Tanggal Lulus:
DAFTAR LAMPIRAN
III. METODOLOGI 3.1 Waktu dan Tempat Penelitian
Penelitian dilakukan mulai Maret – November 2010 di Laboratorium Klimatologi, Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor serta CCROM SEAP (Center for Climate Risk Management in Southeast Asia and Pacific) Baranangsiang.
3.2 Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah seperangkat komputer dengan beberapa perangkat lunak (software)
penunjang seperti Microsoft Office 2007,
Minitab 14, dan Arc View 3.3. Data yang digunakan dalam penelitian ini adalah data curah hujan keluaran CMORPH periode tahun 2003 sampai 2008. Data tersebut diperoleh dari http://cpc.ncep.noaa.gov. Data curah hujan observasi harian periode tahun 2003 sampai 2008 untuk Stasiun Simpang Tiga, Pekanbaru dan Stasiun Dabo Singkep. Data tersebut diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) Jakarta. Data curah hujan observasi harian periode tahun 2003 sampai 2008 untuk stasiun Kijang, Tanjung Pinang dan Stasiun Japura Rengat. Data tersebut bersumber pada data yang dipertukarkan di bawah WMO yang dipublikasikan oleh NCDC-NOAA-USA. 3.3 Wilayah Kajian
Penelitian dilakukan dengan wilayah kajian meliputi empat titik pengamatan yang mewakili pola hujan ekuatorial, yaitu Pekanbaru dan Japura Rengat di Provinsi Riau serta Tanjung Pinang dan Dabo Singkep di Kepulauan Riau.
Tabel 1. Lokasi wilayah kajian
3.4 Metode Penelitian
3.4.1 Metode Pengumpulan Data dan Ekstraksi Data Satelit
Data satelit yang digunakan untuk pembangunan model statistical downscaling
adalah data CMORPH (CPC MORPHing Technique) dengan periode harian dan memiliki resolusi 0.25o lintang /bujur. Data ini dapat diperoleh dengan mengakses situs CPC NOAA melalui http://cpc.ncep.noaa.gov. Data tersebut tersimpan dalam format .zip sehingga dilakukan proses ekstraksi terlebih dahulu untuk menterjemahkan informasi dari raw
data menjadi informasi numerik sehingga dapat dibaca oleh model numerik. Selanjutnya dilakukan koreksi geometrik terhadap data tersebut sehingga koordinat lintang dan bujurnya sesuai dengan koordinat bumi yang sebenarnya (Oktavariani 2008).
3.4.2 Metode Pengolahan Data
Data CMORPH memberikan gambaran curah hujan estimasi secara global sehingga diperlukan tahap cropping untuk memperoleh data pada beberapa titik tertentu yang sesuai
Bujur Lintang Simpang Tiga, Pekanbaru 101o 26’ BT 00o 28’ LU 31 Kijang, Tanjung Pinang 104o 32’ BT 00o 55’ LU 17 Japura Rengat 102o 19’ BT 00o 20’ LS 19 Dabo Singkep 104o 35’ BT 00o 29’ LS 29
dengan wilayah yang dibutuhkan. Informasi numerik tersebut diperoleh dengan mengkonversi informasi hujan format
shapefile menjadi format text (Lampiran 2) sehingga akan diperoleh nilai curah hujan yang diinginkan.
Keluaran estimasi curah hujan dari CMORPH yang berskala global membuat data ini kurang kompatibel digunakan langsung dalam skala regional untuk menduga hujan lokal. Oleh karena itu, dilakukan teknik
downscalling informasi curah hujan skala global yang meliputi empat domain, yaitu domain 3x3 (9 grid), domain 5x5 (25 grid), domain 7x7 (49 grid), dan domain 9x9 (81 grid) untuk setiap wilayah kajian.
3.4.3 Analisis Pola Hubungan Curah Huajn Observasi dan Curah Hujan CMORPH
Analisis pola hubungan data observasi dan CMORPH dilakukan untuk melihat kemampuan data hujan CMORPH dalam estimasi curah hujan di permukaan. Setelah cukup yakin bahwa data CMORPH dapat mengikuti pola curah hujan observasi, maka dilakukan uji dua regresi untuk meninjau apakah perlu dilakukan pemisahan model estimasi curah hujan musim hujan dan musim kemarau dengan membangun persamaan regresi sederhana dan mengganggap intersep = 0 sehingga persamaannya menjadi Y = bx.
