• Tidak ada hasil yang ditemukan

V. SIMPULAN DAN SARAN

5.2. Saran

Pemodelan curah hujan umumnya masih belum memuaskan, untuk itu perlu dilakukan penelitian lebih lanjut untuk memperoleh hasil yang lebih baik dengan menambah periode waktu analisis dan menggunakan metode analisis yang lebih baik. Memperbanyak wilayah kajian adalah keputusan yang baik dengan tujuan menambah pengetahuan tentang potensi pemanfaatan model NWP di Indonesia.

Secara teknis, peneliti menghadapi kendala dalam proses pengolahan data. Data yang cukup besar diproses masih dengan cara semi manual sehingga memakan waktu yang cukup lama. Terutama ketika proses konversi data keluaran NWP menjadi data yang siap diolah. Sehingga, penulis menyarankan untuk membangun suatu sistem yang mampu mengkonversi secara automatis data dari model NWP menjadi data siap untuk diproses bahkan sekaligus dapat menampilkan hasil pengolahan.

DAFTAR PUSTAKA

Ahrens CD. 2009. Meteorology Today: An Introduction to Weather, Climate, and The Environment. Ed ke-9. Canada: Brooks/Cole.

Aldrian E, Susanto RD. 2003. Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature. Int J Climatol 23:1435-1452.

[BMG] Badan Meteorologi dan Geofisika. 2006. Uji operasionalisasi dan validasi model output statistik (MOS) [Laporan]. Jakarta: BMG.

[BMG] Badan Meteorologi dan Geofisika. 2008. Prakiraan musim hujan 2008/2009 di Indonesia [Laporan]. Jakarta: BMG.

Boer R. 2002. Analisis risiko iklim untuk produksi pertanian. Paper pelatihan Dosen PT Se Sumatera-Kalimantan dalam Bidang Pemodelan dan Simulasi Pertanian dan Lingkungan. Bogor, 1-13 Juli 2002.

Cavazos T, Hewitson B. 2002. Relative performance of empirical predictors of daily precipitation. Lugano, Switzerland 2:349-354.

Costello AB & Osborne JW. 2005. Best practices in exploratory factor analysis: four recomendations for getting the most from your analysis. J Pract Asses Research 10:1-9.

Dukkipati RV. 2010. Numerical Methods. New Delhi: New Age International Ltd.

Haan CT. 1979. Statistical Methods in Hydrology. Iowa: The Iowa State University Press.

Handoko. 1994. Dasar Penyusunan dan Aplikasi Model Simulasi Komputer untuk Pertanian. Bogor: Jurusan Geofisika dan Meteorologi, FMIPA-IPB.

Holton JR. 2004. An Introduction to Dynamic Meteorology. Ed ke-4. USA: Elsevier Inc.

Kalnay E. 2003. Atmospheric Modeling, Data Assimilation and predictability. UK: Cambridge University Press.

Neilley PP, Hanson KA. 2004. Are model output statistics still needed? Preprints, 20th Conference on Weather Analysis and Forecasting. Weather Services International. Riegel CA, Bridger AFC. 1992.

Fundamentals of Atmospheric Dynamics and Thermodynamics. Singapore: World Scientific Publishing Co. Pte. Ltd.

Ristanti D. 2009. Inter-relasi keluaran model NWP untuk potensi prakiraan cuaca jangka pendek tiga wilayah tipe hujan di Indonesia [skripsi]. Bogor: FMIPA-IPB.

Stull RB. 2000. Meteorology for Scientist and Engineers. USA: Brooks/Cole. Sutikno. 2008. Statistical downscaling luaran

GCM dan pemanfaatannya untuk peramalan produksi padi [disertasi]. Bogor: Program Pascasarjana-IPB. Swarionoto YS, Makmur E. 2009. Simulasi

prediksi probabilitas awal musim hujan dan panjang musim hujan di Ambon. Bul Met Klim dan Geofis 5:340-353.

Tapp RG, McNamara GF. 1989. Experiments using model output statistcs to predict precipitation at a tropical

location. J Aust Met Mag 37:129-139.

Tjasyono B. 2004. Klimatologi. Bandung: ITB.

Widiharih T. 2001. Penanganan multi-kolinearitas (kekolinearan ganda) dengan analisis regresi komponen utama. J Mat dan Kom 4(2):71-81.

