View of Penggunaan Data Satelit TRMM terhadap Stasiun Curah Hujan di WS Noelmina

(1)

Jurnal Teknik Pengairan: Journal of Water Resources Engineering, 2022, 13(1) pp. 1-11

____________________________________________________________________________________

Penggunaan Data Satelit TRMM terhadap Stasiun Curah Hujan di WS Noelmina

The Use of TRMM Satellite Data on the Ground Station in the Noelmina River Region

Forisman R. Nomnafa¹, Denik S. Krisnayanti¹*⁾, Ruslan Ramang¹, I Made Udiana¹

1Program Studi Teknik Sipil, Fakultas Sains dan Teknik, Universitas Nusa Cendana, Kupang 65145, Indonesia

Article info:

Kata kunci:

faktor koreksi; hujan satelit;

karakteristik hujan; koefisien korelasi.

Keywords:

correction factor; satellite rainfall;

rainfall characteristics; correlation coefficient.

Article history:

Received: 23-10-2021 Accepted: 14-04-2022

*)Koresponden email:

denik.krisnayanti@staf.undana.ac.id

Abstrak

Penelitian ini bertujuan untuk memperoleh data curah hujan dari TRMM dan pos hujan yang dapat dipakai pada analisis hidrologi.

Analisis ini dilakukan pada 24 data pos hujan yang dikunci oleh grid TRMM dengan resolusi 0,25° x 0,25°. Dalam setiap grid TRMM terdapat minimal 1 data pos hujan sehingga berdasarkan persebarannya pada penelitian ini terdapat 8 grid TRMM. Hasil yang diperoleh adalah nilai koefisien korelasi pada basis hujan bulanan sebesar 0,3218–0,9351. Nilai RMSE pada basis hujan bulanan sebesar 69,46–856,25. Nilai error pada basis hujan harian maksimum tahunan (HHMT) sebesar 0,0597–1,1138. Nilai error pada basis hujan harian sebesar 0,0023–0,0321. Data curah hujan yang lolos uji karakteristik hujan rencana ialah data yang memiliki nilai R100/R2 antara 1,5–3,4 serta grafik lengkung faktor pertumbuhannya memiliki trend yang relatif sama dengan data hujan lainnya. Data satelit yang lolos uji karakteristik hujan rencana ialah yakni TRMM I, II, III, IV, V, VI dan VIII. Pos hujan yang lolos uji karakteristik hujan rencana yakni Nifukani, Nule, Kesetnana, Oinlasi, Tilong, Lasiana, Penfui, Tarus, Oeletsala, Naibonat, Tubutesbatan, Raknamo, Camplong, Batuliti, dan Baun.

Abstract

This study aims to obtain data from TRMM and the ground stations used in the hydrological analysis. The analysis had carried out on 24 ground station data locked by the TRMM grid with a resolution of 0.25° x 0.25°. In each TRMM grid, there is at least one ground station data, so based on its distribution in this study are 8 TRMM grids. The result obtained is that the value of the correlation coefficient based on monthly rainfall is 0.3218–0.9351. RMSE value based on monthly rainfall is 69.46–856.25. The error value on the HHMT basis is 0.0597–1.1138. The error value based on daily rainfall is 0.0023–0.0321. The rainfall characteristic has an R100/R2 value between 1.5 – and 3.4, and the curve graph of the growth factor has a relatively similar trend to other rainfall data. The TRMM data that passed the planned rainfall characteristic test was TRMM I, II, III, IV, V, VI, and VIII. The rainfall stations were Nifukani, Nule, Kesetnana, Oinlasi, Tubutesbatan, Tilong, Lasiana, Penfui, Tarus, Oeletsala, Naibonat, Raknamo, Camplong, Batuliti, and Baun.

Kutipan: Nomnafa, F. R., Krisnayanti, D. S., Ramang, R., Udiana, I. M. (2022). Penggunaan Data Satelit TRMM terhadap Stasiun Curah Hujan di WS Noelmina. Jurnal Teknik Pengairan: Journal of Water Resources Engineering, 13(1), 1–11. https://doi.org/10.21776/ub.pengairan.2022.013.01.01

(2)

2 Nomnafa, Krisnayanti, Ramang, Udiana: Penggunaan Data Satelit TRMM terhadap Stasiun Curah Hujan

1. Pendahuluan

Di Pulau Timor terdapat dua wilayah sungai yakni Wilayah Sungai Noelmina dan Wilayah Sungai Benanain. Wilayah Sungai Noelmina melewati enam kabupaten/kota yang dibagi menjadi 186 sub wilayah sungai dengan luas keseluruhan wilayah sungai sebesar 9.360,52 km² dan Wilayah Sungai Benanain yang melewati empat kabupaten yang dibagi menjadi 46 Sub Wilayah Sungai dengan luas keseluruhan wilayah sungai sebesar 6.460,12 km² (BWSNT II. 2013). Sungai-sungai yang berada pada kedua wilayah sungai ini memiliki kontribusi yang sangat besar dalam pemanfaatannya bagi pemenuhan kebutuhan hidup masyarakat yang berada di Pulau Timor terkhususnya masyarakat sekitar sungai.

