EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN
IKLIM MUSIMAN MENGGUNAKAN METODE ROC
(Kasus ZOM 126 Denpasar)
Yunus S. Swarinoto
Peneliti Madya Bidang Klimatologi
Badan Meteorologi Klimatologi dan Geofisika, JAKARTA
e-mail: yunusbmkg@live.com.
ABSTRACT
The accuracy of seasonal rainfall prediction using Relative Operating Characteristic (ROC) had
been done for Seasonal Forecast Area (SFA) 126 Denpasar. Based on 10-day rainfall data, the
onset of rainy season observation could properly be determined. Tthe onset of rainy season
simulation or prediction was provided by using the Monte Carlo simulation method based on
normal distribution assumption. The predictors used are Nino34 SST anomaly, IODM SST
anomaly, and Indonesia SST anomaly for July. The predictant in this case is onset of rainy season.
The onset of rainy season in SFA 126 Denpasar commonly occurs the 29 th of 10-day based on
1981-2000 data series. Giving a 10-day tolerance, the average of rainy season onset occurs
between 28th – 30th of 10-day as a Normal onset. Rainy season onset occurences before 28th - 30th of
10-day is considered as Early (E) onset. Others are designated as Later (L) onset. Further step,
based on contingency tables of E and L onsets, ones are able to compute the values of Hit Rates
(HR) and False Alarm Rates (FAR). The area below ROC curve shows the accuracy of the onset of
rainy season prediction. Results show that accuracy of rainy season onset prediction in SFA 126
Denpasar is 75% for Early onset and 74% for Later onset.
Key words: 10-day, False Alarm Rate, Hit Rate, Onset, ROC, Seasonal, SFA
ABSTRAK
Evaluasi keandalan simulasi informasi prakiraan iklim musiman dengan menggunakan metode
Relative Operating Characteristic (ROC) dilakukan di ZOM 126 Denpasar. Data dasar yang
digunakan adalah awal musim hujan yang diturunkan dari data total hujan dasarian. Awal musim
hujan simulasi ditentukan berdasarkan pada simulasi Monte Carlo menggunakan distribusi normal
terhadap data prediktor untuk bulan Juli (anomali suhu permukaan laut Nino34, anomali suhu
permukaan laut IODM, anomali suhu permukaan laut wilayah Indonesia) dan sebagai prediktan
adalah awal musim hujan dasarian. Awal musim hujan observasi rata-rata di ZOM 126 Denpasar
diketahui jatuh pada dasarian 29. Untuk normal awal musim hujan digunakan toleransi 1 (satu)
dasarian, sehingga normal terjadinya awal musim hujan di ZOM 126 Denpasar adalah dasarian
28-30. Kejadian awal musim hujan sebelum dasarian 28-30 ditentukan sebagai lebih cepat terjadi
(Early Onset, E). Sebaliknya jika awal musim hujan terjadi setelah dasarian 28-30 ditentukan
sebagai lebih lambat terjadi (Later Onset, L). Luas kurva di bawah garis ROC ditengarai sebagai
tingkat keandalan prakiraan awal musim hujan di ZOM 126 Denpasar. Hasil menunjukkan bahwa
tingkat keandalan simulasi prakiraan awal musim hujan di ZOM 126 Denpasar diperoleh 75%
untuk terjadinya awal musim hujan lebih cepat (E) dan 74% untuk terjadinya awal musim hujan
lebih lambat (L).
Kata kunci: Dasarian, False Alarm Rate, Hit Rate, Awal musim, ROC, Musiman, SFA
Naskah masuk : 13 September 2010
Naskah diterima : 15 November 2010
120
EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN IKLIM MUSIMAN
MENGGUNAKAN METODE ROC
Yunus S. Swarinoto
I. PENDAHULUAN
1.1 Latar Belakang
Sebagai salah satu unsur iklim, maka
presipitasi yang dihasilkan oleh atmosfer di
wilayah tropis pada umumnya berwujud
curah hujan (rainfall) 1). Curah hujan ini
sangat memegang peran utama berkaitan
dengan masalah pertanian (agriculture).
Namun demikian, tidaklah mudah untuk
memperoleh gambaran tentang perilaku
curah hujan di seluruh wilayah tropis.
Kondisi ini berhubungan dengan tidak
adanya lokasi pengamatan yang cukup di
daratan maupun lautan wilayah tropis9).
Akibatnya kadang-kadang gambaran tentang
curah hujan di wilayah tropis tidak benarbenar
menggambarkan
kondisi
yang
sebenarnya. Salah satu peran curah hujan di
Indonesia adalah sebagai unsur iklim utama
dalam menyiapkan informasi prakiraan iklim
musiman.
Informasi prakiraan iklim musiman
disiapkan
dimaksudkan
untuk
dapat
memberikan informasi kondisi iklim
musiman mendatang yang diharapkan akan
terjadi dalam kurun waktu prediksi tertentu.
Utamanya prakiraan iklim musiman yang
disajikan secara operasional oleh Badan
Meteorologi Klimatologi dan Geofisika
(BMKG) berbasis pada prakiraan wilayah
Zona Musim (ZOM). Di seluruh wilayah
Indonesia terdapat 220 wilayah ZOM dan 73
wilayah Non-ZOM 2). Satu di antaranya
adalah ZOM 126 Denpasar yang digunakan
dalam tulisan ini.
