Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara...

8/10/2019 Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara Temporal (Studi

1/51

IDENTIFIKASI KEJADIAN HUJAN EKSTREM

BERDASARKAN DATA TROPICAL RAINFALL MEASURING

MISSION(TRMM) SECARA TEMPORAL(Studi Kasus: Soreang)

TUGAS AKHIRDisusun untuk Memenuhi Syarat Kurikuler

Program Sarjana di Program Studi Meteorologi

oleh:

PRATIKTO ABISENO

(12807006)

PROGRAM STUDI METEOROLOGI

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN

INSTITUT TEKNOLOGI BANDUNG

2013


2/51

LEMBAR PENGESAHAN

TUGAS AKHIR DENGAN JUDUL

IDENTIFIKASI KEJADIAN HUJAN EKSTREM BERDASARKAN DATA

TROPICAL RAINFAL L MEASURING M ISSION(TRMM) SECARA

TEMPORAL

(Studi Kasus: Soreang)

oleh:

PRATIKTO ABISENO

(12807006)

Telah diperiksa dan disetujui:

Bandung, Juni 2013

Pembimbing

(Drs. Zadrach L. Dupe, M.Si.)

NIP: 195703221983031003


3/51

Impian ada ditengah peluh, bagai bunga yang mekar secaraperlahanUsaha keras itu tak akan mengkhianatiImpian ada ditengah peluh, selalu menunggu agar iamenguncupSatu hari pasti sampai harapan terkabul(AKB48- Shonichi, Yasushi Akimoto)

Aku persembahkan Tugas Akhir ini untuk Bapak dan Ibu serta

seluruh keluargaku

Pratikto Abiseno


4/51

i

IDENTIFIKASI KEJADIAN HUJAN EKSTREM BERDASARKAN DATA

TROPICAL RAINFALL MEASURING M ISSION(TRMM) SECARA

TEMPORAL

(Studi Kasus: Soreang)

Pratikto Abiseno

(12807006)

ABSTRAK

Hujan Ekstrem merupakan salah satu fenomena meteorologi yang memiliki efek

merusak paling parah dan dilaporkan bahwa hujan yang terjadi pada 17 November

2012 di Soreang merupakan hujan terbesar yang pernah mereka alami dalam

waktu beberapa tahun terakhir. Satelit Tropical Rainfall Measuring Mission

(TRMM) merupakan satelit meteorologi yang menyediakan data curah hujan yang

up-to-datedan dapat menunjukkan pola hujan yang cukup baik dan data TRMM

3B42 merupakan data rain rate dengan selang waktu 3 jam yang selalu tersedia

setelah bulan pengamatan. Dalam penelitian ini mengidentifikasi apakah kejadian

pada tanggal 17 November 2012 di Soreang dapat dikategorikan sebagai hujan

ekstrem dengan mencari probabilitas kejadian hujan ekstrem menggunakan

metode Cumulative Distribution Function(CDF) dengan data TRMM yang telah

dilakukan proses bias correction sebagai validasi terhadap data observasi.

Probabilitas kejadian hujan pada tanggal 17 November 2012 secara harian adalahpada 1.86% dari seluruh data set dan secara 3 jam-an adalah pada 0.6% pada

seluruh data set. Secara Musiman, probabilitas kejadian hujan pada tanggal 17

November 2012 dengan selang waktu harian adalah 1.13% dan dengan selang

waktu 3 jam-an adalah 0.94%, sehingga dapat dikatakan bahwa kejadian hujan

dengan selang waktu 3 jam-an lebih ekstrem dibandingkan dengan selang waktu

harian.

Kata Kunci : Hujan ekstrem, Tropical Rainfall Measuring Mission (TRMM)

3B42, Cumulative Distribution Function(CDF), bias correction


5/51

ii

EXTREME RAINFAL L EVENT IDENTI FI CATION BASED ON TROPICAL

RAINFALL MEASURING MI SSION (TRMM ) DATA TEMPORALLY

(Case Study: Soreang)

Pratikto Abiseno

(12807006)

ABSTRACT

Extreme rainfall is one of the meteorological phenomenon that have the most

severe damaging effects and reported that the rainfall that occurred on

November 17, 2012 in Soreang was the biggest rain they had experienced in the

last few years. Tropical Rainfall Measuring Mission satellite (TRMM) is a

meteorological satellites that provide up-to-date rainfall data and can show a

fairly good rainfall pattern and the TRMM 3B42 data is the rain rate data with an

interval of 3 hours that always available after a month of observation. In this

study to identify whether the incident on November 17, 2012 at Soreang can be

categorized as extreme rain is by finding the probability of extreme rainfall events

using the Cumulative Distribution Function (CDF) with the TRMM data that has

been corrected by bias correction process as validation against observationaldata. Probability of rain occurrence on November 17, 2012 for the daily data is at

1.86% of the entire data set and the 3-hourly data is at 0.6% of the entire data set.

Comparising the Seasonal distribution data, probability of occurrence of rain on

November 17, 2012 with a daily interval is 1.13% and with an interval of 3-hourly

is 0.94%, so it can be said that the rain events with an interval of 3 hour-ly is

more extreme than the daily interval .

Keywords : Extreme rainfall, Tropical Rainfall Measuring Mission (TRMM)

3B42 data, Cumulative Distribution Function (CDF), bias correction


6/51

iii

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat-Nya sehingga

penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi kejadian

hujan ekstrem berdasarkan data Tropical Rainfall Measuring Mission (TRMM)

secara temporal (Studi kasus : Soreang). Keberhasilan penulis dalam

penyelesaian tugas akhir ini juga tidak terlepas dari bantuan pikiran, tenaga, doa,

dan dukungan dari berbagai pihak. Untuk itu, penulis ingin mengucapkan terima

kasih kepada :

1. Bapak, Ibu, dan saudara-saudaraku yang senantiasa memberikan doa dan

dukungan kepada penulis selama masa belajar di ITB,

2.

Bapak Drs. Zadrach L Dupe, M. Si selaku pembimbing yang telah banyak

memberikan arahan, saran, kritikan, dan motivasi bahkan bantuan teknis

kepada penulis,

3.

Bapak Tri Wahyu Hadi selaku dosen wali yang telah memberikan arahan dan

motivasi selama proses perkuliahan,

4. Bapak Edi Riawan M.Si dan Bapak M. Ridho Syahputra yang telah membantu

secara teknis pengerjaan tugas akhir,

5. Seluruh dosen dan staf administrasi Program Studi Meteorologi ITB serta

asisten akademik yang telah memberikan Ilmu Pengetahuan dan membantu

selama proses perkuliahan kepada penulis,

Penulis menyadari bahwa dalam pengerjaan Tugas Akhir masih banyak

kekurangan. Oleh karena itu, penulis sangat mengharapkan saran dan kritik dari

berbagai pihak untuk perbaikan Tugas Akhir ini. Penulis juga berharap Tugas

Akhir ini dapat bermanfaat.

Bandung, Juni 2013

Penulis


7/51

iv

DAFTAR ISI

Halaman

ABSTRAK ............................................................................................................... i

ABSTRACT.............................................................................................................. ii

KATA PENGANTAR ........................................................................................... iii

DAFTAR ISI .......................................................................................................... iv

DAFTAR GAMBAR ............................................................................................. vi

DAFTAR TABEL ................................................................................................. vii

BAB 1 PENDAHULUAN ................................................................................... 1-1

1.1.

