3.4 Metode Penelitian
Penelitian ini dilakukan melalui tiga tahapan yaitu pengumpulan, pengolahan, serta
analisis data. 3.4.1 Metode Pengumpulan Data
a. Pengumpulan Data
Curah Hujan Permukaan
Data curah hujan permukaan yang
digunakan merupakan data curah hujan yang berasal dari stasiun pengamatan hujan milik
BMKG. Data curah hujan dengan resolusi temporal harian dari tahun 1998-2003.
b. Pengumpulan Data Curah Hujan GSMaP
Data GSMaP yang digunakan adalah data GSMaP MWR dengan resolusi temporal 1
bulan, yang berisi informasi intensitas hujan mmbulan selama 108 bulan 1998-2006
dengan format data berupa plain binary little- endian. Data hujan bulanan ini berbentuk grid
dengan resolusi spasial sebesar 0.25
o
x0.25
o
. 3.4.2
Metode Pengolahan Data a.
Pengolahan data GSMaP
Data GSMaP MWR mempunyai format plain binary little endian. Data ini perlu
diubah ke format ASCII. Langkah awal untuk pemrosesan data GSMaP adalah melakukan
konversi terhadap koordinat geografis bujur dan lintang dari daerah kajian kedalam
format grid x,y. Hal ini dapat dilakukan dengan mengetahui dimensi dari data tersebut,
antara lain: total grid x,y,z, kordinat awal dan akhir data, serta resolusi spasial dan
temporal.
Selanjutnya mengkonversi
koordinat geografis wilayah kajian kedalam koordinat grid dengan rumus:
i=Lon- iLonΔLon+1
1 j=iLat-
LatΔLat+1
2 di mana i dan j merupakan koordinat grid
dalam arah bujur dan lintang, Lon dan Lat adalah koordinat geografis wilayah kajian.
iLon dan iLat adalah koordinat awal dari data GSMaP MWR dalam format koordinat
geografis.
ΔLon dan ΔLat adalah resolusi spasial dari data GSMaP MWR dalam derajat
degree. Langkah selanjutnya adalah mengolah data
GSMaP MWR
menggunakan Gfortran
compiler untuk menghasilkan keluaran dalam format ASCII yang berisi informasi waktu
pengamatan tanggal dan bulan, nilai rata- rata dan simpangan baku curah hujan, serta
jumlah grid data yang diolah.
b. Pola Spasial dan Temporal Curah Hujan di Papua
Pola spasial curah hujan diperoleh dengan menggunakan GrADS Grid Analysis and
Display System. GrADS adalah perangkat lunak untuk analisis data atmosfer yang
dikembangkan oleh COLA Center for Ocean - Land - Atmosphere Studies dan dapat
diperoleh
secara bebas
pada situs:
http:grads.iges.orggrads. Resolusi, eror, dan tingkat keakuratan GrADS tergantung pada
data yang diolah. Langkah awal pengolahan data di GrADS
adalah memberi informasi mengenai data tersebut. Data yang digunakan adalah data
GSMaP. Informasi tersebut diperoleh melalui file descriptor .ctl untuk binary biasa. Untuk
file dengan format netcdf, informasi tentang data telah tersedia dalam file tersebut self
descriptor. Informasi yang dibutuhkan antara lain: nama file, nilai missing data, tipe data,
informasi jumlah grid total, koordinat awal, resolusi spasial dan temporal, serta variabel
data yang akan diolah dengan GrADS. Selanjutnya adalah menentukan koordinat
wilayah kajian serta fungsi apa saja yang akan dijalankan.
Metode lain yang digunakan untuk memperoleh pola spasial dan temporal curah
hujan adalah analisis Empirical Orthogonal Function EOF, yang merupakan suatu
metode untuk menganalisis pola spasial dan temporal dari beberapa variabel Bjornsson
Venegas 1997. Fungsi EOF memiliki beberapa atribut penting yang bersifat
orthogonal di dalam ruang dan memiliki koefisien dari fungsi yang berbeda yang juga
bersifat orthogonal dalam waktu. Dengan menggunakan EOF, kita dapat memperoleh
representasi kombinasi baru dari satu atau lebih karakteristik fisik pola anomali dari
beberapa variabel terpilih Barry Perry 1973 dalam Faqih 2003.
Langkah umum perhitungan EOF adalah sebagai berikut: Barry dan Perry 1973 dalam
Faqih 2003 1.
Data variabel yang digunakan dalam analisis diorganisir dalam bentuk data
matrik. 2.
