ANALISIS DISTRIBUSI CURAH HUJAN INDONESIA DENGAN METODE KRIGGING

KELOMPOK III :KELOMPOK III :

1) BAYU EDO PRATAMA

2) DONY CRISTIANTO

3) FERA ADRIANITA

4) DINDA TRI HANDAYANI

5) NURUL HIDAYATI

6) RIZA ADRIAT

7) TERENCIO FERNANDEZ MONIZ

8) NURRY WIDYA HESTY

OVERVIEW

PENDAHULUAN

TINJAUAN PUSTAKA

METODOLOGI

HASIL DAN PEMBAHASAN

KESIMPULAN

PENDAHULUAN

LATAR

BELAKANG

• Masih kurangnya data pengamatan hujan untuk mengcover

wilayah Indonesia secara baik

• Tidak cukup padatnya jumlah stasiun pengamatan cuaca di

wilayah Indonesia yang cukup luas dan terbagi-bagi dalam

RUMUSAN

MASALAH

wilayah Indonesia yang cukup luas dan terbagi-bagi dalam

pulau-pulau yang terpisah-pisah, kondisi ini mengakibatkan

data meteorologi kurang dapat dimanfaatkan secara

menyeluruh karena kurang akurat dari segi spasial

• Oleh karena itu, mencoba menerapkan metode krigging

untuk mendapatkan spasial yang lebih baik dibantu dengan

data dense.

PENDAHULUAN

LATAR

BELAKANG

1. Bagaimana hasil mapping dari setiap metode

krigging ?

2. Menentukan metode krigging yang memiliki error

RUMUSAN

MASALAH

2. Menentukan metode krigging yang memiliki error

yang paling minimum.

TINJAUAN PUSTAKA

KRIGING

ORDINARYKRIGING

VARIOGRAM

HUJAN

OLR

KRIGING COKRIGING

COLOCATED

CONVENTIONAL

EXTERNAL DRIFT

TINJAUAN PUSTAKA

KRIGINGVARIOGRAM

Fungsi matematis yang dapat digunakan untukmengukur kontinuitas spasial antara dua data

KRIGING

Kriging adalah suatu metode geostatistika

ORDINARY KRIGING

Ordinary kriging disyaratkan data COLOCATED COKRIGINGCONVENTIONAL COKRIGING

EXTERNAL DRIFT

HUJAN

OLR

mengukur kontinuitas spasial antara dua data yang dapat memberikan informasi seberapabaik korelasi data point (pada simulasi inidigunakan data observasi lapangan), dan

apakah terdapat pola kontinuitas direksionaldari data point tersebut. Semakin besar nilaivariogram, makin besar ketergantungan antara

spasial.

Kriging adalah suatu metode geostatistika yang memanfaatkan nilai spasial pada lokasi tersampel dan variogram untuk memprediksi nilai pada lokasi lain yang belum dan/atau tidak tersampel dimana nilai prediksi tersebut

tergantung pada kedekatannya terhadap lokasi tersampel

Ordinary kriging disyaratkan data berdistribusi normal dan scatter plot antara data spasial dengan bujur (x, satuan meter) dan lintang (y, satuan meter) tidak membentuk suatu pola (tren) atau berbentuk random yang menunjukkan bahwa rata-rata dan varians

konstan untuk tiap-tiap lokasi

Nilai tiap grid dimasukkan dalam perhitungandan hanya nilai data seismic tunggal terdekatdari titik yang dihitung yang dimasukkan dalamkalkulasi sehingga prosesnya lebih cepatdaripada metode Conventional Cokriging

Merupakan pendekatan tradisional untukmetode Cokriging dan menggunakan 3

variogram yang telah dihitung yaitu variogramuntuk well to well, seismic to seismic, dan well

to seismic data

EXTERNAL DRIFT

pengembangan metode cokriging yang memperhitungan nilai trend dari data dense

TINJAUAN PUSTAKA

KRIGING

HUJAN

OLR

(Boerema, 1938),

TINJAUAN PUSTAKA

KRIGING OLR (outgoing

longwave radiation) :

fluks panas (radiasi

gelombang panjang)

HUJAN

OLR

gelombang panjang)

yang diemisikan oleh

sitem bumi-atmosfer

Variasi OLR: cerminan respon sistem bumi-atmosfer

terhadap radiasi matahari

TINJAUAN PUSTAKA

KRIGINGSatellites Observe RadiationLaut tropis panas danbanyak mengemisikanradiasi gel panjang

Puncak cumulonimbus dingin: mengemisikan sedikit

HUJAN

OLR

Puncak cumulonimbus dingin: mengemisikan sedikitgelombang panjang

• OLR kecil: awan tinggi, dingin dan (mungkin)

hujan

• OLR besar: langitbersih, awan rendah

hangat

TINJAUAN PUSTAKA

KRIGING

OLR rata2 kecil (<200W/m2) berasosiasi dengan:konveksi: equator, lembah amazon, Pasifik equatorial timur danSuhu dingin di Himalaya

OLR rata2 besar (>280W/m2) berasosiasi dengan:

HUJAN

OLR

OLR rata2 besar (>280W/m2) berasosiasi dengan:Sahara tengah dan timur dan semenanjung Arab

METODOLOGI

AREA KAJIANNYA DIMANA?

Wilayah Indonesia Wilayah Indonesia

dengan koordinat :

95 E – 140 E dan 10

S – 7.5 N

METODOLOGI

DATA nya APA?

DATA WELL (SPARSE)

Data Observasi hujan bulan Desember 2011 s/d Februari 2012 di 112 Data Observasi hujan bulan Desember 2011 s/d Februari 2012 di 112

site pengamatan BMKG

DATA SEISMIC (DENSE)

Re-Analysis Outgoing Longwave Radiation (OLR) dari National Centers

for Environmental Prediction (NCEP) menggunakan 289 grid

HUBUNGAN DATA WELL DAN SEISMIC

Secara fisis : Jika value data seimic (OLR) kecil maka data well (hujan) akan besar

DATA INPUT

CONVERT DATA

METODOLOGI

LANGKAH PENGERJAAN ?

INPUT TO ISMAP

ANALISIS

VERIFIKASI OUTPUT

KESIMPULAN

ANALISIS

WELL DATA

ANALISIS

KRIGING?

ANALISIS

SEISMIC DATA?

ANALISIS

HUBUNGAN WELL DAN SEISMIC ?

ANALISIS

COLLOCATED COKRIGING?

ANALISIS

CONVENTIONAL COKRIGING?

ANALISIS

KRIGGING EXTERNAL DRIFT (KED)?

ANALISIS

AVERAGE SIMULATION

ANALISIS

NILAI ERROR @ METODE?

• Terlihat errorpada metodeexternal driftexternal driftsangat besar

• Error yangpaling minimumpada metodeconventionalcokriging.

KESIMPULAN

1) Ordinary krigging data pengamatan curah hujan stasiun di

Indonesia menunjukkan hasil yang kurang baik untuk

mengekstrapolasi terhadap wilayah diluar titik pengamatan.mengekstrapolasi terhadap wilayah diluar titik pengamatan.

2) Dengan bantuan secondary data dapat dimodelkan suatu data

yang sparse dengan metode Collocated Cokrigging dan

Conventional Cokrigging.

3) Dari ketiga metode diatas, untuk kasus ini yang memiliki

error palig minimum adalah Conventional cokriging.

KESIMPULAN

4) Nilai error pada Ordinary Kriging dan Conventional

Cokriging terkecil berada di sekitar well data (data stasiun)

dan nilai error semakin besar menuju ke tepi batas map.

5) Metode KED mempunyai simulasi lebih banyak

memperhitungkan pengaruh dense data (seismic data)

daripada well data sehingga hasil simulasi menyerupai hasil

plot dari dense data itu sendiri.

REFERENSI

Bohling, G. (2005). Kriging. Tersedia di http://people.ku.edu/~gbohling/cpe940. diakses tanggal 2 Desember 2011

Fadila, Mizamarta. 2008. Interpretasi Variabel dan KorelasiKanonis dari Data Curah Hujan di Indonesia, Tugas Akhir, Meteorologi ITB, Bandung.Kanonis dari Data Curah Hujan di Indonesia, Tugas Akhir, Meteorologi ITB, Bandung.

Indragustari. 2005. Model Prediksi Curah Hujan Dasarian di Kabupaten indramayu, Tesis Magister, Sains Atmosfer ITB, Bandung.

HRS Documentation Manual, ISMAP Guide, September 2008.

ABRIGADOOOABRIGADOOO