OTOMATISASI TRANSFER DATA PENGAMATAN AUTOMATIC WEATHER STATION (AWS) SERTA PEMANFAATANNYA DALAM SATELLITE DISASTER EARLY WARNING SYSTEM (SADEWA).

(1)

Ahmad Zatnika Purwalaksana, 2015

OTOMATISASI TRANSFER DATA PENGAMATAN AUTOMATIC WEATHER STATION (AWS) SERTA PEMANFAATANNYA DALAM SATELLITE DISASTER EARLY WARNING SYSTEM (SADEWA)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

OTOMATISASI TRANSFER DATA PENGAMATAN AUTOMATIC

WEATHER STATION (AWS) SERTA PEMANFAATANNYA DALAM

SATELLITE DISASTER EARLY WARNING SYSTEM (SADEWA)

SKRIPSI

Diajukan untuk memenuhi sebagian syarat untuk memperoleh gelar Sarjana Sains Departemen Pendidikan Fisika

Oleh

Ahmad Zatnika Purwalaksana 1100385

PROGRAM STUDI FISIKA DEPARTEMEN PENDIDIKAN FISIKA

(2)

2

2015

AHMAD ZATNIKA PURWALAKSANA

LEMBAR PENGESAHAN SKRIPSI

OTOMATISASI TRANSFER DATA PENGAMATAN AUTOMATIC

WEATHER STATION (AWS) SERTA PEMANFAATANNYA DALAM

SATELLITE DISASTER EARLY WARNING SYSTEM (SADEWA)

Disetujui dan Disahkan Oleh : Pembimbing I

Suaydhi, M.Sc NIP. 196707231987011001

Pembimbing II

Drs. Waslaluddin, M.T. NIP. 196302071991031002

Mengetahui, Kuasa Ketua Departemen

Sekretaris Departemen Pendidikan Fisika

(3)

OTOMATISASI TRANSFER DATA PENGAMATAN AUTOMATIC

WEATHER STATION (AWS) SERTA PEMANFAATANNYA DALAM

SATELLITE DISASTER EARLY WARNING SYSTEM (SADEWA)

Oleh

Ahmad Zatnika Purwalaksana

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Sains di Departemen Pendidikan Fisika

FPMIPA UPI

Agustus 2015

Hak cipta dilindungi Undang-undang.

(4)

4

(5)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu PERNYATAAN

Dengan ini saya menyatakan bahwa skripsi dengan judul “OTOMATISASI

TRANSFER DATA PENGAMATAN AUTOMATIC WEATHER STATION (AWS) SERTA PEMANFAATANNYA DALAM SATELLITE DISASTER EARLY WARNING SYSTEM (SADEWA) “ ini beserta seluruh isinya adalah benar-benar karya saya sendiri. Saya tidak melakukan penjiplakan atau pengutipan dengan cara-cara yang tidak sesuai dengan etika ilmu yang berlaku dalam masyarakat keilmuan. Atas pernyataan ini, saya siap menanggung resiko/sanski apabila di kemudian hari ditemukan adanya pelanggaran etika keilmuan atau ada klaim dari pihak lain terhadap keaslian karya saya ini.

Bandung, Agustus 2015 Yang membuat pernyataan,

(6)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu KATA PENGANTAR

Puji syukur penulis panjatkan kepada Sang Pencipta Allah SWT karena atas rahmat dan kasih sayang-Nya penulis dapat menyelesaikan Skripsi yang berjudul

“Otomatisasi Dari Hasil Pengamatan Automatic Weather Station (AWS) SERTA

Pemanfaatannya Dalam Satellite Disaster Early Warning System (SADEWA)”.

Secara ringkas skripsi ini berisikan tentang transfer otomatis data AWS ke SADEWA yang bertujuan untuk mengetahui korelasi data prediksi SADEWA yang didapatkan dari simulasi model Weather Research and Forecasting (WRF) terhadap data pengamatan AWS. Berdasarkan hasil penelitian ini, ternyata model yang dihasilkan simulasi WRF baik karena nilai korelasi data yang dibandingkan bernilai positif.

Penulis sadar bahwa skripsi ini masih jauh dari sempurna, oleh karena itu kritik dan saran yang membangun sangat penulis harapkan dari berbagai pihak agar penulis dapat berkarya lebih baik lagi di masa yang akan datang. Semoga skripsi ini dapat bermanfaat khususnya bagi penulis dan umumnya bagi pembaca.

