PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN
MELALUI INTEGRASI MAKRO NCL DALAM SISTEM
INFORMASI IKLIM BERBASIS WEB
TAUFIK HIDAYAT
DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Desember 2015
Taufik Hidayat
ABSTRAK
TAUFIK HIDAYAT. Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web. Dibimbing oleh AKHMAD FAQIH.
Pada penelitian ini, dikembangkan perangkat lunak prediksi iklim musiman berbasis web. Perhitungan model prediksi dilakukan dengan menggunakan metode Principal Component Regression (PCR) yang kode programnya disusun menggunakan perangkat lunak NCAR Command Language
(NCL). Sebagai input prediksi, digunakan data curah hujan luaran dari tiga model iklim global (Global Climate Model, GCM) yang terdapat di dalam North American Multi Model Ensemble (NMME). Ketiga model tersebut yaitu model GCM CMC1-CanCM3, CMC2-CanCM4 dan NCEP-CFSv2. Penelitian ini menggunakan data curah hujan observasi CHIRPS versi 2.0 sebagai prediktan untuk penyusunan model prediksi. Hasil pengujian metode PCR dengan NCL menunjukkan prediksi yang baik pada curah hujan bulanan di musim kemarau, yaitu untuk bulan July dan Oktober. Pola spasial curah hujan hasil prediksi pada kedua bulan tersebut mendekati pola observasi. Sebaliknya, pola curah hujan bulanan pada musim hujan untuk ketiga model menunjukkan hasil yang berbeda pada sebagian wilayah di Indonesia. Pada hasil skill model menggunakan korelasi Pearson juga menunjukkan nilai korelasi yang baik pada prediksi bulan kering terutama di wilayah Kalimantan dan Sumatra di semua model. Nilai korelasi Pearson tersebut memiliki nilai yang tinggi pada lead month 1 dan cenderung menurun pada lead month 2 dan 3. Nilai korelasi Pearson tertinggi terdapat pada model CMC1-CanCM3 sebesar 0.215. Selain korelasi, juga dilihat nilai anomali curah hujan yang menunjukkan nilai yang rendah pada bulan Juli sehingga mendekati nilai observasi. Sedangkan hasil prediksi bulan Januari nilai anomalinya cenderung lebih tinggi dari observasi.
ABSTRACT
TAUFIK HIDAYAT. Seasonal Climate Prediction Model Development with NCL Macro Integration in Climate Information System Web-Based. Supervised by AKHMAD FAQIH.
This study developed a web-based seasonal climate prediction tool. The prediction models were calculated using Principal Component Regression (PCR), where the source codes were developed using NCAR Command Language (NCL). Rainfall data from the outputs of three Global Climate Models (GCMs) used in the North American Multi-Model Ensemble (NMME) database are used as predictors. Those three models are CMC1-CanCM3, CMC2-CanCM4 and NCEP-CFSv2. This study used gridded rainfall data from CHIRPS version 2.0 dataset as predictand for the prediction models. The result of PCR methods developed in NCL showed a relatively well prediction results for the monthly rainfall during the dry season, i.e. in July and October. The spatial patterns of monthly rainfall for both periods were relatively similar compared to the observed data. In contrast, the patterns of monthly rainfall from the three models showed different results in some areas in Indonesia. The Pearson’s correlation results indicated a relatively good skills during the dry season, especially in Kalimantan and Sumatra. Higher correlation values are mostly found on 1 month lead time and tend to decrease on 2 and 3 month lead time. Among the three models, CMC1-CanCM3 has the highest correlation values with r= 0.215. This study also compared the anomaly results between the predicted and observed data, where the predicted rainfall anomalies in July were nearly similar with the observed, while the predicted anomalies in January are found to be higher than the observed.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
pada
Departemen Geofisika dan Meteorologi
PENGEMBANGAN MODEL PREDIKSI IKLIM MUSIMAN
MELALUI INTEGRASI MAKRO NCL DALAM SISTEM
INFORMASI IKLIM BERBASIS WEB
TAUFIK HIDAYAT
DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Judul Skripsi : Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web
Nama : Taufik Hidayat NIM : G24110030
Disetujui oleh
Dr Ir Tania June, M.Sc Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ialah prediksi iklim curah hujan, dengan judul Pengembangan Model Prediksi Iklim Musiman Melalui Integrasi Makro NCL dalam Sistem Informasi Iklim Berbasis Web.
Terima kasih penulis ucapkan kepada Bapak Dr Akhmad Faqih selaku pembimbing skripsi yang telah memberikan banyak ide, kritik, serta saran demi kelancaran karya ilmiah ini. Terima kasih juga penulis ucapkan kepada seluruh dosen Laboratorium Klimatologi yang telah banyak memberi saran dan seluruh staf serta pengajar di Departemen Geofisika dan Meteorologi atas bimbingan serta ilmu yang diberikan selama menjalani perkuliahan.
Ungkapan terima kasih juga disampaikan kepada keluarga besar tercinta yang selalu mendukung member semangat dan doa. Terima kasih juga penulis ucapkan kepada seluruh kerabat dekat di Institut Pertanian Bogor serta seluruh anggota Laboratorium Klimatologi khususnya teman satu bimbingan Alvin Gustomy, dan Radini atas dukungan dan kerjasamanya selama ini. Terima kasih juga penulis ucapkan untuk rekan Jejaka Community yang senantiasa memberikan semangat dan bantuan hingga selesainya karya ilmiah ini. Semoga karya ilmiah ini bermanfaat dan dapat dikembangkan.
