Model Prakiraan Cuaca Harian Memanfaatkan Luaran NWP dan Data Pengamatan Stasiun Cuaca
MODEL PRAKIRAAN CUACA HARIAN MEMANFAATKAN
LUARAN NWP DAN DATA PENGAMATAN STASIUN
CUACA
URIP HARYOKO
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI DISERTASI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa Disertasi berjudul “Model Prakiraan
Cuaca Harian Memanfaatkan Luaran NWP dan Data Stasiun” adalah benar karya
saya dengan arahan dari Komisi Pembimbing dan belum pernah 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 Disertasi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis ini kepada Institut
Pertanian Bogor.
Bogor, September 2014
Urip Haryoko
NIM G261090021
RINGKASAN
URIP HARYOKO. Model Prakiraan Cuaca Harian Memanfaatkan Luaran NWP
dan Data Pengamatan Stasiun Cuaca. Dibimbing oleh HIDAYAT PAWITAN,
EDVIN ALDRIAN dan AJI HAMIM WIGENA.
Masyarakat pengguna informasi prakiraan cuaca di Indonesia saat ini
menuntut adanya prakiraan cuaca yang cepat, tepat dan dapat menjangkau wilayah
yang luas dan detail hingga tingkat kabupaten serta menjangkau beberapa hari ke
depan. Informasi prakiraan cuaca di Indonesia saat ini baru menjangkau Kota-kota
besar dan kota kabupaten, namun hanya memprakirakan cuaca sampai satu hari ke
depan. Tantangan ini yang menjadikan pentingnya pengembangan model
prakiraan cuaca harian.
Permasalahan yang dihadapi dalam pemberian informasi prakiraan cuaca
harian oleh BMKG adalah belum adanya model prakiraan cuaca obyektif yang
dapat dioperasionalkan, terutama dalam pembuatan prakiraan suhu maksimum,
suhu minimum dan keadaan cuaca. Prakiraan yang dimaksud adalah prakiraan
cuaca di titik stasiun dengan waktu prakiraan sampai beberapa hari ke depan.
Untuk itu perlu dikembangkan model prakiraan cuaca obyektif dengan
memanfaatkan luaran NWP
Tujuan dari penelitian ini adalah (i) menentukan domain spasial luaran NWP,
(ii) membangun model prakiraan suhu maksimum dan suhu minimum, dan (iii)
kejadian hujan harian sampai empat hari ke depan di wilayah Jabodetabek.
Sebagai prediktor digunakan data luaran NWP Global Forecasting System (GFS),
sedangkan sebagai prediktan adalah data suhu maksimum, suhu minimum dan
kejadian hujan harian di delapan Stasiun Meteorologi sekitar Jabodetabek.
Model Output Statistics (MOS) adalah salah satu metoda statistical
downscaling (SD) pada tahap post processing luaran Numerical Weather
Prediction (NWP) untuk mendapatkan nilai prakiraan parameter cuaca di sebuah
titik stasiun pengamatan. Metode ini memanfaatkan luaran NWP yang tersedia
dari berbagai sumber dan data pengamatan stasiun cuaca. MOS merupakan model
yang meghubungkan antara peubah prediktan y (pengamatan stasiun cuaca, seperti
temperatur minimum, temperatur maksimum, kejadian hujan) dan peubah
prediktor x (parameter NWP, seperti temperatur, angin dan sebagainya pada
berbagai grid dan level)
Data luaran NWP meliputi wilayah global yang terbagi menjadi beberapa
ukuran persegi (grid). Ukuran grid data GFS yang digunakan dalam penelitian ini
adalah 0,5o×0,5o lintang/bujur, sehingga satu grid mempunyai ukuran sekitar
55×55 km2. Domain spasial atau jumlah grid NWP secara total meliputi 720×360
grid, namun demikian tidak semua grid NWP akan digunakaan sebagai prediktor.
Penentuan domain spasial yang optimum dalam MOS merupakan langkah awal
yang sangat menentukan hasil prakiraannya.
Pada tahap awal, domain spasial NWP ditentukan berukuran 8×8 grid,
selanjutnya dicobakan untuk beberapa domain, yaitu berukuran 2×2, 3×3, 3×4,
4×4 dan 5×5 grid. Tiga metoda digunakan untuk menentukan domain spasial,
yaitu metoda analisis korelasi spasial, singular value decomposition (SVD) dan
regresi partial least square (PLSR). Analisis ketiga metoda secara umum
menunjukkan hasil yang hampir sama, yaitu domain dengan ukuran 3×3 adalah
yang paling baik. Analisis korelasi spasial menunjukkan luasan dengan korelasi
lebih besar dari 0,4 hanya meliputi domain maksimal 3×3. Analisis SVD
menunjukkan bahwa keeratan hubungan secara simultan antara data observasi
dengan NWP hampir sama, yaitu pada ekspansi pertama. Sedangkan hasil
verifikasi analisis PLSR menggunakan korelasi dan root mean square error
(RMSE) menunjukkan bahwa grid berukuran 3×3 adalah domain terbaik.
Selanjutnya domain spasial berukuran 3×3 digunakan sebagai acuan dalam
pembangunan model prakiraan suhu dan kejadian hujan.
Pemodelan prakiraan suhu maksimum dan minimum menggunakan metode
PLSR dan Principal Component Regression (PCR), dan keduanya diterapkan
dalam dua model yaitu Model I dan Model II. Pada Model I, tahap pengembangan
model menggunakan prediktor luaran NWP pada hari ke-1, sedangkan tahap
implementasi menggunakan luaran NWP hari ke-1, ke-2, ke-3 dan ke-4. Pada
Model II, tahap pengembangan dan implementasi menggunakan luaran NWP pada
hari yang sama.
Hasil verifikasi prakiraan suhu maksimum dan minimum menunjukkan
bahwa secara umum kedua metode dapat mengeliminasi error yang terbawa oleh
NWP, yaitu rata-rata akurasi untuk prakiraan suhu maksimum mampu
ditingkatkan sebesar 0,86oC dan suhu minimum 1,35oC. Berdasarkan nilai RMSE
dan korelasi hasil prakiraan dengan empat model prakiraan suhu maksimum,
dapat disimpulkan bahwa metode PCR Model I merupakan model terbaik.
Demikian juga untuk model prakiraan suhu minimum, metode PCR Model I
merupakan model yang terbaik. Nilai RMSE prakiraan suhu maksimum hari ke-i
cenderung lebih kecil dibandingkan prakiraan hari ke -(i+1). Demikian pula nilai
korelai prakiraan dan pengamatan ke-i cenderung lebih besar dibandingkan
dengan hari ke-(i+1).
Kejadian hujan harian dikategorikan ke dalam lima kategori, yaitu cerah
(tidak hujan), hujan ringan, hujan sedang, hujan lebat dan hujan sangat lebat.
Pemodelan dengan prediktan berupa data kategorik dan prediktor berupa data
kontinyu digunakan metode Multiple Categorical Logistic Regression (MCLR)
dan Principal Component-MCLR (PC-MCLR); keduanya di diterapkan dengan
dua model, yaitu Model I dan Model II. Nilai percent correct prakiraan metode
PC-MCLR Model II mencapai tertinggi 69,6%. Nilai percent correct di atas 55%
tercatat di empat lokasi (Tanjung Priok, Kemayoran, Cengkareng dan Tangerang),
namun di empat lokasi lainnya (Pondok Betung, Curug, Bogor dan Curug) kurang
dari 55%. Dengan demikian untuk daerah datar sekitar pantai mempunyai akurasi
yang lebih baik dibandingkan dengan daerah selatan yang lebih tinggi. Secara
umum Metode PC-MCLR Model II lebih baik dari metode dan model lainnya.
Keakuratan prakiraan kejadian hujan dari ke hari tidak menunjukkan pola yang
jelas. Akurasi prakiraan hari ke-1 sampai hari ke-4 tidak seluruhnya menunjukkan
adanya penurunan akurasi pada prakiraan hari yang lebih jauh. Untuk beberapa
lokasi, menunjukkan bahwa makin jauh waktu prakiraan justru akurasinya lebih
baik.
Kata kunci : numerical weather prediction, statistical downscaling, model output
statistics, PLSR, PCR, MCLR, PC-MCLR
SUMMARY
URIP HARYOKO. Daily Weather Forecast Model Using NWP Output and
Weather Station Observation Data. Supervised by HIDAYAT PAWITAN,
EDVIN ALDRIAN and AJI HAMIM WIGENA.
The user of weather forecast in Indonesia always demands an accurate and
fast weather forecast, and reaches in a wide area and detail to the district level as
well as reaching the next few days. However, weather forecast nowadays is only
reach on big cities and only predict the up to one day ahead. This challenge makes
the importance of daily weather forecast development.
The problems faced in the provision of daily weather forecast is the absence
of an objective weather forecasting models, especially in creating the forecast of
maximum temperature, minimum temperature and weather conditions. The
expected forecasts is the weather forecast at the station for several days ahead. So,
it is necessary to develop an objective weather forecast model by utilizing the
NWP output.
The purpose of this study was : (i) to determine NWP spatial domain, (ii) to
develop a forecast model of maximum temperature and minimum temperature and
(iii) daily precipitation event up four days ahead around Jabodetabek. The model
used NWP Data of Global Forecasting System (GFS) as a predictor, while the
maximum temperature, minimum temperature and daily rainfall event of eight
Station around Jabodetabek as predictand.
Model Output Statistics (MOS) is one of the statistical downscaling (SD)
method in post-processing of Numerical Weather Prediction (NWP) output to get
weather forecasts at a point of observation stations. This method uses NWP output
which is released by several source and station observation data. MOS is a model
which connected predictand y (station observation data i.e. minimum and
maximum temperature, precipitation event) and predictor x (NWP output i.e.
temperature, wind, etc. in several grid and level).
NWP output which cover global area are divided into several squares (grid).
GFS grid size used in this study is 0,5o × 0,5o latitude / longitude, so that the grid
has a size of about 55 × 55 km2. Spatial domain or the total number of grid of
NWP consist of 720 × 360 grid, however, not all NWP grid will be used as
predictors. Determination of optimum spatial domain in MOS development is the
important step to get the best forecasts.
In the first stage, spatial domain of NWP was defined as 8×8 grids, then
attempted for some domains, i.e. 2×2, 3×3, 3×4, 4×4 and 5×5 grids. Three
methods for determining spatial domain were spatial correlation analysis, singular
value decomposition (SVD) and partial least square regression (PLSR). Those
three analysis methods generally showed similar results, spatial domains with size
3×3 is the most excellent. Spatial correlation analysis shows that the size of the
area which have correlation greater than 0.4 was only covers a maximum of 3×3
domain. SVD analysis suggests that the simultaneous relationship between the
observation data with NWP is almost the same in the first expansion. While the
results of the verification PLSR analysis using correlation and root mean square
error (RMSE) indicates that 3×3 grid is the best domain. So that the domain of
3×3 grid was used as a reference domain in developing forecast of temperature
and precipitation event.
PLSR and Principal Component Regression (PCR) was used to develop
maximum and minimum temperature forecast model, and both of them were
applied in the two models, Model I and Model II. Model I, in development step,
used NWP output at 1-st day as predictor, and in the implementation step used
NWP output at 2-nd, 3-rd and 4-th day. Model II, in development and
implementation step used NWP output at the same days.
Maximum and minimum temperature forecast verification result showed
that both methods could eliminate systematic error of NWP, the maximum
temperature forecast models were able to increase accuracy up to 0.86° C and for
minimum temperature forecast model were 1.35oC. The accuracy of ith- day
prediction was better then (i+1)th-day prediction. Based on RMSE and correlation
of four maximum temperature forecast models, it can be concluded that the PCR
Model I is the best model. Similarly, the minimum temperature forecast model,
Model I PCR method is the best model. RMSE value of the maximum temperature
forecast at i-th was smaller than the forecast at (i+1)th day. Similarly, the value of
correlation between forecasts and observations at i-th day tend to be larger than
the (i + 1)th.
Precipitation event are categorized into five categories, namely sunny (no
rain), light rain, moderate rain, heavy rain and very heavy rain. In developing
model with categorical data as predictand and continual data as predictor, it was
used Multiple Logistic Regression (MCLR) and Principal Component-MCLR
(PCMCLR). Both methods are implemented in two model, Model I and Model II.
Percent correct of PC-MCLR Model II reached 69.6%. Percent correct values
above 55% was recorded at four sites (Tanjung Priok, Kemayoran, Cengkareng
Tangerang), but in four other locations (Pondok Betung, Curug, Bogor and
Citeko) were less than 55%. Thus, for flat areas around the coast has better
accuracy than the higher southern regions. In general, PC-MCLR Model Method
II is better than other methods and models. The accuracy of rainfall forecasts at
day to day did not show a clear pattern. Forecast accuracy at day 1 to day 4 was
not entirely showed a decrease in accuracy of forecasts. For some locations,
showed the further time forecasts even has better accuracy.
Keywords : numerical weather prediction, statistical downscaling, model output
statistics, PLSR,, PCR, MCLR, PC-MCLR
© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
MODEL PRAKIRAAN CUACA HARIAN MEMANFAATKAN
LUARAN NWP DAN DATA PENGAMATAN STASIUN
CUACA
URIP HARYOKO
Disertasi
sebagai salah satu syarat untuk memperoleh gelar
Doktor
pada
Program Studi Klimatologi Terapan
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Ujian Sidang Tertutup
: Kamis, 14 Agustus 2014
Penguji pada Ujian Tertutup : Dr Ardhasena Sopaheluwakan
Dr Rahmat Hidayat, MSc.
Ujian Sidang terbuka
: Jumat, 12 September 2014
Penguji pada Ujian Terbuka : Dr Andi Eka Sakya, MEng.
Prof Dr Ir Ahmad Bey, MSc.
Judul Disertasi: Model Prakiraan Cuaca Harian Memanfaatkan Luaran NWP dan
Data Pengamatan Stasiun Cuaca
Nama
: Urip Haryoko
NIM
: G261090021
Disetujui oleh
Komisi Pembimbing
Prof Dr Ir Hidayat Pawitan, MSc.
