudian

menjadi faktor terpenting dalam peramalan model NWP belakangan ini (KMA 2002). Kebanyakan teknik asimilasi berpengaruh besar dalam kecenderungan model untuk membuat kondisi status atmosfer seimbang selama proses prediksi. Status yang seimbang dari peramalan sebelum nya dapat digunakan sebagai ‘terkaan pertama’ dari kondisi awal untuk prediksi yang baru. Jika observasi cuaca yang baru disatukan dengan ‘terkaan pertama’, hasilnya disebut dengan analisis cuaca. Walaupun analisis cuaca merepresentasikan keadaan cuaca saat ini atau lampau (bukan sebuah prediksi), hasil analisa tersebut biasanya tidak tepat sama dengan data observasi mentah karena hasil analisis sudah melewati tahap smoothing dan seimbang secara parsial (Stull 2000). 2.4 Koreksi Prediksi Cuaca Sejumlah teknik statistik dapat diaplikasikan sebagai proses akhir untuk mengarahkan output model untuk lebih mendekati cuaca lokal. Dua metode statistik klasik yang sering digunakan yaitu Perfect Prog Method (PPM) dan Model Output Statistics (MOS). Kedua metode tersebut menggunakan regresi statistik untuk menghubungkan input (prediktor) dengan output berbeda (prediktan). Contoh dari prediktan adalah surface visibility, sementara itu prediktornya meliputi kelembaban relatif, kecepatan angin, dan presipitasi. Metode PPM menggunakan observasi sebagai prediktor untuk menjelaskan koefisien regresi sementara MOS

menggunakan suatu model forecast. Jika koefisien regresi sudah diketahui, kedua model tersebut menggunakan model forecast sebagai prediktor. Regresi terbaik ditemukan dengan menggunakan data prediktor dan prediktan dalam banyak tahun. Metode PPM memiliki kelebihan yaitu metode ini tidak tergantung pada model prediksi khusus dan dapat digunakan segera setelah merubah model prediksi. Metode PPM menghasilkan nilai prediktan terbaik hanya ketika model menghasilkan prediktor yang sempurna yang sangat jarang terjadi. Keuntungan atau kelebihan dari metode MOS adalah jika ada kesalahan model sistematik bisa dikompensasi dengan regresi statistik. Kekurangan dari MOS adalah data output model yang dikumpulkan harus dalam banyak tahun dan sesuai secara statistik sebelum menghasilkan regresi yang dapat digunakan untuk prediksi selanjutnya. Baik MOS maupun PPM mempunyai kekurangan yaitu parameter statistik harus ditetapkan atau konstan. 2.5 Pola Curah Hujan di Indonesia Sirkulasi monsoon mempengaruhi jumlah curah hujan musiman secara tegas yang menghasilkan periode hujan jika angin berhembus menuju ke pantai pada waktu musim panas dan periode kering jika angin berhembus menuju ke lepas pantai pada waktu musim dingin. Ragam curah hujan musiman akibat monsoon sangat jelas di daerah Asia Tenggara seperti di Indonesia.

Gambar 1. Peta sebaran pola curah hujan Indonesia (Kadarsah 2007)

Ada tiga pola curah hujan di Indonesia, yaitu (Tjasyono 2004) : a. Pola curah hujan jenis monsoon Karakteristik dari jenis ini adalah distribusi curah hujan bulanan berbentuk “V” dengan jumlah curah hujan minimum pada bulan Juni, Juli atau Agustus. Saat monsoon barat jumlah curah hujan berlimpah, sebaliknya saat monsoon timur jumlah hujan sangat sedikit. Daerah yang mempunyai curah hujan jenis monsoon sangat luas terdapat di Indonesia. b. Pola curah hujan jenis ekuator Distribusi curah hujan bulanan memiliki dua maksimum. Jumlah curah hujan maksimum terdapat setelah ekuinoks. Tempat di daerah ekuator seperti Pontianak dan Padang mempunyai pola curah hujan jenis ekuator. Pengaruh monsoon di daerah ekuator kurang tegas dibandingkan pengaruh insolasi pada waktu ekuinoks. Ekuinoks adalah kedudukan matahari tepat di atas ekuator terjadi pada tanggal 21 Maret dan 23 September.

Gambar 2

Kota Padang merupakan ibukota Propinsi Sumatera Barat yang berlokasi di pesisir barat Pulau Sumatera. Berdasarkan PP No. 17 Tahun 1980, luas Kota Padang adalah 69.494 ha dengan jumlah penduduk berjumlah 765.456 jiwa, yang tersebar di 11 kecamatan atau 103 kelurahan. 52,52% dari daerah Kota Padang adalah hutan lindung, 9,01% -nya bangunan dan pekarangan rumah, sedangkan 7,2%-nya atau sekitar 52,25 km2 adalah perairan (Badan Pusat Statistik Padang, 2003). Kota Padang terletak pada dataran rendah di pantai barat Pulau Sumatera. Secara geografis Kota Padang terletak pada 00 54’ – 10 Lintang Selatan (LS) dan 1000 17’ – 1000 34 ’ Bujur Timur (BT), dengan panjang pantai sepanjang 84 km. Kota Padang berada di sebelah Barat Bukit Barisan dan dengan garis pantai sepanjang 68,126 km. Sebagai kota pantai, Kota Padang terdiri atas dataran rendah yang terletak pada ketinggian 0 – 10 m di atas permukaan laut. Secara umum, Kota Padang terletak pada ketinggian yang berkisar antara 0-1.853 m di atas permukaan laut. Daerah tertinggi adalah Kecamatan Lubuk Kilangan, sedangkan daerah lainnya terletak pada dataran tinggi, yaitu sebelah selatan dan timur.

Geometri pergerakan bumi terhadap matahari (Linacre & Greets 2003)

c. Pola curah hujan jenis lokal Distribusi curah hujan bulanannya kebalikan dari jenis monsoon. Pola curah hujan jenis lokal lebih banyak dipengaruhi oleh sifat lokal. Daerah yang mempunyai jenis lokal sangat sedikit, misalnya daerah Ambon. 2.6 Karakteristik Lokasi pengamatan Lokasi pengamatan adalah tiga wilayah tipe hujan Indonesia (Tjasyono 2004). Daerah tipe hujan monsunal diwakili oleh Kota Jakarta, daerah tipe hujan equatorial diwakili oleh kota Padang, sedangkan daerah tipe hujan lokal diwakili oleh kota Ambon.

a. Kota Padang

Gambar 3

Peta Sumatera Barat (bulekbasandiang 2009) Kota Padang memiliki beberapa aliran sungai, baik yang besar maupun yang kecil (anakanak sungai) yang semuanya mengalir ke arah barat menuju Samudera Indonesia. Saat ini terdapat 21 aliran sungai, yang terdiri atas 5 sungai besar dan 16 sungai kecil. Kota Padang termasuk daerah beriklim tropis yang memiliki temperatur 23 0C –32 0C di siang hari dan 22 0C–28 0C di malam hari. Berlokasi

pada lembah di antara Bukit Barisan dan Samudera Indonesia, Kota Padang sangat dipengaruhi oleh angin musim dan angin laut yang menyebabkan curah hujan yang tinggi, yaitu 405,88 mm/bulan. Luas wilayah Kota Padang yang telah terbangun adalah 10% dari luas total Kota Padang, bagian yang tidak terbangun digunakan untuk kegiatan pertanian, kehutanan, perkebunan serta tanah yang tidak diusahakan. b. Kota Jakarta Jakarta terdiri dari dataran rendah dengan ketinggian rata-rata 7 meter di atas permukaan laut, terletak pada posisi 6°12’ Lintang Selatan dan 106°48’ Bujur Timur. Berdasarkan Keputusan Gubernur Nomor 1227 Tahun 1989, luas wilayah Provinsi DKI Jakarta adalah 7.659,02 km 2, terdiri dari daratan seluas 661,52 km 2, termasuk 110 pulau di Kepulauan Seribu, dan lautan seluas 6.997,50 km 2. Provinsi DKI Jakarta terbagi menjadi 5 wilayah kotamadya dan satu kabupaten administratif, yakni: Kotamadya Jakarta Pusat dengan luas 47,90 km 2, Jakarta Utara dengan luas 142,20 km 2, Jakarta Barat dengan luas 126,15 km 2, Jakarta Selatan dengan luas 145,73 km 2, dan Kotamadya Jakarta Timur dengan luas 187,73 km 2, serta Kabupaten Administratif Kepulauan Seribu dengan luas 11,81 km 2 . Di sebelah utara membentang pantai sepanjang 35 km, yang menjadi tempat bermuaranya 13 buah sungai dan 2 buah kanal. Di sebelah selatan dan timur berbatasan dengan Kota Depok, Kabupaten Bogor, Kota Bekasi dan Kabupaten Bekasi, sebelah barat dengan Kota Tangerang dan Kabupaten Tangerang, serta di sebelah utara dengan Laut Jawa. Secara geologis, seluruh dataran terdiri dari endapan pleistocene yang terdapat pada ±50 m di bawah permukaan tanah. Bagian selatan terdiri atas lapisan alluvial, sedang dataran rendah pantai merentang ke bagian pedalaman sekitar 10 km. Di bawahnya terdapat lapisan endapan yang lebih tua yang tidak tampak pada permukaan tanah karena tertimbun seluruhnya oleh endapan alluvium . Di wilayah bagian utara bar u terdapat pada kedalaman 10-25 m, makin ke selatan permukaan keras semakin dangkal 8-15 m. Pada bagian tertentu juga terdapat lapisan permukaan tanah yang keras dengan kedalaman 40 m. Keadaan Kota Jakarta umumnya beriklim panas dengan suhu udara maksimum berkisar 32,7 °C – 34 °C pada siang hari, dan suhu udara minimum berkisar 23,8 °C -25,4 °C

pada malam hari. Rata-rata curah hujan sepanjang tahun 237,96 mm, selama periode 2002-2006 curah hujan terendah sebesar 122,0 mm terjadi pada tahun 2002 dan tertinggi sebesar 267,4 mm terjadi pada tahun 2005, dengan tingkat kelembaban udara mencapai 73,0 - 78,0 persen dan kecepatan angin ratarata mencapai 2,2 m/detik - 2,5 m/detik (http://www.jakarta.go.id).

Gambar 4. Peta Kota Jakarta (Dimas 2009) c. Kota ambon Letak Kota Ambon berada sebagian besar dalam wilayah pulau Ambon, dan secara geografis terletak pada posisi: 3o – 4o Lintang Selatan dan 128o – 129o Bujur Timur. Ratarata kondisi topografi wilayah Kota Ambon agak datar mulai dari pesisir pantai sampai dengan wilayah pemukiman. Morfologi daratan Kota Ambon bervariasi dari datar, berombak, bergelombang dan berbukit serta bergunung dengan lereng dominan agak landai sampai curam. Daerah datar memiliki kemiringan lereng 0–3%, daerah berombak kemiringan lereng 3–8%, daerah bergelombang 8–15 %, daerah berbukit 15– 30% dan daerah bergunung kemiringan lerengnya lebih besar dari 30%. Iklim di Kota Ambon adalah iklim laut tropis dan iklim musim, karena letak pulau Ambon di kelilinggi oleh laut. Oleh karena itu iklim di sini sangat dipengaruhi oleh lautan dan berlangsung bersamaan dengan iklim musim, yaitu musim Barat atau Utara dan musim Timur atau Tenggara. Pergantian musim selalu diselingi oleh musim Pancaroba yang merupakan transisi dari kedua musim tersebut. Musim Barat umumnya berlangsung dari

bulan Desember sampai dengan bulan Maret, sedangkan pada bulan April merupakan masa transisi ke musim Timur dan musim Timur berlangsung dari bulan Mei sampai dengan bulan Oktober disusul oleh masa pancaroba pada bulan Nopember yang merupakan transisi ke musim Barat (Pemkot Ambon 2009).

Tereza Cavazos dan Bruce Hewitson (2002) yang berjudul ”Relative Performance of Empirical Predictors of Daily Precipitation” dan dimuat dalam Tabel 1. Analisis data dalam studi ini menggunakan software MINITAB 13 dan Microsoft Office 2007. 3.3. Metode Penelitian 3.3.1. Karakteristik Output Model NWP 1. Melakukan analisis korelasi (r) antara data parameter output NWP. ? s ?? ? s ? s ?

?? 2.

Gambar 5

3.1. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada bulan Februari sampai dengan Juni 2009 bertempat di Laboratorium Meteorologi dan Pencemaran Atmosfer Departemen Geofisika dan Meteorologi IPB serta di Badan Meteorologi, Klimatologi dan Geofisika Pusat Jakarta Bagian Informasi Meteorologi Publik. 3.2. Data dan Peralatan Data yang digunakan dalam penelitian ini yaitu : a. Data observasi harian curah hujan (CH obs), T max, T min, RH max dan RH min kota Ambon, Jakarta dan Padang tahun 2008. b. Data output NWP produk The National Weather Service's National Centers for Environmental Prediction (NCEP) tahun 2008 untuk kota Ambon, Jakarta dan Padang yang masing-masing diwakili oleh Stamet penerbangan Pattimura (128 0 BT, 3.70 0 LS), stamet penerbangan Tabing (100.35 0BT, 0.88 0 LS) dan stamet Kemayoran (106.50 0BT, 6.11 0 LS) yang diambil dari situs http://www.arl.noaa.gov/READYamet.ht ml. Parameter-parameter NWP yang digunakan dalam penelitian ini merujuk pada tulisan

Mencari nilai ragam dan rataan tiap parameter NWP. s? ? ?? ? ? ? ?

Peta Kepulauan Maluku (BPMD 2007)

III. METODOLOGI

? ? s ? ? ? ?s ? ?? ? ? s ? ? ? ?s ? ? ?

3. 4.

s ?? ? ? ?? ?? ?

Analisis fungsi sebaran Persistensi angin • Hitung vektor angin resultan ???

?? ? ? ?

? ?? ?

? ?? ??

????? ? ? ? ? ? ? ? ? ?????? ??? • •

? Kecepatan angin rata-rata : ????? ??????

Persistensi : ? ? ? ????

3.3.2. Post Processing Output Model NWP 1. Menentukan waktu pengamatan (jam) untuk parameter NWP disesuaikan dengan peubah respon (prediktor). Untuk prediktan Tmax dan RH max pada hari ke-t digunakan waktu pengamatan pada jam 06 UTC. Untuk prediktan Tmin dan RH max digunakan waktu pengamatan pada jam 18 UTC. 2. Mencari parameter-parameter output model NWP yang berk orelasi tinggi dan nyata dengan curah hujan, Tmax, Tmin, RH max dan RH min. 3. Melakukan analisis komponen utama (Principal Compenent Analysis / PCA) untuk menghilangkan masalah multikolinieritas jika ada. 4. Membangun regresi linear berganda dari komponen utama yang terbentuk. Regresi linear berganda yang dibentuk adalah sebagai berikut :

?

? ? ?? ? ?

j = 1, 2, 3, ..., n

?? ?

? ? ? ? ?? ? ???

dimana, ß0 adalah konstanta regresi, ß i koefisien regresi peubah prediktor PC ke-i, k adalah banyaknya peubah prediktor, dan n adalah banyaknya pengamatan. 5. Plot nilai y dan ?? serta hitung nilai RMSE dan MAE. Root Mean Square Error (RMSE) RMSE =

?

s ??? ? ?? ? ? ??? ? ? ?

s

? ? ?? ? ? ? ?

??? adalah nilai dugaan (ramalan) ke-i, yi merupakan nilai observasi ke-i, dan n banyaknya observasi. Mean Absolut Error (MAE) MAE = 6.

? ?

?? ? ?

Cari faktor koreksi untuk mendekatkan nilai ramalan dengan nilai observasi.

IV. HASIL DAN PEMBAHASAN

4.1 Numerical Weather Prediction (NWP) Banyak sekali model NWP yang tersedia dan dapat digunakan saat ini. Model yang satu dengan lainnya tidak menghasilkan output yang persis sama, hal ini dikarenakan oleh : (1). Metode numerik yang digunakan untuk mencari solusi dari persamaan non linear pergerakan atmosfer berbeda-beda antara satu model dengan lainnya; (2). Asumsi yang digunakan berbeda-beda pada tiap model NWP. Model NWP yang digunakan dalam penelitian ini merupakan model GDAS1 (Global Data Assimilation System) buatan The National Weather Service's National Centers for Environmental Prediction (NCEP) milik USA. GDAS1 dijalankan 4 kali dalam sehari yaitu pada 00, 06, 12 dan 18 UTC. Output dari model ini yaitu untuk waktu analisis dan forecast 3, 6 dan 9 jam. GDAS1 merupakan model skala global dengan waktu peramalan 3 jam-an dan ukuran grid 1 derajat lintang-bujur (1 derajat ˜ 1 10 km). Suatu intepretasi ulang perlu dilakukan terhadap output NWP sebelum menggunakannya dalam peramalan cuaca.

Tabel 1 Variabel NWP dalam beberapa level tekanan Sirkulasi Permukaan: Tekanan Permukaan Laut (slp) Komponen angin zonal dan meridional (u0, v0) Suhu (T0) Suhu Titik Embun (DP0) 850-hPa: Ketinggian Geopotensial (z8) Komponen angin zonal dan meridional (u0, v0) Komponen angin vertikal (vv8) 700-hPa: Ketinggian Geopotensial (z7) Komponen angin zonal dan meridional (u7, v7) Komponen angin vertikal (vv7) 500-hPa: Ketinggian Geopotensial (z5) Komponen angin zonal dan meridional (u5, v5) Komponen angin vertikal (vv5) 200-hPa: Ketinggian Geopotensial (z2) Komponen angin vertikal (vv2)

Kelembaban RH (rh0)

Ketebalan 500 – 1000 hPa (th1)

RH (rh8)

500 – 850 hPa (th8)

RH (rh7)

RH (rh5)

Gambar 6

Ilustrasi perbedaan antara dunia nyata (a) dengan representasinya dalam model NWP (b). (Linacre dan Greets, 2003).

Berikut ini merupakan tiga alasan mengapa intepretasi ulang terhadap output NWP sangat penting bagi praktik peramalan cuaca (Wilks 2006): • Terdapat perbedaan penting antara keadaan bumi sebenarnya dengan representasinya dalam model NWP seperti terlihat dalam Gambar 6. Model NWP menyederhanakan dan menghomogenkan kondisi permukaan dengan merepresentasikan dunia sebagai sebuah array dari suatu gridpoint. Seperti terlihat dalam Gambar 6, efek penting dalam skala kecil (seperti topografi dan badan air kecil) untuk cuaca lokal mungkin tidak tercakup dalam model NWP. Begitu juga lokasi dan variabelvariabel untuk peramalan cuaca tertentu yang dibutuhkan, mungkin saja tidak direpresentasikan dengan baik oleh model NWP. • Model NWP bukanlah merupakan penyajian yang lengkap dan benar dari keadaan atmosfer dan peramalannya tidak terlepas dari kesalahan. Tapi biasanya kesalahannya sistematik, peramalan statistik yang berlandaskan informasi NWP dapat mengganti dan

mengoreksi penyimpangan peramalan yang terjadi. • NWP merupakan model deterministik, maksudnya walaupun keadaan atmosfer merupakan satu kesatuan yang tidak pasti, suatu integrasi tunggal NWP dapat memproduksi hanya satu peramalan untuk suatu unsur meteorologi tertentu. Prediksi cuaca secara numerik pada tiap titik di atmosfer membutuhkan kemampuan komputer yang sangat besar. Hal tersebut tentu saja tidak mungkin dilakukan. Sebagai gantinya, digunakan prediksi numerik untuk lokasi dengan jumlah terbatas yang ukurannya sama satu dengan lainnya yang disebut dengan grid point (Gambar 7). NWP didasarkan pada persamaan yang memprediksi perubahan temperatur, kelembaban, velocity, dsb pada tiap titik (grid point) dari sebuah kotak -kotak imajiner tiga dimensi. Kemudian satu set persamaan yang disederhanakan yang disebut primitive equation digunakan untuk mendeskripsikan hukum dasar pergerakan fluida dan menghitung perubahan kondisi atmosfer dalam kotak-kotak tersebut. Kondisi atmosfer disumsikan sama di sekitar masing-masing grid point dalam NWP.

Gambar 7 Grid Cell (Stull 2000)

??

Tiap masing – masing grid point berisi nilai rata – rata untuk volume udara yang melingkupinya yang biasa disebut grid cell atau grid volume. Ukuran dari grid cell dalam koordinat Cartesian adalah ∆x, ∆y, dan ∆z (Gambar 7). Nilai yang biasa digunakan adalah ∆x = ∆y = puluhan hingga ratusan km, sedangkan ∆z = puluhan hingga ratusan meter. Salah satu pengaturan yang umum digunakan adalah untuk merepresentasikan variabel termodinamik seperti suhu potensial (θ), kelembaban spesifik (q), keawanan, dsb, di tengah grid cell. Vertical velocity berada di atas dan bawah grid cell untuk mengindikasikan aliran vertikal (w) yang melintasi pembatas sel tersebut. Demikian pula u dan v pada sisi lainnya untuk mengindikasikan aliran yang menyeberangi lapisan pembatas sel lainnya (Gambar 7). Gambar 8 menunjukkan contoh dua dimensi dari grid cell.

x o

x o

x o

o x

o x

o

x

x

x o

x o

1

o

2

o

3

x o

x

x

x

x

1

2

3

4

Gambar 8

o x

o

Grid Cell dua dimensi dalam Model NWP (Stull 2000).

Salah satu contoh persamaan fisik dari adveksi suhu adalah : ?? ?? ? ?? ?? ?? ?? ? ?? ? ? ? ? ? ? ? ? ? ??? ? ? ???? ?? ?? ?? ? ? ?? ? ? ? ? ? ? ?? ? ?? ????? ?? ?? ? ?? ? ? ?? ? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? ?? ? ?? ? ? ? ? ?? ? ?? ? ??? ? ?? ?? ? ? ?? ?? ? ?? ? ? ? ? ? ? ????? ? ? G? ? ?? ? ? ? ? ? ? ?? ? ? ? ? ?? ??

? ?? ? ? ?? ? ? ?? ? ? ?? ? G? ?

? ? ? ?? ? ? ?? ? ? ? ? ?? ? ? ?? ?

x o

o

??

?

??

?? ? ?? ? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ???

Contoh kasus : Saat t=0, ? ? ? =25 0C. Saat t=15 menit, ? ? ? =26 0 C, ? ? ? = 25.1 0C, ? ?? = 24 0C, ? ? ? = ? ? ? = 5 m/s. Buat prediksi numerik suhu potensial ? ?? saat t=30 menit, jika jarak ? ? = 50 km. Solusi : Diketahui : ? ? = 15 menit, ? ? = 50 km, U = 5 m/s = 0.3 km/menit Ditanyakan : ? ?? = ? 0C saat t = 30 menit ?? ? ???? ?? ? ?? ? ? ?? ? ? ? ? ? ? ?? ?? ?? ? ??? ? ? ? ?G? ? ? ? ? G? ? ???? ? ??? G? ? ? ? ? ? ? ? ?? ? ?? ? ? ?? ? ? ? ? ? ? ?G? ? ? ? ? ? ? G?? ? ?

Prediksi cuaca yang biasa dilakukan adalah untuk menentukan apakah suatu daerah akan hujan atau tidak. Langkah pertama adalah dengan membuka beberapa link untuk melihat produk NWP dari beberapa Negara. Produk NWP yang dapat digunakan misalnya dari Australia (Bureau of Meteorology), Korea (KMA), Perancis (Meteo France), USA (NCEP), dan Jepang (JMA). Produk NWP yang paling s ering digunakan di Indonesia adalah produk dari Australia karena letaknya dekat dengan Indonesia sehingga model NWP produk Australia diharapkan lebih cocok untuk wilayah Indonesia. Terkadang digunakan pula produk model NWP dari Korea atau Jepang sebagai pembanding. Forecaster juga perlu memperhatikan faktor – faktor regional di sekitar daerah prediksi misalnya apakah ada monsoon, siklon, badai tropis, eddy ataukah MJO di sekitar wilayah Indonesia yang dapat mempengaruhi dinamika cuaca. Faktor regional lain yang biasa dilihat adalah Surge Index. Surge Index merupakan perbedaaan tekanan permukaan laut antara Hongkong dengan Gushi (Cina). Jika surge index bernilai lebih dari 10, maka diramalkan bahwa dalam waktu sekitar 1 hingga 2 hari lagi, massa udara dari daerah Cina akan masuk ke wilayah Indonesia. Faktor regional lain yang biasanya dilihat walaupun jarang digunakan adalah Dipole Mode Index (DMI). DMI merupakan perbedaan suhu permukaan antara Samudera Hindia sebelah barat dengan Samudera Hindia sebelah timur (suhu permukaan di sebelah

barat dikurang suhu permukaan di sebelah timur). Apabila DMI bernilai positif berarti daerah Indonesia bersuhu lebih dingin yang berarti kering (kemungkinan tidak hujan), sedangkan sebaliknya apabila bernilai negatif berarti Indonesia bersuhu lebih panas (kemungkinan terjadi hujan) (Gambar 9).