Di negara maju kajian tentang
penggunaan informasi prakiraan iklim
musiman sudah berkaitan dengan nilai
ekonomi 4). Bahkan penggunaan informasi
iklim musiman telah ada di sekitar tahun
1950an. Sementara itu di negara sedang
berkembang seperti Indonesia, kajian tentang
informasi penggunaan informasi iklim
musiman termasuk masih baru, khususnya
sekitar dasawarsa terakhir. Hal ini
berhubungan dengan semakin membaiknya
tingkat kemampuan dan keandalan informasi
prakiraan iklim musiman tersebut. Kondisi
ini
berkaitan
dengan
semakin
berkembangnya teknologi prakiraan iklim
musiman, kemampuan dan ketersediaan
sarana komputasi, dan semakin baiknya
jaringan pengamatan global di seluruh dunia.
121
Kini pemanfaatan informasi iklim
musiman akan memberikan keuntungan
ekonomi. Hal ini dapat berlaku asal informasi
iklim musiman yang disiapkan memiliki
keandalan yang tinggi. Selain itu pihak
pengguna informasi iklim musiman juga
harus menggunakan secara terus-menerus
dengan konsisten. Mengingat keuntungan
ekonomi biasanya tidak dapat diperoleh
dalam jangka waktu pendek, melainkan dapat
dirasakan setelah melalui jangka waktu
panjang. Artinya, keuntungan ekonomi bagi
para pengguna informasi prakiraan iklim
musiman baru akan terwujud dalam jangka
waktu panjang.
Kondisi tersebut di atas berkaitan
dengan kemampuan dan keandalan informasi
prakiraan iklim musiman yang tinggi
sehingga tingkatan frekuensi benar informasi
prakiraan iklim musiman yang disiapkan
memiliki frekuensi yang lebih banyak
disbanding dengan
frekuensi informasi
prakiraan iklim musiman yang salah.
Sehingga evaluasi tingkat keandalan dari
informasi prakiraan iklim musiman menjadi
sangat penting. Bahkan hasil evaluasi
tersebut harus disampaikan kepada para
pengguna informasi prakiraan iklim musiman
secara terbuka 4).
Untuk melakukan evaluasi prakiraan
iklim musiman dapat digunakan berbagai
macam cara. Baik dilakukan dengan cara
statistik, dinamik, maupun gabungan antara
statistik-dinamik. Salah satu cara operasional
evaluasi prakiraan iklim musiman yang
disarankan oleh World Meteorological
Organization (WMO) adalah menggunakan
Relative Operating Characteristic (ROC)
diagram6).
ROC
digunakan
untuk
mentransformasi prakiraan probabilistik ke
dalam kategori “Ya” dan “Tidak” yang
didasarkan pada suatu batas probabilitas
kritis7). ROC pada dasarnya merupakan
metode yang sangat fleksibel untuk menilai
tingkatan kemampuan informasi prakiraan
iklim musiman. Baik yang bersifat
deterministik, kontinyu, maupun peluang
atau probabilitas 8). Dalam hal ini ROC
mampu menggambarkan berapa besar
peluang suatu prakiraan tersebut tidak benar.
Metode ini pernah dicoba diaplikasikan di
Kupang Provinsi Nusa Tenggara Timur 3).
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 – NOVEMBER 2010: 120 - 130
Kaitan antara terjadinya awal Musim
Hujan (prediktan) dengan kondisi Anomali
Suhu Permukaan Laut Nino34, Anomali
Suhu Permukaan Laut Lautan India, dan
Anomali Suhu Permukaan Laut Wilayah
Indonesia (prediktor) secara serentak pernah
dicoba dilakukan10). Hasilnya menunjukkan
bahwa “time lag” terbaik adalah 1 (satu)
bulan mendahului awal Musim Hujan di
ZOM 126 Denpasar, yakni jatuh pada bulan
Juli. Kondisi ini dicerminkan oleh nilai R2
terbesar yang didapat dalam pengolahan data.
1.2 Tujuan
Tulisan ini memaparkan cara dan hasil
evaluasi keandalan prakiraan awal musim
(onset of season) hujan untuk lokasi ZOM
126 Denpasar. Metode yang digunakan
adalah
metode
Relative
Operating
Characteristic (ROC) diagram. Sementara itu
nilai probabilitas prediksi awal musim hujan
disusun berdasarkan pada asumsi distribudi
normal dengan menggunakan simulasi
probabilitas Monte Carlo 12).
1.3 Daerah Studi
Pola total hujan bulanan monsunal
memiliki
ciri
adanya
satu
puncak
(maksimum) dan satu lembah (minimum)
total hujan bulanan dalam satu tahun
kalender. Bahkan sering pula disebut
berbentuk huruf ”V” 11). Lembah total hujan
bulanan ini biasanya terjadi pada pertengahan
tahun yang sedang berjalan seiring dengan
terjadinya puncak Musim Kemarau (MK).
Sementara itu puncak total hujan bulanan
berlangsung bersamaan dengan terjadinya
Musim Hujan (MH). Selanjutnya gambaran
tentang pola total hujan monsunal di ZOM
126 Denpasar dapat dilihat pada Gambar
1.2.
Mengacu pada kriteria penentuan
musim hujan operasional yang digunakan
oleh BMKG2), yakni total hujan bulanan
sebesar 150 mm atau lebih, maka pada lokasi
Denpasar memiliki rata-rata panjang Musim
Kemarau (MK) berlangsung selama 7 bulan
dan panjang Musim Hujan (MH) berlangsung
selama 5 bulan. Kondisi ini diperoleh
berdasarkan pada series data 1974 - 2007.
