29
ANALISIS INDEKS PRECIPITABLE WATER, KOMPONEN ANGIN ZONAL DAN MERIDIONAL SEBAGAI PREDIKTOR CURAH
HUJAN BULANAN DI KOTA SORONG, PAPUA BARAT
ANALYSIS INDEX OF PRECIPITABLE WATER, ZONAL AND MERIDIONAL WIND COMPONENTS AS A MONTHLY RAINFALL PREDICTORS IN SORONG CITY, WEST
PAPUA REGION
Andre Kadmaerubun1*, Presli Panusunan Simanjuntak2
1Stasiun Klimatologi Jayapura, Jalan Yaring Tabri No 69 Genyem Nimboran,Jayapura, 99361, Indonesia
2Stasiun Klimatologi Bangka Tengah, Padang Mulia Koba,Bangka Tengah, 33681, Indonesia
E-mail: [email protected]
ABSTRAK
Sorong, Papua Barat merupakan suatu wilayah di Indonesia bagian timur yang memiliki keindahan alam sangat indah dan potensial untuk dikelola sebagai daerah pariwisata serta perkebunan. Informasi prediksi curah hujan bulanan merupakan informasi penting yang dapat digunakan sebagai acuan dalam pengembangan tanaman perkebunan diantaranya cengkeh dan kelapa dikota Sorong. Penelitian ini bertujuan untuk mengetahui bagaimana performa single predictor dan indeks gabungan precipitable water, komponen angin zonal serta meridional terhadap prediksi curah hujan di Sorong,Papua Barat. Penelitian ini menggunakan metode indeks gabungan precipitable water, komponen angin zonal dan meridional serta metode korelasi untuk menetukan lokasi prediktor terbaik, metode regresi linear sederhana untuk melakukan prediksi curah hujan, dan metode Root Mean Square Error untuk mengetahui metode terbaik yang dapat digunakan. Hasil penelitian menunjukan bahwa Indeks gabungan precipitable water dan komponen angin dapat digunakan sebagai prediktor curah hujan bulanan di Sorong
Kata kunci: Angin Meridional, Angin Zonal, Curah Hujan, Precipitable Water, Regresi Linear Sederhana
ABSTRACT
Sorong, West Papua is an area in eastern Indonesia that has very beautiful natural beauty and has the potential to be managed as a tourism and plantation area. Monthly rainfall prediction information is important information that can be used as a reference in the development of plantation crops including clove and coconut in Sorong city. This study aims to find out how the performance of the single predictor and the combined index of precipitable water, zonal and meridional wind components to predict rainfall in Sorong, West Papua. This study uses the combined index method of precipitable water, zonal and
30 meridional wind components and correlation methods to determine the best predictor location, simple linear regression method to predict rainfall, and the Root Mean Square Error method to find out the best method that can be used. The results showed that the combined precipitbale water index and wind component can be used as predictors of monthly rainfall in Sorong.
Keywords: Linear Regression, Meridional Wind, Precipitable Water, Rainfall Zonal Wind.
1. PENDAHULUAN
Curah hujan merupakan salah satu unsur cuaca dan iklim yang memiliki pengaruh dominan di daerah tropis seperti Indonesia. Harijono (2008) berpendapat bahwa pemahaman mengenai karakteristik curah hujan, baik variabilitas dan kondisi ekstrem penting untuk menunjang aktivitas manusia. Informasi data curah hujan bermanfaat dalam berbagai bidang antara lain perairan, perhubungan, dan pertanian. Secara umum, manfaat informasi data curah hujan menurut Desvina dan Ratnawati (2015) adalah meningkatkan kewaspadaan terhadap akibat negatif yang dapat ditumbulkan oleh curah hujan sehingga terhindar dari kerugian dan bencana. Informasi prediksi curah hujan bulanan yang dibutuhkan dalam layanan untuk berbagai sektor. Prediksi curah hujan bulanan saat ini terkadang masih sulit diprediksi dengan benar karena adanya berbagai faktor teknis seperti sifat curah hujan yang dinamis serta berbagai proses fisis kompleks yang melingkupinya.