Gambar 9 Dipole Mode Index. Dalam melihat faktor regional tersebut harus diperhatikan komponen regional lain yang lebih kuat. Pada saat musim transisi, pengaruh regionalnya sedang lem ah sehingga kondisi lokal lebih mempengaruhi terbentuknya hujan. Kondisi lokal yang diperhatikan misalnya jika pagi hari cerah, RH tinggi, perubahan suhu antara jam 7 dan 10 pagi ± sebesar 4 0C maka ada kemungkinan terbentuk awan Cb yang dapat mengakibatkan terjadinya hujan lokal yang deras dan berpotensi petir. Kondisi lokal yang perlu diperhatikan yaitu: • Vertical Vorticity Vortisitas dilihat untuk mengetahui apakah ada gaya angkat ke atas atau tidak. Untuk di belahan bumi selatan (BBS), jika vortisitasnya bernilai negatif (-) maka di daerah tersebut terdapat gaya angkat ke atas. Sedangkan untuk di belahan bumi utara (BBS) jika vortisitasnya bernilai positif (+) maka di daerah tersebut terdapat gaya angkat ke atas dan berpeluang hujan. • Up motion Jika Up motion bernilai positif (+) maka pergerakan udara ke atas baik. Parameter ini dilihat pada tiga ketinggian yang berbeda yait u 700 mb, 500 mb dan 200 mb. Ketiga ketinggian tersebut masing – masing mewakili lapisan atmosfer rendah, sedang dan tinggi. Apabila di ketiga lapisan tersebut terdapat up motion, berarti terdapat pergerakan massa udara ke atas hingga mencapai lapisan atmosfer tinggi. • K – Index

K – Index ini digunakan untuk melihat gerak konvektif massa udara. Berikut ini merupakan klasifikasinya : Tabel 2 Operasional Penting dari KI (Haby 2009) K Index 15 - 25

Potensi konveksi kecil

26 - 39

Potensi konveksi sedang

40 +

Potensi konvektif tinggi

• Lifted – Index Lifted – Index merupakan perbedaan suhu parsel udara yang bergerak naik secara adiabatik dengan suhu lingkungannya yang terjadi pada tekanan udara tertentu di troposfer (lapisan atmosfer terendah dimana berbagai gejala cuaca terjadi), biasanya pada 500 mb. Jika nilainya positif, maka atmosfer berada dalam kondisi stabil (tidak ada gaya ke atas), sebaliknya jika bernilai negatf maka atmosfer sedang berada pada kondisi tidak stabil (terdapat gaya angkat ke atas) yang mempunyai peluang terbentuknya hujan. ü LI > 6 : Kondisi sangat stabil ü LI antara 1 dan 6: kondisi stabil, Thunderstorms tidak mungkin ü LI antara 0 dan -2 : agak tidak stabil, Thunderstorms mungkin, terjadi mekanisme pengangkatan ü LI antara -2 dan -6 : tidak stabil, Thunderstorms sangat mungkin, beberapa thunderstorm diikuti dengan mekanisme pengangkatan ü LI kurang dari -6: Sangat tidak stabil, thunderstorms diikuti dengan mekanisme pengangkatan • Showalter – Index Nilai SI ini digunakan untuk melihat ada atau tidaknya kejadian thunderstorm. Klasifikasi nilai untuk SI adalah sebagai berikut : ü SI > 3 : troposfir stabil, tidak ada badai (Shower) ü 1 < SI < 3 : kecil peluang terjadi hujan badai, konveksi lemah, ada hambatan, lapisan stabil ü -3 < SI < 1 : hujan badai meningkat, troposfir tidak stabil lemah ü -6 < SI < -3 : hujan badai hebat, troposfir tidak stabil ü SI < -6 : Hujan badai tornado, troposfir sangat tidak stabil • CAPE (C onvective Available Potential Energy)

CAPE merupakan jumlah energi yang akan dimiliki oleh sebuah parsel udara jika diangkat secara vertikal pada jarak tertentu di atmosfer. CAPE bisa menggambarkan buoyancy positif dari sebuah parsel udara dan dapat mengindikasikan ketidakstabilan atmosfer. • Tekanan Udara Perlu dilihat apakah daerah kajian berada pada daerah tekanan tinggi atau rendah. Jika tekanannya rendah, maka berpeluang mengalami cuaca buruk sehingga peluang terjadinya hujan juga lebih besar dan sebaliknya. • Relative Humidity (RH) Parameter ini dilihat untuk melihat peluang terjadinya kondensasi yang mempengaruhi terjadinya presipitasi. Kelembaban udara juga dilihat pada tiga ketinggian yaitu 850 mb, 700 mb dan 500 mb, kelembaban udara hanya dilihat sampai lapisan atmosfer sedang (menengah) saja. Hal ini disebabkan oleh pertumbuhan awan hujan yang biasanya hanya terjadi pada layer bawah hingga menengah. Jika kelembaban udara cukup tinggi hingga di lapisan menengah, maka peluang terjadinya hujan sangat besar. Di Indonesia terdapat patokan atau kebiasaan bahwa hujan akan terjadi jika pada lapisan 850 mb terdapat RH = 80 %, lapisan 700 mb terdapat RH = 60 % dan lapisan 500 mb terdapat RH = 50 %. • Komponen angin Komponen angin yang dilihat adalah kecepatan dan arah angin. Parameter ini biasanya dilihat pada lapisan 850 mb dan 500 mb. Misalnya pada daerah kajian terdapat pertemuan angin dan kecepatan angin yang berkurang, maka hal ini menandakan adanya konvergensi yang memungkinkan terjadinya hujan. Jika pada lapisan 850 mb dan 500 mb terdapat perbedaan arah angin, maka berarti ada gerakan udara ke atas. Jika pertumbuhan awan banyak, namun kecepatan angin terlalu kencang (tinggi), maka dipastikan hujan tidak akan terjadi.

Prediksi cuaca dapat dilakukan dengan mengintepretasi output model NWP. Sebagai contoh, akan dilakukan prediksi cuaca kota Jakarta untuk tanggal 21 Agustus 2009 dengan memanfaatkan produk forecast model NWP dari KMA (Korea Meteorological Administration). Prediksi cuaca dilakukan dengan mengintepretasi Gambar 10 sampai Gambar 15. Gambar 10, menunjukkan peta sebaran pressure velocity (700 mb) dan suhu (850 mb). Secara umum, nilai pressure velocity tinggi pada daerah – daerah yang bersuhu lebih hangat. Sementara itu, angin cenderung bertiup dari arah timur ke barat. Di kota Jakarta sendiri, pressure velocity bernilai 0. Nilai K – Index secara umum lebih besar di daerah utara equator daripada di daerah selatan (Gambar 11). Hal ini disebabkan karena pada bulan Agustus matahari sedang berada di Belahan Bumi Utara (BBU). Kota Jakarta memiliki nilai K – Index antara 20 – 25. Parameter selanjutnya yaitu Lifted Index (Gambar 12). Nilai lifted Index bernilai negatif di sekitar equator dan semakin menjauhi equator nilainya semakin positif. Lifted Index bernilai -1 hingga 0 di kota Jakarta. Sementara itu nilai Showalter Index berkisar antara 2 hingga 3 di kota Jakarta (Gambar 13) . MSLP (Mean Sea Level Pressure) kota Jakarta bernilai antara 1012 sampai 1014 mb sehingga termasuk daerah tekanan tinggi dan presipitasinya bernilai 0. Secara umum, Gambar 14 menunjukkan bahwa presipitasi bernilai tinggi pada daerah – daerah pusat tekanan rendah. Sementara itu, Gambar 15 menunjukkan pergerakan moisture flux yang bergerak menuju daerah – daerah konvergensi tinggi. Kota Jakarta memiliki nila konvergensi sebesar -5 hingga 0. Hasil ini menunjukkan bahwa di kota Jakarta memiliki kondisi atmosfer agak tidak stabil, terdapat gaya angkat ke atas (konveksi lemah), dan termasuk daerah tekanan tinggi. Oleh karena itu, prediksi cuaca untuk kota Jakarta untuk tanggal 21 Agustus 2009 adalah cerah hingga berawan .

Gambar 10 Suhu dan Pressure Velocity

Gambar 11 K – Index

Gambar 12 Lifted – Index

Gambar 13 Showalter – Index

Gambar 14 MSLP

Gambar 15 Moisture Flux dan Konvergensi

4.2. Potensi Pemanfaatan Output Model NWP Studi Kasus Kota Padang, Jakarta dan Ambon Karakteristik data dari masing-masing parameter-parameter NWP perlu diketahui sebelum membicarakan potensi pemanfaatan output model NWP. Variabel mslp berkorelasi tinggi dengan komponen angin horizontal lapisan bawah dan th di kota Ambon dan Jakarta, sementara itu berkorelasi tinggi dengan z di kota Padang. Umumnya variabel NWP berkorelasi tinggi dengan variabel itu sendiri di tiap lapisan. Paramet er MSLP memiliki puncak saat bulan Juli-Agustus September di kota Ambon namun tidak bersifat seasonal pada kota Jakarta dan Padang. Pada bulan April-November komponen angin u (zonal) pada lapisan bawah bertiup ke arah timur di kota Ambon dan komponen angin v (meridional) bertiup ke arah selatan, namun semakin ke lapisan atas, pola ini tidak lagi terlihat. Sementara itu, di kedua kota lainnya tidak terlihat pola seperti ini, s edangkan parameter NWP lainnya kurang fluktuatif terhadap perubahan musim. Sementara itu nilai rata-rata dan simpangan baku untuk semua parameter (setelah distandarisasi) di semua kota sama yaitu sebesar 0.00 dan 1.00. Pada kasus-kasus yang umum terjadi, asumsi yang digunakan dalam analisis adalah bahwa data yang kita dapatkan terdistribusi dengan normal dan simetris. Setelah dilakukan uji kenormalan data, didapatkan bahwa di kota Ambon data yang menyebar normal adalah parameter z7, v7, v5 dan T5; di kota Jakarta yaitu mslp, z8, z7, v7, T7, v5 dan T5; dan di kota Padang yaitu v0 dan v7. Data yang digunakan dalam penelitian ini baik observasi maupun output NWP merupakan data selama satu tahun (tahun 2008) yang dibagi menjadi empat waktu yaitu bulan Desember-JanuariFebruari (DJF), bulan Maret -April-Mei (MAM), bulan Juni -Juli-Agustus (JJA) dan bulan September-Oktober-November (SON). Hal pertama yang dilakukan dalam upaya pemanfaatan output NWP tersebut adalah dengan analisis korelasi antara CH output model NWP (CH) dengan parameter output NWP lainnya. Hasilnya disajikan dalam Tabel 3. Hampir seluruhnya (baik pada kota maupun bulan), parameter angin vertikal (vertical velocity) pada 700 mb dan 500 mb memiliki nilai koefisien korelasi yang tinggi di atas 0.7 dengan parameter CH bahkan ada yang mencapai korelasi sebesar 0.912 (parameter vv7 kota Ambon bulan SON). Hal ini

menunjukkan bahwa model NWP di penelitian ini dalam meramal nilai CH sangat mengandalkan angin vertikal khususnya pada lapisan 700 dan 500 mb. Hal ini mungkin disebabkan karena lapisan 700 – 500 mb adalah lapisan tempat terbentuknya awan. Jika masih ada vertical velocity pada laisan tersebut, berarti masih ada massa udara yang mengembang dan bergerak naik ke atas. Semakin banyak dan tinggi udara yang bergerak naik ke atas, maka akan terbentuklah awan – awan yang berkembang vertikal yaitu awan yang dihasilkan oleh kantong udara yang hangat dan lembab yang masih mampu naik sampai ketinggian yang cukup tinggi setelah melewati aras kondensasi (biasanya ± 850 mb). Awan – awan inilah yang berpotensi besar menimbulkan hujan. Tabel 3 Parameter model NWP yang mempunyai korelasi nyata dan lebih besar dari 0.5 dengan CH Kota

Ambon

Jakarta

Padang

DJF Rh0 Vv8 Rh8 Vv7 Vv5 Rh0 T0 Rh8 Vv8 Vv7 Vv5 Rh0 Vv8 Vv7 Vv5

Bulan MAM JJA Rh0 Vv8 T0 Rh7 Vv8 Vv5 Vv5 Rh0 Vv5

Rh0 DP0 Vv8 Rh8 Vv7 Vv5 Rh0 Vv8 Rh8 Vv7 Vv5

SON Vv8 Vv7 Vv5 Vv2 Rh0 Rh8 Vv7 Vv5 Rh0 Vv8 Vv7 Vv5

Langkah selanjutnya adalah membangun regresi linier berganda. Metode Principal Component Analysis (PCA) digunakan untuk menghilangkan masalah multikolinieritas. Kemudian dipilih satu atau lebih Principal Component (PC) yang memiliki proporsi kumulatif di atas 80%. PC yang terpilih tersebut kemudian digunakan untuk membangun regresi linier berganda untuk CH. Hasil nilai R2 dari persamaan regresi untuk masing-masing kota dapat dilihat pada Tabel 4. Secara umum, prediktor yang memiliki korelasi tinggi dan nyata dengan CH adalah RH, T0, DP0, vv8, vv7, vv5 dan vv2. Variabel yang paling sering menjadi prediktor adalah komponen angin vertikal pada berbagai lapisan ketinggian.

Tabel 4 Nilai R2 dari Persamaan Regresi Berganda Model CH Kota

Bulan

Ambon

DJF MAM JJA SON DJF MAM JJA SON DJF JJA SON

Jakarta

Padang

2

Persamaan Regresi

R 64.9 % 70.9 % 81.8 % 89.1 % 72.9 % 56.4 % 74.9 % 75.8 % 72.8 % 75.6 % 69.8 %

CH = -79.0 + 0.8rh0 -0.5vv8 + 0.2rh8 - 0.8vv7 - 1.1vv5 CH = 46.1+ 1.0rh0 - 4.4T0 - 1.1vv8 - 0.9vv5 CH = 3.4 -1.3vv8 - 1.3vv7 + 0.05rh7 - 1.3vv5 CH = 5.8 - 2.0vv8 - 1.5vv7 - 1.1vv5 - 0.9vv2 CH = -23.5 + 0.5rh0 - 1.3T0 - 0.5vv8 + 0.3rh8 - 0.7vv7 - 0.9vv5 CH = -25.3 + 0.4rh0 - 0.9vv5 CH = -16.8 + 0.1rh0 + 0.3DP0 - 0.5vv8 + 0.03 rh8 - 0.4vv7 - 0.6vv5 CH = -18.4 + 0.2rh0 + 0.1rh8 - 0.7vv7 - 0.8vv5 CH = -60.3 + 0.8rh0 - 0.7vv8 - 0.9vv7 - 0.7vv5 CH = -21.1 + 0.3rh0 + 0.2vv8 - 0.9vv7 - 1.3vv5 CH = -59.3 + 0.8rh0 - 1.1vv8 - 0.7vv7 - 0.8vv5

Keeratan korelasi antara CH dan vv menunjukkan bahwa adanya angin vertikal penting dalam peramalan CH yang dilakukan NWP karena angin vertikal menunjukkan adanya pergerakan udara ke atas. Suhu dan kelembaban relatif juga penting karena menunjukkan ada tidaknya uap air yang dibawa ke atas yang menjadi syarat utama terbentuknya awan. Parameter RH dan DP (Dew Point) memiliki hubungan yang positif terhadap CH, Sebaliknya, parameter suhu memiliki hubungan yang negatif terhadap CH. Sedangkan parameter angin vertikal pengaruhnya tergantung pada arahnya. Tanda minus menunjukkan arah angin dari bawah

(ke atas) sedangkan tanda plus menunjukkan arah angin dari atas (ke bawah). Model regresi yang paling baik adalah model regresi untuk kota Ambon seperti yang terlihat pada Tabel 4. Hal ini dapat dilihat dari nilai R 2 nya yang lebih tinggi dari kedua kota lainnya. Untuk bulan SON pada kota Ambon nilai R2 mencapai 89.1 % sedangkan di kota lainnya hanya 75.8 % dan 69.8%. Untuk potensi pemanfaatan output model NWP, perlu dilihat hubungan antara output NWP dengan data observasi lapangan yaitu dengan melihat plot antara CH dengan CH Observasi (CH obs) pada masing-masing kota (lihat Gambar 16).

250 200 150 100 50 0

CH Obs CH

(a). 140 120 100 80 60 40 20 0

CH Obs CH

(b).

300 250 200 150 100 50 0

CH obs CH

(c). Gambar 16 Plot Nilai CH Obs dan CH untuk kota Padang (a), Jakarta (b) dan Ambon (c) Prediksi NWP untuk CH lebih baik pada kota Ambon daripada kedua kota lainnya seperti ditunjukkan pada Gambar 16. Hal ini dapat dilihat dari pola curah hujan antara data observasi dan output NWP pada kota Ambon yang berpola sama, yaitu satu puncak musim hujan pada bulan JJA. Oleh karena itu, dapat disimpulkan pula bahwa potensi penggunaan model NWP berbeda-beda pada tiap daerah. Potensi pemanfaatan yang tinggi di kota Ambon disebabkan karena letak kota Ambon yang lebih homogen dan dikelilingi oleh lautan dibanding Jakarta dan Padang sehingga lebih mendekati representasi permukaan di dalam model NWP yang tidak memasukkan pengaruh topografi. Untuk itu, bahasan selanjutnya dalam penelitian ini akan difokuskan pada kota Ambon. Data observasi untuk kota Padang dan Jakarta sendiri kurang representatif karena seharusnya kota Padang memiliki pola hujan equatorial sedangkan Jakarta memiliki pola hujan monsunal, namun hal ini tidak terlihat dari plot CH obs pada Gambar 16. Selanjutnya akan dilakukan upaya pemanfaatan output NWP untuk tujuan prediksi cuaca. Hal pertama yang dilakukan adalah dengan plotting nilai CH^ dengan CH Obs. Hasil plot nilai tersebut dapat dilihat pada Gambar 17. Nilai CH^ yang dimaksudkan di sini adalah nilai CH yang didapat dari perhitungan menggunakan persamaan regresi yang disajikan dalam Tabel 4.

80

DJF

60 40 20 0 1 7 13192531 37434955 616773798591 CH obs

CH^

(a) 100 80 60 40 20 0

MAM

1 7 1319253137434955616773798591 CH obs

CH^

(b) 200

JJA

100 0 1 7 131925313743 4955616773798591 CH obs

(c)

CH^

300

SON

200

prediktor untuk CH di bulan – bulan tersebut hanyalah angin vertikal.

DJF

80 60

100

40

0 1 7 1319 25 31 3743495561677379 85 91 CH obs CH^

(d) Gambar 17 Plot nilai CH Obs dan CH^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d). Prediksi dari CH^ tidak persis mendekati nilai sebenarnya (CH observasi) seperti ditunjukkan pada Gambar 17. Untuk itu, perlu dicari suatu upaya untuk meminimalkan nilai error antara CH^ dengan CH Obs. Upaya tersebut dapat dilakukan dengan mencari faktor koreksi. Faktor koreksi yang dimaksudkan dalam penelitian ini adalah nilai yang digunakan untuk mengkoreksi variabel prediktor agar nilai CH^ lebih mendekati nilai CH Obs. CH hasil perhitungan menggunakan persamaan regresi linear berganda yang telah dibentuk, disebut CH^. Sementara itu nilai CH hasil perhitungan dengan menggunakan regresi linear berganda yang sama namun telah menggunakan faktor koreksi disebut CH*. Nilai CH^ ada yang bernilai negatif. Nilai untuk CH tidak boleh bernilai negatif, oleh karena itu, nilai-nilai CH^ yang bernilai negatif, dianggap bernilai nol (0). Sebagai acuan dalam pencarian faktor koreksi digunakan nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Sebagai contoh, nilai RMSE dan MAE untuk model CH bulan DJF adalah sebesar 11.798 dan 8.492. Secara umum, hasil penelitian menunjukkan bahwa parameter RH dan suhu lebih sensitif dibandingkan angin vertikal, maksudnya yaitu perubahan sedikit saja parameter RH dan suhu menyebabkan perubahan nilai CH (sebagai prediktan) yang besar. Pada bulan DJF, faktor koreksi yang dicari hanya untuk parameter rh0 dan rh8. Sementara itu untuk bulan MAM hanyalah parameter RH0 dan T0. Hal ini dikarenakan kedua parameter tersebut lebih sensitif daripada vv8, vv7 dan vv5, selain itu juga karena upaya meminimalkan pengkoreksian bagi variabel prediktor. Namun untuk bulan JJA dan SON parameter yang dikoreksi adalah angin vertikal karena

20 0 1 7 1319253137 43 49 55616773798591 CH obs CH*

(a)

MAM

100 80 60 40 20 0

1 7 131925313743 4955616773798591 CH obs CH*

(b)

JJA

200 150 100 50 0

1 7 131925313743 4955616773798591 CH obs CH*

(c)

SON

300 200 100 0

1 7 1319253137 55616773798591 CH obs43 49CH*

Gambar 18

(d) Plot nilai CH Obs dan CH* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d).

Nilai RMSE dan MAE untuk bulan DJF menjadi 12.538 dan 7.442 s etelah menggunakan faktor koreksi,. Hasil plot nilai antara CH Obs dan CH* disajikan dalam Gambar 18. Hal ini menunjukkan bahwa penggunaan faktor koreksi dapat meminimalisasi nilai error antara prediksi dan observasi. Setelah menggunakan faktor koreksi, nilai MAE model hujan berkurang hingga 25.3 % pada bulan MAM.

Hasil plot nilai antara CH Obs dan CH* (nilai CH setelah menggunakan faktor koreksi) disajikan dalam Gambar 18. Nilai faktor koreksi beserta nilai RMSE dan MAE sebelum dan sesudah menggunakan faktor koreksi disajikan dalam Tabel 5. Khusus untuk parameter angin vertikal, faktor koreksi yang digunakan berbeda untuk angin ke atas dan ke bawah. Jika angin vertikal ke atas nilainya diperbesar, menyebabkan kenaikan nilai CH, sedangkan jika angin vertikal ke bawah nilainya diperbesar justru malah menyebabkan penurunan nilai CH.

Parameter yang biasa diprediks ikan yaitu curah hujan (CH), suhu maksimum (T max), suhu minimum (T min), kelembaban maksimum (RH max) dan kelembaban minimum (RH min). Selanjutnya akan dicari faktor koreksi dalam upaya prediksi parameter T max, T min, RH max dan RH min. Langkah pencarian faktor koreksi untuk suhu dan kelembaban sama dengan langkah untuk curah hujan. Nilai R 2 dari persamaan regresi berganda untuk model suhu dan RH dapat dilihat pada Tabel 6.

Tabel 5 Faktor Koreksi Model Hujan kota Ambon untuk masing-masing Bulan No

Bulan Januari

1.

Februari Desember Maret

2.

April Mei

Juni

3.

Juli

Agustus

September

4.

Oktober

November

Prediktor Rh0 Rh8 Rh0 Rh8 Rh0 Rh8 Rh0 T0 Rh0 T0 Rh0 T0 Vv8 (+) Vv8 (-) Vv7 (+) Vv7 (-) Vv8 (+) Vv8 (-) Vv7 (+) Vv7 (-) Vv8 (+) Vv8 (-) Vv7 (+) Vv7 (-) Vv8 (+) Vv8 (-) Vv7 (+) Vv7 (-) Vv8 (+) Vv8 (-) Vv7 (+) Vv7 (-) Vv8 (+) Vv8 (-) Vv7 (+) Vv7 (-)

Faktor Koreksi 90% 100% 94% 96% 94% 106% 90% 100% 90% 102% 90% 102% 40% 160% 40% 100% 120% 40% 200% 60% 60% 160% 20% 180% 160% 20% 160% 20% 100% 20% 100% 20% 100% 20% 100% 20%

RMSE dan MAE

Persentase pengurangan nilai error RMSE MAE

sebelum

sesudah

RMSE : 11.798 MAE : 8.492

RMSE : 12.538 MAE : 7.442

-6.7 %

12.4 %

RMSE : 16.119 MAE : 11.076

RMSE : 14.682 MAE : 8.271

8.9 %

25.3 %

RMSE : 31.976 MAE : 21.750

RMSE : 31.183 MAE : 20.787

2.5 %

4.4 %

RMSE : 37.446 MAE : 16.879

RMSE : 35.439 MAE : 14.952

5.3 %

11.4 %

Tabel 6 Persamaan Regresi Model Suhu dan RH kota Ambon Model Bulan Persamaan Regresi DJF Tmax Model = 20.835 - 0.216rh0 + 1.011DP0 MAM Tmax Model = 20.54 - 0.211rh0 + 1.006DP0 T max JJA Tmax Model = 20.161 - 0.208rh0 + 1.010DP0 SON Tmax Model = 20.964 - 0.213rh0 + 0.995DP0 DJF Tmin Model = 20.619 - 0.214rh0 + 1.014DP0 MAM Tmin Model = 20.419 - 0.208rh0 + 1.002DP0 T min JJA Tmin Model = 19.552 - 0.197rh0 + 0.997DP0 SON Tmin Model = 19.300 - 0.201rh0 + 1.024DP0 DJF Rhmax Model = 94.881 - 4.598T0 + 4.704DP0 MAM Rhmax Model = 97.270 - 4.757T0 + 4.783DP0 RH max JJA Rhmax Model = 98.300 - 5.002T0 + 5.017DP0 SON Rhmax Model = 95.583 - 4.929T0 + 5.053 DJF Rhmin Model = 95.102 - 4.569T0 + 4.661DP0 MAM Rhmin Model = 97.488 - 4.666T0+ 4.670DP0 RH min JJA Rhmin Model = 95.319 - 4.715T0 + 4.821DP0 SON Rhmin Model = 96.960 - 4.704T0 + 4.738DP0 Pengaruh prediktor masing-masing model dapat dilihat dari persamaan regresi seperti tertera pada Tabel 6. Pada model suhu, baik T max maupun T min, rh0 memiliki hubungan negatif maksudnya kenaikan rh0 menyebabkan penurunan suhu. Sementara itu, DP0 memiliki hubungan positif dengan suhu yaitu kenaikan DP0 menyebabkan kenaikan suhu p ula. Pada model RH, baik RH max dan RH min, T0dan DP0 memiliki hubungan negatif terhadap RH yaitu kenaikan T0 dan DP0 menyebabkan penurunan RH. Kemudian dilakukan pula plot antara T obs dengan T^ untuk melihat hubungan di antara keduanya. Hasil plot nilai Tmax Obs dan Tmax^ dapat dilihat pada Gambar 19. Nilai Tmax^ berada jauh di bawah Tmax Obs. Selisih nilai antara Tmax^ dan Tmax Obs paling rendah adalah pada saat bulan JJA (Gambar 19) .

35.5 33.5 31.5 29.5

MAM

33.0 31.0 29.0 27.0 25.0 23.0

1 7 1319253137434955616773798591 Tmax obs

Tmax^

(b)

JJA

32 30 28 26 24 22

1 7 1319 25 31 37 434955616773 79 85 91 Tmax obs Tmax^

DJF

(c)

27.5 25.5 1 7 13192531374349556167 73798591 Tmax obs

R2 99.0% 99.2% 99.1% 99.6% 98.9% 99.2% 99.0% 99.6% 99.3% 99.4% 99.4% 99.3% 99.5% 99.6% 99.5% 99.4%

Tmax^

SON

34 32 30 28 26 24

1 7 13 192531 37 43 4955 61 67 737985 91 Tmax obs Tmax^

(a) Gambar 19

(d) Plot nilai Tmax obs dan Tmax^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d).

Plot selanjutnya adalah untuk model Tmin. Hasil plot nilai Tmin Obs dan Tmin^ dapat dilihat pada Gambar 20. Dari Gambar 20, terlihat bahwa nilai Tmin^ berada jauh di atas Tmin Obs. Dapat dilihat pula bahwa selisih nilai antara Tmin^ dan Tmin Obs paling rendah adalah pada saat bulan JJA.

DJF

30 28 26 24 22 20

Obs. Nilai RMSE dan MAE model Tmax bulan DJF sebelum penggunaan faktor koreksi adalah 2.825 dan 2.598, sedangkan nilai RMSE dan MAE setelah penggunaan faktor koreksi yaitu sebesar 1.221 dan 0.884. Dari hasil tersebut terlihat bahwa nilai error jauh berkurang setelah penggunaan faktor koreksi. Hasil plot nilai Tmax* dan Tmax Obs disajikan dalam Gambar 21.

35.5

DJF

30.5 1 7 13 19 253137 43 49 5561 67 73 798591 Tmin obs Tmin^

25.5 1 7 1319253137434955616773 798591 Tmax obs

(a)

MAM

30.0 28.0 26.0 24.0 22.0 20.0

Tmax*

(a) 33.0 31.0

MAM

29.0 1 7 1319253137434955616773798591 Tmin obs

Tmin^

27.0 25.0 23.0 1 7 1319253137434955616773798591 Tmax obs Tmax*

(b)

JJA

28

(b)

26 24

30

22

28

20

JJA

26 1 7 13192531 37 43 49 55 616773798591 Tmin obs Tmin^

24 22

(c)

1 7 1319 25 31 37 434955616773 79 85 91 Tmax obs Tmax*

SON

29 27 25 23 21 19

(c)

1 7 13 19 253137 43 49 5561 67 73 798591 Tmin obs Tmin^

Gambar 20

(d) Plot nilai Tmin obs dan Tmin^ kota Ambon bulan DJF (a), MAM (b) , JJA (c) dan SON (d).

Nilai faktor koreksi perlu dicari untuk meminimalisasi error antara Tmax^ dan Tmax

34 32 30 28 26 24

SON

1 7 13 192531 37 43 4955 61 67 737985 91 Tmax obs Tmax*

(d) Gambar 21 Plot nilai Tmax obs dan Tmax* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d).

