Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro Ncl Dalam Sistem Informasi Iklim Berbasis Web

PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN
MELALUI INTEGRASI MAKRO NCL DALAM SISTEM
INFORMASI IKLIM BERBASIS WEB

TAUFIK HIDAYAT

DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model
Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi
Iklim Berbasis Web 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, Desember 2015
Taufik Hidayat
NIM G24110030

ABSTRAK
TAUFIK HIDAYAT. Pengembangan Model Prediksi Iklim Musiman Melalui
Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web. Dibimbing
oleh AKHMAD FAQIH.
Pada penelitian ini, dikembangkan perangkat lunak prediksi iklim
musiman berbasis web. Perhitungan model prediksi dilakukan dengan
menggunakan metode Principal Component Regression (PCR) yang kode
programnya disusun menggunakan perangkat lunak NCAR Command Language
(NCL). Sebagai input prediksi, digunakan data curah hujan luaran dari tiga model
iklim global (Global Climate Model, GCM) yang terdapat di dalam North
American Multi Model Ensemble (NMME). Ketiga model tersebut yaitu model
GCM CMC1-CanCM3, CMC2-CanCM4 dan NCEP-CFSv2. Penelitian ini
menggunakan data curah hujan observasi CHIRPS versi 2.0 sebagai prediktan
untuk penyusunan model prediksi. Hasil pengujian metode PCR dengan NCL

menunjukkan prediksi yang baik pada curah hujan bulanan di musim kemarau,
yaitu untuk bulan July dan Oktober. Pola spasial curah hujan hasil prediksi pada
kedua bulan tersebut mendekati pola observasi. Sebaliknya, pola curah hujan
bulanan pada musim hujan untuk ketiga model menunjukkan hasil yang berbeda
pada sebagian wilayah di Indonesia. Pada hasil skill model menggunakan korelasi
Pearson juga menunjukkan nilai korelasi yang baik pada prediksi bulan kering
terutama di wilayah Kalimantan dan Sumatra di semua model. Nilai korelasi
Pearson tersebut memiliki nilai yang tinggi pada lead month 1 dan cenderung
menurun pada lead month 2 dan 3. Nilai korelasi Pearson tertinggi terdapat pada
model CMC1-CanCM3 sebesar 0.215. Selain korelasi, juga dilihat nilai anomali
curah hujan yang menunjukkan nilai yang rendah pada bulan Juli sehingga
mendekati nilai observasi. Sedangkan hasil prediksi bulan Januari nilai
anomalinya cenderung lebih tinggi dari observasi.

Kata kunci: NCL, Sistem infomasi iklim, PCR, Model iklim NMME

ABSTRACT
TAUFIK HIDAYAT. Seasonal Climate Prediction Model Development with
NCL Macro Integration in Climate Information System Web-Based. Supervised
by AKHMAD FAQIH.

This study developed a web-based seasonal climate prediction tool. The
prediction models were calculated using Principal Component Regression (PCR),
where the source codes were developed using NCAR Command Language (NCL).
Rainfall data from the outputs of three Global Climate Models (GCMs) used in
the North American Multi-Model Ensemble (NMME) database are used as
predictors. Those three models are CMC1-CanCM3, CMC2-CanCM4 and NCEPCFSv2. This study used gridded rainfall data from CHIRPS version 2.0 dataset as
predictand for the prediction models. The result of PCR methods developed in
NCL showed a relatively well prediction results for the monthly rainfall during
the dry season, i.e. in July and October. The spatial patterns of monthly rainfall
for both periods were relatively similar compared to the observed data. In contrast,
the patterns of monthly rainfall from the three models showed different results in
some areas in Indonesia. The Pearson’s correlation results indicated a relatively
good skills during the dry season, especially in Kalimantan and Sumatra. Higher
correlation values are mostly found on 1 month lead time and tend to decrease on
2 and 3 month lead time. Among the three models, CMC1-CanCM3 has the
highest correlation values with r= 0.215. This study also compared the anomaly
results between the predicted and observed data, where the predicted rainfall
anomalies in July were nearly similar with the observed, while the predicted
anomalies in January are found to be higher than the observed.

Keywords: NCL, Climate Information System, PCR, Climate Model NMME

PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN
MELALUI INTEGRASI MAKRO NCL DALAM SISTEM
INFORMASI IKLIM BERBASIS WEB

TAUFIK HIDAYAT

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains
pada
Departemen Geofisika dan Meteorologi

DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Judul Skripsi : Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi
Makro NCL dalam Sistem Informasi Iklim Berbasis Web
Nama
: Taufik Hidayat
NIM
: G24110030

Disetujui oleh

Dr Ir Tania June, M.Sc
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian ialah prediksi iklim curah hujan, dengan judul
Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL
dalam Sistem Informasi Iklim Berbasis Web.

Terima kasih penulis ucapkan kepada Bapak Dr Akhmad Faqih selaku
pembimbing skripsi yang telah memberikan banyak ide, kritik, serta saran demi
kelancaran karya ilmiah ini. Terima kasih juga penulis ucapkan kepada seluruh
dosen Laboratorium Klimatologi yang telah banyak memberi saran dan seluruh
staf serta pengajar di Departemen Geofisika dan Meteorologi atas bimbingan serta
ilmu yang diberikan selama menjalani perkuliahan.
Ungkapan terima kasih juga disampaikan kepada keluarga besar tercinta
yang selalu mendukung member semangat dan doa. Terima kasih juga penulis
ucapkan kepada seluruh kerabat dekat di Institut Pertanian Bogor serta seluruh
anggota Laboratorium Klimatologi khususnya teman satu bimbingan Alvin
Gustomy, dan Radini atas dukungan dan kerjasamanya selama ini. Terima kasih
juga penulis ucapkan untuk rekan Jejaka Community yang senantiasa memberikan
semangat dan bantuan hingga selesainya karya ilmiah ini. Semoga karya ilmiah
ini bermanfaat dan dapat dikembangkan.

Jakarta, Desember 2015
Taufik Hidayat

DAFTAR ISI
DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

1

METODE

2

Alat dan Bahan

2

Prosedur Analisis Data

2

Pengumpulan Data

2

Otomasi dan Sistem Informasi Iklim

4

Model Prediksi Iklim dan Cross validation Model

4

HASIL DAN PEMBAHASAN

6

Sistem Informasi Iklim

6

Validasi Data CHIRPS

7

Model Prediksi Curah Hujan

9

Nilai PC Score

9

Hasil PCR

10

Peta Skill Forecast

11

Peta Forecast Curah Hujan

13

Peta Anomali Curah Hujan Prediksi

18

SIMPULAN DAN SARAN

19

Simpulan

19

Saran

19

DAFTAR PUSTAKA

19

LAMPIRAN

21

RIWAYAT HIDUP

33

DAFTAR TABEL
1
2
3
4

Deskripsi data yang digunakan dalam pembuatan model Prediksi
Deskripsi Stasiun BMKG untuk Validasi data CHIRPS
Nilai Korelasi setelah koreksi pada delapan sampel stasiun
Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan
Model NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS

2
3
8
10

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Plot sebaran stasiun BMKG untuk validasi CGIRPS
Desain Eksperimen Cross Validation model GCM
Halaman utama web hasil otomasi prediksi curah hujan
Hasil software otomasi PCR di web
Plot lokasi stasiun BMKG dan nilai korelasi
Perbandingan rataan curah hujan bulanan observasi dengan data CHIRPS
sebelum dan sesudah koreksi.
Nilai principal component (PC) pada tiga model dalam bentuk grafik
scree plot hasil makro NCL
Peta Skill forecast bulan Januari keluaran system pada tiga model
Peta Skill forecast Juli keluaran sistem pada tiga model.
Peta Forecast curah hujan Indonesia Issued month bulan Januari
keluaran sistem dan observation map (data curah hujan: CHRIPS)
Peta Forecast curah hujan Indonesia Issued month bulan April keluaran
sistem dan observation map (data curah hujan: CHRIPS)
Peta Forecast curah hujan Indonesia Issued month: Juli keluaran sistem
dan observation map (data curah hujan: CHRIPS)
Peta Forecast curah hujan Indonesia Issued month bulan Oktober
keluaran sistem dan observation map (data curah hujan: CHRIPS)
Peta sebaran nilai anomali curah hujan prediksi dengan nilai observasi

4
5
6
7
8
9
10
11
12
14
15
16
17
18

DAFTAR LAMPIRAN
1.
2.
3.
4.
5.