Precipitable water (PW) merupakan salah satu indikator yang dapat digunakan sebagai prediktor curah hujan bulanan di suatu wilayah. Precipitable water (air mampu curah) adalah semua uap air di udara pada suatu waktu terkondensasi dan jatuh sebagai hujan (Setiawan, 2006). Uap air berhubungan erat dengan pembentukan awan dan produksi hujan yang mengisi sungai, waduk, air tanah dan sumber air tawar lainnya, dan sangat penting bagi keberadaan dan kelimpahan kehidupan (Callahan, 2014). Uap air yang ada di atmosfer berperan besar dalam kesetimbangan radiasi dan siklus hidrologi. Jumlah uap air yang ada di atmosfer bumi adalah bervariasi, baik terhadap waktu maupun terhadap ruang. Daerah yang paling banyak mengandung uap air adalah daerah khatulistiwa yaitu sekitar 4% dari jumlah total gas yang ada di atmosfer bumi. Sebaliknya daerah yang memiliki suhu sangat rendah (misalnya daerah kutub) hanya memiliki kandungan uap air sebesar 1% (Hamdi, 2016).
Selain precipitable water pergerakan angin secara horizontal juga dapat menjadi prediktor prediksi curah hujan bulanan. Di Indonesia dikenal adanya angin monsun. Angin monsun adalah perubahan arah angin yang diakibatkan oleh perbedaan sifat fisik antara daratan dan lautan (Tjasyono, dkk, 2008). Beberapa pembentuk struktur medan angin pada lapisan troposfer di daerah tropis seperti Indonesia yakni sirkulasi Walker dan sirkulasi Hadley.
Sirkulasi walker adalah gerakan angin horizontal arah timur barat yang disebut juga sebagai sirkulasi angin zonal, sementara itu sirkulasi Hadley adalah gerakan angin horizontal arah utara selatan yang disebut juga sebagai sirkulasi angin meridional. Konvergensi sirkulasi meridional di belahan bumi utara dan selatan menyebabkan hujan lebat di daerah tropis
31 terutama di daerah Inter Tropical Convergence Zone (ITCZ) yang sepanjang tahun bergerak ke arah utara dan selatan. Hujan lebat yang terjadi di daerah ITCZ ini bergerak mengikuti arah pergerakan matahari. Sirkulasi zonal dalam kondisi normal berada di wilayah Indonesia, berbeda saat periode El-nino, terjadi subsidensi di atas wilayah Indonesia yang menghambat sirkulasi Hadley dan lokal, sehingga mengurangi curah hujan di Indonesia.
Informasi prediksi curah hujan bulanan sangat diperlukan untuk wilayah Papua Barat, secara khusus di kota Sorong sebagai ibukota propinsi. Informasi prediksi curah hujan bulanan dapat digunakan sebagai acuan dalam pengembangan tanaman perkebunan diantaranya cengkeh dan kelapa di kota Sorong.
2. METODE PENELITIAN 2.1 Wilayah Penelitian
Wilayah dalam penelitian ini menggunakan data curah hujan bulanan di Stasiun Meteorologi Seigun Sorong, Papua Barat dan precipitable water perairan wilayah Papua periode tahun 1986-2015 yang ditunjukan oleh Gambar 1.
Gambar 1. Lokasi Penelitian 2.2 Data Penelitian
Data yang digunakan dalam penelitian ini antara lain:
1. Data observasi curah hujan bulanan periode 1986-2018 yang diperoleh dari Stasiun Meteorologi Seigun kota Sorong. Data curah hujan periode 1986-2015 digunakan
32 untuk pembuatan model dan tahun 2016-2018 digunakan untuk validasi dan analisis error.
2. Data precipitable water bulanan periode 1986-2015 dengan wilayah 125 ͦ BT – 140 ͦ BT dan 10 ͦ LU - 15 ͦ LS. Daerah dengan luasan tersebut dibagi menjadi 15 grid dengan resolusi 2.5 ͦ x2.5 ͦ dan diperoleh dari NOAA https://iridl.ldeo.columbia.edu/, dan daerah pengambilan data ditunjukan pada Gambar 2.