Keberadaan sungai sangat dipengaruhi oleh faktor-faktor hidrologi lainnya. Salah satu faktor yang sangat berpengaruh terhadap keberadaan sungai ialah curah hujan. Semakin besar intensitas curah hujan yang jatuh ke permukaan bumi maka akan semakin besar pula debit aliran yang mengalir pada sungai.

Dalam analisis hidrologi data intensitas curah hujan memiliki peran yang sangat penting, oleh karena itu dibutuhkan masukan data intensitas curah hujan yang akurat baik secara temporal dan spasial. Data intensitas curah hujan diperoleh dari pos pengamatan hujan. Kendala yang sering dialami ialah minimnya ketersediaan data hujan. Alternatif yang dapat digunakan adalah pemanfaatan data satelit hujan guna menghasilkan data yang lebih akurat dan relevan dengan keadaan sesungguhnya.

Terdapat sejumlah teknologi satelit yang telah dikembangkan di berbagai negara di dunia sebagai contoh data satelit milik Amerika Serikat yakni National Oceanographic and Atmospheric (NOAA) merupakan satelit meteorologi yang mengorbit bumi dengan orbit geostasioner dan orbit polar.

Adapun teknologi satelit yang dikembangkan oleh negara Jepang seperti Satelit Himawari dan Tropical Rainfall Measuring Mission (TRMM). Satelit Himawari merupakan satelit geostasioner Jepang yang membawa sensor optic canggih dengan resolusi radiometric, spectral, dan spasial.

Kemudian data satelit Tropical Rainfall Measuring Mission (TRMM) adalah proyek kerjasama dua badan antariksa nasional milik Amerika Serikat, yakni National Aeronautics and Space Administration (NASA), milik Jepang National Space Development Agency of Japan (NASDA) dan sekarang telah berubah menjadi Japan Aerospace Exploration Agency (JAXA). TRMM merupakan satelit yang tidak mengamati keadaan hujan secara global melainkan lebih berfokus mengamati hujan pada daerah iklim subtropis dan tropis sehingga daerah yang berada pada iklim ini seperti halnya Indonesia lebih dianjurkan untuk menggunakan satelit TRMM ini.

Di Indonesia pengkajian data curah hujan TRMM dan pos hujan sebelumnya sudah dilakukan oleh beberapa peneliti di antaranya menghasilkan kesimpulan bahwa nilai korelasi antara data TRMM dengan data pengamatan lebih baik apabila dianalisis menggunakan data bulanan (Syaifullah 2014). Perbandingan data hujan satelit TRMM terhadap observasi di wilayah Indonesia saling mendekati pada pola hujan monsoon, overestimate pada pola hujan equatorial dan underestimate pada pola hujan lokal (Mamenun et al. 2014). Hasil validasi data TRMM terhadap data pengamatan hujan memberikan data yang dapat digunakan sebagai salah satu data masukan atau pengganti data curah hujan (Riza Arian Noor et al. 2014). Dari hasil validasi data TRMM terhadap data pos hujan (groundstation) pada DAS Temef memberikan pola yang mendekati/mirip dengan data pos hujan sehingga data TRMM memenuhi uji kualitas data dan dapat digunakan dalam analisis hidrologi (Krisnayanti et al. 2020).

Penelitian ini bertujuan untuk mengetahui nilai koefisien korelasi, faktor koreksi, nilai error data hujan bulanan TRMM terhadap data groundstation di Wilayah Sungai Noelmina serta menganalisis karakteristik hujan rencana untuk mengetahui data TRMM dan data groundstation di WS Noelmina yang dapat diandalkan dalam analisis hidrologi.

2. Bahan dan Metode

Lokasi penelitian ini dilakukan pada Wilayah Sungai Noelmina yang berada di Pulau Timor dengan posisi antara 121°31'07" BT–124°36'44" BT dan 09°23'07" LS-11°00'32" LS (Gambar 1).

(3)

Gambar 1. Peta Wilayah Sungai Noelmina di Pulau Timor Tahapan yang dilakukan pada penelitian ini ialah sebagai berikut:

1) Pemilihan stasiun hujan didasarkan pada ketersediaan data stasiun hujan pada satu grid TRMM. Stasiun hujan yang dipakai ialah stasiun hujan yang memiliki data minimal 3 tahun yang berkisar dari tahun 1998 hingga tahun 2019. Data curah hujan yang ada kemudian digunakan untuk memvalidasi data TRMM terhadap data curah hujan pada wilayah tersebut.

Alur pemilihan stasiun hujan ialah dengan menginventarisir seluruh pos hujan aktif yang ada di WS Noelmina.

