LDI ≠ CDPI
LDI menggambarkan kondisi/hazard; CDPI menggambarkan prioritas intervensi.
F-CDPI* ≠ Forecast CDPI resmi
Tanda * berarti skor screening karena predicted coverage belum tersedia.
Potensi kerugian ≠ kerugian terverifikasi
Angka produksi dan rupiah merupakan estimasi skenario sampai divalidasi dengan data lapangan.
Desa = unit agregasi
Resolusi fisik data sumber dapat lebih kasar daripada batas administrasi desa.
KAMUS A–Z
Cari istilah dalam tabel atau pilih huruf awal
170ditampilkan
Indeks:
Menampilkan seluruh istilah secara alfabetis.
Istilah tidak ditemukan.Coba singkatan, sinonim, atau kata yang lebih pendek.
| No. | Istilah / Singkatan | Pengertian | Rumus / Catatan |
|---|---|---|---|
| A5 istilah | |||
| 1 | A* | Komponen area yang dinormalisasi secara logaritmik terhadap drought area maksimum populasi pembanding agar efek ukuran wilayah tidak berlebihan. | A* = ln(1 + DA) / ln(1 + DAmax) |
| 2 | Accuracy | Proporsi klasifikasi yang tepat terhadap seluruh observasi pada evaluasi kelas forecast. | — |
| 3 | Affected Area | Istilah untuk area yang memenuhi kriteria terdampak pada monitoring. Jangan disamakan dengan seluruh LBS berisiko pada forecast ketika coverage masa depan belum tersedia. | — |
| 4 | Agreement | Jumlah indikator utama yang secara bersamaan mendukung sinyal kekeringan sesuai threshold yang ditetapkan. Nilai lebih tinggi berarti dukungan antarindikator lebih konsisten. | — |
| 5 | Anomaly | Selisih atau penyimpangan kondisi periode berjalan terhadap nilai referensi historis/klimatologis. | — |
| B5 istilah | |||
| 6 | Base Month | Bulan terakhir observasi yang menjadi titik awal forecast. Dalam implementasi prediksi yang dibahas pada metodologi, base month adalah Juli 2026. | — |
| 7 | Baseline Agreement | Atribut forecast yang merangkum kesesuaian indikator dasar pada record desa; pada tampilan sistem dinyatakan sebagai jumlah dari tiga indikator utama yang mendukung kondisi. | — |
| 8 | Baseline Klimatologis | Periode referensi historis yang dipakai untuk menghitung normal, anomali, atau standardisasi. Sistem menjaga baseline tetap agar hindcast/forecast tidak mengalami data leakage. | — |
| 9 | Belum Terpetakan | Status ketika polygon/wilayah belum berhasil dipasangkan dengan record analitik untuk periode/mode terkait. Tidak berarti kondisi aman atau nol kekeringan. | — |
| 10 | β / Beta | Koefisien sensitivitas hasil terhadap kekeringan dalam model screening. Nilai default adalah asumsi skenario dan perlu dikalibrasi dengan data produksi/kerusakan historis untuk penggunaan resmi. | Juga dicari: koefisien sensitivitas hasil |
| C9 istilah | |||
| 11 | C* | Coverage dalam skala 0–1 untuk formulasi CDPI. | C* = Coverage / 100 |
| 12 | Cache | Penyimpanan sementara data/aset untuk mempercepat pemuatan berikutnya. Setelah update website, hard refresh dapat diperlukan agar browser tidak memakai versi lama. | — |
| 13 | CDPI | Indeks prioritas intervensi desa yang menggabungkan severity, coverage, dan drought area. CDPI adalah indeks prioritas, bukan indeks kondisi tunggal. | CDPI = 100 × (0,50 S* + 0,30 C* + 0,20 A*)Juga dicari: Composite Drought Priority Index |
| 14 | CHIRPS | Dataset curah hujan berbasis satelit dan stasiun yang digunakan sebagai sumber seri curah hujan jangka panjang pada metodologi sistem. | Juga dicari: Climate Hazards InfraRed Precipitation with Station data |
| 15 | Climatology | Ringkasan kondisi historis yang dianggap sebagai referensi normal untuk bulan atau periode tertentu. | — |
| 16 | Confidence Indicator | Indikator tingkat keyakinan operasional berdasarkan kelengkapan data, valid area, agreement, konsistensi temporal, stabilitas hasil, dan untuk forecast juga mempertimbangkan performa hindcast. Bukan probabilitas formal kecuali model probabilistik dikalibrasi. | — |
