identifikasi hujan ekstrem dengan data satelit trmm (tropical rainfall measuring mission) secara...
TRANSCRIPT
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
1/51
IDENTIFIKASI KEJADIAN HUJAN EKSTREM
BERDASARKAN DATA TROPICAL RAINFALL MEASURING
MISSION(TRMM) SECARA TEMPORAL(Studi Kasus: Soreang)
TUGAS AKHIRDisusun untuk Memenuhi Syarat Kurikuler
Program Sarjana di Program Studi Meteorologi
oleh:
PRATIKTO ABISENO
(12807006)
PROGRAM STUDI METEOROLOGI
FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
INSTITUT TEKNOLOGI BANDUNG
2013
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
2/51
LEMBAR PENGESAHAN
TUGAS AKHIR DENGAN JUDUL
IDENTIFIKASI KEJADIAN HUJAN EKSTREM BERDASARKAN DATA
TROPICAL RAINFAL L MEASURING M ISSION(TRMM) SECARA
TEMPORAL
(Studi Kasus: Soreang)
oleh:
PRATIKTO ABISENO
(12807006)
Telah diperiksa dan disetujui:
Bandung, Juni 2013
Pembimbing
(Drs. Zadrach L. Dupe, M.Si.)
NIP: 195703221983031003
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
3/51
Impian ada ditengah peluh, bagai bunga yang mekar secaraperlahanUsaha keras itu tak akan mengkhianatiImpian ada ditengah peluh, selalu menunggu agar iamenguncupSatu hari pasti sampai harapan terkabul(AKB48- Shonichi, Yasushi Akimoto)
Aku persembahkan Tugas Akhir ini untuk Bapak dan Ibu serta
seluruh keluargaku
Pratikto Abiseno
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
4/51
i
IDENTIFIKASI KEJADIAN HUJAN EKSTREM BERDASARKAN DATA
TROPICAL RAINFALL MEASURING M ISSION(TRMM) SECARA
TEMPORAL
(Studi Kasus: Soreang)
Pratikto Abiseno
(12807006)
ABSTRAK
Hujan Ekstrem merupakan salah satu fenomena meteorologi yang memiliki efek
merusak paling parah dan dilaporkan bahwa hujan yang terjadi pada 17 November
2012 di Soreang merupakan hujan terbesar yang pernah mereka alami dalam
waktu beberapa tahun terakhir. Satelit Tropical Rainfall Measuring Mission
(TRMM) merupakan satelit meteorologi yang menyediakan data curah hujan yang
up-to-datedan dapat menunjukkan pola hujan yang cukup baik dan data TRMM
3B42 merupakan data rain rate dengan selang waktu 3 jam yang selalu tersedia
setelah bulan pengamatan. Dalam penelitian ini mengidentifikasi apakah kejadian
pada tanggal 17 November 2012 di Soreang dapat dikategorikan sebagai hujan
ekstrem dengan mencari probabilitas kejadian hujan ekstrem menggunakan
metode Cumulative Distribution Function(CDF) dengan data TRMM yang telah
dilakukan proses bias correction sebagai validasi terhadap data observasi.
Probabilitas kejadian hujan pada tanggal 17 November 2012 secara harian adalahpada 1.86% dari seluruh data set dan secara 3 jam-an adalah pada 0.6% pada
seluruh data set. Secara Musiman, probabilitas kejadian hujan pada tanggal 17
November 2012 dengan selang waktu harian adalah 1.13% dan dengan selang
waktu 3 jam-an adalah 0.94%, sehingga dapat dikatakan bahwa kejadian hujan
dengan selang waktu 3 jam-an lebih ekstrem dibandingkan dengan selang waktu
harian.
Kata Kunci : Hujan ekstrem, Tropical Rainfall Measuring Mission (TRMM)
3B42, Cumulative Distribution Function(CDF), bias correction
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
5/51
ii
EXTREME RAINFAL L EVENT IDENTI FI CATION BASED ON TROPICAL
RAINFALL MEASURING MI SSION (TRMM ) DATA TEMPORALLY
(Case Study: Soreang)
Pratikto Abiseno
(12807006)
ABSTRACT
Extreme rainfall is one of the meteorological phenomenon that have the most
severe damaging effects and reported that the rainfall that occurred on
November 17, 2012 in Soreang was the biggest rain they had experienced in the
last few years. Tropical Rainfall Measuring Mission satellite (TRMM) is a
meteorological satellites that provide up-to-date rainfall data and can show a
fairly good rainfall pattern and the TRMM 3B42 data is the rain rate data with an
interval of 3 hours that always available after a month of observation. In this
study to identify whether the incident on November 17, 2012 at Soreang can be
categorized as extreme rain is by finding the probability of extreme rainfall events
using the Cumulative Distribution Function (CDF) with the TRMM data that has
been corrected by bias correction process as validation against observationaldata. Probability of rain occurrence on November 17, 2012 for the daily data is at
1.86% of the entire data set and the 3-hourly data is at 0.6% of the entire data set.
Comparising the Seasonal distribution data, probability of occurrence of rain on
November 17, 2012 with a daily interval is 1.13% and with an interval of 3-hourly
is 0.94%, so it can be said that the rain events with an interval of 3 hour-ly is
more extreme than the daily interval .
Keywords : Extreme rainfall, Tropical Rainfall Measuring Mission (TRMM)
3B42 data, Cumulative Distribution Function (CDF), bias correction
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
6/51
iii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat-Nya sehingga
penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi kejadian
hujan ekstrem berdasarkan data Tropical Rainfall Measuring Mission (TRMM)
secara temporal (Studi kasus : Soreang). Keberhasilan penulis dalam
penyelesaian tugas akhir ini juga tidak terlepas dari bantuan pikiran, tenaga, doa,
dan dukungan dari berbagai pihak. Untuk itu, penulis ingin mengucapkan terima
kasih kepada :
1. Bapak, Ibu, dan saudara-saudaraku yang senantiasa memberikan doa dan
dukungan kepada penulis selama masa belajar di ITB,
2.
Bapak Drs. Zadrach L Dupe, M. Si selaku pembimbing yang telah banyak
memberikan arahan, saran, kritikan, dan motivasi bahkan bantuan teknis
kepada penulis,
3.
Bapak Tri Wahyu Hadi selaku dosen wali yang telah memberikan arahan dan
motivasi selama proses perkuliahan,
4. Bapak Edi Riawan M.Si dan Bapak M. Ridho Syahputra yang telah membantu
secara teknis pengerjaan tugas akhir,
5. Seluruh dosen dan staf administrasi Program Studi Meteorologi ITB serta
asisten akademik yang telah memberikan Ilmu Pengetahuan dan membantu
selama proses perkuliahan kepada penulis,
Penulis menyadari bahwa dalam pengerjaan Tugas Akhir masih banyak
kekurangan. Oleh karena itu, penulis sangat mengharapkan saran dan kritik dari
berbagai pihak untuk perbaikan Tugas Akhir ini. Penulis juga berharap Tugas
Akhir ini dapat bermanfaat.
Bandung, Juni 2013
Penulis
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
7/51
iv
DAFTAR ISI
Halaman
ABSTRAK ............................................................................................................... i
ABSTRACT.............................................................................................................. ii
KATA PENGANTAR ........................................................................................... iii
DAFTAR ISI .......................................................................................................... iv
DAFTAR GAMBAR ............................................................................................. vi
DAFTAR TABEL ................................................................................................. vii
BAB 1 PENDAHULUAN ................................................................................... 1-1
1.1.
