Pengembangan Perangkat Lunak Pembangkit Data Cuaca Harian dari Data Satelit TRMM 3B42 Harian dan Data Digital Elevation Model (DEM) SRTM.

(1)

PENGEMBANGAN PERANGKAT LUNAK PEMBANGKIT DATA

CUACA HARIAN DARI DATA SATELIT TRMM 3B42 HARIAN DAN

DATA DIGITAL ELEVATION MODEL (DEM) SRTM

DICKY SUCIPTO

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

ABSTRACT

DICKY SUCIPTO (G24080070). Software Development Daily Weather Data Generator from TRMM 3B42 Daily and Data Digital Elevation Model (DEM) SRTM. Supervised by IDUNG RISDIYANTO S.SI, M.SC.

Meteorology research activities in Indonesia have problem about weather data. Weather data is hard to be obtained because of the lack of meteorology stasion in Indonesia. Weather data generation can be done by using satellite data. One of The Tropical Measuring Mission (TRMM) satellite data that can be used for weather data generation is 3B42 daily containing global daily rainfall value (50o LU - 50o LS). Format of 3B42 daily files are netCDF. NetCDF reading needs some additional function because Ms. Visual Basic 6 does not provide functions to read and write netCDF data. Functions of netCDF reading and writing can be gained from Dynamic-Link Library (DLL) file which is from Unidata. Functions in DLL file that is used are nc_open, nc_inq_dimid, nc_inq_dimlen, nc_inq_varid, nc_get_var _double, nc_close. Array variable will be come out as the result of netCDF reading using functions of netCDF reading. The array variable has two dimensions (longitude and latitude) containing rainfall values in mm/day. The array variable can be processed into ready used spatial data and time series data. Those data and elevation data (DEM SRTM) can generate other weather data such as sun shine duration, radiation, minimum temperature, maximum temperature, mean temperature, and relative humidity. The weather data generation is used empiric approach based on relationship among weather elements.

(3)

ABSTRAK

DICKY SUCIPTO (G24080070). Pengembangan Perangkat Lunak Pembangkit Data Cuaca Harian dari Data Satelit TRMM 3B42 Harian dan Data Digital Elevation Model (DEM) SRTM. Dibimbing oleh IDUNG RISDIYANTO S.SI, M.SC.

Penelitian bidang meteorologi di Indonesia memiliki hambatan dalam hal data cuaca. Data cuaca sulit didapatkan karena sebaran stasiun meteorologi di Indonesia masih sedikit. Pembangkitan data cuaca dapat dilakukan dengan menggunakan data satelit. Salah satu data satelit

TheTropical Rainfall Measuring Mission (TRMM) adalah 3B42 harian yang berisi nilai curah hujan harian global (50o LU - 50o LS). Format file ini adalah format file netCDF. Pembacaan netCDF pada Ms. Visual Basic 6 memerlukan beberapa fungsi tambahan dari luar karena Ms. Visual Basic 6 tidak menyediakan fungsi untuk membaca dan menulis data netCDF. Fungsi-fungsi pembacaan dan penulisan data netCDF didapatkan dari Dynamic-Link Library file (DLL) yang dikeluarkan oleh Unidata. Fungsi-fungsi dalam file DLL yang digunakan adalah nc_open, nc_inq_dimid, nc_inq_dimlen, nc_inq_varid, nc_get_var _double, nc_close. Sebuah variabel array

akan dihasilkan dari hasil pembacaan file netCDF dengan menggunakan fungsi-fungsi pembaca netCDF. Variabel array ini memiliki dua dimensi (longitude dan latitude) dengan berisikan nilai-nilai curah hujan harian dengan satuan mm/hari. Variabel array ini dapat diolah menjadi data spasial dan data time series yang siap digunakan. Data ini dan data ketinggian tempat (DEM SRTM) dapat membangkitkan unsur cuaca lain seperti lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan dan kelembaban nisbi. Pembangkitan data ini menggunakan pendekatan empirik berdasarkan hubungan antar unsur-unsur cuaca.

(4)

© Hak cipta milik IPB (Institut Pertanian Bogor)

Hak Cipta Dilindungi Undang-Undang

1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber:

a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah.

b. Pengutipan tidak merugikan kepentingan yang wajar IPB.

(5)

PENGEMBANGAN PERANGKAT LUNAK PEMBANGKIT DATA

CUACA HARIAN DARI DATA SATELIT TRMM 3B42 HARIAN DAN

DATA DIGITAL ELEVATION MODEL (DEM) SRTM

DICKY SUCIPTO

Skripsi

sebagai salah satu syarat memperoleh gelar Sarjana Sains pada

Mayor Meteorologi Terapan Departemen Geofisika dan Meteorologi

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(6)

Judul : Pengembangan Perangkat Lunak Pembangkit Data Cuaca Harian dari Data Satelit TRMM 3B42 Harian dan Data Digital Elevation Model (DEM) SRTM.

Nama : Dicky Sucipto NRP : G24080070

Disetujui,

Pembimbing,

Idung Risdiyanto, S.Si, M.Sc. NIP. 19730823 199802 1 002

Mengetahui,

Ketua Departemen Geofisika dan Meteorologi

Dr. Ir. Rini Hidayati, MS. NIP. 19600305 198703 2 002

(7)

KATA PENGANTAR

Puji dan syukur penulis ucapkan kepada Allah SWT atas semua kesempatan dalam hidup dan terselesaikannya penelitian serta penulisan skripsi berjudul “Pengembangan Perangkat Lunak Pembangkit Data Cuaca Harian dari Data Satelit TRMM 3B42 Harian dan Data Digital Elevation Model (DEM) SRTM” di Departemen Geofisika dan Meteorologi sejak Desember 2011.

Kesuksesan penelitian dan penulisan skripsi ini tidak lepas dari bantuan dan dukungan dari banyak pihak. Terima kasih penulis ucapkan kepada Bapak Idung Risdiyanto selaku pembimbing. Selain itu, penghargaan penulis sampaikan kepada para dosen dan staf Departemen Geofisika dan Meteorologi atas ilmunya, serta teman-teman Geomet angkatan 45. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga atas segala doa dan kasih sayangnya.

Penulis mohon maaf untuk kekurangan selama penelitian dan dalam penulisan Skripsi ini. Semoga laporan ini menjadi dasar bagi penulis untuk terus berkarya dan bermanfaat.

Bogor, Juni 2012

(8)

RIWAYAT HIDUP

Penulis dilahirkan di Bogor, 1 Juni 1990 dari ayah Tony Sanjoyo dan ibu Pupu Maspuroh. Penulis merupakan anak kedua dari tiga bersaudara.

Penulis menyelesaikan studi menengah di SMA Negeri 7 Bogor tahun 2008 dan diterima di Institut Pertanian Bogor melalui jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN). Penulis masuk pada mayor Meteorologi Terapan, Departemen Geofisika dan Meteorologi.

