1
MODEL PRAKIRAAN CURAH HUJAN BULANAN
MENGGUNAKAN METODE REGRESI KOMPONEN UTAMA
DENGAN PREDIKTOR SUHU MUKA LAUT DI MALUKU
Nastiti Andini
1, Urip Haryoko
21
Taruna Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
2
Kepala Bidang Pengembangan Database BMKG
Email : nastitiandini@gmail.com
Abstrak
Penelitian dilakukan dengan melakukan metode Analisis Komponen Utama (AKU) yang mampu mereduksi dimensi prediktor suhu muka laut dengan tetap mempertahankan sebanyak mungkin variasi kumpulan data dari data awal. Domain 8x8 grid, 10x10 grid, dan 12x12 grid terpilih untuk dijadikan domain prediktor awal. Regresi komponen utama dilakukan untuk mendapatkan hasil prakiraan masing-masing titik pengamatan pada ketiga domain. Pemilihan domain terbaik berdasarakan nilai PC yang tinggi kemudian didukung oleh nilai korelasi yang tinggi dan RMSE yang rendah. Nilai korelasi antara nilai prakiraan curah hujan dan observasi yang paling tinggi yaitu di Stamet Saumlaki dan Stamet Tual. Nilai RMSE Stamet Pattimura sangat tinggi bila dibanding lokasi penelitian lainnya yaitu 321 mm/bulan pada domain 12x12 grid. Tidak ditemukan domain yang dominan paling baik berdasarkan nilai korelasi dan RMSE serta tidak ditemukan perbedaan nilai RMSE yang tajam antar domain pada masing-masing lokasi penelitian. Stamet Saumlaki, Stamet Tual, dan Stamet Namlea memiliki tingkat kesesuaian prakiraan yang paling tinggi diantara lokasi penelitian lainnya. Domain yang paling baik berdasarkan nilai
Proportion of Correct yaitu domain 10x10 grid, sehingga secara umum metode RKU terbaik pada
domain 10x10 grid.
Kata kunci :
Prakiraan curah hujan bulanan, regresi komponen utama, suhu muka laut,
domain
Abstract
The research was conducted by Principal Component Analysis method (PCA). This
method is able to reduce the dimensions predictor of sea surface temperature by retaining
as much variation data set of the initial data. Domain 8x8 grid, 10x10 grid, and 12x12 grid
was chosen to serve as early predictors domain. The Principal Component Regression
(PCR) done to get the forecasts each observation point in three domains. Selection of the
best domain based on high value Proportion of Correct then supported by the high
correlation value and a low RMSE value. Highest correlation values between the forecasts
of rainfall and observation rainfall is in Stamet Saumlaki and Stamet Tual. RMSE values of
Stamet Pattimura are very high when compared to other research sites, it around 321
mm/month on a 12x12 grid domain. There is not found most excellent dominant domain
based pon correlation and RMSE values and also there is not found sharp differences
between the RMSE value domain of each research location. Stamet Saumlaki, Stamet Tual,
and Stamet Namlea have the highest a level of suitability forecasts among the other
research location. The best domain based on the value Proportion of Correct domain is
10x10 grid, so generally the best domain using PCR method is domain 10x10 grid.
Keywords :
monthly rainfall forecast, principal component analysis, sea surface
temperature, domain
2
1.
Pendahuluan
Salah satu sektor yang sangat dipengaruhi oleh hujan yaitu sektor pertanian. Sektor pertanian sangat membutuhkan informasi mengenai intensitas hujan maupun waktu terjadinya untuk menyiapkan periode tanam, bila tejadi kesalahan mengenai prakiraan intensitas dan waktu terjadinya hujan maka dampak yang terburuk yaitu terjadinya gagal panen. Dalam Sucahyono dkk (2009), Slingo dkk (2005) menyatakan bahwa faktor utama yang mempengaruhi atmosfer Indonesia bahkan atmosfer global yaitu suhu muka laut Indonesia. Hal ini memberikan cukup alasan untuk menjadikan peranan laut sangat penting dalam rangkaian proses pembentukan hujan di atmosfer.
Wilby dan Wigley (1997) dalam Haryoko (2014), menyatakan penentuan ukuran domain spasial dalam menggunakan teknik statistical downscalling merupakan faktor yang sangat kritis dan mempengaruhi hasil prakiraan. Penentuan domain yang masih subyektif merupakan kendala yang sulit ditemukan solusinya, karena unsur cuaca yang saling berkorelasi kuat baik dalam dimensi spasial maupun dimensi waktu.