Jakarta, Desember 2015
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 1
METODE 2
Alat dan Bahan 2
Prosedur Analisis Data 2
Pengumpulan Data 2
Otomasi dan Sistem Informasi Iklim 4
Model Prediksi Iklim dan Cross validation Model 4
HASIL DAN PEMBAHASAN 6
Sistem Informasi Iklim 6
Validasi Data CHIRPS 7
Model Prediksi Curah Hujan 9
Nilai PC Score 9
Hasil PCR 10
Peta Skill Forecast 11
Peta Forecast Curah Hujan 13
Peta Anomali Curah Hujan Prediksi 18
SIMPULAN DAN SARAN 19
Simpulan 19
Saran 19
DAFTAR PUSTAKA 19
LAMPIRAN 21
RIWAYAT HIDUP 33
DAFTAR TABEL
1 Deskripsi data yang digunakan dalam pembuatan model Prediksi 2 2 Deskripsi Stasiun BMKG untuk Validasi data CHIRPS 3 3 Nilai Korelasi setelah koreksi pada delapan sampel stasiun 8 4 Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan
Model NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS 10
DAFTAR GAMBAR
1 Plot sebaran stasiun BMKG untuk validasi CGIRPS 4 2 Desain Eksperimen Cross Validation model GCM 5 3 Halaman utama web hasil otomasi prediksi curah hujan 6
4 Hasil software otomasi PCR di web 7
5 Plot lokasi stasiun BMKG dan nilai korelasi 8 6 Perbandingan rataan curah hujan bulanan observasi dengan data CHIRPS
sebelum dan sesudah koreksi. 9
7 Nilai principal component (PC) pada tiga model dalam bentuk grafik
scree plot hasil makro NCL 10
8 Peta Skill forecast bulan Januari keluaran system pada tiga model 11 9 Peta Skill forecast Juli keluaran sistem pada tiga model. 12 10 Peta Forecast curah hujan Indonesia Issued month bulan Januari
keluaran sistem dan observation map (data curah hujan: CHRIPS) 14 11 Peta Forecast curah hujan Indonesia Issued month bulan April keluaran
sistem dan observation map (data curah hujan: CHRIPS) 15 12 Peta Forecast curah hujan Indonesia Issued month: Juli keluaran sistem
dan observation map (data curah hujan: CHRIPS) 16
13 Peta Forecast curah hujan Indonesia Issued month bulan Oktober
keluaran sistem dan observation map (data curah hujan: CHRIPS) 17 14 Peta sebaran nilai anomali curah hujan prediksi dengan nilai observasi 18
DAFTAR LAMPIRAN
1. Diagram Alir Pembuatan CH Forecast 21
2. Coding NCL 21
3. Coding sh dan setting otomasi crontab 26
4. Nilai Koefisien Determinasi Model 27
PENDAHULUAN
Latar Belakang
Sistem informasi iklim (SII) berguna untuk mengetahui kejadian iklim yang sedang terjadi saat ini, yang telah lalu, serta memprediksi iklim yang akan datang sehingga dapat meminimalisir kerugian dan meningkatkan keuntungan. SII juga sangat berguna untuk meningkatkan pengetahuan masyarakat umum terutama profesi/kerja manusia yang menggunakan iklim sebagai salah satu faktor penentu kegiatannya (Boer 2009). SII yang semakin berkembang didasari dari sifat iklim yang bervariasi dari waktu ke waktu baik itu secara musiman atau tahunan sehingga membuat manajemen data dan informasi iklim diperlukan agar pengelolaanya menjadi terstruktur dan mudah dalam menganalisisnya. Oleh karena itu, penyedia layanan informasi prediksi iklim musiman semakin diperlukan guna memperoleh informasi iklim yang mudah dan efisien.
SII yang berkembang saat ini salah satunya adalah melalui sistem web yang dapat diakses melalui jaringan internet. Kelebihan dari sistem web ini adalah akses sistem dapat dilakukan secara real time melalui penjelajah situs web browser. Namun saat ini, situs penyedia layanan prediksi iklim umumnya masih berbasis
oriented user dimana pengguna melakukan serangkaian kerja seperti input data, seleksi dan lainnya untuk memperoleh hasil prediksi iklim yang diinginkan. Adapun perkembangan sistem prediksi di Indonesia telah dilakukan oleh beberapa lembaga seperti Badan Meteorologi Klimatologi dan Geofisika (BMKG) dan Lembaga Penerbangan dan Antariksa Nasional (LAPAN) yang menyediakan beberapa informasi iklim. Namun pemanfaatan data luaran Global Circulation Model (GCM) pada pembuatan prediksi masih terbilang minim padahal data tersebut dapat diperoleh secara bebas di internet dan memiliki banyak program aplikasi yang mendukung dalam teknik pengelolaanya.
Sistem prediksi iklim yang dibuat pada penelitian ini menggunakan data luaran GCM yang merupakan suatu model dengan orientasi spasial dan temporal. Data GCM ini digunakan sebagai alat prediksi utama iklim secara numerik sebagai sumber informasi primer untuk menilai beberapa parameter iklim. Namun, informasi GCM masih berskala global sehingga perlu dilakukan teknik downscaling guna memperoleh informasi prediksi iklim lokal yang cenderung dipengaruhi oleh topografi dan tataguna lahan. Adapan metode yang digunakan adalah metode PCR untuk membuat prediksi iklim wilayah Indonesia dengan bantuan perangkat lunak NCL. Sistem prediksi iklim dibuat dengan sebuah otomasi didalamnya dimana sistem diatur untuk menjalankan program secara otomatis tiap bulan untuk menghasilkan keluaran prediksi. Sistem juga akan secara otomatis mengunduh data luaran GCM dan melakukan kalkulasi secara statistik dan matematik untuk menghasilkan forecast. Dengan demikian pengguna (end user) dapat memperoleh informasi iklim secara efisien dan efektif.
Tujuan Penelitian Penelitian ini bertujuan untuk :
1. Membuat otomasi sistem prediksi iklim musiman berbasis model PCR dan
Cross Validation dengan script makro NCAR Command Language (NCL). 2. Melakukan analisis data prediksi iklim pada ketiga model hasil keluaran sistem
METODE
Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah sebuah perangkat personal computer (PC) dengan software linux versi 14.1.6, software NCL versi 6.1.2, Xampp Apache versi 1.8.3, PHP 5, Aplikasi Schedule Crontab dan bahasa pemrograman PERL yang dijalankan menggunakan Linux Ubuntu versi 14.04.
