Model ramalan produksi padi

94 CSIRO Mk3 dalam menyimulasikan peubah penjelas, khususnya untuk wilayah tropik Cavazos dan Hewitson 2005. Proses pemodelan SD yang digunakan dalam Bab 4, 5 dan 6 adalah diawali dengan reduksi dimensi dengan menggunakan komponen utama. Model SD tersebut dinyatakan dalamn y = f pc 11 , pc 12 ,..., pc 1k, , pc 21 , pc 22 , ..., pc 2l , pc ij + ε, dimana pc 11 , pc 12 merupakan skor komponen dari peubah x 11 , x 12 , x 13 , ..., x 1p ; pc 21 , pc 22 merupakan skor komponen dari x 21 , x 22 , x 23 , ..., x 2p , pc ij adalah skor komponen peubah ke-i dan banyaknya komponen utama ke-j. Salah satu permasalahan yang mungkin muncul dalam pemodelan regresi komponen utama tersebut adalah adanya pembengkakan sisaan amplification error akibat dari akumulasi sisaan. Untuk mengetahui apakah terjadi pembengkakan sisaan dilakukan pembuktian melalui simulasi. Hasil simulasi menunjukkan tidak terbukti bahwa terjadi pembengkakan nilai sisaan dari regresi dengan peubah penjelas gabungan nilai komponen utama.

9.2 Model ramalan produksi padi

Bagian akhir dari penelitian ini adalah peramalan produksi padi dengan menggunakan indeks hujan terboboti modifikasi dari Stephen et al. 1994. Metode peramalan produksi menggunakan algoritma BPS, yaitu produksi padi per subround adalah perkalian luas panen dan produktifitas. Yang membedakan metode ini dengan metode BPS adalah cara menduga luas panen. Dalam model ini luas panen ini diduga dengan memasukan faktor iklim curah hujan, sementara BPS tidak menggunakan peubah iklim. Hasil pewilayahan iklim DPM yang disajikan dalam Bab 7 akan digunakan sebagai masukan pembobot dalam model ini. Asumsi dasar model ini adalah bahwa semua wilayah merupakan wilayah pertanian dengan sumber irigasi tadah hujan. Berikut adalah tahapan dalam penyusunan model ramalan produksi padi modifikasi dari BPS dan Stephen et al. 1994: 1. Menghitung curah hujan terboboti oleh luas wilayah daerah prakiraan musim DPM. DPM yang dipakai bisa menggunakan DPM BMG. 2. Menghitung indeks hujan terboboti WRI, yaitu perkalian antara curah hujan terboboti wilayah dan rasio luas tanam dan luas baku tanam. 95 3. Menyusun model hubungan antara luas panen dan indeks hujan terboboti, pada masing-masing subround. 4. Menduga data produktifitas per subround. Dalam penelitian ini digunakan nilai rataan beberapa tahun sebelumnya. 5. Menduga produksi padi per subround, yaitu perkalian antara luas panen dan produktifitas 6. Menduga produksi padi dalam satu tahun, yaitu penjumlahan dari ketiga subround. Hasil ramalan produksi padi per tahun angka ramalan pertama: ARAM 1 mempunyai kisaran kesalahan 10-11 dari nilai aktualnya. Sementara hasil ramalan BPS mempunyai kisaran kesalahan 5-10 BPS 2007. Namun hasil ini tidak bisa dibandingkan tingkat ketepatan ramalannya, karena cakupan wilayah yang berbeda. Untuk melihat kehandalan model ini perlu dicobakan untuk beberapa lokasi lain, seperti pada wilayah dengan tipe hujan lokal dan equatorial. Model ramalan produksi padi dengan menggunakan indeks hujan terboboti, selanjutnya dapat menggunakan hasil ramalan curah hujan luaran SD yang telah dijelaskan dalam Bab 4, 5, dan 6. DAFTAR PUSTAKA Arrigo RD, Wilson R. 2008. El Nino and Indian Ocean influences on Indonesian drought: implications for