FORMAT DATA SAINS ATMOSFER DAN

KEPLANETAN

LAPORAN PRAKTIKUM KOMPUTASI

Nama : Realita Inayah

NIM : 119290046
Kelompok :1
Asisten : Rovanni Holly Setiawan

PROGRAM STUDI SAINS ATMOSFER DAN

KEPLANETAN JURUSAN SAINS
INSTITUT TEKNOLOGI
SUMATERA LAMPUNG SELATAN
2022
 FORMAT DATA

Realita Inayah
Prodi Sains Atmosfer dan Keplanetan, Jurusan
Sains Institut Teknologi Sumatera
Realita.119290046@student.itera.ac.id

ABSTRAK

Pada praktikum mengenai Format Data dalam SAP ini dilakukan dengan tujuan
untuk mengolah salah satu format data dalam SAP yaitu netcdf dan melakukan
ekstrasi data berupa timeseries, menyimpan data hasil olahan dalam bentuk csv
file dan melakukan plotting peta 2D dari hasil olahan data netcdf. Setelah
dilakukan praktikum diketahui bahwa netCDF merupakan salah satu format data
yang digunakan untuk menyimpan data curah hujan selain itu juga Library
netCDF4 dapat digunakan untuk membaca data dengan format netCDF dan juga
dapat mengubahnya menjadi file dengan format CSV. Dalam praktikum ini juga
dilakukan plotting peta 2D dari data curah hujan yang ada. Plotting peta yang
dihasilkan berasal dari file netCDF. Dari plotting peta tersebut juga diketahui
bahwa pada gradasi plotting peta yang dihasilkan memiliki warna merah yang
berarti tingkat curah hujan tinggi dan warna biru menunjukkan hasil sebaliknya.

Kata kunci : netCDF, Plotting, format data

ii
 DAFTAR ISI

HALAMAN JUDUL.....................................................................................i
ABSTRAK....................................................................................................ii
DAFTAR ISI.................................................................................................iii
BAB I PENDAHULUAN…..............................................................................1
1.1 Latar Belakang..............................................................................................1
1.2 Tujuan Praktikum.........................................................................................1
1.3 Sistematika Penulisan...................................................................................2
BAB II TINJAUAN PUSTAKA........................................................................3
2.1 Komputasi Ilmiah.........................................................................................3
2.2 Data Analytics...............................................................................................3
2.3 Tantangan dalam peningkatan Skala.............................................................4
2.4 Tantangan Terkait Memori, Data, dan Perpindahan Data............................5
2.5 NetCDF..........................................................................................................7
2.6 Data NetCDF..................................................................................................8
2.7 NetCDF-4…....................................................................................................9
2.8 Deskripsi Data...............................................................................................11
2.9 HDF 5…........................................................................................................11
BAB III METODOLOGI....................................................................................13
3.1 Waktu dan Tempat.......................................................................................13
3.2 Alat dan Bahan.............................................................................................13
3.3 Diagram Alir..................................................................................................13
DAFTAR PUSTAKA...........................................................................................15

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Sains atmosfer dan keplanetan merupakan program studi yang juga
mempelajari tentang data. Oleh karena itu data merupakan hal yang sangat penting
untuk dipelajari oleh mahasiswa program studi tersebut. Dalam data terdapat beberapa
jenis yang dapat dipelajari diantaranya adalah netcdf, hdf5, data geospasila berupa
raster dan vektor, little r, FITS, dsb. Data biasa digunakan untuk mengetahui ataupun
menganalisis suatu kejadian. Panjabaran kejadian lebih mudah di analisis jika
menggunakan data karena semuanya akan terlihat jelas menggunakan data.
Dalam bidang meteorologi data sangat sering digunakan. Ribuan bahkan jutaan data
yang dapat dihitung pada data meteorologi. Oleh karena itu komputasi sangat penting
untuk memudahakan para penghitung data untuk menganalisis sebuah kejadian
dengan waktu yang cukup singkat. Komputasi sendiri memiliki format data agar lebih
memudahkan para penggunanya untuk memahami sebuah program tersebut. Salah
satunya adalah untuk mengamati radar cuaca. Radar cuaca adalah sebuah instrumen
peringatan dini yang dibuat agar dapat lebih dulu memperkirakan cuaca. Walaupun
radar cuaca di lingkungan BMKG memiliki beberapa vendor, tetapi telah dilakukan
intergrasi citra radar dengan penyamaan format data menjadi Network Common Data
Form (netCDF).

1.2 Tujuan
Tujuan dari praktikum Format Data dalam SAP ini adalah sebagai berikut :

1
1. Mahasiswa mampu mengolah salah satu format data dalam SAP yaitu netcdf dan
melakukan ekstraksi data berupa timeseries.
2. Mahasiswa mampu menyimpan data hasil olahan dalam bentuk csv file.
3. Mahasiswa mampu melakukan plotting peta 2D dari hasil olahan data netcdf.

1.3 Sistematika Penulisan

Sistematika yang digunakan dalam laporan kegiatan praktikum kali ini
mencangkup :
1. Abstrak , abstrak berisi gambaran awal yang memuat apa saja isi di dalam laporan
ini.
2. BAB I, di dalam bab I berisi pendahuluan yang mencangkup latar belakang,
rumusan masalah, tujuan praktikum dan sistematika penulisan.
3. BAB II, bab II berisi tinjauan pustaka yang merupakan dasar teori yang akan
dilakukan pada praktikum ini.
4. BAB III, berisi metodologi praktikum dandi dalamnya terdapat prosedur-prosedur
percobaan yang akan di lakukan pada praktikum ini.
5. BAB IV, di dalamnya terdapat hasil dan pembahasan yang merupakan hasil dari
percobaan yang sudah dilakukan, dan juga pembahasan untuk hasil yang telah di
dapat.
6. BAB V,kesimpulan dan saran merupakan kesimpulan dari praktikum ini, dan saran
selama praktikum berlangsung atau saran untuk praktikum selanjutnya.

2
 BAB II
TINJAUAN PUSTAKA
2.1 Komputasi Ilmiah

Teknologi komputasi ilmiah performa tinggi telah berkembang semenjak era

vector super computing pada dekade 1980, massively parallel processing(MPPs) dan
shared memory multiprocessors(SMPs) pada dekade 1990, dan komoditas clusterdan
teknologi processor yang khusus dikembangkan untuk tujuan spesifik (misal IBM
BlueGene) pada dekade 2000. Saatini ekosistem komputasi performa tinggi telah
berkembang dimana teknologi cluster diperkuat dengan akselerator komputasional
dalam bentuk coprocessor dan graphical processing units (GPUs). Akselerator
komputasional juga mendukung interkoneksi berkecepatan tinggi sekaligus low
latency (Infiniband). Ekosistem komputasi performa tinggi saat ini menggunakan
storage area networks (SANs) sebagai penyimpanan data yang handal (persistent data
storage), sedangkan file-file temporer disimpan di penyimpanan lokal pada tiap
node.Seiring perkembangan teknologi cluster, Linux memberikan dukungan berupa
sistem file paralel(Lustre) dan penjadwal batch(SLURM dan PBS)untuk pengelolaan
tugas paralel. MPI dan OpenMP digunakan untuk mewujudkan paralelisme
internodedan intranode, dengan diperkuat perangkat-perangkat yang digunakan oleh
coprocessor. Masih dalam dukungan terhadap komputasi performa tinggi, digunakan
juga pustaka numerik (LAPACK dan PETSc) serta pustaka domain-specific pada
lapisan aplikasi.

2.2 Data Analytics

Dewasa ini, sistem cloud computing untuk penelitian maupun komersial dapat
terdiri atas penyimpanan sekunder dengan orde petabyte. Bahkan laboratorium
penelitian individual dapat secara rutin mengolah data berukuran terabyte, yang

