Statistically Inspired Modification of Partial Least · parameter suhu maksimum (T MAX), suhu...
Transcript of Statistically Inspired Modification of Partial Least · parameter suhu maksimum (T MAX), suhu...
Pembimbing : Dr. Sutikno, S.Si, M.SiCo. Pembimbing : Ir. Mutiah Salamah, M.Kes
Selasa, 24 Juni 2014
“Statistically Inspired Modification of Partial Least Square (SIMPLS) untuk Memprediksi Suhu danKelembaban dengan Pra-Pemrosesan Principle
Component Analysis (PCA)”
Lauda Septiana (1310 100 079)
Gedung H Lantai 2 ITS
2
Agenda
Pendahuluan
Tinjauan Pustaka
Metodologi Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran 3
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN 4
Perubahan cuacasecara tiba-tiba
Prakiraan cuaca jangka pendek
Informasi prakiraan cuacayang cepat dan tepat
PENTING !
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN 5
Subjektif
Keakuratan prakiraanbergantung pada
pengalaman forecaster
Komponeninformasi cuacajangka pendek
Suhu Kelembaban
Suhu Maksimum(Tmax)
Suhu Minimum (Tmin)
KelembabanRata-rata
(RH)
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN 6
7Post processing
MOSModel Output Statistics
BIAS NWP bersifathomogen, karenadiukur pada skalaglobal
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN
Bias
Observasi
NWP
• MOS dengan respon suhu dan kelembaban• Projection Pursuit Regression• Nilai RMSEP model MOS secara konsisten lebih kecil daripada model NWP
Safitri (2012)
• Hasil verifikasi Bidang Analisa Meteorologi tahun2004
• Prakiraan yang dibuat oleh forecaster khususnyaparameter suhu maksimum (TMAX), suhu minimum (TMIN) dan kelembaban rata-rata (RH) belummemenuhi harapan dan kurang memuaskan
BMKG (2011)
Respon(hasil observasi
cuaca)
Prediktor(parameter
NWP))(ˆ tMOSt fy x=
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN 8
9
Multikolinieritas
Reduksi Dimensi
data NWP berdimensibesar (skala global)
RegresiRidge
Principal Component Regression (PCR)
Partial Least Square (PLS)
Metode PLS menghasilkan pendugaan kandungan lemak ikan lebih baikdaripada metode ridge dan PCR.
Herwindiati (1997)
Data NWP diambil dalam 9 grid pengukuran di setiap lokasi
untuk masing-masing variabel
Fungsi hubungan
Metode reduksi variabel
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN
Multikolinieritasantar variabel
10
PLS merupakan metode statistik yang efisienuntuk memprediksi data sampel kecil denganbanyak variabel yang mungkin salingberkorelasi, dan komputasi sangat cepatsehingga mudah diaplikasikan untuk data yang besar dan tidak memerlukan asumsi.
Boulesteix dan Strimmer (2006) TmaxTminRH
Suhu dan kelembabanmempunyai hubungan
yang erat
Multivariate Responsependekatan multivariatyang tidak terlalu ketatdengan asumsi (soft modeling)
metode SIMPLS lebih baik dibandingkan dengan multivariate PCR karena menghasilkan nilai RMSEP yang lebih kecil dan SIMPLS merupakan pemodelan terbaik untuk memprediksi TMIN.
Sari (2013)
algoritma SIMPLS lebih cepat dan lebih mudah untuk diterjemahkankarena tidak melibatkan pemecahan data.
de Jong (1993)
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN
11
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN
hasil pemodelanSIMPLS dengan pra-
pemrosesan PCAhasil model NWP
Bagaimana model prediksi suhu maksimum (TMAX), suhu minimum (TMIN) dan kelembaban rata-rata (RH) dengan SIMPLS melalui pra-pemrosesan PCA?
Bagaimana akurasi hasil prediksi suhu dan kelembaban denganmetode SIMPLS?
Bagaimana kebaikan (performance) hasil prediksi model NWP danhasil prediksi SIMPLS dengan kriteria %IM?
LatarBelakang
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN 12
LatarBelakang
RumusanMasalah
ManfaatPenelitian
BatasanMasalah
PENDAHULUAN
Mendapatkan model prediksi suhu maksimum (TMAX), suhuminimum (TMIN) dan kelembaban rata-rata (RH) dengan SIMPLS melalui pra-pemrosesan PCA?
Mengetahui akurasi hasil prediksi suhu dan kelembaban denganmetode SIMPLS?
Mengetahui kebaikan (performance) hasil prediksi model NWP danhasil prediksi SIMPLS dengan kriteria %IM?
13
menambahwawasan
aplikasi ilmustatistika di
bidangmeteorologitentang MOS mengguna-kan SIMPLS
mendapatkaninformasi
prakiraan cuacajangka pendek
yang akuratkhususnya suhudan kelembabansehingga dapat
dijadikanantisipasi dini
terhadapperubahan cuaca
yang terjadi
sebagai bahanacuan dalammemodelkan
prakiraancuaca jangkapendek untuk
komponensuhu dan
kelembaban
LatarBelakang
RumusanMasalah
TujuanPenelitian
BatasanMasalah
PENDAHULUAN 14
LatarBelakang
RumusanMasalah
TujuanPenelitian
ManfaatPenelitian
Dilakukan di empat lokasi stasiun yang terletak di daerahJakarta yaitu stasiun Kemayoran, Pondok Betung, Tangerang, dan Citeko
Data NWP yang digunakan adalah hasil model aplikasiConformal Cubic Atmospheric Model (CCAM)
Reduksi dimensi pada data NWP dalam 9 grid pengukuranmenggunakan metode principal component analysis (PCA)
PENDAHULUAN 14
SIMPLS MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Principal Component Analysis (PCA)
Vektor random x = [x1, x2,…,xk]′ mempunyai matriks varians-kovarians Σ dengan akar ciri (eigenvalue) berturut-turut yaitu λ1 ≥ λ2 ≥ …≥ λk ≥ 0, maka kombinasi linier utama seperti
PC1 = e1′x = e11x1 + e21x2 + . . . + ek1xkPC2 = e2′x = e12x1 + e22x2 + . . . + ek2xk.
.
