Hybmg 2

ISSN 0215-1952
UJI APLIKASI HyBMG VERSI 2.0 UNTUK PRAKIRAAN CURAH HUJAN

POLA MONSUNAL EKUATORIAL DAN LOKAL
Irman Sonjaya
Stasiun Meteorologi Sepinggan Balikpapan
Toni Kurniawan
Stasiun Meteorologi Supadio Pontianak
Miftahul Munir, Mustika Wiratri, Khairullah

Stasiun Klimatologi Banjarbaru
ABSTRAK
Wilayah Indonesia pada umumnya memiliki 3 (tiga) pola curah hujan,

yaitu: monsunal, ekuatorial, dan lokal. Hal ini berkaitan dengan antara
lain letak geografis wilayah Indonesia yang berada di sekitar garis
khatulistiwa, wilayahnya yang berupa maritim kontinen, serta adanya
pengaruh faktor pembentuk cuaca lainnya. Untuk keperluan pengujian
luaran perangkat lunak HyBMG Versi 2.0, maka uji aplikasi lapang
terhadap sample data yang mewakili ketiga pola curah hujan tersebut
sangat diperlukan. Data curah hujan dasarian dan bulanan dari Stasiun
Meteorologi Balikpapan, Stasiun Meteorologi Pontianak, dan Stasiun
Klimatologi Banjarbaru diolah untuk uji aplikasi lapang perangkat lunak
tersebut di atas. Hasil menunjukkan bahwa ternyata memberikan hasil
verifikasi prakiraan yang berbeda baik untuk prediksi curah hujan maupun
bulanan.
Kata Kunci: ekuatorial, lokal, metoda prakiraan, tipe curah hujan,

monsunal
terhadap semua tipe hujan yang sangat
1. PENDAHULUAN
beragam dengan memberikan hasil
1.1 Latar Belakang verifikasi dari analisis data yang cukup
memuaskan dan dianggap layak untuk
Pengembangan aplikasi HyBMG yang dapat diterapkan.
dikeluarkan oleh Pusat Penelitian dan
Pengembangan BMKG telah sampai 1.2 Tujuan
pada versi terbaru yaitu 2.0.
Mengaplikasikan HyBMG versi 2.0
dibandingkan dengan versi
sehingga dapat menentukan metoda
terdahulunya versi ini lebih mudah dan
yang paling baik dan memiliki nilai
praktis karena telah mengurangi
validasi baik Root Mean Square Error
beberapa input trial and error. Namun
(RMSE) dan korelasi (r) yang dianggap
disamping kemudahan yang diberikan,
layak untuk digunakan dalam
diharapkan pula aplikasi ini dapat
menyusun prakiraan curah hujan untuk
memberikan hasil uji yang cukup baik
wilayah Balikpapan, Banjarbaru, dan
untuk dapat digunakan sebagai salah
Pontianak yang masing-masing memiliki
satu atau beberapa metoda prakiraan di
tipe hujan yang berbeda.
seluruh Stasiun BMKG serta mumpuni
©BULETIN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA
Vol. 5 No. 3 SEPTEMBER 2009
323

1.3 Ruang Lingkup simpul, di mana sebagian atau seluruh
simpul adalah adaptif sehingga
Aplikasi HyBMG 2.0 diuji cobakan
outputnya tergantung pada keterkaitan
dengan mengunakan data curah hujan
parameter dengan simpul tersebut, dan
dasarian dari 3 (tiga) tempat/ stasiun
aturan pembelajaran (learning rule)
yang memiliki tipe hujan yang berbeda,
menentukan bagaimana parameter-
yaitu : curah hujan dengan tipe lokal dari
parameter tersebut berubah untuk
Stasiun Meteorologi Balikpapan dengan
meminimalkan kesalahan (error).
jumlah data selama 40 tahun (1969 –
2008), tipe Monsunal dari Stasiun
Dalam Software matlab telah tersedia
Klimatologi Banjarbaru dengan jumlah
fungsi-fungsi yang digunakan untuk
data selama 35 tahun (1974 – 2008),
membuat prediksi deret waktu (time
dan tipe Ekuatorial dari Stasiun
series) baik yang berformat command
Meteorologi Pontianak dengan jumlah
line (perintah-perintah baris) maupun
data selama 22 tahun (1987 – 2008).
yang berupa editor GUI (Graphic User
Dimana dilakukan analisis untuk
Interface).
prakiraan curah hujan dasarian
sebanyak 10 tahun, yaitu dari tahun
Modul ini menggunakan fungsi-fungsi
1999 sampai dengan tahun 2008
(toolbox) Matlab tersebut dan format
dengan menggunakan input data dari
command line. Berikut beberapa definisi
awal tersedianya data sampai dengan
dari istilah yang digunakan dalam
tahun ke n-1 dari masing-masing
mengoperasikan ANFIS.
stasiun dan tahun ke-n merupakan
tahun yang datanya dijadikan sample
Perintah anfis membutuhkan sedikitnya
untuk prakiraan.
dua argumen dan paling banyak 6
argumen. Format umumnya adalah
2. LANDASAN TEORITIS
sebagai berikut :
2.1 Metoda Adaptive Neural Fuzzy
[fismat1,trnError,ss,fismat2,chkError] =
Inference System
...anfis(trnData,fismat,trnOpt,dispOpt,ch
kData,method);
Adaptive Neural Fuzzy Inference
System (ANFIS) merupakan suatu
Di mana trnOpt (training options),
teknik optimasi yang menggabungkan
dispOpt (display options), chkData
konsep neural-network dengan fuzzy
(checking data), dan method (training
logic. Neural-network mengenal pola-
method), adalah optional. Semua
pola dan menyesuaikan pola terhadap
argument output juga optional.
perubahan lingkungan, sedangkan
fuzzy logic menggabungkan
Untuk prediksi beberapa titik ke depan x
pengetahuan manusia dan mencari
(t + p) berdasarkan harga lampau
kesimpulan untuk membuat suatu
sampai x(t) yang diketahui adalah
keputusan. ANFIS juga dapat
diterapkan secara langsung dalam menentukan harga D (jumlah titik) dan Δ
bidang pemodelan, pengambilan (jarak) data lampau yang digunakan
keputusan, pengolahan sinyal, dan metode standar dalam persamaan
kontrol (Jang et al., 1997). berikut (Jang, 1993):
Adaptive-network merupakan struktur x (t – (D-1) Δ), ……, x (t –Δ), x (t).

