|
|
- Indra Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 TEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI KOMPONEN UTAMA DAN REGRESI KUADRAT TERKECIL PARSIAL UNTUK PREDIKSI CURAH HUJAN PADA KONDISI EL NINO, LA NINA, DAN NORMAL 1 2 Woro Estiningtyas, Aji Hamim Wigena 1 Balitklimat, Balitbang Pertanian, Jl. Tentara Pelajar No. 1A PO. BOX. 830 Cimanggu 2 Departemen Statistika, FMIPA-IPB, Jl. Meranti Darmaga Bogor woro_esti@yahoo.com ABSTRAK Makalah ini menyajikan hasil validasi model prediksi curah hujan di Kabupaten Indramayu dengan pendekatan statistika untuk downscaling, yaitu Regresi Komponen Utama dan Regresi Kuadrat Terkecil Parsial, pada kondisi El Nino, La Nina, dan Normal. Data curah hujan dari 6 stasiun hujan dan data presipitasi dari Global Circulation Model ECHAM3 digunakan dalam analisis ini dengan domain grid 8x8 (1.4 LU-18.1 LS; BT), di atas wilayah Indramayu. Data dibagi untuk setiap kondisi anomali iklim berdasarkan pada Oceanic Nino Index (ONI) yang menggunakan data suhu permukaan laut di Nino 3.4 dari hasil analisis NOAA. Ratarata nilai RMSEP dan korelasi pada kondisi El Nino adalah dan 0.66 untuk PCR serta dan 0.62 untuk PLS, pada kondisi La Nina adalah dan 0.65 untuk PCR, serta dan 0.69 untuk PLS, sedangkan pada kondisi Normal diperoleh nilai rata-rata dan 0.57 untuk PCR, serta dan 0.63 untuk PLS. Secara umum pada kondisi El Nino PCR menunjukkan performa yang lebih baik daripada PLS, sedangkan pada kondisi La Nina dan Normal, PLS lebih baik daripada PCR. Pemilihan model tergantung pada cakupan wilayah yang dikaji, apakah mewakili daerah di sekitar stasiun hujan atau mewakili suatu wilayah kabupaten. Kata Kunci: Curah Hujan, Statistical Downscalling, Regresi Komponen Utama, dan Partial Least Square Regression ABSTRACT This paper presents the results of validation of rainfall prediction models in Indramayu district using statistical approaches for downscaling, i.e. Principal Component Regression and Partial Least Square Regression, during El Nino, La Nina, and Normal conditions. Rainfall data from 6 stations and the precipitation data from Global Circulation Model ECHAM3 are used in this analysis with the domain size 8x8 (1.4 S-18.1 S; E), over the Indramayu region. Data are classified into each climatic anomaly condition based on the Oceanic Nino Index (ONI) which uses sea surface temperature data at the Nino 3.4 as the results of NOAA analysis. The average value of RMSEP and correlation in El Nino conditions are and 0.66 for PCR and and 0.62 for PLS,in La Nina conditions the values are and 0.65 for the PCR, and and 0.69 for the PLS, and in normal conditions the values are and 0.57 for PCR, and and 0.63 for PLS. In general PCR shows better performance than PLS in El Nino conditions, while in La Nina and Normal conditions the PLS performance is better than PCR. The selection model depends on the coverage areas studied, whether representing the area around the rainfall station or representing a district area. Keywords: Rainfall, Statistical Downscalling, Principal Component Regression and Partial Least Square Regression Naskah masuk : 19 Februari 2011 Nasakah diterima : 2 Mei 2011 TEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI...Woro Estiningtyas et al. 65
2 I. PENDAHULUAN Curah hujan merupakan salah satu unsur iklim yang sangat penting, namun keberadaannya secara spasial dan temporal masih sulit diprediksi. Selain sifatnya yang dinamis, proses fisis yang terlibat juga sangat kompleks. Ketidakpastian hujan ini semakin besar ketika terjadi anomali iklim berupa El Nino dan La Nina. Berbagai kejadian bencana di Indonesia menunjukkan bahwa sebagian besar bencana terkait dengan fenomena El Nino Southern 1) Oscilatioan (ENSO). Variabilitas iklim khususnya curah hujan sangat terkait dengan fenomena ini. Pada umumnya El Nino membawa dampak berupa berkurangnya curah hujan bahkan kekeringan, sedangkan La Nina membawa dampak berupa meningkatnya curah hujan yang bisa menyebabkan banjir. Penurunan curah hujan yang cukup besar pada musim kemarau termasuk akibat El Nino telah membawa dampak terhadap produksi tanaman pangan. Mundurnya awal musim hujan selama 30 hari pada tahun El Nino telah menurunkan produksi beras pada musim hujan (Januari-April) sekitar 6,5% di Jawa Barat dan Jawa Tengah, dan 11,0% di 2) 3) Jawa Timur dan Bali. Menurut Las anomali iklim dan curah hujan berkorelasi di sebagian besar wilayah di mana lebih dari 67% diantaranya merupakan sentra produksi padi. Berdasarkan data historis tentang dampak El Nino terhadap produksi beras nasional mengindikasikan bahwa produksi beras nasional sangat rentan terhadap kejadian iklim ekstrim. Kekeringan periode telah menyebabkan kehilangan produksi beras tiga kali lipat dibandingkan pada periode , yaitu penurunan produksi dari 100 ribu ton per tahun per kabupaten menjadi 300 ribu ton per tahun per kabupaten. 4) Kebutuhan terhadap informasi prakiraan hujan sudah sangat mendesak. Keadaan inilah yang mendorong semakin berkembangnya berbagai model pendekatan untuk prakiraan curah hujan. Salah satu pendekatan untuk prediksi curah hujan adalah pemanfaatan data Global Circulation Model (GCM). Dalam kajian klimatologi jangka panjang GCM merupakan suatu model yang berorientasi spasial dan temporal, alat prediksi utama iklim secara numerik, serta sebagai sumber informasi primer untuk menilai pengaruh perubahan iklim. Namun informasi GCM masih berskala global dan tidak untuk fenomena skala lebih kecil (lokal), sehingga sulit untuk memperoleh langsung informasi berskala lokal dari GCM. Resolusi GCM terlalu rendah untuk memprediksi iklim lokal yang dipengaruhi oleh topografi dan tataguna lahan, tetapi GCM masih mungkin digunakan untuk memperoleh informasi skala lokal bila teknik downscaling digunakan. 