.PCk = ek′x = e1kx1 + e2kx2 + . . . + ekkxk
PCA digunakan untuk mereduksi dimensi data dengan cara mentransformasi variabel-variabel asli yang berkorelasi menjadi satu set variabel baru yang tidak berkorelasi, dengan tetap mempertahankan sebanyak mungkin varian yang dapat dijelaskan. Variabel baru tersebut disebut sebagai Principal Component (PC)
Johnson dan Wincern (2002)
16
SIMPLS MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Principal Component Analysis (PCA)
Penentuan banyaknya PC:
• Melihat scree plot. jika garis yang terbentuk mengalami range yang cukup besar maka PC sejumlah garis tersebut
• Banyaknya PC dipilih sesuai dengan banyaknya eigenvalue yang lebih besar dari satu (bila PC diperoleh dari matriks korelasi)
• Sebaiknya jumlah PC yang dipilih adalah yang mampu memberikan kumulatif persen varians 80% - 90%
(Johnson dan Wichern , 2002)
17
PCA MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Partial Least Square (PLS)
• Diperkenalkan pertama kali oleh Wold pada tahun 1960 dalam bidang ekonometrika
• PLS sama dengan regresi komponen utama (principal component regression) dalam
menentukan komponen-komponen utama
untuk menghitungkomponen utama pada
variabel prediktor (X) danrespon (Y) dilakukan
secara terpisah
perhitungan komponenutama pada variabelprediktor dan respon
dilakukan secara bersama-sama melalui proses iterasi
18
PCA MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Regresi Partial Least Square
Jika sebanyak q variabel respon Y1,…,Yq diprediksi dengan p variabel prediktor X1,…,Xp, dimanasampel data terdiri dari n pengamatan maka pasangan datanya dapat ditulis sebagai berikut(xt′,yt′), dimana t = 1,…, n
Metode PLS diawali dengan menstandarkan data baik variabel X maupun variabel Y. Standarisasi data dengan cara mengurangi dengan rata-rata dan dibagi dengan variannya
19
x∗𝑡𝑡𝑡𝑡 =xtu − ��𝑥𝑡𝑡
suy∗tr =
ytr − �𝑦𝑦𝑡𝑡sr
∑=
=n
1
xn1x
ttuu
( )
1n
xxs
n
1
2
−
−=∑=t
utu
u∑=
=n
1
yn1
ttrry ( )
1n
yys
n
1
2
−
−=∑=t
rtr
r
PCA MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Regresi Partial Least SquareDalam PLS, reduksi dimensi dan regresinya dilakukan secara simultan. X : variabel prediktor (n x p)Y : variabel respon (n x q)T : variabel laten atau scores (n x c) P : X-loadings (p x c)Q : Y-loadings (q x c)E dan F : matrik residualRegresi PLS didasarkan pada dekomposisi komponen laten:
Metode PLS sama seperti regresi komponen utama yaitu metode yang membentuk matrik komponen laten Tsebagai transformasi linier dari X :
W adalah matrik pembobot (p x c). Komponen laten digunakan untuk melakukan prediksi terhadap Y,menggantikan variabel asalnya yaitu X. Ketika T sudah terbentuk maka Q′ diperoleh melalui metode kuadratterkecil :
XWT =
20
𝐗𝐗 = 𝐓𝐓𝐏𝐏′ + 𝐄𝐄 𝐘𝐘 = 𝐓𝐓𝐐𝐐′ + 𝐅𝐅
�𝐐𝐐′ = 𝐓𝐓′𝐓𝐓 −1𝐓𝐓′𝐘𝐘
PCA MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Regresi Partial Least Square
matrik B adalah matrik koefisien regresi untuk model Y=XB+F diperoleh sebagai berikut.
Maka dugaan untuk Y adalah
21
�𝐁𝐁 = 𝐖𝐖 𝐓𝐓′𝐓𝐓 −1𝐓𝐓′𝐘𝐘
�𝐘𝐘 = 𝐓𝐓 𝐓𝐓′𝐓𝐓 −1𝐓𝐓′𝐘𝐘
Karakteristik dari berbagai pendekatan regresi PLS dapat dilakukan denganmenitikberatkan pada empat hal berikut.1. Fungsi objektif yang dimaksimumkan oleh matrik W2. Nilai matrik W3. Matrik koefisien regresi B4. Algoritma yang digunakan untuk menghitung W
PCA MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Regresi Partial Least Square
Regresi PLS
Univariate Response
Multivariate ResponsePLS2 - NIPALS
SIMPLS
Wold (1973)
Sijmen de Jong (1993)
22
Fungsi objektif yang dimaksimumkan oleh matrik W merupakan jumlahan dari kovariankuadrat sampel antara komponen laten T dan variabel respon Y1, …, Yq.
PCA MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Algoritma SIMPLS Mulai
Ya
Iterasi awal h = 1, hmax= cS0=XTY; M0=XTX; C0=I
h > hmax
Menghitung eigen-vektor (qh) dari (S’h-1Sh-1)
Menghitung pembobot (wh)wh=Sh-1qh
Menghitung komponen laten (th)th=Xwh
ch = w’h Mh-1 wh
Normalisasi pembobot (wh)
Menghitung matriks loadingph = Mh-1 whqh = S’h-1 wh
Memperbarui inisisasi iterasiCh = Ch-1 – (Chph) (Chph)’
Mh = Mh-1 – php’hSh = Ch Sh-1
Menambahkan komponenh = h+1
Menggabungkan nilai-nilai untuk matriks P,Q, dan W
Matriks koefisien (B)B = WQ’
Stop
Tidak
hhh c/ww = 23
PCA MOS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA 24
Jumlah variabel laten ditentukan oleh statistik yang menilai akurasi pendugaan, yaitu PRESS (Prediction Residual Sum of Square).
PRESS = �t=1
n
yt − �yt−1 2 yt adalah nilai variabel respon pada pengamatan ke-t, dan �𝐲𝐲𝐭𝐭−𝟏𝟏adalah nilai dugaan yt tanpa pengamatan ke-t.
Penentuan jumlah variabel laten ditentukan berdasarkan nilai PRESS terkecil, karena memberikankestabilan lebih tinggi terhadap model jika ada amatan baru
𝐏𝐏𝐑𝐑𝐄𝐄𝐑𝐑𝐑𝐑 = tr 𝐘𝐘 − �𝐘𝐘𝐭𝐭 𝐘𝐘 − �𝐘𝐘𝐭𝐭′
Penentuan Jumlah Variabel Laten
Y adalah matrik variabel respon dan �𝒀𝒀𝒕𝒕 merupakan matrik dugaanrespon tanpa pengamatan ke−t.
PCA SIMPLS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Model Output Statistics (MOS)
Hasil dari prakiraan NWP dengan resolusi tinggi di suatu tempat (grid) seringkali
menghasilkan bias yang besar terutama untuk wilayah dengan topografi dan tutupan vegetasi yang kompleks.
25
Bias
Observasi
NWP
PCA SIMPLS ValidasiModel
UkuranPengkoreksi
Bias
TINJAUAN PUSTAKA
Model Output Statistics (MOS)
MOS merupakan model yang menghubungkan antara variabel respon y (observasi stasiun cuaca) danvariabel prediktor x (parameter NWP) dengan model berbasis regresi.
