PROYEKSI PERUBAHAN CURAH HUJAN EKSTRIM
DI INDONESIA BERDASARKAN SKENARIO
REPRESENTATIVE CONCENTRATION PATHWAYS (RCP)
ALVIN GUSTOMY
DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Proyeksi Perubahan Curah Hujan Ekstrim di Indonesia Berdasarkan Skenario Representative Concentration Pathways (RCP) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
ALVIN GUSTOMY. Proyeksi Perubahan Curah Hujan Ekstrim di Indonesia Berdasarkan Skenario Representative Concentration Pathways (RCP). Dibimbing oleh AKHMAD FAQIH.
Perubahan iklim mempengaruhi fenomena iklim/ cuaca di berbagai belahan dunia yang berdampak pada berbagai aktivitas kehidupan manusia, salah satunya yaitu curah hujan ekstrim. Tujuan penelitian ini adalah menganalisis intensitas dan peluang curah hujan ekstrim pada periode tahun 1981-2005 (baseline), serta perubahannya pada periode tahun 2011-2035 (proyeksi) di Indonesia. Proyeksi curah hujan ekstrim dilakukan berdasarkan skenario perubahan iklim Representative Concentration Pathways (RCP). Nilai curah hujan ekstrim diidentifikasi menggunakan parameter Generalized Extreme Value (GEV), serta perubahan wilayah dan peluang kejadian ekstrim dianalisis menggunakan analisis cluster dan Probability Density Function (PDF). Berdasarkan hasil model proyeksi curah hujan ekstrim dengan parameter GEV, secara umum terjadi peningkatan nilai parameter lokasi (µ), dan penurunan nilai parameter skala (σ), serta proyeksi parameter bentuk (ξ) yang cenderung negatif. Hal ini menunjukkan bahwa peluang curah hujan ekstrim dengan intensitas tinggi diproyeksikan akan cenderung semakin meningkat. Hasil proyeksi juga menunjukkan bahwa berdasarkan analisis cluster dan PDF, wilayah dengan intensitas dan peluang curah hujan ekstrim yang tinggi semakin meluas. Secara keseluruhan terdapat tren peningkatan curah hujan ekstrim pada periode 2011-2035 dengan kecenderungan curah hujan ekstrim akan lebih sering terjadi, lebih luas, dan meningkat intensitasnya dibandingkan periode 1981-2005.
ABSTRACT
ALVIN GUSTOMY. Projection of Extreme Precipitation Change in Indonesia Based on Representative Concentration Pathways (RCP) Scenario. Supervised by AKHMAD FAQIH.
Climate change is affecting climate/weather phenomenon throughout the world, and it has impacts on various activities in human's life. One of the weather phenomena which is affected by climate change is extreme precipitation. The purpose of this research is to analyze the intensity and probability of extreme precipitation in the period of 1981-2005 (baseline), as well as their changes in the period of 2011-2035 (projection) in Indonesia. The projection of extreme precipitation was made based on Representative Concentration Pathways (RCP) climate change scenario, the value of extreme precipitation was identified using Generalized Extreme Value (GEV), and the change of area and probability of extreme occurrences were analyzed using cluster analysis and Probability Density Function (PDF). Based on the result of extreme precipitation projection model using GEV parameter, in general there was an increase of location parameter's (µ)
value, a decrease in the scale parameter's (σ) value, and the projection of form
parameter (ξ) had a negative tendency. The result of projection also shows that, based on the result of cluster analysis and PDF, the areas with high intensity and probability of extreme precipitation are getting larger. Therefore, there is a trend of overall increase of extreme precipitation in the period of 2011-2035 with the tendency that extreme precipitation would occur more frequently, with higher intensity, and affecting a larger area compared to the period of 1981-2005.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
pada
Departemen Geofisika dan Meteorologi
PROYEKSI PERUBAHAN CURAH HUJAN EKSTRIM
DI INDONESIA BERDASARKAN SKENARIO
REPRESENTATIVE CONCENTRATION PATHWAYS (RCP)
NAMA PENULIS
DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2016
Judul Skripsi : Proyeksi Perubahan Curah Hujan Ekstrim di Indonesia Berdasarkan Skenario Representative Concentration Pathways (RCP)
Nama : Alvin Gustomy NIM : G24110065
Disetujui oleh
Dr Akhmad Faqih Pembimbing
Diketahui oleh
Dr Ir Tania June, M.Sc Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ini ialah curah hujan ekstrim, dengan judul Proyeksi Perubahan Curah Hujan Ekstrim di Indonesia Berdasarkan Skenario Representative Concentration Pathways (RCP).
Terima kasih penulis ucapkan kepada Bapak Dr Akhmad Faqih selaku pembimbing yang telah banyak memberikan pengetahuan dan waktu untuk membimbing penulis sehingga penelitian dan penulisan tugas akhir ini dapat diselesaikan. Kepada Ibu Dr Tania June, Msc selaku Ketua Departemen, seluruh dosen Laboratorium Klimatologi, dan seluruh staf Departemen Geofisika dan Meteorologi kami tak lupa ucapkan terima kasih.
Di samping itu, penghargaan penulis sampaikan kepada Mr Michael Bell dari IRI atas segala bantuan informasi yang kami butuhkan. Ucapan terimakasih juga penulis sampaikan kepada Kak Enggar dan Kak Basit yang juga membantu penulis dalam menyelesaikan tugas akhir. Teman-teman Laboratorium Klimatologi Pradit, Rizky, Galuh, Hawa, Adit, Atu, Erika, Lutha, Lutfi, Ridwan, Lina, Afni, Udin dan teman satu bimbingan Radini dan Taufik terima kasih atas bantuan dan dukungan yang diberikan kepada penulis. Ungkapan terima kasih juga disampaikan kepada Ayah dan Ibuku tercinta, Suroto dan Puji Astuti, atas segala doa dan kasih sayangnya yang tulus kepada penulis. Juga kakak-kakak (Adi Bramasto dan Dimas Andrianto) atas doa dan kesabarannya.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL xii
DAFTAR GAMBAR xii
DAFTAR LAMPIRAN xiii
PENDAHULUAN 15
Latar Belakang 15
Tujuan Penelitian 15
METODE 2
Data 2
Alat 2
Prosedur Analisis Data 2
HASIL DAN PEMBAHASAN 9
Koreksi dan Validasi Data 9
Downscalling statistik dengan CCA 11
Analisis Spasial Parameter GEV 13
Analisis Cluster Curah Hujan Ekstrim di Indonesia 17 Analisis Cluster Wilayah di Indonesia Menggunakan PDF 18 Analisis Perubahan Spasial Cluster Curah Hujan Ekstrim 20
SIMPULAN DAN SARAN 23
Simpulan 23
Saran 24
DAFTAR PUSTAKA 25
LAMPIRAN 26
RIWAYAT HIDUP 34
DAFTAR TABEL
1 2 3
Lokasi, koordinat, dan periode data curah hujan observasi Kriteria intensitas curah hujan di wilayah Indonesia
Korelasi dan FK data curah hujan observasi dengan data curah hujan CHIRPS tahun 1981-2005
3 6 9
4 Korelasi kanonik model M1, M2, dan M3 12
5 Nilai dugaan parameter GEV tiap cluster pada masing-masing model 17 6 Karakteristik cluster berdasarkan parameter GEV 20
7 Perbandingan jumlah cluster model 22
DAFTAR GAMBAR
1 Sebaran 24 titik stasiun observasi 3
2 3 4
Emisi antropogenik CO2 tahunan
Kurva sebaran nilai ekstrim
Perbandingan antara data curah hujan observasi, CHIRPS, dan CHIRPS koreksi tahun 1981-2005
Spatial loading a) X (GCM) dan b) Y (CHIRPS) dan c) temporal score
Scree plot a) X (GCM) dan b) Y (CHIRPS)
Skill forecast hasil downscalling statistik menggunakan metode CCA model a) M1, b) M2, c) M3
10 11 11 12 9 Baseline parameter lokasi µ periode tahun 1981-2005 13 10 Proyeksi parameter lokasi µ model a) M1, b) M2, c) M3, dan d)
Rataan periode tahun 2011-2035
14 11 Baselineparameter skala σ periode tahun 1981-2005 14
12 Proyeksi parameter skala σ model a) M1, b) M2, c) M3, dan d)
Rataan periode tahun 2011-2035
15 13 Baselineparameter bentuk ξ periode tahun 1981-2005 15 14 Proyeksi parameter bentuk ξ model a) M1, b) M2, c) M3, dan d)
Rataan periode tahun 2011-2035
16 15 Perbandingan Probability Density Function (PDF) dari masing
masing model tiap cluster antara baseline dan model proyeksi.
