cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rezky Yunita
Contact Email
rezky.yunita@bmkg.go.id
Phone
+6282125693687
Journal Mail Official
jurnal.mg@gmail.com
Editorial Address
Jl. Angkasa 1 No. 2 Kemayoran, Jakarta Pusat 10720
Location
Kota adm. jakarta pusat,
Dki jakarta
INDONESIA
Jurnal Meteorologi dan Geofisika
Published by Pusat Penelitian dan Pengembangan, Badan Meteorologi Klimatologi dan Geofisika
ISSN : 14113082     EISSN : 25275372     DOI : https://doi.org/10.31172/jmg
Core Subject : Science,
Earth & Planetary Sciences Energy Physics
Jurnal Meteorologi dan Geofisika (JMG) is a scientific research journal published by the Research and Development Center of the Meteorology, Climatology, and Geophysics Agency (BMKG) as a means to publish research and development achievements in Meteorology, Climatology, Air Quality and Geophysics.
Arjuna Subject : Ilmu Bumi dan Planet (semua kategori) - Ilmu Bumi dan Planet (Lain-Lain)
Articles 5 Documents
 1 
Search results for , issue "Vol. 21 No. 2 (2020)" : 5 Documents clear
MODIFIKASI KONSTANTA PERSAMAAN Z-R RADAR SURABAYA UNTUK PENINGKATAN AKURASI ESTIMASI CURAH HUJAN Thahir D. F. Hutapea; Donaldi S. Permana; Alfan S. Praja; Linda F. Muzayanah
Jurnal Meteorologi dan Geofisika Vol. 21 No. 2 (2020)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v21i2.545

Abstract

Radar cuaca sangat berpotensi untuk memberikan estimasi curah hujan beresolusi tinggi secara spasial dan temporal yang dapat meningkatkan akurasi prakiraan dini cuaca ekstrim dan juga dapat menyediakan informasi curah hujan pada wilayah yang tidak mempunyai stasiun pengamatan curah hujan. Radar cuaca tidak dapat secara langsung mengukur intensitas curah hujan, melainkan berdasarkan hubungan empiris antara reflektifitas radar (Z) dan tingkat curah hujan (R) dalam hubungan Z-R (Z = ARb). Pada penelitian ini, metode optimalisasi digunakan untuk menentukan konstanta A dan b yang sesuai untuk wilayah Surabaya di provinsi Jawa Timur. Data reflektifitas pada radar Surabaya dan data curah hujan per jam dari stasiun Juanda Surabaya pada periode Desember 2014 - Februari 2015 digunakan dalam studi ini. Hasil studi menunjukkan bahwa hubungan Z-R dengan persamaan Z = 110R1,6 menghasilkan estimasi curah hujan yang memiliki indikator statistik lebih baik dibandingkan dengan estimasi dari persamaan Marshall-Palmer (MP, Z = 200R1,6) dan Rosenfeld (Ros, Z = 250R1,2) sehingga dapat meningkatkan akurasiestimasi curah hujan di wilayah Surabaya.  Weather radar can potentially provide rainfall estimates with high spatial and temporal resolution in which improving the early warning accuracy of extreme weather and also provide rainfall estimates in areas with insufficient rainfall stations. Weather radar cannot directly be used to measure the rainfall intensity, but based on an empirical relationship between the reflectivity (Z) and rainfall rate (R) in the Z-R relationship (Z = ARb). In this study, an optimization method was used to determine suitable constants A and b for Surabaya, East Java province. The reflectivity data from Surabaya radar and hourly rainfall data at Juanda station in Surabaya during a period of December 2014 - February 2015 were used in this study. The results show that a Z-R relationship in the form of equation Z = 110R1,6 produces rainfall estimates with a better statistical indicator than ones produced by Marshall-Palmer (MP, Z = 200R1,6) and Rosenfeld (Ros, Z = 250R1,2) relationships, making it suitable for improving the accuracy of rainfall estimates for Surabaya.
PERCEPATAN TANAH MAKSIMUM DI PERMUKAAN PADA WILAYAH DKI JAKARTA MENGGUNAKAN METODE PROBABILISTIK Tio Azhar Prakoso Setiadi; Arif Rachman Hakim; Rian Mahendra Taruna; Supriyanto Rohadi; Pupung Susilanto
Jurnal Meteorologi dan Geofisika Vol. 21 No. 2 (2020)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v21i2.593