28

DJF

26 24 22 20 1 7 13 19 253137 43 49 5561 67 73 798591 Tmin obs Tmin*

model Tmax mencapai 71 % pada bulan MAM, sedangkan untuk model Tmin mencapai 84.0 % pada bulan DJF. P lot nilai RH obs dengan RH^ dilakukan untuk melihat hubungan di antara keduanya. Hasil plot nilai tersebut dapat dilihat pada Gambar 23 dan 24. Nilai RHmax^ berada jauh di bawah RHmax Obs seperti ditunjukka Gambar 23. Selisih nilai antara RHmax^ dan RHmax Obs paling rendah adalah pada saat bulan JJA.

(a) 27.0

MAM

25.0

100 90

23.0

80

21.0

70

19.0

1 7 1319253137 43 49 55616773798591 RH max obs RH max^

1 7 1319253137434955616773798591 Tmin obs Tmin*

(a)

(b) 26

DJF

JJA

100.0

MAM

90.0

24

80.0

22

70.0

20

1 7 1319253137434955616773798591 RH max obs RH max^

1 7 13192531 37 43 49 55 616773798591 Tmin obs Tmin*

(b) (c) 27

SON

100

JJA

90

25

80

23

70

21

1 7 131925313743 RH max obs 4955616773798591 RH max^

19 1 7 13 19 253137 43 49 5561 67 73 798591 Tmin obs Tmin*

(d) Gambar 22 Plot nilai Tmin obs dan Tmin* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d).

(c) 100

SON

90 80

Nilai RMSE dan MAE model Tmin bulan DJF sebelum penggunaan faktor koreksi adalah 3.536 dan 3.465, sedangkan nilai RMSE dan MAE setelah penggunaan faktor koreksi yaitu sebesar 0.697 dan 0.554. Dari hasil tersebut terlihat bahwa nilai error jauh berkurang setelah penggunaan faktor koreksi. Hasil plot nilai Tmin* dan Tmin Obs disajikan dalam Gambar 22. Pengurangan nilai MAE untuk

70 1 7 1319253137 55616773798591 RH max obs43 49RH max^

(d) Gambar 23 Plot nilai RHmax obs dan RHmax^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d).

Plot nilai RHmin Obs dengan RHmin^ disajikan oleh Gambar 24. Nilai RHmin^ berada jauh di atas RHmin Obs. Selisih nilai antara RHmin^ dan RHmin Obs paling rendah adalah pada saat bulan JJA.

100

DJF

90 80

100 90 80 70 60 50 40 30

DJF

1 7 1319253137 43 49 55616773798591 Rhmax obs RH max*

(a) 1 7 1319 25 31 3743495561677379 85 91 RH min obs RH min^

(a) 100.0 90.0 80.0 70.0 60.0 50.0 40.0 30.0

70

MAM

100.0

MAM

90.0 80.0 70.0 1 7 1319253137434955616773798591 RH max obs RH max*

(b) 1 7 1319253137434955616773798591 RH min obs RHmin^

100

JJA

90

(b) 100

JJA

80 70 1 7 131925313743 4955616773798591 RH max obs RH max*

50

(c)

0 1 7 1319253137 43495561 6773798591 Rhmin obs RHmin^

(c) 100

SON

100

SON

90 80 70 1 7 1319253137 43 49 55616773798591 RH max obs RH max*

50 0 1 7 1319 25 31 3743495561677379 85 91 Rhmin obs Rhmin^

(d) Gambar 24 Plot nilai RHmin obs dan RHmin^ kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d). Nilai error model RHmin lebih kecil daripada model hujan, model suhu dan model Rhmax (lihat Gambar 24). Dengan demikian dapat disimpulkan bahwa parameter yang paling baik diprediksi oleh model NWP adalah parameter RHmin.

(d) Gambar 25 Plot nilai RHmax obs dan RHmax* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d). Nilai faktor koreksi perlu dicari untuk meminimalisasi error antara RHmax^ dan RHmax Obs. Nilai error model RHmax bulan DJF jauh berkurang setelah penggunaan faktor koreksi. Nilai RMSE dan MAE sebelum penggunaan faktor koreksi adalah 15.163 dan 14.724, sedangkan nilai RMSE dan MAE setelah penggunaan faktor koreksi yaitu sebesar 3.651 dan 2.584. Hasil plot nilai

RHmax* dan RHmax Obs disajikan dalam Gambar 25.

DJF

100 90 80 70 60 50 40 30

JJA

100 80 60 40 20 0

1 7 131925313743 4955616773798591 Rhmin obs Rhmin* 1 7 1319 25 31 3743495561677379 85 91 RH min obs RH min*

100.0 90.0 80.0 70.0 60.0 50.0 40.0 30.0

(c)

(a)

100

MAM

50

SON

0 1 7 1319253137 43 49 55616773798591 Rhmin obs Rhmin* 1 7 1319253137434955616773798591 RH min obs RH min*

(b)

(d) Gambar 26 Plot nilai RHmin obs dan RHmin* kota Ambon bulan DJF (a), MAM (b), JJA (c) dan SON (d).

. Tabel 7 Faktor Koreksi Model suhu kota Ambon untuk masing-masing Bulan Model

Tmax

Tmax

Tmax

Tmax

Tmin

Tmin

Tmin

Tmin

Bulan

Prediktor

Faktor Koreksi

Januari Februari Desember Maret April Mei Juni Juli Agustus September Oktober November Januari Februari Desember Maret April Mei Juni Juli Agustus September Oktober November

DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0 DP0

114% 112% 112% 112% 110% 108% 108% 104% 104% 108% 110% 112% 86% 86% 86% 88% 88% 88% 90% 92% 92% 92% 90% 88%

RMSE dan MAE

Persentase pengurangan nilai error RMSE MAE

sebelum

sesudah

RMSE : 2.825 MAE : 2.598

RMSE : 1.221 MAE : 0.884

56.7 %

65.9 %

RMSE : 2.583 MAE : 2.401

RMSE : 0.870 MAE : 0.681

66.3 %

71.6 %

RMSE : 1.477 MAE : 1.260

RMSE : 0.936 MAE : 0.733

36.6 %

41.8 %

RMSE : 2.597 MAE : 2.404

RMSE : 0.899 MAE : 0.737

65.3 %

69.3 %

RMSE : 3.536 MAE : 3.465

RMSE : 0.697 MAE : 0.554

80.3 %

84.0 %

RMSE : 3.102 MAE : 3.030

RMSE : 0.711 MAE : 0.554

77.1 %

81.7 %

RMSE : 2.390 MAE : 2.266

RMSE : 0.787 MAE : 0.636

67.1 %

71.9 %

RMSE : 2.691 MAE : 2.578

RMSE : 0.699 MAE : 0.570

74.0 %

77.8 %

Tabel 8 Faktor Koreksi Model RH kota Ambon untuk masing-masing Bulan Model

RHmax

RHmax

RHmax

RHmax

RHmin

RHmin

RHmin

RHmin

Bulan

Prediktor

Faktor Koreksi

Januari Februari Desember Maret April Mei Juni Juli Agustus September Oktober November Januari Februari Desember Maret April Mei Juni Juli Agustus September Oktober November

T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0 T0

88% 88% 88% 88% 90% 92% 90% 90% 92% 92% 90% 90% 108% 106% 106% 106% 108% 104% 102% 102% 102% 106% 106% 106%

Nilai error model RHmin bulan DJF jauh berkurang setelah penggunaan faktor koreksi. Nilai RMSE dan MAE sebelum penggunaan faktor koreksi adalah 11.044 dan 9.585, sedangkan nilai RMSE dan MAE setelah penggunaan faktor koreksi yaitu sebesar 6.684 dan 5.297. Hasil plot nilai RHmin* dan RHmin Obs disajikan dalam Gambar 26. Nilai MAE berkurang hingga 82.4 % di bulan DJF pada model RHmax dan berkurang hingga 44.7 % di bulan DJF pada model RHmin. Nilai faktor koreksi model suhu dan RH untuk masing-masing bulan disajikan dalam Tabel 7 dan 8. Hasil penelitian ini menunjukkan bahwa faktor koreksi lebih terlihat pengaruhnya terhadap model suhu dan RH dibandingkan dengan model CH karena penurunan nilai MAE jauh lebih besar pada model suhu dan RH Sensitifitas parameter rh0 dan DP0 sama pada model suhu, oleh karena itu, yang dicari faktor koreksinya hanyalah parameter DP0 untuk meminimalisasi pengkoreksian parameter prediktor. Begitu juga pada model RH, yang dicari faktor koreksinya hanyalah parameter T0.

RMSE dan MAE sebelum RMSE : 15.163 MAE : 14.724 RMSE : 15.029 MAE : 14.738 RMSE : 12.190 MAE : 11.806 RMSE : 13.039 MAE : 12.798 RMSE : 11.044 MAE : 9.585

sesudah

Persentase pengurangan nilai error RMSE MAE

RMSE : 3.651 MAE : 2.584

75.9 %

82.4 %

RMSE : 3.999 MAE : 3.078

73.4 %

79.1 %

RMSE : 2.834 MAE : 2.174

76.7 %

81.6 %

RMSE : 2.482 MAE : 1.889

80.9 %

85.2 %

RMSE : 6.684 MAE : 5.297

39.4 %

44.7 %

RMSE : 9.032 MAE : 7.415

RMSE : 5.562 MAE : 4.302

38.4 %

41.9 %

RMSE : 6.539 MAE : 4.594

RMSE : 6.143 MAE : 4.365

6.0 %

4.9 %

RMSE : 9.462 MAE : 7.746

RMSE : 5.870 MAE : 4.745

37.9 %

38.7 %

Model NWP tidak memasukkan faktor lokal dalam perhitungannya (lihat Gambar 6) sehingga hasil prediksinya biasanya meleset dari keadaan sebenarnya di lapangan. Oleh karena itu, dapat dikatakan bahwa faktor koreksi tersebut merupakan pengganti dari faktor-faktor lokal yang tidak dimasukkan dalam model NWP.

V. PENUTUP 5.1 Kesimpulan Dalam prediksi cuaca jangka pendek, yang perlu diperhatikan adalah faktor regional dan faktor lokal. Pada musim peralihan biasanya faktor lokal lebih dominan. Model NWP tidak memasukkan faktor lokal di dalamnya sehingga belum bisa merepresentasikan kondisi atmosfer dengan cukup baik, khususnya di wilayah Indonesia. Secara umum, prediktor yang baik untuk CH adalah Suhu, RH dan angin vertikal. Persamaan regresi CH paling baik adalah untuk kota Ambon dengan nilai R2 berkisar antara 62.8 % - 89.1 %. Potensi pemanfaatan

output NWP berbeda-beda untuk tiap kota. Potensi pemanfaatan tertinggi adalah untuk kota Ambon. Parameter suhu dan RH lebih sensitif dibandingkan angin vertikal. Penggunaan faktor koreksi lebih berpengaruh nyata pada model regr esi suhu (Tmax dan Tmin) dan RH (RHmax dan RH min) daripada model regresi CH. Prediktor yang baik untuk Tmax dan Tmin adalah rh0 dan DP0, sedangkan prediktor yang baik untuk RHmax dan RHmin adalah T0 dan DP0. 5.2 Saran Masih banyak sekali kekurangan dalam penelitian ini, maka untuk penelitian selanjutnya penulis menyarankan agar daerah yang dikaji lebih banyak lagi dan faktor koreksi yang dicari sebaiknya bukan berupa suatu nilai atau bilangan tapi berupa suatu fungsi.

DAFTAR PUSTAKA Ahrens CD. 2007. Meteorology Today 8th Edition : An Introduction to Weather, Climate, and the Environment. Canada : Thomson Brook / Cole. Anonim . 2007. Kondisi Topografi. http://www.indonesia.go.id/. [27 Agustus 2009]. [ARL] Air Resources Laboratory. 2008. Archive Meteorology. [terhubung berkala]. http://www.arl.noaa.gov/READYame t.html. [BMG] Badan Meteorologi dan Geofisika. 2007. Operasionalisasi Model Output Statistik (MOS) untuk Prakiraan Cuaca Jangka Pendek [Laporan]. Jakarta. [BPMD] Badan Penanaman Modal Daerah Provinsi Maluku. 2007. Gambaran Umum Maluku. http://www.bkpmdmaluku.com/. [27 Agustus 2009]. Bulekbasandiang. 2009. Gambaran Umum Wilayah kota Padang. [terhubung berkala]. http://bulekbsandiang.wordpress.com . [27 Agustus 2009]. Cavazos T, Hewitson B. 2002. Relative Performance of Empirical Predictors of Daily Precipitation. Proc.of the 1st Biennal Meeting of the IEMSS, Lugano, Switzerland, 2:349 -354.

Dimas.

2009. Geografis Jakarta. http://www.jakarta.go.id/. [27 Agustus 2009]. Haby J. 2009. Skew -T: a Look at KI. [terhubung berkala]. http://theweatherprediction.com. Kadarsah. 2007. Tiga Pola Curah Hujan Indonesia. [terhubung berkala] http://kadarsah.files.wordpress.com . [19 Juni 2009]. [KMA] Korea Meteorological Administration. 2002. Training Course on Weather Forecasting for Operational Meteorologists. Korea Meteorological Administration. Linacre E, Geerts B. 2003. Climate and Weather Explained. New York : Routledge. Pemkot Ambon. 2009. Topografi. http://www.ambon.go.id/. [27 Agustus 2009]. Riegel CA, Bridger AFC. 1999. Fundamentals of Atmospheric Dynamics and Thermodinamycs. Singapore : World Scientific Publishing Co. Pte. Ltd. Stull RB. 2000. Meteorology for Scientist and Engineers. USA : Brooks/Cole. Tjasyono B. 2004. Klimatologi. Bandung : ITB. Tjasyono B, Harijono SWB. 2008. Meteorologi Indonesia Volume II: Awan dan Hujan Monsoon. Jakarta : Badan Meteorologi dan Geofisika. Tong YF dan Lai EST. 2006. Applicatications of NWP and Nowcasting Technique for the Warning of Rainstorms and Landlips. In the Tenth WMO Symposium on Education and Training. Hong Kong Observatory. Wilks DS. 2006. Statistical Methods in Atmospheric Science 2 nd Edition. London : Academic Press. Zakir A. 2008. Prakiraan Cuaca Jangka Pendek. [terhubung berkala]. http://maritimlampung.blogspot.com/ . [20 Juni 2009].

LAMPIRAN

Lampiran 1 Hasil Intepretasi Peta Cuaca Output Model NWP dari KMA

Lampiran 2 Plot Pola Angin Zonal Permukaan (u0) kota Ambon Tahun 2008

u0 kota Ambon tahun 2008 8 6 4 2 0 -2 -4 -6 -8 -10

u0

Lampiran 3 Plot Pola Angin Meridional Permukaan (v0) kota Ambon Tahun 2008

v0 kota Ambon tahun 2008 8 6 4 2 0 -2 -4 -6

v0

Lampiran 4 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan DJF 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp 0.062 0.556 v0 -0.090 0.398 rh0 -0.251 0.016 T0 -0.173 0.101 Dew poin -0.451 0.000 th1 -0.703 0.000 z8 0.975 0.000 u8 0.169 0.109 v8 0.212 0.044 vv8 0.095 0.369 T8 -0.521 0.000 rh8 -0.089 0.401 z7 0.943 0.000 u7 0.016 0.880 v7 -0.061 0.564 vv7 0.153 0.147 T7 -0.581 0.000 rh7 -0.085 0.424 z5 0.700 0.000 u5 0.215 0.040 v5 0.114 0.280 vv5 0.137 0.196 T5 -0.277 0.008 rh5 -0.049 0.644 z2 -0.126 0.233 vv2 -0.068 0.523 th8 -0.644 0.000 CH model -0.164 0.120

u0

v0

rh0

T0 Dew poin

-0.385 0.000 0.097 0.359 -0.172 0.104 -0.033 0.754 -0.174 0.099 -0.006 0.956 0.618 0.000 -0.307 0.003 -0.229 0.029 -0.349 0.001 0.173 0.100 -0.034 0.749 0.322 0.002 -0.334 0.001 -0.103 0.331 -0.115 0.278 0.242 0.021 -0.058 0.587 0.330 0.001 -0.286 0.006 -0.173 0.101 0.115 0.278 -0.064 0.547 -0.059 0.576 0.040 0.705 -0.054 0.612 0.204 0.052

0.004 0.967 -0.055 0.605 -0.038 0.721 0.046 0.668 -0.091 0.391 -0.327 0.002 0.641 0.000 -0.087 0.410 -0.005 0.964 0.104 0.327 -0.071 0.506 -0.235 0.025 0.578 0.000 -0.072 0.495 0.164 0.119 0.026 0.808 -0.075 0.481 -0.175 0.097 0.036 0.732 0.134 0.206 -0.005 0.961 -0.188 0.074 -0.148 0.161 -0.116 0.275 0.053 0.617 -0.049 0.645

-0.595 0.000 0.756 0.000 0.238 0.023 -0.385 0.000 -0.219 0.037 -0.055 0.606 -0.390 0.000 -0.326 0.002 0.735 0.000 -0.285 0.006 -0.169 0.110 -0.057 0.595 -0.565 0.000 0.355 0.001 0.544 0.000 -0.124 0.241 -0.129 0.223 -0.002 0 .983 -0.583 0.000 0.225 0.032 0.349 0.001 0.363 0.000 -0.192 0.068 0.423 0.000 0.555 0.000

0.074 0.483 0.208 0.048 0.032 0.765 -0.194 0.065 -0.146 0.169 -0.019 0.861 0.654 0.000 -0.587 0.000 -0.012 0.911 -0.051 0.628 -0.056 0.596 0.317 0.002 -0.095 0.372 -0.537 0.000 -0.055 0.605 -0.107 0.313 0.111 0.296 0.529 0.000 -0.204 0.053 -0.197 0.061 -0.288 0.006 0.238 0.023 -0.106 0.315 -0.393 0.000

v8

vv8

T8

rh8

0. 172 0.103 -0.047 0.657 0.040 0.705

0.237 0.024 -0.458 0.000

-0.642 0.000

th1

z8

0.454 0.000 -0.451 0.000 -0.428 0.000 -0.187 0.076 -0.487 0.000 0.121 0.254 0.433 0.000 -0.366 0.000 -0.249 0.017 -0.119 0.260 -0.425 0.000 0.360 0.000 0.237 0.024 -0.207 0.049 -0.245 0.019 0.090 0.398 -0.275 0.008 0.095 0.372 0.277 0.008 0.201 0.056 -0.046 0.665 0.428 0.000 0.349 0.001

-0.639 0.000 -0.311 0.003 -0.044 0.676 -0.155 0.143 0.565 0.000 0.161 0.127 -0.474 0.000 -0.311 0.003 0.108 0.306 -0.165 0.118 0.804 0.000 0.125 0.236 0.014 0.894 -0.325 0.002 -0.025 0.814 -0.052 0.624 0.559 0.000 0.051 0.633 0.558 0.000 -0.019 0.859 0.942 0.000 0.042 0.691

0.121 0.254 0.210 0.046 0.129 0.222 -0.343 0.001 -0.242 0.021 0.968 0.000 -0.001 0.996 -0.057 0.592 0.240 0.022 -0.594 0.000 -0.223 0.033 0.725 0.000 0.173 0.102 0.137 0.197 0.253 0.015 -0.319 0.002 -0.077 0.466 -0.146 0.166 -0.031 0.772 -0.653 0.000 -0.267 0.011

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 -0.215 0.041 0.274 0.008 -0.220 0.036 -0.122 0.251

z7

0.052 0.621 u7 0.699 0.000 v7 -0.269 0.010 vv7 0.229 0.029 T7 -0.287 0.006 rh7 0.064 0.549 z5 -0.036 0.733 u5 0.429 0.000 v5 -0.417 0.000 vv5 0.008 0.941 T5 -0.097 0.362 rh5 0.072 0.496 z2 -0.005 0.963 vv2 -0.061 0.567 th8 -0.218 0.038 CH model -0.010 0.926

0.273 0.009 -0.174 0.099 0.816 0.000 0.076 0.472 0.124 0.240 -0.058 0.587 0.264 0.011 -0.275 0.008 0.109 0.305 0.103 0.331 0.008 0.939 -0.123 0.244 0.079 0.455 -0.125 0.237 -0.014 0.896 -0.174 0.099

0.088 0.405 0.255 0.015 0.195 0.064 0.670 0.000 -0.211 0.044 -0.265 0.011 0.000 1.000 -0.076 0.472 -0.032 0.764 0.283 0.007 -0.178 0.091 0.162 0.124 -0.002 0.989 0.028 0.791 -0.186 0.077 -0.545 0.000

-0.297 0.004 -0.015 0.885 0.082 0.439 0.178 0.092 0.255 0.015 -0.533 0.000 -0.179 0.090 -0.321 0.002 0.007 0.951 0.172 0.102 0.035 0.742 0.049 0.648 0.159 0.133 0.110 0.299 0.302 0.004 -0.189 0.073

-0.150 0.157 -0.230 0.028 0.037 0.731 -0.467 0.000 0.352 0.001 0.782 0.000 0.043 0.684 -0.005 0.960 0.018 0.863 -0.357 0.001 0.313 0.002 0.067 0.526 0.264 0.011 -0.205 0.051 0.398 0.000 0.367 0.000

-0.103 0.333 -0.006 0.957 0.177 0.092 -0.411 0.000 -0.149 0.160 0.847 0.000 0.078 0.462 0.139 0.189 0.185 0.079 -0.217 0.039 -0.023 0.831 0.034 0.752 -0.075 0.481 -0.473 0.000 -0.232 0.027

-0.129 0.224 0.116 0.273 -0.351 0.001 -0.156 0.139 -0.271 0.009 0.379 0.000 -0.419 0.000 -0.057 0.591 -0.251 0.017 0.205 0.052 -0.068 0.522 -0.057 0.589 -0.298 0.004 0.057 0.590

0.095 0.369 0.245 0.019 -0.076 0.476 0.033 0.758 -0.275 0.008 0.090 0.395 0.101 0.340 0.104 0.327 -0.165 0.117 0.047 0.657 -0.001 0.994 0.119 0.262 -0.194 0.065

vv7 -0.172 0.103 rh7 -0.433 0.000 z5 0.069 0.515 u5 -0.018 0.865 v5 0.047 0.655 vv5 0.674 0.000 T5 -0.304 0.003 rh5 -0.099 0.348 z2 -0.252 0.016 vv2 0.078 0.463 th8 -0.270 0.010 CH model -0.829 0.000

T7

rh7

z5

u5

v5

vv5

T5

0.165 0.118 -0.003 0.977 -0.301 0.004 -0.090 0.395 -0.147 0.163 0.430 0.000 0. 038 0.722 0.474 0.000 -0.091 0.389 0.857 0.000 0.111 0.293

0.022 0.835 0.005 0.962 -0.065 0.540 -0.364 0.000 0.315 0.002 0.134 0.207 0.285 0.006 -0.096 0.368 0.349 0.001 0.336 0.001

-0.012 0.912 0.112 0.290 0.144 0.174 0.181 0.086 -0.026 0.808 0.390 0.000 -0.117 0.269 0.048 0.655 -0.200 0.057

-0.237 0.024 0.061 0.566 -0.066 0.537 -0.083 0.433 -0.249 0.017 0.028 0.791 -0.266 0.011 0.078 0.462

0.018 0.868 -0.070 0.513 0.011 0.917 -0.073 0.491 0.166 0.117 -0.073 0.490 -0.111 0.296

-0.127 0.229 -0.452 0.000 -0.381 0.000 0.070 0.509 -0.210 0.046 -0.789 0.000

-0.349 0.001 0.499 0.000 -0.030 0.780 0.661 0.000 0.137 0.194

z2

vv2

th8

-0.267 0.011 0.640 0.000 0.215 0.041

-0.083 0.433 -0.182 0.084

0.165 0.118

T7

rh5 0.356 0.001 vv2 -0.096 0.365 th8 0.087 0.412 CH model 0.248 0.0 18 z2

Cell Contents: Pearson correlation P-Value

Lampiran 5 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan MAM 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.419 0.000 v0 -0.002 0.982 rh0 -0.240 0.021 T0 -0.314 0.002 Dew poin -0.692 0.000 th1 -0.752 0.000 z8 0.931 0.000 u8 -0.135 0.200 v8 0.276 0.008 vv8 0.380 0.000 T8 -0.573 0.000 rh8 -0.131 0.212 z7 0.799 0.000 u7 0.065 0.539 v7 0.121 0.250 vv7 0.444 0.000 T7 -0.759 0.000 rh7 0.221 0.034 z5 0.342 0.001 u5 0.074 0.481 v5 -0.025 0.814 vv5 0.350 0.001 T5 -0.606 0.000 rh5 0.240 0.021 z2 -0.716 0.000 vv2 0.362 0.000 th8 -0.814 0.000 CH model 0.294 0.004

u0

v0

rh0

T0 Dew poin

-0.379 0.000 0.622 0.000 -0.337 0.001 0.439 0.000 -0.001 0.992 -0.582 0.000 0.663 0.000 -0.478 0.000 -0.568 0.000 -0.291 0.005 0.422 0.000 -0.656 0.000 0.097 0.359 -0.316 0.002 -0.433 0.000 0.236 0.023 0.113 0.281 -0.604 0.000 0.042 0.692 -0.067 0.526 -0.308 0.003 0. 189 0.071 0.141 0.180 0.227 0.030 -0.610 0.000 0.147 0.162 -0.304 0.003

-0.101 0.338 0.057 0.592 -0.070 0.508 0.128 0.222 0.066 0.535 -0.189 0.071 0.677 0.000 0.260 0.012 0.271 0.009 -0.193 0.065 0.138 0.189 0.191 0.068 0.624 0.000 0.120 0.256 0.023 0.827 -0.123 0.241 0.196 0.061 -0.142 0.178 0.022 0.832 -0.115 0.274 0.066 0.532 -0.083 0.432 0.064 0.544 0.105 0.320 0.103 0.328 0.015 0.886

-0.703 0.000 0.543 0.000 -0.232 0.026 -0.535 0.000 0.302 0.003 -0.111 0.294 -0.574 0.000 -0.554 0.000 0.709 0.000 -0.651 0.000 -0.175 0.096 -0.050 0.634 -0.609 0.000 -0.055 0.602 0.501 0.000 -0.692 0.000 -0.077 0.468 0.041 0.700 -0.665 0.000 0.158 0.132 0.524 0.000 0.237 0.023 -0.645 0.000 -0.006 0.952 -0.112 0.286

0.213 0.041 0.736 0.000 0.027 0.797 -0.335 0.001 -0.114 0.278 0.079 0.455 0.786 0.000 -0.312 0.003 0.253 0.015 -0.014 0.897 -0.074 0.484 0.168 0.110 0.573 0.000 -0.441 0.000 0.606 0.000 0.136 0.195 -0.044 0.680 0.408 0.000 0.134 0.202 -0.473 0.000 0.070 0.508 0.328 0.001 0.549 0.000 -0.084 0.428

v8

vv8

T8

rh8

0.398 0.000 -0.008 0.940 -0.273 0.008 0.232 0.026

0.248 0.017 -0.768 0.000 0.503 0.000

-0.493 0.000 -0.022 0.833

-0.343 0.001

th1

z8

0.550 0.000 -0.693 0.000 -0.008 0.939 -0.276 0.008 -0.685 0.000 0.165 0.116 0.609 0.000 -0.583 0.000 -0.282 0.006 -0.154 0.142 -0.627 0.000 0.600 0.000 0.189 0.071 -0.225 0.031 0.027 0.796 -0.004 0.967 -0.416 0.000 0.377 0.000 0.156 0.138 0.400 0.000 -0.479 0.000 0.638 0.000 -0.245 0.018

