SENSITIVITAS MODEL WRF-EMS DALAM MEMPREDIKSI

KEJADIAN HUJAN PADA MUSIM BASAH DAN KERING

DI SUMATERA BARAT

DERRI HARYONI FEBRI

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2015

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa skripsi berjudul Sensitivitas Model Weather

Research Forecasting Environmental Modelling System (WRF-EMS) Dalam

Memprediksi Kejadian Hujan Pada Musim Basah dan Kering Di Sumatera Barat adalah

benar karya saya dengan arahan komisi pembimbing dan belum diajukan dalam bentuk

apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau

dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah

disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi

ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Juni 2015

Derri Haryoni Febri

NIM G24110057

ABSTRAK

DERRI HARYONI FEBRI. Sensitivitas Model WRF-EMS Dalam Memprediksi

Kejadian Hujan Pada Musim Basah dan Kering di Sumatera Barat. Dibimbing oleh

RAHMAT HIDAYAT dan WIDO HANGGORO.

Sensitivitas model WRF-EMS dengan kombinasi skema konvektif-planetary

boundary layer (PBL) dianalisis menggunakan delapan jenis eksperimen pada musim

basah dan kering di Sumatera Barat. Analisis dilakukan pada akumulasi curah hujan

selama 24 dan 48 jam menggunakan forecast error, root mean square error (RMSE),

threat score (TS), probability of detection (POD) dan false alarm ratio (FAR). Secara

umum, model WRF-EMS dengan kombinasi skema BMJ-ACM2 dapat dengan baik

menangkap kejadian hujan berdasarkan konsistensi pola dan luasan hujan terhadap

TRMM. Verifikasi model pada stasiun meteorologi Tabing menunjukkan nilai RMSE

sebesar 0.64 mm dan 0.38 mm serta TS mencapai 0.86 dan 0.73 untuk akumulasi 24

dan 48 jam pada musim basah. Nilai RMSE pada musim kering mencapai 0.27 (24

jam) dan 0.45 (48 jam) tetapi TS yang diperoleh relatif kecil dengan 0.50 untuk

akumulasi 24 dan 48 jam. Nilai POD dan FAR mencapai 1.0 dan 0.14 (24 jam) serta

0.89 dan 0.20 (48 jam) pada musim basah. Sementara itu, nilai POD dan FAR pada

musim kering mencapai 0.67 dan 0.33 (24 jam) serta 0.75 dan 0.40 (48 jam). Hasil

penelitian menunjukkan bahwa Model WRF-EMS lebih akurat memprediksi kejadian

hujan pada musim basah dibandingkan musim kering di Tabing, Sumatera Barat.

Kata Kunci: WRF-EMS, prediksi hujan, BMJ-ACM2, verifikasi hujan, Sumatera Barat

ABSTRACT

DERRI HARYONI FEBRI. Sensitivity of WRF-EMS to Predict Rainfall On Wet and

Dry Seasons Over West Sumatra. Supervised by RAHMAT HIDAYAT and WIDO

HANGGORO.

Sensitivity of WRF-EMS model using combination of convective and planetary

boundary layer were analyzed using eight experiments which been conducted during

wet and dry seasons over West Sumatra. Analysis using forecast error, root mean

square error (RMSE), threat score (TS), probability of detection (POD), false alarm

ratio (FAR) for 24 and 48 hours rainfall accumulation. WRF-EMS Model with

combination of BMJ-ACM2 are the best schemes interm of the consistency of pattern

and immensity of rainfall compared with TRMM for 24 and 48 hours accumulation.

Model verifications on Tabing station revealed that the values of RMSE were 0.64 and

0.38 mm and also TS values were 0.86 (24 hours) and 0.73 (48 hours) during wet

season. RMSE values on dry season were 0.27 (24 hours) dan 0.45 (48 hours) with TS

values 0.50 (24 and 48 hours). POD and FAR values were 1.0 and 0.14 (24 hours), 0.89

and 0.20 (48 hours) during wet season. In the other hand, POD and FAR values were

0.67 and 0.34 (24 hours), 0.75 and 0.40 (48 hours) during dry seasons. WRF-EMS

model more accurate to predict rainfall event during the wet season than dry season

over Tabing, West Sumatra.

Keywords: WRF-EMS, rainfall prediction, BMJ-ACM2, rainfall verification, West

Sumatra

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains

pada

Departemen Geofisika dan Meteorologi

SENSITIVITAS MODEL WRF-EMS DALAM MEMPREDIKSI

KEJADIAN HUJAN PADA MUSIM BASAH DAN KERING

DI SUMATERA BARAT

DERRI HARYONI FEBRI

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2015

PRAKATA

Alhamdulillah, penulis bersyukur atas karunia Allah swt yang telah

memberikan rahmat dan hidayah-Nya sehingga dapat menyelesaikan usulan penelitian

dengan judul “Sensitivitas model Weather Research Forecasting Environmental

Modelling System (WRF-EMS) dalam memprediksi kejadian hujan pada musim basah

dan kering di Sumatera Barat” sebagai salah satu syarat kelulusan program sarjana di

Departemen Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan

Alam Institut Pertanian Bogor.

Proses penulisan ini tidak terlepas dari bantuan berbagai pihak, baik secara

moral maupun materi sehingga penulis ingin menyampaikan ucapan terima kasih

kepada bapak Rahmat Hidayat dan bapak Wido Hanggoro selaku pembimbing skripsi

yang telah memberikan bimbingan, masukan, motivasi dan diskusi-diskusi yang sangat

membantu. Selain itu, kepada dosen pembimbing akademik serta semua dosen dan staff

Departemen Geofisika dan Meteorologi IPB yang telah banyak membantu selama masa

perkuliahan, dan kedua orang tua serta semua keluarga besar yang selalu memberikan

doa, nasehat, semangat dan motivasi kepada penulis. Penulis juga berterimakasih

kepada teman-teman Geofisika dan Meteorologi angkatan 48 yang selalu memberikan

semangat dan motivasi kepada penulis dan teman-teman satu bimbingan skripsi yaitu

Gigih Bangun W, Anis Purwaningsih dan Alfi Wardah F serta Nihayatuz Zulfa dan

Nurhayati yang telah memberikan semangat selama perkuliahan dan pengerjaan tugas

akhir. Terimakasih pula kepada kak em (GFM 47) dan kak Rahmi yang telah

memberikan ilmunya terkait penelitian yang dilakukan.

Semoga karya ilmiah ini bermanfaat.

Bogor, Juni 2015

Derri Haryoni Febri

DAFTAR ISI

DAFTAR TABEL vii

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN vii

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

TINJAUAN PUSTAKA 2

Kondisi Iklim Sumatera Barat 2

Weather Research Forecasting and Environmental l Modelling System 3

METODE PENELITIAN 4

Data 4

Alat 4

Tempat 4

Metode 4

HASIL DAN PEMBAHASAN 9

Perbandingan Prediksi Hujan Model dan TRMM 9

Musim Basah (Desember) 10

Musim Kering (Agustus) 11

Perbandingan Curah Hujan Tabing dan TRMM 14

Verifikasi Curah Hujan Prediksi Model Terhadap Stasiun Observasi Tabing 16

Forecast Error 16

RMSE, Threat Score, Probability of Detection dan False Alarm Ratio 17

SIMPULAN DAN SARAN 20

Simpulan 20

Saran 20

DAFTAR PUSTAKA 21

LAMPIRAN 23

RIWAYAT HIDUP 29

DAFTAR TABEL

1 Konfigurasi skema yang digunakan pada penelitian 6 2 Kombinasi skema konvektif-PBL yang digunakan pada penelitian 6 3 Tabel kontigensi penentuan TS, POD, dan FAR 8 4 Verifikasi menggunakan analisis RMSE, TS, POD dan FAR Desember 18 5 Verifikasi menggunakan analisis RMSE, TS, POD dan FAR Agustus 19

DAFTAR GAMBAR

1 Grafik curah hujan rataan bulanan Kototabang Sumatera Barat 2 2 Diagram alir sistem WRF-EMS 3 3 Domain penelitian 1, 2 dan 3 pada model WRF-EMS 5

4 Akumulasi prediksi hujan selama 24 jam kedepan bulan Desember 10 5 Akumulasi prediksi hujan selama 48 jam kedepan bulan Desember 11 6 Akumulasi prediksi hujan selama 24 jam kedepan bulan Agustus 12 7 Akumulasi prediksi hujan selama 48 jam kedepan bulan Agustus 13 8 Perbandingan curah hujan Tabing dan TRMM bulan Desember 14 9 Perbandingan curah hujan Tabing dan TRMM bulan Agustus 15

10 Curah hujan akumulasi output model dengan TRMM dan Observasi 15 11 Lokasi stasiun pengamatan meteorologi Tabing, Sumatera Barat 16

12 Forecast error akumulasi curah hujan prediksi model WRF-EMS 17

13 RMSE dan Threat Score prediksi akumulasi curah hujan Desember 18

14 RMSE dan Threat Score prediksi akumulasi curah hujan Agustus 19

DAFTAR LAMPIRAN

1 Spasial domain 1, 2 dan 3 akumulasi 24 jam Desember 23 2 Spasial domain 1, 2 dan 3 akumulasi 48 jam Desember 24 3 Spasial domain 1, 2 dan 3 akumulasi 24 jam Agustus 26 4 Spasial domain 1, 2 dan 3 akumulasi 24 jam Desember 27

1

PENDAHULUAN

Latar Belakang

Perkembangan teknologi dalam konsep pemahaman dinamika atmosfer

telah mencapai tahap prediksi cuaca. Konsep Numerical Weather Prediction (NWP)

dimanfaatkan dalam operasi numerik untuk prediksi kondisi atmosfer. Weather

Research and Forecasting Environmental Modelling System (WRF-EMS)

merupakan salah satu tools yang dijadikan sebagai acuan prediksi cuaca skala meso

di berbagai bidang riset maupun operational. Model WRF-EMS telah banyak

diaplikasikan di berbagai negara dalam memprediksi kejadian cuaca seperti Kanada,

Spanyol, India, dan Mesir (Pennely et al. 2013 ; Argueso et al. 2012 ; Chang et al.

2009 ; Afandi et al. 2013). Namun, sebelum menuju ke tahap aplikasi maka

diperlukan kajian untuk mengetahui tingkat akurasi model WRF-EMS di wilayah

tropis Indonesia. Peningkatan akurasi prediksi curah hujan memanfaatkan

konfigurasi parameterisasi yang terdapat pada model diantaranya micro physics,

radiation physics, surface layer physics, land surface physics, cumulus

parameterization physics dan planetary boundary layer physics (Silva et al. 2010).

Penggunaan konfigurasi parameterisasi yang tepat akan memberikan hasil yang

baik terhadap prediksi yang akan dilakukan.

Penelitian terkait prediksi hujan menggunakan model WRF-EMS di

Indonesia telah dilakukan di wilayah Jakarta, Jawa Barat dan Mataram

menggunakan skema konvektif sebagai skema utama yang dapat mewakili kejadian

hujan di wilayah tropis (Santriyani et al. 2011; Kurniawan et al. 2014). Namun,

simulasi model prediksi hujan menggunakan beberapa kombinasi skema konvektif-

planetary boundary layer (PBL) belum banyak dikaji di kawasan tropis, termasuk

Indonesia. Penelitian prediksi kejadian hujan di wilayah Spanyol bagian Selatan

menyatakan bahwa selain skema konvektif, skema PBL merupakan salah satu

komponen mayor yang dapat meningkatkan kualitas curah hujan yang diprediksi

(Argueso et al. 2011)

Penggunaan konfigurasi dari kombinasi skema konvektif-PBL perlu dikaji

untuk kawasan tropikal ekuator Indonesia. Sumatera barat menjadi lokasi penelitian

menggunakan model WRF-EMS karena memiliki potensi hujan yang tinggi. Model

WRF-EMS perlu diaplikasikan pada daerah dengan topografi yang kompleks dan

berbatasan langsung dengan Samudera Hindia ini sehingga dapat diketahui

sensitivitas model WRF-EMS dalam memprediksi kejadian hujan pada musim

basah dan kering di Sumatera Barat.

Tujuan Penelitian

1. Mengaplikasikan model WRF-EMS di wilayah Sumatera Barat untuk

memprediksi kejadian hujan.

2. Melakukan pengujian terhadap kombinasi parameterisasi skema konvektif-

planetary boundary layer (PBL) pada musim basah dan kering di wilayah

Sumatera Barat.

3. Mengetahui potensi luaran model WRF-EMS dalam memprediksi kejadian

hujan pada wilayah Sumatera Barat.

2

TINJAUAN PUSTAKA

Kondisi Iklim Sumatera Barat

Letak Provinsi Sumatera Barat secara geografis antara 0°54’ Lintang Utara

sampai 3°30’ Lintang Selatan dan 98°36’ sampai 101°53’ Bujur Timur. Secara

umum, pembagian iklim menurut Schmid dan Ferguson terbagi menjadi tipe A, B,

C dan D. Kondisi cuaca harian dipengaruhi oleh adanya sistem land-sea breeze

akibat batasan samudera dan kompleksitas daratan. Topografi wilayah bersifat

kompleks karena terdiri atas dataran rendah, dataran tinggi, pegunungan dan

perbukitan serta berhubungan langsung dengan Samudera Hindia. Selain itu,

melintas perbukitan yang dikenal dengan nama Bukit Barisan di sepanjang wilayah

Sumatera Barat kawasan garis khatulistiwa (Turyanti et al. 2007).

Kompleksitas topografi menyebabkan distribusi suhu dan curah hujan yang

berbeda di setiap lokasi. Suhu rataan pada kawasan pantai berkisar antara 21°C –

38 °C dan 15°C - 33°C pada kawasan perbukitan. Sementara itu, daratan yang

terletak di bagain timur bukit barisan memiliki rataan suhu 19°C - 34°C. Pengaruh

ekinoks di daerah ekuator menyebabkan curah hujan di Sumatera Barat memiliki

dua puncak hujan dalam setahun dengan intensitas yang tinggi dibanding bagian

utara dan selatan ekuator (Marpaung et al. 2012)

Kondisi puncak hujan dua kali selama setahun termasuk tipe pola hujan

ekuatorial. Selain itu, curah hujan di Sumatera Barat dipengaruhi secara lokal dari

keberadaan bukit barisan. Curah hujan maksimum di Sumatera Barat terjadi setelah

bulan September dan setelah bulan Maret (Sipayung et al. 2007 dalam Hermawan

E 2009). Rentang bulan September hingga Maret termasuk kedalam musim basah

di wilayah Sumatera Barat. Sementara itu, musim kering terjadi sekitar bulan Juli

hingga September (Hermawan E 2009)

Gambar 1 Grafik curah hujan rata-rata bulanan (mm) di Kototabang, Sumatera

Barat dari tahun 2001-2005 (Hermawan E 2009)

Jan Feb Mar Apr Mei Jun Jul Ag Sep Okt Nov Des

0

100

200

300

400

3

Weather Research Forecasting and Environmental Modeling System

(WRF-EMS)

WRF-EMS merupakan salah satu turunan dari model WRF selain WRF-DA

(Data Assimilation) dan WRF-Chem (Chemistry) yang dapat dijalankan baik pada

single komputer maupun komputer cluster. WRF-EMS dikembangkan oleh NOAA

Science and Training Resource Center untuk mempermudah pengguna dalam

berbagai aspek seperti proses instalasi, pengaturan konfigurasi dan eksekusi data.

Selain itu, WRF-EMS menjadi salah satu model NWP dengan full-physics serta

compatible dengan dua program utama (core) yang sering digunakan yaitu Advance

Research WRF (ARW) dan Non-hydrostatic Mesoscale Model (NMM)

(Rozumalski 2010). Perbedaan mendasar antara WRF dan WRF-EMS adalah

sistem routine (Automatic Scripting Language) yang dimiliki oleh masing-masing

software tersebut.

Penggunaan model WRF-EMS terdiri atas 3 perintah utama yatu ems_prep

yang berfungsi untuk penentuan data dan konfigurasi waktu yang akan dijalankan,

ems_run untuk menjalankan model serta ems_post sebagai tahap akhir untuk

penentuan output model. Proses yang dilakukan dalam sistem software WRF-EMS

dapat dilihat pada gambar 2. Diagram menjelaskan proses awal ems_prep yang

dimulai dengan inputan data yang akan digunakan, pemilihan domain, konfigurasi

waktu, pemilihan inti serta pengaturan eksternal dataset lainnya. Proses persiapan

ini dilanjutkan dengan menjalankan model pada ems_run dan selanjutnya

melakukan post_processing dengan menggunakan perintah ems_post. Kelebihan

dari sistem WRF-EMS yaitu adanya perintah tambahan ems_autorun.pl dan

ems_autopost.pl. Kedua perintah ini memudahkan pengguna dengan mengatur

sistem yang akan dijalankan secara otomatis. Selain, tersedianya format output data

dalam bentuk GRIB 1, GRIB 2 dan NetCDF (Rozumalski 2010).

Gambar 2 Diagram alur data penggunaan model WRF-EMS (Rozumalski 2010)

4

METODE PENELITIAN

Data

1. Data Global Forecasting System (GFS) dengan resolusi spasial 0.5° pada

tanggal 27-30 Desember 2013 jam 12 UTC dan 9-12 Agustus 2014 jam 12 UTC.

2. Data curah hujan observasi Tabing per tiga jam dari Badan Meteorologi,

Klimatologi dan Geofisika selama 3 hari pada tanggal 27-30 Desember 2013

jam 12 UTC dan tanggal 9-12 Agustus 2014 jam 12 UTC.

3. Data curah hujan Tropical Rainfall Measuring Mission (TRMM) 3B42 versi 7

per tiga jam dengan resolusi spasial 0.25o pada tanggal 27-30 Desember 2013

jam 12 UTC dan tanggal 9-12 Agustus 2014 jam 12 UTC

Alat

1. PC Cluster dengan Operating System berbasis Linux.

2. Laptop dengan Operating System berbasis Linux Ubuntu 14.04.

3. Software Weather Research Forecast-Environmental Modelling System

(WRF-EMS) Vers. 3.4.1. 14.16

4. NCAR Commond Language (NCL) Vers. 6.2.1.

Lokasi dan Waktu Penelitian

Penelitian dilaksanakan di Pusat Penelitian dan Pengembangan Badan

Meteorologi, Klimatologi dan Geofisika Kemayoran, Jakarta serta Laboratorium

Meteorologi dan Pencemaran Atmosfer, Departemen Geofisika dan Meteorologi

FMIPA IPB. Penelitian dilaksanakan dari bulan Februari 2014 hingga bulan April

2015.

Metode

Pemodelan untuk kajian prediksi hujan memanfaatkan model Weather

Research and Forecasting Environmental Modeling System (WRF-EMS) yang

menggunakan program utama ARW dengan tipe proyeksi merkator. NCEP (2003)

dan Navy Oceanography (2013) menyarankan untuk melakukan spin up model.

Spin up merupakan waktu yang dibutuhkan oleh model untuk mencapai

kesetimbangan hidrostatik. Pada penelitian ini, spin up model dilakukan selama 12

jam yang menyebabkan data output pada 12 jam pertama tidak dapat digunakan.

Data inputan yang digunakan pada model WRF-EMS yaitu data GFS

dengan resolusi 0.5o sebagai initial and boundary condition pada waktu yang

berbeda yaitu pada tanggal 27-30 Desember 2013 dan 9-12 Agustus 2014 dengan

cycle 12 UTC. Data ini mewakili kejadian hujan musim basah dan kering di wilayah

Sumatera Barat. Tahapan dalam WRF-EMS dilakukan untuk memperoleh hasil

prediksi selama 72 jam ke depan dengan output data model per 3 jam (00, 03, 06,

5

09 UTC). Menurut Aguado dan Burt (2007), prediksi hingga 72 jam ke depan atau

kurang dikategorikan ke dalam jenis prediksi jangka pendek.

Penelitian ini menggunakan 3 domain kajian (Gambar 3) dengan resolusi

mencapai 27 km (domain 1), 9 km (domain 2) dan 3 km (domain 3) pada koordinat

pusat 00°57` LS dan 100°21` BT. Ketiga domain menggunakan sistem 2 way-

nesting sehingga output yang dihasilkan pada domain 1 akan berpengaruh terhadap

domain 2 dan domain 3 secara simultan. Pemodelan dilakukan hingga mencapai

resolusi 3 km karena untuk memprediksi hujan di wilayah Indonesia dibutuhkan

data dengan resolusi spasial yang tinggi (Gustari et al. 2012)

Gambar 3 Domain penelitian 1, 2 dan 3 pada model WRF-EMS

Data output model dibandingkan dengan TRMM pada domain 2.

Penggunaan data TRMM disebabkan karena kurangnya data pengamatan stasiun

observasi untuk melakukan perbandingan spasial pada luasan domain penelitian.

TRMM 3B42 diidentifikasi sebagai salah satu satelit penyedia sumber informasi

hujan yang cocok untuk wilayah Indonesia sehingga pada penelitian ini, TRMM

3B42 dimanfaatkan sebagai data pembanding output model secara spasial

(Vernimmen et al.2012).

Selain itu, hasil prediksi di verifikasi menggunakan data observasi pada

stasiun Tabing di kajian domain 3 wilayah Sumatera Barat. Hal ini bertujuan untuk

mengetahui tingkat sensitivitas model dalam prediksi hujan pada musim basah dan

kering.

Dalam proses running data, konfigurasi dilakukan pada dua jenis skema

konvektif dan dua jenis skema PBL. Skema konvektif yang digunakan yaitu Grell

Devenyi 3D ensemble (G3D) dan Betts Miller Janjic (BMJ). Skema konvektif

bertujuan untuk merepresentasikan efek pembentukan awan kumulus yang terjadi

dengan cara mengatur dimulainya proses konveksi dari pengaturan suhu dan profil

kelembaban dalam suatu kolom grid model (Pennely et al. 2013). Skema ini

merupakan 2 jenis skema yang umum digunakan dalam kajian prediksi hujan dan

menunjukkan hasil yang baik pada beberapa penelitian di Indonesia (Gustari et

al.2012 ; Kurniawan et al. 2014)

1

2

6

Sementara itu, penggunaan skema PBL selain skema Yonsei University

(YSU) masih sangat jarang digunakan dalam suatu penelitian prediksi hujan. PBL

merupakan lapisan kritis dalam penentuan prediksi unsur meteorologi. Proses

turbulensi yang menjadi faktor dominan penentu stabilitas atmosfer serta proses

terbentuknya awan karena adanya pengaruh dari pencampuran udara serta

kelembaban. Kondisi ini menyebabkan PBL sebagai salah satu parameterisasi yang

sangat diperlukan dalam pemodelan meteorologi (Xie et al. 2012)

Tabel 1 Konfigurasi skema yang digunakan pada penelitian

Parameterisasi Nama Skema Inisial

Skema Konvektif Betts Miller Janjic BMJ

Grell Devenyi 3D G3D

Skema PBL

Yonsei University YSU

Assymetric Convective

Model 2 ACM2

Skema mikrofisik Lin et.al Default

Skema Gelombang Pendek dan

Panjang RRTM dan Dudhia Default

Skema Terestrial NOAH Default

Tabel 2 Kombinasi skema konvektif-PBL yang digunakan pada penelitian

Eksperimen Parameterisasi Tanggal Inisial

EXP1 BMJ-YSU 27 Desember 2013

EXP2 BMJ-YSU 9 Agustus 2014

EXP3 G3D-YSU 27 Desember 2013

EXP4 G3D-YSU 9 Agustus 2014

EXP5 BMJ-ACM2 27 Desember 2013

EXP6 BMJ-ACM2 9 Agustus 2014

EXP7 G3D-ACM2 27 Desember 2013

EXP8 G3D-ACM2 9 Agustus 2014

Skema konvektif Grell Devenyi 3D (G3D) mempertimbangkan berbagai proses

dinamika atmosfer didalamnya. Berdasarkan penelitian Gilland dan Rowe (2007),

skema Grell Devenyi 3D sesuai untuk prediksi hujan pada wilayah dengan

intensitas tinggi, seperti Indonesia. Skema ini memberikan hasil yang baik pada

wilayah Jakarta dan sekitarnya secara kuantitatif dengan menggunakan 3 domain

resolusi 27 km, 9 km dan 3 km. Selain itu, berdasarkan perbandingan secara

kualitatif, G3D menunjukkan performa yang baik dalam merepsentasikan pola

pergerakan awan dan potensi kejadian hujan (Santriyani et al. 2011). Penggunaan

skema G3D dapat diproses hingga ke domain dengan resolusi yang tinggi mencapai

<10 km (Rozumalski.2010; Skamarock et al. 2008). Beberapa kelebihan lainnya

telah dirangkum oleh Kurniawan et.al (2014).

Skema Betts Miller Janjic (BMJ) telah digunakan pada berbagai penelitian di

Indonesia (Gustari et al 2012; Kurniawan et al. 2014). Salah satu parameter yang

diuji adalah curah hujan. Skema BMJ memanfaatkan parameter Convective

Available Potential Energy (CAPE) dan Clouds Efficiency Factor (CEF) dengan

7

menggunakan asumsi terjadinya deep dan shallow convection. CAPE adalah energi

potensial untuk pertumbuhan awan konveksi sehingga proses pertumbuhan awan

dan potensi hujan dapat diketahui dengan CAPE serta sebagai trigger konvektif

dalam menghasilkan hujan, sementara itu clouds efficiency factor dimanfaatkan

untuk mengurangi efek deep convection di kawasan samudera yang relatif hangat.

Menurut Puslitbang BMKG (2012), skema BMJ dapat memprediksi kejadian hujan

dikotomi dengan baik pada wilayah Jawa dengan resolusi domain 9 km yang di

nesting dari domain Indonesia sebesar 27 km. Kelebihan dalam penggunaan skema

BMJ antara lain baik digunakan pada keadaan lingkungan yang lembab,

perhitungan elevated-convection sangat diperhatikan dengan detail, efektif untuk

mengatur pembentukan awan konvektif melalu skema microphysic dan perhitungan

yang relatif mudah (Kurniawan et al.2014)

Skema Yonsei University (YSU) merupakan salah satu jenis skema PBL

yang berperan dalam penentuan proses pertukaran transpor eddie secara vertikal.

Skema YSU meningkatkan skill prediksi dalam simulasi kejadian hujan lebat.

Parameterisasi PBL lain yang digunakan yaitu Assymetric Convective Model

version 2 (ACM2). ACM2 merupakan salah satu dari skema PBL yang

dipertimbangkan mempengaruhi peningkatan skill dari prediksi model. Secara

umum, model ACM2 menggambarkan kejadian konvektif berdasarkan

pencampuran udara keatas sistem non-lokal dan pencampuran udara kebawah

sistem lokal (Esthatiou et al. 2013)

Menurut Argueso et al. (2011), parameterisasi konvektif dan PBL

merupakan dua jenis skema yang menjadi komponen utama dalam menggambarkan

kejadian hujan di wilayah Spanyol bagian Selatan. Parameterisasi yang digunakan

adalah kombinasi antara BMJ-ACM2 serta BMJ-YSU. Hal ini menunjukkan bahwa

penggunaan konfigurasi skema konvektif dengan PBL yang tepat akan

meningkatkan performa model sehingga diperlukan kajian di wilayah tropis

menggunakan konfigurasi parameterisasi konvektif dan PBL untuk prediksi hujan.

Pengaturan skema default terdiri atas skema mikrofisik, gelombang pendek

dan panjang serta terestrial. Menurut Narita dan Shiro (2007), Lin et.al merupakan

jenis skema mikrofisik pengaturan default pada model WRF-EMS yang mengatur

pengaturan air dari mixing ratio (uap air, cloud water, hujan, cloud ice, salju dan

graupel). Pengaruh vegetasi, suhu dan kelembaban tanah pada 4 lapisan

menggunakan variabel panas terasa, laten, serta fluks radiasi diatur oleh skema

NOAH sebagai pengaturan default skema terrestrial (Zeng et al. 2012). Sementara

itu, pengaturan skema gelombang pendek dan panjang oleh RRTM dan Dudhia.

Tahapan selanjutnya adalah post-processing. Output model ditampilkan

menggunakan NCAR Command Language (NCL). Data output di verifikasi

menggunakan data observasi pada waktu dan titik yang telah ditentukan serta

dibandingkan dengan TRMM secara spasial dan temporal. Pada penelitian ini,

verifikasi model dilakukan untuk menentukan prediksi hujan secara kuantitatif dan

kualitatif. Penentuan hasil model secara kuantitatif bertujuan untuk mengetahui

performa model dalam memprediksi kejadian hujan dengan pendekatan Forecast

Error (FE) dan Root Mean Square Error (RMSE). Apabila FE bernilai negatif,

model dikatakan undestimated sementara itu overestimated apabila FE bernilai

positif.

8

Quantitatif : Forecast Error (FE)

FE = Xpred - Xobs

Xpred : Nilai curah hujan hasil prediksi.

Xobs : Nilai curah hujan pada stasiun observasi.

RMSE berasal dari perhitungan Mean Square Error (MSE) yang

menyatakan rataan error dari setiap square nilai observasi dan prediksi. Berbeda

dengan Mean Absolute Error (MAE) yang menggunakan nilai rataan absolut.

Secara statistik, MSE lebih sensitif daripada nilai MAE karena menggunakan teknik

squaring dengan merata-ratakan setiap square data dalam penentuan besaran error.

MSE lebih sering diakarkan dalam analisisnya menjadi RMSE dan dimanfaatkan

untuk verifikasi model prediksi secara statistik (Wilks D 1995).

Quantitatif : Root Mean Square Error (RMSE)

F merupakan nilai prediksi dan O merupakan nilai observasi.

Semakin mendekati 0 nilai RMSE, maka model dinyatakan semakin baik.

Pendekatan dalam analisis kualitatif menggunakan nilai Threat Score (TS),

Probability of Detection (POD) dan False Alarm Ratio (FAR) (Pennely et al. 2013).

Analisis TS, POD dan FAR tidak memperhitungkan kejadian “sama-sama tidak

hujan (Ncorrect negatives)” pada perhitungannya (Tabel 3). Nilai TS menyatakan

keberhasilan suatu model dalam memprediksi kejadian hujan (Kurniawan et al.

2014). Nilai TS menunjukkan skill model secara keseluruhan dengan ketentuan

apabila nilai mendekati 1 maka dikatakan perfect score dengan arti seluruh kejadian

hujan dapat diprediksi oleh model. Namun nilai mendekati 0 maka dinyatakan no

skill level. Nilai TS digunakan karena hanya memperhitungkan terjadinya “hujan”

baik pada model maupun observasi. Selain itu, analisis juga dibandingkan terhadap

nilai POD dan FAR yang dihitung dengan menggunakan tabel kontingensi (tabel

3).

Tabel 3 Tabel kontigensi untuk penentuan TS, POD, dan FAR

Model

Ada hujan Tidak hujan

Observasi Ada hujan Nhit Npass

Tidak hujan Nfalse Ncorrect negatives

Pada penelitian ini, tabel kontingensi terdiri atas kombinasi kemungkinan

kejadian ada atau tidaknya hujan pada model dan observasi. Perhitungan dilakukan

dengan cara sebagai berikut data yang menunjukkan ada hujan baik pada obsevasi

maupun model dikelompokkan kedalam “Nhit”. Sebaliknya, data pada observasi dan

model yang sama sama menyatakan tidak ada hujan dikelompokkan kedalam kolom

9

“N”. Sementara itu, data yang menyatakan tidak ada hujan pada model, namun ada

hujan pada observasi dikelompokkan kedalam “Npass”. Sebaliknya, data yang

menyatakan ada hujan pada model, namun tidak ada hujan pada observasi

dikelompokkan kedalam “Nfalse”.

Qualitatif :

Probality of detection (POD) menyatakan besarnya persentase kemungkinan

model dengan benar memprediksi kejadian hujan pada titik stasiun observasi. POD

semakin baik apabila nilai yang dihasilkan mendekati 1. Berbeda dengan False

Alarm Ratio (FAR), model semakin baik apabila nilai FAR yang diperoleh

mendekati 0 karena FAR menyatakan besarnya persentase kesalahan model dalam

memprediksi kejadian hujan di titik observasi (Pennely et al. 2013). Perbedaan

mendasar POD dan FAR adalah POD lebih sensitif terhadap Nhit dan mengabaikan

Nfalse, sementara itu FAR sensitif terhadap nilai Nfalse tetapi mengabaikan Npass.

POD dan FAR merupakan kombinasi yang tepat untuk verifikasi model serta untuk

melihat konsistensi model dalam memprediksi hujan.

HASIL DAN PEMBAHASAN

Perbandingan Prediksi Hujan Model dan TRMM

Prediksi hujan output model WRF-EMS pada musim basah dan musim

kering dibandingkan secara spasial pada domain 2 terhadap TRMM. Perbandingan

spasial dimaksudkan untuk mengetahui pola serta luasan terbentuknya hujan.

Konsistensi hasil prediksi dengan TRMM dilihat dari luasan dan besaran curah

hujan output model selama 24 dan 48 jam kedepan.

Gambar 4 menunjukkan pola hujan yang mirip dengan TRMM pada

eksperimen 1 (BMJ-YSU), 5 (G3D-ACM2) dan 7 (G3D-ACM2). Namun, dilihat

dari curah hujan yang diwakili oleh skala warna putih hingga merah (0-120 mm),

eksperimen 5 (G3D-ACM2) menunjukkan model yang paling mendekati TRMM

khususnya di wilayah Samudera Hindia dan beberapa bagian pulau Sumatera

walaupun overestimated dalam memprediksi hujan selama 24 jam kedepan pada

musim basah.

10

Musim Basah (Desember)

Gambar 4 Akumulasi prediksi hujan selama 24 jam kedepan menggunakan 4

eksperimen model WRF-EMS dan TRMM pada 03 UTC 28

Desember 2013 sampai 03 UTC 29 Desember 2013

Akumulasi prediksi selama 48 jam kedepan (Gambar 5) pada semua

eksperimen, memprediksi pola dan luasan yang overestimated terhadap spasial

TRMM, terutama pada eksperimen 3 dan 7. Sama halnya dengan prediksi 24 jam

kedepan, eksperimen 5 (BMJ-ACM2) memprediksi lebih baik dibandingkan

dengan konfigurasi skema lainnya pada domain 2. Hal ini terlihat secara spasial,

model dengan eksperimen 5 memprediksi dengan luasan dan pola yang cukup sama

terhadap TRMM pada kawasan Samudera Hindia walaupun overestimated di

daratan pulau Sumatera. Konsistensi prediksi pola dan luasan hujan pada

eksperimen 5 terlihat cukup baik dengan perbandingan terhadap TRMM pada

domain 2. Eksperimen 5 (BMJ-ACM2) lebih baik memprediksi pola dan luasan di

daratan Sumatera bagian Utara dan di sepanjang pantai Barat Sumatera, walaupun

besaran curah hujan yang dihasilkan masih overestimated terhadap TRMM.

Eksperimen 1 TRMM Eksperimen 3

Eksperimen 5 Eksperimen 7

11

Gambar 5 Akumulasi prediksi hujan selama 48 jam kedepan menggunakan 4

eksperimen model WRF-EMS dan TRMM pada 03 UTC 28

Desember 2013 sampai 03 UTC 30 Desember 2013

Musim Kering (Agustus)

Eksperimen 1 Eksperimen 3

Eksperimen 7

TRMM

Eksperimen 5

Eksperimen 2 Eksperimen 4 TRMM

12

Gambar 6 Akumulasi prediksi hujan selama 24 jam kedepan menggunakan 4

eksperimen model WRF-EMS dan TRMM pada 03 UTC 09 Agustus

2014 sampai 03 UTC 10 Agustus 2014

Secara umum, pola dan luasan yang dihasilkan oleh eksperimen 2 (BMJ-

YSU), 6 (BMJ-ACM2) dan 8 (G3D-ACM2) mendekati pola hujan spasial TRMM

(Gambar 6). Namun, eksperimen 6 (BMJ-ACM2) menunjukkan besaran curah

hujan yang lebih baik dibandingkan eksperimen lainnya untuk prediksi selama 24

jam kedepan, khususnya di sepanjang daratan pulau Sumatera dan Samudera Hindia

walaupun beberapa titik mengindikasikan prediksi yang overestimated terhadap

TRMM.

Prediksi yang dilakukan selama 48 jam kedepan (Gambar 7) pada musim

kering bulan Agustus menunjukkan pola serta luasan yang overestimated pada

semua eksperimen, terutama pada kawasan Samudera Hindia dan Selat Melaka.

Berdasarkan pola dan luasan terbentuknya hujan, eksperimen 4 masih menunjukkan

kondisi overestimated yang paling tinggi dibandingkan eksperimen lainnya. Pola

terbaik ditunjukkan oleh eksperimen 6 (BMJ-ACM2) khususnya pada daratan pulau

Sumatera dan beberapa wilayah di Samudera Hindia serta Selat Melaka, walaupun

besaran curah hujan yang dihasilkan masih overestimated terhadap spasial TRMM,

terutama di Samudera Hindia sebelah Selatan Pulau Sumatera.

Eksperimen 6 Eksperimen 8

Eksperimen 2 Eksperimen 4 TRMM

13

Gambar 7 Akumulasi prediksi hujan selama 48 jam kedepan menggunakan 4

eksperimen model WRF-EMS dan TRMM pada 03 UTC 09 Agustus

2014 sampai 03 UTC 12 Agustus 2014

Analisis pola kejadian hujan yang dihasilkan oleh model WRF-EMS

menggunakan 4 jenis eksperimen dengan konfigurasi berbeda menunjukkan hasil

cukup baik secara spasial terhadap TRMM. Kombinasi skema yang digunakan pada

eksperimen 5 untuk prediksi musim basah dan eksperimen 6 untuk prediksi musim

kering memberikan hasil prediksi yang paling baik terhadap spasial TRMM

dibandingkan eksperimen lainnya. Eksperimen yang terdiri atas kombinasi skema

konvektif BMJ dan skema PBL ACM2 merupakan konfigurasi skema terbaik dalam

memprediksi pola dan luasan kejadian hujan pada domain 2 di wilayah daratan

Sumatera maupun perairan Samudera Hindia. Kondisi ini didukung dengan hasil

spasial prediksi 24 jam dan 48 jam kedepan menunjukkan konsisten hasil yang

cukup baik terhadap TRMM.

Secara spasial, skema konvektif BMJ menghasilkan prediksi yang lebih

baik dibandingkan dengan G3D karena pengaruh triggering konvektif skema G3D

yang terlalu awal. Kondisi ini dapat menjadi penyebab hujan yang diprediksi

overestimated terutama di kawasan perairan serta ditemukan bahwa peningkatan

resolusi secara spasial mengakibatkan hasil prediksi menggunakan skema ini

semakin overestimated, khususnya wilayah perairan samudera Hindia. Adanya

asumsi cloud efficiency factor pada skema BMJ mengakibatkan hasil prediksi

model pada kawasan perairan terlihat lebih baik dibandingkan G3D. Cloud

efficiency factor mengatur kontrol dari proses deep convection di atas lautan tropis

sehingga proses konvektif pembentukan awan lebih efisien dan hasil prediksi hujan

tidak terlalu overestimated (Janjic 1994 Dalam Pennely et.al 2013). Penelitian ini

menemukan bahwa skema PBL ACM2 dapat meningkatkan akurasi dari prediksi

hujan pada domain 2. Kombinasi PBL menggunakan skema ACM2 dapat

meningkatkan akurasi dari hasil prediksi, baik secara pola, luasan serta kuantitas

hujan. Hal ini didukung oleh Argueso et al. (2011) bahwa skema PBL ACM2 yang

Eksperimen 6 Eksperimen 8

14

dikombinasikan dengan skema konvektif yang tepat dapat meningkatkan akurasi

prediksi suatu model.

Perbandingan Curah Hujan Tabing dan TRMM

Perbandingan ditujukan untuk melihat seberapa dekat pola hujan yang

dihasilkan oleh TRMM pada titik observasi Tabing. Identifikasi pola hujan TRMM

terhadap titik observasi menjadi penentu untuk melakukan analisis kuantitatif dan

kualitatif model pada tahapan selanjutnya. Hal ini dilakukan karena terbatasnya

stasiun pengamatan cuaca yang ada di wilayah Sumatera Barat. Vernimmen et al.

(2012) menemukan bahwa data satelit TRMM 3B42 yang digunakan pada

penelitian ini memiliki akurasi yang lebih tinggi untuk data hujan tahunan

dibandingkan dengan CMORPH dan PERSIANN.

Gambar 8 Curah hujan per tiga jam TRMM terhadap observasi Tabing pada 12

UTC 27 Desember 2013 sampai 12 UTC 30 Desember 2013

Berdasarkan gambar 8, pola serta distribusi hujan yang diestimasi oleh data

TRMM per tiga jam cukup mirip dengan data titik observasi stasiun meteorologi

Tabing, Sumatera Barat. Ada atau tidaknya hujan tertangkap dengan baik dari

tanggal 18 UTC 28 Desember 2013 hingga 9 UTC 29 Desember 2013. Walaupun

demikian, kuantitas hujan yang dihasilkan masih underestimated. Sementara itu

gambar 9 memperlihatkan perbedaan besaran curah hujan yang diperoleh oleh

TRMM terhadap observasi di Tabing pada musim kering bulan Agustus. Kedua

gambar tersebut menyatakan bahwa data TRMM per tiga jam yang digunakan pada

penelitian ini belum dapat dengan baik merepresentasikan kejadian hujan pada

musim basah (Desember) dan musim Kering (Agustus) pada wilayah Tabing,

Sumatera Barat.

30/12 29/12 28/12

15

Gambar 9 Curah hujan per tiga jam TRMM terhadap observasi Tabing pada 12

UTC 9 Agustus 2014 sampai 12 UTC 12 Agustus 2014

Akumulasi selama 24 dan 48 jam kedepan pada bulan Desember dan Agustus

memiliki perbedaan yang signifikan antara akumulasi curah hujan TRMM dan

observasi Tabing (Gambar 10). Hal ini membuktikan besaran curah hujan yang

diestimasi oleh TRMM akumulasi selama 24 dan 48 jam masih belum dapat

mewakili curah hujan yang terjadi di stasiun meteorologi Tabing, walaupun pada

waktu tertentu TRMM dapat menangkap ada atau tidaknya hujan pada stasiun

observasi.

(a) (b)

Gambar 10 Curah hujan akumulasi output model dengan TRMM dan Observasi

Tabing pada bulan Desember (a) dan Agustus (b)

10/08 11/08 12/08

16

Verifikasi Curah Hujan Prediksi Model Terhadap Stasiun Observasi

Tabing Sumatera Barat.

Analisis spasial terhadap TRMM pada domain 2 menunjukkan bahwa

prediksi overestimated. Namun, perbandingan kuantitas (besaran curah hujan)

TRMM terhadap data observasi Tabing menunjukkan hasil underestimated.

Kondisi ini menunjukkan walaupun secara spasial output model overestimated

terhadap TRMM, model belum tentu overestimated pada titik observasi Tabing

sehingga diperlukan verifikasi model menggunakan analisis statistik.

Gambar 11 Lokasi stasiun pengamatan meteorologi Tabing, Sumatera Barat 0.88

LS dan 100.35 BT. Data observasi digunakan sebagai acuan verifikasi

curah hujan output model WRF-EMS. menunjukkan lokasi

stasiun Tabing berada.

Forecast Error

Forecast error yang dihasilkan oleh masing-masing eksperimen pada

musim basah dan kering underestimated terhadap observasi. Hal ini ditandai oleh

forecast error setiap eksperimen yang bernilai negatif (Gambar 12). Forecast error

yang dihasilkan model pada musim basah bulan Desember untuk 24 jam kedepan

berkisar antara 7 hingga 28 mm sementara itu 48 jam kedepan antara 17-42 mm

(Gambar 12a). Eksperimen 3 (G3D-YSU) dan eksperimen 5 (BMJ-ACM2)

memiliki error yang cukup baik konsisten selama 24 hingga 48 jam kedepan namun

eksperimen 3 memiliki kuantitas error yang lebih kecil dibandingkan eksperimen 5.

Berbeda dengan eksperimen 7 (G3D-ACM2) yang memperoleh error terkecil untuk

prediksi 24 hingga 48 jam kedepan dibandingkan eksperimen lainnya, tetapi terjadi

peningkatan error prediksi yang signifikan selama 48 jam kedepan.

Stamet Tabing, Sumatera Barat

17

(a) (b)

Gambar 12 Forecast error akumulasi curah hujan prediksi model selama 24 jam

dan 48 jam kedepan pada bulan Desember (a) dan Agustus (b)

terhadap data observasi stasiun meteorologi Tabing, Sumatera Barat.

Error yang diperoleh oleh model pada bulan Agustus jauh lebih kecil

dibandingkan bulan Desember. Kisaran error prediksi yang dihasilkan pada musim

kering bulan Agustus antara 2-10 mm untuk 24 jam dan 12-32 mm untuk 48 jam

kedepan (Gambar 12b). Setiap eksperimen mengalami peningkatan error yang

cukup signifikan dari 24 jam hingga 48 jam kedepan. Eksperimen 8 (G3D-ACM2)

memperoleh error terkecil untuk 24 jam kedepan, tapi memiliki forecast error yang

sangat besar untuk prediksi 48 jam kedepan. Dibandingkan eksperimen 8,

eksperimen 6 (BMJ-ACM2) memiliki forecast error yang kecil untuk 24 hingga 48

jam kedepan. Konsistensi nilai forecast error terbaik dihasilkan oleh eksperimen 2

(BMJ-YSU) karena peningkatan error yang tidak terlalu signifikan.

RMSE, Threat Score (TS), Probability of Detection (POD),

False Alarm Ratio (FAR)

RMSE, TS, POD, dan FAR digunakan untuk mengetahui kemampuan model

secara kuantitatif dan kualitatif dalam memprediksi hujan di titik stasiun observasi

Tabing, Sumatera Barat. Konsistensi nilai RMSE dilihat dari seberapa besar

perubahan RMSE pada masing-masing eksperimen selama prediksi 24 dan 48 jam

kedepan. Semakin kecil perubahan yang terjadi, maka semakin konsisten model.

Sementara itu, threat score (TS) dikatakan konsisten apabila memiliki TS yang

tinggi dibandingkan eksperimen lainnya untuk 24 dan 48 jam kedepan. Untuk

memperkuat hasil analisis, nilai POD dan FAR dikaitkan pula dengan RMSE, TS

dan forecast error yang telah diperoleh sebelumnya.

Tabel 4 menjelaskan perolehan detail dari verifikasi masing-masing

eksperimen output model pada musim basah bulan Desember 2013. Hasil verifikasi

menunjukkan eksperimen 3 (G3D-YSU) dan eksperimen 5 (BMJ-ACM2) lebih

konsisten dibandingkan eksperimen lainnya. Konsistensi dilihat dari perolehan nilai

RMSE yang cenderung kecil, TS yang tinggi, dan POD yang cenderung besar serta

-45

-35

-25

-15

-5

5

15

25

35

45

EXP1 EXP3 EXP5 EXP7

Fore

cast

err

or

(mm

)

24 48

-45

-35

-25

-15

-5

5

15

25

35

45

EXP2 EXP4 EXP6 EXP8

Fore

cast

err

or

(mm

)

24 48

18

FAR yang kecil. Kedua eksperimen ini merupakan model yang cukup baik untuk

memprediksi kejadian hujan musim basah di Tabing,

Tabel 4 Verifikasi menggunakan RMSE, TS, POD dan FAR secara kualitatif pada

masing-masing eksperimen akumulasi 24 dan 48 jam kedepan pada 03

UTC 28 Desember – 03 UTC 30 Desember 2013. Nilai yang bercetak

tebal mengindikasikan eksperimen yang konsisten baik dari uji statistik.

Desember

Akumulasi

(jam) Eksperimen RMSE TS POD FAR

24

EXP 1 3.62 0.25 0.33 0.50

EXP 3 0.42 0.75 0.75 0.00

EXP 5 0.64 0.86 1.00 0.14

EXP 7 0.50 0.43 0.50 0.25

48

EXP 1 2.66 0.38 0.56 0.44

EXP 3 0.53 0.67 0.89 0.27

EXP 5 0.38 0.73 0.89 0.20

EXP 7 0.36 0.50 0.67 0.33

(a) (b)

Gambar 13 Perolehan RMSE (a) dan Threat Score (b) prediksi akumulasi curah

hujan model WRF-EMS EMS selama 24 jam dan 48 jam kedepan

pada bulan Desember terhadap data observasi stasiun Meteorologi

Tabing, Sumatera Barat.

Secara umum, prediksi pada musim basah bulan Desember disimulasikan

dengan baik oleh eksperimen 5 (BMJ-ACM2). Walaupun demikian, eksperimen 5

masih underestimated dalam besaran curah hujan prediksi di Tabing berdasarkan

analisis forecast error yaitu mencapai 25-30 mm selama 24 dan 48 jam kedepan.

Namun, perolehan analisis kualitatif menunjukkan RMSE sebesar 0.64 dan TS

berada diatas 80%, selain itu nilai POD mencapai 1 serta FAR yang kecil yaitu 0.14

untuk 24 jam kedepan.

0.0

1.0

2.0

3.0

4.0

5.0

6.0

7.0

8.0

9.0

10.0

EXP 1 EXP 3 EXP 5 EXP 7

RM

SE (

mm

)

24 48

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

EXP 1 EXP 3 EXP 5 EXP 7

Thre

at S

core

24 48

19

Konsistensi prediksi untuk 48 jam kedepan pun diperoleh dengan baik dengan

nilai TS melebihi 70 % serta RMSE 0.38. POD yang diperoleh masih berada diatas

0.89 serta FAR yang konsisten sebesar 0.20. Spasial analisis terhadap TRMM

mendukung bahwa pada domain 2 output model eksperimen 5 (BMJ-ACM2) lebih

baik secara pola dan luasan prediksi dibandingkan eksperimen lainnya. Hasil

analisis kualitatif menunjukkan bahwa eksperimen 5 output model WRF-EMS

dapat dengan baik memprediksi hujan pada musim basah bulan Desember periode

03 UTC 28 Desember hingga 03 UTC 30 Desember 2013.

Tabel 5 Verifikasi menggunakan RMSE, TS, POD dan FAR secara kualitatif pada

masing-masing eksperimen akumulasi 24 dan 48 jam kedepan pada 03

UTC 10 Agustus – 03 UTC 12 Agustus 2014. Nilai yang bercetak tebal

mengindikasikan eksperimen yang konsisten baik dari uji statistik.

Agustus

Akumulasi

(jam) Eksperimen RMSE TS POD FAR

24

EXP 2 3.28 0.63 0.71 0.17

EXP 4 0.37 0.57 0.57 0.00

EXP 6 0.27 0.50 0.67 0.33

EXP 8 0.11 0.43 0.43 0.00

48

EXP 2 10.06 0.46 0.67 0.40

EXP 4 2.54 0.50 0.67 0.33

EXP 6 0.45 0.50 0.75 0.40

EXP 8 0.33 0.33 0.56 0.55

(a) (b)

Gambar 14 Perolehan RMSE (a) dan Threat Score (b) prediksi curah hujan model

WRF-EMS EMS selama 24 jam dan 48 jam kedepan pada bulan

Agustus terhadap data observasi stasiun Meteorologi Tabing, Sumatera

Barat.

0.0

1.0

2.0

3.0

4.0

5.0

6.0

7.0

8.0

9.0

10.0

EXP 2 EXP 4 EXP 6 EXP 8

RM

SE (

mm

)

24 48

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

EXP 2 EXP 4 EXP 6 EXP 8

Thre

at S

core

24 48

20

Secara kualitatif, perolehan nilai pada tabel 5 menunjukkan hasil verifikasi

yang kurang baik untuk kajian prediksi hujan pada musim kering bulan Agustus.

Namun, eksperimen 6 (BMJ-ACM2) merupakan eksperimen yang paling konsisten

berdasarkan analisis RMSE, TS, POD dan FAR dibandingkan eksperimen lainnya.

Secara lebih detail, analisis kuantitatif forecast error menunjukkan bahwa terdapat

error kurang dari 5 mm untuk prediksi 24 jam kedepan. Konsistensi hasil model

secara kualitatif berdasarkan nilai RMSE pun cukup kecil, serta TS, POD dan FAR

yang konsisten menjadikan eksperimen 5 sebagai eksperimen terbaik untuk

memprediksi kejadian hujan pada musim kering bulan Agustus di titik observasi

Tabing. Perolehan ini juga didukung dengan perbandingan spasial domain 2 yang

menunjukkan pola dan luasan hujan yang mirip dengan TRMM.

SIMPULAN DAN SARAN

Simpulan

Pemanfaatan model Weather Research Forecasting Environmental

Modelling System (WRF-EMS) dalam aplikasinya di Sumatera Barat memberikan

hasil prediksi yang baik pada musim basah dan kering. Analisis spasial pada domain

2 menunjukkan bahwa ekperimen 5 pada musim basah (Desember 2013) dan

eksperimen 6 pada musim kering (Agustus 2014) merupakan ekperimen terbaik

dalam memprediksi kejadian hujan terhadap TRMM. Potensi pemanfaatan model

WRF-EMS untuk prediksi hujan didukung oleh analisis statistik forecast error, root

mean square error (RMSE), threat score (TS), probability of detection (POD) dan

false alarm ratio (FAR). Nilai RMSE mencapai 0.64 mm dan 0.38 mm serta TS

mencapai 0.86 dan 0.73 untuk 24 dan 48 jam pada musim basah. Nilai RMSE pada

musim kering mencapai 0.27 (24 jam) dan 0.45 (48 jam) tetapi TS yang diperoleh

relatif kecil dengan 0.50 untuk 24 dan 48 jam. Nilai POD dan FAR mencapai 1.0

dan 0.14 (24 jam) serta 0.89 dan 0.20 (48 jam) pada musim basah. Sementara itu,

nilai POD dan FAR pada musim kering mencapai 0.67 dan 0.33 (24 jam) serta 0.75

dan 0.40 (48 jam). Secara umum, analisis yang dilakukan cukup akurat untuk

memprediksi kejadian hujan pada musim basah dibandingkan musim kering. Selain

itu, skema BMJ-ACM2 merupakan kombinasi skema terbaik dalam prediksi hujan

berdasarkan pola dan luasan terbentuknya hujan walaupun kuantitas yang

dihasilkan masih underestimated di Tabing, Sumatera Barat.

Saran

Pemodelan kajian prediksi hujan menggunakan model WRF-EMS perlu

dilakukan dengan menguji skema konvektif, planetary boundary layer dan skema

fisik lainnya. Pattern similarity method perlu diterapkan guna mengetahui tingkat

kesamaan pola hujan yang dihasilkan oleh prediksi model terhadap data

pembanding pada luasan tertentu. Selain itu, diperlukan pengujian pada beberapa

parameter seperti suhu udara, kecepatan angin dan SST di kawasan tropikal ekuator

Indonesia.

21

DAFTAR PUSTAKA

Afandi GE, Morsy M, dan Hussieny E. 2013.Heavy rainfall simulation over Sinai

Peninsula using the weather research and forecasting model. International

Journal of Atmospheric Science. 1:2-4.

Aguado E dan Burt J. 2007. Understanding Weather And Climate 4th Edition. New

Jersey (US): Pearson Education Inc.

Argueso D, Hidalgo-Munoz MJ, Gamiz-Fortiz SR, Esteban-Parra MJ, Dudhia J,

dan Castro-Diez Y.2011.Evaluation of WRF for climate studies over southern

spain using a multistep regionalization. Journal Of Climate American

Meteorological Society. 24:17.

Argueso D, Hidalgo-Munoz MJ, Gamis-Fortiz SR, Esteban-Parra MJ, Castro-Diez

Y.2012. Evaluation of WRF mean extreme precipitation over spain : present

climate (1970-1999). Journal Of Climate American Meteorological Society.

25:11.

[BMKG] Puslitbang BMKG. 2012. Pengembangan model bidang meteorology

Weather Research and Forecasting (WRF) tahap II. Laporan Penelitian.

Puslitbang BMKG Jakarta.

Chang I, Kumar A, Niyogi D, Mohanty U, Chen F, dan Dudhia J. 2009. The role of

land surface processes on the mesoscale simulation of the July 26, 2005 heavy

rain event over Mumbai, India. Elsevier : Global and Planetary Change. 67:2.

Efstathiou GA, Zoumakis NM, Melas D, Lolis CJ, Kassomenos P. 2013. Sensitivity

of WRF to boundary layer parameterizations in simulating a heavy rainfall

event using different microphysical schemes. Effect on large-scale processes.

Atmospheric Research.132–133:125–143.

Gilliland EK dan Rowe CM. 2007. A comparison of cumulus parameterization

schemes in the WRF model. Di dalam: Rowe CM, editor. Proceedings 21st

Conference on Hydrology American Meteorological Society. 2007 Jan 17;

Nebraska (US).

Hermawan E. 2009. Analisis Perilaku Curah Hujan di Atas Kototabang Saat Bulan

Basah dan Bulan Kering. Di dalam:Eddy Hermawan, editor. Seminar Nasional

Penelitian, Pendidikan, dan Penerapan MIPA;2009 Mei 16; Yogyakarta,

Indonesia. Yogyakarta (ID):Fakultas MIPA UNY. hlm F-419.

Gustari I, Hadi TW, Hadi S, Renggono F. 2012. Akurasi prediksi curah hujan harian

operasional di Jabodetabek. Jurnal Meteorologi dan Geofisika. 13:4-6.

Kurniawan R, Hanggoro W, Anggraeni R, Noviati S, Fitria W, Fitria W, Sudewi

RS. 2014. Penggunaan skema konvektif model cuaca WRF (Betts Miller Janjic,

Kain Fritsch dan Grell 3D Ensemble:studi kasus Surabaya dan Jakarta. Jurnal

Meteorologi dan Geofisika. 15:28.

[MMM] Mesoscale and Microscale Meteorology Division. 2014. User’s Guide For

The Advanced Research WRF (ARW) Modeling System Version 3.6. [internet].

[diacu 2015 Mei 3]. Tersedia dari:

http://www2.mmm.ucar.edu/wrf/users/docs/user_guide_V3/contents.html.

Narita M dan Shiro O. 2007. Improving precipitation forecasts by the operational

nonhydrostatic mesoscale model with the kain-fritsch convective

parameterization and cloud microphysics. Journal Japan Meteorological

Agency. Oetomachi: Japan Meteorological Agency.

22

Navy Oceanography. 2012. Model Initialization and Spin-Up. [internet]. [diacu

2015 Mei 3]. Tersedia dari:

http://www.oc.nps.edu/nom/modeling/initial.html.

[NCEP] National Center for Environmental l Prediction. 2003. NOAA/NWS/NCEP

Global Forecast System Model (GFS).[internet]. [diacu 2015 Mei 3]. Tersedia

dari: http://www.cpc.ncep.noaa.gov/products/janowiak/gfs_description.html.

Pennelly C, Reuter G, Flesch T. 2013. Verification of the WRF model for

simulating heavy precipitation in Alberta. Elsevier: Atmospheric Research.

135-136:172-192.

Rozumalski RA. 2010. A Nearly Complete Guide to The WRF EMS V3. Boulder:

NOAA/NWS National SOO Science and Training Resource Coordinator

Forecast Decision Training Branch.

Santriyani M, Octarina DT, Budaya BJ, Choir NU, Suradi. 2011. Sensitivitas

parameterisasi konveksi dalam prediksi cuaca numerik menggunakan model

WRF-ARW : studi kasus hujan ekstrim di Jakarta tanggal 7 April 2009.

Program Studi Meteorologi. Institut Teknologi Bandung.

Silva DT, Herath S, Weerakoon SB, Rathnayake UR. 2010. Application of WRF

with different cumulus parameterizations schemes for precipitation

forecasting in a tropical river basin. Di dalam: Silva, editor. Proceedings of

The 13th Asian Congress of Fluid Mechanics. 2010 Desember 17-21; Dhaka,

Bangladesh. Dhaka (BS). Hal 514.

Skamarock WC, Klemp JB, Dudhia J, Gill DO, Barker DM, Duda MG, Huang XY,

Wang W, Powers JG. 2008. A Description of the Advanced Research WRF

Version 3. NCAR technical note NCAR/TN-475+STR, 113

Turyanti A, Sunarsih I, dan Hermawan E. 2007. Analisa potensi curah hujan

berdasarkan data distribusi awan dan data temperature blackbody di

Kototabang Sumatera Barat. Jurnal Agromet 21. 2:39.

Vernimmen R, Hooijer A, Mamenun, Aldrian E, van Dijk A. 2012. Evaluation and

bias correction of satellite rainfall data for monitoring in Indonesia. Hydrol.

Earth Syst. Sci. 16:133-146.

Wilks D.1995. Statistical Methods in The Atmospheric Sciences. Ithaca (US):

Academic Press An Imprint of Elsevier.

Xie B, Fung JCH, Chan A, Lau A. 2012. Evaluation of nonlocal and local planetary

boundary layer schemes in the WRF model. Journal of Geophysical Research.

117:1.

Zeng X, Wu Z, Song S, Xiong S, Zheng Y, Zhou Z, dan Liu H. 2012. Effects of

different land-surface schemes on the simulation of a heavy rainfall event by

WRF. Chinese Journal of Geophysics. 55: 394-408.

23

LAMPIRAN

Akumulasi

24 jam

Desember

Domain 1

Domain 2

Domain 3

TRMM

EXP1

EXP3

24

EXP5

EXP7

Akumulasi

48 jam

Desember

Domain 1

Domain 2

Domain 3

TRMM

25

EXP1

EXP3

EXP5

EXP7

26

Akumulasi

24 jam

Agustus

Domain 1

Domain 2

Domain 3

TRMM

EXP2

EXP4

EXP6

27

EXP8

Akumulasi

48 jam

Agustus

Domain 1

Domain 2

Domain 3

TRMM

EXP2

EXP4

3

1

28

EXP6

EXP8

29

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 16 Maret 1993 di Bukittinggi Provinsi

Sumatera Barat. Penulis menyelesaikan studi Sekolah Dasar hingga Sekolah

Menengah Atas (SMA) di Kabupaten Sijunjung, Sumatera Barat. Lulus dari SMA

Negeri 1 Sijunjung, penulis melanjutkan studi di Institut Pertanian Bogor pada

tahun 2011 melalui tes Seleksi Nasional Masuk Perguruan tinggi Negeri

(SNMPTN) Undangan pada program studi Meteorologi Terapan, Fakultas

Matematika dan Ilmu Pengetahuan Alam.

Selama masa perkuliahan, penulis mengikuti unit kegiatan mahasiswa

(UKM) Agriaswara. Selain itu, penulis aktif dalam organisasi mahasiswa

diantaranya sebagai staff di Departemen Sains dan Teknologi Badan Eksekutif

Mahasiswa (BEM) FMIPA serta menjadi bagian dari Himpunan Profesi Mahasiswa

Agrometeorologi (Himagreto). Penulis juga mengikuti berbagai kegiatan

kepanitiaan yang dilaksanakan oleh institusi maupun fakultas dan departemen di

Institut Pertanian Bogor diantaranya kepanitiaan dalam Penerimaan Mahasiswa

Baru Program Sarjana S1 IPB, program sehari kuliah di FMIPA dan IPB, serta salah

satu kepala divisi dalam kegiatan besar BEM FMIPA yaitu Pesta Sains Nasional

2013. Selain itu, penulis juga pernah mengikuti ajang kompetesi EXPLORACE di

Putra Jaya, Malaysia dan memperoleh medali sebagai Best Finisher. Kegiatan

lainnya yang pernah diikuti yaitu sebagai juara 1 dalam lomba penulisan ide tentang

solusi mengatasi kemacetan di Bogor dan juara 2 lomba solo vocal POP putra IPB

Art Contest tahun 2015. Diluar dari kegiatan kampus, penulis pun aktif dalam

kegiatan sosial dan organisasi mahasiswa daerah yang dibentuk untuk kawasan

Bogor yaitu Ikatan Pelajar dan Mahasiswa Minang Bogor (IPMM) dan menjadi

ketua Himpunan Mahasiswa Sawahlunto, Sijunjung dan Dharmasraya (Himaswiss)

periode 2011-2013.