PREDIKSI CUACA JANGKA PENDEK MENGGUNAKAN WEATHER RESEARCH AND FORECASTING (WRF) MODEL
I WAYAN SUMERTA YASA
DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Prediksi cuaca jangka pendek menggunakan Weather Research and Forecasting (WRF) model 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, Juni 2013 I Wayan Sumerta Yasa NIM G24090019
ABSTRAK I WAYAN SUMERTA YASA. Prediksi Cuaca Jangka Pendek menggunakan Weather Research and Forecasting (WRF) Model. Dibimbing oleh AHMAD BEY dan YOPI ILHAMSYAH. Prakiraan cuaca jangka pendek menjadi penting dilakukan untuk menggambarkan kondisi atmosfer yang kompleks melalui sebuah model. Tujuan penelitian ini untuk mengkaji potensi luaran WRF dalam melakukan prediksi cuaca jangka pendek. Metode prakiraan cuaca yang dipergunakan memanfaatkan luaran WRF. Potensi luaran WRF sebagai model prakiraan cuaca untuk stasiun validasi Ngurah Rai, Bali dilihat dari RMSE dan nilai koefisien korelasi. Solver pada Microsoft Excel dipergunakan sebagai solusi untuk mereduksi nilai error model. Pada penelitian ini hanya dianalisis empat variabel luaran WRF yaitu curah hujan ( CH ), suhu, angin dan kelembaban relatif (RH). Hasil penelitian menunjukkan CH dan suhu merupakan variabel luaran model terbaik dibandingkan angin dan RH. Curah hujan ( CH ) memiliki nilai RMSE sebesar 0.84 dan korelasi 0.62 sedangkan nilai RMSE suhu sebesar 1.09 dan korelasi 0.65. Proses koreksi dengan bantuan Solver ternyata efektif dalam mengurangi error keempat variabel yaitu suhu 16%, RH 35 %, angin 62% dan CH mencapai 87%. Kata kunci: Ngurah Rai-Bali, prediksi cuaca jangka pendek, WRF
ABSTRACT I WAYAN SUMERTA YASA. Short-Range Weather Forecasting Using Weather Research and Forecasting Model. Supervised by AHMAD BEY and YOPI ILHAMSYAH. Short-range forecasting model has become an important tool to describe the complex atmospheric condition. The purpose of this research is to assess the potential of WRF output in short-range forecast. Weather forecasting method utilized in this research is WRF. Outputs of WRF model is compared with observational data of Ngurah Rai, Bali station. Solver in Microsoft Excel is used to reduce error generated in the model. This study focuses on only four output variables of WRF, namely, rainfall (CH), wind, relative humidity (RH) and temperature. The result shows rainfall and temperature are resulting from model calculation are better than the wind and relative humidity. Rainfall variable has an RMSE value of 0.84 and correlation of 0.62 while the RMSE value of the temperature is 1.09 with a correlation of 0.65. Correction process with the help of the Solver is effective in reducing the error of the following variables: temperature by 16%, wind by 62%, RH by 35% and rainfall by 87%. Keywords: Ngurah Rai-Bali ,short-range forecast,WRF
PREDIKSI CUACA JANGKA PENDEK MENGGUNAKAN WEATHER RESEARCH AND FORECASTING (WRF) MODEL
I WAYAN SUMERTA YASA
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 2013
Judul Skripsi : Prediksi Cuaca Jangka Pendek Menggunakan Weather Research and Forecasting (WRF) Model Nama : I Wayan Sumerta Yasa NIM : G24090019
Disetujui oleh
Prof Dr Ir Ahmad Bey Pembimbing I
Yopi Ilhamsyah, SSi Pembimbing II
Diketahui oleh
Dr Ir Rini Hidayati, MS Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga tugas akhir ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2013 ini ialah prakiraan cuaca, dengan judul Prediksi cuaca jangka pendek menggunakan Weather Research and Forecasting (WRF) model. Penulis tidak lupa mengucapkan terima kasih kepada semua pihak yang turut membantu dalam penyelesaian tugas akhir ini, terutama kepada: 1 Prof. Dr. Ir. Ahmad Bey dan Bapak Yopi Ilhamsyah, S.Si selaku dosen pembimbing. 2 Bapak Idung Risdiyanto, S.Si M.Sc selaku dosen penguji dan Dr. Ir. Rini Hidayati, MS yang telah memberikan masukan untuk penyempurnaan tulisan ini. 3 Kedua orang tua tercinta yang senantiasa memberikan semangat dan dukungannya dalam penyelesaian tugas akhir ini. 4 Keluarga Besar Departemen Geofisika dan Meteorologi IPB, staff dan seluruh dosen serta teman-teman GFM 46. Terimakasih atas bantuan, doa dan dukungan yang kalian berikan. 5 Terima kasih juga kepada sahabat Cibantengers ( Normi, Lidya, Winda, Dwi Putri, Ika Farah dan Nita) dan teman satu bimbingan (Frinsa, Dwi Putra) atas kebersamaan dan dukungannya, serta semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah memberikan doa sehingga tugas akhir ini dapat diselesaikan. Penulis menyadari tugas akhir ini masih jauh dari sempurna sehingga diharapkan adanya kritikan dan saran dalam penyempurnaan tulisan ini. Semoga tugas akhir ini bermanfaat dan dapat memperkaya ilmu pengetahuan di Indonesia.
Bogor, Juni 2013 I Wayan Sumerta Yasa
DAFTAR ISI DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Manfaat Penelitian
2
TINJAUAN PUSTAKA
2
Prakiraan cuaca
2
Model WRF
3
Prinsip Kerja WRF
4
Uji Analisis Kesesuaian
5
METODE
5
Bahan
5
Alat
6
Prosedur Analisis Data
6
HASIL DAN PEMBAHASAN
8
Karakteristik Wilayah Kajian
8
Komputasi Parameter Model WRF
9
Luaran Model WRF
10
Potensi Luaran Model WRF Dalam Prediksi Cuaca Jangka Pendek
12
Koreksi Luaran Model
15
SIMPULAN DAN SARAN
18
Simpulan
18
Saran
18
DAFTAR PUSTAKA
18
LAMPIRAN
20
RIWAYAT HIDUP
31
DAFTAR TABEL 1 2 3 4
Parameter fisik yang digunakan padaWRF Luaran model WRF yang dianalisis Nilai R2, r dan RMSE luaran WRF untuk suhu ( oC), RH (%), CH (mm) dan angin (m/s). Nilai RMSE model suhu (oC), RH (%) , CH (mm) dan angin (m/s)
9 11 12 16
DAFTAR GAMBAR 1 2 3 4
5 6 7
Komponen sistem WRF Langkah kerja pemprosesan data dari WPS dan pentransferan data ke ARW Domain wilayah kajian (Provinsi Bali) Perbandingan pola suhu, angin dan RH Ngurah Rai-Bali luaran model WRF ( ___ ) dan observasi ( ---- ) (a) domain 1 (4 x 4 km2), (b) domain 2 (1 x 1 km2) Curah hujan (mm) Ngurah Rai-Bali TRMM dan luaran model WRF domain 2 (1x1km2) Curah hujan (mm) Ngurah Rai-Bali luaran model WRF setelah koreksi dan TRMM untuk domain 2 (1x1 km2) Perbandingan pola suhu, angin dan RH Ngurah Rai-Bali antara luaran model WRF setelah dikoreksi ( ___ ) dan observasi ( ---- ) (a) domain 1 (4 x 4 km2), (b) domain 2 (1 x 1 km2)
4 4 9
14 15 17
17
DAFTAR LAMPIRAN 1 2
3
4
5
Diagram alir penelitian Peta luaran model WRF untuk CH setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC. Peta luaran model WRF untuk RH setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC. Peta luaran model WRF untuk suhu setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC. Peta luaran model WRF untuk angin setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC.