Latar Belakang ............................................................................................ 1-1
1.2. Identifikasi Masalah .................................................................................... 1-3
1.3.
Tujuan ......................................................................................................... 1-3
1.4.
Asumsi ........................................................................................................ 1-3
1.5. Batasan Masalah ......................................................................................... 1-3
1.6.
Sistematika Pembahasan ............................................................................. 1-4
BAB 2 KAJIAN PUSTAKA ............................................................................... 2-1
2.1.
Analisis Nilai Ekstrem ................................................................................ 2-1
2.1.1.
Kejadian Hujan Ekstrem......................................................................... 2-2
2.1.2. Indikasi Kejadian Curah Hujan Ekstrem Secara Temporal .................... 2-3
2.2.
TRMM (Tropical Rainfall Measuring Mission) ......................................... 2-4
2.3
Cumulative Distribution Function.............................................................. 2-5
2.4
Bias Correction ........................................................................................... 2-6
BAB 3 METODOLOGI PENELITIAN .............................................................. 3-1
3.1. Data ............................................................................................................. 3-1
3.1.1.
Data Tropical Rainfall Measuring Mission(TRMM) ............................ 3-1
3.1.2. Data Observasi........................................................................................ 3-1
3.2. Metodologi Penelitian ................................................................................. 3-2
3.2.1.
Uji Normalitas Data ................................................................................ 3-2
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
8/51
v
3.2.2. Uji Korelasi Data .................................................................................... 3-2
3.2.3.
Perhitungan Cumulative Distribution Function (CDF) .......................... 3-4
3.2.4. Bias Correction...................................................................................... 3-4
BAB 4 HASIL DAN PEMBAHASAN ............................................................... 4-1
4.1.
Downscaling Data TRMM .......................................................................... 4-1
4.2. Uji Normalitas dan Korelasi Data ............................................................... 4-1
4.2.1.
Uji Normalitas Data ................................................................................ 4-1
4.2.2.
Uji Korelasi Data .................................................................................... 4-2
4.3.
Analisis Nilai Ekstrem ................................................................................ 4-3
4.3.1.
Analisis Data Curah Hujan Harian ......................................................... 4-3
4.3.2. Analisis Curah Hujan 3 Jam-an .............................................................. 4-9
4.3.3. Analisis Hujan Ekstrem secara Musiman ............................................. 4-10
BAB 5 KESIMPULAN DAN SARAN ............................................................... 5-1
5.1. Kesimpulan ................................................................................................. 5-1
5.2.
Saran ........................................................................................................... 5-1
DAFTAR PUSTAKA ....................................................................................... DP-1
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
9/51
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
10/51
vii
DAFTAR TABEL
Halaman
Tabel 3.1 Interpretasi hasil uji korelasi ................................................................ 3-3
Tabel 4.1 Uji Normalitas Data TRMM dan Data Observasi ............................... 4-2
Tabel 4.2 Uji Korelasi Data TRMM dan Data Observasi .................................... 4-2
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
11/51
1-1
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Hujan Ekstrem merupakan salah satu fenomena meteorologi yang memiliki efek
merusak paling parah karena biasanya dapat menyebabkan banjir bandang dan
terkadang diikuti oleh cuaca buruk seperti petir, hujan es, angin permukaan yangsangat kuat dan wind shear vertikal (Jones dkk., 2004). Oleh karena itu, hujan
ekstrem menyebabkan kerugian kepada umat manusia dalam berbagai faktor,
seperti dari segi ekonomi, sosial dan juga lingkungan. Pada daerah pedesaan,
hujan ekstrem dapat merusak tanaman dan peternakan, sedangkan pada daerah
perkotaan, hujan ekstrem dapat menyebabkan permasalahan banjir perkotaan yang
dikarenakan sistem drainase yang tidak memadai untuk menampung jumlah air
hujan yang tiba-tiba meningkat drastis (Carvalho dkk., 2002).
Karena curah hujan memiliki tingkat variabilitas yang tinggi, kondisi data curah
hujan di Indonesia memerlukan observasi yang panjang dengan perwakilan
sebaran data yang memadai, serta selang waktu pengamatan yang lebih sempit.
Penakar hujan pada setiap pos pengamatan hujan merupakan suatu alat pengukur
hujan yang efektif dan relatif akurat dalam menggambarkan kondisi hujan pada
suatu tempat. Akan tetapi pada kenyataannya sebaran pos penakar hujan ini tidak
merata khususnya di daerah dengan topografi sulit, daerah tidak berpenghuni serta
disekitar lautan mengakibatkan berkurangnya tingkat keakuratannya khususnya
dalam menampilkan sebaran pola spasial curah hujan. Kondisi ini mempengaruhi
prediksi hujan dengan menggunakan berbagai aplikasi model iklim (Feidas,
2010). Untuk saat ini, kemungkinan memperoleh data curah hujan yang
diperlukan dalam berbagai aplikasi ilmiah dapat diperoleh dari satelit meteorologi.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
12/51
1-2
Satelit meteorologi dapat menyediakan data hujan dengan sebaran yang lebih baik
serta dengan penggabungan berbagai jenis satelit dan data dari pos pengamatan
hujan dalam suatu model iklim akan lebih mampu lagi meningkatkan keakurasian
dan kestabilan data yang dihasilkan oleh satelit meteorologi (Xie dan Arkin,
1996). Dengan semakin lengkapnya informasi hujan, diharapkan lebih mampu
menampilkan sebaran pola spasial hujan lebih baik dibandingkan menggunakan
data dari stasiun. Salah satu citra penginderaan jauh yang digunakan untuk
memantau curah hujan khususnya di wilayah tropis seperti Indonesia yaitu dengan
citra Tropical Rainfall Measuring Mission (TRMM). Satelit TRMM ini banyak
digunakan di daerah tropis, begitu juga di Indonesia untuk melihat karakteristik
curah hujan yang terjadi. Selain itu, data TRMM juga sudah mulai digunakan
untuk mendeskripsikan kejadian-kejadian esktrem (Zipser dkk., 2006).
Soreang yang adalah ibukota dari Kabupaten Bandung merupakan perpaduan dari
wilayah perkotaan dan pedesaan yang kerap kali mengalami banjir akibat hujan
yang terjadi pada daerah tersebut. Pada bulan November tahun 2012, terjadi hujan
yang berintensitas tinggi yang menyebabkan banjir pada beberapa daerah di
Kabupaten Bandung. Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten
Bandung melaporkan bahwa terjadi banjir di beberapa kecamatan, yaitu pada
kecamatan Baleendah, Dayeuhkolot, Bojongsoang, Pameungpeuk, Cangkuang
dan Soreang. BPBD melaporkan bahwa banjir yang terjadi di berbagai desa di
kecamatan-kecamatan tersebut adalah karena meluapnya Sungai Cikambuy,
Sungai Citarum dan Sungai Cisangkuy akibat hujan yang terjadi pada tanggal 17
November 2012 sepanjang hari. BPBD mengatakan bahwa hujan yang terjadi
pada 17 November 2012 merupakan hujan terbesar yang pernah mereka alami.
