Prakiraan Curah Hujan Stasiun Sukadana dengan Teknik Statistical Downscaling Berdasarkan Data Satelit TRMM

PRAKIRAAN CURAH HUJAN STASIUN SUKADANA
DENGAN TEKNIK STATISTICAL DOWNSCALING
BERDASARKAN DATA SATELIT TRMM

ASTUTI DEWI WARAWATI

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Prakiraan Curah Hujan
Stasiun Sukadana dengan Teknik Statistical Downscaling Berdasarkan Data
Satelit TRMM adalah benar karya saya dengan arahan dari komisi pembimbing
dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.
Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun
tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan
dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.

Bogor, Juli 2013
Astuti Dewi Warawati
NIM G14090001

ABSTRAK
ASTUTI DEWI WARAWATI. Prakiraan Curah Hujan Stasiun Sukadana dengan
Teknik Statistical Downscaling Berdasarkan Data Satelit TRMM. Dibimbing oleh
AJI HAMIM WIGENA dan ANIK DJURAIDAH.
Regresi kuadrat terkecil parsial (RKTP) digunakan dalam teknik statistical
downscaling (SD) berdasarkan data TRMM. Penelitian ini menggunakan data
curah hujan bulanan di stasiun Sukadana dan data TRMM 3B43 yang terdekat
dari stasiun Sukadana dengan satu grid (empat data TRMM) dan empat grid
(sembilan data TRMM) periode 1998-2008. Sisaan metode RKTP menunjukkan
ragam tidak homogen. Metode Regresi Kuadrat Terkecil Terboboti (RKTT) dan
Regresi Komponen Utama (RKU) digunakan untuk mengatasi heteroskedastisitas
sisaan. Metode RKTT menggunakan pembobot berdasarkan simpangan baku dan
RKU menambahkan peubah boneka berdasarkan kelompok curah hujan. Ragam

sisaan metode RKTT bersifat tidak homogen namun sisaan pada metode RKU
bersifat homogen. Prakiraan curah hujan RKU dengan peubah boneka lebih baik
dari pada metode RKTP dan RKTT.
Kata kunci: RKTP, RKTT, RKU, statistical downscaling, TRMM

ABSTRACT
ASTUTI DEWI WARAWATI. Sukadana Station Rainfall Forecasting using
Statistical Downscaling Technique Based on TRMM Satellite Data. Supervised by
AJI HAMIM WIGENA and ANIK DJURAIDAH.
Partial least squares regression (PLSR) is used in statistical downscaling
based on TRMM data. This research uses monthly rainfall of Sukadana station
and TRMM 3B43 data which are nearest from Sukadana using a grid (four
TRMM data) and four grids (nine TRMM data) during period 1998-2008.
Residual of PLSR shows the variance is not homogenous. Weighted Least Square
Regression (WLSR) and Principal Component Regression (PCR) are used to solve
the residual's. Weighting in WLSR is based on standard deviation and PCR adds
dummy variables based on rainfall group. Residual's variance of WLSR is not
homogenous but PCR. Forecasting of PCR with dummy variables is better than
PLSR's and WLSR's.
Keywords: PCR, PLSR, statistical downscaling, TRMM, WLSR

PRAKIRAAN CURAH HUJAN STASIUN SUKADANA
DENGAN TEKNIK STATISTICAL DOWNSCALING
BERDASARKAN DATA SATELIT TRMM

ASTUTI DEWI WARAWATI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Judul Skripsi : Prakiraan Curah Hujan Stasiun Sukadana dengan Teknik Statistical

Downscaling Berdasarkan Data Satelit TRMM
Nama
: Astuti Dewi Warawati
NIM
: G14090001

Disetujui oleh

Dr Ir Aji Hamim Wigena, MSc
Pembimbing I

Dr Ir Anik Djuraidah, MS
Pembimbing II

Diketahui oleh

Dr Ir Hari Wijayanto, MSi
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji syukur penulis panjatkan kepada Allah SWT atas izin dan segala
karunia-Nya sehingga penelitian ini dapat diselesaikan. Tema yang dipilih adalah
klimatologi dengan judul Prakiraan Curah Hujan Stasiun Sukadana dengan
Teknik Statistical Downscaling Berdasarkan Data Satelit TRMM.
Penelitian ini tidak lepas dari dukungan dan bantuan dari berbagai pihak.
Oleh karena itu, penulis menyampaikan terima kasih kepada:
1. Bapak Dr Ir Aji Hamim Wigena, MSc dan Ibu Dr Ir Anik Djuraidah, MS
selaku pembimbing yang telah memberikan ilmu, inspirasi, arahan, dukungan,
dan bimbingan kepada penulis.
2. Ibu Dian Kusumaningrum, MSi selaku dosen penguji yang telah memberikan
masukan dan arahan.
3. Bapak Wido Hanggoro, Bapak Ajie, Bapak Suratno, Bapak Dodo, Bapak
Danang, Bapak Hastu, Mba Tuti, Mba Melda, Bu Diah, Bu Yanti, Bapak
Sasmito, dan seluruh staf peneliti Puslitbang BMKG yang telah banyak
membantu dalam
moril dan ilmu saat penulis praktik lapang dan
mengumpulkan data.
4. Ibu (Lestari Yuli Astuti) dan Ayah (Rebani) serta adikku tersayang (Lalan

Agung Prasetyo) serta seluruh keluarga yang senantiasa memberikan doa,
dorongan, dan semangat.
5. Seluruh dosen Departemen Statistika yang telah memberikan ilmu, mendidik,
memberikan semangat, dan membimbing penulis selama masa pendidikan dan
penyelesaian penelitian ini.
6. Semua pihak yang telah memberikan semangat kepada penulis yang tidak
dapat penulis sebutkan satu per satu.
Semoga Allah membalas semua kebaikan yang telah mereka berikan kepada
penulis dan semoga karya ini dapat memberikan manfaat dalam bidang statistika
dan klimatologi.

