: rata-rata spasial curah hujan, evapotranspirasi, atau kelembapan udara; dan n : banyaknya stasiun cuaca (dalam kajian ini n = 36).
88
Lampiran D. (lanjutan).
89
Lampiran E. Analisis statistik karakteristik hidrometeorologi
a. Jumlah kumulatif Jumlah kumulatif hidrometeorologi dihitung dengan menggunakan persamaan berikut, t
St = ∑ ( xk − x )
(1)
k =1
n
(2)
x = ∑ xi / n i =1
di mana St : jumlah kumulatif, xi : deret waktu hidrometeorologi, x : rata-rata deret waktu, dan n : jumlah data yang dianalisis. b. Analisis variabilitas Analisis variabilitas hidrometeorologi menggunakan koefisien keragaman yang dinyatakan oleh persamaan berikut, ⎛S⎞ CV = ⎜ ⎟ x100% ⎝Y ⎠
(3)
1
⎡ Σ(Yt − Y ) 2 ⎤ 2 S=⎢ ⎥ ⎣ (n − 1) ⎦
Y=
(4)
ΣYt n
(5)
di mana Cv : koefisien variasi, S : standar deviasi, Yt : nilai Y yang ke-t, Y : nilai rata-rata Y, dan n : jumlah data yang dianalisis.
c. Korelasi dimensi Korelasi dimensi dihitung dengan menggunakan rekonstruksi phase-space dari deret waktu. Untuk nilai deret waktu Xi di mana i=1,2,3,…,N, rekonstruksi phasespace dapat diperoleh melalui metode delay menurut persamaan berikut, Yi = ( X j , X
j +τ
,X
j + 2τ
,..., X
j + ( d −1 )τ
)
(6)
di mana j : 1,2,3,.., (d-1)τ/Δt, d : dimensi dari vektor Yi (embedding), τ : delay time, dan Δt : beda waktu. Fungsi korelasi C(r) untuk series phase-space dengan d dimensi, dapat dinyatakan oleh persamaan berikut,
90
Lampiran E. (lanjutan) C(r) =
(
2 ∑H r − Yi − Yj (N)(N −1) i, j
)
untuk i ≤ j ≤ N
(7)
di mana H : fungsi tahapan Heaviside, U : r − Yi − Y j , r : radius dari pusat sperik terhadap vektor Yi atau Yj, dan N : jumlah data yang dianalisis. Fungsi korelasi C(r) dihubungkan dengan radius r (untuk nilai r positif) mengikuti persamaan berikut, C (r ) ≈ α .r v , untuk N → ∞, r → 0 v≈
log(C ( r )) log r
(8) (9)
di mana α : konstanta dan v : korelasi exponensial atau kemiringan dari plot log C(r) terhadap log r. d. Distribusi probabilitas Jika nilai x ambang batas intensitas tinggi, maka pasangan dari distribusi probabilitas deret waktu hidrometeorologi (X) mengukuti persamaan berikut,
Pr( X > x) ≈ x − qD
(10)
dimana Pr : distribusi probabilitas dan qD : probabilitas eksponensial. Nilai qD<2 menunjukkan bahwa proses hidrometeorologi merupakan model mono-fraktal. Sebaliknya proses hidrometeorologi merupakan model multifraktal apabila nilai qD >2. e. Periode ulang Probabilitas dan periode ulang nilai ekstrim dari proses hirdometeorologi dihitung dengan menggunakan persamaan berikut,
F ( x) = exp(− y ) ⎡ ( x − c) ⎤ y=⎢ ⎣ b ⎥⎦
91
a
(11)
(12)
Lampiran E. (lanjutan)
1 F ( x)
(13)
1 (1 − F ( x))
(14)
Tmax =
Tmin =
di mana F(x) : distribusi probabilitas, x : variabel random, a,b,c : parameter distribusi, Tmax : periode ulang nilai ekstrim maksimum, dan Tmin : periode ulang nilai ekstrim minimum. Parameter a, b, dan c dihitung dengan menggunakan prinsip entropi maksimum dan metode momen yang dihitung dari tiga persamaan berikut,
N −1 ∑ ln( y ) = −C
(15)
N −1 ∑ y = 1
(16)
N −1 ∑ xi = c + b.Γ(1 + 1a )
(17)
N
i =1
di mana N : jumlah data yang dianalisis, C : bilangan Euler (0.5772156649...), dan Γ() : fungsi gamma. f. Power spektrum Analisis power spektrum dilakukan menggunakan persamaan Monte Carlo Singular Spectrum Analysis (SSA) yang dinyatakan oleh persamaan berikut, ⎛ ⎜ ⎜ 1− r2 S ( f ) = So ⎜ ⎜ 1 − 2r cos⎛⎜ 2πf ⎜ f ⎜ ⎝ N ⎝
So =
σ2 1− r2
fN =
92
2 Δt
⎞ ⎟ ⎟ ⎟ ⎞ 2⎟ ⎟⎟ + r ⎟ ⎠ ⎠
(18)
(19)
(20)
Lampiran E. (lanjutan)
di mana S(f) : power spektrum dari proses stokastik, So : rata-rata power spektrum (0 < So < ∝), r : autokorelasi beda ke-1 (time lag 1), σ : varian galat, f : rekwensi penurunan power spektrum, fN : frekuensi Nyquist yaitu frekuensi tertinggi pada selang waktu Δt, dan t : satuan waktu (biasanya Δt =1). Power spektrum dapat dinyatakan juga dalam bentuk persamaan berikut. S ( f ) ≈ f −β
(21)
Dimana f : frekuensi, dan β : spektral exponensial. g. Analisis kecenderungan Model statistik regresi logistik linier dapat digunakan untuk menghitung nilai kecenderungan pada deret waktu hidrometeorologi. Model kecenderungan logistik menggambarkan bentuk transformasi dari nilai yang diharapkan (probabilitas suatu kejadian, π ) sebagai fungsi linier dari waktu yang dinyatakan sebagai berikut,
η (π ) = α + β .t
(22)
dengan α : intersepsi garis regresi, β : koefisien persamaan regresi, π : probabitas kejadian, η : fungsi hubungan monotonik, dan t : waktu. Fungsi hubungan monotonik pada model regresi logistik di atas dihitung menggunakan persamaan 23. Variasi temporal dari nilai harapan kejadian dari proses hidrometeorologi dihitung dari persamaan 24. Besarnya nilai kecenderungan ditentukan dari parameter β yang diekspresikan oleh rasio odds (θ) dan dinyatakan oleh persamaan 25. ⎛ π ⎞ ⎟ ⎝1−π ⎠
η (π ) = log⎜ π (t ,α , β ) =
exp(α + β .t ) (1 + exp(α + β .t ))
93
(23)
(24)
Lampiran E. (lanjutan)
⎛ π (t2 ) ⎞ ⎜⎜ ⎟ 1 − π (t2 ) ⎟⎠ ⎝ θ= = exp[β .(t2 − t1 )] ⎛ π (t1 ) ⎞ ⎜⎜ ⎟⎟ ⎝ 1 − π (t1 ) ⎠
(25)
dengan α : intersepsi garis regresi, β : koefisien persamaan regresi, π : probabitas kejadian, η : fungsi hubungan monotonik, θ : rasio odds, dan t : waktu. h. Analisis sensitivitas Analisis sensitivitas diakukan untuk mengetahui tingkat perubahan debit sungai dan terhadap perubahan curah hujan, dinyatakan oleh persamaan berikut : N
S=
∑ (O − O ) / O i
(26)
i
N
∑ (I
i
− I)/ I
i
di mana S : nilai sensitivitas, Oi : debit sungai ke-i, O : rata-rata debit sungai, 1i : curah hujan ke-i, dan I : rata-rata curah hujan.
94
Lampiran F. Analisis neraca air
Analisis neraca air dipergunakan untuk mengkaji pola perubahan komponen hidrometeorologi pada suatu daerah aliran sungai. Pendekatan analisis neraca air pada suatu daerah aliran sungai secara alami (tanpa campur tangan manusia) dapat menggunakan persamaan berikut,
P = ET + Q + ΔS
(1)
di mana P : curah hujan; ET: evapotranspirasi; Q : debit sungai, dan ΔS : air cadangan. Sementara itu, pola perubahan koefisien limpasan (runoff) rata-rata daerah aliran sungai dapat dihitung menggunakan metoda Rasional dengan persamaan berikut,
C=
Q 0.278.P. A
(2)
di mana C : koefisien limpasan (run off), P = curah hujan; A : luas daerah daerah aliran sungai, dan Q : debit sungai.
95
Lampiran G. Tahapan dan rincian parameter dalam analisis ANFIS.
Ada beberapa tahapan dalam analisis ANFIS menggunakan Software Mathlab yaitu menentukan atau memilih : 1. Jumlah input yang optimum. 2. Variabel input yang potensial berupa data deret waktu. 3. Tipe defusifikasi. 4. Jumlah fungsi keanggotaan. 5. Tipe fungsi keanggotaan. 6. Jumlah fungsi aturan. 7. Metode optimasi. 8. Toleransi kesalahan (biasanya nol). 9. Jumlah Epoch. Dalam analisis ANFIS untuk mengidentifikasi model temporal curah hujan dan debit sungai daerah aliran Sungai Citarum menggunakan parameter ANFIS Editor sebagai berikut, Model Temporal Parameter
Curah Hujan
Debit Sungai
Tahunan
Bulanan
Tahunan
Bulanan
2
2
2
2
Input
GT dan ET
CIP dan ET
R dan ET
R dan ET
Tipe defusifikasi (Defuzzyfication)
Bobot ratarata (weight average)
Bobot rata-rata (weight average)
Bobot rata-rata (weight average)
Bobot rata-rata (weight average)
Jumlah fungsi keanggotaan
3 (tinggi, sedang, rendah)
3 (tinggi, sedang, rendah)
3 (tinggi, sedang, rendah)
3 (tinggi, sedang, rendah)
Tipe fungsi keanggotaan
Generalized bell
Generalized bell
Generalized bell
Generalized bell
Jumlah fungsi aturan
9
9
9
9
Hybrid
Hybrid
Hybrid
Hybrid
0
0
0
0
100
100
100
100
Curah Hujan
Curah Hujan
Jumlah input
Metode optimasi Toleransi kesalahan Epoch number Output
Debit Sungai
Debit Sungai
ET=Evapotranspirasi, GT=Global Temperature, Q=Debit sungai, R=Curah hujan
96
Lampiran H. Julmlah kumulatif (CUSUM) hidrometeorologi periode DJF, JJA, dan Tahun.
97
Lampiran I. Uji signifikansi korelasi. Signifikansi korelasi antara dua variabel yang berpasangaan diketahui dari hasil uji t terhadap koefisien korelasinya. Jika nilai koefisien korelasi (r) dekat dengan nol, maka nilai r cenderung = 0, tetapi jika nilai koefisien korelasi mendekati 1 atau -1, maka nilai r ≠ 0. Pengujian nilai koefisien korelasi menggunakan rumus berikut,
t hitung =
r (n − 2) 0.5 (1 − r 2 ) 0.5
H0 : r = 0
Hipotesis :
H1 : r ≠ 0
Apabila nilai thitung lebih besar dari nilai ttabel,α pada selang kepercayaan 95% atau 98% untuk derajat bebas n-2, maka hipotesis satu (H1) diterima atau r ≠ 0 (nilai r adalah signifikan). Hasil uji signifikansi korelasi dalam penelitian adalah sebagai berikut, Korelasi
Nilai r
t hitung
ttabel ,α =0.05
R vs ET -0.191 3.862 2.024 R vs RH 0.019 0.377 R vs Q 0.689 18.870 ET vs ET 0.130 2.603 ET vs RH -0.510 11.769 RH vs Q -0.063 1.253 R vs OLR -0.050 0.994 2.024 R vs QBO 0.016 0.318 R vs PDO -0.084 1.673 R vs PWP -0.070 1.393 R vs GT -0.108 2.156 R vs SOI 0.042 0.834 R vs DMI -0.114 2.278 R vs CIP -0.515 11.926 R vs PW 0.169 2.404 ET vs OLR -0.116 2.318 ET vs QBO 0.440 9.726 ET vs PDO -0.084 1.673 ET vs PWP 0.309 2.449 ET vs GT 0.301 2.265 ET vs SOI -0.292 2.060 ET vs DMI -0.386 2.306 ET vs CIP 0.220 2.477 ET vs PW -0.107 2.136 RH vs OLR -0.038 0.755 2.024 RH vs QBO 0.021 0.417 RH vs PDO 0.206 2.179 RH vs PWP 0.217 2.412 RH vs GT 0.221 2.498 RH vs SOI -0.028 0.556 RH vs DMI 0.026 0.516 RH vs CIP -0.044 0.874 RH vs PW 0.361 2.684 DB = derajat bebas, n-2 dimana n = banyak data * = signifikan pada selang kepercayaan 95%, **= sangat signifikan pada selang kepercayaan 98%,
98
ttabel ,α =0.025
DB
Ket.
2.712
394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394 394
**
2.712
2.712
** * **
* * ** * * ** * * * * * * * * *
*
Lampiran I. (lanjutan)
t hitung
Korelasi
Nilai r
Q vs OLR Q vs QBO Q vs PDO Q vs PWP Q vs GT Q vs SOI Q vs DMI Q vs CIP Q vs PW R Observasi vs R Prediksi Tahunan Q Observasi vs Q Prediksi Tahunan R Observasi vs R Prediksi Bulanan Q Observasi vs Q Prediksi Bulanan
-0.182 0.036 -0.020 -0.012 0.035 0.020 -0.184 -0.610 0.059
2.674 0.715 0.397 0.238 0.695 0.397 2.710 15.280 1.173
0.855
32.723
0.734
21.453
0.509
11.738
0.536
12.603
ttabel ,α =0.05
ttabel ,α = 0.025
DB
Ket.
2.024
2.712
394 394 394 394 394 394 394 394 394
*
DB = derajat bebas, n-2, dimana n = banyak data * = signifikan pada selang kepercayaan 95%, **= sangat signifikan pada selang kepercayaan 98%,
99
2.776
2.024
3.747
2.712
* **
4
**
4
**
70
**
70
**
Lampiran J. Koefisien korelasi antara komponen hidrometeorologi. A. Koefisien korelasi curah hujan dengan debit sungai tiap bulan. Unsur
Curah Hujan
J F M A M 0.223 J 0.640* F 0.616* M 0.333 A 0.688* M J J A S O N D Ket. : * = signifikan pada selang kepercayaan 95%
Debit Sungai J J A 0.780* 0.652* 0.699* -
S 0.782* -
O 0.768* -
N D 0.635* 0.439*
B. Koefisien korelasi curah hujan dengan evapotranspirasi.
Curah Hujan
Komponen Bulanan DJF JJA Tahunan
Bulanan -0.191* -
Evapotranspirasi DJF JJA 0.122 -0.376* -
Tahunan -0.458*
Ket. : * = signifikan pada selang kepercayaan 95%
C. Koefisien korelasi curah hujan dengan kelembapan.
Curah Hujan
Komponen Bulanan DJF JJA Tahunan
Bulanan 0.019 -
Kelembapan DJF JJA -0.202 0.294 -
Tahunan 0.003
Ket. : * = signifikan pada selang kepercayaan 95%
D. Koefisien korelasi curah hujan dengan debit sungai.
Curah Hujan
Komponen Bulanan DJF JJA Tahunan
Bulanan 0.689* -
Debit Sungai DJF JJA 0.331* 0.841* -
Ket. : * = signifikan pada selang kepercayaan 95%
100
Tahunan 0.619*
Lampiran J. (lanjutan). E. Koefisien korelasi evapotranspirasi dengan kelembapan.
Evapotranspirasi
Komponen Bulanan DJF JJA Tahunan
Bulanan 0.130* -
Kelembapan DJF JJA 0.186 -0.033 -
Tahunan 0.225
Ket. : * = signifikan pada selang kepercayaan 95%
F. Koefisien korelasi evapotranspirasi dengan debit sungai.
Evapotranspirasi
Komponen Bulanan DJF JJA Tahunan
Bulanan -0.510* -
Debit Sungai DJF JJA -0.261 -0.277 -
Tahunan -0.408*
Ket. : * = signifikan pada selang kepercayaan 95%
G. Koefisien korelasi kelembapan dengan debit sungai.
Kelembapan
Komponen Bulanan DJF JJA Tahunan
Bulanan -0.063 -
Debit Sungai DJF JJA 0.193 0.453* -
Ket. : * = signifikan pada selang kepercayaan 95%
101
Tahunan 0.364*
Lampiran K. Koefisien korelasi hidrometeorologi dengan fenomena global. A. Periode Desember-Januari-Februari. Fenomena Global OLR QBO PDO PWP GT SOI DMI CIP PW
Curah Hujan 0.065 -0.183 -0.354* -0.072 -0.366* -0.165 -0.232 -0.169 -0.085
Evapotranspirasi -0.346* 0.462** 0.044 0.482** 0.565** -0.446** -0.243 0.083 0.277
Kelembapan -0.127 0.141 0.204 0.259 0.493** -0.112 0.004 0.285 0.767**
Debit Sungai -0.071 0.004 -0.112 -0.062 -0.066 -0.175 0.481** -0.059 0.122
Ket. : * = signifikan pada selang kepercayaan 95% dan ** = signifikan pada selang kepercayaan 98%
B. Periode Juni-Juli-Agustus. Fenomena Global OLR QBO PDO PWP GT SOI DMI CIP PW
Curah Hujan 0.140 -0.198 -0.143 -0.107 -0.328 0.480** -0.247 0.030 0.597**
Evapotranspirasi -0.063 0.620** 0.015 0.416** 0.331 0.119 -0.533** 0.056 0.020
Kelembapan 0.293 -0.099 0.100 0.233 0.096 0.290 -0.322 0.080 0.587**
Debit Sungai 0.234 -0.078 -0.107 0.133 -0.092 0.494** -0.325 -0.072 0.710**
Ket. : * = signifikan pada selang kepercayaan 95% dan ** = signifikan pada selang kepercayaan 98%
C. Periode Tahunan. Fenomena Global OLR QBO PDO PWP GT SOI DMI CIP PW
Curah Hujan 0.328 -0.232 -0.298 -0.349* -0.476** 0.324 -0.118 0.097 0.410**
Evapotranspirasi -0.110 0.670** 0.065 0.487** 0.516** -0.003 -0.338 0.231 0.131
Kelembapan 0.117 0.016 0.360* 0.443** 0.439** 0.097 -0.323 0.188 0.751**
Ket. : * = signifikan pada selang kepercayaan 95% dan ** = signifikan pada selang kepercayaan 98%
102
Debit Sungai 0.192 -0.266 -0.039 -0.040 -0.178 0.269 -0.358* 0.086 0.589**
Lampiran L. Korelasi dimensi hidrometeorologi. A. Periode Desember-Januari-Februari
B. Periode Juni-Juli-Agustus
103
Lampiran L. (lanjutan). C. Periode Tahunan
104
Lampiran M. Power spektrum hidrometeorologi periode DJF, JJA, dan Tahun.
105
Lampiran N. Spektral eksponensial hidrometeorologi periode DJF, JJA, dan Tahun.
106
Lampiran O. Kecenderungan hidrometeorologi periode DJF, JJA, dan Tahun.
107
Lampiran P. Uji signifikansi model temporal. Signifikansi atau kelayakan model temporal hasil identifikasi ANFIS diketahui dari hasil uji ChiKuadrat terhadap data observasi dan data predisksi. Jika nilai observasi curah hujan (RO) atau debit singai (QO) dekat atau sama dengan nilai prediksi curah hujan (RF) atau debit sungai (QF), maka RO = RF atau QO= QF tetapi jika nilai observasi berbeda dengan nilai prediksi, maka RO ≠ RF atau QO≠ QF. Uji Chi-Kuadrat menggunakan rumus berikut, N
2 = N ( N + 2) ∑ χ hitung l =1
Hipotesis :
( ρ (e) i ) 2 (N − l)
H 0 : RO = RF H 1 : RO ≠ RF H 0 : QO = QF
atau
H 1 : QO ≠ QF Apabila nilai
2 χ hitung
lebih kecil dari nilai
2 χ tabel .α pada
selang kepercayaan tertentu misalnya
95% untuk derajat bebas n-1, maka hipotesis nol (H0) diterima atau nilai observasi sama dengan nilai prediksi (RO = RF atau QO = QF). Dengan demikian model temporal hasil identifikasi ANFIS adalah signifikan atau secara statistik layak dipergunakan untuk simulasi ataupun prediksi.
Hasil uji signifikansi model temporal hasil identifikasi ANFIS adalah sebagai berikut, 2 χ hitung
Model Temporal
N
Debit Sungai Tahunan Curah Hujan Tahunan Debit Sungai Bulanan Curah Hujan Bulanan Debit Sungai Bulanan Transformasi Curah Hujan Bulanan Transformasi
33 33 396 396
4.80 6.41 212.34 71.09
288 288
2 χ tabel , 0.05
DB
Ket.
46.19 46.19 423.00
32 32 395 395
* * * *
3.91
423.00
287
*
18.20
316.00
287
*
* = signifikan pada selang kepercayaan 95%. N = banyak data DB = derajat bebas, N-1
108
Lampiran Q. Pola hubungan antara curah hujan, debit sungai, dan monsun India (CIP).
109
RIWAYAT HIDUP RUMINTA dilahirkan pada tanggal 9 Maret 1964 di Sumedang. Penulis lulus dari SMA Negeri Situraja Sumedang pada tahun 1984. Ia memperoleh gelar Sarjana Agrometeorologi pada tahun 1989 di Institut Pertanian Bogor dan gelar Magister Sains Atmosfer pada tahun 2000 di Institut Teknologi Bandung. Sejak tahun 1991 penulis menjadi anggota staf pengajar di Jurusan Budidaya Pertanian Fakultas Pertanian Universitas Padjadjaran. Penulis menikah dengan Pipih Rukmini pada tahun 1996 dan mempunyai dua orang anak yaitu Nenden Budiani Hanum (lahir 26 September 1996) dan Oktaviani Fauziah (lahir 4 Oktober 1999). Daftar Publikasi Jurnal Akreditasi : 1. Ruminta, Tjasyono, B., dan Soekarno, I. (2006) : Persistensi dan Variabilitas Hidrometeorologi Daerah Aliran Sungai Citarum, Jurnal Matematika dan Sains, 2(3), 81-88. 2. Warid Ali Qosim dan Ruminta. 2006. Variabilitas Genetik Karakter Morfologi Krisan Generasi VM2 Akibat Iradiasi Sinar Gamma. Padjadjaran Journal of Life and Physical Sciences, Vol. 9(1) : 23-37 3. Ruminta, Tjasyono, B., dan Liong, T.H. (2007) : Sifat Fraktal dan Siklik Hidrometeorologi Daerah Aliran Sungai Citarum, Journal JTM, 14(1), 23-32. 4. Ruminta, Tjasyono, B., Liong, T.H., dan Soekarno, I. (2007) : Kecenderungan Hidrometeorologi di Daerah Aliran Sungai Citarum, Padjadjaran Journal of Life and Physical Sciences, 9(1), 23-37. 5. Ruminta. (2007) : Pengaruh Dipole Mode Lautan Hindia dan El Niño Osilasi Belahan Bumi Selatan Terhadap Awal dan Masa Tanam di Indonesia, Jurnal Agrikultura, 18(3), 174-183. 6. Ruminta, Tjasyono, B., and Liong, T.H. (2008) : Temporal Dynamical Model of Hydrometeorology in The Citarum River Basin, Submit : Pakistan Journal of Meteorology (Januari 2008). 7. Ruminta. (2008) : Model Temporal Curah Hujan dan Debit Sungai Berbasis ANFIS, Submit : Jurnal Sain Dirgantara. 8. Bayong., T.H.K., Ruminta, Lubis, A., Sri Woro, B.H., dan Juaeni, I. (2008) : Dampak Variasi Temperatur Samudra Pasifik dan Hindia Equatorial 110
Terhadap Curah Hujan di Indonesia, Submit : Padjadjaran Journal of Life and Physical Sciences.
Daftar Publikasi Jurnal Non-Akreditasi : 1. Ruminta. 2003. Model Penyerapan Unsur Hara Pada Tanaman Jeruk Garut. Jurnal Kultivasi, Vol. 2(3). 2. Sana Buana, Aos A. I., dan Ruminta. 2005. Pengaruh Aplikasi dan Dosis Pupuk N Terhadap Senesen Daun Pisang Tanduk (Musa paradisiacal L) Kultivar Horn Plantain. Jurnal Kultivasi, Vol. 3(3). 3. Ruminta, D. Riswandi, dan N. Komarudin. 2006. Toleransi Kultivar Kacang Kedelai (Glicine max, L.) Pada Berbagai Tingkat Salinitas (NaCl). Jurnal Kultivasi, Vol. 4(1). Daftar Prosiding Internasional : 1. Bayong, T.H.K., Juaeni, I., Gernowo, R., Ruminta, and Bramantyono, B. (2006) : Impact of El Niño on rice planting in the Indonesian monsoonal areas, Proceeding of the International Workshop on Agrometeorology, Climate Forecast Application for Sustainable Agricultural Production and Risk Reduction Strategies, Jakarta, Indodesia, pp 11-21. 2. Ruminta, Tjasyono, B., and Liong, T.H. (2007) : Temporal Dynamical Model of Hydrometeorology in The Citarum River Basin, Proceeding of the 73st International Symposium on Sustainable Humanospher, LAPAN, Bandung, July 25th 2007.
Daftar Prosiding Nasional : 1. Ruminta, Tjasyono, B., Liong, T.H., dan Soekarno, I. (2006) : Perubahan Hidrometeorologi di Daerah Aliran Sungai Citarum, Prosiding Seminar Nasional Perubahan Iklim dan Lingkungan Di Indonesia, LAPAN Bandung, 9 November 2006, pp 367-376. 2. Ruminta, Tjasyono, B., Liong, T.H., dan Soekarno, I. (2006) : The Persistences and Variabilities of the Hydrometeorology in the Citarum River Basin, Proceeding of the 31st Annual Scientific Meeting (PIT) HAGI Geophysics For Sustainnable Development : Shalow Prospect and Brownfield, Semarang, pp 581-594 3. Ruminta. (2007) : Pengaruh Dipole Mode Lautan Hindia dan El Niño Osilasi Belahan Bumi Selatan Terhadap Awal dan Masa Tanam di Indonesia, Simposium dan Seminar Nasional Agronomi & Kongres IX Perhimpunan Agronomi Indonesia (FERAGI), Bandung, November 2007.
111
4. Ruminta dan Joko Wiratmo. (2008) : Pengaruh IODM dan ENSO Terhadap Awal dan Masa Tanam di Indonesia, Seminar dan Simposium Meteorologi Pertanian VII, PERHIMPI, Jakarta, 15-16 Januari 2008. 5. Bayong, T.H.K., Sri Woro, B.H., I. Juaeni, dan Ruminta. (2008). Pengaruh interaksi kopel atmosfer-Samudra Pasifik dan Hindia Ekuator terhadap curah hujan di Indonesia. Seminar dan Simposium Meteorologi Pertanian VII, PERHIMPI, Jakarta, 15-16 Januari 2008.
Pengalaman Riset : No
Judul Riset
Tahun
1
Toleransi Kultivar Kacang Kedelai (Glicine max, L.) Pada Berbagai Tingkat Salinitas (NaCl). Ruminta, D. Riswandi, dan N. Komarudin. Pengaruh Campuran Kompos UNPAD Jatinangor dan Pupuk Majemuk Terhadap Pertumbuhan dan Hasil Tanaman Tembakau (Nicotiana tabacum L.) Kultivar Nani. Ruminta, Dani Riswandi, dan Yayan Sumekar. Interaksi Monsun-ENSO dan Pengaruhnya terhadap Musim di Indonesia. Bayong, T.H.K, Atika Lubis, Ruminta, Ina Juaeni, dan Sriworo, B.H.
2005
2
3
112
2006
2007