earthquake and tsunami research

8/15/2019 Earthquake and Tsunami Research

1/170

Prosiding Seminar Tahunan Hasil-Hasil Penelitian dan Pengembangan Puslitbang BMKG Tahun 2012

1

APLIKASI MODEL CONF ORM AL CUBI C ATM OSPH ERIC M ODELUNTUK PRAKIRAAN CUACA JANGKA PENDEKMENGGUNAKAN MODEL OUTPUT STATISTIK

H astuadi H arsa, Suratno, Restu T resnawati, Wido Hanggoro, Sr i Noviati Pusat Penelitian dan Pengembangan BMKG

Jl. Angkasa I/No.2 Kemayoran, Jakarta 10720 – INDONESIA

ABSTRAK

Penelitian ini mengkaji aplikasi model Conformal Cubic Atmospheric Model (CCAM) untuk prakiraan cuaca jangka pendek menggunakan Model Output Statistik (MOS). Penelitian inimerupakan kelanjutan dari penelitian yang sama tahun 2011 dengan menitik beratkan perbaikan

persamaan yang telah dihasilkan tahun 2011. Data input yang digunakan sama dengan data input yang digunakan tahun 2011. Perbaikan persamaan dilakukan dengan menerapkan metode baru pada pengolahan data input untuk model statistika yang sama dengan model statistika yang digunakantahun 2011. Model statistika lain juga digunakan pada penelitian ini, di antaranya Projection Pursuit

Regression (PPR), Sliced Inversion Regression (SIR), Kernel Sliced Inversion Regression (kSIR), dan Regresi Logistik Ordinal (RLO). RLO digunakan untuk prediksi intensitas kejadian hujan. Hasil yangdidapat menunjukkan peningkatan performa MOS dibanding hasil yang didapat tahun 2011,ditunjukkan dengan kombinasi nilai korelasi dan Root Mean Square Error (RMSE).

ABSTRACT

This study examines the application of Conformal Cubic Atmospheric Model (CCAM) for short-termweather forecasts using Model Output Statistics (MOS). This study is a continuation of the same studyin 2011by focusing improvement of the equation that had been resulted in 2011. Input data are the

same input data used in 2011. Improvement of the equations are performed by applying new methodto the input data processing for statistical models similar to that used in 2011. Other statistical modelsused in this study are Pursuit Regression (PPR), Sliced Inversion Regression (SIR), Kernel RegressionSliced Inversion (kSIR), and Ordinal Logistic Regression (RLO). RLO is used to predict the intensityof rainfall events. The results showed improved performance compared to the results obtained in2011, indicated by the combination of correlation and Root Mean Square Error (RMSE) value.

PENDAHULUAN

Model Output Statistik (MOS) sangat bermanfaat untuk menghasilkan prakiraancuaca jangka pendek. MOS dihasilkan dari

pemodelan statistik antara data output model

numerik prediksi cuaca / Numerical Wether Prediction (NWP) dan data observasi. Modelstatistik yang digunakan pada kegiatan iniadalah Stepwise, Sliced Inversion Regression (SIR), Kernel Sliced Inversion Regression(kSIR), dan Regresi Logistik Ordinal.

Stepwise adalah metode regresi yang didalamnya terdapat proses pemilihan variabel

bebas. Variabel bebas yang dipilih olehStepwise dalam menghasilkan persamaanmemenuhi kriteria korelasi tertinggi dan

signifikan terhadap variabel tak bebas,sedangkan variabel bebas yang tidak memenuhisyarat tidak digunakan untuk menghasilkan

persamaan regresi. Model Stepwise telahdigunakan tahun 2011. Pada kegiatan tahun2012 Stepwise digunakan dengan modifikasi

pada pemakaian data input NWP.

Projection Pursuit Regression (PPR) adalah

metode regresi yang mereduksi dimensi peubahasal menjadi peubah baru berdimensi lebihkecil dari dimensi asal. Hal ini sama halnyadengan Principal Component Analysis (PPA),namun PPR menghasilkan model yang non-linier, sehingga proses pendugaan modelnyamenggunakan fungsi kernel atau spline. PPR

bersifat non parametrik, sehingga tidak ketatasumsi atau tidak memerlukan asumsi sepertihalnya pada model regresi parametrik. Selainitu PPR berbasis data driven, yang berartimodelnya mengikuti keadaan datanya. PPR

memiliki keuntungan dapat menduga lebih banyak kelas fungsi, dan memiliki kekurangandalam intrepetasi model.


2/170


2

Sliced Inverse Regression (SIR) merupakanmetode yang dapat diterapkan pula dalam

pereduksian dimensi pada data berdimensitinggi. Metode ini digunakan pada bidangstatistika multivariate. Metode SIR melakukan

pereduksian dimensi varibel penjelas tanpamelalui proses model-fitting, baik proses

parametrik maupun proses non-parametrik. Idedasar metode ini adalah meregresikan setiapvariabel penjelas terhadap variabel respon,sehingga masalah pada serangkaian regresisatu-dimensi dapat dikurangi.

Metode Kernel Sliced Regression (kSIR)merupakan metode yang digunakan untuk

pereduksian dimensi (sama seperti halnyametode SIR). Dalam penggunaannya, metodekSIR melakukan proses transformasi pada datasehingga hasil transformasi data lebih simetrisdan mengikuti sebaran Gaussian. Setelah dataditransformasi, metode SIR diterapkan padadata tersebut. Dengan kata lain, metode kSIRmerupakan perluasan metode SIR yangmenggunakan algoritma non-linier danmerupakan metode yang powerful untukmenyelesaikan permasalahan pengklasifikasian.

Tujuan kegiatan ini di antaranya adalahmenerapkan teknik baru untuk mendapatkan

persamaan pada model Stepwise yang

digunakan pada tahun 2011, menggunakanmodel PPR untuk prediktor sama dengan prediktan, menggunakan model SIR dan kSIRuntuk 20 prediktor pada prediktan sama dengan

prediktan PPR, dan menggunakan RLO untuk prediktan kejadian hujan.

METODE PENELITIAN

Penerapan MOS tahun 2011 dan 2012 memilikikesamaan antara lain pada rentang data output

NWP dan data observasi, yaitu dari Januari

2009 sampai dengan Desember 2010.Parameter prediktan dan prediktor sama untuk

penerapan MOS statistik Stepwise dan PPRteknik 1, yaitu T MAX , T MIN , dan RH. Area dataoutput NWP yang digunakan tahun 2012 samadengan tahun 2011 yaitu Jawa. Data observasistasiun pengamatan BMKG sama dengan dataobservasi tahun 2011, yaitu Jabodetabek.Metode ekstraksi data di grid NWP samadengan ekstraksi data tahun 2011, yaitumenggunakan 9 titik ketetanggaan.

Beberapa perbedaan dalam penerapan MOStahun 2011 dan 2012 di antaranya adalah pada

penggunaan model PPR dan RLO, di antara

delapan lokasi pemodelan, hanya digunakanempat lokasi yaitu Cengkareng, Curug, MaritimTanjung Priok, dan Dermaga. Jumlah prediktor

pada penerapan model PPR teknik 2 dan RLOlebih banyak, sebagaimana ditunjukkan padatabel 1.

Tabel 1. Variabel NWP Aplikasi CCAM yangDigunakan

Langkah pertama penerapan MOS pada data NWP CCAM adalah dengan mengubah formatfile output NWP yang bertipe NetCDF menjadi

bentuk teks. File teks yang didapat dibuat

dalam bentuk tabel, dengan kolom menyatakan parameter dan baris menyatakan tanggal.Dengan bentuk tabel tersebut, data numerik didalam file dapat langsung diolah menggunakanaplikasi statistik seperti Excel, SPSS, maupunMinitab. Aplikasi statistik sebagaimanadisebutkan sebelumnya, memiliki fungsi-fungsistandar yang diperlukan sebagai bahan untukmenerapkan teknik pemodelan statistik yangdigunakan. Pada intinya, persamaan akhir yangdihasilkan oleh model statitistik merupakanteknik modifikasi algoritmik dengan bahan

acuan hasil nilai statistika yang dihasilkan olehaplikasi statistik.

Dari hasil yang didapat tahun 2011, modelstatistik yang tetap digunakan adalah Stepwise.Pertimbangan penggunaan model statistik iniadalah hasil vektor Root Mean Squared Error (RMSE) dan korelasi Stepwise memberikannilai yang lebih dekat ke titik acuankesempurnaan model (nilai korelasi 1 dan nilaiRMSE 0). Pada kegiatan tahun 2012 ini, modelStepwise digunakan dengan menerapkan teknikyang berbeda dengan teknik yang digunakan

pada tahun 2011. Pada tahun 2011, persamaanyang didapat berasal dari jam ke 25 model

No N ama Variabe l Le ve l

1 Surface Pressure Tendency (dpsdt) Permukaan2 Water Mixing Ratio (mixr) 1, 2, 43 Vertical Velocity (omega) 1, 2, 44 PBL depth (pblh) Permukaan5 Surface Pressure (ps) Permukaan6 Mean Sea Level Pressure (psl) Permukaan7 Screen Mixing Ratio (qgscrn) Permukaan8 Relative Humidity (rh) 1, 2, 49 Precipitation (rnd) Permukaan

10 Temperature 1, 2, 411 Maximum Sc reen Tempera ture (tmaxcr) Permukaa n12 Minimum Screen Temperature (tmincr) Permukaan13 Pan Temperature (tpan) Permukaan14 Screen Temperature (tscrn) Permukaan15 Zonal Wind (u) 1, 2, 416 Friction Velocity (ustar) Permukaan17 Meridional Wind (v) 1, 2, 418 Geopotential Height (zg) 1, 2, 4


3/170


4/170


5/170


5

dapat dikatakan bahwa model tahun 2012mengalami penurunan performa dibandingmodel model tahun 2011. Hasil lengkap

performa model ditunjukkan pada tabel 4. Pada

tabel tersebut warna hijau menunjukkan peningkatan performa model, dan warna merahmenunjukkan penurunan performa model.

Tabel 2.a. Persamaan Stepwise 2012 Lokasi Kemayoran

Tabel 2.b. Persamaan Stepwise 2012 Lokasi Maritim Tanjung Priok

Tabel 2.c. Persamaan Stepwise 2012 Lokasi Cengkareng

Tabel 2.d . Persamaan Stepwise 2012 Lokasi Pondok Betung

KEMAYORAN

Parameter T Persamaan25 Y=8.591+0.793*X949 Y=12.594+0.666*X973 Y=14.469+1.121*X9-0.517*X525 Y=15.295+0.427*X349 Y=14.306+0.468*X373 Y=18.509+0.292*X325 Y=38.091+1.826*X3-1.320*X649 Y=27.551+0.625*X373 Y=39.634+1.489*X3-1.005*X5

Tmax

Tmin

RH

MARITIM TANJUNG PRIOKParameter T Persamaan

25 Y=11.616+0.376*X3+0.310*X649 Y=15.283+0.949*X6-0.378*X473 Y=17.812+1.615*X6-1.132*X525 Y=16.314+1.130*X3-0.941*X2+0.200*X849 Y=17.023+0.374*X373 Y=19.853+0.613*X3-0.359*X425 Y=28.272+0.322*X3+0.284*X749 Y=24.492+0.659*X973 Y=33.674+1.344*X6-0.808*X4

Tmax

Tmin

RH

CENGKARENGParameter T Persamaan

25 Y=9.163+0.760*X649 Y=9.021+0.512*X8+0.264*X373 Y=16.705+0.290*X6+0.224*X925 Y=16.787+0.912*X6-0.610*X149 Y=13.268+0.741*X6-0.286*X173 Y=17.122+0.681*X6-0.390*X125 Y=49.892+1.966*X1-1.565*X449 Y=39.145+0.527*X973 Y=40.263+0.509*X9

RH

Tmax

Tmin

PONDOK BETUNGParameter T Persamaan

25 Y=9.702+0.779X549 Y=13.248+1.103*X3-0.440*X573 Y=17.932+0.505*X425 Y=15.749+0.357*X249 Y=10.575+0.575*X573 Y=11.959+0.511*X325 Y=24.126+0.713*X449 Y=18.796+0.784*X473 Y=21.724+1.418*X6-0.675*X2

Tmax

Tmin

RH


6/170


6

Tabel 2.e. Persamaan Stepwise 2012 Lokasi Curug

Tabel 2.f. Persamaan Stepwise 2012 Lokasi Tangerang

Tabel 2.g. Persamaan Stepwise 2012 Lokasi Citeko

Tabel 2.h. Persamaan Stepwise 2012 Lokasi Dramaga

Merujuk pada warna yang terdapat pada seltabel 4. maka penggunaan persamaan yangtepat dapat dilakukan, yaitu apakah tetapmenggunakan persamaan yang dihasilkan padakegiatan tahun 2011 atau menggunakan

persamaan baru yang dihasilkan pada kegiatantahun 2012.

