indonesian undergraduate research journal for … · tralia, bertanggung jawab terhadap penerbangan...

INDONESIAN UNDERGRADUATE RESEARCH JOURNAL FOR GEOSCIENCE, VOL. 1, PP. 1–14, 2014 1

Prediksi Sebaran Abu Vulkanik di Udara denganMenggunakan Model PUFF

Prediction of Airborne Volcanic Ash DispersionUsing PUFF Model

Muhammad Rais Abdillah,∗a and Tri Wahyu Hadi,a

Abstrak—Uji coba prediksi (hindcast) sebaran abu vulkanik di udara dilakukan dengan menggunakan model dispersi abu vulkanikPUFF pada kasus letusan G. Merapi tanggal 5 dan 10 November 2010. PUFF mensimulasikan partikel abu dengan pendekatanLagrangian dan membutuhkan masukan data prediksi medan angin u (zonal) dan v (meridional) 4-dimensi. Data medan angindiperoleh dari model global National Center for Environmental Prediction-Global Forecast System (NCEP-GFS) dan dari modelregional Weather Research and Forecasting (WRF). Hasil prediksi sebaran abu diverifikasi dengan hasil deteksi abu dari citrasatelit Multifunctional Transport Satellites (MTSAT). Metode verifikasi sebaran abu menggunakan perhitungan penyimpangan sudutsebaran (α) dan perbandingan luasan sebaran (AR). Hasil simulasi pada kasus tanggal 10 November lebih akurat daripada kasus5 November karena hasil prediksi data medan angin pada tanggal 5 November kurang akurat. Dibandingkan dengan penggunaandata medan angin GFS, penggunaan data medan angin dengan data WRF menunjukkan peningkatan akurasi prediksi sebaran abu,namun demikian peningkatan yang terjadi tidak signifikan. Ketersediaan data WRF membutuhkan waktu yang lama karena perlunyaproses downscaling terlebih dahulu. Untuk prediksi sebaran abu sebagai respon cepat saat gunung api meletus, PUFF lebih cocokmengunakan data medan angin GFS karena datanya lebih cepat tersedia. Hasil sebaran model PUFF dengan data GFS tidak jauhberbeda jika menggunakan data WRF. Hasil penelitian ini bisa menjadi salah satu bagian dari langkah awal dalam pengembangansistem peringatan dini sebaran abu vulkanik bagi penerbangan di Indonesia.

Kata kunci—prediksi, abu vulkanik, model PUFF, medan angin, Global Forecast System, Weather Research and Forecasting

Abstract—The Merapi eruptions that occurred on 5 and 10 November 2010 are hindcasted by PUFF volcanic ash dispersion model.PUFF tracks particles using Lagrangian formulation. PUFF requires a set of 4-dimensional wind field of u (zonal) and v (meridional)winds prediction. Wind field datasets which derived from National Center for Environmental Prediction - Global Forecast System(NCEP-GFS) global model and Weather Research and Forecasting (WRF) regional model were used. The predicted distribution ofairborne volcanic ash is compared to satellite images of Multifunctional Transport Satellites (MTSAT). The methods of verification arebased on dispersion angle calculation (α) and dispersion area ratio (AR). For the case of the 10 November 2010 eruption, PUFF modelwas successfully predicts the dispersion of airborne volcanic ash accurately. For the case of the 5 November 2010 eruption, the ashdispersion prediction was quite deviated because the wind field forecast data was inaccurate. The use of wind field data that obtainedby of WRF model showed an improvement in ash dispersion prediction accuracy over the GFS data, however, the improvement is ratherinsignificant. PUFF with WRF data also needs more running time than using GFS data. PUFF with GFS wind field data is preferablebecause its output is sufficiently accurate and needs less running time compared to that when using WRF wind field. The results couldbe one of the first steps to develop volcanic ash rapid prediction for aviation in Indonesia.

Keywords—prediction, volcanic ash, PUFF model, windfield, Global Forecast System, Weather Research and Forecasting

F

1 PENDAHULUAN

AWAN abu (ash cloud) hasil letusan gunung apisangat berbahaya bagi lalu lintas penerbangan.

Ancaman yang paling besar adalah kegagalan mesinpesawat. Contoh pada tahun 1982, keempat mesin jetpesawat Boeing 747 mati saat terbang melintasi abuvulkanik letusan G. Galunggung (Casadevall, 1993).

a Program Studi Meteorologi, Institut Teknologi Bandung, Ganesha 10,Bandung 40132, Indonesia.

∗To whom correspondence should be addressed, E-mail: [email protected]

Manuscript received January 6, 2014; revised February 22, 2014;revised April 10, 2014; accepted April 24, 2014

Pada April 2010 seluruh penerbangan di Eropa ditutupakibat abu letusan Gunung Eyjafjallajkull, Islandia, danindustri penerbangan mengalami kerugian 1,7 milyardolar Amerika (Palsson, 2010; IATA, 2010). Dalam 30tahun terakhir, abu vulkanik telah menyebabkan lebihdari 100 pesawat mengalami kerusakan serta mengan-cam puluhan ribu nyawa manusia (Webley and Mastin,2009).

Untuk menanggulangi bencana akibat sebaran abuvulkanik, International Civil Aviation Organisation(ICAO) mendirikan Volcanic Ash Advisory Center(VAAC) (ICAO, 2004). Saat ini terdapat sembilan VAACdi seluruh dunia yang bertugas untuk monitoring danprediksi sebaran abu vulkanik agar terbangun sistem

2 INDONESIAN UNDERGRADUATE RESEARCH JOURNAL FOR GEOSCIENCE, VOL. 1, PP. 1–14, 2014

peringatan dini bagi penerbangan. VAAC Darwin, Aus-tralia, bertanggung jawab terhadap penerbangan diwilayah Indonesia. Namun, penelitian tentang prediksisebaran abu vulknik terhadap gunung api Indonesiabelum banyak dilakukan. Padahal Indonesia adalah ne-gara dengan gunung api aktif terbanyak di dunia. Dalamrentang dua tahun belakangan ini, terjadi dua letusankuat gunung api di Indonesia yaitu letusan G. Mer-api (2010) dan letusan G. Lokon (2011) (http://www.volcano.si.edu/reports/usgs/). Penerbangan domestikdan internasional di Indonesia juga semakin padat. Se-hingga penerbangan menjadi semakin rentan terhadapabu vulkanik. Penelitian ini mengembangkan bagiandari sistem peringatan dini ancaman sebaran abu vulka-nik bagi penerbangan di Indonesia.

Ada dua pendekatan yang biasa digunakan untukperingatan dini sebaran abu vulkanik, yaitu dengan mon-itoring (analysis) dan prediksi (forecast). Dengan prediksi,kita mengetahui kecenderungan arah sebaran dan lu-asan sebaran dalam beberapa jam ke depan. Makalahini bertujuan untuk meningkatkan kemampuan prediksicepat sebaran abu vulkanik bagi penerbangan di Indone-sia.

