Joomla Templates and Joomla Extensions by JoomlaVision.Com
Joomla Templates and Joomla Extensions by JoomlaVision.Com
Penentuan Panjang Pengamatan Data Curah Hujan Untuk Menggambarkan Kondisi Iklim Di Lima Wilayah Indonesia PDF Cetak E-mail
Oleh Administrator   
Senin, 11 Januari 2010 22:02

PENENTUAN PANJANG PENGAMATAN DATA CURAH HUJAN UNTUK MENGGAMBARKAN KONDISI IKLIM DI LIMA WILAYAH INDONESIA

Oleh:

Popi Rejekiningrum

Abstrak

Sistem penyimpanan data yang baik sangat diperlukan untuk bisa (i) meletakkan data pengamatan yang sedang berjalan ke dalam kontek data historis dan (ii) mendokumentasikan kondisi iklim pada suatu kondisi khusus misalnya saat berlangsung fenomena ENSO dan lain-lain. Ketersediaan sistem untuk mengakses data iklim sangat diperlukan agar semua pihak yang berkepentingan dapat memanfaatkan data untuk berbagai keperluan analisis. WMO menyarankan minimum diperlukan panjang pengamatan data iklim sekitar 30 tahun untuk dapat menggambarkan kondisi iklim Metode cepat untuk menentukan panjang minimum data yang diperlukan (Y) untuk suatu analisis ialah dengan menggunakan rumus regresi linear Y=(4.30t*log(R))2 + 6. Data yang digunakan adalah data curah hujan dari stasiun hujan/iklim yang mewakili pola monsunal yaitu stasiun BMG Jakarta, Talang Betutu Sumsel, dan Mauhau NTT dan pola ekuatorial yaitu stasiun Kendari Sultra dan Pontianak Kalbar. Hasil analisis menunjukkan bahwa pada wilayah yang lebih kering dan pada bulan-bulan kering (musim kemarau) memerlukan panjang data yang relatif panjang dibandingkan bulan-bulan basah (musim hujan). Hal yang sama juga terjadi pada hujan musiman dimana hujan musiman pada bulan-bulan kering (JJA dan SON) memerlukan panjang data yang relatif lebih panjang dibandingkan DJF dan MAM untuk menggambarkan kondisi iklim di wilayah tersebut.

PENDAHULUAN

?

Informasi sumberdaya iklim sangat diperlukan dalam perencanaan danpengembangan pertanian karena iklim merupakan faktor penentu sistem produksi pertanian yang paling sulit dikendalikan.

Selama ini data iklim dapat diperoleh secara cuma-cuma, sehingga seolah-olah tidak mempunyai nilai ekonomi. Sementara itu pengadaan data iklim memerlukan biaya yang sangat besar baik untuk pengadaan alat, pengamatan, dan pengamatan datanya. Banyaknya stasiun iklim yang masih manual merupakan salah satu faktor penyebab meningkatnya biaya pengumpulan data iklim dan keterlambatan (lag) ketersediannya. Untuk itu modernisasi peralatan iklim termasuk cara pengamatan, penampilan, dan pengiriman melalui otomatisasi merupakan tahapan pertama yang perlu dilakukan untuk meningkatkan kuantitas, kualitas, dan kontinyuitas data menurut ruang dan waktu.

Untuk menjamin suatu analisis klimatologi yang baik dibutuhkan data yang lengkap dan berkualitas. Kelengkapan dan kualitas data tergantung pada jumlah parameter yang diamati, panjang serial data yang dikumpulkan, dan kualitas stasiun beserta peralatan dan kemampuan pengamatannya.

