V. PENYUSUNAN MODEL PREDIKSI CURAH HUJAN BERDASARKAN FENOMENA ENSO DAN IOD UNTUK MENENTUKAN RENCANA TANAM
|
|
- Susanto Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 V. PENYUSUNAN MODEL PREDIKSI CURAH HUJAN BERDASARKAN FENOMENA ENSO DAN IOD UNTUK MENENTUKAN RENCANA TANAM 5.1. Pendahuluan Curah hujan merupakan salah satu unsur iklim yang mempunyai variabilitas dan fluktuasi yang paling tinggi diantara unsur iklim lainnya di daerah tropis khususnya di Indonesia. Distribusi dan pola curah hujan yang teratur sangat besar peranannya dalam menentukan pertumbuhan dan hasil tanaman baik menurut skala ruang dan waktu sehingga dapat memberikan jaminan kesinambungan budidaya pertanian. Namun kondisi tersebut akan mengalami gangguan jika terjadi anomali iklim ekstrim. Penyimpangan cuaca/iklim yang terjadi di Indonesia dapat diakibatkan oleh perubahan suhu muka laut baik di wilayah pasifik Equatorial maupun di wilayah Samudera Hindia seperti kejadian ENSO dan IOD. Identifikasi sistem pertanaman dalam skala ruang dan waktu khususnya tanaman padi telah dilakukan oleh Badan Litbang Pertanian melalui Balai Besar Sumberdaya Lahan Pertanian (BBSDLP) dengan telah tersusunnya Kalender Tanam baik secara potensial maupun eksisting. Namun demikian belum ada informasi peluang terjadinya penyimpangan curah hujan baik diakibatkan oleh perubahan suhu muka laut di Samudera pasifik Equatorial maupun Samudera Hindia terutama pada wilayah-wilayah yang terindikasi kuat dipengaruhi oleh kedua fenomena iklim global tersebut. Berbagai teknik analisis dan pemilihan model dalam menyusun prediksi sudah banyak dilakukan dengan pendekatan analisis keterkaitan waktu seperti regresi fourier, analisis fractal, atau pendekatan analisis hubungan curah hujan dengan anomali suhu muka laut Nino 3,4 (Dupe dan Tjasyono 1998; Boer 1999). Namun demikian penggunaan jaringan syaraf tiruan (neural network, NN) merupakan alternatif pilihan sebagai salah satu model untuk menentukan peluang penyimpanan curah hujan karena mempunyai keunggulan utama yaitu terletak pada kemampuannya merepresentasikan hubungan-hubungan liniear maupun nonlinear, terutama hubungan-hubungan nonlinear yang rumit. NN meniru kerja 99
2 otak manusia dalam proses penyelesaian dan penyimpanan memori sehingga dapat memprediksi curah hujan dengan pola acak kejadian hujan yang lebih baik. Dalam dua tahun terakhir metoda NN diaplikasikan dalam memprediksi curah hujan. Koesmaryono et al. (2007) menggunakan jaringan syaraf untuk memprediksi curah hujan 3 bulanan di Wilayah Subang-Karawang dan memperoleh hasil yang sangat baik dengan nilai cakupan untuk Subang dan Karawang masing-masing 0.88 dan Model tersebut memiliki sensitivitas dengan tingkat kesalahan maksimum 5.1 mm untuk Karawang dan sensitivitas dengan tingkat kesalahan maksimum 7.9 mm untuk wilayah Subang. Namun demikian model tersebut masih belum mampu memprediksi nilai-nilai ekstrim curah hujan yang terjadi sewaktu-waktu. Pramudia (2008) memprediksi curah hujan di sentra produksi padi Pantura Banten, Pantura Jawa Barat, dan Kabupaten Garut yang dilakukan dengan menggunakan analisis jaringan syaraf propagasi terbalik memperoleh hasil ketepatan model antara % dan tingkat kesalahan prediksi berkisar 4,1 hingga 7,2 mm/bulan. Model menggunakan data masukan nilai anomali ENSO dan SOI tiga bulan sebelumnya dan menghasilkan nilai prediksi yang dibatasi oleh nilai minimum dan nilai maksimum tertentu, sehingga hasil prediksinya terlihat tidak lentur karena terbatas pada kisaran tertentu. Selanjutnya Eksawati (2009) menggunakan analisis jaringan syaraf propagasi terbalik dengan input nilai anomali ENSO dan SOI empat bulan sebelumnya, menghasilkan model terbaik dengan R 2 sebesar 84% dan 77% pada dua stasiun yang berbeda. Pada penelitian ini dikembangkan alternatif model prediksi curah hujan dengan menggunakan metode analisis jaringan syaraf propagasi balik dengan memasukkan fenomena iklim ENSO dan IOD pada berbagai perbedaan (lag) dasarian untuk memprediksi curah hujan pada kalender tanam padi di wilayahwilayah yang terindikasi kuat dipengaruhi oleh kedua fenomena iklim global tersebut pada periode sepuluh harian (dasarian) Metodologi Model prediksi curah hujan menggunakan Artificial Neural Network (ANN) dan potensi waktu tanam optimal untuk perencanaan tanam untuk lahan tadah hujan menggunakan WARM Ver 2 (Runtunuwu et al. 2007), dan lahan 100
3 irigasi menggunakan neraca air lahan sawah irigasi (Kartiwa 2009). Penelitian mengambil studi di wilayah yang dipengaruhi oleh fenomena ENSO dan IOD yaitu di Indramayu pada wilayah monsunal serta di Pesisir Selatan pada wilayah Equatorial. Untuk pembanding dilakukan pula analisis di wilayah yang tidak terkena dampak baik di wilayah monsunal maupun di equatorial masing-masing di Cianjur dan Solok Bahan Penelitian Bahan-bahan yang digunakan dalam penelitian ini antara lain: 1. Data curah hujan harian dari tiga stasiun di Indramayu masing-masing Anjatan, Krangkeng dan Kertasemaya, di Cianjur masing-masing di Warungkondang dan Ciranjang, dua stasiun Pesisir Selatan masing-masing Tarusan dan batang Kapas serta satu stasiun di Solok yaitu Sumani. Periode tahun Data nilai SST (Sea Surface Temperature) di wilayah Nino 3.4 periode tahun dan prediksi ENSO tahun 2010/ Data nilai SST (Sea Surface Temperature) dan DMI (Dipole Mode Index) Samudera Hindia periode tahun dan prediksi IOD tahun 2010/2011. Alat yang digunakan dalam penelitian ini adalah seperangkat PC (personal computer) dengan piranti lunak untuk pengolah kata dan pengolah data (Microsoft Word, Microsoft Excel, dan Arc View) Pengumpulan Data Tahap awal penelitian adalah pengumpulan data yang dibutuhkan sebagai bahan penelitian di Indramayu, Cianjur, Solok dan Pesisir Selatan. Data yang dikumpulkan adalah data curah hujan harian dari semua stasiun curah hujan, peta informasi stasiun curah hujan dan klimatologi di wilayah penelitian. Pengumpulan data dilakukan secara langsung, yaitu dengan mendatangi beberapa lembaga/ instansi yang menyediakan data-data tersebut. 101
4 Persiapan Data Data yang terkumpul kemudian dientri dalam bentuk data digital dengan format yang siap untuk dianalisis. Data kosong diduga dengan menggunakan interpolasi spasial menggunakan Arc View Penyusunan Model Prediksi Curah Hujan Model prediksi dibangun untuk memprediksi curah hujan ke depan dari rata-rata normalnya yang disajikan curah hujan dasarian. Keluaran model (Y) merupakan nilai curah hujan pada waktu tiga dasarian ke depan (Y=CHt+3), sedangkan data masukan yang digunakan adalah nilai kode dasarian (X 1 =t), nilai curah hujan pada dasarian ini (X 2 =CHt), nilai curah hujan dasarian depan (X 3 =CHt+1) dan nilai curah hujan dua dasarian berikutnya (X 4 =CHt+2), nilai DMI pada dasaian ini (X 5 =DMIt) dan nilai Anomali Nino-3.4 pada dasarian ini (X 6 =AnoNino-3.4t) Untuk mendapatkan model terbaik dalam penyusunan model dilakukam coba-coba (trial and error) yang mengkombinasikan peubah-peubah X 1, X 2, X 3, X 4, X 5,dan X 6 dengan melakukan langkah-langkah training analisis jaringan syaraf untuk menetapkan koefisien persamaan sebagai berikut: (1) Inisialisasi: Langkah ini meliputi (a) Normalisasi data input X i dan nilai target t k kedalam kisaran [0... 1], dan Penetapan nilai awal untuk semua pembobot w ij untuk matriks X dan v jk untuk matriks H, yaitu suatu matrik antara yang disembunyikan. Gambar 5.1 Skema jaringan recurrent neural network. 102
5 Simpul (neuron atau node) dalam model jaringan saraf adalah unsur-unsur atau satuan pengolahan yang terhubungkan satu sama lain dan membentuk suatu jaringan. Dimana hubungan antar simpul tersebut memiliki sebuah nilai tertentu yang disebut dengan bobot. (2) Langkah Maju Tahap untuk pendugaan t dan y ; mencakup (a) menentukan training set untuk data input X i dan nilai target t k, menghitung h j dan y k melalui persamaan berikut: dimana: 1 y k 1 e 1 hj 1 e v jk h j w ij x i Σwijxi = w0j + w1j * X1 + w2j * X2 + w3j * X3 + w4j * X4 + w5j * X5 + w6j * X6 Y k = X t+3 subskrip j akan merujuk pada urutan dalam matrik H. (3) Penentuan nilai galat Nlilai galat (e) ditentukan per tahun dengan menggunakan persamaan sebagai berikut: E = p 0.5 ( tkp ykp)2 dimana t kp = nilai target data ke-p dari training set node k, dan y kp = nilai dugaan data ke-p dari training set node k. (4) Proses learning atau training set Proses ini untuk menentukan nilai bobot v jk dan w ij melalui iterasi. Target dari proses iterasi adalah menentukan nilai y sedekat mungkin dengan nilai t sehingga menghasilkan galat yang mendekati nilai nol. Proses dihentikan jika galat pada iterasi ke-(m) dengan iterasi ke-(m-1) berselisih 0, Validasi model prediksi curah hujan Validasi model dilakukan untuk menggunakan model yang sudah tersusun pada tahap penyusunan model untuk memprediksi data hujan yang berbeda 103
6 dengan tahap penyusunan model kemudian dibandingkan dengan data aktualnya. Validasi model menggunakan data tahun Penentuan prediksi curah hujan Setelah dilakukan validasi model, dan model yang tersusun dianggap memenuhi syarat untuk digunakan, selanjutnya model tersebut digunakan untuk memprediksi curah hujan Musim Tanam (MT) 2010/2011. Hasil penentuan prediksi kemudian dibandingkan dengan curah hujan pada tahun normal, El Niño maupun IOD positif. Hasil tersebut untuk menentukan rencana waktu tanam pada musim tanam berikutnya Hasil dan pembahasan model prediksi curah hujan. Model prediksi curah hujan disusun berdasarkan pengembangan dari model prediksi yang telah disusun oleh Koesmaryono et al. (2007) dari prediksi bulanan menjadi dasarian dengan maksud untuk melihat prediksi curah hujan dari rata-rata normalnya selama tiga dasarian ke depan. Model menggunakan data series curah hujan, nilai Anomali SPL zona Nino3.4 dan nilai DMI. Model disusun dengan melakukan uji coba (trial and error) dengan menggunakan jumlah simpul dalam lapisan tersembunyi (H) mulai 8 sampai dengan 15 yang dikombinasikan dengan nilai bobot awal (W) antara 0,1-1,0. Penambahan simpul dilakukan sampai diperoleh nilai R 2 yang terbesar atau nilai MSE yang terkecil dan perubahan nilai R 2 relatif konstan. Satu kali iterasi menunjukkan satu kali proses penghitungan nilai prediksi. Penyusunan model dilakukan dengan mengulang proses iterasi tersebut. Nilai bobot awal ditetapkan berdasarkan hasil penelitian sebelumnya yang dilakukan oleh Pramudia (2008), sehingga diperoleh kisaran nilai bobot awal yang diharapkan mampu memberikan hasil terbaik yaitu dalam 4 taraf berbeda yaitu 0.25, 0.5, 0.75 dan Model prediksi di wilayah Monsunal. A. Training model Hasil training di wilayah monsunal baik di Indramayu maupun Cianjur menggunakan model dengan jumlah simpul 15. Penambahan simpul cenderung 104
