4 BAB IV

HASIL DAN ANALISA

4.1 Evaluasi Persamaan Rain Rate

4.1.1 Hasil

Estimasi curah hujan untuk satu titik (Bandung) perjam diakumulasi selama 24

jam untuk memperoleh curah hujan harian, selama rentang waktu 11 Desember

2006 s.d 28 Februari 2007. Estimasi curah hujan harian kemudian dibandingkan

dengan data pengamatan BMG untuk rentang waktu yang sama.

4.1.1.1 Estimasi dengan persamaan rain rate Adler-Negri (1988)

Perbandingan antara curah hujan estimasi harian dan curah hujan pengamatan

harian diperlihatkan pada Gambar 4.1.

(a) (b)

Gambar 4.1 Perbandingan antara CH pengamatan harian dan CH estimasi

(Adler-Negri) harian : a) plot time series dan b) scatter plot

Scatter-plot antara CH pengamatan dan CH estimasi (Gambar 4.1b) menunjukkan

bahwa estimasi dengan menggunakan persamaan rain rate Adler-Negri terkadang

menghasilkan jumlah curah hujan yang berlebihan (over estimate), dan terkadang

menunjukkan curah hujan yang lebih kecil dari pengamatan (under estimate).

4-1

Sebagian estimasi menunjukkan curah hujan sekitar 20 mm bahkan lebih, pada

saat pengamatan menunjukkan tidak ada hujan (0 mm). Sebaliknya, sebagian

estimasi gagal menunjukkan terjadinya hujan yang signifikan sementara

pengamatan mencatat hujan yang cukup besar. Secara keseluruhan estimasi

dengan menggunakan persamaan Adler-Negri kurang konsisten dalam

menentukan besaran curah hujan. Hal ini juga ditunjukkan oleh nilai koefisien

korelasinya yang hanya sebesar 0.16, walaupun estimasi curah hujan akumulasi

lima harian (Gambar 4.2) menunjukkkan korelasi yang lebih baik, dengan nilai

koefisien korelasi sebesar 0.31.

(a) (b)

Gambar 4.2 Perbandingan antara CH pengamatan akumulasi 5 harian dan

CH estimasi (Adler-Negri) akumulasi 5 harian : a) plot time

series dan b) scatter plot

4.1.1.2 Estimasi dengan persamaan rain rate Islam (2002)

Estimasi dengan persamaan rain rate Islam seperti metode estimasi sebelumnya,

menunjukkan koefisien korelasi yang kecil, hanya sebesar 0.09. Konsistensi

estimasinya pun juga kurang baik. Banyak estimasi yang tidak sesuai dengan

pengamatan, terlihat dari sebaran scatter plot (Gambar 4.3b) yang menunjukkan

sebaran data yang acak. Bahkan estimasi lima harian juga tidak menunjukkan pola

yang lebih baik (Gambar 4.4b) dengan koefisien korelasi sebesar 0.338.

4-2

(a) (b)

Gambar 4.3 Perbandingan antara CH pengamatan harian dan CH estimasi

(Islam) harian : a) plot time series dan b) scatter plot

(a) (b)

Gambar 4.4 Perbandingan antara CH pengamatan akumulasi 5 harian dan

CH estimasi (Islam) akumulasi 5 harian : a) plot time series

dan b) scatter plot

4.1.1.3 Estimasi dengan persamaan rain rate Vicente et. al (1998)

Estimasi dengan menggunakan persamaan Vicente menunjukkan korelasi yang

lebih baik dibanding dua estimasi sebelumnya. Nilai koefisien korelasi curah

hujan harian (Gambar 4.5) sebesar 0.21, sementara koefisien korelasi curah hujan

akumulasi lima harian (Gambar 4.6) sebesar 0.57.

4-3

(a) (b)

Gambar 4.5 Perbandingan antara CH pengamatan harian dan CH estimasi

(Vicente) harian : a) plot time series dan b) scatter plot

Akan tetapi, estimasi ini kurang tepat dalam hal nilai curah hujan yang dihasilkan.

Kecenderungan hasil estimasi ini menunjukkan curah hujan yang lebih besar

dibandingkan pengamatan. Tetapi seperti dua estimasi sebelumnya, estimasi ini

juga terkadang kurang konsisten. Ada beberapa estimasi yang gagal menunjukkan

terjadinya hujan, sementara data pengamatan menunjukkan hujan, walaupun

besarnya tidak signifikan.

(a) (b)

Gambar 4.6 Perbandingan antara CH pengamatan akumulasi 5 harian dan

CH estimasi (Vicente) akumulasi 5 harian : a) plot time series

dan b) scatter plot

Secara keseluruhan konsistensi estimasi ini lebih baik dibandingkan dua estimasi

sebelumnya, terutama dalam mengestimasi akumulasi curah hujan lima harian.

Scatter plot CH akumulasi 5 harian (Gambar 4.6b) menunjukkan korelasi yang

4-4

cukup baik antara CH pengamatan dan CH estimasi, walaupun secara kuantitas

terlihat bahwa estimasi dengan menggunakan persamaan Vicente cenderung

berlebihan dalam mengestimasi besar curah hujan.

4.1.2 Analisa

Nilai koefisien korelasi untuk masing-masing estimasi dirangkum dalam Tabel

4.1. Korelasi paling baik diperoleh oleh estimasi dengan menggunakan persamaan

Vicente et. al (1998).

Tabel 4.1 Koefisien korelasi untuk masing-masing estimasi

Korelasi Harian Korelasi Lima Harian

Estimasi Adler – Negri 0.1593 0.3160 Estimasi Islam 0.0898 0.3389 Estimasi Vicente 0.2126 0.5684

Curah hujan estimasi dengan menggunakan persamaan Adler-Negri dan Islam

menunjukkan korelasi yang kecil terhadap curah hujan pengamatan. Hal ini

menunjukkan bahwa kedua metode penentuan rain rate tersebut kurang cocok

digunakan dalam estimasi curah hujan di Indonesia. Metode penentuan rain rate

Vicente (1998), ternyata menunjukkan korelasi yang cukup baik dengan data

pengamatan, Akan tetapi, penggunaan rain rate Vicente et. al (1998) walau secara

kualitatif mampu menunjukkan kejadian hujan dengan cukup akurat, secara

kuantitatif ternyata hasil estimasinya belum cukup baik. Hasil estimasi cenderung

over estimate. Hal ini dapat dipahami, sebab Vicente et. al (1998) memperoleh

persamaan tersebut secara empiris. Oleh karena persamaan tersebut tidak

diturunkan secara fisis, kemungkinan besar pengaruh lokal cukup berperan. Oleh

karena itu, bagian kedua dari kajian ini mencoba untuk menemukan persamaan

rain rate yang dapat menjelaskan hubungan TBB dan rain rate yang lebih baik di

wilayah Indonesia.

4-5

4.2 Persamaan Rain Rate Sebagai Fungsi Dari TBB (RR=F(TBB)) Untuk

Wilayah Indonesia

4.2.1 Hasil

Setelah posisi inti konvektif ditemukan, setiap temperatur inti konvektif

dipasangkan dengan nilai rain-rate maximum dalam area 2 x 2 pixel di sekitar inti

konvektif tersebut. Kedua data tersebut kemudian di plot, untuk melihat polanya,

seperti yang ditunjukkan oleh Gambar 4.7.

Gambar 4.7 Scatter plot TBB inti konvektif (Tmin) vs rain rate

Plot rain rate vs temperatur puncak awan ternyata tidak menunjukkan pola yang

diharapkan. Asumsi yang sebelumnya dipegang adalah pola rain rate di wilayah

Indonesia tidak akan jauh berbeda dengan pola yang ditunjukkan oleh persamaan

Vicente et. al (1998). Walaupun telah dilakukan pemilihan inti konvektif, ternyata

masih terdapat sebagian rain rate yang teridentifikasi sebagai rain rate hujan

stratiform, yang menurut Islam (2002) antara 3 – 5 mmh-1, di sekitar inti

konvektif. Hal inilah yang menyebabkan plot rain rate vs TBB terlihat

4-6

menunjukkan pola yang acak, walaupun secara kasar sebagian data menunjukkan

pola yang mendekati persamaan Vicente et. al (1998).

4.2.2 Analisa

Pola rain rate vs temperatur puncak awan yang diperoleh ternyata tidak sesuai

dengan yang diharapkan. Masih banyaknya data rain rate stratiform yang ikut

terpilih sebagai pasangan data temperatur inti konvektif, sementara yang

diharapkan adalah rain rate hujan konvektif, bisa disebabkan karena adanya

ketidak sesuaian antara dua data yang digunakan, MTSAT IR1 dan TRMM PR.

Contohnya bisa dilihat pada Gambar 4.8.

(a) (b)

Gambar 4.8 a) Temperatur puncak awan dan b) rain rate

Lingkaran merah di Gambar 4.8 (a) menunjukkan posisi inti konvektif yang

terdeteksi, sementara di Gambar 4.8 (b) menunjukkan nilai rain rate di sekitar

posisi tersebut. Terlihat bahwa rain rate yang terdeteksi oleh TRMM PR di sekitar

posisi inti konvektif tersebut ≤ 5 mmh-1. Sementara di posisi yang terdeteksi oleh

TRMM PR terdapat rain rate yang cukup besar (dengan kata lain menunjukkan

hujan konvektif), ternyata tidak terdeteksi inti konvektif sama sekali (lingkaran

hijau di Gambar 4.8 a dan b). Dengan selisih waktu yang hanya 6 menit, ternyata

tidak menjamin kedua data tersebut sesuai. Hal ini dengan jelas menunjukkan

ketidaksesuaian antara data MTSAT IR1 dan TRMM PR. Perlu adanya koreksi

4-7

lebih lanjut yang dilakukan untuk memastikan kecocokan kedua data tersebut,

yang sayangnya diluar pembahasan kajian ini.

Walaupun demikian, plot rain rate pada Gambar 4.7 dapat di-filter dengan

mengasumsikan dua hal berikut. Pertama, rain rate yang besarnya ≤ 3.5 mmh-1

diasumsikan sebagai rain rate stratiform (nilai tengah yang digunakan oleh Islam,

2002 dalam mendefinisikan besar rain rate stratiform), dan yang kedua,

mengasumsikan bahwa rain rate konvektif berada dalam radius 15 K disekitar

grafik persamaan Vicente et. al (1998). Dengan kedua asumsi tersebut, sebagian

data yang menyimpang dapat dieliminasi, sehingga plot rain rate vs TBB menjadi

seperti yang terlihat di Gambar 4.9.

Gambar 4.9 Scatter plot TBB inti konvektif (Tmin) vs rain rate (setelah

dilakukan filtering)

Data yang tersisa adalah data yang dianggap benar-benar merefleksikan hujan

konvektif. Terlihat bahwa plot tersebut memiliki kecenderungan mengikuti pola

persamaan Vicente et. al (1998). Dengan populasi 48.5 % dari keseluruhan data,

pola ini dianggap cukup mewakili kondisi yang sebenarnya. Oleh sebab itu, dapat

diasumsikan bahwa persamaan Vicente et. al (1998) cukup merefleksikan

hubungan antara rain rate hujan konvektif dan temperatur puncak awan di wilayah

Indonesia. Hal ini sesuai dengan analisa di bagian pertama (evaluasi persamaan

4-8

rain rate) yang menunjukkan bahwa estimasi dengan korelasi yang terbaik

diperoleh ketika menggunakan persamaan rain rate Vicente et. al (1998).

4.3 Studi Kasus Ekstrim

Di beberapa wilayah, curah hujan yang tinggi bisa membawa bencana besar bagi

para penduduknya, berupa bencana banjir atau tanah longsor. Memang pada

dasarnya curah hujan yang tinggi saja belum tentu mengakibatkan bencana banjir.