forecasting rainfall and crop productivity. Int. J. Climatology . www.interscience.wiley.com Aldrian E, Susanto RD. 2003. Identification Of Three Dominant Rainfall Regions Within Indonesia And Their Relationship To Sea Surface Temperature. Int. J. Climatology 23: 1435–1452 Boer R, Las I. 2003. Sistem Produksi Padi Nasional dalam Perspektif Kebijakan Iklim Global. Di Dalam Bambang S et al. penyunting. Kebijakan perberasan dan Inovasi Teknologi Padi: Buku Dua. Prosiding Pertemuan Ilmiah Bagian Proyek Litbang Tanaman Padi, 2003. Sukamandi. hlm 215- 234. Boer R. 2000. Perkiraan Kondisi Iklim dan Produksi Beras Nasional 2001. Paper disajikan dalam Pertemuan Prospek Ketersediaan Pangan 2001. Badan Urusan Ketahanan Pangan. Kampus Departemen Pertanian Jakarta.30 Agustus 2000. Boer R, Faqih A. 2005. Current and Future Rainfall variability in Indonesia.Technical Report of AIACC Project ’Integrated Assessment of Climate Change Impact, Adaptation and Vulnerability In Watershed Areas and Communities in Southeast Asia AIACC AS21: Indonesia Component’. Boer R, Wahab I, Perdinan, Meinke H. 2004.The Use of Global Climate Forcing for Rainfall and Yield Prediction in Indonesia: Case study at Bandung District. Paper was presented in the 4 th International Crop Sciences Congress, September 2004 in Brisbane Australia Busuioc A, Chen D, Hellström C. 2001. Performance of Statistical Downscaling Models in GCM Validation and Regional Climate Change: Application for Swedish Precipitation. Int. J. Climatology 21: 557-578. Busuioc A, von Stroch H, Schnur R.1999.Verification of GCM-Generated Regional Seasonal Precipitation for Current Climate and of Statistical Downscaling Estimates under Changing Climate Conditions. J. Climate 12:258-272. Bürger G.1996.Expanded downscaling for generating local weather scenarios. Climate Reseach 7:111-128. Bunkers WJ, Miller JR, DeGaetano AT.1996.Definition of Climate Regions in the Northern Plains Using an Objective Cluster Modification Technique. J.Climate 9:130-146. 99 [BPS dan DEPTAN] Badan Pusat Statistik dan Departemen Pertanian. 2003. Buku Pedoman Petugas KabupatenKota dan Propinsi. Pengumpulan Data Tanaman Pangan dan Hortikultura. Jakarta: BPS dan Deptan. [BPS] Badan Pusat Statistik. 2007. Produksi Padi dan Palawija Angka Ramalan I 2007. Jakarta: BPS. [BMG] Badan Meteorologi dan Geofisika. 2003. Pemilayahan Daerah Tipe Hujan dan Evaluasi Musim Kemarau 2003 serta Prakiraan Sementara Musim Hujan 20032004 Kabupaten Indramayu. Jakarta. BMG. [BMG] Badan Meteorologi dan Geofisika. 2006. Prakiraan Musim Hujan Tahun 20062007 di Indonesia. BMG. Jakarta. Chan JCL, Shi J. 1997. Application of Projection-Pursuit Principal Component Analysis Method to Climate Studies. Int. J. Climatology 17:103-113. Crane RG, Hewitson BC. 1998. Doubled CO 2 precipitation changes for the Susquehanna basin: downscaling from GENESIS general circulation model. Int. J. Climatology 18:65-76. Chen C.2002. Robust Regression and Outlier Detection with the Robustreg Procedure. SAS Institute.Inc. Cary,NC. Corte-Real J, Zhang X, Wang X. 1995. Downscaling GCM information to regional scales: a non-parametric multivariate regression approach. Climate Dynamics 11 7: 413-424. Cavazos T, Hewitson B.2005. Performance of NCEP-NCAR reanalysis variables in statistical