Diagram Alir Pembuatan CH Forecast

Coding NCL
Coding sh dan setting otomasi crontab
Nilai Koefisien Determinasi Model
Nilai Korelasi Data CHIRPS dengan data BMKG

21
21
26
27
32

PENDAHULUAN
Latar Belakang
Sistem informasi iklim (SII) berguna untuk mengetahui kejadian iklim yang
sedang terjadi saat ini, yang telah lalu, serta memprediksi iklim yang akan datang
sehingga dapat meminimalisir kerugian dan meningkatkan keuntungan. SII juga
sangat berguna untuk meningkatkan pengetahuan masyarakat umum terutama
profesi/kerja manusia yang menggunakan iklim sebagai salah satu faktor penentu
kegiatannya (Boer 2009). SII yang semakin berkembang didasari dari sifat iklim
yang bervariasi dari waktu ke waktu baik itu secara musiman atau tahunan sehingga
membuat manajemen data dan informasi iklim diperlukan agar pengelolaanya
menjadi terstruktur dan mudah dalam menganalisisnya. Oleh karena itu, penyedia
layanan informasi prediksi iklim musiman semakin diperlukan guna memperoleh
informasi iklim yang mudah dan efisien.
SII yang berkembang saat ini salah satunya adalah melalui sistem web yang
dapat diakses melalui jaringan internet. Kelebihan dari sistem web ini adalah akses
sistem dapat dilakukan secara real time melalui penjelajah situs web browser.
Namun saat ini, situs penyedia layanan prediksi iklim umumnya masih berbasis
oriented user dimana pengguna melakukan serangkaian kerja seperti input data,
seleksi dan lainnya untuk memperoleh hasil prediksi iklim yang diinginkan. Adapun
perkembangan sistem prediksi di Indonesia telah dilakukan oleh beberapa lembaga
seperti Badan Meteorologi Klimatologi dan Geofisika (BMKG) dan Lembaga
Penerbangan dan Antariksa Nasional (LAPAN) yang menyediakan beberapa
informasi iklim. Namun pemanfaatan data luaran Global Circulation Model (GCM)
pada pembuatan prediksi masih terbilang minim padahal data tersebut dapat
diperoleh secara bebas di internet dan memiliki banyak program aplikasi yang
mendukung dalam teknik pengelolaanya.
Sistem prediksi iklim yang dibuat pada penelitian ini menggunakan data luaran
GCM yang merupakan suatu model dengan orientasi spasial dan temporal. Data
GCM ini digunakan sebagai alat prediksi utama iklim secara numerik sebagai sumber
informasi primer untuk menilai beberapa parameter iklim. Namun, informasi GCM
masih berskala global sehingga perlu dilakukan teknik downscaling guna
memperoleh informasi prediksi iklim lokal yang cenderung dipengaruhi oleh
topografi dan tataguna lahan. Adapan metode yang digunakan adalah metode PCR
untuk membuat prediksi iklim wilayah Indonesia dengan bantuan perangkat lunak
NCL. Sistem prediksi iklim dibuat dengan sebuah otomasi didalamnya dimana
sistem diatur untuk menjalankan program secara otomatis tiap bulan untuk
menghasilkan keluaran prediksi. Sistem juga akan secara otomatis mengunduh data
luaran GCM dan melakukan kalkulasi secara statistik dan matematik untuk
menghasilkan forecast. Dengan demikian pengguna (end user) dapat memperoleh
informasi iklim secara efisien dan efektif.
Tujuan Penelitian
Penelitian ini bertujuan untuk :
1. Membuat otomasi sistem prediksi iklim musiman berbasis model PCR dan
Cross Validation dengan script makro NCAR Command Language (NCL).
2. Melakukan analisis data prediksi iklim pada ketiga model hasil keluaran sistem
yang diolah menggunakan NCL.

METODE
Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah sebuah perangkat personal
computer (PC) dengan software linux versi 14.1.6, software NCL versi 6.1.2, Xampp
Apache versi 1.8.3, PHP 5, Aplikasi Schedule Crontab dan bahasa pemrograman
PERL yang dijalankan menggunakan Linux Ubuntu versi 14.04.
Bahan yang digunakan dalam penelitian adalah:
1. Data historis prediksi (Hindcast) dan prediksi akan datang (Forecast) dari luaran
model GCM CMC1-CanCM3, CMC2-CanCM3 dan NCEP-CFSv2 dari database
the North American Multimodel Ensemble (NMME; Kirtman et al. 2014).
2. Data curah hujan bulanan Climate Hazards Group Infrared Precipitation with
Station data (CHIRPS) versi 2.0 (Funk et al. 2015) untuk wilayah Indonesia.
3. Data Curah Hujan Observasi BMKG sebanyak 24 stasiun (Data Online BMKG)
Prosedur Analisis Data
Pengumpulan Data
Penelitian ini menggunakan data luaran model GCM dari Hindcast\ dan
Forecast dari basis data NMME (Kirtman et al. 2014). Ada tiga model luaran yang
digunakan sebagai pilihan data prediktor, CMC1-CanCM3, CMC2-CanCM4 dan
NCEP-CFSv2. Data ketiga model tersebut di akses melalui website IRI/LDEO
Climate Data
Library (alamat
website:
http://iridl.ldeo.columbia.edu/
SOURCES/.Models/.NMME/). Data Hindcast digunakan untuk membangun dan
mengembangkan model prediksi, sedangkan data Forecast digunakan untuk
membuat prediksi. Data curah hujan yang digunakan dalam penelitian ini adalah data
CHIRPS versi 2.0 bulanan wilayah Indonesia.
Table 1 Deskripsi data yang digunakan dalam pembuatan model Prediksi
Model NMME
Obervasi
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
CHIRPS v2.0
o
o
o
o
o
o
Resolusi 1 x 1
1 x1
1 x1
0.05o x 0.05o
Hindcast :
Hindcast :
Hindcast :
1981-2010
1981-2010
1981-2010
Periode
Forecast:
Forecast:
Forecast:
1981-2010
Jan,Apr 2015
Jan,Apr 2015
Jan,Apr 2015
Jul,Okt 2014
Jul,Okt 2014
Jul,Okt 2014
Validasi Data CHIRPS
Data CHIRPS berasal dari data citra satelit dengan resolusi 0.05o x 0.05o
dikombinasi dengan data curah hujan stasiun insitu untuk membentuk data curah
hujan grid yang biasa menggunakan analisis tren dan pemantauan musim kering
(Funk et al. 2014). Pada penelitian ini data CHIRPS yang digunakan adalah data
curah hujan bulanan CHIRPS versi 2.0. Data CHIRPS tersebut dibentuk dari data
curah hujan bulanan Climate Hazards Group's Precipitation Climatology (CHPclim),
observasi satelit Quasi-global Geostationary Thermal Infrared (Janowiak et al.

3

2001), data Tropical Rainfall Measuring Mission (TRMM) (Huffman et al. 2007),
model curah hujan Climate Forecast Systems (CFS) NOAA (Saha et al. 2010), dan
data observasi insitu di seluruh dunia yang didapat dari lembaga klimatologi masingmasing negara. Data grid CHIRPS didapat berdasarkan 5 stasiun observasi terdekat,
semakin dekat dengan stasiun maka pembobotannya semakin besar pula (Funk et al.
2014). Dengan demikian, semakin sedikit stasiun cuaca disuatu tempat maka nilai
grid curah hujan yang dihasilkan akan kurang bagus.
Data CHIRPS digunakan sebagai data prediktan dalam pembuatan prediksi
iklim. Namun sebelum digunakan data CHIRPS terlebih dahulu divalidasi dengan
data-data stasiun observasi di Indonesia yang dikeluarkan oleh BMKG guna
memperoleh nilai yang lebih akurat. Sebelum divalidasi, data observasi stasiun
BMKG dilakukan pengecekan dan uji homogenitas terlebih dahulu. Uji homogenitas
ini dilakukan untuk melihat pola data yang dihasilkan homogen atau tidak. Setelah
itu, nilai faktor koreksi (FK) diperoleh dengan membuat persamaan regresi tanpa
intercept menggunakan minitab. Nilai FK ini digunakan untuk validasi data CHIRPS
yakni dengan mengalikannya dengan data CHIRPS sebelum data digunakan pada
sistem. Berikut stasiun BMKG yang digunakan untuk validasi.
Table 2 Deskripsi Stasiun BMKG untuk Validasi data CHIRPS
No

Nama Stasiun

Bujur

Lintang

Periode

No

Nama Stasiun

Bujur

Lintang

Periode

1

AhmadYani
Semarang

110.374

-6.971

19812010

13

Paloh KalBar

109.325

1.808

19832010

2

Babullah Ternate

136.106

-1.189

19842010

14

Pangsuma
Putussibau

112.935

0.835

19952010

3

blang-bintang
Acehh

95.425

5.525

19822010

15

Raden-Inten
Lampung

105.175

-5.242

19812010

4

Darmaga Bogor

106.749

-6.553

19842010

16

Sampali-Medan

98.725

3.625

19852010

5

ElTariKupang

123.672

10.171

19812010

17

Soetha_Cengkareng

106.654

-6.126

19852010

6

FransKaiseipo_Biak

127.379

0.833

19812010

18

Sultan_Hasanudddin

119.568

-5.069

19812010

7

HajiAsan_Sampit

112.976

-2.501

19972010

19

Sultan Mahmud
Badaruddin

104.700

-2.897

19812010

8

Juanda_Surabaya

112.793

-7.377

19812010

20

Sultan-Thaha Jambii

103.641

-1.636

19852010

9

KaranPloso_Malang

112.597

-7.901

19882010

21

Sumbawa NTB

117.412

-8.488

19812010

10

Kasiguncu_Posoo

120.643

-1.418

19832010

22

Supadio Pontianakk

109.4050

-0.147

19812010

11

Mutiara Palu

119.906

-0.918

19812010

23

Tarakan
Kalimantann

117.5750

3.325

19812010

12

NgurahRai_Bali

115.168

-8.748

19812010

24

Tjilik_Riwut

113.9430

-2.226

19812010

Gambar 1 Plot sebaran stasiun BMKG untuk validasi CGIRPS
Otomasi dan Sistem Informasi Iklim
Sistem informasi iklim yang dibuat berbentuk website, yang menyediakan
informasi hasil prediksi iklim yakni curah hujan. Website digunakan sebagai alat
untuk menampilkan keluaran forecast yang di-running secara otomatis setiap
bulannya. Waktu running program diatur secara otomatis setiap tanggal 15 atau
pertengahan bulan yang menyesuaikan dengan waktu rilisnya data forecast model.
Set otomasi ini menggunakan Aplikasi Crontab pada sistem operasi linux sesuai
dengan alur sistem (Lampiran 1). Keluaran nantinya merupakan hasil forecast curah
hujan spasial wilayah Indonesia dengan lead time tiga bulan kedepan. Forecast
dibuat dengan menggunakan file makro (Lampiran 2) yang berisi sekumpulan koding
untuk membuat prediksi yang di-running menggunakan NCAR Command Language
(NCL). Pembuatan makro NCL ini didasari kombinasi dua metode statistika yaitu
Principal Component Analysis (PCA) dan Regresi Multilinier sehingga
menghasilkan Principal Component Regression (PCR). Perhitungan PCR dilakukan
tiap grid pada data menggunakan fungsi-fungsi pada bahasa pemograman NCL yang
merujuk pada situs pengembang NCL http://www.ncl.ucar.edu/.
Website dibuat dalam bahasa html disertai bahasa php dan java script untuk
membuat web menjadi dinamis dan terintegrasi dengan database. Database
digunakan untuk menyimpan keluaran hasil forecast tiap bulan dan ditampilkan pada
web menggunkan query pada script php.
Model Prediksi Iklim dan Cross validation Model
Model prediksi iklim dibuat menggunakan software NCL yang terintegrasi
dengan sistem web. Dalam penelitian ini metode yang digunakan adalah model
statistik PCR berdasarkan analisis komponen utama PCA. PCA adalah suatu
prosedur untuk mereduksi dimensi data dengan cara mentransformasi variabelvariabel asal yang berkorelasi menjadi sekumpulan variabel baru yang tidak
berkorelasi. Variabel-variabel baru itu dikatakan sebagai PC (Johnson dan Wichern
2002). PC dapat diperoleh dari pasangan nilai eigen vektor, eigen matriks kovarian
atau matriks korelasi.
Hasil perhitungan PCA, yaitu skor komponen utama atau PC diregresikan
langsung dengan data observasi dimana model persamaan yang diperoleh dapat
digunakan untuk proses validasi selanjutnya. Jika hasil validasi menghasilkan nilai
korelasi yang baik, maka model persamaan hasil PCR ini mempunyai kemungkinan
untuk digunakan sebagai model pembuat prediksi. Persamaan model regresi
komponen utama adalah sebagai berikut :

5

y = f (pc)
y = b0 +b1pc1 + b2pc2 + …+ bk pck
Keterangan :
y = data observasi curah hujan
pc = score komponen utama
Nilai skill model dapat dilihat dari korelasi Pearson pada data hasil prediksi
yang didapatkan dari hasil Cross-Validation dengan data observasi secara spasial dan
temporal. Korelasi Pearson digunakan untuk melihat keeratan hubungan antara
peubah X dan peubah Y. Korelasi ini mengukur hubungan linier antara dua peubah X
dan Y, yang diduga dengan koefisien korelasi r, yaitu:
=
Keterangan :
= korelasi antara peubah X dan peubah Y
= koragam peubah X dan peubah Y
= peragam peubah X
= peragam peubah Y
Cross Validation merupakan salah satu teknik untuk menilai atau menvalidasi
keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Pembuatan
model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap
suatu data baru yang boleh jadi belum pernah muncul di dalam dataset. Salah satu
metode cross-validation yang populer adalah K-Fold Cross Validation. Dalam teknik
ini dataset dibagi menjadi sejumlah K-buah partisi secara acak, kemudian dilakukan
sejumlah K-kali eksperimen, dimana masing-masing eksperimen menggunakan data
partisi ke-K sebagai data testing dan memanfaatkan sisa partisi lainnya sebagai data
training (Refaeilzadeh et al. 2008).

Gambar 2 Desain Eksperimen Cross Validation model GCM
Pembuatan prediksi dengan teknik PCR yang dilakukan menggunakan 30
Fold Cross-Validation sedangkan untuk mendapatkan nilai akurasi ataupun ukuran
penilaian lainnya dari hasil eksperimen yang dilakukan, diambil nilai rataan dari
seluruh eksperimen tersebut. Hal ini tentunya akan menghasilkan nilai prediksi yang
lebih baik secara statistik.

HASIL DAN PEMBAHASAN
Sistem Informasi Iklim
Otomasi adalah suatu teknologi terkait dengan aplikasi mekanik, elektronik,
atau pun komputer yang didasarkan pada sistem untuk beroperasi dan mengendalikan
produksi secara otomatis (Burton 2004). Otomasi kerap digunakan dalam sistem
informasi guna memperoleh keluaran dari suatu proses yang kompleks secara
kontinu karena akan mempermudah kerja bagi para pengguna dengan waktu yang
efisien. Bagian dari sistem informasi iklim yang dibentuk dalam penelitian ini adalah
sebuah otomasi pembuatan prediksi iklim yang dapat dilihat dan diakses
menggunakan penjelajah situs atau web browser.
Informasi yang disediakan pada sistem prediksi berbasis web yang dibuat
merupakan keluaran akhir dari hasil running prediksi menggunakan software NCL
yang terintegrasi pada sistem sehingga dapat ditujukan untuk end user dimana
keluaran merupakan informasi yang siap pakai. Hal ini tentunya akan memudahkan
para pengguna yang umumnya adalah masyarakat umum dalam memperoleh prediksi
iklim yang informatif tanpa melakukan serangkaian proses yang rumit. Berikut
gambar halaman utama sistem informasi iklim yang dibuat.

Gambar 3 Halaman utama web hasil otomasi prediksi curah hujan
Sistem Informasi iklim yang efektif menurut Boer (2009) ialah sistem yang
mampu menyediakan informasi (prakiraan) iklim yang mudah dipahami, memenuhi
kebutuhan pengguna dan sampai ke tangan pihak yang tepat pada waktu yang tepat
sehingga bisa digunakan untuk membuat keputusan yang tepat. Otomasi sistem
informasi ini memberikan informasi prediksi secara berkesinambungan dan historis
sehingga dapat untuk analisis iklim dengan ketepatan waktu yang dapat diandalkan.
Analisis tersebut membuat segala kerugian yang mungkin muncul akibat kondisi
iklim yang diprakirakan kurang baik dapat ditekan atau pun keuntungan yang dapat

7

dicapai dari kondisi iklim yang diprakirakan akan baik dapat dimaksimalkan berkat
adanya sistem informasi.
Prediksi iklim curah hujan yang dihasilkan merupakan hasil pengolahan dari
software NCL dengan membuat file makro yang berisi sekumpulan koding dan
fungsi-fungsi sesuai dengan teknik prediksi yang digunakan. NCL adalah sebuah
program open source bahasa dengan basis linux yang dirancang khusus untuk
pengolahan data ilmiah dan melakukan visualisasi hasil pengolahannya tersebut.
Fleischer and Bottinger (2013) mengatakan bahwa NCL merupakan bahasa program
yang digunakan untuk membaca, menulis, memanipulasi, dan visualisasi data ilmiah.
NCL berguna untuk merubah data hasil keluaran yang berbentuk data ASCII atau pun
data grid yang berbasis matriks menjadi bentuk visual atau gambar. Pada sistem
informasi yang dibuat, NCL digunakan sebagai alat untuk membuat makro model
prediksi iklim curah hujan berdasarkan teknik PCR dan validasi silang serta
menampilkanya dalam bentuk peta prediksi curah hujan. Halaman sistem informasi
tersebut dapat dilihat pada Gambar 4 dibawah ini.

Gambar 4 Hasil software otomasi PCR di web
Validasi Data CHIRPS
Data CHIRPS (Climate Hazards Group InfraRed Precipitation with Station
data) merupakan dataset hujan yang memiliki panjang periode hingga kini 30 tahun
dengan resolusi 0.05°. Data CHIRPS menggabungkan citra satelit resolusi 0.05°
dengan data stasiun in-situ untuk membuat grid curah hujan time series. Pada 12
Februari 2015, versi 2.0 dari data CHIRPS telah terbit dan tersedia untuk umum.
Data inilah yang digunakan sebagai data prediktan dalam pembuatan prediksi iklim.
Contoh koreksi untuk masing-masing stasiun ditampilkan pada Gambar 5 dan
Tabel 3. Pola data CHIRPS setelah dikoreksi terlihat mengikuti dengan pola data
observasi BMKG terlihat dari garis yang saling berimpit. Pola CHIRPS yang tidak
dikoreksi berwarna merah terlihat memiliki nilai yang lebih tinggi dari data obesrvasi
sehingga data chirps koreksi dapat digunakan.

Gambar 5 Plot lokasi stasiun BMKG dan nilai korelasi
Table 3 Nilai Korelasi setelah koreksi pada delapan sampel stasiun
Stasiun

Faktor Koreksi

Nilai Korelasi

Sampali-Medan

0.95

0.72

AhmadYani_Semarang

0.91

0.82

Frans Kaiseipo_Biak

0.88

0.67

HajiAsan_Sampit

0.99

0.99

KaranPloso_Malang

1.24

0.80

Kasiguncu_Posoo

0.99

0.53

Sumbawa_NTB

1.07

0.88

Supadio_Pontianakk

0.99

0.81

Untuk keseluruhan wilayah Indonesia, digunakan satu nilai faktor koreksi
dari gabungan 24 stasiun yang tersebar di seluruh Indonesia. Setelah digabung, hasil
persamaan regresi kedua data tersebut pada minitab adalah Obs = 0.87 CHIRPS
sehingga nilai faktor koreksi (FK) adalah 0.87 yang akan digunakan pada sistem.
Adapun pola data CHIRPS hasil koreksi dan sebelum koreksi ditunjukkan oleh
Gambar 6.

9

Gambar 6 Perbandingan rataan curah hujan bulanan observasi dengan data
CHIRPS sebelum dan sesudah koreksi. Data menggunankan 24
stasiun dengan periode tahun 1981-2010.
Jumlah stasiun yang digunakan untuk melakukan koreksi data adalah sebanyak
24 stasiun yang tersebar diseluruh Indonesia. Seluruh data stasiun observasi tersebut
diregresikan dengan data CHIRPS dengan koordinat yang sama dengan lokasi
stasiun. Hasil regresi selurah data menunjukkan bahwa nilai faktor koreksi FK untuk
data CHIRPS sebesar 0.87 yang artinya data CHIRPS perlu dikali nilai FK tersebut
sebelum digunakan sebagai data prediktan. Nilai FK yang digunakan hanya satu nilai
FK saja sehingga terdapat kekurangan yakni kurang mewakili karakteristik wilayah
Indonesia yang begitu luas dan hanya menurunkan nilai sekian persen agar semakin
mendekati nilai observasi. Penggunaan satu nilai tersebut bertujuan untuk
mempermudah dalam pembuatan file makro untuk mengkoreksi tiap grid pada data
CHIRPS. Adapun nilai koreksi ini digunakan karena memiliki delapan sampel
stasiun memiliki nilai korelasi yang cukup tinggi yakni rata-rata sekitar 0.8. Nilai
korelasi yang tinggi ini juga menggambarkan nilai koefisien determinasi (r2) yang
tinggi. Nilai R-square merupakan ukuran kecocokan hasil estimasi sebuah model
regresi linier dengan data yang dimodelkan, atau biasa disebut ukuran goodness of fit
dari sebuah model regresi (Irianto 2010).
Model Prediksi Curah Hujan
Nilai PC Score
Prediksi pada sistem yang dibuat menggunakan jumlah nilai komponen utama
atau principal component (PC) sebanyak tiga buah nilai pada setiap model. Nilai PC
tersebut diperoleh dari pasangan nilai eigen-vektor, eigen matriks kovarian atau
matriks korelasi. Nilai PC pertama merupakan nilai komponen utama yang
mempunyai varian terbesar, sedangkan PC kedua memiliki varian terbesar kedua dan
begitu seterusnya. Nilai PC digambarkan dalam bentuk grafik scree plot (Tabel 4)
dan menujukkan bahwa ketiga model memiliki jumlah varians dari tiga nilai PC
sekitar 80% dengan model CMC1-CanCM3 memiliki nilai terbesar. Dengan
demikian, tiga nilai PC tersebut telah mewakili 80% dari keragaman data. Hal ini
sesuai dengan pernyataan Draper and Smith (1981) yang menyatakan bahwa bahwa
proporsi kumulatif keragaman data asal yang dijelaskan oleh jumlah komponen
utama adalah minimum sebesar 80%.

Gambar 7 Nilai principal component (PC) pada tiga model dalam bentuk
grafik scree plot hasil makro NCL
Hasil PCR
Tabel 4 merupakan nilai korelasi Pearson rata-rata antara data model dengan
data curah hujan. Nilai korelasi tersebut menggambarkan seberapa besar hubungan
antara model dengan observasi. Pada hasil curah hujan bulanan yang terbentuk,
korelasi model CMC1-CanCM3 dan model CMC2-CanCM4 memiliki nilai korelasi
yang tidak jauh berbeda dan terbesar pada lead time 1 bulan kedepan. Nilai korelasi
terbesar terdapat pada model CMC1-CanCM3 baik issued month Januari maupun
Juli. Pada ketiga model, semakin jauh lead time nilai korelasi cenderung semakin
kecil. Hal ini dapat terjadi karena waktu yang semakin jauh dari issued month
sehingga akurasi model menjadi berkurang.
Table 4 Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan Model
NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS
Nilai Korelasi
Nilai korelasi
(issued month: Januari) (issued month: Juli)
Pearson
Pearson
1 Bulan kedepan
0.206
0.215
CMC12 Bulan kedepan
0.152
0.169
CanCM3
3 Bulan kedepan
0.147
0.201
1 Bulan kedepan
0.185
0.197
CMC22 Bulan kedepan
0.147
0.154
CanCM4
3 Bulan kedepan
0.164
0.185
1 Bulan kedepan
0.183
0.191
NCEP-CFSv2 2 Bulan kedepan
0.164
0.132
3 Bulan kedepan
0.164
0.183
Nilai korelasi yang ditampilkan merupakan gambaran nilai rata-rata korelasi
dari keseluruhan grid (Tabel 4). Korelasi Pearson ini merupakan salah satu ukuran
korelasi yang digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua
variabel atau lebih. Nilai korelasi yang positif menunjukkan bahwa hasil prediksi
yang terbentuk tergolong baik dilihat dari keseluruhan grid. Walaupun mungkin saja
terdapat korelasi yang negatif pada suatu grid namun setelah dirata-rata masih
menunjukkan nilai korelasi yang positif.
Model

Lead Month

11

2 Month
3 Month

Lead Time

1 Month

Peta Skill Forecast
Skill forecast adalah representasi skala kesalahan perkiraan yang
berhubungan akurasi perkiraan model perkiraan khusus untuk beberapa model
referensi (Roebber dan Paul 1998). Peta skill forecast ini dapat digunakan untuk
mengetahui tingkat keandalan suatu sistem prakiraan musim dan memantau kualitas
dari hasil prakiraan atau sejauh mana ketepatan prakiraan yang dibuat. Sistem
prakiraan musim yang baik menurut Boer (2009) ialah suatu sistem yang secara
konsisten mampu memberikan kualitas prakiraan yang baik dan dapat digunakan
oleh pengguna untuk meningkatkan keuntungan ekonomi atau keuntungan lainnya.
Peta skill untuk bulan Januari yang terbentuk pada ketiga model jika dilihat
secara keseluruhan memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan
cenderung turun pada lead time 3 bulan (Gambar 8). Model CMC1-CanCM3 dan
CMC2-CanCM4 memiliki pola nilai korelasi yang cenderung sama yakni tinggi
diwilayah Kalimantan, sebagian Sumatra dan Jawa, begitu pula untuk model NCEPCFSv2 namun sebaran nilai korelasinya rendah pada lead time 3 bulan. Nilai yang
rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai forecast yang berlebih
dibanding nilai model lain dan melampaui jauh dari nilai observasi.
Monthly Prec. (Issued month: Januari)
CMC1-CanCM3
CMC2-CanCM4
NCEP-CFSv2

Legenda Skill Correlation

Gambar 8 Peta Skill forecast bulan Januari keluaran system pada tiga model.
Nilai Skill diperoleh dari korelasi antara 30 nilai persamaan member
dan historis observasi CHIRPS 1981-2010 bulan Januari

Sama halnya dengan bulan Januari, peta skill untuk bulan Juli yang terbentuk
pada ketiga model memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan
cenderung turun pada lead time 2 dan lead time 3 terutama model CMC2-CanCM4
terlihat dari warna biru yang semakin banyak atau menandakan berkorelasi negatif
(Gambar 9). Model CMC1-CanCM3 dan CMC2-CanCM4 memiliki pola nilai
korelasi yang cenderung sama yakni tinggi diwilayah Kalimantan, sebagian Sumatra
dan sebagian besar Jawa, sedangkan model NCEP-CFSv2 cenderung memiliki
sebaran nilai korelasi yang lebih baik pada lead time 2 bulan dan rendah di lead time
3 bulan. Nilai yang rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai
anomali yang berlebih dibanding nilai model lain dan melampaui dari nilai observasi
CHIRPS.
Monthly Prec. (Issued month: Juli)
CMC2-CanCM4
NCEP-CFSv2

3 Month

Lead Time
2 Month

1 Month

CMC1-CanCM3

Legenda Skill Correlation

Gambar 9 Peta Skill forecast Juli keluaran sistem pada tiga model. Nilai Skill
diperoleh dari korelasi antara 30 nilai persamaan member dan
historis observasi CHIRPS 1981-2010 bulan Juli