Informasi historis tentang iklim yang akurat akan sangat membantu dalam menduga perubahan dan penyimpangan iklim. Selain itu dengan memperoleh gambaran tentang keadaan cuaca di masa datang keragaan dan hasil tanaman dapat diperkirakan

Lebih lanjut dalam pemanfaatan data iklim seringkali dibatasi oleh jumlah (skala ruang) maupun mutu data yang digunakan (skala waktu). Dalam skala ruang karena terbatasnya jumlah stasiun iklim terutama di luar pulau Jawa sedangkan dalam skala waktu disebabkan mutu data yang kurang baik (kurang lengkap dan tidak berkualitas) sehingga tidak jarang dalam usaha menampilkan informasi iklim yang lengkap dilakukan pendugaan data menggunakan beberapa metode. Supaya dihasilkan data yang lebih akurat yang menggambarkan kondisi iklim di suatu wilayah, maka dilakukan analisis panjang data minimum untuk lima stasiun hujan/iklim yang terdapat di: (1) BMG Jakarta, (2) Talang Betutu Palembang, (3) Pontianak (milik BMG), (4) Waingapu (Kupang), dan (5) Kendari (Sultra).

DATA DAN INFORMASI IKLIM

Identifikasi dan interpretasi serta pendugaan terhadap iklim dan cuaca hanya dimungkinkan jika tersedia data dan atau informasi berbagai unsurnya. Keragaman dan fluktuasi iklim/cuaca bersifat temporal dan spasial dengan pola tertentu. Untuk mendapatkan gambaran yang lebih mendekati keadaan sebenarnya dibutuhkan perulangan data dan informasi sebanyak-banyaknya. Ketersediaan dan mutu data iklim hanya diperoleh melalui pengamatan secara teratur dan berkelanjutan pada tempat yang mewakili, waktu yang tepat dan menggunakan alat klimatologi yang tepat guna pula, baik jumlah maupun jenis / deskripsi alat yang digunakan (Las dan Bey, 1990).

Dalam pemanfaatan data dan informasi iklim seringkali terjadi keterbatasan jumlah dan mutu data yang digunakan, baik skala ruang (spatial) dan skala waktu (temporal). Tidak jarang dalam usaha menampilkan informasi historis tentang cuaca yang lengkap dan kerap pada akhirnya dilakukan pendugaan dan pembangkitan (generate) data. Pendugaan data biasanya didasarkan pada kondisi fisik suatu wilayah atau didasarkan pada keterkaitan antara peubah cuaca yang satu dengan peubah lainnya. Bahkan dalam keadaan yang sangat memaksa bahkan untuk mendapatkan informasi iklim di suatu daerah kadang-kadang harus menggunakan data dari stasiun lain yang berdekatan. Dalam hal demikian, maka perlu dipertimbangkan representativitas satu stasiun dapat mewakili suatu wilayah atau terkait dengan stasiun-stasiun lainnya.

Secara umum ketersediaan data iklim di Indonesia dibatasi oleh penyebaran stasiun, lama dan panjang data hasil pengamatan, jenis data yang tersedia serta kualitas dan kelengkapan data. Penyebaran stasiun iklim di Indonesia umumnya terkonsentrasi di Pulau Jawa dengan ketersediaan dan kualitas data yang lebih baik dibandingkan dengan di luar Jawa.. Dari sekitar 4000-5000 stasiun hujan di Indonesia, 3000 diantaranya terdapat di Pulau Jawa. Hampir semua wilayah di luar pulau Jawa terdapat ketidakseimbangan antara jumlah stasiun pengamat dengan luas wilayah, selain itu juga ketersediaan dari hasil pengamatan pada periode yang singkat.

Menurut Rejekiningrum et al. (2003) sebaran stasiun di Pulau Jawa paling rapat dibandingkan pulau lainnya dengan kerapatan stasiun 3,5 stasiun/1000 km2. Umumnya stasiun hujan/iklim yang ada sekrang, hanya sebagian yang mempunyai rekaman data yang baik dan cukup panjang. Jumlah dan kerapatan stasiun hujan/iklim pada masing-masing pulau/wilayah disajikan pada Tabel 1.

