PREDIKSI HUJAN BULANAN MENGGUNAKAN ADAPTIVE STATISTICAL DOWNSCALING

• Main Authors: Agus Safril, Tri Wahyu Hadi, Safwan Hadi, Bayong Tjasyono H. Kasih
• Format: Article
• Language: English
• Published: Pusat Penelitian dan Pengembangan Badan Meteorologi Klimatologi dan Geofisika 2014-08-01
• Series: Jurnal Meteorologi dan Geofisika
• Subjects: statistical downscaling; adaptif; variabel prediktor; ANFIS; SVD; adaptive; predictor variables
• Online Access: http://puslitbang.bmkg.go.id/jmg/index.php/jmg/article/view/143

Permasalahan pada prediksi hujan bulanan menggunakan Global Circulation Model (GCM) adalah resolusi yang rendah  sehingga tidak dapat memberikan informasi yang rinci sampai tingkat regional. Permasalahan lain adalah akurasi prediksi yang rendah yang disebabkan pola curah hujan yang non linier dan non stasioner. Prediksi  hujan dengan adaptive statistical downscaling diaplikasikan untuk memecahkan permasalahan tersebut. Variabel prediktor prediktor dipilih dari korelasi tertinggi  antara prediktor dan curah hujan menggunakan Singular Value Decomposition (SVD). Hasil prediksi hujan bulanan dengan metoda adaptif  menggunakan ANFIS (Adaptif Neuro Fuzzy Inference System) menunjukkan nilai korelasi antara prediksi dan observasi lebih tinggi dari pada hasil prediksi curah hujan  keluaran model sirkulasi global (GCM). Nilai  RMSE (Root Mean Square Error) pada prediksi statistical downscaling juga menunjukkan nilai yang lebih kecil dibandingkan prediksi hasil keluaran model sirkulasi global. Hasil prediksi hujan menunjukkan bahwa nilai korelasi (r) antara prediksi dan hujan observasi di daerah dengan siklus hujan tahunan > 0,66, di daerah dengan siklus hujan semi tahunan adalah sedang (0,33 ≤ r  ≤ 0,66) kecuali di Meulaboh, Sibolga, dan Lhokseumawe dengan kategori r < 0,33.   The problem arised in monthly prediction of precipitation using GCM (Global Circulation Mode) was on the coarse resolution that did not provide detailed information for regional scale. Another problem arised was on the low accuracy of prediction that was caused by non-linier and non- stationary rainfall patterns. Adaptive statistical downscaling method was applied to solve those problems. Predictor variables were selected from the highest correlation between predictor and precipitation using Singular Value Decomposition (SVD). The result of adaptive monthly prediction using ANFIS showed that  the correlation between prediction and observation was higher than dinamical prediction. RMSE (Root Mean Square Error) in statistical downscaling prediction was smaller then the output of GCM. The result of precipitation prediction showed thet correlations between prediction and precipitation in the annual region) (r) > 0,66), in the semi annual cycle was moderate (0,33 ≤ r ≤ 0,66),  except in Meulaboh, Sibolga, and Lhokseumawe stations (r < 0,33).