(7)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu UCAPAN TERIMA KASIH

Dalam pembuatan tulisan ini tentunya telah banyak dibantu oleh berbagai pihak baik secara langsung maupun tidak langsung. Ucapan terima kasih disampaikan sebesar-besarnya kepada orangtua penulis yang telah selalu memberikan kasih saying, dukungan dan doa kepada penulis hingga sampai saat ini. Penulis juga mengucapkan terima kasih kepada :

1. Bapak Dr. Dadi Rusdiana, M.Si. selaku Ketua Departemen Pendidikan Fisika

FPMIPA UPI.

2. Bapak Dr. Didi Satiadi selaku Kepala Bidang Pemodelan Atmosfer Lembaga

Penerbangan dan Antariksa Nasional (LAPAN) yang telah mengizinkan penulis untuk melakukan Tugas Akhir Di LAPAN.B

3. Bapak Suaydhi, M.Sc selaku pembimbing I yang telah banyak memberikan ilmu,

saran, dan waktu bagi penulis selama masa penelitian dan bimbingan.

4. Bapak Drs. Waslaluddin, M.T selaku pembimbing II dan dosen pembimbing

akademik yang telah memberikan arahan terkait tugas akhir sehingga penulis dapat menyelesaikan skripsi ini.

5.

Bapak Drs. Hikmat, M.Si dan bapak Ahmad Aminudin, M.Si selaku tim

penelaah dan penguji skripsi yang telah memberikan koreksi dan masukan bagi penulis dalam penulisan skripsi ini.

6. Ibu Aisya Nafiisyanti, ST. yang telah membantu selama proses pengolahan data.

7. Seluruh peneliti dan staf karyawan di Lembaga Penerbangan dan Antariksa

Nasional (LAPAN) Bandung yang telah membantu baik selama penelitian maupun selama penulisan skripsi ini.

8. Shailla Rustiana, S.Si. dan Noviana Dewani, M.Si. yang telah memberikan

bimbingan terkait proses pengolahan data.

9. Kholidah, S.Si. yang telah memberikan bimbingan terkait penulisan skripsi.

(8)

iv

(9)

Nama : Ahmad Zatnika Purwalaksana

Informasi cuaca sangatlah bermanfaat bagi manusia karena informasi tersebut dapat digunakan untuk berbagai kepentingan kegiatan masyarakat saat ini. Informasi cuaca dapat diperoleh melalui hasil pengukuran dari salah satu alat meteorologi yaitu Automatic Weather Station (AWS). Agar data hasil pengukuran AWS dapat digunakan oleh masyarakat maka data tersebut perlu dipublikasikan, salah satunya dengan cara menampilkannya di web Satellite Disaster Early Warning System (SADEWA). Untuk melakukan hal tersebut maka diperlukan transfer data otomatis dari AWS ke SADEWA. SADEWA itu sendiri memiliki informasi cuaca yang bersifat prediksi. Informasi prediksi SADEWA didapatkan melalui simulasi model Weather Research and Forecasting (WRF). Untuk melihat sejauh mana kinerja WRF dalam memprediksi cuaca, maka dapat dilakukan validasi terhadap data pengamatan AWS yang telah ditransfer otomatis ke SADEWA. Validasi model dilakukan dengan cara menghitung koefisien korelasi dimana semakin tinggi nilai koefisien korelasinya maka hasil simulasi model semakin valid. Teori koefisien korelasi Pearson digunakan untuk melakukan validasi model. Dari hasil penelitian didapatkan nilai koefisien korelasi data SADEWA terhadap data AWS untuk suhu adalah 0,8198 dan untuk kelembaban adalah 0,7074 yang artinya bahwa data prediksi SADEWA dan data pengukuran AWS memiliki korelasi yang kuat. Sedangkan untuk curah hujan nilai koefisien korelasinya adalah 0,2522. Nilai yang rendah ini dikarenakan curah hujan merupakan parameter tersulit untuk diprediksi oleh model.

