Hari/ Tanggal : Jum’at/5 Desember 2014 Nama : Hilda Ayu P

NRP : G24120068

Asisten : 1. Mufridatur Rohmah (G24110001)

2. Ina Rotulhuda (G24110049)

FORECAST CURAH HUJAN MENGGUNAKAN DATA ANOMALI SST

PENDAHULUAN

Latar Belakang

Cuaca dan iklim merupakan dua hal yang berbeda. Cuaca merupakan salah satu variabel yang menentukan kondisi iklim. Cuaca adalah keadaan rata -rata udara pada periode waktu sesaat. Iklim adalah keadaan rata-rata cuaca pada periode waktu tertentu. Kondisi cuaca sangat berpengaruh dalam kehidupan sehari-hari, seperti dalam bidang pertanian transportasi dan industri. Maka dari itu pengamatan terhadap kondisi cuaca, khususnya kondisi curah hujan sangat penting dilakukan.Besarnya curah hujan yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau diperkirakan. Dengan menggunakan data historis besarnya curah hujan beberapa waktu yang lampau,maka dapat diprediksi berapa besarnya curah hujan yang terjadi pada masa yang akan datang. Banyak cara yang dapat dilakukan untuk memprediksi besarnya curah hujan di suatu tempat, salah satunyaadalah menggunakan teknik regresi linier.

Pada hakekatnya, sistem informasi cuaca atau iklim merupakan cara yang dilakukan untuk mengoptimalkan  usaha pemantauan, pengumpulan, analisis data, hingga menjadi bentuk evaluasi atau prakiraan cuaca dan iklim sedemikian hingga merupakan suatu usaha manusia untuk melihat perkembangan kondisi udara yang lalu, sekarang, dan yang akan datang khususnya dalam kaitan mengantisipasi kondisi ekstrem yang umumnya merugikan harta benda dan jiwa manusia.

Tujuan

Tujuan dari praktikum ini adalah:

1. Mengetahui perbedaan nilai curah hujan hasil Forecast dengan curah hujan hasil observasi menggunakan metode regresi

2. Menentukan nilai P-Value (Prediktor) serta artinya.

Metode

Waktu dan Tempat

Waktu pelaksanaan praktikum metode klimatologi pada hari Jum’at tanggal 5 Desember 2014 bertempat di Laboratorium Komputer Departemen Geofisika dan Meteorologi

Alat dan Bahan

Alat : - Laptop

- Ms.Excel

- Software Minitab

Bahan : - Data SST dan anomali curah hujan wilayah Sulawesi selama setahun

Metodologi :

Metodologi pada praktikum ini adalah:

PEMBAHASAN

Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi (Subagyo 1986).Prakiraan cuaca dan iklim merupakan bagian dari sistem informasi yang digunakan untuk melihat kondisi alam untuk waktu mendatang yang merupakan hasil analisis dan pengolahan data baik dari data yang lalu maupun data yang terakhir. Prakiraan jangka panjang yang dibuat BMG menggunakan beberapa metode yang berbasis statistik atau matematik, diantaranya metode probabilitas, ARIMA, deret harmonis, dan metode analogi (Nuryadi,1998; Gunawan,1999). Metode statistik dinamis yaitu regresi dan model fungsi transfer, serta metode dinamis. Untuk keperluan forecasting, penelitan ini memakai metode regresi linier sederhana.

Metode prediksi regresi linier sederhana dilakukan dengan cara membentuk persamaan regresi agar dapat melakukan simulasi memprediksi hujan bulanan. Adapun persamaan yang digunakan (Nazir, 2003) adalah sebagai berikut:

Y = A + BX Dengan Y = variabel yang diduga (predictant/dependent), A = konstanta, B = koefisien regresi, dan X = variabel penduga (predictor /independent). Dalam hal ini digunakan nilai SST rata-rata 2 bulan dibelakang periode musim yang diperkirakan sebagai prediktor.

Sea Surface Temperature (SST) atau Suhu permukaan laut merupakan salah satu indikator atau variabel yang dapat digunakan dalam menentukan curah hujan di Indonesia. Penelitian khusus dilakukan oleh Nicholls (1981) dalam Ashok (2007) yang menunjukkan bahwa hubungan antara laut dan udara di Indonesia terkait dengan anomaly/keganjilan suhu permukaan laut dan hal itu mempunyai hubungan seasonal yang kuat dengan Samudra Pasifik. Penemuan terakhir menjelaskan bahwa anomaly/keganjilan suhu permukaan laut di Samudera India jugaada hubungannnya dengan hujan di Indonesia. (Saji et al 1999). Penjelasan tersebutdiatas memberikan argument yang jelas bahwa SST merupakan parameter kunci dalam hubungan antara atmosfer dan samudera.SST Laut yang menyeberang wilayah Indonesia itu merupakan hal yang penting untuk distribusi hujan.

