Ensemble Statistical Guidance or Statistical Guidance Ensemble
Transcript of Ensemble Statistical Guidance or Statistical Guidance Ensemble
Kombinasi Statistical Guidance dan Ensemble untuk Memperbaiki DataCurah Hujan
Irsan Vanawandy, Nasmi, Abdullah Zuhud, Hana Ritdia, dan SonaTristania
Institut Teknologi Bandung
Abstrak
Akurasi prediksi curah hujan merupakan hal yang sangat pentingkarena memilki efek pada perekonomian dan keselamatantransportasi. Numerical Weather Prediction (NWP) merupakan systemprediksi cuaca berbasis metode numeric, namun hasil prediksinyamasih kurang baik apa lagi di daerah tropis. Statistical Guidance danEnsemble merupakan metode statistik yang dipakai untukmenyempurnakan hasil prediksi NWP, namun dilakukan secaraterpisah. Dalam penelitian ini, dilakukan kombinasi kedua metodetersebut, tetapi dari hasil verifikasi pola temporal maupundiagram Taylor, hasil kombinasi keduanya tidak menunjukkan adanyaperbaikan hasil prediksi.
1 PENDAHULUAN
Prediksi Cuaca Numerik
menggunakan model matematika
untuk atmosfer dan samudera
untuk memprediksikan fenomena
cuaca di atmosfer berdasarkan
keadaan cuaca sebelumnya.
Atmosfer merupakan suatu
fluida, dengan demikian ide
tentang prediksi cuaca numerik
adalah untuk mensimulasikan
keadaan fluida di suatu waktu
tertentu dan menggunakan
persamaan dinamika fluida dan
termodinamika untuk
mengestimasi keadaan fluida di
beberapa waktu berikutnya.
Hasil prediksi cuaca numerik
ini belum terlalu baik apalagi
di daerah tropis yang proses
dinamika fluidanya sangat
kompleks. Karena model
prediksi cuaca ini belum
sempurna, maka dipakailah
metode – metode statistika
untuk memperbaiki hasil
prediksi. Diantara metode-
metode statistika yang
dipakai, yang sering
dibicarakan adalah Statistical
Guidance dan Ensemble Forecasting.
Statistical Guidance ada dua macam,
yaitu Perfect Prog dan Model
Output Statistics. Teknik MOS
dilakukan dengan mencari
hubungan persamaan dari
observasi dan hasil prediksi
model yang kemudian diterapkan
pada output model untuk
menghasilkan Statistical Guidance
Forecasting. Metode ini kurang
baik karena membutuhkan data
model sebagai prediktor Jika
terjadi kesalahan model yang
sitematik, hasil Statistical
Guidance akan menjadi kurang
bagus.
Ensemble Forecasting merupakan
metode prediksi yang bertujuan
untuk mengestimasi
ketidakpastian. Untuk menjawab
tujuan itu, dalam melakukan
Ensemble dibutuhkan ensemble
member. Ensemble member ini
bisa dibentuk dengan
memberikan gangguan pada initial
condition. Dengan melakukan hal
itu, diharapkan ketidakpastian
itu bisa teratasi. Tetapi
metode ini masih belum terlalu
baik karena initial condition belum
dapat diketahui secara pasti.
Jika di awalnya sudah tidak
pasti, otomatis hasil
prediksinya juga akan kurang
memuaskan.
Karena alasan–alasan diatas,
dibutuhkan suatu metode yang
dapat memperbaiki hasil
prediksi. Pada tulisan ini,
kami mencoba untuk
mengkombinasikan Statistical
Guidance dan Ensemble Forecasting.
Tujuannya adalah untuk mencari
tahu apakah dengan
mengkombinasikan kedua metode
tersebut dapat memperbaiki
hasil prediksi yang didapat.
2 DATA DAN METODOLOGI
2.1. Data
Data yang digunakan sebagai
inputan adalah data GFS, yaitu
suatu data hasil pemodelan
komputer yang dijalankan oleh
National Oceanic and Atmospheric
Administration (NOAA). Hasil data
GFS itu sendiri merupakan
prediksi numerik cuaca global.
Dari data GFS tersebut,
diambil data hasil cycle 00,
06, 12, dan 18 untuk setiap
tanggal 24 Januari 2012 – 8
Februari 2012. Untuk masing-
masing tanggal dan cycle, data
yang diambil adalah data pada
jam 00 – 48 atau dengan kata
lain adalah data dari jam
00.00 hingga dua hari
kedepannya. Selanjutnya, untuk
membentuk persamaan Statistical
Guidance, Ensemble, dan data
verifikasinya, digunakan data-
data sebagai berikut:
Curah hujan observasi
Tekanan permukaan observasi
Kelembapan observasi
Tekanan permukaan laut
observasi
Tempertatur observasi
Angin observasi
Data-data observasi diatas
adalah data hasil pengamatan
di Stasiun Bima (118.42 BT
8.33 LS) pada tanggal 24
Januari 2012 – 8 Februari
2012.