| 17 | Coverage | Persentase area analisis yang memenuhi kondisi kekeringan. Coverage membantu membedakan kejadian lokal kecil dari kejadian yang mencakup bagian wilayah lebih luas. | — |
| 18 | Curah Hujan | Jumlah presipitasi yang menjadi indikator meteorologis utama. Dalam sistem, curah hujan dipakai antara lain untuk membentuk SPI dan anomali hujan. | — |
| 19 | Cyclical Month Encoding | Representasi bulan dalam bentuk sinus/kosinus agar Desember dan Januari dipahami berdekatan secara siklik oleh model. | Juga dicari: sin/cos month |
| D9 istilah | |||
| 20 | Data Completeness | Derajat kelengkapan indikator/input pada suatu unit. Kelengkapan yang rendah harus memengaruhi cara pengguna menafsirkan hasil. | — |
| 21 | Data Leakage | Kondisi ketika informasi masa depan atau target validasi secara tidak sengaja masuk ke fitur/training sehingga performa terlihat terlalu baik. Metodologi sistem berusaha mencegah hal ini melalui cut-off dan validasi temporal. | — |
| 22 | DEA | Luas setara kekeringan yang menggabungkan luas LBS dan rata-rata stress kekeringan ke satuan ha-equivalent. Bukan klaim bahwa seluruh hektar tersebut rusak secara fisik. | DEA = Luas LBS × (Severity / 5)Juga dicari: Drought Equivalent Area |
| 23 | Decision Support | Fungsi sistem untuk membantu pengguna menentukan lokasi yang perlu dipantau atau diprioritaskan; hasil tetap memerlukan pertimbangan operasional dan verifikasi lapangan. | — |
| 24 | Desa Spasial | Jumlah desa yang terwakili pada data/batas spasial dalam cakupan yang dipilih. | — |
| 25 | Desa Terpetakan | Jumlah desa spasial yang berhasil memiliki pasangan data monitoring/forecast untuk periode yang dipilih. | — |
| 26 | Direct Multi-Horizon | Strategi forecast yang melatih model terpisah untuk setiap horizon, sehingga prediksi H+2 tidak wajib memakai hasil prediksi H+1 sebagai input. | Juga dicari: direct forecasting |
| 27 | Drought Area | Luas area yang diklasifikasikan terdampak kekeringan pada unit analisis. Pada CDPI, komponen area dinormalisasi secara logaritmik agar wilayah besar tidak selalu mendominasi. | — |
| 28 | Drought Orientation | Penyamaan arah indikator sehingga nilai yang lebih tinggi secara konsisten berarti kondisi yang lebih kering. Contohnya anomali vegetasi/kelembaban dapat dibalik tandanya. | — |
| E5 istilah | |||
| 29 | Early Warning System | Sistem peringatan dini yang menghubungkan monitoring, perubahan kondisi, prediksi, prioritas wilayah, dan informasi pendukung keputusan. | Juga dicari: sistem peringatan dini |
| 30 | Ekstrem | Kelas forecast tertinggi pada skema yang digunakan sistem. | Forecast LDI ≥ 2,50 |
| 31 | ERA5 | Dataset reanalisis atmosfer global dari ECMWF yang menyediakan representasi konsisten variabel atmosfer dan daratan. | — |
| 32 | ERA5-Land | Reanalisis daratan beresolusi lebih detail daripada ERA5 global dan digunakan untuk variabel permukaan seperti soil moisture. | — |
| 33 | Exposure | Bagian LBS yang dianggap terpapar/berisiko terhadap kekeringan menurut kondisi atau skenario perhitungan. | — |
| F9 istilah | |||
| 34 | F-CDPI* Screening | Skor screening prioritas forecast ketika predicted coverage belum tersedia. Menggunakan hazard dari Forecast LDI dan FDEA; tanda * menegaskan bahwa skor ini bukan Forecast CDPI resmi. | F-CDPI* = 100 × ((5/7) Hf + (2/7) Af*)Juga dicari: forecast priority screening |
| 35 | F1-score | Rata-rata harmonik precision dan recall; membantu menilai keseimbangan antara keduanya. | — |
| 36 | Faktor G | Proporsi LBS yang benar-benar aktif/tertanam pada skenario dampak di metodologi. Bila data luas tanam tidak tersedia, G=1 hanya boleh dibaca sebagai skenario konservatif/upper-exposure, bukan kondisi aktual. | Juga dicari: proporsi LBS aktif |
| 37 | FDEA | Forecast Drought Equivalent Area, yaitu luas LBS dikalikan hazard forecast kontinu. Digunakan dalam screening dampak dan F-CDPI*. | FDEA = Luas LBS × HfJuga dicari: Forecast Drought Equivalent Area |
