BAB III METODOLOGI PENELITIAN
3.1 Tempat dan Waktu Penelitian
Lokasi penelitian bertempat di Stasiun Meteorologi Polonia, sedangkan penelitian dilaksanakan pada bulan Februari dan Oktober tahun 2010 - 2013 dan bulan Februari dan
Oktober 2014.
3.2 Data dan Pengolahan
1. Data Radiosonde tahun 2010-2013 dari Stasiun Meteorologi Polonia dan
mengambil sampel data bulan Februari dan Oktober 2014 di Stasiun Meteorologi Polonia.
2. Data kejadian hujan dan guntur tiap jam tahun 2010 - 2013 dan bulan Februari
dan Oktober 2014 dari Stasiun Meteorologi Polonia. 3.
Data yang diolah dalam penelitian ini adalah menggunakan perangkat lunak Microsoft Excel 2007 XLSTAT.
3.3 Metode Penelitian
3.3.1 Prinsip Kerja Alat
Balon + Transmitter
Gambar 3.1 Diagram Blok
GPS Antena Receiver
Data Olahan Server
XLSTAT Persamaan
Regresi Logistik Ketepatan
klasifikasi selesai
Pengolahan Data
Dari keterangan diagram blok diatas dijelaskan bahwa prinsip kerja pada Radiosonde adalah pada saat prosedur pengoprasian Ground Equipment dengan
transmitter telah selesai dikerjakan dan balon beserta transmitter diterbangkan ke angkasa agar sensor suhu, kelembaban, tekanan udara dan arah dan kecepatan angin yang berada
pada transmitter tersebut dapat membaca keadaan suhu, kelembaban, tekanan udara beserta arah dan kecepatan angin disetiap lapisan mulai dari permukaan sampai lapisan
ketinggian yang dapat dijangkau oleh alat tersebut. Pada setiap lapisan udara yang sudah diprogramkan sensor akan melakukan
pengamatan otomatis, selanjutnya mengirimkan data hasil pengamatannya melalui transmitter, selanjutnya di bumi data ditangkap oleh GPS antenna dan diterima oleh
receiver. Lalu receiver mengeluarkan data. Data tersebut nantinya yang akan dimasukkan ke dalam program RAOB yang digunakan untuk mendapatkan indeks-indeks keluaran
RAOB. Begitu juga untuk data kejadian hujan dan guntur didapat dari pengamatan obs dengan menggunakan penakar hujan otomatis.
3.3.2 Flowchart Pengolahan Data
Gambar 3.2 Flowchart Pengolahan Data
Pengumpulan Data observasi permukaan Stasiun Meteorologi
penakar hujan tipe Hellman
Pengumpulan data pengamatan Udara atas
Radiosonde
Data kejadian hujan guntur
SELESAI
Validasi dan Verifikasi persamaan prediksi dari
metode regresi logistik dengan data kejadian
hujan dan guntur Data Indeks Keluaran: SSI, KI, LI, SI,
CAPE, TTI, Sweat dari program RAOB
Pengolahan data menggunakan software XLSTAT
Keakuratan nilai regresi logistik
Persamaan prediksi kejadian hujan dengan
metode regresi logistik
Mulai
Dari gambar diatas dapat dijelaskan proses pengolahan data sebagai berikut : 1.
Mulai Pengumpulan data :
a. Data observasi permukaan Stasiun Meteorologi pengukur hujan tipe Hellman
Data observasi permukaan ini diperoleh dari pengamatan permukaan yaitu data cuaca seperti kejadian gunturdan dari penakar hujan otomatis tipe hellman menghasilkan
data hujan. Data hujan dan Guntur digunakan sebagai variabel respon Response Variable dalam pengolahan data selanjutnya.
b. Data Pengamatan Udara Atas Radiosonde
Data pengamatan udara atas diperoleh dari pengamatan radiosonde yang nantinya data tersebut dimasukkan ke dalam program RAOB, yang digunakan untuk mendapatkan
indeks- indeks keluaran RAOB seperti SSI, KI, LI, CAPE, TTI, dan Sweat Indeks. Indeks- indeks keluaran RAOB ini digunakan sebagai prediktor Quantitave.