Pada umumnya, ada dua teknik dalam prediksi se-baran abu vulkanik, yaitu metode Lagrangian danEulerian. Metode Lagrangian mengasumsi awan abuvulkanik terdiri dari partikel-partikel dengan ukurantertentu sedangkan metode Eulerian memakai pen-dekatan berupa konsentrasi abu. Menurut Searcy et al.(1998), metode Lagrangian lebih unggul digunakandalam prediksi cepat. Model dispersi yang digunakandalam penelitian ini adalah model PUFF yang meng-gunakan metode Lagrangian. PUFF terbukti mampudalam prediksi sebaran abu vulkanik dan banyak dikem-bangkan (Searcy et al., 1998; Peterson and Dean, 2003;Webley et al., 2008; Daniele et al., 2009; Scollo et al.,2011). Saat ini PUFF digunakan oleh beberapa VAACdan instansi nasional di dunia seperti VAAC Anchor-age, VAAC Washington, dan Air Force Weather AgencyAmerika (AFWA) (Webley et al., 2009).

Model PUFF membutuhkan masukan data medan an-gin. PUFF adalah model trayektori partikel yang mem-butuhkan data inisial berupa medan angin horizontal u(zonal) dan v (meridional) dalam 4-dimensi (x,y,z,t). Didalam penelitian ini kami membandingkan dua modelsebaran abu untuk kasus yang sama. Kedua modelini dihasilkan dari dua data inisial medan angin yangberbeda. Data medan angin yang digunakan adalahdata hasil luaran model prediksi cuaca global olehNational Center for Environmental Prediction (NCEP)yang bernama Global Forecast System (NCEP-GFS atauGFS). Data satu lagi adalah hasil downscaling data GFSdengan model numerik cuaca regional Weather Researhand Forecast (WRF). GFS adalah model numerik spek-tral cuaca yang menghasilkan data operasional prediksicuaca (Sela, 1980; Kalnay et al., 1990; EMC, 2003).Data hasil model GFS dapat diakses melalui websitehttp://nomads.ncdc.noaa.gov/ dan data tersebut telah

banyak digunakan di seluruh dunia sebagai masukanmodel prediksi cuaca regional. WRF merupakan modelnumerik cuaca skala meso generasi baru yang bersifatopen-source dan telah dikembangkan sejak akhir tahun1990-an (Michalakes, 1999; Michalakes et al., 2004). WRFmempunyai komunitas pengguna yang besar di duniadengan lebih dari 20.000 pengguna pada 130 negara(http://wrf-model.org/).

2 DATA DAN METODOLOGI

Metodologi penelitian ini dibagi menjadi tiga langkahutama yaitu prediksi medan angin, prediksi sebaran abudengan PUFF, dan verifikasi. Uji coba prediksi (hindcast)dilakukan pada letusan kuat G. Merapi tahun 2010 diPulau Jawa. Gunung Merapi meletus beberapa kali padabulan Oktober - November 2010 (Pusat Vulkanologi danMitigasi Bencana Geologi; http://pvmbg.bgl.esdm.go.id/).

Letusan yang disimulasikan adalah saat letusankuat terjadi yaitu pada tanggal 5 dan 10 November2010. Alasan pengambilan kedua tanggal ini disebabkanoleh kondisi cuaca yang cukup berbeda di kedua haritersebut. Kondisi cuaca pada tanggal 5 November mem-perlihatkan banyak pertumbuhan awan (berdasarkaninterpretasi citra MTSAT) dan terjadi hujan di sekitar G.Merapi (Susilawati, 2012) (Gambar 1a). Sedangkan padatanggal 10 November cuaca sangat cerah (Gambar 1b).Perbedaan kondisi cuaca ini untuk menguji perbedaanhasil model sebaran abu. Perbedaan antara dua kasusyang berbeda pada kedua tanggal tersebut ditunjukkanpada Tabel 1.

Tabel 1Perbedaan kasus pada tanggal 5 dan 10 November 2010

5 Nov 2010 10 Nov 2010

Tinggi letusan(MSL*) 16 km 7,6 km

Waktu letusan** 04:00 WIB 08:00 WIBKondisi cuacaharian***

Banyak terbentukawan tinggi Cerah

* Dihitung dari Mean Sea Level. Diperoleh berdasarkan la-poran VAAC Darwin** Data waktu letusan tidak ditemukan pada sumber resmi.Waktu letusan diperoleh dari pola pertumbuhan sebaran abuyang dideteksi oleh satelit MTSAT*** Berdasarkan citra satelit MTSAT IR 1 (lihat Gambar 1)

2.1 Prediksi medan anginPUFF tidak dapat menghasilkan data prediksi medan

angin sendiri. Data prediksi medan angin diperoleh darimodel prediksi cuaca numerik. Penelitian ini menggu-nakan data medan angin dari model global GFS danregional WRF.

GFS merupakan model spektral yang dijalankan se-cara real-time empat kali sehari oleh NCEP untuk

http://www.volcano.si.edu/reports/usgs/

http://www.volcano.si.edu/reports/usgs/

http://nomads.ncdc.noaa.gov/

http://wrf-model.org/

http://pvmbg.bgl.esdm.go.id/

http://pvmbg.bgl.esdm.go.id/

ABDILLAH AND HADI, 2014: PREDICTION OF AIRBORNE VOLCANIC ASH DISPERSION USING PUFF MODEL 3

Gambar 1. Kondisi cuaca yang diinterpretasi oleh satelit MTSAT pada tanggal 5 November 2010 (a) dan 10 November2010 (b). Masing-masing menampilkan gambar pada pukul 07:00 dan 13:00 WIB

prediksi harian dengan keluaran tiap 3 jam. ModelGFS mempunyai waktu inisial (cycle) 00, 06, 12, dan18 UTC. Kemampuan prediksi global dari NCEP initelah meningkat secara signifikan dalam dua dekadeterakhir, meskipun kualitasnya di daerah tropis kurangbaik akibat sedikitnya pengamatan (Kalnay, 2003). Yuand Gerald (2003) juga menambahkan bahwa dalam GFSterdapat peningkatan kualitas prediksi yang tinggi padamedan angin dan tekanan dekat permukaan laut. Searcyet al. (1998) berhasil memprediksi sebaran abu vulkanikdengan model PUFF yang menggunakan data inisialangin dari model GFS pada kasus letusan G. Spurr,Alaska, 1992 dan G. Klyuchevskoy, Rusia, 1994.

Data prediksi cuaca hasil dari model GFS memi-liki resolusi yang rendah (0,5◦× 0,5◦). Untuk memper-oleh kualitas prediksi cuaca yang lebih detail, resolusispasial ditingkatkan (downscaling) dengan menggunakanmodel prediksi cuaca regional WRF. Data luaran modelglobal digunakan sebagai background (syarat awal dansyarat batas) untuk menjalankan prediksi dalam skalayang lebih kecil (Junnaedhi, 2008). Folch et al. (2008)berhasil memprediksi sebaran abu vulkanik dengan datamedan angin model WRF yang memakai backgrounddata GFS pada kasus letusan G. Chaitn, Chili, 2008.Model WRF yang digunakan memakai konfigurasi yangsama dengan model WRF untuk prediksi operasionalLaboratorium Analisis Prediksi Cuaca dan Iklim di In-stitut Teknologi Bandung (WCPL-ITB; http://weather.meteo.itb.ac.id) yang mempunyai dua domain (Gambar2). Penelitian dengan data WRF menggunakan domainterkecil (Domain 2) yang beresolusi 9 × 9 km. Beberapaparameterisasi yang digunakan oleh WCPL-ITB ditun-jukkan pada Tabel 2.

Data GFS yang digunakan adalah prediksi hingga

Tabel 2Parameterisasi model WRF yang digunakan

Jenis parameterisasi Nama parameterisasi

Kumulus Skema Kain-FritschMikrofisis Skema WSM 3-simple ice

Planetary boundary layer Skema MRF

Gambar 2. Domain 1 (grid 27 km) dan domain 2 (grid 9km) model WRF yang digunakan dalam penelitian. Datamedan angin WRF untuk masukan model PUFF berasaldari domain 2. Segitiga merah menunjukkan lokasi G.Merapi dan segi empat hijau menunjukkan stasiun tempatdata radiosonde diperoleh.

dua hari ke depan (48 jam) pada tanggal 4 November2010 cycle 18 dan 10 November 2010 cycle 00 beresolusispasial sekitar 55 × 55 km di daerah tropis. Kemudian

http://weather.meteo.itb.ac.id

http://weather.meteo.itb.ac.id


Gambar 3. Profil vertikal data angin radiosonde, GFS, dan WRF di Stasiun Soekarno-Hatta. (a) 5-Nov-2010 00:00(b) 5-Nov-2010 12:00 (c) 10-Nov-2010 00:00 dan (d) 10-Nov-2010 12:00 UTC.

data WRF diperoleh dengan downscaling hingga 9 ×9 km untuk dua hari ke depan menggunakan inisial(syarat awal) dan syarat batas dengan data GFS di keduatanggal tersebut. Data GFS dapat diperoleh melalui web-site NOMADS-NOAA (http://nomads.ncdc.noaa.gov/).Data hasil model WRF hanya dapat diperoleh melaluiproses running model di komputer sendiri.

2.2 Prediksi sebaran abu dengan PUFF

PUFF adalah model tracking abu vulkanik yang dikem-bangkan untuk simulasi pergerakan abu di udara se-cara cepat saat letusan suatu gunung api terjadi. Modelmemakai formulasi Lagrangian 3-dimensi untuk ad-veksi, difusi turbulen, dan sedimentasi (Searcy et al.,1998). Dalam langkah waktu ∆t, vektor posisi setiappartikel pada level tertentu dihitung dari t hingga t+∆toleh persamaan (1).

Ri(t+ ∆t) = Ri(t) +W (t)∆t+ Z(t)∆t+ Si(t)∆t (1)

Ri(t) adalah vektor posisi partikel ke-i pada waktu t,W (t) vektor adveksi berupa kecepatan angin horizontalpada tiap level, Z(t) vektor yang merepresentasikandispersi turbulen dengan gerak Brownian, dan Si(t)vektor sedimentasi atau pengendapan akibat pengaruhgravitasi yang tergantung dari ukuran partikel ke-i.

PUFF juga membutuhkan data inisial letusan yangpenting seperti lokasi letusan, waktu letusan, serta tinggiletusan atau tinggi plume. Kesalahan dalam penentuantinggi plume dapat mengakibatkan kesalahan prediksiakibat angin di tiap level berbeda-beda. Peterson andDean (2003) menyatakan tinggi plume adalah parameteryang paling berpengaruh terhadap hasil prediksi PUFF.

Informasi tinggi letusan diperoleh dari stasiun VAACDarwin, Australia. Tinggi letusan G. Merapi pada tang-gal 5 November 2010 adalah 16 km di atas permukaanlaut (dpl), sedangkan pada tanggal 10 November 2010setinggi 7,6 km dpl (Tabel 1).

PUFF hanya bisa membaca inputan berupa datamedan angin dengan format Network Common DataForm (NetCDF) time series dalam satu file dengan atributtambahan berupa waktu eksplisit dengan variabel val-time. Data inisial medan angin hasil model prediksicuaca harus dikonversi terlebih dahulu agar bisa dibacaoleh PUFF. Dibutuhkan waktu sekitar 30-40 menit untukkonversi data medan angin tersebut (dengan spesifikasikomputer pada Tabel 3).

PUFF memprediksi gerak partikel dengan jumlah ter-tentu. Semakin banyak jumlah partikel, maka distribusisebarannya akan semakin baik pula. Akan tetapi jum-lah partikel yang sangat banyak dapat memperlambatproses perhitungan. Menurut Searcy et al. (1998), se-makin banyak partikel yang dimodelkan maka hasilprediksi akan semakin baik. Dengan keterbatasan ke-mampuan komputer saat itu, mereka cukup memakaijumlah partikel berkisar 2.000-5.000 partikel untukprediksi cepat. Dengan mempertimbangkan kondisisumber daya komputasi yang tersedia untuk peneli-tian ini, ditentukan jumlah partikel yang disimulasikanadalah sebanyak 20.000 partikel.

PUFF mengasumsikan partikel-partikel yang disimu-lasikan berbentuk bola dengan jari-jari yang bervariasi.Perbedaan ukuran partikel ini berpengaruh terhadapsebaran abu di udara. Semakin besar ukuran partikelmaka rentang waktu hidupnya di udara semakin kecil.Penetapan jari-jari seluruh partikel yang disebar diten-tukan dengan distribusi normal yang mempunyai rataan



dan standar deviasi tertentu. Menurut Peterson andDean (2003), rataan jari-jari partikel yang cocok beradadi rentang 10−5 - 10−4 m sedangkan standar deviasinyaberada pada rentang 1-2. Untuk penelitian ini dipilihrataan sebesar 10−5 m dan standar deviasi sebesar 2dengan mempertimbangkan partikel yang hidup lebihlama di udara (rata-rata jari-jari lebih kecil) dan sebaranukuran partikel dengan rentang yang besar (standardeviasi tinggi).

Setelah jumlah dan nilai jari-jari partikel ditentukan,partikel disebar secara vertikal dengan tipe distribusitertentu. Ada tiga jenis distribusi sebaran partikel yangtersedia saat inisialisasi dalam model PUFF, yaitu lin-ear, exponential, dan poisson. Tipe linear mendistribusikansebaran jumlah partikel yang sama di setiap ketinggian.Tipe exponential menampilkan sebaran partikel yang naikterhadap ketinggian. Sedangkan yang terakhir partikeldisebarkan dengan distribusi poisson. Untuk prediksi 24jam ke depan atau lebih, perbedaan tipe distribusi abuvertikal tidak terlalu berpengaruh (Peterson and Dean,2003). Dalam penelitian ini, tipe distribusi abu vertikalyang dipilih menggunakan konfigurasi bawaan (default)dari model yaitu linear.

2.3 Verifikasi

Sebelum verifikasi sebaran abu vulkanik, dilakukanverifikasi medan angin terlebih dahulu. Pola medanangin hasil model GFS dan WRF untuk setiap tang-gal kejadian akan dibandingkan dengan data observasi.Keakuratan prediksi sebaran abu vulkanik sangat ter-gantung oleh seberapa tepat prediksi medan angin diwilayah sebaran.

Verifikasi medan angin dilakukan secara vertikalmaupun spasial. Untuk verifikasi sebaran angin secaravertikal digunakan data radiosonde. Data radiosondeberasal dari observasi di Stasiun Soekarno-Hatta (KodeStasiun: 96749) yang terletak sekitar 450 km dari pun-cak G. Merapi (Gambar 2). Observasi harian dilakukanpada pukul 00:00 dan 12:00 UTC. Data ini diperolehmelalu website University of Wyoming (UMYO; http://weather.uwyo.edu/) yang menyajikan seluruh dataradiosonde di dunia. Sedangkan untuk verifikasi medanangin secara spasial digunakan data National Centerfor Environmental Prediction (NCEP) Final (FNL). DataFNL berasal dari NCEP yang merupakan data anali-sis prediksi cuaca global operasional dengan resolusispasial 1◦× 1◦ setiap pukul 00:00, 06:00, 12:00, dan 18:00UTC. Data ini dihasilkan dari Global Data AssimilationSystem (GDAS) yang secara kontinu mengumpulkandata observasi dari Global Telecommunications System(GTS). FNL mempunyai 26 level dari 1000 mb hingga10 mb. Data FNL ini tersedia secara gratis di websitehttp://rda.ucar.edu/datasets/ds083.2/.

Verifikasi sebaran abu vulkanik dilakukan secarakomposit di seluruh level dengan citra satelit Multi-Functional Transport Satellite (MTSAT). Susilawati(2012) berhasil mendeteksi sebaran abu vulkanik dengan

sensor satelit MTSAT. MTSAT merupakan tipe satelit geo-stationary yang mempunyai lima kanal (band) beresolusitemporal 1 jam dan spasial 5,5 km.

3 HASIL DAN PEMBAHASAN

Verifikasi dan analisis dilakukan dengan membagilevel ketinggian menjadi tiga rentang Flight Level (FL):FL0-200 (level A), FL200-350 (level B), dan FL350-500(level C). Flight level adalah standar ketinggian dalampenerbangan. Satuan dalam kaki (feet) dengan datumberdasarkan MSL. FL200-350 artinya dari ketinggian20.000 hingga 35.000 kaki (1 kaki setara dengan 0,305meter).

3.1 Verifikasi angin

Perbandingan data medan angin GFS dan WRF padasetiap ketinggian dengan data radiosonde ditunjukkanpada Gambar 3. Tampak pola angin pada tanggal 5November 2010 yang dikeluarkan model GFS ataupunWRF kurang menyerupai data radiosonde dibandingkandengan pola angin tanggal 10 November 2010. Analisiskuantitatif data medan angin vertikal dilakukan denganmencari koefisien korelasi (r) dan Root Mean SquareVector Error (RMSVE) di tiap level (Gambar 4a). Per-samaan r dan RMSVE ditunjukkan pada persamaan(2) dan (3) di bawah ini. Notasi V , u, dan v menun-jukkan kecepatan angin resultan, angin zonal, dan anginmeridional masing-masing sebanyak n data. Subscript fdan o masing-masing menunjukkan data prediksi danobservasi.

r =

∑VfVo −

(∑

Vf)(∑

Vo)n√(∑

V 2f − (

∑Vf)

2

n

)(∑V 2o − (

∑Vo)

2

n

) (2)

RMSV E =

√√√√ 1

n

n∑1

(uf − uo)2

+ (vf − vo)2 (3)

Verifikasi spasial dengan data FNL dilakukan dengankomposit gambar vektor angin dan menghitung RMSVE(Gambar 4b). Pencarian korelasi bertujuan untuk meli-hat kesamaan fasa kecepatan angin sedangkan RMSVEmelihat besarnya error nilai angin u dan v. Nilai korelasiyang lebih baik adalah yang lebih mendekati satu. NilaiRMSVE yang lebih baik adalah yang lebih mendekatinol.

Data medan angin yang dibutuhkan untuk men-jalankan model PUFF pada letusan tanggal 10 Novem-ber 2010 sudah cukup merepresentasikan keadaan sebe-narnya di seluruh level (korelasi ∼ 0,75 dan RMSVE <5 m/s) (Gambar 4a dan Gambar 4b bawah). Pola vektorangin spasialnya juga lebih seragam dibandingkan padatanggal 5 November 2010 (Gambar 4b atas). Data medanangin pada tanggal 5 November 2010 kurang akurat

http://weather.uwyo.edu/

http://weather.uwyo.edu/

http://rda.ucar.edu/datasets/ds083.2/


Gambar 4. Verifikasi medan angin GFS dan WRF pada tanggal 5 dan 10 November 2010. (a) Verifikasi vertikaldengan membandingkan korelasi (atas) dan RMSVE (bawah) dari data rataan radiosonde Soekarno-Hatta pada pukul00:00 dan 12:00 UTC. (b) Verifikasi spasial dengan data FNL yang dikompositkan dalam satu gambar (atas) sertaperhitungan RMSVE (bawah). Data gridded GFS, WRF, dan FNL diinterpolasi agar verifikasi spasial vektor angindapat dilakukan.

ditunjukkan oleh korelasinya cukup rendah pada level Adan C (∼ 0,25) serta RMSVE mencapai 10 m/s (lebih dari30% kecepatan maksimum) pada level C. Penyimpangandata medan angin pada level C ini akan berpengaruhpada sebaran abu vulkanik pada tanggal 5 November2010 karena letusan pada tanggal tersebut sangat kuatdan mencapai level C.

Berdasarkan verifikasi vertikal, data angin WRF lebihakurat karena korelasi yang lebih tinggi dan RMSVEyang lebih rendah. Sedangkan pada verifikasi spasialdata angin, GFS memiliki nilai RMSVE yang lebihkecil dibandingkan dengan yang dimiliki oleh WRF.Meskipun demikian, perbandingan antara kualitas dataangin GFS dan WRF tidak terlalu signifikan.

Cuaca pada tanggal 10 November 2010 dapat lebihbaik diprediksi dibandingkan dengan tanggal 5 Novem-ber 2010. Hal ini disebabkan karena cuaca pada tanggal10 November lebih stabil (Gambar 1b). Pada tanggal5 November terdapat banyak gangguan atau sirkulasilokal (Gambar 1a) yang lebih susah diprediksi olehmodel cuaca dan akibatnya hasil prediksi angin kurangakurat. Perbedaan kualitas data angin pada kedua tang-gal juga dapat diakibatkan oleh lead time yang berbeda.Lead time adalah beda waktu hasil prediksi berdasarkanwaktu inisialnya. Semakin besar lead time, maka hasilprediksi semakin tidak akurat. Prediksi pada tanggal5 November mempunyai lead time tiga jam, sedangkanprediksi pada tanggal 10 November hanya satu jam.

3.2 Verifikasi sebaran abu vulkanik

Verifikasi dilakukan dengan menghitung perbedaansudut sebaran (α) dan perbandingan luasan sebaran (arearatio atau AR). Penjelasan ditunjukkan pada Gambar5 dengan persamaan (4) untuk α dan persamaan (5)

Gambar 5. Skema perhitungan analisis abu sebarandengan sudut sebaran (α) dan rasio luasan sebaran(area ratio atau AR). Simbol (G) dan lingkaran hitambesar merepresentasikan gunung api. Arsiran warna birudan merah masing-masing merepresentasikan awan abuhasil pengamatan dan model. T1 dan A1 masing-masingmerepresentasikan titik berat dan luasan awan abu hasilpengamatan. T2 dan A2 masing-masing merepresen-tasikan titik berat dan luasan awan abu hasil model.

untuk AR. T1 dan T2 adalah titik berat awan abu hasilpengamatan dan awan abu model. G adalah titik lokasigunung api. A1 dan A2 adalah luasan sebaran awanabu hasil pengamatan dan awan abu model. Prediksiyang akurat bernilai α rendah dan AR mendekati satu.Hasil analisis dari perhitungan sudut sebaran dan luasansebaran akan dibahas pada sub-bab selanjutnya.