Bahan yang digunakan dalam penelitian adalah:
1. Data historis prediksi (Hindcast) dan prediksi akan datang (Forecast) dari luaran model GCM CMC1-CanCM3, CMC2-CanCM3 dan NCEP-CFSv2 dari database the North American Multimodel Ensemble (NMME; Kirtman et al. 2014). 2. Data curah hujan bulanan Climate Hazards Group Infrared Precipitation with
Station data (CHIRPS) versi 2.0 (Funk et al. 2015) untuk wilayah Indonesia. 3. Data Curah Hujan Observasi BMKG sebanyak 24 stasiun (Data Online BMKG)
Prosedur Analisis Data Pengumpulan Data
Penelitian ini menggunakan data luaran model GCM dari Hindcast\ dan
Forecast dari basis data NMME (Kirtman et al. 2014). Ada tiga model luaran yang digunakan sebagai pilihan data prediktor, CMC1-CanCM3, CMC2-CanCM4 dan NCEP-CFSv2. Data ketiga model tersebut di akses melalui website IRI/LDEO
Climate Data Library (alamat website: http://iridl.ldeo.columbia.edu/ SOURCES/.Models/.NMME/). Data Hindcast digunakan untuk membangun dan mengembangkan model prediksi, sedangkan data Forecast digunakan untuk membuat prediksi. Data curah hujan yang digunakan dalam penelitian ini adalah data CHIRPS versi 2.0 bulanan wilayah Indonesia.
Table 1 Deskripsi data yang digunakan dalam pembuatan model Prediksi
3
2001), data Tropical Rainfall Measuring Mission (TRMM) (Huffman et al. 2007), model curah hujan Climate Forecast Systems (CFS) NOAA (Saha et al. 2010), dan data observasi insitu di seluruh dunia yang didapat dari lembaga klimatologi masing-masing negara. Data grid CHIRPS didapat berdasarkan 5 stasiun observasi terdekat, semakin dekat dengan stasiun maka pembobotannya semakin besar pula (Funk et al. 2014). Dengan demikian, semakin sedikit stasiun cuaca disuatu tempat maka nilai grid curah hujan yang dihasilkan akan kurang bagus.
Data CHIRPS digunakan sebagai data prediktan dalam pembuatan prediksi iklim. Namun sebelum digunakan data CHIRPS terlebih dahulu divalidasi dengan data-data stasiun observasi di Indonesia yang dikeluarkan oleh BMKG guna memperoleh nilai yang lebih akurat. Sebelum divalidasi, data observasi stasiun BMKG dilakukan pengecekan dan uji homogenitas terlebih dahulu. Uji homogenitas ini dilakukan untuk melihat pola data yang dihasilkan homogen atau tidak. Setelah itu, nilai faktor koreksi (FK) diperoleh dengan membuat persamaan regresi tanpa
intercept menggunakan minitab. Nilai FK ini digunakan untuk validasi data CHIRPS yakni dengan mengalikannya dengan data CHIRPS sebelum data digunakan pada sistem. Berikut stasiun BMKG yang digunakan untuk validasi.
Table 2 Deskripsi Stasiun BMKG untuk Validasi data CHIRPS
No Nama Stasiun Bujur Lintang Periode No Nama Stasiun Bujur Lintang Periode
1 AhmadYani
Semarang 110.374 -6.971
1981-2010 13 Paloh KalBar 109.325 1.808
1983-2010
2 Babullah Ternate 136.106 -1.189 1984-2010 14
Pangsuma
Putussibau 112.935 0.835
1995-2010 17 Soetha_Cengkareng 106.654 -6.126 1985-2010
6 FransKaiseipo_Biak 127.379 0.833
1981-2010 18 Sultan_Hasanudddin 119.568 -5.069 1981-2010
7 HajiAsan_Sampit 112.976 -2.501 1997-2010 19
Sultan Mahmud
Badaruddin 104.700 -2.897 1981-2010
8 Juanda_Surabaya 112.793 -7.377
1981-2010 20 Sultan-Thaha Jambii 103.641 -1.636 1985-2010
9 KaranPloso_Malang 112.597 -7.901
1988-2010 21 Sumbawa NTB 117.412 -8.488 1981-2010
10 Kasiguncu_Posoo 120.643 -1.418
1983-2010 22 Supadio Pontianakk 109.4050 -0.147 1981-2010
11 Mutiara Palu 119.906 -0.918 1981-2010 23
Tarakan
Kalimantann 117.5750 3.325
1981-2010
12 NgurahRai_Bali 115.168 -8.748
Gambar 1 Plot sebaran stasiun BMKG untuk validasi CGIRPS Otomasi dan Sistem Informasi Iklim
Sistem informasi iklim yang dibuat berbentuk website, yang menyediakan informasi hasil prediksi iklim yakni curah hujan. Website digunakan sebagai alat untuk menampilkan keluaran forecast yang di-running secara otomatis setiap bulannya. Waktu running program diatur secara otomatis setiap tanggal 15 atau pertengahan bulan yang menyesuaikan dengan waktu rilisnya data forecast model. Set otomasi ini menggunakan Aplikasi Crontab pada sistem operasi linux sesuai dengan alur sistem (Lampiran 1). Keluaran nantinya merupakan hasil forecast curah hujan spasial wilayah Indonesia dengan lead time tiga bulan kedepan. Forecast
dibuat dengan menggunakan file makro (Lampiran 2) yang berisi sekumpulan koding untuk membuat prediksi yang di-running menggunakan NCAR Command Language
(NCL). Pembuatan makro NCL ini didasari kombinasi dua metode statistika yaitu
Principal Component Analysis (PCA) dan Regresi Multilinier sehingga menghasilkan Principal Component Regression (PCR). Perhitungan PCR dilakukan tiap grid pada data menggunakan fungsi-fungsi pada bahasa pemograman NCL yang merujuk pada situs pengembang NCL http://www.ncl.ucar.edu/.
Website dibuat dalam bahasa html disertai bahasa php dan java script untuk membuat web menjadi dinamis dan terintegrasi dengan database. Database digunakan untuk menyimpan keluaran hasil forecast tiap bulan dan ditampilkan pada
web menggunkan query pada script php.