2. Pengolahan data menggunakan software XLSTAT
Setelah menghasilkan data kejadian hujan dan guntur beserta data keluaran RAOB seperti SSI, KI, LI, CAPE, TTI, dan Sweat Indeks pada tahun 2010- 2013, selanjutnya data
tersebut dimasukkan ke dalam program XLSTAT untuk diolah sehingga menghasilkan persamaan prediksi dengan Metode Regresi Logistik.
Dalam pembuatan persamaan regresi logistik penulis menggunakan software XLSTAT add ins Microsoft Excel 2007. Software ini bersifat bebas dan sangat membantu
dalam proses pengolahan data secara statistik dan pembentukan persamaan prediksi dengan output luaran berupa peluang hujan ataupun tidak hujan pada sampel pengamatan.
Dalam prosesnya adalah sebagai berikut, menyiapkan data kejadian hujan dan guntur pada jam 00 UTC dan 12 UTC yang digunakan sebagai variabel respon. Sedangkan untuk
indeks stabilitas keluaran RAOB Showalter Stability Index SSI, Lifted Index LI, K- Index KI, Convective Available Potential Energy CAPE, Total-total Index, Sweat
Index digunakan sebagai variabel prediktor Quantitative. Pengolahan data mengambil sampel saat musim kemarau bulan Februari 2010-
2013 pada jam 00 UTC dijelaskan sebagai berikut :
Tabel 3.1 Tabel Indeks keluaran RAOB dan data pengamatan Februari
2010 - 2013 jam 00 UTC Data
Pengamatan Indeks Keluaran RAOB
Hujan Tidak hujan
SSI LI
KI CAPE
TTI SWEAT
tidak hujan 2.01
7.15 29.6
40.7 190.58
tidak hujan 0.69
-2.76 34.2
267.93 44.8
175.21 tidak hujan
3.89 -1.44
22.3 510.16
39 187.6
tidak hujan 6.03
-2 1.3 1150.05
35.2 159.38
tidak hujan 0.82
-2.1 27.3
812.56 42.2
206.41 tidak hujan
1.92 -1.91
25.3 1280.86 40
200.41 hujan
1.84 -1.58
29.8 1112.76 40.1
205.61 tidak hujan
1.07 -0.58
14.7 187.13
42.6 193.8
tidak hujan -0.74
-3.88 37.3 2227.67
43.8 231.59
tidak hujan -1.84
-3.64 34.6
708.5 45.9
241.81 tidak hujan
1.4 -1.75
24.1 394.18
42 205.4
hujan 1.39
-1.44 26.9
198.15 42
195.4 tidak hujan
-2.35 -3.53
32 487.75
47.5 232.6
hujan 12.7
-0.81 -8.5
100.8 26.4
23.99 hujan
-1.17 -3.44
34.5 676.88
46 213.78
tidak hujan 0.49
-0.42 33.7
69.39 42.4
221.61 hujan
-2.78 -4.6
30.9 763.38
48.4 216.41
hujan 1.2
31.9 33.6
42.3 191.59
tidak hujan 1.42
-2.84 29 1265.61
41.5 195.38
tidak hujan -2.07
-4.49 39 1061.15
47.7 218.01
hujan 2.7
1.69 25.9
43 168.8
tidak hujan 3.59
1.46 26
76.55 37.7
185.21 tidak hujan
1.68 42.7
17.7 41.8
187.61 tidak hujan
2.79 0.2
31.4 5.35
41.2 151.6
tidak hujan 2.06
-0.15 31.4
84.31 41.3
176.01 hujan
1.38 -1.43
32.5 289.45
42.4 179.61
hujan 1.6
0.32 35.7
237.28 41.2
199.21 tidak hujan
-0.13 -2.58
25.6 98.42
45.7 176.01
hujan -0.22
-3.65 31.4 1065.03
45.5 180.81
tidak hujan 0.52
