PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN MELALUI INTEGRASI MAKRO NCL DALAM SISTEM INFORMASI IKLIM BERBASIS WEB
TAUFIK HIDAYAT
DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember 2015 Taufik Hidayat NIM G24110030
ABSTRAK TAUFIK HIDAYAT. Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web. Dibimbing oleh AKHMAD FAQIH. Pada penelitian ini, dikembangkan perangkat lunak prediksi iklim musiman berbasis web. Perhitungan model prediksi dilakukan dengan menggunakan metode Principal Component Regression (PCR) yang kode programnya disusun menggunakan perangkat lunak NCAR Command Language (NCL). Sebagai input prediksi, digunakan data curah hujan luaran dari tiga model iklim global (Global Climate Model, GCM) yang terdapat di dalam North American Multi Model Ensemble (NMME). Ketiga model tersebut yaitu model GCM CMC1-CanCM3, CMC2-CanCM4 dan NCEP-CFSv2. Penelitian ini menggunakan data curah hujan observasi CHIRPS versi 2.0 sebagai prediktan untuk penyusunan model prediksi. Hasil pengujian metode PCR dengan NCL menunjukkan prediksi yang baik pada curah hujan bulanan di musim kemarau, yaitu untuk bulan July dan Oktober. Pola spasial curah hujan hasil prediksi pada kedua bulan tersebut mendekati pola observasi. Sebaliknya, pola curah hujan bulanan pada musim hujan untuk ketiga model menunjukkan hasil yang berbeda pada sebagian wilayah di Indonesia. Pada hasil skill model menggunakan korelasi Pearson juga menunjukkan nilai korelasi yang baik pada prediksi bulan kering terutama di wilayah Kalimantan dan Sumatra di semua model. Nilai korelasi Pearson tersebut memiliki nilai yang tinggi pada lead month 1 dan cenderung menurun pada lead month 2 dan 3. Nilai korelasi Pearson tertinggi terdapat pada model CMC1-CanCM3 sebesar 0.215. Selain korelasi, juga dilihat nilai anomali curah hujan yang menunjukkan nilai yang rendah pada bulan Juli sehingga mendekati nilai observasi. Sedangkan hasil prediksi bulan Januari nilai anomalinya cenderung lebih tinggi dari observasi.
Kata kunci: NCL, Sistem infomasi iklim, PCR, Model iklim NMME
ABSTRACT TAUFIK HIDAYAT. Seasonal Climate Prediction Model Development with NCL Macro Integration in Climate Information System Web-Based. Supervised by AKHMAD FAQIH. This study developed a web-based seasonal climate prediction tool. The prediction models were calculated using Principal Component Regression (PCR), where the source codes were developed using NCAR Command Language (NCL). Rainfall data from the outputs of three Global Climate Models (GCMs) used in the North American Multi-Model Ensemble (NMME) database are used as predictors. Those three models are CMC1-CanCM3, CMC2-CanCM4 and NCEPCFSv2. This study used gridded rainfall data from CHIRPS version 2.0 dataset as predictand for the prediction models. The result of PCR methods developed in NCL showed a relatively well prediction results for the monthly rainfall during the dry season, i.e. in July and October. The spatial patterns of monthly rainfall for both periods were relatively similar compared to the observed data. In contrast, the patterns of monthly rainfall from the three models showed different results in some areas in Indonesia. The Pearson’s correlation results indicated a relatively good skills during the dry season, especially in Kalimantan and Sumatra. Higher correlation values are mostly found on 1 month lead time and tend to decrease on 2 and 3 month lead time. Among the three models, CMC1-CanCM3 has the highest correlation values with r= 0.215. This study also compared the anomaly results between the predicted and observed data, where the predicted rainfall anomalies in July were nearly similar with the observed, while the predicted anomalies in January are found to be higher than the observed.
Keywords: NCL, Climate Information System, PCR, Climate Model NMME
PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN MELALUI INTEGRASI MAKRO NCL DALAM SISTEM INFORMASI IKLIM BERBASIS WEB
TAUFIK HIDAYAT
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 2015
Judul Skripsi : Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web Nama : Taufik Hidayat NIM : G24110030
Disetujui oleh
Dr Ir Tania June, M.Sc Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ialah prediksi iklim curah hujan, dengan judul Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web. Terima kasih penulis ucapkan kepada Bapak Dr Akhmad Faqih selaku pembimbing skripsi yang telah memberikan banyak ide, kritik, serta saran demi kelancaran karya ilmiah ini. Terima kasih juga penulis ucapkan kepada seluruh dosen Laboratorium Klimatologi yang telah banyak memberi saran dan seluruh staf serta pengajar di Departemen Geofisika dan Meteorologi atas bimbingan serta ilmu yang diberikan selama menjalani perkuliahan. Ungkapan terima kasih juga disampaikan kepada keluarga besar tercinta yang selalu mendukung member semangat dan doa. Terima kasih juga penulis ucapkan kepada seluruh kerabat dekat di Institut Pertanian Bogor serta seluruh anggota Laboratorium Klimatologi khususnya teman satu bimbingan Alvin Gustomy, dan Radini atas dukungan dan kerjasamanya selama ini. Terima kasih juga penulis ucapkan untuk rekan Jejaka Community yang senantiasa memberikan semangat dan bantuan hingga selesainya karya ilmiah ini. Semoga karya ilmiah ini bermanfaat dan dapat dikembangkan.
Jakarta, Desember 2015 Taufik Hidayat
DAFTAR ISI DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
METODE
2
Alat dan Bahan
2
Prosedur Analisis Data
2
Pengumpulan Data
2
Otomasi dan Sistem Informasi Iklim
4
Model Prediksi Iklim dan Cross validation Model
4
HASIL DAN PEMBAHASAN
6
Sistem Informasi Iklim
6
Validasi Data CHIRPS
7
Model Prediksi Curah Hujan
9
Nilai PC Score
9
Hasil PCR
10
Peta Skill Forecast
11
Peta Forecast Curah Hujan
13
Peta Anomali Curah Hujan Prediksi
18
SIMPULAN DAN SARAN
19
Simpulan
19
Saran
19
DAFTAR PUSTAKA
19
LAMPIRAN
21
RIWAYAT HIDUP
33
DAFTAR TABEL 1 2 3 4
Deskripsi data yang digunakan dalam pembuatan model Prediksi Deskripsi Stasiun BMKG untuk Validasi data CHIRPS Nilai Korelasi setelah koreksi pada delapan sampel stasiun Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan Model NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS
2 3 8 10
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Plot sebaran stasiun BMKG untuk validasi CGIRPS Desain Eksperimen Cross Validation model GCM Halaman utama web hasil otomasi prediksi curah hujan Hasil software otomasi PCR di web Plot lokasi stasiun BMKG dan nilai korelasi Perbandingan rataan curah hujan bulanan observasi dengan data CHIRPS sebelum dan sesudah koreksi. Nilai principal component (PC) pada tiga model dalam bentuk grafik scree plot hasil makro NCL Peta Skill forecast bulan Januari keluaran system pada tiga model Peta Skill forecast Juli keluaran sistem pada tiga model. Peta Forecast curah hujan Indonesia Issued month bulan Januari keluaran sistem dan observation map (data curah hujan: CHRIPS) Peta Forecast curah hujan Indonesia Issued month bulan April keluaran sistem dan observation map (data curah hujan: CHRIPS) Peta Forecast curah hujan Indonesia Issued month: Juli keluaran sistem dan observation map (data curah hujan: CHRIPS) Peta Forecast curah hujan Indonesia Issued month bulan Oktober keluaran sistem dan observation map (data curah hujan: CHRIPS) Peta sebaran nilai anomali curah hujan prediksi dengan nilai observasi
4 5 6 7 8 9 10 11 12 14 15 16 17 18
DAFTAR LAMPIRAN 1. 2. 3. 4. 5.