Tabel 1. Jumlah dan kerapatan stasiun hujan/iklim di masing-masing pulau di Indonesia

Nomor

Nama Pulau/Wilayah

Luas wilayah (km2)

Jumlah stasiun

Kerapatan stasiun/1000 km2

1

Sumatera

480.847

266

0,55

2

Jawa

127.569

455

3,57

3

Kalimantan

574.194

163

0,28

4

Sulawesi

191.671

159

0,83

5

Bali dan Nusa Tenggara

73.137

114

1,56

6

Maluku

77.870

32

0,41

7

Papua

365.466

122

0,33

Menurut WMO (1995) untuk dapat menggambarkan kondisi iklim suatu wilayah maka diperlukan pengamatan iklim normal? yang mengacu pada perhitungan aritmatik. WMO menetapkan tigapuluh tahun yang cukup panjang untuk menghapuskan variasi data tahun demi tahun. Jadi periode standar klimatologi WMO untuk perhitungan normal adalah "rata-rata data klimatologi yang dihitung untuk periode yang berurutan dari 30 tahun yaitu: 1 Januari 1901 sampai 31 Desember 1930, 1 Januari 1931. Lebih lanjut WMO mengartikan normal adalah perhitungan rata-rata aritmatik untuk masing-masing bulan dari tahun dari data harian. Untuk memenuhi persyaratan, data iklim harus memenuhi aturan sebagai berikut: "Jika lebih dari 3 nilai-nilai harian berurutan hilang atau lebih dari nilai 5 harian secara keseluruhan pada bulan yang bersangkutan hilang, rata-rata bulanan tidak harus dihitung dan rata-rata tahunan-bulanan berarti harus dipertimbangkan dari nilai yang hilang." Ini adalah dikenal sebagai aturan " 3/5". Untuk perhitungan total hujan dan degree-days tidak boleh ada data harian yang hilang. Aturan" 3/5" juga diberlakukan pada banyaknya rata-rata bulanan atau nilai-nilai total dalam periode 30 tahun. Sebagai contoh, untuk memenuhi standar WMO untuk nilai normal dari suatu unsur bulanan, seperti jumlah hujan normal pada bulan Mei, harus tidak mempunyai lebih dari 3 data berurutan, atau 5 data dalam total nilai hujan yang hilang dalam sembarang bulan Mei antara tahun 1971-2000 (www.climate.weatheroffice.ec.gc.ca/climate_normals/climate_info_e.html - 13k -).

Menurut Masika, RS, KMD (2001), dalam pengelolaan data, terdapat suatu cara untuk melakukan quality control yang terdiri dari serangkaian uji yang didesain untuk memastikan bahwa data cuaca dan iklim mempunyai standar tertentu. Dengan kata lain quality control menyiratkan pencarian kesalahan data. Kesalahan ini berkisar pada permasalahan media penyimpanan untuk data hilang dan inhomogenitas data. Dengan luasnya keragaman dalam permasalahan kualitas data, maka tidaklah mengherankan bahwa banyak teknik telah dikembangkan untuk mengidentifikasinya. Akan tetapi sungguh tidaklah diinginkan bahwa tidak ada metodologi quality control yang standar. Sehingga diharapkan untuk masa depan beberapa sumber daya mempunyai peluang untuk menemukan beberapa hal dalam mengaplikasikan prosedur quality control. (www.wmo.ch/web/wcp/clips2001/modules/data_quality_control.pdf).


BAHAN DAN METODE

Bahan

Bahan yang digunakan adalah data curah hujan bulanan di lima stasiun hujan/iklim yang mewakili kondisi wilayah yang berbeda. Adapun stasiun hujan/iklim yang digunakan dalam analisis disajikan pada Tabel 2.

Tabel 2. Nama stasiun hujan/iklim yang digunakan untuk analisis

No.

Nama stasiun

Lokasi stasiun

Posisi geografi

Ketinggian

(m dpl)

Tahun pengamatan

Periode data yang diuji (tahun)

1

BMG

DKI Jakarta

06.10 S ? 106.49 E

27

1970-1997

28

2

Talang Betutu

Palembang

02.54 S ? 104. 42 E

11

1971-1997

26

3

Pontianak

Pontianak, Kalbar

00.51 N ? 109.20E

3

1977-1999

22

4

Mauhau

Waingapu, NTT

09.01 S ? 120.005 E

10

1975-2005

30

5

Kendari

Kendari, Sultra

04.06 S - 122.26 E

50

1971-1996

20

Metode

Metode analisis yang digunakan dalam penentuan panjang data minimum adalah menggunakan regresi linear. Menurut Boer (1995) metode regresi adalah merupakan metode statistik yang sering digunakan dalam berbagai bidang ilmu termasuk klimatologi.