Berdasarkan kejadian tersebut, penulis memutuskan perlu dilakukannya
identifikasi hujan ekstrem terhadap kejadian tersebut.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
13/51
1-3
1.2. Identifikasi Masalah
Permasalahan yang akan dibahas pada Tugas Akhir ini adalah untuk melihat
apakah data TRMM dapat mendeteksi dan menunjukkan terjadinya kejadian
ekstrem pada tanggal 17 November 2012 pada wilayah kajian
1.3. Tujuan
Tujuan dari penulisan tugas akhir ini adalah :
Menentukan probabilitas kejadian hujan maksimum berdasarkan data
TRMM dan stasiun dengan menggunakan metode CDF (Cumulative
Distribution Function)
Mengidentifikasi hujan yang terjadi pada tanggal 17 November 2012
secara harian dan 3 jam-an
1.4. Asumsi
Asumsi yang dipakai dalam Tugas Akhir ini adalah bahwa banjir yang terjadi di
Soreang disebabkan oleh hujan yang terjadi dengan intensitas tinggi dan
menghiraukan adanya penyebab lain, seperti bocornya tanggul atau waduk yang
berada di daerah kajian. Kemudian penggunaan dan perubahan tata guna lahan
(land use) tidak diperhitungkan dan tidak digunakan dalam Tugas Akhir ini.
1.5. Batasan Masalah
Beberapa ruang lingkup kajian penelitian Tugas Akhir ini adalah:
Daerah penelitian mencakup daerah Kabupaten Bandung dengan koordinat
641`-719` LS; 10722`-1085` BT yang mana dialiri oleh DAS Citarum
(lihat Gambar 1.1.)
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
14/51
1-4
Gambar 1.1. DAS Citarum
Waktu kajian dibatasi dari tahun 2001 sampai dengan tahun 2012
Metode yang digunakan dalam penelitian ini adalah uji normalisasi data
dan korelasi data, metodeBias Correction(validasi data TRMM terhadap
data stasiun).
Daerah pengamatan pada TRMM yang diambil berupa satu titik
pengamatan dikarenakan Soreang yang hanya sedikit dilewati oleh DAS
Citarum sehingga dengan resolusi TRMM yang cukup besar dapatmelingkupi wilayah kajian
Penelitian ini hanya akan mengidentifikasi kejadian hujan ekstrem saja dan
tidak membahas penyebab terjadinya banjir pada wilayah kajian
1.6. Sistematika Pembahasan
Sistematika pembahasan tugas akhir ini adalah sebagai berikut. Bab I Pendahuluan
Bab ini merupakan pendahuluan yang berisi gambaran dari keseluruhan
penelitian yang akan dilakukan, bab ini mencakup latar belakang, identifikasi
masalah, tujuan masalah, batasan masalah dan sistematika pembahasan
Bab II Kajian Pustaka
Bab ini akan menjelaskan tentang studi-studi pustaka yang telah dilakukan
terkait dengan judul penelitian ini
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
15/51
1-5
Bab III Metodologi Penelitian
Bab ini akan menjelaskan tentang data yang dipakai untuk penelitian ini, serta
tentang tahapan-tahapan penelitian hingga didapatkan debit limpasan
berdasarkan intensitas hujan
Bab IV Hasil dan Pembahasan
Bab ini akan menjelaskan hasil dari penelitian, serta analisis dari hasil
penelitian
Bab V Kesimpulan dan Saran
Bab ini akan berisi tentang kesimpulan serta diskusi dari keseluruhuan
pelaksanaan penelitian
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
16/51
2-1
BAB 2
KAJIAN PUSTAKA
2.1. Analisis Nilai Ekstrem
Analisis nilai ekstrem adalah analisis statistik yang berdasarkan teori nilai
ekstrem. Analisis nilai ekstrem merupakan cabang statistik yang menjelaskan
tentang perilaku observasi nilai ekstrem (Gilli dan Kellezi, 2003; Naveau, dkk.,
2005). Tujuan dari analisis nilai ekstrem adalah untuk mengestimasi nilai ekstrem
di masa yang akan datang untuk mendapatkan proses yang diharapkan dan
kemungkinan pengulangan kejadian ekstrem tersebut berdasarkan data historis
(Murphy dan Jackson, 1997).
Secara umum, terdapat dua cara dalam mengidentifikasi nilai ekstrem pada data
nyata. Cara pertama mempertimbangkan nilai maksimum (atau minimum) pada
variabel yang digunakan pada periode waktu tertentu, contohnya dalam jangka
waktu bulanan atau tahunan. Pemilihan nilai ini yang membentuk kejadian
ekstrem, sering disebut juga block maxima(atauper-period maxima). Cara kedua
memfokuskan pada kemunculan nilai-nilai yang melebihi suatu batasan
(threshold). Metode block maxima adalah metode tradisional yang digunakan
untuk menganalisis data yang bersifat musiman. Sedangkan metode threshold
menggunakan data dengan lebih efisien dan karenanya menjadi pilihan dalampengaplikasian belakangan ini (Gilli dan Kellezi, 2003; Supari, 2012).
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
17/51
2-2
Gambar 2.1. Ilustrasi dari dua cara dalam menganalisis nilai ekstrem.
(Sumber: Gilli dan Kellezi,2003)
Gambar kiri, metode block maxima, memperlihatkan observasi X2, X5, X7dan X11
merepresentasikan kejadian ekstrem pada empat periode waktu dengan tiga
observasi tiap periodenya. Gambar kanan memperlihatkan metode threshold,
dimana X1, X2, X7, X8, X9 dan X11 dikategorikan sebagai nilai ekstrem
dikarenakan melebihi dari batasan yang diberikan, yaitu (Gilli dan Kellezi,
2003).
2.1.1. Kejadian Hujan Ekstrem
Analisis nilai ekstrem digunakan oleh para ilmuwan dalam mempelajari iklim
ekstrem seperti temperatur dan curah hujan ekstrem. Berbanding lurus dengan
makin maraknya isu tentang perubahan iklim, studi mengenai iklim ekstrem juga
semakin banyak diminati karena karakteristik iklim ekstrem dapat digunakanuntuk mengindikasikan perubahan pada iklim.
Kejadian Hujan Ekstrem didefinisikan sebagai hasil akumulatif dari hujan selama
24 jam yang melebihi suatu batasan (threshold). Terdapat berbagai cara yang
dilakukan oleh berbagai meteorologis dalam menentukan batasan tersebut.
Goswami dan Ramesh (2007) menggunakan nilai curah hujan harian minimal
sebesar 250mm sebagai batasan kejadian hujan ekstrem dalam menganalisis
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
18/51
2-3
kerentanan daerah India terhadap kejadian hujan ekstrem. Bodini dan Cossu
(2010) menggunakan ketinggian curah hujan harian yang berada diatas persentil
95 pada waktu tertentu sebagai batasan penelitian mereka dalam menilai
kerentanan Sardinia terhadap kejadian hujan ekstrem. Hal tersebut merupakan
batasan berdasarkan tempat (site dependent threshold). Fu dkk. (2010) juga
menggunakan batasan berdasarkan tempat yang didefinisikan dengan
pengulangan interval terjadinya hujan ketika mereka menganalisa variasi temporal
jangka panjang pada hujan ekstrem di Australia.
2.1.2. Indikasi Kejadian Curah Hujan Ekstrem Secara Temporal
Banyak cara yang dilakukan oleh para ilmuwan untuk menentukan indikasi
terjadinya curah hujan ekstrem. Hernandez dkk. (2009) mendaftarkan 23 cara
yang berbeda-beda dalam literatur profesional di seluruh penjuru dunia untuk
menggambarkan batasan (threshold) atau indikasi-indikasi yang menjelaskan
kejadian curah hujan ekstrem. WMO (2009) berdasarkan pedoman mereka
tentang analisis kejadian ekstrem pada iklim yang berubah-ubah menjabarkan 11
indikasi curah hujan ekstrem. Cara lain untuk menjabarkan indikasi-indikasi
terjadinya hujan ekstrem dapat dilihat dari studi oleh Kunkel dkk. (1999),
Hernandez dkk. (2009) dan Bodini dkk. (2010). Semua indikasi tersebut dihitung
untuk mencari annual value. Nilai curah hujan (Hipel dan Mc Leod, 1994; WMO,
1988) yang biasanya sering dipakai adalah dalam satuan milimeter (mm) untuk
menggambarkan kejadian hujan.
Banyak metode yang digunakan untuk mengidentifikasi trend temporal dari suatu
data time series, tetapi yang paling sering digunakan oleh meteorologis adalah tes
Man-Kendall. Pada dasarnya, tes Man-Kendall memeriksa sebuah observasi
dengan menghitung jeda antara satu observasi dengan observasi yang sebelumnya.
Datanya harus diurutkan berdasarkan waktunya, kemudian data berikutnya
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
19/51
2-4
dihitung secara berurut juga. Hipotesa kosong adalah total dari jeda-jeda yang
telah dihitung menjadi 0 yang berarti tidak adanya perubahan pada time series.
2.2. TRMM (Tropical Rainfall Measur ing M ission)
Produk Tropical Rainfall Measuring Mission (TRMM) Multisatellite
Precipitation Analysis(TMPA) merupakan produk hasil gabungan antara TRMM
Precipitation Radar(PR) dan TRMM Microwave Imager (TMI) beserta citra
meteorologi Microwave dan Infrared lainnya (Huffman dkk. 2007). TMPAterbagi dalam 2 tipe data yaitu tipe 3B42 yang merupakan data kombinasi per 3
jam dan tipe 3B43 yang merupakan kombinasi bulanan. TMPA 3B43 telah
digunakan untuk berbagai aplikasi termasuk diantaranya adalah pemantauan
cuaca/iklim, analisis iklim, verifikasi model numerik, dan studi hidrologi (Xie
dkk., 2007). Hasil penelitian sebelumnya di Indonesia menunjukkan bahwa
hubungan antara TMPA dengan data lapangan dari Badan Meteorologi,
Klimatologi, dan Geofisika (BMKG) adalah kuat khususnya terhadap pola hujan
bulanan walaupun masih dalam kondisi dibawah estimasi data hujan BMKG.
Secara umum tujuan dibuatnya produk TMPA telah mencapai sasaran yang
diinginkan yaitu penyediaan data hujan bulanan dengan sebaran yang meliputi
darat dan lautan serta sesuai dengan keadaan sebenarnya yang ditunjukkan oleh
hasil-hasil penelitian sebelumnya (seperti Feidas, 2010). Data TMPA, khususnya
tipe 3B42 merupakan data yang selalu tersedia setelah bulan pengamatan (up to
date). Kondisi memungkinkan dimanfaatkannya data ini untuk memantau
kondisi hujan secara cepat baik itu besaran curah hujan maupun kondisi anomali
curah hujan.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
20/51
2-5
2.3 Cumulative Distribution Function
Perhitungan Cumulative Distribution Function (CDF) dilakukan berdasarkan
hubungan dengan Probability Density Function (PDF) (Zwillinger, 2000).
Menurut Permana (2009), plot Cumulative Distribution Function (CDF) dapat
menentukan probabilitas kejadian curah hujan yang muncul sehingga akan dapat
ditentukan curah hujan mana yang akan dijadikan indikator untuk suatu kasus
kejadian hujan tertentu. Dengan mengasumsikan tidak adanya perubahan pola
curah hujan yang sangat signifikan sepanjang tahun pengamatan, maka didapatkan
nilai probabilitas curah hujan maksimum 95%, 90%, dan 85% untuk setiap Sub
DAS dengan lama intensitas satu jam menggunakan metode Cumulative
Distribution Function(Dauwani, 2012).
Dari bentuk grafik CDF dapat menunjukan data tersebut berdistribusi normal
dengan melihat grafik yang terbentuk yaitu berupa simetris (Gambar 2.2.a). Selain
itu dapat menunjukkan skewedness dari distribusi data melalui grafik CDF itu
sendiri (Gambar 2.2.b) Dengan mengetahui data memiliki skewedness, maka
dapat memperlihatkan distribusi data lebih banyak ke kiri data maupun kanan
kanan data dari urutan data. Penentuan threshold dapat digunakan untuk
menentukan nilai ekstrem dari suatu data (Wilks, 1995). Dalam penentuan
threshold dibutuhkan suatu asumsi tingkat kepercayaan.
Gambar 2.2. Contoh grafik CDF
(Sumber: Wilks, 1995)
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
21/51
2-6
2.4 Bias Correction
Bias correction merupakan salah satu metode downscaling yang memaksa
distribusi peluang dari simulasi historis untuk cocok terhadap distribusi
observasinya (Wood dkk., 2002). Metode bias correction tidak berusaha untuk
mengoreksi secara statistik dari parameter yang disimulasikan, tapi lebih kepada
mempertahankannya sebagai dasar untuk evaluasi model (Salathe Jr, 2005).
Hatchett dkk., 2009 menjelaskan bahwa skema koreksi bias menghasilkan
perbaikan atau koreksi pada semua titik data, khususnya pada nilai-nilai ekstrim.
Dalam penelitian yang dilakukan oleh Inomata dan Fukami, Konsep bias
correctionuntuk data presipitasi GCM20 dibagi ke dalam 2 kategori besar, yaitu:
a. Nilai Ekstrim
Sampel dengan probabilitas 0.5% tertinggi tidak dianggap.
Gambar 2.3.Bias Correctionpada nilai ekstrim data presipitasi GCM20
(Sumber: Inomata, 2012)
b. Nilai lainnya
Semuanya dibagi ke dalam masing-masing bulan. Rasio untuk masing-masing
kuantil antara observasi (P_Obsq) dan GCM20 Present (GCM20_Preq)
diestimasikan. q sebagai koefisien koreksi untuk masing-masing kuantil dan
dikalikan terhadap nilai GCM20 Future dari kuantil yang sama
(GCM20_Futq) dan nilai koreksi (P_Futq) didapatkan.
.....................(2.1)
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
22/51
2-7
Gambar 2.4.Bias correctionnilai lainnya pada data presipitasi GCM20
(Sumber: Inomata, 2012)
Dan hasil metode koreksi dalam memverifikasi kondisi kondisi iklim, MonthlyPrecipitation:
Gambar 2.5. Hasil koreksi GCM20 terhadap data observasi
(Sumber: Inomata, 2012)
Nilai koreksi menunjukan hasil yang lebih mendekati dengan nilai data
observasinya dibandingkan dengan data GCM20 sebelum dikoreksi. Metode
koreksi bias bekerja dengan baik.