Puncak total hujan bulanan pada umumnya
berlangsung pada bulan Januari dan lembah
total hujan bulanan terjadi pada umumnya
pada bulan Agustus (Gambar 1.2).
Rainfall Total (mm)
Denpasar
500
400
300
200
100
0
1
2
3
4
5
Gambar 1.1. Daerah studi ZOM 126 Denpasar
dan sekitar ( Sumber: BMKG 2) )
Dalam tulisan ini, daerah studi yang
dipilih untuk penelitian adalah Zona Musim
(ZOM) 126 Denpasar 2). Lokasi ini meliputi
antara lain wilayah kabupaten-kabupaten
Badung bagian selatan, Bangli bagian
selatan, Gianyar bagian tengah, Karangasem
bagian baratdaya, Klungkung bagian utara,
dan Kota Denpasar (Gambar 1.1). Lokasi ini
dipandang dapat mewakili tempat-tempat
dengan pola total hujan bulanan monsunal.
6
7
8
9
10
11
Months
Gambar 1.2. Pola total hujan bulanan monsunal di
ZOM 126 Denpasar, MK 7 bulan, MH 5 bulan (
Sumber: Swarinoto and Makmur10) )
122
EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN IKLIM MUSIMAN
MENGGUNAKAN METODE ROC
Yunus S. Swarinoto
12
Rainfall Total (mm)
Denpasar
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
10-day
Gambar 1.3. Pola total hujan dasarian di ZOM
126 Denpasar dengan series 1974-2007
( Sumber: Swarinoto and Makmur10) )
II. DATA
Series data total hujan harian di ZOM 126
Denpasar digunakan untuk memperoleh
series data total hujan dasarian. Tahun
series data yang digunakan adalah 1974 –
2007. Selengkapnya data total hujan
dasarian dapat dilihat pada Tabel 1.
Data awal musim hujan hasil observasi di
ZOM 126 Denpasar dihitung berdasarkan
acuan operasional yang digunakan oleh
BMKG. Sementara itu data probabilitas
berlangsungnya awal musim hujan simulasi
diperoleh dengan menggunakan distribusi
normal pada simulasi probabilitas Monte
Carlo.
III. METODE
3.1 Menentukan terjadinya awal musim hujan
observasi setiap tahunnya berdasarkan series
data yang tersedia 1974-2007. Persyaratan
yang digunakan adalah batasan operasional
yang digunakan oleh BMKG 2), yakni total
hujan dasarian sebesar 50 mm yang diikuti
oleh minimal 2 (dua) dasarian berturutan.
3.2 Menghitung rata-rata terjadinya awal
musim hujan di ZOM 126 Denpasar dengan
cara melakukan rata-rata total hujan dasarian
dalam series 1974-2007. Persistensi total
hujan dasarian rata-rata yang kurang dari 50
mm/ dasarian diberi tanda sebagai Musim
Kemarau. Batasan panjang Musim Kemarau
rata-rata diberi tanda boks. Dasarian pertama
setelah tanda boks di sebelah kanan
ditentukan sebagai Awal Musim Hujan
(D29).
3.3 Berdasarkan pada awal Musim Hujan
rata-rata di ZOM 126 Denpasar (D29),
kemudian diberikan batas toleransi + 1 (satu)
dasarian. Sehingga batasan normal terjadinya
awal musim hujan di ZOM 126 Denpasar
dapat diperoleh. Sebagai contoh jika rata-rata
awal musim hujan di ZOM 126 Denpasar
terjadi pada dasarian ke 29 (D29), maka
batasan lebih cepat (Early Onset, E), normal
(Normal Onset, N), dan lebih lambat (Later
Onset, L) terjadinya awal musim hujan di
sana menjadi seperti dalam Tabel 2.
3.4 Melakukan simulasi prediksi probabilitas
terjadinya awal musim hujan menggunakan
distribusi
normal
dengan
simulasi
probabilitas Monte Carlo. Akibatnya
besarnya nilai prosentase terjadinya awal
musim hujan di ZOM 126 Denpasar dapat
diketahui sesuai dengan series data yang ada.
3.5 Menyusun table kontingensi13) antara
hasil informasi prakiraan iklim musiman
(simulasi)
dan hasil observasi lapang
(observasi), yang terdiri atas: Hits (h), False
Alarms (f), Misses (m), dan Correct
Negatives (c).
Tabel 2. Kategori awal musim hujan di ZOM 126
Denpasar (Sumber: Pengolahan Data)
No.
Keterangan
Dasarian
1
Lebih Cepat
< D28
(Earlier Onset, E)
2
Normal Onset, N
D28 – D30
3
Lebih lambat
> D30
(Longer Onset, L)
123
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 – NOVEMBER 2010: 120 - 130
Tabel 3a. Tabel kontingensi untuk verifikasi
sistem informasi prakiraan iklim musiman biner
( Sumber: Mason and Graham 8 )
OBS\SIM
Y
TY
Y
Y-Y
Y-TY
TY
TY-Y
TY-TY
Di mana:
Y = Ya;
TY = Tidak Ya;
Y-Y = prakiraan (simulasi) Y dan
observasi Y (Hits, h);
Y-TY = prakiraan TY tetapi observasi
Y (Misses, m)
TY-Y = prakiraan TY tetapi
observasi Y (False Alarms, f);
TY-TY = prakiraan TY tetapi
observasi TY (Correct
Negatives, c);
Lebih lanjut Tabel 3a dapat juga ditulis juga
dengan menggunakan nilai-nilai h, f, m, dan
c seperti dalam Tabel 3b.