20
21
23
26
28
PENDAHULUAN Latar Belakang Kehidupan tidak bisa terlepas dari aktivitas atmosfer khususnya cuaca. Segala kegiatan di luar ruangan akan dipengaruhi oleh kondisi tersebut. Menurut Ahrens (2007), prakiraan cuaca dilakukan dengan tujuan untuk penyelamatan diberbagai bidang kehidupan seperti pertanian. Pengetahuan kondisi cuaca sejak dini akan membantu proses penanggulangan bencana ketika kondisi cuaca ekstrim datang sehingga korban serta kerugian secara ekonomi dapat diminimalisir. Prakiraan cuaca merupakan sebuah nilai inisial. Dalam prakiraannya memerlukan adanya data pengamatan awal yang akan dipergunakan untuk melakukan prediksi cuaca mendatang. Supaya data hasil prakiraan model mendekati kenyataan di lapangan maka harus dimulai dengan observasi terhadap kondisi cuaca sesungguhnya. Proses prakiraan cuaca mulai perkembang dengan ditemukannya komputer. Sekitar pertengahan tahun 1950’an proses prakiraan cuaca masih dilakukan secara manual dalam hal memplotkan dan membuat peta cuaca. Prosesnya meliputi ekstrapolasi menggunakan persamaan linier dan peta cuaca yang dihasilkan berdasarkan data cuaca acuan. Keuntungan penggunaan komputer modern dalam analisis yaitu kapasitas penyimpanan yang lebih besar. Komputer tidak hanya melakukan pemplotan atau analisis data tetapi juga prediksi cuaca. Pemodelan prediksi cuaca terus berkembang mulai dari Numerical Weather Prediction (NWP) merupakan pemodelan yang dilakukan melalui pendekatan numerik untuk menggambarkan fenomena di atmosfer yang kompleks. Penyempurnaan terus dilakukan untuk memperoleh hasil luaran yang diharapkan. Pada tahun 2006 dirilislah Weather Research and Forecasting (WRF) yang mampu dimanfaatkan tidak hanya melakukan prediksi cuaca tetapi juga pemanfaatan dalam analisis siklon dan fenomena cuaca lainnya. Hal terpenting dalam prediksi cuaca yaitu keakuratan. Pengujian luaran model WRF dilakukan melalui pendekatan terhadap nilai inisial. Seperti penelitian Etherton dan Santos 2008, dilakukan kombinasi dalam hal inisialisasi dalam proses prakiraan cuaca yaitu menggunakan Prediction system (LAPS) dan North American Mesoscale model (NAM/Eta model) yang dijalankan pada waktu yang berbeda 06.00 dan 18.00 UTC. Berdasarkan hasil kombinasi inisialisasi dengan WRF ternyata kombinasi WRF dengan LAPS memiliki akurasi yang baik untuk kondisi suhu 2 m, titik embun, angin 10 m dan tekanan permukaan laut bahkan sangat baik untuk curah hujan. Penelitian yang dilakukan Skok et al. (2010), menegaskan kembali bahwa hasil luaran curah hujan model WRF mampu menggambarkan dengan baik kondisi curah hujan ketika hasilnya dibandingkan dengan luaran TRMM 3B42 untuk wilayah kajian samudera pasifik pada lokasi rendah dan midlatitude dari tahun 1998-2008. Meskipun terdapat kondisi hasil luaran model WRF memilki curah hujan yang lebih tinggi dibandingkan TRMM.
2 Tujuan Penelitian Adapun tujuan yang diharapkan dari pelaksanaan penelitian ini yaitu mengkaji potensi keluran model WRF dalam melakukan prediksi cuaca jangka pendek. Manfaat Penelitian Manfaat dari penelitian ini yaitu hasil luaran model WRF dapat dimanfaatkan sebagai terobosan dalam penelitian prediksi cuaca, sehingga lembaga pendidikan mampu melakukan penelitian dan prediksi cuaca secara mandiri di lembaganya. Data luaran model tersebut diharapkan dapat membantu berbagai sektor kehidupan khususnya pertanian.
TINJAUAN PUSTAKA Prakiraan cuaca Merujuk pada Ahrens (2007), Berdasarkan periode atau jangka waktu berlakunya forecast, prakiraan cuaca dapat dikelompokkan menjadi empat kategori yaitu: 1 Very short-range forecast Prakiraan cuaca yang dibuat untuk periode yang sangat singkat tidak lebih dari 6 jam. teknik prakiraannya dilakukan dengan interprestasi hasil observasi permukaan, hasil data satelit dan informasi dari radar. Sistem cuaca dilihat dari kecenderungan dan data histroris yang ada dan dipadukan dengan kemampuan dalam melakukan prakiraan. 2 Short-range forecast Sistem yang lebih lanjut dari very short-forecast dengan periode prakiraan mencapai 12 jam (umunya 2.5 hari atau 60 jam). Tipe ini melibatkan data yang sama dengan prakiraan very short-forecast, ditambah peta cuaca permukaan, angin pada lapisan udara atas. Proses forecasting menggabungkan antara sistem pengolahan komputer dan statistik seperti MOS. 3 Medium-range forecast Prakiraan ini sepenuhnya memanfaatkan kombinasi antara komputer dan statistik (MOS) dalam melakukan prakiraan. Hasil prakiraan dapat dimanfaatkan hingga 3-8.5 hari (200 jam). Seringkali hasil prakiraannya melebihi 3 hari disebut extended forecast. 4 Long-range forecast Prakiraan ini menghasilkan ramalan cuaca yang melebihi 8.5 hari. Seperti yang diketahui semakin panjang periode ramalan maka tingkat akurasinya akan semakin berkurang. Prakiraan cuaca jangka panjang hanya akan memberikan gambaran luasan cakupan dan perubahan unsur cuaca ketika keadaan tidak dalam kondisi normal. Terdapat tiga langkah dalam proses prakiraan cuaca pertama preprocessing, tahapan ini data hasil pengamatan lapang ditransformasikan menjadi grid yang mewakili wilayah pengamatan. Kedua, proses pengolahan
3 untuk melakukan prediksi cuaca kedepan menggunakan bantuan komputer dengan pendekatan secara sistematis. Ketiga post-processing, tahapan ini merupakan koreksi terhadap data luaran model. Melalui koreksi ini diharapkan mampu memberikan gambaran kondisi cuaca ke depan yang hampir mendekati kenyataan di lapangan (Stull 2000). Model WRF Proses prakiraan cuaca tidak bisa dilepaskan dari fenomena-fenomena di atmosfer yang sangat kompleks. Penyederhanaan proses tersebut dilakukan untuk mempermudah pemahaman dan proses prakiraan kedepan baik dalam skala pendek maupun panjang, maka disusunlah suatu model prakiraan yang dianggap mampu mewakili kondisi atmosfer yang terjadi. Menurut Handoko (1994), Model merupakan penyederhanaan dari sistem yang tersusun dari subsistem. Sistem tersusun atas proses-proses yang tersusun secara teratur. Berdasarkan hal tersebut maka model sebenarnya tidak secara sempurna atau pasti menggambarkan fenomena di atmosfer sebab dilakukan asumsi-asumsi supaya proses di atmosfer yang kompleks mampu digambarkan dan menghasilkan angka ramalan semirip mungkin dengan kenyataan di lapangan. Penggunaan asumsi menyebabkan keseluruhan model yang dibangun pasti memiliki error. Proses peramalan cuaca di seluruh dunia secara umum menggunakan model NWP tidak terkecuali Badan Meteorologi, Klimatologi dan Geofisika (BMKG) di Indonesia yang merupakan lembaga independent yang berwenang mengeluarkan prediksi cuaca jangka pendek maupun panjang. Kemajuan teknologi telah mendorong dibangunnya sistem prakiraan cuaca yang lebih simpel, portebel dan dapat dipergunakan untuk riset serta perkembangan ilmu pengetahuan di perguruan tinggi. Pada bulan Juni 2006 dirilislah WRF yang merupakan bagian dari model NWP (Shainer et al. 2009). Model tersebut dibuat atas kerjasama dari beberapa lembaga di Amerika Serikat dan universitas seperti National Center for Atmospheric Research’s (NACR) Mesoscale and Microscale Meteorology (MMM) Division, National Ocenic and Atmospheric Administration’s (NOAA) National Centers for Enviromental Prediction (NCEP) dan Earth System Research Laboratory (ESRL) serta melibatkan Center for Analysis and Prediction of Storms (CAPS) Universitas Oklahoma (Skamarock et al. 2008). Sistem WRF digambarkan dalam WRF Software Framework (WSF) yang membantu dalam memberikan solusi dinamika (multiple dynamics solvers). Secara umum WSF terbagi menjadi dua penyelesiaan yaitu penyelesaian secara dinamika (dynamic solvers) yaitu Advanced Research WRF (ARW) dan Nonhydrostatic Mesoscale Model (NMM). Sifat model WRF yang dirancang fleksibel, state of the art dan mudah dibawa kemana-mana karena dijalankan pada PC atau secara klaster (portebel) merupakan solusi model prakiraan yang murah dan memberikan kemudahan bagi penyedia data prakiraan (Subarna 2008). WRF menggunakan pendekatan parameter fisik dalam melakukan prakiraan cuaca dengan sistem tiga dimensi didasarkan persamaan gerak udara, suhu dan kelembaban. Domain untuk model ini yaitu 1.5 meter di bawah permukaan sampai 20 km di atas permukaan (Prabha dan Hoogenboom 2008).