Latar Belakang ............................................................................................ 1-1

1.2. Identifikasi Masalah .................................................................................... 1-3

1.3.

Tujuan ......................................................................................................... 1-3

1.4.

Asumsi ........................................................................................................ 1-3

1.5. Batasan Masalah ......................................................................................... 1-3

1.6.

Sistematika Pembahasan ............................................................................. 1-4

BAB 2 KAJIAN PUSTAKA ............................................................................... 2-1

2.1.

Analisis Nilai Ekstrem ................................................................................ 2-1

2.1.1.

Kejadian Hujan Ekstrem......................................................................... 2-2

2.1.2. Indikasi Kejadian Curah Hujan Ekstrem Secara Temporal .................... 2-3

2.2.

TRMM (Tropical Rainfall Measuring Mission) ......................................... 2-4

2.3

Cumulative Distribution Function.............................................................. 2-5

2.4

Bias Correction ........................................................................................... 2-6

BAB 3 METODOLOGI PENELITIAN .............................................................. 3-1

3.1. Data ............................................................................................................. 3-1

3.1.1.

Data Tropical Rainfall Measuring Mission(TRMM) ............................ 3-1

3.1.2. Data Observasi........................................................................................ 3-1

3.2. Metodologi Penelitian ................................................................................. 3-2

3.2.1.

Uji Normalitas Data ................................................................................ 3-2


8/51

v

3.2.2. Uji Korelasi Data .................................................................................... 3-2

3.2.3.

Perhitungan Cumulative Distribution Function (CDF) .......................... 3-4

3.2.4. Bias Correction...................................................................................... 3-4

BAB 4 HASIL DAN PEMBAHASAN ............................................................... 4-1

4.1.

Downscaling Data TRMM .......................................................................... 4-1

4.2. Uji Normalitas dan Korelasi Data ............................................................... 4-1

4.2.1.

Uji Normalitas Data ................................................................................ 4-1

4.2.2.

Uji Korelasi Data .................................................................................... 4-2

4.3.

Analisis Nilai Ekstrem ................................................................................ 4-3

4.3.1.

Analisis Data Curah Hujan Harian ......................................................... 4-3

4.3.2. Analisis Curah Hujan 3 Jam-an .............................................................. 4-9

4.3.3. Analisis Hujan Ekstrem secara Musiman ............................................. 4-10

BAB 5 KESIMPULAN DAN SARAN ............................................................... 5-1

5.1. Kesimpulan ................................................................................................. 5-1

5.2.

Saran ........................................................................................................... 5-1

DAFTAR PUSTAKA ....................................................................................... DP-1


9/51


10/51

vii

DAFTAR TABEL

Halaman

Tabel 3.1 Interpretasi hasil uji korelasi ................................................................ 3-3

Tabel 4.1 Uji Normalitas Data TRMM dan Data Observasi ............................... 4-2

Tabel 4.2 Uji Korelasi Data TRMM dan Data Observasi .................................... 4-2


11/51

1-1

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Hujan Ekstrem merupakan salah satu fenomena meteorologi yang memiliki efek

merusak paling parah karena biasanya dapat menyebabkan banjir bandang dan

terkadang diikuti oleh cuaca buruk seperti petir, hujan es, angin permukaan yangsangat kuat dan wind shear vertikal (Jones dkk., 2004). Oleh karena itu, hujan

ekstrem menyebabkan kerugian kepada umat manusia dalam berbagai faktor,

seperti dari segi ekonomi, sosial dan juga lingkungan. Pada daerah pedesaan,

hujan ekstrem dapat merusak tanaman dan peternakan, sedangkan pada daerah

perkotaan, hujan ekstrem dapat menyebabkan permasalahan banjir perkotaan yang

dikarenakan sistem drainase yang tidak memadai untuk menampung jumlah air

hujan yang tiba-tiba meningkat drastis (Carvalho dkk., 2002).

Karena curah hujan memiliki tingkat variabilitas yang tinggi, kondisi data curah

hujan di Indonesia memerlukan observasi yang panjang dengan perwakilan

sebaran data yang memadai, serta selang waktu pengamatan yang lebih sempit.

Penakar hujan pada setiap pos pengamatan hujan merupakan suatu alat pengukur

hujan yang efektif dan relatif akurat dalam menggambarkan kondisi hujan pada

suatu tempat. Akan tetapi pada kenyataannya sebaran pos penakar hujan ini tidak

merata khususnya di daerah dengan topografi sulit, daerah tidak berpenghuni serta

disekitar lautan mengakibatkan berkurangnya tingkat keakuratannya khususnya

dalam menampilkan sebaran pola spasial curah hujan. Kondisi ini mempengaruhi

prediksi hujan dengan menggunakan berbagai aplikasi model iklim (Feidas,

2010). Untuk saat ini, kemungkinan memperoleh data curah hujan yang

diperlukan dalam berbagai aplikasi ilmiah dapat diperoleh dari satelit meteorologi.


12/51

1-2

Satelit meteorologi dapat menyediakan data hujan dengan sebaran yang lebih baik

serta dengan penggabungan berbagai jenis satelit dan data dari pos pengamatan

hujan dalam suatu model iklim akan lebih mampu lagi meningkatkan keakurasian

dan kestabilan data yang dihasilkan oleh satelit meteorologi (Xie dan Arkin,

1996). Dengan semakin lengkapnya informasi hujan, diharapkan lebih mampu

menampilkan sebaran pola spasial hujan lebih baik dibandingkan menggunakan

data dari stasiun. Salah satu citra penginderaan jauh yang digunakan untuk

memantau curah hujan khususnya di wilayah tropis seperti Indonesia yaitu dengan

citra Tropical Rainfall Measuring Mission (TRMM). Satelit TRMM ini banyak

digunakan di daerah tropis, begitu juga di Indonesia untuk melihat karakteristik

curah hujan yang terjadi. Selain itu, data TRMM juga sudah mulai digunakan

untuk mendeskripsikan kejadian-kejadian esktrem (Zipser dkk., 2006).

Soreang yang adalah ibukota dari Kabupaten Bandung merupakan perpaduan dari

wilayah perkotaan dan pedesaan yang kerap kali mengalami banjir akibat hujan

yang terjadi pada daerah tersebut. Pada bulan November tahun 2012, terjadi hujan

yang berintensitas tinggi yang menyebabkan banjir pada beberapa daerah di

Kabupaten Bandung. Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten

Bandung melaporkan bahwa terjadi banjir di beberapa kecamatan, yaitu pada

kecamatan Baleendah, Dayeuhkolot, Bojongsoang, Pameungpeuk, Cangkuang

dan Soreang. BPBD melaporkan bahwa banjir yang terjadi di berbagai desa di

kecamatan-kecamatan tersebut adalah karena meluapnya Sungai Cikambuy,

Sungai Citarum dan Sungai Cisangkuy akibat hujan yang terjadi pada tanggal 17

November 2012 sepanjang hari. BPBD mengatakan bahwa hujan yang terjadi

pada 17 November 2012 merupakan hujan terbesar yang pernah mereka alami.

Berdasarkan kejadian tersebut, penulis memutuskan perlu dilakukannya

identifikasi hujan ekstrem terhadap kejadian tersebut.


13/51

1-3

1.2. Identifikasi Masalah

Permasalahan yang akan dibahas pada Tugas Akhir ini adalah untuk melihat

apakah data TRMM dapat mendeteksi dan menunjukkan terjadinya kejadian

ekstrem pada tanggal 17 November 2012 pada wilayah kajian

1.3. Tujuan

Tujuan dari penulisan tugas akhir ini adalah :

Menentukan probabilitas kejadian hujan maksimum berdasarkan data

TRMM dan stasiun dengan menggunakan metode CDF (Cumulative

Distribution Function)

Mengidentifikasi hujan yang terjadi pada tanggal 17 November 2012

secara harian dan 3 jam-an

1.4. Asumsi

Asumsi yang dipakai dalam Tugas Akhir ini adalah bahwa banjir yang terjadi di

Soreang disebabkan oleh hujan yang terjadi dengan intensitas tinggi dan

menghiraukan adanya penyebab lain, seperti bocornya tanggul atau waduk yang

berada di daerah kajian. Kemudian penggunaan dan perubahan tata guna lahan

(land use) tidak diperhitungkan dan tidak digunakan dalam Tugas Akhir ini.

1.5. Batasan Masalah

Beberapa ruang lingkup kajian penelitian Tugas Akhir ini adalah:

Daerah penelitian mencakup daerah Kabupaten Bandung dengan koordinat

641`-719` LS; 10722`-1085` BT yang mana dialiri oleh DAS Citarum

(lihat Gambar 1.1.)


14/51

1-4

Gambar 1.1. DAS Citarum

Waktu kajian dibatasi dari tahun 2001 sampai dengan tahun 2012

Metode yang digunakan dalam penelitian ini adalah uji normalisasi data

dan korelasi data, metodeBias Correction(validasi data TRMM terhadap

data stasiun).

Daerah pengamatan pada TRMM yang diambil berupa satu titik

pengamatan dikarenakan Soreang yang hanya sedikit dilewati oleh DAS

Citarum sehingga dengan resolusi TRMM yang cukup besar dapatmelingkupi wilayah kajian

Penelitian ini hanya akan mengidentifikasi kejadian hujan ekstrem saja dan

tidak membahas penyebab terjadinya banjir pada wilayah kajian

1.6. Sistematika Pembahasan

Sistematika pembahasan tugas akhir ini adalah sebagai berikut. Bab I Pendahuluan

Bab ini merupakan pendahuluan yang berisi gambaran dari keseluruhan

penelitian yang akan dilakukan, bab ini mencakup latar belakang, identifikasi

masalah, tujuan masalah, batasan masalah dan sistematika pembahasan

Bab II Kajian Pustaka

Bab ini akan menjelaskan tentang studi-studi pustaka yang telah dilakukan

terkait dengan judul penelitian ini


15/51

1-5

Bab III Metodologi Penelitian

Bab ini akan menjelaskan tentang data yang dipakai untuk penelitian ini, serta

tentang tahapan-tahapan penelitian hingga didapatkan debit limpasan

berdasarkan intensitas hujan

Bab IV Hasil dan Pembahasan

Bab ini akan menjelaskan hasil dari penelitian, serta analisis dari hasil

penelitian

Bab V Kesimpulan dan Saran

Bab ini akan berisi tentang kesimpulan serta diskusi dari keseluruhuan

pelaksanaan penelitian


16/51

2-1

BAB 2

KAJIAN PUSTAKA

2.1. Analisis Nilai Ekstrem

Analisis nilai ekstrem adalah analisis statistik yang berdasarkan teori nilai

ekstrem. Analisis nilai ekstrem merupakan cabang statistik yang menjelaskan

tentang perilaku observasi nilai ekstrem (Gilli dan Kellezi, 2003; Naveau, dkk.,

2005). Tujuan dari analisis nilai ekstrem adalah untuk mengestimasi nilai ekstrem

di masa yang akan datang untuk mendapatkan proses yang diharapkan dan

kemungkinan pengulangan kejadian ekstrem tersebut berdasarkan data historis

(Murphy dan Jackson, 1997).

Secara umum, terdapat dua cara dalam mengidentifikasi nilai ekstrem pada data

nyata. Cara pertama mempertimbangkan nilai maksimum (atau minimum) pada

variabel yang digunakan pada periode waktu tertentu, contohnya dalam jangka

waktu bulanan atau tahunan. Pemilihan nilai ini yang membentuk kejadian

ekstrem, sering disebut juga block maxima(atauper-period maxima). Cara kedua

memfokuskan pada kemunculan nilai-nilai yang melebihi suatu batasan

(threshold). Metode block maxima adalah metode tradisional yang digunakan

untuk menganalisis data yang bersifat musiman. Sedangkan metode threshold

menggunakan data dengan lebih efisien dan karenanya menjadi pilihan dalampengaplikasian belakangan ini (Gilli dan Kellezi, 2003; Supari, 2012).


17/51

2-2

Gambar 2.1. Ilustrasi dari dua cara dalam menganalisis nilai ekstrem.

(Sumber: Gilli dan Kellezi,2003)

Gambar kiri, metode block maxima, memperlihatkan observasi X2, X5, X7dan X11

merepresentasikan kejadian ekstrem pada empat periode waktu dengan tiga

observasi tiap periodenya. Gambar kanan memperlihatkan metode threshold,

dimana X1, X2, X7, X8, X9 dan X11 dikategorikan sebagai nilai ekstrem

dikarenakan melebihi dari batasan yang diberikan, yaitu (Gilli dan Kellezi,

2003).

2.1.1. Kejadian Hujan Ekstrem

Analisis nilai ekstrem digunakan oleh para ilmuwan dalam mempelajari iklim

ekstrem seperti temperatur dan curah hujan ekstrem. Berbanding lurus dengan

makin maraknya isu tentang perubahan iklim, studi mengenai iklim ekstrem juga

semakin banyak diminati karena karakteristik iklim ekstrem dapat digunakanuntuk mengindikasikan perubahan pada iklim.

Kejadian Hujan Ekstrem didefinisikan sebagai hasil akumulatif dari hujan selama

24 jam yang melebihi suatu batasan (threshold). Terdapat berbagai cara yang

dilakukan oleh berbagai meteorologis dalam menentukan batasan tersebut.

Goswami dan Ramesh (2007) menggunakan nilai curah hujan harian minimal

sebesar 250mm sebagai batasan kejadian hujan ekstrem dalam menganalisis


18/51

2-3

kerentanan daerah India terhadap kejadian hujan ekstrem. Bodini dan Cossu

(2010) menggunakan ketinggian curah hujan harian yang berada diatas persentil

95 pada waktu tertentu sebagai batasan penelitian mereka dalam menilai

kerentanan Sardinia terhadap kejadian hujan ekstrem. Hal tersebut merupakan

batasan berdasarkan tempat (site dependent threshold). Fu dkk. (2010) juga

menggunakan batasan berdasarkan tempat yang didefinisikan dengan

pengulangan interval terjadinya hujan ketika mereka menganalisa variasi temporal

jangka panjang pada hujan ekstrem di Australia.

2.1.2. Indikasi Kejadian Curah Hujan Ekstrem Secara Temporal

Banyak cara yang dilakukan oleh para ilmuwan untuk menentukan indikasi

terjadinya curah hujan ekstrem. Hernandez dkk. (2009) mendaftarkan 23 cara

yang berbeda-beda dalam literatur profesional di seluruh penjuru dunia untuk

menggambarkan batasan (threshold) atau indikasi-indikasi yang menjelaskan

kejadian curah hujan ekstrem. WMO (2009) berdasarkan pedoman mereka

tentang analisis kejadian ekstrem pada iklim yang berubah-ubah menjabarkan 11

indikasi curah hujan ekstrem. Cara lain untuk menjabarkan indikasi-indikasi

terjadinya hujan ekstrem dapat dilihat dari studi oleh Kunkel dkk. (1999),

Hernandez dkk. (2009) dan Bodini dkk. (2010). Semua indikasi tersebut dihitung

untuk mencari annual value. Nilai curah hujan (Hipel dan Mc Leod, 1994; WMO,

1988) yang biasanya sering dipakai adalah dalam satuan milimeter (mm) untuk

menggambarkan kejadian hujan.

Banyak metode yang digunakan untuk mengidentifikasi trend temporal dari suatu

data time series, tetapi yang paling sering digunakan oleh meteorologis adalah tes

Man-Kendall. Pada dasarnya, tes Man-Kendall memeriksa sebuah observasi

dengan menghitung jeda antara satu observasi dengan observasi yang sebelumnya.

Datanya harus diurutkan berdasarkan waktunya, kemudian data berikutnya


19/51

2-4

dihitung secara berurut juga. Hipotesa kosong adalah total dari jeda-jeda yang

telah dihitung menjadi 0 yang berarti tidak adanya perubahan pada time series.

2.2. TRMM (Tropical Rainfall Measur ing M ission)

Produk Tropical Rainfall Measuring Mission (TRMM) Multisatellite

Precipitation Analysis(TMPA) merupakan produk hasil gabungan antara TRMM

Precipitation Radar(PR) dan TRMM Microwave Imager (TMI) beserta citra

meteorologi Microwave dan Infrared lainnya (Huffman dkk. 2007). TMPAterbagi dalam 2 tipe data yaitu tipe 3B42 yang merupakan data kombinasi per 3

jam dan tipe 3B43 yang merupakan kombinasi bulanan. TMPA 3B43 telah

digunakan untuk berbagai aplikasi termasuk diantaranya adalah pemantauan

cuaca/iklim, analisis iklim, verifikasi model numerik, dan studi hidrologi (Xie

dkk., 2007). Hasil penelitian sebelumnya di Indonesia menunjukkan bahwa

hubungan antara TMPA dengan data lapangan dari Badan Meteorologi,

Klimatologi, dan Geofisika (BMKG) adalah kuat khususnya terhadap pola hujan

bulanan walaupun masih dalam kondisi dibawah estimasi data hujan BMKG.

Secara umum tujuan dibuatnya produk TMPA telah mencapai sasaran yang

diinginkan yaitu penyediaan data hujan bulanan dengan sebaran yang meliputi

darat dan lautan serta sesuai dengan keadaan sebenarnya yang ditunjukkan oleh

hasil-hasil penelitian sebelumnya (seperti Feidas, 2010). Data TMPA, khususnya

tipe 3B42 merupakan data yang selalu tersedia setelah bulan pengamatan (up to

date). Kondisi memungkinkan dimanfaatkannya data ini untuk memantau

kondisi hujan secara cepat baik itu besaran curah hujan maupun kondisi anomali

curah hujan.


20/51

2-5

2.3 Cumulative Distribution Function

Perhitungan Cumulative Distribution Function (CDF) dilakukan berdasarkan

hubungan dengan Probability Density Function (PDF) (Zwillinger, 2000).

Menurut Permana (2009), plot Cumulative Distribution Function (CDF) dapat

menentukan probabilitas kejadian curah hujan yang muncul sehingga akan dapat

ditentukan curah hujan mana yang akan dijadikan indikator untuk suatu kasus

kejadian hujan tertentu. Dengan mengasumsikan tidak adanya perubahan pola

curah hujan yang sangat signifikan sepanjang tahun pengamatan, maka didapatkan

nilai probabilitas curah hujan maksimum 95%, 90%, dan 85% untuk setiap Sub

DAS dengan lama intensitas satu jam menggunakan metode Cumulative

Distribution Function(Dauwani, 2012).

Dari bentuk grafik CDF dapat menunjukan data tersebut berdistribusi normal

dengan melihat grafik yang terbentuk yaitu berupa simetris (Gambar 2.2.a). Selain

itu dapat menunjukkan skewedness dari distribusi data melalui grafik CDF itu

sendiri (Gambar 2.2.b) Dengan mengetahui data memiliki skewedness, maka

dapat memperlihatkan distribusi data lebih banyak ke kiri data maupun kanan

kanan data dari urutan data. Penentuan threshold dapat digunakan untuk

menentukan nilai ekstrem dari suatu data (Wilks, 1995). Dalam penentuan

threshold dibutuhkan suatu asumsi tingkat kepercayaan.

Gambar 2.2. Contoh grafik CDF

(Sumber: Wilks, 1995)


21/51

2-6

2.4 Bias Correction

Bias correction merupakan salah satu metode downscaling yang memaksa

distribusi peluang dari simulasi historis untuk cocok terhadap distribusi

observasinya (Wood dkk., 2002). Metode bias correction tidak berusaha untuk

mengoreksi secara statistik dari parameter yang disimulasikan, tapi lebih kepada

mempertahankannya sebagai dasar untuk evaluasi model (Salathe Jr, 2005).

Hatchett dkk., 2009 menjelaskan bahwa skema koreksi bias menghasilkan

perbaikan atau koreksi pada semua titik data, khususnya pada nilai-nilai ekstrim.

Dalam penelitian yang dilakukan oleh Inomata dan Fukami, Konsep bias

correctionuntuk data presipitasi GCM20 dibagi ke dalam 2 kategori besar, yaitu:

a. Nilai Ekstrim

Sampel dengan probabilitas 0.5% tertinggi tidak dianggap.

Gambar 2.3.Bias Correctionpada nilai ekstrim data presipitasi GCM20

(Sumber: Inomata, 2012)

b. Nilai lainnya

Semuanya dibagi ke dalam masing-masing bulan. Rasio untuk masing-masing

kuantil antara observasi (P_Obsq) dan GCM20 Present (GCM20_Preq)

diestimasikan. q sebagai koefisien koreksi untuk masing-masing kuantil dan

dikalikan terhadap nilai GCM20 Future dari kuantil yang sama

(GCM20_Futq) dan nilai koreksi (P_Futq) didapatkan.

.....................(2.1)


22/51

2-7

Gambar 2.4.Bias correctionnilai lainnya pada data presipitasi GCM20


Dan hasil metode koreksi dalam memverifikasi kondisi kondisi iklim, MonthlyPrecipitation:

Gambar 2.5. Hasil koreksi GCM20 terhadap data observasi


Nilai koreksi menunjukan hasil yang lebih mendekati dengan nilai data

observasinya dibandingkan dengan data GCM20 sebelum dikoreksi. Metode

koreksi bias bekerja dengan baik.

Metode ini mengoreksi nilai estimasi yang didapat dengan cara mendekatkan nilai

estimasi dengan nilai observasi untuk setiap kuantil probabilitas dalam CDF

(Cumulative Disbrution Function). Metode bias correctiondapat diterapkan untuk

keseluruhan data set, namun para ilmuwan biasanya menyarankan aplikasi bias


23/51

2-8

correction ini untuk proses tiap bulanan pada data komposit (Maurer dan Hidalgo,

2008)


24/51

3-1

BAB 3

METODOLOGI PENELITIAN

3.1. Data

Data yang digunakan dalam penelitian ini terbagi menjadi dua data utama yaitu

data Tropical Rainfall Measuring Mission(TRMM) dan data observasi.

3.1.1. Data Tropical Rainfall Measur ing M ission(TRMM)

Dalam penelitian ini menggunakan data TRMM yang memiliki resolusi 0.25ox

0.25ountuk tiap satu gridnya. Data TRMM yang digunakan adalah data TRMM

dengan tipe 3B42v6 dengan panjang data dari 1 Januari 2001 sampai dengan 30

Juni 2011 dan tipe 3B42v7 dengan panjang data dari 1 Juli 2011 sampai dengan

31 Desember 2012 yang berupa rain-rate3 jam-an. Koordinat dari data TRMM-

nya adalah pada koordinat 7.0803230LS ,107.6555010BT.

3.1.2. Data Observasi

Data observasi pada penelitian ini merupakan data verifikasi terhadap data

TRMM. Data yang dipakai adalah data dari PUSAIR dan data yang dipakai untuk

memverifikasi data TRMM adalah pada daerah Kabupaten Bandung, yaitu pada

daerah Cisondari dengan panjang data dari tanggal 1 Januari 2011 sampai dengan

31 Desember 2011 yang berupa data curah hujan harian. Koordinat yang

digunakan adalah sama dengan koordinat pada data TRMM, yaitu 7.0803230LS

,107.6555010BT.


25/51

3-2

3.2. Metodologi Penelitian

3.2.1. Uji Normalitas Data

Uji normalitas merupakan uji yang bertujuan untuk menyelidiki bahwa data yang

didapatkan terdistribusi normal atau tidak, dan selanjutnya hasil dari uji ini

dipakai untuk memenuhi persyaratan uji korelasi. Pada penilitian ini uji

normalitas dilakukan dengan cara Kolmogorov-Smirnov (untuk sampel lebih dari

50) dan Shapiro-Wilk (untuk sampel kurang dari 50). Pengujian dilakukan denganmenggunakan software statistik berdasarkan pada uji Kolmogorov-Smirnov dan

Shapiro-Wilk. Hipotesa yang diuji adalah :

H0: Data residual berdistribusi normal

H1: Data residual tidak berdistribusi normal

Dengan normalitas dipenuhi jika hasil uji signifikan untuk suatu taraf signifikansi

() tertentu (misalnya = 0,05). Sebaliknya, jika hasil uji tidak signifikan maka

normalitas tidak terpenuhi.Untuk mengetahui signifikan atau tidak signifikan hasil

uji normalitas adalah dengan memperhatikan bilangan yang terletak pada kolom

signifikansi (Sig.). Jika nilai signifikansi yang didapatkan dari data lebih besar

dari taraf signifikansi (>0,05), maka sampel berasal dari populasi yang

berdistribusi normal, jika nilai signifikansi yang didapatkan kurang dari taraf

signifikansi (


26/51

3-3

menggunakan teknik korelasi pearson dan korelasi spearman. Teknik korelasi

pearson dilakukan dengan syarat dua variabel yang dihubungkan keduanya harus

memiliki data yang berdistribusi normal. Sedangkan untuk teknik korelasi

spearman dilakukan dengan syarat salah satu data atau data keduanya memiliki

data yang tidak berdistribusi normal.

Tabel 3.1 Interpretasi hasil uji korelasi

(Sumber: Dahlan, 2011).

NO Parameter Nilai Interpretasi1 Koefisien

Korelasi

0,00-0,199 Sangat lemah

0,20-0,399 Lemah

0,40-0,599 Sedang

0,60-0,799 Kuat

0,80-1,000 Sangat kuat

2 Nilai Sig. P0,05 Tidak terdapat korelasi yang bermakna antara

dua variabel yang diuji atau hubungan kedua

variabel tidak signifikan

3 Arah

Korelasi

+ (positif) Searah, semakin besar nilai satu variabel

semakin besar pula nilai variabel lainnya

- (negatif) Berlawanan arah, semakin besar nilai satu

variabel, semakin kecil nilai variabel lainnya

Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1. Korelasi

mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Korelasi

searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika nilai

koefesien korelasi negatif, korelasi disebut tidak searah. Koefisien korelasi

sendiri yaitu pengukuran statistik kovarian atau hubungan antara dua variabel,


27/51

3-4

besarnya koefisien korelasi berkisar +1 s/d -1.Jika koefesien korelasi diketemukan

tidak sama dengan nol (0), maka terdapat ketergantungan antara dua variabel

tersebut. Jika koefesien korelasi diketemukan +1. maka hubungan tersebut

disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan

kemiringan (slope) positif.Jika koefesien korelasi diketemukan -1. maka

hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear

sempurna dengan kemiringan (slope) negatif.

3.2.3. Perhitungan Cumulative Distribution Function (CDF)

Cumulative Distribution Function (CDF) dilakukan untuk menghitung

probabilitas dari kejadian. JikaFadalah CDF danxdanyadalah hasil, maka :

( ) () .................................................................................(3.1)

( ) ()..........................................................................(3.2)

( ) () ().......................................................(3.3)

Variabel yang digunakan dalam perhitungan adalah data curah hujan harian

TRMM dan dibandingkan dengan data curah hujan harian observasi. Kemudian

dilakukan validasi pada data TRMM menggunakan metode statistik bias

correctionagar dapat mendekati nilai observasi.

3.2.4. Bias Correction

Bias Correction dilakukan untuk membuat hasil CDF dari TRMM mendekati

CDF dari observasi dikarenakan data TRMM yang bersifat under-estimate atau

over-estimate terhadap data observasi. Persamaan 3.4 menjelaskan proses bias

correction, rasio untuk masing-masing kuantil antara observasi (P_Obsq) dan

estimasi present (E_Preq) diestimasikan. sebagai koefisien koreksi untuk

masing-masing kuantil ( ) dan dikalikan terhadap nilai estimasi future dari


28/51


29/51

4-1

BAB 4

HASIL DAN PEMBAHASAN

4.1. Downscaling Data TRMM

Data TRMM 3B42v6 dan 3B42v7 yang dipakai masih berupa data rain-rate 3

jam-an dan juga masih berupa data global, oleh karena itu perlu dilakukan

pemotongan wilayah sesuai wilayah kajian yang memiliki koordinat 7.0803230

LS

,107.6555010BT dan juga datanya harus diubah menjadi curah hujan

Perubahan dari rain ratemenjadi curah hujan dengan jangka waktu 3 jam adalah

dengan mengkalikan setiap nilai rain rate dengan nilai 3 untuk mendapatkan nilai

curah hujan dalam 3 jam. Kemudian untuk mendapatkan curah hujan dalam

selang waktu harian adalah dengan menjumlahkan nilai-nilai yang telah dikalikan.

4.2. Uji Normalitas dan Korelasi Data

Hal pertama yang dilakukan dalam penelitian ini adalah dengan melihat hubungan

dari ke-dua data, yaitu hubungan pada data curah hujan harian TRMM dan data

curah hujan harian pada observasi menggunakansoftwarestatistik.

4.2.1.

Uji Normalitas Data

Berikut adalah hasil keluaran software statistik untuk melihat persebaran

distribusi data TRMM dan data observasi:


30/51

4-2

Tabel 4.1 Uji Normalitas Data TRMM dan Data Observasi

Berdasarkan uji normalitas di atas didapat hasil bahwa kedua data tersebut

berdistribusi secara tidak normal karena memiliki nilai signifikan sebesar 0, oleh

karena itu untuk uji korelasi data akan dipakai uji korelasi Spearman.

4.2.2. Uji Korelasi Data

Berikut adalah hasil keluaran softwarestatistik untuk mengkorelasi data TRMM

dan data observasi:

Tabel 4.2 Uji Korelasi Data TRMM dan Data Observasi

Berdasarkan uji korelasi Spearman, didapatkan nilai korelasi sebesar 0.3832

dengan arah positif yang berarti bahwa korelasi antara data TRMM dan data

observasi memiliki ketergantungan antar data dengan korelasi yang lemah. Hal ini

memperlihatkan bahwa data TRMM cenderung under-estimate ataupun over-


31/51

4-3

estimateterhadap data observasi. Oleh karena itu perlu terlebih dahulu dilakukan

pendekatan pada data TRMM terhadap data observasi agar data TRMM dapat

dipakai untuk melihat kejadian hujan ekstrem.

4.3. Analisis Nilai Ekstrem

Pendekatan yang dilakukan dalam penelitian ini adalah menggunakan pendekatan

dengan menggunakan metode statistik Cumulative Distribution Function (CDF).

Penentuan indikasi kejadian hujan ekstrem yang dipakai adalah berdasarkanpenelitian yang telah dilakukan oleh Bodini dan Cossu (2010) yang menggunakan

ketinggian curah hujan harian yang berada diatas persentil 95 dalam CDF pada

waktu kajian. Kemudian dalam memvalidasikan data TRMM agar dapat

mendekati data observasi, dilakukan metode statistik bias correction

menggunakansoftwarematematik.

Perhitungan bias correction yang dilakukan adalah dengan menggunakanpendekatan pada beberapa kuantil. Kuantil yang diambil antara lain adalah dari

kuantil 0.01 sampai dengan kuantil 0.99 dengan jarak antar kuantilnya adalah

0.01.

4.3.1. Analisis Data Curah Hujan Harian

Berikut adalah hasil CDF data secara komposit dari tahun 2001 - 2012 yang telah

dilakukan bias correction.


32/51


33/51


34/51

4-6

pada bulan Februari, April, Agustus, September, November dan Desember, CDF

data hujan TRMM bersifat under-estimatedan over-estimate terhadap CDF data

observasi. Kemudian pada gambar di atas telah dilakukan bias correction yang

membuat CDF data hujan harian TRMM mendekati nilai CDF data observasi. Hal

tersebut tetapi tidak berpengaruh pada time serieskeseluruhan data, dikarenakan

proses bias correction hanya mengoreksi pada CDF yang mana persebaran

datanya merupakan urutan data curah hujan dari yang nilai hujan paling kecil

sampai data hujan yang paling besar.

(a)

(b)

Gambar 4.3. Perbandingan Time Series curah hujan (a) TRMM vs Observasi dan

(b) TRMM-bias correctionvs Observasi

Gambar kiri merupakan time series antara curah hujan observasi dan TRMM,

sedangkan gambar kanan antara curah hujan observasi dan TRMM yang telahdilakukan bias correction.


35/51

4-7

Gambar 4.4. CDF Data Curah Hujan Harian Soreang

Kejadian hujan pada tanggal 17 November 2012 memiliki curah hujan harian

sebesar 54.9295 mm dan setelah dilakukan bias score menjadi 77.0841 mm.

Melihat pada hasil CDF, dapat dilihat bahwa curah hujan 77.0841 mm berada

pada probabilitas 0.9814, yang artinya adalah bahwa akan terjadi hujan yang lebih

besar sama dengan 77.0841 mm dengan probabilitas hanya 1.86% dari

keseluruhan kejadian hujan harian selama 2001-2012, oleh karena itu dapatdikatakan kejadian pada tanggal 17 November 2012 sebagai kejadian hujan yang

langka.


36/51


37/51

4-9

4.3.2. Analisis Curah Hujan 3 Jam-an

Gambar 4.6. CDF 3 Jam-an pada Soreang

Berdasarkan CDF 3 jam-an, dilakukan bias correction dengan mengambil nilai

bias correctiondari data harian sebagai pembanding untuk validasi data TRMM.

Curah hujan yang terjadi pada tanggal 17 November 2012 adalah 7.0601 mm,

39.6696 mm, 8.1999 mm dan setelah dilakukan bias correctionmenjadi 9.9076

mm, 55.6694 mm, 11.5071 mm. Melihat pada hasil CDF, dapat dilihat bahwacurah hujan 55.6694 mm berada pada probabilitas 0.994, yang artinya adalah

bahwa akan terjadi hujan yang lebih besar sama dengan 55.6694 mm dengan

probabilitas 0.6% dari keseluruhan kejadian hujan harian selama 2001-2012, oleh

karena itu dapat dikatakan kejadian pada salah satu data tanggal 17 November

2012 sebagai kejadian hujan yang langka.


38/51


39/51

4-11

Gambar 4.8. CDF Hujan 3 Jam-an Musiman

Gambar di atas merupakan hasil CDF pada selang waktu 3 jam-an yang dibagi

menjadi tiap musim. CDF musiman ini kemudian dilakukan bias correction

sebagai verifikasi data TRMM dan kemudian hasil dari bias correction tersebut

akan dianalisis untuk melihat kejadian hujan ekstrem pada selang waktu 3 jam-an

secara musiman.


40/51

4-12

Gambar 4.9. CDFBias CorrectionHarian Musiman

Berdasarkan hasil CDF harian yang telah dilakukan bias correction secara

musiman, dengan membandingkan seluruh CDF musim, pada persentil 95 sepertiyang terlihat pada gambar kanan, bahwa yang memiliki nilai curah hujan terbesar

adalah pada bulan Desember, Januari dan Februari sebesar 62.36 mm, sedangkan

untuk bulan pengamatan yaitu bulan November yang tergabung pada bulan

September, Oktober dan November berada pada peringkat kedua sebesar 58.65

mm, sehingga membuat bahwa CDF harian pada bulan DJF memiliki batasan

curah hujan yang lebih besar dibandingkan bulan-bulan lainnya. Kemudian

melihat kepada waktu kejadian penelitian, yaitu pada tanggal 17 November 2012,

hujan yang terjadi pada hari itu sebesar 77.0841 mm menurut data TRMM yang

telah dilakukan bias correction, memiliki nilai probabilitas sebesar 0.9887 yang

berarti bahwa akan terjadi hujan yang lebih besar sama dengan dari 77.0841 mm

adalah hanya sebesar 1.13%. Dengan mengacu pada batas hujan ekstrem yang

berada pada 5% teratas pada CDF, maka hujan harian pada tanggal 17 November

2012 dapat dikatakan sebagai hujan ekstrem.


