VERIFIKASI PREDIKSI ENSO MUSIMAN MENGGUNAKAN …

Skripsi Geofisika

VERIFIKASI PREDIKSI ENSO MUSIMAN MENGGUNAKAN

FORMULA WILLMOTT

OLEH

NURUL AJRIAH KADIR

H221 13 003

PROGRAM STUDI GEOFISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS HASANUDDIN

MAKASSAR

2017

i

VERIFIKASI PREDIKSI ENSO MUSIMAN MENGGUNAKAN

FORMULA WILLMOTT

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Sains

Pada Program Studi Geofisika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Hasanuddin

Oleh

Nama : Nurul Ajriah Kadir

Stambuk : H221 13 003

Prog. Studi : Geofisika

PROGRAM STUDI GEOFISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS HASANUDDIN

MAKASSAR

2017

ii

LEMBAR PENGESAHAN

Verifikasi Prediksi ENSO Musiman Menggunakan Formula Willmott

Makassar, November 2017

Disetujui Oleh :

Pembimbing Utama Pembimbing Pertama

(Prof. Dr. H. Halmar Halide, M.Sc) (Nur Hasanah, S.Si, M.Si)

NIP. 19630315 198710 1 001 NIP. 19831122200912 2 001

Pembimbing Kedua

(Saaduddin, S.Si, M.Si)

iii

PERNYATAAN KEASLIAN

Dengan ini saya menyatakaan bahwa skripsi ini merupakan karya original

saya dan sepanjang pengetahuan saya tidak memuat bahan yang pernah dipublikasi

atau ditulis oleh orang lain dalam rangka tugas akhir untuk sesuatu gelar akademik

di Univeritas Hasanuddin atau di lembaga pendidikan lainya dimanapun, kecuali

bagian yang telah dikutip sesuai kaidah yang berlaku. Saya juga menyatakan bahwa

skripsi ini merupakan hasil karya saya sendiri dan dalam batas tertentu dibantu oleh

pihak pembimbing.

Penulis,

Nurul Ajriah Kadir

iv

“Menuntut ilmu adalah taqwa.

Menyampaikan ilmu adalah ibadah.

Mengulang-ulangi ilmu adalah dzikir.

Mencari limu adalah jihad”.

“Imam Al Ghazali”.

v

SARI BACAAN

El Nino Southern Ocillation berkaitan dengan anomali iklim tahunan yang

menyebabkan banjir dan kekeringan. Penelitian ini bertujuan untuk

membandingkan akurasi prediksi ENSO model statistik dan dinamik dengan

menggunakan metode formula Willmott, Pearson correlation, Root Mean Square

Error (RMSE), dan Euclidean distance. Verifikasi prediksi model statistik dan

model dinamik menggunakan data observasi Nino 3.4 dan data prediksi ENSO dari

situs International Research Institute (IRI) terdiri dari model NCEP, KNU,

MARKOV, CLIPER, CA, CCA, NN, AVEDYN, dan AVESTAT. Dari keempat

metode yang digunakan untuk formula Willmott model terbaik yang diperoleh

adalah model AVESTAT, Pearson correlation adalah model NCEP, Root Mean

Square Error adalah model MARKOV dan Euclidean distance adalah model

MARKOV.

Kata kunci: ENSO, Formula Willmott, Verifikasi, Statistik, Dinamik.

vi

ABSTRACT

El Nino Southern Ocillation related to annual climate anomalies causing flood

and drought. This study aims to compare the accuracy of the ENSO statistical and

dynamical prediction models using Willmott Formula, Pearson correlation, Root

Mean Square Error (RMSE), and Euclidean distance. The verification of statistical

and dynamical prediction models processes observational data of the Nino3.4 and

prediction data of ENSO from the International Research Institute (IRI) consisting

of NCEP, KNU, MARKOV, CLIPER, CA, CCA, NN, AVEDYN, and AVESTAT

model. From the four methods used the best model for Willmott formula is

AVESTAT model, Pearson correlation is NCEP model, Root Mean Square Error is

MARKOV model, and the Euclidean distance and is MARKOV model.

Key words: ENSO, Formula Willmott, Verification, Statistical, Dynamical.

vii

KATA PENGANTAR

Assalamu ‘Alaikum Warahmatullahi Wabarakatuh

Alhamdulillahi Rabbil ‘alamin, puji dan syukur kepada Allah SWT, rabb semesta

alam, Yang maha pengasih maha penyayang atas segala limpahan rahmat dan

karunianya, yang memberi kesehatan dan kesempatan sehingga penelltian tugas

akhir ini dapat berjalan dengan baik. Shalawat dan salam semoga tetap tercurah

kepada Rasulullah Muhammad Shallallahu ‘Alaihi wa Sallam sebagai panutan

terbaik dalam mengarungi aktivitas hidup dan kehidupan di dunia ini. Semoga kita

menjadi orang-orang yang selalu mengamalkan sunnah-sunnah beliau dalam

kehidupan sehari-hari.

Alhamdulillah, ucapan doa dan syukur sehingga penelitian yang berjudul

“Verifikasi Prediksi ENSO Musiman Menggunakan Formula Willmott” dapat

terselesaikan dengan baik dan lancar, sebuah karya akademis sebagai wujud

tanggung jawab selama menuntut ilmu di Universitas Hasanuddin. Tentunya,

semua melalui rangkaian proses yang cukup panjang dan penuh liku namun terdapat

hikmah dan pelajaran dalam proses ini.

Selesainya proses penggarapan tugas akhir ini pun didukung oleh berbagai pihak

yang memberikan semangat, ide, dukungan moril, dan doa tentunya. Untuk itu

penulis ingin mmenyampaikan ucapan terima kasih, terkhusus untuk orang tua

tercinta penulis Aba Kadir Yusuf. A.Ma. dan Emma Sadiah Burhan yang selama

ini menjadi pemacu semangat juang penulis dalam menyelesaikan tugas akhir ini,

viii

terima kasih untuk selalu ada dan selalu memunajatkan DOA untuk kelancaran

segala urusan penulis. Terima kasih juga penulis ucapkan untuk Saudara-saudara

penulis, Kakak Aminah Kadir Amd,Keb & Hud Harun S.T, Kakak Latifah

Kadir S.Sos & Sulaiman, Adik tercinta Hasanuddin Loly serta sepupu

“kesayangan” Gina Yustika Rijar, Irma Jafar, dan Kakak Amanah terima

kasih untuk selalu memotivasi, memberi nasehat, dan mendukung penulis.

Tidak lupa pula penulis sampaikan Terima Kasih kepada :

1. Bapak Prof. Dr. H. Halmar Halide, M.Sc, Ibu Nurhasanah, S.Si, M.Si

dan Bapak Saaduddin, S.Si, M.Si selaku pembimbing utama, pembimbing

pertama dan pembimbing kedua yang dengan tulus dan sabar memberikan

bimbingan, serta menuntun penulis hingga selesainya skripsi ini.

2. Bapak Dr. H. Samsu Arif, M.Sc Bapak Dr. Eng. Amiruddin, S.Si, M.Si.

Dan Bapak Dr. Sakka, M.Si selaku Tim penguji skripsi geofisika yang

telah memberi masukan serta saran kepada penulis.

3. Bapak Dr. Eng. Amiruddin, S.Si, M.Si selaku Dekan Fakultas Matematika

dan Ilmu Pengetahuan Alam, Universitas Hasanuddin.

4. Bapak Dr. Muh. Altin Massinai, MT.Surv selaku Ketua Program Studi

Geofisika FMIPA UNHAS.

5. Ibu Nur Hasanah, S.Si, M.Si selaku Penasehat Akademik yang banyak

memberikan nasehat kepada penulis.

ix

6. Dosen-dosen pengajar yang telah membagikan ilmunya serta memberi

bimbingan selama perkuliahan.

7. Teman seperjuangan KP Dewi Rahmawati L.N dan Nur Wahidah

terima kasih telah berjuang sama-sama dan jalan kali bersama.

8. Teman ‘pertama dan kedua’ saat menjadi mahasiswi Geofisika, Ewi

dan odah yang telah banyak memberikan semangat, jadi tempat berkeluh

kesah, dan tempat belajar bahasa bugis meskipun sering dibohongi

artinya, terima kasih selalu ada di sisi penulis dari Maba hingga sekarang.

9. Teman ‘terkasih’ yang penulis kenal setelah Ewi dan Odah, Eunike

Else Toban, Nurul Alfiah Arna, Oktavia Sriastuti Bamba, dan Nur

Arfah Sarifuddin, terima kasih selalu ada di sisi penulis dari Maba

hingga sekarang.

10. Teman se-Pondokan ‘Arminah’s Girls’ Waode Siti Nur

Rahmadaningsih, Akramunnisa, Jamriani, Nurwahidah, Ikawati

Basri, Nur Asyirianti Bagenda. Terima kasih untuk kebersamaannya di

pondokan maupun di Kampus.

11. Teman-teman seangkatan Fisika dan Geofisika “ANGKER 2013” atas

kebersamaannya dari Maba hingga sekarang. Maaf tak dapat disebutkan

satu-satu, terima kasih untuk menjadi 88 orang saudara tak sedarah.

12. Teman-teman Se-MIPA 2013.

13. Teman-teman Seperjuangan di Geofisika 2013 , Ewi, Odah, Uyung,

Opi, Nike, Arfah, Ika, Ningsih, Ida, Akra, Yanti, Tiara, Ami, Minu,

Nunu, Rista, Hilda, Pia (Semoga segera pulih ) , Hena, Jenifer,

Zuhaa, Dera, Pur, dan Fitrah, Olid, Maher, Baso, Eko, Asnur,

x

Bahrul, Anca,Wahyudin, Ali, Reskur, Iqbal, Dhika, Mus, Mugni,

Ichal, Jayadi, Iqlal, Ullah, Takdir, Zul, Kanda, Fitrawan, Sudar,

Roby.

14. Teman – teman Tarbiyah, Ewi, Ningsih, Tina, Ros, dan Nia, serta

Murabbi penulis kak Izzah terima kasih untuk selalu menjadi pendengar

setia dan selalu menjadi teman berbagi penulis diberbagai kondisi.

15. Teman- teman KKN Gel.93 Kab. Wajo, Kec. Tanasitollo Terkhusus

untuk Posko Desa Palippu : Ulfah, Susan, Yusti, Kak Fitra, Syawal

dan Hamma.

16. Teman “MAN” Laily, Amel & Eka terima kasih dukunganya hingga

saat ini.

17. Teman “MTS” Nia, Isna, Herla, Lisa terima kasih dukunganya hingga

saat ini.

18. Teman “MI” Ayu, Laila, Fia, Kak Ipul, Ramli, Rahim, Sukril, Yanto

terima kasih dukunganya hingga saat ini.

19. Sepupu “El-Werang” Sukma, Tia, Sukira, Fuji, Kk Ummi, Novi, Adi,

Musa, Madil, Furqon, Alwi, maaf tidak bisa saya sebut satu persatu

terima kasih untuk kekompakanya.

20. Teman “Matlab” Irfan terima kasih atas ilmunya.

Serta kepada seluruh pihak yang tidak dapat penulis sebutkan satu persatu

terima kasih untuk semuanya.

Makassar, November 2017

Penulis

xi

DAFTAR ISI

HALAMAN JUDUL .............................................................................................. i

HALAMAN PENGESAHAN ............................................................................... ii

PERNYATAAN KEASLIAN .............................................................................. iii

SARI BACAAN ..................................................................................................... v

ABSTRACT .......................................................................................................... vi

KATA PENGANTAR ......................................................................................... vi

DAFTAR ISI ......................................................................................................... x

DAFTAR GAMBAR ......................................................................................... xiii

DAFTAR TABEL ............................................................................................. xvii

DAFTAR LAMPIRAN .................................................................................... xviii

BAB I PENDAHULUAN

I.1 Latar Belakang ................................................................................................. 1

I.2 Ruang Lingkup ................................................................................................ 2

I.3 Tujuan .............................................................................................................. 2

BAB II TINJAUAN PUSTAKA

II.1 El Nino Southern Ocillation (ENSO) ............................................................. 3

II.2 Dampak ENSO .............................................................................................. 8

II.3 Model Statistik ............................................................................................... 9

xii

II.4 Model Dinamik ............................................................................................... 12

II.5 Verifikasi Model ............................................................................................. 14

II.6 Formula Willmott ........................................................................................... 14

II.7 Korelasi Pearson ............................................................................................. 15

II.8 Root Mean Square Error ................................................................................. 16

II.9 Jarak Euklidean .............................................................................................. 16

BAB III METODOLOGI PENELITIAN

III.1 Data Penelitian .............................................................................................. 18

III.2 Korelasi dan Penyesuaian Data ..................................................................... 18

III.3 Alat Penelitian ............................................................................................... 19

III.4 Verifikasi Prediksi ......................................................................................... 19

III.5 Analisis Verifikasi Musiman Model Statistik dan Model Dinamik Musiman

ENSO .................................................................................................................... 20

III.3 Diagram Alir Penelitian ................................................................................ 21

BAB IV HASIL DAN PEMBAHASAN

IV.1 Formula Willmott ......................................................................................... 22

IV.2 Korelasi Pearson ........................................................................................... 25

IV.3 Root Mean Square Error ............................................................................... 28

xiii

IV.4 Jarak Euklidean ............................................................................................. 30

BAB V PENUTUP

V.1 Kesimpulan .................................................................................................... 33

V.2 Saran ............................................................................................................... 33

DAFTAR PUSTAKA

LAMPIRAN

xiv

DAFTAR GAMBAR

Gambar II.1. Kondisi Normal ............................................................................. 4

Gambar II.2. Kondisi El-Nino ............................................................................. 5

Gambar II.3. Kondisi El-Nina ............................................................................. 6

Gambar II.4. Daerah Monitoring El-Nino .......................................................... 7

Gambar II.5. Daerah Monitoring Southern Ocillation ........................................ 8

Gambar II.6. Jarak Euklidean ............................................................................. 17

Gambar II1.1. Diagram Alir Penelitian ............................................................... 21

Gambar IV.1. Perbandingan Verifikasi Prediksi Model Statistik dan Model

Dinamik dengan Formula Willmott ...................................................................... 24


Dinamik dengan Korelasi Pearson ........................................................................ 27


Dinamik dengan RMSE ........................................................................................ 29


Dinamik dengan Jarak Euklidean.......................................................................... 32

xv

DAFTAR TABEL

Tabel I1.1. Metode dan Prediktor Model Statistik ............................................... 10

Tabel I1.2. Institusi dan Model ........................................................................... 12

Tabel II.3. Interpretasi Nilai r ............................................................................... 16

Tabel IV.1. Perbandingan Verifikasi Prediksi Model Statistik dan Model Dinamik

dengan Formula Willmott ..................................................................................... 23


dengan Korelasi Pearson ....................................................................................... 26


dengan RMSE ....................................................................................................... 28


dengan Jarak Euklidean......................................................................................... 31

xvi

DAFTAR LAMPIRAN

Lampiran 1 Data Model NCEP

Lampiran 2 Data Model KNU

Lampiran 3 Data Model MARKOV

Lampiran 4 Data Model CLIPER

Lampiran 5 Data Model Constructed Analogue (CA)

Lampiran 6 Data Model Canonical Correlation Analysis (CCA)

Lampiran 7 Data Model Neural Network (NN)

Lampiran 8 Data Model AVEDYN

Lampiran 9 Data Model AVESTAT

1

BAB 1

PENDAHULUAN

I.1 Latar Belakang

El Nino Southern Ocillation (ENSO) merupakan gejala penyimpangan pada suhu

permukaan Samudera Pasifik di pantai barat Ekuador dan Peru yang lebih tinggi

dari pada rata-rata normalnya (Trenberth, 1997). Dalam hal ini menyebabkan banjir

dan kekeringan yang berkepanjangan (Cane, 2005). Sehingga kemampuan

memprediksi model ENSO kedepan sangat penting (Halide, 2016). Umumnya

memprediksi ENSO menggunakan dua model yaitu model statistik dan model

dinamik. Model statistik Constructed Analog (CA) dinyatakan lebih baik dari

model yang lain (Dasir, 2016). Model dinamik AVEDYN model lebih baik dari

model yang lain (Andika, 2016).

Metode baru ditemukan oleh Willmott untuk memprediksi keakurataan sebuah

model, hingga penulis berinisiatif menggunakan formula Willmott untuk

membandingkan dengan kedua model sebelumnya. Formula Willmott merupakan

sebuah metode yang digunakan untuk mengevaluasi keakuratan sebuah model

(Willmott et al, 2011). Setelah membandingkan kedua model dengan formula

Willmott, penulis juga menggunakan metode lain yakni Korelasi Pearson, Root

Mean Square Error (RMSE), dan jarak Eculidean sebagai pembanding. Jika

diketahui model mana yang paling baik dan akurat, maka hal tersebuat menjadi

alasan mengapa suatu model dari sebuah institusi tertentu dapat dipilih sebagai

referensi data yang terpercaya untuk berbagai keperluan.

2

I.2 Ruang Lingkup

Penelitian ini dibatasi pada verifikasi prediksi ENSO musiman model statistik dan

dinamik kemudian dibandingkan dengan formula Willmott. Untuk mengukur

kualitas keakuratan model statistik dan dinamik maka digunakan formula Willmott

Korelasi Pearson, Root Mean Square Error (RMSE), dan jarak Euclidean sebagai

pembanding. Data prediksi dan observasi ENSO dalam penelitian ini diambil mulai

dari Agustus-September-Oktober (ASO) 2006 hingga Februari-Maret-April (FMA)

2017.

I.3 Tujuan Penelitian

Tujuan yang akan dicapai pada penelitian ini adalah untuk membandingkan akurasi

prediksi ENSO model statistik dan dinamik dengan formula Willmott, korelasi

Pearson, Root Mean Square Error (RMSE), dan jarak Euclidean.

3

BAB II

TINJAUAN PUSTAKA

II.1. El Nino Southern Ocillation (ENSO)

El Nino Southern Ocillation (ENSO) merupakan fenomena gabungan interaksi laut

dan atmosfer yang menyebabkan variasi iklim tahunan di dunia. Komponen laut

dari ENSO adalah El Nino dan La Nina, sedangkan komponen atmosfernya adalah

Southern Oscillation. Pusat aktivitas ENSO berada di Samudra Pasifik yang

berdekatan dengan garis ekuator. El Nino merupakan keadaan peningkatan suhu

permukaan laut (sea surface temperature) dari suhu normalnya di Pasifik Ekuator

timur. Sedangkan La Nina adalah kebalikan dari El Nino yakni penurunan suhu

permukaan laut di kawasan ekuator Samudera Pasifik dari suhu normalnya. Ketika

terjadi El Nino maupun La Nina, keduanya berasosiasi dengan Southern Southern

Oscillation merupakan sistem imbangan tekanan udara yang ditunjukkan oleh

tinggi (rendah) tekanan udara di Indonesia (Pasifik Ekuator Barat) dan Pasifik

Ekuator Timur serta kuat/lemahnya Sirkulasi Walker (Hacker dan Hastenrath,

1985).

Kondisi normal perlu dipahami untuk menggambar kejadian El Nino dan La Nina

yang sedang tidak berlangsung seperti yang ditunjukan pada gambar II.1.

4

Gambar II.1 Pada Saat Kondisi Normal (www.weather.gov)

Pada saat kondisi normal, keberadaan angin pasat tenggara yang bertiup dari arah

yang tetap sepanjang tahun menyebabkan terjadinya arus permukaan yang

membawa massa air permukaan ke wilayah Pasifik bagian barat (sekitar Indonesia).

Karena adanya daratan Indonesia maupun Australia, massa air tersebut tertahan dan

lama kelamaan terkumpul. Mengingat massa air laut dekat permukaan bersifat

hangat maka massa air yang terkumpul tersebut meningkatkan suhu muka laut di

pasifik barat. Pada tahap ini akan terbentuk suatu sirkulasi arus dimana arus

permukaan menuju ke arah barat sedangkan arus di lautan dalam menuju ke arah

timur. Pergerakan ini diakibatkan oleh massa air yang terkumpul di Pasifik barat

akan bergerak turun (downwelling) sehingga arus di Pasifik timur akan naik

(upwelling). Hal inilah yang normal terjadi di Samudera Pasifik dimana suhu muka

laut di Pasifik barat (sekitar Indonesia) lebih hangat dibandingkan di Pasifik timur

sekitar pantai barat Peru (Edward dan Mark, 2010).

http://www.weather.gov/

5

Kondisi suhu muka laut sangat erat kaitanya dengan pembentukan awan-awan

hujan. Suhu muka laut yang hangat senantiasa beriringan dengan sistem tekanan

rendah begitu pun sebaliknya. Adanya perbedaan tekanan udara antara sisi barat

dan timur Samudera Pasifik akan menimbulkan suatu sirkulasi yang dikenal dengan

istilah sirkulasi Walker. Sirkulasi ini menunjukan bahwa dalam kondisi normal

wilayah Pasifik barat akan menjadi pusat pembentukan awan-awan konvektif yang

membawa hujan (Edward dan Mark, 2010).

Pada saat kondisi El Nino, hal sebaliknya terjadi seperti yang ditunjukan pada

gambar II.2 angin pasat tenggara mengalami pelemahan yang mengubah arah

menjadi pasat barat daya.

Gambar II.2 Pada Saat Kondisi El Nino (www.weather.gov)

Akibat suhu muka laut yang lebih hangat akan berpindah ke wilayah Samudera

Pasifik bagian tengah hingga timur. Pusat-pusat pembentukan awan konvektif pun

bergeser sehingga wilayah Peru dan sekitarnya menjadi lebih basah (banyak hujan).


6

Pada saat kondisi La Nina peristiwa alam yang dapat dikatakan kebalikan dari El

Nino seperti yang ditunjukan pada gambar II.3

Gambar II.3 Pada Saat Kondisi La Nina (www.weather.gov)

La Nina merupakan suatu kondisi dimana suhu permukaan laut di wilayah pantai

barat Peru atau di laut Pasifik mengalami penurunan yang lebih dingin dari biasanya

(Edward dan Mark, 2010).

Kejadian ENSO dapat menyebabkan perubahan iklim pada daerah Tropis Pasifik

yang mempengaruhi sirkulasi atmosfer global (Trenberth, 1997) yang berdampak

pada lingkungan, kehidupan sosial dan ekonomi di seluruh dunia (Mcphaden et al,

2006).

Indikator untuk menentukan terjadinya El Nino maupun La Nina antara lain:

1. Sea Surface Temperatur (SST)

Sea Surface Temperatur (SST) merupakan salah satu indikator utama keberadan

penyimpangan iklim. Penyimpangan iklim memerlukan pengukuran dan prediksi


7

secara teratur dan benar. Nilai SST menggambarkan proses interaksi antara lautan

dan atmosfer. Indeks Nino3.4 merupakan anomali suhu muka laut di wilayah

Nino3.4 atau Pasifik bagian tengah seperti yang ditunjukan pada gambar II.4.

Gambar II.4 Daerah Monitoring El Nino

(http://www.bom.gov.au/lam/climate/level3/analclim/elnino.htm)

Berdasarkan intensitas kejadiannya, indeks El Nino dikategorikan dalam tiga kelas

yaitu (Trenberth, 1997):

a. El Nino Lemah (Weak El Nino), jika penyimpangan suhu muka laut di

Pasifik Ekuador +0.5º C s/d +1.0º C dan berlangsung minimal selama 3

bulan berturut-turut.

b. El Nino sedang (Moderate El Nino), jika penyimpangan suhu muka laut di

Pasifik ekuator +1.1º C s/d 1.5º C dan berlangsung minimal selama 3 bulan

berturut-turut.

c. El Nino kuat (Strong El Nino), jika penyimpangan suhu muka laut di Pasifik

ekuator > 1.5º C dan berlangsung minimal selama 3 bulan berturut-turut.

http://www.bom.gov.au/lam/climate/level3/analclim/elnino.htm

8

2. Southern Oscillation Indeks

SOI yang mengacu pada perbedaan tekanan atmosfer antara Tahiti (di

Timur Pasifik bagian Ekuator) dan Darwin (di pantai utara Australia).

Seperti ditunjukan pada gambar II.5 semakin negatif nilai SOI berarti

semakin kuat kejadian El Nino, sebaliknya semakin positif nilai SOI

semakin kuat kejadian La Nina (Boer, 1999).

Gambar II.5 Daerah monitoring Southern Oscillation Index

(www.climate.gov)

II.2 Dampak ENSO

Negara-negara berkembang bergantung pada pertanian dan perikanan, khususnya

yang berbatasan dengan Samudera Pasifik yang paling terpengaruh oleh ENSO.

Khususnya di Indonesia beberapa wilayah seperti di Jawa, Lampung dan Bali,

pengaruh kejadian ENSO terhadap curah hujan sangat nyata terutama pada musim

kering. Pada tahun El Nino curah hujan pada musim kemarau (Juli sampai Oktober)

dapat turun sampai 57% dari curah hujan tahun normalnya, sebaliknya pada tahun

http://www.climate.gov/

9

La nina, curah hujan dapat menigkat sampai 152% dari curah hujan normal (Las et

al, 2007).

Dampak El Nino lebih besar dibandingkan dengan La Nina. Dampak El Nino

maupun La Nina signifikan pada bulan September – November (SON). El Nino

juga memberikan dampak signifikan dalam menurunkan curah hujan di pulau Jawa

pada bulan Desember – Februari (DJF). Tetapi La Nina memperlihatkan hubungan

yang lemah (Qian et al, 2010).

II.3 Model Statistik

Metode statistik bertujuan untuk mengidentifikasi hubungan antara dua variabel

melalui analisis statistik yang dilakukan pada catatan histori dari data yang dikenal

sebagai time series. Dua variabel itu adalah:

1. Satu variabel yang akan diprediksi (sering dilambangkan dengan Y), dan

disebut prediktan atau respon / variabel dependen, seperti total curah hujan

musiman, dan rata-rata bulanan suhu maksimum dan minimum;

2. Satu variabel yang digunakan untuk membuat prediksi (sering

dilambangkan dengan X), dan disebut prediktor atau variabel independen,

seperti SST atau indeks atmosfer (Southern Oscillation Index) seperti yang

ditunjukan pada tabel 2.1.

Ada beberapa model statistik yang digunakan sebagai berikut:

1. Model Markov NOAA/CPC

Model Markov dibangun menggunakan metode multivariat EOF dari suhu

permukaan laut, tinggi permukaan laut dan tekanan angin. Nilai SST berasal

10

dari analisis SST NCEP (Reynolds dan Smith 1994), tinggi permukaan laut

dari analisis laut NCEP (Behringer et al, 1998), dan tekanan angin dari

Florida State University pseudo-wind stress (Xue et al, 2000).

2. Model CLIPER

Model CLIPER (singkatan dari Climatology dan Persistence) adalah

metode prediksi statistik, berdasarkan pada kombinasi optimal dari

persistem untuk memprediksi fenomena El Nino Southren Oscillation

(ENSO). Sebuah desain regresi berganda digunakan untuk prediksi SST di

daerah indeks Nino (Knaff dan Landsea, 1997).

3. Model Constructed Analog (CA)

Model Statistik Constructed Analog (CA) adalah kombinasi linear dari pola

anomali yang diamati di bidang prediktor sehingga kombinasi sedekat yang

diinginkan untuk keadaan awal. Menggunakan prediktor kriteria pemeilihan

analog yang pertama EOF pada SST global (Van Den Dool, 1994).

4. Model Canonical Correlation Analysis (CCA)

Model statistik CCA (Canonical Correlation Analysis diprediksi

berdasarkan pada anomali SST, tekanan permukaan laut dalam empat

periode 3 bulan berturut-turut untuk mendekatkan perubahan yang terjadi.

CCA adalah regresi multivarian yang berhubungan dengan pola di bidang

prediktor untuk pola di bidang prediktan (Barnett dan Preisendorfer, 1987).

5. Model Neural Network (NN)

Model Statistik Neural Network Univ. BC, University of British Columbia

Victoria, BC, Canada. Dalam sistem prediksi Neural Network, prediktor

11

adalah tekanan permukaan laut bulanan dan suhu permukaan laut bulanan.

Model Neural Network (NN) telah digunakan untuk memprediksi anomali

suhu permukaan laut (SSTA) di wilayah Nino3.4 di Pasifik Ekuador

(Tangang et al, 1997).

6. Model AVESTAT

Model AVESTAT merupakan rata-rata dari semua model statistik.

Tabel 2.1 Metode dan Prediktor Model Statistik (Dasir, 2016)

NO Model Statistik Metode dan Prediktor

1 MARKOV (Xue et al,

2000)

Regresi Multivariat pada suhu permukaan laut dan muka

laut

2 CLIPER (Knaff dan

Landsea, 1997) Regresi berganda pada permukaan laut pasifik tropis

3 Constructed Analogue

(CA) (Van den doll, 1994) Analogue Construction pada suhu permukaan laut global

4

Canonical Correlation

Analysis (CCA) (Barnett

dan Preisendorfer, 1987)

Regresi Multivariat pada tekanan muka air laut, suhu

permukaan laut, suhu bawah permukaan di pasifik tropis

5 Neural Network (Tangang

et al, 1997)

Regresi Linear pada tekanan muka air laut, suhu

permukaan laut di pasifik

II.4 MODEL DINAMIK

Model dinamik merupakan suatu teknik matematis yang biasanya digunakan untuk

membuat suatu keputusan dari serangkaian keputusan yang saling berkaitan. Model

dinamik ini pertama kali dikembangkan oleh seorang ilmuan bernama Richard

Bellman pada tahun 1957. Tujuan utama model dinamik adalah untuk

mempermudah penyelesaian optimasi yang mempunyai karakteristik tertentu

12

(Nugraha, 2009). Dalam membahas iklim model dinamik dapat didefinisikan

sebagai suatu sistem yang memodelkan variable-variabel seperti suhu muka laut,

tekanan muka laut, dan variabel-variabel lainnya yang berubah terhadap waktu

untuk memprediksi iklim seperti yang ditunjukan oleh tabel 2.2 (Andika, 2016).

Tabel 2.2 Institusi dan Model Dinamik (Andika, 2016)

Ada beberapa model dinamik yang digunakan sebagai berikut:

1. National Centers For Environmental Prediction (NCEP)

Model National Centers for Environmental Prediction (NCEP) memiliki

dua komponen yaitu komponen atmosfer (Moorthi et al, 2001) dan

komponen laut (Pacanowski dan Griffies, 1998). Komponen atmosfer

terdiri dari Coupled Forecast System (CFS) adalah model Global Forecast

System (GFS) atmosfer NCEP. Untuk komponen laut batas permukaan laut

dihitung sebagai eksplisit permukaan bebas (Saha et al, 2006).

NO Institusi Model

1

National Centers For

Environmental Prediction

(NCEP)

Komponen atmosfer (Coupled Forecast System

dan Komponen Laut (Batasan Permukan Laut)

2 Korea National University

(KNU)

Coupled General Circulation Model (CGCM)

Komponen Atmosfer dan Komponen Laut

13

2. Korea National University (KNU)

Korea National University (KNU) menggunakan model dinamik yang

disebut Coupled General Circulation Model (CGCM). Model Sama dengan

model dinamik lainnya terdiri atas 2 komponen yaitu komponen atmosfer

(Roeckner et al, 1996) dan komponen laut (Madec et al 1998). Komponen

atmosfer mengadopsi resolusi horizontal tinggi yang sekitar 1.1° x 1.1°.

Komponen laut merupakan sebuah konfigurasi dengan sebuah grid yang

didasarkan pada 2° Mercator mesh. Mercator mesh (proyeksi Mercator)

adalah sebuah proyeksi yang sekarang dikenal dengan singkatan UTM

(Universal Transverse Mercator) (Luo et al, 2005).

3. Model AVEDYN

Model AVEDYN merupakan rata-rata dari semua model dinamik.

II.5 Verifikasi Model

Verifikasi adalah proses penilaian kualitas suatu prediksi (forecast). Dalam proses

ini, suatu hasil prediksi dibandingkan dengan nilai pengamatan/observasi. Untuk

mengetahaui keserasian/kecocokan antara model dan data, maka keluaran (output)

model dibandingkan dengan data observasi (Halide, H, 2009).

II.6 Formula Willmott

Formula Willmott dihitung dengan mencari besarnya perbedaan antara model

prediksi dan deviasi observasi terkait dengan jumlah/nilai relatif rata-rata observasi

dari perfect model dan deviasi observasi terhadap nilai rata-rata observasi. Formula

Willmott memiliki nilai berkisar antara -1 sampai dengan 1. Suatu model dikatakan

sangat akurat apabila nilai formula Willmott Sama dengan 1. Jika perhitungan

14

formula Willmot yang dihasilkan adalah nilai 0.5, secara kualitatif model tersebut

bernilai akurat, nilai 0 menunjukkan cukup akurat, nilai -0.5 menunjukkan kurang

akurat, dan nilai -1.0 menjelaskan bahwa model tersebut tidak akurat (Willmott,

2011).

𝑑𝑟 = {1 −

∑ |𝑃𝑖−𝑂𝑖|𝑛𝑖=1

𝑐 ∑ |𝑂𝑖−𝑂|𝑛𝑖=1

𝐽𝑖𝑘𝑎 ∑ |𝑃𝑖 − 𝑂𝑖| ≤ 𝑐 ∑ |𝑂𝑖 − 𝑂|𝑛𝑖=1 𝑛

𝑖=1

𝑐 ∑ |𝑂𝑖−𝑂|𝑛𝑖=1

∑ |𝑃𝑖−𝑂𝑖|𝑛𝑖=1

− 1 𝐽𝑖𝑘𝑎 ∑ |𝑃𝑖 − 𝑂𝑖|𝑛𝑖=1 > 𝑐 ∑ |𝑂𝑖 − 𝑂|𝑛

𝑖=1

2.1

Dimana:

dr adalah Nilai Refined Index

P adalah Nilai Prediksi

O adalah Nilai Observasi

𝑂 adalah Observasi rata-rata

c adalah 2

II.7 Korelasi Pearson

Korelasi Pearson merupakan suatu bentuk rumus yang digunakan untuk mencari

dan mengukur hubungan linear antara dua variable yakni variabel bebas

(Independen) dan variabel terikat (dependen).

Koefisien korelasi dinyatakan dalam persaamaan (Wilks, 2006).

𝑟 = 𝑛 ∑ 𝑥𝑖𝑦𝑖− ( ∑ 𝑋𝑖 ) ( ∑ 𝑌𝑖

𝑛𝑖=1 )𝑛

𝑖=1

𝑛𝑖=1

√{𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖

𝑛𝑖=1

𝑛𝑖=1 )2 }{𝑛 ∑ 𝑦𝑖

2𝑛𝑖=1 − ( ∑ 𝑦𝑖)2𝑛

𝑖=1 }

2.2

Dimana:

n adalah Jumlah Data

r adalah Koefisien korelasi anatar data observasi dan data prediksi

15

𝑥𝑖 adalah data prediksi ENSO musiman

𝑦𝑖 adalah Data observasi musiman ENSO3.4

Korelasi Pearson digunakan untuk mengetahui kuat atau tidaknya hubungan antara

variabel-variabel bebas dan variabel tidak bebas (Wilks, 2006).

Table II.3 Interpretasi dari nilai r (Wilks, 2006)

R Interpretasi

± (0,80 – 1,00) Sangat tinggi

± (0,60 – 0,80) Tinggi

± (0,40 – 0,60) Cukup

± (0,20 – 0,40 ) Rendah

± (0,00 – 0,20) Sangat rendah

II.8 Root Mean Square Error (RMSE)

Nilai Root Mean Square Error (RMSE) diperoleh dengan cara menghitung nilai

akar dari rata-rata kuadrat dari nilai kesalahan yang menggambarkan selisih antara

data observasi denggan nilai hasil prediksi, dapat dihitung dengan menggunakan

persamaan (Halide, 2009):

𝑅𝑀𝑆𝐸 = √∑ (𝑥𝑖− 𝑦𝑖 )

2𝑛𝑖=1

𝑛 2.3

Dimana:

Xi = Data Observasi ENSO musiman Nino 3.4

Yi = Data Prediksi ENSO musiman

n = Jumlah Data

16

II.9 Jarak Euklidean

Jarak Euklidean digunakan untuk membandingkan jarak minimum dari nilai data

model prediksi dengan nilai data observasi ENSO musiman Niño 3.4 seperti pada

gambar II.5

Gambar II.6 Jarak Euklidean (Halide, 2016)

Pada gambar 2. Metrik ini dihitung setelah melakukan rotasi 45o untuk tiap titik

observasi relatif ke line of perfect forecast pada diagram scatter. Setelah di rotasi

sumbu X akan menjadi line of perfect forecast atau X’ dan jarak titik pengamatan

akan didefiniskan sebagai Y'. Ketidakpastian jarak Euklidean telah ditemukan

dengan melakukan standar deviasi pada jarak. Kita juga memplot jarak Euklidean

untuk mengukur seberapa jauh prediksi terhadap line of perfect forecast. Nilai 𝑌′

dapat dihitung dengan persamaan (Halide, 2016).

17

|𝑌′| = √∑ 𝑌′𝐼2𝑛

𝑖=1 2.4

Dimana:

n adalah jumlah data keseluruhan.

18

BAB III

METODOLOGI

III.1 Data Penelitian

Tahap awal dari penelitian ini adalah mengumpulkan dan mempersiapkan data yang

dibutuhkan dalam penelitian. Data yang digunakan dalam penelitian ini adalah data

sekunder yang terdiri dari:

1. Data Observasi ENSO Musiman (Nino 3.4)

Data observasi ENSO musiman (Nino. 3.4) didapatkan dari situs Climate Prediction

Center (CPC) dengan alamat www.cpc.ncep.gov. Dimulai dari Agustus-September-

Oktober (ASO) 2006 sampai Februari-Maret-April (FMA) 2017.

2. Data Histori Prediksi ENSO Musiman Model Statistik dan Model Dinamik

Data histori prediksi ENSO musiman didapatkan dari situs International Research

Institute (IRI) dengan alamat www.iri.columbia.edu yang terdiri dari model statistik

dan dinamik seperti MARKOV, CLIPER, CA, CCA, NN, NCEP, KNU yang

dimulai dari Agustus-September-Oktober (ASO) 2006 sampai Februari-Maret-

April 2017. Data yang diambil setiap model adalah 7 lead yang artinya dalam setiap

model terdapat prediksi selama 7 musim bulan kedepan.

III.2 Korelasi dan Penyesuaian Data

Data Prediksi ENSO musiman model statistik dan dinamik yang terdiri hingga 7

lead dilakukan koreksi dan penyesuaian data. Data yang diambil dari International

Research Institute (IRI) berupa data musiman yang dipindahkan ke Microsoft excel

dilakukan koreksi dengan meng-plot data observasi dan prediksi, dimana pada

http://www.iri.columbia.edu/

19

grafik time series ENSO ditemukan berupa kejanggalan pada grafik tersebut maka

diperlukan pemeriksaan data kembali dan apabila data yang diperiksa sama maka

dilakukan perubahan misalnya tanda nilai data + ke – atau sebaliknya dengan

memberikan catatan pada data yang dikoreksi. Selanjutnya dilakukan penyesuaian

data prediski dimana lead 1 tetap pada barisnya, lead 2 digeser ke bawah satu baris

dan lead 3 digeser ke bawah dua baris, begitu selanjutnya hingga lead 7.

Penyesuaian data ini bertujuan agar nilai data observasi dan nilai data prediksi

hingga lead 7 selaras.

III.3 Alat Penelitian

Alat yang digunakan dalam penelitian ini adalah Matlab 2009. Perangkat lunak

MATLAB (Matrix Laboratory) adalah program yang digunakan untuk membuat

grafik setiap model dengan menggunakan metode formula Willmott, Korelasi

Pearson, Root Mean Squad Error (RMSE) dan jarak Euklidean.

III.4 Verifikasi Prediksi

Data observasi dan prediksi ENSO yang telah dilakukan koreksi dan penyesuaian

data selanjutnya dilakukan verifikasi prediksi menggunakan nilai deterministik.

Untuk nilai keterampilan deterministik yaitu:

1. Menghitung nilai Formula Willmott.

2. Menghitung nilai Korelasi Pearson.

3. Menghitung RMSE

4. Menghitung nilai jarak Euklidean

20

III.5 Analisis Verifikasi Prediksi Model Statistik dan dinamik Musiman ENSO

Dalam penelitian ini terdapat beberapa pembanding yang akan digunakan dalam

menganalisis model prediksi model statistik dan dinamik ENSO musiman yaitu

Perbandingan keterampilan model statistik dan dinamik ENSO musiman dengan

melihat nilai korelasi formula Willmott, Korelasi Pearson, Root Mean Square Error

(RMSE) dan Jarak Euklidean.

21

III.6 Diagram Alir Penelitian

Gambar III.1 Diagram Alir Penelitian Verifikasi Prediksi ENSO Musiman Dengan

Menggunakan Formula Willmott

Mula

i

Input Data

Observasi ENSO

Musiman Nina.3.4

Input Data Prediksi ENSO

Musiman Model Statistik

(MARKOV, CLIPER, CA,

CCA, NN, AVESTAT) dan

Model Dinamik (NCEP,

KNU, AVEDYN)

Korelasi Data

Verifikasi

Prediksi

Hasil

Analisis Hasil Prediksi

Model Statistik dan

Model Dinamik

Kesimpulan

Selesai

1. Willmott

2. Korelasi Pearson

3. RMSE

4. Jarak Euklidean

22

BAB IV

HASIL DAN PEMBAHASAN

Verifikasi tingkat keakuratan prediksi suatu model, baik model statistik maupun

dinamik, dapat diukur dengan menggunakan empat metode, yaitu; Formula

Willmott, Pearson Correlation, Root Mean Square Error, dan jarak Euclidean.

Model statistik yang digunakan Model MARKOV, Model CLIPER, Model

Constructed Analog (CA), Model Canonical Correlation Analysis (CCA), Model

Neural Network (NN), Model AVESTAT. Sedangkan Model National Center for

Environmental Prediction (NCEP), Model Korea National University (KNU),

Model AVEDYN termasuk dalam model dinamik.

IV.I. Formula Willmott

Formula Willmott sebagai salah satu metode dalam memverifikasi keakuratan suatu

model memiliki nilai yang berkisar antara -1 sampai dengan 1. Suatu model

dikatakan sangat akurat apabila nilai Formula Willmott Sama dengan 1. Jika

perhitungan Formula Willmot yang dihasilkan adalah nilai 0.5, secara kualitatif

model tersebut bernilai akurat, nilai 0 menunjukkan cukup akurat, nilai -0.5

menunjukkan kurang akurat, dan nilai -1.0 menjelaskan bahwa model tersebut tidak

akurat (Willmott, 2011). Perbandingan tingkat keakuratan beberapa model statistik

dan dinamik yang diverifikasi dengan menggunakan Formula Willmott dapat dilihat

pada Tabel 4.1 dan Gambar 4.1.

23

Tabel 4.1. Nilai Verifikasi Prediksi Model Statistik dan Dinamik Dengan

Menggunakan Formula Willmott

LEAD

NILAI FORMULA WILLMOTT

NCEP KNU MARKOV CLIPER CA CCA NN AVEDYN AVESTAT

1 0.79 0.78 0.76 0.77 0.54 0.76 0.78 0.81 0.82

2 0.75 0.72 0.76 0.75 0.54 0.73 0.72 0.8 0.79

3 0.69 0.65 0.71 0.71 0.5 0.69 0.68 0.77 0.75

4 0.65 0.6 0.67 0.66 0.48 0.65 0.64 0.74 0.72

5 0.62 0.57 0.64 0.64 0.48 0.6 0.59 0.71 0.69

6 0.61 0.53 0.61 0.61 0.46 0.57 0.56 0.56 0.65

7 0.58 0.51 0.59 0.56 0.42 0.54 0.54 0.8 0.65

RT 0.67 0.62 0.68 0.67 0.49 0.65 0.65 0.74 0.73

SD 0.07 0.09 0.06 0.07 0.04 0.08 0.08 0.08 0.06

RT = Rata-rata, SD = Standar Deviasi

Hasil analisis tingkat keakuratan suatu prediksi dengan formula Willmott untuk

setiap model statistik dan dinamik menunjukan bahwa dari lead 1 hingga lead 7

secara umum terjadi penurunan nilai formula Willmott. Hal ini menunjukan bahwa

hasil yang diperoleh sangat baik karena semakin tinggi lead suatu prediksi,

keakuratan hasil prediksinya akan semakin tidak baik. Berdasarkan pertimbangan

tersebut, model terbaik yang dihasilkan oleh formula Willmott adalah model

AVESTAT yang memiliki nilai diatas 0.8 dan model yang tidak baik adalah CA

yang memiliki nilai 0.5 untuk analisis keakuratan pada lead 1.