Tahapan analisis yang dilakukan adalah: (1) Pengumpulan data hujan/iklim bulanan periode 20-30 tahun, (2) Melakukan penataan data dalam bulanan, musiman, dan musim hujan dan musim kemarau, (3) Melakukan analisis data.

Adapun parameter yang diuji adalah curah hujan yang dinyatakan dalam bentuk curah hujan bulanan (Januari-Desember), Musiman (DJF, MAM, JJA, dan SON), dan musim hujan (Oktober-Maret) serta musim kemarau (April-September). Analisis dilakukan dengan menggunakan rumus sebagai berikut:

tahap analisis

Dimana:

Y = panjang data minimum

t = nilai tabel statistik t pada tingkat nyata 90% dengan derajat bebas (Y-6)

R = rasio antara curah hujan dengan periode ulang 100 tahun dan 2 tahun (Xc100/Xc2)

Langkah-langkah analisis:

? Mengurutkan data (data sort) dari tertinggi sampai terendah untuk memperoleh nilai Xc100 dan Xc2, data yang tertinggi diberi nomor urut 1 dan terendah nomor urut n, maka peluang terjadinya hujan yang tingginya minimal sama dengan nilai normor urut 1 ialah 1/(n+1), untuk nomor urut 2 ialah 2/(n+1) dst. Jadi persamaan umum peluang curah hujan paling kecil sama dengan x mm ialah:

? P(X>=x)=m/(n+1), dimana m ialah nomor urut dan n jumlah data dan periode ulangnya (T)=1/P(X>=x)

? Melakukan plotting antara nilai log(1/P) dengan curah hujan dan menggunakan garis peluang untuk menghitung nilai Xc100 dan Xc2.

? Memasukkan semua parameter analisis dalam persamaan parameter analisis

HASIL DAN PEMBAHASAN

Pada Tabel 3 -7 disajikan rekapitulasi hasil analisis penentuan panjang minimum data curah hujan.

Tabel 3. Hasil analisis penentuan panjang minimum data di stasiun Talang Betutu Palembang