(10)

v

Nama : Ahmad Zatnika Purwalaksana

Weather information is very useful for people because the information can be used for various purposes of their activities. Weather information can be obtained through the measurement of meteorological tool, that is Automatic Weather Station (AWS). In order that people can use the data from the result of measurement, so the data must be published by displaying it on the Satellite Disaster Early Warning System (SADEWA) web. It is needed to transfer data automatically from AWS to SADEWA for displaying the data on the web. Sadewa itself has weather information prediction. Information of SADEWA is obtained by the simulation of Weather Research and Forecasting (WRF) model. To know the performance of WRF in predicting the weather, it must be compared by observation data to validate the model. Validation of model can be obtained by calculating the correlation coefficient. Theory of Pearson correlation coefficient is used to validate the model. From the results, the correlation coefficient for temperature is 0,8198 and for relative humidity is 0,7074. It means that data of SADEWA prediction and data of AWS observation have s a strong correlation. As for precipitation correlation coefficient value is 0,2522. A low value is due to the rainfall is the most difficult parameter to be predicted by the model.

Keywords : Automatic Weather Station (AWS), Weather information_,

Satellite Disaster Early Warning System (SADEWA),

(11)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR ISI

PERNYATAAN ... Error! Bookmark not defined. KATA PENGANTAR ... Error! Bookmark not defined. UCAPAN TERIMA KASIH ... Error! Bookmark not defined.

ABSTRAK ... iv

DAFTAR ISI ... vi

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

(12)

vii

D. Satellite Disaster Early Warning System (SADEWA)Error! Bookmark not

defined.

1. Weather Research and Forecasting (WRF) ... Error! Bookmark not defined.

2. Korelasi Data Prediksi SADEWA dan Data Pengamatan AWSError! Bookmark not defined. BAB III DATA DAN METODE PENELITIAN ... .Error! Bookmark not defined.

A. Metode Penelitian ... Error! Bookmark not defined. B. Waktu dan Tempat Penelitian ... Error! Bookmark not defined. C. Sumber Data ... Error! Bookmark not defined.

1. Data pengamatan parameter cuaca Automatic Weather Station (AWS).Error! Bookmark not def 2. Data prediksi cuaca SADEWA ... Error! Bookmark not defined.

D. Tahap Transfer Data Otomatis dan Proses Korelasi DataError! Bookmark not

defined.

1. Proses penyimpanan data pengukuran parameter cuaca AWS.Error! Bookmark not defined. 2. Proses mengirim data secara otomatis ke serverError! Bookmark not defined.

3. Proses mengumpulkan data prediksi SADEWAError! Bookmark not defined.

4. Penyimpanan data ke database dan penampilan data di SADEWA.Error! Bookmark not defin 5. Proses Menghitung Korelasi ... Error! Bookmark not defined.

BAB IV HASIL DAN PEMBAHASAN ... Error! Bookmark not defined.

A. Hasil Transfer Otomatis Data AWS Ke SADEWAError! Bookmark not

defined.

B. Hasil Korelasi Data Prediksi SADEWA dan Data Pengamatan AWS ... Error!

Bookmark not defined.

(13)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR TABEL

Tabel 2.1 Kategori Delay (Sumber : TIPHON, 1999)………..……..13

Tabel 2.2 Kategori Packet Loss (Sumber : TIPHON, 1999)………..14

Tabel 3.1 Data pengukuran AWS………...25

(14)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR GAMBAR

Gambar 2.1 PN Junction (Sumber : Sproul, 2015) Error! Bookmark not defined. Gambar 2.2 Struktur sensor kelembaban tipe capasitor element (Sumber : Farahani, dkk. 2014) ... Error! Bookmark not defined. Gambar 2.3 Sensor suhu dan kelembaban Weather Vantage Po2 ... Error!

Gambar 2.4 Mekanisme Tipping Bucket (Sumber : John, 2011) Error! Bookmark

not defined.

Gambar 2.5 Rain ollector Weather Vantage Pro2 (Sumber : Davis, 2015) .. Error!

Gambar 2.6 Konsol Vantage Pro2 ... Error! Bookmark not defined. Gambar 2.7 WeatherLink USB ... Error! Bookmark not defined. Gambar 2.8 Diagram alur WRF (Sumber : Wang, 2015) .... Error! Bookmark not

defined.