Data suhu muka laut yang akan dijadikan prediktor memiliki dimensi yang sangat besar dan memiliki hubungan yang erat atau terjadi multikolinearitas. Sehingga diperlukan suatu cara untuk mengurangi dimensi dari suatu kumpulan data yang terdiri dari sejumlah besar variabel yang saling berhubungan.
Provinsi Maluku merupakan gugusan Kepulauan Maluku yang terdiri dari banyak pulau-pulau kecil dan beberapa pulau besar. Aldrian (2008) menyebutkan fungsi meteorologis dari pulau-pulau kecil tersebut terhadap iklim regional Indonesia karena keberadaan pulau pulau tersebut mengatur arus lintas air laut dan atmosfir disekitarnya.
Maluku memiliki 2 tipe hujan yaitu tipe monsun yang distribusi curah hujannya berbentuk huruf “u” yang terdapat di hampir seluruh Provinsi Maluku dan tipe hujan kebalikan monsun yang distribusi curah hujannya berbentuk huruf “u” terbalik yang dapat dijumpai di Pulau Ambon dan barat daya Pulau Seram.
Gambar 1. Tipe hujan di Maluku Tujuan penelitian ini adalah menentukan ukuran domain spasial yang optimum untuk prakiraan hujan bulanan dan Memperoleh hasil prakiraan curah hujan bulanan di masing-masing stasiun pengamatan.
Manfaat yang diharapkan dalam penelitian ini yaitu menemukan domain suhu muka laut yang sesuai untuk prakiraan curah hujan bulanan di Provinsi Maluku. Hal ini juga diharapkan menjadi sumbangan berharga bagi perkembangan ilmu pengetahuan pada umumnya serta STMKG dan BMKG pada khususnya.
2.
Data dan Metode
2.1
Data
Terdapat 2 jenis data yang digunakan dalam penelitian ini, yaitu :
a. Data curah hujan bulanan periode 1986-2014 Stasiun Meteorologi dan Stasiun Klimatologi Provinsi Maluku (8 Stasiun pengamatan).
Tabel 1. Titik koordinat lokasi penelitian
b. Data suhu muka laut dengan resolusi spasial sebesar 1ᵒ x 1ᵒ dari NOAA periode 1986-2014, digunakan sebanyak 144 grid pada range 1ᴼ LU – 11ᴼ LS dan 124ᴼ BT – 136ᴼ BT.
Stasiun Pengamatan Lintang Bujur Elevasi (m) Stasiun Meteorologi Namlea 3.25ᴼ LS 127.08ᴼ BT 10.0 Stasiun Meteorologi Amahai 3.35ᴼ LS 128.93ᴼ BT 10.0 Stasiun Meteorologi Pattimura Ambon 3.71ᴼ LS 128.09ᴼ BT 15.4 Stasiun Klimatologi Kairatu 3.25ᴼ LS 128.4ᴼ BT 5.0 Stasiun Meteorologi Geser 3.89ᴼ LS 130.94ᴼ BT 1.5 Stasiun Meteorologi Banda Naira 4.52ᴼ LS 129.9ᴼ BT 15.0 Stasiun Meteorologi Tual 5.65ᴼ LS 132.73ᴼ BT 3.0 Stasiun Meteorologi Saumlaki 7.98ᴼ LS 131.3ᴼ BT 23.7
3 Gambar 2. Peta grid data dan lokasi stasiun
pengamatan
Pemilihan ukuran domain merupakan bagian dari pra penelitian. Ukuran 8ᴼx8ᴼ untuk domain 3 dipilih karena mencakupi semua titik penelitian. Selanjutnya domain 1 dipilih berdasarkan nilai koefisien korelasi diatas nilai 0.45 antara curah hujan bulanan pada masing-masing titik penelitian dengan suhu muka laut bulanan.
2.2
Metode
2.2.1
Menentukan domain penelitian
a.
Peta isokorelasi
Isokorelasi adalah garis yang
menghubungkan tempat-tempat yang
mempunyai nilai korelasi yang sama
(Haryoko, 2014). Peta isokorelasi
digunakan untuk menentukan domain
penelitian.
Korelasi
ini
menggambarkan
seberapa
besar
hubungan antara curah hujan bulanan
dengan suhu muka laut bulanan pada
bulan sebelumnya. Nilai korelasi yang
dilihat dalam penelitian ini adalah nilai
korelasi yang kuat positif atau kuat
negatif.
b.