No

Periode

Persamaan Linear

R2

Persamaan panjang minimum data

Panjang data

data asal

data minimum untuk analisis

1

Januari

Y = 273 X + 95

0,95

Y = (4.3*1.725*log(3.6))2+6

26

23

2

Februari

Y = 324 X + 106

0,97

Y = (4.3*1.725*log(3.7))2+6

26

24

3

Maret

Y = 175 X + 241

0,98

Y = (4.3*1.725*log(2.0))2+6

26

11

4

April

Y = 292 X + 138

0,84

Y = (4.3*1.725*log(3.2))2+6

26

20

5

Mei

Y = 241 X + 70

0,89

Y = (4.3*1.725*log(3.9))2+6

26

25

6

Juni

Y = 195 X + 39

0,92

Y = (4.3*1.725*log(4.4))2+6

26

29

7

Juli

Y = 171 X + 32

0,83

Y = (4.3*1.725*log(4.5))2+6

26

29

8

Agustus

Y = 173 X + 10

0,95

Y = (4.3*1.725*log(5.8))2+6

26

38

9

September

Y = 272 X + 9

0,98

Y = (4.3*1.725*log(6.1))2+6

26

40

10

Oktober

Y = 286 X + 72

0,82

Y = (4.3*1.725*log(4.1))2+6

26

26

11

Nopember

Y = 302 X + 156

0,90

Y = (4.3*1.725*log(3.1))2+6

26

19

12

Desember

Y = 282 X + 165

0,89

Y = (4.3*1.725*log(2.9))2+6

26

18

13

DJF

Y = 554 X + 498

0,89

Y = (4.3*1.725*log(2.4))2+6

26

14

14

MAM

Y = 432 X + 562

0,79

Y = (4.3*1.725*log(2.1))2+6

26

11

15

JJA

Y = 331 X + 165

0,72

Y = (4.3*1.725*log(3.1))2+6

26

19

16

SON

Y = 564 X + 359

0,72

Y = (4.3*1.725*log(2.8))2+6

26

17

17

Musim Hujan

Y = 635 X + 1246

0,76

Y = (4.3*1.725*log(1.8))2+6

26

9

18

Musim Kemarau

Y = 760 X + 536

0,80

Y = (4.3*1.725*log(2.7))2+6

26

16

Tabel 4. Hasil analisis penentuan panjang minimum data di stasiun BMG Jakarta

No

Periode

Persamaan Linear

R2

Persamaan panjang minimum data

Panjang data

data asal

data minimum untuk analisis

1

Januari

Y = 365 X + 252

0,93

Y = (4.3*1.717*log(2.7))2+6

28

16

2

Februari

Y = 417 X + 129

0,96

Y = (4.3*1.717*log(3.8)) 2+6

28

24

3

Maret

Y = 272 X + 115

0,95

Y = (4.3*1.717*log(3.3)) 2+6

28

21

4

April

Y = 167 X + 67

0,97

Y = (4.3*1.717*log(3.4))2+6

28

22

5

Mei

Y = 138 X + 65

0,85

Y = (4.3*1.717*log(3.2))2+6

28

20

6

Juni

Y = 158 X + 17

0,94

Y = (4.3*1.717*log(5.2))2+6

28

34

7

Juli

Y = 112 X + 11

0,89

Y = (4.3*1.717*log(5.3))2+6

28

35

8

Agustus

Y = 207 X - 12

0,98

Y = (4.3*1.717*log(8.0))2+6

28

51

9

September

Y = 143 X - 3

0,97

Y = (4.3*1.717*log(7.0))2+6

28

45

10

Oktober

Y = 243 X + 13

0,97

Y = (4.3*1.717*log(5.8))2+6

28

38

11

Nopember

Y = 175 X + 57

0,93

Y = (4.3*1.717*log(3.7))2+6

28

24

12

Desember

Y = 241 X + 106

0,92

Y = (4.3*1.717*log(3.3))2+6

28

21

13

DJF

Y = 625 X + 651

0,94

Y = (4.3*1.717*log(2.3)) 2+6

28

13

14

MAM

Y = 352 X + 338

0,88

Y = (4.3*1.717*log(2.3))2+6

28

13

15

JJA

Y = 292 X + 90

0,89

Y = (4.3*1.717*log(3.8))2+6

28

24

16

SON

Y = 354 X + 151

0,85

Y = (4.3*1.717*log(3.3))2+6

28

21

17

Musim Hujan

Y = 775 X + 1056

0,89

Y = (4.3*1.717*log(2.0))2+6

28

11

18

Musim Kemarau

Y = 416 X + 352

0,82

Y = (4.3*1.717*log(2.5))2+6

28

14

Tabel 5. Hasil analisis penentuan panjang minimum data di stasiun Pontianak

No

Periode