Diagram Alir Pembuatan CH Forecast
Coding NCL Coding sh dan setting otomasi crontab Nilai Koefisien Determinasi Model Nilai Korelasi Data CHIRPS dengan data BMKG
21 21 26 27 32
PENDAHULUAN Latar Belakang Sistem informasi iklim (SII) berguna untuk mengetahui kejadian iklim yang sedang terjadi saat ini, yang telah lalu, serta memprediksi iklim yang akan datang sehingga dapat meminimalisir kerugian dan meningkatkan keuntungan. SII juga sangat berguna untuk meningkatkan pengetahuan masyarakat umum terutama profesi/kerja manusia yang menggunakan iklim sebagai salah satu faktor penentu kegiatannya (Boer 2009). SII yang semakin berkembang didasari dari sifat iklim yang bervariasi dari waktu ke waktu baik itu secara musiman atau tahunan sehingga membuat manajemen data dan informasi iklim diperlukan agar pengelolaanya menjadi terstruktur dan mudah dalam menganalisisnya. Oleh karena itu, penyedia layanan informasi prediksi iklim musiman semakin diperlukan guna memperoleh informasi iklim yang mudah dan efisien. SII yang berkembang saat ini salah satunya adalah melalui sistem web yang dapat diakses melalui jaringan internet. Kelebihan dari sistem web ini adalah akses sistem dapat dilakukan secara real time melalui penjelajah situs web browser. Namun saat ini, situs penyedia layanan prediksi iklim umumnya masih berbasis oriented user dimana pengguna melakukan serangkaian kerja seperti input data, seleksi dan lainnya untuk memperoleh hasil prediksi iklim yang diinginkan. Adapun perkembangan sistem prediksi di Indonesia telah dilakukan oleh beberapa lembaga seperti Badan Meteorologi Klimatologi dan Geofisika (BMKG) dan Lembaga Penerbangan dan Antariksa Nasional (LAPAN) yang menyediakan beberapa informasi iklim. Namun pemanfaatan data luaran Global Circulation Model (GCM) pada pembuatan prediksi masih terbilang minim padahal data tersebut dapat diperoleh secara bebas di internet dan memiliki banyak program aplikasi yang mendukung dalam teknik pengelolaanya. Sistem prediksi iklim yang dibuat pada penelitian ini menggunakan data luaran GCM yang merupakan suatu model dengan orientasi spasial dan temporal. Data GCM ini digunakan sebagai alat prediksi utama iklim secara numerik sebagai sumber informasi primer untuk menilai beberapa parameter iklim. Namun, informasi GCM masih berskala global sehingga perlu dilakukan teknik downscaling guna memperoleh informasi prediksi iklim lokal yang cenderung dipengaruhi oleh topografi dan tataguna lahan. Adapan metode yang digunakan adalah metode PCR untuk membuat prediksi iklim wilayah Indonesia dengan bantuan perangkat lunak NCL. Sistem prediksi iklim dibuat dengan sebuah otomasi didalamnya dimana sistem diatur untuk menjalankan program secara otomatis tiap bulan untuk menghasilkan keluaran prediksi. Sistem juga akan secara otomatis mengunduh data luaran GCM dan melakukan kalkulasi secara statistik dan matematik untuk menghasilkan forecast. Dengan demikian pengguna (end user) dapat memperoleh informasi iklim secara efisien dan efektif. Tujuan Penelitian Penelitian ini bertujuan untuk : 1. Membuat otomasi sistem prediksi iklim musiman berbasis model PCR dan Cross Validation dengan script makro NCAR Command Language (NCL). 2. Melakukan analisis data prediksi iklim pada ketiga model hasil keluaran sistem yang diolah menggunakan NCL.
METODE Alat dan Bahan Alat yang digunakan dalam penelitian ini adalah sebuah perangkat personal computer (PC) dengan software linux versi 14.1.6, software NCL versi 6.1.2, Xampp Apache versi 1.8.3, PHP 5, Aplikasi Schedule Crontab dan bahasa pemrograman PERL yang dijalankan menggunakan Linux Ubuntu versi 14.04. Bahan yang digunakan dalam penelitian adalah: 1. Data historis prediksi (Hindcast) dan prediksi akan datang (Forecast) dari luaran model GCM CMC1-CanCM3, CMC2-CanCM3 dan NCEP-CFSv2 dari database the North American Multimodel Ensemble (NMME; Kirtman et al. 2014). 2. Data curah hujan bulanan Climate Hazards Group Infrared Precipitation with Station data (CHIRPS) versi 2.0 (Funk et al. 2015) untuk wilayah Indonesia. 3. Data Curah Hujan Observasi BMKG sebanyak 24 stasiun (Data Online BMKG) Prosedur Analisis Data Pengumpulan Data Penelitian ini menggunakan data luaran model GCM dari Hindcast\ dan Forecast dari basis data NMME (Kirtman et al. 2014). Ada tiga model luaran yang digunakan sebagai pilihan data prediktor, CMC1-CanCM3, CMC2-CanCM4 dan NCEP-CFSv2. Data ketiga model tersebut di akses melalui website IRI/LDEO Climate Data Library (alamat website: http://iridl.ldeo.columbia.edu/ SOURCES/.Models/.NMME/). Data Hindcast digunakan untuk membangun dan mengembangkan model prediksi, sedangkan data Forecast digunakan untuk membuat prediksi. Data curah hujan yang digunakan dalam penelitian ini adalah data CHIRPS versi 2.0 bulanan wilayah Indonesia. Table 1 Deskripsi data yang digunakan dalam pembuatan model Prediksi Model NMME Obervasi CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2 CHIRPS v2.0 o o o o o o Resolusi 1 x 1 1 x1 1 x1 0.05o x 0.05o Hindcast : Hindcast : Hindcast : 1981-2010 1981-2010 1981-2010 Periode Forecast: Forecast: Forecast: 1981-2010 Jan,Apr 2015 Jan,Apr 2015 Jan,Apr 2015 Jul,Okt 2014 Jul,Okt 2014 Jul,Okt 2014 Validasi Data CHIRPS Data CHIRPS berasal dari data citra satelit dengan resolusi 0.05o x 0.05o dikombinasi dengan data curah hujan stasiun insitu untuk membentuk data curah hujan grid yang biasa menggunakan analisis tren dan pemantauan musim kering (Funk et al. 2014). Pada penelitian ini data CHIRPS yang digunakan adalah data curah hujan bulanan CHIRPS versi 2.0. Data CHIRPS tersebut dibentuk dari data curah hujan bulanan Climate Hazards Group's Precipitation Climatology (CHPclim), observasi satelit Quasi-global Geostationary Thermal Infrared (Janowiak et al.
3
2001), data Tropical Rainfall Measuring Mission (TRMM) (Huffman et al. 2007), model curah hujan Climate Forecast Systems (CFS) NOAA (Saha et al. 2010), dan data observasi insitu di seluruh dunia yang didapat dari lembaga klimatologi masingmasing negara. Data grid CHIRPS didapat berdasarkan 5 stasiun observasi terdekat, semakin dekat dengan stasiun maka pembobotannya semakin besar pula (Funk et al. 2014). Dengan demikian, semakin sedikit stasiun cuaca disuatu tempat maka nilai grid curah hujan yang dihasilkan akan kurang bagus. Data CHIRPS digunakan sebagai data prediktan dalam pembuatan prediksi iklim. Namun sebelum digunakan data CHIRPS terlebih dahulu divalidasi dengan data-data stasiun observasi di Indonesia yang dikeluarkan oleh BMKG guna memperoleh nilai yang lebih akurat. Sebelum divalidasi, data observasi stasiun BMKG dilakukan pengecekan dan uji homogenitas terlebih dahulu. Uji homogenitas ini dilakukan untuk melihat pola data yang dihasilkan homogen atau tidak. Setelah itu, nilai faktor koreksi (FK) diperoleh dengan membuat persamaan regresi tanpa intercept menggunakan minitab. Nilai FK ini digunakan untuk validasi data CHIRPS yakni dengan mengalikannya dengan data CHIRPS sebelum data digunakan pada sistem. Berikut stasiun BMKG yang digunakan untuk validasi. Table 2 Deskripsi Stasiun BMKG untuk Validasi data CHIRPS No
Nama Stasiun
Bujur
Lintang
Periode
No
Nama Stasiun
Bujur
Lintang
Periode
1
AhmadYani Semarang
110.374
-6.971
19812010
13
Paloh KalBar
109.325
1.808
19832010
2
Babullah Ternate
136.106
-1.189
19842010
14
Pangsuma Putussibau
112.935
0.835
19952010
3
blang-bintang Acehh
95.425
5.525
19822010
15
Raden-Inten Lampung
105.175
-5.242
19812010
4
Darmaga Bogor
106.749
-6.553
19842010
16
Sampali-Medan
98.725
3.625
19852010
5
ElTariKupang
123.672
10.171
19812010
17
Soetha_Cengkareng
106.654
-6.126
19852010
6
FransKaiseipo_Biak
127.379
0.833
19812010
18
Sultan_Hasanudddin
119.568
-5.069
19812010
7
HajiAsan_Sampit
112.976
-2.501
19972010
19
Sultan Mahmud Badaruddin
104.700
-2.897
19812010
8
Juanda_Surabaya
112.793
-7.377
19812010
20
Sultan-Thaha Jambii
103.641
-1.636
19852010
9
KaranPloso_Malang
112.597
-7.901
19882010
21
Sumbawa NTB
117.412
-8.488
19812010
10
Kasiguncu_Posoo
120.643
-1.418
19832010
22
Supadio Pontianakk
109.4050
-0.147
19812010
11
Mutiara Palu
119.906
-0.918
19812010
23
Tarakan Kalimantann
117.5750
3.325
19812010
12
NgurahRai_Bali
115.168
-8.748
19812010
24
Tjilik_Riwut
113.9430
-2.226
19812010
Gambar 1 Plot sebaran stasiun BMKG untuk validasi CGIRPS Otomasi dan Sistem Informasi Iklim Sistem informasi iklim yang dibuat berbentuk website, yang menyediakan informasi hasil prediksi iklim yakni curah hujan. Website digunakan sebagai alat untuk menampilkan keluaran forecast yang di-running secara otomatis setiap bulannya. Waktu running program diatur secara otomatis setiap tanggal 15 atau pertengahan bulan yang menyesuaikan dengan waktu rilisnya data forecast model. Set otomasi ini menggunakan Aplikasi Crontab pada sistem operasi linux sesuai dengan alur sistem (Lampiran 1). Keluaran nantinya merupakan hasil forecast curah hujan spasial wilayah Indonesia dengan lead time tiga bulan kedepan. Forecast dibuat dengan menggunakan file makro (Lampiran 2) yang berisi sekumpulan koding untuk membuat prediksi yang di-running menggunakan NCAR Command Language (NCL). Pembuatan makro NCL ini didasari kombinasi dua metode statistika yaitu Principal Component Analysis (PCA) dan Regresi Multilinier sehingga menghasilkan Principal Component Regression (PCR). Perhitungan PCR dilakukan tiap grid pada data menggunakan fungsi-fungsi pada bahasa pemograman NCL yang merujuk pada situs pengembang NCL http://www.ncl.ucar.edu/. Website dibuat dalam bahasa html disertai bahasa php dan java script untuk membuat web menjadi dinamis dan terintegrasi dengan database. Database digunakan untuk menyimpan keluaran hasil forecast tiap bulan dan ditampilkan pada web menggunkan query pada script php. Model Prediksi Iklim dan Cross validation Model Model prediksi iklim dibuat menggunakan software NCL yang terintegrasi dengan sistem web. Dalam penelitian ini metode yang digunakan adalah model statistik PCR berdasarkan analisis komponen utama PCA. PCA adalah suatu prosedur untuk mereduksi dimensi data dengan cara mentransformasi variabelvariabel asal yang berkorelasi menjadi sekumpulan variabel baru yang tidak berkorelasi. Variabel-variabel baru itu dikatakan sebagai PC (Johnson dan Wichern 2002). PC dapat diperoleh dari pasangan nilai eigen vektor, eigen matriks kovarian atau matriks korelasi. Hasil perhitungan PCA, yaitu skor komponen utama atau PC diregresikan langsung dengan data observasi dimana model persamaan yang diperoleh dapat digunakan untuk proses validasi selanjutnya. Jika hasil validasi menghasilkan nilai korelasi yang baik, maka model persamaan hasil PCR ini mempunyai kemungkinan untuk digunakan sebagai model pembuat prediksi. Persamaan model regresi komponen utama adalah sebagai berikut :
5
y = f (pc) y = b0 +b1pc1 + b2pc2 + …+ bk pck Keterangan : y = data observasi curah hujan pc = score komponen utama Nilai skill model dapat dilihat dari korelasi Pearson pada data hasil prediksi yang didapatkan dari hasil Cross-Validation dengan data observasi secara spasial dan temporal. Korelasi Pearson digunakan untuk melihat keeratan hubungan antara peubah X dan peubah Y. Korelasi ini mengukur hubungan linier antara dua peubah X dan Y, yang diduga dengan koefisien korelasi r, yaitu: = Keterangan : = korelasi antara peubah X dan peubah Y = koragam peubah X dan peubah Y = peragam peubah X = peragam peubah Y Cross Validation merupakan salah satu teknik untuk menilai atau menvalidasi keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Pembuatan model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap suatu data baru yang boleh jadi belum pernah muncul di dalam dataset. Salah satu metode cross-validation yang populer adalah K-Fold Cross Validation. Dalam teknik ini dataset dibagi menjadi sejumlah K-buah partisi secara acak, kemudian dilakukan sejumlah K-kali eksperimen, dimana masing-masing eksperimen menggunakan data partisi ke-K sebagai data testing dan memanfaatkan sisa partisi lainnya sebagai data training (Refaeilzadeh et al. 2008).
Gambar 2 Desain Eksperimen Cross Validation model GCM Pembuatan prediksi dengan teknik PCR yang dilakukan menggunakan 30 Fold Cross-Validation sedangkan untuk mendapatkan nilai akurasi ataupun ukuran penilaian lainnya dari hasil eksperimen yang dilakukan, diambil nilai rataan dari seluruh eksperimen tersebut. Hal ini tentunya akan menghasilkan nilai prediksi yang lebih baik secara statistik.
HASIL DAN PEMBAHASAN Sistem Informasi Iklim Otomasi adalah suatu teknologi terkait dengan aplikasi mekanik, elektronik, atau pun komputer yang didasarkan pada sistem untuk beroperasi dan mengendalikan produksi secara otomatis (Burton 2004). Otomasi kerap digunakan dalam sistem informasi guna memperoleh keluaran dari suatu proses yang kompleks secara kontinu karena akan mempermudah kerja bagi para pengguna dengan waktu yang efisien. Bagian dari sistem informasi iklim yang dibentuk dalam penelitian ini adalah sebuah otomasi pembuatan prediksi iklim yang dapat dilihat dan diakses menggunakan penjelajah situs atau web browser. Informasi yang disediakan pada sistem prediksi berbasis web yang dibuat merupakan keluaran akhir dari hasil running prediksi menggunakan software NCL yang terintegrasi pada sistem sehingga dapat ditujukan untuk end user dimana keluaran merupakan informasi yang siap pakai. Hal ini tentunya akan memudahkan para pengguna yang umumnya adalah masyarakat umum dalam memperoleh prediksi iklim yang informatif tanpa melakukan serangkaian proses yang rumit. Berikut gambar halaman utama sistem informasi iklim yang dibuat.