2.2. Metodologi
Untuk menghasilkan data model,
digunakan pemodelan WRF yang
dijalankan dua hari ke depan
untuk masing-masing tanggal
selama dua minggu.
Sedangkan untuk membentuk
ensemble, dilakukan dua
proses, yaitu proses
pembentukan ensemble prediktor
dan curah hujan. Ensemble
prediktor dibentuk dengan
menggunakan nilai korelasi dan
RMSE (Root Mean Standard Error).
Korelasi ( r )
Ci = ri
∑i=1
4ri ; i = 1, 2, 3,
4
∑Ci = 1
RMSE
Ei = S−RMSEi
3S ; i = 1, 2,
3, 4
S = ∑Biasi
Gambar 1. Pembuatan Data Set
Gambar 2. Langkah Kerja Pembentukan SG
∑Ei = 1
Persamaan Ensemble
yem = ∑i=1
4kiyi
∑ki = 1
ki = Ci+Ei2
; i = 1, 2,
3, 4
Ensemble curah hujan dibentuk
dengan menggunakan nilai bias
dan threat score.
Threat Score
TS (Threat Score) =a
a+b+cDengan
a = HIT
b = False Alarm
c = Miss
d = Correct non-Event
Ci = TSi
∑i=1
4TSi
; i = 1, 2,
3, 4
∑Ci = 1
Bias
FBI (Bias) = (a+b)(a+c)
Ei = S−Biasi
3S ; i = 1, 2,
3, 4
S = ∑Biasi
∑Ei = 1
Persamaan Ensemble
yem = ∑i=1
4kiyi
∑ki = 1
ki = Ci+Ei2
; i = 1, 2,
3, 4
Langkah terakhir yang
dilakukan adalah menggunakan
SG dan Ensemble diatas ke
dalam hasil model WRF.
Nantinya akan dilihat hasil
manakah yang lebih baik,
apakah hasil yang dilakukan SG
kemudian di-ensemble atau
hasil yang dilakukan ensemble
kemudian di-SG.
3. Hasil dan Pembahasan
Hasil pemodelan yang
dilakukan, yaitu prediksi
curah hujan di Stasiun Bima
untuk masing-masing cycle,
kemudian diverifikasi secara
statistik seperti terlihat
pada tabel dibawah ini.
Tabel 1. Verifikasi Hasil Prediksi Curah
Hujan Untuk Tanggal 8 Februari 2012
Tabel 2. Verifikasi Hasil Prediksi Curah
Hujan Untuk Tanggal 9 Februari 2012
Dari kelima metode verifikasi
yang ditunjukkan diatas,
terlihat bahwa hasil prediksi
yang paling baik adalah model
ensemble. Hal itu ditunjukkan
dari nilai accuracy yang sangat
baik, serta Frequency Bias Index
dan False Alarm Rate yang
menunjukkan tidak terjadi
overforecasting maupun
underforecasting pada model
ensemble. Hal tersebut juga
ditunjukkan oleh pola
spasialnya, hasil prediksi
dengan ensemble menunjukkan
hasil yang menyerupai data
curah hujan TRMM. Pernyataan
tersebut diperkuat juga oleh
grafik temporal dan diagram
Taylor yang dibuat dari data-
data hasil pemodelan tersebut.
Gambar 5. Plot Grafi hasil model
Gambar 6. Diagram Taylor
Dengan semua hasil yang
ditunjukkan, terlihat bahwa
secara umum hasil tersebut
belum sesuai dengan apa yang
diharapkan. Kombinasi antara
SG dan ensemble yang
diharapkan dapat lebih
memperbaiki hasil prediksi,
ternyata tidak menunjukkan
hasil yang demikian. Hal
tersebut disebabkan karena :
a. Ensemble dan Statistical
Guidance tidak bisa
disatukan.
Saat dilakukan kombinasi
Ensemble dan Statistical
Guidance, dilakukan dengan dua
cara, yang pertama adalah “SG
– Ensemble“, pada cara pertama
ini melakukan SG untuk tiap
cycle, kemudian di ensemble
kan, kesalahannya adalah
ketidakpastian dari masing –
masing Curah Hujan yang sudah
diperoleh dari hasil
statistika (hasil perbaikan),
sehingga tidak pantas lagi
disebut sebagai ketidakpastian
hasil model. Kemudian
dilanjutkan ke salah satu
metode yang merupakan metode
perbaikan hasil model yang
berbeda (ensemble), sehingga
hasilnya menjadi kurang baik.
Yang kedua adalah “ Ensemble –
SG “, pada cara yang kedua ini
membentuk ensemble untuk
masing – masing predictor
kemudian di SG kan,
kesalahannya adalah setelah
ketidakpastian predictor hasil
model dijawab, hasil tersebut
langsung digunakan untuk SG
untuk menghasilkan hasil
prediksi curah hujan. Untuk
kombinasi ini perlu dilakukan
verifikasi hasil prediktor
yang di ensemble, kemudian
lakukanlah SG dengan baik.
b. Hasil Statistical Guidance
kurang baik.
