Proses Analisis Iklim

Proses Analisis Iklim

Analisis iklim adalah proses penting dalam mempelajari kondisi atmosfer jangka panjang. Analisis sendiri juga ada dalam kosa kata bahasa Inggris – analysis yang artinya: (1) Kegiatan menganalisa sesuatu, (2) Proses mempelajari atau menganalisa sesuatu dengan terorganisir untuk mengetahui lebih banyak mengenai hal tersebut, atau pembelajaran tertentu dari suatu hal, (3) Mempelajari sesuatu secara mendetail, (4) Opini seseorang, berdasarkan pengetahuan dan informasi yang mereka punya, tentang bagaimana situasinya dan apa maksudnya [1]. Definisi tentang iklim adalah rangkuman kondisi atmosfer pada periode yang panjang di suatu tempat. Lihat artikel ini untuk membaca lebih lanjut mengenai definisi iklim.

Jadi, kita bisa definisikan bahwa analisis iklim adalah suatu proses untuk mempelajari dan menganalisa kondisi atmosfer jangka panjang dengan cara yang terorganisir dan mendetail untuk mengetahui lebih banyak tentang bagaimana situasinya serta apa implikasi dari proses-proses yang telah dipelajari. Dalam praktiknya, analisis iklim banyak berkaitan dengan pengelolaan data iklim, interpretasi data iklim serta penjelasan dampak kondisi tersebut. Oleh karena itu, kegiatan ini dapat dibagi menjadi beberapa proses yakni: pengumpulan data dan pengelolaan dataset iklim, visualisasi data iklim, interpretasi kondisi iklim, analisis hubungan parameter-parameter iklim, serta penarikan kesimpulan.

Pengumpulan data dan pengelolaan dataset

Data dikumpulkan dalam proses observasi kondisi atmosfer yang dilakukan oleh Badan Meteorologi Nasional setiap negara. Di Indonesia, hal ini dilakukan oleh Badan Meteorologi Klimatologi dan Geofisika (BMKG). Observasi dapat berupa observasi udara permukaan yang lebih dikenal dengan observasi sinoptik, dan observasi udara atas menggunakan pilot balon atau radio sonde.

Data hasil observasi kemudian dapat diolah lagi menjadi beberapa data turunan yang memudahkan user untuk menggunakannya. Salah satu contoh data ini adalah data reanalisis yang dikeluarkan oleh NOAA, ECMWF, atau lembaga lainnya. Data dapat disimpan dalam bentuk hardcopy atau digital dengan berbagai eksistensi

Ekstensi data digital dalam dunia klimatologi

Bisa saja data didownload dalam bentuk pdf, txt, atau tiff. Ada juga yang berbentuk halaman web seperti data index NINO dari NOAA. Namun, ada beberapa ekstensi data yang akan lebih sering kita temui dalam dunia meteorologi dan klimatologi. Beberapa di antaranya adalah: .csv, .asc, .nc, .hdf, dan .grib. Data dengan ekstensi ini tidak hanya bisa ditampilkan namun juga bisa diolah kembali sesuai kebutuhan. Beberapa ekstensi memuat data geografis berbarengan dengan data klimatologi sehingga memudahkan pemetaan. Ini penting, mengingat lokasi adalah satu faktor signifikan untuk kondisi cuaca dan iklim.

Data ekstensi .csv (comma-separated values file)

File ekstensi .csv (comma-separated values file) adalah sebuah file yang mengijinkan penyimpanan data dalam bentuk tabular. Format ini seperti variasi dari bentuk data spreadsheet yang dimiliki Microsoft Excel namun lebih sederhana. Meskipun dapat diolah menggunakan software pengolah angka, data ini hanya memiliki satu sheet dalam sebuah file, tidak dapat menyimpan cell, kolom, baris, formula, maupun format tampilannya [2].

Data dapat diolah menggunakan berbagai program spreadsheet seperti Microsoft Excel, Google Sheet, GNUmeric, dan lain sebagainya. Contoh halaman web yang membagikan datanya dalam bentuk csv adalah https://datahub.io/core/global-temp. Data ini dapat diolah siapapun asalkan menguasai salah satu program spreadsheet. Kekurangannya, seringkali data dalam bentuk ini ukurannya lebih besar. Jika kita mau mengelola data iklim yang panjang, ini akan memakan memori terlalu banyak sehingga kurang efisien.

