Dimana Temp (next) adalah nilai
temperatur yang diketahui pada baris selanjutnya, berlaku untuk Tmax atau Tmin.
Temp (prev) adalah nilai temperatur yang diketahui pada baris sebelumnya,
berlaku pula untuk Tmax dan Tmin. Sedangkan t (next) merupakan waktu pada temperatur yang diketahui oleh baris
selanjutnya, t (prev) waktu pada temperature yang diketahui pada baris
sebelumnya, dan t merupakan waktu yang temperaturnya tidak tersedia.
2.2 Method Soygro of
“Accuracy of hourly air temperatures calculated from daily minima and maxima” oleh
D.C. Reicosky, L.J. Winkelman, J.M. Baker, and D.G. Baker.
Metode ini dijelaskan oleh \cite{Reicosky_1989} pada tahun 1983
dari subrutin WCALC. Perhitungan data per hari dibagi menjadi 3 bagian, yaitu
(a) waktu tengah malam ke waktu matahari terbit + 2jam; (b) waktu siang hari;
(c) waktu matahari terbenam ke waktu tengah malam. Metode ini diasumsikan pada
waktu malam hari temperatur linier dengan waktu, dan jam matahari terbenam
serta jam matahari terbit sama setiap harinya. Dalam perhitungannya membutuhkan temperatur maksimum dan temperatur
minimum dari hari sebelumnya, dan temperatur minimum pada hari yang akan
dilakukan perhitungan.[3]
(a) Waktu tengah malam ke waktu matahari terbit +2jam (00.00 –
08.00)
T (H) = TLIN – SLOPE (H + 24 - set n-1 )
TAU = π (set n-1 – rise n-1 - 2) / (set n-1 – rise n-1)
TLIN = TMIN n-1 + (TMAX n-1 – TMIN n-1)
sin (TAU)
SLOPE = (TLIN-TMINn) / (24 - set n-1 +
rise n + 2)
(b) Waktu siang hari (09.00 – 17.00)
T (H) = TMIN n + (TMAX n – TMIN n)
sin (TAU)
TAU = π (H – rise n - 2) / (set n – rise n)
(c) Waktu matahari terbenam sampai waktu tengah malam
T (H) = TLIN – SLOPE (H - set n)
TAU = π (set n – rise n - 2) / (set n – rise n)
TLIN = TMIN n + (TMAX n – TMIN n)
sin (TAU)
SLOPE
= (TLIN-TMIN n+1) / (24 - set n + rise n+1 +
2)
Dengan,
T (H) = Temperature pada
pukul
n = hari ke- dalam setahun
(1-365)
Rise = waktu sunrise (waktu
sunrise Indonesia pukul 06.00 WIB)
SET = waktu sunset (waktu
sunset Indonesia pukul 18.00)
2.3 Root Mean Square Error
(RMSE)
RMSE adalah
metode alternatif untuk mengevaluasi teknik prediksi yang digunakan untuk
mengukur tingkat akurasi hasil prakiraan suatu model. RMSE merupakan nilai rata-rata
dari jumlah kuadrat kesalahan, juga dapat
menyatakan ukuran besarnya kesalahan yang dihasilkan oleh suatu model perkiraan.
Nilai RMSE rendah menunjukkan bahwa variasi nilai yang
dihasilkan oleh suatu model perkiraan mendekati variasi nilai obeservasinya.
Berikut persamaan dari RMSE tersebut.