24

Gambar 4.1 Perbandingan Verifikasi Prediksi Model Statistik dan Dinamik

Dengan Menggunakan formula Willmott

Berdasarkan rata-rata nilai formula Willmott yang diperoleh untuk setiap model,

baik model statistik maupun model dinamik, dapat diklasifikasikan menjadi tiga

kelompok yaitu; kelompok keakuratan prediksi terendah, menengah dan tertinggi.

Kelompok tingkat akurasi hasil prediksi terendah adalah model CA dengan nilai

formula Willmott rata-rata di bawah 0.5, sedangkan tingkat akurasi tertinggi dengan

nilai formula Willmott rata-rata di atas 0.7 yaitu model AVEDYN dan AVESTAT.

Untuk kelompok tingkat akurasi menengah adalah model NCEP, model KNU,

model MARKOV, model CLIPER, model CCA, dan model NN.

Dapat disimpulkan bahwa model statistik yaitu model AVESTAT relatif lebih

unggul dalam memberikan hasil prediksi yang akurat dibandingkan dengan model

25

prediksi lainnya dengan nilai formula Willmott sebesar 0, 82. Meskipun nilai model

AVEDYN hanya berselisih 0.01 lebih rendah dari model AVESTAT, namun tren

nilai formula Willmott dari lead 1 sampai lead 7 pada model AVESTAT cenderung

menurun secara konstan. Hal ini tidak terlihat pada model AVEDYN karena nilai

formula Willmott pada lead 1 sampai lead 6 memiliki tren menurun secara

signifikan akan tetapi meningkat secara drastis pada lead 7 sebesar 0,24 menjadi

0,8 dari 0,56 pada lead 6.

IV.2. Pearson Correlation (Korelasi Pearson)

Akurasi prediksi sebuah model berbanding lurus dengan hasil korelasi pearsonya.

Untuk korelasi pearson semakin besar nilai korelasi atau mendekati 1 (satu) maka

hubungan antara observasi dan prediksi semakin bagus, untuk nilai korelasi

dibawah 0.5 akan dianggap data yang tidak berguna dalam prediksi atau dengan

kata lain keterampilan prediksi oleh setiap model tidak dapat dipakai (Persson dan

Strauss, 1995). Hasil analisis korelasi Perason terhadap sembilan jenis model,

model statistik dan model dinamik, dapat dilihat pada Tabel 4.2 dan Gambar 4.2.

26


Menggunakan Korelasi Pearson

LEAD NILAI KORELASI PEARSON


1 0.92 0.84 0.76 0.83 0.84 0.84 0.86 0.88 0.88

2 0.88 0.78 0.85 0.78 0.85 0.78 0.81 0.88 0.86

3 0.82 0.66 0.8 0.72 0.82 0.7 0.74 0.84 0.81

4 0.77 0.56 0.73 0.63 0.8 0.6 0.66 0.85 0.76

5 0.71 0.47 0.64 0.54 0.77 0.44 0.55 0.75 0.7

6 0.68 0.36 0.54 0.43 0.73 0.32 0.42 0.69 0.62

7 0.59 0.28 0.45 0.29 0.68 0.21 0.3 0.64 0.54

RT 0.77 0.56 0.68 0.6 0.78 0.56 0.62 0.79 0.74

SD 0.11 0.2 0.14 0.19 0.06 0.23 0.2 0.09 0.12


Hasil Korelasi Pearson setiap model statistik dan dinamik menunjukan tren nlai

yang relatif mengalami penurunan secara signifikan dari lead 1 sampai ke lead 7.

Hal ini menginterpretasikan bahwa hasil yang diperoleh sangat baik karena semakin

tinggi lead semakin tidak baik prediksi sebuah model. Namun pola fluktuasi tren

nilai korelasi Pearson ditemukan berbeda pada model MARKOV. Pada model

MARKOV, nilai korelasi Pearson mengalami peningkatan pada lead 2 sebesar 0,

09 dan kemudian selanjutnya menurun secara signifikan sampai ke lead 7 seperti

yang dilihat pada gambar 4.2.

27


Menggunakan Korelasi Pearson

Model NCEP memiliki nilai lebih tinggi diantara model yang lain nilai yakni di

atas 0.9 pada lead 1 sedangkan untuk model yang lain dibawah 0.9 dan nilai yang

paling rendah dimiliki oleh model MARKOV yakni 0.7. Maka dapat disimpulkan

bahwa model dengan tingkat akurasi predikri terbaik yang dihasilkan oleh korelasi

Pearson adalah NCEP sedangkan model yang kurang baik adalah model

MARKOV.

IV.3. Root Mean Square Error (RMSE)

Tingkat keakuratan prediksi suatu model dapat ditentukan dengan metode Root

Mean Square Error (RMSE). Semakin kecil nilai RMSE atau jika mendekati 0 (nol)

maka semakin bagus hubungan antara prediksi dan observasi. Hasil perhitungan

tingkat akurasi model-model yang dianalisis dengan metode Root Mean Square

Error (RMSE) dapat dilihat pada Tabel 4.3 dan Gambar 4.3.

28


Menggunakan Metode Root Mean Square Error (RMSE)

LEAD NILAI RMSE


1 0.1 0.17 0.04 0.14 0.07 0.1 0.12 0.13 0.05

2 0.09 0.23 0.05 0.12 0.05 0.1 0.13 0.14 0.08

3 0.09 0.31 0.01 0.14 0.05 0.1 0.17 0.18 0.09

4 0.11 0.37 0.01 0.16 0.04 0.1 0.2 0.22 0.09

5 0.13 0.39 0.04 0.15 0.03 0.11 0.24 0.25 0.09

6 0.09 0.41 0.07 0.15 0.01 0.12 0.25 0.25 0.1

7 0.14 0.4 0.11 0.12 0 0.13 0.26 0.23 0.09

RT 0.11 0.33 0.05 0.14 0.04 0.11 0.2 0.2 0.08

SD 0.02 0.09 0.03 0.01 0.02 0.01 0.05 0.05 0.01


Hasil analisis tingkat akurasi prediksi dengan menggunakan Root Mean Square

Error, setiap model, baik model statistik maupun dinamik menunjukkan pola

flukstuasi nilai dari lead 1 sampai lead 7 berbeda-beda. Secara teoretis, semakin

kecil nilai RMSE atau jika mendekati 0 (nol) maka semakin bagus hubungan antara

prediksi dan observasi dan semakin tinggi lead suatu model maka tingkat akurasi

prediksinya semakin tidak baik. Sehingga, setiap model yang dianalisis semestinya

menunjukkan tren meningkat dari lead 1 sampai ke lead 7 seperti yang dilihat pada

gambar 4.3.

29


Dengan Menggunakan Root Mean Square Error

Hasil analisis pada lead 1 menunjukkan bahwa, model MARKOV merupakan

model dengan tingkat akurasi prediksi terbaik diantara model-model lainnya,

dengan nilai 0, 04. Sedangkan nilai RMSE yang menginterpretasikan tingkat

akurasi yang kurang baik adalah model KNU dengan nilai 0, 17. Namun,

berdasarkan pola tren nilai RMSE dari lead 1 sampai 7, pola tren terbaik adalah

model KNU, model CCA, model NN, model AVEDYN, dan model AVESTAT.

Sedangkan pola tren yang tidak mengikuti kaidah teoretik RMSE adalah model CA

yang mengalami penurunan nilai dari lead 1 sebesar 0, 07 sampai ke lead 7 sebesar

0.

IV.4. Euclidean Distance (Jarak Euclidean)

Jarak Euklidean digunakan untuk mengetahui apakah setiap model yang digunakan

saling signifikan atau beda signifikan. Hal tersebuat dapat dilihat dari errorbar-nya

30

jika errorbar saling bersinggungan antara satu model dengan model yang lain maka

hasil prediksi saling signifikan begitupun sebaliknya jika errorbar suatu prediksi

tidak saling bersinggungan maka hasil prediksi yang diperoleh beda signifikan. Dan

semakin kecil lebar errorbar sebuah prediksi maka semakin bagus akurasi prediksi

tersebut. Hal ini dapat dilihat pada Tabel 4.4 dan Gambar 4.4.


Menggunakan Jarak Euklidean

LEAD NILAI JARAK EUKLIDEAN


1 3.06

± 1.01 4.2

± 0.77 0.01

± 1.06 3.79

± 0.81 1.94

± 0.90 3.11

± 0.82 3.5

±0.88 3.59

± 0.92 1.81

± 0.82

2 2.73

± 1.05 5.08

± 0.73 0.36

± 0.92 3.47

± 0.76 1.86

± 0.86 3.06

± 0.74 3.63

±0.87 3.74

±0.89 2.62

± 0.80

3 2.91

± 1.08 6.04

± 0.69 0.41

± 0.87 3.86

± 0.74 1.96

± 0.82 3.11

± 0.66 4.27

±0.81 4.41

±0.84 2.88

± 0.73

4 3.33

± 1.07 6.58

± 0.65 0.51

± 0.82 4.12

± 0.76

2.03 ±

0.77

3.06 ±0.60

4.73 ±

0.76

4.97 ± 0.79

2.86 ± 0.66

5 3.63

± 1.03 6.79

± 0.60 1.37

± 0.75 4.02

± 0.66 2

± 0.71 3.17

± 0.53

5.2 ±

0.72

5.28 ± 0.72

2.86 ± 0.58

6 3.96

± 0.97 6.99

± 0.55 2.44

± 0.70 3.89

± 0.59 1.2

± 0.64 3.47

± 0.51 5.33

±0.62 5.29

± 0.66 1.89

± 0.50

7 3.79

± 0.60 6.85

± 0.52 3.24

± 0.64 3.53

± 0.56 2.2

± 0.57 3.7

± 0.49

5.49 ±

0.55

5.02 ± 0.60

2.79 ± 0.44

31


Dengan Menggunakan Jarak Euklidean

Hasil analisis jarak euklidean setiap model statistik dan dinamik saling signifikan

atau beda signifikan hal ini dapat dilihat dari errorbar-nya. Errorbar adalah nilai

dari standar deviasi setiap model. Pada lead 1 dan 2 untuk semua model baik model

statistik maupun model dinamik errorbar-nya saling bersinggungan. Hal ini

menunjukan bahwa model yang satu dengan model yang lain saling signifikan. Data

observasi dan data prediksi saling berhubungan antara satu dengan yang lain.

Namun pada lead 3 hingga lead 7 untuk model KNU terlihat bahwa errorbar-nya

tidak saling bersinggungan. Hal ini menunjukan bahwa berbeda signifikan dengan

model yang lainnya dari lead 3 hingga lead 7. Berdasarkan hasil nilai jarak

euklidean yang ditunjukan oleh besarnya errorbar pada lead 1 hingga lead 7 dapat

32

disimpulkan bahwa setiap model baik model statistik maupun model dinamik

secara keseluruhan saling signifikan antara satu model dengan model yang lainnya.

Untuk model MARKOV memiliki nilai prediksi paling rendah diantara model yang

lain yakni 0,01 pada lead l dan terjadi peningkatan tren nilai dari lead 1 hingga lead

7 secara konstan Hal ini menunjukan bahwa model MARKOV memiliki

keakurasian yang paling baik diantara model yang lain. dan model yang memiliki

keakurasian yang kurang baik adalah model KNU dengan nilai prediksi 4,2 pada

lead 1 dan terjadi peningkatan tren dari lead 1 hingga lead 7 secara konstan.

Berdasarkan hal tersebut dapat disimpulkan bahwa model terbaik yang dihasilkan

oleh jarak euklidean adalah model MARKOV.

33

BAB V

PENUTUP

V.I Kesimpulan

Kesimpulan yang diperoleh dalam penelitian ini adalah berdasarkan analisis akurasi

prediksi ENSO musiman model statistik dan model dinamik yang paling baik pada

Formula Willmott adalah model AVESTAT, Korelasi Pearson adalah NCEP, Root

Mean Square Error (RMSE) adalah MARKOV, dan untuk jarak Euklidean semua

model saling signifikan antara satu model dengan model yang lainnya dan model

yang paling akurat adalah model MARKOV.

V.II Saran

Saran dalam penelitian ini sebaiknya penelitian ini dilanjutkan dengan menganalisis

fluktuasi lead pada setiap model.

34

DAFTAR PUSTAKA

Andika. 2016. Verifikasi Prediksi ENSO Musiman Model Dinamik International

Research Institute.

Barnett, T. dan Preisendorfer. 1987. Origins and levels of monthly and seasonal

forecast skill for United States surface air temperatures determined by

canonical correlation analysis. Mon. Wea. Rev. 115:1825-1850

Behringer, D. W. M. Ji, and Leetmaa. 1998. An improved coupled model for data

assimilation system. Mon. Wea. Rev. 126: 1013-1021.

Boer, R. 1999. Perubahan Iklim, El Nino dan La Nina. Makalah dalam Pelatihan

Dosen-Dosen Perguruan Tinggi Indonesia Bagian Barat dalam Bidang

Agroklimatologi. Bogor. Biotrop.

BOM (Australian Bureau of Meteorologi). 2008. El Nino Southern Oscillation

(ENSO). http://www.gov.au diakses pada 4 juni 2017.

Cane, Mark. A. 2005. The Evolution of El Nino, Past and Future. Earth and

Planetary Letter, 230; 227-240.

Dassir, Z. 2016. Verifikasi Prediksi ENSO Musiman Model Statistik International

Research Institute.

Edward S. Sarachik dan Mark A. Cane. 2010. The El Nino Southern Oscillation

Phenomenan. Cambridge.

Halide, H. 2009. Esensi Predikasi. Makassar: Pustaka Pena press Makassar.

Halide, H. 2016. Seasonal ENSO forecasting where does a simple model stand

amongst other operational ENSO model. The 6th International Conference

on Theoretical and applied physics (ICTAP) 2016. AIP publishing.

http://www.gov.au/

35

Hacker, E.C and Hastenrath, S. 1985. Mechanisms of Java Rainfall Anomalies.

Monthly weather review. 114. 745-757.

IRI (International Research Institute). 2002. More technical ENSO Comment.

http://iri.columbia.edu/. Diakses pada 17 Januari 2017.

Knaff, J. A. and Lansea C. W. 1997. An El Nino Southern Oscillation Climatology

and persistence (CLIPER) forecasting scheme. Weather Forecast. 12: 633-

652.

Las, I. Unandi A. Subagyono K, Syahbuddin H dan Runtunuwu E. 2007. Atlas

Kalender Tanaman Pulau Jawa Skala 1:1.000.000 dan 1:250.000. Balai

Penelitian Agroklimat dan Hidrologi. Hal 96.

Luo J. J. Sebastien. Erich, R. dan Toshio Yamagata 2005. Reducing Climatology

Bias in an Ocean Atmosphere CGCM with Improved Coupling Physics.

Jurnal of Climate. 18: 2344-2360

Madec, G. P. Delecluse, M. and Levy, C. 1998. OPA 8.1 Ocean General Circulation

Model Reference Manual Note di Pole du Pole de modelisation (English

Version), Institu Pierre Simon Laplace (IPSL), France N 11, 91pp.

Mcphaden, M, J. Zebiak, S. E. and Galantz. 2006. ENSO as an Integrating Concept

in Earth Science. 314 (5806) : 1740 – 1745.

Moorthi, S. H. L. Pan and P Caplan 2001. Changes to the 2001 NCEP operational

MRF/AVN global analysis/forecast system. NWS Tech Procedures

Bulletin. 484. 14 pp.

National Oceanic and Atmospheric Administration, 2013.

Http://www.weather.gov diakses pada tanggal 4 juni 2017.

NOAA Climate, 2013. Http://www. Climate. Gov diakses pada 4 juni 2017.

http://iri.columbia.edu/


36

Nugraha, Romada Andi. 2009. Programasi Dinamis Distribusi Probabilitas dalam

tahapan keputusan berurutan. Jakarta: Fakultas Teknologi Industri

Universitas Gunadarma.

Pacanowski, R. C. and S. M. Griffies, cited 1998. MOM 3.0 manual. NOOA/GFDL.

Persson A. and Strauss B. 1995. On the Skill and Consistency in Medium Range

Weather Forecasting. ECMWF Newsletter. 70: 12-15.

Qian, J. H. Robertson, V. Moron 2010. Interaction among ENSO, the Monsoon,

and Diurnal Cycle in Rainfall Variability over Java, Indonesia. Journal of

the Atmospheric Scienes. 67: 3509 – 3524.

Reynolds, R. W. and T. M. Smith. 1994. Improved global sea surface temperature

analyses using optimum interpolation. J. Climate, 7: 929-948.

Roeckner E. Arpe K. Bengtsson L. Christoph M. Claussen M. Dumeni L. Esch M.

Giorgetta M. Schlese U. Schulzwedia U. 1996. The atmospheric general

circulation model ECHAM-4. Model description and simulation of present

day climate. Max Planck Institut Meteorologie Rep 218. 90 pp.

Saha, S. Nadiga, S. Thaiaw C. Wang, J. 2006. The NCEP Climate Forecast System.

Jurnal of Climate. 19 : 3483 – 3517.

Tanggang, F. T. Hsieh and Tang, B. 1997. Forecasting the equatorial Pacific sea

surface temperature by Network Model. Climate Dyn. 13: 135-147.

Trenberth, K. E. 1997. The Definition El Nino. Bulletin of the American

Meteorologicaal Society, 78: 12. 2771-2777.

Van den Dool, H. M. 1994. Searching For analogues, how long must we wait,

Tellus? 46A: 314-324.

Willmott, C.J. Scoot M. Robeson and Kanji Matsuura. 2011. Short Communication

A refine index index of model performance. International Jurnal of

Climatology.

37

Wilks D. S. 2006. Statistical Methods in the Atmospheric Sciences 2nd Ed. Elsevier.

USA. 649 pp.

Xue, Y. A. Leetmaa, and M. Ji, 2000. ENSO prediction with Markov Model the

impact of sea level. J. Climate, 13: 849-876

38

LAMPIRAN

1. DATA MODEL NCEP

MUSIM TAHUN OBSERVASI LEAD 1 LEAD 2 LEAD 3 LEAD4 LEAD 5 LEAD 6 LEAD7

ASO 2006 0.5 0.5 0.5 -0.2 -0.6 -0.7 -0.3 -0.4

SON 2006 0.7 1 0.6 0.1 -0.4 -0.5 -0.2 -0.2

OND 2006 0.9 1 1.2 0.6 -0.3 -0.5 0.3 0

NDJ 2006 0.9 1 1.2 1.4 0.6 -0.3 0.5 -0.4

DJF 2006 0.7 0.9 1.2 1.4 1.5 0.5 0.1 -0.6

JFM 2007 0.4 0.4 0.9 1.3 1.5 1.6 0.4 -0.4

FMA 2007 0.1 -0.3 0.2 0.8 1.2 1.4 1.5 0.4

MAM 2007 -0.1 -0.5 -0.5 0.2 0.7 1 1.2 1.3

AMJ 2007 -0.2 -0.3 -0.6 -0.5 0.1 0.6 0.8 1

MJJ 2007 -0.3 -0.6 -0.6 -0.7 -0.4 0.1 0.5 0.8

JJA 2007 -0.4 -0.7 -1 -1.1 -0.9 -0.5 0 0.4

JAS 2007 -0.6 -1 -1.2 -1.2 -1.4 -1.3 -0.7 -0.2

ASO 2007 -0.9 -1 -1.1 -1.4 -1.2 -1.4 -1.3 -0.7

SON 2007 -1.1 -1.3 -1.1 -0.9 -1.1 -0.9 -1.1 -1

OND 2007 -1.3 -1.8 -1.3 -1 -0.8 -0.9 -0.8 -0.9

NDJ 2007 -1.3 -1.9 -1.7 -1.3 -1 -0.7 -0.8 -0.8

DJF 2007 -1.4 -1.9 -2.1 -1.7 -1.2 -1 -0.7 -0.7

JFM 2008 -1.3 -2 -2.3 -2.2 -1.7 -1.1 -1 -0.7

FMA 2008 -1.1 -1.5 -2 -2.5 -2.1 -1.5 -0.9 -0.8

MAM 2008 -0.9 -1.2 -1.3 -1.8 -2.4 -1.9 -1.2 -0.8

AMJ 2008 -0.7 -1.1 -1.2 -1.3 -1.7 -2 -1.6 -1

MJJ 2008 -0.5 -0.3 -0.9 -1.1 -1.2 -1.5 -1.7 -1.4

JJA 2008 -0.4 0.2 0.2 -0.8 -0.9 -1.2 -1.4 -1.5

39

JAS 2008 -0.3 0.2 0.5 0.5 -0.7 -0.8 -1.2 -1.3

ASO 2008 -0.3 0 0.3 0.5 0.6 -0.6 -0.8 -1.2

SON 2008 -0.4 -0.3 -0.2 0.2 0.4 0.5 -0.6 -0.8

OND 2008 -0.6 -0.6 -0.4 -0.3 0.1 0.3 0.5 -0.5

NDJ 2008 -0.7 -0.6 -0.7 -0.5 -0.3 0 0.1 0.5

DJF 2008 -0.7 -1.4 -1 -0.8 -0.7 -0.5 -0.2 -0.1

JFM 2009 -0.6 -0.7 -1.6 -1.2 -0.8 -0.7 -0.5 -0.3

FMA 2009 -0.4 -0.3 -0.5 -1.6 -1.2 -0.6 -0.6 -0.5

MAM 2009 -0.1 -0.3 -0.1 -0.4 -1.4 -1.1 -0.5 -0.4

AMJ 2009 0.2 0 -0.2 0.1 -0.3 -1.2 -1 -0.4

MJJ 2009 0.4 0.5 0.2 0 0.4 -0.2 -0.9 -0.7

JJA 2009 0.5 1.1 0.7 0.4 0.2 0.6 -0.1 -0.7

JAS 2009 0.5 1.1 1.3 0.8 0.4 0.3 0.7 0

ASO 2009 0.6 1.1 1.3 1.5 1.1 0.5 0.3 0.8

SON 2009 0.9 1.2 1.3 1.6 1.6 1.3 0.6 0.4

OND 2009 1.1 1.4 1.4 1.5 1.9 1.9 1.5 0.8

NDJ 2009 1.3 1.5 1.4 1.6 1.7 2 2.1 1.5

DJF 2009 1.3 1.6 1.3 1.2 1.5 1.6 1.9 2

JFM 2010 1.2 1.3 1.3 1.2 1 1.3 1.4 1.7

FMA 2010 0.9 1.2 1.1 1.1 1.1 0.9 1.1 1.2

MAM 2010 0.5 0.8 1 1 0.9 1 0.8 1

AMJ 2010 0.0 0.4 0.4 0.8 0.9 0.8 0.8 0.8

MJJ 2010 -0.4 -0.4 0.1 0.2 0.7 0.9 0.8 0.9

JJA 2010 -0.9 -1 -0.6 -0.2 0 0.5 0.9 0.8

JAS 2010 -1.2 -0.9 -1 -0.6 -0.3 -0.1 0.4 0.8

ASO 2010 -1.4 -1 -1.1 -1 -0.6 -0.4 -0.1 0.3

SON 2010 -1.5 -1.6 -1.4 -1.3 -1.1 -0.8 -0.5 -0.2

OND 2010 -1.4 -1.8 -1.9 -1.7 -1.6 -1.3 -1.1 -0.6

40

NDJ 2010 -1.4 -1.6 -1.7 -1.9 -1.8 -1.7 -1.4 -1.2

DJF 2010 -1.3 -1.6 -1.5 -1.5 -1.7 -1.6 -1.6 -1.3

JFM 2011 -1.0 -1.2 -1.4 -1.4 -1.2 -1.4 -1.3 -1.3

FMA 2011 -0.7 -0.7 -0.8 -1.1 -1.1 -0.9 -1.1 -1

MAM 2011 -0.5 -0.6 -0.5 -0.7 -1.1 -1.1 -0.8 -1

AMJ 2011 -0.4 -0.4 -0.5 -0.4 -0.8 -1.2 -1.2 -0.9

MJJ 2011 -0.3 0.1 -0.2 -0.3 -0.3 -0.8 -1.3 -1.2

JJA 2011 -0.3 0.1 0.3 -0.1 -0.3 -0.3 -0.8 -1.3

JAS 2011 -0.6 -0.2 0.1 0.4 0 -0.3 -0.3 -0.8

ASO 2011 -0.8 -0.5 -0.3 0 0.5 0 -0.4 -0.5

SON 2011 -0.9 -1 -0.5 -0.5 -0.1 0.5 -0.1 -0.5

OND 2011 -1.0 -1.3 -1.3 -0.8 -0.7 -0.3 0.5 -0.2

NDJ 2011 -0.9 -1.1 -1.5 -1.3 -0.9 -0.8 -0.4 0.5

DJF 2011 -0.7 -1.2 -1.2 -1.5 -1.3 -1 -0.9 -0.4

JFM 2012 -0.5 -0.9 -1 -1.1 -1.4 -1.1 -0.9 -0.8

FMA 2012 -0.4 -0.6 -0.8 -0.9 -0.9 -1.2 -1 -0.7

MAM 2012 -0.4 -0.5 -0.4 -0.6 -0.8 -0.8 -1.2 -0.9

AMJ 2012 -0.3 -0.1 -0.2 -0.3 -0.5 -0.8 -0.8 -1.2

MJJ 2012 -0.1 0 0.2 0 -0.1 -0.5 -0.8 -0.8

JJA 2012 0.1 0.4 0.2 0.3 0.2 0.2 -0.4 -0.8

JAS 2012 0.3 0.7 0.4 0.3 0.4 0.2 0.3 -0.3

ASO 2012 0.3 0.7 0.9 0.6 0.5 0.5 0.2 0.4

SON 2012 0.3 0.7 0.9 1 0.7 0.6 0.5 0.1

OND 2012 0.1 0.7 0.6 1 1.1 0.9 0.6 0.5

NDJ 2012 -0.2 0 0.6 0.6 1.1 1.1 0.8 0.7

DJF 2012 -0.4 -0.5 -0.4 0.6 0.5 1.1 0.9 0.7

JFM 2013 -0.4 -0.6 -0.7 -0.5 0.5 0.4 0.9 0.7

FMA 2013 -0.3 0.1 -0.4 -0.6 -0.4 0.4 0.3 0.7

41

MAM 2013 -0.2 0 -0.1 -0.3 -0.5 -0.1 0.3 0.3

AMJ 2013 -0.2 0.4 0 -0.1 -0.1 -0.3 0.1 0.3

MJJ 2013 -0.2 0.1 0.2 -0.1 -0.1 0 -0.1 0.4

JJA 2013 -0.3 0 0.2 0.1 -0.1 0 0.2 0.2

JAS 2013 -0.3 0 0.2 0.2 0.1 -0.2 0 0.3

ASO 2013 -0.2 -0.1 0.1 0.3 0.2 0.1 -0.1 0.1

SON 2013 -0.3 0.2 0.2 0.1 0.4 0.2 0.2 -0.1

OND 2013 -0.3 0.2 0.3 0.2 0.1 0.5 0.1 0.2

NDJ 2013 -0.3 0.1 0.3 0.3 0.2 -0.1 0.3 0

DJF 2013 -0.5 -0.2 0 0.4 0.3 0.1 -0.3 0.2

JFM 2014 -0.5 -0.1 -0.2 -0.1 0.4 0.3 0.2 -0.3

FMA 2014 -0.4 -0.1 0.2 0 0 0.5 0.3 0.3

MAM 2014 -0.2 0.1 0.2 0.4 0.2 0.2 0.5 0.4

AMJ 2014 -0.1 0.7 0.5 0.4 0.5 0.4 0.3 0.6

MJJ 2014 0.0 0.6 1 0.7 0.5 0.7 0.6 0.4

JJA 2014 -0.1 0.4 0.7 1.1 0.8 0.6 0.8 0.8

JAS 2014 0.0 0.5 0.5 0.8 1.1 0.8 0.6 0.9

ASO 2014 0.1 0.5 0.7 0.7 1 1.3 0.9 0.7

SON 2014 0.4 0.6 0.9 1 0.9 1.2 1.5 1.1

OND 2014 0.5 0.5 0.8 1.1 1.1 0.9 1.3 1.5

NDJ 2014 0.6 0.8 0.6 0.8 1.1 1 0.9 1.2

DJF 2014 0.6 0.5 0.6 0.6 0.8 1 0.9 0.8

JFM 2015 0.5 0.4 0.4 0.6 0.6 0.8 0.9 0.8

FMA 2015 0.6 0.7 0.5 0.4 0.7 0.7 0.8 0.9

MAM 2015 0.7 0.7 0.7 0.6 0.5 0.8 0.8 0.9

AMJ 2015 0.8 1 0.9 0.9 0.8 0.7 1 0.9

MJJ 2015 1.0 1.5 1.4 1.1 1 1 1 1.3

JJA 2015 1.2 1.6 1.9 1.7 1.2 1.1 1.4 1.3

42

JAS 2015 1.4 2 1.8 2.2 1.8 1.2 1.1 1.6

ASO 2015 1.7 2.1 2.5 2 2.4 2 1.3 1.2

SON 2015 2.0 2.2 2.5 2.9 2.3 2.7 2.2 1.4

OND 2015 2.2 2.3 2.3 2.7 3 2.4 2.7 2.2

NDJ 2015 2.3 2.5 2.2 2.1 2.4 2.7 2.3 2.4

DJF 2015 2.2 2.7 2.2 1.9 1.8 2 2.2 1.9

JFM 2016 2 2.3 2.4 1.9 1.6 1.4 1.6 1.7

FMA 2016 1.6 1.6 1.9 2.1 1.7 1.3 1.2 1.3

MAM 2016 1.1 1.5 1.4 1.5 1.9 1.5 0.9 1

AMJ 2016 0.6 0.6 1.2 1.1 1.2 1.6 1.2 0.6

MJJ 2016 0.1 -0.3 -0.2 1.1 0.9 0.8 1.3 0.9

JJA 2016 -0.3 -0.5 -0.9 -0.9 1 0.7 0.4 0.9

JAS 2016 -0.5 -0.3 -0.8 -1.1 -1.2 1 0.6 0.2

ASO 2016 -0.8 0.5 -0.6 -1 -1.2 -1.4 1 0.4

SON 2016 -0.8 0.6 -0.4 -0.7 -1 -1.2 -1.6 1.1

OND 2016 -0.8 -0.9 -0.6 -0.4 -0.8 -1.1 -1.3 -1.8

NDJ 2016 -0.7 -0.6 -1 -0.7 -0.6 -0.9 -1.2 -1.4

DJF 2016 2.2 0.5 -0.6 -1 -0.6 -0.6 -0.8 -1.2

JFM 2017 -0.1 -0.1 -0.5 -0.6 -0.7 -0.3 -0.5 -0.6

FMA 2017 0.2 0.1 0.1 -0.5 -0.4 -0.3 0 -0.2

2. DATA MODEL KNU

MUSIM TAHUN OBSERVASI LEAD 1 LEAD2 LEAD3 LEAD4 LEAD5 LEAD 6 LEAD 7

ASO 2006 0.5 0.8 0.9 1 0.7 0.7 0.4 0

SON 2006 0.7 1 1 1 1.1 0.8 0.8 0.4

OND 2006 0.9 0.9 1.1 1 1 1.1 0.8 0.8

NDJ 2006 0.9 0.9 0.9 1.1 0.9 0.9 1 0.8

DJF 2006 0.7 0.9 0.9 0.9 1 0.9 0.9 0.9

43

JFM 2007 0.4 1 0.9 0.9 0.9 0.9 0.8 0.8

FMA 2007 0.1 0.6 0.9 0.9 0.9 0.8 0.9 0.8

MAM 2007 -0.1 0.1 0.6 0.8 0.8 0.9 0.8 0.8

AMJ 2007 -0.2 -0.3 0.1 0.5 0.8 0.8 0.8 0.7

MJJ 2007 -0.3 -0.4 -0.3 0.1 0.5 0.7 0.7 0.7

JJA 2007 -0.4 -0.4 -0.4 -0.2 0.1 0.4 0.6 0.6

JAS 2007 -0.6 -0.4 -0.4 -0.3 -0.2 0.1 0.3 0.5

ASO 2007 -0.9 -0.3 -0.4 -0.4 -0.2 -0.2 0.1 0.2

SON 2007 -1.1 -0.5 -0.3 -0.4 -0.3 -0.2 -0.1 0

OND 2007 -1.3 -0.8 -0.5 -0.3 -0.4 -0.3 -0.1 -0.1

NDJ 2007 -1.3 -1.1 -0.8 -0.4 -0.2 -0.3 -0.3 -0.1

DJF 2007 -1.4 -1.3 -1.1 -0.8 -0.4 -0.2 -0.3 -0.3

JFM 2008 -1.3 -1.2 -1.2 -1 -0.7 -0.3 -0.2 -0.3

FMA 2008 -1.1 -1.1 -1 -1 -0.8 -0.7 -0.3 -0.1

MAM 2008 -0.9 -1 -0.9 -0.9 -0.9 -0.7 -0.5 -0.2

AMJ 2008 -0.7 -0.6 -0.7 -0.6 -0.7 -0.7 -0.5 -0.4

MJJ 2008 -0.5 -0.4 -0.3 -0.4 -0.4 -0.5 -0.5 -0.4

JJA 2008 -0.4 0 0 0 -0.2 -0.2 -0.3 -0.3

JAS 2008 -0.3 0.1 0.3 0.3 0.2 0 0 -0.1

ASO 2008 -0.3 0.1 0.4 0.6 0.4 0.3 0.1 0.1

SON 2008 -0.4 0.2 0.3 0.6 0.7 0.5 0.4 0.2

OND 2008 -0.6 0 0.4 0.5 0.7 0.8 0.6 0.5

NDJ 2008 -0.7 -0.2 0.1 0.6 0.6 0.7 0.8 0.7

DJF 2008 -0.7 -0.4 0 0.3 0.6 0.6 0.8 0.9

JFM 2009 -0.6 -0.6 -0.3 0.1 0.4 0.7 0.7 0.8

FMA 2009 -0.4 -0.5 -0.4 -0.2 0.2 0.4 0.7 0.7

MAM 2009 -0.1 -0.5 -0.3 -0.3 -0.1 0.2 0.4 0.7

AMJ 2009 0.2 -0.2 -0.2 -0.1 -0.2 -0.1 0.2 0.4

44

MJJ 2009 0.4 0.1 0 0 0 -0.1 0 0.2

JJA 2009 0.5 0.3 0.3 0.2 0.1 0.1 -0.1 0

JAS 2009 0.5 0.8 0.5 0.5 0.3 0.2 0.2 -0.1

ASO 2009 0.6 1 1 0.7 0.7 0.4 0.3 0.2

SON 2009 0.9 1.1 1.2 1.2 0.9 0.8 0.5 0.4

OND 2009 1.1 0.8 1.1 1.2 1.2 0.9 0.8 0.6

NDJ 2009 1.3 0.8 0.8 1.1 1.2 1.2 0.9 0.8

DJF 2009 1.3 1.2 0.9 0.8 1.1 1.1 1.1 0.9

JFM 2010 1.2 1.3 1.1 0.8 0.8 1.1 1.1 1.1

FMA 2010 0.9 1.1 1.2 1.1 0.8 0.8 1 1

MAM 2010 0.5 0.8 1 1.1 1 0.8 0.8 0.9

AMJ 2010 0.0 0.4 0.7 0.9 1 0.9 0.7 0.7

MJJ 2010 -0.4 0.2 0.3 0.6 0.8 0.9 0.8 0.6

JJA 2010 -0.9 -0.7 0 0.2 0.5 0.7 0.8 0.7

JAS 2010 -1.2 -1.1 -0.8 0 0.1 0.4 0.6 0.7

ASO 2010 -1.4 -1 -1.1 -0.7 -0.1 0 0.3 0.6

SON 2010 -1.5 -0.8 -0.9 -0.9 -0.6 -0.1 0 0.3

OND 2010 -1.4 -1.2 -0.7 -0.7 -0.7 -0.5 0 0

NDJ 2010 -1.4 1.2 -1 -0.5 -0.6 -0.6 -0.4 -0.1

DJF 2010 -1.3 -1.1 -1 -0.8 -0.4 -0.5 -0.5 -0.3

JFM 2011 -1.0 -1.2 -1 -0.9 -0.7 -0.4 -0.4 -0.5

FMA 2011 -0.7 -1.2 -1.1 -1 -0.9 -0.6 -0.4 -0.5

MAM 2011 -0.5 -1 -1.1 -1.1 -0.9 -0.8 -0.6 -0.4

AMJ 2011 -0.4 -0.7 -0.8 -1 -0.9 -0.8 -0.7 -0.6

MJJ 2011 -0.3 -0.4 -0.5 -0.6 -0.7 -0.7 -0.6 -0.6

JJA 2011 -0.3 -0.1 -0.1 -0.2 -0.3 -0.5 -0.5 -0.4

JAS 2011 -0.6 0.1 0.3 0.2 0 -0.1 -0.3 -0.3

ASO 2011 -0.8 -0.1 0.3 0.5 0.4 0.2 0.1 -0.1

45

SON 2011 -0.9 -0.3 0.1 0.5 0.6 0.5 0.3 0.2

OND 2011 -1.0 -0.4 -0.1 0.3 0.6 0.7 0.6 0.4

NDJ 2011 -0.9 -0.6 -0.3 0.1 0.3 0.6 0.8 0.6

DJF 2011 -0.7 -0.6 -0.4 -0.1 0.2 0.4 0.7 0.8

JFM 2012 -0.5 -0.5 -0.4 -0.3 0 0.3 0.5 0.7

FMA 2012 -0.4 -0.3 -0.4 -0.2 -0.1 0.1 0.3 0.5

MAM 2012 -0.4 -0.3 -0.2 -0.3 -0.1 0 0.2 0.4

AMJ 2012 -0.3 -0.2 -0.1 -0.1 -0.2 -0.1 0.1 0.2

MJJ 2012 -0.1 0.1 0.1 0.2 0.1 -0.1 0 0.1

JJA 2012 0.1 0.4 0.5 0.4 0.4 0.2 0 0.1

JAS 2012 0.3 0.8 0.6 0.7 0.6 0.4 0.3 0.1

ASO 2012 0.3 0.8 1 0.8 0.9 0.6 0.5 0.4

SON 2012 0.3 0.8 1 1.2 1 1 0.7 0.6

OND 2012 0.1 0.8 0.9 1.2 1.3 1 1.1 0.8

NDJ 2012 -0.2 0.3 0.9 1 1.3 1.3 1.1 1.1

DJF 2012 -0.4 0.1 0.3 1 1 1.3 1.2 1

JFM 2013 -0.4 -0.2 0.1 0.3 1 1 1.2 1.2

FMA 2013 -0.3 -0.4 -0.2 0.1 0.4 1 1 1.2

MAM 2013 -0.2 -0.4 -0.3 -0.1 0.2 0.4 1 0.9

AMJ 2013 -0.2 -0.4 -0.3 -0.3 -0.1 0.2 0.4 0.9

MJJ 2013 -0.2 -0.3 -0.1 -0.1 -0.1 0 0.2 0.3

JJA 2013 -0.3 -0.2 -0.1 0.1 0 -0.1 0 0.1

JAS 2013 -0.3 0.1 0 0.2 0.3 0.2 0.1 0

ASO 2013 -0.2 0 0.1 0.1 0.2 0.4 0.2 0.1

SON 2013 -0.3 -0.1 0 0.2 0.1 0.2 0.4 0.2

OND 2013 -0.3 -0.1 0 0.1 0.2 0.2 0.3 0.4

NDJ 2013 -0.3 0.2 0.1 0.1 0.2 0.3 0.3 0.3

DJF 2013 -0.5 0.4 0.4 0.2 0.3 0.3 0.4 0.3

46

JFM 2014 -0.5 0.2 0.5 0.5 0.3 0.3 0.4 0.4

FMA 2014 -0.4 -0.1 0.3 0.6 0.5 0.3 0.4 0.4

MAM 2014 -0.2 0.1 0.1 0.4 0.6 0.5 0.4 0.4

AMJ 2014 -0.1 0.4 0.2 0.2 0.4 0.6 0.5 0.4

MJJ 2014 0.0 0.5 0.5 0.3 0.3 0.4 0.5 0.5

JJA 2014 -0.1 0.8 0.7 0.6 0.5 0.3 0.4 0.5

JAS 2014 0.0 0.8 1 0.8 0.8 0.6 0.4 0.4

ASO 2014 0.1 0.7 1.1 1.2 1 0.9 0.7 0.5

SON 2014 0.4 0.8 0.9 1.2 1.2 1 1 0.8

OND 2014 0.5 0.6 0.9 0.9 1.2 1.2 1 0.9

NDJ 2014 0.6 0.6 0.7 0.9 1 1.1 1.1 0.9

DJF 2014 0.6 0.8 0.7 0.7 1 1 1.1 1.1

JFM 2015 0.5 0.7 0.8 0.8 0.8 1 1 1.1

FMA 2015 0.6 0.5 0.7 0.8 0.7 0.8 0.9 0.9

MAM 2015 0.7 0.5 0.5 0.6 0.8 0.7 0.7 0.9

AMJ 2015 0.8 0.5 0.5 0.5 0.6 0.8 0.7 0.7

MJJ 2015 1.0 0.8 0.5 0.5 0.5 0.6 0.7 0.6

JJA 2015 1.2 1.1 0.8 0.5 0.5 0.4 0.5 0.7

JAS 2015 1.4 1.4 1.2 0.9 0.5 0.5 0.4 0.5

ASO 2015 1.7 1.8 1.5 1.3 1 0.6 0.5 0.4

SON 2015 2.0 1.9 1.8 1.6 1.3 1 0.7 0.5

OND 2015 2.2 1.8 1.8 1.7 1.5 1.3 1 0.6

NDJ 2015 2.3 1.7 1.7 1.7 1.6 1.4 1.2 0.9

DJF 2015 2.2 1.7 1.6 1.5 1.5 1.4 1.3 1.1

JFM 2016 2 1.7 1.5 1.5 1.4 1.4 1.3 1.1

FMA 2016 1.6 1.6 1.5 1.4 1.3 1.3 1.2 1.1

MAM 2016 1.1 1.3 1.3 1.3 1.2 1.2 1.1 1

AMJ 2016 0.6 1 1 1.1 1.1 1 1 0.9

47

MJJ 2016 0.1 0.5 0.7 0.8 0.8 0.8 0.8 0.7

JJA 2016 -0.3 -0.2 0.2 0.4 0.5 0.6 0.6 0.5

JAS 2016 -0.5 -0.7 -0.5 -0.1 0.2 0.2 0.3 0.3

ASO 2016 -0.8 -0.8 -0.8 -0.7 -0.3 -0.1 0 0

SON 2016 -0.8 -0.8 -0.9 -0.9 -0.8 -0.5 -0.3 -0.3

OND 2016 -0.8 -0.6 -0.8 -0.9 -1 -1 -0.6 -0.6

NDJ 2016 -0.7 -0.5 -0.6 -0.7 -0.9 -1.1 -1.1 -0.8

DJF 2016 2.2 0.2 -0.4 -0.6 -0.7 -0.9 -1.1 -1.2

JFM 2017 -0.1 0.2 -0.2 -0.4 -0.6 -0.7 -0.9 -1.2

FMA 2017 0.2 -0.3 -0.2 -0.2 -0.5 -0.6 -0.8 -1

3. DATA MODEL MARKOV

MUSIM TAHUN OBSERVASI LEAD

1

LEAD

2

LEAD

3

LEAD

4

LEAD

5

LEAD

6

LEAD

7

ASO 2006 0.5 0.3 0 -0.1 -0.5 -0.6 -0.6 -0.5

SON 2006 0.7 0.7 0.4 0 -0.1 -0.4 -0.6 -0.6

OND 2006 0.9 0.9 0.8 0.5 0.1 0 -0.4 -0.5

NDJ 2006 0.9 1.2 1 0.9 0.5 0.2 0.1 -0.3

DJF 2006 0.7 1 1.1 1 0.9 0.6 0.3 0.2

JFM 2007 0.4 0.7 0.9 1 0.9 0.8 0.6 0.3

FMA 2007 0.1 0.3 0.6 0.8 0.9 0.8 0.7 0.5

MAM 2007 -0.1 -0.2 0.2 0.5 0.8 0.8 0.7 0.6

AMJ 2007 -0.2 -0.4 -0.2 0.2 0.4 0.7 0.7 0.6

MJJ 2007 -0.3 -0.4 -0.4 -0.2 0.2 0.4 0.7 0.6

JJA 2007 -0.4 -0.5 -0.4 -0.4 -0.2 0.2 0.3 0.6

JAS 2007 -0.6 -0.6 -0.5 -0.4 -0.4 -0.3 0.1 0.3

ASO 2007 -0.9 -0.7 -0.6 -0.6 -0.4 -0.4 -0.3 0.1

SON 2007 -1.1 -0.9 -0.7 -0.6 -0.5 -0.4 -0.4 -0.3

48

OND 2007 -1.3 -1.2 -0.9 -0.7 -0.6 -0.5 -0.3 -0.3

NDJ 2007 -1.3 -1.4 -1.1 -0.9 -0.6 -0.5 -0.4 -0.2

DJF 2007 -1.4 -1.5 -1.2 -1 -0.8 -0.5 -0.4 -0.3

JFM 2008 -1.3 -1.5 -1.3 -1.1 -0.9 -0.6 -0.4 -0.3

FMA 2008 -1.1 -1.5 -1.3 -1.1 -0.9 -0.7 -0.5 -0.3

MAM 2008 -0.9 -1.5 -1.3 -1.1 -0.9 -0.7 -0.5 -0.4

AMJ 2008 -0.7 -1.1 -1.3 -1.1 -0.9 -0.6 -0.4 -0.3

MJJ 2008 -0.5 -0.9 -1 -1.2 -1 -0.7 -0.4 -0.2

JJA 2008 -0.4 -0.6 -0.9 -1 -1.1 -0.9 -0.6 -0.3

JAS 2008 -0.3 -0.5 -0.6 -0.9 -1.1 -1.2 -0.9 -0.5

ASO 2008 -0.3 -0.3 -0.5 -0.7 -1 -1.1 -1.2 -0.8

SON 2008 -0.4 -0.3 -0.4 -0.5 -0.7 -1.1 -1.2 -1.3

OND 2008 -0.6 -0.5 -0.3 -0.4 -0.5 -0.7 -1.1 -1.1

NDJ 2008 -0.7 -0.6 -0.4 -0.3 -0.3 -0.4 -0.6 -1

DJF 2008 -0.7 -0.7 -0.6 -0.4 -0.2 -0.2 -0.3 -0.5

JFM 2009 -0.6 -0.9 -0.6 -0.5 -0.3 -0.2 -0.2 -0.2

FMA 2009 -0.4 -1 -0.8 -0.5 -0.4 -0.2 -0.2 -0.1

MAM 2009 -0.1 -0.9 -0.8 -0.6 -0.4 -0.4 -0.2 -0.1

AMJ 2009 0.2 -0.7 -0.8 -0.7 -0.5 -0.3 -0.3 -0.1

MJJ 2009 0.4 -0.3 -0.6 -0.7 -0.6 -0.4 -0.3 -0.2

JJA 2009 0.5 0 -0.3 -0.5 -0.7 -0.5 -0.4 -0.2

JAS 2009 0.5 0.2 0 -0.3 -0.5 -0.7 -0.5 -0.3

ASO 2009 0.6 0.4 0.3 0 -0.3 -0.5 -0.7 -0.4

SON 2009 0.9 0.7 0.5 0.4 0 -0.3 -0.5 -0.7

OND 2009 1.1 0.7 0.8 0.6 0.5 0.1 -0.2 -0.4

NDJ 2009 1.3 1.1 0.8 0.9 0.7 0.5 0.2 -0.2

DJF 2009 1.3 1.3 1.1 0.9 1 0.7 0.6 0.3

JFM 2010 1.2 1.2 1.2 1.1 0.8 0.9 0.7 0.6

49

FMA 2010 0.9 0.8 1.1 1.1 1 0.8 0.8 0.6

MAM 2010 0.5 0.8 0.8 1 1 0.9 0.7 0.7

AMJ 2010 0.0 0.6 0.7 0.7 0.9 0.9 0.9 0.7

MJJ 2010 -0.4 0.4 0.5 0.6 0.7 0.8 0.8 0.8

JJA 2010 -0.9 -0.4 0.3 0.5 0.6 0.7 0.8 0.8

JAS 2010 -1.2 -0.8 -0.5 0.2 0.4 0.5 0.7 0.7

ASO 2010 -1.4 -1.3 -0.9 -0.6 0.2 0.4 0.5 0.7

SON 2010 -1.5 -1.7 -1.4 -1 -0.6 0.2 0.4 0.6

OND 2010 -1.4 -1.9 -1.8 -1.4 -1 -0.6 0.2 0.4

NDJ 2010 -1.4 -2 -1.9 -1.7 -1.4 -0.9 -0.6 0.3

DJF 2010 -1.3 -1.7 -1.8 -1.7 -1.5 -1.2 -0.8 -0.5

JFM 2011 -1.0 -1.7 -1.5 -1.6 -1.5 -1.3 -1 -0.7

FMA 2011 -0.7 -1.5 -1.5 -1.2 -1.3 -1.2 -1.1 -0.9

MAM 2011 -0.5 -1 -1.2 -1.2 -1 -1 -1 -0.8

AMJ 2011 -0.4 -0.8 -0.7 -1 -1 -0.8 -0.8 -0.7

MJJ 2011 -0.3 -0.5 -0.6 -0.6 -0.8 -0.8 -0.6 -0.6

JJA 2011 -0.3 -0.5 -0.3 -0.5 -0.5 -0.7 -0.7 -0.5

JAS 2011 -0.6 -0.4 -0.4 -0.3 -0.5 -0.4 -0.6 -0.6

ASO 2011 -0.8 -0.5 -0.4 -0.4 -0.2 -0.4 -0.3 -0.5

SON 2011 -0.9 -0.8 -0.5 -0.3 -0.3 -0.1 -0.3 -0.2

OND 2011 -1.0 -1 -0.7 -0.4 -0.3 -0.2 0.1 -0.2

NDJ 2011 -0.9 -1.1 -0.9 -0.6 -0.3 -0.2 -0.1 0.2

DJF 2011 -0.7 -1.1 -0.9 -0.8 -0.5 -0.2 0 0

JFM 2012 -0.5 -1.2 -0.9 -0.7 -0.6 -0.3 -0.1 0.1

FMA 2012 -0.4 -1.1 -1 -0.7 -0.6 -0.5 -0.2 0

MAM 2012 -0.4 -0.5 -0.9 -0.8 -0.6 -0.4 -0.3 -0.1

AMJ 2012 -0.3 -0.5 -0.4 -0.7 -0.6 -0.4 -0.2 -0.1

MJJ 2012 -0.1 -0.3 -0.4 -0.3 -0.6 -0.5 -0.2 0

50

JJA 2012 0.1 -0.2 -0.3 -0.4 -0.2 -0.5 -0.3 -0.1

JAS 2012 0.3 -0.2 -0.2 -0.3 -0.4 -0.2 -0.5 -0.3

ASO 2012 0.3 -0.2 -0.2 -0.2 -0.3 -0.4 -0.2 -0.4

SON 2012 0.3 0.2 -0.1 -0.1 -0.2 -0.2 -0.4 -0.1

OND 2012 0.1 0.3 0.3 -0.1 -0.1 -0.1 -0.2 -0.3

NDJ 2012 -0.2 0.1 0.3 0.3 0 0 0 -0.1

DJF 2012 -0.4 0 0.1 0.4 0.4 0.1 0.1 0.1

JFM 2013 -0.4 -0.4 0 0.2 0.4 0.4 0.1 0.1

FMA 2013 -0.3 -0.7 -0.3 0 0.1 0.3 0.3 0.2

MAM 2013 -0.2 -0.7 -0.6 -0.3 0 0.1 0.3 0.3

AMJ 2013 -0.2 -0.5 -0.6 -0.5 -0.3 0 0.1 0.2

MJJ 2013 -0.2 -0.7 -0.5 -0.6 -0.5 -0.2 0 0.1

JJA 2013 -0.3 -0.9 -0.7 -0.5 -0.6 -0.4 -0.2 0

JAS 2013 -0.3 -0.8 -0.9 -0.7 -0.5 -0.6 -0.4 -0.2

ASO 2013 -0.2 -0.7 -0.8 -0.9 -0.7 -0.6 -0.6 -0.4

SON 2013 -0.3 -0.6 -0.7 -0.8 -1 -0.7 -0.6 -0.6

OND 2013 -0.3 -0.7 -0.6 -0.6 -0.8 -1 -0.7 -0.6

NDJ 2013 -0.3 -0.3 -0.5 -0.4 -0.5 -0.7 -0.8 -0.6

DJF 2013 -0.5 -0.1 -0.2 -0.4 -0.3 -0.4 -0.5 -0.7

JFM 2014 -0.5 -0.3 0 -0.1 -0.3 -0.2 -0.2 -0.4

FMA 2014 -0.4 -0.5 -0.2 0.1 0 -0.2 -0.1 -0.2

MAM 2014 -0.2 -0.4 -0.4 -0.2 0.1 0.1 -0.1 0

AMJ 2014 -0.1 0.2 -0.3 -0.3 -0.1 0.2 0.1 -0.1

MJJ 2014 0.0 0.3 0.2 -0.2 -0.2 -0.1 0.2 0.2

JJA 2014 -0.1 0.4 0.3 0.3 -0.1 -0.2 -0.1 0.2

JAS 2014 0.0 0.3 0.5 0.4 0.4 0 -0.1 0

ASO 2014 0.1 0.2 0.4 0.6 0.5 0.5 0.1 -0.1

SON 2014 0.4 0.5 0.3 0.5 0.7 0.6 0.7 0.3

51

OND 2014 0.5 0.5 0.6 0.4 0.6 0.8 0.8 0.8

NDJ 2014 0.6 0.6 0.6 0.8 0.6 0.6 0.9 0.9

DJF 2014 0.6 0.7 0.7 0.7 0.8 0.6 0.7 1

JFM 2015 0.5 0.4 0.7 0.7 0.7 0.8 0.6 0.7

FMA 2015 0.6 0.2 0.4 0.7 0.6 0.7 0.7 0.6

MAM 2015 0.7 0.3 0.2 0.3 0.6 0.6 0.6 0.7

AMJ 2015 0.8 0.8 0.3 0.3 0.3 0.6 0.6 0.6

MJJ 2015 1.0 1.1 0.8 0.4 0.3 0.3 0.5 0.6

JJA 2015 1.2 1.3 1.1 0.9 0.4 0.3 0.3 0.5

JAS 2015 1.4 1.6 1.4 1.2 1 0.5 0.4 0.3

ASO 2015 1.7 2.2 1.8 1.6 1.4 1.2 0.7 0.5

SON 2015 2.0 2.5 2.4 2 1.8 1.6 1.4 0.8

OND 2015 2.2 2.6 2.7 2.6 2.1 2 1.8 1.6

NDJ 2015 2.3 2.6 2.7 2.8 2.7 2.2 2.1 1.9

DJF 2015 2.2 2.4 2.5 2.6 2.7 2.6 2.2 2.1

JFM 2016 2 2.1 2.2 2.2 2.4 2.4 2.3 2

FMA 2016 1.6 1.6 1.7 1.8 1.9 2 2 2

MAM 2016 1.1 1.2 1.4 1.4 1.5 1.5 1.6 1.6

AMJ 2016 0.6 0.9 0.9 1.1 1.2 1.2 1.2 1.3

MJJ 2016 0.1 0.3 0.7 0.7 0.9 0.9 1 1

JJA 2016 -0.3 0 0.2 0.6 0.5 0.7 0.7 0.7

JAS 2016 -0.5 -0.2 -0.2 0.1 0.4 0.3 0.6 0.6

ASO 2016 -0.8 0.4 -0.3 -0.3 -0.1 0.3 0.2 0.4

SON 2016 -0.8 5 -0.5 -0.4 -0.4 -0.1 0.3 0.1

OND 2016 -0.8 0.6 -0.5 -0.5 -0.4 -0.5 -0.2 0.2

NDJ 2016 -0.7 -0.7 -0.6 -0.5 -0.5 -0.4 -0.5 -0.2

DJF 2016 2.2 -0.5 -0.6 -0.5 -0.4 -0.4 -0.4 -0.5

JFM 2017 -0.1 -0.3 -0.4 -0.5 -0.4 -0.4 -0.4 -0.4

52

FMA 2017 0.2 -0.3 -0.3 -0.4 -0.5 -0.4 -0.4 -0.4

4. DATA MODEL CLIPER

MUSIM TAHUN OBSERVASI LEAD1 LEAD2 LEAD3 LEAD4 LEAD5 LEAD6 LEAD 7

ASO 2006 0.5 0.3 0.5 0.3 0 0.5 0 -0.9

SON 2006 0.7 0.8 0.5 0.8 0.4 0 0.6 -0.1

OND 2006 0.9 1 0.7 0.8 1 0.4 0.1 0.8

NDJ 2006 0.9 0.9 0.9 0.7 1 0.9 0.3 0.1

DJF 2006 0.7 1.1 0.8 0.9 0.6 0.8 0.8 0.2

JFM 2007 0.4 0.9 0.8 0.6 0.8 0.6 0.7 0.6

FMA 2007 0.1 0.2 0.7 0.5 0.5 0.7 0.5 0.5

MAM 2007 -0.1 -0.2 0.2 0.6 0.3 0.4 0.7 0.4

AMJ 2007 -0.2 -0.4 -0.3 0.1 0.4 0.3 0.3 0.6

MJJ 2007 -0.3 -0.3 -0.5 -0.4 0.1 0.4 0.3 0.2

JJA 2007 -0.4 -0.4 -0.4 -0.5 -0.5 0.1 0.3 0.3

JAS 2007 -0.6 -0.3 -0.4 -0.5 -0.6 -0.5 0.1 0.3

ASO 2007 -0.9 -0.4 -0.3 -0.4 -0.6 -0.6 -0.6 0.1

SON 2007 -1.1 0 -0.4 -0.3 -0.4 -0.6 -0.6 -0.7

OND 2007 -1.3 -0.6 -0.2 -0.3 -0.2 -0.4 -0.7 -0.6

NDJ 2007 -1.3 -1.5 -0.5 -0.5 -0.3 -0.2 -0.5 -0.8

DJF 2007 -1.4 -1.2 -1.3 -0.4 -0.7 -0.2 -0.2 -0.6

JFM 2008 -1.3 -1 -1 -1 -0.3 -0.5 -0.1 -0.2

FMA 2008 -1.1 -1.2 -0.9 -0.8 -0.8 -0.2 -0.3 -0.1

MAM 2008 -0.9 -0.7 -1 -0.9 -0.6 -0.6 -0.1 -0.2

AMJ 2008 -0.7 0 -0.4 -0.9 -0.8 -0.6 -0.4 0.1

MJJ 2008 -0.5 -0.3 0.4 0 -0.7 -0.8 -0.5 -0.2

JJA 2008 -0.4 -0.1 -0.4 0.8 0.3 -0.8 -0.8 -0.5

JAS 2008 -0.3 0.3 -0.2 -0.4 1.2 0.3 -1 -0.8

53

ASO 2008 -0.3 0.1 0.3 -0.2 -0.4 1.4 0.3 -1.1

SON 2008 -0.4 -0.1 0.2 0.3 -0.3 -0.4 1.6 0.2

OND 2008 -0.6 -0.2 0 0.3 0.3 -0.1 -0.4 1.8

NDJ 2008 -0.7 -0.3 -0.3 0.1 0.5 0.2 0.1 -0.4

DJF 2008 -0.7 -0.2 -0.2 -0.3 0.2 0.4 0.2 0.3

JFM 2009 -0.6 -0.5 -0.2 -0.2 -0.4 0.1 0.3 0.2

FMA 2009 -0.4 -0.5 -0.4 -0.3 -0.1 -0.4 0.1 0.2

MAM 2009 -0.1 -0.5 -0.5 -0.4 -0.3 -0.2 -0.4 0

AMJ 2009 0.2 -0.3 -0.4 -0.5 -0.3 -0.2 -0.3 -0.5

MJJ 2009 0.4 0 -0.2 -0.4 -0.5 -0.2 0 -0.4

JJA 2009 0.5 0.5 -0.1 -0.2 -0.4 -0.4 0 0.2

JAS 2009 0.5 0.4 0.6 -0.1 -0.1 -0.4 -0.3 0.1

ASO 2009 0.6 1 0.7 0.7 -0.1 -0.1 -0.5 -0.1

SON 2009 0.9 0.9 1.3 1 0.7 -0.2 -0.1 -0.6

OND 2009 1.1 1 1.1 1.6 1.4 0.8 -0.2 -0.1

NDJ 2009 1.3 1.1 0.9 1.2 1.9 1.2 0.8 -0.3

DJF 2009 1.3 1.4 0.9 0.8 1.3 1.6 1.1 0.8

JFM 2010 1.2 1.2 1.2 0.7 0.7 1 1.3 1

FMA 2010 0.9 0.9 1 0.9 0.6 0.6 0.8 0.9

MAM 2010 0.5 0.6 0.8 0.8 0.6 0.4 0.6 0.5

AMJ 2010 0.0 0.6 0.5 0.6 0.6 0.5 0.3 0.5

MJJ 2010 -0.4 0.4 0.5 0.3 0.5 0.6 0.4 0.2

JJA 2010 -0.9 -0.1 0.3 0.4 0.1 0.4 0.5 0.3

JAS 2010 -1.2 -1 -0.1 0.3 0.3 0.1 0.4 0.4

ASO 2010 -1.4 -1.1 -0.9 0 0.3 0.3 0.1 0.4

SON 2010 -1.5 -1.4 -1.2 -0.7 0 0.3 0.4 0.1

OND 2010 -1.4 -1.9 -1.4 -1.4 -0.6 0 0.4 0.4

NDJ 2010 -1.4 -1.8 -1.8 -1.5 -1.5 -0.5 0 0.5

54

DJF 2010 -1.3 -1.3 -1.5 -1.6 -1.5 -1.2 -0.3 0

JFM 2011 -1.0 -1.1 -1 -1.2 -1.4 -1.2 -1 -0.2

FMA 2011 -0.7 0.1 -0.9 -0.8 -0.9 -1 -0.9 -0.7

MAM 2011 -0.5 -0.5 0.3 -0.6 -0.6 -0.7 -0.5 -0.7

AMJ 2011 -0.4 -0.3 -0.2 0.4 -0.4 -0.5 -0.5 0

MJJ 2011 -0.3 -0.2 0 0.2 0.6 -0.3 -0.4 -0.3

JJA 2011 -0.3 -0.2 -0.2 0.2 0.6 0.6 -0.1 -0.3

JAS 2011 -0.6 -0.2 -0.1 -0.2 0.4 0.6 0.6 0.1

ASO 2011 -0.8 0 0 0 -0.1 0.6 0.7 0.7

SON 2011 -0.9 -0.1 0 0.3 0.1 0 0.7 0.7

OND 2011 -1.0 -0.6 -0.2 0.1 0.5 0.2 0 0.8

NDJ 2011 -0.9 -0.7 -0.5 -0.2 0.2 0.4 0.3 0.1

DJF 2011 -0.7 0 -0.6 -0.4 -0.3 0.2 0.4 0.4

JFM 2012 -0.5 0 -0.1 -0.5 -0.4 -0.2 0.2 0.3

FMA 2012 -0.4 -0.2 0 -0.1 -0.4 -0.2 -0.1 0.2

MAM 2012 -0.4 0.1 0 0 -0.2 -0.2 -0.1 0

AMJ 2012 -0.3 0.1 0.3 0.2 -0.1 -0.2 -0.1 0.1

MJJ 2012 -0.1 0.3 0.1 0.4 0.4 0 -0.1 0

JJA 2012 0.1 0 0.4 0.1 0.5 0.4 0 -0.1

JAS 2012 0.3 0.4 0 0.4 0.2 0.5 0.4 0

ASO 2012 0.3 0.3 0.3 0 0.5 0.2 0.6 0.3

SON 2012 0.3 0.7 0.3 0.3 0 0.3 0.2 0.6

OND 2012 0.1 0.8 0.8 0.2 0.2 0.1 0.1 0.2

NDJ 2012 -0.2 0.3 0.8 0.8 0.2 0.2 0.2 0

DJF 2012 -0.4 0.3 0.3 0.9 0.9 0.1 0.1 0.3

JFM 2013 -0.4 -0.1 0.2 0.2 0.7 0.7 0 0

FMA 2013 -0.3 -0.2 -0.1 0 0.2 0.4 0.4 -0.1

MAM 2013 -0.2 -0.4 -0.3 -0.2 -0.2 0.1 0.2 0.2

55

AMJ 2013 -0.2 -0.2 -0.5 -0.5 -0.3 -0.1 -0.1 0.1

MJJ 2013 -0.2 -0.5 -0.1 -0.6 -0.6 -0.2 0 -0.2

JJA 2013 -0.3 -0.4 -0.5 -0.1 -0.7 -0.6 -0.2 0.1

JAS 2013 -0.3 -0.7 -0.3 -0.6 0 -0.8 -0.6 -0.1

ASO 2013 -0.2 -0.6 -0.6 -0.2 -0.6 0 -0.9 -0.6

SON 2013 -0.3 -0.3 -0.6 -0.4 -0.1 -0.6 0.1 -1

OND 2013 -0.3 -0.1 -0.4 -0.6 -0.3 -0.2 -0.6 0.1

NDJ 2013 -0.3 0 -0.1 -0.5 -0.6 -0.3 -0.3 -0.5

DJF 2013 -0.5 0 0 -0.1 -0.6 -0.5 -0.2 -0.3

JFM 2014 -0.5 0 0 0 -0.1 -0.4 -0.5 -0.2

FMA 2014 -0.4 -0.5 0 0 0 0.1 -0.2 -0.4

MAM 2014 -0.2 -0.3 -0.2 0 0.1 0.1 0.3 -0.1

AMJ 2014 -0.1 -0.2 -0.2 0 0 0.1 0.2 0.5

MJJ 2014 0.0 0.3 -0.1 0 0.2 0.1 0.1 0.3

JJA 2014 -0.1 0.9 0.4 0 0.1 0.2 0.2 0.2

JAS 2014 0.0 0.2 1.1 0.5 0.1 0.1 0.1 0.2

ASO 2014 0.1 0.6 0.7 1.3 0.6 0.2 0.1 0.1

SON 2014 0.4 0.4 0.9 1.1 1.4 0.6 0.3 0.1

OND 2014 0.5 0.8 0.5 1.2 1.6 1.4 0.5 0.5

NDJ 2014 0.6 0.5 0.8 0.6 1.5 1.6 1.4 0.4

DJF 2014 0.6 0.7 0.4 0.8 0.7 1.3 1.5 1.4

JFM 2015 0.5 0.5 0.6 0.4 0.9 0.6 1.1 1.4

FMA 2015 0.6 0.3 0.4 0.5 0.3 0.9 0.4 0.9

MAM 2015 0.7 -0.1 0.2 0.3 0.3 0.3 1 0.3

AMJ 2015 0.8 0 -0.2 0 0.2 0.2 0.3 1

MJJ 2015 1.0 0.5 -0.1 -0.4 -0.1 0.2 0.2 0.3

JJA 2015 1.2 1.1 0.5 -0.2 -0.6 -0.1 0.2 0.1

JAS 2015 1.4 0.9 1.3 0.5 -0.2 -0.6 0 0.2

56

ASO 2015 1.7 2 1.4 1.5 0.5 -0.2 -0.7 0.1

SON 2015 2.0 2.1 2.3 1.8 1.7 0.6 -0.2 -0.7

OND 2015 2.2 2.5 2.2 2.6 2.2 1.6 0.7 -0.2

NDJ 2015 2.3 2.5 2.3 2.4 2.9 2 1.6 0.8

DJF 2015 2.2 2.4 2.1 2.1 2.5 2.4 1.9 1.6

JFM 2016 2 1.9 1.9 1.7 1.9 1.9 1.9 1.7

FMA 2016 1.6 1.2 1.3 1.3 1.3 1.5 1.2 1.4

MAM 2016 1.1 0.9 0.9 0.8 0.8 0.9 1.1 0.6

AMJ 2016 0.6 0.5 0.5 0.6 0.3 0.3 0.6 0.8

MJJ 2016 0.1 0.4 0.2 0 0.2 0 -0.1 0.2

JJA 2016 -0.3 -0.1 0.3 -0.2 -0.5 0.1 -0.3 -0.6

JAS 2016 -0.5 -0.7 -0.2 0.1 -0.6 -0.5 -0.1 -0.5

ASO 2016 -0.8 0.6 -0.7 -0.4 -0.1 -0.8 -0.6 -0.3

SON 2016 -0.8 0.8 -0.8 -0.8 -0.5 -0.1 -1 -0.6

OND 2016 -0.8 0.7 -0.8 -0.9 -0.8 -0.5 -0.1 -1.2

NDJ 2016 -0.7 -0.8 -0.6 -0.8 -1.1 -0.8 -0.5 -0.1

DJF 2016 2.2 0.5 -0.7 -0.5 -0.8 -0.9 -0.7 -0.6

JFM 2017 -0.1 -1.1 -0.4 -0.6 -0.5 -0.7 -0.8 -0.7

FMA 2017 0.2 -0.1 -1 -0.3 -0.4 -0.3 -0.5 -0.6

5. MODEL DATA Contructed Analogue (CA)

MUSIM TAHUN OBSERVASI LEAD1 LEAD2 LEAD3 LEAD4 LEAD 5 LEAD 6 LEAD7

ASO 2006 0.5 0.4 0.5 0.6 0.6 0.6 0.5 0.5

SON 2006 0.7 0.6 0.5 0.5 0.6 0.7 0.7 0.5

OND 2006 0.9 0.8 0.6 0.5 0.5 0.6 0.6 0.7

NDJ 2006 0.9 0.9 0.7 0.5 0.5 0.4 0.5 0.6

DJF 2006 0.7 1 0.7 0.6 0.4 0.4 0.4 0.4

JFM 2007 0.4 0.7 0.7 0.5 0.4 0.3 0.2 0.2

57

FMA 2007 0.1 0.5 0.5 0.5 0.4 0.3 0.1 0.1

MAM 2007 -0.1 0.4 0.4 0.3 0.4 0.3 0.3 0.2

AMJ 2007 -0.2 0.3 0.3 0.3 0.3 0.3 0.4 0.3

MJJ 2007 -0.3 0.2 0.4 0.2 0.2 0.2 0.3 0.4

JJA 2007 -0.4 0.2 0.3 0.4 0.2 0.2 0.2 0.2

JAS 2007 -0.6 0 0.2 0.3 0.3 0.1 0.1 0.1

ASO 2007 -0.9 -0.3 -0.1 0.1 0.3 0.3 0.1 0.1

SON 2007 -1.1 -0.6 -0.4 -0.1 0.1 0.3 0.3 0

OND 2007 -1.3 -1.2 -0.8 -0.5 -0.3 0 0.2 0.2

NDJ 2007 -1.3 -1.6 -1.4 -0.9 -0.7 -0.4 0 0.2

DJF 2007 -1.4 -1.6 -1.6 -1.4 -1 -0.8 -0.4 -0.1

JFM 2008 -1.3 -1.6 -1.5 -1.4 -1.3 -0.9 -0.7 -0.4

FMA 2008 -1.1 -1.1 -1.2 -1.2 -1.2 -1 -0.8 -0.6

MAM 2008 -0.9 -1 -0.9 -0.9 -0.9 -0.9 -0.8 -0.5

AMJ 2008 -0.7 -0.7 -0.8 -0.6 -0.5 -0.6 -0.5 -0.5

MJJ 2008 -0.5 -0.7 -0.6 -0.6 -0.4 -0.2 -0.3 -0.3

JJA 2008 -0.4 -0.4 -0.6 -0.5 -0.5 -0.3 0 -0.2

JAS 2008 -0.3 -0.3 -0.3 -0.5 -0.4 -0.5 -0.3 0

ASO 2008 -0.3 -0.2 -0.4 -0.4 -0.5 -0.5 -0.6 -0.3

SON 2008 -0.4 0.1 -0.3 -0.5 -0.5 -0.6 -0.5 -0.6

OND 2008 -0.6 0.1 0 -0.4 -0.7 -0.7 -0.8 -0.7

NDJ 2008 -0.7 -0.2 0 -0.1 -0.6 -0.9 -0.9 -0.9

DJF 2008 -0.7 -0.5 -0.4 -0.1 -0.2 -0.7 -1 -1

JFM 2009 -0.6 -0.6 -0.5 -0.4 -0.2 -0.2 -0.6 -1

FMA 2009 -0.4 -0.5 -0.5 -0.5 -0.4 -0.2 -0.3 -0.5

MAM 2009 -0.1 -0.4 -0.3 -0.4 -0.5 -0.5 -0.3 -0.3

AMJ 2009 0.2 -0.4 -0.3 -0.3 -0.3 -0.4 -0.4 -0.3

MJJ 2009 0.4 -0.1 -0.3 -0.2 -0.2 -0.2 -0.3 -0.3

58

JJA 2009 0.5 0.2 -0.1 -0.3 -0.2 -0.2 -0.1 -0.3

JAS 2009 0.5 0.6 0.3 -0.1 -0.3 -0.3 -0.2 -0.1

ASO 2009 0.6 0.9 0.7 0.4 0 -0.3 -0.3 -0.3

SON 2009 0.9 1.3 1.2 1 0.5 0.1 -0.2 -0.3

OND 2009 1.1 1.4 1.5 1.5 1.2 0.7 0.3 -0.1

NDJ 2009 1.3 1.2 1.5 1.6 1.5 1.3 0.8 0.3

DJF 2009 1.3 1.1 1.1 1.4 1.5 1.4 1.1 0.7

JFM 2010 1.2 0.9 0.8 0.9 1.2 1.2 1.1 0.9

FMA 2010 0.9 0.7 0.6 0.6 0.6 0.9 0.9 0.7

MAM 2010 0.5 0.3 0.3 0.3 0.4 0.5 0.6 0.6

AMJ 2010 0.0 -0.1 0.1 0.2 0.2 0.3 0.3 0.5

MJJ 2010 -0.4 -0.2 -0.3 0 0.1 0.1 0.2 0.2

JJA 2010 -0.9 -0.2 -0.4 -0.4 -0.2 0 0.1 0.1

JAS 2010 -1.2 -0.3 -0.4 -0.6 -0.6 -0.3 -0.2 0

ASO 2010 -1.4 -1.1 -0.4 -0.5 -0.7 -0.7 -0.4 -0.3

SON 2010 -1.5 -1.6 -1.3 -0.6 -0.7 -0.8 -0.8 -0.4

OND 2010 -1.4 -1.9 -1.8 -1.6 -0.8 -0.9 -1 -0.9

NDJ 2010 -1.4 -2.1 -2 -2 -1.8 -1.1 -1.1 -1.2

DJF 2010 -1.3 -2.1 -2 -2 -2 -1.8 -1.2 -1.2

JFM 2011 -1.0 -1.9 -1.9 -1.8 -1.7 -1.7 -1.6 -1.1

FMA 2011 -0.7 -1.4 -1.5 -1.4 -1.2 -1.2 -1.3 -1.2

MAM 2011 -0.5 -1 -1.1 -1.1 -0.9 -0.7 -0.7 -0.8

AMJ 2011 -0.4 -0.6 -0.8 -0.8 -0.8 -0.6 -0.4 -0.3

MJJ 2011 -0.3 -0.5 -0.5 -0.7 -0.7 -0.6 -0.2 -0.1

JJA 2011 -0.3 -0.2 -0.3 -0.4 -0.7 -0.6 -0.4 0

JAS 2011 -0.6 -0.3 -0.2 -0.3 -0.4 -0.6 -0.6 -0.3

ASO 2011 -0.8 -0.2 -0.2 -0.2 -0.3 -0.4 -0.7 -0.6

SON 2011 -0.9 -0.5 -0.3 -0.3 -0.2 -0.3 -0.4 -0.7

59

OND 2011 -1.0 -0.6 -0.5 -0.3 -0.3 -0.3 -0.5 -0.5

NDJ 2011 -0.9 -0.8 -0.6 -0.6 -0.4 -0.4 -0.3 -0.5

DJF 2011 -0.7 -0.9 -0.8 -0.6 -0.6 -0.4 -0.4 -0.4

JFM 2012 -0.5 -1 -0.9 -0.8 -0.6 -0.6 -0.4 -0.4

FMA 2012 -0.4 -0.7 -0.8 -0.8 -0.6 -0.5 -0.5 -0.4

MAM 2012 -0.4 -0.4 -0.5 -0.6 -0.6 -0.5 -0.4 -0.4

AMJ 2012 -0.3 -0.1 -0.1 -0.3 -0.5 -0.4 -0.4 -0.3

MJJ 2012 -0.1 0 0 0.1 -0.1 -0.3 -0.3 -0.2

JJA 2012 0.1 0.2 0.1 0 0.2 0 -0.2 -0.3

JAS 2012 0.3 0.3 0.2 0.1 0 0.2 0 -0.2

ASO 2012 0.3 0.3 0.3 0.2 0 -0.1 0.1 0

SON 2012 0.3 0.6 0.4 0.4 0.3 0 -0.2 0.1

OND 2012 0.1 0.6 0.6 0.4 0.4 0.4 0 -0.2

NDJ 2012 -0.2 0.7 0.6 0.6 0.4 0.4 0.4 0

DJF 2012 -0.4 0.5 0.5 0.4 0.4 0.4 0.4 0.3

JFM 2013 -0.4 0.1 0.3 0.3 0.3 0.3 0.3 0.3

FMA 2013 -0.3 -0.2 0 0.2 0.2 0.1 0.1 0.1

MAM 2013 -0.2 -0.5 -0.2 0 0.1 0 -0.1 -0.1

AMJ 2013 -0.2 -0.6 -0.5 -0.2 0 0 -0.1 -0.3

MJJ 2013 -0.2 -0.3 -0.6 -0.5 -0.1 0 -0.1 -0.2

JJA 2013 -0.3 -0.1 -0.3 -0.6 -0.5 -0.1 -0.1 -0.2

JAS 2013 -0.3 -0.2 -0.2 -0.3 -0.6 -0.6 -0.2 -0.2

ASO 2013 -0.2 -0.4 -0.2 -0.2 -0.4 -0.8 -0.7 -0.3

SON 2013 -0.3 -0.4 -0.4 -0.2 -0.2 -0.4 -0.8 -0.8

OND 2013 -0.3 -0.3 -0.3 -0.3 -0.2 -0.2 -0.4 -0.9

NDJ 2013 -0.3 -0.3 -0.2 -0.3 -0.3 -0.2 -0.2 -0.5

DJF 2013 -0.5 -0.2 -0.3 -0.3 -0.3 -0.3 -0.2 -0.3

JFM 2014 -0.5 -0.1 -0.2 -0.3 -0.3 -0.3 -0.3 -0.2

60

FMA 2014 -0.4 -0.2 -0.1 -0.2 -0.3 -0.3 -0.2 -0.2

MAM 2014 -0.2 -0.3 -0.2 0 0 -0.1 -0.1 -0.1

AMJ 2014 -0.1 0 -0.1 0 0.1 0.1 0.2 0.1

MJJ 2014 0.0 0.3 0.3 0.1 0.2 0.2 0.3 0.3

JJA 2014 -0.1 0.5 0.4 0.4 0.2 0.3 0.3 0.3

JAS 2014 0.0 0.6 0.5 0.4 0.4 0.1 0.3 0.3

ASO 2014 0.1 0.6 0.6 0.5 0.4 0.4 0.1 0.3

SON 2014 0.4 0.6 0.8 0.8 0.6 0.5 0.5 0.2

OND 2014 0.5 0.8 0.9 1 1.1 0.8 0.7 0.7

NDJ 2014 0.6 0.9 0.9 1 1.2 1.2 0.9 0.7

DJF 2014 0.6 0.8 0.9 0.9 1 1.2 1.1 0.8

JFM 2015 0.5 0.5 0.7 0.8 0.9 1 1.1 1

FMA 2015 0.6 0.3 0.3 0.5 0.6 0.7 0.8 0.8

MAM 2015 0.7 0.3 0.3 0.2 0.4 0.6 0.7 0.7

AMJ 2015 0.8 0.3 0.3 0.2 0.2 0.3 0.4 0.5

MJJ 2015 1.0 0.6 0.4 0.3 0.2 0.2 0.2 0.3

JJA 2015 1.2 0.8 0.6 0.3 0.3 0.2 0.1 0.2

JAS 2015 1.4 1 0.7 0.5 0.2 0.2 0.1 0.1

ASO 2015 1.7 1.6 1.2 0.8 0.5 0.2 0.2 0.1

SON 2015 2.0 2.3 2 1.5 1.1 0.7 0.4 0.3

OND 2015 2.2 2.7 2.7 2.4 1.9 1.4 1 0.6

NDJ 2015 2.3 3 3 2.9 2.6 2.1 1.6 1.1

DJF 2015 2.2 2.6 2.8 2.8 2.8 2.5 2 1.5

JFM 2016 2 2 2.1 2.3 2.4 2.4 2.1 1.7

FMA 2016 1.6 1.5 1.4 1.5 1.7 1.8 1.8 1.7

MAM 2016 1.1 1 0.9 0.9 1 1.1 1.2 1.3

AMJ 2016 0.6 0.6 0.5 0.4 0.4 0.5 0.6 0.6

MJJ 2016 0.1 0.2 0.2 0.1 0 0.1 0.1 0.1

61

JJA 2016 -0.3 -0.2 -0.2 -0.2 -0.2 -0.4 -0.3 -0.2

JAS 2016 -0.5 -0.2 -0.3 -0.3 -0.4 -0.5 -0.6 -0.5

ASO 2016 -0.8 0.2 -0.2 -0.4 -0.4 -0.6 -0.7 -0.9

SON 2016 -0.8 0.4 -0.2 -0.2 -0.4 -0.5 -0.7 -0.8

OND 2016 -0.8 0.6 -0.5 -0.2 -0.2 -0.4 -0.5 -0.8

NDJ 2016 -0.7 0.4 -0.5 -0.4 -0.2 -0.2 -0.4 -0.5

DJF 2016 2.2 -0.5 -0.3 -0.4 -0.3 -0.1 -0.2 -0.4

JFM 2017 -0.1 -0.3 -0.3 -0.2 -0.3 -0.2 -0.1 -0.1

FMA 2017 0.2 -0.2 -0.1 -0.1 0 -0.1 -0.1 0

6. DATA MODEL Canonical Correlation Analysis (CCA)

MUSIM TAHUN OBSERVASI LEAD1 LEAD 2 LEAD3 LEAD 4 LEAD 5 LEAD 6 LEAD 7

ASO 2006 0.5 0.3 0.1 0 0.1 -0.1 0 0.4

SON 2006 0.7 0.4 0.3 0.2 0.1 0.2 0 0.1

OND 2006 0.9 0.6 0.4 0.5 0.3 0.2 0.3 0

NDJ 2006 0.9 0.9 0.6 0.5 0.6 0.4 0.2 0.3

DJF 2006 0.7 0.7 0.9 0.6 0.6 0.6 0.4 0.3

JFM 2007 0.4 0.7 0.8 0.9 0.6 0.6 0.6 0.4

FMA 2007 0.1 0.7 0.6 0.7 0.7 0.6 0.6 0.6

MAM 2007 -0.1 0.5 0.6 0.6 0.6 0.6 0.6 0.6

AMJ 2007 -0.2 0.4 0.5 0.6 0.6 0.5 0.6 0.6

MJJ 2007 -0.3 0.3 0.4 0.5 0.6 0.5 0.5 0.7

JJA 2007 -0.4 -0.1 0.2 0.4 0.5 0.6 0.5 0.5

JAS 2007 -0.6 -0.5 -0.2 0.2 0.3 0.5 0.5 0.4

ASO 2007 -0.9 -0.7 -0.5 -0.2 0.1 0.3 0.5 0.4

SON 2007 -1.1 -1 -0.7 -0.5 -0.3 0.2 0.3 0.4

OND 2007 -1.3 -1.1 -1.1 -0.8 -0.6 -0.3 0.2 0.3

62

NDJ 2007 -1.3 -1.2 -1.2 -1.1 -0.7 -0.6 -0.3 0.2

DJF 2007 -1.4 -1.2 -1.1 -1.1 -1 -0.7 -0.6 -0.2

JFM 2008 -1.3 -1 -0.9 -0.9 -0.8 -0.7 -0.5 -0.4

FMA 2008 -1.1 -0.7 -0.5 -0.5 -0.6 -0.3 -0.4 -0.3

MAM 2008 -0.9 -0.3 -0.2 -0.1 -0.3 -0.2 0 -0.2

AMJ 2008 -0.7 -0.3 -0.3 0.1 0.1 0.1 0.1 0.2

MJJ 2008 -0.5 -0.3 -0.4 -0.4 0.4 0.4 0.4 0.4

JJA 2008 -0.4 -0.4 -0.3 -0.5 -0.5 0.6 0.7 0.7

JAS 2008 -0.3 -0.4 -0.4 -0.4 -0.6 -0.5 0.9 1

ASO 2008 -0.3 -0.4 -0.4 -0.4 -0.5 -0.6 -0.6 1.2

SON 2008 -0.4 -0.4 -0.4 -0.4 -0.5 -0.5 -0.6 -0.6

OND 2008 -0.6 -0.4 -0.5 -0.5 -0.5 -0.5 -0.5 -0.6

NDJ 2008 -0.7 -0.4 -0.4 -0.4 -0.5 -0.4 -0.4 -0.4

DJF 2008 -0.7 -0.4 -0.4 -0.4 -0.4 -0.4 -0.4 -0.4

JFM 2009 -0.6 -0.2 -0.3 -0.3 -0.3 -0.3 -0.3 -0.3

FMA 2009 -0.4 -0.2 -0.2 -0.2 -0.3 -0.3 -0.3 -0.3

MAM 2009 -0.1 -0.2 -0.2 -0.2 -0.2 -0.3 -0.2 -0.2

AMJ 2009 0.2 -0.4 -0.2 -0.2 -0.2 -0.2 -0.3 -0.3

MJJ 2009 0.4 -0.2 -0.4 -0.2 -0.2 -0.2 -0.3 -0.4

JJA 2009 0.5 0.1 -0.2 -0.3 -0.2 -0.2 -0.2 -0.3

JAS 2009 0.5 0.1 0.1 -0.2 -0.2 -0.3 -0.3 -0.3

ASO 2009 0.6 0.6 0.1 0.1 -0.2 -0.2 -0.3 -0.3

SON 2009 0.9 1.3 0.8 0.2 0.1 -0.2 -0.1 -0.3

OND 2009 1.1 1.4 1.5 0.9 0.2 0.1 -0.1 0

NDJ 2009 1.3 1.6 1.4 1.5 0.9 0.3 0.2 0.1

DJF 2009 1.3 1.1 1.3 1.1 1.3 0.7 0.4 0.2

JFM 2010 1.2 0.7 0.8 1 0.9 0.8 0.5 0.4

FMA 2010 0.9 0.6 0.5 0.5 0.7 0.6 0.5 0.3

63

MAM 2010 0.5 0.8 0.4 0.4 0.3 0.5 0.4 0.2

AMJ 2010 0.0 0.6 0.6 0.3 0.3 0.3 0.4 0.3

MJJ 2010 -0.4 0.3 0.5 0.6 0.3 0.3 0.3 0.4

JJA 2010 -0.9 0.1 0.3 0.5 0.6 0.3 0.2 0.3

