PERANCANGAN MODEL PREDIKSI CURAH HUJAN BULANAN BERDASARKAN SUHU PERMUKAAN LAUT DI KALIMANTAN SELATAN Dian Handiana1, Sri Cahyo Wahyono2 dan Dewi Sri Susanti3
Abstrak : Kebutuhan akan adanya informasi prediksi curah hujan yang baik sangat diperlukan dalam berbagai sektor. Penelitian ini menentuan keterkaitan Suhu Permukaan Laut (SPL) terhadap curah hujan dan perancangan model prediksi curah hujan bulanan di Kalimantan Selatan. Data masukan yang digunakan adalah data SPL terpilih di sembilan luasan (Samudera Pasifik, Samudera Hindia, Laut Cina Selatan, Perairan Kalimantan Selatan) dan data curah hujan pada sepuluh titik di Kalimantan Selatan. Metode yang digunakan adalah koefisien korelasi dalam menentukan keeratan hubungan antara variabel curah hujan dan SPL dan metode regresi stepwise untuk mendapatkan model prediksi terbaik. Hasil penelitian menunjukkan bahwa terdapat pengaruh yang signifikan SPL di 9 luasan yang dipilih terhadap curah hujan di Kalimantan Selatan. SPL yang banyak berperan pada pembentukan model prediksi curah hujan adalah SPL Samudera Pasifik equator timur yaitu SPL Nino 3,4 dan SPL Nino 4. Model prediksi curah hujan terbaik terjadi pada bulan – bulan musim kemarau dan masa transisi kemarau menuju hujan yaitu Juli, Agustus, September dan Oktober, Model prediksi curah hujan yang dihasilkan mampu membaca perilaku hujan pada kondisi ekstrim, sehingga dapat dijadikan peringatan dini terhadap kekeringan atau hujan sepanjang tahun. Nilai korelasi signifikan curah hujan dengan SPL terbaik pada bulan Agustus di Banjarbaru mencapai 0,802, dan model prediksi terbaik bulan Agustus di Banjarbaru yaitu = 335.553 − 72.701 ( ) + 63.863 ( ) dengan hasil pengujian yang signifikan dan model tersebut mampu menjelaskan variasi data sebesar 71,8%. Kata kunci : Prediksi curah hujan, Suhu Permukaan laut, koefisien korelasi, regresi stepwise
PENDAHULUAN
deterministik. Adapun salah satu model
Kebutuhan terhadap ketersediaan
prediksi menggunakan model statistik
data dan informasi yang aktual dan
adalah dengan metode regresi.
bahkan beberapa waktu ke depan telah mendorong
berkembangnya
Berbagai kejadian anomali iklim
berbagai
yang
seringkali
berulang,
akhirnya
model prediksi, baik yang berbasis
disadari bahwa pada dasarnya ada
statistik
ketergantungan antara dinamika lautan
maupun
pendekatan pendekatan
yang
berdasarkan
stokastik.
Berbagai
model
telah
dengan
atmosfer,
dan
indikator
banyak
dominan yang sering digunakan untuk
digunakan untuk prediksi iklim baik
melihat gejala terjadinya anomali iklim
dengan model statisitik maupun model
adalah Suhu Permukaan Laut (SPL).
1Mahasiswa
dan 2 Staff Pengajar Program Studi Fisika FMIPA UNLAM 3Staff Pengajar Program Studi Matematika FMIPA UNLAM
1
Handiana, D., dkk., Perancangan Model Prediksi Curah Hujan Bulanan............. 2
Curah
hujan
merupakan
parameter
Kajian ini untuk mengetahui seberapa
iklim yang terlihat jelas perilakunya
besar pengaruh SPL terhadap curah
akibat terjadinya anomali iklim. Hal ini
hujan
pula
dalam
menentukan SPL yang paling berperan
penyusunan model prediksi curah hujan
terhadap curah hujan di Kalimantan
yang dikembangkan dalam penelitian
Selatan dan membuat suatu model
ini, selain juga dari berbagai hasil
prediksi
penelitian.