Perbandingan cluster berdasarkan parameter GEV Cluster dengan curah hujan ekstrim tertinggi hingga terendah, yaitu cluster 3 (merah), 1 (jingga), 2 (kuning), 4 (hijau), dan 5 (biru)
Perbandingan distribusi cluster wilayah Indonesia. a) Baseline (CHIRPS), b) M1, c) M2, d) M3, e) Rataan
21
DAFTAR LAMPIRAN
1 Diagram alir penelitian 26
2 Faktor koreksi curah hujan observasi dengan CHIRPS. Curah hujan rata-rata bulanan tahun 1981-2005
Korelasi data curah hujan stasiun observasi dengan CHIRPS Spatial loadings 5 mode model ACCESS
Temporal scores 5 model ACCESS
Scree plot X (GCM) dan Y (CHIRPS) model ACCESS Spatial loadings 5 mode model EC-EARTH
Temporal scores 5 model EC-EARTH
Scree plot X (GCM) dan Y (CHIRPS) model EC-EARTH Spatial loadings 5 mode model MIROC-5
Temporal scores 5 model MIROC-5
Scree plot X (GCM) dan Y (CHIRPS) model MIROC-5
PENDAHULUAN
Latar Belakang
Indonesia sebagai negara kepulauan menjadi salah satu negara yang paling rentan terhadap dampak negatif perubahan iklim. Akibat perubahan iklim global, wilayah Indonesia diproyeksikan akan mengalami perubahan pola serta intensitas curah hujan yang akan meningkatkan risiko banjir dan kekeringan pada musim kemarau. Hal ini memberikan dampak antara lain kekeringan berkepanjangan, banjir, serta bertambahnya frekuensi peristiwa iklim ekstrim yang mempengaruhi kesehatan dan mata pencaharian masyarakat (BAPPENAS 2014). Resiko dampak kerugian di masa mendatang akan dapat ditekan jika proyeksi terhadap cuaca dan iklim ekstrim dapat dilakukan.
Proyeksi curah hujan ekstrim telah disusun oleh Intergovernmental Panel on Climate Change (IPCC) dalam skenario emisi gas rumah kaca yang dikenal dengan SRES. Berdasarkan skenario SRES, proyeksi perubahan curah hujan di Indonesia menunjukkan bahwa adanya peningkatan intensitas dan peluang curah hujan pada tahun 2050 (IPCC 2012). Namun hasil kajian tersebut diestimasi dari resolusi kasar Global Climate Models (GCM) dan skenario lama. Pada penelitian ini, digunakan skenario emisi terbaru yang disebut skenario Representative Concentration Pathways (RCP). Skenario RCP disusun berdasarkan target konsentrasi emisi gas rumah kaca yang ingin dicapai. Terdapat dua pendekatan yang digunakan dalam penelitian, yaitu teknik downscalling statistik dan Generalized Extreme Value (GEV). Teknik downscalling statistik digunakan untuk meningkatkan resolusi spasial dari proyeksi curah hujan. Sedangkan, GEV digunakan untuk memodelkan curah hujan ekstrim di Indonesia yang sangat bermanfaat untuk melihat karakteristik nilai curah hujan ekstrim (Prang 2006).
Melalui kajian proyeksi curah hujan ekstrim di Indonesia ini, diharapkan dapat memberikan gambaran nilai dugaan curah hujan ekstrim yang dapat dijadikan acuan pengkajian lebih lanjut untuk mengantisipasi dampak buruk akibat terjadinya curah hujan yang dikategorikan ekstrim.
Tujuan Penelitian
1. Mengkaji hubungan antara data curah hujan CHIRPS dengan data curah hujan observasi dengan menggunakan analisis korelasi.
2. Membandingkan perubahan spasial curah hujan ekstrim di Indonesia antara periode proyeksi tahun 2011 sampai 2035 dan periode baseline tahun 1981 sampai 2005.
2
METODE
Data
Bahan yang digunakan dalam penelitian, meliputi:
1. Data curah hujan Climate Hazards Group Infrared Precipitation with Station data (CHIRPS) v2p0 (Funk et al. 2014)
2. Data curah hujan harian 24 titik stasiun observasi periode tahun 1981 sampai 2005 untuk validasi data prediktor (Tabel 1).
3. Data indeks curah hujan ekstrim dari database ekstrim WCRP CLIVAR ETCCDI luaran model GCM ACCESS, EC-EARTH, dan MIROC-5 (Sillmann et al. 2013a, 2013b), periode tahun 1981 sampai 2005 (hindcast) dan periode tahun 2011 sampai tahun 2035 (forecast) sebagai prediktan.
Alat
Alat yang digunakan dalam penelitian ini adalah sebuah perangkat laptop dengan software CPT linux versi 14.6.2, MATLAB R2014a, Surfer 10, serta Microsoft Office Excel 2013.
Prosedur Analisis Data
Analisis data dilakukan berdasarkan diagram alir penelitian yang secara skematis ditunjukkan pada Lampiran 1.