4 Prinsip Kerja WRF Model WRF dibangun dari beberapa komponen dalam WSF yang menyediakan infrastruktur dalam penyelesaian masalah dinamik dan fisik yang dihadapi, program untuk inisialisasi, WRF-Var dan WRF-Chem. Terdapat dua penyelesaian dinamik dalam WSF yaitu ARW yang dibuat oleh NCAR dan NMM yang dikembangkan oleh NCEP.
Gambar 1 Komponen sistem WRF. Sumber: Scamarock et al. (2008) Proses inisialisasi data dalam WRF berlangsung secara terpisah pada praproses yang disebut WPS (WRF Preprocessing System). Input data WPS pada ARW merupakan gambaran 3D (tiga dimensi) wilayah kajian yang terdiri atas suhu, kelembaban relatif (RH) dan gambaran statistik 2D (dua dimensi) yang terdiri atas albedo, parameter coriolis, elevasi ketinggian, vegetasi/penggunaan lahan, daratan/air, faktor skala peta, map rotation angle, kategori tekstur tanah, fraksi kehijauan vegetasi, suhu rata-rata harian serta posisi geografis. Gambaran 2D lainnya dari faktor luar yaitu tekanan permukaan dan laut, suhu lapisan tanah dan kelembaban tanah, kedalaman salju, suhu permukaan, suhu permukaan laut dan pembentukan es di lautan (Scamarock et al. 2008).
Gambar 2
Langkah kerja pemprosesan data dari WPS dan pentransferan data ke ARW. Sumber: Scamarock et al. (2008).
5 Uji Analisis Kesesuaian Luaran model perlu dilakukan proses validasi terhadap kondisi observasi di stasiun pengamatan cuaca. Seperti yang dilakukan Ristanti (2009) dan Muttaqin (2011) dalam penelitiannya tentang pemanfaatan model NWP sebagai prakiraan cuaca jangka pendek dilakukan uji statistik dengan Model Output Statistics (MOS). Hasil akhir MOS merupakan suatu persamaan regresi linier berganda yang mengkaitkan hubungan antara prediktan (nilai observasi) dengan prediktor (parameter luaran model). Pemilihan prediktor yang tepat merupakan kunci utama dalam pemanfaatan MOS. Hasil prakiraan yang sering dikeluarkan oleh BMKG berfokus pada data curah hujan (CH), Kelembaban relatif (RH), suhu (T) baik itu suhu maksimum (Tmax) maupun suhu minimum (Tmin). Penelitian terdahulu yang dilakukan Muttaqin (2011) yang mengkombinasikan hasil penelitian Cavaros (2002); Sutikno (2008); Ristanti (2009) di lima wilayah Indonesia dengan tipe hujan berbeda ( Pontianak, Pekanbaru, Semarang, Surabaya dan Palu) menjelaskan bahwa prediktor yang memiliki korelasi tinggi terhadap CH yaitu kelembaban relatif dan komponen angin vertikal. Nilai CH memiliki komponen persamaan regresi berganda yang lebih kompleks dibandingkan dengan RH , Tmax dan Tmin yang hanya dipengaruhi oleh satu atau dua prediktor variabel permukaan saja. Hubungan antara dua peubah dapat dijelaskan melalui suatu nilai yang disebut koefisien korelasi. Nilainya menggambarkan keterkaitan hubungan antara dua buah variabel peubah acak atau dengan kata lain memperlihatkan penggerombolan titik-titik sekitar garis lurus. Korelasi dikatakan positif bila titiktitik sampel menggerombol mengikuti garis lurus dan memiliki kemiringan positif dan berlaku sebaliknya untuk korelasi negatif.
METODE Penelitian ini dilaksanakan di Laboratorium Meteorologi dan Pencemaran Atmosfer, Departemen Geofisika dan Meteorologi, Institut Pertanian Bogor. Proses pengumpulan dan pengolahan data berlangsung dari bulan Februari sampai Mei 2013. Model WRF merupakan model utama yang dipergunakan untuk melakukan prediksi cuaca jangka pendek dalam penelitian ini dengan wilayah kajian Provinsi Bali. Domain yang dipergunakan sebanyak 2 buah dengan ukuran 4 x 4 km2 dan 1x1 km2. Potensi luaran model akan dilihat dari nilai koefisien korelasi dan RMSE terhadap data observasi. Bahan Data yang dipergunakan dalam penelitian ini diperoleh dari website NOAA, dengan alamat nomad.ncep.noaa.gov/pub/data/nccf/com/gfs/prod/ dengan rentang waktu 6 jam. Format data yang dipergunakan adalah gfs.t00z.pgrbf00.grib2. Data format grib 2 tersebut merupakan data forecast global yang dikeluarkan oleh Global Forecasting System (GFS) yang berisi datadata parameter cuaca atau iklim seperti suhu udara, kelembaban udara, radiasi surya, tekanan dan lainnya. Data tersebut akan dipergunakan dalam melakukan prediksi cuaca jangka pendek selama 3 hari (72 jam) menggunakan model WRF.
6 Data pembanding diunduh dari www.wunderground.com untuk suhu (T), angin dan kelembaban relatif (RH) sedangkan data curah hujan (CH) diunduh dari http://mirador.gsfc.nasa.gov/ untuk data per-tiga jam, selama 3 hari (26 Januari 2013 00.00 UTC sampai 29 Januari 2013 00.00 UTC). Alat Peralatan yang dipergunakan untuk menunjang pelaksanaan penelitian ini yaitu seperangkat komputer atau laptop dengan program Microsoft Office dan Linux. Perangkat lunak VMwave Player yang dipergunakan untuk menjalankan program WRF dan perangkat lunak GRADS untuk membuat pemetaan prakiraan cuaca secara spasial. Perangkat lunak Ferret dipergunakan untuk membaca nilai TRMM dalam format file nc.
