Article Per Year (5 Year)
p-Index From 2020 - 2025
2.808
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Pertanian Indonesia FORUM STATISTIKA DAN KOMPUTASI Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Media Statistika Jurnal Ilmu Dasar Statistika Jurnal Ilmiah Aplikasi Isotop Radiasi Scientific Journal of Informatics Jurnal Pendidikan Geografi: Kajian, Teori, dan Praktik dalam Bidang Pendidikan dan Ilmu Geografi MAJALAH ILMIAH GLOBE Syntax Literate: Jurnal Ilmiah Indonesia BAREKENG: Jurnal Ilmu Matematika dan Terapan Indonesian Journal of Chemistry JTAM (Jurnal Teori dan Aplikasi Matematika) Zero : Jurnal Sains, Matematika, dan Terapan JURNAL METEOROLOGI DAN GEOFISIKA InPrime: Indonesian Journal Of Pure And Applied Mathematics ESTIMASI: Journal of Statistics and Its Application SRIWIJAYA JOURNAL OF ENVIRONMENT Xplore: Journal of Statistics Scientific Journal of Informatics Indonesian Journal of Statistics and Its Applications
Aji Hamim Wigena
Department Of Statistics, IPB University, Jalan Meranti Wing 22 Level 4, Dramaga, Babakan, Kec. Dramaga, Kabupaten Bogor, Jawa Barat 16680
Agriculture, Biological Sciences & Forestry Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Immunology & microbiology Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Other

Published : 52 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 52 Documents
Search

 1   2   3   4   5 
MODEL PRAKIRAAN CURAH HUJAN BULANAN DI WILAYAH JAWA BAGIAN UTARA DENGAN PREDIKTOR SUHU MUKA LAUT (SML) DAN OUTGOING LONGWAVE RADIATION (OLR) Dedi Sucahyono; Hidayat Pawitan; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 10, No 2 (2009)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1002.393 KB) | DOI: 10.31172/jmg.v10i2.39

Abstract

Penelitian ini telah menganalisis pengaruh Suhu Muka Laut (SML) dan Outgoing Longwave Radiation (OLR) terhadap curah hujan bulanan di wilayah Jawa bagian utara. Sebagai wilayah represntatifnya digunakan data curah hujan empat Zonasi Musim (ZOM) meliputi ZOM 30, 43, 88, dan 90. Data curah hujan bulanan ke empat ZOM tersebut dihitung koefisien Pearson (r) saat dikorelasikan dengan SML  dengan resolusi 1º X 1º dan OLR dengan resolusi 2.5º  X 2.5º pada domain 5º LU -  20º LS dan 90º BT – 150º BT selama periode 1979 – 2007. Hasilnya menunjukkan korelasi yang signifikan antara curah hujan bulanan dengan SML dan OLR. Dalam penelitian ini digunakan juga Jaringan Syaraf Tiruan (JST) untuk menyusun model prakiraan curah hujan bulanan di empat ZOM dengan masukan SML dan OLR  hasil korelasi di atas  yang berperan sebagai prediktor. Untuk menentukan validasi model tersebut, hasil prakiraan diverifikasi dengan data observasi selama periode 2003 – 2007. Hasil luaran model menunjukkan pola yang sama dan konsisten ketika dibandingkan dengan data observasi. Hal tersebut ditunjukkan pula dengan nilai RMSE yang kecil selama tahun 2006. Disisi lain, hasil evaluasi dengan menggunakan nilai galat, galat besar diperoleh selama periode bulan-bulan kering. Aims of this research is to analysis the influence of sea surface temperature (SST)) and Outgoing Long wave Radiation (OLR) on monthly rainfall in northern Java Island. The rainfall data are from   Rainfall Type (ZOM) 30, ZOM 43, ZOM 88, and ZOM 90 as defined by Meteorology, Climatology and Geophysics Agency (MCGA). The  monthly rainfall of each region were calculated by Pearson coefficient ( r) to be correlated to SST resolution 1º X 1º and OLR  resolution 2.5 º  X 2.5º at area domain 5º N -  20º S and 90º E – 150º E and over  period 1979 – 2007. The result indicates significant correlations   between the monthly rainfall and SST and OLR. Artificial Neural Network (ANN) was applied to predict monthly rainfall over the four ZOM using input SST and OLR selected base on the correlation result. The validation of ANN model was done by comparing output of the monthly predicted rainfall to its observation over period 2003 – 2007. It is found out that the output model pattern is reasonably its consistent to its observation. The value of RMSE is smallest in 2006. The evaluation result using bias indicates that the biggest error occurred during dry season period.
TEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI KOMPONEN UTAMA DAN REGRESI KUADRAT TERKECIL PARSIAL UNTUK PREDIKSI CURAH HUJAN PADA KONDISI EL NINO, LA NINA, DAN NORMAL Woro Estiningtyas; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 12, No 1 (2011)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (4155.775 KB) | DOI: 10.31172/jmg.v12i1.87

