Pendahuluan Bahan dan Metode Bahan

4. PENENTUAN DOMAIN GRID GCM UNTUK PEMODELAN

STATISTICAL DOWNSCALING

4.1 Pendahuluan

Penentuan domain GCM merupakan salah satu bagian penting dalam pemodelan SD. Berbagai penelitian telah dilakukan khusus untuk menentukan luasan jumlah grid dan lokasi grid GCM. Seperti Cavazos dan Hewitson 2002; Maini dan Kumar 2005 menggunakan 9 grid 3x3 lintang-bujur di sekitar lokasi stasiun lokasi stasiun berada ditengah-tengah. Wigena 2006 menyimpulkan bahwa 64 grid 8x8 lintang-bujur di sekitar lokasi stasiun menghasilkan dugaan yang lebih baik daripada menggunakan grid bujusangkar 10x10, 12x12, 14x14, dan 16x16. Sementara itu Haryoko 2004 menggunakan luasan grid 11x 23 lintang-bujur. GCM yang digunakan berbeda-beda dengan resolusi lintang dan bujur yang berbeda pula, Wigena 2006 menggunakan GCM ECHAM dengan resolusi 2.8 x2.8 , sedangkan Haryoko 2004 menggunakan GCM NCEP- reanalysis dengan resolusi 2.5 x2.5 . Banyaknya penelitian dengan menggunakan GCM yang berbeda, luas dan domain yang berbeda dan beragam metode statistik, seringkali menyulitkan dalam menentukan domain yang akan dipilih. Berbagai permasalahan muncul dalam penentuan domain, salah satunya adalah apakah penggunaan luasan grid yang sama pada GCM berbeda akan menghasilkan tingkat ketepatan ramalanprediksi yang sama konsisten. Demikian juga lokasi penelitian yang berbeda, apakah luasan dan lokasi grid yang sama memberikan ketepatan yang sama pula. Terlalu sempit luasan griddomain yang digunakan mengurangi informasi pengaruh globalregional. Sebaliknya, luasan grid terlalu luas menyebabkan informasi lokal akan berkurang. Adanya permasalahan-permasalahan tersebut di atas, maka perlu diteliti penentuan domain untuk pemodelan SD. Terbatasnya penelitian pemodelan SD khususnya di Indonesia, maka perlu dikaji tentang penentuan domain dengan menggunakan GCM yang berbeda. Dalam penelitian ini bertujuan menentukan domain luasan grid GCM CSIRO-Mk3 yang menghasilkan kinerja model yang baik untuk pemodelan SD. 20

