<![CDATA[Peramalan cuaca memiliki peranan penting bagi masyarakat. Sampai saat ini BMKG dalam meramalkan cuaca masih menggunakan metode yang subjektif. PemanfaatanNumerical Weather Prediction(NWP) merupakansalahsatuupayauntukmeramalkancuacasecaraobjektif.NWP yang diukur pada skala global akan memberikan informasi cuaca yang bias terhadap kondisi cuaca skala lokal. Oleh karena itu dibutuhkan pemrosesan secara statistik (statistical post-processing) salah satunya dengan metode Models Output Statistics (MOS). MOS adalah sebuah metode berbasis regresi yang memaksimalkan hubungan antara observasi cuaca dan luaran model NWP. Observasi cuaca yang digunakan sebagai variabel respon adalah suhu minimum (TMIN), suhu maksimum (TMAX), dan kelembapan (RH). Parameter NWP yang digunakan variabel prediktor adalah TMAXCR, TMINCR, dan RHCR. Metode regresi yang digunakan adalah Projection Pursuit Regression (PPR). Metode ini termasuk pendekatan nonparametrik yang tidak terlalu ketat dengan asumsi (soft modelling). PPR dapat mengatasi data NWP yang curse of dimentionality dan data observasi cuaca yang tidak linier. Penentuan banyak fungsi dalam model PPR dilakukan optimalisasi simulasi banyak fungsi1 sampai 5. Model terbaik yang dipilih berdasarkan banyak fungsi yang memiliki nilai Root Mean Square Error Prediction (RMSEP) terkecil. Hasil penelitian menyimpulkan bahwa RMSEP untuk model TMIN di empat stasiun pengamatan memiliki nilai di bawah 1, untuk TMAX antara 1 sampai 2, sedangkan untuk RH antara 4-6. Hasil ramalan model MOS secara konsisten memiliki nilai RMSEP lebih kecil daripada model NWP. Kesimpulan lain adalah model MOS dapat memperbaiki model NWP mencapai 86%. ]]>