Lampiran 1 Nilai koefisien korelasi antara CH model terhadap rh0, vv8, rh8, vv7, vv5, u7, dan z2 Kota Pontianak pada Musim Kemarau tahun 2008

Correlations: rh0; vv8; rh8; vv7; vv5; u7; z2; CH Model

rh0 vv8 rh8 vv7 vv5 u7 z2 vv8 -0,425 rh8 0,789 -0,518 vv7 -0,596 0,704 -0,510 vv5 -0,568 0,641 -0,515 0,838 u7 -0,680 0,506 -0,601 0,732 0,594 z2 0,561 -0,112 0,295 -0,520 -0,328 -0,572 CH Model 0,671 -0,544 0,524 -0,791 -0,892 -0,651 0,514 Cell Contents: Pearson correlation

Lampiran 2 Nilai koefisien korelasi antara CH model terhadap rh0, vv7, dan vv5 Kota Pontianak pada Musim Hujan tahun 2008

Correlations: rh0; vv7; vv5; CH Model

rh0 vv7 vv5 vv7 -0,242

vv5 -0,490 0,229

CH Model 0,590 -0,547 -0,819

Lampiran 3 Nilai koefisien korelasi antara CH model terhadap rh0, DP0, vv8, rh8, u7, u5, vv7, vv5, dan rh7 Kota Pekanbaru pada Musim Kemarau tahun 2008

Correlations: rh0; DP0; vv8; rh8; u7; u5; vv7; vv5; rh7; CH Model

rh0 DP0 vv8 rh8 u7 u5 vv7 vv5 DP0 0,819 vv8 -0,570 -0,472 rh8 0,692 0,644 -0,752 u7 -0,375 -0,589 0,250 -0,296 u5 -0,348 -0,361 0,156 -0,351 0,452 vv7 -0,679 -0,634 0,784 -0,733 0,464 0,441 vv5 -0,697 -0,732 0,429 -0,465 0,470 0,496 0,588 rh7 0,523 0,407 -0,363 0,631 -0,123 -0,558 -0,527 -0,460 CH Model 0,785 0,796 -0,586 0,648 -0,511 -0,517 -0,825 -0,787 rh7 CH Model 0,519

Lampiran 4 Nilai koefisien korelasi antara CH model terhadap z7, rh0, vv7, dan vv5 Kota Pekanbaru pada Musim Hujan tahun 2008

Correlations: z7; rh0; vv7; vv5; CH Model z7 rh0 vv7 vv5 rh0 -0,459 vv7 0,302 -0,314 vv5 0,578 -0,611 0,598 CH Model -0,516 0,649 -0,599 -0,875

Lampiran 5 Nilai koefisien korelasi antara CH model terhadap z7, rh0, DP0, rh8, dan rh7 Kota Semarang pada Musim Kemarau tahun 2008

Correlations: z7; rh0; DP0; rh8; rh7; CH Model z7 rh0 DP0 rh8 rh7 rh0 0,672 DP0 0,704 0,856 rh8 0,367 0,625 0,787 rh7 0,159 0,358 0,458 0,393 CH Model 0,552 0,646 0,694 0,632 0,579

Lampiran 6 Nilai koefisien korelasi antara CH model terhadap rh0, vv7, vv5, dan rh7 Kota Semarang pada Musim Hujan tahun 2008

Correlations: rh0; vv7; vv5; rh7; CH Model rh0 vv7 vv5 rh7 vv7 -0,547 vv5 -0,593 0,836 rh7 0,524 -0,331 -0,388 CH Model 0,680 -0,857 -0,833 0,598

Lampiran 7 Nilai koefisien korelasi antara CH model terhadap rh0, DP0, rh8, dan rh7 Kota Surabaya pada Musim Kemarau tahun 2008

Correlations: rh0; DP0; rh8; rh7; CH Model rh0 DP0 rh8 rh7 DP0 0,856 rh8 0,593 0,636 rh7 0,295 0,339 0,263 CH Model 0,676 0,629 0,531 0,514

Lampiran 8 Nilai koefisien korelasi antara CH model terhadap rh0, rh8, vv7, vv5, dan DP0 Kota Surabaya pada Musim Hujan tahun 2008

Correlations: rh0; rh8; vv7; vv5; DP0; CH Model rh0 rh8 vv7 vv5 DP0 rh8 0,666 vv7 -0,538 -0,727 vv5 -0,688 -0,627 0,625 DP0 0,630 0,605 -0,255 -0,584 CH Model 0,751 0,575 -0,534 -0,917 0,593

Lampiran 9 Nilai koefisien korelasi antara CH model terhadap rh0, rh8, vv7, vv5 dan rh7 Kota Palu pada Musim Kemarau tahun 2008

