III. BAHAN DAN METODE
3.3 Metode Penelitian
Penelitian dilaksanakan dalam lima tahap, yaitu: a. Kompilasi dan Kontrol Kualitas Data
b. Hubungan Z – R
c. Kriteria Sifat Intensitas Curah Hujan d. Pola Distribusi Curah Hujan
e. Simulasi Model Distribusi Hujan – Limpasan untuk Level Grid
3.3.1. Kompilasi dan Kontrol Kualitas Data
Data yang digunakan merupakan hasil pengamatan IOP (Intensive Observational Period) Rawinsonde dilakukan selama satu bulan dari tanggal 14 Januari – 14 Februari 2010, berupa data radar cuaca C-Band Doppler (CDR) wilayah JABODETABEK dan data Automatic Weather Station (AWS) di Stasiun Pengamatan Bogor, Serpong, Serang, Pulau Seribu. Selanjutnya dilakukan pengumpulan data Automatic Water Level Recorder (AWLR) dan Automatic Rain Recorder (ARR), selama bulan Maret 2010. Data tersebut diperoleh dari Posko Banjir, Balai Besar Wilayah Sungai Ciliwung Cisadane (BBWSCC), Jakarta. Selain data-data tersebut, dalam penelitian ini juga menggunakan data curah hujan harian dari Stasiun Meteorologi Citeko. Semua data yang digunakan, baik AWS, ARR, ataupun AWLR menggunakan data selama periode pengamatan di atas.
Sebelum dilakukan pengolahan, data yang akan digunakan harus diidentifikasi terlebih dahulu, baik data radar cuaca, AWS, ARR, dan AWLR untuk melihat kualitas data dan memeriksa kesesuaian posisi dari semua stasiun pengamatan. Data radar cuaca akan diolah dengan menggunakan Bahasa C dan Perl sehingga didapatkan data reflektifitas radar setiap 6 menit. Selanjutnya data reflektifitas radar akan dibandingkan dengan data intensitas curah hujan dari data AWS, dibuat grafik time series untuk melihat konsentrasi intensitas curah hujan selama periode pengamatan, serta menggunakan data AWLR untuk membuat grafik time series tinggi muka air sungai selama periode pengamatan untuk mendapatkan periode target data yang lebih spesifik. Identifikasi data menggunakan software MS – Excel dan Matlab.
! " #" $ % % & ' () * ( $ " $ $ " # * % + # "$ , % #" ( ! - " # & $ # "##
3.3.2. Hubungan Z – R
Pengolahan data radar cuaca C-Band Doppler (CDR) selama periode pengamatan menggunakan software bahasa C dan Perl. Pada tahap ini data radar cuaca yang mempunyai format awal iris dirubah kedalam format CAPPI. Data radar cuaca yang diperoleh setiap 6 menit terlebih dahulu diolah menjadi akumulasi setiap 1 jam hingga diperoleh data reflektifitas radar. Hal ini karena data pengamatan permukaan yang diperoleh rata-rata mempunyai interval 1 jam.
Selanjutnya data radar dalam format CAPPI (Constant Altitude Plan Position Indicator) digabungkan dengan data intensitas curah hujan (rain rate) dari pengamatan permukaan pada setiap titik lokasi pengamatan. Hasil dari pengolahan ini adalah data curah hujan radar untuk setiap lokasi AWS. Setelah diperoleh data reflektifitas radar dan intensitas curah hujan setiap jam, selanjutnya dibuat hubungan antara data radar cuaca dan data pengamatan permukaan.
Jika Z adalah faktor radar reflektifitas, maka Z akan dapat dihubungkan dengan intensitas curah hujan (rain-rate) R oleh persamaan (2.3), di mana a dan b adalah konstanta empirik positif, yang nilainya tergantung dari lokasi geografi dan kondisi iklimnya/tipe hujan.
Berdasarkan hubungan Z – R tersebut, selanjutnya dibuat interpolasi antara data radar dengan data pengamatan permukaan, sehingga diperoleh data curah hujan untuk semua cakupan wilayah radar.
Untuk mengolah data radar cuaca CDR hingga diperoleh data reflektifitas radar setiap jam dapat dilakukan dengan beberapa tahapan, sebagai berikut:
1. Radar cuaca CDR menghasilkan data volume scan CAPPI setiap 6 menit pada berbagai ketinggian, mulai dari 500 m, 1.500 m, 2.000 m, dan seterusnya. Sebelum dilakukan pengolahan, data CDR harus disalin terlebih dahulu ke dalam media penyimpanan data. Karena data CDR ini mempunyai ukuran yang sangat besar, maka diperlukan media penyimpanan data dengan kapasitas yang sangat besar pula. Format awal data radar cuaca mengandung informasi posisi (letak lintang dan bujur), ketinggian yang akan digunakan, dan data reflektifitas radarnya.
Gambar 10. Format awal data radar cuaca CDR yang disalin dan disimpan dalam suatu folder.
