PROGRAM STUDI
SAINS ATMOSFER DAN KEPLANETAN JURUSAN SAINS
INSTITUT TEKNOLOGI SUMATERA
LAMPUNG SELATAN
2020
1
Format Data Dalam Sains Atmosfer dan Keplanetan
Destriano.120290024@student.itera.ac.id
ABSTRAK
Berbagai jenis data diolah dalam ilmu sains atmosfer dan keplanetan.
Beberapa data yang diolah seperti data cuaca dan iklim, data kimia
atmosfer, data spektroskopi, data astrometri, data fotometri dan juga masih
banyak data-data lainnya. Data-data yang telah disebutkan memiliki
beragam jenis format serta cara pengolahan yang berbeda-beda. Dari
banyaknya format data yang berkembang, beberapa yang pupoler
diantaranya yaitu netcdf, hdf5, data gfeopasila ( beerupa data raster dan
vektor), liitle r, FITS, dan sebagainya. Pada praktikum kali ini, format data
yang akan diujikan berupa format data pengolahan netcdf hingga
visualisasiya dalam bentuk peta.
2
DAFTAR ISI
ABSTRAK ii
DAFTAR TABEL iv
DAFTAR GAMBAR v
BAB I 6
PENDAHULUAN 6
1.1 Latar Belakang 6
1.2 Perumusan Masalah 7
1.3 Tujuan Praktikum 7
1.4 Sistematika Penulisan Laporan 7
BAB II 9
TINJAUAN PUSTAKA 9
2.1 Pengertian NetCDF 9
2.2 Python 10
2.3 NetCDF4 10
2.4 Langkah Pengerjaan 11
BAB III 18
METODOLOGI PRAKTIKUM 18
3.1 Waktu dan Tempat 18
3.2 Diagram Alir 18
BAB IV 19
4.1 Hasil 19
4.2 Pembahasan 19
BAB V 20
PENUTUP 20
5.1 Kesimpulan 20
5.2 Saran 20
DAFTAR PUSTAKA 21
3
DAFTAR TABEL
Tabel Halaman
1.1 (Judul Tabel) 7
1.2 (Judul Tabel) 8
1.3 (Judul Tabel) 9
2.1 (Judul Tabel) 12
2.2 (Judul Tabel) 13
….........
4
DAFTAR GAMBAR
Gambar Halaman
1.1 (Judul Gambar) 2
1.2 (Judul Gambar) 5
1.3 (Judul Gambar) 10
2.1 (Judul Gambar) 15
2.2 (Judul Gambar) 25
….
5
BAB I
PENDAHULUAN
NetCDF atau Network Common Data Form adalah format file untuk
menyimpan data ilmiah multidimensi (variabel) seperti suhu, kelembapan,
tekanan, kecepatan angin serta arah angin. Netcdf merupakan salah satu jenis
format standar dalam pengolahan data, salah satunya dalam mengolah data Sub
Bidang Pengolahan Citra Radar Badan Meteorologi Klimatologi dan Geologi
yaitu integrasi radar. Selain itu format file NetCDF dikembangkan dan dikelola
oleh Unidata dari University Corporation for Atmospheric Research (UCAR).
Data dalam NetCDF memiliki komponen seperti waktu (time), lintang
(latitude), dan bujur (longitude), dengan bentuk matriks. Berikut gambar
ilustrasi struktur data NeCDF.
6
itu library-library lain juga diperlukan sebagai pendukung yaitu NetCDF4.
a) Bagaimana cara mengolah salah satu format data dalam sains atmosfer
dan keplanetan yaitu NetCDF dan melakukan ekstraksi data berupa
timeseries?
b) Bagaimana cara menyimpan data hasil olahan dalam bentuk csv file?
a) Mampu mengolah salah satu format data dalam sains atmosfer dan
keplanetan yaitu NetCDF dan melakukan ekstraksi data berupa
timeseries
Sistematika penulisan laporan ini secara garis besar akan diuraikan sebagai
berikut:
BAB I: PENDAHULUAN
Bab ini menjelaskan mengenai latar belakang pemilihan tema, ruang lingkup
permasalahan, tujuan dan manfaat, metodelogi yang digunakan, dan sistematika
penulisan.
Bab ini menjelasakan teori-teori yang menjadi acuan dalam penulisan laporan,
yaitu mengenai tahapan dalam pembuatan laporan, komponen-komponen
pendukung dalam mengolah data yang diperoleh dari buku literature,
perpustakaan, serta internet.
7
BAB III: METODELOGI PENELITIAN
Bab ini menjelasakan tentang bagaimana kajian ini dilakukan. Sebagai kajian
ilmiah maka kebenaran fakta merupakan keharusan dengan demikian dalam bab
ini harus jelas terungkap bagaimana cara mencari fakta, instrument yang
digunakan, teknik-teknik pegujian keberadaan dan lain-lainnya.
Bab ini menjelaskan mengenai penelitian yang dilakukan sehingga dapat dibuat
perancangan implementasi sistem yang diusulkan.
