Pola Hujan di Indonesia

lima frekuensi yaitu 10,65; 19,35; 37,0; dan 85,5 GHz polarisasi ganda dan pada 22,235 GHz polarisasi tunggal. Dari sensor TMI dapat diekstraks data integrated column precipitation content , air cair dalam awan cloud liquid water, es awan cloud ice, intensitas hujan, tipe hujan seperti hujan stratiform atau hujan konvektif. TMI merupakan instrumen passive TRMM untuk menyediakan data dengan resolusi tinggi dan juga untuk mendapatkan data suhu permukaan laut Kummerow et al. 2000. Sensor TMI mempunyai kemiripan dengan sensor SSMI DMSP Special Sensor MicrowaveImager, Defense Meteorological Satellite Program . VIRS digunakan untuk pemantauan liputan awan, jenis awan, dan temperatur puncak awan. Resolusi spasial dari data yang dihasilkan oleh sensor VIRS adalah 2.2 km. Instrumen VIRS telah digunakan untuk menghubungkan observasi TRMM secara detil dengan data satelit geostasionari yang telah tersedia Kummerow et al. 2000. Sensor ini juga mempunyai peran penting dalam interpretasi awal hasil dari instrumen CERES. Teknik infrared sebenarnya mempunyai error cukup signifikan dalam menghitung curah hujan secara langsung, namun ketika digunakan dengan menggabungkan sensor ini dengan sensor lain di luar satelit TRMM atau dengan data dari platform orbit yang lain, data VIRS mampu meningkatkan ketepatan perhitungan curah hujan TRMM Funk et al. 2006. LIS dan CERES adalah instrumen Earth Observing System EOS pada TRMM yang digunakan untuk mengukur total upwelling energi radiant. Secara spesifik, LIS dalam kombinasinya dengan predecessor-nya, Optical Transient Detector OTD, digunakan untuk mengukur tingkat, distribusi dan variabilitas aktivitas petir pada skala global Christian et al. 2000. Pengukuran aktivitas petir ini dimanfaatkan dalam membangun kombinasi algoritma untuk mengetahui kelistrikan, fisikamikro, dan kinematik dari thunderstorm tropis. Secara keseluruhan, LIS ditujukan untuk mendeteksi dan melokalisasi petir selama sehari semalam dengan tingkat keakuratan yang tinggi, mencatat waktu kejadian dan mengukur energi radian. Melalui perbandingan antara data LIS dengan data dari instrumen lain pada TRMM, dimungkinkan untuk diketahui hubungan aktivitas petir dan beberapa parameter iklim yang penting termasuk curah hujan, panas laten dan konveksi Christian et al. 2000. Sedangkan Sensor CERES merupakan bagian dari EOS yang digunakan untuk menyediakan data dari Earth Radiation Budget Experiment ERBE untuk mengukur fluks radiasi di lapisan atas atmosfer top-of-atmosferTOA, perhitungan yang akurat fluks radiasi pada TOA dan permukaan bumi, dan menyediakan properti awan yang terkait dengan fluks radiasi dari permukaan ke TOA Wielicki et al. 1998.