α = 6 (T1GT2) (4)


AR =A2

A1(5)

Hasil running model PUFF berupa peta sebaran abuvulkanik dalam bentuk partikel (scatter). Verifikasi lang-sung sebaran abu model PUFF dalam bentuk partikelini dengan citra satelit MTSAT menyebabkan prediksiabu vulkanik hasil model melebar (overforecast). MenurutPavolonis (2006), hal ini disebabkan dalam pendeteksianawan abu vulkanik sensor satelit MTSAT memiliki keku-rangan. Sensor MSAT kurang sensitif terhadap awan abuyang berdensitas rendah, sehingga awan abu yang tam-pak oleh satelit luasannya lebih kecil daripada luasanabu sebenarnya. Kami mencoba sebuah metode agarperbandingan luasan sebaran abu antara hasil modeldan citra satelit lebih seimbang. Yaitu dengan mereduksisebaran abu hasil model yang konsentrasi atau densitas-nya kecil.

Untuk mengurangi densitas sebaran abu hasil model,yang dilakukan pertama kali adalah mengubah hasilsebaran yang dalam bentuk scatter menjadi bentuk gridatau kotak-kotak (contoh pada Gambar 6). Lalu nilaiyang ada pada tiap grid diperoleh dari integrasi darijumlah seluruh partikel yang ada pada seluruh levelketinggian (vertikal) dan lintang-bujur tertentu (horizon-tal). Selanjutnya diperoleh sebaran konsentrasi partikeldalam unit partikel/grid. Misal 1 partikel/grid artinyaterdapat 1 partikel abu dalam 0,05◦ lintang × 0,05◦

bujur × seluruh ketinggian. Kami memakai batasan nilaikonsentrasi yang lebih besar dari 5 partikel/grid adalahawan abu yang akan digunakan untuk analisis sebaran.Threshold ini diperoleh dari hasil uji coba pencocokansebaran hasil model dan satelit beberapa kali secarakualitatif. Belum ada penelitian yang menjelaskan sen-sitivitas konsentrasi partikel hasil model PUFF terhadapdeteksi satelit MTSAT. Bagaimanapun juga, penelitian inimenguji sebuah pendekatan baru dalam verifikasi hasilmodel PUFF.

3.3 Analisis sebaran3.3.1 Kasus letusan pada tanggal 5 dan 10 November2010

Pada kasus tanggal 5 November 2010, PUFF mem-prediksi terdapat dua awan abu yang tersebar ke arahyang berbeda, tetapi dari citra satelit hanya terdapat satuarah awan abu (Gambar 7a). Kami menganalisis masing-masing awan abu tersebut dengan memberi label hasilprediksi sebaran abu yang menuju ke arah barat lautdisebut awan abu I (AA1) dan sebaran abu yang men-garah ke barat daya disebut awan abu II (AA2). Darikedua awan abu tersebut, tidak satupun yang benar-benar akurat dengan citra satelit. Setidaknya AA1 lebihbaik dengan nilai AR1 yang mendekati satu dan α1

sekitar 20◦. AA2 lebih jauh menyimpang dari sebaranabu yang dideteksi oleh satelit. Hasil prediksi sebaranabu vulkanik pada tanggal 5 November 2010 kurangbaik.

Gambar 6. (a) Sebaran abu vulkanik yang ditampilkanberupa partikel dengan warna menunjukkan ketinggianpartikel. (b) Sebaran abu vulkanik yang ditampilkanberupa densitas partikel per grid untuk seluruh keting-gian.

PUFF berhasil memprediksi sebaran abu secara akuratpada kasus tanggal 10 November 2010. Dapat dilihatpada Gambar 7b arah sebaran abu sangat mirip (α∼1,5◦) dan luasan sebarannya juga tidak terlalu mele-bar terutama dengan memakai data medan angin WRF(ARGFS = 2,78; ARWRF = 1,45).

Alasan mengapa prediksi pada tanggal 5 November2010 kurang akurat dan verifikasi yang kurang validdijelaskan dalam poin-poin di bawah ini:• Data prediksi medan angin pada tanggal tersebut

kurang akurat. Terutama pada level terbawah (levelA) dan teratas (level C). Sehingga arah sebaranawan abu juga kurang akurat (Gambar 3 dan Gam-bar 4).

• Sensor satelit MTSAT tidak bisa mendeteksi abuyang berdensitas rendah dan banyak hambatanseperti awan, terutama awan dingin (Susilawati,2012; Pavolonis, 2006). Pada tanggal 5 Novem-ber 2010 banyak terjadi pertumbuhan awan. Ver-ifikasi dengan hasil model menjadi kurang validkarena banyak sebaran abu yang tidak terdeteksioleh MTSAT. Perhatikan perbandingan deteksi abucitra satelit Moderate Resolution Imaging Spectro-radiometer (MODIS; http://earthobservatory.nasa.gov/IOTD/view.php?id=46837) dan citra satelitMTSAT (Susilawati, 2012) pada Gambar 8. Terli-

http://earthobservatory.nasa.gov/IOTD/view.php?id=46837

http://earthobservatory.nasa.gov/IOTD/view.php?id=46837


Gambar 7. Prediksi sebaran abu vulkanik hasil dari model PUFF dan data pengamatan sebaran abu vulkanik daricitra satelit MTSAT. Data pengamatan digunakan untuk memverifikasi prediksi sebaran abu vulkanik. (kiri) Plot shadedmerupakan hasil prediksi sebaran abu vulkanik sedangkan plot kontur adalah deteksi satelit. (kanan) Verfikasi arahsebaran model dengan citra satelit pada pukul 14:00 WIB. Vektor hitam menunjukkan arah dari lokasi G. Merapi ketitik berat luasan awan abu vulkanik berdasarkan citra satelit. Sedangkan vektor biru menunjukkan arah ke titik beratluasan awan abu dari hasil prediksi. α adalah beda sudut arah sebaran dan AR adalah area ratio sebaran. (a) Kasus5 November 2010, label AA1 menunjukkan awan abu I sedangkan AA2 menunjukkan awan abu II. (b) Kasus 10November 2010.

hat wilayah sebaran yang terdeteksi oleh MODISjangkauannya lebih lebar. Kondisi cuaca saat itujuga terdapat banyak awan. Sehingga ada kemungk-

inan AA2 berada di ketinggian rendah dan tidakterdeteksi karena terhalangi oleh awan (penjelasanlebih lanjut pada sub-bab 3.3.2). Data MODIS tidak


digunakan sebagai pembanding hasil model karenasifat orbitnya yang tidak geostasioner.

• Cuaca pada tanggal 5 November 2010 cukup kom-pleks. Banyak terjadi pertumbuhan awan tinggi(Gambar 1). Presipitasi juga tercatat mulai pukul15:00 di Sleman, Yogyakarta (Susilawati, 2012). Hu-jan dapat mempercepat proses endapan abu dalambentuk deposisi basah. Sehingga konsentrasi abu diudara menjadi berkurang. Kondisi ini merupakankelemahan dari model PUFF yang tidak memper-hitungkan parameter presipitasi. PUFF juga tidakmemasukkan komponen angin vertikal sebagai datamasukan.

Prediksi data angin pada tanggal 10 November 2010jauh lebih baik daripada tanggal 5 November 2010.Cuaca pada tanggal 10 November di sekitar G. Merapicukup cerah. Tidak ada pembentukan awan-awan tinggidan kondisi angin yang didominasi oleh angin skalabesar. Sehingga prediksi pada tanggal 10 Novembermenghasilkan sebaran yang jauh lebih akurat.

Gambar 8. Perbandingan deteksi abu vulkanik olehsatelit MODIS Terra (garis putus-putus hitam) dan MTSAT(shaded merah: deteksi langsung; garis biru: analisis kon-tur) pada pukul 10:00 WIB. Gunung Merapi ditunjukkandengan segitiga hijau.

3.3.2 Dispersi tiap lapisanUntuk analisis dan interpretasi sebaran lebih lanjut,

prediksi sebaran abu dilihat dalam Flight Level (FL) yangberbeda-beda. Peta sebaran partikel di tiap lapisan terse-but dapat memudahkan interpretasi pengamat terutamapilot dalam menjalankan pesawat terbang yang terbangdi berbagai ketinggian. Analisis prediksi sebaran abudi level A, B, dan C pada tanggal 5 dan 10 November2010 untuk prediksi +6, +12, dan +24 jam setelah letusanditunjukkan pada Gambar 9.

Gambar 9a (kasus letusan 5 November 2010) pada+6 jam prediksi cukup menjelaskan mengapa pada veri-fikasi sebelumnya terdapat dua awan abu yang berbeda.Awan abu I (yang mengarah ke barat) adalah awanabu pada level tinggi (level B dan sedikit di levelC). Sedangkan awan abu II yang mengarah ke selatan

hanya terdapat pada level rendah (level A). Seperti yangditunjukkan dalam Gambar 7a, sensor MTSAT tidakmenangkap sebaran abu yang mengarah ke selatan yangkemungkinan besar itu terdapat pada level rendah.

Letusan pada tanggal 5 November sangat kuat se-hingga tampak pada lapisan paling atas (level C). Na-mun konsentrasinya tinggi hanya pada 6 jam pertamasetelah letusan. Pada 24 jam setelah letusan, arah sebaranke barat-barat daya (Gambar 9a level B). Arah padawaktu ini sama dengan citra satelit MTSAT pada 6 jampertama. Awan abu terkonsentrasi pada level tengah(level B) dan mencapai Samudra Hindia di bujur 102◦BTsetelah 24 jam pertama.

Pada tanggal 10 November 2010 letusan yang terjadilebih kecil. Sebaran abu hampir tidak terlihat pada levelC (Gambar 9b). Sebaran abu mengarah ke barat-baratlaut. Awan abu pada level A cenderung mengarah keutara dan awan abu pada level B cenderung ke selatan.Ini menunjukkan pengaruh dari arah medan angin yangsedikit berbeda di kedua ketinggian tersebut.

3.3.3 Trayektori Partikel Abu VulkanikPerilaku partikel abu vulkanik dianalisis dengan

mengambil tiga sampel partikel di tiap letusan. Tigasampel tersebut diambil secara acak pada ketinggianyang berbeda-beda. Ukuran ketiga sampel partikelnyarelatif sama yaitu berada di rentang 10−5 hingga 5 ×10−5 m. Hasil sebaran sampel partikel abu vulkanikditampilkan pada Gambar 10. Panel kiri adalah sebarandalam penampang horizontal dan panel kanan dalampenampang vertikal.

Berikut analisis pada panel-panel Gambar 10 kiri yangpartikelnya diamati secara horizontal. Pada panel (a)dan (b) kiri, partikel merah, hijau, dan biru bergeraktidak beraturan ini karena angin lokal lebih dominanpada tanggal 5 November 2010. Pada panel (c) dan(d), ketiga sampel partikel bergerak konsisten ke arahbarat-barat laut. Angin timuran skala besar mendomi-nasi gerak partikel di udara pada tanggal 10 November2010. Pada panel (c), seluruh partikel tersebar lebih jauhdaripada partikel panel (d) padahal perbedaan besarandata medan angin GFS dengan WRF tidak signifikan(Gambar 4b panel atas, panjang vektor angin). Perbe-daan ukuran grid horizontal pada data GFS dan WRFmempengaruhi sebaran abu. Grid GFS yang lebih besarmenyebabkan faktor gerak Brownian memiliki peluanglebih besar dalam jangkauan sebaran tiap grid secarahorizontal.

Pada Gambar 10a kanan, umumnya partikel merah,hijau, dan biru bergerak acak secara vertikal. Partikel hi-jau pada panel (a) dan partikel biru pada panel (b) lebihcepat mengendap ke permukaan. Partikel merah danbiru pada panel (a) serta partikel merah dan hijau padapanel (b) menunjukkan gerak vertikal ke atas lebih be-sar daripada gerak oleh faktor sedimentasi. Pada panel(c), ketiga partikel tidak jatuh ke permukaan. Bahkanpartikel biru dapat naik dari ketinggian 5 km sampai12 km. Partikel hijau paling rendah level ketinggiannya,


Gambar 9. Prediksi sebaran konsentrasi abu vulkanik di tiga rentang ketinggian FL0-200 (level A) panel kolom kiri,FL200-350 (level B) panel kolom tengah, FL350-550 (level C) panel kolom kanan. Kelompok panel (a) dan (b) adalahprediksi pada tanggal 5 dan 10 November 2010 dengan data medan angin WRF. Sebaran pada +6, +12, dan +24jam setelah letusan dapat dilihat berurutan dari atas ke bawah. Sebaran pada FL0-200 juga menggambarkan partikelyang ketinggiannya nol meter dari tanah. G. Merapi ditunjukkan dengan segitiga merah.

sehingga pada panel (c) kiri partikel bergerak lebih lam-bat dan arahnya sedikit berbeda menunjukkan medanangin pada level tersebut lebih lemah (Gambar 3)danberbeda dengan level ketinggian yang dilalui partikelmerah dan biru. Analisis pada panel (d) mirip denganpanel (c) yaitu ketiga partikel sama-sama cenderungbergerak ke atas secara konstan. Namun pada prediksi+12 jam hingga +24 jam, ketiga partikel pada panel (d)tidak bergerak ke atas lagi, kecuali partikel merah adapeningkatan ketinggian pada +18 jam.

PUFF tidak memasukkan parameter angin vertikaldalam proses dispersinya. Proses pengangkatan dipen-garuhi oleh gerak turbulen yang acak (gerak Brown-ian) sedangkan sedimentasi partikel dipengaruhi olehkecepatan terminal akibat fungsi dari jari-jari partikel.Arah sebaran horizontal tiap partikel berbeda karena

partikel-partikel tersebut berada di ketinggian yangberbeda dengan medan angin yang berbeda pula. Anginpada level tinggi kecepatannya lebih besar (Gambar 3),sehingga menyebabkan partikel dengan letusan tinggisebarannya lebih jauh daripada letusan kecil.

3.3.4 Lama running model

Untuk menjalankan model prediksi sebaran abuvulkanik dengan menggunakan model PUFF sebanyak20.000 partikel selama 24 jam dibutuhkan waktu sekitar45 menit dengan data GFS dan 153 menit dengan dataWRF (GFS/WRF = 1/3,4). Proses yang memakan waktupaling lama adalah pada tahap inisialisasi. Tahap run-ning inti model PUFF hanya berkisar sekitar satu menitdan pemrosesan keluaran hingga menjadi gambar yangdapat diinterpretasi membutuhkan waktu lima menit


Gambar 10. Analisis trayektori dengan 3 sampel partikel berbeda (merah, hijau, dan biru) setiap 3 jam setelah letusanoleh medan angin pada tanggal 5 November 2010 dengan data GFS (a) dan WRF (b), serta tanggal 10 November2010 dengan data GFS (c) dan WRF (d). Sampel partikel diambil secara acak untuk melihat perilaku sebaran partikelsecara horizontal (kiri) dan vertikal (kanan).

(Gambar 11).Proses inisialisasi data medan angin WRF lebih lama

karena membutuhkan waktu tambahan untuk men-jalankan model cuaca regional. Lama running model jugaditentukan dengan cakupan area yang dimodelkan dankemampuan komputer yang digunakan. Luasan domainditunjukkan pada Gambar 2 dan spesifikasi komputeryang digunakan di WCPL ditunjukkan oleh Tabel 3.

3.3.5 Perbandingan hasil sebaran dengan data GFSdan WRF

Prediksi sebaran abu vulkanik model PUFF dengandata WRF menghasilkan prediksi yang lebih akurat dari-pada menggunakan data GFS, tetapi perbedaan di an-tara keduanya tidak terlalu signifikan (Gambar 7). Hasilprediksi sebaran abu dengan data GFS lebih melebardaripada dengan data WRF (ARGFS > ARWRF ). Hal initerjadi karena PUFF memakai formulasi gerak Brownian(random walk) sebagai penggambaran dispersi turbulen.Partikel digerakkan secara acak dalam satu kotak grid 3-

Tabel 3Spesifikasi komputer yang digunakan untuk running

model PUFF dan WRF

Untuk model PUFF Untuk model WRF

Processor Intel Xeon E5506 (4cores)

AMD Opteron 6172(24 cores)

Memory 4 GB 32 GBOperatingSystem OpenSuSE 11.4 OpenSuSE 11.4

dimensi. Semakin luas kotak atau grid data angin, makapeluang partikel untuk tersebar lebih jauh semakin be-sar. Data angin GFS yang beresolusi spasial sekitar 55 km(0,5◦) menyebabkan dispersi partikel menjadi lebih luasdibandingkan dengan menggunakan data WRF yanghanya beresolusi 9 km.


3.3.6 Early warning systemAgar terbentuk sistem peringatan dini (early warning

system) sebaran abu vulkanik gunung api yang baik,dibutuhkan model dengan prediksi yang akurat dancepat. Berdasarkan hasil verifikasi dan analisis di atasdapat dilihat model PUFF cukup akurat jika data medananginnya baik. Waktu running juga tidak terlalu lama.Prediksi model PUFF dengan menggunakan data WRFlebih akurat dibandingkan dengan data GFS. Tapi untukmemperoleh informasi tersebut dibutuhkan waktu yangtidak sedikit yaitu sekitar 2,5 jam.

Dalam dua jam pertama setelah letusan, hasil prediksidengan data GFS cukup baik dan belum melebar (Gam-bar 6). Reduksi densitas sebaran abu juga berhasil men-gurangi cakupan abu yang terlalu luas akibat penggu-naan data GFS. Untuk keperluan early warning system,penggunaan model PUFF dengan data GFS (lama run-ning 45 menit) lebih layak digunakan daripada dataWRF. Untuk perbaikan kualitas hasil prediksi, modelPUFF dengan data WRF dapat digunakan setelah me-nunggu tiga jam setelah dihasilkan prediksi pertamadengan data GFS.

Gambar 11. Perbedaan lama running model PUFF den-gan data GFS dan WRF dari tahap inisialisasi hinggapemrosesan gambar.

4 KESIMPULANBerdasarkan uji coba hindcast sebaran abu vulkanik G.

Merapi pada tanggal 5 dan 10 November 2010, modeldispersi abu vulkanik PUFF berhasil memprediksi se-baran abu vulkanik hingga satu hari ke depan. Hasilsebaran dapat ditampilkan dalam bentuk sebaran par-tikel atau densitas di tiap level. Kualitas prediksi sebaranabu bergantung pada kualitas prediksi data medan an-gin dan kondisi cuaca pada saat letusan berlangsung.Hasil model sebaran abu vulkanik pada tanggal 10November 2010 lebih akurat dibandingkan dengan hasiluntuk kejadian tanggal 5 November 2010. Hal ini dikare-nakan data medan angin pada tanggal 10 November

cukup mereprensentasikan keadaan sebenarnya. Sedan-gkan untuk tanggal 5 November data medan anginkurang akurat karena banyak petumbuhan awan tinggipada saat itu. Data prediksi medan angin akurat karenatidak banyak gangguan lokal pada tanggal 10 November2010.

Secara keseluruhan hasil model PUFF dengan datahasil model regional WRF menghasilkan kualitas se-baran yang lebih akurat dibandingkan dengan menggu-nakan data model GFS. Tetapi waktu yang diperlukanuntuk running model PUFF dengan data WRF lebih lamadibandingkan dengan menggunakan data GFS.

Model PUFF dapat diterapkan untuk keperluan sistemperingatan dini prediksi abu vulkanik yang cepat danakurat di Indonesia. Model PUFF dengan data GFScocok untuk dijalankan di beberapa jam pertama letusankarena hasilnya cepat diperoleh. Sedangkan prediksidengan data WRF dapat diberikan sebagai perbaikan(update) kualitas prediksi setelah tiga jam pertama le-tusan. Jika kemampuan komputer rendah, lebih baikhanya menggunakan data GFS karena data ini sudahtersedia dan dapat diakses melalui internet (http://nomads.ncdc.noaa.gov/). Namun jika kemampuan kom-puter yang dimiliki sangat bagus, prediksi model PUFFakan lebih baik dengan langsung memakai data WRFyang dihitung terlebih dahulu.

5 SARANPenelitian tentang prediksi sebaran abu vulkanik di

Indonesia masih sangat sedikit. Penelitian ini masihterdapat kekurangan. Peningkatan efisiensi metode kon-versi data medan angin hasil model prediksi cuaca men-jadi format model PUFF juga sangat diharapkan karenakonversi data dengan metode yang ada saat ini cukupmemakan waktu. Akibatnya inisialisasi data medan an-gin di awal cukup lama. Kemampuan komputer untukmelakukan simulasi juga berpengaruh.

Data-data erupsi yang dibutuhkan oleh model PUFFtersedia dengan terbatas. Hasil prediksi medan angindiverifikasi secara vertikal dengan data satu stasiunmeteorologi yang letaknya jauh dari G. Merapi. Dataletusan yang diperoleh dari sumber resmi tidak rinci.Tidak ditemukan data yang detail tentang waktu dimu-lainya letusan pada tanggal 5 dan 10 November 2010.Informasi tentang distribusi massa abu vulkanik saatletusan terjadi juga tidak ditemukan.

Untuk running model PUFF, penelitian ini hanyalahmenggunakan data pengukuran untuk parameter tinggiletusan. Sedangkan parameter lain yang dibutuhkanhanyalah berdasarkan asumsi. Masih ada parameter laindalam model PUFF yang dapat diuji dalam penelitianselanjutnya jika ada dukungan ketersediaan data seperti:nilai difusi abu vulkanik, distribusi massa abu vertikal,atau tinggi dasar abu. Berbagai macam parameter yangbisa diatur dijelaskan dalam buku Users Manual PUFF(Peterson, 2006). Penelitian tentang parameter-parameteryang cukup sensitif dilakukan oleh Peterson and Dean(2003).




Model PUFF masih terus dikembangkan. Penamba-han proses perhitungan numerik dalam model memu-ngkinkan performa model PUFF menjadi lebih baik.PUFF hanya memperhitungkan medan angin horizontal.Penambahan perhitungan gerak partikel dengan tam-bahan inisial medan angin vertikal dapat memperbaikikinerja model PUFF. Proses deposisi dengan presipitasijuga memungkinkan untuk ditambah di dalam model.

Penelitian ini memakai citra satelit MTSAT yangmampu memonitor awan abu vulkanik G. Merapi tiapjam karena orbitnya yang geostasioner. Penemuan ter-baru algoritma deteksi abu vulkanik dari citra satelitIR (infrared) MTSAT memungkinkan pendeteksian abumenjadi lebih baik jika dibandingkan dengan hanyamengambil citra visible satelit saja. Namun MTSATmemiliki kelemahan dalam hal resolusi spasial dan sen-sitivitas terhadap densitas abu. Pemakaian citra satelityang lebih baik resolusinya dapat digunakan agar diper-oleh verifikasi yang lebih valid. Beberapa penelitianprediksi abu vulkanik menggunakan citra satelit beres-olusi lebih tinggi seperti MODIS (Folch et al., 2008) danAVHRR (Webley et al., 2008).

UCAPAN TERIMA KASIH

Penelitian ini dilakukan di Laboratorium AnalisisPrediksi Cuaca dan Iklim (WCPL), Program Studi Me-teorologi, Institut Teknologi Bandung. Terima kasihkepada Bapak I. D. G. Junnaedhi, Luthfi Imanal Satrya,dan teman-teman di laboratorium yang sering menyedi-akan waktunya untuk berdiskusi tentang penelitian ini.Saya juga sangat berterima kasih kepada Rorik Petersondi University of Alaska Fairbanks yang memberi sarandan masukan terhadap penelitian ini. Terima kasih jugakepada dua reviewer beserta editor atas saran-sarannyayang berharga.

DAFTAR PUSTAKA

Casadevall T. J. (1993). Volcanic hazards and aviationsafety: Lessons of the past decade. FAA Aviation SafetyJournal, 2(3):1–11.

Daniele P., Lirer L., Petrosino P., Spinelli N., and PetersonR. (2009). Applications of the PUFF model to forecastsof volcanic clouds dispersal from Etna and Vesuvio.Computers and Geosciences, 35(5):1035 – 1049.

EMC . National Center for Environmental Predictionoffice note 442: The GFS atmopheric model. Technicalreport, Environmental Modeling Center, NOAA, Nat.Wea. Service, U.S. Dep. of. Commerce, 2003.

Folch A., Jorba O., and Viramonte J. (2008). Volcanicash forecast – application to the May 2008 Chaiteneruption. Natural Hazards and Earth System Science, 8(4):927–940.

IATA . (2010). International Air Transport Associationeconomic briefing: The impact of Eyjafjallajokull vol-canic ash plume. IATA Economics.

ICAO . Handbook on the International Airways VolcanoWatch (IAVW). International Civil Aviation Organiza-tion., 2004.

Junnaedhi I. D. Pengaruh asimilasi data dengan metode3DVAR terhadap hasil prediksi cuaca numerik di In-donesia. Tugas Akhir, 2008.

Kalnay E. Atmospheric modeling, data assimilation andpredictability. Cambridge University Press, Cambridge,UK, 2003.

Kalnay E., Kanamitsu M., and Baker W. E. (1990). Globalnumerical weather prediction at the National Meteo-rological Center. Bulletin of the American MeteorologicalSociety, 71(10):1410–1428.

Michalakes J. Design of a next-generation regionalweather research and forecast model. In Towards Tera-computing : The Use of Parallel Processors in Meteorology,1999.

Michalakes J., Dudhia J., Gill D., Henderson T., KlempJ., Skamarock W., and Wang W. The weather researchand forecast model: Software architecture and perfor-mance. Technical report, 2004.

Palsson T. The eyjafjallajokull eruption: a systemicperspective. In IASCC Conference, 2010.

Pavolonis M. J. Improved satellite-based volcanic ashdetection and height estimates. In The 12th Conferenceon Aviation Range and Aerospace Meteorology, 2006.

Peterson R. PUFF UAF User’s Manual. PUFF UAF User’sManual, Geophysical Institute, University of AlaskaFairbanks, Alaska, 2006.

Peterson R. and Dean K. Sensitivity of PUFF: A vol-canic ash particle tracking model. Technical report,Geophysical Institute, University of Alaska Fairbanks,2003.

Scollo S., Prestifilippo M., Coltelli M., Peterson R., andSpata G. (2011). A statistical approach to evaluatethe tephra deposit and ash concentration from PUFFmodel forecasts. Journal of Volcanology and GeothermalResearch, 200(3–4):129 – 142.

Searcy C., Dean K., and Stringer W. (1998). Puff: Ahigh-resolution volcanic ash tracking model. Journalof Volcanology and Geothermal Research, 80(1–2):1 – 16.

Sela J. G. (1980). Spectral modeling at the NationalMeteorological Center. Monthly Weather Review, 108(9):1279–1292.

Susilawati A. Identifikasi debu vulkanik menggunakansatelit MTSAT-2. Tugas Akhir, 2012.

Webley P., Atkinson D., Collins R. L., Dean K., FochesattoJ., Sassen K., Cahill C. F., Prata A., Flynn J., and Mizu-tani K. (2008). Predicting and validating the trackingof a volcanic ash cloud during the 2006 eruption ofMt. Augustine volcano. Bull. Amer. Meteor. Soc.

Webley P. and Mastin L. (2009). Improved prediction andtracking of volcanic ash clouds. Journal of Volcanologyand Geothermal Research, 186(1–2):1 – 9.

Webley P., Dean K., Bailey J., Dehn J., and PetersonR. (2009). Automated forecasting of volcanic ashdispersion utilizing virtual globes. Natural Hazards,51(2):345–361.


Yu T. and Gerald V. Evaluation of ncep operationalmodel forecast of surface wind and pressure field overthe oceans. Technical report, Washington: NCEP, 2003.

indonesian undergraduate research journal for … · tralia, bertanggung jawab terhadap penerbangan...

Documents