1 PENDAHULUAN. Latar Belakang

Transkripsi

1 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 membuat prakiraan harian untuk kotakota besar di Indonesia dengan parameter yang diramalkan adalah suhu maksimum (T-maks), suhu minimum (T-min), kelembapan maksimum (RHmaks), kelembapan minimum (RH-min) dan kondisi cuaca khususnya kejadian hujan harian (RR). Berdasarkan hasil verifikasi Bidang Analisa Meteorologi tahun 2004 melalui kegiatan Verifikasi dan jangkauan prakiraan cuaca jangka pendek bahwa prakiraan yang dibuat khususnya parameter T-maks, T-min, RH-maks, RH-min dan cuaca belum memenuhi harapan atau kurang memuaskan. Metoda prakiraan cuaca jangka pendek masih bersifat subyektif atau dengan kata lain belum ada satu metoda prakiraan cuaca jangka pendek yang bersifat obyektif. Obyektif yang dimaksud adalah dengan hanya memasukkan data maka secara otomatis diperoleh nilai prakiraannnya, sehingga tidak ada lagi unsur subyektifitas prakirawan. Mengacu pada kondisi prakiraan cuaca jangka pendek BMKG saat ini, perlu dikembangkan prakiraan cuaca jangka pendek yang tepat dan cepat secara operasional. Dalam mengembangkan prakiraan cuaca jangka pendek memerlukan waktu yang cukup lama mengingat sarana dan prasarana terutama basis data masih belum memenuhi syarat. Sehingga perlu dicari suatu metoda prakiraan yang murah dan mudah; dan penyediaan data yang valid. Metoda prakiraan statistik dapat menjadi alternatif untuk mengatasi permasalahan di atas. Metoda prakiraan cuaca obyektif dapat dikategorikan menjadi dua yaitu metoda dinamis dan statistik (Epstein 1969; Flemming 1971). Metoda obyektif lainnya adalah metoda dynamical downscaling dan statistical downscaling (SD) (Bernardin et al. 2009). SD dapat digunakan sebagai alat untuk meramal cuaca di suatu titik stasiun berdasarkan luaran model cuaca numerik. Ada dua metoda yang dapat digunakan dalam meramal parameter cuaca yang tidak dapat secara langsung dihasilkan dari sebuah model numerik (Klein, et al., 1959). Pertama, perfect prog method, metoda ini mencari hubungan antara peubah yang diduga dengan peubah yang dapat diramal oleh model dinamis. Hubungan kedua peubah tersebut diterapkan pada output model numerik pada proyeksi waktu ke depan (misal 36 jam ke depan) untuk menduga prediktan 36 jam ke depan setelah model dijalankan. Metoda yang kedua adalah Model Output Statistics (MOS), metoda ini menentukan hubungan statistik antara prediktan dan peubah dari model numerik pada beberapa proyeksi waktu. MOS sebagai salah satu metoda post processing luaran numerical weather prediction (NWP) dapat dipandang sebagai suatu metoda yang dapat diterapkan dengan memanfaatkan data, sarana dan prasarana yang ada di BMKG saat ini, tanpa harus mengadakan peralatan dan data baru. Model ini tidak memerlukan peralatan komputer dengan kemampuan yang besar. MOS memanfaatkan data NWP hasil prakiraan global. NWP adalah prakiraan cuaca jangka pendek sampai dengan beberapa hari ke depan. Data yang dapat diperoleh dari NWP adalah data