2. Sebelum melakukan pengolahan data radar, maka harus diinstall terlebih dahulu program tambahan yang akan digunakan, pengolahan data ini dilakukan pada komputer PC dengan dasar unix (Linux). Program tambahan yang harus diinstall antara lain: netCDF, mmds, netCDF_perl, dan mkcappi.
3. Data radar yang telah disalin merupakan data yang masih awal (data mentah) dengan format iris. Sebagai langkah awal, data radar dalam format iris dirubah menjadi format mrf (netCDF). Pada tahap ini data mentah dengan format JEP100101000002.RAWXM7H, akan dirubah namanya menjadi cdr_100201_000059_1400.mrf, dan akan tersimpan dalam folder-folder per 6 menit.
Gambar 11. Perubahan format data radar cuaca dari format iris menjadi format mrf.
4. Setelah selesai mengubah data dari format iris ke format mrf (maesaka radar format), maka data dari format mrf harus dirubah menjadi format CAPPI. Data dalam format CAPPI ini akan tersimpan setiap 6 menit (cdr_100201_0006.cap).
Gambar 12. Perubahan format data radar cuaca dari format mrf menjadi format cappi.
5. Sebelum data radar cuaca dapat diolah lebih lanjut, harus ditentukan posisi suatu lokasi dalam koordinat pixel. Misalnya posisi radar Serpong dalam koordinat pixel, karena nantinya data reflektifitas radar akan diperoleh dari setiap pixelnya. 6. Setelah itu, data radar cuaca setiap 6 menit akan diolah menjadi data intensitas
curah hujan (rainrate) setiap 6 menit (Lampiran 1).
7. Selain pengolahan data radar cuaca, langkah selanjutnya adalah pengolahan data pengamatan permukaan, dalam hal ini data AWS. Data AWS yang diperoleh dari pengukuran di lapangan mempunyai interval waktu setiap 1 menit, sehingga perlu dirubah menjadi interval waktu setiap 6 menit sesuai dengan data radar yang telah diperoleh sebelumnya. Data AWS yang diperoleh dari hasil pengukuran di lapangan disimpan ke dalam suatu folder baik data dalam format csv maupun dat. Selain data informasi yang harus disiapkan adalah posisi dari masing-masing stasiunnya.
8. Setelah diperoleh data AWS dengan interval waktu setiap 6 menit maka data AWS ini diakumulasikan menjadi data setiap 30 menit atau 1 jam, sesuai dengan interval waktu yang akan digunakan dalam penelitian.
9. Sebelum membuat hubungan antara data reflektifitas radar dengan intensitas curah hujan (rainrate), terlebih dahulu harus diperhatikan kondisi datanya, apakah ada data yang kosong atau tidak, seandainya ada data yang kosong maka harus diisi dengan angka -999. Setelah itu dibuat tabel yang berisi data intensitas curah hujan dan radar reflektifitas, selanjutnya dibuat hubungan antara kedua data tersebut. Hasil pengolahan pada tahap ini adalah nilai a dan b, yang merupakan konstanta empirik tergantung dari lokasi geografi dan kondisi iklim/tipe hujannya.
10.Dengan menggunakan nilai a dan b yang diperoleh dari pengolahan di atas, maka data reflektifitas radar akan dirubah menjadi data intensitas curah hujan (rainrate) pada setiap titik pixelnya.
11.Intensitas curah hujan pada setiap koordinat yang diperoleh akan digunakan sebagai masukan dalam model simulasi hidrologi terdistribusi hujan limpasan (Lampiran 2).
Gambar 13. Data reflektifitas radar cuaca akan diolah menjadi data intensitas curah hujan untuk setiap titik pixelnya.
3.3.3. Kriteria Sifat Intensitas Curah Hujan
Badan Meteorologi, Klimatologi, dan Geofisika mengeluarkan kriteria intensitas curah hujan di Indonesia menjadi 4, yaitu hujan ringan dengan interval 1,0 – 5,0 mm/jam atau 5 – 20 mm/hari; hujan sedang 5,0 – 10 mm/jam atau 20 – 50 mm/hari; hujan lebat 10 – 20 mm/jam atau 50 – 100 mm/hari; dan hujan sangat lebat lebih dari 20 mm/jam atau lebih dari 100 mm/hari.
Berdasarkan kriteria tersebut akan dipilih lokasi yang mempunyai kualitas data dan hubungan Z – R yang paling bagus. Data intensitas curah hujan yang diperoleh dari gabungan antara data radar cuaca dan data pengamatan permukaan, pada periode yang berbeda-beda sesuai dengan kriteria curah hujan tersebut digunakan sebagai masukan dalam model hidrologi terdistribusi untuk satu titik Manggarai. Sehingga akan diperoleh simulasi aliran sungai pada berbagai kondisi intensitas hujan.
