PREDIKSI AWAL MUSIM HUJAN DI PULAU JAWA
BERDASARKAN INDEKS VARIABILITAS IKLIM
FITHRIYA YULISIASIH ROHMAWATI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Prediksi Awal Musim Hujan di Pulau Jawa berdasarkan Indeks Variabilitas Iklim 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 tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Agustus 2014
RINGKASAN
FITHRIYA YULISIASIH ROHMAWATI. Prediksi Awal Musim Hujan di Pulau Jawa berdasarkan Indeks Variabilitas Iklim. Dibimbing oleh RIZALDI BOER dan AKHMAD FAQIH.
Informasi terkait awal musim hujan (AMH) memainkan peranan penting dalam penyusunan strategi tanam guna meningkatkan hasil pertanian. Informasi AMH berguna juga dalam menentukan musim tanam yang tepat.
Penelitian ini bertujuan (1) menentukan indeks variabilitas iklim seperti
(ENSO), , (IOD)
dan (SST) sekitar Jawa serta
(MJO) yang dominan memengaruhi AMH di Jawa (2) menyusun model prediksi AMH di Jawa berdasarkan indeks variabilitas iklim yang dominan tersebut.
Model persamaan AMH disusun menggunakan model regresi linier dan model prediksi dievaluasi menggunakan ! " #
(ROC). Selain itu, dilakukan validasi menggunakan data yang tidak dilibatkan dalam penyusunan model.
Hasil penelitian menunjukkan bahwa ENSO (indeks anomali SST Nino 3.4) dapat menjelaskan sebagian besar variabilitas AMH di Jawa. Oleh karena itu, ENSO bulan Juli dan Agustus dapat digunakan sebagai prediktor dalam menyusun model persamaan AMH. Model persamaan yang disusun berdasarkan indeks tersebut mempunyai yang baik. Rata<rata model prediksi mencapai 84% (ENSO bulan Juli) dan 76% (ENSO bulan Agustus) untuk AMH maju dari normal dan 83% (ENSO bulan Juli) dan 86% (ENSO bulan Juli) untuk AMH mundur dari normal.
SUMMARY
FITHRIYA YULISIASIH ROHMAWATI. Monsoon onset Prediction over Java Island based on Climate Variability Indices. Supervised by RIZALDI BOER and AKHMAD FAQIH.
Monsoon onset information plays important role in setting up planting strategy for achieving optimum yield. This information is also useful in determining the appropriate planting season.
This study aimed to (1) determine climate variability indices, namely the El Niño Southern Oscillation (ENSO), El Nino Modoki, Indian Ocean Dipole (IOD) and Sea Surface Temperature (SST) around Java and Madden Julian Oscillation (MJO), that dominant influence monsoon onset in Java (2) develop forecasting model for the monsoon onset by that index.
The forecasting models of the monsoon onset were developed using linear regression model and skill of the models were evaluated using Relative Operating Characteristics (ROC). Therefore, the models were validated using data that not involved in training.
It was found that ENSO (anomaly SST Nino 3.4) explained most of variability of monsoon onset across Java. Therefore, the SST Nino 3.4 index (in July and August) can be used as one of the predictors for predicting the onset. The models developed by using that indice have better skill. The average skill of the models for forecasting advanced monsoon onset reached 84% (July’s ENSO) and 76% (August’s ENSO), then for delayed monsoon onset reached 83% (July’s ENSO) and 86% (August’s ENSO).
© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang<Undang
" " $ "
$ $ % & " " '
' ' ' '
( ) " $ " "
&*
" " $ $ "
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains
pada
Program Studi Klimatologi Terapan
PREDIKSI AWAL MUSIM HUJAN DI PULAU JAWA
BERDASARKAN INDEKS VARIABILITAS IKLIM
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2014
ii
iii Judul Tesis : Prediksi Awal Musim Hujan di Pulau Jawa berdasarkan Indeks
Variabilitas Iklim
Nama : Fithriya Yulisiasih Rohmawati NIM : G251100041
Disetujui oleh Komisi Pembimbing
Prof Dr Ir Rizaldi Boer, MSc Ketua
Akhmad Faqih, PhD Anggota
Diketahui oleh
Ketua Program Studi Klimatologi Terapan
Dr Ir Impron, MScAgr
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
iv
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah $ , atas segala karunia<Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ini ialah prediksi iklim, dengan judul Prediksi Awal Musim Hujan di Pulau Jawa berdasarkan Indeks Variabilitas Iklim.
Terima kasih penulis ucapkan kepada Bapak Prof Dr Ir Rizaldi Boer, MSc dan Bapak Akhmad Faqih, SSi, PhD selaku pembimbing, Bapak Rahmat Hidayat, SSi, MSc, PhD selaku penguji luar serta Direktorat Pendidikan Tinggi (DIKTI) yang telah memberikan beasiswa I<MHERE B2C kepada penulis. Di samping itu, penghargaan penulis sampaikan kepada Ir Guswanto, MSi dari Badan Meteorologi dan Geofisika, yang telah membantu selama pengumpulan data. Terima kasih kepada suami, kak Adi, pak Unggul, Faiz dan Riri yang telah membantu dalam pengolahan data dan pembuatan tulisan. Ungkapan terima kasih juga disampaikan kepada bapak (alm), ibu serta seluruh keluarga, atas segala doa dan kasih sayangnya; teman<teman Klimatologi Terapan tahun 2010 dan adik kelas serta teman<teman di Rumah Qur’an IPB atas persahabatannya.
Semoga karya ilmiah ini bermanfaat.
v
Awal Musim Hujan di Jawa 2
Pengaruh Monsun Terhadap Musim Hujan di Jawa 3
Pengaruh Faktor Variabilitas Iklim Terhadap AMH Jawa 3 Perkembangan Prediksi Iklim Musiman dan Penentuan Awal Musim
Hujan 5
4 HASIL DAN PEMBAHASAN 16
Persamaan Hubungan Curah Hujan September<Oktober<November (CH
SON) dan Awal Musim Hujan (AMH) 16
Penentuan Awal Musim Hujan (AMH) 17
Korelasi Indeks Variabilitas Iklim dan AMH 19
Model Persamaan Awal Musim Hujan Awal 24
Pengelompokan Awal Musim Hujan di Jawa 27
Model Persamaan Awal Musim Hujan # 30
Evaluasi Model Menggunakan ! " #
(ROC) 30
Validasi Model Persamaan AMH 32
Prediksi AMH Tahun 2014 33
5 SIMPULAN 40
DAFTAR PUSTAKA 41
LAMPIRAN 45
vi
DAFTAR TABEL
1 Tabel kontingensi 15
2 Persamaan hubungan CH SON dan AMH 16
3 Rekap model persamaan awal musim hujan di Pulau Jawa 26
4 Rekap jumlah dengan berbagai metode 27
5 Jumlah kelompok ( ) dengan standar deviasi konstanta
persamaan paling kecil 27
6 Prediksi AMH tahun 2014 dari rata<rata normal menggunakan indeks
bulan Juli 35
7 Jumlah dan persentase prediksi AMH tahun 2014 dari rata<rata normal dengan 29 model menggunakan indeks bulan Juli 35 8 Prediksi AMH tahun 2014 menggunakan indeks bulan Juli 36 9 Jumlah dan persentase prediksi AMH tahun 2014 dengan 29 model
menggunakan indeks bulan Juli 36
10 Prediksi AMH tahun 2014 dari rata<rata normal menggunakan indeks
bulan Agustus 37
11 Jumlah dan persentase prediksi AMH tahun 2014 dari rata<rata normal dengan 29 model menggunakan indeks bulan Agustus 38 12 Prediksi AMH tahun 2014 menggunakan indeks bulan Agustus 39 13 Jumlah dan persentase prediksi AMH tahun 2014 dengan 29 model
menggunakan indeks bulan Agustus 40
DAFTAR GAMBAR
1 Sebaran data 205 stasiun klimatologi di Jawa 7
2 Diagram alir penelitian 8
3 Lanjutan diagram alir penelitian 9
4 Pembagian wilayah untuk faktor koreksi dan persamaan hubungan
AMH dan CH SON 11
5 Contoh kurva ROC 14
6 Plot data CH SON observasi (biru), RegCM3 awal (hijau) dan RegCM3
terkoreksi (merah) 17
7 Perbandingan awal musim hujan rata<rata di Jawa dengan menggunakan data observasi (atas), RegCM3 terkoreksi (tengah), dan gabungan data
observasi dan RegCM3 terkoreksi (bawah) 18
8 Korelasi AMH dengan ENSO yang diidentifikasi menggunakan SOI dengan berbagai indeks bulan Mei<Juni<Juli<Agustus 20 9 Korelasi AMH dengan ENSO yang diidentifikasi menggunakan ASST
Nino 3,4 dan 3.4 dengan berbagai indeks bulan Mei<Juni<Juli<Agustus 21 10 Persentase grid yang signifikan dari korelasi AMH dan ENSO 22 11 Korelasi AMH dengan IOD, , MJO dan Anomali SST
Jawa bulan Mei<Juni<Juli<Agustus 23
12 Persentase grid yang signifikan dari korelasi AMH dengan IOD,
vii
13 Penentuan jumlah dengan beberapa metode 28
14 # berdasarkan kemiripan konstanta dan parameter persamaan AMH indeks bulan Juli (atas) dan Agustus (bawah) 29 15 Contoh hasil kurva ROC di satu kelompok wilayah ( ) (a) AMH
mundur dari normal b) AMH maju dari normal 31
16 Peta AMH maju dari normal di Jawa berdasarkan ROC indeks
bulan Juli (atas) dan Agustus (bawah) 31
17 Peta AMH mundur dari normal di Jawa berdasarkan ROC indeks
bulan Juli (atas) dan Agustus (bawah) 32
18 Hasil AMH prediksi dan observasi tahun 2002 sampai 2005 indeks
bulan Juli (atas) dan Agustus (bawah) 33
DAFTAR LAMPIRAN
1 Persentase ketersediaan data observasi (205 stasiun) 45
2 Keterangan indeks yang digunakan 47
3 Contoh perintah ( ") untuk mengubah format data awal CH harian RegCM3 dari format NetCDF menjadi format .xls menggunakan
48 4 Plot data CH SON dengan AMH empat wilayah untuk menentukan
bentuk persamaan hubungan CH SON dan AMH 48
5 Korelasi AMH Jawa dengan MJO fase 3<4, 4<5 dan 3<4<5 49 6 Pengelompokan 374 grid di Pulau Jawa menjadi 3 (indeks bulan
Juli) 49
7 Pengelompokan 374 grid di Pulau Jawa menjadi 6 (indeks bulan
Agustus) 55
8 Persamaan AMH berdasarkan ENSO bulan Juli 61
9 Persamaan AMH berdasarkan ENSO bulan Agustus 62
10 Diagram ROC 3 (indeks bulan Juli) 62
1 PENDAHULUAN
Latar Belakang
Pulau Jawa berada di bagian selatan Indonesia dan memiliki luas sekitar 138793.60 km2. Wilayah tersebut merupakan daerah penghasil sekitar 58% padi di Indonesia (BPS 2013) dengan 60% sawah berbasis irigasi dan 26% berbasis tadah hujan (Wahyunto 2009). Pengelolaan sawah kedua jenis tersebut sangat erat kaitannya dengan informasi awal musim hujan (AMH) dikarenakan tanaman padi memerlukan banyak air yaitu sekitar 600 sampai 1200 mm selama 90 sampai 100 hari masa tanam (De Datta 1981; Naylor % 2002).
