Jurnal Meteorologi Klimatologi dan Geofisika€¦ · Jurnal Meteorologi Klimatologi dan Geofisika Vol.2 No. 2 Juni 2015 18 Sekolah Tinggi Meteorologi Klimatologi dan Geofisika Indonesia

JMKG Vol. 2 No. 2 Hal. 1-262 Juni 2015 ISSN: 2355-7206

Jurnal

Meteorologi

Klimatologi dan Geofisika

ISSN: 2355-7206

Sekolah Tinggi Meteorologi Klimatologi dan Geofisika

Badan Meteorologi Klimatologi dan Geofisika

Volume 2, Nomor 2, Juni 2015

Jurnal Meteorologi Klimatologi dan Geofisika Vol.2 No. 2 Juni 2015

16


PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN

PRINCIPAL COMPONENT REGRESSION DAN SST EOF

INDONESIA DI STASIUN KLIMATOLOGI NEGARA - BALI

I Wayan Andi Yuda

Sekolah Tinggi Meteorologi Klimatologi dan Geofisika (STMKG), Jakarta

E-mail: [email protected]

ABSTRAK

Hujan merupakan salah satu unsur meteorologi penting di wilayah tropis seperti

maritime continent Indonesia.Besarnya pengaruh curah hujan di berbagai sektor kehidupan

menyebabkan prediksi curah hujan sangat dibutuhkan untuk membuat perencanaan kedepan

untuk sektor-sektor strategis. Salah satu perangkat lunak yang menyediakan teknik prediksi

curah hujan berbasis model statistik adalah Climate Predictability Tool (CPT). Penelitian ini

akan mengulas proses prediksi curah hujan bulanan di Stasiun Klimatologi Negara, Bali tahun

2011, 2012, 2013 menggunakan CPT dengan metode Principal Component Regression (PCR)

yang diawali dengan pembentukan komponen utama dari data grids suhu permukaan laut

(ERSSTv3b) di kisaran wilayah Indonesia sebagai prediktor menggunakan analisa Empirical

Orthogonal Function (EOF). Periode pembentukan model dari tahun 1991 hingga 2010 melalui

proses validasi silang antara prediktor dengan data curah hujan bulanan observasi di Stasiun

Klimatologi Negara, Bali. Selanjutnya hasil prediksi tersebut di verifikasi menggunakan

perhitungan nilai Korelasi, RMSE, dan perhitungan nilai selisih prediksi dengan observasi.Hasil

analisis EOF terhadap data grid SST di wilayah Indonesia menghasilkan 4 komponen utama

yang sudah mampu mewakili lebih dari 84% varians data awal. Prediksi curah hujan bulanan

menggunakan model PCR menghasilkan nilai prediksi yang mampu mengikuti pola curah

hujan bulanan observasi dengan kesesuaian fase positif dengan nilai r = 0.71 dan nilai RMSE =

93 mm. Sebanyak 66.67% Nilai prediksi yang dihasilkan menunjukan nilai lebih besar dari nilai

observasi dilapangan.

Kata kunci:curah hujan, SST, CPT, EOF, PCR, dan verifikasi

ABSTRACT

Rainfall is one of the important meteorological elements in tropical regions such as the

maritime continent Indonesia. The significant impact of rainfall in various sectors of life leads

to a prediction of rainfall is needed to make forward planning for strategic sectors. One of the

software which provided rainfall prediction techniques based on statistical model is Climate

Predictability Tool (CPT). This study will examine the predictions of monthly rainfall in

Climatology Station of Negara, Bali in 2011, 2012, 2013 using the CPT method of Principal

Component Regression (PCR), which begins with forming principal components of the data

grids sea surface temperature (ERSSTv3b) in the range of Indonesian territory as predictors

using Empirical Orthogonal Function analysis (EOF).Modeling period from 1991 to 2010

through a process of cross validation between predictors and monthly rainfall observation data

at the Climatology Station of Negara, Bali. Furthermore, the verification is performed for

prediction results using correlation method, RMSE, and the calculation of error in predictions.

EOF analysis output of the SST grid data in Indonesia resulted 4principal components that have

been able to represent more than 84% variance initial data. Monthly rainfall prediction using

the PCR model generates forecast valuewhich capable of following the pattern of monthly

rainfall observations with positive phase conformance with the value of r = 0.71 and RMSE =

93 mm. A total of 66.67% forecast value indicates a greater value than the value of field

observations.

mailto:[email protected]


17


Keywords: rainfall, SST, CPT, EOF, PCR, and verification

1. PENDAHULUAN

Hujan merupakan salah satu unsur

meteorologi penting di wilayah tropis

seperti maritime continent Indonesia dan

diamati oleh para observer di stasiun

pengamatan cuaca setiap harinya. Hal ini

dilakukan mengingat data dan informasi

curah hujan banyak diperlukan dalam

berbagai macam kegiatan manusia antara

lain seperti pertanian, perkebunan,

perikanan, transportasi (darat, laut, udara),

dan lain-lain (Prawirowardoyo, 1996).

Besarnya pengaruh curah hujan di berbagai

sektor kehidupan menyebabkan prediksi

curah hujan sangat dibutuhkan untuk

membuat perencanaan kedepan untuk

sektor-sektor strategis. Namun keberadaan

curah hujan secara spasial dan temporal

masih sulit diprediksi. Selain sifatnya yang

dinamis, proses fisis yang terlibat juga

sangat kompleks (Estiningtyas dan Wigena,

2011).

