EVALUASI CURAH HUJAN GSMAP DAN TRMM TMPA DENGAN CURAH HUJAN PERMUKAAN WILAYAH JAKARTA BOGOR YOHANES ARIYANTO WIBOWO

   

EVALUASI CURAH HUJAN GSMAP DAN TRMM TMPA DENGAN CURAH HUJAN PERMUKAAN WILAYAH JAKARTA – BOGOR

YOHANES ARIYANTO WIBOWO

DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010

   

   

ABSTRACT YOHANES ARIYANTO WIBOWO. Evaluation of GSMaP and TRMM TMPA Rainfall with Surface Rainfall on Jakarta – Bogor. Under direction of HIDAYAT PAWITAN and SRIDADI BUDIHARDJO. Global Satellite Mapping of Precipitation (GSMaP) and Tropical Rainfall Measuring Mission Multi-Satellite Precipitation Analysis (TRMM TMPA) are global measured precipitation projects using satellite combination (blended) technique of infrared sensor and microwave sensor. This research having purpose to evaluate GSMaP and TRMM data with Surface rainfall data in various topographies (beach, level-land, mountainous region, and The whole area) and temporal variation (daily, 10days, and monthly) in Jakarta-Bogor area. The evaluation is done using visual and statistical comparison method (correlation coefficient, MAE, RMSE, and Mann-Whitney Test). The evaluation result of daily and 10days of GSMaP in all area studies showing a pattern didn’t follow the Surface rainfall (r<0.20), while TRMM daily rainfall data in beach area and The whole having r>0.60 and the Mann-Whitney test shows TRMM doesn’t have significant difference with surface rainfall data. 10days TRMM rainfall in all region, except mountainous region, shows TRMM rainfall can follow surface rainfall pattern (r>0.77). Monthly GSMaP data comparison to surface rainfall showing correlation more than 0.60 on beach and land area can be applied, by using correction equation, because GSMaP rainfall data always lower than surface data. The monthly TRMM rainfall data can be applied in all studies area because the pattern is suitable to surface rainfall data (maximum correlation is 0.98). Error identification shows that there is warm rain and high variation on land surface emission especially in mountainous area causing either GSMaP and TRMM cannot follow the surface rainfall data. GSMaP correction equation in beach region, shows the parameter that affect error are surface temperature and specific humidity in 850mb, while at region II, III, and The Whole there is no local parameter which has influence. TRMM correction equation in region III(mountainous area), shows local parameter which has an influence to accurate of this TRMM is surface pressure, wind 850mb, interaction of meridional wind and surface slope, air temperature 850mb, soil humidity in 10-200cm, and skin temperature. Keywords : Evaluation, Rainfall, GSMaP, TRMM TMPA, Surface Rainfall, Jakarta-Bogor

   

   

RINGKASAN YOHANES ARIYANTO WIBOWO. Evaluasi Curah Hujan GSMaP dan TRMM TMPA dengan Curah Hujan Permukaan Wilayah Jakarta – Bogor. Dibimbing oleh HIDAYAT PAWITAN dan SRIDADI BUDIHARDJO. Curah hujan adalah unsur utama yang diukur dalam meteorologi karena curah hujan berpengaruh pada berbagai sektor seperti pertanian, pariwisata dan kesehatan. Pengukuran curah hujan pada tiap stasiun pengamatan menghasilkan data curah hujan titik, yang dianggap mewakili curah hujan untuk radius tertentu. Besarnya radius ini bergantung dari topografi wilayah dan tipe hujan pada wilayah tersebut, tetapi karena berbagai permasalahan seperti biaya pendirian dan operasional stasiun cuaca, topografi/keadaan alam yang sulit, mengakibatkan adanya keterbatasan jumlah stasiun pengamatan hujan. Beberapa dekade terakhir untuk mengatasi permasalahan tersebut, dikembangkan pengukuran/pendugaan curah hujan mengunakan satelit luar angkasa. Global Satellite Mapping of Precipitation (GSMaP) dan Tropical Rainfall Measuring Mission Multi-Satellite Precipitation Analysis (TRMM TMPA) adalah proyek pendugaan curah hujan secara global menggunakan satelit luar angkasa dengan memakai metode kombinasi (blended method) sensor-sensor hujan jenis inframerah (IR) dan gelombang mikro (MWR). Penggunaan data curah hujan GSMaP dan TRMM TMPA untuk wilayah Indonesia merupakan suatu hal yang sangat menguntungkan, melihat wilayah Indonesia yang sangat luas dan bervariasinya pola curah hujan di berbagai wilayah Indonesia. Penelitian ini bertujuan untuk melakukan evaluasi curah hujan GSMaP dan TRMM TMPA pada berbagai topografi (pantai, dataran, pegunungan dan keseluruhan) dan variasi temporal (harian, 10harian, dan bulanan). Selain itu juga dilakukan identifikasi-identifikasi faktor-faktor penyebab kesalahan (galat) antara curah hujan satelit dengan curah hujan permukaan untuk mendapatkan persamaan koreksi. Evaluasi curah hujan GSMaP dan TRMM TMPA dengan curah hujan permukaan pada daerah Jakarta – Bogor dengan menggunakan metode perbandingan visual dan perbandingan statistika. Perbandingan secara visual menggunakan grafik batang dan grafik scatter, sedangkan perbandingan statistika menggunakan nilai korelasi untuk membandingkan sebaran data, parameter Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE), dan uji MannWhitney untuk membandingkan rataan data. Terdapat 23 titik pengamatan hujan pada wilayah Jakarta - Bogor, sebagian besar (50%) tersebar di wilayah III, sedangkan sisanya tersebar di wilayah II sebesar 35% dan wilayah I sebesar 15%. Perubahan curah hujan titik menjadi curah hujan wilayah menggunakan metode Poligon Thiessen, lalu nilai curah hujan wilayah ini selanjutnya disebut dengan curah hujan permukaan. Data GSMaP yang digunakan adalah data GSMaP_NRT Daily yang berisi data curah hujan harian yang kemudian disebut dengan data curah hujan GSMaP. Data TRMM TMPA yang digunakan adalah 3B42RT untuk data harian dan 3B43.V6 untuk data bulanan, selanjutnya disebut data curah hujan TRMM. Hasil evaluasi untuk curah hujan harian GSMaP pada semua wilayah kajian dengan curah hujan permukaan menunjukkan pola tidak serupa, ditunjukkan dengan korelasi kurang dari 0.02, dan diperkuat oleh uji Mann-Whitney yang menyatakan CH GSMaP harian berbeda nyata dengan data curah hujan harian permukaan. Curah hujan TRMM harian untuk wilayah I dan keseluruhan mempunyai korelasi lebih dari 0.60, dengan curah hujan permukaan sehingga data dapat dipergunakan untuk wilayah ini, diperkuat dengan uji Mann Whitney yang menunjukkan data tidak berbeda nyata. Perbandingan data 10 harian, Uji Mann-Whitney antara curah GSMaP dengan curah hujan permukaan pada wilayah pantai dan dataran tidak berbeda nyata tetapi pola sebaran data GSMaP tidak sama dengan curah hujan permukaan ditunjukkan dengan korelasi kurang dari 0.02. Curah hujan TRMM 10-harian kecuali pada wilayah pegunungan pola curah hujan sudah dapat mengikuti pola curah hujan permukaan, dan uji Mann Whitney menunjukkan rataan TRMM 10 harian pada keseluruhan wilayah kajian tidak berbeda nyata. Perbandingan data bulanan GSMaP dengan curah hujan permukaan menunjukkan nilai korelasi lebih dari 60% pada wilayah pantai dan dataran dan dapat diterapkan, dengan menggunakan persamaan koreksi, karena besar curah hujan GSMaP selalu lebih rendah dari curah hujan Permukaan. Data curah hujan TRMM bulanan dapat diterapkan pada semua wilayah kajian dengan pola sebaran korelasi minimum sebesar 0.60 (pada wilayah pegunungan).

   

    Hasil Identifikasi menunjukkan penyebab perbedaan selisih curah hujan Permukaan dengan curah hujan satelit adalah variabilitas nilai emisi permukaan dan fenomena hujan hangat. Parameter-parameter koreksi diambil dari data milik NOAA yaitu NOAA NCEP/NCAR Reanalysis 1 Terdapat tiga persamaan koreksi yang terbentuk dibedakan berdasarkan perlakuan pada parameter-parameter NOAA. Perbedaan perlakuan yang dilakukan yaitu 1) Tanpa perubahan parameter, 2)  modifikasi parameter berupa interaksi antara angin dan kemiringan lereng topografi 3) modifikasi pada parameter curah hujan satelit. Identifikasi galat menunjukkan adanya fenomena hujan hangat dan variasi emisi permukaan yang tinggi khususnya pada wilayah III yang menyebabkan pada wilayah ini besaran curah hujan baik GSMaP maupun TRMM tidak mampu mengikuti curah hujan permukaan. Persamaan koreksi pada GSMaP menunjukkan pada wilayah I parameter yang berpengaruh adalah suhu permukaan dan kelembaban spesifik 850mb dengan nilai R2 persamaan koreksi yang sangat baik (99%), sedangkan di wilayah II, III, dan keseluruhan tidak ada parameter lokal yang berpengaruh. Persamaan koreksi TRMM wilayah III didapat persamaan terbaik adalah persamaan ketiga yaitu dengan perlakuan modifikasi pada parameter curah hujan TRMM dengan nilai R2 mencapai 49.8%, akan tetapi karena persamaan ini memakai asumsi, sehingga perlu dilakukan penelitian lebih jauh tentang kebenaran dari asumsi ini. Persamaan kedua yang menggunakan perkalian vektor dalam menentukan interaksi antara angin dengan kemiringan lereng, merupakan persamaan korelasi terbaik jika dilihat secara teoritis, akan tetapi persamaan koreksi ini mempunyai kelemahan pada saat curah hujan tinggi tidak mampu memberikan hasil yang sesuai. Parameterparameter koreksi yang berpengaruh terhadap keakuratan TRMM ini adalah Tekanan Udara Permukaan, Angin 850mb, Interaksi antara Angin permukaan dan Kemiringan lereng, Suhu udara 850mb, Kelembaban tanah kedalaman 10-200cm, dan suhu kulit permukaan (SKT) Kata Kunci :

Evaluasi, Curah Hujan, GSMaP, TRMM TMPA, Curah hujan Permukaan, Jakarta-Bogor

   

   

EVALUASI CURAH HUJAN GSMAP DAN TRMM TMPA DENGAN CURAH HUJAN PERMUKAAN WILAYAH JAKARTA – BOGOR

YOHANES ARIYANTO WIBOWO

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Geofisika dan Meteorologi

DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010

   

   

PRAKATA Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul “Evaluasi Curah Hujan GSMaP dan TRMM TMPA dengan Curah Hujan Permukaan Wilayah Jakarta – Bogor”. Skripsi ini merupakan salah satu syarat kelulusan di program studi mayor Meteorologi Terapan Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Ir. Hidayat Pawitan, MSc dan Bapak Drs. Sridadi Budihardjo selaku pembimbing yang telah memberikan masukan dan pengarahan kepada penulis sehingga selesainya tugas akhir ini. Penulis menyadari dalam penyusunan skripsi ini tidak akan terlaksana dengan baik tanpa adanya bantuan dari berbagai pihak, maka tidak lupa penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada 1.

Kedua orang tua yang tak pernah putus berdoa untukku, kakakku (Tommy) atas dukungan, semangat dan doanya. 2. Bapak Sonny Setiawan atas bantuan rumusan dan solusi yang sangat membantu penulis, Mereka yang diluar sana yang telah banyak membantu sehingga penulis mampu memahami dan menyelesaikan tugas akhir ini dengan baik (George Huffman, F Porcu, T Kubota, Chuntao Liu, B.J. Sohn, dan Yoshiki Shiraishi) 3. Ibu Ria, Mba Lenny, Ibu Endang dan para Staf BMKG Darmaga atas bantuan kepada penulis dalam data, Ka Mian yang telah membantu cara mengolah data. 4. Lisa Evana atas segala bantuan, dukungan, dan koreksi yang diberikan sangat membantu penulis, Devita untuk buku statistiknya dan memberikan banyak masukan untuk Penulis. 5. Nizar, Dewi, Tanjung, Viktor, Tara, Indah dan Tigin atas bantuannya selama seminar dan sidang 6. Gito, Budi, dan Nancy yang telah menjadi sahabat yang baik selama penulis di GFM. 7. Dori, Tumpal, dan Ka Mia teman seperjuangan penulis dalam menyelesaikan skripsi ini 8. Teman-teman terbaik GFM 42 lainnya Indra, Galih, Anis, Mba Ium, Veza , Epi, Rifa, Ivan, Wahyu, Irvan, Anton, Zahir, Aan, Singgih, Dani, Cici, Franz, Yudi, Hardie, Apit, Bang Obet, Ghulam, Heri dan Wita atas 3 tahun yang sungguh sangat menyenangkan. 9. Kakak-kakak senior GFM (ka sisi, ka diva, ka mely) yang telah membantu penulis. 10. GFM 43(Yuli, Rika, Uti, Eno, Kristin, dll), dan Segenap Civitas GFM FMIPA Bu Indah, Mas Azis, Pak Jun, Pak Pono, Mbak Wanti, Mbak Icha, Pak Badrudin, Pak Kaerun, Pak Udin, serta seluruh staf dosen dan pengajar atas bimbingan dan kuliahnya selama ini. 11. Teman-teman di KEMAKI dan Puri Riveria (Feri, Feriana, Icus, Dika, Nikson, Stef) atas bantuannya selama ini. Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu, Penulis ucapkan terima kasih. Semoga penelitian ini dapat memberikan manfaat.

Bogor, Januari 2010

Yohanes Ariyanto Wibowo

   

   

RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 23 Juni 1987, dari ayah FX. Budi Purnomo dan ibu Yulia Sri Haryani. Penulis merupakan putra ke-2 dari dua bersaudara. Tahun 2005 penulis lulus dari SMA Mater Dei dan pada tahun yang sama diterima masuk IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB). Penulis diterima di Departemen Geofisika dan Meteorologi, Program Studi Meteorologi Terapan, dan Minor Sistem Informasi, Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama mengikuti perkuliahan, Penulis aktif di organisasi Keluarga Mahasiswa Katolik Institut Pertanian Bogor (KEMAKI) sebagai anggota Biro Buku Angkatan (2006-2007) dan aktif di Himpunan Mahasiswaan Agrometeorologi (HIMAGRETO) sebagai anggota pada Departemen Keilmuan dan Profesi (2006-2008). Penulis juga pernah melakukan magang di Badan Pengkajian Dan Penerapan Teknologi (BPPT) bagian Teknologi Inventarisasi Sumber Daya Alam (TISDA) selama satu bulan. Selain itu penulis menjadi asisten praktikum mata kuliah Analisis Hidrologi (2009/2010), Model Simulasi Pertanian (2009/2010), dan Hidrometeorologi D3 IPB ( 2009/2010).

   

   

DAFTAR ISI Halaman DAFTAR TABEL .........................................................................................................................

x

DAFTAR GAMBAR ....................................................................................................................

xi

DAFTAR LAMPIRAN ................................................................................................................. xii I. PENDAHULUAN 1.1 Latar Belakang ................................................................................................................ 1.2 Tujuan .............................................................................................................................

1 1

II. TINJAUAN PUSTAKA 2.1 Pendugaan nilai curah hujan dengan menggunakan satelit ........................................... 2.1.2 Pendugaan curah hujan menggunakan sensor Inframerah (IR)/ Visible (VIS) ... 2.1.3 Pendugaan curah hujan menggunakan sensor pasif gelombang mikro ................ 2.1.4 Pendugaan curah hujan menggunakan sensor Radar Satelit ................................ 2.1.5 Pendugaan curah hujan menggunakan Teknik Kombinasi .................................. 2.2 Global Satellite Mapping of Precipitation (GSMaP) ..................................................... 2.3 Tropical Rainfall Measuring Mission Multi-Satellite Precipitation Analysis .............. 2.4 Aplikasi Curah Hujan GSMaP dan TRMM ...................................................................

1 2 2 4 4 4 5 5

III. METODOLOGI PENELITIAN 3.1 Bahan dan Alat ............................................................................................................... 3.2 Wilayah Kajian ............................................................................................................... 3.3 Metode Penelitian ........................................................................................................... 3.3.1 Metode Pengumpulan data .................................................................................... 3.3.1.1 Pengumpulan data curah hujan Permukaan ............................................... 3.3.1.2 Pengumpulan data curah hujan GSMaP .................................................... 3.3.1.3 Pengumpulan data curah hujan TRMM..................................................... 3.3.2 Metode Pengolahan Data....................................................................................... 3.3.3 Metode Perbandingan Data .................................................................................. 3.3.3.1 Perbandingan data secara visual ................................................................ 3.3.3.2 Perbandingan nilai kualitas data secara statistika ..................................... 3.3.4 Persamaan Koreksi ................................................................................................ 3.3.4.1 Parameter Koreksi ...................................................................................... 3.3.4.2 Prosedur Pemilihan Parameter Koreksi ....................................................

6 6 7 7 7 7 7 7 8 8 8 8 8 8

IV. HASIL DAN PEMBAHASAN 4.1 Deskripsi Data Curah Hujan .......................................................................................... 4.1.1 Data Curah Hujan Permukaan ............................................................................... 4.1.2 Data Curah Hujan Satelit ....................................................................................... 4.1.2.1 Data Curah Hujan GSMaP ......................................................................... 4.1.2.2 Data Curah Hujan TRMM TMPA ............................................................. 4.2 Perbandingan Data Hujan Satelit dengan Data hujan Permukaan ................................ 4.2.1 Perbandingan menurut variasi temporal curah hujan pada wilayah kajian. ......... 4.2.1.1 Wilayah I – Wilayah Pantai ...................................................................... 4.2.1.2 Wilayah II – Wilayah Dataran .................................................................. 4.2.1.3 Wilayah III – Wilayah Pegunungan ......................................................... 4.2.1.4 Wilayah Keseluruhan ................................................................................ 4.2.2 Perbandingan menurut variasi wilayah kajian pada setiap variasi waktu ........... 4.2.2.1 Data harian ................................................................................................. 4.2.2.2 Data 10-harian ............................................................................................ 4.2.2.3 Data bulanan............................................................................................... 4.3 Identifikasi Faktor Penyebab Galat ................................................................................

9 9 10 10 11 11 11 11 13 15 16 18 18 18 18 19

   

    4.4 Persamaan Koreksi Data GSMaP dan TRMM ............................................................. 4.4.1 Persamaan Koreksi GSMaP .................................................................................. 4.4.1.1 Wilayah I ................................................................................................... 4.4.1.2 Wilayah II .................................................................................................. 4.4.1.3 Wilayah III ................................................................................................ 4.4.1.4 Wilayah Keseluruhan ................................................................................ 4.4.2 Persamaan Koreksi TRMM Wilayah III ..............................................................