downscaling of daily precipitation. Clim Res, 28:95-107. Cavazos T, Hewitson B.2002. Relative Performance of Empirical Predictors of Daily Precipitation. Proc.of the 1 st Biennal Meeting of the IEMSS, Lugano, Switzerland, 2:349-354. De Veaux RD, LH Ungar. Multicollinearity: A tale of two nonparametric regressions. www.cis.upenn.edudataminingPublicationstale2.pdf 22 Agustus 2006 De Veaux RD, Gordon, Arnold L. Comiso, Joey C. Bacherer, Nadine E. 1993. Modeling of topographic effects on Antarctic sea ice using multivariate adaptive regression splines. Journal of Geophysical Research, 98 C11: 20307-20320. Dan Stenberg. 2001.User Guide MARS http:www.salford-systems Januari 2001 Friedman JH. 1991. Multivariate Adaptive Regression Splines with discussion. http:www.salford-systems.comMARS.pdf [September 2001]. 100 Finizio M, Palmieri S. 1998. Non-linear modelling of monthly mean vorticity time changes: an application to the western Mediterranean.Ann.Geophysicae 16:116-124. Fischer M, Dewitte B, Maîtrepierre L. 2004., A non-linear statistical downscaling model: El NiñoSouthern Oscillation impact on precipitation over New Caledonia, Geophys. Res. Lett. 31, L16204, doi:10.1029 2004GL020112. Falcon WP, Naylor RL, Wada N, Smith WL, Burke MB, McCullough EB. 2004. Using Climate Models To Improve Indonesian Food Securaty. Bulletin of Indonesian Economic Studies 40: 355-377. Gangopadhyay S, Clark M, Werner K, Brandon D, Rajagopalan B. 2004. Effects of Spatial and Temporal Aggregation on the Accuracy of Statistically Downscaled Precipitation Estimates in the Upper Colorado River Basin. Re-Revisions Submitted to Journal of Hydrometeorology. Giorgi F, Hewitson B, Christensen J, Hulme M, Von Stroch H, Whetton P, Jones R, Mearns L, Fu C. 2001. the scientific basis. Contribution of Working Group I to the Third Assesment Report of the Intergovernmental Panel on Climate Change IPCC.University Press. Cambrige.UK. Gong X, Richman MB. 1995. On the Application of Cluster Analysis to Growing Season Precipitation Data in North America East of the Rockies. J.Climate 8:897-931. Giannini A. 2005. ENSO and the seasonal cycle of precipitation in Southeast Asia. http:iri.columbia.edu. [September 2007] Huth R. 1999. Statistical downscaling in central Europe: evaluation of methods and potential predictors. Clim Res,13: 91–101. Haryoko U.2004. Pendekatan Reduksi Dimensi Luaran GCM untuk Penyusunan Model Statistical Downscaling [Tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Hendon HH. 2003. Indonesian Rainfall Variability: Impacts of ENSO and Local Air–Sea Interaction. J.Climate16:1775-1790. Haylock M, McBride J. 2001. Spatial coherence and predictability of Indonesian wet season rainfall. J. Climate 14: 3882–3887. Jesús M, Ángel F. 2004. Comparison of statistical methods commonly used in predictive modelling. Journal of Vegetation Science 15: 285-292. Katz RW, Parlenge MB, Naveau P. 2002. Statistics of extremes in hydrology. Advances in Water Resources 25:1287-1304. Katz RW. 2002. Technique for estimating uncertainty in climate change scenarios and impact studies. Clim Res 20:167-185. 