AMH merupakan informasi yang paling dibutuhkan bagi sektor pertanian di Jawa (Boer % 2007). Informasi AMH diperlukan oleh petani untuk menentukan pola dan strategi tanam (Boer dan Subbiah 2005). Selain itu, AMH digunakan untuk menentukan musim tanam yang tepat. Ketika tahun<tahun El Nino, AMH akan mundur (Hamada % 2002) sehingga mengakibatkan kegagalan panen (Moron % 2009). Mundurnya AMH juga menyebabkan hasil panen menurun serta berdampak pada peningkatan jumlah impor pangan (Naylor . 2001). Bagi sawah irigasi, informasi AMH diperlukan untuk mengurangi resiko gagal panen pada periode tanam kedua yang beririsan dengan musim kemarau (April sampai Juli) terutama bagi sawah yang jauh dari sumber pengairan irigasi (Moron . 2009).
Hujan di Pulau Jawa dipengaruhi oleh dua faktor yaitu faktor musiman (Braak 1920; Henry 1927; Hastenrath 1987; Yulihastin 2011) dan faktor non< musiman seperti: - (ENSO) (Hackret dan Hastenrath 1986; Hendon 2003; Tjasyono dan Bannu 2003; D’Arrigo dan Wilson 2008;
Tjasyono %2008b; Qian . 2010), (IOD) (Saji %
1999; Padama dan Hariadi 2007; D’Arrigo dan Wilson 2008; Tjasyono %
2008a; Tjasyono %2008b; Sahu % 2011), (Windari 2012; Tristania 2012), (SST) (Nicholls 1981; Aldrian dan Susanto 2003; Hendon 2003; Syaifullah 2010; Marjuki 2011) dan
(MJO) (Wheeler dan McBride 2005; Hidayat dan Kizu 2009; Robertson % 2012). Faktor non<musiman atau faktor variabilitas iklim (Ghil 2002) ini dapat diprediksikan dari beberapa indeks: a) ENSO dideteksi dengan
indeks ini disebut indeks variabilitas iklim.
Penelitian terkait prediksi AMH sudah dilakukan oleh beberapa peneliti (seperti Hamada % 2002; Moron % 2009; Hermawan % 2010; Suryantoro . 2010; Swarinoto dan Makmur 2010; Marjuki 2011; Robertson
Kadarsah 2010; Setyadipratikto % 2010). Penelitian ini dilakukan guna melengkapi penelitian<penelitian sebelumnya mengenai prediksi AMH di Pulau Jawa<Indonesia dengan mencari indeks variabilitas iklim yang dominan terhadap AMH di Pulau Jawa. Setelah itu, membuat model prediksi AMH di Pulau Jawa berdasarkan indeks variabilitas iklim yang dominan tersebut.
Perumusan Masalah
Berdasarkan beberapa kajian mengenai AMH di Pulau Jawa dan beberapa faktor yang memengaruhinya, penulis menyakini bahwa AMH dapat diprediksikan dengan menggunakan indeks variabilitas iklim. Penulis memilih beberapa indeks yang berpengaruh terhadap AMH di Pulau Jawa, yaitu; SOI, anomali SST Nino 3, Nino 4, Nino 3.4, EMI, DMI, RMM1, RMM2 dan SST lokal. Dengan demikian, masalah dalam penelitian ini dirumuskan sebagai berikut: 1 Indeks variabilitas iklim manakah yang dominan memengaruhi AMH di Pulau
Jawa?
2 Seperti apakah prediksi AMH di Pulau Jawa dengan menggunakan indeks variabilitas iklim?
Dalam penelitian ini tidak seluruh indeks variabilitas iklim digunakan, hanya indeks yang dinilai berpengaruh kuat terhadap AMH di Pulau Jawa yang digunakan sebagai prediktor dalam menyusun model prediksi.
Tujuan Penelitian
1 Menentukan indeks variabilitas iklim yang dominan memengaruhi AMH di Pulau Jawa
2 Menyusun model prediksi awal musim hujan berdasarkan indeks variabilitas iklim yang dominan memengaruhi AMH di Pulau Jawa
Manfaaat Penelitian
Hasil penelitian ini dapat menjadi bahan masukan dalam teknik peramalan awal musim hujan khususnya bagi pemangku kebijakan bidang pertanian.
2 TINJAUAN PUSTAKA
Awal Musim Hujan di Pulau Jawa
Awal musim hujan (AMH) didefinisikan sebagai dasarian (10 hari) pertama jika jumlah curah hujan satu dasarian sama atau lebih dari 50 mm dan diikuti oleh beberapa dasarian berikutnya (BMKG 2013). Definisi ini digunakan oleh BMKG untuk menentukan AMH di Indonesia, kriteria curah hujan 50 mm dengan diikuti oleh dua dasarian berturut<turut digunakan agar tidak terjebak pada fenomena hujan tipuan.
November di Pasuruan (Hamada %2002). Sementara itu, Hamada % (2002) <dengan definisi AMH yang berbeda< menemukan pola distribusi AMH di Jawa secara umum dimulai dari awal September di wilayah Banten dan berakhir November di Madura dengan daerah yang berhadapan dengan Samudera Hindia mengalami AMH lebih cepat daripada daerah yang berhadapan dengan Laut Jawa. Pola distribusi AMH yang bergerak dari wilayah barat ke timur Jawa dipengaruhi oleh pergerakan Monsun Asia<Australia yang bergerak dari arah barat daya menuju timur Indonesia (Lau dan Chan 1983; Chang 2005). Selain itu, AMH juga dipengaruhi oleh faktor lain seperti topografi (faktor lokal) dan faktor non< musiman seperti ENSO, IOD, El<Nino Modoki dan SST Jawa.
Pengaruh Monsun terhadap Musim Hujan di Pulau Jawa
Musim hujan di Jawa memiliki pola hujan musiman (Aldrian dan Susanto 2003). Hal tersebut dipengaruhi oleh sirkulasi angin monsun Asia<Australia, yaitu sirkulasi angin yang mengalami perubahan arah setiap setengah tahun sekali dikarenakan perbedaan tekanan udara di Asia dan Australia. Angin monsun barat yang disebabkan tekanan udara yang tinggi di Asia dan rendah di Australia, berkaitan dengan kejadian musim hujan di Indonesia, sedang angin monsun timur berkaitan dengan kejadian musim kemarau.
Puncak musim hujan di Jawa terjadi pada bulan Desember<Januari<Februari (DJF) (Hastenrath 1987; Aldrian dan Susanto 2003; Tjasyono % 2008a). Sedangkan musim peralihan dari musim kemarau ke musim hujan terjadi sekitar bulan September<Oktober<November (Nicholls 1981; Hastenrath 1987).
Keterkaitan antara musim hujan di Jawa dengan monsun telah dikemukakan sejak lama, Braak (1920) mengungkapkan bahwa musim hujan di Jawa berkaitan erat dengan siklus Monsun timur. Nicholls (1981) mengkaji hal tersebut dengan meneliti kesamaan antara pola musim hujan di Jawa pada bulan September sampai November dengan anomali tekanan udara di Darwin pada bulan Juni sampai Agustus. Walaupun demikian, siklus monsun tidak sepenuhnya berkaitan dengan variabilitas hujan di Jawa karena ada faktor lain yang ikut memengaruhinya.
