Cerdika: Jurnal Ilmiah Indonesia, Bulan Januari 2025, 5 (1), 57-66

p-ISSN: 2774-6291 e-ISSN: 2774-6534

Available online at http://cerdika.publikasiindonesia.id/index.php/cerdika/index

DOI : 10.59141/cerdika.v5i1.2438 57

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED

MODEL INTERCOMPARISON PROJECT PHASE 6 (CMIP6)

DI KOTA BIMA

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken

Wiralino4, Irfani Zahira Rustiawan5, Dimas Harya Wisanggeni6

Institut Teknologi Bandung,Indonesia

iputuhartawan84@gmail.com

Abstrak

Perubahan iklim global telah memengaruhi pola curah hujan, khususnya di wilayah tropis,

termasuk Kota Bima. Model proyeksi iklim seperti Coupled Model Intercomparison Project

Phase 6 (CMIP6) menyediakan data penting untuk memprediksi perubahan iklim, namun

sering kali mengandung bias yang signifikan. Penelitian ini bertujuan untuk melakukan

koreksi bias pada data proyeksi curah hujan CMIP6 menggunakan lima model dalam

skenario SSP5-8.5, yaitu CMCC-CM2-SR5, CESM2-WACCM, ACCESS-CM2, CESM2,

dan AWI-CM-1-1-MR, dengan mengintegrasikan data historis dari Global Precipitation

Climatology Centre (GPCC) dan data lokal dari BMKG.

Hasil penelitian menunjukkan bahwa data historis GPCC memiliki korelasi yang sangat

kuat dengan data BMKG, dengan nilai koefisien korelasi sebesar 0,97 dan RMSE sebesar

34,41 mm. Hasil koreksi bias data proyeksi menunjukkan bahwa empat model (CESM2-

WACCM, ACCESS-CM2, CESM2, dan AWI-CM-1-1-MR) memiliki pola tren yang

serupa berdasarkan analisis Weibull plotting. Sementara itu, model CMCC-CM2-SR5

menunjukkan penyimpangan pola yang signifikan.

Implikasi penelitian ini adalah meningkatkan akurasi proyeksi curah hujan untuk

mendukung perencanaan mitigasi risiko bencana dan pengelolaan sumber daya air di Kota

Bima. Penelitian ini juga membuka peluang untuk pengembangan metode koreksi bias yang

lebih efisien dengan mengintegrasikan teknologi pembelajaran mesin dan data lokal yang

lebih rinci.

Kata kunci: Hujan Historis, Hujan Proyeksi, Koefisien Korelasi, GPCC, CMIP6

Abstrack

Global climate change has affected rainfall patterns, especially in tropical regions, including

Bima City. Climate projection models such as the Coupled Model Intercomparison Project

Phase 6 (CMIP6) provide important data for predicting climate change, but often contain

significant bias. This study aims to perform bias correction on CMIP6 rainfall projection

data using five models in the SSP5-8.5 scenario, namely CMCC-CM2-SR5, CESM2-

WACCM, ACCESS-CM2, CESM2, and AWI-CM-1-1-MR, by integrating historical data

from the Global Precipitation Climatology Center (GPCC) and local data from BMKG. The

results show that GPCC historical data has a very strong correlation with BMKG data, with

a correlation coefficient value of 0.97 and RMSE of 34.41 mm. The results of bias

correction of projection data show that four models (CESM2-WACCM, ACCESS-CM2,

CESM2, and AWI-CM-1-1-MR) have similar trend patterns based on Weibull plotting

analysis. Meanwhile, the CMCC-CM2-SR5 model shows significant pattern deviations.

The implications of this study are to improve the accuracy of rainfall projections to support

disaster risk mitigation planning and water resource management in Bima City. This study

also opens up opportunities for the development of more efficient bias correction methods

by integrating machine learning technology and more detailed local data.