3. Data komponen angin Zonal dan meridional pada lapisan 850 mb bulanan dengan resolusi 2.5 ͦ x2.5 ͦ pada wilayah 125 ͦ BT – 140 ͦ BT dan 10 ͦ LU - 15 ͦ LS untuk periode 1986-2015 yang diperoleh dari NOAA https://iridl.ldeo.columbia.edu/, dan daerah pengambilan data ditunjukan oleh Gambar 2
Gambar 2. Grid Data Precipitable Water dan Komponen Angin 2.3 Metode Pengolahan Data
2.3.1 Pengolahan Data Observasi
Data curah hujan yang diperoleh dari 3 stasiun BMKG yakni stasiun meteorologi Seigun kota Sorong di jumlahkan menjadi data curah hujan bulanan seperti Pers. (1).
𝐶𝐻𝑏𝑢𝑙𝑎𝑛𝑎𝑛 = ∑𝑛𝑖=1𝐶𝐻 (1) Keterangan:
𝐶𝐻𝑖=1 = Curah Hujan Hari Pertama ;
n= Jumlah Hari Menurut Bulan Masing-Masing;
𝐶𝐻𝑛 = Curah Hujan Hujan Hari ke-n
Data akumulasi curah hujan bulanan dari bulan Januari hingga bulan Desember kemudian di rata-rata untuk memperoleh nilai rata-rata normal 30 tahun dengan rumusan seperti Pers. (2).
33 𝑋̅ =1
𝑛 (𝑥1+ 𝑥2+ 𝑥3+ . . . 𝑥𝑛 ) (2) Keterangan:
𝑋̅ = Rata-Rata Curah Hujan Bulanan 30 Tahun;
n= Jumlah Tahun Data Curah Hujan ; 𝑥𝑛=Jumlah Curah Hujan bulan ke-n
2.3.2 Analisis Anomali Curah Hujan Bulanan
Perhitungan anomali curah hujan bulanan digunakan untuk mengetahui sifat dari hujan yang terjadi di wilayah penelitian dalam kurun waktu tertentu. Anomali curah yang terjadi pada bulan tertentu merupakan selisih antara nilai pengamatan pada suatu bulan tertentu dengan nilai rata-rata bulan tersebut pada periode pengamatan. Perumusan anomali curah hujan bulanan dirumuskan sebagai berikut (Marhendi,2011):
𝐴𝐶𝐻 = 𝐶𝐻𝐵 − 𝑅𝐶𝐻 (3)
Keterangan : ACH = Anomali curah hujan bulanan CHB = Curah hujan bulanan
RCH = Rerata curah hujan bulanan 2.3.3 Perhitungan Indeks Gabungan
Perhitungan Indeks gabungan Precipitable water dan komponen angin di peroleh dari penjumlahan PW, komponen angin terhadap anomali curah hujan terpilih. Data anomali curah hujan yang dipilih adalah yang memiliki pola mirip dengan curah hujan rata-rata 30 tahun di wilayah penelitian. Semakin mirip pola anomali CH terpilih dengan CH 30 tahun maka semakin baik korelasi dan hasil prediksi curah hujan yang diperoleh.
Tabel 1. Perhitungan Indeks Gabungan Precipitable water (pw) dan komponen angin zonal (u) dan komponen angin meridional (v)
Keterangan:
pw (x) : Merupakan wilayah Grid PW dengan korelasi tertinggi dengan CH Wilayah penelitian.
U (x) : Merupakan wilayah Grid U dengan korelasi tertinggi dengan CH Wilayah penelitian.
Tahun Anomali CH Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nop Des Daerah Penelitian
pw (x) u (x) v (x)
Indeks Gabungan
34 V (x) : Merupakan wilayah Grid V dengan korelasi tertinggi dengan CH
Wilayah penelitian.
Setelah memperoleh data anomali curah hujan bulanan, kemudian dilakukan perhitungan precipitable water (pw), komponen angin zonal (u) dan komponen angin meridional (v) sehingga memperoleh nilai yang sesuai dengan nilai anomali curah hujan bulanan yang ada.