Gambar 3.1 Proses penyimpanan data AWS ke komputer ... 21

Gambar 3.2 Tampilan Data Pada Konsol Vantage Pro2 ... 21

Gambar 3.3 Menu Choose units ... 23

Gambar 3.4 Menu Set Archive Interval ... 24

Gambar 4.1 Tampilan Awal halaman web untuk menampilkan data AWS ... 28

Gambar 4.2 Tampilan AWS dalam bentuk grafik ... 29

Gambar 4.3 Tampilan pada perangkat lunak Wireshark... 30

Gambar 4.4 Tampilan Summary Wireshark ... 30

Gambar 4.5 Tampilan hasil pengelolahan script PHP untuk file 36 kb ... 32

(15)

x

Gambar 4.9Tampilan hasil pengelolahan script PHP untuk file 175 kb ... 34

Gambar 4.12 Tampilan cmd ketika menjalankan file batch ... 36

(16)

x

(17)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR LAMPIRAN

Lampiran 1. Data Prediksi SADEWA Dan Pengukuran AWS ... 43 Lampiran 2. Script PHP ... 101

(18)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB I

PENDAHULUAN

A. Latar Belakang

Cuaca sangat berkaitan erat dengan fisika karena parameter dari cuaca itu sendiri merupakan besaran-besaran fisika. Informasi cuaca sangat bermanfaat karena digunakan oleh masyarakat sebagai acuan untuk mengantisipasi dalam melakukan kegiatan yang akan dilakukan mereka. Selain itu informasi cuaca bermanfaat bagi bidang pertanian, karena digunakan oleh para petani untuk mengantisipasi kemungkinan gagal panen. Sedangkan untuk bidang pariwisata informasi cuaca bermanfaat untuk melakukan penanganan dini pada perubahan ekosistem di tempat wisata. Begitupun untuk bidang perikanan, informasi cuaca bermanfaat bagi para nelayan untuk mengetahui keadaan cuaca di laut demi keamanan mereka dalam menangkap ikan. Sekarang informasi cuaca sangat mudah untuk didapatkan salah satunya melalui Satellite Disaster Early Warning System (SADEWA) yang dikembangkan oleh Pusat Sains dan Teknologi Atmosfer (PSTA) Lembaga Antariksa dan Penerbangan Nasional (LAPAN).

SADEWA merupakan sebuah sistem informasi peringatan dini bencana berbasis teknologi satelit dan juga dapat dilengkapi dengan sensor-sensor terrestrial (Satiadi, 2014). Informasi cuaca yang tersedia di SADEWA mencakup seluruh wilayah Indonesia. Informasi tersebut bersifat prediksi untuk satu hari ke depan. Informasi cuaca ini didapatkan dari simulasi model Weather Research and Forecasting (WRF).

(19)

2

AWS memiliki unit sensor cuaca, unit transmitter dan unit receiver. Data pengukuran AWS ditransfer otomatis ke server untuk dimasukan ke database. Hal ini dilakukan agar data yang masuk ke database dapat diolah untuk mencari validasi model WRF dan juga dapat ditampilkan di web SADEWA. Untuk mencari validasi suatu model dapat dilakukan dengan menghitung koefisien korelasi dari data model dengan data pengamatan.

Koefisien korelasi merupakan indeks atau bilangan yang digunakan untuk mengukur keeratan (kuat, lemah atau tidak ada) hubungan antar variabel (Hasan, 2005). Terdapat tiga jenis koefisien korelasi di antaranya adalah koefisien korelasi Pearson, Rank Spearman dan Rank Kendall. Diantara ketiga jenis koefisien korelasi

tersebut, koefisien korelasi Pearson yang digunakan dalam penelitian ini karena data yang digunakan berbentuk interval.

B. Rumusan Masalah

Berdasarkan latar belakang tersebut, secara umum rumusan masalah pada penelitian ini yaitu :

1. Bagaimana kinerja program untuk transfer otomatis data pengukuran

Automatic Weather Station (AWS) ke web SADEWA ?

2. Bagaimana korelasi antara data yang didapatkan dari Automatic Weather

Station (AWS) dengan informasi prediksi yang tersedia dari SADEWA ?

C. Tujuan Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah :

1. Melakukan transfer otomatis data yang diperoleh dari pengukuran AWS yaitu

suhu, kelembaban dan curah hujan ke web SADEWA.

2. Menghitung korelasi antara data informasi prediksi yang tersedia dari

SADEWA dengan data pengamatan yang didapatkan dari AWS.