Abstract

Makalah ini menyajikan hasil validasi model prediksi curah hujan di Kabupaten Indramayu dengan pendekatan statistika untuk downscaling, yaitu Regresi Komponen Utama dan Regresi Kuadrat Terkecil Parsial, pada kondisi El Nino, La Nina, dan Normal. Data curah hujan dari 6 stasiun hujan dan data presipitasi dari Global Circulation Model ECHAM3 digunakan dalam analisis ini dengan domain grid 8x8 (1.4°LU-18.1°LS; 98.4°-118.1°BT), di atas wilayah Indramayu. Data dibagi untuk setiap kondisi anomali iklim berdasarkan pada Oceanic Nino Index (ONI) yang menggunakan data suhu permukaan laut di Nino 3.4 dari hasil analisis NOAA. Rata- rata nilai RMSEP dan korelasi pada kondisi El Nino adalah 95.22 dan 0.66 untuk PCR serta 102.52 dan 0.62 untuk PLS, pada kondisi La Nina adalah 85.14 dan 0.65 untuk PCR, serta 98.43 dan 0.69 untuk PLS, sedangkan pada kondisi Normal diperoleh nilai rata-rata 91.41 dan 0.57 untuk PCR, serta 85.37 dan 0.63 untuk PLS. Secara umum pada kondisi El Nino PCR menunjukkan performa yang lebih baik daripada PLS, sedangkan pada kondisi La Nina dan Normal, PLS lebih baik daripada PCR. Pemilihan model tergantung pada cakupan wilayah yang dikaji, apakah mewakili daerah di sekitar stasiun hujan atau mewakili suatu wilayah kabupaten. This paper presents the results of validation of rainfall prediction models in Indramayu district using statistical approaches for downscaling, i.e. Principal Component Regression and Partial Least Square Regression, during El Nino, La Nina, and Normal conditions. Rainfall data from 6 stations and the precipitation data from Global Circulation Model ECHAM3 are used in this analysis with the domain size 8x8 (1.4°S-18.1°S; 98.4°-118.1°E), over the Indramayu region. Data are classified into each climatic anomaly condition based on the Oceanic Nino Index (ONI) which uses sea surface temperature data at the Nino 3.4 as the results of NOAA analysis. The average value of RMSEP and correlation in El Nino conditions are 95.22 and 0.66 for PCR and 102.52 and 0.62 for PLS,in La Nina conditions the values are 85.14 and 0.65 for the PCR, and 98.43 and 0.69 for the PLS, and in normal conditions the values are 91.41 and 0.57 for PCR, and 85.37 and 0.63 for PLS. In general PCR shows better performance than PLS in El Nino conditions, while in La Nina and Normal conditions the PLS performance is better than PCR. The selection model depends on the coverage areas studied, whether representing the area around the rainfall station or representing a district area.
SELEKSI PREDIKTOR DATA GLOBAL CLIMATE MODEL DENGAN TEKNIK SINGULAR VALUE DECOMPOTITION UNTUK PREDIKSI CURAH HUJAN DI PANTAI UTARA JAWA BARAT Trinah Wati; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 15, No 3 (2014)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2444.403 KB) | DOI: 10.31172/jmg.v15i3.219

