1
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah perubahan iklim di Indonesia seringkali terkait dengan kasus penggundulan hutan dan emisi gas rumah kaca, meskipun pada dasarnya, kejadian tersebut lebih banyak dipengaruhi karena dampak perubahan iklim global terhadap Indonesia (UNDP, 2007). Salah satu pengaruh utama iklim di Indonesia adalah El Niño-Southern Oscillation (ENSO). Gambar 1.1 menunjukkan berbagai kondisi ENSO, yaitu ENSO hangat (el-nino), normal dan ENSO dingin (la-nina) (Mulyana, 2002). Dampak secara langsung dari kejadian el-nino, yaitu musim penghujan yang datang lebih akhir serta menurunkan total curah hujan (Qian, et al., 2010). Keterkaitan antara kejadian el-nino dengan curah hujan merupakan salah satu kejadian perubahan iklim global yang menarik untuk dikaji, khususnya jika memperhatikan kejadian elnino, yaitu pada tahun 1997, 2002, 2004, 2006 dan 2009 (Hamada, et al., 2012).
Gambar 1. 1 Berbagai Kondisi ENSO (Prenhall, 2004)
Kejadian el-nino yang ditunjukkan dengan tingkat menurunnya curah hujan merupakan kejadian yang memiliki variasi kondisi tinggi secara spasial dan temporal. Bentuk kemajuan teknologi yang saat ini memungkinkan untuk memantau hal tersebut adalah penginderaan jauh. Ketersediaan data penginderaan jauh untuk lingkungan atmosfer saat ini tergolong melimpah, khususnya secara temporal. Informasi Suhu Permukaan Awan (SPA) dan Albedo merupakan paremeter pendukung curah hujan yang dapat diperoleh melalui satelit penginderaan jauh (Kuligowski, 2010). Kondisi curah hujan estimasi yang diperoleh melalui satelit penginderaan jauh selanjutnya berguna sebagai pendukung kejadian el-nino. Salah satu citra satelit penginderaan jauh yang dapat memberikan informasi tentang kajian curah hujan adalah citra MODIS (ModerateResolution Imaging Spectroradiometer). Kelebihan citra MODIS dibandingkan dengan citra meteorologi lainnya adalah ketersedian data untuk proses pengkajian global tentang atmosfer dengan wilayah cakupan yang luas dan resolusi spektral yang tinggi (Mustofa, 2009). Sensor MODIS terpasang pada satelit Terra dan Aqua. Satelit Terra dan Aqua memiliki orbit selaras matahari (sun synchronous) dan dekat kutub (near-polar). Citra yang dihasilkan memiliki tiga resolusi spasial yaitu 250 meter, 500 meter, dan 1000 meter. Total karakteristik panjang gelombang yang dimiliki oleh citra MODIS adalah 36 buah saluran dan 12-bit kepekaan radiometrik (Toller, et al., 2009). Banyak penelitian sebelumnya mengkaji tentang informasi curah hujan pada kondisi iklim tertentu. Salah satunya yaitu kajian tentang El Nino/Southern Oscillation (ENSO) terhadap curah hujan bulanan Pulau Jawa, yang dilakukan oleh Mulyanti (2012). Kajian tentang curah hujan tersebut dilakukan dengan menggunakan data lapangan serta pengolahan secara kuantitatif. Informasi yang disajikan dalam penelitian tersebut secara aktual dapat merepresentasikan kondisi sebenarnya di kenyataan, hanya saja tidak semua data stasiun hujan terisi, beberapa di antaranya kosong atau tidak memberikan informasi. Keberadaan teknologi penginderaan jauh, khususnya citra MODIS, dapat memberikan informasi curah hujan realtime pada seluruh
2
daerah cakupan. Dengan kata lain, proses identifikasi terhadap pola curah hujan dapat dilakukan secara cepat, mudah dan menyeluruh. Pernyataan di atas memberikan gambaran secara garis besar bahwa penelitian terkait dengan perolehan data curah hujan melalui data penginderaan jauh dimungkinkan untuk dapat dilakukan, khususnya pada kondisi el-nino yang terkait dengan kondisi perubahan iklim global. Wilayah kajian yang tepat untuk identifikasi pola curah hujan pada kondisi el-nino adalah Propinsi Jawa Timur. Hal tersebut dikarenakan Jawa bagian timur mengalami dampak terbesar dari kejadian el-nino, meskipun pengaruhnya lebih singkat (Mulyanti, 2012). Data pola curah hujan harian melalui citra MODIS selanjutnya diharapkan dapat memenuhi informasi kondisi el-nino pada penelitian ini.
1.2 Perumusan Masalah Data stasiun hujan di seluruh Indonesia hanya berada pada lokasi tertentu, dengan jumlah dan kualitas alatnya yang terbatas. Di sisi lain, ketersediaan data penginderaan jauh untuk lingkungan atmosfer melimpah karena interval waktu yang pendek untuk data dalam bentuk citra maupun non citra. Permasalahan lainnya, aplikasi penginderaan jauh untuk lingkungan atmosfer dalam jumlah (volume data) yang besar, membutuhkan seleksi, reduksi dan penanganan otomatis melalui komputer, baik dalam skala global maupun regional (Lo, 1996). Salah satu jenis citra satelit penginderaan jauh untuk lingkungan atmosfer yang terkait dengan kajian meteorologis serta mudah
diperoleh
adalah
MODIS.