Metode ini mengoreksi nilai estimasi yang didapat dengan cara mendekatkan nilai
estimasi dengan nilai observasi untuk setiap kuantil probabilitas dalam CDF
(Cumulative Disbrution Function). Metode bias correctiondapat diterapkan untuk
keseluruhan data set, namun para ilmuwan biasanya menyarankan aplikasi bias
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
23/51
2-8
correction ini untuk proses tiap bulanan pada data komposit (Maurer dan Hidalgo,
2008)
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
24/51
3-1
BAB 3
METODOLOGI PENELITIAN
3.1. Data
Data yang digunakan dalam penelitian ini terbagi menjadi dua data utama yaitu
data Tropical Rainfall Measuring Mission(TRMM) dan data observasi.
3.1.1. Data Tropical Rainfall Measur ing M ission(TRMM)
Dalam penelitian ini menggunakan data TRMM yang memiliki resolusi 0.25ox
0.25ountuk tiap satu gridnya. Data TRMM yang digunakan adalah data TRMM
dengan tipe 3B42v6 dengan panjang data dari 1 Januari 2001 sampai dengan 30
Juni 2011 dan tipe 3B42v7 dengan panjang data dari 1 Juli 2011 sampai dengan
31 Desember 2012 yang berupa rain-rate3 jam-an. Koordinat dari data TRMM-
nya adalah pada koordinat 7.0803230LS ,107.6555010BT.
3.1.2. Data Observasi
Data observasi pada penelitian ini merupakan data verifikasi terhadap data
TRMM. Data yang dipakai adalah data dari PUSAIR dan data yang dipakai untuk
memverifikasi data TRMM adalah pada daerah Kabupaten Bandung, yaitu pada
daerah Cisondari dengan panjang data dari tanggal 1 Januari 2011 sampai dengan
31 Desember 2011 yang berupa data curah hujan harian. Koordinat yang
digunakan adalah sama dengan koordinat pada data TRMM, yaitu 7.0803230LS
,107.6555010BT.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
25/51
3-2
3.2. Metodologi Penelitian
3.2.1. Uji Normalitas Data
Uji normalitas merupakan uji yang bertujuan untuk menyelidiki bahwa data yang
didapatkan terdistribusi normal atau tidak, dan selanjutnya hasil dari uji ini
dipakai untuk memenuhi persyaratan uji korelasi. Pada penilitian ini uji
normalitas dilakukan dengan cara Kolmogorov-Smirnov (untuk sampel lebih dari
50) dan Shapiro-Wilk (untuk sampel kurang dari 50). Pengujian dilakukan denganmenggunakan software statistik berdasarkan pada uji Kolmogorov-Smirnov dan
Shapiro-Wilk. Hipotesa yang diuji adalah :
H0: Data residual berdistribusi normal
H1: Data residual tidak berdistribusi normal
Dengan normalitas dipenuhi jika hasil uji signifikan untuk suatu taraf signifikansi
() tertentu (misalnya = 0,05). Sebaliknya, jika hasil uji tidak signifikan maka
normalitas tidak terpenuhi.Untuk mengetahui signifikan atau tidak signifikan hasil
uji normalitas adalah dengan memperhatikan bilangan yang terletak pada kolom
signifikansi (Sig.). Jika nilai signifikansi yang didapatkan dari data lebih besar
dari taraf signifikansi (>0,05), maka sampel berasal dari populasi yang
berdistribusi normal, jika nilai signifikansi yang didapatkan kurang dari taraf
signifikansi (
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
26/51
3-3
menggunakan teknik korelasi pearson dan korelasi spearman. Teknik korelasi
pearson dilakukan dengan syarat dua variabel yang dihubungkan keduanya harus
memiliki data yang berdistribusi normal. Sedangkan untuk teknik korelasi
spearman dilakukan dengan syarat salah satu data atau data keduanya memiliki
data yang tidak berdistribusi normal.
Tabel 3.1 Interpretasi hasil uji korelasi
(Sumber: Dahlan, 2011).
NO Parameter Nilai Interpretasi1 Koefisien
Korelasi
0,00-0,199 Sangat lemah
0,20-0,399 Lemah
0,40-0,599 Sedang
0,60-0,799 Kuat
0,80-1,000 Sangat kuat
2 Nilai Sig. P0,05 Tidak terdapat korelasi yang bermakna antara
dua variabel yang diuji atau hubungan kedua
variabel tidak signifikan
3 Arah
Korelasi
+ (positif) Searah, semakin besar nilai satu variabel
semakin besar pula nilai variabel lainnya
- (negatif) Berlawanan arah, semakin besar nilai satu
variabel, semakin kecil nilai variabel lainnya
Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1. Korelasi
mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Korelasi
searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika nilai
koefesien korelasi negatif, korelasi disebut tidak searah. Koefisien korelasi
sendiri yaitu pengukuran statistik kovarian atau hubungan antara dua variabel,
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
27/51
3-4
besarnya koefisien korelasi berkisar +1 s/d -1.Jika koefesien korelasi diketemukan
tidak sama dengan nol (0), maka terdapat ketergantungan antara dua variabel
tersebut. Jika koefesien korelasi diketemukan +1. maka hubungan tersebut
disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan
kemiringan (slope) positif.Jika koefesien korelasi diketemukan -1. maka
hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear
sempurna dengan kemiringan (slope) negatif.
3.2.3. Perhitungan Cumulative Distribution Function (CDF)
Cumulative Distribution Function (CDF) dilakukan untuk menghitung
probabilitas dari kejadian. JikaFadalah CDF danxdanyadalah hasil, maka :
( ) () .................................................................................(3.1)
( ) ()..........................................................................(3.2)
( ) () ().......................................................(3.3)
Variabel yang digunakan dalam perhitungan adalah data curah hujan harian
TRMM dan dibandingkan dengan data curah hujan harian observasi. Kemudian
dilakukan validasi pada data TRMM menggunakan metode statistik bias
correctionagar dapat mendekati nilai observasi.
3.2.4. Bias Correction
Bias Correction dilakukan untuk membuat hasil CDF dari TRMM mendekati
CDF dari observasi dikarenakan data TRMM yang bersifat under-estimate atau
over-estimate terhadap data observasi. Persamaan 3.4 menjelaskan proses bias
correction, rasio untuk masing-masing kuantil antara observasi (P_Obsq) dan
estimasi present (E_Preq) diestimasikan. sebagai koefisien koreksi untuk
masing-masing kuantil ( ) dan dikalikan terhadap nilai estimasi future dari
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
28/51
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
29/51
4-1
BAB 4
HASIL DAN PEMBAHASAN
4.1. Downscaling Data TRMM
Data TRMM 3B42v6 dan 3B42v7 yang dipakai masih berupa data rain-rate 3
jam-an dan juga masih berupa data global, oleh karena itu perlu dilakukan
pemotongan wilayah sesuai wilayah kajian yang memiliki koordinat 7.0803230
LS
,107.6555010BT dan juga datanya harus diubah menjadi curah hujan
Perubahan dari rain ratemenjadi curah hujan dengan jangka waktu 3 jam adalah
dengan mengkalikan setiap nilai rain rate dengan nilai 3 untuk mendapatkan nilai
curah hujan dalam 3 jam. Kemudian untuk mendapatkan curah hujan dalam
selang waktu harian adalah dengan menjumlahkan nilai-nilai yang telah dikalikan.
4.2. Uji Normalitas dan Korelasi Data
Hal pertama yang dilakukan dalam penelitian ini adalah dengan melihat hubungan
dari ke-dua data, yaitu hubungan pada data curah hujan harian TRMM dan data
curah hujan harian pada observasi menggunakansoftwarestatistik.
4.2.1.
Uji Normalitas Data
Berikut adalah hasil keluaran software statistik untuk melihat persebaran
distribusi data TRMM dan data observasi:
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
30/51
4-2
Tabel 4.1 Uji Normalitas Data TRMM dan Data Observasi
Berdasarkan uji normalitas di atas didapat hasil bahwa kedua data tersebut
berdistribusi secara tidak normal karena memiliki nilai signifikan sebesar 0, oleh
karena itu untuk uji korelasi data akan dipakai uji korelasi Spearman.
4.2.2. Uji Korelasi Data
Berikut adalah hasil keluaran softwarestatistik untuk mengkorelasi data TRMM
dan data observasi:
Tabel 4.2 Uji Korelasi Data TRMM dan Data Observasi
Berdasarkan uji korelasi Spearman, didapatkan nilai korelasi sebesar 0.3832
dengan arah positif yang berarti bahwa korelasi antara data TRMM dan data
observasi memiliki ketergantungan antar data dengan korelasi yang lemah. Hal ini
memperlihatkan bahwa data TRMM cenderung under-estimate ataupun over-
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
31/51
4-3
estimateterhadap data observasi. Oleh karena itu perlu terlebih dahulu dilakukan
pendekatan pada data TRMM terhadap data observasi agar data TRMM dapat
dipakai untuk melihat kejadian hujan ekstrem.
4.3. Analisis Nilai Ekstrem
Pendekatan yang dilakukan dalam penelitian ini adalah menggunakan pendekatan
dengan menggunakan metode statistik Cumulative Distribution Function (CDF).
Penentuan indikasi kejadian hujan ekstrem yang dipakai adalah berdasarkanpenelitian yang telah dilakukan oleh Bodini dan Cossu (2010) yang menggunakan
ketinggian curah hujan harian yang berada diatas persentil 95 dalam CDF pada
waktu kajian. Kemudian dalam memvalidasikan data TRMM agar dapat
mendekati data observasi, dilakukan metode statistik bias correction
menggunakansoftwarematematik.
Perhitungan bias correction yang dilakukan adalah dengan menggunakanpendekatan pada beberapa kuantil. Kuantil yang diambil antara lain adalah dari
kuantil 0.01 sampai dengan kuantil 0.99 dengan jarak antar kuantilnya adalah
0.01.
4.3.1. Analisis Data Curah Hujan Harian
Berikut adalah hasil CDF data secara komposit dari tahun 2001 - 2012 yang telah
dilakukan bias correction.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
32/51
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
33/51
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
34/51
4-6
pada bulan Februari, April, Agustus, September, November dan Desember, CDF
data hujan TRMM bersifat under-estimatedan over-estimate terhadap CDF data
observasi. Kemudian pada gambar di atas telah dilakukan bias correction yang
membuat CDF data hujan harian TRMM mendekati nilai CDF data observasi. Hal
tersebut tetapi tidak berpengaruh pada time serieskeseluruhan data, dikarenakan
proses bias correction hanya mengoreksi pada CDF yang mana persebaran
datanya merupakan urutan data curah hujan dari yang nilai hujan paling kecil
sampai data hujan yang paling besar.
(a)
(b)
Gambar 4.3. Perbandingan Time Series curah hujan (a) TRMM vs Observasi dan
(b) TRMM-bias correctionvs Observasi
Gambar kiri merupakan time series antara curah hujan observasi dan TRMM,
sedangkan gambar kanan antara curah hujan observasi dan TRMM yang telahdilakukan bias correction.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
35/51
4-7
Gambar 4.4. CDF Data Curah Hujan Harian Soreang
Kejadian hujan pada tanggal 17 November 2012 memiliki curah hujan harian
sebesar 54.9295 mm dan setelah dilakukan bias score menjadi 77.0841 mm.
Melihat pada hasil CDF, dapat dilihat bahwa curah hujan 77.0841 mm berada
pada probabilitas 0.9814, yang artinya adalah bahwa akan terjadi hujan yang lebih
besar sama dengan 77.0841 mm dengan probabilitas hanya 1.86% dari
keseluruhan kejadian hujan harian selama 2001-2012, oleh karena itu dapatdikatakan kejadian pada tanggal 17 November 2012 sebagai kejadian hujan yang
langka.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
36/51
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
37/51
4-9
4.3.2. Analisis Curah Hujan 3 Jam-an
Gambar 4.6. CDF 3 Jam-an pada Soreang
Berdasarkan CDF 3 jam-an, dilakukan bias correction dengan mengambil nilai
bias correctiondari data harian sebagai pembanding untuk validasi data TRMM.
Curah hujan yang terjadi pada tanggal 17 November 2012 adalah 7.0601 mm,
39.6696 mm, 8.1999 mm dan setelah dilakukan bias correctionmenjadi 9.9076
mm, 55.6694 mm, 11.5071 mm. Melihat pada hasil CDF, dapat dilihat bahwacurah hujan 55.6694 mm berada pada probabilitas 0.994, yang artinya adalah
bahwa akan terjadi hujan yang lebih besar sama dengan 55.6694 mm dengan
probabilitas 0.6% dari keseluruhan kejadian hujan harian selama 2001-2012, oleh
karena itu dapat dikatakan kejadian pada salah satu data tanggal 17 November
2012 sebagai kejadian hujan yang langka.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
38/51
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
39/51
4-11
Gambar 4.8. CDF Hujan 3 Jam-an Musiman
Gambar di atas merupakan hasil CDF pada selang waktu 3 jam-an yang dibagi
menjadi tiap musim. CDF musiman ini kemudian dilakukan bias correction
sebagai verifikasi data TRMM dan kemudian hasil dari bias correction tersebut
akan dianalisis untuk melihat kejadian hujan ekstrem pada selang waktu 3 jam-an
secara musiman.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
40/51
4-12
Gambar 4.9. CDFBias CorrectionHarian Musiman
Berdasarkan hasil CDF harian yang telah dilakukan bias correction secara
musiman, dengan membandingkan seluruh CDF musim, pada persentil 95 sepertiyang terlihat pada gambar kanan, bahwa yang memiliki nilai curah hujan terbesar
adalah pada bulan Desember, Januari dan Februari sebesar 62.36 mm, sedangkan
untuk bulan pengamatan yaitu bulan November yang tergabung pada bulan
September, Oktober dan November berada pada peringkat kedua sebesar 58.65
mm, sehingga membuat bahwa CDF harian pada bulan DJF memiliki batasan
curah hujan yang lebih besar dibandingkan bulan-bulan lainnya. Kemudian
melihat kepada waktu kejadian penelitian, yaitu pada tanggal 17 November 2012,
hujan yang terjadi pada hari itu sebesar 77.0841 mm menurut data TRMM yang
telah dilakukan bias correction, memiliki nilai probabilitas sebesar 0.9887 yang
berarti bahwa akan terjadi hujan yang lebih besar sama dengan dari 77.0841 mm
adalah hanya sebesar 1.13%. Dengan mengacu pada batas hujan ekstrem yang
berada pada 5% teratas pada CDF, maka hujan harian pada tanggal 17 November
2012 dapat dikatakan sebagai hujan ekstrem.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
41/51
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
42/51
4-14
dikategorikan sebagai hujan ekstrem, tetapi pada curah hujan 55.6694 mm
memiliki nilai probabilitas sebesar 0.9906 yang berarti bahwa akan terjadi hujan
yang lebih besar sama dengan dari 55.6694 mm adalah sebesar 0.94%. Dengan
mengacu pada batas hujan ekstrem yang berada pada 5% teratas pada CDF, maka
hujan 3 jam-an pada tanggal 17 November 2012 dapat dikatakan sebagai hujan
ekstrem.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
43/51
5-1
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil perhitungan dan analisa yang telah dilakukan, dengan
menggunakan indikasi kejadian hujan ekstrem terjadi ketika probabilitas kejadian
hujannya berada pada 5% teratas pada CDF TRMM yang telah dilakukan bias
correctionmaka didapatkan kesimpulan untuk penelitian Tugas Akhir ini, yaitu:
Hujan pada tanggal 17 November 2012 secara harian sebesar 77.08041
mm memiliki probabilitas terjadi sebesar 1.86% dan secara 3 jam-an
sebesar 55.6694 mm memiliki probabilitas terjadi sebesar 0.6% mm pada
seluruh data set. Oleh karena itu, maka hujan harian dan 3 jam-an pada
tanggal 17 November 2012 dapat dikategorikan sebagai kejadian hujan
ekstrem.
Probabilitas kejadian hujan dengan selang waktu 3 jam-an pada tanggal 17
November 2012 memiliki probabilitas terjadi yang lebih ekstrem
dibandingkan dengan probabilitas kejadian hujan dengan selang waktu
harian pada tanggal 17 November 2012.
5.2. Saran
Untuk penelitian yang akan melanjutkan penelitian ini mengenai hujan ekstrem
pada daerah Soreang dengan menggunakan data TRMM, berikut adalah saran
yang penulis berikan :
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
44/51
5-2
Dianjurkan untuk mendeteksi indeks konvektif dan juga inti konvektif pada
hari kejadian menggunakan satelit Multi-functional Transport Satellite
(MTSAT).
Lakukan pengamatan pada waktu yang lebih banyak untuk melihat
karakteristik hujan ekstrem pada wilayah kajian, dan juga perluas wilayah
kajian dengan mengambil titik lebih dari satu pada TRMM
Perlu dilakukan identifikasi terhadap kejadian banjir pada kajian Tugas Akhir
ini dengan menggunakan bantuan statistik tambahan dan juga dengan
menggunakan model hidrologi. Salah satunya dengan menggunakan kurva
Depth Area Duration (DAD), yaitu untuk melihat kejadian hujan pada suatu
wilayah tertentu pada durasi waktu tertentu.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
45/51
DP-1
DAFTAR PUSTAKA
Bodini, A., dan Cossu, Q. (2010). Vulnerability Assessment of Central-East
Sardinia (Italy) to Extreme Rainfall Events. Journal of Natural Hazards and
Earth System Sciences, 61-72.
Carvalho, L., Jones, C., dan Liebmann, B. (2002). Extreme Precipitation Events in
Southeastern South America and Large-Scale Convective Patterns in the South
Atlantic Convergence Zone.Journal of Climate, 2377-2394.
Dahlan, M. S. (2011). Statistik untuk Kedokteran dan Kesehatan. Jakarta:
Salemba Medika.
Dauwani, K. N. (2012). Analisis Direct Run Off Studi Kasus Citarum Hulu.
Tugas Akhir Program Sarjana, Program Studi Meteorologi, Institut Teknologi
Bandung.
Feidas, H. (2010). Validation of satellite rainfall products over Greece.
Theoretical and Applied Climatology, 193-216.
Fu, G., Viney, N., Charles, S., dan Liu, J. (2010). Long-Term Temporal Variation
of Extreme Rainfall Events in Australia: 1910-2006. Journal of
Hydrometeorology, 950-965.
Gilli, M., dan Kellezi, E. (2003). An Application of Extreme Value Theory for
Measuring Risk.Elsevier Science.
Goswami, P., dan Ramesh, K. (2007). Extreme Rainfall Event: Vulnerability
Analysis for Disaster Management and ObservationSystem Design. Research
Report.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
46/51
DP-2
Hatchett, B., Vellore, R., dan Koracin, D. (2009). Statistical Downscaling of
Global Climate Models: An Overview of Methods.Annual NSF EPSCoR Western
Tri-State Consortium Meeting.Idaho.
Hernandez, A., Balling Jr, R., dan Barbar-Matinez, L. (2009). Comparative
Analysis of Indices of Extreme Rainfall Events: Variation and Trend from
Southern Mexico.Journal de Atmosfera, 219-228.
Hipel, K., dan Mc Leod, A. (1994). Time Series Modeling for Water Resource andEnviromental System.Amsterdam: Elsevier Science Pub Co.
Huffman, G., Adler, R., Bolvin, D., dan Nelkin, E. (2007). Characterizing
Precipitation Extremes in the TRMM Multi-Satellite Precipitation Analysis.
Maryland: NASA/GSFC;Science Systems and Applications, Inc.;University of
Maryland College Park.
Inomata, H., Takeuchi, K., dan Fukami, K. (2012). Development of A Statistical
Bias Correction Method For Daily Precipitation Data of GCM20. Journal of
Japan Society of Civil Engineers, 67(4), I_247-I_252.
Jones, C., Waliser, D., Lau, K., dan Stern, W. (2004). Global Occurrences of
Extreme Precipitation and Madden-Julian Oscillation: Observation and
Predictability.Journal of Climate, 4575-4589.
Kunkel, K., Andsager, K., dan Easterling, D. (1999). Long-term trends in extreme
precipitation events over the conterminous United States and Canada. Journal of
Climate, 2515-2527.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
47/51
DP-3
Maurer, E., dan Hidalgo, H. (2008). Utility of daily vs. monthly large-scale
climate data: an intercomparison of two statistical downscaling methods.
Hydrology and Earth System Sciences, 551-563.
Murphy, B., dan Jackson, P. (1997). Extreme Value Analysis: Return Periods of
Severe Wind Events in the Central Interior of British Columbia. Canada: Report
prepare for McGregor Model Forest Association.
Naveau, P., Nogaj, M., Ammann, C., Yiou, P., Cooley, D., dan Jomelli, V. (2005).Statistical Methods for the Analysis of Climate Extremes. Journal of Comptes
Rendus Geoscience. 337, 1013-1022.
Permana, G. (2009). Prediksi Ensemble Menggunakan CCAM Untuk Prakiraan
Peluang Kejadian Hujan di Pulau Jawa. Tugas Akhir Program Sarjana, Program
Studi Meteorologi, Institut Teknologi Bandung.
Salathe Jr, E. (2005). Downscaling simulations of future global climate
application to hydrolic modelling.International Journal of Climatology, 419-436.
Supari. (2012). Spatiotemporal Characteristics of Extreme Rainfall Events over
Java Island, Indonesia Case: East Java Province.Twente: ITC.
Wilks, D. (1995). Statistical Methods in the Atmospheric Sciences. Academic
Press, 575.
WMO. (1988). Analyzing Long Time Series of Hydrological Data with Respect to
Climate Variability. WCAP - No 3, WMO - TD No. 224.
WMO. (2009). Guidelines on Analysis of Extremes in Changing Climate in
Support of Informed Decisions for Adaptation. WCDMP.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
48/51
DP-4
Wood, D., Maurer, E., Kumar, A., dan Lettenmaier, D. (2002). Long-range
experimental hydrologic forecasting for the eastern United States. J. Geophys.
Res.-Atmos, 563-568.
Xie, P., dan Arkin, P. (1996). Analyses of global monthly precipitation using
gauge observations, satelllite estimates, and numerical model predictions. J.
Climate, 840-858.
Xie, P., Yatagai, A., Chen, M., Hayasaka, T., Fukushima, Y., Liu, C., et al.(2007). A Gauge-Based Analysis of Daily Precipitation over East Asia. Journal of
Hydrometeorology, 607-626.
Zipser, E., Cecil, D., Liu, C., Nesbitt, S., dan Yorty, D. (2006). Where are the
most intense thunderstorms on Earth?Bull. Amer. Meteor. Soc., 87, 1057-1071.
Zwillinger, Z. (2000). CRC Standard Probability and Statistics Tables and
Formulae.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
49/51
DP-5
UCAPAN TERIMA KASIH
Tidak lupa untuk segala sesuatu yang telah berlalu hingga tersusunnya Tugas
Akhir ini penulis ingin berterima kasih kepada :
Bapak dan Ibu atas kasih sayang yang tak terhingga, serta dukungan dan doa
tanpa henti selama hidup penulis sehingga penulis dapat menjadi anak seperti
sekarang dan menyusun buku Tugas Akhir ini.
Adik-adikku, Sasa dan Billy yang selalu memberikan semangat dan
kehangatan ketika pulang ke Jakarta kepada kakaknya.
Keluarga besar penulis yang selalu mendukung dan mendoakan penulis agar
selalu sehat dan sukses dalam perkuliahan di Institut Teknologi Bandung.
Bapak Tri Wahyu Hadi selaku dosen wali dan Kaprodi Meteorologi Institut
Teknologi Bandung, yang telah menyemangati dan menyadarkan penulis
untuk dapat kuliah dengan lebih baik.
Bapak Zadrach L. Dupe selaku pembimbing Tugas Akhir ini yang selalu
memberikan waktunya untuk mendengarkan permasalahan penulis dalam
menyelesaikan tugas akhir ini serta pemberian ilmu dan pengalaman mengajar
ilmu meteorologi kepada orang lain.
Bapak Armi Susandi selaku dosen wali terdahulu, yang telah mengajarkan
beberapa strategi untuk sukses dan memberikan berbagai pengalaman
mengajar dan bekerja.
Bapak dan Ibu Dosen Meteorologi Institut Teknologi Bandung yang telah
memberikan ilmu pengetahuan tentang meteorologi
Mas Edi yang telah memberi banyak masukkan dan inspirasi mengenai
penulisan Tugas Akhir ini, baik secara konseptual dan teknis.
Mas M. Ridho Syahputra dan Mbak Wirid Birastri yang telah mengajari teknis
pengerjaan Tugas Akhir ini serta selalu mengingatkan penulis untuk
menyelesaikan Tugas Akhir ini.
Kak Wulan Seizarwati dan staf bagian Hidrologi PUSAIR Bandung atas
bantuan data sehingga penulis dapat menyelesaikan Tugas Akhir ini.
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
50/51
DP-6
Mbak Winasti Mahatmya yang senantiasa menampung penulis di
Laboratorium Meteorologi Terapan dan menyemangati penulis untuk segera
lulus serta mengajak jalan-jalan ketika sudah penat dalam pengerjaannya.
Pak Maman, Pak Juhari, Mba Eka, Pak Wawan dan Ibu Ana yang sangat
membantu administrasi di tata usaha.
Bapak Cecep Hendrawan atas kesediaannya diwawancara ketika penulis
mencari informasi latar belakang Tugas Akhir ini.
Vaniessa Dewi Hapsari yang selalu menyemangati penulis dari awal kuliah di
Institut Teknologi Bandung sampai penulis dapat menyelesaikan Tugas Akhir
ini.
Luthfi I(pi)manal Satrya yang selalu membantu penulis baik siang dan malam
dalam penyelesaian Tugas Akhir ini dari keadaan penulis tidak mengerti
Matlab sama sekali hingga dapat menyelesaikan Tugas Akhir ini.
Andre Putra Arifin yang mana merupakan BRT rumah penulis yang
menyemangati saya dalam Tugas Akhir ini sambil berbagi pikiran dalam
pengerjaannya dan senantiasa membersihkan kotoran-kotoran Poko dan Abby
yang baunya membuat IQ penulis menurun drastis dan juga membantu
kehidupan rumah penulis tambah meriah.
Fidelis Nandywardhana, Nadira Saraswati dan Betha Januardi Budaya yang
memberikan bantuan moral dalam pengerjaan Tugas Akhir ini walaupun
terkadang membuat penulis tidak mengerjakan Tugas Akhir ini. Salam
Senang!
Rahardian Aji Saputra dan Sona Tristania yang seringkali berkunjung ke
rumah penulis membawa senyuman dan tawa canda serta semangat dalam
mengerjakan tugas akhir ini.
Laskar July, Peak, Farid, Dicky, Wibi, Ican, Gaol, Nurin, Novi, Puput, yang
saling memberi semangat dan motivasi untuk mengejar Wisuda Juli 2013.
Serta semangat buat Audhy dan Dias yang akan lulus (amin) di bulan juli
untuk wisuda Oktober.
Penghuni terdahulu rumah penulis, Ricko, Taufik, Luthfi, Rizki, Doni, Mariz,
Farid, Gintang, Ryan, Reza, Andre Amed dan juga teman-teman Meteorologi
-
8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi
51/51
2007 yang telah lulus, Karin, Dea, Made, Haris, Creta serta teman-teman
Meteorologi 2007 lainnya, Sam, Fauzan, Sheila yang akan segera lulus juga.
Teman-teman Bayu Tirta yang selalu memacu penulis untuk segera lulus.
Keluarga PS-ITB yang menemani keseharian penulis ketika awal kuliah serta
rasa kekeluargaan yang luar biasa dan menggembleng fisik dan teknik penulis
dalam bersepakbola. Kita Harus Menang!
Seluruh masa HMME baik yang saya ingat namanya maupun hanya saya ingat
mukanya, atas semangat dan canda-tawa yang diberikan.
Seluruh teman-teman Prevaloir, terutama Azki, Mandy, Fahmi, Givan, Agus
yang selalu menanyai kabar perkuliahan penulis dan memberikan semangat.
Seluruh orang yang telah membantu penulis dalam menyelesaikan perkuliahan
dan Tugas Akhir ini yang namanya tidak dapat penulis uraikan satu per satu.
Bandung, 17 Juni 2013
Pratikto Abiseno