Ketua
Prof Dr Edvin Aldrian, BEng, MSc, APU
Anggota
Dr Ir Aji Hamim Wigena, MSc
Anggota
Diketahui oleh
Ketua Program Studi
Klimatologi Terapan
Dekan Sekolah Pascasarjana
Dr Ir Impron, MSc
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian:
14 Agustus 2014
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga disertasi program Doktor pada program studi
Klimatologi Terapan Sekolah Pascasarjana Institut Pertanian Bogor ini berhasil
diselesaikan. Tema yang dipilih dalam penelitian ini ialah prakiraan cuaca, dengan
judul Model “Prakiraan Cuaca Harian Memanfaatkan Luaran NWP dan Data
Pengamatan Stasiun Cuaca”. Prakiraan cuaca harian merupakan informasi publik
yang harus diberikan oleh BMKG kepada pengguna setiap hari. Informasi
prakiraan cuaca sangat diharapkan oleh masyarakat luas dalam mempersiapkan
kegiatan sehari-hari.
Pada kesempatan ini, dengan selesainya penelitian dan penyusunan Disertasi,
penulis ingin menyampaikan penghargaan kepada semua pihak yang telah
memberikan bantuan dan dukungan, serta kerja sama yang baik. Untuk itu penulis
menyampaikan terima kasih yang tidak terhingga kepada :
1. Prof Dr Ir Hidayat Pawitan MSc. selaku Ketua Komisi Pembimbing dan atas
segala bimbingan, arahan dan kerjasamanya selama proses penyusunan
disertasi ini.
2. Prof Dr Edvin Aldrian, BEng, MSc dan Bapak Dr Ir Aji Hamim Wigena,
MSc, selaku Anggota Komisi Pembimbing, atas bimbingan dan arahan selama
proses pengolahan data dan penyusunan disertasi ini.
3. Ketua Program Studi Klimatologi Terapan Departemen Geofisika dan
Meteorologi IPB, atas bimbingan, kerjasama, dan dorongan semangat selama
penulis menjadi mahasiswa.
4. Kepala BMKG, Deputi Bidang Instrumentasi Kalibrasi Rekayasa dan Jaringan
Komunikasi, dan Kepala Pusat Database BMKG atas ijin yang diberikan
untuk melanjutkan kuliah di jenjang S-3.
5. Ibu Dr. Ir. Sriworo B. Harijono, MSc. atas dorongan dan motivasi sehingga
penulis dapat melanjutkan kuliah program Doktor IPB.
6. Dr. Ardhasena Sopaheluwakan, Dr. Rahmat Hidayat, MSc., Dr. Andi Eka
Sakya, M.Eng, dan Prof. Dr. Ir. Ahmad Bey, MSc. atas koreksi dan saran
pada pelaksanaan sidang tertutup dan terbuka.
7. Drs. Yunus S. Swarinoto, MSi., Drs. Erwin Makmur, MSi. dan Dr. Ir. Salwati,
MSi. atas kekompakan dan kerjasama yang baik selama masa perkuliahan.
Tak lupa pula semua staf dan pimpinan Pusat Database, BMKG, saya ucapkan
terimakasih.
8. Ibunda tercinta, atas doa dan dukungan moril sehingga penulis dapat
menyelesaikan studi ini.
9. Istri tersayang Nelly Nuryana dan ananda tercinta Rizky Arifianto, atas
kesabaran dan ketabahannya dalam mendampingi dan mendukung penulis
untuk menyelesaikan tugas ini.
Penulis berharap, semoga dukungan, doa dan kerjasama dari semua pihak
mendapat ridho dari Allah SWT. Semoga hasil penelitian ini dapat bermanfaat
bagi pengembangan ilmu khususnya prakiraan cuaca.
Bogor, September 2014
Urip Haryoko
DAFTAR ISI
DAFTAR TABEL
iii
DAFTAR GAMBAR
iv
DAFTAR LAMPIRAN
v
1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Kebaruan
Tujuan Penelitian
Manfaat Penelitian
Kerangka Pemikiran
Sistematika Penulisan
1
1
2
3
4
4
4
6
2 PERKEMBANGAN TEKNIK POST PROCESSING MODEL CUACA
NUMERIK
Model cuaca numerik NWP
Model Output Statistik (MOS)
Perkembangan dan pemanfaatan model MOS
7
7
8
11
3 PENENTUAN DOMAIN SPASIAL NWP
Pendahuluan
Bahan dan Metode
Hasil dan Pembahasan
Simpulan
15
15
16
22
30
4 PRAKIRAAN SUHU MAKSIMUM DAN MINIMUM
Pendahuluan
Bahan dan Metoda
Model prakiraan suhu maksimum
Model prakiraan suhu minimum
Simpulan
31
31
31
36
41
47
5 PRAKIRAAN KEJADIAN HUJAN HARIAN
Pendahuluan
Multiple Categoric Logistic Regression
Bahan dan Metode
Hasil dan Pembahasan
Simpulan
49
49
50
52
55
60
6 PEMBAHASAN UMUM
Penentuan domain spasial
Reduksi dimensi NWP
Prakiraan suhu maksimum dan minimum
61
61
62
62
Prakiraan kejadian hujan harian
63
7 SIMPULAN DAN SARAN
Simpulan
Saran
65
65
65
DAFTAR PUSTAKA
67
LAMPIRAN
70
RIWAYAT HIDUP
90
DAFTAR TABEL
1. Beberapa model NWP dari berbagai institusi dilihat dari segi substansi dan
metodologi
2. Daftar stasiun lokasi penelitian
3. Deskripsi statistik suhu maksimum dan minimum tahun 2010-2012
4. Prosentase kejadian hujan per kategori tahun 2010-2012
5. Domain spasial data NWP sekitar Jabodetabek
6. Nilai fraction of square covariance (SCF) (dalam%) dan korelasi (rho) pada
ekspansi 1 sampai 8 hasil analisis SVD
7. Penentuan waktu (UTC) pada prediktan dan prediktor pada dua model I dan II
8. Prediktor untuk model prakiraan suhu maksimum dan minimum
9. Nilai RMSE antara suhu maksimum pengamatan dan NWP (oC) pada setiap
titik grid domain 3 (hari ke-1)
10. Proporsi kumulatif nilai Eigen prediktor NWP jam 06, 30, 54 dan 78 UTC
untuk Model I dan II (Model I menggunakan statistik hari ke-1)
11. Parameter penyumbang variasi terbesar pada tiga komponen utama
12. Persentase kumulatif variasi komponen utama pada pemodelan PLSR
13. Nilai R2 (%) pada pemodelan PLSR Model I dan II (Model I hanya
menggunakan statistik hari ke-1)
14. Hasil verifikasi prakiraan suhu maksimum PLSR Model I dan Model II
15. Hasil verifikasi prakiraan suhu maksimum PCR Model I dan Model II
16. Resume nilai RMSE dan korelasi Model I dan II prakiraan suhu maksimum
17. Nilai Eeigen prediktor NWP jam 18, 42, 66 dan 90 UTC untuk prakiraan suhu
minimum Model II (Model I menggunakan statistik hari ke-1)
18. Parameter penyumbang variasi terbesar pada tiga komponen utama untuk
pemodelan suhu minimum
19. Persentase kumulatif variasi komponen utama pada pemodelan PLSR
20. Nilai RMSE antara suhu minimum pengamatan dan NWP (oC) pada setiap
titik grid domain 3 (hari ke-1)
21. Nilai R2 (%) pada pemodelan PLSR Model I dan II (Model I hanya
menggunakan statistik hari ke-1)
22. Hasil verifikasi prakiraan suhu minimum PLSR Model I dan Model II
23. Hasil verifikasi prakiraan suhu minimum PCR Model I dan Model II
24. Resume nilai RMSE dan korelasi Model I dan II prakiraan suhu minimum
25. Penentuan waktu (UTC) pada prediktan dan prediktor pada dua model
26. Prediktor untuk model prakiraan kejadian hujan harian
27. Tabel kontingensi pengamatan dan prakiraan
28. Nilai Akurasi MCLR Model I
29. Nilai Akurasi MCLR Model II
30. Proporsi kumulatif nilai Eigen prediktor NWP jam 00, 24, 48 dan 72 UTC
untuk Model I dan II (Model I hanya menggunakan statistik hari ke-1)
31. Parameter penyumbang variasi terbesar pada tiga komponen utama untuk
pemodelan PC-MCLR
32. Nilai akurasi PC-MCLR Model I
33. Nilai akurasi PC-MCLR Model II
34. Verifikasi akurasi (%) dengan selisih satu tingkat model prakiraan kejadian
hujan harian
8
17
17
17
18
28
33
34
36
37
37
38
38
39
40
41
42
42
43
43
43
44
46
47
53
54
55
56
56
56
57
58
58
59
DAFTAR GAMBAR
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
Tahapan pemodelan prakiraan suhu maksimum, suhu minimum dan kejadian
hujan harian
Perbandingan pendekatan Klasik, Perfect Prognosis dan MOS
(dikembangkan dari Wilks, 1995)
Referensi waktu yang digunakan untuk menentukan prediktor dan prediktan
(sumber : Maini et al. 2003)
Lokasi stasiun pengamatan cuaca dan domain spasial penelitian
Domain spasial sekitar Jabodetabek
Isokorelasi suhu maksimum Stasiun Bogor, Cengkareng, Curug dan Citeko
dengan suhu maksimum NWP GFS jam 06 UTC
Isokorelasi suhu maksimum Kemayoran, Pondok Betung, Tangerang dan
Tanjung Priok dengan suhu maksimum NWP GFS jam 06 UTC
Isokorelasi suhu maksimum Stasiun Bogor, Cengkareng, Curug dan Citeko
dengan suhu permukaan NWP GFS jam 06 UTC
Isokorelasi suhu maksimum Kemayoran, Pondok Betung, Tangerang dan
Tanjung Priok dengan suhu permukaan NWP GFS jam 06 UTC
Korelasi suhu maksimum observasi dengan prakiraan (kiri) dan RMSE suhu
maksimum observasi dan prakiraan (kanan)
Plot nilai korelasi dan RMSE Model PLSR (angka menyatakan nomor
domain)
Referensi waktu yang digunakan untuk menentukan prediktor dan prediktan
pemodelan prakiraan suhu maksimum dan minimum
Grafik verifikasi prakiraan suhu maksimum PLSR Model I dan Model II (rmin : korelasi minimum pada n=90 dan alpha=5%)
Grafik verifikasi prakiraan suhu maksimum PCR Model I dan II (r-min :
korelasi minimum pada n=90 dan alpha=5%)
Grafik verifikasi prakiraan suhu minimum PLSR Model I dan II(r-min :
korelasi minimum pada n=90 dan alpha=5%)
Grafik verifikasi prakiraan suhu minimum PCR Model I dan II (r-min :
korelasi minimum pada n=90 dan alpha=5%)
Distribusi peubah laten kontinyu dan titik-titik potong yang mendefinisikan
peubah respon ordinal
Referensi waktu yang digunakan untuk menentukan prediktor dan prediktan
model hujan
Grafik verifikasi (akurasi) prakiraan hujan dengan metode MCLR dan PCMCLR Model I dan Model II
5
10
13
18
19
24
25
26
27
29
29
32
39
40
45
47
51
53
58
DAFTAR LAMPIRAN
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
Daftar singkatan
Beberapa Teknik Model Output Statistics
Plot suhu maksimum pengamatan dan NWP jam 06 UTC pada grid 39 di
Stasiun Tanjung Priok, Kemayoran
Plot suhu maksimum pengamatan dan NWP jam 06 UTC pada grid 39 di
Stasiun Pondok Betung, Curug, Bogor dan Citeko
Persamaan regresi pemodelan suhu maksimum metode PLSR (koefisien
b11 sampai b270 tidak dicantumkan)
Statistik hasil pemodelan T-maks dengan metoda PCR Model I dan II
(Model I hanya menggunakan statistik hari ke 1)
Plot suhu maksimum pengamatan dan hasil prakiraan di Stasiun Tanjung
Priok, Kemayoran, Cengkareng dan Tangerang
Plot suhu maksimum pengamatan dan hasil prakiraan di Stasiun Pondok
Betung, Curug, Bogor dan Citeko
Plot suhu minimum pengamatan dan NWP jam 18 UTC pada grid 36 di
Stasiun Tanjung Priok, Kemayoran
Plot suhu minimum pengamatan dan NWP jam 18 UTC pada grid 36 di
Stasiun Pondok Betung, Curug, Bogor dan Citeko
Persamaan regresi pemodelan suhu minimum metode PLSR (koefisien
b11 sampai b270 tidak dicantumkan)
Statistik hasil pengolahan T-min dengan metoda PCR Model I(Model I
hanya menggunakan statistik hari ke-1)
Plot suhu minimum pengamatan dan hasil prakiraan di Stasiun Tanjung
Priok, Kemayoran, Cengkareng dan Tangerang
Plot suhu minimum pengamatan dan hasil prakiraan di Stasiun Pondok
Betung, Curug, Bogor dan Citeko
Statistik pemodelan PC-MCLR Model II hari ke 1 (Model I hanya
menggunakan statistik hari ke 1)
Statistik pemodelan PC-MCLR Model II hari ke 2
Statistik pemodelan PC-MCLR Model II hari ke 3
Statistik pemodelan PC-MCLR Model II hari ke 4
70
72
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
1 PENDAHULUAN
Latar Belakang
Pada saat ini pengguna informasi cuaca jangka pendek menuntut untuk
memperoleh informasi cuaca secara cepat dan tepat. Badan Meteorologi,
Klimatologi dan Geofisika (BKMG) telah membuat prakiraan harian untuk kotakota besar di Indonesia dengan parameter yang diramalkan adalah suhu
maksimum (T-maks), suhu minimum (T-min), kelembapan maksimum (RHmaks), kelembapan minimum (RH-min) dan kondisi cuaca khususnya kejadian
hujan harian (RR). Berdasarkan hasil verifikasi Bidang Analisa Meteorologi tahun
2004 melalui kegiatan ”Verifikasi dan jangkauan prakiraan cuaca jangka pendek”
bahwa prakiraan yang dibuat khususnya parameter T-maks, T-min, RH-maks,
RH-min dan cuaca belum memenuhi harapan atau kurang memuaskan.
Metoda prakiraan cuaca jangka pendek masih bersifat subyektif atau dengan
kata lain belum ada satu metoda prakiraan cuaca jangka pendek yang bersifat
obyektif. Obyektif yang dimaksud adalah dengan hanya memasukkan data maka
secara otomatis diperoleh nilai prakiraannnya, sehingga tidak ada lagi unsur
subyektifitas prakirawan.