Domain berdasarkan luasan wilayah
Belum
ada
penelitian
yang
menyatakan dengan tegas seberapa
luas domain suhu muka laut yang
diperlukan
sebagai
prediktor.
Penelitian ini penulis menggunakan 3
domain berukuran 8x8 grid, 10x10
grid, dan 12x12 grid. Selanjutnya akan
ditentukan domain terbaik berdasarkan
hasil prakiraan.
2.2.2
Fitting model
a. Menentukan Komponen Utama (KU) Salah satu cara untuk meminimalisasi multikolinearitas adalah reduksi dimensi spasial atau mencari peubah baru yang merupakan kombinasi linear dari peubah aslinya dengan syarat peubah baru tidak saling berkorelasi (Haryoko, 2014). Analisis Komponen Utama (AKU) digunakan untuk memeriksa apakah terdapat korelasi yang kuat antar prediktor yang digunakan atau multikolinearitas (dalam penelitian ini ialah suhu muka laut antar grid). Peubah baru yang dibentuk oleh AKU harus mampu menjelaskan keragaman dari seluruh data prediktor.
Jumlah peubah baru atau komponen utama yang akan dipakai bergantung dari matriks ragam peragam Σ. Ragam atau varian dari setiap komponen utama ditandai dengan nilai akar ciri atau eigen
value. Presentase kumulatif akar ciri
merupakan kontribusi setiap komponen utama terhadap peubah aslinya. Setiap akar ciri berpadanan dengan nilai vektor ciri atau eigen vector yang merupakan koefisien dari suatu komponen utama. Penulis menggunakan kriteria pemilihan komponen utama dengan syarat presentase kumulatif akar ciri sebesar 98%.
Setiap komponen utama dalam persamaan regresi merupakan kombinasi liniear dari semua peubah baku Z. Hubungan tersebut dinyatakan sebagai berikut :
b. Membangun model Regresi Komponen Utama (RKU)
Perkalian antara koefisien KU atau vektor ciri dengan peubah aslinya (suhu muka laut) menghasilkan nilai komponen utama atau score. Score selanjutnya akan digunakan untuk membangun persamaan regresi komponen utama, dimana score
4 persamaan regresi komponen utama.
dimana :
Y : peubah tak bebas Xi : peubah bebas ke-i A : konstanta regresi
Bi : koefisien regresi dari peubah bebas ke-i
ai : koefisien AKU Zi : skor komponen utama c. Prakiraan curah hujan
Hasil prakiraan hujan didapatkan dari transformasi komponen utama ke peubah awal (suhu muka laut). Transformasi tersebut merupakan perkalian antara koefisien AKU atau vektor ciri dengan koefisien RKU, yang selanjutnya dikalikan lagi dengan suhu muka laut dengan jeda 1 bulan sebelumnya (lag 1) dari waktu prakiraan.
2.2.3
Verifikasi
Pemilihan teknik verifikasi yang digunakan dalam penelitian ini yaitu menggunakan cara yang dipakai BMKG dalam memverifikasi prakiraan curah hujan bulanan dan musim, hal ini dimaksudkan agar teknik verifikasi sesuai dengan operasional BMKG.
Tabel 2. Tabel kontingensi nilai relatif
Frekuensi relatif dari jumlah pasangan prakiraan kategori i dan observasi kategori j adalah Pij.
Pij = nij / n
Verfikasi yang dihitung adalah nilai
Proportion of Correct (PC). Total dari
seluruh nilai frekuensi relatif adalah 1,
sedangkan yang dimaksud dengan nilai
Proportion of Correct (PC) adalah
PC = ∑ Pij × 100%
Sesuai Prakiraan =∑(Pii+ Pi,i+1+ Pi+1,i) x 100%
Berikut merupakan 4 kategori verifikasi “Sesuai Prakiraan” :
Rendah, jika prosentase “Sesuai Prakiraan” antara 40% - 60%.
Menengah, jika prosentase “Sesuai Prakiraan” antara 60% - 70%.
Tinggi, jika prosentase “Sesuai Prakiraan” antara 70% - 90%.
Sangat Tinggi, jika prosentase “Sesuai Prakiraan” antara 90% - 100%.
RMSE digunakan untuk mengetahui besarnya penyimpangan yang terjadi antara nilai prakiraan curah hujan dibandingkan dengan nilai curah hujan observasi.