Gambar 3 Halaman utama web hasil otomasi prediksi curah hujan Sistem Informasi iklim yang efektif menurut Boer (2009) ialah sistem yang mampu menyediakan informasi (prakiraan) iklim yang mudah dipahami, memenuhi kebutuhan pengguna dan sampai ke tangan pihak yang tepat pada waktu yang tepat sehingga bisa digunakan untuk membuat keputusan yang tepat. Otomasi sistem informasi ini memberikan informasi prediksi secara berkesinambungan dan historis sehingga dapat untuk analisis iklim dengan ketepatan waktu yang dapat diandalkan. Analisis tersebut membuat segala kerugian yang mungkin muncul akibat kondisi iklim yang diprakirakan kurang baik dapat ditekan atau pun keuntungan yang dapat
7
dicapai dari kondisi iklim yang diprakirakan akan baik dapat dimaksimalkan berkat adanya sistem informasi. Prediksi iklim curah hujan yang dihasilkan merupakan hasil pengolahan dari software NCL dengan membuat file makro yang berisi sekumpulan koding dan fungsi-fungsi sesuai dengan teknik prediksi yang digunakan. NCL adalah sebuah program open source bahasa dengan basis linux yang dirancang khusus untuk pengolahan data ilmiah dan melakukan visualisasi hasil pengolahannya tersebut. Fleischer and Bottinger (2013) mengatakan bahwa NCL merupakan bahasa program yang digunakan untuk membaca, menulis, memanipulasi, dan visualisasi data ilmiah. NCL berguna untuk merubah data hasil keluaran yang berbentuk data ASCII atau pun data grid yang berbasis matriks menjadi bentuk visual atau gambar. Pada sistem informasi yang dibuat, NCL digunakan sebagai alat untuk membuat makro model prediksi iklim curah hujan berdasarkan teknik PCR dan validasi silang serta menampilkanya dalam bentuk peta prediksi curah hujan. Halaman sistem informasi tersebut dapat dilihat pada Gambar 4 dibawah ini.
Gambar 4 Hasil software otomasi PCR di web Validasi Data CHIRPS Data CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) merupakan dataset hujan yang memiliki panjang periode hingga kini 30 tahun dengan resolusi 0.05°. Data CHIRPS menggabungkan citra satelit resolusi 0.05° dengan data stasiun in-situ untuk membuat grid curah hujan time series. Pada 12 Februari 2015, versi 2.0 dari data CHIRPS telah terbit dan tersedia untuk umum. Data inilah yang digunakan sebagai data prediktan dalam pembuatan prediksi iklim. Contoh koreksi untuk masing-masing stasiun ditampilkan pada Gambar 5 dan Tabel 3. Pola data CHIRPS setelah dikoreksi terlihat mengikuti dengan pola data observasi BMKG terlihat dari garis yang saling berimpit. Pola CHIRPS yang tidak dikoreksi berwarna merah terlihat memiliki nilai yang lebih tinggi dari data obesrvasi sehingga data chirps koreksi dapat digunakan.
Gambar 5 Plot lokasi stasiun BMKG dan nilai korelasi Table 3 Nilai Korelasi setelah koreksi pada delapan sampel stasiun Stasiun
Faktor Koreksi
Nilai Korelasi
Sampali-Medan
0.95
0.72
AhmadYani_Semarang
0.91
0.82
Frans Kaiseipo_Biak
0.88
0.67
HajiAsan_Sampit
0.99
0.99
KaranPloso_Malang
1.24
0.80
Kasiguncu_Posoo
0.99
0.53
Sumbawa_NTB
1.07
0.88
Supadio_Pontianakk
0.99
0.81
Untuk keseluruhan wilayah Indonesia, digunakan satu nilai faktor koreksi dari gabungan 24 stasiun yang tersebar di seluruh Indonesia. Setelah digabung, hasil persamaan regresi kedua data tersebut pada minitab adalah Obs = 0.87 CHIRPS sehingga nilai faktor koreksi (FK) adalah 0.87 yang akan digunakan pada sistem. Adapun pola data CHIRPS hasil koreksi dan sebelum koreksi ditunjukkan oleh Gambar 6.
9
Gambar 6 Perbandingan rataan curah hujan bulanan observasi dengan data CHIRPS sebelum dan sesudah koreksi. Data menggunankan 24 stasiun dengan periode tahun 1981-2010. Jumlah stasiun yang digunakan untuk melakukan koreksi data adalah sebanyak 24 stasiun yang tersebar diseluruh Indonesia. Seluruh data stasiun observasi tersebut diregresikan dengan data CHIRPS dengan koordinat yang sama dengan lokasi stasiun. Hasil regresi selurah data menunjukkan bahwa nilai faktor koreksi FK untuk data CHIRPS sebesar 0.87 yang artinya data CHIRPS perlu dikali nilai FK tersebut sebelum digunakan sebagai data prediktan. Nilai FK yang digunakan hanya satu nilai FK saja sehingga terdapat kekurangan yakni kurang mewakili karakteristik wilayah Indonesia yang begitu luas dan hanya menurunkan nilai sekian persen agar semakin mendekati nilai observasi. Penggunaan satu nilai tersebut bertujuan untuk mempermudah dalam pembuatan file makro untuk mengkoreksi tiap grid pada data CHIRPS. Adapun nilai koreksi ini digunakan karena memiliki delapan sampel stasiun memiliki nilai korelasi yang cukup tinggi yakni rata-rata sekitar 0.8. Nilai korelasi yang tinggi ini juga menggambarkan nilai koefisien determinasi (r2) yang tinggi. Nilai R-square merupakan ukuran kecocokan hasil estimasi sebuah model regresi linier dengan data yang dimodelkan, atau biasa disebut ukuran goodness of fit dari sebuah model regresi (Irianto 2010). Model Prediksi Curah Hujan Nilai PC Score Prediksi pada sistem yang dibuat menggunakan jumlah nilai komponen utama atau principal component (PC) sebanyak tiga buah nilai pada setiap model. Nilai PC tersebut diperoleh dari pasangan nilai eigen-vektor, eigen matriks kovarian atau matriks korelasi. Nilai PC pertama merupakan nilai komponen utama yang mempunyai varian terbesar, sedangkan PC kedua memiliki varian terbesar kedua dan begitu seterusnya. Nilai PC digambarkan dalam bentuk grafik scree plot (Tabel 4) dan menujukkan bahwa ketiga model memiliki jumlah varians dari tiga nilai PC sekitar 80% dengan model CMC1-CanCM3 memiliki nilai terbesar. Dengan demikian, tiga nilai PC tersebut telah mewakili 80% dari keragaman data. Hal ini sesuai dengan pernyataan Draper and Smith (1981) yang menyatakan bahwa bahwa proporsi kumulatif keragaman data asal yang dijelaskan oleh jumlah komponen utama adalah minimum sebesar 80%.
