PROSIDING SEMINAR SEHARI '' PEMAN ATAN SUMBBRDAYA IKLIM DALAM PENGEMBANGAN PERTANIAN YANG EFISIEN '' Mataram,' 30 Nopember f 995 PERHIMPUNAN METEOROLOGI PERTANIAN INDONESIA ( PBRHIMPI ) CABANG NUSA TENGGARA BARAT Bekerjasama dengan FAKULTAS PERTANIAN UNIVERSITAS MATARAM _qF 1995
13
Embed
Aplikasi Metode Kriging Pada Pendugaan Data Iklim/Cuaca
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
PROSIDING
SEMINAR SEHARI'' PEMAN ATAN SUMBBRDAYA IKLIM DALAM
PENGEMBANGAN PERTANIAN YANG EFISIEN ''
Mataram,' 30 Nopember f 995
PERHIMPUNAN METEOROLOGI PERTANIAN INDONESIA
( PBRHIMPI )
CABANG NUSA TENGGARA BARAT
Bekerjasama dengan
FAKULTAS PERTANIANUNIVERSITAS MATARAM
_qF
1995
APLIKASI METODE IOTIGING PADA PENDUGAANDATA II(LIM/CUACA'
Oleh
I Gde Ekaputra Gunartha2
AESTRAI(
Pendigaan dan fklim/cuaca di suatu titik lokasi sering dilakul<nn clenganpendelratan dari sejumlah inforntasi terbqtas yang ada pada beberapa titik lol<nsiterukur/teramati. Dalam kaitan ini besaran yang diduga diperoleh dari interpolasiterhadap data terukur dengan pembobotan (weiglrt coefficient) tertentu danmengabailan gatra fisiknya yang cendenrng memiliki variabilitas spasial (spatialvariability). Hal demikian sering tidak memberikan sua.tu petunjuk ketelitian yangdiperoleh dalam perhitungannya, yang sebenarnya sangat dibutuhl<an dalantanalisis data.
Tulisan ini mengurail<an suatu metode dan analisis kuantitatif dnta yangmemiliki variabilitas spatial, yang dikenal dengan sebutan'kriging". Metode inimenelrankan balnva interpolasi data dari titik-titik lokasi terukur/teramati ke titiklolrasi yang dicari sangat ditentulmn oleh: (a) jarak (distance) antara titik-titikterukur, (b) jarak antara titik-titik terukur dengan titik yang dicari, dan (c) ntodelsemivariogram peubahyang dimal<sud. Penyebaran titik-titik totasi terukur/teramatihendalmya telah diasumsil<an dengan baik sebelumnya sehingga mentpermudahpenetapdn model semivariogram yang dapat mewakili (representative) struktu.rpeubah yang ada. Model yang 'representative' ini hendalcrrya tidak doyong(unbiased) dan memiliki kuadrat tengah galat (nearr squared error) terkecil. Padaakhir tulisan ini diberilran teladan nutnerik dengan ntenggunakan data temperaturhipotetik.
PEI\DAHI]LUAN
Iklim/cuaca mempunyai peran yang sangat penting untuk berbagai aktivitas
kehidupan manusia. Di bidang pertanian misalnya, iklinr/cuaca merupakan penentu
yarg sangat nyata (significant determinanr) sebagai faktor instabilitas upaya-upaya
pengelolaan pioduksi bahan pangan. Sebagai faktor instabilitas, iklinr/cuaca diduga
' trrtakalah disampaikan pada Seminar Perhirnpunan Meteorologi Pertanian Indonesia (PERHIMPI)Cabang NTB di Universitas Mataram, 30 Nopernber 1995.
2 Staf Penga.lar Bionretrika Fakultas Pertanian dan Kepala Pusat Komputer Universitas Mataram.
2
mempunyai peran yang lebih besar dibandingkau dengan faltor biofisik lainnya
(Arsyad, 1988).