Dalam pembentukan Statistical
Guidance pada penelitian ini,
digunakan metode MOS (Model
Output Statistic), yang menentukan
hubungan antara prediktan dan
prediktornya dengan metode
Multiple Linear Regresion. Menurut
Mc Candles (2010), ada metode SG
lain yang lebih baik
dibandingkan dengan Multiple
Linear Regression, yaitu Support
Vector Regression (SVR), Artificial
Neural Network (ANN), dan K-
Nearest Neighbor (KNN). Sehingga
untuk proses - proses
berikutnya hasilnya kurang
baik, yang berakibat pada
hasil prediksinya kurang baik.
Kombinasi Statistical Guidance dan
Ensemble awalnya diharapkan
memberikan perbaikan yang
hasil prediksi yang
signifikan. Konsep kombinasi
ini adalah melakukan dua kali
perbaikan hasil model. Namun,
saat hasil sudah diperbaiki
kemudian dilakukan usaha
perbaikan lagi, ada dua
kemungkinan yang mungkin
terjadi, yaitu semakin baik
atau semakin buruk. Pada
penelitian ini kombinasi dua
metode perbaikan ini
menghasilkan hasil yang kurang
baik.
4. Kesimpulan
Dari penelitian ini
ditunjukkan bahwa dari semua
hasil prediksi curah hujan,
ensemble menunjukkan hasil yang
paling baik dibandingkan yang
lain, hal tersebut ditunjukkan
dengan hasil verifikasi, pola
temporal, diagram Taylor, dan
pola spasialnya yang lebih
baik dibandingkan hasil
prediksi yang lain. Dalam
penelitian ini dilakukan
kombinasi Statistical Guidance dan
Ensemble, yang diharapkan
dapat memberikan hasil
prediksi curah hujan yang
paling baik, namun kombinasi
tersebut baik SG – Ensemble
maupun Ensemble – SG tidak
menunjukkan adanya perbaikan
hasil prediksi.
5. Daftar Pustaka
Gunawan Dodo, dan LinarkaUtoyo Ajie. (2011). PenentuanPrediktor untuk Prediksi Curah HujanBulanan Menggunakan MetodeStatistical Dynamical Downscaling
Majumdar J.Sharanya .(2010).Characteristics of EnsembleTransform Kalman Filter adaptivesampling guidance for tropicalcyclones.University of Miami,Miami, Florida
Qiaoyan Wu and Dake Chen.(2010).Ensemble forecast of Indo‐Pacific SST based on IPCC twentieth‐century climate simulations
Alan Seed.(2011).On short-termensemble predictions ofrainfall.WIRADA Symposium
Alan Seed. (2011). Ensemblerainfall nowcasting using stochasticmodels. Centre for AustralianWeather and Climate Research
Kadarsah. (2010). Aplikasi RocUntuk Uji Kehandalan Model Hybmg.Puslitbang BMKG
Thomas M. Hamill, Michael J.Brennan, Barbara Brown, MarkDeMaria,Edward N. Rappaport,
and Zoltan Toth. (2012).Noaa’s Future Ensemble BasedHurricane Forecast Products
Tyler McCandless. (2010).Statistical Guidance Methods ForPredicting Snowfall Accumulation In TheNortheast United States
Israel Jirak. (2011). SPCEnsemble Applications: Current Statusand Future Plans
YANG Chi, YAN Zhongwei andSHAO Yuehong. (2011).Probabilistic Precipitation ForecastingBased on Ensemble Output UsingGeneralized Additive Models andBayesian Model Averaging
PAUL J. ROEBBER, DAVID M.SCHULTZ, BRIAN A. COLLE, DAVIDJ. STENSRUD. (2004). TowardImproved Prediction: High-Resolutionand Ensemble Modeling Systems inOperations
M. Leutbecher, T.N. Palmer.(2007). Ensemble Forecasting
David R. Bright and Jeremy S.Grams. (2008). Short RangeEnsemble Forecast (SREF) CalibratedThunderstorm Probability Forecasts:2007-2008 Verification and RecentEnhancemet
Tilmann Gneiting, Anton H.Westveld III, Adrian E.Raftery and Tom Goldman.
(2004). Calibrated ProbabilisticForecasting Using Ensemble Model
Output Statistics and Minimum CRPSEstimation
David R. Bright, Matthew S.Wandishin, Steven J. Weiss,Russell S. Schneider, andJoseph T. Schaefer. TheApplication Of Climate Data Sets In
Calibrating Ensemble Guidance For ThePrediction Of Hazardous Weather
Francesco Masulli, DanielaBaratta. Daily Rainfall Forecastingusing an Ensemble Technique based onSingular Spectrum Analysis