3.3. Analisis Data
3.3.1. Koefisien korelasi r antara data curah hujan TRMM dengan data hujan harian dari stasiun penakar hujan
Koefisien korelasi r dari sebuah model regressi akan digunakan untuk melihat hubungan antara curah hujan harian data observasi OBS dengan curah hujan harian
dari satelit TRMM. Apabila nilai koefisien korelasi r memiliki nilai di atas 0.50 maka dapat dikatakan bahwa kedua data tersebut memiliki korelasi yang tinggi dan
memiliki kesesuaian pola.
3.3.2. Estimasi curah hujan harian berdasarkan data satelit TRMM
Estimasi curah hujan TRMM memiliki pola umum yang berubah-ubah untuk wilayah tertentu As-Syakur et al., 2011. Ketidakstabilan pola estimasi TRMM
tentunya dipengaruhi oleh kondisi cuaca dan keadaan atmosfer kondisi awan saat estimasi dilakukan oleh satelit TRMM. Ada kalanya satelit TRMM memiliki nilai
estimasi yang cenderung di bawah curah hujan OBS under estimate As-Syakur et al., 2011. Namun, ada kalanya juga nilai estimasi TRMM lebih besar dari data
curah hujan OBS over estimate. Dalam penelitian ini, persamaan Regresi Linear dari sebuah variabel bebas TRMM akan digunakan untuk mengestimasi besarnya
variable tak bebas OBS Almazroui, 2011. Persamaan umum Regresi Linear memiliki bentuk y = c + mx, dimana m dan c mewakili slope dan konstanta. Untuk
Universitas Sumatera Utara
estimasi curah hujan dari TRMM berdasarkan persamaan regresi adalah sebagai berikut :
...................................persamaan 3
Dimana : RF
estimasi
: Curah hujanhasil estimasi m
RF
: Slope C
RF :
Konstanta RF
TRMM :
Curah hujan harian berdasarkan TRMM mm Adapun ketiga belas titik-titik yang akan diestimasi curah hujannya adalah sebagai
berikut : Tabel 3.3 Koordinat Titik Stasiun Tambahan
Wilayah Stasiun Tambahan
Lat Long Elevasi
Stasiun Utama
Pantai Timur Mayang
3.08 99.40
61 Tuntungan
Sipaku 2.85
99.77 5
Polonia Gunting Saga
2.33 99.72
58 Tuntungan
Ujung Bandar 2.07
99.85 21
Polonia
Pegunungan Kuta Gadung
3.17 98.51
1358 Parapat
Gur-gur Balige 2.31
99.02 1240
Parapat Mompang
0.92 99.53
219 Parapat
Arse 1.68
99.32 901
Parapat
Pantai Barat Manduamas PB1
2.13 98.31
33 Gunung Sitoli
Natal PB2 1.03
99.01 122
Gunung Sitoli Idanowo Nias 1
0.98 97.86
23 Gunung SItoli
Alasa Nias 2 1.13
97.36 50
Gunung Sitoli Amandraya Nias 3
0.68 97.71
44 Gunung Sitoli
Universitas Sumatera Utara
3.3.3. Pembuatan peta rawan bencana kebakaran hutan dengan KBDI
Peta rawan bencana kebakaran hutan dibuat berdasarkan data KBDI. Menurut Keetch dan Byram 1968 dalam Affan 2002, formulasi yang digunakan untuk
menghitung nilai KBDI, sebagai berikut :
......................persamaan4
Dimana : = Indeks kekeringan hari ini
= Indeks kekeringan kemarin Chnet = Curah hujan bersih
= Faktor kekeringan hari ini Tm
= Suhu maksimum hari ini RC
= Rata-rata Suhu Curah Hujan Selanjutnya nilai KBDI setiap bulannya akan diplot dan diinterpolasi dengan
software Arc GIS. Dalam perhitungan KBDI titik yang digunakan dalam perhitungan adalah dengan menggunakan 13 stasiun tambahan yang telah ditentukan.
Data KBDI dari bulan yang sama dalam periode selama 4 tahun akan digabungkan
Universitas Sumatera Utara
sehingga akan didapatkan 12 peta kerawanan kebakaran hutan yaitu Januari s.d. Desember untuk 3 tahun data.
3.3.4. Validasi peta rawan bencana dengan menggunakan data hotspot