Model Sirkulasi Umum Global Circulation Model GCM Regional Climate Model 3RegCM3

meni RegC Suma meng RegC Gam 2.3 data kejad Di gu bebe perm peres ingkatkan re CM3 dapat m atera atau w ganalisis ilk CM3 pada t mbar 1 Ilustr Bumi Curah Hu Beberapa curah hujan dian hujan. urun, peneri rapa wilaya Curah huj mukaan sebe sapanperem esolusi dari menganalis wilayah terte kim dalam s itik obesrva asi permeta http:clim ujan informasi u n rata-rata ta Curah hujan imaan hujan ah tropika b an dibatasi elum menga mbesan ke d GCM pada sis iklim yan entu di pula skala besar asi di Bumi aan grid mat matepredicti untuk mengg ahunan, har n rata-rata t n tahunan b asah, curah sebagai ting alami aliran dalam tanah a wilayah ke ng mencaku au Jawa, sed global. Ilu dapat diliha triks RegCM on.netcont gambarkan ri hujan, pol tahunan san berkisar dari h hujan dapa ggi air hujan permukaan h Handoko ecil dan terb up wilayah t dang GCM d ustrasi pem at pada Gam M3 pada ko tentregiona keadaan su la musiman ngat bervaria i 70 mm per at melebihi 4 n dalam m n, evaporasi 1993 dalam batas. Mode tertentu di p digunakan u metaan grid d mbar 1. ordinat obs al-climate-m uatu wilayah , dan peluan asi menurut r tahun, sem 4000 mm p mm yang dit , dan m Normakris el pulau untuk data ervasi di models. h adalah ng t tempat. mentara di per tahun. terima di stagaluh 2004. Jumlah hari hujan umumnya dibatasi dengan jumlah hari dengan curah hujan 0.5 mm atau lebih. Jumlah hari hujan dapat dinyatakan per minggu, dekade, bulan, tahun, atau satu periode tanam tahap pertumbuhan tanaman, dimana curah hujan rata-ratanya dapat dihitung dengan cara menjumlahkan curah hujan harian hasil pengukuran sesuai dengan periode waktu yang diperlukan dan dibagi dengan periode waktu tersebut Hidayati 1983 dalam Normakristagaluh 2004. Data hujan mempunyai variasi yang sangat besar dibandingkan unsur-unsur iklim yang lain, baik variasi menurut tempat maupun waktu. Untuk mendapatkan gambaran wilayah diperlukan pengamatan yang cukup panjang dan kerapatan jaringan stasiun pengamatan yang memadai. Curah hujan yang diamati pada stasiun klimatologi meliputi tinggi hujan curah hujan, jumlah hari hujan, dan intensitas hujan.

2.4 Principal Components Analysis PCA

PCA atau analisis komponen utama yang disebut juga transformasi Karhunen-Loeve merupakan suatu teknik untuk mereduksi p peubah variabel pengamatan menjadi q peubah baru yang saling ortogonal, dimana masing-masing q peubah baru tersebut merupakan kombinasi linear dari p peubah lama. Pemilihan q peubah baru tersebut sedemikian rupa sehingga keragaman yang dimiliki oleh p peubah lama, sebagian besar dapat diterangkan atau dimiliki oleh q peubah baru. PCA akan cukup efektif jika antar p peubah asal memiliki korelasi yang cukup tinggi Smith, L.I.,2002. Misalnya diberikan objek pengamatan vektor Grid dengan dimensi p peubah, Grid=[grid 1 grid 2 grid 3 ... grid p ] yang akan direduksi menjadi vektorY=[y 1 y 2 y 3 ... y q ], dimana q p tanpa kehilangan informasi secara berarti, yang dapat dilihat sebagai berikut: . g g g a ... a a grid a ... grid a grid a y g g g a ... a a grid a ... grid a grid a y g g g a ... a a grid a ... grid a grid a y p 2 1 qp q2 q1 p qp 2 q2 1 q1 q p 2 1 2p 22 21 p 2p 2 22 1 21 2 p 2 1 1p 12 11 p 1p 2 12 1 11 1 grid a rid rid rid grid a rid rid rid grid a rid rid rid T T T = ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ = + + + = = ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ = + + + = = ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ = + + + = M M M M Untuk memaksimumkan ragam pada y maka harus dicari nilai a sehingga a a y T Σ = dengan kendala 1 = a a T . Dengan menggunakan pengganda Lagrange dibuat suatu fungsi 1 − − Σ = a a a a F T T λ yang selanjutnya akan dimaksimumkan dengan cara menurunkan F terhadap parameter-parameternya dan turunannya sama dengan 0, sehingga diperoleh: a a a a a F λ λ δ δ = Σ = − Σ = 2 2 Dimana Σ adalah matriks peragam covariance: ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ = Σ pp p p p p τ τ τ τ τ τ τ τ τ K M K M M K K 2 1 2 22 21 1 12 11 dengan ∑ = − − − = p i k ik j ij jk grid grid grid grid n 1 1 1 τ a adalah vektor ciri eigenvectors, λ adalah akar ciri eigenvalue. Setelah didapatkan matriks covariance Σ selanjutnya akan dicari vektor dan akar ciri yang bersesuaian dengan matriks covariance tersebut, melalui persamaan berikut: