Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................

Desember 2015

Prediksi Hujan Ekstrem Menggunakan Multi-Physics Ensemble Pada

Parameterisasi WRF-ARW Di Stasiun Meteorologi Klas II Pattimura
Ambon

Rindita Charolydya*), Furqon Alfahmi**)

*Program Sarjana Terapan Meteorologi Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, **Jurusan
Geofisika dan Meteorologi, Fakultas MIPA, Institut Pertanian Bogor, Gedung FMIPA Kampus IPB Darmaga
Wing 19 Level 4, Bogor, 16680
E-mail: *rcharolydya@gmail.com, **furqonalfahmi@gmail.com

Abstrak
Pengembangan sistem prediksi cuaca numerik sudah banyak dilakukan untuk mendekati
keadaan cuaca yang sebenarnya, salah satunya dengan melakukan parameterisasi WRF-ARW.
Hasilnya pun terdapat beberapa yang sudah dapat mensimulasikan dan memprediksi beberapa unsur
cuaca. Akan tetapi dari hasil verifikasi terdapat beberapa unsur cuaca yang masih rendah tingkat
keakurasiannya. Karena masih rendahnya tingkat keakurasian pada beberapa unsur cuaca maka
penulis tertarik untuk melakukan metode post-processing dalam melakukan prediksi cuaca pada
kejadian cuaca ekstrem di Pulau Ambon pada tanggal 1 Agustus 2012.
Dalam penelitian ini akan menggunakan metode multi-physics ensemble dengan
mengkombinasikan 20 skema parameterisasi WRF-ARW, yang akan diolah ensemble mean,
ensemble spread, dan basic probability untuk mendapatkan nilai uncertainty dari setiap unsur cuaca.
Dan dilakukan proses verifikasi menggunakan spread and skill dan kurva ROC.
Dari hasil peneletian menujukkan bahwa metode ini mampu memprediksikan hujan ekstrem
dengan basic probabilisic. Spread korelasi dan RMSE menunjukkan bahwa tekanan udara
permukaan (QFE) dan suhu udara permukaan memiliki korelasi terbesar dan error terendah. Di mana
produk ensemble memiliki skill yang lebih baik dibanding forecast control.

Kata kunci: ensemble, parameterisasi WRF-ARW, ROC, spread and skill

Abstract

The development of numerical weather prediction system have done a lot to

approach the actual conditions, one of them by parameterization WRF-ARW. The result was
there have been able to simulate and predict some weather parameters. However, from the
results of the verification there are some weather parameters have low accuracy. Because
of the low accuracy on some parameters of the weather, the authors are interested in
performing post-processing methods in predicting the weather in extreme weather events on
the island of Ambon on August 1, 2012.
In this study will use multi-physics ensemble by combining 20 WRF-ARW
parameterization scheme, which will be calculated the ensemble mean, ensemble spread,
and basic probability to get the value of uncertainty from each parameter of the weather.
And verification process using spreads and skill and ROC curves.
From the results of this research showed that this method is able to predict extreme
rainfall with basic probabilisic. Spread correlation and RMSE indicate that surface air
pressure (QFE) and the surface air temperature has the greatest correlation and the lowest
error. In which the product ensemble has a better skill than the forecast control.