Pada hasil model PPR dengan prediktor samadengan prediktan, reduksi dimensi grid NWPdengan metode projection pursuit. Penentuan

banyak fungsi (m) berdasarkan optimalisasi

simulasi, diambil m=1,2,3,4, dan 5, dengankriteria RMSEP dan MAPE. Tabel 5.menunjukkan bahwa secara umum banyakfungsi dalam model berbanding lurus dengannilai RMSEP. Semakin banyak fungsi dalammodel akan menaikkan nilai RMSEP danMAPE. Sebagian besar jumlah fungsi (m)adalah 1 sudah mencapai model yang optimum.

Sebagai ilustrasi pada Stasiun Tanjung Priok,model MOS untuk T MIN mencapai RMSEPminimum pada m=1, yaitu sebesar 0.791, untuk

CURUGParameter T Persamaan

25 Y=8.618+0.793*X349 Y=13.517+1.864*X3-1.231*X673 Y=14.550+0.590*X125 Y=13.068+2.042*X7-3.423*X8+1.831*X949 Y=9.904+1.800*X7-1.996*X8+0.774*X6

73 Y=10.709-1.320*X1+2.510*X4-0.994*X8+0.346*X325 Y=38.454+0.557*X349 Y=31.885+0.632*X673 Y=35.951+0.571*X1

RH

Tmax

Tmin

TANGERANGParameter T Persamaan

25 Y=8.688+0.464*X3+0.331*X949 Y=12.563+0.805*X3-2.571*X5+1.182*X9+1.257*X173 Y=19.125+1.152*X9-1.145*X8+0.440*X125 Y=14.206+0.412*X349 Y=12.068+0.506*X873 Y=15.850+0.340*X325 Y=39.993+1.344*X2-0.822*X649 Y=34.619+0.582*X273 Y=39.004+0.524*X3

Tmax

Tmin

RH

CITEKOParameter T Persamaan

25 Y=5.018+0.724*X249 Y=8.938+1.169*X2-0.568*X773 Y=12.042+0.466*X925 Y=6.489-1.109*X5+1.223*X8+0.398*X149 Y=0.982+0.744X773 Y=1.360+0.725*X725 Y=20.411+1.245*X9-0.124*X3+2.979*X2-2.114*X549 Y=24.190+0.728*X173 Y=26.697+3.292*X2-1.676*X3-1.451*X1+0.553*X9

RH

Tmax

Tmin

DARMAGAParameter T Persamaan

25 Y=6.568+0.906*X3-0.423*X2+0.415*X749 Y=9.217+0.813*X373 Y=16.397+2.933*X9-2.796*X8+1.146*X3-2.579*X6+2.436*X5-0.610*X225 Y=12.002+0.462*X149 Y=5.673+0.797*X8+0.616*X3-0.658*X573 Y=7.814+0.387*X1+0.244*X825 Y=47.633+1.700*X5-0.547*X1-1.425*X8+0.782*X749 Y=41.093+0.593*X9-0.831*X1+0.807*X273 Y=47.891+0.562*X9-0.664*X1+0.576*X2

Tmax

Tmin

RH


7/170


8/170


8

RMSEP yang dihasilkan oleh MOS, maka nilai prediksi out-sample MOS tersebut semakinmendekati nilai observasi. Nilai RMSEP MOSstepwise dari masing-masing hasil reduksidimensi ditunjukkan pada Tabel 10. Tabel 10menjelaskan bahwa pada umumnya semuaMOS yang dibentuk memiliki nilai RMSEPyang lebih kecil jika dibandingkan dengan

NWP. Hal ini menunjukkan bahwa MOSterbukti dapat mengurangi bias yang dihasilkanoleh NWP. Nilai yang dicetak tebal pada tabeltersebut adalah nilai RMSEP terkecil yangdihasilkan oleh model untuk masing-masingrespon di setiap stasiun. MOS yang dibentukdengan regresi stepwise menggunakan hasilreduksi dimensi PCA menghasilkan nilaiRMSEP terkecil untuk variabel respontemperatur maksimum (T MAX) pada StasiunTanjung Priok, Cengkareng, dan Darmaga.MOS ini juga menghasilkan nilai RMSEPterkecil untuk variabel respon kelembapanrelatif (RH) pada Stasiun Curug dan Darmaga.Selain itu, MOS yang dibentuk dengan regresistepwise menggunakan hasil reduksi dimensiSIR menghasilkan nilai RMSEP terkecil untukvariabel respon tempetratur minimum (T MIN )

pada semua lokasi penelitian; untuk variabelrespon temperatur maksimum (T MAX) padaStasiun Curug; serta untuk variabel respon

kelembapan relatif pada Stasiun Tanjung Priok.Sementara itu, MOS yang dibentuk denganregresi stepwise menggunakan hasil reduksikSIR hanya menghasilkan nilai RMSEPterkecil untuk variabel respon RH pada StasiunCengkareng. Hal ini disebabkan karena kSIRmerupakan metode reduksi dimensi nonlinearsehingga kemungkinan apabila dimodelkandengan model nonlinear akan memberikan hasilyang lebih baik.

Pada hasil model regresi Logistik Ordinal untuk prediktan kejadian hujan, berdasarkan proses pemodelan regresi logistik ordinal melalui pengujian secara serentak dan pengujian secara parsial, model logit kumulatif yang sesuaiditunjukkan pada Tabel 11.

Hasil ketepatan klasifikasi di seluruh stasiun pengamatan berada diantara 70% - 88%,selengkapanya ditunjukkan pada Tabel 12.Hasil ketepatan klasifikasi kejadian hujanterbesar adalah pada stasiun pengamatanTangerang yaitu sebesar 88% dengan nilaiAPER adalah sebesar 12%. Ketepatanklasifikasi terkecil adalah pada stasiun

pengamatan Curug yaitu sebesar 70% dengannilai APER sebesar 30%.


9/170


9

Tabel 3. Hasil perbandingan performa model kegiatan MOS 2012

TMAX TMIN RH TMAX TMIN RH TMAX TMIN RH

Verifikasi 1.464 0.928 5.722 0.418 0.294 0.385 0.061 -0.203 0.235Validasi 1.268 0.732 4.919 0.318 0.297 0.142 0.089 -0.254 0.228

Verifikasi 1.513 0.929 5.906 0.321 0.293 0.329 0.070 -0.205 0.332Validasi 1.325 0.738 4.559 0.231 0.262 0.089 -0.181 -0.254 - 0.234

Verifikasi 1.532 0.944 6.863 0.286 0.240 0.229 -0.010 -0.309 0.480Validasi 1.202 0.755 6.357 0.251 0.166 -0.072 -0.464 -0.141 0.408


Verifikasi 1.399 0.979 5.449 0.335 0.197 0.360 0.011 -0.239 0.289Validasi 1.291 0.900 4.920 0.233 0.136 -0.265 -0.179 -0.452 0.490

Verifikasi 33.607 0.991 7.575 0.242 0.135 0.191 31.966 -0.261 - 0.059Validasi 33.965 0.849 6.880 0.142 0.273 -0.111 32.283 -0.470 -0.100

Verifikasi 1.367 0.809 5.322 0.414 0.318 0.319 0.076 -0.182 0.187Validasi 1.137 0.729 6.467 0.398 -0.090 0.088 0.051 -0.614 0.459

Verifikasi 1.464 0.841 5.306 0.272 0.230 0.295 0.052 -0.224 0.140Validasi 1.500 0.722 5.579 0.260 0.023 -0.047 -0.274 -0.843 -0.316

Verifikasi 1.465 0.845 7.355 0.199 0.183 0.086 -0.022 -0.309 0.438Validasi 1.239 0.702 8.757 0.133 0.066 -0.038 -0.365 -0.790 -0.237


Verifikasi 1.623 0.986 6.772 0.252 0.241 0.336 0.051 -0.237 0.309Validasi 1.638 0.714 5.518 0.147 0.275 -0.094 0.012 -0.406 0.792

Verifikasi 1.654 1.006 9.260 0.157 0.172 0.217 -0.043 -0.213 0.856Validasi 1.505 0.675 7.030 -0.138 0.388 0.117 0.056 -0.396 0.466

Verifikasi 1.507 0.833 5.883 0.409 0.404 0.326 0.076 -0.086 0.261Validasi 1.325 0.633 6.047 0.455 0.022 0.140 -0.235 -0.554 0.419


Verifikasi 1.637 0.861 7.711 0.180 0.327 0.162 0.038 -0.153 0.667Validasi 1.739 0.777 8.415 - 0.301 0.014 - 0.188 0.155 -0.492 1.709

Verifikasi 1.453 1.192 5.570 0.392 0.215 0.347 0.047 -0.225 0.184Validasi 1.266 1.016 5.109 0.364 0.036 0.267 0.089 -0.386 -0.153

Verifikasi 1.517 1.233 5.697 0.287 0.099 0.303 -0.006 -0.201 0.124Validasi 1.480 1.032 5.332 0.259 -0.043 -0.038 -0.206 -0.417 0.562

Verifikasi 1.537 1.223 7.292 0.199 0.087 0.145 -0.075 -0.279 0.149Validasi 1.422 1.012 7.516 -0.091 0.063 0.064 -0.054 -0.390 0.843

Verifikasi 1.416 0.772 82.176 0.437 0.419 0.361 0.031 -0.041 75.622Validasi 1.607 0.585 78.189 0.085 0.228 0.024 -0.022 -0.395 72.077

Verifikasi 1.582 0.776 7.398 0.185 0.425 0.274 0.084 0.007 0.619Validasi 1.684 0.561 6.681 0.160 0.273 -0.103 -0.142 -0.535 0.525


Verifikasi 1.391 0.891 5.175 0.483 0.329 0.421 0.100 -0.139 -0.037Validasi 1.489 0.674 5.331 0.332 0.096 0.151 0.038 -0.335 0.382

Verifikasi 4.312 0.905 5.481 0.085 0.302 0.327 2.734 -0.105 0.139Validasi 3.294 0.670 5.806 0.213 0.084 -0.138 1.344 -0.314 0.537

Verifikasi 1.556 0.900 6.924 0.224 0.310 0.180 -0.035 -0.156 0.998Validasi 1.425 0.685 6.593 0.181 0.083 -0.087 -0.401 -0.421 0.472

Dermaga

49

73

97

Tangerang

49

73

97

Citeko

49

73

97

Pondok Betung

49

73

97

Curug

49

73

97

Maritim Tanjung Priok

49

73

97

Cengkareng

49

73

97

Kemayoran

49

73

97

Stasiun Timestep JenisRMSE Korelasi Performa

NaikTurun


10/170


10

Tabel 4. Nilai RMSEP dan MAPE menurut Banyaknya Fungsi di Tiap Stasiun

Keterangan: angka yang dibold menunjukkan nilai RMSEP dan MAPE terkecil menurutunsur cuaca

1 2 3 4 5

RMSEP 0.738 0.724 0.817 0.749 0.767

MAPE 2.196 2.203 2.345 2.272 2.133

RMSEP 1.067 1.089 1.089 1.206 1.252MAPE 2.763 2.839 2.735 3.114 3.151

RMSEP 6.072 5.99 6.202 6.122 6.053

MAPE 5.887 6.024 6.105 6.024 5.991

RMSEP 0.791 0.819 0.907 0.912 0.877

MAPE 2.435 2.508 2.783 2.716 2.737

RMSEP 1.169 1.145 1.062 1.185 1.884

MAPE 2.808 2.637 2.525 2.796 2.952

RMSEP 4.982 5.072 5.262 5.688 6.063

MAPE 5.336 5.296 5.506 6.049 6.201

RMSEP 0.7 0.785 0.843 0.811 0.976

MAPE 2.204 2.381 2.631 2.613 2.768

RMSEP 1.058 1.075 1.102 1.118 1.116

MAPE 2.522 2 .511 2.664 2.788 2.75

RMSEP 6.607 7.04 7.346 6.868 6.684

MAPE 7.099 7.545 7.816 7.313 7.069

RMSEP 0.728 0.745 0.875 0.938 0.935

MAPE 2.48 2.563 2.934 3.201 3.241

RMSEP 1.029 1.093 1.149 1.149 1.227MAPE 2.803 2.743 2.876 2.995 3.081

RMSEP 4.897 5.784 6.029 6.159 6.392

MAPE 4.623 5.548 5.629 5.824 6.252

TMIN

TMAX

RH

RH

Tanjung Priok

Cengkareng

Darmaga

TMIN

TMAX

RH

TMIN

TMAX

RH

Unsur Cuaca Kriteria Keakuratan ModelBanyak Fungsi

Curug

TMIN

TMAX


11/170


11

Tabel 5. Matriks αkm yang memproyeksikan X k untuk T MIN , T MAX , dan RH

Tabel 6. Model MOS di Tiap StasiunUnsur Cuaca Banyak Fungsi

TMIN 2

TMAX 1

RH 2

TMIN 1

TMAX 3

RH 1

TMIN 1

TMAX 1

RH 1

TMIN 1

TMAX 1

RH 1

Model P PR

Curug

Tanjung Priok

Cengkareng

Darmaga

n

k k X k f

n

k k X k f y 1 21

18.01 11

59.033.23ˆ

n

k k X k f y 1 11

17.16.31ˆ

n

k k X k f

n

k k X k f y 1 21

65.01 11

09.422.81ˆ

n

k k k n

k k k n

k k k X f X f X f y

1 31 21 1 326.0225.0106.127.35

ˆ

n

k k k X f y

1 1153.085.25

ˆ

n

k k k X f y

1 11933.368.75

ˆ

n

k k X k f y 1 11

39.012.24ˆ

n

k k X k f y 1 11

07.103.32ˆ

nk k

X k f y 1 1154.377.78

ˆ

n

k k X k f y 1 11

5172.22ˆ

n

k k X k f y 1 11

18.174.31ˆ

n

k k X k f y 1 11

08.478.83ˆ


12/170


12

Tabel 7. Nilai RMSEP NWP , RMSEP MOS , dan %IM

Tabel 8. MOS Stepwise PCA, SIR dan kSIR di Stasiun Tanjung PriokMOS Stepwise PCA

T MAX = 10,95 – 0,153 PC _tmaxscrn – 0,019 PC _u level 4 + 0,031 PC_ v level4 + 0,221 PC2 _zg level1 + 0,0049 PC1 _rnd +0,144 PC2 _tmincr + 0,042 PC_ tpan