Ada banyak penyebab lain yang menjadikan suatu wilayah mendapat kriteria

rawan banjir. Akan tetapi, tidak dapat dipungkiri bahwa estimasi yang tepat

terhadap akumulasi curah hujan di suatu wilayah dapat membantu memonitor

potensi terjadinya banjir di wilayah tersebut, terutama di wilayah-wilayah yang

telah teridentifikasi rawan banjir. Dengan memonitor curah hujan secara near real

time, dapat dideteksi kejadian hujan ekstrim secara dini sehingga dapat membantu

proses pengambilan keputusan secara keseluruhan. Oleh karena itu, sistem

monitoring curah hujan berguna sebagai sistem peringatan dini bencana banjir.

Sub bab ini akan menunjukkan salah satu contoh monitoring curah hujan untuk

mendeteksi kejadian curah hujan ekstrim, yang berpotensi mengakibatkan

bencana banjir. Kasus yang dipilih adalah kejadian banjir di Kabupaten Karawang

pada awal bulan Februari 2008.

4.3.1 Banjir Karawang awal bulan Februari 2008

Kabupaten Karawang adalah sebuah kabupaten di Provinsi Jawa Barat dengan

ibukota Karawang (Gambar 4.11). Pada awal bulan Februari 2008, kabupaten ini

diguyur hujan deras, hingga mengakibatkan beberapa wilayahnya terendam banjir.

Sampai minggu pertama bulan Februari, dari 11 kecamatan yang dinilai rawan

banjir, sebanyak 6 kecamatan di antaranya sudah terendam dengan rata-rata

ketinggian air 40-100 cm, mengakibatkan banyak fasilitas umum dan perumahan

warga tergenang air. Sementara ribuan hektar areal persawahan terpaksa di tanam

ulang karena tanaman padi yang baru berusia 7-20 hari terendam air hingga

ketinggian 1 meter (sumber: http://www.inilah.com/berita.php?id=11676).

4-9

Gambar 4.10 Peta Jawa Barat, inset Kabupaten Karawang (sumber:

http://www.lapanrs.com/smba/)

Sementara itu, ribuan warga di sekitar Sungai Citarum terpaksa mengungsi akibat

tanggul sungai jebol pada hari Senin 5 Februari 2008 dini hari, merendam

perumahan warga hingga ketinggian 2 meter (sumber: www.detiknews.com).

Bencana banjir ini mengakibatkan kerugian yang cukup besar, terutama bagi para

petani yang sawahnya terendam banjir. Untuk mencegah kerugian yang lebih

besar di kemudian hari, perlu adanya langkah-langkah mitigasi yang diambil.

Monitoring curah hujan dapat digunakan sebagai deteksi awal potensi terjadinya

banjir, untuk membantu para pengambil keputusan dalam menentukan langkah-

langkah yang perlu diambil untuk meminimalisir kerugian akibat bencana banjir.

4.3.2 Deteksi curah hujan ekstrim di wilayah Kabupaten Karawang pada

awal bulan Februari 2008

Untuk mendeteksi curah hujan ekstrim di wilayah Karawang, dilakukan estimasi

curah hujan dari tanggal 4 Februari hingga 8 Februari 2008. Estimasi yang

4-10

dilakukan adalah estimasi curah hujan harian kumulatif. Estimasi curah hujan

jam-jaman di akumulasi mulai pukul 07 pagi hingga 24 jam berikutnya.

Gambar 4.11 Estimasi curah hujan daerah Karawang Tgl. 4 Februari 2008

Gambar 4.12 Estimasi curah hujan daerah Karawang Tgl. 5 Februari 2008

Estimasi curah hujan pada tanggal 4 Februari (Gambar 4.11) dan 5 Februari

(Gambar 4.12) menunjukkan intensitas curah hujan harian yang cukup besar

berkisar antara 35-125 mm/hari, terutama di sekitar pantai utara Karawang.

Sementara estimasi curah hujan pada tanggal 6 Februari (Gambar 4.13)

4-11

menunjukkan intensitas curah hujan yang sangat tinggi di hampir seluruh wilayah

Kabupaten Karawang, dengan nilai 175-200 mm/hari.