Kenyataan ini telah menuntut kepada kita untuk mempelajari lebih banyak
tingkah laku iklim/cuaca tersebut, trisalnya prakiraan cuaca. Plakilaan cuaca
mempulyai nilai ekonomis tinggi, karena dengan memperhitungkan keadaan cuaca
yang akan terjadi, semua kegiatan yang akan dilakukan manusia dapat direncanakau
sebaik mungkfur sehingga dapat memperkecil resiko. Dengan demikian tersedianya
data iklim/cuaca yarg andal merupakan kebutuhan pokok. Untuk budidaya tanaman
misalnya, ketersediaan data dau informasi curah hujan yang ardal dapat digrmakan
urtuk mempertimbangkan strategi pengg;unaan air (irigasi) di waktu yang akan
datang agar dapat dimanfaatkan secara maksimal dan efisien. hrfomrasi ini juga dapat
digrurakan untuk merencanakan saat tanam dan panen yang tepat dan juga dapat
digunakan untuk membantu memilih varietas tanaman yang sesuai. Ada beberapa hal
yang berperan pada pengoptimalan upaya-upaya mempelajari karakteristik
iklirn/cuaca tersebut, autara lain ketergantungan pada:
. pcngumpulan data iklim/cuaca dan informasi yang diinginkan,
; sistempengulrpulan data yang ada,
o tingkat dan ketersediaan teknologi,
. p enggrmaan maternatika/statistika seb agai alat p enyaji informasi.
Metode statistika yang masih banyak digunakan dalarn praktek sampai saat ini
adalalr analisis statistika klasik (classical statistics) sepefti analisis regresi.
Analisis ini akan sahih jika asumsi tentang independensi diantara titik-titik
pengamatan terpenuhi (Fisher, 1990; dan Gunartha, 1995). Namun dalam
kenyataannya sering dijumpai bahwa Lrrtara titik-titik pengamatan terdekat
(neighboring observations) terdapat korelasi yang kuat. Lri berarti terdapat suatu
kebergantnngan qpatial (spatially dependent). Jika hal ini terjadi maka penggunaarl
statistika klasik untuk analisis data tidak akan rlsrnfoerikan suatu hasil yang tidak bias,
bahkan galat (error) ymg dihasilkan akan sangat besar.
Penggunaan metode statistika pada pembangkitan data ikliil/cuaca
berkembang pesat sejak dipasarkannya rnikro-komputer personal Qterson.ol.
conrputer,
komputasi
dikurangi.
infonnasi
PC). Dengan ksrmputer ini maka kekhawatiran
yang intensif dalam menangani data iklim/cuaca
Penguasaau prosedur.prosedur statistika yang tepat
yang akulat, tepat waktu dan efisien adalah perlu
pada kernampuall
yan9 masif dapat
urtuk menyajikarr
dirniliki. Sebagai
adalah nilai-nilai
seorang penganalisis data iklim/cuaca maka ada dua pertanyaan yang senantiasa perlu
dipertimbangkan, yaitu:
a) Apakah data yang akan dianalisis rnernpunyai kebergantungan spatial?
b) Jika ya, maka analisis varians (analysis of variance) dan analisis regresi (re-
gression analysis) behrm mampu memberikan hasil analisis yailg tidak bias. Oleh
karenanya perlu dipertimbangkan metode analisis apa yang sebaiknya digrrnakan?
Pada tulisan ini diperkenalkan suatu metode statistika yang belum banyak
digunakan pada bidalrg meteorologi, namun pemecahan permasalahan sejenis yaitu
rurtuk data pengamatan yang mempruryai karakteristik keberganturgan spatial telah
banyak digunakan sejak dua dasawarsa terakhir dalam geofisika fuertambangan),hidrologi, teori statistika, pertanian (ihu tanah, agronomi), dan sebagainya.
DATA II(LIM/CUACA
Yang diruakzud dengan data iklim./cuaca pada tulisan
suatu peubah iklim/cuaca yang mungkin diperoleh melalui pengamatan, baiklangsurg mauprm tidak tangsung. pawitan (lggs) menyebutkan bahwa peubah
iklid/cuaca adalah sembarang sifat atau ukuran yang dapat digunakan dalam
menerangkan iklim dan tahana iklim. Beberapa contoh peubah iklim adalah: tekanan
udara permukaan, suhu udara maksimum, suhu udara minimum, suhu udara r1taan,radiasi surya, kelembaban nisbi udara, curah hujan harian dan sebagainya. Dataiklim biasanya diamati pada kisaran waktu yang cukup panjang. Data ini merupakan
catata[ yang merekam infonnasi iklirn/cuaca sesuai deugan sistem atmosfer da1
geografi atau lokasi sebagai sistem pembangkit proses-proses iklim.