menggunakan data SPL serta menguji
yang
dijadikan
dasar
di
Kalimantan
curah
Selatan,
hujan
dengan
Beberapa hasil penelitian yang
prediksi tersebut. Kajian ini diharapkan
menunjukkan adanya korelasi antara
mendapatkan informasi keterkaitan SPL
SPL
terhadap
dengan
curah
hujan
adalah:
pembentukan
hujan
di
Swarinoto, et al (1998), Hendon (2003),
Kalimantan Selatan dan mendapatkan
Boer, et al (1999), dan Aldrian &
model prediksi yang baik sehingga
Susanto
dapat dimanfaatkan untuk kepentingan
(2003).
tersebut
Penelitian-penelitian
menunjukkan
adanya
umum.
keterkaitan SPL terhadap curah hujan di
Tujuan penelitian ini antara lain
wilayah penelitian dan diketahui juga
menjelaskan keterkaitan curah hujan di
bahwa variabilitas SPL Nino 3.4 (170º-
Kalimantan Selatan dengan SPL terpilih,
120º BB, 5ºLU-5ºLS) mempengaruhi
menentukan posisi SPL yang paling
50%
berpengaruh terhadap curah hujan di
variasi
curah
hujan
seluruh
Indonesia sedangkan variabilitas SPL di
Kalimantan
Laut India 10 -15%.
Formula Model prediksi curah hujan
Berkaitan dengan hal tersebut,
Selatan
dan
membuat
dengan prediktor SPL terpilih, sehingga
penulis melakukan suatu kajian curah
diharapkan
hujan
yang
melakukan prediksi curah hujan bulanan
dikaitkan dengan SPL, dimana letak
yang dapat menentukan awal musim
geografis Provinsi Kalimantan Selatan
kemarau atau awal musim hujandan
terletak
Pulau
dapat dikembangkan untuk klimatologi
Kalimantan dengan batas-batas yaitu
peringatan dini(early warning), berkaitan
sebelah
dengan prediksi yang dihasilkan.
di
Kalimantan
di
sebelah
barat
Kalimantan
Selatan
selatan
dengan
Tengah,
Provinsi
sebelah
dengan Laut Jawa dan di sebelah utara Provinsi
Kalimantan
digunakan
untuk
timur
dengan Selat Makasar, sebelah selatan
dengan
dapat
Timur.
TINJAUAN PUSTAKA Sistem atmosfer
bumi
sirkulasi terjadi
umum akibat
di tidak
3
Jurnal Fisika FLUX, Vol. 10 No.1, Pebruari 2013 (1 – 12)
meratanya penerimaan energi radiasi
besar, maka terjadi konveksi kuat (deep
matahari yang diterima oleh permukaan
convection) yang menyebabkan adanya
bumi, dimana pada kawasan ekuator
sirkulasi
menerima
terdapat tiga sirkulasi di atas wilayah
lebih
banyak
daripada
lokal.
Dengan
kawasan kutub (Winarso & McBride,
Indonesia,
2002).
meridional (sirkulasi Hadley), sirkulasi Wilayah Indonesia merupakan
yaitu
demikian
sirkulasi
atmosfer
atmosfer zonal (sirkulasi Walker), dan
benua maritim ekuator yang menerima
sirkulasi
atmosfer
lokal
energi radiasi matahari dalam jumlah
(gambar 1) (Tjasyono, 2004).
(konveksi)
Gambar 1. Sirkulasi Atmosfer di wilayah Indonesia
Angin Monsun
identik dengan musim kemarau di
Monsun
kata
sebagian besar wilayah Indonesia dan
‘monsun’, artinya season dalam bahasa
pada saat posisi matahari di selatan
Inggris atau mausim dalam bahasa
terjadi monsun baratan atau identik
Arab
dngan musim hujan di sebagian besar
atau
Indonesia
berarti
musim (Tjasyono,
dari
dalam 2004).
bahasa Angin
wilayah Indonesia.
monsun merupakan sirkulasi udara yang berbalik arah secara musiman
Suhu Permukaan Laut (SPL) Hampir dua pertiga bagian bumi
secara periodik yang disebabkan oleh perbedaan sifat termal antara benua dan
lautan
(Prawirowardoyo,1996).