Data ekstensi .asc (ASCII)

Ekstensi .asc dan .ascii sebenarnya hanyalah text file yang bisa dibuka dengan notepad atau text editor biasa. Kalian bisa akses salah satu data dengan format .asc di halaman ini :https://www1.ncdc.noaa.gov/pub/data/cmb/ersst/v3b/ascii/ . Data ini dapat dibuka dan dirapikan juga menggunakan aplikasi spreadsheet. Sama seperti file .csv, file .asc dan .ascii yang menyimpan data klimatologi juga akan memiliki ukuran yang cukup besar jika dibandingkan ekstensi lainnya.

Data extensi .nc (NetCDF)

NetCDF (network Common Data Form) adalah kumpulan antarmuka untuk akses data yang berorientasi array dan koleksi yang distribusikan bebas dari librari akses data untuk C, Fortran, C++, Java dan bahasa pemrograman lainnya. Library netCDF mendukung machine-independent format untuk merepresentasikan data keilmuan. Tipe data ini berisikan antarmukanya, library, dan format yang mendukung pembuatan, akses, dan penyebaran data-data keilmuan [3].

Itu definisi dari internet. Maksudnya apa? Data berekstensi .nc ini mengandung antarmuka, librari, sekaligus format, selain data itu sendiri. Fungsi utama data netCDF ini adalah membagikan informasi-informasi keilmuan. Dalam dunia meteorologi dan klimatologi, file ekstensi ini digunakan untuk menyimpan data pendukung analisis mulai dari kondisi atmosfer sampai data lain pendukungnya termasuk data geografis, maupun data sosial.

Beberapa keuntungan data netCDF antara lain:

  1. Self-Describing. Data netCDF bisa menjelaskan dirinya sendiri karena di dalamnya ada metadata serta informasi tentang data apa saja yang ada di dalamnya. Biasanya bagian ini dapat dilihat di header. Kita tidak perlu menyimpan meta data secara terpisah.
  2. Portable. Program yang mampu mengelola data netCDF sangat banyak. Data ini juga bisa diakses dengan berbagai macam cara untuk menyimpan integer, string, floating pint, dll.
  3. Scalable. Tidak harus mengakses semua data didalamnya. Sebuah subset data lebih kecil dapat diambil sesuai keperluan tanpa harus membaca keseluruhan data. Hal ini meningkatkan efisiensi komputasi.
  4. Appendable. Data dapat ditambahkan ke dalam file yang sudah terstruktur tanpa harus mengcopy dataset atau mengubah strukturnya.
  5. Shareable. Satu file netCDF yang sama dapat diakses oleh satu penulis dan banyak pembaca secara simultan
  6. Archivable. Akses ke bentuk lama netCDF akan didukung oleh versi software saat ini maupun versi di masa yang akan datang.

Data ekstensi .hdf (The Hierarchial Data Format)

The Hierarchial Data Format (.hdf) memiliki 2 versi. Yang pertama dalah HDF4, yang kedua adalah HDF5. Seperti namanya, data tipe ini memuat hierarki dan informasi tentang dataset secara lengkap. Kelihatannya lebih baik daripada .nc. Sayangnya, pengelolaan data hdf ini tidak straightforward seperti .nc. Kalau mau mengolah data ini, perlu diketahui struktur datanya terlebih dahulu. Masalah kedua, HDF4 dan HDF5 tidak compatible. Interface untuk mengelola HDF4 dan HDF5 berbeda dan mungkin memberi masalah baru. Namun, data hdf ini dapat menyimpan data dengan ukuran lebih kecil. Lihat saja data GFED yang bisa memuat berbagai macam emisi dengan size yang cukup kecil dibanding banyak datanya. Data ini bisa diolah menggunakan HDFView, matlab, dan program lainnya.

Data ekstensi .grib (GRidded Information in Binary)

File GRidded Information in Binary (GRIB) adalah hasil output langsung dari program Numerical Weather Prediction dan menyediakan tool yang berguna dan hemat biaya. Data ini dapat dibuka dengan Matlab, Python maupun program lain dengan penyesuaian [4].

Data ekstensi .shp (Shapefile)

Shape file ini adalah ekstensi data yang digunakan dalam sistem informasi geografis. Biasanya ekstensi ini memuat referensi geografis objek-objek individual. Format ini dikembangkan oleh ESRI (Environmental Systems Research Institute). Shapefile ekstensi lainnya seperti SHX (digunakan untuk indeks spasial) dan DBF (format atribut) harus menemani ekstensi .shp untuk menambah informasi yang ada di dalamnya [5].