Bogor, Juli 2013
Astuti Dewi Warawati

DAFTAR ISI
DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

METODOLOGI

2

Data

2

Metode

3

HASIL DAN PEMBAHASAN

8

Eksplorasi Data

8

Analisis Regresi Kuadrat Terkecil Parsial (RKTP)

9

Penentuan Kelompok

13

Regresi Kuadrat Terkecil Terboboti (RKTT)

14

Regresi Komponen Utama (RKU)

15

Kebaikan Model dan Validasi Data

15

SIMPULAN DAN SARAN

18

Simpulan

18

Saran

18

DAFTAR PUSTAKA

19

LAMPIRAN

21

RIWAYAT HIDUP

28

DAFTAR TABEL
1 Komponen terekstrak pada model RKTP4
2 Model beserta peubah penjelas dan persamaannya
3 Kebaikan dan validasi model

10
16
17

DAFTAR GAMBAR
1 Posisi stasiun Sukadana dan data satelit TRMM
2 Curah hujan bulanan stasiun Sukadana, grid7, grid8, grid 9, grid12,
grid13, grid14, grid17, grid18, dan grid19 periode 1998-2007
3 Matriks diagram pencar data pemodelan
4 Plot skor-X1 dan skor-Y1 pada model RKTP4 yang dilengkapi dengan
garis linear pada data pemodelan
5 Plot skor-X1 dan skor-Y1 yang dihasilkan model RKTP4 beserta
keterangaan intensitas curah hujannya pada data pemodelan
6 Plot kepentingan peubah model RKTP4
7 Diagram pencar sisaan dan nilai dugaan model RKTP4
8 Diagram pencar sisaan dan nilai dugaan model RKTP9
9 Pengelompokkan data berdasarkan skor-Y hasil analisis RKTP4
10 Pengelompokkan data berdasarkan skor-Y hasil analisis RKTP9
11 Plot tebaran sisaan antara sisaan dengan nilai dugaan yang dihasilkan
model RKTT4K
12 Plot tebaran sisaan antara sisaan dengan nilai dugaan yang dihasilkan
model RKU4
13 Grafik data curah hujan tahun 2008 pada stasiun Sukadana, RKTP4,
RKTP9, RKTT4K, RKTT9K, RKTT4B, RKTT9B, RKU4, dan RKU9
14 Grafik RMSE dan RMSEP pada curah hujan periode 2008

3
8
9
10
11
11
12
12
13
13
14
15
17
18

DAFTAR LAMPIRAN
1 Diagram alir analisis data
2 Koordinat data TRMM dan stasiun Sukadana
3 Eksplorasi data curah hujan (mm/bulan) pada stasiun Sukadana dan
data satelit TRMM periode 1998-2007
4 Matriks korelasi data pemodelan
5 Komponen terekstrak pada model RKTP9
6 Plot skor-X1 dan skor-Y1 pada model RKTP9 yang dilengkapi dengan
garis linear pada data pemodelan
7 Plot skor-X1 dan skor-Y1 yang dihasilkan model RKTP9 beserta
keterangaan intensitas curah hujannya pada data pemodelan
8 Plot tebaran sisaan antara sisaan dengan nilai dugaan yang dihasilkan
oleh model RKTT9K

21
22
22
23
23
24
24
25

9 Plot tebaran sisaan antara sisaan dengan nilai dugaan yang dihasilkan
oleh model RKTT4B
10 Plot tebaran sisaan antara sisaan dengan nilai dugaan yang dihasilkan
oleh model RKTT9B
11 Plot tebaran sisaan antara sisaan dengan nilai dugaan yang dihasilkan
oleh model RKU9
12 Curah hujan aktual dan prakiraan model pada tahun 2008 (mm/bulan)

26
26
27
27

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara maritim beriklim tropis yang mendapatkan
curah hujan pada setiap tahunnya (Vernimmen et al. 2012). Curah hujan tersebut
dapat diukur dengan alat ukur curah hujan (rain gauge), misalnya penakar hujan
observatorium (ombrometer) dan penakar hujan Hellman. Data yang dihasilkan
oleh alat ukur terkadang tidak lengkap yang dapat disebabkan oleh kerusakan alat.
Metode yang digunakan untuk mengisi data hilang antara lain metode rataan
bergerak (moving average) dan pemulusan (smoothing). Kedua metode ini akan
menghasilkan prakiraan yang tidak sesuai dengan curah hujan aktual jika terdapat
banyak data hilang yang muncul secara berurutan. Contohnya amatan curah hujan
yang hilang dari bulan Maret hingga Oktober pada gugus data curah hujan
bulanan stasiun Sukadana yang diduga dengan metode rataan bergerak. Prakiraan
curah hujannya membentuk pola tren naik. Menurut Aldrian dan Susanto (2003),
Indramayu merupakan wilayah yang tergolong ke dalam daerah jenis iklim muson
dengan curah hujan rendah pada pertengahan tahun namun tinggi pada awal dan
akhir tahunnya. Perbedaan pola antara hasil prakiraan rataan bergerak dan curah
hujan untuk wilayah Indramayu secara umum menunjukkan bahwa metode rataan
bergerak tidak dapat digunakan. Solusinya adalah dengan menerapkan data satelit
Tropical Rainfall Measuring Mission (TRMM) sebagai pengganti data hilang.
Data satelit TRMM telah digunakan dalam berbagai penelitian sebagai
pengganti atau pelengkap data curah hujan hasil amatan stasiun permukaan bumi.
Penelitian yang telah dilakukan berkaitan dengan hal ini antara lain, evaluasi
ketepatan data satelit TRMM serta penggunaannya sebagai data awal peramalan
curah hujan (Su et al. 2008); pembandingan data curah hujan bulanan dari data
pengamatan, satelit TRMM, dan model permukaan yang diajukan oleh NOAH
(Gunawan 2008); serta evaluasi data TRMM jenis 3B43 berdasarkan data data
curah hujan hasil pengamatan Bureau of Meteorology (BoM) pada seluruh
wilayah di Australia (Fleming et al. 2011). Penelitian-penelitian tersebut
menunjukkan bahwa data satelit TRMM dapat digunakan sebagai pelengkap atau
pengganti data curah hujan yang dihasilkan oleh alat ukur curah hujan karena
kesamaan karakteristik curah hujannya. Satelit TRMM merupakan salah satu
teknologi pengindraan jarak jauh yang dapat digunakan untuk memperoleh data
curah hujan pada wilayah yang luas bahkan pada wilayah yang tidak dapat
dijangkau oleh peralatan konvensional (Gunawan 2008; Vernimmen et al. 2012).
Satelit ini adalah proyek kerja sama antara National Aeronautics and Space
Administration (NASA) dan Japan Aerospace Exploration Agency (JAXA) yang
bertujuan mengamati dan mempelajari karakteristik serta mekanisme curah hujan
tropis (Suryantoro et al. 2008). Misi tersebut membawa lima sensor utama, yaitu
Precipitation Radar (PR), TRMM Microwave Imager (TMI), Visible Infrared
Scanner (VIRS), Lightning Imaging Sensor (LIS), dan Clouds and Earth’s
Radiant Energy System (CERES) yang dioperasikan pada ketinggian 403 km
(Suryantoro et al. 2008).
Cakupan wilayah amatan data TRMM dinyatakan dengan grid yang
merupakan suatu bangun khayal berbentuk segi empat. Bangun ini terbentuk dari