(9)

DAFTAR ISI

Halaman

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... x

DAFTAR LAMPIRAN ... xi

I. PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Tujuan ... 1

II. TINJAUAN PUSTAKA ... 1

2.1. File NetCDF ... 1

2.1.1. Algoritma Pembacaan NetCDF ... 1

2.2. Satelit TRMM ... 2

2.2.1. Data TRMM 3B42 Harian ... 2

2.2.2. Korelasi Data TRMM dengan Data Stasiun ... 4

2.3. Model Pembangkitan Data Cuaca Harian ... 5

III. METODOLOGI ... 5

3.1. Tempat dan Waktu Penelitian... 5

3.2. Bahan dan Alat ... 6

3.2.1. Bahan ... 6

3.2.2. Alat ... 6

3.3. Tahapan Penelitian... 6

3.3.1. Algoritma Pembaca NetCDF Visual Basic 6 ... 6

3.3.2. Cropping Array ... 6

3.3.3. Pembangkitan Data Cuaca... 6

3.3.3.1. Pembangkitan Data Lama Penyinaran ... 6

3.3.3.2. Pembangkitan Data Radiasi ... 7

3.3.3.3. Pembangkitan Data Suhu ... 7

3.3.3.4. Pembangkitan Data Kelembaban Nisbi ... 7

1V. HASIL DAN PEMBAHASAN ... 8

4.1. Program pengekstrak data curah hujan dari data satelit TRMM 3B42 hari ... 8

4.2. Sistem pembangkitan data cuaca dengan data masukan data TRMM 3B42 harian dan DEM SRTM ... 10

V. SIMPULAN DAN SARAN ... 13

5.1. Simpulan ... 13

5.2. Saran ... 13

DAFTAR PUSTAKA ... 13

(10)

DAFTAR TABEL

Halaman

1 Format array data TRMM 3B42... 8

2 Contoh hasil keluaran program untuk data curah hujan titik global 50o LU – 50o LS ... 9

(11)

DAFTAR GAMBAR

Halaman

1 Pemrosesan data TRMM ... 2

2 (a) Peta Indonesia (dan Malaysia, Brunei, Singapur, Papua New Guinae dan Timor-timor). Kotak merah dijelaskan lebih rinci pada (b). (b) daerah validasi TMPA 3B42RT diindikasikan dalam beberapa warna. Setiap kotak mewakili 0.25o x 0.25o sel grid satelit. Titik hitam adalah lokasi stasiun cuaca (Sumber: Vernimmen et. al, 2012 ) ...3

3 Perbandingan data TMPA 3B42 bulanan dengan stasiun cuaca pada enam daerah (Jakarta, Bogor, Bandung, Lampung, Jawa Timur dan Banjar Baru) tahun 2003 samapai 2008 (Sumber: Vernimmen et. al, 2012) ...3

4 Piksel TRMM 3B42 harian 0.25o x 0.25o yang digunakan untuk daerah (a). Cuzco dan (b). La Paz. (Sumber: Scheel et al, 2011) ...4

5 Koefisien korelasi linear antara TRMM 3B42 dengan data stasiun cuaca untuk satu grid 0.25o X 0.25o pada daerah Cuzco dan La Paz (Sumber: Scheel et al, 2011 ) ...4

6 Pembangkit data cuaca (Sumber: Handoko et al. 1994) ...5

7 Diagram alir pengolahan data ...6

8 Proses pengambilan data 1 pixel dari kumpulan citra 3B42 TRMM harian ...8

9 Format penataan database data netCDF TRMM 3B42 harian ... 8

10 Diagram alir algoritma pembaca netCDF ... 9

11 Contoh hasil keluaran program untuk unsur cuaca curah hujan global 50o LU – 50o LS... 10

12 Hasil resampling DEM SRTM menjadi resolusi 0.25o x 0.25o ... 11

13 Program data flow diagram ... 11

14 Contoh hasil keluaran program untuk unsur cuaca curah hujan ... 12

15 Contoh hasil keluaran program untuk unsur cuaca lama penyinaran ... 12

16 Contoh hasil keluaran program untuk unsur cuaca radiasi ... 12

17 Contoh hasil keluaran program untuk unsur cuaca suhu maksimum ... 12

18 Contoh hasil keluaran program untuk unsur cuaca suhu minimum... 13

19 Contoh hasil keluaran program untuk unsur cuaca suhu rataan ... 13

(12)

I. PENDAHULUAN

1.1 Latar Belakang

Penelitian bidang meteorologi memiliki banyak hambatan. Salah satu hambatan yang sering dialami oleh para ahli di negara berkembang seperti Indonesia adalah data cuaca. Data cuaca sulit didapatkan karena sebaran stasiun meteorologi di Indonesia masih sedikit.

Banyak metode yang dilakukan oleh para ahli untuk membangkitkan data. Sampai saat

ini sudah banyak metode untuk

membangkitkan data cuaca secara temporal atau spasial. Salah satu metode yang sedang dikembangkan saat ini adalah pemodelan data cuaca dengan menggunakan citra satelit.

Pembangkitan data cuaca dengan menggunakan pemodelan data citra satelit sudah banyak dikembangkan di seluruh dunia. Banyak organisasi melakukan hal ini seperti NASA dan JAXA.

Pemodelan satelit TRMM menghasilkan data curah hujan harian seluruh dunia. Dari data ini dan Digital Elevation Model (DEM) dapat membangkitkan beberapa parameter cuaca seperti lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan dan kelembaban nisbi.

1.2 Tujuan Penelitian

Tujuan penelitian ini adalah:

1. Mengembangkan program pengekstrak data curah hujan dari data satelit TRMM 3B42 harian,

2. Mengembangkan sistem pembangkitan data cuaca dengan data masukan data TRMM 3B42 harian dan DEM SRTM.

II. TINJAUAN PUSTAKA

2.1 File NetCDF

NetCDF (network common data format) dikembangkan oleh Unidata Program Center. Unidata merupakan bagian dari University Corporation for Atmospheric Research

(UCAR) Community Programs (UCP). Unidata didanai oleh National Science Foundation.

Aplikasi-aplikasi atmosfer mengunakan netCDF untuk menyimpan berbagai tipe data seperti pengamatan data titik, time series, grid, dan citra satelit atau radar. Banyak organisasi pemodelan iklim mengandalkan data netCDF untuk penyimpanan data.

Ching (2007) menyatakan bahwa netCDF menyimpan data dalam bentuk setdata yang berorientasi array. File ini mengandung dimensi, variabel, dan atribut. Isi file netCDF dibagi menjadi dua bagian yaitu header file

dan array data. Header berisi semua informasi (metadata) tentang dimensi, atribut, dan variabel kecuali untuk data variabel itu sendiri, sedangkan bagian data berisi array dari nilai variabel (data mentah).

