Evaluasi Skema Konveksi dalam Model Iklim Regional RegCM4 untuk Simulasi Keragaman Curah Hujan Musiman dan Intra Musiman di Indonesia

i

EVALUASI SKEMA KONVEKSI DALAM MODEL IKLIM REGIONAL
REGCM4 UNTUK SIMULASI KERAGAMAN CURAH HUJAN
MUSIMAN DAN INTRA MUSIMAN DI INDONESIA

SWARI FARKHAH MUFIDA

DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2012

ii

ABSTRACT

SWARI FARKHAH MFIDA. Evaluation of Convective Scheme used in Regional Climate Model
RegCM4 in Simulating Seasonal and Intra-Seasonal Rainfall Variability in Indonesia. Under
supervision of AKHMAD FAQIH.
RegCM4 simulations for Indonesia based on two different convective schemes (MIT and
Grell) have been done in this study. The simulations were conducted for two consecutive years
between 1998 and 1999 periods for Indonesia. Two different convective schemes were evaluated
based on their ability in simulating seasonal and intraseasonal rainfall variability in the region.
The modeled seasonal rainfall were analyzed through their comparisons with satellite-based
rainfall observation data from TRMM. The results show that the MIT-based rainfall simulation
produced higher rainfall mostly over mountainous regions and lower rainfall in some other areas
over Indonesia compared to the observation. Differently, the Grell scheme underestimated rainfall
over almost all areas in the country. In analysis of monthly rainfall, Grell could describe
monsoonal and equatorial pattern of monthly rainfall in Cengkareng and Pontianak station better
than MIT. MIT couldn’t describe monsoonal and equatorial pattern of Cengkareng and Pontianak
rainfall which are located in low land. Despite its tendency of being more sensitive over
mountainous areas, MIT was found to be better in simulating the seasonal cycle of rainfall than
Grell. In order to ilustrate intraseasonal variability of rainfall, MJO was used as the case reference.
Principal component analysis of TRMM, MIT, and Grell were calculated and analyzed in order to
detect MJO phases. This was done by comparing the PC results with RMM Index. The output of
MIT and Grell Schemes can well recognize MJO signal by giving higher rainfall value on the
MJO events affecting the region. However, it has not known yet which better scheme could be
used in ilustrating intraseasonal rainfall variability, because the PCA time series of MIT and Grell
still have another cycle beside of MJO cycle. MIT scheme consider to be more dominant in
describing intraseasonal rainfall variability based on the higher PCA’s percentage of variant. As a
whole of this study, MIT was found better in representing Indonesian Rainfall Variability than
Grell. Thus, MIT scheme can be used in other simulations of RegCM4 on Indonesian Climate
Studies.
Keyword : convective scheme, intraseasonal variability, regional climate model, seasonal
variability

iii

ABSTRAK

SWARI FARKHAH MUFIDA. Evaluasi Skema Konveksi dalam Model Iklim Regional RegCM4
untuk Simulasi Keragaman Curah Hujan Musiman dan Intra Musiman di Indonesia. Di bawah
bimbingan AKHMAD FAQIH.
Di dalam penelitian ini telah dilakukan simulasi model iklim regional RegCM4 untuk
wilayah Indonesia dengan menggunakan dua macam skema konveksi yaitu MIT dan Grell-FC.
Simulasi dijalankan untuk periode dua tahun (1998-1999) pada wilayah domain Indonesia. Tujuan
dari penelitian ini adalah untuk mengevaluasi kedua macam skema konveksi yang digunakan
berdasarkan kemampuannya menggambarkan keragaman musiman dan intra-musiman curah
hujan Indonesia. Analisis keragaman curah hujan musiman dilakukan dengan membandingkan
curah hujan hasil simulasi dengan curah hujan observasi. Nilai curah hujan citra TRMM
digunakan sebagai representasi curah hujan observasi. Hasil yang diperoleh menunjukkan bahwa,
MIT menduga curah hujan lebih tinggi hampir di seluruh wilayah daratan bertopografi tinggi, dan
menghasilkan curah hujan lebih rendah di beberapa wilayah lainnya di Indonesia. Sementara itu,
Grell-FC menduga curah hujan lebih rendah hampir di seluruh wilayah Indonesia. Analisis pola
curah hujan bulanan memeprlihatkan bahwa Grell dapat merepresentasikan pola curah hujan
observasi tipe monsunal dan ekuatorial di stasiun Cengkareng dan Pontianak lebih baik daripada
MIT. Namun, MIT dianggap lebih mampu menggambarkan keragaman curah hujan musiman
dibandingkan Grell-FC, walaupun cenderung sensitif terhadap topografi dan kurang mampu
menduga pola curah hujan di daerah Cengkareng dan Pontianak. MJO diambil sebagai kasus
dalam analisis keragaman curah hujan intra-musiman. Analisis komponen utama (PCA) dibuat
dari seri data TRMM, MIT, dan Grell-FC untuk mendeteksi kejadian MJO dengan
membandingkannya terhadap indeks RMM. Baik hasil MIT maupun Grell-FC dapat dengan baik
menangkap adanya kejadian MJO, dibuktikan oleh curah hujan yang lebih tinggi pada tanggaltanggal kejadian MJO. Namun, belum dapat diketahui skema yang lebih menggambarkan
keragaman curah hujan intra-musiman diantara MIT dan Grell, karena pada time series PCA yang
diperoleh masih ditemukan pengaruh siklus selain siklus MJO. PCA MIT dianggap lebih dominan
dalam menggambarkan keragaman curah hujan intra-musiman dilihat dari persentase keragaman
yang lebih tinggi, tetapi bukan berarti lebih baik dibandingkan Grell. Akan tetapi, secara
keseluruhan MIT lebih merepresentasikan keragaman curah hujan di Indonesia daripada Grell,
sehingga dapat digunakan skema MIT pada simulasi model RegCM4 dalam penelitian lain.
Kata kunci : keragaman curah musiman, keragaman curah hujan intra-musiman, model iklim
regional, skema konveksi

iv

EVALUASI SKEMA KONVEKSI DALAM MODEL IKLIM REGIONAL
REGCM4 UNTUK SIMULASI KERAGAMAN CURAH HUJAN
MUSIMAN DAN INTRA MUSIMAN DI INDONESIA

SWARI FARKHAH MUFIDA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains pada Departemen Geofisika dan Meteorologi

DEPARTEMEN GEOFISIKA DAN METEOROLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR

2012

v

Judul

:

Evaluasi Skema Konveksi dalam Model Iklim Regional RegCM4 untuk
Simulasi Keragaman Curah Hujan Musiman dan Intra Musiman di Indonesia

Nama

:

Swari Farkhah Mufida

NIM

:

G24080016

Menyetujui,
Pembimbing

Akhmad Faqih, Ph.D.
NIP. 19800823 200701 1 001

Mengetahui,
Ketua Departemen Geofisika dan Meteorologi

Dr. Ir. Rini Hidayati, MS.
NIP. 19600305 198703 2 002

Tanggal Lulus :

vi

KATA PENGANTAR

Puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Esa, karena berkat rahmat dan
anugrah-Nya penulis dapat menyelesaikan karya ilmiah yang berjudul Evaluasi Skema Konveksi
yang Terdapat dalam Model Iklim Regional RegCM4 untuk Simulasi Keragaman Curah Hujan
Musiman dan Intra Musiman di Indonesia.
Penulis ingin mengucapkan terimakasih kepada Bapak dan Ibu tercinta, yang selalu
memberi dukungan materi dan moral agar karya tulis ini dapat selesai tepat waktu, terima kasih
juga untuk adik-adik (Ine, Yuyun, dan Ayi’). Tidak lupa penulis mengucapkan terima kasih
kepada:
1. Bapak Akhmad Faqih selaku pembimbing skripsi, Bapak Handoko selaku pembimbing
akademik, Bapak Bregas Budianto dan Bapak Idung Risdiyanto yang membantu penulis dalam
penelitian,
2. Bapak Yon Sugiarto dan Bapak Sonni Setiawan selaku penguji dalam sidang skripsi,
3. Ibu Rini Hidayati, selaku ketua departemen GFM dan seluruh dosen yang telah memberikan
ilmu selama perkuliahan,
4. Pak Aziz dan seluruh staf departemen GFM yang telah banyak membantu penulis dalam
administrasi selama perkuliahan,
5. Pak Yunus dan Pak Amin dari BMKG pusat yang membantu penyediaan data iklim,
6. Kak Yunus Bahar yang mengajari Grads, Kak Zay, Kak Diva, Kak Gito dari CCROM, dan
Kak Syamsu yang membantu dalam penelitian,
7. Teman-teman yang telah membantu pengolahan data, Aa Dicky, Faiz, Adi, Dewa, Taufiq, dan
teman-teman GFM 45 semuanya (Ferdy, Fella, Aul, Nipong, Fitra, Farrah, Mela, Akfia, Citra,
Radil, Ruri, Dewi, Diah, Nisa, Mirna, Nia, Fatha, Dora, Dilper, Asep, Adit, Dita, Sintong,
Dodi, Emod, Selma, Firman, Fitri, Geno, Ian, Iput, Yoga, Ketty, Maria, Nae, Okta, Pungki,
Putri, Ria, Sarah, Tiska, Fauzan, Aila, Widya, dan Yuda) atas kebersamaan dan keceriaannya
selama kuliah.
8. Kakak-kakak dan adik-adik angkatan GFM,
9. Teman-teman di asrama TPB (Indra, Risma, Bebeh, Egi, Arni, Mami, Indah, Rena, Melisa,
Teteh, Esti, Nina, Wika, Wida, Yuni, dan lainnya) dan kelas TPB A06, teman-teman BEM KM
Gemilang, Kak Nazrul, dan teman-teman lainnya yang selalu mendukung penulis,
10.Teman-teman kosan Azhara dan OMDA Kendal yang juga selalu mendukung penulis,
dan semua pihak yang memberikan bantuan dan tidak dapat penulis sebutkan satu persatu. Penulis
menyadari karya tulis ini masih jauh dari kata sempurna. Penulis mengharapkan kritik dan saran
yang membangun secara langsung maupun melalui media email swarifarkhah_fida@yahoo.com.
Penulis berharap semoga karya ilmiah ini berguna bagi semua pembaca.

Bogor, Agustus 2012

Swari Farkhah Mufida

vii

RIWAYAT HIDUP

Penulis lahir di Kendal, Jawa Tengah pada tanggal 24 Maret 1990.
Penulis adalah anak pertama dari 4 bersaudara dari Bapak
Misbachuridjal dan Ibu Retnowati. Penulis menyelesaikan
pendidikan di SMA Negeri 1 Kendal pada tahun 2008 kemudian pada
tahun yang sama diterima di Institut Pertanian Bogor Departemen
Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu
Pengetahuan Alam melalui jalur USMI.
Selama kuliah, penulis aktif dalam kegiatan kemahasiswaan
diantaranya anggota BEM KM IPB kabinet Gemilang tahun
2008/2009, Himpunan Mahasiswa Agrometeorologi (HIMAGRETO)
tahun 2010/2011, kepanitiaan-kepanitiaan, dan seminar maupun
workshop. Penulis merupakan salah satu author dari makalah Potential of Renewable Energy:
Solar, Water, and Wind in Indonesia as Alternative Energy on Climate Change Mitigation pada
prosiding International Seminar on Climate Change (Environmental Insight for Climate Change
Mitigation) oleh Universitas Negeri Surakarta (UNS) di Solo tahun 2011. Penulis pernah menulis
PKM GT pada tahun 2011 dengan judul Kemandirian Energi Berbasis Energi yang Ramah
Lingkungan di Provinsi Bali. Penulis mengerjakan penelitian tugas akhir berjudul Evaluasi Skema
Konveksi dalam Model Iklim Regional RegCM4 untuk Simulasi Keragaman Curah Hujan
Musiman dan Intra Musiman di Indonesia sebagai syarat untuk memperoleh gelar sarjana sains.

viii

DAFTAR ISI

Halaman
KATA PENGANTAR ............................................................................................................ vi
RIWAYAT HIDUP ................................................................................................................. vii
DAFTAR ISI ........................................................................................................................... viii
DAFTAR TABEL ................................................................................................................... ix
DAFTAR GAMBAR ............................................................................................................... x
DAFTAR LAMPIRAN ............................................................................................................ xi
I. PENDAHULUAN .............................................................................................................

1

1.1 Latar Belakang ...........................................................................................................
1.2 Tujuan .......................................................................................................................

1
1

II. TINJAUAN PUSTAKA .....................................................................................................
2.1 Model Iklim Regional RegCM4..................................................................................
2.2 MJO (Madden Julian Oscillation) ...............................................................................
2.3 Produk TRMM 3B42..................................................................................................

2
2
3
5

III. METODOLOGI .................................................................................................................
3.1 Waktu dan Tempat .....................................................................................................
3.2 Data dan Peralatan......................................................................................................
3.3 Metode .......................................................................................................................

6
6
6
7

IV. HASIL DAN PEMBAHASAN ..........................................................................................
4.1 Analisis Pola Musiman Curah Hujan Hasil Model terhadap Observasi.........................
4.1.1 Analisis Pola Curah Hujan Bulanan Pada Tiga Tipe Hujan .................................
4.2 Analisis Keragaman Intra-musiman Curah Hujan Hasil Model ....................................
4.2.1 Analisis MJO Fase 4 dan 5 .................................................................................
4.2.2 Analisis Sebaran Komposit Curah Hujan Fase 4 dan 5 MJO ...............................

8
8
12
15
17
19

V. SIMPULAN DAN SARAN ................................................................................................ 21
5.1 Simpulan.................................................................................................................... 21
5.2 Saran.......................................................................................................................... 22
DAFTAR PUSTAKA .............................................................................................................. 22
LAMPIRAN ............................................................................................................................ 24

ix

DAFTAR TABEL

Halaman
1 Persentase Jumlah Piksel Per Rentang Selisih Curah Hujan Musiman .................................. 11
2 Hasil Analisis Statistik Time Series Curah Hujan Bulanan Hasil Model terhadap TRMM
pada Stasiun Cengkareng, Pontianak, dan Ternate ............................................................... 12
3 Hasil Analisis Statistik PC TRMM dengan indeks RMM 1 .................................................. 15
4 Hasil Analisis Statistik PC MIT dan Grell dengan PC 4 TRMM .......................................... 15
5 Hasil Analisis Statistik PC TRMM dengan RMM 1 Pada MJO Fase 4 ................................. 17
6 Hasil Analisis Statistik PC 2 TRMM dengan PC MIT dan Grell Pada MJO Fase 4............... 17
7 Hasil Analisis Statistik PC TRMM dengan Indeks RMM 1 Pada MJO Fase 5 ...................... 18
8 Hasil Analisis Statistik PC 4 TRMM dengan PC MIT dan Grell Pada MJO Fase 5............... 18
9 Tanggal Kejadian Fase MJO di Indonesia Tahun 1998 dan 1999 ......................................... 19

x

DAFTAR GAMBAR
Halaman
1 Teknik Downscaling Model Iklim Regional ........................................................................