3
dihasilkan oleh peralatan-peralatan ilmiah yang ada.Seperti halnya pada ranah
komputasi ilmiah, terjadi juga perkembangan yang pesat baik dari sisi perangkat keras
maupun lunak guna big-data analytics. Namun tidak seperti pada ranah komputasi
ilmiah, ranah big-data analytics pada umumnya berbasis pada komoditas jaringan
Ethernetdan penyimpanan lokal, dengan biaya dan kapasitas sebagai prioritas
utama.Guna kepentingan big-data analytics, pada tingkat middleware terdapat sistem
Apache Hadoop yang menyediakan model untuk data analytics. Hadoop memiliki
sistem fileterdistribusi guna mengelola file berukuran besar yang berjumlah sangat
banyak (HDFS). Sistem fileterdistribusi ini mengimplementasikan replikasi blok pada
penyimpanan-penyimpanan adalah cara tersendiri bagi sistem.
HDFS dan HBase, yang merupakan versi open source dari Google’s BigTable,
dapat menjadi big-data analogsuntuk Lustre guna komputasi ilmiah.Hadoop memiliki
perangkat yakni Pig yang menyediakan model pemrograman tingkat tinggi guna data
analytics. Sebagai ekosistem data analytics, Hadoop didukung oleh perangkat big-
data streaming(Storm dan Flume);dukungan data relasional (Sqoop);perangkat
penampil grafik;dan perangkat guna klasifikasi, rekomendasi, dan prediksi melalui
pembelajaran superviseddan unsupervised(Mahout). Pada umumnya ekosistem data
analyticsdelam pengembangannya berbasis teknologi Java dan web servicesseperti
Ruby on Rail.Mahout berada pada level aplikasi. Perangkat lain pada level aplikasi
yang biasa terdapat pada ekosistem data analyticsadalah bahasa pemrograman R. R
digunakan untuk komputasi statistik, analisis data, data mining, serta
mengembangkan piranti lunak guna kebutuhan statistik spesifik.[1]

2.3 Tantangan Dalam Peningkatan Skala

Perkembangan teknologi terjadi dengan sangat cepat. Sebagai contoh
perbandingan, kekuatan komputasi pada iPhone 6 dan Samsung Galaxy S5 untuk
aljabar linear standar telah melampaui Cray-1 (super komputer pertama, 1975).
Contoh lain yakni standar Personal Computer (PC) yang ada sekarang dengan
dilengkapi GPU NVidia atau akselerator Intel Xeon Phi dan penyimpanan
lokaltelahmemiliki kekuatan komputasi pada orde teraflopsdan terabyte, sehingga
pada
4
tingkatan advanced computing yang ada sekarang ini akan memiliki kekuatan
pemrosesan pada orde multiple petaflopsdan dukungan penyimpanan cloud dengan
kapasitas penyimpanan sekunder hingga multiple petabyte. Dalam perkembangannya,
komputasi performa tinggi juga memperoleh keuntungan dari kemajuan teknologi
semi-conductordan berkembangnya teknologi pemrosesan paralel. Berbicara tentang
komputasi skala besar, target yang hendak dicapai dalam pengembangan skala
komputasi adalah yang dikatakan sebagai exascale computing (komputasi 1018
operasi/detik). Namun demikian, terdapat banyak tantangan dari sisi arsitektur guna
mencapai exascale, yakni kebutuhan daya, performa memori, interkoneksi jaringan,
dan ketahanan. Kemudian terdapat juga tantangan dari sisi piranti lunakyang
mencakup kebutuhan terhadap model pemrograman baru, teknik latency dan
bandwidth tolerant, metode fault-tolerant, dan algoritma yang scalable terhadap
jutaan bahkan miliaran threads (architecture aware algorithms).

2.4. Tantangan Terkait Memori, Data, dan Perpindahan Data

Sejak dari awal terdapat perangkat komputer hingga era komputasi performa
tinggi dewasaini, perpindahan data senantiasa merupakan performance bottleneck.
Perpindahan data senantiasa mendominasi pada semua tingkat hirarki memori
sekaligus merupakan proses pada memori yang mengkonsumsi daya paling besar.
Berbicara mengenai kebutuhan dari komputasi performa tinggi yakni pengolahan
scientific codes, bahwa sebagian besar instruksi yang dieksekusi pada pengolahan
scientific codes bukan floating point merupakan instruksi memori dan integer, yang
mana komputasi instruksi integer membutuhkan sebagian besar alamat memori.
Perangkat komputer yang ada sekarang menggunakan arsitektur massively paralel
processing(MPP) yang hanya mampu melakukan akses data melalui node tunggal.
Walau pada perangkat super-komputer yang ada saat ini tidak menggunakan MPP
melainkan mekanisme Partitioned Global Adress Space(PGAS)untuk perangkat keras
dan lunaknya, mekanisme ini masih memiliki kelemahan yakni pengelolaan duplikat
untuk setiap node. Ketidakseimbangan antara perkembangan teknologi processor dan
memori, sekaligus dengan besarnya kebutuhan sumber daya memori

5
pada piranti lunak-piranti lunak modern mengakibatkan rendahnya Instruction Per
Cycle (IPC) pada processor-processor modern. Pengembangan sistem yang lebih
seimbang menjadi salah satu tantangan utama penghematan daya pada perangkat
exascale.Pertumbuhan data baik pribadi, bisnis, pemerintahan dan ranah ilmiah
bahkan lebih cepat dibanding perkembangan komputasi performa tinggi. Saat ini
penyedia layanancloudkomersial membangun jaringan data center yang tersebar di
seluruh dunia, yang mana tiap data center dapat menghabiskan biaya hingga ratusan
juta dolar guna mendukung layanan-layanan mesin pencarian, jejaring sosial, dan
cloud.
Dengan demikian secara alamiah akan muncul sinergi teknis dan ekonomi
antara ilmu pengetahuan yang bersifat data-intensive dan komputasi performa tinggi
seiring kemajuan keduanya. Ilmu pengetahuan yang bersifat data-intensive
bergantung pada koleksi, analisis, dan pengelolaan data dengan volume sangat besar,
yang diperoleh dari simulasi ilmiah atau fasilitas eksperimen.Pengukuran
ketergantungan terhadap perpindahan data dan kebutuhan memori aplikasi yang telah
dilakukan pada lingkungan advance computing ditunjukkan pada gambar
4,dimanamenunjukkan pengukuran tiga macam perpindahan data utama sekaligus
properti pola akses memori untuk semua aplikasi . Spatial Localitymengukur utilitas
memori sebagai hasil proses penjadwalan, sedangkan Temporal Locality mengukur
reusability dari data yang telah digunakan. Aplikasi piranti lunak dalam hal
inidiklasifikasikan menjadi:
 Physical applications, yakni aplikasi-aplikasi komputasionaldan analytics, simulasi,
dekomposisi spasial, pemodelan multidimensi, dan pengolahan floating point,dan
cenderung menggunakan datasetspesifik, dimanamenjadi core dari komputasi
performa tinggi.\
 Informatics applications yang merepresentasikan kode-kode program yang
berubah/berkembang dengan cepat seperti misalnya aplikasi
enterprise/transaksional, yang cenderung tidak terstruktur, berorientasi integer,dan
digunakan untuk membangun hipotesis dari data setyang besar.

6
2.5 NetCDF
NetCDF merupakan format data yg umum dipakai buat asimilasi data. NetCDF
artinya adalah network common data format. Mengalisa data gambaran satelit
menggunakan memanipulasi hasil bacaan tiap pixelnya (looping proses buat seluruh
pixel dalam citranya) kurang lazim dilakukan. Untuk keperluan analisis misalnya itu
umumnya memakai NetCDF. NetCDF adalah suatu pustakan software &
selfdescribing, format data yg nir bergantung menggunakan mesin pendukung buatan,
akses & banyak sekali data ilmiah yg berorientasi array. masih ada hambatan saat
mengakses terhadap data cuaca yg terkompresi pada format NetCDF dalam data
berukuran yg sangat besar.[2]

Dalam studi tadi, serius dalam pengolahan data NetCDF. Dari hal tadi nantinya
akan mempermudah proses pembuktian data radar menggunakan data curah hujan
ataupun proses asimilasi data radar ke pada contoh prediksi cuaca numerik. Namun
struktur data radar yg tersimpan masih pada koordinat polar sebagai akibatnya sering
terjadi hambatan saat ingin mengelolah data lebih lanjut. Penyajian studi ini
menampilkan prosesnya pengelolahan data radar mulai berdasarkan ekstraksi data
radar sampai menyimpan & visualisasi data menggunakan struktur koordinasi
kartesian pada format NetCDF.