2.2.3. Data Produk TRMM

Dataset produk TRMM secara formal dikenal dengan nama TRMM multi- satellite Precipitation Analysis TMPA dengan mengkombinasikan perhitungan hujan dari lima sensor utama dan analisis menggunakan data obervasi permukaan. TMPA ditujukan untuk menyediakan estimasi hujan dengan tepat pada setiap grid box dan setiap waktu pengamatan Su 2008. Secara garis besar, produk keluaran TRMM dibagi menjadi 3 level, yaitu level 1, level 2 dan level 3. Produk pada level 1 merupakan raw data yang telah dikalibrasi dan di-geolocated. Produk level 2 merupakan penurunan dari parameter-parameter geofisika yang sama dengan sumber data pada level 1 baik dari sisi resolusi dan lokasinya. Sedangkan data pada Level 3, keluaran data mengacu pada produk-produk hujan secara klimatologis, yaitu hasil rata-rata parameter hujan yang telah dipetakan ke dalam grid yang seragam baik spasial maupun waktu. Produk level 3 ini telah diproses lebih lanjut oleh pemilik data sehingga keluaran produk dapat langsung digunakan oleh user Gambar 7. Pada Level 3, data satelit TRMM mempunyai resolusi spasial sebesar 0.25 o x 0.25 o atau sekitar 27.75 km x 27.75 km untuk setiap grid dengan cakupan luasan wilayah antara 50 o LU hingga 50 o LS. Sedangkan untuk resolusi temporalnya hingga pengamatan 3 jam-an, dimana setiap pengamatan tersebut dapat di-rescale menjadi data harian dan bulanan. Pengamatan hujan resolusi 3 jam-an pada satelit TRMM antara lain untuk tipe 3B40RT, 3B42, 3B42RT. Produk tipe 3B42RT merupakan produk gabungan antara microwave, microwave calibrated infrared IR dan combined microwave–IR. Produk tersebut mempunyai resolusi 3 jam-an pada jam pengamatan sinoptik 00, 03, 06, 09, 12, 15, 18, dan 21 UTC dengan data near real-time dan dimulai pada akhir Januari Selain produk near real time, data TRMM juga mempunyai post-product yang telah dilakukan kalibrasi dan validasi menggunakan data observasi. Data post-product dikalibrasi menggunakan TCI TRMM Combined Instrument Su 2008 yang tidak tersedia dalam near real time Huffman 2007. Post-product ini juga divalidasi menggunakan data analisis stasiun bulanan menggunakan CAMS The Climate Assessment and Monitoring System dengan resolusi 0.5 o x0.5 o untuk penyesuaian initial process IP perhitungan data TRMMTMPA; dan produk bulanan dari Global Precipitation Climatology Center GPCC dengan resolusi 1 o x1 o , digunakan untuk penyesuaian reprocessed RP data TRMMTMPA. RP TMPA dimulai 1 Januari 1998 dan berakhir tahun 2005, sedangkan IP TMPA dimulai bulan April 2005 hingga saat ini Su 2008. Gambaran skema proses dan output data TRMM pada Level 3 ditunjukkan pada Gambar 8, sedangkan karakteristik produk data TRMM near-real time 3B42RT dan post-product 3B42 dan 3B43 ditunjukkan pada Gambar 9. Gambar 8. Skema Proses dan Output TRMM Level 3 Funk et al. 2006 Infrared obs - GOES - Meteosat - GMS 3jam 0.25 o TRMM multi- satellite precipitation analysis TMPA3B42RT 3jam0.25 o Monthly 3B43 Monthly station data Daily 3B42 TRMM Radar PR Microwave obs - TMI - SSMI - AMSU-B - AMSU-E 3jam 0.25 o koefisien korelasi antara data hujan TRMM dengan data hujan pengamatan permukaan mencapai 0.90 pada selang kepercayaan 99. Sedangkan studi validasi data satelit TRMM terhadap data observasi permukaan telah banyak dilakukan Su 2008; Hughes 2006; Li 2010. Penelitian evaluasi keluaran data satelit hujan terhadap data observasi permukaan di Indonesia, telah dilakukan menggunakan data hujan CMORPHClimate Prediction Center Morphing Method Oktavariani 2008, GSMapGlobal Satellite Mapping of Precipitation dan TRMM Wibowo 2010; As-Syakur 2011. Evaluasi keluaran data hujan TRMM harian dan bulanan terhadap data hujan observasi permukaan dilakukan pada wilayah Jakarta - Bogor yang dibedakan berdasarkan wilayah pantai, daratan, pegunungan, dan keseluruhan wilayah kajian. Hasil evaluasi menunjukkan bahwa data satelit TRMM harian di wilayah pantai dan keseluruhan Jakarta - Bogor mempunyai korelasi lebih dari 60. Sedangkan untuk data bulanan, korelasi data hujan TRMM terhadap data hujan observasi mempunyai korelasi minimum 60 untuk wilayah pegunungan, pantai, daratan, dan keseluruhan Wibowo 2010. Validasi luaran data hujan bulanan dari satelit TRMM PR Preciptation Radar level 3A25 telah dikaji untuk wilayah Indonesia Prasetia et al. 2011. Hasil kajian tersebut menunjukkan bahwa data luaran TRMM undersetimate dibandingkan data hujan observasi, kecuali di wilayah dengan tipe hujan anti- monsoonal dimana data luaran TRMM overestimate dibandingkan data hujan observasi. Sedangkan As-Syakur et al. 2011 telah membandingkan keluaran data TRMM harian 3B42 dan bulanan 3B43 dengan data observasi. Hasil kajian menunjukkan bahwa pada skala bulanan dan musiman, hubungan curah hujan TRMM dibandingkan observasi mempunyai performa yang lebih baik dibandingkan skala harian. Namun pada skala harian dengan analisis titik ke titik stasiun, menunjukkan korelasi yang rendah dibandingkan dengan hasil rata-rata data stasiun. Pada variasi intra-annual, hasil analisis statistika menunjukkan bahwa korelasi tinggi diperoleh pada musim kemarau, dan sebaliknya diperoleh pada musim hujan. Analisis validasi satelit TRMM di wilayah Indonesia juga dilakukan oleh Vernimmen et al. 2012 untuk curah hujan bulanan. Pada penelitian tersebut dilakukan perbandingan antara keluaran data satelit hujan TRMM, CMORPH dan PERSIANN Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks serta perhitungan bias koreksi dan error masing- masing produk. Hasil analisis menunjukkan bahwa data TRMM mempunyai performa yang lebih baik terhadap pengamatan observasi permukaan terutama pada musim kemarau dan variasi tahunan di wilayah Indonesia. Selain itu, juga dihasilkan faktor koreksi untuk data TRMM dimana setelah dilakukan koreksi bias, fraksi variansi pada log-transformasi untuk data hujan bulanan meningkat dari 0.78 menjadi 0.93. Demikian halnya dengan nilai determinasi menjadi meningkat setelah dilakukan koreksi bias Vernimmen et al. 2012.