| 38 | Feature Engineering | Pembentukan variabel turunan untuk membantu model menangkap pola temporal/spasial, seperti lag, rolling mean, trend, cyclical month encoding, dan missing flags. | — |
| 39 | Forecast CDPI Resmi | CDPI masa depan yang baru dapat dihitung dengan struktur CDPI penuh apabila predicted severity, coverage, dan area terdampak yang memadai tersedia atau dapat dimodelkan secara sah. Sistem tidak membuat coverage sintetis hanya untuk mengisi nilai. | — |
| 40 | Forecast Hazard Factor | Transformasi kontinu Forecast LDI menjadi skala 0–1 untuk perhitungan dampak forecast. Nilai 0 dimulai pada LDI 0,50 dan mencapai 1 pada LDI 2,50 atau lebih. | Hf = clamp((Forecast LDI − 0,50) / 2,00, 0, 1)Juga dicari: hazard forecast |
| 41 | Forecast LDI | Nilai LDI yang diprediksi model untuk desa pada horizon masa depan. Nilai ini menjadi dasar kelas forecast, hazard forecast, FDEA, dan screening prioritas forecast. | — |
| 42 | Forecast / Prediksi | Mode yang menampilkan hasil proyeksi kondisi kekeringan pada horizon H+1 sampai H+5 dari base month yang digunakan model. | — |
| G4 istilah | |||
| 43 | GeoJSON | Format teks JSON untuk menyimpan geometri dan atribut spasial yang banyak digunakan untuk pertukaran layer WebGIS. | — |
| 44 | GKG | Gabah Kering Giling. Unit/komoditas ini harus dibedakan dari GKP agar produktivitas dan harga tidak dicampur tanpa konversi yang jelas. | Juga dicari: Gabah Kering Giling |
| 45 | GKP | Gabah Kering Panen. Harga GKP dalam Rp/kg dipakai sebagai parameter nilai ekonomi pada dashboard; pengguna dapat menggantinya sesuai wilayah dan periode. | Juga dicari: Gabah Kering Panen |
| 46 | Grid Alignment | Penyelarasan posisi grid/piksel antar-raster sehingga operasi matematis dan agregasi dilakukan pada susunan ruang yang konsisten. | — |
| H10 istilah | |||
| 47 | H+1 sampai H+5 | Lima horizon forecast yang dibangun secara terpisah dari base month. Dalam implementasi Juli 2026, targetnya Agustus sampai Desember 2026. | — |
| 48 | ha-eq | Hektar ekuivalen, satuan untuk DEA/FDEA. Menyatakan luas yang telah dibobot intensitas kekeringan, bukan luas fisik terdampak yang diverifikasi. | Juga dicari: hectare equivalent |
| 49 | Hard Refresh | Memuat ulang halaman sambil memaksa browser mengambil aset terbaru, misalnya dengan Ctrl+F5 pada desktop setelah patch website diunggah. | — |
| 50 | Harga Gabah | Harga yang digunakan untuk mengubah ton kehilangan produksi menjadi nilai rupiah. Default dashboard dapat diperbarui dan disinkronkan ke Rekapitulasi serta Laporan. | — |
| 51 | Harmonisasi Spasial | Penyelarasan sistem koordinat, grid, extent, dan resolusi kerja agar berbagai sumber dapat dianalisis bersama. | — |
| 52 | Harmonisasi Temporal | Penyelarasan data ke representasi waktu yang konsisten, dalam sistem terutama ke skala bulanan. | — |
| 53 | Hazard | Besarnya tingkat bahaya/kondisi kekeringan. Pada sistem, LDI berperan sebagai indikator kondisi atau hazard; pada estimasi forecast dibuat faktor hazard kontinu dari Forecast LDI. | — |
| 54 | HistGradientBoosting | Keluarga model gradient boosting berbasis histogram yang efisien untuk dataset besar dan hubungan nonlinier. | Juga dicari: HistGradientBoostingRegressor |
| 55 | Horizon | Jarak waktu antara base month dan bulan target forecast. H+1 berarti satu bulan ke depan, H+5 berarti lima bulan ke depan. | — |
| 56 | Hyperparameter | Parameter konfigurasi model yang ditetapkan sebelum atau selama tuning, bukan koefisien yang dipelajari langsung seperti parameter internal model. | — |
| I4 istilah | |||
| 57 | ID Desa | Kode identitas administrasi desa yang digunakan untuk join data spasial, monitoring, forecast, dan rekapitulasi antarperiode. | — |
| 58 | Inference | Proses menggunakan model yang telah dilatih untuk menghasilkan Forecast LDI pada periode target. | — |