Bab ini menjelaskan mengenai kesimpulan dan saran yang dibutuhkan terhadap
hasil akhir dari penelitian yang telah dibuat. Mampu memahami diagram alir
yang diterapkan dalam pengolahan data.
8
BAB II
TINJAUAN PUSTAKA
9
Gambar 2.1 Luaran data model ERA5 dan ERA-Interim.
2.2 Python
Python merupakan bahasa pemrograman interpretatif yang digunakan di
banyak sekali platform dengan perancangan yang memfokuskan kepada
tingkat keterbacaan kode dan merupakan bahasa pemrograman yang
paling populer yang berkaitan dengan data sains, machine learning serta
internet of things atau iot[1]. Dalam NetCDF sendiri pyhon digunakan
sebagai komponen pengimport dan pengekstrak data file NetCDF.
2.3 NetCDF4
Memilih Variabel
Variabel pada NetCDF dapat dianalisis dan divisualisasikan dengan
fungsi ncvar_get() pada ncdf4 atau lebih mudahnya menggunakan
fungsi brick(). Perbedaan dari dari kedua fungsi tersebut yaitu fungsi
10
ncvar_get() menghasilkan tipe array sehingga ukurannya lebih besar
jika dibandingkan dengan fungsi brick(). Selain itu, variabel lokasi
(longitude dan latitude) dan waktu tidak perlu dipanggil dengan objek
baru ketika ingin membuat grafik.
Menambahkan Waktu ke Objek Raster
Untuk menambahkan waktu ke objek raster sebenarnya sudah terdapat
dalam objek chirps.raster, namun masih dalam bentuk numerik. Format
numerik tersebut dapat diubah kedalam format date menggunakan
objek konv.waktu. dapat dilihat label time memilki format tanggal. Hal
ini berfungsi untuk memanipulasi data jika ingin mengetahui
klimatologi bulanan atau musiman.
Memilih Lokasi Spesifik
Lokasi spesifik dapat ditentukan dengan fungsi crop(). Jika memiliki
data shapefile batas administratif, dapat langsung diterapkan fungsi
tersebut.
Membuat grafik
Fungsi stadar yang digunakan untuk membuat grafik dari data netCDF
adalah plot(), secara default fungsi tersebut menghasilkan gambar
sejumlah 16 grafik.
11
c) Setelah Proses instalasi selesai, buka aplikasi spyder.
prep =data.variables(‘precip’)
prep.dimensions
12
Untuk mengakses data dalam bentuk, lakukan seperti berikut
time_data = data.variables[‘time’][:]
#importing libraries
from netCDF4 import Dataset
import numpy as np
import pandas as pd
13
min_index_lon = sq_diff_lon.argmin()
prep = data.variables['precip']
dt = np.arange(0,data.variables['time'].size)
14
e) Untuk proses plotting data netcdf menjadi map, diperlukan 4
libraries
from netCDF4 import Dataset
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.basemap import Basemap
f) Untuk menggunakan basemap lakukan hal berikut
mp = Basemap(projection = ‘merc’, llcrnrlon = , llcrnrlat
= , urcrnrlon = , urcrnrlat = , resolution = ‘i’)
keterangan:
projection Tipe dari map llc = ‘lambert conformal’; merc = ‘mercator’; cyl
Projection = ‘cylindrical equidistant’; laea = ‘lambert
azimuthal’; dll
llcrnrlon Longitude of lower left hand corner of the desired map domain (degrees)
15
llcrnrlat Latitude of lower left hand corner of the desired map domain (degrees)
urcrnrlon Longitude of upper right hand corner of the desired map domain
(degrees)
urcrnrlat Latitude of upper right hand corner of the desired map domain (degrees)
Contoh:
mp = Basemap(projection = 'merc', llcrnrlon = 94.101431, llcrnrlat =
1.450824, urcrnrlon = 99.540642, urcrnrlat = 7.097567, resolution = 'i')
g) Mengatur color map menggunakan pcolor, lakukan hal
berikut c_scheme = mp.pcolor(x, y, np.squeez(prep[2, :,
:]), cmap = 'jet', vmin=0, vmax=20)
untuk informasi cmap dapat kunjungi situs berikut:
https://matplotlib.org/stable/tutorials/colors/colormaps.htm
l
h) Untuk membuat legenda, lakukan langkah berikut.
cbar = mp.colorbar(c_scheme, location = ‘right’, pad =
‘10%’, )
i) Berikut adalah contoh script untuk plot data netcdf ke peta
2D
from netCDF4 import Dataset
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.basemap import Basemap
16
prep = data.variables['precip']
mp = Basemap(projection = 'merc',
llcrnrlon = 94.101431,
llcrnrlat = 1.450824,
urcrnrlon = 99.540642,
urcrnrlat = 7.097567,
resolution = 'i')
17
BAB III
METODOLOGI PRAKTIKUM
18
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
Untuk penulisan separator desimal bisa koma semua atau titik boleh, asal
konsisten.
GAMBAR
4.2 Pembahasan
19
BAB V
PENUTUP
5.1 Kesimpulan
1. Aaaaa
2. Bbbb
3. Ccccc
5.2 Saran
20
DAFTAR PUSTAKA
21