Salah satu proses fisis yang

berhubungan dengan kondisi curah hujan di

suatu wilayah adalah proses perubahan

kondisi suhu permukaan laut. Hasil

penelitian Hendon (2003) menyatakan

bahwa variabilitas suhu permukaan laut

atau sea surface temperature (SST) Nino

3.4 mempengaruhi 50% variasi curah hujan

seluruh Indonesia sedangkan variabilitas

SST di Laut India berpengaruh 10-15%.

Kemudian hasil penelitian lebih lanjut oleh

Estiningtyas et al. (2007) menyatakan

bahwa SST wilayah Indonesia dapat

digunakan sebagai indikator untuk

menunjukkan kondisi curah hujan di suatu

wilayah (kabupaten), artinya curah hujan

dapat diprediksi berdasarkan perubahan

SST pada zona-zona dengan korelasi yang

tertinggi pada setiap bulannya.

Menurut Landman et al. (2007), di

dalam bidang klimatologi sering digunakan

data dengan dimensi tinggi (high

dimensionality data) seperti distribusi

spasial dan temporal SST. Namun dari

masing - masing data grid SST tersebut

biasanya saling berhubungan satu sama lain

(multikolinearitas), dengan demikian

informasi yang terkandung dalam masing –

masing kumpulan data tersebut dapat

terwakili oleh pola spasial (spatial pattern)

dengan dimensi lebih kecil yang terbentuk

dari titik – titik grid yang saling

berhubungan kuat. Teknik pereduksian

dimensi data ini disebut dengan Principal

Component Analysis (PCA) atau lebih

dikenal dalam klimatologi sebagai analisa

Empirical Orthogonal Function (EOF).

Penelitian ini bertujuan untuk

mengetahui hasil prediksi curah hujan

bulanan dengan metode Principal

Component Regression (PCR) di Stasiun

Klimatologi Negara, Bali mengunakan

prediktor SST di wilayah Indonesia melalui

running Climate Predictability Tool (CPT).

Pada tahap pra-pemrosesan (pre-

processing) PCR, data grids SST di kisaran

wilayah Indonesia dibentuk menjadi

beberapa komponen utama melalui analisa

EOF untuk menentukan pola-pola dominan

SST wilayah Indonesia sehingga dimensi

data grid menjadi lebih sederhana untuk

dimasukan dalam persamaan model.

Selanjutnya hasil prediksi tersebut di

verifikasi untuk mengetahui keakuratan

yang dihasilkan untuk setiap bulan.

2. DATA DAN METODE

Data yang digunakan dalam

penelitian ini meliputi data curah hujan

bulanan Stasiun Klimatologi Negara, Bali

(8.32ᵒLS dan 114.63ᵒBT) periode 1991 –

2013 yang digunakan sebagai prediktan

dan data global berupa Suhu permukaan

laut (ERSST version 3b, 2ᵒ x 2ᵒ) yang

bersumber dari NOAA dan diunduh dari

IRI Data Library

(http://iridl.ldeo.columbia.edu/) periode

1990-2013 dengan format tsv file (.tsv)

digunakan sebagai prediktor. Domain

data SST yang dipilih adalah 10ᵒLU -

15ᵒLS dan 90ᵒBT – 145ᵒBT yang kurang

lebih dapat mewakili perairan

Indonesia.Hal ini dilakukan untuk

mengetahui pengaruh SST wilayah


18


Indonesia terhadap curah hujan di Stasiun

Klimatologi Negara, Bali.

Pengolahan data dilakukan dengan

menggunakan Climate Prediktability

Tools (CPT). CPT adalah aplikasi yang

dioperasikan dalam sistem operasi

Windows untuk mengkonstruksi model

prakiraan iklim, menjalankan validasi

model, dan menghasilkan prediksi dari data

terkini. Metode yang dipilih didalam CPT

untuk konstruksi model dalam tulisan ini

adalah Principal Components Regression

(PCR). Teknik PCR yang dimaksud

memanfaatkan Analisis Komponen Utama

(Principal Components Analysis, PCA)

atau menurut Lorenz (1956) disebut juga

analisis Empirical Orthogonal Function

(EOF) yaitu Suatu prosedur untuk

mereduksi dimensi data dengan cara

mentransformasi variabel - variabel asal

yang berkorelasi menjadi sekumpulan

variabel baru yang tidak berkorelasi.

Variabel-variabel baru dikatakan sebagai

komponen utama (Johnson, 2002).

Untuk aplikasi EOF dilapangan, data

matriks [X] terdimensi (n x K), atau

(waktu x lokasi), data dari K lokasi pada

dimensi spasial tersampling sebanyak n

waktu. Dasar dari EOF adalah analisis

matrik varians kovarian Σ atau matriks

korelasi ρ yang membentuk matrik bujur

sangkar. Komponen utama ke-m

(Morisson,1990 diacu dalam Adiningsih et

al., 2004) dari sejumlah K variabel dapat

dinyatakan sebagai :

um = e1m x1 + e2mx2 + … + ekmxk = e'm

x (1)

nilai-nilai bentukan dari variabel baru ini

disebut sebagai score komponen utama atau

EOF amplitude time series.