-1.66 33.6
619.7 43.1
204.81 tidak hujan
0.5 -0.5
32.5 59.68
43.2 199.61
hujan 2.07
-3.41 30.5 1102.63
42.8 163.21
tidak hujan -0.33
-1.95 32.6
236.38 45.9
180.41
tidak hujan 0.58
-1.7 32.8
354.44 43.9
184.81 hujan
-1.33 -2.1
37.4 209.72
48 181.21
hujan 0.37
-1.81 36.1
482.56 44.5
186.41 tidak hujan
0.12 -0.21
27.3 32.5
45.6 201.01
tidak hujan 0.97
-0.87 28.6
457.24 43.3
191.4 tidak hujan
2.64 -3.4
31.9 836.15
43.2 153.81
hujan 0.23
-3.68 33.9 1395.05
45.3 194.2
tidak hujan 2.57
-0.93 17.7
144.21 43.2
135.21 hujan
-2.37 -3.68
36.9 1046.74 48.2
205.21 tidak hujan
1.34 -2.1
34.3 965.29
42.9 191.61
tidak hujan 0.88
0.81 32.4
2.39 43.3
186.81 tidak hujan
-0.58 -2.65
36.7 822.14
45 212.41
tidak hujan 1.14
-0.82 17
213.34 43.3
181.61 tidak hujan
-1.4 -3.84
33.6 688.56
47.3 202.01
hujan -1.49
-2.29 30.8
220.67 47.5
203 hujan
-0.8 -1.39
36.5 269.02
46 189.21
hujan 0.21
-2.09 31.9
827.06 43.6
198.01 tidak hujan
-1 -2.38
37 38.35
46.5 198.01
tidak hujan 1.8
-1.04 32.1
825.23 41
194.81 tidak hujan
1.27 -3.6
28.6 821.89
43.9 178.6
tidak hujan 3.61
-0.91 30.7
213.12 40.6
167.81 tidak hujan
0.51 0.07
24.2 29.02
42.7 222.61
tidak hujan 2.14
-3.49 23.6
874.81 42.5
166.81 tidak hujan
1.95 -0.29
31.9 52
42.6 164.41
tidak hujan -1.19
-0.47 35.4
16.3 46.5
192.81 hujan
-1.49 -1.31
38 199.53
46 224.01
hujan 2.39
-0.4 33.7
584.07 40.1
199.21 tidak hujan
2.24 -0.6
29.6 63.62
41.3 185.21
tidak hujan 1.43
-1.59 32.9
164.83 44
163.61 tidak hujan
1.51 -2.59
31.9 713.69
43.8 155.61
tidak hujan 1.18
2.11 34.6
42.7 200.81
tidak hujan 0.49
-1.03 34.9
208.19 43.8
198.41 tidak hujan
2.2 -1.03
30.3 61.38
43.4 160.2
tidak hujan 2.75
0.94 30.6
28.47 40.1
177.61 tidak hujan
1.48 -0.07
31.4 13.49
42.1 188.81
hujan 0.7
-2.24 34.4
727.23 43
205.21 hujan
-1.96 -3.37
38.8 1067
46.5 235
tidak hujan -0.5
-3.63 37.6 1096.69
45.7 210.61
tidak hujan 219
-2.2 38
782.51 44.7
219 tidak hujan
-1.35 -3.1
33.4 841.07
46.9 229.81
hujan -1.17
-2.5 34.4
835.61 45.5
219.8
hujan 0.5
-1.75 36
435.05 43.4
191.21 tidak hujan
-0.19 -0.88
35.9 114.28
44.2 218.41
hujan 2.23
0.77 28.2
96.97 41.3
175.21 tidak hujan
1.26 -1.36
13.6 163.88
42.9 192.01
tidak hujan 0.41
-1.75 28.7
420.77 43.4
199.61 hujan
0.9 -1.12
35.3 420.34
42.7 221.01
tidak hujan 6.07
0.19 27.9
13.69 37.6
119.4 tidak hujan
0.91 0.92
33.6 44.1
180.81 tidak hujan
2.82 0.32
33.9 89.35
40.3 187.8
tidak hujan 1.2
1.33 32.3
0.6 41.8
219.62 tidak hujan
0.76 -0.67
32.6 56.8
43.9 192.01
hujan 0.19
-0.86 34.9
18.87 44.5
193.21 tidak hujan
-0.99 -2.11
38.2 394.28
45.9 222.21
hujan 2.59
1.27 30.8
14.42 39.7
197.21 hujan
1.68 0.27
29 25.2
41.7 184.81
hujan 1.73
