Professional Documents
Culture Documents
Irman Sonjaya
Stasiun Meteorologi Sepinggan Balikpapan
Toni Kurniawan
Stasiun Meteorologi Supadio Pontianak
ABSTRAK
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):
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
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
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
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
200
Stasiun Meteorologi Balikpapan 150
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
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
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
-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
Observasi dan Hasil Prediksi Curah Hujan Dasarian
2004 56 59 61 59 Staklim Banjarbaru Tahun 2001 - 2002
250
2005 46 46 46 46 200
2006 79 75 74 76 150
50
2008 87 83 85 115
0
1999 - IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
67 64 65 69 -50
2008 JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Bulan / Dasarian
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
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
26 – 50 29 31 29 25 Bulan / Dasarian
Observasi dan Hasil Prediksi Curah Hujan Dasarian 2006 62 54 54 51
Staklim Banjarbaru Tahun 2005 - 2006
350 2007 48 50 49 45
300
250
2008 54 51 54 59
200
1999 -
miimeter 52 48 48 52
150
2008
100
-50
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII Metoda Prakiraan
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Int.
Bulan / Dasarian CH ANFIS WAVELET ARIMA TISEAN
Observasi ANFIS WAVELET ARIMA TIESAN
0–5 12 9 12 9
Observasi dan Hasil Prediksi Curah Hujan Dasarian
6 – 10 8 7 9 7
Staklim Banjarbaru Tahun 2007 - 20048
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
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
-50
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Bulan / Dasarian (c) Stasiun Meteorologi Pontianak
Observasi ANFIS WAVELET ARIMA TIESAN
250
Metoda Prakiraan 200
Tahun
miimeter
150
ANFIS WAVLET ARIMA TISEAN 100
1999 48 39 40 52 50
0
2000 61 60 57 56 -50
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
Observasi dan Hasil Prediksi Curah Hujan Dasarian Gambar 4. Observasi vs Prediksi Curah Hujan
Stamet Pontianak Tahun 2001 - 2002
Dasarian 1999-2008 di Stamet Pontianak
350
300
250 2000 89 74 79 83
200
miimeter
150 2001 65 62 59 62
100
50
2002 57 61 55 63
0
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
2003 61 55 59 61
-50
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
2004 63 60 62 69
Bulan / Dasarian
150
100
2008
50 r 0,07 0,18 0,21 0,01
0
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
-50
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes Metoda Prakiraan
Bulan / Dasarian Int.
Observasi ANFIS WAVELET ARIMA TIESAN CH ANFIS WAVELET ARIMA TISEAN
200
12 14 13 13
150 25
100
26 – 26 23 29 24
50
0
50
-50 IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII > 50 48 45 43 49
JanFebMarA prMeiJunJulA gsSepOktNopDesJanFebMarA prMeiJunJulA gsSepOktNopDes
Bulan / Dasarian
©BULETIN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA
Vol. 5 No. 3 SEPTEMBER 2009
331
3.2 Analisa Data Bulanan Observasi dan Hasil Prediksi Curah Hujan Bulanan
Stamet Balikpapan Tahun 2005 - 2006
600
milimeter
2008 dari masing-masing stasiun 300
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
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
Observasi dan Hasil Prediksi Curah Hujan Bulanan
Stamet Balikpapan Tahun 2001 - 2002
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
Observasi ANFIS WAVELET ARIMA TIESAN
Tahun
ANFIS WAVELET ARIMA TISEAN
Observasi dan Hasil Prediksi Curah Hujan Bulanan 1999 173 113 121 113
Stamet Balikpapan Tahun 2003 - 2004
600 2000 102 98 122 96
500
400
2001 148 144 140 165
milimeter
300
2002 66 89 89 99
200
2007 154 103 97 99 Observasi dan Hasil Prediksi Curah Hujan Bulanan
Staklim Banjarbaru Tahun 2003 - 2004
2008 189 176 188 214
600
1999 - 500
136 123 130 131
2008 400
milimeter
300
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
51 – 100 28 25 28 26
600
milimeter
300
200
05 06
bulan
Observasi dan Hasil Prediksi Curah Hujan Bulanan
Staklim Banjarbaru Tahun 1999 - 2000
Observasi ANFIS WAVELET ARIMA TIESAN
600
500
400 Observasi dan Hasil Prediksi Curah Hujan Bulanan
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
Observasi dan Hasil Prediksi Curah Hujan Bulanan
Staklim Banjarbaru Tahun 2001 - 2002
Observasi ANFIS WAVELET ARIMA TIESAN
600
500
Gambar 6. Observasi vs Prediksi Curah Hujan
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
Observasi ANFIS WAVELET ARIMA TIESAN
sebagai berikut :
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
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
Stamet Pontianak Tahun 2003 - 2004
2005 105 55 57 114
600
2006 101 68 73 64 500
400
2007 97 106 105 77
milimeter
300
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
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
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
Observasi ANFIS WAVELET ARIMA TIESAN
1999 - 150
147 114 114 135
2008 100
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nop Des
Int.
CH ANFI TISEA Gambar 8. Rata-rata curah hujan bulanan di
WAVELET ARIMA
S N Stamet Balikpapan
0 – 25 8 18 16 13
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
50
tinggi namun tetap memiliki pola
0 distribusi curah hujan bulanan yang
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nop Des
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
observasi dan hasil prediksi curah hujan
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
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nop Des
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
0,5
0,4
dasarian kurang dari 25 mm per 0,3
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
Stasiun Klimatologi Banjarbaru
20 memberikan hasil yang cukup baik,
10 terutama untuk metoda WAVELET
0
ANFIS WAVELET ARIMA TIESAN
dan ARIMA yang mampu memberikan
m etoda nilai RMSE kurang dari 50 mm
perdasarian atau 90 mm perbulan
Stamet Balikpapan Staklim Banjarbaru Stamet Pontianak
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
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
4.2 Saran