jaringan yang terdiri dari simpul-simpul
(nodes) dan hubungan langsung antar
UJI APLIKASI HyBMG VERSI 2.0 UNTUK

PRAKIRAAN CURAH HUJAN POLA MONSUNAL EKUATORIAL DAN LOKAL
Irman Sonjaya, Toni Kurniawan, Miftahul Munir, Mustika Wiratri, Khairullah
ISSN 0215-1952
Selain menentukan harga D dan Δ yang terpisah untuk segmen-segmen yang

sesuai, juga dilakukan pemilihan jumlah berbeda dari sinyal domain waktu
iterasi (perulangan) untuk pembelajaran (Polikar 1996). Sama seperti fungsi
(training) sampai diperoleh kesalahan sinus dan cosinus dalam transformasi
terkecil dan tipe fungsi keanggotaan Fourier, wavelet digunakan sebagai
(member function type, mftype). fungsi dasar untuk menyajikan fungsi
lain. Istilah mother menyiratkan bahwa
Di sini digunakan harga D = 4, berarti fungsi dengan daerah dukungan
prediksi berdasarkan 4 data yang (support) berbeda yang digunakan
diketahui, iterasi = 200, dan mftype = dalam proses transformasi diperoleh
gbelmf, sedangkan untuk harga Δ dari satu fungsi utama atau mother
dilakukan penyesuaian terhadap wavelet. Dengan kata lain, mother
panjang data input yang digunakan. wavelet adalah suatu prototipe
pembangkit fungsi jendela lain.
Hasil prediksi adalah matrik data hasil Transformasi wavelet dapat digunakan
operasi fungsi evalfis yaitu pada 7 posisi untuk menganalisa deret waktu yang
data setelah panjang data training. mengandung daya non-stasioner pada
Untuk panjang data 10 tahun di atas, frekwensi yang berbeda (Daubechies
hasil prediksi adalah hasil evalfis pada 1990 dalam Torrence dan Compo
posisi data yang ke 367, setelah dikali 1998).
dengan harga maksimum (kebalikan
dari normalisasi). Parameter cuaca, khususnya curah
hujan dapat dianggap sebagai sinyal
2.2 Metoda WAVELET yang benar-benar non-stasioner.
Analisis curah hujan disamping untuk
Transformasi Wavelet merupakan alat mengetahui periodesitas (frekwensi
yang ideal untuk mendeteksi fluktuasi- konten) juga memerlukan informasi
fluktuasi periodik yang bersifat transien tentang kapan (waktu) terjadinya. Untuk
dan juga parameter-parameternya, itu diperlukan suatu transformasi yang
karena mampu memusatkan perhatian dapat memberikan tampilan waktu-
pada suatu rentang waktu terbatas dari frekwensi dari sinyal.
data yang ada (Torrence dan Compo
1998) dan dapat mengambarkan proses Beberapa mother wavelet yang tersedia
dinamik nonlinear komplek yang di Matlab yaitu Haar, Daubechies,
diperlihatkan oleh interaksi gangguan Symlets, Coiflets, Biorthogonal, Reverse
dalam skala ruang dan waktu (Astaf'eva biorthogonal, Meyer wavelet, Discrete
1996). Meyer wavelet, Gaussian, Mexican, hat
wavelet, Morlet wavelet, Complex
Transformasi wavelet dikembangkan Gaussian, Complex Morlet, Complex
sebagai pendekatan alternatif dari Short Shannon, dan Complex Frequency B-
Term Fourier Transform untuk spline.
mengatasi masalah resolusi tersebut.
Analisa Wavelet dilakukan dengan cara Untuk prakiraan curah hujan dalam
yang sama dengan analisa STFT, selang waktu antara to dan t1 dengan
dalam pengertian bahwa sinyal (deret ‘sampling‘ (pencuplikan) yang beragam.
waktu) dikalikan dengan suatu fungsi, Transformasi wavelet dari x(t) atau
{\wavelet}, mirip dengan fungsi jendela sinyal hujan menghasilkan appoximation
STFT, dan transformasi dihitung secara coefficient dan detail coefficient dari
325

data hujan. Appoximation coefficient memprediksi Xt+1 dulu, lalu satu
berhubungan dengan skala tinggi dan langkah lagi Xt+2 dan seterusnya.
komponen frekwensi rendah, Kedua langkah ini digunakan untuk data
sedangkan detail coefficient harian dan bulanan. Cara yang paling
berhubungan dengan skala rendah dan signifikan dan kuantitatif dalam validasi
komponen frekwensi tinggi. Koefisien- model adalah meng-iterasi model
koefisien ini selanjutnya di rentang ke prediksi dan membandingkan deret
depan (extend) sepanjang selang waktu waktu sintetik (model) dengan data
tertentu. Disini rentang tambahan pengamatan (data sesungguhnya).
(extend) dilakukan berdasarkan
periodesitasnya. Hasil invers Validasi model prediksi non-linear ini
transformasi atau rekonstruksi dari dilakukan dengan mengambil x(t) dari
koefisien-koefisien pada selang waktu hasil observasi dan x(t+n) dari hasil
tambahan ini merupakan hasil prediksi keluaran model b prediksinya. Deret
ekstrapolasi. Teknik seperti ini juga waktu curah hujan x(t) yang dikaji mula-
digunakan oleh Wheeler dan Weickman mula adalah rentang waktu dari t0
(2001) yang menggunakan transformasi hingga t1, sedangkan hasil keluaran
Fourier dan menyaring periodisitas model non-linear dalam rentang waktu
tertentu dalam memprediksi aktivitas dari t0 hingga t1+n, termasuk hasil
MJO. prediksi dalam selang waktu selebar n
pada interval yang kesalahnnya
2.3 Metoda Time Series Analysis semakin membesar dimana
menunjukkan dinamika keoritik curah
Prediksi adalah suatu proses prakiraan hujan.
secara sistematik tentang apa yang
paling mungkin terjadi di masa yang 2.4 Metoda Autoregressive
akan datang berdasarkan informasi Integrated Moving Average
masa lalu dan masa sekarang yang
dimiliki agar kesalahannya (selisih Model ARIMA (Autoregressive
antara apa yang terjadi dengan hasil Integrated Moving Average) dijalankan
prakiraan) dapat diperkecil. Prediksi dengan menggunakan software
dapat juga diartikan sebagai usaha MINITAB13, merupakan salah satu
pendugaan perubahan. Agar tidak metode peramalan yang berbasis time
disalahpahami bahwa prediksi tidak series dengan berdasarkan kepada
memberi jawaban pasti tentang apa proses Autoregressive (AR) yang
yang akan terjadi. Menyelidiki berorde p dan proses rata-rata bergerak
prediktabilitas dalam data deret waktu (Moving Average (MA) berorde q yang
curah hujan adalah sangat bermanfaat mengalami pembedaan (differencing)
dalam usaha prediksi ke masa depan. sebanyak d kali. Notasi umum metode
Prediktabilitas adalah salah satu cara ARIMA adalah :
untuk menjawab bagaimana korelasi
antar data. Metoda deret waktu non- Model non musiman → ARIMA (p,d,q)
linear dicoba dan digunakan pula untuk
maksud prediksi tersebut. Modelmusiman→ARIMA (p,d,q)(P,D.Q)s
Bila langkah ganda prediksi digunakan Di mana :

untuk memprediksi ke masa depan
maka ada dua pilihan yaitu secara p = orde proses autoregresif
langsung memprediksi Xt+n dari data non musiman
tersampel atau secara iterasi yaitu d = tingkat pembedaan
ISSN 0215-1952
(differencing) Indonesia berdasarkan distribusi curah

q = orde proses rata-rata hujan bulanan maupun dasarian dibagi
bergerak non musiman menjadi 3 (tiga) tipe hujan, yaitu :
P = orde proses autoregresif
musiman 2.5.1 Tipe Monsunal
D = tingkat pembedaan
musiman Tipe monsunal dalam setahun memiliki
Q = orde proses rata-rata 1 puncak maksimum pada musim hujan
bergerak musiman yaitu pada Bulan Januari/ Desember.
s = jumlah periode musim Sementara itu lembah minimum terjadi
pada Bulan Agustus pada saat musim
kemarau. Tipe monsunal ini
Dalam membuat prakiraan curah hujan
dipengaruhi oleh angin musiman
dengan metoda ARIMA ada 3 tahapan
(monsoon). Baik angin baratan maupun
yang harus dilakukan secara berurutan,
angin timuran, yang bertiup akibat
yaitu :
adanya perbedaan musim di belahan
bumi utara (BBU) dan belahan bumi
Identifikasi parameter-parameter model selatan (BBS).
dengan menggunakan metode
autokorelasi dan autokorelasi parsial. 2.5.2 Tipe Ekuatorial
Penaksiran komponen autoregresif (AR) Tipe ekuatorial dalam setahun memiliki

dan rata-rata bergerak (MA) untuk 2 puncak musim hujan dan 2 lembah
melihat apakah komponen-komponen kemarau. Puncak maksimum pada
tersebut secara signifikan memberikan musim hujan yaitu pada Bulan Maret
kontribusi pada model atau salah dan September, sedangkan lembah
satunya dapat dihilangkan. minimum pada musin kemarau terjadi
pada Bulan Januari dan Bulan Juli. Tipe
Pengujian dan penerapan model untuk ekuatorial dipengaruhi oleh gerak
meramalkan series data beberapa evolusi bumi mengelilingi matahari.
periode ke depan. Pada tahap ini
dilakukan pula analisis nilai sisa 2.5.3 Tipe Lokal
(residual analysis) untk melihat apakah
nilai sisa bersifat acak dan berdistribusi Tipe lokal lebih dipengaruhi oleh kondisi
normal yang mengidentifikasikan model lokal suatu wilayah. Memiliki 1 puncak
yang baik. maksimum yang terjadi pada musim
hujan. Tetapi dengan waktu yang
Penentuan orde model p dan q serta P berlawanan dengan tipe monsunal.
dan Q dilakukan dengan melakukan Sehingga puncak musim hujan terjadi
identifikasi pada model correlogram dari sekitar pertengahan tahun.
Autocorrelation Function (ACF) dan
Partial Autocorrelation Function (PACF). Secara umum pola dari masing-masing
tipe hujan seperti pada gambar 1
2.5 Pembagian Tipe Curah Hujan berikut:
Berdasarkan faktor-faktor dan variabel

yang mempengaruhi pembentukan
cuaca, maka secara umum pola iklim di

327

Grafik Tipe Curah Hujan Observasi dan Hasil Prediksi Curah Hujan Dasarian
Stamet Balikpapan Tahun 2001 - 2002
450
300
400
350 250
300
200
milimeter
250
miimeter
200 150
150 100
100
50 50
0 0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nop Des
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
bulan -50
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Tipe Monsunal Tipe Ekuatorial Tipe Lokal
Bulan / Dasarian
Gambar 1. Grafik Tipe Curah Hujan Monsunal. Observasi ANFIS WAVELET ARIMA TIESAN
Ekuatorial, dan Lokal

Observasi dan Hasil Prediksi Curah Hujan Dasarian
300
3. ANALISA DAN PEMBAHASAN 250
3.1 Analisa Data Dasarian 200
miimeter
150
Dari keseluruhan prakiraan curah hujan 100
dasarian yang dibuat untuk tahun 1999 50
– 2008 dari masing-masing stasiun 0
dengan mengunakan metoda ANFIS, -50
WAVELET, ARIMA, dan TISEAN pada JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gs

Bulan / Dasarian
SepOktNopDes
aplikasi HyBMG2.0 didapatkan hasil Observasi ANFIS WAVELET ARIMA TIESAN

sebagai berikut :
(a) Stasiun Meteorologi Balikpapan 400
350
300
Dari hasil analisis data untuk data dari 250

miimeter
200
Stasiun Meteorologi Balikpapan 150
didapatkan hasil prediksi dari masing- 100

50
masing metoda yang berbeda, bila 0
dibandingkan dengan data obsevasi -50 IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
maka didapatkan hasil seperti gambar 2 JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Bulan / Dasarian
berikut : Observasi ANFIS WAVELET ARIMA TIESAN
Observasi dan Hasil Prediksi Curah Hujan Dasarian Observasi dan Hasil Prediksi Curah Hujan Dasarian
Stamet Balikpapan Tahun 1999 - 2000 Stamet Balikpapan Tahun 2007 - 20048
250 400
350
200 300
250
150
miimeter
200
miimeter
100 150
100
50
50
0 0
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII -50 IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
-50
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gs
SepOktNopDes JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Bulan / Dasarian Bulan / Dasarian
Observasi ANFIS WAVELET ARIMA TIESAN Observasi ANFIS WAVELET ARIMA TIESAN
Gambar 2. Observasi vs Prediksi Curah Hujan

Dasarian 1999-2008 di Stamet Balikpapan
ISSN 0215-1952
Sedangkan nilai verifikasi Root Mean didapatkan hasil prediksi dari masing-
Square Error (RMSE) dan koefisien masing metoda yang berbeda, bila
korelasi serta prosentase dari nilai dibandingkan dengan data obsevasi
absolut anomali evaluasi jumlah curah maka didapatkan hasil seperti gambar 3
hujan dasarian sebagai berikut : berikut :
Tabel 1. Nilai RMSE dan r Curah Hujan Dasarian Observasi dan Hasil Prediksi Curah Hujan Dasarian
Staklim Banjarbaru Tahun 1999 - 2000
1999-2008 di Stamet Balikpapan 350
300
Metoda Prakiraan 250
Tahun
ANFIS WAVELET ARIMA TISEAN 200
miimeter
150
1999 65 49 52 51 100
50
2000 57 55 60 55 0
-50
2001 69 71 69 77 JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gs
SepOktNopDes
Bulan / Dasarian
2002 58 63 61 65 Observasi ANFIS WAVELET ARIMA TIESAN
2003 6 66 72 64
2004 56 59 61 59 Staklim Banjarbaru Tahun 2001 - 2002
250
2005 46 46 46 46 200
2006 79 75 74 76 150
2007 73 62 60 61 miimeter 100
50
2008 87 83 85 115
0
1999 - IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
67 64 65 69 -50
2008 JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Bulan / Dasarian
r 0,12 -0,03 0,03 -0,02 Observasi ANFIS WAVELET ARIMA TIESAN

Metoda Prakiraan Staklim Banjarbaru Tahun 2003 - 2004
Int. 300
CH ANFIS WAVELET ARIMA TISEAN 250
0–5 7 6 7 6 200
miimeter
150
6 – 10 3 5 4 5 100
11 – 15 4 7 5 7 50
16 – 25 13 14 16 15 -50
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gs

SepOktNopDes
26 – 50 29 31 29 25 Bulan / Dasarian
Observasi ANFIS WAVELET ARIMA TIESAN

> 50 44 38 39 43
(b) Stasiun Klimatologi Banjarbaru
Dari hasil analisis data untuk data dari

329

Observasi dan Hasil Prediksi Curah Hujan Dasarian 2006 62 54 54 51
350 2007 48 50 49 45
300
250
2008 54 51 54 59
200
1999 -
miimeter 52 48 48 52
150
2008
100
50 r 0,51 0,58 0,60 0,50

0
-50
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII Metoda Prakiraan
Int.
Bulan / Dasarian CH ANFIS WAVELET ARIMA TISEAN
0–5 12 9 12 9
6 – 10 8 7 9 7
300
11 – 15 7 9 11 6
250
200 16 – 25 12 16 20 18
31 34 27 32
miimeter
150
26 – 50
100
50 > 50 30 24 22 29
0
-50
Bulan / Dasarian (c) Stasiun Meteorologi Pontianak
Dari hasil analisis data untuk data dari

Stasiun Meteorologi Pontianak
Dasarian 1999-2008 di Staklim Banjarbaru
didapatkan hasil prediksi dari masing-
masing metoda yang berbeda, bila
Sedangkan nilai verifikasi Root Mean
dibandingkan dengan data obsevasi
Square Error (RMSE) dan korelasi serta
maka didapatkan hasil seperti gambar 4
prosentase dari nilai absolut anomali
berikut :
evaluasi jumlah curah hujan dasarian
sebagai berikut :
Stamet Pontianak Tahun 1999 - 2000
Tabel 2. Nilai RMSE dan r Curah Hujan Dasarian 350
1999-2008 di Staklim Banjarbaru 300
250
Tahun
miimeter
150
ANFIS WAVLET ARIMA TISEAN 100
1999 48 39 40 52 50
0
2000 61 60 57 56 -50
2001 42 40 37 46 Bulan / Dasarian

2002 38 44 41 47
2003 62 55 56 62
2004 50 47 44 41
2005 52 39 40 54

ISSN 0215-1952
Observasi dan Hasil Prediksi Curah Hujan Dasarian Gambar 4. Observasi vs Prediksi Curah Hujan
Dasarian 1999-2008 di Stamet Pontianak
350
300
250 Sedangkan nilai verifikasi Root Mean

200 Square Error (RMSE) dan korelasi serta
miimeter
150 prosentase dari nilai absolut anomali
100
evaluasi jumlah curah hujan dasarian
50
0
sebagai berikut :
-50
Bulan / Dasarian
Tabel 3. Nilai RMSE dan r Curah Hujan Dasarian
1999-2008 di Stamet Pontianak
Metoda Prakiraan
Tahun
ANFIS WAVELET ARIMA TISEAN
350
1999 73 63 62 62
300
250 2000 89 74 79 83
200
miimeter
150 2001 65 62 59 62
100
50
2002 57 61 55 63
0
2003 61 55 59 61
-50
2004 63 60 62 69
Bulan / Dasarian
Observasi ANFIS WAVELET ARIMA TIESAN 2005 76 73 72 70