-0.500 0.000 -0.235 0.024 -0.177 0.092 -0.154 0.143 0.834 0.000 -0.056 0.594 -0.237 0.023 -0.199 0.058 -0.146 0.166 -0.110 0.295 0.926 0.000 -0.449 0.000 0.360 0.000 -0.122 0.246 -0.033 0.752 0.091 0.386 0.649 0.000 -0.538 0.000 0.621 0.000 -0.030 0.778 0.964 0.000 -0.246 0.018

-0.253 0.015 0.252 0.015 0.487 0.000 -0.260 0.012 -0.305 0.003 0.955 0.000 0.082 0.437 0.094 0.374 0.572 0.000 -0.569 0.000 0.020 0.854 0.612 0.000 0.113 0.284 -0.029 0.781 0.523 0.000 -0.567 0.000 0.035 0.741 -0.683 0.000 0.533 0.000 -0.640 0.000 0.252 0.015

z7

u7

v7

u0

v8 vv8 T8 rh8 z7

u8 -0.449 0.000 -0.271 0.009 -0.252 0.016 0.057 0.591 -0.374 0.000

u7

0.594 0.000 v7 -0.110 0.298 vv7 -0.199 0.057 T7 -0.090 0.393 rh7 -0.211 0.044 z5 -0.503 0.000 u5 0.328 0.001 v5 0.215 0.040 vv5 -0.343 0.001 T5 -0.157 0.136 rh5 0.298 0.004 z2 0.093 0.379 vv2 -0.397 0.000 th8 -0.175 0.095 CH model -0.333 0.001

-0.089 0.401 0.701 0.000 0.155 0.140 -0.30 1 0.003 0.146 0.164 0.138 0.189 -0.305 0.003 -0.236 0.023 0.018 0.864 -0.022 0.835 -0.065 0.536 -0.166 0.115 0.375 0.000 -0.171 0.102 0.442 0.000

0.158 0.132 0.299 0.004 0.890 0.000 -0.245 0.019 -0.405 0.000 0.354 0.001 -0.187 0.074 0.114 0.281 0.550 0.000 -0.205 0.050 -0.318 0.002 -0.178 0.090 0.554 0.000 -0.264 0.011 0.248 0.017

0.062 0.556 0.057 0.587 0.175 0.096 0.674 0.000 -0.624 0.000 0.404 0.000 0.002 0.984 0.088 0.405 0.180 0.085 0.350 0.001 -0.596 0.000 0 .453 0.000 0.256 0.014 0.702 0.000 -0.157 0.134

-0.467 0.000 -0.292 0.005 -0.667 0.000 0.022 0.836 0.697 0.000 -0.304 0.003 -0.159 0.130 -0.177 0.092 -0.421 0.000 0.224 0.032 0.518 0.000 0.048 0.646 -0.482 0.000 0.087 0.412 -0.190 0.070

-0.002 0.986 0.056 0.597 0.612 0.000 -0.328 0.001 -0.100 0.341 0.804 0.000 0.048 0.650 -0.059 0.579 0.614 0.000 -0.421 0.000 -0.141 0.179 -0.546 0.000 0.578 0.000 -0.399 0.000 0.198 0.059

0.425 0.000 0.159 0.129 -0.167 0.111 -0.566 0.000 -0.172 0.101 0.692 0.000 0.595 0.000 -0.148 0.160 -0.509 0.000 0.160 0.127 -0.247 0.018 -0.231 0.027 -0.276 0.008 -0.106 0.314

0.089 0.398 -0.278 0.007 -0.132 0.208 -0.046 0.661 0.100 0.342 0.357 0.000 -0.221 0.035 -0.259 0.013 0.239 0.022 -0.256 0.014 -0.059 0.574 -0.160 0.129 0.227 0.030

vv7 -0.132 0.210 rh7 -0.452 0.000 z5 0.493 0.000 u5 -0.159 0.130 v5 0.120 0.254 vv5 0.785 0.000 T5 -0.208 0.047 rh5 -0.380 0.000 z2 -0.260 0.012 vv2 0.482 0.000 th8 -0.228 0.029 CH model 0.118 0.263

T7

rh7

z5

u5

v5

vv5

T5

-0.429 0.000 0.244 0.019 -0.115 0.275 -0.046 0.661 0.106 0.314 0.650 0.000 -0.581 0.000 0.665 0.00 0 -0.204 0.051 0.940 0.000 -0.291 0.005

-0.350 0.001 -0.354 0.001 -0.395 0.000 -0.258 0.013 -0.053 0.615 0.469 0.000 -0.303 0.003 -0.024 0.822 -0.360 0.000 0.142 0.176

-0.068 0.518 -0.087 0.408 0.625 0.000 0.067 0.525 -0.445 0.000 -0.108 0.306 0.493 0.000 0.215 0.039 0.062 0.555

0.471 0.000 -0.268 0.010 -0.605 0.000 0.309 0.003 -0.297 0.004 -0.265 0.011 -0.215 0.039 -0.018 0.863

-0.225 0.031 -0.276 0.008 0.324 0.002 -0.088 0.402 -0.391 0.000 -0.068 0.522 -0.172 0.101

-0.053 0.614 -0.608 0.000 -0.282 0.007 0.532 0.000 -0.029 0.784 0.093 0.379

-0.408 0.000 0.769 0.000 -0.095 0.367 0.768 0.000 -0.157 0.136

z2

vv2

th8

-0.228 0.029 0.732 0.000 -0.238 0.023

-0.178 0.089 0.286 0.006

-0.248 0.017

T7

rh5 -0.398 0.000 vv2 -0.350 0.001 th8 -0.481 0.000 CH model 0.029 0.784 z2

Cell Contents: Pearson correlation P-Value

Lampiran 6 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan JJA 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp 0.033 0.752 v0 -0.197 0.060 rh0 0.033 0.756 T0 -0.286 0.006 Dew poin -0.159 0.130 th1 -0.416 0.000 z8 0.943 0.000 u8 0.300 0.004 v8 0.210 0.044 vv8 -0.139 0.188 T8 -0.330 0.001 rh8 0.030 0.776 z7 0.813 0.000 u7 -0.046 0.662 v7 0.351 0.001 vv7 -0.262 0.011 T7 -0.321 0.002 rh7 0.159 0.130 z5 0.576 0.000 u5 -0.181 0.084 v5 0.315 0.002 vv5 -0.089 0.401 T5 -0.044 0.674 rh5 0.085 0.422 z2 0.136 0.197 vv2 -0.120 0.255 th8 -0.378 0.000 CH model 0.171 0.103

u0

v0

rh0

T0 Dew poin

-0.584 0.000 0.231 0.027 -0.379 0.000 0.006 0.958 -0.143 0.172 -0.083 0.429 0.201 0.055 -0.159 0.131 -0.220 0.035 -0.271 0.009 0.166 0.114 -0.097 0.359 -0.082 0.438 -0.036 0.737 -0.285 0.006 -0.143 0.175 0.247 0.017 -0.092 0.381 -0.250 0.016 -0.182 0.082 -0.117 0.268 0.257 0.013 0.084 0.424 0.243 0.020 -0.071 0.500 -0.024 0.824 0.149 0.155

-0.182 0.082 0.352 0.001 0.033 0.757 0.297 0.004 -0.117 0.268 -0.105 0.319 0.331 0.001 0.169 0.108 0.219 0.036 -0.272 0.009 -0.135 0.201 0.246 0.018 0.029 0.782 0.370 0.000 0.152 0.148 -0.344 0.001 0.076 0.470 0.368 0.000 0.194 0.064 0.214 0.041 0.215 0.039 -0.417 0.000 -0.024 0.817 0.129 0.219 0.262 0.012 -0.286 0.006

-0.554 0.000 0.805 0.000 -0.148 0.158 -0.098 0.352 -0.282 0.007 -0.147 0.163 -0.566 0.000 -0.473 0.000 0.878 0.000 -0.064 0.542 -0.454 0.000 -0.000 0.999 -0.691 0.000 -0.315 0.002 0.713 0.000 -0.110 0.295 -0.386 0.000 -0.046 0.665 -0.512 0.000 0.159 0.129 0.285 0.006 0.056 0.598 -0.344 0.001 -0.032 0 .759 0.552 0.000

0.046 0.665 0.642 0.000 0.010 0.926 -0.186 0.076 0.006 0.955 0.403 0.000 0.835 0.000 -0.475 0.000 0.169 0.108 0.214 0.041 -0.052 0.625 0.665 0.000 0.565 0.000 -0.590 0.000 0.302 0.003 0.370 0.000 0.001 0.996 0.381 0.000 -0.153 0.146 -0.200 0.056 0.121 0.250 0.261 0.012 0.434 0.000 -0.427 0.000

v8

vv8

T8

rh8

0.249 0.017 -0.010 0.927 -0.223 0.033

0.490 0.000 -0.579 0.000

-0.503 0.000

th1

z8

0.274 0.008 -0.109 0.303 -0.473 0.000 -0.172 0.101 -0.389 0.000 0.017 0.873 0.718 0.000 0.044 0.680 -0.397 0.000 -0.037 0.729 -0.343 0.001 0.019 0.858 0.449 0.000 0.083 0.434 -0.204 0.051 -0.049 0.645 -0.327 0.001 0.081 0.442 0.201 0.055 0.148 0.160 -0.236 0.023 0.267 0.010 0.342 0.001

-0.167 0.111 -0.314 0.002 -0.055 0.604 0.252 0.015 0.751 0.000 -0.150 0.154 0.105 0.320 0.056 0.597 0.029 0.781 0.359 0.000 0.784 0.000 -0.314 0.002 0.503 0.000 0.278 0.007 -0.078 0.460 0.235 0.024 0.181 0.084 -0.092 0.383 0.389 0.000 0.147 0.161 0.958 0.000 -0.156 0.137

0.214 0.041 0.202 0.053 -0.023 0.826 -0.018 0.865 -0.094 0.375 0.941 0.000 0.008 0.938 0.366 0.000 -0.116 0.272 -0.105 0.318 -0.018 0.861 0.747 0.000 -0.077 0.463 0.316 0.002 -0.031 0.768 -0.102 0.333 0.054 0.609 0.224 0.032 -0.023 0.827 -0.200 0.057 0.111 0.291

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 0.095 0.366 0.152 0.149 -0.198 0.058 -0.309 0.003

z7

0.081 0.445 u7 0.424 0.000 v7 0.112 0.290 vv7 -0.099 0.347 T7 -0.194 0.063 rh7 -0.151 0.151 z5 0.016 0.880 u5 0.224 0.032 v5 -0.049 0.642 vv5 -0.053 0.615 T5 0.074 0.483 rh5 0.003 0.977 z2 0.181 0.085 vv2 0.047 0.655 th8 -0.257 0.014 CH model -0.008 0.941

0.114 0.278 0.248 0.017 0.503 0.000 0.002 0.988 -0.120 0.256 -0.087 0.408 0.156 0.138 -0.069 0.512 0.211 0.044 0.087 0.407 0.285 0.006 -0.114 0.279 0.155 0.140 -0.128 0.224 -0.027 0.797 -0.095 0.368

0.037 0.726 0.420 0.000 0.098 0.352 0.566 0.000 0.266 0.010 -0.360 0.000 0.103 0.328 0.087 0.411 0.101 0.337 0.478 0.000 0.088 0.403 -0.078 0.459 0.196 0.060 -0.001 0.994 0.179 0.087 -0.523 0.000

0.216 0.039 0.310 0.003 0.039 0.713 0.477 0.000 0.683 0.000 -0.560 0.000 0.367 0 .000 0.291 0.005 -0.024 0.821 0.206 0.049 -0.098 0.353 -0.054 0.606 0.296 0.004 0.247 0.018 0.562 0.000 -0.223 0.032

-0.055 0.600 -0.619 0.000 -0.061 0.562 -0.610 0.000 -0.337 0.001 0.770 0.000 -0.119 0.260 -0.402 0.000 -0.110 0.297 -0.459 0.000 0.046 0.662 0.302 0.003 -0.006 0.955 -0.354 0.001 -0.049 0.643 0.496 0.000

-0.024 0.823 0.365 0.000 -0.059 0.579 0.150 0.154 -0.030 0.779 0.867 0.000 -0.081 0.442 0.300 0.004 -0.046 0.663 -0.140 0.182 0.151 0.151 0.345 0.001 -0.035 0.742 0.053 0.615 0.144 0.171

0.041 0.698 0.311 0.003 0.183 0.081 -0.515 0.000 0.020 0.852 0.372 0.000 0.013 0.900 0.248 0.017 0.143 0.174 -0.260 0.012 0.179 0.087 0.218 0.037 0.016 0.878 -0.256 0.014

-0.210 0.045 -0.033 0.757 0.046 0.661 0.364 0.000 -0.298 0.004 0.467 0.000 -0.096 0.363 0.310 0.003 0.022 0.835 0.307 0.003 -0.097 0.356 0.064 0.547 0.118 0.261

vv7 0.458 0.000 rh7 -0.572 0.000 z5 0.070 0.506 u5 0.355 0.001 v5 0.054 0.612 vv5 0.759 0.000 T5 -0.127 0.229 rh5 -0.331 0.001 z2 -0.124 0.237 vv2 0.197 0.059 th8 0.248 0.017 CH model -0.753 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.573 0.000 0.406 0.000 0.282 0.006 0.065 0.536 0.220 0.035 -0.210 0.044 -0.032 0.759 0.198 0.059 0.268 0.010 0.730 0.000 -0.175 0.095

-0.141 0.180 -0.461 0.000 -0.132 0.211 -0.345 0.001 0.157 0.134 0.466 0.000 0.010 0.925 -0.483 0.000 -0.179 0.087 0.397 0.000

0.082 0.434 0.224 0.032 0.119 0.257 0.119 0.260 0.000 0.999 0.487 0.000 0.028 0.789 0.502 0.000 0.027 0.800

-0.151 0.151 0.202 0.053 -0.161 0.125 -0.353 0.001 -0.190 0.070 0.186 0.076 0.224 0.032 -0.199 0.057

-0.004 0.966 -0.058 0.580 -0.234 0.025 -0.081 0.445 -0.130 0.218 -0.085 0.418 0.010 0.926

0.141 0.181 -0.415 0.000 -0.077 0.465 0.242 0.020 0.211 0.044 -0.877 0.000

-0.274 0.008 0.495 0.000 -0.166 0.114 0.316 0.002 -0.074 0.481

z2

vv2

th8

-0.053 0.618 0.427 0.000 0.093 0.376

0.069 0.516 -0.197 0.060

-0.099 0.348

T7

rh5 0.175 0.095 vv2 -0.202 0.053 th8 -0.071 0.503 CH model 0.372 0.000 z2

Cell Contents: Pearson correlation P-Value

Lampiran 7 Nilai Koefisien Korelasi antar Variabel NWP kota Padang bulan SON 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.095 0.370 v0 0.162 0.124 rh0 -0.459 0.000 T0 0.159 0.133 Dew poin -0.478 0.000 th1 -0.641 0.000 z8 0.981 0.000 u8 0.024 0.819 v8 0.088 0.409 vv8 0.069 0.515 T8 -0.372 0.000 rh8 -0.391 0.000 z7 0.940 0.000 u7 0.015 0.888 v7 0.015 0.888 vv7 0.026 0.808 T7 -0.483 0.000 rh7 -0.330 0.001 z5 0.713 0.000 u5 0.066 0.533 v5 0.173 0.100 vv5 0.305 0.003 T5 -0.511 0.000 rh5 -0.328 0.001 z2 -0.322 0.002 vv2 0.110 0.299 th8 -0.685 0.000 CH model -0.254 0.015

u0

v0

rh0

T0 Dew poin

-0.666 0.000 0.380 0.000 0.000 0.998 0.471 0.000 0.065 0.538 -0.123 0.245 0.244 0.020 -0.525 0.000 -0.363 0.000 -0.276 0.008 0.425 0.000 -0.092 0.384 0.122 0.248 -0.434 0.000 -0.259 0.013 0.049 0.644 0.213 0.043 -0.065 0.543 -0.141 0.183 -0.133 0.208 -0.097 0.360 0.171 0.105 -0.022 0.835 0.127 0.230 -0.063 0.555 0.118 0.267 0.090 0.397

-0.352 0.001 0.290 0.005 -0.256 0.014 0.095 0.373 0.231 0.028 -0.232 0.027 0.601 0.000 0.084 0.428 0.264 0.011 -0.284 0.006 0.227 0.031 -0.075 0.477 0.545 0.000 0.128 0.226 0.124 0.241 -0.406 0.000 0.299 0.004 0.228 0.030 0.218 0.038 0.175 0.097 -0.074 0.483 -0.255 0.015 -0.024 0.822 -0.037 0.727 0.010 0.926 -0.121 0.253

-0.621 0.000 0.876 0.000 0.077 0.466 -0.542 0.000 -0.276 0.008 -0.197 0.061 -0.511 0.000 -0.353 0.001 0.908 0.000 -0.495 0.000 -0.312 0.003 -0.235 0.025 -0.496 0.000 0.043 0.689 0.660 0.000 -0.536 0.000 -0.387 0.000 -0.396 0.000 -0.617 0.000 0.174 0 .098 0.205 0.052 0.041 0.700 -0.244 0.020 0.196 0.063 0.529 0.000

-0.168 0.110 0.327 0.002 0.325 0.002 -0.041 0.700 0.157 0.137 0.068 0.522 0.557 0.000 -0.444 0.000 0.367 0.000 -0.026 0.803 0.181 0.086 0.217 0.039 0.236 0.025 -0.499 0.000 0.500 0.000 0.135 0.203 0.358 0.000 0.515 0.000 -0.051 0.630 -0.444 0.000 0.005 0.965 0.125 0.237 0.115 0.279 -0.367 0.000

v8

vv8

T8

rh8

-0.051 0.629 0.159 0.132 -0.135 0.202

0.232 0.027 -0.629 0.000

-0.406 0.000

th1

z8

0.289 0.005 -0.480 0.000 -0.365 0.000 -0.158 0.134 -0.581 0.000 -0.111 0.293 0.868 0.000 -0.397 0.000 -0.398 0.000 -0.189 0.073 -0.467 0.000 0.191 0.069 0.526 0.000 -0.372 0.000 -0.392 0.000 -0.276 0.008 -0.441 0.000 0.173 0.100 -0.015 0.891 0.037 0.725 -0.219 0.037 0.308 0.003 0.417 0.000

-0.527 0.000 0.037 0.727 0.013 0.899 -0.062 0.557 0.696 0.000 0.144 0.174 -0.380 0.000 0.046 0.666 0.043 0.683 0.050 0.638 0.865 0.000 -0.096 0.364 0.078 0.461 0.005 0.963 0.046 0.663 -0.061 0.565 0.679 0.000 -0.054 0.613 0.666 0.000 -0.091 0.393 0.967 0.000 0.117 0.270

-0.018 0.867 0.132 0.212 0.084 0.431 -0.215 0.041 -0.454 0.000 0.978 0.000 -0.017 0.870 0.060 0.572 0.068 0.520 -0.391 0.000 -0.423 0.000 0.793 0.000 0.076 0.476 0.235 0.025 0.369 0.000 -0.490 0.000 -0.415 0.000 -0.295 0.005 0.120 0.255 -0.613 0.000 -0.289 0.005

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 -0.467 0.000 0.472 0.000 -0.126 0.235 -0.283 0.007

z7

-0.046 0.663 u7 0.891 0.000 v7 -0.272 0.009 vv7 0.359 0.000 T7 0.104 0.327 rh7 -0.155 0.142 z5 0.092 0.384 u5 0.546 0.000 v5 0.143 0.175 vv5 0.229 0.029 T5 0.193 0.066 rh5 0.347 0.001 z2 0.367 0.000 vv2 0.083 0.436 th8 0.145 0.171 CH model -0.308 0.003

0.102 0.337 -0.288 0.006 0.731 0.000 -0.062 0.559 -0.030 0.777 -0.185 0.079 0.124 0.241 0.047 0.660 0.118 0.267 0.046 0.662 -0.018 0.869 -0.281 0.007 -0.092 0.386 -0.071 0.503 -0.052 0.622 0.034 0.746

0.037 0.728 0.535 0.000 0.069 0.519 0.871 0.000 -0.048 0.651 -0.360 0.000 0.059 0.577 0.450 0.000 0.232 0.027 0.571 0.000 -0.014 0.896 0.167 0.114 0.062 0.562 0.143 0.175 -0.062 0.560 -0.628 0.000

-0.107 0.312 -0.106 0.317 0.228 0.029 0.285 0.006 0.558 0.000 -0.390 0.000 0.150 0.155 0.018 0.863 0.239 0.023 0.117 0.269 0.321 0.002 -0.101 0.341 0.385 0.000 0.015 0.885 0.548 0.000 -0.061 0.567

-0.400 0.000 -0.330 0.001 -0.193 0.067 -0.567 0.000 0.094 0.373 0.649 0.000 -0.389 0.000 -0.398 0.000 -0.359 0.000 -0.525 0.000 0.216 0.040 0.063 0.554 0.069 0.514 -0.255 0.015 0.240 0.022 0.476 0.000

-0.067 0.529 0.032 0.764 0.043 0.686 -0.240 0.022 -0.427 0.000 0.872 0.000 0.013 0.905 0.237 0.024 0.319 0.002 -0.414 0.000 -0.443 0.000 -0.176 0.095 0.106 0.316 -0.474 0.000 -0.237 0.024

-0.203 0.053 0.460 0.000 0.114 0.281 -0.287 0.006 0.090 0.399 0.742 0.000 0.093 0.382 0.322 0.002 0.199 0.059 0.237 0.024 0.273 0.009 0.014 0.894 0.142 0.180 -0.363 0.000

-0.007 0.947 0.003 0.980 -0.106 0.319 0.062 0.558 0.055 0.607 0.427 0.000 0.067 0.527 0.026 0.810 -0.282 0.007 -0.018 0.869 0.085 0.425 -0.016 0.880 -0.033 0.756

vv7 0.114 0.282 rh7 -0.490 0.000 z5 0.101 0.342 u5 0.450 0.000 v5 0.188 0.075 vv5 0.733 0.000 T5 -0.084 0.426 rh5 0.012 0.908 z2 -0.050 0.637 vv2 0.177 0.094 th8 0.019 0.859 CH model -0.789 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.280 0.007 0.168 0.112 0.057 0.593 0.058 0.586 -0.035 0.744 0.427 0.000 -0.095 0.369 0.548 0.000 0.058 0.586 0.860 0.000 0.083 0.434

-0.531 0.000 -0.379 0.000 -0.292 0.005 -0.482 0.000 0.114 0.284 0.333 0.001 0.003 0.978 -0.160 0.130 0.005 0.965 0.409 0.000

0 .119 0.263 0.275 0.008 0.348 0.001 -0.041 0.701 -0.476 0.000 0.194 0.065 0 .066 0.532 -0.005 0.960 -0.232 0.027

0.104 0.326 0.411 0.000 0.009 0.936 -0.022 0.837 -0.009 0.936 -0.016 0.880 0.025 0.811 -0.404 0.000

0.246 0.019 -0.075 0.478 -0.214 0.042 0.030 0.779 0.136 0.200 -0.029 0.787 -0.211 0.045

-0.200 0.057 -0.367 0.000 -0.222 0.035 0.119 0.260 -0.154 0.145 -0.886 0.000

0.077 0.470 0.836 0.000 -0.216 0.040 0.751 0.000 0.203 0.054

z2

vv2

th8

-0.159 0.132 0.735 0.000 0.194 0.065

-0.111 0.296 -0.225 0.032

0.175 0 .097

T7

rh5 0.212 0.044 vv2 -0.101 0.342 th8 0.057 0.591 CH model 0.167 0.114 z2

Cell Contents: Pearson correlation P-Value

Lampiran 8 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan DJF 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp 0.323 0.002 v0 0.416 0.000 rh0 -0.181 0.086 T0 -0.116 0.273 Dew poin -0.363 0.000 th1 -0.559 0.000 z8 0.975 0.000 u8 0.140 0.187 v8 0.323 0.002 vv8 0.029 0.786 T8 -0.372 0.000 rh8 -0.219 0.037 z7 0.881 0.000 u7 -0.034 0.746 v7 0.451 0.000 vv7 -0.014 0.897 T7 -0.477 0.000 rh7 -0.201 0.056 z5 0.581 0.000 u5 0.018 0.868 v5 0.359 0.000 vv5 0.089 0.401 T5 -0.324 0.002 rh5 -0.156 0.139 z2 -0.156 0.140 vv2 -0.015 0.886 th8 -0.569 0.000 CH model -0.156 0.139

u0

v0

rh0

T0 Dew poin

0.156 0.141 0.049 0.645 -0.349 0.001 -0.353 0.001 -0.649 0.000 0.187 0.077 0.764 0.000 0.095 0.370 -0.325 0.002 -0.588 0.000 -0.116 0.274 0.026 0.808 0.528 0.000 0.362 0.000 -0.117 0.268 -0.525 0.000 0.043 0.688 -0.272 0.009 0.468 0.000 0.155 0.142 -0.090 0.398 -0.570 0.000 0.228 0.030 -0.512 0.000 -0.261 0.013 -0.598 0.000 0.136 0.197

0.041 0.703 0.033 0.754 0.096 0.366 -0.040 0.709 0.438 0.000 -0.317 0.002 0.825 0.000 0.330 0.001 0.263 0.012 -0.134 0.205 0.491 0.000 -0.471 0.000 0.508 0.000 -0.038 0.720 -0.032 0.764 -0.239 0.023 0.384 0.000 -0.374 0.000 0.454 0.000 0.089 0.402 0.040 0.709 -0.300 0.004 0.008 0.940 0.131 0.214 -0.101 0.341 -0.325 0.002

-0.658 0.000 0.458 0.000 0.163 0.122 -0.234 0.026 0.116 0.271 -0.112 0.292 -0.260 0.013 -0.026 0.810 0.676 0.000 -0.152 0.151 0.214 0.042 -0.078 0.462 -0.431 0.000 0.026 0.806 0.455 0.000 -0.036 0 .733 0.054 0.609 -0.059 0.579 -0.310 0.003 0.162 0.125 0.312 0.003 0.192 0.069 -0.365 0.000 0.270 0.010 0.632 0.000

0.367 0.000 0.444 0.000 0.061 0.565 -0.498 0.000 0.170 0.107 0.442 0.000 0.619 0.000 -0.426 0.000 0.166 0.115 -0.523 0.000 -0.008 0.942 0.364 0.000 0.430 0.000 -0.328 0.002 0.292 0.005 -0.449 0.000 -0.043 0.688 0.183 0.082 0.191 0.069 -0.204 0.053 0.333 0.001 0.374 0.000 0.285 0.006 -0.510 0.000

v8

vv8

T8

rh8

0.243 0.020 0.234 0.026 -0.295 0.005

0.603 0.000 -0.396 0.000

-0.073 0.492

th1

z8

0.727 0.000 -0.219 0.037 -0.450 0.000 0.065 0.538 0.202 0.055 0.702 0.000 0.330 0.001 0.007 0.950 -0.359 0.000 -0.104 0.326 -0.101 0.340 0.538 0.000 0.180 0.087 0.299 0.004 -0.465 0.000 -0.123 0.245 -0.159 0.131 0.431 0.000 0.147 0.166 0.630 0.000 -0.007 0.945 0.671 0.000 0.171 0.105

