Multivariate Adaptive Regression Spline untuk Prakiraan Cuaca Jangka Pendek dengan Pra-Pemrosesan Independent Component Analysis

Informasi tentang prakiraan cuaca yang cepat dan tepat menjadi suatu hal yang penting. Informasi cuaca menjadi bagian yang tidak dapat dipisahkan dari aktifitas manusia dan mempengaruhi berbagai bidang kehidupan. Prakiraaan cuaca selama ini dengan acuan data sebelumnya dan melihat prospek yang akan datang dengan memanfaatkan data komponen cuaca Numerical Weather Prediction (NWP). Namun NWP menghasilkan ramalan yang bias terutama untuk lokasi dengan topografi berbukit dan vegetasi yang kompleks. Oleh karena itu, perlu dilakukan pra-pemrosesan secara statistik (statistical post processing) untuk mengoptimalkan pemanfaatan output NWP dengan menggunakan Model Output Statistics (MOS). Data yang digunakan meliputi observasi cuaca permukaan dan data model NWP di Stasiun Soekarno Hatta dan Juanda. Data permukaan selanjutnya digunakan sebagai variabel respon yaitu maksimum, suhu minimum, dan kelembapan rata-rata harian serta data NWP model WRF-EMS sebagai variabel prediktor. Tahap awal dilakukan reduksi dimensi pengukuran untuk masing-masing variabel NWP dengan Independent Component Analysis (ICA) dan metode regresi yang digunakan adalah Multivariate Adaptive Regression Spline (MARS). Hasil reduksi di stasiun pengamatan masing-masing menjadi 20 dan 21 komponen. Kemudian hasil reduksi tersebut digunakan untuk pemodelan MARS. Hasil validasi model MARS dengan kriteria RMSEP menunjukkan bahwa variabel Tmaks di stasiun Soekarno Hatta dan Juanda berkriteria buru. Kriteria RMSEP variabel Tmin di Stasiun Soekarno Hatta dan Juanda berkriteria sedang. Pemodelan MARS untuk variabel respon RH pada stasiun Soekarno Hatta berkriteria baik dan Juanda memiliki kriteria buruk. Nilai Percentage Improval (%IM) untuk prediksi Tmaks berkisar antara 23,66%-86,10% yang artinya model MARS dapat mengkoreksi bias NWP sebesar 23,66% sampai 86,10%. ===================================================================================== Information about responsive and right weather prediction is an important issue. Weather information can be dependent from human activity and influence more life aspects. Weather prediction currently refers to the previous data and considering the future prospect utilizing Numerical Weather Prediction (NWP) of data components. However, NWP results biased forecasts especially for the locations with hills topography and complex vegetation. Thus, pre-processing statistically is needed (statistical post processing) in order to optimize the NWP output utilization through the use of Model Output Statistics (MOS). The data that will be used covers surface weather observation and model data NWP in Soekarno Hatta and Juanda Station. Then, the surface data is used as the respond variable that is maximum, minimum temperature, and daily average humidity and NWP data WRF-EMS model as prediction variable. The first step is reduction dimension measurements for each NWP Variable by using Independet Component Analysis (ICA) and regression method used is Multivariate Adaptive Regression Spline (MARS). The reduction result in observation stations , each of them become 20 and 21 components. The reduction result then is used for MARS modeling. The result of MARS model validation with RMSEP criteria shows that the Tmax variable in Soekarno Hatta and Juanda Stations has bad criteria. The criteria of RMSEP variable Tmin in Soekarno Hatta And Juanda Stations are medium criteria. MARS for RH respond variable of Soekarno Hatta Station has good criteria while Juanda Station has bad criteria. The percentage of improvement score (%IM) is to predict Tmaks ranged from 23,66% - 86,10% that means MARS model is able to correct the biased NWP from 23,66% to 86,10%