Beberapa organisasi (NOAA, NASA, dll) mengunakan file netCDF untuk menyimpan hasil-hasil dari pemodelan citra satelit yang sudah menjadi parameter cuaca seperti curah hujan, suhu udara pada beberapa tingkat, angin, kelembaban nisbi, radiasi, penutupan awan dll. Model-model atmosfer yang baru dapat dibuat dengan data masukan file tersebut apabila metode pembacaan dan penulisan file

netCDF telah dipahami.

(13)

Gambar 1 Pemrosesan data TRMM (Sumber: http://disc.sci.gsfc.nasa.gov)

2.2 Satelit TRMM

Satelit TRMM (Tropical Rainfall Measuring Mission) yang diluncurkan pada tanggal 27 Nopember 1997 dengan membawa 5 sensor utama yaitu PR (Precipitation Radar), TMI (TRMM Microwave Imager), VIRS (Visible Infrared Scanner), LIS (Lightning Imaging Sensor) dan CERES (Clouds and Earth’s Radiant Energy System). Satelit TRMM dapat menghasilkan set data curah hujan yang baik untuk daerah di atas daratan maupun di atas lautan. Resolusi spasial satelit TRMM bervariasi yaitu 0,25º x 0,25º; 0,5º x 0,5º; 1,0º x 1,0º dan 5,0º x 5,0º dan resolusi temporal dari tiap 3 jam-an (3-hourly) sampai bulanan (monthly). Data satelit TRMM ini tersedia dalam rentang pengamatan Januari 1998 sampai sekarang (Juni 2011). Satelit TRMM tersebut merupakan hasil kerjasama dua badan antariksa nasional, yaitu Amerika

Serikat (NASA : National Aeronautics and Space Administration) dan Jepang (NASDA :

National Space Development Agency of Japan; sekarang berubah menjadi JAXA : Japan Aerospace Exploration Agency). Satelit TRMM memiliki orbit polar ( non-sun-synchronous) dengan inklinasi sebesar 35º terhadap ekuator, berada pada ketinggian orbit 350 km (pada awal diluncurkan), dan diubah ketinggian orbitnya menjadi 403 km sejak 24 Agustus 2001 sampai sekarang. Pengoperasian satelit TRMM pada ketinggian orbit 403 km ini dikenal dengan istilah TRMM boost. Satelit TRMM ini mengitari bumi sebanyak 16 kali per hari, setiap 92,5 menit.

2.2.1. Data TRMM 3B42 Harian

(14)

Gambar 2 (a) Peta Indonesia (dan Malaysia, Brunei, Singapur, Papua New Guinae dan Timor-timor). Kotak merah dijelaskan lebih rinci pada (b). (b) daerah validasi TMPA 3B42RT diindikasikan dalam beberapa warna. Setiap kotak mewakili 0.25o x 0.25o sel grid satelit. Titik hitam adalah lokasi stasiun cuaca (Sumber: Vernimmen et al. 2012 )

Gambar 3 Perbandingan data TMPA 3B42 bulanan dengan stasiun cuaca pada enam daerah (Jakarta, Bogor, Bandung, Lampung, Jawa Timur dan Banjar Baru) tahun 2003 samapai 2008 (Sumber: Vernimmen et al. 2012)

gabungan antara TRMM Precipitation Radar (PR) dan TRMM Microwave Imager

(TMI) beserta citra meteorologi Microwave dan Infrared lainnya (Huffman et al. 2007). TMPA terbagi dalam dua tipe data yaitu tipe 3B42 yang memiliki resolusi temporal 3 jam dan harian dan tipe 3B43 yang memiliki reolusi temporal bulanan.

Data TRMM 3B42 daily merupakan data level 3 hasil dari pengolahan data 1B01, 2A12, 3B31, 3A44 dan Global Precipitation Index (GPI). Algoritma pembentukan data TRMM 3B42 daily dapat dilihat pada Gambar1. Data TRMM 3B42 mengandung nilai curah hujan harian global (50o LU - 50o

LS) dengan resolusi spasial 0.25o x 0.25o dan resolusi temporal harian.

(15)

(a) (b)

Gambar 4 Piksel TRMM 3B42 harian 0.25o x 0.25o yang digunakan untuk daerah (a). Cuzco dan (b). La Paz.(Sumber: Scheel et al. 2011)

Gambar 5 Koefisien korelasi linear antara TRMM 3B42 dengan data stasiun cuaca untuk satu grid 0.25o X 0.25o pada daerah Cuzco dan La Paz (Sumber: Scheel et a., 2011 )

2.2.2. Korelasi Data TRMM terhadap data stasiun

Banyak penelitian diberbagai negara melakukan uji korelasi data TRMM terhadap data stasiun. Uji korelasi ini dilakukan untuk menguji kelayakan data TRMM untuk digunakan dalam suatu analisis kajian lebih lanjut. dilihat pada Gambar2. Dari hasil uji korelasi dari data TMPA 3B42 bulanan dengan stasiun cuaca menghasil koefisien determinasi sebesar 0,78. Grafik korelasi ini dapat dilihat pada Gambar3.

Di negara India, telah dilakukan kajian uji korelasi data satelit TRMM 3B42 terhadap data seluruh stasiun cuaca oleh Narayanan et al (2005). Dari hasil uji

korelasi dari data TMPA 3B42 menunjukan bahwa koefisien determinasi paling tertinggi pada data bulanan (r2=0.92) dibandingkan 5-hari (r2=0.89) dan harian (r2=0.79).

Scheel et al (2011) melakukan kajian uji korelasi data satelit TRMM 3B42 terhadap data stasiun cuaca di negara Peru dan Bolivia. Data stasiun cuaca yang digunakan di dapatkan dari The Peruvian national meteorological and hydrological service

yaitu stasiun Cuzco Aeropuerto, Granja Kcayra, Cay Cay dan Paruro pada tahun 1998 sampai 2008 yang berada di dalam

(16)

Gambar 6 Pembangkit Data Cuaca(Sumber: Handoko et al. 1994)

2.3 Model Pembangkitan Data Cuaca Harian

Pembangkitan data cuaca harian (lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan, dan kelembaban nisbi) dikembangkan oleh Handoko et al.

(1994). Data dibangkitkan dengan menggunakan persamaan empiris. Tujuan awal dari pembangkitan data adalah membangkitkan data sebagai data input

untuk model simulasi pertanian yang membutuhkan data harian.

Pembangkit data ini telah diuji oleh Fatimah (1995). Hasil uji statistik (analisis regresi, koefisien korelasi, berbandingan nilai rata-rata dan nilai standar deviasi antara model dan pengukuran serta uji t) menunjukan bahwa model ini mampu membangkitkan unsur-unsur cuaca/iklim dengan baik (r ≥ 0,9), terutama untuk unsur cuaca suhu minimum, suhu maksimum, lama penyinaran dan radiasi surya (nilai

absolute error < 5%) dan cukup baik untuk unsur cuaca kelembaban udara (nilai

absolute error > 5%). Model ini juga dapat digunakan untuk membangkitkan data cuaca baik pada lintang selatan maupun lintang utara dan pada ketinggian yang berbeda. Unsur-unsur cuaca/iklim dapat dibangkitkan dengan cukup baik menggunakan model ini pada daerah Indonesia.

