Evaluasi Data Curah Hujan Satelit ERA-5 pada Berbagai Periode Data Hujan di Sub DAS Bodor

Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 03 No. 02 (2023) 626-636

© Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya

JTRESDA

Journal homepage: https://jtresda.ub.ac.id/

p-ISSN : 2798-3420 I e-ISSN : 2477-6068

*Penulis korespendensi: Haniyahs@student.ub.ac.id

Evaluasi Data Curah Hujan Satelit ERA-5 pada Berbagai Periode Data Hujan di Sub DAS Bodor

Evaluation of ERA5 Satellite Rainfall Data at Various Rainfall Data Periods in Bodor Sub Watershed.

Haniyah Sitepu¹, Donny Harisuseno¹, Jadfan Sidqi Fidari¹

1Departemen Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya, Jalan MT. Haryono No. 167, Malang, 654145,

Korespondensi Email : Haniyahs@student.ub.ac.id DOI:

https://doi.org/10.21776/ub.jtresda.003.vol.no02.053

Kata kunci: Curah Hujan, Satelit, Kalibrasi, Validasi, ERA-5

Keywords: Rainfall, Satellite, Calibration, Validation, ERA-5

Article history:

Received: 12-06-2023 Accepted: 02-08-2023

Abstrak: Data curah hujan merupakan data yang sangat penting dalam pengelolaan sumber daya air, sehingga dibutuhkan data curah hujan yang baik, akurat, runtut dan panjang. Namun, ketersediaan data curah hujan di Indonesia masih kurang baik.

Persebaran stasiun yang tidak merata, serta banyaknya terjadi kehilangan data, terutama pada daerah-daerah terpencil. Salah satu alternatif untuk menyelesaikan permasalahan kekurangan data tersebut adalah dengan memanfaatkan data dari satelit curah hujan. Dalam menggunakan data curah hujan satelit, harus dilakukan evaluasi terlebih dahulu. Penelitian ini dilakukan untuk mengevaluasi keandalan satelit ERA-5 pada periode bulanan, 15-harian, dan 10-harian di Sub DAS Bodor. Evaluasi dilakukan menggunakan 3 parameter statistik yaitu NSE, RSR, dan r. Hasil evaluasi menunjukkan bahwa data satelit ERA-5 memiliki nilai paling andal pada periode bulanan di Sub DAS Bodor (NSE: 0,904; RSR: 0,310; r: 0,952), disusul oleh periode 15-harian (NSE: 0,754; RSR: 0,496; r: 0,875), dan periode 10-harian (NSE: 0,588; RSR: 0,642; r:

0,774).

Abstract: Rainfall data is essential in water resources management. Therefore, good, accurate, and continuous rainfall data is required. However, the availability of rainfall data in Indonesia still needs to be improved. The unequal placement of rain gauges and the vast amount of missing data, particularly in remote places. An alternative to solving the data lack problem is by using satellite rainfall data. In utilizing satellite rainfall data, an evaluation must be done first. This study aimed to assess the ERA-5 satellite's dependability over the 10-day, 15-day, and monthly timescales in the Bodor Sub watershed. The evaluation was carried out using three statistical

627 parameters, including NSE, RSR, and r. The evaluation results show that the ERA-5 satellite data has the most reliable value in the monthly period in Bodor Sub Watershed (NSE: 0,904; RSR: 0,310; r:

0,952), followed by 15-day period (NSE: 0,754; RSR:

0,496; r: 0,875), and 10-day period (NSE: 0,588;

RSR: 0,642; r: 0,774).

1. Pendahuluan

Data curah hujan digunakan untuk berbagai kegiatan perencanaan dan pengelolaan sumber daya air seperti pengelolaan irigasi, perencanaan infrastruktur keairan, prediksi kekeringan dan banjir, serta kegiatan lainnya [1]. Dalam menggunakan data curah hujan tersebut, diperlukan data yang akurat dan berkelanjutan. Curah hujan diukur menggunakan stasiun hujan, tetapi persebaran stasiun hujan di Indonesia masih kurang merata, selain itu masih sering terjadi permasalahan kehilangan data [2].