Mengacu pada kondisi prakiraan cuaca jangka pendek BMKG saat ini, perlu
dikembangkan prakiraan cuaca jangka pendek yang tepat dan cepat secara
operasional. Dalam mengembangkan prakiraan cuaca jangka pendek memerlukan
waktu yang cukup lama mengingat sarana dan prasarana terutama basis data
masih belum memenuhi syarat. Sehingga perlu dicari suatu metoda prakiraan yang
murah dan mudah; dan penyediaan data yang valid. Metoda prakiraan statistik
dapat menjadi alternatif untuk mengatasi permasalahan di atas.
Metoda prakiraan cuaca obyektif dapat dikategorikan menjadi dua yaitu
metoda dinamis dan statistik (Epstein 1969; Flemming 1971). Metoda obyektif
lainnya adalah metoda dynamical downscaling dan statistical downscaling (SD)
(Bernardin et al. 2009). SD dapat digunakan sebagai alat untuk meramal cuaca di
suatu titik stasiun berdasarkan luaran model cuaca numerik.
Ada dua metoda yang dapat digunakan dalam meramal parameter cuaca
yang tidak dapat secara langsung dihasilkan dari sebuah model numerik (Klein, et
al., 1959). Pertama, perfect prog method, metoda ini mencari hubungan antara
peubah yang diduga dengan peubah yang dapat diramal oleh model dinamis.
Hubungan kedua peubah tersebut diterapkan pada output model numerik pada
proyeksi waktu ke depan (misal 36 jam ke depan) untuk menduga prediktan 36
jam ke depan setelah model dijalankan. Metoda yang kedua adalah Model Output
Statistics (MOS), metoda ini menentukan hubungan statistik antara prediktan dan
peubah dari model numerik pada beberapa proyeksi waktu.
MOS sebagai salah satu metoda post processing luaran numerical weather
prediction (NWP) dapat dipandang sebagai suatu metoda yang dapat diterapkan
dengan memanfaatkan data, sarana dan prasarana yang ada di BMKG saat ini,
tanpa harus mengadakan peralatan dan data baru. Model ini tidak memerlukan
peralatan komputer dengan kemampuan yang besar. MOS memanfaatkan data
NWP hasil prakiraan global. NWP adalah prakiraan cuaca jangka pendek sampai
dengan beberapa hari ke depan. Data yang dapat diperoleh dari NWP adalah data
2
cuaca pada lokasi grid berukuran sampai dengan 0,5o×0,5o (lintang × bujur) atau
sekitar (55 × 55) km2 dan pada beberapa ketinggian.
Permasalahan yang dihadapi BMKG adalah belum adanya prakiraan cuaca
obyektif yang dapat dioperasionalkan, terutama dalam pembuatan prakiraan suhu
maksimum, suhu minimum dan keadaan cuaca. Prakiraan yang dimaksud adalah
prakiraan cuaca di titik stasiun dengan waktu prakiraan sampai 4 hari ke depan.
Untuk itu perlu dikembangkan model prakiraan cuaca obyektif dengan
memanfaatkan luaran NWP. Langkah-langkah pengembangan model yang harus
dikaji adalah penentuan domain spasial dari NWP yang optimum untuk
pemodelan, pembuatan model prakiraan suhu maksimum dan minimum dan
prakiraan kejadian hujan harian dengan lima kategori yaitu tidak hujan, hujan
ringan, hujan sedang, hujan lebat dan hujan lebat sekali.
Perumusan Masalah
Kualitas prakiraan cuaca jangka pendek yang dikeluarkan oleh BMKG
masih belum akurat. Verifikasi prakiraan kejadian hujan (hujan/tidak hujan) untuk
wilayah Janbodetabek mempunyai akurasi sebesar 62% (Gustari et al. 2012),
sedangkan prakiraan cuaca secara umum di wilayah Jabodetabek mempunyai
tingkat akurasi sekitar 70% (Jatmiko HT 20 Agustus 2014, komunikasi pribadi).
Disamping itu cakupan wilayah yang diprakirakan masih pada tingkat Ibu Kota
Propinsi dan kota besar lainnya. Tuntutan pengguna prakiraan adalah prakiraan
cuaca yang menjangkau tingkat Kabupaten dan Kota dan waktu prakiraan lebih
panjang yaitu sampai dengan tujuh hari ke depan.
Prakiraan cuaca jangka pendek yang dihasilkan oleh BMKG saat ini masih
menggunakan mengandalkan subyektifitas prakirawan berdasarkan analisis cuaca
berbentuk grafik, peta dan interpretasi model numerik. Subyektifitas ini
tergantung pada keahlian dan pengalaman prakirawan. Prakirawan dengan
pengalaman yang lama dan mempunyai keahlian yang cukup cenderung
menghasilkan prakiraan yang lebih baik dibandingkan dengan prakirawan yang
belum berpengalaman. Adanya gap tingkat keahlian dan pengalaman ini
diperlukan suatu alat bantu yang dapat meminimalkan tingkat subyektifitas
prakirawan, sehingga perbedaan hasil prakiraan yang dibuat oleh keduanya dapat
diminimalkan, bahkan tidak ada perbedaan hasil.
Sampai saat ini BMKG belum mempunyai produk model cuaca numerik
(NWP) sendiri untuk yang dapat menyediakan prakiraan cuaca obyektif. Metoda
prakiraan obyektif yang digunakan BMKG adalah produk dari negara lain seperti
European Centre for Medium-Range Weather Forecast (ECMWF), Weather
Research Forecast (WRF), National Centers for Environmental Prediction
(NCEP), ARPEGE, CCAM, dan lain-lain. Luaran prakiraan cuaca di atas dalam
bentuk grid dengan ukuran yang bervariasi, ukuran grid terkecil adalah berukuran
0,5o × 0,5o (atau sekitar 55 km × 55 km). Luaran model numerik tersebut belum
bisa menghasilkan parameter yang diharapkan dan resolusinya masih kasar atau
dengan kata lain belum bisa memprakirakan parameter yang dibutuhkan dan
lokasi yang diperlukan. Untuk memperoleh prakiraan parameter dan resolusi yang
diharapkan dapat digunakan dengan interpretasi statistik terhadap luaran model
numerik.
3
Beberapa alasan mengapa interpretasi statistik luaran model cuaca numerik
diperlukan dalam memprakirakan cuaca permukaan (Wilks 1995), diantaranya
adalah sebagai berikut,
1) Terdapat perbedaan antara dunia nyata dengan model NWP. NWP
menyederhanakan dan meng-homogen-kan kondisi permukaan dengan
merepresentasikan permukaan bumi menjadi rangkaian titik grid. Dengan
demikian pengaruh skala lokal (topografi, perairan kecil/danau) yang
berpengaruh terhadap cuaca lokal tidak diperhitungkan dalam proses
pembuatan NWP.
2) Sirkulasi tropis dan sistem cuaca dipicu oleh proses fisis. Proses fisis, dalam
skala subgrid, direpresentasikan dalam model NWP dalam bentuk
parameterisasi. Dengan demikian model NWP tidak merepresentasikan lokasi
dan peubah yang dibutuhkan. Namun demikian, hubungan statistik dapat
dibangun antara informasi yang dihasilkan NWP dan nilai prakiraan yang
dimaksud.
3) Model NWP tidak sempurna, dan hasil prakiraannya masih terdapat kesalahan,
seperti systematic error. Hal ini menyebabkan timbulnya defisiensi dalam
pemodelan fisika. Prakiraan statistik berdasarkan pada NWP dapat
menggantikannya dan mengkoreksi beberapa kesalahan prakiraan.
4) Model NWP adalah deterministik dan tidak bisa secara penuh menjelaskan
proses stokastik cuaca. Namun, informasi NWP yang digunakan bersamaan
dengan metoda statistik memungkinkan untuk mengkuantifikasi dan
menjelaskan ketidakpastian dengan menghubungkannya dengan kondisi
prakiraan yang berbeda atau prakiraan probabilistik.
Berdasarkan uraian di atas, maka untuk memperoleh hasil prakiraan cuaca
obyektif yang dapat mengeluarkan parameter cuaca dan lokasi secara spesifik
diperlukan interpretasi statistik terhadap luaran NWP. Penggunaan model statistik
dan luaran beberapa model cuaca numerik akan menjadi dasar dalam penelitian ini.
Disamping itu pertimbangan lain yang harus digunakan adalah bahwa prakiraan
cuaca obyektif ini harus bisa dioperasionalkan. Pertimbangan tersebut adalah
waktu yang diperlukan untuk pembacaan data sampai menghasilkan prakiraan,
ketersediaan luaran NWP dan kelanjutannya, dukungan perangkat lunak dan keras
yang diperlukan.
Kebaruan
Pada penelitian ini ada 3 (tiga) kebaruan (novelty) , yaitu sebagai berikut :
1. Percobaan model prakiraan suhu maksimum, suhu minimum dan kejadian
hujan harian pada penelitian ini menggunakan beberapa metode yaitu PLSR,
PCR, MCLR dan PC-MCLR, dan dua model yaitu Model I dan II; maka
prakiraan untuk setiap lokasi stasiun yang mempunyai karakteristik tertentu
dapat ditingkatkan melalui pemilihan metode dan model yang menghasilkan
prakiraan paling baik.
2. Penentuan jumlah grid atau domain spasial NWP yang digunakan sebagai
prediktor dalam pemodelan MOS umumnya masih dilakukan secara subyektif.
Pada penelitian ini penentuan jumlah grid diseleksi menggunakan tiga metoda
yaitu SVD, peta korelasi dan PLSR, sehingga diperoleh jumlah grid optimum.
Jumlah grid optimum ini mampu meningkatkan keakuratan luaran NWP.
4
3. Luaran NWP pada kenyataannya belum mampu untuk meprakirakan unsur
cuaca di sebuah titik stasiun, hal ini dikarenakan pada pemodelan NWP
mengasumsikan bahwa wilayah dengan grid mempunyai sifat yang homogen.
Pada penelitian ini metode PCR Model I untuk prakiraan suhu dan PC-MCLR
untuk prakiraan kejadian hujan harian mampu meningkatkan keakuratan NWP
di semua stasiun.
Tujuan Penelitian
Pemodelan MOS untuk pendugaan parameter cuaca di suatu lokasi
menggunakan data luaran NWP telah banyak diterapkan di negara-negara subtropis seperti Amerika, Eropa, Australia, Jepang dan Korea. Model-model tersebut
tentunya didasarkan pada kondisi wilayah sub-tropis. Pada penelitian ini akan
dikembangkan pemodelan MOS untuk daerah tropis seperti Indonesia khususnya
di daerah Jabodetabek menggunakan data luaran NWP GFS yang diproduk oleh
NOAA. Secara umum tujuan penelitian ini adalah mengembangkan prakiraan
cuaca lokal dengan memanfaatkan luaran NWP dan data cuaca stasiun di beberapa
stasiun di Jabodetabek, sedangkan lebih spesifik tujuan penelitian ini adalah
sebagai berikut :
1) Menentukan domain spasial dari luaran NWP Global Forecast System (GFS)
yang optimum untuk post processing dalam pendugaan parameter cuaca suhu
maksimum, suhu minimum dan kejadian hujan harian.
2) Membangun model prakiraan unsur cuaca suhu maksimum dan suhu
minimum, empat hari ke depan dengan timestep satu hari.
3) Membangun model prakiraan kejadian hujan harian dengan lima kategori
(cerah, hujan ringan, hujan sedang, hujan lebat dan hujan lebat sekali) empat
hari ke depan dengan timestep satu hari.
Manfaat Penelitian
1) Menginformasikan metoda reduksi dimensi luaran model cuaca numerik yang
paling tepat sehingga dalam pemanfaatannya dalam pembuatan prakiraan
menjadi lebih efisien dari sisi waktu dan kompleksitasnya. Hal ini penting
karena data luaran model cuaca numerik mempunyai dimensi yang besar, pada
skala spasial mencakup wilayah seluruh dunia, secara temporal mempunyai
timestep yang sangat pendek (3 jam), secara vertikal mempunyai kerapatan
data yang tinggi (permukaan sampai dengan 10 mb) dan jumlah parameter
yang besar.
2) Merupakan upaya awal dalam rangka mengoperasionalkan model prakiraan
cuaca jangka pendek dengan memanfaatkan luaran model cuaca numerik.
Operasional dalam arti mulai dari teknik download, konversi data, cropping
data, reduksi dimensi dan pemodelan statistik.
3) Hasil penelitian ini dapat dioperasionalkan oleh BMKG dalam memberikan
prakiraan cuaca jangka pendek sampai hari ke empat dengan timestep satu hari.
Kerangka Pemikiran
Cakupan penelitian ini adalah meliputi studi literatur tentang perkembangan
teknik pemodelan post processing luaran NWP untuk prakiraan cuaca jangka
5
pendek dan permasalahan statistik yang sering timbul, penentuan domain spasial
(dalam bentuk grid) dari NWP yang secara signifikan mempengaruhi kondisi
cuaca lokal, menentukan peubah NWP-GFS yang berpotensi dapat dijadikan
sebagai prediktor dalam model prakiraan MOS, pembuatan model prakiraan
MOS untuk unsur suhu maksimum, suhu minimum, dan kejadian hujan harian.
Lokasi yang dijadikan sebagai sampel penelitian adalah wilayah Jabodetabek di 8
(delapan) Stasiun Meteorologi. Tahapan penelitian seperti tercantum pada Gambar
1.1.
Pemodelan MOS adalah menyusun pola hubungan statistik antara data
luaran model NWP dengan peubah cuaca lokal. Data NWP-GFS berskala global
yang mempunyai ukuran grid 0,5o×0,5o atau sekitar 55 km × 55 km, dengan
demikian diperlukan domain spasial yang tepat untuk menduga parameter cuaca
lokal. Data NWP dari domain yang terpilih tersebut menjadi prediktor pemodelan
yang menentukan dugaan parameter cuaca lokal. Sehingga penentuan domain
spasial dari NWP-GFS menjadi langkah pertama dalam pemodelan MOS.