| 59 | Inputs Available | Jumlah input utama yang tersedia pada record forecast. Digunakan untuk memberi konteks apakah prediksi dibentuk dengan kelengkapan input yang memadai. | — |
| 60 | Intensitas Area Kering | Pada dampak aktual, intensitas kondisional pada bagian area yang tercakup kekeringan. Implementasi menghitungnya agar coverage dan severity tidak dihitung dua kali. | — |
| K5 istilah | |||
| 61 | Kalibrasi | Penyesuaian threshold, bobot, atau parameter model menggunakan data observasi/kejadian historis agar hasil lebih representatif untuk penggunaan operasional. | — |
| 62 | Kering Berat | Kelas forecast kekeringan berat. | 2,00 ≤ Forecast LDI < 2,50 |
| 63 | Kering Ringan | Kelas forecast kekeringan ringan. | 1,00 ≤ Forecast LDI < 1,50 |
| 64 | Kering Sedang | Kelas forecast kekeringan sedang. | 1,50 ≤ Forecast LDI < 2,00 |
| 65 | Kritis | Kategori prioritas tertinggi. Pada interpretasi CDPI awal, nilai di atas 80 sampai 100 termasuk Kritis. | — |
| L10 istilah | |||
| 66 | Lag | Nilai indikator pada satu atau beberapa periode sebelumnya yang digunakan sebagai fitur untuk merepresentasikan memori temporal. | Juga dicari: lag 1–3 |
| 67 | Lahan Baku Sawah | Lahan sawah yang menjadi basis spasial analisis sistem. Luas yang ditampilkan pada dashboard adalah luas polygon LBS, bukan luas administratif total. | Juga dicari: sawah; polygon LBS |
| 68 | Laporan Dinamis | Laporan yang isi narasi, tabel, KPI, peta, dan dampaknya berubah mengikuti mode, periode, wilayah, kategori fokus, serta parameter Dashboard GIS. | — |
| 69 | Layer | Kumpulan objek spasial yang ditampilkan bersama pada peta, misalnya polygon LBS, batas Kabupaten/Kota, atau hasil forecast. | — |
| 70 | LBS at Risk | Pada forecast, luas LBS yang dianggap berisiko ketika hazard forecast lebih dari nol. Istilah ini bukan observed affected area karena predicted coverage belum tersedia. | — |
| 71 | LBS ID | Identitas unik polygon LBS yang dipakai untuk menelusuri satu objek sawah pada peta dan menghubungkannya dengan atribut lain. | — |
| 72 | LBS Terpapar | Pada aktual, luas LBS yang diperkirakan berada pada area terdampak berdasarkan coverage. Nilainya dihitung dari luas LBS × coverage. | — |
| 73 | LDI | Indeks komposit kondisi kekeringan LBS yang menggabungkan indikator meteorologis, vegetasi, dan kelembaban tanah setelah orientasi dan standardisasi yang konsisten. | Juga dicari: LBS Drought Index |
| 74 | Legend / Legenda | Keterangan warna yang menghubungkan simbol/warna peta dengan kelas kekeringan atau prioritas. | — |
| 75 | Loss Rate | Proporsi kehilangan hasil yang diasumsikan oleh model screening setelah menggabungkan sensitivitas β dan intensitas/hazard kekeringan. | — |
| M8 istilah | |||
| 76 | Macro-F1 | Rata-rata F1 setiap kelas dengan bobot sama, sehingga kelas yang jumlah datanya kecil tetap mendapat perhatian. | Juga dicari: macro F1 |
| 77 | MAE | Rata-rata nilai absolut galat prediksi. Mudah diinterpretasikan sebagai besar kesalahan rata-rata dalam satuan target. | Juga dicari: Mean Absolute Error |
| 78 | Manifest | Daftar metadata file/layer spasial yang membantu aplikasi mengetahui data mana yang tersedia untuk wilayah tertentu. | — |
| 79 | Match Rate | Persentase unit spasial yang berhasil dipasangkan dengan data analitik pada cakupan laporan. Digunakan untuk menilai kelengkapan representasi hasil. | — |
| 80 | Mean Severity Desa | Ringkasan rata-rata tingkat keparahan pada unit desa setelah informasi piksel/agregat disatukan. | — |
| 81 | Missing Value | Data yang tidak tersedia pada record/indikator tertentu. Dalam panel forecast, missingness dipertahankan dan dapat direpresentasikan melalui missing-data flags. | — |
| 82 | MOD13 | Keluarga produk MODIS Vegetation Index yang menjadi rujukan metodologi untuk NDVI dan kontrol kualitas vegetasi. | — |
| 83 | MODIS | Instrumen/produk penginderaan jauh yang digunakan untuk memperoleh indikator vegetasi seperti NDVI dalam sistem. | Juga dicari: Moderate Resolution Imaging Spectroradiometer |
| N8 istilah | |||
| 84 | National Overview Map | Tampilan nasional yang menggunakan agregasi Kabupaten/Kota agar peta tetap ringan, sementara statistik disusun dari hasil LBS yang tersedia. | — |
| 85 | National Rank | Urutan prioritas suatu desa dibanding seluruh desa pada cakupan nasional berdasarkan indikator ranking operasional yang tersimpan. | — |
| 86 | NDVI | Indeks vegetasi berbasis kanal merah dan inframerah-dekat yang digunakan untuk merepresentasikan kondisi kehijauan vegetasi. | Juga dicari: Normalized Difference Vegetation Index |
| 87 | NDVI Anomaly | Penyimpangan NDVI periode berjalan terhadap kondisi historis pembanding pada bulan kalender yang sama. | — |
| 88 | No Fabricated Target | Prinsip bahwa target pelatihan yang tidak tersedia tidak dibuat secara sintetis hanya agar model dapat menghasilkan suatu output. | — |
| 89 | No Fake CDPI | Safeguard bahwa sistem tidak memaksakan Forecast CDPI penuh jika historical coverage/affected-area target belum memadai. Nilai yang tidak didukung data dibiarkan tidak dihitung atau diberi label screening. | — |
| 90 | NoData | Nilai penanda bahwa suatu sel/record tidak memiliki data valid. NoData tidak boleh otomatis dianggap nol atau kondisi normal. | — |
| 91 | Normal | Kelas forecast untuk Forecast LDI di bawah 0,50. Menunjukkan tidak ada sinyal kekeringan forecast pada ambang operasional yang digunakan. | Forecast LDI < 0,50 |
| O1 istilah | |||
| 92 | Operational / Aktual | Mode yang menggambarkan kondisi monitoring yang telah dihitung dari indikator aktual dan atribut operasional, bukan proyeksi masa depan. | — |
| P16 istilah | |||
| 93 | Parameter Sinkron | Produktivitas, harga GKP, dan β disimpan sebagai konfigurasi bersama sehingga Dashboard GIS, Rekapitulasi, dan Laporan memakai nilai yang konsisten. | — |
| 94 | Persistence | Lama atau jumlah periode berurutan ketika kondisi kekeringan bertahan. Membantu membedakan anomali sesaat dari kejadian yang menetap. | — |
| 95 | Peta Landscape | Halaman peta khusus pada laporan cetak yang diatur landscape agar ruang peta, judul, dan legenda lebih proporsional saat dicetak atau disimpan sebagai PDF. | — |
| 96 | Polygon | Geometri area tertutup yang digunakan untuk mewakili batas LBS atau batas administrasi. | — |
| 97 | Popup Polygon | Kotak informasi yang muncul ketika polygon diklik dan menampilkan identitas, luas, kelas, indikator prioritas, serta estimasi dampak yang relevan. | — |
| 98 | Potential Economic Loss | Estimasi nilai ekonomi dari potential production loss yang dikalikan harga gabah. Digunakan untuk screening skenario, bukan nilai kompensasi atau kerugian final. | — |
| 99 | Potential Production Loss | Estimasi jumlah produksi yang berpotensi hilang berdasarkan luas, produktivitas baseline, sensitivitas, dan intensitas/hazard. Bukan kehilangan produksi aktual terverifikasi. | — |
| 100 | Potential / Scenario-based Loss | Istilah payung untuk angka kerugian yang dihitung dari asumsi model. Harus dibedakan dari kerugian aktual hasil verifikasi lapangan atau administrasi klaim. | — |
| 101 | Precision | Dari seluruh observasi yang diprediksi sebagai suatu kelas, proporsi yang benar-benar termasuk kelas tersebut. | — |
| 102 | Prediction Interval | Rentang probabilistik untuk nilai masa depan yang memerlukan model atau kalibrasi khusus. Tidak boleh disamakan dengan screening band ±RMSE. | — |
| 103 | Predictor | Variabel masukan yang digunakan model untuk memperkirakan target masa depan, misalnya SPI, anomali vegetasi/soil moisture, lag, trend, dan seasonality. | — |
| 104 | Preprocessing | Tahap persiapan data sebelum perhitungan indikator, misalnya cleaning, masking, reprojection, clipping, dan penanganan NoData. | — |
| 105 | Priority Level | Label tingkat prioritas yang membantu membaca hasil ranking operasional. Interpretasinya mengikuti output pipeline, bukan pengganti nilai CDPI. | — |
| 106 | Produktivitas Baseline | Asumsi hasil produksi per hektar yang digunakan untuk mengubah luas setara/tingkat kerusakan menjadi potensi kehilangan produksi. Nilainya dapat disesuaikan pengguna sesuai wilayah/periode. | Juga dicari: yield; ton/ha |
| 107 | Province Overview Map | Tampilan satu Provinsi yang menggunakan polygon Kabupaten/Kota dengan warna agregat; ketika Kabupaten dipilih, sistem turun ke polygon LBS detail. | — |
| 108 | Provincial Rank | Urutan prioritas desa dalam Provinsi yang sama, berguna ketika keputusan atau sumber daya dikelola pada tingkat provinsi. | — |
| Q2 istilah | |||
| 109 | Quality Assurance MODIS | Informasi kualitas pada produk MODIS yang digunakan untuk menyaring observasi vegetasi yang tidak layak sebelum analisis. | Juga dicari: quality flag |
| 110 | Quality Control | Pemeriksaan kualitas sebelum analisis, termasuk ketersediaan tanggal, missing value, rentang fisik, QA, NoData, versi, dan metadata. | — |
| R20 istilah | |||
| 111 | R² | Koefisien determinasi yang menunjukkan seberapa besar variasi target yang dapat dijelaskan model pada data evaluasi. Nilai tinggi tidak otomatis berarti model aman digunakan tanpa evaluasi lain. | Juga dicari: R-squared; coefficient of determination |
| 112 | Rainfall Anomaly | Penyimpangan curah hujan terhadap nilai historis atau klimatologis pada periode pembanding yang sama. | — |
| 113 | Random Forest | Metode ensemble berbasis banyak pohon keputusan yang mengurangi varians melalui penggabungan banyak model pohon. | — |
| 114 | Random Split | Pembagian train/test secara acak. Pada data time series dapat menimbulkan kebocoran temporal, sehingga bukan strategi utama validasi forecast sistem. | — |
| 115 | Raster | Data spasial berbentuk grid/piksel; digunakan untuk sumber seperti curah hujan, vegetasi, kelembaban tanah, atau output pemodelan tertentu. | — |
| 116 | Reanalysis | Dataset yang menggabungkan model fisik dan berbagai observasi melalui sistem asimilasi untuk menghasilkan rekonstruksi kondisi atmosfer/daratan yang konsisten sepanjang waktu. | — |
| 117 | Recall | Dari seluruh observasi yang benar-benar termasuk suatu kelas, proporsi yang berhasil dikenali model. | — |
| 118 | Refit | Melatih ulang keluarga/model terpilih menggunakan seluruh observasi yang diizinkan setelah proses seleksi selesai, sebelum inference final. | — |
| 119 | Rekapitulasi dan Pelaporan | Halaman untuk menyajikan KPI, distribusi kategori, tabel hierarkis, dampak, dan meneruskan filter aktif ke laporan cetak dinamis. | — |
| 120 | Remote Sensing | Pengamatan kondisi permukaan bumi dari sensor tanpa kontak langsung, misalnya data vegetasi MODIS. | Juga dicari: penginderaan jauh |
| 121 | Rendah | Kelas prioritas operasional terendah dalam rekap kondisi aktual. Pada interpretasi CDPI awal, nilai 0–20 termasuk Rendah. | — |
| 122 | Reproducibility | Kemampuan menghasilkan kembali output dengan sumber, versi data, parameter, dan prosedur yang sama. Karena itu sistem menyimpan metadata periode/model dan menjaga baseline tetap. | — |
| 123 | Reprojection | Transformasi data spasial dari satu sistem koordinat ke sistem koordinat lain agar selaras dengan data pembanding. | — |
| 124 | Resampling | Penghitungan ulang nilai raster ketika grid atau resolusi diubah. Resampling membantu penyelarasan tetapi tidak menambah informasi fisik baru atau memperbaiki resolusi sumber secara nyata. | — |
| 125 | Risk Score | Skor risiko tambahan yang tersimpan pada output operasional. Jangan disamakan dengan CDPI; interpretasi rinci mengikuti pipeline yang menghasilkan field risk_score. | — |
| 126 | RMSE | Akar rata-rata kuadrat galat antara prediksi dan observasi. Lebih sensitif terhadap galat besar dan digunakan sebagai kriteria utama seleksi model per horizon dalam metodologi. | Juga dicari: Root Mean Square Error |
| 127 | Robustness | Kemampuan pola/ranking utama tetap relatif stabil ketika parameter, periode evaluasi, atau sampel data berubah secara wajar. | — |
| 128 | Rolling Mean | Rata-rata bergerak beberapa periode, misalnya tiga bulan, untuk merangkum kondisi terkini dengan mengurangi fluktuasi jangka sangat pendek. | — |
| 129 | Rolling-origin Validation | Validasi berulang menggunakan beberapa titik asal waktu untuk menguji robustness model pada lebih banyak periode daripada satu tahun validasi. | — |
| 130 | Root-zone Soil Moisture | Kelembaban tanah pada lapisan yang lebih mewakili zona perakaran. Secara pertanian lebih representatif dibanding hanya lapisan permukaan sangat dangkal. | — |
| S22 istilah | |||
| 131 | S* | Komponen severity yang telah dinormalisasi untuk digunakan dalam formulasi CDPI. | Juga dicari: severity normalized |
| 132 | Safeguard | Aturan pembatas interpretasi untuk mencegah keluaran digunakan melampaui dukungan data/metode, misalnya membedakan screening loss dari kerugian aktual. | — |
| 133 | Sangat Tinggi | Kategori interpretasi CDPI untuk skor di atas 60 sampai 80. Perlu dibedakan dari label operasional yang mungkin diringkas berbeda pada dashboard. | — |
| 134 | Scope Desa | Cakupan paling rinci pada filter administrasi untuk menampilkan data satu desa beserta polygon LBS yang terkait. | — |
| 135 | Scope Kabupaten/Kota | Cakupan ketika Kabupaten/Kota dipilih. Dashboard beralih ke polygon LBS detail pada Kabupaten/Kota tersebut. | — |
| 136 | Scope Kecamatan | Cakupan analisis untuk seluruh desa/polygon LBS di Kecamatan yang dipilih pada Rekapitulasi dan Pelaporan. | — |
| 137 | Scope Provinsi | Cakupan ketika satu Provinsi dipilih tetapi Kabupaten/Kota masih “Semua”. Sistem menampilkan keseluruhan Provinsi dan mengagregasikan informasi per Kabupaten/Kota. | — |
| 138 | Screening | Pendekatan penyaringan awal untuk membandingkan lokasi/risiko dengan asumsi transparan. Screening membantu prioritisasi tetapi tidak menggantikan validasi lapangan atau model kerugian terkalibrasi. | — |
| 139 | Screening Uncertainty Band | Rentang screening yang pada estimasi dampak forecast dibentuk dengan menggeser Forecast LDI sebesar ±RMSE sebelum transformasi hazard. Rentang ini bukan confidence interval probabilistik formal. | — |
| 140 | Seasonal Climate Forecast | Prediksi iklim masa depan dari model atmosfer/laut. Implementasi forecast website saat ini adalah statistical direct multi-horizon berbasis indikator historis dan tidak sama dengan seasonal climate forecast dinamis. | — |
| 141 | Seasonality | Pola berulang menurut musim atau bulan kalender yang dapat memengaruhi indikator kekeringan. | — |
| 142 | Sedang | Kelas prioritas operasional menengah. Pada interpretasi CDPI awal, nilai di atas 20 sampai 40 termasuk Sedang. | — |
| 143 | Seluruh Indonesia | Cakupan nasional. Pada dashboard, tampilan nasional diringankan dengan agregasi pada polygon Kabupaten/Kota; rekap dan laporan tetap menghitung cakupan Indonesia sesuai data tersedia. | — |
| 144 | Sensitivity Analysis | Uji perubahan hasil ketika bobot, threshold, baseline, model, hyperparameter, atau parameter lain diubah dalam rentang wajar. Digunakan untuk menilai robustness. | — |
| 145 | Severity | Ukuran tingkat keparahan kekeringan. Pada data operasional aplikasi, field severity disimpan pada skala 0–5; untuk perhitungan dampak aktual dinormalisasi menjadi severity/5. | — |
| 146 | Soil Moisture | Kandungan kelembaban tanah. Sistem menggunakan informasi kelembaban tanah sebagai indikator kondisi media tempat tanaman memperoleh air. | — |
| 147 | Soil Moisture Anomaly | Penyimpangan kelembaban tanah periode berjalan terhadap baseline historis pada bulan kalender yang sama. | — |
| 148 | Spatial Resolution | Ukuran area yang direpresentasikan satu piksel/grid. Resolusi sumber tetap harus dibedakan dari unit administrasi tempat hasil diagregasikan. | — |
| 149 | SPI | Indeks terstandar yang menggambarkan anomali curah hujan terhadap distribusi historis pada skala waktu tertentu. Nilai defisit digunakan sebagai sinyal kekeringan meteorologis. | Juga dicari: Standardized Precipitation Index |
| 150 | SPI-1 | SPI pada akumulasi satu bulan. Digunakan sebagai sinyal yang lebih responsif terhadap perubahan curah hujan jangka pendek. | — |
| 151 | SPI-3 | SPI pada akumulasi tiga bulan. Memberikan konteks defisit atau surplus hujan yang lebih akumulatif daripada SPI-1. | — |
| 152 | Standardized NDVI Anomaly | Anomali NDVI yang dinyatakan dalam skala terstandar sehingga dapat dibandingkan dan digabungkan dengan indikator lain. | — |
| T8 istilah | |||
| 153 | Target | Variabel yang ingin diprediksi model pada waktu t+h. Pada subsistem utama, target forecast adalah LDI masa depan. | — |
| 154 | Temporal Hindcast | Simulasi prediksi masa lalu dengan aturan seolah-olah data masa depan belum diketahui, digunakan untuk menilai kemampuan generalisasi model secara temporal. | — |
| 155 | Temporal Resolution | Frekuensi atau interval waktu data tersedia, misalnya harian, 16-harian, atau bulanan. | — |
| 156 | Temporal Validation | Evaluasi model dengan memisahkan data berdasarkan waktu, bukan random split, sehingga lebih menyerupai penggunaan forecast sebenarnya. | — |
| 157 | Tinggi | Kelas prioritas operasional tinggi. Pada interpretasi CDPI awal, nilai di atas 40 sampai 60 termasuk Tinggi. | — |
| 158 | Training | Proses model mempelajari hubungan antara predictor dan target dari data historis. | — |
| 159 | Trend | Arah perubahan kondisi dari waktu ke waktu, misalnya memburuk atau membaik. Digunakan untuk mendekatkan monitoring menjadi early warning. | — |
| 160 | Tuning | Proses memilih hyperparameter/model configuration berdasarkan data pelatihan/validasi tanpa menggunakan informasi target masa depan secara tidak sah. | — |
| U2 istilah | |||
| 161 | Uncertainty | Ketidakpastian hasil akibat keterbatasan data, model, lead time, dan variasi indikator. Harus dibaca terpisah dari nilai prediksi titik. | — |
| 162 | Unit Desa | Unit agregasi dan pengambilan keputusan terkecil pada analisis. Istilah “tingkat desa” tidak berarti semua data sumber memiliki resolusi fisik setingkat desa. | — |
| V3 istilah | |||
| 163 | Valid Area | Bagian area yang memiliki data sumber layak untuk dianalisis setelah masking/quality control. Nilai valid area membantu menilai apakah ringkasan desa cukup representatif. | — |
| 164 | Vector | Data spasial berbasis titik, garis, atau polygon. Batas administrasi dan polygon LBS merupakan contoh data vector. | — |
| 165 | Verifikasi Lapangan | Pemeriksaan kondisi aktual di lokasi untuk mengonfirmasi hasil model/peta dan mengkalibrasi parameter operasional. | — |
| W2 istilah | |||
| 166 | Waspada | Kelas forecast awal ketika Forecast LDI mulai mencapai ambang 0,50 tetapi belum masuk Kering Ringan. | 0,50 ≤ Forecast LDI < 1,00 |
| 167 | WebGIS | Aplikasi GIS berbasis web untuk menampilkan peta, filter administrasi, popup polygon, legenda, ranking, dan analisis dampak secara interaktif. | — |
| X1 istilah | |||
| 168 | XGBoost | Implementasi gradient boosting yang menggunakan regularisasi dan optimasi komputasi untuk pemodelan skala besar. | — |
| Z2 istilah | |||
| 169 | Z-score | Standardisasi yang menyatakan selisih nilai terhadap rata-rata dalam satuan simpangan baku. Digunakan agar indikator dengan skala berbeda dapat dibandingkan. | Juga dicari: standard score |
| 170 | Zonal Statistics | Perhitungan statistik nilai raster pada suatu zona polygon, misalnya desa atau LBS, untuk membentuk ringkasan spasial. | — |