Permasalahan tersebut juga terjadi di Sub DAS Bodor, padahal data curah hujan yang baik dan lengkap sangat penting untuk pengelolaan SDA di Sub DAS Bodor. Terdapat beberapa alternatif untuk mengestimasi data curah hujan, salah satunya dengan menggunakan data curah hujan satelit.

Satelit presipitasi/curah hujan tersedia dalam banyak jenis dengan spesifikasinya masing – masing. Data curah hujan satelit diukur berdasarkan komponen iklim di atmosfer [3]. Ketika menggunakan data satelit, perlu dilakukan evaluasi/penilaian terlebih dahulu untuk mengetahui apakah data satelit yang digunakan sudah merepresentasikan hujan yang terjadi di bumi. Tersedia beberapa dataset/data curah hujan satelit seperti CHIRPS [4][5], TRMM [2][6], PERSIANN [7], ERA-Interim [8], dan ERA-5 [8][9]. Salah satu data curah hujan satelit yang sering digunakan untuk mengestimasi curah hujan adalah ERA-5. Studi terkait evaluasi data curah hujan satelit ERA-5 sudah banyak dilakukan, dan menghasilkan nilai yang baik. Evaluasi data hujan satelit ERA-5 yang dilakukan di Cina [10] menunjukkan bahwa data hujan satelit ERA-5 mampu menangkap pola temporal-spasial hujan yang terjadi secara cukup akurat meskipun terdapat sedikit overestimasi.

Steinkopf & Engelbrecht [8] melakukan perbandingan keandalan data hujan satelit ERA-5 dan ERA interim di benua Afrika. Hasil verifikasi yang didapat menunjukkan bahwa satelit ERA-5 memiliki hasil yang lebih baik dibandingkan satelit pendahulunya, yaitu ERA interim. Selain itu, studi evaluasi satelit ERA-5 yang dilakukan di Indonesia juga memperlihatkan hasil yang positif [9]. Evaluasi yang dilakukan menunjukkan bahwa satelit ERA-5 memiliki keandalan dan keakuratan yang cukup tinggi pada pulau Jawa, Kalimantan, dan BaliNusra.

Keandalan dan keakuratan data satelit dapat berbeda-beda untuk tiap wilayah dan periode data.

Hasil studi yang dilakukan di Pakistan menyatakan bahwa, dibandingkan dengan data periode harian, data curah hujan satelit periode bulanan memiliki bias yang lebih kecil dengan nilai koefisien korelasi yang lebih signifikan. [4]. Hasil yang sama juga didapat pada studi yang dilakukan di Arab Saudi [11], dan beberapa studi yang dilakukan di Indonesia [2]. Meskipun sudah banyak dilakukan studi evaluasi data satelit, studi penggunaan satelit ERA-5 dengan berbagai periode data masih jarang dilakukan terutama di Indonesia. Studi terkait juga belum pernah dilakukan di Sub DAS Bodor.

Mempertimbangkan hal tersebut, pada studi ini akan dilakukan evaluasi data hujan satelit ERA-5 di Sub DAS Bodor menggunakan periode bulanan, 15-harian dan 10-harian.

2. Bahan dan Metode 2.1 Bahan

Sub DAS Bodor berlokasi di Kabupaten Nganjuk, Jawa Timur. Sebagai anak sungai dari DAS Widas, Sub DAS ini termasuk dalam Wilayah Sungai (WS) Brantas. Secara geografis, Sub DAS

628

memiliki luas sebesar 130,287 km², terletak antara 7^o38’35,606” sampai 7^o48’53,838” LS dan 111^o47’12.044” sampai 111^o58’19.207” BT. Lokasi studi disajikan pada Gambar 1.

Gambar 1: Sub DAS Bodor 2.2. Data

Data yang digunakan dalam studi ini adalah data sekunder. Beberapa data yang digunakan meliputi data curah hujan pengamatan dan satelit ERA-5, peta topografi (DEM), jaringan sungai, serta koordinat stasiun di dalamnya. Curah hujan pengamatan merupakan curah hujan yang diukur oleh stasiun hujan di sub DAS Bodor. Terdapat 6 stasiun hujan yang akan digunakan, yaitu stasiun Klodan, Kedungsoko, Pace, Badong, Banaran dan Genjeng. Data curah hujan pengamatan diperoleh dari dinas atau instansi terkait, sedangkan data curah hujan satelit diperoleh dari satelit ERA-5 melalui website resmi CDS CCS (https://cds.climate.copernicus.eu).