T MIN = -47,87 – 0,0672 PC_ tmaxscrn + 0,284_PC2 tminscrn – 0,99 PC _ustar – 0,0078 PC_ u level4 - 49 PC_ qgscrn +0,036 PC_ v level1 + 0,11 PC_ zg level2

RH = 90,97 + 0,673 PC_ tmaxscrn – 318 PC _mixr level1 + 0,123 PC_ u level 4 – 0,75 PC2 _tmincr + 0,4 PC _temperaturlevel4 – 0,032 PC _ rh_level2 – 0,092 PC _u level2

MOS Stepwise SIR T MAX = 10,58 – 1,145 EDR _tmaxscrn + 0,93 EDR_ temperatur level2 + 1,44 EDR _u level4 + 0,66 EDR_ u level2 + 1,51

EDR_ tscrn

T MIN = 9,413 – 1,58 EDR _tmaxscrn – 0,75 EDR_ tminscrn – 884 EDR _mixr level1 + 1,42 EDR_ u level4 + 1,25

EDR_ temperature level2 RH = 111,5 + 5,34 EDR_ tmaxscrn – 1857 EDR_ mixr level2 – 6 EDR_ u level4 – 4 EDR_ u level2 – 55EDR2_ temperatur level4 + 2283 EDR_ mixr level1 – 0,201 EDR_ rnd

MOS Stepwise kSIR T MAX = 31,73 – 0,37 EDR _tmaxscrn + 0,265 EDR _zg level4 – 0,294 EDR_ tpan + 0,121 EDR_ u level4 + 0,075

EDR _rh level1 – 0,157 EDR_ v level4 – 0,116 EDR _temperatur level1 + 0,053 EDR _rh level2 – 0,093 EDR _ulevel2 – 0,139 EDR _v level2 + 0,00002 EDR_ omg level4 + 0,022 EDR_ temperatur level2

T MIN = 25,81 + 0,099 EDR_ u level2 – 0,058 EDR_ rh level4 + 0,075 EDR_ u level4 – 0,131 EDR_ tmaxscrn + 0,038EDR_ dpsdt + 0,1 EDR_ zg level4 + 0,038 EDR_ rh level2 + 0,07 EDR_ v level2 – 0,045 EDR_ tmincr +0,096 EDR_ u level1 – 0,046 EDR _rnd – 0,059 EDR_ ps level1 + 0,041 EDR_ rh level1 – 0,065EDR_ temperatur level1 – 0,083 EDR_ u level1 + 0,029 EDR_ pblh – 0,1 EDR_ tpan

RH = 75,5 + 0,279 EDR_ rh level1 – 0,51 EDR_ u level4 + 1,24 EDR_ tpan – 0,82 EDR_ u level1 – 1,86EDR_ tmaxscrn – 0,43 EDR_ temperatur level1 + 0,72 EDR_ v le vel4 – 0,25 EDR_ rh level4 – 0,237 EDR_ rhlevel2 – 0,84 EDR_ zg level4 – 0,36 EDR_ v level1 – 0,073 EDR_ temperatur level2 – 0,28 EDR_ ps + 0,14EDR_ dpsdt

Stas iun Pengamatan Unsur Cuaca RMSEP NWP RMSEPMOS %IM

TMIN 7.64 0.79 86.09

TMAX 2.59 2.62 59.14

RH 5.54 4.88 5.09

TMIN 1 0.72 26.41

TMAX 2.68 1.06 60.29

RH 6.51 5.99 6.79

TMIN 1.16 0.7 39.95

TMAX 2.45 1.05 56.99

RH 6.88 6.6 3.98

TMIN 1.23 0.72 42.18

TMAX 2.07 1.09 50.27

RH 11.51 4.89 57.47

Maritim Tanjung Priok

Curug

Cengkareng

Darmaga


13/170


13

Stasiun Tanjung Priok

Stasiun Curug

Stasiun Cengkareng

Stasiun Darmaga

Gambar 3. Plot antara Observasi dan Ramalan per Unsur Cuaca (Suhu Minimum, Suhu Maksimum, dankelembaban) di Stasiun: a. Tanjung Priok, b. Curug, c. Cengkareng, d. Darmaga


14/170


15/170


15

Tabel 10. Hasil MOS Kejadian Hujan di Tiap StasiunModel MOS

Tanjung PriokLogit 1 = i x i 1P Y = -2.655 – 0.147 Z_tmaxscr + 0.274 Z_tpan_2 – 0.19 Z_v level4Logit 2 = i x i 2P Y =1.565 – 0.147 Z_tmaxscr + 0.274 Z_tpan_2 – 0.19 Z_v level4Logit 3 = i x i 3P Y = 3.077 – 0.147 Z_tmaxscr + 0.274 Z_tpan_2 – 0.19 Z_v level4Logit 4 = i x i 4P Y = 6.028 – 0.147 Z_tmaxscr + 0.274 Z_tpan_2 – 0.19 Z_v level4

KemayoranLogit 1= i i x 1P Y = -1.687 - 0.009 Z_omega level2 - 139.712 Z_ps + 136.364 Zpsl – 0.06 Z_rnd + 0.073Z_u level4 - 0.047 Z_ustar - 0.154 Z_v level1 + 0.175 Z_v level2 - 0.308 Z_zg level1_2Logit 2 = i i x 2P Y = 1.832 - 0.009 Z_omega level2 - 139.712 Z_ps + 136.364 Zpsl – 0.06 Z_rnd + 0.073Z_u level4 - 0.047 Z_ustar - 0.154 Z_v level1 + 0.175 Z_v level2 - 0.308 Z_zg level1_2 Logit 3 = i i x 3P Y = 3.235 - 0.009 Z_omega level2 - 139.712 Z_ps + 136.364 Zpsl – 0.06 Z_rnd + 0.073Z_u level4 - 0.047 Z_ustar - 0.154 Z_v level1 + 0.175 Z_v level2 - 0.308 Z_zg level1_2 Logit 4 = i i x 4P Y = 4.911 - 0.009 Z_omega level2 - 139.712 Z_ps + 136.364 Zpsl – 0.06 Z_rnd + 0.073Z_u level4 - 0.047 Z_ustar - 0.154 Z_v level1 + 0.175 Z_v level2 - 0.308 Z_zg level1_2

CengkarengLogit 1= i i x 1P Y = -2.328 – 0.172 Z_mixr lev2 + 0.083 Z_rh_level2 + 0.078 Z_tpan – 0.106 Z_u level1+ 0.137 Z_u level2 – 0.15 Z_v lev1 + 0.264 Z_v lev2 – 0.269 Z_v level4 – 0.37 Z_zglev 1_2Logit 2= i i x 2P Y = 1.435 – 0.172 Z_mixr lev2 + 0.083 Z_rh_level2 + 0.078 Z_tpan – 0.106 Z_u level1 +0.137 Z_u level2 – 0.15 Z_v lev1 + 0.264 Z_v lev2 – 0.269 Z_v level4 – 0.37 Z_zglev 1_2 Logit 3= i i x 3P Y = 3.134 – 0.172 Z_mixr lev2 + 0.083 Z_rh_level2 + 0.078 Z_tpan – 0.106 Z_u level1 +0.137 Z_u level2 – 0.15 Z_v lev1 + 0.264 Z_v lev2 – 0.269 Z_v level4 – 0.37 Z_zglev 1_2 Logit 4= i i x 4P Y = 5.267 – 0.172 Z_mixr lev2 + 0.083 Z_rh_level2 + 0.078 Z_tpan – 0.106 Z_u level1 +0.137 Z_u level2 – 0.15 Z_v lev1 + 0.264 Z_v lev2 – 0.269 Z_v level4 – 0.37 Z_zglev 1_2

Pondok Betung*)Logit 1= i i x 1P Y = -2.76 – 0.019 Z_qgscrn – 0.04 Z_rh level1 + 0.123 Z_temp level2 – 0.086 Z_tmaxscr+ 0.189 Z_tpanLogit 2= i i x 2P Y = 1.456 – 0.019 Z_qgscrn – 0.04 Z_rh level1 + 0.123 Z_temp level2 – 0.086 Z_tmaxscr+ 0.189 Z_tpanLogit 3= i i x 3P Y = 2.918 – 0.019 Z_qgscrn – 0.04 Z_rh level1 + 0.123 Z_temp level2 – 0.086 Z_tmaxscr+ 0.189 Z_tpanLogit 4= i i x 4P Y = 4.356 – 0.019 Z_qgscrn – 0.04 Z_rh level1 + 0.123 Z_temp level2 – 0.086 Z_tmaxscr+ 0.189 Z_tpan

CurugLogit 1= i i x 1P Y = -1.422 + 0.024 Z_mixr_level1 + 0.031 Z_pblh – 0.062 Z_rh level1 - 0.1 Z_tmax +

0.221 Z_u level1 - 0.25 Z_u level 4 - 0.121 Z_v level4 Logit 2 = i i x 2P Y =1.574 + 0.024 Z_mixr_level1 + 0.031 Z_pblh – 0.062 Z_rh level1 - 0.1 Z_tmax + 0.221Z_u level1 - 0.25 Z_u level 4 - 0.121 Z_v level4 Logit 3 = i i x 3P Y = 3.564 + 0.024 Z_mixr_level1 + 0.031 Z_pblh – 0.062 Z_rh level1 - 0.1 Z_tmax +0.221 Z_u level1 - 0.25 Z_u level 4 - 0.121 Z_v level4

TangerangLogit 1 = i i x 1P Y = -3.391 + 0.372 Z_zg level1_2

Logit 2 = i i x 2P Y = 1.426 + 0.372 Z_zg level1_2

Logit 3 = i i x 3P Y = 3.151 + 0.372 Z_zg level1_2


16/170


16

CitekoLogit 1 = i i x 1P Y = -2.305 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 – 0.299 Z_omega level2_2 – 0.124Z_tmaxscr + 0.12 Z_tpan + 0.15 Z_ustar_2 – 0.121 Z_v level4 + 0.052 Z zg level1_1 Logit 2 = i i x 2P Y = 1.304 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 – 0.299 Z_omega level2_2 – 0.124Z_tmaxscr + 0.12 Z_tpan + 0.15 Z_ustar_2 – 0.121 Z_v level4 + 0.052 Z zg level1_1 Logit 3 = i i x 3P Y = 3.197 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 – 0.299 Z_omega level2_2 – 0.124Z_tmaxscr + 0.12 Z_tpan + 0.15 Z_ustar_2 – 0.121 Z_v level4 + 0.052 Z zg level1_1 Logit 4 = i i x 4P Y =5.731 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 – 0.299 Z_omega level2_2 – 0.124Z_tmaxscr + 0.12 Z_tpan + 0.15 Z_ustar_2 – 0.121 Z_v level4 + 0.052 Z zg level1_1

DarmagaLogit 1 = i i x 1P Y = -1.685 + 0.272 Z_ omega level1_2 – 0.292 Z_omega level2_2 - 0.064 Z_tmaxscr +0.122 Z_v level1_2 Logit 2 = i i x 2P Y = 1.079 + 0.272 Z_ omega level1_2 – 0.292 Z_omega level2_2 - 0.064 Z_tmaxscr +0.122 Z_v level1_2 Logit 3 = i i x 3P Y = 2.877 + 0.272 Z_ omega level1_2 – 0.292 Z_omega level2_2 - 0.064 Z_tmaxscr +0.122 Z_v level1_2 Logit 4 = i i x 4P Y = 5.129 + 0.272 Z_ omega level1_2 – 0.292 Z_omega level2_2 - 0.064 Z_tmaxscr +

0.122 Z_v level1_2 *) model signifikan pada α = 0.2

Tabel 11. Ketepatan Klasifikasi dan Nilai APER di Wilayah Penelitian

KESIMPULAN

Stepwise Menggunakan Teknik PenyediaanInput Baru

Padapenggunaan model Stepwise dengan cara baru dalam penyediaan data input dapatmeningkatkan performa output model.