Pengaruh Faktor Variabilitas Iklim terhadap AMH Jawa
Faktor variabilitas iklim ialah berbagai fenomena iklim non<musiman yang memengaruhi variabilitas iklim dan musim. Faktor ini dapat juga disebut sebagai faktor alami variabilitas iklim ( ! $ ) untuk membedakannya dari faktor variabilitas iklim yang disebabkan oleh manusia seperti efek rumah kaca dan lainnya.
Pengaruh faktor variabilitas iklim terhadap AMH di Pulau Jawa terlihat saat AMH datang lebih cepat atau lebih lambat dari rata<rata jangka panjangnya. Fenomena iklim tersebut bisa terjadi antartahunan seperti
(ENSO), (IOD) dan atau
intramusiman seperti (MJO) serta musiman seperti (SST) Laut Jawa (lokal).
perairan pantai Peru dan Ekuador. Aktifitas ENSO di laut Pasifik secara signifikan berpengaruh terhadap AMH di Pulau Jawa (Naylor % 2007). Naylor %
(2007) menyatakan bahwa ENSO dapat menyebabkan AMH mundur di Indonesia. ENSO sebagai prediktor paling dominan pada musim di Indonesia, berkorelasi dengan 40% data curah hujan di Indonesia pada bulan September<Oktober< November (SON) (Haylock dan McBride 2001).
(IOD) adalah fenomena pasangan antara lautan< atmosfer yang terdapat di Samudera Hindia Tropis (Saji % 1999). Interaksi antara IOD dan ENSO dinilai berpengaruh kuat terhadap AMH di Indonesia (Yulihastin % 2009). Berdasarkan penelitian di Bandung<Jawa Barat, Boer
% (2004) menyimpulkan jika terjadi El Nino disertai dengan aktifitas IOD, maka peluang AMH mundur dari normal semakin besar. Selain itu, Padama dan Hariadi (2007) juga mengungkapkan bahwa IOD negatif mempercepat datangnya AMH dari biasanya, sedangkan IOD positif menyebabkan musim kemarau lebih lama. Sementara Yulihastin % (2009) menjelaskan bahwa jika IOD positif bersamaan dengan El Nino maka AMH di Indonesia akan mundur (tahun pengamatan 1997 sampai 1998 dan 2008 sampai 2009), namun jika IOD positif bersamaan dengan La Nina maka hujan di Indonesia meningkat kecuali di Jawa dan Sumatra (tahun pengamatan 2008 sampai 2009).
diperkenalkan sebagai fenomena yang mirip dengan El Nino tetapi mempunyai perbedaan dalam hal spasial dan temporal (Ashok %
2007). Walaupun pengaruhnya terhadap musim hujan di Jawa belum dikaji secara mendalam, tetapi telah diketahui bahwa memengaruhi curah hujan di Indonesia (Windari 2012; Tristania 2012). Pengaruh
terhadap curah hujan di Pulau Jawa dinilai lebih lemah dibanding wilayah Indonesia bagian Timur seperti di Ambon (Tristania 2012).
(SST) atau suhu permukaan laut sekitar Pulau Jawa berpengaruh terhadap AMH di Jawa. Jika SST laut Indonesia meningkat maka AMH di Banten, Jawa Barat bagian Utara, Jawa Tengah bagian Selatan dan Jawa Timur bagian Barat berpotensi maju dari normal. Sebaliknya, bila SST Laut Indonesia menurun maka AMH di Banten, Jawa Barat bagian Utara, Jawa Tengah bagian Selatan dan Jawa Timur bagian Barat berpotensi berpotensi mundur dari normal (Marjuki 2011). Kondisi SST lokal dapat digunakan sebagai indikator banyak<sedikitnya kandungan uap air di atmosfer dan erat kaitannya dengan pembentukan awan di Indonesia (BMKG 2013). Jika SST lebih hangat dari normal maka berpotensi meningkatkan kandungan uap air di atmosfer sehingga hujan sangat mungkin terjadi dan sebaliknya jika SST lebih dingin dari normal.
demikian, pengaruh MJO akan lebih kuat di sekitar lautan dibandingkan dengan daratan yang besar (Hidayat dan Kizu 2009).
Perkembangan Prediksi Iklim Musiman dan Penentuan Awal Musim Hujan Kajian mengenai prediksi iklim musiman dan penentuan AMH sudah dilakukan oleh beberapa peneliti, diantaranya Nicholls (1981), Moron %
(2009), Hermawan (2010), Hermawan % (2010), Gunawan dan Linarka (2011), Marjuki (2011) dan Robertson %(2012).
Nicholls (1981) melihat korelasi dan memprediksi curah hujan total September sampai November di Indonesia menggunakan anomali tekanan udara Darwin Juni sampai Agustus. Selain itu, Nicholls (1981) menemukan korelasi antara curah hujan total September sampai November di Jakarta dengan anomali SST Bima<Makassar dengan " satu bulan sebelumnya. Penelitian ini membuktikan kemungkinan prediksi musim hujan di Pulau Jawa sekaligus menjelaskan keterkaitan monsun dengan AMH di Pulau Jawa.
Prediksi AMH di wilayah Indonesia berdasarkan beberapa faktor variabilitas iklim pernah dilakukan oleh Moron % (2009) dan Hermawan (2010). Moron % (2009) melakukan analisis AMH di wilayah Indonesia menggunakan metode analisis korelasi kanonik validasi silang dengan suhu permukaan laut Samudera Pasifik Tropis dan Samudera Hindia (20oS sampai 20oN dan 80oE sampai 180oE) bulan Juli sebagai prediktornya. Hasil penelitian menunjukkan bahwa anomali korelasi 0.8 untuk rata<rata data stasiun penakar hujan dan 0.7 untuk data curah hujan grid lima harian. Hermawan (2010) mengevaluasi curah hujan di Indonesia menggunakan indeks .
(DMI), .(ESPI) dan SST Nino 3.4 serta memprediksinya. Prediksi AMH di Pulau Jawa dan beberapa wilayah di Pulau Jawa berdasarkan faktor variabilitas iklim juga telah dilakukan oleh beberapa peneliti. Hermawan %(2010) mengembangkan ekspert sistem untuk memprediksi curah hujan menggunakan software ! $ berdasarkan indeks SST Nino 3.4,
. (ESPI), indeks . (DMI) dan
.. Analisis yang dilakukan menggunakan teknik (FFT)
dan wavelet. Hasil simulasi curah hujan (daerah Sukamandi) dengan hanya menggunakan prediktor ENSO dan IOD (dalam hal ini menggunakan DMI) menghasilkan nilai R2 = 0.19. Gunawan dan Linarka (2011) memprediksi curah hujan bulanan di Indramayu menggunakan metode
" dengan prediktor berupa data curah hujan bulanan dari " $ " ( (GPCP), data curah hujan bulanan dari
" (CMAP), tekanan udara,
melakukan prediksi AMH di seluruh wilayah Jawa, namun ia belum memasukkan MJO sebagai salah satu prediktor yang memengaruhi AMH di Pulau Jawa.
Prediksi AMH di wilayah Indonesia dengan menggunakan MJO telah dilakukan oleh Robertson % (2012) dengan mengembangkan model AMH Indonesia menggunakan ENSO dan informasi MJO (data pentad " "
" ! /OLR) (data tahun 1979 sampai 2009). MJO mempunyai potensi menambah untuk waktu yang lebih singkat ( lag lebih pendek) dengan AMH.
Berdasarkan penelitian<penelitan tersebut, dapat disimpulkan bahwa penelitian mengenai prediksi AMH di Pulau Jawa berdasarkan indeks variabilitas iklim secara mendetail belum pernah dilakukan. Maka penulis menyusun penelitian mengenai prediksi AMH di Pulau Jawa berdasarkan indeks varibilitas iklim. Penulis juga menggunakan data iklim regional (RegCM3) untuk melengkapi data observasi dengan tujuan AMH di seluruh wilayah Pulau Jawa dapat terpetakan dengan baik.
3 METODE
Tempat Penelitian
Tempat Penelitian di Laboratorium Klimatologi Departemen Geofisika dan Meteorologi. Wilayah kajian adalah Pulau Jawa, 4o50’ sampai 9o0’ LS dan 105o1’11’’ sampai 116o30’ BT.
Data Data yang digunakan:
a) Data curah hujan dasarian: data curah hujan berasal dari dua sumber yaitu data observasi dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) 205 stasiun klimatologi tahun 1962 sampai 2001 (Gambar 1), persentase ketersediaan data observasi dapat dilihat pada Lampiran 1< dan data curah hujan dasarian RegCM3 tahun 1962 sampai 2001 (data tahun 1982 kosong) sebanyak 374 grid yang mewakili Jawa. Resolusi horizontal grid sekitar 10 km x 10 km.
b) Data indeks variabilitas iklim: data anomali SST Nino 3, Nino 4, Nino 3.4, data SOI (Sumber data longpaddock dan * " (BOM), data
indeks IOD –disebut . (DMI)<, data .