Sirkulasi monsun inilah yang berperan besar terhadap pembentukan musim di sebagian
besar
wilayah
Indonesia,
dimana pada saat posisi matahari di utara terjadi monsun timuran atau
ini adalah lautan, sehingga sebagian besar radiasi matahari yang merupakan sumber energi ini diterimanya. Menurut Bayong
(2004)
dalam
buku
klimatologinya mengungkapkan bahwa laut
dianggap
memainkan
peranan
sangat penting dalam perubahan iklim.
Handiana, D., dkk., Perancangan Model Prediksi Curah Hujan Bulanan............. 4
Salah satu parameter yang sangat
dijelaskan oleh model regresi. Nilai
penting untuk menentukan sistem iklim
berkisar antara 0 sampai dengan 1.
ialah Suhu Permukaan Laut (SPL),
=
karena SPL menentukan fluks panas
Didefinisikan koefisien korelasi
nyata (sensible) dan panas terselubung (latent)
melalui
permukaan
laut.
................. (3)
linier sebagai huhungan linier antara dua peubah acak
dan
menyebabkan proses penguapan yang
dilambangkan
R.
giat
mengukur
Keadaan
SPL
yang
sehingga
hangat
menyebabkan
dengan sejauh
, dan Jadi,
mana
R titik
pertumbuhan awan yang meningkat
menggerombol sekitar sebuah garis
(Tjasyono, 2004).
lurus. Oleh karena itu dengan membuat diagram pencar bagi n pengamatan
Metode
Regresi
Linier
Berganda
(Multiple Linier Regression) Regresi
linier
[
,
;
= 1, 2, … … , ],
dan
contoh
acak, dapat ditarik kesimpulan tertentu berganda
mengenai R. Menurut Walpole (1995),
digunakan untuk mengetahui hubungan
koefisien
antara dua atau lebih variabel bebas ( )
hubungan linier antara dua peubah
dengan variabel tak bebas ( ). Jika
dan , diduga dengan koefisien korelasi
,
terdapat variabel bebas
,
,….,
dan variabel tak bebas , maka bentuk model umum ,
,
,….,
linier berganda akan
atas
ditaksir
=
+
+
+
Dugaan bagi
+
(1)
(atau dinotasikan
dengan b) dapat dirumuskan sebagai berikut (Draper & Smith, 1992) : = (
)
sebagai
suatu
nilai
dapat yang
mengukur proporsi atau variasi total di sekitar nilai tengah
ukuran
∑
∑
(∑
(∑
) [∑
)(∑
)
(∑
(4) ) ]
Metode Root Mean Square Error ini
digunakan
untuk
mengetahui besarnya penyimpangan yang
terjadi
antara
nilai
prediksi
dibandingkan dengan nilai aktualnya. Rumus dari RMSE yang digunakan (Wilks, 1995):
....................(2)
Koefisien determinasi
diartikan
=
(RMSE)
+ ⋯+
yaitu
contoh r, yaitu :
oleh
((Draper & Smith, 1992):
korelasi
yang dapat
RMSE =
∑
(y − y ) ...........(5)
METODE PENELITIAN Data yang digunakan adalah data curah hujan bulanan sebagai
5
Jurnal Fisika FLUX, Vol. 10 No.1, Pebruari 2013 (1 – 12)
prediktan atau data yang nantinya akan diprediksikan (y) dan data SPL rata-rata bulanan di berbagai luasan yang telah dipilih sebagai prediktor atau data yang mempengaruhi hasil prediksi (x). Data curah hujan yang digunakan adalah data perwakilan titik-titik pengamatan
5. Kota
Banjarbaru
3.46
ºLS
114.84ºBT (Y5) 6. Pelaihari Kab. Tanah Laut 3.8 ºLS dan 114.78ºBT (Y6) 7. Kintap Kab. Tanah Laut 3.86ºLS dan 115.29ºBT (Y7) 8. Banjarmasin Utara Kota Banjarmasin
hujan di wilayah Kalimantan Selatan
3.29ºLS dan 114.6ºBT (Y8)
yang memiliki tipe hujan (zona musim)
9. Kusan Hilir Kab. Tanah
(Gambar
2)
yang
berbeda
yaitu
sebanyak 10 titik diantaranya :
dan
Bumbu
3.59ºLS dan 115.93ºBT (Y9) 10. Stagen Kab. Kotabaru 3.3ºLS dan
1. Muara Uya Kab. Tabalong 1.88ºLS
116.17ºBT (Y10)
dan 115.6ºBT (Y1)
Data curah hujan diperoleh dari
2. Sungai Pandan Kab. Hulu Sungai
kantor BMKG Kalimantan Selatan yaitu
Utara 2.47ºLS dan 115.18ºBT (Y2)
Stasiun Klimatologi Banjarbaru. Data
3. Sungai Raya Kab. Hulu Sungai Selatan 2.86ºLS dan 115.24ºBT (Y3) 4. Pantai Sungai
Hambawang Tengah
Kab.