Correlations: rh0; rh8; vv7; vv5; rh7; CH Model rh0 rh8 vv7 vv5 rh7 rh8 0,866 vv7 -0,628 -0,645 vv5 -0,575 -0,470 0,673 rh7 0,594 0,673 -0,612 -0,434 CH Model 0,728 0,640 -0,781 -0,894 0,539

Lampiran 10 Nilai koefisien korelasi antara CH model terhadap rh7, vv5, rh0, rh8, vv7, dan DP0 Kota Palu pada Musim Hujan tahun 2008

Correlations: rh7; vv5; rh0; rh8; vv7; DP0; CH Model rh7 vv5 rh0 rh8 vv7 DP0 vv5 -0,379 rh0 0,548 -0,560 rh8 0,649 -0,526 0,822 vv7 -0,390 0,825 -0,483 -0,588 DP0 0,530 -0,524 0,680 0,862 -0,547 CH Model 0,508 -0,850 0,747 0,761 -0,821 0,687

Lampiran 11 Nilai koefisien korelasi antara RH model NWP terhadap T0 dan Dp0 Kota Palu pada Musim Kemarau tahun 2008

Correlations: T0; Dp0; RH model

T0 Dp0 Dp0 -0,311

Lampiran 12 Nilai koefisien korelasi antara RH model NWP terhadap T0 dan Dp0 Kota Palu pada Musim Hujan tahun 2008

Correlations: T0; DP0; RH model

T0 DP0 DP0 0,215

RH model -0,569 0,680

Lampiran 13 Nilai koefisien korelasi antara Tmax model NWP terhadap rh0 dan Dp0 Kota Palu pada Musim Kemarau tahun 2008

Correlations: rh0; Dp0; Tmax Model

rh0 Dp0 Dp0 0,751

Tmax Model -0,922 -0,442

Lampiran 14 Nilai koefisien korelasi antara Tmax model NWP terhadap rh0 dan DP0 Kota Palu pada Musim Hujan tahun 2008

Correlations: rh0; Dp0; Tmax Model

rh0 Dp0 Dp0 0,597

Tmax Model -0,859 -0,104

Lampiran 15 Nilai koefisien korelasi antara Tmin model NWP terhadap rh0 dan DP0 Kota Palu pada Musim Kemarau tahun 2008

Correlations: rh0; Dp0; Tmin Model

rh0 Dp0 Dp0 0,752

Tmin Model -0,283 0,417

Lampiran 16 Nilai koefisien korelasi antara Tmin model NWP terhadap rh0 dan DP0 Kota Palu pada Musim Hujan tahun 2008

Correlations: rh0; Dp0; Tmin Model

rh0 Dp0 Dp0 0,665

Tmin Model 0,273 0,895

Lampiran 17 Nilai Variance Inflation Factor (VIF) prediktor CH model Kota Pontianak pada Musim Kemarau tahun 2008

Predictor VIF rh0 4,167 vv8 2,661 rh8 3,296 vv7 6,841 vv5 3,862 u7 2,940 z2 2,363

Lampiran 18 Nilai Variance Inflation Factor (VIF) prediktor CH model Kota Pontianak pada Musim Hujan tahun 2008

Predictor VIF

rh0 1,347

vv7 1,081

Lampiran 19 Nilai Variance Inflation Factor (VIF) prediktor CH Model Kota Pekanbaru pada Musim Kemarau tahun 2008

Predictor VIF rh0 4,256 DP0 5,503 vv8 4,357 rh8 4,848 u7 2,180 u5 2,212 vv7 4,520 vv5 2,988 rh7 2,661

Lampiran 20 Nilai Variance Inflation Factor (VIF) prediktor CH model Kota Pekanbaru pada Musim Hujan tahun 2008

Predictor VIF z7 1,548

rh0 1,648

vv7 1,571

vv5 2,656

Lampiran 21 Nilai Variance Inflation Factor (VIF) prediktor CH Model Kota Semarang pada Musim Kemarau tahun 2008

Predictor VIF z7 2,634 rh0 3,921 DP0 9,171 rh8 3,236 rh7 1,361

Lampiran 22 Nilai Variance Inflation Factor (VIF) prediktor CH Model Kota Semarang pada Musim Hujan tahun 2008

Predictor VIF

rh0 1,858

vv7 3,365

vv5 3,673

rh7 1,399

Lampiran 23 Nilai Variance Inflation Factor (VIF) prediktor CH Model Kota Surabaya pada Musim Kemarau tahun 2008