7 akan meningkatkan kualitas dan ketelitian model. Akan tetapi penambahan lapisan tersebut juga meningkatkan jumlah iterasi, sehingga dibutuhkan waktu yang lebih lama. Jumlah tersebut menghasilkan model lebih baik dibandingkan dengan hasil iterasi menggunakan jumlah simpul yang lebih kecil. Hasil training menunjukkan perbedaan nilai MSE dan R 2 pada wilayah yang terkena dampak (Indramayu) dan tidak terkena dampak (Cianjur). Nilai R 2 di Indramayu yang yang diwakili Stasiun Anjatan, Krangkeng dan Kertasemaya berkisar antara relatif lebih baik dibandingkan dengan di Cianjur yang diwakili Stasiun Warungkondang dan Ciranjang hanya mempunyai nilai R 2 antara (Tabel 5.1). Hal tersebut menunjukkan bahwa model dengan menggunakan input data ENSO maupun IOD di Indramayu semakin baik dan mampu menerangkan total variabilitas dengan proporsi tinggi. Hasil tersebut diperkuat dengan pola yang ditunjukkan pada Gambar 5.2 yang menunjukkan model yang lentur. Kelenturan model terlihat dengan jelas dibuktikan oleh nilai prediksi mampu mengikuti pola nilai aktual. Hampir semua nilai-nilai esktrim tinggi dapat dijangkau oleh model dengan baik, demikian juga dengan nilai yang rendah. Model yang disusun dengan memasukkan parameter curah hujan, nilai anomali SPL Nino3.4 dan DMI ternyata cukup mampu menggambarkan variabilitas curah hujan di Kabupaten Indramayu. Hal ini diperkuat dengan hasil pengamatan sebelumnya yang menunjukkan bahwa ENSO dan IOD berpengaruh kuat di sebagian besar Kabupaten Indramayu. Tabel 5.1 Jumlah Iterasi, Nilai MSE, dan R 2 di beberapa stasiun hujan wilayah pola hujan Monsun. Stasiun Hujan Jumlah Simpul Nilai Bobot Awal Jumlah Iterasi MSE R 2 (%) INDRAMAYU Anjatan Krangkeng Kertasemaya CIANJUR Warungkondang Ciranjang Hasil yang berbeda diperoleh di Cianjur. Kelenturan model sebagian besar tidak mampu mengikuti nilai aktualnya (Gambar 5.3). Nilai tinggi dan rendah 105
8 tidak mampu digambarkan seluruhnya oleh model sehingga model tidak disarankan untuk digunakan dalam memprediksi curah hujan di wilayah tersebut. (a) (c) Gambar 5.2 Hasil training di Stasiun (a) Anjatan, Krangkeng dan (c) Kertasemaya Kabupaten Indramayu. 106
9 (a) Gambar 5.3 Hasil training di Stasiun (a) Warungkondang dan Ciranjang Kabupaten Cianjur. B. Validasi model Validasi hanya dilakukan terhadap model terbaik hasil proses training dengan cara menggunakan data aktual yang dibandingkan dengan hasil prediksinya pada periode Hasil validasi untuk Kabupaten Indramayu ditampilkan dalam Gambar 5.4. Dari gambar terlihat bahwa model mampu memprediksi nilai-nilai curah hujan dengan fluktuasi acak yang seirama dengan nilai aktualnya. 107
10 (a) (c) Gambar 5.4. Hasil validasi di Stasiun (a) Anjatan, Krangkeng dan (c) Kertasemaya Kabupaten Indramayu. 108
11 C. Prediksi model Analisis model prediksi pada wilayah curah hujan monsun hanya dilakukan di Indramayu karena berdasarkan hasil training pengembangan model prediksi tersebut tidak menunjukkan hasil yang baik bila dilakukan di Cianjur. Hal tersebut dapat difahami mengingat Kabupaten Cianjur tidak terpengaruh baik oleh ENSO maupun IOD. Hasil analisis untuk kabupaten Indramayu yang diwakili oleh Stasiun Anjatan, Krangkeng dan Kertasemaya menunjukkan bahwa di wilayah tersebut saat memasuki periode September - November tahun 2010 diperkirakan curah hujan sebagian besar berada di atas rata-rata normalnya (Gambar 5.5). Kondisi tersebut terus berlangsung sampai dengan periode Desember 2010 Februari Namun pada saat memasuki periode Maret 2011 Mei 2011, curah hujan di Anjatan dan Krangkeng diperkirakan berada di bawah normalnya, tepatnya setelah memasuki Maret III. Dengan kondisi curah hujan tersebut di atas baik di Anjatan, Krangkeng maupun Kertasemaya diperkirakan indeks kecukupan air akan berada di atas batas kritis indeks saat memasuki Oktober II sehingga awal tanam padi lahan tadah hujan dapat dilakukan pada periode tersebut. Potensi masa tanam di Anjatan dan Kertasemaya relatif lebih panjang 3 sampai 4 dasarian dibandingkan dengan di Krangkeng (Gambar 5.6). Untuk lahan sawah irigasi memasuki September III/ Oktober I diperkirakan defisit ketersediaan air relatif rendah sampai dengan sedang sehingga awal tanam padi dapat dilakukan pada awal Oktober, lebih awal dibandingkan dengan lahan tadah hujan. Potensi waktu tanam pada lahan irigasi lebih panjang 3 sampai 5 dasarian dibandingkan dengan lahan tadah hujan (Gambar 5.7). Pada kondisi basah, potensi waktu tanam lebih cepat satu dasarian di lahan tadah hujan dan dua dasarian di lahan irigasi dibandingkan pada kondisi normal. Karena pada periode Maret Mei 2011 diperkirakan curah hujan di bawah ratarata dan indeks kecukupan air untuk palawija maka disarankan rotasi tanam di lahan tadah hujan adalah Padi-Padi-Bera. Untuk lahan irigasi karena fluktuasi defisit ketersediaan air relatif rendah maka disarankan Padi-Padi-Palawija. 109
12 (a) (c) ) Gambar 5.5 Prediksi di (a) Anjatan, Krangkeng dan (c) Kertasemaya. 110
13 (a) (c) Gambar 5.6. Fluktuasi indeks kecukupan air pada lahan tadah hujan di (a) Anjatan, Krangkeng dan (c) Kertasemaya. 111
14 (a) ) (c) ) (c) ) Gambar 5.7. Fluktuasi defisit ketersediaan air pada lahan irigasi di (a) Anjatan, Krangkeng dan (c) Kertasemaya. 112
15 5.3.2 Model Prediksidi Wilayah Equatorial. A. Training model Seperti halnya pada pola hujan monsun, hasil training di wilayah pola hujan Equatorial baik di Pesisisir Selatan maupun Solok menggunakan model dengan jumlah simpul 15. Hasil training menunjukkan perbedaan nilai MSE dan R 2 pada wilayah yang terkena dampak (Pesisir Selatan) dan tidak terkena dampak (Solok). Nilai R 2 di Pesisir Selatan yang yang diwakili Stasiun Tarusan dan Batang Kapas berkisar antara Nilai tersebut relatif lebih baik dibandingkan dengan di Solok diwakili Stasiun Sumani yang hanya mempunyai nilai R 2 antara 0.52 (Tabel 5.2). Model dengan menggunakan input data ENSO maupun IOD di Pesisir Selatan lebih mampu menerangkan total keragaman dengan proporsi yang lebih tinggi dibandingkan dengan di Solok. Pola yang ditunjukkan Gambar 5.8 memperkuat presisi model yang dibuktikan dengan kelenturan pola prediksi yang mampu mengikuti pola nilai aktualnya. Sebagian besar nilai-nilai esktrim tinggi dapat dijangkau oleh model dengan baik, demikian juga dengan nilai yang rendah. Variabilitas curah hujan di Pesisir Selatan dapat digambarkan dengan baik dengan menggunakan model yang disusun dengan memasukkan parameter curah hujan, nilai anomali SPL Nino3.4 dan DMI. Berbeda dengan Pesisir Selatan, hasil analisis di Solok menunjukkan kelenturan model sebagian besar tidak mampu mengikuti nilai aktualnya (Gambar 5.8). Sebagian besar nilai tinggi dan rendah tidak mampu digambarkan oleh model sehingga model tidak disarankan untuk digunakan dalam memprediksi curah hujan di wilayah tersebut. Tabel 5.2. Jumlah iterasi, Nilai MSE, dan R 2 di beberapa stasiun hujan wilayah pola hujan Equatorial. Stasiun Jumlah Nilai Bobot Jumlah Hujan Simpul Awal Iterasi MSE R 2 (%) PESISIR SELATAN Tarusan Batang Kapas SOLOK Sumani
16 (a) (c) Gambar 5.8. Hasil training di Stasiun (a) Tarusan, Sutera di Kabupaten Pesisir Selatan dan (c) Sumani di Kabupaten Solok 114
17 B. Validasi model Sama halnya dengan di wilayah pola hujan monsun, validasi hanya dilakukan terhadap model terbaik hasil proses training. Hasil validasi untuk Kabupaten Pesisir Selatan ditampilkan dalam Gambar 5.9. Dari gambar terlihat bahwa model mampu memprediksi nilai-nilai curah hujan dengan fluktuasi acak yang seirama dengan nilai aktualnya. (a) ) ) Gambar 5.9. Hasil validasi di Stasiun (a) Tarusan, dan Batang Kapas Kabupaten Pesisir Selatan. 115
18 C. Prediksi model Analisis model prediksi pada wilayah curah hujan Equatorial hanya dilakukan di Pesisir Selatan karena berdasarkan hasil training pengembangan model prediksi tersebut tidak menunjukkan hasil yang baik bila dilakukan di Solok. Hal tersebut didukung dengan hasil karakterisasi wilayah yang menunjukkan bahwa Kabupaten Solok tidak terpengaruh baik oleh ENSO maupun IOD. Hasil analisis untuk kabupaten Pesisir Selatan yang diwakili oleh Stasiun Tarusan menunjukkan bahwa di wilayah tersebut saat memasuki periode September - November tahun 2010 diperkirakan curah hujan sebagian besar berada di atas rata-rata normalnya. Kondisi tersebut terus berlangsung sampai dengan periode Maret 2011 Mei Curah hujan di Batang Kapas untuk periode September November berada di bawah rata-rata normalnya saat memasuki September II/III, namun tidak berlangsung lama karena memasuki Oktober I kembali berada di atas rata-rata normalnya hingga Akhir November. Pada periode Desember Februari, kondisi di bawah normal rata-ratanya terjadi saat memasuki Februari I/II. Pada periode Maret- Mei, curah hujan pada umumnya berada dalam kondisi normal kecuali pada Maret II dan April III, curah hujan di bawah normal rata-ratanya (Gambar 5.10) Dengan kondisi curah hujan tersebut di atas baik di Tarusan maupun di Batang Kapas, diperkirakan indeks kecukupan air akan berada di atas batas kritis indeks saat memasuki September III. Kondisi tersebut tidak menunjukan pergeseran potensi tanam pada umumnya sehingga awal tanam padi lahan tadah hujan dapat dilakukan pada Akhir September sampai awal Oktober dan berlangsung hingga Maret I/II (Gambar 5.11). Untuk lahan sawah irigasi memasuki Agustus III/ September I diperkirakan defisit ketersediaan air relatif rendah sampai dengan sedang sehingga awal tanam padi dapat dilakukan pada awal September, lebih awal 1-2 dasarian dibandingkan dengan lahan tadah hujan. (Gambar 5.12). Karena pada periode Maret Mei 2011 diperkirakan curah hujan di aratarata dan indeks kecukupan air lebih dari 0.65 maka disarankan rotasi tanam di lahan tadah hujan maupun irigasi adalah Padi-Padi-Palawija. 116
19 (a) ) ) Gambar Prediksi di (a) Tarusan, dan Batang Kapas Kabupaten Pesisir Selatan. (a) Gambar Potensi tanam berdasarkan Fluktuasi indeks kecukupan air pada lahan tadah hujan di (a) Tarusan, dan Batang Kapas kabupaten Pesisir Selatan 117
20 (a) Gambar Potensi tanam berdasarkan defisit ketersediaan air pada lahan tadah hujan di (a) Tarusan, dan Batang Kapas kabupaten Pesisir Selatan Simpulan model prediksi curah hujan. Hasil training di Indramayu mempunyai nilai R 2 berkisar antara dan di Cianjur berkisar antara Karena nilai di Cianjur rendah maka analisis prediksi curah hujan hanya dilakukan di Indramayu. Hasil validasi di Indramayu menunjukkan model mampu memprediksi nilai-nilai curah hujan dengan fluktuasi acak yang seirama dengan nilai aktualnya. Periode September - November tahun 2010 curah hujan sebagian besar berada di atas rata-rata normalnya. Kondisi tersebut terus berlangsung sampai dengan periode Desember 2010 Februari Saat memasuki periode Maret 2011 Mei 2011, curah hujan berada di bawah normalnya setelah memasuki Maret III. 118
21 Onset di Indramayu pada Oktober II 2010 untuk lahan sawah tadah hujan dan September III/ Oktober I 2010 untuk lahan sawah irigasi. Hasil training di Pesisir Selatan mempunyai nilai R2 berkisar antara dan di Solok Karena nilai di Solok rendah maka analisis prediksi curah hujan hanya dilakukan di Pesisir Selatan. Hasil validasi di Pesisir Selatan menunjukkan kelenturan pola prediksi yang mampu mengikuti pola nilai aktualnya. Sebagian besar nilai-nilai esktrim tinggi dapat dijangkau oleh model dengan baik, demikian juga dengan nilai yang rendah. Periode September - November tahun 2010 curah hujan sebagian besar berada di atas rata-rata normalnya. Kondisi tersebut terus berlangsung sampai dengan periode Desember 2010 Mei 2011 di Tarusan. Di Batang Kapas relatif berfluktuasi saat memasuki Februari I sampai dengan Maret II. Onset di Pesisir Selatan pada September III/ Oktober I 2010 untuk lahan sawah tadah hujan dan September I/ September II 2010 untuk lahan sawah irigasi. 119
IV. PENETAPAN WAKTU TANAM OPTIMAL PADA WILAYAH TERKENA DAMPAK ENSO DAN IOD
IV. PENETAPAN WAKTU TANAM OPTIMAL PADA WILAYAH TERKENA DAMPAK ENSO DAN IOD 4.1. Pendahuluan Kondisi iklim dan ketersediaan air yang optimal bagi pertumbuhan dan perkembangan tanaman sangat diperlukan dalam
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 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 terperinciArti Penting Kalender Tanam (Katam) Padi
PENGEMBANGAN STANDAR OPERASIONAL PROSEDUR ADAPTASI KALENDER TANAM PADI TERHADAP ENSO IOD BERBASIS KALENDER TANAM PADI TERHADAP ENSO SUMBERDAYA IKLIM DAN AIR Mengetahui waktu dan pola tanam di daerah tertentu
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1. Analisis pengaruh ENSO dan IOD terhadap curah hujan Pola hujan di Jawa Barat adalah Monsunal dimana memiliki perbedaan yang jelas antara periode musim hujan dan periode musim
Lebih terperinciBuletin Analisis Hujan dan Indeks Kekeringan Bulan Juli 2012 dan Prakiraan Hujan Bulan September, Oktober dan November 2012 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan Juli 2012 serta Prakiraan Hujan Bulan September, Oktober dan November 2012 disusun berdasarkan hasil pengamatan dari 60 stasiun dan pos hujan di wilayah
Lebih terperinciBuletin Analisis Hujan dan Indeks Kekeringan Bulan April 2012 dan Prakiraan Hujan Bulan Juni, Juli dan Agustus 2012 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan April 2012 serta Prakiraan Hujan Bulan Juni, Juli dan Agustus 2012 disusun berdasarkan hasil pengamatan dari 60 stasiun dan pos hujan di wilayah Jawa
Lebih terperinciYayan Apriyana 1 dan Lindawati Balai Penelitian Agroklimat dan Hidrologi Bogor 2. Institut Pertanian Bogor
APLIKASI MODEL PREDIKSI CURAH HUJAN PADA DUA SENTRA PRODUKSI PADI DI JAWA BARAT Application of Rainfall Prediction Model on Two Rice Production Centers, in West Java Yayan Apriyana 1 dan Lindawati 2 1.
Lebih terperinciKEPALA STASIUN KLIMATOLOGI
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan September 2013 serta Prakiraan Hujan Bulan November, Desember 2013 dan Januari 2014 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun
Lebih terperinciBuletin Analisis Hujan Bulan April 2013 dan Prakiraan Hujan Bulan Juni, Juli dan Agustus 2013 KATA PENGANTAR
Buletin Analisis Hujan Bulan April 2013 dan Prakiraan Hujan Bulan Juni, Juli dan Agustus 2013 KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan April 2013 serta Prakiraan Hujan Bulan Juni, Juli dan
Lebih terperinciTabel Lampiran 1. Hasil Perhitungan Analisis Neraca Air dengan Kecamatan Anjatan Kabupaten Indramayu Tahun Normal. Tabel Lampiran 2. Hasil Perhitungan
LAMPIRAN 167 Tabel Lampiran 1. Hasil Perhitungan Analisis Neraca Air dengan Kecamatan Anjatan Kabupaten Indramayu Tahun Normal. Tabel Lampiran 2. Hasil Perhitungan Analisis Neraca Air dengan Kecamatan
Lebih terperinciBuletin Analisis Hujan dan Indeks Kekeringan Bulan Desember 2012 dan Prakiraan Hujan Bulan Februari, Maret dan April 2013 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan Desember 2012 serta Prakiraan Hujan Bulan Februari, Maret dan April 2013 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun dan pos hujan
Lebih terperinciBuletin Analisis Hujan Bulan Januari 2013 dan Prakiraan Hujan Bulan Maret, April dan Mei 2013 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan Januari 2013 serta Prakiraan Hujan Bulan Maret, April dan Mei 2013 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun dan pos hujan di
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 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 terperinciBuletin Analisis Hujan Bulan Februari 2013 dan Prakiraan Hujan Bulan April, Mei dan Juni 2013 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan Februari 2013 serta Prakiraan Hujan Bulan April, Mei dan Juni 2013 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun dan pos hujan di
Lebih terperinciPengembangan Model Jaringan Syaraf Tiruan untuk Prediksi Curah Hujan (M. Syarifuddin et al.)
Pengembangan Model Jaringan Syaraf Tiruan untuk Prediksi Curah Hujan (M. Syarifuddin et al.) PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN UNTUK PREDIKSI CURAH HUJAN BULANAN DAN PEMANFAATANNYA BAGI PERENCANAAN
Lebih terperinciKATA PENGANTAR. Semarang, 22 maret 2018 KEPALA STASIUN. Ir. TUBAN WIYOSO, MSi NIP STASIUN KLIMATOLOGI SEMARANG
KATA PENGANTAR Stasiun Klimatologi Semarang setiap tahun menerbitkan buku Prakiraan Musim Hujan dan Prakiraan Musim Kemarau daerah Propinsi Jawa Tengah. Buku Prakiraan Musim Hujan diterbitkan setiap bulan
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 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 IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPENETAPAN KALEN DER TANAM PADI
PENETAPAN KALENDER TANAM PADI BERDASARKAN FENOMENA ENSO (El Niño Southern Oscillation) DAN IOD (Indian Ocean Dipole) DI WILAYAH MONSUNAL DAN EQUATORIAL YAYAN APRIYANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN
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 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 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 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 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 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 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 terperinciANALISIS HUJAN BULAN JUNI 2011 DAN PRAKIRAAN HUJAN BULAN AGUSTUS, SEPTEMBER DAN OKTOBER 2011 PROVINSI DKI JAKARTA
ANALISIS HUJAN BULAN JUNI 2011 DAN PRAKIRAAN HUJAN BULAN AGUSTUS, SEPTEMBER DAN OKTOBER 2011 PROVINSI DKI JAKARTA 1. TINJAUAN UMUM 1.1. Curah Hujan Curah hujan merupakan ketinggian air hujan yang jatuh
Lebih terperinciANALISIS HUJAN BULAN OKTOBER 2011 DAN PRAKIRAAN HUJAN BULAN DESEMBER 2011, JANUARI DAN FEBRUARI 2012 PROVINSI DKI JAKARTA 1.
ANALISIS HUJAN BULAN OKTOBER 2011 DAN PRAKIRAAN HUJAN BULAN DESEMBER 2011, JANUARI DAN FEBRUARI 2012 PROVINSI DKI JAKARTA 1. TINJAUAN UMUM 1.1. Curah Hujan Curah hujan merupakan ketinggian air hujan yang
Lebih terperinciRainfall Prediction Modeling using Neural Network Analysis Technics at Paddy Production Centre Area in West Java and Banten ABSTRAK PENDAHULUAN
Penyusunan Model Curah Hujan dengan Teknik Analisis Jaringan Syaraf (Neural Network Analysis) di Sentra Produksi Padi di Jawa Barat dan Banten Rainfall Prediction Modeling using Neural Network Analysis
Lebih terperinciGambar 3 Sebaran curah hujan rata-rata tahunan Provinsi Jawa Barat.
11 yang akan datang, yang cenderung mengalami perubahan dilakukan dengan memanfaatkan keluaran model iklim. Hasil antara kondisi iklim saat ini dan yang akan datang dilakukan analisis dan kemudian dilakukan
Lebih terperinciKATA PENGANTAR. Negara, September 2015 KEPALA STASIUN KLIMATOLOGI NEGARA BALI. NUGA PUTRANTIJO, SP, M.Si. NIP
1 KATA PENGANTAR Publikasi Prakiraan Awal Musim Hujan 2015/2016 di Propinsi Bali merupakan salah satu bentuk pelayanan jasa klimatologi yang dihasilkan oleh Stasiun Klimatologi Negara Bali. Prakiraan Awal
Lebih terperinciANALISIS HUJAN BULAN MEI 2011 DAN PRAKIRAAN HUJAN BULAN JULI, AGUSTUS DAN SEPTEMBER 2011 PROVINSI DKI JAKARTA
ANALISIS HUJAN BULAN MEI 2011 DAN PRAKIRAAN HUJAN BULAN JULI, AGUSTUS DAN SEPTEMBER 2011 PROVINSI DKI JAKARTA Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG
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 terperinciPRAKIRAAN MUSIM HUJAN 2011/2012 PADA ZONA MUSIM (ZOM) (DKI JAKARTA)
PRAKIRAAN MUSIM HUJAN 2011/2012 PADA ZONA MUSIM (ZOM) (DKI JAKARTA) Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA I. PENDAHULUAN Wilayah Indonesia berada pada posisi strategis, terletak di daerah
Lebih terperinciKATA PENGANTAR PANGKALPINANG, APRIL 2016 KEPALA STASIUN METEOROLOGI KLAS I PANGKALPINANG MOHAMMAD NURHUDA, S.T. NIP
Buletin Prakiraan Musim Kemarau 2016 i KATA PENGANTAR Penyajian prakiraan musim kemarau 2016 di Provinsi Kepulauan Bangka Belitung diterbitkan untuk memberikan informasi kepada masyarakat disamping publikasi
Lebih terperinciPropinsi Banten dan DKI Jakarta
BADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan (12070) Telp. (021) 7353018 / Fax: 7355262 E-mail: staklim.pondok.betung@gmail.com,
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
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 terperinciPRAKIRAAN MUSIM KEMARAU 2017 REDAKSI
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa atas perkenannya, kami dapat menyelesaikan Buku Prakiraan Musim Kemarau Tahun 2017 Provinsi Kalimantan Barat. Buku ini berisi kondisi dinamika atmosfer
Lebih terperinciPENGEMBANGAN MODEL KALENDER TANAM DINAMIK SEBAGAI TEKNOLOGI ADAPTASI
125 VII. PENGEMBANGAN MODEL KALENDER TANAM DINAMIK SEBAGAI TEKNOLOGI ADAPTASI 7.1. Pendahuluan Salah satu informasi yang dirasakan sangat penting dalam kaitan dengan penjadwalan penanaman petani adalah
Lebih terperinciPRAKIRAAN MUSIM 2017/2018
1 Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa atas perkenannya, kami dapat menyelesaikan Buku Prakiraan Musim Hujan Tahun Provinsi Kalimantan Barat. Buku ini berisi kondisi dinamika atmosfer
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 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 terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
Lebih terperinciKAT (mm) KL (mm) ETA (mm) Jan APWL. Jan Jan
BAB IV HASIL DAN PEMBAHASAN 4.1 Kerentanan Produktifitas Tanaman Padi Analisis potensi kerentanan produksi tanaman padi dilakukan dengan pendekatan model neraca air tanaman dan analisis indeks kecukupan
Lebih terperinciBADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI KLAS II PONDOK BETUNG ANALISIS MUSIM KEMARAU 2013 DAN PRAKIRAAN MUSIM HUJAN 2013/2014
BADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI KLAS II PONDOK BETUNG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan (12070) Telp. (021) 7353018 / Fax: 7355262 E-mail: staklim.pondok.betung@gmail.com,
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 HUJAN BULAN JANUARI 2011 DAN PRAKIRAAN HUJAN BULAN MARET, APRIL, DAN MEI 2011 PROVINSI DKI JAKARTA
ANALISIS HUJAN BULAN JANUARI 2011 DAN PRAKIRAAN HUJAN BULAN MARET, APRIL, DAN MEI 2011 PROVINSI DKI JAKARTA Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciBADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI KLAS II PONDOK BETUNG
B M K G BADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI KLAS II PONDOK BETUNG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan (12070) Telp. (021) 7353018 / Fax: 7355262 E-mail: staklim.pondok.betung@gmail.com,
Lebih terperinciBADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI KLAS II PONDOK BETUNG
B M K G BADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI KLAS II PONDOK BETUNG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan (12070) Telp. (021) 7353018 / Fax: 7355262 E-mail: staklim.pondok.betung@gmail.com,
Lebih terperinciPENGANTAR. Bogor, Maret 2016 KEPALA STASIUN KLIMATOLOGI DARMAGA BOGOR
PENGANTAR Badan Meteorologi Klimatologi dan Geofísika () setiap tahun menerbitkan dua buku Prakiraan Musim yaitu Prakiraan Musim Kemarau diterbitkan setiap awal Maret dan Prakiraan Musim Hujan setiap awal
Lebih terperinciKATA PENGANTAR. merupakan hasil pemutakhiran rata-rata sebelumnya (periode ).
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 terperinciANALISIS MUSIM KEMARAU 2015 DAN PRAKIRAAN MUSIM HUJAN 2015/2016
B M K G BADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI KLAS II PONDOK BETUNG Jln. Raya Kodam Bintaro No. 82 Tangerang Selatan Telp. (021) 7353018 / Fax: 7355262 E-mail: staklim.pondok.betung@gmail.com,
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 terperinciBADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG
BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan ( 12070 ) Telp. (021) 7353018, Fax: (021) 7355262 E-mail: staklim.pondok.betung@gmail.com,
Lebih terperinciANALISIS MUSIM KEMARAU 2011 DAN PRAKIRAAN MUSIM HUJAN 2011/2012 PROVINSI DKI JAKARTA
ANALISIS MUSIM KEMARAU 2011 DAN PRAKIRAAN MUSIM HUJAN 2011/2012 PROVINSI DKI JAKARTA Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG 1. TINJAUAN UMUM 1.1.
Lebih terperinciPrakiraan Musim Hujan 2015/2016 Zona Musim di Nusa Tenggara Timur
http://lasiana.ntt.bmkg.go.id/publikasi/prakiraanmusim-ntt/ Prakiraan Musim Hujan 2015/2016 Zona Musim di Nusa Tenggara Timur KATA PENGANTAR Badan Meteorologi Klimatologi dan Geofisika (BMKG) setiap tahun
Lebih terperinciTinjauan Pustaka. II.1 Variabilitas ARLINDO di Selat Makassar
BAB II Tinjauan Pustaka II.1 Variabilitas ARLINDO di Selat Makassar Matsumoto dan Yamagata (1996) dalam penelitiannya berdasarkan Ocean Circulation General Model (OGCM) menunjukkan adanya variabilitas
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciKATA PENGANTAR. Banjarbaru, Oktober 2012 Kepala Stasiun Klimatologi Banjarbaru. Ir. PURWANTO NIP Buletin Edisi Oktober 2012
KATA PENGANTAR i Analisis Hujan Bulan Agustus 2012, Prakiraan Hujan Bulan November, Desember 2012, dan Januari 2013 Kalimantan Timur disusun berdasarkan hasil pantauan kondisi fisis atmosfer dan data yang
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 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 HUJAN BULAN PEBRUARI 2011 DAN PRAKIRAAN HUJAN BULAN APRIL, MEI DAN JUNI 2011 PROVINSI DKI JAKARTA
ANALISIS HUJAN BULAN PEBRUARI 2011 DAN PRAKIRAAN HUJAN BULAN APRIL, MEI DAN JUNI 2011 PROVINSI DKI JAKARTA Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG
Lebih terperinciPENGANTAR. Bogor, September 2016 KEPALA STASIUN KLIMATOLOGI DARMAGA BOGOR. DEDI SUCAHYONO S, S.Si, M.Si NIP
Prakiraan Musim Hujan 2016/2017 Provinsi Jawa Barat PENGANTAR Badan Meteorologi Klimatologi dan Geofísika () setiap tahun menerbitkan dua buku Prakiraan Musim yaitu Prakiraan Musim Kemarau diterbitkan
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 terperinciKATA PENGANTAR REDAKSI. Pengarah : Wandayantolis, S. SI, M. Si. Penanggung Jawab : Subandriyo, SP. Pemimpin Redaksi : Ismaharto Adi, S.
i REDAKSI KATA PENGANTAR Pengarah : Wandayantolis, S. SI, M. Si Penanggung Jawab : Subandriyo, SP Pemimpin Redaksi : Ismaharto Adi, S. Kom Editor : Idrus, SE Staf Redaksi : 1. Fanni Aditya, S. Si 2. M.