Pembangkit data cuaca yang dikembangkan oleh Handoko et al. (1994) memiliki dua bagian yaitu pembangkit data

curah hujan harian dari curah hujan bulanan dan pembangkit data cuaca harian dari data curah hujan harian (Lihat Gambar6). Bagian satu, pembangkit data curah hujan harian dari curah hujan bulanan, menggunakan persamaam peluang hujan untuk membangkitkan curah hujan harian. Input

dari bagian ini adalah curah hujan bulanan dan hari hujan dan output bagian ini adalah curah hujan harian dengan satuan mm/hari. Bagian dua, pembangkit data cuaca harian, menggunakan persamaan empiris untuk membangkitkan data cuaca. Data cuaca yang dapat dibangkitkan yaitu lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan, dan kelembaban nisbi.

III. METODOLOGI

3.1 Alat dan Bahan

Alat yang digunakan dalam penelitian ini adalah:

 ArcGIS 9.3

 Microsoft Visual Basic 6

Bahan yang digunakan dalam penelitian ini adalah:

 Data Satelit TRMM 3B42 Harian

 Data DEM (Digital Elevation Model) SRTM

M enghit ung Hujan Harian Curah Hujan

Bulanan Hari Hujan

(17)

3.2 Tempat dan Waktu Penelitian Penelitian dilakukan di Lab Meteorologi Terapan. Penelitian berlangsung mulai bulan Januari 2012 sampai Mei 2012.

3.3 Metode Penelitian

3.3.1 Algoritma Pembaca NetCDF Visual Basic 6

Pembaca file NetCDF membutuhkan sebuah Dynamic-Link Library (DLL) file

yang dirancang untuk pembacaan netCDF. Di dalam file ini terdapat banyak fungsi untuk membaca dan menulis data netCDF. Sebuah variabel array yang memiliki dua dimensi (longitude dan latitude) akan dihasilkan dari pembacaan file NetCDF dengan menggunakan fungsi-fungsi yang berada di dalam file DLL.

3.3.2 Cropping Array

Data curah hujan pada suatu lokasi tertentu bisa didapatkan dengan memasukan koordinat lokasi tersebut sebagai nilai indeks dari variabel array yang dihasil dari pembacaan data netCDF. Variabel array ini berisikan nilai curah hujan lokasi yang diinginkan dengan satuannya adalah mm/hari.

3.3.3 Pembangkitan Data Cuaca

Pembangkit data cuaca ini dikembangkan oleh Handoko et al (1994). Pembangkit data cuaca ini memiliki beberpa asumsi yang digunakan. Pertama, input

curah hujan harian terjadi pada pagi hinga sore hari sehingga mempengaruhi lama penyinaran. Kedua, suhu minimum memiliki hubungan dengan suhu titik embun rata-rata harian sehingga suhu minimum dapat menentukan titik embun.

3.3.3.1 Pembangkitan Data Lama Penyinaran

Data lama penyinaran didapatkan dari perkalian antara rasio lama penyinaran terhadap panjang hari (n/N) dengan nilai panjang hari(N).

= / × ………(1)

(sumber: Handoko et al. 1994)

Keterangan:

n : lama penyinaran (jam) N : Panjang Hari (jam)

Rasio lama penyinaran terhadap panjang hari (n/N) merupakan fungsi dari curah hujan harian, longitude dan latitude.

Gambar 7 Diagram alir pengolahan data

/ = ( ,∅,θ)

(18)

= . − . (sumber: Handoko et al. 1994)

Keterangan:

Persamaan baru dibangkitkan dengan persamaan di atas yaitu persamaan

3.3.3.2 Pembangkitan Data Radiasi Data yang digunakan untuk menghitung radiasi adalah data lama penyinaran dan data koordinat dari daerah yang diinginkan. Persamaan yang digunakan untuk menghitung radiasi adalah:

/ = + / ………(4)

Keterangan:

Qo : Radiasi surya harian (MJ/m2)

QA : Radiasi surya di puncak atmosfer

(MJ/m2)

a2 : 0.36 (nilai rata-rata parameter)

= − . − . ∅+ .

Keterangan:

∅ : Lintang (o) θ : Bujur (o)

3.3.3.3 Pembangkitan Data Suhu Data yang digunakan untuk membangkitkan suhu adalah data ketinggian tempat yang didapatkan dari data Digital Elevation Model (DEM) SRTM, data radiasi dan lama penyinaran. Persamaan yang digunakan untuk membangkitkan suhu minimum dan maksimum musiman adalah:

′ ₌ ₋ _. ₋ _………(5) (sumber: Handoko et al. 1994)

Keterangan:

T’max : Suhu maksimum musiman (oC)

T’min : Suhu minimum musiman (oC) ∅ : Lintang (o)

Fluktuasi suhu harian dihitung dengan menggunakan persamaan berikut:

Keterangan:

n/N : Perbandingan lama penyinaran dengan panjang hari

θ : Bujur (o₎

Suhu rataan harian ditentukan dengan persamaan berikut:

3.3.3.4 Pembangkitan Data Kelembaban Nisbi

Data titik embun perlu diketahui terlebih dahulu sebelum menghitung kelembaban nisbi. Data yang digunakan untuk menghitung titik embun adalah data suhu minimum, koordinat dan ketinggian tempat yang diinginkan. Persamaan yang digunakan untuk menghitung titik embun adalah:

= + ………(8)

(19)

Data yang digunakan untuk menghitung kelembaban nisbi adalah data suhu titik embun dan suhu udara. Persamaan yang digunakan untuk menghitung kelembaban nisbi adalah:

= . [ . / ( . ) ] = . [ . / ( . ) ]

= × % ………(9)

Keterangan:

IV HASIL DAN PEMBAHASAN

4.1 Program pengekstrak data curah hujan dari data satelit TRMM 3B42 harian

NetCDF adalah format file yang memiliki sistem array. File ini memiliki beberapa dimensi. Nilai variabel akan didapatkan dengan memasukan nilai dimensi yang diinginkan.

Data TRMM 3B42 harian disimpan dalam format netCDF. netCDF TRMM 3B42 harian memiliki dua dimensi, yaitu

longitude dan latitude. Nilai curah hujan akan didapatkan dengan memasukan nilai

longitude dan latitude yang diinginkan dengan nama variabel HRF.

