PENGARUH TIME LAG SML SEBAGAI PREDIKTOR DALAM MODEL SISTEM PREDIKSI ENSEMBLE PEMBOBOT PRAKIRAAN HUJAN BULANAN DI KABUPATEN INDRAMAYU

Abstract

Data Suhu Muka Laut (SML) dari Japan Meteorological Agency (JMA) dengan resolusi 1° diregresikan dengan prediksi  hujan bulanan di wilayah Kabupaten Indramayu Propinsi Jawa Barat. Proses ini dimaksudkan untuk memperbaiki luaran model Sistem Prediksi Ensemble dengan nilai pembobot (SPEP) dalam melakukan prediksi unsur iklim  hujan bulanan di wilayah Kabupaten Indramayu dengan memasukkan dinamika fluktuasi SML di sekitar daerah penelitian. Teknik yang digunakan dalam mengkaitkan data SML-JMA dengan nilai prediksi  hujan bulanan dimaksud adalah teknik Partial Least Square Regression (PLSR). Model yang diaplikasikan selanjutnya disebut sebagai SPEP-PLSR. Data SML-JMA diolah dengan memperhatikan time lag 1 dan 2 bulan sebelumnya karena efek SML terhadap atmosfer tidak berlangsung secara cepat. Luaran model SPEP-PLSR menunjukkan  hasil yang lebih baik secara signifikan terhadap luaran model SPEP untuk time lag 2 bulan. Kondisi ini ditunjukkan oleh nilai yang lebih baik untuk koefisien korelasi Pearson (r) minimum, nilai r rerata, nilai Root Mean Square Erros (RMSE) maksimum, dan nilai RMSE rerata daripada luaran yang dihasilkan oleh SPEP.

The Sea Surface Temperature of Japan Meteorological Agency (SML-JMA) with 1° resolution had been regressed with monthly rainfall  prediction in Indramayu District of West Java Province. This method was used to improve the quality of the Ensemble Prediction System using Weighting Factor (SPEP) model output to provide the monthly rainfall  prediction by inserting the fluctuation of Sea Surface Temperature dynamics. Processing technique done between SML-JMA and monthly rainfall  prediction was Partial Least Square Regression method. This model was then called as SPEP-PLSR. Those SML-JMA data were computed based on preceded time lag of 1 and 2 months because the efect of SML did not occur directly into the atmosphere. Results of SPEP-PLSR model outputs showed significantly better in quality compared to the SPEP model outputs itself. The SPEP-PLSR model outputs showed spatially better in minimum Pearson correlation coeficient (r), r average, maximum RMSE, and RMSE average compared to the SPEP model outputs.