101 Keppenne C, Lall U.1996. Complex Singular Spectrum Analysis and Multivariate Adaptive Regression Splines Applied to Forecasting the Southern Oscillation. http:www.cpc.noaa.govproductspredictions experimentalbulletin Jul96art18.html [11 Oktober 2006] Kaimuddin.2000.Kajian Dampak Perubahan Iklim dan Tataguna Lahan Terhadap Keseimbangan Air Wilayah Sulawesi Selatan.Studi Kasus DAS Walanae Hulu dan DAS Saddang [disertasi].Bogor: Program Pascasarjana, Institut Pertanian Bogor. Lewis PAW, Stevens JG. 1991. Nonlinear Modelling of Time Series Using Multivariate Adaptive Regression Splines. J. Amer. Statist. Assoc 86: 864 – 877. Leathwick JR, Rowe D, Richardson J, Elith J, Hastie T. 2005. Using multivariate adaptive regression splines to predict the distributions of New Zealand’s freshwater diadromous fish. Freshwater Biology 50: 2034–2052. McBride JL, Haylock MR, Nicholls N.2003.Relationships between the Maritime Continent Heat Source and the El Nin˜o–Southern Oscillation Phenomenon. J. Climate 16:2905-2913. Maini P, Kumar A. 2005. Development of Statistical-Dynamical models at NCMRWF for predicting location specific weather during monsoon. Proc. of International Roundtable on Understanding and Prediction of Summer and Winter Moonson, 21-24 Nov 2005. Jakarta. Mearns LO, Hulme M, Carter TR, Leemans R, Lal M, Whettson P.2001.the scientific basis. Contribution of Working Group I to the Third Assesment Report of the Intergovernmental Panel on Climate Change IPCC.University Press. Cambrige.UK. Mimmack GM, Mason SJ, Galpin JS. 2001.Choise of Distance Matrices in Cluster Analysis: Defining Region. J. Climate 14:2790-2797. Naylor RL, Falcon WP, Daniel Rochberg D, Nikolaswada. 2001. Using El NiñoSouthern Oscillation Climate Data To Predict Rice Production In Indonesia. Climatic Change 50: 255–265. Naylor RL, Falcon WP, Wada N, Rochberg D. 2002. Using El Niño-Southern Oscillation Climate Data To Improve Food Policy Planning In Indonesia. Bulletin of Indonesian Economic Studies 38: 75–91. Naylor RL, Falcon WP, Wada N, Battisti D, Vimont DJ, Burke MB. 2007. Assessing risk of climate variability and climate change for Indonesian rice agriculture. PNAS 104: 7752–7757. Ogalla L 1980. Regional Classification of East African Rainfall Stations into Homogeneous Groups using the Method of Principal Component 102 Analysis. Statistical Climatilogy. Proceedings of the first International Conference on Statistical Climatology a Satellite Meeting to the 1979 Session of the ISI. Edited by S.Ikeda et al. Elsevier Scintific Publishing Company. Pfizenmayer A, von Storch H. 2001. Anthropogenic climate change shown by local wave conditions in the North Sea.Climate Research 19:15-23. Palutikof JP, Goodess CM, Watkins SJ, Holt T. 2002. Generating rainfall and temperature scenario at multi site:examples from the Meditertanean. J. Climate 15:3529-3548 Sutikno, Aunuddin, Wigena AH. 2001. Penggunaan Regresi Splines Adaptif Berganda Untuk Pendugaan Model Regresi Non-Linier Studi kasus : Pendugaan Model Produksi Susu dan Produksi Ikan Tuna. Di Dalam Prosiding Seminar Nasional Statistika IV ITS. 20 Oktober 2001. Sutikno, Boer R. 2004. Penggunaan Adaptive Splines Threshold Autoregression ASTAR Untuk Peramalan Indeks ENSO. Di Dalam Prosiding Seminar Nasional Matematika. Udayana-Bali. Juli 2004. Sutikno, Boer R. 2005a. Model Prediksi Curah Hujan Dengan Regresi Splines Adaptif Berganda. Jurnal Agromet Indonesia 18:36-52. Sutikno, Boer R. 2005b. Penggunaan Regresi Splines Adaptif Berganda, Regresi Komponen Utama, dan Jaringan Syaraf Tiruan untuk Statistical Downscaling GCM. Di Dalam Prosiding seminar Nasional Statistika VII ITS Surabaya. 