Gambar 1.1. Tahapan pemodelan prakiraan suhu maksimum, suhu minimum dan
kejadian hujan harian
Pada penelitian ini akan diduga parameter cuaca suhu, dan peluang kejadian
hujan harian. Hasil identifikasi awal distribusi statistik dari data suhu udara
maksimum dan minimum, dan curah hujan harian, menunjukkan bahwa suhu
udara merupakan peubah kontinyu, linier dan berdistribusi normal, sedangkan
data hujan harian bersifat non-linier dan besdistribusi Gamma. Untuk itu,
pendugaan hujan harian diubah menjadi peluang kejadian hujan harian yang
6
merupakan data katagorik. Data luaran NWP-GFS bersifat curse of dimensionality
dan mempunyai korelasi yang tinggi antar paramater, antar grid, antar waktu dan
antar level; atau lebih dikenal terdapat multikolinieritas (Wigena 2006). Langkah
awal adalah menentukan domain spasial optimum yang tepat untuk menduga
parameter cuaca di daerah penelitian. Penentuan domain spasial digunakan
metode singular value decomposition (SVD), korelasi spasial dan partial least
square regression (PLSR). Untuk menanggulangi kondisi multikolinieritas, maka
langkah kedua penelitian ini adalah menghilangkan multikolinieritas atau reduksi
dimensi. Multikolinieritas dapat direduksi dengan menggunakan metoda PCA.
Proses selanjutnya adalah pemodelan MOS yaitu pembuatan model statistik
antara prediktor terpilih dengan parameter cuaca lokal. Untuk model suhu
digunakan metode PLSR dan PCR, dan model prakiraan kejadian hujan harian
menggunakan multiple categoric logistic reression (MCLR) dan principal
component multiple categoric logistic reression (PC-MCLR). Permasalahan
dalam pemodelan MOS adalah penentuan referensi jam yaitu mencocokkan jam
data NWP-GFS dan data pengamatan ditinjau dari hubungan secara fisis. Suhu
maksimum terjadi sekitar jam 13 – 14 WIB, suhu munimum terjadi sekitar jam 03
– 04 waktu setempat dan curah hujan harian merupakan akumulasi jam 07 sampai
jam 07 hari berikutnya. Dengan referensi waktu yang demikian, perlu
dipertimbangkan pola hubungan secara fisik dari prediktor terhadap parameter
cuaca di atas.
Performance model prakiraan baik pada saat pemodelan maupun
implementasi akan dilakukan kalibrasi dan verifikasi. Kalibrasi dan verifikasi
diukur berdasarkan nilai root mean square error of prediction (RMSEP) dan nilai
korelasi. Model prakiraan yang mempunyai nilai RMSEP relatif kecil dan nilai
korelasi mendekati satu adalah model yang mempunyai performance yang baik.
Sistematika Penulisan
Penulisan disertasi ini meliputi 7 bab. Bab 1 berisi latar belakang,
perumusan masalah, kebaruan, tujuan sampai dengan manfaaat penelitian. Bab 2
merupakan Bab yang membahas tentang perkembangan teknik post processing
model numerik, dimulai dari mengkaji model numerik cuaca NWP, sampai
dengan perkembangan dan pemanfaatan MOS dalam operasional pembuatan
prakiraan cuaca harian.
Bab 3, 4 dan 5 secara umum merupakan inti dari hasil peneltian ini. Bab 3
membahas reduksi dimensi spasial dari luaran NWP yang secara statistik
mempunyai pengaruh terhadap unsur cuaca di stasiun penelitian. Hasil dari Bab 3
ini merupakan dasar untuk membangun model pada Bab 4 dan 5.
Bab 4 membahas tentang model prakiraan suhu maksimum dan suhu
minimum menggunakan dua metoda yaitu PLSR dan principal component
regression (PCR) dan masing-masing metode diterapkan pada dua model.
Bab 5 membahas tentang model prakiraan kejadian hujan harian dengan
lima kategori menggunakan dua metode yaitu (MCLR) dan (PC-MCLR) dan
masing-masing diterapkan pada dua model berbeda.
Bab 6 merupakan rangkuman hasil dan pembahasan secara umum dari Bab
2 sampai dengan Bab 5. Simpulan dan saran disajikan pada Bab 7.
2 PERKEMBANGAN TEKNIK POST PROCESSING MODEL
CUACA NUMERIK
Model cuaca numerik NWP
Model cuaca numerik yang dimaksud adalah NWP yang dikeluarkan oleh
beberapa institusi seperti Japan Meteorological Agency (JMA), National Oceanic
and Atmospheric Administration (NOAA), ECMWF dan lain-lain. NWP
menggunakan model-model matematika atmosfer dan laut untuk memprediksi
cuaca berdasarkan kondisi cuaca saat ini. Beberapa institusi prakiraan global
maupun regional menjalankan model dalam berbagai bentuk menggunakan
pengamatan cuaca permukaan, radiosonde, radar dan satelit.
Ide tentang NWP pertama kali dicetuskan oleh Vilhelm Bjerknes pada tahun
1904. Bjerknes mendiskusikan penerapan hukum fisika untuk memecahkan
masalah prakiraan cuaca. Beberapa dekade sesudahnya, Lewis Fry Richardson
pada tahun 1922 menjelaskan tahapan-tahapan yang diperlukan dalam
pengumpulan dan pengolahan data serta mendiseminasikan prakiraan. Prakiraan
dengan timestep 6-jam dihitung, namun masih mengindikasikan kegagalan
(Shuman, 1989).
Pengolahan NWP untuk menyelesaikan persamaan atmosfer menggunakan
kalkulator diperlukan sekitar 64.000 orang yang bekerja bersama untuk
memperoleh prakiraan cuaca numerik. Hasil yang diperoleh belum memuaskan,
karena untuk menghitung prediksi 6 jam ke depan diperlukan waktu sekitar 6
minggu dan hasil ramalannya tidak sesuai dengan hasil pengamatan yaitu adanya
perubahan tekanan sebesar 145 hPa dalam waktu 6 jam (Shuman 1989).
Tahun 1946, ahli fisika dan matematika John von Neumann menyarankan
untuk memulai dengan model yang paling sederhana, yaitu persamaan barotropis
dari gerakan atmosfer, dimana evolusi aliran dijelaskan oleh efek konservasi
vortisitas absolut dari parsel udara. Dikarenakan semua pendekatan memerlukan
komputer untuk mengolah dan tersedia, maka model barotropis dibuat dan
berhasil sukses, prakiraan 2 – 3 hari ke depan dengan tingkat keterandalan yang
tinggi. Bahkan, perkembangannya mulai melihat kemungkinan menggunakan
model barokklinik. Sejak tahun 1950-an, dengan perkembangan komputer yang
cepat, beberapa negara telah memulai untuk mengoperasionalkan NWP pada level
500 mb untuk tiga hari ke depan menggunakan model barotropik (WMO 1999).
Tahun 1950-an, usaha lebih besar dari beberapa negara mengeksplorasi sifat
baroklinik dari atmosfer. Beberapa model quasi-geostropis didisain menggunakan
komputer untuk menghitung ketinggian geopotensial, angin dan suhu diturunkan
sebagai turunan spasial. Perhitungan ini menyertakan model pemanasan dari
bawah, friksi dan faktor orografi. Pada tahun 1960-an, mulai dikembangkan
model baroklinik quasi-geostropis untuk memprakirakan hanya sampai 1 – 2 hari
ke depan. Sedangkan untuk prakiraan jangka lebih panjang masih digunakan
model barotropik. Sampai selanjutnya dikembangkan model persamaan primitif
(PE) (WMO 1999).
Perkembangan NWP selanjutnya adalah menggunakan model PE. Model ini
merubah dalam pemodelan prakiraan angin, suhu dan kelembapan dengan
menggunakan persamaan gerak. Parameterisasi fisik seperti proses konveksi, yang
8
sulit untuk ditangani dalam model kuasi-geostropis, mudah untuk dimasukkan
dalam model, sehingga domain prakiraan dapat dikembangkan ke seluruh wilayah
global. Model persamaan PE pertama kali diimplementasikan pada tahun 1966,
dengan ukuran grid 300-km dan enam lapisan vertikal. Selama tahun 1970 dan
1980-an, beberapa model PE lainnya diimplementasikan pada level belahan bumi,
global atau bahkan model area terbatas (LAM) dengan resolusi tinggi pada area
yang lebih sempit (WMO 1999).
Pusat penelitian meteorologi yang berbeda mengembangkan dan
mengoperasikan berbagai model NWP. Karena aplikasi dan keterbatasan
komputasi, berbagai macam teknik numerik dan penyederhanaan persamaan
atmosfir yang digunakan. Tabel 2.1 menunjukkan berbagai model yang digunakan
diseluruh dunia (BMG 2007).
Tabel 2.1. Beberapa model NWP dari berbagai institusi dilihat dari segi substansi
dan metodologi
Pusat Penelitian
ECMWF
UK (UKMO)
USA (NCEP)
Canada (CMC)
France (Meteo France)
Germany (DWD)
Japan (JMA)
China (CMA)
HKO
Tipe model NWP
Global
Global
Regional
Global
Regional
Global
spectral
grid point
grid point
spectral
grid point
grid point
Global
Regional
Global
Regional
Global
Regional
Global
Regional
Regional
spectral
spectral
grid point
grid point
spectral
spectral
spectral
grid point
spectral
Resolusi
40 km
55 km
12 km
60 km
12 km
24 km over North
America
20 km over France
9 km
60 km
7 km
60 km
10 km
60 km
30 km
20 km
Model Output Statistik (MOS)
Metoda prakiraan cuaca obyektif dapat dikategorikan menjadi dua yaitu
metoda dinamis dan statistik. Perkembangannya menunjukkan bahwa metoda
stokastik-dinamik mulai dieksplorasi dan menjanjikan untuk dapat
dioperasionalkan di masa yang akan datang (Epstein 1969; Flemming 1971).
Metoda prakiraan cuaca obyektif dinamik atau sering dikenal dengan NWP adalah
model yang memprakirakan parameter cuaca, namun model ini tidak dapat
memprakirakan semua parameter cuaca secara lengkap dan masih menyisakan
kesalahan atau ketidakakuratan.
Ada dua metoda yang dapat digunakan dalam meramal parameter cuaca
yang tidak dapat secara langsung dihasilkan dari sebuah model numerik. Pertama,
9
perfect prog method, metoda ini mencari hubungan antara peubah yang diduga
dengan peubah yang dapat diramal oleh model dinamis (Klein et al. 1959).
Hubungan kedua peubah tersebut diterapkan pada output model numerik pada
proyeksi waktu ke depan (misal 36 jam ke depan) untuk menduga prediktan 36
jam ke depan setelah model dijalankan. Metoda yang kedua adalah MOS, metoda
ini menentukan hubungan statistik antara prediktan dan peubah dari model
numerik pada beberapa proyeksi waktu. Teknik MOS menentukan hubungan
statistik antara cuaca sebenarnya dengan model numeris. Sebagai contoh, dapat
diketahui berapa kali terjadi hujan jika hasil prediksi kelembapan udara dari
model sebesar 80% (Glahn dan Dale 1972).
MOS merupakan model yang meghubungkan antara peubah penjelas y
(observasi stasiun cuaca, seperti temperatur minimum, temperatur maksimum,
kecepatan angin dan sebagainya) dan peubah prediktor x (parameter NWP, seperti
temperatur, angin dan sebagainya pada berbagai grid dan level). Di samping itu
peubah prediktor dapat juga berupa parameter geografi seperti lintang, bujur dan
waktu (t). Tipe data peubah prediktor dapat digunakan beberapa tipe, diantaranya
kontiyu (seperti temperatur), diskret (seperti klasifikasi awan: 0=cerah, 1=
tersebar (scattered), 2=patah-patah (broken), dan 3=mendung), binary (seperti
1=terjadi presipitasi, 0= tidak terjadi presipitasi) dan diskontinyu.
MOS direpresentasikan dalam bentuk regresi berganda:
= +
+ ,
= 1,2, … ,
(2.1 )
dimana, β0 adalah konstanta regresi, βi koefisien regresi peubah prediktor x
ke-i , k adalah banyaknya peubah prediktor, dan n adalah banyaknya pengamatan.
Pendugaan parameter regresi yang seringkali digunakan adalah metode kuadrat
terkecil (ordinary least square). Di samping itu digunakan generalized additive
models (Vislocky dan Fritch, 1995a), regresi logistik untuk meramalkan fenomena
diskrit (Glahn et al. 1991; Hamill et al. 2004), dan jaringan syaraf tiruan
(Marzban 2003).
MOS mempunyai dua fungsi utama, yaitu: (1) teknik MOS menghasilkan
ramalan cuaca kuantitatif ke depan dan mungkin juga tidak secara eksplisit di
peroleh dari model. Seperti ramalan tipe presipitasi dan ramalan peluang
presipitasi, thunder, fog dan sebagainya, (2) MOS mereduksi rataan sisaan dari
ramalan raw model (NWP) dengan memperkecil bias dan pengkoreksian model
secara statistik (Neilley dan Hanson 2004). Pengkoreksian yang dimaksud
digunakan jika terdapat sisaan yang sistematik pada luaran model NWP, seperti
ramalan temperatur pada kondisi terlalu dingin pada hari mendung dan terlalu
panas pada hari cerah.
Perbandingan pendekatan Klasik, Perfect Prognosis dan MOS
Seperti diuraikan di atas bahwa beberapa metode yang seringkali digunakan
pemprosesan NWP adalah pendekatan klasik, perfect prognosis dan MOS.
Perbedaan yang nyata pada ketiga pendekatan adalah dalam penggunaan prediktor
dan time lag yang digunakan baik pada pembangunan model maupun
10
implementasi model. Gambar
perbandingan ketiga pendekatan.
2.1
adalah
diagram
yang
menunjukkan
Gambar 2.1. Perbandingan pendekatan Klasik, Perfect Prognosis dan MOS
(dikembangkan dari Wilks, 1995)
Pendekatan Klasik
Penjelas pada beberapa waktu yang akan datang, t, dijelaskan dalam fungsi
regresi fc menggunakan vektor (atau multiple) prediktor xo, dengan persamaan :
௧
(2.2 )
subscript 0 pada prediktor menyatakan bahwa nilai-nilainya merupakan
pengamatan pada saat atau sebelum waktu ramalan, yaitu waktu sebelum t (waktu
ramalan). Persamaan ini menekankan bahwa time lag dari ramalan dimasukkan
dalam membangun persamaan regresi. Persamaan di atas digunakan pada tahap
pembangunan model dan implementasi.
Pendekatan Perfect Prognosis (PP)
Pendekatan PP menggunakan persamaan yang berbeda pada tahap
pembangunan dan implementasi.