Keywords : ensemble, parameterizations WRF-ARW, ROC, spread and skill

1
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015
1. PENDAHULUAN
1.1 Latar Belakang
Terjadi bencana banjir dan tanah
longsor di Kota Ambon pada tanggal 1
Agustus 2012 yang terjadi sekitar pukul
04.00WIT yang melanda kecamatan
Nusaniwe, Sirimau, Teluk Ambon, dan
Baguala, di mana dalam bencana saat itu
mengakibatkan korban jiwa dan kerugian
materiil yang terjadi 38 titik banjir
(http://geospasial.bnpb.go.id/).
Berdasarkan hasil penelitian yang
dilakukan oleh Warjo (2013) tentang
akurasi TAFOR di Stasiun Meteorologi
Klas II Pattimura Ambon bulan April dan
Juni 2012 bahwa tingkat akurasi dari tiap
unsur cuaca penyusun TAFOR sudah
cukup memenuhi standar verifikasi yang
ditetapkan dalam Intruksi
Met/No.009/Verifikasi Prakiraan/1/88,
akan tetapi terdapat dua unsur cuaca yang
masih di bawah standar yaitu arah angin
dan keadaan cuaca. Kesulitan dalam kedua
unsur inilah yang masih menjadi kendala
bagi para prakirawan Stasiun Meteorologi
Klas II Pattimura Ambon.
Dalam pemenuhan kebutuhan prediksi
cuaca untuk publik banyak model
prakiraan cuaca telah dikembangkan oleh
para ahli dengan berbagai macam
pendekatan, salah satunya dengan model
cuaca numerik Weather Research and
Forecasting (WRF) (Gustari dkk, 2012).
Di mana model ini diharapkan dapat
memberikan prediksi keadaan cuaca
dengan baik. Karena model ini sensitif
terhadap initial conditions, maka dengan
memperhitungkan initial conditions
dengan baik diharapkan pula mendapatkan
hasil prediksi yang baik pula. Akan tetapi
hal tersebut tidak berjalan linear, hal
tersebut dikarenakan atmosfer Bumi itu
bersifat chaos atau tidak beraturan seperti
yang dikemukakan oleh Edward Lorenz
pada tahun 1960an. Dengan proses
asimilasi data observasi yang dapat
memperbaiki initial conditions belum tentu
memberikan prediksi cuaca yang baik.
(COMET,2004)
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
Rendahnya tingkat akurasi dalam
memprediksi hujan ekstrem dengan
menggunakan prediksi tunggal atau
deterministik, maka perlu dikembangkan
metode yang memberikan informasi
peluang atau nilai probabilistik suatu
kejadian, salah satunya dengan
mengembangkan ensemble prediction
system (Wilks, 1995).
Model prediksi ensemble untuk
pertama kali diperkenalkan pada tahun
1992 oleh European Center for Medium-
Range Weather Forecasts (ECMWF) di
wilayah Eropa, sedangkan di wilayah
Amerika Serikat diperkenalkan oleh
National Centers for Environmental
Prediction (NCEP)(Froude,2011). Saat ini
model prediksi ini sudah banyak digunakan
di berbagai pusat meteorologi untuk
operasional, seperti halnya yang dilakukan
oleh South African Weather Service
(SAWS) di Afrika Selatan. Metode yang
digunakan diadopsi dari NCEP EFS sejak
tahun 2000, dengan proses pengembangan
selama beberapa tahun dan karena
konsistensi hasil yang menguntungkan,
maka metode ini tetap digunakan untuk
operasional prediksi cuaca (Tennant dkk,
2006).
Seperti halnya yang dilakukan oleh
Suwarinoto, dkk (2012) dengan metode
ensemble terhadap sistem prediksi tunggal
ANFIS, Wavelet-ANFIS, Wavelet
ARIMA, dan ARIMA. Sistem prediksi
ensemble total hujan bulanan di wilayah
Kabupaten Indramayu menunjukkan hasil
yang lebih konsisten dibanding dengan
sistem prediksi tunggal.
Pada dasarnya sistem prediksi
ensemble (EPS) adalah sistem prediksi
cuaca numerik (NWP) yang
memungkinkan kita untuk memprakirakan
kemungkinan dan ketidakpastian dalam
prediksi cuaca. Beberapa EPS
menggunakan lebih dari satu model atau
model yang sama tetapi dengan kombinasi
yang berbeda dari parameterisasi skema.
EPS adalah dirancang untuk mengetahui
2
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015

kemungkinan hasil tertentu akan terjadi 2. DATA DAN METODE

(WMO, 2012). 2.1 Metode Ensemble
Berdasarkan beberapa hal di atas, Terdapat beberapa tahapan dalam
penelitian ini perlu dilakukan untuk penelitian ini, di mana tahapannya sebagai
mendapatkan tingkat keakurasian yang berikut :
lebih baik dengan menggunakan model 1. Proses penentuan forecast control
prediksi ensemble. Model prediksi dengan melakukan uji parameterisasi
ensemble yang dibentuk dengan pada 21 skema dengan konfigurasi 3
mengkombinasikan beberapa sistem parameterisasi kumulus dan 7
prediksi tunggal hasil parameterisasi parameterisasi mikrofisis.
WRF-ARW disebut sebagai multi-physics Tabel 2.1 Konfigurasi Skema Uji Parameterisasi
ensemble. Kemudian hasil keluarannya
diolah secara statistik dengan
menghasilkan nilai uncertainty yang
nantinya dapat digunakan untuk keperluan
operasional.
1.2 Rumusan Masalah
Dengan menggunakan ensemble
memberikan tingkat keakurasian yang
lebih baik, karena itu dalam
pengolahannya sistem prediksi ini
memberikan informasi tentang nilai
uncertainty. Dan bagaimana tingkat
keakurasiannya dengan sistem prediksi
cuaca tunggal.
1.3 Tujuan
 Membangun sistem prediksi
ensemble dengan
mengkombinasikan hasil keluran
20 skema parameterisasi WRF-
ARW
 Mendapatkan nilai uncertainty 2. Melakukan perhitungan ensemble
 Memprediksi probabilitas mean, spread, dan probabilistic. Ada
keadaan cuaca beberapa jenis metode ensemble
1.4 Manfaat berdasarkan WMO No.1091,
 Dengan mendapatkan nilai diantaranya sebagai berikut :
uncertainty maka forecaster dapat a) Ensemble Mean
menentukan prediksi cuaca dengan Metode ensemble dengan merata –
melihat peluang dari setiap ratakan semua nilai parameter antara
parameter penentu keadaan cuaca. seluruh anggota ensemble. Rata-rata
 Dengan adanya informasi dari hasil running model tersebut dapat
probabilistik dapat digunakan digunakan sebagai suatu hasil prediksi
sebagai dasar pembuatan yang sering disebut ensemble mean
peringatan dini keadaan cuaca (Kurniaji, 2009).
∑𝑛
𝑖=1 𝑓𝑖 𝑥𝑖
ekstrem. 𝑥̅ = ∑𝑛
(2.1)
𝑖=1 𝑓𝑖
b) Ensemble Spread
Ini dihitung sebagai standar deviasi
dari variabel output model, dan

3
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015

menyediakan tingkat ketidakpastian Pada gambar 2.1 apabila garis

dalam parameter. kurva jatuh di atas garis 1:1 maka
∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
2 suatu sistem prediksi cuaca memiliki
𝑆= √ (2.2) skill atau kehandalan dalam
𝑛−1
memprediksi, akan tetapi jika kurva
c) Basic Probabilistic jatuh di garis 1:1 atau di bawah garis
Menampilkan pelunag suatu 1:1 maka suatu sistem prediksi cuaca
kejadian atau parameter dari bagian tidak memiliki skill atau tidak
anggota ensemble pada titik grid atau memiliki kehandalam dalam
lokasi tertentu. memprediksi.
𝑛(𝐴) 2.2 Domain Kajian
𝑃(𝐴) = 𝑛(𝑆) (2.3)
Dalam kajian ini, penulis
3. Proses verifikasi dengan spread and menggunakan wilayah Pulau Ambon
skill dan kurva ROC. (gambar 2.2) sebagai lokasi penelitian
a) Spread and Skill yang diwakili oleh Stasiun Meteorologi
Melakukan perhitungan nilai Klas II Pattimura dengan posisi 3,706 LS
spread anomaly corelation coefficient dan 128,089 BT.
(ACC) dan spread root mean square
error (RMSE) untuk melihat distribusi
nilai variasi ensemble mean dan
ensemble spread terhadap forecast
control. Dan melakukan perhitungan
skill anomaly corelation coefficient
(ACC) dan skill root mean square
error (RMSE) untuk mengetahui
kemampuan dari forecast control,
ensemble mean, dan ensemble spread
Gambar 2.2 Domain penelitian
terhadap nilai observasi. (Buizza,
1997)
2.3 Data
b) Kurva ROC
Bahan yang digunakan dalam
penelitian ini adalah :
a) Data Synoptik
Dalam penelitian ini data yang
digunakan di ambil dari Stasiun
Meteorologi Klas II Pattimura Ambon
dengan posisi 3.706° LS dan 128.089° BT
berupa data pengamatan udara permukaan
Gambar 2.1 Kurva ROC (synoptik) dari tanggal 14 – 19 Juli 2012,
Membuat Kurva Relative 31 Juli - 5 Agustus 2012, dan 23 Juli – 2
Operating Characteristics (ROC) Agustus 2013 yang dianggap data tersebut
dibuat dengan memplotkan antara telah mewakili data Pulau Ambon.
nilai hit rate dengan nilai false alarm b) Data GFS
rate. Di mana nilai hit dan false alarm Dengan me-running Data Global
rate disusun dari satu set nilai peluang Forecasting System (GFS) yang digunakan
referensi yang digunakan dalam dalam penelitian ini adalah cycle 0000 per
menentukan apakah suatu peringatan 3 jam yang memiliki resolusi spasial
dini (early warning) akan diberikan 0.5°x0.5° di-download dari
atau tidak berdasarkan nilai perluang http://nomads.ncdc.noaa.gov/data/gfs
terjadinya. tanggal 14 Juli 2012, 31 Juli 2012, 23 Jui