Penggunaan satelit ERA-5 dipilih karena satelit tersebut menyediakan data dengan basis point/titik. Dataset ERA-5 yang digunakan adalah “ERA 5 hourly data on single level from 1940 to present”. Periode temporal yang disediakan pada dataset tersebut merupakan periode jam-jaman, sehingga data jam-jaman harus dijumlahkan terlebih dahulu menjadi data 10-harian, 15-harian, dan bulanan. Tahun dan titik koordinat yang digunakan untuk pengunduhan data satelit disesuaikan dengan tahun dan titik koordinat data pengamatan. Curah hujan rerata wilayah pengamatan dan satelit tahun 2002 – 2021 akan dihitung menggunakan data curah hujan pengamatan dan satelit di tiap stasiun.

Satelit ERA-5 merupakan satelit reanalysis ke-5 yang dikembangkan oleh European Centre for Medium-Range Weather Forecast (ECMWF). Satelit ini merupakan salah satu satelit hujan reanalysis dengan resolusi spasial terkecil yaitu 0,25^o x 0,25^o. Keunggulan lain dari satelit ERA-5 adalah ketersediaan data yang panjang sejak tahun 1940, tempo perekaman jam-jaman, serta dapat diakses dengan mudah dan gratis [12]. Sistem yang digunakan pada satelit ERA-5 lebih maju, dan resolusinya lebih baik dibandingkan satelit reanalysis pendahulunya [13].

629 2.2 Metode

Studi evaluasi data satelit ERA-5 dilakukan dengan melakukan kalibrasi dan validasi data hujan satelit ERA-5 terhadap data pengamatan. Mempertimbangkan kebutuhan data curah hujan di Sub DAS Bodor, evaluasi digunakan menggunakan data periode 10-harian, 15-harian dan bulanan. Hasil evaluasi tiap periode dapat digunakan untuk pengelolaan sumber daya air di Sub DAS Bodor, seperti perencanaan pola tata tanam, kalender masa tanam, dan kebutuhan lainnya.

2.2.1 Uji Kualitas Data

Uji kualitas data dilakukan terhadap setiap data hujan yang akan digunakan. Terdapat 3 uji kualitas data yang dilakukan, yaitu uji konsistensi, stasioner, dan persistensi. Uji konsistensi dilakukan untuk mengetahui apakah suatu data sudah benar dan tidak terpengaruh kesalahan saat pengiriman dan pengukuran. Untuk uji konsistensi pada data pengamatan digunakan metode kurva massa ganda (Double Mass Curve), dan untuk data satelit ERA-5 digunakan metode Rescaled Adjusted Partial Sums (RAPS) [14]. Setelah dilakukan uji konsistensi, akan dilanjutkan dengan uji stasioner. Uji stasioner terbagi menjadi 2, yaitu uji-F untuk menguji kestabilan varian, dan uji-t untuk menguji kestabilan rerata. Uji kualitas data diakhiri dengan uji persistensi yang dilakukan untuk mengetahui keacakan suatu data [15].

2.2.2 Curah Hujan Rerata Wilayah

Evaluasi dilakukan menggunakan basis wilayah, sehingga perlu dihitung curah hujan rerata wilayah di Sub DAS Bodor. Untuk menghitung curah hujan rerata wilayah, akan digunakan metode polygon Thiessen. Curah hujan rerata wilayah dihitung selama 20 tahun, menggunakan data pengamatan, dan data satelit. Setelah didapat data curah hujan rerata wilayah pengamatan dan satelit ERA-5, dapat dilanjutkan tahapan evaluasi data satelit.

2.2.3 Evaluasi

Evaluasi data satelit dilakukan dengan dua kali proses, yaitu validasi dan kalibrasi. Pada tahapan validasi, untuk mengetahui keandalan data satelit digunakan parameter Nash-Sutcliffe Efficiency (NSE), RMSE-Standard Deviation Ratio (RSR), dan Koefisien Korelasi Pearson (r) [16]. Validasi pertama (validasi tidak terkoreksi) dilakukan terhadap data satelit ERA-5 yang didapat langsung dari website CCS CDS, sedangkan validasi kedua dilakukan terhadap data curah hujan satelit ERA-5 yang sudah dikalibrasi. Tahapan kalibrasi dilakukan menggunakan 5 analisis regresi, yaitu linear, berpangkat, polinomial, eksponensial, dan logaritmik [15]. Setiap analisis regresi yang dilakukan akan menghasilkan persamaan regresi untuk mengoreksi data satelit ERA-5. Persamaan regresi untuk mengoreksi data satelit dipilih berdasarkan nilai koefisien determinasi (R²) terbesar. Data curah hujan yang digunakan untuk kalibrasi-validasi tidak boleh sama. Pada studi ini akan digunakan rasio data 90:10, dimana 90% data digunakan untuk kalibrasi dan 10% data untuk validasi [17]. Semakin panjang fase data yang digunakan untuk training (kalibrasi), semakin besar kemungkinan peningkatan kinerja suatu model [17].

2.3 Persamaan 2.3.1 Kalibrasi

Kalibrasi merupakan tahapan yang dilakukan untuk mengoptimalkan nilai parameter model, sehingga dapat meminimalkan bias dari data model dan menghasilkan estimasi terbaik. Pada analisis model hidrologi, metode yang banyak digunakan untuk kalibrasi adalah model regresi [15]. Analisis regresi dilakukan untuk mengetahui pengaruh antara dua variabel atau lebih. Data curah hujan pengamatan digunakan sebagai variabel tetap, dan data curah hujan satelit sebagai variabel bebas.

Berikut merupakan persamaan model regresi yang digunakan:

630

a. Linear Sederhana

̂ = a1 X+b1 Pers. 1

b. Fungsi Berpangkat

̂ = bX^a Pers. 2

c. Fungsi Polinomial

̂ = bo+ b1X + b2X² + b3X³ + ...+ bmX^m Pers. 3 d. Fungsi Eksponensial

̂ Pers. 4

e. Fungsi Logaritmik

̂ = b + a log X Pers. 5

2.3.2 Validasi

Validasi adalah proses pengujian model untuk memastikan nilai ketidakpastian, dan keandalan dari suatu model. Pada studi ini validasi dilakukan untuk mengetahui keandalan dari satelit ERA-5 dalam mengestimasi hujan yang turun ke bumi. Proses validasi ditentukan dengan 3 parameter statistika, yaitu NSE, RSR, dan r.

a. Nash-Sutcliffe Efficiency (NSE)

Parameter NSE menunjukkan kemiripan antara pemodelan (data satelit), terhadap data aktual (pengamatan). Nilai NSE berkisar antara – tak hingga sampai 1, semakin besar nilai NSE berarti semakin baik pula hasil simulasi model. Kriteria dan kelas nilai NSE disajikan pada Tabel 1 [16].

^{∑ ( )}

( ̅̅̅) Pers. 6

Tabel 1: Nilai Nash-Sutcliffe Efficiency (NSE), dan Kelas

Kelas Nilai NSE

Sangat Baik 0,75 – 1

Baik 0,65 – 0,75

Memenuhi 0,50 – 0,65

Tidak Memenuhi ≤ 0,50

b. RMSE-Standard Deviation Ratio (RSR)

Parameter RSR menunjukkan indeks error/kesalahan dalam suatu model, dengan rentang nilai antara + hingga 0. Semakin kecil nilai RSR, maka semakin baik performa model simulasi. Kelas dan kriteria nilai RSR disajikan pada Tabel 2 [16].

^{√∑ ( )}

√ ( ̅̅̅) Pers. 7

Tabel 2: Nilai RMSE-Standard Deviation Ratio (RSR), dan Kelas

Kelas Nilai RSR

Sangat Baik 0,0 – 0,5

Baik 0,5 – 0,6

Memenuhi 0,6 – 0,7

Tidak Memenuhi > 0,7

631 c. Koefisien Korelasi Pearson (r)

Parameter r menunjukkan besarnya hubungan antara suatu model estimasi dengan data aktual.

Semakin besar nilai koefisien korelasi, maka semakin baik performa model simulasi. Tabel 3 menyajikan kelas dan kriteria untuk tiap nilai r [2].