2.3.4 Analisis Korelasi
Dalam penelitian ini, korelasi pearson digunakan untuk untuk mengetahui seberapa erat hubungan antara suatu variabel dengan variabel lainnya dimana data kedua variabel berbentuk interval. Persamaan korelasi Pearson dirumuskan sebagai berikut (Supranto, J 2000):
𝑟 = 𝑛 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
√(𝑛 ∑ 𝑥2−(∑ 𝑥)2(𝑛 ∑ 𝑦2−(∑ 𝑦)2) (4) Keterangan: r = Koefisien korelasi
x = variabel 1 ( variabel PW dan komponen angin) y = variabel 2 (variabel curah hujan bulanan) n = jumlah sampel
2.3.5 Analisis Regresi Linear Sederhana
Metode regresi linear sederhana dilakukan dengan cara membentuk persamaan regresi agar dapat melakukan simulasi prediksi curah hujan bulanan di Papua Barat terhadap prediktor Precipitable Water, angin zonal dan angin meridional yang memiliki korelasi terkuat serta hasil perhitungan index gabungan. Persamaan regresi linier sederhana dirumuskan (Sugiyono, 2014) :
𝑦 = 𝑎 + 𝑏
𝑥 (5)Keterangan: y = Variabel dependen atau nilai yang diprediksikan 𝑎 = konstanta (nilai 𝑌′ apabila X=0)
𝑏 = koefisien regresi (nilai peningkatan atau penurunan) 𝑥 = variabel independen (penduga)
2.3.6 Metode Validasi
Metode validasi digunakan dalam penelitian ini untuk mengetahui tingkat kesalahan prakiraan dengan data aktualnya. Dalam penelitian ini validasi menggunakan metode RMSE (Root Mean Square Error). RMSE adalah nilai rata-rata akar kuadrat residu antara prakiraan dan observasi, untuk mengetahui rata-rata besaran dan simpangan atau errornya.
35 𝑅𝑀𝑆𝐸 = √∑𝑛𝑖=1(𝑃𝑖−𝑞𝑖)2
𝑛 (6)
Keterangan:
𝑃𝑖= 𝑁𝑖𝑙𝑎𝑖 𝑝𝑟𝑎𝑘𝑖𝑟𝑎𝑎𝑛 𝑘𝑒 − 𝑖 𝑄𝑖= 𝑁𝑖𝑙𝑎𝑖 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 𝑘𝑒 − 𝑖 n = banyaknya data
Semakin kecil nilai RMSE maka tingkat kesesuaian antara hasil prediksi dengan data observasi semakin besar.
3. HASIL DAN PEMBAHASAN
3.1 Korelasi Curah Hujan (CH) Kota Sorong dengan Precipitable Water (PW), Komponen Angin Zonal dan Meridional
Distribusi spasial korelasi curah hujan di kota Sorong yang dalam hal ini diwakili oleh Stasiun Meteorologi Seigun Sorong terhadap beberapa variabel penelitian yakni precipitable water (PW), komponen angin zonal dan meridional adalah sebagai berikut:
Gambar 3. Korelasi Curah Hujan Kota Sorong dengan (a) Precipitable Water;
(b) Komponen Angin Zonal ; (c) Komponen Angin Meridional
Berdasarkan pada Gambar 3 (a) di atas dapat diketahui, korelasi antara curah hujan (CH) di Sorong dengan precipitable water selama kurun waktu 30 tahun data yakni 1986-2015. Dari data precipitable water diambil satu titik yang memiliki korelasi terkuat dengan curah hujan di Sorong. Peta korelasi di atas menunjukan bahwa korelasi terkuat positif antara CH dengan PW terjadi di sekitar samudera pasifik dengan korelasi mencapai 0.87 terletak pada grid koordinat 7.5 LU dan 137.5 BT. Nilai korelasi ini menunjukan adanya hubungan antara PW dan CH di wilayah Sorong. PW yang meningkat kemungkinan dapat meningkatkan curah hujan di Sorong.
(a) )
(b) )
(c))
36 Berdasarkan Gambar 3 di atas dapat diketahui korelasi antara curah hujan di Sorong dengan angin zonal (b) dan angin meridional (c) selama kurun waktu 30 tahun data yakni 1986-2015.