Sumber Data
Data CHIRPS v2.0 (Funk et al. 2014) diakses melalui website IRIDL LDEO (http://iridl.ldeo.columbia.edu/SOURCES/.UCSB/.CHIRPS/.v2p0/.daily/.global/. 0p25/.prcp/). Data tersebut merupakan dataset curah hujan global yang dikembangkan oleh Climate Hazard Group, University of California, Santa Barbara. Hasil data curah hujan grid CHIRPS merupakan hasil gabungan data citra satelit dengan data curah hujan stasiun in-situ dan tersedia mulai dari tahun 1981 dengan resolusi spasial 5 x 5 km atau 0.050 x 0.050 dan 25 x 25 km atau 0.250 x 0.250 ( Funk et al. 2014; Dinku 2014).
3 Tabel 1 Lokasi, koordinat, dan periode data curah hujan observasi
No Lokasi/ wilayah stasiun Bujur Lintang Periode 1 Ahmad Yani Semarang 110.374 -6.971 1981-2010 2 Babullah Ternate 136.106 -1.189 1984-2010 3 Blang-bintang Acehh 95.425 5.525 1982-2010 4 Darmaga Bogor 106.749 -6.553 1984-2010 5 ElTari Kupang 123.672 -10.171 1981-2010 6 FransKaiseipo Biak 127.379 0.833 1981-2010 7 HajiAsan Sampit 112.976 -2.501 1997-2010 8 Juanda Surabaya 112.793 -7.377 1981-2010 9 Karang Ploso Malang 112.597 -7.901 1988-2010 10 Kasiguncu Poso 120.643 -1.418 1983-2010 11 Mutiara Palu 119.906 -0.918 1981-2010 12 Ngurah Rai Bali 115.168 -8.748 1981-2010 13 Paloh Kalimantan 109.325 1.808 1983-2010 14 Pangsuma Putusibau 112.935 0.835 1995-2010 15 Raden Inten Lampung 105.175 -5.242 1981-2010 16 Sampali Medan 98.725 3.625 1985-2010 17 Soetha Cengkareng 106.654 -6.126 1985-2010 18 Sultan Hasanudddin 119.568 -5.069 1981-2010 19 Sultan Mahmud Badaruddin 104.7 -2.897 1981-2010 20 Sultan Thaha Jambi 103.641 -1.636 1985-2010 21 Sumbawa NTB 117.412 -8.488 1981-2010 22 Supadio Pontianak 109.405 -0.147 1981-2010 23 Tarakan Kalimantan 117.575 3.325 1981-2010 24 Tjilik Riwut 113.943 -2.226 1981-2010
Gambar 1 Sebaran 24 titik stasiun observasi
Data indeks curah hujan ekstrim dari database ekstrim WCRP CLIVAR
4
http://iridl.ldeo.columbia.edu/SOURCES/.WCRP/.CLIVAR/.ETCCDI/.CMIP5/.rc p45/. Data GCM yang di-download merupakan skenario yang disebut dengan RCP. RCP merupakan skenario perkembangan emisi gas rumah kaca yang telah mempertimbangkan faktor-faktor seperti jumlah penduduk, kegiatan ekonomi, pemakaian energi, pola penggunaan lahan, teknologi, dan kebijakan terkait (IPCC 2013). Skenario-skenario tersebut diberi kode RCP2.6 (skenario rendah emisi), RCP4.5 dan RCP6.0 (skenario emisi menengah), dan RCP8.5 (skenario tinggi emisi). Berikut merupakan gambar hubungan antara skenario-skenario ini dengan jumlah emisi global.
Gambar 2 Emisi antropogenik CO2 tahunan
Berdasarkan gambar 2, ditunjukkan hubungan berbagai skenario dengan konsentrasi gas rumah kaca di atmosfer. Terlihat bahwa skenario RCP2.6 berimpitan dengan skenario konsentrasi gas rumah kaca 430-480 ppm dan 480-530 ppm, skenario RCP4.5 berarti 530-580 dan 580-720 ppm, dan seterusnya. Pada penelitian ini, akan digunakan skenario RCP4.5 yang merepresentasikan skenario perubahan iklim dengan emisi menengah. Parameter GCM yang digunakan adalah data curah hujan 1-hari maksimum bulanan (Monthly Maximum 1-day Precipitation)(mm). Berdasarkan data yang tersedia, periode data dibagi menjadi dua bagian yaitu untuk membangun dan mengembangkan model prediksi (1981-2005) dan membuat prediksi (2011-2035). Resolusi pada data GCM terlalu besar untuk dapat memberikan gambaran interaksi regional dan lokal yang akurat karena sifat data GCM yang mencakup seluruh dunia. Penelitian ini hanya mencakup wilayah Indonesia, maka dilakukan cropping wilayah yang dipilih sesuai dengan lintang dan bujur Indonesia dengan koordinat kiri atas adalah 95 BT; 6 LU dan koordinat kanan bawah adalah 141 BT; 11 LS.
Validasi data
5 regresi, variabel dibedakan menjadi dua bagian, yaitu variabel respon atau variabel bergantung (dependent variable) dan variabel penduga atau variabel bebas (independent variable) (Nawari 2010). Variabel bergantung dinyatakan sebagai fungsi dari variabel bebas yang dirumuskan dalam persamaan:
y=f x …(1)
Nilai y menyatakan dugaan terhadap variabel bergantung, x menyatakan variabel penduga, dan f menyatakan nilai fungsi untuk mendekati y. Curah hujan observasi digunakan sebagai variabel bergantung untuk menyatakan variabel penduga CHIRPS. Berdasarkan rumus tersebut dapat diterangkan bahwa data curah hujan observasi dan CHIRPS akan membangun nilai fungsi sedemikian rupa sehingga data CHIRPS mendekati nilai curah hujan observasi .
Climate Predictability Tool (CPT)
Pada penelitian ini analisis downscalling statistik dilakukan dengan menggunakan metode Analisis Korelasi Kanonik (Canonical Correlation Analysis/ CCA). Perhitungan CCA dilakukan dengan menggunakan perangkat lunak Climate Predictability Tool (CPT). CPT merupakan model prediksi iklim yang menghitung berdasarkan metode statistik. Metode statistik yang digunakan berupa CCA dan Principal Components Regression (PCR) (IRI 2015).
CCA merupakan teknik statistik untuk menganalis hubungan antara dua gugus peubah. Hubungan antara dua gugus peubah bisa berbentuk simetrik dan juga tidak simetrik (Davison et al. 2012). Namun pada penerapan penerapan penelitian ini, dua gugus peubah tersebut tidak diperlakukan secara simetrik. GCM diperlakukan sebagai prediktor (penduga) dan CHIRPS diperlakukan sebagai prediktan (respon). Melalui analisis ini struktur hubungan yang kompleks antara dua gugus peubah dapat dijelaskan.
CCA digunakan untuk mencari kombinasi linear dari p peubah penduga yang berkorelasi maksimum dengan kombinasi linear q peubah respon. Salah satu langkah untuk meningkatkan kualitas data adalah dengan kombinasi linear q peubah respon. Pasangan kombinasi linear antara a’x dan b’y disebut peubah kanonik.