Selanjutnya, yang perlu dipertimbangkan dalam pengelolaan data adalah kontrol kualitas data (Data Quality Control)

Kontrol Kualitas Data

Kontrol kualitas data perlu dilakukan untuk memastikan konsistensi dalam dataset tunggal maupun di dalam koleksi berbagai dataset. Hal ini terkait dengan kualitas data serta kesalahan yang mungkin terjadi di dalam data. Jika ada error, error ini harus terlihat oleh user sehingga user mendapatkan informasi lengkap untuk mengetahui apakah dataset tersebut sesuai dengan tujuan yang akan dicapai [7].

Kontrol kualitas data dilakukan dengan tujuan:

  • Mendeteksi informasi wajib yang mungkin hilang
  • Mendeteksi kesalahan data (baik kesalahan input, satuan, dll)
  • Mendeteksi adanya outlier
  • Mendeteksi duplikasi data.

Jika dilakukan dengan baik, ada berbagai keuntungan yang didapat.

  • Menjaga standar umum. Dalam analisis klimatologi, ada standar data minimum yang perlu dipenuhi untuk menjaga kualitas hasil analisis. Contohnya, untuk mengetahui kondisi rata-rata suatu wilayah, perlu adanya pengamatan selama minimal 10 tahun. Untuk mengetahui kondisi normal suatu wilayah, jumlah data yang lebih panjang (minimal 30 tahun) diperlukan. Untuk mendeteksi perubahan iklim, data yang lebih panjang dipergunakan. Selain jumlah, syarat kualitas hasil pengamatan juga harus dipenuhi. Dengan adanya kontrol kualitas data, hasil analisis akan lebih mudah diterima. Selain itu nilai data dalam jangka panjang dapat terjaga.
  • Adanya Konsistensi. Data dari BMKG harus konsisten antara pengamatan satu dan pengamatan yang lain. Dengan demikian, ketika user mengambil data pada waktu berbeda maupun wilayah yang berbeda, akses data lebih mudah.
  • Memastikan bahwa data dapat diandalkan (reliable). Tentu ketika menggunakan data, user berharap data dapat diandalkan. Jika kontrol kualitas data sudah dilaksanakan sesuai standar tertentu (nasional/internasional) hal ini dapat dicapai [7].

Secara umum ada dua kualitas utama yang perlu diperhatikan dalam dataset iklim yaitu akurasi dan validitasnya. Akurasi mengacu pada kebenaran data setdangkan validitas menunjukkan apakah data dapat diaplikasikan untuk mencapai tujuan dari nilai-nilai yang akan digunakan [6]. Nah, dalam praktiknya, ada banyak proses yang dilakukan untuk memastikan kualitas data yang diperoleh dari pengamatan cuaca dan iklim. Yang pertama, dengan menggunakan alat-alat pengamatan meteorologi dan klimatologi standar. Standar di sini bukan hanya kualitas alat yang dibeli namun juga menjaga kondisi alat agar pengamatan dapat berjalan dengan baik (kebersihan alat, kondisi sekitar alat, dll). Hal ini lebih banyak dibahas pada topik peralatan meteorologi dan Klimatologi. Kedua, perlu dipastikan bahwa proses pengambilan data (pengamatan) dilaksanakan dengan standar yang baik. Ketiga, perlu meminimalisir kesalahan input dan pengarsipan. Keempat, ketika data terkumpul dalam sebuah dataset perlu ada pencatatan metadata untuk mengetahui sumber kesalahan, penyebab data mungkin tidak homogen (atau memastikan bahwa data homogen). Terakhir, perbaikan kualitas data (mengisi data yang hilang, membandingkan data dengan data yang kualitasnya sudah dipastikan, dll)

Catatan:

  • Untuk mengetahui kondisi normal dari iklim di suatu wilayah, data yang digunakan harus homogen. Data Homogen di sini maksudnya adalah sebuah dataset yang memuat seluruh fluktuasi yang terjadi dan timeseries dari data tersebut merefleksikan variasi dan perubahan dari unsur klimatologi yang direpresentasikan. Homogenitas data biasanya dipastikan dengan metode kurva massa ganda dengan membandingkan data yang ada dengan data acuan yang homogen.
  • Sebuah dataset dikatakan stasioner apabila tes statistik menunjukkan bahwa karakter timeseries dalam data tersebut tidak berubah karena waktu.