4
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015
2013, 28 Juli 2013 dengan prediksi 120
jam.
3. HASIL DAN PEMBAHASAN
Setelah menjalankan WRF-ARW maka
dengan 21 skema parameterisasi yang
berbeda maka dihasilkan hasil keluaran
dalam bentuk.ct. Di mana .ctl tersebut di
olah dengan GrAds untuk dikeluarkan nilai
unsur – unsur cuaca kemudian diolah lagi
untuk menentukan forecast control dan
prediksi ensemble.
3.1.Penentuan Forecast Control
Dalam pembuatan ensemble
prediction system dibutuhkan adanya
forecast control yang betujuan untuk
melihat apakah dengan adanya perturbasi
atau gangguan pada parameterisasinya
memberikan prakiraan yang lebih
mendekati nilai sebenarnya, di mana
forecsat control ini merupakan konfigurasi
parameterisasi yang terbaik pada wilayah
Stasiun Meteorologi Klas II Pattimura
Ambon. Penentuan forecast control ini
dengan melakukan uji parameterisasi
terhadap 21 skema dari tiga skema
kumulus dan tujuh skema mikrofisis
terhadap empat kejadian hujan ekstrem.
Dengan verifikasi dengan diagram taylor
terhadap parameter tekanan udara
permukaan (QFE), suhu udara permukaan,
kelembaban udara permukaan, kecepetan
angin 10 meter dan curah hujan per tiga
jam.
1. Tekanan Udara Permukaan
Berdasarkan gambar 3.1 nilai standar
deviasi cukup banyak skema yang
memiliki nilai yang mendekati satndar
deviasi observasi dengan nilai 1.3 – 1.4,
yaitu skema H, J, K, L, M, N, O, P, dan R.
Dari nilai korelasi semua skema memiliki
nilai lebih dari 0.8, beberapa skema yang
dengan korelasi antara 0.825 – 0.86 adalah
H, K, L, N, O, P, dan R, dengan korelasi
terbesar adalah skema R. Sedangkan dari
nilai RMSE seluruh skema yang memiliki
nilai error yang cukup rendah 0.75 –
0.95hPA, di mana skema dengan nilai
RMSE terendah sekitar 0.75 - 0.8 adalah
skema G, H, I, K, L, N, O, P, Q, R, U, dan
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
V. Di mana skema R merupakan nilai error
yang paling kecil.
Jadi dapat disimpulkan bahwa skema R
adalah yang terbaik dalam
memprediksikan tekanan udara permukaan
(QFE).
Gambar 3.1 Diagram Taylor Tekanan
Udara Permukaan (QFE)
2. Suhu Udara Permukaan
Pada unsur cuaca suhu udara
permukaan banyak skema yang memiliki
standar deviasi yang cukup jauh dengan
nilai standar deviasi observasi terlihat pada
gambar 3.2, di mana observasi memiliki
nilai sekitar 1.25 – 1.3, dan skema yang
memiliki nilai standar deviasi yang sama
dengan observasi adalah skema L dan O.
Untuk nilai antara 1.2 – 1.35 terdapat
skema I, J, K, L, M, N, dan O. Dari nilai
korelasi skema memiliki nilai korelasi
yang kecil dengan nilai 0.4 – 0.6, jadi untuk
korelasi antara 0.575 – 0.6 adalah skema J,
K, M, dan N dengan skema N dengan
korelasi paling tinggi. Sedangkan dari nilai
RMSE error skema memiliki nilai antara 1.
1 – 1.3. Di mana skema F merupakan
skema dengan nilai error terkecil sebesar
1.1, akan tetapi dari nilai korelasi 0.55 dan
nilai standar deviasinya 1. Jadi untuk nilai
RMSE dilihat dari nilai standar deviasi dan
korelasi yang terbaik, di dapat nilai antara
1,15 – 1.2 terdapat pada skema J, K, L, M,
N, dan O.
Dari ketiga analisis di atas dapat
disimpulkan bahwa skema terbaik adalah
skema N dengan nilai standar deviasi yang
mendekatai nilai observasi dengan nilai
korelasi paling besar, dan nilai RMSE
sebesar 1.15.
5
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015
Gambar 3.2 Diagram Taylor Suhu Udara
Permukaan
Gambar 3.3 Diagram Taylor Kelembaban
Udara Permukaan
Gambar 3.4 Diagram Taylor Kecepatan
Angin 10 Meter
3. Kelembaban Udara Permukaan
Kelembaban udara permukaan pada
gambar 3.3 dianalisis dari nilai standar
deviasi dimana standar deviasi
observasinya sebesar 5.2 – 5.3 dan seluruh
skema memiliki nilai yang cukup jauh.
Dengan selisih 0.3 terdapat beberapa
skema dengan nilai antara 4.7 – 4.9 adalah
skema C, D, E, G, H, Q, R, S, T, U, dan V,
skema dengan nilai terdekat adalah skema
U dan H. Berdasarkan nilai korelasi
bernilai antara 0.275 – 0.425, pada skema J
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
memiliki nilai korelasi paling besar akan
tetapi mempunyai nilai standar deviasi
yang jauh sekitar 6.2. Untuk nilai antara
0.375 – 0.425 terdapat skema D, J, K, L, M,
dan N. Sedangkan dari nilai RMSE
memiliki error antara 5.5 – 7. Di mana
skema D memiliki nilai error terkecil.
Maka dapat disimpulkan bahwa dari
unsur cuaca kelembaban udara permukaan
yang memiliki nilai standar deviasi yang
mendekati observasi adalah skema D dan
memiliki nilai RMSE paling keci,
walaupun memiliki nilai korelasi yang
tidak terlalu besar sebesar 0.375.
4. Kecepatan Angin 10 Meter
Unsur cuaca kecepatan angin pada
ketinggian 10 meter (gambar 3.4) memiliki
nilai standar deviasi sebesar 2.9 dari
observasinya, dan beberapa skema
memiliki nilai yang yang cukup mendekati
nilai tersebut. Untuk nilai antara 2.7 -3.1
terdapat skema C, D, E, H, I, L, M, dan N,
dengan skema M yang memiliki nilai yang
mendekati nilai standar deviasi observasi.
Korelasi dari seluruh skema memiliki
korelasi antara 0.2 – 0.45, di mana untuk
nilai antara 0.425 – 0.45 hanya skema D
dan J dengan skema J yang paling besar
nilai korelasinya. Sedangkan dari RMSE
seluruh skema memiliki nilai error antara
2.95 – 3.5. Di mana skema R memiliki nilai
error paling kecil, akan tetapi dari standar
deviasi sebesar 2.2 dan nilai korelasinya
hanya 0.35.Jadi untuk error antara 2.95 –
3.05 terdapat skema D, P, Q, R, dan V.
Jadi dapat disimpulkan bahwa dalam
memprediksi kecepatan angin dengan
ketinggian 10 meter skema yang terbaik
6
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015