JAS 2010 -1.2 0 0.1 0.2 0.4 0.7 0.3 0.2

ASO 2010 -1.4 -0.3 0 0.1 0.2 0.5 0.8 0.3

SON 2010 -1.5 -0.8 -0.4 0 0 0.2 0.5 0.9

OND 2010 -1.4 -1.3 -1.1 -0.5 0 -0.1 0.1 0.6

NDJ 2010 -1.4 -2.2 -1.3 -1.2 -0.6 -0.2 -0.2 0.1

DJF 2010 -1.3 -2.2 -1.7 -1.2 -1.1 -0.5 -0.3 -0.2

JFM 2011 -1.0 -1.6 -1.4 -1.1 -0.9 -0.7 -0.4 -0.3

FMA 2011 -0.7 -0.8 -0.9 -0.8 -0.7 -0.5 -0.4 -0.2

MAM 2011 -0.5 -0.2 -0.5 -0.5 -0.4 -0.3 -0.2 -0.2

AMJ 2011 -0.4 -0.2 0 -0.3 -0.2 -0.3 -0.2 -0.1

MJJ 2011 -0.3 0.1 0.1 0.1 -0.2 -0.1 -0.2 0

JJA 2011 -0.3 0.1 0.3 0.4 0.3 -0.2 0 0

JAS 2011 -0.6 0.1 0.3 0.5 0.6 0.4 -0.1 0.2

ASO 2011 -0.8 0.2 0.2 0.4 0.6 0.7 0.5 -0.1

SON 2011 -0.9 0.1 0.2 0.2 0.4 0.7 0.8 0.6

OND 2011 -1.0 -0.1 0.1 0.2 0.2 0.5 0.8 0.9

NDJ 2011 -0.9 -0.8 -0.2 0.1 0.2 0.2 0.4 0.8

DJF 2011 -0.7 -1.2 -0.9 -0.4 0 0 0 0.2

JFM 2012 -0.5 -1.2 -1.1 -0.8 -0.4 -0.1 0 0

FMA 2012 -0.4 -1.1 -1 -0.8 -0.6 -0.4 -0.1 -0.1

MAM 2012 -0.4 -0.7 -0.9 -0.9 -0.6 -0.5 -0.3 -0.1

AMJ 2012 -0.3 -0.4 -0.4 -0.8 -0.7 -0.4 -0.3 -0.3

MJJ 2012 -0.1 -0.1 -0.2 -0.2 -0.7 -0.5 -0.2 -0.1

JJA 2012 0.1 0.1 0.1 0.1 -0.1 -0.5 -0.3 0

64

JAS 2012 0.3 0.6 0.2 0.2 0.2 0 -0.5 -0.3

ASO 2012 0.3 0.6 0.6 0.3 0.3 0.3 0.1 -0.6

SON 2012 0.3 0.6 0.6 0.6 0.3 0.3 0.3 0.1

OND 2012 0.1 0.6 0.6 0.7 0.7 0.4 0.4 0.4

NDJ 2012 -0.2 0.2 0.5 0.5 0.7 0.7 0.4 0.4

DJF 2012 -0.4 0.2 0.1 0.4 0.4 0.6 0.6 0.3

JFM 2013 -0.4 0.1 0.2 0.1 0.2 0.2 0.5 0.5

FMA 2013 -0.3 -0.1 0 0.1 0.1 0.1 0.1 0.3

MAM 2013 -0.2 -0.3 -0.1 0 0.1 0.1 0 0

AMJ 2013 -0.2 -0.5 -0.3 -0.1 0 0.1 0 -0.1

MJJ 2013 -0.2 -0.6 -0.5 -0.3 -0.1 -0.1 0 0

JJA 2013 -0.3 -0.5 -0.7 -0.5 -0.3 -0.1 -0.2 -0.1

JAS 2013 -0.3 -0.6 -0.6 -0.8 -0.5 -0.3 -0.2 -0.3

ASO 2013 -0.2 -0.7 -0.7 -0.6 -0.8 -0.6 -0.4 -0.3

SON 2013 -0.3 -0.5 -0.8 -0.8 -0.7 -0.9 -0.6 -0.4

OND 2013 -0.3 -0.4 -0.5 -0.8 -0.8 -0.7 -0.9 -0.7

NDJ 2013 -0.3 -0.5 -0.4 -0.5 -0.8 -0.8 -0.7 -0.9

DJF 2013 -0.5 -0.6 -0.5 -0.4 -0.6 -0.9 -0.8 -0.7

JFM 2014 -0.5 -0.4 -0.5 -0.4 -0.3 -0.5 -0.8 -0.7

FMA 2014 -0.4 -0.3 -0.3 -0.4 -0.2 -0.2 -0.4 -0.6

MAM 2014 -0.2 -0.1 -0.2 -0.1 -0.2 0 0 -0.3

AMJ 2014 -0.1 0.3 0.1 0 0.1 0 0.2 0.1

MJJ 2014 0.0 0.4 0.5 0.4 0.2 0.3 0.2 0.3

JJA 2014 -0.1 0.5 0.6 0.6 0.5 0.3 0.4 0.3

JAS 2014 0.0 0.4 0.5 0.6 0.7 0.6 0.4 0.5

ASO 2014 0.1 0.5 0.4 0.6 0.7 0.8 0.7 0.5

SON 2014 0.4 1.1 0.5 0.5 0.7 0.8 0.9 0.7

OND 2014 0.5 1.3 1.2 0.6 0.6 0.8 1 1

65

NDJ 2014 0.6 1.1 1.3 1.2 0.6 0.6 0.8 0.9

DJF 2014 0.6 0.6 0.9 1.1 1 0.5 0.5 0.6

JFM 2015 0.5 0.5 0.4 0.7 0.9 0.8 0.5 0.4

FMA 2015 0.6 0.4 0.4 0.4 0.6 0.7 0.7 0.4

MAM 2015 0.7 0.5 0.4 0.4 0.3 0.6 0.7 0.6

AMJ 2015 0.8 0.7 0.6 0.4 0.4 0.3 0.6 0.6

MJJ 2015 1.0 0.8 0.8 0.6 0.3 0.3 0.4 0.5

JJA 2015 1.2 0.9 0.9 0.8 0.6 0.4 0.4 0.4

JAS 2015 1.4 0.9 0.9 0.9 0.8 0.5 0.4 0.4

ASO 2015 1.7 1.1 0.9 0.9 0.9 0.8 0.5 0.4

SON 2015 2.0 1.6 1.1 1 1 1 0.9 0.5

OND 2015 2.2 2.1 1.7 1.2 1.1 1 1.1 1

NDJ 2015 2.3 2.4 2.1 1.6 1.2 1 1 1.1

DJF 2015 2.2 2.3 2 1.8 1.3 0.9 0.8 0.8

JFM 2016 2 1.8 1.8 1.6 1.4 1 0.7 0.7

FMA 2016 1.6 1.4 1.4 1.4 1.2 1 0.7 0.5

MAM 2016 1.1 1.2 1.1 1 1 1 0.7 0.5

AMJ 2016 0.6 1 0.9 0.7 0.7 0.6 0.7 0.4

MJJ 2016 0.1 0.7 0.6 0.4 0.3 0.3 0.3 0.4

JJA 2016 -0.3 0.1 0.3 0.1 0 0 0 0

JAS 2016 -0.5 -0.6 -0.3 0 -0.2 -0.3 -0.3 -0.2

ASO 2016 -0.8 -0.9 -0.9 -0.6 -0.2 -0.4 -0.5 -0.4

SON 2016 -0.8 -0.7 -1.1 -1.2 -0.8 -0.4 -0.6 -0.7

OND 2016 -0.8 -0.4 -0.8 -1.3 -1.3 -1 -0.5 -0.7

NDJ 2016 -0.7 0.3 -0.5 -0.8 -1.3 -1.4 -1.1 -0.7

DJF 2016 2.2 0.2 -0.3 -0.6 -0.9 -1.3 -1.5 -1.3

JFM 2017 -0.1 0.2 0.3 -0.3 -0.5 -0.8 -1.1 -1.3

FMA 2017 0.2 0.3 0.3 0.3 -0.1 -0.3 -0.5 -0.7

66

7. DATA MODEL NEURAL NETWORK (NN)

MUSIM TAHUN OBSERVASI LEAD1 LEAD 2 LEAD 3 LEAD 4 LEAD5 LEAD 6 LEAD 7

ASO 2006 0.5 0.4 0.4 0.3 0.1 0.4 0.2 0.2

SON 2006 0.7 0.9 0.5 0.5 0.3 0.2 0.4 0.2

OND 2006 0.9 1.1 1.1 0.6 0.6 0.4 0.3 0.3

NDJ 2006 0.9 1.4 1.4 1.2 0.7 0.7 0.5 0.3

DJF 2006 0.7 1.4 1.6 1.4 1.3 0.8 0.8 0.7

JFM 2007 0.4 1.2 1.5 1.6 1.5 1.4 0.9 0.9

FMA 2007 0.1 0.9 1.2 1.5 1.6 1.6 1.4 1

MAM 2007 -0.1 0.4 0.9 1.1 1.5 1.6 1.4 1.3

AMJ 2007 -0.2 0.1 0.5 0.8 0.9 1.4 1.3 1.2

MJJ 2007 -0.3 -0.1 0.1 0.5 0.8 0.8 1.2 1.1

JJA 2007 -0.4 -0.4 -0.2 0.2 0.4 0.7 0.7 1.1

JAS 2007 -0.6 -0.2 -0.5 -0.3 0.3 0.4 0.6 0.5

ASO 2007 -0.9 -0.2 -0.3 -0.5 -0.3 0.3 0.4 0.5

SON 2007 -1.1 -0.6 -0.2 -0.3 -0.5 -0.3 0.5 0.4

OND 2007 -1.3 -0.7 -0.6 -0.1 -0.3 -0.5 -0.1 0.6

NDJ 2007 -1.3 -1 -0.6 -0.5 -0.1 -0.2 -0.3 0

DJF 2007 -1.4 -1 -0.8 -0.5 -0.5 -0.1 -0.1 -0.2

JFM 2008 -1.3 -1.3 -0.8 -0.6 -0.4 -0.4 0.1 0.1

FMA 2008 -1.1 -1.3 -1.1 -0.6 -0.5 -0.3 -0.2 0.3

MAM 2008 -0.9 -1.3 -1 -0.9 -0.4 -0.4 -0.1 0

AMJ 2008 -0.7 -0.7 -1 -0.8 -0.7 -0.2 -0.1 0.2

MJJ 2008 -0.5 -0.3 -0.5 -0.8 -0.6 -0.5 0 0.2

JJA 2008 -0.4 -0.1 -0.1 -0.4 -0.7 -0.3 -0.3 0.2

JAS 2008 -0.3 0 0.1 0.1 -0.3 -0.5 -0.2 0

ASO 2008 -0.3 0.2 0.1 0.2 0.2 -0.1 -0.5 -0.1

67

SON 2008 -0.4 0.3 0.3 0.2 0.3 0.3 -0.2 -0.5

OND 2008 -0.6 0.1 0.3 0.4 0.2 0.4 0.2 -0.3

NDJ 2008 -0.7 -0.2 0.2 0.3 0.4 0.3 0.3 0

DJF 2008 -0.7 -0.4 -0.2 0.2 0.3 0.4 0.3 0.2

JFM 2009 -0.6 -0.7 -0.6 -0.2 0.2 0.4 0.5 0.3

FMA 2009 -0.4 -0.8 -0.7 -0.5 -0.2 0.3 0.3 0.5

MAM 2009 -0.1 -0.6 -0.7 -0.6 -0.5 -0.2 0.2 0.3

AMJ 2009 0.2 -0.3 -0.6 -0.6 -0.4 -0.5 -0.2 0.2

MJJ 2009 0.4 0.1 -0.2 -0.6 -0.5 -0.3 -0.5 -0.2

JJA 2009 0.5 0.6 0.2 -0.1 -0.5 -0.4 -0.3 -0.6

JAS 2009 0.5 1 0.8 0.2 0 -0.5 -0.5 -0.4

ASO 2009 0.6 1.1 1.1 0.8 0.3 0.1 -0.5 -0.6

SON 2009 0.9 1.1 1.2 1.1 0.8 0.3 0.1 -0.5

OND 2009 1.1 1.1 1.3 1.2 1 0.9 0.1 0

NDJ 2009 1.3 1.2 1.2 1.3 1.2 1 0.6 0

DJF 2009 1.3 1.6 1.4 1.3 1.3 1.2 0.8 0.4

JFM 2010 1.2 1.7 1.6 1.4 1.3 1.3 0.9 0.5

FMA 2010 0.9 1.4 1.6 1.6 1.4 1.3 1 0.7

MAM 2010 0.5 0.9 1.3 1.5 1.5 1.4 1 0.7

AMJ 2010 0.0 0.5 0.8 1.2 1.5 1.5 1.2 0.8

MJJ 2010 -0.4 0.1 0.2 0.6 1 1.4 1.1 1

JJA 2010 -0.9 -0.3 -0.3 0.1 0.5 0.8 1.1 0.8

JAS 2010 -1.2 -0.7 -0.4 -0.3 0 0.4 0.7 0.8

ASO 2010 -1.4 -1.2 -0.9 -0.3 -0.3 0 0.4 0.6

SON 2010 -1.5 -1.6 -1.4 -0.8 -0.3 -0.3 0.1 0.4

OND 2010 -1.4 -1.9 -1.8 -1.3 -0.7 -0.2 -0.2 0.1

NDJ 2010 -1.4 -2 -2.1 -1.7 -1.2 -0.6 -0.1 0

DJF 2010 -1.3 -1.8 -2.1 -2 -1.6 -1.1 -0.5 0.1

68

JFM 2011 -1.0 -1.4 -1.9 -2 -1.8 -1.5 -0.9 -0.4

FMA 2011 -0.7 -0.5 -1.3 -1.7 -1.8 -1.7 -1.3 -0.7

MAM 2011 -0.5 -0.6 0.1 -1.1 -1.5 -1.7 -1.4 -1.1

AMJ 2011 -0.4 -0.5 -0.3 0.3 -0.9 -1.4 -1.4 -1.1

MJJ 2011 -0.3 -0.3 -0.2 0 0.5 -0.7 -1.1 -1.1

JJA 2011 -0.3 -0.2 -0.1 0 0.2 0.6 -0.5 -0.8

JAS 2011 -0.6 0 -0.1 0 0.1 0.5 0.7 -0.3

ASO 2011 -0.8 -0.1 0.1 -0.1 0 0.3 0.5 0.7

SON 2011 -0.9 -0.3 0 0 -0.1 0.1 0.3 0.6

OND 2011 -1.0 -0.7 -0.1 0 0 -0.1 0.1 0.3

NDJ 2011 -0.9 -1 -0.6 0 0 0 0 0.1

DJF 2011 -0.7 -1.1 -1 -0.5 0 0 0 0

JFM 2012 -0.5 -1.1 -1.1 -0.9 -0.5 0.1 0.1 0

FMA 2012 -0.4 -1 -1.2 -1 -0.8 -0.4 0.2 0.1

MAM 2012 -0.4 -0.5 -0.9 -1 -0.9 -0.7 -0.3 0.2

AMJ 2012 -0.3 -0.1 -0.5 -0.8 -0.8 -0.7 -0.5 -0.1

MJJ 2012 -0.1 0.1 0.2 -0.4 -0.6 -0.6 -0.5 -0.3

JJA 2012 0.1 0.3 0.3 0.2 -0.3 -0.5 -0.4 -0.3

JAS 2012 0.3 0.5 0.4 0.4 0.2 -0.2 -0.3 -0.2

ASO 2012 0.3 0.6 0.6 0.4 0.4 0.2 -0.2 -0.2

SON 2012 0.3 0.6 0.6 0.6 0.4 0.4 0.2 -0.1

OND 2012 0.1 0.5 0.5 0.6 0.6 0.5 0.3 0.1

NDJ 2012 -0.2 0.1 0.4 0.4 0.5 0.5 0.4 0.3

DJF 2012 -0.4 0.2 0.1 0.4 0.4 0.5 0.5 0.3

JFM 2013 -0.4 -0.2 0.1 0 0.3 0.3 0.4 0.4

FMA 2013 -0.3 -0.4 -0.2 0 -0.1 0.3 0.3 0.3

MAM 2013 -0.2 -0.6 -0.5 -0.2 -0.1 -0.2 0.2 0.2

AMJ 2013 -0.2 -0.5 -0.7 -0.4 -0.2 -0.2 -0.2 0.2

69

MJJ 2013 -0.2 -0.4 -0.6 -0.5 -0.3 -0.2 -0.2 -0.2

JJA 2013 -0.3 -0.4 -0.6 -0.6 -0.4 -0.2 -0.2 -0.2

JAS 2013 -0.3 -0.4 -0.4 -0.6 -0.5 -0.3 -0.1 -0.1

ASO 2013 -0.2 -0.4 -0.5 -0.5 -0.6 -0.5 -0.2 0

SON 2013 -0.3 -0.4 -0.5 -0.5 -0.5 -0.7 -0.4 0

OND 2013 -0.3 -0.3 -0.4 -0.4 -0.4 -0.5 -0.6 -0.3

NDJ 2013 -0.3 -0.2 -0.4 -0.3 -0.4 -0.4 -0.4 -0.5

DJF 2013 -0.5 0 -0.1 -0.3 -0.2 -0.3 -0.3 -0.4

JFM 2014 -0.5 -0.1 0 -0.1 -0.2 -0.1 -0.2 -0.2

FMA 2014 -0.4 -0.2 -0.1 0.1 0 -0.1 0 -0.1

MAM 2014 -0.2 -0.2 -0.1 0 0.2 0.1 0 0.1

AMJ 2014 -0.1 0 0 0.1 0.1 0.2 0.1 0.1

MJJ 2014 0.0 0.2 0.1 0.1 0.2 0.2 0.2 0.2

JJA 2014 -0.1 0.4 0.2 0.3 0.3 0.3 0.2 0.3

JAS 2014 0.0 0.6 0.3 0.3 0.4 0.5 0.4 0.2

ASO 2014 0.1 0.6 0.7 0.4 0.4 0.6 0.6 0.5

SON 2014 0.4 0.6 0.8 0.7 0.4 0.5 0.7 0.6

OND 2014 0.5 0.5 0.7 0.8 0.8 0.4 0.6 0.8

NDJ 2014 0.6 0.5 0.6 0.8 0.8 0.8 0.5 0.7

DJF 2014 0.6 0.7 0.6 0.6 0.9 0.9 0.7 0.6

JFM 2015 0.5 0.7 0.7 0.6 0.6 1 0.8 0.7

FMA 2015 0.6 0.5 0.6 0.6 0.6 0.7 0.9 0.8

MAM 2015 0.7 0.4 0.5 0.6 0.6 0.6 0.7 0.9

AMJ 2015 0.8 0.5 0.4 0.5 0.5 0.5 0.6 0.7

MJJ 2015 1.0 0.8 0.4 0.5 0.5 0.4 0.5 0.6

JJA 2015 1.2 1 0.8 0.6 0.6 0.5 0.4 0.5

JAS 2015 1.4 1.3 1 0.9 0.7 0.6 0.5 0.4

ASO 2015 1.7 1.6 1.4 1 1 0.8 0.7 0.6

70

SON 2015 2.0 2.1 1.6 1.4 1 1.1 0.9 0.9

OND 2015 2.2 2.3 2.1 1.6 1.4 1.1 1.2 1.1

NDJ 2015 2.3 2.4 2.4 2 1.6 1.4 1.1 1.3

DJF 2015 2.2 2.4 2.4 2.3 2 1.5 1.4 1.1

JFM 2016 2 1.9 2.1 2.2 2.1 1.9 1.4 1.3

FMA 2016 1.6 1.4 1.5 1.8 2 2 1.7 1.3

MAM 2016 1.1 1.1 0.8 1.1 1.6 1.8 1.8 1.5

AMJ 2016 0.6 0.5 0.4 0.5 0.7 1.3 1.5 1.5

MJJ 2016 0.1 0.3 0 0.1 0.1 0.3 1 1.2

JJA 2016 -0.3 -0.2 -0.1 -0.2 -0.2 -0.3 0.1 0.8

JAS 2016 -0.5 -0.2 -0.4 -0.2 -0.4 -0.5 -0.4 -0.1

ASO 2016 -0.8 0.4 -0.3 -0.4 -0.3 -0.6 -0.6 -0.5

SON 2016 -0.8 -0.4 -0.4 -0.3 -0.4 -0.4 -0.6 -0.7

OND 2016 -0.8 0.4 -0.3 -0.3 -0.2 -0.5 -0.4 -0.6

NDJ 2016 -0.7 -0.4 -0.3 -0.1 -0.1 -0.2 -0.4 -0.3

DJF 2016 2.2 -0.3 -0.2 -0.1 0.1 0.1 -0.1 -0.4

JFM 2017 -0.1 -0.1 -0.2 0 0.1 0.3 0.1 -0.1

FMA 2017 0.2 0.1 0.1 -0.1 0.1 0.3 0.4 0.2

8. DATA MODEL AVEDYN

MUSIM TAHUN OBSERVASI LEAD1 LEAD2 LEAD3 LEAD4 LEAD5 LEAD6 LEAD7

ASO 2006 0.5 0.4 0.4 0.4 0.2 0.2 0.2 0.4

SON 2006 0.7 0.7 0.5 0.5 0.4 0.2 0.3 0.2

OND 2006 0.9 0.9 0.8 0.5 0.5 0.5 0.2 0.4

NDJ 2006 0.9 1 1 0.8 0.5 0.5 0.5 0.3

DJF 2006 0.7 1.1 1 1 0.9 0.5 0.5 0.5

JFM 2007 0.4 0.8 0.9 0.9 0.9 0.8 0.5 0.4

FMA 2007 0.1 0.3 0.6 0.8 0.8 0.8 0.8 0.4

71

MAM 2007 -0.1 -0.1 0.2 0.4 0.7 0.7 0.8 0.7

AMJ 2007 -0.2 -0.5 -0.2 0.1 0.3 0.6 0.7 0.7

MJJ 2007 -0.3 -0.5 -0.6 -0.2 0 0.2 0.5 0.6

JJA 2007 -0.4 -0.7 -0.7 -0.7 -0.4 0 0.2 0.4

JAS 2007 -0.6 -0.8 -0.9 -0.8 -0.8 -0.4 0 0.1

ASO 2007 -0.9 -0.8 -0.9 -1 -0.7 -0.8 -0.4 0

SON 2007 -1.1 -0.9 -0.8 -0.9 -0.9 -0.7 -0.7 -0.3

OND 2007 -1.3 -1.2 -0.9 -0.7 -0.7 -0.9 -0.8 -0.7

NDJ 2007 -1.3 -1.4 -1.2 -0.8 -0.6 -0.6 -0.8 -0.7

DJF 2007 -1.4 -1.6 -1.4 -1.1 -0.7 -0.5 -0.5 -0.7

JFM 2008 -1.3 -1.4 -1.5 -1.2 -0.9 -0.6 -0.3 -0.5

FMA 2008 -1.1 -1.4 -1.3 -1.3 -0.9 -0.8 -0.5 -0.2

MAM 2008 -0.9 -1.1 -1.2 -1.1 -1 -0.7 -0.6 -0.4

AMJ 2008 -0.7 -0.8 -1 -1 -0.9 -0.9 -0.5 -0.4

MJJ 2008 -0.5 -0.5 -0.6 -0.8 -0.8 -0.7 -0.7 -0.3

JJA 2008 -0.4 -0.2 -0.3 -0.4 -0.6 -0.7 -0.6 -0.6