Indikator keberhasilan adalah penurunan jarak Euclidean terhadap titik acuan kesempurnaanmodel. Dari 144 variabel yang diamati, terdapat73 variabel yang mengalami peningkatan

performa dibanding tahun 2011. Untuk kegiatanselanjutnya, digunakan persamaan yang terbaikdi antara tahun 2011 dan 2012, yaitu apabila

pada tahun 2011 parameter yang bersangkutanmemiliki performa lebih baik, maka hasil

persamaan di tahun tersebut yang digunakan.Demikian pula sebaliknya, apabila pada tahun2012 parameter yang bersangkutan memiliki

performa lebih baik, maka hasil persamaan ditahun 2012 yang digunakan.

Projection PursuitHasil validasi model MOS menunjukkankekonsistenan bahwa semakin banyak fungsi(m) dalam model PPR akan menaikkan nilaiRMSEP dan MAPE. Model terbaik dipilih

berdasarkan model dengan banyak fungsi yangmemiliki nilai RMSEP terkecil. Nilai RMSEP

dari model MOS secara konsisten lebih kecildari model NWP untuk semua unsur cuaca diempat stasiun pengamatan. Hasil peramalanyang diperoleh dari model MOS terbukti lebihakurat dibandingkan model NWP. Nilai %IMmencapai 86%, berarti model MOS dapatmengkoreksi bias mencapai 86%.

Kejadian HujanSebagian besar komponen utama yangterbentuk dari setiap variabel NWP adalahsebanyak satu komponen. Hasil ketepatanklasifikasi kejadian hujan terbesar adalah padastasiun pengamatan Tangerang yaitu sebesar88% sehingga nilai APER adalah sebesar 12%.

Stasiun Pengamatan Ketepatan Klasifikasi APER

Tanjung Priok 79% 21%

Kemayoran 74% 26%

Cengkareng 81% 19%

Pondok Betung 80% 20%

Curug 70% 30%

Tangerang 88% 12%

Citeko 73% 27%

Darmaga 83% 17%


17/170


17

Ketepatan klasifikasi terkecil adalah padastasiun pengamatan Curug yaitu sebesar 70%dengan nilai APER sebesar 30%. Secarakeseluruhan ketepatan klasifikasi di seluruhstasiun pengamatan berada diantara 70% - 88%,sehingga dapat dikatakan bahwa model MOSmenghasilkan ketepatan yang cukup baik untukklasifikasi kejadian hujan.

Pemodelan MOS dengan SIR dan kSIRKetiga metode reduksi dimensi yang digunakanmenghasilkan keragaman variabel baru pertamayang cukup baik. Namun dari ketiga metodereduksi dimensi tersebut, metode kSIRmenghasilkan variabel baru dengan keragamanyang terbesar.

MOS regresi stepwise dari hasil reduksidimensi dengan ketiga metode tersebut padaumumnya menghasilkan RMSEP yang lebihkecil jika dibandingkan dengan RMSEP output

NWP. Jika ditinjau dari mean RMSEP terkecil,model terbaik untuk respon T MAX dan RH adalahMOS stepwise PCA sedangkan untuk responTMIN , model terbaik adalah MOS stepwise SIR.

DAFTAR PUSTAKA

Friedman, Jerome H. & Stuetzle, Werner. 1981.Projection Pursuit Regression.

Journal of The American Statistical Association 376: 817-823.

Li, Ker Chau (1991), “Sliced InverseRegression for DimensionalReduction”, Journal of the

American Statistical Association .Vol. 86. No. 414 (Jun, 1991), pp316-327.

Li, Xing-Zhu dan Kai, Tai-Fang. (1996),“Asymptotics for Kernel Estimate ofSliced Inverse Regression”, The

Annals of Statistics . Vol 24, No. 3,1053-1068.

Hosmer, D. W., dan Lemeshow, S. (2000). Applied Logistic Regression, JohnWiley & Sons, Inc., New York.

Puslitbang BMKG. 2011. Kajian AplikasiModel Conformal Cubic Atmospheric

Model (CCAM) Untuk Prakiraan Cuaca jangka pendek menggunakan ModelOutput Statistik (MOS) tahun 2011.

DISKUSI

1.

Urip HaryokoDalam penelitian ini sudah ditemukan metode yang paling bagus untuk membangun persamaanMOS, sebaiknya segera diimplementasikan terutama untuk kota-kota besar berdasarkan metodetersebut.

Utuk menuju operasionalisasi MOS tersebut terlebih dahulu akan dibuat GUI sehingganantinya dapat dioperasionalkan di daerah.

2. HariadiUntuk kegiatan MOS sebaiknya lebih difokuskan ke penggunaan WRF karena sekarang model itusudah operasional. Untuk operasional membutuhkan model yang dapat digunakan secara praktissehingga informasi yang didapatkan bisa lebih cepat, tepat dan akurat.

Kedepan akan dilakukan untuk model WRF, tetapi untuk saat ini difokuskan dalam pembagunan sistem yang yang mudah digunakan oleh pengguna dan masih menggunakankeluaran model CCAM.


18/170


18

VERIFIKASI MODEL NUMERIK CUACA WEATH ER RESEARCHFORECASTING (WRF)

VERIFICATION OF WEATHER RESEARCH FORECASTING MODEL

Roni Ku rn iawan, Wido H anggoro, Rian A nggraeni, Sri Noviati, Welly F itr ia,RahayuSapta Sri Sudewi

Pusat Penelitian dan Pengembangan BMKG Jl. Angkasa I/No.2 Kemayoran, Jakarta 10720 – INDONESIA E-mail : [email protected]

ABSTRAK

Berkaitan dengan upaya peningkatan kualitas prakiraan cuaca di BMKG, dilakukan kajian terhadapmodel Weather Research Forecasting (WRF). Untuk mengetahui akurasinya, model WRF di running

selama bulan Februari 2012 dan Agustus 2011 dengan menggunakan tiga skema konvektif yaitu Betts Miller Janjic (BMJ), Kain Fritsch (KF), dan Grell 3D ensemble (GD). Data curah hujan dan anginhasil luaran model kemudian diverifikasi dengan data observasi. Hasil verifikasi menunjukkan bahwahasil prakiraan hujan dengan penggunaan skema konvektif BMJ lebih baik dari skema KF dan GD,

dengan nilai threat score (TS) pada bulan Agustus 2011 diatas 87% dengan nilai RMSE terbesaradalah 0.25, dan nilai TS pada bulan Februari 2012 untuk ke tiga skema berfluktuasi dari 29 sampai96% dengan nilai RMSE yang terendah adalah pada skema BMJ. Sedangkan untuk prakiraankecepatan dan arah angin penggunaan skema konvektif dapat digunakan skema BMJ dan GD, kedua

skema ini diperoleh hasil nilai korelasi yang lebih baik dari skema KF.

Kata kunci: WRF, verifikasi, Kain Fritsch, Betts Miller Janjic, Grell 3D

ABSTRACT

In order to improve quality of wheather forecast at BMKG, a study on Weather Research. Forecasting(WRF) has been carried out. Tree convective schemes, eg. Betts Miller Janjic (BMJ), Kain Fritsch(KF), dan Grell 3D ensemble (GD) tested using rainfall and wind observation data in February 2012and August 2011. The result of verification, show BMJ scheme gives better rainfall forecast than thetwo other schemes, with treat score in August 2011 more 87 % and the largest RMSE value is 0.25,and the value of TS in February 2012 for three scheme fluctuates from 29 to 96% with the lowestvalue of RMSE is the BMJ scheme. Verification on wind forecast show that BMJ and GD schemeobtained results better than KF scheme and has best performance for wind forecasting.

Kata kunci: WRF, verification, Kain Fritsch, Betts Miller Janjic, Grell 3D

PENDAHULUAN

Prakiraan cuaca untuk wilayah Indonesia yang berada disekitar equator memiliki tingkatkesulitan yang cukup tinggi bila dibandingkandengan prakiraan cuaca untuk daerah denganlintang tinggi. Banyak model prakiraan cuacatelah dikembangkan oleh para ahli dengan

pendekatan perhitungan yang bervariasi, baikuntuk skala global maupun regional. Prakiraancuaca numerik sudah dirintis sejak tahun 1920dan berkembang pesat seiring dengan

peningkatan jaringan pengamatan cuaca pada

saat perang dunia kedua dalam rangka untukmenyediakan informasi cuaca penerbanganmiliter, serta dimulainya penggunaan komuter

untuk operasional prakiraan cuaca [1,2]. Salah

satu model cuaca yang banyak digunakan untukskala regional saat ini adalah model cuacanumerik Weather Research and Forecasting (WRF) [3].

Sebelum model WRF diaplikasikan untuk prakiraan cuaca di wilayah Indonesia perludilakukan kajian untuk mengetahui tingkatakurasinya, oleh karena itu pada kajian inidilakukan verifikasi model WRF dengan dataobservasi yang bertujuan untuk mengetahuikemampuan model WRF dalam memprediksi

cuaca di wilayah Indonesia.

mailto:[email protected]:[email protected]


19/170


19

Model cuaca numerik Weather Research andF orecasting (WRF).

Model WRF-EMS, merupakan model NWPyang dikembangkan oleh Badan atmosfer dankelautan Amerika Serikat (NOAA)

bekerjasama dengan National Weather Service(NWS), Forecast Decision Training Branch(FDTB), dan Science Operations Officer andTraining Resource Center (SOO/STCR). Untukkeperluan prakiraan cuaca model WRF-EMSdinilai sebagai model yang lengkap danmerupakan state-of-the-science dari produk

NWP serta merupakan gabungan dari duamodel dinamis yang umum digunakan di dunia

pemodelan yaitu Advanced Research WRF(ARW) yang dikembangkan oleh NationalCenter for Atmospheric Research (NCAR) dannon-Hydrostatic Mesoscale Model (NMM)yang dikembangkan oleh National Center forEnvironmental Prediction (NCEP). Semua fituryang terdapat pada kedua binary tersebutterdapat dalam model WRF-EMS dandisederhanakan dari mulai proses instalasi,konfigurasi dan eksekusinya, hal tersebut

bertujuan agar penggunaan model ini dapatdengan mudah dilakukan.

Simulasi dan prakiraan cuaca menggunakanmodel NWP dengan cara downscaling dari

resolusi global (kasar) menjadi resolusi yanglebih halus, memerlukan pendekatan berbagaikomponen fisik. Beberapa pendekatankomponen fisik (parameterisasi) yangdigunakan antara lain: radiasi, boundary layer,land-surface, difusi eddy, konvektif dan,mikrofisik. Pendekatan tersebut bertujuan untukmemperkirakan efek yang mempunyai

pengaruh cukup besar dari suatu kejadian diatmosfer namun terlalu kecil dan atau terlalurumit untuk dijelaskan secara eksplisit.Biasanya variabel – variabel tersebut didekati

atau diprakiraan dari variabel lain yangmempunyai resolusi yang lebih rendah.

Gambar 1. Beberapa variabel yang biasa di parameterisasi dalam NWP [4]

Parameterisasi konvektif merupakan salah satuaspek yang sangat diperhatikan dalamnumerical modeling, khususnya untuk

prakiraan cuaca dan iklim global. Di alam,terjadinya konvektif tidak hanya menghasilkan

presipitasi tetapi juga transfer panas dandistribusi kelembaban yang berkaitan denganstabilitas atmosfer. Konvektif yang terjadi padaskala yang cukup luas juga dapat menciptakanaliran jet dan vortisitas pada lapisan menengahdan dapat mempengaruhi kondisi cuaca padalokasi yang luas.

Pada dasarnya parameterisasi konvektif didesain untuk menggambarkan transport panaslaten yang merupakan sumber sirkulasi umumdi daerah tropis, mengurangi ketidakstabilantermodinamika dengan cara meyusun nilaitemperatur dan kelembaban pada kolom-kolomgrid. Sejumlah skema parameterisasi konvektif(CPS) telah dikembangkan selama bertahun-tahun (misalnya, Kuo 1974; Arakawa danSchubert 1974; Fritsch dan Chappell 1980;Bougeault 1985, Betts 1986; Frank dan Cohen1987; Tiedtke 1989, Gregory dan Rowntree1990; Emanuel 1991; Grell 1993) dan banyakdari skema ini terus digunakan dan dimodifikasi(misalnya, Janjic 1994; Emanuel dan Zivkovic-Rothman 1999, Gregory et al, 2000;. Grell danDevenyi 2002). Salah satu parameterisasi

tersebut adalah Kain-Fritsch skema (Kain danFritsch 1990, 1993), yang telah suksesdigunakan selama bertahun-tahun di PSU /

NCAR mesoscale model (Wang dan Sea-man1997, Kuo et al 1996;. Kuo et al 1997; Cohen2002) dan beberapa parameterisasi yang masihdalam tahap penelitian (Black 1994), serta

parameterisasi yang digunakan dalam modelWRF (Skamarock 2001), dan model berbagailainnya (misalnya , Bechtold 2001).