Tabel 3b. Tabel kontingensi lanjutan untuk
verifikasi system informasi prakiraan iklim
musiman biner
( Sumber: Mason and Graham 8) )
OBS\SIM Y TY
Y
h
m
TY
f
c
Nilai HR dimaksudkan untuk menunjukkan
berapa bagian dari kejadian “Y” yang
diprakirakan dapat benar terjadi dengan tepat
“Y”. Nilai HR memiliki selang 0 sampai
dengan 1. Skor sempurna adalah 1. Artinya
jika nilai HR semakin mendekati nilai 1
berarti informasi prakiraan iklim musiman
yang disajikan semakin baik.
Nilai FAR dimaksudkan untuk menunjukkan
berapa bagian yang diprakirakan “Y” tetapi
dalam kenyataannya terjadi “TY”. Nilai FAR
memiliki selang antara 0 hingga 1. Skor
sempurna adalah 0. Artinya jika informasi
prakiraan iklim musiman memiliki nilai FAR
mendekati 0, maka informasi prakiraan iklim
musiman tersebut semakin baik.
3.5 Menghitung banyaknya kejadian HR dan
FAR untuk setiap kelompok nilai probabilitas
dari 100%, 90%, ……, 0%. Persamaan (3.1)
digunakan untuk menghitung nilai HR dan
persamaan
(3.2)
digunakan
untuk
menghitung nilai FAR.
3.6 Menyusun kurva ROC dengan cara
melakukan plotting antara False Alarm Rates
(FAR) sebagai absis versus Hit Rates (HR)
sebagai ordinat. Luasan di bawah kurva ROC
ditengarai sebagai nilai keandalan prakiraan
simulasi awal musim hujan di ZOM 126
Denpasar.
Selanjutnya cara menghitung Hit Rates (HR)
atau Probability of Detection (POD) dan
False Alarm Rates (FAR) atau Probability of
False Detection (POFD) adalah sebagai
berikut:
……………. (3.1)
124
EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN IKLIM MUSIMAN
MENGGUNAKAN METODE ROC
Yunus S. Swarinoto
Tabel 1. Data total hujan dasarian ZOM 126 Denpasar
(Sumber: BMG, 2008)2)
Tahun Apr
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
10
16
153
1
32
21
0
18
30
32
18
105
33
98
2
35
58
20
49
27
44
10
185
13
14
0
230
90
124
14
129
53
180
73
102
59
11
6
48
7
0
13
0
55
15
55
31
69
16
63
2
6
30
21
92
46
16
37
42
71
47
27
141
122
32
67
20
0
11
134
161
44
12
3
138
12
0
1
0
75
36
85
77
37
14
42
17
10
60
50
56
22
17
96
20
1
31
20
51
78
13
10
48
25
8
36
47
36
May
13
0
37
13
22
0
24
0
9
0
51
86
1
4
92
20
10
49
12
2
30
46
8
3
3
10
26
47
30
0
109
61
1
46
13
25
Jun
14
49
21
1
4
38
73
8
92
5
92
58
5
0
32
34
12
49
8
0
5
13
60
79
10
19
19
76
1
5
0
6
2
10
4
26
15
27
4
0
0
169
113
38
7
5
146
66
77
46
2
3
9
63
11
14
31
0
22
5
1
34
0
101
1
4
25
93
6
0
1
33
Jul
16
14
0
0
0
150
16
2
47
0
23
20
75
16
8
9
7
18
5
13
15
31
10
21
3
14
23
40
67
0
0
3
8
0
2
19
17
26
0
0
0
144
0
18
24
23
17
32
31
22
1
20
114
14
13
0
21
5
10
0
5
23
14
76
61
5
24
0
11
15
8
23
18
21
5
6
5
54
107
5
17
0
6
31
12
85
67
0
31
20
2
4
31
3
36
0
0
7
87
15
37
15
2
51
10
4
22
23
19
0
2
0
0
153
1
6
94
0
46
34
114
24
4
16
15
5
3
8
18
4
33
34
2
39
36
4
2
0
0
0
20
0
2
21
20
0
0
0
0
18
0
36
93
0
6
8
4
1
78
7
37
46
31
8
9
8
4
3
20
4
85
1
12
4
1
33
37
2
0
18
21
0
6
0
0
61
61
12
4
0
3
51
12
20
8
3
35
24
38
13
5
7
13
4
4
27
32
36
14
9
30
0
9
0
0
16
Aug
22
1
66
0
0
21
114
7
10
2
11
58
25
41
3
58
0
1
2
5
10
10
1
46
0
1
6
6
0
0
0
11
12
0
32
16
23
1
19
3
0
33
4
21
36
11
14
4
27
5
0
12
6
10
1
6
20
0
11
44
5
16
25
7
4
9
4
0
36
8
7
12
24
0
0
0
0
88
0
41
9
41
7
19
16
28
35
17
83
33
2
1
0
0