1

2 Roadmap Fase MJO ...........................................................................................................

3

3 Fase MJO 1 Sampai 8 .........................................................................................................

4

4 Diagram Alir Algoritma Produk TRMM .............................................................................

5

5 Ilustrasi Metode Band-pass Filter .......................................................................................

8

6 Peta Seabaran Curah Hujan Musiman DJF TRMM,MIT, dan Grell .....................................

9

7 Peta Sebaran Selisih Curah Hujan Musiman DJF MIT-TRMM dan Grell-TRMM ................ 10
8 Pola Curah Hujan di Indonesia............................................................................................ 13
9 Pola Curah Hujan Bulanan (mm) TRMM, MIT, dan Grell Stasiun Cengkareng ................... 13
10 Pola Curah Hujan Bulanan (mm) TRMM, MIT, dan Grell Stasiun Pontianak....................... 14
11 Pola Curah Hujan Bulanan (mm) TRMM, MIT, dan Grell Stasiun Ternate .......................... 14
12 Persentase Keragaman PCA TRMM ................................................................................... 15
13 Hasil Plot Indeks RMM 1, RMM 2, dan PC 4 TRMM ......................................................... 16
14 Hasil Plot PC 4 TRMM dengan PC 1 MIT .......................................................................... 16
15 Hasil Plot PC 4 TRMM dengan PC 4 Grell ......................................................................... 16
16 Persentase Keragaman PCA MIT (a) dan Grell (b) .............................................................. 16
17 Persentase Keragaman PCA TRMM Pada MJO Fase 4 ....................................................... 17
18 Persentase Keragaman PCA TRMM Pada MJO Fase 5 ....................................................... 18
19 Hasil Plot Indeks RMM 1, RMM 2, dan PC 2 TRMM Pada MJO Fase 4 ............................. 18
20 Hasil Plot Indeks RMM 1, RMM 2, dan PC 4 TRMM Pada MJO Fase 5 ............................. 19
21 Sebaran Curah Hujan Komposit TRMM, MIT, dan Grell Pada MJO Fase 4 ......................... 20
22 Sebaran Curah Hujan Komposit TRMM, MIT, dan Grell Pada MJO Fase 5 ......................... 21

xi

DAFTAR LAMPIRAN

Halaman
1 Skrip Simulasi .................................................................................................................... 25
2 Cakupan Wilayah MJO....................................................................................................... 28
3 Roadmap MJO Per Tiga Bulan Tahun 1998 dan 1999 ......................................................... 28
4 Wilayah Pengukuran Citra TRMM ..................................................................................... 29
5 Domain Simulasi ................................................................................................................ 30
6 Peta Sebaran Curah Hujan Musiman (MAM, JJA, SON) TRMM, MIT, dam Grell .............. 30
7 Peta Sebaran Selisih Curah Hujan Musiman (MAM, JJA, SON) TRMM-MIT dan
TRMM-Grell...................................................................................................................... 33
8 Jumlah Piksel Per Rentang Selisih Curah Hujan Musiman ................................................... 35
9 Plot Nilai RMM 1 dan RMM 2 ........................................................................................... 35
10 Plot Nilai TRMM PC 2 dengan MIT PC 1 dan Grell PC 2 Pada MJO Fase 4 ....................... 35
11 Persentase Keragaman PCA MIT (Kiri) dan Grell (Kanan) Pada MJO Fase 4 ...................... 36
12 Plot Nilai TRMM PC 4 dengan MIT PC 1 dan Grell PC 3 Pada MJO Fase 5 ........................ 36
13 Persentase Keragaman PCA MIT (Kiri) dan Grell (Kanan) Pada MJO Fase 5 ....................... 36

1

I. PENDAHULUAN
1.1. Latar Belakang
Resolusi spasial Global Climate Model
(GCM) yang bernilai ratusan kilometer kurang
mampu
merepre-sentasikan
karakteristik
topografi regional dan cuaca skala meso.
Teknik dynamical downscaling pada model
iklim regional dapat meningkatkan resolusi
spasial horizontal yang sesuai dengan sirkulasi
global hasil GCM dengan memperhatikan
proses fisik dan dinamika atmosfer (Giorgi et
al. 2001). Teknik ini menggunakan pemodelan
numerik untuk merefleksikan bagaimana pola
iklim global mempengaruhi kondisi iklim
lokal. Ilustrasi teknik dynamical downscaling
pada nodel iklim regional dapat dilihat pada
Gambar 1.

Gambar 1 Teknik Downscaling Model
Iklim Regional
(Sumber: www.waldwis sen.net)
Salah satu model yang dikembangkan
adalah Regional Climate Model Version 4
(RegCM4) oleh International Centre for
Theoretical Physics (ICTP) Italia. RegCM4
yang dibuat untuk dapat digunakan untuk
simulasi di seluruh belahan bumi dan tidak
dikhususkan pada suatu regional atau negara
tertentu, sehingga terdapat bias pada hasil
model simulasi. Model RegCM4 mempunyai
beberapa macam skema parameterisasi dengan
sistem perhitungan yang berbeda-beda sesuai
dengan asumsi-asumsi yang diberikan. Oleh
karena itu, perlu diketahui skema model
RegCM4 yang sesuai dengan karakteristik
iklim wilayah kajian.
Pengujian parameterisasi model yang
sesuai dengan karakteristik wilayah dapat
dilakukan dengan membandingkan beberapa
hasil simulasi dari beberapa skema di dalam
perangkat RegCM4 dengan data iklim hasil
observasi. Melalui pengujian, dapat diketahui

skema model dengan hasil simulasi yang lebih
mampu merepresentasikan karakteristik iklim
wilayah kajian.
Curah hujan adalah unsur iklim dan cuaca
yang paling fluktuatif dan bervariasi antar
wilayah iklim, bahkan antar regional.
Informasi curah hujan merupakan hal yang
sangat penting bagi berbagai bidang
kehidupan, seperti pertanian yang menentukan
pola musim tanam, bangunan, perikanan, dan
lain sebagainya. Curah hujan di Indonesia
sangat bervariasi, tetapi umumnya tinggi pada
bulan Desember, Januari, dan Februari, dan
rendah pada bulan Juni sampai Agustus (tipe
monsunal). Curah hujan juga bervariasi
terhadap waktu, antara lain musiman dan
intramusiman. Keragaman curah hujan
musiman dipengaruhi oleh posisi matahari
pada belahan bumi Utara dan Selatan yang
menyebabkan perbedaan penerimaan intensitas
radiasi matahari. hal tersebut kemudian
mengekibatkan perbedaan tekanan udara yang
cukup besar yang mampu mendorong
terjadinya sirkulasi udara skala luas yang
disebut monsun. Keragaman intramusiman
salah satunya dipengaruhi oleh fenomena MJO
yang menyebabkan anomali curah hujan yang
lebih tinggi dari normal (Zhang et al. 2009).
RegCM4 mempunyai empat macam
skema konveksi untuk simulasi parameter
curah hujan. Keempat skema tersebut
mempunyai pendekatan yang berbeda dalam
menentukan curah hujan (Giorgi et al. 2011).
Penelitian ini membandingkan curah hujan
hasil simulasi RegCM4 dengan curah hujan
obesevasi yang diwakili oleh hasil curah hujan
citra TRMM untuk melihat kemampuan model
menggambarkan keragaman curah hujan
musiman dan intramusiman (MJO) di
Indonesia. Kajian sensitivitas skema konveksi
model iklim regional RegCM4 untuk wilayah
Indonesia, dapat menghasilkan salah satu jenis
skema yang sesuai untuk merepresentasikan
karakteristik curah hujan Indonesia, khususnya
keragaman musiman dan intramusiman curah
hujan. Skema tersebut yang selanjutnya akan
digunakan untuk simulasi model RegCM4
pada kajian lain mengenai iklim Indonesia.
1.2. Tujuan
1. Menguji kemampuan skema konveksi
model iklim regional RegCM4 dalam
mensimulasi keragaman curah hujan
musiman dan intra musiman di Indonesia,
2. Menganalisis skema konveksi RegCM4
yang paling sesuai dengan karakteristik
iklim khususnya curah hujan di Indonesia.

2

II. TINJAUAN PUSTAKA
2.1. Model Iklim Regional RegCM4
RegCM4 dikembangkan oleh ICTP Italia.
RegCM4 telah diaplikasikan oleh sebagian
besar peneliti di bidang iklim untuk studi iklim
regional berupa paleo-klimatologi maupun
proyeksi iklim. RegCM4 didesain untuk dapat
digunakan secara umum, open source, mudah
digunakan, memiliki portable code, dan dapat
disimulasi-kan untuk seluruh wilayah belahan
Bumi. RegCM4 didukung oleh Regional
Climate Research Network (RegCNet),
jaringan peneliti model iklim regional yang
dikoordinir oleh departemen fisika bumi ICTP
Abdus Salam (Giorgi et al. 2006).
Perbedaan RegCM4 dari versi sebelumnya antara lain, algoritma model yang telah diupgrade secara penuh, sehingga meningkatkan
fleksibilitas, portabilitas, dan keramahan
terhadap pengguna. Selain itu, terdapat
penambahan skema fluks udara-lautan dan
Planetary Boundary Layer (PBL), jenis
penutupan lahan baru, penggabungan sistem
band tropis dan konveksi, serta modifikasi
skema transfer radiatif. RegCM4 menggunakan
hydrostatic version Mesoscale model Version 5
(MM5) yang mengatur grid horizontal angin
dan variabel termodinamika dengan timesplitting explicit, sehingga mengurangi waktu
yang dibutuhkan untuk simulasi. Perhitungan
nilai radiasi pada RegCM4 menggunakan
Community Climate Model version 3 (CCM3)
yang tidak hanya mampu menghitung efek gas
rumah kaca H2O, O3, O2, CO2 dan awan, tetapi
juga NO2, CH4, CFCs, aerosol, dan awan es.
Pendekatan δ-Eddington digunakan untuk
menentukan transfer radiatif matahari. Radiasi
awan ditentukan oleh 3 parameter, yaitu fraksi
penutupan awan, kandungan cloud liquid
water, dan radius butir hujan efektif.
Penggambaran radiasi awan dalam RegCM4
dimodifikasi
dengan
terlebih
dahulu
menghitung total penutupan awan, kemudian
menghitung fluks permukaan dari proporsi
langit cerah dan berawan pada grid. Asumsi
overlap acak digunakan dalam menentukan
total penutupan awan. Dan perbedaan yang
terakhir adalah
penambahan
spektrum
inframerah dalam perhitungan transfer radiatif
aerosol (Giorgi et al. 2006).
Skema Konveksi RegCM4
Konveksi, proses naiknya massa udara,
kemudian membentuk awan dan menghasilkan
hujan atau yang disebut dengan proses hujan
konveksi, di dalam model RegCM4 dihitung
menggunakan salah satu dari empat skema

yang tersedia. Keempat skema tersebut adalah
skema Kuo yang telah dimodifikasi oleh
Anthes (Anthes 1977), skema Grell (Grell
1993), menggunakan salah satu dari Grell AS
(Arakawa-Schubert, Arakawa dan Schubert
1974) atau Grell FC (Fritsch-Chappell, Fritsch
dan Chappel 1980), dan skema MIT yang
dikembang-kan oleh Emmanuel (Emmanuel
dan Zivkovic 1999).
1. Skema Kuo
Peristiwa konveksi di dalam skema Kuo
yang telah dimodifikasi (Anthes 1977) terjadi
ketika konvergensi lembab (M) kolom udara
melebihi ambang batas dan stabilitas atmosfer
tidak stabil. Fraksi udara lembab dikonversi
menjadi hujan (PCU) menggunakan persamaan
sebagai berikut,
PCU = M (1-β)
β adalah fungsi RH rata-rata (RHav) yang
nilainya sebesar 2(1-RHav) untuk RHav≥0.5 dan
1.0 untuk nilai RHav lainnya.
2. Skema Grell
Skema Grell (Grell 1993) menyatakan
bahwa awan sebagai sirkulasi dua persamaan
status, updraft dan downdraft. Fluks massa
konstan terhadap ketinggian dan tidak terdapat
penambahan maupun pelepasan massa udara di
pinggir awan. Ketinggian sesungguhnya dari
updraft dan downdraft berada pada maksimum
dan minimum energi udara lembab.
Kondensasi pada updraft dihitung dengan
menaikkan parsel udara jenuh. Persamaan
hujan pada skema Grell adalah,
PCU = I1 mb (1-β)
RegCM4 menggunakan asumsi pendekatan stabilitas, yaitu tipe FC80 yang secara
umum diimplementasikan pada model-model
GCM dan RCM dan AS74. Perbedaan dasar
dari kedua tipe tersebut adalah bahwa
pendekatan AS74 menghubungkan fluks
konvektif dan hujan terhadap kecenderungan
status atmosfer, sedangkan pendekatan FC80
menghubungkan fluks konvektif terhadap
derajat ketidakstabilan di atmosfer.
3. Skema MIT-Emmanuel
Skema MIT (Emmanuel dan Zivkovic
1999) mengasumsikan bahwa pen-campuran di
awan terjadi kadang-kadang dan tidak
homogen dan menyatakan bahwa fluks
konveksi berdasar pada model ideal sub-cloudscale updraft dan downdraft. Konveksi terjadi
ketika ketinggian gaya bouyan netral lebih
tinggi dari dasar awan. Awan yang terbentuk
diasumsikan bercampur dengan lingkungan
mengikuti spektrum seragam yang meningkat
atau menurun.
Skema MIT memiliki beberapa kelebihan
dibandingkan skema konveksi RegCM4

3

lainnya, antara lain formula yang dapat
mengkonversi langsung cloud water menjadi
presipitasi di dalam awan-awan kumulus.
Skema MIT adalah yang paling kompleks dan
menghasilkan lebih banyak presipitasi pada
wilayah daratan, terutama terjadinya presipitasi
tunggal yang sangat intensif. Skema Grell
menghasilkan nilai presipitasi yang rendah
pada lautan tropis. Penggabungan dua jenis
skema dalam simulasi dapat meningkatkan
performa model, misalnya menggunakan
skema MIT untuk lautan dan Grell untuk
wilayah daratan (Giorgi et al. 2011).
Proses konveksi dan pembentukan hujan
di setiap wilayah berbeda-beda, dipengaruhi
oleh letak lintang, sebaran daratan dan lautan,
serta topografi. Pendekatan proses konveksi
tidak sama hasilnya untuk setiap wilayah,
dalam arti lain, masing-masing skema
konveksi dapat memberikan hasil yang
berbeda-beda untuk wilyah kajian yang
berbeda. Oleh karena itu, diperlukan kajian
untuk mengetahui kesesuaian wilayah kajian
dengan skema konveksi yang akan digunakan
untuk simulasi. Penelitian terkait kajian
sensitivitas skema konveksi antara lain
dilakukan oleh Jie et al. (2007) menggunakan
RegCM3 di wilayah meridian Range Gorge,
China
Barat
Daya.
Kajian
tersebut
menunjukkan bahwa skema Kuo mampu
merepresentasikan curah hujan lebih baik pada
musim panas dibandingkan skema lainnya.
Sementara itu, pada bulan mei, skema GrellFC yang lebih mampu meng-gambarkan curah
hujan wilayah Range Gorge. Kemudian Zanis
et al. (2008) yang juga menguji kemampuan
model RegCM3 terhadap karakteristik iklim,
tetapi untuk wilayah Eropa.
2.2. MJO (Madden Julian Oscillation)
Osilasi Madden-Julian (Madden Julian
Oscillation, MJO) pertama kali ditemukan oleh
Roland Madden dan Paul Julian pada tahun
1971 dengan menganalisis data tekanan udara
selama 10 tahun di daerah Canton Island
(2.8°LS, 171.7° BB). Madden dan Julian
menemukan anomali angin zonal yang
bergerak dari Samudra Hindia ke Pasifik Barat
sampai Amerika Selatan dan berulang setiap
40-50 hari (Madden dan Julian 1994).
MJO ditujukan untuk osilasi atau aliran
udara yang berulang setiap 30-60 hari atau 4050 hari, bahkan sampai 90 hari di daerah tropis
(Gottschalk et al. 2010). MJO terjadi hampir di
seluruh troposfer wilayah tropis, tetapi lebih
terlihat di daerah Samudra Hindia dan Pasifik
Barat. Cakupan wilayah MJO diperlihatkan
pada Lampiran 2. Propagasi angin Baratan

pada peristiwa MJO disebabkan oleh pengaruh
gelombang Kelvin. MJO berdampak terhadap
keragaman kecepatan dan arah angin, suhu
permukaan laut, keawanan, dan curah hujan
(Zhang 2005).
Kejadian MJO dapat dideteksi dari nilai
Outgoing Longwave Radiation (OLR) yang
terukur pada sensor inframerah satelit.
Sebagian besar hujan di wilayah tropis terjadi
karena proses konveksi yang menghasilkan
jenis awan konveksi dengan suhu yang sangat
rendah pada puncaknya. Puncak awan
konveksi ini mengemisikan sedikit radiasi
gelombang panjang, sehingga keragaman OLR
dapat menunjukkan kejadian MJO, yaitu
tingginya penutupan awan akibat penambahan
uap air dari massa udara yang dibawa oleh
MJO (Zhang 2005).
Siklus MJO dapat dilihat dari nilai indeks
Realtime Multivariate MJO (RMM), yaitu
RMM 1 dan 2. RMM adalah nilai Empirical
Orthogonal Function (EOF) atau komponen
utama dari integrasi kecepatan angin zonal
pada ketinggian 200 hPa dan 850 hPa (data reanalisis NOAA) dengan OLR yang diukur dari
satelit NOAA berorbit polar. Integrasi kedua
parameter cuaca ini kemudian difilter menggunakan metode band-pass filter dengan
menghilangkan siklus selain 30-80 hari dan
merata-ratakan data dalam selang 120 hari.
Analisis komponen utama atau EOF dibuat
dari hasil filter dan mengambil EOF 1 dan 2
sebagai nilai indeks RMM 1 dan 2. RMM 1
mampu menjelaskan 12.8% keragaman data
dan RMM 2 12.2% (Wheeler dan Hendon
2004).

Gambar 2 Roadmap Fase MJO
(Sumber: Wheeler dan Hendon 2004)
Roadmap MJO merupakan hasil plot nilai
RMM 1 dan 2 pada tanggal tertentu yang

4

kemudian dihubungkan dengan garis sehingga
membentuk siklus. Roadmap MJO menunjukkan tempat kejadian MJO yang dibagi menjadi
8 fase (Gottschalk et al. 2010). Kedelapan fase
tersebut menunjukkan wilayah yang dilewati
MJO, yaitu Samudra Hindia untuk fase 2 dan
3, Benua Maritim fase 4 dan 5, Pasifik Barat
fase 6 dan 7, dan belahan Bumi bagian Barat
serta Afrika untuk fase 1 dan 8 (Gambar 2).
Lingkaran di tengah diagram adalah posisi
MJO lemah, apabila garis semakin jauh dari
pusat diagram, maka pengaruh MJO semakin
kuat di daerah tersebut. Roadmap MJO untuk
tahun 1998 dan 1999 per tiga bulan disajikan
di dalam Lampiran 3.
MJO mempengaruhi keragaman curah
hujan di wilayah yang dilaluinya. Aliran massa
udara MJO membawa uap air yang meningkatkan keawanan, sehingga menghasilkan anomali
curah hujan yang lebih tinggi dari curah hujan
normal (Zhang et al. 2009). Pergerakan MJO
dari fase 1 sampai 8 diperlihatkan pada
Gambar 3 (Gottschalck et al. 2010).
Indonesia termasuk di dalam fase ke 4
dan ke 5 MJO, yaitu pada nilai indeks RMM 1
positif dan positif atau negatif untuk indeks
RMM 2. Nilai indeks RMM 2 negatif

menunjukkan terjadinya MJO pada fase 4 yaitu
wilayah Indonesia bagian Barat, dan positif
pada fase 5 yaitu Indonesia bagian Timur.
Namun, kejadian MJO fase 3 dan 6 juga
masih berpengaruh terhadap keragaman curah
hujan di Indonesia.
Pengaruh MJO terhadap curah hujan
dapat dilihat dari nilai curah hujan yang lebih
tinggi dari normal pada time series curah
hujan. Data curah hujan dapat diperoleh dari
satelit maupun hasil simulasi model.
Kemampuan hasil simulasi model menangkap
anomali curah hujan seperti MJO juga
menentukan kualitas model dalam menggambarkan karakteristik iklim wilayah yang
dikaji, khususnya curah hujan. Simulasi model
iklim dalam mendeteksi MJO antara lain
dilakukan oleh Kim et al. (2009) dan
Subrahmanian et al. (2011). Kim et al. (2009)
menggunakan hasil simulasi 8 jenis GCM, 3
AOGCM, dan 5 uncoupled GCM untuk
mendeteksi adanya sinyal MJO pada time
series curah hujan. Sementara Subramanian et
al. (2011), menggunakan hasil curah hujan
Community Climate System Model 4 (CCSM4)
dalam analisis kejadian MJO di wilayah tropis
(Samudra Hindia hingga Samudra Pasifik).

