Jumat, 31 Oktober 2014
Kamis, 30 Oktober 2014
Rabu, 29 Oktober 2014
Senin, 27 Oktober 2014
Jumat, 17 Oktober 2014
Kamis, 16 Oktober 2014
Rabu, 15 Oktober 2014
Selasa, 14 Oktober 2014
Jumat, 10 Oktober 2014
Minggu, 05 Oktober 2014
Jumat, 03 Oktober 2014
MODEL SINTESIS FUZZY CLUSTERING DAN ARTIFICIAL NEURAL NETWORK DALAM PREDIKSI CURAH HUJAN BULANAN DI WILAYAH INDONESIA BERBASIS DATA TROPICAL RAINFALL MEASURING MISSION (TRMM), AKTIVITAS MATAHARI DAN INTENSITAS SINAR KOSMIK
EXTENDED ABSTRAK
MODEL SINTESIS FUZZY CLUSTERING DAN ARTIFICIAL NEURAL NETWORK DALAM PREDIKSI
CURAH HUJAN BULANAN DI WILAYAH INDONESIA BERBASIS DATA TROPICAL RAINFALL MEASURING MISSION (TRMM), AKTIVITAS MATAHARI DAN INTENSITAS SINAR KOSMIK
Jalu Tejo Nugroho
NIM : 32408301Promotor Prof. Dr. Safwan Hadi
Co-Promotor : Prof. Dr. Bayong Tjasyono
Co-Promotor : Prof. Dr. The Houw Liong
Pada penelitian ini
telah dilakukan peningkatan akurasi prediksi curah hujan di wilayah Indonesia
berbasis data Tropical Rainfall Measuring
Mission (TRMM) menggunakan metode jaringan syaraf tiruan (JST), dengan melibatkan faktor-faktor kosmogenik yang secara empirik telah diketahui mempengaruhi curah hujan di permukaan bumi sebagai masukan (input)
simulasi jaringan. Faktor kosmogenik tersebut adalah aktivitas matahari, sinar
kosmik galaksi, dan aktivitas geomagnet.
Energi radiasi dari
flare (ledakan di matahari) menyebabkan pemanasan di permukaan bumi sehingga meningkatkan penguapan yang dapat
mempengaruhi sifat keawanan serta
curah hujan. Di sisi lain, penambahan partikel energetik berupa proton pada saat kejadian CME (Coronal Mass Ejection) mempengaruhi sifat kelistrikan
global di atmosfer, dimana pada lapisan troposfer dapat berperan dalam
pembentukan inti kondensasi awan dan pada akhirnya mempengaruhi sifat awan serta
variabilitas curah hujan di permukaan. Aktivitas matahari tersebut
dikarakterisasi oleh bilangan bintik matahari (sunspot). Sinar kosmik galaksi, seperti halnya CME, mempengaruhi
sifat kelistrikan di atmosfer global. Aktivitas geomagnet, yang pada lintang
rendah dinyatakan oleh indeks Dst, dipengaruhi oleh kejadian flare, dapat berdampak pada bumi dalam
hitungan hari.
Siklus aktivitas matahari mempunyai periode sekitar sembilan sampai dengan 13 tahun sehingga untuk mengidentifikasinya
diperlukan data minimal satu siklus matahari. Data
Outgoing Longwave Radiation (OLR) yang digunakan pada penelitian mempunyai rentang dari bulan Juni 1974 sampai dengan bulan November 2010 sehingga dapat digunakan untuk keperluan identifikasi.
Pengaruh aktivitas matahari pada curah hujan ditandai
dengan munculnya periode sekitar sembilan sampai dengan 13 tahun pada data OLR yang dianalisis. Periode
aktivitas matahari, muncul tidak di semua deret waktu yang dianalisis tapi tergantung di antaranya oleh musim dan lokasi.