Prosedur Analisis Data Prosedur analisis data untuk menguji potensi keluran model WRF sebagai prediksi cuaca jangka pendek dijabarkan sebagai berikut: 1
2
Pengolahan data TRMM 3B42 ( interval 3 jam) bertujuan untuk mendapatkan data estimasi curah hujan observasi wilayah validasi Ngurah Rai-Bali, selama 3 hari (26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC) Pengolahan data menggunakan WRF melalui tiga tahapan yaitu preprocessing, processing dan post-processing. a Pre-processing Pre-processing adalah tahap persiapan data untuk proses simulasi WRF yang dilakukan pada WRF Wizard. Prosesnya meliputi inisialisasi parameter dan pemotongan wilayah kajian. Wilayah kajian difokuskan kepada Provinsi Bali yang terletak 8o3’40’’- 8o50’48’’ LS dan 114o25’53’’- 115o42’40’’ BT. Dalam penelitian ini dipergunakan dua domain masing-masing berukuran 4 x 4 km2 untuk domain 1 dan 1 x 1 km2 untuk domain 2, dengan data geografis 2 menit. Simulasi dilakukan selama tiga hari (26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC). Merujuk pada Ahrens (2007) prakiraan cuaca jangka pendek (short-range forecast) biasanya dilakukan 2.5 hari atau 60 jam. Hasil output tahap ini berupa data “namelist.input” yang akan dipergunakan sebagai inputan dalam tahap processing pada model WRF. b Processing Tahapan ini merupakan pemrosesan data “namelist.input” yang dihasilkan pada pre-processing. Model WRF mengolah file tersebut menjadi data-data variabel cuaca dan iklim disesuaikan dengan jenis inisialisasi parameter dan pemotongan wilayah kajian pada tahap preprocessing. Pada tahapan ini, WRF akan menginputkan data cuaca dan iklim wilayah kajian sesuai dengan letak geografis yang telah
7 dibuat di file “tslist”. Data hasil luaran WRF disimpan dalam file berformat “ts” yang bisa dibaca pada Wordpad dan file “wrfout” yang dibaca dengan GRADS untuk pemetaan hasil luaran WRF. Persamaan yang dipergunakan dalam model WRF itu sendiri meliputi beberapa persaman utama sebagai berikut (Scamarock et al. 2008) Persamaan konservasi momentum = -2Ω x -
+ +
p
r …………………………………
(1)
persamaan 1 mengasumsikan bahwa gaya yang bekerja di atmosfer hanya gaya gradien tekanan, gravitasi dan gaya friksi ( r ) sedangkan adalah gaya sentrifugal yang digabungkan dengan gravitasi. Jika Persamaan 1 dituliskan dalam koordinat spherical maka persamaannya menjadi seperti berikut: -
-
-
-
+ Frx………( 1.1 )
-
+ Fry…………………...( 1.2 )
-
+ Frz…………………..( 1.3 )
Persamaan energi termodinamik = -u
-v
+ (γ-γd)w +
………………………….( 2 )
Persamaan konservasi massa = -u
= -u
-v
-v
-w
-w
–ρ(
+
+
)………………….( 3 )
+ Qv…………………………....( 4 )
Persamaan status p = ρRdT………………………………………………….( 5 ) persamaan 1.1 - 5 didukung oleh beberapa variabel meteorologi yaitu komponen (u, v, w) adalah komponen kecepatan pada sumbu (x, y, z), tekanan ( p ), massa jenis ( ρ ), suhu (T), frekuensi rotasi bumi (Ω), lintang (ϕ), suhu lapse rate (γ), dry adiabatik lapse rate (γd), panas udara spesifik pada tekanan konstan (cp), kehilangan panas (H), gaya friksi ( Fr ), perubahan fase air (Qv) serta kelembaban spesifik (qv).
8 c
3
4
5
6
7
Post-processing Tahapan ini merupakan tahapan akhir dalam proses pengolahan data WRF meliputi mengambilan data luaran model WRF untuk dilakukan pengolahan lebih lanjut yaitu menyesuaikan data luaran WRF dengan data observasi menjadi interval 3 jam.
Penelitian ini hanya mengkaji 4 variabel cuaca yaitu suhu, angin, CH dan RH. Model WRF tidak mengeluarkan data RH sehingga perlu dilakukan pendekatan secara matematis untuk memperoleh nilai RH dengan memanfaatkan variabel lain yang merupakan luaran model WRF seperti nilai mixing ratio, tekanan, suhu. Membandingkan hasil luaran model WRF (Ngurah Rai) dengan data observasi yang diperoleh dari www.wunderground.com untuk nilai RH, angin dan T. http://mirador.gsfc.noaa.gov untuk nilai CH yang data observasinya diolah terlebih dahulu dengan Ferret. Potensi luaran model akan dilihat dari nilai RMSE dan korelasi. Meminimalisasi error dengan bantuan solver pada Microsoft Excel . Solusi yang dipergunakan yaitu dengan membuat persamaan yang mampu mendekatkan nilai luaran model dengan observasi. Jenis persaman yang dipilih dilihat dari nilai R2 tertinggi yang dihasilkan. Efektivitas pemanfaatan solver dilihat dari nilai RMSE yang dihasilkan setelah dilakukan koreksi dan dibandingkan dengan RMSE sebelum koreksi. Memplotkan Grafik untuk melihat pola masing-masing variabel (suhu, angin, CH dan RH) dan dibandingkan dengan pola data observasi. Hal serupa juga dilakukan untuk variabel tersebut setelah dilakukan koreksi. Pembuatan peta hasil luaran WRF menggunakan data “wrfout” untuk suhu, angin, CH dan RH interval 6 jam selama 3 hari (26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC) dengan bantuan GRADS untuk wilayah Provinsi Bali domain 2.
HASIL DAN PEMBAHASAN Karakteristik Wilayah Kajian Bali sebagai salah satu dari 33 Provinsi yang terdapat di Indonesia. Secara geografis terletak 8o3’40’’- 8o50’48’’ LS dan 114o25’53’’- 115o42’40’’ BT. Provinsi Bali terdiri dari delapan kabupaten dan satu kotamadya, dengan luas 5634,40 ha. Topografinya memiliki keistimewaan pada bagian tengah-tengah pulau terbentang pengunungan yang memanjang dari barat ke timur. Pegunungan tersebut merupakan pegunungan berapi yang aktif. Dampak dari hal tersebut mengakibatkan wilayah Bali Utara memiliki karakteristik wilayah dataran rendah sempit dari kaki perbukitan dan pengunungan sedangkan Bali Selatan memiliki dataran rendah luas dan landai. Kemiringan lahan terklasifikasi menjadi tiga kategori yaitu 0 – 2 %, 15- 40% dan 40 %. Kemiringan lahan bervarisai mengikuti keistimewaan topografinya dari selatan hingga ke utara ( Pemda Bali 2009).