2 2 cuaca pada lokasi grid berukuran sampai dengan 0,5 o 0,5 o (lintang bujur) atau sekitar (55 55) km 2 dan pada beberapa ketinggian. Permasalahan yang dihadapi BMKG adalah belum adanya prakiraan cuaca obyektif yang dapat dioperasionalkan, terutama dalam pembuatan prakiraan suhu maksimum, suhu minimum dan keadaan cuaca. Prakiraan yang dimaksud adalah prakiraan cuaca di titik stasiun dengan waktu prakiraan sampai 4 hari ke depan. Untuk itu perlu dikembangkan model prakiraan cuaca obyektif dengan memanfaatkan luaran NWP. Langkah-langkah pengembangan model yang harus dikaji adalah penentuan domain spasial dari NWP yang optimum untuk pemodelan, pembuatan model prakiraan suhu maksimum dan minimum dan prakiraan kejadian hujan harian dengan lima kategori yaitu tidak hujan, hujan ringan, hujan sedang, hujan lebat dan hujan lebat sekali. Perumusan Masalah Kualitas prakiraan cuaca jangka pendek yang dikeluarkan oleh BMKG masih belum akurat. Verifikasi prakiraan kejadian hujan (hujan/tidak hujan) untuk wilayah Janbodetabek mempunyai akurasi sebesar 62% (Gustari et al. 2012), sedangkan prakiraan cuaca secara umum di wilayah Jabodetabek mempunyai tingkat akurasi sekitar 70% (Jatmiko HT 20 Agustus 2014, komunikasi pribadi). Disamping itu cakupan wilayah yang diprakirakan masih pada tingkat Ibu Kota Propinsi dan kota besar lainnya. Tuntutan pengguna prakiraan adalah prakiraan cuaca yang menjangkau tingkat Kabupaten dan Kota dan waktu prakiraan lebih panjang yaitu sampai dengan tujuh hari ke depan. Prakiraan cuaca jangka pendek yang dihasilkan oleh BMKG saat ini masih menggunakan mengandalkan subyektifitas prakirawan berdasarkan analisis cuaca berbentuk grafik, peta dan interpretasi model numerik. Subyektifitas ini tergantung pada keahlian dan pengalaman prakirawan. Prakirawan dengan pengalaman yang lama dan mempunyai keahlian yang cukup cenderung menghasilkan prakiraan yang lebih baik dibandingkan dengan prakirawan yang belum berpengalaman. Adanya gap tingkat keahlian dan pengalaman ini diperlukan suatu alat bantu yang dapat meminimalkan tingkat subyektifitas prakirawan, sehingga perbedaan hasil prakiraan yang dibuat oleh keduanya dapat diminimalkan, bahkan tidak ada perbedaan hasil. Sampai saat ini BMKG belum mempunyai produk model cuaca numerik (NWP) sendiri untuk yang dapat menyediakan prakiraan cuaca obyektif. Metoda prakiraan obyektif yang digunakan BMKG adalah produk dari negara lain seperti European Centre for Medium-Range Weather Forecast (ECMWF), Weather Research Forecast (WRF), National Centers for Environmental Prediction (NCEP), ARPEGE, CCAM, dan lain-lain. Luaran prakiraan cuaca di atas dalam bentuk grid dengan ukuran yang bervariasi, ukuran grid terkecil adalah berukuran 0,5 o 0,5 o (atau sekitar 55 km 55 km). Luaran model numerik tersebut belum bisa menghasilkan parameter yang diharapkan dan resolusinya masih kasar atau dengan kata lain belum bisa memprakirakan parameter yang dibutuhkan dan lokasi yang diperlukan. Untuk memperoleh prakiraan parameter dan resolusi yang diharapkan dapat digunakan dengan interpretasi statistik terhadap luaran model numerik.

3 Beberapa alasan mengapa interpretasi statistik luaran model cuaca numerik diperlukan dalam memprakirakan cuaca permukaan (Wilks 1995), diantaranya adalah sebagai berikut, 1) Terdapat perbedaan antara dunia nyata dengan model NWP. NWP menyederhanakan dan meng-homogen-kan kondisi permukaan dengan merepresentasikan permukaan bumi menjadi rangkaian titik grid. Dengan demikian pengaruh skala lokal (topografi, perairan kecil/danau) yang berpengaruh terhadap cuaca lokal tidak diperhitungkan dalam proses pembuatan NWP. 2) Sirkulasi tropis dan sistem cuaca dipicu oleh proses fisis. Proses fisis, dalam skala subgrid, direpresentasikan dalam model NWP dalam bentuk parameterisasi. Dengan demikian model NWP tidak merepresentasikan lokasi dan peubah yang dibutuhkan. Namun demikian, hubungan statistik dapat dibangun antara informasi yang dihasilkan NWP dan nilai prakiraan yang dimaksud. 3) Model NWP tidak sempurna, dan hasil prakiraannya masih terdapat kesalahan, seperti systematic error. Hal ini menyebabkan timbulnya defisiensi dalam pemodelan fisika. Prakiraan statistik berdasarkan pada NWP dapat menggantikannya dan mengkoreksi beberapa kesalahan prakiraan. 4) Model NWP adalah deterministik dan tidak bisa secara penuh menjelaskan proses stokastik cuaca. Namun, informasi NWP yang digunakan bersamaan dengan metoda statistik memungkinkan untuk mengkuantifikasi dan menjelaskan ketidakpastian dengan menghubungkannya dengan kondisi prakiraan yang berbeda atau prakiraan probabilistik. Berdasarkan uraian di atas, maka untuk memperoleh hasil prakiraan cuaca obyektif yang dapat mengeluarkan parameter cuaca dan lokasi secara spesifik diperlukan interpretasi statistik terhadap luaran NWP. Penggunaan model statistik dan luaran beberapa model cuaca numerik akan menjadi dasar dalam penelitian ini. Disamping itu pertimbangan lain yang harus digunakan adalah bahwa prakiraan cuaca obyektif ini harus bisa dioperasionalkan. Pertimbangan tersebut adalah waktu yang diperlukan untuk pembacaan data sampai menghasilkan prakiraan, ketersediaan luaran NWP dan kelanjutannya, dukungan perangkat lunak dan keras yang diperlukan. Kebaruan Pada penelitian ini ada 3 (tiga) kebaruan (novelty), yaitu sebagai berikut : 1. Percobaan model prakiraan suhu maksimum, suhu minimum dan kejadian hujan harian pada penelitian ini menggunakan beberapa metode yaitu PLSR, PCR, MCLR dan PC-MCLR, dan dua model yaitu Model I dan II; maka prakiraan untuk setiap lokasi stasiun yang mempunyai karakteristik tertentu dapat ditingkatkan melalui pemilihan metode dan model yang menghasilkan prakiraan paling baik. 2. Penentuan jumlah grid atau domain spasial NWP yang digunakan sebagai prediktor dalam pemodelan MOS umumnya masih dilakukan secara subyektif. Pada penelitian ini penentuan jumlah grid diseleksi menggunakan tiga metoda yaitu SVD, peta korelasi dan PLSR, sehingga diperoleh jumlah grid optimum. Jumlah grid optimum ini mampu meningkatkan keakuratan luaran NWP. 3