Model Prediksi Iklim dan Cross validation Model
Model prediksi iklim dibuat menggunakan software NCL yang terintegrasi dengan sistem web. Dalam penelitian ini metode yang digunakan adalah model statistik PCR berdasarkan analisis komponen utama PCA. PCA adalah suatu prosedur untuk mereduksi dimensi data dengan cara mentransformasi variabel-variabel asal yang berkorelasi menjadi sekumpulan variabel-variabel baru yang tidak berkorelasi. Variabel-variabel baru itu dikatakan sebagai PC (Johnson dan Wichern 2002). PC dapat diperoleh dari pasangan nilai eigen vektor, eigen matriks kovarian atau matriks korelasi.
5
y = f (pc)
y = b0 +b1pc1 + b2pc2+ …+ bk pck Keterangan :
y = data observasi curah hujan pc = score komponen utama
Nilai skill model dapat dilihat dari korelasi Pearson pada data hasil prediksi yang didapatkan dari hasil Cross-Validation dengan data observasi secara spasial dan temporal. Korelasi Pearson digunakan untuk melihat keeratan hubungan antara peubah X dan peubah Y. Korelasi ini mengukur hubungan linier antara dua peubah X dan Y, yang diduga dengan koefisien korelasi r, yaitu:
=
Keterangan :
= korelasi antara peubah X dan peubah Y = koragam peubah X dan peubah Y = peragam peubah X
= peragam peubah Y
Cross Validation merupakan salah satu teknik untuk menilai atau menvalidasi keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Pembuatan model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap suatu data baru yang boleh jadi belum pernah muncul di dalam dataset. Salah satu metode cross-validation yang populer adalah K-Fold Cross Validation. Dalam teknik ini dataset dibagi menjadi sejumlah K-buah partisi secara acak, kemudian dilakukan sejumlah K-kali eksperimen, dimana masing-masing eksperimen menggunakan data partisi ke-K sebagai data testing dan memanfaatkan sisa partisi lainnya sebagai data
training (Refaeilzadeh et al. 2008).
Gambar 2 Desain Eksperimen Cross Validation model GCM
Pembuatan prediksi dengan teknik PCR yang dilakukan menggunakan 30
HASIL DAN PEMBAHASAN
Sistem Informasi Iklim
Otomasi adalah suatu teknologi terkait dengan aplikasi mekanik, elektronik, atau pun komputer yang didasarkan pada sistem untuk beroperasi dan mengendalikan produksi secara otomatis (Burton 2004). Otomasi kerap digunakan dalam sistem informasi guna memperoleh keluaran dari suatu proses yang kompleks secara kontinu karena akan mempermudah kerja bagi para pengguna dengan waktu yang efisien. Bagian dari sistem informasi iklim yang dibentuk dalam penelitian ini adalah sebuah otomasi pembuatan prediksi iklim yang dapat dilihat dan diakses menggunakan penjelajah situs atau web browser.
Informasi yang disediakan pada sistem prediksi berbasis web yang dibuat merupakan keluaran akhir dari hasil running prediksi menggunakan software NCL yang terintegrasi pada sistem sehingga dapat ditujukan untuk end user dimana keluaran merupakan informasi yang siap pakai. Hal ini tentunya akan memudahkan para pengguna yang umumnya adalah masyarakat umum dalam memperoleh prediksi iklim yang informatif tanpa melakukan serangkaian proses yang rumit. Berikut gambar halaman utama sistem informasi iklim yang dibuat.
Gambar 3 Halaman utama web hasil otomasi prediksi curah hujan
7
dicapai dari kondisi iklim yang diprakirakan akan baik dapat dimaksimalkan berkat adanya sistem informasi.
Prediksi iklim curah hujan yang dihasilkan merupakan hasil pengolahan dari
software NCL dengan membuat file makro yang berisi sekumpulan koding dan fungsi-fungsi sesuai dengan teknik prediksi yang digunakan. NCL adalah sebuah program open source bahasa dengan basis linux yang dirancang khusus untuk pengolahan data ilmiah dan melakukan visualisasi hasil pengolahannya tersebut. Fleischer and Bottinger (2013) mengatakan bahwa NCL merupakan bahasa program yang digunakan untuk membaca, menulis, memanipulasi, dan visualisasi data ilmiah. NCL berguna untuk merubah data hasil keluaran yang berbentuk data ASCII atau pun data grid yang berbasis matriks menjadi bentuk visual atau gambar. Pada sistem informasi yang dibuat, NCL digunakan sebagai alat untuk membuat makro model prediksi iklim curah hujan berdasarkan teknik PCR dan validasi silang serta menampilkanya dalam bentuk peta prediksi curah hujan. Halaman sistem informasi tersebut dapat dilihat pada Gambar 4 dibawah ini.
Gambar 4 Hasil software otomasi PCR di web Validasi Data CHIRPS
Data CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) merupakan dataset hujan yang memiliki panjang periode hingga kini 30 tahun dengan resolusi 0.05°. Data CHIRPS menggabungkan citra satelit resolusi 0.05° dengan data stasiun in-situ untuk membuat grid curah hujan time series. Pada 12 Februari 2015, versi 2.0 dari data CHIRPS telah terbit dan tersedia untuk umum. Data inilah yang digunakan sebagai data prediktan dalam pembuatan prediksi iklim.
Gambar 5 Plot lokasi stasiun BMKG dan nilai korelasi Table 3 Nilai Korelasi setelah koreksi pada delapan sampel stasiun
Stasiun Faktor Koreksi Nilai Korelasi
Sampali-Medan 0.95 0.72
AhmadYani_Semarang 0.91 0.82
Frans Kaiseipo_Biak 0.88 0.67
HajiAsan_Sampit 0.99 0.99
KaranPloso_Malang 1.24 0.80
Kasiguncu_Posoo 0.99 0.53
Sumbawa_NTB 1.07 0.88
Supadio_Pontianakk 0.99 0.81
9
Gambar 6 Perbandingan rataan curah hujan bulanan observasi dengan data CHIRPS sebelum dan sesudah koreksi. Data menggunankan 24 stasiun dengan periode tahun 1981-2010.