adalah skema D, memiliki nilai standar angin 10 meter, dan keadaan cuaca per tiga
deviasi yang menedekati standar deviasi jam.
observasi, korelasi sebesar 0.425, dan nilai
Tabel 3.1 Konfigurasi Member Ensemble
RMSE sebesar 3.
5. Curah Hujan Per Tiga Jam
Pada gambar 3.5 unsur cuaca curah
hujan berdasarkan nilai standar deviasi
observasi sebesar 29, dan seluruh skema
memiliki nilai standar deviasi di bawah 18.
Skema F memiliki nilai standar deviasi
yang mendekati standar deviasi obervasi
25. Dari nilai korelasi terdapat satu nilai
skema yang bernilai negatif, yaitu skema T
dan nilai korelasi berkisar (-0.025) – 0.425.
Di mana dari nilai korelasi skema paling
baik adalah skema N dengan nilai korelasi
sebesar 0.425 dan skema O dengan nilai
korelasi sebesar 0.4. Sedangkan dari nilai
RMSE bernilai antara 26 - 38, dengan nilai
antara 26 – 28 terdapat skema D, G, H, J,
K, L, M, N, dan O. Di mana skema N
memiliki nilai error paling kecil sebesar
26. 1. Tekanan Udara Permukaan
Jadi dari analisis di atas dapat Berdasarkan gambar 3.6 menunjukkan
disimpulkan bahwa skema N memiliki bahwa pada tanggal 1 Agustus 2012
nilai korelasi paling besar dan nilai RMSE terdapat spread yang melebar jika
paling kecil, walaupun memiliki standar dibandingkan dengan hari – hari
deviasi sebesar 9, selisih 20 dari standar berikutnya. Hal ini dapat mengindikasikan
deviasi observasi. adanya variasi yang beragam dari setiap
member ensemble. Di mana rata – rata
standar deviasinya 0.26 hPa. Dari
ensemble mean tidak memprediksikan
adanya tekanan rendah, akan tetapi hanya
memprediksikan selama lima hari ke depan
tekanan udara di Stasiun Meteorologi Klas
II Pattimura Ambon di bawah 1011.0 hPa.
2. Suhu Udara Permukaan

Gambar 3.5 Diagram Taylor Curah Hujan Per Tiga Jam

3.2.Hasil Prediksi Ensemble
Prediksi menggunakan metode
esemble mean, ensemble spread, dan basic
probabilistic. Di mana dalam perhitungan
nya menggunakan 20 member ensemble
dengan konfigurasi pada tabel 3.1. Unsur
cuaca yang di olah adalah tekanan udara
permukaan (QFE), suhu udara permukaan,
kelembaban udara permukaan, kecepatan
Gambar 3.6 Grafik Ensemble Mean dan Spread
Prediksi Tekanan Udara Permukaan (QFE)
Dalam memprediksi suhu udara
permukaan ensemble mean dan spread
menunjukkan adanya penurunan suhu udar
permukaan dari tanggal 31 Juli hingga 1
Agustus 2012, dan mengalami kenaikan