9
Gambar 3 Domain wilayah kajian (Provinsi Bali) Penelitian ini mengambil 2 domain untuk wilayah kajian provinsi Bali. Pemotongan tersebut dilakukan untuk mempermudah analisis dari data global yang diinputkan ke dalam sistem WRF sehingga kajian menjadi lebih spesifik. Domain pertama merupakan representasi gambaran pulau Bali dengan ukuran grid 4 x 4 km2 berjumlah 851 grid sedangkan domain kedua ukuran gridnya lebih kecil yaitu 1 x 1 km2 jumlahnya 12816 grid. Hal tersebut dilakukan untuk memperoleh hasil luaran model yang lebih baik dan diharapkan mampu mewakili kondisi sesungguhnya di lapangan (data observasi). Komputasi Parameter Model WRF Pemanfaatan WRF sebagai alat bantu dalam melakukan prediksi cuaca tidak secara keseluruhan mampu menggambarkan kondisi atmosfer. Pada akhirnya akan terdapat error terhadap luaran model WRF. Pada penelitian ini komputasi parameter WRF difokuskan pada bagian fisik. Proses ini merupakan pemberian kategori parameter dalam proses pengolahan pada WRF. Pemberian kategori parameter akan membantu WRF dalam melakukan pemanggilan fungsi persamaan untuk merepresentasikan kategori yang dipilih. Hal tersebut akan mempermudah dalam melakukan penggambaran kondisi atmosfer yang sangat dinamis. Pemilihan parameter komputasi fisik pada Tabel 1, merupakan hasil poses ujicoba terhadap beberapa parameter komputasi fisik pada WRF. Pada akhirnya dipilihlah kombinasi parameter fisik sesuai Tabel 1 yang memiliki luaran model terbaik dan mampu menggambarkan kondisi wilayah kajian. Tabel 1 Parameter fisik yang digunakan padaWRF Parameter Keterangan 1 mp_physic WRF single-moments 6-class (WSM6) cu_physics2 Kain-Fritsch 3 sf_surface_physics NOAH sf_sfclay_physics3 MM5 Similarity bl_pbl_physics4 YSU ra_lw_physics5 Rapid Radiative Transfer ra_sw_physics5 Dudhia 1 Microphysics; 2 Cumulus parameterizations; 3 Surface physics; 4 Planetary boundary layer physics; 5 Atmospheric radiation physics
10 Model parameter fisik pada WRF berjumlah lima. Satu model menggambarkan kondisi teresterial (surface physics) dan sisanya menggambarkan kondisi atmosfer. Surface physics melibatkan model permukaan lahan multi-layer yang terdiri dari model termal dan model kelembaban vegetasi serta tanah termasuk didalamnya salju dan es di lautan. NOAH dan MM5 similarity adalah sub parameter yang terdapat pada surface physics. NOAH lebih ditekankan kepada skema kelembaban dan penutupan kanopi tanah hingga 4 layer sedangkan MM5 similarity lebih ditekankan kepada fungsi stabilitas untuk menghitung koefisien pertukaran permukaan untuk panas, kelembaban dan momentum. Microphysics merupakan skema fisika sederhana yang menunjukkan proses fase pencampuran. Pemilihan parameter WSM 6 menjelaskan jumlah variabel kelembaban yang terlibat yaitu uap, hujan, salju, awan es, awan air dan graupel, yang melibatkan proses fase es dan fase pencampuran. Atmospheric radiation physics menjelaskan model radiasi yang terjadi di atmosfer baik itu gelombang panjang maupun gelombang pendek. Parameter fisik radiasi gelombang panjang dipergunakan Rapid Radiative Transfer, skema ini mewakili proses gelombang panjang yang mempertimbangkan pengaruh uap air, ozon, CO2, dan jejak gas serta kedalaman awan. Skema fisik radiasi gelombang pendek menggunakan sub parameter Dudhia yang menggambarkan keterkaitan radiasi yang jatuh dengan fluks matahari, hamburan udara, absorbsi uap air dan albedo awan. Planetary boundary layer physics menggunakan YSU dengan penekanan pada skema K non lokal dengan lapisan eksplisit entraintment. Model atmosfer yang terakhir yaitu Cumulus parameterizations adalah skema fluks massa untuk pemodelan skala meso. Skema konveksi subgrid menggunakan pendekatan fluks massa dan downdrafts serta menghilangkan pengaruh CAPE. Pemilihan parameter fisik tersebut berdasarkan penelitian yang dilakukan sebelumnya seperti Etherton dan Santos (2008) dalam menguji sensivitas forecast WRF terhadap kondisi di Florida Selatan. Parameter cu_physics yang lain, hasil penelitian Santriyani et al.[tahun tidak diketahui] menggambarkan bahwa pemberian parameter Grell Devenyi hanya cukup baik menggambarkan kondisi hujan ekstrim. Ming Hu et al.(2010) dalam penelitiannya menegaskan planetary boundary layer YSU menghasilkan bias yang kecil dibandingkan dengan parameter boundary lainnya. Proses prakiraan cuaca dengan model WRF pada umumnya melakukan modifikasi pada bagian parameter fisik tersebut dengan melakukan kombinasi antar parameter fisik atau bahkan langsung menggunakan salah satu dari sekian pilihan yang terdapat pada bagian parameter fisik. Ihshaish et al.(2012) menerangkan pemilihan parameter fisik perlu dipertimbangkan sebab akan mempengaruhi akurasi dari proses prediksi cuaca. Hasil luaran model WRF tentunya akan dipengaruhi oleh parameter fisik yang dipergunakan. Luaran Model WRF Pemanfaatan model WRF sebagai alat yang dipergunakan dalam penelitian ini tidak hanya dapat digunakan dalam proses prakiraan cuaca jangka pendek saja. Data hasil luaran model WRF dapat dimanfaatkan dalam berbagai kehidupan misalnya analisis siklon, kejadian hujan es seperti penelitian yang dilakukan Prabha dan Hoogenboom (2008).
11 Pengolahan data pada WRF seperti yang telah dijelaskan sebelumnya melalui tiga tahapan yaitu yaitu pre-processing, processing dan post-processing. Ketika pre-processing dihasilkan data inisialisasi grid yang menunjukkan kombinasi dari masukan data meteorologi yang berformat grib2 dan informasi data teresterial yang terdapat pada WRF wizard sesuai dengan pemotongan dan domain wilayah kajian yang dikehendaki. Pengolahan data ini sepenuhnya dilakukan pada WPS. Scamarock et al. (2008), menerangkan bahwa pada tahapn ini dihasilkan data 3D (suhu dan kelembaban relatif) dan 2D seperti data albedo, parameter coriolis, elevasi ketinggian, vegetasi/penggunaan lahan, daratan/air, faktor skala peta, map rotation angle, kategori tekstur tanah, fraksi kehijauan vegetasi, suhu rata-rata harian, posisi geografis, tekanan permukaan dan laut, suhu lapisan tanah dan kelembaban tanah, kedalaman salju, suhu permukaan, suhu permukaan laut dan sea ice flag. Keseluruhan informasi tersebut dipergunakan sebagai masukan pada tahapan processing. Tahapan ini memproses dan memanggil persamaan sesuai dengan parameter komputasi yang telah dibuat sebelumnya pada tahapan pre-processing. Luaran data langsung dimasukkan ke dalam file format “ts” dan disesuaikan dengan kota/wilayah yang ingin dikaji secara spesifik. Data format “ts” sebelum dianalisis lebih lanjut diubah terlebih dahulu ke Wordpad untuk mempermudah pengolahan pada Microsoft Excel. Postprocessing merupakan tahapan akhir untuk memudahkan penyampaian informasi prediksi cuaca yang dihasilkan kepada pengguna dalam bentuk gambar/peta. Tabel 2 Luaran model WRF yang dianalisis Kode
Keterangan
t q u v psfc rainc
Suhu 2 meter (K) Mixing ratio 2 meter (kg/kg) Angin zonal 10 meter (m/s) Angin meridional 10 meter (m/s) Tekanan Permukaan (Pa) Curah hujan (mm)
Hasil luaran model WRF merupakan parameter cuaca yang sangat penting dipergunakan dalam analisis mengenai kondisi atmosfer. Pendekatan secara matematis dapat dilakukan jika beberapa parameter yang diinginkan dalam analisis tidak tersedia pada luaran model WRF dengan memanfaatkan nilai luaran yang telah ada. Misalnya untuk mencari nilai RH yang tidak dikeluarkan WRF maka dapat dilakukan pendekatan secara matematis dengan memanfaatkan nilai mixing ratio, suhu dan tekanan yang dikeluarkan oleh WRF, sehingga parameter yang diharapkan dapat diperoleh. Penelitian ini tidak memanfaatkan keseluruhan data luaran model WRF. Data luaran yang dipergunakan terlihat pada Tabel 2. Mixing ratio, suhu dan tekanan permukaan dipergunakan sebagai pendekatan dalam mencari nilai RH. Kecepatan angin diperoleh dari informasi angin zonal dan meridional yang dikeluarkan WRF. Jika mengacu kepada BMKG, data forecast yang biasanya dikeluarkan kepada publik secara umum adalah data suhu, curah hujan, angin dan RH untuk setiap harinya dengan memanfaatkan media cetak maupun elektronik.