Jumlah stasiun yang digunakan untuk melakukan koreksi data adalah sebanyak 24 stasiun yang tersebar diseluruh Indonesia. Seluruh data stasiun observasi tersebut diregresikan dengan data CHIRPS dengan koordinat yang sama dengan lokasi stasiun. Hasil regresi selurah data menunjukkan bahwa nilai faktor koreksi FK untuk data CHIRPS sebesar 0.87 yang artinya data CHIRPS perlu dikali nilai FK tersebut sebelum digunakan sebagai data prediktan. Nilai FK yang digunakan hanya satu nilai FK saja sehingga terdapat kekurangan yakni kurang mewakili karakteristik wilayah Indonesia yang begitu luas dan hanya menurunkan nilai sekian persen agar semakin mendekati nilai observasi. Penggunaan satu nilai tersebut bertujuan untuk mempermudah dalam pembuatan file makro untuk mengkoreksi tiap grid pada data CHIRPS. Adapun nilai koreksi ini digunakan karena memiliki delapan sampel stasiun memiliki nilai korelasi yang cukup tinggi yakni rata-rata sekitar 0.8. Nilai korelasi yang tinggi ini juga menggambarkan nilai koefisien determinasi (r2) yang tinggi. Nilai R-square merupakan ukuran kecocokan hasil estimasi sebuah model regresi linier dengan data yang dimodelkan, atau biasa disebut ukuran goodness of fit
dari sebuah model regresi (Irianto 2010).
Model Prediksi Curah Hujan Nilai PC Score
Gambar 7 Nilai principal component (PC) pada tiga model dalam bentuk grafik scree plot hasil makro NCL
Hasil PCR
Tabel 4 merupakan nilai korelasi Pearson rata-rata antara data model dengan data curah hujan. Nilai korelasi tersebut menggambarkan seberapa besar hubungan antara model dengan observasi. Pada hasil curah hujan bulanan yang terbentuk, korelasi model CMC1-CanCM3 dan model CMC2-CanCM4 memiliki nilai korelasi yang tidak jauh berbeda dan terbesar pada lead time 1 bulan kedepan. Nilai korelasi terbesar terdapat pada model CMC1-CanCM3 baik issued month Januari maupun Juli. Pada ketiga model, semakin jauh lead time nilai korelasi cenderung semakin kecil. Hal ini dapat terjadi karena waktu yang semakin jauh dari issued month
sehingga akurasi model menjadi berkurang.
Table 4 Nilai korelasi Model CMC1-CanCM3, Model CMC2-CanCM4 dan Model NCEP-CFSv2 dengan data curah hujan bulanan CHIRPS
Model Lead Month
Nilai Korelasi (issued month: Januari)
Nilai korelasi (issued month: Juli)
Pearson Pearson
CMC1-CanCM3
1 Bulan kedepan 0.206 0.215
2 Bulan kedepan 0.152 0.169
3 Bulan kedepan 0.147 0.201
CMC2-CanCM4
1 Bulan kedepan 0.185 0.197
2 Bulan kedepan 0.147 0.154
3 Bulan kedepan 0.164 0.185
NCEP-CFSv2
1 Bulan kedepan 0.183 0.191
2 Bulan kedepan 0.164 0.132
3 Bulan kedepan 0.164 0.183
11
Peta Skill Forecast
Skill forecast adalah representasi skala kesalahan perkiraan yang berhubungan akurasi perkiraan model perkiraan khusus untuk beberapa model referensi (Roebber dan Paul 1998). Peta skill forecast ini dapat digunakan untuk mengetahui tingkat keandalan suatu sistem prakiraan musim dan memantau kualitas dari hasil prakiraan atau sejauh mana ketepatan prakiraan yang dibuat. Sistem prakiraan musim yang baik menurut Boer (2009) ialah suatu sistem yang secara konsisten mampu memberikan kualitas prakiraan yang baik dan dapat digunakan oleh pengguna untuk meningkatkan keuntungan ekonomi atau keuntungan lainnya.
Peta skill untuk bulan Januari yang terbentuk pada ketiga model jika dilihat secara keseluruhan memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan cenderung turun pada lead time 3 bulan (Gambar 8). Model CMC1-CanCM3 dan CMC2-CanCM4 memiliki pola nilai korelasi yang cenderung sama yakni tinggi diwilayah Kalimantan, sebagian Sumatra dan Jawa, begitu pula untuk model NCEP-CFSv2 namun sebaran nilai korelasinya rendah pada lead time 3 bulan. Nilai yang rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai forecast yang berlebih dibanding nilai model lain dan melampaui jauh dari nilai observasi.
Monthly Prec. (Issued month: Januari)
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
Lead Ti
me
1 Month
2 Month
3 Month
Legenda Skill Correlation
Sama halnya dengan bulan Januari, peta skill untuk bulan Juli yang terbentuk pada ketiga model memiliki nilai korelasi yang tinggi pada lead time 1 bulan dan cenderung turun pada lead time 2 dan lead time 3 terutama model CMC2-CanCM4 terlihat dari warna biru yang semakin banyak atau menandakan berkorelasi negatif (Gambar 9). Model CMC1-CanCM3 dan CMC2-CanCM4 memiliki pola nilai korelasi yang cenderung sama yakni tinggi diwilayah Kalimantan, sebagian Sumatra dan sebagian besar Jawa, sedangkan model NCEP-CFSv2 cenderung memiliki sebaran nilai korelasi yang lebih baik pada lead time 2 bulan dan rendah di lead time
3 bulan. Nilai yang rendah pada model NCEP-CFSv2 ini juga terlihat dari nilai anomali yang berlebih dibanding nilai model lain dan melampaui dari nilai observasi CHIRPS.
Monthly Prec. (Issued month: Juli)
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
Lead Ti
me
1 Month
2 Month
3 Month
Legenda Skill Correlation
Gambar 9 Peta Skill forecast Juli keluaran sistem pada tiga model. Nilai Skill
13
Peta Forecast Curah Hujan
Peta prediksi curah hujan issued month Januari hasil keluaran sistem yang
di-running dengan NCL menggunakan sekumpulan script makro yang telah dibuat ditampilkan pada Gambar 10. Lead time 1 merupakan forecast untuk bulan Februari,
lead time 2 untuk Maret dan lead time 3 untuk bulan April. Hasil peta forecast
menunjukkan bahwa prediksi curah hujan semakin tinggi pada lead time 2 dan 3 terutama pada wilayah Jawa, Kalimantan, dan Selawesi terlihat dari warna yang semakin biru dimana wilayah yang semakin basah. Hasil rataan tiga model memiliki nilai forecast yang lebih baik terlihat dari pola grid yang mirip dengan nilai observasi.