Hulu
2.64ºLS
dan
curah
hujan
yang digunakan adalah
dari tahun 1982-2011, kecuali untuk data curah hujan Kintap dari tahun 1989-2011.
115.34ºBT (Y4)
Gambar 2. Jaringan Data Hujan
Handiana, D., dkk., Perancangan Model Prediksi Curah Hujan Bulanan............. 6
SPL penelitian
yang ini
digunakan
yaitu
dalam
Gambar
3
Gambar 4 menunjukkan tahapan
di
penelitian. Data SPL tahun 1982-2011
berbagai luasan perairan berdasarkan
(data yang tersedia) diperoleh dari
kriteria sirkulasi yang mempengaruhi
International Research Institute (IRI)
wilayah Kalimantan Selatan yaitu :
dengan mengakses alamat IRI yaitu
1. Perairan Kalimantan Selatan (Laut
http://iridl.ldeo.columbia.edu.
Jawa dan Selat Makasar) pada luasan 2ºLU-6ºLS dan 114º-119ºBT (X1) 2. Selat Karimata (Perairan Kalimantan Barat) pada luasan 2ºLU-6ºLS dan 105º-114ºBT (X2) 3. Perairan
Barat
Daya
Sumatera
(Samudera Hindia) pada luasan 7º13ºLS dan 102º-112ºBT (X3). 4. Perairan Barat Sumatera (Samudera Hindia) pada luasan 5ºLU-3ºLS dan 90º-100ºBT (X4) 5. Perairan Utara Australia (Samudera Hindia) pada luasan 8º-20ºLS dan 110º-129ºBT (X5) 6. Samudera Pasifik (NINO 4) pada luasan
5ºLU-5ºLS
dan
Gambar 4. Prosedur Kerja
160ºBT-
150ºBB (X6) HASIL DAN PEMBAHASAN Penentuan Korelasi terbaik
7. Samudera Pasifik (NINO3,4) pada luasan 5ºLU-5ºLS dan 120º-170ºBB
Hasil korelasi signifikan yang
(X7). 8. Laut
Cina
Selatan
terbaik pada tiap pos hujan di bulan
(Perairan
tertentu
Vietnam) pada luasan 6º-19ºLU dan
antara
curah
hujan
di
Kalimantan Selatan dengan 9 luasan
106º-120ºBT (X8)
SPL (Xi) disajikan dalam bentuk tabel 1,
9. Laut Cina Selatan pada luasan 3º-
sel
11ºLU dan 105º-115ºBT (X9) 1Mahasiswa
pada
dan 2 Staff Pengajar Program Studi Fisika FMIPA UNLAM 3Staff Pengajar Program Studi Matematika FMIPA UNLAM
1
tabel
yang
koefisien
7
Jurnal Fisika FLUX, Vol. 10 No.1, Pebruari 2013 (1 – 12)
korelasinya tidak signifikan ditandai
menggunakan metode regresi stepwise.
warna putih.