Gambar 3 Fase MJO 1 Sampai 8
(Sumber: Gottschalck et al. 2010)

5

2.3. Produk TRMM 3B42
Produk TRMM 3B42 digunakan sebagai
pengganti untuk data curah hujan harian.
Penggantian curah hujan observasi stasiun
pengamat permukaan dengan curah hujan
TRMM dilakukan karena keterbatasan data
curah hujan harian stasiun pengamat di
permukaan baik secara spasial maupun time
series. Sebaran stasiun pengamatan hujan di
permukaan terlalu sedikit untuk mewakili
seluruh wilayah Indonesia. Produk TRMM
3B42 yang berupa data grid berukuran 0.25° x
0.25° dapat menghasilkan nilai curah hujan
harian yang mewakili wilayah seluas 28 km 2
dengan sebaran yang merata untuk seluruh
wilayah Indonesia.
Satelit Tropical Rainfall Measuring
Mission (TRMM) memiliki 5 sensor utama
yaitu Visible Infrared Scanner (VIRS) untuk
pemantauan liputan awan, jenis awan dan
temperatur puncak awan. Sensor VIRS
mengestimasi curah hujan dari ketinggian dan
karakteristik awan dan mampu menjelaskan
distribusi hujan secara 3 dimensi. Sensor
TRMM Microwave Imager (TMI) yang hasil
ekstraksinya berupa data integrated column
precipitation content, cloud liquid water, cloud
ice, intensitas hujan (rain intensity), dan tipe
hujan (rain type), hujan stratiform atau hujan
konvektif. Sensor TMI mampu dengan baik
mengukur nilai curah hujan di lautan, tetapi

hasilnya kurang baik untuk pengukuran di
daratan. Sensor Precipitation Radar (PR)
meningkatkan akurasi sensor TMI dengan
menambahkan informasi struktur hujan,
sehingga dapat mengukur presipitasi di atas
daratan sebaik di atas lautan. Sensor PR juga
dapat digunakan untuk menentukan kedalaman
lapisan presipitasi. Kemudian sensor Lightning
Imaging Sensor (LIS) dan Clouds and Earth’s
Radiant Energy System (CERES).
Satelit
TRMM
merupakan
hasil
kerjasama dua badan antariksa nasional, yaitu
Amerika Serikat (National Aeronautics and
Space Administration, NASA) dan Jepang
(Japan Aerospace Exploration Agency,
JAXA). Satelit ini berorbit polar (nonsunsynchronous) dengan sudut inklinasi 35º
terhadap ekuator dan berada pada ketinggian
orbit 403 km.
Produk TRMM 3B42 yang digunakan
adalah curah hujan harian dalam bentuk data
grid yang mempunyai resolusi 0.25° x 0.25°.
Cakupan wilayah pengukuran antara 50° LU 50°LS dan 180°BT - 180°BB, visualisasi
cakupan wilayah citra TRMM disajikan pada
Lampiran 4. Produk TRMM 3B42 adalah hasil
integrasi ekstraksi citra ketiga sensor TRMM
(VIRS, TMI, dan PR) dengan Infra-Red Data
dan Global Precipitation Index (GPI)
(Huffman et al. 2007). Algoritma produk
TRMM dapat dilihat pada Gambar 4.

Gambar 4 Diagram Alir Algoritma Produk TRMM
(Sumber: http://daac.gsfc.nasa.gov/precipitation/TRMMREADME/TRMM3B42 readme.shtml)

6

Berdasarkan sistem pengukuran dan
algoritma ekstraksi produknya, curah hujan
TRMM dapat dianggap sebagai hasil
pengukuran observasi. Validasi curah hujan
TRMM telah banyak dilakukan oleh penelitipeneliti di dunia, diantaranya oleh Nicholson et
al. (2003). Nicholson melakukan validasi
produk curah hujan TRMM dengan data highdensity rain-gauge untuk wilayah Afrika Barat.
Pada kajian curah hujan musiman di
Afrika Barat, Nicholson et al. (2003)
menunjukkan bahwa per-bandingan data gauge
dengan TRMM-merged products seperti 3B42
dan 3B43 memiliki perbedaan nilai yang kecil,
yaitu 0.5 mm/hari pada 15 piksel dari 40 piksel
wilayah yang dikaji, dan berbeda 1 mm/hari
hanya pada 5 piksel. Pada bulan Agustus yang
merupakan bulan dengan curah hujan tertinggi
di Afrika, produk TRMM gabungan cenderung
menduga curah hujan lebih tinggi dari data
gauge. Tetapi, perbedaan antara hasil curah
hujan TRMM dan data gauge hanya terdapat
pada 12 piksel wilayah kajian. Nilai koefisien
korelasi (r) pada regresi linier dari plot produk
TRMM gabungan dengan data gauge adalah
95% untuk musiman dan 97% untuk bulan
Agustus (Nicholson et al. 2003).
Produk TRMM 3B42 juga telah banyak
digunakan untuk pengujian model iklim dan
analisis MJO, antara lain dilakukan oleh Jiang
et al. (2009) dan Hidayat dan Kizu (2009).
Jiang et al. (2009) menggunakan hasil curah
hujan TRMM sebagai referensi untuk dua
estimasi panas laten yang berbeda dan estimasi
pemanasan radiatif. Kajiannya juga menguji
hasil prediksi dua versi European Centre for
Medium-range Weather Forecasts (ECMWF).
Sementara Hidayat dan Kizu (2009),
melakukan kajian pengaruh MJO terhadap
keragaman curah hujan di Indonesia pada
musim hujan (austral summer).

4.

SST (SST oi_wk) dari NOAA
(http://www.esrl.noaa. gov). Data ini
memiliki resolusi 1° x 1° mencakup 89.5°
LU – 89.5° LS dan 0.5° BT – 359.5° BT
(Reynolds et al. 2002). Kemudian data
NCEP/NCAR Re-analysis Project Versi 1
(NNRP 1), yang juga diperoleh dari
NOAA (http://www.esrl. noaa.gov). Data
NNRP1 berisi data kondisi udara,
kelembaban relatif, kecepatan angin
zonal, kecepatan angin meridional, dan
kecepatan angin titik. Data NNRP1
mempunyai dimensi pengukuran 4 kali
sehari dengan resolusi 2.5° x 2.5°,
wilayah data antara 90° LU – 90° LS dan
0° BT – 357.5° BT (Kalnay et al. 1996).
Selain kedua data tersebut, dibutuhkan
data permukaan seperti data DEM, dan
lain sebagainya. Data-data input model
RegCM4 dapat diperoleh di website ICTP
http://climadods.ictp.it/data/ d4.
Citra satelit TRMM 3B42 tahun 1998 dan
1999. Produk TRMM 3B42 adalah grid
harian yang mempunyai resolusi spasial
0.25° x 0.25°, dengan cakupan
pengamatan data 50° LU - 50° LS dan
180° BT - 180° BB (Huffman et al.
2007). Cakupan wilayah pengukuran citra
TRMM diperlihatkan pada Lampiran 4.
Citra TRMM berekstensi HDF dan
netCDF, dapat diperoleh di http://www.
mirador.gsfc. nasa.gov,
Data Realtime Multivariate MJO (RMM)
1 dan 2 tahun 1998 dan 1999, dapat
diperoleh di website http://cawcr.gov.au/
staff/mwheeler/maproom/RMM/. RMM
1 dan 2 merupakan dua komponen utama
(PC) dari kombinasi kecepatan angin
zonal pada ketinggian 850 hPa dan 200
hPa hasil reanalisis NCEP/NCAR serta
data Outgoing Longwave Radiation
(OLR) yang diukur oleh satelit NOAA
berorbit polar dengan menghilangkan
pengaruh siklus tahunan dan komponen
interannual variability, sehingga hanya
tersisa time series yang menunjukkan
siklus intra-musiman MJO (20 sampai 90
hari) (Wheeler dan Hendon 2004).
Peta Indonesia dalam bentuk shapefile,

1.
2.
3.
4.
5.
6.

