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.

Gambar 3. Langkah Kerja SG-Ensemble

Gambar 4. Langkah kerja Ensemble-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