ANALISIS DAMPAK PERUBAHAN TUTUPAN LAHAN HUTAN TERHADAP IKLIM DI PULAU KALIMANTAN MENGGUNAKAN MODEL IKLIM REGIONAL (REMO) SOFYAN AGUS SALIM G

ANALISIS DAMPAK PERUBAHAN TUTUPAN LAHAN HUTAN TERHADAP IKLIM DI PULAU KALIMANTAN MENGGUNAKAN MODEL IKLIM REGIONAL (REMO)

SOFYAN AGUS SALIM G02400013

DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

ANALISIS DAMPAK PERUBAHAN TUTUPAN LAHAN HUTAN TERHADAP IKLIM DI PULAU KALIMANTAN MENGGUNAKAN MODEL IKLIM REGIONAL (REMO)

SOFYAN AGUS SALIM G02400013

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Pada Program Studi Meteorologi

DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

Judul

:

Analisis Dampak Perubahan Tutupan Lahan Hutan Terhadap Iklim Di Pulau Kalimantan Menggunakan Model Iklim Regional (REMO)

Nama

:

Sofyan Agus Salim

NRP

:

G02400013

Menyetujui, Pembimbing I

Pembimbing II

Prof.Dr.Ir. Hidayat Pawitan NIP : 130 516 292

Dr. Edvin Aldrian NIP: 680 002 393

Mengetahui, Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Dr.Drh. Hasim, DEA NIP : 131 578 806 Tanggal Lulus :

ABSTRAK SOFYAN AGUS SALIM. Analisis Dampak Perubahan Tutupan Lahan Hutan Terhadap Iklim di Pulau Kalimantan Dengan Menggunakan Model Iklim Regional REMO. Dibimbing oleh HIDAYAT PAWITAN dan EDVIN ALDRIAN. Dengan menggunakan model iklim regional REMO dibuat tiga skenario untuk menganalisis pengaruh penurunan luas tutupan lahan hutan terhadap iklim di pulau Kalimantan. Skenario yang digunakan adalah Kontrol (rasio hutan Kalimantan tahun 1996), R-25% (rasio hutan Kalimantan tahun 1996 diturunkan 25%), R-50% (rasio hutan Kalimantan diturunkan 50%). Hasil dari simulasi model REMO menunjukkan bahwa penurunan luas hutan menyebabkan kenaikan suhu udara rata-rata dari 25,3°C pada Kontrol menjadi 25,4°C pada R-25% dan 25,5°C pada R-50%. Selain itu mengakibatkan terjadinya kenaikan evaporasi sebesar 1,03% pada skenario R-25% dan 1,99% pada skenario R-25%. Peningkatan evaporasi menyebabkan curah hujan konvektif naik sebesar 5,21% pada skenario R-25% dan 6,20 % pada skenario R-50%. Kenaikan curah hujan ini mengakibatkan naiknya limpasan permukaan sebesar 6,15% pada skenario R-25% dan 10,51% pada skenario R-50%. Kata kunci : model iklim, deforestasi, perubahan iklim

DAFTAR ISI

DAFTAR GAMBAR ................................................................................................. iii DAFTAR TABEL ....................................................................................................... iv DAFTAR LAMPIRAN ............................................................................................... v I. PENDAHULUAN ................................................................................................ 1 1.1. Latar Belakang ............................................................................................. 1 1.1.1. Penurunan Luas Tutupan Lahan Hutan ............................................... 1 1.2.2. Model Iklim Sebagai Alat bantu Dalam Proses Analisis Dampak Perubahan Tutupan Lahan Hutan .......................................... 1 1.2. Tujuan ........................................................................................................... 1 1.3. Hipotesis ....................................................................................................... 1 II. TINJAUAN PUSTAKA ........................................................................................ 2 2.1. Hutan Hujan Tropis ....................................................................................... 2 2.2. Pengaruh Perubahan Tutupan Lahan Hutan Terhadap Komponen Neraca Energi ............................................................................................... 4 2.3. Suhu Udara ................................................................................................... 4 2.4. Evaporasi ...................................................................................................... 5 2.5. Hujan ............................................................................................................ 5 2.6. Model REMO ............................................................................................... 5 2.6.1. Model REMO ...................................................................................... 5 2.6.2. Penggunaan model REMO di Indonesia .............................................. 6 III. METODOLOGI ................................................................................................... 7 3.1. Tempat Penelitian ......................................................................................... 7 3.2. Bahan dan Alat .............................................................................................. 7 3.3. Metode ........................................................................................................... 7 3.3.1. Tahap Compiler Installation ................................................................ 7 3.3.2. Tahap Persiapan (Pre-processing) ....................................................... 7 3.3.3. Menjalankan Model Remo ................................................................... 10 3.3.4. Tahap Analisis (Post-processing) ........................................................ 10 IV. HASIL DAN PEMBAHASAN ........................................................................... 12 4.1. Parameter Model .......................................................................................... 12 4.2. Rasio Hutan Kalimantan ............................................................................... 12 4.3. Analisis Keluaran Model ............................................................................... 12

4.3.1. Suhu Udara .......................................................................................... 12 4.3.2. Evaporasi ............................................................................................ 14 4.3.3. Curah Hujan ......................................................................................... 14 4.3.4. Limpasan Permukaan ........................................................................... 16 4.4. Pembahasan Umum ...................................................................................... 16 V. KESIMPULAN DAN SARAN ............................................................................. 18 4.1. Kesimpulan ................................................................................................... 18 4.2. Saran ............................................................................................................. 18 Daftar Pustaka ............................................................................................................ 18

DAFTAR GAMBAR

1. Sebaran hutan hujan tropis ................................................................................... 2 2. Tutupan hutan di pulau Kalimantan .................................................................... 3 3. Proporsi neraca energi ......................................................................................... 4 4. Lima pulau besar dan tiga laut yang digunakan dalam validasi model REMO.... 6 5. Diagram alir penelitian ........................................................................................ 7 6. Diagram alir sub-model penurunan rasio hutan .................................................. 8 7. Rasio hutan pada tiga skenario ............................................................................ 9 8. LAI pada tiga skenario. ....................................................................................... 9 9. Albedo permukaan pada tiga skenario ................................................................. 10 10. Sebagian data rasio hutan pulau Kalimantan ....................................................... 10 11. Proses Masking ..................................................................................................... 11 12. Pixel dari pulau Kalimantan ................................................................................ 12 13. Grafik suhu udara harian pada tiga skenario ........................................................ 13 14. Grafik rataan suhu udara per 6 jam pada tiga skenario ....................................... 13 15. Grafik evaporasi pada tiga skenario .................................................................... 14 16. Grafik curah hujan musiman pada tiga skenario ................................................. 15 17. Grafik curah hujan konvektif pada tiga skenario ................................................. 15 18. Grafik limpasan permukaan pada tiga skenario .................................................. 16 19. Diagram alir proses yang terjadi jika rasio hutan turun ....................................... 17

DAFTAR TABEL

1. Luas hutan di pulau Kalimantan .......................................................................... 2 2. Korelasi curah hujan keluaran model REMO dengan data stasiun ...................... 6 3. Daftar perangkat lunak yang digunakan ............................................................... 7 4. Data yang digunakan pada tiap skenario ............................................................. 8 5. Luas pulau kalimantan ......................................................................................... 12 6. Luas dan rataan rasio hutan pulau Kalimantan pada tiga skenario ...................... 12 7. Rataan suhu udara pada tiga skenario ................................................................. 12 8. Rataan suhu udara per 6 jam pada tiga skenario ................................................. 13 9. Sensible heat flux per 6 jam pada tiga skenario ................................................... 13

DAFTAR LAMPIRAN

1. Albedo dari beberapa jenis permukaan ............................................................... 20 2. Parameter input dan output dalam model REMO ................................................ 22 3. Merubah format data dari BIG endian menjadi LITTLE endian .......................... 24 4. Script merubah rasio hutan .................................................................................. 25 5. Script untuk menjalankan model REMO ............................................................. 28 6. Script untuk mengekstrak model REMO ............................................................ 31 7. Uji statistik dari unsur iklim ................................................................................ 34 8. Data curah hujan di beberapa stasiun di pulau Kalimantan pada tahun 1996 ..... 37

I. PENDAHULUAN 1.1 Latar Belakang 1.1.1. Penurunan luas tutupan lahan hutan Kondisi hutan mengalami perubahan yang cepat dan dinamis, sesuai perkembangan pembangunan dan perjalanan waktu. Banyak faktor yang mengakibatkan perubahan tersebut antara lain pertambahan penduduk, dan pembangunan diluar sektor kehutanan yang sangat pesat memberikan pengaruh besar terhadap meningkatnya kebutuhan akan lahan dan produk-produk dari hutan. Selain itu adanya perambahan hutan dan terjadinya kebakaran hutan yang mengakibatkan semakin luasnya kerusakan hutan di Indonesia. Menurut data selama 12 tahun (19851997) angka degradasi dan deforestasi untuk pulau Sumatera, Kalimantan dan Sulawesi adalah 1,6 juta ha/tahun sebagai akibat penebangan liar, pencurian kayu, perambahan hutan, kebakaran hutan, lahan dan kebun serta sistem pengelolaan hutan yang kurang tepat. Deforestasi dan degradasi hutan diperparah dengan terjadinya kebakaran hutan pada tahun 1997 di Pulau Sumatera dan Kalimantan, dengan kebakaran terbesar terjadi di Kalimantan Timur hingga mencapai 3,2 juta ha (Badan Planologi Kehutanan dan Perkebunan, 1998). Dari hasil perhitungan untuk pulau Sumatera, Kalimantan dan Sulawesi, diperkirakan laju deforestasi menjelang tahun 2000 telah melebihi angka 2,5 juta ha/tahun. Penurunan luas hutan dapat mengubah karakteristik tutupan lahan, salah satu perubahannya adalah meningkatnya albedo permukaan. Peningkatan albedo permukaan berdampak terhadap neraca energi yang kemudian berpengaruh terhadap unsur iklim seperti suhu udara dan evaporasi. Selain itu penurunan luas hutan dapat menurunkan kemampuan tanah untuk menyerap dan mempertahankan air. 1.1.2. Model iklim sebagai alat bantu dalam proses analisis dampak penurunan luas tutupan lahan hutan. Dalam dunia ilmu pengetahuan terdapat tiga sumber acuan informasi yaitu dari data hasil pengamatan, hasil kajian teoritis dan data hasil model. Yang paling bernilai dari ketiga jenis tersebut adalah hasil observasi instrumentasi pengamatan karena semua analisis ilmiah akan dikembalikan kepada acuan tersebut. Akan tetapi pengamatan dengan instrumentasi memiliki keterbatasan dari resolusi fisis alat, temporal dan tutupan spasial. Selain itu keusangan alat akibat terlalu lama