Kelebihan data netCDF dibandingkan dengan file sequential (*.txt, *.csv) yaitu dalam mengambil data yang berada di tengah file. Nilai variabel yang terdapat di tengah file netCDF dapat langsung diambil dengan memasukan nilai dimensinya. Pengambilan nilai variabel yang terdapat di tengah sequential file (*.txt, *.csv) harus dengan cara membaca nilai satu per satu dari atas hingga nilai yang diinginkan. Hal ini mengakibatkan proses pengolahan data dengan file format netCDF akan lebih cepat dibandingkan format file sequential (*.txt, *.csv). Kelebihan ini sangat bermanfaat untuk mengambil data 1 pixel dari kumpulan citra TRMM 3B42 harian untuk membuat data curah hujan harian disuatu tempat. Proses ini dapat dilihat pada Gambar8.

Gambar 8 Proses pengambilan data 1 pixel dari kumpulan citra 3B42 TRMM harian

Tabel 1 Format array data TRMM 3B42 Longitude Latitude HRF

(mm/day) lebih efisien dalam menggunakan memori lima kali lipat dibandingkan sequential file

(*.txt, *.csv). Berdasarkan hal ini, kita dapat menyimpan data yang sangat banyak dengan memori yang kecil.

File netCDF ditata seperti pada Gambar9, supaya program lebih mudah dalam mengakses file netCDF. Pengguna juga akan lebih mudah untuk memeriksa kelengkapan data atau menambahkan data netCDF TRMM 3B42 harian yang baru kedalam program.

(20)

Pembacaan data netCDF memerlukan beberapa fungsi tambahan dari luar karena Ms. Visual Basic 6 tidak menyediakan fungsi untuk membaca dan menulis data netCDF. Fungsi-fungsi pembacaan dan penulisan data netCDF didapatkan dari file

DLL yang dikeluarkan oleh Unidata. Fungsi-fungsi dalam file DLL yang digunakan yaitu nc_open, nc_inq_dimid, nc_inq_dimlen, nc_inq_varid, nc_get_var _double, nc_close.

Dalam proses pembacaan data netCDF (lihat Gambar10), terdapat dua fungsi yang wajib digunakan untuk melakukan pembacaan data yaitu fungsi membuka (nc_open) dan fungsi menutup (nc_close). Fungsi nc_open digunakan untuk membuka

file netCDF dengan input dua nilai variabel

string yaitu alamat file dan status pembacaan dan satu variabel output yaitu nomor Id. Dalam program ini, nama file memiliki format tanggal (3B42_daily.year.month .day.6.nc) agar mudah dalam membuat alamat file yang diinginkan. Setelah menggunakan fungsi nc_open akan mendapat nomor Id file netCDF yang digunakan dalam proses selanjutnya.

Dalam menentukan panjang indeks dari

array pada file netCDF, dapat digunakan dua fungsi yaitu nc_inq_dimid dan

nc_inq_dimlen. Fungsi nc_inq_dimid

digunkan untuk meminta nomor Id suatu indeks array dari file netCDF. Input fungsi ini adalah dua variabel string yaitu nomor Id data netCDF dan nama indeks array

(longitude atau latitude) dan output fungsi ini adalah satu variabel berisi nomor Id indeks array dari file netCDF. Fungsi

nc_inq_dimlen digunakan untuk meminta nilai panjang indeks. Input fungsi ini adalah dua variabel string yaitu nomor Id data netCDF dan nomor Id indeks dan output

fungsi ini adalah satu variabel berisi nilai panjang array.

Variabel array pada file netCDF dapat dipindahkan ke variabel dalam program menggunakan dua fungsi yaitu nc_inq_varid

dan nc_get_var_double. Fungsi nc_

inq_varid digunakan untuk meminta Gambar 10 Diagram alir algoritma pembaca netCDF File Path Write Status

(21)

Gambar 11 Contoh Hasil Keluaran Program untuk Unsur Cuaca Curah Hujan global 50o LU – 50o LS

Tabel 2 Contoh Hasil Keluaran Program untuk Data Curah Hujan titik global 50o LU – 50o LS

Year Month Day

netCDF. Input fungsi ini adalah dua variabel

string yaitu nomor Id data netCDF dan nama variabel array (nama variabel untuk TRMM 3B42 adalah HRF) dan output fungsi ini adalah satu variabel berisi nomor Id variabel

array. Fungsi nc_get_var_double digunkan untuk memindahkan variabel array data netCDF ke variabel array pada program. pada Gambar11 dan Tabel2.

4.2 Sistem pembangkitan data cuaca dengan data masukan data TRMM 3B42 harian dan DEM SRTM Pembangkit data cuaca yang dikembangkan oleh Handoko et al. (1994) memiliki dua bagian yaitu pembangkit data curah hujan harian dari curah hujan bulanan

dan pembangkit data cuaca harian dari data curah hujan harian. Bagian modul yang digunkan dalam program ini adalah bagian dua saja yaitu pembangkitan data cuaca harian dari curah hujan harian. Program ini menggunkan bagian dua saja karena input

dari program ini adalah data curah hujan harian dari TRMM 3B42 harian.

Data input dari program ini adalah data curah hujan harian dari TRMM 3B42 harian dan ketinggian tempat dari DEM SRTM. Semua data ini disimpan dalam file netCDF. Algoritma pemograman digunakan untuk membaca file netCDF TRMM 3B42 harian dan DEM SRTM sebagai input program.

DEM SRTM memiliki resolusi spasial 90 x 90 meter. Resolusi citra TRMM 3B42 harian dan DEM SRTM harus disamakan sebelum dilakukan overlay. Penyamaan resolusi spasial dilakukan dengan proses

resampling citra SRTM dari resolusi 90 x 90 meter menjadi 0.25o x 0.25o. hasil resampling citra SRTM dapat dilihat pada Gambar12

(22)

Gambar 12 Hasil Resampling DEM SRTM menjadi resolusi 0.25o x 0.25o

Aliran data dari program ini dapat dilihat pada Gambar13. Aliran data pada data flow diagram (DFD) program ini dibagi menjadi dua baigan, yaitu membangkitkan data cuaca spasial dan membangkitkan data cuaca titik

time series. Pada aliran data membangkitkan data cuaca spasial, user memasukan nilai koordinat dan tanggal kedalam proses membangkitkan data cuaca spasial. Proses membangkitkan data cuaca spasial akan memasukan tanggal ke database Data TRMM 3B42 dan DEM SRTM. Database membangkitkan data cuaca time series, user

memasukan nilai koordinat dan rentang tahun kedalam proses membangkitkan data cuaca time series. Proses membangkitkan data cuaca time series akan memasukan menjadi dua jenis yaitu data spasial dan time series. Hasil output data spasial dan time series dapat dilihat pada Gambar14-20 dan Tabel3.