Untuk varians komponen utama ke-m

adalah:

Var (um) = λm ; m=1, 2, …, k

(2)

λ1, λ2, …, λk adalah Eigen value yang

diperoleh dari persamaan:

(Σ – λm [I]) = 0

(3)

dengan λ1 > λ2 > …> λk > 0. Eigen Vektor

e sebagai pembobot dari transformasi linier

variabel asal diperoleh dari persamaan :

(Σ – λm [I]) ek = 0

(4)

Dengan [I] adalah matriks identitas.Total

varians komponen utama adalah :

λ1 + λ2 +… + λk = tr(Σ)

(5)

dan persentase varians data yang mampu

dijelaskan oleh komponen utama ke-m

adalah:

(λm / tr(Σ)) x 100%

(6)

Persentase varians dianggap cukup

mewakili total keragaman jika 75% atau

lebih mampu dijelaskan oleh 4 atau 5

komponen utama pertama

(Morisson,1990).Korelasi antara variabel

asli dengan variabel baru (um) disebut

dengan loading. Loading memberikan

indikasi variable awal mana yang sangat

penting atau mempengaruhi pembentukan

variable baru. Semakin tinggi nilai Loading

maka variable lama yang bersangkutan

semakin memiliki pengaruh terhadap

pembentukan variable baru. Hasil luaran

loading dispasialkan dalam bentuk EOF

Mode atau EOF loading pattern.

Komponen utama (u) yang telah didapatkan

adalah variabel baru yang sama sekali

berbeda dengan nilai variabel asal

(x).Konstruksi model dilakukan dengan

metode validasi silang antara beberapa

komponen utama yang telah terbentuk

dengan kondisi lag time 1 bulan terhadap

data curah hujan bulanan dengan periode

1991 – 2010. Artinya data prediktor yang

digunakan satu bulan lebih awal dari data


19


prediktan. Hal ini dilakukan dengan asumsi

hasil prediksi dari curah hujan bulanan akan

didapat dari nilai prediktor nyata (bukan

merupakan nilai prediksi) sehingga hanya

menghasilkan satu error dalam

operasionalnya. Beberapa komponen utama

yang sudah terbentuk dikombinasikan

dalam persamaan model PCR perbulan dan

di validasi dengan data curah hujan bulanan

sehingga dapat dibentuk persamaan dengan

error terkecil sebagai berikut :

y = a1u1 + a2u2 + a3u3 + ….amum + b

(7)

dengan keterangan y adalah prediktan atau

variabel tak bebas (curah hujan bulanan),

um adalah score komponen utama ke-m

dari variabel bebas tertentu (SST), am

adalah koefisien regresi dari komponen

utama ke-m, dan b adalah konstanta (rata –

rata curah hujan bulanan selama periode

persiapan 20 tahun).

Dari persamaan model yang sudah

didapat maka selanjutnya prediksi dibuat

tiap bulan untuk tahun 2011, 2012, dan

2013. Prediksi dihaslkan dengan

memasukan data bulanan prediktor awal (x)

untuk tahun 2011, 2012, dan 2013 kedalam

CPT yang selanjutnya akan menghitung

secara otomatis score komponen dan

memprosesnya kedalam model PCR diatas

(pers.7). Hasil Prediksi kemudian di

verifikasi dengan menghitung selisih nilai

prediksi dan observasi, menghitung

koefisien korelasi, dan menghitung nilai

RMSE. Selisih nilai prediksi (e) dihitung

dengan persamaan berikut :

(8)

Dengan Y = Nilai Prediksi dan = nilai

observasi. Koefisien korelasi dihitung

dengan persamaan berikut :

(9)

Dengan r adalah Koefisien korelasi antara

X dan Y , X adalah curah hujan bulanan

hasil prediksi, Y adalah curah hujan

bulanan observasi, dan n adalah banyaknya

bulan yang digunakan (3tahun, 36 bulan).

Nilai r dapat digunakan untuk mengevaluasi

luaran suatu model prediksi terkait dengan

kesesuaian fase antara luaran model

terhadap nilai observasinya (Swarinoto,

2006).

Sementara itu nilai RMSE dihitung dengan

persamaan sebagai berikut :

(10)

Dengan Y adalah nilai prakiraan curah

hujan bulanan CPT dan adalah nilai curah

hujan observasi, sedangkan n adalah

panjang periode.Semakin kecil nilai RMSE

maka tingkat kesesuaian antara nilai

prediksi dengan hasil observasi dilapangan

makin tinggi


20


Gambar 1. Domain data prediktor yang digunakan dalam CPT dengan batasan 10ᵒLU - 15ᵒLS dan

90ᵒBT – 145ᵒBT

Gambar 2. Ilustrasi tahapan – tahapan konstruksi model dan menjalankan prediksi dengan metode PCR

menggunakan CPT.

3. HASIL DAN PEMBAHASAN

Pola Curah Hujan Bulanan Stasiun

Klimatologi Negara Bali

Berdasarkan data curah hujan rata-rata

bulanan 1991-2010, maka pola curah hujan

di stasiun klimatologi Negara adalah

monsunal, dengan puncak hujan tertinggi

pada bulan Januari (294 mm) dan curah

puncak hujan terendah pada bulan Agustus

(34 mm).

Gambar 3. Grafik rata – rata curah hujan bulanan Stasiun Klimatologi Negara, Bali periode

1991 – 2010


21


Komponen Utama/EOF Mode SST

Indonesia

Hasil pra - pemrosesan data SST di

wilayah Indonesia menggunakan analisa

EOF menunjukan bahwa dari data awal

yang terdiri dari 364 titik grid dapat

dibentuk menjadi 4 komponen utama untuk

masing – masing bulan yang sudah mampu

menjelaskan lebih dari 84% total varians

dari data awal.