41/51


42/51

4-14

dikategorikan sebagai hujan ekstrem, tetapi pada curah hujan 55.6694 mm

memiliki nilai probabilitas sebesar 0.9906 yang berarti bahwa akan terjadi hujan

yang lebih besar sama dengan dari 55.6694 mm adalah sebesar 0.94%. Dengan

mengacu pada batas hujan ekstrem yang berada pada 5% teratas pada CDF, maka

hujan 3 jam-an pada tanggal 17 November 2012 dapat dikatakan sebagai hujan

ekstrem.


43/51

5-1

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil perhitungan dan analisa yang telah dilakukan, dengan

menggunakan indikasi kejadian hujan ekstrem terjadi ketika probabilitas kejadian

hujannya berada pada 5% teratas pada CDF TRMM yang telah dilakukan bias

correctionmaka didapatkan kesimpulan untuk penelitian Tugas Akhir ini, yaitu:

Hujan pada tanggal 17 November 2012 secara harian sebesar 77.08041

mm memiliki probabilitas terjadi sebesar 1.86% dan secara 3 jam-an

sebesar 55.6694 mm memiliki probabilitas terjadi sebesar 0.6% mm pada

seluruh data set. Oleh karena itu, maka hujan harian dan 3 jam-an pada

tanggal 17 November 2012 dapat dikategorikan sebagai kejadian hujan

ekstrem.

Probabilitas kejadian hujan dengan selang waktu 3 jam-an pada tanggal 17

November 2012 memiliki probabilitas terjadi yang lebih ekstrem

dibandingkan dengan probabilitas kejadian hujan dengan selang waktu

harian pada tanggal 17 November 2012.

5.2. Saran

Untuk penelitian yang akan melanjutkan penelitian ini mengenai hujan ekstrem

pada daerah Soreang dengan menggunakan data TRMM, berikut adalah saran

yang penulis berikan :


44/51

5-2

Dianjurkan untuk mendeteksi indeks konvektif dan juga inti konvektif pada

hari kejadian menggunakan satelit Multi-functional Transport Satellite

(MTSAT).

Lakukan pengamatan pada waktu yang lebih banyak untuk melihat

karakteristik hujan ekstrem pada wilayah kajian, dan juga perluas wilayah

kajian dengan mengambil titik lebih dari satu pada TRMM

Perlu dilakukan identifikasi terhadap kejadian banjir pada kajian Tugas Akhir

ini dengan menggunakan bantuan statistik tambahan dan juga dengan

menggunakan model hidrologi. Salah satunya dengan menggunakan kurva

Depth Area Duration (DAD), yaitu untuk melihat kejadian hujan pada suatu

wilayah tertentu pada durasi waktu tertentu.


45/51

DP-1

DAFTAR PUSTAKA

Bodini, A., dan Cossu, Q. (2010). Vulnerability Assessment of Central-East

Sardinia (Italy) to Extreme Rainfall Events. Journal of Natural Hazards and

Earth System Sciences, 61-72.

Carvalho, L., Jones, C., dan Liebmann, B. (2002). Extreme Precipitation Events in

Southeastern South America and Large-Scale Convective Patterns in the South

Atlantic Convergence Zone.Journal of Climate, 2377-2394.

Dahlan, M. S. (2011). Statistik untuk Kedokteran dan Kesehatan. Jakarta:

Salemba Medika.

Dauwani, K. N. (2012). Analisis Direct Run Off Studi Kasus Citarum Hulu.

Tugas Akhir Program Sarjana, Program Studi Meteorologi, Institut Teknologi

Bandung.

Feidas, H. (2010). Validation of satellite rainfall products over Greece.

Theoretical and Applied Climatology, 193-216.

Fu, G., Viney, N., Charles, S., dan Liu, J. (2010). Long-Term Temporal Variation

of Extreme Rainfall Events in Australia: 1910-2006. Journal of

Hydrometeorology, 950-965.

Gilli, M., dan Kellezi, E. (2003). An Application of Extreme Value Theory for

Measuring Risk.Elsevier Science.

Goswami, P., dan Ramesh, K. (2007). Extreme Rainfall Event: Vulnerability

Analysis for Disaster Management and ObservationSystem Design. Research

Report.


46/51

DP-2

Hatchett, B., Vellore, R., dan Koracin, D. (2009). Statistical Downscaling of

Global Climate Models: An Overview of Methods.Annual NSF EPSCoR Western

Tri-State Consortium Meeting.Idaho.

Hernandez, A., Balling Jr, R., dan Barbar-Matinez, L. (2009). Comparative

Analysis of Indices of Extreme Rainfall Events: Variation and Trend from

Southern Mexico.Journal de Atmosfera, 219-228.

Hipel, K., dan Mc Leod, A. (1994). Time Series Modeling for Water Resource andEnviromental System.Amsterdam: Elsevier Science Pub Co.

Huffman, G., Adler, R., Bolvin, D., dan Nelkin, E. (2007). Characterizing

Precipitation Extremes in the TRMM Multi-Satellite Precipitation Analysis.

Maryland: NASA/GSFC;Science Systems and Applications, Inc.;University of

Maryland College Park.

Inomata, H., Takeuchi, K., dan Fukami, K. (2012). Development of A Statistical

Bias Correction Method For Daily Precipitation Data of GCM20. Journal of

Japan Society of Civil Engineers, 67(4), I_247-I_252.

Jones, C., Waliser, D., Lau, K., dan Stern, W. (2004). Global Occurrences of

Extreme Precipitation and Madden-Julian Oscillation: Observation and

Predictability.Journal of Climate, 4575-4589.

Kunkel, K., Andsager, K., dan Easterling, D. (1999). Long-term trends in extreme

precipitation events over the conterminous United States and Canada. Journal of

Climate, 2515-2527.


47/51

DP-3

Maurer, E., dan Hidalgo, H. (2008). Utility of daily vs. monthly large-scale

climate data: an intercomparison of two statistical downscaling methods.

Hydrology and Earth System Sciences, 551-563.

Murphy, B., dan Jackson, P. (1997). Extreme Value Analysis: Return Periods of

Severe Wind Events in the Central Interior of British Columbia. Canada: Report

prepare for McGregor Model Forest Association.

Naveau, P., Nogaj, M., Ammann, C., Yiou, P., Cooley, D., dan Jomelli, V. (2005).Statistical Methods for the Analysis of Climate Extremes. Journal of Comptes

Rendus Geoscience. 337, 1013-1022.

Permana, G. (2009). Prediksi Ensemble Menggunakan CCAM Untuk Prakiraan

Peluang Kejadian Hujan di Pulau Jawa. Tugas Akhir Program Sarjana, Program

Studi Meteorologi, Institut Teknologi Bandung.

Salathe Jr, E. (2005). Downscaling simulations of future global climate

application to hydrolic modelling.International Journal of Climatology, 419-436.

Supari. (2012). Spatiotemporal Characteristics of Extreme Rainfall Events over

Java Island, Indonesia Case: East Java Province.Twente: ITC.

Wilks, D. (1995). Statistical Methods in the Atmospheric Sciences. Academic

Press, 575.

WMO. (1988). Analyzing Long Time Series of Hydrological Data with Respect to

Climate Variability. WCAP - No 3, WMO - TD No. 224.

WMO. (2009). Guidelines on Analysis of Extremes in Changing Climate in

Support of Informed Decisions for Adaptation. WCDMP.


48/51

DP-4

Wood, D., Maurer, E., Kumar, A., dan Lettenmaier, D. (2002). Long-range

experimental hydrologic forecasting for the eastern United States. J. Geophys.

Res.-Atmos, 563-568.

Xie, P., dan Arkin, P. (1996). Analyses of global monthly precipitation using

gauge observations, satelllite estimates, and numerical model predictions. J.

Climate, 840-858.

Xie, P., Yatagai, A., Chen, M., Hayasaka, T., Fukushima, Y., Liu, C., et al.(2007). A Gauge-Based Analysis of Daily Precipitation over East Asia. Journal of

Hydrometeorology, 607-626.

Zipser, E., Cecil, D., Liu, C., Nesbitt, S., dan Yorty, D. (2006). Where are the

most intense thunderstorms on Earth?Bull. Amer. Meteor. Soc., 87, 1057-1071.

Zwillinger, Z. (2000). CRC Standard Probability and Statistics Tables and

Formulae.


49/51

DP-5

UCAPAN TERIMA KASIH

Tidak lupa untuk segala sesuatu yang telah berlalu hingga tersusunnya Tugas

Akhir ini penulis ingin berterima kasih kepada :

Bapak dan Ibu atas kasih sayang yang tak terhingga, serta dukungan dan doa

tanpa henti selama hidup penulis sehingga penulis dapat menjadi anak seperti

sekarang dan menyusun buku Tugas Akhir ini.

Adik-adikku, Sasa dan Billy yang selalu memberikan semangat dan

kehangatan ketika pulang ke Jakarta kepada kakaknya.

Keluarga besar penulis yang selalu mendukung dan mendoakan penulis agar

selalu sehat dan sukses dalam perkuliahan di Institut Teknologi Bandung.

Bapak Tri Wahyu Hadi selaku dosen wali dan Kaprodi Meteorologi Institut

Teknologi Bandung, yang telah menyemangati dan menyadarkan penulis

untuk dapat kuliah dengan lebih baik.

Bapak Zadrach L. Dupe selaku pembimbing Tugas Akhir ini yang selalu

memberikan waktunya untuk mendengarkan permasalahan penulis dalam

menyelesaikan tugas akhir ini serta pemberian ilmu dan pengalaman mengajar

ilmu meteorologi kepada orang lain.

Bapak Armi Susandi selaku dosen wali terdahulu, yang telah mengajarkan

beberapa strategi untuk sukses dan memberikan berbagai pengalaman

mengajar dan bekerja.

Bapak dan Ibu Dosen Meteorologi Institut Teknologi Bandung yang telah

memberikan ilmu pengetahuan tentang meteorologi

Mas Edi yang telah memberi banyak masukkan dan inspirasi mengenai

penulisan Tugas Akhir ini, baik secara konseptual dan teknis.

Mas M. Ridho Syahputra dan Mbak Wirid Birastri yang telah mengajari teknis

pengerjaan Tugas Akhir ini serta selalu mengingatkan penulis untuk

menyelesaikan Tugas Akhir ini.

Kak Wulan Seizarwati dan staf bagian Hidrologi PUSAIR Bandung atas

bantuan data sehingga penulis dapat menyelesaikan Tugas Akhir ini.


50/51

DP-6

Mbak Winasti Mahatmya yang senantiasa menampung penulis di

Laboratorium Meteorologi Terapan dan menyemangati penulis untuk segera

lulus serta mengajak jalan-jalan ketika sudah penat dalam pengerjaannya.

Pak Maman, Pak Juhari, Mba Eka, Pak Wawan dan Ibu Ana yang sangat

membantu administrasi di tata usaha.

Bapak Cecep Hendrawan atas kesediaannya diwawancara ketika penulis

mencari informasi latar belakang Tugas Akhir ini.

Vaniessa Dewi Hapsari yang selalu menyemangati penulis dari awal kuliah di

Institut Teknologi Bandung sampai penulis dapat menyelesaikan Tugas Akhir

ini.

Luthfi I(pi)manal Satrya yang selalu membantu penulis baik siang dan malam

dalam penyelesaian Tugas Akhir ini dari keadaan penulis tidak mengerti

Matlab sama sekali hingga dapat menyelesaikan Tugas Akhir ini.

Andre Putra Arifin yang mana merupakan BRT rumah penulis yang

menyemangati saya dalam Tugas Akhir ini sambil berbagi pikiran dalam

pengerjaannya dan senantiasa membersihkan kotoran-kotoran Poko dan Abby

yang baunya membuat IQ penulis menurun drastis dan juga membantu

kehidupan rumah penulis tambah meriah.

Fidelis Nandywardhana, Nadira Saraswati dan Betha Januardi Budaya yang

memberikan bantuan moral dalam pengerjaan Tugas Akhir ini walaupun

terkadang membuat penulis tidak mengerjakan Tugas Akhir ini. Salam

Senang!

Rahardian Aji Saputra dan Sona Tristania yang seringkali berkunjung ke

rumah penulis membawa senyuman dan tawa canda serta semangat dalam

mengerjakan tugas akhir ini.

Laskar July, Peak, Farid, Dicky, Wibi, Ican, Gaol, Nurin, Novi, Puput, yang

saling memberi semangat dan motivasi untuk mengejar Wisuda Juli 2013.

Serta semangat buat Audhy dan Dias yang akan lulus (amin) di bulan juli

untuk wisuda Oktober.

Penghuni terdahulu rumah penulis, Ricko, Taufik, Luthfi, Rizki, Doni, Mariz,

Farid, Gintang, Ryan, Reza, Andre Amed dan juga teman-teman Meteorologi


51/51

2007 yang telah lulus, Karin, Dea, Made, Haris, Creta serta teman-teman

Meteorologi 2007 lainnya, Sam, Fauzan, Sheila yang akan segera lulus juga.

Teman-teman Bayu Tirta yang selalu memacu penulis untuk segera lulus.

Keluarga PS-ITB yang menemani keseharian penulis ketika awal kuliah serta

rasa kekeluargaan yang luar biasa dan menggembleng fisik dan teknik penulis

dalam bersepakbola. Kita Harus Menang!

Seluruh masa HMME baik yang saya ingat namanya maupun hanya saya ingat

mukanya, atas semangat dan canda-tawa yang diberikan.

Seluruh teman-teman Prevaloir, terutama Azki, Mandy, Fahmi, Givan, Agus

yang selalu menanyai kabar perkuliahan penulis dan memberikan semangat.

Seluruh orang yang telah membantu penulis dalam menyelesaikan perkuliahan

dan Tugas Akhir ini yang namanya tidak dapat penulis uraikan satu per satu.

Bandung, 17 Juni 2013

Pratikto Abiseno

Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara...

Documents

Transcript of Identifikasi Hujan Ekstrem dengan Data Satelit TRMM (Tropical Rainfall Measuring Mission) Secara...