Gambar 2. Proses fisik konvektif yangdiperhitungkan dalam parameterisasi[4]

Untuk dapat mensimulasikan konvektif yangterjadi di atmosfer, setiap skema yang dibuatharus dapat menggambarkan hal-hal berikut


20/170


20

menggunakan informasi dari kolom-kolom griddisekitarnya, (a) Pemicu konveksi pada suatukolom grid, (b) Bagaimana kehadiran konvektifdapat mempengaruhi secara vertikal dalamkolom grid, (c) Bagaimana kehadiran konvektifdapat mempengaruhi secara horizontal grid-griddisekitarnya, (d)Bagaimana asumsi yangdigunakan agar konvektif dapat membatasikeefektifannya.Terdapat 8 skema konvektif pada model WRF,akan tetapi dalam kajian ini menggunakan tigaskema yang sering digunakan di beberapa

Negara diantaranya adalah sebagai berikut:

1) Kain FritschSkema Kain Fritsch (KF) berasal dari skemaFritsch-Chappell CPS, dimana kerangkadasar dan asumsi penghentian konvektifdijelaskan oleh Fritsch dan Chappell (1980).

Kain-Fritsch (1990) memodifikasi modelupdraft dalam skema Fritsch-Chappellsehingga akhirnya menjadi sangat berbedadari skema tersebut. Hal ini dibedakan darialgoritma induknya dengan mengacu padakode yang lebih rumit seperti skema KF,dimulai pada awal 1990-an (Kain danFritsch 1993).

Gambar 3. Konsep Skema KF [4]

Skema KF merupakan sebuah skema parameterisasi mass flux yang menggunakanmetode parsel udara termasuk persamaandinamis vertikal momentum untukmenjelaskan ketidakstabilan massa udara

dan menjelaskan variabel-variabel apa yangmungkin terjadi dalam awan. Ada beberapahal penting yang dibahas dalam skema KF

antara lain: Pemicu terjadinya konvektif, persamaan mass flux dan, asumsi penghentian konvektif. Beberapa modifikasiterhadap skema KF telah dilakukan pada

beberapa akhir tahun ini. Modifikasi yangdilakukan bertujuan untuk memperbaikihasil dari konvektif itu sendiri. Cakupanmodifikasi yang dilakukan antara lain:Formula updraft (radius awan, batasketinggian minimum awan, konveksi non-

precipitating) serta downdraft.

2) Skema Betts-Miller JanjicSkema Betts-Miller Janjic (BMJ) dibuatuntuk mewakili kondisi quasi-equilibrium(Awan konvektif yang menjaga struktursuhu dan kelembaban di dalam atmosfer)yang terjadi pada konvektif dalam, danmenghindari ketidakpastian yang timbul

akibat penentuan parameter-parametersecara tidak langsung menggunakan

persamaan model awan yang rumit. Konsepquasi-equilibrium antara deep-convectionserta large-scale forcing untuk konvektifdangkal (1973) diperkenalkan pertama kalioleh Betts sedangkan untuk konvektif dalamdiperkenalkan oleh Arakawa dan Schubert(1974). Pada skala yang luas serta rentangwaktu yang lama konsep quasi-equilibriumsudah sangat baik diterapkan (Lord danArakawa 1980; Lord 1982; Arakawa danChen 1987.

Gambar 4. Konsep Skema BMJ[4]

Beberapa kelebihan pada skema ini antaralainadalah (a) Baik digunakan padalingkungan yang lembab, (b)


21/170


21

Memperlakukan elevated-convection lebih baik daripada skema-skema lainnya, (c)Skema yang paling efektif untuk menjagaskema microphysic tidak membuatkonvektif awan dan (d) Tidak memerlukan

perhitungan yang banyak.

3) Grell 3D ensemble Skema parameterisasi konvektif inididasarkan pada skema Grell yangdikembangkan pada tahun 1993. Saat iniskema Grell 3D ensemble digunakan dalammodel RUC (Rapid Update Cycle) denganresolusi 20km dan menunjukan hasil yangcukup baik dalam hal prakiraan curah hujan.Seperti skema-skema konvektif sebelumnya,

persamaan-persamaan yang digunakandalam skema ini juga memperhitungkan efek

pembentukan/ peluruhan, updraft/ downdraft

awan. Perbedaan yang paling mendasar dariskema ini adalah penggunakan pendekatanensemble terhadap beberapa parameter fisisyang terjadi dalam awan, antara lain: quasiequilibrium, removal of instability, moistureconservation, low level mass flux dandowndraft strength. Penambahan pendekatan

prakiraan eksplisit curah hujan melalui peluruhan awan hujan serta partikel es pada puncak dan sisi awan membuat skema inicocok digunakan pada resolusi yang tinggi.Menurut Dudhia (2008), beberapa

pendekatan yang digunakan dalam skemaGrell 3D ensemble antara lain (a) Multi

pendekatan (CAPE removal, quasi-equilibrium) – 16 pendekatan mass flux, (b)Multi parameter, (c) Explicitupdraft/downdraft, (d) Menggunakan rata-rata feedback terhadap lingkungan, (e)Bobot ensemble dapat disesuaikan (spatially,temporally) untuk mengoptimalkan skema

METODE PENELITIAN

Wilayah fokus penelitian ini adalah di Surabaya(Bandara Juanda) pada posisi7° 22' 0"LS dan112° 46' 0"BT, dan di Cengkareng (BandaraSoekarno Hatta) posisi 6° 7' 32"LS, dan 106°39' 32"BT.

Verifikasi dilakukan berdasarkan data pada bulan Agustus 2011 dan Februari 2012 meliputi;Data curah hujan (CH) observasi (Synop) per 3

jam [5], data angin per 12 jam pada Level:Surface, 850, 500, 250 mb [6], data CH model

WRF per 3 jam dan data angin model WRF per12 jam hasil pengolahan Puslitbang BMKG

dengan menggunakan input data 0.5-degree FNLs dari NCEP [7].

Model WRF di running dengan input data awalGFS dari NCEP-NOAA 7 di Setting sebagai

berikut: Resolusi spasial Indonesia: 27 km ,Resolusi spasial Jawa: 9 km (Jawa) Resolusitemporal: 6 jam (res. 27 km) dan 3 jam (res. 9km), 3 hari kedepan (72 jam kedepan),Waktu:

bulan Februari 2012 bulan Agustus 2011,Parameter : Curah Hujan dan Angin PilihanSkema Konvektif : Skema Kain FritschBettsMiller Janjic danGrell 3D ensemble .

Verifikasi Luaran ModelWRF dengan dataobservasi dimana parameter yang diuji secarastatistik meliputi Curah hujan, dan angin

permukaan, dimana data model WRFmenggunakan 3 skema konvektif yang masing-masing akan diverifikasi menggunakan dataobservasi. Perhitungan Korelasi dan RMSEditunjukkan sebagai berikut [8]:

N

nn

N

nn

N

nnn

OO F F

OO F F Corr

1

2

1

2

1 (1)

N

nnn O F N

RMSE 1

21 (2)

Dengan F = forecast (nilai prediksi) dan O =observation (nilai pengamatan), metode

prakiraan dikatakan baik jika memiliki nilaikorelasi yang tinggi dan nilai RMSE yangrendah.

Untuk verifikasi arah angin antara model danobservasi digunakan metode pengukurandengan menghitung Threat Score (TS) yaituuntuk mengukur ketepatan prakiraan antaramodel dan observasi. Perhitungan nilai TSdigunakan metode Saito, et al . 2001 [9] sebagai

berikut:

Threat Score

Nhit = jumlah hit , N pass = jumlah pass , dan N false = jumlah false alarm . Hit adalah kondisiapabila hasilmodel dan observasi dalam waktuobservasi sesuai. Pass adalah kondisi apabilakejadian tidak terprediksi oleh model WRF,namun teramati dalam waktu observasi.Sedangkan false alarm adalah kondisi apabilakejadian terprakiraan di model, namun tidakteramati dalam waktu observasi. Adapun untuk

false passhit

hit

N N N N


22/170


22

Prosentase Hit adalah Threat Score dikalikan100.

Verifikasi parameter arah angin di bagi menjadi8 arah mata angin (table 1), dan perolehan datayang kurang dari 60% tidak digunakan dalam

perhitungan.

Tabel 1. Tabel 8 arah mata angin yang digunakanNo. Arah Arah ( degree true nor th )1 N (North) 337.5 – 0, 0 – 22.52 NW (North West) 292.5 – 337.53 W (West) 247.5 – 292.54 SW (south West) 202.5 – 247.55 S (South) 157.5 – 202.56 SE (South East) 112.5 – 157.57 E (East) 67.5 – 112.58 NE (Nort East) 22.5 – 67.5

HASIL DAN PEMBAHASAN

Hasil verifikasi data curah hujanVerifikasi data curah hujan output modelmeteorologi Weather Research and Forecasting(WRF) untuk 3 skema konvektif (Kain Fritsch(KF), Betts Miller Janjic (BMJ), dan Grell 3Densemble (GD) masing-masing skemadibandingkan dengan data obervasi BMKG diStasiun Juanda (Surabaya) dan stasiunCengkareng (Jakarta) pada bulan Agustus 2011untuk mewakili musim kering dan Februari2012 untuk mewakili musim basah. Hasilverifikasi hasil prakiraan curah hujan modelWRF terhadap observasi di stasiun JuandaSurabaya untuk 72 jam kedepan pada tigaskema yang digunakan model WRFditampilkan grafik pada gambar 5.

Verifikasi data curah hujan hasil luaran modelWRF di stasiun Juanda Surabaya untuk tigaskema terhadap observasi menunjukkan bahwaselama bulan Agustus pada skema KFmempunyai nilai TS diatas 90%, dan untukskema BMJ nilai TS diperoleh diatas 95%,sedangkan pada skema GD diperoleh nilai TSdaiatas 90% (gambar 5a). Nilai RMSE terbesardari ketiga skema terdapat pada skema KFdengan nilai 0.23, adapun nilai RMSE tertinggi

pada skema BMJ sebesar 0.16 dan nilai RMSE pada skema GD ini paling tinggi adalah 0.19(gambar 5a). Hasil Verifikasi data curah hujanhasil luaran model WRF untuk tiga skematerhadap observasi menunjukkan bahwa selama

bulan Agustus nilai threat score yang paling

baik adalah skema BMJ, dimana nilai TS padaskema ini diatas 95% dengan RMSE tertinggisebesar 0.16.

(a)

(b)Gambar 5 . Verifikasi Data Curah Hujan ModelWRF terhadap Observasi Stasiun Juanda Surabaya,(a) Nilai Threat Score dan RMSE bulan Agustus2011, (b) Nilai Threat Score dan RMSE bulanFebruari 2012

Verifikasi data curah hujan pada bulan Februariuntuk nilai TS ketiga skema (KF, BMJ dan GDmempunyai pola yang naik turun, dimana pada

prakiraan jam 03, skema KF dan GDmempunyai nilai TS > 90%, skema BMJsebesar 60%, nilai TS menurun pada jam

prakiraan selanjutnya sampai pada jam 15,kemudian naik pada jam prakiraan selanjutnyasampai jam 21 dengan nilai TS > 80%, pola ini

berulang sampai dengan jam prakiraan jam 72(gambar 5b). Untuk nilai RMSE yang terkecildiperoleh pada skema BMJ dengan nilai RMSEterbesar 8,6, sedangkan pada skema KF dan GDnilai RMSE terbesar adalah 16. Secara umumskema BMJ menunjukkan performa yang

paling bagus pada bulan Februari, dimana nilaiTS terendah adalah 40% dengan nilai RMSE


23/170


23

terbesar 8,6, sedangkan pada skema KF dan GDnilai TS terendah adalah 30%, dengan nilaiRMSE terbesar mencapai 16. Hasil verifikasihasil prakiraan curah hujan model WRFterhadap observasi di stasiun CengkarengJakarta untuk 72 jam kedepan pada tiga skemayang digunakan model WRF ditampilkan grafik

pada gambar 6.

(a)

(b)Gambar 6 . Verifikasi Data Curah Hujan ModelWRF terhadap Observasi Stasiun CengkarengJakarta, (a) Nilai Threat Score dan RMSE bulanAgustus 2011, (b) Nilai Threat Score dan RMSE

bulan Februari 2012

Verifikasi data curah hujan hasil luaran modelWRF bulan Agustus di stasiun CengkarengJakarta untuk tiga skema (KF, BMJ dan GD)secara umum mempunyai pola yang

berfluktuasi, dimana nilai TS diperoleh padakisaran 70 sampai 100%. Nilai TS hasilverifikasi selama bulan Agustus 2011menunjukkan bahwa untuk skema BMJ paling

baik dibandingkan dengan skema KF dan GD,

dimana nilai TS diatas 87% dengan nilai RMSE paling besar adalah 0.25, dan untuk skema KFmemiliki nilai TS terendah yakni sebesar 70%dengan RMSE 0.59, sedangkan untuk skemaGD nilai TS terendah 80% dengan nilai RMSE0.31. Hasil verifikasi data curah hujan untuk

bulan Februari pada skema KF dan GD nilai TS berkisar antara 50 sampai 96%, sedangkanuntuk nilai TS pada skema BMJ berfluktuasidari 29 sampai 96%. Untuk nilai RMSE, skemaKF mempunyai nilai yang paling tinggi sebesar4.7, untuk skema BMJ 3.86 dan skema GDsebesar 4.8.

Hasil Verifikasi Data Angin model WRF

Verifikasi data angin output model meteorologi Weather Research and Forecasting (WRF)untuk 3 skema konvektif (Kain Fritsch (KF),

Betts Miller Janjic (BMJ), dan Grell 3Densemble (GD) masing-masing skemadibandingkan dengan data Rason di StasiunJuanda-Surabaya dan stasiun Cengkareng-Jakarta pada bulan Agustus 2011 untukmewakili musim kering dan dan Februari 2012untuk mewakili musim basah, level ketinggianyang akan diverifikasi adalah level 250mb,500mb, 850mb, dan 1000mb. Hasil verifikasikecepatan dan arah angin dari model WRFdengan menggunakan 3 skema (KF, BMJ danGD) terhadap data Rason untuk Stasiun Juandaditunjukkan grafik pada gambar 7 dan 8.

Hasil verifikasi menunjukkan bahwa ModelWRF untuk kecepatan angin stasiun Juanda

bulan Agustus 2011 (gambar 7a) secara umumdapat dilihat bahwa nilai korelasi untuk ke tigaskema diperoleh cukup baik untuk prakiraan

jam 00, kemudian nilai korelasi menurun pada jam prakiraan berikutnya. Pada level 250, 500dan 850, hasil korelasi untuk prakiraan jam 00masing-masing skema diatas 0.75 danmenunjukkan tren menurun pada jam prakiraan

berikutnya, sedangkan untuk level permukaanhasil verifikasi model WRF untuk skema KFkorelasi prakiraan jam 00 sebesar 0.4 dan pada

jam 12 turun dengan korelasi 0.1 dan pada jam24 korelasi meningkat sebesar 0.3, pola ini

berulang sampai dengan prakiraan jam ke 72.Untuk skema BMJ nilai korelasi pada level

permukaan prakiraan jam 00 sebesar 0.38, danmenurun pada jam prakiraan berikutnya. Padaskema GD nilai korelasi pada prakiraan jam 00sampai jam ke 72 berkisar antara 0.15 sampai

0.35.


24/170


24

(a) Kecepatan Angin (b) Arah Angin Gambar 7. Verifikasi Kecepatan Angin (m/s) WRFterhadap Observasi Stasiun Juanda Surabaya BulanAgustus 2011, (a) Kecepatan Angin dan (b) Arah

Angin.

Untuk hasil verifikasi data arah angin pada bulan Agustus 2011 (Gambar 7b) nilai korelasiuntuk ketiga skema (KF, BMJ dan GD) padasetiap level ketinggian (permukaan, 850, 500dan 250mb) menunjukkan pola fluktuasi yangserupa dari dari jam 00 sampai dengan

prakiraan jam ke 72. Secara umum penggunaanketiga skema (KF, BMJ dan GD) untuk arahangin diperoleh hasil yang sama. Hasilverifikasi pada bulan Februari 2012 (gambar8a) menunjukkan bahwa Model WRF untukkecepatan angin stasiun Juanda secara umum

pada skema BMJ dan GD menunjukkan nilaikorelasi baik untuk prakiraan jam 00 danmenunjukkan tren menurun pada jam prakiraan

berikutnya. Pada level 250, 500, 850, dan permukaan nilai korelasi untuk prakiraan jam00 hari pertama masing-masing skema diatas0.7, kecuali untuk level 250 pada skema KF,dimana nilai korelasinya sangat rendah.

(a) Kecepatan Angin (b) Arah Angin Gambar 8 . Verifikasi Kecepatan Angin (m/s) WRFterhadap Observasi Stasiun Juanda Surabaya Bulan

Februari 2012, (a) Kecepatan Angin dan (b) ArahAngin

Hasil verifikasi data arah angin stasiun Juanda pada bulan Februari 2012 (Gambar 8b) untukke tiga skema (KF, BMJ dan GD) pada levelketinggian 250mb diperoleh nilai TS diatas80% dan menunjukkan tren menurun pada jam

prakiraan selanjutnya sampai jam ke 72, untuklevel 500mb diperoleh nilai TS 70% danmenunjukkan tren menurun pada jam prakiraanselanjutnya sampai jam ke 72, untuk level850mb diperoleh nilai TS 50% danmenunjukkan tren menurun pada jam prakiraanselanjutnya sampai jam ke 72 dan pada level

permukaan diperoleh nilai TS 35% danmenunjukkan tren menurun pada jam prakiraanselanjutnya sampai jam ke 72. Secara umumhasil nilai korelasi di stasiun Juanda bulanFebruari diperoleh pola yang serupa dari jam 00sampai pada prakiraan jam ke 72, dimana nilaikorelasinya menunjukkan tren menurun dari

jam 00 sampai pada jam ke 72.


25/170


25

Hasil verifikasi kecepatan dan arah angin modelWRF dengan menggunakan 3 skema (KF, BMJdan GD) yang dibandingkan dengan data Rasonuntuk Stasiun Cengkareng Jakarta ditunjukkangrafik pada gambar 9 dan 10.

(a) Kecepatan Angin (b) Arah Angin Gambar 9 . Verifikasi Kecepatan Angin (m/s) WRFterhadap Observasi Stasiun Cengkareng JakartaBulan Agustus 2011, (a) Kecepatan Angin dan (b)Arah Angin

Hasil verifikasi kecepatan angin Model WRFterhadap data Rason di stasiun Cengkareng

bulan Agustus (gambar 9a) menunjukkan bahwa untuk skema BMJ dan GD mempunyai besaran nilai korelasi dengan pola yang sama,

dimana pada prakiraan hari pertama jam 00untuk level 250, 500 dan 850 mempunyai nilaikorelasi diatas 0.8, sedangkan untuk level

permukaan nilai korelasinya sebesar 0.6, dannilai korelasinya menunjukkan tren menurun

pada prakiraan berikutnya. Untuk skema KFdiperoleh nilai korelasi yang rendah padasemua level ketinggian pada prakiraan hari

pertama, dan nilai korelasi meningkat sampai prakiraan hari keempat untuk level ketinggian250 dan 500, sedangkan untuk level 850 dan

permukaan nilai korelasi meningkat sampai prakiraan jam ke 72.

Verifikasi data arah angin pada bulan Agustus2011 di stasiun Cengkareng (gambar 9b) untukmasing-masing skema (KF, BMJ dan GD)secara umum mempunyai pola yang sama padasetiap level ketinggian (500, 850 dan

permukaan). Pada level 250 tidak diperolehdata observasinya sehingga tidak dilakukan

perhitungan. Secara umum selama bulanAgustus 2011 stasiun Cengkareng untuk levelketinggian 500, 850 dan permukaan nilaikorelasinya mempunyai pola yang sama,dimana pada jam 00 nilai TS tinggi danmenurun pada jam prakiraan selanjutnyasampai jam ke 72 (gambar 9b).

(a) Kecepatan Angin (b) Arah Angin Gambar 10 . Verifikasi Kecepatan Angin (m/s)WRF terhadap Observasi Stasiun CengkarengJakarta Bulan Februari 2012, (a) Kecepatan Angindan (b) Arah Angin

Hasil verifikasi Model WRF terhadap dataRason untuk data kecepatan angin di stasiunCengkareng bulan Februari 2012 (gambar 10a)

pada level 250 untuk skema BMJ dan GD hasilnilai korelasinya mempunyai pola yang serupa,dimana pada prakiraan jam 00 nilai korelasinya0 kemudian meningkat pada jam 12 sebesar 1.0dan menurun lagi pada jam 00 sebesar 0, polaini berulang sampai prakiraan jam ke 72,


26/170


26

sedangkan untuk skema KF nilai korelasinyarendah dari jam 00 sampai dengan jam ke 72.Pada level 500, untuk tiga skema mempunyai

pola yang sama, dimana pada prakiraan jam 00nilai korelasi untuk KF sebesar 0.2, BMJ danGD sebesar 0.8 kemudian menunjukkan trenmenurun pada prakiraan jam berikutnya. Untuklevel 850 skema BMJ dan GD nilai korelasinyauntuk prakiraan jam 00 sebesar 0.9, kemudianmenurun 0.7 pada jam 12 dan terus menurunsampai prakiraan jam ke 72 sebesar 0.4,sedangkan untuk skema KF nilai korelasinyarendah. Pada level permukaan untuk skema KFnilai korelasinya sepanjang waktu prakiraanrendah, sedangkan untuk skema BMJ dan GDnilai korelasi pada prakiraan hari pertama jam00 sebesar 0.8 dan menunjukkan tren menurun

pada prakiraan jam-jam berikutnya (gambar10a).

Verifikasi data arah angin pada bulan Februari2012 di stasiun Cengkareng (gambar 10b)untuk level 250mb tidak diperoleh dataobservasinya sehingga tidak dilakukan

perhitungan. Pada level 500mb, 850 dan permukaan untuk tiga skema memiliki polayang sama. Pada level 500mb nilai TS pada

prakiraan jam 00 dikisaran 80% danmenunjukkan tren menurun pada jam prakiraan

berikutnya sampai jam ke 72, demikian pula

pada level 850, pada jam 00 diperoleh nilai TSsebesar 60%, nilai TS di level permukaan jam00 dikisaran 50% dan menurun pada jam-jam

berikutnya. Secara umum selama bulanFebruari 2012 stasiun Cengkareng untuk levelketinggian 500, 850 dan permukaan nilaikorelasinya mempunyai pola yang sama,dimana pada jam 00 nilai TS tinggi danmenurun pada jam prakiraan selanjutnyasampai jam ke 72 (gambar 9b).

PEMBAHASAN

Verifikasi model WRF terhadap observasiuntuk penentuan skema konveksi terbaikdiperoleh dengan melakukan pengujian statistikthreat score dan RMSE parameter curah hujan

pada dua stasiun pengamatan yang berbeda(Cengkareng dan Juanda). Dari hasil analisissecara umum ketiga skema mampumenggambarkan nilai kejadian hujan yangterjadi pada dua stasiun tersebut khususnya

pada bulan kering (Agustus). Khusus untukskema BMJ secara kuantitatif pada bulan keringmenunjukkan nilai treath score yang paling baikdengan nilai RMSE terkecil sepanjang bulanAgustus dibanding skema KF dan GD.

Sedangkan pada bulan basah (Februari) secararata-rata skema GD menunjukkan performayang paling baik. Nilai treath score CH padastasiun Cengkareng cenderung mempunyai nilaiyang lebih kecil baik pada bulan Agustusmaupun Februari. Dengan demikian berartiuntuk prakiraan cuaca dengan tiga skema yang

berbeda menggunakan WRF untuk wilayahJuanda masih lebih baik dibanding prakiraan

pada daerah Cengkareng. Untuk stasiunCengkareng, skema KF masih menunjukkanhasil yang kurang baik dibanding BMJ dan GDsepanjang bulan Agustus dan mempunyai nilaiRMSE yang paling besar. Pada bulan tersebutskema BMJ masih menunjukkan kecocokanyang paling baik dengan data observasiwalaupun nilai RMSE-nya sedikit lebih tinggidibanding skema GD. Untuk hasil verifikasi

pada bulan Februari hasil analisis menunjukkan bahwa skema GD memberikan hasil yang paling baik diantara skema-skema yangdijalankan. Nilai treath score yang didapatterlihat cukup konsisten sampai prakiraan 72

jam kedepan.

KESIMPULAN

Untuk prakiraan curah hujan, penggunaanskema konvektif Betts Miller Janjic (BMJ) pada

bulan Agustus 2011 menunjukkan hasil yang

lebih baik dari skema Kain Fritsch (KF), danGrell 3D ensemble (GD), dengan nilai threat score (TS) pada bulan Agustus 2011 diatas87% dengan nilai RMSE terbesar adalah 0.25,dan nilai TS pada bulan Februari untuk ke tigaskema berfluktuasi dari 29 sampai 96% dengannilai RMSE yang terendah adalah pada skemaBMJ 3.86. Sedangkan untuk prakiraankecepatan dan arah angin penggunaan skemakonvektif dapat digunakan skema Betts MillerJanjic (BMJ) dan Grell 3D ensemble (GD),kedua skema ini diperoleh hasil nilai korelasi

yang hampir sama dan lebih baik dari skemaKain Fritsch (KF).

DAFTAR PUSTAKA

[1]. Gustari, I., Hadi, T.W., Hadi, S.,Renggono, F., (2012). Akurasi PrediksiCurah Hujan Harian Operasional diJabodetabek: Hasil PrediksiOperasional dan Model WRF. Jurnal

Meteorologi dan Geofisika. 13(2), 119-130 . Jakarta.


27/170


27

[2]. Harper, K., L. W. Uccellini, E. Kalnay, K.Carey, L. Morone. (2007). 50th

Anniversary of operational numericalweather prediction . Bull. Amer.Meteor. Soc., 88, 639-650

[3]. Puslitbang BMKG. (2011). Pengembangan Model Prediksi Cuaca untuk Pelayanan Informasi Cuaca “Model WRF(Weather Research and Forecasting)” .BMKG, Jakarta.

[4]. MetEd. Teaching and Training Resources for the Geoscience Community . http://www.meted.ucar.edu

[5]. BMKG. (2012). Database Synop . PusatData Base BMKG. Jakarta.

[6]. University of Wyoming, Department ofAtmospheric Science . Upper AirObservations . http://www.weather.uwyo.edu

[7]. National Center for EnvironmentalPrediction (NCEP), NOAA. (2011).

NCEP Operational Data (WRF inputs):0.5-degree FNLs . http://dss.ucar.edu . USA.

[8]. Supranto, J. (2002). Statistik Teori dan Aplikasi . Edisi 7.Jakarta: Erlangga.

[9]. Saito, K., T. Kato, H. Eito & C. Muroi.(2001). Documentation of The

Meteorological Research Institute/ Numerical Prediction Division Unified Nonhydrostatic Model. TechnicalReports of The MeteorologicalResearch Institute no. 42.Meteorological Research Institute.Jepang.

[10]. National Center for Atmospheric Research.(2011). User’s Guide describes the

Advanced Research WRF (ARW)Version 3.3 modeling.http://www.mmm.ucar.edu/wrf/users/docs/arw_v3.pdf. USA.

[11]. National Weather Service/TrainingDivision Forecast Decision TrainingBranch (2011). A Nearly CompleteGuide to the WRF EMS V.3 . USA.

[12]. NASA. (2012). Tropical RainfallMeasuring Mission.http://www.trmm.gsfc.nasa.gov/.

[13]. Richardson‟s Dream. (2011). The Emergence of Scientific Weather Forecasting . Cambridge. USA

DISKUSI

1. Urip HaryokoSemua validasi yang menggunakan faktor angin tidak dapat menggunakan korelasi, maka pilihanyang bagus dengan menggunakan kategori arah mata angin, dan pada penelitian verifikasi modelmeteorologi WRF yang telah dilaksanakan sudah sesuai namun perlu diperhatikan resolusi spasialyang digunakan dalam model.

2. Tuwamin MulyonoUntuk penelitian tentang verifikasi model WRF sebaiknya perlu melibatkan intensitas hujan dalam

perhitungannya. Selain itu untuk mendukung pekerjaan operasional sebaiknya waktu yang diambilsebagai sampel dalam penelitian menggunakan 3 waktu yaitu; musim kemarau, musim pancaroba,dan musim hujan. Berdasarkan pengalaman, dalam memprediksi cuaca pada musim pancarobasangat sulit.

3.

Bayong TjasyonoSebagian besar penelitian masih menggunakan hasil model atau bersifat praktis dan belummelibatkan tambahan aspek keilmuan. Seperti pada penelitian tentang cuaca ekstrim, sebaiknyaterlebih dahulu harus ada pendefinisian tentang cuaca ekstrim. Seberapa besar resiko yangditimbulkan oleh cuaca sehingga bisa disebut cuaca ekstrim. Maka perlu penambahan teori dan

pengembangan ilmiah pada setiap pengembangan model atau bisa juga dengan mengembangkanmodel sendiri berdasarkan keilmuan yang ada.

Untuk model-model yang berkenaan dengan atmosfer seharusnya disampaikan dulu asumsi-asumsiyang digunakan pada penelitian tersebut.

Pada verifikasi model meteorologi WRF, penggunaan kategori 8 arah mata angin sudah pilihan

yang bagus, tetapi agar dapat digunakan pada bidang penerbangan lebih baik juga dilakukandengan menggunakan 16 arah mata angin. Dan dikembangkan skema yang cocok untuk masing-masing daerah.

http://www.meted.ucar.edu/http://www.uwyo.edu/atsc/http://www.uwyo.edu/atsc/http://www.uwyo.edu/atsc/http://www.weather.uwyo.edu/upperair/http://www.weather.uwyo.edu/upperair/http://www.weather.uwyo.edu/upperair/http://www.weather.uwyo.edu/http://dss.ucar.edu/http://dss.ucar.edu/http://www.mmm.ucar.edu/%20wrf/users/docs/arw_v3.pdfhttp://www.mmm.ucar.edu/%20wrf/users/docs/arw_v3.pdfhttp://www.mmm.ucar.edu/%20wrf/users/docs/arw_v3.pdfhttp://www.mmm.ucar.edu/%20wrf/users/docs/arw_v3.pdfhttp://dss.ucar.edu/http://www.weather.uwyo.edu/http://www.weather.uwyo.edu/upperair/http://www.weather.uwyo.edu/upperair/http://www.weather.uwyo.edu/upperair/http://www.uwyo.edu/atsc/http://www.uwyo.edu/atsc/http://www.uwyo.edu/atsc/http://www.meted.ucar.edu/


28/170


28

Penelitian di Puslitbang BMKG lebih diarahkan untuk mendukung tugas operasional,untuk itu saat ini sebagian kegiatannya berupa aplikasi dan pengembangan berbagai modelyang dapat diaplikasikan.

Untuk penelitian ke depan, verifikasi model meteorologi WRFakan menggunakan kategori16 mata arah angin berkaitan dengan kebutuhan dari pelayanan informasi meteorologi

penerbangan


29/170


29

PENENTUAN PARAMETER RELASI Z-R RADAR CUACA STASIUNMETEOROLOGI PALEMBANG

THE DETERMINATION OF Z-R RELATION PARAMETER ON PALEMBANG WEATHER RADAR STATION

M uhammad Naji b H abibi e, Sur atno, Rahayu Sapta Sri Sudewi, H astuadi H arsa, Roni Kurn iawan.

Pusat Penelitian dan Pengembangan BMKG. Jl. Angkasa 1 No 2 Kemayoran Jakarta Pusat Email: [email protected]

ABSTRAK

Radar meteorologi adalah salah satu stasiun permukaan yang dapat digunakan untuk pengamatanmeteorologi dan monitoring lingkungan. Pada saat ini, radar meteorologi memegang peranan pentingketika akan memberikan peringatan dini terhadap kondisi ekstrim, seperti banjir, puting beliung danbadai yang dapat membahayakan populasi dan merusak infrastruktur dan perekonomian. Ketepatanhasil pengamatan parameter cuaca oleh radar, sangat bergantung pada setting alat yang disesuaikan

pada kondisi topografi wilayah setempat. Untuk melihat kesesuaian antara data pengamatan radardengan observasi lapangan diperlukan verifikai data. Dan untuk mengoreksi bias antara data luaranradar dengan observasi, diperlukan validasi sehingga luaran radar sesuai dengan hasil observasi.

Penelitian ini bertujuan untuk menentukan relasi antara parameter reflektivitas (Z) dengan curahhujan (R) untuk radar cuaca terutama di Stasiun Meteorologi Palembang. Metode yang digunakanadalah regresi linear sederhana yang membandingkan nilai reflektivitas dan curah hujan observasiuntuk memperhitungkan konstanta a dan b pada relasi Z-R. Ketepatan dalam penentuan konstanta adan b ini akan mempengaruhi ketepatan curah hujan yang direpresentasikan oleh radar.Hasil

penelitian menunjukkan bahwa nila konstanta a umumnya sesuai dengan penelitian Marshall-Palmertetapi nilai b cendrung lebih kecil yaitu 0,53 sedangkan nilai yang pernah diteliti berkisar 1-3.

Berdasarkan jenis hujannya nilai konstanta a pada hujan konvektif lebih besar daripada hujan stratiform, tetapi untuk konstanta b mempunyai nilai yang berkebalikan. Nilai reflektivitas pada radarmempunyai ambiguitas yang tinggi terhadap curah hujan observasi sehingga konstanta a dan b tidakbisa ditentukan dengan akurat.

Kata kunci : radar meteorologi, reflektivitas, Marshall-Palmer, relasi Z-R

ABSTRACT

Weather radar is one of weather observation station, it can used for extreme weather warning such as flood and tropical cyclone. The setting of radar meteorology determine the validty of observingweather parameters, so it must be fitted on local condition. To valídate the weather parameters onradar can be done by determining the Z-R relation. The purpose of this research is to find theappropriate of Z-R relation on Palembang radar station. Linear regression used to determine the aand b constants on Z-R relation. The setting accuracy on this constants will be influencing on

precipitation measurement. The result of this research shows that constants a generally in accordancewith Marshall-Palmer provision, but constants b smaller than it. Based on type of rainfall, constant aon convective rainfall greater than stratiform, but it opposite on b constants. There is great ambiguityon reflectivity factor when compared with rainfall observation, so a and b constants can notdetermined precisely.

Keywords : weather radar, reflectivity, Marshall-Palmer, Z-R relationship

PENDAHULUAN

Informasi meteorologi merupakan bagian yang

tidak bisa terpisahkan dari aktifitas kehidupanmanusia. Sebagian besar aktifitas manusia yangsangat vital bergantung pada kondisi

meteorologi yang ada, seperti penerbangan, pelayaran dan kegiatan pertanian maupun perikanan (Tjasyono, 2004). Radar meteorologi

adalah salah satu stasiun permukaan yang dapatdigunakan untuk pengamatan meteorologi danmonitoring lingkungan (Skolnik, 2008). Pada


30/170


30

saat ini, radar meteorologi memegang peranan penting pada saat akan memberikan peringatandini terhadap kondisi ekstrim, seperti banjir,

puting beliung dan badai yang dapatmembahayakan populasi dan merusakinfrastruktur dan perekonomian(Houze,1993).

Badan Meteorologi Klimatologi dan Geofisikatelah melengkapi stasiun meteorologinyadengan radar untuk meningkatkan akurasi

prakiraan cuaca terutama yang berhubungandengan aktivitas penerbangan dan cuacaekstrim. Now casting atau prakiraan jangka

pendek (3 – 6 jam) kedepan akan lebih akurat jika digunakan radar karena dapat mengukur parameter cuaca termasuk curah hujan padacakupan wilayah yang luas dalam waktu

bersamaan. Untuk mendukung keakuratan prakiraan ini diperlukan ketepatan dalam penempatan radar, instalasi dan setting beberapa parameter yang disesuaikan dengankondisi lokal setempat (WMO, 2006). Salahsatu parameter yang perlu diatur untukmenggambarkan kondisi lokal (hujan) adalahrelasi reflektivitas (Z) dan rainfall rate (R). Zmerupakan revlektivitas yang terukur padaradar, sedangkan R merupakan konversi nilaicurah hujan dari nilai reflektivitastersebut(Kumar, et.al, 2011, Prat & Baros,2009). Untuk menyesuaikan dengan kondisi

setempat maka nilai R ini bisa perhitungkandari curah hujan observasi setempat. Sampaisaat ini seting parameter Z-R berdasarkan

persamaan Marshal-Palmer dan pengaturanrelasi Z-R yang disesuaikan dengan kondisilokal belum dilakukan, sehingga data radaryang dihasilkan belum diketahui kesesuaiannyadengan kondisi setempat. Untuk tahap awal,dikaji radar cuaca di Stasiun MeteorologiPalembang. Tujuan penelitian ini adalah untukmenentukan relasi antara parameterreflektivitas (Z) dengan curah hujan (R) untuk

radar cuaca yang terdapat di StasiunMeteorologi Palembang.

METODE PENELITIAN

Data yang digunakan dalam penelitian iniadalah data radar Gematronik StasiunMeteorologi Sultan Badaruddin II Palembang

pada elevasi 1 dengan angle sapuan 0.5° dandata curah hujan yang diukur oleh AutomaticWeather Station (AWS) Kenten Palembangtahun 2011. Koordinat stasiun AWS berada

pada 3° LS 104.7° BT. Periode pengukuransetiap 10 menit. Data radar yang dipakai dalam

perhitungan relasi Z-R ini adalah data

reflektifitas dengan jarak sapuan 100 km. Daridata radar tersebut kemudian diekstrak 9 datayang paling dekat dengan titik AWS.

Pengolahan data yang dilakukan dalam penelitian ini terdiri dari 2 langkah yaitu penentuan tipe hujan berdasarkan jenisnya dandilanjutkan dengan penghitungan relasi Z-R.Dari data AWS dikelompokkan menjadi dua

jenis tipe hujanberdasarkan curah hujannya.Penentuan tipe hujan mengacu kepada

penelitian Nzeukou et al (2002) dalam Arida(2012 yaitu :a. Tipe stratiform apabila mempunyai

intensitas curah hujan dengan nilai R < 10mm h -1.

b. Tipe konvektif apabila mempunyaiintensitas curah hujan dengan nilai R > 10mm h -1.