5) Teknik downscaling adalah suatu proses transformasi data dari unit skala besar menjadi data pada unit skala yang lebih kecil. Menurut Wilby & 6) Wigley, downscaling adalah suatu cara menginterpolasi peubah-peubah prediktor atmosfir berskala besar terhadap peubah-peubah berskala lebih kecil. Salah satu jenis teknik ini adalah statistical downscaling yang menggunakan model statistik untuk menggambarkan hubungan antara data pada unit-unit berskala besar dengan data pada unit berskala lebih kecil dalam periode waktu tertentu. Metode yang umum digunakan untuk statistical downscaling adalah regresi komponen utama (Principal Component Regression, PCR) yang berdasarkan analisis komponen utama (Principal Component Analysis, PCA). Metode lain yang serupa dengan PCR, yaitu regresi kuadrat terkecil parsial (Partial Least Square Regression, PLSR), juga dapat digunakan sebagai teknik statistical downscaling. 7) Makalah ini membahas penggunaan PCR dan PLSR dalam statistical downscaling serta membandingkan kedua model tersebut untuk prakiraan curah hujan bulanan pada tiga kondisi yaitu El Nino, La Nina, dan Normal. II. METODE PENELITIAN Data yang digunakan dalam kajian ini adalah data presipitasi bulanan skala global tahun (output dari GCM ECHAM3) dan data curah hujan bulanan kabupaten Indramayu periode yang terdiri dari 6 stasiun hujan, yaitu : Sukadana, Bondan, Jatibarang, Kedokan Bunder, Tugu dan Ujung Garis. Secara geografis kabupaten Indramayu terletak pada LS dan BT. Data curah hujan dipilah berdasarkan tiga kondisi El Nino, La Nina, dan Normal. Penentuan ketiga kondisi tersebut didasarkan pada Oceanic Nino Index (ONI) dari data suhu permukaan laut di Nino 3.4.8) Data tahun digunakan untuk pemodelan dan data tahun 2001 untuk validasi model. Ukuran domain untuk downscaling adalah sejumlah grid GCM berukuran 8 8 pada 1.4 LU- JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 12 NOMOR 1 TAHUN 2011:
3 18.1 LS dan BT, yaitu di atas wilayah Indramayu. Pemilihan ini didasarkan pada hasil 9) penelitian Wigena yang menyebutkan bahwa penggunaan domain 8x8 dan berada di atas Indramayu memberikan hasil yang lebih stabil atau konsisten dan tidak terlalu sensitif terhadap data pencilan. Analisis data dilakukan dengan PCR dan PLSR. Keduanya berbeda dalam proses pereduksian dimensi. Dalam PCR pereduksian dimensi dilakukan lebih dulu dengan PCA terhadap data presipitasi tahun PCR akan menggunakan sejumlah komponen (hasil PCA) sebagai prediktor dan data curah hujan stasiun sebagai prediktan. Dalam PLSR pereduksian melibatkan data presipitasi dan data curah hujan secara bersama sehingga diperoleh penduga model. Kedua metode dibandingkan berdasarkan nilai RMSEP (Root Mean Square Error of Prediction) dan korelasi antara nilai dugaan dengan data aktual tahun Nilai RMSEP adalah: dimana: y i = data aktual, = nilai dugaan, n p = banyaknya data untuk validasi model. Performa ŷ i model yang baik ditunjukkan dengan nilai RMSEP yang lebih kecil dan nilai korelasi yang lebih tinggi. III. HASIL DAN PEMBAHASAN 3.1. Kondisi El Nino Hasil validasi model pada kondisi El Nino dengan metode PCR memperlihatkan nilai RMSEP antara dengan korelasi berkisar antara 0.41 hingga Dari 6 stasiun yang divalidasi, di stasiun Sukadana dan Jatibarang PCR menunjukkan performa yang lebih baik dibandingkan dengan di 4 stasiun lainnya. Untuk model PLS, nilai RMSEP berkisar antara dengan korelasi 0.34 sampai dengan 0.76 (Tabel 1). PLS di stasiun Sukadana memperlihatkan performa yang lebih baik dibandingkan di stasiun lainnya. Apabila dibandingkan antara kedua model ini untuk keenam stasiun hujan di Kabupaten Indramayu, maka PCR memperlihatkan performa yang sedikit lebih baik dibandingkan PLS. Ratarata RMSEP dan korelasi dengan PCR masingmasing adalah 95.2 dan 0.66, sedangkan dengan PLS rata-rata RMSEP dan rata-rata korelasi adalah sebesar dan Performa kedua model dapat dilihat pada grafik keeratan pola antara curah hujan aktual dengan hasil prakiraan model (Gambar 1). Tabel 1. Hasil validasi model prakiraan hujan pada kondisi El Nino TEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI...Woro Estiningtyas et al. 67
4 Gambar 1. Grafik hasil validasi model prediksi hujan di 6 stasiun pada kondisi El Nino 3.2. Kondisi La Nina Validasi model prediksi hujan pada kondisi La Nina memperlihatkan hasil yang cukup beragam. Stasiun Ujung Garis yang pada kondisi El Nino performanya kurang baik, pada kondisi La Nina ini menunjukkan hasil yang sangat baik. Hal ini tercermin juga dalam grafik hasil validasi, dimana pola yang terbentuk sangat mirip dan mendekati nilai aktualnya (Gambar 2). Dengan PCR, nilai RMSEP berkisar antara dengan nilai korelasi sedangkan dengan PLS nilai RMSEP antara dan korelasi antara (Tabel 2). Apabila ditinjau dari rata-ratanya, maka PCR menghasilkan nilai RMSEP sebesar dan korelasi 0.65, sedangkan PLS menghasilkan RMSEP dan korelasi Secara umum berdasarkan rata-ratanya, pada kondisi La Nina ini, PLS memperlihatkan performa yang lebih baik daripada PCR. JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 12 NOMOR 1 TAHUN 2011:
5 Tabel 2. Hasil validasi model prakiraan hujan pada kondisi La Nina Gambar 2. Grafik hasil validasi model prediksi hujan di 6 stasiun pada kondisi La Nina 3.3. Kondisi Normal Pada kondisi normal, validasi dengan PCR menghasilkan kisaran nilai RMSEP dan korelasi antara Sedangkan dengan PLS menghasilkan nilai RMSEP berkisar antara dan nilai korelasi (Tabel 3). Berdasarkan nilai RMSEP dan korelasi, PCR menunjukkan performa yang baik di stasiun Jatibarang dan sedangkan PLS di stasiun Ujung Garis. Hal ini ditunjukkan pula pada grafik pola curah hujan antara data aktual dengan hasil prediksi (Gambar 3). Grafik untuk stasiun Jatibarang dan TEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI...Woro Estiningtyas et al. 69