13

Peta Forecast Curah Hujan
Peta prediksi curah hujan issued month Januari hasil keluaran sistem yang dirunning dengan NCL menggunakan sekumpulan script makro yang telah dibuat
ditampilkan pada Gambar 10. Lead time 1 merupakan forecast untuk bulan Februari,
lead time 2 untuk Maret dan lead time 3 untuk bulan April. Hasil peta forecast
menunjukkan bahwa prediksi curah hujan semakin tinggi pada lead time 2 dan 3
terutama pada wilayah Jawa, Kalimantan, dan Selawesi terlihat dari warna yang
semakin biru dimana wilayah yang semakin basah. Hasil rataan tiga model memiliki
nilai forecast yang lebih baik terlihat dari pola grid yang mirip dengan nilai observasi.
Jika dibandingkan dengan data observasi CHIRPS yang telah rilis dan
divalidasi dengan data BMKG yakni bulan Februari hingga April terlihat pola yang
paling mirip untuk lead time 1 bulan. Sedangkan lead time 2 dan 3 memiliki nilai
prediksi yang lebih tinggi terutama model CMC1-CanCM3 dan CMC2-CanCM4.
Secara umum, hasil forecast sesuai dengan observasi, hanya saja pada lead time 3
wilayah Kalimantan memiliki nilai estimasi yang berlebih.
Hasil peta prediksi curah hujan issued month April dengan Lead time 1
merupakan forecast untuk bulan Mei, lead time 2 untuk Juni dan lead time 3 untuk
bulan Juli (Gambar 11). Hasil peta forecast tersebut menunjukkan sebagian besar
wilayah memiliki potensi hujan yang lebih rendah dibanding forecast bulan Januari
terlihat dari banyaknya wilayah yang kering. Pola hasil forecast pada tiga model
sedikit berbeda, dimana model CMC1-CanCM2 memiliki nilai estimasi yang lebih
tinggi. Setelah dirata-rata nilai ketiga model, nilai forecast bagus pada lead time 1
namun lead time dua dan tiga nilai observasi memiliki nilai curah hujan yang lebih
kering dengan pola yang tidak begitu jauh berbeda. Pada bulan Juli ini, semakin jauh
lead time hasil forecast dari issued month semakin berbeda dengan observasi yang
menunjukkan bahwa nilai error semakin tinggi.
Hasil peta prediksi curah hujan issued month Juli dengan lead time 1
merupakan forecast untuk bulan Agustus, lead time 2 untuk September dan lead time
3 untuk bulan Oktober (Gambar 12). Peta forecast tersebut menunjukkan bahwa
prediksi curah hujan Indonesia cenderung kering terutama pada wilayah Jawa dan
Sumatra terlihat dari warna yang semakin coklat dimana nilai CH semakin rendah.
Curah hujan yang sedikit tinggi terlihat berada di wilayah utara Kalimantan
sedangkan wilayah Jawa, Papua dan bagian selatan Sumatra cenderung kering. Hasil
prediksi dari tiga model umumnya memiliki pola yang tidak jauh berbeda dengan
nilai rata-rata ketiga model terlihat dari miripnya pola dengan data observasi.
Untuk hasil prediksi curah hujan issued month Oktober dengan lead time 1
merupakan forecast untuk bulan November, lead time 2 untuk Desember dan lead
time 3 untuk bulan Januari ditunjukkan pada Gambar 13. Hasil peta forecast prediksi
curah hujan tersebut memiliki pola yang cenderung berbeda pada ketiga model. Nilai
prediksi untuk lead time 1 lebih kering dibanding lead time lain. Setelah dirata-rata,
nilai prediksi menjadi lebih baik terlihat pola yang menjadi lebih mirip dengan
observasi. Pola hujan yang dihasilkan dari ketiga model terdapat perbedaan di
sebagian wilayah. Adapun perbandingan dengan data observasi CHIRPS dilakukan
untuk mengetahui apakah kualitas (quality) nilai prakiraan yang terbentuk baik atau
tidak dan sejauh mana ketepatan prakiraan serta apakah ada perbaikan dari waktu ke
waktu (skill meningkat).

Observasi

Rata-rata

NCEP_CFSv2

CMC2-CanCM4

CMC1-CanCM3

Monthly Prec. (Issued month: Januari)
Lead time 1
Lead time 2
Lead time 3

Legenda CH Forecast (mm)

Gambar 10 Peta Forecast curah hujan Indonesia Issued month bulan Januari
keluaran sistem dan observation map (data curah hujan: CHRIPS)

15

Observasi

Rata-rata

NCEP_CFSv2

CMC2-CanCM4

CMC1-CanCM3

Monthly Prec. (Issued month: April)
Lead time 1
Lead time 2
Lead time 3

Gambar 11 Peta Forecast curah hujan Indonesia Issued month bulan April
keluaran sistem dan observation map (data curah hujan: CHRIPS)

Monthly Prec. (Issued month: Juli)
Lead time 2
Lead time 3

Observasi

Rata-rata

NCEP-CFSv2

CMC2-CanCM4

CMC1-CanCM3

Lead time 1

Legenda

Gambar 12 Peta Forecast curah hujan Indonesia Issued month: Juli keluaran
sistem dan observation map (data curah hujan: CHRIPS)

17

Observasi

Rata-rata

NCEP-CFSv2

CMC2-CanCM4

CMC1-CanCM3

Monthly Prec. (Issued month: Oktober)
Lead time 1
Lead time 2
Lead time 3

Legenda CH Forecast (mm)

Gambar 13 Peta Forecast curah hujan Indonesia Issued month bulan Oktober
keluaran sistem dan observation map (data curah hujan: CHRIPS)

Peta Anomali Curah Hujan Prediksi
Peta anomali merepresentasikan selisih hasil nilai prediksi dengan nilai
observasi yang telah divalidasi (Gambar 14). Nilai anomali negatif menunjukkan
bahwa nilai prediksi berada dibawah nilai observasi yang digambarkan oleh warna
yang semakin ungu sedangkan anomali positif berada diatas nilai observasi dengan
warna yang semakin hijau. Prediksi bulan Januari dimana musim hujan terlihat nilai
anomali yang cukup besar baik anomali positif atau pun negatif terutama model
CMC1-CanCM2 dan CMC2-CanCM4. Sebaliknya, pada prediksi bulan Juli nilai
anomali cenderung lebih kecil terlihat dari warna putih yang banyak tersebar di
seluruh wilayah. Hal ini menunjukkan bahwa nilai prediksi pada bulan Juli atau saat
bulan kering menghasilkan nilai prediksi yang lebih baik.
Model
CMC2-CanCM4

NCEP-CFSv2

Lead
time 3

Juli
Lead t
ime 2

Lead t
ime 1

Lead
time 3

Januari
Lead
time 2

Lead time
1

CMC1-CanCM3

Legenda
Nilai Anomali (mm)