4 4 3. Luaran NWP pada kenyataannya belum mampu untuk meprakirakan unsur cuaca di sebuah titik stasiun, hal ini dikarenakan pada pemodelan NWP mengasumsikan bahwa wilayah dengan grid mempunyai sifat yang homogen. Pada penelitian ini metode PCR Model I untuk prakiraan suhu dan PC-MCLR untuk prakiraan kejadian hujan harian mampu meningkatkan keakuratan NWP di semua stasiun. Tujuan Penelitian Pemodelan MOS untuk pendugaan parameter cuaca di suatu lokasi menggunakan data luaran NWP telah banyak diterapkan di negara-negara subtropis seperti Amerika, Eropa, Australia, Jepang dan Korea. Model-model tersebut tentunya didasarkan pada kondisi wilayah sub-tropis. Pada penelitian ini akan dikembangkan pemodelan MOS untuk daerah tropis seperti Indonesia khususnya di daerah Jabodetabek menggunakan data luaran NWP GFS yang diproduk oleh NOAA. Secara umum tujuan penelitian ini adalah mengembangkan prakiraan cuaca lokal dengan memanfaatkan luaran NWP dan data cuaca stasiun di beberapa stasiun di Jabodetabek, sedangkan lebih spesifik tujuan penelitian ini adalah sebagai berikut : 1) Menentukan domain spasial dari luaran NWP Global Forecast System (GFS) yang optimum untuk post processing dalam pendugaan parameter cuaca suhu maksimum, suhu minimum dan kejadian hujan harian. 2) Membangun model prakiraan unsur cuaca suhu maksimum dan suhu minimum, empat hari ke depan dengan timestep satu hari. 3) Membangun model prakiraan kejadian hujan harian dengan lima kategori (cerah, hujan ringan, hujan sedang, hujan lebat dan hujan lebat sekali) empat hari ke depan dengan timestep satu hari. Manfaat Penelitian 1) Menginformasikan metoda reduksi dimensi luaran model cuaca numerik yang paling tepat sehingga dalam pemanfaatannya dalam pembuatan prakiraan menjadi lebih efisien dari sisi waktu dan kompleksitasnya. Hal ini penting karena data luaran model cuaca numerik mempunyai dimensi yang besar, pada skala spasial mencakup wilayah seluruh dunia, secara temporal mempunyai timestep yang sangat pendek (3 jam), secara vertikal mempunyai kerapatan data yang tinggi (permukaan sampai dengan 10 mb) dan jumlah parameter yang besar. 2) Merupakan upaya awal dalam rangka mengoperasionalkan model prakiraan cuaca jangka pendek dengan memanfaatkan luaran model cuaca numerik. Operasional dalam arti mulai dari teknik download, konversi data, cropping data, reduksi dimensi dan pemodelan statistik. 3) Hasil penelitian ini dapat dioperasionalkan oleh BMKG dalam memberikan prakiraan cuaca jangka pendek sampai hari ke empat dengan timestep satu hari. Kerangka Pemikiran Cakupan penelitian ini adalah meliputi studi literatur tentang perkembangan teknik pemodelan post processing luaran NWP untuk prakiraan cuaca jangka