X = a1x1+a2x2+⋯+apxp=a'x…(2)
Y = b1y1+b2y2+⋯+bpyp=b'y…(3)
Korelasi antara X dan Y merupakan fungsi dari a dan b, dinyatakan sebagai berikut: matriks peragam peubah Y; dan ∑ = matriks peragam peubah X dan peubah Y.
Sehingga vektor koefisien dan yaitu:
a=ei∑XX1/2 …(5)
6
Dimana a = vektor pembobot kanonik X ke-i; b = vektor pembobot kanonik Y ke-i; ei = vektor ciri X ke-i; fi = vektor ciri Y ke-i; ∑XX = matriks ragam dari peubah X; berukuran (pxp); ∑YY = matriks ragam dari peubah Y berukuran (qxq); i = 1,
2, …, m; m = min (p, q).
Pada penelitian ini korelasi kanonik dilakukan dengan perangkat lunak CPT, dengan hasil berupa prediksi curah hujan 1-hari maksimum bulanan.
Teori Nilai Ekstrim
Kejadian yang dikategorikan sebagai ekstrim adalah kejadian yang jarang terjadi namun memberikan dampak yang besar dan tidak terduga datangnya. Curah hujan ekstrim adalah contoh kejadian yang bisa membawa dampak besar bagi lingkungan sehingga proyeksi terjadinya kejadian ekstrim diperlukan untuk mengetahui seberapa besar atau seberapa sering terjadi curah hujan ekstrim. Hujan ekstrim pada penelitian ini didefinisikan dari kejadian hujan 1-hari maksimum bulanan. Berdasarkan informasi yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika (BMKG), hujan dalam sehari dibedakan menjadi beberapa kriteria:
Tabel 2 Kriteria intensitas curah hujan di wilayah Indonesia
Kategori Keterangan mengenai kejadian-kejadian ekstrim berdasarkan nilai-nilai ekstrim untuk membentuk fungsi sebaran dari nilai-nilai ekstrim tersebut. Dalam pemodelan nilai maksimum dari suatu peubah acak, EVT akan menyerupai teori limit pusat (central limit theorem) dalam memodelkan jumlah peubah acak (Irfan 2011). Berdasarkan teori ini diketahui bahwa nilai ekstrim curah hujan akan mengikuti fungsi distribusi Generalized Extreme Value (GEV).
7 Fungsi distribusi GEV akan mengikuti tiga sebaran dasar nilai ekstrim. Ketiga bentuk sebaran yang dimaksud adalah sebaran Gumbel, Frechet, dan Weibull, dengan masing-masing persamaan:
Dengan a > 0 adalah parameter skala, µ adalah parameter lokasi, dan a > 0 adalah parameter bentuk. Gambar berikut menunjukkan kurva dari ketiga sebaran nilai ekstrim.
Gambar 3 Kurva sebaran nilai ekstrim
Ketiga sebaran ini memiliki bentuk yang berbeda, dimana parameter bentuk
ξ akan mengarahkan pada tipe sebarannya. Jika parameter ξ > 0 maka akan
mengikuti sebaran Frechet dimana grafik akan condong ke arah kiri (meninggi ke arah kiri). Artinya nilai-nilai curah hujan cenderung berada pada kisaran minimum. Namun fungsi distribusi akan mengikuti sebaran Weibull jika ξ < 0, maka grafik akan condong ke arah kanan (meninggi ke arah kanan) berarti nilai-nilai curah hujan akan cenderung berada pada kisaran maksimum (Prang 2006).
Secara umum, GEV memiliki PDF sebagai berikut:
�, µ, �, � =
8
Analisis Perubahan Wilayah Cluster
Analisis cluster merupakan teknik mereduksi informasi. Informasi dari sejumlah objek akan direduksi menjadi sejumlah kelompok, dimana jumlah kelompok lebih kecil dari jumlah objek. Objek-objek yang sama dikelompokkan dalam satu kelompok sehingga mempunyai tingkat kesamaan yang tinggi dibandingkan dengan objek dari kelompok lain.
9
HASIL DAN PEMBAHASAN
Koreksi dan Validasi Data
Prediksi curah hujan cukup sulit dilakukan karena memiliki keragaman tinggi dan banyaknya permasalahan data, seperti minimnya ketersediaan data, data tidak lengkap/ kosong, dan jumlah stasiun kurang tersebar. Untuk mengatasi permasalahan tersebut, dapat digunakan data estimasi hujan dari satelit atau turunannya yang memiliki cakupan wilayah luas, resolusi spasial dan temporal tinggi. Penelitian ini melakukan validasi dan koreksi data curah hujan CHIRPS terhadap data observasi di Indonesia. Gambar 4 dan Tabel 3 menunjukkan contoh nilai korelasi dan koreksi antara curah hujan observasi dengan curah hujan CHIRPS untuk 8 dari total 24 stasiun. Koreksi dilakukan dengan menggunakan faktor koreksi (FK) yang berbeda untuk masing-masing stasiun. Berdasarkan gambar tersebut, korelasi yang ditunjukkan cukup baik dengan nilai lebih dari 0.5. Namun, terdapat beberapa wilayah dengan korelasi kurang dari 0.5. Meskipun demikian, secara keseluruhan korelasi yang dihasilkan cukup baik sehingga digunakan untuk mewakili wilayah tersebut.
Tabel 3 Korelasi dan FK data curah hujan observasi dengan data curah hujan CHIRPS tahun 1981-2005
10
Untuk wilayah Indonesia, hasil persamaan regresi diperoleh dari gabungan data curah hujan 24 stasiun observasi, sehingga diperoleh nilai FK.
y =0.878 x
Dimana y adalah data curah hujan observasi dan x adalah data curah hujan CHIRPS. Persamaan regresi menunjukkan, data curah hujan CHIRPS dikalikan faktor koreksi sebesar 0.878 sehingga data curah hujan CHIRPS mendekati data observasi.
Gambar 5 Perbandingan antara data curah hujan observasi, CHIRPS, dan CHIRPS koreksi tahun 1981-2005
Berdasakan hasil perbandingan yang dilakukan, diketahui bahwa secara umum pola curah hujan CHIRPS dapat mengikuti pola curah hujan observasi. Kemudian, dilakukan koreksi terhadap data CHIRPS. Hasil koreksi data CHIRPS terhadap data observasi menunjukkan pola yang lebih baik dibandingkan sebelum dilakukan koreksi. Perbandingan dapat dilihat pada grafik yang menunjukkan bahwa pola data curah hujan CHIRPS koreksi semakin mendekati pola data curah hujan observasi dibandingkan sebelum dilakukan koreksi. Sehingga, hasil analisis data curah hujan CHIRPS dapat digunakan untuk prediksi curah hujan wilayah, karena pola dan hasil korelasi menunjukkan ketepatan data curah hujan CHIRPS dengan data observasi yang cukup baik.
