Workshop Pengembangan Model Output Statistik di Surabaya

Kamis, 27 Oktober 2022, PDPM ITS mengadakan mini workshop pemaparan dan diskusi hasil pengembangan Model Output Statistik di Surabaya. Workshop ini dihadiri oleh 9 orang yang berasal dari BMKG Jakarta dan mahasiswa statistika ITS. Sementara perwakilan PDPM ITS adalah Dr. Sutikno, M.Si selaku kepala PDPM ITS. Turut hadir pula, Mukti Ratna Dewi, M.Sc sebagai tenaga ahli PDPM ITS.

Kegiatan ini membahas tentang projek kerjasama antara ITS dan BMKG “numerical weather prediction (NWP)” menggunakan model numerik WRF dan post process downscaling per titik untuk memprediksi cuaca. Ada berbagai macam model untuk memprediksi cuaca yang digunakan mulai dari regresi linear biasa hingga artificial intelligent, namun metode tersebut masih menghasilkan prediksi yang kurang tepat sehingga dilakukan pemodelan NWP dengan post process downscaling per titik.

Vestiana Aza, S.Kom, MT yang berasal dari BMKG memaparkan terkait Penggunaan Metode Prakiraan Cuaca dengan Metode Neural Network. Informasi prakiraan cuaca di Indonesia menuntut adanya prakiraan cuaca yang cepat tepat dan dapat menjangkau wilayah yang luas dan detail hingga tingkat kabupaten sehingga perlu dikembangkan suatu metode yang dapat menghasilkan kesimpulan dengan tepat. Selama ini metode yang digunakan di BMKG adalah neural network with keras. Perlu adanya parameter cuaca yang lain untuk membangun model, perlu adanya metode machine learning atau deep learning yang lain, pembuatan website untuk monitoring kinerja model, dan sosialisasi ke stasiun.

(Peserta Workshop Sedang Menyimak Pemaparan Workshop)

Muhamad Rifki Taufik, S.Si, M.Sc yang mempresentasikan terkait Post Processing Data Model INA-NWP menyampaikan bahwa Alur dalam memprediksi atau memprakirakan cuaca BMKG adalah dengan melakukan observasi melalui automatic weather station. Selanjutnya adalah membentuk model dinamik dengan INA-NWP, dan yang terakhir adalah forecasting. Saat melakukan forecasting dilakukan post processing, correction bias, dan digunakan Model Output Statistics (MOS). Post processing untuk membangun model difokuskan terhadap quality control, improve accuracy, dan transformasi (agar model yang terbentuk bisa diaplikasikan pada semua area). Mengapa harus digunakan MOS, hal tersebut dikarenakan model NWP yang ada sekarang masih mengandung bias untuk memprediksi cuaca. Penggunaan machine learning dalam pengolahan data untuk menghasilkan rules model prediksi perlu ditambah juga dengan pengetahuan terkait arah mata angin, dan pengetahuan lain yang menjadi faktor pembentuk cuaca.

Dr. Sutikno, M.Si menjelaskan bahwa INA-NWP memiliki banyak parameter dan berdimensi besar, permasalahannya ada pada parameter mana yang digunakan sebagai pembentuk model prakiraan cuaca. Selain itu, masalah yang dihadapi sekarang adalah sulitnya mendapatkan metode yang bisa digunakan untuk sapu jagad (bisa digunakan di lokasi manapun). INA-NWP juga masih perlu post processing dan model yang digunakan dalam post processing adalah MOS. Model MOS juga masih perlu dikaji dengan berbagai metode statistik untuk mendapatkan kinerja yang terbaik dimana model juga berlaku di berbagai lokasi. Adapun model EMOS dapat digunakan dalam memprediksi temperature dan kelembapan dengan memperhatikan unsur wilayah yang sempit. EMOS mampu memprediksi temperature dan kelembapan lebih baik jika dibandingkan dengan prediksi NWP. Untuk evaluasi model prakiraan cuaca lebih baik digunakan RMSE karena RMSE dapat melihat kebaikan performa prediksi yang ditinjau dari besar varian dan bias. Kegiatan mini workshop ini sesuai dengan SDG’s yaitu tujuan nomer (13) penanganan perubahan iklim dan tujuan nomer (17) kemitraan dalam mencapai tujuan. (era)