6 Ujung Garis memperlihatkan pola dengan nilai curah hujan yang hampir mendekati. Rata-rata nilai RMSEP dan korelasi untuk kedua model berturutturut adalah 91.4 dan 0.57 untuk PCR dan 85.4 dan 0.63 untuk PLS. Secara umum setiap model menunjukkan performa yang berbeda pada masingmasing kondisi (El Nino, La Nina dan Normal). Kondisi anomali iklim menyebabkan pola curah hujan yang terbentuk berbeda-beda untuk setiap tempat dan hal ini akan mempengaruhi hasil prediksi yang dibentuk oleh model-model berbasis statistika yang murni mengandalkan pola data secara deret waktu. Sebagai contoh di stasiun Sukadana, pada kondisi La Nina, hasil validasinya memperlihatkan performa model yang cukup baik, tetapi pada kondisi La Nina dan Normal performa yang dihasilkan kurang baik. Artinya apabila model ini diaplikasikan untuk prediksi hujan di daerah Sukadana dan sekitarnya untuk kondisi El Nino, maka hasilnya akan lebih baik dibandingkan untuk memprediksi hujan pada kondisi La Nina dan Normal. Pada stasiun Ujung Garis diperoleh contoh kasus yang berbeda lagi. Hasil validasi di stasiun Ujung Garis menunjukkan performa yang sangat baik pada kondisi La Nina dan Normal, tetapi kurang baik pada kondisi El Nino. Artinya model ini cukup baik apabila digunakan untuk memprediksi curah hujan pada kondisi La Nina dan Normal dibandingkan pada kondisi El Nino. Kemungkinan diperolehnya akurasi hasil prakiraan curah hujan yang lebih tinggi pada kondisi La Nina dan Normal akan lebih besar dibandingkan pada kondisi El Nino. Performa model perlu dilihat stasiun per stasiun tergantung pada tinjauan kasus yang dianalisis. Apabila untuk mewakili daerah yang cukup kecil, maka lebih baik digunakan model hasil validasi dari stasiun di lokasi yang bersangkutan atau yang masih termasuk dalam area studi. Tetapi apabila cakupan wilayahnya cukup luas, maka dari awal analisis, data curah hujan sudah harus bisa mewakili luasaan tersebut bukan per stasiun lagi. Cara yang bisa dilakukan yaitu dengan membuat pengelompokkan hujan atau dengan poligon tiessen. Curah hujan yang termasuk dalam satu kelompok atau satu poligon memiliki pola dan karakteristik yang sama sehingga bisa mewakili wilayah yang bersangkutan. 10) Menurut Busuioc, hasil dari model statistical downscaling terkait langsung dengan statistik iklim pada waktu sebelumnya dan dapat memberikan hasil ramalan deret waktu yang panjang untuk studi dampak iklim. Model ini juga memerlukan data deret waktu yang homogen dalam berbagai perubahan iklim. Model statistical downscaling juga akan memberikan hasil yang baik jika ketiga syarat berikut terpenuhi, yaitu (1) Hubungan erat antara respon dengan prediktor yang menjelaskan keragaman iklim lokal dengan baik; (2) Peubah prediktor disimulasi baik oleh GCM, dan (3) Hubungan antara respon dengan prediktor tidak berubah dengan perubahan waktu dan tetap sama meskipun ada perubahan iklim. Tabel 3. Hasil validasi model prakiraan hujan pada kondisi Normal JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 12 NOMOR 1 TAHUN 2011:
7 Gambar 3. Grafik hasil validasi model prediksi hujan di 6 stasiun pada kondisi Normal Untuk implementasi model ini, maka diperlukan informasi tentang prakiraan kondisi anomali iklim beberapa waktu kedepan (minimal 1 musim ke depan). Informasi ini dapat diperoleh dengan cara mengakses hasil prakiraan ENSO yang dikeluarkan oleh lembaga internasional seperti International Research Institute for Climate and Society (IRI) dan NOAA melalui internet. Prakiraan ini didasarkan pada data suhu permukaan laut yang dianalisis sedemikian rupa sehingga diperoleh indeks yang menunjukkan apakah El Nino, La Nina, atau Normal. Dari sini akan diperoleh hasil prakiraan beberapa waktu ke depan terkait dengan lokasi studi yang akan dipilih. Apabila diperoleh bahwa beberapa waktu ke depan ada indikasi El Nino, maka untuk prakiraan curah hujan digunakan model yang didesain untuk kondisi El Nino. Apabila diperoleh informasi bahwa beberapa waktu ke depan ada indikasi La Nina, maka dipilih model yang disusun untuk kondisi La Nina, dan seterusnya. Jadi penggunaan model disesuaikan dengan hasil prakiraan kondisi anomali iklim apakah El Nino, La Nina, atau Normal. Dengan demikian ketepatan penggunaan model prediksi curah hujan diharapkan dapat meningkatkan akurasi hasilnya. V. KESIMPULAN 1. Hasil validasi model prediksi dengan metode PCR dan PLS di Kabupaten Indramayu menghasilkan performa model yang berbeda untuk setiap stasiun hujan pada kondisi El Nino, La Nina, dan Normal. 2. Rata-rata nilai RMSEP dan korelasi pada kondisi El Nino adalah dan 0.66 untuk model PCR serta dan 0.62 untuk model PLS. Pada kondisi La Nina adalah dan 0.65 untuk model PCR serta dan 0.69 TEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI...Woro Estiningtyas et al. 71
8 untuk model PLS. Sedangkan untuk kondisi normal diperoleh nilai rata-rata dan 0.57 untuk model PCR serta dan 0.63 untuk model PLS. 3. Untuk kabupaten Indramayu, secara umum model PCR menunjukkan performa yang lebih baik pada kondisi El Nino, sedangkan untuk kondisi La Nina dan Normal model PLS memperlihatkan performa model yang lebih baik daripada PCR. 4. Pemilihan model sangat ditentukan oleh cakupan wilayah yang dikaji. Apabila untuk mewakili daerah yang cukup kecil, maka lebih baik digunakan model hasil validasi dari stasiun di lokasi yang bersangkutan atau yang masih termasuk dalam area studi. Tetapi apabila cakupan wilayahnya cukup luas, maka digunakan data curah hujan yang mewakili wilayah yang bersangkutan. VI. DAFTAR PUSTAKA 1) Boer, R, Sutardi and D. Hilman (Coordinating Lead Authors). (2007). Climate Variability and Climate Changes, and Their Implication in Indonesia. Country Report. Government of Republic of Indonesia. Jakarta. 2) Naylor, R.L, D. S. Battisti, D.J. Vimont, W.P. Falcon, & Marshall B. (2007). Assessing risk of climate variability and climate change for Indonesian rice agriculture. Proceeding of the National Academy of Sciences of the United States of America. 3) Las, I., (2006, Juli). Strategi dan Teknologi Antisipasi dan Penanggulangan Bencana Iklim (kejadian iklim ekstrim). Bahan Training Workshop Metodologi Penelitian Dalam Bidang Pengelolaan Resiko Iklim Untuk Sektor Pertanian, Bogor. 4) Boer, R dan I. Las. (2003). Sistem Produksi Padi Nasional Dalam Perspektif Kebijakan Iklim Global. Dalam B. Suprihatno, A.K. Makarim et al (eds). Kebijakan Perberasan dan Inovasi Teknologi Padi. Pusat Penelitian dan Pengembangan Tanaman Pangan, dan Litbang Pertanian, Yakarta. P: ) Fernandez, E. (2005). On the influence of predictors area in statistical downscaling of daily parameters. Report no.09/2005. Norwegian Meteorological Institute, Oslo. 6) Wilby, R.L, T.M.L Wigley. (1997). Downscaling general circulation model output: A review of methods and limitations. Progress in Physical Geography, 21(4), ) Wigena, A.H. (2009, Oktober). Penggunaan regresi kuadrat terkecil parsial dalam statistical downscaling. Prosiding Seminar Nasional Sains II. Bogor. 8) NOAA. (2008). ENSO Cycle: Recent Evolution, Current Status and Predictions. Update prepared by Climate Prediction Center / NCEP 18 August ) Wigena, A.H. (2006). Pemodelan Statistical Downscaling dengan Regresi Projection Pursuit Untuk Peramalan Curah Hujan Bulanan. Kasus Curah Hujan Bulanan di Indramayu. Disertasi. Sekolah Pascasarjana: Institut Pertanian Bogor. 10) Busuioc A, Chen D, Hellstrom C. (2001). Performance of statistical downscaling models in GCM validation and regional climate change estimates: Application for Swedish precipitation. Int. J. of Climatol, 21, JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 12 NOMOR 1 TAHUN 2011:
REGRESI KUADRAT TERKECIL PARSIAL UNTUK STATISTICAL DOWNSCALING
REGRESI KUADRAT TERKECIL PARSIAL UNTUK STATISTICAL DOWNSCALING Aji Hamim Wigena Departemen Statistika, FMIPA Institut Pertanian Bogor Jakarta, 23 Juni 2011 Pendahuluan GCM (General Circulation Model) model
Lebih terperinci1. PENDAHULUAN. [8 Januari 2006] 1 ( )
1. PENDAHULUAN 1.1. Latar Belakang Informasi ramalan curah hujan sangat berguna bagi petani dalam mengantisipasi kemungkinan kejadian-kejadian ekstrim (kekeringan akibat El- Nino dan kebanjiran akibat
Lebih terperinci3. PENENTUAN DOMAIN GCM DALAM PENYUSUNAN MODEL STATISTICAL DOWNSCALING
3. PENENTUAN DOMAIN GCM DALAM PENYUSUNAN MODEL STATISTICAL DOWNSCALING 3.1. Pendahuluan Domain GCM berperan penting dalam pemodelan SD. Data pada domain ini dijadikan sebagai faktor yang menentukan pendugaan
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPERATURE
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPERATURE Agus Buono 1, M. Mukhlis 1, Akhmad Faqih 2, Rizaldi Boer 2 1 Departemen Ilmu Komputer, Fakultas Matematika
Lebih terperinci5. UJI KONSISTENSI MODEL STATISTICAL DOWNSCALING BERBASIS PROJECTION PURSUIT DALAM PREDIKSI CURAH HUJAN
5. UJI KONSISTENSI MODEL STATISTICAL DOWNSCALING BERBASIS PROJECTION PURSUIT DALAM PREDIKSI CURAH HUJAN 5.1. Pendahuluan Model SD dengan metode PPR memberikan hasil pendugaan yang lebih akurat atau perbedaan
Lebih terperinci8. MODEL RAMALAN PRODUKSI PADI
8. MODEL RAMALAN PRODUKSI PADI 8.1 Pendahuluan Padi merupakan makanan utama sekaligus mempunyai nilai politis yang tinggi bagi orang Indonesia, yang menyediakan pendapatan secara musiman dan tenaga kerja
Lebih terperinci1. PENDAHULUAN 1.1 Latar belakang
1. PENDAHULUAN 1.1 Latar belakang Sampai saat ini, GCM (general circulation models) diakui banyak pihak sebagai alat penting dalam upaya memahami sistem iklim. GCM dipandang sebagai metode yang paling
Lebih terperinci1 PENDAHULUAN. Latar Belakang
1 PENDAHULUAN Latar Belakang Pada saat ini pengguna informasi cuaca jangka pendek menuntut untuk memperoleh informasi cuaca secara cepat dan tepat. Badan Meteorologi, Klimatologi dan Geofisika (BKMG) telah
Lebih terperinciPERBANDINGAN LUARAN MODEL GCM, TRMM DAN OBSERVASI DALAM MENENTUKAN VARIABILITAS CURAH HUJAN DI ZONA PREDIKSI IKLIM JAWA BARAT
Prosiding Seminar Nasional Sains Atmosfer I 21, 16 Juni 21, Bandung PERBANDINGAN LUARAN MODEL GCM, TRMM DAN OBSERVASI DALAM MENENTUKAN VARIABILITAS CURAH HUJAN DI ZONA PREDIKSI IKLIM JAWA BARAT Sinta Berliana
Lebih terperinciPEMBAHASAN ... (3) RMSE =
7 kemampuan untuk mengikuti variasi hujan permukaan. Keterandalan model dapat dilihat dari beberapa parameter, antara lain : Koefisien korelasi Korelasi dinyatakan dengan suatu koefisien yang menunjukkan
Lebih terperinciPEMBOBOTAN SUB DIMENSION INDICATOR INDEX UNTUK PENGGABUNGAN CURAH HUJAN (Studi Kasus : 15 Stasiun Penakar Curah Hujan di Kabupaten Indramayu)
Xplore, 2013, Vol. 1(1):e3(1-7) c 2013 Departemen Statistika FMIPA IPB PEMBOBOTAN SUB DIMENSION INDICATOR INDEX UNTUK PENGGABUNGAN CURAH HUJAN (Studi Kasus : 15 Stasiun Penakar Curah Hujan di Kabupaten
Lebih terperinci7. PEMBAHASAN UMUM 7.1. Penentuan Domain
7. PEMBAHASAN UMUM Pembahasan ini merupakan rangkuman dari hasil bahasan dan kajian dalam Bab 2, 3, 4, 5, dan 6 sebelumnya. Secara umum pembahasan meliputi perkembangan metode-metode peramalan untuk SD
Lebih terperinciReduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama
Reduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama Ferry Kondo Lembang Jurusan Matematika FMIPA UNPATTI ferrykondolembang@yahoo.co.id Abstrak Reduksi dimensi adalah bagian
Lebih terperinci3. PEMANFAATAN INFORMASI IKLIM UNTUK PENYUSUNAN MODEL PRODUKSI PERTANIAN
3. PEMANFAATAN INFORMASI IKLIM UNTUK PENYUSUNAN MODEL PRODUKSI PERTANIAN 15 Berbagai model ramalan produksi tanaman pangan (khususnya padi) telah dikembangkan di Indonesia. Model-model tersebut secara
Lebih terperinciTUGAS AKHIR. Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3
TUGAS AKHIR Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3 Oleh: Alin Fitriani 1306 100 066 Pembimbing: Dr.Ir. Setiawan, M.S NIP 198701 1 001 JURUSAN STATISTIKA
Lebih terperinciModel Ramalan Produksi Padi dengan Menggunakan Indeks Hujan Terboboti di Kabupaten Subang, Karawang, dan Indramayu
Model Ramalan Produksi Padi dengan Menggunakan Indeks Hujan Terboboti di Kabupaten Subang, Karawang, dan Indramayu Forecasting Model of Rice Production Using Weighted Rainfall Index in Subang, Karawang,
Lebih terperinciProsiding Seminar Nasional Hasil-Hasil PPM IPB 2016 Hal : 1 7 ISBN :
Hal : 1 7 ISBN : 978-62-8853-29-3 MODEL LINIER BERDASARKAN SEBARAN GAMMA DENGAN REGULARISASI PERSENTIL L1 DAN L2 UNTUK PENDUGAAN CURAH HUJAN EKSTRIM (Linear Model based on Gamma Distribution with Percentile
Lebih terperinciPENGARUH FENOMENA GLOBAL DIPOLE MODE POSITIF DAN EL NINO TERHADAP KEKERINGAN DI PROVINSI BALI
PENGARUH FENOMENA GLOBAL DIPOLE MODE POSITIF DAN EL NINO TERHADAP KEKERINGAN DI PROVINSI BALI Maulani Septiadi 1, Munawar Ali 2 Sekolah Tinggi Meteorologi Klimatologi dan Geofisika (STMKG), Tangerang Selatan
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Kelapa sawit (Elaeis guineensis Jacq.) merupakan salah satu komoditas perkebunan unggulan, yang menghasilkan minyak nabati paling efisien yang produknya dapat digunakan dalam
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciBAB V KESIMPULAN DAN SARAN
"DON'T LET OTHERS CONTROL YOUR LIFE, IT'S YOURS NOT THEIRS BAB V KESIMPULAN DAN SARAN 51 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Adapun kesimpulan yang didapat dari hasil analisis yaitu sebagai berikut.