Abstract

Gempa bumi Banten berkekuatan 6,2 Mw pada tanggal 23 Januari 2018 menarik perhatian para ahli tentang pentingnya pengetahuan mengenai percepatan tanah maksimum dan spektra percepatan di permukaan untuk wilayah DKI Jakarta. Hasil PGAM, SMS, dan SM1 memegang peranan penting dalam peraturan desain seismik. wilayah DKI Jakarta. Hasil PGAM, SMS, dan SM1 memegang peranan penting dalam peraturan desain seismik. Tujuan dari penelitian ini adalah menentukan PGAM, SMS, dan SM1 untuk wilayah DKI Jakarta menggunakan Probabilistic Seismic Hazard Analysis (PSHA). Data yang digunakan adalah katalog gempa bumi BMKG, ISC, dan USGS dari tahun 1900 – 2018. Hasil analisis menunjukkan bahwa nilai PGAM untuk untuk probabilitas terlampaui 2% dalam 50 tahun di wilayah DKI Jakarta bervariasi dari 0,35 – 0,5 g. Sementara itu nilai SMS, dan SM1 untuk untuk probabilitas terlampaui 2% dalam 50 tahun di wilayah DKI Jakarta bervariasi dari 0,65 – 1g dan 0,8 – 1g. Nilai PGAM, SMS, dan SM1 relatif lebih tinggi di wilayah Kota Jakarta Selatan, Kota Jakarta Barat, dan Kota Jakarta Utara.  The Mw 6.2 Banten earthquake on January 23, 2018, draws researchers’ attention to the importance of information about Peak Ground Acceleration and spectral acceleration on the surface for the DKI Jakarta area. The results of PGAM, SMS, and SM1 play an important role in the rules of seismic design. The purpose of this study was to determine PGAM, SMS, and SM1 for the DKI Jakarta area using Probabilistic Seismic Hazard Analysis (PSHA). The data used are the earthquake catalog BMKG, ISC, and USGS from 1900 - 2018. The analysis shows that the value of PGAM for DKI Jakarta varies from 0.35 – 0.5 g. Meanwhile, the value of SMS, and SM1 varies from 0.50 - 0.1 g and 0.8 - 1 g. The values of PGAM, SMS, and SM1 are relatively higher in the area of South Jakarta City, West Jakarta City, and North Jakarta City. 
PREDIKSI PARAMETER CUACA MENGGUNAKAN DEEP LEARNING LONG-SHORT TERM MEMORY (LSTM) Eko Supriyadi
Jurnal Meteorologi dan Geofisika Vol. 21 No. 2 (2020)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v21i2.619

Abstract

Saat ini metode deep learning dapat diaplikasikan untuk memprediksi suatu kejadian, seperti memprediksi cuaca suatu wilayah. Salah satu contoh deep learning yang cocok digunakan pada jenis data time series adalah LSTM. Penelitian ini menerapkan metode deep learning LSTM dengan jumlah layer 200, perbandingan data training dengan data test sebesar 9:1, serta mengukur nilai RMSE dan RMSE update hasil validasi dan prediksi beberapa hari ke depan. Data yang digunakan terdiri dari pengukuran suhu udara, kelembaban udara, kecepatan angin, dan tekanan udara selama bulan Januari dan Februari 2019. Data bulan Januari digunakan sebagai data training dan test untuk melakukan validasi prakiraan, sedangkan data bulan Februari digunakan sebagai pembanding dari hasil prediksi deep learning LSTM. Hasil penelitian menunjukkan RMSE seluruh validasi parameter cuaca nilainya semakin baik ketika menggunakan LSTM dengan update. Diperoleh RMSE update untuk parameter suhu, kelembaban, kecepatan angin, dan tekanan udara masing-masing bernilai 0,576; 2,8687; 2,1963; dan 1,0647. Sedangkan prediksi suhu udara, kelembaban, kecepatan angin, dan tekanan udara untuk 1 hari ke depan (1 Februari 2019) masing-masing sebesar 1,0337; 6,3413; 2,8934; dan 1,4313. Dari parameter tersebut hanya parameter suhu dan kelembaban udara yang mengalami pertambahan RMSE seiring bertambahnya waktu. Sedangkan parameter kecepatan angin dan tekanan udara mengalami penurunan di hari ketiga dan meningkat secara kontinu hingga satu bulan ke depan.  Today, deep learning can be applied to predict any events, such as predict the weather of a region. One of them is LSTM which is suitable for use in time series data types. This study conducted the deep learning LSTM with the number of 200 layers, ratio training with test data of 9:1, measuring the value of validation RMSE and RMSE update and also predictions some weather parameters in a few days later. The data used consisted of measurements of air temperature, humidity, wind speed, and air pressure during January and February 2019. The data January were used as training and test data to conduct forecast validation, while the data February was used as a comparison of the results predicted for deep learning LSTM. The result shows that the forecast RMSE for all-weather parameters is better when using LSTM with an update. Obtained for temperature, relative humidity, wind speed, and air pressure have RMSE with update are 0,576; 2,8687; 2,1963; and 1,0647, respectively. While the prediction of air temperature, wind speed, and air pressure for one day later (1 February 2019) is 1.0337; 6.3413; 2,8934; and 1.4313, respectively. From the all-weather parameters only temperature and humidity parameter that increase in RMSE over time. While the parameters such as wind speed and air pressure decreased on the third day and increased continuously for the next one month.
MODULASI QBO TERHADAP ANOMALI KONSENTRASI UAP AIR DAN OZON DI STRATOSFER BAWAH Noersomadi Noersomadi; Dita Fatria Andarini
Jurnal Meteorologi dan Geofisika Vol. 21 No. 2 (2020)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v21i2.672