RMSE =√1 𝑛∑ (𝑦𝑘− 𝑜𝑘) 2 𝑛 𝑘=1 Dimana : n : banyaknya data
yk : prakiraan curah hujan ke k (mm)
ok : curah hujan observasi ke k (mm)
Korelasi
digunakan
untuk
menentukan besarnya hubungan atau
kedekatan antara prakiraan curah hujan
dengan curah hujan hasil observasi.
3.
Hasil dan Pembahasan
3.1
Analisis Komponen Utama
Prakiraan yang baik dimulai dari pemilihan prediktor yang baik pula, prediktor model regresi yang baik seharusnya tidak terdapat masalah multikolinearitas. Metode Analisis Komponen Utama (AKU) mampu mengatasi masalah multikolineritas dengan mereduksi dimensi dari keseluruhan prediktor.
Setiap domain mempunyai komponen utama masing masing dengan batasan proporsi kumulatif keragaman data asal sebesar 98%. Domain 8x8 grid, 10x10 grid, dan 12x12 grid memiliki komponen
5 utama berturut-turut 1 komponen utama, 2 komponen utama, dan 3 komponen utama.
Tabel 3. S
epuluh SST yang
mempengaruhi KU masing-masing
domain
Tabel 3 menunjukan 10 grid SST yang dominan atau yang paling mempengaruhi masing-masing komponen utama pada setiap domainnya. Berdasarkan letak grid SST dominan ini maka dapat diketahui letak perairan yang paling mempengaruhi analisa komponen utama yang selanjutnya digunakan untuk prakiraan. KU pertama pada domain 8x8 grid dan 12x12 grid menempati wilayah yang hampir sama yaitu di timur domain, sementara domain 10x10 grid berada pada tenggara domain. KU kedua hanya dimiliki oleh domain 10x10 grid dan 12x12 grid, letak SST yang dominan untuk KU kedua yaitu berada pada barat laut masing-masing domain atau di sekitar perairan Laut Maluku. KU ketiga hanya dimiliki oleh domain 12x12 grid, letak KU ketiga ini hampir sama dengan KU pertama yaitu perairan Kepulauan Aru.
3.2
Hasil Prakiraan Model Regresi
Komponen Utama
Tabel 4 adalah persamaan regresi komponen utama untuk setiap stasiun penelitian pada ketiga domain yang hasil akhirnya berupa prakiraan. Tidak semua persamaan di Tabel 4.7 nyata pada α=5%, dengan kata lain tidak semua persamaan regresi signifikan untuk memprakirakan curah hujan di lokasi penelitian. Persamaan regresi pada ketiga domain untuk Stamet Saumlaki dan Stamet Tual signifikan untuk memprakirakan curah hujan, namun untuk Staklim Kairatu dan Stamet Pattimura hanya persamaan pada domain 8x8 grid yang signifikan. Hal yang berbeda dialami Stamet Banda, Stamet Namlea, Stamet Geser, dan Stamet Amahai yakni persamaan regresi yang
signifikan untuk memprakirakan pada domain 8x8 grid dan 10x10 grid.
Nilai R2 merupakan determinasi model regresi yang menjelaskan besarnya pengaruh suhu muka laut (SST) terhadap variasi curah hujan. Semakin besar nilai R2 maka pengaruh suhu muka laut semakin besar terhadap variasi curah hujan.
Tabel 4. Persamaan regresi komponen utama tiap stasiun pada ketiga domain
*
: Nyata pada α=5%
Gambar 3. Grafik perbandingan nilai koefisien determinasi antar domain
Gambar 3 menggambarkan grafik koefisien determinasi. Dapat diketahui bahwa ketiga domain memberikan pengaruh paling besar terhadap curah hujan di Stamet Saumlaki dan Stamet Tual, yaitu diatas 45%. Koefisien determinasi pada ketiga domain SST di Kairatu merupakan yang terkecil dibanding stasiun lain yaitu dibwah 25%. Hal ini menunjukan bahwa ketiga domain SST memberikan pengaruh paling kecil terhadap curah hujan di Kairatu.