(EMI), data - ! . seri 1 dan 2 (RMM1 dan
Alat yang diguna dengan aplikasi Crysta
Penelitian dilakuka adalah penyusunan fakt antara AMH dan CH S RegCM3 terkoreksi de model prediksi AMH model prediksi menggun
Gambar
Alat
digunakan adalah software Surfer, ArcGIS, Mi Crystall Ball, Ferret, Notepad dan Matlab.
Prosedur Analisis Data
akukan dalam dua tahap (Gambar 2 dan 3). T unan faktor koreksi data RegCM3, penentuan persam
n CH September<Oktober<November (SON), serta eksi dengan data observasi. Tahap kedua adala
AMH berdasarkan indeks variabilitas iklim dan
enggunakan ! " # (R
mbar 1 Sebaran data 205 stasiun klimatologi di Jaw
Microsoft Excel
). Tahap pertama persamaan hubungan serta pengujian data adalah penyusunan
Gam
Ga
Pengolahan Awal Data Curah Hujan Harian RegCM3 dan Pemilihan Grid yang Mewakili Pulau Jawa
Data awal curah hujan harian RegCM3 tersedia dalam format
(NetCDF). Untuk memudahkan pengolahan data tersebut, penulis mengubahnya ke dalam format .xls (format yang dapat dibaca dalam
. ) menggunakan . Perintah ( ") untuk mengubah format data tersebut dapat dilihat pada Lampiran 3.
Data awal curah hujan harian RegCM3 yang didapatkan terdiri atas 1625 grid. Satu grid dalam penelitian ini mewakili daerah (horizontal) dengan ukuran sekitar 10 km x 10 km atau dengan kata lain resolusi spasial data RegCM3 sekitar 10 km x 10 km. Dari keseluruhan grid tersebut mencakup Pulau Jawa dan lautan sekitarnya. Oleh karena itu, langkah selanjutnya adalah memilih grid yang hanya berada di Pulau Jawa. Hasilnya terdapat 374 grid yang mewakili Pulau Jawa. Pengolahan Data Curah Hujan Harian RegCM3 Menjadi Data Curah Hujan Dasarian
Data curah hujan harian RegCM3 kemudian diubah ke dalam bentuk curah hujan dasarian. Curah hujan dasarian adalah curah hujan akumulasi dari curah hujan harian selama 10 hari (kecuali untuk curah hujan dasarian ke<3 tiap bulan, curah hujan dasarian adalah akumulasi curah hujan harian tanggal 21 sampai tanggal terakhir bulan tersebut). Rumus curah hujan dasarian sebagai berikut:
CHdasarian = CHharian n
i dimana:
CHdasarian : curah hujan RegCM3 dasarian CHharian : curah hujan RegCM3 harian
i, n : hari ke<i sampai ke<n (untuk dasarian pertama tiap bulan: i adalah hari ke<1 dan n adalah hari ke<10, dasarian kedua tiap bulan: i adalah hari ke<11 dan n adalah hari ke<20, dasarian ketiga tiap bulan: i adalah hari ke<21 dan n adalah hari terakhir bulan yang bersangkutan)
Pengolahan Data Curah Hujan Dasarian Menjadi Data Curah Hujan Musiman September4Oktober4November (SON)
Data curah hujan dasarian baik dari observasi maupun RegCM3 diubah ke dalam bentuk curah hujan musiman (SON). Rumus curah hujan dasarian sebagai berikut:
CHSON = CHdasarian 33
i=25
dimana:
CHSON : curah hujan observasi maupun RegCM3 musiman (SON) CHdasarian : curah hujan observasi maupun RegCM3 dasarian
Koreksi Data RegCM3
Data CH RegCM3 dikoreksi dengan metode Piani %(2010) dan dibagi menjadi empat wilayah yaitu Jawa Barat Selatan, Jawa Barat Utara, Jawa Tengah< Yogyakarta dan Jawa Timur (Gambar 4). Data CH RegCM3 pada masing<masing wilayah tersebut dilakukan koreksi dengan langkah sebagai berikut:
Menentukan jenis distribusi serta parameter data CH observasi dan data CH RegCM3 (curah hujan biasanya mengikuti sebaran gamma)
Menghitung ! $ (CDF) kedua data di atas (Piani
%2010)
cdf x = e (<xθ)
x'(k<1) Γ(k)θk x
0
dx'+cdf(0) dimana :
x : data CH observasi maupun RegCM3
k, : parameter distribusi (untuk sebaran gamma k dan berarti dan )
cdf(0) : fraksi dasarian yang tidak ada hujan Menghitung ! CDF dari kedua data
Membuat plot ! CDF data CH RegCM3 (sumbu x) dengan data CH observasi (sumbu y)
Menentukan persamaan dari plot antara ! CDF data RegCM3 dan data observasi
Menghitung data RegCM3 terkoreksi menggunakan persamaan yang diperoleh di atas
Uji
Uji ini digunakan untuk mengetahui data RegCM3 terkoreksi berbeda atau sama dengan data observasi. Hasil yang diharapkan adalah data RegCM3 sama dengan data observasi sehingga data RegCM3 tersebut dapat digunakan untuk menduga AMH berdasarkan persamaan yang ada. Uji ini merupakan salah satu alternatif untuk menguji data yang tidak berdistribusi normal seperti data curah hujan yang biasanya berdistribusi gamma (Schickedanz dan Krause 1970). Uji stastistika (Wilks 1995):
Hipotesis yang digunakan (dengan α = 0.05):
H0 : parameter distribusi RegCM3 terkoreksi sama dengan parameter distribusi observasi
H1 : parameter distribusi RegCM3 terkoreksi tidak sama dengan parameter distribusi observasi
Penentuan Awal Musim Hujan (AMH)
Penentuan AMH dilakukan dengan menggunakan kriteria BMKG dengan beberapa modifikasi. Penentuan AMH menggunakan kriteria berjenjang:
AMH baru dihitung setelah dasarian ke<19 (bulan Juli)
kriteria 1: awal musim hujan ditandai dengan jumlah curah hujan dasarian telah lebih dari 50 mm dan diikuti dua dasarian berikutnya, jika kriteria 1 tidak terpenuhi maka menggunakan kriteria 2
kriteria 2: awal musim hujan ditandai dengan jumlah curah hujan dasarian telah lebih dari 50 mm dan diikuti satu dasarian berikutnya, jika kriteria 2 tidak terpenuhi maka menggunakan kriteria 3
kriteria 3: awal musim hujan ditandai dengan jumlah curah hujan dasarian telah lebih dari 50 mm
Persamaan Hubungan antara AMH dan CH SON Observasi
Persamaan dibagi menjadi empat wilayah: Jawa Barat Selatan, Jawa Barat Utara, Jawa Tengah<Yogyakarta dan Jawa Timur (Gambar 4). Pemilihan persamaan dilakukan dengan membuat plot AMH dan CH SON observasi dengan nilai koefisien determinasi tertinggi. Sebelum membuat persamaan maka kedua data yang digunakan dipastikan memenuhi uji asumsi yaitu kedua data berdistribusi normal. Selanjutnya hasil persamaan digunakan untuk menduga AMH dengan menggunakan data RegCM3 terkoreksi.
Korelasi AMH dan Indeks Variabilitas Iklim
bertujuan menentukan indeks ENSO yang paling berpengaruh terhadap AMH dan
" indeks variabilitas iklim yang sebaiknya digunakan dalam menduga AMH. Nilai signifikansi yang digunakan adalah 0.26 (nilai kritis korelasi spearman dengan jumlah data 40 yaitu dari tahun 1962 sampai 2001). Rumus
Di : perbedaan dalam " " nilai pasangan data ke<i
Penyusunan Model Persamaan Awal Musim Hujan berdasarkan Indeks Variabilitas Iklim ENSO, IOD, , MJO dan SST Sekitar Jawa
Model persamaaan disusun berdasarkan satu ataupun kombinasi dua, tiga, empat dan lima indeks variabilitas iklim sehingga terdapat tiga puluh satu model persamaan awal musim hujan. Model persamaan yang digunakan adalah model regresi linier sederhana dan regresi linier berganda (Wilks 1995).
AMH = b0 + bxi+ ei b0 : intersep/konstanta regresi
b1, b2, b3, b4, b5 : kemiringan/parameter indeks variabilitas iklim x1, x2, x3, x4, x5 : nilai indeks variabilitas iklim
ei : nilai error
Indeks MJO yang digunakan adalah data - ! .
seri 1 dan 2 (RMM 1 dan RMM2) yang dikembangkan oleh Wheeler dan Hendon (2004). RMM ini digunakan untuk menentukan fase MJO. Berdasarkan Wheeler dan Hendon (2004) MJO di Indonesia terjadi ketika fase 4 dan 5, akan tetapi karena memperhitungkan " maka digunakan fase 3 dan 4. Indeks MJO didapatkan dengan cara menghitung jumlah fase 3 dan 4 di bulan Agustus kemudian memasukkan jumlah tersebut kedalam nilai koefisien untuk indeks MJO.
Pengelompokan ( ) 374 Grid di Pulau Jawa
Pengelompokan dilakukan untuk menyederhanakan dan memudahkan analisis selanjutnya serta melihat grid yang mempunyai kesamaan besarnya indeks variabilitas iklim yang berpengaruh. Tahap ini terdiri atas dua langkah yaitu mencari jumlah /kelompok yang mewakili dan menentukan metode yang paling tepat untuk menentukan tersebut. Jumlah ditentukan dengan melihat grafik hubungan antara langkah ke<(sumbu x) dengan jarak (sumbu y) di titik yang mulai curam ke atas. Jumlah ini ditentukan dengan melihat jumlah terbanyak dari beberapa metode yang digunakan: ! " '
' ' 0 ' ' " dan % Tahap kedua adalah
menentukan metode yang paling tepat dengan melihat nilai standar deviasi terkecil dari konstanta dan parameter persamaan regresi (bo dan b1) dengan menggunakan beberapa metode di atas.