Peralatan yang digunakan antara lain:
Model RegCM4,
Perangkat lunak Grads (openGrads 2.0)
Ms. Excel 2007,
Matlab R2008b,
NCL (NCAR Command Language),
ArcGIS 9.3,

2.

3.

III. METODOLOGI
3.1. Waktu dan Tempat
Penelitian dilaksanakan pada bulan
Februari sampai Juni tahun 2012 bertempat di
Laboratorium
Klimatologi
Departemen
Geofisika dan Meteorologi IPB Dramaga dan
Center for Climate Risk and Opportunity
Management in Southeast Asia and Pacific
(CCROM-SEAP) IPB Baranangsiang.
3.2. Data dan Peralatan
Data yang digunakan berupa:
1. Data masukan model RegCM 4 tahun
1998 dan 1999 berupa data SST
mingguan Optimum Interpolation Weekly

7

3.3. Metode
1. Ekstraksi citra TRMM untuk mendapatkan time series harian curah hujan di
Indonesia tahun 1998 sampai 1999.
2. Simulasi model RegCM4
2.1 Pra-proses Simulasi
Tahapan pra-proses simulasi terdiri
dari penyiapan data untuk simulasi yaitu,
a. Pengaturan Simulasi
Inisialisasi parameter dilakukan
pada tahapan ini, di dalam file (.in)
yang terdapat di folder Bin.
Inisialisasi tersebut antara lain
penentuan dimensi domain, yaitu
jumlah grid x, y, z. Jumlah grid x
(Barat-Timur) 224, y (Utara-Selatan)
104, dan jumlah grid vertikal (z) 18.
Simulasi menggunakan proyeksi
normal Mercator, dengan resolusi
spasial 30 km. Domain mempunyai
pusat di lintang 2.5° LS dan bujur
118.5° BT. Waktu simulasi mulai
tanggal 1 Januari 1998 sampai 31
Desember 1999, dengan hanya
mengubah parameter fisik konveksi
yaitu skema MIT dan Grell-FC,
parameter lainnya mengikuti default
(Lampiran 1).
b. Pembuatan file domain (Lampiran 5)
menggunakan terrain,
c. Pembuatan file SST menggunakan
program sst,
d. Pembuatan
file
ICBC
(Initial
Condition, Boundary Condition)
File ICBC merupakan integrasi
dari file-file input yang resolusinya
telah disamakan. File ini selanjutnya
digunakan sebagai input di dalam
proses simulasi. Setiap file ICBC
memuat data per 6 jam selama 1
bulan.
2.2 Proses Simulasi
Simulasi dilakukan menggunakan 4
prosesor paralel. File output simulasi
terbagi dalam 5 jenis, yaitu ATM, SRF,
RAD, STS, dan SAV. Setiap file ATM
memuat data yang berisi kondisi atmosfer
seperti suhu, tekanan udara, kecepatan
angin zonal dan meridional pada 18
ketinggian, mixing ratio uap air, cloud
water mixing ratio, dan lain sebagainya
setiap 6 jam sekali selama sebulan. File
SRF memuat data per-3 jam selama
sebulan dari 24 variabel meteorologi
permukaan seperti suhu pada ketnggian 2
m, tekanan, kecepatan angin zonal dan
meridional pada ketinggian 10 m,
presipitasi dan evapotranspirasi total, dan

3.

4.

5.

6.

7.

kelembaban spesifik. File RAD memuat
informasi fluks radiasi. File STS (daily
statistical output) merupakan hasil data
harian dari pengolahan statistik file-file
lainnya, yaitu tekanan permukaan, suhu
maksimum dan minimum permukaan,
suhu maksimum, minimum, dan rata-rata
pada
ketinggian
2m,
presipitasi
maksimum dan rata-rata. File SAV
menyimpan riwayat simulasi sebelumnya
untuk menjalankan kembali atau merestart simulasi yang terhenti sebelum
proses
selesai.
Penelitian
ini
menggunakan file STS sebagai data hasil
keluaran model RegCM4.
Pengolahan data time series harian
TRMM, MIT, dan Grell tahun 1998-1999
menjadi curah hujan musiman DJF
(Desember Januari Februari), MAM
(Maret April Mei), JJA (Juni Juli
Agustus), dan SON (September Oktober
November),
Membuat peta distribusi curah hujan
musiman TRMM, MIT, dan Grell, serta
peta sebaran selisih antara TRMM-MIT
dan TRMM-Grell,
Menghitung persentase piksel per rentang
selisih curah hujan dari peta sebaran
selisih curah hujan musiman.
Melakukan analisis pola tipe curah hujan
di Indonesia (monsunal, ekuatorial, dan
lokal) (http://www.bmkg.go.id). Analisis
dilakukan dengan cara mengambil 3
stasiun yang mewakili masing-masing
wilayah tipe curah hujan (stasiun Bandara
Soekarno-Hatta, stasiun Pontianak, dan
stasiun Ternate) dari hasil curah hujan
TRMM dan hasil model MIT dan Grell
tahun 1998 dan 1999,
Pengolahan data untuk analisis keragaman intra- musiman curah hujan meliputi,
a. Membuat analisis komponen utama
(Principal Component Analysis, PCA)
data TRMM dan hasil model (MIT
dan Grell),
Principal Component Analysis
(PCA)
dapat
menyederhanakan
dimensi data yang mempunyai keterkaitan antar variabel (inter-korelasi)
dalam jumlah besar dengan sebanyak
mungkin keragaman, menjadi seri
data baru. Data yang baru ini
mewakili keragaman-keragaman data
yang sebelumnya dan tidak saling
berkorelasi. Kemampuan masingmasing komponen utama (PC) dalam
menjelaskan pengaruh keragaman
data ditunjukkan oleh rasio nilai

8

eigenvalue masing-masing mode
terhadap nilai total eigenvalue (dalam
persen). PC 1 biasanya menjelaskan
60% dari keragaman data, dan
semakin menurun untuk PC selanjutnya (Johnson 2002, Wilks 2006, Dool
2007). Penelitian ini menggunakan
nilai PC 1 sampai 5 sebagai
pembanding dengan indeks RMM
dalam analisis kasus MJO.
b. Normalisasi data RMM, TRMM,
MIT, dan Grell,
c. Memfilter data normalisasi TRMM,
MIT, dan Grell.
Memfilter data menggunakan
metode band-pass filter dengan menghilangkan frekuensi siklus selain
MJO, yaitu 30 sampai 80 hari, dan
merata-rata data dalam selang 120
hari. Penggunaan band-pas filter ini
disesuaikan dengan pemfilteran dalam
pembuatan indeks RMM 1 dan 2 oleh
Wheeler (Wheeler dan Hendon 2004).
Penyesuaian metode pemfilteran ini
bertujuan untuk memudahkan dalam
melihat kecocokan respon (curah
hujan TRMM, MIT, dan Grell)
terhadap sinyal MJO (membandingkan dengan indeks RMM). Metode
band-pass filter digunakan untuk
menahan frekuensi data pada selang
yang dibutuhkan dan menghilangkan
frekuensi di bawah maupun di atas
selang. Ilustrasi band-pass filter dapat
dilihat pada Gambar 5.