2) Penentuan koordinat TRMM dengan memplot peta lokasi dan koordinat pos stasiun hujan di Wilayah Sungai Noelmina. Setelah koordinat pos stasiun hujan selesai diplot, kemudian menentukan grid TRMM yang mengunci koordinat pos-pos stasiun hujan dengan luasan grid sebesar 0,25° x 0,25°. Pada satu grid TRMM terdapat empat koordinat data TRMM yakni terdapat pada pojok grid TRMM yang mengunci koordinat pos–pos stasiun hujan yang ada.

3) Ekstraksi data TRMM dengan mendownload pada alamat website: (http://trmm.nasa.gov).

Data TRMM yang diunduh ialah data pada Level 3 produk TRMM Multisatellite Precipitation Analysis (TMPA) dikarenakan data pada level ini telah memiliki nilai besaran hujan dan memiliki tingkat keakuratan data yang lebih baik dibandingkan data pada level 1 dan 2. Data diambil pada skala bulanan yang digunakan untuk menganalisis korelasi dikarenakan pada basis hujan bulanan memberikan nilai koefisien korelasi yg lebih baik (Krisnayanti et al. 2020). Sedangkan data pada skala harian digunakan untuk mencari faktor koreksi antara data TRMM dan data pos stasiun hujan. Koreksi dilakukan pada basis hujan harian karena mendapatkan hasil koreksi dengan ketelitian yang lebih tinggi.

4) Tabulasi data pos hujan dan TRMM dalam basis hujan harian, bulanan, dan hujan harian maksimum tahunan (HHMT) dalam dua kolom sejajar guna mempermudah dalam analisis.

5) Analisis koefisien korelasi data TRMM dan data pos stasiun hujan menggunakan data curah hujan bulanan. Korelasi dua variabel pada umumnya akan berkisar antara +1,00 sampai dengan –1,00. Namun hal ini dapat dijadikan pedoman sederhana, bahwa angka korelasi di atas 0,5 menunjukkan korelasi yang cukup kuat sedangkan dibawah 0,5 menunjukkan korelasi yang lemah (Santoso 2005). Selain besarnya korelasi, tanda korelasi juga berpengaruh terhadap penafsiran hasil. Tanda negatif (-) pada hasil menunjukkan adanya arah yang berlawanan, sedangkan tanda positif (+) menunjukkan arah yang sama data pos curah hujan dan TRMM dinyatakan baik dan lolos untuk analisis selanjutnya apabila

(4)

memiliki nilai korelasi ≥ 0,6 (Balai Bendungan 2019). Untuk menguji signifikansi koefisien korelasi (nilai r) yang diperoleh maka dapat dilakukan menggunakan rumus (Raharja 2014).

r = nƩXY-(ƩX)(ƩY)

({nƩX²-(ƩX)²}{nƩ Y²-(ƩY )²})^¹/2

⁽¹⁾

Keterangan:

r = Koefisien korelasi n = Jumlah data X = Data simulasi Y = Data observasi

Interpretasi terhadap harga atau koefisien korelasi secara sederhana diperlihatkan pada Tabel 1.

Tabel 1. Interpretasi Nilai Koefisien Korelasi Koefisien korelasi Interpretasi

0,80 – 1,00 Sangat tinggi

0,60 – 0,80 Tinggi

0,40 – 0,60 Cukup

0,20 – 0,40 Rendah

0,00 – 0,20 Sangat rendah

6) Analisis Root Mean Square Error (RMSE) menunjukkan tingkat bias pendugaan yang dilakukan pada simulasi. Rumus penentuan nilai RMSE terlihat pada Persamaan 2 (Kristantri 2014).

RMSE =

√

^∑ⁿ_i=1(x(i)-y(i))²

n (2) Keterangan:

X = Data simulasi Y = Data observasi n = Jumlah data

Nilai RMSE yang dianggap baik untuk mengindikasikan keeratan data pos hujan dan TRMM ialah ≥ 300 mm atau berada pada klasifikasi sedang. Berikut ditampilkan tabel pembagian kelas RMSE pada Tabel 2.

Tabel 2. Pembagian Kelas RMSE

Nilai RMSE (mm) Keterangan

0-100 Sangat Kecil

100-200 Kecil

200-300 Sedang

300-400 Besar

400-500 Sangat Besar

7) Penentuan faktor koreksi data satelit TRMM dilakukan untuk mendekatkan nilai dari data TRMM terhadap data pos curah hujan sehingga korelasi kedua data semakin kuat atau dengan kata lain menurunkan nilai error dari kedua data. Konsistensi pola lengkung atau kecenderungan naik turun dua data yang dibandingkan tersebut dapat menjadi satu identifikasi dalam menyimpulkan kualitas data TRMM. Penentuan nilai faktor koreksi ini sama dalam satu grid TRMM.