Penyusunan Model Persamaan Awal Musim Hujan
Tahap ini sama dengan tahap penyusunan model AMH, akan tetapi data yang digunakan merupakan data AMH . AMH diperoleh dari rata< rata AMH semua grid yang berada dalam tersebut. Karena data yang digunakan adalah 40 tahun maka tiap mempunyai 40 data AMH.
Evaluasi Model Menggunakan (ROC)
ROC merupakan metode yang direkomendasikan oleh 1 " " + (WMO) yang dapat mengindikasikan kemampuan probabilistik prediksi cuaca dan iklim (Kadarsah 2010). ROC tersebut digunakan untuk mengetahui ketepatan prediksi. merupakan ketepatan relatif model prediksi terhadap referensi atau peningkatan ketepatan prakiraan karena membaiknya sistem prakiraan tersebut. Kurva ROC disusun berdasarkan nilai dan (Gambar 5). model prediksi semakin baik jika kurva berada di atas garis non . Sebelum mendapat kurva ROC maka perlu menyusun tabel kontingensi (Tabel 1) (Mason dan Graham 1999; Kadarsah 2010; Swarinoto 2010). Dalam evaluasi model awal musim hujan ini ada dua bagian yaitu untuk prediksi awal musim hujan maju dari normal dan mundur dari normal.
Gambar 5 Contoh kurva ROC Garis
Nilai dan dapat dicari dengan rumus (Wilks 1995)
2 : jika prediksi peristiwa terjadi dan observasi terjadi : jika prediksi peristiwa tidak terjadi dan observasi terjadi
: jika prediksi peristiwa terjadi dan observasi tidak terjadi
# " ! : jika prediksi peristiwa tidak terjadi dan observasi tidak terjadi
Validasi Model Persamaan AMH
Validasi merupakan langkah untuk memasukan prediktor ke dalam model AMH untuk tahun data yang tidak dilibatkan dalam ". Tahun validasi yang dimaksud adalah tahun 2002 sampai 2005. Sementara itu, stasiun yang digunakan hanya 89 stasiun dikarenakan keterbatasan data CH observasi yang dimiliki. Hasil AMH dari persamaan yang didapat dibandingkan dengan AMH hasil data observasi tahun 2002 sampai 2005.
Prediksi AMH tahun 2014
Prediksi AMH tahun 2014 dilakukan sebagai masukan atau alternatif selain prediksi dari BMKG. Data prediktor menggunakan data prediksi ASST Nino 3.4 dari berbagai model yang diambil dari $
# (IRI). Sebenarnya data indeks prediktor dapat menggunakan data observasi, akan tetapi harus menunggu sampai ada data dari sumber penyedia data indeks variabilitas iklim tersebut.
Tabel 1 Tabel kontingensi
4 HASIL DAN PEMBAHASAN
Persamaan Hubungan Curah Hujan September4Oktober4November (CH SON) dan Awal Musim Hujan (AMH)
Persamaan hubungan curah hujan September<Oktober<November (SON) dan awal musim hujan (AMH) digunakan untuk memprediksi AMH di suatu wilayah jika curah hujan SON diketahui. Persamaan hubungan dibagi menjadi empat wilayah yaitu Jawa Barat Selatan, Jawa Barat Utara, Jawa Tengah< Yogyakarta dan Jawa Timur. Persamaan hubungan ini dapat berbentuk linier ataupun bentuk lainnya. Dalam penelitian ini, penentuan bentuk persamaan berdasarkan nilai koefisien determinasi (R2) tertinggi dari " CH SON dan AMH (Lampiran 4). Dari hasil tersebut diketahui bahwa bentuk persamaan yang terbaik dalam merumuskan hubungan CH SON di Jawa dengan AMH adalah bentuk polinomial orde 2 atau bentuk kuadratik. Hal ini menunjukkan bahwa curah hujan yang tinggi tidak terjadi di awal (September sampai Oktober) tetapi pada bulan akhir (November) sehingga meskipun secara akumulasi CH SON tinggi tetapi tidak serta merta diikuti majunya AMH. Pengecekan terhadap kenormalan data dilakukan sebelum menentukan persamaan CH SON dan AMH karena salah satu uji asumsi statistika yang harus dipenuhi adalah data berdistribusi normal. Dari empat wilayah tersebut, semua data tidak berdistribusi normal. Selanjutnya data tersebut ditransformasi agar memiliki distribusi normal. Persamaan hubungan CH SON dan AMH dari keempat wilayah mempunyai koefisien determinasi terendah 69% dan tertinggi 86% (Tabel 2).
Tahap selanjutnya adalah melakukan koreksi terhadap data RegCM3. Data RegCM3 terkoreksi digunakan untuk menduga AMH sesuai persamaan hubungan yang telah didapatkan sebelumnya. Persamaan hubungan antara ! CDF data RegCM3 dan data observasi adalah polinomial orde 3 atau kubik. Plot data observasi, RegCM3 awal dan RegCM3 terkoreksi menunjukkan bahwa secara umum data RegCM3 terkoreksi lebih rendah dibandingkan dengan data observasi ( ) (Gambar 6). Oleh karena itu, diperlukan pengujian untuk Tabel 2 Persamaan hubungan antara CH SON dan AMH
Wilayah Persamaan CH SON dan AMH R2
Jawa Barat Selatan
AMHtransform=<0.252800+0.005305*CH<0.000002*CH2 AMH=33.600000<(AMHtransform)2
74%
Jawa Barat Utara AMHtransform=<0.199100+0.009048*CH<0.000008*CH2 AMH=34.686000<(AMHtransform)2
Jawa Timur AMHtransform=<0.013900+0.006323*CH<0.000004*CH2 AMH=34.286<(AMHtransform)2
menentukan data RegCM3 terkoreksi berbeda signifikan dengan data observasi maupun tidak. Uji yang digunakan adalah uji . Hal tersebut dikarenakan data CH mengikuti sebaran gamma. Hasil uji
menunjukkan bahwa tidak ada alasan yang cukup untuk menolak parameter distribusi CH RegCM3 terkoreksi sama dengan CH observasi. Oleh karena itu, CH RegCM3 dapat digunakan dalam analisis lebih lanjut.
Penentuan Awal Musim Hujan (AMH)
Penentuan awal musim hujan didasarkan pada kriteria BMKG. Menurut BMKG, awal musim hujan adalah saat curah hujan dasarian lebih dari 50 mm diikuti beberapa dasarian berikutnya. Oleh karena itu, peta rata<rata AMH dibuat berdasarkan kriteria tersebut dengan menggunakan tiga data yaitu data curah hujan observasi, data RegCM3 terkoreksi serta gabungan antara data observasi dan RegCM3 terkoreksi (Gambar 7). Pembuatan peta tersebut bertujuan untuk mengetahui peta sebaran awal musim hujan di Pulau Jawa serta membandingkan hasil AMH rata<rata dengan menggunakan data RegCM3 terkoreksi dan gabungan antara data observasi dengan data RegCM3 terkoreksi (data RegCM3 terkoreksi hanya untuk melengkapi data observasi yang tidak ada/kosong). Peta sebaran awal musim hujan data observasi sebagai acuan untuk membandingkan hasil yang terbaik di antara kedua data. Gambar 7 menunjukkan bahwa awal musim hujan paling cepat di Pulau Jawa untuk data observasi pada dasarian ke<26 (dasarian ke< 2 bulan September) dan paling lambat pada dasarian ke<35 (dasarian ke<2 bulan Desember). Data RegCM3 terkoreksi menghasilkan awal musim hujan paling cepat pada dasarian ke<25 (dasarian ke<1 bulan September) dan paling lambat pada dasarian ke<34 (darasian ke<1 bulan Desember). Sementara itu, gabungan data observasi dan data RegCM3 terkoreksi menghasilkan awal musim hujan paling cepat pada dasarian ke<25 (dasarian ke<1 bulan September) dan paling lama pada dasarian ke<34 (darasian ke<1 bulan Desember). Hasil tersebut menunjukkan bahwa AMH hasil data RegCM3 dapat digunakan untuk mewakili data observasi. Semakin ke timur awal musim hujan semakin mundur (Gambar 7). Hal ini disebabkan angin muson baratan (sebagai angin yang bertanggung jawab terhadap datangnya AMH di Jawa) bergerak dari barat menuju timur. Akibatnya, datangnya
AMH di wilayah Jawa bagian barat akan lebih cepat dibandingkan dengan AMH di wilayah Jawa bagian timur. Selain itu, daerah di pantai utara Jawa mempunyai awal musim hujan yang relatif lebih mundur dibandingkan dengan daerah di pantai selatan Jawa. Hal ini terkait topografi Jawa bagian selatan yang mempunyai ketinggian tempat relatif lebih tinggi dibandingkan dengan Jawa bagian utara sehingga Jawa bagian selatan lebih cepat mengalami hujan dibandingkan dengan Jawa bagian utara.