Peta korelasi di atas menunjukan bahwa korelasi angin zonal dan CH Sorong berkisar antara -0.90 sampai 0.78, dengan korelasi terkuat positif berada di utara kota Sorong pada grid koordinat 7.5 LU dan 127.5 BT, kemudian korelasi terkuat negatif berada di selatan kota Sorong pada grid koordinat 2.5 LS dan 132.5 BT. Sementara itu, untuk korelasi antara angin meridional dan CH Sorong berkisar antara -0.53 hingga 0.91, dengan korelasi terkuat positif berada di utara kota Sorong pada grid koordinat 7.5 LU dan 127.5 BT, kemudian korelasi terkuat negatif berada di sekitar laut banda pada grid kordinat 12.5 LS dan 127.5 BT.
3.2 Pola Curah Hujan, Precipitable Water dan Komponen Angin Zonal dan Meridional di Kota Sorong
Berikut ini adalah grafik hubungan precipitable water, komponen angin zonal dan meridional dengan curah hujan bulanan di Kota Sorong berdasarkan korelasi terkuat di grid yang telah terpilih:
Gambar 6. Pola Curah Hujan Kota Sorong dengan (a) Precipitable Water Terpilih Grid 3;
(b) Komponen Angin Zonal (u) Terpilih Grid 1 ; (c) Komponen Angin Meridional (v) Terpilih Grid 1
Dari gambar 6 di atas dapat diketahui bahwa pola curah hujan Sorong adalah pola curah hujan lokal dengan puncak curah hujan tertinggi terjadi pada bulan Mei hingga Agustus dan pada bulan November hingga Februari curah hujannya lebih sedikit. Pola rata-rata precipitable water dalam penelitian memiliki pola yang mirip dengan pola curah hujan di Sorong. Hal ini sebagaimana terlihat pada gambar 6 (a), dimana saat curah hujan mengalami peningkatan diikuti pula dengan dengan meningkatnya precipitable water. Sementara itu, saat kondisi curah hujan menjadi lebih sedikit precipitable water juga ikut turun.
(a)) (b))
(c) )
37 Gambar 6 (b) diatas menunjukan bahwa saat puncak musim hujan terjadi, angin zonal baratan lebih dominan berhembus di Sorong. Sementara saat curah hujan berkurang, angin zonal timuran lebih dominan berhembus di Sorong. Peralihan angin zonal timuran ke angin zonal baratan dapat menggambarkan peningkatan curah hujan terjadi di Sorong. Demikian halnya, saat peralihan angin zonal baratan ke angin zonal timuran dapat menggambarkan berkurangnya curah hujan di Sorong.
Gambar 6 (c) di atas dapat menunjukan bahwa saat puncak musim hujan terjadi, angin meridional dari selatan lebih dominan berhembus di Sorong. Sementara saat curah hujan berkurang, angin meridional dari utara lebih dominan berhembus di Sorong. Peralihan angin meridional dari utara ke angin meridional dari selatan dapat menggambarkan peningkatan curah hujan terjadi di Sorong. Demikian halnya, saat peralihan angin meridional dari selatan ke angin meridional dari utara dapat menggambarkan berkurangnya curah hujan di Sorong.
3.3 Indeks Gabungan Precipitable Water (pw), Komponen Angin Zonal (u) dan Meridional (v) untuk Kota Sorong
Indeks gabungan precipitable water dan komponen angin disusun berdasarkan anomali curah hujan bulanan serta korelasi terkuat masing-masing prediktor dengan 15 grid yang telah di tetapkan.
Penyusunan indeks gabungan precipitable water dan komponen angin di mulai dengan menghitung anomali curah hujan bulanan di Sorong. Selanjutnya dipilih anomali curah hujan bulanan yang memiliki pola mirip dengan pola curah hujan bulanan di Sorong untuk memperoleh hasil indeks yang baik untuk prediksi.