√ ∑ ( ) √ ∑ ( )

Pers. 8

Tabel 3: Nilai Koefisien Korelasi, dan Kelas

Kelas R

Sangat Rendah 0 – 0,19

Rendah 0,20 – 0,39

Sedang 0,40 – 0,59

Kuat 0,60 – 0,79

Sangat Kuat 0,81 - 1

Keterangan:

̂ = Regresi Y terhadap X

= Variabel tetap (data hujan pengamatan) X = Variabel bebas (data hujan satelit) a, b = Parameter

n = Banyak data

3. Hasil dan Pembahasan

Penelitian ini dilakukan dengan periode 10-harian, 15-harian, dan bulanan. Pembagian periode dilakukan untuk mengetahui pengaruh periode terhadap keandalan data satelit. Periode yang digunakan disesuaikan dengan kebutuhan data curah hujan di Sub DAS Bodor. Sebelum dilakukan evaluasi, data yang didapat harus diuji terlebih dahulu kualitasnya menggunakan uji konsistensi, stasioner (Uji-F dan Uji-t), serta uji persistensi. Seluruh data hujan, baik data pengamatan maupun data satelit sudah lulus uji dan dapat digunakan untuk menghitungkan curah hujan rerata wilayah.

Analisis yang dilakukan setelah uji kualitas data adalah perhitungan curah hujan rerata wilayah.

Metode yang digunakan pada perhitungan curah hujan rerata wilayah adalah metode polygon Thiessen. Prinsip dari polygon Thiessen adalah menghitung bobot pengaruh dari masing-masing stasiun. Berdasarkan penggambaran polygon Thiessen pada Gambar 2, diketahui bahwa faktor pengaruh stasiun hujan paling besar diperoleh pada stasiun Klodan, disusul stasiun Genjeng, Badong, Pace, Banaran, dan stasiun dengan faktor pengaruh paling kecil, yaitu stasiun Kedungsoko. Setelah dilakukan penggambaran polygon Thiessen dan didapat luas pengaruh dari masing – masing stasiun hujan, dapat dihitung curah hujan rerata wilayah di Sub DAS Bodor.

632

Gambar 2: Polygon Thiessen Sub DAS Bodor 3.1 Hasil Validasi Data Satelit ERA-5 Tidak Terkoreksi

Validasi data satelit tidak terkoreksi dilakukan terhadap data satelit ERA-5 yang diunduh tanpa dilakukan proses kalibrasi. Pada tahapan ini digunakan data curah hujan wilayah selama 20 tahun.

Jika pada data terdapat nilai hujan 0, maka data tersebut harus dihapus. Validasi dilakukan menggunakan 3 parameter statistik, dengan hasil disajikan pada Tabel 4.

Tabel 4: Hasil Analisis Validasi Data Satelit ERA-5 Tidak Terkoreksi

Periode NSE Kelas NSE RSR Kelas RSR r Kelas r

10-harian 0,176 Tidak Memenuhi 0,908 Tidak Memenuhi 0,721 Kuat 15-harian 0,266 Tidak Memenuhi 0,857 Tidak Memenuhi 0,799 Sangat Kuat

Bulanan 0,415 Tidak Memenuhi 0,765 Tidak Memenuhi 0,885 Sangat Kuat Berdasarkan analisis validasi data satelit tidak terkoreksi pada Tabel 4, didapatkan hasil yang kurang baik. Nilai NSE, RSR, dan r pada tiap periode masih tidak memenuhi. Kecilnya nilai tiap parameter menandakan bahwa hasil simulasi/data satelit masih belum dapat merepresentasikan curah hujan yang terjadi di lapangan. Trend dari nilai NSE, RSR, dan r untuk setiap periode dapat dilihat pada Gambar 3. Dari Gambar 3(a) diketahui jika periode bulanan memiliki nilai NSE yang paling besar dibandingkan dengan periode 15-harian dan 10-harian. Pada Gambar 3(b) juga didapatkan hasil yang selaras dengan grafik NSE. Nilai RSR paling rendah didapat pada periode bulanan, disusul 15-harian, dan 10-harian. Trend yang sama juga ditunjukkan pada Gambar 3(c). Nilai r terbaik didapat pada periode bulanan dilanjut dengan periode 15-harian, dan 10-harian. Berdasarkan parameter NSE, RSR, dan r, data dengan periode bulanan memiliki hasil yang paling baik. Namun, pada hampir seluruh data, nilai NSE, RSR, dan r nya masih belum memenuhi. Untuk mendapatkan nilai parameter yang lebih baik, perlu dilakukan koreksi data satelit pada tahapan kalibrasi.

