PENDAHULUAN 1.1 Latar Belakang TINJAUAN PUSTAKA 2.1

I. PENDAHULUAN 1.1 Latar Belakang

Penelitian bidang meteorologi memiliki banyak hambatan. Salah satu hambatan yang sering dialami oleh para ahli di negara berkembang seperti Indonesia adalah data cuaca. Data cuaca sulit didapatkan karena sebaran stasiun meteorologi di Indonesia masih sedikit. Banyak metode yang dilakukan oleh para ahli untuk membangkitkan data. Sampai saat ini sudah banyak metode untuk membangkitkan data cuaca secara temporal atau spasial. Salah satu metode yang sedang dikembangkan saat ini adalah pemodelan data cuaca dengan menggunakan citra satelit. Pembangkitan data cuaca dengan menggunakan pemodelan data citra satelit sudah banyak dikembangkan di seluruh dunia. Banyak organisasi melakukan hal ini seperti NASA dan JAXA. Pemodelan satelit TRMM menghasilkan data curah hujan harian seluruh dunia. Dari data ini dan Digital Elevation Model DEM dapat membangkitkan beberapa parameter cuaca seperti lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan dan kelembaban nisbi.

1.2 Tujuan Penelitian

Tujuan penelitian ini adalah: 1. Mengembangkan program pengekstrak data curah hujan dari data satelit TRMM 3B42 harian, 2. Mengembangkan sistem pembangkitan data cuaca dengan data masukan data TRMM 3B42 harian dan DEM SRTM.

II. TINJAUAN PUSTAKA 2.1

File NetCDF NetCDF network common data format dikembangkan oleh Unidata Program Center. Unidata merupakan bagian dari University Corporation for Atmospheric Research UCAR Community Programs UCP. Unidata didanai oleh National Science Foundation. Aplikasi-aplikasi atmosfer mengunakan netCDF untuk menyimpan berbagai tipe data seperti pengamatan data titik, time series, grid, dan citra satelit atau radar. Banyak organisasi pemodelan iklim mengandalkan data netCDF untuk penyimpanan data. Ching 2007 menyatakan bahwa netCDF menyimpan data dalam bentuk setdata yang berorientasi array. File ini mengandung dimensi, variabel, dan atribut. Isi file netCDF dibagi menjadi dua bagian yaitu header file dan array data. Header berisi semua informasi metadata tentang dimensi, atribut, dan variabel kecuali untuk data variabel itu sendiri, sedangkan bagian data berisi array dari nilai variabel data mentah. Beberapa organisasi NOAA, NASA, dll mengunakan file netCDF untuk menyimpan hasil-hasil dari pemodelan citra satelit yang sudah menjadi parameter cuaca seperti curah hujan, suhu udara pada beberapa tingkat, angin, kelembaban nisbi, radiasi, penutupan awan dll. Model-model atmosfer yang baru dapat dibuat dengan data masukan file tersebut apabila metode pembacaan dan penulisan file netCDF telah dipahami.

