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
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
Gambar IV.2. Perbandingan Verifikasi Prediksi Model Statistik dan Model
Dinamik dengan Korelasi Pearson ........................................................................ 27
Gambar IV.3. Perbandingan Verifikasi Prediksi Model Statistik dan Model
Dinamik dengan RMSE ........................................................................................ 29
Gambar IV.4. Perbandingan Verifikasi Prediksi Model Statistik dan Model
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
Tabel IV.2. Perbandingan Verifikasi Prediksi Model Statistik dan Model Dinamik
dengan Korelasi Pearson ....................................................................................... 26
Tabel IV.3. Perbandingan Verifikasi Prediksi Model Statistik dan Model Dinamik
dengan RMSE ....................................................................................................... 28
Tabel IV.4. Perbandingan Verifikasi Prediksi Model Statistik dan Model Dinamik
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).
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.
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
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
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
Tabel 4.2. Nilai Verifikasi Prediksi Model Statistik dan Dinamik Dengan
Menggunakan Korelasi Pearson
LEAD NILAI KORELASI PEARSON
NCEP KNU MARKOV CLIPER CA CCA NN AVEDYN AVESTAT
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
RT = Rata-rata, SD = Standar Deviasi
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
Gambar 4.2 Perbandingan Verifikasi Prediksi Model Statistik dan Dinamik
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
Tabel 4.3. Nilai Verifikasi Prediksi Model Statistik dan Dinamik Dengan
Menggunakan Metode Root Mean Square Error (RMSE)
LEAD NILAI RMSE
NCEP KNU MARKOV CLIPER CA CCA NN AVEDYN AVESTAT
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
RT = Rata-rata, SD = Standar Deviasi
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
Gambar 4.3 Perbandingan Verifikasi Prediksi Model Statistik dan Dinamik
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.
Tabel 4.4. Nilai Verifikasi Prediksi Model Statistik dan Dinamik Dengan
Menggunakan Jarak Euklidean
LEAD NILAI JARAK EUKLIDEAN
NCEP KNU MARKOV CLIPER CA CCA NN AVEDYN AVESTAT
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
Gambar 4.4 Perbandingan Verifikasi Prediksi Model Statistik dan Dinamik
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.
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.
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