Menampilkan data Iklim

Visualisasi data adalah pembuatan dan studi tentang representasi visual dari data. Visualisasi data juga bisa dijelaskan sebagai komunikasi visual atau statistika deskriptif dan termasuk di dalamnya berbagai teknik untuk merepresentasikan data secara visual agar data dapat dipahami dan informasi di dalamnya dapat dikomunikasikan dengan sederhana dan jelas [8]. Beberapa alasan penggunaan visualisasi data antara lain:

  • Menampilkan kondisi klimatologi di suatu wilayah
  • Menemukan sumber-sumber masalah, penyebab dari suatu fenomena dan latar belakang dinamika atmosfer yang mempengaruhi kondisi yang ada
  • Untuk menceritakan kronologis suatu fenomena atau proses-proses klimatologis yang terjadi
  • Untuk mengidentifikasi kondisi-kondisi penting yang patut diperhatikan lebih jauh
  • Mempermudah deteksi pola dan trend
  • Menghemat waktu dan tenaga dalam proses analisis iklim.

Ada empat hal yang perlu diperhatikan dalam visualisasi data menurut Colin Ware’s Information Visualization: Perception for Design yaitu: warna, bentuk, pergerakan, dan lokasi spasial [9]. Visualisasi data iklim juga tidak terlepas dari empat hal ini. Warna dapat digunakan untuk memisahkan parameter atau menunjukkan perbedaan intensitas suatu parameter terukur. Bentuk dapat digunakan untuk membedakan karakteristik yang berbeda dari kondisi atau parameter termasuk penggambarannya dalam peta. Pergerakan memungkinkan visualisasi evolusi kondisi iklim. Terakhir, lokasi spasial memungkin penjelasan letak terjadinya suatu fenomena atau kondisi dan juga dapat digunakan untuk menghubungkan kondisi topografi dengan kondisi iklim.

Beberapa cara menampilkan data iklim. Yang paling umum digunakan adalah table, grafik garis, histogram, distribusi frekuensi, peta, dan boxplot. Cara memvisualisasikan data tergantung dari kebutuhan serta kepada siapa data akan disampaikan. Di sini beberapa contoh diberikan namun tidak menutup kemungkinan akan cara lain untuk memvisualisasikan data yang ada.

Tabel

Tabel adalah bentuk susunan data menggunakan baris dan kolom. Karena sebagian besar data tersusun dalam bentuk tabel, kita sering lupa kalau tabel adalah salah satu bentuk visualisasi data. Tabel dapat digunakan dengan baik dalam lima kondisi ini:

  1. Ketika perlu menunjukkan data individual yang nilainya presisi
  2. Ketika ingin membandingkan beberapa pasang atau sekumpulan data kecil namun tidak keseluruhan dataset
  3. Ketika ingin menunjukkan detail serta rangkuman dari data
  4. Ketika data memiliki satuan-satuan pengukuran yang berbeda
  5. Ketika memiliki banyak data berkategori [10]

Untuk memperoleh tampilan tabel yang informatif, kita perlu mengingat prinsip CAG (Clear – Align – Group). Tampilan data sebaiknya bersih (informasi non data sebaiknya tidak dicampur dengan data). Satuan sebaiknya dimasukkan ke header. Garis grid yang tidak perlu dihilangkan saja. Angka-angka sebaiknya ditempatkan dengan tanda desimal lurus sehingga mudah dibandingkan. Nilai-nilai penting sebaiknya ditandai dengan format yang berbeda (maksimum, minimum, rangkuman). Terakhir, tabel harus mampu menceritakan informasi dari data.

Grafik garis

Grafik-garis-AOD-titik-panas
sumber: skripsi a/n Dinda Afifah

Grafik garis biasanya digunakan untuk menampilkan data-data kontinu seperti suhu, kelembapan, dll. Data-data kontinu adalah data yang nilainya selalu ada sepenjang waktu. Kita lihat saja suhu yang bisa diukur setiap saat. Grafik garis sangat sensitif terhadap trend dan perubahan yang terjadi di dalam data sehingga tampilan ini sangatlah cocok untuk mendeteksi perubahan yang terjadi pada data yang sifatnya periodik. Sayangnya, jika ada banyak kategori data, diagram garis mungkin tidak cocok digunakan karena akan terlihat berantakan.

Histogram

Jumlah-titik-panas-2019
sumber: skripsi a/n Dinda Afifah

Histogram atau grafik batang adalah bentuk visualisasi yang mirip dengan grafik garis. Data ditampilkan dalam batang-batang yang panjangnya sesuai dengan besar data. Kemiripan dengan diagram garis menyebabkan pengguna sering bingung untuk memilih yang mana. Dalam praktik di bidang klimatologi, diagram batang biasanya lebih luwes dan digunakan untuk menampilkan data yang kontinu maupun tidak kontinu contohnya curah hujan, frekuensi kejadian suatu fenomena, dll. Hal ini karena trend dan perubahan sangat penting di bidang klimatologi sehingga meskipun grafik batang lebih umum fungsinya, diagram garis tetap saja sering digunakan.

Peta

contoh-peta-klimatologi

Peta adalah gambaran parameter-parameter tertentu pada muka bumi. Peta melibatkan lokasi geografis dan banyak digunakan untuk keperluan meteorologi dan klimatologi. Peta biasanya digunakan ketika sebaran data secara spasial perlu dianalisa. Mengingat kondisi permukaan menjadi salah satu parameter penting dinamika atmosfer terutama di troposfer, setiap analisis terkait permukaan bumi diperlukan, peta selalu menjadi jawaban.

Boxplot

boxplot example
https://www.simplypsychology.org/boxplots.html

Boxplot adalah tampilan standar dari distribusi data berdasarkan lima rangkuman angka yaitu nilai minimum, kuartil pertama, median, kuartil ke dua, dan nilai maksimum. Visualisasi ini mampu mendeteksi adanya outlier dan nilainya berapa. Dapat pula menunjukkan kecondongan data (simetris, miring, atau terkumpul). Boxplot biasanya digunakan untuk tujuan menampilkan bentuk distribusi, nilai sentral dan variasinya.

Penjelasan Data

sumber: Dokumen WMO no 100 Guide to Climate Practices

Deskripsi Rangkuman Kuantitatif Data

Dataset iklim biasanya merupakan rangkaian timeseries data yang cukup panjang. Oleh karena itu tidak masuk akal jika analisis dilakukan dengan menampilkan semua data ini. Hal pertama yang perlu dilakukan dalam tahap analisis iklim ini adalah mengekstrak beberapa ukuran rangkuman kuantitatif data. Beberapa ukuran rangkuman kuantitatif data yang dimaksud di sini antara lain: (1) model data dan frekuensi distribusinya, (2) ukuran tendensi sentral, (3) ukuran variasi data (variability), (4) ukuran simetri data, (5) ukuran kepuncakan (peakedness), dan (6) indeks-indeks iklim

Model Data dan frekuensi Distribusinya

Kalau kita membuat visualisasi distribusi frekuensi dari data klimatologi, pola data akan terlihat jelas. Bentuk distribusi bisa berbentuk unimodal (satu puncak) atau multimodal (kompleks). Selain puncaknya, kita juga perlu perhatikan bentuk simetrinya. Data rata-rata dalam jangka panjang biasanya lebih simetris dibanding data-data jangka pendek, contohnya suhu rata-rata tahunan, rata-rata bulanan, dll. Data-data suhu dan kelembaban biasanya asimetris moderat sampai simeteris. Hal yang berbeda akan ditemui ketika melihat bentuk distribusi data hujan dan angin. Dua data ini biasanya memiliki nilai skewness yang tinggi dan jauh dari kata simetris. Kalau kontras musiman di suatu wilayah cukup besar, bentuk distribusi datanya dapat berbentuk multimodal (kompleks).

Ukuran Tendensi Sentral

Ukuran tendensi sentral fungsinya untuk mengetahui dimana data biasanya terkumpul, biasanya disebut nilai sentral. Nilai sentral ini dapat dihitung dengan tiga cara: mean (rata-rata), median (nilai tengah). dan mode (modus). Nilai rata-rata dapat menjadi referensi standar atas fluktuasi dari data observasi mengingat jika jarak seluruh data terhadap rata-ratanya akan menghasilkan nilai nol. Sayangnya nilai rata-rata tidak dapat menjelaskan struktur data dengan baik. Dua dataset dengan nilai rata-rata yang sama dapat memiliki bentuk data yang jauh berbeda.

Ukuran tendensi sentral kedua adalah median. Median adalah tendensi sentral secara posisi dimana 50% data ada di atas median dan sisanya berada di bawah median. Median tidak dipengaruhi nilai ekstrim yang terlampau tinggi sehingga ini bisa menjadi keuntungan pada beberapa dataset. tendensi sentral ini baik digunakan untuk dataset yang sebaran datanya di terkumpul tengah namun memiliki nilai ekstrim yang terlampau tinggi atau terlampau kecil. Jika nilai-nilai observasi tidak terkumpul pada nilai sentral, median tidak baik untuk digunakan.

Terakhir, modus (mode) adalah data yang nilainya paling sering muncul. Modus ini tidak dipengaruhi oleh nilai atau posisi data observasi lain. Tidak seperti mean yang akan dipengaruhi nilai ektrim atau median yang dipengaruhi oleh letak data-data observasi. Namun, jika jumlah sampelnya sedikit atau ada beberap cluster observasi, modus mungkin tidak reliable dalam menjelaskan tendensi sentral. Parameter-parameter yang memiliki ukuran sirkular mungkin tidak bisa diwakilkan oleh nilai rata-rata. Dalam hal ini, modus lebih berguna digunakan untuk melihat tendensi sentralnya.

Pengukuran Variability (keragaman)

Ketika sebuah tendensi sentral dihitung / diperoleh, variability atau keragaman data dapat dilihat dari deviasinya terhadap nilai sentral. Variability dapat diukur secara absolut dan relatif. Deviasi dari setiap observasi dapat direduksi menjadi sebuah nilai yang dapat mewakili variability keseluruhan. Ini disebut variability absolut.

Nilai variability paling sederhana adalah jangkauan observasi (jarak nilai terendah dan tertingginya). Sayangnya ada beberapa kelemahan yang perlu diperhatikan. Nilai Jangkauan dapat misleading (megarahkan hal yang tidak tepat) jika nilai ekstrim sangat langka atau jatuh jauh dari kondisi sentralnya. Selain itum jangkauan data tidak bisa menjelaskan distribusi frekuensi yang ada di antara nilai maksimum dan minimum. Letak konsentrasi nilai juga tidak bisa dijelaskan dan nilai jangkauan tidak bisa melihat karakteristik dataset sebagai bagian yang utuh. Terakhir, nilai jangkauan tidak dapat menilai kehandalan tendensi sentral.

Ukuran variability absolut berikutnya adalah jangkauan interkuartil. Dihitung dengan mencari perbedaan antara nilai kuartil ke tiga dan ke satu. Ketika dipasangkan dengan median, ukuran ini dapat menjelaskan sebagian distribusi data.

Selanjutnya ada deviasi rata-rata yang merupakan rata-rata dari nilai absolut penyimpangan data terhadap nilai sentralnya. deviasi rata-rata dapat dihitung dengan mean tapi secara teori seharusnya dihitung dengan median karena jumlah deviasi absolut individual dari median lebih rendah atau sama dengan nilai mean.

Yang terakhir dan yang paling banyak dipakai adalah standar deviasi. Dihitung dengan mencari akar dari rata-rata kuadrat jarak tiap data terhadap nilai rata-ratanya. Beda dengan deviasi rata-rata, nilai kuadrat jarak terhitung dari nilai mean lebih rendah atau sama dengan yang terhitung dari median. Ukuran ini merupakan ukuran standar yang dapat digunakan untuk membandingkan berbagai data dengan distribusi yang berbeda.

Ukuran Simetri Data

Yang diukur sebenarnya bukan simetrinya namun kemiringan (kemencongannya) alias skewness. Skewness ini merupakan ukuran seberapa jauh sebuah dataset menyimpang dari simetri. Ukuran ini adalah ukuran relatif yang tidak memiliki dimensi sehingga dapat digunakan untuk membandingkan berbagai dataset. Skewness dapat dihitung dengan mancari perbedaan antara mean dan modus kemudian dibagi standar deviasi. Ini adalah hitungan paling sederhana, masih ada hitungan lain yang bisa dipakai sesuai keperluan. Dari hitungan ini, makin jauh nilai rata-rata dan modusnya, makin besar kemiringannya.

Ukuran kepuncakan (peakedness)

Puncak data ada yang landai dan ada yang tajam. Ukuran kepuncakan bisa dilihat dari nilai kurtosis. Kurtosis adalah rasio tidak berdimensi yang menyediakan ukuran relatif untuk kerataan atau kepuncakan. kalau bernilai positif, artinya bentuk distribusi terkumpul di tengah dengan puncak yang tajam. Sebaliknya nilai kurtosis negatif menunjukkan puncak yang landai.

Indeks Iklim

Indeks banyak digunakan dalam bidang meteorologi dan klimatologi untuk menyederhanakan kompleksitas sebuah kondisi, contohnya indeks monsun, indeks cuaca kebakaran, indeks kekeringan, dll. Tujuan utama pembuatan indeks adalah untuk mereduksi kondisi-kondisi kompleks menjadi sebuah nilai yang mengandung makna fisis dan bisa digunakan untuk memonitor sebuah proses tertentu. Indeks biasanya mengekspresikan hubungan antara nilai terobservasi dan kondisi baseline dengan sebuah nilai.

Pemeriksaan dan seleksi dari data untuk dimasukkan ke dalam indeks seringkali lebih rumit dibandingkan perhitungan indeks itu sendiri. Contohnya, kalau kita mau membuat indeks monsun, data apa yang harus kita gunakan, lokasi yang akan merepresentasikan kondisi monsun, serta apakah nilai tersebut bisa menggambarkan pergerakan terhadap nilai normalnya? Semua pertanyaan ini perlu dijawab dengan berbagai investigasi.

Menganalisa Hubungan Data

Korelasi pearson dan tabel kontingensi sering digunakan untuk menginvestigasi bagaimana hubungan dataset satu dengan dataset lainnya. Ada pula metode conditional probability yang bisa digunakan untuk mengetahui berapa peluang suatu kejadian A jika kejadian B terjadi. Selain metode-metode ini, masih banyak metode yang lebih rumit yang akan dijelaskan pada artikel lainnya

Analisis hubungan antar dataset digunakan untuk mengetahui proses yang terjadi serta mencari parameter-parameter apa yang memberi pengaruh terhadap suatu kejadian. Ke depannya, parameter-parameter tersebut digunakan untuk memprediksi Kondisi yang akan terjadi.

Penarikan Kesimpulan

Kesimpulan adalah jawaban atas tujuan penelitian atau investigasi. Dari semua analisis yang dilakukan, mana yang memberi jawaban atas tujuan penelitian yang ingin dicapai. Jika tujuan investigasi adalah mencari gambaran umum dari iklim suatu tempat, perlu dicatat faktor-faktor dominan serta pola yang biasa terjadi. Jika tujuannya lain, maka analisis yang digunakan juga berbeda.

Referensi

  1. https://dictionary.cambridge.org/dictionary/english/analysis
  2. https://www.bigcommerce.com/ecommerce-answers/what-csv-file-and-what-does-it-mean-my-ecommerce-business/
  3. https://www.unidata.ucar.edu/software/netcdf/docs/faq.html
  4. http://weather.mailasail.com/Franks-Weather/Grib-Files-Getting-And-Using
  5. https://whatis.techtarget.com/fileformat/SHP-Shapefile-spatial-data-format-used-by-many-GIS-programs
  6. WMO, No. “100 (2007) Guide to climatological practices.”
  7. https://www.seadatanet.org/Standards/Data-Quality-Control
  8. https://www.jinfonet.com/resources/bi-defined/data-visualization/
  9. https://www.microstrategy.com/us/resources/introductory-guides/data-visualization-what-it-is-and-why-we-use-it
  10. https://flourish.studio/2019/03/11/how-make-interactive-table/

veanti

Siapa penulis utama veantiworld.com? Blog ini dibuat, dikelola, dan ditulis oleh Desak Putu Okta Veanti. Penulis adalah dosen jurusan klimatologi dan juga salah satu lulusan terbaik Sekolah Tinggi Meteorologi Klimatologi dan Geofisika. Penulis lulus Master Program of School of Integrated Climate System Science, University of Hamburg, Germany pada tahun 2017. Saat ini penulis aktif menekuni pekerjaan sebagai dosen, menulis blog, belajar Python, meningkatkan kemampuan bahasa asing, serta mencari informasi mengenai pseudo-science seperti astrologi dan tarot.

Tinggalkan Balasan