| dc.description.abstract | Masyarakat pengguna informasi prakiraan cuaca di Indonesia saat ini menuntut adanya prakiraan cuaca yang cepat, tepat dan dapat menjangkau wilayah yang luas dan detail hingga tingkat kabupaten serta menjangkau beberapa hari ke depan. Informasi prakiraan cuaca di Indonesia saat ini baru menjangkau Kota-kota besar dan kota kabupaten, namun hanya memprakirakan cuaca sampai satu hari ke depan. Tantangan ini yang menjadikan pentingnya pengembangan model prakiraan cuaca harian. Permasalahan yang dihadapi dalam pemberian informasi prakiraan cuaca harian oleh BMKG adalah belum adanya model prakiraan cuaca obyektif yang dapat dioperasionalkan, terutama dalam pembuatan prakiraan suhu maksimum, suhu minimum dan keadaan cuaca. Prakiraan yang dimaksud adalah prakiraan cuaca di titik stasiun dengan waktu prakiraan sampai beberapa hari ke depan. Untuk itu perlu dikembangkan model prakiraan cuaca obyektif dengan memanfaatkan luaran NWP Tujuan dari penelitian ini adalah (i) menentukan domain spasial luaran NWP, (ii) membangun model prakiraan suhu maksimum dan suhu minimum, dan (iii) kejadian hujan harian sampai empat hari ke depan di wilayah Jabodetabek. Sebagai prediktor digunakan data luaran NWP Global Forecasting System (GFS), sedangkan sebagai prediktan adalah data suhu maksimum, suhu minimum dan kejadian hujan harian di delapan Stasiun Meteorologi sekitar Jabodetabek. Model Output Statistics (MOS) adalah salah satu metoda statistical downscaling (SD) pada tahap post processing luaran Numerical Weather Prediction (NWP) untuk mendapatkan nilai prakiraan parameter cuaca di sebuah titik stasiun pengamatan. Metode ini memanfaatkan luaran NWP yang tersedia dari berbagai sumber dan data pengamatan stasiun cuaca. MOS merupakan model yang meghubungkan antara peubah prediktan y (pengamatan stasiun cuaca, seperti temperatur minimum, temperatur maksimum, kejadian hujan) dan peubah prediktor x (parameter NWP, seperti temperatur, angin dan sebagainya pada berbagai grid dan level) Data luaran NWP meliputi wilayah global yang terbagi menjadi beberapa ukuran persegi (grid). Ukuran grid data GFS yang digunakan dalam penelitian ini adalah 0,5o×0,5o lintang/bujur, sehingga satu grid mempunyai ukuran sekitar 55×55 km2. Domain spasial atau jumlah grid NWP secara total meliputi 720×360 grid, namun demikian tidak semua grid NWP akan digunakaan sebagai prediktor. Penentuan domain spasial yang optimum dalam MOS merupakan langkah awal yang sangat menentukan hasil prakiraannya. Pada tahap awal, domain spasial NWP ditentukan berukuran 8×8 grid, selanjutnya dicobakan untuk beberapa domain, yaitu berukuran 2×2, 3×3, 3×4, 4×4 dan 5×5 grid. Tiga metoda digunakan untuk menentukan domain spasial, yaitu metoda analisis korelasi spasial, singular value decomposition (SVD) dan regresi partial least square (PLSR). Analisis ketiga metoda secara umum menunjukkan hasil yang hampir sama, yaitu domain dengan ukuran 3×3 adalah yang paling baik. Analisis korelasi spasial menunjukkan luasan dengan korelasi lebih besar dari 0,4 hanya meliputi domain maksimal 3×3. Analisis SVD menunjukkan bahwa keeratan hubungan secara simultan antara data observasi dengan NWP hampir sama, yaitu pada ekspansi pertama. Sedangkan hasil verifikasi analisis PLSR menggunakan korelasi dan root mean square error (RMSE) menunjukkan bahwa grid berukuran 3×3 adalah domain terbaik. Selanjutnya domain spasial berukuran 3×3 digunakan sebagai acuan dalam pembangunan model prakiraan suhu dan kejadian hujan. Pemodelan prakiraan suhu maksimum dan minimum menggunakan metode PLSR dan Principal Component Regression (PCR), dan keduanya diterapkan dalam dua model yaitu Model I dan Model II. Pada Model I, tahap pengembangan model menggunakan prediktor luaran NWP pada hari ke-1, sedangkan tahap implementasi menggunakan luaran NWP hari ke-1, ke-2, ke-3 dan ke-4. Pada Model II, tahap pengembangan dan implementasi menggunakan luaran NWP pada hari yang sama. Hasil verifikasi prakiraan suhu maksimum dan minimum menunjukkan bahwa secara umum kedua metode dapat mengeliminasi error yang terbawa oleh NWP, yaitu rata-rata akurasi untuk prakiraan suhu maksimum mampu ditingkatkan sebesar 0,86oC dan suhu minimum 1,35oC. Berdasarkan nilai RMSE dan korelasi hasil prakiraan dengan empat model prakiraan suhu maksimum, dapat disimpulkan bahwa metode PCR Model I merupakan model terbaik. Demikian juga untuk model prakiraan suhu minimum, metode PCR Model I merupakan model yang terbaik. Nilai RMSE prakiraan suhu maksimum hari ke-i cenderung lebih kecil dibandingkan prakiraan hari ke -(i+1). Demikian pula nilai korelai prakiraan dan pengamatan ke-i cenderung lebih besar dibandingkan dengan hari ke-(i+1). Kejadian hujan harian dikategorikan ke dalam lima kategori, yaitu cerah (tidak hujan), hujan ringan, hujan sedang, hujan lebat dan hujan sangat lebat. Pemodelan dengan prediktan berupa data kategorik dan prediktor berupa data kontinyu digunakan metode Multiple Categorical Logistic Regression (MCLR) dan Principal Component-MCLR (PC-MCLR); keduanya di diterapkan dengan dua model, yaitu Model I dan Model II. Nilai percent correct prakiraan metode PC-MCLR Model II mencapai tertinggi 69,6%. Nilai percent correct di atas 55% tercatat di empat lokasi (Tanjung Priok, Kemayoran, Cengkareng dan Tangerang), namun di empat lokasi lainnya (Pondok Betung, Curug, Bogor dan Curug) kurang dari 55%. Dengan demikian untuk daerah datar sekitar pantai mempunyai akurasi yang lebih baik dibandingkan dengan daerah selatan yang lebih tinggi. Secara umum Metode PC-MCLR Model II lebih baik dari metode dan model lainnya. Keakuratan prakiraan kejadian hujan dari ke hari tidak menunjukkan pola yang jelas. Akurasi prakiraan hari ke-1 sampai hari ke-4 tidak seluruhnya menunjukkan adanya penurunan akurasi pada prakiraan hari yang lebih jauh. Untuk beberapa lokasi, menunjukkan bahwa makin jauh waktu prakiraan justru akurasinya lebih baik. | en |