Regresi stepwise menghasilkan model
Table 1 memperlihatkan adanya
regresi terbaik pada model prediksi
korelasi signifikan yang ditunjukkan dari
curah
nilai positif dan negatif. Nilai korelasi
sebagai prediktor (Tabel 2). Pada
positif mengandung arti fisis semakin
Tabel
tinggi suhu permukaan laut (SPL) pada
koefisien determinasi tertinggi diperoleh
luasan
berdampak
model prediksi curah hujan pada bulan
meningkatnya curah hujan, dan nilai
Agustus di Banjarbaru dengan nilai
korelasi
negatif
koefisien sebesar 0,718. Menyatakan
semakin
tinggi
tertentu
akan
berarti SPL
sebaliknya,
pada
hujan
2
dengan
ditunjukkan
SPL
terpilih
bahwa
nilai
luasan
bahwa 71,8% variasi data curah hujan
tertentu akan berdampak menurunnya
mampu dijelaskan SPL yang diwakili
curah hujan.
oleh model prediksi tersebut, dimana curah hujan Banjarbaru pada saat itu
Penyusunan Model Prediksi Berdasarkan
hasil
dominan dipengaruhi oleh SPL Perairan
penentuan
Kalimantan
Selatan
(X1)
dan
SPL
korelasi terbaik antara SPL dengan
Pasifik equator timur Nino 4 (X6).
curah hujan di Kalimantan Selatan
Penjelasan ini berlaku untuk tiap pos
maka
hujan lainnya.
disusun
perancangan
model
Tabel 1. Nilai koefisien korelasi signifikan yang terbaik pada tiap pos hujan di bulan tertentu Pos Hujan
Bulan
Banjarbaru
Agustus
Muara Uya
Oktober
Sei Pandan
Oktober
Sungai Raya
Agustus
Pantai Hambawang
Agustus
Pelaihari
Agustus
Kintap
September
Bjm. Utara
Oktober
Kusan Hilir
Juli
Stagen
Oktober
X2 0.455 0.013 0.720 0.000 0.668 0.000 0.545 0.003
Lokasi Suhu Permukaan Laut X3 X4 X5 X6 0.572 0.594 - 0.802 0.001 0.001 0.000 0.658 0.533 - 0.532 0.000 0.003 0.003 0.658 0.530 0.566 - 0.477 0.000 0.003 0.001 0.009 0.461 0.619 - 0.631 0.016 0.001 0.000 -0.763
0.029
0.000
0.000
0.442 0.019 0.470 0.027 0.619 0.000
0.681 0.000
0.652 0.000
0.447 0.015
0.461 0.031 0.795 0.000
0.700 0.000
0.566 0.001
0.781 0.001
0.368 0.050
0.560 0.002
- 0.721 0.000 - 0.635 0.002 - 0.623 0.000 - 0.729 0.000 - 0.741 0.000
- 0.647 0.000 - 0.620 0.002 - 0.643 0.000 - 0.700 0.000 - 0.702 0.000
Ket r Sig r Sig r Sig r Sig r
X1 0.627 0.000 0.697 0.000 0.628 0.000 0.632 0.000 0.414
Sig r Sig r Sig r Sig r Sig r Sig
X7 - 0.708 0.000 - 0.518 0.004 - 0.458 0.013 - 0.603 0.001 - 0.663
X8 0.473 0.010
X9 0.413 0.026
0.449 0.019
0.468 0.014
0.574 0.001
0.522 0.004
Handiana, D., dkk., Perancangan Model Prediksi Curah Hujan Bulanan............. 8
Tabel 2. Model Prediksi terbaik pada tiap pos hujan di bulan tertentu Pos Hujan
Bulan
Banjarbaru
Agustus
Muara Uya Sei Pandan Sungai Raya Pantai Hambawang Pelaihari Kintap
Oktober Oktober
Bjm. Utara Kusan Hilir Stagen
Oktober Juli Oktober
Model Prediksi = 335.553 − 72.701 ( ) + 63.863 = − 4521.439 + 159.729 ( ) = − 3694.794 + 132.078 ( ) = − 1582.988 + 124.519
Agustus Agustus Agustus September
= 2294.8 − 77.535
(
)
(
)
Sig (
)
− 65.604
= 80.145 − 94.548 ( ) + 92.89 ( ) = 2654.159 − 89.439 ( ) = − 5877.105 + 140.644 ( ) + 75.042 = 5364.799 − 180.396 ( ) = − 918.112 + 92.205 ( ) − 49.855 (
Perilaku Model Prediksi Curah Hujan Terhadap Kondisi Ekstrim Kejadian iklim ekstrim terjadi
(
(
)
) )
RMSE
0,000
0,718
30,5
0.000 0.000
0.519 0.446
74.7 54.4
0.000
0.533
36.8
0.000
0.583
46.5
0.000 0.002
0.636 0.403
60.3 71.0
0.000 0.000 0.000
0.686 0.531 0.704
80.0 74.6 48.4
Hampir semua wilayah di Indonesia mengalami hujan
sepanjang tahun,
termasuk wilayah Kalimantan Selatan.
