PREDIKSI AWAN CUMULONIMBUS MENGGUNAKAN INDEKS STABILITAS KELUARAN MODEL WRF ARW DI BIMA

Transkripsi

1 PREDIKSI AWAN CUMULONIMBUS MENGGUNAKAN INDEKS STABILITAS KELUARAN MODEL WRF ARW DI BIMA Puteri Permata Sani 1, Heri Ismanto 2 1, Jakarta 2 Badan Meteorologi Klimatologi dan Geofisika, Jakarta puteri.permata@bmkg.go.id Abstrak Awan Cumulonimbus (Cb) banyak aktif di Wilayah Indonesia yang terletak di daerah tropis. Awan ini sangat berkaitan dengan keselamatan dan kenyamanan dalam dunia penerbangan. Data Rason memiliki akurasi yang cukup baik dalam memprediksi Cb harian dengan indeks stabilitas, sedangkan prediksi Cb jam-an dapat digunakan Model Skala Meso WRF. Dengan menggunakan indeks stabilitas keluaran WRF (CAPE, SI, LI, KI, SWEAT dan ensemble dari ke lima indeks) dilakukan pengujian indeks terbaik yang menghasilkan prediksi awan Cb Jam-an. Indeks stabilitas hasil keluaran model WRF cukup baik dalam melakukan prediksi awan Cb harian. Sedangkan untuk prediksi Cb jam-an digunakan threshold baru berdasarkan distribusi data kejadian Cb. Adapun threshold baru yang digunakan dalam menentukan prediksi awan Cb di wilayah Bima, CAPE >2057; SI < -0,88; LI < -4; SWEAT >200; KI >32. Kata Kunci : Cumulonimbus, Indeks stabilitas, WRF ARW Abstract Cumulonimbus (Cb) Cloud is active and frequent phenomena in Indonesian Area which placed in the Tropic. Cb cloud related the safety, security and comfortmity for aviation. Stability index from Radiosonde data have a good accuracy of daily Cb Cloud Prediction, meanwhile hourly Cb cloud prediction could be use the Stability index from WRF model output. The acuracy of Cb Cloud prediction using stability index from WRF (CAPE, SI, LI, KI, SWEAT and ensemble from five indeks) model output will be studying in this paper. Stability index from WRF ARW model output have a good results in predicting daily Cb clouds. Meanwhile hourly Cb s predictions using a new stability indexs threshold based on the distribution of Cb data. As for the new threshold used in determining prediction of Cb clouds at Bima, CAPE >2057; SI < -0,88; LI < -4; SWEAT >200; KI >32. Keywords : Cumulonimbus, Stability Index, WRF ARW 1. PENDAHULUAN Awan konvektif dominan tumbuh di wilayah Indonesia, dimana dalam keadaan khusus dapat tumbuh menjadi awan Cumulonimbus (Cb). Awan Cb menghasilkan cuaca buruk yang dapat membahayakan penerbangan, seperti turbulensi, icing (pembekuan) pada pesawat, petir, hujan deras bahkan hail (hujan es) (Puspitasari, 2014). Dalam memprediksi Cb meteorologiwan sering menggunakan indeks stabilitas dari hasil pengamatan udara atas yaitu Radio Sonde (RaSon), tetapi tidak semua stasiun mempunyai alat tersebut, salah satunya Stasiun Meteorologi Bima. Stasiun Meteorologi Bima merupakan Stasiun yang melayani penerbangan domestik, dimana dibutuhkan suatu prediksi untuk mengetahui posisi letak awan Cb. Dalam kondisi ini diperlukan adanya suatu model cuaca numerik untuk dapat mempresentasikan kondisi atmosfer yang sebenarnya. Salah satu model cuaca numerik yang saat ini sedang berkembang adalah WRF ARW dimana model tersebut merupakan model yang didesain untuk melayani analisis dan prediksi operasional cuaca serta untuk 1

2 memenuhi kebutuhan penelitian di Atmosfer (Hadi dkk., 2011). Oleh karena itu, Penulis melakukan kajian terhadap prediksi awan Cb menggunakan indeks stabilitas dengan mdel WRF-ARW di Stasiun Meteorologi M. Salahuddin Bima. Pemilihan indeks yang sesuai diharapkan dapat memberikan landasan yang baik untuk kegiatan operasional seperti prakiraan cuaca jangka pendek ataupun peringatan dini terhadap aktivitas cuaca signifikan untuk penerbangan. 2. DATA DAN METODE 2.1 Data Lokasi penelitian terletak di Stasiun Meteorologi Muhammad Salahuddin Bima dengan koordinat Stasiun 118,67 0 BT dan 8,2 0 LS Kecamatan Palibelo Kabupaten Bima Propinsi Nusa Tenggara Barat. Data yang digunakan yaitu data Global Forecast System (GFS), data Metar, Synop, Udara Atas (Pibal), dan data citra satelit klasifikasi awan pada tanggal 17, 26, 27 bulan November dan tanggal 2, 5, 17 bulan Desember tahun Metode pengolahan Untuk mengetahui indeks stabilitas pada proses pertumbuhan awan Cb di perlukan data output model WRF yang kemudian di bandingkan dengan data metar, synop dan satelit, sehingga tahapan yang penting dalam penelitian ini adalah running model WRF. Gambar 1. Domain penelitian Dalam proses Running model WRF yang pertama dilakukan adalah konfigurasi model WRF. Penelitian ini menggunakan teknik downscaling yang terdiri dari tiga domain yaitu domain satu 36 km resolusi topografi 10 menit, domain dua 12 km resolusi topografi 5 menit dan domain tiga 4 km resolusi topografi 2menit, letak centre point berada di Stasiun Meteorologi Muhammad Salahuddin Bima (Gambar 1). Skema parameterisasi yang digunakan merupakan skema standart dari model WRF ARW. Prediksi dimulai pada pukul UTC selama 36 jam kedepan, hasil prediksi pertama diabaikan karena proses spin up, prediksi yang digunakan adalah pukul sampai UTC pada domain dengan resolusi tinggi, yaitu domain 3. Hasil dari running WRF dijalankan ke dalam sebuah software GrADS. Dalam menentukan prediksi pertumbuhan awan Cb menggunakan dua metode. Kedua metode tersebut akan dibahas secara lebih detail sebagai berikut : a. Berdasarkan indeks stabilitas Dari beberapa indeks stabilitas standart terdapat penentuan batas minimal yang berpeluang terhadap pertumbuhan awan Cb yaitu CAPE 1000 J/kg, SI 0, LI 0, KI 31, SWEAT 230. Dalam suatu waktu tertentu jam 00.00, 02.00, 03.00, 04.00, dst (UTC), prediksi indeks stabilitas hasil output WRF yang memenuhi kriteria diatas dinyatakan dalam YA (angka 1) dinyatakan Cb diprediksi terjadi, sedangkan jika tidak memenuhi kriteria diatas dinyatakan TIDAK (angka 0). Jika nilai indeks stabilitas standart tidak sesuai dengan keadaan sebenarnya, maka dilakukan pembuatan indeks stabilitas dengan threshold baru. Cara membuat threshold baru dengan menggunakan metode Sturges, H (1926) dan kuartil. langkahnya sebagai berikut 1. Mengklasifikasikan kondisi kejadian awan Cb menggunakan data sinop. 2. Mengkelompokkan masing masing indeks stabilitas berdasarkan saat terjadinya awan Cb pada point (1). 3. Dari data yang telah di kelompokkan tersebut (terjadi awan Cb) membuat interval kelas menggunakan metode Sturges, yaitu pertama menentukan jumlah kelas. K = 1 + 3,322 log n (1) K adalah jumlah kelas dan n merupakan total data. Selanjutnya menentukan jarak antar kelas. R (Range) = Xn Xi (2) R adalah luas sebaran, Xn adalah nilai data tertinggi dan Xi adalah nilai data terendah. 2

3 Setelah didapatkan jumlah kelas dan jarak antar kelas, menentukan interval kelas berdasarkan persamaan berikut : Interval Kelas = Range (R) Jumlah kelas (K) (3) Langkah selanjutnya menentukan threshold baru berdasarkan kuartil, kemudian dilakukan pengujian menggunakan tabel kontigensi. Adapun perhitungan kuartil menggunakan persamaan sebagai berikut: Qx = Tb + Ik ( x 4n Fk fq ) (4) Dengan Qx adalah kuartil 1, 2 atau 3, Tb adalah Batas bawah tiap kelas, Ik adalah Interval kelas, n adalah Jumlah data, Fk adalah Frekuensi kumulatif, Fq adalah frekuensi letak kuartil. b. Berdasarkan ensemble Ensemble pada dasarnya merupakan pengembangan dari indeks stabilitas pada poin a. Ensemble menggunakan beberapa indeks yang menunjukkan prediksi yang sama dan di kelompokkan dalam satu kelompok yang sama. Dimana jumlah kelompok yang dominan digunakan sebagai produk model ensemble. Ensemble yang digunakan dalam penelitian ini adalah jumlah dominan indeks prediksi terhadap awan Cb. Jika terdapat tiga indeks yang menyatakan prediksi Cb akan terjadi, sedangkan dua indeks lainnya di prediksi tidak terjadi Cb, maka pada saat itu hasil ensemble-nya memprediksi ada awan Cb. Untuk mendapatkan hasil prediksi yang terbaik diperlukan adanya verifikasi suatu model. Dalam penelitian ini verifikasi yang digunakan adalah akurasi, bias, Probability Of Detection (POD), dan False Alarm Ratio (FAR). Langkah dan jalannya penelitian mulai dari memilih, mengambil dan mengolah data hingga verifikasi prediksi model WRF digambarkan dalam diagram alir berikut (gambar 2) : Gambar 2. Diagram alir 3. HASIL DAN PEMBAHASAN 3.1 Nilai rata rata harian indeks stabilitas 3

4 KI SWEAT Ensemble Berdasarkan tabel diatas menunjukkan bahwa indeks CAPE, SI dan LI rata-rata harian sangat baik dalam memprediksi awan Cb. Sedangkan indeks KI membuat prediksi dengan nilai akurasi 0.67 yang berarti sebagian besar yang diprediksi adalah hit (prediksi dan observasi ya), tetapi pernah terjadi kesalahan dalam memprediksi kejadian Cb. Untuk indeks SWEAT seluruhnya mengalami miss (prediksi tidak observasi ya). Ensemble hariannya menunjukkan prediksi tepat dengan nilai akurasi 1 yang artinya sebagian besar yang diprediksi adalah benar terjadinya adanya pertumbuhan awan Cb. Hasil dari tabel diatas indeks CAPE, SI, LI, KI dan ensamble, dapat digunakan dalam memprediksi awan Cb harian, sedangkan indeks SWEAT kurang baik digunakan dalam memprediksi hari dengan awan Cb. Gambar 3. Rata-rata harian indeks stabilitas Berdasarkan gambar grafik diatas (gambar 3) terlihat bahwa hampir seluruh indeks stabilitas menunjukkan terjadi konveksi di daerah penelitian, dimana dilihat dari nilai rata rata harian yang selalu lebih tinggi dari nilai ambang batasnya (threshold). Indeks SI dan KI terdapat datu hari yang menunjukkan tidak dapat memprediksi adanya Cb yaitu tanggal 27 November untuk SI, dan tanggal 17 November untuk KI, selain tanggal tersebut kedua indeks ini dapat memprediksi adanya awan Cb. Indeks SWEAT rata rata harian untuk 6 hari studi kasus tidak dapat memprediksi adanya awan Cb, hal ini dapat dilihat dari nilai rata rata harian selalu lebih rendah dari threshold-nya. Tabel 1. Kontigensi prediksi awan Cb harian Indeks Akurasi Bias POD FAR CAPE SI LI Indeks stabilitas per jam menggunakan threshold standart Berdasarkan tabel 2, menunjukkan bahwa prediksi awan Cb keluaran WRF indeks stabilitas tiap jam menunjukkan nilai akurasi yang kecil, antara Hal ini menunjukkan bahwa hasil prediksi dengan kenyataan kemunculan awan Cb masih cukup rendah. Selain itu nilai Bias yang lebih besar dari 1 menandakan bahwa nilai prediksi Cb selalu over estimate, dimana prediksi Cb menyatakan terjadi tetapi pada kenyataannya tidak terjadi. Hal ini sejalan dengan nilai FAR yang besar sekitar , yang artinya banyak prediksi adanya Cb tetapi tidak terjadi di observasi aktualnya. Tabel 2. Kontigensi nilai prediksi indeks stabilitas dengan threshold standart Nama Indeks Akurasi Bias POD FAR CAPE 0,30 3,40 1,00 0,71 SI 0,35 2,71 0,74 0,73 LI 0,29 3,43 0,29 0,71 KI 0,47 2,21 0,69 0,69 SWEAT 0,74 0,36 0,24 0,33 Ensemble 0,37 3,12 0,98 0,69 Indeks SWEAT yang memiliki nilai akurasi tinggi sekitar 0.74 terjadi akibat 4

5 jumlah kejadian awan Cb jam-an yang kecil dibandingkan kejadian tidak ada Cb. Hal ini sangat berpengaruh karena nilai indeks SWEAT keluaran WRF selalu menunjukkan tidak ada Cb. Sesuai dengan analisis Bias yang menunjukkan under estimate dimana selalu diprediksi tidak ada Cb dibandingkan dengan kenyataan observasi aktualnya. Indeks stabilitas keluaran WRF dengan menggunakan threshold menurut Zakir untuk CAPE, SI, dan LI, threshold menurut Air Weather Service untuk KI, threshold menurut Tjasyono dan Harijono untuk SWEAT kurang dapat menggambarkan variasi jam-jaman prediksi Cb. Ensemble per jam-pun tidak dapat menunjukkan adanya prediksi awan Cb dengan tepat. Hal ini di lihat dari nilai akurasi yang kecil dan nilai kesalahan (FAR) yang besar, sehingga diperlukan pengkajian penentuan threshold yang cocok dan dapat menggambarkan kejadian Cb tiap Jamnya. 3.3 Indeks stabilitas per jam menggunakan threshold baru Indeks stabilitas dengan threshold baru di bagi menjadi 3 bagian yaitu kuartil 1 kuartil 2 dan kuartil 3. Masing masing indeks memiliki kemampuan yang berbeda beda dalam memprediksi adanya kejadian awan Cb. Tabel 3. Kontigensi nilai indeks stabilitas pada kuartil satu Nama Indeks Akurasi Bias POD FAR CAPE 0,46 2,57 0,86 0,67 SI 0,45 1,31 0,21 0,84 LI 0,68 0,10 0,68 1,00 KI 0,47 2,21 0,69 0,69 SWEAT 0,47 2,48 0,83 0,66 Ensemble 0,56 1,81 0,64 0,64 Berdasarkan Tabel 3 terlihat adanya peningkatan pada nilai akurasi yaitu berkisar antara 0,45 0,68. Hal ini berarti indeks stabilitas pada kuartil satu mampu memprediksi adanya kejadian awan Cb, namun masih perlu di kaji kembali karena nilai kesalahan masih tinggi dan nilai bias lebih dari 1 yang artinya prediksi awan Cb selalu over estimate dimana WRF mampu memprediksi adanya awan Cb namun kenyataannya tidak terjadi. Untuk nilai POD hampir seluruh indeks menyatakan benar terjadi adanya Cb dan mampu memprediksi adanya Cb, hal ini dilihat dari nilai POD di atas 0,5 kecuali untuk indeks SI memiliki nilai POD yang kecil artinya prosentase kebenaran adanya awan Cb sangat kecil. Metode ensemble pada kuartil satu juga mampu memprediksi adanya awan Cb, dilihat dari nilai kuartil dan POD lebih dari 0,5, dengan prediksi awan Cb over estimate. Tabel 4. Kontigensi nilai indeks stabilitas pada kuartil dua Nama Indeks Akurasi Bias POD FAR CAPE 0,51 1,71 0,52 0,69 SI 0,44 1,67 0,38 0,77 LI 0,56 0,83 0,56 0,80 KI 0,51 1,43 0,38 0,73 SWEAT 0,56 1,52 0,50 0,67 Ensemble 0,58 1,17 0,36 0,69 Pada tabel 4 nilai akurasi rata rata mencapai 50% kecuali indeks SI, dimana nilai akurasinya 0,44 yaitu hanya 44% prediksi menyatakan benar terjadi awan Cb. Dari nilai akurasi yang diatas 50% masih terlihat nilai kesalahan yang tinggi, dengan bias yang tinggi pula, hal ini berkibat pada hasil prediksi awan Cb yang over estimate. Untuk Hasil POD pada kuartil dua hampir seluruh indeks mengalami penurunan terhadap observasi benar yang di prediksi benar, kecuali indeks SI mengalami peningkatan jika di bandingkan pada kuartil satu. Tabel 5. Kontigensi nilai indeks stabilitas pada kuartil tiga Nama Indeks Akurasi Bias POD FAR CAPE 0,66 0,60 0,21 0,64 SI 0,39 2,33 0,62 0,73 LI 0,56 0,83 0,56 0,80 KI 0,65 0,31 0,05 0,85 SWEAT 0,75 0,19 0,17 0,13 Ensemble 0,67 0,43 0,14 0,67 Pada tabel 5 Indeks SWEAT memiliki nilai akurasi yang tinggi yaitu 0,75, hal ini terjadi akibat jumlah kejadian Cb yang kecil dibandingkan dengan kejadian tidak ada Cb. Seluruh indeks menyatakan prediksi Cb under estimate dilihat dari nilai bias kurang dari 1, kecuali indeks SI menyatakan prediksi Cb over estimate. Indeks SI menyatakan observasi kebenaran adanya Cb tinggi, dilihat dari Nilai POD 0,62 tetapi ketepatan dalam memprediksinya kecil yaitu 0,39. Metode 5

6 ensemble pada kuartil tiga memiliki nilai akurasi yang tinggi dibandingkan kuartil yang lainnya, yaitu 067. Tetapi pada kuartil tiga nilai POD untuk metode ensemble kecil yaitu 014, yang menunjukkan kejadian prediksi dan observasinya besar hanya 14%. 3.4 Perbandingan kontigensi nilai indeks stabilitas berdasarkan kuartil Perbandingan ini dilakukan untuk melihat terletak pada kuartil berapa indeks stabilitas yang cocok di gunakan dalam penelitian ini. sebesar 0,56 dengan nilai prediksi ya tetapi tidak terjadi (FAR) sebesar 0,80. Indeks terbaik ke dua pada kuartil 2 adalah SWEAT, dengan nilai akurasi sama seperti indeks LI dengan nilai FAR yang menurun dibandingkan dengan LI yaitu 0,67. Untuk nilai bias nya indeks SWEAT memprediksi awan CB overestimate dengan nilai bias 1,52. Gambar 6. Perbandingan nilai kontigensi prediksi Cb pada kuartil 3 Gambar 4. Perbandingan nilai kontigensi prediksi Cb pada kuartil 1 Pada gambar 4 terlihat bahwa prediksi ensemble mampu menggambarkan adanya awan Cb. Hal ini dilihat dari nilai akurasi 0,56 yang menandakan tingkat kebenaran prediksi diatas 50%. Nilai bias ensemble juga mendekati nilai 1 jika dibandingkan dengan indeks yang lain, yaitu 1,81. Melihat tingkat kebenarannya diatas 50%, yaitu 0,64 dengan nilai kesalahan 0,64. Gambar 5. Perbandingan nilai kontigensi prediksi Cb pada kuartil 2 Gambar 4 terlihat bahwa indeks LI mampu memprediksi adanya awan Cb jam an. Hal ini terlihat dari nilai akurasi sebesar 0,56 dengan nilai bias mendekati 1, yaitu 0,83 yang menandakan prediksi awan Cb underestimate. Nilai kebenaran indeks LI Pada gambar 5 terlihat bahwa indeks SWEAT memiliki akurasi yang tinggi dibandingkan indeks stabilitas yang lain yaitu 0,75, tetapi nilai ini memiliki prediksi benar sangat kecil yaitu 0,17 dengan nilai kesalahan 0,13. Nilai akurasi yang tinggi terjadi karena jumlah kejadian awan Cb jam an yang kecil jika dibandingkan dengan kejadian tidak ada Cb. Sehingga tingkat kebenaran nya sangat kecil jika dibandingkan dengan indeks yang lain. Nilai indeks SWEAT pada kuartil 3 sama dengan nilai indeks SWEAT menurut Tjasyono dan Harijono (2007). 3.5 Prediksi awan Cb dengan threshold baru Bagian ini membahas hasil prediksi awan Cb menggunakan indeks terbaik, yaitu SWEAT. Pemilihan indeks ini berdasarkan pada hasil kuartil 2, dimana akurasi dan POD (prediksi benar) diatas 50% dengan nilai bias mendekati 1. Prediksi awan Cb yang di tampilkan berupa peta wilayah Bima dengan menggunakan threshold baru yaitu 200, warna merah menunjukkan wilayah yang diprediksi adanya Cb. Hal yang serupa juga terlihat pada gambar citra satelit cloud classification, warna merah menunjukkan wilayah adanya awan Cb. 6

7 Indeks SWEAT pada tanggal 26 November 2014 memprediksi adanya Cb hampir di seluruh wilayah Bima, berdasarkan hasil dari data observasi melalui gambar citra satelit cloud classification awan Cb hanya terlihat di sebagian wilayah Bima. Sehinga dalam kondisi ini indeks SWEAT keluaran WRF ARW dianggap mampu memberikan hasil yang mendekati observasinya. 4. PENUTUP 4.1 Kesimpulan Dari penelitian ini didapat beberapa kesimpulan yaitu : 1. Indeks stabilitas keluaran WRF untuk memprediksi keberadaan awan Cumulonimbus HARIAN cukup baik dengan urutan indeks terbaik yaitu CAPE, SI, LI dan KI. Sedangkan indeks SWEAT tidak cocok untuk digunakan prediksi awan Cumulonimbus. 2. Prediksi awan Cumulonimbus jam-jaman dengan nilai indeks stabilitas keluaran WRF dengan threshold yang sudah ditetapkan menghasilkan prediksi yang overestimate untuk indeks CAPE, SI, LI dan KI, dan underestimate untuk indeks SWEAT. 3. Dengan menggunakan threshold baru dari perhitungan nilai kuartil, diperoleh batasan dalam memprediksi awan Cumulonimbus, yaitu dengan nilai CAPE >2057; SI < -1,3; LI < -4; KI > 32; SWEAT > Dari beberapa indeks stabilitas dengan menggunakan threshold baru, ensemble kuartil 1 dan indeks SWEAT kuartil 2 merupakan indeks terbaik dalam memprediksi kejadian Cb jam an. Gambar 7. Indeks SWEAT dan satelit cloud classification tanggal 26 November 2014 (06.00, dan UTC) 4.2 Saran 1. Untuk meningkatkan keakuratan prediksi awan Cb dengan menggunakan indeks stabilitas jam-jaman diperlukan penelitian dengan data yang lebih panjang. 2. Perlu dilakukan penelitian lebih lanjut terkait pengaturan setting WRF dalam memperbaiki prediksi awan Cb, yaitu dengan penambahan asimilasi data observasi. 7

8 DAFTAR PUSTAKA Air Weather Service, 1990, The Use Of Skew T Log P Diagram In Analysis And Forecasting. Scott Air Force Base, Illinois. Hadi, T W., Junnaedhi, A., Satrya, I., Santriyani, M., Anugrah, P., Octarina, T, 2011, Pelatihan Model WRF (Weather Research and Forecasting), Laboratorium Analisis Meteorologi, Fakultas Ilmu Dan Teknologi Kebumian, Institut Teknologi Bandung, Bandung. Puspitasari, F, 2014, Pemanfaatan Model WRF Untuk Penentuan Nilai Ambang Batas Parameter Cuaca Dalam Proses Pertumbuhan Awan Cumulonimbus, Skripsi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, Jakarta. Sturges, H, The Choice of Class Interval. Jurnal American Statistical Association, Vol 21 No 153, Pages: Tjasyono, B., Harijono, S 2007, Meteorologi Indonesia 2 Awan Dan Hujan Monsun, Badan Meteorologi dan Geofisika, Jakarta. Zakir, A., Sulistya, W., dan Khotimah, M K, 2010, Prespektif Operasional Cuaca 8