Persamaan Linear

R2

Persamaan panjang minimum data

Panjang data

data asal

data minimum untuk analisis

1

Januari

Y = 329 X + 141

0,93

Y = (4.3*1.746*log(3.3))2+6

22

21

2

Februari

Y = 242 X + 106

0,91

Y = (4.3*1.746*log(3.3))2+6

22

21

3

Maret

Y = 297 X + 114

0,92

Y = (4.3*1.746*log(3.5))2+6

22

23

4

April

Y = 281 X + 155

0,95

Y = (4.3*1.746*log(3.0))2+6

22

19

5

Mei

Y = 299 X + 102

0,93

Y = (4.3*1.746*log(3.6))2+6

22

24

6

Juni

Y = 204 X + 104

0,93

Y = (4.3*1.746*log(3.1))2+6

22

20

7

Juli

Y = 284 X + 73

0,84

Y = (4.3*1.746*log(4.0))2+6

22

27

8

Agustus

Y = 345 X + 21

0,93

Y = (4.3*1.746*log(5.7))2+6

22

38

9

September

Y = 410 X + 65

0,91

Y = (4.3*1.746*log(4.7))2+6

22

31

10

Oktober

Y = 356 X + 141

0,98

Y = (4.3*1.746*log(3.4))2+6

22

22

11

Nopember

Y = 344 X + 189

0,95

Y = (4.3*1.746*log(3.0))2+6

22

19

12

Desember

Y = 340 X + 128

0,95

Y = (4.3*1.746*log(3.5))2+6

22

23

13

DJF

Y = 440 X + 566

0,76

Y = (4.3*1.746*log(2.1))2+6

22

12

14

MAM

Y = 628 X + 472

0,98

Y = (4.3*1.746*log(2.6))2+6

22

16

15

JJA

Y = 545 X + 315

0,89

Y = (4.3*1.746*log(2.9))2+6

22

18

16

SON

Y = 729 X + 549

0,92

Y = (4.3*1.746*log(2.6))2+6

22

16

17

Musim Hujan

Y = 792 X + 1271

0,86

Y = (4.3*1.746*log(1.9))2+6

22

10

18

Musim Kemarau

Y = 941 X + 877

0,91

Y = (4.3*1.746*log(2.4))2+6

22

14

Tabel 6. Hasil analisis penentuan panjang minimum data di stasiun Kendari

No

Periode

Persamaan Linear

R2

Persamaan panjang minimum data

Panjang data

data asal

data minimum untuk analisis

1

Januari

Y = 235 X + 85

0,91

Y = (4.3*1.761*log(3.6))2+6

20

24

2

Februari

Y = 243 X + 66

0,94

Y = (4.3*1.761*log(4.0))2+6

20

27

3

Maret

Y = 242 X + 143

0,98

Y = (4.3*1.761*log(2.9))2+6

20

18

4

April

Y = 250 X + 75

0,87

Y = (4.3*1.761*log(3.8))2+6

20

25

5

Mei

Y = 224 X + 114

0,98

Y = (4.3*1.761*log(3.1))2+6

20

20

6

Juni

Y = 374 X + 72

0,96

Y = (4.3*1.761*log(4.4))2+6

20

30

7

Juli

Y = 285 X + 43

0,90

Y = (4.3*1.761*log(4.8))2+6

20

32

8

Agustus

Y = 290 X - 28

0,95

Y = (4.3*1.761*log(9.4))2+6

20

60

9

September

Y = 332 X - 33

0,96

Y = (4.3*1.761*log(9.4))2+6

20

60

10

Oktober

Y = 186 X - 5

0,94

Y = (4.3*1.761*log(7.2))2+6

20

48

11

Nopember

Y =160 X + 25

0,94

Y = (4.3*1.761*log(4.7))2+6

20

32

12

Desember

Y = 225 X + 77

0,95

Y = (4.3*1.761*log(3.7))2+6

20

24

13

DJF

Y = 245 X + 412

0,91

Y = (4.3*1.761*log(1.9))2+6

20

10

14

MAM

Y = 498 X + 419

0,90

Y = (4.3*1.761*log(2.5))2+6

20

15

15

JJA

Y = 676 X + 196

0,90

Y = (4.3*1.761*log(3.9))2+6

20

26

16

SON

Y = 532 X + 47

0,95

Y = (4.3*1.761*log(5.4))2+6

20

37

17

Musim Hujan

Y = 473 X + 720

0,92

Y = (4.3*1.761*log(1.9))2+6

20

11

18

Musim Kemarau

Y = 954 X + 564

0,86

Y = (4.3*1.761*log(2.9))2+6

20

18

Tabel 7. Hasil analisis penentuan panjang minimum data di stasiun Mauhau Waingapu Nusa Tenggara Timur