5 pendek dan permasalahan statistik yang sering timbul, penentuan domain spasial (dalam bentuk grid) dari NWP yang secara signifikan mempengaruhi kondisi cuaca lokal, menentukan peubah NWP-GFS yang berpotensi dapat dijadikan sebagai prediktor dalam model prakiraan MOS, pembuatan model prakiraan MOS untuk unsur suhu maksimum, suhu minimum, dan kejadian hujan harian. Lokasi yang dijadikan sebagai sampel penelitian adalah wilayah Jabodetabek di 8 (delapan) Stasiun Meteorologi. Tahapan penelitian seperti tercantum pada Gambar 1.1. Pemodelan MOS adalah menyusun pola hubungan statistik antara data luaran model NWP dengan peubah cuaca lokal. Data NWP-GFS berskala global yang mempunyai ukuran grid 0,5 o 0,5 o atau sekitar 55 km 55 km, dengan demikian diperlukan domain spasial yang tepat untuk menduga parameter cuaca lokal. Data NWP dari domain yang terpilih tersebut menjadi prediktor pemodelan yang menentukan dugaan parameter cuaca lokal. Sehingga penentuan domain spasial dari NWP-GFS menjadi langkah pertama dalam pemodelan MOS. 5 Gambar 1.1. Tahapan pemodelan prakiraan suhu maksimum, suhu minimum dan kejadian hujan harian Pada penelitian ini akan diduga parameter cuaca suhu, dan peluang kejadian hujan harian. Hasil identifikasi awal distribusi statistik dari data suhu udara maksimum dan minimum, dan curah hujan harian, menunjukkan bahwa suhu udara merupakan peubah kontinyu, linier dan berdistribusi normal, sedangkan data hujan harian bersifat non-linier dan besdistribusi Gamma. Untuk itu, pendugaan hujan harian diubah menjadi peluang kejadian hujan harian yang

6 6 merupakan data katagorik. Data luaran NWP-GFS bersifat curse of dimensionality dan mempunyai korelasi yang tinggi antar paramater, antar grid, antar waktu dan antar level; atau lebih dikenal terdapat multikolinieritas (Wigena 2006). Langkah awal adalah menentukan domain spasial optimum yang tepat untuk menduga parameter cuaca di daerah penelitian. Penentuan domain spasial digunakan metode singular value decomposition (SVD), korelasi spasial dan partial least square regression (PLSR). Untuk menanggulangi kondisi multikolinieritas, maka langkah kedua penelitian ini adalah menghilangkan multikolinieritas atau reduksi dimensi. Multikolinieritas dapat direduksi dengan menggunakan metoda PCA. Proses selanjutnya adalah pemodelan MOS yaitu pembuatan model statistik antara prediktor terpilih dengan parameter cuaca lokal. Untuk model suhu digunakan metode PLSR dan PCR, dan model prakiraan kejadian hujan harian menggunakan multiple categoric logistic reression (MCLR) dan principal component multiple categoric logistic reression (PC-MCLR). Permasalahan dalam pemodelan MOS adalah penentuan referensi jam yaitu mencocokkan jam data NWP-GFS dan data pengamatan ditinjau dari hubungan secara fisis. Suhu maksimum terjadi sekitar jam WIB, suhu munimum terjadi sekitar jam waktu setempat dan curah hujan harian merupakan akumulasi jam 07 sampai jam 07 hari berikutnya. Dengan referensi waktu yang demikian, perlu dipertimbangkan pola hubungan secara fisik dari prediktor terhadap parameter cuaca di atas. Performance model prakiraan baik pada saat pemodelan maupun implementasi akan dilakukan kalibrasi dan verifikasi. Kalibrasi dan verifikasi diukur berdasarkan nilai root mean square error of prediction (RMSEP) dan nilai korelasi. Model prakiraan yang mempunyai nilai RMSEP relatif kecil dan nilai korelasi mendekati satu adalah model yang mempunyai performance yang baik. Sistematika Penulisan Penulisan disertasi ini meliputi 7 bab. Bab 1 berisi latar belakang, perumusan masalah, kebaruan, tujuan sampai dengan manfaaat penelitian. Bab 2 merupakan Bab yang membahas tentang perkembangan teknik post processing model numerik, dimulai dari mengkaji model numerik cuaca NWP, sampai dengan perkembangan dan pemanfaatan MOS dalam operasional pembuatan prakiraan cuaca harian. Bab 3, 4 dan 5 secara umum merupakan inti dari hasil peneltian ini. Bab 3 membahas reduksi dimensi spasial dari luaran NWP yang secara statistik mempunyai pengaruh terhadap unsur cuaca di stasiun penelitian. Hasil dari Bab 3 ini merupakan dasar untuk membangun model pada Bab 4 dan 5. Bab 4 membahas tentang model prakiraan suhu maksimum dan suhu minimum menggunakan dua metoda yaitu PLSR dan principal component regression (PCR) dan masing-masing metode diterapkan pada dua model. Bab 5 membahas tentang model prakiraan kejadian hujan harian dengan lima kategori menggunakan dua metode yaitu (MCLR) dan (PC-MCLR) dan masing-masing diterapkan pada dua model berbeda. Bab 6 merupakan rangkuman hasil dan pembahasan secara umum dari Bab 2 sampai dengan Bab 5. Simpulan dan saran disajikan pada Bab 7.