Lebih terperinciPENGANTAR. Bogor, Maret 2017 KEPALA STASIUN KLIMATOLOGI BOGOR
PENGANTAR Badan Meteorologi Klimatologi dan Geofísika () setiap tahun menerbitkan dua buku Prakiraan Musim yaitu Prakiraan Musim Kemarau diterbitkan setiap awal Maret dan Prakiraan Musim Hujan setiap awal
Lebih terperinciANALISIS UNSUR CUACA BULAN FEBRUARI 2018 DI STASIUN METEOROLOGI MALIKUSSALEH-ACEH UTARA. Oleh Febryanto Simanjuntak S.Tr
ANALISIS UNSUR CUACA BULAN FEBRUARI 2018 DI STASIUN METEOROLOGI MALIKUSSALEH-ACEH UTARA Oleh Febryanto Simanjuntak S.Tr Stasiun Meteorologi Klas III Malikussaleh Aceh Utara adalah salah satu Unit Pelaksana
Lebih terperincis y n x = sample rata-rata untuk variabel pertama y = sample rata-rata untuk variabel kedua
maka: Piranti lunak yang digunakan adalah Minitab Ver 14. b. Korelasi Lagging Dengan mempertimbangkan faktor lag, untuk melihat maju mundurnya hubungan antara prediktor dan predikta sehingga diperoleh
Lebih terperinciI. PENDAHULUAN. interaksi proses-proses fisik dan kimia yang terjadi di udara (atmosfer) dengan permukaan
I. PENDAHULUAN 1.1. Latar belakang Studi tentang iklim mencakup kajian tentang fenomena fisik atmosfer sebagai hasil interaksi proses-proses fisik dan kimia yang terjadi di udara (atmosfer) dengan permukaan
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciIV. HASIL DAN PEMBAHASAN
8 eigenvalue masing-masing mode terhadap nilai total eigenvalue (dalam persen). PC 1 biasanya menjelaskan 60% dari keragaman data, dan semakin menurun untuk PC selanjutnya (Johnson 2002, Wilks 2006, Dool
Lebih terperinciKATA PENGANTAR. Pontianak, 1 April 2016 KEPALA STASIUN KLIMATOLOGI SIANTAN PONTIANAK. WANDAYANTOLIS, S.Si, M.Si NIP
KATA PENGANTAR Stasiun Klimatologi Siantan Pontianak pada tahun 2016 menerbitkan dua buku Prakiraan Musim yaitu Prakiraan Musim Kemarau dan Prakiraan Musim Hujan. Pada buku Prakiraan Musim Kemarau 2016
Lebih terperinciMusim Hujan. Musim Kemarau
mm IV. HASIL DAN PEMBAHASAN. Analisis Data Curah hujan Data curah hujan yang digunakan pada penelitian ini adalah wilayah Lampung, Pontianak, Banjarbaru dan Indramayu. Selanjutnya pada masing-masing wilayah
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 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 DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciDAFTAR ISI HALAMAN JUDUL HALAMAN PENGESAHAN HALAMAN PERNYATAAN INTISARI ABSTRACT KATA PENGANTAR DAFTAR GAMBAR DAFTAR TABEL DAFTAR LAMPIRAN
DAFTAR ISI HALAMAN JUDUL HALAMAN PENGESAHAN HALAMAN PERNYATAAN INTISARI ABSTRACT KATA PENGANTAR DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL DAFTAR LAMPIRAN i ii iii iv v vi viii xi xii xiii BAB I PENDAHULUAN
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Peta lokasi penelitian disajikan pada Lampiran A. Hasil pengolahan data arus polar current rose disajikan pada Lampiran B. Hasil pengolahan data komponen arus setelah
Lebih terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciPENDAHULUAN A. Latar Belakang
I. PENDAHULUAN A. Latar Belakang Sejarah Indonesia sejak masa kolonial sampai sekarang tidak dapat dipisahkan dari sektor pertanian dan perkebunan, karena sektor - sektor ini memiliki arti yang sangat
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Bila suatu saat Waduk Jatiluhur mengalami kekeringan dan tidak lagi mampu memberikan pasokan air sebagaimana biasanya, maka dampaknya tidak saja pada wilayah pantai utara (Pantura)
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 terperincipersamaan regresi. Adapun rumus yang digunakan untuk menentukan curah hujan kritis adalah sebagai berikut: CH kritis = ( 0.
9 a : intersep (perubahan salinitas jika tidak hujan) b : slope (kemiringan garis regresi). Koefisien determinasi (r 2 ) masing-masing kelompok berdasarkan klaster, tahun, dan lahan peminihan (A dan B)
Lebih terperinciUPDATE DASARIAN III MARET 2018
UPDATE DASARIAN III MARET 2018 : Pertemuan Angin dari Utara dan Selatan v Analisis Dasarian III Maret 2018 Aliran massa udara di Indonesia masih didominasi Angin Baratan. Terdapat area konvergensi di
Lebih terperinciGambar 2 Sebaran Sawah Irigasi dan Tadah Hujan Jawa dan Bali
7 Lambang p menyatakan produktivitas (ton/ha), Δp persentase penurunan produktivitas (%). Penggunaan formula linest dengan menggunakan excel diatas akan menghasilkan nilai m yang dapat diinterpretasikan
Lebih terperinciLAPORAN POTENSI HUJAN AKHIR JANUARI HINGGA AWAL FEBRUARI 2016 DI PROVINSI NUSA TENGGARA BARAT
LAPORAN POTENSI HUJAN AKHIR JANUARI HINGGA AWAL FEBRUARI 2016 DI PROVINSI NUSA TENGGARA BARAT BADAN METEOROLOGI, KLIMATOLOGI DAN GEOSFISIKA STASIUN KLIMATOLOGI KLAS I KEDIRI-MATARAM 2016 1 Stasiun Klimatologi
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 terperinciBIDANG ANALISIS VARIABILITAS IKLIM
1 ANALISIS DINAMIKA ATMOSFER LAUT; ANALISIS & PREDIKSI CURAH HUJAN DASARIAN II FEBRUARI 2018 BIDANG ANALISIS VARIABILITAS IKLIM OUTLINE Analisis dan Prediksi Angin, dan Monsun; Analisis OLR; Analisis dan
Lebih terperinciKATA PENGANTAR. Prakiraan Musim Kemarau 2016
KATA PENGANTAR Publikasi Prakiraan Musim Kemarau 2016 Daerah Istimewa Yogyakarta merupakan salah satu bentuk pelayanan jasa klimatologi yang dihasilkan oleh Stasiun Geofisika Kelas 1 Yogyakarta / Pos Klimatologi
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 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinci