English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Dalam pengembangan model prediksi hujan, berbagai skenario dan  modifikasi input dilakukan untuk mendapatkan performa model yang lebih baik. Demikian juga dengan pengembangan model prediksi hujan dengan metode Filter Kalman. Dalam penyusunan modelnya, metode ini menggunakan suhu permukaan laut (SPL) Nino 3.4 sebagai inputnya. Skenario input dilakukan berdasarkan indikasi adanya hubungan beda waktu antara curah hujan dengan SPL Nino 3.4. Hasil analisis pewilayahan hujan di Propinsi Jawa Tengah menghasilkan 7 kelompok hujan, dengan sebaran rata-rata curah hujan tahunan pada setiap kelompok adalah : 1869 mm (kelompok 1), 1925 mm (kelompok 2), 1099 mm (kelompok 3), 3226 mm (kelompok 4), 2096 mm (kelompok 5), 2218 mm (kelompok 6) dan 2077 mm (kelompok 7). Berdasarkan sebaran pada setiap kelompok hujan, maka hasil validasi model pada umumnya memperlihatkan performa yang cukup baik. Hal ini ditandai oleh beberapa nilai parameter validasi yang cukup tinggi, seperti koefisien korelasi (r) validasi yang sebagian besar lebih dari 90%, r model lebih dari 69%, dan RMSE kurang dari 47%. Demikian juga rata-rata dari setiap stasiun menghasilkan r validasi lebih dari 94%, r model lebih dari 75%, dan RMSE kurang dari 36%. Perlakuan skenario time lag 0, 1 dan 2 bulan untuk Jawa Tengah sebagian besar  memberikan pengaruh positif terhadap performa model prediksi hujan. Berdasarkan frekuensi kontribusi nilai koefisien korelasi validasi tertinggi serta persentase kontribusi nilai r validasi tertinggi terutama pada setiap stasiun hujan maupun pada setiap kelompok hujan, maka skenario time lag yang dominan untuk Jawa Tengah adalah 2 bulan.

Pengaruh Tenggang Waktu (Time Lag) Antara Curah Hujan Dengan Suhu Permukaan Laut Nino 3.4 Terhadap Performa Model Prediksi Hujan