Wilayah Kajian METODOLOGI PENELITIAN

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