Domain KU 8x8 grid KU 1 KU 1 KU 2 KU 1 KU 2 KU 3 57, 69, 70, 71, 72, 82, 83, 84, 95, dan 96 SST (grid ke) 10x10 grid 12x12 grid 69, 70, 80, 81, 82, 92, 93, 94, 105, dan 106 81, 82, 83, 93, 94, 95, 106, 107, 119, dan 131 14, 15, 16, 17, 18, 19, 28, 29, 30, dan 31 70, 80, 81, 82, 83, 84, 93, 94, 95, dan 96
1, 2, 3, 4, 5, 6, 15, 16, 17, dan 18 Tempat Penelitian Domain Persamaan RKU R2 (%) 8x8 * Y = -1367.2 - 1.66 KU1 49% 10x10 * Y = -1414.3 - 2.16 KU1 - 3.59 KU2 49% 12x12 * Y = -1765.6 - 2.05 KU1 - 3.62 KU2 - 5.38 KU3 49% 8x8 * Y = -2032.1 + 9.48 KU1 47% 10x10 * Y = -2318.2 - 2.38 KU1 + 0.04 KU2 46% 12x12 * Y = -2179.8 - 2.03 KU1 - 2.72 KU2 - 3.51 KU3 46% 8x8 * Y = -883.4 + 8.75 KU1 29% 10x10 * Y = -1257.8 + 7.6 KU 1 + 5.12 KU2 29% 12x12 Y = -1786.7 + 4.98 KU1 + 3.83 KU2 + 1.45 KU3 29% 8x8 * Y = -454.9 + 3.57 KU1 32% 10x10 * Y = -392.9 + 6.7 KU1 + 2.32 KU2 33% 12x12 Y = -102.2 + 3.32 KU1 + 2 KU2 - 0.88 KU3 32% 8x8 * Y = -1668.2 + 0.9 KU1 27% 10x10 * Y = -1343.3 - 0.69 KU1 + 0.18 KU2 29% 12x12 Y = -1402.7 - 3.36 KU1 - 2.74 KU2 - 1.58 KU3 29% 8x8 * Y = -1316.2 + 29.21 KU1 23% 10x10 Y = -635.2 + 26.88 KU1 + 17.28 KU2 25% 12x12 Y = -278.4 + 12.11 KU1 + 12.72 KU2 + 10.56 KU3 25% 8x8 * Y = -642.9 + 87.41 KU1 24% 10x10 Y = 376.9 + 68.3 KU1 + 45.36 KU2 27% 12x12 Y = 251.6 + 32.89 KU1 + 33.15 KU2 + 26.68 KU3 26% 8x8 * Y = -1255.6 + 52.49 KU1 24% 10x10 * Y = 128.9 + 45.66 KU1 + 31.03 KU2 29% 12x12 Y = 385.4 + 18.83 KU1 + 19.26 KU2 + 16.01 KU3 30% Namlea Geser Kairatu Pattimura Amahai Saumlaki Tual Banda
6 a.
b.
c.
d.
e.
f.
g.
h.
Gambar 4. a, b, c, d, e, f, g, dan h Grafik curah hujan observasi dan prakiraan curah
hujan di titik penelitian
Berdasarkan grafik perbandingan nilai observasi dan nilai prakiraan curah hujan pada ketiga domain yang terdapat pada Gambar (4) terlihat hasil prakiraan dengan metode Regresi Komponen Utama belum mampu memprakirakan curah hujan ektrim. Hasil prakiraan yang paling baik dijumpai pada Stamet Saumlaki dan Stamet Tual. Prakiraan curah hujan Stamet Saumlaki dan Tual mempunyai pola yang hampir sama satu sama lain namun berbeda frekuensi, dengan prakiraan curah hujan di Stamet Tual lebih tinggi dibanding Stamet Saumlaki. Prakiraan curah hujan bulan Januari hingga Juni 2013 pada keda stasiun ini kurang mengikuti pola nilai observasi, namun prakiraan curah hujan bulan Juli 2013 hingga Desember 2014 hampir mengikuti pola curah hujan observasi walaupun kurang mampu memprakirakan
7 secara tepat. Sedangkan pada Stamet Geser menunjukan hasill prakiraan yang kurang baik sepanjang tahun 2013 dan cukup mengikuti pola curah hujan observasi tahun
2014 walau terdapat over-estimate. Hasil ketiga prakiraan pada ketiga domain Stamet Geser berada pada nilai rata-rata curah hujan observasi.