Persamaan umum MOS :
= ramalan cuaca saat t
= variabel-variabel parameter NWP pada waktu t
Wilks (2006)
)(ˆ tMOSt fy x=
ty
tx
26
27
MOSUkuran
PengkoreksiBias
Suhu danKelembaban
PenelitianSebelumnya
TINJAUAN PUSTAKA
Validasi model dilakukan untuk melihat kemampuan modeldalam melakukan pendugaan terhadap data baru yang bukanmerupakan bagian dari data penyusun model.
Laporan bidang AnalisaMeteorologi BMKG tahun
2004
Unsur RMSEP Kriteria
Suhu
0,0 – 0,4 Baik sekali0,5 – 0,8 Baik0,9 – 1,2 Sedang1,3 – 1,6 Buruk
> 1,6 Buruk sekali
Kelembaban
0,0 – 2,5 Baik sekali2,6 – 5,0 Baik5,1 – 7,5 Sedang7,6 – 10,0 Buruk
> 10,0 Buruk sekali
( )pred
ttt
n
YYRMSEP
predn
∑=
−= 1
2ˆ
RMSEP = diag�𝐘𝐘 − 𝐘𝐘 �𝐘𝐘 − 𝐘𝐘 ′
npred
⁄1 2
Univariate
Multivariate
MOS ValidasiModel
Suhu danKelembaban
PenelitianSebelumnya
TINJAUAN PUSTAKA
Semakin besar %IM menunjukkan bahwa semakin baik model MOS mengkoreksi bias dari hasil ramalan NWP.
Presentase perbaikan model MOS terhadap NWP ditunjukkanoleh Percentage Improval (%IM)
Davis (2004)
%100% ×−
=NWP
MOSNWP
RMSEPRMSEPRMSEPIM
28
MOS ValidasiModel
UkuranPengkoreksi
Bias
PenelitianSebelumnya
TINJAUAN PUSTAKA
Suhu merupakan ukuran panas atau dinginnya suatu benda (Blundell dan Blundell, 2006). Suhu udara adalah jumlah barang yang terkandung di udara.
Tanudidjaja (1993), faktor-faktor yang mempengaruhi :1. Lama penyinaran matahari2. Kemiringan sinar matahari3. Keadaan awan4. Keadaan permukaan bumi
Wirjohamidjojo dalam Swarinoto (2011) kelembaban udara adalahbanyaknya uap air yang terkandung dalam udara atau atmosfer. Besarnyatergantung dari masuknya uap air ke dalam atmosfer
%100×=meeRH
Suhu
Kelembaban
29
MOS ValidasiModel
UkuranPengkoreksi
Bias
Suhu danKelembaban
TINJAUAN PUSTAKA
• Model MOS dengan respon suhu dan kelembaban• Metode Projection Pursuit Regression• Mendapatkan nilai RMSEP model MOS secara konsisten lebihkecil daripada model NWP
Safitri (2012)
• Metode PLS untuk memodelkan curah hujan GCM denganreduksi dimensi PCA
• Menyimpulkan bahwa pemodelan metode PLS lebih baikdibandingkan pemodelan dengan regresi komponen utama
• PLS yang digunakan adalah PLS1
Fitriani (2010)
• Metode SIMPLS untuk memodelkan prediksi suhu dankelembaban dengan reduksi dimensi PCA
• Empat lokasi pengamatan (stasiun Tanjung Priuk, Cengkareng, Curug, Dermaga)
• Menyimpulkan bahwa metode SIMPLS lebih baiik daripadamultivariate PCR karena menghasilkan nilai RMSEP yang lebihkecil.
Sari (2013)
30
VariabelPenelitian
Metode AnalisisData
METODOLOGI PENELITIAN
Data luaran NWP model CCAM harian1 Januari 2009 – 31 Desember 2010
31
VariabelPenelitian
Metode AnalisisData
METODOLOGI PENELITIAN
Stasiun Citeko
Stasiun Tangerang Stasiun Kemayoran
Stasiun Pondok Betung
LokasiPenelitian
32
SumberData
Metode AnalisisData
METODOLOGI PENELITIAN
Data observasicuaca permukaan
Data NWP model CCAM yang
dikembangkanCSIRO, AustraliaSuhu Maksimum (Tmax)
Suhu Minimum (Tmin)
Kelembaban Rata-rata (RH)
33
SumberData
Metode AnalisisData
METODOLOGI PENELITIAN
No. Variabel Level1. Surface Pressure Tendency (dpsdt) Permukaan2. Water Mixing Ratio (mix) 1, 2 dan 43. Vertical Velocity (omega) 1, 2 dan 44. PBL depth (pblh) Permukaan5. Surface Pressure (ps) Permukaan6. Mean Sea Level Pressure (psl) Permukaan7. Screen Mixing Ratio (qgscm) Permukaan8. Relative Humidity (rh) 1, 2 dan 49. Precipitation (rnd) Permukaan
10. Temperatire 1, 2 dan 411. Maximum Screen Temperature (tmaxcr) Permukaan12. Minimum Screen Temperature (tmincr) Permukaan13. Pan Temperature (tpan) Permukaan14. Screen Temperature (tscrn) Permukaan15. Zonal Wind (u) 1, 2 dan 416. Friction Velocity (ustar) Permukaan17. Meridional Wind (v) 1, 2 dan 418. Geopotential Height (zg) 1, 2 dan 4
Masing-masing variabel diukur pada grid 3x3
Grid terdekat padalokasi stasiunpengamatan
Kombinasi grid di sekitarlokasi pengamatan 34
Level permukaan : ketinggian ±2mLevel 1 : tekanan 1000 mb (milibar)Level 2 : tekanan 950 mbLevel 4 : tekanan 850 mb
a). Menghitung matriks varian kovarians Σb). Menghitung nilai eigen value dan eigen vektor dari matriks kovariansc). Membentuk variabel baru (komponen uatama) dari eigen vektor
SumberData
VariabelPenelitian
METODOLOGI PENELITIAN
Langkah Analisis
Melakukan standarisasi data untuk variabel X variabel Y
Membagi data menjadi 90% data training dan 10% data testing
Mereduksi dimensi masing-masing variabel prediktor dalam 9 grid pengukuran menggunakan Principal Component Analysis (PCA)
Melakukan pemodelan MOS dengan menggunakan SIMPLS
Melakukan validasi model berdasarkan data testing untuk mendapatkan nilaiRMSEP, yang menunjukkan akurasi model.