Tabel 1. Nilai eigen, persentase varians, dan kumulatif varians untuk 4 komponen utama pertama bulan

Januari – Juni

UNilai

Eigen% varians

Kum. %

varians

1 13.15 40.97 40.97

2 8.56 26.66 67.63

3 3.41 10.64 78.27

4 2.74 8.54 86.81

Januari

UNilai

Eigen% varians

Kum. %

varians

1 19.92 47.79 47.79

2 11.00 26.39 74.18

3 3.29 7.90 82.08

4 2.26 5.42 87.50

Februari

UNilai

Eigen% varians

Kum. %

varians

1 18.85 45.26 45.26

2 12.22 29.34 74.60

3 3.22 7.73 82.34

4 2.32 5.58 87.92

Maret

UNilai

Eigen% varians

Kum. %

varians

1 17.50 52.87 52.87

2 7.33 22.15 75.01

3 2.52 7.61 82.62

4 1.57 4.74 87.36

April

UNilai

Eigen% varians

Kum. %

varians

1 17.81 53.97 53.97

2 5.88 17.82 71.80

3 2.29 6.94 78.74

4 1.89 5.72 84.46

Mei

UNilai

Eigen% varians

Kum. %

varians

1 17.24 54.36 54.36

2 5.30 16.72 71.08

3 2.47 7.78 78.86

4 1.73 5.47 84.33

Juni

Tabel 2. Nilai eigen, persentase varians, dan kumulatif varians untuk 4 komponen utama pertama bulan

Juli – Desember

UNilai

Eigen% varians

Kum. %

varians

1 31.14 67.64 67.64

2 5.83 12.67 80.31

3 2.36 5.13 85.44

4 1.97 4.28 89.73

Juli

UNilai

Eigen% varians

Kum. %

varians

1 31.00 70.71 70.71

2 4.91 11.20 81.90

3 2.43 5.55 87.46

4 1.61 3.68 91.14

Agustus


22


UNilai

Eigen% varians

Kum. %

varians

1 31.63 67.42 67.42

2 5.28 11.26 78.68

3 3.57 7.62 86.29

4 2.54 5.42 91.71

September

UNilai

Eigen% varians

Kum. %

varians

1 32.46 65.77 65.77

2 7.38 14.95 80.72

3 2.53 5.13 85.85

4 2.18 4.42 90.27

Oktober

UNilai

Eigen% varians

Kum. %

varians

1 20.73 57.57 57.57

2 5.53 15.36 72.93

3 3.38 9.40 82.33

4 2.05 5.70 88.03

Nopember

UNilai

Eigen% varians

Kum. %

varians

1 11.94 39.51 39.51

2 8.65 28.62 68.13

3 3.22 10.65 78.79

4 2.53 8.37 87.16

Desember

Score komponen utama dari 4 mode SST EOF Indonesia yang didapat dari running CPT untuk

masing-masing bulan adalah sebagai berikut :