Tabel 3. Anomali Curah Hujan Bulanan Kota Sorong
Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nop Des -10 77 122 -7 166 106 262 334 172 162 119 55
Anomali curah hujan bulanan di Sorong pada tahun 2008 ditunjukan oleh Tabel 3. di atas, dimana sebagian besar anomali curah hujan bulanan bernilai positif yakni sebanyak 10 bulan dan terdapat 2 anomali curah hujan bulanan bernilai negatif. Hal ini menunjukan bahwa curah hujan tahun 2008 cenderung lebih tinggi dibandingkan dengan normalnya. Anomali curah hujan maksimum pada tahun 2012 adalah pada bulan Agustus sebesar 334 mm. Nilai positif menandakan curah hujan tersebut lebih tinggi dari curah normalnya dengan selisih sebesar 334 mm. Sementara itu, anomali curah hujan minimum di tahun yang sama ada pada bulan April, dimana nilai negatif menunjukan bahwa curah hujan tersebut lebih rendah dari curah hujan normalnya.
38 Tabel 4. Perhitungan Indeks Gabungan untuk Kota Sorong
Tabel 4 di atas merupakan hasil perhitungan indeks gabungan precipitable water, angin zonal dan angin meridional. pw yang digunakan adalah pw dari grid 3, u yang digunakan adalah u dari grid 1, v yang digunakan adalah v dari grid 1, hal ini berlandaskan pada korelasi terkuat variabel dengan curah hujan di Sorong.
Gambar 7. Anomali Curah Hujan Sorong dan Indeks Gabungan
Dari hasil perhitungan diperoleh 3 persamaan indeks gabungan, namun dari hasil analisis seperti pada Gambar 7 di atas, persamaan 1 adalah yang memiliki kemiripan pola dengan anomali curah hujan di Sorong. Semakin mirip pola, hasil perhitungan indeks dengan anomali curah hujan maka semakin baik dan dapat digunakan sebagai prediktor untuk memprediksi curah hujan bulanan. Persamaan perhitungan indeks gabungan 1 yang telah diperoleh dirumuskan dalam Tabel 5 di bawah ini.
Tahun 2008 Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nop Des
SOQ -10 77 122 -7 166 106 262 334 172 162 119 55
pw3 45.43 47.97 43.87 48.25 53.44 50.3 51.42 51.6 53.71 50.93 50.85 47.87 u1 -7.6 -6.37 -5.94 -4.63 0.04 2.76 2.6 2.91 5.98 1.11 -7.07 -7.64 v1 -1.58 -1.3 -1.48 -0.95 0.33 2.01 2.07 2.84 1.29 0.49 -1.83 -1.75 IGAB 1 -10.38 77.3 122.45 -7.17 165.8 106.08 262.09 333.51 172.44 161.54 119.95 55.48 IGAB 2 -56.38 -14.36 47.29 -46.17 83.15 75.08 112.09 177.35 -66.1 123.54 72.95 23.77 IGAB 3 57.25 146.3 157.45 47.68 263.8 175.08 327.09 387.35 256.44 272.54 156.95 80.48
39 Tabel 5. Persamaan Indeks Gabungan untuk Kota Sorong
Indeks Gabungan Sorong
Jan pw-40-u-15-v-10 Jul pw+90+u+58+v+58 Feb pw+20+u+11+v+6 Agu pw+120+u+81+v+78 Mar pw+40+u+25+v+21 Sep pw+55+u+30+v+27 Apr pw-40-u-13-v-8 Okt pw+60+u+25+v+24 Mei pw+60+u+26+v+26 Nop pw+40+u+20+v+18
Jun pw+30+u+11+v+10 Des pw+10+u+6+v+1 3.4 Prediksi Curah Hujan Kota Sorong
Dari hasil pengolahan data yang dilakukan, berikut ini adalah persamaan regresi linear sederhana yang digunakan dalam membuat model prediksi di kota Sorong:
Tabel 6. Persamaan odel Regresi Linear Sederhana untuk Kota Sorong
No Model Persamaan
1 pw 3+ CH= -735.34 +19.842 (pw 3+)
2 u 1+ CH= 255.29 +10.316 (u 1+)
3 v 1+ CH= 233.66 +29.986 (v 1+)
4 Indeks Gabungan CH= 137.62 +0.872(Indeks Gabungan)
Persamaan model regresi linear sederhana yang telah diperoleh sebagaimana Tabel 6 di atas, kemudian di buat simulasi prediksi curah hujan bulanan di Sorong. Hasil prediksi curah hujan di Sorong ditampilkan melalui grafik berikut.