Gambar 14 Peta sebaran nilai anomali curah hujan prediksi dengan nilai observasi

19

SIMPULAN DAN SARAN
Simpulan
Sistem informasi iklim yang dibentuk berupa aplikasi website yang
berintegrasi dengan software NCL untuk melakukan pengolahan prediksi iklim curah
hujan yang dapat diakses menggunakan penjelajah situs atau web browse dengan
sistem otomasi. Informasi yang tersedia pada web ini merupakan keluaran akhir dari
prediksi dan ditujukan untuk end user dimana keluaran merupakan informasi yang
siap pakai berupa prediksi curah hujan bulanan dengan lead time 3 bulan.
Berdasarkan hasil keluaran sistem, hasil peta forecast pada ketiga model
memiliki sedikit perbedaan pola pada musim hujan sedangkan pada musim kemarau
hasil forecast cenderung lebih baik terlihat dari pola yang semakin mirip dengan data
observasi CHIRPS. Nilai korelasi Pearson keluaran sistem memiliki nilai yang tinggi
pada leadmonth 1 dan cenderung menurun pada lead month 2 dan 3. Nilai korelasi
Pearson tertinggi yaitu pada model CMC1-CanCM3 sebesar 0.215. Nilai korelasi
digunakan untuk mengetahui seberapa besar skill forecast dari tiap-tiap grid data.
Nilai anomali antara prediksi dan observasi memiliki nilai yang rendah pada bulan
Juli yang menggambarkan pada bulan kering nilai prediksi yang dihasilkan memiliki
nilai yang lebih baik.
Saran
Perkembangan teknologi dan informasi membuat suatu sistem informasi
menjadi dinamis dan perlu pengembangan secara kontinu. Sistem informasi yang
dibuat perlu penyempurnaan kembali untuk sistem web dengan memberikan pilihan
jenis pengolahan metode statistik selain PCR yang dapat dijadikan sebagai esemble
member untuk meningkatkan skill forecast. Validasi data observasi juga sebaiknya
digunakan metode lain yang lebih mewakili keseluruhan wilayah seperti metode
clustering sehingga tidak hanya memiliki satu nilai faktor koreksi. Selain itu perlu
perkembangan dari model-model lain sebagai perbandingan model mana yang lebih
baik.

DAFTAR PUSTAKA
Boer R. 2009. Sekolah Lapang Iklim Antisipasi Risiko Perubahan Iklim. Bogor:
Geomet FMIPA-IPB dan PERHIMPI.
Burton ES, Neil CR. 2004. Innovating Mindfully with Information Technology, MIS
Quarterly Vol. 28 No. 4 pp. 553-583
Dillon WR, M. Goldstein. 1984. Multivariate Analysis Methods and Aplications.
John Willey & Sons, New York
Draper NR, Smith H, (1981), Apllied Regression Analysis, Second Edition, John
Wiley and Son Inc, New York.
Fleischer KM, Bottinger M. 2013. High Quality Graphics with NCL 6.1.2. Deutsches
Klimarechenzentrum (DKRZ), Hamburg.

Funk CC, Peterson PJ, Landsfeld MF, Pedreros DH, Verdin JP, Rowland JD,
Romero BE, Husak GJ, Michaelsen JC, Verdin AP. 2014. A quasi-global
precipitation time series for drought monitoring: U.S. Geological Survey Data
Series 832, 4 p., http://dx.doi.org/110.3133/ds832.
Harris I, Jones PD, Osborn TJ, Lister DH 2014. Updated high-resolution grids of
monthly climatic observations - the CRU TS3.10 Dataset.Int. J. Climatol.,34:
623-642. Doi: 10.1002/joc.3711
Huffman GJ, Bolvin DT, Nelkin EJ, Wolff DB, Adler RF, Gu G, Stocker EF. 2007.
The TRMM multisatellite precipitation analysis (TMPA)—Quasi-global,
multiyear, combined-sensor precipitation estimates at fine scales: Journal of
Hydrometeorology, 8(1): p. 38–55.
Irianto A. 2010. Statistika Konsep, Dasar, Aplikasi, dan Pengembangannya. Jakarta:
Kencana Prenada Media Group.
Janowiak JE, Joyce RJ, Yarosh Y. 2001. A real-time global half-hourly pixelresolution infrared dataset and its applications: Bulletin of the American
Meteorological Society, 82(2): p. 205–217.
Johnson RA, dan Wichern DW. 2002. Applied Multivariate Statistical Analysis 5th Ed. New
Jersey: Prentice Hall.

Kirtman, Ben P, Coauthors. 2014. The North American Multimodel Ensemble:
Phase-1 seasonal-to-interannual prediction; Phase-2 toward developing
intraseasonal prediction. Bull. Amer. Meteor. Soc., 95, 585–601. doi:
http://dx.doi.org/10.1175/BAMS-D-12-00050.1 New York (US): Academic
Press
Refaeilzadeh, P., Tang, L., Liu, H. 2008. Cross Validation: Encyclopedia of
Database Systems. Springer, pp. 532-538, DOI:10.1007/978-0-38739940_9_565
Roebber, Paul J. 1998. The Regime Dependence of Degree Day Forecast Technique,
Skill, and Value: American Meteorological Society -- Weather and
Forecasting (Allen Press) 13 (3): 783–794, Bibcode:1998WtFor..13..783R,
Saha S, Moorthi S, Pan HL, Wu X, Wang J, Nadiga S, dan Reynolds RW 2010. The
NCEP climate forecast system reanalysis. Bulletin of the American
Meteorological Society, 91(8), p. 1015–1057.
The NCAR Command Language (Version 6.1.2) [Software]. 2014. Boulder,
Colorado: UCAR/NCAR/CISL/VETS.http://dx.doi.org/10.5065/D6WD3XH5
Wilks DS. 1995. Statistical Methods in The Atmospheric Science an Introduction.

21

LAMPIRAN
Lampiran 1 Diagram Alir Pembuatan Prediksi CH
Mulai

Website
prediksi iklim

NCL

Aplikasi Schedule Crontab

Tidak

Data prediktor, prediktan,
dan prediksi (Model NMME
dan Observasi CHIRPS)

Time system
= 15 (middle
of month)

Peta
prediksi
iklim

k
Website prediksi
iklim
(visualisasi keluaran)

Ya
j=0

Selesai
NCL
(running forecast)

Keluaran data ascii

Lampiran 2 Coding NCL
load
bulan="apr"
"$NCARG_ROOT/lib/ncarg/nclscripts/csm/gsn
lt = 0
_code.ncl"
load
do while (j .le. 30) ; looping for cross validate
"$NCARG_ROOT/lib/ncarg/nclscripts/csm/gsn_csm.ncl"if (j .eq. 0) then
load
;hindcast
"$NCARG_ROOT/lib/ncarg/nclscripts/csm/contributed.ndiri = "./data/hindcast/"+bulan
cl"
fili = ".nc"
latS = -11.0 ; seleksi grid Indonesia
latN = 6.0
lonL = 95.0
lonR = 141.0

f = addfile (diri+fili, "r")
x
= f->prec(1:29,:,:,{latS:latN},{lonL:lonR}) ;float
prec(S, M, L, Y, X)
x!0 = "time"
x!1 = "member"
neof = 3
x!2 = "leadmonth"
x!3 = "lat"
nlat=toint((latN-latS)*20)
x!4 = "lon"
nlon=toint(((lonR-lonL)*20)+1)
;printVarSummary(x)
;observasi
;******************************************* diri2 = "./data/obs/"+bulan
; Read data
fili2 = ".nc"
;******************************************
h = addfile (diri2+fili2, "r")
a1=0

obs
=
>precipitation(1:29,{latS:latN},{lonL:lonR})
(time,lat,lon)
obs!0 = "time"
obs!1 = "lat"
obs!2 = "lon"
obs@_FillValue = -999.0
;delete(obs@missing_value)
;print(obs)
else if (j .eq. 29) then
;hindcast
diri = "./data/hindcast/"+bulan
fili = ".nc"
f = addfile (diri+fili, "r")
xab = f->prec(:,:,:,{latS:latN},{lonL:lonR})
prec(S, M, L, Y, X)
x
= (/xab(0:28,:,:,{latS:latN},{lonL:lonR})/)
prec(S, M, L, Y, X)
x!0 = "time"
x!1 = "member"
x!2 = "leadmonth"
x!3 = "lat"
x!4 = "lon"
;printVarSummary(x)
;observasi
diri2 = "./data/obs/"+bulan
fili2 = ".nc"
h = addfile (diri2+fili2, "r")
obs
=
>precipitation(0:28,{latS:latN},{lonL:lonR})
(time,lat,lon)
obs!0 = "time"
obs!1 = "lat"
obs!2 = "lon"
obs@_FillValue = -999.0
;delete(obs@missing_value)
;print(obs)
else
;hindcast

h;observasi
diri2
;
= "./data/obs/"+bulan
fili2 = ".nc"
h = addfile (diri2+fili2, "r")
obsall
=
>precipitation(:,{latS:latN},{lonL:lonR})
(time,lat,lon)
obs = (/obsall(inds,:,:)/)
obs!0 = "time"
obs!1 = "lat"
obs!2 = "lon"
;printVarSummary(obs)
obs@_FillValue = -999.0
end if
end if

h;