Abstract

Pemilihan prediktor terbaik untuk curah hujan di 18 pos hujan periode 1980-2005 di Wilayah Pantai Utara di kabupaten Karawang, Indramayu dan Subang dilakukan menggunakan Teknik Singular Value Decomposition (SVD) menggunakan data presipitasi bulanan luaran GPCP dan CMAP, serta data tekanan udara, sea level pressure, precipitable water, suhu udara, kelembaban udara, kecepatan angin luaran NCEP/NCAR reanalisis sebagai input. Prediktor terbaik untuk memprediksi rata-rata curah hujan bulanan di 18 stasiun hujan di wilayah pantai utara adalah kecepatan angin luaran NCEP/NCAR reanalisis. Selanjutnya prediktor terbaik digunakan untuk memprediksi curah hujan bulanan tahun 2006-2007 menggunakan pemodelan Statistical Downscaling Multiple Linear Regression (MLR) dan Partial Least Square Regression (PLS). Hasil validasi curah hujan prediksi dengan aktual menggunakan PLS memiliki korelasi yang lebih tinggi dan RMSEP yang lebih kecil dibandingkan MLR. Selection for best predictor of 18 rain gauge stations from 1980 to 2005 in Northern Coastal Area in Karawang, Indramayu and Subang District has been investigated with The Singular Value Decomposition technique using monthly rainfall data from GPCP and CMAP, and air pressure, sea level pressure, precipitable water, relative humidity temperature, wind speed from NCEP/NCAR reanalysis as the input. The best predictor for monthly rainfall prediction of 18 rain gauges is wind speed from NCEP/NCAR reanalysis. Further, this best predictor was used to predict monthly rainfall from 2006 to 2007 using the Multiple Linear Regression (MLR) Statistical Downscaling model and Partial Least Square (PLS) Regression. These methods showed that the validation results using PLS have higher correlation and smaller RMSEP than the MLR method.
MODEL SISTEM PREDIKSI ENSEMBLE TOTAL HUJAN BULANAN DENGAN NILAI PEMBOBOT (KASUS WILAYAH KABUPATEN INDRAMAYU) Yunus Subagyo Swarinoto; Yonny Koesmaryono; Edvin Aldrian; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 13, No 3 (2012)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1551.947 KB) | DOI: 10.31172/jmg.v13i3.134

Abstract

Manajemen air menjadi sangat penting khususnya di wilayah yang rentan terhadap ketersediaan air. Mengingat hujan di atas normal dapat mengakibatkan banjir, sedangkan hujan di bawah normal mengakibatkan kekeringan. Untuk itu prediksi unsur iklim hujan ini menjadi penting. Model sistem prediksi ensemble berbasis model sistem prediksi tunggal ANFIS, Wavelet-ANFIS, Wavelet ARIMA, dan ARIMA total hujan bulanan telah disimulasikan di wilayah Kabupaten Indramayu. Model sistem prediksi ensemble total hujan bulanan ini dibentuk dengan teknik pembobotan. Nilai pembobot didasarkan pada nilai koefisien korelasi Pearson (r) yang diperoleh selama masa pelatihan dengan series data 1991-2000. Hasil pengolahan data 2001-2009 menunjukkan kisaran nilai r didapat 0,45-0,83 untuk ANFIS; 0,20-0,53 untuk Wavelet-ANFIS; 0,50-0,95 untuk Wavelet-ARIMA; 0,14-0,66 untuk ARIMA; dan 0,58-0,94 untuk Ensemble. Secara spasial, luaran model sistem prediksi ensemble total hujan bulanan di wilayah Kabupaten Indramayu menunjukkan hasil yang konsisten lebih baik daripada luaran model sistem prediksi tunggal pembentuknya.  Water management is very important especially for region which is vulnarable to the water availability. Above normal rainfal condition causes flood, meanwhile below normal one triggers to the drought occurences. Coping with this situation, the rainfall prediction output is needed. The ensemble prediction system model (EPSM) based on several single prediction system models (SPSMs) such as ANFIS, Wavelet-ANFIS, Wavelet ARIMA, and ARIMA on monthly rainfall total, has been simulated within Indramayu district. The EPSM was developed and based on the weighting technique. This weighting is computed based on the value of Pearson correlation coefficient (r) which has been gained during the training period of 1991-2000. Results of 2001-2009 model running show the value of r are 0,45-0,83 for ANFIS; 0,20-0,53 for Wavelet- ANFIS;  0,50-0,95 for Wavelet-ARIMA; 0,14-0,66 for ARIMA; and 0,58-0,94 for the Ensemble. Spatially, the output of EPSM of rainfall total within Indramayu district show consistently better results comparing to the output of origin SPSMs.
PENENTUAN DOMAIN SPASIAL NWP DALAM PEMBANGUNAN MODEL OUTPUT STATISTICS Urip Haryoko; Hidayat Pawitan; Edvin Aldrian; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 14, No 3 (2013)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v14i3.163