Korelasi Indeks Variabilitas Iklim dan AMH
Indeks variabilitas iklim yang akan dianalisis adalah ENSO dengan berbagai indeks, IOD, ' MJO dan anomali SST sekitar Jawa. ENSO dijelaskan dengan beberapa indeks antara lain SOI dari data pemerintah Queensland; SOI dari data * " (BOM); anomali SST Nino 3; anomali SST Nino 4 dan anomali SST Nino 3.4. Selanjutnya, indeks yang mempunyai korelasi paling besar dan menyebar luas dipilih untuk menyusun model persamaan AMH pada tahap selanjutnya.
Gambar 8, 9 dan 11 menunjukkan warna kebiru<biruan dan warna oranye ketika terjadi korelasi yang nyata (nilai batas +/< 0.26). Warna kebiru<biruan menunjukkan korelasi negatif artinya semakin kecil nilai indeks variabilitas iklim yang digunakan maka awal musim hujan makin mundur (dasariannya makin lama). Sementara itu, warna oranye menunjukkan korelasi positif artinya semakin besar nilai indeks variabilitas iklim yang digunakan maka awal musim hujan makin mundur (dasariannya makin lama). Terlihat pola umum (Gambar 8<12) yaitu korelasi makin kuat seiring dengan semakin dekatnya jarak antara AMH dengan indeks yang digunakan atau "-nya semakin kecil kecuali MJO. Gambar 8, 9 dan 10 menunjukkan korelasi ENSO bulan Juli dan Agustus dan AMH lebih besar dan tersebar luas di Jawa dibandingkan dengan korelasi ENSO bulan Mei dan Juni. Begitu juga dengan Gambar 11 dan 12, korelasi IOD,
Mei Juni Juli Agustus SOI
BOM
SOI Long Pad< dock
Mei ASST
Nino 3
ASST Nino 4
ASST Nino 3.4
Gambar 9 Korelasi AMH dan ENSO
Juni Juli
NSO yang diidentifikasi menggunakan ASST Nino 3, 4 dan 3.4 deng bulan Mei<Juni<Juli<Agustus
Agustus
Mei Juni Juli Agustus IOD
MJO
ASST Jawa
Model Persamaan Awal Musim Hujan
Model persamaan AMH berasal dari gabungan data observasi dan data RegCM3 terkoreksi dengan indeks variabilitas iklim bulan Juli dan Agustus. Terdapat perbedaan waktu antara waktu AMH dan waktu indeks variabilitas iklim. Hal ini sebagaimana penelitian Estiningtyas (2007) serta Tresnawati dan Komalasari (2011) bahwa prediksi curah hujan memerlukan " (jeda waktu) antara prediktor dan prediktan. Sementara itu, Hendon (2003) menyebutkan bahwa korelasi negatif yang kuat (sekitar 40%) antara SST Nino 3.4 dengan curah hujan di Indonesia terjadi pada " empat bulan. Dengan demikian,
" antara prediktor dan prediktan diperlukan agar hasil yang diperoleh lebih akurat.
Pulau Jawa diwakili oleh 374 grid sehingga persamaan AMH akan berjumlah 374 persamaan. Persamaan tersebut disusun berdasarkan prediktor berupa indeks variabilitas iklim. Indeks variabilitas iklim yang digunakan adalah ENSO (indeks anomali SST Nino 3.4), IOD, , MJO dan anomali SST sekitar Pulau Jawa. Model persamaan AMH diambil dari model persamaan yang mempunyai nilai ! (VIF) kurang dari 5 (untuk menyatakan tidak terjadi multikolinearitas antar indeks) dan nilai -! tiap prediktor < 0.1 (nilai α < 10%). Penyusunan model persamaan AMH tersebut menghasilkan 31 model persamaan (Tabel 3).
Tabel 3 menunjukkan AMH di sebagian besar wilayah Jawa (71% dan 73%) dipengaruhi oleh ENSO (indeks anomali SST Nino 3.4). Hal ini memperkuat hasil penelitian Aldrian dan Susanto (2003) yang menyatakan selama bulan Juni sampai November daerah dengan pola hujan musiman signifikan dipengaruhi oleh ENSO. Hal tersebut juga memperkuat Hendon (2003) yang menyatakan bahwa curah hujan di Indonesia sekitar 50% dipengaruhi oleh ENSO yang diidentifikasi menggunakan SST Nino 3.4. Tabel 3 juga menunjukkan prediktor lain yang dominan memengaruhi wilayah Jawa yaitu anomali SST sekitar Jawa, IOD dan
. mempunyai pengaruh yang lebih kecil dibandingkan dengan tiga faktor lainnya dikarenakan Jawa merupakan wilayah
dengan tipe hujan monsunal. Hal ini sejalan dengan Tristania (2012) yang menyatakan bahwa mempunyai pengaruh yang besar di wilayah dengan tipe hujan lokal seperti di Ambon tetapi pengaruhnya kecil pada tipe hujan monsunal dan ekuatorial. Oleh karena itu, tahap analisis selanjutnya hanya menggunakan ENSO (indeks Anomali SST Nino 3.4) untuk membuat persamaan
AMH .
Tabel 3 menunjukkan pengaruh MJO terhadap AMH di Jawa tidak terlalu dominan. Hal ini bisa diakibatkan karena adanya " yang terlalu besar dalam penggunaaan indeks MJO sebagai prediktor. Indeks MJO yang digunakan adalah indeks pada bulan Juli dan Agustus. Robertson % (2012) menyebutkan bahwa informasi MJO –dalam hal ini menggunakan OLR< dapat meningkatkan dalam jeda waktu yang lebih singkat. Dalam penelitian tersebut, dinyatakan bahwa OLR (salah satu cara untuk menyatakan MJO) bulan November<Desember (mendekati AMH di Jawa bagian timur) mempunyai yang lebih bagus dibandingkan dengan periode dan wilayah lainnya. AMH di Jawa paling awal sekitar dasarian ketiga September sehingga indeks MJO yang digunakan seharusnya minimal bulan September. Lampiran 5 menunjukkan fase MJO fase 3 dan 4 mempunyai korelasi yang cukup besar (sekitar 32% dan 20%) pada bulan Juni dan September. Fase MJO 4 dan 5 bulan Oktober mempunyai korelasi lebih dari 45% terhadap AMH di Jawa. Sementara itu, Fase MJO 3, 4 dan 5 bulan Oktober mempunyai korelasi sekitar 30% terhadap AMH di Jawa. MJO fase 3 dan 4 bulan Juni kurang efektif digunakan sebagai prediktor AMH karena
Tabel 3 Rekap model persamaan awal musim hujan di Pulau Jawa
Indeks Bulan Juli Indeks Bulan Agustus
Pengelompokan Awal Musim Hujan di Jawa
Pengelompokan daerah berdasarkan konstanta dan parameter persamaan AMH bertujuan memudahkan dan menyederhanakan analisis lebih lanjut. Hal ini terkait jumlah grid di Pulau Jawa yang besar yaitu 374 grid. Pengelompokan terdiri atas dua tahap yaitu menentukan jumlah /kelompok yang mewakili dan menentukan metode paling tepat untuk menentukan tersebut.
Penentuan jumlah kelompok dilakukan dengan melihat titik dalam grafik yang mulai naik (Gambar 13). Rekap hasil penentuan jumlah terdapat pada Tabel 4. Hasil yang diperoleh adalah jumlah rata<rata sebanyak tiga (indeks bulan Juli) dan enam (indeks bulan Agustus) .
Tahap selanjutnya adalah menentukan metode yang tepat dengan cara melihat nilai standar deviasi terkecil (Tabel 5). Untuk konstanta regresi persamaan (b0) dan parameter ENSO (b1) jumlah rata<rata dengan nilai standar deviasi terkecil adalah metode . Dengan demikian, secara umum metode yang tepat digunakan adalah metode .
Tabel 4 Rekap Jumlah dengan berbagai metode
Metode Indeks Bulan Juli Indeks Bulan Agustus Langkah
Metode Jumlah dengan standar deviasi terkecil
Indeks Bulan Juli Indeks Bulan Agustus
b0 b1 b0 b1
(a) Indeks bulan Juli (b) Indeks bulan Agustus
Gambar 14 menun
menunjukkan hasil pengelompokan sebanyak tersebut merupakan wilayah dengan konstanta pe pir sama, artinya di daerah tersebut pengaruh pred
pir sama. Wilayah dapat dilihat secara
# 1 indeks bulan Juli (Gambar 14 atas) ber ian selatan, 2 menyebar dari Jawa bara yu dan sekitarnya kemudian Jawa Tengah dan Jawa
3 meliputi Jawa Timur bagian utara dan Indram bulan Agustus (Gambar 14 bawah) tidak menunjukka
6 yang meliputi Jawa Barat bagian sel (Gambar 14) tidak menunjukkan daerah ZOM lam pembagian wilayah hujan di Jawa oleh BM . Marjuki (2011) membagi wilayah Jawa menjadi
iripan AMH sedangkan BMKG membagi Jawa an curah hujan. # dalam penelitian ini berbe pokan yang telah disebutkan karena pembentuk
garuh prediktor (ENSO) terhadap AMH di Jawa.