Hasil dari regresi linier berupa persamaan regresi digunakan untuk menghitung nilai curah hujan hasil forecasting atau prediksi. Persamaan yang didapat adalah

CH = -0.39-11.1SST

Memasukkan data SST dan CH ke excel

Menggeser data CH 2 bulan kedepan

Copy data SST dan anomali CH salah

satu grid ke minitab

Stat- regresion - lag 1- ok

copy persamaan dan nilai Prediction

memasukkan persamaan regresi untuk curah hujan

hasil forecast

membuat grafik antara CH hasil Observasi dan

Forecast

CH merupakan nilai anomaly curah hujan hasil prediksi. Angka -11.1pada persamaan tersebut merupakan faktor regresi. Nilai CH ini yang akan digunakan sebagai pembanding dengan hasil anomaly curah hujan hasil observasi. Grafik pola anomaly curah hujan hasil forecast dengan observasi ditunjukkan pada gambar 1. Terlihat bahwa nilai hasil forecast dengan observasi berbeda jauh. Pola anomaly curah hujan hasil observasi terlihat memiliki variabilitas yang tinggi dan lebih jelas terlihat. Sedangkan pola anomaly curah hujan hasil forecast sangat jauh berbeda dan tidak mengikuti pola anomaly curah hujan hasil observasi. Pada anomaly curah hujan hasil Forecast terlihat bahwa tidak ada variatif nilai dan tidak jelas perbedaan pola setiap tahunnya. Walaupun demikian nilai forecast masih memilki pola yang sama dengan hasil observasi. Nilai Observasi tertinggi sekitar 280 di bulan Juli tahun 1983 dan bulan Maret tahun 1989. Sedangkan nilai terendah sekitar 155 pada bulan Maret tahun 1983. Sedangkan nilai anomaly curah hujan hasil forecast terbesar pada tahun1988 sebesar 30,dan terendah tahun 1983 dengan nilai 35.

Jan-81

Sep-81

May-82

Jan-83

Sep-83

May-84

Jan-85

Sep-85

May-86

Jan-87

Sep-87

May-88

Jan-89

Sep-89

May-90

-200

-100

0

100

200

300

400

anomali CH obsForecast

Time

Inde

ks C

urah

huj

an

Gambar 1 Grafik anomaly curah hujan antara hasil observasi dan forecasting

Pada Korelasi Pearson yang dihasilkan minitab didapatkan nilai P-value. P-value adalah nilai kesalahan yang di dapat peneliti dari hasil perhitungan statistik. Nilai P-value yang didapat sebesar 0.951. Nilai p berarti lebih dari 0.05 yang mengindikasikan bahwa terdistribusi normal. Nilai ini juga menyatakan bahwa data tidak akurat digunakan untuk melakukan prediksi.

SIMPULAN

Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi.Nilai anomaly curah hujan hasil forcasting dan observasi memiliki perbedaan yang cukup jauh, walaupun pola yang didapatkan hampir sama. Nilai P-Value merupakan nilai kesalahan yang di dapat peneliti dari hasil perhitungan statistik. Data yang didapat tidak akurat dan tidak terdistribusi secara normal.

DAFTAR PUSTAKA

Ashok,K.,Behera,S.K.,Rao, S.A.,Weng.H.Y., & Yamagata,T. 2007.El Nino Modoki dan telekoneksinya yang mungkin terjadi.Jurnal tentang Penelitian SamudraGeofisika,112 (C11).

Bey, Ahmad .1987.Metoda Kausal dan Times Series untuk Analisa Data Iklim.Bogor: IPB dan KRS B

Dodo Gunawan Dkk.2000.Prakiraan Jangka Panjang di Badan Meteorologi dan Geofisika. Prosiding Temu Ilmiah Prediksi Cuaca dan Iklim Nasional.Makalah Review.Lembaga Penerbangan dan Antariksa Nasional.pp51-59

Gunawan D.1999.Percentile Descriptive Methode for Monthly Rainfall Prediction. Bul.Met.Geo;1:12-18

Nazir, M.2003. Metode Penelitian. PT Ghalia Indonesia. Jakarta.

Nuryadi.1998.Tinjauan Prakiraan Musim BMG serta Manfaatnya untuk Jadwal Tanam.Laporan

Praktek Lapang.Jurusan Geofisika dan Meteorologi FMIPA-IPB.Bogor

Nuryadi.1998.Tinjauan Prakiraan Musim BMGserta Manfaatnya untuk Jadwal Tanam.Laporan

Praktek Lapang.Jurusan Geofisika dan Meteorologi FMIPA-IPB.BogorSaji, N. H, B. N. Goswani, P. N. Vinayachandran, and T.Yamagata.1999. A Dipole Mode in the

Tropical Indian Ocean. Nature Vol. 401, 360-363

Subagyo, Pangestu. (1986). Forecasting Konsep dan aplikasi . Yogyakarta: BPFE Yogyakarta.