D. Manfaat penelitian

Penulis berharap dengan selesainya penelitan ini dapat memberikan manfaat sebagai berikut :

(20)

3

2. Dapat memperoleh pengetahuan tentang transfer otomatis data pengukuran

AWS ke web SADEWA.

3. Memberikan nilai akurasi dari hasil prediksi SADEWA dengan data

pengamatan AWS.

4. Berdasarkan nilai akurasi yang telah didapatkan dapat membantu

memperbaiki kinerja WRF dalam memprediksi kondisi atmosfer.

E. Batasan Masalah

1. Dalam penelitian ini besaran parameter cuaca yang ditampilkan di web

SADEWA dibatasi pada suhu, kelembaban, curah hujan, besar dan arah angin.

2. Korelasi hasil prediksi SADEWA dengan hasil pengamatan AWS dibatasi

pada parameter suhu, kelembaban dan hujan.

3. Akan digunakan teori korelasi Pearson untuk mengetahui keeratan hubungan

antara informasi prediksi SADEWA dengan data Automatic Weather Station (AWS).

F. Struktur Organisasi

Dalam skripsi ini, struktur organisasi penulisannya terdiri dari 5 (lima) bab. Bab I merupakan bagian awal skripsi yang menjelaskan secara umum tentang penulisan skripsi. Bab ini terdiri dari latar belakang penelitian, rumusan masalah penelitian, tujuan penelitian, manfaat penelitian dan struktur organisasi.

Bab II berisikan tentang penjelasan teori-teori yang digunakan dalam penelitian ini. Teori tersebut berisikan tentang pengertian, prinsip kerja dan komponen-komponen yang terkait dengan materi. Bab ini tentang penjelasan Automatic Weather Station (AWS), Weather Vantage Pro2, Weather Research and Forecasting (WRF)

dan Korelasi Data.

(21)

4

Bab IV merupakan bagian yang menjelaskan tentang hasil penelitian yang telah dilakukan serta pembahasannya. Bab ini terdiri dari transfer otomatisasi data ke SADEWA dan hasil korelasi data.

(22)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB III

DATA DAN METODE PENELITIAN

A. Metode Penelitian

Dalam penelitian ini metode yang digunakan adalah metode korelasional. Tujuan penelitian korelasional adalah untuk mendeteksi sejauh mana variasi-variasi pada suatu faktor berkaitan dengan variasi-variasi pada satu atau lebih faktor lain berdasarkan koefisien korelasi (Suryabrata, 2000, hlm : 24). Variabel yang akan dibandingkan dalam penelitian ini adalah data prediksi SADEWA dengan data pengamatan pengkuran AWS yang ingin diketahui hubungannya menggunakan korelasi Pearson.

Data pengamatan parameter cuaca didapatkan melalui AWS yang ditempatkan di LAPAN Bandung. Parameter cuaca yang diukur suhu, kelembaban dan curah hujan. Sedangkan data prediksi yang terdapat pada SADEWA merupakan hasil simulasi dari model WRF yang diunduh melalui server dalam file berformat netCDF. Ada banyak perangkat lunak yang bisa membaca file dengan format netCDF seperti MATLAB, IDL, GrADs dan NCAR Command Language (NCL). Dalam penelitian ini digunakan NCL untuk mengolah data yang berformat netCDF.

B. Waktu dan Tempat Penelitian

Waktu Penelitian : Maret 2015 s.d Juli 2015

Tempat Penelitian: Lembaga Penerbangan dan Antariksa Nasional (LAPAN), Jl. Dr. Djunjunan No.133 Bandung 40173

C. Sumber Data

(23)

21

1. Data pengamatan parameter cuaca Automatic Weather Station (AWS).

Data pengukuran AWS disimpan di komputer melalui software WeatherLink yang dihubungkan oleh data logger dan konsol ke komputer. Berikut adalah gambar proses penyimpanan data AWS ke komputer :

Gambar 3.1. Proses penyimpanan data AWS ke komputer

Dari Gambar 3.1 dijelaskan bahwa pengukuran parameter cuaca dilakukan melalui sensor-sensor yang terdapat pada ISS. Data yang telah diukur oleh sensor akan di kirimkan melalui radio transmitter dan dikirimkan ke bagian receiver yaitu konsol Vanntage Pro2 melalui gelombang radio. Konsol Vantage pro2 tersebut dapat menampilkan langsung data yang dikirim oleh radio transmitter seperti Gambar 3.2 di bawah ini :

ISS KONSOL

(24)

22

Gambar 3.2. Tampilan Data Pada Konsol Vantage Pro2

Setelah itu data yang didapat dari konsol Vantage Pro2 diteruskan ke data logger melalui WeatherLink USB. Data dari WeatherLink USB tersebut akan diteruskan ke komputer melalui kabel USB. Data dengan format text document (txt) ini diperbaharui setiap 10 menit sekali. Dengan kata lain AWS megukur parameter cuaca setiap 10 menit sekali.

