You are on page 1of 4

Hari/ Tanggal

: Jum’at/5 Desember 2014

Asisten

: 1. Mufridatur Rohmah
2. Ina Rotulhuda

Nama

: Hilda Ayu P

NRP

: G24120068

(G24110001)
(G24110049)

FORECAST CURAH HUJAN MENGGUNAKAN DATA ANOMALI SST
PENDAHULUAN
Latar Belakang
Cuaca dan iklim merupakan dua hal yang berbeda. Cuaca merupakan salah satu variabel
yang menentukan kondisi iklim. Cuaca adalah keadaan rata -rata udara pada periode waktu
sesaat. Iklim adalah keadaan rata-rata cuaca pada periode waktu tertentu. Kondisi cuaca
sangat berpengaruh dalam kehidupan sehari-hari, seperti dalam bidang pertanian transportasi
dan industri. Maka dari itu pengamatan terhadap kondisi cuaca, khususnya kondisi curah
hujan sangat penting dilakukan.Besarnya curah hujan yang terjadi tidak dapat ditentukan
secara pasti, namun dapat diprediksi atau diperkirakan. Dengan menggunakan data
historis besarnya curah hujan beberapa waktu yang lampau,maka dapat diprediksi berapa
besarnya curah hujan yang terjadi pada masa yang akan datang. Banyak cara yang dapat
dilakukan untuk memprediksi besarnya curah hujan di suatu tempat, salah satunyaadalah
menggunakan teknik regresi linier.
Pada hakekatnya, sistem informasi cuaca atau iklim merupakan cara yang dilakukan
untuk mengoptimalkan usaha pemantauan, pengumpulan, analisis data, hingga menjadi
bentuk evaluasi atau prakiraan cuaca dan iklim sedemikian hingga merupakan suatu usaha
manusia untuk melihat perkembangan kondisi udara yang lalu, sekarang, dan yang akan
datang khususnya dalam kaitan mengantisipasi kondisi ekstrem yang umumnya merugikan
harta benda dan jiwa manusia.
Tujuan
Tujuan dari praktikum ini adalah:
1.

Mengetahui perbedaan nilai curah hujan hasil Forecast dengan curah hujan hasil
observasi menggunakan metode regresi

2.

Menentukan nilai P-Value (Prediktor) serta artinya.

Metode
Waktu dan Tempat
Waktu pelaksanaan praktikum metode klimatologi pada hari Jum’at tanggal 5 Desember
2014 bertempat di Laboratorium Komputer Departemen Geofisika dan Meteorologi
Alat dan Bahan
Alat

: - Laptop
- Ms.Excel
- Software Minitab

Bahan

: - Data SST dan anomali curah hujan wilayah Sulawesi selama setahun

Metodologi :
Metodologi pada praktikum ini adalah:

A = konstanta.1998.39-11. Prakiraan jangka panjang yang dibuat BMG menggunakan beberapa metode yang berbasis statistik atau matematik. diantaranya metode probabilitas. Metode statistik dinamis yaitu regresi dan model fungsi transfer. Penjelasan tersebutdiatas memberikan argument yang jelas bahwa SST merupakan parameter kunci dalam hubungan antara atmosfer dan samudera. Hasil dari regresi linier berupa persamaan regresi digunakan untuk menghitung nilai curah hujan hasil forecasting atau prediksi.Memasukkan data SST dan CH ke excel Menggeser data CH 2 bulan kedepan Copy data SST dan anomali CH salah satu grid ke minitab memasukkan persamaan regresi untuk curah hujan hasil forecast copy persamaan dan nilai Prediction Stat.1999).regresion lag 1. dan X = variabel penduga (predictor /independent). Sea Surface Temperature (SST) atau Suhu permukaan laut merupakan salah satu indikator atau variabel yang dapat digunakan dalam menentukan curah hujan di Indonesia. Untuk keperluan forecasting. penelitan ini memakai metode regresi linier sederhana. serta metode dinamis.Prakiraan cuaca dan iklim merupakan bagian dari sistem informasi yang digunakan untuk melihat kondisi alam untuk waktu mendatang yang merupakan hasil analisis dan pengolahan data baik dari data yang lalu maupun data yang terakhir. Penelitian khusus dilakukan oleh Nicholls (1981) dalam Ashok (2007) yang menunjukkan bahwa hubungan antara laut dan udara di Indonesia terkait dengan anomaly/keganjilan suhu permukaan laut dan hal itu mempunyai hubungan seasonal yang kuat dengan Samudra Pasifik. Dalam hal ini digunakan nilai SST rata-rata 2 bulan dibelakang periode musim yang diperkirakan sebagai prediktor. dan metode analogi (Nuryadi. 2003) adalah sebagai berikut: Y = A + BX Dengan Y = variabel yang diduga (predictant/dependent). Penemuan terakhir menjelaskan bahwa anomaly/keganjilan suhu permukaan laut di Samudera India jugaada hubungannnya dengan hujan di Indonesia. Persamaan yang didapat adalah CH = -0.SST Laut yang menyeberang wilayah Indonesia itu merupakan hal yang penting untuk distribusi hujan. Metode prediksi regresi linier sederhana dilakukan dengan cara membentuk persamaan regresi agar dapat melakukan simulasi memprediksi hujan bulanan. Gunawan. deret harmonis. (Saji et al 1999). B = koefisien regresi.1SST . Adapun persamaan yang digunakan (Nazir. ARIMA.ok membuat grafik antara CH hasil Observasi dan Forecast PEMBAHASAN Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi (Subagyo 1986).

dan terendah tahun 1983 dengan nilai 35. P-value adalah nilai kesalahan yang di dapat peneliti dari hasil perhitungan statistik. Nilai CH ini yang akan digunakan sebagai pembanding dengan hasil anomaly curah hujan hasil observasi. walaupun pola yang didapatkan hampir sama. Sedangkan pola anomaly curah hujan hasil forecast sangat jauh berbeda dan tidak mengikuti pola anomaly curah hujan hasil observasi.951. Walaupun demikian nilai forecast masih memilki pola yang sama dengan hasil observasi.CH merupakan nilai anomaly curah hujan hasil prediksi.Nilai anomaly curah hujan hasil forcasting dan observasi memiliki perbedaan yang cukup jauh. Nilai P-value yang didapat sebesar 0. Nilai P-Value merupakan nilai kesalahan yang di dapat peneliti dari hasil perhitungan statistik. Terlihat bahwa nilai hasil forecast dengan observasi berbeda jauh. Nilai p berarti lebih dari 0. Grafik pola anomaly curah hujan hasil forecast dengan observasi ditunjukkan pada gambar 1. Data yang didapat tidak akurat dan tidak terdistribusi secara normal.05 yang mengindikasikan bahwa terdistribusi normal. Pola anomaly curah hujan hasil observasi terlihat memiliki variabilitas yang tinggi dan lebih jelas terlihat. Nilai Observasi tertinggi sekitar 280 di bulan Juli tahun 1983 dan bulan Maret tahun 1989. Pada anomaly curah hujan hasil Forecast terlihat bahwa tidak ada variatif nilai dan tidak jelas perbedaan pola setiap tahunnya. SIMPULAN Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi. Sedangkan nilai anomaly curah hujan hasil forecast terbesar pada tahun1988 sebesar 30. 400 300 200 Indeks Curah hujan 100 anomali CH obs Forecast 0 -100 -200 Time Gambar 1 Grafik anomaly curah hujan antara hasil observasi dan forecasting Pada Korelasi Pearson yang dihasilkan minitab didapatkan nilai P-value.1pada persamaan tersebut merupakan faktor regresi. Angka -11. Nilai ini juga menyatakan bahwa data tidak akurat digunakan untuk melakukan prediksi. Sedangkan nilai terendah sekitar 155 pada bulan Maret tahun 1983. .

Pangestu. Ahmad .1999. 360-363 Subagyo. N.Bogor Saji.2000. S. and T. N. Bey.Bogor Nuryadi. Yogyakarta: BPFE Yogyakarta.1:12-18 Descriptive Methode for Monthly Rainfall Prediction.T.1998.Weng. Nazir.Metoda Kausal dan Times Series untuk Analisa Data Iklim.Prakiraan Jangka Panjang di Badan Meteorologi dan Geofisika.Makalah Review.. B.2003. .1998.Tinjauan Prakiraan Musim BMG serta Manfaatnya untuk Jadwal Tanam. Prosiding Temu Ilmiah Prediksi Cuaca dan Iklim Nasional.Y.pp51-59 Gunawan D. Nature Vol. (1986).. Metode Penelitian.Met.Laporan Praktek Lapang.El Nino Modoki dan telekoneksinya yang mungkin terjadi. Goswani. 2007.Rao.Bogor: IPB dan KRS B Dodo Gunawan Dkk. N.Geo.K. M.A.DAFTAR PUSTAKA Ashok. Nuryadi..Jurusan Geofisika dan Meteorologi FMIPA-IPB.1999.K.Laporan Praktek Lapang. Forecasting Konsep dan aplikasi . H.Percentile Bul.112 (C11). Jakarta.H.Jurnal tentang Penelitian SamudraGeofisika.Lembaga Penerbangan dan Antariksa Nasional.Tinjauan Prakiraan Musim BMGserta Manfaatnya untuk Jadwal Tanam.Behera.Yamagata. & Yamagata..1987. P. 401. Vinayachandran. A Dipole Mode in the Tropical Indian Ocean.S. PT Ghalia Indonesia.Jurusan Geofisika dan Meteorologi FMIPA-IPB.