Gambar 4.13 Estimasi curah hujan daerah Karawang Tgl. 6 Februari 2008

Gambar 4.14 Estimasi curah hujan daerah Karawang Tgl. 7 Februari 2008

Pada tanggal 7 Februari (Gambar 4.14) curah hujan telah mulai berkurang,

kecuali di daerah sekitar Kota Karawang yang curah hujannya masih

menunjukkan intensitas yang berkisar antara 175 - 200 mm/hari. Akhirnya pada

4-12

tanggal 8 Februari (Gambar 4.15), intensitas curah hujan semakin berkurang, akan

tetapi masih cukup besar dengan nilai 35 – 75 mm/hari.

Gambar 4.15 Estimasi curah hujan daerah Karawang Tgl. 8 Februari 2008

Hasil estimasi selama 5 hari berturut-turut di minggu pertama bulan Februari ini,

secara kualitatif menunjukkan intensitas curah hujan ekstrim di wilayah kajian.

Analisa terhadap hasil estimasi tersebut dapat digunakan untuk menunjukkan

potensi terjadinya banjir di wilayah Kabupaten karawang, terutama di wilayah

yang telah teridentifikasi sebagai daerah–daerah rawan banjir (Gambar 4.16).

Gambar 4.16 Peta daerah sawah rawan banjir di Kabupaten Karawang

(sumber: http://gis.deptan.go.id/gis/banjir/banjir/jabar/

4-13

Pebandingan secara kualitatif dengan image pengamatan radar yang diperoleh dari

JAMSTEC (Japan Agency For Marine Earth Science and Technology) juga

menunjukkan kesesuaian yang cukup baik. Sebagai contoh, estimasi curah hujan

tanggal 6 Februari 2008 (Gambar 4.13). Data pengamatan radar pada tanggal 6

Februari pada pukul 23:06 (Gambar 4.17), pukul 23:42 (Gambar 4.18), dan

pengamatan tanggal 7 Februari pukul 02:42 (Gambar 4.19) menunjukkan curah

hujan yang cukup besar terjadi di wilayah Kabupaten Karawang dan sekitarnya

(ditunjukkan dengan nilai echo radar ,dalam satuan dBz, yang cukup besar).

Observasi ini sesuai dengan estimasi pada tanggal 6 Februari (yang merupakan

hasil akumulasi estimasi curah hujan perjam dari pukul 07 pagi tanggal 6/2 hingga

pukul 07 pagi tanggal 7/2), yang juga menunjukkan akumulasi curah hujan yang

cukup besar.

Gambar 4.17 Observasi radar Tgl. 6 Februari 2008 pkl. 23.06 (sumber:

http://www.rewarestore.jp/jakarta/)

4-14

Gambar 4.18 Observasi radar Tgl. 6 Februari 2008 pkl. 23.42 (sumber:

http://www.rewarestore.jp/jakarta/)

Gambar 4.19 Observasi radar Tgl. 7 Februari 2008 pkl. 02.42 (sumber:

http://www.rewarestore.jp/jakarta/)

4-15

Secara keseluruhan, hasil estimasi curah hujan menggunakan metode CST ini

mampu secara kualitatif menunjukkan kejadian hujan, terutama hujan ekstrim,

yang selanjutnya dapat dimanfaatkan sebagai peringatan dini terhadap potensi

terjadinya bencana banjir.

4.4 Implementasi Monitoring Curah Hujan Secara Near-Real Time

Hasil kajian ini menunjukkan bahwa estimasi curah hujan dengan metode CST

bisa diterapkan di wilayah Indonesia. Walau dengan keterbatasan yang ada,

estimasi curah hujan dengan metode CST secara kualitatif dapat digunakan untuk

monitoring curah hujan di wilayah Indonesia. Eksperimen estimasi curah hujan

harian untuk wilayah Indonesia dan Pulau Jawa bisa diakses di situs

http://weather.geoph.itb.ac.id. Estimasi ini merupakan bagian dari eksperimen

monitoring dan prediksi cuaca yang dilakukan oleh laboratorium Weather and

Climate Prediction Laboratory (WCPL) Program Studi Meteorologi, Institut

Teknologi Bandung.

(a) (b) Gambar 4.20 Contoh hasil estimasi curah hujan untuk wilayah a) Indonesia

dan b) Pulau Jawa

4-16