Persamaan tahap pembangunan se
LUARAN NWP DAN DATA PENGAMATAN STASIUN
CUACA
URIP HARYOKO
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI DISERTASI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa Disertasi berjudul “Model Prakiraan
Cuaca Harian Memanfaatkan Luaran NWP dan Data Stasiun” adalah benar karya
saya dengan arahan dari Komisi Pembimbing dan belum pernah 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 Disertasi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis ini kepada Institut
Pertanian Bogor.
Bogor, September 2014
Urip Haryoko
NIM G261090021
RINGKASAN
URIP HARYOKO. Model Prakiraan Cuaca Harian Memanfaatkan Luaran NWP
dan Data Pengamatan Stasiun Cuaca. Dibimbing oleh HIDAYAT PAWITAN,
EDVIN ALDRIAN dan AJI HAMIM WIGENA.
Masyarakat pengguna informasi prakiraan cuaca di Indonesia saat ini
menuntut adanya prakiraan cuaca yang cepat, tepat dan dapat menjangkau wilayah
yang luas dan detail hingga tingkat kabupaten serta menjangkau beberapa hari ke
depan. Informasi prakiraan cuaca di Indonesia saat ini baru menjangkau Kota-kota
besar dan kota kabupaten, namun hanya memprakirakan cuaca sampai satu hari ke
depan. Tantangan ini yang menjadikan pentingnya pengembangan model
prakiraan cuaca harian.
Permasalahan yang dihadapi dalam pemberian informasi prakiraan cuaca
harian oleh BMKG adalah belum adanya model prakiraan cuaca obyektif yang
dapat dioperasionalkan, terutama dalam pembuatan prakiraan suhu maksimum,
suhu minimum dan keadaan cuaca. Prakiraan yang dimaksud adalah prakiraan
cuaca di titik stasiun dengan waktu prakiraan sampai beberapa hari ke depan.
Untuk itu perlu dikembangkan model prakiraan cuaca obyektif dengan
memanfaatkan luaran NWP
Tujuan dari penelitian ini adalah (i) menentukan domain spasial luaran NWP,
(ii) membangun model prakiraan suhu maksimum dan suhu minimum, dan (iii)
kejadian hujan harian sampai empat hari ke depan di wilayah Jabodetabek.
Sebagai prediktor digunakan data luaran NWP Global Forecasting System (GFS),
sedangkan sebagai prediktan adalah data suhu maksimum, suhu minimum dan
kejadian hujan harian di delapan Stasiun Meteorologi sekitar Jabodetabek.
Model Output Statistics (MOS) adalah salah satu metoda statistical
downscaling (SD) pada tahap post processing luaran Numerical Weather
Prediction (NWP) untuk mendapatkan nilai prakiraan parameter cuaca di sebuah
titik stasiun pengamatan. Metode ini memanfaatkan luaran NWP yang tersedia
dari berbagai sumber dan data pengamatan stasiun cuaca. MOS merupakan model
yang meghubungkan antara peubah prediktan y (pengamatan stasiun cuaca, seperti
temperatur minimum, temperatur maksimum, kejadian hujan) dan peubah
prediktor x (parameter NWP, seperti temperatur, angin dan sebagainya pada
berbagai grid dan level)
Data luaran NWP meliputi wilayah global yang terbagi menjadi beberapa
ukuran persegi (grid). Ukuran grid data GFS yang digunakan dalam penelitian ini
adalah 0,5o×0,5o lintang/bujur, sehingga satu grid mempunyai ukuran sekitar
55×55 km2. Domain spasial atau jumlah grid NWP secara total meliputi 720×360
grid, namun demikian tidak semua grid NWP akan digunakaan sebagai prediktor.
Penentuan domain spasial yang optimum dalam MOS merupakan langkah awal
yang sangat menentukan hasil prakiraannya.
Pada tahap awal, domain spasial NWP ditentukan berukuran 8×8 grid,
selanjutnya dicobakan untuk beberapa domain, yaitu berukuran 2×2, 3×3, 3×4,
4×4 dan 5×5 grid. Tiga metoda digunakan untuk menentukan domain spasial,
yaitu metoda analisis korelasi spasial, singular value decomposition (SVD) dan
regresi partial least square (PLSR). Analisis ketiga metoda secara umum
menunjukkan hasil yang hampir sama, yaitu domain dengan ukuran 3×3 adalah
yang paling baik. Analisis korelasi spasial menunjukkan luasan dengan korelasi
lebih besar dari 0,4 hanya meliputi domain maksimal 3×3. Analisis SVD
menunjukkan bahwa keeratan hubungan secara simultan antara data observasi
dengan NWP hampir sama, yaitu pada ekspansi pertama. Sedangkan hasil
verifikasi analisis PLSR menggunakan korelasi dan root mean square error
(RMSE) menunjukkan bahwa grid berukuran 3×3 adalah domain terbaik.
Selanjutnya domain spasial berukuran 3×3 digunakan sebagai acuan dalam
pembangunan model prakiraan suhu dan kejadian hujan.
Pemodelan prakiraan suhu maksimum dan minimum menggunakan metode
PLSR dan Principal Component Regression (PCR), dan keduanya diterapkan
dalam dua model yaitu Model I dan Model II. Pada Model I, tahap pengembangan
model menggunakan prediktor luaran NWP pada hari ke-1, sedangkan tahap
implementasi menggunakan luaran NWP hari ke-1, ke-2, ke-3 dan ke-4. Pada
Model II, tahap pengembangan dan implementasi menggunakan luaran NWP pada
hari yang sama.
Hasil verifikasi prakiraan suhu maksimum dan minimum menunjukkan
bahwa secara umum kedua metode dapat mengeliminasi error yang terbawa oleh
NWP, yaitu rata-rata akurasi untuk prakiraan suhu maksimum mampu
ditingkatkan sebesar 0,86oC dan suhu minimum 1,35oC. Berdasarkan nilai RMSE
dan korelasi hasil prakiraan dengan empat model prakiraan suhu maksimum,
dapat disimpulkan bahwa metode PCR Model I merupakan model terbaik.
Demikian juga untuk model prakiraan suhu minimum, metode PCR Model I
merupakan model yang terbaik. Nilai RMSE prakiraan suhu maksimum hari ke-i
cenderung lebih kecil dibandingkan prakiraan hari ke -(i+1). Demikian pula nilai
korelai prakiraan dan pengamatan ke-i cenderung lebih besar dibandingkan
dengan hari ke-(i+1).
Kejadian hujan harian dikategorikan ke dalam lima kategori, yaitu cerah
(tidak hujan), hujan ringan, hujan sedang, hujan lebat dan hujan sangat lebat.
Pemodelan dengan prediktan berupa data kategorik dan prediktor berupa data
kontinyu digunakan metode Multiple Categorical Logistic Regression (MCLR)
dan Principal Component-MCLR (PC-MCLR); keduanya di diterapkan dengan
dua model, yaitu Model I dan Model II. Nilai percent correct prakiraan metode
PC-MCLR Model II mencapai tertinggi 69,6%. Nilai percent correct di atas 55%
tercatat di empat lokasi (Tanjung Priok, Kemayoran, Cengkareng dan Tangerang),
namun di empat lokasi lainnya (Pondok Betung, Curug, Bogor dan Curug) kurang
dari 55%. Dengan demikian untuk daerah datar sekitar pantai mempunyai akurasi
yang lebih baik dibandingkan dengan daerah selatan yang lebih tinggi. Secara
umum Metode PC-MCLR Model II lebih baik dari metode dan model lainnya.
Keakuratan prakiraan kejadian hujan dari ke hari tidak menunjukkan pola yang
jelas. Akurasi prakiraan hari ke-1 sampai hari ke-4 tidak seluruhnya menunjukkan
adanya penurunan akurasi pada prakiraan hari yang lebih jauh. Untuk beberapa
lokasi, menunjukkan bahwa makin jauh waktu prakiraan justru akurasinya lebih
baik.
Kata kunci : numerical weather prediction, statistical downscaling, model output
statistics, PLSR, PCR, MCLR, PC-MCLR
SUMMARY
URIP HARYOKO. Daily Weather Forecast Model Using NWP Output and
Weather Station Observation Data. Supervised by HIDAYAT PAWITAN,
EDVIN ALDRIAN and AJI HAMIM WIGENA.
The user of weather forecast in Indonesia always demands an accurate and
fast weather forecast, and reaches in a wide area and detail to the district level as
well as reaching the next few days. However, weather forecast nowadays is only
reach on big cities and only predict the up to one day ahead. This challenge makes
the importance of daily weather forecast development.
The problems faced in the provision of daily weather forecast is the absence
of an objective weather forecasting models, especially in creating the forecast of
maximum temperature, minimum temperature and weather conditions. The
expected forecasts is the weather forecast at the station for several days ahead. So,
it is necessary to develop an objective weather forecast model by utilizing the
NWP output.
The purpose of this study was : (i) to determine NWP spatial domain, (ii) to
develop a forecast model of maximum temperature and minimum temperature and
(iii) daily precipitation event up four days ahead around Jabodetabek. The model
used NWP Data of Global Forecasting System (GFS) as a predictor, while the
maximum temperature, minimum temperature and daily rainfall event of eight
Station around Jabodetabek as predictand.
Model Output Statistics (MOS) is one of the statistical downscaling (SD)
method in post-processing of Numerical Weather Prediction (NWP) output to get
weather forecasts at a point of observation stations. This method uses NWP output
which is released by several source and station observation data. MOS is a model
which connected predictand y (station observation data i.e. minimum and
maximum temperature, precipitation event) and predictor x (NWP output i.e.
temperature, wind, etc. in several grid and level).
NWP output which cover global area are divided into several squares (grid).
GFS grid size used in this study is 0,5o × 0,5o latitude / longitude, so that the grid
has a size of about 55 × 55 km2. Spatial domain or the total number of grid of
NWP consist of 720 × 360 grid, however, not all NWP grid will be used as
predictors. Determination of optimum spatial domain in MOS development is the
important step to get the best forecasts.
In the first stage, spatial domain of NWP was defined as 8×8 grids, then
attempted for some domains, i.e. 2×2, 3×3, 3×4, 4×4 and 5×5 grids. Three
methods for determining spatial domain were spatial correlation analysis, singular
value decomposition (SVD) and partial least square regression (PLSR). Those
three analysis methods generally showed similar results, spatial domains with size
3×3 is the most excellent. Spatial correlation analysis shows that the size of the
area which have correlation greater than 0.4 was only covers a maximum of 3×3
domain. SVD analysis suggests that the simultaneous relationship between the
observation data with NWP is almost the same in the first expansion. While the
results of the verification PLSR analysis using correlation and root mean square
error (RMSE) indicates that 3×3 grid is the best domain. So that the domain of
3×3 grid was used as a reference domain in developing forecast of temperature
and precipitation event.
PLSR and Principal Component Regression (PCR) was used to develop
maximum and minimum temperature forecast model, and both of them were
applied in the two models, Model I and Model II. Model I, in development step,
used NWP output at 1-st day as predictor, and in the implementation step used
NWP output at 2-nd, 3-rd and 4-th day. Model II, in development and
implementation step used NWP output at the same days.
Maximum and minimum temperature forecast verification result showed
that both methods could eliminate systematic error of NWP, the maximum
temperature forecast models were able to increase accuracy up to 0.86° C and for
minimum temperature forecast model were 1.35oC. The accuracy of ith- day
prediction was better then (i+1)th-day prediction. Based on RMSE and correlation
of four maximum temperature forecast models, it can be concluded that the PCR
Model I is the best model. Similarly, the minimum temperature forecast model,
Model I PCR method is the best model. RMSE value of the maximum temperature
forecast at i-th was smaller than the forecast at (i+1)th day. Similarly, the value of
correlation between forecasts and observations at i-th day tend to be larger than
the (i + 1)th.
Precipitation event are categorized into five categories, namely sunny (no
rain), light rain, moderate rain, heavy rain and very heavy rain. In developing
model with categorical data as predictand and continual data as predictor, it was
used Multiple Logistic Regression (MCLR) and Principal Component-MCLR
(PCMCLR). Both methods are implemented in two model, Model I and Model II.
Percent correct of PC-MCLR Model II reached 69.6%. Percent correct values
above 55% was recorded at four sites (Tanjung Priok, Kemayoran, Cengkareng
Tangerang), but in four other locations (Pondok Betung, Curug, Bogor and
Citeko) were less than 55%. Thus, for flat areas around the coast has better
accuracy than the higher southern regions. In general, PC-MCLR Model Method
II is better than other methods and models. The accuracy of rainfall forecasts at
day to day did not show a clear pattern. Forecast accuracy at day 1 to day 4 was
not entirely showed a decrease in accuracy of forecasts. For some locations,
showed the further time forecasts even has better accuracy.
Keywords : numerical weather prediction, statistical downscaling, model output
statistics, PLSR,, PCR, MCLR, PC-MCLR
© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
MODEL PRAKIRAAN CUACA HARIAN MEMANFAATKAN
LUARAN NWP DAN DATA PENGAMATAN STASIUN
CUACA
URIP HARYOKO
Disertasi
sebagai salah satu syarat untuk memperoleh gelar
Doktor
pada
Program Studi Klimatologi Terapan
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Ujian Sidang Tertutup
: Kamis, 14 Agustus 2014
Penguji pada Ujian Tertutup : Dr Ardhasena Sopaheluwakan
Dr Rahmat Hidayat, MSc.
Ujian Sidang terbuka
: Jumat, 12 September 2014
Penguji pada Ujian Terbuka : Dr Andi Eka Sakya, MEng.
Prof Dr Ir Ahmad Bey, MSc.
Judul Disertasi: Model Prakiraan Cuaca Harian Memanfaatkan Luaran NWP dan
Data Pengamatan Stasiun Cuaca
Nama
: Urip Haryoko
NIM
: G261090021
Disetujui oleh
Komisi Pembimbing
Prof Dr Ir Hidayat Pawitan, MSc.