Gambar 7 Nilai principal component (PC) pada tiga model dalam bentuk grafik scree plot hasil makro NCL Hasil PCR Tabel 4 merupakan nilai korelasi Pearson rata-rata antara data model dengan data curah hujan. Nilai korelasi tersebut menggambarkan seberapa besar hubungan antara model dengan observasi. Pada hasil curah hujan bulanan yang terbentuk, korelasi model CMC1-CanCM3 dan model CMC2-CanCM4 memiliki nilai korelasi yang tidak jauh berbeda dan terbesar pada lead time 1 bulan kedepan. Nilai korelasi terbesar terdapat pada model CMC1-CanCM3 baik issued month Januari maupun Juli. Pada ketiga model, semakin jauh lead time nilai korelasi cenderung semakin kecil. Hal ini dapat terjadi karena waktu yang semakin jauh dari issued month sehingga akurasi model menjadi berkurang. Table 4 Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan Model NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS Nilai Korelasi Nilai korelasi (issued month: Januari) (issued month: Juli) Pearson Pearson 1 Bulan kedepan 0.206 0.215 CMC12 Bulan kedepan 0.152 0.169 CanCM3 3 Bulan kedepan 0.147 0.201 1 Bulan kedepan 0.185 0.197 CMC22 Bulan kedepan 0.147 0.154 CanCM4 3 Bulan kedepan 0.164 0.185 1 Bulan kedepan 0.183 0.191 NCEP-CFSv2 2 Bulan kedepan 0.164 0.132 3 Bulan kedepan 0.164 0.183 Nilai korelasi yang ditampilkan merupakan gambaran nilai rata-rata korelasi dari keseluruhan grid (Tabel 4). Korelasi Pearson ini merupakan salah satu ukuran korelasi yang digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua variabel atau lebih. Nilai korelasi yang positif menunjukkan bahwa hasil prediksi yang terbentuk tergolong baik dilihat dari keseluruhan grid. Walaupun mungkin saja terdapat korelasi yang negatif pada suatu grid namun setelah dirata-rata masih menunjukkan nilai korelasi yang positif. Model
Lead Month
11
2 Month 3 Month
Lead Time
1 Month
Peta Skill Forecast Skill forecast adalah representasi skala kesalahan perkiraan yang berhubungan akurasi perkiraan model perkiraan khusus untuk beberapa model referensi (Roebber dan Paul 1998). Peta skill forecast ini dapat digunakan untuk mengetahui tingkat keandalan suatu sistem prakiraan musim dan memantau kualitas dari hasil prakiraan atau sejauh mana ketepatan prakiraan yang dibuat. Sistem prakiraan musim yang baik menurut Boer (2009) ialah suatu sistem yang secara konsisten mampu memberikan kualitas prakiraan yang baik dan dapat digunakan oleh pengguna untuk meningkatkan keuntungan ekonomi atau keuntungan lainnya. Peta skill untuk bulan Januari yang terbentuk pada ketiga model jika dilihat secara keseluruhan memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan cenderung turun pada lead time 3 bulan (Gambar 8). Model CMC1-CanCM3 dan CMC2-CanCM4 memiliki pola nilai korelasi yang cenderung sama yakni tinggi diwilayah Kalimantan, sebagian Sumatra dan Jawa, begitu pula untuk model NCEPCFSv2 namun sebaran nilai korelasinya rendah pada lead time 3 bulan. Nilai yang rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai forecast yang berlebih dibanding nilai model lain dan melampaui jauh dari nilai observasi. Monthly Prec. (Issued month: Januari) CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
Legenda Skill Correlation
Gambar 8 Peta Skill forecast bulan Januari keluaran system pada tiga model. Nilai Skill diperoleh dari korelasi antara 30 nilai persamaan member dan historis observasi CHIRPS 1981-2010 bulan Januari
Sama halnya dengan bulan Januari, peta skill untuk bulan Juli yang terbentuk pada ketiga model memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan cenderung turun pada lead time 2 dan lead time 3 terutama model CMC2-CanCM4 terlihat dari warna biru yang semakin banyak atau menandakan berkorelasi negatif (Gambar 9). Model CMC1-CanCM3 dan CMC2-CanCM4 memiliki pola nilai korelasi yang cenderung sama yakni tinggi diwilayah Kalimantan, sebagian Sumatra dan sebagian besar Jawa, sedangkan model NCEP-CFSv2 cenderung memiliki sebaran nilai korelasi yang lebih baik pada lead time 2 bulan dan rendah di lead time 3 bulan. Nilai yang rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai anomali yang berlebih dibanding nilai model lain dan melampaui dari nilai observasi CHIRPS. Monthly Prec. (Issued month: Juli) CMC2-CanCM4 NCEP-CFSv2
3 Month
Lead Time 2 Month
1 Month
CMC1-CanCM3
Legenda Skill Correlation
Gambar 9 Peta Skill forecast Juli keluaran sistem pada tiga model. Nilai Skill diperoleh dari korelasi antara 30 nilai persamaan member dan historis observasi CHIRPS 1981-2010 bulan Juli
13
Peta Forecast Curah Hujan Peta prediksi curah hujan issued month Januari hasil keluaran sistem yang dirunning dengan NCL menggunakan sekumpulan script makro yang telah dibuat ditampilkan pada Gambar 10. Lead time 1 merupakan forecast untuk bulan Februari, lead time 2 untuk Maret dan lead time 3 untuk bulan April. Hasil peta forecast menunjukkan bahwa prediksi curah hujan semakin tinggi pada lead time 2 dan 3 terutama pada wilayah Jawa, Kalimantan, dan Selawesi terlihat dari warna yang semakin biru dimana wilayah yang semakin basah. Hasil rataan tiga model memiliki nilai forecast yang lebih baik terlihat dari pola grid yang mirip dengan nilai observasi. Jika dibandingkan dengan data observasi CHIRPS yang telah rilis dan divalidasi dengan data BMKG yakni bulan Februari hingga April terlihat pola yang paling mirip untuk lead time 1 bulan. Sedangkan lead time 2 dan 3 memiliki nilai prediksi yang lebih tinggi terutama model CMC1-CanCM3 dan CMC2-CanCM4. Secara umum, hasil forecast sesuai dengan observasi, hanya saja pada lead time 3 wilayah Kalimantan memiliki nilai estimasi yang berlebih. Hasil peta prediksi curah hujan issued month April dengan Lead time 1 merupakan forecast untuk bulan Mei, lead time 2 untuk Juni dan lead time 3 untuk bulan Juli (Gambar 11). Hasil peta forecast tersebut menunjukkan sebagian besar wilayah memiliki potensi hujan yang lebih rendah dibanding forecast bulan Januari terlihat dari banyaknya wilayah yang kering. Pola hasil forecast pada tiga model sedikit berbeda, dimana model CMC1-CanCM2 memiliki nilai estimasi yang lebih tinggi. Setelah dirata-rata nilai ketiga model, nilai forecast bagus pada lead time 1 namun lead time dua dan tiga nilai observasi memiliki nilai curah hujan yang lebih kering dengan pola yang tidak begitu jauh berbeda. Pada bulan Juli ini, semakin jauh lead time hasil forecast dari issued month semakin berbeda dengan observasi yang menunjukkan bahwa nilai error semakin tinggi. Hasil peta prediksi curah hujan issued month Juli dengan lead time 1 merupakan forecast untuk bulan Agustus, lead time 2 untuk September dan lead time 3 untuk bulan Oktober (Gambar 12). Peta forecast tersebut menunjukkan bahwa prediksi curah hujan Indonesia cenderung kering terutama pada wilayah Jawa dan Sumatra terlihat dari warna yang semakin coklat dimana nilai CH semakin rendah. Curah hujan yang sedikit tinggi terlihat berada di wilayah utara Kalimantan sedangkan wilayah Jawa, Papua dan bagian selatan Sumatra cenderung kering. Hasil prediksi dari tiga model umumnya memiliki pola yang tidak jauh berbeda dengan nilai rata-rata ketiga model terlihat dari miripnya pola dengan data observasi. Untuk hasil prediksi curah hujan issued month Oktober dengan lead time 1 merupakan forecast untuk bulan November, lead time 2 untuk Desember dan lead time 3 untuk bulan Januari ditunjukkan pada Gambar 13. Hasil peta forecast prediksi curah hujan tersebut memiliki pola yang cenderung berbeda pada ketiga model. Nilai prediksi untuk lead time 1 lebih kering dibanding lead time lain. Setelah dirata-rata, nilai prediksi menjadi lebih baik terlihat pola yang menjadi lebih mirip dengan observasi. Pola hujan yang dihasilkan dari ketiga model terdapat perbedaan di sebagian wilayah. Adapun perbandingan dengan data observasi CHIRPS dilakukan untuk mengetahui apakah kualitas (quality) nilai prakiraan yang terbentuk baik atau tidak dan sejauh mana ketepatan prakiraan serta apakah ada perbaikan dari waktu ke waktu (skill meningkat).