2
12
1
21
23
0
11
7
9
0
41
0
1
16
Sep
25
44
25
0
26
98
10
17
6
0
0
32
11
16
4
35
25
54
41
53
8
0
27
14
0
35
18
2
9
0
2
3
1
0
0
18
Oct
26
10
17
0
0
104
2
0
23
0
10
191
7
41
0
11
0
11
2
3
14
0
5
0
0
30
4
4
1
7
90
10
0
0
1
18
27
98
8
0
0
166
22
7
114
0
26
22
27
32
29
9
10
2
1
69
27
0
12
0
0
65
17
6
19
16
8
0
0
0
0
24
28
211
47
1
0
61
8
1
68
3
16
69
6
77
43
2
4
2
0
260
116
0
0
103
3
35
16
7
17
2
73
14
6
5
1
38
Tabel 4a. Nilai probabilitas simulasi awal Musim Hujan di ZOM 126 Denpasar
(Sumber: Pengolahan Data)
Tahun
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
AMH
27
29
36
34
24
32
32
27
35
29
26
30
28
31
30
30
34
32
27
28
35
31
28
32
27
29
29
29
33
32
33
33
37
35
OBS
ONSET
E
N
L
L
E
L
L
E
L
N
E
N
N
L
N
N
L
L
E
N
L
L
N
L
E
N
N
N
L
L
L
L
L
L
SIM
ONSET
N
N
L
L
N
L
N
E
L
L
N
N
N
L
E
E
N
L
N
L
L
N
E
E
E
N
N
N
L
L
L
N
L
N
E
0
3
0
0
24
0
2
76
0
0
15
10
0
0
100
100
0
0
27
0
0
21
80
79
97
38
0
5
0
0
0
28
0
2
N
84
92
3
9
75
49
94
24
0
9
85
90
89
0
0
0
96
0
67
2
2
78
20
20
3
62
93
70
16
31
38
65
11
76
L
16
5
97
91
1
51
4
0
100
91
0
0
11
100
0
0
4
100
6
98
98
1
0
1
0
0
7
25
84
69
62
7
89
22
Keterangan: OBS = Observasi; SIM = Simulasi
125
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 – NOVEMBER 2010: 120 - 130
29
11
65
21
0
3
9
0
5
6
259
1
0
38
13
17
41
0
0
75
89
15
39
149
0
171
341
101
56
0
10
3
92
1
55
50
Jika luasan kurva ROC bernilai lebih kecil
atau sama dengan 50% artinya prakiraan
iklim musiman yang disajikan dan dievaluasi
tidak memiliki keandalan yang memadai.
Kondisi prakiraan iklim musiman tersebut
dinamakan sebagai no-skill. Semakin luas
luasan di bawah kurva ROC, maka semakin
tinggi tingkat keandalan informasi prakiraan
iklim musiman yang dievaluasi tersebut.
Khususnya semakin dekat kurva ROC ke
bagian
pojok
kiri
atas
(http://www.ecmwf.int., 2010)7) berarti
informasi prakiraan iklim musiman yang
dievaluasi memiliki skill semakin tinggi.
IV. HASIL DAN PEMBAHASAN
4.1 Nilai Probabilitas Simulasi
Nilai probabilitas terjadinya awal
Musim Hujan di ZOM 126 Denpasar
diperoleh dengan mengaplikasikan simulasi
Monte Carlo untuk series data 1974-2007.
Nilai probabilitas dimaksud didapat untuk
semua peluang, yakni dari peluang 100%
hingga peluang 0%. Batasan nilai
probabilitas terjadinya awal musim hujan
(dalam ordo dasarian) adalah lebih awal (E <
28), normal (N 28-30), dan lebih lambat (L >
30) sesuai dengan rujukan yang tertera pada
Tabel 2. Hasil secara keseluruhan nilai
peluang dapat dilihat pada Tabel 4a.
Selanjutnya hasil untuk setiap nilai peluang
kritis dari 100% hingga 0% disajikan pada
Tabel 4b untuk berlangsungnya awal musim
hujan lebih cepat dan table 4c untuk
berlangsungnya awal musim hujan lebih
lambat di ZOM 126 Denpasar.
Putusan terhadap terjadinya awal
musim hujan hasil simulasi di ZOM 126
Denpasar ditentukan berdasarkan pada nilai
prosentase probabilitas terbesar pada kolom
E, N, ataupun L. Sebagai contoh pada tahun
1974, nilai probabilitas terbesar terjadinya
awal musim hujan di ZOM 126 Denpasar
adalah 0% untuk E, 84% untuk N, dan 16%
untuk L. Berarti hasil simulasi prakiraan
terjadinya awal musim hujan di ZOM 126
Denpasar adalah N atau Normal.