Ketua
Prof Dr Edvin Aldrian, BEng, MSc, APU
Anggota
Dr Ir Aji Hamim Wigena, MSc
Anggota
Diketahui oleh
Ketua Program Studi
Klimatologi Terapan
Dekan Sekolah Pascasarjana
Dr Ir Impron, MSc
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian:
14 Agustus 2014
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga disertasi program Doktor pada program studi
Klimatologi Terapan Sekolah Pascasarjana Institut Pertanian Bogor ini berhasil
diselesaikan. Tema yang dipilih dalam penelitian ini ialah prakiraan cuaca, dengan
judul Model “Prakiraan Cuaca Harian Memanfaatkan Luaran NWP dan Data
Pengamatan Stasiun Cuaca”. Prakiraan cuaca harian merupakan informasi publik
yang harus diberikan oleh BMKG kepada pengguna setiap hari. Informasi
prakiraan cuaca sangat diharapkan oleh masyarakat luas dalam mempersiapkan
kegiatan sehari-hari.
Pada kesempatan ini, dengan selesainya penelitian dan penyusunan Disertasi,
penulis ingin menyampaikan penghargaan kepada semua pihak yang telah
memberikan bantuan dan dukungan, serta kerja sama yang baik. Untuk itu penulis
menyampaikan terima kasih yang tidak terhingga kepada :
1. Prof Dr Ir Hidayat Pawitan MSc. selaku Ketua Komisi Pembimbing dan atas
segala bimbingan, arahan dan kerjasamanya selama proses penyusunan
disertasi ini.
2. Prof Dr Edvin Aldrian, BEng, MSc dan Bapak Dr Ir Aji Hamim Wigena,
MSc, selaku Anggota Komisi Pembimbing, atas bimbingan dan arahan selama
proses pengolahan data dan penyusunan disertasi ini.
3. Ketua Program Studi Klimatologi Terapan Departemen Geofisika dan
Meteorologi IPB, atas bimbingan, kerjasama, dan dorongan semangat selama
penulis menjadi mahasiswa.
4. Kepala BMKG, Deputi Bidang Instrumentasi Kalibrasi Rekayasa dan Jaringan
Komunikasi, dan Kepala Pusat Database BMKG atas ijin yang diberikan
untuk melanjutkan kuliah di jenjang S-3.
5. Ibu Dr. Ir. Sriworo B. Harijono, MSc. atas dorongan dan motivasi sehingga
penulis dapat melanjutkan kuliah program Doktor IPB.
6. Dr. Ardhasena Sopaheluwakan, Dr. Rahmat Hidayat, MSc., Dr. Andi Eka
Sakya, M.Eng, dan Prof. Dr. Ir. Ahmad Bey, MSc. atas koreksi dan saran
pada pelaksanaan sidang tertutup dan terbuka.
7. Drs. Yunus S. Swarinoto, MSi., Drs. Erwin Makmur, MSi. dan Dr. Ir. Salwati,
MSi. atas kekompakan dan kerjasama yang baik selama masa perkuliahan.
Tak lupa pula semua staf dan pimpinan Pusat Database, BMKG, saya ucapkan
terimakasih.
8. Ibunda tercinta, atas doa dan dukungan moril sehingga penulis dapat
menyelesaikan studi ini.
9. Istri tersayang Nelly Nuryana dan ananda tercinta Rizky Arifianto, atas
kesabaran dan ketabahannya dalam mendampingi dan mendukung penulis
untuk menyelesaikan tugas ini.
Penulis berharap, semoga dukungan, doa dan kerjasama dari semua pihak
mendapat ridho dari Allah SWT. Semoga hasil penelitian ini dapat bermanfaat
bagi pengembangan ilmu khususnya prakiraan cuaca.
Bogor, September 2014
Urip Haryoko
DAFTAR ISI
DAFTAR TABEL
iii
DAFTAR GAMBAR
iv
DAFTAR LAMPIRAN
v
1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Kebaruan
Tujuan Penelitian
Manfaat Penelitian
Kerangka Pemikiran
Sistematika Penulisan
1
1
2
3
4
4
4
6
2 PERKEMBANGAN TEKNIK POST PROCESSING MODEL CUACA
NUMERIK
Model cuaca numerik NWP
Model Output Statistik (MOS)
Perkembangan dan pemanfaatan model MOS
7
7
8
11
3 PENENTUAN DOMAIN SPASIAL NWP
Pendahuluan
Bahan dan Metode
Hasil dan Pembahasan
Simpulan
15
15
16
22
30
4 PRAKIRAAN SUHU MAKSIMUM DAN MINIMUM
Pendahuluan
Bahan dan Metoda
Model prakiraan suhu maksimum
Model prakiraan suhu minimum
Simpulan
31
31
31
36
41
47
5 PRAKIRAAN KEJADIAN HUJAN HARIAN
Pendahuluan
Multiple Categoric Logistic Regression
Bahan dan Metode
Hasil dan Pembahasan
Simpulan
49
49
50
52
55
60
6 PEMBAHASAN UMUM
Penentuan domain spasial
Reduksi dimensi NWP
Prakiraan suhu maksimum dan minimum
61
61
62
62
Prakiraan kejadian hujan harian
63
7 SIMPULAN DAN SARAN
Simpulan
Saran
65
65
65
DAFTAR PUSTAKA
67
LAMPIRAN
70
RIWAYAT HIDUP
90
DAFTAR TABEL
1. Beberapa model NWP dari berbagai institusi dilihat dari segi substansi dan
metodologi
2. Daftar stasiun lokasi penelitian
3. Deskripsi statistik suhu maksimum dan minimum tahun 2010-2012
4. Prosentase kejadian hujan per kategori tahun 2010-2012
5. Domain spasial data NWP sekitar Jabodetabek
6. Nilai fraction of square covariance (SCF) (dalam%) dan korelasi (rho) pada
ekspansi 1 sampai 8 hasil analisis SVD
7. Penentuan waktu (UTC) pada prediktan dan prediktor pada dua model I dan II
8. Prediktor untuk model prakiraan suhu maksimum dan minimum
9. Nilai RMSE antara suhu maksimum pengamatan dan NWP (oC) pada setiap
titik grid domain 3 (hari ke-1)
10. Proporsi kumulatif nilai Eigen prediktor NWP jam 06, 30, 54 dan 78 UTC
untuk Model I dan II (Model I menggunakan statistik hari ke-1)
11. Parameter penyumbang variasi terbesar pada tiga komponen utama
12. Persentase kumulatif variasi komponen utama pada pemodelan PLSR
13. Nilai R2 (%) pada pemodelan PLSR Model I dan II (Model I hanya
menggunakan statistik hari ke-1)
14. Hasil verifikasi prakiraan suhu maksimum PLSR Model I dan Model II
15. Hasil verifikasi prakiraan suhu maksimum PCR Model I dan Model II
16. Resume nilai RMSE dan korelasi Model I dan II prakiraan suhu maksimum
17. Nilai Eeigen prediktor NWP jam 18, 42, 66 dan 90 UTC untuk prakiraan suhu
minimum Model II (Model I menggunakan statistik hari ke-1)
18. Parameter penyumbang variasi terbesar pada tiga komponen utama untuk
pemodelan suhu minimum
19. Persentase kumulatif variasi komponen utama pada pemodelan PLSR
20. Nilai RMSE antara suhu minimum pengamatan dan NWP (oC) pada setiap
titik grid domain 3 (hari ke-1)
21. Nilai R2 (%) pada pemodelan PLSR Model I dan II (Model I hanya
menggunakan statistik hari ke-1)
22. Hasil verifikasi prakiraan suhu minimum PLSR Model I dan Model II
23. Hasil verifikasi prakiraan suhu minimum PCR Model I dan Model II
24. Resume nilai RMSE dan korelasi Model I dan II prakiraan suhu minimum
25. Penentuan waktu (UTC) pada prediktan dan prediktor pada dua model
26. Prediktor untuk model prakiraan kejadian hujan harian
27. Tabel kontingensi pengamatan dan prakiraan
28. Nilai Akurasi MCLR Model I
29. Nilai Akurasi MCLR Model II
30. Proporsi kumulatif nilai Eigen prediktor NWP jam 00, 24, 48 dan 72 UTC
untuk Model I dan II (Model I hanya menggunakan statistik hari ke-1)
31. Parameter penyumbang variasi terbesar pada tiga komponen utama untuk
pemodelan PC-MCLR
32. Nilai akurasi PC-MCLR Model I
33. Nilai akurasi PC-MCLR Model II
34. Verifikasi akurasi (%) dengan selisih satu tingkat model prakiraan kejadian
hujan harian
8
17
17
17
18
28
33
34
36
37
37
38
38
39
40
41
42
42
43
43
43
44
46
47
53
54
55
56
56
56
57
58
58
59
DAFTAR GAMBAR
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
Tahapan pemodelan prakiraan suhu maksimum, suhu minimum dan kejadian
hujan harian
Perbandingan pendekatan Klasik, Perfect Prognosis dan MOS
(dikembangkan dari Wilks, 1995)
Referensi waktu yang digunakan untuk menentukan prediktor dan prediktan
(sumber : Maini et al. 2003)
Lokasi stasiun pengamatan cuaca dan domain spasial penelitian
Domain spasial sekitar Jabodetabek
Isokorelasi suhu maksimum Stasiun Bogor, Cengkareng, Curug dan Citeko
dengan suhu maksimum NWP GFS jam 06 UTC
Isokorelasi suhu maksimum Kemayoran, Pondok Betung, Tangerang dan
Tanjung Priok dengan suhu maksimum NWP GFS jam 06 UTC
Isokorelasi suhu maksimum Stasiun Bogor, Cengkareng, Curug dan Citeko
dengan suhu permukaan NWP GFS jam 06 UTC
Isokorelasi suhu maksimum Kemayoran, Pondok Betung, Tangerang dan
Tanjung Priok dengan suhu permukaan NWP GFS jam 06 UTC
Korelasi suhu maksimum observasi dengan prakiraan (kiri) dan RMSE suhu
maksimum observasi dan prakiraan (kanan)
Plot nilai korelasi dan RMSE Model PLSR (angka menyatakan nomor
domain)
Referensi waktu yang digunakan untuk menentukan prediktor dan prediktan
pemodelan prakiraan suhu maksimum dan minimum
Grafik verifikasi prakiraan suhu maksimum PLSR Model I dan Model II (rmin : korelasi minimum pada n=90 dan alpha=5%)
Grafik verifikasi prakiraan suhu maksimum PCR Model I dan II (r-min :
korelasi minimum pada n=90 dan alpha=5%)
Grafik verifikasi prakiraan suhu minimum PLSR Model I dan II(r-min :
korelasi minimum pada n=90 dan alpha=5%)
Grafik verifikasi prakiraan suhu minimum PCR Model I dan II (r-min :
korelasi minimum pada n=90 dan alpha=5%)
Distribusi peubah laten kontinyu dan titik-titik potong yang mendefinisikan
peubah respon ordinal
Referensi waktu yang digunakan untuk menentukan prediktor dan prediktan
model hujan
Grafik verifikasi (akurasi) prakiraan hujan dengan metode MCLR dan PCMCLR Model I dan Model II
5
10
13
18
19
24
25
26
27
29
29
32
39
40
45
47
51
53
58
DAFTAR LAMPIRAN
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
Daftar singkatan
Beberapa Teknik Model Output Statistics
Plot suhu maksimum pengamatan dan NWP jam 06 UTC pada grid 39 di
Stasiun Tanjung Priok, Kemayoran
Plot suhu maksimum pengamatan dan NWP jam 06 UTC pada grid 39 di
Stasiun Pondok Betung, Curug, Bogor dan Citeko
Persamaan regresi pemodelan suhu maksimum metode PLSR (koefisien
b11 sampai b270 tidak dicantumkan)
Statistik hasil pemodelan T-maks dengan metoda PCR Model I dan II
(Model I hanya menggunakan statistik hari ke 1)
Plot suhu maksimum pengamatan dan hasil prakiraan di Stasiun Tanjung
Priok, Kemayoran, Cengkareng dan Tangerang
Plot suhu maksimum pengamatan dan hasil prakiraan di Stasiun Pondok
Betung, Curug, Bogor dan Citeko
Plot suhu minimum pengamatan dan NWP jam 18 UTC pada grid 36 di
Stasiun Tanjung Priok, Kemayoran
Plot suhu minimum pengamatan dan NWP jam 18 UTC pada grid 36 di
Stasiun Pondok Betung, Curug, Bogor dan Citeko
Persamaan regresi pemodelan suhu minimum metode PLSR (koefisien
b11 sampai b270 tidak dicantumkan)
Statistik hasil pengolahan T-min dengan metoda PCR Model I(Model I
hanya menggunakan statistik hari ke-1)
Plot suhu minimum pengamatan dan hasil prakiraan di Stasiun Tanjung
Priok, Kemayoran, Cengkareng dan Tangerang
Plot suhu minimum pengamatan dan hasil prakiraan di Stasiun Pondok
Betung, Curug, Bogor dan Citeko
Statistik pemodelan PC-MCLR Model II hari ke 1 (Model I hanya
menggunakan statistik hari ke 1)
Statistik pemodelan PC-MCLR Model II hari ke 2
Statistik pemodelan PC-MCLR Model II hari ke 3
Statistik pemodelan PC-MCLR Model II hari ke 4
70
72
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
1 PENDAHULUAN
Latar Belakang
Pada saat ini pengguna informasi cuaca jangka pendek menuntut untuk
memperoleh informasi cuaca secara cepat dan tepat. Badan Meteorologi,
Klimatologi dan Geofisika (BKMG) telah membuat prakiraan harian untuk kotakota besar di Indonesia dengan parameter yang diramalkan adalah suhu
maksimum (T-maks), suhu minimum (T-min), kelembapan maksimum (RHmaks), kelembapan minimum (RH-min) dan kondisi cuaca khususnya kejadian
hujan harian (RR). Berdasarkan hasil verifikasi Bidang Analisa Meteorologi tahun
2004 melalui kegiatan ”Verifikasi dan jangkauan prakiraan cuaca jangka pendek”
bahwa prakiraan yang dibuat khususnya parameter T-maks, T-min, RH-maks,
RH-min dan cuaca belum memenuhi harapan atau kurang memuaskan.
Metoda prakiraan cuaca jangka pendek masih bersifat subyektif atau dengan
kata lain belum ada satu metoda prakiraan cuaca jangka pendek yang bersifat
obyektif. Obyektif yang dimaksud adalah dengan hanya memasukkan data maka
secara otomatis diperoleh nilai prakiraannnya, sehingga tidak ada lagi unsur
subyektifitas prakirawan.