Data iklim yang terhimpun pada stasiu.n pengamat-stasirur pengamat adalah
ru$am' baik menurut waktu dan ruang/medan. Peubah iklim di suatu titik tertentu
4
di muka bumi akan dijunrpai ragam menurut waktu. Demikian pula pada suatu waktu
tertentu akan dijumpairagem iklirn dari satu tempat ks fsmpat yang lain.
APAKAH METODE KRIGING ITU?
Teori ini dikembangkan perlarna kalinya dari pengalzmill smpirik D. G. Krige
(1951) yang memberikan pendugaan sargat baik terhadap nilai paralneter-parameter
tak diketahui (unhtown parameters) pada beberapa lokasi di daerah pertambangan
cebakan bijih besi (ore deposit). Oleh karena peubah acak terdistribusi atas
ruang/medan (space) maka Georges Matheron (L962 - 1963, 1965) selanjutnya
mengembangkannya menjadi teori peubah regional (theory of regionalized
variables) yang kemudian anrat populer dengan nama geostatistika (geostatistics)
dan kriging merupakan kajian utamanya.
Ada tiga keunggulan rnetode kriging pada pemecahan titik-titik pengamatan
yang mempmyai kebergaatnngan spatial, yaitu:
a) memberikan hasil estimasi interpolasi yang baik,
b) merupakan prosedur pendugaan yang tidak bias (unbiased estimation proce-du.re),
dan
c) dapat menyajikan pendugaan varian nilai interpolasi. Nilai ini adalah terkecil
(minimum) diantara prosedur estimasi tak bias yang ada.
, Andaikan peubah yang diregronalkan f(x) mengambil semua titik pengamatan
yang mempruryai kordinat xo, Xv: dan x,n di dalam ruang tiga dimensi, diman4 au
merupakan posisi titik pada dimensi perlama, x, merupakan posisi titik di dimensi
kedua dan x* di dimensi ketiga, Sebagai ilustrasi kita ambil pengukuran terhadap
suhu udara. Lokasi titik pengamatan dapat digambarkan sebagai x, menyatakal
lokasi grid arah utara-selatan; x, menyatakan aruh grid timur-barat clan xw
menyatakan ketinggian tempat pengularran suhu udara. Maka dalarn hal ini sebarau
suhu udara dipertimbangkan sebagai peubah regional tiga dimensi. Jika satu dari
ketiga koordinat tersebut adalah konstan untuk semua titik pengarnatan maka peubah
terukur tersebut. disebut peubah regional dua dimensi. Dernikian pula jika dua
koordirrat dari ketiga lssldinat tersebut adalah konstan uttuk semua titik
pengamatan maka peubah regional.itu disebut peubah satu dimeusi, sehingga titik
(*o, Xv: x) akan dinotasikan dengan x;, dimana i akan merentang dari 1 sampai n
("mlah titik-titik pengamatan yang dianrbil).
Peubah regional tersebut umunuya sangat tidak beraturan (irregular)
sehingga mempunyai dua karakteristik yaitu acak lokal (local random) dan
karakteristik yang berstrutktur umuln (general structured characteristic). Untuk
menjelaskan kedua karakteristik tersebut ruaka digunakan fiurgsi acak (Z(x)) Jika
Z(x) merupakan peubah acak yang didefinisikan pada setiap titik pengalrtatan, rnaka:
Z(x) : {Z(*r), untuk semua x1e A} (1)
dimarra :
i. A merupakan lokasi yang ditetapkan sebagai daerah pengamatan/kajian,
ii. Z(x;) berkorelasi satu dengar laimya (spatially dependent), dan
iii. korelasi diantara Z(x;) bergantung pada h (arak modulus atau absolut dan arah)
yang membatasi antara xl deugan (x; + h).
Peubah acak tersebut bersifat stasioner ordo kedua (second-order
stationary), untuk itu maka diajukan beberapa asumsi :
i. EIZ(x)): p, untuk semua x, artinya nilai harapan Z(x) mempunyai nilai tertentu
(finite) dan sama dengan rataan yang dinotasikan dengan p.
ii. Kovarians, Cov(h) =f',lZ(x+ h), Z(x)] - p', dimana h merupakan (ho, h", h*).
iii. c(0) = Y[z(x)1, dimana vlz(x)l merupakan varians Z(x) dan C(0) mempunyai
nilai tertentu (/inite), yaitu nilai kovarians pada jarak 0.