Lebih terperinciPEMODELAN STATISTICAL DOWNSCALING DENGAN REGRESI PROJECTION PURSUIT UNTUK PERAMALAN CURAH HUJAN BULANAN Kasus Curah hujan bulanan di Indramayu
PEMODELAN STATISTICAL DOWNSCALING DENGAN REGRESI PROJECTION PURSUIT UNTUK PERAMALAN CURAH HUJAN BULANAN Kasus Curah hujan bulanan di Indramayu AJI HAMIM WIGENA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
Lebih terperinci1 PENDAHULUAN Latar Belakang
1 PENDAHULUAN Latar Belakang Indonesia merupakan negara kepulauan dengan bentuk topografi yang sangat beragam, dilewati garis katulistiwa, diapit dua benua dan dua samudera. Posisi ini menjadikan Indonesia
Lebih terperinciPEMODELAN STATISTICAL DOWNSCALING LUARAN GCM DENGAN METODE PRINCIPAL COMPONENT REGRESSION (PCR) DAN PROJECTION PURSUIT REGRESSION (PPR)
PEMODELAN STATISTICAL DOWNSCALING LUARAN GCM DENGAN METODE PRINCIPAL COMPONENT REGRESSION (PCR) DAN PROJECTION PURSUIT REGRESSION (PPR) 1 Meika Anitawati, 2 Sutikno 1 Mahasiswa Jurusan Statistika FMIPA-ITS
Lebih terperinciANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU. Oleh : Heru Novriyadi G
ANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU Oleh : Heru Novriyadi G4004 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPREDIKSI TOTAL HUJAN BULANAN DI TANJUNGPANDAN MENGGUNAKAN PERSAMAAN REGRESI DENGAN PREDIKTOR SST NINO 3.4 DAN INDIA OCEAN DIPOLE (IOD)
PREDIKSI TOTAL HUJAN BULANAN DI TANJUNGPANDAN MENGGUNAKAN PERSAMAAN REGRESI DENGAN PREDIKTOR SST NINO 3.4 DAN INDIA OCEAN DIPOLE (IOD) PREDICTION OF RAIN TOTAL MONTHLY IN TANJUNGPANDAN USING REGRESSION
Lebih terperinciPENDAHULUAN 1.1. Latar belakang
1 I. PENDAHULUAN 1.1. Latar belakang Curah hujan merupakan salah satu parameter atmosfer yang sulit untuk diprediksi karena mempunyai keragaman tinggi baik secara ruang maupun waktu. Demikian halnya dengan
Lebih terperinci5. HUBUNGAN ANTARA PEUBAH-PEUBAH PENJELAS GCM CSIRO Mk3 DAN CURAH HUJAN BULANAN
5. HUBUNGAN ANTARA PEUBAH-PEUBAH PENJELAS GCM CSIRO Mk3 DAN CURAH HUJAN BULANAN 5.1 Pendahuluan Dalam pemodelan statistical downscaling (SD), khususnya fungsi transfer diawali dengan mencari model hubungan
Lebih terperinciNaskah masuk: 3 Juli 2012; Perbaikan terakhir: 9 Desember 2012 ; Naskah diterima: 21 Desember 2012 ABSTRAK
PREDIKSI ANOMALI CURAH HUJAN BULANAN DI WILAYAH MAKASSAR MENGGUNAKAN TEKNIK STATISICAL DOWNSCALING MONTHLY RAINFALL ANOMALY PREDICTION USING STATISTICAL DOWNSCALING TECHNIQUE IN MAKASSAR Mamenun Pusat
Lebih terperinciVI. KESIMPULAN DAN SARAN
VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan Dalam penelitian ini telah dilakukan suatu rangkaian penelitian yang mencakup analisis pewilayahan hujan, penyusunan model prediksi curah hujan, serta pemanfaatan
Lebih terperinciPENDEKATAN REGRESI KOMPONEN UTAMA DAN ARIMA UNTUK STATISTICAL DOWNSCALING
J. Sains Tek., Desember 005, Vol., No. 3 PENDEKATAN REGRESI KOMPONEN UTAMA DAN ARIMA UNTUK STATISTICAL DOWNSCALING Khairil Anwar Notodiputro, Aji Hamim Wigena, dan Fitriadi Departemen Statistika, FMIPA
Lebih terperinciAnomali Curah Hujan 2010 di Benua Maritim Indonesia Berdasarkan Satelit TRMM Terkait ITCZ
Anomali Curah Hujan 2010 di Benua Maritim Indonesia Berdasarkan Satelit TRMM Terkait ITCZ Erma Yulihastin* dan Ibnu Fathrio Abstrak Penelitian ini dilakukan untuk menganalisis terjadinya anomali curah
Lebih terperinciPREDIKSI AWAL MUSIM HUJAN MENGGUNAKAN PARAMETER SEA SURFACE TEMPERATURE DI PANGKALPINANG
PREDIKSI AWAL MUSIM HUJAN MENGGUNAKAN PARAMETER SEA SURFACE TEMPERATURE DI PANGKALPINANG Aflah Yuliarti 1, Deni Septiadi 2 1 Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, Jakarta 2 Badan Meteorologi
Lebih terperinciPEMANFAATAN GLOBAL CIRCULATION MODEL (GCM) UNTUK PREDIKSI PRODUKSI PADI
82 Jurnal Sains Dirgantara Vol. 6 No. 2 Juni 2009 : 82-94 PEMANFAATAN GLOBAL CIRCULATION MODEL (GCM) UNTUK PREDIKSI PRODUKSI PADI Sinta Berliana Sipayung * ), Sutikno **) (*) Peneliti Pusat Pemanfaatan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagai negara yang terletak diantara Samudra Pasifik-Hindia dan Benua Asia-Australia, serta termasuk wilayah tropis yang dilewati oleh garis khatulistiwa, menyebabkan
Lebih terperinciMODEL PRAKIRAAN CURAH HUJAN BULANAN MENGGUNAKAN METODE REGRESI KOMPONEN UTAMA DENGAN PREDIKTOR SUHU MUKA LAUT DI MALUKU