633

(a) (b)

(c)

Gambar 3: Pola Hasil Validasi Data Satelit ERA-5 Tidak Terkoreksi untuk Parameter (a) Nash-Sutcliffe Efficiency (NSE) (b) RMSE-observation Standard Deviation Ratio (RSR) (c) Koefisien Korelasi (r)

3.2 Hasil Kalibrasi Data Satelit ERA-5

Dikarenakan hasil validasi yang tidak memenuhi, untuk mendapatkan hasil yang lebih baik perlu dilakukan koreksi data satelit pada tahapan kalibrasi. Kalibrasi dilakukan dengan membagi data yang ada mengikuti rasio 90:10, yaitu 90% untuk kalibrasi dan 10% untuk validasi. Jika digunakan data selama 20 tahun, maka 90% datanya yaitu pada tahun 2002 – 2019 akan digunakan untuk proses kalibrasi, sedangkan 2 tahun lainnya (2020 – 2021) digunakan untuk validasi. Koreksi data satelit dilakukan dengan cara mengalikan data satelit dengan persamaan regresi terpilih. Terdapat 5 analisis regresi yang digunakan, yaitu linear, berpangkat, polinomial, eksponensial, dan logaritmik. Setiap analisis ini akan menghasilkan persamaan regresi masing – masing. Analisis regresi dilakukan dengan bantuan scatter plot, dari scatter plot akan diketahui nilai koefisien determinasi (R²) dari masing – masing persamaan. Persamaan dengan nilai R² terbesar akan dipilih sebagai persamaan regresi untuk mengoreksi data satelit. Nilai R² pada tiap persamaan, serta persamaan terpilih dapat dilihat pada Tabel 5.

Hasil kalibrasi yang dilakukan menunjukkan bahwa persamaan dengan nilai R² terbesar pada seluruh periode dihasilkan oleh regresi polinomial. Hasil tersebut selaras dengan studi sebelumnya yang dilakukan di sub DAS Lesti, Metro, dan Widas [6]. Nilai R² menunjukkan seberapa besar kemampuan variabel tetap dalam menjelaskan variabel bebas. Pada tahap kalibrasi, besarnya nilai R² menunjukkan keberhasilan proses kalibrasi. Berdasarkan Tabel 6 didapat bahwa data periode bulanan memiliki nilai R² yang lebih tinggi dibandingkan dengan periode 15-harian dan 10-harian.

0 0.2 0.4 0.6 0.8 1

10-Harian 15-Harian Bulanan

Nilai NSE

Periode Data

0 0.2 0.4 0.6 0.8 1

10-Harian 15-Harian Bulanan

Nilai RSR

Periode Data

0 0.2 0.4 0.6 0.8 1

10-Harian 15-Harian Bulanan

Nilai r

Periode Data

634

Tabel 5: Hasil Analisa Nilai Koefisien Determinasi (R²) pada Tahap Kalibrasi

Periode R² Pers.

Terpilih Linear Berpangkat Polinomial Eksponensial Logaritmik Max

10-harian 0,510 0,494 0,528 0,234 0,468 0,528 Polinomial 15-harian 0,618 0,583 0,631 0,341 0,538 0,631 Polinomial

Bulanan 0,761 0,739 0,763 0,485 0,649 0,763 Polinomial

Tabel 6: Persamaan Terpilih pada Tiap Periode

Periode R² Persamaan

10-harian 0,528 Polinomial -0,0018x² + 1,1016x - 12,882 15-harian 0,631 Polinomial -0,0012x² + 1,093x - 21,038

Bulanan 0,763 Polinomial -0,0003x² + 0,9393x - 32,288 3.3 Hasil Validasi data Satelit ERA-5 Terkoreksi

Validasi data terkoreksi adalah validasi yang dilakukan setelah tahapan kalibrasi menggunakan data satelit yang sudah dikoreksi. Proses validasi dilakukan menggunakan 10% dari data, yaitu data tahun 2020 – 2021. Parameter yang digunakan pada validasi data satelit terkoreksi, sama dengan pada validasi data tidak terkoreksi. Hasil dari validasi data terkoreksi disajikan pada Tabel 7.