2
pertemuan antara garis lintang dan garis bujur yang saling tegak lurus. Data curah
hujan satelit TRMM berada pada titik sudut grid tersebut. Data TRMM untuk
wilayah yang tidak berada pada titik sudut grid biasanya merujuk data curah hujan
pada koordinat data TRMM terdekat atau menggunakan rataan curah hujan satelit
TRMM yang yang berada di sekitar lokasi tersebut. Vernimmen et al. (2012)
menyatakan bahwa data TRMM merepresentasikan rataan curah hujan pada
wilayah di dekat ekuator seluas ±772
dan hujan di wilayah tropis cenderung
bersifat lokal pada area kurang dari ±10
. Berdasarkan hal tersebut, teknik
statistical downscaling (SD) akan diterapkan pada data TRMM untuk
memperoleh informasi skala lokal pada suatu wilayah.
Teknik SD biasanya diterapkan pada data luaran Global Circulation Model
(GCM) (Busuioc et al. 2001; Wigena 2011; Gunawan dan Linarka 2011). Ide
dasar teknik ini adalah menelusuri hubungan statistik antara data berskala besar
dengan data berskala kecil (Busuioc et al. 2001). Metode statistik yang digunakan
pada teknik SD dalam penelitian ini ada tiga, yaitu regresi kuadrat terkecil parsial
(RKTP), regresi kuadrat terkecil terboboti (RKTT), dan regresi komponen utama
(RKU) dengan melibatkan data curah hujan bulanan pada stasiun Sukadana dan
data satelit TRMM jenis 3B43 versi 7 periode 1998-2008.

Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan teknik SD dengan metode RKTP,
RKTT, dan RKU untuk mendapatkan data prakiraan curah hujan pada stasiun
Sukadana kabupaten Indramayu berdasarkan data satelit TRMM.

METODOLOGI
Data
Data curah hujan bulanan (dalam satuan mm/bulan) pada penelitian ini
berasal dari dua gugus data primer yang berbeda, yaitu data stasiun Sukadana dan
data satelit TRMM yang diperoleh dari Badan Meteorologi, Klimatologi, dan
Geofisika (BMKG) periode 1998-2008. Data curah hujan yang pada stasiun
Sukadana digunakan sebagai peubah respon dan data satelit TRMM digunakan
sebagai peubah penjelas.
Data satelit TRMM yang digunakan berjenis 3B43 versi 7 dengan bentuk
salinan lunak berjenis nc (NetCDF atau Network Common Data Form). Data
3B43 memiliki resolusi temporal bulanan dan resolusi spasial 0.25 × 0.25
(Fleming 2011) atau mencakup wilayah seluas ±772
pada wilayah di dekat
ekuator (Vernimmen et al. 2012). Ekstraksi data diawali dengan memasukkan
koordinat stasiun Sukadana ke dalam perangkat lunak OpenGrADS. Gambar 1
menunjukkan bahwa posisi stasiun Sukadana tidak berada pada titik sudut grid
data satelit TRMM. Hal tersebut mengakibatkan data curah hujan pada satelit
Sukadana merujuk pada koordinat data satelit TRMM terdekat, yaitu grid13.
Berdasarkan koordinat grid13, data curah hujan pada grid7, grid8, dan grid12

3

6.375° LS

6.625° LS

6.875° LS

108.125° BT

108.375° BT

Gambar 1 Pos
osisi stasiun Sukadana (

108.625° BT
B

) dan data satelit TRMM
TR
(

)

diperoleh dengan mencari
me
selisih sebesar 0.25° ke arah utara
ra (grid12), barat
(grid8), timur (grid18)
d18), dan selatan (grid14). Koordinat pada grid7,
id7, grid17, grid9,
dan grid19 diperoleh
eh dengan menggunakan cara yang sama sehi
ehingga diperoleh
sembilan titik satelit
it TRMM
T
di sekitar koordinat stasiun Sukadana
dana (Lampiran 2).
Koordinat yang sudah
udah diperoleh selanjutnya dimasukkan ke dala
alam OpenGrADS
untuk diekstrak dann diperoleh
di
data curah hujan satelit TRMM periode 1998-2008.

Metode
Tahapan yangg di
dilakukan pada penelitian ini disajikan dalam
dala diagram alir
yang tercantum pada
da L
Lampiran 1 dengan rincian sebagai berikut:
1. Mengekstrak data satelit TRMM 3B43 dengan menggunakan
an perangkat lunak
OpenGrADS (Ope
Open Grid Analysis and Display System).
2. Membagi kedua
dua gugus data ke dalam dua kelompok, yaitu
tu data pemodelan
dan data pengujia
ujian. Gugus data pemodelan berisikan data curah
cur hujan pada
tahun 1998 hingga
ngga 2007 dan gugus data pengujian berisikann data
da curah hujan
pada tahun
hun 2008.
3. Melakukan ekspl
ksplorasi pada data pemodelan dengan mengguna
unakan grafik dan
statistika deskript
iptif.
4. Menerapkan tekni
knik SD pada data pemodelan. Model umum teknik
t
SD dapat
dinyatakan sebaga
bagai
dengan
menya
yatakan peubah skala lokal (curah hujann bul
bulanan) dan
menyatakan peub
ubah skala global (Wigena 2011). Penggunaan
an jumlah peubah

4
penjelas pada model dibedakan menjadi dua, yaitu empat data TRMM (grid7,
grid8, grid12, dan grid13) dan sembilan data TRMM (grid7, grid8, grid9,
grid12, grid13, grid14, grid17, grid18, dan grid19) yang dipilih berdasarkan
kedekatan dan posisinya dari koordinat stasiun Sukadana. Metode yang
digunakan pada penelitian ini ada tiga, yaitu regresi kuadrat terkecil parsial
(RKTP), regresi kuadrat terkecil terboboti (RKTT), dan regresi komponen
utama (RKU) dengan peubah boneka.
Model yang dihasilkan dari metode RKTP dengan empat peubah
penjelas disebut sebagai RKTP4 dan model dengan sembilan peubah penjelas
disebut sebagai RKTP9. Analisis RKTP dilakukan menggunakan perangkat
lunak SAS 9.3 yang diperoleh dari Departemen Statistika FMIPA IPB.
Lisensi perangkat lunak yang merupakan program kerjasama antara
Departemen Statistika IPB dan SAS berlaku hingga 14 Juli 2013.
Data masukan pada model RKTP dinyatakan sebagai dan . Matriks
×
merupakan matriks peubah penjelas dan vektor ( × 1)
merupakan vektor yang berisikan peubah respon dengan
menyatakan
jumlah amatan dan menunjukkan jumlah peubah penjelas. Kedua peubah
tersebut digunakan untuk menghasilkan peubah laten (disebut juga sebagai
komponen atau faktor) yang merupakan peubah yang tidak dapat diukur
secara langsung dan berhubungan dengan banyaknya amatan (Everitt 2006).
Algoritme RKTP yang digunakan pada penelitian ini adalah Non-linear
Iterative Partial Least Square (NIPALS) dengan tahapan sebagai berikut
(Wold et al. 2001):
a. Menggunakan vektor sebagai awalan untuk membangkitkan vektor
awalan , sehingga = .
b. Menghitung

pembobot-X

.

