2.4 Real Time Multivariate MJO seri 1 dan 2 RMM1 dan RMM2
Real Time Multivariate MJO seri 1 dan 2
RMM1 dan RMM2 merupakan suatu indeks musiman untuk memonitor pergerakan MJO.
Hal ini didasarkan pada sepasang fungsi ortogonal EOFs dari gabungan rata-rata
angin zonal 850-hPa, 200-hPa, dan data observasi satelit Outgoing Longwave
Radiation
OLR. Proyeksi data dilakukan dengan menghilangkan komponen siklus
tahunan dan variabilitas komponen interannual Wheller dan Hendon, 2004.
RMM1 dan RMM2 dapat digunakan dalam berbagai kepentingan misalnya untuk
menentukan onset monsun dan peluang terjadinya curah hujan ekstrim.
Peramalan MJO dapat menggunakan indeks RMM1 dan RMM2. MJO dikatakan
dalam fase aktif jika:
Gambar 6 Diagram phase MJO global hasil penurunan RMM1 dan RMM2
Sumber: Wheller dan Hendon, 2004.
Lokasi keberadaan dapat dilihat dalam diagram dua dimensi fase pergerakan MJO
yaitu dengan RMM1 dan RMM2. Terdapat 8 fase pergerakan MJO yaitu fase-8,1 di belahan
bumi bagian barat dan Afrika, fase-2,3 di Samudra Hindia, fase-4,5 di Benua Maritim
Indonesia, fase-6,7 di kawasan Pasifik barat. Data harian RMM1 dan RMM2 yang tersedia
adalah dari tanggal 1 Juni 1974 berkelanjutan hingga saat ini.
2.4 Prakiraan dengan
Time Series
ARIMA Autoregressive Integrated
Moving Average merupakan salah satu
model peramalan yang berbasis time series yang dikembangkan oleh Box dan Jenkins
1976. Metode ARIMA
memiliki keunggulan dibanding metode lainnya, yaitu
metode Box-Jenkins disusun secara logis dan secara statistik akurat, metode ini
memasukkan banyak informasi dari data historis, dan metode ini menghasilkan
kenaikan akurasi peramalan dan pada waktu yang sama menjaga jumlah parameter
seminimal mungkin Jarret, 1991
Metode ini menggunakan pendekatan iteratif yang mengindikasikan kemungkinan
model yang bermanfaat. Model terpilih, kemudian dicek kembali dengan data historis
apakah telah mendiskripsikan data tersebut dengan tepat. Model terbaik akan diperoleh
apabila residual antara model peramalan dan data historis memiliki nilai yang kecil,
distribusinya random, dan independen. Analisis deret waktu seperti pedekatan Box-
Jenkins, mendasarkan analisis pada data deret waktu yang stasioner.
Penelitian sebelumnya yaitu Evana 2009 menggunakan metode ARIMA untuk
memprediksi nilai RMM1 dan RMM2 menunjukkan bahwa model ARIMA dapat
mengenali pola RMM1 dan RMM2 dengan baik.
III. METODOLOGI
Kategori