Mendapatkan model terbaik
Mengoreksi bias model MOS terhadap model NWP dengan ukuran%IM
a). Menghitung cross-product (S), dimana S = X’Yb). Menghitung nilai eigen-vektor (qh) dari (S’S)c). Menghitung pembobot (wh)d). Menghitung komponen latene). Melakukan normalisasi pembobotf). Menghitung matriks loadingg). Memperbarui inisiasi iterasih). Menambahkan komponeni). Menggabungkan nilai-nilai matrik P,W,Qj). Membentuk matriks koefisien (B)k). Membentuk model regresi SIMPLS berdasarkan data in sample
35
SumberData
VariabelPenelitian
METODOLOGI PENELITIAN
Data observasi cuaca permukaan (suhu dan
kelembaban)Data luaran NWP
Melakukan standarisasi data untuk variabel respon dan prediktor
Membagi data menjadi 90% data training dan 10% data testing
Mereduksi dimensi variabel NWP di 9 grid pengukuran menggunakan PCA
Menyusun model dengan SIMPLS menggunakan data NWP (hasil PCA) sebagai prediktor serta suhu dan kelembaban sebagai respon
Melakukan validasi model menggunakan data testing untuk memperoleh RMSEP sebagai hasil akurasi model
Membandingkan kinerja model MOS terhadap model NWP dengan mengoreksi bias NWP dengan mengkoreksi bias NWP dengan ukuran %IM
Mendapatkan model terbaik 36
Pra-Pemrosesan
NWP
PemodelanSIMPLS
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN 37
Stasiun Variabel Rata-Rata Standar Deviasi
CitekoTMAKS (°C) 26,0963 1,5481TMIN (°C) 18,6530 0,8299RH (%) 84,3082 7,3935
KemayoranTMAKS (°C) 32,4191 1,5568TMIN (°C) 25,4233 0,9556RH (%) 76,1024 6,0656
Pondok BetungTMAKS (°C) 33,1455 1,6217TMIN (°C) 24,1888 0,9893RH (%) 80,3386 6,9863
TangerangTMAKS (°C) 32,6159 1,5324TMIN (°C) 23,9489 1,2037RH (%) 80,0946 5,8811
Deskripsi Variabel Respon
Deskripsi PemodelanSIMPLS
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
PCCiteko Kemayoran Pondok Betung Tangerang
Nilai eigen
Kum. varians
Nilaieigen
Kum. varians
Nilaieigen
Kum. varians
Nilaieigen
Kum. varians
1 8,9983 99,9808 8,9986 99,9847 8,9986 99,9840 8,9987 99,9857
2 0,0011 99,9933 0,0009 99,9947 0,0010 99,9949 0,0008 99,9948
3 0,0004 99,9981 0,0003 99,9983 0,0003 99,9984 0,0003 99,9986
4 0,0001 99,9990 0,0001 99,9990 0,0001 99,9991 0,0001 99,9994
5 0,0000 99,9995 0,0001 99,9996 0,0000 99,9996 0,0000 99,9997
6 0,0000 99,9997 0,0000 99,9998 0,0000 99,9998 0,0000 99,9998
7 0,0000 99,9999 0,0000 99,9999 0,0000 99,9999 0,0000 99,9999
8 0,0000 100 0,0000 100 0,0000 100 0,0000 100
9 0,0000 100 0,0000 100 0,0000 100 0,0000 100
Nilai Eigen dan Kumulatif Varians (%) PC Variabel dpsdt
38
39
Deskripsi PemodelanSIMPLS
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Jumlah Komponen Utama Variabel NWP pada Stasiun Citeko
VariabelCiteko
Jml. PC
NilaiEigen
Kum. Varians
dpsdt 1 8,998 99,981mixr1 1 8,073 89,695mixr2 1 8,519 94,651mixr4 1 8,707 96,747omega1 2 6,866; 1,128 88,823omega2 2 6,719; 1,019 85,985omega4 1 7,359 81,768Pblh 1 8,037 89,296Ps 1 8,946 99,395Psl 1 8,997 99,969qgscrn 1 7,488 83,201rh1 1 7,772 86,351rh2 1 8,409 93,428rh4 1 8,683 96,473rnd 1 8,023 89,150temp1 1 8,342 92,684
VariabelCiteko
Jml. PC Nilai EigenKum.
Varianstemp2 1 8,575 95,282temp4 1 8,860 98,445tmaxscr 1 8,811 97,898tminscr 1 8,202 91,131tpan 1 8,494 94,377tscrn 1 8,366 92,957u1 1 8,308 92,311u2 1 8,551 95,007u4 1 8,911 99,012ustar 2 6,697; 1,182 87,545v1 2 6,830; 1,301 90,340v2 2 6,823; 1,452 91,938v4 1 8,635 95,947zg1 1 7,697 85,518zg2 2 6,683; 2,017 96,675zg4 2 5,833; 3,058 98,790
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Menentukan Jumlah Komponen Optimal
JumlahKomponen
Nilai PRESSJumlah
KomponenNilai PRESS
1 1,254 21 1,2092 1,208 22 1,2113 1,201 23 1,2104 1,203 24 1,2125 1,205 25 1,2116 1,207 26 1,2107 1,205 27 1,2128 1,205 28 1,2129 1,207 29 1,210
10 1,208 30 1,21011 1,210 31 1,20812 1,211 32 1,21113 1,214 33 1,21314 1,214 34 1,21215 1,214 35 1,21216 1,213 36 1,21217 1,213 37 1,21018 1,210 38 1,21019 1,208 39 1,21020 1,211
StasiunJumlah
Komponen
NilaiPRESS Terkecil
Citeko 3 1,2010
Kemayoran 8 0,9937
Pondok Betung 5 1,1470
Tangerang 3 1,1810
40
41
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Menghitung Pembobot SIMPLS (W)
wh = (X′Y)h-1 qh
h : jumlah komponen yang diekstraksi
qh : eigen vektor dari S′h-1Sh-1
𝒘𝒘𝒉𝒉 = ⁄𝒘𝒘𝒉𝒉 𝐜𝐜𝐡𝐡𝐜𝐜𝐡𝐡 = 𝐰𝐰′𝐡𝐡𝐌𝐌𝐡𝐡−1𝐰𝐰𝐡𝐡
Mh = Mh-1-phph′
39×3
Variabel w1 w2 w3