diperoleh

(

)

melalui

=

dan

Menduga skor-X, yaitu =
.
Hitung pembobot-Y, yaitu =
/( ).
Memperbarui skor-Y, yaitu = /( ).
Menguji kekonvergenan berdasarkan perubahan dengan menggunakan
‖ "#$# % &#'( ‖
< * dengan * merupakan batas kekonvergenan. Kondisi
‖
mengotonormalkan

c.
d.
e.
f.

=

yang

&#'( )‖

, yaitu

konvergen terjadi jika kondisi tersebut tidak tercapai maka kembali ke
langkah b, jika terpenuhi dapat melanjutkan ke langkah g. Nilai batas
yang digunakan sebesar 10%+ .
g. Menyederhanakan matriks dan .
,′ =
/( ′ )
= − ,
= − .
h. Melanjutkan iterasi ke komponen berikutnya yang dimulai dari langkah a
hingga validasi silang mengindikasikan bahwa tidak ada informasi yang
signifikan di dalam dan .
i. Menduga vektor koefisien regresi dengan komputasi. Persamaan yang
digunakan untuk memperoleh dugaan vektor koefisien adalah
/0123 = (,′ )−1 ′.

5
Metode RKTP yang digunakan pada penelitian ini menerapkan validasi
silang lipat-10 untuk menentukan jumlah komponen yang digunakan dalam
pemodelan. Validasi lipat-10 membagi data menjadi sepuluh gugus dengan
jumlah data amatan yang sama. Satu lipatan gugus data berisikan dua belas
data (satu tahun). Anggota gugus data pada setiap lipatan dipililih tidak secara
acak karena mempertimbangkan bahwa data yang digunakan merupakan data
deret waktu. Proses ini menggunakan satu gugus data sebagai data pengujian
dan sembilan gugus data lainnya sebagai data pemodelan. Tahapan tersebut
dilanjutkan dengan gugus data lain sebagai data pengujian dan sisanya
digunakan sebagai data pemodelan. Proses ini dilakukan secara berulang
hingga seluruh bagian gugus data yang digunakan berperaan sebagai gugus
data pengujian. Persamaan validasi silangnya adalah
?
1
7
456 8
9 :(;< , ;>< )
< )
menunjukkan loss function. Notasi ;< merupakan bagian gugus data yang
berperan sebagai data pemodelan dan ;>< berperan sebagai gugus data
pengujian (Hastie et al. 2008). Penggunaan validasi silang dapat
meminimumkan kesalahan prediksi dan mengatasi masalah overfitting yang
dapat terjadi karena komponen yang digunakan dalam model terlalu banyak
sehingga model menghasilkan nilai ramalan yang baik pada gugus data
pemodelan namun menghasilkan nilai ramalan yang kurang baik di luar gugus
data tersebut.
Tahapan selanjutnya adalah melakukan pemeriksaan peubah penjelas
dalam model RKTP4 dan RKTP9 menggunakan plot kepentingan peubah
(variable important plot). Plot tersebut dapat merepresentasikan kontribusi
setiap peubah penjelas dalam penyuaian model RKTP, baik untuk peubah
penjelas maupun peubah respon. Statistik yang digunakan pada plot
kepentingan peubah adalah kepentingan peubah dalam proyeksi (Variable
Importance in the Projection, VIP) yang dapat menjelaskan kontribusi suatu
peubah di dalam suatu model. Nilai VIP diperoleh dari
I

5ABC = DE F9 GH
H@+

H H 6 CH /‖

H ‖8

I

JK 9

H@+

H H H

dengan E menyatakan jumlah peubah penjelas, notasi
= 1, 2, … , ℎ
menyatakan komponen yang digunakan, H menyatakan bobot-Y pada
komponen ke- , dan NCH menyatakan bobot pada peubah ke-O pada komponen
ke- (Chong dan Jun 2005).
5. Memeriksa kehomogenan ragam sisaan yang dihasilkan oleh RKTP4 dan
RKTP9, jika kondisi homogen ditemukan pada model maka melanjutkan ke
langkah 7, selainnya ke langkah 6.
6. Menerapkan RKTT dan RKU dengan peubah boneka pada data pemodelan
yang selanjutnya diperiksa kondisi kehomogenan ragam sisaannya.
Menurut Draper dan Smith (1992) metode RKTT merupakan metode
yang digunakan untuk mengatasi kondisi ragam tidak homogen PQR(S) ≠
UV . Metode RKTT mentransformasi peubah penjelas W menjadi peubah X