7
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015

suhu pada tanggal 2 Agustus hingga 5 satandar deviasinya menurun. Selain itu
Agustus 2012. Terlihat pada gambar 3.7 dari ensemble mean menunjukkan adanya
untuk nilai spread lebih lebar dibanding peningkatan kecepatan angin dari tanggal
spread dari tekanan udara permukaan 31 Juli hingga 1 Juli 2012, dan untuk
(QFE), di mana rata – rata standar tanggal 2 – 5 Agustus 2012 kecepatan
deviasinya 0.45ºC. angin menurun hingga di bawah 10 knots.
3. Kelembaban Udara Permukaan 5. Potensi Keadaan Cuaca
Dalam menentukan keadaan cuaca,
Prediksi Suhu Udara Permukaan
28.5
Tanggal 31 Juli - 5 Agustus 2012 metode yang digunakan adalah dengan
27.5
melakukan perhitungan probabilistik dari
26.5

curah hujan per tiga jam dari hasil keluaran

Suhu (ºC)

25.5

24.5

23.5
20 member ensemble. Di mana
22.5
1 3 5 7 9 11131517192123 1 3 5 7 9 11131517192123 1 3 5 7 9 11131517192123 1 3 5 7 9 11131517192123 1 3 5 7 9 11131517192123

31 Juli 2012 1 Agustus 2012 2 Agustus 2012 3 Agustus 2012 4 Agustus 2012
intensitasnya dibagi menjadi beberapa
SPREAD MAX SPREAD MIN MEAN macam, dengan lima kategori sebagai
Gambar 3.7 Grafik Ensemble Mean dan Spread berikut :
Prediksi Suhu Udara Permukaan a) Berawan : 0.0 – 0.49 mm/jam
b) Hujan Ringan : 0.5 – 4.9 mm/jam
Untuk kelembaban udara permukaan
c) Hujan Sedang : 5.0 – 9.9 mm/jam
terlihat pada gambar 3.8 bahwa ensemble
d) Hujan Lebat : 10.0 – 19.9
mean dan spread menunjukkan
mm/jam
peningkatan kelembaban lebih dari 90%
e) Hujan Ekstrem : > 20.0 mm/jam
dari tanggal 31 Juli hingga 1 Agustus 2012.
Dari nilai probabilistik dapat
Dari nilai ensemble spread terlihat lebih
digunakan untuk menentukan prediksi
besar nilainya dengan rata – rata sebesar
keadaan cuaca dengan mengetahui
2.75%.
seberapa besar potensi terjadinya. Dari
hasil perhitungan probabilistik
menunjukkan bahwa pada adanya potensi
terjadinya hujan esktrem pada tanggal 1
Agustus 2012, dengan probabilistik
sebesar 20% - 30% seperti terlihat pada
gambar 3.10. Untuk tanggal 2 – 4 Agustus
Gambar 3.8 Grafik Ensemble Mean dan Spread
Prediksi Kelembapan Udara Permukaan
2012 di mana probabilistik terjadinya
keadaan cuaca berawan lebih 50%.
4. Kecepatan Angin 10 Meter

Gambar 3.10 Grafik Potensi Keadaan Cuaca

Gambar 3.9 Grafik Ensemble Mean dan Spread Per Tiga Jam
Prediksi Kecepatan Angin 10 Meter 3.3.Verifikasi
Pada kecepatan angin pada ketinggian Proses verifikasi dilakukan dengan
10 meter ini terlihat pada gambar 3.9 dua cara yaitu dengan metode spread and
ensemble spread memiliki nilai variasi skill dan kurva ROC. Di mana metode
yang cukup besar dengan rata – rata 1.90 spread and skill menunjukkan bagaimana
knots. Dari tanggal 31 Juli hingga 1 distribusi persebaran dari hasil ensemble
Agustus 2012 terdapat standar deviasi mean dan spread terhadap forecast control
sebesar 2 – 4 knots, akan tetapi setelah itu dan mengetahui kemampuan dari forecast