PC.dpsdt 0,00070 -0,00045 0,00155PC.mixr1 0,00298 -0,00499 -0,00012PC.mixr2 0,00292 -0,00439 -0,00030PC.mixr4 0,00259 -0,00370 -0,00254PC1.omega1 0,00057 -0,00007 0,00353PC2.omega1 0,00156 -0,00098 -0,00373PC1.omega2 0,00076 -0,00005 0,00328PC2.omega2 0,00097 -0,00088 -0,00478PC.omega4 -0,00055 -0,00073 -0,00100PC.pblh -0,00047 0,00064 0,00001PC.ps -0,00029 -0,00001 0,00346PC.psl -0,00026 0,00003 0,00344PC.qgscrn 0,00281 -0,00465 0,00213PC.rh1 0,00349 -0,00213 -0,00143PC.rh2 -0,00367 0,00214 0,00079PC.rh4 0,00300 -0,00136 -0,00284PC.rnd 0,00267 0,00042 0,00022PC.temp1 -0,00197 -0,00328 0,00279PC.temp2 -0,00254 -0,00376 0,00215PC.temp4 -0,00179 -0,00481 0,00289
⋮ ⋮ ⋮ ⋮PC2.zg4 0,00238 -0,00138 0,00171
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Pembentukan X-scores (T)
T = XW
n t1 t2 t3
1 -0,062090 -0,03052 0,0083412 0,016297 -0,03551 -0,0414203 0,038486 -0,07493 -0,1618104 -0,019380 -0,06642 -0,0453805 0,002942 -0,04095 -0,0503306 -0,040080 -0,03017 0,0014857 -0,041470 -0,00439 -0,0511508 -0,047620 -0,01103 -0,0088909 -0,075860 -0,03886 -0,050140
10 -0,110600 -0,08951 -0,03806011 -0,100600 -0,07771 0,00527512 -0,100810 -0,07123 -0,06233013 -0,079430 -0,05843 -0,09320014 -0,101010 -0,06748 -0,07205015 -0,074450 -0,03297 -0,043720
⋮ ⋮ ⋮ ⋮
637 0,002081 0,010986 -0,024630
637×3
42
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Pembentukan Matriks Faktor Loadings untuk X (P)
39 ×3
X=TP+Fph=Mh-1wh
Variabel p1 p2 p3
PC.dpsdt 2,306917 -4,91908 7,237046PC.mixr1 15,3776 -16,6309 -3,37818PC.mixr2 15,19596 -17,0795 -4,42905PC.mixr4 15,31676 -14,6838 -6,74417PC1.omega1 0,227218 -2,06256 12,89203PC2.omega1 11,13441 -7,16259 -10,1842PC1.omega2 1,443845 -2,35393 13,38299PC2.omega2 8,796853 -6,23645 -11,8866PC.omega4 -2,67377 -5,91618 5,284446PC.pblh -2,9077 -4,80195 -0,60733PC.ps -4,58786 -2,85833 11,48566PC.psl -4,39936 -2,7218 11,43491PC.qgscrn 12,59453 -17,2395 1,040952PC.rh1 20,20194 -3,91483 -4,96509PC.rh2 -20,413 7,866596 5,578725PC.rh4 18,43089 -7,28204 -8,00563PC.rnd 14,88662 3,888286 0,37888PC.temp1 -14,3812 -16,6566 4,929657
⋮ ⋮ ⋮ ⋮PC2.zg4 11,45782 -4,96597 7,19704143
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Pembentukan Matriks Faktor Loadings untuk Y (Q)
3×3
Y=TQ+Eqh = S′h-1wh
Sh = ShSh-1
Respon q1 q2 q3
Tmaks 14,24268 5,382603 6,298144
Tmin -3,74384 13,89358 -1,54989
RH -13,4124 4,194697 -5,92942
44
45
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Menghitung Koefisien Regresi
39×3
𝐁𝐁 = 𝐖𝐖 𝐓𝐓′𝐓𝐓 −𝟏𝟏𝐓𝐓′𝐘𝐘atau
𝐁𝐁 = 𝐖𝐖𝐐𝐐′
Variabel Tmaks Tmin RHPC.dpsdt 0,0173 -0,0113 -0,0205PC.mixr1 0,0149 -0,0803 -0,0602PC.mixr2 0,0161 -0,0716 -0,0559PC.mixr4 0,0009 -0,0572 -0,0352PC1.omega1 0,0301 -0,0086 -0,0290PC2.omega1 -0,0066 -0,0137 -0,0029PC1.omega2 0,0313 -0,0087 -0,0300PC2.omega2 -0,0210 -0,0085 0,0115PC.omega4 -0,0181 -0,0065 0,0103PC.pblh -0,0031 0,0106 0,0089PC.ps 0,0175 -0,0045 -0,0166PC.psl 0,0181 -0,0039 -0,0167PC.qgscrn 0,0285 -0,0786 -0,0700PC.rh1 0,0293 -0,0405 -0,0474PC.rh2 -0,0358 0,0422 0,0535PC.rh4 0,0175 -0,0257 -0,0291PC.rnd 0,0418 -0,0044 -0,0354PC.temp1 -0,0282 -0,0425 -0,0038PC.temp2 -0,0428 -0,0461 0,0055PC.temp4 -0,0332 -0,0646 -0,0133
⋮ ⋮ ⋮ ⋮PC2.zg4 0,0373 -0,0307 -0,0479
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Penyusunan Model SIMPLS𝑦𝑦𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = 0,0173 PC.dpsdt + 0,0149 PC.mixr1 + 0,0161 PC.mixr2 +
0,0009 PC.mixr4 + 0,0301 PC1.omega1 – 0,0065PC2.omega1 + 0,0313 PC1.omega2 – 0,0210 PC2.omega2 –0,0181 PC.omega4 – 0,0031 PC.pblh + 0,0175 PC.ps +0,0181 PC.psl + 0,0285 PC.qgscrn + 0,0293 PC.rh1 –0,0358 PC.rh2 + 0,0175 PC.rh4 + 0,0418 PC.rnd – 0,0282PC.temp1 – 0,0428 PC.temp2 – 0,0332 PC.temp4 – 0,1727PC.tmaxscr – 0,0387 PC.tminscr – 0,0814 PC.tpan – 0,0254PC.tscrn + 0,0755 PC.u1 + 0,0720 PC.u2 + 0,0941 PC.u4 +0,0520 PC1.ustar + 0,0148 PC2.ustar + 0,0323PC1.v1 –0,0087 PC2.v1 + 0,0237 PC1.v2 – 0,0091 PC2.v2 – 0,0316PC.v4 + 0,0252 PC.zg1 + 0,0193 PC1.zg2 – 0,0345 PC2.zg2+ 0,0354 PC1.zg4 + 0,0373 PC2.zg4
�𝑦𝑦𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = – 0,0113 PC.dpsdt – 0,0803 PC.mixr1 – 0,0716 PC.mixr2 –0,0572 PC.mixr4 – 0,0086 PC1.omega1 – 0,0137 PC2.omega1– 0,0087 PC1.omega2 – 0,0085PC2.omega2 – 0,0065PC.omega4 + 0,0106 PC.pblh – 0,0045 PC.ps – 0,0039 PC.psl– 0,0785 PC.qgscrn + 0,0405 PC.rh1 + 0,0422 PC.rh2 – 0,0257PC.rh4 – 0,0043 PC.rnd – 0,0425 PC.temp1 – 0,0461PC.temp2 – 0,0646PC.temp4 + 0,0256 PC.tmaxscr –0,0572PC.tminscr – 0,0184 PC.tpan – 0,0400 PC.tscrn –0,0050 PC.u1 – 0,0057 PC.u2 – 0,0207 PC.u4 + 0,0088PC1.ustar – 0,0080 PC2.ustar + 0,0002 PC1.v1 + 0,0038PC2.v1 + 0,0033 PC1.v2 – 0,0017 PC2.v2 – 0,0045 PC.v4 –0,0564 PC.zg1 – 0,0617 PC1.zg2 – 0,0434 PC2.zg2 + 0,0803PC1.zg4 – 0,0307 PC2.zg4