Gambar 8. Hasil Model Prediksi CH Sorong Periode 2016-2018
40 Gambar 8 di atas merupakan hasil model prediksi curah hujan bulanan di Sorong, dapat diketahui bahwa model yang telah dibentuk memiliki prediksi dengan pola yang hampir mirip dengan pola curah hujan observasi. Khususnya untuk model prediksi menggunakan indeks gabungan yang menunjukan bahwa peningkatan curah hujan observasi diikuti pula oleh model prediksi indeks gabungan, seperti pada bulan Maret hinga April 2016, dan Januari hingga Mei 2017. Namun, hasil prediksi yang dibuat belum bisa mendeteksi curah hujan dengan kondisi yang ekstrim yang sangat tinggi dan rendah dibawah 120 mm. Selain itu model prediksi curah hujan bulanan yang telah dibuat juga belum akurat pada tahun 2018 yang cenderung stagnan.
3.5 Analisis Error Prediksi Curah Hujan Kota Sorong
Dari hasil prediksi masing-masing model yang telah di buat dapat ditentukan model mana yang paling terbaik berdasarkan nilai penyimpangan (error) terkecil.
Gambar 9. Penyimpangan Prediksi Curah Hujan Model terhadap Curah Hujan Observasi di Kota Sorong Tahun 206-2018
Pada Gambar 9 di atas dapat diketahui penyimpangan (error) model prediksi curah hujan di Sorong terhadap observasinya. Berdasarkan perbandingan terhadap nilai observasi curah hujan Sorong, umumnya penyimpangan terbesar tiap model berada pada bulan Juli hingga September saat sedang puncak musim hujan hingga berkurangnya jumlah curah hujan.
Selanjutnya dalam menentukan model terbaik dilakukan analisis Root Mean Square Error (RMSE). Model yang terbaik adalah yang memliki nilai RMSE terkecil.
41 Tabel 7. RMSE Masing- masing Model untuk Kota Sorong
Model RMSE
2016 2017 2018 pw 3+ 151.5092 195.1955 88.11931
u 1+ 160.0054 212.8713 87.09827 v 1+ 143.4275 189.4769 77.25415 Indeks Gabungan 147.8521 169.2847 669.9802
Berdasarkan nilai RMSE Tabel 7, dapat diketahui bahwa model yang terbaik adalah yang memiliki nilai RMSE terkecil berdasarkan validasi terhadap curah hujan observasi 2016- 2018. Model yang terbaik pada tahun 2016 adalah v1 + (angin meridional grid 1) dan model terburuk adalah u1 + (angin zonal grid 1). Selanjutnya untuk tahun 2017 model terbaik yakni Indeks gabungan dan yang terburuk yakni u1 + (angin zonal grid 1). Sementara itu, untuk tahun 2018 model terbaik yakni indeks gabungan dan model terburuk yakni pw 3 + (precipitable water grid 3). Secara keseluruhan dari periode 2016-2018 model terbaik yakni dengan menggunakan indeks gabungan dengan RMSE kecil hampir di setiap tahunnya dan model yang terburuk digunakan untuk prediksi yakni u 1+ (angin zonal grid 1).
4. KESIMPULAN
1. Secara umum korelasi antara curah hujan Sorong dengan precipitable water dan angin zonal bernilai positif di utara pulau Papua dan negatif di selatan pulau Papua.
Untuk korelasi antara curah hujan dengan angin meridional umumnya berkorelasi positif dengan korelasi negatif hanya terdapat di sekitar laut banda. Sementara itu, untuk angin meridional korelasi negatif hampir di seluruh wilayah Papua terkecuali di perairan laut banda yang bernilai positif.