3.3.4. Pola Distribusi Curah Hujan
Untuk melihat distribusi intensitas curah hujan di DAS Ciliwung, maka dibuat transek intensitas curah hujan dari data radar, dengan cara mengambil data intensitas curah hujan yang berada pada satu garis lurus mulai dari Citeko sampai Pulau Pramuka (Transek 1) dan Citeko sampai Laut Jawa (Transek 2) seperti yang terlihat pada Gambar 14. Dari gambar juga terlihat bahwa DAS Ciliwung berada di dalam wilayah Transek 1 dan 2, serta posisi alat pengamatan permukaan (AWS dan AWLR) juga berada di sekitar transek tersebut. Berdasarkan posisi transek tersebut, dibuat Diagram
Hoevmoller menggunakan data intensitas curah hujan sepanjang Transek 1 dan 2, sehingga dapat digambarkan distribusi dan pergerakan curah hujan selama periode pengamatan berlangsung.
Gambar 14. Peta posisi data pengamatan dan transek Hoevmoller pergerakan curah hujan.
3.3.5. Model Hidrologi Terdistribusi Hujan – Limpasan untuk Level Grid
Data curah hujan dari radar cuaca yang diperoleh dari hubungan reflektifitas radar dan intensitas curah hujan dari permukaan, digunakan sebagai masukan dalam model distribusi hidrologi. Selain data curah hujan, model ini juga memerlukan informasi dari data tinggi muka air, jaringan sungai dan topografi untuk menentukan batas DAS.
Berdasarkan karakteristik dari sub-model hujan – limpasan, seperti yang disajikan pada persamaan (2.4) dan (2.7), maka dihitung kecepatan aliran untuk membuat simulasi aliran sungai.
Selain parameter model tersebut, dalam melakukan pengolahan runoff model, ada beberapa inisiasi kondisi yang harus dilakukan sebagai berikut :
a. Aliran Sungai (River Flow)
Untuk membuat aliran sungai, masukan awal yang digunakan ada tiga kondisi: - Kondisi awal (Initial condition) untuk kelembaban tanah (soil moisture)
b = kelembaban tanah adalah total maksimum jumlah air pada suatu bucket.
- Rata-rata evaporasi (Evaporation rate) (e = nilai konstan).
- Kecepatan aliran air (Water flow speed) (v = m/s = nilai konstan).
Asumsi awal yang digunakan adalah tanah mengandung air pada kondisi kapasitas lapang (KL).
b. Bucket Model
Prinsip dasar bucket model adalah menghitung limpasan (runoff) berdasarkan keseimbangan air (water balance) dari permukaan tanah.
S = P – E – R (2.8) di mana: P : Presipitasi, E : Evaporasi, R : Runoff.
S : perubahan kelembaban tanah pada setiap grid dalam satu cakupan area, dan E = Ep.
Infiltrasi yang besarnya tergantung pada intensitas curah hujan, kemiringan lahan, dan kandungan air tanah, didekati dengan Model Tipping Bucket (disingkat Bucket Model). Dalam model seperti ini lapisan tanah paling atas diisi air hingga mencapai kapasitas lapang, selanjutnya mengisi lapisan di bawahnya dan seterusnya. Kondisi kapasitas lapang diperhitungkan dengan melihat kurva karakteristik air tanah (kurva pF), sedangkan penguapan atau evaporasi tanah tergantung pada penutupan permukaan tanah (didasarkan pada LAI pohon dan tanaman semusim) dan kandungan air dalam lapisan tanah atas. Tipping Bucket adalah suatu alat untuk mengukur curah hujan atau limpasan air dengan cara menadah air ke dalam wadah yang kecil (bucket). Wadah ini dapat menumpahkan seluruh isinya dengan sendirinya apabila air telah mencapai berat tertentu. Berapa kali wadah ini menumpahkan isinya menunjukkan jumlah volume air yang masuk ke dalam alat (Khan dan Ong, 1994).
0.15 m = kapasitas lapang.
Data yang dipakai untuk membuat jaringan sungai bisa diperoleh dari internet (http://hydrosheds.cr.usgs.gov/). Satu data set diambil dengan menggunakan posisi outlet dari masing-masing lokasi. Dalam model ini, pada setiap grid data air diasumsikan mengalir dari upstream ke downstream. Jumlah air yang berpindah dari
upstream ke downstream (frac) dihitung dengan mempertimbangkan kecepatan aliran (u) dan peubah waktu (dt/dy atau dt/dx). Contoh script yang digunakan untuk menghitung aliran sungai disajikan pada Lampiran 2.
frac = u x dt/dy (2.9)
di mana:
frac : Jumlah air yang berpindah dari upstream ke downstream. u : Kecepatan aliran (u = m/s = konstan).
dt : Interval waktu (per 10 menit, dt = 600 detik). dx : Grid baris (dx = 500 m).
dy : Grid kolom (dy = 500 m).
Secara singkat, diagram alur penelitian disajikan pada Gambar 15. Hasil dari pengolahan data ini ditunjukkan dalam bentuk formula, grafik, angka dalam tabel, serta peta.
Diagram Alur Penelitian, disajikan sebagai berikut:
Gambar 15. Diagram Alur Penelitian.
Tujuan 1