6
sehingga ragam sisaan yang dihasilkan oleh metode RKTT menjadi homogen.
Transformasi yang dilakukan adalah dengan mengalikan peubah penjelas
dengan suatu matriks Y, sehingga
Y
Y Z + YS
\ ]Z + ^
dengan matriks
×
menunjukkan peubah penjelas, vektor ( × 1)
menunjukkan vektor peubah respon, menunjukkan jumlah amatan, dan
menunjukkan jumlah peubah penjelas yang digunakan, serta nilai harapan
sisaan _(S) = ` dengan ragam sisaan PQR(S) = aV . Nilai harapan sisaan
yang dihasilkan oleh metode RKTT adalah nol _(^) = ` . Transformasi
menggunakan metode RKTT dapat menghasilkan ragam yang homogen, yaitu
PQR(^) = UV . Penduga parameter regresi metode RKTT dapat dinyatakan
sebagai /0122 = ( a%b )%+ ′a%b . Matriks pembobot Y merupakan
matriks non-singular yang bersifat YY = a%+ dengan a+/ a+/ = a. Matriks
Y merupakan matriks diagonal yang berisikan satu per simpangan baku data
curah hujan stasiun Sukadana, yaitu
1/e+ ⋯
0
⋱
⋮ i
c = (a+/ )%+ = d ⋮
0
⋯ 1/e?
notasi e+ , e , … , e? menyatakan simpangan baku yang digunakan sebagai
bobot dalam RKTT.
Permasalahan lain yang perlu diperhatikan pada data yang digunakan
adalah adanya hubungan yang kuat di antara data satelit TRMM. Masalah
multikolinieritas tersebut perlu diselesaikan terlebih dahulu sebelum metode
RKTT digunakan, yaitu dengan menerapkan analisis komponen utama
(AKU). Jumlah komponen yang digunakan dalam analisis ditentukan
berdasarkan kumulatif proporsi keragaman total dengan batas minimum 70%.
Skor komponen utama yang dihasilkan selanjutnya digunakan sebagai peubah
penjelas yang diregresikan terhadap peubah respon.
Simpangan baku yang digunakan dalam pembobotan diperoleh dengan
dua cara, yaitu berdasarkan kelompok dan berdasarkan bulan dalam satu
tahun. Kelompok yang curah hujan dibentuk berdasarkan skor yang
dihasilkan proses RKTT. Model yang menggunakan metode pembobotan ini
disebut sebagai model RKTT4K dan model RKTT9K. Model RKTT4K
menggunakan empat data TRMM dan model RKTT9K menggunakan
sembilan data TRMM sebagai peubah penjelasnya. Perhitungan simpangan
baku dengan menggunakan cara yang kedua mengakibatkan terdapat dua
belas macam bobot berbeda yang digunakan dalam model RKTT. Model yang
menggunakan simpangan baku dalam penentuan bobotnya serta empat data
TRMM disebut sebagai model RKTT4B sedangkan model dengan sembilan
data TRMM sebagai peubah penjelasnya disebut sebagai model RKTT9B.
Metode RKU dapat digunakan untuk mengatasi kondisi kehomogenan
ragam serta menghilangkan multikolinieritas antar peubah penjelas.
Multikolinieritas diatasi dengan menghilangkan dimensi yang menyebabkan
kondisi tersebut (Rawlings et al.1998). Metode ini tidak menggunakan peubah
penjelas j melainkan dengan menggunakan skor komponen utama untuk
diregresikan dengan peubah respon W . Skor komponen utama tersebut
diperoleh dari empat data satelit TRMM (selanjutnya disebut sebagai model

7
RKU4) dan dari sembilan data satelit TRMM (selanjutnya disebut sebagai
RKU9). Kedua model ini menggunakan skor komponen dan peubah boneka
sebagai peubah penjelasnya. Peubah boneka menunjukkan kelompok curah
hujan yang terbentuk dari skor yang dihasilkan model RKTP4 dan RKTP9.
Metode RKU pada penelitian ini merujuk Mattjik dan Sumertajaya (2011)
dengan sedikit penyesuaian karena adanya penggunaan peubah boneka di
dalam analisis. Algoritmenya adalah sebagai berikut :
a. Membakuan peubah penjelas jC serta mengatur skalanya, yaitu melalui
kC

lmn %l̅ p

, dengan r menunjukkan banyaknya amatan r

1,2, … ,

O menunjukkan banyaknya peubah penjelas O = 1,2, … , .
b. Menghitung nilai akar ciri (sC ) , vektor ciri (tC ) , dan skor komponen
utama 6u vPC 8. Komponen utama ditentukan berdasarkan matriks korelasi
dengan pertimbangan kesamaan satuan yang digunakan pada data, yaitu
mm/bulan.
c. Meregresikan peubah respon (W) dengan skor komponen utama 6u vPC 8
yang terpilih dan peubah boneka. Penentuan skor jumlah komponen
utama yang digunakan dilakukan berdasarkan kumulatif proporsi
keragaman total yang dijelaskan oleh komponen utama. Batas minimum
yang digunakan sebesar 70%. Peubah boneka dinyatakan dengan notasi
wx dan R = 1, 2, … , . Persamaannya adalah sebagai berikut
= yz + y+ {+ + ⋯ + y| {| + }+ w+ + ⋯ + }x wx
d. Mentransformasi persamaan regresi dengan peubah bebas yang
merupakan skor komponen utama 6u vPC 8 ke peubah penjelas 6~C 8.
e. Mentransformasi persamaan regresi dengan peubah bebas 6~C 8 ke peubah
penjelas 6jC 8.
7. Menentukan kebaikan model dan validasi hasil peramalan.
Kebaikan model dihitung berdasarkan data pemodelan. Statistik yang
digunakan adalah Root Mean Square Error (RMSE), korelasi, dan koefisien
determinasi pada data pemodelan. Nilai RMSE diperoleh dari
qp

1

dan

?

•Xu_ = D 9(;< − ;>< )
€@+

dengan ;< menyatakan data curah hujan pada stasiun Sukadana dan ;><
menyatakan dugaan data curah hujan hasil pendugaan pada waktu ke-•, serta
menyatakan banyaknya data (Chen dan Wei 2006).
Validasi data hasil peramalan curah hujan stasiun Sukadana tahun 2008
menggunakan korelasi dan Root Mean Square Error of Prediction (RMSEP).
Nilai RMSEP dihitung berdsarkan persamaan berikut
∑?€@+(;>< − ;< )
‚
•Xu_B =

dengan ;>< merupakan data ramalan curah hujan dan ;< menyatakan data curah
hujan amatan pada stasiun Sukadana pada waktu ke-• (Esbensen et al. 2002).

8

HASIL DAN PEMBAHASAN
Eksplorasi Data

Curah hujan (mm/bulan)

Statistika deskriptif data satelit TRMM dan curah hujan stasiun Sukadana
tercantum pada Lampiran 3. Berdasarkan tabel tersebut diperoleh informasi
bahwa pada umumnya data satelit TRMM periode 1998-2007 memiliki nilai
rataan, simpangan baku, dan median yang besar dari rataan, simpangan baku, dan
median pada data curah hujan stasiun Sukadana. Gambar 2 menunjukkan bahwa
pada umumnya data stasiun Sukadana dan data TRMM memiliki pola curah hujan
yang sama. Data TRMM relatif lebih tinggi dibandingkan data stasiun Sukadana
saat musim penghujan tetapi ketika musim kemarau data TRMM dan data stasiun
Sukadana memiliki curah hujan yang hampir sama. Kondisi tersebut sesuai
dengan penelitian Mamenun (2013) yang menyebutkan bahwa pada wilayah hujan
muson, data TRMM cenderung menghasilkan nilai yang bias atas pada musim
penghujan sedangkan pada musim kemarau data TRMM cukup mendekati data
stasiun Sukadana.
Hubungan yang erat antar data TRMM terlihat jelas pada Gambar 3.
Tebaran data antar peubah penjelasnya membentuk sudut 45° dan membentuk
pola linier yang menunjukkan bahwa amatan antar peubah penjelasnya memiliki
nilai yang relatif sama. Korelasi antar peubah penjelasnya di atas 0.9 (Lampiran 4).
Hal ini merupakan indikasi bahwa terdapat multikolinieritas pada peubah penjelas.
Pola linier terbentuk pada tebaran data di antara kesembilan data satelit
TRMM dengan data curah hujan stasiun Sukadana (Gambar 3). Data curah hujan
stasiun Sukadana dan data satelit TRMM memiliki hubungan yang kuat dengan
korelasi di atas 0.7 (Lampiran 3). Nilai korelasinya tidak sekuat korelasi antar
peubah penjelas yang kemungkinan disebabkan oleh perbedaan curah hujan data
satelit TRMM dan data stasiun Sukadana, terutama ketika intensitas hujannya
800
700
600
500
400
300
200
100
0