Observasi
Rata-rata
NCEP_CFSv2
CMC2-CanCM4
CMC1-CanCM3
Monthly Prec. (Issued month: Januari) Lead time 1 Lead time 2 Lead time 3
Legenda CH Forecast (mm)
Gambar 10 Peta Forecast curah hujan Indonesia Issued month bulan Januari keluaran sistem dan observation map (data curah hujan: CHRIPS)
15
Observasi
Rata-rata
NCEP_CFSv2
CMC2-CanCM4
CMC1-CanCM3
Monthly Prec. (Issued month: April) Lead time 1 Lead time 2 Lead time 3
Gambar 11 Peta Forecast curah hujan Indonesia Issued month bulan April keluaran sistem dan observation map (data curah hujan: CHRIPS)
Monthly Prec. (Issued month: Juli) Lead time 2 Lead time 3
Observasi
Rata-rata
NCEP-CFSv2
CMC2-CanCM4
CMC1-CanCM3
Lead time 1
Legenda
Gambar 12 Peta Forecast curah hujan Indonesia Issued month: Juli keluaran sistem dan observation map (data curah hujan: CHRIPS)
17
Observasi
Rata-rata
NCEP-CFSv2
CMC2-CanCM4
CMC1-CanCM3
Monthly Prec. (Issued month: Oktober) Lead time 1 Lead time 2 Lead time 3
Legenda CH Forecast (mm)
Gambar 13 Peta Forecast curah hujan Indonesia Issued month bulan Oktober keluaran sistem dan observation map (data curah hujan: CHRIPS)
Peta Anomali Curah Hujan Prediksi Peta anomali merepresentasikan selisih hasil nilai prediksi dengan nilai observasi yang telah divalidasi (Gambar 14). Nilai anomali negatif menunjukkan bahwa nilai prediksi berada dibawah nilai observasi yang digambarkan oleh warna yang semakin ungu sedangkan anomali positif berada diatas nilai observasi dengan warna yang semakin hijau. Prediksi bulan Januari dimana musim hujan terlihat nilai anomali yang cukup besar baik anomali positif atau pun negatif terutama model CMC1-CanCM2 dan CMC2-CanCM4. Sebaliknya, pada prediksi bulan Juli nilai anomali cenderung lebih kecil terlihat dari warna putih yang banyak tersebar di seluruh wilayah. Hal ini menunjukkan bahwa nilai prediksi pada bulan Juli atau saat bulan kering menghasilkan nilai prediksi yang lebih baik. Model CMC2-CanCM4
NCEP-CFSv2
Lead time 3
Juli Lead t ime 2
Lead t ime 1
Lead time 3
Januari Lead time 2
Lead time 1
CMC1-CanCM3
Legenda Nilai Anomali (mm)
Gambar 14 Peta sebaran nilai anomali curah hujan prediksi dengan nilai observasi
19
SIMPULAN DAN SARAN Simpulan Sistem informasi iklim yang dibentuk berupa aplikasi website yang berintegrasi dengan software NCL untuk melakukan pengolahan prediksi iklim curah hujan yang dapat diakses menggunakan penjelajah situs atau web browse dengan sistem otomasi. Informasi yang tersedia pada web ini merupakan keluaran akhir dari prediksi dan ditujukan untuk end user dimana keluaran merupakan informasi yang siap pakai berupa prediksi curah hujan bulanan dengan lead time 3 bulan. Berdasarkan hasil keluaran sistem, hasil peta forecast pada ketiga model memiliki sedikit perbedaan pola pada musim hujan sedangkan pada musim kemarau hasil forecast cenderung lebih baik terlihat dari pola yang semakin mirip dengan data observasi CHIRPS. Nilai korelasi Pearson keluaran sistem memiliki nilai yang tinggi pada leadmonth 1 dan cenderung menurun pada lead month 2 dan 3. Nilai korelasi Pearson tertinggi yaitu pada model CMC1-CanCM3 sebesar 0.215. Nilai korelasi digunakan untuk mengetahui seberapa besar skill forecast dari tiap-tiap grid data. Nilai anomali antara prediksi dan observasi memiliki nilai yang rendah pada bulan Juli yang menggambarkan pada bulan kering nilai prediksi yang dihasilkan memiliki nilai yang lebih baik. Saran Perkembangan teknologi dan informasi membuat suatu sistem informasi menjadi dinamis dan perlu pengembangan secara kontinu. Sistem informasi yang dibuat perlu penyempurnaan kembali untuk sistem web dengan memberikan pilihan jenis pengolahan metode statistik selain PCR yang dapat dijadikan sebagai esemble member untuk meningkatkan skill forecast. Validasi data observasi juga sebaiknya digunakan metode lain yang lebih mewakili keseluruhan wilayah seperti metode clustering sehingga tidak hanya memiliki satu nilai faktor koreksi. Selain itu perlu perkembangan dari model-model lain sebagai perbandingan model mana yang lebih baik.
DAFTAR PUSTAKA Boer R. 2009. Sekolah Lapang Iklim Antisipasi Risiko Perubahan Iklim. Bogor: Geomet FMIPA-IPB dan PERHIMPI. Burton ES, Neil CR. 2004. Innovating Mindfully with Information Technology, MIS Quarterly Vol. 28 No. 4 pp. 553-583 Dillon WR, M. Goldstein. 1984. Multivariate Analysis Methods and Aplications. John Willey & Sons, New York Draper NR, Smith H, (1981), Apllied Regression Analysis, Second Edition, John Wiley and Son Inc, New York. Fleischer KM, Bottinger M. 2013. High Quality Graphics with NCL 6.1.2. Deutsches Klimarechenzentrum (DKRZ), Hamburg.
Funk CC, Peterson PJ, Landsfeld MF, Pedreros DH, Verdin JP, Rowland JD, Romero BE, Husak GJ, Michaelsen JC, Verdin AP. 2014. A quasi-global precipitation time series for drought monitoring: U.S. Geological Survey Data Series 832, 4 p., http://dx.doi.org/110.3133/ds832. Harris I, Jones PD, Osborn TJ, Lister DH 2014. Updated high-resolution grids of monthly climatic observations - the CRU TS3.10 Dataset.Int. J. Climatol.,34: 623-642. Doi: 10.1002/joc.3711 Huffman GJ, Bolvin DT, Nelkin EJ, Wolff DB, Adler RF, Gu G, Stocker EF. 2007. The TRMM multisatellite precipitation analysis (TMPA)—Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales: Journal of Hydrometeorology, 8(1): p. 38–55. Irianto A. 2010. Statistika Konsep, Dasar, Aplikasi, dan Pengembangannya. Jakarta: Kencana Prenada Media Group. Janowiak JE, Joyce RJ, Yarosh Y. 2001. A real-time global half-hourly pixelresolution infrared dataset and its applications: Bulletin of the American Meteorological Society, 82(2): p. 205–217. Johnson RA, dan Wichern DW. 2002. Applied Multivariate Statistical Analysis 5th Ed. New Jersey: Prentice Hall.
Kirtman, Ben P, Coauthors. 2014. The North American Multimodel Ensemble: Phase-1 seasonal-to-interannual prediction; Phase-2 toward developing intraseasonal prediction. Bull. Amer. Meteor. Soc., 95, 585–601. doi: http://dx.doi.org/10.1175/BAMS-D-12-00050.1 New York (US): Academic Press Refaeilzadeh, P., Tang, L., Liu, H. 2008. Cross Validation: Encyclopedia of Database Systems. Springer, pp. 532-538, DOI:10.1007/978-0-38739940_9_565 Roebber, Paul J. 1998. The Regime Dependence of Degree Day Forecast Technique, Skill, and Value: American Meteorological Society -- Weather and Forecasting (Allen Press) 13 (3): 783–794, Bibcode:1998WtFor..13..783R, Saha S, Moorthi S, Pan HL, Wu X, Wang J, Nadiga S, dan Reynolds RW 2010. The NCEP climate forecast system reanalysis. Bulletin of the American Meteorological Society, 91(8), p. 1015–1057. The NCAR Command Language (Version 6.1.2) [Software]. 2014. Boulder, Colorado: UCAR/NCAR/CISL/VETS.http://dx.doi.org/10.5065/D6WD3XH5 Wilks DS. 1995. Statistical Methods in The Atmospheric Science an Introduction.