-0.400 0.000 -0.635 0.000 -0.028 0.793 0.269 0.010 0.818 0.000 0.247 0.018 -0.136 0.199 -0.465 0.000 -0.396 0.000 0.059 0.578 0.831 0.000 0.182 0.085 0.347 0.001 -0.596 0.000 -0.269 0.010 -0.052 0.626 0.703 0.000 0.057 0.590 0.797 0.000 0.019 0.856 0.977 0.000 0.003 0.977

-0.013 0.904 0.348 0.001 0.142 0.179 -0.181 0.086 -0.248 0.018 0.953 0.000 -0.169 0.108 0.426 0.000 0.041 0.701 -0.351 0.001 -0.233 0.026 0.707 0.000 -0.126 0.235 0.341 0.001 0.111 0.294 -0.222 0.035 -0.198 0.060 -0.011 0.921 0.052 0.622 -0.443 0.000 -0.221 0.035

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 -0.387 0.000 -0.514 0.000 -0.732 0.000 0.007 0.950

z7

-0.192 0.068 u7 0.863 0.000 v7 0.016 0.882 vv7 -0.185 0.079 T7 -0.547 0.000 rh7 0.226 0.032 z5 -0.440 0.000 u5 0.634 0.000 v5 -0.022 0.833 vv5 -0.224 0.033 T5 -0.586 0.000 rh5 0.412 0.000 z2 -0.496 0.000 vv2 -0.249 0.017 th8 -0.542 0.000 CH model 0.376 0.000

0.367 0.000 -0.588 0.000 0.688 0.000 0.069 0.513 0.031 0.768 -0.347 0.001 0.292 0.005 -0.359 0.000 0.502 0.000 0.164 0.120 0.037 0.725 -0.379 0.000 -0.058 0.585 0.081 0.444 -0.099 0.352 -0.393 0.000

0.247 0.018 -0.450 0.000 0.019 0.856 0.639 0.000 0.250 0.017 -0.301 0.004 0.269 0.010 -0.459 0.000 0.086 0.415 0.401 0.000 0.090 0.395 -0.193 0.067 0.173 0.100 0.407 0.000 0.151 0.153 -0.616 0.000

0.067 0.530 -0.621 0.000 -0.149 0.157 0.239 0.023 0.676 0.000 -0.096 0.365 0.358 0.000 -0.684 0.000 -0.078 0.460 0.087 0.413 0.500 0.000 -0.153 0.147 0.627 0.000 0.241 0.021 0.697 0.000 -0.258 0.013

-0.146 0.167 0.120 0.258 -0.336 0.001 -0.558 0.000 0.115 0.276 0.534 0.000 0.008 0.937 -0.005 0.965 -0.227 0.030 -0.404 0.000 0.222 0.034 0.333 0.001 0.328 0.001 -0.199 0.059 0.347 0.001 0.605 0.000

-0.316 0.002 0.323 0.002 0.038 0.719 -0.107 0.312 -0.164 0.121 0.859 0.000 -0.335 0.001 0.302 0.004 0.050 0.641 -0.079 0.459 -0.147 0.163 0.239 0.023 0.055 0.603 -0.187 0.076 -0.194 0.066

-0.211 0.044 -0.173 0.101 -0.489 0.000 0.379 0.000 -0.466 0.000 0.633 0.000 -0.212 0.044 -0.244 0.020 -0.499 0.000 0.519 0.000 -0.371 0.000 -0.242 0.021 -0.364 0.000 0.430 0.000

0.031 0.769 -0.357 0.001 -0.314 0.002 0.096 0.364 0.016 0.884 0.443 0.000 0.255 0.015 -0.190 0.071 -0.243 0.020 -0.285 0.006 0.008 0.939 -0.450 0.000 -0.298 0.004

vv7 0.171 0.105 rh7 -0.385 0.000 z5 0.035 0.740 u5 -0.074 0.485 v5 0.014 0.894 vv5 0.648 0.000 T5 -0.052 0.627 rh5 -0.171 0.106 z2 -0.086 0.418 vv2 0.396 0.000 th8 -0.010 0.923 CH model -0.679 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.140 0.186 0.280 0.007 -0.488 0.000 -0.129 0.223 -0.108 0.310 0.490 0.000 -0.046 0.662 0.579 0.000 0.034 0.750 0.825 0.000 0.008 0.937

-0.035 0.744 -0.048 0.655 -0.266 0.011 -0.290 0.005 0.017 0.876 0.727 0.000 0.352 0.001 -0.310 0.003 0.269 0.010 0.402 0.000

-0.541 0.000 0.127 0.231 0.035 0.744 0.320 0.002 -0.102 0.337 0.608 0.000 -0.012 0.911 0.320 0.002 -0.143 0.176

-0.038 0.724 -0.009 0.929 -0.374 0.000 0.027 0.800 -0.684 0.000 -0.141 0.182 -0.519 0.000 0.212 0.044

-0.011 0.917 -0.144 0.172 -0.398 0.000 -0.274 0.009 0.171 0.104 -0.302 0.004 -0.222 0.034

0.205 0.052 -0.420 0.000 -0.139 0.190 0.308 0.003 -0.105 0.321 -0.712 0.000

-0.351 0.001 0.608 0.000 0.005 0.965 0.705 0.000 -0.081 0.446

z2

vv2

th8

-0.090 0.394 0.788 0.000 0.098 0.358

-0.088 0.404 -0.443 0.000

0.118 0.267

T7

rh5 0.231 0.028 vv2 -0.325 0.002 th8 0.136 0.197 CH model 0.413 0.000 z2

Cell Contents: Pearson correlation P-Value

Lampiran 9 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan MAM 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.171 0.102 v0 0.267 0.010 rh0 -0.383 0.000 T0 0.068 0.517 Dew poin -0.442 0.000 th1 -0.472 0.000 z8 0.974 0.000 u8 -0.122 0.246 v8 0.285 0.006 vv8 0.186 0.077 T8 0.348 0.001 rh8 -0.448 0.000 z7 0.709 0.000 u7 -0.142 0.176 v7 0.135 0.198 vv7 0.263 0.011 T7 -0.268 0.010 rh7 -0.330 0.001 z5 0.602 0.000 u5 0.056 0.599 v5 0.298 0.004 vv5 0.241 0.020 T5 0.257 0.013 rh5 -0.396 0.000 z2 -0.168 0.110 vv2 -0.022 0.837 th8 -0.366 0.000 CH model -0.400 0.000

u0

v0

rh0

T0 Dew poin

0.422 0.000 0.443 0.000 -0.547 0.000 0.142 0.176 -0.341 0.001 -0.270 0.009 0.791 0.000 0.246 0.018 -0.102 0.331 -0.576 0.000 0.306 0.003 -0.409 0.000 0.652 0.000 -0.032 0.760 -0.171 0.104 0.005 0.963 0.260 0.012 -0.383 0.000 0.097 0.356 -0.036 0.731 -0.233 0.026 -0.554 0.000 0.556 0.000 -0.383 0.000 -0.121 0.249 -0.333 0.001 0.137 0.191

0.157 0.134 -0.287 0.006 -0.021 0.839 -0.399 0.000 0.209 0.045 0.138 0.188 0.718 0.000 0.119 0.259 -0.157 0.136 0.001 0.989 0.003 0.974 0.238 0.023 0.156 0.137 -0.064 0.546 -0.270 0.009 0.114 0.279 -0.093 0.378 -0.015 0.884 0.276 0.008 -0.202 0.053 -0.236 0.023 0.122 0.248 -0.301 0.004 -0.217 0.038 -0.351 0.001 -0.005 0.965

-0.647 0.000 0.784 0.000 0.108 0.305 -0.401 0.000 0.382 0.000 0.072 0.495 -0.270 0.009 -0.597 0.000 0.611 0.000 -0.570 0.000 0.191 0.068 -0.015 0.889 -0.372 0.000 0.035 0.743 0.406 0.000 -0.506 0.000 -0.158 0.133 -0.214 0.040 -0.515 0.000 -0.549 0.000 0.679 0.000 0.042 0.688 -0.184 0.078 0.160 0.128 0.617 0 .000

-0.037 0.726 0.473 0.000 0.236 0.023 -0.491 0.000 -0.234 0.025 0.023 0.829 0.513 0.000 -0.348 0.001 0.363 0.000 -0.374 0.000 -0.184 0.079 0.173 0.100 0.123 0.242 -0.303 0.003 0.383 0.000 0.117 0.267 0.074 0.481 0.406 0.000 0.515 0.000 -0.599 0.000 0.303 0.003 0.044 0.677 0.393 0.000 -0.435 0.000

v8

vv8

T8

rh8

0.056 0.594 0.081 0.440 -0.068 0.522

0.230 0.028 -0.194 0.064

-0.670 0.000

th1

z8

0.522 0.000 -0.329 0.001 0.112 0.289 -0.095 0.367 -0.337 0.001 -0.371 0.000 0.513 0.000 -0.461 0.000 -0.043 0.684 -0.174 0.097 -0.332 0.001 0.142 0.177 0.280 0.007 -0.357 0.000 -0.104 0.324 -0.223 0.033 -0.331 0.001 -0.308 0.003 0.406 0.000 0.294 0.005 -0.198 0.059 0.528 0.000 0.443 0.000

-0.301 0.004 -0.245 0.019 -0.389 0.000 -0.055 0.599 0.146 0.164 0.249 0.017 -0.125 0.236 -0.438 0.000 -0.231 0.027 0.005 0.961 0.375 0.000 0.119 0.258 0.050 0.636 -0.066 0.529 -0.227 0.030 0.126 0.232 0.247 0.018 -0.080 0.451 0.693 0.000 0.100 0.344 0.946 0.000 0.056 0.594

-0.211 0.043 0.214 0.041 0.200 0.056 0.401 0.000 -0.443 0.000 0.730 0.000 -0.244 0.019 0.083 0.432 0.273 0.009 -0.215 0.040 -0.352 0.001 0.646 0.000 0.047 0.653 0.295 0.004 0.284 0.006 0.312 0.002 -0.452 0.000 -0.055 0.605 -0.033 0.755 -0.207 0.047 -0.440 0.000

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 0.010 0.922 -0.047 0.660 -0.437 0.000 0.231 0.026

z7

-0.304 0.003 u7 0.638 0.000 v7 -0.051 0.627 vv7 -0.022 0.833 T7 0.138 0.190 rh7 0.179 0.088 z5 -0.263 0.011 u5 0.182 0.082 v5 -0.100 0.343 vv5 -0.199 0.057 T5 -0.497 0.000 rh5 0.538 0.000 z2 -0.203 0.052 vv2 -0.080 0.449 th8 -0.209 0.046 CH model 0.099 0.345

0.227 0.029 -0.041 0.696 0.418 0.000 0.045 0.672 -0.306 0.003 0.015 0.886 0.107 0.312 -0.025 0.812 0.304 0.003 -0.044 0.680 -0.009 0.932 -0.100 0.345 -0.187 0.074 -0.180 0.086 -0.330 0.001 -0.056 0.593

0.342 0.001 -0.127 0.228 0.021 0.840 0.384 0.000 -0.022 0.839 -0.055 0.603 0.295 0.004 0.021 0.845 0.265 0.011 0.180 0.086 0.046 0.665 -0.121 0.251 -0.063 0.552 -0.004 0.969 -0.109 0.301 -0.410 0.000

0.758 0.000 -0.622 0.000 0.103 0.330 0.385 0.000 0.173 0.098 -0.523 0.000 0.741 0.000 0.117 0 .266 0.250 0.016 0.366 0.000 0.687 0.000 -0.777 0.000 0.337 0.001 0.026 0.802 0.077 0.463 -0.363 0.000

-0.513 0.000 0.122 0.248 -0.176 0.094 -0.503 0.000 0.085 0.419 0.680 0.000 -0.413 0.000 0.076 0.470 -0.270 0.009 -0.328 0.001 -0.443 0.000 0.584 0.000 0.137 0.191 -0.011 0.919 0.281 0.007 0.349 0.001

-0.482 0.000 0.123 0.242 0.400 0.000 -0.001 0.996 -0.433 0.000 0.926 0.000 0.279 0.007 0.399 0.000 0.367 0.000 0.518 0.000 -0.679 0.000 0.054 0.608 -0.012 0.909 -0.133 0.207 -0.459 0.000

-0.045 0.671 -0.064 0.545 -0.176 0.093 0.194 0.063 -0.572 0.000 0.089 0.398 -0.114 0.281 -0.186 0.076 -0.620 0.000 0.529 0.000 -0.567 0.000 -0.019 0.857 -0.410 0.000 0.111 0.290

0.053 0.613 -0.271 0.009 -0.049 0.643 -0.027 0.796 -0.043 0.683 0.252 0.015 0.005 0.962 0.042 0.690 -0.075 0.476 -0.034 0.746 -0.102 0.334 -0.141 0.181 0.034 0.747

vv7 -0.043 0.681 rh7 -0.420 0.000 z5 0.325 0.002 u5 -0.084 0.428 v5 0.105 0.321 vv5 0.496 0.000 T5 0.283 0.006 rh5 -0.394 0.000 z2 0.024 0.817 vv2 0.157 0.136 th8 0.024 0.819 CH model -0.394 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.321 0.002 0.268 0.010 0.273 0.009 -0.146 0.164 -0.095 0.366 0.003 0.978 0.029 0.783 0.340 0.001 0.030 0.776 0.246 0.018 0.145 0.169

-0.428 0.000 -0.089 0.401 -0.093 0.380 -0.220 0.035 -0.293 0.005 0.431 0.000 0.063 0.550 0.023 0.828 0.176 0.092 0.175 0.095

0.334 0.001 0.281 0.007 0.350 0.001 0.546 0.000 -0.626 0.000 0.222 0.033 0.051 0.630 -0.003 0.979 -0.418 0.000

0.084 0.425 0.098 0.350 -0.096 0.363 -0.022 0.835 -0.067 0.524 0.035 0.741 -0.074 0.481 -0.155 0.139

-0.185 0.078 0.102 0.334 -0.349 0.001 -0.296 0.004 -0.231 0.027 -0.238 0.022 -0.081 0.443

0.362 0.000 -0.436 0.000 0.126 0.233 0.299 0.004 0.145 0.167 -0.690 0.000

-0.807 0.000 0.481 0.000 0.169 0.106 0.228 0.029 -0.336 0.001

z2

vv2

th8

0.120 0.253 0.714 0.000 -0.073 0.488

0.130 0.217 -0.185 0.077

0.023 0.826

T7

rh5 -0.217 0.038 vv2 -0.123 0.244 th8 -0.056 0.598 CH model 0.440 0.000 z2

Cell Contents: Pearson correlation P-Value

Lampiran 10 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan JJA 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.173 0.100 v0 0.017 0.874 rh0 0.178 0.089 T0 0.151 0.151 Dew poin 0.228 0.029 th1 -0.244 0.019 z8 0.950 0.000 u8 0.014 0.892 v8 0.018 0.868 vv8 0.036 0.732 T8 -0.198 0.059 rh8 0.151 0.152 z7 0.765 0.000 u7 -0.082 0.439 v7 0.069 0.513 vv7 0.076 0.471 T7 -0.024 0.819 rh7 -0.201 0.055 z5 0.035 0.739 u5 -0.073 0.490 v5 0.103 0.329 vv5 -0.242 0.020 T5 -0.215 0.039 rh5 -0.043 0.682 z2 0.020 0.852 vv2 0.017 0.871 th8 -0.275 0.008 CH model 0.053 0.618

u0

v0

rh0

T0 Dew poin

-0.101 0.336 0.124 0.237 -0.298 0.004 -0.007 0.949 0.119 0.257 -0.137 0.193 0.453 0.000 0.217 0.038 0.215 0.040 0.109 0.302 0.108 0.304 -0.128 0.225 -0.031 0.768 0.249 0.017 -0.128 0.224 -0.294 0.004 0.275 0.008 0.043 0.686 -0.129 0.219 0.112 0.286 0.144 0.171 0.301 0.003 -0.038 0.720 0.259 0.013 0.010 0.927 0.084 0.427 0.001 0.993

-0.223 0.032 -0.015 0.889 -0.207 0.048 -0.156 0.137 -0.051 0.631 -0.323 0.002 0.247 0.018 0.213 0.042 -0.133 0.208 -0.040 0.702 -0.116 0.271 -0.184 0.078 -0.219 0.036 0.097 0.356 -0.066 0.534 0.044 0.676 0.173 0.099 -0.266 0.010 -0.228 0.028 0.104 0.323 0.032 0.759 0.029 0.780 -0.069 0.511 0.006 0.955 -0.136 0.196 -0.098 0.351

0.005 0.960 0.911 0.000 0.178 0.090 0.308 0.003 -0.027 0.796 0.002 0.983 -0.479 0.000 0.073 0.489 0.793 0.000 0.438 0.000 -0.083 0.431 0 .188 0.073 -0.675 0.000 -0.277 0.007 0.579 0.000 0.038 0.722 0.119 0.258 -0.027 0.802 -0.528 0.000 -0.310 0.003 0.421 0 .000 0.181 0.084 -0.040 0.708 0.065 0.540 0.731 0.000

0.417 0.000 0.474 0.000 0.370 0.000 -0.312 0.002 -0.019 0.857 -0.081 0.442 0.504 0.000 -0.008 0.939 0.513 0.000 0.089 0.397 -0.126 0.231 0.120 0.254 0.041 0.701 0.150 0.154 0.084 0.427 0.242 0.020 -0.010 0.921 0.107 0.309 -0.025 0.814 0.094 0.372 0.437 0.000 0.138 0.190 0.316 0.002 -0.211 0.043

v8

vv8

T8

rh8

0.116 0.271 0.150 0.154 0.135 0.200

-0.015 0.888 -0.462 0.000

-0.247 0.017

th1

z8

0.355 0.001 0.435 0.000 -0.145 0.167 0.002 0.988 -0.463 0.000 0.271 0.009 0.721 0.000 0.611 0.000 -0.036 0.731 0.126 0.233 -0.557 0.000 -0.235 0.024 0.587 0.000 0.062 0.560 0.205 0.050 -0.031 0.767 -0.427 0.000 -0.296 0.004 0.421 0.000 0.342 0.001 0.020 0.849 0.186 0.076 0.571 0.000

-0.035 0.742 -0.204 0.052 -0.015 0.889 -0.127 0.227 0.478 0.000 0.127 0.228 0.209 0.045 -0.117 0.265 -0.044 0.680 -0.083 0.433 0.375 0.000 0.248 0.017 -0.005 0.965 -0.021 0.842 0.115 0.277 0.095 0.370 0.310 0.003 0.142 0.178 0.614 0.000 0.168 0.109 0.957 0.000 -0.028 0.793

-0.025 0.812 0.019 0.859 -0.024 0.823 0.031 0.772 0.218 0.037 0.901 0.000 -0.062 0.559 0.093 0.377 -0.008 0.939 -0.051 0.631 -0.040 0.702 0.048 0.649 0.005 0.962 0.096 0.363 -0.270 0.009 -0.236 0.023 0.069 0.512 0.173 0.100 0.061 0.562 -0.138 0.190 0.081 0.442

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 0.052 0.622 0.245 0.019 -0.135 0.199 -0.040 0.704

z7

-0.125 0.236 u7 0.585 0.000 v7 0.385 0.000 vv7 -0.055 0.603 T7 -0.050 0.638 rh7 -0.224 0.032 z5 -0.151 0.151 u5 0.254 0.015 v5 0.105 0.320 vv5 0.061 0.562 T5 0.118 0.261 rh5 -0.224 0.032 z2 -0.019 0.854 vv2 0.123 0.242 th8 -0.185 0.078 CH model -0.094 0.374

0.062 0.558 -0.266 0.010 0.459 0.000 0.105 0.321 -0.086 0.417 0.114 0.280 -0.049 0.644 -0.280 0.007 0.121 0.250 0.158 0.132 0.022 0.836 -0.083 0.430 -0.094 0.375 0.050 0.634 -0.060 0.570 -0.048 0.648

-0.180 0.086 0.116 0.270 0.100 0.345 0.491 0.000 0.132 0.210 -0.452 0.000 -0.008 0.940 -0.007 0.950 0.190 0.070 0.334 0.001 0.294 0.004 -0.377 0.000 -0.017 0.869 0.066 0.535 -0.115 0.274 -0.622 0.000

0.379 0.000 -0.046 0.663 0.214 0.040 0.021 0.846 -0.035 0.737 0.272 0.009 -0.041 0.701 -0.008 0.940 0.107 0.310 0.024 0.820 0.041 0.699 0.090 0.396 0 .236 0.024 0.059 0.578 0.337 0.001 -0.095 0.370

0.259 0.013 -0.117 0.265 0.134 0.202 -0.572 0.000 -0.215 0.039 0.593 0.000 0.067 0.523 0.009 0.930 -0.102 0.335 -0.389 0.000 -0.269 0.009 0.395 0.000 0.189 0.071 -0.053 0.613 0.044 0.676 0.680 0.000

-0.102 0.334 0.142 0.178 -0.080 0.449 -0.004 0.970 0.169 0.107 0.024 0.824 -0.008 0.939 0.072 0.493 -0.309 0.003 -0.273 0.008 0.196 0.061 0.254 0.015 0.045 0.668 0.077 0.463 0.175 0.095

0.079 0.456 -0.085 0.421 0.044 0.678 -0.191 0.068 -0.034 0.751 0.570 0.000 0.018 0.866 -0.033 0.754 0.050 0.639 -0.178 0.089 0.005 0.964 0.100 0.341 -0.125 0.236 -0.062 0.559

-0.131 0.213 -0.060 0.571 -0.076 0.473 -0.088 0.404 -0.068 0.520 0.326 0.002 0.019 0.859 0.065 0.535 -0.228 0.029 -0.072 0.496 0.044 0.675 -0.087 0.412 0.172 0.101

vv7 0.297 0.004 rh7 -0.496 0.000 z5 -0.033 0.752 u5 -0.204 0.051 v5 0.034 0.747 vv5 0.496 0.000 T5 0.127 0.229 rh5 -0.363 0.000 z2 -0.161 0.126 vv2 -0.045 0.671 th8 -0.020 0.852 CH model -0.767 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.561 0.000 -0.119 0.257 0.034 0.748 0.040 0.707 0.112 0.287 0.052 0.620 -0.171 0.102 -0.013 0.901 0.067 0.528 0.465 0.000 -0.224 0.032

0.145 0.167 -0.046 0.661 -0.132 0.209 -0.287 0.005 -0.261 0.012 0.636 0.000 0.258 0.013 -0.041 0.698 0.118 0.263 0.497 0.000

0.057 0.591 -0.148 0.160 -0.016 0.877 -0.005 0.961 0.060 0.571 0.163 0.120 0.135 0.200 -0.013 0.903 0.081 0.444

-0.075 0.475 -0.078 0.459 -0.181 0.085 0.045 0.673 0.139 0.188 0.173 0.099 -0.082 0.439 0.058 0.585

-0.259 0.013 0.195 0.062 -0.351 0.001 -0.012 0.913 0.011 0.917 0.129 0.221 -0.005 0.959

0.414 0.000 -0.377 0.000 0.018 0.863 0.183 0.081 0.146 0.165 -0.631 0.000

-0.666 0.000 0.388 0.000 0.014 0.896 0.409 0.000 -0.314 0.002

z2

vv2

th8

0.095 0.366 0.559 0.000 -0.002 0.988

0.149 0.155 -0.104 0.323

-0.046 0.661

T7

z2 vv2 th8 CH model

rh5 0.004 0.970 0.073 0.491 0.037 0.723 0.395 0.000

Cell Contents: Pearson correlation P-Value

Lampiran 11 Nilai Koefisien Korelasi antar Variabel NWP kota Jakarta bulan SON 2008 Correlations: mslp, u0, v0, rh0, T0, DP0, th1, z8, u8, v8, vv8, T8, rh8, z7, u7, mslp -0.089 0.398 v0 0.148 0.159 rh0 -0.269 0.009 T0 -0.248 0.017 DP0 -0.520 0.000 th1 -0.695 0.000 z8 0.982 0.000 u8 -0.051 0.630 v8 0.264 0.011 vv8 0.100 0.341 T8 -0.386 0.000 rh8 -0.294 0.004 z7 0.791 0.000 u7 -0.252 0.016 v7 0.186 0.075 vv7 0.185 0.077 T7 -0.425 0.000 rh7 -0.363 0.000 z5 0.508 0.000 u5 -0.458 0.000 v5 0.069 0.513 vv5 0.209 0.046 T5 -0.400 0.000 rh5 -0.412 0.000 z2 -0.400 0.000 vv2 -0.080 0.447 th8 -0.668 0.000 CH model -0.150 0.153

u0

v0

rh0

T0

DP0

th1

z8

0.691 0.000 0.336 0.001 -0.276 0.008 0.105 0.321 0.237 0.023 -0.114 0.279 0.877 0.000 0.313 0.002 0.517 0.000 0.062 0.555 0.109 0.303 0.086 0.414 0.654 0.000 0.293 0.005 0.065 0.537 0.061 0.561 0.191 0.069 0.246 0.018 0.405 0.000 0.270 0.009 0.017 0.870 0.245 0.019 0.200 0.056 0.304 0.003 -0.275 0.008 0.296 0.004 -0.085 0.419

0.179 0.088 -0.328 0.001 -0.105 0.320 0.092 0.381 0.105 0.321 0.583 0.000 0.547 0.000 0.560 0.000 -0.002 0.987 -0.007 0.947 0.207 0.047 0.386 0.000 0.336 0.001 0.162 0.122 0.001 0.996 0.145 0.169 0.338 0.001 0.193 0.065 0.229 0.028 0.060 0.568 0.162 0.122 0.178 0.090 0.233 0.025 -0.300 0.004 0.161 0.125 -0.169 0.108

-0.494 0.000 0.618 0.000 0.409 0.000 -0.317 0.002 0.255 0.014 0.045 0.668 0.040 0.707 -0.090 0.394 0.555 0.000 -0.153 0.146 0.207 0.047 0.104 0.322 -0.424 0.000 0.222 0.034 0.538 0.000 0.140 0.185 0.045 0 .672 0.017 0.871 -0.436 0.000 0.340 0.001 0.471 0.000 0.547 0.000 -0.170 0.106 0.510 0.000 0.526 0.000

0.377 0.000 0.372 0.000 -0.091 0.389 -0.277 0.008 -0.365 0.000 -0.247 0.018 0. 593 0.000 -0.051 0.631 -0.080 0.451 -0.086 0.417 -0.201 0.054 0.054 0.607 0.360 0.000 -0.113 0.283 0.018 0.862 0.112 0.286 -0.038 0.718 0.011 0.915 0.093 0.376 -0.089 0.398 0.084 0.424 0.300 0.004 0.213 0.042 -0.086 0.414

0.778 0.000 -0.429 0.000 0.017 0.875 -0.284 0.006 -0.177 0.092 0.439 0.000 0.550 0.000 -0.247 0.018 0.144 0.171 -0.074 0.481 -0.402 0.000 0.563 0.000 0.481 0.000 0.158 0.133 0.152 0.147 -0.021 0.842 -0.450 0.000 0.455 0.000 0.429 0.000 0.666 0.000 0.088 0.404 0.742 0.000 0.478 0.000

-0.610 0.000 0.188 0.073 -0.140 0.184 -0.046 0.664 0.586 0.000 0.405 0.000 -0.352 0.001 0.295 0.004 -0.013 0.901 -0.186 0.075 0.730 0.000 0.501 0.000 0.193 0.065 0.377 0.000 0.115 0.273 -0.315 0.002 0.563 0.000 0.523 0.000 0.789 0.000 0.003 0.976 0.978 0.000 0.267 0.010