Jika dibandingkan dengan data observasi CHIRPS yang telah rilis dan divalidasi dengan data BMKG yakni bulan Februari hingga April terlihat pola yang paling mirip untuk lead time 1 bulan. Sedangkan lead time 2 dan 3 memiliki nilai prediksi yang lebih tinggi terutama model CMC1-CanCM3 dan CMC2-CanCM4. Secara umum, hasil forecast sesuai dengan observasi, hanya saja pada lead time 3 wilayah Kalimantan memiliki nilai estimasi yang berlebih.
Hasil peta prediksi curah hujan issued month April dengan Lead time 1 merupakan forecast untuk bulan Mei, lead time 2 untuk Juni dan lead time 3 untuk bulan Juli (Gambar 11). Hasil peta forecast tersebut menunjukkan sebagian besar wilayah memiliki potensi hujan yang lebih rendah dibanding forecast bulan Januari terlihat dari banyaknya wilayah yang kering. Pola hasil forecast pada tiga model sedikit berbeda, dimana model CMC1-CanCM2 memiliki nilai estimasi yang lebih tinggi. Setelah dirata-rata nilai ketiga model, nilai forecast bagus pada lead time 1 namun lead time dua dan tiga nilai observasi memiliki nilai curah hujan yang lebih kering dengan pola yang tidak begitu jauh berbeda. Pada bulan Juli ini, semakin jauh
lead time hasil forecast dari issued month semakin berbeda dengan observasi yang menunjukkan bahwa nilai error semakin tinggi.
Hasil peta prediksi curah hujan issued month Juli dengan lead time 1 merupakan forecast untuk bulan Agustus, lead time 2 untuk September dan lead time
3 untuk bulan Oktober (Gambar 12). Peta forecast tersebut menunjukkan bahwa prediksi curah hujan Indonesia cenderung kering terutama pada wilayah Jawa dan Sumatra terlihat dari warna yang semakin coklat dimana nilai CH semakin rendah. Curah hujan yang sedikit tinggi terlihat berada di wilayah utara Kalimantan sedangkan wilayah Jawa, Papua dan bagian selatan Sumatra cenderung kering. Hasil prediksi dari tiga model umumnya memiliki pola yang tidak jauh berbeda dengan nilai rata-rata ketiga model terlihat dari miripnya pola dengan data observasi.
Monthly Prec. (Issued month: Januari)
Lead time 1 Lead time 2 Lead time 3
CMC
1
-Can
CM3
CMC
2
-Can
CM4
NC
EP_CFSv2
Rat
a
-rata
Observasi
Legenda CH Forecast (mm)
15
Monthly Prec. (Issued month: April)
Lead time 1 Lead time 2 Lead time 3
CMC
1
-Can
CM3
CMC
2
-Can
CM4
NC
EP_CFSv2
Rat
a
-rata
Observasi
Monthly Prec. (Issued month: Juli)
Lead time 1 Lead time 2 Lead time 3
CMC
1
-Can
CM3
CMC
2
-Can
CM4
NC
EP
-C
FSv2
Rat
a
-rata
Observasi
Legenda
17
Monthly Prec. (Issued month: Oktober)
Lead time 1 Lead time 2 Lead time 3
CMC
1
-Can
CM3
CMC
2
-Can
CM4
NC
EP
-C
FSv2
Rat
a
-rata
Observasi
Legenda CH Forecast (mm)
Peta Anomali Curah Hujan Prediksi
Peta anomali merepresentasikan selisih hasil nilai prediksi dengan nilai observasi yang telah divalidasi (Gambar 14). Nilai anomali negatif menunjukkan bahwa nilai prediksi berada dibawah nilai observasi yang digambarkan oleh warna yang semakin ungu sedangkan anomali positif berada diatas nilai observasi dengan warna yang semakin hijau. Prediksi bulan Januari dimana musim hujan terlihat nilai anomali yang cukup besar baik anomali positif atau pun negatif terutama model CMC1-CanCM2 dan CMC2-CanCM4. Sebaliknya, pada prediksi bulan Juli nilai anomali cenderung lebih kecil terlihat dari warna putih yang banyak tersebar di seluruh wilayah. Hal ini menunjukkan bahwa nilai prediksi pada bulan Juli atau saat bulan kering menghasilkan nilai prediksi yang lebih baik.
Model
CMC1-CanCM3 CMC2-CanCM4 NCEP-CFSv2
Janu
19
SIMPULAN DAN SARAN
Simpulan
Sistem informasi iklim yang dibentuk berupa aplikasi website yang berintegrasi dengan software NCL untuk melakukan pengolahan prediksi iklim curah hujan yang dapat diakses menggunakan penjelajah situs atau web browse dengan sistem otomasi. Informasi yang tersedia pada web ini merupakan keluaran akhir dari prediksi dan ditujukan untuk end user dimana keluaran merupakan informasi yang siap pakai berupa prediksi curah hujan bulanan dengan lead time 3 bulan.
Berdasarkan hasil keluaran sistem, hasil peta forecast pada ketiga model memiliki sedikit perbedaan pola pada musim hujan sedangkan pada musim kemarau hasil forecast cenderung lebih baik terlihat dari pola yang semakin mirip dengan data observasi CHIRPS. Nilai korelasi Pearson keluaran sistem memiliki nilai yang tinggi pada leadmonth 1 dan cenderung menurun pada lead month 2 dan 3. Nilai korelasi Pearson tertinggi yaitu pada model CMC1-CanCM3 sebesar 0.215. Nilai korelasi digunakan untuk mengetahui seberapa besar skill forecast dari tiap-tiap grid data. Nilai anomali antara prediksi dan observasi memiliki nilai yang rendah pada bulan Juli yang menggambarkan pada bulan kering nilai prediksi yang dihasilkan memiliki nilai yang lebih baik.