3.3
Pemilihan Domain Terbaik
Penentuan domain terbaik ini dilakukan dengan cara membandingkan indikator validasi antara domain 8x8 grid, 10x10 grid, dan 12x12 grid. Indikator yang digunakan yaitu RMSE, koefisien korelasi,
dan Proprtion of Correct (PC). Domain yang
paling baik adalah domain yang prakiraannya memiliki nilai PC yang mendekati 100% terhadap nilai observasi, sementara nilai RMSE yang mendekati nol dan nilai koefisien korelasi yang kuat postif merupakan faktor pendukung.
Gambar 5. Grafik perbandingan nilai koefisien korelasi antara data curah hujan
observasi dan hasil prakiraan
Gambar 5 menunjukan perbandingan nilai korelasi antara data curah hujan dengan prakiraan curah hujan di setiap domain pada semua lokasi penelitian. Nilai korelasi berada diatas nilai 0.5 yang menunjukan terdapat kemiripan pola antar curah hujan observasi dan prakiraan curah hujan yang cukup baik. Nilai korelasi yang paling tinggi (nilai korelasi diatas 0.8) secara keseluruhan yaitu di Stamet Saumlaki dan Stamet Tual, sementara nilai korelasi di Stamet Geser dan Staklim Kairatu merupakan yang paling rendah (nilai korelasi dibawah 0.5). Telah dijelaskan sebelumnya bahwa terdapat kemiripan pola curah hujan yang cukup tinggi berdasarkan grafik curah hujan observasi dan prakiraan curah hujan di Stamet Tual dan Stamet Saumlaki, hal ini diperkuat dengan validasi menggunakan korelasi yang bernilai tinggi. Selisih nilai korelasi pada setiap domain di masing-masing lokasi penelitian cukup kecil, bahkan
nilai korelasi di Stamet Saumlaki sama. Perbedaan yang tajam ditemukan di Stamet Pattimura, nilai korelasi domain 8x8 grid merupakan yang paling tinggi dibanding domain lain pada stasiun ini.
Gambar 6. Grafik perbandingan nilai RMSE antara data curah hujan observasi dan hasil
prakiraan
Gambar 6 menunjukan grafik perbandingan nilai RMSE antara curah hujan observasi dengan prakiraan curah hujan di setiap domain pada semua lokasi penelitian. Tidak ditemukan perbedaan nilai RMSE yang tajam antar domain pada masing-masing lokasi penelitian. Nilai RMSE berkisar antara 82 mm hingga 321 mm. Terdapat 3 stasiun yang memiliki RMSE diabawah 100 mm yaitu Stamet Saumlaki, Stamet Tual, dan Stamet Namlea. Sementara Stamet Banda, Stamet Geser, Staklim Kairatu, dan Stamet Amahai memiliki nilai RMSE dibawah 180 mm. Nilai RMSE Stamet Pattimura sangat tinggi bila dibanding lokasi penelitian lainnya. Hal ini terjadi karena terdapat curah hujan ekstrem pada bulan Juli 2013 yang mencapai 1923 mm, sementara prakiraan curah hujan tertinggi pada bulan itu hanya 506 mm. Kejadian serupa dialami oleh Stamet Geser, curah hujan observasi mencapai 960 mm sementara prakiraan curah hujan hanya berkisar 230 mm.
8 Gambar 7. Grafik perbandingan nilai
Proportion of Correct antara data curah hujan observasi dan hasil prakiraan
Gambar 7 merupakan perbandingan nilai Proportion of Correct antara data curah hujan dengan prakiraan curah hujan di setiap domain pada semua lokasi penelitian. Stamet Saumlaki, Stamet Tual, dan Stamet Namlea memiliki tingkat kesesuaian prakiraan yang paling tinggi diantara lokasi penelitian lainnya. Ketiga Stamet ini memiliki prakiraan di kategori tinggi dengan rentang 70.8% hingga 83.3%. Selain ketiga stasiun ini, Stamet Amahai juga memiliki rakiraan dengan kategori tinggi namun hanya pada domain 10x10 grid dan 12x12 grid. Kategori sesuai prakiraan tingkat menengah terdapat hanya pada Stamet Geser dengan nilai 62.5% hingga 66.7%. Stamet Pattimura juga memiliki prakiraan curah hujan dengan kategori menengah namun hanya pada domain 10x10 grid dan 12x12 grid. Sementara Stamet Banda dan Staklim Kairatu hanya berada pada kategori sesuai prakiraan
rendah berdasarkan nilai prosentase. Selain itu Stamet Pattimura dan Stamet Amahai pada domain 8x8 grid juga memiliki prakiraan kategori rendah.