8) Analisis nilai error hasil koreksi merupakan lanjutan dari analisis faktor koreksi. Setiap data TRMM yang telah terkoreksi dihitung nilai errornya sehingga setiap data yang mengalami kenaikan error dieliminasi dan data yang mengalami penurunan error dipakai dalam

(5)

analisis lanjutan yakni analisis karakteristik hujan rencana. Pada tahap ini seberapa besar nilai penurunan error dipakai untuk analisis lanjutan.

9) Penentuan nilai error dilakukan dengan melakukan pemeriksaan terhadap nilai perbedaan antara data TRMM dan data pos hujan. Perbedaan nilai antara TRMM dan pos hujan ini dinamakan galat/error. Error dikatakan baik jika semakin mendekati nilai 0 atau semakin mengecil dari nilai awal sebelum dilakukan koreksi. Penentuan nilai galat/error ditunjukkan pada Persamaan 3.

Error = ABS (AVG (X-Y)

100 (3) Keterangan:

AVG = Average/rata – rata X = Data simulasi Y = Data observasi

10) Uji karakteristik hujan rencana dilakukan guna memperoleh data curah hujan yang dapat digunakan untuk analisis hidrologi. Uji ini dilakukan dengan menentukan curah hujan kala ulang 2, 5, 10, 25, 50, 100, 200, 500, dan 1.000 tahun menggunakan distribusi hujan ekstrim Generalized Extreme Value (GEV) yang didapat dari aplikasi SMADA modul DISTRIB 2.20. Penggunaan distribusi Generalized Extreme value (GEV) ini dikarenakan 90 % kasus dalam pemilihan distribusi untuk hujan ekstrim menunjukkan bahwa distribusi ini yang paling baik. Parameter uji karakteristik hujan ialah berdasarkan hasil rasio periode ulang 100 tahun terhadap periode ulang 2 tahun, dan nilai faktor pertumbuhan/growth factor (GF).

Rasio periode ulang didefinisikan sebagai perbandingan antara dua periode ulang yang berbeda. Berdasarkan metode IDF, periode ulang 2 tahun merupakan periode ulang terendah yang seringkali mendekati nilai rata-rata, sedangkan periode ulang 100 tahun menghasilkan nilai peluang tak terlampaui yang mendekati nilai 1 dan nilai Rmaks. Rasio ini yang selanjutnya akan digunakan dalam penyaringan lanjutan untuk mendapatkan performa model yang lebih baik. Untuk wilayah Indonesia nilai R100/R2 berada pada rentang 1,5 – 3,4 (Balai Bendungan 2019). Klasifikasi ulang berdasarkan rasio R100/R2 tahun menghasilkan nilai faktor pertumbuhan. Faktor pertumbuhan adalah faktor yang dikalikan dengan indeks hujan ekstrim untuk mengestimasi hujan rencana T-tahun (Murphy et al. 2014). Dengan ketersediaan nilai faktor pertumbuhan dan indeks hujan ekstrim, maka curah hujan untuk periode ulang tertentu pada suatu pos hujan dapat diestimasi.

11) Data pos curah hujan dan TRMM yang telah lolos seleksi dari analisis koefisien korelasi, RMSE, faktor koreksi, galat/error hingga analisis karakteristik hujan rencana dipilih dan dipakai sebagai hasil akhir dari penelitian ini di mana data–data tersebut layak digunakan untuk analisis hidrologi. Untuk lebih jelas langkah-langkah penelitian ini ditunjukkan dalam bagan alir pada Gambar 2.

3. Hasil dan Pembahasan 3.1 Pemilihan Data Curah Hujan

Tahap pertama yang dilakukan ialah memilih data curah hujan dari pos pengamatan hujan yang hendak dipakai. Data curah hujan yang dipilih ialah data yang berasal dari pos hujan yang berada pada Wilayah Sungai Noelmina dan memiliki panjang data minimal 3 tahun. Berdasarkan hasil rekapitulasi data, di wilayah Kota Kupang terdapat 2 pos hujan yakni Pos Hujan Penfui dan Lasiana.

Di wilayah Kabupaten Kupang terdapat 9 pos hujan yakni Pos Hujan Batuliti, Baun, Tarus, Naibonat, Camplong, Raknamo, dan Tubutesbatan. Di wilayah Kabupaten TTS terdapat 13 pos hujan yakni Pos Hujan Batinefukoko, Fatumnasi, Netpala, Noelnoni, Oeoh, Kapan, Kualin, Niki-niki, Kesetnana, Nule, Nifukani, Oinlasi, dan Panite. Total keseluruhan pos hujan yang diperoleh pada penelitian ini berjumlah 24 pos hujan. Berikut disajikan rekapitulasi ketersediaan data curah hujan pada ke-24 pos hujan yang ada di Wilayah Sungai Noelmina pada Tabel 3.

(6)

Gambar 2. Bagan Alir Penelitian

Tabel 3. Ketersediaan Data Curah Hujan pada Pos Hujan di Wilayah Sungai Noelmina.