Bulan
Gambar 2 Curah hujan bulanan stasiun Sukadana ( ), grid7 (
), grid8
(
), grid 9 (
), grid12 (
), grid13 (
), grid14 ( ),
grid17 ( ), grid18 ( ), dan grid19 ( ) periode 1998-2007

9

Gamba
bar 3 Matriks diagram pencar data pemodelan
relatif tinggi. Gambar
bar 3 memperlihatkan bahwa perbedaan dataa TRMM
T
dan data
stasiun Sukadana sem
emakin jelas pada intensitas hujan yang tinggii ssehingga tebaran
data tidak membentuk
ntuk garis linier dengan sudut 45° namun
un membentuk
m
pola
seperti corong. Hubun
ubungan terkuat antara peubah penjelas dan peubah respon
terdapat pada grid7
d7 da
dan stasiun Sukadana. Korelasi terkuat seharus
harusnya dihasilkan
oleh hubungan antara
ra grid13 dan stasiun Sukadana karena posisiny
inya yang terdekat
dengan koordinat stas
tasiun Sukadana.

Analisi
alisis Regresi Kuadrat Terkecil Parsial (RKTP
TP)
Busuioc et al. (2001) menyatakan bahwa agar diperolehh m
model SD yang
baik, ada tiga kondisi
kondi yang harus dipenuhi terlebih dahulu,, yaitu
ya
(1) adanya
hubungan yang erat
at diantara peubah respon dan peubah penje
njelas, (2) peubah
penjelas disimulasika
kan dengan baik oleh GCM, serta (3) hubungan
hubunga antara kedua
peubah tersebut tidak
dak berubah dengan perubahan waktu dan tetap
ap sama meskipun
terjadi perubahan ikl
iklim. Kondisi (2) tidak diperhatikan karena
kar
data yang
digunakan sebagai peubah
pe
penjelas adalah data TRMM. Berdasa
dasarkan eksplorasi
data, kondisi (1) dan kondisi (3) telah terpenuhi, sehingga diharapkan
diha
model

10
Tabel 1 Komponen terekstrak pada model RKTP4
Akar rataan PRESS
1.05546
0.68759
0.68519
0.68505
0.68754

Pel > PRES
ESS


0.199 RPr†7 + 0.193 RPr†8 +
0.196 RPr†12 + 0.190 RPr†13

;> = 0.089 RPr†7 + 0.086 RPr†8 +
0.086 RPr†9 + 0.088 RPr†12 +
0.085 RPr†13 + 0.085 RPr†14 +
0.086 RPr†17 + 0.085 RPr†18 +
0.087 RPr†19
;> = 15.307 + 0.165 RPr†7 + 0.140 RPr†8 +
0.164 RPr†12 + 0.147 RPr†13
;> = 16.033 + 0.072 RPr†7 + 0.062 RPr†8 +
0.055 RPr†9 + 0.073 RPr†12 +
0.066 RPr†13 + 0.059 RPr†14 +
0.066 RPr†17 + 0.067 RPr†18 +
0.062 RPr†19
;> = −4.709 + 0.179 RPr†7 + 0.152 RPr†8 ±
0.178 RPr†12 + 0.160 RPr†13
;> = −4.068 + 0.078 RPr†7 + 0.067 RPr†8 +
0.060 RPr†9 + 0.079 RPr†12 +
0.072 RPr† 13 + 0.064 RPr†14 +
0.072 RPr†17 + 0.073 RPr†18 +
0.068 RPr†19
;> = 31.378 + 0.062 RPr†7 + 0.053 RPr†8 +
0.062 RPr†12 + 0.055 RPr†13 +
149 w+ + 322 w
;> = 31.432 + 0.027 RPr†7 + 0.023 RPr†8 +
0.021 RPr†9 + 0.028 RPr†12 +
0.025 RPr†13 + 0.022 RPr†14 +
0.025 RPr†17 + 0.025 RPr†18 +
0.023RPr†19 + 148 w + 327 w

Curah hujan stasiun Sukadana dan prakiraan yang dihasilkan semua model
pada tahun 2008 memiliki pola yang relatif sama. Lampiran 13 dan Gambar 13
menunjukkan bahwa model RKTP4 dan RKTP9 menghasilkan nilai prakiraan
yang sama dan menghasilkan data prakiraan terbaik pada periode Januari-Maret
2008. Ramalan curah hujan terbaik untuk periode berikutnya dihasilkan oleh
model RKU4 karena garis yang dibentuk oleh model tersebut merupakan garis
terdekat dengan garis curah hujan stasiun Sukadana. Korelasi dan RMSEP
digunakan untuk validasi data. Korelasi dan RMSEP tertinggi dihasilkan oleh
model RKU4 (Tabel 3). Gambar 14 menunjukkan bahwa model RKU4
menghasilkan nilai RMSEP terendah. Model RKU9 menghasilkan ketinggian
kolom yang hampir sama dengan ketinggian kolom model RKU4 sehingga dapat
disimpulkan bahwa secara umum model RKU4 merupakan model terbaik dalam
menghasilkan prakiraan curah hujan untuk periode ke depan dan model RKU9

17
Tabel 3 Kebaikan dan validasi model
Kebaikan model

Model
RKTP4
RKTP9
RKTT4K
RKTT9K
RKTT4B
RKTT9B
RKU4
RKU9

RMSE

Korelasi

77.244
77.891
77.296
77.952
78.375
79.019
47.329
47.355

0.768
0.763
0.768
0.763
0.768
0.763
0.920
0.920

2

4

Validasi

•
58.96%
58.27%
58.50%
57.90%
72.80%
72.70%
84.60%
84.60%

RMSEP

Korelasi

73.444
73.444
63.948
70.815
59.976
67.797
39.442
41.159

0.892
0.892
0.891
0.849
0.891
0.849
0.968
0.965

Curah hujan (mm/bulan)

400
350
300
250
200
150
100
50
0
1

3

5

6

7

8

9

10

11

12

Bulan
Gambar 13 Grafik data curah hujan tahun 2008 pada stasiun Sukadana (
RKTP4 ( ), RKTP9 (
), RKTT4K ( ), RKTT9K (
RKTT4B ( ), RKTT9B ( ), RKU4 ( ), dan RKU9 (
)

),
),

dapat digunakan sebagai metode alternatifnya karena statistik yang digunakan
pada kebaikan model dan validasi menghasilkan nilai yang mendekati dengan
statistik pada model RKU4.