-0.085 0.419 0.203 0.052 0.074 0.481 -0.239 0.022 -0.319 0.002 0.822 0.000 -0.272 0.009 0.176 0.094 0.184 0.079 -0.350 0.001 -0.373 0.000 0.567 0.000 -0.460 0.000 0.069 0.513 0.181 0.084 -0.391 0.000 -0.405 0.000 -0.347 0.001 -0.051 0.628 -0.614 0.000 -0.142 0.178

v8

vv8

T8

rh8

z7

u7

v7

0.316 0.002 -0.207 0.048 0.035 0.737

0.140 0.185 -0.306 0.003

-0.264 0.011

u0

v8 vv8 T8 rh8

u8 0.250 0.016 0.486 0.000 -0.007 0.947 0.077 0.467

z7

0.126 0.233 u7 0.728 0.000 v7 0.206 0.049 vv7 0.098 0.355 T7 -0.024 0.821 rh7 0.246 0.018 z5 0.263 0.011 u5 0.445 0.000 v5 0.235 0.024 vv5 0.090 0.394 T5 0.226 0.030 rh5 0.201 0.055 z2 0.244 0.019 vv2 -0.1 50 0.152 th8 0.255 0.014 CH model -0.119 0.258

0.184 0.078 0.094 0.371 0.577 0.000 0.181 0.084 -0.045 0.673 -0.091 0.389 0.194 0.064 0.050 0.634 0.338 0.001 0.132 0.210 -0.088 0.404 -0.013 0.906 -0.040 0.704 -0.193 0.065 -0.082 0.435 -0.159 0.130

0.106 0.315 0.270 0.009 0.281 0.007 0.539 0.000 -0.055 0.606 -0.097 0.358 0.110 0.297 0.119 0.260 0.334 0.001 0.344 0.001 -0.022 0.833 0.050 0.633 0.010 0.926 -0.229 0.028 -0.030 0.778 -0.489 0.000

-0.143 0.174 0.061 0.564 -0.119 0.259 0.162 0.122 0.549 0.000 0.026 0.809 0.088 0.404 0.207 0.048 0.060 0.567 -0.143 0.174 0.163 0.121 0.261 0.012 0.430 0.000 0.055 0.600 0.446 0.000 -0.019 0.857

-0.334 0.001 0.241 0.021 0.079 0.455 -0.624 0.000 0.280 0.007 0.583 0.000 -0.038 0.718 0.102 0.333 -0.073 0.487 -0.389 0.000 0.524 0.000 0.266 0.010 0.444 0.000 -0.061 0.563 0.470 0.000 0.603 0.000

-0.183 0.081 0.213 0.041 0.263 0.011 -0.209 0.046 -0.358 0.000 0.813 0.000 -0.319 0.002 0.185 0.078 0.130 0.216 -0.439 0.000 -0.320 0.002 -0.204 0.051 -0.024 0.819 -0.345 0.001 -0.158 0.133

0.149 0.157 -0.058 0.582 0.063 0.553 0.442 0.000 0.014 0.892 0.600 0.000 0.056 0.593 -0.065 0.538 0.412 0.000 0.340 0.001 0.339 0.001 -0.025 0.812 0.359 0.000 0.043 0.687

0.080 0.447 -0.005 0.959 -0.083 0.434 0.261 0.012 0.023 0.826 0.432 0.000 0.134 0.204 -0.070 0.507 -0.056 0.594 0.013 0.90 -0.064 0.548 0.012 0.911 -0.189 0.071

vv7 -0.064 0.543 rh7 -0.476 0.000 z5 0.124 0.240 u5 0.035 0.741 v5 0.357 0.000 vv5 0.626 0.000 T5 -0.251 0.016 rh5 -0.322 0.002 z2 -0.247 0.017 vv2 0.067 0.525 th8 -0.215 0.040 CH model -0.734 0.000

T7

rh7

z5

u5

v5

vv5

T5

0.086 0.412 0.183 0.081 0.181 0.085 0.069 0.516 -0.300 0.004 0. 308 0.003 0.293 0.005 0.543 0.000 0.005 0.965 0.692 0.000 0.228 0.029

-0.001 0.996 0.225 0.031 -0.167 0.113 -0.388 0.000 0.440 0.000 0.718 0.000 0.611 0.000 -0.125 0.237 0.576 0.000 0.467 0.000

-0.140 0.185 0.279 0.007 -0.026 0.807 -0.019 0.855 -0.010 0.925 0.297 0.004 -0.082 0.435 0.214 0 .040 0.012 0.907

0.053 0.618 0.065 0.537 0.257 0.013 0.375 0.000 0.357 0.000 0.212 0.042 0.388 0.000 -0.058 0.585

0.124 0.239 0.094 0.375 -0.195 0.062 0.017 0.874 -0.067 0.527 0.111 0.293 -0.252 0.016

-0.146 0.165 -0.417 0.000 -0.326 0.002 0.205 0.050 -0.337 0.001 -0.800 0.000

0.109 0.299 0.630 0.000 -0.069 0.514 0.581 0.000 0.252 0.016

z2

vv2

th8

-0.064 0.547 0.811 0.000 0.386 0.000

-0.049 0.641 -0.169 0.107

0.311 0.003

T7

rh5 0.5 99 0.000 vv2 -0.114 0.280 th8 0.581 0.000 CH model 0.392 0.000 z2

Cell Contents: Pearson correlation P-Value

Lampiran 12 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan DJF 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.454 0.000 v0 0.353 0.001 rh0 -0.195 0.063 T0 -0.334 0.001 Dew poin -0.419 0.000 th1 -0.654 0.000 z8 0.985 0.000 u8 -0.340 0.001 v8 0.142 0.179 vv8 0.250 0.017 T8 -0.366 0.000 rh8 -0.063 0.555 z7 0.930 0.000 u7 -0.243 0.020 v7 -0.043 0.686 vv7 0.116 0.274 T7 -0.521 0.000 rh7 -0.047 0.658 z5 0.703 0.000 u5 -0.188 0.075 v5 0.119 0.259 vv5 0.096 0.365 T5 -0.420 0.000 rh5 -0.136 0.200 z2 -0.120 0.256 vv2 0.016 0.879 th8 -0.664 0.000 CH model -0.300 0.004

u0

v0

rh0

T0 Dew poin

-0.162 0.126 0.082 0.438 0.179 0.090 0.200 0.057 -0.023 0.827 -0.502 0.000 0.825 0.000 0.142 0.180 -0.114 0.282 -0.055 0.606 -0.103 0.334 -0.551 0.000 0.660 0.000 0.324 0.002 -0.136 0.199 -0.024 0.821 0.010 0.926 -0.614 0.000 0.562 0.000 -0.068 0.522 -0.168 0.111 0.001 0.991 0.123 0.244 -0.260 0.013 -0.292 0.005 0.012 0.909 0.246 0.019

-0.149 0.157 -0.363 0.000 -0.397 0.000 -0.188 0.075 0.335 0.001 -0.375 0.000 0.718 0.000 0.130 0.218 -0.338 0.001 0.270 0.010 0.286 0.006 -0.372 0.000 0.340 0.001 0.069 0.516 -0.205 0.051 0.084 0.430 0.300 0.004 -0.103 0.330 0.411 0.000 0.189 0.072 0.026 0.810 -0.248 0.018 0.004 0.973 -0.030 0.780 -0.140 0.186 -0.103 0.331

-0.303 0.003 0.722 0.000 0.125 0.236 -0.209 0.047 0.000 0.999 -0.031 0.773 -0.197 0.061 -0.005 0.965 0.385 0.000 -0.170 0.108 0.038 0.723 -0.016 0.881 -0.386 0.000 0.238 0.023 -0.189 0.073 -0.133 0.209 -0.024 0.820 0.083 0.431 -0.323 0.002 0.071 0.506 -0.221 0 .035 -0.001 0.992 -0.045 0.674 0.156 0.139 0.513 0.000

0.439 0.000 0.509 0.000 -0.207 0.049 0.232 0.027 -0.404 0.000 -0.097 0.359 0.644 0.000 -0.329 0.001 -0.112 0.292 0.166 0.116 -0.081 0.446 0.035 0.741 0.258 0.013 0.105 0.322 0.035 0.744 -0.062 0.560 -0.069 0.513 0.218 0.038 0.090 0.397 0.338 0.001 0.265 0.011 0.133 0.210 0.374 0.000 -0.253 0.015

v8

vv8

T8

rh8

0.282 0.007 -0.253 0.015 0.018 0.864

0.152 0.150 -0.563 0.000

-0.488 0.000

th1

z8

0.486 0.000 -0.340 0.001 0.164 0.120 -0.321 0.002 -0.252 0.016 0.463 0.000 0.126 0.235 -0.233 0.026 0.151 0.152 -0.073 0.491 -0.336 0.001 0.413 0.000 -0.102 0.337 -0.092 0.385 -0.069 0.518 0.035 0.743 -0.144 0.173 0.127 0.229 0.039 0.715 0.194 0.066 0.057 0.593 0.417 0.000 0.296 0.004

-0.553 0.000 -0.137 0.195 -0.218 0.038 -0.282 0.007 0.628 0.000 0.177 0.093 -0.379 0.000 -0.179 0.090 -0.142 0.179 -0.136 0.198 0.785 0.000 0.175 0.098 0.077 0.468 -0.248 0.018 0.007 0.945 0.053 0.619 0.619 0.000 0.135 0.202 0.727 0.000 0.127 0.230 0.979 0.000 0.214 0.041

-0.384 0.000 0.100 0.347 0.254 0.015 -0.225 0.032 -0.103 0.332 0.972 0.000 -0.278 0.008 -0.057 0.589 0.133 0.210 -0.463 0.000 -0.049 0.642 0.779 0.000 -0.259 0.013 0.143 0.175 0.150 0.157 -0.408 0.000 -0.118 0.266 -0.038 0.720 0.071 0.501 -0.592 0.000 -0.349 0.001

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 -0.012 0.913 -0.046 0.667 0.016 0.879 -0.307 0.003

z7

-0.427 0.000 u7 0.835 0.000 v7 0.355 0.001 vv7 -0.028 0.795 T7 -0.030 0.778 rh7 -0.129 0.222 z5 -0.578 0.000 u5 0.608 0.000 v5 -0.129 0.221 vv5 -0.142 0.179 T5 -0.199 0.059 rh5 0.232 0.027 z2 -0.342 0.001 vv2 -0.335 0.001 th8 -0.130 0.219 CH model 0.127 0.230

0.040 0.706 -0.016 0.880 0.616 0.000 0.118 0.265 -0.160 0.130 -0.055 0.608 -0.009 0.932 0.128 0.228 0.394 0.000 0.117 0.270 -0.065 0.539 -0.123 0.245 -0.139 0.189 -0.148 0.162 -0.161 0.127 -0.037 0.726

0.239 0.022 0.104 0.327 0.100 0.343 0.780 0.000 -0.164 0.120 -0.306 0.003 0.064 0.548 0.077 0.470 0.164 0.121 0.426 0.000 -0.416 0.000 0.172 0.104 -0.187 0.076 0.035 0.741 -0.320 0.002 -0.567 0.000

-0.046 0.668 0.020 0.849 -0.001 0.993 0.180 0.088 0.492 0.000 -0.099 0.353 0.107 0.312 -0.310 0.003 0.109 0.303 0.128 0 .228 -0.015 0.889 0.379 0.000 0.442 0.000 0.195 0.065 0.492 0.000 -0.173 0.101

-0.111 0.294 -0.374 0.000 -0.105 0.320 -0.473 0.000 0.082 0.442 0.377 0.000 0.090 0.397 -0.109 0.302 -0.031 0.773 -0.263 0.012 0.525 0.000 -0.403 0.000 0.250 0.017 -0.039 0.712 0.280 0.007 0.544 0.000

-0.328 0.002 -0.094 0.374 0.117 0.271 -0.286 0.006 -0.027 0.800 0.871 0.000 -0.369 0.000 0.175 0.098 0.135 0.201 -0.364 0.000 -0.025 0.813 0.149 0.158 0.086 0.416 -0.430 0.000 -0.307 0.003

0.325 0.002 0.087 0.411 0.016 0.881 -0.370 0.000 -0.491 0.000 0.732 0.000 -0.118 0.265 -0.053 0.617 -0.289 0.005 0.117 0.268 -0.383 0.000 -0.262 0.012 -0.188 0.074 0.004 0.969

0.157 0.137 -0.168 0.112 0.005 0.960 -0.188 0.074 0.198 0.060 0.406 0.000 0.005 0.960 -0.194 0.065 -0.002 0.987 -0.172 0.102 -0.232 0.027 -0.145 0.171 -0.057 0.589

vv7 -0.098 0.358 rh7 -0.261 0.013 z5 0.022 0.835 u5 0.083 0.432 v5 0.008 0.938 vv5 0.575 0.000 T5 -0.279 0.007 rh5 0.055 0.603 z2 -0.169 0.110 vv2 0.204 0.053 th8 -0.181 0.085 CH model -0.661 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.227 0.030 0.052 0.626 -0.085 0.425 -0.005 0.963 -0.002 0.989 0.324 0.002 0.205 0.051 0.555 0.000 -0.013 0.900 0.801 0.000 0.255 0.015

0.101 0.342 -0.357 0.001 0.018 0.863 -0.179 0.089 0.365 0.000 0.156 0.140 0.408 0.000 -0.107 0.314 0.209 0.046 0.246 0.019

-0.482 0.000 0.173 0.101 0.178 0.091 0.028 0.789 -0.057 0.592 0.524 0.000 0.142 0.180 0.045 0.674 -0.188 0.074

-0.161 0.126 0.095 0. 373 -0.103 0.331 -0.231 0.028 -0.502 0.000 -0.082 0.437 -0.203 0.054 -0.046 0.665

0.129 0.222 -0.126 0.236 0.057 0.588 0.101 0.340 -0.050 0.640 -0.005 0.963 -0.061 0.565

-0.029 0.785 -0.330 0.001 -0.103 0.331 0.317 0.002 -0.006 0.955 -0.664 0.000

-0.245 0.019 0.552 0.000 0.036 0.735 0.689 0.000 0.353 0.001

z2

vv2

th8

-0.016 0.884 0.734 0.000 0.284 0.006

0.066 0.532 -0.212 0.044

0.312 0.003

T7

rh5 0.270 0.010 vv2 -0.258 0.014 th8 0.110 0.298 CH model 0.036 0.734 z2

Cell Contents: Pearson correlation P-Value

Lampiran 13 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan MAM 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.162 0.122 v0 0.051 0.628 rh0 0.144 0.171 T0 -0.339 0.001 Dew poin -0.149 0.155 th1 -0.611 0.000 z8 0.984 0.000 u8 -0.050 0.635 v8 0.003 0.974 vv8 -0.101 0.339 T8 0.212 0.042 rh8 -0.330 0.001 z7 0.818 0.000 u7 -0.012 0.909 v7 -0.010 0.927 vv7 0.211 0.044 T7 0.081 0.445 rh7 -0.307 0.003 z5 0.733 0.000 u5 0.037 0.728 v5 -0.237 0.023 vv5 -0.138 0.190 T5 -0.568 0.000 rh5 0.218 0.037 z2 -0.110 0.298 vv2 -0.058 0.580 th8 -0.716 0.000 CH model 0.171 0.103

u0

v0

rh0

T0 Dew poin

-0.794 0.000 -0.242 0.020 -0.011 0.914 -0.310 0.003 -0.190 0.070 -0.108 0.303 0.883 0.000 -0.543 0.000 -0.038 0.718 -0.497 0.000 0.115 0.275 -0.123 0.245 -0.086 0.413 -0.031 0.770 -0.082 0.434 -0.423 0.000 0.065 0.537 -0.342 0.001 -0.223 0.033 -0.070 0.509 0.154 0.141 -0.248 0.017 0.319 0.002 -0.354 0.001 -0.292 0.005 0.017 0.875 -0.280 0.007

0.145 0.168 0.061 0.566 0.237 0.023 0.151 0.149 -0.013 0.903 -0.715 0.000 0.745 0.000 0.133 0.207 0.420 0.000 -0.078 0.460 0.111 0.292 0.121 0.249 0.155 0.141 0.116 0.273 0.435 0.000 -0.171 0.103 0.329 0.001 0.390 0.000 0.096 0.361 -0.107 0.310 0.212 0.043 -0.252 0.015 0.369 0.000 0.222 0.034 -0.012 0.908 0.195 0.062

-0.627 0.000 0.641 0.000 0.002 0.985 0.110 0.297 -0.266 0.010 -0.144 0.171 -0.625 0.000 0.282 0 .006 -0.259 0.013 0.225 0.031 -0.012 0.907 -0.052 0.625 0.115 0.273 0.149 0.156 -0.111 0.292 0.256 0.014 -0.046 0.662 -0.046 0.664 -0.694 0.000 -0.082 0.436 0.135 0.200 0.194 0.064 0.035 0.737 -0.117 0.268 0.735 0.000

0.195 0.063 0.521 0.000 -0.233 0.025 0.037 0.728 0.114 0.281 0.501 0.000 -0.053 0.616 0.235 0.024 -0.238 0.022 0.166 0.114 0.058 0.583 -0.173 0.099 -0.006 0.956 0.176 0.094 -0.174 0.097 -0.104 0.323 0.074 0.485 0.540 0.000 0.466 0.000 -0.366 0.000 0.266 0.011 0.037 0.727 0.532 0.000 -0.625 0.000

v8

vv8

T8

rh8

0.271 0.009 0.361 0.000 -0.146 0.164

-0.106 0.313 0.182 0.083

-0.663 0.000

th1

z8

0.510 0.000 -0.087 0.410 -0.298 0.004 -0.074 0.481 -0.289 0.005 0.300 0.004 -0.095 0.369 0.051 0.631 0.148 0.159 -0.011 0.916 -0.030 0.777 0.174 0.097 0.035 0.741 0.147 0.162 -0.161 0.124 0.018 0.865 -0.337 0.001 0.353 0.001 -0.192 0.066 0.499 0.000 0.082 0.437 0.373 0.000 0.301 0.004

-0.521 0.000 -0.225 0.031 0.069 0.512 0.037 0.723 0.226 0.030 0.052 0.625 -0.366 0.000 0.317 0.002 0.028 0.790 -0.065 0.541 0.211 0.043 0.129 0.221 -0.172 0.102 -0.147 0.163 0.204 0.051 0.122 0.246 0.776 0.000 -0.301 0.004 0.669 0.000 0.107 0.310 0.916 0.000 -0.089 0.400

0.002 0.987 -0.065 0.541 -0.074 0.480 0.189 0.071 -0.321 0.002 0.824 0.000 0.017 0.872 -0.017 0.874 0.178 0.090 0.048 0.649 -0.278 0.007 0.732 0.000 -0.020 0.853 -0.249 0.017 -0.079 0.453 -0.519 0.000 0.204 0.051 -0.055 0.604 -0.070 0.509 -0.618 0.000 0.111 0.294

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 -0.500 0.000 -0.012 0.907 -0.397 0.000 0.025 0.813

z7

0.032 0.762 u7 -0.046 0.663 v7 -0.069 0.515 vv7 0.052 0.622 T7 -0.296 0.004 rh7 -0.036 0.731 z5 -0.152 0.149 u5 -0.144 0.172 v5 -0.036 0.731 vv5 0.202 0.054 T5 -0.282 0.006 rh5 0.283 0.006 z2 -0.296 0.004 vv2 -0.255 0.014 th8 -0.065 0.535 CH model -0.334 0.001

0.100 0.342 0.230 0.028 0.104 0.323 0.141 0.179 0.373 0.000 -0.291 0.005 0.258 0.013 0.211 0.043 0.110 0.295 0.003 0.977 0.135 0.199 -0.121 0.252 0.297 0.004 0.056 0.596 -0.064 0.543 0.077 0.468

-0.164 0.117 0.071 0.499 0.089 0.397 -0.139 0.187 -0.072 0.493 0.052 0.622 -0.146 0.165 0.052 0.626 0.023 0.825 0.599 0.000 0.129 0.219 -0.245 0.019 -0.071 0.503 0.342 0.001 0.080 0.449 -0.638 0.000

0.356 0.000 0.418 0.000 -0.000 0.998 0.387 0.000 0.694 0.000 -0.569 0.000 0.577 0.000 0.064 0.543 0.116 0.270 -0.254 0.014 0.230 0.028 -0.159 0.130 0.477 0.000 0.058 0.583 -0.159 0.130 0.265 0.011

-0.536 0.000 -0.577 0.000 0.064 0.544 -0.591 0.000 -0.200 0.056 0.785 0.000 -0.504 0.000 -0.121 0.251 0.018 0.868 0.234 0.025 0.165 0.116 -0.198 0.059 -0.222 0.033 0.010 0.925 0.260 0.012 -0.274 0.008

0.151 0.151 0.009 0.931 0.383 0.000 0.130 0.217 -0.508 0.000 0.866 0.000 0.122 0.248 -0.113 0.286 -0.197 0.060 -0.477 0.000 0.280 0.007 0.104 0.322 -0.107 0.312 -0.520 0.000 0.187 0.075

0.188 0.073 0.406 0.000 0.034 0.746 -0.444 0.000 0.133 0.206 -0.135 0.199 0.047 0.655 0.015 0.884 0.287 0.005 0.001 0.992 0.513 0.000 0.016 0.878 0.214 0.041 0.003 0.975

0.049 0.645 0.018 0.868 -0.076 0.474 0.012 0.906 0.198 0.058 -0.040 0.709 0.008 0.939 0.112 0.289 -0.062 0.559 0.124 0.238 0.007 0.950 0.034 0.748 0.049 0.644

vv7 0.222 0.034 rh7 -0.516 0.000 z5 0.368 0.000 u5 0.077 0.464 v5 0.025 0.810 vv5 -0.125 0.235 T5 -0.057 0.587 rh5 0.082 0.439 z2 0.179 0.0 88 vv2 -0.021 0.839 th8 -0.186 0.075 CH model 0.145 0.169

T7

rh7

z5

u5

v5

vv5

T5

-0.364 0.000 0.517 0.000 -0.113 0.283 0.179 0.087 -0.205 0.050 0.250 0.016 -0.165 0.115 0.485 0.000 -0.024 0.822 -0.088 0.407 0.188 0.073

-0.498 0.000 -0.210 0.044 -0.031 0.771 0.204 0.051 0.224 0.032 -0.217 0.038 -0.157 0.136 0.150 0.153 0.316 0.002 -0.154 0.142

0.064 0.543 -0.027 0.797 -0.270 0.009 -0.275 0.008 0.161 0.126 0.366 0.000 -0.070 0.505 -0.430 0.000 0.292 0.005

-0.043 0.686 0.047 0.655 -0.196 0.062 -0.013 0.899 -0.302 0.003 0.155 0.139 -0.146 0.164 -0.004 0.973

0.205 0.050 0.260 0.012 -0.201 0.055 0.057 0.592 0.050 0.639 0.164 0.117 -0.137 0.191

0.196 0.061 -0.340 0.001 -0.195 0.062 0.246 0.018 0.242 0.020 -0.807 0.000

-0.606 0.000 0.519 0.000 0.154 0.143 0.702 0.000 -0.138 0.190

z2

vv2

th8

-0.035 0.737 0.480 0.000 0.215 0.040

0.096 0.362 -0.195 0.062

-0.201 0.054

T7

rh5 -0.066 0.533 vv2 -0.198 0.058 th8 -0.232 0.026 CH model 0.236 0.023 z2

Cell Contents: Pearson correlation P-Value

Lampiran 14 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan JJA 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.284 0.006 v0 0.229 0.028 rh0 -0.276 0.008 T0 -0.248 0.017 Dew poin -0.430 0.000 th1 -0.624 0.000 z8 0.944 0.000 u8 -0.137 0.192 v8 -0.016 0.880 vv8 -0.180 0.086 T8 -0.501 0.000 rh8 -0.178 0.090 z7 0.811 0.000 u7 0.052 0.623 v7 0.293 0.005 vv7 -0.153 0.146 T7 -0.332 0.001 rh7 -0.226 0.030 z5 0.451 0.000 u5 -0.248 0.017 v5 0.140 0.182 vv5 -0.065 0.537 T5 -0.454 0.000 rh5 -0.040 0.704 z2 -0.380 0.000 vv2 0.173 0.099 th8 -0.609 0.000 CH model 0.133 0.207

u0

v0

rh0

T0 Dew poin

-0.433 0.000 -0.035 0.741 0.149 0.155 0.069 0.513 0.203 0.052 -0.213 0.042 0.805 0.000 -0.162 0.123 0.279 0.007 0.202 0.053 -0.193 0.065 -0.221 0.034 0.437 0.000 -0.068 0.521 0.285 0.006 0.275 0.008 -0.256 0.014 -0.094 0.375 0.515 0.000 -0.050 0.638 0.142 0.176 0.305 0.003 -0.109 0.301 0.173 0.100 -0.163 0.120 0.151 0.150 -0.282 0.007

-0.379 0.000 -0.332 0.001 -0.588 0.000 -0.505 0.000 0.011 0.916 -0.364 0.000 0.523 0.000 -0.051 0.627 -0.578 0.000 -0.133 0.208 -0.144 0.170 -0.201 0.055 0.436 0.000 0.008 0.938 -0.259 0.013 -0.191 0.069 -0.304 0.003 -0.334 0.001 0.193 0.065 0.194 0.064 -0.313 0.002 -0.176 0.093 -0.470 0.000 0.244 0.019 -0.385 0.000 0.039 0.715

-0.284 0.006 0.738 0.000 0.355 0.001 -0.139 0.187 0.057 0.586 -0.407 0.000 -0.572 0.000 0.334 0.001 0.824 0.000 0.012 0.907 -0.212 0.042 -0.235 0.024 -0.470 0.000 -0.163 0.120 0.650 0.000 0.078 0.459 -0.219 0.036 -0.018 0.866 -0.560 0.000 0.163 0.120 0.286 0.006 0.123 0.242 -0.277 0.008 0.263 0.011 0.476 0.000

0.436 0.000 0.595 0.000 -0.024 0.817 -0.062 0.554 0.209 0.045 0.426 0.000 0.644 0.000 -0.199 0.058 0.125 0.236 0.328 0.001 -0.104 0.322 0.327 0.001 0.431 0.000 -0.011 0.914 0.391 0.000 0.475 0.000 0.005 0.965 0.292 0.005 0.455 0.000 -0.274 0.008 0.615 0.000 0.013 0.902 0.501 0.000 -0.296 0.004

v8

vv8

T8

rh8

0.363 0.000 -0.118 0.261 -0.266 0.010

0.165 0.116 -0.675 0.000

0.094 0.375

th1

z8

0.752 0.000 -0.145 0.169 0.004 0.969 -0.238 0.023 -0.239 0.022 0.764 0.000 0.636 0.000 0.102 0.332 0.028 0.791 -0.294 0.004 -0.213 0.041 0.150 0.154 0.603 0.000 0.352 0.001 0.127 0.229 -0.013 0.904 -0.319 0.002 0.476 0.000 0.072 0.494 0.550 0.000 -0.248 0.017 0.600 0.000 0.240 0.021

-0.382 0.000 0.004 0.971 -0.174 0.097 0.049 0.646 0.838 0.000 0.276 0.008 -0.095 0.366 0.041 0.696 -0.338 0.001 0.100 0.343 0.606 0.000 0.339 0.001 0.416 0.000 0.273 0.008 0.116 0.270 0.073 0.490 0.750 0.000 -0.078 0.462 0.834 0.000 -0.268 0.010 0.969 0.000 -0.087 0.411