dipakai dan seringkali alat tersebut jarang dikalibrasi. Untuk menutupi kekurangan itu maka digunakanlah model iklim. Hal lain yang perlu disadari mengapa model iklim diperlukan adalah eksperimen yang ekstrim tidak bisa dilakukan secara langsung di alam. Untuk mengetahui berbagai fenomena alam yang bersifat ekstrim seperti perubahan luas tutupan lahan hutan dapat disimulasikan dalam sebuah model tanpa merusak alam. Kemajuan teknologi di bidang komputer turut membantu perkembangan di bidang pemodelan iklim. Saat ini model iklim dapat diproses oleh personal computer. Teknologi ini dapat membantu dalam proses analisis dampak perubahan tutupan lahan hutan. 1.2

1.3

Tujuan • Mengkaji dampak penurunan luas tutupan lahan hutan terhadap iklim di pulau Kalimantan menggunakan model iklim regional REMO • Menduga tingkat perubahan iklim akibat penurunan luas tutupan lahan hutan.

Hipotesis Penurunan luas tutupan lahan hutan menyebabkan: • Peningkatan suhu udara. • Peningkatan evaporasi • Peningkatan curah hujan konvektif • Peningkatan limpasan

II. TINJAUAN PUSTAKA 2.1.

Hutan Hujan Tropis Hujan hujan tropis adalah daerah yang ditandai oleh tumbuh-tumbuhan subur dan rimbun serta curah hujan dan suhu yang tinggi sepanjang tahun. Hutan hujan tropis merupakan ekosistem yang terkaya di dunia dari segi keanekaragaman hayati. Walaupun dengan cakupan yang kurang dari 7 persen daratan bumi, hutan hujan tropis berisi lebih dari 50 persen jenis hewan dan tumbuhan di dunia. Hutan hujan tropis juga memainkan suatu peran yang penting dalam iklim global dengan kemampuannya dalam menyerap karbon dioksida, suatu gas yang dipercaya oleh para ahli sebagai penyebab terjadinya pemanasan global. Tumbuhan yang secara alami menyerap karbon dioksida dan merubahnya menjadi oksigen melalui proses fotosintesis. Hutan hujan tropis merupakan penyerap gas karbon dioksida terbaik dibandingkan dengan ekosistem lainnya.

Selain itu hutan hujan tropis memiliki kemampuan yang baik dalam hal menyerap dan menyimpan air, sehingga dapat dijadikan penyangga untuk menjaga lingkungan dari bencana banjir dan kekeringan. Ketika musim hujan tiba air dalam keadaan berlimpah, hutan hujan tropis dapat mengurangi limpasan sehingga sebagian besar air tetap berada di dalam ekosistem. Sedangkan ketika musim kemarau tiba kekurangan air dapat ditutupi dari cadangan yang diperoleh di musim hujan. Hutan hujan tropis dapat di temukan di sekitar garis khatulistiwa seperti terlihat pada Gambar 1 (sebaran hutan hujan tropis). Indonesia merupakan salah satu negara yang masih memiliki ekosistem hutan hujan tropis yang luas. Salah satu pulau yang masih memiliki hutan hujan tropis di Indonesia adalah pulau Kalimantan. Namun setiap tahunnya luas hutan di pulau Kalimantan terus berkurang seperti terlihat pada Gambar 2 (tutupan hutan di Kalimantan) dan Tabel 1 (luas hutan di pulau Kalimantan).

(sumber : http://en.wikipedia.org/wiki/Tropical_rainforest) Gambar 1. Sebaran hutan hujan tropis Tabel. 1 Luas hutan di pulau Kalimantan 1985 Luas Luas Propinsi Wilayah Hutan (Ha) (Ha) Kalimantan 14.546.318 8.700.600 Barat Kalimantan 15.249.222 11.614.400 Tengah Kalimantan 3.703.550 1.795.900 Selatan Kalimantan 19.504.912 19.875.100 Timur Total 53.004.002 41.986.000

%

1991 Luas Hutan (Ha)

%


%


%

59,8

8.117.960

55,8

6.717.026

46,1

6.736.261

46,3

76,2

11.492.950

75,4

9.900.00

64,9

9.320.771

61,1

48,5

1.749.360

47,2

999.182

27,0

648.000

17,5

91,6

17.584.260

90,2

13.900.00

71,3

12.477.309

64,0

79,2

38.944.530 73,5 31.516.208 59,5 29.181.953 55,1 (sumber : http://www.theodora.com/maps/new/indonesia_maps.html)

(sumber : http://www.theodora.com/maps/new/indonesia_maps.html) Gambar 2. Tutupan hutan di pulau Kalimantan

(sumber : http://okfirst.ocs.ou.edu/train/meteorology/EnergyBudget) Gambar 3. Proporsi neraca energi

2.2.

Pengaruh Perubahan Tutupan Lahan Hutan Terhadap Komponen Neraca Energi Konsep neraca energi dapat diperhatikan dari jumlah energi yang mengalir antara bendabenda di permukaan, sedangkan selisih antara masukan (input) dan keluaran (output) pada sistem tersebut merupakan energi yang digunakan atau tersimpan. Neraca energi ini penting dipelajari karena dapat digunakan sebagai penciri kondisi iklim lokal suatu lokasi. Dari neraca energi diperoleh informasi tentang nilai masing-masing komponen seperti laten heat flux, sensible heat flux, dan soil heat flux. Rn = H + G + λE ................. (1) dengan; Rn = radiasi matahari netto H = sensible heat flux G = soil heat flux λE = laten heat flux Perubahan yang terjadi pada tutupan lahan hutan akan menyebabkan perbedaan albedo permukaan. Menurut Campbell (1977) dan Stull (1995), Nilai albedo tidak bersifat mutlak, karena tergantung juga pada tingkat kerapatan atau penutupan oleh vegetasi, warna tanah dan sudut elevasi matahari. Pada umumnya permukaan yang berwarna muda atau kering memantulkan lebih banyak radiasi daripada permukaan berwarna gelap atau basah. Perbedaan albedo dapat menyebabkan perubahan terhadap energi yang nantinya akan

dikonversi menjadi laten heat flux dan sensible heat flux. Kedua komponen neraca energi ini akan mempengaruhi dua unsur cuaca yaitu: • Suhu udara Dengan meningkatnya nilai sensible heat flux menyebabkan terjadinya peningkatan suhu udara. • Evaporasi Dengan meningkatnya nilai laten heat flux menyebabkan terjadinya peningkatan evaporasi. 2.3.

Suhu Udara Suhu merupakan suatu kondisi yang ditandai oleh adanya perpindahan panas dari suatu substansi ke substansi lainnya (Mc.Intosh, 1972). Byers (1959) mengungkapkan bahwa kondisi suhu pada masing-masing tempat dibedakan oleh faktorfaktor berikut : 1. Intensitas dan durasi harian radiasi matahari yang diterima oleh bagian terluar dari atmosfer pada tempat tersebut. 2. Energi radiasi yang digunakan oleh atmosfer dalam proses pemantulan, hamburan dan penyerapan. 3. Albedo permukaan. 4. Karakterisitik fisik dari permukaan. 5. Neraca panas dari permukaan dan radiasi atmosfer terestrial. 6. Pertukaran panas yang terjadi dalam proses evaporasi, kondensasi, pembekuan dan peleburan.

7. Kondisi pemanasan atau pendinginan oleh arus udara horizontal atau oleh arus laut. 8. Pemindahan panas ke atas atau ke bawah oleh arus udara vertikal, konveksi, dan turbulensi. 2.4.

Evaporasi Evaporasi adalah proses fisis pelepasan air dari permukaan. Menurut Jury et.al. (1991) faktor yang mempengaruhi nilai evaporasi sebagai berikut : • Radiasi matahari Peningkatan Intensitas radiasi matahari menyebabkan peningkatan evaporasi. • Suhu udara. Peningkatan suhu udara akan meningkatkan kapasitas udara untuk menyimpan air yang berarti dapat meningkatkan evaporasi. • Kelembaban udara relatif Kelembaban udara relatif dapat menjadi indikasi tingkat kejenuhan udara. Sebelum udara jenuh maka udara masih memiliki kemampuan untuk menampung uap air hasil evaporasi. 2.5.

Hujan Presipitasi adalah nama umum dari uap air yang mengembun dan jatuh ke tanah dalam rangkaian proses siklus hidrologi. Di Indonesia umumnya hanya mengenal satu jenis presipitasi yaitu hujan. Jumlah presipitasi dinyatakan dengan tebal presipitasi (mm). Kejadian hujan merupakan akibat dari interaksi bermacam-macam proses dan keadaan di permukaan bumi serta atmosfer. Kandungan uap air di udara, tersedianya inti kondensasi, pemanasan bumi oleh matahari, stabilitas atmosfer serta sifat angin merupakan keadaan yang menentukan hujan. Uap air akan turun menjadi hujan apabila uap air tersebut sudah memenuhi syarat, diantaranya adalah apabila uap air tersebut telah mengalami pengembunan sehingga membentuk butir-butir air atau es yang mempunyai kecepatan jatuh atau ukuran yang cukup. Hujan umumnya mempunyai variasi yang besar di dalam ruang dan waktu (Bruce and Clark, 1966). Variasi curah hujan yang diterima di suatu tempat ditentukan oleh berbagai macam faktor. Faktor-faktor tersebut antara lain kandungan uap air di atmosfer, keadaan topografi, sifat permukaan, perilaku daur alam seperti rotasi bumi dan fluktuasi jangka panjang merupakan pengaruh siklonik. Dapat dijelaskan juga bahwa variasi hujan dipengaruhi oleh radiasi matahari. Di Indonesia

angin utama yang menentukan besarnya penerimaan hujan musiman adalah angin musim Barat Laut dan Tenggara. Angin ini berganti arah setiap setengah tahun. Hujan dapat diklasifikasikan sejalan dengan penyebab terjadinya, diantaranya adalah hujan konveksi, hujan orografik dan hujan konvergensi. Hujan konveksi disebabkan oleh pemanasan adiabatik, sebagai akibat dari adanya pemanasan di permukaaan bumi. Sistem konvektif terdiri dari banyak sel arus udara naik setempat dan arus udara turun (biasanya berdiameter terbatas). Bila arus naik mencapai ketinggian kondensasi akan terbentuk awan cumulus. Bila arus naik mencapai ketinggian kondensasi akan terbentuk awan cumulus. Bila udara lembab sekali, udara ini akan menjadi awan cumulunimbus pada ketinggian yang beasar. Hujan ini mempunyai sifat hujannya lebat dan tidak merata, periodenya pendek serta sering ditandai dengan periodisitas harian dan musiman. 2.6. Model REMO 2.6.1. Model REMO REMO adalah Model iklim atmosfer berskala regional. Model ini dibangun dari Numerical Weather Prediction Model yang digunakan oleh German Weather Service (DWD). Pengembangan Model ini dilakukan atas kerja sama dari DWD, Max Planck Institute of Meteorologi, Hamburg dan German Climate Climate Computing Center (DKRZ), Hamburg. REMO adalah sebuah model yang memakai grid sistem Arakawa-C untuk representasi horisontal dan sistem hibrida p (tekanan) dan η memakai 20 level secara vertikal. Resolusi horizontal dari model ini adalah 0,5° * 0,5°. Sedangkan resolusi temporal model REMO adalah 6 jam. Dalam prosesnya REMO membutuhkan data permukaan dan cuaca di tiap lapisan. Sebuah model hydrostatic bekerja dengan menafikan pergerakan masa udara vertikal sehingga model ini lebih melihat pergerakan horisontal. Akibatnya pemakaian model jenis ini kurang efektif untuk daerah yang terjal seperti pegunungan karena terjadi banyak pergerakan vertikal termasuk peristiwa konveksi. model jenis hydrostatic baik dipakai untuk skala regional dan global dimana faktor lokal seperti digambarkan diatas dapat diabaikan. Perawanan dibagi menjadi jenis awan stratiform dan konvektif. Kandungan air cair dari awan stratiform ditentukan oleh persamaan neraca yang berhubungan termasuk aliran

masuk dan keluarnya yang ditentukan oleh perubahan fase air dan presipitasi. Fungsi ketergantungan empiris dan suhu dipakai untuk menentukan kandungan es pada awan, melalui proses radiasi yang dilalui. Parameterisasi dari proses konveksi awan berdasarkan dari konsep fluks masa air dengan sedikit perubahan pada persamaan konveksi dalam. 2.6.2. Penggunaan model REMO di Indonesia Untuk penggunaannya di Indonesia Model REMO sudah disesuaikan oleh Aldrian et.al. (2004). Pemakaian model REMO untuk benua maritim Indonesia telah lama dilakukan. Aplikasi pemakaian REMO beragam dari pemakaian REMO sendiri (stand alone) untuk meneliti curah hujan Indonesia Aldrian et.al. (2004), menggabungkan model laut dan atmosfir Aldrian et.al. (2005) dan melakukan pengkajian dinamika fisis terhadap penyebaran asap kebakaran hutan.

Gambar 4.

Lima pulau besar dan tiga laut yang digunakan dalam validasi model REMO.

Tabel 2.

Korelasi curah hujan keluaran model REMO dengan data stasiun

Pulau Jawa Kalimantan Sumatra Sulawesi Irian

ERA 15 0.798 0.780 0.708 0.645 0.434

NRA 0.716 0.668 0.682 0.577 0.350

ECHAM4 0.173 0.422 0.637 0.541 0.143

Validasi model REMO telah dilakukan oleh Aldrian, et.al (2004). Dalam mem-validasi model ini Aldrian menggunakan tiga jenis data yaitu data reanalisis dari European Centre for Medim-Range Weather Forecasts (ERA15), the National Centers for Environmental Prediction and National Center for Atmospheric Research (NRA) dan ECHAM4, kemudian dibandingkan dengan data stasiun. Dalam mem-validasi model REMO wilayah studi yang digunakan adalah lima pulau besar dan tiga laut seperti yang terlihat pada Gambar 4.

III. METODOLOGI

3.3.

3.1.

Tempat Penelitian Penelitian dilaksanakan di Unit Pelaksanaan Teknis (UPT) Hujan Buatan, Badan Pengkajian dan Penerapan Teknologi (BPPT), Jakarta. 3.2. Bahan dan Alat • Data iklim tahun 1996 dari European European Centre for Medim-Range Weather Forecasts (ECMWF) • Tutupan lahan Indonesia dari US NAVY atau USGS GTOP30 • Seperangkat komputer yang dilengkapi perangkat lunak seperti yang tertera pada tabel 3.

Metode Dalam Menjalankan model REMO terdiri dari beberapa tahapan, yaitu : • Tahap compiler installation • Tahap persiapan (pre processing) • Menjalankan model REMO • Tahap analisis (post processing) 3.3.1. Tahap compiler installation Untuk dapat menggunakan Model Iklim Regional REMO terlebih dahulu disiapkan perangkat lunak sebagai berikut : • LINUX Dalam penelitian ini distro LINUX yang digunakan adalah SUSE 9.0. • Lahey Fortran Fujitsu 95. Lahey Fortran Fujitsu 95 adalah Fortran Compiler yang paling optimal untuk mendukung Model REMO. • Model Iklim Regional REMO. • GraDS Perangkat lunak ini digunakan untuk menganalisa keluaran dari REMO (GraDS dapat di-download di www.grads.iges.org). Dengan menggunakan GraDS, Output dari REMO dapat dilihat dalam bentuk peta dan grafik. 3.3.2. Tahap persiapan (pre processing) Tahapan ini terdiri dari beberapa persiapan yaitu: • Persiapan data statis permukaan dan data dinamis. Data dinamis adalah data Iklim Indonesia pada tahun 1996, dengan resolusi temporal 6 jam dan resolusi spasial 0,5° x 0,5°. Diperoleh dari hasil reanalisis data ECMWF Data statis adalah data tutupan lahan dari USGS GTOP30

Gambar 5. Diagram alir penelitian

Tabel 3. Daftar perangkat lunak yang digunakan

Perangkat Lunak Linux Suse 9.0 Windows XP Lahey Fortran Fujitsu 95 Ms.Visual Basic 6.0 Kwrite 4.5.1 REMO 5.0

Tahun 2003 2001 1995 1998 2005 1996

Fungsi

Pembuatan dan Editing Script Model Iklim Regional

GraDS 1.9 MS.Office 2003

2005 2003

Pengolah Grid dan Display Pengolah Kata dan Tabel

Sistem Operasi Compiler

• penamaan file REMO mengikuti kaidah berikut :

ExxDDMMYYHH dengan, o E o xx

: jenis data, bisa e, a atau c : file input, output atau reinisialisasi, berupa xa,xe,xt,xf,xg,xp o DD : hari (Day) o MM : bulan (Month) o YY : tahun (Year) o HH : jam (Hour) • Cakupan data adalah 101 x 55 pixel yaitu 8,5°LU – 19°LS dan 91°BT – 141,5°BT. • Merubah format data dari BIG endian menjadi LITTLE endian. Untuk merubah format data dari BIG endian ke LITTLE endian. Dibuat Script yang kemudian dijalankan dengan menggunakan KONSULE. Dengan menggunakan perintah eksekusi ”./conv_bl” pada directory kerja • Penyiapan data untuk setiap skenario.

pixel (3,4) > pixel (8,1) maka nilai rasio hutan pada pixel (3,4) akan diisi nilai sebesar nilai rasio hutan pixel (8,1). Selain rasio hutan nilai LAI, tipe vegetasi, albedo dan kapasitas lapang pada pixel (3,4) juga diganti dengan nilai sebesar LAI, tipe vegetasi, albedo dan kapasitas lapang pada pixel (8,1). Proses ini terus berlanjut hingga rataan rasio hutan pulau Kalimantan turun 25% pada skenario R-25% dan 50% pada skenario R-50%. Nilai rasio hutan terkecil di suatu pixel pada data permukaan tahun 1996 adalah 0,38 sehingga rataan rasio hutan terkecil yang dapat diperoleh dalam proses randomisasi penurunan luas hutan adalah 0,38 atau setara dengan penurunan 52% sehingga untuk skenario dipilih penurunan sebesar 25% dan 50%.