18
90
80
70
60
50
40
30
20
10
0

Gambar 14 Grafik RMSE ( ) dan RMSEP ( ) pada curah hujan periode 2008

SIMPULAN DAN SARAN
Simpulan
Data TRMM mampu menggambarkan curah hujan stasiun Sukadana dengan
sangat baik untuk musim kemarau tetapi bersifat bias atas pada musim hujan. Data
TRMM dapat digunakan untuk mendapatkan data prakiraan curah hujan stasiun
Sukadana berdasarkan teknik SD dengan metode RKTP, RKTT, dan RKU. Model
RKU4 merupakan model terbaik karena mampu menghasilkan prakiraan curah
hujan yang paling mendekati data curah hujan di stasiun Sukadana dan model
RKU9 dapat digunakan sebagai metode alternatifnya. Kedua model tersebut
menggunakan metode yang sama dan dapat disimpulkan bahwa metode metode
RKU dengan peubah boneka lebih baik dari pada metode RKTP dan RKTT.

Saran
Berdasarkan analisis yang sudah dilakukan, terdapat beberapa hal yang
dapat dikembangkan, yaitu:
1. Pola yang terbentuk oleh skor-X dan skor-Y pada RKTP menunjukkan pola
yang bergelombang meskipun dapat didekati dengan garis linier. Pola yang
bergelombang tersebut dapat diperhalus dengan memodifikasinya
menggunakan analisis jaringan syaraf tiruan (PLS-NN) yang merupakan
pengembangan metode RKTP.
2. Metode spline dapat digunakan untuk memperoleh model prakiraan curah
hujan yang lebih fleksibel karena terdapat kemiripan pola curah hujan pada
data TRMM dan data curah hujan stasiun Sukadana.

19

DAFTAR PUSTAKA
Aldrian E, Susanto RD. 2003. Identification of Three Dominant Rainfall Regions
within Indonesia and Their Relationship to Sea Surface Temperature. Int J
Climatol [internet]. [diunduh 2013 Maret 20]; 23: 1439. doi:10.1002/joc.950.
Busuioc A, Chen D, Hellstrom. 2001. Performance of Statistical Downscaling
Models in GCM Validation and Regional Climate Change Estimates:
Application for Swedish Precipitation. Int J Climatol [Internet]. [diunduh 2013
Mei 17]; 21:557-578. doi: 10.1002/joc.624.
Chen S, Wei W. 2006. Traffic Volume Forecasting Based on Wavelet Transform
and Neural Networks. Wang J, Zhang Y, Zurada JM, Lu BL, Yin H, editor.
Advances in Neural Networks ISNN 2006; Third International Symposium on
Neural Networks [Internet]; Chengdu, Cina; 2006 Mei-Juni 28-1. [tempat tidak
diketahui]: Springer. Tersedia pada: http://bit.ly/15u96G3.
Chong IG, Jun CH. 2005. Performance of Some Variable Selection Methods
When Multicollinearuty is Present. Chem Int Lab Sys [Internet]. [diunduh 2013
Juli 29]; 78:103-112. doi: 10.1016/j.chemolab.2004.12.011.
Draper NR, Smith H. 1992. Analisis Regresi Terapan. Sumantri B, penerjemah.
Jakarta (ID): Gramedia Pustaka Utama. Terjemahan dari: Applied Regression
Analysis.
Everitt BS. 2006. The Cambridge Dictionary of Statistics. Edisi Ketiga. New
York (US): Cambridge Univ Pr.
Esbensen KH, Guyot D, Westad F, Houmøller LP. 2002. An Introduction to
Multivariate Data Analysis and Experimental Design. 5th ed. [tempat tidak
diketahui]: [penerbit tidak diketahui]. Tersedia pada: http://bit.ly/13gQI0j.
Fleming K, Awange JL, Kuhn M, Featherstone WE. 2011. Evaluating the TRMM
3B43 Monthly Precipitation Product Using Gridded Raingauge Data Over
Australia. Australian Meteorologic Oceanograph J [Internet]. [diunduh 2013
Maret 8]; 61:171-184. Tersedia pada: http://www.cage.curtin.edu.au/~will/
fleming_hres.pdf.
Gunawan D. 2008. Perbandingan Curah Hujan Bulanan dari Data Pengamatan
Permukaan, Satelit TRMM dan Model Permukaan NOAH. J Meteorol Geofis
[Internet]. [diunduh 2013 Maret 18]; 9(1):65-77. Tersedia pada:
http://www.bmkg.go.id/Puslitbang/filePDF/Dokumen_3134_Volume_9_Nomo
r_1_Juli_2008_Perbandingan_Curah_Hujan_Bulanan_dari_Data_Pengamatan_
Permukaan,_Satelit_TRMM_dan_Model_Permukaan_NOAH.pdf.
Gunawan D, Linarka UA. 2011. Penentuan Prediktor untuk Prediksi Curah Hujan
Bulanan Menggunakan Metode Statistical Dynamical Downscaling. J Meteorol
Geofis [Internet]. [diunduh 2013 Februari 9]; 12(1):93-102. Tersedia pada:
http://www.bmkg.go.id/Puslitbang/filePDF/Dokumen_859_Volume_12_Nomo
r_1_Mei_2011_Penentuan_Prediktor_untuk_Prediksi_Curah_Hujan_Bulanan_
Menggunakan_Metode_Statistical_Dynamical_Downscaling.pdf.
Hastie T, Tibshirani R, Friedman J. 2008. The Elements of Statistical Learning,
Data Mining, Inference, and Prediction. 2nd ed. New York (US): SpringerVerlag.