3.4
Kesesuaian Model Prakiraan
Curah Hujan
Gambar 8 merupakan hasil akhir dari berbagai macam metode validasi yang digunakan dalam penelitian ini. Pemilihan domain terbaik berdasarakan nilai PC yang tinggi kemudian didukung oleh nilai korelasi yang tinggi dan RMSE yang rendah. Domain 12x12 grid menjadi domain terbaik pada Stamet Namlea dan Staklim Kairatu. Letak kedua stasiun pengamatan ini berada di barat laut Provinsi Maluku, yang hanya memiliki perairan yang sempit di daerah sekitarnya (bukan menghadap ke Laut Banda). Besar-kecilnya domain suhu muka laut di atas Perairan Maluku tidak terlalu signifikan berbeda sebagai prediktor pada metode regresi komponen utama. Domain penelitian untuk Stamet Namlea dan Staklim Kairatu sebagai prediktor suhu muka laut diperlukan semakin besar. Sementara itu, Stamet Pattimura, Stamet Amahai, Stamet Geser, Stamet Banda, Stamet Tual, dan Stamet Saumlaki berdomain terbaik pada domain 10x10 grid.
9
4.
Kesimpulan
Dari analisis dan pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut :
a. Hasil prakiraan yang dihasilkan oleh metode RKU secara umum menunjukan prakiraan yang cukup baik terhadap curah hujan observasi. Prakiraan curah hujan bulanan yang paling baik yaitu di Wilayah Maluku Tenggara.
b. Berdasarkan nilai validasi Proportion of Correct tertinggiii dengan didukung oleh nilai RMSE yang kecil dan nilai korelasi yang besar, ukuran domain yang optimum untuk menghasilkan prakiraan curah hujan bulanan yaitu domain 10x0 grid.
DAFTAR PUSTAKA
Aldrian, E., 2008, Meteorologi Laut
Indonesia, BMKG, Jakarta.
Badan Meteorologi Klimatologi dan
Geofisika, 2012, Verifikasi Prakiraan Iklim Indonesia, Jakarta.
Fekedulegn, B.D., Colbert, J.J., Hicks, Jr.R.R., dan Schuckers, M.E., 2002,
Coping With Multicollinearity: An Example On Application Of Principal
Components Regression in
Dendroecology, USDA Forest
Service.
Haryoko, U., 2014, Model Prakiraan Cuaca Harian Memanfaatkan Luaran NWP dan Data Pengamatan Stasiun Cuaca,
Disertasi Pascasarjana, IPB, Bogor.
http://www.bkpmd-maluku.com/
Jolliffe, I.T., 2002, Principal Component Analysis Second Edition, Springer.
Kasyafillah, H.H., 2010, Penentuan Domain Untuk Teknik Statistical
Downscaling, Skripsi Sarjana,
Fakultas MIPA, IPB, Bogor.
Kristantri, E., 2014, Prediksi Curah Hujan Triwulanan Di Wilayah Sulawesi Selatan Bagian Barat Dengan Metode Regresi Komponen Utama, Skripsi
Sarjana, Jurusan Klimatologi,
STMKG, Jakarta.
Puspitasari, N., 2014, Perbandingan Model Prakiraan Curah Hujan Bulanan Dengan Regresi Komponen Utama Dan Stepwise Di Wilayah Papua Dan Papua Barat, Skripsi Sarjana, Jurusan Klimatologi, STMKG, Jakarta. Rencher, A.C., 1998, Multivariate Statistical
Inference and Application,
Wiley-Interscience Publication, Brigham. Sucahyono, D., Hidayat, P., Wigena, A.H.,
2009, Model Prakiraan Curah Hujan Bulanan Di Wilayah Jawa Bagian Utara Dengan Prediktor Suhu Muka Laut (SML) Dan Outgoing Longwave Radiation (OLR), Jurnal Meteorologi dan Geofisika, Vol. 10 No. 2, BMKG, Jakarta.
Tjasyono, B., dan Harijono, S.W.B., 2007,
Meteorologi Indonesia 2, BMKG,
Jakarta.
Wigena, A.H., 2006, Pemodelan Statistical
Downscaling Dengan Regresi
Projection Pursuit Untuk Peramalan Curah Hujan Bulanan, Disertasi
Pascasarjana, IPB, Bogor.
Wilks, D.S., 1995, Statistical Methods in the
Atmospheric Sciences,Academic