�𝑦𝑦𝑅𝑅𝑅𝑅 = – 0,0205 PC.dpsdt – 0,0602 PC.mixr1 – 0,0559 PC.mixr2 – 0,0352 PC.mixr4 –0,0290 PC1.omega1 – 0,0029 PC2.omega1 – 0,0300 PC1.omega2 + 0,0115PC2.omega2 + 0,0103 PC.omega4 + 0,0089 PC.pblh – 0,0166 PC.ps – 0,0167 PC.psl –0,0700 PC.qgscrn – 0,0474 PC.rh1 + 0,0535 PC.rh2 – 0,0291 PC.rh4 – 0,0354 PC.rnd– 0,0038 PC.temp1 + 0,0055 PC.temp2 – 0,0133 PC.temp4 + 0,1516 PC.tmaxscr –0,0043 PC.tminscr + 0,0528 PC.tpan – 0,0044PC.tscrn – 0,0624 PC.u1 – 0,0601PC.u2 – 0,0866 PC.u4 – 0,0356 PC1.ustar – 0,0163 PC2.ustar – 0,0254 PC1.v1 +0,0090 PC2.v1 – 0,0168 PC1.v2 + 0,0059 PC2.v2 + 0,0219 PC.v4 – 0,0540 PC.zg1 –0,0527 PC1.zg2 + 0,0006 PC2.zg2 + 0,0210 PC1.zg4 – 0,0479 PC2.zg4 46
47
DeskripsiPra-
PemrosesanNWP
ValidasiModel
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
𝒆𝒆 =
−0,3333 −0,3348 −0,3321 −0,3313 … 0,4095−0,3333 −0,3401 −0,3356 −0,3341 … 0,0619−0,3333−0,3333−0,3333−0,3333−0,3333−0,3333−0,3333
−0,3248−0,3383−0,3483−0,3298−0,3142−0,3354−0,3327
−0,3303 −0,3317 … 0,1414−0,3360 −0,3356 … −0,3264−0,3413 −0,3383 … −0,1567−0,3349 −0,3353 … 0,5547−0,3253 −0,3293 … −0,1905−0,3337 −0,3327 … −0,3224−0,3301 −0,3312 … 0,4788
Matriks eigenvector masing-masing komponenStasiun Respon R2 (%)
Citeko
Tmaks 42,68Tmin 32,93RH 36,58
Kemayoran
Tmaks 53,46Tmin 29,73RH 45,98
Pondok Betung
Tmaks 48,98Tmin 22,20RH 44,23
Tangerang
Tmaks 49,45Tmin 12,71RH 32,85
Nilai R2 Model SIMPLS Masing-Masing Stasiun
DeskripsiPra-
PemrosesanNWP
PemodelanSIMPLS
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
Stasiun ResponNilai
RMSEPKriteria
RMSEP BMKG
CitekoTmaks 1,19766 SedangTmin 0,52752 BaikRH 5,49834 Sedang
KemayoranTmaks 0,94913 SedangTmin 0,79739 BaikRH 4,92089 Baik
PondokBetung
Tmaks 0,99559 Sedang
Tmin 0,74117 BaikRH 4,83637 Baik
TangerangTmaks 0,99119 SedangTmin 1,06924 SedangRH 5,65513 Sedang
48
Validasi Model
DeskripsiPra-
PemrosesanNWP
PemodelanSIMPLS
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
20
22
24
26
28
30
32
34
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Tm
aks
(°C
)
Obs NWP SIMPLS
49
Perbandingan Nilai Dugaan TMAKS SIMPLS dengan NWP dan Observasi
DeskripsiPra-
PemrosesanNWP
PemodelanSIMPLS
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN
15
17
19
21
23
25
27
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Tm
in(°
C)
Obs NWP SIMPLS
50
Perbandingan Nilai Dugaan TMIN SIMPLS dengan NWP dan Observasi
DeskripsiPra-
PemrosesanNWP
PemodelanSIMPLS
PerbandinganKeakuratan
ANALISIS DAN PEMBAHASAN 51
Perbandingan Nilai Dugaan RH SIMPLS dengan NWP dan Observasi
60
65
70
75
80
85
90
95
100
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
RH
(%
)
Obs SIMPLS NWP
52
DeskripsiPra-
PemrosesanNWP
PemodelanSIMPLS
ValidasiModel
ANALISIS DAN PEMBAHASAN
StasiunUnsurCuaca
RMSEPNWP RMSEPMOS %IM
CitekoTMAKS 4,15715 1,19766 71,19019TMIN 5,15048 0,52752 89,75772RH 13,05087 5,49834 57,86995
Kemayoran TMAKS 2,94905 0,94913 67,81555TMIN 1,91104 0,79739 58,27424RH 7,18043 4,92089 31,46798
Pondok Betung
TMAKS 3,32267 0,99559 70,03628TMIN 1,08118 0,74117 31,44806RH 7,58212 4,83637 36,21343
TangerangTMAKS 3,10894 0,99119 68,11809TMIN 1,33997 1,06924 20,20377RH 6,55888 5,65513 13,77906
Saran
KESIMPULAN DAN SARAN
𝑦𝑦𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = 0,0173 PC.dpsdt + 0,0149 PC.mixr1 + 0,0161 PC.mixr2 + 0,0009 PC.mixr4 + 0,0301PC1.omega1 – 0,0065 PC2.omega1 + 0,0313 PC1.omega2 – 0,0210 PC2.omega2 –0,0181 PC.omega4 – 0,0031 PC.pblh + 0,0175 PC.ps + 0,0181 PC.psl + 0,0285PC.qgscrn + 0,0293 PC.rh1 – 0,0358 PC.rh2 + 0,0175 PC.rh4 + 0,0418 PC.rnd –0,0282 PC.temp1 – 0,0428 PC.temp2 – 0,0332 PC.temp4 – 0,1727 PC.tmaxscr –0,0387 PC.tminscr – 0,0814 PC.tpan – 0,0254 PC.tscrn + 0,0755 PC.u1 + 0,0720PC.u2 + 0,0941 PC.u4 + 0,0520 PC1.ustar + 0,0148 PC2.ustar + 0,0323PC1.v1 –0,0087 PC2.v1 + 0,0237 PC1.v2 – 0,0091 PC2.v2 – 0,0316 PC.v4 + 0,0252 PC.zg1 +0,0193 PC1.zg2 – 0,0345 PC2.zg2 + 0,0354 PC1.zg4 + 0,0373 PC2.zg4
Hasil pra-pemrosesan NWP menggunakan metode PCA menghasilkan total komponen utama yangdigunakan sebagai variabel prediktor pada pemodelan SIMPLS di stasiun Citeko sebanyak 39, stasiunKemayoran, Pondok Betung, dan Tangerang sebanyak 35 komponen. Model prediksi TMAKS, TMIN, danRH menggunakan metode SIMPLS di stasiun Citeko adalah sebagai berikut.