Tabel 7: Hasil Analisis Validasi Data Satelit ERA-5 Terkoreksi

Periode NSE Kelas NSE RSR Kelas RSR r Kelas r

10-harian 0,588 Memenuhi 0,642 Memenuhi 0,774 Kuat

15-harian 0,754 Sangat Baik 0,496 Sangat Baik 0,875 Sangat Kuat Bulanan 0,904 Sangat Baik 0,310 Sangat Baik 0,952 Sangat Kuat Berdasarkan hasil validasi data satelit pada Tabel 7, didapat nilai NSE, RSR, dan r yang lebih baik setelah dilakukan koreksi data pada tahapan kalibrasi. Hasil validasi menggunakan data yang sudah dikalibrasi menunjukkan bahwa seluruh data untuk tiap periode masuk ke dalam kelas memenuhi – sangat baik.

Gambar 4 menyajikan grafik trend/pola dari nilai parameter statistik untuk tiap periode.

Berdasarkan Gambar 4(a) didapat bahwa periode bulanan memiliki nilai NSE paling baik/tinggi.

Trend yang sama ditunjukkan pada Gambar 4(b) dan Gambar 4(c), nilai RSR paling baik/rendah didapat pada data dengan periode bulanan, dan nilai r paling baik/tinggi didapat pada data periode bulanan, disusul periode 15-harian, dan 10-harian

Berdasarkan hasil perhitungan serta pola nilai NSE, RSR dan r pada validasi data satelit terkoreksi, ditarik bahwa satelit ERA-5 mengestimasi data hujan paling akurat pada periode bulanan dibandingkan periode 15-harian, dan 10-harian. Data satelit dengan rentang periode yang besar, cenderung menghasilkan nilai evaluasi satelit yang lebih baik [6].

635 0

0.2 0.4 0.6 0.8 1

10-Harian 15-Harian Bulanan

Nilai NSE

Periode Data

0 0.2 0.4 0.6 0.8 1

10-Harian 15-Harian Bulanan

Nilai RSR

Periode Data

(a) (b)

(c)

Gambar 4: Pola Hasil Validasi Data Satelit ERA-5 Terkoreksi untuk Parameter (a) Nash-Sutcliffe Efficiency (NSE) (b) RMSE-observation Standard Deviation Ratio (RSR) (c) Koefisien Korelasi (r)

4. Kesimpulan

Berdasarkan hasil studi yang dilakukan, dapat disimpulkan bahwa data satelit ERA-5 yang sudah dikalibrasi menghasilkan nilai yang lebih baik dan lebih andal di Sub DAS Bodor dibandingkan data original yang belum dikalibrasi. Hasil validasi data satelit terkoreksi yang dilakukan menunjukkan bahwa satelit ERA-5 dapat mengestimasi curah hujan lebih baik pada periode bulanan dibandingkan dengan periode lebih kecil seperti 15-harian dan 10-harian. Namun, seluruh data pada tiap periode baik bulanan, 15-harian, dan 10-harian, masuk ke kelas memenuhi dan bisa digunakan sebagai alternatif untuk mengestimasi data hujan di Sub DAS Bodor.

Ucapan Terima kasih

Terima kasih kepada Dinas Pekerjaan Umum Sumber Daya Air Provinsi Jawa Timur yang telah menyediakan data curah hujan dari 6 stasiun hujan di Sub DAS Bodor.

Daftar Pustaka

[1] D. Harisuseno, L. Prasetyorini, J. S. Fidari, and D. Chandrasasi, “An empirical model of rainfall intensity as a function of rainfall duration and probability of occurrence,” J. Water L.

0 0.2 0.4 0.6 0.8 1

10-Harian 15-Harian Bulanan

Nilai r

Periode Data

636

Dev., no. 56, pp. 182–193, 2023, doi: 10.24425/jwld.2023.143759.