11
Downscalling statistik dengan CCA
Downscalling statistik menggunakan perangkat lunak CPT, menghasilkan nilai loading factor. Loading factor merupakan koefisien yang menerangkan tingkat hubungan indikator dengan variabel terukur (curah hujan). Secara umum, semakin tinggi loading factor akan semakin baik (Harrington 2009). Gambar 6 menunjukkan hasil loading factor secara spasial dan temporal. Secara umum, loading factor spasial X dan Y memiliki nilai koefisien yang tinggi di pulau Sulawesi dan Papua, dan memiliki loading factor rendah pada pulau lainnya. Selain itu, downscalling statistik juga menghasilkan persentase keragaman (% variance) yang disajikan dalam bentuk scree plot (Gambar 7). Pada penelitian ini, digunakan lima komponen utama (Principal Component/ PC) CCA. Banyaknya PC terpilih berdasarkan persen keragaman kumulatif atau ukuran yang mampu menjelaskan keragaman total data minimum 80% yang dihasilkan metode CCA. Berdasakan Gambar 7, lima PC telah mampu menjelaskan keragaman dari total data.
a) b)
c)
Gambar 6 Spatial loading a) X (GCM) dan b) Y (CHIRPS) dan c) temporal score
a) b)
12
Tabel 4 menampilkan nilai korelasi kanonik tiap PC pada masing-masing model. Korelasi kanonik adalah nilai korelasi terbesar antara dua peubah (GCM dan CHIRPS) yang digunakan untuk model prediksi. Secara keseluruhan, hasil korelasi kanonik cukup baik dengan nilai korelasi kanonik pada PC 1 lebih besar dari 0.8 kemudian nilai korelasi kanonik semakin berkurang pada PC selanjutnya.
Tabel 4 Korelasi kanonik model M1, M2, dan M3
Model PC
1 2 3 4 5
M1 0.89 0.74 0.53 0.04 0.03
M2 0.84 0.69 0.35 0.12 0.05
M3 0.86 0.61 0.44 0.1 0.09
Downscalling statistik juga menghasilkan peta skill forecast dengan warna merah berkorelasi positif, sedangkan warna biru berkorelasi negatif. Peta skill forecast digunakan untuk melihat tingkat kehandalan model dalam memprakirakan curah hujan ekstrim. Nilai korelasi skill forecast yang semakin mendekati nilai 1 menandakan kemampuan prediksi yang semakin baik. Model M1, M2, dan M3 (Gambar 8) memiliki korelasi positif terutama untuk wilayah pulau Sumatera, Jawa, Sulawesi, dan Papua. Sedangkan berkorelasi negatif terutama pada pulau Kalimantan. Berdasarkan hasil tersebut, terdapat kecenderungan peta skill forecast berwarna merah atau mendekati nilai korelasi 1 sehingga kehandalan model dalam memproyeksikan kejadian curah hujan ekstrim akan cenderung semakin handal.
a) b)
c)
13 Analisis Spasial Parameter GEV
Penelitian membagi dua periode nilai ekstrim curah hujan di Indonesia, yaitu periode tahun 1981 sampai 2005 akan menjadi baseline (data CHIRPS) dan periode tahun 2006 sampai 2035 sebagai proyeksi (data model). Terdapat tiga data model GCM yang digunakan yaitu ACCESS, EC-EARTH, dan MIROC-5. Penulisan ketiga model dalam penelitian ini, secara konsisten akan diubah menjadi M1 (ACCESS), M2 (EC-EARTH), dan M3 (MIROC-5). Untuk mendapatkan nilai ekstrim yang representatif, hasil ketiga model digabungkan dengan cara rata-rata dari ketiga model sehingga menjadi nilai model Rataan.
Kejadian ekstrim curah hujan di Indonesia dianalisis dengan menggunakan parameter metode Generalized Extreme Value (GEV). GEV menghasilkan tiga parameter, yaitu parameter lokasi µ, parameter skala σ, dan parameter bentuk ξ. Interpretasi terhadap parameter lokasi µ menggambarkan letak titik pemusatan data dan parameter skala σ menggambarkan pola keragaman data. Sedangkan parameter bentuk ξ menyatakan perilaku distribusi dari fungsi peluangnya. Prang (2006) menyatakan bahwa, jika ξ ≥ 0 maka fungsi distribusi peluangnya akan mengikuti distribusi Frechet dimana grafik akan lebih condong di sebelah kiri, namun jika
ξ < 0 maka fungsi distribusi peluangnya akan mengikuti distribusi Weibull dimana
grafik akan lebih condong di sebelah kanan yang berarti intensitas curah hujan ekstrim semakin meningkat.
Gambar 9 Baseline parameter lokasi µ periode tahun 1981-2005
Gambar 9 merupakan gambaran spasial baseline dari parameter lokasi µ. Nilai dugaan parameter lokasi µ menggambarkan letak titik pemusatan data atau rataan atau intensitas curah hujan 1-hari maksimum bulanan yang sering terjadi. Pada wilayah Indonesia bagian barat berkisar 20 sampai 40 mm, bagian tengah berkisar 10 sampai 40 mm, dan bagian timur berkisar 30 sampai 60 mm. Indonesia bagian tengah memiliki nilai dugaan parameter lokasi µ paling kecil dan parameter lokasi µ paling besar berada di Indonesia bagian timur di wilayah Papua. Secara keseluruhan, parameter lokasi µ wilayah Indonesia mempunyai titik pemusatan data berkisar 10 sampai 60 mm.
14
a) b)
c) d)
Gambar 10 Proyeksi parameter lokasi µ model a) M1, b) M2, c) M3, dan d) Rataan periode tahun 2011-2035
Perbandingan antara Gambar 9 dan Gambar 10 menunjukkan peningkatan yang cenderung terjadi pada proyeksi nilai dugaan parameter lokasi µ. Berdasarkan Gambar 10, model M1, M2, dan M3 menunjukkan gambar yang relatif sama sehingga menghasilkan gambar model Rataan yang sama. Nilai dugaan parameter lokasi µ dengan titik pemusatan data Indonesia bagian barat berkisar 30 sampai 60 mm, bagian tengah berkisar 20 sampai 50 mm, dan bagian timur berkisar 40 sampai 80 mm. Peningkatan parameter µ yang terjadi berkisar 10 hingga 20 mm. Secara umum, hampir seluruh wilayah Indonesia mengalami peningkatan nilai dugaan parameter lokasi µ pada periode 2011 sampai 2035 dibandingkan dengan periode tahun 1981 sampai 2005, berarti rata-rata atau curah hujan 1-hari maksimum bulanan yang sering terjadi cenderung meningkat intensitasnya 10 hingga 20 mm.