(23)

Gambar 14 Contoh hasil keluaran program untuk unsur cuaca curah hujan

Gambar 15 Contoh hasil keluaran program untuk unsur cuaca lama penyinaran

Gambar 16 Contoh hasil keluaran program untuk unsur cuaca radiasi

(24)

Gambar 18 Contoh hasil keluaran program untuk unsur cuaca suhu minimum

Gambar 19 Contoh hasil keluaran program untuk unsur cuaca suhu rataan

Gambar 20 Contoh hasil keluaran program untuk unsur cuaca kelembaban nisbi

Tabel 3 Contoh hasil keluaran program untuk data titik time series

Year Month Day Rain (mm)

Sunshine (Hour)

Radiation (MJ/m2/day)

Tmax (oc)

Tmin (oc)

Tmean (oc)

RH (%) 2000 1 1 0 7.2 20.6 20.4 31.0 25.7 75 2000 1 2 9 5.4 19.1 20.7 30.7 25.7 76 2000 1 3 2 6.5 20.0 20.5 30.8 25.7 75 2000 1 4 34 1.5 15.6 21.3 30.0 25.6 79

… … … …

(25)

BAB V SIMPULAN DAN SARAN

5.1 Kesimpulan

Nilai curah hujan dari citra TRMM 3B42 daily telah berhasil diekstrak menjadi sebuah variabel array dua dimensi(longitude dan

latitude) yang siap untuk digunakan dengan menggunakan Dynamic-Link Library (DLL)

file yang dirancang untuk pembacaan file

NetCDF.

Beberapa unsur cuaca seperti curah hujan, lama penyinaran, radiasi, suhu maksimum, suhu minimum, suhu rataan dan kelembaban nisbi dapat dibangkitkan dari data TRMM 3B42 harian dan data DEM SRTM. Tipe data yang dihasilkan adalah data spasial dan data time series. Data ini dapat digunakan untuk daerah-daerah yang belum memiliki stasiun cuaca di Indonesia.

5.2 Saran

Model ini membutuhkan pengujian lebih lanjut untuk korelasi antara data yang dihasilkan oleh pembangkit data cuaca dengan data dari stasiun cuaca.

Program ini diharapkan dapat dilanjutkan dengan program berbasis website yang memiliki geodatabase untuk data hasil keluaran pembangkitan data cuaca harian.

DAFTAR PUSTAKA

Ching A. 2007. Optimizing File System Techniques for Large-Scale Scientific Applications. Northwestern University. Evanston. Illinois.

Fatimah TL. 1995. Pengujian dan Penerapan Model Simulasi Pembangkit Data Cuaca Indonesia. Skripsi. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor

Handoko I. 1994. Model Pembangkitan Data Cuaca Harian di Indonesia Sebagai Masukan Model Simulasi Tanaman. Hibah Bersaing ½ Perguruan Tinggi. Bogor.

Huffman GJ, Adler RF, Bolvin DT, Gu G, Nelkin EJ, Bowman KP, Hong Y, Stocker EF, Wolff DB. 2007. The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-Global,

Multiyear, Combined-Sensor Precipitation Estimates at Fine Scales. Journal of Hydrometeorolog 8:38-55. Narayanan MS, Shah S, Kishtawal CM,

Sathiyamoorthy V, Rajeevan M, Kriplani RH. 2005. Validation of TRMM merge daily rainfall with IMD raingauge analysis over Indian land mass. Space Applications Centre, Ahmedabad,India. Suryantoro A, Halimurrahman, Harjana T.

2008. Variasi Spasiotemporal Curah Hujan Indonesia Berbasis Observasi Satelit TRMM. Prosiding Workshop Aplikasi sains Atmosfer : Sains Atmosfer Dalam Mendukung Pembangunan Berkelanjutan, ISBN 978-979-1458-25-2, Pusat Pemanfaatan Sains Atmosfer dan lklim LAPAN, Bandung 1 Desember 2008, hal. 175-186.

Scheel MLM, Rohrer M, Huggel C, Villar DS, Silvestre E, Huffman GJ. 2010.

Evaluation of TRMM Multi-satellite Precipitation Analysis (TMPA) performance in the Central Andes region and its dependency on spatial and temporal resolution. Journal of Hydrol. Earth Syst. Sci. 15: 2649–2663

Vernimmen RRE, Hooijer A, Mamenun, Aldrian E, Dijk AIJM. 2012. Evaluation and Bias Correction of Satellite Rainfall Data For Drought Monitoring In Indonesia. journal of Hydrol. Earth Syst. Sci. 16:133–146

(26)

LAMPIRAN

Lampiran 1 Source code pembacaan data netCDF pada Ms. Visual Basic 6

‘Pembacaan file netCDF DoEvents

dimName1 = "longitude" dimName2 = "latitude" varName = "hrf"

'Open File

status = nc_open(fileName, NC_NOWRITE, ncid) If status <> 0 Then 'kalau error file tidak ada

MsgBox fileName, vbExclamation, "No File" Exit Sub

Err.Raise Number:=vbObjectError + 1, Description:="Error while opening Netcdf file " &

fileName

FileKosong = FileKosong + 1 End If

'Read dimension

status = nc_inq_dimid(ncid, dimName1, dimId1) If status <> 0 Then

Err.Raise Number:=vbObjectError + 2, Description:="Error : the specified dimension " & dimName & " is not in the Netcdf file"

End If

status = nc_inq_dimid(ncid, dimName2, dimId2) If status <> 0 Then

Err.Raise Number:=vbObjectError + 2, Description:="Error : the specified dimension " & dimName & " is not in the Netcdf file"

End If

status = nc_inq_dimlen(ncid, dimId1, dimLen1) If status <> 0 Then

Err.Raise Number:=vbObjectError + 3, Description:="Error while rereiving dimension length for dimId" & dimId

End If

status = nc_inq_dimlen(ncid, dimId2, dimLen2) If status <> 0 Then

Err.Raise Number:=vbObjectError + 3, Description:="Error while rereiving dimension length for dimId" & dimId

End If

'Read variable

ReDim myVar(1 To dimLen1, 1 To dimLen2)

(27)

Err.Raise Number:=vbObjectError + 4, Description:="Error : the specified variable " & varName & " is not in the Netcdf file"

End If

status = nc_get_var_double(ncid, varid, myVar(1, 1)) If status <> 0 Then

Err.Raise Number:=vbObjectError + 5, Description:="Error while reading variable " & varName & " in the Netcdf file"

End If

'Closing File

status = nc_close(ncid) If status <> 0 Then

(28)

Lampiran 2 Petunjuk penggunaan (User Manual) perangkat lunak WeGet 1.0

Petunjuk penggunaan (

User Manual

) perangkat lunak WeGet 1.0

Perangkat lunak WeGet 1.0 memiliki 4 fungsi utama, yaitu: 1. Membangkitkan data cuaca spasial untuk daerah Indonesia 2. Membangkitkan data cuaca titik time series untuk daerah Indonesia

3. Membaca data TRMM 3B42 harian menjadi data curah hujan harian (mm/hari) global (50o LU – 50o LS)

4. Membaca data TRMM 3B42 harian menjadi data curah hujan titik timeseries (mm/hari) global (50o LU – 50o LS)

I. Membangkitkan data cuaca spasial untuk daerah Indonesia

1. Klik tabSpatial Data

2. Masukan tanggal data yang ingin dimunculkan

(29)