No

Periode

Persamaan Linear

R2

Persamaan panjang minimum data

Panjang data

data asal

data minimum untuk analisis

1

Januari

Y = 202 X + 96

0,86

Y = (4.3*1.711*log(3.2))2+6

30

20

2

Februari

Y = 157 X + 105

0,79

Y = (4.3*1.711*log(2.8))2+6

30

16

3

Maret

Y = 216 X + 67

0,92

Y = (4.3*1.711*log(3.8))2+6

30

24

4

April

Y = 191 X + 9

0,99

Y = (4.3*1.711*log(5.9))2+6

30

38

5

Mei

Y = 120 X ? 20

0,92

Y = (4.3*1.711*log(13.8))2+6

30

76

6

Juni

Y = 109 X ? 23

0,79

Y = (4.3*1.711*log(19.8))2+

30

97

7

Juli

Y = 33 X ? 7

0,82

Y = (4.3*1.711*log(21.5))2+6

30

102

8

Agustus

Y = 13 X ? 3

0,69

Y = (4.3*1.711*log(27.9))2+6

30

119

9

September

Y = 6 X ? 1

0,77

Y = (4.3*1.711*log(25.7))2+6

30

114

10

Oktober

Y = 79 X ? 17

0,78

Y = (4.3*1.711*log(21.5))2+6

30

102

11

Nopember

Y = 124 X + 4

0,91

Y = (4.3*1.711*log(6.1))2+6

30

39

12

Desember

Y = 187 X + 67

0,95

Y = (4.3*1.711*log(3.6))2+6

30

23

13

DJF

Y = 414 X + 322

0,94

Y = (4.3*1.711*log(2.6))2+6

30

15

14

MAM

Y = 356 X + 125

0,95

Y = (4.3*1.711*log(3.6))2+6

30

23

15

JJA

Y = 137 X - 26

0,78

Y = (4.3*1.711*log(16.1))2+6

30

85

16

SON

Y = 170 X ? 1

0,98

Y = (4.3*1.711*log(6.8))2+6

30

43

17

Musim Hujan

Y = 521 X + 504

0,95

Y = (4.3*1.711*log(2.3))2+6

30

13

18

Musim Kemarau

Y = 356 X + 125

0,95

Y = (4.3*1.711*log(3.6))2+6

30

23

Pada Gambar 1 dan 5 menyajikan contoh kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P)).

?

Gambar 1.	Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada bulan Mei  di stasiun BMG Jakarta

Gambar 1. Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada bulan Mei di stasiun BMG Jakarta

?

?

Gambar 2.	Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada musim DJF di stasiun Talang Betutu Palembang

Gambar 2. Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada musim DJF di stasiun Talang Betutu Palembang

?

?

Gambar 3.	Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada bulan Januari  di stasiun Pontianak Kalimantan Barat

Gambar 3. Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada bulan Januari di stasiun Pontianak Kalimantan Barat

?

?

Gambar 4.	Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada musim kemarau di stasiun Kendari Sulawesi Tenggara

Gambar 4. Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) pada musim kemarau di stasiun Kendari Sulawesi Tenggara

?

Gambar 5.	Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) di pada bulan Desember di stasiun Mauhau Waingapu Nusa Tenggara Timur

Gambar 5. Kurva hubungan antara curah hujan dengan periode ulangnya (log (1/P) di pada bulan Desember di stasiun Mauhau Waingapu Nusa Tenggara Timur

?