1.44 34.7
42.3 186.2
hujan 2.24
1.31 33.5
41.3 181.21
tidak hujan 2.79
2.29 31.2
40.7 172.01
tidak hujan 1.18
-0.22 20.8
20.55 42.7
194.81 tidak hujan
2.62 1.49
28.4 40.7
176.81 hujan
-0.29 -2.26
33.6 408.89
44.9 218.42
tidak hujan 1.1
-0.32 35
106.28 42.2
201.21 hujan
2.52 1.06
33.7 40.8
172.01 hujan
1.81 0.11
31.7 69.43
40.9 192.01
Nilai indeks keluaran RAOB diatas menunjukkan kondisi cuaca dalam keadaan hujan atau tidak hujan.Indeks keluaran RAOB tersebut sudah digunakan dalam kegiatan
operasional di stamet polonia, namun masih belum tepat dalam membuat prakiraan. Sehingga selanjutnya indeks-indeks dan data pengamatan diolah dengan menggunakan
perangkat lunak seperti XLSTAT add ins Microsoft Excel 2007.
3. Persamaan prediksi kejadian hujan dengan metode regresi logistik
Untuk memperoleh persamaan prediksi dengan Metode Regresi Logistik dilakukan pengolahan sebagai berikut :
a. Setelah data dikumpulkan, lalu klik XLSTAT seperti gambar dibawah.
Gambar 3.3 klik XLSTAT
b. Selanjutnya klik Modeling data, pilih logistic regression sehingga muncul tampilan
seperti gambar dibawah.
Gambar 3.4 Logistic Regression c.
Selanjutnya masukkan nilai y hujan atau tidak hujan ke dalam kolom response variable dan nilai indeks keluaran RAOB SSI, LI, KI, CAPE, TTI, Sweat ke
dalam kolom quantitative kemudian klik OK, sampai muncul persamaan prediksi dengan Metode Regresi Logistik dalam lingkaran merah, seperti gambar di
bawah.
Gambar 3.5 persamaan prediksi dengan Metode Regresi Logistik 4.
Validasi dan Verifikasi persamaan prediksi dari metode regresi logistik dengan data kejadian hujan dan Guntur
Setelah diperoleh persamaan prediksi dari metode regresi logistik untuk tiap indeks keluaran RAOB, maka selanjutnya dilakukan validasi dengan menggunakan data 1 tahun
2014. Validasi digunakan untuk mengetahui ketepatan persamaan prediksi dari metode regresi logistik dengan data kejadian hujan dan guntur yang aktual. Validasi ini dilakukan
dengan cara menghitung nilai akurasi. Nilai tersebut nantinya yang menunjukkan seberapa akurat persamaan tersebut untuk digunakan atau tidak.
.... 3.5
Gambar 3.6 Validasi ketepatan persamaan prediksi dari metode regresi logistik Metode yang digunakan untuk memverifikasi suatu prakiraan dengan kejadian
aktual menggunakan tabel pengujian ketetapan klasifikasi yang menunjukkan frekuensi
prakiraan kejadian „hujan‟ dan „tidak hujan‟. Hasil perhitungan dengan menggunakan tabel ketetapan klasifikasi yang menunjukkan hasil dari pengamatan dan persamaan prediksi
dari metode regresi logistik itu sendiri.
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil