KOREKSI DATA HUJAN DASARIAN TRMM DI STASIUN KLIMATOLOGI KAIRATU MENGGUNAKAN REGRESI LINEAR SEDERHANA

Transkripsi

1 KOREKSI DATA HUJAN DASARIAN DI STASIUN KLIMATOLOGI KAIRATU MENGGUNAKAN REGRESI LINEAR SEDERHANA Steven Cahya Andika Sekolah Tinggi Meteorologi Klimatologi dan Geofisika (STMKG), Tangerang Selatan Abstrak Hujan merupakan salah satu fenomena cuaca yang secara dominan mempengaruhi kehidupan di Maluku. Namun demikian, pos pengamatan hujan di Maluku belum tersebar secara baik. Kita dapat menggunakan data hujan untuk menyiasati hal tersebut. Meskipun algoritma yang digunakan untuk mendapatkan data hujan cukup rumit, kita harus mengkoreksi data dugaan tersebut. Koreksi data dilakukan dengan menggunakan regresi sederhana untuk data di Pulau Seram dan sekitarnya. Penelitian ini menunjukkan bahwa terkoreksi yang digunakan lebih baik bila dibandingkan tanpa koreksi. Nilai RMSE terkoreksi lebih kecil dibandingkan tanpa koreksi. Hasil ini menunjukkan bahwa regresi linear sederhana dapat digunakan untuk mengkoreksi data hujan. Kata kunci : hujan,, RMSE, regresi linear sederhana Abstract Rainfall is one of major meteorogical phenomenon in Maluku. Unfortunately, Maluku does not have adequate ranfall observation post. To solve this problem, we can use rainfall data from. Although rainfall data provided by is derived through complex algorithm, we need to correct its rainfall data. Using simple regression, a method that is proved to be usefull in correcting, we can estimate rainfall over Seram Island and around. This research shows that correction method used in this research perform well compared to uncorrected data.rmse of corrected data is smaller than the uncorrected one, a result that we would expect from a good model. We can thus conclude that simple linear regression could be used to correct rainfall data. Key words : rainfall,, RMSE, simple linear regression 1

2 2 1. PENDAHULUAN Sebaran pos pengamatan curah hujan yang baik merupakan salah satu faktor penunjang baik atau buruknya kualitas informasi yang dikeluarkan oleh BMKG. Meski demikian, tidak semua tempat di Indonesia memiliki pos pengamatan hujan. Area kosong (blank area) yang ada dapat disiasati dengan menggunakan data hujan. Masalah yang akan dibahas dalam penelitian ini adalah bagaimana membuat koreksi data hujan dan bagaimana keadaan hasil koreksi tersebut dibandingkan terhadap hujan tanpa koreksi. Tujuan dari penelitian ini adalah untuk melihat apakah metode regresi linear sederhana dapat digunakan dalam mengkoreksi data atau tidak. merupakan proyek kerja sama antara Jepang dan Amerika yang bertujuan untuk untuk menyediakan data hujan di wilayah tropis dan sub tropis untuk keperluan ilmiah. Instrumen yang digunakan dalam menduga hujan adalah Precipitation Radar (PR), Micorwave Imager (TMI), Visible and Infrared Scanner (VIRS). Resolusi spasial data adalah x , x 0.5 0, 1 0 x 1 0, 2 0 x 2 0, 3 0 x 3 0, 4 0 x 4 0, 5 0 x 5 0.Curah hujan (CH) di Indonesia diukur dalam satuan milimeter. Menurut BMKG, Curah hujan 1 milimeter berarti dalam luasan satu meter persegi pada tempat yang datar tertampung air setinggi satu millimeter. Harian Susun Ya Regresi Linear Terkoreksi Selesai Mulai Korelasi 0 Gambar 2.1 : Diagram alir Observasi Harian Susun Observasi Tidak Stop dikorelasikan dengan data hujan sebelum dilakukan dengan koreksi. Menurut Supranto, 2009, regresi linear dapat dilakukan bila terdapat hubungan antara variabel bebas dan terikat. Dalam Supranto 2009, korelasi dihitung dengan formula: 2. METODE PENELITIAN yang digunakan dalam penelitian ini adalah data hujan 3B42 v7 dan data hujan dasarian Stasiun Klimatologi Kairatu periode 1999 s.d Batas wilayah penelitian adalah Pulau Jawa (5⁰LS-9⁰LS, 105⁰BT-115⁰BT), dengan periode penelitian Kerangka berpikir yang digunakan dalam penelitian ini dapat dilihat pada diagram alir berikut : Batas - batas nilai koefiien korelasi diinterpretasikan sebagai berikut (Nugroho, 2008): 0,00 sampai dengan 0,20 berarti korelasinya sangat lemah; 0,21 sampai dengan 0,40 berarti korelasinya lemah; 0,41 sampai dengan 0,70 berarti korelasinya kuat; 0,71 sampai dengan 0,90 berarti korelasinya sangat kuat; 0,91 sampai dengan 0,99 berarti korelasinya sangat kuat sekali; 2

3 3 1,00 berarti korelasinya sempurna; Square Squared Koreksi data dengan data observasi akan dilakukan dengan menggunakan regresi linear bila terdapat hubungan antara hujan dengan data Observasi. Persamaan regresi didapat dengan menggunakan formula (Wilks,1995) : dengan nilai a dan b dihitung : Total Regresi Residual n- 1 k n- 2..(5)..(6).(9) (7) { }..(10)..(8) Persamaan regresi kemudian divalidasi kelayakan dengan menghitung nilai komponen tabel ANOVA untuk mendapatkan nilai uji statistic t dan F. criteria pengambilan keputusan adalah sebagai berikut: H o : tidak ada satupun hubungan antara nilai curah hujan observasi dengan variabel dalam persamaan regresi ( variabel a atau b = 0) H 1 : terdapat hubungan antara nilai curah hujan dengan paling tidak satu variabel persamaan regresi ( variabel a atau b 0) Untuk criteria uji F. Kriteria uji hipotesis yang digunakan adalah tolak H o bila nilai F hitung > F tabel. Nilai F tabel didapat dari table distribusi F dengan nilai α=0.05 dan df pembilang = k, df penyebut = n-k-1. Dan criteria pengambilan keputusan uji t adalah: H o : koefisien regresi a atau b i (untuk i=1,2,3, k) tidak penting dalam menduga nilai hujan observasi (a atau b i =0) H 1 : koefisien regresi a atau b i (untuk i=1,2,3, k) penting dalam menduga nilai hujan observasi (a atau b i 0) Menurut Wilks, pada α=0.05 hipotesis H o dapat ditolak bila nilai t hitung ternyata bernilai > dua kali nilai s.e. Tabel ANOVA dihitung dengan formula (Wilks,1995) Sumber df Sum of Mean F Uji t dihitung dengan formula (Wilks,1995) [ ] [ ] Verifikasi dilakukan untukmelihat apakah hasil koreksi yang dilakukan lebih baik atau tidak bila dibandingkan dengan tanpa koreksi. Verikasi dilakukan dengan menghitung nilai RMSE yang menurut Wilks, 1995 dihitung dengan formula : 3. HASIL DAN PEMBAHASAN a. Korelasi Nilai korelasi antar hujan dasarian dengan hujan observasi adalah sebesar hal ini berarti terdapat hubungan yang kuat antara hujan dasarian observasi dengan, sehingga persamaan regresi dapat dibangun antara nilai dengan nilai hujan. 3

4 Obs 4 b. Hasil Koreksi Hubungan linear antara hujan dan Observasi dapat dilihat pada grafik di bawah : vs Observasi Diagram acak di atas menunjukkan adanya hubungan antara hujan observasi dengan, yang ditunjukkan oleh adanya kecenderungan pola sebaran data observasi dan yang cenderung mengumpul. Pola yang seperti ini berarti bahwa terdapat hubungan antara hujan dan hujan Observasi, sama seperti yang telah ditunjukkan pada analisis sebelumnya. Analisa regresi menunjukkan hubungan linier antara hujan Observasi dan adalah sebagai berikut : Persamaan inilah yang akan digunakan untuk mengkoreksi hujan. c. Validasi Persamaan Regresi Table ANOVA hasil perhitungan adalah sebagai berikut: Sum of Mean df F Sumber Square Squared Total y = 0,7748x + 9,1567 R² = 0, Regresi Residual Nilai uji statistic F berdasarkan hasil perhitungan adalah Nilai F tabel dari table distribusi F dengan df pembilang=1 dan df penyebut =538 adalah 3.9. Karena Obs Linear (Obs) Linear (Obs) nilai F hitung > F tabel, maka berdasarkan criteria pengambilan kesimpulan yang telah ditetapkan pada bab III menunjukkan bahwa hipotesis H 1 diterima. Hal ini berarti bahwa hasil uji simultan persamaan regresi di atas berpengaruh terhadap nilai hujan observasi. Evaluasi persamaan regresi akan dilakukan secara parsial pada tiap komponen regresinya. Hasil perhitungan nilai statistik uji adalah sebagai berikut : Koefisien Nilai Koefisien Nilai s.e. a (intersep) b Hasil perhitungan uji statistic t di atas menunjukkan bahwa nilai uji t untuk koefisien a dan b berturut-turut adalah 2.17 dan Berdasarkan criteria uji yang telah diambil pada bab sebelumnya, hipotesis yang diterima adalah hipotesis H 1, yang berarti bahwa koefisien a dan b dapat digunakan untuk menduga hujan observasi. Hasil uji ini menunjukkan bahwa kedua variabel tersebut signifikan pada taraf kesalahan 0.05, sehingga tidakada variabel yang perlu dihapus. d. Verifikasi Hasil Koreksi Nilai RMSE sebelum hujan dikoreksi adalah 63.6 mm. Nilai RMSE setelah hujan dikoreksi dengan persamaan regresi adalah senilai 61.7 mm, yang berarti bahwa nilai RMSE setelah dikoreksi lebih kecil dibanding sebelum dikoreksi. Adanya peningkatan keakuratan setelah hujan dikoreksi menunjukkan bahwa persamaan regresi di atas dapat digunakan karena telah terbukti dapat meningkatkan keakuratan nilai hujan. KESIMPULAN T 4

5 5 Persamaan koreksi yang didapat signifikan secara statistic, sehingga layak digunakan untuk membuat koreksi, Koreksi dengan menggunakan regresi layak digunakan. Hasil verifikasi menunjukkan nilai RMSE setelah dikoreksi lebih baik dibandingkan dengan tanpa koreksi. DAFTAR PUSTAKA BMKG Verifikasi Prakiraan Iklim Indonesia. Jakarta : Kedeputian Klimatologi. BMKG Prakiraan Musim Hujan 2014 Indonesia. Jakarta : Kedeputian Klimatologi NASDA Users Handbook. Jepang : Earth Observation Center. Supranto, J Statistik : Teori dan Aplikasi. Jakarta:Erlangga. ckground.html, Diakses 17 Januari 2015, Pukul WIB Wilks, Daniel S Statistical Methods in the Atmospheric Sciences. Amerika Serikat : Academic Press 5