Saran
Perkembangan teknologi dan informasi membuat suatu sistem informasi menjadi dinamis dan perlu pengembangan secara kontinu. Sistem informasi yang dibuat perlu penyempurnaan kembali untuk sistem web dengan memberikan pilihan jenis pengolahan metode statistik selain PCR yang dapat dijadikan sebagai esemble member untuk meningkatkan skill forecast. Validasi data observasi juga sebaiknya digunakan metode lain yang lebih mewakili keseluruhan wilayah seperti metode
clustering sehingga tidak hanya memiliki satu nilai faktor koreksi. Selain itu perlu perkembangan dari model-model lain sebagai perbandingan model mana yang lebih baik.
DAFTAR PUSTAKA
Boer R. 2009. Sekolah Lapang Iklim Antisipasi Risiko Perubahan Iklim. Bogor: Geomet FMIPA-IPB dan PERHIMPI.
Burton ES, Neil CR. 2004. Innovating Mindfully with Information Technology, MIS Quarterly Vol. 28 No. 4 pp. 553-583
Dillon WR, M. Goldstein. 1984. Multivariate Analysis Methods and Aplications. John Willey & Sons, New York
Draper NR, Smith H, (1981), Apllied Regression Analysis, Second Edition, John Wiley and Son Inc, New York.
Funk CC, Peterson PJ, Landsfeld MF, Pedreros DH, Verdin JP, Rowland JD, Romero BE, Husak GJ, Michaelsen JC, Verdin AP. 2014. A quasi-global precipitation time series for drought monitoring: U.S. Geological Survey Data Series 832, 4 p., http://dx.doi.org/110.3133/ds832.
Harris I, Jones PD, Osborn TJ, Lister DH 2014. Updated high-resolution grids of monthly climatic observations - the CRU TS3.10 Dataset.Int. J. Climatol.,34: 623-642. Doi: 10.1002/joc.3711
Huffman GJ, Bolvin DT, Nelkin EJ, Wolff DB, Adler RF, Gu G, Stocker EF. 2007. The TRMM multisatellite precipitation analysis (TMPA)—Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales: Journal of Hydrometeorology, 8(1): p. 38–55.
Irianto A. 2010. Statistika Konsep, Dasar, Aplikasi, dan Pengembangannya. Jakarta: Kencana Prenada Media Group.
Janowiak JE, Joyce RJ, Yarosh Y. 2001. A real-time global half-hourly pixel-resolution infrared dataset and its applications: Bulletin of the American Meteorological Society, 82(2): p. 205–217.
Johnson RA, dan Wichern DW. 2002. Applied Multivariate Statistical Analysis 5th Ed. New Jersey: Prentice Hall.
Kirtman, Ben P, Coauthors. 2014. The North American Multimodel Ensemble: Phase-1 seasonal-to-interannual prediction; Phase-2 toward developing intraseasonal prediction. Bull. Amer. Meteor. Soc., 95, 585–601. doi: http://dx.doi.org/10.1175/BAMS-D-12-00050.1 New York (US): Academic Press
Refaeilzadeh, P., Tang, L., Liu, H. 2008. Cross Validation: Encyclopedia of Database Systems. Springer, pp. 532-538, DOI:10.1007/978-0-387-39940_9_565
Roebber, Paul J. 1998. The Regime Dependence of Degree Day Forecast Technique, Skill, and Value: American Meteorological Society -- Weather and
Forecasting (Allen Press) 13 (3): 783–794, Bibcode:1998WtFor..13..783R, Saha S, Moorthi S, Pan HL, Wu X, Wang J, Nadiga S, dan Reynolds RW 2010. The
NCEP climate forecast system reanalysis. Bulletin of the American Meteorological Society, 91(8), p. 1015–1057.
The NCAR Command Language (Version 6.1.2) [Software]. 2014. Boulder, Colorado: UCAR/NCAR/CISL/VETS.http://dx.doi.org/10.5065/D6WD3XH5
21
LAMPIRAN
Lampiran 1 Diagram Alir Pembuatan Prediksi CH
Lampiran 2 Coding NCL load
latS = -11.0 ; seleksi grid Indonesia latN = 6.0
diri = "./data/hindcast/"+bulan fili = ".nc"
obs =
diri = "./data/hindcast/"+bulan fili = ".nc"
diri2 = "./data/obs/"+bulan fili2 = ".nc"
inds = array_append_record(ispan(0,a1-1,1),ispan(a1+1,29,1),0)
diri2 = "./data/obs/"+bulan fili2 = ".nc"
23
;printVarSummary(PCS)
PCSN1 = dim_avg_n_Wrap(PCS,0); M,Y,X PCSN = dim_avg_n_Wrap(PCN1,0);Y,X
PCSNa = dim_standardize(PCSN,0) ; with metadata PCST = transpose(PCSNa)
PC2fcst = sum(PC2) - eof_ts@ts_mean(1) PC3fcst = sum(PC3) - eof_ts@ts_mean(2) ; Hitung Persamaan Multiple Liniar Regression, input obs ; fungsi reg_multlin_stats
print("Program is still running.. Note:looping ke-"+(j)) ;note for loop
b0 = new((/nlat,nlon/),typeof(obs)) ; create an array to hold predictor variables
b1 = new((/nlat,nlon/),typeof(obs)) ; b2 = new((/nlat,nlon/),typeof(obs)) ; b3 = new((/nlat,nlon/),typeof(obs)) ; yyresult = new((/nlat,nlon/),float)
do m=0,nlat-1,1 ;looping perhitungan tiap grid do n=0,nlon-1,1 evn|:),opt) ; partial regression coef
b0(m,n) =b(0)
;simpan nilai tiap grid berisi data 30 member ol="ascii_dugaCH"
write_table(ol+ol1+ol2+ol3, "w", [/(/yyresult(m,n)/)/], "%f")
else
;lt=lt+1 ;end do
;end
;******************************************* ; Panggil kembali data ascii dan rata-rata dari 30 member ;*******************************************
if ((yyresult(m,n).le. 0).and.(yyresult(m,n).ne. -999)) then yyresult(m,n)=0
end if
end do end do
;******************************************* ; plots maps prediction
;*******************************************
; panel plot only resources
resP = True ; modify the panel plot
;cnres = True ; variable for contour/map resources ;cnres@cnFillOn =True
res@gsnDraw = True ; don't draw yet res@gsnFrame = True ; don't advance frame yet
res@lbLabelBarOn = True ; turn off individual res@cnLevelSelectionMode = "AutomaticLevels" ;res@cnLevelSelectionMode = "ManualLevels" ;res@cnMinLevelValF = 0.