Predictor VIF

rh0 3,801

DP0 4,230

rh8 1,712

rh7 1,135

Lampiran 24 Nilai Variance Inflation Factor (VIF) prediktor CH Model Kota Surabaya pada Musim Hujan tahun 2008

Predictor VIF rh0 2,505 rh8 3,652 vv7 3,154 vv5 2,659 DP0 2,551

Lampiran 25 Nilai Variance Inflation Factor (VIF) prediktor CH model Kota Palu pada Musim Kemarau tahun 2008

Predictor VIF

rh0 4,693

rh8 5,074

vv5 2,077 rh7 2,032

Lampiran 26 Nilai Variance Inflation Factor (VIF) prediktor CH model Kota Palu pada Musim Hujan tahun 2008

Predictor VIF rh7 1,753 vv5 3,920 rh0 3,774 rh8 8,593 vv7 3,895 DP0 4,161

Lampiran 27 Nilai Variance Inflation Factor (VIF) prediktor RH model Kota Palu pada Musim Kemarau tahun 2008

Predictor VIF

T0 1,107

Dp0 1,107

Lampiran 28 Nilai Variance Inflation Factor (VIF) prediktor RH model Kota Palu pada Musim Hujan tahun 2008

Predictor VIF

T0 1,049

DP0 1,049

Lampiran 29 Analisis Faktor model CH Kota Pontianak pada Musim Kemarau tahun 2008

1) Apakah terdapat multikolinearitas? Ada, nilai VIF terbesar > 4 (Lampiran 17) 2) Melakukan analisis faktor menggunakan Minitab 15:

a. Prediktor: rh0, vv8, rh8, vv7, vv5, u7 (C1-C6) b. Prediktan: CH Model (C7)

c. Stat > Multivariate > Factor Analysis > C1-C6 > Varimax > Storage >> Storage Loadings: C9-C14

Rotated Factor Loadings and Communalities Varimax Rotation

Variable Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Communality rh0 -0,246 0,125 0,308 0,453 -0,784 0,092 1,000 vv8 0,301 -0,902 -0,180 -0,208 0,101 -0,098 1,000 rh8 -0,183 0,225 0,231 0,873 -0,310 0,059 1,000 vv7 0,594 -0,389 -0,405 -0,143 0,209 -0,517 1,000 vv5 0,884 -0,296 -0,224 -0,196 0,189 -0,076 1,000 u7 0,266 -0,200 -0,865 -0,256 0,251 -0,111 1,000

d. Dengan memberikan batasan physical significance correlation > 0,8 maka dinyatakan bahwa variabel independent yang tetap dipertahankan adalah: vv8, rh8, vv5, u7

e. Stat > Multivariate > Factor Analysis > vv8, rh8, vv5, dan u7 > Varimax > Storage >> Storage Loadings: C16-C19 (L*) >> Cofficients: C21-C24 (R-1xL*) f. Menyimpan nilai Storage Cofficients ke dalam suatu matriks (M1) dengan cara:

Data > Copy > Column to Matrix >> Copy from columns: C21-C24 >> In current sheet, in matrix: M1

g. Membangun matriks diagonal ( 2 1

D ) kemudian menyimpannya dalam matriks (M2) dengan terlebih dahulu melihat nilai Variance dari Unrotated Factor Loadings and Communalities (D)

Unrotated Factor Loadings and Communalities

Variable Factor1 Factor2 Factor3 Factor4 Communality vv8 0,812 0,432 -0,269 0,285 1,000 rh8 -0,800 0,429 0,383 0,171 1,000

vv5 0,842 0,300 0,246 -0,374 1,000 u7 0,825 -0,316 0,386 0,267 1,000 Variance 2,6882 0,5608 0,4284 0,3225 4,0000 % Var 0,672 0,140 0,107 0,081 1,000

 Nila Ddisimpan dalam kolom: C26 (2,6882 0,5608 0,4284 0,3225)

 Nilai 2 1

D disimpan dalam kolom: C27 Sehingga, matriks diagonal 2

1

D dibangun dengan: Calc > Matrices > Diagonal >>

Make diagonal matrix >>> Using column: C27 >>> Store result in: M2 h. Menghitung nilai E = R-1x L* x 2

1

D , E = M1 x M2 disimpan dalam kolom: C29-C32, dalam matriks M3

Calc > Matrices > Arithmetic > Multipy > M1*M2 > Store result in: M3

i. Membangun matriks X

X-X

/sx di simpan dalam kolom: C39-C43, kemudian disimpan dalam matriks M4.