Abstract

Model Output Statistics (MOS) adalah salah satu metode statistical downscaling pada tahap post processing luaran Numerical Weather Prediction (NWP) untuk mendapatkan nilai prakiraan parameter cuaca di sebuah titik stasiun pengamatan. Permasalahan yang timbul dalam MOS adalah penentuan domain spasial NWP yang akan digunakan sebagai prediktor. Pada makalah ini disajikan metode penentuan domain spasial untuk memprakirakan suhu maksimum di wilayah Jabodetabek menggunakan data luaran NWP Global Forecast System (GFS) dari National Oceanic and AtmosphericAdministration (NOAA). Data pengamatan suhu maksimum diambil dari delapan stasiun di Wilayah Jakarta, Jawa Barat dan Banten yang digunakan untuk kalibrasi. Pada tahap awal domain spasial NWP ditentukan berukuran 8x8 grid, selanjutnya dicobakan untuk beberapa domain, yaitu berukuran 2x2, 3x3, 3x4, 4x4 dan 5x5 grid. Tiga metode digunakan untuk menentukan domain spasial, yaitu metode analisis korelasi spasial, singular value decomposition (SVD) dan partial least square regression (PLSR). Analisis ketiga metode secara umum menunjukkan hasil yang hampir sama, yaitu domain dengan ukuran 3x3 adalah yang paling baik. Analisis korelasi spasial menunjukkan luasan dengan korelasi lebih besar dari 0,4 hanya meliputi domain maksimal 3x3. Analisis SVD menunjukkan bahwa keeratan hubungan secara simultan antara data observasi dengan NWP hampir sama, yaitu pada ekspansi pertama. Sedangkan hasil verifikasi analisis PLSR menggunakan korelasi dan root mean square error(RMSE) menunjukkan bahwa grid berukuran 3x3 adalah domain terbaik. Model Output Statistics (MOS) is one of a statistical downscaling methods in post-processing of Numerical Weather Prediction (NWP) output to get weather forecasts at a point of observation stations. The problem in MOS is how to determine the spatial domain of NWP which will be used as a predictor in the development stage. This paper presented the methods for determining the NWP spatial domain to predict the maximum temperature in the Greater Jakarta area using the NWP output of Global Forecast System (GFS) produced by National Oceanic and Atmospheric Administration (NOAA). Maximum temperature observation data was taken in eight stations, around West Java, Banten, and Jakarta. In the first stage, the spatial domain of NWP was defined as 8x8 grids, then attempted for some domains, i.e. 2x2, 3x3, 3x4, 4x4 and 5x5grids. Three methods for determining spatial domain were spatial correlation analysis, singular value decomposition (SVD) and partial least square regression (PLSR). Those three analysis methods generally showed similar results,  spatial domains with size 3x3 are the most excellent. Spatial correlation analysis shows that the size of the area which correlates greater than 0.4 only covered a maximum of 3x3 domain. SVD analysis suggests that the simultaneous relationship between the observation data with NWP is almost the same in the first expansion. While the results of the verification PLSR analysis using correlation and root mean square error (RMSE) indicate that the 3x3 grid is the best domain.
STATISTICAL DOWNSCALING SUHU MUKA LAUT GLOBAL UNTUK PREDIKSI TOTAL HUJAN BULANAN MENGGUNAKAN TEKNIK PLS Yunus Subagyo Swarinoto; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 12, No 1 (2011)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v12i1.80