Gambar 11 Baseline parameter skala σ periode tahun 1981-2005
Gambar 11 merupakan gambaran spasial baseline dari parameter skala σ yang menyatakan fungsi peluang atau pola keragaman data. Secara umum, parameter skala σ wilayah Indonesia berkisar 20 sampai 40 mm. Nilai parameter
15 skala σ yang semakin besar menunjukkan terjadinya curah hujan yang semakin menjauh dari titik pemusatannya atau semakin meningkatnya peluang terjadinya kejadian curah hujan ekstrim. Selain itu,wilayah dengan parameter σ (Gambar 11) yang memiliki nilai tinggi, juga memiliki nilai parameter µ (Gambar 9) yang tinggi. Hal ini menunjukkan bahwa wilayah dengan rata-rata curah hujan 1-hari maksimum bulanan yang tinggi memiliki pola keragaman data yang beragam. Artinya wilayah tersebut berpotensi terjadi curah hujan yang semakin ekstrim.
a) b)
c) d)
Gambar 12 Proyeksi parameter skala σ model a) M1, b) M2, c) M3, dan d) Rataan periode tahun 2011-2035
Nilai dugaan parameter skala σ model proyeksi ditunjukkan oleh Gambar 12. Secara umum, hasil proyeksi model parameter skala σ wilayah
Indonesia berkisar 5 sampai 25 mm. Hal ini menunjukkan terjadi penurunan parameter skala σ pada periode 2011 sampai 2035 dibandingkan dengan periode tahun 1981 sampai 2005. Nilai parameter σ yang semakin menurun menunjukkan bahwa curah hujan 1-hari maksimum bulanan akan cenderung semakin mendekati titik pemusatan data atau lebih sering terjadi pada kondisi curah hujan rata-rata.
16
Gambar 13 merupakan gambaran spasial baseline dari parameter bentuk ξ yang menggambarkan perilaku distribusi dari fungsi peluangnya. Sebagian wilayah Indonesia bagian barat memiliki nilai parameter bentuk ξ < 0 dan Indonesia bagian tengah dan timur memiliki nilai parameter bentuk ξ > 0. Hal tersebut menunjukkan Indonesia bagian barat distribusi curah hujan 1-hari maksimum bulanan cenderung mengikuti distribusi Weibull dimana grafik akan lebih condong di sebelah kanan yang berarti kejadian curah hujan yang terjadi lebih sering pada kondisi maksimum. Sedangkan, Indonesia bagian tengah dan timur distribusi curah hujan 1-hari maksimum bulanan cenderung mengikuti distribusi Frechet dimana grafik akan lebih condong di sebelah kiri yang berarti kejadian curah hujan yang terjadi lebih sering pada kondisi minimum.
a) b)
c) d)
Gambar 14 Proyeksi parameter bentuk ξ model a) M1, b) M2, c) M3, dan d) Rataan periode tahun 2011-2035
Gambar 14 menunjukkan hasil proyeksi model parameter bentuk ξ. Secara keseluruhan, hasil nilai ξ proyeksi model wilayah Indonesia mempunyai nilai parameter bentuk ξ < 0 yang berarti fungsi peluang mengikuti distribusi Weibull. Artinya curah hujan 1-hari maksimum bulanan pada periode tahun 2011 sampai 2035 cenderung akan lebih sering terjadi pada curah hujan maksimum dibandingkan dengan periode tahun 1981 sampai 2005.
Berdasarkan hasil analisis pola spasial distribusi GEV, secara keseluruhan proyeksi model curah hujan ekstrim 1-hari maksimum bulanan wilayah Indonesia mengalami peningkatan nilai parameter lokasi µ, sedangkan nilai parameter skala
17 Analisis Cluster Curah Hujan Ekstrim di Indonesia
Berdasarkan analisis cluster diperoleh lima cluster dengan karakteristik tiap cluster masing-masing model diberikan dalam Tabel 5 berikut.
Tabel 5 Nilai dugaan parameter GEV tiap cluster pada masing-masing model Cluster Nilai dugaan parameter µ
Tabel 5 menunjukkan perbandingan nilai dugaan ketiga parameter GEV antara baseline dengan model proyeksi yang dibagi ke dalam lima cluster. Baseline hanya menghasilkan empat dari lima cluster, yaitu cluster 2, 3, 4, dan 5. Hal ini terjadi karena data curah hujan CHIRPS yang digunakan sebagai baseline hanya berada di kisaran cluster 2, 3, 4, dan 5. Nilai dugaan baseline parameter µ yang
diperoleh berkisar 18.4-42 mm, sementara parameter σ berada di sekitar 5.69-20.28 mm, serta nilai ξ > 0. Hasil parameter GEV baseline (Tabel 5)
menunjukkan cluster 3 memiliki kecenderungan terjadinya curah hujan ekstrim lebih tinggi dibandingkan cluster 2, 4, dan 5, yang ditandai dengan parameter µ dan
18
Berdasarkan Tabel 5 model proyeksi (M1, M2, M3) hasil dugaan parameter GEV masing-masing cluster mengalami perubahan dari baseline-nya. Ketiga model proyeksi menghasilkan nilai dugaan parameter GEV yang relatif sama. Hal ini berarti metode analisis cluster memiliki keakuratan dan kestabilan yang cukup baik. Berdasarkan hasil tersebut, model proyeksi M1, M2, dan M3 pada seluruh cluster menunjukkan peningkatan nilai parameter µ, namun terjadi penurunan pada
parameter lainnya seperti parameter skala σ dan bentuk ξ. Untuk mendapatkan nilai
yang representatif, hasil model proyeksi (M1, M2, dan M3) digabungkan menjadi model Rataan. Model proyeksi Rataan menghasilkan nilai paramater GEV yang tidak berbeda dengan hasil model proyeksi M1, M2, dan M3, dimana cluster 1 sampai 5 untuk nilai parameter µ juga menunjukkan peningkatan dibandingkan baseline. Sementara, nilai parameter σ dan ξ juga mengalami penurunan dibandingkan baseline. Semakin meningkatnya nilai parameter µ, maka rata-rata besaran curah hujan 1-hari maksimum bulanan akan semakin meningkat intensitasnya pada periode 2011-2035 dibandingkan periode 1981-2005.
Sedangkan, menurunnya nilai parameter σ menunjukkan pola keragaman data yang
semakin mendekati titik pemusatan data, berarti intensitas curah hujan 1-hari maksimum bulanan cenderung lebih sering terjadi pada intensitas hujan yang mendekati nilai parameter µ atau curah hujan rata-rata 1-hari maksimum bulanan. Analisis data untuk semua model proyeksi mempunyai nilai parameter bentuk
ξ < 0 berarti fungsi peluangnya mempunyai titik ujung kanan yang terhingga, maka
pola distribusi akan mengikuti distribusi Weibull dimana grafik akan lebih condong ke arah kanan. Hal ini akan memberikan kecenderungan dampak peluang kejadian curah hujan ekstrim semakin besar (Friederichs 2007). Selain itu, semua nilai
parameter bentuk ξ berada pada kisaran -0.5 < ξ < 0.5. Hal tersebut sesuai dengan
penggunaannya dalam praktek (Prang 2006). Berdasarkan hasil tersebut, dilakukan analisis peluang menggunakan distribusi Probability Density Function (PDF).