No Nama Stasiun Kecamatan

Panjang Data (Tahun)

Tahun Data

Tahun Data Yang Tidak Ada

1 Batinefukoko Mollo Utara 20 1998-2018 2008

2 Fatumnasi Mollo Utara 16 1998-2018 1999; 2002;

2006-2008

3 Noelnoni Oenino 17 2000-2018 2001; 2008

4 Netpala Mollo Utara 6 2009-2014 -

5 Oeoh Oenino 17 1998-2018 2002; 2006-2008

6 Nifukani Amanuban

Tengah 18 1998-2018 2002; 2007-2008

7 Nule Amanuban Barat 12 1998-2014 2001; 2005-2008

8 Kesetnana Kota Soe 14 1998-2014 2001; 2005-2006

9 Kapan Mollo Utara 6 2009-2014 -

10 Kualin Kualin 5 2010-2014 -

11 Niki-Niki Amanuban

Tengah 8 2007-2014 -

12 Oinlasi Amanatun Utara 6 2009-2014 -

13 Tilong Kupang Tengah 10 2009-2018 -

14 Lasiana Kelapa Lima 18 2000-2017 -

15 Penfui Maulafa 18 1998-2015 -

16 Tarus Kupang Tengah 19 1998-2016 -

17 Oeletsala Taebenu 14 2002-2017 2015; 2016

18 Naibonat Kupang Timur 18 1998-2015 -

(7)

No Nama Stasiun Kecamatan

Panjang Data (Tahun)

Tahun Data

Tahun Data Yang Tidak Ada

19 Tubutesbatan Kupang Timur 18 1998-2015 -

20 Raknamo Amabi Oefeto 18 1998-2015 -

21 Camplong

(Oelbioin) Fatuleu 21 1998-2018 -

22 Panite Amanuban

Selatan 17 1998-2015 2005

23 Batuliti Kupang Barat 20 1998-2018 1999

24 Baun Amarasi Barat 21 1998-2018 -

3.2 Pengambilan Data Tropical Rainfall Measuring Mission (TRMM)

Data Tropical Rainfall Measuring Mission (TRMM) diunduh sesuai dengan data pos hujan yang tersedia pada setiap grid TRMM yang telah dibuat. Karena pada penelitian ini terdapat delapan grid TRMM maka data TRMM diunduh sebanyak delapan kali guna memperoleh Data TRMM pada Grid I hingga grid Ke-VIII. Data pos hujan yang telah dipilih kemudian dipetakan sesuai dengan koordinat masing-masing pos hujan menggunakan software ArcGIS 10.5. Selanjutnya untuk penentuan data TRMM dibuat grid yang mengunci koordinat pos hujan dengan luasan 0,25° x 0,25° atau sekitar 28 km x 28 km dengan ketentuan pada setiap grid minimal terdapat satu pos hujan. Berikut ditampilkan peta persebaran pos hujan dan grid TRMM pada Gambar 3.

Gambar 3. Peta Persebaran Pos Hujan dan Grid TRMM pada Wilayah Sungai Noelmina

3.3 Analisis Data Curah Hujan

Analisis data curah hujan dilakukan dengan menentukan nilai koefisien korelasi dan RMSE, faktor koreksi, galat/error, serta penentuan karakteristik hujan rencana.

3.3.1 Analisis Koefisien Korelasi dan Root Mean Square Error (RMSE).

Analisis dilakukan pada setiap data curah hujan yang tersebar pada 8 grid TRMM. Hasil analisis koefisien korelasi dan RMSE ditampilkan pada Tabel 4.

(8)

Tabel 4. Rekapitulasi Nilai Koefisien Korelasi dan RMSE Data Curah Hujan Grid I.