Data > Copy > Column to matrix > Copy from columns: C39-C43 > In current worksheet, in matrix: M4

j. Menghitung nilai z* = X . E, z* = M4 x M3 disimpan dalam kolom: C45-C49 Calc > Matrices > Arithmetic > Multipy > M4*M3 > Store result in: M5 3) Persamaan regresi model dengan analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: C45-C49

Regression Analysis: CH Model versus z*1; z*2; z*3; z*4

The regression equation is

CH Model = 8,53 - 1,98 z*1 + 3,79 z*2 + 7,80 z*3 - 17,9 z*4 Predictor Coef SE Coef T P VIF

Constant 8,525 1,131 7,53 0,000 z*1 -1,9757 0,7023 -2,81 0,010 1,000 z*2 3,788 1,538 2,46 0,021 1,000 z*3 7,803 1,759 4,44 0,000 1,000 z*4 -17,894 2,028 -8,82 0,000 1,000 S = 6,09312 R-Sq = 82,3% R-Sq(adj) = 79,3% Analysis of Variance Source DF SS MS F P Regression 4 4140,8 1035,2 27,88 0,000 Residual Error 24 891,0 37,1 Total 28 5031,8 Source DF Seq SS z*1 1 293,8 z*2 1 225,3 z*3 1 730,4 z*4 1 2891,3 Unusual Observations

Obs z*1 CH Model Fit SE Fit Residual St Resid 4 -1,03 60,31 39,59 3,34 20,72 4,06R R denotes an observation with a large standardized residual.

4) Persamaan regresi model:

CH Model = 8,53 - 1,98 z*1 + 3,79 z*2 + 7,80 z*3 - 17,9 z*4

5) Setelah dikembalikan ke variabel semula, persamaan regresi model menjadi:

Lampiran 30 Analisis faktor model CH Kota Pontianak pada Musim Hujan tahun 2008

1) Apakah terdapat multikolinearitas? Tidak ada, nilai VIF terbesar < 4 (Lampiran 18) 2) Persamaan regresi model tanpa analisis faktor (regresi linear sederhana):

Stat > Regression > Regression > Response: CH Model > Predictors: rh0, vv7, dan vv5

Regression Analysis: CH Model versus rh0; vv7; vv5

The regression equation is

CH Model = - 52,2 + 0,665 rh0 - 1,31 vv7 - 1,80 vv5 Predictor Coef SE Coef T P VIF Constant -52,20 26,46 -1,97 0,059 rh0 0,6651 0,3217 2,07 0,048 1,347 vv7 -1,3066 0,3007 -4,34 0,000 1,081 vv5 -1,8027 0,2528 -7,13 0,000 1,338 S = 6,58997 R-Sq = 83,4% R-Sq(adj) = 81,6% Analysis of Variance Source DF SS MS F P Regression 3 5899,9 1966,6 45,29 0,000 Residual Error 27 1172,5 43,4 Total 30 7072,4 Source DF Seq SS rh0 1 2464,2 vv7 1 1227,4 vv5 1 2208,3 Unusual Observations

Obs rh0 CH Model Fit SE Fit Residual St Resid 4 86,3 17,89 31,01 2,52 -13,12 -2,15R 15 83,8 26,81 9,59 1,62 17,22 2,70R 23 91,6 81,86 72,31 5,45 9,55 2,58RX 31 76,5 7,09 13,71 4,21 -6,62 -1,31 X R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage.

3) Persamaan regresi model:

CH Model = - 52,2 + 0,665 rh0 - 1,31 vv7 - 1,80 vv5

Lampiran 31 Analisis faktor model CH Kota Pekanbaru pada Musim Kemarau tahun 2008

1) Apakah terdapat multikolinearitas? Ada, nilai VIF terbesar > 4 (Lampiran 19) 2) Melakukan analisis faktor menggunakan Minitab 15:

a. Prediktor: rh0, DP0, vv8, rh8, u7, u5, vv7, vv5, rh7 (C1-C9) b. Prediktan: CH Model (C10)

c. Stat > Multivariate > Factor Analysis > C1-C9 > Varimax > Storage >> Storage Loadings: C12-C20

d. Dengan memberikan batasan physical significance correlation > 0,8 maka dinyatakan bahwa variabel independent yang tetap dipertahankan adalah: rh0, vv8, u7, u5, vv5, rh7 (C1, C3, C5, C6, C8, C9)

e. Stat > Multivariate > Factor Analysis > C1, C3, C5, C6, C8, C9> Varimax > Storage >> Storage Loadings: C22-C27 (L*) >> Cofficients: C29-C34 (R-1xL*) f. Menyimpan nilai Storage Cofficients ke dalam suatu matriks (M1) dengan cara:

Data > Copy > Column to Matrix >> Copy from columns: C29-C34 >> In current sheet, in matrix: M1

g. Membangun matriks diagonal ( 2 1

D ) kemudian menyimpannya dalam matriks (M2) dengan terlebih dahulu melihat nilai Variance dari Unrotated Factor Loadings and Communalities (D)

 Nila Ddisimpan dalam kolom: C36

 Nilai 2 1

D disimpan dalam kolom: C37 Sehingga, matriks diagonal 2

1

D dibangun dengan: Calc > Matrices > Diagonal >>

Make diagonal matrix >>> Using column: C37 >>> Store result in: M2 h. Menghitung nilai E = R-1x L* x 2

1

D , E = M1 x M2 disimpan dalam kolom: C39-C44, dalam matriks M3

Calc > Matrices > Arithmetic > Multipy > M1*M2 > Store result in: M3

i. Membangun matriks X

X-X

/sx di simpan dalam kolom: C46-C51, kemudian disimpan dalam matriks M4.

Data > Copy > Column to matrix > Copy from columns: C39-C43 > In current worksheet, in matrix: M4

j. Menghitung nilai z* = X . E, z* = M4 x M3 disimpan dalam kolom: C53-C58 Calc > Matrices > Arithmetic > Multipy > M4*M3 > Store result in: M5 3) Persamaan regresi model dengan analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: C53-C58

Regression Analysis: CH Model versus z*1; z*2; z*3; z*4; z*5; z*6

The regression equation is

CH Model = 6,73 - 1,12 z*1 + 1,61 z*2 - 1,38 z*3 - 2,10 z*4 + 4,68 z*5 + 5,21 z*6

S = 2,82400 R-Sq = 78,4% R-Sq(adj) = 73,0%

4) Persamaan regresi model:

CH Model = 6,73 - 1,12 z*1 + 1,61 z*2 - 1,38 z*3 - 2,10 z*4 + 4,68 z*5 + 5,21 z*6

5) Setelah dikembalikan ke variabel semula, persamaan regresi menjadi:

CH Model = -31,812 + 0,411 rh0 – 0,612 vv8 – 0,296 u7 – 0,208 u5 – 0,943 vv5 +

0,018 rh7

Lampiran 32 Analisis faktor model CH Kota Pekanbaru pada Musim Hujan tahun 2008

1) Apakah terdapat multikolinearitas? Tidak ada, nilai VIF terbesar < 4 (Lampiran 20) 2) Persamaan regresi model tanpa analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: z7, rh0, vv7, vv5

Regression Analysis: CH Model versus z7; rh0; vv7; vv5

The regression equation is

CH Model = - 44 + 0,07 z7 + 0,318 rh0 - 0,364 vv7 - 1,74 vv5 S = 4,29700 R-Sq = 79,9% R-Sq(adj) = 76,6%

3) Persamaan regresi model:

CH Model = - 44 + 0,07 z7 + 0,318 rh0 - 0,364 vv7 - 1,74 vv5

Lampiran 33 Analisis faktor model CH Kota Semarang pada Musim Kemarau tahun 2008

1) Apakah terdapat multikolinearitas? Ada, nilai VIF terbesar > 4 (Lampiran 21) 2) Melakukan analisis faktor menggunakan Minitab 15:

a. Prediktor: z7, rh0, DP0, rh8, rh7 (C1-C5) b. Prediktan: CH Model (C6)

c. Stat > Multivariate > Factor Analysis > C1-C5 > Varimax > Storage >> Storage Loadings: C8-C12

d. Dengan memberikan batasan physical significance correlation > 0,8 maka dinyatakan bahwa variabel independent yang tetap dipertahankan adalah: z7, rh0, rh8, rh7 (C1, C2, C4, C5)

Storage >> Storage Loadings: C14-C17 (L*) >> Cofficients: C19-C22 (R-1xL*) f. Menyimpan nilai Storage Cofficients ke dalam suatu matriks (M1) dengan cara:

Data > Copy > Column to Matrix >> Copy from columns: C19-C22 >> In current sheet, in matrix: M1

g. Membangun matriks diagonal ( 2 1

D ) kemudian menyimpannya dalam matriks (M2) dengan terlebih dahulu melihat nilai Variance dari Unrotated Factor Loadings and Communalities (D)