Dalam pengelolahan dan menampilkan multi format data radar cuaca secara
massif,menyimpan data radar dalam format NetCDF koordinat kartesian sehingga
memudahkan pada pengelolahan data radar lebih lanut serta dapat menginput untuk
asimilasi data. Dalam studi tersebut, memfokuskan pada pengelolahan data NetCDF.
Dari Hal tersebut nantinya akan mempermudah proses verifikasi data radar dengan
data curah hujan ataupun proses asimilasi data radar ke dalam model prediksi cuaca
numerik. Namun struktur data radar yang tersimpan masih dalam koordinat polar
sehingga sering terjadi kendala ketika ingin mengelolah data lebih lanjut. Penyajian
studi ini menampilkan prosesnya pengelolahan data radar mulai dari ekstraksi data
radar hingga menyimpan dan visualisasi data dengan struktur koordinasi kartesian
dalam format NetCDF.Setiap file pada NetCDF dapat berisi file yang tak terbatas dan

7
setiap variabel dapat disertai dengan data tambahan, seperti satuan ukuran atau teks
deskriptifmenyertakan metode untuk menambahkan data ke yang sudah adafile
netCDF dengan cara yang ditentukan, fungsionalitas yang tidak berbeda dengan
struktur rekaman (panjang tetap).Namun, pustaka netCDF juga memungkinkan
penyimpanan akses langsung dan pengambilan data denganvariabelname dan index
dan oleh karena itu hanya berguna untuk file-file yang tinggal disk ataupun memory
resident.
File NetCDF adalah wadah untuk Dimensi, Variabel, dan Atribut Global File
(kumpulan data) berisi berikut ini:
- Nama jalur

- Dimensi

- Variabel

- Atribut global (tingkat file)

- Nilai data yang terkait dengan variabel.

2.6. Data NetCDF

Secara umum, data radar cuaca disimpan dalam struktur koordinat polar untuk
tiap kemiringan vertikal dari sapuan radar. Dalam koordinat polar, ada empat
komponen utama yang perlu diperhatikanyakni:
(1) titik referensi yang merupakan koordinat lokasi radar.
(2) sumbu polar.
(3) radius yang merupakan jarak antara suatu titik terhadap titik referensi.
(4) sudut polar (azimuth) yangmerupakan besar sudut terhadap sumbu polar.
Sedangkan, pengolahan data spasial meteorologi biasanya dilakukan dalam
struktur koordinat kartesian yang menggunakan koordinat bujur dan lintang.
Pengolahan ini biasanya dilakukan dalam proses analisis dan visualisasi data

8
menggunakan perangkat lunak standar yang gratis seperti GrADS, Ferret, NCL, R,
Python dan lainnya atau yang berbayar seperti MATLAB dan IDL.
Pada NetCDF file dapat ditransfer melalui jaringan, atau dapat diakses dari
jarak jauh menggunakan jaringan yang sesuai pada sistem. Penggunaan akses netCDF
pada software non-Unidata akan mengguntungkan pada daerah pemilihan utama.
Pustaka netCDF didistribusikan tanpa lisensi atau batasan penting lainnya, dan versi
saat ini dapat diperoleh melalui FTP anonim. Bahkan software tersebut telah berjalan
dengan baik dan diterima oleh berbagai institusi di luar komunitas sains atmosfer, dan
substansi sejumlah sistem analis data domain public dan komersial sekarang dapat
menerima file netCDF sebagai masukan. [3]
Komponen-komponen ini dapat digunakan bersama untuk menangkap makna
data dan relasi di antara bidang data dalam kumpulan data berorientasi larik. Pustaka
NetCDF memungkinkan akses simultan ke beberapa set data NetCDF yang
diidentifikasi oleh nomor ID set data, selain file biasa nama. Set data NetCDF berisi
tabel simbol untuk variabel yang berisi nama, tipe datanya, peringkat (jumlah
dimensi), dimensi, dan alamat disk mulai. Setiap elemen disimpan di disk alamatyang
merupakan fungsi linier dari indeks array (subskrip) yang diidentifikasi. Karenanya,
indeks ini tidak perlu disimpan secara terpisah (seperti dalam database relasional). Ini
memberikan yang cepat dan metode penyimpanan kompak. Keuntungan dari pustaka
NetCDF adalah tidak ada kebutuhan pengguna untuk menjaga representasi fisik dari
data multidimensi pada disk.