20 21 21 21 22 22 23

V. KESIMPULAN ....................................................................................................................... 25 DAFTAR PUSTAKA ................................................................................................................... 25 LAMPIRAN .................................................................................................................................. 28

   

   

DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Karakteristik GSMaP_NRT Hourly ..................................................................................... Karakteristik GSMaP_NRT Daily ....................................................................................... Produk TRMM TMPA ......................................................................................................... Pembagian wilayah Jakarta – Bogor .................................................................................... Koordinat wilayah Data GSMaP dan TRMM ..................................................................... Parameter data NOAA NCEP/NCAR Reanalysis 1 bagian udara atas ............................... Perbandingan karakteristik data curah hujan ....................................................................... Statistik Data curah hujan permukaan harian periode 1 Desember 2008 – 28 Februari 2009 ........................................................................................................................ Perbandingan rata-rata dan simpangan baku curah hujan harian, 10-harian , dan bulanan pada keseluruhan wilayah periode 1 Desember 2008 – 28 Februari 2009 ............ Statistik curah hujan GSMaP harian periode 1 Desember 2008 – 28 Februari 2009 ......... Statistik curah hujan TRMM harian periode 1 Desember 2008 – 28 Februari 2009 .......... Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan secara statistik pada wilayah I ........................................................................... Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan wilayah I ........................................................................................ Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan secara statistik pada wilayah II.......................................................................... Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan wilayah II ....................................................................................... Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan secara statistik pada wilayah III ........................................................................ Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan wilayah III ...................................................................................... Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan secara statistik pada wilayah Keseluruhan ........................................................ Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan wilayah Keseluruhan ..................................................................... Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah I ..... Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah II .... Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah III ... Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah keseluruhan ........................................................................................................................... Persamaan Koreksi data TRMM Wilayah III ...................................................................... Perbandingan data CH Permukaan dengan TRMM dan persamaan koreksi TRMM wilayah III .............................................................................................................................

4 5 5 7 7 8 9 10 10 10 11 12 13 14 14 15 16 17 17 21 21 22 22 23 23

   

   

DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Ilustrasi Sensor pada Satelit Pengukur Hujan ...................................................................... Wilayah cakupan GEO IR satelit ......................................................................................... Metode pengukuran gelombang mikro emission-based pada kanal 37Ghz ........................ Emission-based pada kanal 37Ghz pada wilayah daratan ................................................... Metode pengukuran gelombang mikro scattering based pada kanal 85Ghz ...................... Ilustrasi Pengembangan Precipitation physical model ........................................................ Lintasan/Orbit gabungan Satelit TRMM/ TMI , Aqua / AMSR-E , ADEOOS-II/ AMSR dan DMSP/ SSM/I ................................................................................................... Lokasi Kajian wilayah Jakarta – Bogor ............................................................................... Profil melintang Jakarta – Bogor ......................................................................................... Interaksi antara angin dengan Kemiringan lereng ............................................................... Plot data curah hujan permukaan ......................................................................................... Plot data curah hujan GSMaP .............................................................................................. Plot data curah hujan TRMM ............................................................................................... Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan TRMM secara harian, 10harian, dan Bulanan wilayah I ..................................................... Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan GSMaP dan TRMM pada wilayah I..................................................................................... Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan TRMM secara harian, 10harian, dan Bulanan wilayah II .................................................... Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan GSMaP dan TRMM pada wilayah II ................................................................................... Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan TRMM secara harian, 10harian, dan Bulanan wilayah III .................................................. Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan GSMaP dan TRMM pada wilayah III .................................................................................. Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan TRMM secara harian, 10harian, dan Bulanan wilayah Keseluruhan .................................. Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan GSMaP dan TRMM pada wilayah Keseluruhan ................................................................ Perbandingan secara statistik korelasi dan parameter galat antara GSMaP dan TRMM dengan curah hujan permukaan secara harian, 10harian, bulanan ........................ Kemiringan lereng wilayah III ............................................................................................. Wilayah Terjadinya hujan hangat ....................................................................................... Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum koreksi dan dengan persamaan koreksi pada wilayah I ..................................................... Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum koreksi dan dengan persamaan koreksi pada wilayah II .................................................... Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum koreksi dan dengan persamaan koreksi pada wilayah III ................................................... Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum koreksi dan dengan persamaan koreksi pada wilayah keseluruhan.................................... Scatterplot antara curah hujan permukaan dengan curah hujan TRMM sebelum koreksi dan 3 persamaan koreksi . ........................................................................ Plot antara nilai curah hujan TRMM dan tiga Persamaan Koreksi terhadap waktu pada wilayah III .........................................................................................................

2 2 3 3 3 4 4 6 7 9 10 11 11 12 13 14 14 15 16 17 17 18 20 20 21 22 22 23 24 24

   

   

DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Daftar stasiun pengamatan hujan di wilayah kajian ............................................................ Peta sebaran Stasiun pengamatan curah hujan Jakarta – Bogor .......................................... Luasan Poligon Thiessen ...................................................................................................... Poligon Thiessen wilayah Kajian ......................................................................................... Global Satellite Mapping of Precipitation (GSMaP) ........................................................... Tropical Rainfall Measuring Mission (TRMM) .................................................................. Diagram Alir Pengumpulan Data ......................................................................................... Diagram Alir Perbandingan dan Faktor Koreksi Data......................................................... Keluaran regresi stepwise persamaan koreksi 1 Curah hujan harian TRMM ..................... Keluaran regresi stepwise persamaan koreksi 2 Curah hujan harian TRMM ..................... Keluaran regresi stepwise persamaan koreksi 3 Curah hujan harian TRMM ..................... Keluaran regresi stepwise koreksi data GSMaP wilayah I ................................................ Keluaran regresi stepwise koreksi data GSMaP wilayah II................................................ Keluaran regresi stepwise koreksi data GSMaP wilayah III .............................................. Keluaran regresi stepwise koreksi data GSMaP wilayah Keseluruhan .............................. Data Curah hujan Permukaan, Curah hujan GSMaP, dan Curah hujan TRMM pada wilayah I, II, dan III

29 30 31 32 33 35 39 39 40 41 42 43 44 45 46

   

   

I. PENDAHULUAN 1.1 Latar Belakang Curah hujan adalah unsur utama yang diukur dalam bidang meteorologi karena berpengaruh pada berbagai sektor, seperti pariwisata, pertanian, dan kesehatan masyarakat. Pengukuran curah hujan pada tiap stasiun pengamatan menghasilkan data curah hujan titik, yang dianggap mewakili curah hujan untuk radius tertentu. Besarnya radius ini bergantung dari topografi wilayah dan tipe hujan pada wilayah tersebut. Curah hujan hasil pengukuran di daratan dengan menggunakan alat penakar hujan disebut dengan curah hujan permukaan. Persyaratan pendirian lokasi stasiun pengamatan hujan telah diatur oleh WMO (World Meteorological Organization), tetapi karena biaya pendirian dan operasional yang tinggi dan topografi yang sulit untuk daerah pegunungan mengakibatkan keterbatasan jumlah stasiun pengamatan hujan. Faktorfaktor lain seperti data hilang atau tidak homogennya data dikarenakan faktor manusia ataupun kerusakan alat juga dapat membuat pencatatan hujan menjadi tidak akurat. Pendugaan curah hujan menggunakan satelit (spaceborne) mulai dikembangkan dalam beberapa dekade terakhir. Tahun 1970an para ilmuwan meteorologi satelit mencoba mengembangkan teknik pendugaan curah hujan menggunakan sinar inframerah dan sinar tampak. Teknik penggunaan cahaya ini dapat menangkap pantulan gelombang dari awan (sinar tampak) dan suhu puncak awan (inframerah). Pada tahun 1980an, teknik lain untuk menduga curah hujan mulai dikembangkan, yaitu teknik penggunaan radiometer gelombang mikro pasif (passive microwave radiometer). Teknik ini mendapat perhatian serius dari para peneliti karena mampu mengukur radiasi yang dikeluarkan oleh air hujan dan hamburan yang disebabkan oleh salju dan awan es (Kubota 2007). Beberapa satelit meteorologi telah diluncurkan dengan membawa instrument MWR ini diantaranya AQUA (2002), DMSP (1995), dan TRMM (1998). Metode lain yang sedang berkembang saat ini menggunakan metode kombinasi (blended method), yaitu menggabungkan data-data dari satelit-satelit yang membawa sensor inframerah dan sensor gelombang mikro. Global Satellite Mapping of Precipitation (GSMaP) dan Tropical Rainfall Measuring Mission Multi-Satellite Precipitation Analysis (TRMM TMPA) adalah proyek pendugaan

curah hujan secara global dengan memakai metode kombinasi. Perbedaan keduanya ada pada algoritma yang digunakan, TRMM TMPA menggunakan algoritma Goddard Profiling Algorithm (GPROF) NASA, sedangkan GSMaP menggunakan algoritma Look Up Tabel (LUT’s) JAXA (Huffman dan Bolvin 2009, Kubota 2007). Penggunaan metode kombinasi ini bertujuan untuk mendapatkan curah hujan global secara nearrealtime. Data GSMaP tersedia periode 23 Juli 2008 – sekarang, sedangkan TRMM TMPA tersedia periode 10 Oktober 2008 – sekarang. Penggunaan data curah hujan GSMaP dan TRMM TMPA untuk wilayah Indonesia merupakan suatu hal yang sangat menguntungkan, karena wilayah Indonesia yang sangat luas dan pola curah hujan di wilayah Indonesia yang bervariasi. 1.2 Tujuan Tujuan dibuatnya tugas akhir ini adalah 1. Evaluasi curah hujan GSMaP dan TRMM TMPA dengan curah hujan permukaan pada berbagai variasi topografi (pantai, dataran, dan pegunungan) dan variasi temporal (harian, 10harian, dan bulanan) 2. Identifikasi kesalahan pendugaan antara curah hujan GSMaP dan TRMM TMPA dengan curah hujan permukaan untuk mendapatkan persamaan koreksi.

II. TINJAUAN PUSTAKA Ketersediaan data curah hujan selama ini sangat tergantung pada stasiun pengamatan hujan, akan tetapi tidak semua lokasi tersedia stasiun pengamatan hujan. Pendugaan curah hujan menggunakan satelit dapat menjadi solusi bagi ketersedian data ini, karena pendugaan curah hujan dari satelit ini dapat memberikan data secara spasial global dan temporal yang kontinu. 2.1 Pendugaan Curah Hujan dengan Menggunakan Satelit Pendugaan hujan menggunakan satelit (spaceborne) diawali dengan citra awan dari satelit meteorologi pertama yaitu satelit Television and Infrared Observation Satellite (TIROS-1) yang diluncurkan pada April 1960. Citra awan digunakan karena presipitasi berhubungan erat dengan keberadaan awan, akan tetapi karena data (citra) puncak awan tidak memberikan informasi secara langsung tentang mikrofisik awan dan struktur vertikal awan (Kidder 1981 dalam Michaelides 2008)

   

    maka metode pendugaan curah hujan dengan satelit menjadi hal yang menarik untuk terus dikembangkan. Perkembangan teknologi pendugaan curah hujan dari luar angkasa saat ini secara umum terbagi atas tiga metode (Gambar 1) berdasarkan sensor yang digunakan yaitu sensor Inframerah (IR)/Sinar tampak (VIS), sensor gelombang mikro pasif dan sensor radar satelit.

(Sumber : Ushio 2008) Gambar 1 Ilustrasi Sensor pada Satelit Pengukur Hujan 2.1.2 Pendugaan Curah Hujan Sensor Menggunakan Inframerah(IR)/ Visible (VIS) Penggunaan sensor IR/VIS pada satelit akan mendapatkan data emisi dari puncak awan atau didekat puncak awan (Rosenfeld et al. 2004 dalam Michaelides 2008). Satelit yang membawa sensor IR ini adalah satelitsatelit yang mempunyai orbit Geostationary Earth Orbit (GEO) yang letaknya jauh dari permukaan bumi (35800 km), satelit GEO-IR ini antara lain MTSAT, METEOSAT, dan GOES. Orbit satelit tersebut bersifat stasioner yang berarti bahwa satelit ini bersifat tetap mengamati suatu lokasi, karena pergerakan dari satelit akan mengikuti rotasi bumi. Posisi satelit yang jauh dari permukaan bumi ini mempunyai nilai positif yaitu dari segi daerah jangkauan satelit yang sangat luas, sehingga jika ditambah dengan sifatnya yang statis pada suatu lokasi tertentu maka dapat dilakukan pengamatan selama 24 jam. Satelit bersifat

GEO yang membawa sensor inframerah telah tersebar pada titik-titik di seluruh dunia (Gambar 2), sehingga citra inframerah secara global sudah dapat tersedia. 2.1.3 Pendugaan Curah Hujan Menggunakan Sensor Pasif Gelombang Mikro Prinsip dasar dari penggunaan sensor pasif gelombang adalah menangkap intensitas radiasi gelombang mikro yang diemisikan oleh permukaan bumi, awan dan butir hujan (Hou et al. dalam Michaelides 2008). Sensor sensor pasif gelombang ini akan mendapatkan nilai berupa suhu kecerahan (brightness temperature Tb) yang merupakan fungsi dari intensitas radiasi gelombang elektromagnetik I(z,θ,f), dimana f adalah frekuensi radiometer, θ adalah sudut pengukuran, dan z adalah tinggi pengukuran. Nilai I ini terukur emisi, pantulan dan hamburan (scattering) yang dikeluarkan oleh bumi, awan, gas-gas di atmosfer dan butiran hujan. Pendugaan besarnya intensitas hujan yang terbentuk dibutuhkan beberapa kalkulasi yang berdasarkan pada prinsip hukum radiasi Plank yang menjelaskan bahwa besarnya energi radiasi yang dikeluarkan oleh suatu benda menggambarkan suhu benda tersebut. Penangkapan radiasi gelombang mikro dapat dibedakan menjadi dua, berdasarkan daerah kajiannya yaitu 1. Wilayah Lautan Pada sensor gelombang mikro yang memakai kanal berfrekuensi rendah (<40 GHz), butir hujan akan mengeluarkan emisi yang menyebabkan peningkatan nilai suhu kecerahan dari emisi permukaan, sehingga nilai suhu kecerahan pada daerah yang diatasnya terdapat butir awan menjadi terlihat “hangat”, prinsip ini disebut dengan emission-based (Spencer et al. 1988), sedangkan pada wilayah lautan nilai intensitas radiasi yang dipancarkan oleh

(Sumber : Higuchi 2008) Gambar 2 Wilayah cakupan GEO IR satelit

   

    permukaan lautan nilainnya kurang lebih setengah dari suhu sebenarnya, hal ini menyebabkan daerah lautan terlihat “dingin” pada sensor. Emisi “dingin” dari sekitar permukaan dibandingkan dengan emisi “hangat” dari permukaan yang terdapat butir hujan pada bagian atasnya, akan membuat wilayah yang terdapat butir hujan terlihat kontras pada sensor, sehingga observasi nilai curah hujan pada wilayah lautan akan sangat akurat.

sangat besar saja, sedangkan jika frekuensi lebih besar dari 220 GHz akan menangkap intensitas curah hujan dari hal-hal yang bukan hujan sekalipun seperti awan Cirrus (Lensky dan Levizzani dalam Michaelides 2008).

(Sumber : COMET 2006) Gambar 4 Emission-based pada kanal 37Ghz pada wilayah daratan (Sumber : COMET 2006) Gambar 3 Metode pengukuran gelombang mikro emission-based pada kanal 37Ghz 2. Wilayah Daratan Emisivitas daratan sangat berbeda dengan emisivitas wilayah lautan, wilayah daratan memancarkan emisivitas hampir 90% dari kondisi suhu aslinya. Penggunaan metode emission-based menyebabkan adanya kemiripan antara nilai emisi gelombang mikro dari butiran hujan dengan emisi gelombang mikro daratan pada saat diterima oleh sensor (Gambar 4). Permasalahan ini mendasari penggunaan kanal dari sensor gelombang mikro dengan frekuensi lebih tinggi. Gelombang mikro berfrekuensi tinggi yang dikeluarkan oleh butir hujan dan permukaan akan mengalami hamburan oleh partikel es yang biasanya terdapat pada awan hujan. Proses ini menyebabkan nilai intensitas yang diterima sensor gelombang mikro akan semakin berkurang (lebih kecil = lebih “dingin”) sehingga akan terlihat kontras dengan intensitas yang dikeluarkan oleh daratan (Gambar 5), metode ini dinamakan scattering- based (Spencer et al. 1988). Semakin tinggi frekuensi sensor maka sensor akan makin sensitif. Frekuensi dibawah 20GHz akan menangkap hanya emisi pada intensitas curah hujan yang

(Sumber : COMET 2006) Gambar 5 Metode pengukuran gelombang mikro scattering based pada kanal 85Ghz Berkurangnya nilai emisi pada penggunaan metode scattering-based ini juga berpengaruh pada nilai konversi dari nilai suhu kecerahan menjadi nilai intensitas hujan, karena itu dibuat model awan yang diberi nama Precipitation physical model untuk menduga jumlah gelombang yang mengalami hamburan oleh es. Keakuratan penggunaan sensor gelombang mikro ini bergantung dari Precipitation physical model, karena jumlah hamburan dan intensitas hujan yang terjadi dihitung berdasarkan model ini.

   

   

(Sumber : Okamoto 2007) Gambar 6 Ilustrasi Pengembangan Precipitation physical model 2.1.4 Pendugaan Curah Hujan Menggunakan Sensor Radar Satelit Penggunaan radar pada media luar angkasa pertama kali digunakan pada satelit TRMM, karena pada umumnya pengukuran curah hujan dengan menggunakan radar dilakukan dengan radar permukaan (ground base radar). Radar ini mengeluarkan sinyal dan menangkap gelombang balik dari sinyal tersebut, sinyal yang kembali kepada sensor radar akan mendapatkan hasil pengukuran objek yang dikenainya, dan dari nilai hamburan balik gelombang tersebut akan dapat diketahui karakteristik dari objek (Lensky dan Levizzani dalam Michaelides 2008) Nilai intensitas hujan yang dihasilkan oleh sensor radar ini merupakan hasil pengukuran yang paling akurat dibanding sensor lainnya, tetapi kelemahan utama dari radar ini adalah wilayah jangkauannya yang sangat terbatas yaitu 215 km 2.1.5 Pendugaan Curah Hujan Menggunakan Teknik Kombinasi (Blended Techniques) Ketersediaan berbagai sensor pengukuran curah hujan satelit memungkinkan penggunaan kombinasi antara keunggulan masing-masing sensor untuk menutupi kelemahan sensor lainnya (Gambar 7). Penggunaan kombinasi yang telah dilakukan adalah penggunaan kombinasi antara sensor gelombang mikro dan sensor inframerah. Tujuan dari penggabungkan ini untuk mendapatkan data curah hujan secara nearreal time. Beberapa proyek pendugaan curah hujan dengan metode kombinasi yang telah ada saat ini antara lain Global Satellite Mapping of Precipitation (GSMaP), TRMM TMPA, CMORPH, dan Naval Research Laboratory.