 Nila Ddisimpan dalam kolom: C24

 Nilai 2 1

D disimpan dalam kolom: C25 Sehingga, matriks diagonal 2

1

D dibangun dengan: Calc > Matrices > Diagonal >>

Make diagonal matrix >>> Using column: C25 >>> Store result in: M2 h. Menghitung nilai E = R-1x L* x 2

1

D , E = M1 x M2 disimpan dalam kolom: C27-C30, dalam matriks M3

Calc > Matrices > Arithmetic > Multipy > M1*M2 > Store result in: M3

i. Membangun matriks X

X-X

/sx di simpan dalam kolom: C32-C35, kemudian disimpan dalam matriks M4.

Data > Copy > Column to matrix > Copy from columns: C32-C35 > In current worksheet, in matrix: M4

j. Menghitung nilai z* = X . E, z* = M4 x M3 disimpan dalam kolom: C37-C40 Calc > Matrices > Arithmetic > Multipy > M4*M3 > Store result in: M5 3) Persamaan regresi model dengan analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: C37-C40

Regression Analysis: CH Model versus z*1; z*2; z*3; z*4

The regression equation is

CH Model = 1,31 + 0,503 z*1 + 0,876 z*2 + 1,20 z*3 - 1,22 z*4 S = 1,22492 R-Sq = 64,9% R-Sq(adj) = 59,5%

4) Persamaan regresi model:

CH Model = 1,31 + 0,503 z*1 + 0,876 z*2 + 1,20 z*3 - 1,22 z*4

5) Setelah dikembalikan ke variabel semula, persamaan regresi menjadi:

CH Model = -238,648 + 0,711 z7 + 0,078 rh0 + 0,111 rh8 + 0,045 rh7

Lampiran 34 Analisis faktor model CH Kota Semarang pada Musim Hujan tahun 2008

1) Apakah terdapat multikolinearitas? Tidak ada, nilai VIF terbesar < 4 (Lampiran 22) 2) Persamaan regresi model dengan analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: rh0, vv7, vv5, rh7

Regression Analysis: CH Model versus rh0; vv7; vv5; rh7

The regression equation is

CH Model = - 182 + 0,956 rh0 - 2,42 vv7 - 1,04 vv5 + 1,16 rh7 S = 6,45543 R-Sq = 87,4% R-Sq(adj) = 85,3%

3) Persamaan regresi model:

CH Model = - 182 + 0,956 rh0 - 2,42 vv7 - 1,04 vv5 + 1,16 rh7

Lampiran 35 Analisis faktor model CH Kota Surabaya pada Musim Kemarau tahun 2008

1) Apakah terdapat multikolinearitas? Ada, nilai VIF terbesar > 4 (Lampiran 23) 2) Melakukan analisis faktor menggunakan Minitab 15:

a. Prediktor: rh0, DP0, rh8, rh7 (C1-C4) b. Prediktan: CH Model (C5)

Storage >> Storage Loadings: C7-C10

d. Dengan memberikan batasan physical significance correlation > 0,8 maka dinyatakan bahwa variabel independent yang tetap dipertahankan adalah: rh0, rh8, rh7 (C1, C3, C4) e. Stat > Multivariate > Factor Analysis > C1, C3, C4 > Varimax >

Storage >> Storage Loadings: C12-C14 (L*) >> Cofficients: C16-C18 (R-1xL*) f. Menyimpan nilai Storage Cofficients ke dalam suatu matriks (M1) dengan cara:

Data > Copy > Column to Matrix >> Copy from columns: C16-C18 >> In current sheet, in matrix: M1

g. Membangun matriks diagonal ( 2 1

D ) kemudian menyimpannya dalam matriks (M2) dengan terlebih dahulu melihat nilai Variance dari Unrotated Factor Loadings and Communalities (D)

 Nila Ddisimpan dalam kolom: C20

 Nilai 2 1

D disimpan dalam kolom: C21 Sehingga, matriks diagonal 2

1

D dibangun dengan: Calc > Matrices > Diagonal >>

Make diagonal matrix >>> Using column: C21 >>> Store result in: M2 h. Menghitung nilai E = R-1x L* x 2

1

D , E = M1 x M2 disimpan dalam kolom: C23-C25, dalam matriks M3

Calc > Matrices > Arithmetic > Multipy > M1*M2 > Store result in: M3

i. Membangun matriks X

X-X

/sx di simpan dalam kolom: C27-C29, kemudian disimpan dalam matriks M4.