2.1.1 Algoritma Pembacaan

File NetCDF Unidata Program Center mengeluarkan sebuah Dynamic-Link Library DLL file yang berisi fungsi-fungsi untuk membaca dan menulis file netCDF. File DLL ini dirancang untuk bisa digunakan oleh bahasa pemograman C++, Fortran dan Visual Basic 6. Operasi netCDF dapat dibagi menjadi beberapa katagori yaitu membuat dataset; menentukan dimensi, variabel, dan atribut; menulis data variabel; dan menutup dataset Ching 2007. Apabila membaca sebuah dataset netCDF yang sudah ada, maka urutan oprerasi netCDF menjadi berubah, yaitu membuka dataset; bertanya tentang dimensi, variabel, dan atribut, membaca data variabel, dan menutup datasetChing 2007. Gambar 1 Pemrosesan data TRMM Sumber: http:disc.sci.gsfc.nasa.gov 2.2 Satelit TRMM Satelit TRMM Tropical Rainfall Measuring Mission yang diluncurkan pada tanggal 27 Nopember 1997 dengan membawa 5 sensor utama yaitu PR Precipitation Radar, TMI TRMM Microwave Imager, VIRS Visible Infrared Scanner, LIS Lightning Imaging Sensor dan CERES Clouds and Earth’s Radiant Energy System. Satelit TRMM dapat menghasilkan set data curah hujan yang baik untuk daerah di atas daratan maupun di atas lautan. Resolusi spasial satelit TRMM bervariasi yaitu 0,25º x 0,25º; 0,5º x 0,5º; 1,0º x 1,0º dan 5,0º x 5,0º dan resolusi temporal dari tiap 3 jam-an 3-hourly sampai bulanan monthly. Data satelit TRMM ini tersedia dalam rentang pengamatan Januari 1998 sampai sekarang Juni 2011. Satelit TRMM tersebut merupakan hasil kerjasama dua badan antariksa nasional, yaitu Amerika Serikat NASA : National Aeronautics and Space Administration dan Jepang NASDA : National Space Development Agency of Japan; sekarang berubah menjadi JAXA : Japan Aerospace Exploration Agency. Satelit TRMM memiliki orbit polar non-sun- synchronous dengan inklinasi sebesar 35º terhadap ekuator, berada pada ketinggian orbit 350 km pada awal diluncurkan, dan diubah ketinggian orbitnya menjadi 403 km sejak 24 Agustus 2001 sampai sekarang. Pengoperasian satelit TRMM pada ketinggian orbit 403 km ini dikenal dengan istilah TRMM boost. Satelit TRMM ini mengitari bumi sebanyak 16 kali per hari, setiap 92,5 menit.

2.2.1. Data TRMM 3B42 Harian

Produk Tropical Rainfall Measuring Mission TRMM Multisatellite Precipitation Analysis TMPA merupakan produk hasil Gambar 2 a Peta Indonesia dan Malaysia, Brunei, Singapur, Papua New Guinae dan Timor- timor. Kotak merah dijelaskan lebih rinci pada b. b daerah validasi TMPA 3B42RT diindikasikan dalam beberapa warna. Setiap kotak mewakili 0.25 o x 0.25 o sel grid satelit. Titik hitam adalah lokasi stasiun cuaca Sumber: Vernimmen et al. 2012 Gambar 3 Perbandingan data TMPA 3B42 bulanan dengan stasiun cuaca pada enam daerah Jakarta, Bogor, Bandung, Lampung, Jawa Timur dan Banjar Baru tahun 2003 samapai 2008 Sumber: Vernimmen et al. 2012 gabungan antara TRMM Precipitation Radar PR dan TRMM Microwave Imager TMI beserta citra meteorologi Microwave dan Infrared lainnya Huffman et al. 2007. TMPA terbagi dalam dua tipe data yaitu tipe 3B42 yang memiliki resolusi temporal 3 jam dan harian dan tipe 3B43 yang memiliki reolusi temporal bulanan. Data TRMM 3B42 daily merupakan data level 3 hasil dari pengolahan data 1B01, 2A12, 3B31, 3A44 dan Global Precipitation Index GPI. Algoritma pembentukan data TRMM 3B42 daily dapat dilihat pada Gambar1. Data TRMM 3B42 mengandung nilai curah hujan harian global 50 o LU - 50 o LS dengan resolusi spasial 0.25 o x 0.25 o dan resolusi temporal harian. TMPA 3B43 telah digunakan untuk berbagai aplikasi termasuk diantaranya adalah pemantauan cuacaiklim, analisis iklim, verifikasi model numerik, dan studi hidrologi Xie et al. 2007. Hasil penelitian sebelumnya di Indonesia menunjukkan bahwa hubungan antara TMPA dengan data lapangan dari Badan Meteorologi, Klimatologi, dan Geofisika BMKG adalah tinggi khususnya terhadap pola hujan bulanan Suryantoro et al. 2008. a b Gambar 4 Piksel TRMM 3B42 harian 0.25 o x 0.25 o yang digunakan untuk daerah a. Cuzco dan b. La Paz. Sumber: Scheel et al. 2011 Gambar 5 Koefisien korelasi linear antara TRMM 3B42 dengan data stasiun cuaca untuk satu grid 0.25 o X 0.25 o pada daerah Cuzco dan La Paz Sumber: Scheel et a., 2011