(Sumber : Ushio 2008) Gambar 7 Lintasan/Orbit gabungan Satelit TRMM/ TMI , Aqua / AMSR-E , ADEOOS-II/ AMSR , dan DMSP/ SSM/I 2.2Global Satellite Mapping of Precipitation (GSMaP) Global Satellite Mapping of Precipitation (GSMaP) adalah project milik pemerintah Jepang untuk melakukan pengukuran curah hujan dengan menggunakan media satelit luar angkasa. GSMaP dikelola dibawah lembaga antariksa Jepang yaitu JAXA Precipitation Measurement Missions dan GCOMW1/AMSR2 (JAXA 2008). Data GSMaP dapat diakses pada situs milik GSMaP yaitu http://sharaku.eorc.jaxa.jp/ GSMaP/index.htm, dan tersedia sejak 23 Juli 2008. Produk GSMaP yaitu 1. Data GSMaP Hourly GSMaP_NRT Hourly adalah data intensitas hujan tiap jam dalam satuan mm/jam yang secara near real time dikeluarkan. Near Realtime ini menunjukkan data curah hujan yang didapat merupakan data curah hujan 4 jam setelah waktu observasi/waktu kejadian hujan. Tabel 1 Karakteristik GSMaP_NRT Hourly mm/jam Satuan Resolusi Waktu Resolusi Spasial LagTime Periode data

Tiap Jam (hourly) 0.1 o x 0.1 o 4 jam setelah Pengamatan 23-07-2008- sekarang

2. Data GSMaP_NRT Daily Data ini merupakan data akumulasi dari data GSMaP Hourly, sehingga hasil dan algoritma yang digunakan sama dengan data GSMaP Hourly. Perbedaan antara GSMaP_NRT Hourly dan GSMaP_NRT

   

    Daily terdapat pada resolusi data, resolusi data GSMaP_NRT Daily 0.25ox0.25o, penggunaan data dengan resolusi ini bertujuan untuk menyamakan resolusi data dengan data dari satelit pengamatan hujan lainnya, sehingga mudah untuk diperbandingkan dan divalidasi. Tabel 2. Karakteristik GSMaP_NRT Daily mm Satuan harian Resolusi Waktu Resolusi Spasial Periode data

0.25o x 0.25o 23 Juli 2008 sekarang

2.3 Tropical Rainfall Measuring Mission Multi-Satellite Precipitation Analysis (TRMM TMPA) TRMM TMPA merupakan gabungan data satelit TRMM dengan satelit-satelit yang membawa gelombang mikro (DMSP dengan sensor SSM/I, Aqua dengan sensor AMSR-E dan AMSU-B) dan GEO IR data yang telah dikalibrasi (intercalibrated) dengan data curah hujan satelit TRMM (Huffman et al. 2008). Data TRMM dapat diakses melalui situs NASA (http://disc2.nascom.nasa.gov/Giov anni/tovas/) Dataset TRMM TMPA dibagi menjadi 2 yaitu 1. TRMM TMPA near Real-Time (RT) merupakan Kombinasi antara Sensor inframerah dan gelombang mikro yang diolah menggunakan Algoritma dari Goddard Profiling Algorithm (GPROFNASA) (Huffman dan Bolvin 2008) 2. TRMM TMPA Version 6 (V6) merupakan turunan produk RT yang kemudian dikoreksi dengan data curah hujan permukaan secara global milik Global Precipitation Climatology Center (GPCC)

Produk 3B41RT 3B40RT 3B42RT 3-hourly 3B42RT 3B42V6 3B43V6

2.4 Aplikasi Curah Hujan GSMaP dan TRMM Penelitian menggunakan data GSMaP dilakukan oleh Iwasaki yang menggunakan data curah hujan GSMaP untuk menduga nilai NDVI di kawasan Mongolia (Iwasaki 2009). Validasi nilai curah hujan GSMaP dengan curah hujan permukaan dilakukan dengan menggunakan 97 stasiun meteorologi yang tersebar di wilayah Mongolia dengan resolusi data curah hujan bulanan. Hasil perbandingan menunjukkan korelasi 0.61, dan disebutkan bahwa akurasi GSMaP untuk wilayah Arid tidak akurat (Iwasaki 2009). Validasi GSMaP yang lainnya dilakukan pada dokumen awal GSMaP dengan judul penelitian Global Precipitation Map Using Satellite-Borne Microwave Radiometers by the GSMaP Project: Production and Validation (Kubota et al. 2007). Validasi pada dokumen ini dilakukan pada wilayah 15o LS – 15oLU dengan memakai data curah hujan bulanan permukaan milik GPCC. Hasil dari perbandingan menunjukkan korelasi yang cukup baik yaitu 0.82 dengan persamaan linier yang terbentuk y = 1.08 x+ 21.9. Persamaan linier dengan slope positif ini menunjukkan GSMaP berada di bawah curah hujan GPCC (Kubota et al. 2007). Validasi curah hujan permukaan dengan curah hujan dari TRMM TMPA telah dilakukan antara lain di wilayah Oruro, Bolivia yang merupakan bagian dari wilayah pegunungan Altipano (Sandoval 2007). Data curah hujan yang digunakan 3B42V6 dan 3B43V6 diperbandingkan dengan data curah hujan permukaan di wilayah tersebut. Pada wilayah Indonesia sendiri perbandingan data TRMM TMPA dilakukan pada kota Padang-Sumatera Barat, PontianakKalimantan Barat karena dianggap mewakili

Tabel 3 Produk TRMM TMPA Data Resolusi TMPA-RT Intermediate IR Global Product (VAR) (Tiap 3 Jam; 0.25 o x 0.25 o) TMPA-RT Intermediate Global Microwave Product (HQ) (Tiap 3 Jam; 0.25 o x 0.25 o) Global TRMM+IR+MWRs (Tiap 3 Jam; 0.25 o x 0.25 o) Global TRMM+IR+MWRs (harian ; 0.25 o x 0.25 o) TRMM+IR Curah hujan Global harian GPCC (harian; 0.25 o x 0.25o) TRMM + GPCC rain gauge Global (Bulanan :0.25 o x analysis 0.25 o)

Ketersedian Data 10 Oktober 2008 Sekarang 10 Oktober 2008 Sekarang 10 Oktober 2008 Sekarang 10 Oktober 2008 Sekarang 1 Januari 1998 Sekarang 1 Januari 1998 Sekarang

   

    daerah di Benua Maritim Indonesia (BMI) yang memiliki tipe curah hujan dominan adalah ekuatorial, dan wilayah ManadoSulawesi Utara, Bengkulu, Jakarta (Kemayoran), dan Semarang-Jawa Tengah untuk mewakili daerah di Benua Maritim Indonesia (BMI) yang memiliki tipe/pola curah hujan dominan adalah monsunal (Suryantoro et al. 2008). Perbandingan menggunakan curah hujan bulanan dengan hasil perbandingan berkorelasi sebesar 0.8 pada keseluruhan wilayah.

III. METODOLOGI PENELITIAN 3.1 Bahan dan Alat Data yang digunakan untuk penelitian ini 1. Data Curah hujan dari 23 stasiun hujan pada wilayah Jakarta-Bogor Periode Oktober 2008 – Februari 2009 (Lihat Lampiran 1) 2. Data Curah hujan GSMaP harian wilayah Jakarta-Bogor Periode Oktober 2008 – Februari 2009 (http://sharaku.eorc. jaxa.jp/GSMaP/) 3. Data Curah hujan TRMM (3B42RT, 3B43V6) wilayah Jakarta-Bogor Periode Oktober 2008 – Februari 2009 (ftp://disc2.nascom.nasa.gov/data/ TRMM/ Gridded/DerivedProducts/) 4. Data parameter-parameter Meteorologi NOAA NCEP/NCAR Reanalysis 1 (http://www.cdc.noaa.gov/data/gridded /data.ncep.reanalysis.html) 5. Peta Ketinggian ASTER GDEM 30x30 wilayah Jakarta-Bogor (http://www. gdem.aster.ersdac.or.jp)

Alat yang digunakan adalah seperangkat komputer dengan perangkat lunak 1. 2. 3. 4. 5. 6.

ArcGIS 9.3 Global Mapper 10 GRaDS GUI Panoply NASA GISS Microsoft Office 2007 Minitab 15

3.2 Wilayah Kajian Perbandingan antara TRMM, GSMaP dan data curah hujan permukaan dilakukan pada Jakarta-Bogor yang secara geografis terletak pada koordinat 106.75 o - 107 o BT dan 6o 6.75 o LS (Gambar 8). Wilayah Jakarta Bogor ini lalu dibagi lagi dalam tiga wilayah kajian (Tabel 4), dan satu wilayah keseluruhan (wilayah gabungan I, II, dan III), pembagian wilayah ini didasarkan atas pertimbangan antara lain : 1. Pembagian luas wilayah seluas 0.25o x0.25o dipilih untuk penyesuaian dengan grid milik data satelit TRMM dan GSMaP 2. Pemilihan kawasan didasarkan atas perbedaan jenis topografi kawasan, yaitu dataran-lautan, daratan, dan pegunungan (Gambar 9) , untuk menguji kepekaan satelit terhadap berbagai topografi tersebut 3. Wilayah keseluruhan bertujuan untuk melihat bagaimana hasil evaluasi jika luasan semakin diperluas dan bentuk topografi permukaan heterogen

Gambar 8 Lokasi Kajian wilayah Jakarta – Bogor

   

   

Gambar 9 Profil melintang Jakarta – Bogor Tabel 4 Pembagian wilayah Jakarta - Bogor Wil

Bujur

Lintang

Topografi

I

106.75- 107

-6- -6.25

Pantai

II

106.75- 107

-6.25- -6.5

Daratan

III

106.75 - 107

-6.5- -6.75

Pegunungan

3.3 Metode Penelitian Penelitian ini dilakukan melalui dua tahapan yaitu pengumpulan data, pengolahan data, perbandingan data, dan persamaan koreksi (alur penelitian lihat Lampiran 7 dan Lampiran 8). 3.3.1 Metode Pengumpulan Data 3.3.1.1 Curah Hujan Stasiun Data curah hujan permukaan yang digunakan merupakan data curah hujan yang berasal dan stasiun pengamatan hujan milik BMKG, seluruh data ini didapatkan dari Stasiun Klimatologi Darmaga dan Balai Besar II BMKG Ciputat. Data curah hujan yang dipergunakan adalah data curah hujan yang tersebar pada wilayah Bogor sampai Jakarta. Terdapat 23 titik pengamatan hujan pada wilayah tersebut, sebagian besar (50%) tersebar di wilayah III, sedangkan sisanya tersebar di wilayah II sebesar 35% dan wilayah I sebesar 15%. (Lampiran 1 dan Lampiran 2). 3.3.1.2 Curah Hujan GSMaP Data GSMaP yang digunakan adalah data GSMaP_NRT daily, yang berisi intensitas hujan (mm/jam) selama 1 hari dari pukul 00 – 23 UTC dengan format data berupa *.DAT.GZ. Data hujan harian ini berbentuk grid dengan resolusi spasial sebesar 0.25ox0.25o, sehingga di setiap wilayah kajian diambil 1 grid data (Tabel 5). Data hujan didapat dengan mengakses situs GSMaP yaitu http://sharaku.eorc.jaxa.jp/ GSMaP/index.htm. 3.3.1.3 Curah Hujan TRMM Data TRMM yang digunakan adalah data 3B42RT untuk data harian dan 3B43V6 untuk data bulanan. data3B42RT berisi data akumulasi hujan harian selama 1 hari (mm)

dari 00 – 23 UTC, sedangkan data bulanan berisi intensitas hujan selama 1 bulan (mm/jam). Data hujan TRMM ini berbentuk grid dengan resolusi spasial sebesar 0.25ox0.25o, sehingga di setiap wilayah kajian diambil 1 grid data (Tabel 5). Data hujan pada TRMM disediakan 2 jenis format, yaitu *.HDF dan *.BIN (binary dataset), pada penelitian ini digunakan data berformat *.BIN yang dapat diperoleh dengan mengakses direktori ftp yaitu ftp://disc2.nascom.nasa.gov/data/TRMM/Grid ded/ DerivedProducts/. Tabel 5 Koordinat wilayah Data GSMaP dan TRMM Wilayah Bujur Lintang 106.75 - 107 -6 LS - -6.25 LS I 106.75 - 107 -6.25 LS - -6.5 LS II 106.75 - 107 -6.5 LS - -6.75 LS III 3.3.2 Metode Pengolahan Data Data curah hujan permukaan adalah data curah hujan titik, untuk itu perlu terlebih dahulu disamakan dengan data curah hujan satelit menjadi data curah hujan wilayah. Perubahan dari data curah hujan titik menjadi data curah hujan wilayah ini digunkan metode poligon Thiessen. Poligon Thiessen dibuat dengan memakai Arcgis 9.3, poligon ini dibuat berdasakan 23 titik pengamatan curah hujan yang tersebar di wilayah Bogor dan Jakarta. Setelah didapatkan poligon tersebut, dihitung luas wilayah setiap poligon untuk menentukan besar bobot rataan pada stasiun tersebut. (Tabel Luasan wilayah Poligon dan Peta Poligon Thiessen lihat Lampiran 2 dan 3). Data curah hujan yang didapatkan adalah data curah hujan harian wilayah, yang selanjutnya disebut dengan curah hujan permukaan. Perbandingan temporal waktu, maka data curah hujan harian ini diakumulasikan menjadi data 10 harian dan bulanan. Data 10 harian didapatkan dengan membagi dalam setiap bulan menjadi tiga data 10 harian, untuk bulan dengan jumlah hari tidak sama dengan 30, maka dilakukan normalisasi 10 harian pada data 10-harian ketiga pada tiap bulannya.Data curah hujan TRMM dan GSMaP dibuka dengan menggunakan Sofware GrADS (Grid Analysis and Display System - Version 2.0). GrADS adalah perangkat lunak untuk analisis data atmosfer yang dikembangkan oleh Center for OceanLand-Atmosphere Studies (COLA) dan dapat diperoleh secara bebas pada situsnya yaitu http://grads.iges.org/grads

   

    3.3.3 Metode Perbandingan Data 3.3.3.1 Perbandingan Data Secara Visual Perbandingan data secara visual ini melibatkan tiga buah grafik sebagai visualisasi yaitu dengan menggunakan Grafik Scatterplot dan Grafik Batang 3.3.3.2 Perbandingan Nilai Kualitas Data Secara Statistika Penentuan nilai kualitas data digunakan parameter-parameter statistika sebagai alat bantu penentuan kualitas data satelit, yaitu 1.

Koefisien Korelasi ∑ ∑

2.

∑ ∑

∑

3.3.4.1 Parameter Koreksi Parameter koreksi menggunakan data NOAA NCEP/NCAR Reanalysis 1. Data ini merupakan data meteorologi yang dikumpulkan secara global dengan berbagai metode pengumpulan data serta analisis antara data observasi dengan data hasil model. Kalnay et al. (1996) . Data ini dapat diunduh pada situs http://www.cdc.noaa.gov. Data yang digunakan adalah 1.

Mean Absolute Error (MAE) MAE = ∑

3.

∑

∑

penangkapan satelit dalam menduga nilai curah hujan. Setelah didapat parameterparameter koreksi yang berhubungan dengan kejadian tersebut.

|

|

Root Mean Square Error (RMSE) RMSE =

∑

4.

Uji Mann-Whitney Merupakan Uji non parametrik dalam statistika untuk melihat perbandingan rataan kedua data, uji ini merupakan alternatif dari uji-t, pada uji-t sebaran data harus bersifat normal, sedangkan dengan uji Mann Whitney ini sebearan data tidak diharuskan bersifat normal. Hipotesis yang digunakan adalah • Ho : Kedua data berbeda secara nyata • H1 : Kedua data tidak berbeda secara nyata (sama) Pengujian Mann-Whitney ini menggunakan perangkat lunak Minitab, penentuan nilai hipotesis yang diterima berdasarkan nilai P-value nya, jika nilai P-val kurang dari nilai selang kepercayaan (α) maka terima Ho, selain itu tolak Ho dan terima H1. Galat didefinisikan sebagai selisih antara curah hujan TRMM dan GSMaP dengan curah hujan permukaan. Koefisien korelasi bertujuan untuk melihat distribusi dan pola data, sedangkan uji Mann-Whitney bertujuan membuktikan nyata tidaknya perbedaan rataan antara kedua data. 3.3.4 Persamaan Koreksi Melakukan identifikasi kemungkinan penyebab galat bedasarkan cara kerja

2.

Data NOAA NCEP/NCAR Reanalysis 1fluks permukaan yang terdiri atas : a. Kelembaban tanah 0-10 cm (soil moisture 0-10 cm) (θ0-10cm) b. Kelembaban tanah 10-200 cm (soil moisture 10-200 cm) (θ10-200cm) c. Temperatur kulit permukaan (skin temperature) (Ts) Data NOAA NCEP/NCAR Reanalysis 1 udara atas terdiri atas

Tabel 6 Parameter data NOAA NCEP/ NCAR Reanalysis 1 bagian udara atas Ketinggian Parameter nn (mb) 850, 1000, dan o Suhu Udara T K Permukaan 850, 1000, dan Kelembaban RH % relatif Permukaan Kelembaban spesifik

qs

kg/ kg

850 dan 1000

Angin Zonal Angin Meridional Tekanan

uwi nd vwi nd P

m/ s m/ s mb

850, 1000, dan Permukaan 850, 1000, dan Permukaan Permukaan

Data angin yang mempunyai dua parameter, zonal dan meridional, sehingga dicari resultannya dengan menggunakan rumus V=√ 3.3.4.2 Prosedur Pemilihan Parameter Koreksi Persamaan koreksi dibentuk menggunakan regresi stepwise, dengan tiga perlakuan berbeda pada parameternya, sehingga didapat tiga persamaan koreksi.

   

    permukaan, khusus untuk permukaan karena nilai qs pada permukaan tidak ada maka hanya dipergunakan besaran vektor angin saja. Parameter yang didapatkan adalah

1. Persamaan regresi ganda sederhana tanpa perubahan variabel Persamaan regresi ini tanpa mengubah parameter yang ada, sehingga data langsung dimasukan dalam regresi stepwise, dan dipilih hasil persamaan yang terbaik 2.

• Parameter R⋅S (850) = - qs 850mb | | . sin • Parameter R⋅S (1000) = - qs 1000mb | |. sin Parameter R⋅S = • (permukaan) . sin 3. Persamaan regresi ganda dengan modifikasi pada parameter Curah hujan Satelit Pada persamaan ini parameter curah hujan satelit juga ikut mengalami perubahan. Diasumsikan nilai curah hujan satelit ini terpengaruh erat oleh kejadian angin yang berinteraksi dengan kemiringan lereng. sehingga dibuat parameter modifikasi berupa hasil perkalian antara nilai curah hujan satelit dengan Parameter R⋅S parameter yaitu

Persamaan regresi ganda dengan modifikasi berupa Interaksi antara angin dan kemiringan lereng topografi

Gambar 10 Interaksi antara angin dengan Kemiringan lereng

• • •

Vektor angin yang mengarah kearah gunung (komponen angin meridional yang bernilai negatif) akan mengenai slope kemiringan lereng, nilai kemiringan lereng (θ) mempunyai nilai besaran vektor normal yang tegak lurus dengan bidang tersebut (Gambar 10) sehingga nilai perkalian vektornya adalah

.       