-0.104 0.322 -0.075 0.480 -0.174 0.098 -0.224 0.032 -0.081 0.443 0.946 0.000 0.129 0.222 0.230 0.027 -0.145 0.168 -0.234 0.025 -0.111 0.292 0.661 0.000 -0.158 0.131 0.145 0.169 -0.090 0.392 -0.285 0.006 -0.066 0.532 -0.165 0.116 0.125 0.237 -0.423 0.000 0.133 0.206

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 -0.373 0.000 0.183 0.082 0.045 0.670 -0.123 0.243

z7

-0.162 0.123 u7 0.398 0.000 v7 -0.134 0.202 vv7 0.228 0.029 T7 0.053 0.614 rh7 -0.218 0.037 z5 -0.151 0.152 u5 0.298 0.004 v5 -0.007 0.947 vv5 0.124 0.239 T5 0.182 0.083 rh5 -0.094 0.373 z2 0.008 0.936 vv2 -0.114 0.278 th8 -0.049 0.639 CH model -0.275 0.008

-0.145 0.167 0.127 0.229 0.410 0.000 0.178 0.089 -0.056 0.599 -0.067 0.527 -0.215 0.039 0.120 0.256 -0.030 0.777 0.183 0.081 -0.147 0.163 -0.065 0.539 -0.136 0.196 0.297 0.004 -0.172 0.101 -0.048 0.650

-0.222 0.033 0.100 0.341 0.149 0.155 0.829 0.000 0.275 0.008 -0.483 0.000 -0.148 0.160 0.245 0.018 -0.123 0.244 0.677 0.000 0.082 0.439 -0.213 0.041 0.118 0.263 0.241 0.021 0.037 0.724 -0.798 0.000

0.053 0.617 0.109 0.301 -0.192 0.067 0.117 0.266 0.520 0.000 0.248 0.017 0.373 0.000 0.245 0.019 -0.016 0.877 -0.024 0.823 0.544 0.000 -0.024 0.823 0.657 0.000 -0.219 0.036 0.725 0.000 -0.073 0.489

0.032 0.759 -0.229 0.028 -0.209 0.046 -0.518 0.000 -0.296 0.004 0.701 0.000 0.101 0.339 -0.245 0.019 0.102 0.336 -0.478 0.000 0.187 0.074 0.102 0.331 0.098 0.352 -0.168 0.110 0.218 0.037 0. 497 0.000

0.095 0.366 0.158 0.133 -0.181 0.084 -0.047 0.657 0.023 0.825 0.834 0.000 -0.151 0.152 0.192 0.066 -0.160 0.128 -0.121 0.252 -0.026 0.803 0.071 0.502 0.016 0.877 -0.149 0.158 0.182 0.083

-0.103 0.328 -0.038 0.721 0.009 0.931 -0.018 0.865 0.112 0.289 0.671 0.000 0.014 0.894 0.056 0.598 0.173 0.098 -0.117 0.268 0.090 0.393 0.051 0.626 -0.015 0.886 0.064 0.545

0.281 0.007 0.054 0.608 -0.479 0.000 -0.034 0.747 -0.089 0.401 0.290 0.005 0.151 0.150 -0.254 0.015 -0.190 0.070 -0.286 0.006 0.277 0.007 -0.331 0.001 -0.151 0.150

vv7 0.349 0.001 rh7 -0.520 0.000 z5 -0.054 0.607 u5 0.147 0.163 v5 0.015 0.887 vv5 0.751 0.000 T5 0.099 0.347 rh5 -0.282 0.006 z2 0.108 0.307 vv2 0.140 0.182 th8 0.113 0.284 CH model -0.877 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.380 0.000 0.310 0.003 0.253 0.015 0.162 0.122 0.213 0.041 0.370 0.000 -0.081 0.443 0.599 0.000 -0.167 0.112 0.663 0.000 -0.314 0.002

0.116 0.271 -0.148 0.159 -0.057 0.586 -0.445 0.000 0.140 0.184 0.279 0.007 0.174 0.097 -0.206 0.049 0.274 0.008 0.509 0.000

0.031 0.770 0.304 0.003 0.019 0.859 0.330 0.001 -0.143 0.173 0.515 0.000 -0.098 0.354 0.399 0.000 0.046 0.662

-0.164 0.119 0.173 0.099 0.381 0.000 -0.174 0.096 0.298 0.004 0.017 0.872 0.234 0.025 -0.112 0.288

0.182 0.082 0.137 0.193 -0.317 0.002 0.114 0.280 0.034 0.746 0.186 0.077 0.014 0.894

0.350 0.001 -0.576 0.000 0.146 0.165 0.294 0.004 0.133 0.206 -0.802 0.000

-0.496 0.000 0.690 0.000 -0.054 0.612 0.748 0.000 -0.196 0.061

z2

vv2

th8

-0.106 0.314 0.822 0.000 -0.136 0.197

-0.268 0.010 -0.184 0.079

-0.108 0.305

T7

rh5 -0.075 0.477 vv2 -0.244 0.019 th8 -0.091 0.391 CH model 0.403 0.000 z2

Cell Contents: Pearson correlation P-Value

Lampiran 15 Nilai Koefisien Korelasi antar Variabel NWP kota Ambon bulan SON 2008 Correlations: mslp, u0, v0, rh0, T0, Dew point0, th1, z8, u8, v8, vv8, T8, rh8, mslp -0.400 0.000 v0 0.436 0.000 rh0 0.210 0.046 T0 -0.503 0.000 Dew poin -0.491 0.000 th1 -0.818 0.000 z8 0.966 0.000 u8 -0.260 0.013 v8 0.241 0.022 vv8 0.059 0.580 T8 -0.669 0.000 rh8 -0.103 0.329 z7 0.858 0.000 u7 -0.030 0.779 v7 0.020 0.848 vv7 -0.043 0.686 T7 -0.550 0.000 rh7 -0.268 0.010 z5 0.387 0.000 u5 -0.272 0.009 v5 0.105 0.320 vv5 -0.184 0.080 T5 -0.728 0.000 rh5 0.096 0.365 z2 -0.499 0.000 vv2 -0.083 0.436 th8 -0.831 0.000 CH model 0.161 0.128

u0

v0

rh0

T0 Dew poin

-0.691 0.000 -0.494 0.000 0.639 0.000 0.371 0.000 0.581 0.000 -0.258 0.014 0.791 0.000 -0.425 0.000 -0.038 0.723 0.586 0.000 -0.175 0.096 -0.113 0.285 0.445 0.000 -0.162 0.126 0.092 0.385 0.329 0.001 0.175 0.098 0.245 0.019 0.163 0.123 -0.029 0.781 0.081 0.444 0.508 0.000 -0.014 0.892 0.558 0.000 -0.178 0.091 0.519 0.000 -0.118 0.265

0.444 0.000 -0.671 0.000 -0.472 0.000 -0.676 0.000 0.275 0.008 -0.713 0.000 0.702 0.000 0.016 0.881 -0.655 0.000 -0.013 0.901 0.083 0.436 -0.466 0.000 0.521 0.000 -0.163 0.124 -0.226 0.031 -0.434 0.000 -0.337 0.001 -0.121 0.253 0.099 0.350 -0.202 0.055 -0.547 0.000 -0.040 0.709 -0.636 0.000 -0.002 0.988 -0.620 0.000 0.164 0.119

-0.729 0.000 0.070 0.512 -0.357 0.001 0.070 0.510 -0.464 0.000 0.213 0.042 -0.400 0.000 -0.456 0.000 0.679 0.000 0.007 0.948 -0.578 0.000 0.247 0.018 -0.411 0.000 -0.178 0 .092 0.087 0.414 -0.216 0.040 -0.499 0.000 0.137 0.196 -0.402 0.000 -0.205 0.051 0.078 0.464 -0.392 0.000 -0.101 0.341 -0.271 0.009 0.426 0.000

0.632 0.000 0.791 0.000 -0.285 0.006 0.630 0.000 -0.414 0.000 0.248 0.018 0.835 0.000 -0.348 0.001 -0.089 0.403 0.535 0.000 -0.167 0.114 0.349 0.001 0.477 0.000 0.083 0.433 0.411 0.000 0.409 0.000 -0.091 0.391 0.342 0.001 0.609 0.000 -0.171 0.104 0.750 0.000 0.110 0.298 0.693 0.000 -0.381 0.000

v8

vv8

T8

rh8

0.140 0.186 -0.423 0.000 -0.106 0.320

0.189 0.073 -0.602 0.000

-0.235 0.025

th1

z8

0.746 0.000 -0.332 0.001 0.384 0.000 -0.358 0.000 -0.079 0.457 0.700 0.000 0.258 0.013 -0.116 0.274 0.120 0.257 0.042 0.695 0.053 0.621 0.498 0.000 0.212 0.044 0.359 0.000 0.034 0.751 0.023 0.826 0.050 0.636 0.651 0.000 -0.160 0.130 0.647 0.000 0.053 0.616 0.701 0.000 -0.081 0.444

-0.668 0.000 0.516 0.000 -0.428 0.000 0.053 0.617 0.868 0.000 0.015 0.885 -0.452 0.000 0.299 0.004 -0.151 0.153 0.186 0.077 0.625 0.000 0.307 0.003 0.213 0.043 0.332 0.001 -0.099 0.350 0.239 0.022 0.882 0.000 -0.071 0.503 0.830 0.000 0.087 0.414 0.982 0.000 -0.262 0.012

-0.105 0.324 0.131 0.216 0.130 0.218 -0.472 0.000 -0.188 0.075 0.948 0.000 0.100 0.348 -0.011 0.921 0.046 0.664 -0.477 0.000 -0.245 0.019 0.571 0.000 -0.220 0.036 0.113 0.288 -0.119 0.262 -0.621 0.000 0.051 0.632 -0.341 0.001 -0.055 0.606 -0.714 0.000 0.080 0.449

z7

u7

v7

u0

v8 vv8 T8 rh8

u8 -0.615 0.000 -0.057 0.593 0.564 0.000 -0.175 0.097

z7

0.064 0.548 u7 0.644 0.000 v7 -0.309 0.003 vv7 0.117 0.270 T7 0.270 0.010 rh7 0.184 0.080 z5 0.382 0.000 u5 0.132 0.212 v5 -0.063 0.550 vv5 0.084 0.426 T5 0.413 0.000 rh5 -0.045 0.673 z2 0.537 0.000 vv2 -0.160 0.129 th8 0.453 0.000 CH model -0.121 0.252

0.007 0.949 -0.297 0.004 0.502 0.000 -0.142 0.179 -0.225 0.032 -0.223 0.034 -0.271 0.009 0.042 0.690 -0.003 0.976 -0.174 0.098 -0.337 0.001 0.068 0.521 -0.344 0.001 -0.086 0.417 -0.384 0.000 0.119 0.262

0.143 0.175 0.069 0.517 0.054 0.611 0.865 0.000 0.153 0.148 -0.340 0.001 0.193 0.066 0.257 0.014 -0.013 0.902 0.698 0.000 -0.089 0.404 -0.164 0.119 0.011 0.918 0.405 0.000 0.012 0.910 -0.822 0.000

-0.265 0.011 0.414 0.000 -0.051 0.629 0.278 0.008 0.563 0.000 0.190 0.071 0.254 0.015 0.302 0.004 -0.006 0.952 0.250 0.017 0.686 0.000 -0.184 0.082 0.708 0.000 0.114 0.283 0.774 0.000 -0.289 0.005

-0.189 0.073 -0.355 0.001 -0.048 0.649 -0.475 0.000 -0.083 0.433 0.424 0.000 -0.152 0.149 -0.273 0.009 -0.004 0.973 -0.416 0.000 0.153 0.148 0.119 0.262 0.009 0.936 -0.229 0.029 0.089 0.403 0.456 0.000

0.207 0.048 -0.033 0.755 0.101 0.341 -0.345 0.001 -0.186 0.077 0.732 0.000 -0.179 0.090 0.103 0.331 -0.094 0.376 -0.461 0.000 0.054 0.613 -0.130 0.218 -0.072 0.499 -0.506 0.000 0.037 0.725

-0.396 0.000 0.072 0.495 0.085 0.424 0.134 0.205 0.426 0.000 0.473 0.000 -0.106 0.317 0.020 0.852 0.170 0.107 0.096 0.363 0.495 0.000 -0.157 0.137 0.240 0.022 -0.021 0.845

0.032 0.765 0.248 0.018 -0.523 0.000 -0.202 0.054 -0.020 0.851 0.296 0.004 -0.064 0.544 -0.110 0.301 -0.181 0.087 -0.211 0.045 0.077 0.467 -0.158 0.134 -0.033 0.753

vv7 0.370 0.000 rh7 -0.375 0.000 z5 0.232 0.027 u5 0.180 0.088 v5 0.011 0.921 vv5 0.817 0.000 T5 0.016 0.877 rh5 -0.199 0.059 z2 0.118 0.267 vv2 0.480 0.000 th8 0.143 0.175 CH model -0.912 0.000

T7

rh7

z5

u5

v5

vv5

T5

-0.388 0.000 0.076 0.472 0.316 0.002 -0.021 0.847 0.310 0.003 0.486 0.000 -0.109 0.303 0.459 0.000 0.132 0.214 0.624 0.000 -0.375 0.000

0.030 0.777 -0.130 0.219 -0.157 0.137 -0.240 0.022 0.324 0.002 0.156 0.139 0.283 0.007 -0.157 0.138 0.320 0.002 0.296 0.004

0.077 0.470 0.023 0.830 0.078 0.462 0.176 0.095 0.044 0.681 0.479 0.000 0.003 0.979 0.164 0.121 -0.155 0.142

-0.233 0.027 0.192 0.068 0. 254 0.015 0.012 0.910 0.346 0.001 0.116 0.273 0.328 0.001 -0.183 0.082

0.079 0.455 -0.074 0.485 -0.380 0.000 -0.181 0.085 0.122 0.250 -0.120 0.257 -0.045 0.669

0.114 0.283 -0.367 0.000 0.037 0.727 0.641 0.000 0.212 0.043 -0.903 0.000

-0.196 0.062 0.760 0.000 -0.004 0.969 0.891 0.000 -0.109 0.304

z2

vv2

th8

-0.092 0.387 0.814 0.000 -0.119 0.262

0.069 0.514 -0.554 0.000

-0.231 0.027

T7

rh5 0.169 0.108 vv2 -0.265 0.011 th8 -0.017 0.872 CH model 0.277 0.008 z2

Cell Contents: Pearson correlation P-Value

Lampiran 16 Principal Component Analysis dan analisis regresi model CH kota Padang bulan DJF 2008 Principal Component Analysis: rh0, vv8, vv7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.6004 0.650 0.6 50

0.7677 0.192 0.842

0.4520 0.113 0.955

0.1798 0.045 1.000

Variable rh0 vv8 vv7 vv5

PC1 0.488 -0.443 -0.566 -0.4 95

PC2 0.341 0.763 0.156 -0.526

PC3 0.801 -0.089 0.332 0.490

PC4 -0.059 -0.462 0.738 -0.488

Regression Analysis: CH model versus PC1, PC2 The regression equation is CH model = 7.09 + 6.32 PC1 + 0.918 PC2 Predictor Constant PC1 PC2

Coef 7.0907 6.3152 0.9180

S = 6.312

SE Coef 0.6617 0.4126 0.7594

R-Sq = 72.8%

T 10.72 15.31 1.21

P 0.000 0.000 0.230

R-Sq(adj) = 72.2%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 88 90

DF 1 1

SS 9392.2 3506.4 12898.5

MS 4696.1 39.8

F 117.86

P 0.000

Seq SS 9333.9 58.2

Unusual Observations Obs PC1 CH model 32 4.48 30.850 33 -0.65 24.760 75 4.76 52.280 84 0.98 8.110 85 7.34 87.510

Fit 37.713 4.420 36.609 15.891 53.198

SE Fit 2.757 1.377 2.124 2.314 3.105

Residual -6.863 20.340 15.671 -7.781 34.312

St Resid -1.21 X 3.30R 2.64RX -1.32 X 6.24RX

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 17 Principal Component Analysis dan analisis regresi model CH kota Padang bulan JJA 2008 Principal Component Analysis: rh0, vv8, vv7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.7946 0.699 0.699

0.5762 0.144 0.843

0.4351 0.109 0.951

0.1941 0.049 1.000

Variable rh0 vv8 vv7 vv5

PC1 0.496 -0.460 -0.545 -0.495

PC2 0.289 -0.680 0.280 0.613

PC3 0.746 0.571 -0.101 0.328

PC4 0.338 -0.003 0.783 -0.521

Regression Analysis: CH model versus PC1, PC2 The regression equation is CH model = 6.85 + 4.36 PC1 - 3.64 PC2 Predictor Constant PC1 PC2

Coef 6.8535 4.3552 -3.6403

S = 4.475

SE Coef 0.4666 0.2806 0.6180

R-Sq = 75.6%

T 14.69 15.52 -5.89

P 0.000 0.000 0.000

R-Sq(adj) = 75.0%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 5518.6 1782.4 7301.0

MS 2759.3 20.0

F 137.78

P 0.000

Seq SS 4823.7 694.9

Unusual Observations Obs PC1 CH model 30 5.09 60.620 43 6.22 53.940 83 2.96 21.790 84 2.64 10.170 87 4.64 28.280

Fit 36.334 41.385 13.354 22.336 31.517

SE Fit 1.948 2.206 1.443 1.107 1.576

Residual 24.286 12.555 8.436 -12.166 -3.237

St Resid 6.03RX 3.22RX 1.99 X -2.81R -0.77 X

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 18 Principal Component Analysis dan analisis regresi model CH kota Padang bulan SON 2008 Principal Component Analysis: rh0, vv8, vv7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.9122 0.728 0.728

0.6224 0.156 0.884

0.3779 0.094 0.978

0.0875 0.022 1.000

Variable rh0 vv8 vv7 vv5

PC1 0.439 -0.513 -0.540 -0.502

PC2 0.755 0.459 0.402 -0.241

PC3 0.465 -0.439 0.085 0.764

PC4 -0.144 -0.578 0.735 -0.326

Regression Analysis: CH model versus PC1, PC2 The regression equation is CH model = 10.8 + 8.81 PC1 + 0.24 PC2 Predictor Constant PC1 PC2 S = 10.01

Coef 10.806 8.8141 0.239

SE Coef 1.049 0.6182 1.337

R-Sq = 69.8%

T 10.30 14.26 0.18

P 0.000 0.000 0.859

R-Sq(adj) = 69.1%

Analysis of Variance Source Regression Residual Error Total

DF 2 88 90

SS 20365 8816 29181

MS 10183 100

F 101.65

P 0.000

Source PC1 PC2

DF 1 1

Seq SS 20362 3

Unusual Observations Obs PC1 CH model 36 3.72 75.61 45 4.40 70.32 47 5.29 72.42 51 6.04 114.18 52 4.87 42.57 55 -2.50 0.30 75 -0.90 9.89 76 -1.64 12.23

Fit 43.51 49.53 57.38 63.99 53.33 -11.73 3.40 -3.15

SE Fit 2.54 2.96 3.47 3.90 3.81 3.27 3.22 3.17

Residual 32.10 20.79 15.04 50.19 -10.76 12.03 6.49 15.38

St Resid 3.32R 2.17R 1.60 X 5.45RX -1.16 X 1.27 X 0.68 X 1.62 X

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 19 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan DJF 2008 Principal Component Analysis: rh0, T0, vv8, rh8, vv7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

3.2850 0.548 0.548

1.0869 0.181 0.729

0.7205 0.120 0.849

0.4603 0.077 0.925

0.2541 0.042 0.968

0.1932 0.032 1.000

Variable rh0 T0 vv8 rh8 vv7 vv5

PC1 0.418 -0.379 -0.388 0.437 -0.457 -0.362

PC2 -0.498 0.488 -0.298 -0.173 -0.368 -0.510

PC3 -0.275 -0.427 -0.667 -0.386 -0.004 0.384

PC4 0.117 -0.449 0.283 -0.626 0.079 -0.554

PC5 0.148 0.051 0.318 -0.313 -0.788 0.394

PC6 0.682 0.481 -0.367 -0.374 0.167 0.014

Regression Analysis: CH model versus PC1, PC2, PC3 The regression equation is CH model = 9.43 + 3.57 PC1 + 0.907 PC2 - 0.522 PC3 Predictor Constant PC1 PC2 PC3

Coef 9.4325 3.5734 0.9073 -0.5223

S = 4.063

SE Coef 0.4260 0.2363 0.4108 0.5046

R-Sq = 72.9%

T 22.14 15.12 2.21 -1.03

P 0.000 0.000 0.030 0.304

R-Sq(adj) = 72.0%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2 PC3

DF 1 1 1

DF 3 87 90

SS 3873.5 1436.5 5309.9

MS 1291.2 16.5

F 78.20

P 0.000

Seq SS 3775.3 80.5 17.7

Unusual Observations Obs PC1 CH model 39 2.64 28.420 40 5.59 35.060 54 4.84 31.820 66 1.40 16.460 75 3.36 24.850 76 1.99 27.520

Fit 19.809 32.211 25.489 17.150 25.503 15.226

SE Fit 1.094 1.875 1.494 1.479 1.929 1.191

Residual 8.611 2.849 6.331 -0.690 -0.653 12.294

St Resid 2.20R 0.79 X 1.68 X -0.18 X -0.18 X 3.16R

84

3.23

9.930

19.871

1.007

-9.941

-2.53R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 20 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan MAM 2008 Principal Component Analysis: rh0, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

1.5146 0.757 0.757

0.4854 0.243 1.000

Variable rh0 vv5

PC1 -0.707 0.707

PC2 0.707 0.707

Regression Analysis: CH model versus PC1 The regression equation is CH model = 4.86 - 2.62 PC1 Predictor Constant PC1

Coef 4.8574 -2.6196

S = 2.851

SE Coef 0.2973 0.2429

R-Sq = 56.4%

T 16.34 -10.79

P 0.000 0.000

R-Sq(adj) = 55.9%

Analysis of Variance Source Regression Residual Erro r Total

DF 1 90 91

SS 945.78 731.66 1677.45

Unusual Observations Obs PC1 CH model 3 -4.05 10.850 15 -1.30 14.050 45 -2.61 18.040 54 -1.25 18.250 82 -0.07 10.720

MS 945.78 8.13

Fit 15.467 8.266 11.705 8.132 5.036

F 116.34

SE Fit 1.028 0.434 0.701 0.425 0.298

P 0.000

Residual -4.617 5.784 6.335 10.118 5.684

St Resid -1.74 X 2.05R 2.29R 3.59R 2.00R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 21 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan JJA 2008 Principal Component Analysis: rh0, Dew point0, vv8, rh8, vv7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

3.8267 0.638 0.638

0.7167 0.119 0.757

0.6657 0.111 0.868

0.4304 0.072 0.940

0.2943 0.049 0.989

0.0661 0.011 1.000

Variable rh0 Dew poin vv8 rh8 vv7 vv5

PC1 0.480 0.448 -0.334 0.431 -0.405 -0.3 27

PC2 0.220 0.355 0.196 0.355 0.245 0.775

PC3 -0.198 -0.160 -0.875 -0.059 -0.076 0.401

PC4 0.056 0.238 -0.287 0.024 0.863 -0.336

PC5 -0.228 -0.510 0.030 0.815 0.099 -0.114

PC6 -0.792 0.574 0.042 0.142 -0.126 -0.074

Regression Analysis: CH model versus PC1, PC2, PC3 The regression equation is CH model = 2.72 + 1.52 PC1 - 0.966 PC2 + 0.395 PC3 Predictor Constant PC1 PC2 PC3

Coef 2.7240 1.52280 -0.9661 0.3954

S = 1.827

SE Coef 0.1905 0.09789 0.2262 0.2347

R-Sq = 74.9%

T 14.30 15.56 -4.27 1.68

P 0.000 0.000 0.000 0.096

R-Sq(adj) = 74.1%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2 PC3

DF 3 88 91

DF 1 1 1

SS 877.86 293.68 1171.54

MS 292.62 3.34

F 87.68

P 0.000

Seq SS 807.52 60.87 9.47

Unusual Observations Obs PC1 CH model 31 0.46 0.370 76 3.65 13.210 77 3.50 17.330 86 1.40 8.290 92 5.43 14.990

Fit 4.210 9.624 8.806 3.570 12.608

SE Fit 0.318 0.531 0.426 0.368 0.698

Residual -3.840 3.586 8.524 4.720 2.382

St Resid -2.13R 2.05R 4.80R 2.64R 1.41 X

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 22 Principal Component Analysis dan analisis regresi model CH kota Jakarta bulan SON 2008 Principal Component Analysis: rh0, rh8, vv7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.5318 0.633 0.633

0.6770 0.169 0.802

0.5341 0.134 0.9 36

0.2571 0.064 1.000

Variable rh0 rh8 vv7 vv5

PC1 0.470 0.510 -0.535 -0.482

PC2 0.571 0.414 0.331 0.627

PC3 0.611 -0.532 0.408 -0.4 20

PC4 0.282 -0.534 -0.662 0.444

Regression Analysis: CH model versus PC1, PC2 The regression equation is CH model = 5.60 + 2.61 PC1 - 1.43 PC2 Predictor Constant PC1 PC2 S = 2.468

Coef 5.6042 2.6139 -1.4267

SE Coef 0.2573 0.1626 0.3144

R-Sq = 75.8%

T 21.78 16.08 -4.54

P 0.000 0.000 0.000

R-Sq(adj) = 75.3%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 1699.62 542.07 2241.69

MS 849.81 6.09

F 139.53

P 0.000

Seq SS 1574.21 125.40

Unusual Observations Obs PC1 CH model 16 -4.87 0.000 33 1.39 15.360 44 0.77 14.260 53 5.19 25.880 62 4.70 18.010 63 2.41 8.580 78 1.45 14.470 80 1.28 16.900 92 2.91 18.280

Fit -4.135 10.028 7.550 23.063 20.818 13.421 9.239 10.085 11.262

SE Fit 1.063 0.384 0.287 1.231 1.032 0.576 0.351 0.416 0.691

Residual 4.135 5.332 6.710 2.817 -2.808 -4.841 5.231 6.815 7.018

St Resid 1.86 X 2.19R 2.74R 1.32 X -1.25 X -2.02R 2.14R 2.80R 2.96R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 23 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan DJF 2008 Principal Component Analysis: rh0, vv8, rh8, vv7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.7983 0.560 0.560

0.8509 0.170 0.730

0.7636 0.153 0.883

0.4213 0.084 0.967

0.1659 0.033 1.000

Variable rh0 vv8 rh8 vv7 vv5

PC1 0.335 -0.500 0.429 -0.533 -0.412

PC2 0.866 0.443 0.110 0.204 0.017

PC3 0.029 0.190 -0.652 -0.126 -0.722

PC4 -0.309 0.282 0.586 0.432 -0.543

PC5 0.203 -0.662 -0.188 0.687 -0.116

Regression Analysis: CH model versus PC1, PC2, PC3 The regression equation is CH model = 7.23 + 3.14 PC1 + 0.837 PC2 + 1.01 PC3 Predictor Constant PC1 PC2 PC3