12 Berdasarkan hal tersebut maka dalam penelitian ini kajian parameter hanya akan difokuskan kepada keempat parameter tersebut. Hal tersebut bertujuan untuk mempermudah dalam melakukan analisis hasil luaran model WRF itu sendiri. Potensi Luaran Model WRF Dalam Prediksi Cuaca Jangka Pendek Pengujian kesesuaian luaran Model WRF dengan observasi hanya dilakukan terhadap lokasi pengamatan Bandara Ngurah Rai Bali yang secara geografis terletak pada 8.74 LS dan 115.16 BT dengan kode WMO 97230. Alasan dipergunakan data stasiun ini, terkait peran dari bandara Ngurah Rai sebagai jalur lalu lintas udara yang sangat padat sehingga prakiraan cuaca sangat diperlukan terkait keselamatan penerbangan. Pemplotan antara model WRF dan observasi dilakukan dengan tujuan memperoleh suatu persamaan yang akan dipergunakan dalam koreksi untuk pendekatan nilai luaran model dengan data observasi. Diasumsikan jika data luaran model WRF untuk validasi Ngurah Rai telah menghasilkan data yang baik maka luaran datanya juga dapat menggambarkan kondisi cuaca kabupaten dan kota yang ada di Bali khususnya dalam jangka pendek. Tabel 3 Nilai R2, r dan RMSE luaran WRF untuk suhu (oC), RH (%), CH (mm) dan angin (m/s). Domain R2 1 0.44 Suhu 2 0.43 1 0.29 RH 2 0.32 1 0.39 CH 2 0.39 1 0.28 Angin 2 0.32 *p-value 5% kecuali RH
Variabel
r* 0.65 0.65 0.04 0.04 0.62 0.62 0.49 0.51
RMSE 1.11 1.09 7.52 7.63 0.84 0.84 3.40 3.40
Potensi luaran model dalam prediksi cuaca jangka pendek dilihat dari nilai korelasi dan RMSE. Nilai determinasi hanya dipergunakan untuk memilih suatu persamaan yang dapat mendekatkan nilai data model dengan data pembanding. Setelah dilakukan pemplotan antara data model (sumbu X) dan data pembanding (sumbu Y) ternyata persamaan polinomial orde tiga yang memiliki nilai determinasi terbesar dibandingkan dengan model persamaan yang lain. Tabel 3 memperlihatkan bahwa nilai koefisien determinasi antara keempat variabel yang merupakan luaran WRF ternyata memiliki nilai perbedaan yang cukup besar. Jika ditinjau dari domain yang lebih spesifik pemberian domain ternyata berpengaruh cukup signifikan dalam meningkatkan nilai koefisien determinasi variabel khususnya untuk RH dan angin sedangkan suhu mengalami penurunan. Suhu memiliki nilai koefisien determinasi yang lebih besar dibandingkan ketiga variabel yang lain tetapi nilai korelasinya tidak berbeda jauh dengan CH. Walpole (1993) menerangkan nilai koefisien korelasi menggambarkan keeratan hubungan antara variabel X dan variabel Y atau dalam penelitian ini keeratan hubungan
13 antara data luaran model dengan observasi. Data luaran model WRF untuk suhu dan CH memiliki koefisien korelasi terbesar lebih dari 0.6 dibandingkan dengan variabel yang lain dengan nilai p-value sebesar 5%. Berdasarkan hal tersebut pengembangan prakiraan suhu dan CH suatu wilayah dengan WRF memiliki peluang yang sangat besar untuk dikembangkan. Nilai RMSE untuk keempat variabel ternyata tidak memiliki berbedaan yang besar antara domain satu dan dua. Penurunan nilai RMSE untuk ukuran domain yang lebih spesifik hanya mempengaruhi nilai RMSE variabel suhu sedangkan pemberian domain yang lebih spesifik pada variabel RH meningkat kan nilai RMSE. Pada variabel angin dan CH domain yang lebih spesifik tidak mengubah nilai RMSE. Prabha dan Hoogenboom (2008) dalam penelitiannya memperoleh nilai RMSE untuk suhu 2 m dengan nilai rata-rata lebih dari 2 oC dan sudah dikatakan baik tetapi nilai koefisien korelasinya melebihi 0.9. Jika dibandingkan dengan nilai RMSE penelitian ini, berarti akurasi model yang dihasilkan masih termasuk kategori yang baik khususnya untuk suhu dengan nilai RMSE dibawah 1.5 oC tetapi nilai korelasi masih rendah sekitar 0.6 untuk suhu dan CH. Nilai RMSE menurut Wilks DS (1995) menggambarkan akurasi dari suatu sistem prakiraan. Nilai RMSE merupakan akar dari nilai MSE ( Mean Square Error). Suatu forecast dikatakan baik jika memiliki nilai RMSE yang hampir mendekati nol. Jika nilainya semakin besar mengindikasikan forecast yang dihasilkan kurang baik. Penggunaan MSE untuk melihat error forecast lebih baik daripada MAE (Mean Abslote Error) walaupun keduanya sama-sama dipergunakan dalam proses akurasi forecast pada perhitungan skalar. Hal tersebut karena penggunaan kuadrat pada persamannya maka MSE lebih sensitif terhadap error yang besar dibandingkan dengan MAE. Merujuk pada hal tersebut, luaran model WRF sebenarnya telah mampu menggambarkan kondisi cuaca wilayah kajian tetapi belum secara sempurna. Untuk meningkatkan akurasi model maka diperlukan suatu solusi yang mampu mendekati nilai luaran model WRF dengan data observasi di lapangan yang terukur pada stasiun pengamatan. Diharapkan melalui pemberian solusi tersebut nilai RMSE dapat dikurangi dan tingkat akurasi model dapat lebih ditingkatkan. Jika melihat pola persebaran suhu, angin dan RH antara kedua domain memiliki pola yang hampir serupa. Hal itu menandakan bahwa pemberian domain yang lebih spesifik tidak mempengaruhi luaran model WRF. Nilai ketiga variabel memiliki fluktuasi harian yang sangat besar. Hal tersebut terjadi karena wilayah kajian berada di wilayah tropis yang memiliki fluktuasi khususnya untuk suhu dan RH yang besar secara diurnal dibandingkan dengan variasi musimannya. Nilai RH (kelembaban relatif) tidak menggambarkan jumlah uap air di udara melainkan rasio antara mixing ratio aktual dan mixing ratio jenuh terhadap air pada suhu dan tekanan sama. Dapat pula dinyatakan sebagai rasio antara tekanan uap aktual dengan tekanan uap jenuh. Nilai rasio tersebut mengindikasikan jumlah maksimum uap air yang diperlukan untuk menjenuhkan udara. Kondisi angin selama tiga hari mulai dari tanggal 26 Januari 2013 pukul 11.00 LT berdasarkan data observasi, dominan berasal dari barat daya dengan kecepatan 0-6 m/s sedangkan data luaran model kecepatan angin berkisar 2-11 m/s dengan arah dominan yang sama dengan data observasi (Lampiran 5) untuk wilayah validasi
14 Ngurah Rai. Hal tersebut menunjukkan data angin luaran model WRF memiliki nilai lebih tinggi dibandingkan dengan data observasi.