Data matrik tersebut dikonversi dalam bentuk
matrik persegi
dengan menghitung nilai dari matrik kovarian
C. 3.
Dari matrik kovarian C dicari nilai eigenvalue
i dengan 1 ≥ 2≥ ........≥ p dan juga ditentukan nilai
eigenvector a1, a2, ......ap yang berhubungan. Nilai i menyatakan
varian dan a1 adalah koefisien dari komponen utama ke-i.
4. Jika
dimungkinkan nilai
dari eigenvector diinterpretasikan dalam
hubungan vektor.
3.4.3 Metode Analisis Data a. Evaluasi Data GSMaP
Perbandingan data GSMaP dengan data curah hujan permukaan dilakukan untuk
mengetahui nilai kualitas data GSMaP dalam menduga curah hujan. Penentuan nilai kualitas
data dilakukan secara kuantitatif dengan menggunakan parameter-parameter statistika,
antara lain: 1.
Standar Deviasi Simpangan
baku standar
deviasi menunjukkan standar penyimpangan data
terhadap nilai rata-ratanya. Rumus standar deviasi adalah:
σ = 3
dimana x adalah nilai data pengamatan, adalah nilai rata-rata hitung, dan N adalah
jumlah total data. 2.
Koefisien Korelasi Nilai koefisien korelasi menunjukkan
tingkat keeratan hubungan antara dua variabel yang belum tentu menyatakan
hubungan sebab akibat.
4 3.
Root Mean Square Error RMSE RMSE digunakan untuk mengukur tingkat
akurasi hasil prakiraan suatu model dalam hal ini pendugaan curah hujan GSMaP.
RMSE merupakan
ukuran besarnya
kesalahan yang dihasilkan oleh suatu model prakiraan. Nilai RMSE yang rendah
menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model prakiraan
mendekati variasi nilai observasinya.
RMSE = 5
Perbandingan data GSMaP dan curah hujan
permukaan dilakukan
dengan menggunakan empat buah grafik sebagai
visualisasi yaitu grafik batang, garis, dan scatterplot. Langkah sebelumnya adalah
mengkonversi data curah hujan harian yang diperoleh dari BMKG menjadi curah hujan
bulanan. Selanjutnya data GSMaP dan curah hujan permukaan diplotkan berdasarkan deret
waktu. Pola temporal curah hujan di Papua dapat
diketahui dengan membuat grafik time series dari data curah hujan GSMaP yang sudah
dalam format ASCII. Curah hujan GSMaP tahun 1998-2006 dikelompokkan setiap bulan,
dari
bulan Januari
hingga Desember.
Selanjutnya mencari akumulasi curah hujan setiap bulannya dengan menggunakan rumus:
CH
sumi
6 dengan CH
sumi
adalah total nilai curah hujan bulan ke-i tahun 1998-2006, i adalah bulan,
dan j adalah tahun. Curah hujan dikelompokkan menjadi
empat periode, yakni periode basah pada bulan DJF Desember, Januari, Februari,
periode peralihan basah ke kering pada bulan MAM Maret, April, Mei, periode kering
pada bulan JJA Juni, Juli, Agustus, dan periode peralihan kering ke basah pada bulan
SON
September, Oktober,
November. Selanjutnya membandingkan kondisi hujan
keempat periode tersebut pada tahun normal, El Nino, dan La Nina untuk mengetahui
pengaruh ENSO terhadap kondisi hujan di Papua. Penentuan tahun ENSO dilakukan
dengan teknik running mean NOAA. El Nino terjadi apabila rata-rata indeks Nino 3.4 pada
dua bulan sebelum dan dua bulan sesudah bernilai 0.4 lebih dari enam bulan berturut-
turut. Sedangkan La Nina terjadi apabila running mean kurang dari -0.4 selama 6 bulan
berturut-turut. b.
Transformasi Wavelet untuk Analisis Variabilitas Curah Hujan
Analisis koherensi antara curah hujan GSMaP dengan SOI dan Nino 3.4 bertujuan
untuk melihat seberapa besar pengaruh kedua indikator ENSO tersebut terhadap curah hujan
di Papua. Analisis ini dilakukan dengan menggunakan transformasi wavelet. Metode
ini digunakan untuk menganalisis mode variabilitas
dominan dan
bagaimana variasinya
terhadap waktu
dengan mendekomposisikan deret waktu ke dalam
domain frekuensi waktu Torrence dan Compo 1998. Penelitian ini menggunakan
CWT Continous Wavelet Transform, yang dapat menganalisis osilasi sesaat dan bersifat
lokal dalam deret waktu, dan dapat digunakan untuk melihat hubungan yang ada antara dua
deret waktu, apakah daerah-daerah dalam domain frekuensi waktu memiliki hubungan
fase yang konsisten. Selanjutnya dapat diduga bagaimana interaksi kedua deret waktu
tersebut Grinsted et al 2004. CWT dari deret