20
Mamenun. 2013. Pengembangan Model Penduga Curah Hujan Bulanan
Menggunakan Data Satelit TRMM pada Tiga Pola Hujan di Indonesia [Tesis].
Bogor (ID): Institut Pertanian Bogor.
Mattjik AA, Sumertajaya. 2011. Sidik Peubah Ganda dengan Menggunakan SAS.
Bogor (ID): IPB Pr.
Rawlings JO, Pantula SG, Dickey DA. 1998. Applied Regression Analysis a
Research Tool. 2nd ed. New York (US): Springer-Verlag.
Su F, Hong Y, Lettenmaier DP. 2008. Evaluation of TRMM Multisatellite
Precipitation Analysis (TMPA) and Its Utility in Hydrologic Prediction in the
La Plata Basin. J Hidrometeorol [Internet]. [diunduh 2013 April 12]; 9:622640.
doi:
10.11755/2007JHM944.1.
Tersedia
pada:
http://journals.ametsoc.org/doi/pdf/10.1175/2007JHM944.1.
Suryantoro A, Halimurrahman, Harjana T. 2008. Aplikasi Satelit Tropical
Rainfall Measuring Mission (TRMM) untuk Prediksi Curah Hujan di Wilayah
Indonesia. LAPAN Online Journal [Internet]. [diunduh 2013 April 11].
Tersedia pada: http://www.dirgantara-lapan.or.id/moklim/publikasi/2008/
full/paper_1_-_rew-akhir_-penelitian-ariefs-dkk-ultah%20LAPAN.pdf.
Vernimmen RRE, Hooijer A. Mamenun, Aldrian E, van Dijk AIJM. 2012.
Evaluation and Bias Correction of Satellite Rainfall Data for Drought
Monitoring in Indonesia. Hydrol Earth Syst Scien [Internet]. [diunduh 2013
Maret 20]; 16:133-136. doi: 10.5194/hess-16-133-2012.
Wigena AH. 2011. Regresi Kuadrat Terkecil Parsial Multi Respon untuk
Statistical Downscaling (Multi Response Partial Least Square for Statistical
Downscaling). F Statistik Komput [Internet]. [diunduh 2013 April 12];
16(2):12-15. Tersedia pada: http://journal.ipb.ac.id/index.php/statistika/article/
viewFile/4917/3349.
Wold S, Eriksson L, Kettaneh. 2011. PLS in Data Mining and Data Integration. Di
dalam: Vinzi VE, Chin WW, Henseler J, Wang H. Handbook of Partial Least
Square Concepts, Methods and Application. Berlin (DE): Springer-Verlag.
Wold S, Sjöström M, Eriksson L. 2001. PLS-Regression: a Basic Tool of
Chemometrics. Chem Int Laborat Syst [Internet]. [diunduh 2013 Juli 9];
58:109-130. Tersedia pada: http://www.iasbs.ac.ir/chemistry/chemometrics/
history/4th/5.pdf.

21
Lampiran 1 Diagram alir analisis data

Data
TRMM 3B43

Data curah hujan
stasiun Sukadana

Data satelit
TRMM

DATA

Data
pengujian

Data
pemodelan

Eksplorasi data

RKTP

Sisaan
Nilai curah
hujan dugaan

Ragam
homogen

Tidak

RKTT & RKU
Sisaan

Ya

Nilai curah
hujan dugaan
Ragam
homogen
Kebaikan
model
dan
validasi data

22
Lampiran 2

Koordinat data TRMM dan stasiun Sukadana
Koordinat
Lintang (LS°) Bujur (BT°)
6.546
108.315
6.375
108.125
6.625
108.125
6.875
108.125
6.375
108.375
6.625
108.375
6.875
108.375
6.375
108.625
6.625
108.625
6.875
108.625

Posisi
Stasiun Sukadana
Grid7
Grid8
Grid9
Grid12
Grid13
Grid14
Grid17
Grid18
Grid19

Lampiran 3 Eksplorasi data curah hujan (mm/bulan) pada stasiun Sukadana dan
data satelit TRMM periode 1998-2007
Statistik
Rataan
Simpangan baku
Minimum
Median
Maksimum
Kemenjuluran
Keruncingan
Korelasi dengan stasiun
Sukadana
• dengan stasiun Sukadana

Grid7

Grid8

Grid9

Grid12

181.794
141.328
0.146
166.116
565.929
0.644
-0.215

209.217
166.512
0.017
190.184
621.994
0.491
-0.794

236.518
186.285
0.000
224.973
722.055
0.465
-0.769

178.521
142.023
0.593
161.829
515.931
0.541
-0.593

191.094
158.117
0.000
172.512
566.608
0.543
-0.71

0.782

0.756

0.754

0.767

0.737

60.20%

56.60%

56.80%

58.30%

54.40%

Statistik

Grid14

Grid17

Grid18

Grid19

Rataan
Simpangan baku
Minimum
Median
Maksimum
Kemenjuluran
Keruncingan
Korelasi dengan stasiun
Sukadana
• dengan stasiun Sukadana

216.657 193.823 189.924 209.045
176.415 156.09 154.655 167.045
0.000
0.000
0.000
0.000
185.065 174.253 170.139 179.042
623.798 576.298 585.521 603.913
0.429
0.571
0.559
0.407
-0.959
-0.501
-0.613
-0.967

Grid13

Stasiun
Sukadana
132.942
121.082
0.000
114
526
0.859
0.259

0.739

0.743

0.733

0.756

-

54.60%

55.20%

53.70%

57.10%

-

23
Lampiran 4 Matriks korelasi data pemodelan

Stasiun Sukadana
grid7
grid8
grid9
grid12
grid13
grid14
grid17
grid18
grid19

Stasiun Sukadana
1.000
0.776
0.752
0.750
0.763
0.737
0.737
0.744
0.736
0.753

Stasiun Sukadana
grid7
grid8
grid9
grid12
grid13
grid14
grid17
grid18
grid19

Grid13
0.737
0.947
0.977
0.966
0.970
1.000
0.982
0.962
0.987
0.982

Grid7
0.776
1.000
0.960
0.944
0.978
0.947
0.925
0.962
0.938
0.937

Grid8
0.752
0.960
1.000
0.983
0.952
0.977
0.969
0.939
0.951
0.961

Grid9
0.750
0.944
0.983
1.000
0.937
0.966
0.979
0.928
0.944
0.965

Grid14
0.737
0.925
0.969
0.979
0.945
0.982
1.000
0.942
0.969
0.989

Grid17
0.744
0.962
0.939
0.928
0.990
0.962
0.942
1.000
0.977
0.959

Grid18
0.736
0.938
0.951
0.944
0.974
0.987
0.969
0.977
1.000
0.981

Grid12
0.763
0.978
0.952
0.937
1.000
0.970
0.945
0.990
0.974
0.960
Grid19
0.753
0.937
0.961
0.965
0.960
0.982
0.989
0.959
0.981
1.000

Lampiran 5 Komponen terekstrak pada model RKTP9
Jumlah faktor terekstrak

Akar rataan PRESS

Pel > PRESS

0
1
2
3
4
5
6
7
8
9

1.05546
0.69329
0.69896
0.71183
0.70742
0.71467
0.71506
0.71294
0.71285
0.71296