akibat adanya anomali pada unsur–
Perlu
adanya
Prediksi
atau
unsur iklim itu sendiri. Indonesia pada
warning yang memberikan informasi
tahun–tahun
pernah
terkait akan adanya kejadian iklim
mengalami kondisi iklim ekstrim ini, dan
ekstrim ini, pada penelitian ini dibuat
tidak dipungkiri pada tahun–tahun yang
model Prediksi curah hujan yang dapat
akan datang kejadian ini akan terjadi,
dimanfaatkan terkait kejadian ini.
tertentu
bahkan dapat terjadi dengan kejadian
diketahui kejadian kemarau panjang
Perilaku Model Prediksi Curah Hujan Saat Kejadian Kemarau Panjang
yang paling ekstrim terakhir yaitu pada
Gambar 5 menunjukkan bahwa
yang
lebih
ekstrim
lagi.
Seperti
tahun 1997. Hampir semua wilayah di
model
Indonesia mengalami kekeringan pada
ekstrim
tahun
kenyataannya,
tersebut,
termasuk
wilayah
mampu
mendapatkan
yang
sesuai
nilai
dengan
khususnya
model
Kalimantan Selatan. Selain kemarau
Prediksi bulan juli sampai dengan
panjang, iklim ekstrim lainnya adalah
November. Terlihat nilai prediksi tahun
hujan sepanjang tahun atau dapat
1997 mulai bulan Juli sampai dengan
dikatakan pada tahun tersebut tidak
November cenderung dibawah rata–
mengalami kemarau, kejadian ini yang
rata,
paling ekstrim adalah pada tahun 1998
kemarau
dan yang terakhir pada tahun 2010.
curah hujan yang sangat kecil pada
hal
ini
disebabkan
panjang
adanya
dikarenakan
nilai
9
Jurnal Fisika FLUX, Vol. 10 No.1, Pebruari 2013 (1 – 12)
bulan–bulan tersebut dan dampaknya
prediksi bulan Mei sampai dengan
terjadi kekeringan. Hasil prediksi ini
November. Terlihat nilai prediksi tahun
sejalan dengan kenyataannya, dimana
1998 dan 2010 mulai bulan Mei sampai
terlihat pada tahun 1997 nilai curah
dengan November cenderung di atas
hujan pada musim kemarau dibawah
rata–rata, hal ini disebabkan adanya
rata–rata dan terjadi kemarau panjang
hujan sepanjang tahun dikarenakan
pada tahun tersebut.
nilai curah hujan yang tinggi pada bulan–bulan tersebut. Hasil prediksi ini sejalan dengan kenyataannya, dimana terlihat pada tahun 1998 dan 2010 nilai curah hujan pada musim kemarau di atas rata–rata, bahkan dapat dikatakan tidak ada musim kemarau pada tahun tersebut.