Abstract

Angin rerata zonal di stratosfer bawah (100–10 hPa) yang merambat vertikal ke bawah seiring waktu dengan periode ~26 bulanan lazim disebut sebagai Quasi Biennial Oscillation (QBO). Untuk mengetahui hubungan antara QBO dengan konsentrasi uap air (H2O) dan ozon (O3) terhadap proses pendinginan dan pemanasan radiatif di stratosfer bawah, penelitian ini menggunakan data MLS Aura versi 4.2 sepanjang Agustus 2004–Juli 2019 (16 tahun). Kami menitikberatkan pada analisis variasi antartahunan yaitu simpangan dari rerata tahunan anomali H2O (H2O*) dan anomali (O3*). H2O* menunjukkan pola perambatan ke atas yang dikenal sebagai ‘atmospheric tape recorder’. Osilasi O3* positif–negatif dan anomali temperatur (T*) hangat–dingin terlihat jelas merambat ke bawah bersesuaian dengan pola perubahan angin zonal. Diagram komposit H2O* di 100 hPa menunjukkan anomali kering sekitar ± 3 bulan dari transisi fasa QBO timuran (QBO easterly; QBO-E) ke fasa QBO baratan (QBO westerly; QBO-W), dimana O3* memerlihatkan fluktasi menurun dan meningkat di 20–50 hPa. Udara kering (H2O* ~ –0.5 ppmv) dengan O3* positif (0.5 ppmv) tinggi akan menaikkan temperatur sebesar 2 K. Profil rerata H2O*, O3* dan T* pada dua fasa QBO yang berbeda menunjukkan modulasi QBO pada variasi uap air dan ozon yang memengaruhi pendinginan dan pemanasan radiatif di stratosfer bawah. Dengan demikian, variasi dua komposisi kimia (H2O dan O3) terkait respon radiatif di stratosfer bawah perlu dipertimbangkan untuk pengembangan model iklim. Zonal mean wind in the lower stratosphere (100–10 hPa) that propagates vertically with a period of about 26 months is well known as the Quasi-Biennial Oscillation (QBO). To understand the relationship between QBO and both water vapor (H2O*) and ozone (O3*) concentration on the radiative cooling and heating in the lower stratosphere, this research utilized MLS Aura version 4.2 data from August 2004 to July 2019 (16 years). We focus on the analysis of interannual variation as the deviation from the annual mean of H2O anomaly (H2O*) and O3 anomaly (O3*). H2O* showed an upward propagation pattern called an atmospheric tape recorder. The positive-negative oscillation of O3* and warm-cool of temperature anomaly (T*) were clearly seen propagating downward associate with zonal wind alteration. The composite diagram of H2O* at 100 hPa showed dry anomaly during about ± 3 months around the transition period from QBO easterly phase (QBO-E) to QBO westerly phase (QBO-W), where O3* depict decreasing and increasing fluctuations at 20–50 hPa. The dry air about –0.5 ppmv with ozone about 0.5 ppmv will increase the temperature by 2 K. The mean profile of H2O*, O3* and T* during the two QBO phases showed QBO modulation on the water vapor and ozone variation that influence the radiative cooling and heating in the lower stratosphere. Therefore, the variation of two chemical constituents (H2O and O3) related to radiative response in the lower stratosphere should be considered when one will develop the climate model.
PREDIKSI CURAH HUJAN BULANAN UNTUK PERINGATAN DINI LONGSOR DI BANJARNEGARA BAGIAN SELATAN DENGAN STATISTICAL DOWNSCALING DAN ENSEMBLE Agus Safril; Danang Eko Nuryanto; Ni Luh C. Chevi; Lisa Agustina; Ki Agus Ardi Z; Munawar Munawar; Faturrahman Faturrahman
Jurnal Meteorologi dan Geofisika Vol. 21 No. 2 (2020)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v21i2.698

Abstract

Banjarnegara merupakan wilayah pegunungan sehingga sering terjadi longsor. Curah hujan sebagai salah satu parameter cuaca dengan kondisi tertentu mampu memicu terjadinya longsor. Keberadaan prediksi hujan sangat diperlukan untuk informasi berbasis dampak (Impact Based Forecasting) sebagai media untuk mitigasi bencana. Tujuan penelitian ini untuk membuat peringatan dini potensi bahaya longsor bulanan dengan input prediksi curah hujan bulanan (faktor dinamis) dengan metode ensemble dan statistical downscaling (SD). Prediktor yang digunakan terdiri dari CAPE, PW, U850 dan V850 dan SST sebagai parameter atmosfer yang terkait fisis dan dinamis dengan curah hujan. Indeks kerawanan longsor (IKL) yang digunakan sebagai faktor statis untuk peringatan dini bahaya longsor meliputi parameter curah hujan tahunan, kemiringan lereng dan penggunaan lahan. Hasil IKL selanjutnya di-overlay dengan prediksi curah hujan dengan tiga kategori persentil, yaitu Curah Hujan < P33 (persentil 33%) sebagai curah hujan rendah, P33-P66 (sedang) dan >P66 (tinggi). Hasil prediksi model ensemble menunjukkan pola curah hujan mengikuti pola musim kemarau dan awal musim hujan (curah hujan prediksi sesuai dengan observasi). Hasil korelasi yang tinggi menunjukkan bahwa model prediksi layak digunakan sebagai masukan model untuk peringatan dini longsor. Nilai IKL menunjukan bahwa Wilayah Kecamatan Banjarnegara dan Wanadadi merupakan lokasi paling rawan longsor (3,625) kemudian Wanadadi (3,188) dan agak rawan Mandiraja (2,875). Hasil prediksi curah hujan kemudian dioverlay dengan tingkat IKL digunakan sebagai indikator peringatan dini. Hasil validasi dengan data observasi menunjukkan bahwa peringatan dini longsor mempunyai akurasi yang cukup baik (informasi peringatan dini sesuai umumnya dengan kejadian longsor).  Banjarnegara is a mountainous region so landslides often occur. Rainfall is one of the weather parameters with certain conditions that can trigger landslides. The presence of rain predictions is really crucial for impact-based information (Impact Based Forecasting) as a mechanism for disaster reduction. The purpose of this paper is to make an early warning of potential monthly landslides with monthly rainfall prediction input (dynamic factors) with the ensemble and statistical downscaling (SD) methods. Predictors used consisted of CAPE, PW, U850, and V850, and SST as atmospheric parameters related to physical and dynamic rainfall. To build an early warning of landslide hazards, the landslide susceptibility index (IKL) was employed using annual rainfall, slope, and land use parameters. The results of IKL are then overlaid with predictions of rainfall with three percentile categories namely Rainfall <P33 (percentile 33%) as low rainfall, P33-P66 (moderate), and > P66 (high). The results of the ensemble model predictions show that rainfall patterns follow the pattern of the dry season and the beginning of the rainy season (predicted rainfall is in accordance with observations). The IKL value shows that the Districts of Banjarnegara and Wanadadi are the most prone to landslides (3,625) than Wanadadi (3,188) and somewhat vulnerable to Mandiraja (2,875). The rainfall prediction results are then overlaid with the IKL level producing an index as an early warning indicator. The results of the validation with observational data indicate that early warning landslides have quite a good accuracy (early warning information is generally in accordance with landslide events).

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2020 2020


Reset
Filter By Issues
All Issue Vol. 25 No. 2 (2024) Vol. 25 No. 1 (2024) Vol. 24 No. 2 (2023) Vol. 24 No. 1 (2023) Vol. 23 No. 3 (2022): Special Issue Vol. 23 No. 2 (2022) Vol. 23 No. 1 (2022) Vol. 22 No. 2 (2021) Vol. 22 No. 1 (2021) Vol. 21 No. 2 (2020) Vol. 21 No. 1 (2020) Vol. 20 No. 2 (2019) Vol. 20 No. 1 (2019) Vol. 19 No. 2 (2018) Vol. 19 No. 1 (2018) Vol. 18 No. 3 (2017) Vol. 18 No. 2 (2017) Vol. 18 No. 1 (2017) Vol. 17 No. 3 (2016) Vol. 17 No. 2 (2016) Vol. 17 No. 1 (2016) Vol. 16 No. 3 (2015) Vol. 16 No. 2 (2015) More Issue