Analisis Cluster Wilayah di Indonesia Menggunakan PDF
19
a) b)
c) d)
e)
Gambar 15 Perbandingan Probability Density Function (PDF) dari masing masing model tiap cluster antara baseline dan model proyeksi. a) PDF Cluster 1, b) PDF Cluster 2, c) PDF Cluster 3, d) PDF Cluster 4, e) PDF Cluster 5
Berdasarkan Gambar 15, grafik PDF model proyeksi curah hujan cenderung mengalami peningkatan dari baseline-nya. Peningkatan terjadi pada peluang dan intensitas curah hujan yang beragam di masing-masing cluster. Ketiga model proyeksi cluster 1 sampai cluster 5 menghasilkan grafik dengan peluang dan curah hujan yang relatif sama. Hal ini menunjukan bahwa hasil ketiga model memiliki keakuratan dan kestabilan yang juga cukup baik. Pada cluster 1, tidak terdapat grafik PDF baseline. Hal ini dikarenakan, baseline tidak memiliki parameter GEV yang digunakan untuk membentuk grafik PDF sehingga hanya terdapat grafik PDF model proyeksi. Pada cluster 1, peluang tertinggi berkisar 0.14 dengan rata-rata curah hujan 37 mm sedangkan peluang dan rata-rata curah hujan cluster 4 berkisar 0.14 dan 28 mm. Pada cluster 2, 3, 4, dan 5 terlihat bahwa grafik model proyeksi lebih condong ke kanan dengan puncak grafik yang lebih tinggi dibandingkan baseline. Hal ini mengindikasikan kondisi curah hujan yang terjadi akan cenderung
20
semakin ekstrim dan semakin sering terjadi. Pada cluster 2, peluang tertinggi dan curah hujan rata-rata baseline sekitar 0.03 dan 32 mm sedangkan model proyeksi peluang dan curah hujan rata-rata semakin meningkat menjadi sekitar 0.05 dan 33 mm. Cluster 4 menunjukkan peluang tertinggi baseline dan curah hujan rata-rata baseline sekitar 0.07 dan 18 sedangkan peluang dan curah hujan rata-rata model proyeksi meningkat menjadi sekitar 0.15 dan 28 mm. Terakhir, cluster 5 juga menunjukkan peluang dan curah hujan rata-rata yang semakin meningkat, dimana
pada baseline sekitar 0.03 dan 23 mm sedangkan model proyeksi sekitar 0.04 dan 23 mm.
Secara keseluruhan, wilayah pada cluster 3 cenderung memiliki curah hujan 1-hari maksimum bulanan lebih ekstrim dibandingkan cluster lainnya. Hal ini terlihat dari intensitas curah hujan model proyeksi berada di sekitar 20 sampai 80 mm disertai puncak grafik atau peluang yang semakin meningkat dibandingkan baseline-nya. Sedangkan, cluster 5 memiliki kecenderungan memiliki curah hujan 1-hari maksimum bulanan lebih rendah dibandingkan cluster lainnya. Cluster 5 memiliki intensitas curah hujan yang sering terjadi berada di sekitar 5 sampai 40 mm. Berdasarkan distribusi grafik PDF tersebut diketahui bahwa terjadi kecenderungan peningkatan distribusi intensitas dan peluang curah hujan dari baseline periode 1981-2005 ke model proyeksi periode tahun 2011-2035. Hal ini memungkinkan terjadinya perubahan wilayah cluster dengan curah hujan yang tinggi semakin meluas yang kemudian akan dianalisis secara spasial.
Analisis Perubahan Spasial Cluster Curah Hujan Ekstrim
Analisis cluster bertujuan untuk mengelompokkan wilayah Indonesia berdasarkan kriteria tertentu sehingga objek-objek tersebut mempunyai variasi di dalam cluster relatif kecil dibandingkan variasi antar cluster. Berdasarkan hasil analisis cluster, kemudian cluster tiap grid dipetakan secara spasial untuk melihat perubahannya. Sebelum melihat perubahan cluster secara spasial, karakteristik masing-masing cluster diidentifikasi terlebih dahulu dengan cara rata-rata dari parameter GEV tiap cluster pada masing-masing model (Tabel 6). Berikut merupakan karakteristik masing-masing cluster.
21
Gambar 16 Perbandingan cluster berdasarkan parameter GEV. Cluster dengan curah hujan ekstrim tertinggi hingga terendah, yaitu cluster 3 (merah), 1 (jingga), 2 (kuning), 4 (hijau), dan 5 (biru)
Berdasarkan Tabel 6 dan Gambar 16, diketahui bahwa cluster dengan curah hujan ekstrim tertinggi berada pada cluster 3 sedangkan cluster dengan curah hujan ekstrim terendah berada pada cluster 5. Hal ini disebabkan, cluster 3 memiliki nilai parameter µ dan σ tertinggi yaitu 46.4 mm dan 13.31 mm sehingga curah hujan yang terjadi cenderung akan lebih ekstrim dibandingkan cluster lainnya. Begitu pun dengan cluster 5 yang memiliki nilai parameter µ terendah yaitu 22.6 mm sehingga curah hujan pada cluster 5 cenderung lebih rendah dari cluster lainnnya. Selanjutnya dilakukan analisis cluster secara spasial untuk melihat perubahan cluster yang terjadi.
Gambar 17 menunjukkan pola spasial curah hujan ekstrim 1-hari maksimum bulanan yang telah dikelompokkan menjadi lima cluster. Pada baseline (Gambar 17a), cluster yang terbentuk hanya cluster 2, 3, 4, dan 5 atau cluster yang berwarna kuning, merah, hijau, dan biru, dimana warna biru sebagian besar mendominasi wilayah Indonesia dengan jumlah cluster tertinggi dibanding cluster lainnya (Tabel 7). Hal ini berarti, sebagian besar wilayah Indonesia memiliki curah hujan ekstrim 1-hari maksimum bulanan yang cenderung rendah.
Hasil proyeksi pola spasial cluster curah hujan ekstrim menunjukkan terjadinya perubahan cluster secara spasial. Model proyeksi M1, M2, dan M3 menghasilkan hasil proyeksi spasial yang relatif sama. Hal ini menunjukkan keakuratan dan kestabilan model yang cukup baik. Secara umum, cluster 3 atau berwarna biru semakin menyempit dan cluster dengan warna jingga, merah, dan hijau atau cluster 1, 3, dan 4 semakin meluas. Selain itu, model proyeksi juga menunjukkan bahwa terjadi peningkatan jumlah cluster pada cluster 1, 3, dan 4 dibandingkan cluster 5 yang mengalami penurunan jumlah cluster. Wilayah berwarna biru memiliki karakteristik curah hujan 1-hari maksimum bulanan lebih rendah dibandingkan cluster lainnya. Sedangkan, cluster berwarna hijau dan jingga memiliki karakteristik curah hujan 1-hari maksimum bulanan yang cukup tinggi dan cluster berwarna merah memiliki karakteristik curah hujan 1-hari maksimum bulanan yang tertinggi. Sehingga wilayah cluster berwarna hijau, jingga, dan merah
0
22
cenderung memiliki dampak peluang kejadian ekstrim lebih besar dibandingkan cluster berwarna biru. Berdasarkan hal tersebut, wilayah dengan curah hujan ekstrim 1-hari maksimum bulanan dengan karakteristik peluang terjadinya kejadian ekstrim yang tinggi memiliki kecenderungan semakin meluas.