Di
Indonesia,
pengolahan
data
penginderaan jauh untuk lingkungan atmosfer tidak banyak dilakukan, khususnya terkait dengan identifikasi kondisi curah hujan pada fenomena elnino. Beberapa algoritma pada penelitian sebelumnya menggunakan variabel kondisi awan untuk mengestimasi nilai curah hujan pada wilayah tertentu. Fenomena el-nino menyebabkan curah hujan di sebagian besar wilayah Indonesia berkurang. Tingkat berkurangnya curah hujan ini sangat tergantung dari intensitas el-nino tersebut. Menurut intensitasnya, el-nino terbagi dalam 4 skala yaitu kuat (strong), menengah (moderate), lemah (weak) dan sangat lemah (very weak) (Trenberth, 1997). Tahun 2009 dikategorikan sebagai
3
tahun kejadian el-nino menengah atau disebut juga dengan moderate el-nino (Null, 2007). Kejadian tersebut merupakan kondisi ekstrim yang berbeda dengan kondisi normal (pada umumnya). Seluruh kejadian tersebut memiliki karakteristik curah hujan, khususnya di Jawa, dan di daerah tropis umumnya, dengan ragam spasio-temporal yang tinggi. Citra MODIS memiliki wilayah cakupan yang luas (250 km hingga 1000 km) serta memiliki nilai spektral yang tinggi, yaitu 36 kanal pada panjang gelombang tampak hingga inframerah (0,405–14,385µm). Hal tersebut menunjukkan bahwa citra MODIS sebagai penyedia data untuk proses-proses pengkajian global tentang atmosfer memiliki kelebihan dibandingkan satelit cuaca lainnya (Mustofa, 2009). Meskipun, data curah hujan yang dihasilkan dari pengolahan citra MODIS selanjutnya perlu dibandingkan atau diuji dengan data curah hujan aktual pada stasiun penakar hujan. Mendasarkan uraian rumusan masalah yang disebutkan di atas, muncul pertanyaan penelitian sebagai berikut. 1. Algoritma apa yang dapat digunakan untuk mengidentifikasi informasi SPA dan ALB yang mendukung nilai curah hujan estimasi pada kondisi elnino melalui pengolahan citra MODIS? 2. Bagaimana perbandingan pola curah hujan estimasi yang ditunjukkan pada kondisi el-nino dengan kondisi normal melalui pengolahan citra MODIS di Provinsi Jawa Timur? 3. Bagaimana tingkat validasi pola curah hujan estimasi pada kondisi el-nino menggunakan citra Penginderaan Jauh dibandingkan dengan pengukuran data lapangan?
1.3 Tujuan Penelitian Tujuan dari penelitian ini, yaitu : 1. Mengetahui algoritma yang yang dapat memberikan informasi SPA dan ALB sebagai parameter pendukung nilai curah hujan estimasi pada kondisi el-nino melalui pengolahan citra MODIS.
4
2. Membandingkan pola curah hujan estimasi melalui pengolahan citra MODIS yang ditunjukkan pada kondisi el-nino dengan kondisi normal di Provinsi Jawa Timur. 3. Mengetahui validasi hasil identifikasi pola curah hujan (estimasi) pada kondisi el-nino menggunakan citra Penginderaan Jauh dibandingkan dengan pengukuran data lapangan.
1.4 Manfaat Penelitian Penelitian ini bermanfaat untuk beberapa kepentingan, antara lain : 1. Secara akademis, khususnya dalam bidang penginderaan jauh atmosfer, dapat memberikan gambaran tentang tingkat akurasi data curah hujan berdasarkan pengolahan citra MODIS. 2. Untuk instansi pengelola data curah hujan dan pemerintah daerah, dapat digunakan sebagai alternatif perolehan data terkait dengan estimasi curah hujan melalui citra MODIS.
1.5 Landasan Teori 1.5.1 Awan dan Hujan Udara selalu mengandung uap air. Apabila uap air ini meluap menjadi titik-titik air, maka terbentuklah awan. Penguapan ini bisa terjadi dengan dua cara (Pramudia, 2010) sebagai berikut. 1. Apabila udara panas, lebih banyak uap terkandung di dalam udara. Udara panas yang penuh dengan air ini akan naik tinggi, hingga tiba di satu lapisan dengan suhu yang lebih rendah, uap itu akan mencair dan terbentuklah awan, molekul-molekul titik air yang tak terhingga banyaknya. 2. Suhu udara tidak berubah, tetapi keadaan atmosfer lembab. Awan menurut
bentuknya terbagi menjadi 10 jenis awan
utama seperti pada Gambar 1.2, antara lain (Rahayu, 2010) : 1.
Cirrus (Ci), awan terlihat halus dan lembut seperti bulu-bulu, berwarna putih. Ketinggian umumnya lebih dari 5.000 meter. Terdiri
5
dari kristal es, suhu sangat dingin, walaupun pada musim panas atau kering. 2.
Cirrocumulus (Cc), mengandung butiran air super-dingin, bercampur dengan kristal es. Butiran air cepat membeku. Awan ini berumur sangat singkat, cepat berubah menjadi cirrostratus.
3.
Cirrostratus (Cs), gugusan kristal es, menyebar dan menutupi sebagian atau seluruh langit. Menyerupai selaput tipis tembus cahaya. Sering terbentuk cincin atau halo di sekeliling matahari atau bulan. Kadangkadang terjadi hujan yang tidak sampai ke permukaan bumi (virga), seolah-olah cerah di permukaan.
4.
Altocumulus (Ac), puncak awan putih bergulung, dengan dasar awan lebih gelap dan umumnya melebar. Seperti pecahan atau halus, ketebalan beragam. Menggambarkan udara cerah, namun bisa berkembang menjadi awan hujan lainnya, bahkan cumulonimbus.
5.
Altostratus (As), awan seperti lembaran halus berwarna abu-abu gelap. Dapat menghasilkan hujan gerimis, hujan ringan hingga sedang. Umumnya terbentuk sepanjang sore hari, diikuti hujan pada senja atau malam hari.
6.
Stratus (St), awan terpecah-pecah dan tipis, dapat berbentuk lembaran atau lapisan. Tidak tumbuh vertikal. Berkembang pada kondisi dimana aliran angin mengakibatkan udara terkondensasi pada lapisan atmosfer bawah.
7.
Stratocumulus (Sc), awan rendah yang umumnya bergerak lebih cepat dari cumulus. Dasar awan umumnya lebih gelap daripada puncak awan, namun ciri-cirinya dapat lebih beragam.
8.
Cumulus (Cu), adalah awan yang mengandung kristal es. Terlihat seperti serabut atau buntut kuda berwarna putih. Terlihat pada posisi yang sangat tinggi, umumnya lebih dari 5.000 meter dengan suhu sangat dingin, walaupun pada musim panas atau kering.
9.
Nimbostratus (Ns), berwarna gelap, langit tertutup awan, dan sinar matahari terhalang. Umumnya disertai cuaca buruk. Hujan turun dengan intensitas rendah hingga sedang, untuk waktu yang lama.
6
10. Cumulonimbus (Cb), awan cumulus yang tumbuh vertikal ketika cuaca terik. Mengandung hujan lebat, petir, kilat, kadang-kadang terkait dengan badai dan cuaca buruk.
Gambar 1. 2 Skema Penamaan Awan berdasarkan Bentuk dan Ketinggian Dasarnya (Pramudia, 2010)
Hujan adalah salah satu bentuk presipitasi. Definisi presipitasi pada dasarnya yaitu pengendapan air dari atmosfer pada permukaan bumi dalam bentuk cair (tetes hujan) dan padat (salju) (Tjasyono, 2008). Di wilayah tropis seperti Indonesia presipitasi lebih didefinisikan sebagai hujan karena sangat jarang terjadi presipitasi dalam bentuk jatuhan keping es. Curah hujan mempunyai variabilitas yang besar dalam ruang dan waktu. Menurut skala ruang, variabilitasnya sangat dipengaruhi oleh letak geografi, topografi, arah angin dan letak lintang. Menurut skala waktu, keragaman curah hujan dibagi atas tipe harian, bulanan dan tahunan. Variasi curah hujan harian lebih dipengaruhi oleh faktor lokal, variasi bulanan dipengaruhi oleh angin darat dan angin laut, aktivitas konveksi, arah aliran udara di permukaan serta variasi sebaran daratan dan lautan. Variasi curah hujan tahunan dipengaruhi oleh perilaku atmosfer global, siklon tropis dan lain-lain (Prasetya, 2011). Cuaca permukaan wilayah Indonesia relatif sama. Secara umum curah hujan di Indonesia didominasi oleh pengaruh beberapa fenomena seperti sistem monsoon Asia-Australia, el-nino, sirkulasi Timur-Barat (Walker Circulation) dan Utara-Selatan (Hadley Circulation) serta beberapa sirkulasi karena faktor lokal (Prasetya, 2011).
7
1.5.2 Suhu Permukaan Awan (SPA), Albedo Awan dan Estimasi Curah Hujan Suhu Permukaan Awan atau disingkat SPA, memiliki definisi lain yaitu temperatur puncak dari awan. Permukaan paling atas dari awan (cloud-top) merupakan bagian yang terpengaruh langsung oleh sinar matahari (seperti pada Gambar 1.3). Kondisi temperatur permukaan awan secara visual dapat diketahui melalui kecerahan awan dan ketebalan awan, yang cenderung pada jenis awan (Lo, 1996).
Gambar 1. 3 Proses Terjadinya Presipitasi pada 2 Jenis Kondisi Awan (IPCC, 2007)
Albedo memiliki kaitan dengan nilai pantulan kembali sinar matahari. Sedangkan albedo awan berarti nilai pantulan dari awan setelah menerima energi dari matahari, yang dipengaruhi oleh sudut zenith matahari, ketebalan awan, kandungan air atau es pada awan. Nilai albedo awan berkisar antara 10% hingga kurang dari 90% (Gourdeau, 2004).
8
Banyak penelitian penginderaan jauh sebelumnya terkait dengan estimasi curah hujan mendasarkan variabel SPA yang diperoleh melalui spektrum panjang gelombang inframerah dan kadangkala menyertakan variabel Albedo Awan (ALB) yang diperoleh melalui spektrum panjang gelombang tampak/visible. Pendekatan
tersebut umumnya didasarkan
pada asumsi bahwa SPA diyakini sebagai variabel prediktor yang tepat untuk menunjukkan nilai curah hujan (Kuligowski, 2010). Dengan kata lain, nilai curah hujan dapat diestimasikan melalui persamaan berdasarkan korelasi statistik dari beberapa parameter. Metode penaksiran hujan menggunakan spektrum tampak maupun inframerah dikelompokkan menjadi dua, yaitu : (1) metode indeks awan yang tidak tergantung waktu, (2) metode riwayat hidup (life history) tergantung waktu. Metode indeks awan memerlukan identifikasi tipe awan dan luas awan untuk menaksir jumlah hujan, dengan mangasumsikan intensitas dan probabilitas hujan tertentu berkaitan dengan jenis awan. Metode life history menguji perkembangan awan konveksi dari urutan waktu pada citra di setiap pikselnya (Lo, 1996).
1.5.3 El-Nino El Nino merupakan suatu gejala alam di Samudra Pasifik bagian tengah dan timur ditandai dengan kondisi memanasnya suhu permukaan laut di wilayah tersebut, yang berefek pada pendinginan suhu permukaan laut di lautan Indonesia. Saat yang bersamaan terjadi perubahan pola tekanan udara yang mempunyai dampak sangat luas. Tekanan udara pada masing-masing wilayah kejadian el-nino memiliki hubungan yang berbanding terbalik dengan suhu permukaan laut (Gambar 1.4). Kondisi El Nino ditunjukkan melalui rendahnya tekanan udara pada wilayah Samudra Pasifik bagian timur dan tingginya tekanan udara pada wilayah Samudra Pasifik bagian barat (Stone, 2010). Walaupun el-nino dianggap sebagai faktor pengganggu dari sirkulasi monsun yang berlangsung di Indonesia, namun pengaruhnya sangat terasa yaitu timbulnya bencana kekeringan yang meluas. Ketika berlangsung el-
9
nino, terjadi penguatan angin barat di Pasifik barat daerah ekuator mulai dari sebelah utara Irian hingga Pasifik Tengah (Trenberth, 1997). Fase Panas (el-nino) sebagai bagian dari ENSO dipengaruhi oleh tiga faktor, yaitu curah hujan, temperatur dan evaporasi (Mulyanti, 2012). Terjadinya el-nino menyebabkan musim penghujan datang lebih akhir serta menurunkan total curah hujan. Dampak el-nino siginifikan pada bulan September – November (SON) dan memberikan dampak signifikan dalam menurunkan curah hujan di Pulau Jawa pada bulan Desember – Februari (DJF) (Qian, et al., 2010).
Gambar 1. 4 Hubungan Suhu Permukaan Laut dan Tekanan Udara (Stone, 2010)
Indikator menentukan terjadinya el-nino adalah SST (Sea Surface Temperature), SOI (Southern Oscillation Index) dan MEI (Multivariate ENSO Index). MEI merupakan gabungan SOI dan SST.
10
Tabel 1. 1 Tahun Kejadian El-Nino dan La-Nina di Indonesia
Tipe ENSO
Tahun
JJA
JAS
ASO
Nilai Ocean Nino Indeks (ONI) per Triwulan SON OND NDJ DJF JFM FMA MAM
AMJ
MJJ
-
2001
2002
0.0
0.0
-0.1
-0.2
-0.2
-0.3
-0.2
0.0
0.1
0.3
0.5
0.7
ME
2002
2003
0.8
0.8
0.9
1.2
1.3
1.3
1.1
0.8
0.4
0.0
-0.2
-0.1
-
2003
2004
0.2
0.4
0.4
0.4
0.4
0.3
0.3
0.2
0.1
0.1
0.1
0.3
WE
2004
2005
0.5
0.7
0.7
0.7
0.7
0.7
0.6
0.4
0.3
0.3
0.3
0.3
WL
2005
2006
0.2
0.1
0.0
-0.2
-0.5
-0.8
-0.9
-0.7
-0.5
-0.3
0.0
0.1
WE
2006
2007
0.2
0.3
0.5
0.8
1.0
1.0
0.7
0.3
-0.1
-0.2
-0.3
-0.3
ML
2007
2008
-0.3
-0.6
-0.9
-1.1
-1.2
-1.4
-1.5
-1.5
-1.2
-0.9
-0.7
-0.5
-
2008
2009
-0.3
-0.2
-0.1
-0.2
-0.4
-0.7
-0.9
-0.8
-0.6
-0.2
0.1
0.4
ME
2009 2010 0.5 0.6 0.7 1.0 1.4 1.6 1.6 1.4 1.1 0.7 0.2 Keterangan : ME (Moderate El Nino); WE (Weak El Nino); ML (Moderate -1.3La Nina); WL (Weak La Nina). Sumber : (Null, 2007)
1.5.4 Penginderaan Jauh untuk Lingkungan Atmosfer Penginderaan jauh (remote sensing) adalah ilmu dan seni untuk memperoleh informasi mengenai obyek, daerah atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan obyek atau fenomena yang dikaji (Lillesand, et al., 1990). Pola pantulan spektral pada citra penginderaan jauh sangat berguna untuk mengenali obyek atau fenomena yang ada dimuka bumi. Aplikasi penginderaan jauh untuk lingkungan atmosfer dicirikan oleh arah orientasi analisis dari volume data satelit meteorologi dalam jumlah yang besar. Dengan kata lain, skala penelitian dalam aplikasi penginderan jauh untuk lingkungan atmosfer ini berada pada skala global hingga regional (Barret, 1974). Selain pertimbangan skala tersebut, ketersediaan data satelit cuaca untuk interval waktu yang pendek memeberikan tiga pendekatan, yaitu (1) interpretasi visual atau bantuan komputer pola spasial citra dua dimensi asli; (2) analisis matematis pengukuran radiasi untuk memperoleh parameter meteorologi yang bermanfaat; (3) deteksi trend atau pola perubahan fenomena iklim dengan cara membandingkan data meteorologi satu dimensi atau dua dimensi (Lo, 1996).
11
0.3
Tidak semua spektrum gelombang elektromagnetik (lihat Gambar 1.5) dapat digunakan untuk kajian penginderaan jauh lingkungan atmosfer, hanya sebagian dari spektrum yang terkait dengan besaran, parameter serta gejala atmosfer,
yang dapat
digunakan (Prawirowardoyo, 1996).
Perkembangan penginderaan jauh lingkungan atmosfer, khususnya dalam memprediksi curah hujan memunculkan banyak algoritma yang bervariasi. Pada dasarnya, instrumen dasar penginderaan jauh yang digunakan (seperti pada kejadian curah hujan) tidak berbeda dengan kajian penginderaan jauh di bidang lain, yaitu gelombang elektromagnetik bagian tampak (visible) dan inframerah (infrared) yang saling di-regresikan secara statistik (Hao, et al., 2007). Di sisi lain, masalah utama aplikasi penginderaan jauh untuk lingkungan atmosfer adalah melimpahnya data. Volume data satelit yang besar serta dikumpulkan setiap harinya, membutuhkan seleksi, reduksi dan penanganan otomatis dengan komputer (Lo, 1996).
Gambar 1. 5 Nilai Serapan dan Pancaran oleh Atmosfer (WCRP, 2008)
12
1.5.5 Kualitas Data Spasial Kualitas data spasial merupakan hal penting dalam 15 tahun terakhir ini. Studi terkait kualitas data spasial meliputi aspek ilmu sosial (analisis kualitas data pengguna), model database (metadata) dan analisis statistik secara kuantitatif (ITC, 2014). Data spasial setidaknya ada tiga komponen di dalamnya, antara lain (Hunter, et al., 2009). 1. Akurasi data (accuracy) Keakuratan adalah kedekatan dari hasil pengamatan terhadap nilai-nilai benar atau nilai-nilai yang diterima sebagai benar. 2. Kualitas (quality) Kualitas secara sederhana dapat dikatakan sebagai kesesuaian untuk digunakan untuk sebuah dataset tertentu. Data yang sesuai untuk digunakan dengan satu aplikasi mungkin tidak cocok untuk digunakan dengan yang lain. Hal ini sepenuhnya bergantung pada skala, akurasi, dan cakupan data yang ditetapkan, serta kualitas data set yang akan digunakan.
US
Spatial
Data
Transfer
Standard
(SDTS)
mengidentifikasi lima komponen data kualitas definisi, yaitu : a. Lineage (riwayat data) : sumber, isi, spesifikasi, cakupan geografis, metode kompilasi, metode tranformasi, penggunaan algoritma yang relevan selama kompilasi. b. Positional accuracy (akurasi posisi) c. Attribute accuracy (akurasi informasi simbol) d. Logical consistency : komponen ini berkaitan dengan menentukan konsistensi struktur data dari sebuah dataset. e. Completeness
(kelengkapan
terhadap kekosongan
data,
data)
bagian
yang
:
pertimbangan tak
terklasifikasi
dan prosedur kompilasi. 3. Kesalahan (error) Ada dua jenis kesalahan, yaitu kesalahan sumber dan kesalahan opersional. Kesalahan sumber mengartikan bahwa kesalahan berasal dari sumber dokumen dan data. Kesalahan operasional seperti
13
kesalahan saat pengambilan sampel, ketidak akuratan algoritma, kesalahan klasifikasi dan lain sebagainya. Data spasial terkait dengan informasi curah hujan melalui citra penginderaan jauh dan data pengukuran lapangan memiliki resolusi dan akurasi yang berbeda, baik secara spasial maupun temporal. Komponen pengukuran kualitas data (resolusi dan akurasi) secara spasial meliputi pertimbangan dimensi data (x, y, z) dan ukuran piksel/cakupan wilayah (Veregin, 1998). Pengukuran untuk memperoleh nilai akurasi spasial dapat dilakukan dengan memperhatikan komponen statistiknya, seperti rerata kesalahan (mean error), RMSE (root mean squared error), derajat kepercayaan (confidence limits), dan lainnya. Resolusi spasial penting diperhatikan untuk pengambilan sampel, agar sampel tidak terlalu banyak ataupun terlalu sedikit. Pengukuran untuk memperoleh nilai akurasi temporal yaitu dengan memperhatikan aktualisasi data serta dinamika perubahan informasi yang terjadi pada suatu lokasi. Terkait dengan resolusi temporal, hal yang perlu diperhatikan adalah interval sampel (Veregin, 1998). Contohnya terkait dengan pengukuran data curah hujan adalah dengan memperhatikan rata-rata sampel pada citra dan data lapangan untuk setiap waktu perekaman (scene).
1.5.6 Citra MODIS
Gambar 1. 6 Satelit Terra MODIS dan Satelit Aqua MODIS (Gumley, 2002)
14
MODIS (Moderate Resolution Imaging Spectroradiometer) adalah salah satu dari lima sensor (ASTER, CERES, MISR, MODIS, dan MOITT) yang secara komprehensif mengukur lingkungan bumi dan perubahan didalam sistem iklim. MODIS (lihat Gambar 1.6) telah berhasil diluncurkan dari Vandenberg Air Force Base, CA pada tanggal 18 Desember 1999 dengan satelit Terra (mengorbit dari utara ke selatan). Satelit ke dua, yaitu Aqua (mengorbit dari selatan ke utara), diluncurkan pada tanggal 4 Mei 2002. MODIS mempunyai 2 band resolusi 250 m, yang 4 kali lebih baik dari NOAA-AVHR, 5 band resolusi 500 m, dan 29 band resolusi 1000 m. MODIS dapat mengamati seluruh permukaan bumi dengan resolusi temporal yang tinggi. MODIS mengorbit bumi secara polar pada ketinggian 705 km. Lebar cakupan lahan pada permukaan bumi setiap putarannya sekitar 2330 km. Pantulan gelombang elektromagnetik yang diterima sensor MODIS sebanyak 36 band (36 interval panjang gelombang) seperti pada Tabel 2, mulai dari 0,405 sampai 14,385 µm (1 µm = 1/1.000.000 meter). Data terkirim dari satelit dengan kecepatan 11 Megabytes setiap detik dengan resolusi radiometrik 12 bits. Artinya obyek dapat dideteksi dan dibedakan sampai 212 = 4.096 derajat keabuan (grey levels) (Toller, et al., 2009). Dengan karakteristik di atas, MODIS memiliki beberapa kelebihan dibanding NOAA-AVHRR. Diantara kelebihannya, yaitu lebih banyaknya spektral panjang gelombang (resolusi radiometrik), lebih telitinya cakupan lahan (resolusi spasial) serta lebih seringnya frekuensi pengamatan (resolusi temporal). Data yang diperoleh dari MODIS, dapat dimanfaatkan untuk dinamika global dan proses yang terjadi di permukaan bumi, laut, dan atsmosfer dekat permukaan bumi. MODIS berperan sangat penting dalam memprediksi perubahan global secara akurat dan membantu penentu kebijakan yang berhubungan dengan pengelolaan lingkungan. Secara detail, produk MODIS dikatagorikan menjadi tiga bagian, yaitu produk pengamatan vegetasi, radiasi permukaan bumi, dan tutupan lahan. Meskipun, kualitas produk tersebut perlu diukur melalui proses valiadasi,
15
yaitu membandingkan ketepatan pengamatan sensor dengan kondisi sebenarnya (Mustofa, 2009). Tabel 1. 2 Spesifikasi Sensor MODIS Aqua/Terra
Band 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 26 20 21 22 23 24 25 27 28 29 30 31 32 33 34 35 36
Resolusi Kegunaan Utama Spasial (m) Saluran Reflektan (Pantulan) 0,620 - 0,670 250 Aerosol, Awan, Lahan 0,841 - 0,876 250 0,459 - 0,479 500 Aerosol, Awan, Ketebalan Optis, 0,545 - 0,565 500 Bentuk Awan, Masking Awan, Salju, 1,230 - 1,250 500 1,628 - 1,652 500 Lahan/Tanah 2,105 - 2,155 500 0,405 - 0,420 1000 Warna Laut, Klorofil, Fitoplankton, 0,438 - 0,448 1000 Biogeo-kimiawi 0,483 - 0,493 1000 0,526 - 0,536 1000 0,546 - 0,556 1000 Sedimen, Atmosfer 0,662 - 0,672 1000 0,673 - 0,683 1000 Flouresense 0,743 - 0,753 1000 Aerosol Atmosfer 0,862 - 0,877 1000 0,890 - 0,920 1000 Uap Air, Awan 0,931 - 0,941 1000 0,915 - 0,965 1000 1,360 - 1,390 1000 Awan Sirus Saluran Radian (Pancaran) 3,660 - 3,840 1000 Permukaan dan Awan, Suhu, Api dan 3,929 - 3,989 1000 Vulkanik, 3,929 - 3,989 1000 Suhu Muka Laut 4,020 - 4,080 1000 4,433 - 4,498 1000 Suhu Atmosfer 4,482 - 4,549 1000 6,535 - 6,895 1000 Uap Air Troposfer 7,175 - 7,475 1000 8,400 - 8,700 1000 Partikel Awan 9,580 - 9,880 1000 Total Kandungan Ozon 10,780 - 11,280 1000 Awan, Api, Suhu Permukaan 11,770 - 12,270 1000 13,185 - 13,485 1000 13,485 - 13,785 1000 Ketinggian Awan, Suhu, Tekanan, Profil Suhu/Temperatur 13,785 - 14,085 1000 14,085 - 14,385 1000 λ (µm)
Sumber : modis.gsfc.nasa.gov
1.6 Penelitian Sebelumnya Penelitian tentang estimasi curah hujan, khususnya dengan data penginderaan jauh, telah dilakukan oleh beberapa peneliti sebelumnya.
16
Widodo (1998), menggunakan data Satelit Cuaca GMS melalui persamaan regresi berganda untuk
estimasi curah hujan. Metode dalam penelitian
tersebut, yaitu menggabungkan variabel terikat (curah hujan) dengan variabel tak terikat (suhu ppermukaan awan dan albedo awan) untuk dijadikan persamaan regresi linier berganda serta estimasi curah hujan. Penelitian yang dilakukan selama bulan Oktober, November 1996 dan Januari hingga Maret 2007 di Bandung tersebut, menghasilkan korelasi antara suhu puncak awan, albedo awan dan curah hujan sebesar 87,3 persen. Hao, et al. (2007) melakukan perbandingan estimasi curah hujan melalu beberapa algoritma. Diantaranya, yaitu data harian Aqua MODIS dengan metode MODIS Dual Spectral Rain Algorithm (MODRA), algoritma AMSRE dan pengukuran lapangan. Penelitian yang dilakukan di China bagian Timur selama bulan Mei hingga September 2005 ini, menunjukkan hasil bahwa estimasi curah hujan dari MODRA lebih baik terhadap awan-awan hujan yang hangat jika dibandingkan dengan algoritma AMSR-E. Indah, et al. (2007) melakukan penelitian berupa pengembangan aplikasi data Terra MODIS untuk ekstraksi data Suhu Permukaan (SP) dengan menerapkan 3 algoritma perhitungan, yaitu Price (1984), Li & Becker (1991) dan Coll, et al. (1994). Metode split-window dengan menggunakan 2 band (31 dan 32) pada penelitian ini, menunjukkan hasil berupa, nilai SP tertinggi dihasilkan oleh algoitma Li & Becker (1991) dan terendah dihasilkan oleh algoritma Price (1984). Mardiyanto (2009) dengan menggunakan data gabungan dari citra MTSAT dan TRMM, sekaligus kondisi fisik lahan dari Citra Landsat ETM+, melakukan estimasi curah hujan pada tanggal 5 hingga 15 Februari 2009 di DAS Garang, Semarang, Jawa Tengah. Curah hujan yang diperoleh melalui gabungan nilai estimasi kedua citra tersebut serta kondisi fisik DAS, kemudian digunakan untuk menghitung debit aliran DAS dengan metode rasional. Nilai debit aliran melalui data penginderaan jauh, kemudian dibandingkan dengan debit aliran hasil pengukuran di lapangan (ALWR). Buana (2012) melakukan penelitian dengan menggabungkan variabel suhu permukaan awan dan albedo awan untuk digunakan sebagai persamaan
17
estimasi curah hujan melalui citra TERRA MODIS. Penelitian tersebut dilakukan di sebagian daerah Jawa Tengah pada tahun 2001 hingga tahun 2011. Metode yang digunakan untuk menghasilkan persamaan dalam penelitian tersebut yaitu regresi linier berganda. Hasilnya menunjukkan bahwa nilai curah hujan estimasi berada di bawah acuan nilai curah hujan dari data lapangan (Dinas Pertanian). Penelitian
yang
dilakukan
oleh
penulis
memanfaatkan
data
penginderaan jauh berupa citra Terra MODIS untuk identifikasi pola curah hujan di Provinsi Jawa Timur. Penelitian ini menggunakan data time series, yaitu saat tahun terjadinya el-nino (2009/2010) serta dibandingkan dengan tahun normal (2003/2004). Metode yang digunakan dalam penelitian ini adalah persamaan regresi linier berganda pada dua jenis persamaan (gabungan 2 algoritma) untuk memperoleh nilai estimasi curah hujan. Hasil akhir dari nilai estimasi curah hujan tersebut kemudian dibandingkan dengan data lapangan (stasiun hujan). Berikut ini adalah tabel perbandingan perbedaan penelitian penulis dengan peneliti sebelumnya. Tabel 1. 3 Daftar Penelitian Terkait Sebelumnya
Penulis/Judul Tujuan (1) (2) F. Heru Widodo, 1998. 1. Mempelajari kemampuan Pemanfaatan Data satelit cuaca GMS untuk Satelit Cuaca GMS menyadap data Albedo untuk Estimasi Curah Awan (ALB) dan SPA. Hujan di Kabupaten 2. Mencari hubungan antara Bandung, Jawa Barat ALB dan SPA dengan dan sekitarnya. Thesis. curah hujan yang terjadi. 3. Membuat model matematis untuk estimasi besarnya curah hujan wilayah menggunakan ALB dan SPA dari citra satelit GMS.
Metode Hasil (3) (4) Regresi Berganda, 1. Satelit cuaca GMS dapat Variabel Terikat (Curah dipakai dengan baik untuk Hujan), Variabel Tak menyadap data SPA Terikat (SPA & Albedo melalui nilai indeks Awan). kecerahan pada citra GMS. 2. Hubungan kecerahan antara SPA dan ALB terhadap curah hujan cukup tinggi. 3. Satelit cuaca GMS-5 dapat digunakan untuk pembuatan model estimasi curah hujan dengan pengukuran nilai ALB dan SPA.
18
Lanjutan Tabel 1.3
Penulis/Judul (1) Hao Yan dan Song Yang, 2007. A MODIS Dual Spectral Rain Algorithm. Journal of Applied Meteorology and Climatology Vol. 46 p.1305-1323.
Tujuan (2) Mengeksplorasi cara baru untuk memperkirakan curah hujan dari MODIS melalui berbagai saluran terkait dengan awan.
Metode (3) Perbandingan Data Harian Aqua MODIS, AMSR-E dan pengukuran lapangan, MODRA, Multiregresi dan Korelasi Band IRVIS.
Hasil (4) Melalui penerapan MODRA menggunakan 2 band (panjang gelombang 11 µm dan 1,38 µm), hasil menunjukkan bahwa estimasi curah hujan dari MODRA lebih baik terhadap awanawan hujan yang hangat jika dibandingkan dengan algoritma AMSR-E.
Indah, et al., 2007. Pengkajian Pemanfaatan Data Terra-MODIS untuk Ekstraksi Data Suhu Permukaan Lahan (SPL) berdasarkan Beberapa Algoritma. Jurnal LAPAN Vol 4 No. 1.
Mengembangkan aplikasi data Terra MODIS guna ekstraksi data Suhu Permukaan (SP) dengan menerapkan 3 algoritma perhitungan, yaitu Price (1984), Li & Becker (1991) dan Coll, et al. (1994).
Pengolahan data SP dengan 3 algoritma, Klasifikasi nilai SP, Metode Multi-Kanal (Split Window).
Data Terra MODIS memungkinkan untuk dikembangkan guna ekstraksi data SP, yaitu dengan memanfaatkan kanal 31 dan 32. Nilai SP tertinggi dihasilkan oleh algoitma Li & Becker (1991) dan terendah dihasilkan oleh algoritma Price (1984).
Mardiyanto, 2010. 1. Estimasi curah hujan dari Pemanfaatan Citra gabungan data satelit Satelit Orbit MTSATdan TRMM Geostasioner dan Orbit 2. Memperoleh debit aliran Polar untuk Estimasi dengan metode rasional Curah Hujan dan Debit menggunakan SIG Puncak di DAS 3. Menentukan ketepatan Garang, Semarang, relatif sebit limpasan Jawa Tengah. Thesis. aktual dan estimasi dibandingkan dengan debit aliran dari data AWLR Fahrudin Indra Buana, 1. Estimasi curah hujan 2012. Estimasi Curah yang terjadi dengan Hujan Menggunakan analisis suhu permukaan Citra MODIS di awan dan nilai albedo. Sebagian Daerah Jawa 2. Mengetahui tingkat Tengah. Skripsi. keakuratan data curah hujan yang disadap dari citra MODIS dengan data curah hujan acuan (milik Dinas Pertanian).
Penginderaan Jauh Cuaca 1. Estimasi curah hujan dari (MTSAT dan TRMM), gabungan data satelit Statistik, Debit Puncak MTSATdan TRMM. melalui metode Cook, 2. Estimasi debit puncak Hidrologi dan SIG. dengan data citra satelit dan debit puncak aktual dari data pengukuran stasiun hujan. 3. Ketepatan debit aliran dari hasil pengukuran stasiun hujan dan estimasi citra satelit dibandingkan dengan data AWLR. SPA + Albedo, Regresi Pola sama dengan curah Berganda. hujan aktual, hasil underestimate.
19
Lanjutan Tabel 1.3
Penulis/Judul Tujuan (1) (2) Rif’at Darajat, 2013. 1. Mengetahui algoritma Identifikasi Pola Curah yang dapat memberikan Hujan pada Kondisi informasi suhu El-Nino melalui Citra permukaan awan (SPA) MODIS di Propinsi dan albedo awan (ALB) Jawa Timur. Skripsi. sebagai parameter pendukung nilai curah hujan (estimasi) melalui pengolahan citra satelit MODIS. 2. Membandingkan pola curah hujan (estimasi) yang ditunjukkan pada kondisi el-nino dengan kondisi normal. 3. Mengetahui validasi hasil identifikasi pola curah hujan (estimasi) menggunakan citra PJ dibandingkan dengan data lapangan.
Metode Hasil (3) (4) Ekstraksi Suhu 1. Peta intensitas curah hujan Permukaan Awan (SPA) yang didapat dari citra dan Albedo melalui satelit MODIS tiap 3 kali beberapa algoritma, dalam satu bulan. Regresi Liner Berganda, 2. Grafik intensitas curah Uji Akurasi dengan Data hujan pada kondisi el-nino Stasiun Hujan. dan kondisi normal (sebagai pembanding). 3. Tabel dan grafik perbandingan antara pola curah hujan hasil estimasi pengolahan citra satelit MODIS dengan data lapangan (stasiun hujan) daerah kajian.
1.7 Kerangka Pemikiran Kejadian hujan yang tidak menentu serta perubahan iklim drastis yang akhir-akhir ini terjadi merupakan salah satu contoh fenomena cuaca yang menarik untuk diteliti. Hanya saja ketersediaan data hujan di stasiun memiliki beberapa kekurangan seperti pencatatan yang tidak teratur, kondisi alat, pembacaan data yang kurang cermat dan lain sebagainya. Di sisi lain, masalah utama aplikasi penginderaan jauh untuk lingkungan atmosfer adalah melimpahnya data. Volume data satelit yang besar dan dikumpulkan setiap hari membutuhkan seleksi, reduksi dan penanganan otomatis dari komputer. Memperhatikan dua hal yang berbeda tersebut, peluang untuk melakukan penelitian tentang curah hujan secara realtime pada kondisi tertentu dapat disinkronkan. Data hujan hasil estimasi melalui satelit penginderaan jauh dapat dikonversi hingga satuan mm/jam. Satelit MODIS merupakan jenis satelit
20
yang dapat memonitoring permukaan bumi melalui deteksi suhu permukaan serta albedo, khususnya terkait dengan awan. Kualitas hujan pada salah satu kondisi iklim, yaitu el-nino, dapat diamati melalui satelit MODIS dengan memperhatikan pola yang terjadi di setiap bulannya sepanjang tahun. El-Nino merupakan kondisi tegas ketika potensi hujan minim akibat meningkatnya suhu muka laut secara ekstrim. Visualisasi akhir dari pengolahan data hujan melalui satelit MODIS adalah grafik pola curah hujan serta peta distribusi hujan pada kondisi el-nino di daerah penelitian. Uji akurasi dari pengolahan data penginderaan jauh tersebut dilakukan dengan membandingkan data pengukuran lapangan (data sekunder curah hujan dari stasiun hujan). Grafik yang menunjukkan pola curah hujan pada kondisi normal (tidak terjadi el-nino dalam satu tahun) dapat disajikan sebagai pembanding dalam melakukan analisis pola curah hujan dalam setahun pada kondisi klimatologi yang berbeda. 1. Fenomena hujan yang bervariasi (tidak menentu) akibat pengaruh perubahan iklim 2. Ketersediaan data penginderaan jauh di bidang lingkungan atmosfer melimpah (seperti : data satelit GOES, CERES, NOAA, TRMM, MODIS, MTSAT, dan lain sebagainya)
Pemanfaatan data citra satelit MODIS
Pengolahan citra satelit melalui beberapa algoritma untuk memperoleh data curah hujan (harian, bulanan) pada kondisi El-Nino dan kondisi normal
Nilai curah hujan dan lokasi stasiun hujan dari data lapangan (sekunder)
Pola dan distribusi curah hujan tiap bulan pada kondisi El-Nino dan kondisi normal (sebagai pembanding) Gambar 1. 7 Diagram Kerangka Pemikiran
21
1.8 Batasan Istilah 1. Albedo merupakan presentase yang menggambarkan perbandingan antara sinar matahari yang tiba di permukaan bumi dan yang dipantulkan kembali ke angkasa dengan perubahan panjang gelombang (outgoing longwave radiation) (Budikova, et al., 2012). 2. Awan adalah suatu kumpulan partikel air atau es yang tampak di atmosfer. Kumpulan partikel tersebut termasuk partikel yang lebih besar, juga partikel kering seperti terdapat pada asap atau debu (Prawirowardoyo, 1996). 3. Data Realtime adalah data yang selalu diperbarui secara cepat dan terus menerus (Hanifuddin, 2012). 4. El-Nino merupakan suatu gejala alam di Samudra Pasifik bagian tengah dan timur diikuti dengan memanasnya suhu permukaan laut di wilayah tersebut. El-Nino secara umum akan menyebabkan curah hujan di sebagian besar wilayah Indonesia berkurang, besar pengurangannya tergantung dari lokasi dan intensitas El-Nino tersebut (Mulyana, 2002). 5. Korelasi Statistik adalah hubungan, yang dalam hal ini adalah hubungan antara satu variabel dengan variabel lain. Besarnya korelasi ditunjukkan oleh koefisien korelasi (Furqon, 2004). 6. Presipitasi adalah semua bentuk dari unsur air (hujan, salju, es, embun, kabut) yang jatuh ke tanah (Miller, et al., 1983). 7. Suhu Puncak Awan adalah besarnya suhu di permukaan awan (Widodo, 1998). 8. Kolokasi adalah titik dengan perbedaan nilai pada sistem pengamatan independen, yang memiliki bias dan kesalahan sistematis (Worley, et al., 2011). Contohnya yaitu perbandingan antara data aktual dan penginderaan jauh pada lokasi dan waktu yang sama.
22