No Nama Stasiun Grid TRMM

TRMM Vs Pos

Keterangan Koefisien

Korelasi RMSE

1 Batinefukoko I 0,6198 173,47 Dipakai

2 Fatumnasi I 0,4274 856,25 Tidak Dipakai

3 Noelnoni II 0,7099 94,71 Dipakai

4 Netpala II 0,6678 140,20 Dipakai

5 Oeoh II 0,3218 580,90 Tidak dipakai

6 Nifukani III 0,7536 94,91 Dipakai

7 Nule III 0,6755 123,04 Dipakai

8 Kesetnana III 0,6357 144,28 Dipakai

9 Kapan III 0,6031 134,92 Dipakai

10 Kualin III 0,5698 139,72 Tidak dipakai

11 Niki-niki III 0,7115 99,26 Dipakai

12 Oinlasi IV 0,7010 105,28 Dipakai

13 Tilong V 0,8761 79,60 Dipakai

14 Lasiana V 0,9224 87,92 Dipakai

15 Penfui V 0,9351 88,23 Dipakai

16 Tarus V 0,8799 92,54 Dipakai

17 Oeletsala V 0,6993 156,86 Dipakai

18 Naibonat VI 0,8147 237,25 Dipakai

19 Tubutesbatan VI 0,6607 144,37 Dipakai

20 Rakanamo VI 0,8164 84,41 Dipakai

21 Camplong VI 0,8508 69,46 Dipakai

22 Panite VII 0,4185 140,70 Tidak Dipakai

23 Batuliti VIII 0,6881 255,47 Dipakai

24 Baun VIII 0,8626 88,22 Dipakai

3.3.2 Analisis Faktor Koreksi dan Error

Data curah hujan yang dipakai untuk analisis faktor koreksi dan error ialah data curah hujan yang memiliki nilai koefisien korelasi diatas 0,6 dan nilai RMSE maksimal berada pada kelas sedang atau berkisar antara 200 mm – 300 mm. Data HHMT dan data hujan harian dari TRMM dan pos curah hujan dimasukkan dalam satu tabel dan diurutkan dari terkecil hingga terbesar kemudian ditentukan nilai yang dipakai untuk mengoreksi data TRMM. Selisih dari data TRMM terhadap data pos hujan sebelum dan sesudah koreksi inilah yang dijadikan sebagai nilai error. Hasil analisis faktor koreksi dan error ditampilkan pada Tabel 5.

Tabel 5. Rekapitulasi Hasil Analisis Faktor Koreksi dan Error

No

Nama Stasiun

Hujan

Grid TRMM

Error

HHMT Harian

Sebelum Koreksi

Setelah Koreksi

1 Batinefukoko I 0,7589 0,5440 0,0164 0,0099

2 Noelnoni II 0,0803 0,0597 0,0052 0,0049

3 Netpala II 0,1127 0,0747 0,0214 0,0177

4 Nifukani III 0,3493 0,1355 0,0064 0,0023

5 Nule III 0,3822 0,1701 0,0089 0,0056

6 Kesetnana III 0,3974 0,1138 0,0218 0,0142

7 Kapan III 0,1663 0,3624 0,0114 0,0086

8 Niki-niki III 0,2750 0,1506 0,0069 0,0105

(9)

No

Nama Stasiun

Hujan

Grid TRMM

Error

HHMT Harian

9 Oinlasi IV 0,3516 0,0824 0,0069 0,0058

10 Tilong V 0,2082 0,0871 0,0064 0,0063

11 Lasiana V 0,3217 0,0910 0,0080 0,0065

12 Penfui V 0,6073 0,3424 0,0074 0,0043

13 Tarus V 0,3494 0,1443 0,0080 0,0025

14 Oeletsala V 0,2778 0,2708 0,0122 0,0064

15 Naibonat VI 1,1651 1,1138 0,0352 0,0321

16 Tubutesbatan VI 0,0854 0,0824 0,0070 0,0051

17 Raknamo VI 0,2148 0,1688 0,0065 0,0046

18 Camplong VI 0,1321 0,0892 0,0061 0,0045

19 Batuliti VIII 0,8004 0,7874 0,0278 0,0259

20 Baun VIII 0,0942 0,0824 0,0102 0,0084

3.3.3 Analisis Karakteristik Hujan Rencana.

Data pos curah hujan dan TRMM yang telah terpilih dan terkoreksi selanjutnya dilakukan uji karakteristik hujan rencana menggunakan data HHMT. Uji ini dilakukan dengan menentukan curah hujan kala ulang 2, 5, 10, 25, 50, 100, 200, 500, dan 1000 tahun. Pada penelitian ini perhitungan nilai kala ulang hujan menggunakan distribusi generalized extreme value (GEV) yang diperoleh dari aplikasi SMADA modul DISTRIB 2.20. Di Indonesia data curah hujan yang lolos analisis karakteristik hujan rencana ialah data yang nilai R100/R2 berkisar antara 1,5–3,4 (Adiyani 2019).

Nilai R100/R2 merupakan perbandingan antara periode ulang curah hujan 100 tahun yang menghasilkan nilai peluang yang mendekati 1 dan nilai Rmaks. Sedangkan R2 ialah periode ulang curah hujan 2 tahun di mana merupakan periode ulang terendah yang mendekati nilai rata-rata.

Berdasarkan hasil analisis diperoleh nilai karakteristik hujan rencana TRMM dan pos curah hujan pada Tabel 6 dan Tabel 7.

Tabel 6. Rekapitulasi Hasil Analisis Karakteristik Hujan Rencana pada Data TRMM

No Grid TRMM

Kala Ulang (mm)

R100/R2

1000 500 200 100 50 25 10 5 2

1 TRMM I 220,79 208,82 192,40 179,50 166,14 152,26 132,85 116,90 91,77 1,96 2 TRMM II 166,32 159,83 211,87 142,92 134,74 125,93 113,06 102,00 83,70 1,71

3 TRMM

III 238,92 227,74 211,87 198,96 185,18 170,41 149,01 130,77 100,82 1,97

4 TRMM

IV 240,47 232,33 220,29 210,09 198,82 186,30 167,37 150,53 121,52 1,73 5 TRMM V 266,04 255,91 240,87 228,09 213,94 198,18 174,30 152,98 116,15 1,96