Coef 7.2330 3.1374 0.8374 1.0091

S = 4.024

SE Coef 0.4218 0.2536 0.4598 0.4854

R-Sq = 64.9%

T 17.15 12.37 1.82 2.08

P 0.000 0.000 0.072 0.041

R-Sq(adj) = 63.7%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2 PC3

DF 1 1 1

DF 3 87 90

SS 2602.68 1408.63 4011.31

Seq SS 2479.00 53.70 69.98

Unusual Observations

MS 867.56 16.19

F 53.58

P 0.000

Obs 26 34 35 36 43 47 50 51 57 87

PC1 0.28 8.75 3.83 2.59 -0.07 -1.62 -3.48 -2.36 1.83 5.24

CH model 13.350 28.680 33.150 28.450 16.270 0.350 8.520 0.140 4.550 37.020

Fit 5.511 35.130 21.623 15.967 7.894 5.198 -1.253 -1.317 13.533 24.716

SE Fit 1.070 2.485 1.420 0.907 0.636 1.494 1.468 1.467 0.660 1.454

Residual 7.839 -6.450 11.527 12.483 8.376 -4.848 9.773 1.457 -8.983 12.304

St Resid 2.02R -2.04RX 3.06R 3.18R 2.11R -1.30 X 2.61RX 0.39 X -2.26R 3.28R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 24 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan MAM 2008 Principal Component Analysis: rh0, T0, vv8, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.7981 0.700 0.700

0.5096 0.127 0.827

0.4054 0.101 0.928

0.2869 0.072 1.000

Variable rh0 T0 vv8 vv5

PC1 0.530 -0.473 -0.486 -0.509

PC2 0.025 -0.799 0.550 0.243

PC3 -0.235 -0.272 -0.671 0.649

PC4 -0.814 -0.254 -0.106 -0.511

Regression Analysis: CH model versus PC1, PC2 The regression equation is CH model = 9.74 + 5.01 PC1 - 0.589 PC2 Predictor Constant PC1 PC2

Coef 9.7383 5.0067 -0.5891

S = 5.438

SE Coef 0.5669 0.3408 0.7985

R-Sq = 70.9%

T 17.18 14.69 -0.74

P 0.000 0.000 0.463

R-Sq(adj) = 70.2%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 1 1

DF 2 89 91

SS 6398.9 2631.5 9030.4

MS 3199.5 29.6

F 108.21

P 0.000

Seq SS 6382.8 16.1

Unusual Observations Obs PC1 CH model 46 5.00 38.890 48 2.19 7.820 58 5.58 51.400 59 3.37 14.030 74 4.90 44.680 75 2.64 49.730

Fit 34.470 19.705 37.886 26.635 35.529 21.897

SE Fit 1.848 1.667 2.006 1.282 2.452 1.769

Residual 4.420 -11.885 13.514 -12.605 9.151 27.833

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

St Resid 0.86 X -2.30R 2.67RX -2.39R 1.89 X 5.41RX

Lampiran 25 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan JJA 2008 Principal Component Analysis: vv8, vv7, rh7, vv5 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.8785 0.720 0.720

0.6295 0.157 0.877

0.3335 0.083 0.960

0.1585 0.040 1.000

Variable vv8 vv7 rh7 vv5

PC1 0.528 0.548 -0.407 0.506

PC2 -0.224 -0.196 -0.911 -0.286

PC3 -0.581 -0.208 -0.059 0.785

PC4 0.577 -0.786 -0.040 0.216

Regression Analysis: CH model versus PC1, PC2 The regression equation is CH model = 20.6 - 7.79 PC1 + 2.76 PC2 Predictor Constant PC1 PC2

Coef 20.5826 -7.7900 2.7562

S = 6.390

SE Coef 0.6662 0.3948 0.8443

R-Sq = 81.8%

T 30.89 -19.73 3.26

P 0.000 0.000 0.002

R-Sq(adj) = 81.4%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 16331.1 3634.3 19965.5

MS 8165.6 40.8

F 199.96

P 0.000

Seq SS 15895.9 435.2

Unusual Observations Obs PC1 CH model 16 2.95 6.210 26 -0.97 50.900 31 -1.52 18.070 60 3.09 0.020 61 3.78 0.020 62 4.02 0.000 77 -5.97 92.330 91 -0.93 14.180

Fit -6.479 29.196 32.501 2.722 0.748 -2.688 71.777 28.710

SE Fit 1.838 0.835 0.897 2.364 3.360 3.010 2.836 0.807

Residual 12.689 21.704 -14.431 -2.702 -0.728 2.688 20.553 -14.530

St Resid 2.07R 3.43R -2.28R -0.46 X -0.13 X 0.48 X 3.59RX -2.29R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 26 Principal Component Analysis dan analisis regresi model CH kota Ambon bulan SON 2008 Principal Component Analysis: vv8, vv7, vv5, vv2 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

2.9804 0.745 0.745

0.6838 0.171 0.916

0.2329 0.058 0.974

0.1029 0.026 1.000

Variable vv8 vv7 vv5 vv2

PC1 -0.507 -0.540 -0.533 -0.407

PC2 0.448 0.311 -0.106 -0.831

PC3 -0.554 0.065 0.743 -0.369

PC4 0.485 -0.779 0.390 -0.080

Regression Analysis: CH model versus PC1, PC2 The regression equation is CH model = 10.1 + 10.1 PC1 - 2.59 PC2 Predictor Constant PC1 PC2

Coef 10.0538 10.0703 -2.5927

S = 6.203

SE Coef 0.6502 0.3787 0.7907

R-Sq = 89.1%

T 15.46 26.59 -3.28

P 0.000 0.000 0.001

R-Sq(adj) = 88.8%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 88 90

DF 1 1

SS 27616 3386 31002

MS 13808 38

F 358.90

P 0.000

Seq SS 27202 414

Unusual Observations Obs PC1 CH model 7 4.8 50.680 18 11.5 115.720 19 7.7 129.820 57 0.4 6.250 61 -0.0 10.220

Fit 63.252 123.383 90.445 7.048 1.491

SE Fit 2.378 4.481 3.115 2.273 2.617

Residual -12.572 -7.663 39.375 -0.798 8.729

St Resid -2.19RX -1.79 X 7.34RX -0.14 X 1.55 X

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 27 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan DJF 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable rh0 Dew poin

1.7117 0.856 0.856

0.2883 0.144 1.000

PC1 0.707 0.707

PC2 0.707 -0.707

Regression Analysis: Tmax Model versus PC1, PC2 The regression equation is Tmax Model = 28.3 - 0.0330 PC1 - 0.792 PC2 Predictor Constant PC1 PC2

Coef 28.2703 -0.032951 -0.792232

S = 0.04240

SE Coef 0.0044 0.003416 0.008324

R-Sq = 99.0%

T 6360.32 -9.65 -95.17

P 0.000 0.000 0.000

R-Sq(adj) = 99.0%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 1 1

DF 2 88 90

SS 16.4517 0.1582 16.6099

Seq SS 0.1673 16.2844

MS 8.2258 0.0018

F 4575.46

P 0.000

Unusual Observations Obs PC1 Tmax Mod 38 -1.37 28.9000 49 -1.66 26.9000 50 -3.71 28.2000 60 -0.64 28.1000

Fit 28.7948 26.9166 28.1870 28.1884

SE Fit 0.0082 0.0165 0.0136 0.0051

Residual 0.1052 -0.0166 0.0130 -0.0884

St Resid 2.53R -0.43 X 0.32 X -2.10R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 28 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan MAM 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

1.6459 0.823 0.823

0.3541 0.177 1.000

PC1 0.707 0.707

PC2 0.707 -0.707

Variable rh0 Dew poin

Regression Analysis: Tmax Model versus PC1, PC2 The regression equation is Tmax Model = 27.4 - 0.147 PC1 - 0.915 PC2 Predictor Constant PC1 PC2

Coef 27.4076 -0.147417 -0.915039

S = 0.05115

SE Coef 0.0053 0.004179 0.009011

R-Sq = 99.2%

T 5139.77 -35.27 -101.55

P 0.000 0.000 0.000

R-Sq(adj) = 99.2%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 30.232 0.233 30.465

MS 15.116 0.003

F 5778.19

P 0.000

Seq SS 3.255 26.977

Unusual Observations Obs PC1 Tmax Mod 45 2.51 25.7000 47 1.28 25.8000 57 1.89 25.4000 78 -1.28 26.7000

Fit 25.6305 25.7524 25.3390 26.8079

SE Fit 0.0182 0.0163 0.0200 0.0108

Residual 0.0695 0.0476 0.0610 -0.1079

St Resid 1.45 X 0.98 X 1.30 X -2.16R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 29 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan JJA 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

1.7163 0.858 0.858

0.2837 0.142 1.000

Variable rh0 Dew poin

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: Tmax Model versus PC1, PC2 The regression equation is Tmax Model = 26.3 - 0.0395 PC1 + 0.924 PC2 Predictor Constant PC1 PC2

Coef 26.3391 -0.039510 0.923593

S = 0.04668

SE Coef 0.0049 0.003735 0.009187

R-Sq = 99.1%

T 5412.44 -10.58 100.54

P 0.000 0.000 0.000

R-Sq(adj) = 99.1%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 22.265 0.194 22.459

MS 11.133 0.002

F 5109.67

P 0.000

Seq SS 0.244 22.021

Unusual Observations Obs PC1 Tmax Mod 10 2.30 27.5000 19 -1.99 27.7000 57 -0.43 26.0000 58 -0.87 26.0000 59 -3.85 26.0000 60 -4.37 25.9000 61 -4.42 25.7000 76 1.26 25.2000

Fit 27.5051 27.6036 26.0983 26.1043 25.9997 25.8623 25.6980 25.1068

SE Fit 0.0159 0.0148 0.0057 0.0064 0.0159 0.0182 0.0190 0.0136

Residual -0.0051 0.0964 -0.0983 -0.1043 0.0003 0.0377 0.0020 0.0932

St Resid -0.12 X 2.18RX -2.12R -2.26R 0.01 X 0.88 X 0.05 X 2.09R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 30 Principal Component Analysis dan analisis regresi model T max kota Ambon bulan SON 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable rh0 Dew poin

1.1678 0.584 0.584

0.8322 0.416 1.000

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: Tmax Model versus PC1, PC2 The regression equation is Tmax Model = 27.3 - 0.127 PC1 + 0.924 PC2 Predictor Constant PC1 PC2 S = 0.05673

Coef 27.2989 -0.127012 0.924333

SE Coef 0.0059 0.005534 0.006556

R-Sq = 99.6%

T 4590.16 -22.95 141.00

P 0.000 0.000 0.000

R-Sq(adj) = 99.6%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 88 90

DF 1 1

SS 65.687 0.283 65.970

MS F 32.843 10204.01 0.003

P 0.000

Seq SS 1.696 63.991

Unusual Observations Obs PC1 Tmax Mod 6 1.24 24.8000 18 1.31 25.2000 58 -2.83 27.9000 84 -0.46 28.9000

Fit 24.6728 25.0642 27.7834 28.7851

SE Fit 0.0197 0.0174 0.0168 0.0120

Residual 0.1272 0.1358 0.1166 0.1149

St Resid 2.39RX 2.52R 2.15R 2.07R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 31 Principal Component Analysis dan analisis regresi model T min kota Ambon bulan DJF 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable rh0 Dew poin

1.6663 0.833 0.833

0.3337 0.167 1.000

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: Tmin Model versus PC1, PC2 The regression equation is Tmin Model = 27.5 - 0.00450 PC1 + 0.748 PC2 Predictor Constant PC1 PC2

Coef 27.4714 -0.004495 0.747824

S = 0.04600

SE Coef 0.0048 0.003756 0.008393

R-Sq = 98.9%

T 5697.12 -1.20 89.10

P 0.000 0.235 0.000

R-Sq(adj) = 98.9%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 1 1

DF 2 88 90

SS 16.7995 0.1862 16.9857

MS 8.3998 0.0021

F 3969.85

P 0.000

Seq SS 0.0030 16.7965

Unusual Observations Obs PC1 Tmin Mod 3 1.37 28.0000 8 -0.82 27.2000 21 -2.08 26.4000 31 -0.14 26.9000 46 -0.01 27.2000 50 -5.50 27.2000

Fit 27.8986 27.2983 26.4072 26.9919 27.3020 27.1473

SE Fit 0.0086 0.0061 0.0151 0.0073 0.0052 0.0216

Residual 0.1014 -0.0983 -0.0072 -0.0919 -0.1020 0.0527

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

St Resid 2.24R -2.16R -0.17 X -2.02R -2.23R 1.30 X

Lampiran 32 Principal Component Analysis dan analisis regresi model T min kota Ambon bulan MAM 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable rh0 Dew poin

1.5717 0.786 0.786

0.4283 0.214 1.000

PC1 0.707 0.707

PC2 0.707 -0.707

Regression Analysis: Tmin Model versus PC1, PC2 The regression equation is Tmin Model = 26.7 - 0.0515 PC1 - 0.703 PC2 Predictor Constant PC1 PC2

Coef 26.7152 -0.051544 -0.703157

S = 0.04346

SE Coef 0.0045 0.003634 0.006962

R-Sq = 99.2%

T 5895.40 -14.18 -101.00

P 0.000 0.000 0.000

R-Sq(adj) = 99.1%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 19.6506 0.1681 19.8187

MS 9.8253 0.0019

F 5200.75

P 0.000

Seq SS 0.3800 19.2706

Unusual Observations Obs PC1 Tmin Mod 26 0.53 27.0000 30 -1.18 26.1000 46 -1.06 25.4000 74 2.81 25.3000

Fit 27.0874 26.2051 25.4642 25.1487

SE Fit 0.0063 0.0084 0.0142 0.0180

Residual -0.0874 -0.1051 -0.0642 0.1513

St Resid -2.03R -2.47R -1.56 X 3.82RX

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 33 Principal Component Analysis dan analisis regresi model T min kota Ambon bulan JJA 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable rh0 Dew poin

1.7213 0.861 0.861

0.2787 0.1 39 1.000

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: Tmin Model versus PC1, PC2 The regression equation is Tmin Model = 25.7 - 0.00683 PC1 + 0.783 PC2

Predictor Constant PC1 PC2

Coef 25.7098 -0.006833 0.783121

S = 0.04221

SE Coef 0.0044 0.003372 0.008381

R-Sq = 99.0%

T 5842.47 -2.03 93.44

P 0.000 0.046 0.000

R-Sq(adj) = 99.0%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 15.5626 0.1586 15.7212

MS 7.7813 0.0018

F 4367.78

P 0.000

Seq SS 0.0073 15.5553

Unusual Observations Obs PC1 Tmin Mod 2 0.78 25.8000 16 -2.91 26.5000 49 1.04 25.6000 61 -4.65 25.2000 62 -4.37 25.1000 76 1.66 24.9000

Fit 25.8850 26.3935 25.6869 25.1586 25.1393 24.7946

SE Fit 0.0055 0.0129 0.0056 0.0175 0.0167 0.0120

Residual -0.0850 0.1065 -0.0869 0.0414 -0.0393 0.1054

St Resid -2.03R 2.65R -2.08R 1.08 X -1.01 X 2.61R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 34 Principal Component Analysis dan analisis regresi model T min kota Ambon bulan SON 2008 Principal Component Analysis: rh0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulati ve

1.1594 0.580 0.580

0.8406 0.420 1.000

PC1 0.707 0.707

PC2 0.707 -0.707

Variable rh0 Dew poin

Regression Analysis: Tmin Model versus PC1, PC2 The regression equation is Tmin Model = 26.6 + 0.0286 PC1 - 0.770 PC2 Predictor Constant PC1 PC2

Coef 26.6275 0.028623 -0.769814

S = 0.04327

SE Coef 0.0045 0.004236 0.004975

R-Sq = 99.6%

T 5870.23 6.76 -154.74

P 0.000 0.000 0.000

R-Sq(adj) = 99.6%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 1 1

DF 2 88 90

SS 44.917 0.165 45.081

MS F 22.458 11994.60 0.002

P 0.000

Seq SS 0.085 44.831

Unusual Observations Obs PC1 Tmin Mod 24 -0.04 26.2000

Fit 26.2947

SE Fit 0.0050

Residual -0.0947

St Resid -2.20R

48 72 73 79

2.06 -1.11 -3.51 1.13

26.6000 26.4000 27.2000 27.3000

26.5112 26.4912 27.0857 27.3993

0.0099 0.0066 0.0159 0.0081

0.0888 -0.0912 0.1143 -0.0993

2.11R -2.13R 2.84RX -2.34R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 35 Principal Component Analysis dan analisis regresi model RH max kota Ambon bulan DJF 2008 Principal Component Analysis: T0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable T0 Dew poin

1.3940 0.697 0.697

0.6060 0.303 1.000

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: Rhmax Model versus PC1, PC2 The regression equation is Rhmax Model = 80.9 + 0.312 PC1 + 3.14 PC2 Predictor Constant PC1 PC2

Coef 80.9209 0.31166 3.13702

S = 0.2129

SE Coef 0.0223 0.01901 0.02883

R-Sq = 99.3%

T 3625.44 16.40 108.81

P 0.000 0.000 0.000

R-Sq(adj) = 99.3%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 88 90

DF 1 1

SS 548.90 3.99 552.89

MS 274.45 0.05

F 6053.71

P 0.000

Seq SS 12.19 536.71

Unusual Observations Obs PC1 Rhmax Mo 3 1.83 82.3000 8 -0.97 79.9000 21 -3.50 79.8000 46 -0.56 81.3000 50 -3.42 72.1000

Fit 81.8452 80.3494 79.7946 81.7607 71.8817

SE Fit 0.0415 0.0291 0.0702 0.0264 0.1005

Residual 0.4548 -0.4494 0.0054 -0.4607 0.2183

St Resid 2.18R -2.13R 0.03 X -2.18R 1.16 X

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 36 Principal Component Analysis dan analisis regresi model RH max kota Ambon bulan MAM 2008 Principal Component Analysis: T0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative

1.3336 0.667 0.667

0.6664 0.333 1.000

Variable T0 Dew poin

PC1 0.707 0.707

PC2 0.707 -0.707

Regression Analysis: Rhmax Model versus PC1, PC2 The regression equation is Rhmax Model = 81.4 - 0.0100 PC1 - 3.12 PC2 Predictor Constant PC1 PC2

Coef 81.3674 -0.00998 -3.11981

S = 0.2071

SE Coef 0.0216 0.01880 0.02660

R-Sq = 99.4%

T 3768.23 -0.53 -117.31

P 0.000 0.597 0.000

R-Sq(adj) = 99.3%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 590.28 3.82 594.10

MS 295.14 0.04

F 6880.47

P 0.000

Seq SS 0.01 590.27

Unusual Observations Obs PC1 Rhmax Mo 26 0.98 81.3000 30 -1.93 80.7000 46 -3.45 82.8000 74 -1.75 90.1000

Fit 81.7262 81.1852 83.0621 89.3071

SE Fit 0.0286 0.0422 0.0699 0.0782

Residual -0.4262 -0.4852 -0.2621 0.7929

St Resid -2.08R -2.39R -1.34 X 4.13RX

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 37 Principal Component Analysis dan analisis regresi model RH max kota Ambon bulan JJA 2008 Principal Component Analysis: T0 min, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable T0 min Dew poin

1.3513 0.676 0.676

0.6487 0.324 1.000

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: Rhmax Model versus PC1, PC2 The regression equation is Rhmax Model = 84.6 + 0.487 PC1 + 3.42 PC2 Predictor Constant PC1 PC2

Coef 84.5957 0.48688 3.42056

S = 0.2119

SE Coef 0.0221 0.01911 0.02758

R-Sq = 99.4%

T 3829.63 25.48 124.04

P 0.000 0.000 0.000

R-Sq(adj) = 99.4%

Analysis of Variance Source Regression Residual Error Total

DF 2 89 91

SS 719.80 4.00 723.80

MS 359.90 0.04

F 8017.05

P 0.000

Source PC1 PC2

DF 1 1

Seq SS 29.15 690.65

Unusual Observations Obs PC1 Rhmax Mo 2 0.66 85.7000 16 0.31 77.1000 45 0.06 82.2000 49 0.32 86.7000 61 -3.57 76.8000 62 -3.61 77.4000 76 -1.13 90.2000

Fit 86.1283 76.6206 82.6222 87.1265 76.5935 77.5938 89.6177

SE Fit 0.0273 0.0694 0.0274 0.0299 0.0877 0.0838 0.0545

Residual -0.4283 0.4794 -0.4222 -0.4265 0.2065 -0.1938 0.5823

St Resid -2.04R 2.39RX -2.01R -2.03R 1.07 X -1.00 X 2.84R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 38 Principal Component Analysis dan analisis regresi model RH max kota Ambon bulan SON 2008 Principal Component Analysis: T0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable T0 Dew poin

1.6796 0.840 0.840

0.3204 0.160 1.000

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: Rhmax Model versus PC1, PC2 The regression equation is Rhmax Model = 83.0 - 0.497 PC1 + 4.44 PC2 Predictor Constant PC1 PC2

Coef 82.9868 -0.49706 4.43710

S = 0.2140

SE Coef 0.0224 0.01741 0.03986

R-Sq = 99.3%

T 3698.57 -28.55 111.31

P 0.000 0.000 0.000

R-Sq(adj) = 99.3%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 1 1

DF 2 88 90

SS 604.99 4.03 609.02

MS 302.50 0.05

F 6602.79

P 0.000

Seq SS 37.35 567.64

Unusual Observations Obs PC1 Rhmax Mo 17 -0.48 87.1000 24 -0.66 83.7000 48 0.89 87.2000 72 -0.85 81.2000 73 -0.82 75.2000 79 1.72 83.3000

Fit 86.6631 84.1612 86.7372 81.6594 74.6837 83.7917

SE Fit 0.0391 0.0264 0.0465 0.0311 0.0826 0.0402

Residual 0.4369 -0.4612 0.4628 -0.4594 0.5163 -0.4917

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

St Resid 2.08R -2.17R 2.22R -2.17R 2.61RX -2.34R

Lampiran 39 Principal Component Analysis dan analisis regresi model RH min kota Ambon bulan DJF 2008 Principal Component Analysis: T0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable T0 Dew poin

1.2831 0.642 0.642

0.7169 0.358 1.000

PC1 0.707 0.707

PC2 0.707 -0.707

Regression Analysis: Rhmin Model versus PC1, PC2 The regression equation is Rhmin Model = 77.3 + 0.361 PC1 - 3.14 PC2 Predictor Constant PC1 PC2

Coef 77.2670 0.36072 -3.13688

S = 0.1948

SE Coef 0.0204 0.01812 0.02425

R-Sq = 99.5%

T 3784.56 19.90 -129.38

P 0.000 0.000 0.000

R-Sq(adj) = 99.5%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 2 88 90

DF 1 1

SS 649.92 3.34 653.26

MS 324.96 0.04

F 8567.09

P 0.000

Seq SS 15.03 634.90

Unusual Observations Obs PC1 Rhmin Mo 38 0.65 73.5000 49 -3.97 77.5000 50 -2.10 70.7000 60 -0.66 76.3000

Fit 73.0477 77.5255 70.6529 76.7033

SE Fit 0.0417 0.0760 0.0626 0.0238

Residual 0.4523 -0.0255 0.0471 -0.4033

St Resid 2.38R -0.14 X 0.26 X -2.09R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 40 Principal Component Analysis dan analisis regresi model RH min kota Ambon bulan MAM 2008 Principal Component Analysis: T0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable T0 Dew poin

1.0994 0.550 0.550

0.9006 0.450 1.000

PC1 0.707 0.707

PC2 0.707 -0.707

Regression Analysis: Rhmin Model versus PC1, PC2 The regression equation is Rhmin Model = 78.5 - 0.105 PC1 - 3.69 PC2 Predictor Constant PC1 PC2

Coef 78.5380 -0.10516 -3.69375

SE Coef 0.0249 0.02383 0.02633

T 3160.12 -4.41 -140.28

P 0.000 0.000 0.000

S = 0.2384

R-Sq = 99.6%

R-Sq(adj) = 99.5%

Analysis of V ariance Source Regression Residual Error Total Source PC1 PC2

DF 2 89 91

DF 1 1

SS 1119.28 5.06 1124.34

MS 559.64 0.06

F 9848.43

P 0.000

Seq SS 1.11 1118.17

Unusual Observations Obs PC1 Rhmin Mo 45 -1.60 88.6000 57 -2.49 88.1000 78 -1.94 77.5000

Fit 88.2118 87.7423 77.9823

SE Fit 0.0816 0.0905 0.0527

Residual 0.3882 0.3577 -0.4823

St Resid 1.73 X 1.62 X -2.07R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 41 Pri ncipal Component Analysis dan analisis regresi model RH min kota Ambon bulan JJA 2008 Principal Component Analysis: T0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulative Variable T0 Dew poin

1.2764 0.638 0.638

0.7236 0.362 1.000

PC1 0.707 0.707

PC2 -0.707 0.707

Regression Analysis: RHmin Model versus PC1, PC2 The regression equation is RHmin Model = 82.5 + 0.445 PC1 + 3.77 PC2 Predictor Constant PC1 PC2

Coef 82.5424 0.44547 3.77458

S = 0.2222

SE Coef 0.0232 0.02062 0.02739

R-Sq = 99.5%

T 3562.80 21.60 137.83

P 0.000 0.000 0.000

R-Sq(adj) = 99.5%

Analysis of Vari ance Source Regression Residual Error Total Source PC1 PC2

DF 1 1

DF 2 89 91

SS 961.19 4.39 965.58

MS 480.59 0.05

F 9732.41

P 0.000

Seq SS 23.05 938.14

Unusual Observations Obs PC1 RHmin Mo 10 3.48 84.7000 12 -1.35 87.4000 19 1.58 75.0000 57 -0.84 82.2000 58 -1.07 81.2000 59 -2.67 74.9000 60 -3.16 74.1000 61 -3.56 74.4000

Fit 84.7606 86.9555 74.6028 82.6582 81.6888 74.9024 73.9220 74.3850

SE Fit 0.0756 0.0513 0.0744 0.0291 0.0320 0.0759 0.0867 0.0905

Residual -0.0606 0.4445 0.3972 -0.4582 -0.4888 -0.0024 0.1780 0.0150

St Resid -0.29 X 2.06R 1.90 X -2.08R -2.22R -0.01 X 0.87 X 0.07 X

76

-1.63

88.4000

87.9032

0.0601

0.4968

2.32R

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Lampiran 42 Principal Component Analysis dan analisis regresi model RH min kota Ambon bulan SON 2008 Principal Component Analysis: T0, Dew point0 Eigenanalysis of the Correlation Matrix Eigenvalue Proportion Cumulati ve

1.5128 0.756 0.756

0.4872 0.244 1.000

PC1 0.707 0.707

PC2 0.707 -0.707

Variable T0 Dew poin

Regression Analysis: Rhmin Model versus PC1, PC2 The regression equation is Rhmin Model = 80.7 - 0.970 PC1 - 4.73 PC2 Predictor Constant PC1 PC2

Coef 80.6824 -0.97016 -4.72612

S = 0.2677

SE Coef 0.0281 0.02294 0.04043

R-Sq = 99.4%

T 2875.20 -42.29 -116.91

P 0.000 0.000 0.000

R-Sq(adj) = 99.4%

Analysis of Variance Source Regression Residual Error Total Source PC1 PC2

DF 1 1

DF 2 88 90

SS 1107.55 6.31 1113.85

MS 553.77 0.07

F 7728.03

P 0.000

Seq SS 128.15 979.40

Unusual Observations Obs PC1 Rhmin Mo 6 -2.78 90.4000 18 -2.20 89.5000 58 -0.85 73.3000

Fit 89.7415 88.8074 72.7880

SE Fit 0.0884 0.0772 0.0821

Residual 0.6585 0.6926 0.5120

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

St Resid 2.61RX 2.70R 2.01R