;float
;forecast
diri1 = "./data/forecast/"+bulan
;floatfili1 = ".nc"
g = addfile (diri1+fili1, "r")
pc = g->prec(:,:,:,{latS:latN},{lonL:lonR})
;float prec(S, M, L, Y, X)
;Validasi nilai obs
obs=obs*0.87
j=j+1
a1=a1+1
;*******************************************
; Looping for LT
;*******************************************
h;do
; while (lt .le. 3)
pr=x(:,:,lt,:,:)
xx=dim_avg_n_Wrap(pr,1) ; (time,lon,lat)
xx!0 = "time"
xx!1 = "lat"
xx!2 = "lon"
;*******************************************
; Hitung PCA
;*******************************************
X = xx(lat|:,lon|:,time|:)
; Space x Time

diri = "./data/hindcast/"+bulan
fili = ".nc"
optEof = True
f = addfile (diri+fili, "r")
eof = eofunc_Wrap( X, neof, optEof)
a = f->prec(:,:,:,{latS:latN},{lonL:lonR})
;float
eof_ts = eofunc_ts_Wrap( X, eof, False)
prec(S, M, L, Y, X)
;print (eof_ts)
inds
=
array_append_record(ispan(0,a1asciiwrite("eof_ts.txt",eof_ts)
1,1),ispan(a1+1,29,1),0)
;printVarSummary(eof)
x = (/a(inds,:,:,:,:)/)
;printVarSummary(eof_ts)
x!0 = "time"
;print(eof_ts(0,:))
x!1 = "member"
x!2 = "leadmonth"
;**********************************************
x!3 = "lat"
; Hitung Nilai Pc Score Forecast, input data forecast
x!4 = "lon"
;**********************************************
;printVarSummary(x)
PCS = pc(:,:,lt,:,:) ;dimension->S,M,Y,X

23

;printVarSummary(PCS)
b
=
PCSN1 = dim_avg_n_Wrap(PCS,0); M,Y,X
reg_multlin_stats(obs(time|:,lat|m,lon|n),eof_ts(time|:,
PCSN = dim_avg_n_Wrap(PCN1,0);Y,X
evn|:),opt) ; partial regression coef
PCSNa = dim_standardize(PCSN,0) ; with metadata b0(m,n) =b(0)
PCST = transpose(PCSNa)
b1(m,n) =b(1)
;printVarSummary(PCSNa)
b2(m,n) =b(2)
;printVarSummary(PCST)
b3(m,n) =b(3)
PC1 = eof(0,:,:) # PCST(:,:) ;perkalian matriks
;print(b)
PC2 = eof(1,:,:) # PCST(:,:)
end if
PC3 = eof(2,:,:) # PCST(:,:)
;********************************
PC1fcst = sum(PC1) - eof_ts@ts_mean(0)
;jumlah
;Hitung curah hujan forecast
nilai pc
;CH=f(PC)
PC2fcst = sum(PC2) - eof_ts@ts_mean(1)
;yy=b0+b1PC1+b2PC2+b3PC3
PC3fcst = sum(PC3) - eof_ts@ts_mean(2)
;********************************
if(all(ismissing(obs(time|:,lat|m,lon|n)))) then
delete(PCS)
yyresult(m,n)=-999
delete(PCSN)
else
delete(PCSNa)
vb
=
delete(PCST)
b0(m,n)+b1(m,n)*PC1fcst+b2(m,n)*PC2fcst+b3(m,n)*P
delete(xx)
C3fcst
delete(X)
if (vb .le. 0) then
delete(PC1)
vb=0.0
delete(PC2)
end if
delete(PC3)
yyresult(m,n)= vb
end if
;**********************************************
; Hitung Persamaan Multiple Liniar Regression, input obs;simpan nilai tiap grid berisi data 30 member
; fungsi reg_multlin_stats
ol="ascii_dugaCH"
; function reg_multlin_stats (
ol1="/grid:x="+(m)
;
y [*] : numeric,
ol2="y="+(n)
;
x : numeric,
[*] or [*][*] only,
ol3=".txt"
;
opt : logical
;asciiwrite(ol+ol1+ol2+ol3,yyresult(m,n))
;
)
if (j .eq. 1) then
;**********************************************write_table(ol+ol1+ol2+ol3, "w", [/(/yyresult(m,n)/)/],
"%f")
print("Program is still running.. Note:looping ke-else
"+(j)) ;note for loop
write_table(ol+ol1+ol2+ol3, "a", [/(/yyresult(m,n)/)/],
"%f")
b0 = new((/nlat,nlon/),typeof(obs)) ; create an array to end if
hold predictor variables
delete(ol)
b1 = new((/nlat,nlon/),typeof(obs)) ;
delete(ol1)
b2 = new((/nlat,nlon/),typeof(obs)) ;
delete(ol2)
b3 = new((/nlat,nlon/),typeof(obs)) ;
yyresult = new((/nlat,nlon/),float)
end do
do m=0,nlat-1,1 ;looping perhitungan tiap grid
end do
do n=0,nlon-1,1
if(all(ismissing(obs(time|:,lat|m,lon|n)))) then
delete(b0)
;if(obs(time|:,lat|m,lon|n).ge.0) then
delete(b1)
b0(m,n) = -999
delete(b2)
b1(m,n) = -999
delete(b3)
b2(m,n) = -999
b3(m,n) = -999
delete(yyresult)
delete(obs)
else
delete(pc)
end do

;lt=lt+1
;end do

; panel plot only resources
resP
= True
; modify the panel plot
;end
resP@gsnMaximize
= True
; large format
;******************************************* resP@gsnPanelLabelBar = True
; add common
; Panggil kembali data ascii dan rata-rata dari 30 member
colorbar
;******************************************* resP@lbLabelAutoStride = True
; auto stride on
labels
do m=0,nlat-1,1
do n=0,nlon-1,1
;*******************************************
;Forecast Map plot
ol="ascii_dugaCH"
;*******************************************
ol1="/grid:x="+(m)
ol2="y="+(n)
ol1="output_map/forecast_Indonesia_LT:"+(lt/1)
ol3=".txt"
ol2="_"+(bulan)
grid = asciiread(ol+ol1+ol2+ol3,1,"float")
wks = gsn_open_wks("png",ol1+ol2)
jj = (num(grid.eq.-999))
res
= True
res@gsnMaximize
= True
if (jj .gt. 15) then
res@cnFillOn
= True
yyresult(m,n) = -999
res@cnLinesOn
= False
else yyresult(m,n) = avg(grid);
;nilai