4.2 Bahan dan Metode Bahan

Data yang digunakan adalah peubah-peubah luaran CSIRO Mk3 dengan resolusi lintang-bujur 1.865 x 1.875 . Peubah luaran CSIRO Mk3 yang diguna- kan meliputi: precipitable water prw, tekanan permukaan laut slp, komponen angin meridional va, komponen zonal ua, ketinggian geopotensial zg, dan kelembaban spesifik hus. Ketinggian level yang digunakan dalam penelitian adalah 850 hPa, 500 hPa, dan 200 hPa Tabel 4.1. Tabel 4.1 Peubah penjelas yang di ambil dari model luaran CSIRO-Mk3 dan pengkodingan Ketinggianlevel No. Peubah Satuan Permukaan 850 hPa 500 hPa 200 hPa 1. Precipitable water Kg m -2 prw - - - 2. Tekanan permukaan laut Pa slp - - - 3. Komponen angin meridional m s -1 vas va850 va500 va200 4. Komponen angin zonal m s -1 uas ua850 ua500 ua200 5. Ketinggian geopotensial m - zg850 zg500 zg200 6. Kelembaban spesifik ltr huss hus850 hus500 hus200 Data curah hujan bulanan meliputi stasiun: Losarang 6.41 LS, 108.15 BT, Indramayu 6.35 LS, 108.32 BT, Tulangkacang 6.36 LS, 107.01 BT , Sumurwatu 6.52 LS, 108.10 BT, dan Yuntinyuat 6.43 LS, 108.44 BT. Data diperoleh dari Badan Meteorologi dan Geofisika BMG dengan periode 1967- 2000. Metode Analisis Langkah awal dalam pengolahan data adalah mengkonversi format data GCM netCDF ke format text ASCII. Selanjutnya pada masing-masing peubah GCM dilakukan cropping grid dengan luasan 3x3, 8x8, dan 12x12. Lokasi grid yang diambil adalah ditengah-tengah lokasi penelitian, yaitu koodinat grid 3x3 : 4.66 LS- 8.39 LS, 106.87 BT– 110.64 BT; grid 8x8: 0.93 -13.99 LS, 101.12 21 BT - 114.38 BT; dan grid 12x12: 2.79 LU-17.72 LS, 97.50 BT – 118.125 BT Gambar 4.1. Proses mengkonversi format data GCM netCDF ke format text ASCII dan cropping grid GCM menggunakan piranti lunak Matlab 6.5 yang selengkapnya disajikan pada Lampiran 1. A B C Lokasi penelitian stasiun Gambar 4.1. Penentuan domain grid; 3x3 A, 8x8 B, dan 12x12 C. Langkah berikutnya adalah mendapatkan nilai besaran dari masing- masing peubah GCM yang mewakili setiap luasan grid. Terdapat 17 peubah penjelas GCM yang saling berkorelasi. Demikian juga antar grid pada masing- masing peubah, memungkinkan adanya korelasi. Adanya korelasi antar peubah penjelas akan mengakibatkan kasus multikolinearitas pada proses pemodelan, terutama model regresi SD. Untuk itu dilakukan reduksi dimensi secara serentak peubah GCM dan jumlah grid dengan menggunakan komponen utama. Reduksi dimensi dilakukan menurut ketinggian level, yaitu permukaan, 850 hPa, 500 hPa, dan 200 hPa. Pada setiap hasil reduksi per level diambil satu atau lebih kompo- nen utama dengan keragaman lebih dari 90. Berdasarkan analisis komponen utama diperoleh 4 - 5 komponen utama. Selanjutnya, untuk menduga fungsi hubungan antara peubah penjelas peubah GCM dan peubah respon digunakan regresi splines adaptif berganda RSAB. Untuk melihat keterandalan pemilihan domain digunakan: 1 root mean square error prediction RMSEP, yang dirumuskan: ∑ = − = p N i p i i N y y RMSEP 1 2 ˆ , 22 y i adalah nilai observasi, adalah nilai dugaan, N i yˆ p banyaknya data bebas yang digunakan untuk validasi model, 2 mean absolut error prediction MAEP, yang dirumuskan: p N i i i N y y MAEP p ˆ 1 ∑ = − = , dan 3 korelasi r antara data obser- vasi dan data hasil dugaan. Data yang digunakan untuk validasi model adalah data bebas sepanjang 12 bulan terakhir periode 1999-2000. Diagram alir metode analisis data selengkapnya disajikan pada Gambar 4.2. Data GCM: ƒ Ukuran grid: 3x3; 8x8;12x12 ƒ Ketinggian: permukaan, 850 hPa, 500 hPa, dan 200 hPa ƒ Peubah: prw, hus, ua, va, zg, dan slp Untuk setiap ukuran grid: Dilakukan reduksi dimensi secara serentak grid dan peubah GCM menurut ketinggian level dengan menggunakan komponen utama Untuk setiap ukuran grid: Mengambil satu atau lebih komponen utama yang representasi di setiap level ketinggian : PC L11 , PC L12 , …, PC L41 , PC L42 PC L11 : komponen utama pertama level 1 Untuk setiap ukuran grid: Y = f PC L11 , PC L12 , …, PC L41 , PC L42 Metode RSAB Data Curah hujan Hitung RMSEP, MAEP, dan korelasi pada masing-masing ukuran grid Pilih ukuran grid yang mempunyai nilai RMSEP dan MAEP kecil, serta korelasi yang tinggi antara nilai observasi dan hasil dugaan Ukuran grid yang dipakai Gambar 4.2. Diagram alir untuk menentukan luasan griddomain. 23

4.3 Hasil dan Pembahasan