Algoritma metode kriging meliputi :
I. Identifkasi f,rngsi matematis semivariogram-
II. Estimasi parameter pada lokasi yang tak-tercuplik.
1. Identifikasi Fungsi Matematis Semivariogram
Untuk memudahkan interpretasi terhadap keragaman spatial (spatial
variability) sering digunakan semivariogram. Semivariogram merupakan setengah
dari fungsi variogram yang didefinisikan sebagai varians penambahan [Z(x + h) -
Z(x)l dan diekspresikan sebagai:
2y(x+h, x): V[Z(x + h) - Z(*)).
Oleh karena proses yang ada bersifat
dinyatakan sebagai:
zy(h) : E{lz(x+ h) - z(*)l'}
2y(h) : vlz(x+h)- Z(x)).
(2)
stasioner ordo kedua maka firngsi variogram
(3)
Jika lr = 0 untuk semua dimensi, y(0) merupakan keragaman peubah acakZ(x) untuk
nilai peubah titik cuplikan yang sama. Grafik tipikal semivariogram dapat dilihat pada
Gambar 1. Pada Gambar I tampat bahwa jarak dimana titik-titik cuplikan tidak
berkorelasi lagi satu dengan lainnya dinyatakan dengan r dan disebut sebagai rdnge.
Plda jarak r ini firngsi semivariogram akan mendatar (levelling offl di titik sill yang
diuyatakan oleh C(0) yaitu nilai kovarians pada jarak 0.
TG)
c(
r (range)
1. Tipikal semivariogramGambar
Jarak (h)
Ada beberapa model umum semivariogram yaitu (Clark, 1979; Gambolati
and Volpi, 1979; Burgess and Webster, 1980; Ripley, 1981; Marx and
Thompson, 1987):
Modd sperikal (spheric I mode[):
y(h): c(r)(* lJuntukh(1
)1.
(4)
r(h) : C(0) untuk h
Model eksponens ial (up on ential model) z
r(h):"(o)it-.t9)I
Model Gaussian:
I rqt]y(h) : c(o)lr- .t "' j.
Beberapa model tmpa sill :
Model linier :
y(h) : p[ dimana p adalah slope.
Model linier umum (generalized linear model)z
y(h) = ph", dimnna0<cr<2.
Model logaritmik atau Wijsian:
y(h) : p log(h).
(5)
(6)
(8)
(7\
(e)
3.2. Estimasi Parameter pada Lokasi Tak-tercuplik
Setelah melakukan identifikasi terhadap bentuk fungsi semivariogram maka
langkah berikutnya adalah mengestimasi nilai pgubah tak bebas pada lokasi x.
Dengan asumsi firngsi semivariogramnya diketahui yaitu merupakan hubungan linisl,
Z'(x), maka:
z'(x1 : Z4z1*)j=t
dimana Z(x;) adalatr nilai dari n pengamatan dan \ merupakan koefisien pembobot
(weight coefficient). Z'(*) merupakan pengestimasi tak-bias varians yang terkecil
(minimum). Oleh karena E{Z(x)} = p dan 24 : 1, maka
(10)
( 11)E{Z"(x) - Z(x)} :0dan
VIZ-(x) - Z(x)) : E {2. (x) -
.2(*\}'= v[Z(x)] - z covlZ. (x), z(x))+ v[Z.(x)]
: v[Z(x)] - 2 z1 oj* = EZ+ 4 o,,,JIJ
(r2)
rlimana ot = Cov[Z(x), Z(t)]. Untuk memperoleh nilai estimasi ini maka kita
terlebih dahulu harus menyelesaikan persamaan kriging untuk mencari nilai
pembobot. Persamaan krigng dapat dinyatakan dalam bentuk matriks :
[",] rl[zl : lool,,r, ;]Lrl
: Lf.], (13)
dimana [o'g] adalahmatriksnxukovariansZ(x), _ adalahvektornx lnilai 1, 7
adalah vektor n x 1 nilai pembobot, ry merupakan pengganda (multiplter)Lagrange
dan .;* menrpakan vektor n x I kovarians antara Z(x) dan 7,(x). Dan estimasi
varians diperoleh dari :
^'=o"-
^' : (ou
. Ztlt atalo
(14)
APLIKASI I\TUMERIK
Data hipotetik suhu udara (Gambar 2) yane diukur pada lima titik cuplikan
diasumsikan mempunyai hubungan firngsional semivariogram linier, dan dinyata-kar
dengan
y(h) : h. (15)
Gambar 2. Lokasi lima titik cuplikan suhu udara yang temkur
Pada kelima titik cuplikan tersebut terukur suhu udara sebagai berikut: x1: 25.9" C,
xz:26o C, Xs:25.6o C, &:25-5o C dan xs:25.7" C. Kitainginmencaribesarnya
suhu udara yang ada di posisi )ft (3,3) dengan menggunakan lima nilai suhu udara
yang diketahui tersebut. Estimasi suhu udara di titik *u (21*u1) dapat diekspresikan
sebagai:
x1 (4,6)
2(*u) I,44*).i= I
(16)
Darin: 5 maka.ur*, [ot,] i]r*, diandaikan: Q maka
0: (17)
Karena semivariogram adalah sama dengan h (lihat persamaan 15) maka matriks $
adalah matriks sederhana jarak antara satu titik dengan setiap titik laimrya, sehingga
Dengan menggunakan persamaan (la) maka didapatkan standard err.or (s.e) dugaan
sebesar 1.4786.
PENUTUP
Dari bahasan di atas dapat dinyatakan bahwa:
Metode krigins merupakan salah satu pendekatan metode statistik yang sangat
potensial *utuk dig,naka, dalam bidang meteorologi pertanian dalam
pembangkitan data iklim/cuaca ctengan pencirian sifat deterministik wilayah,
walau penyesuaian menurut sifat peubah perlu dilakukan.
Metode krigins sangat tepat digunakan pada bangkitan data iklim/cuaca yargtergolong peubah regional (regronalized variables) dengan pencapaian nilaitunggaVskalar.
Penggunaan metode kriging dapat cligunakan sebagai bahan pertimbangan dalam
penghematan biaya operasional pengumpulan data iklim/cuaca, yaitu dengan
mengandalkan data pengamatan terbatas nalnun mampu memberikan kesirnpulalterukur dalam bentuk selang dan pendugaan tak-bias.
t2
DATTAR PUSTAKA
Arsyad, S. 1988. Pemanfaatan Iklim dalam Mendukung Pengembargar Pertanian.
Dalam: Meningl<atlcan Prakiraan dan Pemanfaatan IHim untuk Mendukung
Pengembangan Pertanian Tahun 2000 (Ed. M.B. de Rozari, J.S.
Baharsyah, Darwis, S. N., Sujadi, P. Wahid dan D. Murdiyarso), pp: 48-
56. Perhimpi, Bogor.
Burgess, T. M. and R Webster. 1980. Optrmal interpolation and isaritlmicmapping of soil properties. I. The semivariogram and purctual krigog. J.
Soil Scl. 31:315 - 331.
Clark, I. 1979. Practical Geostatistics. Applied Science Publishers. Essex,
England.
Fisher, R. A. 1990. Statistical Methods, Experimental Design and Scientific' Inference (ed. J. H. Bemrett). Oxford University Press, Oford'
Gunartha, I G. E. 1995. Agriculture-Worlcshop on Statistics using MINITAB,IAEUP-Udversity of Mataram, Mataram. Report No: 05.039.95.
Krige, D. G. 1951. A Statistical Approach to Some Mine Valuations and AlliedProblems at the Witwatersrand, Transvaal, South Africa. (Thesis
Unpublished). University of Witwatersrand.
Mary D. B. and Thompson, K. C. \987, Practical Aspects of AgriculntralKriging. Arkansas Agric. Exp. Sta. Report. Arkansas.
Matheron, G. L962-L963, Traite de geostatistique appliquee. Vol 1 al.& 2.
Teehnip, Paris.
Matlreron, G. L965. Lesvariablesregionaliseesetleurestimation, Masson, Paris.
Pawitan, H. 1988. Metode-metode Komputer Intensif dalam Membangkitkan DataIklim. I)alam: Meningl<ntl<an Prakiraan dan Pemanfaatan IHim untuk
Mendukung Pengembangan Pertanian Tahun 2000 (Ed. M.B. de Rozari,J.S. Baharsyah, Darwis, S. N., Sujadi, P. Wahid dan D. Murdiyarso), pp,
308-3 13. Perhimpi, Bogor.
Ripley, B. C. 1981. Spatial Statistics. Jolur Wiley and Sons. New York.