Abstract

Untuk dapat melakukan prediksi total hujan bulanan di wilayah Kabupaten Indramayu dapat digunakan prediktor data SML yang diperoleh dari model GCM. Keunggulan luaran model GCM adalah dapat diturunkannya data secara spasial maupun secara temporal. Namun demikian, penggunaan data SML skala global secara langsung untuk prediksi total hujan bulanan skala regional sebagai peubah respon sangat tidak sesuai. Mengingat banyak feature skala lokal maupun regional yang tidak dapat disajikan oleh luaran model skala global. Kondisi ini merupakan suatu kelemahan dari luaran model global. Akibatnya diperlukan suatu teknik Statistics Downscaling (SD) untuk mengolah data prediktor agar dapat menghasilkan nilai peubah respon yang sesuai skala lokal maupun regional. Dalam tulisan ini akan disajikan hasil teknik SD dari 49 grid point dengan resolusi 1° x 1° data SML GCM untuk memperoleh nilai prediksi total hujan bulanan di wilayah Kabupaten Indramayu. Pengolahan data SML GCM ini digunakan teknik Partial Least Square Regression (PLSR). Hasilnya menunjukkan bahwa nilai koefisien korelasi Pearson sebesar 0,48 hingga 0,88 dan nilai RMSE sebesar 43 mm per bulan hingga 133 mm per bulan. Lokasi Anjatan menunjukkan hasil terbaik. In order to predict monthly rainfall total over Indramayu district SST data of GCM outputs can be used as a predictor. The advantage of GCM outputs is that data could be derived spatially and temporally. Unfortunately, the used of GCM outputs directly to provide total rainfall prediction for local and regional scales are considered improper because these outputs can not provide some features of local and regional scales. This condition is the disadvantage of global model outputs. In this case, it is necessary to apply Statistical Downscaling (SD) technique. This paper discusses the use of Partial Least Square Regression (PLSR) as SD technique using 49 grid points SST of 1° x 1° resolution of GCM to predict monthly rainfall total in Indramayu district. The results show that Pearsoncorrelation coefficient range is 0,48 to 0,88 and the RMSE range is 43 mm per month to 133 mm per month. Anjatan station shows the best performance.
PENGARUH TIME LAG SML SEBAGAI PREDIKTOR DALAM MODEL SISTEM PREDIKSI ENSEMBLE PEMBOBOT PRAKIRAAN HUJAN BULANAN DI KABUPATEN INDRAMAYU Yunus Subagyo Swarinoto; Yonny Koesmaryono; Edvin Aldrian; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 14, No 1 (2013)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v14i1.144

Abstract

 Data Suhu Muka Laut (SML) dari Japan Meteorological Agency (JMA) dengan resolusi 1° diregresikan dengan prediksi  hujan bulanan di wilayah Kabupaten Indramayu Propinsi Jawa Barat. Proses ini dimaksudkan untuk memperbaiki luaran model Sistem Prediksi Ensemble dengan nilai pembobot (SPEP) dalam melakukan prediksi unsur iklim  hujan bulanan di wilayah Kabupaten Indramayu dengan memasukkan dinamika fluktuasi SML di sekitar daerah penelitian. Teknik yang digunakan dalam mengkaitkan data SML-JMA dengan nilai prediksi  hujan bulanan dimaksud adalah teknik Partial Least Square Regression (PLSR). Model yang diaplikasikan selanjutnya disebut sebagai SPEP-PLSR. Data SML-JMA diolah dengan memperhatikan time lag 1 dan 2 bulan sebelumnya karena efek SML terhadap atmosfer tidak berlangsung secara cepat. Luaran model SPEP-PLSR menunjukkan  hasil yang lebih baik secara signifikan terhadap luaran model SPEP untuk time lag 2 bulan. Kondisi ini ditunjukkan oleh nilai yang lebih baik untuk koefisien korelasi Pearson (r) minimum, nilai r rerata, nilai Root Mean Square Erros (RMSE) maksimum, dan nilai RMSE rerata daripada luaran yang dihasilkan oleh SPEP.  The Sea Surface Temperature of Japan Meteorological Agency (SML-JMA) with 1° resolution had been regressed with monthly rainfall  prediction in Indramayu District of West Java Province. This method was used to improve the quality of the Ensemble Prediction System using Weighting Factor (SPEP) model output to provide the monthly rainfall  prediction by inserting the fluctuation of Sea Surface Temperature dynamics. Processing technique done between SML-JMA and monthly rainfall  prediction was Partial Least Square Regression method. This model was then called as SPEP-PLSR. Those SML-JMA data were computed based on preceded time lag of 1 and 2 months because the efect of SML did not occur directly into the atmosphere. Results of SPEP-PLSR model outputs showed significantly better in quality compared to the SPEP model outputs itself. The SPEP-PLSR model outputs showed spatially better in minimum Pearson correlation coeficient (r), r average, maximum RMSE, and RMSE average compared to the SPEP model outputs. 
MODEL PREDIKSI AWAL MUSIM HUJAN DI SENTRA PADI PANTURA JABAR DENGAN PREDIKTOR REGIONAL DAN GLOBAL Erwin Eka Syahputra Makmur; Yonny Koesmaryono; Edvin Aldrian; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 14, No 3 (2013)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v14i3.164

Abstract

Prediksi awal musim hujan merupakan suatu hal penting yang menunjang beberapa sektor di antaranya di sektor pertanian. Prediksi awal musim dipergunakan sebagai pertimbangan untuk menentukan kegiatan penanam padi khususnya penentuan awal musim tanam. Untuk menentukan awal musim hujan biasanya ditandai dengan perubahan sirkulasi atmosfer yang cukup signifikan misalnya perubahan arah angin, tekanan udara permukaan dan daerah liputan awan. Untuk penelitian ini dipergunakan 17 prediktor yang telah dipilih berdasarkan tes korelasi spasial antara prediktor dan awal musim. Penelitian ini difokuskan di daerah Pantura Jawa Barat yang terdiri dari Karawang, Subang, Indramayu dan Cirebon yang merupakan daerah sentra pangan khususnya beras. Wilayah Pantura memasok sekitar 30% kebutuhan beras untuk Jawa Barat. Dari 17 prediktor yang terpilih kemudian dimasukkan ke dalam model regresi dengan melakukan semua kemungkinan kombinasi sehingga didapatkan model yang terbaik dengan menggunakan indikator mean square error terkecil. Untuk semua model yang disimulasikan diperlihatkan bahwa hampir semua model menghasilkan hasil yang baik baik baik pada kondis tahun normal maupun pada saat terjdinya El Nino dan La Nina.The prediction of the onset of the rainy season is very important for many sectors especially for the agricultural sector to make the best planning for planting calendar to get optimum paddy yield. Monsoon onset is characterized by the change of significant atmospheric circulation such as changes in wind direction, intertropical convergence zone location, etc. This research used 17 predictors which have been selected using spatial correlation test. Pantura Jawa Barat is the main rice production center in West Java province and contributes about 35% of the total production of West Java Province. The selected predictors in the next process become indicators for the variability of rainy season onset and becoming predictors for climate statistical model. Through the many combinations, 4 models are resulted and 1 ensemble model. These models produce a better performance to predict the onset of the rainy season over the northern coastal area of West Java Province even for some extreme years during El Nino or La Nina events.
STATISTICAL DOWNSCALING DENGAN PERGESERAN WAKTU BERDASARKAN KORELASI SILANG Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 16, No 1 (2015)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v16i1.259

Abstract

Pergeseran waktu (time lag) dalam analisis data deret waktu diperlukan terutama untuk analisis hubungan dua peubah (variable), seperti dalam statistical downscaling. Pergeseran waktu ini ditentukan berdasarkan korelasi silang tinggi yang setara dengan hubungan yang kuat antar kedua peubah tersebut sehingga dapat digunakan dalam pemodelan untuk prakiraan yang lebih akurat. Makalah ini mengenai statistical downscaling dengan memperhatikan korelasi silang antara data curah hujan dengan data presipitasi Global Circulation Model (GCM) dari Climate Model Inter Comparison Project (CMIP5). Salah satu syarat dalam statistical downscaling adalah peubah  skala lokal dan global berkorelasi tinggi. Kedua tipe peubah tersebut berupa data deret waktu sehingga fungsi korelasi silang diterapkan untuk memperoleh pergeseran waktu. Korelasi silang yang tinggi menentukan pergeseran waktu pada luaran GCM yang menghasilkan hubungan fungsional lebih kuat antara kedua tipe peubah. Model regresi komponen utama dan regresi kuadrat terkecil parsial digunakan dalam makalah ini. Model-model dengan pergeseran waktu menduga curah hujan lebih baik daripada model-model tanpa pergeseran waktu. Time lag in time series data analysis is required especially to analyze the relationship of two variables, such as in statistical downscaling. Time lag is determined based on high cross correlation which is equivalent to strong relationship between the two variables and can be used in modeling for a more accurate forecast. This paper is about  statistical downscaling by considering the cross correlation between rainfall data and precipitation data from Global Circulation Model (GCM) of Climate Model Inter Comparison Project (CMIP5). One of the conditions in statistical downscaling is that local scale and global scale variables are highly correlated. Both types of variables are time series data, thus cross correlation function is applied to find time lags. High cross correlation determines time lags in GCM output which was resulted in higher functional relation between both types of variables. Principal Component Regression and Partial Least Square Regression model were used in this paper. Models with time lags had forecasted rainfall better than those without time lags.Time lag in time series data analysis is required especially to analyze the relationship of two variables, such as in statistical downscaling. The time lag is determined based on high cross-correlation which is equivalent to a strong relationship between the two variables and can be used in modeling for a more accurate forecast. This paper is about statistical downscaling by considering the cross-correlation between rainfall data and precipitation data from the Global Circulation Model (GCM) of Climate Model Inter Comparison Project (CMIP5). One of the conditions in statistical downscaling is that local scale and global scale variables are highly correlated. Both types of variables are time series data, thus cross-correlation function is applied to find time lags. High cross-correlation determines time lags in GCM output which was resulted in higher functional relation between both types of variables. Principal Component Regression and Partial Least Square Regression model were used in this paper. Models with time lags had forecasted rainfall better than those without time lags. 
The Application of Modeling Gamma-Pareto Distributed Data Using GLM Gamma in Estimation of Monthly Rainfall with TRMM Data Herlina Hanum; Aji Hamim Wigena; Anik Djuraidah; I Wayan Mangku
Sriwijaya Journal of Environment Vol 2, No 2 (2017): Water As A Vital Resource for Life
Publisher : Program Pascasarjana Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (911.747 KB) | DOI: 10.22135/sje.2017.2.2.40-45

Abstract

As a recently developed distribution, the application of Gamma-Pareto is limited to single variable modeling.  A specific transformation of Gamma-Pareto (G-P) yields gamma distribution. Therefore, it is possible to use analysis based on gamma distribution (e.g. GLM) for modeling G-P distributed data.  In this paper we study the application of modeling G-P distributed data using GLM gamma for monthly rainfall which observed in Sukadana Station.  The modeling aims to analyze whether Tropical Rainfall Measuring Mission (TRMM) satellite data is a good estimator for unobserved station’s data.  The transformed of station’s data were considered as response variable in GLM gamma.  The explanatory variable is TRMM data in 9 grids around the station. There are two kinds of modeling i.e. model for whole data and extreme data. The results show that for both data the station’s data are G-P distributed and the transformed data are gamma distributed.  TRMM rainfall data at each grid around the station can be used to estimate the observed data of monthly rainfall. The best model for both data contains dummy variables which correspond to inter quantile data.  The coefficients of dummy variables in the best model may substitute the grouping or the correction in the previous studies.
Co-Authors . Indahwati . Siswadi Aan Kardiana Abdul Kudus Afnan, Irsyifa Mayzela Agus M. Soleh Agus Mohamad Soleh Akhbamah Primadaniyah Febrin Alwani, Nadira Nisa Amanda Permata Dewi Anang Kurnia Anik Djuraidah Anis Dyah Rahmawati Arina, Faula Arista Marlince Tamonob ASEP SAEFUDDIN Aunuddin Aunuddin Bagus Sartono Budi Suhardjo Budi Susetyo Bunawan Sunarlim Citra, Reza Felix Dani Al Mahkya Dedi Sucahyono Deri Siswara Dewi Retno Sari Saputro, Dewi Retno Edvin Aldrian Efriwati Efriwati Embay Rohaeti Erfiani Erfiani Erfiani, Erfiani Erwin Eka Syahputra Makmur Fadjrian Imran Fildzah Hanum Syazwina Galih Hedy Saputra Geri Zanuar Fadli Hanny Komalig Hari Wijayanto Herlina Hanum Herlina Hanum, Herlina Hidayat Pawitan Husnul Aris Haikal I Made Sumertajaya I Wayan Mangku Indahwati Ismah . Ismah, Ismah Itasia Dina Sulvianti Kusman Sadik Latifah K. Darusman Made Agung Prebawa Parama Artha Maemonah, Maemonah Mia Sri Listiani Ahmad Muhammad Nur Aidi Novian Tamara Nunung Nurjanah Nunung Nuryartono Nurrahman, Fathu Pigitha, Nindi Pingkan Awalia Santoso, Zein Rizky Sinaga, Enny Keristiana Soeranto Human Soleh, Agus M Syafitri, Utami Tiyas Yulita Trinah Wati Urip Haryoko Utami Dyah Syafitri Via Sulviana Woro Estiningtyas Wulan Tri Wahyuni Yonny Koesmaryono Yuan Millafanti Yumna Karimah Yuniarty, Titin Yunus Subagyo Swarinoto _ Aunuddin