26 Nopember 2005. Surmaini E. 2006. Optimalisasi Alokasi Lahan Berdasarkan Skenario Iklim di Kabupaten Bandung [Tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Saji N, Goswami B, Vinayachandran P, Yamagata T. 1999. A dipole mode in the tropical Indian Ocean. Nature 401:360-363. Stephen DJ, Walker GK, Lyons TJ. 1994. Foreasting Australian wheat yield with a weighted rainfall index. Agriculture and Forest Meteorology 71: 247- 263. Timbal B, Dufour A, McAvaney B. 2003. An estmate of future climate change for western France using statistical downscaling technique. Climate Dynamics 20:807- 823. Trigo RM, Palutikof JP. 2001. Precipitation Scenario over Iberia.A Comparison between Direct GCM Output and Different Downscaling Techniques. J. Climate 14:4422-4446. Uvo CB, Olsson J, Morita O, Jinno K, Kawamura A, Nishiyama K, Koreeda N, Nakashima T. 2001. Statistical atmospheric downscaling for rainfall 103 estimation in Kyushu Island Japan. Hydrology and Earth System Sciences 5: 259-271. Wilby RL. 1994. Stochastic weather type simulation for regional climate change impact assesment. Water Resources Research 30: 3395-3403. Wilby RL, Charles SP, Zorita E, Timbal B, Whetton P, Mearns LO. 2004. Guidelines foe use of climate scenarios developed from statistical downscaling methods. http:www.ipcc-ddc.cru.uea.ac.ukguidelines dgm_no2_v1_09_2004.pdf [8 Desember 2004]. Wilby RL, Tomlison OJ, Dawson CW. 2003. Multi-site simulation of precipitation by conditional resampling. Clime Res 23:183-194. Wilks DS, Wilby RL. 1999. The weather generation game: A review of stochastic weather models. Progress in Physical Geography 23:329 – 357 Wetterhall F. 2002. Statistical downscaling in climate studies.An overview of used approaches.Report Series A No.59. Uppsala Universitet. Wetterhall F. 2005. Statistical downscaling of Precipitation from Large-scale Atmosheric Circulation: Comparison of Methods and Climate Regions. [Dissertation] Uppsala Universitet. http:urn.kb.seresolve?urn=urn:nbn: se:uu:diva-5937 [September 2007] Wigena AH, Aunuddin. 2004. Aplikasi Projection Pursuit dan Jaringan Syaraf Tiruan dalam Pemodelan Statistical Downscaling. Jurnal Statistika UNISBA.42 Edisi Khusus:7-10. Wigena AH. 2006. Pemodelan Statistical Downscaling dengan Regresi Projection Pursuit untuk Peramalan Curah Hujan Bulanan. Kasus Curah Hujan Bulanan di Indramayu. [Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. von Storch H. 1999. On the Use of “Inflation” in Statistical Downscaling. J. Climate 12:3505-3506. von Storch H, Hewitson B, Mearns L. 1999. Review of Empirical Downscaling Techniques. http:w3g.gkss.destaffstrochjevnaker.0500.htm [8 Desember 2004]. von Strorch H, Zorita E, Cubash U. 1993. Downscaling of global climate change estimates to regional scales: An application to Iberian rainfall in wintertime. J. Climate 6:1161-1171. 