;res@cnMaxLevelValF = 1000. ;res@cnLevelSpacingF = 100.
res@tiMainString = "Forecast Map plot"
;---This resource not needed in V6.1.0
res@gsnSpreadColors = True ; span full colormap
;---This resource defaults to True in NCL V6.1.0
25
res@mpLandFillColor = "white" ; default is gray which
; doesn't exist in colormap
res@gsnLeftString =
"Forecast_"+(bulan) ;-- don't draw left string res@gsnRightString = "leadmonth "+(lt/1)
res@lbTitleString = "Rainfall Prediction (mm)" res@lbTitleFontHeightF= .015 ; make title smaller
res@pmLabelBarOrthogonalPosF = .12 ; move whole thing down
26
Lampiran 3 Coding sh dan setting otomasi crontab ncl makro/duga_pc1.ncl
ncl makro/duga_pc2.ncl ncl makro/duga_pc3.ncl ncl makro/duga_ch.ncl ncl makro/duga_pc1cmc2.ncl ncl makro/duga_pc2cmc2.ncl ncl makro/duga_pc3cmc2.ncl ncl makro/duga_ch_cmc2.ncl ncl makro/duga_pc1fs.ncl ncl makro/duga_pc2fs.ncl ncl makro/duga_pc3fs.ncl ncl makro/duga_ch_cfs.ncl
#setting Schedule otomasi download & running PCR #m h dom mon dow command
29 0 14 * * perl /opt/lamp/htdocts/otomasi/
cross_validation_indo/nmmme_download.pl
29 0 15 * * sh /opt/lamp/htdocts/otomasi/
27
Lampiran 4 Nilai Koefisien Determinasi Model CMC1-CanCM3 Lead Time
1 Month 2 Month 3 Month
Bulan
Janu
ari
Fe
bruari
Mar
et
Ap
ri
l
Mei
Jun
28
Juli
Agu
stu
s
Septemb
er
Legenda Nilai Koofisien Determinasi
Nilai Koefisien Determinasi Model CMC2-CanCM4
Lead Time
1 Month 2 Month 3 Month
Bulan
Janu
ari
Fe
29
Mar
et
Ap
ri
l
Mei
Jun
i
Juli
Agu
stu
30
Septemb
er
Legenda Nilai Koofisien Determinasi
Nilai Koefisien Determinasi Model NCEP-CFSv2
Lead Time
1 Month 2 Month 3 Month
Bulan
Janu
ari
Fe
bruari
Mar
et
Ap
ri
31
Mei
Jun
i
Juli
Agu
stu
s
Septemb
er
32
Lampiran 5 Nilai Korelasi Data CHIRPS dengan data BMKG
Urutan Nama Stasiun Korelasi_Sebelum Korelasi_Sesudah
1 AhmadYani_Semarang 0.805027 0.805027
2 Babullah_Ternate_Maluku 0.58338 0.58338
3 blang-bintang_banda acehh 0.644919 0.644919
4 Darmaga_Bogor 0.591303 0.591303
5 ElTari_Kupang_NTT 0.894833 0.894833
6 FransKaiseipo_Biak 0.671902 0.671902
7 HajiAsan_Sampit 0.990639 0.990639
8 Juanda_Surabaya 0.858036 0.858036
9 KaranPloso_Malang 0.822599 0.822599
10 Kasiguncu_Posoo 0.533989 0.533989
11 Mutiara Palu 0.409179 0.409179
12 NgurahRai_Bali 0.855194 0.855194
13 Paloh_KalBar 0.772976 0.779833
14 PangsumaPutussibau_KalBar 0.626901 0.626901
15 Raden-Inten_Lampung 0.641111 0.641111
16 Sampali-Medan 0.719861 0.719861
17 Soetha_Cengkareng 0.821183 0.821183
18 Sultan_Hasanudddin 0.512 0.512
19 Sultan_Mahmud Badaruddin 0.788912 0.788912
20 Sultan-Thaha_Jambii 0.70094 0.70094
21 Sumbawa_NTB 0.882212 0.882212
22 Supadio_Pontianakk 0.811037 0.811037
23 Tarakan_Kalimantann 0.514506 0.514506
24 Tjilik_Riwut 0.704065 0.704065
33
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 7 Januari 1993. Penulis merupakan anak keempat dari empat bersaudara dari pasangan Bapak Sumarno dan Ibu Sugiyem. Penulis menyelesaikan pendidikan sekolah dasar pada tahun 2005 di SDN Pekayon 05 Pagi, kemudian penulis menyelesaikan pendidikan sekolah menengah pertama pada tahun 2008 di SMPN 184 Jakarta. Selanjutnya penulis juga menyelesaikan pendidikan sekolah menengah atas pada tahun 2011 di SMAN 99 Jakarta.
Penulis diterima di Institut Pertanian Bogor (IPB) pada tahun 2011 melalui jalur SNMPTN Undangan dengan memilih Program Studi Meteorologi Terapan, Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis juga mendapatkan beasiswa Bidik Misi yang diprogramkan oleh Kementerian Pendidikan dan Kebudayaan Nasional Republik Indonesia (KEMENDIKBUD) selama delapan semester. Pada bulan Juli tahun 2014 penulis mengikuti magang kerja di Lembaga Penerbangan dan Antariksa Nasional (LAPAN) Bidang Lingkungan dan Mitigasi Bencana-Pusat Pemanfaatan Penginderaan Jauh dan mendapat tugas untuk pemetaan perubahan lahan wilayah DKI Jakarta.
Selama menjalani perkuliahan, penulis aktif dalam aktif dalam organisasi Himagreto divisi Koperasi Meteorologi (Komet) pada tahun 2012-2013 dan mengikuti beberapa kepanitiaan seperti Pesta Sains Nasional tahun 2014. Adapun prestasi yang pernah diraih penulis, diantaranya penulis pernah menjadi juara 1 lomba Digital Idea tingkat IPB yang diselenggarakan oleh Departemen Ilmu Komputer.