Parameter CH Satelit*R⋅S(850) Parameter CH Satelit *R⋅S(1000) Parameter CH Satelit *R⋅S(permukaan)

IV. HASIL DAN PEMBAHASAN 4.1 Deskripsi Data Curah Hujan Proses evaluasi data hujan GSMaP dan TRMM dengan data curah hujan permukaan diawali dengan proses deskripsi dan penyesuaian karakteristik data. Perbedaan karakteristik antara data hujan permukaan dengan data hujan satelit dalam hal luasan data, dan waktu pencatatan data harian (Tabel 7). Penyesuaian data ini penting dan harus dilakukan dengan metode yang sesuai dan teliti agar diperoleh kesamaan karakteristik data dalam perbandingan keduanya, sehingga diperoleh hasil perbandingan yang sesuai. Periode perbandingan curah hujan harian pada 1 Desember- 28 Februari (DJF) dinilai cukup efektif untuk mengevaluasi nilai curah hujan satelit dalam menduga nilai curah hujan

= | |. cos   = 1 . R cos 90   = ‐ R sin    = ‐ qs | | sin  

. ……… Fluks kelembaban Nilai R adalah nilai Fluks kelembaban, yang merupakan nilai vektor transport kelembaban spesifik oleh angin, adalah sudut kemiringan lereng. Angin yang digunakan adalah angin 850mb, 1000mb, dan

Tabel 7 Perbandingan karakteristik data curah hujan Parameter TRMM TMPA GSMaP 01/10/2008–28/2/2009 01/10/2008–28/2/2009 Periode data

Permukaan 01/10/2008 – 28/2/2009

Resolusi waktu

Harian/10harian/Bulanan

Harian

Harian

Resolusi Grid

0.25ox0.25o

0.25ox0.25o

Titik

Satuan

mm

mm

mm

Waktu

UTC

UTC

WIB (UTC+7)

   

    permukaan. Hal ini didasarkan periode ini merupakan periode musim munson barat, yaitu periode angin bertiup dari belahan bumi utara (BBU) yang bersifat lembab, panas dan tidak stabil. Periode munson barat ini untuk daerah Pulau Jawa praktis bersamaan dengan musim hujan (Prawirowardoyo 1996) 4.1.1 Data Curah Hujan Stasiun Tabel 8, menunjukkan deskripsi curah hujan permukaan harian secara statistik pada periode DJF. Rata-rata curah hujan tertinggi berada pada wilayah III, hal ini karena wilayah III merupakan wilayah pegunungan dan merupakan wilayah depan angin. Angin yang bertiup dari arah laut jawa, akan membawa uap air yang cukup besar, sehingga pada wilayah pegunungan angin akan mengalami kondensasi secara paksa akibat paksaan naik udara karena topografi pegunungan. Peristiwa ini mengakibatkan lebih seringnya kejadian hujan pada wilayah III dibanding dengan wilayah lainnya. Tabel 9 dapat menggambarkan sebaran data curah hujan, ditunjukkan dengan perbandingan antara rata-rata curah hujan dengan nilai simpangan baku data tersebut, pada curah hujan permukaan terlihat sebaran skala harian sangat bervariasi, tetapi semakin diakumulasikan menjadi 10 harian dan bulanan variasi data akan semakin berkurang.

Data curah hujan dapat dilihat pada Lampiran 12, Gambar 11 menunjukkan plot data curah hujan permukaan pada wilayah keseluruhan. Tabel 8 Statistik CH permukaan harian periode 1 Desember 2008 – 28 Februari 2009 StDe v Wil I Wil II Wil III

11.34

17.55

11.72

17.69

13.23

10.97

Sum 1020.2 7 1054.7 1 1190.4 3

Mi n 0 0 0

H H

Max 100.5 0 105.9 4 61.46

72 78 88

Tabel 9 Perbandingan rata-rata dan simpangan baku CH harian, 10-harian , dan bulanan pada keseluruhan wilayah periode 1 Desember 2008 – 28 Februari 2009 Keseluruhan Wilayah CH Perm CH GSMaP CH TRMM

Harian

10-Harian

Bulanan

117.306

351.022

x

11.701

StDev

13.349

93.352

142.189

x

8.281

88.581

218.574

StDev

12.001

87.579

138.594

x

10.444

107.124

309.053

StDev

13.854

67.013

115.187

Gambar 11 Plot data curah hujan permukaan 4.1.2 Data Curah Hujan Satelit 4.1.2.1 Data Curah Hujan GSMaP Tabel 10 Statistik curah hujan GSMaP harian periode 1 Desember 2008 – 28 Februari 2009 CH GSM aP

Wil.I Wil.I I Wil.I II

StDe v

Sum

M i n

Max

HH

8.91

16.15

801.73

0

101.43

66

7.58

12.88

682.31

0

59.63

65

8.35

13.42

751.75

0

84.07

72

Tabel 9 menunjukkan data karakteristik curah hujan GSMaP selama Desember 2008Februari 2009, terlihat jumlah kejadian hujan tercatat terbanyak pada wilayah III, akan tetapi rata-rata dan jumlah akumulasi curah hujan terbesar berada pada wilayah I. Fakta ini berbeda dengan karakteristik curah hujan permukaan yang rata-rata dan jumlahnya terbesar berada pada wilayah III. Tabel 10 menunjukkan pada harian dan 10 harian nilai rata-rata lebih kecil daripada simpangan baku, berarti dalam skala harian dan 10 harian curah hujan GSMaP sebarannya sangat bervariasi.

   

   

Gambar 12 Plot data curah hujan GSMaP

Gambar 13 Plot data curah hujan TRMM 4.1.2.2 Data Curah Hujan TRMM TMPA Tabel 11 Statistik curah hujan TRMM harian periode 1 Desember 2008 – 28 Februari 2009 CH TRMM

StDe v

Sum

M I n

Max

H H

Wil.I

10.43

19.2 7

938.91

0

113.2 8

56

Wil.II Wil.II I

9.38

14.8

844.47

0

88.02

64

11.52

15.8 8

1036.5 9

0

66.03

69

Tabel 9 menunjukkan akumulasi curah hujan dan rataan curah hujan TRMM terbesar terdapat pada wilayah III, hal ini sama dengan karakteristik curah hujan permukaan. Karakterisitik sebaran data CH TRMM terlihat pada Tabel 11, curah hujan harian TRMM memiliki variasi data yang besar, semakin diakumulasi menjadi 10-harian dan bulanan variasi datanya semakin kecil. Plot curah hujan dapat terlihat pada Gambar 13 4.2 Perbandingan Data Hujan Satelit dengan Data Hujan Permukaan Perbandingan dibagi dalam tiga variasi temporal dan empat wilayah kajian yaitu harian, 10-harian, dan bulanan pada wilayah pantai, daratan, pegunungan dan keseluruhan. Periode harian dan 10-harian digunakan data dari 1 Desember 2008 – 28 Februari 2009, sedangkan untuk bulanan digunakan data dari Oktober 2008 – Februari 2009. Besar curah hujan yang dikeluarkan oleh satelit merupakan pendugaan curah hujan secara tidak langsung dengan sensor, maka

digunakan istilah overestimate jika besaran hujan keluaran dari satelit melebihi besar hujan permukaan, dan underestimate jika besar hujan satelit kurang dari besar curah hujan permukaan. 4.2.1Perbandingan Menurut Variasi Temporal Curah Hujan Pada Setiap Wilayah Kajian 4.2.1.1 Wilayah I – Wilayah Pantai Pada Gambar 14(1) grafik curah hujan harian GSMaP terlihat sebaran titik sangat menyebar baik diatas maupun dibawah garis tengah, sebaran grafik yang menyebar ini menunjukkan pola hubungan kedua data yang tidak mirip, secara statistika untuk melihat pola hubungan ini dapat menggunakan korelasi yang terlihat pada Tabel 12, korelasi yang terbentuk hanya 0.16, yang menunjukkan hanya 16% dari pola curah hujan permukaan yang mampu diikuti oleh GSMaP. Perbandingan curah hujan harian akan terlihat jelas pada Gambar 15(1), terlihat fluktuasi curah hujan GSMaP tidak dapat mengikuti curah hujan permukaan, bahkan pada periode curah hujan ekstrim 12 dan 13 Januari 2009 curah hujan yang dicatat oleh GSMaP sangat dibawah curah hujan permukaan. Pada Gambar 14(1) grafik curah hujan harian GSMaP terlihat sebaran titik sangat menyebar baik diatas maupun dibawah garis tengah, sebaran grafik yang menyebar ini menunjukkan pola hubungan kedua data yang tidak mirip, secara statistika untuk melihat pola hubungan ini dapat menggunakan korelasi yang terlihat pada Tabel 12, korelasi yang terbentuk hanya 0.16,

   

   

A.1

B.1

C.1

A.2

B.2

C.2

Gambar 14 Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP (1) dan TRMM 3B42RT (2) secara harian (A), 10harian (B), dan Bulanan (C) pada wilayah I yang menunjukkan hanya 16% dari pola curah hujan permukaan yang mampu diikuti oleh GSMaP. Perbandingan curah hujan harian akan terlihat jelas pada Gambar 15(1), terlihat fluktuasi curah hujan GSMaP tidak dapat mengikuti curah hujan permukaan, bahkan pada periode curah hujan ekstrim 12 dan 13 Januari 2009 curah hujan yang dicatat oleh GSMaP sangat dibawah curah hujan permukaan. Fakta ini diperkuat oleh uji Mann Whitney (Tabel 13) yang menunjukkan secara rata-rata curah hujan GSMaP harian berbeda nyata dengan curah hujan permukaan. Hal yang sama juga terjadi pada curah hujan harian TRMM, dengan melihat Gambar 14(2), pola sebaran grafik menyebar dan korelasi hanya 0.55, didukung oleh uji Mann Whitney yang menyebutkan bahwa secara rataan nilai rataan TRMM harian wilayah I berbeda nyata dengan rataan curah hujan permukaan. TRMM mampu menduga dengan baik kejadian hujan ekstrim tanggal 13 Januari 2009, akan tetapi pada tanggal 12 Januari 2009 TRMM besarnya berada jauh dibawah besar curah hujan permukaan. Curah hujan harian GSMaP diakumulasikan menjadi 10-harian plot grafiknya pada Gambar 14(B.1) juga masih tersebar, dengan korelasi justru bernilai

negatif (-0.03), yang menunjukkan bahwa pola curah hujan GSMaP 10-harian berkebalikan dengan pola curah hujan permukaan Akan tetapi jika curah hujan tersebut kembali diakumulasikan menjadi curah hujan bulanan, keseluruhan sebaran titik ada pada bagian atas garis dengan korelasi mencapai 0.86, hal ini menunjukkan curah hujan GSMaP bulanan pada wilauah I dapat mengikuti pola curah hujan permukaan, tetapi besarnya selalu lebih kecil dari pada curah hujan permukaan yang terukur. Curah hujan TRMM jika diakumulasikan menjadi 10 harian mempunyai korelasi yang sangat baik dengan curah hujan permukaan, mencapai 0.85, dan jika diakumulasikan kembali (menggunakan data TRMM 3B43 V6) juga mempunya korelasi 0.81. Nilai korelasi dengan curah hujan permukaan yang mencapai lebih dari 0.8 ini juga didukung dengan sebaran grafik yang cenderung mendekati garis tengah, sehingga menunjukkan nilainnya akurat. Keakuratan ini didukung oleh uji Mann Whitney yang menyebutkan bahwa antara curah hujan TRMM 10 harian dan curah hujan TRMM bulanan dengan curah hujan permukaan tidak berbeda nyata secara rataan.

Tabel 12 Perbandingan CH GSMaP dan TRMM dengan CH permukaan pada wilayah I Harian 10-harian Bulanan WIL I Korelasi MAE RMSE

GSMaP

TRMM

GSMaP

TRMM

GSMaP

TRMM

0.16 12.92 21.90

0.55 10.99 17.45

-0.03 81.73 100.53

0.85 31.80 41.03

0.86 132.97 148.75

0.81 80.52 101.77

   

  T Tabel 13 Uji Mann M Whitneyy antara data cuurah hujan GSM MaP dan TRM MM dengan data curah hujaan permukaan wilayah w I Uji Mann n Whitney Data Wilayaah I P-Val Deskipsi Harian 10-harian

CH GSMaP v CH Permukaaan

0.0271

**

CH TRMM v CH Permukaaan

0.0355

**

CH GSMaP v CH Permukaaan

0.5365

*

CH TRMM v CH Permukaaan

0.5365

*

CH GSMaP v CH Permukaaan

0.4034

*

* Bulanan CH TRMM v CH Permukaaan 0.8345 Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

Gambar 15 Pllot perbandingaan antara curahh hujan harian Permukaan deengan curah hu ujan GSMaP dan TR RMM pada wilaayah I 44.2.1.2 Wilayah II – Wilayaah Dataran Sebaran daata GSMaP harrian, 10 harian dan b bulanan pada wilayah w II ini sangat menyeebar s seperti yang ditunjukan d olehh Gambar 16 (1), h hal ini juga terlihat dari korelasi anttara G GSMaP dan curah c hujan peermukaan baikk itu h harian, 10 harrian, dan bulaanan sangat kkecil ( (lihat Tabel 14 4). Meskipun Uji U Mann Whittney ( (Tabel 15), meenunjukkan currah hujan GSM MaP 10 harian dan n bulanan tidaak berbeda nyyata d dengan curah hujan h permukaaan secara rataaan, a akan tetapi karena k pola sebaran keduaanya b berbeda, makaa data GSMaaP 10 harian dan b bulanan untuuk wilayah II I belum daapat d digunakan, seperti s juga dengan ddata h hariannya. Hal sebalikknya terjadi paada perbandinngan a antara curah hujan TRMM M dengan cuurah h hujan Permukkaan , dalam skala s harian nnilai

menunjukkan 0.61, semakin korellasi diaku umulasi maka korelasi ini seemakin baik. Korelasi terbaik kketika curah huujan TRMM diaku umulasikan meenjadi bulanann korelasinya menccapai 0.98. Haasil korelasi ini i didukung juga oleh hasil uji Mann Whitney(Tabel 15) yang menyebutkann bahwa padaa wilayah II, b nilai secarra harian, 10 harian dan bulanan, rataan n data curah hhujan TRMM tidak t berbeda nyataa dengan currah hujan perrmukaan.Saat kejaddian hujan eksttrim (lihat Gam mbar 17) pada tangg gal 13 dan 14 jjanuari 2009, GSMaP G tidak mam mpu menduga besarnya curah c hujan dengan baik, bahkaan GSMaP han nya mencatat 2.88 mm, saat curah hujan permukaan menccatat 105.94 ((tanggal 14 Jaanuari 2009). TRM MM mampu meencatat curah hujan h ekstrim ini dengan d cukup baik yaitu seebesar 88.02 mm.

 

A.1

A.2

B.1

C.1

B.2

C.2

Gambar 16 Perbandingann antara curah hhujan permukaaan dengan curaah hujan GSM MaP (1) dan TRMM (2) secara harian ((A), 10harian (B), ( dan Bulanaan (C) pada wiilayah II. T Tabel 14 Perbbandingan CH GSMaP dan T TRMM dengan CH permukaaan wilayah II 100-harian Bulanan Harian n WIL L II Koreelasi MA AE RMSE

GSMaP P

TRMM M

GSMaP

TRMM

GSMaP

TR RMM

0.16

0.61

0.20 0

0.77

0.59

0..98

11.71 20.51

9.06 14.722

88.883 123.6 61

50.96 64.04

165.80 195.77

52 2.04 62 2.64

T Tabel 15 Uji Mann M Whitneyy CH GSMaP dan d TRMM deengan CH perm mukaan wilayahhII Uji Mann n Whitney Data Wilayah h II P-Val Deskipsi Harian 10-harian Bulanan

CH GSMaP v CH Permukaaan

0.0002

***

CH TRMM v CH Permukaaan

0.0660

CH GSMaP v CH Permukaaan

0.1577

* * 

CH TRMM v CH Permukaaan

0.6588

* 

CH GSMaP v CH Permukaaan

0.0601

* 

* CH TRMM v CH Permukaaan 0.4034 Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

G Gambar 17 Plot perbandingaan antara curahh hujan harian Permukaan P deengan curah hu ujan GSMaP daan TRMM padaa wilayah II

    4.2.1.3 Wilayah III – Wilayah Pegunungan Pada wilayah III ini terlihat dari Gambar 18, baik GSMaP maupun TRMM dalam skala harian dan 10 harian sebaran titiknya menyebar, yang menunjukkan bahwa banyak terdapat overestimate dan underestimate curah hujan GSMaP dan TRMM terhadap pada wilayah ini. Sebaran grafik yang menyebar ini juga terlihat dari korelasi antara curah hujan GSMaP dan TRMM dengan curah hujan permukaan (Tabel 16) yang bernilai kecil (<0.3). Pada periode curah hujan bulanan untuk GSMaP pada Gambar 18 telihat jelas sebarannya keseluruhan nilainnya berada dibawah curah hujan permukaan bulanan, sedangkan pada TRMM yang menggunakan dataset 3B43.V6 sebagian besar titik-titik berada dekat dengan garis tengah sehingga dalam skala bulanan TRMM mampu menduga

curah hujan permukaan untuk wilayah pegunungan dengan korelasi dengan curah hujan permukaan sebesar 0.60. Uji Mann Whitney (Tabel 17) juga menunjukkan bahwa curah hujan bulanan TRMM pada wilayah III tidak berbeda nyata rataannya dengan curah hujan permukaan Gambar 19 menunjukkan plot perbandingan antara GSMaP dan TRMM dengan curah hujan permukaan, jika melihat nilai ekstrim curah hujan permukaan, GSMaP tidak dapat menduga nilai ekstrim tersebut, TRMM mampu menduga nilai ekstrim tersebut dengan baik. Akan tetapi ada banyak kejadian overestimate pada TRMM, sehingga membuat pada wilayah III ini baik GSMaP mauputn TRMM polanya secara harian tidak ada yang mampu mengikuti pola sebaran curah hujan permukaan.

A.1

B.1

C.1

A.2

B.2

C.2

Gambar 18 Perbandingan antara curah hujan permukaan dengan curah hujan GSMaP (1) dan TRMM (2) secara harian (A), 10harian (B), dan Bulanan (C) pada wilayah III. Tabel 16 Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan permukaan secara statistik pada wilayah III Harian 10-harian Bulanan WIL III Korelasi MAE RMSE

GSMaP

TRMM

GSMaP

TRMM

GSMaP

TRMM

0.13

0.32

0.11

0.20

0.37

0.60

12.28 16.82

11.21 16.20

97.77 123.97

81.03 91.51

207.46 235.93

97.31 101.30

   

  T Tabel 17 Uji Mann M Whitneyy antara CH GS SMaP dan TRM MM dengan C permukaan wiilayah III Uji Mann n Whitney Data Wilayah h III P-Val Deskipsi ***  CH GSMaP v CH Permukaaan 0.0000 Harian ***   CH TRMM v CH Permukaaan 0.0014 ***  CH GSMaP v CH Permukaaan 0.0273 10-harian CH TRMM v CH Permukaaan 1.0000 * Bulanan

CH GSMaP v CH Permukaaan

0.0367

***

* CH TRMM v CH Permukaaan 0.4034 Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

G Gambar 19 Plot perbandingaan antara curahh hujan harian Permukaan P deengan curah huujan GSMaP daan TRMM padaa wilayah III 44.2.1.4 Wilayah Keseluruhan Perbandinggan selanjutnyya adalah ppada w wilayah keseluuruhan, dari Gambar G 20 terliihat p pada perbanddingan GSMaP P dengan cuurah h hujan permukkaan harian dan d 10harian dan b bulanan sebaraan grafik meny yebar jauh, hall ini d ditunjukan jug ga oleh korelasi antara keduaanya y yang sangat reendah yaitu 0.221, 0.15 dan 00.40 ( (Tabel 18). Hal sebaaliknya justruu terjadi ppada p perbandingan antara curah hujan h TRMM dan c curah hujan peermukaan padaa wilayah ini ppada s skala harian, 10 harian daan bulanan. Saat S h harian Gambarr 20 terlihat sebbaran berada ppada s sekitar garis tengah, dittunjukan denngan k korelasi sebessar 0.63, semakin diakumuulasi s sebarannya sem makin mendekkati garis tenggah, d dengan korelaasi terbaik paada perbandinngan b bulanan yaitu 0.96. 0 hasil koreelasi yang baikk ini j juga didukung g dengan Ujii Mann Whittney

ukkan bahwa pada Tabel 19, yyang menunju pada skala hariann, 10 harian dan bulanan wilay yah keseluruhaan ini, nilai raataan TRMM tidakk berbeda nyataa dengan nilai rataan curah hujan n Permukaan . Fakta ini menunjukkan m pada curah hujan T TRMM, jika wilayah w kajian semaakin diperluas dengan benttuk topografi yang beragam, hhasil perbandingan sangat baik. Nilai N ekstrim cuurah hujan perm mukaan pada wilay yah keseluruhaan ini tidak dapat d diduga dengan baik oleh G GSMaP, seperti yang terlihat pada Gambar 21, seedangkan TRM MM pada saat h hujan ekstrim m tanggal 13 januari 2009 curah dan 14 januari 20009 mampu meendekati nilai curah h hujan permuukaan. GSMaP P besar curah hujan nnya.

 

A.1

B.1

C.1

A.2

B.2

C.2

G Gambar 20 Perrbandingan anttara CH permuukaan dengan CH C GSMaP (1)) dan TRMM (2) ( secara haarian (A), 10haarian (B), dan B Bulanan (C) paada wilayah Keeseluruhan T Tabel 18 Perrbandingan CH H GSMaP dan TRMM T dengann CH permukaaan secara statisstik pada wilaayah Keseluruh han Harian 10-harian Bu ulanan KESELURU UHAN GSM MaP TR RMM G GSMaP TRM MM GSMaP P TRMM 0.21 0.63 0.15 0.777 0.40 0.96 Korelassi 10.49 7.92 77.05 42.74 149.70 42.82 MAE 16.24 111.72 1 115.19 57.27 187.19 49.63 E RMSE T Tabel 19 Uji Mann M Whitneyy antara CH GS SMaP dan TRM MM dengan CH H permukaan wilayah w Keseluruhan Uji Mann n Whitney Data Wilayaah Keseluruhaan P-Val Deskipsi Harian 10-harian Bulanan

CH GSMaP v CH Permukaaan

0.0002

***

CH TRMM v CH Permukaaan

0.0772

CH GSMaP v CH Permukaaan

0.0934

* *

CH TRMM v CH Permukaaan

1.0000

*

CH GSMaP v CH Permukaaan

0.1437

*

* CH TRMM v CH Permukaaan 0.8345 Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

Gambar 21 P Plot perbandinggan antara CH harian Permukkaan dengan C CH GSMaP dan TRMM p pada wilayah Keseluruhan K

 

 

4 4.2.2 Perband dingan menuru ut variasi wilaayah kajian paada setiap varriasi waktu

A.1

B.1

C.1

A.2

B.2

C.2

G Gambar 22 Peerbandingan sttatistik korelasii (1) dan param meter galatnya (2) antara GSM MaP dan TR RMM dengan curah c hujan peermukaan secarra harian (A), 10harian 1 (B), Bulanan B (C) 44.2.2.1 Data harian h Gambar 222 menunjukkann bahwa koreelasi T TRMM dengan n curah hujan permukaan sellalu l lebih baik darripada korelasii GSMaP denngan c curah hujan permukaan padda setiap wilayyah, b begitupun parrameter galattnya (MAE dan R RMSE) nilainnnya selalu lebih h rendah dari nnilai g galat GSMaP dengan d curah hujan h permukaaan. C Curah hujan harian GSMaaP, untuk settiap w wilayah kajian, baik koorelasi, mauppun p parameter galaatnya menunjuukkan hasil yyang b buruk, sehingg ga untuk curah hujan GSMaP P ini d dalam skala haarian tidak dapaat digunakan Pada curahh hujan TRMM M untuk wilayaah II d wilayah Keseluruhan dan K poola hujan TRM MM m mampu men nyamai polaa curah huujan p permukaan leb bih dari 60%, ditambah denngan u Mann Whiitney juga terbbukti bahwa ppada uji k kedua daerah ini TRMM seecara rataan tidak b berbeda nyata dengan curah hujan h permukaaan, s sehingga dalam m dua wilayaah ini data cuurah h hujan TRMM dapat diperguunakan. Selainn itu p pada wilayah keseluruhan k m mempunyai akuurasi s sama seperti wilayah dataran d sehinngga w walaupun toppografi beraggam dan luaasan b bertambah justru perbanding gan menunjukkkan h hasil yang baaik. Pada Gam mbar 22 terliihat b bahwa pendug gaan curah huujan oleh TRM MM d dan GSMaP secara hariaan pada wilaayah p pegunungan mempunyai m p pola yang tidak m menyerupai cuurah hujan perm mukaan, sehinngga d dalan skala harrian untuk curaah hujan GSM MaP m maupun TRMM M tidak dapat diterapkan d 44.2.2.2 Data 10-harian Curah hujan GSMaP yang y diakumuulasi m menjadi 10 harrian, pada wilaayah I, II, III, dan

keselluruhan juga masih memiliki nilai korellasi yang renddah (Gambar 22), 2 sehingga pada skala 10 hariaan pun curah hujan h GSMaP ini belum dapat diterapkan, kareena pola data tidakk sesuai dengann curah hujan permukaan. p Curah C hujan TR RMM semakin n diakumulasi korellasi akan semakin meningkatt seperti yang ditunj njukkan pada Gambar G 22 (B B). Pada data 10 harian h wilayahh I dan II, nilai n korelasi TRM MM dengan curah hujan permukaan menu unjukkan hasil yang sangat baik. b Hasil uji Mann n Whitney mennunjukkan juga bahwa data TRM MM pada wilayyah tersebut tiidak berbeda nyataa dengan ccurah hujan permukaan, sedanngkan untuk w wilayah III koorelasi antara TRM MM dengan currah hujan perm mukaan yang kecil (<0.20) menuunjukkan dataa curah hujan MM pada willayah pegunuungan belum TRM dapatt mengikuti pola curah hujan permukaan 4.2.2.3 Data bulan nan Data D GSMaP bulanan, Niilai korelasi antarra curah hujann GSMaP dan curah hujan perm mukaan terbaikk terdapat padda wilayah I dan II, I akan tetapi jjumlah curah hujan h bulanan selalu u lebih kecil daari pada jumlahh curah hujan perm mukaan pada settiap wilayah. Data D curah hujan bulannan TRMM meng ggunakan dataaset yang beerbeda, yaitu 3B433.V6, dataset inni merupakan dataset yang sudah h terkoreksi dengan data curah hujan perm mukaan milik GPCC, sehhingga hasil korellasi dengan curah hujan permukaan nilainnnya selalu ddiatas 0.60. Hasil H terbaik perbaandingan denggan curah hujan n permukaan pada wilayah II dan keseluruhhan, dengan mendekati sem mpurna (0.98 korellasi hampir m

    dan 0.96). TRMM dalam skala bulanan sudah dapat diterapkan pada semua wilayah. 4.3 Identifikasi Faktor Penyebab Galat Hasil perbandingan menunjukkan adanya galat yang bervariasi baik overestimate maupun underestimate, untuk itu perlu dilakukan indentifikasi penyebab galat ini. GSMaP dan TRMM TMPA adalah pendugaan curah hujan dengan menggunakan metode kombinasi, metode kombinasi ini merupakan gabungan antara data dari sensor gelombang mikro sebagai data utama dan sebagai data tambahan digunakan sensor inframerah, karena itulah identifikasi lebih diprioritaskan pada cara kerja sensor gelombang mikro dalam menduga curah hujan. Pengukuran curah hujan secara tidak langsung yang dilakukan dengan sensor gelombang mikro ini sangat bergantung pada variabilitas emisi permukaan, penelitian dengan menggunakan sensor SSM/I menyebutkan bahwa pengukuran menggunakan gelombang mikro akurasinya setingkat dengan akurasi radar untuk wilayah lautan, akan tetapi akurasi berkurang untuk wilayah daratan karena adanya variasi emisivitas dari daratan (Spencer et al. 1989). Variabilitas emisi permukaan yang tinggi membuat sensor gelombang mikro kesulitan membedakan suhu kecerahan butir hujan dengan suhu kecerahan permukaan. Wilayah I, kesalahan pendugaan ini dimungkinkan jika melihat cara kerja sensor gelombang mikro yang berbeda pada kondisi lautan dan daratan. Pada wilayah lautan penggunaan gelombang mikro akan didapatkan jumlah curah hujan yang akurat karena perbedaan suhu kecerahan antara butir hujan (hydrometeor) dengan permukaan (lautan) telihat sangat berbeda pada sensor, sedangkan pada wilayah daratan, karena antara butir hujan daratan terlihat sama, maka diperlukan suatu model awan untuk memodelkan jumlah scatering yang terjadi. Wilayah pantai memakai algoritma tersendiri karena dengan komposisi lautan dan daratan yang berimbang membuat nilai estimasi oleh satelit menjadi lebih buruk dari pada wilayah lautan saja atau daratan saja, karena kemampuan akurasi tinggi pada wilayah lautan akan langung tidak akurat pada wilayah daratan jika memakai metode pengukuran yang sama. Wilayah III adalah wilayah pegunungan terlihat nilai korelasi yang sangat kecil dibanding wilayah kajian lainnya, hal ini menunjukkan hubungan yang buruk antara

pendugaan oleh sensor gelombang mikro dengan curah hujan permukaan. Beberapa faktor yang menjadi penyebab hal ini antara lain Variabilitas dari emisi permukaan yang tinggi pada wilayah pegunungan (Porcu et al. 2003) dan pengaruh proses hujan orografik. Emisi permukaan daratan yang diterima oleh sensor gelombang mikro pada satelit adalah hasil interaksi yang kompleks antara parameter-parameter permukaan sehingga nilainnya akan sangat bervariasi dan sangat sulit diprediksi. Emisi gelombang mikro pada wilayah daratan dikeluarkan oleh parameterparameter seperti tutupan lahan, kelembaban tanah dan kekasaran permukaan (Prigent et al. 2006). Tutupan lahan dan dan kekasaran permukaan yang sangat bervariasi pada wilayah III dibandingkan dengan wilayah I dan II membuat variabilitas permukaan pada wilayah ini sangat beragam, variabilitas emisi permukaan yang tinggi membuat sensor gelombang mikro bias dalam membedakan suhu kecerahan butir hujan dengan suhu kecerahan permukaan. Wilayah III dari peta ketinggian ASTER G-DEM yang mempunyai resolusi 30m diperoleh informasi nilai ketinggian maksimum 2091 m dan minimum sebesar 91 m, dari peta terebut juga dilakukan pengolahan dengan menggunakan software ArcGIS untuk membuat peta kemiringan lereng. Peta kemiringan lereng yang terbentuk (Gambar 23) memberikan informasi kemiringan lereng maksimum 61 derajat dengan rata-rata kemiringan lereng sebesar 8.96 Kemiringan lereng ini mengakibatkan hujan orografik akan berpengaruh besar terhadap kejadian hujan di wilayah ini. Fenomena ini hujan orografik ini ditandai dengan kejadiaan hujan yang terjadi pada sore hari, hasil penelitian menunjukkan wilayah Kota Bogor yang berada di kaki Gunung Salak 75% hujan nya terjadi antara pukul 12.00 dan 20.00, sedangkan kurang dari 10% nya terjadi antara pukul 04.00 dan 12.00 (Oldeman dan Suardi 1976). Pada wilayah pegunungan, udara yang dipaksa naik melewati wilayah pegunungan akan mengakibatkan peningkatan jumlah curah hujan dan peningkatan waktu lama hujan pada wilayah tersebut. Tipe hujan seperti ini akan mengakat/memompa udara yang hampir jenuh kedalam lapisan jenuh, sehingga dapat menyebabkan pembentukan “warm rain” pada ketinggian yang relatif rendah (Maddox et al.1978; Caracena et al.1979; Reinking and Boatman 1986; J. A. Smith et al.1996; Petersen et al. 1999; J. A.

   

    Smith et al. 2000; Kelsch 2001 dalam Committee to Assess NEXRAD Flash Flood 2005). “Warm rain” atau disebut dengan hujan hangat adalah hujan tanpa menimbulkan es-es pada bagian puncaknya .

Gambar 23 Kemiringan lereng wilayah III Hasil penelitian menggunakan sensor Radar TRMM selama 9 tahun pada wilayah 20LU – 20LS yang dilakukan oleh Liu dan Zipser menunjukkan bahwa kejadian hujan dengan suhu puncak awan diatas 0oC memberikan kontribusi 20% pada wilayah lautan tropis, sedangkan pada wilayah daratan tropis hanya 7.5% (Liu dan Zipser 2008). Akan tetapi jika mencermati peta hasil penelitan tersebut (Gambar 24) menunjukkan bahwa pada wilayah Indonesia khususnya wilayah daerah kajian fenomena kejadian hujan hangat ini sering terjadi. Gambar 24 menunjukkan intensitas kejadian hujan hangat rata-rata bulanan yang terjadi secara global, Gambar 24 ini merupakan hasil analisis kejadian hujan yang mempunyai suhu puncak awan diatas 0oC, yang berarti tidak ada pembentukan es yang terjadi. Tidak adanya pembentukan es pada hujan hangat ini dapat menyebabkan kesalahan pendugaan curah hujan dengan gelombang mikro,

dikarenakan metode pengukuran curah hujan dengan gelombang mikro pada wilayah daratan memakai metode scattering based, dimana dibuat model asumsi curah hujan dengan bagian atas terdiri dari lapisan- lapisan es. Lapisan es ini akan melakukan hamburan terhadap emisi butir hujan, sehingga nilai suhu kecerahan akan terlihat lebih rendah pada sensor dan mampu dibedakan dengan suhu kecerahan daratan. Pembentukan awan hujan tanpa disertai partikel es diatasnya membuat underestimate jumlah hujan pada wilayah kejadian (Kummerow et al. 2001 dalam Liu dan E Zipser 2008). 4.4 Persamaan Koreksi Data GSMaP dan TRMM Hasil Identifikasi menunjukkan penyebab perbedaan selisih curah hujan stasiun dengan curah hujan satelit adalah variabilitas nilai emisi permukaan dan fenomena hujan hangat. Persamaan koreksi akan diberikan pada data curah hujan GSMaP dan TRMM yang berdasarkan evaluasi tidak sesuai dengan curah hujan permukaan. Data curah hujan GSMaP persamaan koreksi akan diterapkan pada wilayah I, II, III dan keseluruhan, sedangkan untuk TRMM persamaan koreksi akan diterapkan pada wilayah III. 4.4.1 Persamaan Koreksi GSMaP Korelasi antara curah hujan GSMaP harian dan 10-harian dengan curah hujan permukaan menunjukkan hubungan nilai korelasi yang sangat rendah. Hubungan korelasi harian dan 10-harian dengan curah hujan permukaan yang sangat kecil ini menyebabkan hasil koreksi harian dan 10-harian juga belum dapat mengikuti curah hujan permukaan.

(sumber : Liu dan Zipser 2008) Gambar 24 Wilayah Terjadinya hujan hangat

   

  Data bulanan D n GSMaP mempunyai m nnilai k korelasi baik dengan d curah hujan permukkaan t tetapi karena sebagian besaar datanya sellalu l lebih rendah daripada nilai curah huujan p permukaan, m maka data bu ulanan ini peerlu d dikoreksi. 44.4.1.1 Wilaya ah I Koreksi dilakukan d denggan memberikan t tiga perlakuan n pada parameeter NOAA yyang d dipergunakan, hasil regresi stepwise ternyyata m memberikan p persamaan kelu uaran yang saama p pada ketiga perrlakuan. CHGSMaP*= 5413 + 0.7644*CHGSMaP – 241*T T(permukaan) + 899.3*qs(850) K : CHGSMaP** : CH GSMaP Ket P Bulanan Koreeksi T(permukaann) : Suhu Udaraa Permukaan qs(850)) : Kelembabann Spesifik 850m mb

curah h hujan GSM MaP bulanan wilayah w I ini adalaah Suhu perm mukaan dan Kelembaban Spesiifik pada kettinggian 850m mb. Nilai R2 yang didapat 99% (Tabel 20), menunjukkan m m mengkkoreksi nilai persaamaan ini mampu curah h hujan GSMaaP bulanan deengan sangat baik. Plot grafik ((Gambar 25) terlihat t jelas, g tengah, titik-ttitik menyebarr tepat pada garis yang menunjukkan data koreksi sesuai s dengan c hujan peermukaan. data curah Permukaan Tabel 20 Perbandiingan CH dengan ddata GSMaP daan persamaan koreksi wilayah w I Persamaan P Awal bandingan Perb Koreksi 99% R2 1132.973 1.045 MAE E RMS SE

1148.746

1.366

Hasil regrresi stepwise terlihat bahhwa pparameter yanng berpengaruuh untuk koreeksi

Gambarr 25 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum koreksi (kiri) dan dengan peersamaan korekksi (kanan) padda wilayah I 44.4.1.2 Wilaya ah II Hasil reg gresi stepwise memberikan p persamaan kelluaran yang sama s pada kettiga p perlakuan. Perrsamaan yang terbentuk t adalaah CHGSMaPP* = 221 + 0.659*CHGSMaP K : CHGSMaP** : CH GSMaP Ket P Bulanan Koreeksi Hasil kelluaran regressi stepwise ini menunjukan bahwa tidak ada parameeter m k koreksi dari NOAA N yang mampu menjjadi p parameter koreeksi pada wilaayah II, sehinngga y yang didapat hanya h persamaan koreksi reggresi d dengan curah hujan GSMaP P saja. Persam maan i mampu meengkoreksi nilaai galat (MAE dan ini R RMSE) curah hujan GSMaP P awal, meskippun

nilai R2 hanya 34.990% (Tabel 21). Plot grafik (Gam mbar 26) menunnjukkan persam maan koreksi mam mpu mendekatkkan sebaran tittik-titik yang awalnnya selalu beerada diatas garis tengah (undeerestimate cuurah hujan permukaan) menjadi mendekati garis tengah. H Permukaan Tabel 21 Perbandiingan data CH dengan GSMaP dann persamaan w II koreksi wilayah P Persamaan Awal bandingan Perb Koreksi 34.90% R2 1165.796 90.515 MAE E 97.322 1195.766 RMS SE

 

Gambarr 26 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum koreksi (kiri) dan dengan peersamaan korekksi (kanan) padda wilayah II 44.4.1.3 Wilaya ah III Hasil reg gresi stepwise memberikan p persamaan kelluaran yang sama s pada kettiga p perlakuan. Perrsamaan yang terbentuk t adalaah

GSM MaP dengan curah hujan permukaan (Tabeel 22). Plot grafik (Gamb bar 27) juga dapatt terlihat bahhwa hasil korreksi mampu meraapatkan sebarann grafik di garis tengah.

CHGSMaPP* = 321 + 0.4003*CHGSMaP

Tabel 22 Perbandiingan data CH H Permukaan dengan GSMaP dann persamaan koreksi wilayah w III P Persamaan Perbandingan P Awal Koreksi 13.80% R2

K : CHGSMaP** : CH GSMaP Ket P Bulanan Koreeksi Sama seperrti wilayah II, pada wilayahh III rregresi stepwisse tidak mengeeluarkan keluaaran p parameter NOAA. Menunjukkkan bahwa ppada w wilayah III ini parameteer NOAA tidak b berpengaruh un ntuk koreksi daata GSMaP inii. persamaan ini mampu mengurangi m leebih d dari 50% nillai galat antaara curah huujan

MAE M

207.456

88.587

RMSE R

235.930

96.579

Gambarr 27 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum koreksi (kiri) dan d dengan perrsamaan korek ksi (kanan) padda wilayah III 44.4.1.4 Wilaya ah Keseluruhaan Hasil reg gresi stepwise memberikan p persamaan kelluaran yang sama s pada kettiga p perlakuan. Perrsamaan yang terbentuk t adalaah CHGSM 440* CHGSMaP MaP* = 240 + 0.4 K : CHGSMaP** : CH GSMaP Ket P Bulanan Koreeksi Pada wilayyah keseluruhann ini, seperti juga ppada wilayah II dan III, regresi stepw wise k kembali tidaak mengeluaarkan parameeter N NOAA sebaggai hasil kelluarannya. Hasil H p persamaan kooreksi yang berupa b persam maan r regresi positiff, menunjukkaan bahwa cuurah h hujan GSMaP awal besaran nnya lebih renndah

dari curah hujann Permukaan. Persamaan korekksi mampu meemberikan nilaii galat (MAE dan RMSE) R yang leebih kecil darippada GSMaP awal,, dan ditunjuukkan dengan grafik plot (Gam mbar 28) yangg sebarannya merapat ke garis tengah. Tabel 23 Perbandiingan data CH H Permukaan dengan GSMaP dann persamaan koreksi wilayah w keseluuruhan Peersamaan Perb bandingan Awal Koreksi 15.90% R2 MA AE

149.705

95.829

RM MSE

187.192

105.060

 

Gambarr 28 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum korek ksi (kiri) dan dengan d persamaaan koreksi (kaanan) pada willayah keseluruh han 44.4.2 Persama aan Koreksi TRMM T Wilayyah I III Hasil iden ntifikasi menuunjukkan bahhwa c curah hujan harian TRM MM wilayah III m mempunyai niilai korelasi jauh lebih renndah pada wilayah d dibandingkan h I dan II yyang s sudah dapat mencapai >550%, sehinngga p persamaan korreksi ini lebihh difokuskan ppada n nilai curah hujan h TRMM M pada wilaayah p pegunungan. Hasil H regresi stepwise denngan t tiga perlakuaann memberikann keluaran berrupa t tiga persamaaan (Tabel 24). Hasil ini m menunjukkan bahwa p parameter yyang b berpengaruh untuk u koreksi curah c hujan sattelit p pada kondisi topografi peg gunungan adaalah T Tekanan Udarra Permukaan n, Angin 850m mb, P Parameter C (Angin permu ukaan komponen V V(-) dan Kem miringan leren ng), Suhu uddara 8 850mb, Kelem mbaban tanahh kedalaman 102 200cm, dan suhu kulit permukaan p (SSkin t temperature), sehingga daapat disimpullkan b bahwa parameeter inilah yanng mempengarruhi k kesalahan peendugaan nilaai curah huujan

TRM MM pada willayah pergunuungan. Nilai perbaandingan antarra nilai curah hujan h TRMM awal dengan 3 perssamaan korekssi, ditunjukan oleh Tabel 25, kketiga persam maan koreksi sudah h mampu mem mberikan nilai koreksi k hujan yang jauh mendekaati nilai curah hujan h stasiun jauh lebih baik darii TRMM. Hasil H Persamaaan Koreksi teerbaik adalah persaamaan korekssi nomor tiiga, dengan korellasi mencapai 0.7 (naik lebih dari 2 kali lipat korelasi aw wal), akan teetapi karena persaamaan koreksii nomor tiga ini memakai asum msi, sehingga pperlu dilakukaan penelitian lebihh jauh tentang kebenaran darri asumsi ini. Persaamaan keduua yang menggunakan m perkaalian vektor daalam menentuk kan interaksi antarra angin denngan kemirinngan lereng, meru upakan faktor kkorelasi terbaik k jika dilihat secarra teoritis, akaan tetapi fakto or koreksi ini mem mpunyai kelemaahan pada saatt curah hujan tingggi (hari ke 45), tidak memb berikan hasil yang sesuai (Gambaar 28).

T Tabel 24 Persaamaan Koreksi data TRMM Wilayah W III PERSA AMAAN KOR REKSI CH TR RMM WILAY YAH III CH C TRMM* = 8833 + 0.233*CHTTRMM+ 2.10*P(ppermukaan) + 0.7227*V(850) - 4.900*T(850) – I 325*θ(10-200cm) - 4.74*Ts (permukaan) CHTRMM* = 701+ 0.229* CHTRMM + 0.00111*P(Permukaaan) + 0.0776*V V(850) – II 5.69*Ts (permukaan)+ 0.3228*RH850 – 311*θ(10-200cm)- 3..82* R⋅S (permukkaan) III CHTRMM* = 2132 - 0.0296* R⋅S (permukaan)*C CHTRMM - 6.766 T(850)- 396 *θ(10-200cm) K : CHGSMaaP* : CH GSM Ket MaP Bulanan K Koreksi V(8550) : Keccepatan Angin 850mb P(permukaaan) : Tekanan n Udara Permuukaan T(8550) : Suhhu udara 850m mb, θ(10-200cm : Kelembaaban tanah 10--200cm Ts (permukaan) : Suhhu kulit permukkaan m) ( R⋅S(perm n permukaan daan Kemiringan lereng mukaan) : Interaksi antara Angin T Tabel 25 Perbbandingan dataa CH Permukaaan dengan TRM MM dan persam maan koreksi wilayah w III Persamaan n Persam maan Koreksii Persamaa an Koreksi Perbandingan n Awal Koreksi I II III I R2 41.80% 43.9% 49.80% MAE 11.21 5.70 5.87 5.66 RMSE

16.20

2.39

2.42

2.38

 

G Gambar 29 Sccatterplot antarra curah hujan ppermukaan den ngan curah hujan TRMM TM MPA sebelum ko oreksi (atas) daan 3 persamaann koreksi (bawaah).

A 

B 

C 

D 

G Gambar 29 Plot antara nilai curah hujan TR RMM (A) dan tiga Persamaaan Koreksi (B,C C,D) p wilayah III terrhadap waktu pada

   

V. KESIMPULAN 5.1 Kesimpulan Perbandingan pola curah hujan harian GSMaP pada semua wilayah kajian dengan curah hujan Permukaan nilai korelasi kurang dari 20%, dan diperkuat oleh uji MannWhitney yang menyatakan rataan CH GSMaP harian berbeda nyata dengan data curah hujan harian Permukaan. Curah hujan TRMM harian untuk wilayah I dan wilayah keseluruhan mempunyai korelasi lebih dari 60% dengan curah hujan permukaan sehingga data dapat diterapkan, diperkuat dengan uji Mann Whitney yang menunjukkan data tidak berbeda nyata. Perbandingan Data 10 harian, untuk GSMaP menunjukkan korelasi kurang dari 20%, akan tetapi perbandingan nilai rataan Uji Mann-Whitney dengan curah hujan permukaan nilai pada wilayah pantai dan dataran tidak berbeda nyata. Curah hujan TRMM 10 harian pola curah hujan kecuali pada wilayah pegunungan sudah dapat mengikuti pola curah hujan permukaan, dan uji Mann Whitney menunjukkan rataan TRMM 10 harian pada keseluruhan wilayah kajian tidak berbeda nyata. Perbandingan data bulanan GSMaP dengan curah hujan permukaan menunjukkan nilai korelasi lebih dari 0.60 pada wilayah pantai dan dataran dan dapat diterapkan, dengan menggunakan persamaan koreksi, karena besar curah hujan GSMaP selalu lebih rendah dari curah hujan Permukaan. Data curah hujan TRMM bulanan dapat diterapkan pada semua wilayah kajian karena pola sebaran sangat baik dengan korelasi tertinggi sebesar 98% (pada wilayah II), diperkuat dengan uji rataan Mann Whitney bahwa data CH TRMM tidak berbeda nyata dengan curah hujan permukaan. Identifikasi galat menunjukkan adanya fenomena hujan hangat dan variasi emisi permukaan yang tinggi khususnya pada wilayah III yang menyebabkan pada wilayah ini besaran curah hujan baik GSMaP maupun TRMM tidak mampu mengikuti curah hujan permukaan. Persamaan koreksi pada GSMaP menunjukkan pada wilayah I parameter yang berpengaruh adalah Suhu permukaan dan kelembaban spesifik 850mb, sedangkan di wilayah II, III, dan keseluruhan tidak ada parameter lokal yang berpengaruh. Persamaan koreksi TRMM wilayah III didapat parameter lokal yang berpengaruh terhadap keakuratan microwave ini adalah Tekanan Udara Permukaan, Angin 850mb, Parameter C (Angin Meridional permukaan dan

Kemiringan lereng), Suhu udara 850mb, Kelembaban tanah kedalaman 10-200cm, dan suhu kulit permukaan (SKT) 5.2 Saran Kebutuhan periode data yang lebih panjang (>= 1 Tahun) agar dapat melakukan evaluasi hasil GSMaP/TRMM pada musim kemarau , musim hujan dan tahunan, untuk membuat persamaan koreksi baik tiap musim ataupun tahunan.

DAFTAR PUSTAKA COMET® Program. 2007. Land and Ocean Surface Applications - Microwave Remote Sensing. University Corporation for Atmospheric Research (UCAR) [http://meted. ucar.edu.] Committee to Assess NEXRAD Flash Flood. 2005. Flash Flood Forecasting Over Complex Terrain: With an Assessment of the Sulphur Mountain NEXRAD in Southern California. America: National Academies Press [http://www.nap.edu/cata log/11128.html] Higuchi A. Lecture 6: Geostationary Meteorological Satellites Center for Environmental Remote Sensing (CEReS). The 18th IHP Training Course “Satellite Remote Sensing of Atmospheric Constituents”; Japan, 3-15 Nov 2008. Hou A.H, S. Jackson, Kummerow, dan Shepherd. 2008. Global Precipitation Measurement. In : Michaelides 2008. Springer: Berlin. Huffman G.J dan D.T. Bolvin. 2008. TRMM and other Data Precipitation Data Set Documentation. Laboratory for Atmospheres, NASA Goddard Space Flight Center and Science Systems and Applications, Inc. [5 September 2008] Huffman G.J dan D.T. Bolvin. 2009. RealTime TRMM Multi-Satellite Precipitation Analysis Data Set Documentation. Laboratory for Atmospheres, NASA Goddard Space Flight Center and Science Systems and Applications, Inc. [13 May 2009] Iwasaki H. 2008. NDVI Prediction Over Mongolian Grassland Using GSMaP Precipitation Data and JRA-25/JCDAS

   

    Temperature Data. J Arid Enviro 73: 557– 562 [JAXA] Japan Aerospace and Exploration Agency. 2006. TRMM Data Users Handbook. Japan: Earth Observation Center. [JAXA] Japan Aerospace and Exploration Agency. 2008. Global Rainfall Map in Near Real Time Data Format Description. Japan: Earth Observation Center. [JAXA] Japan Aerospace and Exploration Agency. 2008. User’s Guide For Global Rainfall Map By JAXA/EORC GSMaP Near Realtime System (GSMaP_NRT) Kachi M, T. Kubota, K. Aonashi, T. Ushio dan S. Sige. 2009. GSMaP (Global Satellite Mapping for Precipitation). IGWCO; Kyoto, Japan Kalnay E, M. Kanamitsu, R. Kistler, W. Collins, D. Deaven, L. Gandin, M. Iredell, S. Saha, G. White, J. Woollen, Y. Zhu, A. Leetmaa, dan R. Reynolds. 1996. The NCEP/NCAR 40-Year Reanalysis Project. Bull. Amer. Meteor 77:437-470 Kidder S.Q. 1981. The Measurement of Precipitation Frequencies by Passive Microwave Radiometry. In : Precipitation measurements from Space,Workshop Report. October 1981. NASA Goddard Space Flight Center: Greenbelt Kubota T, S.Shige, H. Hashizume, K. Aonashi, N. Takahashi, S. Seto, M. Hirose, Y.N. Takayabu, T. Ushio, K. Nakagawa, K. Iwanami, M. Kachi, dan K. Okamoto. 2007. Global Precipitation Map Using Satellite-Borne Microwave Radiometers by The GSMaP Project: Production And Validation. IEEE 45:2259-2275. Lensky I.M dan V. Levizzani. 2008. Estimation of Precipitation from Spacebased Platforms. In: Michaelides S. Precipitation: Advances in Measurement, Estimation dan Prediction. Springer: Berlin. 195-213 Liu C dan E.J. Zipser. 2009. “Warm Rain” in the tropics: seasonal and regional distributions based on 9 yr of TRMM data. Journal of Climate 22:767-779.

Michaelides S. 2008. Precipitation: Advances in Measurement, Estimation and Prediction. Springer: Berlin. [NASA] National Aeronautic and Space Administration. NASA Facts: TRMM Instruments TRMM Microwave Imager. http://trmm.gsfc.nasa.gov/index.html. [Mei 2009] Okamoto K, S. Shige, N. Takahashi, K. Iwanami, dan T. Kubota. 2007. High Precision And High Resolution Global Precipitation Map From Satellite Data. International Symposium on Antennas and Propagation; Japan, 22 Ags 2007. Oldeman L.R dan D. Suardi. 1977. Climatic Determinants In Relation To Cropping Patterns . Proceedings, Symposium on Cropping Systems Research and Development for the Asian Rice Farmer, 21-24 September 1976, Los Banos, Filipina. Philipine : The International Rice Research Institute Porcu F, F. Prodi, S. Pinori, S. Dietrich, G. Panegrossi, dan G. Tripoli. 2003. On The Capabilities of VIS/IR Satellite Data to Resolve Orographic Precipitation. Proceedings of the 5th EGS Plinius Conference; Ajaccio, Corsica, France, Okt 2003. France: Editrice. Prawirowardoyo S. Bandung: ITB.

1996.

Meteorologi.

Prigent C, F. Aires, dan W.B. Rossow. 2006. Land Surface Microwave Emisivities Over The Globe For A Decade. Bull. Amer. Meteor. Soc 87: 1573– 1582 Rosenfeld, E. Cattani, S. Melani, dan V. Levizzani. 2004. Considerations on Daylight Operation of 1.6 μm vs 3.7 μm Channel on NOAA and METOP Satellites. B Am Meteorol Soc 85:873–881 Sandoval M.R. 2007. Spasial and Temporal Rainfall Gauge Data Analysis And Validation With TRMM Microwave Radiometer Surface Rainfall Retrievals. Netherland : ITC Spencer R.W, H.G. Michael, dan E.H. Tobbie. 1989. Precipitation Retrieval over Land and Ocean with the SSM/I: Identification and Characteristics of the Scattering

   

    Signal. J Atmos and Ocean Tech 6:254273 Suryantoro A, Halimurrahman, T. Harjana. 2009. Variasi Spasiotemporal Curah Hujan Indonesia Berbasis Observasi Satelit TRMM. Diseminasi Kegiatan Bidang Pemodelan Iklim Tahun 2009 – Observasi, Riset Proses Fisika dan Dinamika Serta Pemodelan Atmosfer. Bandung, 21 Apr 2009 Ushio T. Global Precipitation Mapping. The Eighteenth IHP Training Course (International Hydrological Program) Satellite Remote Sensing of Atmospheric Constituents; Japan, 3-15 Nov 2008

   

   

LAMPIRAN

   

   

Lampiran 1 Daftar pengamatan hujan Permukaan di Wilayah Kajian Jakarta-Bogor

No. Sta

Observasi

Lintang

Bujur

Elevasi (m)

9010

Darmaga

-6.55

106.75

250

2A

Perk.Cikopomayak

-6.47

106.47

103

21A

Cianten

-6.64

106.63

401

36A

Depok BMG

-6.41

106.76

94

76

Gn Mas

-6.71

106.97

1125

46C

Empang

-6.61

106.79

263

46A

Kebun Raya Bogor

-6.6

106.8

265

9014

Citeko

-6.7

106.94

970

63

Pdk Gedeh

-6.74

106.82

472

16R

Cikasungka

-6.55

106.54

370

59A

Ciawi

-6.66

106.85

486

56A

Katulampa

-6.6

106.81

266

13

Ciriung-Cibinong

-6.46

106.86

120

2

Perk Jasinga

-6.47

106.47

103

-

Setu Tunggilis

-6.42

107.01

68

-

Bendung Cibongas

-6.56

106.87

182

36

Perkb. Kahuripan

-6.45

106.69

97

89

Dayeuh

-6.51

107.02

290

80

Klapa Nunggal

-6.41

106.96

80

10003

Tanjung Priok

-6.1

106.88

2

9029

Pd.Betung

-6.31

106.75

26

10005

Kemayoran

-6.15

106.85

5

10006

Halim Perdanakusuma

-6.27

106.88

26

   

42  

Lampiran 2 Peta sebarann Stasiun curahh hujan Jakartaa - Bogor

    Lampiran 3 Luasan Poligon Thiessen Poligon Thiessen Wilayah I Observasi

Lintang

Bujur

Luas (km2)

Presentase luasan (%)

Tanjung Priok

-6.10

106.88

393.5

51.11%

PD.Betung

-6.31

106.75

23.26

3.02%

Kemayoran

-6.12

106.83

231.3

30.04%

Halim Perdanakusuma

-6.46

106.88

121.9

15.83%

Poligon Thiessen Wilayah II Observasi

Lintang

Bujur

Luas (km2)

Presentase luasan (%)

Darmaga

-6.55

106.75

9.17

Depok BMG

-6.41

106.76

103.6

13.46%

Ciriung-Cibinong

-6.46

106.86

162.7

21.13%

Setu Tunggilis

-6.42

107.01

18.12

2.35%

1.19%

Perkb. Kahuripan

-6.45

106.69

0.767

0.10%

Dayeuh

-6.51

107.02

17.88

2.32%

Klapa Nunggal

-6.41

106.96

168.3

21.86%

Pondok Betung

-6.26

106.75

90.2

11.71%

Halim Perdanakusuma

-6.42

106.96

199.223

25.87%

Poligon Thiessen Wilayah III Observasi

Lintang

Bujur

Luas (km2)

Presentase luasan (%)

Darmaga

-6.55

106.75

49.48

6.43%

Gn Mas

-6.71

106.97

70.2

9.12%

Empang

-6.61

106.79

56.2

7.30%

Kebun Raya Bogor

-6.60

106.80

19.85

2.58%

Citeko

-6.70

106.94

111.7

14.51%

Pdk Gedeh

-6.74

106.82

89.8

11.66%

Ciawi

-6.66

106.85

100.1

13.00%

Katulampa

-6.60

106.81

34.47

4.48%

Ciriung-Cibinong

-6.46

106.86

12.52

1.63%

Bendung Cibongas

-6.56

106.87

159.9

20.77%

Dayeuh

-6.51

107.02

65.74

8.54%

   

   

Lampiran 4 Poligon Thiessen wilayah Kajian

   

   

Lampiran 5. Global Satellite Mapping of Precipitation (GSMaP) Global Satellite Mapping of Precipitation (GSMaP) adalah suatu proyek milik pemerintah Jepang untuk melakukan pengukuran curah hujan dengan menggunakan media satelit luar angkasa. GSMaP ini awalnya didirikan oleh Japan Science and Technology Agency, bekerjasama dengan Core Research for Evolutional Science and Technology (JST/CREST) pada bulan November 2002. Sekarang dikelola dibawah lembaga antariksa Jepang yaitu JAXA’s Precipitation Measurement Missions dan GCOM-W1/AMSR2. Tujuan dari project ini adalah memproduksi data curah hujan secara global dengan resolusi dan keakuratan yang tinggi menggunakan satelit dengan sensor radiometer gelombang mikro (microwave radiometers MWR) (K. Okamoto 2007). Dua langkah yang digunakan dalam proses pengolahan data pada GSMaP yaitu 1. Mengembangkan algoritma MWR yang konsisten dengan sensor Precipitation Radar (PR) yang ada pada satelit TRMM dan Precipitation physical model yang dikembangkan dari PR (Aonashi et al., 2009 dalam M Kachi et al. 2009) 2. Mengkombinasikan penggunaan MWR dangan IR dengan menggunakan Cloud moving Vector dan Kalman Filter (Ushio et al., 2009 dalam M Kachi et al. 2009). GSMaP ini melibatkan 3 satelit pengukur curah hujan dengan menggunakan sensor MWR yaitu Tabel 1. Satelit dan Sensor dalam GSMaP (JAXA 2008) Satelit

Ketinggian (km)

Sensor MWR

frequency (GHz)

TRMM

402

TMI

10,19,21,37,85

AQUA

705

AMSR-E

7,10,19,24,37,89

DMSP-F13

803

SSM/I

19,37,85

DMSP-F14

803

SSM/I

19,37,85

DMSP-F15

803

SSM/I

19,37,85

Selain penggunaan 3 satelit MWR ini, GSMaP juga menggunakan data satelit yang memakai sensor IR. Data satelit IR yang digunakan adalah 1. 2. 3.

MTSAT METSOSAT-7/-8 GOES-11/-12

Ketiga data satelit ini disediakan oleh JWA (Japan Weather Association) dengan wilayah jangkauan data secara global yaitu 60N – 60S, data tersedia setiap satu jam (JAXA 2008). Tujuan dari penggunaan data IR ini adalah untuk mendapatkan vektor pergerakan awan (Cloud Motion Vector), yang akan digunakan dalam algoritma GSMaP, karena itulah pengamatan hujan yang dilakukan oleh GSMaP ini adalah gabungan sensor gelombang mikro dan inframerah 2.2.1 Algoritma GSMaP Algoritma dari GSMaP disesuaikan dengan tujuan GSMaP yaitu untuk mengembangkan algoritma MWR yang konsisten dengan sensor PR yang ada pada satelit TRMM, dengan Precipitation physical model yang dikembangkan dari sensor PR (Aonashi et al. 2009 dalam Kachi et al. 2009), selain itu juga untuk mengkombinasikan penggunaan MWR dengan IR dengan menggunakan Cloud moving Vector dan Kalman Filter (Ushio et al 2009 dalam Kachi et al. 2009).

   

    Tahap tahap pengambilan data Curah hujan GSMaP adalah sebagai berikut 1. Pengumpulan data dari satelit-satelit GEO IR yang dilakukan oleh JWA. Data GEO IR ini digunakan untuk mendapatkan data pergerakan Awan (meridional dan zonal) secara global (Cloud Motion Vector CMV).

Gambar 1 Algortima GSMaP_NRT (Ushio et al. 2009) 2.

Data MWR yang dikumpulkan dari empat satelit setiap tiga jam (citra hujan tiga jam sebelumnya), lalu diinterpolasikan dengan citra CMV untuk mendapatkan pergerakan hujan. Tetapi hasil interpolasi ini hanya pergerakan hujan saja, tidak terdapat proses pertumbuhan atau penghilangan hujan. Atas dasar itu sehingga diperlukan suatu persamaan untuk membuat proses tersebut dengan memakai Kalman filter. Kalman filter adalah suatu hubungan antar nilai suhu kecerahan yang didapatkan dari sensor IR dengan nilai intensitas hujan (Ushio 2008). Didapatlah citra hujan satu jam-an secara global (empat jam sebelumya) lalu ditambah dengan nilai dari sensor MWR pada jam itu, hanya pada lokasi tertentu yang sedang dilintasi oleh orbit satelit. Dilakukan koreksi tambahan pada data hasil keluaran GSMaP_NRT tersebut

Gambar 2. Timeline algoritma hujan satu jam-an GSMaP_NRT (Kachi et al. 2009)

   

  Lampiran 6. Trropical Rainfalll Measuring M L Mission Multi-S Satellite Precippitation Analyssis (TRMM T TMPA) S Satelit TRMM M Tropicaal Rainfall Meaasuring Missioon merupakan satelit meteoroologi pengukurr curah hujan h hasil kerjasam ma antara Natioonal Aeronautiics and Space Administrationn (NASA), Naational Space D Development A Agency of Japan (NASDA) ssekarang bernaama JAXA (Jaapan Aerospacee Exploration A Agency), dan Communicatio C on Research Laaboratory (CRL L) Jepang. Kerjasama yang baru b pertama k dilakukann oleh dua lem kali mbaga antarikssa ini dalam bentuk b pembaggian pembuataan instrument s sampai tempatt pusat pengaamatan satelit. Jepang menyyumbangkan instrument terppenting pada s satelit ini yaituu radar Hujan (Precipitationn Radar) dan pihak p NASA m menyediakan empat e sensor l lainnya besertaa pusat pengopperasian satelit. (JAXA 2006)) Satelit TRMM T dilunccurkan pada 200 November 19997 di Tanegasshima Space Center C Jepang d dengan mengggunakan H-II Vehicle V dan dileetakan pada keetinggian 350 K Km dengan orbbit 35 derajat. S Satelit ini dideesain untuk maasa pengamatann tiga tahun duua bulan, tetapii karena keberhhasilan satelit i umur sateliit diperpanjangg dengan mennaikan ketinggiian orbit menjadi 400 km (JJAXA 2006), ini s selain juga unttuk menghematt bahan bakar kenaikan k orbit ini juga bertujuan untuk men ngurangi efek g gangguan dari pergerakan atm mosfer. Karaakteristik Utam ma Satelit TRM MM (JAXA 20006) 20-Novembber-1997 Waktu peeluncuran Ketinggiaan orbit

350 km (dinnaikan jadi 402 2.5km)

Sudut kem miringan orbit

35 derajat

Orbit

Non Synchrronous

Design liffe

3 tahun 2 buulan 1.

Instrumen nt sensor

Precippitation Radar (PR) (

2.

TRMM M Microwave Imager I (TMI)

3.

Visible Infrared Scanner (VIRS)

4.

Lightinng Imaging Seensor (LIS)

5.

Clouds and the Earth h's Radiant Eneergy System (C CERES)

Satelit TRMM T ini berrfungsi untuk melakukan pen ngukuran hujaan dengan wilaayah cakupan ssecara global yaitu y global, dari d 50° LU-500°LS dan 180°B BT-180°BB, ddan data terseddia dari bulan J Januari 1998 sampai s sekaran ng (JAXA 20006). Orbit darii TRMM didessain non synchhronous orbit d dengan sudut putaran 35o daan kecepatan tterbang 7.3m/ddt, yang berart rti dapat mengelilingi bumi d dalam waktu 90 9 menit dan 166 orbit dalam ssatu hari.

G Gambar Orbit TRMM

    Instrument Sensor TRMM Satelit TRMM membawa lima sensor pada bagiannya terdiri dari tiga sensor utama dan dua sensor tambahan yaitu (JAXA 2006) 1.

2.

3.

4. 5.

Precipitation Radar (PR) PR merupakan instrumen radar hujan pertama yang melakukan pengukuran curah hujan dari luar angkasa, biasanya pegukuran dengan radar dilakukan dengan menggunakan radar permukaan). Sensor PR ini mengukur nilai gelombang pantul (echo) dari air hujan, nilai echo ini proposional dengan volume air hujan yang jatuh sehingga PR akan memberikan hasil profil hujan yang akurat (NASA 2004). Keistimewaa PR ini mampu memberikan profil hujan secara 3 dimensi, dengan profil hujan 3 dimesi ini maka dapat didapatkan data mengenai intensitas hujan, distribusi butir hujan pada suatu awan, tipe hujan, ketinggian saat es mencari menjadi butir hujan dan kedalaman awan hujan. Luas jangkauan radar 247km, dengan resolusi horizontal (z) sedalam 5 km, dan mampu memberikan profil awan dari ketinggian awan 20 km diatas permukaan. TRMM Microwave Imager (TMI) TRMM Microwave Imager (TMI) adalah sensor gelombang mikro pasif yang berfungsi untuk memberikan informasi curah hujan secara quantitatif dengan wilayah cakupan yang luas (878km). Dengan melakukan penangkapan jumlah energi gelombang mikro yang dikeluarkan oleh bumi dan atmosfernya, maka TMI dapat menghitung nilai water vapour, cloud water dan intensitas hujan. TMI mempunyai lima sensor pengukur radiasi dengan frekuensi masing-masing 10.7, 19.4, 21.3, 37, 85.5 GHz. Dengan menggunakan bantuan dari PR maka akan didapat algoritma TMI dalam menetukan besarnya intensitas hujan Visible Infrared Scanner (VIRS) VIRS Visible and Infrared Scanner berfungsi untuk menangkap radiasi yang datang dari bumi dengan 5 spektral region dari visible sampai infrared (0,63; 1,6; 3,75, 10,8 dan 12 μm). Kegunaan sensor ini adalah untuk melakukan pemantauan liputan awan, jenis awan dan temperature puncak awan Lighting Imaging Sensor (LIS) Clouds and the Earth's Radiant Energy System (CERES)

Dataset TRMM Data untuk user yang dikeluarkan oleh TRMM dibagi dalam ke dalam empat level pengolahan data, yang merupakan tingkatan pengolahan data dari data mentah hasil penerimaan sensor menjadi data yang sudah siap untuk digunakan oleh user dalam bentuk grid. Data level 0 tidak disediakan secara langsung kepada user, tetapi untuk level dua sampai tiga user dapat diunduh langsung di ftp://disc2.nascom.nasa.gov/data/TRMM/ dengan dua tipe file keluaran yaitu .HDF dan .BIN, berikut beberapa keluaran dari sensor pada tiap level yang berbeda

Level 0 1 2 3

Tabel 5. Empat level pengolahan data TRMM (JAXA 2006) Definisi Data mentah dari tiap sensor yang ada pada TRMM Simpangan data dan georeferencing data terlampir Level 0 lalu diproses menjadi unit fisik yang diinginkan seperti radar refectivity dan suhu kecerahan Pengolahan dan penurunan parameter pada level 1 menjadi parameter meteorologi (intensitas hujan) menggunakan algoritma tertentu. Menghasilkan dua dan tiga dimensi peta hujan sepanjang daerah yang dilewati oleh sensor ini Pemetaan parameter meteorologi dari level 2 pada grid wilayah dan waktu yang telah disesuaikan

   

    Tabel 6. Kode data tiap Level (JAXA 2006) Sensor

PR

Kode Level 1B21

Hasil kalibrasi tenaga yang didapat

Wilayah cakupan dan Resolusi data 1 orbit (16 orbit /hari)

1C21

Radar Reflectivity

1 orbit (16 orbit /hari)

2A21

Normalisasi radar surface Cross Section

1 orbit (16 orbit /hari)

2A23

PR Kualitatif

1 orbit (16 orbit /hari)

2A25

Profil Hujan

3A25

Statistik Parameter hujan bulanan

1 orbit (16 orbit /hari) Global (Grid:5ox5o;0.5ox0.5o)

1B11

Intensitas hujan bulanan metode Statistik Brightness temperature

2A11

Profil Hujan

3A11

Curah hujan Lautan bulanan

1B01

Radiance

1 orbit (16orbit /hari) Global (bulanan ; o o Grid:5 x5 ) 1 orbit (16orbit /hari)

2B31

Profil Hujan

1 orbit (16orbit /hari)

3B31

Curah hujan Bulanan

1 orbit (16 orbit /hari) Global (harian ;Grid : 0.25 o x 0.25 o) Global (3jam-an dan harian; Grid : 0.25 o x 0.25o) Global (Bulanan, Grid :0.25 o x 0.25 o)

3A26

TMI

VIRS

Produk

menggunakan

3B42V6

TRMM+IR Curah hujan harian

3B42RT

TRMM+IR+MWR

3B43V6

TRMM + GPCC rain gauge analysis

Comb

Global (Grid:5ox5o) 1 orbit (16 orbit /hari)

2.3.2 Algoritma 3B42RT dan 3B43V6 Data 3B42RT merupakan gabungan dari data 3B40RT dan 3B41RT, dengan data 3B40RT disebut dengan high-quality (HQ) data dan 3B41RT disebut dengan Variable rainrate (VAR). 3B40RT adalah data sensor MWR lain selain milik satelit TRMM yaitu sensor SSMI, AMSU-B dan AMSR-E, data dari tiap sensor ini yang diupdate setiap 3 jam dan berisi data curah hujan intensitas 3 jam-an. Data 3B41RT adalah data pendugaan hujan dari sensor IR, data dari tiap sensor akan diperbaharui setiap satu jam (Huffman dan Bolvin 2009). Data HQ yang diperoleh dari sensor-sensor MWR akan mendapatkan nilai Tb, nilai Tb dari sensor SSM/I, TMI, dan AMSR-E ini lalu diolah dengan meggunakan The Goddard Profiling Algorithm (GPROF) yang menggunakan Metode Bayesian Inversion untuk melihat hubungan antara MWR Tb dengan profil hydrometeor, yang mana masing-masing profil hydrometeor diasosiasikan dengan curah hujan permukaan (Huffman dan Bolvin 2009). Sementara untuk sensor AMSU-B yang dioperasionalkan oleh National Environmental Satellite Data and Information Service (NESDIS), nilai curah hujan permukaannya menggunakan algoritma tersendiri karena tipe sensor AMSU-B merupakan tipe MWR Sounding, tidak seperti sensor MWR lainnya yang merupakan sensor bertipe MWR Imager . Algoritma yang digunakan adalah Ice water path (IWP)precipitation rate dari NCAR/PSU Mesoscale Model Version 5 (MM5). Data VAR, yag merupakan gabungan dari sensor IR yang terdapat pada empat satelit Geostasioner yaitu Geosynchronous Operational Environmental Satellites (GOES) Amerika Serikat, Geosynchronous Meteorological Satellite (GMS) Jepang dan Meteorological Satellite

   

    (Meteosat) Eropa. Nilai IR yang diperoleh dari masing-masing satelit ini lalu dikombinasikan pada Geostationary Satellite Precipitation Data Centre (GSPDC). Kombinasi antara HQ dan VAR ini akan mengahasilkan data curah hujan dengan prioritas kombinasi mengutamakan data HQ dan jika terjadi kekosongan data maka baru akan ditutup dengan penggunakan data presipitasi dari VAR (Funk et al. 2009). Data 3B43V6 merupakan data curah hujan bulanan, yang dikalibrasi dengan data pengukuran hujan pada permukaan (ground observation) milik GPCC (Global Precipitiation Climatology Centre). Prioritas penggabungan data ini adalah (1). Nilai data 3 jam-an (3B42RT) HQ+VAR (Dijumlahkan selama 1 bulan) (2). Data curah hujan bulanan milik GPCC (Global Preciptiation Climatology Centre) digunakan untuk dicocokan dengan data (1) lalu dicari nilai bias nya (3). Lalu (2) ini dikombinasikan secara langsung dengan analisis curah hujan permukaan menggunakan Inverse Error Variance Weighting (Huffman dan Bolvin 2008).

   

  Diagram Alir penelitian D

Laampiran 7 Diaggram Alir Penggumpulan Dataa

Lampiran 8 Diagram Alir Perbandingan dan Faktor Kooreksi Data

lii    Lampiran 9 Keluaran regresi stepwise persamaan koreksi 1 Curah hujan harian TRMM Output Regresi Stepwise Stepwise Regression: Pengamatan Permu versus 3B42_RT, AirTemp850, ... Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is Pengamatan Permukaan BMKG on 16 predictors, with N = 90 Step 1 2 3 4 5 6 Constant 10.72 -4108.84 -4062.36 -2604.47 -1011.30 882.80 3B42_RT T-Value P-Value

0.218 3.12 0.002

Pressure T-Value P-Value

0.175 2.71 0.008

0.240 3.65 0.000

0.239 3.70 0.000

0.214 3.37 0.001

0.233 3.65 0.000

0.0414 4.26 0.000

0.0408 4.39 0.000

0.0355 3.72 0.000

0.0267 2.68 0.009

0.0210 2.03 0.046

1.09 2.96 0.004

1.05 2.90 0.005

0.95 2.69 0.009

0.73 1.96 0.054

-3.2 -1.95 0.054

-5.2 -2.91 0.005

-4.9 -2.74 0.007

-310 -2.46 0.016

-325 -2.60 0.011

Wind850 T-Value P-Value AirTemp850 T-Value P-Value SoillMST10-200cm T-Value P-Value SKT T-Value P-Value S R-Sq R-Sq(adj) Mallows Cp

-4.7 -1.77 0.081 10.5 9.97 8.94 37.2

9.57 25.50 23.79 17.9

9.17 32.40 30.04 10.5

9.03 35.29 32.25 8.5

8.77 39.64 36.04 4.6

8.66 41.83 37.62 3.6

 

Regression Analysis: Pengamatan Permu versus 3B42_RT, Pressure, ... The regression equation is Pengamatan Permukaan = 883 + 0.233 3B42_RT + 2.10 Pressure + 0.727 Wind850 - 4.90 AirTemp850 - 325 SoillMST10-200cm - 4.74 SKT Predictor Constant 3B42_RT Pressure Wind850 AirTemp850 SoillMST10-200cm SKT

Coef 883 0.23265 0.02096 0.7272 -4.898 -324.9 -4.744

SE Coef 1685 0.06368 0.01035 0.3719 1.786 124.9 2.684

S = 8.66222 R-Sq = 41.8% Analysis of Variance Source Regression Residual Error Total

DF 6 83 89

SS 4477.68 6227.83 10705.52

T 0.52 3.65 2.03 1.96 -2.74 -2.60 -1.77

P 0.602 0.000 0.046 0.054 0.007 0.011 0.081

VIF 1.213 1.422 1.294 1.399 1.376 1.387

R-Sq(adj) = 37.6%

MS 746.28 75.03

F 9.95

P 0.000

 

   

Lampiran 10 Keluaran regresi stepwise persamaan koreksi 2 Curah hujan harian TRMM Stepwise Regression: Pengamatan Permu versus 3B42_RT, AirTemp850, ... Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Stepwith N = 90 Response is Pengamatan Permukaan BMKG on 27 predictors, Step 1 2 3 4 Constant 5 6 Constant -2250.12 -2048.41 -2063.86 -192.92 -159.48 -61.52 Pressure_1 T-Value 0.00142 Pressure 0.00228 0.00208 0.00209 0.00175 0.00155 T-Value 4.58 4.26 4.49 3.56 P-Value 3.11 2.86 P-Value

0.000

3B42_RT T-Value P-Value

0.000

0.000

0.001

0.175 2.71 0.008

0.228 3.56 0.001

0.254 3.94 0.000

0.078 3.09 0.003

0.063 2.44 0.017

Wind850 T-Value P-Value SKT T-Value P-Value

-5.2 -1.91 0.060

Parameter C T-Value P-Value Rhum850 T-Value P-Value

0.005 0.254 4.03 0.000

0.000 Wind850_1 T-Value 0.052 0.067 P-Value 1.97 2.47 0.052 0.016 SKT T-Value -4.6 -4.6 P-Value -1.71 -1.72 0.091 0.090 Parameter C T-Value -4.9 -5.9 P-Value -1.71 -2.06 0.091 0.043 Rhum850 T-Value 0.19 P-Value 1.88 0.064 SoillMST10-200cm T-Value P-Value

SoillMST10-200cm T-Value P-Value S R-Sq R-Sq(adj)

0.003 3B42_RT T-Value 0.259 P-Value 4.06

9.91 19.23 18.31

9.57 25.51 23.79

9.14 32.94 30.61

9.00 35.70 32.67

S R-Sq 8.90 8.77 R-Sq(adj) 37.86 40.39 34.16 36.08

7 700.9

8 802.1

0.00111 2.20 0.031

0.00120 2.40 0.019

0.229 3.65 0.000

0.221 3.54 0.001

0.078 2.87 0.005

0.085 3.21 0.002

-5.7 -2.16 0.034

-6.3 -2.40 0.018

-3.8 -1.29 0.200 0.33 2.81 0.006

0.33 2.80 0.006

-311 -2.27 0.026

-366 -2.81 0.006

8.56 43.92 39.14

8.59 42.79 38.65

Regression Analysis: Pengamatan Permu versus Pressure_1, 3B42_RT, ... The regression equation is Pengamatan Permukaan = 701 + 0.00111 Pressure + 0.229 3B42_RT+ 0.0776 Wind850 - 5.69 SKT - 3.82 Parameter C+ 0.328 Rhum850 - 311 SoillMST10-200cm Predictor Constant Pressure_1 3B42_RT Wind850_1 SKT Parameter C Rhum850 SoillMST10-200cm

Coef 701 0.0011074 0.22852 0.07760 -5.689 -3.822 0.3284 -310.7

SE Coef 1083 0.0005040 0.06253 0.02702 2.636 2.962 0.1170 136.6

T 0.65 2.20 3.65 2.87 -2.16 -1.29 2.81 -2.27

P 0.519 0.031 0.000 0.005 0.034 0.200 0.006 0.026

VIF 1.372 1.198 1.421 1.371 1.390 1.658 1.688

S = 8.55624 R-Sq = 43.9% R-Sq(adj) = 39.1% Analysis of Variance Source DF SS MS F P Regression 7 4702.35 671.76 9.18 0.000 Residual Error 82 6003.16 73.21 Total 89 10705.52

   

    Lampiran 11 Keluaran regresi stepwise persamaan koreksi 3 Curah hujan harian TRMM Stepwise Regression: Pengamatan Permu versus 3B42_RT Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is Pengamatan Permukaan BMKG on 19 predictors, with N = 90 Step 1 2 3 Constant 11.68 1382.29 2131.83 Parameter C*3B42RT T-Value P-Value AirTemp850 T-Value P-Value SoillMST10-200cm T-Value P-Value S R-Sq R-Sq(adj) Mallows Cp

-0.0335 -6.84 0.000

-0.0326 -6.98 0.000 -4.7 -3.19 0.002

8.91 34.72 33.98 22.7

8.48 41.55 40.20 13.3

-0.0296 -6.68 0.000 -6.8 -4.55 0.000 -396 -3.75 0.000 7.91 49.76 48.01 1.6

Regression Analysis: Pengamatan P versus Parameter C*, AirTemp850, ... The regression equation is Pengamatan Permukaan = 2132 - 0.0296 Parameter C*- 6.76 AirTemp850- 396 SoillMST10200cm Predictor Coef SE Coef T P VIF Constant 2131.8 448.0 4.76 0.000 Parameter C*3B42RT -0.029566 0.004428 -6.68 0.000 1.038 AirTemp850 -6.759 1.484 -4.55 0.000 1.159 SoillMST10-200cm -396.1 105.6 -3.75 0.000 1.181 S = 7.90796 R-Sq = 49.8% R-Sq(adj) = 48.0% Analysis of Variance Source DF SS MS F P Regression 3 5327.4 1775.8 28.40 0.000 Residual Error 86 5378.1 62.5 Total 89 10705.5

   

    Lampiran 12 Keluaran regresi stepwise koreksi data GSMaP wilayah I Stepwise Regression: obs.I versus GSMaP.I, Suhu1000, ... Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is obs.I on 14 predictors, with N = 5 Step Constant

1 93.88

2 7918.63

3 5413.23

GSMaP.I T-Value P-Value

1.177 2.88 0.064

0.333 1.54 0.263

0.764 23.00 0.028

-296.6 -5.02 0.037

-241.4 -38.38 0.017

suhusurf T-Value P-Value Q850 T-Value P-Value

89.3 15.90 0.040

S R-Sq R-Sq(adj)  

104 73.41 64.54

34.4 98.05 96.09

3.05 99.99 99.97

Regression Analysis: obs.I versus GSMaP.I, suhusurf, Q850 The regression equation is obs.I = 5413 + 0.764 GSMaP.I - 241 suhusurf + 89.3 Q850

Predictor Constant GSMaP.I suhusurf Q850

Coef 5413.2 0.76362 -241.403 89.336

SE Coef 209.7 0.03320 6.289 5.620

T 25.82 23.00 -38.38 15.90

P 0.025 0.028 0.017 0.040

S = 3.05496 R-Sq = 100.0% R-Sq(adj) = 100.0% Analysis of Variance Source DF SS MS F P Regression 3 121269 40423 4331.28 0.011 Residual Error 1 9 9 Total 4 121278 Source DF Seq SS GSMaP.I 1 89025 suhusurf 1 29884 Q850 1 2359

   

    Lampiran 13 Keluaran regresi stepwise koreksi data GSMaP wilayah II Stepwise Regression: obs.II versus GSMaP.II, Suhu1000, ... Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is obs.II on 17 predictors, with N = 5

Step Constant

1 220.7

GSMaP.II T-Value P-Value

0.66 1.27 0.294

S R-Sq R-Sq(adj)  

126 34.93 13.24

Regression Analysis: obs.II versus GSMaP.II The regression equation is obs.II = 221 + 0.659 GSMaP.II

Predictor Constant GSMaP.II

Coef 220.7 0.6587

S = 125.642

SE Coef 100.7 0.5191

R-Sq = 34.9%

T 2.19 1.27

P 0.116 0.294

R-Sq(adj) = 13.2%

Analysis of Variance Source Regression Residual Error Total

DF 1 3 4

SS 25424 47357 72782

MS 25424 15786

F 1.61

P 0.294

   

    Lampiran 14 Keluaran regresi stepwise koreksi data GSMaP wilayah III Stepwise Regression: obs.III versus GSMaP.III, Suhu1000, ... Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is obs.III on 28 predictors, with N = 5

Step Constant

1 320.9

GSMaP.III T-Value P-Value

0.40 0.69 0.538

S R-Sq R-Sq(adj)

125 13.84 0.00

Regression Analysis: obs.III versus GSMaP.III The regression equation is obs.III = 321 + 0.403 GSMaP.III

Predictor Constant GSMaP.III

S = 124.683

Coef 320.9 0.4026

SE Coef 123.5 0.5801

R-Sq = 13.8%

T 2.60 0.69

P 0.080 0.538

R-Sq(adj) = 0.0%

Analysis of Variance Source Regression Residual Error Total  

DF 1 3 4

SS 7490 46637 54128

MS 7490 15546

F 0.48

P 0.538

   

    Lampiran 15 Keluaran regresi stepwise koreksi data GSMaP wilayah Keseluruhan Stepwise Regression: obs.kesl versus gsmap.kesel, Suhu1000, ... Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is obs.kesl on 13 predictors, with N = 5

Step Constant

1 240.4

gsmap.kesel T-Value P-Value

0.44 0.75 0.505

S R-Sq R-Sq(adj)  

136 15.95 0.00

Regression Analysis: obs.kesl versus gsmap.keselrhn The regression equation is obs.kesl = 240 + 0.440 gsmap.keserhn

Predictor Constant gsmap.kesel

S = 135.632

Coef 240.4 0.4400

SE Coef 117.7 0.5833

R-Sq = 15.9%

T 2.04 0.75

P 0.134 0.505

R-Sq(adj) = 0.0%

Analysis of Variance Source Regression Residual Error Total

DF 1 3 4

SS 10469 55188 65657

MS 10469 18396

F 0.57

P 0.505

   

    Lampiran 16 Data Curah hujan Permukaan, Curah hujan GSMaP, dan Curah hujan TRMM pada wilayah I, II, dan III Wilayah I

DESEMBER

TGL

Wilayah II

Wilayah III

CH Permukaan

CH GSMaP

CH TRMM

CH Permukaan

CH GSMaP

CH TRMM

CH Permukaan

CH GSMaP

CH TRMM

1

2.245

1.870

7.560

6.929

0.497

20.730

16.531

1.828

22.020

2

35.583

0.000

0.000

12.631

0.005

11.670

11.485

0.259

9.840

3

0.403

0.336

6.840

0.494

0.014

6.660

40.467

0.067

8.250

4

11.199

1.000

0.000

9.970

0.000

3.930

23.969

0.030

29.640

5

2.822

6.025

5.850

2.992

42.774

14.070

9.279

26.634

24.210

6

15.283

0.051

0.000

5.570

0.000

1.980

6.372

12.291

3.360

7

0.705

0.000

0.000

6.511

0.000

17.610

3.570

0.075

55.680

8

1.912

1.207

0.000

0.482

0.697

6.210

2.528

0.956

24.180

9

16.224

2.081

1.530

5.785

4.782

2.370

2.183

15.866

4.650

10

0.181

0.464

1.380

5.792

0.155

6.210

7.491

0.094

10.320

11

4.112

0.027

0.000

5.600

4.281

4.770

5.551

26.900

16.440

12

22.433

2.965

12.240

16.873

2.641

13.140

2.713

0.492

12.270

13

0.500

12.065

7.560

0.315

3.830

12.720

7.194

8.442

20.850

14

15.832

3.019

1.530

5.213

0.177

1.440

7.451

19.462

50.430

15

7.847

0.000

2.850

1.144

0.007

4.590

16.748

0.390

11.010

16

2.418

0.356

0.000

5.957

2.174

5.160

10.638

2.313

9.120

17

21.550

0.065

2.280

5.281

1.164

0.000

10.099

3.534

0.000

18

57.095

0.008

5.550

17.869

0.000

5.190

5.221

0.504

12.180

19

4.402

0.140

8.850

6.681

0.000

17.280

7.807

0.000

2.850

20

5.530

0.183

18.600

0.579

0.000

8.340

7.294

0.318

4.620

21

2.728

4.514

6.060

4.994

6.362

3.540

1.102

2.454

2.610

22

26.714

0.416

0.000

11.618

0.348

0.000

11.189

0.000

0.000

23

15.960

43.530

27.600

16.091

16.073

5.640

23.464

1.664

0.000

24

1.008

2.339

0.000

8.206

1.611

1.950

6.511

2.255

0.000

25

4.462

0.672

0.000

6.082

0.383

0.000

14.142

0.015

0.000

26

3.023

0.070

0.000

7.856

0.965

2.700

14.340

3.971

2.520

27

1.295

0.000

0.000

0.006

0.022

0.000

3.157

4.880

0.000

28

2.015

0.200

0.000

0.898

0.430

0.000

0.584

1.595

0.000

29

0.031

0.000

0.000

0.012

0.000

0.000

1.709

0.000

0.000

30

0.743

0.000

0.000

1.254

0.049

0.000

7.739

0.791

1.890

   

 

JANUARI

  31

0.000

0.000

0.000

0.354

0.394

0.000

1.887

2.018

4.680

1

0.920

0.000

0.000

0.343

0.088

0.660

2.482

0.888

2.760

2

0.716

9.560

25.200

6.794

4.619

5.340

4.361

1.679

0.810

3

0.000

0.030

0.000

0.242

0.459

0.000

0.920

1.304

1.440

4

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

5

0.000

0.000

0.000

0.000

0.000

0.000

0.831

0.000

0.000

6

5.493

1.368

0.000

0.727

2.521

0.000

7.529

15.174

0.000

7

6.873

44.218

3.360

6.809

22.670

1.560

11.108

2.698

5.340

8

5.170

1.638

1.860

13.821

0.203

4.920

13.879

0.005

0.660

9

1.609

14.317

10.410

1.680

20.930

11.310

19.793

7.414

12.210

10

5.464

14.541

3.570

0.748

7.285

0.000

9.513

5.089

1.080

11

24.660

0.240

2.490

14.225

0.943

1.500

11.323

1.396

1.440

12

82.479

9.374

21.540

49.825

8.796

10.590

18.628

27.003

15.270

13

100.495

29.766

90.210

75.668

12.885

64.890

44.793

5.535

23.130

14

39.100

0.880

113.280

105.942

2.885

88.020

61.459

12.473

55.200

15

8.997

12.670

28.050

34.282

23.588

40.320

31.549

13.431

21.780

16

0.848

1.645

0.000

4.469

0.414

0.000

17.577

0.107

0.000

17

0.006

0.000

0.000

3.775

0.000

0.000

14.903

0.088

0.000

18

12.363

0.000

0.000

10.954

0.000

0.000

19.210

2.293

1.620

19

0.754

0.000

9.960

17.105

0.000

9.480

22.902

0.000

0.000

20

0.017

14.735

1.980

14.347

10.630

0.000

36.009

4.379

0.000

21

4.819

1.657

0.660

11.898

0.066

0.000

14.454

0.001

13.440

22

0.211

0.211

0.000

2.144

0.933

0.000

0.000

0.027

0.000

23

0.000

0.118

0.810

0.250

0.201

2.160

2.293

0.602

0.000

24

14.456

0.000

0.000

0.789

0.000

0.000

13.574

1.932

0.000

25

2.012

0.291

1.920

0.724

0.000

14.550

13.359

2.506

66.030

26

24.910

8.539

8.430

70.217

9.308

1.470

15.558

29.885

27.120

27

44.178

30.256

71.460

2.963

1.866

10.290

15.570

1.545

6.330

28

0.106

3.651

18.600

1.053

7.861

2.580

4.894

1.974

3.690

29

2.891

10.384

0.000

0.649

0.152

0.000

17.727

0.000

3.480

30

27.091

1.224

13.020

1.536

0.002

2.310

16.711

12.977

35.490

31

13.911

14.539

30.540

4.513

13.924

22.380

11.678

3.689

13.710

   

 

FEBRUARI

  1

57.800

16.803

25.260

30.327

2.704

14.490

13.535

5.257

16.800

2

23.728

26.402

17.610

48.664

14.862

18.630

41.915

16.066

46.350

3

34.399

31.836

58.200

15.034

35.219

18.840

35.929

25.373

11.490

4

4.602

5.556

37.110

19.799

7.644

26.790

30.025

13.152

4.170

5

10.355

41.783

37.320

17.170

40.506

24.450

15.949

34.202

18.060

6

6.224

1.692

3.630

35.085

9.361

7.230

24.132

14.826

4.770

7

14.098

0.000

12.150

12.999

0.999

2.790

12.817

1.633

1.560

8

18.399

1.362

11.760

14.732

1.560

5.100

16.052

1.862

0.000

9

20.202

20.153

9.270

40.941

1.928

1.860

28.978

1.017

0.000

10

1.506

55.029

30.510

12.609

30.933

30.090

17.235

9.418

16.620

11

4.413

0.039

0.000

2.714

0.552

0.000

9.961

1.807

2.430

12

3.332

0.627

1.650

3.176

4.548

16.920

6.737

13.685

20.130

13

0.018

1.520

5.040

0.106

0.066

4.680

13.218

0.041

2.760

14

0.017

0.000

0.000

5.151

0.000

0.000

8.672

2.010

3.270

15

4.654

0.000

0.000

0.842

0.000

1.140

10.761

0.037

0.000

16

0.591

0.787

1.320

3.363

0.122

2.610

8.616

0.760

0.300

17

27.656

1.216

0.000

0.684

0.512

1.860

12.757

5.325

12.720

18

0.772

10.274

17.040

1.082

4.587

7.200

7.278

1.433

1.890

19

0.718

8.791

4.470

28.304

0.276

0.000

4.601

0.581

1.440

20

10.725

101.42 7

12.810

36.010

26.479

23.160

13.739

12.910

14.970

21

0.281

4.060

6.030

8.158

16.832

15.360

23.637

44.119

33.960

22

7.106

15.115

0.000

16.434

28.767

19.680

20.173

48.953

56.370

23

10.442

47.948

37.590

7.178

34.254

48.150

12.252

26.669

49.200

24

0.000

32.127

2.670

3.006

59.630

50.910

9.850

84.072

49.950

25

0.000

31.614

0.000

1.224

45.269

0.000

1.482

23.520

1.800

26

0.141

0.463

0.510

0.955

3.325

1.080

8.951

9.035

1.440

27

29.533

8.447

0.000

20.460

23.355

0.000

6.241

29.350

0.510

28

11.753

27.201

33.330

29.969

44.957

29.220

9.930

28.446

7.980