Tabel 4b. Tabulasi peluang kritis untuk terjadinya
awal musim hujan yang berlangsung lebih cepat
(Early Onset, E) di ZOM 126 Denpasar
(Sumber: Pengolahan Data)
P = 100%
OBS
E
TE
Total
P = 90%
OBS
E
TE
Total
P = 80%
OBS
E
TE
Total
P = 70%
OBS
E
TE
Total
P = 60%
OBS
E
TE
Total
P = 50%
OBS
E
TE
Total
P = 40%
OBS
E
TE
Total
P = 30%
OBS
E
TE
Total
P = 20%
OBS
E
TE
Total
P = 10%
OBS
E
TE
Total
P = 0%
OBS
E
TE
Total
E
0
2
2
E
1
2
3
E
1
3
4
E
2
4
6
E
2
4
6
E
2
4
6
E
2
4
6
E
2
5
7
E
4
7
11
E
5
8
13
E
6
28
34
SIM
TE
6
26
32
SIM
TE
5
26
31
SIM
TE
5
28
33
SIM
TE
4
24
28
SIM
TE
4
24
28
SIM
TE
4
24
28
SIM
TE
4
24
28
SIM
TE
4
23
27
SIM
TE
2
21
23
SIM
TE
1
20
21
SIM
TE
0
0
0
Total
6
28
34
Total
6
28
34
Total
6
31
37
Total
6
28
34
Total
6
28
34
Total
6
28
34
Total
6
28
34
Total
6
28
34
Total
6
28
34
Total
6
28
34
Total
6
28
34
126
EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN IKLIM MUSIMAN
MENGGUNAKAN METODE ROC
Yunus S. Swarinoto
Tabel 4c. Tabulasi peluang kritis untuk terjadinya
awal musim hujan yang berlangsung lebih
lambat (Later Onset, L) di ZOM 126 Denpasar
(Sumber: Pengolahan Data)
P = 100%
OBS
L
TL
Total
P = 90%
OBS
L
TL
Total
P = 80%
OBS
L
TL
Total
P = 70%
OBS
L
TL
Total
P = 60%
SIM
L
TL
Total
P = 50%
OBS
L
TL
Total
P = 40%
OBS
L
TL
Total
P = 30%
OBS
L
TL
Total
P = 20%
OBS
L
TL
Total
P = 10%
OBS
L
TL
Total
P = 0%
OBS
L
TL
Total
127
L
3
0
3
L
6
2
8
L
8
2
10
L
8
2
10
L
10
2
12
L
11
2
13
L
11
2
13
L
11
2
13
L
12
3
15
L
12
5
17
L
17
17
34
SIM
TL
14
17
31
SIM
TL
11
15
26
SIM
TL
9
18
27
SIM
TL
9
15
24
SIM
TL
7
15
22
SIM
TL
6
15
21
SIM
TL
6
15
21
SIM
TL
6
15
21
SIM
TL
5
14
19
SIM
TL
5
12
17
SIM
TL
0
0
0
Total
17
17
34
Total
17
17
34
Total
17
20
37
Total
17
17
34
Total
17
17
34
Total
17
17
34
Total
17
17
34
Total
17
17
34
Total
17
17
34
Total
17
17
34
Total
17
17
34
4.2 Nilai HR dan FAR
Untuk ZOM 126 Denpasar, maka nilai HR
ditentukan dengan menggunakan persamaan
(3.1) dan nilai FAR ditentukan dengan
menggunakan persamaan (3.2). Nilai HR dan
FAR diperoleh untuk setiap terjadinya awal
musim hujan, baik yang terjadi lebih awal
(Early Onset, E) maupun yang terjadi lebih
lambat (Later Onset, L). Nilai HR dan FAR
diperoleh
untuk setiap prosentase
probabilitas (dari 100%, 90%, 80%, ….. dan
seterusnya hingga 0%). Nilai HR dan FAR
diperoleh sesuai dengan series data 19742007 yang tersedia dan disajikan secara
lengkap pada Tabel 5.
Tabel 5. Nilai HR dan FAR untuk terjadinya
awal musim hujan Early Onset (E) dan Later
Onset (L) di ZOM 126 Denpasar (Sumber:
Pengolahan Data)
Prob (%)
100
90
80
70
60
50
40
30
20
10
0
EARLY
HR
0.000
0.167
0.167
0.333
0.333
0.333
0.333
0.333
0.667
0.833
1.000
ONSET
FAR
0.071429
0.071429
0.096774
0.142857
0.142857
0.142857
0.178571
0.178571
0.25
0.285714
1
LATER ONSET
HR
FAR
0.176
0
0.353
0.117647
0.471
0.1
0.471
0.117647
0.588
0.117647
0.647
0.117647
0.647
0.117647
0.647
0.117647
0.706
0.176471
0.706
0.294118
1.000
1
Berdasarkan pada hasil yang tertera pada
Tabel 5 ini, selanjutnya dibuat kurva ROC.
4.3 Kurva ROC
Kurva ROC diperoleh dengan cara
melakukan plotting antara nilai FAR sebagai
absis dan nilai HR sebagai ordinat. Nilai
FAR dihitung dengan menggunakan pada
persamaan (3.2) dan nilai HR dihitung
dengan menggunakan persamaan (3.2).
Untuk ZOM 126 Denpasar diperoleh hasil
Kurva ROC seperti disajikan pada Gambar
4.1 untuk terjadinya awal musim hujan lebih
cepat (E), Gambar 4.2 untuk terjadinya awal
musim hujan lebih lambat (L), dan Gambar
4.3 merupakan gabungan antara kurva E dan
kurva L.
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 – NOVEMBER 2010: 120 - 130
4.3.1 Awal Musim Hujan Lebih Cepat
Berlangsungnya awal musim hujan
yang lebih cepat daripada normalnya
(dasarian 28-30) atau awal musim hujan yang
berlangsung lebih cepat daripada batas
dasarian 28 di ZOM 126 Denpasar disebut
sebagai Earlier Onset (E). Kondisi E pada
ZOM 126 Denpasar disajikan pada Gambar
4.1.