Tabel 7 Perbandingan jumlah cluster model
Cluster Jumlah Cluster Model
Baseline M1 M2 M3 Rataan
1 - 567 566 667 595
2 552 520 499 480 493
3 109 187 188 169 185
4 6 1696 1767 1843 1769
5 2962 658 608 469 586
a) b)
c) d)
e)
Cluster 1 2 3 4 5
23
SIMPULAN DAN SARAN
Simpulan
Data curah hujan CHIRPS tervalidasi cenderung dapat mengikuti pola curah hujan observasi dengan hasil yang cukup baik. Hasil koreksi data CHIRPS terhadap data observasi menunjukkan pola yang lebih baik dibandingkan sebelum dilakukan koreksi dengan korelasi sebesar 0.9. Berdasarkan hal tersebut, data curah hujan CHIRPS digunakan sebagai prediktor untuk analisis curah hujan ekstrim secara spasial di Indonesia.
Analisis curah hujan 1-hari maksimum bulanan di Indonesia dianalisis menggunakan pola spasial distribusi GEV yang dibagi dalam parameter lokasi µ, parameter skala σ, dan parameter bentuk ξ. Berdasarkan hasil tersebut, secara keseluruhan model proyeksi curah hujan ekstrim 1-hari maksimum bulanan wilayah Indonesia mengalami peningkatan nilai parameter lokasi µ yang menunjukkan intensitas curah hujan rata-rata cenderung semakin meningkat. Selain itu, model proyeksi menunjukkan data semakin homogen artinya curah hujan ekstrim 1-hari bulanan akan cenderung terjadi pada curah hujan rata-rata yang ditunjukkan oleh
nilai parameter skala σ semakin menurun. Serta, parameter bentuk ξ menjadi ξ < 0
yang berarti curah hujan mengikuti distribusi Weibull. Berdasarkan hal tersebut, pada periode tahun 2011 sampai 2035 memiliki kecenderungan dampak kejadian curah hujan 1-hari maksimum bulanan semakin ekstrim dengan intensitas curah hujan yang cenderung akan lebih sering terjadi pada kondisi curah hujan maksimum.
Analisis cluster membagi Indonesia berdasarkan kesamaan karakteristik distribusi GEV dan diperoleh lima cluster. Berdasarkan hasil tersebut, dilakukan analisis peluang menggunakan distribusi PDF. Berdasarkan distribusi grafik PDF kelima cluster, diketahui bahwa terjadi kecenderungan peningkatan distribusi intensitas dan peluang curah hujan pada model proyeksi. Hal tersebut mengindikasikan bahwa curah hujan 1-hari maksimum bulanan akan semakin meningkat intensitasnya dan lebih sering terjadi. Secara keseluruhan, wilayah dengan peluang kejadian ektrim tertinggi dan terendah yaitu cluster 3 dan 5. Jumlah wilayah cluster 3 semakin meningkat, sedangkan cluster 5 semakin menurun. Hal ini menunjukkan terjadinya perubahan wilayah cluster dengan curah hujan yang tinggi semakin meluas.
24
Saran
25
DAFTAR PUSTAKA
[BAPPENAS]. 2014. Rencana Aksi Nasional Adaptasi Perubahan Iklim (RAN-API). Jakarta.
[BMKG]. 2010. Kondisi cuaca ekstrem dan iklim tahun 2010-2011. BMKG Press Release. Jakarta: BMKG.
[IPCC]. 2012. Managing the risks of extreme events and disasters to advance climate change adaptation. WWW IPCC (terhubung berkala) http://ipcc-wg2.gov/SREX/ (19 Desember 2015).
[IPCC]. 2013. Chapter 12: Long-term Climate Change: Projections, Commitments and Irreversibility. Fifth Assessment Report of The Intergovernmental Panel On Climate Change. 1029-1119.
[IRI]. 2015. Climate Predictability Tool. WWW IRI (terhubung berkala) http://iri.columbia.edu/our-expertise/climate/tools/cpt/ (11 Januari 2015). Davison et al. 2012. Statistical Modeling of Spatial Extremes. Statistical Science.
27: 161-186.
Dinku, T. 2014. Validation of the CHIRPS satellite rainfall estimate. 7th International Precipitation Working Group (IPWG) Workshop. Tsukuba,
Japan.
Embrechts P, C Klüppelberg, T Mikosch. 1997. Modelling Extremal Events for Insurance and Finance. New York: Springer.
Funk et al. 2014. A quasi-global precipitation time series for drought monitoring. U. S. Geological Survey Data Series. 832.
Friederichs, P. 2007. An Introduction to Extreme Value Theory: Applications of EVT. InCOPS Summer School. Meteorological Institute. 7-10.
Harrington, Donna. 2009. Confirmatory Factor Analysis, Pocket Guides to Social Work Research Methods. Oxford University Press.
Irfan, Muhammad. 2011. Sebaran pareto terampat untuk menentukan curah hujan ekstrim. Skripsi. Institut Pertanian Bogor.
Kotz S, Nadarajah. 2000. Extreme Value Distributions: Theory and Applications. London: Imperial College Press.
Mamenun, Pawitan H, Sophaheluwakan A. 2014. Validasi dan koreks data satelit TRMM pada tiga pola hujan di Indonesia. J. Meteorologi dan Geofisika. 15 (I): 13-23.
Nawari. 2010. Analisis Regresi dengan Ms Excel 2007 dan SPSS 17. Jakarta: PT Elex Media Komputindo.
Prang, JD. 2006. Sebaran nilai ekstrim terampat dalam fenomena curah hujan. Tesis. Institut Pertanian Bogor.
Sillmann et al. 2013a. Climate extremes indices in the CMIP5 multimodel ensemble: Part 1. Model evaluation in the present climate. J. Geophys. Res. Atmos. 118: 1716-1733.
26
Lampiran 1 Diagram alir penelitian
27 Lampiran 2 Faktor koreksi curah hujan observasi dengan CHIRPS. Curah hujan
rata-rata bulanan tahun 1981-2005
Lampiran 3 Korelasi data curah hujan stasiun observasi dengan CHIRPS
Nama Stasiun Korelasi
0 200 400 600 800 1000 1200 1400 1600
28
29 Lampiran 5 Temporal scores 5 model ACCESS
30
31 Lampiran 8 Temporal scores 5 model EC-EARTH
32
33 Lampiran 11 Temporal scores 5 model MIROC-5
34