Data > Copy > Column to matrix > Copy from columns: C27-C29 > In current worksheet, in matrix: M4

j. Menghitung nilai z* = X . E, z* = M4 x M3 disimpan dalam kolom: C31-C33 Calc > Matrices > Arithmetic > Multipy > M4*M3 > Store result in: M5 3) Persamaan regresi model dengan analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: C31-C33

Regression Analysis: CH Model versus z*1; z*2; z*3

The regression equation is

CH Model = 0,389 + 0,237 z*1 + 0,285 z*2 + 0,658 z*3 S = 0,522848 R-Sq = 58,1% R-Sq(adj) = 53,4%

4) Persamaan regresi model:

CH Model = 0,389 + 0,237 z*1 + 0,285 z*2 + 0,658 z*3

5) Setelah dikembalikan ke variabel semula, persamaan regresi menjadi:

CH Model = -13,674 + 0,161 rh0 + 0,022 rh8 + 0,015 rh7

Lampiran 36 Analisis faktor model CH Kota Surabaya pada Musim Hujan tahun 2008

1) Apakah terdapat multikolinearitas? Tidak ada, nilai VIF terbesar < 4 (Lampiran 24) 2) Persamaan regresi model dengan analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: rh0, rh8, vv7, vv5, Dp0

Regression Analysis: CH Model versus rh0; rh8; vv7; vv5; DP0

The regression equation is

CH Model = - 48,3 + 0,762 rh0 - 0,171 rh8 + 0,286 vv7 - 2,66 vv5 + 0,06 DP0 S = 3,57321 R-Sq = 87,7% R-Sq(adj) = 85,3%

3) Persamaan regresi model:

Lampiran 37 Analisis faktor model CH Kota Palu pada Musim Kemarau tahun 2008

1) Apakah terdapat multikolinearitas? Ada, nilai VIF terbesar > 4 (Lampiran 25) 2) Melakukan analisis faktor menggunakan Minitab 15:

a. Prediktor: rh0, rh8, vv7, vv5, rh7 (C1-C5) b. Prediktan: CH Model (C6)

c. Stat > Multivariate > Factor Analysis > C1-C5 > Varimax > Storage >> Storage Loadings: C8-C12

d. Dengan memberikan batasan physical significance correlation > 0,8 maka dinyatakan bahwa variabel independent yang tetap dipertahankan adalah: rh0, rh8, vv7, vv5, rh7 e. Stat > Multivariate > Factor Analysis > C1-C5 > Varimax >

Storage >> Storage Loadings: C8-C12 (L*) >> Cofficients: C14-C18 (R-1xL*) f. Menyimpan nilai Storage Cofficients ke dalam suatu matriks (M1) dengan cara:

Data > Copy > Column to Matrix >> Copy from columns: C14-C18 >> In current sheet, in matrix: M1

g. Membangun matriks diagonal ( 2 1

D ) kemudian menyimpannya dalam matriks (M2) dengan terlebih dahulu melihat nilai Variance dari Unrotated Factor Loadings and Communalities (D)

 Nila Ddisimpan dalam kolom: C20

 Nilai 2 1

D disimpan dalam kolom: C21 Sehingga, matriks diagonal 2

1

D dibangun dengan: Calc > Matrices > Diagonal >>

Make diagonal matrix >>> Using column: C21 >>> Store result in: M2 h. Menghitung nilai E = R-1x L* x 2

1

D , E = M1 x M2 disimpan dalam kolom: C23-C27, dalam matriks M3

Calc > Matrices > Arithmetic > Multipy > M1*M2 > Store result in: M3

i. Membangun matriks X

X-X

/sx di simpan dalam kolom: C29-C33, kemudian disimpan dalam matriks M4.

Data > Copy > Column to matrix > Copy from columns: C29-C33 > In current worksheet, in matrix: M4

j. Menghitung nilai z* = X . E, z* = M4 x M3 disimpan dalam kolom: C35-C39 Calc > Matrices > Arithmetic > Multipy > M4*M3 > Store result in: M5 3) Persamaan regresi model dengan analisis faktor:

Stat > Regression > Regression > Response: CH Model > Predictors: C35-C39

Regression Analysis: CH Model versus z*1; z*2; z*3; z*4; z*5

The regression equation is

CH Model = 8,38 + 2,33 z*1 + 8,88 z*2 - 3,18 z*3 + 7,69 z*4 + 0,76 z*5 S = 3,71675 R-Sq = 89,1% R-Sq(adj) = 86,7%

4) Persamaan regresi model:

Dokumen terkait