Mengacu pada kondisi prakiraan cuaca jangka pendek BMKG saat ini, perlu
dikembangkan prakiraan cuaca jangka pendek yang tepat dan cepat secara
operasional. Dalam mengembangkan prakiraan cuaca jangka pendek memerlukan
waktu yang cukup lama mengingat sarana dan prasarana terutama basis data
masih belum memenuhi syarat. Sehingga perlu dicari suatu metoda prakiraan yang
murah dan mudah; dan penyediaan data yang valid. Metoda prakiraan statistik
dapat menjadi alternatif untuk mengatasi permasalahan di atas.
Metoda prakiraan cuaca obyektif dapat dikategorikan menjadi dua yaitu
metoda dinamis dan statistik (Epstein 1969; Flemming 1971). Metoda obyektif
lainnya adalah metoda dynamical downscaling dan statistical downscaling (SD)
(Bernardin et al. 2009). SD dapat digunakan sebagai alat untuk meramal cuaca di
suatu titik stasiun berdasarkan luaran model cuaca numerik.
Ada dua metoda yang dapat digunakan dalam meramal parameter cuaca
yang tidak dapat secara langsung dihasilkan dari sebuah model numerik (Klein, et
al., 1959). Pertama, perfect prog method, metoda ini mencari hubungan antara
peubah yang diduga dengan peubah yang dapat diramal oleh model dinamis.
Hubungan kedua peubah tersebut diterapkan pada output model numerik pada
proyeksi waktu ke depan (misal 36 jam ke depan) untuk menduga prediktan 36
jam ke depan setelah model dijalankan. Metoda yang kedua adalah Model Output
Statistics (MOS), metoda ini menentukan hubungan statistik antara prediktan dan
peubah dari model numerik pada beberapa proyeksi waktu.
MOS sebagai salah satu metoda post processing luaran numerical weather
prediction (NWP) dapat dipandang sebagai suatu metoda yang dapat diterapkan
dengan memanfaatkan data, sarana dan prasarana yang ada di BMKG saat ini,
tanpa harus mengadakan peralatan dan data baru. Model ini tidak memerlukan
peralatan komputer dengan kemampuan yang besar. MOS memanfaatkan data
NWP hasil prakiraan global. NWP adalah prakiraan cuaca jangka pendek sampai
dengan beberapa hari ke depan. Data yang dapat diperoleh dari NWP adalah data
2
cuaca pada lokasi grid berukuran sampai dengan 0,5o×0,5o (lintang × bujur) atau
sekitar (55 × 55) km2 dan pada beberapa ketinggian.
Permasalahan yang dihadapi BMKG adalah belum adanya prakiraan cuaca
obyektif yang dapat dioperasionalkan, terutama dalam pembuatan prakiraan suhu
maksimum, suhu minimum dan keadaan cuaca. Prakiraan yang dimaksud adalah
prakiraan cuaca di titik stasiun dengan waktu prakiraan sampai 4 hari ke depan.
Untuk itu perlu dikembangkan model prakiraan cuaca obyektif dengan
memanfaatkan luaran NWP. Langkah-langkah pengembangan model yang harus
dikaji adalah penentuan domain spasial dari NWP yang optimum untuk
pemodelan, pembuatan model prakiraan suhu maksimum dan minimum dan
prakiraan kejadian hujan harian dengan lima kategori yaitu tidak hujan, hujan
ringan, hujan sedang, hujan lebat dan hujan lebat sekali.
Perumusan Masalah
Kualitas prakiraan cuaca jangka pendek yang dikeluarkan oleh BMKG
masih belum akurat. Verifikasi prakiraan kejadian hujan (hujan/tidak hujan) untuk
wilayah Janbodetabek mempunyai akurasi sebesar 62% (Gustari et al. 2012),
sedangkan prakiraan cuaca secara umum di wilayah Jabodetabek mempunyai
tingkat akurasi sekitar 70% (Jatmiko HT 20 Agustus 2014, komunikasi pribadi).
Disamping itu cakupan wilayah yang diprakirakan masih pada tingkat Ibu Kota
Propinsi dan kota besar lainnya. Tuntutan pengguna prakiraan adalah prakiraan
cuaca yang menjangkau tingkat Kabupaten dan Kota dan waktu prakiraan lebih
panjang yaitu sampai dengan tujuh hari ke depan.
Prakiraan cuaca jangka pendek yang dihasilkan oleh BMKG saat ini masih
menggunakan mengandalkan subyektifitas prakirawan berdasarkan analisis cuaca
berbentuk grafik, peta dan interpretasi model numerik. Subyektifitas ini
tergantung pada keahlian dan pengalaman prakirawan. Prakirawan dengan
pengalaman yang lama dan mempunyai keahlian yang cukup cenderung
menghasilkan prakiraan yang lebih baik dibandingkan dengan prakirawan yang
belum berpengalaman. Adanya gap tingkat keahlian dan pengalaman ini
diperlukan suatu alat bantu yang dapat meminimalkan tingkat subyektifitas
prakirawan, sehingga perbedaan hasil prakiraan yang dibuat oleh keduanya dapat
diminimalkan, bahkan tidak ada perbedaan hasil.
Sampai saat ini BMKG belum mempunyai produk model cuaca numerik
(NWP) sendiri untuk yang dapat menyediakan prakiraan cuaca obyektif. Metoda
prakiraan obyektif yang digunakan BMKG adalah produk dari negara lain seperti
European Centre for Medium-Range Weather Forecast (ECMWF), Weather
Research Forecast (WRF), National Centers for Environmental Prediction
(NCEP), ARPEGE, CCAM, dan lain-lain. Luaran prakiraan cuaca di atas dalam
bentuk grid dengan ukuran yang bervariasi, ukuran grid terkecil adalah berukuran
0,5o × 0,5o (atau sekitar 55 km × 55 km). Luaran model numerik tersebut belum
bisa menghasilkan parameter yang diharapkan dan resolusinya masih kasar atau
dengan kata lain belum bisa memprakirakan parameter yang dibutuhkan dan
lokasi yang diperlukan. Untuk memperoleh prakiraan parameter dan resolusi yang
diharapkan dapat digunakan dengan interpretasi statistik terhadap luaran model
numerik.
3
Beberapa alasan mengapa interpretasi statistik luaran model cuaca numerik
diperlukan dalam memprakirakan cuaca permukaan (Wilks 1995), diantaranya
adalah sebagai berikut,
1) Terdapat perbedaan antara dunia nyata dengan model NWP. NWP
menyederhanakan dan meng-homogen-kan kondisi permukaan dengan
merepresentasikan permukaan bumi menjadi rangkaian titik grid. Dengan
demikian pengaruh skala lokal (topografi, perairan kecil/danau) yang
berpengaruh terhadap cuaca lokal tidak diperhitungkan dalam proses
pembuatan NWP.
2) Sirkulasi tropis dan sistem cuaca dipicu oleh proses fisis. Proses fisis, dalam
skala subgrid, direpresentasikan dalam model NWP dalam bentuk
parameterisasi. Dengan demikian model NWP tidak merepresentasikan lokasi
dan peubah yang dibutuhkan. Namun demikian, hubungan statistik dapat
dibangun antara informasi yang dihasilkan NWP dan nilai prakiraan yang
dimaksud.
3) Model NWP tidak sempurna, dan hasil prakiraannya masih terdapat kesalahan,
seperti systematic error. Hal ini menyebabkan timbulnya defisiensi dalam
pemodelan fisika. Prakiraan statistik berdasarkan pada NWP dapat
menggantikannya dan mengkoreksi beberapa kesalahan prakiraan.
4) Model NWP adalah deterministik dan tidak bisa secara penuh menjelaskan
proses stokastik cuaca. Namun, informasi NWP yang digunakan bersamaan
dengan metoda statistik memungkinkan untuk mengkuantifikasi dan
menjelaskan ketidakpastian dengan menghubungkannya dengan kondisi
prakiraan yang berbeda atau prakiraan probabilistik.
Berdasarkan uraian di atas, maka untuk memperoleh hasil prakiraan cuaca
obyektif yang dapat mengeluarkan parameter cuaca dan lokasi secara spesifik
diperlukan interpretasi statistik terhadap luaran NWP. Penggunaan model statistik
dan luaran beberapa model cuaca numerik akan menjadi dasar dalam penelitian ini.
Disamping itu pertimbangan lain yang harus digunakan adalah bahwa prakiraan
cuaca obyektif ini harus bisa dioperasionalkan. Pertimbangan tersebut adalah
waktu yang diperlukan untuk pembacaan data sampai menghasilkan prakiraan,
ketersediaan luaran NWP dan kelanjutannya, dukungan perangkat lunak dan keras
yang diperlukan.
Kebaruan
Pada penelitian ini ada 3 (tiga) kebaruan (novelty) , yaitu sebagai berikut :
1. Percobaan model prakiraan suhu maksimum, suhu minimum dan kejadian
hujan harian pada penelitian ini menggunakan beberapa metode yaitu PLSR,
PCR, MCLR dan PC-MCLR, dan dua model yaitu Model I dan II; maka
prakiraan untuk setiap lokasi stasiun yang mempunyai karakteristik tertentu
dapat ditingkatkan melalui pemilihan metode dan model yang menghasilkan
prakiraan paling baik.
2. Penentuan jumlah grid atau domain spasial NWP yang digunakan sebagai
prediktor dalam pemodelan MOS umumnya masih dilakukan secara subyektif.
Pada penelitian ini penentuan jumlah grid diseleksi menggunakan tiga metoda
yaitu SVD, peta korelasi dan PLSR, sehingga diperoleh jumlah grid optimum.
Jumlah grid optimum ini mampu meningkatkan keakuratan luaran NWP.
4
3. Luaran NWP pada kenyataannya belum mampu untuk meprakirakan unsur
cuaca di sebuah titik stasiun, hal ini dikarenakan pada pemodelan NWP
mengasumsikan bahwa wilayah dengan grid mempunyai sifat yang homogen.
Pada penelitian ini metode PCR Model I untuk prakiraan suhu dan PC-MCLR
untuk prakiraan kejadian hujan harian mampu meningkatkan keakuratan NWP
di semua stasiun.
Tujuan Penelitian
Pemodelan MOS untuk pendugaan parameter cuaca di suatu lokasi
menggunakan data luaran NWP telah banyak diterapkan di negara-negara subtropis seperti Amerika, Eropa, Australia, Jepang dan Korea. Model-model tersebut
tentunya didasarkan pada kondisi wilayah sub-tropis. Pada penelitian ini akan
dikembangkan pemodelan MOS untuk daerah tropis seperti Indonesia khususnya
di daerah Jabodetabek menggunakan data luaran NWP GFS yang diproduk oleh
NOAA. Secara umum tujuan penelitian ini adalah mengembangkan prakiraan
cuaca lokal dengan memanfaatkan luaran NWP dan data cuaca stasiun di beberapa
stasiun di Jabodetabek, sedangkan lebih spesifik tujuan penelitian ini adalah
sebagai berikut :
1) Menentukan domain spasial dari luaran NWP Global Forecast System (GFS)
yang optimum untuk post processing dalam pendugaan parameter cuaca suhu
maksimum, suhu minimum dan kejadian hujan harian.
2) Membangun model prakiraan unsur cuaca suhu maksimum dan suhu
minimum, empat hari ke depan dengan timestep satu hari.
3) Membangun model prakiraan kejadian hujan harian dengan lima kategori
(cerah, hujan ringan, hujan sedang, hujan lebat dan hujan lebat sekali) empat
hari ke depan dengan timestep satu hari.
Manfaat Penelitian
1) Menginformasikan metoda reduksi dimensi luaran model cuaca numerik yang
paling tepat sehingga dalam pemanfaatannya dalam pembuatan prakiraan
menjadi lebih efisien dari sisi waktu dan kompleksitasnya. Hal ini penting
karena data luaran model cuaca numerik mempunyai dimensi yang besar, pada
skala spasial mencakup wilayah seluruh dunia, secara temporal mempunyai
timestep yang sangat pendek (3 jam), secara vertikal mempunyai kerapatan
data yang tinggi (permukaan sampai dengan 10 mb) dan jumlah parameter
yang besar.
2) Merupakan upaya awal dalam rangka mengoperasionalkan model prakiraan
cuaca jangka pendek dengan memanfaatkan luaran model cuaca numerik.
Operasional dalam arti mulai dari teknik download, konversi data, cropping
data, reduksi dimensi dan pemodelan statistik.
3) Hasil penelitian ini dapat dioperasionalkan oleh BMKG dalam memberikan
prakiraan cuaca jangka pendek sampai hari ke empat dengan timestep satu hari.
Kerangka Pemikiran
Cakupan penelitian ini adalah meliputi studi literatur tentang perkembangan
teknik pemodelan post processing luaran NWP untuk prakiraan cuaca jangka
5
pendek dan permasalahan statistik yang sering timbul, penentuan domain spasial
(dalam bentuk grid) dari NWP yang secara signifikan mempengaruhi kondisi
cuaca lokal, menentukan peubah NWP-GFS yang berpotensi dapat dijadikan
sebagai prediktor dalam model prakiraan MOS, pembuatan model prakiraan
MOS untuk unsur suhu maksimum, suhu minimum, dan kejadian hujan harian.
Lokasi yang dijadikan sebagai sampel penelitian adalah wilayah Jabodetabek di 8
(delapan) Stasiun Meteorologi. Tahapan penelitian seperti tercantum pada Gambar
1.1.
Pemodelan MOS adalah menyusun pola hubungan statistik antara data
luaran model NWP dengan peubah cuaca lokal. Data NWP-GFS berskala global
yang mempunyai ukuran grid 0,5o×0,5o atau sekitar 55 km × 55 km, dengan
demikian diperlukan domain spasial yang tepat untuk menduga parameter cuaca
lokal. Data NWP dari domain yang terpilih tersebut menjadi prediktor pemodelan
yang menentukan dugaan parameter cuaca lokal. Sehingga penentuan domain
spasial dari NWP-GFS menjadi langkah pertama dalam pemodelan MOS.