6. Setelah proses selesai, akan muncul tujuh data cuaca spasial pada setiap tabs

7. Gambar hasil running bisa didapatkan dengan cara kilk Menu FileDirectory of Image File

II. Membangkitkan data cuaca titik time series untuk daerah Indonesia

1. Klik tabPoint Data

2. Masukan rentang tahun data yang ingin dimunculkan

(30)

5. Setelah proses selesai, akan muncul tujuh data cuaca titik time series pada Ms. Excel 6. File txt hasil running bisa didapatkan dengan cara kilk Menu FileDirectory of Text

File

III.Membaca data TRMM 3B42 harian menjadia data curah hujan harian (mm/hari) global (50o LU – 50o LS)

1. Klik tab TRMM 3B42 Viewer

2. Klik tabSpatial

3. Masukan tanggal data yang ingin dimunculkan

(31)

6. Setelah proses selesai, akan muncul data curah hujan spasial

7. Gambar hasil running bisa didapatkan dengan cara kilk Menu FileDirectory of Image File

IV.Membaca data TRMM 3B42 harian menjadia data curah hujan titik time series (mm/hari) global (50o LU – 50o LS)

1. Klik tab TRMM Viewer

2. Klik tabPoint

(32)

5. Setelah proses selesai, akan muncul tujuh data cuaca titik time series pada Ms. Excel 6. File txt hasil running bisa didapatkan dengan cara kilk Menu FileDirectory of Text

File

V. Menambah data netCDF TRMM 3B42 yang baru

1. Klik Menu File

2. Klik Directory of TRMM 3B42 Data

3. Buat folder baru dengan nama tahun yang dinginkan

4. Masukan data netCDF TRMM 3B42 yang baru dengan nama file

(33)

ABSTRACT

DICKY SUCIPTO (G24080070). Software Development Daily Weather Data Generator from TRMM 3B42 Daily and Data Digital Elevation Model (DEM) SRTM. Supervised by IDUNG RISDIYANTO S.SI, M.SC.

Meteorology research activities in Indonesia have problem about weather data. Weather data is hard to be obtained because of the lack of meteorology stasion in Indonesia. Weather data generation can be done by using satellite data. One of The Tropical Measuring Mission (TRMM) satellite data that can be used for weather data generation is 3B42 daily containing global daily rainfall value (50o LU - 50o LS). Format of 3B42 daily files are netCDF. NetCDF reading needs some additional function because Ms. Visual Basic 6 does not provide functions to read and write netCDF data. Functions of netCDF reading and writing can be gained from Dynamic-Link Library (DLL) file which is from Unidata. Functions in DLL file that is used are nc_open, nc_inq_dimid, nc_inq_dimlen, nc_inq_varid, nc_get_var _double, nc_close. Array variable will be come out as the result of netCDF reading using functions of netCDF reading. The array variable has two dimensions (longitude and latitude) containing rainfall values in mm/day. The array variable can be processed into ready used spatial data and time series data. Those data and elevation data (DEM SRTM) can generate other weather data such as sun shine duration, radiation, minimum temperature, maximum temperature, mean temperature, and relative humidity. The weather data generation is used empiric approach based on relationship among weather elements.

(34)

ABSTRAK

DICKY SUCIPTO (G24080070). Pengembangan Perangkat Lunak Pembangkit Data Cuaca Harian dari Data Satelit TRMM 3B42 Harian dan Data Digital Elevation Model (DEM) SRTM. Dibimbing oleh IDUNG RISDIYANTO S.SI, M.SC.

Penelitian bidang meteorologi di Indonesia memiliki hambatan dalam hal data cuaca. Data cuaca sulit didapatkan karena sebaran stasiun meteorologi di Indonesia masih sedikit. Pembangkitan data cuaca dapat dilakukan dengan menggunakan data satelit. Salah satu data satelit

TheTropical Rainfall Measuring Mission (TRMM) adalah 3B42 harian yang berisi nilai curah hujan harian global (50o LU - 50o LS). Format file ini adalah format file netCDF. Pembacaan netCDF pada Ms. Visual Basic 6 memerlukan beberapa fungsi tambahan dari luar karena Ms. Visual Basic 6 tidak menyediakan fungsi untuk membaca dan menulis data netCDF. Fungsi-fungsi pembacaan dan penulisan data netCDF didapatkan dari Dynamic-Link Library file (DLL) yang dikeluarkan oleh Unidata. Fungsi-fungsi dalam file DLL yang digunakan adalah nc_open, nc_inq_dimid, nc_inq_dimlen, nc_inq_varid, nc_get_var _double, nc_close. Sebuah variabel array

akan dihasilkan dari hasil pembacaan file netCDF dengan menggunakan fungsi-fungsi pembaca netCDF. Variabel array ini memiliki dua dimensi (longitude dan latitude) dengan berisikan nilai-nilai curah hujan harian dengan satuan mm/hari. Variabel array ini dapat diolah menjadi data spasial dan data time series yang siap digunakan. Data ini dan data ketinggian tempat (DEM SRTM) dapat membangkitkan unsur cuaca lain seperti lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan dan kelembaban nisbi. Pembangkitan data ini menggunakan pendekatan empirik berdasarkan hubungan antar unsur-unsur cuaca.

(35)

I. PENDAHULUAN

1.1 Latar Belakang

Penelitian bidang meteorologi memiliki banyak hambatan. Salah satu hambatan yang sering dialami oleh para ahli di negara berkembang seperti Indonesia adalah data cuaca. Data cuaca sulit didapatkan karena sebaran stasiun meteorologi di Indonesia masih sedikit.

Banyak metode yang dilakukan oleh para ahli untuk membangkitkan data. Sampai saat

ini sudah banyak metode untuk

membangkitkan data cuaca secara temporal atau spasial. Salah satu metode yang sedang dikembangkan saat ini adalah pemodelan data cuaca dengan menggunakan citra satelit.

Pembangkitan data cuaca dengan menggunakan pemodelan data citra satelit sudah banyak dikembangkan di seluruh dunia. Banyak organisasi melakukan hal ini seperti NASA dan JAXA.

Pemodelan satelit TRMM menghasilkan data curah hujan harian seluruh dunia. Dari data ini dan Digital Elevation Model (DEM) dapat membangkitkan beberapa parameter cuaca seperti lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan dan kelembaban nisbi.

1.2 Tujuan Penelitian

Tujuan penelitian ini adalah:

1. Mengembangkan program pengekstrak data curah hujan dari data satelit TRMM 3B42 harian,

2. Mengembangkan sistem pembangkitan data cuaca dengan data masukan data TRMM 3B42 harian dan DEM SRTM.

II. TINJAUAN PUSTAKA

2.1 File NetCDF

NetCDF (network common data format) dikembangkan oleh Unidata Program Center. Unidata merupakan bagian dari University Corporation for Atmospheric Research

(UCAR) Community Programs (UCP). Unidata didanai oleh National Science Foundation.

Aplikasi-aplikasi atmosfer mengunakan netCDF untuk menyimpan berbagai tipe data seperti pengamatan data titik, time series, grid, dan citra satelit atau radar. Banyak organisasi pemodelan iklim mengandalkan data netCDF untuk penyimpanan data.

Ching (2007) menyatakan bahwa netCDF menyimpan data dalam bentuk setdata yang berorientasi array. File ini mengandung dimensi, variabel, dan atribut. Isi file netCDF dibagi menjadi dua bagian yaitu header file

dan array data. Header berisi semua informasi (metadata) tentang dimensi, atribut, dan variabel kecuali untuk data variabel itu sendiri, sedangkan bagian data berisi array dari nilai variabel (data mentah).

Beberapa organisasi (NOAA, NASA, dll) mengunakan file netCDF untuk menyimpan hasil-hasil dari pemodelan citra satelit yang sudah menjadi parameter cuaca seperti curah hujan, suhu udara pada beberapa tingkat, angin, kelembaban nisbi, radiasi, penutupan awan dll. Model-model atmosfer yang baru dapat dibuat dengan data masukan file tersebut apabila metode pembacaan dan penulisan file

netCDF telah dipahami.

(36)

Gambar 1 Pemrosesan data TRMM (Sumber: http://disc.sci.gsfc.nasa.gov)

2.2 Satelit TRMM

Satelit TRMM (Tropical Rainfall Measuring Mission) yang diluncurkan pada tanggal 27 Nopember 1997 dengan membawa 5 sensor utama yaitu PR (Precipitation Radar), TMI (TRMM Microwave Imager), VIRS (Visible Infrared Scanner), LIS (Lightning Imaging Sensor) dan CERES (Clouds and Earth’s Radiant Energy System). Satelit TRMM dapat menghasilkan set data curah hujan yang baik untuk daerah di atas daratan maupun di atas lautan. Resolusi spasial satelit TRMM bervariasi yaitu 0,25º x 0,25º; 0,5º x 0,5º; 1,0º x 1,0º dan 5,0º x 5,0º dan resolusi temporal dari tiap 3 jam-an (3-hourly) sampai bulanan (monthly). Data satelit TRMM ini tersedia dalam rentang pengamatan Januari 1998 sampai sekarang (Juni 2011). Satelit TRMM tersebut merupakan hasil kerjasama dua badan antariksa nasional, yaitu Amerika

Serikat (NASA : National Aeronautics and Space Administration) dan Jepang (NASDA :

National Space Development Agency of Japan; sekarang berubah menjadi JAXA : Japan Aerospace Exploration Agency). Satelit TRMM memiliki orbit polar ( non-sun-synchronous) dengan inklinasi sebesar 35º terhadap ekuator, berada pada ketinggian orbit 350 km (pada awal diluncurkan), dan diubah ketinggian orbitnya menjadi 403 km sejak 24 Agustus 2001 sampai sekarang. Pengoperasian satelit TRMM pada ketinggian orbit 403 km ini dikenal dengan istilah TRMM boost. Satelit TRMM ini mengitari bumi sebanyak 16 kali per hari, setiap 92,5 menit.

2.2.1. Data TRMM 3B42 Harian

(37)

Gambar 2 (a) Peta Indonesia (dan Malaysia, Brunei, Singapur, Papua New Guinae dan Timor-timor). Kotak merah dijelaskan lebih rinci pada (b). (b) daerah validasi TMPA 3B42RT diindikasikan dalam beberapa warna. Setiap kotak mewakili 0.25o x 0.25o sel grid satelit. Titik hitam adalah lokasi stasiun cuaca (Sumber: Vernimmen et al. 2012 )

Gambar 3 Perbandingan data TMPA 3B42 bulanan dengan stasiun cuaca pada enam daerah (Jakarta, Bogor, Bandung, Lampung, Jawa Timur dan Banjar Baru) tahun 2003 samapai 2008 (Sumber: Vernimmen et al. 2012)

gabungan antara TRMM Precipitation Radar (PR) dan TRMM Microwave Imager

(TMI) beserta citra meteorologi Microwave dan Infrared lainnya (Huffman et al. 2007). TMPA terbagi dalam dua tipe data yaitu tipe 3B42 yang memiliki resolusi temporal 3 jam dan harian dan tipe 3B43 yang memiliki reolusi temporal bulanan.

Data TRMM 3B42 daily merupakan data level 3 hasil dari pengolahan data 1B01, 2A12, 3B31, 3A44 dan Global Precipitation Index (GPI). Algoritma pembentukan data TRMM 3B42 daily dapat dilihat pada Gambar1. Data TRMM 3B42 mengandung nilai curah hujan harian global (50o LU - 50o

LS) dengan resolusi spasial 0.25o x 0.25o dan resolusi temporal harian.

(38)

(a) (b)

Gambar 4 Piksel TRMM 3B42 harian 0.25o x 0.25o yang digunakan untuk daerah (a). Cuzco dan (b). La Paz.(Sumber: Scheel et al. 2011)

Gambar 5 Koefisien korelasi linear antara TRMM 3B42 dengan data stasiun cuaca untuk satu grid 0.25o X 0.25o pada daerah Cuzco dan La Paz (Sumber: Scheel et a., 2011 )

2.2.2. Korelasi Data TRMM terhadap data stasiun

Banyak penelitian diberbagai negara melakukan uji korelasi data TRMM terhadap data stasiun. Uji korelasi ini dilakukan untuk menguji kelayakan data TRMM untuk digunakan dalam suatu analisis kajian lebih lanjut. dilihat pada Gambar2. Dari hasil uji korelasi dari data TMPA 3B42 bulanan dengan stasiun cuaca menghasil koefisien determinasi sebesar 0,78. Grafik korelasi ini dapat dilihat pada Gambar3.

Di negara India, telah dilakukan kajian uji korelasi data satelit TRMM 3B42 terhadap data seluruh stasiun cuaca oleh Narayanan et al (2005). Dari hasil uji

korelasi dari data TMPA 3B42 menunjukan bahwa koefisien determinasi paling tertinggi pada data bulanan (r2=0.92) dibandingkan 5-hari (r2=0.89) dan harian (r2=0.79).

Scheel et al (2011) melakukan kajian uji korelasi data satelit TRMM 3B42 terhadap data stasiun cuaca di negara Peru dan Bolivia. Data stasiun cuaca yang digunakan di dapatkan dari The Peruvian national meteorological and hydrological service

yaitu stasiun Cuzco Aeropuerto, Granja Kcayra, Cay Cay dan Paruro pada tahun 1998 sampai 2008 yang berada di dalam

(39)