Gambar 5. Validasi model prediksi curah hujan pada tahun 1997 dan dibandingkan dengan rata–rata curah hujan
Gambar 7. Validasi model prediksi curah hujan pada tahun 1998 dan dibandingkan dengan rata–rata curah hujan Gambar 6. Validasi model prediksi curah hujan pada tahun 2006 dan dibandingkan dengan rata – rata curah hujan
Perilaku Model Prediksi Curah Hujan Saat Kejadian Hujan Sepanjang Tahun Gambar 7 dan 8 menunjukkan bahwa model mampu mendapatkan nilai
ekstrim
kenyataannya,
yang
sesuai
dengan
khususnya
model
Gambar 8. Validasi model prediksi curah hujan pada tahun 2010 dan dibandingkan dengan rata–rata curah hujan
Handiana, D., dkk., Perancangan Model Prediksi Curah Hujan Bulanan............. 10
Hasil Penelitian Kaitan Sirkulasi Atmosfer Terhadap Hasil penentuan korelasi terbaik secara
umum
terlihat
bahwa
SPL
wilayah Pasifik equator timur yaitu SPL Nino 3,4 dan Nino 4 yang banyak memberikan terhadap
pengaruh
curah
Kalimantan
signifikan
hujan
Selatan,
bulanan seperti
di
pada
penelitian – penelitian yang sudah ada, bahwa wilayah Nino 3,4 memberikan pengaruh kuat terhadap kondisi curah hujan di Indonesia. Dari beberapa sirkulasi atmosfer yang pergerakannya di atas wilayah Indonesia, terlihat dari hasil analisis sirkulasi walker timur yang lebih memberikan pengaruh signifikan terhadap curah hujan di Indonesia, terutama pada bulan – bulan musim kemarau. Ini sejalan pada peristiwa El Nino
dan
La
berpengaruh
Nina
terhadap
yang
sangat
kondisi
sifat
hujan di Indonesia (Winarso & McBride, 2002). Pada prediksi
perancangan curah
hujan
model bulanan
menggunakan SPL sebagai prediktor ini, pada bulan–bulan musim hujan terlihat banyak yang tidak signifikan seperti pada bulan Desember, Januari dan Februari. Hal ini membuktikan pada musim hujan pengaruh SPL kurang terlihat berpengaruh terhadap kondisi curah hujan di Indonesia. Ini terjadi
mungkin
dikarenakan
pada
musim
hujan, jumlah curah hujan selalu besar sehingga
naik
turunnya
nilai
SPL
kurang berpengaruh terhadap jumlah curah hujan. Ini dikarenakan wilayah Kalimantan Selatan termasuk tipe hujan monsunal yang memiliki dua puncak musim hujan pada tiap tahunnya yaitu januari, februari dan Desember, tipe monsunal
ini
diakibatkan
oleh
pergerakan monsoon, dimana pada musim hujan adanya monsoon barat serta
adanya
pertemuan
angin
memanjang diatas wilayah Indonesia atau
sering
disebut
Convergence
Inter
Tropical
Zone
(ITCZ)
(Prawirowardoyo, 1996) kedua faktor inilah
yang
sangat berperan
pada
musim hujan, sehingga faktor SPL kurang terlihat pada musim hujan. Model prediksi curah hujan yang terbaik
berada
pada
bulan–bulan
musim kemarau, ini terlihat dari nilai koefisien determinasi yang besar dan hasil pengujian yang signifikan serta didukung dari hasil validasi model terlihat nilai RMSE paling kecil berada pada bulan–bulan musim kemarau. Ini juga
merupakan
dimana
pada
kemarau
hasil
yang
bulan–bulan
ditentukan
apakah
baik, musim terjadi
kemarau panjang yang mengakibatkan kekeringan
atau
pada
bulan–bulan
kemarau terjadi banyak hujan sehingga
11
Jurnal Fisika FLUX, Vol. 10 No.1, Pebruari 2013 (1 – 12)
dapat dikatakan hujan sepanjang tahun.
KESIMPULAN
Hasil validasi model prediksi curah
Berdasarkan hasil dan analisis
hujan pada kondisi ekstrim terlihat
yang telah dilakukan, maka dapat
sangat baik, hasil prediksi mampu
diambil kesimpulan sebagai berikut :
membaca–kondisi ekstrim dengan sifat
1. Suhu
hujan
yang
dibandingkan
memberikan
perilaku
rata–rata
yang
sama
Permukaan
Laut
(SPL)
berpengaruh terhadap curah hujan di berbagai tempat khususnya
di
dengan curah hujan sebenarnya. Hal ini
Kalimantan
membuktikan bahwa kondisi SPL pada
besarnya pengaruh yang berbeda
bulan–bulan
setiap bulannya, nilai korelasi terbaik
pada
musim
kemarau
sangat berpengaruh terhadap curah
terjadi
hujan di Kalimantan Selatan.
kemarau.