Diketahui pula bahwa melalui metode analisis spektral tersebut, wilayah
yang sebelumnya dikelompokkan menggunakan metode
pengklasteran lebih baik dalam identifikasi sinyal aktivitas matahari dibandingkan
dengan pengelompokkan wilayah yang
terbatas pada posisi geografis. Dengan pengklasteran, sinyal aktivitas matahari
akan saling menguatkan sehingga tampak muncul lebih kuat dalam spektral wavelet. Gambar 1 menampilkan hasil pengklasteran wilayah Indonesia berbasis data
OLR yang diperoleh dari perata-rataan tahun 1996 sampai dengan 2000 menggunakan
metode Fuzzy c-means (FCM). Gambar 2
merupakan perbandingan hasil analisis spektral data OLR untuk wilayah yang
telah dikelompokkan sebelumnya menggunakan metode pengklasteran dengan wilayah
yang dikelompokkan pada area terbatas berdasarkan posisi lintang dan bujurnya.
Untuk tahap
selanjutnya digunakan data curah hujan berbasis TRMM (Tropical Rainfall Measuring Mission) tahun 1998 hingga 2010 karena
memiliki resolusi spasial lebih tinggi, sehingga dapat menjelaskan
variabilitas curah hujan dengan lebih detail dan akurat. Peningkatan akurasi
prediksi curah hujan direpresentasikan dengan peningkatan nilai koefisien
kolerasi statistik (R) data
latih dan data uji hasil simulasi JST dibandingkan dengan data pengamatan di
stasiun pengukur hujan. Prediksi yang dilakukan adalah
prediksi bulanan (long range weather
forecasting), mulai dari tiga bulan sampai dengan enam bulan ke depan. Area klaster yang telah dianalisis sampai saat ini adalah
wilayah Jakarta (6,16oLS-106,8oBT) dan Pontianak (0,15oLS-109,4oBT).
Dari simulasi JST dua masukan (TRMM+CR, TRMM+CR, serta TRMM+DST) diperoleh peningkatan nilai R baik untuk data latih maupun data uji di
wilayah Jakarta dan Pontianak dibandingkan dengan simulasi JST dengan satu
masukan, yaitu data TRMM saja. Pada
proses simulasi ini yang menjadi data target adalah
data dari stasiun penakar hujan di wilayah tersebut. Di wilayah Jakarta akurasi yang diperoleh pada
rentang 80% sampai dengan 83% dibandingkan terhadap data data stasiun pengukur
hujan. Peningkatan akurasi R setelah penambahan masukan faktor kosmogenik pada
saat simulasi JST dalam rentang 1,26% sampai dengan 5,06%. Kontribusi faktor
kosmogenik pada curah hujan di wilayah Jakarta mencapai 5,06%. Gambar 4
menampilkan plot hasil simulasi JST dua masukan (TRMM dan CR) dibandingkan data
target.
Di wilayah
Pontianak, akurasi yang diperoleh pada rentang 70% sampai dengan 81%
dibandingkan terhadap data data stasiun pengukur hujan. Peningkatan akurasi R
setelah penambahan masukan faktor kosmogenik pada saaat simulasi JST dalam
mencapai 9,5%. Kontribusi faktor kosmogenik pada curah hujan di wilayah Jakarta
mencapai 9,5%. Gambar 5 menampilkan plot hasil simulasi JST dua masukan (TRMM
dan CR) wilayah Pontianak dibandingkan data target.
Tabel 1 meringkas akurasi prediksi curah hujan data uji yang diperoleh
dengan penambahan masukan simulasi JST untuk wilayah Jakarta dan Pontianak
terhadap nilai yang diperoleh pada stasiun pengukur hujan. Nilai pada tanda
kurung ( ) menyatakan peningkatan akurasi yang dicapainya.
Tabel 1 Akurasi prediksi curah hujan data uji dan
besar peningkatan akurasi yang diperoleh dari hasil simulai JST untuk wilayah
Jakarta dan Pontianak.
R (%)
|
|||
TRMM + CR
|
TRMM + DST
|
TRMM + SSN
|
|
Wilayah Jakarta
|
83 (5,06)
|
80 (1,26)
|
81 (2,53)
|
Wilayah
Pontianak
|
70 (0)
|
81 (9,4)
|
80 (9,5)
|
Langganan:
Postingan (Atom)