Bahan dan Metode Bahan

28 Kajian lain yang telah dilakukan di Indonesia adalah Wigena 2006 dan Haryoko 2004. Wigena 2006 menggunakan peubah penjelas presipitasi untuk menduga presipitasi lokal, Haryoko 2004 menggunakan tekanan permukaan laut, dan Sutikno dan Boer 2005 menggunakan peubah penjelas precipitable water prw. Pemilihan peubah penjelas penelitian di atas lebih didasarkan ketersediaan data GCM, belum dilakukan melalui proses pemilihan secara komprehensif, yaitu berdasarkan alasan fisik dan statistik. Penelitian ini bertujuan mendapatkan peubah-peubah penjelas atmosfer yang paling dominan mempengaruhi curah hujan di Indonesia, khususnya di lokasi curah hujan tipe monsun.

5.2 Bahan dan Metode Bahan

Data GCM yang digunakan adalah model CSIRO-Mk3, resolusi grid lintang dan bujur 1,865 x 1,875 , di-download melalui website: http:www- pcmdi.llnl.govipcc, dengan eksperimen “20th century in coupled models” 20C3M, periode data 1871-2000. Peubah penjelas GCM yang digunakan adalah: precipitable water , tekanan permukaan laut, komponen angin meridional, komponen zonal, ketinggian geopotensial, dan kelembaban spesifik Tabel 4.1 pada Bab 4. Ketinggian model CSIRO-Mk3 terdiri atas 17 level, yaitu mulai 1000 hPa - 10 hPa. Ketinggian yang digunakan dalam penelitian adalah 850 hPa, 500 hPa, dan 200 hPa. Pemilihan ketinggian ini dipilih pada fenomena sirkulasi atmosfer di troposphere hingga tropopause. Beberapa penelitian SD menggunakan ketinggian tersebut seperti Cavazos dan Hewitson, 2005; Cavazos dan Hewitson, 2002; Huth, 1999. Data curah hujan terdiri atas 5 stasiun, diperoleh dari Badan Meteorologi dan Geofisika BMG, meliputi: Losarang, Indramayu, Tulangkacang, Sumur- watu, dan Yuntinyuat. Stasiun terpilih merupakan salah satu contoh dari masing- masing daerah perkiraan musim DPM di Kabupaten Indramayu hasil penelitian Wigena 2006 Gambar 5.1. 29 Indramayu 100 200 300 400 500 1 2 3 4 5 6 7 8 9 10 11 12 Bulan C H mm Losarang 100 200 300 400 1 2 3 4 5 6 7 8 9 10 11 12 Bulan CH m m Tulangkacang 50 100 150 200 250 300 350 1 2 3 4 5 6 7 8 9 10 11 12 Bulan CH m m Sumurw atu 50 100 150 200 250 300 350 1 2 3 4 5 6 7 8 9 10 11 12 Bulan CH m m Yuntinyuat 50 100 150 200 250 300 350 1 2 3 4 5 6 7 8 9 10 11 12 Bulan C H mm U Tulangkacang Sumurwatu Indramayu Losarang Yuntinyua t Gambar 5.1 Lokasi penelitian stasiun dan pola hujan rataan bulanan, Sumber:diolah dari Wigena 2006. Metode Analisis Terdapat dua tahapan analisis data, yaitu penyiapan data awal pra- pemrosesan dan pembangunan model hubungan serta pemilihan peubah penjelas. Pada tahap pertama, pra-pemrosesan data dilakukan langkah-langkah sebagai berikut: 1 Pengkonversian format data GCM dari netCDF ke format text. Ini dilaku- kan untuk penguraian data yang selanjutnya memudahkan pengolahan 30 data. Program konversi data GCM dengan menggunakan bantuan Matlab versi 6.5 selengkapnya disajikan pada Lampiran 2. 2 Cropping domain grid peubah penjelas yang disesuaikan dengan lokasi stasiun curah hujan. Luasan grid yang digunakan adalah bujursangkar 12x12 dengan lokasi ditengah-tengah lokasi penelitian. 3 Reduksi dimensi spasial grid dengan menggunakan analisis komponen utama. Setiap peubah penjelas GCM dilakukan reduksi serentak terhadap grid horisontal dan level. Dengan pendekatan ini maka akan didapatkan 6 peubah penjelas tidak dibedakan ketinggian, yaitu: precipitable water prw, tekanan permukaan laut slp, komponen angin meridional va, komponen angin zonal ua, ketinggian geopotensial zg, dan kelembaban spesifik hus. Pada masing-masing hasil reduksi diambil satu atau lebih komponen utama, dengan keragaman ≥ 90. Dalam penelitian ini dilakukan pemodelan berdasarkan musim, yaitu musin hujan dan kemarau. Pembagian musim adalah sebagai berikut: musim hujan bulan Nopember – April, dan musim kemarau mulai bulan Mei – Oktober. Perbagian musim ini berdasarkan publikasi BMG untuk wilayah Indramayu BMG 2003. 4 Menyusun model regresi dengan menggunakan regresi splines adaptif berganda. Secara umum model regresi yang dihasilkan adalah: k k BF B BF B BF B B y ... ˆ 2 2 1 1 + + + + = dimana k adalah peubah penjelas ke-k, B B 1 , B 2 , . . ., B k merupakan koefisien regresi basis fungsi ke-1, 2, ..., k dan BF 1 , BF 2 , . . ., BF k adalah fungsi basis ke-1, 2, . . . , k. 5 Penentuan urutan peubah penjelas GCM yang dominan paling ber- pengaruh terhadap curah hujan. Untuk mengidentifikasi peubah penjelas yang berpengaruh dilakukan dengan cara menghilangkan peubah penjelas satu per satu dari model, kemudian menghitung goodness of fit dari setiap pengurangan peubah penjelas tersebut. Kriteria goodness of fit meng- gunakan kriteria validasi silang generalized cross validation: GCV. [ ] [ ] 2 2 1 1 ˆ 1 N M C x f y N M GCV N i i M i − − = ∑ = 31 Semakin besar pengurangan nilai GCV suatu peubah penjelas semakin berpengaruh peubah penjelas tersebut terhadap model regresi yang dibentuk. Diagram alir metode analisis selengkapnya disajikan pada Gambar 5.2. Data GCM: ƒ Ukuran grid 12x12 ƒ Ketinggian: permukaan, 850 hPa, 500 hPa, dan 200 hPa ƒ Peubah: prw, hus, ua, va, zg, dan slp Untuk setiap peubah GCM: Dilakukan reduksi dimensi secara serentak grid terpilih dan ketinggian level dengan menggunakan komponen utama Data curah hujan Untuk setiap peubah GCM: Mengambil satu atau lebih komponen utama yang representasi: PC prw1 , PC prw2 , …, PC slp1 , PC slp2 PC prw1 : komponen utama pertama prw Pilih peubah GCM yang mempunyai pengurangan nilai GCV besar Hitung goodness of fit validasi silang:GCV setiap penghilangan satu peubah penjelas Y = f PCprw1, PCprw2, …, PCslp1, PCslp2 Metode RSAB Gambar 5.2 Diagram alir penentuan peubah GCM yang paling berpengaruh terhadap curah hujan.

5.3 Hasil dan Pembahasan Reduksi dimensi grid domain