2. Data prediksi cuaca SADEWA

Data prediksi SADEWA merupakan informasi prediksi cuaca 1 hari ke depan untuk wilayah Indonesia. Data prediksi ini merupakan hasil simulasi cuaca menggunakan model WRF dengan kondisi batas (boundary condition) dari GFS. Hasil simulasi WRF ini dikirim dan diolah ke server untuk di tampilkan di web SADEWA. Data WRF ini diunduh dari server untuk diolah dan dicari nilai korelasinya terhadap data pengukuran AWS.

D. Tahap Transfer Data Otomatis dan Proses Korelasi Data

1. Proses penyimpanan data pengukuran parameter cuaca AWS.

Penyimpanan dan pengolahan data AWS dilakukan menggunakan software WeatherLink. Berikut adalah pengaturan pada software WeatherLink :

a. Mengatur satuan dari setiap besaran.

(25)

23

Gambar 3.3. Menu Choose Units

Dalam penelitian ini satuan yang dipilih untuk suhu adalah celcius (C) dan curah hujan adalah mm.

b. Mengatur interval waktu dalam mengunduh data

WeatherLink akan mencatat dan mendownload data pada interval waktu

(26)

24

Gambar 3.4. Menu Set Archive Interval

Melalui pertimabangan waktu unduh dan transfer data serta agar datanya lebih akurat maka dalam penelitian ini interval waktu yang dipilih adalah 10 menit.

2. Proses mengirim data secara otomatis ke server

Data AWS yang sudah tersimpan di komputer akan dikirim ke server secara rutin dan otomatis menggunakan file batch. File batch yang bersisi lokasi server yang dituju dan nama file yang akan dikirim ini dijalankan oleh task scheduler. Task scheduler ini di atur agar menjalankan file batch setiap 10 menit.

3. Proses mengumpulkan data prediksi SADEWA

Data prediksi SADEWA dapat di download melalui server. Besar file data prediksi untuk 1 hari dengan interval waktu 1 jam adalah kurang lebih 18 Gb dengan format file netCDF. Data yang diunduh mulai dari tanggal 1 sampai dengan 20 juni 2015. Untuk mengolah data tersebut digunakan software NCL. Setelah itu dibuat script untuk menjalankan perintah dalam mengolah data tersebut. Berikut adalah

perintah yang di buat dalam script :

a. Memilih longitude dan latitude yang dibutuhkan. Karena longitude dan

latitude data prediksi harus sama dengan data pengamatan maka dalam script

(27)

25

b. Memilih parameter cuaca yang dibutuhkan. Dalam script ini parameter cuaca

yang dipilih adalah suhu, kelembaban dan curah hujan.

c. Menyimpan hasil pengolahan. Agar keluaran hasil pengolahan data dapat

diolah untuk dicari nilai korelasinya, maka dalam script ini dibuat perintah untuk menyimpan hasil pengolahan data dalam format text document (txt).

4. Penyimpanan data ke database dan penampilan data di SADEWA.

File data yang telah tersimpan pada server berisikan tentang tangggal dan waktu, parameter cuaca serta nilai dari parameter tersebut seperti pada Tabel 3.1 dibawah ini :

Tabel 3.1. Data pengukuran AWS

Setelah itu langkah selanjutnya adalah membuat script yang bertujuan memasukan data ke database menggunakan bahasa PHP seperti pada lampiran 2. Berikut adalah perintah pada script ini :

a. Mengubah file Text Document (txt) dengan memecah setiap isi text menjadi

Array.

b. Memasukan setiap Array yang telah berisikan data ke dalam tabel yang telah

dibuat pada database.

