DAFTAR LAMPIRAN
6 PEMBAHASAN UMUM
Pemodelan MOS untuk aplikasi prakiraan cuaca jangka pendek telah berkembang dengan pesat dan telah banyak diimplementasikan secara operasional di berbagai negara. Penggunaan MOS digunakan untuk mengurangi sistematic error yang terbawa oleh pemodelan NWP. Model pertama yang diperkenalkan adalah metode regresi berganda. Beberapa metode yang telah digunakan diantaranya regresi sederhana, regresi berganda, regresi stepwise, neural network, regresi logistik, analisis diskriminan, Nonhomogeneous Gaussian Regression.
Secara umum prosedur pemodelan MOS adalah meliputi (1) penentuan domain spasial (grid) yang secara klimatologis dan statistik mempengaruhi unsur cuaca yang diprakirakan di titik stasiun, langkah ini disebut sebagai reduksi dimensi spasial, (2) mengidentifikasi dan menentukan peubah prediktor yang mungkin (possible predictor) berkorelasi tinggi terhadap prediktan dan penentuan waktu prediktan dan prediktor yang tepat, (3) menyusun beberapa model statistik antara prediktan dan prediktor sesuai dengan karakteristk prediktan, dan (4) kalibrasi dan verifikasi model untuk menentukan model mana yang terbaik, (5) menerapkan dalam operasional pembuatan prakiraan cuaca jangka pendek.
Penentuan domain spasial
Penentuan domain spasial merupakan langkah awal dalam pemodelan MOS menggunakan data NWP untuk memperoleh prediktor pada grid mana yang paling optimal. Tapp et al. (1986) dalam Maini et al. (2003) menentukan sembilan grid data NWP sekitar stasiun penelitian yang digunakan dalam pemodelan MOS. Rousseau (1982) dalam Maini et al. (2003) menggunakan metode korelasi kanonik antara prediktan dan prediktor di sembilan grid sekitar stasiun. Dengan sembilan grid ini diperoleh konbinasi linier terbaik.
Data NWP yang digunakan mempunyai ukuran grid 0,5o×0,5o atau sekitar 50×50 km2. Variasi fenomena cuaca harian sampai mingguan mempunyai skala horizontal antara 10 km sampai dengan 100 km (WMO 1999). Berdasarkan skala ini, maka pada tahap awal ditetapkan domain seluas 8×8 grid atau sekitar 4×4 km2. Dari 64 grid terpilih ini selanjutnya dipilih menggunakan tiga metode penentuan domain spasial (isokorelasi, SVD dan PLSR).
Isokorelasi spasial antara prediktan dan prediktor menunjukkan bahwa korelasi positif yang signifikan hanya mencapai domain seluas 3×3 grid sekitar lokasi penelitian. Dengan demikian dari grid berukuran 8×8 hanya terpilih grid berukuran 3×3 sekitar lokasi stasiun.
Pemilihan domain spasial menggunakan metode SVD menunjukkan bahwa dari 6 ukuran domain, yaitu domain_1 sampai doman_6, hanya domain berukuran 3×4 (grid nomor : 20 21 22 23 28 29 30 31 36 37 38 39) yang mempunyai korelasi antara expantion coefficient pertama paling besar.
Hasil penentuan domain spasial menggunakan metode PLSR antara prediktan di delapan lokasi penelitian dengan prediktor dengan domain 8×8 grid menunjukkan bahwa domain_3 (grid nomor 29, 30, 31, 37, 38, 39, 45, 46, dan 47) merupakan domain yang menghasilkan korelasi paling besar dan RMSE terkecil.
62
Berdasarkan hasil dari ketiga metode reduksi dimensi di atas menghasilkan sembilan grid yaitu grid nomor 29, 30, 31, 37, 38, 39, 45, 46, dan 47 berpotensi sebagai domain terbaik. Selanjutnya grid-grid tersebut dijadikan sebagai domain untuk prakiraan suhu maksimum, suhu minimum dan prakiraan kejadian hujan harian.
Reduksi dimensi NWP
Reduksi dimensi NWP dimaksudkan untuk mereduksi ukuran data NWP yang besar dan saling berkorelasi (multikolinier). Metode reduksi dimensi yang digunakan adalah PCA. Hasil reduksi dimensi menggunakan PCA menjelaskan bahwa umumnya pada komponen ke tiga proporsi variasi kumulatif telah mencapai 99%. Nilai ini berlaku untuk semua pradiktor baik untuk pemodelan prakiraan suhu maksimum, suhu minimum dan kejadian hujan harian.
Parameter NWP yang secara dominan mempunyai kontribusi yang paling besar adalah suhu permukaan, suhu permukaan laut, kelembapan, ketinggian geopotensial dan precipitable water. Berdasarkan kondisi tersebut maka dalam pemodelan digunakan tiga komponen utama.
Prakiraan suhu maksimum dan minimum
Pemodelan prakiraan suhu maksimum dan suhu minimum menggunakan metode PLSR dan PCR. Maksud digunakannya kedua metode ini adalah karena kedua metode ini dapat mengatasi masalah multikolinieritas NWP. Hal ini didasarkan bahwa data NWP mempunyai multikolinieritas yang tinggi antar grid (spasial), antar level (ketinggian) dan antar parameter. Metode PCR menentukan komponen utama yang mampu menjelaskan variabel awal minimal 90%. Kedua metode tersebut diaplikasikan pada dua model, sehingga secara keseluruhan terdapat empat metode yaitu PLSR-Model I, PLSR-Model-II, PCR-Model I dan PCR-Model II. Keempat model dibandingkan menggunakan metode verifikasi berdasarkan nilai korelasi dan RMSE antara prakiraan dan pengamatan.