2006 70 55 55 78
300
2007 76 80 82 89
250 2008 70 61 59 60
200
1999 -
70 65 65 70
miimeter
150
100
2008
50 r 0,07 0,18 0,21 0,01
0
-50
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes Metoda Prakiraan
Bulan / Dasarian Int.
Observasi ANFIS WAVELET ARIMA TIESAN CH ANFIS WAVELET ARIMA TISEAN
Observasi dan Hasil Prediksi Curah Hujan Dasarian 0–5 7 8 8 7

400 6 – 10 2 3 3 4
350
300 11 – 6 6 4 4
250 15
16 –
miimeter
200
12 14 13 13
150 25
100
26 – 26 23 29 24
50
0
50
-50 IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII > 50 48 45 43 49
Bulan / Dasarian

331

3.2 Analisa Data Bulanan Observasi dan Hasil Prediksi Curah Hujan Bulanan
600
Dari keseluruhan prakiraan curah hujan 500
bulanan yang dibuat untuk tahun 1999 – 400
milimeter
2008 dari masing-masing stasiun 300
dengan mengunakan metoda ANFIS, 200
WAVELET, ARIMA, dan TISEAN pada 100
0
aplikasi HyBMG v2.0 didapatkan hasil 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
sebagai berikut : 05 06
bulan

(a) Stasiun Meteorologi Balikpapan
Observasi dan Hasil Prediksi Curah Hujan Bulanan
Observasi dan Hasil Prediksi Curah Hujan Bulanan 600
Stamet Balikpapan Tahun 1999 - 2000 500
600
400
milimeter
500
300
400
milimeter
200
300
100
200
0
100 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
0 07 08
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
bulan
99 00
bulan Observasi ANFIS WAVELET ARIMA TIESAN
Observasi ANFIS WAVELET ARIMA TIESAN Gambar 5. Observasi vs Prediksi Curah Hujan
Bulanan 1999-2008 di Stamet Balikpapan
600 Sedangkan nilai verifikasi Root Mean
500 Square Error (RMSE) dan korelasi serta
400 prosentase dari nilai absolut anomali
milimeter
300
evaluasi jumlah curah hujan bulanan
200
sebagai berikut :
100
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Tabel 4. Nilai RMSE dan r Curah Hujan Bulanan
01 02 1999-2008 di Stamet Balikpapan
bulan Metoda Prakiraan
Tahun
ANFIS WAVELET ARIMA TISEAN
Observasi dan Hasil Prediksi Curah Hujan Bulanan 1999 173 113 121 113
600 2000 102 98 122 96
500
400
2001 148 144 140 165
milimeter
300
2002 66 89 89 99
200
100 2003 100 125 148 114

0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 2004 90 109 108 109
03 04
2005 92 75 92 79
bulan

2006 182 163 162 165

ISSN 0215-1952
2007 154 103 97 99 Observasi dan Hasil Prediksi Curah Hujan Bulanan
2008 189 176 188 214
600
1999 - 500
136 123 130 131
2008 400
milimeter
300
r 0,16 -0,05 0,00 0,06 200

100
0
Metoda Prakiraan 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Int. 03 04
CH WAVELE TISEA bulan

ANFIS ARIMA
T N
0 – 25 15 18 13 16
26 – 50 13 18 18 14 Observasi dan Hasil Prediksi Curah Hujan Bulanan

51 – 100 28 25 28 26
600
> 100 43 38 41 44 500

400
milimeter
300
200
(b) Stasiun Klimatologi Banjarbaru 100

0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
05 06
bulan
600
500
400 Observasi dan Hasil Prediksi Curah Hujan Bulanan
milimeter

300
200 600
100 500
0 400
milimeter
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 300
99 00 200
bulan 100
0
Observasi ANFIS WAVELET ARIMA TIESAN 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
07 08
bulan
600
500
400
Bulanan 1999-2008 di Staklim Banjarbaru
milimeter
300
200
100
Sedangkan nilai verifikasi Root Mean
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Square Error (RMSE) dan korelasi serta
01 02 prosentase dari nilai absolut anomali
bulan
evaluasi jumlah curah hujan Bulanan
sebagai berikut :

333

Tabel 5. Nilai RMSE dan r Curah Hujan Bulanan Observasi dan Hasil Prediksi Curah Hujan Bulanan
1999-2008 di Staklim Banjarbaru Stamet Pontianak Tahun 2001 - 2002

Tahun 500
ANFIS WAVELET ARIMA TISEAN 400
milimeter
1999 104 58 62 117 300
200
2000 117 90 86 81 100
0
2001 71 62 49 88 1 2 3 4 5 6 7 8 9 10 1112 1 2 3 4 5 6 7 8 9 10 1112
2002 80 98 86 105 01 02
bulan
2003 124 104 114 120 Observasi ANFIS WAVELET ARIMA TIESAN
2004 115 103 92 79 Observasi dan Hasil Prediksi Curah Hujan Bulanan
2005 105 55 57 114
600
2006 101 68 73 64 500
400
2007 97 106 105 77
milimeter
300
2008 116 100 113 115 200
100
1999 -
104 87 86 98 0
2008 1 2 3 4 5 6 7 8 9 10 1112 1 2 3 4 5 6 7 8 9 10 1112
03 04
r 0,68 0,78 0,79 0,71 bulan
Metoda Prakiraan
Int. Observasi dan Hasil Prediksi Curah Hujan Bulanan
CH ANFI TISEA Stamet Pontianak Tahun 2005 - 2006

WAVELET ARIMA
S N 600
0 – 25 19 20 33 21 500
400
18 21 22 18
milimeter
26 – 50 300
51 – 100 28 38 22 34 200
100
> 100 34 21 24 28 0
1 2 3 4 5 6 7 8 9 10 1112 1 2 3 4 5 6 7 8 9 10 1112
05 06
bulan
(c) Stasiun Meteorologi Pontianak Observasi ANFIS WAVELET ARIMA TIESAN

Observasi dan Hasil Prediksi Curah Hujan Bulanan Stamet Pontianak Tahun 2007 - 2008
600
600 500
500 400
milimeter
400 300
milimeter
300 200
200 100
100 0
1 2 3 4 5 6 7 8 9 10 1112 1 2 3 4 5 6 7 8 9 10 1112
0
1 2 3 4 5 6 7 8 9 10 1112 1 2 3 4 5 6 7 8 9 10 1112 07 08
99 00 bulan
bulan

Bulanan 1999-2008 di Stamet Pontianak
ISSN 0215-1952
Sedangkan nilai verifikasi Root Mean a. Stasiun Meteorologi Balikpapan

Square Error (RMSE) dan korelasi serta
prosentase dari nilai absolut anomali
Kota Balikpapan Propinsi Kalimantan
evaluasi jumlah curah hujan bulanan
Timur berada pada sekitar 1° Lintang
sebagai berikut :
Selatan, sangat dekat dengan garis
ekuator, namun karena letak
Tabel 6. Nilai RMSE dan r Curah Hujan Bulanan
geografisnya yang langsung
1999-2008 di Stamet Pontianak
berhadapan dengan perairan (Selat
Metoda Prakiraan
Tahun Makassar di sebelah Timur dan Teluk
ANFIS WAVELET ARIMA TISEAN Balikpapan di sebelah Selatan), maka
1999 177 112 98 129 Balikpapan cenderung memiliki tipe
hujan lokal dimana rata-rata curah hujan
2000 191 133 139 137 bulannya cukup tinggi dan merata.
2001 140 92 94 103 Sehingga secara klimatologis dapat
dikatakan wilayah ini tidak memiliki
2002 88 88 80 119 periode musim kemarau dengan rata-
2003 140 100 104 130 rata jumlah curah hujan tahunannya
sebesar 2.675 mm pertahun.
2004 112 109 121 134
2005 141 124 119 128
2006 158 109 107 152
Rata-Rata Curah Hujan Bulanan
Stamet Balikpapan 1969 - 2008
300
2007 144 148 149 174
250
2008 157 116 117 129 200

milimeter
1999 - 150
147 114 114 135
2008 100
r 0,07 0,36 0,36 -0,03 50
0
Metoda Prakiraan bulan
Int.
CH ANFI TISEA Gambar 8. Rata-rata curah hujan bulanan di
WAVELET ARIMA
S N Stamet Balikpapan
0 – 25 8 18 16 13
26 – 50 13 18 20 16 Dari hasil analisis data curah hujan

51 – 100 35 28 24 27 Stamet Balikpapan periode tahun 1999
– 2008 dengan menggunakan HyBMG v
> 100 43 36 39 44
2.0 didapatkan hasil evaluasi antara
observasi dan hasil prediksi curah hujan
baik nilai maupun pola curah hujan
4. PEMBAHASAN dasarian dan bulanan yang tidak
memuaskan. Hasil verifikasi untuk
Dari hasil analisis data tersebut di atas, curah hujan dasarian memberikan
maka hasil uji aplikasi HyBMG versi 2.0 koofisien korelasi (r) terbesar hanya
untuk masing-masing stasiun dengan 0,12 untuk metoda ANFIS dan RMSE
output prakiraan curah hujan dasarian terkecil sebesar 46 mm untuk semua
dan bulanan adalah sebagai berikut : metoda pada tahun uji 2005 dan RMSE
335

terbesar 115 mm untuk metoda TISEAN baik nilai maupun pola curah hujan
pada tahun uji 2008 dengan rata-rata dasarian dan bulanan yang cukup baik.
RMSE sebesar 66 mm. Anomali curah Hasil verifikasi untuk curah hujan
hujan dasarian kurang dari 25 mm per dasarian memberikan koofisien korelasi
dasarian hanya berkisar 30%. (r) rata-rata dari keempat metoda
sebesar 0,55 dengan sebesar terbesar
Untuk analisa curah hujan bulanan untuk metoda ARIMA sebesar 0,60
memberikan koofisien korelasi (r) sedangkan RMSE terkecil sebesar 38
terbesar hanya 0,16 metoda ANFIS dan mm untuk metoda ANFIS pada tahun uji
RMSE terkecil sebesar 66 mm untuk 2002 dan RMSE terbesar 62 mm untuk
metoda ANFIS pada tahun uji 2002 dan metoda ANFIS dan TISEAN pada tahun
RMSE terbesar 214 mm untuk metoda uji 2003 dan 2006 dengan rata-rata
TISEAN pada tahun uji 2008 dengan RMSE sebesar 50 mm. Anomali curah
rata-rata RMSE sebesar 130 mm. hujan dasarian kurang dari 25 mm per
Anomali curah hujan dasarian kurang dasarian hanya berkisar 43%, dimana
dari 50 mm per bulan juga hanya untuk metoda ARIMA sebesar 51%.
berkisar 30%.
Untuk analisa curah hujan bulanan
b. Stasiun Klimatologi Banjarbaru memberikan koofisien korelasi (r)
terbesar 0,78 untuk metoda WAVELET
dan ARIMA. RMSE terkecil sebesar 49
Kota Banjarbaru Propinsi Kalimantan
mm untuk metoda ARIMA pada tahun
Selatan berada pada sekitar 3° Lintang
uji 2001 dan RMSE terbesar 124 mm
Selatan, dan sangat jelas memiliki tipe
untuk metoda ANFIS pada tahun uji
hujan monsunal. Secara klimatologis
2003 dengan rata-rata RMSE sebesar
dapat dikatakan wilayah ini memiliki
93 mm. Anomali curah hujan dasarian
batasan antara periode musim kemarau
kurang dari 25 mm per dasarian hanya
dan musim hujan yang jelas dengan rata-
berkisar 43%, dimana untuk metoda
rata jumlah curah hujan tahunannya
ARIMA sebesar 54%.
sebesar 2.470 mm pertahun.
c. Stasiun Meteorologi Pontianak
Rata-Rata Curah Hujan Bulanan
Staklim Banjarbaru 1974 - 2008
400
Kota Pontianak Propinsi Kalimantan
350 Barat berada tepat pada garis ekuator
300
0° dan sangat jelas memiliki tipe hujan
Ekuatorial. Secara klimatologis
250
milimeter
200
150 walaupun memiliki curah hujan yang

100
50
tinggi namun tetap memiliki pola
0 distribusi curah hujan bulanan yang
jelas dengan rata-rata jumlah curah
bulan
hujan tahunannya sebesar 3.157 mm
pertahun.
Gambar 9. Rata-rata curah hujan bulanan di
Staklim Banjararu
Dari hasil analisis data curah hujan
Staklim Banjarbaru periode tahun 1974
– 2008 dengan menggunakan HyBMG v
2.0 didapatkan hasil evaluasi antara

ISSN 0215-1952
Rata-Rata Curah Hujan Bulanan Secara umum hasil analisis data curah
Stamet Pontianak 1987 - 2008
hujan dengan mengguna kan HyBMG v
400
350
2.0 untuk metoda ANFIS, WAVELET,
300 ARIMA, dan TISEAN memberikan hasil
250
verifikasi untuk kooefisien korelasi (r)
milimeter
200
150 pada prediksi curah hujan dasarian dan

100 bulanan sebagai berikut :
50
0
Grafik Koofisien Korelasi
bulan Prediksi Curah Hujan Dasarian
0,7
0,6
Gambar 10. Rata-rata curah hujan bulanan di 0,5
Stamet Pontianak 0,4
korelasi (r)
0,3
0,2
Stamet Pontianak periode tahun 1987 – 0,1
2008 dengan menggunakan HyBMG v 0
2.0 didapatkan hasil evaluasi antara -0,1

ANFIS WAVELET ARIMA TIESAN
baik nilai maupun pola curah hujan m etoda
Stamet Balikpapan Staklim Banjarbaru Stamet Pontianak
dasarian dan bulanan yang juga kurang
memuaskan. Hasil verifikasi untuk Gambar 11. Nilai koefisien korelasi (r) untuk
curah hujan dasarian memberikan prediksi curah hujan dasarian di Stamet
koofisien korelasi (r) terbesar hanya Balikpapan, Staklim Banjarbaru, dan
0,21 untuk metoda ARIMA dan RMSE Stamet Pontianak.
terkecil sebesar 55 mm untuk metoda
metoda WAVELET pada tahun uji 2003
ARIMA pada tahun uji 2006 dan RMSE Grafik Koofisien Korelasi
Prediksi Curah Hujan Bulanan
terbesar 89 mm untuk metoda ANFIS 0,9
pada tahun uji 2000 dan TISEAN pada 0,8
0,7
tahun uji 2007 dengan rata-rata RMSE 0,6
sebesar 67 mm. Anomali curah hujan
korelasi (r)
0,5
0,4
dasarian kurang dari 25 mm per 0,3
dasarian hanya berkisar 30%. 0,2

0,1
0
Untuk analisa curah hujan bulanan -0,1

memberikan koofisien korelasi ( r )
m etoda
terbesar hanya 0,36 untuk metoda
WAVELET dan ARIMA sedangkan
RMSE terkecil sebesar 80 mm untuk Gambar 12. Nilai koefisien korelasi (r) untuk
metoda ARIMA pada tahun uji 2002 dan prediksi curah hujan bulanan di Stamet
RMSE terbesar 191 mm untuk metoda Balikpapan, Staklim Banjarbaru, dan
ANFIS pada tahun uji 2000 dengan rata- Stamet Pontianak.
rata RMSE sebesar 128 mm. Anomali
curah hujan dasarian kurang dari 50 mm Sedangkan besaran Root Mean Square
per bulan juga hanya berkisar 31%. Error (RMSE) pada prediksi curah hujan
dasarian dan bulanan dari ketiga stasiun

337

dengan tipe hujan yang berbeda TISEAN setelah diujikan terhadap data
tersebut, sebagai berikut : curah hujan dasarian di daerah
Balikpapan yang memiliki tipe hujan
lokal, Banjarbaru dengan tipe hujan
Grafik Root Mean Square Error (RMSE)
Prediksi Curah Hujan Dasarian
monsunal dan Pontianak dengan tipe
80 hujan ekuatorial dapat diambil beberapa
70 kesimpulan sebagai berikut :
60
50
• Analisis untuk data curah hujan dari
milimeter
40
30
20 memberikan hasil yang cukup baik,
10 terutama untuk metoda WAVELET
0
dan ARIMA yang mampu memberikan
m etoda nilai RMSE kurang dari 50 mm
perdasarian atau 90 mm perbulan
dengan koofisien korelasi hampir
Gambar 13. Nilai RMSE untuk prediksi curah mencapai 0,6 pada analisis data
hujan dasarian di Stamet Balikpapan, dasarian dan hampir mencapai 0,8
Staklim Banjarbaru, dan Stamet pada analisis data bulanan.
Pontianak.
• Untuk analisis curah hujan dengan
tipe ekuatorial dari Stasiun
Grafik Root Mean Square Error (RMSE) Meteorologi Pontianak, masing-
Prediksi Curah Hujan Bulanan masing metoda memberikan hasil
160
verifikasi yang hampir serupa yaitu
140
120
RMSE dengan kisaran antara 60 mm
100 – 70 mm perdasarian atau antara 100
milimeter
80 mm – 150 mm perbulan. Sedangkan

60 nilai koofisien korelasi hanya berkisar
40
20
pada 0,2 pada analisis data dasarian
0
dan hampir mencapai 0,3 pada
ANFIS WAVELET ARIMA TIESAN analisis data bulanan untuk metoda
m etoda
WAVELET dan ARIMA.
Gambar 14. Nilai RMSE untuk prediksi curah • Namun demikian bila memperhatikan
hujan bulanan di Stamet Balikpapan, pola grafik curah hujan bulanan hasil
Staklim Banjarbaru, dan Stamet dari metoda WAVELET dan ARIMA di
Pontianak. Stamet Pontianak tampak dapat
mengikuti pola data observasinya
4. PENUTUP terutama pada Bulan Mei sampai
September, seperti digambarkan pada
grafik berikut :
4.1 Kesimpuan
Dari hasil analisis data dan pembahsan

di atas, maka aplikasi HyBMG versi
terbaru 2.0 yang di dalamnya meliputi
metoda ANFIS, ARIMA, WAVELET, dan

ISSN 0215-1952
Rata Pola Curah Hujan Bulanan Observasi dan

aplikasi ini masih mungkin dapat
Prediksi Stamet Pontianak 1999 - 2008 digunakan setelah dilakukan uji metoda,
400 evaluasi dan verifikasi.
350
300
milimeter 250 5. ACUAN
200
150
100
Anto Dajan, 1983, Pengantar Metode
50
0
Statistik Jilid I, LP3ES, Jakarta
bulan Handoko 1993, Klimatologi Dasar
WAVELET ARIMA Observasi
landasan pemahaman fisika
atmosfer dan unsur-unsur iklim,
Pustaka Jaya, Bandung
Gambar 15. Curah hujan bulanan prediksi
(Wavelet dan ARIMA) vs observasi 1999-2008 Soetamto & Alifi Maria Ulfah 2007,
di Stamet Pontianak. Modul Peningkatan Akurasi
Prakiraan Musim, BMG, Jakarta
• Dengan menggunakan sampel data
hujan dari Stasiun Meteorologi
Balikpapan yang memiliki tipe hujan
lokal memberikan hasil verifikasi dan
pola untuk curah hujan dasarian
maupun bulanan yang sangat tidak
sesuai dengan data observasinya.
4.2 Saran
a. Aplikasi HyBMG versi 2.0 tampaknya

dapat digunakan untuk memprediksikan
curah hujan dasarian maupun bulanan
pada wilayah dengan tipe hujan
monsunal.
b. Untuk wilayah yang memiliki tipe hujan

ekuatorial, sebaiknya digunakan dalam
membuat prediksi curah hujan bulanan
namun harus jeli dalam memperhatikan
pola setiap bulannya serta besaran
angka prediksi yang dihasilkan.
c. Aplikasi HyBMG versi 2.0 belum dapat

digunakan untuk daerah Balikpapan,
namun kesimpulan tersebut belum tentu
berlaku pada daerah lainnya yang juga
memiliki tipe hujan lokal sehingga

339

Hybmg 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Hybmg 2

Uploaded by

Copyright:

Available Formats

ISSN 0215-1952

UJI APLIKASI HyBMG VERSI 2.0 UNTUK PRAKIRAAN CURAH HUJAN

Miftahul Munir, Mustika Wiratri, Khairullah

Wilayah Indonesia pada umumnya memiliki 3 (tiga) pola curah hujan,

Kata Kunci: ekuatorial, lokal, metoda prakiraan, tipe curah hujan,

Adaptive-network merupakan struktur x (t – (D-1) Δ), ……, x (t –Δ), x (t).

UJI APLIKASI HyBMG VERSI 2.0 UNTUK

Selain menentukan harga D dan Δ yang terpisah untuk segmen-segmen yang

Bila langkah ganda prediksi digunakan Di mana :

(differencing) Indonesia berdasarkan distribusi curah

Penaksiran komponen autoregresif (AR) Tipe ekuatorial dalam setahun memiliki

Berdasarkan faktor-faktor dan variabel

©BULETIN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA

Ekuatorial, dan Lokal

3.1 Analisa Data Dasarian 200

WAVELET, ARIMA, dan TISEAN pada JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gs

aplikasi HyBMG2.0 didapatkan hasil Observasi ANFIS WAVELET ARIMA TIESAN

Dari hasil analisis data untuk data dari 250

didapatkan hasil prediksi dari masing- 100

Gambar 2. Observasi vs Prediksi Curah Hujan

2007 73 62 60 61 miimeter 100

r 0,12 -0,03 0,03 -0,02 Observasi ANFIS WAVELET ARIMA TIESAN

Observasi dan Hasil Prediksi Curah Hujan Dasarian

JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gs

Observasi ANFIS WAVELET ARIMA TIESAN

(b) Stasiun Klimatologi Banjarbaru

Dari hasil analisis data untuk data dari

50 r 0,51 0,58 0,60 0,50

Dari hasil analisis data untuk data dari

1999-2008 di Staklim Banjarbaru 300

JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes

2001 42 40 37 46 Bulan / Dasarian

Observasi ANFIS WAVELET ARIMA TIESAN

UJI APLIKASI HyBMG VERSI 2.0 UNTUK

250 Sedangkan nilai verifikasi Root Mean

Observasi ANFIS WAVELET ARIMA TIESAN 2005 76 73 72 70

Observasi dan Hasil Prediksi Curah Hujan Dasarian

Observasi dan Hasil Prediksi Curah Hujan Dasarian 0–5 7 8 8 7

Observasi ANFIS WAVELET ARIMA TIESAN

Dari keseluruhan prakiraan curah hujan 500

bulanan yang dibuat untuk tahun 1999 – 400

dengan mengunakan metoda ANFIS, 200

WAVELET, ARIMA, dan TISEAN pada 100

Observasi ANFIS WAVELET ARIMA TIESAN

100 2003 100 125 148 114

Observasi ANFIS WAVELET ARIMA TIESAN

UJI APLIKASI HyBMG VERSI 2.0 UNTUK

r 0,16 -0,05 0,00 0,06 200

CH WAVELE TISEA bulan

26 – 50 13 18 18 14 Observasi dan Hasil Prediksi Curah Hujan Bulanan

> 100 43 38 41 44 500

(b) Stasiun Klimatologi Banjarbaru 100

Staklim Banjarbaru Tahun 2007 - 2008

©BULETIN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA

Metoda Prakiraan 600

2008 116 100 113 115 200

Observasi ANFIS WAVELET ARIMA TIESAN

CH ANFI TISEA Stamet Pontianak Tahun 2005 - 2006

(c) Stasiun Meteorologi Pontianak Observasi ANFIS WAVELET ARIMA TIESAN

Observasi dan Hasil Prediksi Curah Hujan Bulanan

Observasi ANFIS WAVELET ARIMA TIESAN

Sedangkan nilai verifikasi Root Mean a. Stasiun Meteorologi Balikpapan

2008 157 116 117 129 200