MODEL PRAKIRAAN CURAH HUJAN BULANAN MENGGUNAKAN METODE REGRESI KOMPONEN UTAMA DENGAN PREDIKTOR SUHU MUKA LAUT DI MALUKU Nastiti Andini 1, Urip Haryoko 2 1 Taruna Sekolah Tinggi Meteorologi Klimatologi
Lebih terperinciPOLA ARUS PERMUKAAN PADA SAAT KEJADIAN INDIAN OCEAN DIPOLE DI PERAIRAN SAMUDERA HINDIA TROPIS
POLA ARUS PERMUKAAN PADA SAAT KEJADIAN INDIAN OCEAN DIPOLE DI PERAIRAN SAMUDERA HINDIA TROPIS Martono Pusat Sains dan Teknologi Atmosfer LAPANInstitusi Penulis Email: mar_lapan@yahoo.com Abstract Indian
Lebih terperinciOleh Tim Agroklimatologi PPKS
Kondisi Indian Oscillation Dipole (IOD), El Nino Southern Oscillation (ENSO), Curah Hujan di Indonesia, dan Pendugaan Kondisi Iklim 2016 (Update Desember 2015) Oleh Tim Agroklimatologi PPKS Disarikan dari
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1. Latar Belakang Wilayah Indonesia umumnya dikelilingi oleh lautan yang berada antara samudera Hindia dan Samudera Pasifik. Samudera ini menjadi sumber kelembaban utama uap air
Lebih terperinciPREDIKSI CURAH HUJAN BULANAN STASIUN BMKG DI PROVINSI BENGKULU MENGGUNAKAN TEKNIK DOWNSCALLING STATISTIK
PREDIKSI CURAH HUJAN BULANAN STASIUN BMKG DI PROVINSI BENGKULU MENGGUNAKAN TEKNIK DOWNSCALLING STATISTIK Pungky Saiful Akbar (), Dodo Gunawan () Sekolah Tinggi Meteorologi Klimatologi dan Geofisika (STMKG)
Lebih terperinciPemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 1 Nomor 2 Halaman 52-61 ISSN: 2089-6026 Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciPERUBAHAN KLIMATOLOGIS CURAH HUJAN DI YOGJAKARTA, SEMARANG, SURABAYA, PROBOLINGGO DAN MALANG
Prosiding Seminar Nasional Penelitian, Penerapan dan Pendidikan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 29 PERUBAHAN KLIMATOLOGIS CURAH HUJAN DI YOGJAKARTA, SEMARANG, SURABAYA, PROBOLINGGO
Lebih terperinciGambar 8. Pola Hubungan Curah Hujan Rata-rata Harian RegCM3(Sebelum dan Sesudah Koreksi) dengan Observasi
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil Koreksi Bias Data Curah Hujan dan Suhu Luaran Model RegCM3 Data luaran RegCM3 merupakan hasil simulasi kondisi iklim yang memiliki resolusi spasial yang
Lebih terperinciPENGARUH EL NIÑO 1997 TERHADAP VARIABILITAS MUSIM DI PROVINSI JAWA TIMUR
PENGARUH EL NIÑO 1997 TERHADAP VARIABILITAS MUSIM DI PROVINSI JAWA TIMUR (THE INFLUENCE OF EL NIÑO 1997 TO SEASONAL VARIABILITY IN EAST JAVA ) Akhmad Fatony 1) Dr. Suwandi 2) Sekolah Tinggi Meteorologi
Lebih terperinciPENGARUH DIPOLE MODE TERHADAP CURAH HUJAN DI INDONESIA
Pengaruh Dipole Mode Terhadap Curah Hujan di Indonesia (Mulyana) 39 PENGARUH DIPOLE MODE TERHADAP CURAH HUJAN DI INDONESIA Erwin Mulyana 1 Intisari Hubungan antara anomali suhu permukaan laut di Samudra
Lebih terperinciHUBUNGAN ANTARA ANOMALI SUHU PERMUKAAN LAUT DENGAN CURAH HUJAN DI JAWA
Hubungan antara Anomali Suhu Permukaan Laut.(Mulyana) 125 HUBUNGAN ANTARA ANOMALI SUHU PERMUKAAN LAUT DENGAN CURAH HUJAN DI JAWA Erwin Mulyana 1 Intisari Perubahan suhu permukaan laut di Samudera Pasifik
Lebih terperinciEVALUASI MUSIM HUJAN 2007/2008 DAN PRAKIRAAN MUSIM KEMARAU 2008 PROVINSI BANTEN DAN DKI JAKARTA
BADAN METEOROLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG-TANGERANG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan ( 12070 ) Telp: (021) 7353018 / Fax: 7355262, Tromol Pos. 7019 / Jks KL, E-mail
Lebih terperinciImpact of Climate Variability on Agriculture at NTT
Impact of Climate Variability on Agriculture at NTT PEMDA Propinsi NTT, Kupang CARE International Centre for Climate Risk and Opportunity Management, Bogor Agricultural University (IPB) International Rice
Lebih terperinciAnalisis Variasi Cuaca di Daerah Jawa Barat dan Banten
Analisis Variasi Cuaca di Daerah Jawa Barat dan Banten Ankiq Taofiqurohman S Jurusan Perikanan Fakultas Pertanian Universitas Padjadjaran, Jatinangor, Bandung 40600 ABSTRACT A research on climate variation
Lebih terperinciPENENTUAN PREDIKTOR PADA STATISTICAL. DECOMPOSITION (Studi Kasus di Stasiun Meteorologi Indramayu) IMAM SANJAYA
PENENTUAN PREDIKTOR PADA STATISTICAL DOWNSCA ALING DENGAN SINGULAR VALUE DECOMPOSITION (Studi Kasus di Stasiun Meteorologi Indramayu) IMAM SANJAYA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKAA DAN ILMU PENGETAHUAN
Lebih terperinciI. PENDAHULUAN. 1.2 Tujuan Penelitian ini bertujuan menganalisis potensi data CMORPH dalam menduga curah hujan permukaan.