21
LAMPIRAN Lampiran 1 Diagram Alir Pembuatan Prediksi CH Mulai
Website prediksi iklim
NCL
Aplikasi Schedule Crontab
Tidak
Data prediktor, prediktan, dan prediksi (Model NMME dan Observasi CHIRPS)
Time system = 15 (middle of month)
Peta prediksi iklim
k Website prediksi iklim (visualisasi keluaran)
Ya j=0
Selesai NCL (running forecast)
Keluaran data ascii
Lampiran 2 Coding NCL load bulan="apr" "$NCARG_ROOT/lib/ncarg/nclscripts/csm/gsn lt = 0 _code.ncl" load do while (j .le. 30) ; looping for cross validate "$NCARG_ROOT/lib/ncarg/nclscripts/csm/gsn_csm.ncl"if (j .eq. 0) then load ;hindcast "$NCARG_ROOT/lib/ncarg/nclscripts/csm/contributed.ndiri = "./data/hindcast/"+bulan cl" fili = ".nc" latS = -11.0 ; seleksi grid Indonesia latN = 6.0 lonL = 95.0 lonR = 141.0
f = addfile (diri+fili, "r") x = f->prec(1:29,:,:,{latS:latN},{lonL:lonR}) ;float prec(S, M, L, Y, X) x!0 = "time" x!1 = "member" neof = 3 x!2 = "leadmonth" x!3 = "lat" nlat=toint((latN-latS)*20) x!4 = "lon" nlon=toint(((lonR-lonL)*20)+1) ;printVarSummary(x) ;observasi ;******************************************* diri2 = "./data/obs/"+bulan ; Read data fili2 = ".nc" ;****************************************** h = addfile (diri2+fili2, "r") a1=0
obs = >precipitation(1:29,{latS:latN},{lonL:lonR}) (time,lat,lon) obs!0 = "time" obs!1 = "lat" obs!2 = "lon" obs@_FillValue = -999.0 ;delete(obs@missing_value) ;print(obs) else if (j .eq. 29) then ;hindcast diri = "./data/hindcast/"+bulan fili = ".nc" f = addfile (diri+fili, "r") xab = f->prec(:,:,:,{latS:latN},{lonL:lonR}) prec(S, M, L, Y, X) x = (/xab(0:28,:,:,{latS:latN},{lonL:lonR})/) prec(S, M, L, Y, X) x!0 = "time" x!1 = "member" x!2 = "leadmonth" x!3 = "lat" x!4 = "lon" ;printVarSummary(x) ;observasi diri2 = "./data/obs/"+bulan fili2 = ".nc" h = addfile (diri2+fili2, "r") obs = >precipitation(0:28,{latS:latN},{lonL:lonR}) (time,lat,lon) obs!0 = "time" obs!1 = "lat" obs!2 = "lon" obs@_FillValue = -999.0 ;delete(obs@missing_value) ;print(obs) else ;hindcast
h;observasi diri2 ; = "./data/obs/"+bulan fili2 = ".nc" h = addfile (diri2+fili2, "r") obsall = >precipitation(:,{latS:latN},{lonL:lonR}) (time,lat,lon) obs = (/obsall(inds,:,:)/) obs!0 = "time" obs!1 = "lat" obs!2 = "lon" ;printVarSummary(obs) obs@_FillValue = -999.0 end if end if
h;
;float ;forecast diri1 = "./data/forecast/"+bulan ;floatfili1 = ".nc" g = addfile (diri1+fili1, "r") pc = g->prec(:,:,:,{latS:latN},{lonL:lonR}) ;float prec(S, M, L, Y, X) ;Validasi nilai obs obs=obs*0.87 j=j+1 a1=a1+1 ;******************************************* ; Looping for LT ;******************************************* h;do ; while (lt .le. 3) pr=x(:,:,lt,:,:) xx=dim_avg_n_Wrap(pr,1) ; (time,lon,lat) xx!0 = "time" xx!1 = "lat" xx!2 = "lon" ;******************************************* ; Hitung PCA ;******************************************* X = xx(lat|:,lon|:,time|:) ; Space x Time
diri = "./data/hindcast/"+bulan fili = ".nc" optEof = True f = addfile (diri+fili, "r") eof = eofunc_Wrap( X, neof, optEof) a = f->prec(:,:,:,{latS:latN},{lonL:lonR}) ;float eof_ts = eofunc_ts_Wrap( X, eof, False) prec(S, M, L, Y, X) ;print (eof_ts) inds = array_append_record(ispan(0,a1asciiwrite("eof_ts.txt",eof_ts) 1,1),ispan(a1+1,29,1),0) ;printVarSummary(eof) x = (/a(inds,:,:,:,:)/) ;printVarSummary(eof_ts) x!0 = "time" ;print(eof_ts(0,:)) x!1 = "member" x!2 = "leadmonth" ;********************************************** x!3 = "lat" ; Hitung Nilai Pc Score Forecast, input data forecast x!4 = "lon" ;********************************************** ;printVarSummary(x) PCS = pc(:,:,lt,:,:) ;dimension->S,M,Y,X
23
;printVarSummary(PCS) b = PCSN1 = dim_avg_n_Wrap(PCS,0); M,Y,X reg_multlin_stats(obs(time|:,lat|m,lon|n),eof_ts(time|:, PCSN = dim_avg_n_Wrap(PCN1,0);Y,X evn|:),opt) ; partial regression coef PCSNa = dim_standardize(PCSN,0) ; with metadata b0(m,n) =b(0) PCST = transpose(PCSNa) b1(m,n) =b(1) ;printVarSummary(PCSNa) b2(m,n) =b(2) ;printVarSummary(PCST) b3(m,n) =b(3) PC1 = eof(0,:,:) # PCST(:,:) ;perkalian matriks ;print(b) PC2 = eof(1,:,:) # PCST(:,:) end if PC3 = eof(2,:,:) # PCST(:,:) ;******************************** PC1fcst = sum(PC1) - eof_ts@ts_mean(0) ;jumlah ;Hitung curah hujan forecast nilai pc ;CH=f(PC) PC2fcst = sum(PC2) - eof_ts@ts_mean(1) ;yy=b0+b1PC1+b2PC2+b3PC3 PC3fcst = sum(PC3) - eof_ts@ts_mean(2) ;******************************** if(all(ismissing(obs(time|:,lat|m,lon|n)))) then delete(PCS) yyresult(m,n)=-999 delete(PCSN) else delete(PCSNa) vb = delete(PCST) b0(m,n)+b1(m,n)*PC1fcst+b2(m,n)*PC2fcst+b3(m,n)*P delete(xx) C3fcst delete(X) if (vb .le. 0) then delete(PC1) vb=0.0 delete(PC2) end if delete(PC3) yyresult(m,n)= vb end if ;********************************************** ; Hitung Persamaan Multiple Liniar Regression, input obs;simpan nilai tiap grid berisi data 30 member ; fungsi reg_multlin_stats ol="ascii_dugaCH" ; function reg_multlin_stats ( ol1="/grid:x="+(m) ; y [*] : numeric, ol2="y="+(n) ; x : numeric, [*] or [*][*] only, ol3=".txt" ; opt : logical ;asciiwrite(ol+ol1+ol2+ol3,yyresult(m,n)) ; ) if (j .eq. 1) then ;**********************************************write_table(ol+ol1+ol2+ol3, "w", [/(/yyresult(m,n)/)/], "%f") print("Program is still running.. Note:looping ke-else "+(j)) ;note for loop write_table(ol+ol1+ol2+ol3, "a", [/(/yyresult(m,n)/)/], "%f") b0 = new((/nlat,nlon/),typeof(obs)) ; create an array to end if hold predictor variables delete(ol) b1 = new((/nlat,nlon/),typeof(obs)) ; delete(ol1) b2 = new((/nlat,nlon/),typeof(obs)) ; delete(ol2) b3 = new((/nlat,nlon/),typeof(obs)) ; yyresult = new((/nlat,nlon/),float) end do do m=0,nlat-1,1 ;looping perhitungan tiap grid end do do n=0,nlon-1,1 if(all(ismissing(obs(time|:,lat|m,lon|n)))) then delete(b0) ;if(obs(time|:,lat|m,lon|n).ge.0) then delete(b1) b0(m,n) = -999 delete(b2) b1(m,n) = -999 delete(b3) b2(m,n) = -999 b3(m,n) = -999 delete(yyresult) delete(obs) else delete(pc) end do
;lt=lt+1 ;end do