2.7 NetCDF 4
NetCDF 4 merupakan versi kelanjutan dari NetCDF itu sendiri. Dengan
netCDF-4 dan yang lebih baru, ada varian format ketiga berdasarkan HDF5. Varian
ini disebut sebagai format netCDF-4, mengacu pada file HDF5 yang dibuat melalui
antarmuka pustaka netCDF-4. Sekali lagi, pustaka secara otomatis mendeteksi varian
format mana yang digunakan untuk setiap file saat dibuka untuk membaca
ataumenulis, sehingga pengguna tidak perlu mengetahui varian format mana yang
digunakan. Namun, fitur baru dari model data netCDF-4 yang ditingkatkan, seperti

9
grup dan tipe gabungan, tidak dapat ditambahkan ke file netCDF-3. Jika Anda
membuka file netCDF-3 yang sudah ada dan mencoba menggunakan fitur apa pun
yang spesifik untuk netCDF-4, seperti membuat grup, kesalahan akan ditampilkandan
file tidak berubah, karena operasi tersebut tidak didukung untuk netCDF-3 file.
Model data netCDF-4 menambahkan dukungan untuk beberapa dimensi tak
terbatas, tipe primitif baru, tipe yang ditentukan pengguna (gabungan, panjang
variabel, enum, dan buram) dan grup.Dengan maksud, model data baru adalah subset
terbatas dari model data HDF5. Seperti dijelaskan dalam Caron (2006), pengembang
NetCDF, HDF5, dan OPeNDAP telah mulai membahas formalisasi Model Data
Umum perantara ini, menyediakan pemetaan yang berguna di antara tiga model data,
dan mengembangkan model data untuk mengurangi perbedaan dan menjadikan
OPeNDAP sebagai akses jarak jauh. protokoluntuk netCDF-4 dan netCDF-4 format
ketekunan untuk OPeNDAP. Kesepakatan tentang Model Data Umum seperti itu
dapat meningkatkan interoperabilitas untuk data dan aplikasi ilmiah, memungkinkan
penyedia data untuk menyusun data mereka dengan cara yang akan menyederhanakan
akses menggunakan salah satu dari HDF5, netCDF-4, atau OPeNDAP.
Untuk kenyamanan, kami telah memperkenalkan varian format keempat:
netCDF-4 classic. Ini mengacu pada file yang menggunakan format penyimpanan
HDF5, tetapi tidak ada fitur khusus untuk netCDF-4 seperti grup atau tipe gabungan.
File tersebut dapat diakses, dimanipulasi, dan divisualisasikan oleh aplikasi netCDF-
3 yang hanya dihubungkan kembali keperpustakaan netCDF-4. File-file ini adalah
sejenis hibrida yang dapat secara eksplisit dibuat dan dimanipulasi dengan antarmuka
dan aplikasi pustaka netCDF-3, tetapi itu adalah file HDF5 di bawahnya. Format ini
dipertahankan oleh antarmuka, karena setiap upaya untuk menambahkan fitur spesifik
netCDF-4 ke file tersebut akan mengakibatkan kesalahan. Seperti dijelaskan di bawah,
ada implikasi kinerja potensial hanya dengan menggunakan antarmuka netCDF-3
dengan format penyimpanan HDF5.Versi format akan selalu terdeteksi saatdibaca dan
disimpan oleh perpustakaan saat menulis, jadi tidak mungkin untuk membuka file dan
mengubahnya ke varian format yang berbeda hanya dengan menulis ke dalamnya.
Untuk mengubah format file akan membutuhkan penggunaan

10
utilitas yang menyalin file (misalnya utilitas NCO ncks). Versi mendatang dari
perangkat lunak netCDF akan terus mendukung pembacaan dan penulisan file
menggunakan format klasik (offset 32-bit), format offset 64-bit, dan kedua varian
format netCDF-4. Tidak perlu mengonversi arsip yang ada dari format netCDF-3 ke
netCDF-4.
2.8 Deskripsi data
Format data netCDF memiliki kelebihan dalam hal pendeskripsian data,
sehingga pengguna lain dapat mengetahui deskripsi data secara jelas. Tiga deskripsi
utama dalam format data netCDF adalah variabel, dimensi dan atribut global. Dalam
Python untuk melihat deskripsi data netCDF menggunakan beberapa perintah.
Perintah untuk deskripsi variabel adalah :
for v in
ncfile.variables:
print v
Deskripsi variabel memperlihatkan terdapat 3 variabel, masing-masing variabel
berbentuk array/larik.Variabel pixel_x dan pixel_y menyatakan lintang dan bujuryang
masih berupa nilai bulat, sehingga untuk mendapatkan nilai lintang danbujur
sebenarnya melalui konversi terhadap atribut lain yang akan di bahas pada deskripsi
atribut global. Pada varibel SingleLayerCRefQC hanya menampilkan nilai echo yang
di terima radar, sehingga masing-masing data radar netCDF dapat menunjukkan nilai
yang berbeda . Panjang larik semua varibel menujukkan nilai yang sama, artinya
varibel tersebut dapat disusun menjadi larik dengan dimensi 4 atau berbentuk
matriks.Perintah untuk mengetahui deskripsi dimensi adalah :
for dim in ncfile.dimensions.keys():
print dim, len(ncfile.dimensions[dim]).
2.9 HDF 5
Pada format data Herarki (HDF5) pustaka I/O menyimpan data dalam file
biner yang diatur sebagai performa tinggi akses, serta menggunakan format yang
mendeskripsikan dirinya tanpa menggunakan mesin. Model datatersebut pada objek
HDF5 memungkinkan penggunaan untuk fokus terhadapkonsep hubungan tingkat
tinggi antaraobjek data daripada membahas detail tata letak tertentu dari setiap byte