Tabel 4. Data yang digunakan pada tiap skenario

Skenario Kontrol

Data Dinamis Data iklim Indonesia 1996

R-25%

Data iklim Indonesia 1996

R-50%

Data iklim Indonesia 1996

Data Statis Parameter permukaan Indonesia Tahun 1996 Parameter permukaan Indonesia Tahun 1996, Rasio hutan Kalimantan diturunkan 25 % Parameter permukaan Indonesia Tahun 1996, Rasio hutan Kalimantan diturunkan 50 %

• Proses menurunkan rasio hutan. Proses penurunan rasio hutan diturunkan secara acak. Yaitu dengan cara mengganti nilai pixel yang memiliki rasio hutan yang lebih besar dengan nilai pixel yang memiliki nilai rasio yang lebih kecil. Sebagai contoh secara acak terpilih pixel (3,4) akan ditukar dengan pixel (8,1). Berdasarkan nilai rasio hutan

Gambar 6.

Diagram alir sub-model penurunan rasio hutan

Kontrol

Kontrol

Skenario R-25%

Skenario R-25%

Skenario R-50%

Skenario R-50%

Gambar 7. Rasio hutan pada tiga skenario

Gambar 8. LAI pada tiga skenario

Kontrol

1

2

3

4

5

6

7

1

0.89

0.86

0.9

0.93

0.92

0.89

0.86

2

0.94

0.92

0.91

0.94

0.9

0.94

0.92

3

0.89

0.88

0.9

0.93

0.83

0.89

0.88

4

0.88

0.94

0.92

0.84

0.84

0.88

0.94

5

0.93

0.91

0.92

0.91

0.93

0.93

0.91

6

0.92

0.89

0.94

0.92

0.9

0.92

0.89

7

0.94

0.93

0.94

0.95

0.91

0.94

0.93

8

0.83

0.94

0.86

0.92

0.86

0.96

0.94

9

0.88

0.84

0.81

0.79

0.83

0.88

0.84

Gambar 10. Sebagian data rasio hutan pulau kalimantan

Skenario R-25%

Skenario R-50% Gambar 9. Albedo Permukaan pada tiga skenario

3.3.3. Menjalankan model REMO Untuk menjalankan REMO perlu dipisahkan direktori kerja menurut pembagian yang diperlukan, seperti tempat menyimpan file input, file kerja dan file hasil dalam direktori khusus. Biasanya dipakai konvensi nama direktori yaitu: • xa : sebagai direktori input • xalin : sebagai direktori input dengan format LITTLE Endian. • xf : direktori initial file, file perantara • xe : seluruh parameter hasil perhitungan REMO • xt : parameter permukaan hasil perhitungan REMO Setelah directory disiapkan kemudian dibuat Script untuk menjalankan model REMO. Kemudian REMO dijalankan dengan menggunakan konsule pada linux yang kemudian menghasilkan file olahan yang tersimpan pada directory xe dan xt . 3.3.4. Tahap analisis (post processing) • Ekstraksi output REMO Mengekstrak data parameter tertentu dari input atau output REMO dapat dilakukan dengan menggunakan Script. (Script untuk mengekstrak data keluaran REMO terlampir pada lampiran). Script ini merubah format data output REMO menjadi grid agar data dapat ditampilkan dalam bentuk grafik dengan menggunakan GraDS.

bernilai 1 sedangkan laut (sea) bernilai 0. Sebelum proses masking dilakukan terlebih dahulu nilai grid land selain pulau Kalimantan diganti dengan nilai 0 sehingga akan menjadi seperti gambar 10 (proses masking). Proses ini dijalankan pada setiap parameter yang akan dianalisis. Sehingga data yang dianalisis dan ditampilkan hanya data dari pulau Kalimantan. • Rataan Wilayah Nilai rataan wilayah maka file output REMO didapat dengan menggunakan script (Script terlampir pada lampiran) yang dijalankan dengan menggunakan konsule, parameter yang diekstrak dari file output REMO adalah sebagai berikut: o Parameter 178 : suhu udara o Parameter 167 : evaporasi o Parameter 142 : curah hujan musiman o Parameter 143 : curah hujan konvektif o Parameter 160 : limpasan Selain itu untuk mendukung analisis diekstrak juga parameter lainnya, seperti: o Parameter 198 : rasio hutan o Parameter 174 : albedo o Parameter 200 : indeks luas daun o Parameter 229 : kapasitas lapang o Parameter 212 : tipe vegetasi o Parameter 146 : sensible heat flux o Parameter 147 : laten heat flux

Gambar 11. Proses Masking

• Masking Setelah format file sudah berformat grid (*.grd) kemudian file tersebut di-masking dengan pulau Kalimantan sebagai pembatasnya. Untuk nilai masking diperoleh dari parameter 172 (land-sea mask). Pada parameter ini grid daratan (land)

IV. HASIL DAN PEMBAHASAN

4.2.

4.1.

Parameter Model Keluaran model REMO yang merupakan data raster, kemudian dengan menggunakan perangkat lunak GRADS. Dengan memasukkan script didapatkan nilai rataan wilayah untuk setiap parameter yang kemudian dapat dianalisis. Dalam kajian ini parameter keluaran Model REMO yang dianalisis adalah : o Parameter 178 : suhu udara o Parameter 167 : evaporasi o Parameter 142 : curah hujan musiman o Parameter 143 : curah hujan konvektif o Parameter 160 : limpasan Selain itu untuk mendukung analisis diekstrak juga parameter lainnya, seperti: o Parameter 198 : rasio hutan o Parameter 174 : albedo o Parameter 200 : indeks luas daun o Parameter 229 : kapasitas lapang o Parameter 212 : tipe vegetasi o Parameter 146 : sensible heat flux o Parameter 147 : laten heat flux

Gambar 12. Pixel dari pulau Kalimantan Tabel 5. Luas pulau Kalimantan

Wilayah Brunei Darussalam Malaysia (Sabah dan Sarawak) Indonesia (Kalimantan) Total

Luas (Km2) % 5.570 0,75 197.000 26,55 539.460

72,70

742.030

100

Sumber : The World Factbook 2004

Rasio Hutan Kalimantan Jumlah pixel yang menunjukkan daratan di pulau Kalimantan pada data permukaan yang dipakai dalam model adalah 237 pixel. Dari jumlah pixel ini kemudian dikonversi menjadi luas pulau Kalimantan dengan cara mengkalikan jumlah pixel yang menunjukkan daratan di pulau kalimantan dengan resolusi pixel 0,5° x 0,5°. Maka luas pulau kalimatan adalah 237 pixel * (0,5° x 0,5°) * 12.321 Km2/° = 730 ribu Km2. Kemudian untuk skenario R-25% nilai rataan rasio hutan diturunkan sebesar 25% dari rasio kontrol dan diturunkan sebanyak 50% untuk skenario R-50%. Sehingga dihasilkan nilai seperti pada Tabel 6. Tabel 6. Luas dan rataan Rasio Hutan pulau Kalimantan pada tiga skenario Rataan Luas Hutan Luas Daratan Skenario Rasio Hutan (ribu Km2) (ribu Km2) Kontrol 0,795 580 730 R-25%

0,596

435

730

R-50%

0,397

290

730

4.3. Analisis Keluaran Model 4.3.1. Suhu udara Suhu udara adalah salah satu dari unsur cuaca yang nilainya dipengaruhi oleh tutupan lahan. Berkurangnya rasio luas hutan mengakibatkan luas tutupan lahan hutan menjadi lebih sedikit sehingga albedo permukaan menjadi lebih tinggi. Albedo permukaan yang tinggi menyebabkan pemanasan terhadap udara menjadi lebih cepat, sehingga suhu udara pada daerah terbuka akan lebih tinggi. • Profil umum suhu udara Berdasarkan keluaran model diperoleh hasil yang berbeda nyata di setiap skenario dimana suhu udara kontrol lebih kecil dari suhu udara dengan rasio hutan diturunkan. Suhu udara di pulau Kalimantan untuk kontrol berkisar antara 20,9 – 32,2°C. Sedangkan pada skenario R-25% suhu udara berkisar antara 21,2 – 31,5°C. Pada skenario R50% suhu udara berkisar antara 20,7 – 33,4°C. Tabel 7. Rataan suhu udara pada tiga skenario

Skenario Kontrol R-25% R-50%

Suhu Udara (°C) 25,27 25,40 25,50

Suhu Udara Harian 29

28

S u hu U d ara°C

27

26

25

24

23

22 1

31

61

91

121

151

181

211

241

271

301

331

361

Bulan Kontrol

R-25%

R-50%

Gambar 13. Grafik suhu udara harian pada tiga skenario

Rataan suhu udara per 6 jam 29.0

Suhu Udara (°C)

28.0 27.0 26.0 25.0 24.0 23.0 02.00

08.00

14.00

20.00

Bulan

Kontrol

R-25%

R-50%

Gambar 14. Grafik rataan suhu udara per 6 jam pada tiga skenario

• Profil suhu udara per 6 jam Data keluran model untuk suhu udara pada pada setiap periode menunjukkan nilai suhu udara di kontrol lebih kecil dari pada skenario R-25% dan R-50%. Tabel 8.

Rataan Suhu udara per 6 jam pada tiga skenario

02.00 08.00 14.00 20.00

Suhu Udara (°C) Kontrol R-25% R-50% 23,6 23,7 23,8 24,5 24,7 24,9 28,2 28,5 28,6 24,7 24,5 24,6

Pada jam 08.00 dan 14.00 perbedaan nilai suhu udara pada setiap skenario disebabkan oleh perbedaan nilai albedo permukaan. Pada tutupan lahan yamg memiliki rasio hutan lebih kecil akan memiliki albedo permukaan yang lebih besar. Dengan adanya perbedaan ini menyebabkan terjadi perbedaan penerimaan energi matahari dipermukaan. Tutupan lahan yang memiliki ratio hutan lebih kecil (dalam hal ini skenario r-25% dan r-50%) akan memiliki suhu udara yang lebih tinggi

dibandingkan dengan tutupan lahan yang memiliki rasio hutan lebih besar (kontrol). Tutupan lahan juga mempengaruhi pelepasan energi panas. Pada malam hari lahan terbuka akan lebih cepat melepaskan panas dibandingkan dengan lahan hutan hal ini terlihat pada Tabel 7. (Tabel rataan Suhu udara per 6 jam pada tiga skenario). Perbedaan nilai suhu udara antara pukul 14.00 dengan pukul 20.00 untuk kontrol lebih rendah dibandingkan dengan perbedaan suhu udara pada scenario R25% dan R-50%. 4.3.2. Evaporasi Evaporasi merupakan proses pelepasan uap air dari suatu permukaan. Pada neraca

energi proses ini sangat dipengaruhi oleh nilai laten heat flux. Pada daerah terbuka (skenario R-25% dan R-50%) memiliki albedo yang lebih besar daripada kontrol. Sehingga energi untuk menambah laten heat flux menjadi lebih besar. Yang berakibat terhadap bertambahnya evaporasi. Berdasarkan hasil olahan model REMO, penurunan rasio hutan sebanyak 25 % dapat menyebabkan peningkatan evaporasi hingga 55 mm per tahun. Pebedaan terbesar nilai evaporasi pada ketiga skenario terjadi pada periode mei – oktober. Pada periode ini terjadi perbedaaan sebesar 48 mm atau sekitar 5,5 % terutama pada bulan mei ketika evaporasi mencapai nilai maksimum.

EVAPORASI 180

Evaporasi (mm)

170

160

150

140

130

120 Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

Bulan Kontrol

R-25%

R-50%

Gambar 15. Grafik evaporasi pulau Kalimantan pada tiga skenario

4.3.3. Curah Hujan Dalam hasil olahan model REMO curah hujan dibagi menjadi tiga parameter yaitu : • Parameter 141 : snow (Salju ) • Parameter 142 : large scale (musiman) • Parameter 143 : convective (konvektif ) Untuk pulau kalimantan parameter curah hujan yang digunakan adalah curah hujan musiman dan kovektif. • Curah Hujan Musiman Di Indonesia angin utama yang menentukan besarnya penerimaan hujan musiman adalah angin muson barat laut dan tenggara. Angin ini terjadi akibat adanya perbedaan tekanan diantara dua benua yang mengapit Indonesia, yaitu benua Australia yang terletak di

tenggara Indonesia dan benua Asia yang terletak di barat laut Indonesia. Angin ini berubah arah setiap setengah tahun. Pada periode april - september angin musim berhembus dari benua Australia melalui Indonesia menuju benua Asia. Angin musim ini dikenal sebagai angin musim tenggara. Angin ini mengakibatkan terjadinya musim kemarau di sebagian wilayah Indonesia yang memiliki tipe hujan musiman. Sedangkan pada periode oktober – maret angin musim berhembus dari benua Asia melalui Indonesia meuju benua Australia. Angin ini mengakibatkan terjadinnya musim hujan di sebagian

• Curah Hujan Konvektif Hujan konvektif adalah hujan yang terjadi karena adanya arus vertikal akibat pemanasan dari permukaan bumi. Arus vertikal tersebut kemudian akan membentuk awan cumulus, yang kemudian turun sebagai hujan.

wilayah Indonesia yang memiliki tipe hujan musiman. Berdasarkan hasil keluaran dari model remo pada tiga skenario diperoleh hasil yang menunjukkan penurunan rasio hutan tidak menyebabkan perbedaan yang signifikan pada periode november – april. Namun pada periode mei – oktober terjadi perbedaan yang signifikan. Curah hujan musiman skenario R-25% dan R-50% nilainya lebih besar dibandingkan dengan curah hujan musiman kontrol.

Evaporasi sangat besar pengaruhnya terhadap hujan konvektif. Seperti hasil yang terlihat pada Gambar 15 dan gambar 17. Pada periode april – agustus evaporasi pada skenario pengurangan rasio hutan memiliki perbedaan yang signifikan terhadap kontrol. Hal ini juga terjadi pada curah

Curah Hujan Musiman 100 90 80 CH (mm)

70 60 50 40 30 20 10 0 Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov Dec

Bulan Kontrol

R-25%

R-50%

Gambar 16. Grafik curah hujan musiman pulau Kalimantan pada tiga skenario

Curah Hujan Konvektif 500

CH (mm)

450

400

350

300

250 Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Bulan Kontrol

R-25%

R-50%

Gambar 17. Grafik curah hujan konvektif pulau Kalimantan pada tiga skenario

Dec

hujan konvektif pada periode tersebut curah hujan konvektif pada skenario pengurangan hutan lebih besar daripada kontrol. 4.3.4. Limpasan Permukaan Limpasan permukaan adalah proses aliran permukaan yang terjadi ketika air yang ada di tanah telah melebihi kapasitas lapang. Besarnya limpasan sangat dipengaruhi oleh kemampuan tanah untuk menyerap dan menyimpan air. Tutupan lahan yang memiliki rasio hutan yang lebih sedikit akan lebih mudah melepaskan air baik melalui evaporasi atau

limpasan jika dibandingkan dengan tutupan lahan yang lebih besar rasio hutannya. Berdasarkan hasil keluaran model. Penurunan rasio hutan dapat menyebabkan peningkatan limpasan sebesar 9% atau setara dengan 314 mm per tahun. Peningkatan limpasan naik secara signifikan pada periode Maret hingga Agustus. Dengan peningkatan hingga 215 mm pada skenario R-25% dan 301 mm pada skenario R-50%. Peningkatan ini menunjukkan bahwa dengan berkurangnya luas tutupan lahan dapat menurunkan kemampuan tanah untuk menahan air. Sehingga air dapat dengan cepat terlepas melalui proses limpasan.

Limpasan Permukaan

Limpasan Permukaan (mm)

400

350

300

250

200

150 Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Bulan Kontrol

R-25%

R-50%

Gambar 18. Grafik limpasan permukaan pulau Kalimantan pada tiga skenario

Gambar 19. Diagram alir proses yang terjadi jika rasio hutan turun

Dec

4.4. Pembahasan Umum • Perubahan Tutupan Lahan Terhadap Komponen Neraca Energi Perubahan tutupan lahan hutan dapat mempengaruhi nilai albedo. Nilai albedo pada lahan terbuka akan lebih besar daripada lahan hutan. Dari perbedaan albedo ini kemudian akan menyebabkan perbedaan energi yang diperoleh untuk proses di atmosfer pada setiap skenario. Semakin tinggi nilai albedo maka akan semakin besar jumlah energi yang dapat digunakan untuk proses di atmosfer. Perbedaan ini kemudian akan menyebabkan perbedaan nilai pada setiap komponen neraca energi pada setiap skenario. Perbedaan kondisi ini dapat dilihat di pada kondisi atmosfer di siang hari dimana Albedo R-50% > Albedo R-25% > Albedo Kontrol. Perbedaan nilai Albedo pada setiap skenario menyebabkan terjadinya perbedaan nilai sensible heat flux sesuai dengan persamaan (1), yaitu semakin besar energi yang dapat digunakan dari radiasi maka semakin besar juga nilai sensible heat flux. Perbedaan dari nilai sensible heat flux juga tercermin pada suhu udara seperti terlihat pada Gambar 14 (Grafik rataan suhu udara per 6 jam pada tiga skenario). Pada grafik tersebut terlihat perbedaan yang signifikan pada suhu udara jam 14.00. suhu udara pada skenario R-50%> R-25% > kontrol. Selain berpengaruh pada nilai sensible heat flux, perbedaan jumlah energi yang dapat dimanfaatkan oleh atmosfer juga berdampak pada komponen neraca energi lainnya yaitu laten heat flux. Sesuai dengan persamaan (1), yaitu semakin besar energi yang dapat digunakan dari radiasi maka semakin besar juga nilai laten heat flux. Perbedaan dari nilai laten heat flux tercermin pada evaporasi seperti terlihat pada Gambar 15 (Grafik evaporasi pulau Kalimantan pada tiga skenario). Pada grafik tersebut terlihat perbedaan yang signifikan pada nilai evaporasi. Dimana jumlah evaporasi pada lahan terbuka lebih besar dari pada jumlah evaporasi pada lahan hutan. • Perubahan Lahan Terhadap Komponen Neraca Air Sumber air untuk hujan konvektif adalah berasal dari uap air yang naik secara vertikal melalui proses evaporasi.

Berdasarkan hasil simulasi, diperoleh nilai curah hujan konvektif berbanding lurus dengan nilai evaporasi. Hal ini terlihat pada gambar Gambar 15 (Grafik evaporasi pulau Kalimantan pada tiga skenario) dan gambar 17 (Grafik curah hujan konvektif pulau Kalimantan pada tiga skenario). Pada grafik tersebut juga didapat informasi bahwa curah hujan konvektif pada lahan terbuka lebih banyak dibandingkan dengan curah hujan pada kontrol. Peningkatan nilai curah hujan juga berdampak terhadap nilai limpasan permukaan. Seperti terlihat pada gambar 18 (Grafik limpasan permukaan pulau Kalimantan pada tiga skenario). Selain dipengaruhi oleh peningkatan curah hujan konvektif. Peningkatan limpasan permukaan juga disebabkan oleh perubahan tutupan lahan. Pada lahan yang memiliki rasio hutan lebih kecil air akan cepat hilang melalui limpasan permukaan dibandingkan dengan lahan yang memiliki rasio yang lebih besar tertutup hutan.

V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Penurunan luas hutan menyebabkan perubahan terhadap parameter-parameter permukaan dihutan, diantara parameter yang berubah adalah albedo permukaan, lai, tipe hutan, surface raougness lenght. Perubahan nilai dari parameter permukaan tersebut mempengaruhi unsur-unsur dalam neraca energi seperti sensible heat flux dan laten heat flux. Dari perubahan unsur ini kemudian mempengaruhi iklim di pulau Kalimantan. Hasil dari simulasi model REMO menunjukkan bahwa penurunan luas hutan menyebabkan kenaikan suhu udara rata-rata dari 25,3°C pada Kontrol menjadi 25,4°C pada R-25% dan 25,5°C pada R-50%. Selain itu mengakibatkan terjadinya kenaikan evaporasi sebesar 1,03% pada skenario R-25% dan 1,99% pada skenario R-25%. Peningkatan evaporasi menyebabkan curah hujan konvektif naik sebesar 5,21% pada skenario R-25% dan 6,20 % pada skenario R-50%. Kenaikan curah hujan ini mengakibatkan naiknya limpasan permukaan sebesar 6,15% pada skenario R25% dan 10,51% pada skenario R-50%. 5.2 Saran Penelitian dengan menggunakan Model untuk membantu menganalisa keadaan-keadaan yang ekstrim dan tidak dapat di analisa melalui pengukuran langsung harus lebih ditingkatkan terutama pada peningkatan resolusi dan akurasi dari model yang digunakan serta data-data primer yang digunakan untuk mendukung hasil dari model yang digunakan. Analisa perubahan tutupan lahan ini akan lebih baik jika menggunakan resolusi yang lebih tinggi serta ditunjang dengan data pengamatan yang lebih lengkap.

DAFTAR PUSTAKA Aldrian, E., Dümenil-Gates, L., Jacob, D., Podzun, R., Gunawan, D. 2004. Long-term Simulationof Indonesian rainfall with the MPI region model. Climate Dynamcs vol. 22 pp.795-814. Badan Planologi Kehutanan dan Perkebunan. 2003. Buku Indikasi Kawasan Hutan & Lahan Yang Perlu Dilakukan Rehabilitasi Tahun 2003. Bruce, J.P. and Clark, P.H. 1966. Introduction to Hydrometeorology : Pergamon Press, Oxford. Byers, Horace Roberts. 1959. Meteorology. McGraw-Hill Company. New York.

General Book

Campbell, G. S. 1977. An Introduction to Environmental Biophysics. SpringerVerlag, New York. Jury, W.A., Gardner, W.R., Gardner, W.H., 1991. Soil Physics, 5th ed., John Wiley & Sons, Inc., New York, NY. Stull, R., 1995: Meteorology Today for Scientists and Engineers. West Publishers.

LAMPIRAN

Lampiran 1. Albedo dari beberapa jenis permukaan Permukaan Bay Bay and River Inland Waters Ocean Ocean, deep Ocean, near shore, solar elevation 47° Ocean, near shore, solar elevation 43° Ocean, near shore, solar elevation 20° Ocean, near shore, solar elevation 12° Ocean, near shore, solar elevation 51/2° Forest Green Forest Forest Forest, snow-covered ground Ground, bare Ground, bare, very white Ground, bare, some trees Ground, wet, 70-85% bare Ground, moist, 70-95% bare Black mold, dry Black mold, wet Sand, dry Desert, Mojave Desert, Death Valley Sand, wet Fields, dry plowed Fields, green Fields, green Fields, wheat Fields, unspecified Grass, dry Grass, high dry Grass, dry, no sun Grass, high fresh Grass, high wet Grass, wet no sun Grass, wet sun Snow, fresh Snow, several days old, white, smooth Snow, fresh (highest value) Snow, old (lowest value) Snow, white field Ice, sparse snow cover Clouds, stratus overcast, 0-500 feet thick Clouds, stratus overcast, 500-1000 feet thick

Tipe Observasi va va va va va tg tg tg tg tg va va va va va va va ta ta tg tg tg ta ta tg va va va va va va tg tg tg tg tg tg tg tg tg tg va ta ta ta

Albedo (%) 3 - 4 6 - 10 5 - 10 3 - 7 3 - 5 4 6 14 30 46 3 4 3 10 10 11 7 8 9 14 8 18 24 25 9 20 10 3 7 5 15 31 19 26 22 14 33 81 70 87 46 70 69 5 31

-

6 10 5 25 20

-

9 12

-

28

-

25 15 6 10 25 33 22

26 37 86

86 63 75

Pengamat KH TH L TH L A A A A A KH TH L KH L KH KH F F A A A M M A TH TH KH KH L TH A K A A K K A A K K KH M N N

Permukaan Clouds, stratus overcast, 1000-2000 feet thick Clouds, dense, opaque Clouds, dense, nearly opaque Clouds, thin Clouds, stratus, 600-1600 feet thick Clouds, stratocumulus overcast Clouds, altostratus, occasional breaks Clouds, altostratus overcast Clouds, cirrostratus and altostratus overcast Clouds, cirrostratus overcast

Tipe Observasi ta va va va ta ta ta ta ta ta

Albedo (%) 59 55 44 36 78 56 17 39 49 44

-

84 78 40 81 36 59 64 50

Pengamat N L L L Al F F F F F

Keterangan : Tipe Observasi : - v : pengukuran albedo dengan menggunakan photometer t : pengukuran albedo dengan menggunakan pyrheliometer, pyranometer - a : pengukurang dengan menggunakan aircraft (pesawat) - g : pengukuran dilakukan di permukaan (ground) Pengamat : - A - Al - B - D - F -

: Ångström, A. Geograf. Ann., vol.7, p.321, 1925 : Aldrich, L. B., Smithsonian Misc. Coll., vol.69, No.10, 1919 : Baur, F., and philips, H., Gerl. Beitr. Geophys., vol. 42, p.160. : Danjon, A., Ann. L’Obs. Strasbourg 3 No.3, p.193, 1936. : Fritz, S. Buil. Amel. Meteorol. Soc., vol. 29. p.303, 1948; vol.31, p.251, 1950; Journ. Meteorol., vol.58, p.59, 1930. K : Klitin, N. N., Month. Wheat. Rev., vol.58, p.59, 1930 KH : Kimball, H. H., and Hand, I. F., Month. Weath. Rev., vol.58, p.280, 1930 L : Luckiesh, M.Astrophys. Journ., vol.49, p.108, 1919. M : MacDonald, T. H., private communication, 1949. N : Neiburger, M., U. C. L. A., Dep. Of Meteorol. Papers in Meteorol., No.9, 1948; also Joun. Meteorol., vol.6, p.98, 1949. TH : Tousey, R., ad Hulburt, E. O., Journ. Opt. Soc. Amer., vol.37, p.28, 1947

Lampiran 2. Parameter Input dan Output dalam model REMO Parameter Input 129 Surface geopotential (orography) 172 Land sea mask 173 Surface roughness length 229 field capacity of soil 200 leaf area index 226 FAO data set (soil data flags) 212 Vegetation type 198 Vegetation ratio 174 Surface background albedo 199 Orographic variance (for runoff) 134 Surface pressure 130 Temperature 139 Surface temperature 206 Snow temperature 207 Soil temperature TD3 208 Soil temperature TD4 209 Soil temperature TD5 170 Deep soil temperature 183 Soil temperature 131 u-Velocity 132 v-Velocity 133 Specific humidity 153 Liquid water content 140 Soil wetness 232 Glacier mask 194 Skin reservoir content (t1) 141 Snow depth 156 Geopotential height ‘********************************** * Parameter Output 130 Temperature 131 u-velocity 132 v-velocity 133 Specific humidity 153 Liquid water content 134 Surface pressure 135 Vertical velocity 139 Surface temperature 140 Soil wetness 141 Snow depth 142 Large scale precipitation 143 Convective precipitation 144 Snow fall 145 Boundary layer dissipation 146 Surface sensible heat flux 147 Surface latent heat flux 159 ustar**3 160 Surface runoff 162 Cloud cover

163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 185 186 187 188 189 190 191 192 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213

Total cloud cover Total cloud cover 10m u-velocity 10m v-velocity 2m temperature 2m dew point temperature Surface temperature Deep soil temperature 10m windspeed Land sea mask Surface roughness length Surface background albedo Surface albedo Net surface solar radiation Net surface thermal radiation Net top solar radiation Top thermal radiation (OLR) Surface u-stress Surface v-stress Surface evaporation Soil temperature Net surf. solar radiation Net surf. thermal radiation Net top solar radiation Net top thermal radiation Surface solar cloud forcing Surface thermal cloud forcing Top solar cloud forcing Top thermal cloud forcing Skin reservoir content (t1) u-Gravity wave stress v-Gravity wave stress Gravity wave dissipation Vegetation ratio Orographic variance (for runoff) Leaf area index Maximum 2m-temperature Minimum 2m-temperature Top solar radiation upward Surface solar radiation upward Surface thermal radiation upward Snow temperature Soil temperature TD3 Soil temperature TD4 Soil temperature TD5 Sea ice cover Sea ice depth Vegetation type (effective) sea-ice skin temp

214 215 216 217 218 220 221 223 223 224 226

Maximum surface temperature Minimum surface temperature Maximum 10m-wind speed Maximum heig of conv cloud top Snow melt Residual surface heat budget Snow depth change Cloud cover Cloud cover Turbulent kinetic energy FAO data set (soil data flags)

227 228 229 230 231 232 129 156

Heat capacity of soil Soil diffusivity Field capacity of soil Vert-ly integ spec. humidity Vert-ly integ liq water cont Glacier mask Surface geopotential (orography) Geopotential height

Lampiran 3. Merubah Format data dari BIG endian menjadi LITTLE endian Untuk melakukan proses ini terlebih dahulu disiapkan data (BIG endian) directory .../xa dan buat directory …/xalin untuk menyimpan hasil proses (LITTLE endian). Dan pastikan file uswap ada pada directory ~/bin Kemudian buat Script berikut dan simpan dengan nama conv_b2l. #! /bin/bash # set -ex # # converts bigendian data to littleendian data # compile uswap in directory uread # INPUTDIR=/home/sofyan/remo/xa OUTPUTDIR=/home/sofyan/remo/xalin cd ${INPUTDIR} for I in * do # for ext4,remo etc uswap -x -i ${I} -o ${OUTPUTDIR}/${I} # for ext8 #uswap -x -d -i ${I} -o ${OUTPUTDIR}/${I} done exit

Kemudian script conv_b2l dieksekusi di konsule dengan menggunakan perintah eksekusi (./conv_b2l).

Lampiran 4. Script merubah rasio hutan Script ini dibuat dengan menggunakan bahasa basic dan dijalankan dengan menggunakan system operasi Microsoft Windows. Sebelum script ini dijalankan terlebih dahulu disiapkan data ekstraksi berupa data : o Parameter 172 : Land Sea Mask (sudah diedit : Pulau kalimantan bernilai 1 dan area lain bernilai 0) o Parameter 174 : Albedo o Parameter 198 : Rasio Vegetasi o Parameter 200 : LAI o Parameter 212 : Tipe Vegetasi o Parameter 229 : Kapasitas Lapang Dim Dim Dim Dim Dim Dim Dim Dim Dim Dim

Mask(101,55) as Single Albd(101,55) as Single RasV(101,55) as Single LAI(101,55) as Single TypeV(101,55) as Single KL(101,55) as Single i as Integer j as Integer TotalRasioIN as single TotalRasioOUT as single

‘(Parameter ‘(Parameter ‘(Parameter ‘(Parameter ‘(Parameter ‘(Parameter

172) 174) 198) 200) 212) 229)

‘Modul DataProses ‘ - Membaca File Input ‘ – Membuat File Output ‘ - Membaca Data Parameter ‘ – Menulis Data Olahan (Penurunan Rasio Vegetasi) Public Sub DataProses() ‘Membaca File Input Open “D:\Data\LSM.txt” For Input as #1 Open “D:\Data\Albedo.txt” For Input as #2 Open “D:\Data\RasioV.txt” For Input as #3 Open “D:\Data\LAI.txt” For Input as #4 Open “D:\Data\TipeV.txt” For Input as #5 Open “D:\Data\KL.txt” For Input as #6 ‘Output File Open “D:\Data\OutLSM.txt” For Output as #7 Open “D:\Data\OutAlbedo.txt” For Output as #8 Open “D:\Data\OutRasioV.txt” For Output as #9 Open “D:\Data\OutLAI.txt” For Output as #10 Open “D:\Data\OutTipeV.txt” For Output as #11 Open “D:\Data\OutKL.txt” For Output as #12 ‘Membaca Data i = 0 j = 1 While not EOF(1) If i = 101 then i = 0 j = j + 1 end if i = i + 1 Input #1, Mask(i,j)

Land Sea Mask Albedo Rasio Vegetasi Leaf Area Index Tipe Vegetasi Kapasitas Lapang

Input Input Input Input Input Wend

#2, #3, #4, #5, #6,

Albd(i,j) RasV(i,j) LAI(i,j) TypeV(i,j) KL(i,j)

‘ Nilai TotalRasio Awal For i = 1 to 101 For j = 1 to 55 TotalRasioIN = TotalRasioIN + (Mask(i,j)* RasV(i,j)) Next j Next i HitungUlang: Call PenurunanRasio TotalRasioOUT = 0 For i = 1 to 101 For j = 1 to 55 TotalRasioOUT = TotalRasioOUT + (Mask(i,j)* RasV(i,j)) Next j Next i ‘ Nilai TotalRasio Bergantung dari scenario yang diinginkan If TotalRasioOUT > TotalRasioIN – (TotalRasioIN * 25/100) Then GoTo HitungUlang End if ‘ – Menulis Data Olahan (Penurunan Rasio Vegetasi) Output #7, Mask(i,j) Output #8, Albd(i,j) Output #9, RasV(i,j) Output #10, LAI(i,j) Output #11, TypeV(i,j) Output #12, KL(i,j) ‘ Menutup File Close #1 : Close #2 : Close #3 : Close #4 : Close #5 : Close #6 Close #7 : Close #8 : Close #9 : Close #10 : Close #11 : Close #12 End sub ‘Modul Public Dim Dim

penurunan rasio hutan secara random sub PenurunanRasio() x as Integer y as Integer

RandomUlang: ‘Menentukan Pixel yang akan dirubah i = rnd() * 101 j = rnd() * 55 x = rnd() * 101 y = rnd() * 55 If i = 0 or j = 0 or x = 0 or y = 0 _ or i = x or j = y or Mask(I,J)=0 _ or Mask(x,y) = 0 Then GoTo RandomUlang

If RasV(i,j) < RasV(x,y) then GoTo RandomUlang ‘Menukar nilai parameter pada pixel yang sudah ditentukan Mask(i,j) = Mask(x,y) Albd(i,j) = Albd(x,y) RasV(i,j) = RasV(x,y) LAI(i,j) = LAI(x,y) TypeV(i,j) = TypeV(x,y) KL(i,j) = KL(x,y) End Sub

Lampiran 5. Script untuk menjalankan model REMO Untuk melakukan proses ini terlebih dahulu disiapkan data (LITTLE endian) pada directory xalin. Dan siapkan beberapa directory (xe,xf,xt) untuk menyimpan keluaran model Dan pastikan bahwa model iklim remo sudah ter-install pada PC yang digunakan. Kemudian buat Script berikut dan simpan dengan nama remo_ind_chain. #!/bin/bash # set -ex cd /tmp set +e mkdir dump cd dump rm -rf * set -ex # # PFL=/home/sofyan/remo/remo5.0_pc/libs PFL2=/home/sofyan/remo/jobs EXP=400 YEXP=\'${EXP}\' # # # Membaca jam awal dari jobs saat ini (RSA) # Membaca jam akhir dari bulan saat ini (REND) # RSA=`cat ${PFL2}/RSA` REND=`cat ${PFL2}/REND` # # Jika rantai selesai (mencapai REND) keluar # if [ ${RSA} -ge ${REND} ] then cd ${PFL2} time put_remo_results & exit fi # # Akhir dari job saat ini dihitung (48 jam setelah jam awal) # RSE=èxpr ${RSA} + 48` if [ ${RSE} -ge ${REND} ] then RSE=${REND} fi # membuat file parameter menjalankan REMO kedalam file namanya INPUT cat > INPUT << EOF &EMGRID PHILU=-19.0, RLALU=91.0, POLPHI=90.0, POLLAM=180.0, DLAM=0.5, DPHI=0.5, &END

&RUNCTL NHANF=$RSA, NHENDE=$RSE, YADAT='02019600', NHEAA=6, NHDEA=6, NHFORA=$RSE, NHDFOR=9999999, NHTAA=6, NHDTA=6, NHDAA=9999999, NHDDA=9999999, NHDMXN=6, DT=300.0, NHDR=6, LMOMON=.FALSE. &END &DYNCTL &END &PHYCTL HDRAD=1, LPHYEM=.FALSE., LAKKU=.FALSE., &END &NMICTL &END &PRICTL &END &DATEN YADEN='400', YRDEN='400', YEDEN='400', YFDEN='400', YTDEN='400', YADCAT='/home/sofyan/remo/xalin', YRDCAT='/home/sofyan/remo/xalin', YEDCAT='/home/sofyan/remo/xe', YFDCAT='/home/sofyan/remo/xf', YTDCAT='/home/sofyan/remo/xt', YTVARN='APRL ','APRC ','APRS ','ALWCVI ','QVI ', 'RUNOFF ','DRAIN ','SNMEL ','DSNAC ','EVAP ','SRADS ', 'TRADS ','SRAD0 ','TRAD0 ','AHFS ','AHFL ','ACLCV ', 'WSECH ','SN ','TEMP2 ','TSECH ','TD ','TDCL ', 'TSN ','TD3 ','TD4 ','TD5 ', &END EOF # Disini MENJALANKAN REMO ${PFL}/remo_101x55x20x1.exe < INPUT # Menyimpan data jam akhir job ini kedalam file, diberi nama RSA set +ex cat > fort.20 << EOC ${RSE} EOC mv fort.20 ${PFL2}/RSA # cd /home/sofyan/remo/xf # Menghapus xf_file lama (dua file) ANZ=`ls | wc -w` if [ ${ANZ} -eq 4 ] then

IND=1 for FILE in `ls -rt`; do if [ ${IND} -le 2 ]; then rm $FILE fi IND=èxpr ${IND} + 1` done fi # kembali ke direktori awal dan menjalankan rantai berikutnya cd ${PFL2} time remo_ind_chain & #time remo_ind_chain >> remo_out${RSA} & # exit

Kemudian script remo_ind_chain dieksekusi di konsule dengan menggunakan perintah eksekusi (./remo_ind_chain).

Lampiran 6. Script untuk mengekstrak model REMO Untuk melakukan proses ini terlebih dahulu disiapkan data keluaran model Dan pastikan bahwa model iklim remo sudah ter-install pada PC yang digunakan. ). Dan pastikan file pure4 dan yefis ada pada directory ~/bin Kemudian buat Script berikut dan simpan dengan nama script_all. #!/bin/bash # # This script extracting precipitation components (142+143) set -ex YY=96 MMM=01 ART='.tar' DATT=xt RUN=400 PARMA=142 PARMB=143 ERUN=e${RUN}xe NUMMERA=$PARMA,$PARMB #NUMMERA=182,139 # pindah ke direktori kerja cd /home/sofyan/remo/xeot # buat file parameter input untuk yefis (INPUTA) dan pure4 (INPUTB) # pertama check jika kedua file ada, jika ya hapus keduanya if [ -f INPUTA ];then rm INPUTA fi if [ -f INPUTB ];then rm INPUTB fi ################### cat > INPUTA << EOF &DATEN ICODE=${NUMMERA} IEXP=$RUN &END EOF # cat > INPUTB << EOF 101 55 2 91 91.5 2 -19 -18.5 EOF ################### # loop tahunan while [ ${YY} -le 96 ] do if [ ${MMM} -ne 0 ]; then MM=${MMM} MMM=0 else MM=01 MMM=0 fi

# loop bulanan while [ ${MM} -le 01 ] do INTE=1 # buat daftar panjang seluruh file berawal e400xt, proses satu satu for FILE in `ls ${ERUN}??${MM}${YY}??`; do NEWFILE=`basename $FILE` echo $NEWFILE # yefis mengubah format REMO output ke format ieee yefis < INPUTA ${FILE} ${NEWFILE}.ieee # pure4 mengubah format ieee ke format pure binary atau grads # sekaligus dibuat ctl file untuk grads pure4 grads ${NEWFILE}.ieee ${FILE}.grd < INPUTB >> ${FILE}.ctl # akumulasikan seluruh file hasil ke file hasil bulanan (data 6 jaman) cat ${FILE}.grd >> ${ERUN}${MM}${YY}.grd rm ${FILE} rm ${FILE}.ieee ${FILE}.grd # pindah ke indeks file berikutnya INTE=èxpr ${INTE} + 1` done # jangan lupa juga lakukan proses serupa untuk yang jam 00 bulan berikutnya yefis < INPUTA ${ERUN}01????00 dummy.ieee pure4 grads dummy.ieee dummy.grd < INPUTB >> dummy.ctl cat dummy.grd >> ${ERUN}${MM}${YY}.grd rm dummy.* ${ERUN}01????00 # mengenali nama bulan yang sedang di proses case ${MM} in 01) MON=jan;; 02) MON=feb;; 03) MON=mar;; 04) MON=apr;; 05) MON=may;; 06) MON=jun;; 07) MON=jul;; 08) MON=aug;; 09) MON=sep;; 10) MON=oct;; 11) MON=nov;; 12) MON=dec;; esac ##check jika ctl_file untuk bulan ini ada, jika tidak buatkan if [ ! -f ${ERUN}${MM}${YY}.ctl ] then ##### cat > ${ERUN}${MM}${YY}.ctl << EOF DSET ${ERUN}${MM}${YY}.grd UNDEF 9e+09 XDEF 101 LINEAR 91.000000 0.500000 YDEF 55 LINEAR -19.000000 0.500000 TDEF ${INTE} LINEAR 06:00Z1${MON}${YY} 06hr ZDEF 1 LINEAR 1000 -1 VARS 2 c$PARMA 1 0 CODE $PARMA c$PARMB 1 0 CODE $PARMB ENDVARS EOF #####

fi rm ${ERUN}??${MM}${YY}??.ctl # hitung bulan berikutnya if [ ${MM} -le 08 ]; then MM=0èxpr ${MM} + 1` else MM=èxpr ${MM} + 1` fi done # hitung tahun berikutnya YY=èxpr ${YY} + 1` done rm INPUTA INPUTB ####### exit

Kemudian script script_all dieksekusi di konsule dengan menggunakan perintah eksekusi (./script_all).

Lampiran 7. Uji Statistik dari unsur iklim 1.

CURAH HUJAN MUSIMAM Ranks N R-25 - KONTROL

R-50 - KONTROL

R-50 - R-25

718a 742b 0c 1460 661d 799e 0f 1460 678g 781h 1i 1460

Negative Ranks Positive Ranks Ties Total Negative Ranks Positive Ranks Ties Total Negative Ranks Positive Ranks Ties Total

Mean Rank 728.24 732.68

Sum of Ranks 522878.50 543651.50

722.40 737.20

477505.50 589024.50

733.85 726.66

497548.50 567521.50

a. R-25 < KONTROL b. R-25 > KONTROL

Test Statisticsb

c. KONTROL = R-25 d. R-50 < KONTROL e. R-50 > KONTROL

R-25 KONTROL -.645a .519

Z Asymp. Sig. (2-tailed)

f. KONTROL = R-50 g. R-50 < R-25

a. Based on negative ranks.

h. R-50 > R-25

b. Wilcoxon Signed Ranks Test

R-50 KONTROL R-50 - R-25 -3.461a -2.174a .001 .030

i. R-25 = R-50

2.

CURAH HUJAN KONVEKTIF Ranks N R 25 - Kontrol

R 50 - Kontrol

R 50 - R 25


570a 887b 3c 1460 562d 897e 1f 1460 728g 732h 0i 1460

Mean Rank 693.61 751.74

Sum of Ranks 395359.00 666794.00

689.43 755.42

387458.50 677611.50

731.55 729.45

532570.00 533960.00

a. R 25 < Kontrol

Test Statisticsb

b. R 25 > Kontrol c. Kontrol = R 25 d. R 50 < Kontrol e. R 50 > Kontrol f. Kontrol = R 50 g. R 50 < R 25 h. R 50 > R 25 i. R 25 = R 50


R 25 - Kontrol R 50 - Kontrol R 50 - R 25 -8.449a -9.013a -.043a .000 .000 .966

a. Based on negative ranks. b. Wilcoxon Signed Ranks Test

3.

EVAPORASI Ranks N R 25 - Kontrol


R 50 - Kontrol

R 50 - R 25

486a 973b 1c 1460 583d 876e 1f 1460 879g 580h 1i 1460

Mean Rank 799.77 695.15

Sum of Ranks 388687.50 676382.50

831.97 662.14

485037.50 580032.50

745.71 706.19

655480.50 409589.50

a. R 25 < Kontrol b. R 25 > Kontrol

Test Statisticsc

c. Kontrol = R 25 d. R 50 < Kontrol e. R 50 > Kontrol


f. Kontrol = R 50

R 25 - Kontrol R 50 - Kontrol R 50 - R 25 -8.937a -2.951a -7.638b .000 .003 .000


g. R 50 < R 25

b. Based on positive ranks. c. Wilcoxon Signed Ranks Test

h. R 50 > R 25 i. R 25 = R 50

4.

LIMPASAN Ranks N R25 - Kontrol

R50 - Kontrol

R50 - R25


472a 752b 236c 1460 551d 908e 1f 1460 709g 750h 1i 1460

Mean Rank 582.10 631.58

Sum of Ranks 274753.50 474946.50

700.47 747.92

385959.00 679111.00

720.10 739.36

510549.00 554521.00

a. R25 < Kontrol

Test Statisticsb

b. R25 > Kontrol c. Kontrol = R25 d. R50 < Kontrol e. R50 > Kontrol


R25 - Kontrol R50 - Kontrol R50 - R25 -8.092a -9.106a -1.366a .000 .000 .172

f. Kontrol = R50


g. R50 < R25

b. Wilcoxon Signed Ranks Test

h. R50 > R25 i. R25 = R50

5.

SUHU UDARA Ranks N R25 - Kontrol Negative Ranks Positive Ranks Ties Total R50 - Kontrol Negative Ranks Positive Ranks Ties Total R50 - R25 Negative Ranks Positive Ranks Ties Total a. R25 < Kontrol b. R25 > Kontrol c. Kontrol = R25 d. R50 < Kontrol e. R50 > Kontrol f. Kontrol = R50 g. R50 < R25 h. R50 > R25 i. R25 = R50

404a 1052b 4c 1460 289d 1171e 0f 1460 513g 945h 2i 1460

Mean Rank Sum of Ranks 707.98 286023.50 736.38 774672.50

693.15 739.72

200319.00 866211.00

635.50 780.53

326010.00 737601.00

Test Statisticsb R25 - Kontrol R50 - Kontrol R50 - R25 Z -15.226a -20.664a -12.799a Asymp. Sig. (2-tailed) .000 .000 .000 a. Based on negative ranks. b. Wilcoxon Signed Ranks Test

Lampiran 8. Data curah hujan di beberapa stasiun di pulau Kalimantan pada tahun 1996

No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Nama Stasiun Singkawang Pontianak Anjungan Kembayan Paloh Siantan Susilo Sintang Nanga Pinoh Banjarmasin Banjarbaru Stajer Palangkaraya Muara Tewah Balikpapan Tarakan Samarinda Tanjung Redup Tanjung Selor Long Bawang

Jan 465 249 294 245 563 345 438 423 415 414 336 256 256 304 315 372 323 292

Feb 350 363 357 273 355 353 321 328 339 340 326 405 386 392 275 385 377 304 113

Mar 214 344 320 319 156 289 362 354 350 349 253 240 419 448 300 376 366 183

Apr 231 354 335 229 148 308 382 363 277 277 321 186 230 439 203 278 232 262

May 112 159 153 73 78 143 166 166 220 220 181 165 249 330 304 262 216

Jun 340 330 330 359 351 78 335 331 249 250 440 266 293 287 339 278 316 239

Jul 191 204 204 202 171 351 315 345 196 197 607 171 111 192 248 129 195 183 -

Aug 327 340 338 290 320 171 350 351 440 439 373 366 378 402 319 211 284 -

Sep 282 183 207 266 308 320 432 403 113 114 238 246 218 442 209 107 -

Oct 525 639 611 525 488 308 485 477 358 357 308 189 341 304 294 -

Nov 263 276 278 443 242 488 306 313 324 324 130 391 568 378 329 224 251 -

Dec 277 235 244 351 295 242 276 278 491 489 280 244 309 579 332 275 -

Total 3577 3676 3671 3575 3475 3396 4168 4132 3772 3770 3793 3125 3758 4184 3407 3197 -

ANALISIS DAMPAK PERUBAHAN TUTUPAN LAHAN HUTAN TERHADAP IKLIM DI PULAU KALIMANTAN MENGGUNAKAN MODEL IKLIM REGIONAL (REMO) SOFYAN AGUS SALIM G

Recommend Documents