Selatan,
pada
dengan
bulan–bulan
musim
Nilai korelasi signifikan curah
2. Suhu permukaan Laut (SPL) yang
hujan dengan SPL terbaik pada bulan
banyak berperan pada pembentukan
Agustus di Banjarbaru mencapai 0,802
model prediksi curah hujan adalah
yaitu korelasi dengan SPL Nino 4.
SPL Samudera Pasifik equator timur
Model prediksi terbaik secara umum di
yaitu SPL Nino 3,4 dan SPL Nino 4.
Kalimantan
Selatan
terdapat
pada
3. Model prediksi curah hujan terbaik
bulan Juli, Agustus, September dan
terjadi
Oktober, dari 10 titik pos hujan, Model
kemarau
prediksi terbaik bulan Agustus terdapat
September
pada pos hujan Banjarbaru, Sungai
kemarau menuju hujan yaitu bulan
Raya,
Oktober.
Pantai
Hambawang
dan
Pelaihari, sedangkan Model prediksi
pada
bulan–bulan
yaitu
Juli,
dan
musim Agustus,
masa
transisi
4. Model prediksi curah hujan mampu
terbaik bulan Oktober terdapat pada
membaca
pos hujan Muara Uya, Sungai Pandan,
kondisi
Banjarmasin Utara dan Stagen. Model
dijadikan peringatan dini terhadap
prediksi
kekeringan atau hujan sepanjang
terbaik
Banjarbaru 72.701
(
bulan
yaitu + 63.863
signifikan
)
mampu
menjelaskan
0,00,
dan
(
)
Agustus
di
= 335.553 −
dengan
model
ekstrim,
hujan
pada
sehingga
dapat
tahun.
nilai
5. Model prediksi terbaik secara umum
tersebut
di Kalimantan Selatan terdapat pada
variasi
data
sebesar 71,8%, serta nilai RMSE paling kecil.
perilaku
bulan Juli, Agustus, September dan Oktober.
Handiana, D., dkk., Perancangan Model Prediksi Curah Hujan Bulanan............. 12
6. Nilai korelasi signifikan curah hujan
dengan SPL terbaik pada bulan
Drapper & Smith. 1992. Analisis Regresi Terapan, PT. Gramedia Pustaka Utama, Jakarta
Agustus di Banjarbaru mencapai 0,802, dan model prediksi terbaik bulan Agustus di Banjarbaru yaitu = 335.553 − 72.701
63.863
(
)
(
)
+
dengan hasil pengujian
yang signifikan dan model tersebut
Hendon, H.H. 2003. Indonesian Rainfall Variability : Impacts of ENSO and Local Air-Sea Interaction. American Meteorology Society. Prawirowardoyo, S. 1996. Meteorologi Umum. Institut Teknologi Bandung. hal. 130, Bandung
mampu menjelaskan variasi data sebesar 71,8%. DAFTAR PUSTAKA Aldrian, E., & R. D. Susanto, 2003. Identification Of Three Dominant Rainfall Regions Within Indonesia and Their Relationship To Sea Surface Temperature, International Journal Of Climatology, Int. J. Climatol, 23: 14351452. Wiley InterScience. Boer, R. K.A. Notodipuro & I, Las. 1999. Prediction of daily rainfall characteristic from monthly climate indicate. Paper pesented at the second international conference on science and technology for the Assesment of Global Climate Change and Its impact on Indonesian Maritime Continent, 29 November-1 December 1999.
Swarinoto Y. S., W. Sulistya., A. Zakir., & D. Gunawan. 1998. La Nina dan Musim di Indonesia. Buletin Met. Geo. No.4 (Desember, 1998), hal.35–43, Jakarta. Tjasyono, B. 2004. Klimatologi. Institut Teknologi Bandung, Bandung. Walpole, R. E. 1995. Pengantar Statistika Edisi ke-3. PT. Gramedia Pustaka Utama, Jakarta Winarso P. A., & J. McBride. 2002, “Iklim” Kapan Hujan Turun? Dampak Osilasi Selatan dan El Nino di Indonesia, Publishing Services, DPI, Brisbane