Gambar 1.1. Tahapan pemodelan prakiraan suhu maksimum, suhu minimum dan
kejadian hujan harian
Pada penelitian ini akan diduga parameter cuaca suhu, dan peluang kejadian
hujan harian. Hasil identifikasi awal distribusi statistik dari data suhu udara
maksimum dan minimum, dan curah hujan harian, menunjukkan bahwa suhu
udara merupakan peubah kontinyu, linier dan berdistribusi normal, sedangkan
data hujan harian bersifat non-linier dan besdistribusi Gamma. Untuk itu,
pendugaan hujan harian diubah menjadi peluang kejadian hujan harian yang
6
merupakan data katagorik. Data luaran NWP-GFS bersifat curse of dimensionality
dan mempunyai korelasi yang tinggi antar paramater, antar grid, antar waktu dan
antar level; atau lebih dikenal terdapat multikolinieritas (Wigena 2006). Langkah
awal adalah menentukan domain spasial optimum yang tepat untuk menduga
parameter cuaca di daerah penelitian. Penentuan domain spasial digunakan
metode singular value decomposition (SVD), korelasi spasial dan partial least
square regression (PLSR). Untuk menanggulangi kondisi multikolinieritas, maka
langkah kedua penelitian ini adalah menghilangkan multikolinieritas atau reduksi
dimensi. Multikolinieritas dapat direduksi dengan menggunakan metoda PCA.
Proses selanjutnya adalah pemodelan MOS yaitu pembuatan model statistik
antara prediktor terpilih dengan parameter cuaca lokal. Untuk model suhu
digunakan metode PLSR dan PCR, dan model prakiraan kejadian hujan harian
menggunakan multiple categoric logistic reression (MCLR) dan principal
component multiple categoric logistic reression (PC-MCLR). Permasalahan
dalam pemodelan MOS adalah penentuan referensi jam yaitu mencocokkan jam
data NWP-GFS dan data pengamatan ditinjau dari hubungan secara fisis. Suhu
maksimum terjadi sekitar jam 13 – 14 WIB, suhu munimum terjadi sekitar jam 03
– 04 waktu setempat dan curah hujan harian merupakan akumulasi jam 07 sampai
jam 07 hari berikutnya. Dengan referensi waktu yang demikian, perlu
dipertimbangkan pola hubungan secara fisik dari prediktor terhadap parameter
cuaca di atas.
Performance model prakiraan baik pada saat pemodelan maupun
implementasi akan dilakukan kalibrasi dan verifikasi. Kalibrasi dan verifikasi
diukur berdasarkan nilai root mean square error of prediction (RMSEP) dan nilai
korelasi. Model prakiraan yang mempunyai nilai RMSEP relatif kecil dan nilai
korelasi mendekati satu adalah model yang mempunyai performance yang baik.
Sistematika Penulisan
Penulisan disertasi ini meliputi 7 bab. Bab 1 berisi latar belakang,
perumusan masalah, kebaruan, tujuan sampai dengan manfaaat penelitian. Bab 2
merupakan Bab yang membahas tentang perkembangan teknik post processing
model numerik, dimulai dari mengkaji model numerik cuaca NWP, sampai
dengan perkembangan dan pemanfaatan MOS dalam operasional pembuatan
prakiraan cuaca harian.
Bab 3, 4 dan 5 secara umum merupakan inti dari hasil peneltian ini. Bab 3
membahas reduksi dimensi spasial dari luaran NWP yang secara statistik
mempunyai pengaruh terhadap unsur cuaca di stasiun penelitian. Hasil dari Bab 3
ini merupakan dasar untuk membangun model pada Bab 4 dan 5.
Bab 4 membahas tentang model prakiraan suhu maksimum dan suhu
minimum menggunakan dua metoda yaitu PLSR dan principal component
regression (PCR) dan masing-masing metode diterapkan pada dua model.
Bab 5 membahas tentang model prakiraan kejadian hujan harian dengan
lima kategori menggunakan dua metode yaitu (MCLR) dan (PC-MCLR) dan
masing-masing diterapkan pada dua model berbeda.
Bab 6 merupakan rangkuman hasil dan pembahasan secara umum dari Bab
2 sampai dengan Bab 5. Simpulan dan saran disajikan pada Bab 7.
2 PERKEMBANGAN TEKNIK POST PROCESSING MODEL
CUACA NUMERIK
Model cuaca numerik NWP
Model cuaca numerik yang dimaksud adalah NWP yang dikeluarkan oleh
beberapa institusi seperti Japan Meteorological Agency (JMA), National Oceanic
and Atmospheric Administration (NOAA), ECMWF dan lain-lain. NWP
menggunakan model-model matematika atmosfer dan laut untuk memprediksi
cuaca berdasarkan kondisi cuaca saat ini. Beberapa institusi prakiraan global
maupun regional menjalankan model dalam berbagai bentuk menggunakan
pengamatan cuaca permukaan, radiosonde, radar dan satelit.
Ide tentang NWP pertama kali dicetuskan oleh Vilhelm Bjerknes pada tahun
1904. Bjerknes mendiskusikan penerapan hukum fisika untuk memecahkan
masalah prakiraan cuaca. Beberapa dekade sesudahnya, Lewis Fry Richardson
pada tahun 1922 menjelaskan tahapan-tahapan yang diperlukan dalam
pengumpulan dan pengolahan data serta mendiseminasikan prakiraan. Prakiraan
dengan timestep 6-jam dihitung, namun masih mengindikasikan kegagalan
(Shuman, 1989).
Pengolahan NWP untuk menyelesaikan persamaan atmosfer menggunakan
kalkulator diperlukan sekitar 64.000 orang yang bekerja bersama untuk
memperoleh prakiraan cuaca numerik. Hasil yang diperoleh belum memuaskan,
karena untuk menghitung prediksi 6 jam ke depan diperlukan waktu sekitar 6
minggu dan hasil ramalannya tidak sesuai dengan hasil pengamatan yaitu adanya
perubahan tekanan sebesar 145 hPa dalam waktu 6 jam (Shuman 1989).
Tahun 1946, ahli fisika dan matematika John von Neumann menyarankan
untuk memulai dengan model yang paling sederhana, yaitu persamaan barotropis
dari gerakan atmosfer, dimana evolusi aliran dijelaskan oleh efek konservasi
vortisitas absolut dari parsel udara. Dikarenakan semua pendekatan memerlukan
komputer untuk mengolah dan tersedia, maka model barotropis dibuat dan
berhasil sukses, prakiraan 2 – 3 hari ke depan dengan tingkat keterandalan yang
tinggi. Bahkan, perkembangannya mulai melihat kemungkinan menggunakan
model barokklinik. Sejak tahun 1950-an, dengan perkembangan komputer yang
cepat, beberapa negara telah memulai untuk mengoperasionalkan NWP pada level
500 mb untuk tiga hari ke depan menggunakan model barotropik (WMO 1999).
Tahun 1950-an, usaha lebih besar dari beberapa negara mengeksplorasi sifat
baroklinik dari atmosfer. Beberapa model quasi-geostropis didisain menggunakan
komputer untuk menghitung ketinggian geopotensial, angin dan suhu diturunkan
sebagai turunan spasial. Perhitungan ini menyertakan model pemanasan dari
bawah, friksi dan faktor orografi. Pada tahun 1960-an, mulai dikembangkan
model baroklinik quasi-geostropis untuk memprakirakan hanya sampai 1 – 2 hari
ke depan. Sedangkan untuk prakiraan jangka lebih panjang masih digunakan
model barotropik. Sampai selanjutnya dikembangkan model persamaan primitif
(PE) (WMO 1999).
Perkembangan NWP selanjutnya adalah menggunakan model PE. Model ini
merubah dalam pemodelan prakiraan angin, suhu dan kelembapan dengan
menggunakan persamaan gerak. Parameterisasi fisik seperti proses konveksi, yang
8
sulit untuk ditangani dalam model kuasi-geostropis, mudah untuk dimasukkan
dalam model, sehingga domain prakiraan dapat dikembangkan ke seluruh wilayah
global. Model persamaan PE pertama kali diimplementasikan pada tahun 1966,
dengan ukuran grid 300-km dan enam lapisan vertikal. Selama tahun 1970 dan
1980-an, beberapa model PE lainnya diimplementasikan pada level belahan bumi,
global atau bahkan model area terbatas (LAM) dengan resolusi tinggi pada area
yang lebih sempit (WMO 1999).
Pusat penelitian meteorologi yang berbeda mengembangkan dan
mengoperasikan berbagai model NWP. Karena aplikasi dan keterbatasan
komputasi, berbagai macam teknik numerik dan penyederhanaan persamaan
atmosfir yang digunakan. Tabel 2.1 menunjukkan berbagai model yang digunakan
diseluruh dunia (BMG 2007).
Tabel 2.1. Beberapa model NWP dari berbagai institusi dilihat dari segi substansi
dan metodologi
Pusat Penelitian
ECMWF
UK (UKMO)
USA (NCEP)
Canada (CMC)
France (Meteo France)
Germany (DWD)
Japan (JMA)
China (CMA)
HKO
Tipe model NWP
Global
Global
Regional
Global
Regional
Global
spectral
grid point
grid point
spectral
grid point
grid point
Global
Regional
Global
Regional
Global
Regional
Global
Regional
Regional
spectral
spectral
grid point
grid point
spectral
spectral
spectral
grid point
spectral
Resolusi
40 km
55 km
12 km
60 km
12 km
24 km over North
America
20 km over France
9 km
60 km
7 km
60 km
10 km
60 km
30 km
20 km
Model Output Statistik (MOS)
Metoda prakiraan cuaca obyektif dapat dikategorikan menjadi dua yaitu
metoda dinamis dan statistik. Perkembangannya menunjukkan bahwa metoda
stokastik-dinamik mulai dieksplorasi dan menjanjikan untuk dapat
dioperasionalkan di masa yang akan datang (Epstein 1969; Flemming 1971).
Metoda prakiraan cuaca obyektif dinamik atau sering dikenal dengan NWP adalah
model yang memprakirakan parameter cuaca, namun model ini tidak dapat
memprakirakan semua parameter cuaca secara lengkap dan masih menyisakan
kesalahan atau ketidakakuratan.
Ada dua metoda yang dapat digunakan dalam meramal parameter cuaca
yang tidak dapat secara langsung dihasilkan dari sebuah model numerik. Pertama,
9
perfect prog method, metoda ini mencari hubungan antara peubah yang diduga
dengan peubah yang dapat diramal oleh model dinamis (Klein et al. 1959).
Hubungan kedua peubah tersebut diterapkan pada output model numerik pada
proyeksi waktu ke depan (misal 36 jam ke depan) untuk menduga prediktan 36
jam ke depan setelah model dijalankan. Metoda yang kedua adalah MOS, metoda
ini menentukan hubungan statistik antara prediktan dan peubah dari model
numerik pada beberapa proyeksi waktu. Teknik MOS menentukan hubungan
statistik antara cuaca sebenarnya dengan model numeris. Sebagai contoh, dapat
diketahui berapa kali terjadi hujan jika hasil prediksi kelembapan udara dari
model sebesar 80% (Glahn dan Dale 1972).
MOS merupakan model yang meghubungkan antara peubah penjelas y
(observasi stasiun cuaca, seperti temperatur minimum, temperatur maksimum,
kecepatan angin dan sebagainya) dan peubah prediktor x (parameter NWP, seperti
temperatur, angin dan sebagainya pada berbagai grid dan level). Di samping itu
peubah prediktor dapat juga berupa parameter geografi seperti lintang, bujur dan
waktu (t). Tipe data peubah prediktor dapat digunakan beberapa tipe, diantaranya
kontiyu (seperti temperatur), diskret (seperti klasifikasi awan: 0=cerah, 1=
tersebar (scattered), 2=patah-patah (broken), dan 3=mendung), binary (seperti
1=terjadi presipitasi, 0= tidak terjadi presipitasi) dan diskontinyu.
MOS direpresentasikan dalam bentuk regresi berganda:
= +
+ ,
= 1,2, … ,
(2.1 )
dimana, β0 adalah konstanta regresi, βi koefisien regresi peubah prediktor x
ke-i , k adalah banyaknya peubah prediktor, dan n adalah banyaknya pengamatan.
Pendugaan parameter regresi yang seringkali digunakan adalah metode kuadrat
terkecil (ordinary least square). Di samping itu digunakan generalized additive
models (Vislocky dan Fritch, 1995a), regresi logistik untuk meramalkan fenomena
diskrit (Glahn et al. 1991; Hamill et al. 2004), dan jaringan syaraf tiruan
(Marzban 2003).
MOS mempunyai dua fungsi utama, yaitu: (1) teknik MOS menghasilkan
ramalan cuaca kuantitatif ke depan dan mungkin juga tidak secara eksplisit di
peroleh dari model. Seperti ramalan tipe presipitasi dan ramalan peluang
presipitasi, thunder, fog dan sebagainya, (2) MOS mereduksi rataan sisaan dari
ramalan raw model (NWP) dengan memperkecil bias dan pengkoreksian model
secara statistik (Neilley dan Hanson 2004). Pengkoreksian yang dimaksud
digunakan jika terdapat sisaan yang sistematik pada luaran model NWP, seperti
ramalan temperatur pada kondisi terlalu dingin pada hari mendung dan terlalu
panas pada hari cerah.
Perbandingan pendekatan Klasik, Perfect Prognosis dan MOS
Seperti diuraikan di atas bahwa beberapa metode yang seringkali digunakan
pemprosesan NWP adalah pendekatan klasik, perfect prognosis dan MOS.
Perbedaan yang nyata pada ketiga pendekatan adalah dalam penggunaan prediktor
dan time lag yang digunakan baik pada pembangunan model maupun
10
implementasi model. Gambar
perbandingan ketiga pendekatan.
2.1
adalah
diagram
yang
menunjukkan
Gambar 2.1. Perbandingan pendekatan Klasik, Perfect Prognosis dan MOS
(dikembangkan dari Wilks, 1995)
Pendekatan Klasik
Penjelas pada beberapa waktu yang akan datang, t, dijelaskan dalam fungsi
regresi fc menggunakan vektor (atau multiple) prediktor xo, dengan persamaan :
௧
(2.2 )
subscript 0 pada prediktor menyatakan bahwa nilai-nilainya merupakan
pengamatan pada saat atau sebelum waktu ramalan, yaitu waktu sebelum t (waktu
ramalan). Persamaan ini menekankan bahwa time lag dari ramalan dimasukkan
dalam membangun persamaan regresi. Persamaan di atas digunakan pada tahap
pembangunan model dan implementasi.
Pendekatan Perfect Prognosis (PP)
Pendekatan PP menggunakan persamaan yang berbeda pada tahap
pembangunan dan implementasi.
Persamaan tahap pembangunan se