104 Lampiran 1. Daftar Istilah ASTAR Adaptive splines threshold autoregression AR Autoregresive ACF Autocorelation function ARMA Autoregresive and moving average ARAM Angka ramalan CSIRO Mk3 Commonwealth Scientific and Industrial Research Organization model 3 DPMZPI Daerah prakiraan musimzona prakiraan iklim DMI Dipole mode index DD Dynamic downscaling ENSO El Nino-Southern Oscillation GCM General circulation models GRK Gas rumah kaca GCV Generalized cross validation GFDL Geophysical Fluid Dynamic Laboratory HadCM Hadley Centre’s coupled oceanatmosfer model hus Kelembaban spesifik IODM Indian Ocean Dipole Mode ITCZ Inter Tropical Convergence Zone LBQ Ljung Box Q LTS Least trimmed squares LAM Limited area models MARS Multivariate adaptive regression splines MAEP Mean absolute error prediction MA Moving average netCDF Network Common Data Form PDSI Palmer drought severity index prw Precipitable water PC Principal component RMSEP Root mean square prediction RSAB Regresi splines adaptif berganda RCM Regional Climate models RKU Regresi komponen utama slp Sea level presuare tekanan permukaan laut SD Statistical downscaling SVD Singular value decomposition SML Suhu muka laut SOI Southeast Oscillation index SST Sea surface temperature ua Komponen angin zonal va Komponen angin meridional WRI Weight rainfall index WSC Weather classification schemes WG Weather generator zg Ketinggian geopotensial 105 Lampiran 2. Pemprosesan Data GCM Format Data GCM Format data GCM seringkali dalam bentuk netCDF API 1 network Common Data Form Application Program Interface, grib, dan binary, karena kapasitas data GCM sangat besar, meliputi: lintang, bujur, waktu record, ketinggian level dan nilai peubahnya. Sebagai contoh peubah precipitable water prw mencapai 112 mega bite, bahkan peubah sikulasi seperti komponen angin meridional dan zonal bisa mencapai 1,4 giga bite. Untuk kepentingkan kajian dan aplikasi iklim dengan luaran GCM, seringkali membutuhkan transformasi atau konversi dalam format text ASCII. Beberapa piranti lunak yang dapat digunakan membaca atau konversi format netCDF ke dalam format text diantanya: NCAR Command Language NCL 2 , Ferret 3 , dan Matlab 4 . Dalam pemodelan statistical downscaling SD membutuhkan penyiapan data. Penyiapan data dalam pemodelan SD, seringkali disebut sebagai pra- pemprosesan data. Terdapat dua tahapan dalam penyiapan data yaitu penyiapan data GCM dan pereduksian dimensi domain grid. Penyiapan data GCM meliputi konversi data format metadata netCDF ke text ASCII, pemilihan domain lintang dan bujur, pemilihan level dan transformasi satuan. Pada bab ini akan disajikan pemrosesan data netCDF menjadi data ASCII dengan menggunakan Matlab. Konversi data GCM format netCDF ke text ASCII dengan Matlab 6.5 Penyiapan Piranti Matlab 6.5 Untuk dapat menjalankan atau membaca data dalam format netCDF, piranti Matlab harus ditambahkan netCDF toolbox 5 . Kemudian toolbox tersebut, yang terdiri atas file netcdf.dll dan mexnc.dll, di-copy-kan pada folder bin Matlab 6.5. 1 http:www.unidata.ucar.edupackagesnetcdf 2 http:www.ncl.ucar.edu\overview.html 3 http:www.ferret.noaa.govFerret 4 http:www.unidata.ucar.edupackagesnetcdf 5 http:my.unidata.ucar.educontentsoftwarenetcdf 106 Membaca data format netCDF Tahapan dalam membaca dan mengkonversi data netCDF ke ASCII sebagai berikut: a. Letakkan file data netCDF dengan ekstensi .nc pada folder d:\data contoh file: prw_A1.nc b. Buka aplikasi Matlab 6.5 c. Atur direktori kerja pada bagian current directory ke folder: C:\MATLAB6p5\bin\mexnc