berdasarkan kemiripan konstanta dan param MH indeks bulan Juli (atas) dan Agustus (bawah)
Model Persamaan Awal Musim Hujan
Model persamaan AMH ini didapatkan dengan memasukkan ENSO sebagai prediktor dan menggunakan AMH . Model persamaan AMH dapat dilihat pada Lampiran 8 dan 9. Nilai koefisien determinasi dari persamaan yang dihasilkan untuk indeks bulan Juli antara 44% ( 3) dan 50% ( 2) dengan rata<rata sebesar 47% sedangkan untuk indeks bulan Agustus antara 12% ( 3) dan 62% ( 2) dengan rata<rata sebesar 40%. Koefisien determinasi tertinggi adalah 50% untuk indeks bulan Juli dan 62% untuk indeks bulan Agustus artinya 50% dan 62% keragaman AMH dapat dijelaskan oleh prediktor ENSO sedangkan 50% dan 38% di pengaruhi oleh prediktor lain. Sementara itu, rata<rata koefisen determinasinya sebesar 47% (indeks bulan Juli) dan 40% (indeks bulan Agustus) artinya secara rata<rata prediktor ENSO mampu menjelaskan sekitar setengah keragaman AMH di Jawa secara baik. Hal ini memperlihatkan bahwa AMH di Jawa merupakan salah satu unsur iklim yang kompleks dan tidak hanya dapat dijelaskan dengan prediktor tersebut, masih banyak faktor lain yang mempengaruhi AMH seperti faktor topografi/lokal dan lainnya. Hasil tersebut juga sejalan dengan Hendon (2003) yang menyatakan bahwa curah hujan di Indonesia sekitar 50% dipengaruhi oleh ENSO yang diidentifikasi menggunakan SST Nino 3.4.
Evaluasi Model Menggunakan (ROC)
(a) (b)
Gambar 15 Contoh hasil kurva ROC di satu kelompok wilayah ( ) (a) AMH mundur dari normal b) AMH maju dari normal
Validasi Model Persamaan AMH
Hasil validasi dinyatakan tepat jika AMH hasil prediksi menggunakan indeks ENSO bulan Juli dan Agustus sama atau mendekati dengan hasil AMH data observasi. Hal ini dapat ditunjukkan dengan sebagian atau seluruh nilai AMH berada di sekitar garis ". Gambar 18 menunjukkan AMH prediksi menggunakan indeks bulan Juli (atas) maupun agustus (bawah) terhadap AMH observasi sebagian besar (75% dan 71%) berada sekitar garis ". Hal tersebut menunjukkan AMH prediksi 75% dan 71% sama atau berbeda dengan beda maksimal 1 dasarian (10 hari) terhadap AMH observasi. AMH pada 3 indeks bulan Agustus (Gambar 18 bawah) paling banyak berada di luar garis
" atau dengan kata lain beda AMH prediksi dengan AMH observasi di
3 tersebut lebih dari 1 dasarian (10 hari). Hal ini dimungkinkan karena nilai koefisien determinasi persamaan AMH yang kecil (12%) pada 3. Hal tersebut menunjukkan keragaman AMH 3 kurang mampu dijelaskan oleh ENSO. Kemungkinan di tersebut faktor lain seperti topografi lebih dominan mempengaruhi keragaman AMH dibandingkan dengan ENSO. Secara umum, AMH prediksi terhadap AMH observasi tahun 2002 sampai 2005 baik menggunakan indeks bulan Juli maupun Agustus menunjukkan hasil yang cukup baik dengan beda ketepatan prediksi maksimal 1 dasarian (10 hari) lebih dari 70%.
Prediksi AMH Tahun 2014
Prediksi AMH tahun 2014 menggunakan data ASST Nino 3.4 prediksi dikarenakan data observasi oleh penyedia data terjadi pada awal Agustus (untuk indeks bulan Juli) dan September (untuk indeks bulan Agustus). Data prediksi ASST Nino 3.4 menggunakan 29 sumber yang dapat diperoleh dari
$ # (IRI).
Tabel 6 dan 7 menunjukkan AMH tahun 2014 di Jawa yang dibangun berdasarkan indeks bulan Juli cenderung sama dengan normal ( 1 dan 2). Meskipun diprediksi terjadi El Nino kemungkinan bukan El Nino kuat
sebagaimana tahun 1997 sehingga kecenderungan AMH di Jawa masih sama dengan rata<rata normal. Sementara itu, 29 model prediksi ASST Nino 3.4 bulan Juli, 17 dari 29 model atau 59% menyatakan 1 mempunyai AMH sama dengan normal, seluruh model menyatakan 2 mempunyai AMH sama dengan normal dan 27 dari 29 model atau 93% menyatakan 3 mempunyai AMH mundur dari normal. Tabel 10 dan 11 menunjukkan AMH tahun 2014 di Jawa yang dibangun berdasarkan indeks bulan Agustus cenderung seimbang antara AMH mundur dari normal dan AMH sama dengan normal, tetapi kecenderungan AMH mundur dari normal lebih besar dibandingkan dengan AMH sama dengan normal berdasarkan jumlah grid dalam ( 1, 2 dan 6). Sementara itu, 29 model prediksi ASST Nino 3.4 bulan Agustus, 24 dari 29 model atau 83% menyatakan 1 mempunyai AMH mundur dari normal, 27 dari 29 model atau 93% menyatakan 2 mempunyai AMH mundur dari normal, seluruh model menyatakan 3 mempunyai AMH sama dengan normal, 23 dari 29 model atau 79% menyatakan 4 mempunyai AMH sama dengan normal, seluruh model menyatakan 5 mempunyai AMH sama dengan normal, dan 26 dari 29 model atau 90% menyatakan 6 mempunyai AMH mundur dari normal. Jadi secara umum, berdasarkan prediksi ASST Nino 3.4 bulan Juli sebagian besar wilayah Jawa ( 1 dan 2) cenderung sama dengan normal sedangkan sebagian kecil lain ( 3) mundur dari normal. Sementara itu, berdasarkan prediksi ASST Nino 3.4 bulan Agustus sebagian besar wilayah Jawa ( 1, 2 dan 6) cenderung mundur dari normal sedangkan sebagian lain ( 3, 4 dan 5) sama dengan normal.
Tabel 8 dan 9 menunjukkan AMH tahun 2014 yang dibangun berdasarkan indeks bulan Juli cenderung terjadi pada bulan November ( 1 dan 2). Sementara itu, 29 model prediksi ASST Nino 3.4 bulan Juli, seluruh model menyatakan AMH 1 dan 2 terjadi pada bulan November dan AMH
Tabel 6 Prediksi AMH tahun 2014 dari rata<rata normal menggunakan indeks bulan Juli
Model 1 2 3
# & # 6 7 normal normal mundur
5 5 8 5 mundur normal mundur
5" normal normal mundur
% 2# mundur normal mundur
mundur normal mundur
5! " @ normal normal mundur dengan 29 model menggunakan indeks bulan Juli
Jumlah model Persentase
Maju Normal Mundur Maju Normal Mundur
# 1 0 17 12 0.00% 58.62% 41.38%
# 2 0 29 0 0.00% 100.00% 0.00%
Tabel 8 Prediksi AMH tahun 2014 menggunakan indeks bulan Juli
Oktober November Desember Oktober November Desember
# 1 0 29 0 0.00% 100.00% 0.00%
# 2 0 29 0 0.00% 100.00% 0.00%
Tabel 10 Prediksi AMH tahun 2014 dari rata<rata normal menggunakan indeks
mundur mundur normal normal normal mundur
5"
mundur mundur normal normal normal mundur
% 2# mundur mundur normal normal normal mundur
9
-normal mundur -normal -normal -normal mundur
& 5 5:5 ;
normal normal normal normal normal normal
# 1 mundur mundur normal normal normal mundur
<= mundur mundur normal normal normal mundur
= 5:= ; <
mundur mundur normal mundur normal mundur
# %
# mundur mundur normal normal normal mundur
# 95 ## /
mundur mundur normal mundur normal mundur
5 #
mundur mundur normal normal normal mundur
# mundur mundur normal mundur normal mundur
# - -/
mundur mundur normal normal normal mundur
8 9 # 7%>
# #
normal mundur normal normal normal mundur
# #
mundur mundur normal mundur normal mundur
8 9 # 7%?
