, max
, max
. 100
1
y y
x x
y y
x x
V F
V F
V F
V F
S
dimana: j
i F
j i
F x
F ,
1 ,
gradien prediksi timur-barat
1 ,
,
j i
j i
y
F F
F
gradien prediksi utara-selatan
j i
j i
x
V V
V
, 1
,
gradien verivikasi timur-barat
1 ,
,
j i
j i
y
V V
V
gradien verifikasi utara-selatan Peningkatan akurasi skill prediksi NWP
dikarenakan empat faktor Kalnay 2003: 1.
Peningkatan kekuatan super-computer sehingga menghasilkan resolusi numerik
yang lebih baik, 2.
Perbaikan representasi dari proses fisik skala kecil awan, hujan, kelembaban,
momentum, turbulensi dalam model, 3.
Penggunaan metode yang lebih akurat untuk asimilasi data, dan
4. Peningkatan
ketersediaan data,
khususnya data satelit dan pesawat di atas lautan dan di Belahan Bumi Selatan
BBS.
2.2.3. Tipe Model NWP
Terdapat dua tipe dasar dari model NWP, yaitu model barotropik dan baroklinik. Kedua
tipe model tersebut menyediakan konsep fisik mendasar dan biasanya termasuk ke dalam
kategori Riegel 1992:
a. model kesetimbangan, berdasarkan
persamaan vortisitas dan persamaan kesetimbangan,
b. model persamaan primitif, berdasarkan
sistem, biasanya memasukkan konsep persamaan hidrostatik.
Setiap pusat prediksi cuaca, akan memiliki model numerik yang berbeda sehingga untuk
lokasi dan waktu yang sama memungkin hasil prediksi
yang berbeda.
Dalam skala
internasional, penelitian utama mengenai NWP umumnya dilakukan di negara-negara
maju seperti European Center for Medium Range
Weather Forecasts
ECMWF, National Center for Environmental Prediction
NCEP, weather services of UK Inggris, Perancis, Jerman, Scandinavian, Kanada,
Jepang, dan Australia.
2.3. Model Output Statistics MOS
MOS merupakan
model yang
menghubungkan peubah
prediktan y
observasi stasiun
cuaca dan
peubah prediktor x parameter NWP yang biasa
dibangun dalam suatu persamaan regresi linear berganda. Di samping itu, peubah
prediktor dapat juga berupa parameter geografi seperti lintang, bujur, dan waktu
BMG 2006.
2.3.1. Penentuan Peubah Prediktor
Proses pemilihan prediktor merupakan salah satu bagian terpenting dalam MOS.
Setiap lokasi yang berbeda kemungkinan juga akan berbeda pula peubah prediktor yang
berpengaruh terhadap peubah prediktan. Terdapat dua pendekatan yang digunakan
dalam penentuan prediktor, yaitu: pendekatan secara
statistik dan
pertimbangan ilmiahkeahlian scientific judgment Tapp
McNamara 1989. Pada
penelitian Sutikno
2008 di
Karawang, Subang, dan Indramayu, peubah penjelas
prediktor yang
berpengaruh terhadap curah hujan adalah kelembaban
spesifik, komponen
angin zonal,
dan ketinggian geopotensial terutama pada musim
kemarau. Sedangkan, pada musim hujan, peubah penjelas prediktor yang berpengaruh
terhadap curah hujan adalah precipitable water,
komponen angin
zonal, dan
kelembaban spesifik.
2.3.2. Diagnostik Multikolinearitas
Kekolinearan Ganda
Suatu persamaan regresi linear berganda tidak akan bisa diandalkan jika peubah-
peubah penjelas prediktor saling berkorelasi tinggi. Hal ini mengakibatkan koefisien
regresi dugaannya
cenderung bervariasi
sangat besar dari sampel satu ke sampel lainnya, sehingga tidak diperoleh informasi
yang tepat mengenai koefisien regresi yang sebenarnya populasi. Hal tersebut biasa
disebut
sebagai multikolinearitas
atau kekolinearan ganda Widiharih 2001.
Suatu metode formal untuk mendeteksi adanya kekolinearan ganda yang banyak
digunakan adalah faktor inflasi ragam Variance Inflation Factors = VIF. Faktor ini
mengukur seberapa besar ragam koefisien regresi
dugaan membesar
dibandingkan seandainya peubah-peubah bebasnya tidak
berkorelasi linear. Faktor inflasi ragam FIR bagi dugaan koefisien regresi ke-k dinotasikan
FIR
k
dan didefinisikan sebagai:
FIR
k
= 1-R
k 2
-1
dengan R
k 2
adalah koefisien determinasi ganda
bila peubah
bebas ke-k
X
k
diregresikan terhadap peubah-peubah bebas X
lainnya dalam model. Nilai FIR terbesar di antara semua peubah bebas X digunakan
sebagai indikator
tingkat keparahan
kekolinearan ganda Widiharih 2001. Dalam penelitian ini, nilai FIR terbesar yang lebih
besar dari 4 digunakan sebagai indikasi adanya kekolinearan ganda.
2.3.3. Analisis Faktor