53
54
Saran
KESIMPULAN DAN SARAN
�𝑦𝑦𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = – 0,0113 PC.dpsdt – 0,0803 PC.mixr1 – 0,0716 PC.mixr2 – 0,0572 PC.mixr4 – 0,0086PC1.omega1 – 0,0137 PC2.omega1 – 0,0087 PC1.omega2 – 0,0085PC2.omega2 – 0,0065PC.omega4 + 0,0106 PC.pblh – 0,0045 PC.ps – 0,0039 PC.psl – 0,0785 PC.qgscrn +0,0405 PC.rh1 + 0,0422 PC.rh2 – 0,0257 PC.rh4 – 0,0043 PC.rnd – 0,0425 PC.temp1 –0,0461 PC.temp2 – 0,0646PC.temp4 + 0,0256 PC.tmaxscr – 0,0572PC.tminscr – 0,0184PC.tpan – 0,0400 PC.tscrn – 0,0050 PC.u1 – 0,0057 PC.u2 – 0,0207 PC.u4 + 0,0088PC1.ustar – 0,0080 PC2.ustar + 0,0002 PC1.v1 + 0,0038 PC2.v1 + 0,0033 PC1.v2 –0,0017 PC2.v2 – 0,0045 PC.v4 – 0,0564 PC.zg1 – 0,0617 PC1.zg2 – 0,0434 PC2.zg2 +0,0803 PC1.zg4 – 0,0307 PC2.zg4
�𝑦𝑦𝑅𝑅𝑅𝑅 = – 0,0205 PC.dpsdt – 0,0602 PC.mixr1 – 0,0559 PC.mixr2 – 0,0352 PC.mixr4 – 0,0290PC1.omega1 – 0,0029 PC2.omega1 – 0,0300 PC1.omega2 + 0,0115 PC2.omega2 + 0,0103PC.omega4 + 0,0089 PC.pblh – 0,0166 PC.ps – 0,0167 PC.psl – 0,0700 PC.qgscrn – 0,0474PC.rh1 + 0,0535 PC.rh2 – 0,0291 PC.rh4 – 0,0354 PC.rnd – 0,0038 PC.temp1 + 0,0055PC.temp2 – 0,0133 PC.temp4 + 0,1516 PC.tmaxscr – 0,0043 PC.tminscr + 0,0528 PC.tpan –0,0044PC.tscrn – 0,0624 PC.u1 – 0,0601 PC.u2 – 0,0866 PC.u4 – 0,0356 PC1.ustar – 0,0163PC2.ustar – 0,0254 PC1.v1 + 0,0090 PC2.v1 – 0,0168 PC1.v2 + 0,0059 PC2.v2 + 0,0219PC.v4 – 0,0540 PC.zg1 – 0,0527 PC1.zg2 + 0,0006 PC2.zg2 + 0,0210 PC1.zg4 – 0,0479PC2.zg4
Saran
KESIMPULAN DAN SARAN
Hasil validasi model SIMPLS dengan kriteria RMSEP menunjukkan bahwa RMSEPuntuk TMAKS di empat stasiun berkriteria sedang. Nilai RMSEP untuk TMIN di stasiunCiteko, Kemayoran, dan Pondok Betung berkriteria baik dan di stasiun Tangerangberkriteria sedang. Sedangkan nilai RMSEP untuk RH berkriteria sedang di stasiunCiteko dan Tangerang, serta berkriteria baik di stasiun Kemayoran dan PondokBetung.
Nilai RMSEP model MOS menggunakan metode SIMPLS lebih kecil daripadaRMSEP model NWP untuk semua unsur cuaca (TMAKS, TMIN, dan RH) di empatstasiun pengamatan. Hasil prediksi model SIMPLS lebih akurat daripada model NWP. Nilai %IM untuk prediksi TMIN mencapai 89,75%, yang artinya model SIMPLS dapat mengkoreksi bias NWP sebesar 89,75%
55
Kesimpulan
KESIMPULAN DAN SARAN
Pemodelan dari hasil penelitian inidisarankan untuk digunakan oleh BMKG
untuk memprediksi suhu dan kelembabankarena menghasilkan RMSEP yang jauh
lebih kecil dibandingkan denganpemodelan NWP dari BMKG. Pemodelanini juga mampu mengkoreksi bias NWP
yang cukup besar.
56
Arfianto, A. D. (2008). Aplikasi Model regresi Logistik Untuk Prakiraan Kejadian Hujan. Skripsi, Jurusan Statistika, InstitutPertanian Bogor.
[BMKG] Badan Meteorologi, Klimatologi, dan Geofisika. (2004). Verifikasi dan Jangkauan Prakiraan Cuaca Jangka Pendek.Jakarta : BMKG.
[BMKG] Badan Meteorologi, Klimatologi, dan Geofisika. (2006). Laporan Kegiatan Pengembangan Model Output Statistics(MOS) untuk Pemodelan Prakiraan Cuaca Jangka Pendek. Jakarta : Pusat Penelitian dan Pengembangan BMKG.
[BMKG] Badan Meteorologi, Klimatologi, dan Geofisika. (2011). Kajian dan Aplikasi Model CCAM (Conformal CubicAtmospheric Model) untuk Prakiraan Cuaca Jangka Pendek Menggunakan MOS (Model Output Statistik). Jakarta :Pusat Penelitian dan Pengembangan BMKG.
Blundell, S. J dan Blundell, K.M. (2006). Concept in Thermal Physics. Inggris : Oxford University Press.Boulesteix, Laure, A., dan Strimmer, K. (2006). Partial Least Square : A Versatile Tool for the Analysis of High-Dimensional
Genomic Data. Journal of Briefings in Bioinformatics. 8 (1), 32-44.Davis, J.T. (2004). Bias Removal and Model Consensus Forecast of Maximum and Minimum Temperatures using The Graphical
Forecast Editor. NOOA NWS Office Tucso, Arizona, WR Technical 04, 10-13.De Jong, S. (1993). SIMPLS: An Alternative Approach To Partial Least Square Regression. Original Research Paper
Chemometrics and Intelligent Laboratory System. 18, 251-263. Fitriani, A. (2010) Metode Regresi Kuadrat Terkecil dengan Pra-Pemrosesan Analisis Komponen Utama untuk Pemodelan
Curah Hujan pada Data Luaran GCM CSIRO MK3. Tugas Akhir, Jurusan Statistika, Institut Teknologi Sepuluh Nopember.
57
Glahn, H.R. dan Lowry, D.A. (1972). The Use Model Output Statistics (MOS) in Objective Weather Forecasting. Journal ofApplication Meteorologi, 11,1203-1211.