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 58

Keywords: Historical Rainfall, Projection Rainfall, Correlation Coefficient, GPCC, CMIP6

*Correspondence Author: I Putu Hartawan

Email: [email protected]

PENDAHULUAN

Perubahan iklim global menjadi salah satu isu terbesar yang dihadapi oleh

dunia saat ini. Dampaknya dirasakan di berbagai sektor, termasuk ketersediaan air,

pola curah hujan, dan frekuensi kejadian ekstrem seperti banjir dan kekeringan

(Yang et al., 2024). Di wilayah tropis seperti Indonesia, perubahan pola curah hujan

tidak hanya memengaruhi sektor pertanian dan sumber daya air tetapi juga

infrastruktur perkotaan yang rentan terhadap dampak cuaca ekstrem (Rahma et al.,

2019). Oleh karena itu, upaya untuk memahami dan mengantisipasi perubahan pola

curah hujan melalui model iklim seperti CMIP6 menjadi sangat penting.

CMIP6 (Coupled Model Intercomparison Project Phase 6) merupakan salah

satu inisiatif global untuk memprediksi perubahan iklim menggunakan simulasi

model iklim canggih. Namun, model ini memiliki keterbatasan dalam

merepresentasikan pola curah hujan secara akurat di wilayah tertentu, termasuk

Kota Bima, yang memiliki karakteristik geografis dan iklim unik (Supharatid et al.,

2022). Koreksi bias diperlukan untuk meningkatkan akurasi data hujan yang

dihasilkan oleh CMIP6, terutama dalam skenario proyeksi jangka panjang (Raeesi

et al., 2024).

Kota Bima, yang terletak di Pulau Sumbawa, Nusa Tenggara Barat,

merupakan wilayah yang rentan terhadap banjir musiman dan kekeringan hidrologi

(Yasa et al., 2023). Penelitian sebelumnya menunjukkan bahwa pola curah hujan di

wilayah ini dipengaruhi oleh fenomena El Nino-Southern Oscillation (ENSO) dan

dinamika muson Asia (Farhan et al., 2021). Dengan demikian, upaya untuk

melakukan koreksi bias pada data hujan proyeksi CMIP6 di Kota Bima menjadi

sangat relevan untuk mendukung perencanaan dan pengelolaan sumber daya air

secara berkelanjutan.

Metode koreksi bias telah berkembang pesat dalam beberapa tahun terakhir.

Salah satu pendekatan yang populer adalah penggunaan model statistik seperti

quantile mapping dan metode machine learning seperti deep learning untuk

memperbaiki bias data iklim (Hess et al., 2022). Misalnya, Hess et al. (2022)

menunjukkan bahwa deep learning dapat meningkatkan akurasi prediksi curah

hujan dengan mengatasi keterbatasan model CMIP6. Selain itu, metode koreksi bias

berbasis data observasi juga memberikan hasil yang signifikan dalam meningkatkan

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 59

performa model iklim di wilayah dengan data curah hujan yang terbatas, seperti

yang diungkapkan oleh Yildiz dan Kurnaz (2022) di Turki.

Penelitian di Brasil oleh Brumatti et al. (2024) menunjukkan pentingnya

koreksi bias dalam simulasi CMIP6 untuk menilai risiko iklim dan dampaknya pada

berbagai sektor. Hasil mereka menunjukkan bahwa koreksi bias dapat mengurangi

kesalahan sistematik pada data curah hujan dan meningkatkan keandalan proyeksi

iklim. Di Asia Tenggara, Supharatid et al. (2022) menemukan bahwa koreksi bias

mampu meningkatkan performa model iklim dalam merepresentasikan curah hujan

ekstrem.

Dalam konteks Kota Bima, penelitian ini bertujuan untuk mengidentifikasi

pola bias pada data hujan proyeksi CMIP6 dan menerapkan metode koreksi bias

yang sesuai. Penelitian ini juga bertujuan untuk mengkaji dampak proyeksi curah

hujan terhadap pengelolaan sumber daya air di Kota Bima. Dengan menggunakan

pendekatan statistik dan machine learning, penelitian ini diharapkan dapat

memberikan kontribusi signifikan dalam pengelolaan risiko bencana

hidrometeorologi di wilayah tersebut (Menteri PUPR RI, 2017).

Sebagai tinjauan pustaka, penelitian ini mengacu pada beberapa studi

sebelumnya yang relevan. Zhang et al. (2024) mengevaluasi performa model

CMIP6 dalam mensimulasikan curah hujan ekstrem di berbagai wilayah iklim

global. Hasil mereka menunjukkan bahwa koreksi bias sangat penting untuk

meningkatkan keakuratan proyeksi iklim. Di sisi lain, penelitian di Iran oleh Raeesi

et al. (2023) menggunakan metode quantile mapping untuk memperbaiki bias data

curah hujan, yang menunjukkan hasil yang menjanjikan dalam proyeksi curah hujan

di wilayah dengan topografi kompleks.

Urgensi penelitian ini tidak dapat dilebih-lebihkan. Dengan meningkatnya

intensitas dan frekuensi kejadian cuaca ekstrem, diperlukan pemahaman yang lebih

baik tentang perubahan pola curah hujan di Kota Bima. Penelitian ini tidak hanya

memberikan kontribusi dalam aspek ilmiah, tetapi juga mendukung perencanaan

kebijakan yang berbasis bukti untuk mitigasi dan adaptasi perubahan iklim di

tingkat lokal.

Dengan demikian, penelitian ini bertujuan untuk: (1) mengevaluasi bias pada

data hujan proyeksi CMIP6 di Kota Bima, (2) mengembangkan metode koreksi bias

yang efektif, dan (3) mengaplikasikan data yang telah dikoreksi untuk mendukung

pengelolaan sumber daya air dan mitigasi risiko bencana hidrometeorologi di Kota

Bima. Harapannya, hasil penelitian ini dapat menjadi acuan dalam pengelolaan

iklim dan air di wilayah-wilayah serupa yang rentan terhadap dampak perubahan

iklim.

METODE PENELITIAN

Kajian ini menggunakan data hujan historis dari Global Precipitation

Climatology Centre (GPCC) untuk periode 1891 hingga 2020, yang diperoleh dari

situs web https://climexp.knmi.nl/select.cgi?id=someone@somewhere&field=gpc

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 60

c_025, dengan koordinat grid sebagai berikut: Utara -8.341921, Timur 118.803033,

Selatan -8.523422, dan Barat 118.684322. Data hujan historis ini disajikan dalam

bentuk deret waktu bulanan.

Sedangkan data hujan proyeksi diperoleh dari Coupled Model

Intercomparison Project Phase 6 (CMIP6) untuk periode 1891 hingga 2100,

melalui situs web https://climexp.knmi.nl/selectfield_cmip6_knmi23.cgi?id=some

one@somewhere. Model yang digunakan adalah CM2-SR5, CESM2-WACCM,

ACCESS-CM2, CESM2, dan AWI-CM-1-1-MR, dengan koordinat grid yang sama

seperti di atas. Data hujan proyeksi juga disajikan dalam bentuk deret waktu

bulanan.

Data hujan dari BMKG (Badan Meteorologi, Klimatologi, dan Geofisika)

diambil dari Stasiun Meteorologi Sultan Muhammad Salahuddin, yang terletak di

koordinat S 08°32'30" dan E 118°41'31", untuk periode 1982 hingga 2020. Data

hujan historis BMKG disajikan dalam bentuk deret waktu bulanan.

Data hujan historis dari GPCC akan dibandingkan dengan data BMKG dan

diplot pada grafik untuk menggambarkan hubungan antara hujan rata-rata per bulan

dengan nilai curah hujan (mm/bulan). Nilai RMSE (Root Mean Square Error) dan

koefisien korelasi akan dihitung, dengan memastikan nilai tersebut tidak melebihi

1.0. Setelah diketahui tingkat akurasi data hujan historis, selanjutnya akan

dibandingkan dengan data hujan proyeksi dari CMIP6 skenario SSP5-8.5 dengan

lima model: CM2-SR5, CESM2-WACCM, ACCESS-CM-2, CESM2, dan AWI-

CM-1-1-MR, serta dilakukan koreksi bias. Hasil koreksi bias tersebut kemudian

akan dibandingkan dengan probabilitas hujan, dengan syarat harus mendekati pola

hujan historis.

RMSE memiliki tujuan untuk melihat tingkat error, apabila semakin kecil

nilainya maka semakin kecil juga tingkat kesalahannya MENDELEY CITATION

PLACEHOLDER 0.

RMSE = …………………………………………(1)

Keterangan:

Pi = data lapangan (GPCC)

Qi = data BMKG

N = banyak data

Koefisisen korelasi ialah salah satu metode statistik yang biasa digunakan

untuk mengetahui atau mencari tahu kekuatan suatu hubungan antara dua variabel

……………………………..(

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 61

Keterangan:

Pi = data lapangan (GPCC)

Qi = data BMKG

N = banyak data

Tabel 1. Kriteria Nilai Koefisien Korelasi

Intrepretasi

0 – 0,19

Sangat Rendah

0,20 – 0,39

Rendah

0,40 – 0,59

Sedang

0,60 – 0,79

Kuat

0,81 - 1

Sangat Kuat

Alur analisis kajian yang dilakukan adalah sebagai berikut :

Gambar 1. Diagram Alir Analisis Data Hujan

HASIL DAN PEMBAHASAN

Gambaran kondisi ketahanan pangan dan iklim di NTB

Berdasarkan Pola Pengelolaan Sumber Daya Air dari Balai Wilayah Sungai

Nusa Tenggara I (BWS NT 1) tahun 2016, Provinsi Nusa Tenggara Barat, yang

Mulai

Data Hujan

GPCC

BMKG

model

Bias Corection

Selesai

RSME

dan R

GPPC

CIMP6 (5 Model)

model

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 62

merupakan daerah agraris dengan dua Wilayah Sungai (WS), merupakan salah satu

lumbung padi nasional. Namun, seiring dengan pesatnya perkembangan penduduk,

perluasan kota, dan meningkatnya kebutuhan akan lahan untuk permukiman dan

usaha lainnya, sebagian besar lahan pertanian sawah yang produktif di Nusa

Tenggara Barat telah beralih menjadi lahan non-persawahan.

Terkait dengan perubahan iklim, dalam beberapa tahun terakhir, Nusa

Tenggara Barat mengalami peningkatan bencana alam dan fenomena cuaca

ekstrem, salah satunya adalah banjir yang sering terjadi, khususnya di Kota Bima.

Perubahan iklim global yang telah memengaruhi wilayah Nusa Tenggara ini,

menurut beberapa penelitian, berdampak pada ketidakpastian pola curah hujan,

yang ditandai dengan permulaan dan akhir musim hujan yang sulit diprediksi

dengan tepat, seperti yang terjadi sebelumnya MENDELEY CITATION

PLACEHOLDER 1.

Hasil Analisis Data Hujan Historis

Data historis hujan dari tahun 1981 sampai dengan 2020 di Kota Bima yang

di peroleh dari GPCC selanjutnya diolah menggunakan microsoft excel untuk

mendapatkan rata-rata hujan bulanan dalam satuan mm seperti pada Tabel 1.

Tabel 2. Rata-rata Hujan Bulanan dari GPCC

Bulan

Rata-rata

Hujan

Bulanan

Jan

267.27

Feb

240.55

Mar

198.14

Apr

96.52

May

62.49

Jun

25.67

Jul

20.39

Aug

9.78

Sep

15.57

Oct

55.49

Nov

134.31

Dec

226.86

Sedangkan data historis hujan dari stasiun BMKG yaitu stasiun Meteorologi

Sultan Muhammad Salahuddin dari tahun 1982-2020 selanjutnya diolah

menggunakan microsoft excel untuk mendapatkan rata-rata hujan bulanan dalam

satuan mm seperti pada Tabel 2.

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 63

Tabel 3. Rata-rata Hujan Bulanan dari GPCC

Bulan

Rata-rata

Hujan

Bulanan

Jan

222.12

Feb

174.18

Mar

140.73

Apr

84.06

May

37.52

Jun

16.40

Jul

11.15

Aug

1.96

Sep

10.27

Oct

36.16

Nov

115.37

Dec

198.28

Adapun grafik perbandingan hujan rata-rata bulanan dari GPCC dan BMKG

seperti pada Gambar 3.

Gambar 2. Grafik Perbandingan Hujan Rata-rata Bulanan GPCC dan

BMKG

Selanjutnya dilakukan perhitungan akurasi dari data hujan historis GPCC dan

BMKG sehingga mendapatkan nilai koefisien korelasi (R) dengan persamaan (1)

sebesar 0,97 dan nilai RSME dengan persamaan (2) sebesar 34,41. Berdasarkan

tabel 1 nilai R diperoleh sangat kuat.

Analisis Data hujan Proyeksi dari CMIP6

Data proyeksi hujan dari CMIP6 dari tahun 1981-2100 skenario SSP5-8.5

dengan menggunakan model CM2-SR5, CESM2-WACCM, Acces CM-2, CESM2

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 64

dan AWI-CM-1-1-MR diolah menggunakan microsoft excel. Berdasarkan hasil

pengolahan bias correction data proyeksi curah hujan dari lima model yang

berbeda, trend weibull plotting memiliki hasil yang serupa untuk 4 model selain

model CMCC-CM2-SR5 seperti yang terlihat pada Gambar 4.

Gambar 3. Grafik Bias Corection Curah Hujan

KESIMPULAN

Penelitian ini menunjukkan bahwa koreksi bias data hujan historis di Kota

Bima menggunakan data GPCC menghasilkan tingkat akurasi yang tinggi dengan

nilai koefisien korelasi sebesar 0,97 dan RMSE sebesar 34,41 mm. Selain itu,

koreksi bias terhadap data proyeksi CMIP6 menggunakan lima model pada

skenario SSP5-8.5 mengindikasikan bahwa empat model (CESM2-WACCM,

ACCESS-CM2, CESM2, dan AWI-CM-1-1-MR) mampu memberikan pola tren

yang serupa dengan data historis. Temuan ini menggarisbawahi pentingnya metode

koreksi bias untuk meningkatkan keandalan proyeksi curah hujan di wilayah tropis

yang kompleks seperti Kota Bima.

Namun demikian, penelitian ini membuka peluang untuk eksplorasi lebih

lanjut, terutama dalam mengintegrasikan data sosial-ekonomi untuk

memperkirakan dampak perubahan iklim terhadap masyarakat lokal. Pertanyaan

terkait pengaruh topografi spesifik dan dinamika atmosfer regional terhadap hasil

proyeksi masih memerlukan investigasi lebih mendalam. Arah penelitian di masa

depan juga dapat difokuskan pada pengembangan metode koreksi bias berbasis

pembelajaran mesin untuk meningkatkan efisiensi dan akurasi proyeksi curah hujan

pada skala spasial yang lebih kecil.

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 65

BIBLIOGRAFI

Binglin Zhang, Songbai Song, Huimin Wang, Tianli Guo, Yibo Ding. 2024."Evaluation

Of The Performance Of Cmip6 Models In Simulating Extreme Precipitation And

Its Projected Changes In Global Climate Regions". Natural Hazards

Brumatti, L. M., Commar, L. F. S., Neumann, N. De O., Pires, G. F., & Avila-Diaz, A.

(2024). Bias Correction In Cmip6 Models Simulations And Projections For

Brazil’s Climate Assessment. Earth Systems And Environment, 8(1), 121–134.

Https://Doi.Org/10.1007/S41748-023-00368-8

C. Asdak, Hidrologi Dan Pengelolaan Daerah Aliran Sungai. Yogyakarta: Gadjah

Mada University Press, 2007

Farhan, A., Saidah, H., & Supriyadi, A. (2021). Analisis Perbandingan Kurva Intensitas

Durasi Frekuensi (Idf) Kota Bima Menggunakan Data Hujan Terukur Dan Data

Hujan Dari Satelit Japan Aerospace Exploration Agency. Spektrum Sipil, 8(2),

105–116. Https://Doi.Org/10.29303/Spektrum.V8i2.213

Hess, P., Lange, S., Schötz, C., & Boers, N. (2022). Deep Learning For Bias-Correcting

Cmip6-Class Earth System Models. Http://Arxiv.Org/Abs/2301.01253

Lin, Wenqing, Chen, Huopo. 2020. "Assessment Of Model Performance Of Precipitation

Extremes Over The Mid–High Latitudes Of Asia In Cmip6". Atmospheric And

Oceanic Science Letters.

Menteri Pupr Ri. (2017). Kepmen Pupr No.41/Kpts/M/2017. Pola Psda Sumbawa.

Mohanasundaram Shanmugam, Sokneth Lim, Md Latif Hosan, Sangam Shrestha, Mukand

Singh Babel, Salvatore Gonario Pasquale Virdis. 2024. Lapse Rate-Adjusted Bias

Correction For Cmip6 Gcm Precipitation Data: An Application To The Monsoon

Asia Region". Environmental Monitoring And Assessment.

Moradian, S, Gharbia, S. Torabi Haghighi, Ali, Olbert, Indiana A. 2024. "Modelling

Extreme Precipitation Projections Under The Effects Of Climate Change In The

Nile Basin Using Bias-Corrected Cmip6 Data". Hydrological Sciences Journal

Oruc, Sertac. 2022. "Performance Of Bias Corrected Monthly Cmip6 Climate Projections

With Different Reference Datasets Over Turkey". Acta Geophysica

Raeesi, M., Zolfaghari, A. A., Kaboli, S. H., Rahimi, M., De Vente, J., & Eekhout, J. P. C.

(2024). Using Quantile Mapping And Random Forest For Bias‐Correction Of

High‐Resolution Reanalysis Precipitation Data And <Scp>Cmip6</Scp> Climate

Projections Over Iran. International Journal Of Climatology, 44(12), 4495–4514.

Https://Doi.Org/10.1002/Joc.8593

Rahma, N. F., Suhartanto, E., & Harisuseno, D. (2019). Validasi Data Curah Hujan Trmm

(Tropical Rainfall Measuring Mission) Dengan Pos Stasiun Hujan Di Sub Das

Sumber Brantas. Jurnal Mahasiswa Teknik Pengairan Universitas Brawijaya, 2(2),

1–13.

Supharatid, S., Aribarg, T., & Nafung, J. (2022). Bias-Corrected Cmip6 Climate Model

Projection Over Southeast Asia. Theoretical And Applied Climatology, 147(1–2),

669–690. Https://Doi.Org/10.1007/S00704-021-03844-1

Yang, J., Cheng, C., Wang, Z., & Liu, P. (2024). Projected Dryness/Wetness Pattern And

Influence Factors In China Under The Cmip6 Scenarios For 2021–2100.

Geomatics, Natural Hazards And Risk, 15(1).

Https://Doi.Org/10.1080/19475705.2024.2415529

I Putu Hartawan1, Muhamad Zaky Ibnu Malik2, Laifhan Setyo Qhairaan3, Ken Wiralino4, Irfani Zahira

Rustiawan5, Dimas Harya Wisanggeni6/Cerdika: Jurnal Ilmiah Indonesia, 5(1), 57-66

KOREKSI BIAS DATA HUJAN PROYEKSI COUPLED MODEL INTERCOMPARISON PROJECT

PHASE 6 (CMIP6) DI KOTA BIMA 66

Yasa, I. W., Salehudin, S., Saidah, H., Jayanegara, I. D. G., & Sulistiyono, H. (2023).

Analisis Pola Sebaran Karakteristik Iklim Di Pulau Sumbawa. Ganec Swara,

17(4), 1373. Https://Doi.Org/10.35327/Gara.V17i4.619

Yasa, I. W., Setiawan, A., Negara, I. D. G. J., Saidah, H., & Dirgantara, A. H. (2023).

Sebaran Kekeringan Hidrologi Berdasarkan Debit Aliran Di Kabupaten Bima.

Ganec Swara, 17(1), 72. Https://Doi.Org/10.35327/Gara.V17i1.371

Yonas D. Alemayehu, Tesfaye M. Melesse. 2023. "Retrospective Analysis And Bayesian

Model Averaging Of Cmip6 Precipitation Projections Over The Nile Basin".

Journal Of Hydrometeorology

Zhang, B., Song, S., Wang, H., Guo, T., & Ding, Y. (2024). Evaluation Of The

Performance Of Cmip6 Models In Simulating Extreme Precipitation And Its

Projected Changes In Global Climate Regions. Natural Hazards.

Https://Doi.Org/10.1007/S11069-024-06850-4

terms and conditions of the Creative Commons Attribution (CC BY SA)

license (https://creativecommons.org/licenses/by-sa/4.0/).