Hasil analisis di stasiun Talang Betutu Palembang dengan panjang data 26 tahun dan BMG Jakarta yang mempunyai panjang data 28 tahun menunjukkan bahwa pada bulan Juni-Oktober diperlukan panjang data yang lebih panjang dari panjang data asal sehingga panjang data yang ada (28 tahun) masih belum memenuhi syarat untuk analisis. Sedangkan untuk bulan September-Mei panjang data sudah memenuhi syarat untuk analisis, hal ini juga terjadi saat musiman (DJF, MAM, JJA, SON) dan saat musim kemarau maupun musim hujan, panjang data yang ada sudah memenuhi syarat. Untuk stasiun Mauhau Waingapu yang mempunyai panjang data 30 tahun menunjukkan bahwa pada bulan April-Nopember diperlukan panjang data yang lebih panjang dari panjang data asal sehingga panjang data yag ada (30 tahun) masih belum memenuhi syarat untuk analisis, hal ini juga terjadi saat musiman JJA dan SON. Sedangkan pada bulan Januari-Maret, musiman (DJF dan MAM) dan saat musim kemarau maupun musim hujan, panjang data yang ada sudah memenuhi syarat. Hal ini disebabkan oleh saat bulan Juni-Oktober (untuk stasiun Talang Betutu dan BMG Jakarta) dan April-Nopember juga musimam (JJA dan SON) untuk stasiun Mauhau Waingapu mempunyai keragaman data yang besar sehingga untuk memenuhi sebaran normal memerlukan data yang lebih banyak. Untuk ketiga stasiun di atas (Talang Betutu, BMG Jakarta, dan Mauhau Waingapu) mempunyai pola hujan monsunal sehingga mempunyai pola dengan perulangan yang beraturan dengan sekali puncak hujan maksimum dan minimum. Sedangkan untuk stasiun Pontianak dan Kendari yang mempunyai panjang data masing-masing 22 dan 20 tahun, mempunyai pola hujan ekuatorial yaitu pola dengan perulangan yang tidak beraturan dengan dua kali puncak maksimum dan minimum, hal ini menunjukkan bahwa untuk stasiun Pontianak bulan Maret, Mei, Juli-September dan Desember diperlukan panjang data yang lebih panjang dari panjang data asal sehingga panjang data yang ada (22 tahun) masih belum memenuhi syarat untuk analisis, sedangkan untuk stasiun Kendari bulan Januari, April, Juni, Juli-Desember, JJA, dan SON juga diperlukan panjang data yang lebih panjang dari panjang data asal (20 tahun). Secara umum analisis menunjukkan bahwa untuk daerah yang sangat kering seperti di Waingapu ternyata keragaman data lebih besar sehingga diperlukan periode data yang panjang bisa sampai ratusan tahun terutama pada bulan kering untuk menormalkan data supaya memenuhi syarat untuk analisis. Hal ini sesuai dengan pernyataan Pashiardis (2001) bahwa untuk tahun basah diperlukan 30 tahun periode pengamatan, sedangkan untuk tahun-tahun kering perlu pengamatan selama 54 tahun untuk menjadi normal. Selanjutnya dinyatakan bahwa umumnya perlu periode data antara 1971-2000 sesuai dengan standar WMO untuk dapat menggambarkan kondisi iklim wilayah. Penelitian di Cyprus tentang penentuan penurunan hujan yang nampak sepanjang tahun dan jika dipusatkan selama bulan-bulan tertentu dengan hujan rata-rata bulanan telah ditentukan untuk yang duabelas bulan dalam setahun untuk periode masing-masing 1917-1970 dan 1971-2000 untuk semua daerah dan semua stasiun. Hasil analisis menunjukkan bahwa bentuk yang umum dari distribusi musiman dari hujan belum berubah secara nyata. Pada kedua periode (1917-1970 dan 1971-2000), rata-rata hujan bulanan dengan cepat meningkat menuju maksimum pada bulan Desember atau Januari dan menurun perlahan sepanjang musim gugur. Dan selanjutnya terjadi suatu penurunan curah hujan lebih perlahan sampai musim semi. Perbedaan antara rata-rata bulanan dari dua periode menunjukkan bahwa semakin besar penurunan curah hujan nampak di keduanya terjadi pada bulan lebih basah (Desember dan Januari).

Untuk menormalkan data perlu dilakukan analisis dengan log. Sedangkan untuk data musiman (triwulan maupun musim hujan dan kemarau) karena datanya lebih banyak merupakan akumulasi dari data bulanan sehingga menyebar normal, jadi agar memenuhi syarat untuk berbagai keperluan analisis cukup diperlukan panjang data yang tidak terlalu panjang. Salah satu ciri penting dari sebaran t-student untuk contoh yang berasal dari populasi normal yaitu komponen-komponennya tidak menunjukkan adanya hubungan. Untuk sebaran t-student apabila derajat bebas semakin besar maka sebaran bagi t semakin mendekati normal (Steel and Torrie, 1989).

Terakhir diperbarui Senin, 23 Januari 2012 17:38
 
Joomla Templates by JoomlaVision.com