Luasan di bawah kurva ROC Earlier
Onset dihitung memiliki nilai sebesar 75
bagian atau 75% untuk prakiraan awal musim
hujan yang berlangsung lebih cepat daripada
normalnya. Tingkat keandalan prakiraan awal
musim hujan di ZOM 126 Denpasar
menggunakan asumsi terdistribusi normal
dengan simulasi prakiraan Monte Carlo bila
awal musimnya lebih cepat dari normalnya
memiliki keandalan sebesar 0.75 selama
series data 1974-2007. Berarti jika informasi
prakiraan iklim musiman digunakan secara
konsisten terus-menerus di ZOM 126
Denpasar, maka para pengguna sepanjang
series data yang tersedia atau kurun waktu
1974-2007 memiliki probabilitas keuntungan
ekonomi rata-rata sebesar 0.75.
Gambar 4.1. Kurva ROC terjadinya awal musim
hujan di ZOM 126 Denpasar yang berlangsung
lebih cepat (Early Onset, E) (Sumber: Pengolahan
Data)
4.3.2 Awal Musim Hujan Lebih
Lambat
Terjadinya awal musim hujan yang
berlangsung lebih lambat daripada normalnya
(dasarian 28-30) atau awal musim hujan yang
berlangsung melebihi batas dasarian 30 di
ZOM 126 Denpasar disebut sebagai Later
Onset (L). Kondisi L disajikan pada Gambar
4.2.
Luasan di bawah kurva ROC Later
Onset dihitung memiliki nilai sebesar 74
bagian atau 74% untuk prakiraan awal musim
hujan yang berlangsung lebih lambat
daripada normalnya (dasarian 28-30).
Tingkat keandalan prakiraan awal musim
hujan di ZOM 126 Denpasar menggunakan
asumsi terdistribusi normal dengan simulasi
prakiraan Monte Carlo bila awal musimnya
lebih lambat dari normalnya memiliki
keandalan sebesar 0.74 selama series data
1974-2007. Berarti jika informasi prakiraan
iklim musiman digunakan secara konsisten
terus-menerus di ZOM 126 Denpasar, maka
para pengguna sepanjang series data yang
tersedia atau kurun waktu 1974-2007
memiliki probabilitas keuntungan ekonomi
rata-rata sekitar 0.74.
Gambar 4.2. Kurva ROC terjadinya awal musim
hujan di ZOM 126 Denpasar yang berlangsung
lebih lambat (Later Onset, L) (Sumber:
Pengolahan Data)
128
EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN IKLIM MUSIMAN
MENGGUNAKAN METODE ROC
Yunus S. Swarinoto
4.3.3 Kurva Gabungan
Kurva ROC Earlier Onset (E) dan
kurva ROC Later Onset (L) untuk series data
1974-2007 pada ZOM 126 Denpasar secara
gabungan disajikan dalam Gambar 4.3.
Luasan di bawah kurva ROC
gabungan dihitung memiliki nilai sekitar 79
bagian atau 79%. Artinya jika informasi
prakiraan iklim musiman yang disajikan
digunakan oleh para pengguna secara terusmenerus dalam kurun waktu 1974-2007, baik
untuk kondisi kondisi lebih awal dan lebih
lambat berlangsungnya awal musim hujan di
ZOM 126 Denpasar, maka para pengguna
informasi prakiraan iklim musiman ini akan
merasakan keuntungan ekonomi sebesar
sekitar 79%. Berarti menggunakan informasi
prakiraan iklim musiman di ZOM 126
Denpasar
akan
selalu
memperoleh
keuntungan rata-rata sebesar 0.79 selama
kurun waktu 34 tahun (1974-2007).
Gambar 4.3. Kurva ROC terjadinya awal musim
hujan di ZOM 126 Denpasar secara gabungan
yang berlangsung lebih cepat (Early Onset, E) dan
yang berlangsung lebih lambat (Later Onset, L)
(Sumber: Pengolahan Data).
V. PENUTUP
5.1 Kesimpulan
Data anomali suhu permukaan laut Nino34,
anomali suhu permukaan laut IODM,
anomali suhu permukaan laut wilayah
Indonesia sebagai predictor mempunyai
konstribusi nyata dalam penyusunan
informasi prakiraan iklim musiman di
ZOM 126 Denpasar.
129
Simulasi Monte Carlo yang diaplikasilan
untuk menghitung nilai probabilitas
terjadinya awal musim hujan di ZOM 126
Denpasar memiliki kontribusi yang
signifikan dalam penyusunan informasi
prakiraan iklim musiman.
Evaluasi informasi prakiraan iklim
musiman menggunakan Relative Operating
Characteristic (ROC) di ZOM 126
Denpasar menunjukkan hasil relative
signifikan bagi para pengguna. Untuk
berlangsungnya awal musim hujan yang
lebih cepat (E) daripada normalnya
terdapat rata-rata probabilitas kehandalan
prediksi musim awal hujannya sebesar 0.75
selama kurun waktu 1974-2007. Sementara
itu untuk terjadinya awal musim hujan
yang berlangsung lebih lambat (L) daripada
normalnya terdapat rata-rata probabilitas
kehandalan prediksi musim awal hujannya
sebesar 0.74. Sementara itu gabungan
probabilitas
keduanya
E
dan
L
menghasilkan
rata-rata
probabilitas
keuntungan ekonomi sebesar 0.79.