1 I. PENDAHULUAN 1.1 Latar Belakang Data iklim seringkali bervariasi baik secara temporal maupun spasial, terutama di wilayah tropis. Curah hujan merupakan unsur iklim paling penting di Indonesia yang
Lebih terperinciREGRESI KUANTIL DENGAN KUADRAT TERKECIL PARSIAL DALAM STATISTICAL DOWNSCALING UNTUK PENDUGAAN CURAH HUJAN EKSTRIM ESTHER RIA MATULESSY
REGRESI KUANTIL DENGAN KUADRAT TERKECIL PARSIAL DALAM STATISTICAL DOWNSCALING UNTUK PENDUGAAN CURAH HUJAN EKSTRIM ESTHER RIA MATULESSY SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN
Lebih terperinciBAB I PENDAHULUAN. memiliki dua musim yaitu musim penghujan dan musim kemarau. paling terasa perubahannya akibat anomali (penyimpangan) adalah curah
BAB I PENDAHULUAN 1.1. Latar Belakang Indonesia adalah negara agraris yang amat subur sehingga sebagian besar penduduknya bergerak dalam sektor agraris. Indonesia memiliki iklim tropis basah, dimana iklim
Lebih terperinciPEMODELAN DOWNSCALING LUARAN GCM DAN ANOMALI SST NINO 3.4 MENGGUNAKAN SUPPORT VECTOR REGRESSION. (Studi Kasus Curah Hujan Bulanan Indramayu)
PEMODELAN DOWNSCALING LUARAN GCM DAN ANOMALI SST NINO 3.4 MENGGUNAKAN SUPPORT VECTOR REGRESSION (Studi Kasus Curah Hujan Bulanan Indramayu) ARIES MAESYA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPREDIKSI CURAH HUJAN BULANAN BERDASARKAN SUHU PERMUKAAN LAUT NINO 3.4 : SUATU PENDEKATAN DENGAN METODE FILTER KALMAN
J. Agromet 19 (2) : 43 56, 25 PREDIKSI CURAH HUJAN BULANAN BERDASARKAN SUHU PERMUKAAN LAUT NINO 3.4 : SUATU PENDEKATAN DENGAN METODE FILTER KALMAN (Monthly Rainfall Prediction Based on Sea Surface Temperature
Lebih terperinci3 PENENTUAN DOMAIN SPASIAL NWP
3 PENENTUAN DOMAIN SPASIAL NWP Pendahuluan Peubah-peubah yang dihasilkan dari NWP mempunyai dimensi yang besar yaitu, dimensi spasial (S), dimensi waktu (T), dimensi vertikal (V) dan dimensi parameter
Lebih terperinciMODEL VEKTOR AUTOREGRESSIVE UNTUK PERAMALAN CURAH HUJAN DI INDRAMAYU (Vector Autoregressive Model for Forecast Rainfall In Indramayu )
, Oktober 2011 p: 7-11 Vol 16 No 2 ISSN : 0853-8115 MODEL VEKTOR AUTOREGRESSIVE UNTUK PERAMALAN CURAH HUJAN DI INDRAMAYU (Vector Autoregressive Model for Forecast Rainfall In Indramayu ) Dewi Retno Sari
Lebih terperinciMODEL PRAKIRAAN CURAH HUJAN BULANAN DI WILAYAH JAWA BAGIAN UTARA DENGAN PREDIKTOR SML DAN OLR DEDI SUCAHYONO
MODEL PRAKIRAAN CURAH HUJAN BULANAN DI WILAYAH JAWA BAGIAN UTARA DENGAN PREDIKTOR SML DAN OLR DEDI SUCAHYONO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 1.1. Kondisi Wilayah Kabupaten Gorontalo Kabupaten Gorontalo terletak antara 0 0 30 0 0 54 Lintang Utara dan 122 0 07 123 0 44 Bujur Timur. Pada tahun 2010 kabupaten ini terbagi
Lebih terperinciESTIMASI DAMPAK PERUBAHAN IKLIM TERHADAP HUJAN WILAYAH DI DAS PROGO HULU MENGGUNAKAN SKENARIO IKLIM HadCM3 DENGAN SKENARIO EMISI A2 DAN B2
ESTIMASI DAMPAK PERUBAHAN IKLIM TERHADAP HUJAN WILAYAH DI DAS PROGO HULU MENGGUNAKAN SKENARIO IKLIM HadCM3 DENGAN SKENARIO EMISI A2 DAN B2 Slamet Suprayogi 1, Ahmad Cahyadi 2, Tommy Andryan Tivianton 3,
Lebih terperinciPOTENSI PEMANFAATAN INFORMASI PRAKIRAAN IKLIM UNTUK MENDUKUNG SISTEM USAHA TAMBAK UDANG DAN GARAM DI KABUPATEN INDRAMAYU KIKI KARTIKASARI
POTENSI PEMANFAATAN INFORMASI PRAKIRAAN IKLIM UNTUK MENDUKUNG SISTEM USAHA TAMBAK UDANG DAN GARAM DI KABUPATEN INDRAMAYU KIKI KARTIKASARI DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sejak tahun 1980-an para peneliti meteorologi meyakini bahwa akan terjadi beberapa penyimpangan iklim global, baik secara spasial maupun temporal. Kenaikan temperatur
Lebih terperinciMODEL PREDIKSI AWAL MUSIM HUJAN DI SENTRA PADI PANTURA JABAR DENGAN PREDIKTOR REGIONAL DAN GLOBAL
MODEL PREDIKSI AWAL MUSIM HUJAN DI SENTRA PADI PANTURA JABAR DENGAN PREDIKTOR REGIONAL DAN GLOBAL WET SEASON ONSET PREDICTION MODEL UPON RICE FIELDS IN NORTHERN WEST JAVA USING REGIONAL AND GLOBAL PREDICTOR
Lebih terperinciPENGARUH PERUBAHAN DAN VARIABILITAS IKLIM TERHADAP DINAMIKA FISHING GROUND DI PESISIR SELATAN PULAU JAWA
PENGARUH PERUBAHAN DAN VARIABILITAS IKLIM TERHADAP DINAMIKA FISHING GROUND DI PESISIR SELATAN PULAU JAWA OLEH : Dr. Kunarso FOKUSED GROUP DISCUSSION CILACAP JUNI 2016 PERUBAHAN IKLIM GLOBAL Dalam Purwanto
Lebih terperinciANALISIS SEBARAN CURAH HUJAN WILAYAH MENGGUNAKAN METODE SPI DAN HUBUNGANNYA DENGAN INDIKATOR IKLIM DI PROVINSI SUMATERA BARAT
Analisis Sebaran Curah Hujan Wilayah Menggunakan Metode SPI... (Juwita dkk.) ANALISIS SEBARAN CURAH HUJAN WILAYAH MENGGUNAKAN METODE SPI DAN HUBUNGANNYA DENGAN INDIKATOR IKLIM DI PROVINSI SUMATERA BARAT
Lebih terperinciEVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA
EVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA OLEH : ANDRIE WIJAYA, A.Md FENOMENA GLOBAL 1. ENSO (El Nino Southern Oscillation) Secara Ilmiah ENSO atau El Nino dapat di jelaskan
Lebih terperinciMODEL STATISTICAL DOWNSCALING DENGAN TIME LAG DATA GLOBAL CIRCULATION MODEL UNTUK PERAMALAN CURAH HUJAN SITTI SAHRIMAN
MODEL STATISTICAL DOWNSCALING DENGAN TIME LAG DATA GLOBAL CIRCULATION MODEL UNTUK PERAMALAN CURAH HUJAN SITTI SAHRIMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 214 PERNYATAAN MENGENAI TESIS
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPE RA TURE
Seminar Nasional Apliwi Teknologi Informasi 1011 (SNAT! 1011) YogyakDr1u,JJ-/6Jvn/ 10/1 ISSN: 1907-5011 PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPE RA
Lebih terperinci4 MODEL VECTOR AUTOREGRESSIVE EXOGENOUS (VARX)
4 MODEL VECTOR AUTOREGRESSIVE EXOGENOUS (VARX) Pendahuluan Beberapa penelitian curah hujan dengan satu lokasi curah hujan (tunggal) dengan model ARIMA telah dilakukan, di antaranya oleh Mauluddiyanto (2008)
Lebih terperinciBenarkah Tahun 2002 akan Terjadi El-Niño dengan Intensitas Lemah?
Benarkah Tahun 2002 akan Terjadi El-Niño dengan Lemah? Oleh : Gatot Irianto Detail pertanyaan itu antara lain meliputi (1) bagaimana perkembangan indikator anomali iklim lebih lanjut dihubungkan dengan
Lebih terperinciPengaruh Dipole Mode dan El Nino Southern Oscillation Terhadap Awal Tanam dan Masa Tanam di Kabupaten Mempawah
Pengaruh Dipole Mode dan El Nino Southern Oscillation Terhadap Awal Tanam dan Masa Tanam di Kabupaten Mempawah Yohana Fronika a, Muhammad Ishak Jumarang a*, Andi Ihwan a ajurusanfisika, Fakultas Matematika
Lebih terperinciRestu Tresnawati, Kurnia Endah Komalasari Puslitbang BMKG, Jl Angkasa 1 No.2 Kemayoran Jakarta Pusat
SKENARIO TENGGANG WAKTU SST NINO 3.4 TERHADAP CURAH HUJAN UNTUK MENINGKATKAN AKURASI PREDIKSI KALMAN FILTER SCENARIOS OF TIME LAG SST NINO 3.4 TO PRECIPITATION FOR ACCURATION INCREASING OF KALMAN FILTER
Lebih terperinciPEMODELAN DOWNSCALING LUARAN GCM DAN ANOMALI SST NINO 3.4 MENGGUNAKAN SUPORT VECTOR REGRESSION (Studi Kasus Curah Hujan Bulanan Indramayu)
1 PEMODELAN DOWNSCALING LUARAN GCM DAN ANOMALI SST NINO 3.4 MENGGUNAKAN SUPORT VECTOR REGRESSION (Studi Kasus Curah Hujan Bulanan Indramayu) The Modeling of Downscaling outside GCM and Anomali SST NINO
Lebih terperinciIDENTIFIKASI PERUBAHAN DISTRIBUSI CURAH HUJAN DI INDONESIA AKIBAT DARI PENGARUH PERUBAHAN IKLIM GLOBAL
IDENTIFIKASI PERUBAHAN DISTRIBUSI CURAH HUJAN DI INDONESIA AKIBAT DARI PENGARUH PERUBAHAN IKLIM GLOBAL Krismianto Pusat Pemanfaatan Sains Atmosfer dan Iklim Lembaga Penerbangan dan Antariksa Nasional Jl.
Lebih terperinciKontribusi Parameter Iklim Untuk Peringatan Dini Serangan Wereng Batang Coklat (WBC)
1234567 89111121234567891111212345678911112123456789111121234567891111212345678911112123456789111121234567891111212345678911112123456789111121234567891111212345678911112123456789111121234567891111212345678911112
Lebih terperinciPasang Surut Surabaya Selama Terjadi El-Nino
Pasang Surut Surabaya Selama Terjadi El-Nino G181 Iva Ayu Rinjani dan Bangun Muljo Sukojo Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember (ITS) Jl.