2.2.2. Korelasi Data TRMM terhadap data stasiun

Banyak penelitian diberbagai negara melakukan uji korelasi data TRMM terhadap data stasiun. Uji korelasi ini dilakukan untuk menguji kelayakan data TRMM untuk digunakan dalam suatu analisis kajian lebih lanjut. Vernimmen et al. 2012 melakukan kajian uji korelasi data satelit TRMM 3B42 terhadap data stasiun cuaca di Indonesia. Data stasiun cuaca yang digunakan yaitu pada daerah Jakarta, Bogor, Bandung, Lampung, Jawa Timur dan Banjar Baru. Daerah pixel TRMM yang digunakan dapat dilihat pada Gambar2. Dari hasil uji korelasi dari data TMPA 3B42 bulanan dengan stasiun cuaca menghasil koefisien determinasi sebesar 0,78. Grafik korelasi ini dapat dilihat pada Gambar3. Di negara India, telah dilakukan kajian uji korelasi data satelit TRMM 3B42 terhadap data seluruh stasiun cuaca oleh Narayanan et al 2005. Dari hasil uji korelasi dari data TMPA 3B42 menunjukan bahwa koefisien determinasi paling tertinggi pada data bulanan r 2 =0.92 dibandingkan 5- hari r 2 =0.89 dan harian r 2 =0.79. Scheel et al 2011 melakukan kajian uji korelasi data satelit TRMM 3B42 terhadap data stasiun cuaca di negara Peru dan Bolivia. Data stasiun cuaca yang digunakan di dapatkan dari The Peruvian national meteorological and hydrological service yaitu stasiun Cuzco Aeropuerto, Granja Kcayra, Cay Cay dan Paruro pada tahun 1998 sampai 2008 yang berada di dalam pixel TRMM 13 o 30’–13 o 45’ LS dan 71 o 45’–72 o 00’ BB dan dari The Bolivian national meteorological and hydrological survey yaitu stasiun La Paz Central, La Paz Zona Sur dan La Paz El Alto pada tahun 2004 sampai 2008 yang berada di dalam pixel TRMM 16 o 30’–16 o 45’ LS dan 68 o 00’–68 o 15’ BB. Posisi stasiun terhadap pixel TRMM dapat dilihat pada Gambar4. Hasil koefisien yang dihasilkan dapat dilihat pada Gambar5. Gambar 6 Pembangkit Data Cuaca Sumber: Handoko et al. 1994 2.3 Model Pembangkitan Data Cuaca Harian Pembangkitan data cuaca harian lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan, dan kelembaban nisbi dikembangkan oleh Handoko et al. 1994. Data dibangkitkan dengan menggunakan persamaan empiris. Tujuan awal dari pembangkitan data adalah membangkitkan data sebagai data input untuk model simulasi pertanian yang membutuhkan data harian. Pembangkit data ini telah diuji oleh Fatimah 1995. Hasil uji statistik analisis regresi, koefisien korelasi, berbandingan nilai rata-rata dan nilai standar deviasi antara model dan pengukuran serta uji t menunjukan bahwa model ini mampu membangkitkan unsur-unsur cuacaiklim dengan baik r ≥ 0,9, terutama untuk unsur cuaca suhu minimum, suhu maksimum, lama penyinaran dan radiasi surya nilai absolute error 5 dan cukup baik untuk unsur cuaca kelembaban udara nilai absolute error 5. Model ini juga dapat digunakan untuk membangkitkan data cuaca baik pada lintang selatan maupun lintang utara dan pada ketinggian yang berbeda. Unsur-unsur cuacaiklim dapat dibangkitkan dengan cukup baik menggunakan model ini pada daerah Indonesia. Pembangkit data cuaca yang dikembangkan oleh Handoko et al. 1994 memiliki dua bagian yaitu pembangkit data curah hujan harian dari curah hujan bulanan dan pembangkit data cuaca harian dari data curah hujan harian Lihat Gambar6. Bagian satu, pembangkit data curah hujan harian dari curah hujan bulanan, menggunakan persamaam peluang hujan untuk membangkitkan curah hujan harian. Input dari bagian ini adalah curah hujan bulanan dan hari hujan dan output bagian ini adalah curah hujan harian dengan satuan mmhari. Bagian dua, pembangkit data cuaca harian, menggunakan persamaan empiris untuk membangkitkan data cuaca. Data cuaca yang dapat dibangkitkan yaitu lama penyinaran, radiasi, suhu minimum, suhu maksimum, suhu rataan, dan kelembaban nisbi.

III. METODOLOGI 3.1 Alat dan Bahan