8
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015

control, ensemble mean, dan ensemble dari ACC menunjukkan korelasi yang
spread. Sedangkan untuk kurva ROC cukup kuat, walaupun sempat
untuk mengetahui kehandalan dari prediksi melemah pada hari kedua. Dari
keadaan cuaca probabilistik. Dengan hasil RMSE skill-nya menujukkan error
sebagai berikut : ±2.5ºC. Untuk forecast control
1. Spread and skill memiliki pola yang cukup dekat
a) Tekanan Udara Permukaan dengan ensemble spread max.
Berdasarkan nilai spread terlihat c) Kelembaban Udara Permukaan
ensemble mean, ensemble spread max Pada kelembaban udara permukaan
dan ensemble spread min memiliki nilai spread pada ensemble mean,
nilai yang cukup baik dengan ACC ensemble spread max dan ensemble
yang kuat dan RMSE yang cukup spread min memiliki nilai ACC yang
kecil. Dari nilai skill terlihat juga cenderung moderate, dengan RMSE
bahwa forecast control, ensemble yang cukup bervariasi dan ensemble
mean, ensemble spread max dan spread min memiliki error yang
ensemble spread min memiliki ACC cukup stabil sebesar ±6%. Untuk
yang cukup kuat, walaupun melemah forecast control, ensemble mean,
terhadap bertambahnya waktu, ensemble spread max dan ensemble
sedangkan RMSE juga menunjukkan spread min nilai skill pada
error ±2.5 hPa. Untuk forecast control ACCmenunjukkan korelasinya
nilai nya dekat dengan ensemble cendrung moderate hingga lemah,
spread max. sedangkan dari RMSE memiliki error
yang cukup besar hingga mencapai
12%, akan tetapi mengalami
penurunan error hingga dibawah 8%.
Pada parameter ini nilai forecast
control memiliki pola yang cukup
berbeda dari ensemble mean,
ensemble spread max dan ensemble
Gambar 3.11 Spread and Skill Prediksi
spread min.
Tekanan Udara Permukaan (QFE)
b) Suhu Udara Permukaan

Gambar 3.13 Spread and Skill Prediksi

Kelembaban Udara Permukaan
Gambar 3.12 Spread and Skill Prediksi
Suhu Udara Permukaan
Untuk suhu udara permukaan nilai
spread pada ensemble mean,
ensemble spread max dan ensemble
spread min menunjukkan nilai ACC
yang kuat, walaupun sempat menurun
pada hari ketiga, sedangkan nilai d)Gambar
Kecepatan Angin
3.14 Spread 10Skill
and MeterPrediksi
RMSE menunjukkan error ± 2ºC. Pada unsurAngin
Kecepatan kecepatan
10 Meter angin
Untuk nilai skill pada forecast dengan ketinggian 10 meter
control, ensemble mean, ensemble menunjukkan (gambar 3.14) bahwa
spread max dan ensemble spread min ensemble mean, ensemble spread max

9
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015
dan ensemble spread min pada spread
ACC nilainya sangat bervariasi sulit
untuk menentukan kecenderungan
korelasinya, sedangkan dari RMSE
juga menunjukkan error yang cukup
besar pada dua hari pertama mencapai
8 knots dan stabil di bwah 4 knots pada
hari keempat. Sedangkan dari skill
pada forecast control, ensemble mean,
ensemble spread max dan ensemble
spread min memiliki ACC yang
cendering lemah dan RMSE memiliki
nilai error dibawah 6 knots. Untuk
forecast control memiliki pola yang
hampir sama dengan ensemble spread
max.
2. Kurva ROC Keadaan Cuaca
Keadaan cuaca ini ditentukan
berdasarkan curah hujan per tiga jam.
Intensitas curah hujan dapat dikategorikan
menjadi beberapa macam yaitu (BMG,
2008):
a) Hujan ringan : 1,0 – 5,0 mm/jam
b) Hujan Sedang : 5,0 – 10 mm/jam
c) Hujan Lebat : 10 – 20 mm/jam
d) Hujan Sangat Lebat : 2. Memiliki nilai uncertainty ±0.47
>20mm/jam
Akan tetapi pada penelitian ini penulis
mengkategorikan lagi yang dibagi
menjadi lima macam, yaitu :
f) Berawan : 0.0 – 0.49 mm/jam
g) Hujan Ringan : 0.5 – 4.9 mm/jam
h) Hujan Sedang : 5.0 – 9.9 mm/jam
i) Hujan Lebat : 10.0 – 19.9
mm/jam
j) Hujan Ekstrem : > 20.0 mm/jam
Berdasarkan gambar 3.15 di atas
menunjukkan bahwa prediksi keadaan
cuaca dengan basic probalility pada
keadaan cuaca hujan dengan intensitas
ringan dan lebat memiliki tingkat
kehandalan yang terbaik dibanding
keadaan cuaca lain, terlihat pada kurva
ROC kurvanya berada di atas garis skill.
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
Gambar 3.15 Kurva ROC Dari Prediksi
Probabilistik Keadaan Cuaca
4. KESIMPULAN
Berdasarkan hasil penelitian yang telah
dilakukan dapat disimpulkan sebagai
berikut :
1. Berdasarkan hasil verifikasi dengan
diagram taylor dan tabel kontingensi
bahwa konfigurasi terbaik untuk
memprediksi parameter cuaca di
Stasiun Meteorologi Klas II Pattimura
Ambon dengan menggunakan skema
kumulus Betts-Miller-Janjic dengan
skema mikrofisis WDM 5-Class yang
digunakan sebagai forecast control.
untuk suhu udara permukaan, pada
kecepatan angin ±0.95, sedangkan
pada tekanan udara permukaan (QFE)
sebesar ±0.143206769, dan
±2.313916484 pada kelembapan
udara.
3. Parameter cuaca tekanan udara
permukaan (QFE) dan suhu udara
permukaan dengan nilai spread
korelasi yang mendekati 1 dengan
nilai error di bawah 1.5.
4. Produk ensemble memiliki skill yang
lebih baik dibanding forecast control,
terlihat nilai korelasi produk ensemble
lebih besar dan dengan nilai error
terendah.
5. Hasil dari kurva ROC menunjukkan
metode multi-physic ensemble mampu
memprediksi hujan dengan intensitas
ringan dan lebat.
10
 Jurnal Meteorologi Klimatologi dan Geofisika Vol....................... No.......................Desember 2015