[2] M. D. Syaifullah, “Validation of TRMM Data With Actual Rainfall Data In Three Watersheds in Indonesia,” J. Meteorol. dan Geofis., vol. 15, no. 2, pp. 109–118, 2014, [Online]. Available:

http://puslitbang.bmkg.go.id/jmg/index.php/jmg/article/view/180

[3] D. W. Pratiwi, J. Sujono, and A. P. Rahardjo, “Evaluasi Data Hujan Satelit Untuk Prediksi Data Hujan Pengamatan Menggunakan Cross Correlation,” in Prosiding Seminar Nasional Sains dan Teknologi, 2017, pp. 1–11.

[4] M. Nawaz, M. F. Iqbal, and I. Mahmood, “Validation of CHIRPS satellite-based precipitation dataset over Pakistan,” Atmos. Res., vol. 248, no. August 2020, p. 105289, 2021, doi:

10.1016/j.atmosres.2020.105289.

[5] C. Funk et al., “The climate hazards infrared precipitation with stations - A new environmental record for monitoring extremes,” Sci. Data, vol. 2, pp. 1–21, 2015, doi: 10.1038/sdata.2015.66.

[6] R. Nuramalia and U. Lasminto, “Keandalan Data Curah Hujan Satelit TRMM (Tropical Rainfall Measuring Mission) Terhadap Data Curah Hujan Stasiun Bumi pada Beberapa Sub DAS di DAS Brantas,” J. Apl. Tek. Sipil, vol. 20, no. 2, p. 207, 2022, doi: 10.12962/j2579- 891x.v20i2.12015.

[7] H. Maulana, E. Suhartanto, and D. Harisuseno, “Analysis of Water Availability Based on Rainfall Satellite in The Upper Brantas River Basin,” Int. Res. J. Adv. Eng. Sci., vol. 4, no. 2, pp. 393–398, 2019, [Online]. Available: http://chrsdata.eng.uci.edu/

[8] J. Steinkopf and F. Engelbrecht, “Verification of ERA5 and ERA-Interim precipitation over Africa at intra-annual and interannual timescales,” Atmos. Res., vol. 280, no. August, p.

106427, 2022, doi: 10.1016/j.atmosres.2022.106427.

[9] D. S. Permana, R. C. H. Hutauruk, S. Supari, and J. Cho, “Performa produk curah hujan harian dari data satelit dan reanalisis di indonesia,” in Prosiding Seminar Nasional Sains Atmosfer, 2020, pp. 97–109.

[10] D. Jiao, N. Xu, F. Yang, and K. Xu, “Evaluation of spatial-temporal variation performance of ERA5 precipitation data in China,” Sci. Rep., vol. 11, no. 1, pp. 1–13, 2021, doi:

10.1038/s41598-021-97432-y.

[11] M. Almazroui, “Calibration of TRMM rainfall climatology over Saudi Arabia during 1998- 2009,” Atmos. Res., vol. 99, no. 3–4, pp. 400–414, 2011, doi: 10.1016/j.atmosres.2010.11.006.

[12] H. Hersbach et al., “The ERA5 global reanalysis,” Q. J. R. Meteorol. Soc., vol. 146, no. 730, pp. 1999–2049, 2020, doi: 10.1002/qj.3803.

[13] W. Xiong, G. Tang, T. Wang, Z. Ma, and W. Wan, “Partitioning on the Global Scale,” Water, vol. 14, no. 7, p. 1122, 2022.

[14] S. Harto, Analisis Hidrologi. Jakarta: Gramedia Pustaka Utama, 1993.

[15] Soewarno, Hidrologi Aplikasi Metode Statistik untuk Analisa Data, Jilid 2, 2nd ed. Bandung:

Nova, 1996.

[16] D. N. Moriasi, J. G. Arnold, M. W. Van Liew, R. L. Bingner, R. D. Harmel, and T. L. Veith,

“Model Evaluation Guidelines for Systematic Quatification of Accurancy in Watershed Simulation,” J. ASABE, vol. 50, no. 3, pp. 885–900, 2007.

[17] H. Tao et al., “Training and Testing Data Division Influence on Hybrid Machine Learning Model Process: Application of River Flow Forecasting,” Complexity, vol. 2020, 2020, doi:

10.1155/2020/8844367.