6 TRMM

VI 183,14 178,93 172,17 165,96 158,59 149,82 135,41 121,44 94,96 1,75

7 TRMM

VIII 247,43 236,67 221,18 208,40 194,60 179,64 157,63 138,60 106,84 1,95

Selain berdasarkan nilai R100/R2, analisis karakterisitik hujan rencana juga ditentukan oleh grafik faktor pertumbuhan vs periode ulang. Data TRMM maupun data pos curah hujan yang lolos uji karakteristik ialah data yang memiliki trend grafik yang sama atau tidak terdapat kecenderungan berbeda dalam satu grid TRMM. Berikut ditampilkan contoh grafik data TRMM dan data pos curah hujan yang lolos uji karakteristik hujan rencana pada grid TRMM V.

(10)

Tabel 7. Rekapitulasi Hasil Analisis Karakteristik Hujan Rencana pada Data Pos Hujan

No Pos Curah Hujan

Grid TRM M

Kala Ulang R100

/R2

1000 500 200 100 50 25 10 5 2

1 Nifukani III ^285,25 ^270,60 ^249,82 ^232,93 ^214,92 ^195,64 ^167,72 ^143,93 ^104,95 ^2,22 2 Kesetnana III 252,82 244,08 230,95 219,64 206,96 192,70 170,78 150,95 116,16 1,89 3 Oinlasi IV ^377,21 ^341,91 ^298,73 ^268,48 ^240,11 ^213,42 ^180,21 ^156,02 ^122,68 ^2,19 4 Tilong V 254,61 242,24 224,68 210,43 195,23 178,97 155,43 135,39 102,56 2,05 5 Lasiana V 334,00 310,38 279,47 256,32 233,32 210,38 179,82 155,94 120,34 2,13 6 Oeletsala V 451,76 407,58 351,92 311,75 273,11 235,80 187,97 152,02 100,73 3,09 7 Penfui V 397,43 374,46 342,98 318,27 292,72 266,17 229,09 198,64 150,73 2,11 8 Tarus V ^401,16 ^372,33 ^333,86 ^304,44 ^274,70 ^244,51 ^203,46 ^170,67 ^120,64 ^2,52 9 Naibonat VI ^797,80 ^719,48 ^621,44 ^551,15 ^483,92 ^419,37 ^337,17 ^275,82 ^188,97 ^2,92 10 Tubutesbatan VI 185,50 181,94 175,91 170,08 162,86 153,87 138,28 122,35 90,27 1,88 11 Camplong VI 387,79 335,63 276,72 238,67 205,38 176,19 142,73 120,34 92,24 2,59 12 Baun VIII 191,92 187,26 179,96 173,40 165,78 156,88 142,60 129,08 104,15 1,66

Gambar 4. Lengkung Pertumbuhan Data Curah Hujan pada Grid TRMM V

Berdasarkan grafik lengkung pertumbuhan pada Gambar 4 terlihat bahwa setiap data curah hujan memperlihatkan trend pertumbuhan yang cenderung mirip terhadap data curah hujan yang lain dalam grid TRMM V. Hal ini didukung oleh penelitian sebelumnya yang menyatakan bahwa hasil perbandingan lengkung pertumbuhan menunjukan kesamaan pola atau trend pertumbuhan dari beberapa data curah hujan yang berada pada suatu kedekatan baik itu kedekatan dalam kesamaan iklim maupun kesamaan lokasi (Adiyani L 2019). Sehingga berdasarkan nilai R100/R2 dan kesamaan trend lengkung pertumbuhan menunjukkan bahwa kelima data pos curah hujan dan data TRMM V memiliki trend pertumbuhan yang sama dan dinyatakan lolos analisis karakteristik hujan rencana sehingga dapat digunakan dalam kajian hidrologi.

4. Kesimpulan

Berdasarkan hasil penelitian, data grid TRMM yang tidak lolos hingga seleksi akhir yakni pada TRMM grid VII. Ini disebabkan karena pada grid tersebut hanya terdapat 1 pos curah hujan yakni Pos Hujan Panite di mana tidak terdapat korelasi yang kuat antara kedua data curah hujan, sehingga data TRMM grid VII dan Pos Hujan Panite tidak dipakai dalam analisis lanjutan. Secara keseluruhan data TRMM yang terkoreksi memiliki distribusi curah hujan yang relatif stabil tiap tahunnya sehingga layak digunakan untuk pengkajian hidrologi. Untuk data pos curah hujan terdapat 12 data curah hujan yang lolos. Berdasarkan hasil analisis terlihat data pos curah hujan yang tidak lolos seleksi yakni rata-rata berasal dari pos curah hujan yang memiliki data kurang panjang seperti halnya pada Pos Curah Hujan Netpala, Nule, Kapan, Kualin, dan Niki-niki serta nilai HHMT dari data pos hujan yang relatif tidak stabil dimana terdapat data yang relatif cenderung lebih besar atau lebih kecil