(a)
(b)
Gambar 4 Perbandingan pola suhu, angin dan RH Ngurah Rai-Bali luaran model WRF ( ___ ) dan observasi ( ---- ) (a) domain 1 (4 x 4 km2), (b) domain 2 (1 x 1 km2) Perlu diketahui bahwa model WRF menghasilkan nilai CH kumulatif sehingga untuk memperoleh data dengan interval 3 jam maka dilakukan penyesuaian terlebih dahulu agar data yang diperoleh hanya menggambarkan kondisi setiap tiga jam tanpa adanya akumulasi CH. Proses validasi menggunakan data TRMM 3B42 dengan interval waktu per 3 jam. Nilai CH keluran WRF yang bernilai dibawah 0.5 mm diasumsikan tidak terjadi hujan. Data TRMM yang dipergunakan memiliki resolusi horizontal 0.25 x 0.25 derajat atau 27.83 x 27.83 km2. TRMM memanfaatkan sensor PR ( Radar Precipitation ) dan TMI ( TRMM Microwave Imager ) dalam mengambil data hujan (Levina et al. 2008). Juaeni
15
CH (mm)
(2010), menerangkan data TRMM memiliki beberapa keunggulan yaitu cakupan wilayahnya luas, kemampuan memetakan variasi curah hujan spasial dan temporal dan resolusi data curah hujan hingga 5 km. Sama seperti hasil luaran RH, angin dan suhu, model WRF tidak secara sempurna mampu menggambarkan kondisi CH pada wilayah kajian untuk validasi yaitu Ngurah Rai. Kondisi CH untuk Ngurah Rai pada 26 Januari 2013 pukul 11.00 LT-29 Januari 2013 pukul 08.00 LT didominasi tidak terjadi hujan terlihat dari data luaran model WRF dan TRMM walaupun terdapat pengecualian untuk waktu-waktu tertentu dengan intensitas hujan yang tidak begitu besar. Skok et al. (2010) dalam penelitian menjelaskan terdapat nilai CH yang lebih besar pada luaran model WRF dibandingkan dengan data TRMM. Ketika dianalisis ternyata hal tersebut dikarenakan masa hidup obyek CH pada TRMM lebih pendek dibandingkan dengan simulasi WRF, pola pergerakan yang berbeda antara TRMM (Timur dan Barat) dengan WRF (dominan ke Barat) dan pola lintasan yang lebih halus pada model WRF dibandingkan dengan TRMM. Setelah diamati ternyata nilai CH untuk domain 1 dan 2 sama sehingga yang ditampilkan ( Gambar 5 ) hanya domain 2 yang telah mampu mewakilkan kondisi pada domain 1. Jika mengacu Olson et al.(2012) dalam penelitiannya terhadap prediksi curah hujan di Alaska menjelaskan bahwa prediksi cuaca untuk curah hujan lebih akurat jika dihitung akumulasinya dibandingkan secara hari per hari. 3.5 3 2.5 2 1.5 1 0.5 0 1114172023 2 5 8 1114172023 2 5 8 1114172023 2 5 8 26-Jan-13
27-Jan-13
28-Jan-13
29-Jan13
Time (LT) model
TRMM
Gambar 5 Curah hujan (mm) Ngurah Rai-Bali TRMM dan luaran model WRF domain 2 (1x1km2) Koreksi Luaran Model Model merupakan penyederhanaan dari sistem. Jika dikaji secara mendalam keseluruhan dari proses yang terjadi di atmosfer tidak secara sempurna dapat digambarkan oleh model. Mengingat keterbatasan dari model dengan berbagai asumsi yang mempermudah dalam tahapan analisis lanjut mengakibatkan luaran model tidak dapat secara sepenuhnya menghasilkan luaran yang sangat mirip dengan kondisi sebenarnya di lapangan. Oleh karena itu, diperlukan adanya koreksi terhadap hasil luaran model sehingga hasil yang
16 dikeluarkan model memiliki nilai yang hampir mirip dengan kondisi di lapangan atau data observasi. Hal yang sama dilakukan dalam penelitian ini. Berdasarkan uraian sebelumnya nilai yang dikeluarkan model belum cukup baik menggambarkan kondisi atmosfer (data observasi). Solusi yang dipergunakan dalam pendekatan nilai model WRF dengan data observasi yaitu dengan mengubah konstanta yang dihasilkan ketika melakukan pemplotan antara data model WRF pada sumbu X dan data observasi pada sumbu Y. Persamaan hasil pemplotan antara data model WRF dan observasi merupakan persamaan polinomial orde tiga, sehingga persamaan tersebut memiliki empat konstanta yang akan diubah dengan bantuan Solver pada Microsoft Excel. Diharapkan dengan mengubah keempat konstanta tersebut dapat dihasilkan persamaan baru yang mampu mendekati luaran model dengan data observasi bahkan sama persis dengan nilai observasi. Tabel 4 Nilai RMSE model suhu (oC), RH (%) , CH (mm) dan angin (m/s)
Model Suhu RH CH Angin
RMSE Domain Sebelum Setelah koreksi koreksi 1 1.11 0.93 2 1.09 0.93 1 7.52 5.20 2 7.63 4.93 1 0.84 0.11 2 0.84 0.11 1 3.40 1.30 2 3.40 1.30
Solver merupakan tool yang terdapat pada Microsoft Excel yang dapat dipergunakan secara gratis. Solver dikembangkan oleh Frontline Systems Inc. Tool ini mampu memberikan perubahan pada beberapa cell (konstanta pada persamaan) agar memiliki nilai yang nantinya mampu mendekatkan nilai data model dengan data observasi. Sistem kerjanya yaitu mengevaluasi setiap nilai hasil persamaan sesuai dengan target cell yang telah ditentukan dan mengubah nilai konstanta (changing cell). Penggunaan matrik partial derivatives digunakan untuk menentukan gradien respon inputan dan mengubah nilai-nilai changing cell (konstanta) mendekati nilai observasi (Billo 2007). Penggunaan solver sebagai solusi persamaan memiliki peranan yang baik dalam mendekatkan nilai model dengan data observasi. Nilai RMSE keempat variabel yang dihasilkan model dapat diperkecil. Pengurangan RMSE suhu sebesar 16 %, RH 35 %, angin 62% dan CH mencapai 87%. Pemberian domain yang lebih spesifik berpengaruh terhadap pengurangan RMSE khususnya pada nilai RH yang dihasilkan oleh WRF setelah dilakukan pemberian solusi pada solver. Berdasarkan hal tersebut kombinasi antara penggunaan prakiraan cuaca dengan WRF dan penyelesaian solusi dengan solver merupakan kombinasi yang baik dalam proses prakiraan cuaca jangka pendek karena meningkatkan akurasi luaran model.
17
Gambar 6 Curah hujan (mm) Ngurah Rai-Bali luaran model WRF setelah koreksi dan TRMM untuk domain 2 (1x1 km2)
(a)
(b)
Gambar 7 Perbandingan pola suhu, angin dan RH Ngurah Rai-Bali antara luaran model WRF setelah dikoreksi ( ___ ) dan observasi ( ---- ) (a) domain 1 (4 x 4 km2), (b) domain 2 (1 x 1 km2)
18
SIMPULAN DAN SARAN Simpulan Pemanfaatan WRF sebagai alat untuk melakukan prediksi cuaca jangka pendek memiliki peluang besar untuk dikembangkan. Luaran model WRF yang memiliki keterkaitan yang besar dengan data observasi yaitu CH dan suhu. Penggunakan kombinasi solver terbukti mampu menurunkan nilai RMSE luaran model WRF baik itu untuk nilai CH, RH, angin dan suhu. Pengurangan nilai RMSE terbesar terjadi pada nilai CH. Saran Penelitian ini memiliki potensi untuk dikembangkan kedepannya. Penulis menyarankan untuk membangun komputer klaster dengan kapasitas penyimpanan yang lebih besar untuk melakukan penjalanan program dalam prediksi cuaca. Dalam penelitian ini penjalanan program dilakukan dengan menggunakan PC umum sehingga memerlukan waktu yang lama dalam penghasilkan nilai luaran. Pemilihan parameter fisik yang sesuai perlu dipertimbangkan agar dapat menghasilkan luaran model yang mirip dengan kondisi di lapangan (data observasi).