Uji dua regesi dilakukan dengan persamaan :
z = ... (1) dimana : b1 = slope persamaan 1
b2 = slope persamaan 2 sb1 = SE Coef b1 sb2 = SE Coef b2
Jika z < taraf nyata berarti kedua persamaan tidak berbeda nyata, sehingga tidak perlu dilakukan pemisahan antara musim hujan dan musim kemarau. Sebaliknya jika z > taraf nyata berarti kedua persamaan berbeda nyata sehingga perlu dilakukan pemisahan antara musim hujan dan musim kemarau. Taraf nyata yang digunakan pada penelitian ini adalah 5%. 3.4.4 Analisis Regresi Curah Hujan
Observasi dan Curah Hujan CMORPH
Regresi linier merupakan salah satu metode statistika yang digunakan untuk membentuk model hubungan antara peubah terikat (peubah respon ; y) dengan satu atau lebih peubah bebas (prediktor ; x) (Kurniawan 2008). Apabila banyaknya peubah bebas
hanya ada satu maka disebut regresi linier sederhana, sedangkan jika terdapat lebih dari satu peubah bebas maka disebut regresi linier berganda. Pembangunan model estimasi berdasarkan regresi sederhana untuk setiap titik pengamatan dibangun dari hubungan antara curah hujan observasi sebagai peubah terikat dan rataan curah hujan CMORPH sebagai peubah bebas sesuai dengan ukuran domainnya.
3.4.5 Analisis Partial Least Square (PLS) Curah Hujan Observasi dan Curah Hujan CMORPH
Model estimasi curah hujan dibangun berdasarkan data CMORPH harian dengan periode Januari 2003 – Desember 2008. Data tersebut kemudian dikonversi menjadi data dasarian (10 harian). Hal ini dilakukan karena fluktuasi dan variabilitas curah hujan terlihat lebih jelas dibandingkan dengan menggunakan data harian.
Pembangunan model estimasi pada penelitian ini dilakukan berdasarkan metode
Partial Least Square (PLS). Metode ini bertujuan untuk mengatasi adanya multikolinieritas dari model regresi sederhana sehingga data tidak menjadi bias. Multikolinieritas dapat diketahui berdasarkan nilai VIF (Variation Inflation Factor), dimana VIF merupakan faktor yang mengukur seberapa besar kenaikan varian dari koefisien regresi dibandingkan dengan peubah bebas lain yang saling orthogonal (Fitriani 2010). VIF dapat dihitung dengan persamaan :
VIF ...(2) dengan Ri2 adalah koefisien determinasi (R2) dari peubah bebas (x) lainnya di dalam model. Model yang dihasilkan oleh PLS mengoptimalkan hubungan prediksi antara dua kelompok peubah. Proses penentuan model pada PLS dilakukan secara iterasi dengan melibatkan keragaman pada peubah x dan y. Struktur ragam dalam y mempengaruhi perhitungan komponen kombinasi linier dalam x dan sebaliknya, struktur ragam dalam x berpengaruh terhadap kombinasi linier dalam Y (Bilfarsah 2005). Persamaan model PLS adalah:
Y = a + b1X1 + b2X2 +...+ bnXn 3.4.6 Validasi Model
Model estimasi curah hujan yang dihasilkan berdasarkan metode Partial Least Square (PLS) dapat diketahui keterandalannya untuk melihat apakah data estimasi memiliki
7
kemampuan untuk mengikuti variasi hujan permukaan. Keterandalan model dapat dilihat dari beberapa parameter, antara lain :
• Koefisien korelasi
Korelasi dinyatakan dengan suatu koefisien yang menunjukkan hubungan (linier) relatif antara dua peubah (Sucahyono
et al. 2009). Persamaan koefisien korelasi adalah :
r ∑ ∑ ∑
∑ ∑ ∑ ∑
... (3) Jika nilai koefisien korelasi curah hujan estimasi dengan curah hujan observasi semakin besar maka semakin kuat hubungan diantara keduanya sehingga pola nilai estimasi akan semakin mendekati pola data aktualnya. • Root Mean Square Error (RMSE)
Galat atau error didefinisikan sebagai selisih antara curah hujan estimasi dengan curah hujan observasi (Wibowo 2010). RMSE menunjukkan tingkat bias pendugaan yang dilakukan oleh model estimasi curah hujan. RMSE dapat diketahui dengan persamaan sebagai berikut :
RMSE = ∑ ... (4) Jika nilai RMSE antara curah hujan estimasi dan curah hujan observasi semakin kecil maka semakin kecil perbedaan diantara keduanya sehingga nilai estimasi akan semakin akurat. • Uji Pearson
Uji Pearson merupakan uji non parametrik dalam statistika. Uji ini dilakukan untuk menyatakan ada atau tidaknya hubungan antara peubah x dengan peubah y dan melihat seberapa besar sumbangan suatu peubah terhadap peubah lainnya.
Hipotesis yang digunakan pada penelitian ini, yaitu :
Ho : tidak terdapat hubungan yang signifikan antara curah hujan estimasi dan curah hujan observasi.
H1 : terdapat hubungan yang signifikan antara curah hujan estimasi dan curah hujan observasi.
Hipotesis diterima berdasarkan nilai P value, jika P value kurang dari selang kepercayaan (α) maka tolak Ho dan kedua data berbeda secara nyata.
IV. PEMBAHASAN