Script ini dijalankan menggunakan crontab pada server yang diatur setiap 10 menit

(28)

26

dipilih bebas dan dua parameter cuaca yang tetap yaitu arah dan kecepatan angin. Berikut adalah tampilan grafik data pada web SADEWA :

5. Proses Menghitung Korelasi

Untuk mencari nilai koefisien korelasi Pearson akan digunakan aplikasi Microsoft Excel. Data pengukuran AWS dan data prediksi SADEWA yang akan dibandingkan

(29)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB V

Simpulan dan Saran

A. Simpulan

Berdasarkan hasil dan pembahasan yang telah dipaparkan pada bab IV, maka dapat disimpulkan bahwa :

1. Kinerja program untuk transfer otomatis data pengukuran AWS ke SADEWA

sudah bekerja dengan baik. Hal tersebut ditunjukan oleh 1). Tampilan grafik dan tabel stabil, 2). Nilai delay sebesar 43,1 ms, 3). Nilai throughput sebesar 16796,96 bytes/s 4). Nlai packet loss sebesar 0% 5). Kapasitas data yang dapat diolah oleh script yaitu sebesar 188 kb atau memiliki jumlah array maksimal sebanyak 769.

2. Nilai koefisien korelasi dari data suhu adalah 0,8198 dan kelembaban adalah

0,7074. Artinya model WRF memiliki akurasi yang tinggi. Sedangkan untuk curah hujan besar nilai koefisisen korelasinya adalah 0,2522. Nilai korelasi curah hujan yang rendah ini dikarenakan curah hujan merupakan parameter tersulit untuk diprediksi oleh model.

B. Saran

Berdasarkan hasil diketahui bahwa kinerja transfer otomatis data sudah bekerja dengan baik. Oleh karena itu program ini sudah layak digunakan untuk transfer otomatis data AWS ke SADEWA.

Untuk menilai akurasi hasil prediksi dari model WRF diperlukan banyak titik pengamatan. Semakin banyak titik pengamatan, semakin valid hasil koefisien korelasi yang diperoleh. Oleh karena itu saran dari hasil penelitian adalah pemasangan AWS yang banyak dan merata di wilayah Indonesia.

(30)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR PUSTAKA

Bobanto, W. S., Lumenta, A. S. M., Najoan, X. (2014). Analisis Kualitas Layanan Jaringan Internet (Studi Kasus PT. Kawanua Internetindo Manado). e-journal Teknik Elektro dan Komputer. ISSN: 2301-8402

(31)

42

Farahani, H., Wagiran, R., dan Hamidon, M. N. (2014). Humidity Sensors Principle, Mechanism, and Fabrication Technologies: A Comprehensive Review. Jurnal Sensor. 14, hal : 7881-7939.

Hasan, M. I. (2005). Pokok-Pokok Materi Statistik 1. Jakarta : PT Bumi Aksara. John, G. (2011) . Introduction to The Tipping Bucket Rain Gauge [Online]. Diakses

dari :

http://www.wmo.int/pages/prog/www/IMOP/TrainingMat/2011-Melbourne/Doc_3_3_Tipping-bucket-rain-gauge_JGorman.pdf.

Ridwan & Kudsy, M. (2011). Parameterisasi Model Cuaca WRF-ARW Untuk Mendukung Kegiatan Teknologi Modifikasi Cuaca (TMC) Di Sumatera, Sulawesi, Dan Jawa. Jurnal Sains & Teknologi Modifikasi Cuaca. Vol. 12. Satiadi, D. (2014). Informasi Kanal SADEWA 3.0 [Online]. Diakses dari

http://sadewa.sains.lapan.go.id/sadewa30/images/sadewa-kanal-info-pub.pdf. Sidharta, Y & Widjaja, D. (2013). Perbandingan Untuk Kerja Protokol Routing AD

Hoc On-Demand Distance Vector(AODV) Dan Dynamic Source Routung Pada Jaringan Manet. Jurnal Teknologi. Vol 6. hlm. 83-89.

Sproul, A. (2015).Understanding the p-n Junction [Online]. Diakses dari : http://www2.pv.unsw.edu.au/nsite-files/pdfs/UNSW_Understanding_the_p-n_Junction.pdf

Suryabrata, S. (2000). Metodologi Penelitian. Jakarta : PT Raja Grafindo Persada. Tiphon. (1999). Telecommunications and Internet Protocol Harmonization Over

Networks (TIPHON) General aspects of Quality of Service (QoS) [Online].

(32)

43