DAFTAR PUSTAKA Ahrens CD. 2007. Meteorology Today. Ed ke-8. USA (US): Thomson Brooks/Tole. Billo EJ.2007. Excel for Scientists and Engineers Numerical Method. USA (US): A John Wiley and Sons Inc. Cavaros T, Hewitson B.2002. Relative performance of empirical predictors of daily precipitation. Lugano,Zwietzerland. 2:349-354. Etherton B,Santos P.2008.Sensivity of WRF forecasts for South Florida to initial conditions.American Meteorological Society.23:725740.doi:10.1175/2007WAF2006115.1. Handoko.1994. Dasar Penyusunan dan Aplikasi Model Simulasi Komputer untuk Pertanian. Bogor (ID): Departemen Geofisika dan Meteorologi, IPB. Ihshaish H, Cortes A, Senar MA.2012.Towards improving numerical weather predictions by evolutionary computing techniques. Procedia Computer Science.9:1056-1063.doi:10.1016/j.procs.2012.04.114. Juaeni I.2010.Pengembangan Pemanfaatan Data TRMM untuk Menunjang Ketahanan Pangan. Bandung (ID): LAPAN. Levina, Fauzi M, Diniyah R, Windatiningsih D.2008. Korelasi data hujan dari POS hujan dengan citra TRMM. Kolokium Hasil Penelitian dan Pengembangan Sumber Daya Air [Internet]. Bandung (ID): Pusat Litbang Sumber Daya Air. [diunduh 2013 Jul 6]. Tersedia pada: http://www.dirgantara-lapan.or.id/moklim/publikasi/2008/full/paper_1__rew-akhir_-penelitian-ariefs-dkk-ultah%20LAPAN.pdf
19 Min Hu X, Gammon JWN, Zhang F. Evaluation of three planetary boundary layer schemes in the WRF Model.2010. American Meteorologi Society.49:18311844.doi:10.1175/2010JAMc2432.1. Muttaqin AS. 2011. Potensi pemanfaatan luaran model NWP untuk prediksi cuaca jangka pendek studi kasus: Pontianak, Pekanbaru, Semarang, Surabaya dan Palu[skripsi]. Bogor (ID): Institut Pertanian Bogor. Olsson PQ, Volz KP, Liu H.2012.Forecasting near-surface weather conditions and precipitation in Alaska’s Prince William Sound with the PWS-WRF modeling system.Continental Shelf Research.doi:10.1016/j.csr.2011.12.012. Prabha T, Hoogenboom G. 2008. Evaluation of the weather research and forecasting for two frost events.Computer and Electronic in Agriculture. 64:234-247. Pemda Provinsi Bali (ID).2009. Geografi dan topografi [Internet]. [diunduh 2013 Mar 8]. Tersedia pada: http://www.baliprov.go.id/Geographi. Ristanti D. 2009. Inter-relasi luaran model NWP untuk potensi prakiraan cuaca jangka pendek tiga wilayah tipe hujan di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor. Stull RB. 2000. Meteorology for Scientist and Engineers. Ed ke-2. USA (US): BROOKS/COLE. Scamarock WC, Klemp JB, Dudhia J, Gill DO, Barker DM, Duda MG,Huang XY, Wei W, Powers JG. 2008. A Description of the Advanced Research WRF Version 3. Colorado (US): National Center for Atmospheric Research Mesoscale and Microscale Meteorology Division. Subarna D. 2008. Simulasi cuaca daerah Padang. Berita Dirgantara.9(3):61-65. Sutikno.2008. Statistical downscaling luaran GCM dan pemanfaatannya untuk peramalan produksi padi[disertasi].Bogor(ID): Institut Pertanian Bogor. Shainer G, Tong L, Michalakes J, Liberman J, Layton J, Celebioglu O, Schultz SA, Mora J, Cownie D. 2009. Weather research and forecasting (WRF) model performance and profiling analysis on advanced multi-core HPC clusters. 10th LCI International Conference on High-Performance Clustered Computing; 2009 Mar 9-12; Boulder (US): National Center for Atmospheric Research. [diunduh 2013 Jan 20]. Tersedia pada: http://www.hpcadvisorycouncil.com/pdf/2009%20LCI%20International% 20-%20WRF%20Model.pdf Skok G, Tribbia J, Rakovec J. 2010.Object-based analysis and verification of WRF model precipitation in the low- and Midlatitude Pacific Ocean. American Meteorological Society. 138:4561-4575. Santriyani M, Octarina DT, Budaya BJ, Choir NU, Suradi.tanpa tahun. Sensivitas Parameterisasi konveksi dalam prediksi cuaca numerik menggunakan model WRF-ARW studi kasus hujan ekstrim di Jakarta 7 April 2009 [Internet]. [diunduh 2013 Jan 23]. Tersedia pada: http://weather.meteo.itb.ac.id/paper5.php Walpole RE. 1993. Pengantar Statistika. Ed ke-3. Jakarta: PT Gramedia Pustaka Utama. Wilks DS.1995. Statistical Methods in the Atmospheric Sciences.California (US): Academic Press.
20
LAMPIRAN Lampiran 1 Diagram alir penelitian
Mulai
Data NCEP format gfs.t00z.pgrbf00.grib2
WRF Model
Data observasi yang diunduh (CH,T ,angin dan RH)
Hasil luaran model WRF
Pengolahan data CH, T, angin dan RH serta penyesuaian interval waktu
Penyesuaian interval waktu
Penentuan persamaan (solver)
Potensi pemanfaatan model WRF: RMSE, r
Tidak
Apakah hasil baik? RMSE kecil korelasi
Ya
Model WRF berpotensi tinggi
Selesai
21 Lampiran 2 Peta luaran model WRF untuk CH setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC.
22
23
Lampiran 3 Peta luaran model WRF untuk RH setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC.
24
25
26 Lampiran
4 Peta luaran model WRF untuk suhu setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC.
27
28
Lampiran 5 Peta luaran model WRF untuk angin setiap 6 jam untuk domain 2 (1x1 km2) wilayah Provinsi Bali. Dari kiri ke kanan tanggal 26 Januari 2013 pukul 00.00 UTC – 29 Januari 2013 pukul 00.00 UTC.
29
30
31
RIWAYAT HIDUP Penulis lahir di Kediri Provinsi Bali pada tanggal 12 Januari 1991. Anak tunggal dari pasangan I Nengah Suija dan Ni Made Suwerni. Setelah menyelesaikan pendidikan menengah atas di SMA Negeri 1 Tabanan, penulis diterima di IPB pada tahun 2009 melalui jalur Undangan Seleksi Masuk IPB (USMI) pada program studi Meteorologi Terapan, Fakultas Matematika dan Ilmu Pengetahuan Alam. Disamping Mayor utama Meteorologi Terapan, pada awal tahun ke-2 di IPB penulis mengambil Minor Ekonomi Sumberdaya, Departemen Ekonomi dan Sumberdaya Lingkungan, Fakultas Ekonomi dan Manajemen, IPB. Selama masa perkuliahan penulis aktif dalam Kesatuan Mahasiswa Hindu Dharma IPB dengan jabatan terakhir sebagai Kepala Divisi Kesekretariatan. Selain hal tersebut, penulis juga ikut dalam IGTF (IPB goes to field) yang merupakan program pengabdian masyarakat di bidang pertanian tahun 2012 di Kabupaten Demak, Jawa Tengah.