Nilai koefisien korelasi Pearson
(r) berkisar antara -1 sampai 1. Nilai 1 (1) menunjukkan keeratan sempurna
negatif (positif). Semakin tinggi nilai
korelasi menunjukkan kemampuan
model yang semakin baik (Wilks
2006).
b. RMSE (Root Mean Square Error)
RMSE atau disebut juga residual
adalah error dari hasil prediksi terhadap nilai yang sebenarnya. RMSE
dihitung menggunakan persamaan
berikut,

Keterangan :
xoi= Nilai yang sebenarnya (observasi)
xpi= Nilai dugaan
Semakin kecil nilai RMSE
menunjukkan model yang menghasilkan prediksi yang semakin baik
(Wilks 2006).
c. Standar deviasi
Analisis kesesuain PCA TRMM
dengan PCA MIT dan Grell. Hasil PC
TRMM yang paling sesuai dengan
indeks RMM kemudian digunakan
sebagai referensi untuk melihat kesesuaian hasil MIT dan Grell terhadap
fase MJO.

IV. HASIL DAN PEMBAHASAN

Gambar 5 Ilustrasi Metode Band-pass Filter
(http://zone.ni.com)
8.

Analisis kesesuaian indeks MJO dan PCA
TRMM menggunakan analisis korelasi,
RMSE, dan standar deviasi,
a. Korelasi
Korelasi menunjukkan nilai keeratan diantara dua variabel. Analisis
korelasi dihitung dengan metode
korelasi Pearson dengan persamaan
sebagai berikut,

4.1. Analisis Pola Musiman Curah Hujan
Hasil Model terhadap Observasi
Keragaman curah hujan musiman di
Indonesia, dibagi ke dalam 4 musim, yaitu DJF
(Desember-Januari-Februari) yang merupakan
musim basah, kemudian MAM (Maret-AprilMei) musim peralihan basah ke kering, JJA
(Juni-Juli-Agustus) yang merupakan musim
kering, dan musim peralihan dari kering ke
basah, SON (September-Oktober-November).
Sebaran curah hujan berbeda-beda untuk
keempat musim tersebut. Fluktuasi musiman
curah hujan di Indonesia sangat dipengaruhi
oleh sirkulasi monsun.

9

Gambar 6 Peta Sebaran Curah Hujan Musiman DJF TRMM, MIT, dan Grell

10

Sebaran curah hujan observasi pada
musim DJF berkisar antara 500-1000 mm.
Daerah dengan curah hujan melebihi rata-rata,
yaitu 1000-1500 mm tersebar di daerah tipe
monsunal seperti Papua, Jawa Tengah,
Sumatra Selatan, sebagian kecil Kalimantan,
dan Sulawesi (Gambar 6). Pola sebaran curah
hujan hasil model MIT berbeda dari observasi
pada musim DJF. MIT menghasilkan curah
hujan dengan rentang yang sangat tinggi, 0
sampai lebih dari 2000 mm. Curah hujan
musiman yang tinggi (>2000 mm) tersebar di
wilayah datran tinggi seperti di bagian Barat
Pulau Sumatra, Sulawesi, daerah pegunungan
es di Papua, dan sebagian kecil di Kalimantan
dan Jawa. Variasi curah hujan antar wilayah
pada MITjuga sangat tinggi, terlihat di wilayah
Pulau Jawa dan Sulawesi. Terdapat beberapa
wilayah yang mempunyai curah hujan sangat
tinggi yaitu di sekitar puncak gunung dan
wilayah dengan curah hujan sangat rendah di
sepanjang pantai.

Hasil skema Grell musim DJF juga
menunjukkan sebaran curah hujan yang
berbeda dari observasi. Curah hujan Grell ratarata berkisar antara 0 sampai 500 mm. Sebaran
curah hujan yang lebih tinggi berada di
wilayah pantai, sedangkan curah hujan yang
rendah berada pada daratan yang jauh dari laut,
seperti yang terlihat di wilayah Pulau Sumatra.
Rentang nilai curah hujan musiman untuk hasil
skema Grell juga sangat tinggi. Terdapat
beberapa data pencilan dengan nilai curah
hujan melebihi 1500 mm di ujung Timur Pulau
Jawa hingga Nusa Tenggara.
Berdasarkan pola persebarannya, skema
MIT terlihat lebih sensitif terhadap topografi.
Hal ini ditunjukkan oleh curah hujan yang
rendah pada daerah pantai dan meningkat
menuju daerah dataran tinggi, sesuai dengan
pendekatan yang digunakan pada skema MIT
di dalam menentukan curah hujan.

Gambar 7 Peta Sebaran Selisih Curah Hujan Musiman DJF MIT-TRMM dan Grell-TRMM

11

Tabel 1 Persentase Jumlah Piksel Per Rentang Selisih Curah Hujan Musiman
Rentang
Selisih
1000

DJF
1.6
24.0
32.2
32.6
9.7

MIT - TRMM (%)
MAM
JJA
2.2
1.9
25.6
24.7
38.7
43.0
24.7
23.0
8.9
6.5

Pada skema MIT, Cloud water dapat
dikonversi langsung menjadi presipitasi pada
awan-awan kumulus, sehingga lebih banyak
curah hujan yang terjadi, terutama pada daerah
dataran tinggi yang merupakan daerah pemusatan awan kumulus oleh efek orografis. Pada
asumsi skema MIT, awan yang terbentuk
bercampur dengan lingkungan dan mengikuti
pergerakannya yang meningkat maupun
menurun. Oleh karena itu, curah hujan
cenderung rendah pada daerah pantai.
Sebaliknya, Grell tidak terlalu dipengaruhi
oleh topografi dalam pendugaan curah hujan.
Skema Grell adalah default di dalam model
iklim regional RegCM4 untuk daerah lintang
tengah yang berupa daratan luas dan topografi
yang lebih homogen, sehingga kurang sesuai
untuk daratan maritim tropis seperti Indonesia.
Walaupun mempunyai sebaran curah
hujan yang berbeda dengan observasi,
mempunyai rentang curah hujan yang sangat
tinggi, dan sensitif terhadap topografi, skema
MIT lebih mampu menggambarkan keragaman
curah hujan musiman di Indonesia dibandingkan skema Grell. Pola sebaran curah hujan
MIT lebih mendekati pola observasi daripada
Grell terhadap observasi.
Peta musiman curah hujan MAM, JJA,
dan SON (Lampiran 6) jug

Dokumen yang terkait

Evaluasi Skema Konveksi dalam Model Iklim Regional RegCM4 untuk Simulasi Keragaman Curah Hujan Musiman dan Intra Musiman di Indonesia