d. Untuk mengaktifkan toolbox netCDF yang telah di-install sebelumnya dila- kukan penambahan path untuk beberapa folder yang terdapat pada toolbox, yaitu: folder netcdf, nctype, dan ncutility. Perintah untuk penambahan path di Matlab 6.5 adalah: addpath C:\MATLAB6p5\bin\mexnc\netcdf_toolbox- 1.0.8\netcdf_toolbox\netcdf –end addpath C:\MATLAB6p5\bin\mexnc\netcdf_toolbox- 1.0.8\netcdf_toolbox\netcdf\nctype –end addpath C:\MATLAB6p5\bin\mexnc\netcdf_toolbox- 1.0.8\netcdf_toolbox\netcdf\ncutility –end addpath D:\DATA\Convert –end e. Pemanggilan data pada file netCDF yang terdapat di folder d:\data\ prw_A1.nc dilakukan dengan menggunakan perintah berikut Gambar 1. nc = netcdfd:\data\prw_A1.nc, nowrite; double click Gambar 1. Tampilan berkas pemanggilan data. 107 Double click pada workspace akan memberikan hasil sebagai berikut: NetCDF_File: D:\DATA_GCM\prw_A1.nc nDimensions: 4 nVariables: 7 nGlobalAttributes: 12 RecordDimension: time nRecords: 1560 Permission: nowrite DefineMode: data FillMode: fill MaxNameLen: 0 Keluaran di atas merupakan informasi banyaknya dimensi dalam bentuk matriks, banyaknya variabel, jenis record dimensi, banyaknya record. f. Perintah selanjutnya untuk menampilkan deskripsi file atribut keseluruhan data netCDF Gambar 2. Seringkali biasanya perintah ini tidak memuncul- kan deskripsi data the variable is empty. description = nc.description: Gambar 2. Tampilan berkas description. double click g. Pemanggilan variabel yang terdapat di dalam file netCDF dilakukan melalui perintah: variables = varnc; Melalui perintah ini dapat mengetahui banyaknya jumlah variabel yang terdapat di dalam file netCDF dan ukuran dimensinya Gambar 3. Di dalam contoh ini, terdapat 7 variabel. 108 Gambar 3. Tampilan identifikasi variabel. Untuk mengetahui nama variabel apa saja yang terdapat dalam file berikut dengan urutannya, dapat dilakukan dengan menggunakan perintah: for i = 1:lengthvariables disp[namevariables{i} =], disp end time= lat= lon= prw= time_bnds= lon_bnds= lat_bnds= Nama variabel tersebut meliputi: time, latitude, longitude, prw, time_bnds, lon_bnds, dan lat_bnds. Ukuran dimensi matriksnya masing-masing ada- lah: time = [1560x1 ncvar] lat = [96x1 ncvar] lon = [192x1 ncvar] prw = [1560x96x192 ncvar] time_bnds= [1560x2 ncvar] lon_bnds= [192x2 ncvar] lat_bnds= [96x2 ncvar] Sedangkan untuk menampilkan data yang terdapat pada masing-masing variabel secara umum digunakan perintah, dispvariables{i}: 109 i menunjukkan urutan variabel, sebagai contoh untuk menampilkan data pada variabel latitude dan longitude digunakan perintah: dispvariables{2}: dispvariables{3}: Luaran dari perintah ini disajikan pada Gambar 4. a b Gambar 4. Tampilan luaran latitude a dan longitude b. Cropping data Cropping data adalah pembacaan dan pengambilan bagian-bagian data tertentu yang dibutuhkan menurut domain lintang-bujur: grid, record waktu, dan level ketinggian data GCM. Sebagai ilustrasi, ingin meng-cropp data GCM CSIRO Mk3 dengan ukuran grid 3x3, 8x8, dan 12x12 di lokasi stasiun Losarang yang terletak pada 6.41 LS dan 108.15 BT. Lokasi stasiun berada ditengah- tengah grid tersebut Gambar 5. Resolusi CSIRO Mk3 adalah 1.85 x 1.88 . 110 Bujur 12x12 8x8 3x3 3x3 8x8 12x12 Lintang

97.5 99.4 101.3 103.1 105.0 106.9 108.8 110.6 112.5 114.4 116.3