JAS 2008 -0.3 0.1 0 -0.1 -0.3 -0.6 -0.6 -0.5

ASO 2008 -0.3 0.2 0.2 0.1 0 -0.2 -0.5 -0.6

SON 2008 -0.4 0.2 0.3 0.3 0.1 0 -0.1 -0.5

OND 2008 -0.6 -0.3 0.3 0.2 0.3 0.1 0.1 -0.1

NDJ 2008 -0.7 -0.3 -0.3 0.3 0.3 0.2 0.2 0.1

DJF 2008 -0.7 -0.5 -0.3 -0.2 0.3 0.2 0.3 0.1

JFM 2009 -0.6 -0.6 -0.5 -0.2 -0.1 0.3 0.2 0.2

FMA 2009 -0.4 -0.5 -0.5 -0.4 -0.2 0 0.3 0.1

MAM 2009 -0.1 -0.4 -0.3 -0.3 -0.2 -0.1 0.1 0.2

AMJ 2009 0.2 -0.2 -0.1 -0.1 -0.1 -0.1 0 0.1

MJJ 2009 0.4 0.2 0 0.1 0.1 0 0 0.1

JJA 2009 0.5 0.6 0.4 0.2 0.3 0.2 0.2 0

72

JAS 2009 0.5 1 0.8 0.6 0.4 0.4 0.3 0.2

ASO 2009 0.6 1.1 1.2 0.9 0.7 0.4 0.6 0.3

SON 2009 0.9 1.2 1.3 1.3 1.1 0.8 0.6 0.6

OND 2009 1.1 1.2 1.3 1.3 1.4 1.1 1 0.6

NDJ 2009 1.3 1.3 1.3 1.3 1.4 1.5 1.2 1

DJF 2009 1.3 1.5 1.2 1.2 1.3 1.3 1.4 1.1

JFM 2010 1.2 1.4 1.3 1.1 1.2 1.2 1.1 1.2

FMA 2010 0.9 1.1 1.2 1.1 1 1 1 0.9

MAM 2010 0.5 0.7 0.8 0.9 0.9 0.9 0.9 0.8

AMJ 2010 0.0 0.3 0.5 0.6 0.7 0.7 0.7 0.8

MJJ 2010 -0.4 -0.1 -0.1 0.2 0.4 0.5 0.5 0.5

JJA 2010 -0.9 -0.8 -0.4 -0.3 0 0.2 0.4 0.3

JAS 2010 -1.2 1.2 -1 -0.5 -0.5 -0.1 0.1 0.2

ASO 2010 -1.4 -1.3 -1.2 -1 -0.6 -0.5 -0.2 -0.1

SON 2010 -1.5 -1.5 -1.4 -1.2 -1 -0.6 -0.5 -0.2

OND 2010 -1.4 -1.8 -1.6 -1.4 -1.1 -1 -0.7 -0.6

NDJ 2010 -1.4 -1.7 -1.7 -1.5 -1.4 -1.1 -1.1 -0.7

DJF 2010 -1.3 -1.5 -1.6 -1.6 -1.4 -1.2 -0.9 -1

JFM 2011 -1.0 -1.3 -1.3 -1.4 -1.3 -1.1 -1.1 -0.7

FMA 2011 -0.7 -1 -1 -1.1 -1.1 -1.1 -0.9 -0.9

MAM 2011 -0.5 -0.7 -0.7 -0.8 -0.9 -0.9 -1 -0.7

AMJ 2011 -0.4 -0.4 -0.4 -0.5 -0.6 -0.6 -0.8 -0.9

MJJ 2011 -0.3 -0.2 -0.2 -0.2 -0.2 -0.4 -0.5 -0.6

JJA 2011 -0.3 0 0 0.1 0 0 -0.4 -0.3

JAS 2011 -0.6 0 0.1 0.2 0.2 0.1 -0.1 -0.3

ASO 2011 -0.8 0.2 0 0.1 0.2 0.3 0 -0.1

SON 2011 -0.9 -0.5 -0.2 0 0.1 0.3 0.3 -0.1

OND 2011 -1.0 -0.7 -0.5 -0.2 -0.1 0.1 0.4 0.3

73

NDJ 2011 -0.9 -0.9 -0.7 -0.5 -0.3 -0.1 0.1 0.2

DJF 2011 -0.7 -0.9 -0.9 -0.7 -0.4 -0.2 -0.1 0

JFM 2012 -0.5 -0.9 -0.7 -0.7 -0.6 -0.3 -0.2 -0.2

FMA 2012 -0.4 -0.6 -0.7 -0.5 -0.5 -0.4 -0.2 -0.2

MAM 2012 -0.4 -0.3 -0.3 -0.5 -0.3 -0.3 -0.4 -0.2

AMJ 2012 -0.3 -0.1 -0.1 -0.1 -0.3 -0.1 -0.2 -0.4

MJJ 2012 -0.1 0.2 0.2 0.2 0.1 -0.1 -0.1 -0.1

JJA 2012 0.1 0.4 0.4 0.4 0.3 0.3 0 0

JAS 2012 0.3 0.7 0.6 0.6 0.6 0.4 0.3 0.1

ASO 2012 0.3 0.7 0.9 0.7 0.7 0.6 0.4 0.3

SON 2012 0.3 0.8 0.9 1 0.8 0.8 0.6 0.3

OND 2012 0.1 0.8 0.8 1 1.1 0.9 0.8 0.7

NDJ 2012 -0.2 0.4 0.8 0.8 1.1 1 0.8 0.8

DJF 2012 -0.4 0.2 0.4 0.8 0.8 1 0.9 0.8

JFM 2013 -0.4 -0.1 0.1 0.3 0.8 0.7 0.9 0.8

FMA 2013 -0.3 -0.3 -0.1 0.1 0.3 0.7 0.6 0.8

MAM 2013 -0.2 -0.2 -0.3 -0.1 0.1 0.3 0.6 0.4

AMJ 2013 -0.2 -0.1 -0.2 -0.2 0 0.1 0.4 0.4

MJJ 2013 -0.2 -0.2 -0.1 0 -0.1 0.1 0.1 0.3

JJA 2013 -0.3 -0.2 -0.1 0 0.1 0 0.1 0.2

JAS 2013 -0.3 -0.2 -0.2 0 0.1 0.1 0.1 0.1

ASO 2013 -0.2 0 -0.2 -0.1 0 0.1 0.1 0.1

SON 2013 -0.3 0 0 -0.2 0 0.1 0.1 0.1

OND 2013 -0.3 -0.1 0 0.1 -0.1 0 0.1 0.1

NDJ 2013 -0.3 0 -0.1 0.1 0.1 0 0.1 0.2

DJF 2013 -0.5 0 0 0 0.1 0.2 0.1 0.1

JFM 2014 -0.5 -0.1 0 0.1 0.1 0.2 0.3 0.1

FMA 2014 -0.4 -0.1 0 0.1 0.2 0.2 0.3 0.3

74

MAM 2014 -0.2 -0.1 0 0.2 0.2 0.3 0.2 0.3

AMJ 2014 -0.1 0.4 0.2 0.2 0.3 0.3 0.4 0.3

MJJ 2014 0.0 0.6 0.6 0.4 0.4 0.5 0.4 0.4

JJA 2014 -0.1 0.6 0.7 0.8 0.6 0.5 0.5 0.5

JAS 2014 0.0 0.5 0.7 0.8 1 0.7 0.5 0.5

ASO 2014 0.1 0.5 0.7 0.8 0.9 1.1 0.7 0.5

SON 2014 0.4 0.6 0.6 0.8 0.9 0.9 1.1 0.8

OND 2014 0.5 0.6 0.7 0.7 0.8 0.9 0.9 1.2

NDJ 2014 0.6 0.8 0.6 0.7 0.7 0.9 0.9 0.9

DJF 2014 0.6 0.8 0.8 0.7 0.8 0.8 0.9 0.9

JFM 2015 0.5 0.6 0.8 0.8 0.7 0.8 0.8 0.8

FMA 2015 0.6 0.5 0.6 0.8 0.8 0.7 0.8 0.7

MAM 2015 0.7 0.6 0.6 0.6 0.7 0.8 0.7 0.8

AMJ 2015 0.8 0.8 0.8 0.7 0.6 0.7 0.8 0.7

MJJ 2015 1.0 1.2 1 1 0.8 0.7 0.8 0.8

JJA 2015 1.2 1.5 1.4 1.2 1.1 1 0.7 0.8

JAS 2015 1.4 1.8 1.6 1.5 1.3 1.2 0.9 0.7

ASO 2015 1.7 2.2 2 1.6 1.6 1.4 1.1 0.9

SON 2015 2.0 1.6 2.4 2.1 1.7 1.7 1.3 1.1

OND 2015 2.2 2.5 1.8 2.5 2.2 1.8 1.6 1.3

NDJ 2015 2.3 2.6 2.5 1.9 2.5 2.1 1.6 1

DJF 2015 2.2 2.5 2.4 2.3 1.9 2.3 1.9 1.6

JFM 2016 2 2.2 2.1 2.1 2.1 1.8 2 1.7

FMA 2016 1.6 1.8 1.7 1.7 1.7 1.6 1.5 1.7

MAM 2016 1.1 1.3 1.3 1.2 1.2 1.3 1.3 1.3

AMJ 2016 0.6 0.6 0.8 0.8 0.7 0.7 0.9 0.8

MJJ 2016 0.1 -0.4 0 0.3 0.2 0.1 0.3 0.5

JJA 2016 -0.3 -0.5 -0.8 -0.5 -0.2 -0.2 -0.4 -0.1

75

JAS 2016 -0.5 -0.5 -0.7 -0.9 -0.7 -0.4 -0.4 -0.7

ASO 2016 -0.8 -0.5 -0.6 -0.7 -0.9 -0.7 -0.4 -0.4

SON 2016 -0.8 -0.5 -0.6 -0.6 -0.8 -0.9 -0.8 -0.4

OND 2016 -0.8 -0.6 -0.5 -0.6 -0.6 -0.8 -1 -0.9

NDJ 2016 -0.7 -0.7 -0.6 -0.5 -0.6 -0.6 -0.9 -1

DJF 2016 2.2 -0.4 -0.6 -0.5 -0.5 -0.6 -0.7 -0.9

JFM 2017 -0.1 -0.1 -0.2 -0.5 -0.4 -0.5 -0.5 -0.6

FMA 2017 0.2 0.1 0 -0.1 -0.3 -0.2 -0.3 -0.4

9. DATA MODEL AVESTAT

MUSIM TAHUN OBSERVASI LEAD1 LEAD2 LEAD3 LEAD4 LEAD5 LEAD6 LEAD7

ASO 2006 0.5 0.3 0.3 0.2 0.1 0.1 0 -0.1

SON 2006 0.7 0.6 0.4 0.4 0.2 0.1 0.1 0

OND 2006 0.9 0.9 0.7 0.5 0.5 0.3 0.1 0.1

NDJ 2006 0.9 1.1 1 0.7 0.5 0.5 0.3 0.1

DJF 2006 0.7 1.1 1.1 0.9 0.7 0.5 0.4 0.3

JFM 2007 0.4 0.9 1 1 0.8 0.6 0.5 0.4

FMA 2007 0.1 0.5 0.7 0.8 0.9 0.7 0.5 0.4

MAM 2007 -0.1 0.2 0.4 0.6 0.7 0.8 0.6 0.5

AMJ 2007 -0.2 0 0.1 0.3 0.5 0.6 0.7 0.6

MJJ 2007 -0.3 0 0 0.1 0.3 0.4 0.5 0.6

JJA 2007 -0.4 -0.3 -0.1 0 0 0.2 0.3 0.5

JAS 2007 -0.6 -0.3 -0.3 -0.1 0 -0.1 0.1 0.2

ASO 2007 -0.9 -0.4 -0.3 -0.3 -0.1 0 -0.1 0.1

SON 2007 -1.1 -0.6 -0.5 -0.3 -0.3 -0.2 0 -0.2

OND 2007 -1.3 -1.2 -0.6 -0.5 -0.4 -0.4 -0.2 0

NDJ 2007 -1.3 -1.3 -1.2 -0.7 -0.5 -0.4 -0.4 -0.2

76

DJF 2007 -1.4 -1.3 -1.2 -1.1 -0.7 -0.5 -0.4 -0.3

JFM 2008 -1.3 -1.2 -1.1 -1 -0.9 -0.6 -0.4 -0.3

FMA 2008 -1.1 -1.2 -1 -0.9 -0.8 -0.8 -0.4 -0.3

MAM 2008 -0.9 -1 -1 -0.8 -0.7 -0.6 -0.6 -0.3

AMJ 2008 -0.7 -0.6 -0.9 -0.8 -0.7 -0.5 -0.3 -0.4

MJJ 2008 -0.5 -0.5 -0.5 -0.7 -0.6 -0.5 -0.3 -0.1

JJA 2008 -0.4 -0.2 -0.4 -0.3 -0.6 -0.5 -0.4 -0.2

JAS 2008 -0.3 -0.1 -0.2 -0.4 -0.3 -0.6 -0.5 -0.3

ASO 2008 -0.3 0 -0.1 -0.2 -0.4 -0.2 -0.6 -0.5

SON 2008 -0.4 0 0 -0.2 -0.3 -0.4 -0.3 -0.6

OND 2008 -0.6 -0.2 0 0 -0.2 -0.3 -0.5 -0.3

NDJ 2008 -0.7 -0.4 -0.2 0 0 -0.2 -0.3 -0.5

DJF 2008 -0.7 -0.4 -0.4 -0.2 0 0 -0.2 -0.3

JFM 2009 -0.6 -0.6 -0.4 -0.4 -0.2 0 0 -0.2

FMA 2009 -0.4 -0.6 -0.5 -0.4 -0.3 -0.2 0 0

MAM 2009 -0.1 -0.4 -0.5 -0.4 -0.4 -0.3 -0.2 -0.1

AMJ 2009 0.2 -0.4 -0.1 -0.4 -0.3 -0.4 -0.3 -0.2

MJJ 2009 0.4 -0.1 -0.3 0.1 -0.3 -0.3 -0.3 -0.3

JJA 2009 0.5 0.3 -0.1 -0.3 0.3 -0.3 -0.2 -0.3

JAS 2009 0.5 0.6 0.4 -0.1 -0.3 0.4 -0.3 -0.2

ASO 2009 0.6 0.9 0.7 0.4 -0.1 -0.2 0.6 -0.3

SON 2009 0.9 1 1 0.8 0.5 0 -0.2 0.6

OND 2009 1.1 1.1 1.1 1.1 0.9 0.5 0 -0.2

NDJ 2009 1.3 1.1 1.1 1.1 1.1 0.9 0.5 0

DJF 2009 1.3 1.5 1.1 1.1 1.1 1 0.8 0.4

JFM 2010 1.2 1.1 1.3 0.9 0.9 0.9 0.8 0.6

FMA 2010 0.9 0.9 0.9 1.1 0.7 0.8 0.7 0.6

MAM 2010 0.5 0.6 0.7 0.7 0.9 0.6 0.6 0.5

77

AMJ 2010 0.0 0.4 0.4 0.5 0.5 0.7 0.5 0.4

MJJ 2010 -0.4 0.2 0.2 0.2 0.4 0.4 0.5 0.4

JJA 2010 -0.9 -0.2 0.1 0.1 0.1 0.3 0.3 0.3

JAS 2010 -1.2 -0.6 -0.3 0 -0.1 0 0.3 0.2

ASO 2010 -1.4 -1 -0.7 -0.4 -0.1 -0.1 -0.1 0.2

SON 2010 -1.5 -1.4 -1.2 -0.7 -0.5 -0.1 -0.1 -0.1

OND 2010 -1.4 -1.7 -1.6 -1.3 -0.8 -0.5 -0.1 -0.2

NDJ 2010 -1.4 -1.9 -1.8 -1.6 -1.4 -0.8 -0.5 -0.1

DJF 2010 -1.3 -1.7 -1.8 -1.7 -1.5 -1.2 -0.7 -0.5

JFM 2011 -1.0 -1.5 -1.5 -1.6 -1.5 -1.3 -1 -0.6

FMA 2011 -0.7 -1 -1.3 -1.2 -1.3 -1.1 -1 -0.8

MAM 2011 -0.5 -0.8 -0.7 -1 -1 -1 -0.8 -0.7

AMJ 2011 -0.4 -0.6 -0.5 -0.5 -0.7 -0.8 -0.7 -0.4

MJJ 2011 -0.3 -0.2 -0.4 -0.3 -0.3 -0.5 -0.6 -0.4

JJA 2011 -0.3 -0.2 0 -0.2 -0.2 -0.2 -0.3 -0.4

JAS 2011 -0.6 -0.1 -0.1 0.2 -0.1 -0.1 -0.1 -0.2

ASO 2011 -0.8 -0.1 -0.1 0 0.2 0 -0.1 -0.1

SON 2011 -0.9 -0.4 -0.1 -0.1 0 0.3 0 0

OND 2011 -1.0 -0.6 -0.4 -0.1 0 0 0.4 0

NDJ 2011 -0.9 -0.8 -0.6 -0.4 -0.1 -0.1 0 0.2

DJF 2011 -0.7 -0.9 -0.8 -0.5 -0.4 -0.1 -0.1 0

JFM 2012 -0.5 -0.9 -0.9 -0.7 -0.5 -0.3 -0.1 -0.1

FMA 2012 -0.4 -0.8 -0.8 -0.7 -0.6 -0.4 -0.3 -0.1

MAM 2012 -0.4 -0.4 -0.6 -0.7 -0.6 -0.5 -0.3 -0.2

AMJ 2012 -0.3 -0.2 -0.2 -0.4 -0.5 -0.5 -0.3 -0.2

MJJ 2012 -0.1 0.2 -0.1 -0.1 -0.3 -0.3 -0.4 -0.2

JJA 2012 0.1 0.1 0.4 0 0 -0.2 -0.2 -0.3

JAS 2012 0.3 0.4 0.2 0.6 0 0 -0.1 -0.1

78

ASO 2012 0.3 0.4 0.4 0.2 0.7 0 0.1 -0.1

SON 2012 0.3 0.6 0.4 0.4 0.2 0.8 0 0.1

OND 2012 0.1 0.6 0.7 0.4 0.4 0.2 0.8 0

NDJ 2012 -0.2 0.3 0.7 0.6 0.4 0.4 0.2 0.8

DJF 2012 -0.4 0.2 0.2 0.6 0.6 0.4 0.4 0.2

JFM 2013 -0.4 -0.1 0.2 0.2 0.6 0.4 0.4 0.3

FMA 2013 -0.3 -0.4 -0.2 0.1 0.1 0.4 0.3 0.3

MAM 2013 -0.2 -0.5 -0.4 -0.2 0 0 0.3 0.2

AMJ 2013 -0.2 -0.4 -0.5 -0.3 -0.2 -0.1 0 0.2

MJJ 2013 -0.2 -0.4 -0.4 -0.5 -0.3 -0.2 -0.1 -0.1

JJA 2013 -0.3 -0.4 -0.4 -0.3 -0.5 -0.3 -0.2 -0.1

JAS 2013 -0.3 -0.4 -0.4 -0.4 -0.3 -0.5 -0.3 -0.3

ASO 2013 -0.2 -0.4 -0.5 -0.4 -0.5 -0.3 -0.5 -0.3

SON 2013 -0.3 -0.4 -0.4 -0.5 -0.4 -0.5 -0.3 -0.5

OND 2013 -0.3 -0.2 -0.4 -0.4 -0.5 -0.4 -0.5 -0.3

NDJ 2013 -0.3 -0.2 -0.2 -0.4 -0.4 -0.4 -0.4 -0.5

DJF 2013 -0.5 -0.1 -0.2 -0.2 -0.4 -0.3 -0.3 -0.4

JFM 2014 -0.5 -0.2 -0.1 -0.2 -0.2 -0.3 -0.2 -0.3

FMA 2014 -0.4 -0.3 -0.1 0 -0.1 -0.1 -0.2 -0.1

MAM 2014 -0.2 -0.2 -0.2 0 0 0 0.1 -0.1

AMJ 2014 -0.1 0.1 0 0 0 0.1 0.1 0.2

MJJ 2014 0.0 0.3 0.3 0.2 0.1 0.1 0.2 0.2

JJA 2014 -0.1 0.6 0.4 0.4 0.3 0.2 0.2 0.2

JAS 2014 0.0 0.4 0.6 0.4 0.5 0.4 0.2 0.2

ASO 2014 0.1 0.4 0.5 0.6 0.5 0.6 0.4 0.3

SON 2014 0.4 0.5 0.5 0.6 0.7 0.6 0.7 0.5

OND 2014 0.5 0.6 0.5 0.6 0.7 0.8 0.6 0.8

NDJ 2014 0.6 0.6 0.7 0.6 0.7 0.7 0.8 0.6

79

DJF 2014 0.6 0.8 0.6 0.7 0.6 0.6 0.6 0.7

JFM 2015 0.5 0.6 0.7 0.5 0.6 0.5 0.6 0.5

FMA 2015 0.6 0.4 0.4 0.6 0.5 0.5 0.4 0.5

MAM 2015 0.7 0.4 0.3 0.3 0.5 0.4 0.5 0.4

AMJ 2015 0.8 0.5 0.4 0.3 0.3 0.4 0.4 0.5

MJJ 2015 1.0 0.8 0.5 0.3 0.2 0.2 0.3 0.4

JJA 2015 1.2 1 0.9 0.6 0.3 0.2 0.2 0.3

JAS 2015 1.4 1.2 1.1 0.9 0.6 0.3 0.2 0.2

ASO 2015 1.7 1.6 1.3 1.2 1 0.6 0.3 0.2

SON 2015 2.0 2 1.8 1.5 1.3 1.1 0.7 0.4

OND 2015 2.2 2.4 2.2 1.9 1.7 1.4 1.2 0.9

NDJ 2015 2.3 2.4 2.4 2.2 1.9 1.7 1.4 1.2

DJF 2015 2.2 0.4 2.2 2.2 2 1.8 1.6 1.3

JFM 2016 2 2.4 2 1.8 1.9 1.7 1.5 1.4

FMA 2016 1.6 1.5 2.1 1.5 1.5 1.5 1.4 1.3

MAM 2016 1.1 1.1 1.1 1.7 1.1 1.1 1.1 1

AMJ 2016 0.6 0.8 0.7 0.7 1.2 0.7 0.8 0.8

MJJ 2016 0.1 0.5 0.5 0.3 0.3 0.8 0.4 0.5

JJA 2016 -0.3 -0.1 0.2 0.2 0 0 0.6 0.1

JAS 2016 -0.5 -0.3 -0.3 0 -0.1 -0.2 -0.2 0.5

ASO 2016 -0.8 -0.5 -0.4 -0.4 -0.2 -0.3 -0.3 -0.3

SON 2016 -0.8 -0.6 -0.6 -0.5 -0.5 -0.3 -0.4 -0.4

OND 2016 -0.8 -0.5 -0.6 -0.6 -0.5 -0.6 -0.3 -0.5

NDJ 2016 -0.7 -0.5 -0.4 -0.6 -0.7 -0.5 -0.6 -0.4

DJF 2016 2.2 -0.3 -0.4 -0.4 -0.5 -0.6 -0.5 -0.6

JFM 2017 -0.1 -0.3 -0.2 -0.3 -0.2 -0.4 -0.5 -0.5

FMA 2017 0.2 -0.1 -0.2 -0.1 -0.2 -0.1 -0.3 -0.4

80

VERIFIKASI PREDIKSI ENSO MUSIMAN MENGGUNAKAN …

Documents