Probabilitas berlangsungnya awal musim
hujan lebih cepat (E) dan awal musim
hujan lebih lambat (L) memiliki tingkat
keandalan yang relatif sepadan untuk ZOM
126 Denpasar selama kurun waktu 19742007.
Penggunaan informasi prakiraan iklim
musiman secara terus-menerus dan
konsisten di ZOM 126 Denpasar dalam
kurun waktu yang panjang akan
memberikan
probabilitas
keuntungan
ekonomi bagi para pemakainya.
5.2 Saran
Masih perlu penambahan data prediktor
yang mempunyai kaitan erat dengan
kondisi iklim musiman di ZOM 126
Denpasar. Mengingat data anomaly suhu
permukaan laut Nino34, anomaly suhu
permukaan laut IODM, dan anomaly suhu
permukaan laut wilayah Indonesia didapat
dalam skala global. Karena masih ada data
lain seperti indeks monsoon, indeks Osilasi
Selatan, dan nilai-nilai yang dapat
berkontribusi pada kejadian iklim musiman
di ZOM 126 Denpasar. Diharapkan data
prediktor tambahan dapat meningkatkan
keandalan informasi prakiraan iklim
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 11 NO.2 – NOVEMBER 2010: 120 - 130
musiman di ZOM 126 Denpasar sehingga
probabilitas keuntungan ekonomi dari
penggunaan informasi prakiraan iklim
musiman juga bertambah.
Aplikasi teknik prediksi probabilitas
dengan simulasi Monte Carlo ini perlu
dicoba dilakukan pada lokasi lain yang
memiliki karakteristik berbeda dengan
ZOM 126 Denpasar seperti misalnya lokasi
yang bergunung-gunung, lokasi yang
berada di tengah pulau besar, lokasi yang
berada di Belahan Bumi Utara, lokasi
dengan pola hujan yang berlainan, dan lainlain. Hal ini dimaksudkan untuk
memperoleh informasi tingkat keandalan
teknik prediksi probabilitas ini di lokasilokasi yang lebih beragam.
DAFTAR PUSTAKA
1)
Barry R.G. and Chorley R.J., 1998.
Atmosphere, Weather, and Climate.
Seventh Edition. London: Routledge
Publisher, ISBN 0-415-16020-0, 409
hal.
2)
BMG, 2008. Prakiraan Musim Hujan
2008/2009 di Indonesia. Jakarta:
Badan Meteorologi dan Geofisika, 92
hal.
3)
Boer R., 2005. Pendekatan Strategis Taktis
dan
Operasional
Dalam
Mengurangi Risiko Iklim di Kupang
Nusa Tenggara Timur. Paper
disajikan
dalam
Seminar
Pelembagaan Informasi Ramalan
Iklim Untuk Mengatasi Dampak
Bencana Iklim, kerjasama CARE
Internasional dan Pemda Provinsi
Kupang, 21-22 Juni 2005, 14 hal.
4)
Boer R., 2006. Metode Mengevalusasi
Keandalan
Model
Prakiraan
Musim. Paper disajikan dalam acara
Pelatihan
Downscaling
Model,
Badan Meteorologi dan Geofisika,
Jakarta, 16-18 September 2006, 9
hal.
5)
Goldman L.I., 2002. Crystall Ball
Professional Introductory Tutorial.
Proceedings of the 2002 Winter
Simulation Conference, pp. 15391545.
6)
http://www.bom.gov.au., 2010. ROC Score.
Akses 23 Januari 2010.
7)
Http://www.ecmwf.int., 2010. The Relative
Operating Characteristics (ROC)
Diagram. Akses 23 Januari 2010.
8)
Mason S.J. and Graham N.E., 1999.
Conditional Probabilities, Relative
Operating Characteristics, and
Relative Operating Levels. American
Meteorological Society, hal.: 713725.
9)
Nieuwolt S., 1977. Tropical Climatology:
An Introduction to the Climates of
the Low Latitudes. Chichester: John
Wiley and Sons, ISBN 0-471-994065, 207 hal.
10)
Swarinoto Y.S. and Makmur E.E.S., 2009.
Simulasi Prediksi Probabilitas Awal
Musim Hujan Dan Panjang Musim
Hujan Di ZOM 126 Denpasar.
Jakarta: Bul. MKG Vol. 5 No. 4
Desember 2009, 17 hal.
11)
Tjasyono B. 1999. Klimatologi Umum.
Penerbit Institut Teknologi Bandung,
Bandung, 317 hal, ISBN 979-859186-0.
12)
Tjong W.F., 2001. Aplikasi Statistik
Ekstrim dan Simulasi Monte Carlo
Dalam Penentuan Beban Rencana
Pada Struktur Dengan Umur Guna
Tertentu. Dimensi teknik Sipil, Vol.
3,No. 2, September 2001, pp.: 84-88,
ISSN 1410-9530.
13)
Wilks D.S., 1995. Statistical Methods in
the Atmospheric Sciences: An
Introduction. San Diego: Academic
Press Inc., ISBN 0-12-751965-3, 467
hal
130
EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN IKLIM MUSIMAN
MENGGUNAKAN METODE ROC
Yunus S. Swarinoto
14
EVALUASI KEHANDALAN SIMULASI INFORMASI PRAKIRAAN IKLIM MUSIMAN
MENGGUNAKAN METODE ROC
Yunus S. Swarinoto