Meningkatkan Kualitas Prediksi Curah Hujan Musiman saat Fase ENSO Menggunakan Metode Bayesian Model Averaging (BMA), Studi Kasus: Pulau Jawa

Abstract

Abstrak. Ketika fase El Nino Southern Oscil l ation (ENSO), El Nino atau La Nina terjadi, Curah Hujan (CH) musiman di Pulau Jawa cenderung mengalami kondisi di Bawah Normal (BN) atau Atas Normal (AN). Oleh karena itu, prediksi CH musiman yang akurat menjadi sangat penting pada kedua fase tersebut. Model ECMWF System 4 (S4) adalah salah satu model prediksi musim yang dapat dipakai untuk menghasilkan prediksi probabilistik kejadian BN atau AN. Akan tetapi, kualitas dari keluaran langsung (RAW) model S4 masih buruk. Metode Bayesian Model Averaging (BMA) dipilih sebagai post-processing statistik untuk memperbaiki kualitas tersebut. Probability Density Function (PDF) prediktif BMA mampu menghasilkan prediksi deterministik dan probabilistik lebih akurat dari RAW model S4. Tingkat akurasi tersebut diketahui dari Root Mean Square Error (RMSE) dan Brier Score (BS) BMA lebih rendah dari RAW; RMSE Skill Score (RMSS), Brier Skill Score (BSS) dan Relative Operating Characteristic Skill Score (ROCSS) BMA lebih besar dari RAW, serta reliabilitas BMA menjadi kategori “sempurna” dan “sangat berguna” dari sebelumnya “tidak berguna” pada RAW model S4. Penerapan BMA mampu memperbaiki kualitas prediksi CH RAW model S4 sehingga prediksi CH musiman menjadi bermanfaat jika dipakai dalam pengambilan keputusan terkait kondisi iklim beberapa bulan ke depan, khususnya pada fase El Nino atau La Nina di Pulau Jawa. Abstract . When El Nino Southern Oscillation (ENSO), El Nino or La Nina phase is occurred, seasonal rainfall over Java Island tend to experience Below Normal (BN) or Above Normal (AN) conditions. Therefore, more accurate seasonal rainfall predictions are essential for both phases. The ECMWF System 4 (S4) is a seasonal prediction model which can be used to generate probabilistic predictions BN or AN event. However, the direct output (RAW) of S4 models such as rainfall prediction has poor quality. The Bayesian Model Averaging (BMA) is selected as one of the post-processing statistics to improve its quality. The predictive Probability Density Function (PDF) of BMA is able to produce deterministic and probabilistic prediction more accurately than RAW S4 models. The accuracy is known from Root Mean Square Error (RMSE), Brier Score (BS) BMA that is lower than RAW; RMSE Skill Score (RMSS), Brier Skill Score (BSS) and Relative Operating Characteristic Skill Score (ROCSS) BMA that is greater than RAW. Hence, the reliability of the BMA is changing to the “perfect” and “very useful” category from the previous “not useful” in RAW model S4. The implementation of BMA is able to improve the prediction quality of CH RAW model S4. As the result, seasonal rainfall prediction will be useful in making decisions related to climate conditions for the coming months, especially in the El Nino or La Nina phase over Java Island.