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5

0 100 200 300 400 500 600 700 800 900 1000

Growth Factor(GF)

Periode Ulang (Tahun)

TRMM V LASIANA PENFUI TARUS TILONG

(11)

11 Nomnafa, Krisnayanti, Ramang, Udiana: Penggunaan Data Satelit TRMM terhadap Stasiun Curah Hujan dari data–data HHMT tiap tahunnya sehingga mengakibatkan hasil analisis distribusi frekuensi juga cenderung mengalami peningkatan yang besar dan berdampak pada nilai R100/R2 yang besar dan faktor pertumbuhan yang berbeda dari data curah hujan pada grid yang sama. Sehingga berdasarkan hasil penelitian ini data pos hujan yang dapat diandalkan untuk analisis hidrologi ialah data dari Pos Curah Hujan Nifukani, Kesetnana, Oinlasi, Tilong, Lasiana, Penfui, Tarus, Oeletsala, Naibonat, Tubutesbatan, Camplong, dan Baun. Kemudian data TRMM yang dapat digunakan untuk analisis hidrologi ialah data curah hujan TRMM I, TRMM II, TRMM III, TRMM IV, TRMM V, TRMM VI dan TRMM VIII.

Ucapan Terima Kasih

Penulis menyampaikan terimakasih pada Balai Wilayah Sungai Nusa Tenggara II yang memberikan informasi data dan masukan dalam penelitian ini.

Daftar Pustaka

Adiyani, L. 2019. Nilai Faktor Pertumbuhan untuk Estimasi Hujan Rencana di Pulau Jawa.

Bandung: Jurnal Sumber Daya Air Vol. 15, No.1

Balai Bendungan. 2019. Analisis Curah Hujan Rencana dengan Data TRMM. Palembang:

Bimbingan Teknis Balai Bendungan.

Balai Wilayah Sungai Nusa Tenggara II. 2013. Penyusunan Rencana Pengelolaan SDA Wilayah Sungai Noelmina Tahap - II. kupang.

Hariarta, I. W. 2015. Verifikasi Data Curah Hujan TRMM di Sumbawa Menggunakan Metode Inverse Distance Weighting, Mean,dan Point. Banten: Sekolah Tinggi Meteorologi, Klimatologi G Geofisika.

Krisnayanti, D. S., Welkis, D. F., Hepy, F. M., & Legono, D. 2020. "Evaluasi Kesesuaian Data Tropical Rainfall Mission (TRMM) dengan Data Pos Hujan Pada Das Temef di Kabupaten Timor Tengah Selatan." Jurnal Sumber Daya Air Vol.16,No.1.

Kristantri, E. 2014. Prediksi Curah hujan Triwuan di Wilayah Sulawesi Selatan Bagian Barat Dengan Metode Regresi Komponen Utama. Jakarta: Skripsi Program Sarjana, Program Studi Klimatologi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika.

Mamenun, Pawitan, H., & Sophaheluwakan, A. 2014. "Validasi dan Korelai Data Satelit TRMM pada Tiga Pola Hujan di Indonesia." Jurnal Meteorologi dan Geofisika.

Murphy, C., Cunnane, C., Das, C., & Mandal, U. 2014. Flood Studies Update, Technical Research Report : Volume II Flood Frequency Estimation. Derived from technical Research Report by NUI Galway and NUI Maynooth. Public Works of Ireland.

NASDA. 2001. TRMM Data Users Handbook. Earth Observation Center, National Space Development Agency of Japan.

Noor, R. A., Ruslan, M., Rusmayadi, G., & Badaruddin. 2016. Pemanfaatan Data Satelit Tropical Rainfall Measuring Mission (TRMM) Untuk Pemetaan Zona Agroclimat di Kalimantan Selatan. Program Pascasarjana Universitas Lambung Mangkurat.

Pangestu, I. T. 2020. Analisis Korelasi Data Curah Hujan BMKG dengan TRMM (Studi Kasus Stasiun BMKG di Sumatera Utara). Lampung: Skripsi. Universitas Lampung.

Raharja, A. B. 2014. Analisis Curah Hujan Bulanan di Sumatera Selatan dan Kaitannya Dengan Indeks Monsun Indonesia. Jakarta: Skripsi Program Sarjana, Program Studi Klimatologi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika.

Rusli, S. R. 2017. "Evaluasi Penggunaan Data Hujan Berbasis Satelit (TRMM) Tidak Terkoreksi Dalam Aplikasi Model Neraca Air ." Jurnal Sumber Daya Air, 3(2),115-120.

Syaifullah, M. D. 2014."Validasi Data TRMM Terhadap Data Curah Hujan Aktual di TIga DAS di Indonesia." Jurnal Meteorologi dan Geofisika, 15(2), 109-118.

Triatmojo, B. 2008. Hidrologi Terapan. Yogyakarta: Beta Offset.