11
dalam file data. Pustaka HDF5 sendiri dirancang untuk beroperasi pada HPC besar
sistem, serta mengandalkan implementasi standar MPI untuk komunikasi dan operasi
sinkronisasi dan opsional juga untuk operasi I/O kolektif.Desain perpustakaan HDF5
menyertakan "lapisan file virtual" modular.
Untuk melakukan I/O kefile menggunakan driver perangkat lunak.HDF5 dapat
menggunakan MPI-Rutinitas IO untuk operasi I/O kolektif dan independen
(file“MPI- IO virtual file driver”), atau dapat menggunakan kombinasi
MPIkomunikasi dan operasi I/O file POSIX untuk melewati MPI-IO ketika pola I/O
aplikasi tidak digunakan dengan baikMPI-IO ("MPI-POSIX virtual file
driver").Perpustakaan Jaringan Common Data Form (netCDF) [3] jugamenawarkan
model data yang fleksibel dan kemandirian mesin serupa ke HDF5.Versi terbaru,
netCDF-4, telah diadopsiHDF5 sebagai lapisan perantara. Demikian
optimasikitayang dijelaskan dan diterapkan ke I/O yang sama.pola di netCDF-
4.Karena netCDF tidak memperkenalkan dukungan paralel sampainetCDF-4, pustaka
pNetCDF dirancang sebagai paralel antar muka ke format file netCDF asli dan dibuat
secara langsung di atas MPI-IO.pNetCDF tidak menghasilkan file yang
kompatibeldengan netCDF-4, meskipun aplikasi yang menggunakan pNetCDFAPI
dapat diadaptasi untuk menggunakan API netCDF-4 secara adildan secara lugas.
Data tumbuh dengan kecepatan yang besar dengan peningkatan ke petabyte
yang berbeda. Penjelasan yang sederhana dari fenomena data yang besar
adalahbahwa pada di suatu sisi mengenai jumlah besar data serta di sisi lain
merupakan kesulitan untuk menganalisis kumpulan data yang ada dan juga
yang besar ini. Pada model data HDF5 dan beberapa kapabilitas peningkatan
kinerjanya yang meminimalkan kerumitan yang terlibat dalam penenangan data besar.
Namun ia memiliki efek buruk tidak hanya pada integritas dan keakuratan kumpulan
data ini tetapi terdapat keseluruhan yang besar, serta operasi semacam itu untuk
eksekusi dan karena tidak cocok. Namun pada HDF5 terbukti menjadi solusi terbaik.
HDF5 sendiri merupakan model data, pustaka serta format file untuk menyimpan
mengelola data. [4]

12
 BAB III
METODOLOGI PRAKTIKUM

3.1 Waktu dan Tempat

Praktikum Komputasi tentang Format Data dalam Sains Atmosfer dan
Keplanetan dilaksanakan pada Sabtu, 19 Februari 2022 pukul 15.00 WIB.