Tabel 3. Score Komponen Utama ke 1 s/d 4 untuk bulan Januari – Maret

u1 u2 u3 u4

1991-01 -4.37 0.91 1.00 -0.34

1992-01 -5.40 0.92 -1.23 1.79

1993-01 -7.30 -3.16 -2.09 1.23

1994-01 -3.48 -1.84 0.99 -1.49

1995-01 -3.72 0.41 0.15 -1.55

1996-01 1.01 -6.66 1.31 -0.54

1997-01 -1.13 -2.80 0.48 -3.47

1998-01 -1.34 4.42 -2.78 -0.85

1999-01 6.23 1.96 -1.16 -0.35

2000-01 3.55 -0.90 -0.07 -0.54

2001-01 4.40 -2.23 -4.39 -0.33

2002-01 1.04 1.58 2.94 1.20

2003-01 1.44 6.48 1.77 -0.70

2004-01 0.24 -0.57 1.16 2.06

2005-01 -1.65 0.81 2.23 2.51

2006-01 3.04 -1.48 0.16 1.15

2007-01 1.68 0.93 -1.23 2.42

2008-01 3.13 -0.59 2.31 -1.94

2009-01 4.16 -1.87 -0.26 1.55

2010-01 -1.52 3.68 -1.30 -1.81

JanScore

u1 u2 u3 u4

1991-02 -2.94 -4.03 -2.23 2.84

1992-02 1.83 -5.03 -0.72 -1.27

1993-02 -6.49 -7.02 -0.55 -1.00

1994-02 -0.75 0.73 -2.14 -1.37

1995-02 -3.05 -2.12 -1.11 -2.12

1996-02 -4.51 0.03 2.41 -1.95

1997-02 -6.71 0.20 -0.83 2.06

1998-02 9.21 -0.22 -1.54 1.13

1999-02 3.01 5.59 -0.51 -1.15

2000-02 -3.02 4.40 0.35 -2.61

2001-02 -1.58 5.17 -3.40 -0.13

2002-02 -0.63 -0.99 3.49 0.80

2003-02 5.88 0.12 2.34 0.03

2004-02 -0.50 1.09 1.49 0.82

2005-02 7.34 -3.55 0.33 -0.37

2006-02 1.22 0.46 1.31 0.69

2007-02 2.01 -1.02 1.70 0.00

2008-02 -3.36 3.43 1.44 1.88

2009-02 -2.55 2.81 0.02 1.73

2010-02 5.59 -0.09 -1.87 -0.01

FebScore

u1 u2 u3 u4

1991-03 -2.34 -5.52 -2.84 0.56

1992-03 2.72 -5.90 -0.15 -2.55

1993-03 -3.01 -4.13 0.43 -2.18

1994-03 -5.92 -0.44 0.33 -0.91

1995-03 -3.69 -2.76 0.56 -1.94

1996-03 -2.06 0.04 1.64 1.39

1997-03 -4.09 -3.92 -1.50 2.30

1998-03 9.76 -0.64 -1.00 -0.14

1999-03 2.30 5.94 -0.22 -0.21

2000-03 -5.96 5.07 2.39 -0.47

2001-03 -0.57 5.62 -3.98 -1.59

2002-03 3.54 -1.19 2.40 2.62

2003-03 1.78 1.72 0.71 0.32

2004-03 -0.21 2.88 -0.81 0.26

2005-03 6.42 -2.50 2.07 0.20

2006-03 -0.41 0.56 -0.30 1.80

2007-03 -1.85 -0.63 -1.88 2.41

2008-03 -4.42 1.37 2.77 -0.55

2009-03 1.00 3.33 -1.38 -0.11

2010-03 7.01 1.09 0.76 -1.23

MarScore


23


Tabel 4. Score Komponen Utama ke 1 s/d 4 untuk bulan April – Juni

u1 u2 u3 u4

1991-04 -6.62 -2.17 -1.76 1.64

1992-04 0.71 -3.74 0.60 1.09

1993-04 -6.37 -3.22 0.78 0.01

1994-04 -7.01 2.77 1.25 0.86

1995-04 -3.00 -1.13 0.54 -0.13

1996-04 -0.04 0.44 -1.70 -2.53

1997-04 -3.68 -1.54 -1.18 -0.77

1998-04 7.20 -3.57 -2.49 -0.14

1999-04 0.94 2.22 -0.17 0.20

2000-04 -0.46 4.79 2.99 -1.45

2001-04 2.28 5.90 -1.66 2.77

2002-04 5.99 0.68 -0.41 -1.58

2003-04 2.79 -0.17 0.34 0.83

2004-04 2.81 2.05 -0.93 0.54

2005-04 1.38 -3.90 2.46 0.60

2006-04 -0.84 0.71 -1.12 0.18

2007-04 -2.36 0.36 -1.86 -1.21

2008-04 -2.81 1.03 0.53 -1.33

2009-04 2.40 -0.21 1.45 -0.54

2010-04 6.68 -1.29 2.32 0.94

AprScore

u1 u2 u3 u4

1991-05 -4.29 -3.48 -1.65 -2.32

1992-05 3.25 -3.30 1.11 0.22

1993-05 -4.20 -4.75 1.09 0.67

1994-05 -8.19 2.70 -1.19 -1.01

1995-05 -0.33 -0.64 0.25 1.70

1996-05 -3.07 1.20 -2.78 1.95

1997-05 -2.93 -2.67 -0.57 -0.84

1998-05 6.92 -1.91 -2.98 0.75

1999-05 -1.96 2.71 1.99 -0.13

2000-05 -1.08 4.78 0.84 -0.60

2001-05 1.94 2.73 -1.83 -2.38

2002-05 4.53 1.41 0.86 -0.71

2003-05 3.19 0.68 0.81 0.29

2004-05 0.44 1.15 -0.29 1.89

2005-05 1.69 -1.96 1.35 -1.63

2006-05 1.47 0.21 1.13 0.33

2007-05 -1.43 0.69 -1.23 2.05

2008-05 -6.07 -0.41 1.56 -0.33

2009-05 1.59 0.42 1.82 1.41

2010-05 8.52 0.44 -0.29 -1.31

MeiScore

u1 u2 u3 u4

1991-06 -5.14 1.66 0.92 -1.31

1992-06 2.84 5.89 0.09 0.94

1993-06 -2.22 1.67 3.24 2.47

1994-06 -7.89 -3.40 1.31 1.14

1995-06 0.65 -1.28 1.05 -0.15

1996-06 1.23 -0.91 -2.20 0.95

1997-06 -1.37 2.63 1.63 -1.05

1998-06 7.92 0.99 1.27 -1.38

1999-06 -2.27 0.47 -2.51 -0.72

2000-06 -4.71 -1.31 -1.10 0.09

2001-06 1.87 -2.49 0.12 0.53

2002-06 2.91 -1.43 0.24 -1.60

2003-06 -0.28 -1.14 -0.56 -2.69

2004-06 -2.10 2.85 -1.94 0.38

2005-06 3.07 1.23 0.20 1.11

2006-06 0.60 -1.54 -1.66 2.15

2007-06 1.34 -2.61 0.83 0.17

2008-06 -6.72 0.98 0.21 -1.47

2009-06 3.40 0.43 -2.54 0.48

2010-06 6.87 -2.68 1.39 -0.06

JunScore

Tabel 5. Score Komponen Utama ke 1 s/d 4 untuk bulan Juli – September

u1 u2 u3 u4

1991-07 -4.43 -0.26 1.12 -0.64

1992-07 -0.96 7.31 1.23 0.66

1993-07 -5.07 1.11 2.52 2.22

1994-07 -10.39 -3.16 1.86 0.21

1995-07 2.22 0.00 -0.75 1.84

1996-07 4.86 -2.87 0.36 -0.86

1997-07 -6.18 -1.49 -0.98 1.78

1998-07 13.09 -0.86 1.70 1.27

1999-07 -1.92 -1.42 -0.55 -1.89

2000-07 -3.53 1.54 -2.70 -1.52

2001-07 2.91 2.96 -0.52 -1.59

2002-07 0.04 0.71 -2.56 1.11

2003-07 -0.52 -2.95 -0.33 0.57

2004-07 -2.61 2.21 -0.97 0.05

2005-07 4.77 0.58 0.07 1.13

2006-07 -2.59 -0.69 1.92 -0.80

2007-07 -1.12 -0.52 -2.26 0.70

2008-07 -3.92 -0.80 0.19 -2.02

2009-07 6.19 0.87 1.60 -2.50

2010-07 9.13 -2.27 -0.96 0.29

JulScore

u1 u2 u3 u4

1991-08 -4.24 1.62 0.11 -0.24

1992-08 -0.44 3.26 2.59 1.01

1993-08 -5.98 1.08 2.33 -0.34

1994-08 -9.63 -4.68 0.09 -0.79

1995-08 2.27 -3.46 0.73 1.60

1996-08 6.10 -1.22 -0.20 -1.11

1997-08 -7.65 -0.24 1.31 0.35

1998-08 13.34 -1.50 2.49 0.56

1999-08 -2.55 -1.37 -1.06 1.67

2000-08 1.23 -0.46 -2.77 1.97

2001-08 0.82 1.64 -0.16 0.10

2002-08 -0.36 2.36 -1.40 0.54

2003-08 -0.75 -2.67 0.53 -2.38

2004-08 -4.94 2.33 0.06 0.08

2005-08 3.35 0.26 0.98 -0.71

2006-08 -2.98 1.34 0.62 -0.64

2007-08 -1.44 -0.66 -1.51 2.08

2008-08 -0.42 -0.35 -2.92 -2.28

2009-08 5.45 3.83 -1.50 -1.20

2010-08 8.82 -1.09 -0.33 -0.25

AgstScore

u1 u2 u3 u4

1991-09 -5.53 1.57 1.42 0.13

1992-09 0.42 4.26 -2.84 2.62

1993-09 -6.19 3.29 2.40 0.76

1994-09 -11.40 -2.42 -2.01 2.15

1995-09 -0.42 -1.60 -2.48 0.19

1996-09 4.24 -1.84 -1.41 -0.22

1997-09 -6.57 -1.39 2.24 2.35

1998-09 12.45 -3.47 1.84 2.93

1999-09 -1.56 -1.62 1.02 -1.79

2000-09 1.65 -1.26 -0.29 -1.52

2001-09 1.93 0.52 -0.06 -0.39

2002-09 -1.78 0.88 -0.68 -1.31

2003-09 1.43 1.11 -2.81 -0.01

2004-09 -2.35 1.21 4.20 -0.61

2005-09 3.77 2.91 -0.23 -0.08

2006-09 -5.03 -3.83 -0.88 -0.28

2007-09 -0.19 -1.63 0.96 -2.36

2008-09 2.25 -0.27 -0.87 -2.37

2009-09 2.08 3.01 -0.68 -1.31

2010-09 10.81 0.56 1.16 1.12

SepScore


24


Tabel 6. Score Komponen Utama ke 1 s/d 4 untuk bulan Oktober – Desember

u1 u2 u3 u4

1991-10 -5.86 2.76 1.18 0.15

1992-10 -2.89 3.85 -0.18 -0.07

1993-10 -7.13 4.30 1.98 -1.22

1994-10 -10.42 -2.29 -0.90 0.83

1995-10 0.01 0.51 -1.94 -1.73

1996-10 5.94 -1.89 -1.48 -3.17

1997-10 -6.61 -6.64 2.47 -1.05

1998-10 11.57 -0.82 1.51 -1.11

1999-10 0.71 -1.77 -1.20 -0.65

2000-10 3.72 0.60 -2.80 1.38

2001-10 2.77 -1.03 1.25 -0.41

2002-10 -1.52 -2.66 -1.46 2.32

2003-10 2.94 0.48 0.56 2.28

2004-10 -3.40 2.89 0.70 -0.61

2005-10 3.39 0.22 0.28 -0.19

2006-10 -7.48 -2.03 -1.02 -0.78

2007-10 1.12 2.17 -2.75 -0.03

2008-10 2.24 -1.76 1.03 3.01

2009-10 1.98 3.60 1.08 0.68

2010-10 8.93 -0.49 1.70 0.37

OktScore

u1 u2 u3 u4

1991-11 -7.82 -2.11 1.03 0.97

1992-11 -6.93 -4.29 -1.09 -0.99

1993-11 -2.82 -0.66 -1.14 2.17

1994-11 -5.89 -1.04 -0.25 -3.26

1995-11 2.34 -1.33 0.92 -1.56

1996-11 3.45 -1.07 -1.57 0.69

1997-11 -5.86 6.74 -0.70 -1.13

1998-11 8.46 0.13 -0.35 -0.16

1999-11 -0.10 0.49 -0.68 -1.11

2000-11 2.88 -0.18 4.72 -1.47

2001-11 0.29 0.36 0.56 0.50

2002-11 0.95 2.83 -0.05 0.02

2003-11 1.70 0.17 2.15 2.29

2004-11 -0.85 -0.42 -1.26 1.90

2005-11 2.66 -0.36 0.32 0.49

2006-11 -3.98 3.10 -1.03 0.71

2007-11 -0.58 -3.20 1.18 0.19

2008-11 1.74 1.81 2.94 0.70

2009-11 1.59 -0.71 -2.80 0.79

2010-11 8.78 -0.28 -2.90 -1.76

NovScore

u1 u2 u3 u4

1990-12 -4.54 3.07 2.40 0.96

1991-12 -5.75 1.26 -2.83 0.67

1992-12 -7.17 -0.14 -0.30 -0.96

1993-12 -3.70 1.42 0.62 -1.82

1994-12 -2.71 3.16 0.39 -0.63

1995-12 -1.57 -7.28 -0.57 -0.45

1996-12 1.17 -1.19 1.25 -1.64

1997-12 3.21 2.54 -4.28 -0.90

1998-12 3.82 -2.67 1.89 -3.21

1999-12 2.11 -0.94 1.03 -0.05

2000-12 1.99 -2.62 -1.43 -1.00

2001-12 0.11 -2.42 1.45 1.97

2002-12 5.81 5.62 0.12 1.15

2003-12 -2.34 -1.94 -2.01 1.70

2004-12 0.50 0.81 0.15 1.01

2005-12 2.14 -0.81 -0.25 2.60

2006-12 1.82 2.88 -0.89 -2.68

2007-12 0.59 -1.47 2.45 1.06

2008-12 3.94 -2.12 -1.40 1.56

2009-12 0.57 2.85 2.21 0.67

DesScore

Score dari masing – masing komponen

utama yang ditunjukan tabel 3 hingga tabel

6 adalah data baru yang dibentuk dari

kombinasi dari semua grid SST awal.

Komponen utama ke 1 (u1) berhubungan

dengan varians maksimum data. Komponen

utama ke 2 (u2) menunjukan varians

maksimum yang belum terhitung

komponen utama ke 1. Komponen utama ke

3 dan 4 menunjukan varians maksimum

yang belum terhitung pada komponen

utama sebelumnya. Hubungan linear antara

komponen utama SST Indonesia dengan

data awal pembentuknya secara spasial

dapat ditunjukan oleh plot loading/EOF

mode berikut :

Gambar 4. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Januari


25


Gambar 5. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Februari

Gambar 6. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Maret

Gambar 7. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan April


26


Gambar 8. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Mei

Gambar 9. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Juni

Gambar 10. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Juli


27


Gambar 11. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Agustus

Gambar 12. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan September

Gambar 13. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Oktober


28


Gambar 14. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Nopember

Gambar 15. EOF Mode 1 s/d 4 SST di wilayah Indonesia untuk bulan Desember

Dari gambar 4 hingga gambar 15 terlihat

bahwa komponen utama SST Indonesia ke

1, 2, 3, dan 4 yang dtunjukan oleh EOF

Mode untuk masing - masing bulan

memiliki hubungan kuat positif (warna

merah) dengan data awal pada lokasi

tertentu yang artinya data awal pada lokasi

tersebut memiliki bobot yang lebih besar

dari pada data awal lainnya dalam

pembentukan komponen utama tersebut.

Validasi Silang

Hasil validasi silang berupa kombinasi

optimum komponen utama dalam model

PCR yang menghasilkan hindcast dengan

korelasi terbaik terhadap curah hujan

observasi di Staklim Negara untuk setiap

bulan adalah sebagai berikut :


29


Tabel 7. Persamaan Model PCR untuk Staklim Negara setiap bulan

Bulan Persamaan Regresi

Januari y = 5.04857u1- 10.4339u2 +24.50108u3 + b

Februari y = -0.76316u1 - 2.42479u2 +18.0874u3 + b

Maret y = 3.065711u1 + 5.963722u2 +8.426017u3 + b

April y = 6.836303u1 + b

Mei y = 13.25279u1 + 6.717956u2 + b

Juni y = 10.92841u1 -2.00972u2 + b

Juli y = 8.508518u1 + b

Agustus y = 3.538495u1 + b

September y = 13.8114u1 + 29.9523u2+ b

Oktober y = 21.95992u1 + b

Nopember y = 8.590579u1+ b

Desember y = 5.924032u1 + 3.117394u2 + b

Prediksi Curah Hujan Bulanan

Dengan memasukan score komponen

utama SST EOF Indonesia lag 1 bulan

tahun 2011, 2012, dan 2013 pada masing –

masing persamaan PCR pada tabel 7 maka

didapatkan hasil prediksi curah hujan

bulanan tahun 2011, 2012, dan 2013 di

Stasiun Klimatologi Negara sebagai berikut

:

Gambar 16. Grafik Prediksi Curah Hujan Bulanan menggunakan metode PCR dengan prediktor score

komponen utama SST EOF Indonesia vs Curah Hujan Bulanan Observasi Stasiun

Klimatologi Negara tahun 2011, 2012, dan 2013.


30


Dari gambar 16 dapat dilihat bahwa

pola curah hujan hasil prediksi

menggunakan metode PCR dengan

prediktor SST EOF Indonesia dapat

mengikuti pola curah hujan observasi di

StasiunKlimatologi Negara, Bali.Nilai r

hasil perhitungan korelasi bernilai 0.71

menunjukan kesesuaian fase positif antara

series nilai prediksi curah hujan dan nilai

observasinya.Kemudian untuknilai RMSE

adalah 93 mm.

Hasil perhitungan selisih nilai prediksi

dengan observasi curah hujan bulanan

disajikan dengan grafik berikut :

Gambar 17. Grafik Selisih Nilai Prediksi

dengan Observasi Curah Hujan Bulanan tahun

2011, 2012, dan 2013 di Stasiun Klimatologi

Negara

Dari gambar 17 dapat dilihat bahwa

selisih antara nilai prediksi curah hujan

bulanan menggunakan metode PCR dengan

prediktor SST EOF Indonesia dengan curah

hujan observasi di stasiun klimatologi

Negara sebagian besar 66.67% bernilai

positif (warna biru) dan sisanya bernilai

negatif (warna merah). Persentase tersebut

menunjukan prediksi curah hujan bulanan

yang dihasilkan dengan metode PCR dan

menggunakan SST EOF Indonesia

umumnya menghasilkan nilai yang lebih

besar dari nilai observasi curah hujan

bulanan di stasiun klimatologi Negara, Bali.

4. KESIMPULAN

1. Berdasarkan data curah hujan bulanan

20 tahun (1991-2010) diperoleh bahwa

tipe hujan di Stasiun Klimatologi

Negara Bali adalah monsunal dengan

puncak hujan tertinggi pada bulan

Januari (294 mm) dan curah puncak

hujan terendah pada bulan Agustus (34

mm).

2. Dari hasil analisis EOF mengunakan

CPT terhadap 364 titik grid SST di

wilayah Indonesia maka dapat dibentuk

4 komponen utama yang sudah dapat

mewakili lebih dari 84% varians

seluruh data grid tersebut untuk tiap

bulan.

3. Prediksi curah hujan bulanan

menggunakan metode PCR dengan

prediktorscorekomponen utama SST

EOF Indonesia lag time 1 bulan di

Stasiun Klimatologi Negara - Bali

menghasilkan nilai prediksi yang

mampu mengikuti pola curah hujan

bulanan observasi dengan kesesuaian

fase positif dengan nilai r = 0.71 dan

nilai RMSE = 93 mm. Nilai prediksi

yang dihasilkan pada umumnya lebih

besar dari nilai observasi dilapangan.

UCAPAN TERIMAKASIH

Penulis mengucapkan terima kasih

kepada tim observasi dan analisa Stasiun

Klimatologi Klas II Negara, Bali atas data

yang telah disediakan dan kepada Bapak

Nuryadi dan Bapak Soetamto atas motivasi

dan bimbingan yang telah diberikan.


31


DAFTAR PUSTAKA

Adiningsih, E.S., Mahmud, Effen, I. 2004.

Aplikasi Analisis Komponen Utama

dalam Pemodelan Penduga Lengas

Tanah dengan Data Satelit

Multispektral.Jurnal Matematika

dan Sains, Vol. 9 No. 1, Maret

2004, hal 215 – 222

Estiningtyas, W., Ramadhani, F., dan

Aldrian, E. 2007.Analisis Korelasi

Curah Hujan dan Suhu Permukaan

Laut Wilayah Indonesia, Serta

Implikasinya untuk Prakiraan

Curah Hujan : Studi Kasus

Kabupaten Cilacap.Jurnal Agromet

Indonesia 21 (2) 2007 : 46 – 60

Estiningtyas, W. dan Wigena, A.H.

2011.Teknik Statistical

Downscaling dengan regresi

komponen utama dan regresi

kuadrat terkecil parsial untuk

prediksi curah hujan pada kondisi

El Nino, La Nina, dan

Normal.Jurnal Meteorologi dan

Geofisika. 12 (1) : 65-72.

Hendon, H.H. 2003. Indonesian Rainfall

Variability : Impacts of ENSO and

Local Air-Sea Interaction.

American Meteorology Society.

Johnson, R. A. & Wichern, D.W.

2002.Applied Multivariate

Statistical Analysis, 5th

edition.Pearson Education

International.

Landman, W., Simon, J. S., dan Barston T.

2007.Empirical Climate

Prediction:

Some Features of EOF ANALYSIS

when used on its own or for

Regression or CCA . Presentasi

power point.Instituto Nacional de

Meteorologia (INMET).

Lorenz, E. N. 1956. Empirical

orthogonal functions and statistical

weather prediction.Technical

report, Department of Meteorology,

MIT, science Report 1.

Morisson, D.F. 1990. Multivariate

Statistical Method, 3rd ed.

McGrawHill Publishing Company,

Singapura.

Ndiaye, Ousmane and Simon J. Mason.

2011. Climate Predictability Tools

(CPT). Presentasi power

point.International Research

Institute for Climateand Society.

Prawirowardoyo, S. 1996.

Meteorologi.Institut Teknologi

Bandung, Bandung

Riduwan. 2005. Rumus dan Data Dalam

Analisis Statistika. Penerbit

Alfabeta, Bandung

Swarinoto, Y.S. 2006.Analisis Pola Spasial

Curah Hujan Jawa Barat Bagian

Utara dan Prediksinya. Tesis

Magister. Depok: Jurusan Geografi,

FMIPA-UI.

Documents

Jurnal Meteorologi Klimatologi dan Geofisika€¦ · Jurnal Meteorologi Klimatologi dan Geofisika Vol.2 No. 2 Juni 2015 18 Sekolah Tinggi Meteorologi Klimatologi dan Geofisika Indonesia