; panel plot only resources resP = True ; modify the panel plot ;end resP@gsnMaximize = True ; large format ;******************************************* resP@gsnPanelLabelBar = True ; add common ; Panggil kembali data ascii dan rata-rata dari 30 member colorbar ;******************************************* resP@lbLabelAutoStride = True ; auto stride on labels do m=0,nlat-1,1 do n=0,nlon-1,1 ;******************************************* ;Forecast Map plot ol="ascii_dugaCH" ;******************************************* ol1="/grid:x="+(m) ol2="y="+(n) ol1="output_map/forecast_Indonesia_LT:"+(lt/1) ol3=".txt" ol2="_"+(bulan) grid = asciiread(ol+ol1+ol2+ol3,1,"float") wks = gsn_open_wks("png",ol1+ol2) jj = (num(grid.eq.-999)) res = True res@gsnMaximize = True if (jj .gt. 15) then res@cnFillOn = True yyresult(m,n) = -999 res@cnLinesOn = False else yyresult(m,n) = avg(grid); ;nilai rata2 grid dr res@cnLineLabelsOn 30 = False member end if ;cnres = True ; variable for contour/map resources ;cnres@cnFillOn =True if ((yyresult(m,n).le. 0).and.(yyresult(m,n).ne. -999)) then res@gsnDraw = True ; don't draw yet yyresult(m,n)=0 res@gsnFrame = True ; don't advance frame end if yet res@lbLabelBarOn = True ; turn off individual end do res@cnLevelSelectionMode = "AutomaticLevels" end do ;res@cnLevelSelectionMode = "ManualLevels" ;res@cnMinLevelValF = 0. ;******************************************* ;res@cnMaxLevelValF = 1000. ; plots maps prediction ;res@cnLevelSpacingF = 100. ;******************************************* ; only needed if paneling res@tiMainString = "Forecast Map plot" res = True res@gsnDraw = False ; don't draw yet res@gsnFrame = False ; don't advance frame res@gsnPaperOrientation = "portrait" yet res@gsnMaximize = True ; res@gsnSpreadColors = True ; spread out color table gsn_define_colormap(wks,"GMT_drywet") ; res@gsnSpreadColorEnd = -2 ; don't use added Blue-Red colormap gray ; gsn_define_colormap(wks,"MPL_RdBu") ; res@gsnAddCyclic = False ; data not cyclic Blue-Red colormap rts@gsnAboveYRefLineColor = "blue" ; above ref line fill red res@mpCenterLonF = 180. ; defailt is 0 [GM]rts@gsnBelowYRefLineColor = "red" ; below ref res@mpMinLatF = min(yyresult&lat) line fill blue res@mpMaxLatF = max(yyresult&lat) res@mpMinLonF = min(yyresult&lon) res@mpMaxLonF = max(yyresult&lon) ;---This resource not needed in V6.1.0 res@mpFillDrawOrder = "PreDraw" res@gsnSpreadColors = True ; span full colormap res@cnFillOn = True ; turn on color fill res@cnLinesOn = False ; True is default ;---This resource defaults to True in NCL V6.1.0 res@lbLabelBarOn = False ; turn off individual res@lbLabelAutoStride = True ; nice spacing lb's for labels ; set symmetric plot min/max
25
res@mpLandFillColor gray which
= "white"
; default is
; doesn't exist in colormap res@gsnLeftString = "Forecast_"+(bulan) ;-- don't draw left string res@gsnRightString = "leadmonth "+(lt/1) res@lbTitleString = "Rainfall Prediction (mm)" res@lbTitleFontHeightF= .015 ; make title smaller res@pmLabelBarOrthogonalPosF = .12 ; move whole thing down plot = gsn_csm_contour_map_ce(wks,yyresult,res)
26
Lampiran 3 Coding sh dan setting otomasi crontab ncl ncl ncl ncl ncl ncl ncl ncl ncl ncl ncl ncl
makro/duga_pc1.ncl makro/duga_pc2.ncl makro/duga_pc3.ncl makro/duga_ch.ncl makro/duga_pc1cmc2.ncl makro/duga_pc2cmc2.ncl makro/duga_pc3cmc2.ncl makro/duga_ch_cmc2.ncl makro/duga_pc1fs.ncl makro/duga_pc2fs.ncl makro/duga_pc3fs.ncl makro/duga_ch_cfs.ncl
#setting Schedule otomasi download & running PCR #m h dom mon dow command 29 0 14 * * perl /opt/lamp/htdocts/otomasi/ cross_validation_indo/nmmme_download.pl 29 0 15 * * sh /opt/lamp/htdocts/otomasi/ cross_validation_indo/run_otomasi.sh
27
Lampiran 4 Nilai Koefisien Determinasi Model CMC1-CanCM3
Juni
Mei
April
Bulan
Maret
Februari
Januari
1 Month
Lead Time 2 Month
3 Month
September
Agustus
Juli
28
Legenda Nilai Koofisien Determinasi
Nilai Koefisien Determinasi Model CMC2-CanCM4
Februari
Bulan
Januari
1 Month
Lead Time 2 Month
3 Month
Agustus
Juli
Juni
Mei
April
Maret
29
September
30
Legenda Nilai Koofisien Determinasi
Nilai Koefisien Determinasi Model NCEP-CFSv2
April
Maret
Bulan
Februari
Januari
1 Month
Lead Time 2 Month
3 Month
September
Agustus
Juli
Juni
Mei
31
Legenda Nilai Koofisien Determinasi
32 Lampiran 5 Nilai Korelasi Data CHIRPS dengan data BMKG Urutan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Nama Stasiun Korelasi_Sebelum Korelasi_Sesudah AhmadYani_Semarang 0.805027 0.805027 Babullah_Ternate_Maluku 0.58338 0.58338 blang-bintang_banda acehh 0.644919 0.644919 Darmaga_Bogor 0.591303 0.591303 ElTari_Kupang_NTT 0.894833 0.894833 FransKaiseipo_Biak 0.671902 0.671902 HajiAsan_Sampit 0.990639 0.990639 Juanda_Surabaya 0.858036 0.858036 KaranPloso_Malang 0.822599 0.822599 Kasiguncu_Posoo 0.533989 0.533989 Mutiara Palu 0.409179 0.409179 NgurahRai_Bali 0.855194 0.855194 Paloh_KalBar 0.772976 0.779833 PangsumaPutussibau_KalBar 0.626901 0.626901 Raden-Inten_Lampung 0.641111 0.641111 Sampali-Medan 0.719861 0.719861 Soetha_Cengkareng 0.821183 0.821183 Sultan_Hasanudddin 0.512 0.512 Sultan_Mahmud Badaruddin 0.788912 0.788912 Sultan-Thaha_Jambii 0.70094 0.70094 Sumbawa_NTB 0.882212 0.882212 Supadio_Pontianakk 0.811037 0.811037 Tarakan_Kalimantann 0.514506 0.514506 Tjilik_Riwut 0.704065 0.704065 Rataaan 0.714863 0.715148
33
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 7 Januari 1993. Penulis merupakan anak keempat dari empat bersaudara dari pasangan Bapak Sumarno dan Ibu Sugiyem. Penulis menyelesaikan pendidikan sekolah dasar pada tahun 2005 di SDN Pekayon 05 Pagi, kemudian penulis menyelesaikan pendidikan sekolah menengah pertama pada tahun 2008 di SMPN 184 Jakarta. Selanjutnya penulis juga menyelesaikan pendidikan sekolah menengah atas pada tahun 2011 di SMAN 99 Jakarta. Penulis diterima di Institut Pertanian Bogor (IPB) pada tahun 2011 melalui jalur SNMPTN Undangan dengan memilih Program Studi Meteorologi Terapan, Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis juga mendapatkan beasiswa Bidik Misi yang diprogramkan oleh Kementerian Pendidikan dan Kebudayaan Nasional Republik Indonesia (KEMENDIKBUD) selama delapan semester. Pada bulan Juli tahun 2014 penulis mengikuti magang kerja di Lembaga Penerbangan dan Antariksa Nasional (LAPAN) Bidang Lingkungan dan Mitigasi Bencana-Pusat Pemanfaatan Penginderaan Jauh dan mendapat tugas untuk pemetaan perubahan lahan wilayah DKI Jakarta. Selama menjalani perkuliahan, penulis aktif dalam aktif dalam organisasi Himagreto divisi Koperasi Meteorologi (Komet) pada tahun 2012-2013 dan mengikuti beberapa kepanitiaan seperti Pesta Sains Nasional tahun 2014. Adapun prestasi yang pernah diraih penulis, diantaranya penulis pernah menjadi juara 1 lomba Digital Idea tingkat IPB yang diselenggarakan oleh Departemen Ilmu Komputer. Sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Meteorologi di Institut Pertanian Bogor, penulis melakukan penelitian dengan judul ―Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web‖ di bawah bimbingan Dr Akhmad Faqih.