Lebih terperinciKeywords : sea surface temperature, rainfall, time lag
ANALISA TIME LAG SUHU PERMUKAAN LAUT YANG BERHUBUNGAN DENGAN CURAH HUJAN RATA-RATA DASARIAN DI PROVINSI BALI I Made Sudarma Yadnya 1*, Winardi Tjahyo Baskoro 1, M. Dwi Jendra Putra 2 1 Jurusan Fisika,
Lebih terperinciBAB I PENDAHULUAN. hortikultura,dan 12,77 juta rumah tangga dalam perkebunan. Indonesia
BAB I PENDAHULUAN 1.1. LATAR BELAKANG Indonesia merupakan Negara agraris yang amat subur sehingga tidak dapat dipungkiri lagi sebagian besar penduduknya bergerak dalam sektor agraris. Data dalam Badan
Lebih terperinciPENGARUH FENOMENA ENSO TERHADAP PRODUKTIVITAS JAGUNG DI KABUPATEN GORONTALO
PENGARUH FENOMENA ENSO TERHADAP PRODUKTIVITAS JAGUNG DI KABUPATEN GORONTALO Richard Ering 1, Suwandi 2 Sekolah Tinggi Meteorologi Klimatologi dan Geofisika (STMKG), Tangerang Selatan E-mail: richard.ering@bmkg.go.id
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan negara yang rawan terjadi kekeringan setiap tahunnya. Bencana kekeringan semakin sering terjadi di berbagai daerah di Indonesia dengan pola dan
Lebih terperinciPREDIKSI CURAH HUJAN DAN HARI HUJAN BULANAN DENGAN PREDIKTOR SUHU MUKA LAUT DI WILAYAH PESISIR BARAT DAYA SULAWESI
Jurnal Meteorologi Klimatologi dan Geofisika Vol... No...Desember PREDIKSI CURAH HUJAN DAN HARI HUJAN BULANAN DENGAN PREDIKTOR SUHU MUKA LAUT DI WILAYAH PESISIR BARAT DAYA SULAWESI Eva Prameuthia,, Erwin
Lebih terperinciAnalisis Korelasi Suhu Muka Laut dan Curah Hujan di Stasiun Meteorologi Maritim Kelas II Kendari Tahun
Analisis Korelasi Suhu Muka Laut dan Curah Hujan di Stasiun Meteorologi Maritim Kelas II Kendari Tahun 2005 2014 Rizka Erwin Lestari 1, Ambinari Rachmi Putri 2, Imma Redha Nugraheni Sekolah Tinggi Meteorologi
Lebih terperinciPrakiraan Musim Kemarau 2018 Zona Musim di NTT KATA PENGANTAR
KATA PENGANTAR Badan Meteorologi Klimatologi dan Geofisika (BMKG) setiap tahun menerbitkan dua jenis prakiraan musim yaitu Prakiraan Musim Kemarau diterbitkan setiap bulan Maret dan Prakiraan Musim Hujan
Lebih terperinciKATA PENGANTAR KUPANG, MARET 2016 PH. KEPALA STASIUN KLIMATOLOGI LASIANA KUPANG CAROLINA D. ROMMER, S.IP NIP
KATA PENGANTAR Badan Meteorologi Klimatologi dan Geofisika (BMKG) setiap tahun menerbitkan dua jenis prakiraan musim yaitu Prakiraan Musim Kemarau diterbitkan setiap bulan Maret dan Prakiraan Musim Hujan
Lebih terperinciANALISA VARIASI HARMONIK PASANG SURUT DI PERAIRAN SURABAYA AKIBAT FENOMENA EL-NINO
Bangun Muljo Sukojo 1, Iva Ayu Rinjani 1 1 Departemen Teknik Geomatika, FTSLK-ITS, Kampus ITS Sukolilo, Surabaya, 60111, Indonesia e-mail: 1 bangun_ms@geodesy.its.ac.id Abstrak Pengaruh fenomena El Nino
Lebih terperinciSTATISTICAL DOWNSCALING LUARAN GCM DAN PEMANFAATANNYA UNTUK PERAMALAN PRODUKSI PADI SUTIKNO
STATISTICAL DOWNSCALING LUARAN GCM DAN PEMANFAATANNYA UNTUK PERAMALAN PRODUKSI PADI SUTIKNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI Dengan
Lebih terperinciPERANCANGAN MODEL PREDIKSI CURAH HUJAN BULANAN BERDASARKAN SUHU PERMUKAAN LAUT DI KALIMANTAN SELATAN
PERANCANGAN MODEL PREDIKSI CURAH HUJAN BULANAN BERDASARKAN SUHU PERMUKAAN LAUT DI KALIMANTAN SELATAN Dian Handiana 1, Sri Cahyo Wahyono 2 dan Dewi Sri Susanti 3 Abstrak : Kebutuhan akan adanya informasi
Lebih terperinciKATA PENGANTAR TANGERANG SELATAN, MARET 2016 KEPALA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG. Ir. BUDI ROESPANDI NIP
PROPINSI BANTEN DAN DKI JAKARTA KATA PENGANTAR Puji syukur kehadirat Tuhan YME atas berkat dan rahmat Nya kami dapat menyusun laporan dan laporan Prakiraan Musim Kemarau 2016 di wilayah Propinsi Banten
Lebih terperinciBAB I PENDAHULUAN. permukaan Bumi (Shauji dan Kitaura, 2006) dan dapat dijadikan sebagai dasar
BAB I PENDAHULUAN 1.1 Latar Belakang Hujan merupakan salah satu sumber ketersedian air untuk kehidupan di permukaan Bumi (Shauji dan Kitaura, 2006) dan dapat dijadikan sebagai dasar dalam penilaian, perencanaan
Lebih terperinciPENDUGAAN CURAH HUJAN MUSIM KEMARAU MENGGUNAKAN DATA SOUTHERN OSCILLATION INDEX
PENDUGAAN CURAH HUJAN MUSIM KEMARAU MENGGUNAKAN DATA SOUTHERN OSCILLATION INDEX DAN SUHU PERMUKAAN LAUT NINO3.4 DENGAN METODE SUPPORT VECTOR REGRESSION GITA ADHANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciVARIABILITAS TEMPERATUR UDARA PERMUKAAN WILAYAH INDONESIA BERDASARKAN DATA SATELIT AIRS
VARIABILITAS TEMPERATUR UDARA PERMUKAAN WILAYAH INDONESIA BERDASARKAN DATA SATELIT AIRS Lely Qodrita Avia, Indah Susanti, Agung Haryanto Pusfatsatklim LAPAN, lely@bdg.lapan.go.id Abstract Air temperature
Lebih terperinciPANJANG PERIODE MINIMUM DALAM ANALISIS DATA IKLIM LENGTH OF MINIMUM PERIOD IN CLIMATE DATA ANALYSIS. Gusti Rusmayadi
Panjang periode minimum dalam analisis data PANJANG PERIODE MINIMUM DALAM ANALISIS DATA IKLIM LENGTH OF MINIMUM PERIOD IN CLIMATE DATA ANALYSIS Gusti Rusmayadi Jurusan Budidaya Pertanian Fakultas Pertanian
Lebih terperinci2. PERKEMBANGAN TEKNIK STATISTICAL DOWNSCALING DAN PERMASALAHAN STATISTIK
2. PERKEMBANGAN TEKNIK STATISTICAL DOWNSCALING DAN PERMASALAHAN STATISTIK 2.1. Pendahuluan Luaran GCM hanya dapat memberikan informasi untuk skala besar dan belum dapat memberikan secara langsung informasi
Lebih terperinciIDENTIFIKASI FENOMENA ENSO
IDENTIFIKASI FENOMENA ENSO (El Nino-Southern Oscillation) DAN IOD (Indian Ocean Dipole) TERHADAP DINAMIKA WAKTU TANAM PADI DI DAERAH JAWA BARAT (Studi Kasus Kabupaten Indramayu dan Cianjur) ERICA PURWANDINI
Lebih terperinciYunus S. Swarinoto, Sugiyono. ABSTRAK
PEMANFAATAN SUHU UDARA DAN KELEMBAPAN UDARA DALAM PERSAMAAN REGRESI UNTUK SIMULASI PREDIKSI TOTAL HUJAN BULANAN DI BANDAR LAMPUNG THE USE OF AIR TEMPERATURE AND RELATIVE HUMIDITY INTO REGRESSION EQUATION
Lebih terperinciI. INFORMASI METEOROLOGI
I. INFORMASI METEOROLOGI I.1 ANALISIS DINAMIKA ATMOSFER I.1.1 MONITORING DAN PRAKIRAAN FENOMENA GLOBAL a. ENSO ( La Nina dan El Nino ) Berdasarkan pantauan suhu muka laut di Samudra Pasifik selama bulan
Lebih terperinciANALISIS FENOMENA PERUBAHAN IKLIM DAN KARAKTERISTIK CURAH HUJAN EKSTRIM DI KOTA MAKASSAR
JURNAL SAINS DAN PENDIDIKAN FISIKA (JSPF) Jilid 11 Nomor 1, April 2015 ISSN 1858-330X ANALISIS FENOMENA PERUBAHAN IKLIM DAN KARAKTERISTIK CURAH HUJAN EKSTRIM DI KOTA MAKASSAR 1) Intan Pabalik, Nasrul Ihsan,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pangan merupakan kebutuhan dasar manusia yang paling utama dan pemenuhannya merupakan bagian dari hak asasi manusia yang dijamin di dalam Undang-Undang Dasar Negara
Lebih terperinciI. PENDAHULUAN TINJAUAN PUSTAKA
1 I. PENDAHULUAN 1.1. Latar Belakang Indonesia adalah negara dengan populasi ke-empat terbesar dan penghasil beras ke-tiga terbesar di dunia (World Bank, 2000). Indonesia memproduksi sekitar 31 juta ton
Lebih terperinci