3.2 Alat dan Bahan

Alat : - Laptop
Bahan : - Python
- Dataset

3.3 Flowchart

Mulai

Library
NetCDF4

Install

Ekstrak data timeseries

13
Plot netcdf file menjadi
peta
menggunakan python

Selesai

14
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil

15
Gambar 4. 1 Script python untuk mengekstrak file ke .csv

Gambar 4. 2 Script python untuk membuat plot

16
Gambar 4. 3 Curah hujan 1 Januari 2018 Gambar 4. 8 Curah hujan 1 Januari 2019

Gambar 4. 4 Curah hujan 1 Februari 2018

Gambar 4. 9 Curah hujan 1 Februari 2019

Gambar 4. 5 Curah hujan 1 Maret 2018 Gambar 4. 10 Curah hujan 1 Maret 2019

Gambar 4. 6 Curah hujan 1 April 2018 Gambar 4. 11 Curah hujan 1 April 2019

Gambar 4. 7 Curah hujan 1 Mei 2018 Gambar 4. 12 Curah hujan 1 Mei 2019
17
Gambar 4. 13 Curah hujan 1 Januari 2020 Gambar 4. 18 Curah hujan 1 Januari 2021

Gambar 4. 14 Curah hujan 1 Februari 2020

Gambar 4. 19 Curah hujan 1 Februari 2021

Gambar 4. 15 Curah hujan 1 Maret 2020

Gambar 4. 20 Curah hujan 1 Maret 2021

Gambar 4. 16 Curah hujan 1 April 2020

Gambar 4. 21 Curah hujan 1 April 2021

Gambar 4. 17 Curah hujan 1 Mei 2020

18 Gambar 4. 22 Curah hujan 1 Mei 2021
4.2 Pembahasan

Sebanyak 20 plotting data curah hujan dari Provinsi Sumatera Barat

dengan rentang waktu empat bulan dari bulan Januari hingga Mei 2018-2020
secara berturut turut telah diolah. Pada tanggal 1 Januari 2018 terlihat data curah
hujan lebih seidkit dibanding curah hujan pada tanggal 1 dibulan Februari dan
Maret yang terlihat mengalami peningkatan .Dibulan berikutnya, 1 April 2018,
terjadi penurunan curah hujan kembali dan pada bulan Mei 2018 terjadi
peningkatan yang cukup tinggi.
Untuk tahun 2019 curah hujan pada tanggal 1 Januari cukup tinggi,
sementara pada bulan Februari dan Maret terjadi penurunan. Sedangkan pada
bulan April terjadi kenaikan dan kembali menurun di bulan Mei.
Menurut data pada tahun 2020 curah hujan pada bulan Januari di Provinsi
Sumatera Barat terbilang sedang. Pada bulan Februari dan Maret terjadi
peningkatan curah hujan yang tidak terlalu signifikan, sementara pada bulan April
curah hujan meningkat cukup tinggi.

19
5.1 Kesimpulan

Dari praktikum modul 1 yang telah dilakukan, dapat disimpulkan bahwa :

1. Format data netCDF dalam Sains Atmosfer dan Keplanetan sangat penting
untuk dapat mengolah data fotometri, data astrometri, data spektroskopi,
data cuaca dan iklim, data kimia atmosfer, dsb.

2. Dari praktikum ini dapat diamati curah hujan di provinsi Sumatera Barat
pada bulan Januari-Mei berturut-turut pada tahun 2018-2021.

3. Dari plot yang dihasilkan, dapat diamati tinggi rendahnya curah hujan di
provinsi Sumatera Barat.

5.2 Saran

Pada praktikum selanjutnya diharapkan praktikan lebih

memperhatikan sesi praktikum dengan baik

20
 DAFTAR PUSTAKA

[1] Jackson, Adrian. 2010. “Introduction of NetCDF”. The Univercity

Of Edinburgh
[2] Rahmawitri, Herwi. Agus Saleh Atmadipoera dan Sri Suryo
Sukoraharjo. 2017. “Pola Sirkulasi dan Variabilitas Arus di Perairan
Selat Sunda”.
Bogor : Dept. ITK FPIK IPB
[3] Rew, Russ. Ed Hartnett dan John Caron. “Netcdf-4: Software Implementing
an Enhanced Data Model For The Geosciences”. Unidata Program
Center, Boulder, Colorad.
[4] Permana, Donaldi S. Thahir, D F Hutapea, dkk. 2016. “Pengolahan Multi
Data Format Radar Cuaca Menggunakan Wradlib Berbasis Python”.
Jakarta Pusat: Puslitbang BMKG

21