Penentuan jam yang tepat antara prediktan dan prediktor menjadi hal yang penting dalam pemodelan MOS. Untuk prakiraan suhu maksimum digunakan NWP pada jam 06, 30, 54 dan 78 UTC sedangkan untuk suhu minimum digunakan NWP jam 18, 42, 66 dan 90. Hal ini didasarkan pada asumsi bahwa kejadian suhu maksimum pada jam 07 UTC dan suhu minimum pada jam 21 UTC.
Hasil prakiraan suhu maksimum yang diperoleh pada penelitian ini adalah bahwa antara model I dan model II tidak menunjukkan perbedaan yang signifikan. Dengan kata lain bahwa untuk memprakirakan suhu maksimum dengan prediktor NWP cukup menggunakan data NWP hari pertama pada tahap pembangunan dan tahap implementasi menggunakan prediktor hari berikutnya. Jika dilihat dari akurasi waktu prakiraan, maka secara umum, prakiraan hari pertama lebih akurat dibandingkan prakiraan hari kedua, hari kedua lebih baik hari ketiga, dan seterusnya.
Perbandingan hasil prakiraan suhu maksimum antara dua metode (PLSR dan PCR) menunjukkan bahwa metode PCR sedikit lebih baik dari PLSR. Korelasi terbesar metode PCR sebesar 0,71 (standrad deviasi/SD: 0,12) sedangkan PLSR
63 sebesar 0,74 (SD : 0,14) dan RMSE terkecil metode PCR sebesar 0,91 (SD : 0,27) dan PLSR sebesar 0,79 (SD : 0,22).
Secara umum, berdasarkan nilai RMSE, menunjukkan bahwa pemodelan statistik kedua metode mampu menurunkan RMSE sebesar 0,86oC yaitu dari 2,06oC (tanpa pemodelan) menjadi 1,2oC (dengan pemodelan). Sebagai pembanding, penelitian Maini et al., 2003 menghasilkan RMSE untuk prakiraan suhu maksimum hari ke-1 sampai ke-4 sekitar 1,69oC - 3,1oC. Sedangkan Frederico, 2011 dengan penelitian yang sama menghasilkan RMSE prakiraan suhu maksimum hari ke-1 sampai ke-4 sekitar 2,4 oC sampai 2,9 oC.
Pemodelan prakiraan suhu minimum menggunakan metode dan model yang sama dengan suhu maksimum. Perbedaan hanya terletak pada penentuan jam data NWP. Hasil pemodelan prakiraan suhu minimum yang diperoleh pada penelitian ini adalah bahwa model I sedikit lebih baik dari model II. Dengan demikian dapat dikatakan bahwa untuk memprakirakan suhu minimum dengan prediktor NWP cukup menggunakan data NWP hari pertama pada tahap pembangunan dan tahap implementasi menggunakan prediktor hari berikutnya. Kedua metode (PLSR dan PCR) menghasilkan prakiraan dengan akurasi yang sama.
Secara umum, pemodelan prakiraan suhu minimum mampu memperbaiki prakiraan NWP tanpa pemodelan. Metode PLSR mampu menurunkan RMSE sebesar 1,35oC yaitu dari rata-rata RMSE sebesar 2,05oC menjadi sekitar 0,7oC. Sedangkan metode PCR mampu menurunkan RMSE sebesar 1,31oC, yaitu dari rata-rata RMSE sebesar 2,05oC menjadi sekitar 0,74oC.
Prakiraan kejadian hujan harian
Prakiraan kejadian hujan harian yang dibuat oleh BMKG terbatas pada prakiraan hujan esok hari, sedangkan prakiraan cuaca tiga hari dan satu minggu ke depan hanya berupa prospek cuaca. Penelitian ini akan meningkatkan prakiraan kejadian hujan harian sampai dengan empat hari ke depan per stasiun. Parameter hujan harian mempunyai variasi yang sangat tinggi, sehingga prakiraan jumlah hujan dalam satuan milimeter masih sulit untuk dilakukan. Berdasarkan kondisi tersebut, maka pada penelitian ini tidak memprakirakan jumlah curah hujan melainkan prakiraan kejadian hujan harian, yaitu cerah (tidak hujan), hujan ringan, hujan sedang, hujan lebat dan hujan lebat sekali.
Beberapa penelitian yang memodelkan prakiraan hujan umumnya hanya terbatas pada dua kriteria yaitu hujan dan tidak hujan. Imon et al. (2012) memodelkan prakiraan hujan dengan kriteria hujan sebagai prediktan dan unsur cuaca lainnya sebagai prediktor.
Berdasarkan hasil verifikasi menggunakan statistik akurasi, empat model yang digunakan menunjukkan bahwa metode PC-MCLR model II adalah model yang terbaik. Hal ini juga menunjukkan bahwa komponen utama dari peubah prediktor NWP mampu meningkatkan akurasi prakiraan kejadian hujan harian. Dari delapan lokasi penelitian, empat lokasi yaitu Tangerang, Tanjung Priok, Citeko dan Cengkareng mempunyai tingkat akurasi yang lebih baik dibandingkan empat lokasi lainnya.
Secara umum, hasil pemodelan prakiraan kejadian hujan harian belum menghasilkan akurasi yang baik. Hal ini bisa diakibatkan oleh penentuan kategori
64
yang didasarkan pada nilai peluang tertinggi. Jika peluang untuk kategori tertentu sangat signifikan terhadap kategori yang lain, maka penentuan kategori sebagai hasil prakiraan sangat tepat. Namun jika perbedaan peluang masing-masing kategori hampir sama, maka penentuan kategori prakiraan hujan menjadi tidak tepat. Verifikasi dengan akurasi selisih satu tingkat menghasilkan akurasi yang tinggi yaitu sekitar 90%.