2.4. Model Persamaan Regresi dan Metode Kuadrat Terkecil

Model persamaan regresi digunakan untuk mengetahui hubungan antara dua variabel dan dapat dinyatakan dalam bentuk suatu fungsi, misalnya Y=fX. Bentuk persamaan sederhana regresi linier sebagai berikut: = + + , …1 dimana a dan b merupakan parameter-parameter yang harus diestimasi, a menunjukkan intersep Y populasi, sedangkan b menunjukkan koefisien kemiringan populasi. Pada umumnya model regresi terdiri dari suatu himpunan asumsi-asumsi tentang distribusi galat error , dan hubungan antara X dan Y. X merupakan variabel bebas independent variabel dengan nilai harapan expected value sama dengan nol dan ragam = , untuk semua nilai X. Selain itu, X dianggap konstan dari contoh ke contoh dan Y merupakan fungsi linier Xi. Selain persamaan regresi linier, model regresi juga dapat berbentuk non linier. Beberapa pola persamaan regresi dengan satu variabel bebas yang dapat digunakan untuk melakukan prediksi adalah sebagai berikut: 1. Model eksponensial ; Y = a.b X …2 2. Model geometrik; Y = a x b …3 3. Model hiperbola; Y = 1a+bX atau Y=a+bX …4 4. Model parabola; Y = a + bX 1 + cX 2 …5 dengan a dan b adalah parameter – parameter yang harus dihitung. Metode kuadrat terkecil least square method adalah suatu metode yang digunakan untuk menghitung β o dan β 1 , sedemikian rupa sehingga jumlah kuadrat kesalahan memiliki nilai terkecil atau minimum. Dengan bahasa matematik, dapat dinyatakan sebagai berikut: Yi = a + bX i + , i = 1, 2, …..n …6 ε = Y − a + bX i= galat error i …7 ∑ = ∑[ − + ] = jumlah kesalahan kuadrat …8 Metode kuadrat terkecil selain digunakan untuk memperkirakan parameter sebagai koefisien dari suatu hubungan linear, dapat juga digunakan untuk yang bukan linier atau bentuk hubungan lainnya.

2.5. Model Prediksi ARIMA Autoregressive Integrated Moving Average

Model prediksi ARIMA pertama kali dikembangkan oleh George Box dan Gwylim Jenkins 1976 dan sering disebut sebagai model Box-Jenkins. Model ARIMA merupakan model yang dibangun berdasarkan proses Autoregressive AR berorde p dan proses rata-rata bergerak Moving Average, MA berorde q yang mengalami pembedaan Differencing sebanyak d kali pada pola data yang stasioner maupun tidak stasioner. Proses differencing terutama dilakukan pada data-data yang tidak stasioner. Dalam pengembangannya dikenal pula model musiman ARIMA p,d,qP,D,Q s dengan P, D, Q, dan s masing-masing menunjukkan orde AR musiman, pembedaan musiman sebanyak D kali, orde MA musiman, dan panjang musiman s periode. Proses autoregressive AR dan proses moving average MA dinyatakan oleh persamaan sebagai berikut Montgomery et al. 2008; - Proses Autoregreesive AR t p t p t t t e Y Y Y Y          . . . 2 2 1 1      ... 9 dimana :  = suatu konstanta p    , , , 2 1  = koefisien autoregresif ke-1, ke-2 hingga ke- p t e = nilai galat kesalahan pada saat t berdistribusi normal