Herwindiati, D.E. (1997). Pengkajian Regresi Komponen Utama, Regresi Ridge, dan Regresi Kuadrat Terkecil Parsial. Tesis,Jurusan Statistika, Institut Pertanian Bogor.
Idowu, O.S. dan Rautenbach, C.J.deW. (2009). Model Output Statistics to Improve Severe Storm Prediction Over WestrenSahel. South Africa: Department of Geography, Geoinformatics and Meteorology, University of Pretoria.
Johnson, R.A dan Wichern, D.W. (2002). Applied Multivariate Statistical Analysis. 5th Ed. New Jersey : Prentice Hall.Jolliffe, I.T. (1986). Principal Component Analysis, Second Ed. New York : Springer-Verlag.Linacre, E., Geerts, B. (2003). Climate and Weather Explained. New York : Routledge.Neilley, P.P dan Hanson, K.A. (2004). Are Model Output Statistics Still Need? Preprints, 20th Conference on Weather
Analysis and Forecasting/16th Conference on Numerical Weather Prediction, Seattle, WA, Amer. Meteor. Soc.:64.Nichols, M. (2008). Model Output Statistics. Independent Research Program. 2008-2009.[PAKLIM] Program Advis Kebijakan untuk Lingkungan Hidup dan Perubahan Iklim. 2013. Perubahan Iklim di Indonesia.
Diambil dari website PAKLIM: http://www. paklim.org/id/tentang/perubahan-iklim-di-indonesia/ pada 18 Oktober2013.
Priambudi, A. K. (2006). Regresi Splines Adaptif Berganda untuk Peramalan Suhu dan Kelembaban. Skripsi, JurusanStatistika, Institut Pertanian Bogor.
Rahmiati, R. (2010). Regresi Partial Least Square (PLS) – Transformasi Wavelet Diskrit (TWD) untuk Pemodelan DataKalibrasi. Tesis, Jurusan Statistika, Institut Teknologi Sepuluh Nopember. 58
Tanudidjaja. (1993). Ilmu Pengetahuan Bumi. Jakarta : Akademi Meteorolo-gi dan Geofisika.Tobias, R. D. (2000). An Introduction to Partial Least Squares Regression. SAS Institute Inc, Car, NC.Safitri, Rina. (2012). Model Output Statistics dengan Projection Pursuit Regression untuk Meramalkan Suhu Minimum, Suhu
Maksimum, dan Kelembapan. Tugas Akhir, Jurusan Statistika, Institut Teknologi Sepuluh Nopember.Sari, I G.A.M.K.K. (2013). Pendekatan Regresi Partial Least Square Univarite dan Multivariate Response untuk Memprediksi
Suhu dan Kelembaban. Tesis, Jurusan Statistika, Institut Teknologi Sepuluh Nopember.Swarinoto, Y.S dan Sugiyono. (2011). Pemanfaatan Suhu Udara dan Kelembaban Udara dalam Persamaan Regresi untuk
Simulasi Prediksi. Jurnal Meteorologi dan Geofisika. 12, 271-281.Wardani, I.K. (2010). Manfaat Prediksi Cuaca Jangka Pendek Berdasarkan Data Ra-diosonde dan Numerical Weather
Prediction (NWP) untuk Pertanian Daerah. Paper. Universitas Pesantren Tinggi Darul ‘Ulum Jombang.Wigena, A.H dan Alamudi, A. (1997). Algoritma Metode Kuadrat Terkecil Parsial untuk Kalibrasi Peubah Ganda. Lembaga
Penelitian dan Pemberdayaan Masyarakat. IPB, Bogor.Wilks, D.S. (2006). Statistical Methods in the Atmospheric Sciences(2nd). Boston: Elvesier.Wold, S. (2001). PLS-regression : a basic tool of chemometrics. Journal of Chemome-trics and Intelligent Systems. 58, 109-
130.Wulandari, S. P. (2000). Analisis Hubungan Antara Variabel Ekonomi dengan Kesejah-teraan Menggunakan Metode PLS
(Partial Least Squares). Tesis, Jurusan Statisti-ka, Institut Pertanian Bogor.
59
Pembimbing : Dr. Sutikno, S.Si, M.SiCo. Pembimbing : Ir. Mutiah Salamah, M.Kes
Selasa, 24 Juni 2014
“Statistically Inspired Modification of Partial Least Square (SIMPLS) untuk Memprediksi Suhu danKelembaban dengan Pra-Pemrosesan Principle
Component Analysis (PCA)”
Lauda Septiana (1310 100 079)
Lab QC Statistika ITS
60
59
62
NWP adalah sekumpulan kode komputer yang mempresentasikan secara numerik persamaan-persamaan atmosfir berdasarkan sifat-sifat fisika dinamis, digunakan untuk memprediksi kondisi atau status NWP atmosfer yang akan datang dengan menggunakan kemampuan komputer yang tinggi
NWP dicatat pada grid (kombinasi lintang-bujur) tertentu dengan deskripsi sebagai berikut.•Variabel NWP diantaranya Surface Pressure tendency (dpsdt), Water Mixing Ratio (mixr), GeopotentialHeight (Z), Temperature (T), Relative Humidity (Rh), komponen U-V (komponen angin timur dan barat),Mean Sea Level Pressure (psl),Vertical Velocity (omega), Maximum Screen Temperature (tmaxcr), MinimumScreen Temperature (tmincr).•Level tekanan: 1000 mb, 950 mb, 925 mb, 900 mb, 850 mb, 800 mb, 700 mb, 600 mb, 500 mb, 400 mb, 350mb, 300 mb dan 200mb. Level ketinggian: permukaan, 2 meter, dan 10 meter. NWP diukur pada leveltekanan tertentu, dan dapat diukur pada level ketinggian : permukaan laut, 2 meter, dan 10 meter di ataspermukaan laut.•Ramalan NWP dilakukan setiap 6 jam sekali, yaitu pada jam ke-00, 06, 12, 18, 24, 36, 42, 48, 54, 60, 66, dan72.•Resolusi: grid lintang bujur 1.5o x 1.5o. NWP diukur pada grid poin yang luas dengan ukuran lintang bujurtertentu. 63
Deskripsi NWP CCAM adalah sebagai berikut.•CCAM menggunakan conformal cubic grid yang setiap panel memiliki 48x48 titik grid (untuk formatC48 grid) dan level vertical / sigma level, sehingga jumlah titik grid yang ada 48x48x6x18 = 248832.•Model ini dijalankan 4 kali dalam sehari, untuk inisial 00, 06, 12, dan 18 UTC. Model ini memprediksikeadaan cuaca seluruh dunia sampai 2 minggu ke depan.•Memiliki resolusi hingga 0,5o x 0,5o dengan interval output tiap 3 jam. Output model global inidigunakan sebagai kondisi awal (syarat awal dan syarat batas) untuk menjalankan prediksi dalam skalayang lebih kecil.
64