Metode yang digunakan dalam penelitian inimerupakan metode statistik yaitu regresi linearuntuk menentukan konstanta empiris a dan b.Rumus yang digunakan adalah sebagai berikut:

……………… (1)

dengan mengetahui nilai a dan b pada regresilinear ini selanjutnya dapat ditentukankonstanta a dan b pada relasi Z-R. penerapanrumus regresi ini tidak serta merta dilakukandengan memasukkan nilai Z dan R secaralangsung tetapi dilakukan perhitungan melaluifungsi logaritma seperti dijelaskan dibawah.

Nilai b diperoleh dari pemangkatan angkasepuluh dengan nilai b pada persamaanregresinya, serta nilai a merupakan nilai yangterdapat pada persamaan regresinya. Misal

persamaan regresinya Y=1,2x + 2,4 maka nilaia adalah 1,2 dan nilai b adalah 10 2,4 =251,19.

Berdasarkan teori Marshall-Palmer, terdapathubungan yang nyata antara laju curahan (R)dengan reflektifitas radar (Z). Secara matematishubungan antara Z dan R diformulasikandengan persamaan:

…………………………(2) Dimana Z = faktor reflektivitas radar(mm 6/m 3); a dan b = konstanta empirik ; dan R= curah hujan (mm/jam)[Atlas,2009].

Z= 10 log (z) = 10 (log (a) + b log (R) ……(3)


31/170


31

Persamaan ini indentik dengan persamaan garisy = a + bx, dimana Z : faktor reflektivitas (dB),z : faktor reflektivitas (mm 6/m 3), R : intensitascurah hujan.

Variabel log(Z) sebagai variabel dependen danlog(R) sebagai variabel independen. Anggap Y= log(Z), α= log(a),β=b, X=ln R, sehinggadiperoleh fungsi Y = α + βX, α dan β padasumbu y merupakan kemiringan dan intersep.Koefisien a dan b pada persamaan diatas diestimasi menggunakan regresi linier Z terhadapR. Nilai koefisien yang bervariasi dari hasilregresi linier untuk masing-masing tipe hujankemudian di plot dan dianalisis.

HASIL DAN PEMBAHASAN

Perbandingan antara reflektivitas (dBZ) yangterukur pada radar dan nilai curah hujan yangterukur pada AWS di Stasiun Ketenditunjukkan pada gambar 1. Grafik tersebutmerupakan grafik untuk bulan Juli dimanaterdapat 4 hari hujan.

Gambar 1. Grafik hubungan reflektivitas dan curahhujan di Stasiun Kenten bulan Jul

Gambar 2. Scatter-plot Z dan R di Stasiun Kententahun 2011

Gambar 1 menunjukkan hubungan antararevlektivitas dengan curah hujan dimanaterdapat variasi revlektivitas pada curah hujanyang nilainya sama, sebagai contoh untuk nilaicurah hujan yang terukur pada AWS sebesar0.5 mm nilai revlektivfitasnya bervariasi antara0 – 22 dBZ. Variasai yang besar ini akan

menyebabkan perhitungan nilai relasi Z-R yangkurang tepat.

Hasil perhitungan regresi linear relasi Z-R diKenten, Palembang tahun 2011 secara umumdapat dilihat pada Gambar 2. Hasil inimerupakan scatter plot rata-rata dari nilairevlektifitas 9 titik di radar yang dihubungkandengan nilai curah hujan yang terukur padaAWS.

Dari gambar diatas dapat dilihat bahwa nilaikoefisien intersept ( intercept coefficient ) relasiZ-R adalah 2,156 sedangkan koefisienkemiringan ( slope coefficient ) bernilai 0,534.Dari nilai tersebut dapat ditentukan nilaikonstanta a dan b. Nilai konstanta a adalah0,534 sedangkan nilai konstanta b adalah 10 2,156 = 143,2. Dengan diketahui nilai konstanta a dan

b, maka dapat diketahui nilai relasi Z-R nyayaitu Z = 143.2 R 0.53 . Untuk nilai relasi Z-R

pada 9 titik terdekat dengan stasiun AWSKenten, Palembang dapat dilihat pada Tabel 1.

Tabel 1 . Relasi Z-R Daerah Kenten Tahun 2011Titik Konstanta a Konstanta b Relasi Z-R

1 176.2 0.59 Z = 176.2 R 0.59

2 97.3 0.62 Z = 97.3 R . 3 85.9 0.60 Z = 85.9 R 0.60 4 150.3 0.56 Z = 150.3 R . 5 100.5 0.43 Z = 100.5 R 0.43 6 255.9 0.52 Z = 255.9 R 0.52 7 154.9 0.55 Z = 154.9 R . 8 113.5 0.42 Z = 113.5 R 0.42 9 255.9 0.52 Z = 255.9 R . Ṝ 143.2 0.53 Z = 143.2 R 0.53

Gambar 3. Scatter-plot Z dan R hujan konvektif diStasiun Kenten tahun 2011

Relasi Z-R dari sembilan titik terdekat denganAWS bervariasi dari satu titik ke titik lainnya.Konstanta a bervariasi antara 85,9 - 255,9 danrata-ratanya 143,2. Untuk konstanta b nilainya

antara 0,43 – 0,62 sedangkan rata-ratanya 0,53.Dengan demikian nilai relasi Z-R nya berbeda-

beda di setiap titik. Perbedaan nilai relasi Z-R


32/170


32

ini bergantung kepada nilai revlektivitas padamasing-masing titik. Dengan demikian dapatdisimpulkan bahwa nilai revlektivitas yangmerepresentasikan kandungan titik-titik air disetiap tempat berbeda. Resolusi citra radar yangdigunakan dalam penelitian ini adalah 250 m,artinya setiap nilai yang ada dalam satu titikmewakili luasan 250 x 250 meter. Dalam halini perbedaan jarak sejauh 250 metermempunyai nilai revlektivitas yang bervariasi.

Untuk melihat lebih detail relasi Z-R pada tipehujan yang berbeda, maka hujan yang terjadi

pada tahun 2011 diklasifikasikan menjadi duayaitu hujan konvektiv dan hujan stratiform

berdasarkan kriteria yang diajukan Nzeukou etal (2002). Hasil scatter plot rata-rata hujankonvektif tahun 2011 ditampilkan pada Gambar3.

Hasil scatter plot pada hujan konvektif tahun2011 menunjukkan bahwa nilai koefisienintersep ( intercept coefficient ) relasi Z-R adalah2,339 sedangkan koefisien kemiringan ( slopecoefficient ) bernilai 0,268 dengan cara yangsama diatas dapat dicari nilai konstata a dan b.

Nilai konstanta a adalah 0,268 sedangkan nikaikonstanta b adalah 251,1 sehingga relasi Z-Ryang terbentuk pada hujan konvektif ini adalahZ = 251.1 R 0.27 . Scatter plot pada hujan

konvektif menyebar dalam berbagai nilai, halini menunjukkan adanya variasi nilai dBZ yangtinggi pada tipe hujan ini. Dan juga rentangnilai curah hujan pada tipe konvektif sangatluas, hal inilah yang menyebabkan perbedaannilai revlektifitas (dBZ) juga bervariasi. Secaralengkap nilai kostanta a dan b serta relasi Z-Ryang terbentuk pada tipe hujan konvektif pada9 titik disekitar AWS dapat dilihat pada Tabel2.

Tabel 2. Relasi Z-R Tipe Hujan Konvektif Daerah

Kenten Tahun 2011Titik Konstanta a Konstanta b Relasi Z-R1 325.09 0.19 Z = 352.09 R .

2 139.00 0.40 Z = 139 R 0.40 3 105.4 0.48 Z = 105.4 R 0.48 4 179.1 0.47 Z = 179.1 R 0.47 5 153.1 0.15 Z = 153.1 R 0.15 6 489.8 0.10 Z = 489.8 R . 7 192.8 0.43 Z = 192.8 R 0.43 8 185.8 0.10 Z = 185.8 R . 9 489.8 0.10 Z = 489.8 R 0.10 Ṝ 251.1 0.27 Z = 251.1 R 0.27

Tabel 2. menunjukkan bahwa konstanta a dan bserta relasi Z-R pada setiap titik berbeda-beda.

Nilai konstanta a bervariasi antara 105,4 –

489,8 sedangkan nilai konstanta b relatif kecilantara 0,1 – 0,48. Perbedaan nilai konstanta adan b ini tentunya akan menyebabkan

perbedaan nilai relasi Z-R yang tebentuk. Nilaikonstanta a pada hujan konvektif ini relatif

besar dibandingka rata-ratanya sedangkan nilai b cenderung lebih kecil dibandingkan nilai rata-ratanya. Perbedaan nilai ini berhubungandengan sebaran data antara rainfall rate danrevlektivitasnya. Sedangkan pada hujanstratiform hasil dari scatter-plot menunjukkanhasil seperti pada Gambar 4.

Gambar 4. Scatter-plot Z dan R hujan stratiform diStasiun Kenten tahun 2011

Sebaran nilai revlektifitas dan curah hujan padatipe hujan stratiform nilainya lebih terbatasdibandingkan pada tipe hujan stratiform.Jumlah kejadian hujan stratiform di wilayahKenten lebih banyak dibandingkan hujankonvektif, tetapi variasi curah hujannya lebih

sedikit. Nilai koefisien intersept yang terbentukdari regresi linear pada rata-rata 9 titik sekitarAWS Kenten adalah 0,46 sedangkan nilaikoefisien kemiringannya adalah 2,135. Darinilai koefisien intersep dan kemiringan inikemudian dapat dihitung nilai konstanta a dan byaitu sebesar 0,46 dan 148,7. Dengandiketahuinya nilai konstanta a dan b ini makarelasi Z-R yang terbentuk adalah Z = 148.7R 0.46 . Sedangkan secara terperinci nilaikonstanta a, b serta relasi Z-R yang terbentuk

pada 9 titik di sekitar AWS dengan tipe hujanstratiform ditunjukkan pada Tabel 3.

Tabel 3. Relasi Z-R Tipe Hujan Stratiform DaerahKenten Tahun 2011

Titik Konstanta a Konstanta b Relasi Z-R1 180.3 0.67 Z = 180.3 R .

2 91.6 0.52 Z = 91.6 R . 3 79.4 0.46 Z = 79.4 R 0.46 4 134.9 0.36 Z = 134.9 R . 5 98.0 0.39 Z = 98 R 0.39 6 253.5 0.55 Z = 253.5 R . 7 137.7 0.33 Z = 137.7 R 0.33 8 109.7 0.37 Z = 109.7 R . 9 253.5 0.55 Z = 253.5 R 0.55 Ṝ 148.7 0.46 Z = 148.7 R 0.46


33/170


33

Nilai konstanta a dan b pada tipe hujanstratiform di Stasiun Kenten tahun 2011,nilainya antara 79.4 – 253.5. Sedangkankonstanta b berkisar antara 0,33 – 0,67. Dilihatdari nilai konstanta a yang terbentuk, padahujan stratiform nilainya lebih kecildibandingkan pada tipe hujan konvektif, tetapiuntuk nilai konstanta b, lebih besardibandingkan dengan hujan konvektif. Besarannilai konstanta a bergantung pada koefisienintersep, dan pada hujan stratiform ini nilainyalebih kecil dibandingka dengan hujankonvektif. Sedangkan untuk konstanta bnilainya bergantung dari koefisienkemiringannya.

Tabel 4. Relasi Z-R bulanan daerah KentenBulan Konstanta a Konstanta b Relasi Z-R

Jan 269.9 0.69 Z = 269.9 R 0.69

Feb 116.7 0.36 Z = 116.7 R 0.36

Mar 100.2 0.85 Z = 100.2 R 0.85 Apr 102.7 0.74 Z = 102.7 R 0.74

Mei 52.0 0.36 Z = 52.0 R 0.36

Jun 176.7 0.61 Z = 176.7 R 0.61

Jul 280.8 -1.81 Z = 280.8 R -1.81

Nov 298.0 1.60 Z = 298.0 R 1.60

Des 377.2 -0.85 Z = 377.2 R -0.85

Variasi nilai relasi Z-R yang diklasifikasikansetiap bulan juga menunjukkan nilai yang berbeda seperti terlihat pada Tabel 4. Nilaikonstanta a dan b bervariasi setiap bulan, nilaikonstanta a yang paling besar adalah antaraJanuari, Juli, November dan Desember.Sedangkan nilai kostanta b yang terbesaradalah bulan November. Untuk bulan Juli nilaikoefisien kemiringannya bernilai negatifdimana garis regresinya miring ke bawah.Untuk bulan April, Mei dan Juni nilai konstantaa lebih kecil dibandingkan den

earthquake and tsunami research

Documents