9 #
# mundur mundur normal normal normal mundur
5! " @
mundur mundur normal normal normal mundur
Model 1 2 3 4 5 6
9 A=
#9 & mundur mundur normal mundur normal mundur
< !% *#
normal mundur normal normal normal normal
< " mundur mundur normal normal normal mundur
# -<#95 mundur mundur normal mundur normal mundur
< *A#1#
 mundur mundur normal normal normal mundur
5! " @
mundur mundur normal normal normal mundur
5! " @ @ mundur mundur normal normal normal mundur
Tabel 11 Jumlah dan persentase prediksi AMH tahun 2014 dari rata<rata normal dengan 29 model menggunakan indeks bulan Agustus
Jumlah model Persentase
Maju Normal Mundur Maju Normal Mundur
# 1 0 5 24 0.00% 17.24% 82.76%
# 2 0 2 27 0.00% 6.90% 93.10%
# 3 0 29 0 0.00% 100.00% 0.00%
# 4 0 23 6 0.00% 79.31% 20.69%
# 5 0 29 0 0.00% 100.00% 0.00%
Model 1 2 3 4 5 6
Hasil penelitian menunjukkan bahwa ENSO (indeks anomali SST Nino 3.4) merupakan indeks variabilitas iklim yang dominan memengaruhi AMH di Pulau Jawa. Model persamaan AMH dan ENSO menghasilkan nilai koefisien determinasi antara 44% sampai 50% (indeks bulan Juli) dan 12% sampai 62% (indeks bulan Agustus) dengan rata<rata nilai koefisien determinasi sebesar 47% (indeks bulan Juli) dan 40% (indeks bulan Agustus). Evaluasi dari model persamaan menggunakan ! " # (ROC) untuk tiga dan enam di Pulau Jawa menunjukkan mundur indeks bulan Juli sebesar 83% sedangkan indeks bulan Agustus sebesar 86% dan maju indeks bulan Juli sebesar 84% sedangkan indeks bulan Agustus sebesar 76%. Hal ini menunjukkan bahwa persamaan tersebut mempunyai kemampuan yang baik dalam menggambarkan AMH mundur maupun maju dari rata<rata normal. Validasi persamaan AMH menggunakan data tahun 2002 sampai 2005 menunjukkan AMH prediksi menggunakan indeks bulan Juli dan Agustus dengan AMH observasi dengan perbedaan maksimal 1 dasarian (10 hari) sebesar 75% dan 71%. Model persamaan tersebut jika diaplikasikan untuk memprediksi AMH tahun 2014 dengan indeks bulan Juli menggunakan prediksi ASST Nino 3.4 dari
$ # (IRI),
menunjukkan bahwa AMH di sebagian besar wilayah Jawa cenderung sama dengan normal sedangkan prediksi AMH tahun 2014 dengan indeks bulan Tabel 13 Jumlah dan persentase prediksi AMH tahun 2014 dari 29 model
menggunakan indeks bulan Agustus
Jumlah model Persentase
Oktober November Desember Oktober November Desember
Agustus menunjukkan AMH di sebagian besar wilayah Jawa mundur dari normal. Selain itu, AMH tahun 2014 sebagian besar wilayah Jawa terjadi bulan November.
DAFTAR PUSTAKA
Aldrian E, Susanto RD. 2003. Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature.
# %23:1435<1452.
Ashok K, Behera SK, Rao SA, Weng H, Yamagata T. 2007. El Niño Modoki and
its teleconnection. 8 % 112: C11007.
doi:10.1029/2006JC003798.
[BMKG] Badan Meteorologi Klimatologi dan Geofisika. 2013. & 2 ( 7B>/A7B>C . Jakarta (ID): BMKG.
Boer R, Subbiah AR. 2005. Agricultural drought in Indonesia. Di dalam: Boken VK, Cracknell AP, Heathcote RL, editor. " & " 5" " D 5 8 $ . New York (US): Oxford University Press. hlm 330<344.
Boer R, Wahab I, Hariadi MH. 2007. Understanding farmers’ need to climate information. 8 . 8(2):84<90.
Boer R, Wahab I, Perdinan, Meinke H. 2004. The use of global climate forcing for rainfall and yield prediction in Indonesia: case study at Bandung District. [diunduh 2014 Jun 16]. Tersedia pada: http://www.cropscience.org.au/icsc2004/poster/2/6/1854_boerr.htm.
[BPS] Badan Pusat Statistik. 2013. Tabel luas panen<produktivitas<produksi tanaman padi seluruh provinsi. [diunduh 2014 Jan 4]. Tersedia pada: http://www.bps.go.id/tnm_pgn.php?kat=3&id_subyek=53¬ab=0.
Braak C. 1920. Long<range forecasting in Java. 1 !%414<415. Chang CP. 2005. The maritime continent monsoon. Di dalam: Chang CP, Wang B,
Lau NGC, editor. 8 $ D .
Geneva (CH): World Meteorological Organization. hlm 156<178.
D’Arrigo R, Wilson R. 2008. El Nino and Indian Ocean influences on Indonesian drought: implications for forecasting rainfall and crop productivity.
# 28:611<616. doi:10.1002/joc.1654
De Datta SK. 1981. & & & . Canada (US): John Wiley and Sons. hlm 327.
Estiningtyas W. 2007. Pengaruh tenggang waktu ( ") antara curah hujan dengan suhu permukaan laut Nino 3.4 terhadap performa model prediksi hujan. 8 %8(1):13<26.
Ghill M. 2002. Natural climate variability. Di dalam: Munn T, MacCracken MC,
Perry JS, editor. 8 $ ! # " . Volume 1.
D & # 8 $
! # " . Chichester (GB): John Wiley and Sons. hlm 544< 549.
Gunawan D, Linarka UA. 2011. Penentuan prediktor untuk prediksi curah hujan bulanan menggunakan metode statistical dynamical downscaling.
Hackert EC, Hastenrath. 1986. Mechanism of Java rainfall. 1 !%
114:745<757.
Hamada JI, Yamanaka MD, Matsumoto J, Fukao S, Winarso PA, Sribimawati T. 2002. Spatial and temporal variations of the rainy season over Indonesia and their link to ENSO. %80(2):285<310.
Hastenrath S. 1987. Predictability of Java monsoon rainfall anomalies: A Case Study. # 5 %26:133<141.
Haylock M, McBride J. 2001. Spatial coherence and predictability of Indonesian wet season rainfall. # %14:3882<3887.
Hendon H. 2003. Indonesian rainfall variability: impact of ENSO and local air<sea interaction. # % 16: 1775<1790.
Henry AJ. 1927. Berlage on east monsoon forecasting for Java. 1 !%
395<398. Indonesian rainfall variability in austral summer. # % 30:1816< 1825. doi: 10.1002/joc.2005
Kadarsah. 2010. Aplikasi ROC untuk uji kehandalan model HyBMG.
8 % 11(1):32<42.
Lau K, Chan PH. 1983. Short<term climate variability and atmospheric teleconnections from satellite<observed outgoing longwave radiation. Part II: Lagged correlation. 5 %40:2751<2767.
Madden RA, Julian PR. 1994. Observations of a 40<50 day tropical oscillation<a review. 1 !% 122:814<837.
Marjuki. 2011. Model prediksi awal musim hujan di Pulau Jawa dengan menggunakan informasi suhu muka laut di Kawasan Pasifik dan India [tesis]. Bogor (ID): Institut Pertanian Bogor.
Mason SJ, Graham NE. 1999. Conditional probabilities, relative operating characterstics, and relative operating levels. 5 % 14:713<725. Moron V, Robertson AW, Boer R. 2009. Spatial coherence and seasonal
predictability of monsoon onset over Indonesia. # % 22: 840<850. doi:10.1175/2008JCLI2435.1.
Naylor R, Falcon W, Wada N, Rochberg D. 2002. Using El<Nino Southern Oscillation climate data to improve food policy planning in Indonesia. *
%38(1):75<91.
Naylor RL, Battisti DS, Vimont DJ, Falcon WP, Burke MB. 2007. Assessing risks of climate variability and climate change for Indonesian rice agriculture.
& 5 % 104:7752<7757.
Naylor RL, Falcon WP, Rochberg D, Wada N. 2001. Using El Nino/Southern Oscillation climate data to predict rice production in Indonesia. # # "%50:255<265.
Padama ZI, Hariadi. 2007. Pengaruh terhadap curah hujan di Indonesia. * = 8 %3(2):118<144.
Piani C, Haerter JO, Coppola E. 2010. Statistical bias correction for daily precipitation in regional climate models over Europe. 5 # %
99:187<192. doi:10.1007/s00704<009<0134<9.
Qian JH, Robertson A, Moron V. 2010. Interactions among ENSO, the monsoon, and diurnal cycle in rainfall variability over Java, Indonesia. 5 %
67:3509<3524. relationship between climate variability modes and river discharges of Citarum Basin, Indonesia. 5 & ! % 54B.
Saji NH, Goswami BN, Vinayachandran PN, Yamagata T. 1999. A dipole mode in the Tropical Indian Ocean. %40:360<363.
Sari IR. 2007. Prediksi musim menggunakan metode ARIMA: studi kasus ZPI 104 Jawa Timur. * = 8 %3(1):21<25.
Schickedanz PT, Krause GF. 1970. A test for the scale parameters of two gamma distributions using the generalized likelihood ratio. 5 % 9:13< 16.
Setyadipratikto A, Setyawan F, Sulistyorini D. 2010. 2 * 8
& & ! & ! - .
5& # # # & 5 ; 2010 Jun
20<24; Busan, Korea Selatan. Busan (KR).
Suryantoro A, Krismianto, Yulihastin E. 2010. Penentuan onset monsun di Jawa Barat, Banten dan DKI Jakarta berbasis satelit TRMM. & "
' 7B>B.
Swarinoto YS, Makmur EES. 2010. Simulasi prediksi probabilitas awal musim hujan dan panjang musim hujan di ZOM 126 Denpasar. 8 %
11:1<13.
Swarinoto YS. 2010. Evaluasi kehandalan simulasi informasi prakiraan iklim musiman menggunakan metode ROC (kasus ZOM 126 Denpasar).
8 % 11(2):116<126.
Syaifullah D. 2010. Analisis suhu muka laut Selatan Jawa dan pengaruhnya terhadap curah hujan DAS Citarum. # . 11(2):11< 19.
Tjasyono B, Bannu. 2003. Dampak ENSO pada faktor hujan di Indonesia.
% 8:15<22.
Tjasyono B, Gernowo R, Harijono SWB, Juaeni I. 2008a. #
.