2. Sorong memiliki pola curah hujan yang sama dengan satu puncak musim hujan terjadi di bulan Juni hingga Agustus serta puncak musim kemarau berada pada bulan November hingga Februari. Kesamaan pada pola precipitable water yang terbentuk untuk wilayah tersebut juga mengikuti pola curah hujan yang terbentuk. Sementara itu, untuk angin zonal pada wilayah Sorong, dominan baratan saat puncak musim hujan dan timuran pada puncak musim kemarau, sedangkan untuk angin meridional dominan dari utara saat puncak musim hujan dan dominan dari selatan saat curah hujan berkurang.
3. Indeks gabungan precipitable water, komponen angin zonal dan meridional dapat digunakan sebagai prediktor prediksi curah hujan di wilayah penelitian karena memiliki korelasi yang tinggi serta memiliki pola hasil simulasi yang mirip dengan observasi. Precipitable water sebagai single prediktor tidak dapat digunakan untuk prediksi curah hujan di wilayah penelitian karena nilai RMSE yang besar. Sedangkan
42 untuk komponen angin, hanya komponen angin meridional yang baik digunakan di wilayah penelitian.
DAFTAR PUSTAKA
Callahan, J. A. (2014). Estimation of Precipitable Water Over the Amazon Basin Using GOES Imagery, Tesis Master of Science in Geography University of Delaware, United States.
Desvina, A. P. dan Ratnawati, R. (2015). Penerapan Model Vector Autoregressive (Var) Untuk Peramalan Curah Hujan Kota Pekanbaru, Jurnal Sains dan Teknologi Industri, 11(2),151-159.
Hamdi, S. (2016). Precipitable Water Vapor dan Cara Penentuan Nilainya. Berita Dirgantara. 17(2), 63-72.’
Harijono, S. W. B. (2008). Interaksi Fenomena El Nino dan Dipole Mode Secara Simultan Serta Monsoon Musim Panas India Terhadap Variabilitas Curah Hujan di
Sumatera Bagian Utara, Disertasi Doktor ITB, Bandung.
Marhendi, T. (2011). Pengaruh Anomali Karakteristika HujanTerhadap Erosi Lahan. Jurnal Techno, 12(1), 45-52
National Oceanic and Amospheric Administration. Monthly Precipitable Water Data.https://iridl.ldeo.columbia.edu/SOURCES/.NOAA/.NCEP-NCAR/.C DAS- 1/.MONTHLY/.Intrinsic/.total_air_column/.PWAT/dataselection.ht
ml?limit.X.value=135E+to+140E&limit.Y.value=0N+to+5N&limit.T.value=Jan+1 985+to+Dec+2018, diakses pada 01 Agustus 2020
National Oceanic and Amospheric Administration. Monthly Meridional Wind Data.https://iridl.ldeo.columbia.edu/SOURCES/.NOAA/.NCEP-NCAR/C DAS- 1/.MONTHLY/.Intrinsic/.PressureLevel/.v/, diakses pada 01 Agustus 2020.
National Oceanic and Amospheric Administration. Monthly Zonal Wind Data.
https://iridl.ldeo.columbia.edu/SOURCES/.NOAA/.NCEP-NCAR/.CDAS- 1/.MONTHLY/.Intrinsic/.PressureLevel/.u/, diakses pada 01 Agustus 2020.
Setiawan, P., Agus H., Totok S., dan Hasnaeni. (2006). Estimasi Air Mampu Curah menggunakan Data Modis Sebagai Informasi Cuaca Spasial di pulau Jawa. Jurnal Pengindraan Jauh, 3 (1), 64-76.
Sugiyono. (2014). Metode Penelitian Kuantitatif, Kualitatif Dan Kombinasi (Mixed Methods). Bandung: Alfabeta.
43 Sugiyono. (2016). Statistika Untuk Penelitian. Bandung: Alfabeta.
Supranto, J. (2000). Statistik Teori dan Aplikasi. Jakarta: Erlangga.
Tjasyono, B. H. K., R. Gernowo., Sri Woro B. H., dan Ina J. (2008). The Character Of Rainfall In The Indonesia Monsoon. Makalah disajikan dalam International Symposium On Equatorial Monsoon System Yogyakarta