DAFTAR PUSTAKA Saepudin, M., 2011, Penggunaan Metode

Andersson, E., 2015, User Guide to Ensemble Dalam Aplikasi Jaringan
ECMWF Forecast Products, Syaraf Tiruan Untuk Prakiraan
Livelink 4320059, 1.2,120 of 129. Cuaca Dengan Memanfaatkan
Buizza, R., 1972, Potential Forecast Skill Kelauran Model Global Forecast
of Ensemble Prediction and Spread System (GFS), Megasains, 2(3),
and Skill Distributions of the 143-156.
ECMWF Ensemble Prediction Skamarock, W.C., Klemp, J.B., Dudhia, J.,
System, Monthly Weather Review, Gill, D.O., Barker, D.M., Duda,
125, 99 -125. M.G., Huang, Xiang-Yu., Wang,
Du, J., 2007, Uncertainty and Ensemble W., dan Powers, J.G., 2008, A
Forecast, Science and Technology Description of the Advanced
Infusion Climate Bulletin, 1-42. Research WRF Version 3,
Dudhia, J., Gill, D., Manning, K., Wang, NCAR/TN-475+STR, NCAR
W., Bruyere, C., Kelly, S., dan Technical note.
Lackey, K., 2005, PSU/NCAR Swarinoto, Y.S., Koesmaryono, Y.,
Mesoscale Modeling System Aldrian, E. Wigena, A.H., 2012,
Tutorial Class Notes and User’s Model Sistem Prediksi Ensemble
Guide, Mesoscale and Microscale Total Hujan Bulanan Dengan Nilai
Meteorology Division NCAR, Pembobot (Kasus Wilayah
Washington DC. Kabupaten Indramayu, Jurnal
Froude L.S., 2011, Interactive Grand Meteorologi dan Geofisika, 13(3),
Global Ensemble (TIGGE): 189-200.
Comparison of The Prediction of Tennant, W.J., Toth, Z., dan Rae, K.J.,
Southern Hemisphere 2007, Application of the NCEP
Extratropical Cyclones by Different Ensemble System to Medium-Range
Ensemble Prediction System. Forecasting in South Africa: New
Weather & Forecasting, 26,388- Products, Benefits, and
398. Challanges, Weather and
Gustari, I., Hadi, T.W., Hadi, S., Forecasting, 22:18-35.
Renggono, F., 2012, Akurasi Taylor, K.E., 2001, Summarizing Multiple
Prediksi Curah Hujan Harian Aspects of Model Performance In A
Operasional di Jabodetabek : Hasil Single Diagram. J. Geophys. Res.,
Prediksi Operasional dan Model 106, 7183-7192.
WRF. Jurnal Meteorologi dan Wilks, D. S., 1995, Statistical Methods in
Geofisika. 13(2), 119-130. the Atmospheric Sciences, Amerika
Lorenz, E. N., 1993, The Essence of Chaos. Serikat: Academic Press
University of Washington Press, WMO, 2012, Guidelines on Ensemble
Seattle, 240pp. Prediction Systems and
Murphy, A.H., 1993, What Is A Good Forecasting, Secretary of World
Forecast? An Essay On The Nature Meteorology Organization:
Of Goodness In Weather Geneva.
Forecasting. Weather
Forecasting,8:281-293.
Lynch, P., 2007, The Origins Of Computer
Weather Prediction And Climate
Modelling, J. Comput. Phys., this
issue, doi:10.1016/ j.jcp.02.034.

11
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika