Earthquake and Tsunami Research

Prosiding Seminar Tahunan Hasil-Hasil Penelitian dan Pengembangan Puslitbang BMKG Tahun 2012
APLIKASI MODEL CONFORMAL CUBIC ATMOSPHERIC MODEL

UNTUK PRAKIRAAN CUACA JANGKA PENDEK
MENGGUNAKAN MODEL OUTPUT STATISTIK
Hastuadi Harsa, Suratno, Restu Tresnawati, Wido Hanggoro, Sri Noviati
Pusat Penelitian dan Pengembangan BMKG
Jl. Angkasa I/No.2 Kemayoran, Jakarta 10720 INDONESIA
ABSTRAK
Penelitian ini mengkaji aplikasi model Conformal Cubic Atmospheric Model (CCAM) untuk
prakiraan cuaca jangka pendek menggunakan Model Output Statistik (MOS). Penelitian ini
merupakan kelanjutan dari penelitian yang sama tahun 2011 dengan menitik beratkan perbaikan
persamaan yang telah dihasilkan tahun 2011. Data input yang digunakan sama dengan data input
yang digunakan tahun 2011. Perbaikan persamaan dilakukan dengan menerapkan metode baru pada
pengolahan data input untuk model statistika yang sama dengan model statistika yang digunakan
tahun 2011. Model statistika lain juga digunakan pada penelitian ini, di antaranya Projection Pursuit
Regression (PPR), Sliced Inversion Regression (SIR), Kernel Sliced Inversion Regression (kSIR), dan
Regresi Logistik Ordinal (RLO). RLO digunakan untuk prediksi intensitas kejadian hujan. Hasil yang
didapat menunjukkan peningkatan performa MOS dibanding hasil yang didapat tahun 2011,
ditunjukkan dengan kombinasi nilai korelasi dan Root Mean Square Error (RMSE).
ABSTRACT
This study examines the application of Conformal Cubic Atmospheric Model (CCAM) for short-term
weather forecasts using Model Output Statistics (MOS). This study is a continuation of the same study
in 2011by focusing improvement of the equation that had been resulted in 2011. Input data are the
same input data used in 2011. Improvement of the equations are performed by applying new method
to the input data processing for statistical models similar to that used in 2011. Other statistical models
used in this study are Pursuit Regression (PPR), Sliced Inversion Regression (SIR), Kernel Regression
Sliced Inversion (kSIR), and Ordinal Logistic Regression (RLO). RLO is used to predict the intensity
of rainfall events. The results showed improved performance compared to the results obtained in
2011, indicated by the combination of correlation and Root Mean Square Error (RMSE) value.
PENDAHULUAN
Model Output Statistik (MOS) sangat
bermanfaat untuk menghasilkan prakiraan
cuaca jangka pendek. MOS dihasilkan dari
pemodelan statistik antara data output model
numerik prediksi cuaca / Numerical Wether
Prediction (NWP) dan data observasi. Model
statistik yang digunakan pada kegiatan ini
adalah Stepwise, Sliced Inversion Regression
(SIR), Kernel Sliced Inversion Regression
(kSIR), dan Regresi Logistik Ordinal.
Stepwise adalah metode regresi yang di
dalamnya terdapat proses pemilihan variabel
bebas. Variabel bebas yang dipilih oleh
Stepwise dalam menghasilkan persamaan
memenuhi kriteria korelasi tertinggi dan
signifikan terhadap variabel tak bebas,
sedangkan variabel bebas yang tidak memenuhi
syarat tidak digunakan untuk menghasilkan
persamaan regresi. Model Stepwise telah

digunakan tahun 2011. Pada kegiatan tahun
2012 Stepwise digunakan dengan modifikasi
pada pemakaian data input NWP.
Projection Pursuit Regression (PPR) adalah
metode regresi yang mereduksi dimensi peubah
asal menjadi peubah baru berdimensi lebih
kecil dari dimensi asal. Hal ini sama halnya
dengan Principal Component Analysis (PPA),
namun PPR menghasilkan model yang nonlinier, sehingga proses pendugaan modelnya
menggunakan fungsi kernel atau spline. PPR
bersifat non parametrik, sehingga tidak ketat
asumsi atau tidak memerlukan asumsi seperti
halnya pada model regresi parametrik. Selain
itu PPR berbasis data driven, yang berarti
modelnya mengikuti keadaan datanya. PPR
memiliki keuntungan dapat menduga lebih
banyak kelas fungsi, dan memiliki kekurangan
dalam intrepetasi model.
1
Sliced Inverse Regression (SIR) merupakan

metode yang dapat diterapkan pula dalam
pereduksian dimensi pada data berdimensi
tinggi. Metode ini digunakan pada bidang
statistika multivariate. Metode SIR melakukan
pereduksian dimensi varibel penjelas tanpa
melalui proses model-fitting, baik proses
parametrik maupun proses non-parametrik. Ide
dasar metode ini adalah meregresikan setiap
variabel penjelas terhadap variabel respon,
sehingga masalah pada serangkaian regresi
satu-dimensi dapat dikurangi.
Metode Kernel Sliced Regression (kSIR)
merupakan metode yang digunakan untuk
pereduksian dimensi (sama seperti halnya
metode SIR). Dalam penggunaannya, metode
kSIR melakukan proses transformasi pada data
sehingga hasil transformasi data lebih simetris
dan mengikuti sebaran Gaussian. Setelah data
ditransformasi, metode SIR diterapkan pada
data tersebut. Dengan kata lain, metode kSIR
merupakan perluasan metode SIR yang
menggunakan algoritma non-linier dan
merupakan metode yang powerful untuk
menyelesaikan permasalahan pengklasifikasian.
Tujuan kegiatan ini di antaranya adalah
menerapkan teknik baru untuk mendapatkan
persamaan pada model Stepwise yang
digunakan pada tahun 2011, menggunakan
model PPR untuk prediktor sama dengan
prediktan, menggunakan model SIR dan kSIR
untuk 20 prediktor pada prediktan sama dengan
prediktan PPR, dan menggunakan RLO untuk
prediktan kejadian hujan.
METODE PENELITIAN
Penerapan MOS tahun 2011 dan 2012 memiliki
kesamaan antara lain pada rentang data output
NWP dan data observasi, yaitu dari Januari
2009 sampai dengan Desember 2010.
Parameter prediktan dan prediktor sama untuk
penerapan MOS statistik Stepwise dan PPR
teknik 1, yaitu TMAX, TMIN, dan RH. Area data
output NWP yang digunakan tahun 2012 sama
dengan tahun 2011 yaitu Jawa. Data observasi
stasiun pengamatan BMKG sama dengan data
observasi tahun 2011, yaitu Jabodetabek.
Metode ekstraksi data di grid NWP sama
dengan ekstraksi data tahun 2011, yaitu
menggunakan 9 titik ketetanggaan.
Beberapa perbedaan dalam penerapan MOS
tahun 2011 dan 2012 di antaranya adalah pada
penggunaan model PPR dan RLO, di antara
delapan lokasi pemodelan, hanya digunakan

empat lokasi yaitu Cengkareng, Curug, Maritim
Tanjung Priok, dan Dermaga. Jumlah prediktor
pada penerapan model PPR teknik 2 dan RLO
lebih banyak, sebagaimana ditunjukkan pada
tabel 1.
Tabel 1.Variabel NWP Aplikasi CCAM yang
Digunakan
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Nama Variabel
Surface Pressure Tendency (dpsdt)
Water Mixing Ratio (mixr)
Vertical Velocity (omega)
PBL depth (pblh)
Surface Pressure (ps)
Mean Sea Level Pressure (psl)
Screen Mixing Ratio (qgscrn)
Relative Humidity (rh)
Precipitation (rnd)
Temperature
Maximum Screen Temperature (tmaxcr)
Minimum Screen Temperature (tmincr)
Pan Temperature (tpan)
Screen Temperature (tscrn)
Zonal Wind (u)
Friction Velocity (ustar)
Meridional Wind (v)
Geopotential Height (zg)
Level
Permukaan
1, 2, 4
1, 2, 4
Permukaan
Permukaan
Permukaan
Permukaan
1, 2, 4
Permukaan
1, 2, 4
Permukaan
Permukaan
Permukaan
Permukaan
1, 2, 4
Permukaan
1, 2, 4
1, 2, 4
Langkah pertama penerapan MOS pada data

NWP CCAM adalah dengan mengubah format
file output NWP yang bertipe NetCDF menjadi
bentuk teks. File teks yang didapat dibuat
dalam bentuk tabel, dengan kolom menyatakan
parameter dan baris menyatakan tanggal.
Dengan bentuk tabel tersebut, data numerik di
dalam file dapat langsung diolah menggunakan
aplikasi statistik seperti Excel, SPSS, maupun
Minitab. Aplikasi statistik sebagaimana
disebutkan sebelumnya, memiliki fungsi-fungsi
standar yang diperlukan sebagai bahan untuk
menerapkan teknik pemodelan statistik yang
digunakan. Pada intinya, persamaan akhir yang
dihasilkan oleh model statitistik merupakan
teknik modifikasi algoritmik dengan bahan
acuan hasil nilai statistika yang dihasilkan oleh
aplikasi statistik.
Dari hasil yang didapat tahun 2011, model
statistik yang tetap digunakan adalah Stepwise.
Pertimbangan penggunaan model statistik ini
adalah hasil vektor Root Mean Squared Error
(RMSE) dan korelasi Stepwise memberikan
nilai yang lebih dekat ke titik acuan
kesempurnaan model (nilai korelasi 1 dan nilai
RMSE 0). Pada kegiatan tahun 2012 ini, model
Stepwise digunakan dengan menerapkan teknik
yang berbeda dengan teknik yang digunakan
pada tahun 2011. Pada tahun 2011, persamaan
yang didapat berasal dari jam ke 25 model
2
NWP dan diterapkan pada jam prediksi

berikutnya. Pada tahun 2012 ini, jam ke 25
menggunakan model Stepwise yang dihasilkan
dari kegiatan tahun 2011, sedangkan masingmasing jam prediksi (49, 73, dan 97) memiliki
persamaan Stepwise sendiri. Persamaan
Stepwise pertama didapatkan dari output
CCAM jam 25, kemudian dari persamaan ini
dihasilkan output MOS jam prediksi 49. Dari
output MOS jam prediksi 49 ini, dihasilkan
persamaan Stepwise ke dua, dan digunakan
untuk menghasilkan output MOS jam prediksi
73. Dari output MOS jam prediksi 73
dihasilkan persamaan Stepwise ke tiga, dan
digunakan untuk menghasilkan output MOS
jam prediksi 97. Alur proses pengerjaan
Stepwise tahun 2011 dan 2012 ditunjukkan
pada gambar 1 dan 2.
Dari gambar 1 dan 2 terlihat perbedaan bahwa
pada tahun 2011, MOS menghasilkan satu
persamaan yang digunakan untuk seluruh jam
prediksi, sedangkan pada tahun 2012 MOS
menghasilkan tiga persamaan yang berbeda
untuk masing-masing jam prediksi. Parameter
prediktan dan prediktor yang digunakan pada
MOS 2012 sama dengan MOS 2011. Parameter
prediktan yang digunakan adalah T MAX, TMIN,
dan RH. Parameter prediktor yang digunakan
adalah sama untuk masing-masing parameter,
yaitu prediktor T MAX untuk prediktan TMAX,
prediktor TMIN untuk prediktanTMIN, dan
prediktor RH untuk prediktan RH.
Langkah awal penyusunan MOS dengan PPR
adalah menentukan banyaknya fungsi dalam
model PPR. Banyaknya fungsi ditentukan dari
simulasi m = 1, 2, 3, 4, dan 5. Selanjutnya
membangun model PPR berdasarkan data insample dengan simulasi banyak fungsi m = 1,
2, 3, 4, dan 5 dengan bentuk fungsi:
n2
Yi ) 2
(Yi
i 1
RMSEP
MAPE
n2
1
n2
n2
(2)
Yi
Yi
100%
Yi
i 1
Model MOS terbaik adalah model dengan

banyak fungsi yang memiliki nilai RMSEP dan
MAPE terkecil. Di samping itu dilakukan
validasi dengan percentage improment (%IM)
dengan tujuan mengukur pengkoreksian bias
model MOS terhadap model NWP. Semakin
tinggi nilai %IM semakin baik kinerja model
tersebut.
Pada penerapan SIR dan kSIR dengan 20
prediktor, digunakan kurva regresi invers untuk
menunjukkan analisis komponen utama
terboboti yang dapat mengidentifikasikan
reduksi dimensi yang efektif pada variabel
prediktor. Kernel sliced inverse regression
(kSIR) yang dikembangkan dari model SIR ini
berdasarkan pada pembentukan ruang kernel
Hilbert (reproducing kernel Hilbert Space/
RKHS) dan spesifikasi kernel Mercer. Telah
diteliti bahwa kernel Mercer dapat digunakan
untuk mengubah suatu pemetaan dari ruang
variabel prediktor menjadi suatu ruang Hilbert
yang berdimensi tak berhingga. Fungsi linear
dalam ruang Hilbert ini tidak linear dalam
ruang variabel prediktor aslinya.
OUTPUT CCAM
Data Observasi
t(25)
t(49)
t(73)
t(49)
yi
S m ( m X)
(1)
Variabel respon yaitu unsur cuaca suhu
minimum (TMIN), suhu maksimum (TMAX), dan
kelembapan (RH). Varibel prediktor yaitu
output NWP dengan parameter suhu minimum
(TMINSCR), suhu maksimum (T MAXSCR), dan
kelembapan (RHSCR). Data unsur cuaca dan
output NWP dibagi menjadi 2 bagian yaitu insample dan out-sample. Banyaknya in-sample
yaitu 90% dari data, sedangkan out-sample
sebanyak 10% dari data. Untuk mengevaluasi
kinerja MOS dengan PPR dilakukan validasi
model dengan kriteria RMSEP dan MAPE
dengan data out-sample.
Stepwise
m 1
OUTPUT MOS
t(25)
t(49)
t(73)
t(97)
Gambar 1. Alur proses pengerjaan Stepwise

tahun2011
OUTPUT CCAM
Data Observasi
t(25)
t(49)
t(73)
t(97)
Stepwise 2011
Stepwise
OUTPUT MOS
OUTPUT MOS
t(25)
t(49)
OUTPUT MOS
Stepwise
t(73)
OUTPUT MOS
Stepwise
t(97)
Gambar 2. Alur proses pengerjaan Stepwise tahun 2012
Pada penggunaan Model Regresi Logistik

Ordinal untuk Prediktan Kejadian Hujan,
variabel prediktor (independen) yang dapat
disertakan dalam model berupa data kategori
atau kontinu yang terdiri atas dua variabel atau
lebih. Model yang dapat dipakai untuk regresi
logistik ordinal adalah cumulative logit models.
Pada model logit ini sifat ordinal respon Y
dituangkan dalam peluang kumulatif. Curah
hujan dikategorikan menjadi lima kategori,
yaitu: cerah berawan (curah hujan 0.1
mm/hari), hujan ringan (0.1 < curah hujan 20
mm/hari), hujan sedang (20 < curah hujan 50
mm/hari), hujan lebat (50 < curah hujan 100
mm/hari), dan hujan lebat sekali (curah hujan >
100 mm/hari). Tahapan penyusunan MOS
dengan regresi logistik ordinal adalah sebagai
berikut:
(1) Mereduksi dimensi variabel prediktor
(grid) dengan menggunakan Principal
Component
Analysis
(PCA).
Menentukan jumlah komponen utama
yang dibangkitkan (dengan melihat
eigenvalue). Keragaman yang lebih dari
85% menunjukkan banyaknya komponen
utama yang terbentuk.
(2) Membagi data besar curah hujan dan
komponen utama yang terbentuk dari
output NWP menjadi data training dan
data testing. Banyaknya data training
yaitu 90% dari data, sedangkan data
testing sebanyak 10% dari data.
(3) Melakukan pemodelan MOS dengan
menggunakan model regresi logistik
ordinal
untuk
mengklasifikasikan
kejadian hujan, dengan langkah sebagai
berikut:
(i)
Menentukan model regresi logistik
multivariabel antara
variabel
respon dan variabel prediktor.
(ii)
Melakukan pengujian
secara
serentak dan parsial terhadap
model yang diperoleh.
(iii) Melakukan pemodelan ulang
menggunakan
variabel
yang
signifikan
dari
pemodelan
sebelumnya.
(iv) Melakukan uji kesesuain model
menggunakan Goodness of Fit
Test
(4) Mengukur ketepatan klasifikasi, dengan
menggunakan nilai APER.
HASIL DAN PEMBAHASAN
Persamaan Stepwise yang dihasilkan tahun
2012 ditunjukkan pada tabel 3.a. sampai dengan
3.h.Untuk mengetahui performa model, terlebih
dahulu dilakukan penghitungan RMSE dan
korelasi output MOS terhadap data observasi.
Setelah diketahui RMSE dan korelasinya,
dilakukan penghitungan jarak Euclidean vektor
RMSE dan korelasi terhadap titik acuan. Di
mana titik acuan tersebut merupakan titik
dengan RMSE nol dan korelasi satu. Proses ini
juga telah dilakukan pada kegiatan tahun 2011
yang lalu, sehingga dapat dijadikan acuan
pembanding performa model tahun 2011 dan
2012.
Proses selanjutnya adalah membandingkan
jarak Euclidean model tahun 2011 dan tahun
2012. Hal ini dilakukan dengan mengurangkan
jarak Euclidean model tahun 2012 dengan jarak
Euclidean tahun 2011. Apabila selisih jarak
Euclidean 2012 dan 2011 menghasilkan nilai
negatif, maka dapat dikatakan bahwa model
tahun 2012 lebih baik daripada model model
tahun 2011. Apabila selisih jarak Euclidean
2012 dan 2011 menghasilkan nilai positif, maka
4
dapat dikatakan bahwa model tahun 2012

mengalami penurunan performa dibanding
model model tahun 2011. Hasil lengkap
performa model ditunjukkan pada tabel 4. Pada
tabel tersebut warna hijau menunjukkan

peningkatan performa model, dan warna merah
menunjukkan penurunan performa model.
Tabel 2.a. Persamaan Stepwise 2012 Lokasi Kemayoran

KEMAYORAN
Parameter
Tmax
Tmin
RH
T
25
49
73
25
49
73
25
49
73
Persamaan
Y=8.591+0.793*X9
Y=12.594+0.666*X9
Y=14.469+1.121*X9-0.517*X5
Y=15.295+0.427*X3
Y=14.306+0.468*X3
Y=18.509+0.292*X3
Y=38.091+1.826*X3-1.320*X6
Y=27.551+0.625*X3
Y=39.634+1.489*X3-1.005*X5
Tabel 2.b. Persamaan Stepwise 2012 Lokasi Maritim Tanjung Priok

MARITIM TANJUNG PRIOK
Parameter
T
Persamaan
25 Y=11.616+0.376*X3+0.310*X6
Tmax
49 Y=15.283+0.949*X6-0.378*X4
73 Y=17.812+1.615*X6-1.132*X5
25 Y=16.314+1.130*X3-0.941*X2+0.200*X8
Tmin
49 Y=17.023+0.374*X3
73 Y=19.853+0.613*X3-0.359*X4
25 Y=28.272+0.322*X3+0.284*X7
RH
49 Y=24.492+0.659*X9
73 Y=33.674+1.344*X6-0.808*X4
Tabel 2.c. Persamaan Stepwise 2012 Lokasi Cengkareng

CENGKARENG
Parameter
Tmax
Tmin
RH
T
25
49
73
25
49
73
25
49
73
Persamaan
Y=9.163+0.760*X6
Y=9.021+0.512*X8+0.264*X3
Y=16.705+0.290*X6+0.224*X9
Y=16.787+0.912*X6-0.610*X1
Y=13.268+0.741*X6-0.286*X1
Y=17.122+0.681*X6-0.390*X1
Y=49.892+1.966*X1-1.565*X4
Y=39.145+0.527*X9
Y=40.263+0.509*X9
Tabel 2.d. Persamaan Stepwise 2012 Lokasi Pondok Betung

PONDOK BETUNG
Parameter
T
25
Tmax
49
73
25
Tmin
49
73
25
RH
49
73
Persamaan
Y=9.702+0.779X5
Y=13.248+1.103*X3-0.440*X5
Y=17.932+0.505*X4
Y=15.749+0.357*X2
Y=10.575+0.575*X5
Y=11.959+0.511*X3
Y=24.126+0.713*X4
Y=18.796+0.784*X4
Y=21.724+1.418*X6-0.675*X2
Tabel 2.e. Persamaan Stepwise 2012 Lokasi Curug

CURUG
Parameter
T
25
49
73
25
49
73
25
49
73
Tmax
Tmin
RH
Persamaan
Y=8.618+0.793*X3
Y=13.517+1.864*X3-1.231*X6
Y=14.550+0.590*X1
Y=13.068+2.042*X7-3.423*X8+1.831*X9
Y=9.904+1.800*X7-1.996*X8+0.774*X6
Y=10.709-1.320*X1+2.510*X4-0.994*X8+0.346*X3
Y=38.454+0.557*X3
Y=31.885+0.632*X6
Y=35.951+0.571*X1
Tabel 2.f. Persamaan Stepwise 2012 Lokasi Tangerang

TANGERANG
Parameter
Tmax
Tmin
RH
T
25
49
73
25
49
73
25
49
73
Persamaan
Y=8.688+0.464*X3+0.331*X9
Y=12.563+0.805*X3-2.571*X5+1.182*X9+1.257*X1
Y=19.125+1.152*X9-1.145*X8+0.440*X1
Y=14.206+0.412*X3
Y=12.068+0.506*X8
Y=15.850+0.340*X3
Y=39.993+1.344*X2-0.822*X6
Y=34.619+0.582*X2
Y=39.004+0.524*X3
Tabel 2.g. Persamaan Stepwise 2012 Lokasi Citeko

CITEKO
Parameter
Tmax
Tmin
RH
T
25
49
73
25
49
73
25
49
73
Persamaan
Y=5.018+0.724*X2
Y=8.938+1.169*X2-0.568*X7
Y=12.042+0.466*X9
Y=6.489-1.109*X5+1.223*X8+0.398*X1
Y=0.982+0.744X7
Y=1.360+0.725*X7
Y=20.411+1.245*X9-0.124*X3+2.979*X2-2.114*X5
Y=24.190+0.728*X1
Y=26.697+3.292*X2-1.676*X3-1.451*X1+0.553*X9
Tabel 2.h. Persamaan Stepwise 2012 Lokasi Dramaga

DARMAGA
Parameter
Tmax
Tmin
RH
T
25
49
73
25
49
73
25
49
73
Persamaan
Y=6.568+0.906*X3-0.423*X2+0.415*X7
Y=9.217+0.813*X3
Y=16.397+2.933*X9-2.796*X8+1.146*X3-2.579*X6+2.436*X5-0.610*X2
Y=12.002+0.462*X1
Y=5.673+0.797*X8+0.616*X3-0.658*X5
Y=7.814+0.387*X1+0.244*X8
Y=47.633+1.700*X5-0.547*X1-1.425*X8+0.782*X7
Y=41.093+0.593*X9-0.831*X1+0.807*X2
Y=47.891+0.562*X9-0.664*X1+0.576*X2
Merujuk pada warna yang terdapat pada sel

tabel 4. maka penggunaan persamaan yang
tepat dapat dilakukan, yaitu apakah tetap
menggunakan persamaan yang dihasilkan pada
kegiatan tahun 2011 atau menggunakan
persamaan baru yang dihasilkan pada kegiatan
tahun 2012.
Pada hasil model PPR dengan prediktor sama
dengan prediktan, reduksi dimensi grid NWP
dengan metode projection pursuit. Penentuan
banyak fungsi (m) berdasarkan optimalisasi
simulasi, diambil m=1,2,3,4, dan 5, dengan

kriteria RMSEP dan MAPE. Tabel 5.
menunjukkan bahwa secara umum banyak
fungsi dalam model berbanding lurus dengan
nilai RMSEP. Semakin banyak fungsi dalam
model akan menaikkan nilai RMSEP dan
MAPE. Sebagian besar jumlah fungsi (m)
adalah 1 sudah mencapai model yang optimum.
Sebagai ilustrasi pada Stasiun Tanjung Priok,
model MOS untuk TMIN mencapai RMSEP
minimum pada m=1, yaitu sebesar 0.791, untuk
6
TMAX saat m=3 sebesar 1.062, dan untuk RH

saat m=1 sebesar 5.335. Besarnya matriks km
yang memproyeksikan Xk untuk TMIN, TMAX,
dan RH, ditunjukkan pada table 6. Matriks ik
pada TMIN berukuran 1x27, karena m=1 dan
jumlah variabel prediktor sebanyakk 27.
Variabel NWP (Xk) diproyeksikan sepanjang
0.53 oleh matriks ik. Matriks ik pada TMAX
berukuran 3x27, sesuai dengan banyaknya
fungsi m=3 dan variabel prediktor sebanyak 27.
Vektor 1k memproyeksikan Xk sepanjang 1.06
saat m=1, pada fungsi kedua m=2 vektor 2k
memproyeksikan Xk sepanjang 0.25. Xk
diproyeksikan sepanjang 0.26 oleh vektor 3k
pada saat m=3. Matriks ik pada RH berukuran
1x27 memproyeksikan Xk sepanjang 3.933.
Matriks ik selanjutnya dikalikan dengan data
aktual akan menghasil fungsi proyeksi atau
variabel baru hasil reduksi. Pada data awal
TMIN, TMAX, dan RH masing-masing berukuran
nx27, setelah direduksi maka variabel-variabel
tersebut menjadi secara beurutan nx1, nx3, dan
nx1. Pada Penyusunan model MOS dengan
PPR, Setelah didapatkan variabel baru, langkah
selanjutnya adalah menyusun model MOS.
Model yang tersusun sesuai dengan banyak
fungsi yang terbentuk, seperti yang disajikan
pada Tabel 7.
NWP yang diukur berdasarkan skala global
seringkali bias terhadap keadaan cuaca
seungguhnya. Untuk mengetahui besarnya
Model Output Statistics (MOS) dapat
megkoreksi bias, dapat dilihat dari selisih
RMSEPNWP dengan RMSEPMOS dan %IM.
RMSEPNWP dihitung berdasarkan perbandingan
hasil ramalan NWP pada satu grid terdekat dari
stasiun pengamatan. RMSEPMOS merupakan
RMSEP model MOS terbaik untuk meramalkan
cuaca. %IM adalah ukuran besarnya MOS
dapat memperbaiki ramalan cuaca yang
dihasilkan oleh NWP. Tabel 8. menunjukkan
bahwa nilai RMSEP yang dihasilkan oleh
model NWP lebih besar daripada RMSEP yang
dihasilkan dari pemodelan MOS. Model MOS
dapat mengkoreksi bias hingga 86.09%. Hal
tersebut membuktikan bahwa MOS dapat
mengkoreksi bias yang dihasilkan model NWP,
yang ditunjukkan oleh nilai RMSEP model
MOS lebih kecil daripada model NWP. Untuk
mengetahui performa model MOS dapat juga
dilihat melalui plot antara data aktual observasi
dan data ramalan MOS. Gambar 3.a sampai
dengan 3.d menunjukkan bahwa hampir semua
lokasi penelitian untuk semua variabel respon
TMIN, TMAX, dan RH plot ramalan MOS
mengikuti pola observasi.
Pada hasil model SIR dengan 20 prediktor,

perbandingan kinerja masing-masing metode
reduksi dimensi ditunjukkan pada gambar 4, di
mana variabel respon T MAX, metode SIR
memberikan keragaman variabel baru pertama
yang lebih stabil dibandingkan dengan metode
PCA yaitu berada di atas 80% untuk setiap
variabel. Sementara metode PCA masih
memberikan keragaman PC1 di bawah 80%
untuk beberapa variabel. Pada umumnya
metode SIR memberikan keragaman yang lebih
besar daripada metode PCA. Di lain sisi,
metode kSIR mengungguli kedua metode
tersebut. Metode kSIR dapat memberikan
keragaman EDR-1 hampir 100% untuk setiap
variabel pada setiap variabel respon.
Kelemahan metode kSIR hanya terdapat pada
variabel zg level 1 di mana kSIR tidak dapat
menentukan nilai eigen dan tidak dapat
membentuk variabel baru.
Hasil reduksi dimensi dari masing-masing
metode digunakan untuk membentuk MOS
dengan menggunakan metode regresi stepwise.
Regresi stepwise merupakan metode regresi
yang dapat mengatasi masalah multikolinearitas
dengan melakukan seleksi forward backward
terhadap variabel prediktor yang akan masuk ke
dalam model regresi. Regresi stepwise
digunakan karena masih dimungkinkan terdapat
multikolinearitas antar variabel prediktor
setelah reduksi dimensi grid. Variabel prediktor
yang digunakan unuk membentuk MOS adalah
variabel baru hasil reduksi dimensi yang
memiliki keragaman kumulatif 85%. Sebagai
ilustrasi berikut, hasil MOS stepwise yang
terbentuk dari hasil reduksi dimensi masingmasing reduksi dimensi, pada Stasiun Tanjung
Priok disajikan pada Tabel 9.
Gambar 5. menunjukkan prediksi out-sample
masing-masing MOS, nilai observasi dan NWP
pada Stasiun Tanjung Priok. Gambar 5.
menunjukkan bahwa untuk variabel respon
TMAX dan TMIN, NWP memberikan nilai yang
jauh dari nilai observasi. Hal ini menunjukkan
bahwa prediksi NWP bias sehingga perlu
dilakukan proses lebih lanjut. Setelah MOS
dibentuk dari luaran NWP, secara visual
terlihat bahwa hasil prediksi MOS dengan
ketiga metode reduksi dimensi sudah mendekati
nilai observasi. Hal ini mengindikasikan bahwa
MOS sudah dapat mengurangi bias NWP.
Untuk mengevaluasi ketepatan antara nilai
prediksi out-sample masing-masing MOS,
digunakan kriteria RMSEP. Semakin kecil nilai
7
RMSEP yang dihasilkan oleh MOS, maka nilai

prediksi out-sample MOS tersebut semakin
mendekati nilai observasi. Nilai RMSEP MOS
stepwise dari masing-masing hasil reduksi
dimensi ditunjukkan pada Tabel 10. Tabel 10
menjelaskan bahwa pada umumnya semua
MOS yang dibentuk memiliki nilai RMSEP
yang lebih kecil jika dibandingkan dengan
NWP. Hal ini menunjukkan bahwa MOS
terbukti dapat mengurangi bias yang dihasilkan
oleh NWP. Nilai yang dicetak tebal pada tabel
tersebut adalah nilai RMSEP terkecil yang
dihasilkan oleh model untuk masing-masing
respon di setiap stasiun. MOS yang dibentuk
dengan regresi stepwise menggunakan hasil
reduksi dimensi PCA menghasilkan nilai
RMSEP terkecil untuk variabel respon
temperatur maksimum (T MAX) pada Stasiun
Tanjung Priok, Cengkareng, dan Darmaga.
MOS ini juga menghasilkan nilai RMSEP
terkecil untuk variabel respon kelembapan
relatif (RH) pada Stasiun Curug dan Darmaga.
Selain itu, MOS yang dibentuk dengan regresi
stepwise menggunakan hasil reduksi dimensi
SIR menghasilkan nilai RMSEP terkecil untuk
variabel respon tempetratur minimum (T MIN)
pada semua lokasi penelitian; untuk variabel
respon temperatur maksimum (T MAX) pada
Stasiun Curug; serta untuk variabel respon
kelembapan relatif pada Stasiun Tanjung Priok.

Sementara itu, MOS yang dibentuk dengan
regresi stepwise menggunakan hasil reduksi
kSIR hanya menghasilkan nilai RMSEP
terkecil untuk variabel respon RH pada Stasiun
Cengkareng. Hal ini disebabkan karena kSIR
merupakan metode reduksi dimensi nonlinear
sehingga kemungkinan apabila dimodelkan
dengan model nonlinear akan memberikan hasil
yang lebih baik.
Pada hasil model regresi Logistik Ordinal untuk
prediktan kejadian hujan, berdasarkan proses
pemodelan regresi logistik ordinal melalui
pengujian secara serentak dan pengujian secara
parsial, model logit kumulatif yang sesuai
ditunjukkan pada Tabel 11.
Hasil ketepatan klasifikasi di seluruh stasiun
pengamatan berada diantara 70% - 88%,
selengkapanya ditunjukkan pada Tabel 12.
Hasil ketepatan klasifikasi kejadian hujan
terbesar adalah pada stasiun pengamatan
Tangerang yaitu sebesar 88% dengan nilai
APER adalah sebesar 12%. Ketepatan
klasifikasi terkecil adalah pada stasiun
pengamatan Curug yaitu sebesar 70% dengan
nilai APER sebesar 30%.
Tabel 3. Hasil perbandingan performa model kegiatan MOS 2012

Stasiun
Timestep
49
Kemayoran
73
97
49
Maritim Tanjung Priok
73
97
49
Cengkareng
73
97
49
Pondok Betung
73
97
49
Curug
73
97
49
Tangerang
73
97
49
Citeko
73
97
49
Dermaga
73
97
Jenis
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
Verifikasi
Validasi
TMAX
1.464
1.268
1.513
1.325
1.532
1.202
1.376
1.075
1.399
1.291
33.607
33.965
1.367
1.137
1.464
1.500
1.465
1.239
5.330
4.533
1.623
1.638
1.654
1.505
1.507
1.325
1.590
1.572
1.637
1.739
1.453
1.266
1.517
1.480
1.537
1.422
1.416
1.607
1.582
1.684
1.557
1.414
1.391
1.489
4.312
3.294
1.556
1.425
RMSE
TMIN
0.928
0.732
0.929
0.738
0.944
0.755
0.966
0.912
0.979
0.900
0.991
0.849
0.809
0.729
0.841
0.722
0.845
0.702
0.978
0.727
0.986
0.714
1.006
0.675
0.833
0.633
0.864
0.652
0.861
0.777
1.192
1.016
1.233
1.032
1.223
1.012
0.772
0.585
0.776
0.561
0.795
0.653
0.891
0.674
0.905
0.670
0.900
0.685
RH
5.722
4.919
5.906
4.559
6.863
6.357
5.250
4.783
5.449
4.920
7.575
6.880
5.322
6.467
5.306
5.579
7.355
8.757
6.526
28.810
6.772
5.518
9.260
7.030
5.883
6.047
6.103
6.128
7.711
8.415
5.570
5.109
5.697
5.332
7.292
7.516
82.176
78.189
7.398
6.681
8.778
7.607
5.175
5.331
5.481
5.806
6.924
6.593
TMAX
0.418
0.318
0.321
0.231
0.286
0.251
0.385
0.390
0.335
0.233
0.242
0.142
0.414
0.398
0.272
0.260
0.199
0.133
0.077
0.106
0.252
0.147
0.157
-0.138
0.409
0.455
0.265
0.308
0.180
-0.301
0.392
0.364
0.287
0.259
0.199
-0.091
0.437
0.085
0.185
0.160
0.175
0.129
0.483
0.332
0.085
0.213
0.224
0.181
Korelasi
TMIN RH
0.294 0.385
0.297 0.142
0.293 0.329
0.262 0.089
0.240 0.229
0.166 -0.072
0.246 0.419
0.116 0.179
0.197 0.360
0.136 -0.265
0.135 0.191
0.273 -0.111
0.318 0.319
-0.090 0.088
0.230 0.295
0.023 -0.047
0.183 0.086
0.066 -0.038
0.252 0.397
0.176 0.036
0.241 0.336
0.275 -0.094
0.172 0.217
0.388 0.117
0.404 0.326
0.022 0.140
0.326 0.252
0.001 -0.113
0.327 0.162
0.014 -0.188
0.215 0.347
0.036 0.267
0.099 0.303
-0.043 -0.038
0.087 0.145
0.063 0.064
0.419 0.361
0.228 0.024
0.425 0.274
0.273 -0.103
0.381 0.263
0.075 -0.042
0.329 0.421
0.096 0.151
0.302 0.327
0.084 -0.138
0.310 0.180
0.083 -0.087
Performa
TMAX TMIN RH
0.061 -0.203 0.235
0.089 -0.254 0.228
0.070 -0.205 0.332
-0.181 -0.254 -0.234
-0.010 -0.309 0.480
-0.464 -0.141 0.408
0.063 -0.203 0.226
0.141 -0.366 0.393
0.011 -0.239 0.289
-0.179 -0.452 0.490
31.966 -0.261 -0.059
32.283 -0.470 -0.100
0.076 -0.182 0.187
0.051 -0.614 0.459
0.052 -0.224 0.140
-0.274 -0.843 -0.316
-0.022 -0.309 0.438
-0.365 -0.790 -0.237
3.820 -0.225 0.224
3.189 -0.434 23.660
0.051 -0.237 0.309
0.012 -0.406 0.792
-0.043 -0.213 0.856
0.056 -0.396 0.466
0.076 -0.086 0.261
-0.235 -0.554 0.419
0.068 -0.114 0.285
-0.443 -0.502 0.813
0.038 -0.153 0.667
0.155 -0.492 1.709
0.047 -0.225 0.184
0.089 -0.386 -0.153
-0.006 -0.201 0.124
-0.206 -0.417 0.562
-0.075 -0.279 0.149
-0.054 -0.390 0.843
0.031 -0.041 75.622
-0.022 -0.395 72.077
0.084 0.007 0.619
-0.142 -0.535 0.525
0.032 -0.064 0.635
-0.218 -0.499 1.098
0.100 -0.139 -0.037
0.038 -0.335 0.382
2.734 -0.105 0.139
1.344 -0.314 0.537
-0.035 -0.156 0.998
-0.401 -0.421 0.472
Naik
Turun
Tabel 4. Nilai RMSEP dan MAPE menurut Banyaknya Fungsi di Tiap Stasiun
Banyak Fungsi
Unsur Cuaca Kriteria Keakuratan Model
Curug
TMIN
TMAX
RH
RMSEP
0.738
0.724
0.817
0.749
0.767
MAPE
2.196
2.203
2.345
2.272
2.133
RMSEP
1.067
1.089
1.089
1.206
1.252
MAPE
2.763
2.839
2.735
3.114
3.151
RMSEP
6.072
5.99
6.202
6.122
6.053
5.887
6.024
6.105
6.024
5.991
MAPE
Tanjung Priok
TMIN
TMAX
RH
RMSEP
0.791
0.819
0.907
0.912
0.877
MAPE
2.435
2.508
2.783
2.716
2.737
RMSEP
1.169
1.145
1.062
1.185
1.884
MAPE
2.808
2.637
2.525
2.796
2.952
RMSEP
4.982
5.072
5.262
5.688
6.063
MAPE
5.336
5.296
5.506
6.049
6.201
0.7
0.785
0.843
0.811
0.976
MAPE
2.204
2.381
2.631
2.613
2.768
RMSEP
1.058
1.075
1.102
1.118
1.116
MAPE
2.522
2.511
2.664
2.788
2.75
RMSEP
6.607
7.04
7.346
6.868
6.684
MAPE
7.099
7.545
7.816
7.313
7.069
0.728
0.745
0.875
0.938
0.935
MAPE
2.48
2.563
2.934
3.201
3.241
RMSEP
1.029
1.093
1.149
1.149
1.227
MAPE
2.803
2.743
2.876
2.995
3.081
RMSEP
4.897
5.784
6.029
6.159
6.392
MAPE
4.623
5.548
5.629
5.824
6.252
Cengkareng
TMIN
TMAX
RH
RMSEP
Darmaga
TMIN
TMAX
RH
Keterangan:
RMSEP
angka yang dibold menunjukkan nilai RMSEP dan MAPE terkecil menurut
unsur cuaca
10
Tabel 5. Matriks km yang memproyeksikan Xk untuk TMIN, TMAX, dan RH
Tabel 6. Model MOS di Tiap Stasiun

Unsur Cuaca
Model PPR
Banyak Fungsi
Curug
n
X
k 1 k1 k
n
1.17 f1
X
k 1 k1 k
TMIN
23.33 0.59 f1
TMAX
31.6
RH
81.22
0.18 f1
n
4.09 f1
n
X
k 1 k2 k
X
k 1 k1 k
0.65 f1
X
k 1 k2 k
Tanjung Priok
TMIN
25 .85
TMAX
35 .27
RH
75 .68
0.53 f1
k1 X k
k 1
n
1.06 f1
k1 X k 0.25
k 1
n
3.933 f1
k1 X k
k 1
f2
n
k 1
k2 X k
0.26 f
X
3 k 1 k3 k
Cengkareng
n
0.39 f1
X
k 1 k1 k
TMIN
24.12
TMAX
32.03 1.07 f1
RH
TMIN
TMAX
RH
n
X
k 1 k1 k
n
X
k 1 k1 k
Darmaga
n
22.72 51 f1
X
k 1 k1 k
n
31.74 1.18 f1
X
k 1 k1 k
n
83.78 4.08 f1
X
k 1 k1 k
78.77
3.54 f1
11
Tabel 7. Nilai RMSEPNWP, RMSEPMOS, dan %IM

Stasiun Pengamatan
Maritim Tanjung Priok
Curug
Cengkareng
Darmaga
Unsur Cuaca
RMSEPNWP
RMSEPMOS
%IM
TMIN
7.64
0.79
86.09
TMAX
2.59
2.62
59.14
RH
5.54
4.88
5.09
TMIN
0.72
26.41
TMAX
2.68
1.06
60.29
RH
6.51
5.99
6.79
TMIN
1.16
0.7
39.95
TMAX
2.45
1.05
56.99
RH
6.88
6.6
3.98
TMIN
1.23
0.72
42.18
TMAX
2.07
1.09
50.27
RH
11.51
4.89
57.47
Tabel 8. MOS Stepwise PCA, SIR dan kSIR di Stasiun Tanjung Priok
MOS Stepwise PCA
TMAX = 10,95 0,153 PC_tmaxscrn 0,019 PC_u level 4 + 0,031 PC_v level4 + 0,221 PC2_zg level1 + 0,0049 PC1_rnd +
0,144 PC2_tmincr + 0,042 PC_tpan
TMIN = -47,87 0,0672 PC_tmaxscrn + 0,284_PC2 tminscrn 0,99 PC_ustar 0,0078 PC_u level4 - 49 PC_qgscrn +
0,036 PC_v level1 + 0,11 PC_zg level2
RH = 90,97 + 0,673 PC_tmaxscrn 318 PC_mixr level1 + 0,123 PC_u level 4 0,75 PC2_tmincr + 0,4 PC_temperatur
level4 0,032 PC_ rh_level2 0,092 PC_u level2
MOS Stepwise SIR
TMAX= 10,58 1,145 EDR_tmaxscrn + 0,93 EDR_temperatur level2 + 1,44 EDR_u level4 + 0,66 EDR_u level2 + 1,51
EDR_tscrn
TMIN= 9,413 1,58 EDR_tmaxscrn 0,75 EDR_tminscrn 884 EDR_mixr level1 + 1,42 EDR_u level4 + 1,25
EDR_temperature level2
RH
= 111,5 + 5,34 EDR_tmaxscrn 1857 EDR_mixr level2 6 EDR_u level4 4 EDR_u level2 55
EDR2_temperatur level4 + 2283 EDR_mixr level1 0,201 EDR_rnd
MOS Stepwise kSIR
TMAX= 31,73 0,37 EDR_tmaxscrn + 0,265 EDR_zg level4 0,294 EDR_tpan + 0,121 EDR_u level4 + 0,075
EDR_rh level1 0,157 EDR_v level4 0,116 EDR_temperatur level1 + 0,053 EDR_rh level2 0,093 EDR_u
level2 0,139 EDR_v level2 + 0,00002 EDR_omg level4 + 0,022 EDR_temperatur level2
TMIN= 25,81 + 0,099 EDR_u level2 0,058 EDR_ rh level4 + 0,075 EDR_u level4 0,131 EDR_tmaxscrn + 0,038
EDR_dpsdt + 0,1 EDR_zg level4 + 0,038 EDR_rh level2 + 0,07 EDR_v level2 0,045 EDR_tmincr +
0,096 EDR_u level1 0,046 EDR_rnd 0,059 EDR_ps level1 + 0,041 EDR_rh level1 0,065
EDR_temperatur level1 0,083 EDR_u level1 + 0,029 EDR_pblh 0,1 EDR_tpan
RH = 75,5 + 0,279 EDR_rh level1 0,51 EDR_u level4 + 1,24 EDR_tpan 0,82 EDR_u level1 1,86
EDR_tmaxscrn 0,43 EDR_temperatur level1 + 0,72 EDR_v level4 0,25 EDR_rh level4 0,237 EDR_rh
level2 0,84 EDR_zg level4 0,36 EDR_v level1 0,073 EDR_temperatur level2 0,28 EDR_ps + 0,14
EDR_dpsdt
12
Stasiun Tanjung Priok
Stasiun Curug
Stasiun Cengkareng
Stasiun Darmaga
Gambar 3.
Plot antara Observasi dan Ramalan per Unsur Cuaca (Suhu Minimum, Suhu Maksimum, dan
kelembaban) di Stasiun: a. Tanjung Priok, b. Curug, c. Cengkareng, d. Darmaga
13
c
Gambar 4.
Perbandingan Kinerja Metode Reduksi Dimensi Pada Stasiun Tanjung Priok (a) Respon TMAX, (b)
Respon TMIN, dan (c) Respon RH
Gambar 5.
Nilai Out-sample Masing-Masing MOS, Nilai Observasi dan NWP Pada Stasiun Tanjung Priok
(a) Respon TMAX, (b) Respon TM, dan (c) Respon RH
Tabel 9.Nilai RMSEP MOS Hasil Reduksi Dimensi Masing-Masing Metode
Stasiun
Respon
MOS
NWP
Stepwise PCA
Stepwise SIR
Stepwise kSIR
TMAX
0,9683
1,1026
1,1018
2,5997
TMIN
0,8373
0,8365
1,1810
1,7751
RH
6,4005
5,7851
8,1145
6,1737
TMAX
0,9473
1,0055
1,9760
2,4588
TMIN
0,7041
0,7001
1,0891
1,2780
RH
7,1566
6,8029
5,7610
6,8816
TMAX
1,0970
1,0780
2,1297
2,6884
TMIN
0,9903
0,5635
0,8263
0,8571
RH
6,2933
6,3838
6,9899
6,5148
TMAX
0,9380
0,9791
1,5346
2,0702
TMIN
0,6648
0,6289
0,8462
1,2595
RH
5,4790
7,3663
Keterangan: angka yang tebal menunjukkan nilai RMSEP terkecil
7,1092
11,5151
Tanjung Priok
Cengkareng
Curug
Darmaga
14
Tabel 10. Hasil MOS Kejadian Hujan di Tiap Stasiun

Model MOS
Tanjung Priok
Logit 1 = P Yi 1 xi
Logit 2 = P Yi 2 xi
Logit 3 = P Yi 3 xi
Logit 4 = P Yi 4 xi
= -2.655 0.147 Z_tmaxscr + 0.274 Z_tpan_2 0.19 Z_v level4

=1.565 0.147 Z_tmaxscr + 0.274 Z_tpan_2 0.19 Z_v level4
= 3.077 0.147 Z_tmaxscr + 0.274 Z_tpan_2 0.19 Z_v level4
= 6.028 0.147 Z_tmaxscr + 0.274 Z_tpan_2 0.19 Z_v level4
Kemayoran
Logit 1= P Yi 1 xi = -1.687 - 0.009 Z_omega level2 - 139.712 Z_ps + 136.364 Zpsl 0.06 Z_rnd + 0.073
Z_u level4 - 0.047 Z_ustar - 0.154 Z_v level1 + 0.175 Z_v level2 - 0.308 Z_zg level1_2
Logit 2 = P Yi 2 x i = 1.832 - 0.009 Z_omega level2 - 139.712 Z_ps + 136.364 Zpsl 0.06 Z_rnd + 0.073
Cengkareng
Logit 1= P Yi 1 x i = -2.328 0.172 Z_mixr lev2 + 0.083 Z_rh_level2 + 0.078 Z_tpan 0.106 Z_u level1
+ 0.137 Z_u level2 0.15 Z_v lev1 + 0.264 Z_v lev2 0.269 Z_v level4 0.37 Z_zglev 1_2
Logit 2= P Yi 2 x i = 1.435 0.172 Z_mixr lev2 + 0.083 Z_rh_level2 + 0.078 Z_tpan 0.106 Z_u level1 +
0.137 Z_u level2 0.15 Z_v lev1 + 0.264 Z_v lev2 0.269 Z_v level4 0.37 Z_zglev 1_2
Pondok Betung*)
Logit 1= P Yi 1 x i
+ 0.189 Z_tpan
Logit 2= P Yi 2 x i
+ 0.189 Z_tpan
Logit 3= P Yi 3 x i
+ 0.189 Z_tpan
Logit 4= P Yi 4 x i
+ 0.189 Z_tpan
= -2.76 0.019 Z_qgscrn 0.04 Z_rh level1 + 0.123 Z_temp level2 0.086 Z_tmaxscr
= 1.456 0.019 Z_qgscrn 0.04 Z_rh level1 + 0.123 Z_temp level2 0.086 Z_tmaxscr
Curug
Logit 1= P Yi 1 x i = -1.422 + 0.024 Z_mixr_level1 + 0.031 Z_pblh 0.062 Z_rh level1 - 0.1 Z_tmax +
0.221 Z_u level1 - 0.25 Z_u level 4 - 0.121 Z_v level4
Logit 2 = P Yi 2 x i =1.574 + 0.024 Z_mixr_level1 + 0.031 Z_pblh 0.062 Z_rh level1 - 0.1 Z_tmax + 0.221
Z_u level1 - 0.25 Z_u level 4 - 0.121 Z_v level4
Logit 3 = P Yi 3 x i = 3.564 + 0.024 Z_mixr_level1 + 0.031 Z_pblh 0.062 Z_rh level1 - 0.1 Z_tmax +
0.221 Z_u level1 - 0.25 Z_u level 4 - 0.121 Z_v level4
Tangerang
Logit 1 = P Yi
Logit 2 = P Yi
Logit 3 = P Yi
1 xi
2 xi
3 xi
= -3.391 + 0.372 Z_zg level1_2

= 1.426 + 0.372 Z_zg level1_2
= 3.151 + 0.372 Z_zg level1_2
15
Citeko
Logit 1 = P Yi 1 x i = -2.305 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 0.299 Z_omega level2_2 0.124
Z_tmaxscr + 0.12 Z_tpan + 0.15 Z_ustar_2 0.121 Z_v level4 + 0.052 Z zg level1_1
Logit 2 = P Yi 2 x i = 1.304 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 0.299 Z_omega level2_2 0.124
Logit 3 = P Yi 3 x i = 3.197 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 0.299 Z_omega level2_2 0.124
Logit 4 = P Yi 4 x i =5.731 + 0.00 Z_dpsdt + 0.268 Z_omega level1_2 0.299 Z_omega level2_2 0.124
Darmaga
Logit 1 = P Yi 1 x i = -1.685 + 0.272 Z_ omega level1_2 0.292 Z_omega level2_2 - 0.064 Z_tmaxscr +
0.122 Z_v level1_2
Logit 2 = P Yi 2 x i = 1.079 + 0.272 Z_ omega level1_2 0.292 Z_omega level2_2 - 0.064 Z_tmaxscr +
0.122 Z_v level1_2
0.122 Z_v level1_2
0.122 Z_v level1_2
*) model signifikan pada = 0.2
Tabel 11. Ketepatan Klasifikasi dan Nilai APER di Wilayah Penelitian
Stasiun Pengamatan
Ketepatan Klasifikasi
APER
Tanjung Priok
79%
21%
Kemayoran
74%
26%
Cengkareng
81%
19%
Pondok Betung
80%
20%
Curug
70%
30%
Tangerang
88%
12%
Citeko
73%
27%
Darmaga
83%
17%
KESIMPULAN
Stepwise Menggunakan Teknik Penyediaan
Input Baru
Padapenggunaan model Stepwise dengan cara
baru dalam penyediaan data input dapat
meningkatkan
performa
output
model.
Indikator keberhasilan adalah penurunan jarak
Euclidean terhadap titik acuan kesempurnaan
model. Dari 144 variabel yang diamati, terdapat
73 variabel yang mengalami peningkatan
performa dibanding tahun 2011. Untuk kegiatan
selanjutnya, digunakan persamaan yang terbaik
di antara tahun 2011 dan 2012, yaitu apabila
pada tahun 2011 parameter yang bersangkutan
memiliki performa lebih baik, maka hasil
persamaan di tahun tersebut yang digunakan.
Demikian pula sebaliknya, apabila pada tahun
2012 parameter yang bersangkutan memiliki
performa lebih baik, maka hasil persamaan di
tahun 2012 yang digunakan.
Projection Pursuit
Hasil validasi model MOS menunjukkan
kekonsistenan bahwa semakin banyak fungsi
(m) dalam model PPR akan menaikkan nilai
RMSEP dan MAPE. Model terbaik dipilih
berdasarkan model dengan banyak fungsi yang
memiliki nilai RMSEP terkecil. Nilai RMSEP
dari model MOS secara konsisten lebih kecil
dari model NWP untuk semua unsur cuaca di
empat stasiun pengamatan. Hasil peramalan
yang diperoleh dari model MOS terbukti lebih
akurat dibandingkan model NWP. Nilai %IM
mencapai 86%, berarti model MOS dapat
mengkoreksi bias mencapai 86%.
Kejadian Hujan
Sebagian besar komponen utama yang
terbentuk dari setiap variabel NWP adalah
sebanyak satu komponen. Hasil ketepatan
klasifikasi kejadian hujan terbesar adalah pada
stasiun pengamatan Tangerang yaitu sebesar
88% sehingga nilai APER adalah sebesar 12%.
16
Ketepatan klasifikasi terkecil adalah pada

stasiun pengamatan Curug yaitu sebesar 70%
dengan nilai APER sebesar 30%. Secara
keseluruhan ketepatan klasifikasi di seluruh
stasiun pengamatan berada diantara 70% - 88%,
sehingga dapat dikatakan bahwa model MOS
menghasilkan ketepatan yang cukup baik untuk
klasifikasi kejadian hujan.
Pemodelan MOS dengan SIR dan kSIR
Ketiga metode reduksi dimensi yang digunakan
menghasilkan keragaman variabel baru pertama
yang cukup baik. Namun dari ketiga metode
reduksi dimensi tersebut, metode kSIR
menghasilkan variabel baru dengan keragaman
yang terbesar.
MOS regresi stepwise dari hasil reduksi
dimensi dengan ketiga metode tersebut pada
umumnya menghasilkan RMSEP yang lebih
kecil jika dibandingkan dengan RMSEP output
NWP. Jika ditinjau dari mean RMSEP terkecil,
model terbaik untuk respon T MAXdan RH adalah
MOS stepwise PCA sedangkan untuk respon
TMIN, model terbaik adalah MOS stepwise SIR.
DAFTAR PUSTAKA
Friedman, Jerome H. & Stuetzle, Werner. 1981.
Projection
Pursuit
Regression.
Journal of The American Statistical
Association 376: 817-823.
Li, Ker Chau (1991), Sliced Inverse
Regression
for
Dimensional
Reduction,
Journal
of
the
American Statistical Association.
Vol. 86. No. 414 (Jun, 1991), pp
316-327.
Li, Xing-Zhu dan Kai, Tai-Fang. (1996),
Asymptotics for Kernel Estimate of
Sliced Inverse Regression, The
Annals of Statistics. Vol 24, No. 3,
1053-1068.
Hosmer, D. W., dan Lemeshow, S. (2000).
Applied Logistic Regression, John
Wiley & Sons, Inc., New York.
Puslitbang BMKG. 2011. Kajian Aplikasi
Model Conformal Cubic Atmospheric
Model (CCAM) Untuk Prakiraan Cuaca
jangka pendek menggunakan Model
Output Statistik (MOS) tahun 2011.
DISKUSI
1.
Urip Haryoko
Dalam penelitian ini sudah ditemukan metode yang paling bagus untuk membangun persamaan
MOS, sebaiknya segera diimplementasikan terutama untuk kota-kota besar berdasarkan metode
tersebut.
Utuk menuju operasionalisasi MOS tersebut terlebih dahulu akan dibuat GUI sehingga
nantinya dapat dioperasionalkan di daerah.
2.
Hariadi
Untuk kegiatan MOS sebaiknya lebih difokuskan ke penggunaan WRF karena sekarang model itu
sudah operasional. Untuk operasional membutuhkan model yang dapat digunakan secara praktis
sehingga informasi yang didapatkan bisa lebih cepat, tepat dan akurat.
Kedepan akan dilakukan untuk model WRF, tetapi untuk saat ini difokuskan dalam
pembagunan sistem yang yang mudah digunakan oleh pengguna dan masih menggunakan
keluaran model CCAM.
17
VERIFIKASI MODEL NUMERIK CUACA WEATHER RESEARCH

FORECASTING (WRF)
VERIFICATION OF WEATHER RESEARCH FORECASTING MODEL
Roni Kurniawan, Wido Hanggoro, Rian Anggraeni, Sri Noviati, Welly Fitria,
RahayuSapta Sri Sudewi
E-mail : ronie_354@yahoo.co.id
ABSTRAK
Berkaitan dengan upaya peningkatan kualitas prakiraan cuaca di BMKG, dilakukan kajian terhadap
model Weather Research Forecasting (WRF). Untuk mengetahui akurasinya, model WRF di running
selama bulan Februari 2012 dan Agustus 2011 dengan menggunakan tiga skema konvektif yaitu Betts
Miller Janjic (BMJ), Kain Fritsch (KF), dan Grell 3D ensemble (GD). Data curah hujan dan angin
hasil luaran model kemudian diverifikasi dengan data observasi. Hasil verifikasi menunjukkan bahwa
hasil prakiraan hujan dengan penggunaan skema konvektif BMJ lebih baik dari skema KF dan GD,
dengan nilai threat score (TS) pada bulan Agustus 2011 diatas 87% dengan nilai RMSE terbesar
adalah 0.25, dan nilai TS pada bulan Februari 2012 untuk ke tiga skema berfluktuasi dari 29 sampai
96% dengan nilai RMSE yang terendah adalah pada skema BMJ. Sedangkan untuk prakiraan
kecepatan dan arah angin penggunaan skema konvektif dapat digunakan skema BMJ dan GD, kedua
skema ini diperoleh hasil nilai korelasi yang lebih baik dari skema KF.
Kata kunci: WRF, verifikasi, Kain Fritsch, Betts Miller Janjic, Grell 3D
ABSTRACT
In order to improve quality of wheather forecast at BMKG, a study on Weather Research. Forecasting
(WRF) has been carried out. Tree convective schemes, eg. Betts Miller Janjic (BMJ), Kain Fritsch
(KF), dan Grell 3D ensemble (GD) tested using rainfall and wind observation data in February 2012
and August 2011. The result of verification, show BMJ scheme gives better rainfall forecast than the
two other schemes, with treat score in August 2011 more 87 % and the largest RMSE value is 0.25,
and the value of TS in February 2012 for three scheme fluctuates from 29 to 96% with the lowest
value of RMSE is the BMJ scheme. Verification on wind forecast show that BMJ and GD scheme
obtained results better than KF scheme and has best performance for wind forecasting.
Kata kunci: WRF, verification, Kain Fritsch, Betts Miller Janjic, Grell 3D
PENDAHULUAN
Prakiraan cuaca untuk wilayah Indonesia yang
berada disekitar equator memiliki tingkat
kesulitan yang cukup tinggi bila dibandingkan
dengan prakiraan cuaca untuk daerah dengan
lintang tinggi. Banyak model prakiraan cuaca
telah dikembangkan oleh para ahli dengan
pendekatan perhitungan yang bervariasi, baik
untuk skala global maupun regional. Prakiraan
cuaca numerik sudah dirintis sejak tahun 1920
dan berkembang pesat seiring dengan
peningkatan jaringan pengamatan cuaca pada
saat perang dunia kedua dalam rangka untuk
menyediakan informasi cuaca penerbangan
militer, serta dimulainya penggunaan komuter
untuk operasional prakiraan cuaca [1,2]. Salah

satu model cuaca yang banyak digunakan untuk
skala regional saat ini adalah model cuaca
numerik Weather Research and Forecasting
(WRF) [3].
Sebelum model WRF diaplikasikan untuk
prakiraan cuaca di wilayah Indonesia perlu
dilakukan kajian untuk mengetahui tingkat
akurasinya, oleh karena itu pada kajian ini
dilakukan verifikasi model WRF dengan data
observasi yang bertujuan untuk mengetahui
kemampuan model WRF dalam memprediksi
cuaca di wilayah Indonesia.
18
Model cuaca numerik Weather Research and

Forecasting (WRF).
Model WRF-EMS, merupakan model NWP
yang dikembangkan oleh Badan atmosfer dan
kelautan
Amerika
Serikat
(NOAA)
bekerjasama dengan National Weather Service
(NWS), Forecast Decision Training Branch
(FDTB), dan Science Operations Officer and
Training Resource Center (SOO/STCR). Untuk
keperluan prakiraan cuaca model WRF-EMS
dinilai sebagai model yang lengkap dan
merupakan state-of-the-science dari produk
NWP serta merupakan gabungan dari dua
model dinamis yang umum digunakan di dunia
pemodelan yaitu Advanced Research WRF
(ARW) yang dikembangkan oleh National
Center for Atmospheric Research (NCAR) dan
non-Hydrostatic Mesoscale Model (NMM)
yang dikembangkan oleh National Center for
Environmental Prediction (NCEP). Semua fitur
yang terdapat pada kedua binary tersebut
terdapat dalam model WRF-EMS dan
disederhanakan dari mulai proses instalasi,
konfigurasi dan eksekusinya, hal tersebut
bertujuan agar penggunaan model ini dapat
dengan mudah dilakukan.
Simulasi dan prakiraan cuaca menggunakan
model NWP dengan cara downscaling dari
resolusi global (kasar) menjadi resolusi yang
lebih halus, memerlukan pendekatan berbagai
komponen
fisik.
Beberapa
pendekatan
komponen
fisik
(parameterisasi)
yang
digunakan antara lain: radiasi, boundary layer,
land-surface, difusi eddy, konvektif dan,
mikrofisik. Pendekatan tersebut bertujuan untuk
memperkirakan
efek
yang
mempunyai
pengaruh cukup besar dari suatu kejadian di
atmosfer namun terlalu kecil dan atau terlalu
rumit untuk dijelaskan secara eksplisit.
Biasanya variabel variabel tersebut didekati
atau diprakiraan dari variabel lain yang
mempunyai resolusi yang lebih rendah.
Parameterisasi konvektif merupakan salah satu

aspek yang sangat diperhatikan dalam
numerical
modeling,
khususnya
untuk
prakiraan cuaca dan iklim global. Di alam,
terjadinya konvektif tidak hanya menghasilkan
presipitasi tetapi juga transfer panas dan
distribusi kelembaban yang berkaitan dengan
stabilitas atmosfer. Konvektif yang terjadi pada
skala yang cukup luas juga dapat menciptakan
aliran jet dan vortisitas pada lapisan menengah
dan dapat mempengaruhi kondisi cuaca pada
lokasi yang luas.
Pada dasarnya parameterisasi konvektif di
desain untuk menggambarkan transport panas
laten yang merupakan sumber sirkulasi umum
di daerah tropis, mengurangi ketidakstabilan
termodinamika dengan cara meyusun nilai
temperatur dan kelembaban pada kolom-kolom
grid. Sejumlah skema parameterisasi konvektif
(CPS) telah dikembangkan selama bertahuntahun (misalnya, Kuo 1974; Arakawa dan
Schubert 1974; Fritsch dan Chappell 1980;
Bougeault 1985, Betts 1986; Frank dan Cohen
1987; Tiedtke 1989, Gregory dan Rowntree
1990; Emanuel 1991; Grell 1993) dan banyak
dari skema ini terus digunakan dan dimodifikasi
(misalnya, Janjic 1994; Emanuel dan ZivkovicRothman 1999, Gregory et al, 2000;. Grell dan
Devenyi 2002). Salah satu parameterisasi
tersebut adalah Kain-Fritsch skema (Kain dan
Fritsch 1990, 1993), yang telah sukses
digunakan selama bertahun-tahun di PSU /
NCAR mesoscale model (Wang dan Sea-man
1997, Kuo et al 1996;. Kuo et al 1997; Cohen
2002) dan beberapa parameterisasi yang masih
dalam tahap penelitian (Black 1994), serta
parameterisasi yang digunakan dalam model
WRF (Skamarock 2001), dan model berbagai
lainnya (misalnya , Bechtold 2001).
Gambar 2. Proses fisik konvektif yang

diperhitungkan dalam parameterisasi[4]
Gambar 1. Beberapa variabel yang biasa di

parameterisasi dalam NWP [4]
Untuk dapat mensimulasikan konvektif yang

terjadi di atmosfer, setiap skema yang dibuat
harus dapat menggambarkan hal-hal berikut
19
menggunakan informasi dari kolom-kolom grid

disekitarnya, (a) Pemicu konveksi pada suatu
kolom grid, (b) Bagaimana kehadiran konvektif
dapat mempengaruhi secara vertikal dalam
kolom grid, (c) Bagaimana kehadiran konvektif
dapat mempengaruhi secara horizontal grid-grid
disekitarnya, (d)Bagaimana asumsi yang
digunakan agar konvektif dapat membatasi
keefektifannya.
Terdapat 8 skema konvektif pada model WRF,
akan tetapi dalam kajian ini menggunakan tiga
skema yang sering digunakan di beberapa
Negara diantaranya adalah sebagai berikut:
1) Kain Fritsch
Skema Kain Fritsch (KF) berasal dari skema
Fritsch-Chappell CPS, dimana kerangka
dasar dan asumsi penghentian konvektif
dijelaskan oleh Fritsch dan Chappell (1980).
Kain-Fritsch (1990) memodifikasi model
updraft dalam skema Fritsch-Chappell
sehingga akhirnya menjadi sangat berbeda
dari skema tersebut. Hal ini dibedakan dari
algoritma induknya dengan mengacu pada
kode yang lebih rumit seperti skema KF,
dimulai pada awal 1990-an (Kain dan
Fritsch 1993).
antara lain: Pemicu terjadinya konvektif,

persamaan mass flux dan, asumsi
penghentian konvektif. Beberapa modifikasi
terhadap skema KF telah dilakukan pada
beberapa akhir tahun ini. Modifikasi yang
dilakukan bertujuan untuk memperbaiki
hasil dari konvektif itu sendiri. Cakupan
modifikasi yang dilakukan antara lain:
Formula updraft (radius awan, batas
ketinggian minimum awan, konveksi nonprecipitating) serta downdraft.
2) Skema Betts-Miller Janjic
Skema Betts-Miller Janjic (BMJ) dibuat
untuk mewakili kondisi quasi-equilibrium
(Awan konvektif yang menjaga struktur
suhu dan kelembaban di dalam atmosfer)
yang terjadi pada konvektif dalam, dan
menghindari ketidakpastian yang timbul
akibat
penentuan
parameter-parameter
secara tidak langsung menggunakan
persamaan model awan yang rumit. Konsep
quasi-equilibrium antara deep-convection
serta large-scale forcing untuk konvektif
dangkal (1973) diperkenalkan pertama kali
oleh Betts sedangkan untuk konvektif dalam
diperkenalkan oleh Arakawa dan Schubert
(1974). Pada skala yang luas serta rentang
waktu yang lama konsep quasi-equilibrium
sudah sangat baik diterapkan (Lord dan
Arakawa 1980; Lord 1982; Arakawa dan
Chen 1987.
Gambar 3. Konsep Skema KF [4]
Skema KF merupakan sebuah skema

parameterisasi mass flux yang menggunakan
metode parsel udara termasuk persamaan
dinamis
vertikal
momentum
untuk
menjelaskan ketidakstabilan massa udara
dan menjelaskan variabel-variabel apa yang
mungkin terjadi dalam awan. Ada beberapa
hal penting yang dibahas dalam skema KF
Gambar 4. Konsep Skema BMJ[4]
Beberapa kelebihan pada skema ini antara

lainadalah (a) Baik digunakan pada
lingkungan
yang
lembab,
(b)
20
Memperlakukan elevated-convection lebih

baik daripada skema-skema lainnya, (c)
Skema yang paling efektif untuk menjaga
skema
microphysic
tidak
membuat
konvektif awan dan (d) Tidak memerlukan
perhitungan yang banyak.
3) Grell 3D ensemble
Skema
parameterisasi
konvektif
ini
didasarkan pada skema Grell yang
dikembangkan pada tahun 1993. Saat ini
skema Grell 3D ensemble digunakan dalam
model RUC (Rapid Update Cycle) dengan
resolusi 20km dan menunjukan hasil yang
cukup baik dalam hal prakiraan curah hujan.
Seperti skema-skema konvektif sebelumnya,
persamaan-persamaan yang
digunakan
dalam skema ini juga memperhitungkan efek
pembentukan/ peluruhan, updraft/ downdraft
awan. Perbedaan yang paling mendasar dari
skema ini adalah penggunakan pendekatan
ensemble terhadap beberapa parameter fisis
yang terjadi dalam awan, antara lain: quasi
equilibrium, removal of instability, moisture
conservation, low level mass flux dan
downdraft strength. Penambahan pendekatan
prakiraan eksplisit curah hujan melalui
peluruhan awan hujan serta partikel es pada
puncak dan sisi awan membuat skema ini
cocok digunakan pada resolusi yang tinggi.
Menurut
Dudhia
(2008),
beberapa
pendekatan yang digunakan dalam skema
Grell 3D ensemble antara lain (a) Multi
pendekatan
(CAPE
removal,
quasiequilibrium) 16 pendekatan mass flux, (b)
Multi
parameter,
(c)
Explicit
updraft/downdraft, (d) Menggunakan ratarata feedback terhadap lingkungan, (e)
Bobot ensemble dapat disesuaikan (spatially,
temporally) untuk mengoptimalkan skema
METODE PENELITIAN
Wilayah fokus penelitian ini adalah di Surabaya
(Bandara Juanda) pada posisi7 22' 0"LS dan
112 46' 0"BT, dan di Cengkareng (Bandara
Soekarno Hatta) posisi 6 7' 32"LS, dan 106
39' 32"BT.
Verifikasi dilakukan berdasarkan data pada
bulan Agustus 2011 dan Februari 2012 meliputi;
Data curah hujan (CH) observasi (Synop) per 3
jam [5], data angin per 12 jam pada Level:
Surface, 850, 500, 250 mb [6], data CH model
WRF per 3 jam dan data angin model WRF per
12 jam hasil pengolahan Puslitbang BMKG
dengan menggunakan input data 0.5-degree

FNLs dari NCEP [7].
Model WRF di running dengan input data awal
GFS dari NCEP-NOAA7 di Setting sebagai
berikut: Resolusi spasial Indonesia: 27 km ,
Resolusi spasial Jawa: 9 km (Jawa) Resolusi
temporal: 6 jam (res. 27 km) dan 3 jam (res. 9
km), 3 hari kedepan (72 jam kedepan),Waktu:
bulan Februari 2012 bulan Agustus 2011,
Parameter : Curah Hujan dan Angin Pilihan
Skema Konvektif : Skema Kain FritschBetts
Miller Janjic danGrell 3D ensemble.
Verifikasi Luaran ModelWRF dengan data
observasi dimana parameter yang diuji secara
statistik meliputi Curah hujan, dan angin
permukaan, dimana data model WRF
menggunakan 3 skema konvektif yang masingmasing akan diverifikasi menggunakan data
observasi. Perhitungan Korelasi dan RMSE
ditunjukkan sebagai berikut [8]:
N
Fn
Corr
Fn
n 1
RMSE
On
(1)
n 1
N
On
n 1
1
N
Fn
On
(2)
n 1
Dengan F = forecast (nilai prediksi) dan O =

observation (nilai pengamatan), metode
prakiraan dikatakan baik jika memiliki nilai
korelasi yang tinggi dan nilai RMSE yang
rendah.
Untuk verifikasi arah angin antara model dan
observasi digunakan metode pengukuran
dengan menghitung Threat Score (TS) yaitu
untuk mengukur ketepatan prakiraan antara
model dan observasi. Perhitungan nilai TS
digunakan metode Saito, et al. 2001 [9] sebagai
berikut:
Threat Score
N hit
N hit
N pass
N false
Nhit = jumlah hit, Npass = jumlah pass, dan Nfalse

= jumlah false alarm. Hit adalah kondisi
apabila hasilmodel dan observasi dalam waktu
observasi sesuai. Pass adalah kondisi apabila
kejadian tidak terprediksi oleh model WRF,
namun teramati dalam waktu observasi.
Sedangkan false alarm adalah kondisi apabila
kejadian terprakiraan di model, namun tidak
teramati dalam waktu observasi. Adapun untuk
21
Prosentase Hit adalah Threat Score dikalikan

100.
Verifikasi parameter arah angin di bagi menjadi
8 arah mata angin (table 1), dan perolehan data
yang kurang dari 60% tidak digunakan dalam
perhitungan.
Tabel 1. Tabel 8 arah mata angin yang digunakan
No. Arah
Arah (degree true north)
1
N (North)
337.5 0, 0 22.5
2
NW (North West) 292.5 337.5
3
W (West)
247.5 292.5
4
SW (south West) 202.5 247.5
5
S (South)
157.5 202.5
6
SE (South East)
112.5 157.5
7
E (East)
67.5 112.5
8
NE (Nort East)
22.5 67.5
(a)

Hasil verifikasi data curah hujan
Verifikasi data curah hujan output model
meteorologi Weather Research and Forecasting
(WRF) untuk 3 skema konvektif (Kain Fritsch
(KF), Betts Miller Janjic (BMJ), dan Grell 3D
ensemble
(GD)
masing-masing
skema
dibandingkan dengan data obervasi BMKG di
Stasiun Juanda (Surabaya) dan stasiun
Cengkareng (Jakarta) pada bulan Agustus 2011
untuk mewakili musim kering dan Februari
2012 untuk mewakili musim basah. Hasil
verifikasi hasil prakiraan curah hujan model
WRF terhadap observasi di stasiun Juanda
Surabaya untuk 72 jam kedepan pada tiga
skema
yang digunakan model WRF
ditampilkan grafik pada gambar 5.
Verifikasi data curah hujan hasil luaran model
WRF di stasiun Juanda Surabaya untuk tiga
skema terhadap observasi menunjukkan bahwa
selama bulan Agustus pada skema KF
mempunyai nilai TS diatas 90%, dan untuk
skema BMJ nilai TS diperoleh diatas 95%,
sedangkan pada skema GD diperoleh nilai TS
daiatas 90% (gambar 5a). Nilai RMSE terbesar
dari ketiga skema terdapat pada skema KF
dengan nilai 0.23, adapun nilai RMSE tertinggi
pada skema BMJ sebesar 0.16 dan nilai RMSE
pada skema GD ini paling tinggi adalah 0.19
(gambar 5a). Hasil Verifikasi data curah hujan
hasil luaran model WRF untuk tiga skema
terhadap observasi menunjukkan bahwa selama
bulan Agustus nilai threat score yang paling
baik adalah skema BMJ, dimana nilai TS pada
skema ini diatas 95% dengan RMSE tertinggi
sebesar 0.16.
(b)
Gambar 5. Verifikasi Data Curah Hujan Model
WRF terhadap Observasi Stasiun Juanda Surabaya,
(a) Nilai Threat Score dan RMSE bulan Agustus
2011, (b) Nilai Threat Score dan RMSE bulan
Februari 2012
Verifikasi data curah hujan pada bulan Februari

untuk nilai TS ketiga skema (KF, BMJ dan GD
mempunyai pola yang naik turun, dimana pada
prakiraan jam 03, skema KF dan GD
mempunyai nilai TS > 90%, skema BMJ
sebesar 60%, nilai TS menurun pada jam
prakiraan selanjutnya sampai pada jam 15,
kemudian naik pada jam prakiraan selanjutnya
sampai jam 21 dengan nilai TS > 80%, pola ini
berulang sampai dengan jam prakiraan jam 72
(gambar 5b). Untuk nilai RMSE yang terkecil
diperoleh pada skema BMJ dengan nilai RMSE
terbesar 8,6, sedangkan pada skema KF dan GD
nilai RMSE terbesar adalah 16. Secara umum
skema BMJ menunjukkan performa yang
paling bagus pada bulan Februari, dimana nilai
TS terendah adalah 40% dengan nilai RMSE
22
terbesar 8,6, sedangkan pada skema KF dan GD

nilai TS terendah adalah 30%, dengan nilai
RMSE terbesar mencapai 16. Hasil verifikasi
hasil prakiraan curah hujan model WRF
terhadap observasi di stasiun Cengkareng
Jakarta untuk 72 jam kedepan pada tiga skema
yang digunakan model WRF ditampilkan grafik
pada gambar 6.
dimana nilai TS diatas 87% dengan nilai RMSE

paling besar adalah 0.25, dan untuk skema KF
memiliki nilai TS terendah yakni sebesar 70%
dengan RMSE 0.59, sedangkan untuk skema
GD nilai TS terendah 80% dengan nilai RMSE
0.31. Hasil verifikasi data curah hujan untuk
bulan Februari pada skema KF dan GD nilai TS
berkisar antara 50 sampai 96%, sedangkan
untuk nilai TS pada skema BMJ berfluktuasi
dari 29 sampai 96%. Untuk nilai RMSE, skema
KF mempunyai nilai yang paling tinggi sebesar
4.7, untuk skema BMJ 3.86 dan skema GD
sebesar 4.8.
Hasil Verifikasi Data Angin model WRF
(a)
(b)
Gambar 6. Verifikasi Data Curah Hujan Model
WRF terhadap Observasi Stasiun Cengkareng
Jakarta, (a) Nilai Threat Score dan RMSE bulan
Agustus 2011, (b) Nilai Threat Score dan RMSE
bulan Februari 2012
Verifikasi data curah hujan hasil luaran model

WRF bulan Agustus di stasiun Cengkareng
Jakarta untuk tiga skema (KF, BMJ dan GD)
secara umum mempunyai pola yang
berfluktuasi, dimana nilai TS diperoleh pada
kisaran 70 sampai 100%. Nilai TS hasil
verifikasi selama bulan Agustus 2011
menunjukkan bahwa untuk skema BMJ paling
baik dibandingkan dengan skema KF dan GD,
Verifikasi data angin output model meteorologi

Weather Research and Forecasting (WRF)
untuk 3 skema konvektif (Kain Fritsch (KF),
Betts Miller Janjic (BMJ), dan Grell 3D
ensemble
(GD)
masing-masing
skema
dibandingkan dengan data Rason di Stasiun
Juanda-Surabaya dan stasiun CengkarengJakarta pada bulan Agustus 2011 untuk
mewakili musim kering dan dan Februari 2012
untuk mewakili musim basah, level ketinggian
yang akan diverifikasi adalah level 250mb,
500mb, 850mb, dan 1000mb. Hasil verifikasi
kecepatan dan arah angin dari model WRF
dengan menggunakan 3 skema (KF, BMJ dan
GD) terhadap data Rason untuk Stasiun Juanda
ditunjukkan grafik pada gambar 7 dan 8.
Hasil verifikasi menunjukkan bahwa Model
WRF untuk kecepatan angin stasiun Juanda
bulan Agustus 2011 (gambar 7a) secara umum
dapat dilihat bahwa nilai korelasi untuk ke tiga
skema diperoleh cukup baik untuk prakiraan
jam 00, kemudian nilai korelasi menurun pada
jam prakiraan berikutnya. Pada level 250, 500
dan 850, hasil korelasi untuk prakiraan jam 00
masing-masing skema diatas 0.75 dan
menunjukkan tren menurun pada jam prakiraan
berikutnya, sedangkan untuk level permukaan
hasil verifikasi model WRF untuk skema KF
korelasi prakiraan jam 00 sebesar 0.4 dan pada
jam 12 turun dengan korelasi 0.1 dan pada jam
24 korelasi meningkat sebesar 0.3, pola ini
berulang sampai dengan prakiraan jam ke 72.
Untuk skema BMJ nilai korelasi pada level
permukaan prakiraan jam 00 sebesar 0.38, dan
menurun pada jam prakiraan berikutnya. Pada
skema GD nilai korelasi pada prakiraan jam 00
sampai jam ke 72 berkisar antara 0.15 sampai
0.35.
23
(a) Kecepatan Angin

(b) Arah Angin
Gambar 7. Verifikasi Kecepatan Angin (m/s) WRF
terhadap Observasi Stasiun Juanda Surabaya Bulan
Agustus 2011, (a) Kecepatan Angin dan (b) Arah
Angin.
Untuk hasil verifikasi data arah angin pada

bulan Agustus 2011 (Gambar 7b) nilai korelasi
untuk ketiga skema (KF, BMJ dan GD) pada
setiap level ketinggian (permukaan, 850, 500
dan 250mb) menunjukkan pola fluktuasi yang
serupa dari dari jam 00 sampai dengan
prakiraan jam ke 72. Secara umum penggunaan
ketiga skema (KF, BMJ dan GD) untuk arah
angin diperoleh hasil yang sama. Hasil
verifikasi pada bulan Februari 2012 (gambar
8a) menunjukkan bahwa Model WRF untuk
kecepatan angin stasiun Juanda secara umum
pada skema BMJ dan GD menunjukkan nilai
korelasi baik untuk prakiraan jam 00 dan
berikutnya. Pada level 250, 500, 850, dan
permukaan nilai korelasi untuk prakiraan jam
00 hari pertama masing-masing skema diatas
0.7, kecuali untuk level 250 pada skema KF,
dimana nilai korelasinya sangat rendah.
(a) Kecepatan Angin

(b) Arah Angin
terhadap Observasi Stasiun Juanda Surabaya Bulan
Februari 2012, (a) Kecepatan Angin dan (b) Arah
Angin
Hasil verifikasi data arah angin stasiun Juanda

pada bulan Februari 2012 (Gambar 8b) untuk
ke tiga skema (KF, BMJ dan GD) pada level
ketinggian 250mb diperoleh nilai TS diatas
80% dan menunjukkan tren menurun pada jam
prakiraan selanjutnya sampai jam ke 72, untuk
level 500mb diperoleh nilai TS 70% dan
selanjutnya sampai jam ke 72, untuk level
850mb diperoleh nilai TS 50% dan
selanjutnya sampai jam ke 72 dan pada level
permukaan diperoleh nilai TS 35% dan
selanjutnya sampai jam ke 72. Secara umum
hasil nilai korelasi di stasiun Juanda bulan
Februari diperoleh pola yang serupa dari jam 00
sampai pada prakiraan jam ke 72, dimana nilai
korelasinya menunjukkan tren menurun dari
jam 00 sampai pada jam ke 72.
24
Hasil verifikasi kecepatan dan arah angin model

WRF dengan menggunakan 3 skema (KF, BMJ
dan GD) yang dibandingkan dengan data Rason
untuk Stasiun Cengkareng Jakarta ditunjukkan
grafik pada gambar 9 dan 10.
Verifikasi data arah angin pada bulan Agustus

2011 di stasiun Cengkareng (gambar 9b) untuk
masing-masing skema (KF, BMJ dan GD)
secara umum mempunyai pola yang sama pada
setiap level ketinggian (500, 850 dan
permukaan). Pada level 250 tidak diperoleh
data observasinya sehingga tidak dilakukan
perhitungan. Secara umum selama bulan
Agustus 2011 stasiun Cengkareng untuk level
ketinggian 500, 850 dan permukaan nilai
korelasinya mempunyai pola yang sama,
dimana pada jam 00 nilai TS tinggi dan
menurun pada jam prakiraan selanjutnya
sampai jam ke 72 (gambar 9b).
(a) Kecepatan Angin

(b) Arah Angin
terhadap Observasi Stasiun Cengkareng Jakarta
Bulan Agustus 2011, (a) Kecepatan Angin dan (b)
Arah Angin
Hasil verifikasi kecepatan angin Model WRF

terhadap data Rason di stasiun Cengkareng
bulan Agustus (gambar 9a) menunjukkan
bahwa untuk skema BMJ dan GD mempunyai
besaran nilai korelasi dengan pola yang sama,
dimana pada prakiraan hari pertama jam 00
untuk level 250, 500 dan 850 mempunyai nilai
korelasi diatas 0.8, sedangkan untuk level
permukaan nilai korelasinya sebesar 0.6, dan
nilai korelasinya menunjukkan tren menurun
pada prakiraan berikutnya. Untuk skema KF
diperoleh nilai korelasi yang rendah pada
semua level ketinggian pada prakiraan hari
pertama, dan nilai korelasi meningkat sampai
prakiraan hari keempat untuk level ketinggian
250 dan 500, sedangkan untuk level 850 dan
permukaan nilai korelasi meningkat sampai
prakiraan jam ke 72.
(a) Kecepatan Angin

(b) Arah Angin
Gambar 10. Verifikasi Kecepatan Angin (m/s)
WRF terhadap Observasi Stasiun Cengkareng
Jakarta Bulan Februari 2012, (a) Kecepatan Angin
dan (b) Arah Angin
Hasil verifikasi Model WRF terhadap data

Rason untuk data kecepatan angin di stasiun
Cengkareng bulan Februari 2012 (gambar 10a)
pada level 250 untuk skema BMJ dan GD hasil
nilai korelasinya mempunyai pola yang serupa,
dimana pada prakiraan jam 00 nilai korelasinya
0 kemudian meningkat pada jam 12 sebesar 1.0
dan menurun lagi pada jam 00 sebesar 0, pola
ini berulang sampai prakiraan jam ke 72,
25
sedangkan untuk skema KF nilai korelasinya

rendah dari jam 00 sampai dengan jam ke 72.
Pada level 500, untuk tiga skema mempunyai
pola yang sama, dimana pada prakiraan jam 00
nilai korelasi untuk KF sebesar 0.2, BMJ dan
GD sebesar 0.8 kemudian menunjukkan tren
menurun pada prakiraan jam berikutnya. Untuk
level 850 skema BMJ dan GD nilai korelasinya
untuk prakiraan jam 00 sebesar 0.9, kemudian
menurun 0.7 pada jam 12 dan terus menurun
sampai prakiraan jam ke 72 sebesar 0.4,
sedangkan untuk skema KF nilai korelasinya
rendah. Pada level permukaan untuk skema KF
nilai korelasinya sepanjang waktu prakiraan
rendah, sedangkan untuk skema BMJ dan GD
nilai korelasi pada prakiraan hari pertama jam
00 sebesar 0.8 dan menunjukkan tren menurun
pada prakiraan jam-jam berikutnya (gambar
10a).
Verifikasi data arah angin pada bulan Februari
2012 di stasiun Cengkareng (gambar 10b)
untuk level 250mb tidak diperoleh data
observasinya
sehingga
tidak
dilakukan
perhitungan. Pada level 500mb, 850 dan
permukaan untuk tiga skema memiliki pola
yang sama. Pada level 500mb nilai TS pada
prakiraan jam 00 dikisaran 80% dan
berikutnya sampai jam ke 72, demikian pula
pada level 850, pada jam 00 diperoleh nilai TS
sebesar 60%, nilai TS di level permukaan jam
00 dikisaran 50% dan menurun pada jam-jam
berikutnya. Secara umum selama bulan
Februari 2012 stasiun Cengkareng untuk level
ketinggian 500, 850 dan permukaan nilai
korelasinya mempunyai pola yang sama,
dimana pada jam 00 nilai TS tinggi dan
menurun pada jam prakiraan selanjutnya
sampai jam ke 72 (gambar 9b).
PEMBAHASAN
Verifikasi model WRF terhadap observasi
untuk penentuan skema konveksi terbaik
diperoleh dengan melakukan pengujian statistik
threat score dan RMSE parameter curah hujan
pada dua stasiun pengamatan yang berbeda
(Cengkareng dan Juanda). Dari hasil analisis
secara
umum
ketiga
skema
mampu
menggambarkan nilai kejadian hujan yang
terjadi pada dua stasiun tersebut khususnya
pada bulan kering (Agustus). Khusus untuk
skema BMJ secara kuantitatif pada bulan kering
menunjukkan nilai treath scoreyang paling baik
dengan nilai RMSE terkecil sepanjang bulan
Agustus dibanding skema KF dan GD.
Sedangkan pada bulan basah (Februari) secara

rata-rata skema GD menunjukkan performa
yang paling baik. Nilai treath scoreCH pada
stasiun Cengkareng cenderung mempunyai nilai
yang lebih kecil baik pada bulan Agustus
maupun Februari. Dengan demikian berarti
untuk prakiraan cuaca dengan tiga skema yang
berbeda menggunakan WRF untuk wilayah
Juanda masih lebih baik dibanding prakiraan
pada daerah Cengkareng. Untuk stasiun
Cengkareng, skema KF masih menunjukkan
hasil yang kurang baik dibanding BMJ dan GD
sepanjang bulan Agustus dan mempunyai nilai
RMSE yang paling besar. Pada bulan tersebut
skema BMJ masih menunjukkan kecocokan
yang paling baik dengan data observasi
walaupun nilai RMSE-nya sedikit lebih tinggi
dibanding skema GD. Untuk hasil verifikasi
pada bulan Februari hasil analisis menunjukkan
bahwa skema GD memberikan hasil yang
paling baik diantara skema-skema yang
dijalankan. Nilai treath scoreyang didapat
terlihat cukup konsisten sampai prakiraan 72
jam kedepan.
KESIMPULAN
Untuk prakiraan curah hujan, penggunaan
skema konvektif Betts Miller Janjic (BMJ) pada
bulan Agustus 2011 menunjukkan hasil yang
lebih baik dari skema Kain Fritsch (KF), dan
Grell 3D ensemble (GD), dengan nilai threat
score (TS) pada bulan Agustus 2011 diatas
87% dengan nilai RMSE terbesar adalah 0.25,
dan nilai TS pada bulan Februari untuk ke tiga
skema berfluktuasi dari 29 sampai 96% dengan
nilai RMSE yang terendah adalah pada skema
BMJ 3.86. Sedangkan untuk prakiraan
kecepatan dan arah angin penggunaan skema
konvektif dapat digunakan skema Betts Miller
Janjic (BMJ) dan Grell 3D ensemble (GD),
kedua skema ini diperoleh hasil nilai korelasi
yang hampir sama dan lebih baik dari skema
Kain Fritsch (KF).
DAFTAR PUSTAKA
[1]. Gustari, I., Hadi, T.W., Hadi, S.,
Renggono, F., (2012). Akurasi Prediksi
Curah Hujan Harian Operasional di
Jabodetabek:
Hasil
Prediksi
Operasional dan Model WRF. Jurnal
Meteorologi dan Geofisika. 13(2), 119130. Jakarta.
26
[2]. Harper, K., L. W. Uccellini, E. Kalnay, K.

Carey, L. Morone. (2007). 50th
Anniversary of operational numerical
weather prediction. Bull. Amer.
Meteor. Soc., 88, 639-650
[3]. Puslitbang BMKG. (2011). Pengembangan
Model Prediksi Cuaca untuk Pelayanan
Informasi Cuaca Model WRF
(Weather Research and Forecasting).
BMKG, Jakarta.
[4]. MetEd. Teaching and Training Resources
for the Geoscience Community. http://
www.meted.ucar.edu
[5]. BMKG. (2012). Database Synop. Pusat
Data Base BMKG. Jakarta.
[6]. University of Wyoming, Department of
Atmospheric Science. Upper Air
Observations.
http://
www.weather.uwyo.edu
[7]. National Center for Environmental
Prediction (NCEP), NOAA. (2011).
NCEP Operational Data (WRF inputs):
0.5-degree FNLs. http://dss.ucar.edu.
USA.
[8]. Supranto, J. (2002). Statistik Teori dan
Aplikasi. Edisi 7.Jakarta: Erlangga.
[9]. Saito, K., T. Kato, H. Eito & C. Muroi.

(2001).
Documentation
of
The
Meteorological Research Institute/
Numerical Prediction Division Unified
Nonhydrostatic
Model.
Technical
Reports
of The Meteorological
Research
Institute
no.
42.
Meteorological Research Institute.
Jepang.
[10]. National Center for Atmospheric Research.
(2011). Users Guide describes the
Advanced Research WRF (ARW)
Version
3.3
modeling.
http://www.mmm.ucar.edu/
wrf/users/docs/arw_v3.pdf. USA.
[11]. National
Weather
Service/Training
Division Forecast Decision Training
Branch (2011). A Nearly Complete
Guide to the WRF EMS V.3. USA.
[12]. NASA.
(2012).
Tropical
Rainfall
Measuring
Mission.
http://www.trmm.gsfc.nasa.gov/.
[13]. Richardsons
Dream.
(2011).
The
Emergence of Scientific Weather
Forecasting. Cambridge. USA
DISKUSI
1. Urip Haryoko
Semua validasi yang menggunakan faktor angin tidak dapat menggunakan korelasi, maka pilihan
yang bagus dengan menggunakan kategori arah mata angin, dan pada penelitian verifikasi model
meteorologi WRF yang telah dilaksanakan sudah sesuai namun perlu diperhatikan resolusi spasial
yang digunakan dalam model.
2. Tuwamin Mulyono
Untuk penelitian tentang verifikasi model WRF sebaiknya perlu melibatkan intensitas hujan dalam
perhitungannya. Selain itu untuk mendukung pekerjaan operasional sebaiknya waktu yang diambil
sebagai sampel dalam penelitian menggunakan 3 waktu yaitu; musim kemarau, musim pancaroba,
dan musim hujan. Berdasarkan pengalaman, dalam memprediksi cuaca pada musim pancaroba
sangat sulit.
3. Bayong Tjasyono
Sebagian besar penelitian masih menggunakan hasil model atau bersifat praktis dan belum
melibatkan tambahan aspek keilmuan. Seperti pada penelitian tentang cuaca ekstrim, sebaiknya
terlebih dahulu harus ada pendefinisian tentang cuaca ekstrim. Seberapa besar resiko yang
ditimbulkan oleh cuaca sehingga bisa disebut cuaca ekstrim. Maka perlu penambahan teori dan
pengembangan ilmiah pada setiap pengembangan model atau bisa juga dengan mengembangkan
model sendiri berdasarkan keilmuan yang ada.
Untuk model-model yang berkenaan dengan atmosfer seharusnya disampaikan dulu asumsi-asumsi
yang digunakan pada penelitian tersebut.
Pada verifikasi model meteorologi WRF, penggunaan kategori 8 arah mata angin sudah pilihan
yang bagus, tetapi agar dapat digunakan pada bidang penerbangan lebih baik juga dilakukan
dengan menggunakan 16 arah mata angin. Dan dikembangkan skema yang cocok untuk masingmasing daerah.
27
Penelitian di Puslitbang BMKG lebih diarahkan untuk mendukung tugas operasional,

untuk itu saat ini sebagian kegiatannya berupa aplikasi dan pengembangan berbagai model
yang dapat diaplikasikan.
Untuk penelitian ke depan, verifikasi model meteorologi WRFakan menggunakan kategori
16 mata arah angin berkaitan dengan kebutuhan dari pelayanan informasi meteorologi
penerbangan
28
PENENTUAN PARAMETER RELASI Z-R RADAR CUACA STASIUN

METEOROLOGI PALEMBANG
THE DETERMINATION OF Z-R RELATION PARAMETER ON PALEMBANG WEATHER
RADAR STATION
Muhammad Najib Habibie, Suratno, Rahayu Sapta Sri Sudewi, Hastuadi Harsa, Roni Kurniawan.
Pusat Penelitian dan Pengembangan BMKG. Jl. Angkasa 1 No 2 Kemayoran Jakarta Pusat
Email: najib.habibie@bmkg.go.id
ABSTRAK
Radar meteorologi adalah salah satu stasiun permukaan yang dapat digunakan untuk pengamatan
meteorologi dan monitoring lingkungan. Pada saat ini, radar meteorologi memegang peranan penting
ketika akan memberikan peringatan dini terhadap kondisi ekstrim, seperti banjir, puting beliung dan
badai yang dapat membahayakan populasi dan merusak infrastruktur dan perekonomian. Ketepatan
hasil pengamatan parameter cuaca oleh radar, sangat bergantung pada setting alat yang disesuaikan
pada kondisi topografi wilayah setempat. Untuk melihat kesesuaian antara data pengamatan radar
dengan observasi lapangan diperlukan verifikai data. Dan untuk mengoreksi bias antara data luaran
radar dengan observasi, diperlukan validasi sehingga luaran radar sesuai dengan hasil observasi.
Penelitian ini bertujuan untuk menentukan relasi antara parameter reflektivitas (Z) dengan curah
hujan (R) untuk radar cuaca terutama di Stasiun Meteorologi Palembang. Metode yang digunakan
adalah regresi linear sederhana yang membandingkan nilai reflektivitas dan curah hujan observasi
untuk memperhitungkan konstanta a dan b pada relasi Z-R. Ketepatan dalam penentuan konstanta a
dan b ini akan mempengaruhi ketepatan curah hujan yang direpresentasikan oleh radar.Hasil
penelitian menunjukkan bahwa nila konstanta a umumnya sesuai dengan penelitian Marshall-Palmer
tetapi nilai b cendrung lebih kecil yaitu 0,53 sedangkan nilai yang pernah diteliti berkisar 1-3.
Berdasarkan jenis hujannya nilai konstanta a pada hujan konvektif lebih besar daripada hujan
stratiform, tetapi untuk konstanta b mempunyai nilai yang berkebalikan. Nilai reflektivitas pada radar
mempunyai ambiguitas yang tinggi terhadap curah hujan observasi sehingga konstanta a dan b tidak
bisa ditentukan dengan akurat.
Kata kunci : radar meteorologi, reflektivitas, Marshall-Palmer, relasi Z-R
ABSTRACT
Weather radar is one of weather observation station, it can used for extreme weather warning such as
flood and tropical cyclone. The setting of radar meteorology determine the validty of observing
weather parameters, so it must be fitted on local condition. To valdate the weather parameters on
radar can be done by determining the Z-R relation. The purpose of this research is to find the
appropriate of Z-R relation on Palembang radar station. Linear regression used to determine the a
and b constants on Z-R relation. The setting accuracy on this constants will be influencing on
precipitation measurement. The result of this research shows that constants a generally in accordance
with Marshall-Palmer provision, but constants b smaller than it. Based on type of rainfall, constant a
on convective rainfall greater than stratiform, but it opposite on b constants. There is great ambiguity
on reflectivity factor when compared with rainfall observation, so a and b constants can not
determined precisely.
Keywords : weather radar, reflectivity, Marshall-Palmer, Z-R relationship
PENDAHULUAN
Informasi meteorologi merupakan bagian yang
tidak bisa terpisahkan dari aktifitas kehidupan
manusia. Sebagian besar aktifitas manusia yang
sangat vital bergantung pada kondisi
meteorologi yang ada, seperti penerbangan,

pelayaran dan kegiatan pertanian maupun
perikanan (Tjasyono, 2004). Radar meteorologi
adalah salah satu stasiun permukaan yang dapat
digunakan untuk pengamatan meteorologi dan
monitoring lingkungan (Skolnik, 2008). Pada
29
saat ini, radar meteorologi memegang peranan

penting pada saat akan memberikan peringatan
dini terhadap kondisi ekstrim, seperti banjir,
puting beliung dan badai yang dapat
membahayakan
populasi
dan
merusak
infrastruktur dan perekonomian(Houze,1993).
Badan Meteorologi Klimatologi dan Geofisika
telah melengkapi stasiun meteorologinya
dengan radar untuk meningkatkan akurasi
prakiraan cuaca terutama yang berhubungan
dengan aktivitas penerbangan dan cuaca
ekstrim. Now casting atau prakiraan jangka
pendek (3 6 jam) kedepan akan lebih akurat
jika digunakan radar karena dapat mengukur
parameter cuaca termasuk curah hujan pada
cakupan wilayah yang luas dalam waktu
bersamaan. Untuk mendukung keakuratan
prakiraan ini diperlukan ketepatan dalam
penempatan radar, instalasi dan setting
beberapa parameter yang disesuaikan dengan
kondisi lokal setempat (WMO, 2006). Salah
satu parameter yang perlu diatur untuk
menggambarkan kondisi lokal (hujan) adalah
relasi reflektivitas (Z) dan rainfall rate (R). Z
merupakan revlektivitas yang terukur pada
radar, sedangkan R merupakan konversi nilai
curah
hujan
dari
nilai
reflektivitas
tersebut(Kumar, et.al, 2011, Prat & Baros,
2009). Untuk menyesuaikan dengan kondisi
setempat maka nilai R ini bisa perhitungkan
dari curah hujan observasi setempat. Sampai
saat ini seting parameter Z-R berdasarkan
persamaan Marshal-Palmer dan pengaturan
relasi Z-R yang disesuaikan dengan kondisi
lokal belum dilakukan, sehingga data radar
yang dihasilkan belum diketahui kesesuaiannya
dengan kondisi setempat. Untuk tahap awal,
dikaji radar cuaca di Stasiun Meteorologi
Palembang. Tujuan penelitian ini adalah untuk
menentukan
relasi
antara
parameter
reflektivitas (Z) dengan curah hujan (R) untuk
radar cuaca yang terdapat di Stasiun
Meteorologi Palembang.
METODE PENELITIAN
Data yang digunakan dalam penelitian ini
adalah data radar Gematronik Stasiun
Meteorologi Sultan Badaruddin II Palembang
pada elevasi 1 dengan angle sapuan 0.5 dan
data curah hujan yang diukur oleh Automatic
Weather Station (AWS) Kenten Palembang
tahun 2011. Koordinat stasiun AWS berada
pada 3 LS 104.7 BT. Periode pengukuran
setiap 10 menit. Data radar yang dipakai dalam
perhitungan relasi Z-R ini adalah data
reflektifitas dengan jarak sapuan 100 km. Dari

data radar tersebut kemudian diekstrak 9 data
yang paling dekat dengan titik AWS.
Pengolahan data yang dilakukan dalam
penelitian ini terdiri dari 2 langkah yaitu
penentuan tipe hujan berdasarkan jenisnya dan
dilanjutkan dengan penghitungan relasi Z-R.
Dari data AWS dikelompokkan menjadi dua
jenis tipe hujanberdasarkan curah hujannya.
Penentuan tipe hujan mengacu kepada
penelitian Nzeukou et al (2002) dalam Arida
(2012 yaitu :
a. Tipe stratiform apabila mempunyai
intensitas curah hujan dengan nilai R < 10
mm h -1.
b. Tipe konvektif apabila mempunyai
intensitas curah hujan dengan nilai R > 10
mm h -1.
Metode yang digunakan dalam penelitian ini
merupakan metode statistik yaitu regresi linear
untuk menentukan konstanta empiris a dan b.
Rumus yang digunakan adalah sebagai berikut:
(1)
dengan mengetahui nilai a dan b pada regresi

linear ini selanjutnya dapat ditentukan
konstanta a dan b pada relasi Z-R. penerapan
rumus regresi ini tidak serta merta dilakukan
dengan memasukkan nilai Z dan R secara
langsung tetapi dilakukan perhitungan melalui
fungsi logaritma seperti dijelaskan dibawah.
Nilai b diperoleh dari pemangkatan angka
sepuluh dengan nilai b pada persamaan
regresinya, serta nilai a merupakan nilai yang
terdapat pada persamaan regresinya. Misal
persamaan regresinya Y=1,2x + 2,4 maka nilai
a adalah 1,2 dan nilai b adalah 102,4 =251,19.
Berdasarkan teori Marshall-Palmer, terdapat
hubungan yang nyata antara laju curahan (R)
dengan reflektifitas radar (Z). Secara matematis
hubungan antara Z dan R diformulasikan
dengan persamaan:
(2)
Dimana Z = faktor reflektivitas radar

(mm6/m3); a dan b = konstanta empirik ; dan R
= curah hujan (mm/jam)[Atlas,2009].
Z= 10 log (z) = 10 (log (a) + b log (R)(3)
30
Persamaan ini indentik dengan persamaan garis

y = a + bx, dimana Z : faktor reflektivitas (dB),
z : faktor reflektivitas (mm6/m3), R : intensitas
curah hujan.
Variabel log(Z) sebagai variabel dependen dan
log(R) sebagai variabel independen. Anggap Y
= log(Z), = log(a),=b, X=ln R, sehingga
diperoleh fungsi Y = + X, dan pada
sumbu y merupakan kemiringan dan intersep.
Koefisien a dan b pada persamaan diatas di
estimasi menggunakan regresi linier Z terhadap
R. Nilai koefisien yang bervariasi dari hasil
regresi linier untuk masing-masing tipe hujan
kemudian di plot dan dianalisis.
Perbandingan antara reflektivitas (dBZ) yang
terukur pada radar dan nilai curah hujan yang
terukur pada AWS di Stasiun Keten
ditunjukkan pada gambar 1. Grafik tersebut
merupakan grafik untuk bulan Juli dimana
terdapat 4 hari hujan.
Gambar 1. Grafik hubungan reflektivitas dan curah

hujan di Stasiun Kenten bulan Jul
Gambar 2.Scatter-plot Z dan R di Stasiun Kenten

tahun 2011
Gambar 1 menunjukkan hubungan antara

revlektivitas dengan curah hujan dimana
terdapat variasi revlektivitas pada curah hujan
yang nilainya sama, sebagai contoh untuk nilai
curah hujan yang terukur pada AWS sebesar
0.5 mm nilai revlektivfitasnya bervariasi antara
0 22 dBZ. Variasai yang besar ini akan
menyebabkan perhitungan nilai relasi Z-R yang

kurang tepat.
Hasil perhitungan regresi linear relasi Z-R di
Kenten, Palembang tahun 2011 secara umum
dapat dilihat pada Gambar 2. Hasil ini
merupakan scatter plot rata-rata dari nilai
revlektifitas 9 titik di radar yang dihubungkan
dengan nilai curah hujan yang terukur pada
AWS.
Dari gambar diatas dapat dilihat bahwa nilai
koefisien intersept (intercept coefficient) relasi
Z-R adalah 2,156 sedangkan koefisien
kemiringan (slope coefficient) bernilai 0,534.
Dari nilai tersebut dapat ditentukan nilai
konstanta a dan b. Nilai konstanta a adalah
0,534 sedangkan nilai konstanta b adalah 102,156
= 143,2. Dengan diketahui nilai konstanta a dan
b, maka dapat diketahui nilai relasi Z-R nya
yaitu Z = 143.2 R0.53. Untuk nilai relasi Z-R
pada 9 titik terdekat dengan stasiun AWS
Kenten, Palembang dapat dilihat pada Tabel 1.
Titik
1
2
3
4
5
6
7
8
9
Tabel 1. Relasi Z-R Daerah Kenten Tahun 2011

Konstanta a Konstanta b
Relasi Z-R
176.2
0.59
Z = 176.2 R0.59
97.3
0.62
Z = 97.3 R0.62
85.9
0.60
Z = 85.9 R0.60
150.3
0.56
Z = 150.3 R0.56
100.5
0.43
Z = 100.5 R0.43
255.9
0.52
Z = 255.9 R0.52
154.9
0.55
Z = 154.9 R0.55
113.5
0.42
Z = 113.5 R0.42
255.9
0.52
Z = 255.9 R0.52
143.2
0.53
Z = 143.2 R0.53
Gambar 3.Scatter-plot Z dan R hujan konvektif di

Stasiun Kenten tahun 2011
Relasi Z-R dari sembilan titik terdekat dengan

AWS bervariasi dari satu titik ke titik lainnya.
Konstanta a bervariasi antara 85,9 - 255,9 dan
rata-ratanya 143,2. Untuk konstanta b nilainya
antara 0,43 0,62 sedangkan rata-ratanya 0,53.
Dengan demikian nilai relasi Z-R nya berbedabeda di setiap titik. Perbedaan nilai relasi Z-R
31
ini bergantung kepada nilai revlektivitas pada

masing-masing titik. Dengan demikian dapat
disimpulkan bahwa nilai revlektivitas yang
merepresentasikan kandungan titik-titik air di
setiap tempat berbeda. Resolusi citra radar yang
digunakan dalam penelitian ini adalah 250 m,
artinya setiap nilai yang ada dalam satu titik
mewakili luasan 250 x 250 meter. Dalam hal
ini perbedaan jarak sejauh 250 meter
mempunyai nilai revlektivitas yang bervariasi.
Untuk melihat lebih detail relasi Z-R pada tipe
hujan yang berbeda, maka hujan yang terjadi
pada tahun 2011 diklasifikasikan menjadi dua
yaitu hujan konvektiv dan hujan stratiform
berdasarkan kriteria yang diajukan Nzeukou et
al (2002). Hasil scatter plot rata-rata hujan
konvektif tahun 2011 ditampilkan pada Gambar
3.
Hasil scatter plot pada hujan konvektif tahun
2011 menunjukkan bahwa nilai koefisien
intersep (intercept coefficient) relasi Z-R adalah
2,339 sedangkan koefisien kemiringan (slope
coefficient) bernilai 0,268 dengan cara yang
sama diatas dapat dicari nilai konstata a dan b.
Nilai konstanta a adalah 0,268 sedangkan nikai
konstanta b adalah 251,1 sehingga relasi Z-R
yang terbentuk pada hujan konvektif ini adalah
Z = 251.1 R0.27. Scatter plot pada hujan
konvektif menyebar dalam berbagai nilai, hal
ini menunjukkan adanya variasi nilai dBZ yang
tinggi pada tipe hujan ini. Dan juga rentang
nilai curah hujan pada tipe konvektif sangat
luas, hal inilah yang menyebabkan perbedaan
nilai revlektifitas (dBZ) juga bervariasi. Secara
lengkap nilai kostanta a dan b serta relasi Z-R
yang terbentuk pada tipe hujan konvektif pada
9 titik disekitar AWS dapat dilihat pada Tabel
2.
Tabel 2. Relasi Z-R Tipe Hujan Konvektif Daerah
Kenten Tahun 2011
Titik Konstanta a Konstanta b Relasi Z-R
1
325.09
0.19
Z = 352.09 R0.19
2
139.00
0.40
Z = 139 R0.40
3
105.4
0.48
Z = 105.4 R0.48
4
179.1
0.47
Z = 179.1 R0.47
5
153.1
0.15
Z = 153.1 R0.15
6
489.8
0.10
Z = 489.8 R0.10
7
192.8
0.43
Z = 192.8 R0.43
8
185.8
0.10
Z = 185.8 R0.10
9
489.8
0.10
Z = 489.8 R0.10
251.1
0.27
Z = 251.1 R0.27
Tabel 2. menunjukkan bahwa konstanta a dan b

serta relasi Z-R pada setiap titik berbeda-beda.
Nilai konstanta a bervariasi antara 105,4
489,8 sedangkan nilai konstanta b relatif kecil

antara 0,1 0,48. Perbedaan nilai konstanta a
dan b ini tentunya akan menyebabkan
perbedaan nilai relasi Z-R yang tebentuk. Nilai
konstanta a pada hujan konvektif ini relatif
besar dibandingka rata-ratanya sedangkan nilai
b cenderung lebih kecil dibandingkan nilai rataratanya. Perbedaan nilai ini berhubungan
dengan sebaran data antara rainfall rate dan
revlektivitasnya. Sedangkan pada hujan
stratiform hasil dari scatter-plot menunjukkan
hasil seperti pada Gambar 4.
Gambar 4. Scatter-plot Z dan R hujan stratiform di

Stasiun Kenten tahun 2011
Sebaran nilai revlektifitas dan curah hujan pada

tipe hujan stratiform nilainya lebih terbatas
dibandingkan pada tipe hujan stratiform.
Jumlah kejadian hujan stratiform di wilayah
Kenten lebih banyak dibandingkan hujan
konvektif, tetapi variasi curah hujannya lebih
sedikit. Nilai koefisien intersept yang terbentuk
dari regresi linear pada rata-rata 9 titik sekitar
AWS Kenten adalah 0,46 sedangkan nilai
koefisien kemiringannya adalah 2,135. Dari
nilai koefisien intersep dan kemiringan ini
kemudian dapat dihitung nilai konstanta a dan b
yaitu sebesar 0,46 dan 148,7. Dengan
diketahuinya nilai konstanta a dan b ini maka
relasi Z-R yang terbentuk adalah Z = 148.7
R0.46. Sedangkan secara terperinci nilai
konstanta a, b serta relasi Z-R yang terbentuk
pada 9 titik di sekitar AWS dengan tipe hujan
stratiform ditunjukkan pada Tabel 3.
Tabel 3. Relasi Z-R Tipe Hujan Stratiform Daerah
Kenten Tahun 2011
Titik Konstanta a Konstanta b Relasi Z-R
1
180.3
0.67
Z = 180.3 R0.67
2
91.6
0.52
Z = 91.6 R0.52
3
79.4
0.46
Z = 79.4 R0.46
4
134.9
0.36
Z = 134.9 R0.36
5
98.0
0.39
Z = 98 R0.39
6
253.5
0.55
Z = 253.5 R0.55
7
137.7
0.33
Z = 137.7 R0.33
8
109.7
0.37
Z = 109.7 R0.37
9
253.5
0.55
Z = 253.5 R0.55
148.7
0.46
Z = 148.7 R0.46
32
Nilai konstanta a dan b pada tipe hujan

stratiform di Stasiun Kenten tahun 2011,
nilainya antara 79.4 253.5. Sedangkan
konstanta b berkisar antara 0,33 0,67. Dilihat
dari nilai konstanta a yang terbentuk, pada
hujan stratiform nilainya lebih kecil
dibandingkan pada tipe hujan konvektif, tetapi
untuk nilai konstanta b, lebih besar
dibandingkan dengan hujan konvektif. Besaran
nilai konstanta a bergantung pada koefisien
intersep, dan pada hujan stratiform ini nilainya
lebih kecil dibandingka dengan hujan
konvektif. Sedangkan untuk konstanta b
nilainya
bergantung
dari
koefisien
kemiringannya.
Tabel 4. Relasi Z-R bulanan daerah Kenten
Bulan Konstanta a Konstanta b
Relasi Z-R
0.69
Jan
Feb
269.9
116.7
0.69
0.36
Z = 269.9 R
Z = 116.7 R0.36
Mar
Apr
Mei
Jun
Jul
Nov
100.2
102.7
52.0
176.7
280.8
298.0
0.85
0.74
0.36
0.61
-1.81
1.60
Z = 100.2 R0.85
Z = 102.7 R0.74
Z = 52.0 R0.36
Z = 176.7 R0.61
Z = 280.8 R-1.81
Z = 298.0 R1.60
Des
377.2
-0.85
Z = 377.2 R-0.85
Variasi nilai relasi Z-R yang diklasifikasikan

setiap bulan juga menunjukkan nilai yang
berbeda seperti terlihat pada Tabel 4. Nilai
konstanta a dan b bervariasi setiap bulan, nilai
konstanta a yang paling besar adalah antara
Januari, Juli, November dan Desember.
Sedangkan nilai kostanta b yang terbesar
adalah bulan November. Untuk bulan Juli nilai
koefisien kemiringannya bernilai negatif
dimana garis regresinya miring ke bawah.
Untuk bulan April, Mei dan Juni nilai konstanta
a lebih kecil dibandingkan dengan bulan-bulan
lainnya. Sedangkan nilai konstanta b pada Mei
merupakan nilai terkecil.
Pada penelitian ini nilai relasi Z-R yang
dihasilkan dikelompokkan menjadi 4 bagian.
Bagian pertama disusun time series kejadian
hujan
selama
tahun
2011,
ke-dua
dikelompokkan hujan konvektifnya, ke-tiga
dikelompokkan hujan stratiform dan terkahir
dibahas setiap bulannya. Pada perhitungan
relasi Z-R sepanjang tahun 2011 didapatkan
sembilan persamaan relasi Z-R yang di hitung
dari 9 titik yang digunakan juga ditampilkan
nilai rata-ratanya. Pada kelompok ini semua
kejadian hujan digabungkan dan didapatkan
nilai yang berbeda di tiap titik. Perbedaan nilai

relasi Z-R yang terbentuk ini karena nilai
reflektivitas yang terdapat dari setiap titik juga
berbeda sehingga persamaan yang terbentuk
juga berbeda. Perbedaan nilai reflektivitas ini
dipengaruhi oleh ukuran droplet (ukuran butir
hujan) atau kerapatan butir hujan di setiap
kolom udara yang berbeda. Tetapi karena
analisa ini dilakukan pada kejadian hujan yang
sama, kemungkinan besar perbedaan nilai
reflektivitas ini karena perbedaan densitas
droplet air hujan yang terkandung pada setiap
kolom udara yang diukur oleh radar. Semakin
banyak droplet pada satu piksel kolom udara,
maka nilai reflektivitasnya akan semakin
besar(Austin, 1947, Wilis & Tatelman, 1988).
Nila relasi Z-R berdasarkan tipe hujannya juga
dianalisa, dibedakan berdasar hujan konvektif
dan stratiform. Pengelompokannya didasarkan
curah hujannya dimana jika lebih atau sama
dengan 10 mm/jam dikelompokkan pada tipe
hujan konvektif sedangkan jika kurang dari 10
mm/jam merupakan hujan stratiform. Tetapi
dari hasil perhitungan, relasi Z-R menunjukkan
perbedaan diantara kedua tipe. Dari hasil
perhitungan antara nilai reflektivitas yang
terukur oleh radar dan nilai curah hujan yang
terukur pada AWS dapat dihitung relasi Z-R
pada kedua tipe hujan tersebut. Tetapi hasil
yang didapatkan mempunyai perbedaan. Hal ini
dikarenakan parameter a dan b pada relasi Z-R
sangat bergantung pada banyak faktor,
termasuk pada distribusi ukuran butir hujan
(drop size distribution = DSD) yang beragam
disetiap tempat dan waktu. Kita dapat
memperkirakan Z dan R secara langsung dari
pengukuran DSD oleh disdrometer. Nilai Z dan
R ini dapat digunakan untuk membangun
hubungan Z-R (Atlas, 1964; Battan, 1973;
Krajewski & Smith, 2002). Walaupun demikian
disdrometer relatif mahal dan sangat rumit
untuk pengoperasiannya dan yang lebih umum
digunakan adalah penakar hujan. Smith (1993)
menyatakan bahwa distribusi ukuran butir
hujan (droplet) bergantung pada perbedaan
intensitas curah hujan, dan curah hujan yang
tinggi bergantung kepada intensitas aktivitas
konvektif yang ada. Semakin tinggi aktivitas
konvektifnya maka curah hujan yang terbentuk
juga semakin tinggi, serta ukuran butir dari
droplet juga akan berubah. Dengan demikian
nilai revlektifitasnya juga akan berbeda.
Analisa relasi Z-R berdasarkan bulan,
menunjukkan perbedaan nilai setiap bulan.
Nilai relasi Z-R berubah setiap bulan, hal ini
33
selain disebabkan jumlah kejadian hujan yang

berbeda, juga tipe hujan yang ada juga berbedabeda. Pada bulan Februari yang termasuk
musim hujan, didominasi hujan konvektif yang
dicirikan dengan curah hujan yang lebat
sedangkan pada bulan Juli sebaliknya
didominasi huja stratiform. Nilai relasi yang
dihasilkan dari kedua bulan tersebut juga
berbeda. Hal ini sesuai dengan penelitian Smith
et al, 2009 yang menyebutkan bahwa siklus
konvektiv musiman berperan penting pada
distribusi hujan dengan curah hujan tinggi.
Maka dari itu nilai relasi Z-R yang terbentuk
juga akan berbeda setiap bulan.
Pendekatan yang dilakukan untuk mencirikan
hubungan Z-R pada lokasi melibatkan
perbandingan data observasi curah hujan pada
resolusi temporal terbaik yang dimungkinkan,
akumulasi
dan
menentukan
parameter
menggunakan optimalisasi yang cocok dan
rasional. Kalibrasi hubungan Z-R telah
dilakukan dengan resolusi temporal yang
berbeda-beda, jam, harian, mingguan, bulanan,
musiman, tahunan ataupun waktu yang lebih
panjang, tetapi hanya sedikit yang telah
menginvestigasi sensitifitas dari hubungan
tersebut.
Konversi kesalahan Z-R merupakan komponen
penting pada kesalahan pendugaan curah hujan
pada radar. Rumus empiris yang digunakan
untuk
pendugaan
hujan
pada
radar
menggunakan pengukuran reflektivitas Z =
ARb , A dan b dapat diduga dan bergantung
pada DSD yang diambil sampel; dengan asumsi
bahwa terminal velocity dari tetes air sebagai
fungsi diameter dan jatuh melewati udara
(Chumchean et al 2008), Z adalah reflektivitas
radar (mm6m-3) dan R adalah hujan terukur
(mmh-1). Walaupun parameter A yang
diobservasi berubah secara signifikan dari
wilayah satu ke wilayah lain bergantung pada
alam dan kejadian hujan yang umum terjadi,
banyak peneliti beranggapan bahwa ekponen b
tidak berubah banyak (Chumchean et al 2008).
Nilai A berkisar antara 100-500 (Battan 1973)
sedangkan nilai b berkisar antara 1-3 (Smith &
Krajewski 1993) sedangkan Battan (1973)
mengungkapkan nilainya antara 1,2 1,8.
Sedangkan beberapa peneliti yang lain
mengajukan nilai 1,5, tetapi berdasar
penghitungan Root Mean Square Error
(RMSE) dan kalibrasi klimatologisnya, nilai b
ditetapkan sebesar 1,6 (Mapiam 2009). Tetapi
dalam penelitian ini nilai relasi yang dihasilkan
sangat jauh dari penelitian-penelitian diatas, hal
ini perlu ditelusuri lagi mengenai penyebab

perbedaan yang mecolok tersebut.
Dilihat dari perhitungan berdasarkan tipe hujan
dan periode bulanannya, nilai relasi Z-R
fluktuatif sepanjang tahun. Nilai revlektivitas
pada masing-masing hujan dengan curah hujan
tertentu juga fluktuatif, misalnya pada
pengukuran AWS dengan nilai 0.5 mm, nilai
revlektifitas yang terbaca di radar rentangnya
sangat besar. Pada satu kasus nilainya negative
tetapi pada kasus lain nilainya bisa lebih dari
40 dBZ. Nilai rentang yang sangat lebar ini
akan
menyebabkan
kesalahan
dalam
penghitungan relasi Z-R nya. Tetapi perbedaan
nilai revlektivitas ini dimungkinkan karena
adanya perbedaan ukuran droplet dari kejadian
hujan yang satu dengan yang lain. Dan ini
merupakan salah satu ambiguitas yang menjadi
problem pada penggunaan radar.
KESIMPULAN
Dari penelitian ini dapat disimpulkan bahwa
nilai relasi Z-R radar Palembang yang
dibandingkan dengan data curah hujan di
Stasiun Kenten tahun 2011 menunjukkan
konstanta a yang sesuai dengan penelitian
sebelumnya, tetapi untuk nilai b cenderung
lebih rendah yaitu 0,53 dibandingkan nilai yang
ditentukan sebesar 1-3. Nilai relasi Z-R yang
pada hujan konvektif umumnya memiliki
konstanta a yang lebih besar dibandingkan
dengan hujan stratiformtetapi untuk konstanta b
lebih kecil dibandingkan dengan hujan
stratiform 148 berbanding 251. Relasi Z-R
bulanan menunjukkan nilai yang bervariasi
akibat dari tipe hujan yang berbeda. Terdapat
ambiguitas nilai reflektivitas (dBZ) yang
terukur oleh radar sehingga mempengaruhi
konsistensi nilai relasi Z-R yang terbentuk.
Saran dari penelitian ini adalah perlu diadakan
seleksi nilai reflektivitas yang terdapat pada
radar untuk mendapatkan nilai relasi Z-R yang
lebih baik, perlu dilakukan verifikasi relasi Z-R
dengan melibatkan stasiun penakar hujan yang
lebih banyak sehingga hasilnya lebih akurat dan
perlu dilakukan pengembangan metode
perhitungan Z-R sehingga nilainya realistis.
34
DAFTAR PUSTAKA
Ali, K.A and Said, H.M. 2009. Determination
of Radar Z-R Relation for Libya
Tripoli City. Proceeding of The World
Congress on Engineering. Vol 1
Arida, V. 2012. Relasi Faktor Reflektifitas
Radar dengan Intensitas Curah Hujan
untuk Radar C-Band di Soroako,
Sulawesi Selatan. Skripsi. Institut
Teknologi Bandung.
Atlas, D. 1964. Advances in Radar
Meteorology. Academic Press.
Austin, M.P. (1947). Measurement of
Approximate Raindrop Size by
Microwave Attenuation. Journal of
Meteorology. Vol 4 p 121-124.
Batan, L. J. 1973. Radar Observation of the
Atmosphere. The University of
Chichago Press. 324 p.
Chumchen, S., A. Sharma and A. W. Seed.
2008. An operational approach for
Classifying Storm in Realtime Radar
Rainfall Estimation. J. Hydrol, 363, 117.
Houze, R.A. 1993. Cloud Dynamic. California :
Academic Press, Inc.
Kumar, L.S, Lee, Y,H, Yeo & Ong, J.T ( 2011),
Tropical Rain Classification and
Estimation of Rain from Z-R
(Reflectifity-Rain rate) Relationships,
Proggress
in
Electromagnetics
Research B. Vol.32, 107-127.
Mapiam, P. P, Sriwongsitanon, N, Chumchen,

S. & Sharma, A. (2009). Effect of Rain
Gauge Temporal Resolution on the
Specification of a Z-R Relationship.
Journal of Atmospheric and Oceanic
Technology. Vol 26 p 1302-1314
Willis, P.T and Tattelman, P. 1988. Drop Size
Dirtibution Associated with Intense
Rainfall.
Journal
of
Applied
Meteorology. Vol 28 p 3-15.
Prat, P.O and P. Barros. 2009. Exploring the
Trancient
Behavior
of
Z-R
Relationship: Implication for Radar
Rainfall Estimation. Journal of Applied
Meteorology and Climatology. Vol 48
p 2127-2143.
Skolnik, M. 2008. Radar Handbook, Third
Edition. The McGraw-Hill Companies.
Smith, J. A. and W.F. Krajewski. 1993. A
Modelling Study of Rainfall Rate
Revlectivity
Relationship.
Water
Resour. Res., 29, 2505-2514.
Tjasyono, B. 2004. Klimatologi Umum.
Penerbit ITB, Bandung
World Meteorological Organization. 2006.
Guide to Meteorological Instrument
and
Methods
of
Observation.
Secretariat of WMO-Geneva.
DISKUSI
1. Bayong Tjasyono
Untuk radar yang digunakan harus dikemukakan bagaimana setting alatnya, misalnya berapa
panjang gelombang yang digunakan, karena informasi ini sangat penting untuk mengetahui
akurasi data yang dihasilkan. Pengaturan panjang gelombang akan mempengaruhi atenuasinya
sehingga berpengaruh terhadap data yang dihasilkan. Jenis radar yang digunakan apa?
Radar yang digunakan merupakan jenis radar C band
2. Syamsul Huda
Lapisan data radar yang diambil berapa lapisan?
Untuk penelitian ini hanya digunakan satu elevasi data radar yaitu 0,5 o dengan pertimbangan
bahwa data yang terukur adalah butir hujan yang sudah jatuh. Pada penelitian yang lain
beberapa peneliti menggunakan data elevasi ini.
Bagaimana kalau digunakan semua elevasi sehingga informasi yang terekam adalah kolom air
yang terkandung di awan.
Untuk penelitian selanjutnya dimungkinkan untuk penggunaan CAPPI atau beberapa elevasi
sehingga data revlektifitas yang dianalisa selanjutnya adalah dari beberapa kolom yang
kemudian digabung menjadi satu (hybrid)
35
PENGEMBANGAN MODEL GELOMBANG GENERASI III

(WAVEWATCH-III)
THE DEVELOPED OF3rd GENERATION WAVE MODEL (WAVEWATCH-III)
Muhammad Najib Habibie, Donaldi S. Permana, Suratno, Welly Fitria
Email: najib.habibie@bmkg.go.id
ABSTRAK
Model gelombang Windwaves-05 telah digunakan untuk operasional prakiraan gelombang di BMKG.
Model ini merupakan pengembangan dari model MRI-II yang dikembangkan oleh Japan
Meteorological Agencies (JMA) dan termasuk model generasi II. Model ini memiliki keterbatasan
dalam memperhitungkan gelombang non linear (swell) dan gelombang frekuensi rendah. Walaupun
gelombang frekuensi rendah ini jarang terjadi tetapi mempunyai sifat yang sangat merusak. Pada
penelitian ini dilakukan pengembangan model generasi III dimana pada model ini gelombang non
linear dan frekuensi rendah diperhitungkan secara eksplisit. Model yang digunakan adalah
WaveWatch-III. Hasil luaran model kemudian dianalisa untuk mengetahui kehandalannya,
diantaranya dengan membandingkan input yang digunakan dalam model dengan data observasi,
luaran model dengan observasi serta kemampuan dalam simulasi gelombang frekuensi rendah. Hasil
penelitian menunjukkan bahwa input model (angin 10 m) mempunyai korelasi yang tinggi dengan
nilai 0,72-0,83 pada arah dan 0,45-0,53 pada kecepatannya ketika dibandingkan dengan data
observasi. Sedangkan untuk tinggi gelombangnya pola antara luaran model dan observasi sudah
beriring tetapi cenderung underestimate.. Kemampuan WaveWatch-III dalam mensimulasikan swell
sangat bagus dibandingkan model generasi II. Hal ini tampak dalam simulasi gelombang tinggi
(>4m) 17-19 Mei 2007 yang menghantam pantai barat Sumatera dan Selatan Jawa sampai Nusa
Tenggara. Simulasi model menunjukkan hasil yang sama dengan yang tercatat dalam laporan media
baik tinggi gelombangnya maupun waktu kejadiannya.
Kata kunci: model generasi II, Wavewatch-III, swell, gelombang tinggi
ABSTRACT
Windwaves-05 has been operationally on BMKG to forecast wave height. This model developed from
MRI-II that operationally on JMA belonging to model generation II. This model has limitedness on
calculating non-linear wave (swell) and low frequency of waves. Although this wave infrequently, but
its very damaged. Developed the model generation III has been done in this research. Non linear and
low frequency of waves calculate explisitly on this model. The model output analized to know the
model performance by comparing input model with obsevation data, output model with observation
and the perfomance on low frequency waves simulation. The result of this research shows that input
model (wind 10 m) has high correlation on wind speed (0,72-0,83)and direction (0,45-0,53) with
observating data. The wave height pattern have similarity between model and observation, but model
shows under estmate commonly. The Wavewatch-III performance on height wave simulation better
than model generation II. It shown in May, 17-19 2007 height wave event that attack west coastal of
Sumatera, south castal of Java unti Nusa Tenggara. The model simulation shows similarities about
model output and news media report on wave height and the event time.
Keywords : model generation II, Wavewatch-III, swell, height wave
PENDAHULUAN
Model gelombang Windwaves-05 telah
digunakan untuk operasional prakiraan
gelombang di BMKG. Model ini merupakan
pengembangan dari model MRI-II yang
dikembangkan oleh Japan Meteorological
Agencies (JMA) dan termasuk model generasi

II.Meskipun
pengalaman
operasional
menunjukkan bahwa model WINDWAVES-05
dapat dianggap baik untuk analisis dan
prakiraan gelombang di wilayah Indonesia
namun demikian karena adanya kelemahan
dalam model ini, pada beberapa kasus hasil
36
model ini kurang akurat. Ada tiga kelemahan

dari model ini. Yang pertama, seperti yang di
jelaskan oleh Suratno [1,2], pertumbuhan
spektrum gelombang oleh tiupan angin, dalam
model ini dibatasi oleh spektrum PiersonMoskowit [3] yang berbeda dengan spektrum
aktual yang ditemukan Hasselmann et al. [4]
yang menunjukkan adanya pergeseren puncak
spektrum ke frekuensi yang lebih rendah akibat
transfer energi non linier yang proses penting
dalam pembentukan swell. Hal tersebut
menyebabkan model kurang baik dalam
memprediksi swell yang dihasilkan badai tropis
yang kuat.
Kelemahan yang kedua; model gelombang
dalam
WINDWAVES-05 adalah model
gelombang dari generasi II dimana transfer
energi non linier antar gelombang tidak dihtung
secara
ekplisit
tetapi
diparameterisasi
bedasarkan hasil observasi [1]. Hal ini
menyebabkan model gelombang lemah dalam
memprediksi swell. Model umumnya dapat
memprediksi gelombang windsea dengan
baik. Windsea adalah gelombang yang
terbentuk oleh angin secara langsung. Swell
adalah gelombang panjang yang terbentuk
akibat adanya transfer energi windsea. Karena
energinya yang tinggi swell dapat keluar dari
daerah pembentukannya hingga ribuan
kilometer.
Kelemahan ketiga dari WINDWAVES-05,
adalah harga batas pada lautan yang terbuka
tetap menyebabkan model ini tidak dapat
mendeteksi gelombang panjang (swell) yang
merambat dari dari daerah pertumbuhan
gelombang yang berada di luar batas domain
yang telah ditetapkan. Kasus ini pernah terjadi
pada bulan Mei 2007, swell yag berasal dari
badai ekstra tropis di Afrika Selatan terdeteksi
Satelit Jason II, menghatam La Reunion
tanggal 12 Mei 2007, merambat hingga ke
perairan Indonesia. Adanya interaksi dengan
dasar laut dan pasang laut maksimum
menyebabkan terjadinya gelombang tinggi di
beberapa wilayah di sepanjang pantai barat
Sumatra Barat, Selatan Jawa sampai
Nusatenggara pada 17 -18 Mei 2007.
Dengan latar belakang yang demikian untuk
meningkatkan akurasi prakiraan gelombang
maka perlu dikembangkan model yang mampu
memprediksi windsea dan swell secara lebih
baik, seperti MRI-III dari Jepang dan
WAVEWATCH-3 (WW3) dari NOAA.
Adapun sasaran kegiatan untuk anggaran tahun
2012 adalah mempelajari model gelombang
generasi III dengan mengadopsi model

gelombang generasi III yaitu WAVEWATCHv3.14 dari NOAA dan evaluasi luaran model
dengan data observasi (survey lapangan).
METODE PENELITIAN
Dalam pengembangan model Wavewatch-III
ini digunakan dua jenis data yaitu data untuk
input model, luaran WINDWAVES-05, dan
data observasi untuk pembanding. Data input
model yang digunakan adalah final reanalysis
per 6 jam (00, 06, 12, 18 UTC) dan prediksi
angin pada ketinggian 10 meter, per 6 jam
dengan jangka prakiraan hingga 192 jam dari
GFS (Global Forecasting System), National
Center for Environmental Prediction(NCEP)
NOAA. Resolusi spasial kedua jenis data
adalah 0.50 (55,5 km). Data di donwnload
melalui
Website:
http://www.mmm.ucar.edu/[5] dan bathymetri
etopo resolusi 2 ( 3 x 3 km) dari US
Geological
Survey
(USGS),
website:
http://www.usgs.gov/[6]
Data WINDWAVES-05 yang digunakan
sebagai pembanding adalah analisis gelombang
pada periode 17-19 Mei 2007 yang diperoleh
dari arsip Sub Bidang Informasi Meteorologi
Maritim, Bidang Meteorologi Maritim, Pusat
Meteorologi Penerbangan dan Maritim,
BMKG. Domain model meliputi 25 LU 25
LS, 80 150 BT dengan resolusi 0,5
Data obeservasi yang digunakan adalah data
tinggi gelombang signifikan (SWH) dan angin
pada ketinggian 10 meter per jam, hasil survey
di wilayah Legon Bajak desa Kemojan,
Karimun Jawa tanggal 6-15 Juli 2012 dan
tanggal 30 Oktober 6 November 2012. Alat
yang digunakan untuk pengamatan angin
adalah Anemometer RM Young yang dipasang
pada ketinggian 10 meter dari permukaan laut
pada posisi 05 46' 12" LS, 110o 29' 51" BT
Alat yang digunakan untuk pengamatan
gelombang adalah Ultrasonic Wavemeter
DLU-1, yang dipasang pada kedalaman 15
meter pada posisi 05 47' 40" LS, 110 28' 87"
BT.
Lokasi
pengamatan
gelombang
ditunjukkan pada gambar 1.
Model gelombang yang diadopsi adalah
WAVEWATCH-3, Versi 3.14
yang
dikembangkan oleh EMC-NOAA-NCEP, USA.
Software model gelombang ini merupakan open
sources softwere yang dapat diperoleh dari
website dengan mendaftar ke NOAA. Langkah
37
pertama yang dilakukan dalam pengembangan

model ini meliputi instalasi model WW-III
pada High Perfomance Computing (HPC) di
Puslitbang BMKG, seting dan running model
untuk monitoring harian secara rutin hasil
prakiraan model. Langkah kedua adalah
mengevaluasi luaran model yang dilakukan
dengan dua cara. Yang pertama adalah untuk
melihat
kemampuan
model
dalam
mensimulasikan kejadian gelombang tinggi
tanggal 17 19 Mei 2007, keduaadalah
evaluasi menggunakan data hasil survey
lapangan.
Monitoring harian hasil prakiraan, model
dioperasikan dengan dua domain (Global dan
Indonesia) dengan resolusi yang berbeda secara
nested. Untuk domain global (60 LU- 70 LS,
180 BB 180 BT) digunakan resolusi 0,5 (
55,5 km) dan untuk domain Indonesia (15 LU
- 15 LS, 90 150 BT) digunakan resolusi
0,125( 14 km). Pengoperasiannya dilakukan
sehari sekali dengan dengan input angin
prakiraan basis waktu 00 UTC untuk prediksi
gelombang hingga 192 jam.Metode nesting
yang digunakan adalah two way nesting.
Dengan cara ini, gelombang pada domain
Indonesia
dapat
mempengaruhi
atau
dipengaruhi oleh gelombang pada domain
global.
Simulasikan kejadian gelombang tinggi kasus
17 - 19 Mei 2007 dilakukan dengan pengaturan
model yang serupa dengan pengoperasian
model untuk keperluan monitoring harian tetapi
resolusi yang digunakakan untuk domain
Indonesia adalah 0,25 ( 27,75 km). Input
yang digunakan dalam hal ini adalah angin
reanalysis. Hasil simulasi dievaluasi dengan
data lapangan (laporan media) dan juga
dibandingkan hasil simulasi rutin Windwaves05 dari Bidang Meteorologi Maritim, Pusat
Informasi Meteorologi Penerbangan dan
Maritim.
Verifikasi luaran model dengan data hasil
survey lapangan dilakukan dengan pengaturan
domain model menjadi tiga yaitu domain
global, domain Indonesia dan domain Laut
Jawa (0 - 10 LS, 103 117 BT) dengan
resolusi 0,025 ( 2,775 km). Luas domain dan
resolusi untuk domain global dan domain
Indonesia sama dengan yang digunakan
dalam pengoperasian model untuk simulasi
gelombang tinggi. Hasil simulasi tinggi
gelombang gelombang signifikan pada titik
grid terdekat dengan posisi pengamatan
selanjutnya di bandingkan dengan tinggi

gelombang hasil pengamatan insitu. Untuk
melihat akurasi input model arah dan kecepatan
juga dievaluasi dengan cara yang sama.
WaveWatch III (WW3) di running secara rutin
di Puslitbang BMKG dan hasil luaran model
WW3 yang digunakan untuk monitoring harian
terdiri dari 9 variabel adalahWind Speed
Direction, Significant Wave Period Direction,
Primary Swell Wave Height Mean Direction,
Primary Swell Period Mean Direction,
Secondary Swell Wave Height Mean
Direction, Secondary Swell Wave Periode
Mean Direction, Wind Sea Wave Height
Mean Direction, Peak Wave Periode
Direction dan Wind Sea Periode Direction.
Hasil luaran model WW3 untuk 9 variabel
ditampilkan pada website http://202.90.199.54.
Verifikasi model WaveWatch-III dengan data
observasi lapangan (perairan Karimunjawa)
dilakukan selama dua periode yaitu periode
musim timuran dan musim peralihan menuju
baratan. Periode pertama dilakukan pada
tanggal 8 15 Juli 2012 meliputi pengukuran
angin dan gelombang. Sedangkan periode ke
dua mulai tanggal 30 Oktober 6 November
2012.
Jangka
waktu
masing-masing
pengamatan selama 7 hari. Hasil observasi
ditampilkan dalam Tabel 1 dan Tabel 2.
Tabel 1. menunjukkan hasil verifikasi arah dan
kecepatan angi pada bulan Juli dari hasil diatas
dapat diketahui bahwa untuk arah angin
menunjukkan korelasi yang tinggi baik dalam
periode 10 menit sampai 6 jam dengan nilai
antara 0,72-83. Nilai RMSE pada arah angin ini
juga kecil, sedangkan untuk kecepatan angin
korelasinya cenderung lebih kecil antara 0,190,22 di semua perata-rataan. Korelasi yang
kecil pada kecepatan angin ini berkaitan dengan
kondisi
angin
yang
sering
berubah
kecepatannya secara mendadak, sehingga tidak
bisa diikuti oleh model. Sedangkan pada
komponen angin U dan V korelasinya antara
0,1-0,15, tetapi berdasar persentase kesesuaian
dengan kuadran arah anginnya menunjukkan
nilai yang tinggi. Untuk komponen U
kesesuaiannya lebih dari 98% dan dengan
durasi perata-rataan yang lebih lama
menunjukkan kesesuaian sampai 100%. Tetapi
untuk komponen V kesesuaiannya lebih kecil
yaitu 70-74%. Sedangkan rata-rata komponen
U dan V menunjukkan korelasi antara 0,4538
0,51 sedangkan kesesuaian antara arah dan

kuadran arahnya berkisar antara 86-87%.
Dengan demikian input model sudah
merepresentasikan kondisi sebenarnya sehingga

bisa digunakan.
Tabel 1. Verifikasi angin GFS terhadap observasi 8 - 15 Juli 2012

Interval
No observasi
(menit)
ANGIN TOTAL
Arah
KOMPONEN ANGIN
Kecepatan
Komponen U
Rata-rata
Komponen V
RMSE
RMSE
RMSE
ADU(%)
RMSE
ADV(%)
10
0.72
2.14
0.19
0.12
0.19
0.12
98
0.71
0.15
71
0.45
0.63
84
30
0.74
2.04
0.21
0.11
0.21
0.12
99
0.73
0.14
70
0.47
0.60
84
60
0.76
1.93
0.22
0.11
0.21
0.11
99
0.75
0.14
72
0.49
0.57
85
90
0.79
1.79
0.22
0.11
0.22
0.11
99
0.76
0.14
73
0.50
0.54
86
120
0.82
1.68
0.22
0.1
0.22
0.11
100
0.77
0.13
72
0.51
0.51
86
150
0.83
1.62
0.23
0.1
0.22
0.11
100
0.77
0.13
73
0.51
0.49
86
180
0.83
1.59
0.22
0.1
0.22
0.11
100
0.77
0.13
74
0.51
0.48
87
210
0.83
1.57
0.22
0.1
0.22
0.1
100
0.77
0.13
73
0.51
0.48
86
9
240
0.82 1.56 0.22
ADU : akurasi arah komponen U
0.1
0.22
0.1
100
ADV : akurasi arah komponen V
Tabel 2. menunjukkan hasil verifikasi arah dan

kecepatan angi pada bulan Oktober-November.
Kondisi angin pada musim ini cenderung lemah
dan arahnya berubah-ubah. Korelasi arah
anginnya dari periode 10 menit sampai 6 jam
bernilai
0,38-0,65.
Sedangkan
untuk
kecepatannya korelasinya antara 0,45-0,53.
RMSE ADUV(%)
0.77
0.13
73
0.51
0.47
ADUV : akurasi arah komponen U dan V
86
Dibandingkan survey sebelumnya korelasi arah

anginnya lebih kecil. Hal ini menunjukkan
bahwa model tidak bisa mengikuti perubahan
arah angin yang berubah-ubah, tetapi nilai
korelasi kecepatannya cenderung lebih besar
artinya pada bulan ini kecepatan anginnya
cenderung stabil tetapi arahnya tidak konsisten.
Tabel 2. Verifikasi angin GFS terhadap observasi 30 Oktober-6 November 2012

Interval
No Observasi
(menit)
ANGIN TOTAL
Arah
KOMPONEN ANGIN
Kecepatan
Komponen U
Rata-rata
Komponen V
RMSE
RMSE
RMSE
ADU(%)
10
0.56
6.49
0.45
0.14
0.53
0.17
78
0.57
30
0.58
6.01
0.47
0.14
0.56
0.16
82
60
0.59
5.82
0.49
0.14
0.58
0.15
85
90
0.63
5.36
0.48
0.14
0.59
0.15
120
0.65
5.05
0.5
0.14
0.6
0.15
150
0.62
5.29
0.5
0.15
0.61
180
0.60
5.18
0.51
0.15
210
0.51
5.6
0.52
0.15
RMSE ADV(%)
RMSE ADUV(%)
0.11
73
0.53
1.73
76
0.62
0.1
75
0.56
1.60
78
0.64
0.09
78
0.58
1.55
81
87
0.66
0.09
78
0.59
1.44
82
88
0.68
0.09
78
0.61
1.36
83
0.15
88
0.69
0.08
79
0.61
1.42
84
0.62
0.15
91
0.7
0.08
78
0.61
1.39
84
0.63
0.15
90
0.7
0.08
78
0.59
1.50
84
9
240
0.38
6.3
0.53
0.15
0.64
0.15
89
ADU : akurasi arah komponen U
ADV : akurasi arah komponen V
Gambar 1. merupakan perbandingan arah angin

pengamatan dengan arah angin GFS input
model
WaveWatch
III
yang
sudah
terinterpolasi. Pola antara input model dan hasil
pengamatan mempunyai kesamaan. Simulasi
model dapat mengikuti pola yang terjadi pada
kondisi sebenarnya, tetapi tidak sama persis,
dari gambar diatas model kurang sesuai dengan
fluktuasi pada kondisi sebenarnya. Hal ini
dimungkinkan karena letak anemometer yang
berada di pantai sehingga terpengaruh oleh
kondisi topografi. Kondisi ini tentunya akan
0.71
0.08
80
0.57
1.67
ADUV : akurasi arah komponen U dan V
84
berpegaruh terhadap arah angin yang ada dan

hal ini tidak dapat disimulasikan secara
sempurna oleh model WaveWatch III.
Disamping itu input model menggunkan global
model (GFS) resolusi awalnya 0,5 yang
umumnya hanya memberikan angin rata-rata
(mean wind), sedangkan variasi yang terukur
pada anemometer dipengaruhi oleh faktor
lokal. Tetapi secara umum polanya bisa
merepresentasikan kondisi sebenarnya di
lapangan. Pada periode pengamatan pertama
pola arah angin input model lebih sesuai
39
Degree true north
dengan observasi lapangan, hal ini terjadi

karena pada bulan Juli angin bertiup lebih
persisten
dibandingkan
dengan
bulan
November. Pada bulan Juli angin bertiup dari
arah timur laut sampai timur, sedangkan pada
bulan November arahnya lebih variatif dan

model tidak bisa mensimulasikan dengan tepat.
Kecepatan angin dari model dan pengamatan
dapat dilihat pada Gambar 2
DM
DO-010
DO-120
DO-180
6 12 18 0
6 12 18 0
6 12 18 0
6 12 18 0
6 12 18 0
9-Jul
10-Jul
11-Jul
12-Jul
13-Jul
200
150
100
50
0
12 18 0
8-Jul
FM
FO-010
FO-120
6 12
14-Jul
FO-180
7
Meter/second
6
5
4
3
2
1
0
12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12
Gambar 1. Perbandingan arah dan kecepatan angin observasi dan model pada bulan Juli 2012
Gambar
2.
menjelaskan
perbandingan
kecepatan angin observasi dengan kecepatan
angin hasil model WaveWatch III. Pola
kecepatan angin yang dihasilkan model WW3
(hijau) hampir sama dengan pola observasi
(biru). Hanya di hari dan jam tertentu yang
terlihat pola berbeda secara signifikan, hal ini
terjadi hari ke-5 dan hari ke-7 dimana pada
jam-jam tertentu kecepatan angin cenderung

melemah. Kondisi yang terjadi sesaat ini tidak
bisa digambarkan oleh model dengan
sempurna. Hal ini bisa dimaklumi karena input
model yang digunakan merupakan data global
dengan resolusi rendah yaitu 0,5 x 0,5
.
40
DM
DO-010
DO-120
DO-180
Degree true north
400
350
300
250
200
150
100
50
0
12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12
30-Oct
31-Oct
1-Nov
FM
FO-010
2-Nov
3-Nov
FO-120
4-Nov
5-Nov
FO-180
Meter/second
6
5
4
3
2
1
0
12 18 0
30-Oct
6 12 18 0
31-Oct
6 12 18 0
6 12 18 0
6 12 18 0
6 12 18 0
1-Nov
2-Nov
3-Nov
4-Nov
6 12
5-Nov
Gambar 2. Perbandingan arah dan kecepatan angin observasi dan model pada bulan Oktober-November 2012
Tinggi Gelombang 3 Jam-an
8-15 Juli 2012
Tinggi (cm)
40
30
20
10
0
Waktu
40.00
30 Okt - 6obs
Novemberww3
2012
20.00
0.00
09:00:00
15:00:00
21:00:00
03:00:00
09:00:00
15:00:00
21:00:00
03:00:00
09:00:00
15:00:00
21:00:00
03:00:00
09:00:00
15:00:00
21:00:00
03:00:00
09:00:00
15:00:00
21:00:00
03:00:00
09:00:00
15:00:00
21:00:00
03:00:00
09:00:00
15:00:00
21:00:00
03:00:00
Tinggi (cm)
Tinggi Gelombang 3 jam-an

60.00
Waktu
Gambar 3. Perbandingan tinggi gelombang per 3 jam luaran model WaveWatch III dan observasi
41
Gambar 3. merupakan perbandingan tinggi

gelombang rata-rata tiga jam-an antara
observasi dengan hasil model WW3. Pola
antara observasi dan running model pada
perata-rataan 3 jam menunjukkan hasil yang
lebih baik dibandingkan pada pola per jam.
Dari kedua periode yang ada, pada Juli dimana
merupakan musim timuran, bias antara
observasi dan luaran model lebih besar
dibandingkan pada bulan November (masa
peralihan). Fluktuasi tinggi gelombang pada
bulan Juli lebih tinggi dibandingkan bulan
November dan biasnya lebih besar, hal ini
sesuai dengan hasil penelitian Chu, et al[7,8]
yang menyatakan bahwa pada musim peralihan
bias antara model dan observasi cenderung
kecil. Hal ini terjadi karena pada musim
peralihan angin yang bertiup cenderung lebih
lemah dan arahnya tidak tetap[9] dengan
demikian tinggi gelombang yang terbentuk juga

lebih kecil dan fluktuasinya juga kecil. Kondisi
yang stabil ini dapat di tangkap oleh model
sehingga bias antara luaran model dengan
observasi menjadi kecil.
Performa model dianggap baik apabila model
tersebut mampu menggambarkan keadaan yang
mendekati kondisi sebenarnya. Uji performa
model ini dapat dilakukan dengan verifikasi
menggunakan data observasi[10]. Selain itu
bisa juga digunakan untuk mensimulasikan
kejadian ekstrim. Salah satu kondisi ekstrim
yang pernah terjadi di perairan Indonesia
adalah kejadian gelombang tinggi tanggal 1719 Mei 2007. Dimana kejadian ini
mengakibatkan adanya gelombang tinggi antara
3-5 meter di sepanjang pantai barat Sumatera,
selatan Jawa hingga selatan Nusa Tenggara
seperti terlihat pada Gambar 4.
Gambar 4. Peta daerah terimbas gelombang tinggi pada kejadian tanggal 17-19 Juli 2007.
(Sumber:Satgas Penanggulangan Bencana Pusat Dep. PU)
Pada kejadian tersebut disepanjang pantai barat

Sumatera sampai Nusa Tenggara terjadi
gelombang tinggi yang menurut Satgas
Penanggulangan Bencana Pusat Dep. PU
mengakibatkan kerugian yang sangat besar
terutama rusaknya infrastruktur disepanjang
pantai, meliputi permukiman serta jalan dan
juga rusaknya beberapa kapal. Walaupun tidak
mengakibatkan korban jiwa tetapi kejadian ini
menimbulkan kerugian materi yang sangat
banyak. Kondisi tinggi gelombang laut secara
global pada kejadian ini seperti terlihat pada
Gambar5
Kondisi laut pada tanggal 17 Mei 2007
umumnya mempunyai gelombang signifikan
yang tinggi seperti terlihat pada Gambar 5.

Samudera Hindia dan laut di selatan Afrika
mempunyai tinggi gelombang signifikan antara
4-6 meter dan mengarah ke wilayah Indonesia.
Kondisi ini merupakan akibat dari akumulasi
kejadian siklon tropis di selatan Afrika yang
berlangsung beberapa hari. Swell yang
diakibatkan oleh siklon ini merambat ke arah
timur dan akhirnya sampai ke perairan
Indonesia pada tanggal 17-19 Mei 2007.
Kondisi angin pada saat kejadian tersebut di
wilayah Indonesia umumnya adalah calm, dan
kondisi gelombang tinggi ini tidak terprediksi
oleh model WindWave yang dioperasionalkan
di BMKG.
42
Gambar 5. Kondisi tinggi gelombang global pada tanggal 17 Mei 2007

.
Gambar 6. Peta tinggi gelombang dan kondisi angin permukaan 17 Mei 2007 dengan simulasi WW3
43
Menurut berita dari media massa pada tanggal

17 Mei 2007 malam sekitar pukul 21.00 WIB
gelombang tinggi mulai menghantam pantai
barat Sumatera dengan ketinggian 3-4 meter.
Kejadian ini dapat disimulasikan dengan baik
oleh model Wavewatch-III pada waktu yang
sama. Dari simulasi ini didapatkan arah
gelombang yang berbeda dengan arah
anginnya, hal ini mengindikasikan bahwa
gelombang tinggi yang terjadi bukan
disebabkan oleh angin lokal, apabila
disebabkan
angin
lokal
maka
arah
gelombangnya cenderung sama dengan arah

gelombangnya. Gelombang tinggi di pantai
barat Sumatera ini bertahan sampai tanggal 18
Mei dan kemudian merambat ke timur
menyusuri panai selatan Jawa seperti terlihat
pada Gambar 7. Gelombang tinggi di pantai
barat Sumatera iini mengakibatkan kerusakan
di Kabupaten Aceh Barat, Pasaman Barat dan
Padang Pariaman dengan korban mengungsi
lebih dari 5000 jiwa, ratusan bangunan dan
fasilitas umum rusak.
Gambar 7. Peta tinggi gelombang dan kondisi angin permukaan 18 Mei 2007 dengan simulasi WW3
Pada tanggal 18 Mei gelombang tinggi mulai

merambat ke pantai selatan Jawa dengan
ketinggian sekitar 3,5 m. Hal ini menyebabkan
banyak kerusakan diantaranya di 61 rumah dan
ratusan warung di Pelabuhan Ratu, serta di
Garut, Tasikmalaya dan Ciamis dengan
kerusakan rumah dan perahu. Peristiwa ini
menyebabkan korban luka dan lebih dari 1.400
warga mengungsi. Pada tanggal 19 Mei
gelombang tinggi mencapai pesisir selatan Nusa
Tenggara dan kemudian meluruh pada tanggal
20 Mei 2007. Kejadian ini sangat langka terjadi
di Indonesia tetapi bersifat merusak, banyak
ahli menyebut kejadian seperti ini sebagai
Meteo Tsunami yaitu gelombang besar seperti
tsunami yang diakibatkan oleh faktor

meteorologi. Kejadian ini tidak dapat diprediksi
oleh model generasi II. Simulasi antara model
generasi II dan III memiliki perbedaan yang
besar. Model Windwave-05 menunjukkan
bahwa gelombang pada tanggal tersebut tidak
tinggi dan hanya berkisar antara 1,25 2 meter,
tetapi model Wavewatch III menunjukkan hasil
yang lebih tinggi yaitu sekitar 3,5 4 meter.
Dan menurut beberapa laporan dari media,
gelombang yang menerjang pantai barat
Sumatera dan selatan Jawa sampai Nusa
Tenggara berkisar 3-4 meter. Perbedaan yang
sangat jauh antara Windwave dan Wavewatch
III ini tentunya akan menyebabkan kesalahan
44
BMKG dalam memberikan informasi kepada

publik. Komparasi dari kedua model tersebut
menunjukkan
bahwa
Wavewatch
III
mempunyai kemampuan dalam mensimulasikan
gelombang tinggi yang disebabkan oleh swell.
KESIMPULAN DAN SARAN
Dari pembahasan diatas dapat disimpulkan
bahwa komponen input model (angin 10 m)
yang berupa arah angin memiliki korelasi lebih
besar (0,72-0,83) dibanding kecepatannya
(0,42-0,53) ketika dibandingkan dengan data
observasi. Pada bulan Juli arah angin cenderung
konsisten sehingga nilai korelasinya besar,
sedangkan kecepatannya mempunyai korelasi
kecil. Sebaliknya pada bulan OktoberNovember arah angin tidak konsisten tetapi
kecepatannya relatif tetap sehingga korelasinya
lebih besar dibanding bulan Juli. Model
Wavewatch-III dalam mensimulasikan tinggi
gelombang umumnya mengalami under
estimate dan tidak dapat mensimulasikan
fluktuasi jam-jaman secara sempurna tetapi
secara umum polanya hampir sama. Model
Wavewatch-III
secara
umum
dapat
mensimulasikan kejadian gelombang tinggi
dengan baik seperti kejadian tanggal 17-19 Mei
2007 dimana terdapat kesamaan tinggi
gelombang danwaktu kemunculannya dengan
yang dilaporkan media massa.
Disarankan menggunakan data resolusi yang
lebih tinggi untuk input modelnya. Diantaranya
dapat menggunakan data angin hasil luaran
WRF, dimana proses downscalling dilakukan
secara dinamis
DAFTAR PUSTAKA
[1] Suratno.
(1997).
Model
Numerik
Prakiraan Gelombang Permukaan laut
untuk Perairan
Indonesia dan
Sekitarnya. Tesis, Program studi
Fisika, Fakultas MIPA, Universitas
Indonesia. Jakarta.
[2] Suratno. (2004).Panduan Operasional

WINDWAVES-04. Pusat Informasi
Meteorolog Penerbangan dan Maritim
BMKG. Jakarta.
[3] Pierson, W. J., and L, I. Moskowitz.
(1964). Proposed spectral form for
fully developed seas based on the
similarity
theory
of
S.
A.
Kitaigorodskii. Journal Geophsys.
Res. 69, 5181-5190
[4] Hasselmann K., T.P. Barnett, E. Bouws,
H. Carlson, D.E. Cartwright, K. Enke,
J.A. Ewing, H. Gienapp, D.E.
Hasselmann,
P. Kruseman,
A.
Meerburg, P. Mller, D.J. Olbers, K.
Richter, W. Sell, and H. Walden.
(1973). Measurements of wind-wave
growth and swell decay during the
Joint North Sea Wave Project
(JONSWAP).
Ergnzungsheft
zur
Deutschen
Hydrographischen
Zeitschrift Reihe A(8) (Nr. 12): 95.
[5] http://www.mmm.ucar.edu/
[6] US Geological Survey (USGS), website:
http://www.usgs.gov/
[7] Kuniawan, R. (2012). Karakteristik
Gelombang Laut Dan Daerah Rawan
Gelombang Tinggi Di Perairan
Indonesia. Tesis, Program studi
Kelautan, Fakultas MIPA, Universitas
Indonesia. Jakarta.
[8] Chu, P.C (2003). Validation of WW3
Using
the
Topex
Poseidon
Data(Materi presentasi)
[9] Tolman,
H.
L.,Bhavani
Balasubramaniyan,Lawrence
D.
Burroughs, Dmitry V. Chalikov, Yung
Y. Chao, Hsuan S. Chen, and Vera M.
Gerald. (2002). Development and
Implementation of Wind-Generated
Ocean Surface Wave Models at NCEP.
American Meteorological Society.
[10] Hernndez, R.P., W. Perrie, B. Toulany,
and P. C. Smith. (2007). Modeling of
Two Northwest Atlantic Storms with
Third-Generation
Wave
Models.American
Meteorological
Society.
DISKUSI
1. Hariyadi
Pengembangan model gelombang generasi 3 sangat diperlukan untuk kegiatan opeasional, karena
sudah menghitung swell secara langsung. Simulasi kejadian gelombang tinggi tanggal 17-19 Mei
2007 sudah sangat baik untuk menggambarkan kemampuan model. Untuk verifikasi dengan
observasi, kalau dilakukan di pantai tidak akan memperoleh hasil yang baik, karena dipantai juga
45
dipengaruhi oleh sea breez dan land breez sedangkan model tidak memperhitungkan fenomena ini.
Untuk itu perlu dilakukan verifikasi dengan membandingkan data observasi di laut lepas sehingga
hasilnya akan lebih baik.
Kesulitan kita dalam memperoleh data gelombang di laut lepas di wilayah Indonesia sampai
saat ini, menyulitkan untuk melakukan verifikasi ini. Kedepan dapat dilakukan kerjasama
dengan instansi lain untuk mendapatkannya.
2. Urip Haryoko
Untuk verifikasi angin sebaiknya menggunkana kategori arah angin yang dibagi menjadi 8 atau 16
arah, dan yang dikorelasikan sebaiknya adalah komponen U dan V nya.
Dalam penelitian ini kami sudah mengunakan metode ini
3. Bayong Tjasyono
Dalam peristiwa gelombang ekstrim dimungkinkan merupakan hasil dari resonansi berbagai
gelombang yang berasal dari banyak sumber, perlu dikaji sumber-sumber yang lain selain faktor
pembangkit yang digunakan dalam model ini yaitu angin.
Untuk skala penelitian ide penggunaan sumber pembangkit gelombang sangat baik, karena
gelombang juga dapat dipengaruhi oleh faktor lain seperti arus dan pasang surut. Tetapi dalam
kegiatan operasional yang dibutuhkan kecepatan pemberian informasi, sedangkan yang paling
dominan membangkitkan gelombang dalah angin.
4. Eko (ITS)
Apakah Gambar 6 pada makalah model gelombang menunjukkan waktu yang berbeda?
Gambar-gambar yang terdapat pada Gambar 6 tersebut terdiri dari significant wave height dan
kecepatan angin untuk tanggal 17-18 Mei 2007, yang digunakan untuk memperlihatkan
penjalaran gelombangnya. Dengan menganalisa arah angin dan gelombang yang terjadi,
diketahui bahwa arah gelombangnya berlainan dengan arah anginnya. Hal ini menunjukkan
bahwa gelombang yang terjadi bukan diakibatkan oleh angin yang bertiup di wilayah
Indonesia (windsea) tetapi merupakan swell dari Samudera Hindia.
Data yang digunakan dalam verifikasi apakah data hasil downscalling?
Untuk verifikasi dengan data observasi lapangan dilakukan running model dengan tiga domain
yaitu domain global, domain Indonesia dan domain Laut Jawa. Pengaturan yang digunakan
dalam domain global dan Indonesia masing-masing sebagai berikut 60 LU- 70 LS, 180 BB
180 BT menggunakan resolusi 0,5x 0,5 dan 15 LU - 15 LS, 90 150 BT dengan resolusi
0,25x 0,25, sedangkan untuk domain laut Jawa (0 - 10 LS, 103 117 BT) resolusinya 0,025
x 0,025 (~2,7 km). Hasil running ini selanjutnya dibandingkan dengan data observasi
lapangan di Karimunjawa pada tanggal 6-15 Juli 2012 dan 30 Oktober 6 November 2012.
Pemilihan data yang dibandingkan yaitu berdasarkan titik grid yang terdekat dengan titik
observasi.
Bagaimana perhitungan untuk mendapatkan signifikan wave?
Sig. wave menggunakan perhitungan 1/3 dari pengukuran tertinggi tinggi gelombang selama
periode waktu tertentu, dalam hal ini model menggunakantime step 5 menit sehingga tinggi
signifikan diperhitungkan dari periode 3 jam dan tinggi yang terukur selama 5 menit.
5. Dian (DISHIDROS)
Diperlukan kerjasama antar instansi untuk menguji dan mengembangkan model prakiraan
gelombang ini. Dengan bekerjasama dengan instansi lain seperti DISHIDROS, BPPT,
KEMENHUB dan KKP yang masing-masing mempunyai data yang untuk verifikasi dan validasi
diharapkan pengembangannya akan lebih baik. Untuk keperluan pengambilan data lapangan juga
dapat bekerjasama dengan TNI AL sehingga alatnya akan lebih aman.
46
PRAKIRAAN KASUS DEMAM BERDARAH

MENGGUNAKAN PREDIKTOR UNSUR CUACA
(Studi Kasus Kota Makasar dan Propinsi Sulawesi Selatan)
PREDICTION OF DENGUE FEVER CASE USING
WEATHER ELEMENST AS PREDICTOR
( Case study in Makassar City and Sulawesi Selatan Province)
Achmad Sasmito, Dyah Lukita Sari, Tri Astuti Nuraini
Pusat Penelitian dan Pengembangan, Badan Meteorologi Klimatologi dan Geofisika
Jl. Angkasa I No. 2, Kemayoran, Jakarta Pusat
Email : achmad_sasmito@yahoo.co.id
ABSTRAK
Penyakit demam berdarah dengue (DBD) endemis di daerah tropis, hal ini berkaitan dengan hujan
yang berlangsung hampir sepanjang tahun sehingga menghasilkan genangan yang ideal untuk
berkembangbiak nyamuk Aedes aegypti. Perubahan iklim yang ditengarai dengan peningkatan suhu
dan atau berkurang/bertambahnya curah hujan dalam kurun waktu beberapa dekade terakhir ini
seirama dengan peningkatan kasus DBD Indonesia. Memperhatikan adanya kaitan antara variabilitas
cuaca dan perubahan iklim dengan kasus DBD, kajian ini digunakan untuk mengetahui sejauh mana
hubungan tersebut yang selanjutnya dimanfaatkan untuk membuat prototipe prakiraan DBD bulanan
satu tahun ke depan di Propinsi Sulawesi Selatan dan Kota Makassar menggunakan metode regresi
linier.Prediktor yang digunakan adalah curah hujan (CH), hari hujan(HH), temperatur
(TT),kelembapan (RH) udara rata-rata bulanan dan jumlah kasus DBD(t-1). Hasil verifikasi
menggunakan data sejak tahun 1999-2010 antara model dengan hasil observasi menunjukkan bahwa
prakiraan DBD dengan metode regresi linier memberikan hasil prediksi yang akurat dengan Rratarata sebesar 0,75 0,82, sehingga metode tersebut direkomendasikan untuk digunakan sebagai salah
satu teknik peringatan dini kasus DBD di propinsi Sulawesi Selatan dan Kota Makassar.
Kata Kunci : Curah Hujan, Demam Berdarah Dengue, Peringatan Dini, Variabilitas Iklim
ABSTRACT
Dengue Fever is endemics in the tropics due to rain that occur almost of the year, resulting in a pool
that is ideal for the Aedes aegypti mosquitoes breeding. Climate change which is characterized by the
rising of temperature and the decrease or increase of rainfall in a few decades affect to the increase of
dengue fever cases in Indonesia area. Concerning about the link between weather variability and
climate change with dengue fever case, this study is try to determine that relationship which is then
used to create a monthly forecasts for one-year ahead in Sulawesi Selatan Province and Makassar
City using linear regression model with monthly meanrainfall, rainy day, temperature, and humidity
data, and also previous data dengue fever cases(t-1). Verification showed that linear regression model
give more accurate results with R mean between 0.75 0.82 and recommended as a early warning
technic.
Keywords : Rainfall, Dengue Fever, Early Warning, Climate Variability
PENDAHULUAN
World Health Organization (WHO) tahun
2006 menyatakan bahwa dengue merupakan
penyakit yang disebabkan virus yang dibawa
oleh vektor (vectorborne viral disease), dan
berpotensi mengancam 2,5 juta penduduk
dunia yang tinggal di wilayah tropis dan subtropis[1]. Kasus yang lebih serius yakni
Demam Berdarah Dengue (DBD) diperkirakan
terjadi 500.000 kasus setiap tahunnya[2] dan

terus bertambah seiring dengan perubahan
iklim, sehingga diprediksi pada tahun 2085
akan berdampak pada 5-6 milyar orang yang
berisiko[3].
Indonesia yang letak geografisnya sebagian
besar dekat equator memiliki banyak hujan
47
yang berpotensi menimbulkan genangan, suhu

udara lingkungan relatif hangat sepanjang
tahun, dan memiliki udara yang lembab,
keadaan tersebut merupakan tempat yang ideal
untuk berkembang biaknya berbagai jenis
nyamuk. Laporan Profil Kesehatan Indonesia
2011 menyatakan bahwa insiden DBD dari
tahun ke tahun mengalami peningkatan; yaitu
pada tahun 2003 sebesar 23,57 per 100.000
penduduk, naik menjadi 65,22 per 100.000
penduduk pada tahun 2010[4].
Selain pengaruh lingkungan, peningkatan

penyebaran penyakit karena nyamuk Aedes
aegypti ini juga ditunjang oleh aspek biologis,
sosial dan manajemen kebijakan[4]. Hal ini
juga
mendorong
Halide
dkk[11]untuk
melakukan kajian peringatan dini kasus DBD
di kota Makasar menggunakan persamaan
model regresi linier dengan prediktor RH dan
TT rata-rata bulanan, serta kasus DBD dengan
time lagsatu bulan (t-1).
Penelitian untuk prakiraan kasus DBD dengan

memanfaatkan informasi meteorologi telah
banyak dilakukan, diantaranya Lowe dkk di
Brazil, menggunakan model regresi linier yang
prediktornya
meliputi unsur meteorologi
seperti curah hujan (CH), hari hujan (HH),
temperatur udara (TT), kelembaban udara
permukaan (RH)[5]. Wu dkk melakukan
kajian menggunakan indikator TT maksimum
dan
efek
urbanisasi
di
Taiwan
menggunakanteknik Principle Component
Analysis[6]. Su Bee Seng dkkmenggunakan
model Geospasial Weighting Regressionuntuk
daerah Johor Baru, Malaysia[7]. Sedang
peneliti yang lain menggunakan model time
series Arima seperti yang dilakukan oleh
Sripugdeedi Thailand[8].
Kegiatan utama kajian ini difokuskan

membuat prakiraan kasus DBD di Propinsi
Sulawesi Selatan dan Kota Makasar.
Pemilihan lokasi berdasarkan hasil analisis
kasus DBD di Indonesia tahun 1999 sampai
2011 dimana
wilayah Sulawesi Selatan
merupakan kelompok wilayah dengan kasus
tertinggi setelah propinsi di Pulau Jawa
(Gambar 1). Daerah ini juga memiliki tipe
iklim monsun yang wilayahnya lebih dekat ke
equator, dimana pada musim kemarau CH
bulanan jumlahnya relatif lebih sedikit bila
dibandingkan dengan tipe iklim monsun di
Pulau Jawa, demikian sebaliknya bila musim
hujan CH relatif lebih tinggi. Deteksi variasi
dan perubahan iklim dilakukan dengan
menggunakan data CH dan TT.
Di Indonesia, beberapa kajian prakiraan kasus

DBD juga dilakukan yaitu pada tahun 2007di
Kota Jakarta, tahun 2009di Kota Surabaya, dan
tahun 2010 di Kota Bandung, dan Semarang
yang perhitungannya menggunakan model
regresi linier dengan prediktor CH, HH dan
DBD (t-1)[9]. Mutholibjuga menggunakan
model regresi linier dengan menggunakan
prediktor CH dan RHuntuk kasus DBD di kota
Makasar [10].
Prakiraan kasus DBD ini dibuat menggunakan

model regresi linier menggunakan prediktor
data curah hujan (CH), hari hujan (HH),
temperatur udara (TT), kelembaban udara
permukaan (RH) dan data kasus DBD satu
bulan yang lampau sebagai pengganti data
vektor (vectorborneviral disease, pembawa
virus),yang mempengaruhi kasus DBD saat
ini.
Gambar 1. Distribusi spasial kasus DBD di Indonesia berdasarkan data tahun 1999-2011
(sumber data: Kemkes RI)
48
Pola pikir dari kajian ini menggunakan azas

pembuktian terbalik yaitu dengan asumsi
bahwa semakin banyak kasus DBD diyakini di
daerah tersebut banyak nyamuk, dan sekaligus
berkaitan erat dengan banyaknya daerah
genangan yang dipicu oleh CH dan karakter
HH di daerah tersebut.
METODE PENELITIAN
Data klimatologi yang digunakan berasal dari
stasiun Meteorologi Hasanudin Makasar sejak
tahun 1973-2010, sedangkan data kasus DBD
rata-rata bulanan diperoleh dari Dinas
Kesehatan Kota Makassar dan Propinsi
Sulawesi Selatan periode tahun 1999-2011.
Prakiraan CH dan DBD dalam penelitian ini
menggunakan model yang sangat sederhana
yaitu model regresi linier dengan masukan
(input) unsur CH, HH, TT, RH, dan DBD.
Sebelum membuat prakiraan DBD dibuat
dahulu prakiraan keempat unsur tersebut.
Untuk membuat prakiraan CH bulanan salah
satu metoda dapat digunakan model regresi
liniermenggunakan prediktor HH.
Model
tersebut merupakan hasil inovasi dari kajian
Sasmito yang diilhami dari hasil kajian
Angstrom [12].
Untuk prakiraan CH dipakai rumus :
y a bx
(1)dimana :y
= CH (mm)
x
= HH (hari hujan)
a
= 0 (tanpa intersep)
b
= konstanta yang diperoleh
dari
hasil perhitungan
Sedang untuk membuat prakiraan bulanan HH
dapat digunakan model trend, moving average,
atau model time series seperti yang disebutkan
diatas.Setelah diperoleh nilai prakiraan HH,
selanjutnya dimasukkan dalam persamaan (1),
maka akan diperoleh prakiraan CH bulanan.
Setelah diperoleh prototipe persamaan
prakiraan CH, selanjutnya hasil prakiraan
tersebut dilakukan verifikasi terhadap data
observasi yaitu dengan cara memperhatikan
nilai residunya (). Secara matematis ditulis
sebagai berikut:
= CHObservasi CHPrakiraan (2)
Untuk memperoleh hasil prakiraan yang
akurat, hasil prakiraan dari persamaan (1)
tersebut diatas dilakukan perbaikan sampai

diperoleh harga residu sekecil mungkin.
Merebaknya
kasus
DBD
diantaranya
dipengaruhi oleh faktor cuaca dan keadaan
vektor.Akan tetapi karena sulitnya mencari
data vektor maka sebagai penggantinya
digunakan data DBD satu bulan yang lalu
sebagai prediktornya untuk memprakirakan
kasus DBD saat ini. Model matematis
prakiraan DBD menggunakan prediktor
meteorologi dan kasus DBD dalam kajian ini
digunakan empat model. Persamaan matematis
model prakiraan DBD tersebut ditulis sebagai
berikut:
Y t a b * CH (t n) c * HH (t n)
d * TT (t n) e * DBD(t 1)
(3)
(4)
d * RH (t n) e * DBD(t 1)
d * DBD(t 1)
(5)
dan
(6)
d * TT (t n) e * RH (t n) f * DBD(t 1)
Dimana:
Y(t)
= Prakiraan DBD bulan ini,
t = 1,2,...,12; t=1 bulan Januari
CH
= Curah hujan
HH
= Hari hujan
TT = Temperatur udara permukaan
RH
= Kelembapan udara permukaan
n = Time lag, n =1,2,3, dst.
DBD= Kasus DBD
Dalam kajian ini untuk menentukan nilai
prediktor TT dan RH rata-rata bulanan dalam
kurun waktu setahun kedepan dilakukan
dengan teknik moving average (rata-rata
bergerak) 2 dan 3 bulan. Disamping tinjauan
statistik dalam menetapkan nilai prakiraan
tersebut juga digunakan pertimbangan
fisis/dinamis dalam skala global/regional yang
dominan mempengaruhi propinsi Sulawesi
Selatan
dan Kota Makasar.
Tinjauan
fisis/dinamis dilakukan setelah diperoleh
perhitungan statis dan selanjutnya digunakan
korektor ditambah atau dikurangi nilai tersebut
sesuai dengan intuisi atau pengalaman seorang
forecaster
di
wilayahnya.
Teknik
pengurangan
atau
penambahan
dapat
dilakukan dengan memperhatikan nilai standar
deviasinya (SD) atau SD nya.
49
Dibangunnya empat model empiris persamaan

prakiraan DBD seperti pada persamaan (3) s.d
(6), tersebut hanya untuk mengetahui sejauh
mana akurasi dari model tersebut terhadap
observasi, disamping dilatar belakangi oleh
ketersediaan data dan tinjauan fisisnya.
Bilamana hasil prakiraan DBD menggunakan
persamaan (3) s.d (6) dihasilkan nilai yang
tidak berbeda jauh dibandingkan dengan hasil
observasi, maka dalam operasionalnya nanti
akan digunakan persamaan yang paling sesuai
dan kemudahan memperoleh datanya.
Untuk prakiraan DBD di Propinsi Sulawesi
Selatan persamaan (3) mempunyai dua belas
bentuk persamaan yang disesuaikan dengan
masing-masing bulan. Sedangkan prakiraan
DBD khusus untuk kota Makassar bentuk
persamaan sama halnya seperti persamaan (3)
hanya memiliki satu persamaan yang dapat
digunakan untuk seluruh bulan.
Latar
belakang dibuatnya satu persamaan umum
prakiraan DBD di kota Makassar karena data
yang tersedia relatif sedikit yaitu mulai tahun
2007-2011. Sebagaimana diketahui bahwa
data kasus DBD di kota Makassar tersedia
sejak tahun 1999-2011, data DBD tahun 19992006 bila digambar dalam grafik variasinya
relatif seirama dengan data meteorologi
(CH,HH,TT,RH), namun sejak tahun 20072012 data tersebut turun drastis dibanding
tahun sebelumnya.
1200
DBD
Sama halnya seperti membuat prakiraan

CHsetelah diperoleh prototipe persamaan
prakiraan DBD, selanjutnya persamaan
prakiraan tersebut dilihat nilai tingkat
akurasinya dengan memperhatikan harga r2
apakah cukup meyakinkan. Bila dinilai cukup
memuaskan, maka model prakiraan yang kita
buat tersebut dilakukan verifikasi terhadap
data observasi yaitu dengan memperhatikan
nilai residunya (). Secara matematis nilai
residu ditulis sebagai berikut:
=DBDobservasi DBDPrakiraan
(7)

Analisis data CH, HH, TT, RH, dan kasus
DBD rata-rata bulanan di Propinsi Sulawesi
Selatan
digunakan
untuk
mengetahui
gambaran umum keterkaitan antara DBD
terhadap unsur meteorologi dan menentukan
time lag kasus DBD terhadap unsur
meteorologi. Gambar 2 menunjukkan kasus
DBD di
Propinsi Sulawesi Selatan
mempunyai hubungan yang baik dengan unsur
meteorologi.
CH
HH
100
90
80
70
800
60
CH/DBD
1000
50
600
40
400
30
20
200
10
HH/RH/TT
1400
Setelah diperoleh prototipe persamaan, untuk

mengetahui akurasi model dilakukan uji coba
ke belakang (backward), disamping itu untuk
menguji akurasi model persamaan selain
dilakukan verifikasi dan uji coba juga
dilakukan prakiraan DBD tahun 2012.
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
Th/Bln
Gambar 2.Time Series data DBD Propinsi Sulawesi Selatan, CH, HH, TT, RH rata-rata bulanan Stasiun
Meteorologi Hasanudin Makassar (1999-2011)
50
DBD
CH
HH
TT
RH
1000
100
90
80
70
800
CH /DBD
60
600
50
40
400
30
20
200
HH/RH/TT
1200
10
0
0
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
Th/Bln
Gambar 3. Time Series data DBD Kota Makassar, CH, HH, TT, RH rata rata Bulanan Stasiun Meteorologi
Hasanudin Makassar (1999-2011)
asus DBD di Kota Makassar mempunyai

variasi
yang seirama
dengan unsur
meteorologi, namun sejak tahun 2007-2012
data DBD turun drastis dibanding sebelumnya
(Gambar 3).
Korelasi antar variabel sebelum dan sesudah
dilakukan time lag, menunjukkan adanya
perbedaan yang cukup berarti seperti pada
Tabel 1 s.d Tabel 4. Tampak bahwa time lag
(t-1) kasus DBD di Propinsi Sulawesi Selatan
dan di Kota Makassar terhadap unsur
meteorologi diperoleh nilai yang cukup baik
dan berharga positif (+), kecuali terhadap

unsur TT yang berkorelasi negatif (-).
Model persamaan prakiraan DBD untuk
propinsi Sulawesi Selatan yang dibuat yaitu;
prakiraan yang menggunakan prediktor unsur
CH, HH, TT, RH, dan DBD(t-1) untuk
masing-masing bulan sehingga terdapat 12
(dua belas) persamaan; prakiraan tanpa
TT;prakiraan tanpa RH; tanpa menggunakan
prediktor TT dan RH. Sedang persamaan
prakiraan DBD untuk kota Makassar hanya
terdapat empat model dan bentuk persamaan
bersifat umum (Tabel 5-9).
Tabel 1. Korelasi kasus DBD Propinsi Sulawesi Selatan terhadap unsur meteorologi tanpa lag time
Tabel 2. Korelasi kasus DBD Propinsi Sulawesi Selatan terhadap unsur meteorologi menggunakan time lag t-1
51
Tabel 3. Korelasi kasus DBD Kota Makassar terhadap unsur meteorologi tanpa lag time
Tabel 4. Korelasi kasus DBD Kota Makassar dan unsur meteorologi menggunakan time lag t-1
Tabel 5. Persamaan prakiraan DBD Propinsi Sulawesi Selatan model regresi linear
menggunakan 5 prediktor CH, HH, TT, RH, dan DBD dengan time lag (t-1)
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Persamaan Prakiraan DBD Propinsi Sulsel Untuk Masing-masing Bulan

DBD (1) = 0,72 CH(12) - 13,0 HH(12) + 462,3 TT(12) + 79,9 RH (12) - 0,54 DBD (12) -18695,0
DBD (2) = - 0,3 CH (1) - 13,9 HH (1) + 24,45TT(1) - 1,8 RH (1) + 0,7 DBD (1) + 265,3
DBD (3) = 0,03 CH (2) - 5,5 HH (2) - 148,4 TT(2) + 21,1 RH (2) + 1,0 DBD (2) + 2056,2
DBD (4) = 0,2 CH (3) + 1, 2 HH (3) + 78,9 TT(3) - 25,70 RH (3) + 0,3 DBD (3) + 140,5
DBD (5) = 0,13 CH (4) + 1, 47 HH (4) - 36,2 TT(4) + 11,50 RH (4) + 0,55 DBD (4) - 24,9
DBD (6) = 0,64 CH (5) - 4,2 HH (5) + 10,2 TT(5) + 2,50 RH (5) + 0,64 DBD (5) - 491,1
DBD (7) = - 0,2 CH (6) - 5,9 HH (6) + 15,9 TT(6) + 10,0 RH (6) + 0,94 DBD (6) - 1183,0
DBD (8) = - 0,2 CH (7) + 2,6 HH (7) +22,8 TT(7) - 2,1 RH (7) + 0,74 DBD (7) - 414,5
DBD (9) = - 2,2 CH (8) + 17,7 HH (8) - 15,7 TT(8) - 0,3 RH (8) + 0,69 DBD (8) + 424,7
DBD (10) = 0,13 CH (9) - 11,1 HH (9) - 26,2 TT(9) - 5,4 RH (9) + 0,98 DBD (9) + 1042,8
DBD (11) = 0,28 CH (10) - 5,5 HH (10) + 68,2 TT(10) + 4,7 RH (10) + 0,12 DBD (10) - 2119,6
DBD (12) = 0,37 CH (11) - 12,2 HH (11) + 33,6 TT(11) + 6,7 RH (11) + 1,2 DBD (11) - 1285,9
R
0,58
0,87
0,89
0,91
0,75
0,91
0,98
0,90
0,91
0,95
0,67
0,53
Tabel 6. Persamaan prakiraan DBD Propinsi Sulawesi Selatan Model regresi Linear Menggunakan 4 Prediktor
CH, HH, RH, dan DBD dengan time lag (t-1)
Bulan
1
2
3
4
5
6
7
8
9
10
11
12

DBD (1) =-2790,7-0,29*CH12+44,5*HH12+26,14*RH12+0,12*DBD12
DBD (2) =892,2-0,35*CH1-15,2*HH1-1,3*RH1+0,73*DBD1
DBD (3) =-4519,65+0,04*CH2-19,23*HH2+56*RH2+0,7*DBD2
DBD (4) =2029,7+0,064*CH3-0,43*HH3-23,3*RH3+0,41*DBD3
DBD (5) =-918,9+0,164*CH4+0,38*HH4+10,9*RH4+0,49*DBD4
DBD (6) =-144,85+0,608*CH5-3,151*HH5+1,48*RH5+0,65*DBD5
DBD (7) =-774,3-0,248*CH6-5,75*HH6+10,23*RH6+0,987*DBD6
DBD (8) =-61,52-0,46*CH7+4,25*HH7+0,97*RH7+0,773*DBD7
DBD (9) =112,1-1,88*CH8+16,4*HH8-1,54*RH8+0,55*DBD8
DBD (10) =274,9-0,189*CH9+14,2*HH9-4,64*RH9+0,95*DBD9
DBD (11) =184,8+0,02*CH10+0,66*HH10-1,33*RH10+0,13*DBD10
DBD (12) =-145,1-0,07*CH11-7,1*HH11+4,13*RH11+1,3*DBD11
R
0,49
0,87
0,84
0,89
0,73
0,91
0,97
0,88
0,90
0,92
0,20
0,49
52
Tabel 7. Persamaan Prakiraan DBD Propinsi Sulawesi Selatan Model Regresi Linear Menggunakan 4 Prediktor
CH, HH, TT, dan DBD dengan time lag (t-1)
Bulan
1
2
3
4
5
6
7
8
9
10
11
12

DBD.1 =-4551.6+0.06348*CH12+38.6784*HH12+152.012*TT12-0.1014*DBD12
DBD.2 =294.508-0.3457*CH1-14.792*HH1+18.4307*TT1+0.711119*DBD1
DBD.3 =4164-0.06919*CH2+7.1073*HH2-171.49*TT2+1.02692* DBD2
DBD.4 =-1523.5-0.0591*CH3-2.7971*HH3+63.6255*TT3+0.3852* DBD3
DBD.5 =787.997+0.14849*CH4+4.35415*HH4-31.591*TT4+0.46752* DBD4
DBD.6 =-105.39+0.62232*CH5-2.5501*HH5+2.77076*TT5+0.63895* DBD5
DBD.7 =-356.36-0.0295*CH6-2.2172*HH6+13.8187*TT6+0.86908* DBD6
DBD.8 =-277.49-0.411*CH7+4.34041*HH7+11.0929*TT7+0.74095* DBD7
DBD.9 =-47.008-1.9227*CH8+15.1622*HH8+2.16109*TT8+0.5423* DBD8
DBD.10 =959.124-0.008*CH9+6.2141*HH9-35.507*TT9+0.99539* DBD9
DBD.11 =-1354.8+0.27458*CH10-2.1862*HH10+51.8736*TT10+0.17903* DBD10
DBD.12 =948.02-0.073*CH11-6.6402*HH11-28.372*TT11+1.39631* DBD11
R
0,49
0,87
0,88
0,86
0,70
0,91
0,90
0,89
0,90
0,93
0,61
0,50
Tabel 8. Persamaan Prakiraan DBD Propinsi Sulawesi Selatan Model Regresi Linear Menggunakan 3 Prediktor
CH, HH, dan DBD dengan time lag (t-1)
Bulan
1
2
3
4
5
6
7
8
9
10
11
12

DBD.1 = -631.26-0.2762*CH12+49.4484*HH.12+0.04614*DBD12
DBD.2 = 791.5-0.3506*CH1-15.659* HH.1+0.7307* DBD1
DBD.3 =-609.66+0.20877* CH2+18.6462* HH.2+0.92445* DBD2
DBD.4 =207.784-0.0732* CH3-3.8483* HH.3+0.44693* DBD3
DBD.5 =-30.405+0.17563* CH4+3.2753* HH.4+0.41631* DBD4
DBD.6 =-31.75+0.61223* CH5-2.3954* HH.5+0.64442* DBD5
DBD.7 = 6.022103-0.0706* CH6-1.7807* HH.6+0.9011* DBD6
DBD.8 =9.19073-0.4303* CH7+4.68953* HH.7+0.77054* DBD7
DBD.9 =8.83327-1.9492* CH8+15.336* HH.8+0.55651* DBD8
DBD.10 =-9.6181-0.1645* CH9+9.63727* HH.9+0.84303* DBD9
DBD.11 =99.4173-0.0032* CH10-0.0844* HH.10+0.10584* DBD10
DBD.12 =145.114-0.044* CH11-4.4057* HH.11+1.1929* DBD11
R
0,47
0,87
0,82
0,85
0,69
0,91
0,90
0,88
0,89
0,91
0,20
0,48
Tabel 9. Persamaan Prakiraan DBD Kota Makasar Model Regresi Linear Menggunakan Prediktor CH, HH, TT,
RH, dan DBD dengan time lag (t-1)
Model
Sas.1
Sas.2
Sas.3
Sas.4
Persamaan Prakiraan DBD Kota Makasar Untuk Masing-masing Bulan

DBD= 141,0313 -0,0095*CH(t-1) +0,5480*HH(t-1) - 4,5971*TT(t-1) - 0,1262*RH(t-1) +
0,0009*DBD(t-1)
DBD = 3,4525+0,0108*CH(t-1) -0,0309* HH(t-1) +0,0004* RH(t-1) + 0,6526*DBD(t-1)
DBD =7,4918+0,0106* CH(t-1) - 0,0311* HH(t-1) - 0,1459*TT(t-1) + 0,6518*DBD(t-1)
DBD =3,48010+ 0, 0108* CH(t-1) - 0,0306*HH(t-1) + 0,6526* DBD(t-1)
Dengan menggunakan data meteorologi tahun

2011 hasil uji coba prakiraan DBD Propinsi
Sulawesi Selatan menggunakan persamaan
yang dibangun data tahun 1999-2010 dan
prakiraan DBD tahun 2012 menggunakan
fungsi HH diperoleh hasil seperti Gambar
4.Dari Gambar 4 tampak bahwa pendugaan
kasus DBD terhadap observasi pada tahun
2010 dan 2011 relatif cukup baik, kecuali pada
tahun 2011 bulan Januari-Februari terdapat
R
0,92
0,78
0,79
0,79
simpangan
yangcukup
besar.
Model
pendugaan kasus DBD model Sas 1 s.d 4
mempunyai pola yang hampir sama, sedang
model Sas.5 (persamaan umum) pada tahun
2010-2011 mempunyai nilai pendugaan yang
relatif lebih tinggi dibanding dengan model
lainnya, akan tetapi pada tahun 2012
pendugaan kasus DBD memiliki nilai yang
relatif lebih rendah dibanding model lain.
53
1000
900
800
700
600
500
400
300
200
100
0
Obs
Sas.1
Sas.2
Sas.4
Sas.5
Ensem
Sas.3
1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112

2010 (Verifikasi)
2011 (Uji Coba)
2012 (Prakiraan)
Gambar 4.Verifikasi kasus DBD tahun 2010, Uji coba Pendugaan Kasus DBD tahun 2011, dan Prakiraan
Kasus DBD tahun 2012 model Sas 1 s.d 5
KESIMPULAN
DAFTAR PUSTAKA
Hasil prakiraan DBD untuk Propinsi Sulawesi

Selatan menggunakan prediktor CH, HH, RH,
dan DBDdengan time lag 1 bulan diperoleh
persamaan prakiraan DBD dengan nilai R
berkisar sebesar 0.2 0.97, R rata-rata sebesar
0,75.Prakiraan DBD menggunakan prediktor
CH, HH, TT, RH dengan time lag 1 bulan,
diperoleh harga R berkisar antara 0,49 0,93,
dengan R rata-rata sebesar 0,78. Sedangkan
prakiraan DBD menggunakan prediktor CH,
HH, TT, DBD dengan time lag 1 bulan,
diperoleh harga R berkisar antara 0,53 0,98
dengan R rata-rata sebesar 0,82.Sementara itu
hasil prakiraan DBD untuk Kota Makassar
yang
menggunakan persamaan umum
diperoleh nilai R yang berkisar antara 0,79
0,93 dengan R rata-rata 0,82.Berdasarkan
tinjauan nilai korelasi dari persamaan tersebut
secara teoritis menunjukkan bahwa prakiraan
DBD dengan model regresi linear dengan
menggunakan multi prediktor meliputi unsur
CH, HH, TT, RH, dan DBD itu sendiri
diperoleh hasil yang relatif lebih baik. Untuk
keperluan operasional model prakiraan DBD
menggunakan prediktor CH dan HH, dan DBD
itu sendiri lebih praktis karena ketersedian data
hampir disemua tempat ada.
[1] WHO. (1999). Guidelines for the

Treatment of Dengue Fever/Dengue
Haemorrhagic Fever in Small
Hospitals. Regional Office S.E. Asia,
New Delhi : WHO.
[2] Gubler, D. J. (1998). Resurgent VectorBorne Diseases as a Global Health
Problem. Emerg. Infect. Dis. 4: 442
450.
[3] Hales, S., Neil, d. W., Maindonald, J., &
Woodward, A. (2002, August 6).
Potential effect of population and
climate changes on global distribution
of dengue fever: an empirical model.
The Lancet , pp. 1-5.
[4] Kementerian Kesehatan RI. (2011).Profil
Kesehatan Indonesia.
[5] Lowe, R., Bailey T. C., Stephenson D. B.,
Graham R. J., Coelho C. A.S.,
Carvalho M. S., &Barcellos C.
(2011).Spatio-temporal modelling of
climate-sensitive disease risk:Towards
an early warning.
[6] Wu, P., Lay, J., Guo, H., Lin, C., Lung,
S., & Su, H. (2009). Higher
temperature and urbanization affect
the spatial patterns of dengue in
subtropical Taiwan. J. Science of the
total environment. 407 : 2224-2233.
UCAPAN TERIMA KASIH

Penelitian ini didanai oleh DIPA Kementerian
Riset dan Teknologi tahun 2012 melalui
program Insentif Peningkatan Kemampuan
Peneliti dan Perekayasa.
54
[7] Seng, S.B., Chong, A.K., & Moore, A.

(2005,
November,
24-25).
Geostatistical Modelling, Analysis and
Mapping of Epidemiology of Dengue
Fever in Johor State, Malaysia. The
17th annual colloqium of spatial
information research centre. New
Zealand : University of Otago,
Dunedin.
[8] Sripugdee, S., Inmoung Y., & JunggothR.
(2010). Impact of Climate Change on
Dengue
Hemorrhagic
Fever
Epidemics, Research Journal of
Applied Sciences. 5 (4) : 260-262.
[9] Laporan Kegiatan Pusat Penelitian dan
Pengembangan BMKG tahun 2010.
[10] Mutholib, A. (2011). Korelasi Curah

Hujan dengan Kejadian Demam
Berdarah Dengue di Kota Makassar.
Tesis. Bandung : ITB.
[11] Halide, Rais, & Ridd P. (2010). Early
Warning
System
For
Dengue
Hemorrhagic Fever (DHF) Epidemic
in Makassar.
[12] Sasmito, A. (2012). Model Sederhana
Prakiraan Curah Hujan Bulanan
Menggunakan Prediktor Hari Hujan
Sebagai Input Prakiraan Kasus DBD .
Seminar Bulanan Scientific Jurnal
Club. Jakarta: BMKG.
DISKUSI
1. Bayong Tjasyono
Untuk kegiatan Prakiraan Kasus Demam berdarah Dengan Prediktor Unsur Cuaca, apa maksud
dengan prakiraan cuaca bulanan, karena cuaca tersebut jangka waktunya pendek. Maka harus hatihati untuk penggunaan istilah cuaca dan iklim.
Apabila penelitian menggunakan persamaan empirik, maka tidak perlu membandingkan dengan
penelitian orang lain karena kita dapat membangun sendiri persamaan dengan pedoman
persamaan empirik tersebut.
55
MODIFIKASI DATAINPUT TATA GUNA LAHAN PADAMODEL

WEATHER RESEARCH FORECASTING ENVIRONMENTAL
MODELLING SYSTEM
LANDUSE INPUT DATA MODIFICATION OFWEATHER RESEARCH FORECASTING
ENVIRONMENTAL MODELLING SYSTEM
Wido Hanggoro, Danang Eko N., Utoyo Ajie Linarka, Hastuadi Harsa, Eko Heriyanto, Sri Noviati
ABSTRAK
Pada penelitian ini dikaji perubahan tata guna lahan (land use) yang terintegrasi di dalam model
prediksi cuaca numerik Weather Research Forecasting Environmental Modelling System (WRF EMS)
versi United State Geological Survey (USGS) menjadi land use versi Badan informasi Geospasial
(BIG) tahun rilis 2010. WRF EMS dijalankan pada kondisi ektrem tahun 2010 menggunakan 3
domain dengan resolusi spasial yang berbeda, yaitu: 30 km, 10 km, dan 3 km. Perubahan land use
dilakukan pada domain 3 yang meliputi wilayah Jakarta, Bogor, Depok, Tangerang dan Bekasi
(Jabodetabek), dengan menyesuaikan tipe land use versi BIG terhadap versi USGS dan mengubah
nilai land use versi USGS menjadi versi BIG. Dari penelitian ini dibuktikan bahwa land use yang
telah diubah dengan data lokal dapat disimulasikan dengan baik menggunakan model WRF
EMS.Hasil verifikasi antara luaran model dengan data curah hujan ektrem menunjukkan peningkatan
nilai korelasi di 5 (lima) stasiun pengamatan antara 4.6% sampai 58.1%.
Kata kunci: Land use, WRF-EMS
ABSTRACT
Land use data from United State Geological Survey (USGS) which integrated in numerical weather
prediction model, Weather Research Forecasting Environmental Modelling System (WRF EMS) can
be changed with real land use from Badan Informasi Geospasial (BIG). WRF EMS was running on
2010 extreme events by using 3 domains with different spatial resolution: 30 km, 10 km, and 3 km. The
land use over the smallest domain which covered Jakarta, Bogor, Depok, Tangerang and Bekasi
(Jabodetabek), was then changed with the land use from BIG. This research showed that the new land
use can be smoothly simulated using WRF EMS model.The resultof land use replacement increased
the forecast performance that showed by increasing coefficient of correlation on 5observation stations
4.6% - 58.1%.
Keywords: Land use, WRF EMS
PENDAHULUAN
Kondisi tata guna lahan (land use) suatu
wilayah pada umumnya terkait erat dengan
pertumbuhan dan aktivitas penduduk. Semakin
tinggi jumlah dan aktivitas penduduk di suatu
tempat akan berakibat pada meningkatnya
perubahan land use. Dilihat dari aspek
lingkungan, perubahan yang berlebihan
merupakan ancaman terhadap daya dukung
lingkungan, sementara dari aspek cuaca/iklim,
perubahan itu dapat memicu perubahan kondisi
cuaca/iklim.
Seiring dengan kemajuan teknologi komputer,

fenomenayang terjadi di alam ini dapat
disimulasikan menggunakan model numerik.
Model melakukan simulasi numerik yang
merupakan representasipemahaman manusia
terhadap fenomena alam dan keterhubungannya
satu sama lain. Ide dasar pengembangan model
numerik dalam bidang cuaca dan iklim dimulai
sekitar satu abad lalu, jauh sebelum
ditemukannya komputer [1]. Pemanfaatan
model numerik selalu meningkat dari waktu ke
waktu seiring dengan peningkatan pemahaman
manusia terhadap sistem cuaca dan iklim.
56
Model numerik area terbatas memiliki

keunggulan jika dibandingkan dengan model
numerik global.Data topografi, land cover, dan
land use yang digunakan lebih detail sehingga
informasi yang dihasilkan bersifat lebih
lokal.Salah satu model numerik area terbatas
adalah
Weather
Research
Forecasting
Environmental Modelling System(WRF EMS)
[2] yang digunakan untuk memprediksi cuaca.
Penelitian ini mengkaji bagaimana mengubah
data land use yang terintegrasi di dalam model
WRF EMS versi United State Geological
Survey (USGS) dengan data land use versi
Badan informasi Geospasial (BIG)tahun 2010
dan menguji luaran model menggunakan input
data land use baru dangan data observasi
METODE PENELITIAN
Land Cover Characteristics(GLCC)versi 2.

Data ini merupakan hasil pencitraan Polar
Orbiting Environtmental Satellite (POES)
menggunakan sensor Advanced Very High
Resolution Radiometer (AVHRR) milik
National Oceanic and Space Administration
(NOAA). Data yang diambil merupakan data
harian selama 12 bulan, mulai April 1992
hingga Maret 1993, memiliki resolusi 1 km
pada proyeksi Goode Interrupted Homolisine
dan 30 detik pada proyeksi Geografis [3].
Klasifikasi land use/land cover USGS mengacu
pada sistem Anderson (1976) [4] yang memiliki
24 kategori.Sistem ini merupakan sistem
hierarkiyang terdiri atas beberapa tingkat untuk
mendukung analisis data hasil penginderaan
jauh.Setiap tingkatan hierarki menunjukkan
kenaikan tingkat ketegasan.Kategori legenda
warna mengacu pada sistem Anderson tingkat 2
Data land use/land cover USGS pada model

WRF EMS diperoleh dari basis data Global
Gambar 1.Kategorisasiland use/land coverversi USGS(Sumber: Global Land Cover Characteristics Maps,
USGS EROS)
Data land use/land cover versi BIG yang

digunakan merupakan data tahun 2010. Data
tersebut merupakan klasifikasi dan deskripsi
penutup lahan pada peta tematik penutup lahan
skala 1:25.000 yang terdapat pada Standar
Nasional Indonesia (SNI) 7645:2010.Penetapan
klasifikasi penutup lahan dalam standar ini
dimaksudkan
untuk
mengakomodasi
keberagaman kelas penutup lahan yang
pendetailan
kelasnya
bervariasi
antarshareholders. Standar ini mengacu pada Land
Cover Classification System United Nation
Food and Agriculture Organization (LCCSUNFAO) dan ISO 19144-1 Geographic
information-Classification Systems Part

1:Classification
system
structure,
dan
dikembangkan sesuai dengan fenomena yang
ada di Indonesia.
Penggunaan sistem klasifikasi penutup lahan
UNFAO memungkinkan terjadinya pemantauan
dan pelaporan perubahan penutup lahan pada
suatu negara yang memiliki keberterimaan di
tingkat internasional.Kelas penutup lahan
dibagi menjadi 2 (dua) bagian besar, yaitu
daerah
bervegetasi
dan
daerah
tak
bervegetasi.Semua kelas penutup lahan dalam
kategori daerah bervegetasi diturunkan dari
57
pendekatan konseptual struktur fisiognomi yang

konsisten dari bentuk tumbuhan, bentuk
tutupan, tinggi tumbuhan, dan distribusi
spasialnya.Sedangkan dalam kategori daerah
tak bervegetasi, pendetailan kelas mengacu
pada aspek permukaan tutupan, distribusi atau
kepadatan, dan ketinggian atau kedalaman
objek.
Saat melakukan simulasi cuaca, model WRF
EMS akan membuat 3 domain dengan resolusi
yang berbeda-beda. Perubahanland use
dilakukan dengan mengubah tipe/kategori land
use yang terdapat pada domain terkecil (domain
3) versi USGS dengan tipe land use yang
diperoleh dari BIG. Tahap pertama proses ini
dilakukan denganmenyesuaikan tipe kedua data
land use.Penyesuaian tipe dilakukan dengan
memperhatikan ukuran grid. Masing-masing
grid dijumlahkan berdasarkan tipe/kategori
yang
sama
kemudian
masing-masing
tipe/kategori di setiap grid diprosentasekan
untuk mengetahui komposisi sebelum dan
sesudah perubahan.
Untuk proses penyesuaian landusedapat
dipergunakan rumusan sebagai berikut:
i N, j M
LU B ( x, y)
LU A (i, j )
(1)
i 1, j 1
dimana:
LUB = landuse setelah diubah
LUA = landuse sebelum diubah
(x,y) = titik grid setelah diubah
(i,j) = titik grid sebelum diubah
N, M = jumlah total baris dan kolom grid
sebelum perubahan
Perubahan yang dilakukan pada domain 3
adalah perubahan land useyang kemudian akan
merubah nilai albedo. Ukuran land use model
pada domain ini adalah 32x30 grid dengan
resolusi 0,03 (3 km). Sedangkan ukuran grid
data land use versi BIG adalah 216x194 dengan
resolusi 0,0045 (500 m). Untuk mengubah
ukuran data land use versi BIG terhadap data
model dilakukan proses regridding. Dari proses
regriddingdiperoleh grid 7x7 yang kemudian
digabung ke dalam grid 1x1. Data land use
versi BIG disebut grid asal sedangkan data
model disebut grid referensi.

Hasil penyesuaian tipe/kategori land use
memperlihatkan
bahwa
tidak
semua
tipe/kategori yang terdapat pada versi USGS
memiliki padanan pada versi BIG (Tabel1).
Untuk tipe/kategori yang tidak memiliki
padanan, dapat diartikan bahwa tipe/kategori
tersebut tidak terdapat pada lokasi penelitian
dan oleh karena itunilainya menjadi kosong.
Unsur subjektivitas dalam proses penyesuaian
kedua jenis land use ini terlihat cukup
signifikan mengingat detail pengklasifikasian
yang berbeda satu sama lain pada kedua data.
Namun, secara umum unsur-unsur yang
mendominasi pada kenyataan di lapangan
sudah terwakili dalam proses penyesuaian ini.
Perubahan yang dilakukan pada masing-masing
tipe/kategori dapat mempengaruhi nilai
albedo(Gambar 2). Albedo adalah fraksi radiasi
sinar matahari yang dipantulkan oleh
permukaan bumi [5].Radiasi yang dipantulkan
kembali ke angkasa mengalami perubahan
panjang
gelombang.Perbedaan
panjang
gelombang antara yang datang dan yang
dipantulkan dapat dikaitkan dengan seberapa
besar energi matahari yang diserap oleh
permukaan bumi.Radiasi matahari inilah yang
akhirnya menjadi energi dalam menggerakkan
sistem cuaca/iklim di bumi.Secara visual, nilai
albedo suatu objek di permukaan bumi dapat
diestimasi berdasar-kan corak dan warnanya.
Semakin terang warna suatu objek, nilai
albedonya akan semakin besar. Permukaan air
memiliki nilai albedo yang berbeda sesuai
dengan sudut datangnya cahaya. Jika sudut
datangnya cahaya besar, permukaan air akan
menyerap hingga 95% cahaya yang jatuh
diatasnya. Namun, jikasudut datangnya cahaya
kecil, maka air cenderung untuk memantulkan
cahaya tersebut.Tabel 2 dibawah menunjukkan
nilai albedo pada beberapa jenis permukaan
Perubahan nilai land use ditunjukkan dalam
bentuk
prosentase.
Hasil
prosentase
menunjukkan jumlah luasan wilayah sebelum
dan sesudah diubah pada tiap tipe/kategori
terhadap total luasan domain 3 (Tabel 3).Tanda
negatif
di
depan
nilai
penambahan
menunjukkan bahwa luasansetelah diubah lebih
kecil
dibandingkan
luasan
semula.
58
Tabel 1. Penyesuaian tipe/kategori land use

Tipe
Versi USGS
Terjemahan Istilah Versi USGS
Versi BIG
Urban and Built-up Land
Pemukiman
Pemukiman
Dryland Cropland and Pasture
Tegalan
Tegalan
Irrigated Cropland and Pasture
Pertanian irigasi
Sawah
Mixed Dryland/Irrigated Cropland and Pasture
Tanah kering campuran/Tanah pertanian irigasi
Kebun Campuran
Cropland/Grassland Mosaic
Lahan pertanian/rumput
Cropland/Woodland Mosaic
Tanah pertanian/kayu
Grassland
Padang rumput
Shrubland
Semak
Mixed Shrubland/Grassland
Semak/padang rumput campuran
10
Savanna
Padang rumput yang sangat luas (yang tak berpohon)
11
Deciduous Broadleaf Forest
Hutan daun lebar berganti daun setiap tahun
12
Deciduous Needleleaf Forest
Hutan daun jarum berganti daun setiap tahun
13
Evergreen Broadleaf
Daun lebar yang selalu hijau
14
Evergreen Needleleaf
Daun jarum yang selalu hijau
15
Mixed Forest
Hutan campuran
Hutan primer
16
Water Bodies
Tubuh Air
Tubuh air
17
Herbaceous Wetland
Tanah basah herbaceous
Rawa
18
Wooden Wetland
Tanah basah berpohon
Mangrove
19
Barren or Sparsely Vegetated
Vegetasi jarang atau tandus
Tanah terbuka
20
Herbaceous Tundra
Tundra herbaceous
21
Wooded Tundra
Tundra berpohon
22
Mixed Tundra
Tundra campuran
23
Bare Ground Tundra
Tundra gundul
24
Snow or Ice
Salju atau es
Perkebunan
Semak/belukar
Hutan Sekunder
Tabel 2. Nilai albedo pada beberapa jenis permukaan [6,7]

Detail
Nilai albedo
Gelap dan basah
0.05 Terang dan kering
0.40
Sand (pasir)
0.15 - 0.45
Grass (rumput)
Panjang
0.16 Pendek
0.26
Agricultural Crops (tanaman pertanian)
0.18 - 0.25
Tundra
0.18 - 0.25
Forest (hutan)
Deciduous (rontok)
0.15 - 0.20
Coniferous (sejenis pohon
0.05 - 0.15
jarum)
Water (air)
Sudut datang cahaya kecil
0.03 - 0.1
Sudut datang cahaya besar
0.10 - 1.00
Snow (salju)
Lama
0.40 Baru/segar
0.95
Ice (es)
Laut
0.30 - 0.45
Gletser
0.20 - 0.40
Clouds (awan)
Tebal
0.60 - 0.90
Tipis
0.30 - 0.50
Jenis permukaan
Soil (tanah)
59
Kategori pemukiman
a
Kategori pesawahan
a
Kategori perkebunan
a
Kategori hutan sekunder

a
Kategori semak/belukar
a
Kategori badan air
Kategori hutan primer

a
Kategori kebun campuran

b
Kategori tanah terbuka

Gambar 2. Perubahan land use berdasarkan tipe/kategori (a)sebelum diubah (b)sesudah diubah
60
Tabel 3. Perubahan land use (%) untuk masing-masing tipe/kategori

Tipe
Deskripsi Land Use
Interpretasi
Luasan (%)
Setelah
Semula
Diubah
8.13
40.94
Rata-rata
Penambahan (%)
Urban and Built-up Land
Pemukiman
Dryland Cropland and Pasture
Tegalan
29.17
22.50
-6.67
Irrigated Cropland and Pasture
Sawah
86.88
70.83
-16.04
Mixed Dryland/Irrigated Cropland and Pasture
Kebun Campuran
0.00
32.50
32.50
Cropland/Grassland Mosaic
0.00
0.00
0.00
Cropland/Woodland Mosaic
69.69
68.23
-1.46
Grassland
0.00
0.00
0.00
Shrubland
2.40
6.25
3.85
Mixed Shrubland/Grassland
0.00
0.00
0.00
10
Savanna
0.00
0.00
0.00
11
Deciduous Broadleaf Forest
0.00
6.56
6.56
12
Deciduous Needleleaf Forest
0.00
0.00
0.00
13
Evergreen Broadleaf
12.50
11.98
-0.52
14
Evergreen Needleleaf
0.00
0.00
0.00
15
Mixed Forest
Hutan primer
0.00
1.77
1.77
16
Water Bodies
Tubuh air/Tambak/empang
25.00
30.42
5.42
17
Herbaceous Wetland
Rawa
0.00
2.08
2.08
18
Wooden Wetland
Mangrove
0.00
0.52
0.52
19
Barren or Sparsely Vegetated
Tanah terbuka
0.00
1.98
1.98
20
Herbaceous Tundra
0.00
0.00
0.00
21
Wooded Tundra
0.00
0.00
0.00
22
Mixed Tundra
0.00
0.00
0.00
23
Bare Ground Tundra
0.00
0.00
0.00
24
Snow or Ice
0.00
0.00
0.00
Perkebunan
Semak/belukar
Hutan Sekunder
Dari gambar 2 diatas penambahan unsur land

use terbanyak adalah pada tipe/kategori
pemukiman (32,81%) dan kebun campuran
(32,50%). Sementara pengurangan terbanyak
pada
tipe/kategori
sawah
(16,01%).Penambahan
tipe/kategori
pemukiman
dapat
diartikan
sebagai
bertambahnya
penduduk
di
wilayah
penelitian.Penambahan area pemukiman turut
menyebabkan pengurangan pada tipe/kategori
tanah terbuka.Pengurangan pada tipe/kategori
sawah
cukup
signifikan
sehingga
menyebabkan perubahan nilai albedo yang
banyak
pula.Hal
ini
ditandai
oleh
berkurangnya warna merah secara signifikan
pada
tipe/kategori
sawah.Pengurangan
kategori sawah kemungkinan terjadi akibat
perubahan menjadi kategori kebun campuran.
Hasil perubahan land use, digunakan untuk
mensimulasikan prediksi cuaca dengan model
WRF EMS. Setting model menggunakan
parameterisasi lapisan atmosfer permukaan
menggunakan skema Monin-Obukhov [8],
skema radiasi gelombang panjang dan pendek
menggunakan Rapid Radiative Transfer Model
for GCM (RRTMG) [9].Model dirunning
untuk prediksi curah hujan ekstrem yang
didefinisikan secara statistik sebagai curah
hujan dengan persentil diatas 90%.
Untuk verifikasi digunakan data curah hujan
ekstrem
tahun
2010.Hasil
verifikasi
32.81
menunjukkan adanya peningkatan nilai

korelasi antara luaran model dengan data curah
hujan ekstrem.Dengan menggunakan land use
yang telah dimodifikasi, terjadi peningkatan
nilai korelasi di 5 stasiun pengamatan, yaitu
Stasiun Kemayoran sebesar 58.1%, Curug
27.3%, Tangerang 14.4%, Citeko 4.6%, dan
Dramaga 16%.
KESIMPULAN
Perbaikan dataland use dalam model WRF
EMS dengan menggunakan data dari BIG
dapat memperbaiki hasil prediksi cuaca yang
ditunjukkan dengan meningkatnya nilai
korelasi
pada
5
(lima)
stasiun
pengamatanKemayoran sebesar 58.1%, Curug
27.3%, Tangerang 14.4%, Citeko 4.6%, dan
Dramaga 16%.
DAFTAR PUSTAKA
[1] Lynch, Peter. (2008). The origins of
computer weather prediction and
climate
modelling.
Journal
of
Computational Physics 227 (2008)
3431-3444.
[2] Rozumalski, Robert. (2010). A Nearly
CompleteGuide to the WRF EMS V3.
Forecast Decision Training Branch
COMET/UCAR PO Box 3000
Boulder, CO 80307-3000.
61
[3] Global Land Cover Characteristics Data

Base Version 2.0. Land Processes
Distributed Active Archive Center.
http://edcdaac.usgs.gov/glcc/tabgeo_gl
obe.html
[4] Anderson, James R., Hardy, Ernest E.,
Roach, John T., and Witmer, Richard
E. 1976. A Land Use and Land Cover
Classification System For Use With
Remote Sensor Data. Geological
Survey Professional Paper 964, US
Government
Printing
Office.
http://landcover.usgs.gov/pdf/anderson
.pdf
[5] Dagmar Budikova (Lead Author);C.
Michael
Hogan
(Contributing
Author);Mryka Hall-Beyer, Galal
Hassan Galal Hussein, Michael
Pidwirny (Topic Editor) "Albedo". In:
Encyclopedia of Earth.Eds. Cutler J.
Cleveland
(Washington,
D.C.:
Environmental Information Coalition,
National Council for Science and the
Environment). [First published in the
Encyclopedia of Earth May 8, 2010;
Last revised Date May 27, 2013;
Retrieved
May
28,
2013
<http://www.eoearth.org/article/Albed
o?topic=54300>
[6] Oke, T.R. 1992. Boundary Layer

Climates. Second Edition. Routledge.
New York.
[7] Ahrens, C. D. 2006. Meteorology Today.
An Introduction to Weather, Climate,
and the Environment. Eighth Edition.
Thompson, Brooks/Cole. USA.
[8] Monin, A.S. and A.M. Obukhov. (1954).
Basic laws of turbulent mixing in the
surface layer of the atmosphere.
Contrib. Geophys. Inst. Acad. Sci.,
USSR, (151), 163187 (in Russian).
[9] Iacono, M.J. et al. (2004). Development
and Evaluation of RRTMG_SW, a
Shortwave Radiative Transfer Model
for General Circulation Model
Applications.
Fourteenth
ARM
Science Team Meeting Proceedings,
Albuquerque, New Mexico, March 2226, 2004.
DISKUSI
1. Tuwamin
Pada penelitian tentang cuaca ekstrim, batasan apa yang digunakan untuk kategori cuaca ekstrim.
Batasan ekstrim yang digunakan bukan berdasarkan dampak yang ditimbulkan tetapi
berdasarkan konsep statistik yaitu data yang nilainya lebih besar daripada persentil 90
dianggap data ekstrim.
Langkah atau rencana apa yang akan dilaksanakan selanjutnya terkait penelitian analisis dampak
perubahan tata guna lahan terhadap kondisi cuaca ekstrim sehingga ke depannya dapat digunakan
oleh pihak operasional.
Pada penelitian ini dikaji perubahan data land use yang telah terintegrasi pada model WRF
Environmental System dengan data land use yang diperoleh dari BIG. Hasil verifikasinya
menunjukkan adanya sedikit peningkatan korelasi untuk data keluaran model yan
menggunakan data WRF EMS dengan data yang berasal dari BIG. Untuk pengembangan
tahun ini kami akan memfokuskan kepada pengembangan WRF agar dapat lebih user friendly,
karena arahan KBMKG agar penelitian di Puslitbang lebih banyak ditujukan kepada
peningkatan kinerja operasional. Pengembangan software tersebut beri nama NWP Database
Inquiry, selain itu WRF ini juga digunakan untuk pemodelan kualitas udara.
2. Urip Haryoko
Semua validasi yang menggunakan faktor angin tidak dapat menggunakan korelasi, maka pilihan
yang bagus dengan menggunakan kategori yang telah digunakan pada penelitian verifikasi model
meteorologi WRF yang telah dilaksanakan.
Apa dampak tata guna lahan terhadap cuaca ekstrim belum ditampilkan dalam presentasi.
62
Pada penelitian difokuskan untuk melihat apakah ada dampak apabila dilakukan perubahan
data tata guna lahan yang ada di WRF EMS dengan data tata guna lahan dari BIG, pada saat
kejadian cuaca ekstrim. Sehingga untuk penelitian tersebut tidak mendapatkan dampak tata
guna lahan terhadap cuaca ekstrim.
3. Bayong Tjasyono
Pada penelitian tentang cuaca ekstrim, sebaiknya terlebih dahulu harus ada pendefinisian tentang
cuaca ekstrim. Seberapa besar resiko yang ditimbulkan oleh cuaca sehingga bisa disebut cuaca
ekstrim.
Untuk penentuan cuaca ekstrim hanya dilakukan secara statistik, yaitu dengan melihat
persentilnya, jika melebihi persentil 90, cuaca didefinisikan sebagai cuaca ekstrim.
63
SIMULASI PENGARUH PERUBAHAN LAND USE TERHADAP

PARAMETER IKLIM
DI PROVINSI JAMBI MENGGUNAKAN MODEL RegCM4
SIMULATION THE EFFECTS OF LAND USE CHANGE TO CLIMATE PARAMETERS
IN JAMBI PROVINCE USING RegCM4 MODEL
Kadarsah*, Ratna Satyaningsih, Kharisma Aprilina, Jose Rizal, Dodo Gunawan
Pusat Penelitian dan Pengembangan
Badan Meteorologi Klimatologi dan Geofisika,
Jl. Angkasa I No.2, Jakarta Pusat 10720
*E-mail: kadarsah@yahoo.com
ABSTRAK
Simulasi pengaruh perubahan land use terhadap parameter klimatologi di Provinsi Jambi dilakukan
dengan menggunakan model iklim regional RegCM4. Dalam simulasi ini digunakan land use tahun
2000 dan 2010, sedangkan parameter atmosfer tahun 2000. Tujuan penelitian ini adalah mempelajari
dampak perubahan lahan terhadap beberapa parameter klimatologi, antara lain temperatur tanah,
temperatur permukaan tanah, total soil water, fluks panas sensible, dan presipitasi. Hasil analisis
simulasi model menunjukkan bahwa perubahan land use telah memberi pengaruh yang besar dalam
menentukan parameter-parameter tersebut. Pengaruh perubahan land use tersebut terjadi melalui
mekanisme interaksi darat-laut-atmosfer . Proses osilasi diurnal, seasonal dan annual yang terjadi di
Provinsi Jambi juga dipengaruhi oleh perubahan land use. Pola osilasi pada temperatur, angin, dan
presipitasi tahun 2000 menunjukkan bahwa terdapat perbedaan pola yang signifikan, misalnya
perbedaan temperatur tanah sebesar 2.50C, akibat perubahan land use tahun 2000-2010 khususnya
pada periode DJF. Perbedaan pola osilasi terkecil terjadi pada rata-rata tahunan.
Kata kunci: annual, diurnal, seasonal, perubahan land use, RegCM4, Jambi
ABSTRACT
We simulate effects of land use change to climatological parameters in Jambi using regional climate
model RegCM4. We apply land use of the year 2000 and 2010 for the same atmosphere parameter, i..e
atmosphere condition in the year of 2000. The purpose of the research is to analysis the impact of land
use change to the soil temperature, surface temperature, total soil water, sensible heat flux, and
precipitation. The results from analysis simulation model shows that land use cange has significant
influence to those parameters. It occurs through mechanism of land-ocean-atmosphere interaction.We
also note that diurnal, seasonal, and annual oscillationsin Jambi are affected by land use change. The
oscillation pattern of temperature,precipitation, wind dirsetion and speed, in the year of 2000 shows
that the significant difference for example in temperature as much as 2.5 0C, due to the land use
change during the year of 2000-2010 particularly in DJF. The Annual pattern has the least
significant change.
Keywords: annual, diurnal, seasonal, land use change, RegCM4, Jambi
PENDAHULUAN
Karakteristik permukaan daratan sangat
mempengaruhi interaksi daratan dengan
atmosfer. Karakteristik ini berpengaruh
langsung pada lapisan Planetary Boundary
Layer (PBL), lapisan tempat berlangsungnya
pertukaran panas, uap, dan fluks momentum
antara atmosfer dan permukaan bumi. Oleh
karena itu, bisa dikatakan bahwa sumber utama
energi sirkulasi atmosfer berada di permukaan

bumi [1]. Penggunaan lahan atau tutupan lahan
(land use/cover) menentukan bentuk PBL dan
pada akhirnya akan mempengaruhi variabilitas
iklim.
Dengan demikian, aktivitas manusia dalam
mengubah lahan akan mempengaruhi proses
iklim skala regional bahkan global, yaitu
dengan berubahnya fluks massa dan energi
antara ekosistem dan atmosfer [2].
64
Otieno dan Anyah[3] meneliti pengaruh

perubahan land use terhadap iklim regional dan
lokal di Kenya dengan memanfaatkan data
satelit untuk klasifikasi lahan. Klasifikasi
dilakukan dengan analisis spektral dan
didapatkan 7 (tujuh) kategori, yaitu: (1) badan
air (water body), (2) lahan pertanian, (3)
sabana/semak-semak/rumput, (4) vegetasi
rapat/hutan, (5) barren/salt marsh, (6)
pemukiman (built up areas), dan (7) kelas untuk
kategori yang belum teridentifikasi. Selain itu,
dilakukan pula simulasi untuk menguji
sensitivitas parameter iklim (temperatur dan
curah hujan) terhadap land use dengan
menggunakan model iklim RegCM4. Hasilnya
menunjukkan bahwa perubahan land use
mempengaruhi curah hujan. Perluasanlahan
pertanian menyebabkan penurunan curah hujan.
Sebaliknya, bila lahan pertanian dikonversi
menjadi hutan, curah hujan meningkat.
Sejak 2006 Indonesia merupakan negara
penghasil minyak kelapa sawit terbesar di
dunia, melebihi Malaysia, dan pulau penghasil
kelapa sawit terbanyak adalah Sumatera
[4].Pada tahun 2010 luas perkebunan kelapa
sawit di Indonesia mencapai 7.016.118 Ha [5].
Luas area ini terbesar kedua setelah luas
perkebunan karet, namun produksinya yang
tertinggi, mencapai 54% dari seluruh komoditi
perkebunan yang didata oleh Direktorat
Jenderal Perkebunan Kementerian Pertanian
[5]. Sementara itu, kelapa sawit merupakan
produk unggulan dari Provinsi Jambi [6]. Luas
areal perkebunan kelapa sawit di Provinsi
Jambi terluas kedua setelah perkebunan karet,
namun produksinya paling tinggi [6].Luas
perkebunan dari tahun ke tahun cenderung
meningkat, misalnya di Kabupaten Sarolangun,
data terakhir menunjukkan luas perkebunan
kelapa sawit adalah 8.725 ha (tahun 2010).
Luas ini meningkat dari tahun 2009 (8.502 ha)
dan tahun 2008 (8.174 ha) [7]. Perluasan ini
akibat dari tingginya permintaan akan produksi
yang dihasilkan oleh kelapa sawit. Perluasan
lahan semacam ini tentunya berkontribusi pada
perubahan land use.
Bagaimana pengaruh perubahan land use
terhadap parameter meteorologis di Provinsi
Jambi disimulasikan dalam penelitian ini
dengan menggunakan model iklim regional
RegCM4. Adapun parameter-parameter yang
dianalisis adalah temperatur tanah, temperatur
permukaan tanah, total soil water, fluks panas

sensible, dan presipitasi.
METODE PENELITIAN
Lokasi penelitian ini adalah Provinsi Jambi
seperti yang ditunjukkan padaGambar 1.Secara
geografis Provinsi Jambi terletak antara 045' 245' LS dan 1010' - 10455' BT dengan
wilayah keseluruhan seluas 53.435,72 km
dengan luas daratan 51.000 km2 , luas lautan
425,5 km2, dan panjang pantai 185 km [8].
Gambar 1.Peta administrasi Provinsi Jambi

Dalam model RegCM4 ini dipilih titik tengah
di Provinsi Jambi dengan pilihan dimensi,
proyeksi peta, dan pilihan lainnyasebagaimana
ditampilkan pada Tabel 1.Tampilan hasil
setting model sebagaimana dirangkum dalam
Tabel 1 tersebut dengan menggunakan GrADS
ditunjukkan pada Gambar 2.Selanjutnya setting
model inilah yang merupakan dasar dari
simulasi dan running model RegCM4. Model
RegCM sendiri merupakan perkembangan dari
model sebelumnya, yaitu RegCM3 yang
dipaparkan oleh Pal dkk [9]. Dibandingkan
dengan versi sebelumnya, model iklim
RegCM4 telah memasukkan land surface,
planetary boundary layer, dan skema fluks
atmosfer-lautan yang baru, konveksi campuran
dan konfigurasi tropical band, modifikasi
transfer radiatif dan skema boundary layer,
serta peningkatan dalam hal fleksibilitas,
portabilitas, dan kemudahan penggunaan [10].
Selain itu, model juga bisa dikopling dengan
model danau 1D, skema aerosol yang
disederhanakan (termasuk karbon organik,
black carbon, SO4, debu, dan sea spray), serta
modul kimia fase gas [10]. Detail mengenai
opsi-opsi yang tersedia dalam model RegCM4
bisa dilihat pada paper Giorgi dkk [10, beserta
referensi di dalamnya].
65
Tabel 1.Deskripsi setting area model

TIPE
PARAMETER
iy = 22,
Domain
dimensi
&dimparam jx = 38,
Domain
geolokasi
&geoparam
Tabel 2.Data masukan simulasi.
DESKRIPSI
DATA
JENIS
Jumlah titik grid arah

utara/selatan.
global land
cover
GLCC BATS 10 min
SST
Sst.wkmaen.1990-now
Initial and
boundary
condition
NNRP2 (2.5 x 2.5 )
Land use
Bakosurtanal (2000 dan 2010)
Jumlah titik grid arah

barat/timur.
iproj =
NORMER',
Domain proyeksi
cartographic, terdiri dari :
'LAMCON',
'POLSTR',
'NORMER',
'ROTMER',
ds = 30.0,
Titik grid horiz(km)
clat = -3.0,
Titk pusat latitude
clon = 103
Titik pusat longitude
Sumber data yang digunakan meliputi data

global land cover (GLCCBATS10min), data
land
use
(bakorsurtanal),
SST
(Sst.wkmean1190-now) dan data initial and
lateral boundary condition (NNRP2), seperti
yang ditunjukkan pada Tabel 2. Selanjutnya,
data land use Provinsi Jambi tersebut diolah
menjadi data yang menjadi data input RegCM4.
Data land use ini merupakan data tutupan lahan
yang terbagi menjadi 20 kelas vegetasi
sebagaimana yang ditunjukkan pada Tabel 3.
Data land use Bakosurtanal adalah data land
use tahun 2000 (Gambar 3) dan 2010 (Gambar
4) yang selanjutnya hasil output keduanya
dibandingkan.
Skenario model yang digunakan untuk

mengetahui perubahan land use di Provinsi
Jambi menggunakan RegCM4 dilakukan
dengan cara: (1) Simulasi parameter
meteorologi tahun 2000 dengan menggunakan
data land use tahun 2000 dari Bakorsutanal dan
data ICBC tahun 2000, dan (2) Simulasi
parameter meteorologi tahun 2010 dengan
menggunakan data land use tahun 2010 dari
Bakorsutanal dan data ICBC tahun 2000. Data
ICBC yang digunakan sama (yaitu tahun 2000)
agar pengaruh perubahan land use dapat benarbenar diketahui dan dipisahkan dari pengaruh
lainnya. Dengan demikian, dari masing-masing
skenario akan dihasilkan beberapa parameter,
antara lain temperatur permukaan, temperatur
tanah, presipitasi, dan total soil water. Skema
Hasilnya kemudian dibandingkan di antara
kedua keluaran model tersebut.
Tabel 3. Tutupan lahanvegetasi.
Titik tengah domain
Gambar 2. Peta Provinsi Jambi dalam tampilan GrADS
66
Gambar 3. Peta land useProvinsi Jambi tahun 2000.
Tabel 5. Skema fisis dan dinamis RegCM4 yang

digunakan dalam simulasi.
ASPEK
PENERAPAN OPSI
Radiation Scheme
CCM3 [11]
Land Surface Models
BATS [12]
PBL Scheme
Non-local, Holtslag [13]
Large-Scale Precipitation
SUBEX [14]
Cumulus convection
Grell [15]
Ocean
Parameterization
ux
Prognostic Sea
Skin Temperatur
Surface
BATS
Zeng [16]
Pressure Gradient Scheme
hydrostatic deduction scheme
Lake Model
Hostetler [17]
Chemistry Model
Marticorena dan Bergametti [18] ;

Alfaro dan Gomes [19]
Coupled Ocean
MIT
Dynamics scheme
MM5 Hydrostatic [20]
Skema fisis dan dinamis yang digunakan dalam

simulasi ini adalah sebagaimana yang
ditampilkan
dalam
Tabel
5
beserta
acuan/referensi skema yang bersangkutan.
Tampak jelas dari Gambar 3 dan 4 bahwa
dalam kurun waktu 10 tahun, dari tahun 2000
s.d tahun 2010, terjadi perubahan land use di
Provinsi Jambi. Pada tahun 2000 sebagian besar
wilayah Jambi berupa kebun campuran.Hutan
primer masih tersebar di seluruh kabupaten,
meskipun tidak semuanya
luas,
dan
berdampingan dengan kebun, baik kebun
Gambar 4. Peta land useProvinsi Jambi tahun 2010
campuran ataupun perkebunan. Pada tahun

2010, sebagian kebun campuran berubah
menjadi sawah, perkebunan, atau bahkan
semak belukar. Di tempat tertentu area
pemukiman menjadi semakin luas dan sebagian
besar hutan primer berubah menjadi mangrove.
Di tempat lain, hutan sekunder, sebagian rawa,
dan sebagian sawah berubah menjadi
perkebunan.
Hasil simulasi RegCM4 menunjukkan bahwa
perubahan land use berpengaruh pada
temperatur tanah dengan rentang perbedaan 2.5
C (Gambar 5a). Nilai yang positif
menunjukkan bahwa rata-rata temperatur tanah
pada kondisi land use tahun 2010 lebih tinggi
dibanding tahun 2000, dan ini terjadi di
sebagian besar wilayah Jambi, terutama di area
sawah yang beralih fungsi menjadi perkebunan
atau semak dan rawa yang berubah menjadi
semak. Sebaliknya, nilai yang negatif
menunjukkan bahwa rata-rata temperatur tanah
pada kondisi land use tahun 2010 lebih rendah
dibanding tahun 2000 dan kondisi tersebut
terjadi pada daerah yang mengalami perubahan
land use menjadi lahan pemukiman. Perubahan
land use juga berpengaruh pada temperatur
permukaan, hanya saja perubahannya tidak
sebesar pada temperatur tanah.Pengaruh pada
temperatur permukaan terjadi pada rentang 1
C(Gambar 5b).Perubahan yang kentara terjadi
di area sawah yang beralih fungsi menjadi
perkebunan. Di area tersebut, temperatur
permukaan pada kondisi land use 2010 lebih
tinggi setidaknya 1 C daripada pada kondisi
land use 2000. Sebaliknya, di area pemukiman
yang meluas temperatur permukaan pada
kondisi land use 2010 lebih rendah antara 0.2
0.6 C daripada pada kondisi land use 2000.
67
Gambar 5. Pengaruh perubahan land use (tahun 2000-2010) terhadap (a) temperatur tanah (b) temperatur
permukaan (c) total soil water (d) flux panas sensible di Provinsi Jambi. Simulasi menggunakan
model RegCM4 dan hasilnya berupa selisih temperatur tanah yang menggunakan land use tahun
2000 dengan landuse tahun 2010
Perbedaan yang kentara terlihat pada total soil

water (Gambar 5c). Nilai rata-rata perubahan
total soil water umumnya mengalami nilai yang
negatif, artinya total soil water rata-rata tahun
2000 lebih rendah pada kondisi land use tahun
2010 dibanding land use tahun 2000, dan ini
terjadi di sebagian besar wilayah Jambi.
Perubahan lebih dari 250 mm terjadi di area
sawah yang beralih fungsi menjadi perkebunan
atau berubah menjadi semak/belukar dan
perkebunan atau hutan yang berubah menjadi
semak/belukar atau mangrove. Sebaliknya, di
area pemukiman yang bertambah luas total soil
waterpada kondisi land use tahun 2010 lebih
tinggi 200-250 mm daripada pada kondisi land
use tahun 2000.
Perubahan land use juga berpengaruh pada
fluks panas sensible, sebagaimana yang
diperlihatkan pada Gambar 5d. Fluks panas
sensible merupakan proses transfer energi
panas dari permukaan Bumi ke atmosfer

melalui konduksi dan konveksi, dan bisa
dinyatakan sebagai jumlah panas yang
ditransmisikan satu satuan luas area per satu
satuan waktu [21]. Umumnya fluks panas
sensiblepada kondisi land use tahun 2010 lebih
kecil daripada pada kondisi land use tahun
2000, dan terjadi di area hutan sekunder yang
beralih fungsi menjadi mangrove atau padang
rumput dan perkebunan campuran yang
berubah menjadi semak/belukar. Di area yang
pemukimannya meluas perubahannya bahkan
perubahannya antara 80105W/m2.Sebaliknya,
di area sawah yang beralih fungsi menjadi
perkebunan fluks panas sensiblepada kondisi
land use tahun 2010 lebih tinggi antara 55
W/m2 hingga 105 W/m2 daripada pada kondisi
land use tahun 2000. Jika ditinjau per bulan,
terlihat adanya perbedaan antara bulan JanuariJuni dengan Juli-Desember pada temperatur
tanah (Gambar 6).
68
negatif (Gambar 7). Perbedaan tersebut terjadi

akibat pengukuran temperatur di permukaan
tanah dan di dalam tanah. Ketika land use
berubah maka perubahan yang sangat
signifikan terjadi
di permukaan bila
dibandingkan dengan di bawah permukaan
tanah. Kondisi tersebut dapat dilihat pada
parameter total soil water (Gambar 8). Nilai
rata-rata perubahan total soil water umumnya
mengalami nilai yang negatif, artinya total soil
water tahun 2010 lebih rendah dibanding tahun
2000. Nilai positif total soil water juga terjadi
tetapi di sebagian kecil wilayah,khususnya di
daerah yang mengalami perubahan land use
yang menjadi pemukiman.
Gambar 6. Pengaruh perubahan land use (tahun

2000-2010)
terhadap
temperatur
tanah bulanan di Provinsi Jambi.
Simulasi
menggunakan
model
RegCM4 dan hasilnya berupa selisih
temperatur tanah yang menggunakan
land use tahun 2000 dengan landuse
tahun 2010
Gambar 8. Sama dengan Gambar 6 tetapi untuk

total soil water

temperatur permukaan bulanan
Nilai rata-rata temperatur tanah bulanan antara

Januari-Juni lebih tinggi di banding JuliDesember. Kondisi yang sama terjadi pada
temperatur permukaan tetapi terjadi hanya
sampai bulan Juni (yang didominasi nilai ratarata temperatur permukaan yang positif)
sedangkan sisanya memiliki nilai rata-rata yang
Analisis lainnya dapat dilakukan pada fluks

panas sensible bulanan akibat pengaruh
perubahan land use tahun 2010 dan tahun 2000
(Gambar 9).Fluks panas sensible mengalami
nilai yang positif tetapi dengan perbedaan yang
relatif kecil. Perbedaan yang terbesar (nilai
panas sensible yang negatif) terjadi pada land
use yang mengalami perubahan menjadi
pemukiman. Perbedaan panas sensible ini
sangat signifikan dan mencapai nilai
maksimum 105 W/m2.Perbedaan-perbedaan ini
dapat dianalisis untuk melihat bagaimana
pengaruhnya terhadap presipitasi seperti yang
ditunjukkan Gambar 13. Perbedaan-perbedaan
yang terjadi bervariasi secara temporal dan
spasial semua perbedaan tersebut terjadi akibat
perubahan land use. Perbedaan terbesar jelas
terlihat saat terjadi perubahan land use menjadi
pemukiman.
69

fluks panas sensible.

presipitasi
Gambar 10 menunjukkan telah telah terjadi

perbedaan presipitasi tetapi dengan kuantitas
yang relatif rendah.Perbedaan maksimum
terjadi sebesar 1 mm/hari. Umumnya nilai ratarata perbedaan nilai presipitasi ini positif,
artinya bahwa presipitasi tahun 2000pada
kondisi land use tahun 2010 maka curah
hujannya lebih besar dibandingkan dengan
kondisi land usetahun 2000walaupun secara
spasial perbedaannya relatif lebih kecil.
Perubahan presipitasi juga terjadi di laut
khususnya dimulai sejak September s.d
Desember. Perubahan land use yang ada di
darat akan menyebabkan perubahan berbagai
parameter di atmosfer dan di laut. Selanjutnya,
akan terjadi proses timbal balik dan proses
interaksi yang saling berhubungan dan
kemudian akan menggerakan sistem iklim
khususnya di Provinsi Jambi. Pengaruh
perubahan land use terhadap beberapa
parameter
meteorologi
tersebut
mengindikasikan terdapat proses interaksi
darat-laut-atmosfer sehingga perubahan land
use (perubahan di darat) akan penyebabkan
perubahan parameter atmosfer dan laut.
Perubahan-perubahan tersebut merupakan
proses interaksi antara darat-laut-atmosfer
Analisis
selanjutnya
dilakukan
untuk
mengetahui pengaruh perubahan land use pada
osilasi yang terjadi di Provinsi Jambi.Analisis
dilakukan
pada
parameter
temperatur
permukaan, angin, dan presipitasi.Analisis
dilakukan secara diurnal (jam 01, 07, 13 dan 19
WIB), seasonal (DJF, MAM, JJA, SON), dan
annual (tahunan).Analisis osilasi dilakukan
dalam beberapa tipe osilasi, yaitu diurnal,
seasonal, dan annual. Hal ini dilakukan untuk
mengetahui pengaruh land use pada tiap tipe
osilasi tersebut. Osilasi yang terjadi merupakan
pola yang terjadi di Provinsi Jambi hasil
simulasi
model
RegCM4
dengan
mempertimbangkan perubahan land use tahun
2010 dan tahun 2000. Hasilnya dapat dikatakan
bahwa pola atau bentuk osilasi yang terjadi
merupakan hasil dari interaksi darat-lautatmosfer yang mempengaruhi sistem iklim
lokal dan pada akhirnya berpengaruh terhadap
osilasi-osilasi yang terjadi di Provinsi Jambi.
Analisis dilakukan pada DJF untuk mengetahui
osilasi temperatur yang terjadi pada saat
sebagian besar Provinsi Jambi dan daerah lain
di Indonesia mengalami puncak musim hujan.
Selain itu, Provinsi Jambi juga memiliki tipe
presipitasi pola monsunal[22]. Pada Gambar 11
saat DJF terlihat perbedaan pola temperatur
pada jam 01.00, 07.00, 13.00 dan 17.00 WIB.
Hal tersebut mengindikasikan ada osilasi
diurnal yang terjadi di Provinsi Jambi.
Perbedaan temperatur maksimum terjadi pada
jam 07.00 WIB yang kemungkinan akibat
70
transisi siang dan malam hari. Kondisi yang

sama juga terjadi pada MAM tetapi pada jam
yang sama mengalami perbedaan temperatur
yang minimum bahkan saat JJA perbedaan dan
SON berubah menjadi minimum (bernilai
negatif). Pola yang ditunjukkan Gambar 11
menampilkan pola yang berbeda-beda baik

secara seasonal (DJF, MAM, JJA dan SON)
dan diurnal (jam 01.00, 07.00, 13.00 dan 17.00
WIB).
DJF
MAM
JJA
SON
Rata-rata tahunan
Gambar 11. Sama dengan Gambar 6 tetapi untuk temperatur permukaan pada DJF, MAM, JJA, SON dan Ratarata tahunan saat jam (a) 01 (b) 07 (c) 13 dan (d) 19 WIB . Tanda segitiga menunjukkan Kota Jambi dan kotak
menunjukkan Kota Sorolangun
Analisis rata-rata tahunan juga dilakukan untuk

melihat pola osilasi annual. Pola yang terjadi
menunjukkan bahwa terlihat jelas perbedaan
temperatur pada tiap enam jam dan secara ratarata tahunan. Perbedaan tersebut terjadi akibat
perubahan land use di Provinsi Jambi tahun
2010 dan 2000. Analisis selanjutnya dilakukan

pada karakteristik angin di Provinsi Jambi.
Gambar 12. menunjukkan pola angin diurnal,
seasonal, dan annual. Pola angin berupa
kecepatan dan arah angin terlihat berbeda pada
71
masing-masing DJF, MAM, JJA dan

SON.Selain itu, perbedaan pola juga terjadi
pada tiap enam jam pada masing masing
gambar baik secara seasonal maupun secara
tahunan.Perbedaan-perbedaan tersebut akibat
pengaruh perubahan land use tahun 2010-2000.
Akibat perubahan land useakan terjadi proses

interaksi darat-laut-atmosfer yang selanjutnya
akan mempengaruhi osilasi yang terjadi di
Provinsi Jambi.
Gambar 12. Sama dengan Gambar 11 tetapi untuk kecepatan angin rata-rata
Sirkulasi diurnal hasil simulasi RegCM4.0

untuk kecepatan angin tahun 2000 akibat
perubahan land use tahun 2000 dan 2010
wilayah Jambi menunjukkan adanya variasi
temporal, yaitu pada jam 00.00 dan 07.00 WIB
kecepatan angin lemah sedangkan pada jam
13.00 dan 19.00 WIB kecepatan angin cukup

besar. Artinya, di atas wilayah Jambi kecepatan
angin pada siang hari lebih tinggi dibandingkan
pada malam hari. Sedangkan jika dibandingkan
variasi antara tahun 2000 dengan 2010
menunjukkan perbedaan sebaran kecepatan
72
angin cukup signifikan di atas wilayah Jambi.

Pada jam 00 dan 07WIB tidak terjadi perbedaan
cukup signifikan antara land use tahun 2000
dan 2010. Sedangkan pada jam 13.00 WIB
kecepatan angin kondisi land use tahun 2000
lebih tinggi dibanding dengan tahun 2010,

namun pada jam 19.00 WIB kecepatan angin
tahun kondisi land use 2000 lebih rendah
dibanding dengan tahun 2010.
Gambar 13. Sama dengan Gambar 11 tetapi untuk presipitasi
Perbedaan presipitasi tahun 2000 yang

diakibatkan oleh perubahan land use tahun
2010 dan 2000 ditampilkan Gambar 16.
Analisis lebih lanjut menunjukkan bahwa
presipitasi DJF umumnya bernilai negatif yang
artinya presipitasi tahun 2000 pada kondisi land
use tahun 2010 lebih rendah dibanding
presipitasi tahun 2000 pada kondisi land use

tahun 2000. Sedangkan perbedaan presipitasi
pada MAM, JJA , SON dan rata-rata tahunan
(Gambar 17) menunjukkan nilai yang
positif.Nilai positif tersebut menunjukkan
bahwa presipitasi tahun 2000 pada kondisi land
use tahun 2010 lebih tinggi dibanding kondisi
73
land use tahun 2000. Nilai yang relatif kecil

(berwarna
putih)
menunjukkan
bahwa
presipitasi tahun 2000 akibat dua kondisi land
use tahun 2010 dan 2000 tidak memiliki
perbedaan yang signifikan. Perbedaan yang
tidak signifikan tersebut terjadi secara rata-rata
tahunan. Menurutt Otieno dan Anyah [3]
perubahan hutan menjadi lahan pertanian
menyebabkan
albedo
meningkat,
yang
berakibat pada penurunan radiasi permukaan
netto (net surface radiation). Permukaan lahan
pertanian lebih smooth dan seragam. Artinya,
kekasaran permukaan (surface roughness)
berkurang dan ini menjadi faktor utama yang
menentukan pertukaran aerodinamis antara
daratan dan atmosfer lapisan bawah.
Selanjutnya, evapotranspirasi akan berkurang.
Sebaliknya, konversi lahan pertanian menjadi
hutan akan menurunkan albedo dan
meningkatkan radiasi permukaan netto, dan
dalam jangka panjang akan meningkatkan
evapotranspirasi, meningkatkan presipitasi dan
mengurangi temperatur permukaan.
KESIMPULAN
Pengaruh perubahan landuse terhadap beberapa
parameter meteorologi dan osilasi atmosfer di
Provinsi Jambi telah berhasil disimulasikan
dengan menggunakan model RegCM4.
Simulasi dilakukan dengan menggunakan land
use 2000 dan land use 2010 untuk parameter
atmosfer tahun 2000.
Parameter meteorologi yang dianalis antara lain
temperatur tanah, temperatur permukaan tanah,
total soil water, fluks panas sensible, dan
presipitasi. Hasil analisis menunjukkan bahwa
perubahan land use telah memberi pengaruh
yang besar dalam menentukan parameterparameter tersebut. Perubahan yang terjadi pada
temperatur tanah (-2.5 s.d 2.5 0 C) lebih besar di
banding temperatur udara (-1 s.d 10C).
Pengaruh perubahan land use tersebut terjadi
melalui mekanisme interaksi darat-lautatmosfer.
Proses osilasi diurnal, seasonal, dan annual
yang terjadi di Provinsi Jambi juga dipengaruhi
oleh perubahan land use. Pola osilasi pada
temperatur, angin, dan presipitasi tahun 2000
menunjukkan bahwa terdapat perbedaan pola
yang signifikan akibat perubahan land use
tahun 2010 dengan tahun 2000, misalnya
perbedaan temperatur tanah sebesar 2.50C,
khususnya pada periode DJF. Perbedaan pola
terkecil terjadi untuk rata-rata tahunan.
DAFTAR PUSTAKA
[1] Seth, A., Giorgi, F. (1996). Threedimensional model study of organized
mesoscale circulations induced by
vegetation.J. Geophys. Res., 101,
73717391.
[2] Pielke, R.A. Sr, Marland, G., Betts, R.A.,
Chase, T.N., Eastman, J.L., Niles, J.O.,
et al. (2002). The influence of land-use
change and landscape dynamics on the
climate system: relevance to climate
change policy beyond the radiative
effect of greenhouse gases. Phil. Trans.
R. Soc. Lond. A,360, 17051719.
[3] Otieno, V.O., &R.O. Anyah. (2012).
Effects of land use changes on climate
in the Greater Horn of Africa. Climate
Research, 52, 77-95.
[4] Indonesia: Palm Oil Production Prospects
Continue
to
Grow.
http://www.pecad.fas.usda.gov/highligh
ts/2200/12/Indonesia_palmoil/. diakses
tanggal 18 Maret 2013.
[5] Luas
Areal
dan
Produksi
Perkebunan.(2013).
http://ditjenbun.deptan.go.id/statistikbu
n/public/menu.php.diakses tanggal 13
Maret 2013
[6] Potensi Unggulan Sumber Daya Alam
Perkebunan Kelapa Sawit. (2013).
http://www.jambiprov.go.id/?show=dir
ektori&id=kelapa-sawit.diakses tanggal
14 Maret 2013.
[7] Luas Tanaman Perkebunan Menurut Jenis
Tanaman
Tahun
2008
s/d
2010.http://sarolangunkab.go.id/pemka
b/index.php?r=selayang&x=24.
diakses tanggal 14 Maret 2013.
[8] Letak
Wilayah
dalam
Provinsi
Jambi. http://www.jambiprov.go.id/?s
how=page&id=p_wilayah. diakses
[9] Pal, J.S., Giorgi, F., Bi, X., Elguindi, N.,
Solmon, F., Gao, X.., et al. (2007).
Regional Climate Modeling for the
Developing World: The ICTP RegCM3
and RegCNET. Bull. Amer. Meteor.
Soc., 88, 13951409.
[10] Giorgi, F., Coppola, E., Solmon, F.,
Mariotti, L., Sylla, M. B., Bi, X, et al.
(2012). RegCM4: model description
and preliminary tests over multiple
CORDEX domains. Climate Research,
52, 7-29.
74
[11] Kiehl, J.T., Hack, J.J., Bonan, G.B.,

Boville,
B.A.,
Breigleb,
B.P.,
Williamson, D.,Rasch, P. (1996).
Description of the ncar community
climate model (ccm3), Tech. Rep.
NCAR/TN-420+STR. National Center
for Atmospheric Research, Boulder,
Colorado.
[12] Dickinson, R. E., Henderson-Sellers, A.,
&Kennedy, P. J. (1993). Biosphereatmosphere transfer scheme (BATS)
version 1e as coupled to the NCAR
community climate model, Tech. Rep.
NCAR/TN-387+STR..National Center
for Atmospheric Research, Boulder,
Colorado.
[13]Holtslag, A. A. M., de Bruijn, E. I. F.,
&Pan, H.-L. (1990). A high resolution
air mass transformation model for
short-range weather forecasting, Mon.
Wea. Rev., 118, 15611575.[14] Pal,
J.S., Small, E. E., &Eltahir, E.A.B.,
(2000). Simulation of regional-scale
water
and
energy
budgets:
Representation of subgrid cloud and
precipitation
processes
within
RegCM.J. Geophys. Res.-Atmospheres,
105(D24), 2957929594.
[15] Grell, G. (1993).Prognostic evaluation of
assumptions
used
by
cumulus
parameterizations.Mon. Wea. Rev.,
121, 764787.
[16] Zeng, X.(2005). A prognostic scheme of
sea surface skin temperature for
modeling and data assimilation,
Geophysical Research Letters, 32,
l14605.
[17] Hostetler, S.W., Bates, G.T., &Giorgi, F.

(1993). Interactive nesting of a lake
thermal model within a regional climate
model for climate change studies,
Geophysical Research, 98, 50455057.
[18] Marticorena, B., & Bergametti, G.
(1995).Modeling the atmospheric dust
cycle: 1. Design of a soilderived dust
emission scheme.J. Geophys. Res., 100,
1641516430.[19]
Alfaro, S. C.,
& Gomes, L. (2001).Modeling mineral
aerosol production by wind erosion:
Emission intensities and aerosol size
distribution in source areas.J.Geophys.
Res., 106,1807518084.
[20] Grell, G.A., Dudhia, J., &Stauffer,
(1994).Description
of
the
fifth
generation
Penn
State/NCAR
Mesoscale Model (MM5).Tech. Rep.
TN-398+STR,
NCAR,
Boulder,
Colorado
[21] Sensible
Heat
Flux.
http://disc.gsfc.nasa.gov/
hydrology/data-holdings/parameters/
sensible_heat_flux.shtsh.diakses
[22] Edvin,
A.
&
Susanto,
R.D.
(2003).Identification
of
Three
Dominant Rainfall Regions within
Indonesia and Their Relationship to Sea
Surface Temperatur.Int. J. Climatol, 23,
1435-1452.
DISKUSI
1. Dr.Agus Paulus:
Apacontrol experiment dari penelitian ini?
Kontrol experiment penelitian ini adalah kondisi tahun 2000, sehingga yang berbeda hanya
land use saja yaitu tahun 2000 dan tahun 2010, selanjutnya hasil keluaran model di analisis.
2. Dra.Nurhayati,M.Sc:
Apa filosofi parameterwater soil dan lain-lain dari model?
Filosofi perhitungan parameter output belum dieksplorasi lebih lanjut. Pustaka yang terkait
dengan hal tersebut juga belum ditemukan. Disamping itu, kajian ini meneliti secara spesifik
iklim mikro di bawah tajuk kelapa sawit, bukan mengenai spesifik parameter outputnya.
75
VALIDASI HASIL PREDIKSI CURAH HUJAN DARI MULTIMODEL

ENSEMBLE BERBASIS STATISTIK DI SULAWESI SELATAN
VALIDATION OF STATISTICALLY RAINFALL PREDICTION BASED ON MULTIMODEL
ENSEMBLEIN SOUTH SULAWESI
Restu Tresnawati, Tri Astuti Nuraini, Kurnia Endah Komalasari, Yuaning Fajariana,
Kharisma Aprilina, Imelda Ummiyatul Badriyah
ABSTRAK
Curah hujan memiliki variabilitas yang tinggi dalam skal ruang dan waktu, sehingga tingkat akurasi
prediksinya juga sangat bervariasi. Metode prakiraan ensemble diharapkan dapat meningkatkan
akurasi prakiraan curah hujan. Penelitian ini bertujuan melakukan validasi metode ensemble prediksi
curah hujan univariat dan multivariate dengan metode ensemble mean (EM) dan ensemble Bayesian
Model Averaging (BMA). Data curah hujan dasarian selama periode tahun 2001-2010 digunakan
untuk prediksi secara hindcast menggunakan aplikasi HyBMG dan ClimaTools pada tiga pos
pengamatan di Sulawesi Selatan. Luaran model dari kedua aplikasi tersebut digunakan sebagai
member dalam teknik EM dan BMA. Hasil validasi yang disajikan dalam bentuk Diagram Taylor
memperlihatkan bahwa teknik EM dan BMApada tiga lokasi tersebut belum stabil untuk menghasilkan
akurasi tinggi dalam prediksi curah hujan.
Kata Kunci : Bayesian Model Averaging, univariat, multivariate, HyBMG, ClimaTools, diagram
Taylor
ABSTRACT
Precipitation has a high variability in space and time. Therefore the accuration of its prediction varies
as well. The ensemble method of prediction is assumed to increase the rainfall prediction. This
research was intended to validate the ensemble method of univariate and multivariate by using
Ensemble Mean (EM) and Ensemble Bayesian Model Averaging (BMA). Ten-days rainfall dataset of
the period of 2001-2010 was used for rainfall hindcast prediction using HyBMG and ClimaTools in
three rainfall observation station in South Sulawesi. The model output of this two applications were
used as the members of EM and BMA techniques. The validation result as depicted in the Taylor
Diagram shown that EM and BMA were unstable to produce high accuracy in rainfall prediction.
Keywords : Bayesian Model Averaging, univariat, multivariate, HyBMG, ClimaTools, diagram Taylor
PENDAHULUAN
Curah hujan merupakan parameter cuaca/iklim
yang bervariasi tinggi pada ruang dan waktu.
Pada tataran operasional variasi curah hujan
yang banyak tersebut dikelompokkan ke dalam
pola-pola yang sama, dikenal dengan Zona
Musim (ZOM).
Secara proses meteorologi / klimatologi,
variasi pola hujan yang ada di Indonesia dibagi
dalam tiga kelompok besar, yaitu: monsunal,
ekuatorial dan anti-monsunal [1].
Dalam penyajian informasi prakiraan hujan
memerlukan
kelengkapan
data
untuk
menghasilkan prakiraan yang berkualitas.
Selain data, metode prakiraan memegang
peranan penting untuk menghasilkan prakiraan

yang berkualitas terebut.
Model-model prakiraan curah hujan berbasis
statistik telah dikembangkan Puslitbang
BMKG dalam bentuk aplikasi model statistik
univariat (HyBMG) dan ClimaTools untuk
model
statisitik
multivariat.
Dalam
perkembangannya telah dilakukan kombinasi
(ensemble) dari hasil keluaran berbagai metode
dalam model prediksi curah hujan univariat
(HyBMG) dan multivariat yang merupakan
salah satu upaya menambah jumah metode
yang digunakan dalam model prakiraan iklim
[2].
Pengembangan teknik ensemble dalam
penelitian ini didasarkan pada teori tentang
76
Peramalan ensemble menurut Palmer dan

Leutbecher [3],yang mempunyai arti sebagai
suatu metode prediksi numerik yang
digunakan untuk membangkitkan kumpulan
sampel dari suatu keadaan mendatang.
Ensemble ini mempunyai arti kumpulan dari
beberapa model, sehingga dapat disimpulkan
bahwa peramalan dengan menggunakan
konsep ensemble adalah peramalan yang
didasarkan pada kumpulan dari beberapa
model. Peramalan ensemble sendiri merupakan
suatu bentuk analisis iteratif yang meliputi
prediksi numerik ganda, yang dilakukan
dengan memberikan kondisi awal yang sedikit
berbeda untuk masing-masing model. Dalam
prosesnya, proses numerik ini dilakukan
dengan menggunakan prosedur komputasi
yang rumit dan membutuhkan peralatan
komputer yang sangat canggih. Apabila
diilustrasikan secara sederhana, peramalan
ensembel berawal dari proses perumusan awal
secara deterministik yang terdiri dari banyak
kumpulan variabel (misalnya, variabel
kecepatan
angin,
temperatur
udara,
kelembaban, curah hujan, dan lain sebagainya)
dimana
pada
masing-masing
variabel
mempunyai skenario initial value sendirisendiri, kemudian variabel-variabel ini
disimulasikan secara iteratif melalui proses
numerik yang rumit. Beberapa di antara proses
yang rumit itu adalah proses inisialisasi dan
perturbasi. Selain itu, untuk mendapatkan satu
output ensembel diperlukan waktu yang relatif
lama.
Metode ensemble yang dikaji dalam penelitian
ini adalah Metode EnsembleMean (rata-rata)
dan
EnsembleBMA
(Bayesian
Model
Averaging). Metode BMA merupakan salah
satu metode untuk mengkalibrasi hasil
peramalan ensembel yang dikembangkan oleh
Raftery dkk [2]. Proses kalibrasi itu sendiri
dalam kasus ini adalah suatu proses untuk
menghilangkan nilai bias mean dengan nilai
varians yang sesuai sehingga didapatkan nilai
peramalan dalam bentuk pdf yang terkalibrasi.
Metode BMA mengkalibrasi nilai peramalan
namun tidak hanya mengacu pada satu model
yang terbaik saja. Hal ini berbeda dengan
metode analisis statistik pada umumnya,
dimana pada analisis statistik model dipilih
dari beberapa kemungkinan model dari suatu
data dan model yang terpilih tersebut
merupakan model yang terbaik. Padahal, di
satu sisi pada beberapa kasus tertentu masih
terdapat kemungkinan bahwa model yang lain
dapat memberikan jawaban yang lebih tepat
atau lebih bagus daripada model yang sudah
terpilih.
Dengan
kata
lain,
dengan
menggunakan
metode
BMA,
maka
keseluruhan kemungkinan dari model statistik
diperhatikan.
Metode Bayesian yang dimaksud dalam kasus
ini dapat berarti sebagai suatu metode untuk
estimasi parameter dengan cara memperbarui
setiap informasi yang ada hingga didapatkan
parameter yang baru, sedangkan yang
dimaksud dengan Model Averaging itu sendiri
terletak pada adanya penggabungan dari
beberapa model ensembel yang selanjutnya
diberikan bobot pada masing-masing model
ensembel. Bobot yang berbentuk rata-rata ini
besarnya berbeda-beda sesuai dengan besar
kontribusi
dari
masing-masing
model
ensembel terhadap kemampuan prediksi. Jika
peramalan tersebut nilainya mendekati nilai
obserasi awal maka nilai bobotnya semakin
besar dan peramalan akan dikatakan baik. Jadi,
ide dasar dari metode BMA ini adalah
mendapatkan posterior distribusi dengan cara
memberikan bobot yang sesuai pada masingmasing posterior probability-nya, dimana
bobot
tersebut
diberikan
berdasarkan
kemampuan prediksi dari masing-masing
model ensembel. Hasil peramalan yang sudah
dikalibrasi dengan menggunakan metode
BMA lebih akurat dan handal daripada hasil
yang didapatkan dengan metode kalibrasi yang
lain [4].
Penelitian ini bertujuan untuk memvalidasi
teknik prediksi iklim berbasis statistik pada
tiga lokasi di wilayah Sulawesi Selatan.
METODE PENELITIAN
Pada penelitian ini digunakan data curah hujan
bulanan observasi dari 3 pos pengamatan di
Sulawesi Selatan,
yaitu Tanete, Palanro,
Hasanudin dan suhu muka laut di wilayah
Pasifik (Nino 3.4). Periode data curah hujan
dan suhu muka laut
untuk proses
pembangunan model adalah 1981-2010.
Sedangkan periode tahun prediksi adalah tahun
2001 2011 sesuai dengan ketersediaan data
yang ada pada tiap pos pengamatan. Untuk
metode univariat, prediksi curah hujan bulanan
menggunakan data prediktor berupa rata-rata
curah hujan di pos pengamatan tersebut.
Sedangkan untuk metode multivariat prediktor
yang digunakan meliputi data curah hujan
bulanan dan data rata-rata suhu permukaan
Samudera Pasifik (NINO 3.4).
Prediksi curah hujan bulanan menggunakan
metode univariat diperoleh dari software
HyBMG versi 2.07 sedangkan prediksi curah
77
hujan bulanan metode multivariat diperoleh

dari software ClimaTools v1.0.
Metode univariat dalam software HyBMG
meliputi ANFIS (Adaptive Neuro-Fuzzy
Inference System), Transformasi Wavelet, dan
ARIMA (Autoregressive Integrated Moving
Average). Sedangkan metode multivariat
dalam software ClimaTools v1.0 adalah
metode prediksi Kalman Filter yang terdiri
dari metode ARMAX, BOX JENKINS dan
OUTPUT ERROR.
Seperti yang telah disinggung pada bab
sebelumnya bahwa teknik ensembel digunakan
untuk mengantisipasi perilaku iklim yang
kaotik, sehingga diharapkan hasil prediksi
ensembel dari model-model prediksi yang
digunakan akan memiliki ketepatan yang lebih
baik. Dengan demikian akan dilakukan
prediksi hujan dari setiap lokasi menggunakan
beberapa model prediksi yang nantinya hasil
prediksinya akan terdiri dari beberapa nilai
prediksi hujan atau istilahnya beberapa
anggota (member) ensembel. Selanjutnya,
setiap satu hasil keluaran model prediksi
dianggap merupakan satu anggota ensembel.
Teknik ensembel yang digunakan adalah
dengan melakukan perata-rataan dari hasilhasil prediksi hujan dengan menggunakan
model prediksi iklim berbasis statistik
univariat dan multivariat.
1
M
Fi
(1)
Pada persamaan di atas, setiap anggota

(member) ensembel atau setiap hasil prediksi
dari suatu model prediksi memiliki bobot yang
sama yaitu berbobot 1 (satu) sehingga hasil
akhir prediksi merupakan nilai rata-rata dari
seluruh anggota ensembel.
Selain ensemblemean atau perata-rataan
digunakan pula teknik ensembleBayesian
Model Averaging yang meliputi dua proses
pengerjaan, yaitu Algoritma ExpectationMaximization (EM) dan Continuous Ranked
Probability Score (CRPS).
Metode Bayesian yang dimaksud dalam hal ini
adalah metode untuk estimasi parameter
dengan cara memperbarui setiap informasi
yang ada hingga didapatkan parameter yang
baru, sedangkan yang dimaksud dengan Model
Averaging itu sendiri terletak pada adanya
penggabungan dari beberapa model ensembel
yang selanjutnya diberikan bobot pada masingmasing model ensembel. Bobot yang
berbentuk rata-rata ini besarnya berbeda-beda
sesuai dengan besar kontribusi dari masingmasing model ensembel terhadap kemampuan
prediksi. Jika peramalan tersebut nilainya

mendekati nilai obserasi awal maka nilai
bobotnya semakin besar dan peramalan akan
dikatakan baik. Jadi, ide dasar dari metode
BMA ini adalah mendapatkan posterior
distribusi dengan cara memberikan bobot yang
sesuai
pada
masing-masing
posterior
probability-nya, dimana bobot tersebut
diberikan berdasarkan kemampuan prediksi
dari masing-masing model ensembel. Hasil
peramalan yang sudah dikalibrasi dengan
menggunakan metode BMA lebih akurat dan
handal daripada hasil yang didapatkan dengan
metode kalibrasi yang lain [4].
Misalkan
adalah prediksi
ensembel yang diperoleh dari K model, dan
adalah peramalan ensembel yang terkalibrasi,
maka model prediksi BMA (posterior
distribusi) untuk peramalan ensembel dapat
dituliskan dalam sebuah model mixture dengan
bentuk sebagai berikut [2,3].
(2)
Dalam
BMA,
masing-masing
peramalan
ensembel
,
dimana
dihubungkan dengan suatu PDF bersyarat
yang diinterpretasikan sebagai PDF
bersyarat dari
pada , dimana
adalah
peramalan terbaik ensembel. PDF bersyarat
ini juga dapat dipandang sebagai
posterior probability dimana pada teorema
Bayesian pembentukannya didasarkan pada
informasi awal, yang disebut dengan distribusi
prior (parameter dari distribusi prior ini belum
terkalibrasi) dan juga pada informasi sampel
yang dinyatakan sebagai fungsi likelihood.
Bobot atau
merupakan posterior model
probabilitas bahwa peramalan ke-k adalah
ramalan terbaik atau suatu bobot yang
mewakili kontribusi dari masing-masing
model terhadap kemampuan prediksi selama
periode training. Bobot yang berbentuk ratarata ( ) ini
berjumlah satu.
bernilai
non-negatif
dan
Metode BMA pertama kali diperkenalkan

dengan mengasumsikan bahwa PDF bersyarat
dari ensembel yang berbeda dari
variabel yang dianalisa (dalam hal ini,
temperatur udara) dapat didekati dengan
78
distribusi normal yang terpusat pada fungsi

linier dari persamaan ensembel asli (sebelum
dikalibrasi)
sehingga
dan standar deviasi

(3)
Dalam hal ini,

dan
adalah koreksi bias
yang diturunkan dari regresi linier sederhana
antara dan
untuk masing-masing anggota
ensembel. Mean dari prediksi BMA bisa
dihitung dengan cara
masing
pengamatan
hanya
satu
dari
yang bernilai 1 dan yang

lain 0.
Menurut Vrugt dkk [3], langkah awal pada
algoritma ini adalah menentukan nilai awal
dari bobot dan varian untuk kemudian
algoritma EM akan berjalan secara iteratif
antara expectation dan maximization sampai
diperoleh kondisi konvergen. Pada step
expectation, nilai hkt diestimasi kembali
dengan diberikan nilai bobot dan varian
terbaru mengikuti persamaan berikut
(4)
yang merupakan peramalan deterministik.
Sedangkan varians dari PDF prediksi BMA
pada suatu t tertentu adalah
(5
)
Dari model prediksi BMA di atas, perlu
diestimasi parameter bobot dan varian
untuk masing-masing anggota ensembel.
Dalam hal ini, pendekatan yang bisa
digunakan untuk
mengestimasi
kedua
parameter adalah dengan menggunakan
algoritma Expectation-Maximization (EM).
Dalam statistik, algoritma ExpectationMaximization (EM) adalah suatu metode untuk
menemukan kemungkinan maksimum dari
perkiraan parameterdalam model statistik.
Algoritma EM merupakan suatu metode
iteratif yang bergantian antara melakukan
langkah expectation, menghitung nilai
kemungkinan estimasi untuk variabel laten,
dan juga langkah maximization, yang
menghitung nilai maksimal dari kemungkinan
pada langkah expectation. Kontribusi dari
berbagai literatur menyebutkan bahwa
algoritma EM relatif simpel namun mampu
bekerja dengan baik, menyediakan perkiraan
yang kuat untuk kebutuhan langkah-langkah
algoritma komputasi yang efisien.
Estimasi dengan algoritma EM pada BMA
diperkenalkan oleh Raftery dkk [2] dan Vrugt
dkk [3].
Untuk mengimplementasikan
algoritma EM pada metode BMA, dapat
digunakan suatu kuantitas hkt yang tidak
teramati, dimana akan mempunyai nilai 1 jika
anggota ensembel k merupakan prediksi
terbaik pada waktu ke t dan bernilai 0 jika
sebaliknya. Oleh karena itu, untuk masing-
(6)
Dimana j merupakan jumlah iterasi dan

adalah PDF bersyarat dari
anggota k yang terpusat pada
. Pada step
maximization, nilai dari bobot dan varian
diperbarui dengan menggunakan nilai estimasi
dari hkt, yaitu
sehingga
(7)
(8)
Dengan iterasi antara expectation dan

maximization, algoritma EM memperbarui
nilai wk dan 2. Iterasi berhenti sampai
nilainya konvergen dengan toleransi yang
sangat kecil.
CRPS menurut Gneiting (2005), merupakan
aturan penilaian untuk menentukan ketajaman
hasil kalibrasi yang telah dihasilkan dengan
menggunakan metode BMA. Oleh sebab itu,
evaluasi kebaikan model tidak bisa dilakukan
dengan prosedur standar secara deterministik
seperti MSE atau MAPE. CRPS berhubungan
dengan skor rank probabilitas. Pernyataan ini
didukung oleh Hersbach [4] yang menyatakan
pada perhitungan CRPS, distribusi (cdf) hasil
peramalan akan
dibandingkan dengan
pengamatan sebenarnya. Persamaan untuk
menghitung CRPS adalah sebagai berikut [4]:
(9)
79
Dimana
adalah
cdf
dari
hasil
peramalan ke-i, sedangkan

adalah
pengamatan sebenarnya ke-i dan K adalah
jumlah ensembel. CRPS menurut Gneiting
(2005) adalah berupa suatu nilai, dimana suatu
hasil peramalan dikatakan bagus jika nilai
CRPS yang dihasilkan minimum.
Terdapat
beberapa
keuntungan
dalam
menggunakan perhitungan CRPS sebagai
evaluasi
kebaikan
dalam
peramalan.
Pernyataan ini didukung oleh Hersbach [4]
yang menyebutkan beberapa keuntungan
menggunakan perhitungan CRPS tersebut
meliputi, perhitungan dengan menggunakan
CRPS peka terhadap seluruh nilai parameter
yang diuji, mudah dalam menafsirkan, selain
itu ketajaman yang dimiliki perhitungan CRPS
menyebar kecil jika hasil ramalan yang
didapatkan akurat.
Untuk lebih jelasnya metodologi dalam
penelitian ini disajikan dalam diagram alur
yang terdapat pada gambar 1.
Gambar 1. Diagram alur metode penelitian

Dari kajian yang dilakukan pada 3 pos
pengamatan
dengan
melakukanensemble
berupa perata-rataan dan Bayesian Model
Averaging (BMA) dari hasil-hasil prediksi
beberapa model prediksi iklim berbasis
statistik univariat dan multivariat diperoleh
hasil bahwa dalam melakukan prediksi iklim
(hujan), salah satu teknik untuk mengantisipasi
sifat ketidakpastian dari perilaku iklim (hujan)
itu sendiri adalah dengan menggunakan teknik
ensemble. Gambar 2,3, dan 4 menunjukkan
hubungan antara data observasi dan hasil
prediksi dengan teknik ensembleuni member
(univariat), multi member (multivariate), dan
all member (univariat dan multivariat).
Gambar 2 menunjukkan bahwa ketiga metode
ensemblemean,
yaitu
ensemblemeanuni
member, multi member, dan all member
sebagian besar tahun menunjukkan pola yang
mirip dengan observasinya. Berdasarkan
ketiga metode tersebut yang paling mendekati
dengan pola observasinya adalah metode
ensemblemeanuni members. Gambar 3
menunjukkan
bahwa
ketiga
metode
ensemblemean,
yaitu
ensemblemeanuni
mirip dengan observasinya untuk setiap
tahunnya kecuali pada bulan yang memiliki
curah hujan bulanan tinggi, hasil prediksi
menunjukkan nilai lebih rendah dibanding
observasinya. Berdasarkan ketiga metode
tersebut yang paling mendekati dengan pola
observasinya
adalah
metode
ensemblemeanmulti members.
Gambar 4. menunjukkan bahwa ketiga metode
ensemblemean,
yaitu
ensemblemeanuni
mirip dengan observasinya untuk setiap
tahunnya kecuali pada bulan yang memiliki
curah hujan bulanan tinggi, hasil prediksi
menunjukkan nilai lebih rendah dibanding
observasinya.Berdasarkan ketiga
metode
tersebut yang paling mendekati dengan pola
observasinya adalah metode ensemblemeanall
members.
80
Curah Hujan (mm)
Observasi VS Prediksi Palanro

1000
800
600
400
200
0
01
06
Observasi
Ensemble Uni Member
Ensemble Multi Members
Ensemble Mean All Members
Gambar 2. Grafik Observasi VS Prediksi Palanro
Gambar 3. Grafik Observasi VS Prediksi Hasanuddin
Gambar 4. Grafik Observasi VS Prediksi Staklim Tanete
Dari gambar 2,3, dan 4 metode statistik yang

digunakan pada penelitian untuk prediksi iklim
ini belum dapat menggambarkan kondisi
dinamis atmosfer yg memiliki variabilitas tinggi.

Hal ini terlihat dari hasil simulasi dengan curah
81
hujan tinggi nilai prediksi

dibanding onservasinya.
lebih
rendah
Teknik ensemble BMA (dilakukan dengan

kalibrasi hasil peramalan berbasis statistik
univariat dan multivariat, prosesnya adalah
menghilangkan nilai bias mean dengan nilai
peramalan dalam bentuk Probabilistik Density
Function (PDF) yang terkalibrasi. Gambar 5,6
dan 7 menunjukkan grafik hubungan ensemble
BMA (mean_cal), ensemblemean (mean_ori)
dan observasi tahun 2010 dan 2009.
Pada gambar 5 dapat disimpulkan bahwa hasil
ensemble kalibrasi BMA dengan hasil
ensemblemean (perata-rataan) untuk pos hujan
Hasanudin tahun 2010 tidak berbeda secara

signifikan dan terlihat polanya cukup mengikuti
data observasinya .Walaupun untuk curah hujan
tertinggi yang dimiliki data observasinya
mendekati 900 mm sangat jauh dengan nilai
maksimum curah hujan yang dimiliki pada hasil
ensemble BMA dan ensemblemean. Gambar 6
dapat disimpulkan bahwa hasil ensemble
kalibrasi BMA dengan hasil ensemblemean
(perata-rataan) untuk pos hujan Palanro tahun
2010 tidak berbeda secara signifikan dan
polanya terlihat cukup
mengikuti data
observasinya, walaupun terdapat perbedaan yang
amat mencolok untuk curah hujan pada bulan
desember tahun 2010 dimana nilai hasil
ensemble BMA dan ensemblemean terlihat jauh
dibawah data observasinya.
Gambar 5. Grafik Ensembel BMA Hasanudin 2010
Gambar 6. Grafik Ensembel BMA Palanro 2010
82
Gambar 7. Grafik Ensembel BMA Tanete 2009
(a)
(b)
Keterangan :
A : EnsembleMean Univariat
B : EnsembleMean Multivariat
C : Ensembel BMA
D : EnsembleMeanAll member
OBS : Observasi
(c)
Gambar 8. Diagram Taylor Ensembel Mean (a) Stasiun meteorologi Hasanudin, (b) Palanro; (c) Tanete
Pada gambar 7 dapat disimpulkan bahwa hasil

ensemble kalibrasi BMA dengan hasil
ensemblemean (perata-rataan) untuk pos hujan
Palanro tahun 2010 tidak berbeda secara
signifikan dan polanya terlihat cukup mengikuti
data observasinya, walaupun terdapat perbedaan
yang amat mencolok untuk curah hujan pada
bulan desember tahun 2010 dimana nilai hasil

ensemble BMA dan ensemblemean terlihat jauh
dibawah data observasinya
Sedangkan gambar 8 menunjukkan skill hasil
prakiraan dengan teknik ensemblemean dan
ensemble BMA untuk prediksi tahun 2010
(Stamet Hasnudin dan Tanete), dan 2009 untuk
83
Palanro yang digambarkan dalam diagram

taylor. Gambar 8(a) menampilkan diagram
taylor yang menggambarkan skill hasil prakiraan
Stasiun Hasanuddin-Sulawesi Selatan dari hasil
prediksi metode ensemble univariate, ensemble
multivariate,
ensemble
BMA,
dan
ensemblemean. Tampak bahwa model terbaik
untuk prediksi tahun 2010 Stasiun HasanuddinSulawesi Selatan dari keempat metode ensemble
adalah metode ensemble BMA dengan root
mean square deviation (RMSD) terkecil yaitu
berkisar 100-125 dan korelasi tertinggi berkisar
0,8-0,9. Sementara nilai variasi terhadap rataratanya (standard deviasi) terkecil adalah metode
Ensemble Multivariate yaitu berkisar 150-175
mm. Sementara bila dibandingkan antara hasil
ensemblemean dan ensemble BMA maka
metode yang memberikan hasil yang lebih baik
adalah ensemble BMA.
tahun prediksi 2010 adalah metode ensemble

BMA yang lebih mendekati nilai observasinya.
Pos pengamatan Stasiun Palanro untuk validasi
multimodel ensemble seluruh tahun (All Years)
tahun prediksi 2001-2010 memperlihatkan
bahwa metode ensemble univariat-multivariat
yang lebih mendekati nilai observasinya,
sedangkan untuk Single Year tahun prediksi
2010 adalah metode ensemble Univariat yang
lebih mendekati nilai observasinya. Pos
pengamatan Stasiun Tanete untuk validasi
multimodel ensemble seluruh tahun (All Years)
tahun prediksi 2001-2009 memperlihatkan
bahwa
metode
ensemblemeanensemble
univariat-multivariat yang lebih mendekati nilai
observasinya, begitu pula untuk Single Year
tahun
prediksi
2009
adalah
metode
ensemblemeanensemble
univariat-multivariat
yang lebih mendekati nilai observasinya.
Gambar 8(b) menampilkan diagram taylor yang

menggambarkan skill hasil prakiraan Stasiun
Palanro-Sulawesi Selatan dari hasil prediksi
metode
ensemble
univariate,
ensemble
multivariate,
ensemble
BMA,
dan
Ensemblemean. Tampak bahwa model terbaik
untuk prediksi tahun 2010 Stasiun PalanroSulawesi Selatan dari keempat metode ensemble
adalah metode ensemblemean univariat dengan
root mean square deviasi (RMSD) terkecil yaitu
berkisar 150 dan korelasi tertinggi berkisar 0,50,6. Sementara nilai variasi terhadap rata-ratanya
(standard deviasi) berkisar 75-100 mm.
KESIMPULAN
Gambar 8(c) menampilkan diagram taylor yang

menggambarkan skill hasil prakiraan Stasiun
Tanete dari hasil prediksi metode ensemble
univariate,
ensemble
multivariate,
ensembleBMA, dan Ensemblemean.Tampak
bahwa model terbaik untuk prediksi tahun 2009
Stasiun Tanete-Sulawesi Selatan dari keempat
metode ensemble adalah metode ensemble
univariate dan ensemblemean dengan root mean
square deviasi (RMSD) terkecil yaitu berkisar
175-200, korelasi tertinggi berkisar 0,8-0,9, dan
standar deviasi berkisar 150-175 mm.
Pos pengamatan Stasiun Hasanudin Sulawesi
Selatan untuk validasi multimodel ensemble
seluruh tahun (All Years) tahun prediksi 20012010
memperlihatkan
bahwa
metode
ensemblemean multivariat yang lebih mendekati
nilai observasinya, sedangkan untuk Single Year
Dalam melakukan prediksi iklim (hujan), salah

satu teknik untuk mengantisipasi sifat
ketidakpastian dari perilaku iklim (hujan) itu
sendiri adalah dengan menggunakan teknik
ensemble. Teknik ensemble pada kajian ini
dilakukan dengan melakukan perata-rataan dan
Bayesian Model Averaging (BMA) dari hasilhasil prediksi beberapa model prediksi iklim
berbasis statistik univariat dan multivariat.
Teknik ensemble BMA (dilakukan dengan
kalibrasi hasil peramalan berbasis statistik
univariat dan multivariat, prosesnya adalah
menghilangkan nilai bias mean dengan nilai nilai
peramalan dalam bentuk Probabilistic Density
Function (PDF) yang terkalibrasi.
Metode statistik yang digunakan pada penelitian
untuk prediksi iklim ini belum dapat
menggambarkan kondisi dinamis atmosfer yg
memiliki variabilitas tinggi. Validasi terhadap
ensemble hasil prediksi dengan Metode
Univariat
(HyBMG)
dan
Multivariat
(Climatools) menggunakan diagram taylor
menunjukkan bahwa teknik ensemble rata-rata
dan ensemble BMA belum stabil untuk
menghasilkan akurasi tinggi dalam prediksi
curah hujan, sehingga masih perlu dilakukan
verifikasi lebih lanjut.
84
DAFTAR PUSTAKA
[1] Palmer, TN., & Leutbecher, M, 2007. The
Ensemble Prediction System Recent
and Ongoing Developments, Paper
presented to the 36th Session of the SAC
[2] Raftery, A.E., Gneiting, T., Balabdaoui, T,
and Polakowski, M, 2005. Using
Bayesian Model Averaging to Calibrate
Forecast Ensembles, Department of
Statistics, University of Washington,
Seattle, Washington
[3] Vrugt, J. A., Cees G. H. Diks, and M. P.,

Clark, 2008). Ensemble Bayesian model
averaging using Markov Chain Monte
Carlo sampling, Environ. Fluid Mech.,8,
579-595.
[4] Hersbach, H, 2000, Decomposition of the
Continuous Ranked Probability Score
for Ensemble Prediction Systems. Wea.
Forecasting, 15, 559570.
DISKUSI
1. Agus Paulus:
Saya tidak melihat adanya control experiment, bila hasil eksperimen sesuai dengan observasi, maka
model bagus.
Validasi sudah dilakukan terhadap data observasi. Hanya saja, fokus data yang digunakan tiap
tahun berbeda. Misalnya tahun lalu di daerah sentra pangan, kemudian TRMM, sehingga belum
dirangkum performa model secara kontinyu. Kendala lainnya adalah data kosong atau tidak
lengkap.
2. Hadi Suyono:
Saat ini sektor pariwisata juga memerlukan informasi cuaca dan iklim, BMKG masih belum bisa
memenuhi hal tersebut. Sebagai contoh Informasi yang dibutuhkan travel agen adalah informasi
jangka panjang, misalnya dalam jangka waktu 6 bulan yang akan datang, dan kondisi ekstrim.
Banyak studi yang mengatakan bahwa salah satu kelemahan model statistik adalah
ketidakmampuannya dalam memprediksi kondisi ekstrem, sehingga diperlukan pendekatan lain
yang lebih maju seperti model dinamis. Namun, harus diakui bahwa keragaman cuaca dan iklim di
wilayah Indonesia sangat tinggi sehingga model dinamis pun belum mampu menjawab tantangan
ini.
3. Nuryadi:
Melihat kondisi data observasi di lapangan, Puslitbang sebaiknya mengembangkan model
statistik/dinamis untuk menganalisis data pencilan.
Data pencilan umumnya berasosiasi dengan kondisi ekstrem dan jarang terjadi. Hal ini terjadi
disebabkan oleh suatu fenomena yang khusus. Pengembangan model sebaiknya dilakukan untuk
memformulasikan fenomena tersebut dalam kerangka numerik untuk kondisi global dan lokal
Akurasi model apapun diukur dengan membandingkan hasil model tersebut dengan data observasi.
Dalam model ini, bagaimana menampilkan hasil perbandingan model dengan data observasi?
Hasil perbandingan ditampilkan dalam bentuk Diagram Taylor
85
VERIFIKASI DATA SATELIT TRMM 3B42 DI WILAYAH INDONESIA

TRMM 3B42 VERIFICATION OVER INDONESIA
Utoyo Ajie Linarka, Kurnia Endah Komalasari, Yuaning Fajariana, Ratna Satyaningsih, Imelda
Ummiyatul Badriyah, Asmono Haryawidarto
ABSTRAK
Data curah hujan hasil estimasi peralatan penginderaan jauh radar satelit TRMM merupakan sumber
data yang dapat dimanfaatkan untuk keperluan analisa dan prakiraan. Pada kajian ini data TRMM
digunakan untuk menjadi basis data Zona Musim (ZOM). Metodenya adalah menyesuaikan data TRMM
yang berupa grid berukuran 0.250 kepada daerah ZOM yang berupa poligon. Dengan super posisi antara
grid TRMM dengan poligon ZOM maka diperoleh data curah hujan dasarian berbasis TRMM untuk
setiap ZOM. Hasil validasi dengan data observasi menunjukkan kesamaan pola hujan dasarian beberapa
ZOM pada kajian ini. Secara kuantitatif, terdapat bias antara data TRMM dengan observasi permukaan
yang besarannya antara 10-115mm. Pola hujan dasarian TRMM yang paling mendekati pola hujan
observasi adalah daerah-daerah yang memiliki pola monsun. Dari kajian ini dapat ditunjukkan bahwa
data dasarian TRMM dapat menjadi basis data ZOM sebagai alternatif dalam pembuatan prakiraan
hujan bulanan dan musim.
Kata Kunci: TRMM, ZOM, Dasarian, RMSE.
ABSTRACT
Precipitation estimation from a remote sensing instrument TRMM satellite radar is a data source that can
be utilized for the purposes of analysis and forecasts. In this study the data is used as a source Zona
Musim (ZOM) database. The 0.250TRMM grid size was adjusted onto the ZOMs polygons and it was
extracted for each ZOM. Validation results with observational data showing similarity in 10 days
(dasarian) rainfall patterns for some ZOM. Quantitatively, there is a bias between the data TRMM with
surface observations, which amount indicated in the RMSE. 10 days rainfall patterns have a good
agreement with monsoon type regions. From this study it can be concluded that TRMM in 10 days format
can be used for database as an alternative in making monthly and seasonal rainfall forecasts
Keyword : TRMM, ZOM, Dasarian, RMSE.
PENDAHULUAN
Variabilitas iklim mengacu pada variasi dalam
keadaan rata-rata dan statistik lain (seperti
standar deviasi dan kejadian ekstrem) dari iklim
pada semua skala spasial dan temporal1.
Variabilitas dapat terjadi karena proses internal
alami dalam sistem iklim (variabilitas internal)
atau karena variasi secara alamiah atau karena
pengaruh dari luar sistem iklim (variabilitas
eksternal). Pengaruh ini meliputi letusan gunung
berapi, variabilitas matahari, perubahan tata
guna lahan dan komposisi atmosfer sebagai
akibat aktivitas manusia (antropogenik).
Kondisi ekstrem diartikan sebagai kondisi yang

jarang terjadi di tempat tertentu pada periode
waktu tertentu[1]. Definisi jarang sangat
bervariasi, tetapi secara statistik umumnya
mengacu pada persentil ke-10 atau ke-90 dari
suatu fungsi probabilitas. Karakteristik ekstrem
bias saja berbeda dari satu tempat dan tempat
lain. Sebuah kondisi ekstrem tidak dapat secara
sederhana dan langsung dikaitkan dengan
perubahan iklim karena sebab antropogenik,
karena kondisi tersebut mungkin saja terjadi
secara alami.
Untuk melakukan identifikasi dan analisis
berbagai permasalahan diatas perlu dukungan
86
data pengamatan yang memadai. Data observasi

BMKG dengan kualitas yang baik diperlukan
untuk menganalisis kondisi klimatologi di
seluruh wilayah Indonesia. Namun, kondisi data
observasi di BMKG terkadang belum

memungkinkan untuk digunakan karena faktor
ketersediaan, tingkat kerapatan data, dan
aksesibilitas.
Gambar 1. Grid satelit TRMM resolusi horizontal 0.25
Seiring dengan perkembangan teknologi,

observasi
unsur-unsur
meteorologi
atau
klimatologi di permukaan bumi tidak hanya
dilakukan dengan pendekatan konvensional,
namun juga dilakukan dengan pendekatan
penginderaan
jauh
(remote
sensing)
menggunakan satelit. Dengan teknologi ini,
memungkinkan kita untuk mengamati lokasilokasi yang sulit untuk dicapai melalui cara
konvensional (Gambar 1). Selain itu, faktor
kerapatan data dapat dicapai maksimal dan
tersedia dalam grid yang homogen (resolusi
horizontal yang
seragam). Oleh karena itu, pemanfaatan data
satelit sebagai dasar prakiraan musim menjadi
topik yang akan diangkat pada penelitian ini.
METODE PENELITIAN
Data yang digunakan dalam penelitian ini adalah
data satelit TRMM 3B42 resolusi harian periode
1998-2010. Sedangkan dataobservasi berasal
dari stasiun dan pos hujan milik Badan
Meteorologi
Klimatologi
dan Geofisika
(BMKG) pada 222 titik.
Pemilihan data observasi berdasarkan ambang
batas yang telah ditetapkan, yaitu tingkat
keterisian mencapai 95% sepanjang periode
1998-2010. Distribusi stasiun/pos hujan yang
digunakan dalam penelitian ini disajikan pada
Tabel 1.
Tabel 1. Distribusi stasiun/pos hujan berdasarkan

Pulau
Stasiun / Pos
No
Pulau
Hujan
1 Sumatera
13
2 Jawa
142
3 Bali
9
4 Nusa Tenggara Timur (NTT)
15
5 Kalimantan
24
6 Sulawesi
19
Jumlah
222
Untuk mengetahui tingkat keakuratan data

TRMM dengan data observasi BMKG
digunakan analisis stastistik tingkat korelasi (r)
dan root mean 0 error (RMSE) dari persamaan
von Storch and Zwiers[2]:
(1)
dimana X adalah representasi data TRMM, Y

adalah data observasi BMKG, n adalah jumlah
stasiun. Sementara x adalah data TRMM dan
adalah data observasi BMKG. RMSE digunakan
untuk mengukur perbedaan antara nilai yang
diestimasi (TRMM) dan nilai observasi
87
sebenarnya. Dalam penelitian ini data

dikorelasikan dalam dua bagian yaitu rata-rata
korelasi tahunan (tahunan) dan korelasi dasarian
dalam periode 1998-2010 (dasarian). Korelasi
yang pertama digunakan untuk mengukur
performa tahunan TRMM sedangkan korelasi
yang kedua mengukur akurasi TRMM selama
periode 1998-2010.
Nilai korelasi diklasifikasikan ke dalam tiga
kelas, yaitu tinggi (r > 0.75), sedang (0.5 r
0.75), dan rendah (r < 0.5). Nilai RMSE juga
diklasifikasikan ke dalam tiga kelas, yaitu
rendah (rmse < 25), sedang (25 rmse 50),
tinggi (rmse > 50). Tingkat akurasi tinggi
direpresentasikan oleh kombinasi nilai korelasi
yang tinggi dan nilai RMSE yang rendah.
Data satelit yang digunakan dalam penelitian ini
berasal
dari
satelit
Tropical
Rainfall
Measurement Mission (TRMM), merupakan
proyek kerjasama dua badan antariksa Amerika
Serikat dan Jepang. Dalam mengobservasi
wilayah distribusi dan intensitas curah hujan,
TRMM menggunakan berbagai macam sensor
seperti radar hujan, radiometer microwave multikanal, dan radiometer infrared dan visible
(VIS/IR). Sensor-sensor ini digunakan bersamasama dan saling melengkapi.
Data tersedia mulai tahun 1997 sampai dengan
sekarang dengan format resolusi temporal 3 jam,
harian dan bulanan. Data resolusi temporal 3 jam
berkorelasi diatas 0,6 pada 60% zona musim di
Jawa Timur3.Data resolusi temporal bulanan
menunjukkan kesesuaian variasi spasio temporal
dan korelasi yang tinggi (r=0,8) dengan 4
antara 0-24.9), sedang (nilai RMSE 2549.9), tinggi (nilai RMSE > 50). Tingkat
akurasi tinggi direpresentasikan oleh
(empat) stasiun pengamatan BMKG di Padang,

Pontianak, Manado, dan Kemayoran4. Korelasi
yang baik diperoleh juga di Medan (r=0,7),
Indramayu (r=0,6), Karang Ploso (r=0,8),
Hasanuddin (r=0,9)5. Data ini juga dapat
menggambarkan pola spasial efek La Nia
terhadap curah hujan di Indonesia 6 dan dapat
digunakan untuk mengetahui sebaran spasial
anomali hujan bulanan secara terkini7. Dalam
penelitian ini digunakan data TRMM dengan
resolusi temporal harian sepanjang tahun 1998
hingga 2010.
Verifikasi data TRMM dilakukan menggunakan
222 stasiun/pos hujan, yang terdiri atas Sumatera
(13 stasiun/pos hujan), Jawa (142), Bali (9),
Nusa Tenggara Timur (15), Kalimantan (24),
Sulawesi (19). Stasiun/pos hujan yang
digunakan adalah stasiun/pos hujan dengan
tingkat keterisian data pada kisaran 95%. Data
observasi dan TRMM dirubah dalam format data
10 harian (dasarian). Analisis stastistik tingkat
korelasi dan root mean square error (RMSE) dari
persamaan von Storch and Zwiers [2] digunakan
untuk mengetahui tingkat keakuratan data
TRMM terhadap data observasi permukaan.
Analisis tingkat korelasi dan RMSE dilakukan
masing-masing dua kali untuk pasangan data
TRMM dan observasisepanjang periode 1998-
2010 dan rata-rata dasarian untuk periode

yang sama. Hasil dari analisis tersebut
tinggi (nilai korelasi > 0.75), sedang (nilai
korelasi antara 0.50-0.75), dan rendah (nilai
korelasi < 0.50). Nilai RMSE juga
rendah
(nilai
RMSE
kombinasi nilai korelasi yang tinggi dan
nilai RMSE yang rendah (Tabel 2).
88
Gambar 2.
Korelasi dan RMSE data TRMM dan observasi permukaan (biru:dasarian ; merah: rata-rata dasarian)
Pulau
Sumatera
Jawa
Bali
NTT
Kalimantan
Sulawesi
NO ZOM
Tabel 2. Tingkat akurasi data TRMM

Rata-rata dasarian
Dasarian
Tinggi
Sedang Rendah Tinggi
Sedang Rendah
0%
62%
38%
0%
31%
69%
3%
87%
11%
0%
17%
83%
22%
56%
22%
0%
44%
56%
40%
40%
40%
20%
33%
47%
0%
54%
46%
0%
8%
92%
11%
53%
37%
0%
21%
79%
Tabel 3.Hindcast tahun 2009
Stasiun / Pos Hujan
PREDIKSI
1 61 Halim
Okt III
2 151 Bojonegoro
Nov I
3 161 Kencong 28a
Nov I
4 166 Staklim Karangploso Nov I
5 173 Krasak
Nov I
6 178 Krucil
Nov I
7 181 Cerme
Nov II
8 182 Alas Buluh
Nov III
9 184 Asemjajar
Nov I
10 185 Dam Jeru
Nov I
11 187 Jatian
Nov I
12 214 Tejakula
Des II
13 242 Ruteng
Okt III
14 246 Paupanda
Nov III
15 256 StametTardamu Sabu Des II
16 257 Stamet Lekunik
Des II
17 259 Camplong
Nov III
18 261 Betun
Des III
19 266 Staklim Lasiana
Nov III
20 268 SMPK Tamiang Layang Sep II
21 269 Setatas
Okt II
22 270 Surgi Mufti
Okt III
23 272 Banjarbaru
Okt III
2009
OBS
Nov II
Des III
Nov II
Nov II
Des III
Okt III
Des II
Des III
Des III
Des III
Nov II
Des III
Okt III
Nov II
Des II
Des II
Des II
Des II
Nov III
Okt I
Nov III
Okt I
Nov II
TRMM
Okt I
Nov II
Nov II
Nov III
Des III
Des III
Des II
Des II
Des II
Des III
Des III
Des III
Des II
Des II
Des II
Des II
Des II
Des II
Des II
Nov I
Okt I
Nov I
Nov I
OBS
Okt I
Nov II
Nov II
Nov I
Nov II
Okt III
Des I
Des II
Des I
Nov I
Okt III
Okt I
Okt III
Nov II
Des I
Des I
Des I
Nov II
Okt I
Okt I
Okt III
Okt II
Okt III
RERATA
TRMM
Sep III
Okt III
Okt III
Okt III
Nov I
Nov I
Nov III
Des I
Nov II
Nov III
Nov I
Nov III
Nov III
Des I
Nov III
Des II
Nov III
Nov III
Sep III
Sep III
Okt I
Sep III
Okt III
89
Dari TRMM yang sudah diekstrak pada 222 titik

stasiun/pos hujan, dapat dibentuk curah hujan
rata-rata dari 111 ZOM. Sumatera terdiri atas 6
ZOM dengan variasi awal dan panjang musim
yang berbeda-beda. Jawa terdiri atas 64 ZOM.
Musim kemarau terjadi antara dasarian pertama
bulan April hingga dasarian pertama bulan
Desember sementara musim hujan terjadi antara
dasarian kedua bulan Desember hingga akhir
Maret. Panjang musim kemarau antara 10 - 24
dasarian, rata-rata mencapai 17 dasarian. Bali
terdiri atas 5 ZOM dan musim kemarau terjadi
antara dasarian ketiga bulan April hingga
dasarian ketiga bulan November, sementara
musim hujan terjadi antara dasarian ketiga bulan
Oktober hingga dasarian kedua bulan April.
Panjang musim kemarau di Bali antara 18 22
dasarian, rata-rata mencapai 21 dasarian. NTT
terdiri atas 10 ZOM, musim kemarau terjadi
antara dasarian ketiga bulan Maret hingga
dasarian pertama bulan Desember. Panjang
musim kemarau antara 21 26 dasarian, ratarata mencapai 23 dasarian. Kalimantan terdiri
atas 12 ZOM. Musim kemarau terjadi antara
dasarian ketiga bulan Maret hingga dasarian
kedua bulan November. Panjang musim
kemarau antara 4 12 dasarian, rata-rata
mencapai 8 dasarian. Sulawesi terdiri atas 14
ZOM. Musim kemarau terjadi antara dasarian
ketiga bulan April hingga dasarian pertama
bulan November. Panjang musim kemarau
antara 6 18 dasarian, rata-rata mencapai 11
dasarian.
Data TRMM periode 1998-2008 digunakan
untuk membuat prediksi musim hujan tahun
2009 pada 23 stasiun/pos hujan. Setiap
stasiun/pos hujan ini diasumsikan mewakili satu
Zona Musim (ZOM). Akurasi penentuan awal
musim hujan tahun 2009 disajikan pada Tabel 4.
KESIMPULAN
Verifikasi dengan data observasi permukaan
sepanjang periode 1998-2010 menunjukkan
bahwa data TRMM dalam format dasarian dapat
digunakan sebagai dasar pembuatan prediksi
musim dengan hasil 65% untuk kategori sangat
tepat hingga 1 dasarian.
Pengamatan curah hujan di permukaan tidak
hanya
dilakukan
melalui
cara
yang
konvensional. Kemajuan di bidang penginderaan
jauh memudahkan manusia untuk melakukan
observasi
di
lokasi-lokasi
yang tidak
memungkinkan dengan tingkat kerapatan yang
detail dan grid yang homogen.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
Tabel 4. Akurasi awal musim hujan tahun 2009

Pembanding
pred-obs
pred-trmm
pred-normal obs
pred-rerata trmm
0-1
48%
39%
65%
65%
Dasarian
2-3
30%
30%
22%
30%
>3
22%
30%
13%
4%
Jumlah
100%
100%
100%
100%
[5]
Dari tabel 4 di atas akurasi penentuan awal
musim hujan tahun 2009 antara luaran model
dengan normal observasi maupun rerata TRMM
mencapai 65% untuk kategori sangat tepat (0
dasarian) dan rentang 1 dasarian.
IPCC, 2001: Climate Change 2001:

Synthesis Report. A Contribution of
Working Groups I, II, and III to the
Third
Assessment
Report
of
theIntegovernmental Panel on Climate
Change [Watson, R.T. and the Core
Writing Team (eds.)]. Cambridge
University Press, Cambridge,United
Kingdom, and New York, NY, USA,
398 pp.
Storch, Hans von, Zwiers, Francis W.
(1999). Statistical Analysis in Climate
Research. Cambridge University Press
1999. ISBN 0 521 45071 3.
Gunawan, D., et Al. (2010). Pemanfaatan
data curah hujan satelit TRMM untuk
database Zona Prakiraan Musim
(ZOM).
Pusat
Penelitian
dan
Pengembangan.
Jakarta:
Badan
Meteorologi Klimatologi dan Geofisika
(BMKG).
Suryantoro, A., Halimmurahman, Harjana,
T. (2008). Variasi spasiotemporal
curah hujan Indonesia berbasis satelit
TRMM, Bidang Pemodelan Iklim,
Pusat Pemanfaatan Sains Atmosfer dan
Iklim.
Bandung:
Lembaga
Penerbangan dan Antariksa Nasional
(LAPAN).
Gunawan, D. (2008). Perbandingan curah
hujan bulanan dari data pengamatan
permukaan, satelit TRMM, dan model
permukaan NOAH. Jurnal Meteorologi
dan Geofisika, 9(1), 1-10.
90
[6]
Syakur, A.R. (2010). Pola spasial

pengaruh kejadian La Nina terhadap
curah hujan di Indonesia tahun
1998/1999; Observasi menggunakan
data TRMM Mutisatellite Precipitation
Analysis (TMPA) 3B43. Prosiding
Pertemuan Ilmiah Tahunan MAPIN
XVII, 230-234, Bogor: Masyarakat
Ahli Penginderaan Jauh (MAPIN).
[7] Syakur, A.R. dan Prasetia, R. (2010). Pola

spasial anomali curah hujan selama
Maret sampai Juni 2010 di Indonesia;
Komparasi Data TRMM Multisatellite
Precipitation Analysis (TMPA) 3B43
dengan stasiun pengamat hujan.
Makalah disajikan dalam Seminar
Nasional
Penelitian
Masalah
Lingkungan di Indonesia, Bali:
Universitas Udayana.
DISKUSI
1. Endro Santoso:
Apakah hasil penelitian ini akan mengubah Zona Musim (ZOM) yang telah ditetapkan BMKG?
Teknik Cluster Analysis maupun Self Organizing Map (SOM) yang dilakukan pada penelitian
bukan untuk menggantikan ZOM yang telah ada, sementara ini hanya ditujukan untuk memberi
perspektif lain dalam pengelompokkan data curah hujan. Kelak, akan digunakan data observasi
yang sesungguhnya untuk mencari pengelompokkan yang tepat di masing-masing pulau di
Indonesia.
Apakah data TRMM bisa dimanfaatkan untuk mengisi data kosong curah hujan pos utama ZOM?
Pengisian data kosong dapat menggunakan data TRMM, namun harus tetap diperhatikan bahwa
data curah hujan dari TRMM merupakan data turunan karena data ini diproduksi menggunakan
algoritma tertentu. Selain itu, harus diperhitungkan bias error-nya dalam jangka waktu tertentu.
Bagaimana metode mengisi data kosong di pos hujan menggunakan data TRMM?
Yang umum diketahui adalah melakukan mengekstraksi langsung data TRMM pada lokasi
lintang-bujur pos hujan menggunakan GrADS. Metode ini biasanya tidak tepat mengekstrak pada
lokasi yang diinginkan tapi lebih pada pendekatan lokasi terdekat. Teknik interpolasi dapat juga
digunakan untuk mendekati lokasi pos hujan, namun interpolasi akan menyebabkan data menjadi
tidak valid karena data TRMM dalam hal ini dipandang sebagai data turunan akan diturunkan lagi
menjadi data baru di lokasi interpolasi.
2. Nurhayati:
Untuk penambahan atau perubahan ZOM, jika memang ada ZOM yang lebih baik tidak apa-apa. ZOM
yang ada sekarang tidak mengenal batas wilayah pemerintahan sedangkan Pemda menginginkan
prakiraan untuk masing-masing daerahnya sendiri.
Mengubah ZOM tidak selalu berarti menambah atau mengurangi jumlah ZOM. Beberapa kawan
di stasiun daerah berpendapat untuk wilayah ZOM yang ada sekarang, karakternya sama tapi
ternyata berbeda ZOM. Penentuan ZOM adalah hal yang cukup sensitif mengingat curah hujan
dan unsur klimatologi lain tidak mengenal batas administrasi.
Disebutkan hasilnya underestimate di NTT dan overestimate di Sumatera dan Kalimantan. Padahal
curah hujan di NTT sudah rendah, sedangkan di Sumatera dan Kalimantan curah hujan relatif tinggi?
Itu adalah hasil yang kami peroleh saat membandingkan rata-rata TRMM dan observasi. Hal ini
menjadi salah satu karakteristik TRMM di masing-masing pulau.
91
PEMANFAATAN DATA SATELIT CUACA UNTUK PEMISAHAN

JENIS AWAN KONVEKTIF DAN STRATIFORM
THEUTILIZATION OF WEATHER SATELLITE DATA IN CONVECTIVE AND STRATIFORM
CLOUD SEPARATION
Dodo Gunawan, Radyan Putra Pradana, Jose Rizal, Yuaning Fajariana,
Imelda Ummiyatul Badriyah.
Pusat Penelitian dan Pengembangan
Jl. Angkasa I No.2 Kemayoran, Jakarta Pusat. INDONESIA
ABSTRAK
Curah hujan tropis pada umumnya terjadi dalam bentuk sistem konvektif skala meso yang
terorganisir yang dikenal sebagai Mesoscale Convective System (MCS). Sistem ini ditandai oleh
adanya 2 komponen yang berbeda yakni wilayah konvektif dan stratiform, Penelitian ini bertujuan
melakukan identifikasi atau pemisahan (separasi) jenis awan dengan memanfaatkan data satelit
cuaca menggunakan metode gelombang mikro pasif dan infra merah. Terdapat 3 metode yang dapat
digunakan dalam melakukan identifikasi tersebut, yakni Variability Index (VI), Window Channel
Difference (WCD) serta Convective Stratiform Technique (CST). Data yang dikumpulkan untuk
tanggal 1,2,3,4,5,6, dan 9 Januari 2010, dengan fokus wilayah penelitian meliputi wilayah Jawa
Barat, Banten dan Jabotabek. Kedua jenis data tersebut (gelombang mikro pasif dan infra merah)
setelah dikumpulkan lalu diolah dan dianalisis sehingga untuk waktu-waktu yang bersamaan
(bertepatan) diantara seluruh jenis data tersebut diplot untuk dapat diketahui titik-titik data yang
bersesuaian (memiliki posisi yang sama), dimana selanjutnya pada titik-titik yang bersesuaian
tersebut separasi dilakukan. Tingkat akurasi yang diperoleh melalui pemanfaatan metode inframerah
yang diwakili oleh Convective Stratiform Technique (CST), menunjukkan kualitas yang cukup baik
dan merupakan yang terbaik dari 2 metode lainnya yakni Variability Index (VI) dan Window Channel
Difference (WCD) yang mewakili metode gelombang mikro pasif.
Kata Kunci : convective stratifoam technique, variability index, window channel difference,
mesoscale convective system
ABSTRACT
The Tropical rainfall generally occurs in the form of system of convective meso-scale, which
organized and known as Mesoscale Convective System (MCSS). The system is characterized by two
distinct components, there is convective and stratiform regions, the aim of this study are to identify or
separated the two regions (convective and stratiform) by using weather satellite data using passive
microwave and infrared methods. There are three methods that can be used to identify, there is :
Variability Index (VI), Window Channel Difference (WCD) and the Convective Stratiform Technique
(CST). Data collected from date 1,2,3,4,5,6, and January 9, 2010, the focus research area covers of
West Java, Banten and Jabotabek. Both types of data (passive microwave and infra red) after
collected, processed and analyzed, further for the same time period (coincident) among all types of
data can be plotted for known data points are corresponding (have the same position), where further
at the points corresponding the separation can be performed. The level of accuracy obtained through
the use of infrared methods represented by the Convective Stratiform Technique (CST), indicating a
fairly good quality and is the best of the two other methods Variability Index (VI) and the Window
Channel Difference (WCD) which represents the passive microwave method.
Key Words : convective stratifoam technique, variability index, window channel difference, mesoscale
convective system
92
PENDAHULUAN
Daerah tropis memiliki peranan penting di
dalam sirkulasi atmosfir, dimana di daerah
tersebut terdapat pertumbuhan awan yang
intensif serta kejadian presipitasi dengan
frekuensi yang cukup tinggi. Hal ini dapat
diketahui dari 75 % energi yang diserap oleh
atmosfir bumi diperoleh dari panas laten yang
dilepaskan dari kondensasi uap air yang
kemudian membentuk presipitasi dan 2/3 dari
presipitasi tersebut jatuh di daerah tropis1,3,7,4.
Selanjutnya presipitasi yang terjadi di daerah
tropis pada umumnya dapat terjadi dalam
bentuk sistem konvektif skala meso yang
terorganisir yang dikenal sebagai Mesoscale
Convective System (MCSs). Sistem ini ditandai
oleh adanya 2 wilayah yang berbeda yakni
wilayah konvektif dan stratiform. Wilayah
konvektif mempunyai kisaran skala luas
tutupan yang kecil sekitar beberapa kilometer
(km) hingga 30 km dan memiliki updraft dan
downdraft yang kuat (gerakan vertikal udara
yang kuat) serta dikaitkan dengan intensitas
curah hujan yang tinggi, sedangkan wilayah
stratiform mempunyai kisaran skala luas
tutupan yang besar hingga ratusan kilometer
(km) dan tidak memiliki updraft dan downdraft
yang kuat (gerakan vertikal udara yang lemah)
serta dikaitkan dengan curah hujan yang ringan
dan jarang mencapai intensitas 10 mm/jam2,3,8.
Upaya identifikasi keberadaan wilayah
konvektif dan stratiform ini dapat dilihat dari
profil vertikal nilai panas laten yang diserap
atau dilepaskan seperti ditunjukkan pada
Gambar 1. Di lapisan troposfir bagian bawah
untuk
wilayah
konvektif
terjadi
pemanasanatmosfir akibat adanya panas laten
yang dilepaskan ke atmosfir pada saat
terjadinya proses kondensasi dan hal ini
ditandai dengan nilai positif3. Sebaliknya pada
wilayah stratiform yang terjadi adalah
penyerapan panas laten yang digunakan untuk
proses evaporasi yang berakibat pada
terjadinya pendinginan atmosfir dan hal ini
ditandai dengan nilai negatif3.
Gambar 1. Perbedaan profil panas laten presipitasi

konvektif dan stratiform (Hong dkk,
2009)
Separasi Menggunakan Data Satelit Cuaca

Upaya mengidentifikasi presipitasi konvektif
dan stratiform juga dapat dilakukan dengan
menggunakan data satelit cuaca. Terdapat 3
metode yang dapat digunakan dalam
melakukan identifikasi tersebut, yakni
Variability Index (VI), Window Channel
Difference (WCD) serta Convective Stratiform
Technique (CST). Data yang digunakan oleh
ke-3 metode tersebut adalah data temperatur
kecerahan (brightness temperature). Data yang
digunakan oleh metode VI dan WCD adalah
data yang berasal dari pengamatan satelit kanal
gelombang mikro pasif sedangkan data yang
digunakan oleh metode CST berasal dari
pengamatan satelit kanal inframerah.
METODE PENELITIAN
Terdapat beberapa jenis data yang akan
digunakan dalam penelitian ini, diantaranya
adalah :
(1)
Data citra satelit cuaca kanal inframerah

1 (IR1)
Data citra satelit cuaca yang akan digunakan

adalah data hasil pengamatan dari satelit cuaca
MTSAT milik pemerintah Jepang yang
berorbit geostasioner. Data citra satelit ini
tersedia di situs web cuaca milik Kochi
University. Alamat situs web ini terkait dengan
dokumentasi data citra satelit adalah
http://weather.is.kochi-.ac.jp/archive-e.html.
Resolusi waktu dari data citra satelit ini adalah
satu jam dan resolusi spasial (ruang) dari data
citra satelit cuaca ini adalah 5,5 km. Data ini
akan digunakan untuk melakukan pemisahan
dengan metode inframerah.
93
(2)
Data citra satelit cuaca kanal gelombang

mikro (microwave).
Data citra satelit cuaca yang akan digunakan

adalah data hasil pengamatan dari satelit cuaca
NOAA 15 dan 16 milik pemerintah Amerika
Serikat yang berorbit polar. Data citra satelit
ini tersedia di situs web CIRA AMSU dengan
alamat situs
http://amsu.cira.colostate.edu/.
Resolusi waktu dari data citra satelit rata-rata
sekitar 12 jam untuk setiap satelit, sedangkan
resolusi spasial (ruang) dari citra satelit cuaca
ini untuk wilayah dekat ekuator bervariasi
antara 8 hingga 13 km. Data ini akan
digunakan untuk melakukan pemisahan
dengan metode gelombang mikro pasif.
parameter (S) yang diperoleh, dimana bila

perolehan nilai S tersebut dapat memenuhi
kriteria persamaan (2) maka Tmin tersebut
konvektif demikian pula sebaliknya 5.
(2)
Data yang digunakan dalam metode ini adalah

data temperatur kecerahan (brightness
temperature) yang diperoleh dari data citra
satelit kanal gelombangmikro (microwave).
Tabel 1 Skema klasifikasi probabilitas tutupan
stratiform
VI
08
824
>24
Pengerjaan Separasi
Separasi dilakukan dengan memanfaatkan
beberapa metode yang memanfaatkan data
satelit cuaca. Diantara beberapa metode yang
memanfaatkan data satelit cuaca adalah :
(1)
Convective Stratiform Technique (CST)
Metode ini digunakan untuk melakukan

estimasi hujan dengan memanfaatkan data dari
satelit
kanal
inframerah.Metode
CST
memanfaatkan data citra satelit MT-SAT pada
kanal inframerah (10 12 m) dalam
melakukan
pemisahan
konvektif
dan
stratiform. Pemanfaatan teknik ini dilakukan
melalui identifikasi inti konvektif dari data
yang digunakan. Identifikasi dilakukan dengan
menentukan nilai Slope parameter (S) sebagai
berikut:
S k (Ti-1, j Ti
1, j
Ti, j 1 Ti, j 1 - 4Ti, j ) (1)
Variability Index (VI)
Penentuan indeks pada metode ini didasarkan

pada penjelasan bahwa kelompok hujan
konvektif dihubungkan dengan ketidakstabilan
dan updraft serta downdraft yang kuat yang
menghasilkan turbulensi
dalam awan.
Turbulensi ini mempunyai kontribusi yang
signifikan terhadap kondisi kandungan air
beku dan cair serta curah hujan di permukaan.
Sedangkan untuk kelompok hujan stratiform
dihubungkan dengan kecepatan vertikal yang
rendah dan variabilitas yang kecil dari
kandungan aircair dan beku serta curah hujan
di permukaan1.
Berdasarkan penjelasan tersebut selanjutnya
ditentukan apa yang disebut dengan
variabilitas indeks (VI). Untuk satu piksel
satelit VI ditentukan melalui:
Untuk k = 0,25 atau,

S = k(Ti-2,j + Ti-1,j + Ti+1,j + Ti,j-2 + Ti,j-1 + Ti,j+1 + Ti,j+2- 8Ti,j)
VI
Untuk k = 0,125
Dimana i dan j menunjukkan posisi dari nilai
piksel sedangkan k adalah faktor yang
bergantung pada resolusi data. Adapun untuk
inti konvektif, selanjutnya ditentukan melalui
pembatasan berikut:
S exp 0,0826 Tmin
207
(2)
dimana Tmin adalah temperatur minimum

relatif dari temperatur kecerahan. Terakhir
penentuan apakah Tmin tersebut konvektif atau
bukan hal tersebut
dapat
dilakukan
berdasarkan atas besarnya nilai Slope
Tutupan Stratiform (%)

>70 % 40% - 70%
< 40%
Probabilitas Kejadian
0.67
0.17
0.15
0.44
0.21
0.34
0.15
0.22
0.63
1
N
Xi
X0
(3)
i 1
Dimana X0 adalah nilai di pusat piksel (central

pixel), Xi adalah nilai-nilai pada piksel
sekitarnya dan N adalah jumlah total dari
piksel yang digunakan. Nilai variabilitas
indeks yang rendah terkait dengan probabilitas
yang tinggi dari tutupan awan stratiform dan
demikian pula sebaliknya, seperti ditunjukkan
pada Tabel 1.
(3)
Window Channel Difference (WCD)
Metode ini merupakan alternatif metode yang

juga dapat digunakan untuk melakukan
94
pemisahan antara presipitasi konvektif dan

stratiform. Data yang digunakan dalam metode
ini juga adalah data temperatur kecerahan
(brightness temperature) yang diperoleh dari
citra satelit kanal gelombang mikro
(microwave).
Penentuan indeks pada metode ini didasarkan
pada selisih temperatur kecerahan (T) antara
2 frekuensi yang berbeda yakni 89 GHz dan
150 GHz. Berdasarkan kondisi tersebut maka
rendahnya temperatur yang diperoleh terkait
dengan tingginya tingkat sebaran (scattering)
yang terjadi, dimana untuk awan konvektif
yang tebal akan menghasilkan temperatur yang
lebih rendah dibandingkan dengan awan hujan
biasa6. Selanjutnya separasi dilakukan dengan
ketentuan seperti ditunjukkan pada Tabel 2.
Tabel 2. Nilai ambang klasifikasi presipitasi (K)
Klasifikasi
Uap air/salju
Stratiform
Convective
Darat
T < 3
3 < T < 10
T > 10
Laut
T < 0
0 < T < 10
T > 10
T89 T150
Dimana :
T = Perbedaan nilai temperatur kecerahan (K)
T89 = Temperatur kecerahan pada frekuensi 89
GHz T150
= Temperatur kecerahan
pada frekuensi 150 GHz
dapat diperoleh adalah seperti ditunjukkan

pada Gambar 2.
Gambar 2. Perolehan nilai S dan nilai ambang di

180 titik pengamatan
Berdasarkan perbandingan dari nilai S dan

nilai ambang seperti ditunjukkan pada Gambar
2, selanjutnya dapat ditentukan hasil separasi
di setiap titik. Hasil separasi ini ditunjukkan
pada Gambar 3, dimana konvektif ditunjukkan
dengan nilai 3 sedangkan stratiform
ditunjukkan dengan nilai 1. Hasil separasi
tersebut menunjukkan bahwa pada umumnya
di 180 titik yang terjadi adalah stratiform.
Namun demikian hal ini baru menunjukkan
hasil dari 1 metode saja dan belum
dibandingkan dengan hasil dari metode
lainnya, sehingga kualitas hasil separasi belum
dapat ditentukan.

Berdasarkan hasil pengamatan yang dilakukan
selama 7 hari di awal bulan Januari 2010,
diperoleh 180 titik yang memiliki kesesuaian
waktu dan posisi dari 3 jenis data yang
digunakan, yakni data satelit gelombang mikro
pasif dan data satelit inframerah. Apabila
setiap variabel dari setiap metode dapat
ditentukan, maka variasi variabel serta hasil
separasi yang diperoleh di setiap titik dapat
digambarkan
dalam
bentuk
grafik.
Berdasarkan gambar tersebut selanjutnya dapat
diketahui variasi perolehan separasi dari setiap
metode yang digunakan.
Convective Stratiform Technique (CST)
Penentuan separasi dengan menggunakan
metode ini memerlukan 2 jenis variabel yakni
nilai slope parameter (S) dan nilai ambang
(threshold). Apabila nilai S lebih besar atau
sama dengan nilai ambangnya, maka hasil
separasi dinyatakan konvektif sedangkan untuk
kondisi sebaliknya dinyatakan sebagai
stratiform. Selanjutnya dari 180 titik
pengamatan, nilai S serta nilai ambang yang
Gambar 3.Hasil separasi dengan menggunakan

metode CST. Konvektif ditunjukkan nilai 3
sedangkan stratiform ditunjukkan dengan nilai 1
Variability Index (VI)

metode ini memerlukan 1 variabel yakni nilai
temperatur kecerahan (T). Namun demikian
jumlah nilai T yang diperlukan untuk
mempertimbangkan kondisi di satu titik adalah
5 buah nilai T yang terdiri atas nilai T di pusat
serta 4 nilai T di sekitarnya. Hasil dari ke-5
nilai T tersebut di setiap titik ditunjukkan pada
Gambar 4. Selanjutnya bila ke-5 nilai T
tersebut dimasukkan ke dalam formulasi VI
maka akan diperoleh nilai baru VI yang dapat
menunjukkan hasil klasifikasi atau separasi
setelah dicocokan dengan nilai ambang yang
telah ditentukan pada Tabel 2. Hasil separasi
dengan menggunakan metode VI ini
selanjutnya ditunjukkan pada Gambar 5.
95
Dalam hal ini sama seperti penentuan separasi

sebelumnya, nilai 3 menunjukkan konvektif
sedangkan nilai 1 menunjukkan stratiform.
Selanjutnya bila ke-2 nilai T tersebut

dimasukkan ke dalam formulasi WCD maka
akan diperoleh nilai baru WCD yang dapat
menunjukkan hasil klasifikasi atau separasi
setelah dicocokan dengan nilai ambang yang
telah ditentukan pada Tabel 3. Hasil separasi
dengan menggunakan metode WCD ini
selanjutnya ditunjukkan pada Gambar 7.
Dalam hal ini sama seperti penentuan separasi
sebelumnya, nilai 3 menunjukkan konvektif
sedangkan nilai 1 menunjukkan stratiform.
Gambar 4. Perolehan nilai T di pusat dan

sekitarnya di 180 titik pengamatan
Gambar 7. Hasil separasi dengan menggunakan

metode WCD.
Gambar 5. Hasil separasi dengan menggunakan
metode VI. Konvektif ditunjukkan nilai 3
sedangkan stratiform ditunjukkan dengan nilai 1
Hasil separasi dari metode VI seperti

ditunjukkan pada Gambar 5 tampak berbeda
dengan hasil separasi dari metode CST.
Namun demikian dari adanya perbedaan ini
belum dapat ditentukan hasil dari metode mana
yang menunjukkan lebih baik atau akurat.
Sejauh ini yang dapat diketahui adalah bahwa
setiap metode memiliki hasil yang tidak persis
sama.
Window Channel Difference (WCD)
metode ini juga memerlukan 1 variabel yakni
nilai temperatur kecerahan (T). Namun
demikian jumlah nilai T yang diperlukan untuk
mempertimbangkan kondisi di satu titik adalah
2 buah nilai T yang terdiri atas nilai T pada
frekuensi 89 GHz dan pada frekuensi 150
GHz. Hasil dari ke-2 nilai T tersebut di setiap
titik ditunjukkan pada Gambar 6.
Gambar 6.
Perolehan nilai T 89 GHz dan T 150

GHz di 180 titik pengamatan
Konvektif ditunjukkan nilai 3 sedangkan

stratiform ditunjukkan dengan nilai 1.
Berdasarkan hasil dari perolehan tingkat
akurasi dari setiap metode yang menggunakan
data satelit cuaca pada akhirnya dapat
diketahui variasi tingkat akurasi yang
diperoleh. Dari hasil tersebut dapat diketahui
bahwa metode inframerah yang diwakili oleh
CST relatif mempunyai tingkat akurasi yang
cukup baik. Nilai akurasi yang diperoleh
umumnya dapat mencapai lebih dari 0.7.
Selanjutnya untuk metode gelombang mikro
pasif yang diwakili oleh metode VI dan WCD,
kedua metode tersebut tidak menunjukkan
hasil sebaik CST. Untuk VI, meskipun tingkat
akurasi yang diperoleh pada umumnya sudah
cukup baik namun dibandingkan dengan CST
maka hasil yang diperoleh adalah lebih rendah.
Sedangkan untuk WCD, nampaknya tingkat
akurasi yang diperoleh cukup rendah dan
dibandingkan dengan 2 metode lainnya
merupakan yang terendah. Dari hasil ini maka
dapat disimpulkan bahwa kemampuan metode
inframerah yang diwakili oleh CST adalah
cukup baik di dalam melakukan separasi
konvektif dan stratiform. Untuk selanjutnya,
dengan tidak merubah nilai ambang dari
metode gelombang mikro pasif maka dapat
diketahui bahwa meskipun untuk VI masih
dapat menunjukkan kemampuan yang cukup
baik dalam melakukan separasi, namun
kualitasnya lebih rendah dari CST. Sedangkan
untuk WCD, tingkat akurasi yang diperoleh
relatif cukup rendah dan merupakan yang
terendah dari metode lainnya.
96
KESIMPULAN
Tingkat akurasi yang diperoleh melalui
pemanfaatan metode inframerah yang diwakili
oleh Convective Stratiform Technique (CST),
menunjukkan kualitas yang cukup baik dan
merupakan yang terbaik dari 2 metode lainnya
yakni Variability Index (VI) dan Window
Channel Difference (WCD) yang mewakili
metode gelombang mikro pasif.Metode
Variability Index (VI) merupakan metode
terbaik ke-2 setelah CST di dalam melakukan
separasi konvektif dan stratiform dan
selanjutnya diikuti oleh WCD
DAFTAR PUSTAKA
[1] Anagnostou, E.N. dan Kummerow, C
(1997): Stratiform and Convective
Classification of Rainfall Using SSM/I
85-GHz
Brightness
Temperature
Observations, Journal of Atmospheric
and Oceanic Tech, 14, 570-575
[2] Houze, R.A. (1993): Cloud Dynamics,
Academic Press, Inc
[3] Hong, Ye., Kummerow, E.D., Olson, W.S.
(1999): Separation of Convective and
Stratiform
Precipitation
Using
Microwave Brightness Temperature,
Journal of Applied Meteorology, 38,
1195-1213
[4] Ichikawa, H., Masunaga, H., Kanzawa, H.

(2009): Evaluation of Precipitation and
High Level Cloud Areas Associated
with Large-Scale Circulation over the
Tropical Pacific in the CMIP3 Models,
Journal of Meteorological Society of
Japan, Vol. 87 No. 4, 771- 789
[5] Islam, Md.N., Islam, A.K.M.S., Hayashi,
T., Terao, T., Uyeda, H. (2002):
Application of A Method to Estimate
Rainfall in Bangladesh Using GMS-5
Data, Journal of Natural Disaster
Science, 24, no.2, 83-89
[6] Laviola, S. dan Levizzani, V. (2010):
Passive Microwave Remote Sensing of
Rain from Satellite Sensors, Advanced
Microwave and Millimeter Wave
Technologies Semiconductor Devices
Circuit and System, Intech, 642 page
[7] Tao, W.K., Lang, S., Olson, W.S.,
Meneghini, R., Yang, S., Simpson, J.,
Kummerow, C., Smith, E., Halverson, J.
(2001): Retrieved Vertical Profile of
Latent Heat Release Using TRMM
Rainfall Product for February 1988,
Journal of Applied Meteorology, Vol.
40, No. 6, 957-967
[8] Yong, S.X., Jia, L., Li, X. (2012):
Evaluation of Convective Stratiform
Rainfall Separation Schemes by
Precipitation and Cloud Statistics,
Journal of Tropical Meteorology, Vol.
18 No. 1, 98-107
DISKUSI
1. Agus Paulus:
Apakah ketiga metode ini saja yang ada untuk melakukan teknik separasi?
Dari penelusuran pustaka yang ada hingga penelitian ini dilakukan, teknik-teknik tersebut telah
banyak dipergunakan dalam kajian pemisahan jenis awan konvektif dan stratifoam.
Adakah aplikasi langsung misalnya untuk prakiraan atau analisa cuaca?
Dengan mengetahui apakah jenis awan yang terbentuk pada suatu wilayah adalah jenis konvektif atau
stratifoam, dapat dijadikan dasar analisa dan prognostik kemungkinan cuaca di tempat tersebut
berpotensi hujan
97
ANALISA PENGARUH PERUBAHAN LAND USE TERHADAP

KETERSEDIAAN AIR BERDASARKAN DATA OBSERVASI DAN
LUARAN MODEL IKLIM REGIONAL
THE ANALYSIS OF LAND USE CHANGE IMPACT TO SOIL WATER AVAILABILITY
BASED ON OBSERVATION DATA AND REGIONAL CLIMATE MODEL OUTPUT
Danang Eko Nuryanto, Tri Astuti Nuraini, Dyah Lukita Sari, Kurnia Endah Komalasari, Radyan
Putra Pradana, Kharisma Aprilina
Pusat Penelitian dan Pengembangan, BMKG
Pusat Iklim dan Agroklimat, BMKG
ABSTRAK
Perubahan penggunaan lahan merupakan bentuk nyata dari pengaruh aktivitas manusia terhadap
perubahan fisik permukaan bumi. Perubahan tersebut kemudian turut mempengaruhi variabilitas
atmosfer. Tujuan penelitian ini adalah menganalisa neraca kesetimbangan air menggunakan data
observasi dan luaran model iklim regional RegCM4. Beberapa lahan pada lima lokasi penelitian
(Medan, Bogor, Semarang, Kupang, dan Maros) telah dipilih untuk dilakukan perhitungan
ketersediaan air tahun 2000 dan 2010. Perubahan penggunaan lahan pada dua periode waktu
tersebut memperlihatkan dampak yang berbeda, tergantung pada latar belakang kondisi atmosfer
pada tahun perhitungan dilakukan.
Kata kunci : neraca air, perubahan landuse, evapotranspirasi
ABSTRACT
Land use change is a concrete manifestation of the influence of human activities on the physical
change of the earth surface. It is then can influence the atmosphere variability. The purpose of this
study was to analyze the water balance using data observation and model output from regional
climate model, RegCM4. Several location (Medan, Bogor, Semarang, Kupang, dan Maros) were
selected to perform the calculation of water availability from 2000 and 2010. The result of RegCM4
model quite well represents the monthly evapotranspiration fluctuations especially in Maros region
for 2010. The land use change from two different years shown the difference impact to the water
availability which depend to the atmospheric background condition of each year being examined.
Keywords : water balance, landuse change, evapotranspiration
PENDAHULUAN
Aktivitas manusia merupakan salah satu faktor
utama yang menentukan karakteristik iklim di
suatu
daerah.
Pengaruh
manusia
mengakibatkan berubah dari keadaan aslinya
sejalan dengan tingkat intervensi manusia
mengeksplorasi. Kesesuaian lingkungan dalam
menyediakan seluruh daya dukung kehidupan
dan materi-materi untuk memenuhi seluruh
keperluan hidup manusia dan hewan masih
tergantung pada stabilitas iklim.
Penelitian yang telah dilakukan di Kali
Surabaya [1] menunjukkan adanya perubahan
penggunaan lahan (landuse) di sekitar Kali
Surabaya selama periode tahun 1990 1997

yaitu sawah berkurang 5.72%, perkampungan
bertambah 15.16%, tegalan bertambah 0.54%,
tambak berkurang 9.67%, industri bertambah
36.67% dan semak berkurang 26.67%.
Perubahan landuse telah mengakibatkan
perubahan bentuk tutupan alami menjadi
tempat kegiatan manusia yang pada umumnya
tidak lagi mendukung fungsi alami semula.
Pembangunan kawasan hunian, industri dan
transportasi telah merubah fungsi awal baik
permukaan maupun atmosfer sebagai fungsi
resapan, tangkapan, aliran dan konservasi yang
sifatnya pada fungsi pelestarian dan
keseimbangan. Dalam keadaan alami tanpa
gangguan
aktivitas
manusia,
terjadi
keseimbangan interaksi antara permukaan
98
darat-laut-atmosfer.
Representasi
dari
keseimbangan sistem tersebut dapat dilihat
pada siklus hidrologi, siklus karbon dan nutrisi
serta keseimbangan ekosistem. Bila salah satu
sistem terganggu seperti perubahan landuse,
maka dapat menyebabkan gangguan pada
sistem lain seperti banjir [2,3] dan kekeringan.
Banjir yang terjadi di sekitar Bandung, Jakarta,
dan Semarang antara lain disebabkan oleh
adanya perubahan landuse sawah menjadi
lahan industri dan perumahan menyebabkan
banjir dan sedimentasi di bagian hilir daerah
tersebut [4]. Dengan demikian landuse
merupakan wujud nyata dari pengaruh
aktivitas manusia terhadap perubahan fisik
permukaan dan atmosfer bumi. Semakin
berkurangnya tutupan lahan vegetasi telah
menjadi kekhawatiran bersama yang akan
berimbas
pada
berkurangnya
tingkat
ketersediaan air baik di perkotaan maupun di
wilayah sungai dan pertanian.
Analisis neraca air dapat dimanfaatkan untuk
menetapkan jumlah air yang terkandung di
dalam tanah pada wilayah tertentu yang
menggambarkan perolehan air (surplus atau
defisit) dari waktu ke waktu. Hillel [5] juga
menyatakan bahwa pengelolaan lahan kering
melalui analisis neraca air lahan merupakan
sesuatu yang penting karena neraca air
merupakan perincian tentang semua masukan,
keluaran, dan perubahan simpanan air yang
terdapat pada suatu lahan. Selain itu, neraca air
dapat digunakan sebagai masukan atau
pertimbangan dalam peramalan produksi,
klasifikasi iklim suatu daerah, dan pengaturan
air irigasi [6]. Bahkan Nasir dan Effendi [7]
menambahkan bahwa curah hujan bersama
evapotranspirasi yang didukung oleh sifat fisik
tanah akan dapat memberikan keterangan
penting tentang jumlah air yang dapat
diperoleh untuk menentukan periode surplus
atau defisit air lahan, air yang tidak dapat
tertampung dan kapan saat terjadinya yang
semuanya hanya dapat dianalisis melalui
perhitungan neraca air. Dengan demikian
periode surplus atau defisit air suatu daerah
penting diketahui untuk mengatur pola tanam
maupun jadwal pemberian air irigasi, sehingga
dengan pengelolaan berdasarkan acuan hasil
perhitungan neraca air diharapkan akan dapat
diperoleh hasil pertanian yang lebih
baik. Purbawa dan Wiryajaya [8]
telah
melakukan
analisis
spasial
normal
ketersediaan air tanah bulanan di propinsi Bali.
Pada tahun 2010 Pusat Penelitian dan
Pengembangan (Puslitbang) Badan Meteorlogi
Klimatologi dan Geofisika (BMKG) telah

melakukan penelitian tentang penyusunan
analisa data curah hujan untuk menentukan
potensi kebutuhan air di wilayah Indonesia
dengan menghitung ketersediaan air hujan,
menghitung
kebutuhan
air
vegetasi,
menghitung
kebutuhan
air
domestik,
menghitung kebutuhan air industri, dan
menghitung neraca air [9].
Pengertian tentang perubahan landuse
cenderung dipahami dengan mengubah lahan
pertanian menjadi lahan non-pertanian,
sehingga mengakibatkan luas lahan pertanian
semakin berkurang dan luas lahan nonpertanian semakin bertambah [10]. Perubahan
landuse akan terus berlangsung sejalan dengan
meningkatnya
pertumbuhan
ekonomi,
sehingga di masa mendatang diperkirakan
perubahan landuse kota akan terus terjadi
dengan kecepatan tinggi [11]. Perubahan
landuse selain menambah proporsi luas lahan
terbangun, juga mengubah landcover/vegetasi
pada lahan terbuka yaitu dari lahan
sawah/tegalan menjadi rumput/pekarangan
[12]. Perubahan landcover ini mengakibatkan
perubahan sifat biofisik tanah, karena setiap
jenis vegetasi memiliki sistem perakaran yang
berbeda [13]. Dengan demikian perubahan
sifat biofisik akibat perubahan landuse terbuka
bervegetasi menjadi lahan terbangun dapat
meminimalkan kapasitas resapan air ke dalam
tanah. Hal ini terjadi karena hilangnya fungsi
vegetasi
yang
secara
efektif
dapat
mengabsorbsi air hujan, mempertahankan laju
infiltrasi [14] meningkatkan laju infiltrasi [15],
dan kemampuan dalam menahan air (kapasitas
retensi air/KRA). Pada penelitian ini akan
dilakukan perhitungan untuk mengetahui
dampak perubahan
penggunaan
lahan
(landuse)terhadap ketersediaan air tanah
berdasarkan data-data klimatologi pada lima
lokasi studi (Medan, Bogor, Semarang,
Kupang dan Maros) untuk tahun 2000 dan
2010
METODE PENELITIAN
adalah data landuse yang diperoleh dari Badan
Informasi Geospasial (BIG), data klimatologi
tahun 2000 dan 2010 pada lima lokasi
penelitian yaitu: Medan, Bogor, Semarang,
Kupang dan Maros. Data landuse yang
diperoleh akan digunakan sebagai referensi
untuk menyesuaikan data landuse pada inputan
RegCM 4.0 (penjelasan pada bagian
99
berikutnya). Sedangkan data klimatologi yang

telah diperoleh disusun dalam format tertentu
dalam ektension .xls, untuk pengolahan data
lebih lanjut.
Metode
Penyesuaian Data Landuse
Untuk menyesuaikan data landuse sebagai
inputan model RegCM 4.0, dilakukan
penghitungan ukuran grid landuse asli dan
ukuran grid landuse model. Modifikasi data
landuse dilakukan dengan mengubah tipe
landuse yang terdapat pada domain terkecil
(domain 3) model RegCM 4.0 dengan tipe
landuse yang diperoleh dari BIG. Pada tahap
ini dilakukan proses penyesuaian tipe diantara
dua versi data landuse. Penyesuaian tipe
dilakukan dengan memperhatikan ukuran grid
pada masing-masing domain. Pada masingmasing grid dilakukan penjumlahan masingmasing tipe berdasarkan 20 kategori yang
terdapat pada model RegCM 4.0, kemudian
dilakukan perhitungan prosentase untuk
mengetahui komposisi masing-masing tipe di
setiap grid. Setelah dilakukan penyesuaian
diperoleh hasil sebagai berikut:
Tabel 1. Perhitungan Ukuran Grid Landuse
Asli dan Model
No Lokasi
Ukuran
Ukuran Grid
.
GridLanduse Landuse
Asli
Model
( 0.0045o)
( 0.1667o)
1
Medan
44 x 69
2x3
2
Bogor
187 x 110
6x4
3
Semaran 93 x 130
3x6
g
4
Kupang
168 x 232
6x8
5
Maros
115 x 112
5x4
Running Aplikasi RegCM 4.0
Untuk menjalankan simulasi pada aplikasi
permodelan iklim dalam hal ini RegCM 4.0
perlu beberapa tahap sebagaimana tercantum
pada diagram alir Gambar 1.
Mulai
Terrain&Landuse, ICBC,
SST(Global)
Eksekusi Data
Terrain&Landuse, ICBC, SST
Berhasil
ekseku
si data
?
tidak
ya
Data
domain
regional:
Terrain&Landuse, ICBC, SST
Eksekusi domain regional
Berhasil
eksekusi
domain
?
tidak
Atmospheric, Radiation, Land Surface
Selesai
Gambar 1. Diagram Alur langkah menjalankan

software RegCM 4.0
Perhitungan Evapotranspirasi Potensial
Pengukuran evapotransipirasi (ETP) secara
langsung di lapangan diukur dengan
menggunakan alat yang disebut lysimeter.
Data dari lysimeter ini merupakan nilai
sebenarnya evapotranspirasi di lapangan.
Namun karena peralatan lysimeter dipasang
dengan peralatan dan instalasi khusus serta
bersifat permanen maka penggunaannya
kurang praktis dan memerlukan biaya. Untuk
100
itu maka para ahli berusaha menduga ETP

tersebut dengan persamaan empiris dengan
menggunakan data-data iklim. Pada penelitian
ini yang digunakan adalah metode penentuan
Evapotranspirasi Potensial Penman-Monteith
yang direkomendasikan sebagai metode
standar FAO [16; 17] Berikut merupakan
rumus evapotranspirasi dengan metode
Penman-Monteith:
*c p
Rn ( ea ed )*
ra
T
r
(1)
(
*(1 s ))
ra
Nilai KL berbeda-beda tergantung kepada

jenis tanah yang ada pada wilayah tertentu.
Ada 3 versi metode perhitungan KAT,
yaitu:
i. BMKG [19; 20]
dimana :
Rn = net radiation (W/m2)
= densitas udara
cp = panas spesifik udara
rs = net resistance to diffusion through
surfaces of the leaves and soil (s/m)
ra = net resistance to diffusion through
air from surfaces to height
measuring instruments (s/m).
= konstanta hygrometric
= de/dT
ea = saturated vapour pressure at
temperature
ed = mean vapour pressure
Keterangan :
the
the
of
air
Perhitungan Ketersediaan Air Tanah

Langkah-langkah
dalam
perhitungan
ketersediaan air tanah pada penelitian ini
merupakan
modifikasi
berdasarkan
Thornthwaite-Mather [18] adalah sebagai
berikut:
a. Menghitung curah hujan (CH) bulanan.
b. Menghitung suhu/temperatur udara rata-rata
bulanan.
c. Menghitung nilai evapotranspirasi potensial
(ETP) dari data evaporasi panci stasiun
pengamat,
atau
dari
perhitungan
evapotranspirasi potensial dengan metode
Penman-Monteith.
d. Menghitung selisih CH ETP. Selisih ini
disebut Potensial Water Loss (PWL).
e. Menghitung Accumulation of Potensial
Water Loss (APWL). Akumulasi air yang
hilang secara potensial, yang nantinya
menentukan kandungan air tanah pada saat
CH lebih kecil dari evapotranspirasi
potensial (CH < ETP). APWL merupakan
akumulasi CH-ETP yang bernilai negatif.
f. Menghitung nilai Kandungan Air Tanah
(KAT). Perhitungan nilai KAT sangat
tergantung dari nilai kapasitas lapang (KL).
KAT
1.07381
KL
KL 1.00041
APWL
ii TM1957 [18]
KAT
KL exp( APW L/ KL)
iii Mahbub [21]

KAT
TLP
[1.00041
1.07381
KL TLP
)]
APWL
KL
KAT = Kandungan Air Tanah

KL = Kapasitas Lapang
TLP = Titik Layu Permanen
APWL= Accumulation of Potensial Water Loss
g. Menghitung dKAT (Perubahan Kandungan

Air Tanah). Perubahan KAT merupakan
selisih antara KAT satu periode dengan
periode sebelumnya.
dKAT = KATi KATi-1
Nilai dKAT positif menunjukkan terjadinya
penambahan
kandungan
air
tanah,
penambahan terhenti apabila KL telah
terpenuhi. Sedangkan dKAT negatif
menunjukkan terjadinya
pengurangan
kandungan air tanah.
h. Menghitung tingkat ketersediaan air tanah
berdasarkan standar operasional BMKG
(Sani, 2012). Tingkat Ketersediaan Air
Tanah (TKAT) dihitung dengan persamaan:
( KAT TLP )
TKAT
x100%
( KL TLP )
Dengan kriteria sebagai berikut:

i. Cukup : Jika TKAT> 60%.
ii. Sedang : Jika 40% TKAT 60%.
iii. Kurang : Jika TKAT< 40%.
Flowchart langkah perhitungan nilai Tingkat
Ketersediaan Air Tanah (TKAT) dapat dilihat
pada Gambar 2.
101
TLP
Gambar 2.Flowchart perhitungan nilai Tingkat

Ketersediaan Air Tanah (TKAT)

Hasil Keluaran Model Dengan Penyesuaian
Landuse
Nilai perubahan landuse (dalam prosen) untuk
5 daerah penelitian disajikan pada Tabel 2.
Tabel 2. Perubahan Luasan Tipe Landuse
Hutan primer
Hutan Sekunder
Kebun Campuran
Mangrove
Perkebunan
Pemukiman
Rawa
Sawah
Semak/belukar
Tambak/empang
Tanah terbuka
Tegalan
Tubuh air
Medan
-5.02%
7.83%
44.98%
0.00%
-11.94%
-5.00%
0.08%
1.55%
-36.55%
0.00%
-0.30%
4.08%
0.27%
Bogor
3.40%
-12.54%
6.79%
-0.13%
-0.04%
0.72%
0.33%
0.18%
-0.39%
0.08%
4.97%
-3.57%
-0.05%
Semarang
35.35%
-27.85%
27.78%
0.00%
0.02%
-0.17%
-0.90%
6.22%
-17.65%
6.86%
-7.47%
-18.08%
0.14%
Maros
0.00%
0.00%
5.92%
6.56%
-2.56%
5.84%
-6.72%
3.36%
0.00%
5.52%
5.68%
-20.40%
1.76%
Kupang
0.00%
-0.60%
11.55%
-0.04%
6.99%
9.49%
0.39%
12.32%
6.69%
1.86%
0.05%
-46.67%
-0.39%
Tabel 2 menunjukkan bahwa perubahan luasan

tipe landuse untuk kelima daerah penelitian
berbeda-beda. Daerah Kupang tipe landuse
berupa tegalan dari tahun 2000 sampai 2010
mengalami penurunan luasan paling besar (46.67%) dibanding dengan tipe lainnya pada 5
daerah penelitian, sedangkan tipe landuse yang
mengalami kenaikan yang paling besar
dibanding tipe lainnya adalah kebun campuran
di daerah Medan yaitu sebesar 44.98%. Secara
umum tipe landuse berupa kebun campuran
mengalami kenaikan di lima lokasi penelitian,
sedangkan yang mengalami penurunan adalah
luasan tipe landuse pada hampir semua lokasi
penelitian kecuali Medan. Daerah dengan
perubahan luasan tipe landuse permukiman
yang mengalami kenaikan yaitu Kupang
(9.49%), Maros (5.84%), dan Bogor (72%).
Analisis Tingkat Ketersediaan Air Tanah
Kondisi Ketersediaan Air Tanah Tahun 2000
Perbandingan Tingkat Ketersediaan Air Tanah
menggunakan perhitungan hasil keluaran
model RegCM 4.0 dengan hasil pengamatan
tahun 2000 pada masing-masing wilayah
penelitian dengan 3 metode perhitungan KAT
dilakukan dengan memperhatikan Gambar 3.
102
Kandungan Air Tanah Bulanan (model) medan Tahun 2000
Kandungan Air Tanah Bulanan (obs) Medan. Tahun 2000
500
500
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
400
350
300
mm
mm
300
250
250
200
200
150
150
100
100
50
0
BMKG
TM1957
MAHBUB
KL
TLP
450
50
6
7
Bulan
10
11
12
(a)
450
400
400
350
350
300
300
mm
mm
450
250
BMKG
TM1957
MAHBUB
KL
TLP
150
100
50
12
6
7
Bulan
10
11
BMKG
TM1957
MAHBUB
KL
TLP
100
50
0
12
(c)
6
7
Bulan
10
11
12
(d)
Kandungan Air Tanah Bulanan (obs) Semarang Tahun 2000
Kandungan Air Tanah Bulanan (model) semarang Tahun 2000
500
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
300
mm
300
mm
11
250
150
500
250
250
200
200
150
150
100
100
50
50
6
7
Bulan
10
11
12
(e)
10
11
12
(f)
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
300
mm
300
250
250
200
200
150
150
100
100
50
50
1
6
7
Bulan
10
11
12
(g)
6
7
Bulan
10
11
12
(h)
Kandungan Air Tanah Bulanan (obs) Kupang. Tahun 2000
Kandungan Air Tanah Bulanan (model) kupang Tahun 2000
500
500
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
300
mm
300
250
250
200
200
150
150
100
100
50
50
500
500
6
7
Bulan
Kandungan Air Tanah Bulanan (obs) Maros Tahun 2000
Kandungan Air Tanah Bulanan (model) maros Tahun 2000
mm
10
200
200
mm
(b)
500
Kandungan Air Tanah Bulanan (obs) Bogor. Tahun 2000
Kandungan Air Tanah Bulanan (model) bogor Tahun 2000

500
6
7
Bulan
6
7
Bulan
(i)
10
11
12
6
7
Bulan
10
11
12
(j)
Gambar 3. Perbandingan Tingkat Ketersediaan Air Tanah menggunakan perhitungan hasil keluaran model
RegCM 4.0 dengan hasil pengamatan tahun 2000 di Medan (a dan b), Bogor (c dan d),
Semarang (e dan f), Maros (g dan h) dan Kupang (i dan j).
103
Karakteristik kandungan air tanah untuk

wilayah Medan tahun 2000 berdasar hasil
model menunjukkan kandungan air tanah
cukup (di atas titik layu permanen) pada bulan
Januari Juli, dengan maksimum pada
Februari, untuk metode BMKG dan TM 1957,
sedangkan
untuk
metode
Mahbub
menunjukkan kandungan air tanah cukup dan
berada pada kapasitas lapang sepanjang tahun
meskipun pada bulan November Desember
hampir mendekati titik kritis (Gambar 3.a).
Data observasi menunjukkan kandungan air
tanah berada pada kondisi cukup (pada
kapasitas lapangnya) di sepanjang tahun
(Gambar 3.b).
Kandungan air tanah untuk wilayah Bogor
tahun 2000 mempunyai kapasitas lapang 435
mm dan titik layu permanen 306 mm.
Karakteristik hasil model menunjukkan bahwa
kandungan air tanah cukup (di atas titik layu
permanen) pada sepanjang tahun untuk ketiga
metode dengan nilai metode Mahbub sedikit
lebih tinggi dibanding metode BMKG pada
bulan April Desember. Metode TM 1957
mempunyai nilai terkecil dibandingkan metode
lain
(Gambar
3.c).
Data
observasi
menggunakan semua metode menunjukkan
kandungan air tanah cukup untuk sepanjang
tahun dengan nilai maksimum di kapasitas
lapangnya dan hanya sedikit berkurang pada
November Desember (Gambar 3.d).
Kandungan Air Tanah wilayah Semarang
tahun 2000 menunjukkan karakteristik yang
berbeda antara hasil model dan observasi.
Hasil model menunjukkan kandungan air tanah
menurun dari bulan Januari hingga Desember
tetapi cukup (di atas titik layu permanen)
untuk semua metode yang diterapkan (Gambar
3.e). Sedangkan berdasar data observasi
kandungan air tanah maksimum (pada
kapasitas lapangnya, 300 mm) pada bulan
Januari Mei, menurun dan kritis (di bawah
titik layu permanen) pada Juli Oktober dan
meningkat kembali hingga maksimum pada
November Desember dengan menggunakan
metode BMKG dan TM 1957. Metode
Mahbub menunjukkan kandungan air tanah
hampir mencapai titik kritis pada bulan
September sedang pada bulan lain cukup
(Gambar 3.f).
Karakteristik Kandungan Air Tanah (KAT)
wilayah Maros tahun 2000 menunjukkan nilai
yang berbeda antara hasil keluaran model
RegCM 4.0 dan observasi. Hasil model
menunjukkan kandungan air tanah cukup (di

atas titik layu permanen) pada bulan Januari
Mei untuk metode BMKG dan TM 1957,
sedangkan
untuk
metode
Mahbub
berada pada kapasitas lapang pada bulan
Januari Juli (Gambar 3.g). Berdasarkan
perhitungan KAT menggunakan data observasi
metode BMKG dan TM 1957, pada bulan
Januari Juni kandungan air tanah berada
pada kondisi cukup (pada kapasitas lapangnya)
dan berturut-turut berkurang hingga akhirnya
berada pada kandungan air tanah kritis mulai
bulan Agustus sampai pertengahan Oktober
dan pada mulai November kandungan air
tanah mulai meningkat kembali. Sedangkan
metode Mahbub menunjukkan kandungan air
tanah cukup pada bulan Januari September
dan Oktober Desember, dengan kata lain
kandungan air tanah kritis antara bulan
September dan Oktober saja (Gambar 3.h).
Hasil model menunjukkan nilai kandungan air
tanah maksimum pada Januari, sedangkan
untuk observasi maksimum pada Januari
Juni.
Karakteristik kandungan air tanah wilayah
Kupang tahun 2000 menunjukkan nilai yang
berbeda dan terlihat kebalikan antara hasil
model
dan
observasi.
Hasil
model
menunjukkan kandungan air tanah kritis (lebih
kecil dari titik layu permanen) pada bulan
April serta September hingga Desember
(Gambar 3.i), sedangkan data observasi
menunjukkan nilai kandungan air tanah kritis
mulai bulan Juni berturut-turut sampai
November, minimum pada Oktober dan pada
mulai November kandungan air tanah
meningkat kembali melalui perhitungan
menggunakan metode BMKG dan TM 1957
(Gambar 3.j). Sedang melalui perhitungan
metode
Mahbub,
ditunjukkan
bahwa
tahun kecuali Oktober Desember mencapai
titik kritis untuk model dan Juli Oktober
untuk hasil observasi. Nilai kandungan air
tanah hasil model maksimum pada Juni hingga
Agustus sedangkan observasinya menunjukkan
pada bulan tersebut kritis.
Kondisi Ketersediaan Air Tanah Tahun
2010
Perbandingan Tingkat Ketersediaan Air Tanah
menggunakan perhitungan hasil keluaran
model RegCM 4.0 dengan hasil pengamatan
tahun 2010 pada masing-masing wilayah
104
penelitian dengan 3 metode perhitungan KAT

dilakukan dengan memperhatikan Gambar 4.
Karakteristik kandungan air tanah untuk
wilayah Medan tahun 2010 berdasar hasil
model menunjukkan kandungan air tanah
cukup (di atas titik layu permanen) pada
sepanjang tahun untuk ketiga metode dengan
nilai metode Mahbub sedikit lebih tinggi
dibanding metode BMKG dan TM 1957 pada
bulan Agustus Oktober (Gambar 4.a).
Sedangkan data observasi menggunakan
metode BMKG dan TM 1957 menunjukkan
pada bulan Januari - April kandungan air tanah
berturut-turut berkurang dari kapasitas lapang
hingga akhirnya berada pada kandungan air
tanah kritis bulan Mei tetapi mulai meningkat
pada bulan selanjutnya dan maksimum pada
September - Desember. Data observasi
menggunakan metode Mahbub menunjukkan
tahun (Gambar 4.b).
Di wilayah Bogor tahun 2010, hasil model
menunjukkan bahwa karakteristik kandungan
air tanah cukup (di atas titik layu permanen)
pada sepanjang tahun dengan menggunakan
metode Mahbub. Sedang metode BMKG dan
TM 1957 menunjukkan kandungan air tanah
berkurang dari Januari hingga pertengahan
April dan hampir kritis (sama dengan titik layu
permanen) pada Mei Oktober (Gambar 4.c).
Karakteristik kandungan air tanah untuk data
observasi menggunakan semua metode
menunjukkan kandungan air tanah cukup
untuk sepanjang tahun dengan nilai maksimum
di kapasitas lapangnya dan hanya sedikit
berkurang pada bulan April (Gambar 4.d).
Kandungan Air Tanah wilayah Semarang
tahun 2010 menunjukkan karakteristik yang
hampir sama pada hasil model dengan
kandungan air tanah tahun 2000 yaitu menurun
dari bulan Januari hingga Desember tetapi
cukup (di atas titik layu permanen) untuk

semua metode yang diterapkan (Gambar 4.e).
Sedangkan berdasar hasil data observasi
kandungan air tanah maksimum pada semua
bulan (300 mm), dan sedikit berkurang pada
bulan Juli. Nilai yang sama diperoleh untuk
semua metode (Gambar 4.f).
Karakteristik Kandungan Air Tanah wilayah
Maros tahun 2010 hasil model menunjukkan
nilai yang lebih rendah dibanding observasi.
Dengan nilai kapasitas lapang 300 mm dan
titik layu permanen 150 mm, hasil model
menunjukkan kandungan air tanah cukup (di
atas titik layu permanen), pada bulan Januari
April, untuk metode BMKG dan TM 1957,
sedangkan
untuk
metode
Mahbub
berada pada kapasitas lapang pada Januari
hingga bulan Juni (Gambar 4.g). Data
observasi menunjukkan kandungan air tanah
berada pada kondisi cukup (pada kapasitas
lapangnya) sepanjang tahun dan hanya
berkurang sedikit pada bulan agustus dengan
nilai kandungan air tanah adalah sama untuk
semua metode yang dipakai (Gambar 4.h).
Kandungan air tanah wilayah Kupang tahun
2010 hasil model dan observasi menunjukkan
karakteristik yang mirip seperti tahun 2000.
Hasil model menunjukkan kandungan air tanah
kritis (lebih kecil dari titik layu permanen)
pada bulan November Desember (Gambar 4.i),
sedangkan data observasi menunjukkan nilai
kandungan air tanah kritis mulai bulan Mei
berturut-turut sampai November, dan pada
bulan November sampai Desember kandungan
air tanah meningkat kembali (Gambar 4.j), hal
ini dapat pula disebabkan karena pada bulan
tersebut sudah mulai masuk musim penghujan.
Hasil model menunjukkan nilai yang lebih
besar dibandingkan dengan observasinya.
105
Kandungan Air Tanah Bulanan (model) medan Tahun 2010
Kandungan Air Tanah Bulanan (obs) Medan. Tahun 2010
500
500
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
400
350
300
mm
mm
300
250
250
200
200
150
150
100
100
50
0
BMKG
TM1957
MAHBUB
KL
TLP
450
50
6
7
Bulan
10
11
12
(a)
450
400
400
350
350
300
300
mm
mm
450
250
200
100
50
11
12
250
6
7
Bulan
10
11
150
BMKG
TM1957
MAHBUB
KL
TLP
100
50
0
12
(c)
6
7
Bulan
10
11
12
(d)
Kandungan Air Tanah Bulanan (model) semarang Tahun 2010
Kandungan Air Tanah Bulanan (obs) Semarang Tahun 2010
500
500
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
300
mm
300
mm
10
200
BMKG
TM1957
MAHBUB
KL
TLP
150
250
250
200
200
150
150
100
100
50
50
6
7
Bulan
10
11
12
6
7
Bulan
(f)
(g)
(h)
Kandungan Air Tanah Bulanan (model) kupang Tahun 2010
10
11
12
Kandungan Air Tanah Bulanan (obs) Kupang. Tahun 2010

500
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
BMKG
TM1957
MAHBUB
KL
TLP
450
400
350
300
mm
300
250
250
200
200
150
150
100
100
50
0
(e)
500
mm
Kandungan Air Tanah Bulanan (obs) Bogor. Tahun 2010

500
(b)
Kandungan Air Tanah Bulanan (model) bogor Tahun 2010

500
6
7
Bulan
50
6
7
Bulan
(i)
10
11
12
6
7
Bulan
10
11
12
(j)
Gambar 4. Perbandingan Tingkat Ketersediaan Air Tanah menggunakan perhitungan hasil keluaran model
RegCM 4.0 dengan hasil pengamatan tahun 2010 di Medan (a dan b), Bogor (c dan d),
Semarang (e dan f), Maros (g dan h) dan Kupang (j dan j).
106
KESIMPULAN
Model RegCM 4.0 belum merepresentasikan
dengan baik fluktuasi evapotranspirasi bulanan
tahun
2010
dan
juga
nilai-nilai
evapotranspirasi > 150 mm (di atas titik layu
permanen). Umumnya nilai evapotranspirasi
tertinggi hasil model RegCM 4.0 terjadi pada
bulan Januari kemudian cenderung menurun
pada bulan-bulan berikutnya dan nilainya tidak
pernah melebihi nilai 150 mm. Hal yang agak
berbeda untuk Maros. Pola evapotranspirasi
model hampir mendekati hasil observasi
meskipun nilainya relatif lebih tinggi 15 - 30
mm kecuali pada bulan Maret yang nilainya
hampir sama.
Untuk wilayah sekitar Kota Medan KAT tahun
2010 dan 2000 tampak tidak jauh berbeda
selisih hanya berkisar 5 mm, namun ada
beberapa titik disekitar Sumatera Utara yang
menunjukkan perbedaan yang signifikan di
bulan-bulan tertentu. Pada bulan Januari
hingga April wilayah utara Kota Medan
tampak tahun 2010 memiliki KAT yang lebih
tinggi dari tahun 2000 dengan selisih hingga
20 mm dan pada bulan-bulan berikutnya
selisih KAT hanya berkisar -5 hingga 5 mm.
Sementara disekitar Danau Toba sepanjang
tahun tampak tahun 2010 memiliki KAT yang
lebih tinggi kecuali pada bulan Februari Mei
persediaan Air tanah tampak hampir sama
dengan tahun 2000. Hasil yang diberikan oleh
ketiga model tidak jauh berbeda, hanya
beberapa perbedaan ditunjukkan pada hasil
dari persamaan Mahbub karena nilai selisih
KAT tahun 2010 terhadap 2000 yang
dihasilkan oleh Mahbub lebih kecil
dibandingkan kedua perhitungan lainnya.
Dari hasil analisis bulan Januari hingga
Desember dapat disimpulkan untuk wilayah
Bogor barat dan utara kandungan air tanah
tahun 2010 lebih tinggi dari tahun 2000,
kecuali pada bulan Januari terdapat perbedaan
0 s/d 5 mm lebih rendah dari tahun 2010,
sedangkan untuk Bogor timur dan selatan
kandungan air tanah tahun 2010 lebih rendah
dari tahun 2000. Dari hasil hitungan selisih
kandungan air tanah dengan persamaan yang
dipakai oleh BMKG dan TM1957 dari bulan
Januari hingga Desember menunjukkan hasil
yang sama sedangkan dengan persamaan yang
dipakai Mahbud berbeda, kecuali pada bulan
Januari dan Pebruari ketiganya menunjukkan
hasil yang sama.
Dari hasil analisis bulan Januari hingga

Desember dapat disimpulkan untuk wilayah
Semarang Selatan kandungan air tanah tahun
2010 lebih tinggi dari tahun 2000 terjadi pada
bulan Januari hingga Maret, sedangkan untuk
Semarang timur, barat dan utara kandungan air
tanah tahun 2010 lebih rendah dari tahun 2000.
Untuk bulan April hingga Desember
Kandungan air tanah tahun 2010 lebih rendah
dari tahun 2000 untuk semua wilayah di Kota
Semarang.
Secara umum untuk wilayah Sulawesi Selatan
KAT tahun 2010 lebih tinggi dari 2000. Pada
bulan Januari hingga Maret di wilayah Maros
bagian barat menunjukkan bahwa tingkat
ketersediaan air tanah pada tahun 2010 lebih
tinggi dari tahun 2000 dengan selisih hingga
20mm. Kecuali Maros bagian barat tampak
tahun 2010 memiliki KAT yang lebih kecil
dari tahun 2000 dengan selisih hingga 20 mm.
Kemudian mulai bulan April wilayah dengan
KAT yang lebih rendah semakin meluas, dan
puncaknya dibulan Juni, hingga Agustus. Hasil
dari persamaan yang dipakai oleh BMKG dan
TM1957 dari bulan Januari hingga Desember
menunjukkan hal yang sama sedangkan
dengan persamaan yang dipakai Mahbud
berbeda. Wilayah dengan selisih KAT diatas
20 mm atau dibawah -20 mm lebih sedikit
dibandingkan kedua model lainnya (selisih
KAT Mahbub lebih kecil dibandingkan kedua
perhitungan lainnya).
Secara umum pada bulan Januari dan Februari
didaerah sekitar Kupang menujukkan KAT
tahun 2010 masih lebih tinggi dibandingkan
KAT tahun 2000. Namun mulai bulan Maret
tampak kandungan air tahah di tahun 2010
menyusut dan lebih kecil bila dibandingkan
dengan tahun 2000 dengan selisih hingga 20
mm. Persamaan yang dipakai oleh BMKG dan
TM1957 menunjukkan hal yang sama
sedangkan dengan persamaan yang dipakai
Mahbud tampak berbeda. Nilai selisih KAT
tahun 2010 terhadap 2000 yang dihasilkan
oleh Mahbub lebih kecil dibandingkan kedua
perhitungan lainnya. Sehingga wilayah dengan
nilai KAT diatas baik > 20 mm maupun < -20
mm tampak lebih kecil dibandingkan kedua
model lainnya.
107
DAFTAR PUSTAKA
[1] Sukojo, B. M., dan Susilowati, D., 2003,
Penerapan Metode Penginderaan Jauh
dan Sistem Informasi Geografis untuk
Analisa Perubahan Penggunaan Lahan,
Makara, Vol 7, No 1 - 9.
[2] Douglas, I., 1978, The impact of urban of
fluvial geomorphology in the humid
tropic, Geo. Eco. Trop. 2.
[3] Ilyas, M.A., 2000, Dampak Perubahan
Lahan terhadap Banjir, Erosi dan
Sedimentasi pada
Studi
Kasus
Bandung Utara.
[4] Kurnia, U., Sudirman, Juarsah, I., dan
Soelaeman, Y., 2001, Pengaruh
Perubahan
Penggunaan
Lahan
Terhadap Debit dan Banjir di Bagian
Hilir DAS Kaligarang, Prosiding
Seminar Nasional Multifungsi Lahan
Sawah, ISBN 979-9474-06-X, 111
120.
[5] Hillel, D.1972. The Field Water Balance
and Water Use Efficiency in D. Hillel
(ed) Optimizing The Soil Physical
Environment Toward Greater Crop
Yields. Academic Press. New York.
[6] Chang J. 1968. Climate and Agricultures,
an
Ecological
Survey.
Aldine
Publishing Company. Chicago.
[7] Nasir A.N, dan S. Effendy. 1999. Konsep
Neraca Air Untuk Penentuan Pola
Tanam.
Kapita
Selekta
Agroklimatologi Jurusan Geofisika dan
Meteorologi Fakultas Matematika dan
IPA. Institut Pertanian Bogor.
[8] Purbawa, I. G. A., dan Wiryajaya, I. N.
G., 2009, Analisis Spasial Normal
Ketersediaan Air Tanah Bulanan di
Propinsi Bali, Buletin Meteorologi
Klimatologi dan Geofisika, 5: 150
159.
[9] Puslitbang BMKG, 2010, Penyusunan
Analisis Data curah hujan Untuk
Menentukan Kebutuhan air Potensial
wilayah Indonesia, Laporan Kegiatan.
[10] Sunartono.
1995.
Optimalisasi
Pemanfaatan Lahan Di Perkotaan
Melalui Pembangunan Kawasan Siap
Bangun, Makalah disajikan dalam
Seminar Nasional Empat Windu
Fakultas Geografi UGM, Tanggal 2
September 1995, di UGM Yogyakarta.
[11] Djunaedi, 1990. Pola Tata Guna Tanah

Beberapa Ibukota Kecamatan di DIY.
Laporan Penelitian, Fakultas Teknik
UGM, Yogyakarta.
[12] Utaya, S., 2008, Pengaruh Perubahan
Penggunaan Lahan Terhadap Sifat
Biofisik Tanah Dan Kapasitas Infiltrasi
Di Kota Malang, Forum Geografi, 22,
99-112.
[13] Winanti, T. 1996. Pekarangan Sebagai
Media Peresapan Air Hujan Dalam
Upaya Pengelolaan Sumberdaya Air,
Makalah disajikan dalam Konferensi
Nasional Pusat Studi Lingkungan
BKPSL, Tanggal 22-24 Oktober 1996
di Universitas Udayana, Denpasar Bali.
[14] Foth, H.D. 1984. Fundamental of Soil
Science. John Willey and Sons, New
York.
[15] Schwab, G.O., Fangmeir, D.D., Elliot,
W.J., and Frevert, R.K. 1992. Soil ang
Water Conservation Engineering. Four
Edition, John Wiley & Sons. Inc, New
York.
[16] Allen, R.G., L. S. Pereira, D. Raes , and
M.
Smith
(1998),
Crop
evapotranspiration guidelines for
computing crop water requirements,
FAO Irrigation and Drainage Paper 56,
ISBN 92-5-104219-5
[17] Gao, G, 2010, Change of Changes of
Evapotranspiration and Water Cycle in
China during the Past Decades,
University of Gothenburg, Sweden,
ISBN 978-91-628-8014-9.
[18] Thornthwaite, C.W. and J.R. Mather.
1957.Instruction and Table for
Computing
Potential
Evapotranspiration and the Water
Balance. Publication in Climate,Vol.
X, No. 3. New York.
[19] Purbawa, I. G. A., dan Wiryajaya, I. N.
G., 2009, Analisis Spasial Normal
Ketersediaan Air Tanah Bulanan di
Propinsi Bali, Buletin Meteorologi
Klimatologi dan Geofisika, 5: 150
159.
[20] Sani, I., 2012, Analisis Neraca Air Lahan,
Modul
Peningkatan
Kemampuan
Analisa dan Informasi Iklim dan
Agroklimat, Kedeputian Klimatologi,
BMKG, 1 26.
[21] Mahbub, M,, 2010, Penuntun Praktikum
Agrohidrologi, Program Studi Ilmu
Tanah,
Universitas
Lambung
Mangkurat.
108
DISKUSI
1. Endro Santoso:
Jika menggunakan istilah perubahan tata guna lahan (land use), mestinya lokasi lebih spesifik lagi,
seperti Jambi atau lainnya. Jika tidak, lebih tepat disebut tutupan lahan (land cover).
Pada saat awal kegiatan dihadapkan pada pemilihan judul dengan tema yang sangat luas, yaitu
perubahan lingkungan dikaitkan dengan iklim. Berkaitan dengan land use ataukah land cover,
sudah dijelaskan di dalam laporan.
2. Nurhayati:
Input apa yang dimasukkan ke RegCM4 supaya luarannya Ketersediaan Air Tanah (KAT)?
Dari hasil model RegCM4 diambil parameter curah hujan dan evapotranspirasi, selanjutnya
kedua parameter ini digunakan untuk menghitung KAT dengan rumus yang sama dengan hasil
observasi.
3. Nuryadi:
Saya juga mengerjakan kajian pengaruh land use terhadap KAT di daerah DAS tanpa
menggunakan model, hanya berdasarkan data observasi. Hasilnya menunjukkan bahwa perubahan
land use mengurangi KAT.
Apa maksudn dari pernyataanUntuk Bogor terlihat antara model dan observasi berbeda jauh sekali
tetapi di kesimpulan disebutkan model cukup baik.... dst.
Model RegCM4 cukup baik dalam artian bisa digunakan sebagai bahan dasar untuk
pertimbangan prediksi. Pola evapotranspirasi model dan observasi sudah mendekati.
Disimpulkan bahwa Land use bukan faktor utama setelah melihat kasus Maros KAT tidak
berbeda signifikan antara tahun 2000 dan 2010.
109
VERIFIKASI POLA TRAYEKTORI DAN DISPERSI CO DAN PM10

DI KAWASAN INDUSTRI JABABEKA MENGGUNAKAN MODEL
HYSPLIT4.9
VERIFICATION OF TRAJECTORY AND DISPERSION PATTERN OF CO AND PM10 AT
JABABEKA INDUSTRIAL SITE USING HYSPLIT4.9 MODEL
Eko Heriyanto, Dyah Lukita Sari
Email : e.heriyanto@gmail.com
ABSTRAK
Kegiatan industri berpotensi menghasilkan bahan pencemar udara antara lain partikel debu dan gas
karbon monoksida. Untuk mengetahui seberapa jauh pergerakan dan seberapa besar konsentrasi
pencemar di udara yang diemisikan dari suatu sumber dapat diduga dengan menggunakan model,
salah satunya yaitu Hysplit4.9. Pada penelitian ini dilakukan simulasi trayektori dan dispersi
konsentrasi CO (karbon monoksida) dan PM10 (particulate matter 10 mikron) menggunakan model
Hysplit4.9 dengan masukan data parameter kualitas udara dari pengukuran/observasi serta masukan
data parameter cuaca menggunakan data luaran WRF (Weather Research and Forecasting) resolusi 9
km dan data pengukuran/observasi. Hasil verifikasi model Hysplit4.9 dengan menggunakan masukan
data WRF (Hysplit-WRF) dan data hasil observasi (Hysplit-Obs) menunjukkan pola trayektori dan
dispersi yang berbeda, dimana terdapat perbedaan luaran tingkat konsentrasi antara kedua jenis
masukan data tersebut. Nilai konsentrasi CO Hysplit-WRF dan Hysplit-obs mempunyai korelasi
sebesar -0.08, sedangkan korelasi PM 10 sebesar -0.05. Hal ini menunjukkan nilai konsentrasi yang
dihasilkan model Hysplit dari masukan data WRF dan observasi tidak berkorelasi baik. Nilai rata-rata
persentase error terkecil dibawah 50% dimiliki oleh Hysplit-obs terhadap hasil pengukuran.
Kata kunci: Trayektori, Dispersi, Hysplit4.9, PM10, WRF
ABSTRACT
Industrial activities potentially generate air pollutants such as particulate matter and carbon monoxide
gas. The pollutant movement and concentrations in the air can be predicted using a model, one of that
is Hysplit. Aim of this study is to simulate trajectories and dispersion concentration of CO (carbon
monoxide) and PM10 (particulate matter 10 microns) using a model Hysplit4.9 with the input data of
air quality parameters from observation, while the input data of weather parameters are from output
of WRF (Weather Research and Forecasting) with 9 km resolution and observation. The results
showed different pattern of trajectory and dispersion for both input data (Hysplit-WRF and HysplitObs). Correlation of CO concentration from Hysplit-WRF and Hysplit-obs are -0.08, while the
correlations of PM 10 are -0.05. This means that the concentration value resulting from Hysplit
models using WRF and observation input data are not well correlated. The smallest error average
value that is less than 50% is owned by Hysplit-obs.
Key Words: Trajectory, Dispersion, Hysplit4.9.
PENDAHULUAN
Udara merupakan unsur kehidupan yang paling
utama. Namun, meningkatnya kegiatan
perkotaan seperti transportasi, perdagangan,
industri, rumah tangga, serta pembangkit energi
sedikit demi sedikit akan membuang berbagai
jenis bahan pencemar ke udara. Sehingga akan

mengakibatkan penurunan kualitas udara dan
menimbulkan dampak terhadap pencemaran
udara. Di wilayah perkotaan, pencemaran udara
sebagian besar disebabkan oleh pembakaran
sumber energi yang kekuatan emisinya sangat
bergantung
pada
intensitas
aktivitas
110
antropogenik di wilayah yang bersangkutan.

Keberadaan kawasan industri menimbulkan
berbagai dampak, baik dampak positif maupun
dampak negatif. Kegiatan industri potensial
dalam menghasilkan bahan pencemaran udara.
Bahan pencemar udara yang dapat dikeluarkan
oleh industri maupun pembangkit listrik antara
lain adalah partikel debu, gas SO2 (sulfur
dioksida), gas NO2 (nitrogen dioksida), gas CO
(karbon monoksida), gas NH3 (amoniak), dan
gas HC (hidrokarbon) [1,2]. Kegiatan yang
terjadi pada industri tersebut memberikan
kontribusi konsentrasi polutan seperti gas ke
udara bebas di atmosfer [3].
Karbon monoksida atau CO adalah suatu gas
yang tidak berwarna, tidak berbau dan juga
tidak berasa. Gas CO sebagian besar berasal
dari pembakaran bahan fosil dengan udara,
berupa gas buangan. Di kota besar yang padat
lalu lintasnya akan banyak menghasilkan gas
CO sehingga kadar CO dalam udara relatif
tinggi dibandingkan dengan daerah pedesaan
[4]. Selain itu dari gas CO dapat pula terbentuk
dari proses industri. Gas CO sangat berbahaya,
tidak berwama dan tidak berbau, berat jenis
sedikit lebih ringan dari udara (menguap secara
perlahan ke udara), CO tidak stabil dan
membentuk CO2 untuk mencapai kestabilan
fasa gasnya. Pengaruh karbon monoksida
terhadap kesehatan adalah racun kimia karena
dapat menembus jaringan dan diserap ke dalam
aliran darah, serta bergabung dengan
hemoglobin sel darah 300 kali lebih cepat dari
oksigen dan dengan demikian menghalangi
otak
dan
oksigen
jaringan
jantung.
Berkurangnya penyediaan oksigen ke seluruh
tubuh ini akan membuat sesak napas dan dapat
menyebabkan kematian apabila tidak segera
mendapat udara segar kembali [5].
Partikulat
debu
melayang
(Suspended
Particulate Matter/SPM) merupakan campuran
yang sangat rumit dari berbagai senyawa
organik dan anorganik yang terbesar di udara
dengan diameter yang sangat kecil, mulai dari
< 1 mikron sampai dengan maksimal 500
mikron. Partikulat debu tersebut akan berada di
udara dalam waktu yang relatif lama dalam
keadaan melayang-layang di udara, selain dapat
berpengaruh negatif terhadap kesehatan,
partikel debu juga dapat mengganggu daya
tembus pandang mata dan juga mengadakan
berbagai reaksi kimia di udara. Partikel debu
SPM pada umumnya mengandung berbagai
senyawa kimia yang berbeda, dengan berbagai
ukuran dan bentuk yang berbada

tergantung dari mana sumber emisinya.
pula,
Sebaran pencemar di udara dipengaruhi oleh

kondisi sumber pencemar serta dipengaruhi
juga oleh proses transportasi maupun
transformasi (reaksi kimiawi) pencemar di
atmosfer [6]. Proses transportasi maupun
transformasi sangat dipengaruhi oleh faktor
meteorologi seperti arah dan kecepatan angin,
stabilitas atmosfer, dan mixing height. Seberapa
jauh pergerakan dan seberapa besar konsentrasi
pencemar di udara yang diemisikan dari suatu
sumber dapat diduga dengan menggunakan
model, salah satunya yaitu model Hybrid
Single-Particle
Lagrangian
Integrated
Trajectory (Hysplit) yang dikembangkan oleh
Air Resources Laboratory dari NOAA [7].
Penelitian ini akan membandingkan pola
trayektori dan dispersi hasil simulasi model
Hyplit 4.9 dengan menggunakan masukan data
dari Weather Research and Forecasting model
(WRF) resolusi 9 km dan data hasil
pengukuran/observasi [8,9].
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini
terbagi menjadi 4 (empat) tahap, yaitu inventori
data parameter meteorologi dan kualitas udara,
konversi data, running model WRF dan
Hysplit, dan analisa secara kualitatif maupun
kuantitatif terhadap hasil simulasi model.
Pengukuran/observasi
data
parameter
meteorologi dan kualitas udara dilakukan pada
tanggal 10 Juni 2012, di sekitar kawasan
industri Jababeka, Cikarang (Gambar 1).
Pengambilan data dilakukan pada pukul 11.00
WIB sampai pukul 17.00 WIB. Lokasi
pengukuran berada pada 6.29 lintang selatan
dan 107.12 bujur timur, data koordinat lokasi
pengukuran tersebut menjadi titik pusat
simulasi.
111
Gambar 1. Lokasi pengukuran data di kawasan

industri Jababeka, Cikarang
Data parameter cuaca yang digunakan untuk

masukan model Hysplit4.9 menggunakan
luaran WRF resolusi 9 km sedangkan sebagai
data pembanding digunakan data observasi
seperti; kecepatan dan arah angin, mixing
height layer, dan indeks stabilitas Pasquill.
Masukan data parameter kualitas udara CO dan
PM 10 didapatkan dari data observasi yang
kemudian dikonversi ke laju emisi. Skema
masukan data model Hysplit4.9 ditunjukkan
dalam Gambar 2.
angin WRF pada ketinggian 10 meter. Mixing

height adalah lapisan di mana turbulensi aktif
telah dihomogenisasi, yang dihasilkan oleh
angin, pendingin, atau proses penguapan.
Lapisan campuran ini merupakan zona yang
memiliki suhu potensial hampir konstan
dengan kelembaban tertentu dan ketinggian.
Kedalaman lapisan campuran atmosfer dikenal
sebagai ketinggian pencampuran. Nilai ini bisa
didapatkan menggunakan observasi Rason,
atau
dapat
menggunakan
persamaan
Randerson. Dalam kajian ini nilai mixing
height yang digunakan adalah 1500 m (nilai
konstan yang ada di pilihan model Hysplit4.9).
Nilai indeks stabilitas Pasquill didefinisikan
oleh kondisi meteorologi yang berlaku, yaitu;
kecepatan dan arah angin permukaan, waktu
radiasi matahari yang masuk atau persentase
tutupan awan waktu malam hari. Kategorikategori yang paling umum digunakan adalah
kelas Pasquill stabilitas A, B, C, D, E, dan F.
Kelas A menunjukkan kondisi yang paling
tidak stabil atau paling bergejolak dan F kelas
yang menunjukkan kondisi turbulen yang
paling
stabil
[4].
Model
Hysplit4.9
menggunakan nilai indeks Stabilitas Pasquill
kategori A(1) sampai G(7). Pada tabel 1 adalah
indeks Stabilitas Pasquill.
Tabel 1. Indeks Stabilitas Pasquill
Kec. Angin
(m/s)
Siang Hari
(radiasi sinar matahari)
Kuat Sedang
Malam Hari
(kondisi awan)
Lemah Mendung <4/8
Cerah >3/8
<2
A B
23
A B
35
56
CD
>6
Data observasi kecepatan dan arah angin,

mixing height layer, dan nilai indeks Stabilitas
Pasquill selanjutnya di konversi menjadi format
*.bin untuk menjadi masukan
model
Hysplit4.9.
Gambar 2. Skema masukan data model Hysplit4.9
Parameter meteorologi luaran WRF resolusi 9

km dilakukan konversi dengan menggunakan
Hysplit_Converter (proses compiling dan
pembuatan
script
sudah
dilakukan
sebelumnya). Untuk masukan data parameter
meteorologi hasil observasi menggunakan data
kecepatan dan arah angin permukaan yang
diukur pada ketinggian 3 (tiga) meter di atas
permukaan tanah, sedangkan masukan data
Kontaminan pencemar udara yang dilepas dari

cerobong asap, yang biasanya terukur dalam
satuan parts per million by volume atau ppm
(volume) oleh alat uji, perlu diubah menjadi
mass emission rate (laju emisi massa) dalam
satuan kg/jam yang akan digunakan untuk
perhitungan
selanjutnya
menggunakan
persamaan:
112
Dengan
kering adalah laju aliran volumetrik
gas dari cerobong pada kondisi standar (tanpa
pengaruh kelembaban).
Dari persamaan diatas diperoleh data laju emisi
untuk CO sebesar 7.69 kg/jam, sedangkan laju
emisi PM 10 sebesar 67.12 kg/jam.
Proses running model Hysplit menggunakan
asumsi bahwa laju emisi pada simulasi jam ke1 hingga ke-7 adalah konstan dan faktor
bangunan disekitar sumber diabaikan.
Hasil nilai konsentrasi model dari 2 (dua)
masukan data yang berbeda ini dihitung
korelasinya, selanjutnya dibandingkan dengan
data pengukuran untuk mengetahui persentase
kesalahan (percent error) yang terjadi dengan
menggunakan perhitungan sebagai berikut;
E = (a b) x 100%
a
dimana:
a = data hasil pengukuran/observasi
b = data hasil simulasi model
E = persentase kesalahan
(2)

Hasil analisis perbandingan kualitatif simulasi
trayektori yang dihasilkan dari masukan data
WRF dan observasi ditunjukkan pada Gambar
3. Terlihat adanya perbedaan pola arah, hasil
simulasi trayektori WRF bergerak kearah barat
kemudian berbelok turun kearah selatan,
sedangkan hasil simulasi observasi dominan
kearah tenggara. Pola vertikal dari kedua
masukan data ini berada pada ketinggian
dibawah 500 m AGL (above ground level).
Gambar 3. Pola trayektori Hysplit 4.9

menggunakan masukan data WRF (atas) dan
observasi (bawah)
Gambar 4, menunjukkan distribusi partikel CO

dan PM 10 antara masukan data dari WRF dan
observasi yang mempunyai pola hampir sama
dengan trayektorinya. Distribusi partikel dari
WRF terlihat menyebar luas kearah selatan
dengan jumlah total partikel 1858 titik,
sedangkan partikel dari data observasi bergerak
menjauhi sumber dan terkonsentrasi kearah
tenggara dengan jumlah total partikel 1860
titik.
113
Gambar 4. Distribusi partikel menggunakan masukan data WRF (kiri) dan observasi (kanan)
Gambar 5. Pola dispersi CO menggunakan masukan data WRF (A) dan observasi (bawah)
Gambar 6. Pola dispersi PM 10 menggunakan masukan data WRF (atas) dan observasi (bawah)
114
Hasil pola dispersi CO dan PM 10 pada

simulasi jam ke-1, 2, dan 3 menggunakan
masukan data WRF dan data observasi
ditunjukkan padaGambar 5 dan 6. Hasil
simulasi antara dispersi CO pada tanggal 10
Juni 2012 (Gambar 5) menunjukkan sebaran
spasial Hysplit-WRF cenderung bergerak
mengembang dan perlahan menjauhi sumber,
sedangkan Hysplit-obs bergerak kearah
tenggara menjauhi sumber. Nilai konsentrasi
CO maksimal hasil simulasi (ditandai dengan
titik merah) Hysplit-WRF lebih rendah dari
Hysplit-obs. Pada Gambar 6 menunjukkan
pola dispersi PM10, terlihat pola pergerakan
yang hampir sama dengan dispersi CO,
pergerakan
Hysplit-WRF
cenderung
mengembang dan perlahan menjauhi sumber
sedangkan pergerakan Hysplit-obs dominan
kearah tenggara dan semakin menjauhi sumber.
Nilai konsentrasi PM10 maksimal hasil
simulasi Hysplit-obs mempunyai tingkat
konsentrasi yang lebih tinggi dari HysplitWRF.
konsentrasi antara Hysplit-WRF dan Hysplitobservasi untuk parameter CO sebesar -0.08,

sedangkan nilai korelasi parameter PM10
sebesar -0.05. Secara umum dapat disimpulkan
bahwa tingkat konsentrasi yang dihasilkan
model Hysplit4.9 dari masukan data WRF dan
observasi tidak berkorelasi baik.
Untuk mengetahui tingkat kesalahan antara
hasil simulasi model dengan hasil pengukuran
dapat dilihat dari persentase error kesalahan (E)
yang ditunjukkan pada tabel 2.
Dari hasil simulasi CO dan PM10 yang

dihasilkan oleh model Hysplit4.9, kemudian
diambil nilai konsentrasinya di titik 6.29 LS
dan 107.12 BT (lokasi pengukuran) pada
simulasi jam ke-1 hingga ke-7, hasil
perbandingannya ditunjukkan pada Gambar 7.
Gambar 7 menunjukkan tingkat konsentrasi CO
dan PM10 antara masukan data WRF (HysplitWRF) dan data observasi (Hysplit-observasi).
Tingkat konsentrasi CO Hysplit-obs pada
simulasi jam ke-1 dan ke-2 lebih tinggi dari
Hysplit-WRF, namun setelah jam ke-3 tingkat
konsentrasi Hysplit-WRF dominan lebih besar.
Pola yang sama juga berlaku pada konsentrasi
PM10, pada awal simulasi Hysplit-obs
mempunyai kadar konsentrasi yang tinggi dari
Hysplit-WRF.
Hasil
korelasi
tingkat
Gambar 7. Tingkat konsentrasi CO dan PM10

dengan menggunakan masukan data WRF dan
observasi
Tabel 2. Persentase error (E) antara hasil simulasi model dengan hasil pengukuran
E1 : Persentase Error Hysplit-WRF dengan hasil pengukuran

E2 : Persentase Error Hysplit-obs dengan hasil pengukuran
115
Berdasarkan hasil tabel diatas, konsentrasi CO

mempunyai nilai rata-rata E1 sebesar 90.1%
dan E2 sebesar 49.4%, sedangkan konsentrasi
PM10 mempunyai nilai rata-rata E1 sebesar
55.1% dan E2 sebesar 41.6%. Persentase error
terkecil dibawah 50% dimiliki oleh E2 yaitu
Hysplit-obs terhadap hasil pengukuran.
KESIMPULAN
Perbedaan pola trayektori dan dispersi antara
Hysplit-WRF
dan
Hysplit-observasi
disebabkan karena perbedaan ketinggian angin,
dimana masukan data WRF menggunakan
angin level 10 m sedangkan data observasi
menggunakan angin 3 m. Hasil simulasi
konsentrasi CO dan PM10 yang dihasilkan oleh
Hysplit-WRF kurang berkorelasi baik dengan
Hysplit-observasi. Nilai persentase kesalahan
(percent error) dibawah 50% dimiliki oleh
Hysplit-obs dengan hasil pengukuran.
DAFTAR PUSTAKA
[1] Mukono, H.J. (2008). Pencemaran Udara
dan Pengaruhnya terhadap Gangguan
Saluran
Pernapasan.
Surabaya:
AirlanggaUniversity Press.
[2] Djayanti S., Purwanto., Sasongko SB.
(2011) Pengendalian Emisi Gas Buang
Boiler Batubara dengan Sistem
Absorbsi. J. Ilmu Lingkungan. 9(1): 18.
[3] Goyal SK., & Rao CVC (2006). Air

assimilative
capacity-based
environment friendly siting of new
industries - A case study of Kochi
Region,
India.
J.
National
Environmental Engineering. 10 : 1016
[4] Cloquet C., Carignan J., & Libourel G.
(2005).
Atmospheric
Pollutant
Dispersion Around an Urban Area
using Trace Metal Concentration and
Pb Isotopic Compositions in Epiphytic
Lichens. J. Atmospheric Environment.
40: 574-587.
[5] Soedomo, M. (2001). Pencemaran
Udara.Bandung: Penerbit ITB.
[6] Geiger. (1995). The Climate Near the
Ground.
Cambridge:
Harvard
University Press.
[7] Draxler RR. (1998). An Overview of the
Hysplit_4 Modelling System for
Trajectories,
Dispersion,
and
Deposition.
USA:
NOAA
Air
Resources Laboratory, Silver Spring,
Maryland.
[8] Subarna D. (2008). Simulasi Atmosfer
Daerah Padang dan Sekitarnya
Menggunakan Model WRF. Prosiding
Seminar Nasional Fisika. (hal.245).
Bandung: Lembaga Penerbangan dan
Antariksa Nasional.
[9] Mohan M., Bhati S. (2011). Analysis
WRF Model Performance over
Subtropical Region of Delhi, India. J.
Advancesin Meteorology. 10: 13
DISKUSI
[1].
Hadi Suyono:
Bila membandingkan model dan observasi mestinya dengan kriteria yang sama. Di model
menggunakan angin pada ketinggian 10 m, sedangkan observasi menggunakan angin pada
ketinggian 3 m. Tentu saja boundary layer-nya akan berbeda, apakah ada penjelasan mengenai hal
ini?
Input angin menggunakan data observasi yang diperoleh dari perangkat Portable Weather
System (PWS). Idealnya memang angin pada ketinggian 10 m, seperti pada model. Tapi,
karena kendala teknis di lapangan, tinggi maksimal yang bisa dicapai hanya 3 m. Hal ini pula
yang menyebabkan trayektori antara model Hysplit dan WRFCHEM berbeda.
116
KAJIAN BAHAYA GEMPABUMI DI KAB. CILACAP, JAWA TENGAH

MENGGUNAKAN INDEKS KERENTANAN SEISMIK DAN VS30
SEISMICHAZARDASSESSMENTANALYSISIN CILACAP, CENTRAL
JAVAUSINGSEISMICVULNERABILITYINDEX (KG)ANDVS30
Pupung Susilanto, Eddy Hartantyo, Daryono, Drajat Ngadmanto, Boko Nurdiyanto, Siswoyo.
ABSTRAK
Telah dilakukan Kajian Bahaya Gempabumi di Kab. Cilacap, Jawa Tengah Menggunakan Indeks
Kerentanan Seismik (Kg) dan Vs30 oleh Puslitbang Badan Meteorologi Klimatologi dan Geofisika
(BMKG). Penelitian ini bertujuan untuk menganalisis tingkat bahaya gempabumi dengan analisis indeks
kerentanan seismik berdasarkan pengukuran mikrotremor dan analisis Vs30 berdasarkan data gelombang
shear sebagai salah satu usaha mitigasi bencana gempabumi.Survei mikrotremor pada penelitian ini
dilakukan di 156 titik pengukuran yang tersebar di Cilacap dengan grid 500 m x 500 m.Pengukuran
dilakukan menggunakan portable digital seismograph 3 komponen dengan durasi pengukuran selama 30
menit dan frekuensi sampling 100 Hz. Pengolahan data menggunakan metode HVSR(Horizontal to Vertical
Spectrum Ratio) dengan software Geopsy. Hasil keluaran software Geopsy berupa frekuensi resonansi (fo)
dan puncak spectrum mikrotremor (A). Nilai indeks kerentanan seismik (Kg) diperoleh dengan
mengkuadratkan nilai puncak spektrum mikrotremor dibagi dengan frekuensi resonansinya. Sedangkan
pengukuran gelombang shear didapatkan dengan metode Multichannel Analysis of Surface Wave (MASW)
menggunakan DoRemi seismograph 24 chanel dengan jarak offset 5 m, spasi geophone 2 m dan recording
time 2 second. Pengolahan data menggunakan software winMASW untuk menghasilkan kecepatan ratarata gelombang geser sampai kedalaman 30 m (VS30). Penelitian ini juga didukung analisis geolistrik
untuk interpretasi bawah permukaannya.Hasil dari penelitian ini menunjukkan bahwa daerah penelitian
merupakan daerah dengan tingkat bahaya yang cukup tinggi apabila terjadi gempabumi. Hal ini
disebabkan oleh adanya efek tapak lokal yang ditunjukkan dengan sebaran nilai indeks kerentanan seismik
yang tinggi, jenis tanah yang didominasi oleh tanah sedang dan tanah lunak, serta keterdapatan lapisan
akuifer yang jenuh air. Efek bahaya yang lebih tinggi berada di bagian selatan barat sampai tengah dan
berangsur menurun ke arah utara timur dari daerah penelitian.
Kata Kunci : Indeks Kerentanan seismik, VS30, HVSR, MASW
ABSTRACT
Seismic Hazard Assessmenthas been done in Cilacap, Central Java Using Seismic Vulnerability Index (Kg)
and Vs30 by the Research and Development Center, Meteorological, Climatologicaland Geophysical
Agency. The aim of this study is to analyze the level of seismic hazard using seismicvulnerability index
analysis based on microtremor measurement and Vs30 analyze based on shear wave data as one of the
earthquake disaster mitigation efforts. Microtremor surveyon this research conductedat 156 measurement
points scattered in Cilacapwith 500 m x 500 m grid. Measurements were taken using a digital portable
seismograph 3 components with 30 minutes duration measurement and 100 Hz sampling frequency. Data
processing using HVSR(HorizontaltoVertical Spectrum Ratio) with Geopsy software. The output of Geopsy
are a resonance frequency (fo) and the peak spectrum of microtremor (A). Seismic vulnerability index
value (Kg) obtained by squaring the peak value divided by the frequency resonance. While, the shear wave
measurements using Multichannel Analysis of Surface Wave (MASW) method with a 24 channel Doremi
seismograph using 5 m offset distance, 2 m geophone spacing, and 2 second recording time. Data
processing using WinMASW software to generate an average speed of shear waves to depths up to 30
m(VS30). The research was also supported by the analysis of geoelectric for subsurface analysis. The
results of this study indicate that the study area is a fairly high degree of danger in case of earthquakes. It
is caused by the localsite effect as indicated by the distribution of the high value of seismic vulnerability
index, which is dominated by stiff soil and soft soil, and layer of water-saturated aquifer. The higher
danger effect is in the southwest to the middle and gradually decreased to the northeas to the study area.
Keywords : Seismic Vulnerability Index, VS30, HVSR, MASW
117
PENDAHULUAN
Cilacap merupakan salah satu daerah yang
sering merasakan dampak akibat gempabumi
yang terjadi diselatan pulau Jawa. Salah
satunya gempabumi Tasikmalaya yang terjadi
pada tanggal 2 September 2009, dengan
magnitudo 7,3 SR dan kedalaman 30 km yang
dirasakan cukup kuat di Cilacap. Berdasarkan
Laporan harian Pusdalops BNPB tanggal 5
September
2009,
gempabumi
ini
menghancurkan permukiman penduduk di
sebagian wilayah Kabupaten Cilacap, Jawa
Tengah. Lebih dari 1.000 rumah rusak berat
dan ringanserta6.043 orang menjadi pengungsi
(BNPB, 2009).
Gempabumi yang terakhir dirasakan di Cilacap
adalah gempabumi yang terjadi pada 14 Juli
2012.
Berdasarkan
informasi
BMKG,
gempabumi terjadi pada pukul 00:57:04 WIB
dengan magnitudo 5,1 Skala Richter (SR)
dengan pusat gempabumi berlokasi di 8,37
LS dan 109,02 BT atau 103 km tenggara
Cilacap
dengan
kedalaman
10
km.
Gempabumi yang dirasakan sebelumnya
dengan kekuatan yang cukup besar adalah
gempabumi 26 April 2011 dengan episenter
gempabumi berada di 120 km Barat Daya
Cilacap dengan kekuatan 6,3 SR. Gempabumi
lainnya adalah pada 4 April 2011 dengan
Magnitudo 7,1 SR dengan episenter berada di
293 km barat daya Cilacap.
Sementara itu di daerah Cilacap ini banyak
terdapat
instalasi
penting
pemerintah
diantaranya Pertamina Refinery Unit IV
Cilacap dan Pembangkit Listrik Tenaga Uap
(PLTU) Cilacap. Bisa dibayangkan berapa
besar dampak kerugian yang ditanggung
penduduk dan pemerintah bila terjadi
gempabumi yang besar di wilayah Cilacap.
Melihat kenyataan bahwa daerah Cilacap
merupakan salah satu daerah yang rawan
terkena imbas dari bencana gempabumi maka
perlu dilakukan suatu kajian yang terpadu
tentang bahaya gempabumi. Salah satu
pendekatan yang bisa dilakukan adalah dengan
membuat suatu kajian bahaya gempabumi di
daerah Cilacap sebagai usaha mitigasi.
Studi mengenai bahaya gempabumi pernah
dilakukan oleh Puslitbang BMKG. Tahun
2009, dilakukan studi bahaya gempabumi
dengan menggunakan metode multikriteria di
Sukabumi, yang mana penelitian ini
menghasilkan peta dan sistem informasi
kerawanan
bahaya
gempabumi
yang
mengidentifikasi tingkat bahaya di Sukabumi.
Pada tahun 2010 kajian dilakukan di daerah
Bantul, Yogyakarta. Hasil kajian tahun 2010
ini adalah adanya kesesuaian pola antara peta
rasio kerusakan aktual akibat gempabumi
Yogyakarta 26 Mei 2006 dengan peta
kerawanan gempabumi hasil kajian. Pada
tahun 2010 juga dilakukan kajian bahaya
gempabumi
dengan
menggunakan
Probabilistic Seismic Hazard Assessment
(PSHA) di daerah Jawa, Bali, dan Nusa
Tenggara. Sedangkan tahun 2011, dilakukan
kajian bahaya gempabumi di Kota Padang
dengan
menggunakan
analisis
indeks
kerentanan seismik yang didukung analisis
data resistivitas yang mana pola persebaran
indeks kerentanan seismik memiliki kemiripan
dengan persebaran kerusakan rumah akibat
gempabumi Padang 30 September 2009. Pola
penyebaran
kerusakan
rumah
akibat
gempabumi Padang 30 September 2009 yang
terkonsentrasi di beberapa tempat di Kota
Padang merupakan fenomena local site effect
yang disebabkan oleh tingginya indeks
kerentanan seismik pada dataran alluvial di
daerah tersebut.
Pada tahun 2012 ini akan dilakukan kajian
bahaya gempabumi di daerah Cilacap dengan
analisis indeks kerentanan seismik (Kg) dan
analisis kecepatan rata-rata gelombang shear
pada kedalaman 0-30 m (VS30). Penggunaan
analisis VS30 perlu digunakan untuk
mendukung kajian bahaya gempabumi karena
adanya pengklasifikasian jenis-jenis tanah
yang sudah diakui dunia internasional dan
nasional yang memiliki arti penting dalam
penerjemahan kajian bahaya gempabumi.
Kajian bahaya gempabumi menggunakan
analisis Kg, VS30 dan dukungan analisis data
resistivitas daerah setempat, diharapkan dapat
memberikan suatu hasil kajian yang lebih baik
dan lebih detail dari kajian-kajian sebelumnya
serta bermanfaat sebagai acuan dalam
pengembangan wilayah yang aman dari
ancaman bahaya gempabumi pada masa yang
akan datang.
Daerah Cilacap dan sekitarnya bila ditinjau
dari struktur geologi dan tektonik merupakan
zona rendahan dari jalur sesar Citanduy yang
diisi oleh endapan sedimen gravitasi atau
sedimen laut (Simanjuntak,1979 dan Untung,
1986, dalam Soebowo dkk., 2009).
118
Secara geologi dan stratigrafi, daerah Cilacap

telah disusun oleh Asikin,1992 dari tua ke
muda, yang mana satuan tertua yaitu Formasi
Gabon yang disusun oleh bahan hasil kegiatan
gunung api yang terdiri dari breksi gunung api
dengan fragmen andesit sampai basal dan tufa.
Di atas formasi Gabon diendapkan secara tidak
selaras
Formasi
Kalipucang,
Formasi
Pamutuan dan selanjutnya diendapkan Formasi
Halang secara selaras yang merupakan
sedimen turbidit. Formasi ini disusun
perselingan batupasir, batulempung, nafal dan
tuf dengan sisipan breksi. Sedimen kuarter
menindih tidak selaras semua satuan di atas. Di
daerah Cilacap dan sekitarnya, endapan kuarter
tertutup oleh alluvial yang terdiri dari
lempung, lanau, pasir, kerikil, dan kerakal
(Soebowo dkk., 2009).
Pada saat terjadi gempabumi, ditinjau dari
tingkat kerusakan tidak hanya tergantung pada
magnitudo gempabumi dan jaraknya dengan
episenter, tetapi juga sangat dipengaruhi oleh
kondisi geologi lokal (Zaslavski et al., 2000).
Fenomena semacam ini dikenal sebagai local
site effect akibat gempabumi. Fenomena local
site effect terjadi akibat adanya kontras
impedansi akibat adanya lapisan material
sedimen halus di atas batuan dasar (Zaharia et.
al., 2008). Saat terjadi gempabumi, pada
lapisan sedimen permukaan terjadi multi
refleksi gelombang seismik antara batuan
dasar dan lapisan sedimen permukaan
(Tuladhar, 2002).
Salah satu metode yang cukup ekonomis dan
efektif untuk mengkaji karakteristik dinamik
tanah penyebab terjadinya local site effect saat
gempabumi adalah analisis data mikrotremor
menggunakan Metode Horizontal to Vertical
Spectrum Ratio / HVSR (Nakamura et. al.,
2000; Nakamura, 2008).
Metode HVSR menghasilkan sebuah spektrum
mikrotremor dengan puncak spektrum pada
frekuensi resonansinya. Frekuensi resonansi
(fo) dan puncak spektrum H/V (A) merupakan
parameter yang mencerminkan karakteristik
dinamik lapisan tanah permukaan (Nakamura
et al., 2000). Metode HVSR didasarkan pada
perbandingan antara amplitudo spektral
komponen horisontal terhadap komponen
vertikal (Nakamura, 1989). Perbandingan
spektral antara komponen horizontal dan
komponen vertikal dihitung dengan:
H /V ( f )
Aeast ( f ) 2
Anorth ( f ) 2
Avertical ( f )
dimana Aeast , Anorth and Averticalberturut-turut

adalah amplitudo spektral komponen EW
(horisontal
east-west),
komponen
NS(horisontal north-south) dan komponen V
(vertikal).
Analisis
lebih lanjut adalah dengan
menggunakan indeks kerentanan seismik (Kg)
yang mana merupakan indeks yang
menggambarkan tingkat kerentanan lapisan
tanah permukaan terhadap deformasisaat
terjadi gempabumi. Menurut Nakamura
(2000), Nakamura et al. (2000), dan Nakamura
(2008), nilai indeks kerentanan seismik
diperoleh dengan mengkuadratkan nilai
puncak spektrum mikrotremor dibagi frekuensi
resonansinya, yang dirumuskan sebagai:
Hasil
penelitian-penelitian
sebelumnya
menunjukkan bahwa
distribusi
indeks
kerentanan seismik yang tinggi terletak pada
zona kerusakan parah. Ada kemiripan
polaantara nilaiindeks kerentanan seismik dan
rasio kerusakan. Pada lokasi yang terdapat
nilai indeks kerentanan tinggi ternyata juga
mengalami kerusakan yang parah yang
ditunjukkan dengan nilai rasio kerusakan yang
tinggi.
Metode lain yang dapat menggambarkan local
site effect adalah pemetaan nilai VS30. VS30
adalah kecepatan gelombang S (shear) ratarata dari permukaan sampai dengan kedalaman
30 meter. Struktur kecepatan gelombang S
dangkal sampai kedalaman 30 meter
merupakan
parameter
kunci
untuk
mengevaluasi kekerasan bawah permukaan
dangkal dan karakteristik suatu tempat (Sairam
et. al., 2011). Fakta dalam banyak kasus, site
amplification atau goncangan lebih kuat terjadi
pada daerah yang memiliki kecepatan
gelombang S yang rendah.
Nilai VS30 digunakan dalam NEHRP
Provisions dan Uniform Building Code tahun
1997 untuk memisahkan kondisi tanah ke
dalam
kelas-kelas
yang
berbeda.
Pengklasifikasian itu digunakan untuk
menentukan koefisien seismik yang digunakan
pada desain bangunan tahan gempabumi
dengan asumsi bahwa kondisi tanah dalam
kelas yang sama akan merespon yang sama
pula terhadap efek gempa (Brown, 2000).
119
Nilai VS30 dapat dihitung dengan persamaan

berikut :
(1)
dimana hi dan vi adalah ketebalan (dalam
meter) dan kecepatan gelombang S dari
formasi atau lapisan, pada kedalaman kurang
dari 30 m (Kanli et. al., 2006).
Pemetaan kecepatan gelombang S ini dapat
dilakukan dengan menganalisis getaran
gelombang permukaan dengan melakukan
akuisisi data lapangan dan melakukan inversi
perambatan gelombang menjadi pelapisan
medium yang mengandung gelombang S (Park
et. al., 1999). Pada umumnya, ada dua teknik
untuk analisis terhadap gelombang permukaan
yaitu Spectral Analysis of Surface Waves
(SASW) dan Multichannel Analysis of Surface
Waves (MASW) (Kanli et. al., 2006)
MASW adalah metode non-invasive yang
dikembangkan
untuk
memperkirakan
gambaran kecepatan gelombang S dari energi
gelombang permukaan (Sairam et. al., 2011).
Tinjauan lainnya menjelaskan bahwa metode
MASW merupakan metode yang cepat untuk
mengevaluasi gambaran kecepatan gelombang
S (VS) dekat pemukaan karena semua
kedalaman yang diinvestigasi tercakup oleh
satu atau beberapa turunan groundroll tanpa
merubah konfigurasi receiver (Park et.al.,
1997).
Jenis gelombang yang digunakan dalam
metode MASW adalah gelombang groundroll
atau gelombang rayleigh. Gelombang rayleigh
adalah salah satu jenis dari gelombang
permukaan yang terbentuk akibat interferensi
gelombang-gelombang pantul P dan SV yang
sudut datangnya melebihi sudut kritis
(Afnimar, 2009). Gerak partikel medium
ketika dilewatinya berbentuk elips yang
merupakan kombinasi dari gerak partikel
gelombang P dan SV. Amplitudonya juga akan
turun terhadap kedalaman. Gelombang
permukaan bersifat dispersif, yang mana
kecepatan gelombangnya tergantung pada
frekuensinya. Semakin besar frekuensinya
semakin kecil kecepatannya dan penetrasinya
kedalamannya
semakin
dangkal
dan
sebaliknya (Afnimar, 2009).
Dalam teknik MASW, proses analisisnya
menggunakan plot kurva dispersi dari
gelombang rayleigh ini. Kurva dispersi adalah

plot data yang terdiri atas frekuensi dan phase
velocities. Kecepatan gelombang S (VS)
ditentukan berdasarkan kurva dispersi. Oleh
karena itu penentuan yang akurat dari kurva
dispersi adalah bagian paling penting
pengaruhnya terhadap akurasi dari gambaran
kecepatan gelombang S (VS).
Secara umum tujuan penelitian ini adalah
untuk meningkatkan informasi BMKG di
bidang geofisika sebagai upaya mitigasi
gempabumi dan tsunami. Sedangkan sasaran
yang ingin dicapai adalah pembuatan kajian
tingkat bahaya gempabumi berdasarkan
analisis indeks kerentanan seismik (Kg),
analisis VS30 dan geolistrik resistivitas pada
derah penelitian di Kabupaten Cilacap, Jawa
Tengah.
METODE PENELITIAN
Secara umum metode pelaksanaan penelitian
ini seperti terlihat pada Gambar 1. berikut ini.
Gambar 1. Alur penelitian.
Pengumpulan
data
dilakukan
dengan
melakukan proses pengukuran di lapangan,
yaitu sebagai berikut :
Survei mikrotremor di 156 titik dengan grid
500 m x 500 m (Gambar 2.a.) menggunakan
seismometer periode pendek tipe TDL-303 (3
komponen) dengan frekuensi sampling 100 Hz
selama 30 menit.
120
Survei VS30 di 32 titik yang tersebar di daerah

Cilacap (Gambar 2.b.) menggunakan DoRemi
Seismograph dengan 24 geophone 4,5 Hz.
Pengukuran ini menggunakan spasi antar
geophone (dx) 2 meter, jarak offset (x1) 5
meter dan recording time 2 second.
Gambar 3. a). Metode Horizontal to Vertical

Spectrum Ratio (SESAME European Research
Project, 2004). b) Kurva dispersi; c) hasil inversi
dari kurva dispersi (winMASW user manual, 2012)
Gambar 2. a). Titik pengukuran mikrotremor, b).
Titik pengukuran MASW (VS30) dan geolistrik.
Survei resistivitas di 33 titik pengukuran

(Gambar 2.b.) yang tersebar di daerah Cilacap
menggunakan Automatic Resistivitymeter
(ARES) dengan 32 elektroda dengan
konfigurasi Schlumberger.
Pengolahan data mikrotremor dengan metode
HVSR menggunakan software Geopsy.
Selanjutnya nilai indeks kerentanan seismik
(Kg) dihitung berdasarkan nilai frekuensi
resonansi (fo) dan puncak spektrum H/V (A)
(Gambar 3.a.)
Pengolahan data VS30 menggunakan software
winMASW. Secara umum pengolahan ini
terdiri atas tiga tahap utama: proses akuisisi
data ground roll (gelombang rayleigh),
pembuatan kurva dispersi (Gambar 3.b.) dan
inversi dari kecepatan gelombang S dari
perhitungan kurva dispersi (Gambar 3.c.).
Pengolahan data resistivitas menggunakan

software RES2Dinv dan Progress 3.0.
Selanjutnya, berdasarkan data keluaran dari
masing-masing metode dilakukan proses
pembuatan peta sebaran nilai fo, Kg dan VS30
menggunakan software ArcView 3.3. dan
pembuatan
profil
bawah
permukaan
berdasarkan data VS dan resistivitas. Proses
selanjutnya dilakukan analisis hasil serta
pembahasan
adalah sebagai berikut: Data mikrotremor
sebanyak 156 titik pengukuran, data VS30
sebanyak 32 titik pengukuran, data resistivitas
sebanyak 33 titik pengukuran, Peta Rupa Bumi
Kab.Cilacap, skala 1:25.000 sebagai peta dasar
dalam pembuatan peta, data sekunder lainnya.
Daerah penelitian meliputi Kec. Cilacap
Selatan, Kec. Cilacap Tengah, Kec. Cilacap
Utara, dan Kec. Jeruk Legi dengan koordinat
7.62 7.75 LS dan 108.98 109.09 BT
(Gambar 4.).
121
3.4. Pada beberapa lokasi pengukuran

ditemukan puncak spektum sangat rendah
bahkan cenderung datar. Nilai rata-rata
frekuensi resonansi yang tinggi ini secara fisis
menggambarkan adanya keterdapatan lapisan
sedimen yang sangat tipis pada satuan bentuk
lahan perbukitan struktural.
Gambar 4. Lokasi Penelitian

Analisis Data Mikrotremor
Analisis
spektrum
mikrotremor
hasil
pengolahan menggunakan metode HVSR di
daerah penelitian memperlihatkan adanya
kecenderungan perubahan bentuk mengikuti
kondisi
geomorfologis.
Berdasarkan
karakteristiknya, spektrum mikrotremor di
daerah pesisir Cilacap bagian selatan
menunjukkan frekuensi resonansi yang relatif
rendah, yaitu berkisar antara 0.6 1 Hz.
Spektrum mikrotremor di daerah ini selain
memiliki frekuensi yang rendah juga memiliki
puncak spektrum yang relatif tinggi sekitar 3.4
7.3. Secara geomorfologis daerah ini
tersusun oleh satuan bentuklahan dataran
alluvial dan dataran fluviomarin. Frekuensi
resonansi yang rendah ini secara fisis
berkorelasi dengan keterdapatan lapisan
sedimen yang sangat tebal di Cilacap bagian
selatan.
Daerah Cilacap bagian tengah sebagian besar
merupakan
dataran
alluvial.
Kondisi
geomorfologis semacam ini masih tersusun
oleh lapisan sedimen yang tebal. Karakteristik
spektrum di daerah ini tampak memiliki
frekuensi yang lebih tinggi yaitu antara 0.8
1.2 Hz, dengan puncak spektrumnya sedikit
lebih rendah jika dibandingkan dengan
wilayah pesisir Cilacap bagian selatan. Nilai
frekuensi resonansi yang tergolong agak tinggi
di zona ini secara fisis menggambarkan adanya
keterdapatan material alluvial dengan batuan
dasar yang tidak terlalu dalam.
Kondisi geomorfologis daerah Cilacap bagian
utara secara umum cukup bervariasi, yaitu
kombinasi antara dataran struktural dan
dataran alluvial dengan batuan dasar yang
dangkal. Spektrum mikrotremor di daerah ini
sebagian besar memiliki frekuensi yang relatif
tinggi, yaitu antara 1.2 1.9 Hz dengan
puncak spektrum yang rendah, antara 1.5
Hasil penelitian di daerah Cilacap ini memiliki

persamaan dengan penelitian yang dilakukan
Nakamura (2000), Nakamura, et. al. (2000),
dan Nakamura (2008). Adanya variasi
spektrum
mikrotremor
pada
kondisi
geomorfologis
yang berbeda
memberi
gambaran adanya perbedaan karakteristik
kerentanan seismik pada masing-masing
daerah. Penelitian Petermans et. al. (2006)
sudah melakukan pengukuran mikroktemor
pada beberapa kondisi geomorfologis.
Karakteristik spektrum mikrotremor berubah
mengikuti kondisi geomorfologis. Spektrum
mikrotremor di zona batuan dasar yang
dangkal memiliki karakteristik frekuensi
resonansi tinggi dengan puncak spektrum
rendah. Di dataran aluvial yang tersusun oleh
material alluvium tebal, spektrum mikrotremor
memiliki karakteristik frekuensi resonansi
rendah dengan puncak spektrum tinggi.
Menurut Mukhopadhyay dan Borman (2004),
adanya
variasi
spektrum
mikrotremor
dipengaruhi oleh kondisi litologi dan ketebalan
sedimen. Menurut Ventura et. al. (2004),
rendahnya nilai frekuensi resonansi disebabkan
oleh tebalnya material sedimen halus di
dataran aluvial, sedangkan tingginya frekuensi
resonansi disebabkan oleh tipisnya lapisan
sedimen pada singkapan batuan dasar. Di
daerah Cilacap, rendahnya frekuensi resonansi
disebabkan oleh tebalnya endapan sedimen
yang diangkut oleh aliran Sungai Donan dan
Sungai Serayu, serta adanya timbunan pasir
akibat aktivitas marin.
Persebaran Spasial Frekuensi Resonansi
Hasil analisis menggunakan metode HVSR
untuk menentukan nilai frekuensi resonansi
(fo) menghasilkan persebaran spasial nilai
frekuensi resonansi pada daerah penelitian di
Kab. Cilacap (Gambar 5.a.). Hasil penelitian
menunjukkan bahwa frekuensi resonansi di
daerah penelitian berkisar antara 0,6 hingga
1,9 Hz. Persebaran nilai frekuensi resonansi
kurang dari 1,0 Hz sebagian besar tersebar di
daerah pesisir pantai selatan Cilacap dan
disepanjang tepi Sungai Donan, mencakup
122
daerah Manganti bagian selatan, Karang

Kandri bagian selatan, Tegalkamulyan, Teluk
Penyu, dan Tambak Reja.
a.
Frekuensi resonansi memiliki hubungan

dengan ketebalan sedimen (Petermans et. al.,
2006; Tuladhar, 2002). Seperti halnya
dikemukaan oleh Parolai et. al. (2001) dan
Isicico (2004), bahwa semakin dalam batuan
dasar maka frekuensi resonansinya semakin
rendah, sebaliknya semakin dangkal batuan
dasar maka frekuensi resonansinya semakin
tinggi. Menurut Bard (2000), hubungan antara
frekuensi resonansi dengan ketebalan sedimen
membentuk sebuah hubungan berbanding
terbalik. Hubungan antara frekuensi resonansi
dengan ketebalan sedimen dinyatakan dalam
persamaan fo=Vrata-rata/4H; fo adalah frekuensi
resonansi,
Vrata-rata
adalah
rata-rata
kecepatan gelombang S, H adalah tebal
sedimen (Gambar 5. b.).
b.
Variasi Indeks Kerentanan Seismik
Gambar 5.
a. Persebaran spasial frekuensi
resonansi di daerah Cilacap. b. Model batuan dasar
secara kualitatif berdasarkan data nilai frekuensi
resonansi.
Tampak bahwa daerah Cilacap bagian selatan

secara kualitatif memiliki batuan dasar yang
lebih dalam jika dibandingkan dengan daerah
Cilacap bagian utara.Frekuensi resonansi di
daerah transisi antara kawasan pesisir dan
dataran tinggi Cilacap bagian utara, berkisar
antara 1,0 dan 1,5 Hz. Daerah transisi ini
mencakup sebagian besar bagian tengah dari
daerah penelitian yang membujur dan berarah
barat-timur. Daerah ini meliputi Mertasinga,
Karang Talun, Sidanegara, Lomanis, Gunung
Simping, Kebon Manis, Manganti, dan
Gumilir.
Nilai frekuensi resonansi yang relatif tinggi
terkonsentrasi di dataran tinggi Cilacap bagian
utara. Nilai frekuensi resonansi di daerah ini
kebanyakan di atas 1,5 Hz. Daerah pengukuran
mikrotremor yang menghasilkan frekuensi
resonansi di atas 1,5 Hz ini mencakup daerah
Tritih Kulon, Mertasinga bagian utara, dan
Karang Kandri bagian utara.
Hasil analisis data mikrotremor juga

menghasilkan nilai indeks kerentanan seismik
(Kg) pada daerah penelitian di Kab. Cilacap.
Indeks kerentanan seismik di zona ini berkisar
antara 1,5 dan 53,6. Peta persebaran spasial
indeks kerentanan seismik berdasarkan
mikrotremor disajikan pada Gambar 6.a.
Dengan
menggunakan
batasan
indeks
kerentanan yang pernah dilakukan Nakamura,
2008 di District Marina, San Fransisco, maka
dapat diklasifikasikan batasan nilai Kg, yaitu
nilai rendah berkisar 0 10, sedang 10 40,
dan tinggi diatas 40 (Gambar 6.b.).
Nilai indeks kerentanan seismik di atas 10,0
sebagian besar tersebar di tepi Sungai Donan
dan di sepanjang pesisir pantai selatan Cilacap.
Persebaran indeks kerentanan seismik yang
relatif sedang sampai tinggi ini mencakup
daerah Karang Talun, Lomanis, Tambakreja,
Teluk Penyu, dan Karang Kandri bagian
selatan.
Indeks kerentanan seismik yang relatif rendah
kurang dari 10 terdapat di sebagian besar
bagian utara Cilacap dan beberapa kawasan
bagian tengah Cilacap. Daerah ini meliputi
daerah Mertasinga, Menganti, Karang Kandri,
Tritih Kulon, Gumilir, Kebon Manis, Tegal
Kamulyan, Sidakaya, Sidanegara, Tegalreja,
Donan dan Gunung Simping serta Lomanis
bagian timur. Adanya variasi indeks
kerentanan seismik di daerah penelitian ini
menunjukkan ketidakhomogenan material
penyusun serta adanya variasi ketebalan
sedimen di setiap daerah penyusunan. Adanya
variasi indeks kerentanan seismik hasil
123
penelitian secara umum sudah menunjukkan

perubahan
sesuai
dengan
kondisi
geomorfologisnya.
Hal serupa juga dinyatakan Gurler et. al.

(2000), bahwa indeks kerentanan seismik
tinggi terdapat pada jalur aliran sungai,
kawasan reklamasi, dan bekas rawa. Indeks
kerentanan seismik menurun setelah memasuki
perbukitan yang tersusun oleh batuan yang
lebih keras. Fakta ini yang mendasari
kesimpulan bahwa indeks kerentanan seismik
terkait dengan variasi relief dan jenis material
penyusun.
Variasi Nilai VS30 di daerah Cilacap
Gambar 6. a. Peta persebaran nilai Indeks

Kerentanan Seismik (Kg) di daerah penelitian.
b. Indeks kerentanan seismik di San Fransisco
(Nakamura, 2008).
Indeks kerentanan seismik secara lateral

berkaitan dengan kondisi geologis dan
geomorfologis. Indeks kerentanan seismik
tinggi berhubungan dengan satuan bentuk
lahan asal fluvial, sedangkan indeks
kerentanan seismik rendah berhubungan
dengan satuan bentuklahan asal struktural.
Pendapat serupa dikemukakan oleh Nakamura
(2008) dalam penelitiannya di distrik Marina,
San Francisco. Distrik Marina merupakan
kawasan kerusakan parah saat gempabumi
Loma Prieta 1989. Daerah pantai yang
merupakan dataran aluvial dan reklamasi
dengan indeks kerentanan tinggi mengalami
kerusakan parah. Indeks kerentanan seismik
mengecil setelah memasuki daerah transisi dan
perbukitan yang tidak mengalami kerusakan.
Hasil analisis VS30 dari pengukuran MASW

ditampilkan dalam Gambar 7. Nilai VS30 pada
daerah penelitian di Kab. Cilacap berkisar
antara 153 - 355 m/s. Nilai terendah (153 m/s)
berada di wilayah Karang Talun dan nilai
tertinggi (355 m/s) terukur di wilayah Jeruk
Legi. Berdasarkan peta persebaran nilai VS30di
daerah penelitian menunjukkan bahwa tanah di
daerah penelitian ini termasuk jenis tanah
lunak, tanah sedang, dan tanah keras (Tabel 1).
Secara umum terlihat bahwa daerah yang
memiliki nilai relatif tinggi tersebar di bagian
utara dan selatan dari daerah penelitian, yang
meliputi daerah Jeruk Legi, Tambakreja,
Tegalreja, Sidakaya dan Kel. Cilacap.
Sementara nilai-nilai relatif rendah tersebar di
bagian tengah daerah penelitian, yang meliputi
daerah
Lomanis,
Sidanegara,
Gunung
Simping, Kebon Manis, Karang Talun, Tritih
Kulon, Gumilir, Mertasinga bagian selatan,
Menganti bagian selatan dan Karang Kandri
bagian selatan.
Gambar 7. Peta persebaran nilai VS30di daerah

penelitian. Garis merah menunjukkan sayatan
melintang dari selatan ke utara.
124
Tabel 1.Klasifikasi site didasarkan atas korelasi

penyelidikan tanah lapangan dan laboratorium (SNI
03-1726-2002).
Jenis Tanah
Tanah Keras
Tanah Sedang
Tanah Lunak
Tanah Khusus
Vs (m/dt)
N - SPT
Vs 350
N > 50
175 < Vs 350
15 N 50
Vs 175
N < 15
Atau setiap profil dengan tanah lunak
yang tebal total lebih dari 3 m dengan
Pl >20, Wn 40% dan Su < 25 kPa
Diperlukan evaluasi khusus di setiap
lokasi
Hasil sebaran nilai VS30 ini menunjukkan

bahwa daerah penelitian di Kab. Cilacap
merupakan daerah yang rawan apabila terjadi
gempabumi. Hal ini ditandai dengan sebaran
nilai VS30 yang rendah. Nilai VS30 yang rendah
ini menunjukkan bahwa daerah penelitian
merupakan daerah dengan sedimen yang tebal.
Menurut Sairam et.al.,(2011), kerusakan
dikarenakan gempabumi umumnya lebih besar
pada sedimen lunak daripada singkapan
bedrock. Fakta pada banyak kasus site
amplification atau guncangan lebih kuat pada
area dengan kecepatan gelombang geser yang
rendah atau pada sedimen yang tebal.
Untuk melihat lebih jauh kondisi bawah
permukaan daerah penelitian, dibuat sayatan
melintang dari selatan ke utara pada data
kecepatan gelombang shear (VS) yaitu dari
titik
CLP_4,
CLP_3,
CLP_2,
CLP_31,CLP_32, CLP_33, CLP_29, CLP_18
sampai CLP_17. Hasil sayatan ditampilkan
pada Gambar 8, tampak bahwa berdasarkan
profil jenis tanah, terlihat bahwa bagian selatan
daerah penelitian terdiri dari tanah lunak dan
tanah sedang, sementara di bagian utara
ditemukan tanah keras. Tanah keras ini
diperkirakan merupakan satuan batuan dalam
Formasi Halang. Hal tersebut bersesuaian
dengan penelitian tentang tektonik yang
mengatakan bahwa secara struktur geologi dan
tektonik daerah Cilacap merupakan zona
rendahan dari jalur sesar Citanduy yang diisi
oleh endapan sedimen gravitasi atau sedimen
laut (Simanjuntak,1979 dan Untung, 1986,
dalam Soebowo dkk., 2009), yang dibatasi
oleh tinggian Nusakambangan dan Jeruk Legi
(Sujanto dan Roskamil,1975, dalam Soebowo

dkk.,2009). Hal ini juga dikuatkan dengan
penelitian tentang geoteknik yang dilakukan
oleh Soebowo dkk. (2009) yang menyatakan
bahwa sifat keteknikan tanah di daerah Cilacap
dicirikan material sangat lepas hingga agak
padat dengan N-SPT 0-30. Sedangkan tanah
sangat padat dengan N-SPT >50 ditemukan di
bagian utara yaitu daerah Jeruk Legi.
Hasil analisis resistivitas dari pengukuran
geolistrik
ditampilkan
dalam
bentuk
penampang
melintang
lapisan
bawah
permukaan dari selatan ke utara daerah
penelitian (Gambar 9). Nilai resistivitas di
daerah penelitian berkisar antara 0,2 690
m. Berdasarkan contoh beberapa nilai
resistivitas batuan, material tanah dan bahan
kimia (Tabel 2.) yang dilakukan Keller dan
Frischknecht (1966) dan berdasarkan informasi
geologi hasil penelitian Praptisih, dkk. (2001)
dan Soebowo, dkk. (2009) maka nilai
resistivitas yang terukur di daerah penelitian
menunjukkan litologi berupa pasir, tanah,
lempung, lanau dan tufaan yang berfungsi
sebagai lapisan permeable dan semipermeable.
Tabel 2. Resistivitas batuan, mineral dan bahan
kimia (Keller dan Frischknecht, 1966).
MATERIAL
Batuan
Beku
dan
metamorf
Granite
Andesite
Basalt
Slate
Marble Quartzite
Batuan Sedimen
Sandstone
Shale
Limestone
Tanah dan Air
Clay
Alluvium
Groundwater (fresh)
Sea water
Bahan Kimia
Iron
0.01
M
Potassium
chloride
0.01 M Sodium chloride
0.01 M acetic acid
Xylene
RESISTIVITAS ( m)
5x103 - 106
1.7x102 (dry) 4.5x104 (wet)
103- 106
6x102- 4x107
102- 2.5x108
102- 2x108
8 - 4x103
20 - 2x103
50 - 4x102
1 - 100
10 - 800
10 - 100
0.2
9.074x10-8
0.708
0.843
6.13
6.998x1016
125
Gambar 8. Penampang melintang jenis tanah berdasarkan nilai VS di daerah penelitian dengan sayatan dari
selatan ke utara
Nilai resistivitas tinggi terdapat pada lapisan

atas di bagian selatan daerah penelitian (titik
CLP_4 dan CLP_3), dengan kedalaman
mencapai 3,6 meter. Lapisan dengan nilai
resistivitas tinggi ini merupakan lapisan pasir
pantai. Lapisan di bawahnya mempunyai nilai
resistivitas 17 85 m, lapisan ini muncul di
permukaan mulai CLP_2 ke utara hingga
CLP_18. Lapisan dengan resistivitas ini
diinterpretasikan sebagai aluvium (soil).
Lapisan di bawah soil merupakan lapisan
akuifer berupa pasir dengan nilai resistivitas
antara 2,27 14 m yang menerus dari selatan
ke utara. Ketebalan lapisan ini bervariasi
dengan bagian tengah tebal. Tebalnya lapisan
pasir di bagian tengah ini menurut Praptisih
(2001) kemungkinan adanya gejala amblesan
atau adanya zona sesar dari sistem sesar besar
Citanduy, ke arah utara ketebalan lapisan pasir
cenderung menipis. Hal ini ditafsirkan sebagai
batas transisi antara endapan kuarter dan
endapan tersier dari Formasi Halang bagian
atas.
Di bagian bawah satuan pasir berupa lempung
dengan nilai resistivitas antara 0,2 3,5 m
yang berperan sebagai lapisan kedap air
(semipermeable). Lapisan lempung ini
merupakan satuan lempung tufaan dari
Formasi Halang bagian atas (Praptisih, dkk.,
2001).
Lapisan berikutnya
merupakan
perselingan napal tufaan, pasir tufaan sisipan
batupasir dan lanau dengan nilai resistivitas 10
m, 25 95 m, 4 30 m yang merupakan
satuan batuan dari Formasi Halang.
Bila ditinjau secara keseluruhan, hasil analisis
mikrotremor memiliki keselarasan dengan
hasil analisis bawah permukaan yang
didapatkan dari penelitian VS30 dan geolistrik.
Berdasarkan
persebaran
nilai
indeks
kerentanan seismic, pada daerah penelitian di
Kab. Cilacap memiliki tingkat bahaya yang
cukup tinggi bila terjadi gempabumi. Bahaya
yang lebih besar terdapat pada bagian selatan
daerah penelitian, sepanjang sungai Donan dan
pesisir pantai selatan daerah penelitian. Hal ini
didukung dengan variasi persebaran nilai VS30
yang menunjukkan di daerah penelitian
sebagian besar terdiri dari tanah sedang.
Sedangkan tanah keras terdapat di bagian utara
(Jeruk Legi). Dengan melihat profil melintang
bawah permukaan dari selatan ke utara daerah
penelitian, terlihat sedimen yang cukup tebal
sampai hampir 30 m di bagian selatan dan
menipis kearah utara yang diendapkan diatas
lapisan keras dari formasi Halang. Berdasarkan
nilai VS, sedimen tersebut terdiri dari tanah
lunak dan tanah sedang. Sedangkan, bila
dilihat dari nilai resistivitas batuan,
menunjukkan bahwa pada lapisan sedimen
tersebut ditemukan lapisan akuifer yang jenuh
air. Lapisan ini memanjang dari utara ke
selatan dengan bagian tengah yang relatif
tebal.
Berdasarkan
informasi
geologi
(Praptisih, dkk., 2001; Soebowo, dkk., 2009),
lapisan tanah sedang yang jenuh air tersebut
merupakan lapisan tanah berupa pasir atau
lanau dan lapisan bersifat lepas (tidak padat),
sehingga di beberapa wilayah penelitian
mempunyai potensi yang besar terjadi
likuifaksi. Hal ini sesuai dengan hasil
penelitian Soebowo, et.al., 2010 di daerah
Padang, bahwa gambaran geologi pesisir yang
dicirikan oleh endapan pasir yang lepas
(unconsolidated),
kerikil
dengan
ketidakmenerusan lapisan lanau dan lempung
dan beberapa tempat jenuh air menyebabkan
mudah mengalami kerusakan akibat likuifaksi.
126
Gambar 9. Penampang melintang lapisan bawah permukaan berdasarkan nilai resistivitas batuan
Hasil kajian bahaya gempabumi di wilayah

Cilacap
menggunakan
analisis
indeks
30
kerentanan seismik dan VS
serta data
geolistrik merekomendasikan pengembangan
wilayah ke arah utara timur daerah penelitian
yang mempunyai tingkat bahaya relatif rendah.
KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian
ini adalah sebagai berikut : daerah penelitian
merupakan daerah dengan tingkat bahaya yang
cukup tinggi apabila terjadi gempabumi. Hal
ini disebabkan oleh adanya efek tapak lokal
yang ditunjukkan dengan sebaran nilai indeks
kerentanan seismik yang tinggi, jenis tanah
yang didominasi oleh tanah sedang dan tanah
lunak, serta keterdapatan lapisan akuifer yang
jenuh air. Efek bahaya yang lebih tinggi berada
di bagian selatan barat sampai tengah dan
berangsur menurun ke arah utara timur dari
daerah penelitian. Nilai indeks kerentanan
yang tinggi di daerah Cilacap ini berhubungan
dengan jenis tanah lunak sampai sedang
berdasarkan nilai VS30 dan keterdapatan
lapisan akuifer yang jenuh air.Pengembangan
wilayah direkomendasikan ke arah utara timur
dari daerah penelitian.
DAFTARPUSTAKA
Afnimar.2009. Seismologi.Institut Teknologi
Bandung. Bandung
Badan Nasional Penanggulangan Bencana.
2009. Laporan Harian Pusdalops 5
September
2009.
Jakarta:
www.bnpb.go.id.
Bard, P.Y. 2000. Local effects of strong

ground motion: Physical basis and
estimation
methods
in
view
of Microzonation Studies, Lecture note
in International Training Course
Seismology, Seismic Data Analysis,
Hazard Assessment and Risk Mitigation,
Postdam, Germany.
Brown,L.T., Diehl,J.G.,and Nigbor,R.L.2000.A
Simplified Procedure To Measure
Average Shear-Wave Velocity To A
Depth of 30 Meters (Vs30), 12 WCEE
2000.
Gurler,E.D.,Nakamura,Y.,Saita,
J.,Sato,T.2000. Local site effect of
Mexico City based on microtremor
measurement.
6thInternational
Conference on Seismic Zonation, Palm
Spring Riviera Resort, California, USA,
pp.65.
Isicico, E. 2004. Report Individual Training
Course
"
Seismic
Microzonation",Institute of Geophysics
and Geology Moldavian Academy of
SciencesKanli,A.I., Tildy,P., Prionay,Z.,
Pinar,A., Hermann, L., 2006. Vs30
Mapping and Soil Classification For
Seismic Site Effect Evaluation in Dinar
Region, SW Turkey, Geophys,J. Int.,
165,223-235.
Keller G.V. dan Frischknecht F.C. 1966.
Electrical Methods In Geophysical
Prospecting. Pergamon Press Inc.,
Oxford.
Mukhopadhyay dan Borman. 2004. Low cost
seismic
microzonation
usingmicrotremor data: an example
from Delhi, India.
127
Nakamura, Y.2000. Clear Identification of

Fundamental Idea of Nakamuras
Technique and Its Application. World
Conference of Earthquake Engineering.
Nakamura, Y.2008. On The H/V Spectrum.
The 14th World Conference on
Earthquake
Engineering,
Beijing,
China.
Park, C.B., Miller,R.D., and Xia, J.1997.
Multi-Channel Analysis of Surface
Wave (MASW) : A Summary Report of
Technical
Aspects,
Experimental
Results, and Perpective, Kansas
Geological Survey.
Park, C.B., Miller,R.D., and Xia, J.1999.
Multi-Channel Analysis of Surface Wave
(MASW).Geophysics, Vol.64 No.3 MayJune 1999.
Parolai, S., Mucciarelli, M., Gallipoli, R.,
Richwalski, S.M., Strollo, A. 2007.
Comparisonof Empirical and Numerical
Site Responses at the Tito Test Site,
Southern Italy. Bulletin of the
Seismological Society of America, 97, 5,
1413-1431.
Petermans, T., Devleeschouwer, X., Pouriel, F.
& Rosset, P.2006. Mapping the local
seismic hazard in urban area of Brussel,
Belgium. IAEG Paper number 424.
Praptisih, Soebowo,E.,Rachmat, A.Widodo,.
Irianto, B. 2001. Geologi Kuarter di
Daerah Cilacap dan sekitarnya. Laporan
Penelitian, UPT- Laboratorium Alam
Geologi Karangsambung-LIPI.
Sairam,B.,Rastogi,B.K.,
Aggarwal,S.,Chauhan,M.,
and
Bhonde,U.,2001.
Seismic
Site
Characterization Using VS30 and Site
Amplification in Gandhinagar Region,
Gujarat, India. Current Science Vol.
100, No. 5, 10 March 2011.
SESAME European Research Project, 2004,
Guidelines For The Implementation of
The H/V Spectral Ratio Technique on
Ambient
Vibrations,
Europen
Commision-Research
General
Directorate.
Soebowo,E., Tohari,A., Kumoro, Y., dan

Daryono,
M.R.
2009.Sifat
KeteknikanBawah
Permukaan
di
Daerah Pesisir Cilacap, Provinsi Jawa
Tengah,Bulletin
Geologi
Tata
Lingkungan, Vol.19 No.2 Agustus 2009.
Soebowo, E., Anwar, H.Z., Tohari, A.,
Wibowo, S., Sarah, D., dan Subardja, A.
2010.Kajian Kerentanan Likuifaksi dan
Keteknikan Bawah Permukaan Pada
Zona Bahaya Gempabumi di daerah
Pesisir Padang, Sumatera Barat,
Laporan Akhir Program Insentif Peneliti
dan Perekayasa LIPI Tahun 2010.
Tuladhar, R., Cuong, N.N.H. and Yamasaki, F.
2004. Seismic Microzonation of
Hanoi, Vietnam Using Microtremor
Observations. Paper No. 2539, 13th,
World Conference on Earthquake
Engineering, Vancouver, B.C., Canada.
Ventura, C.E., Thibert, K.M., Onur, T.2004.
Site Period Using Microtremor
Measurement-Experimental
and
Analytical Studies in British Columbia.
Zaharia, B., Radulian, M., Popa, M., Grecu,
B., Bala, A. and Tataru, D. 2008.
Estimation of the local response using
the Nakamura method for the Bucharest
area. Romanian Report in Physics, Vol.
60, No. 1, P. 131-144.
Zaslavski, Y. Saphira, A. and Arzi, A.A. 2000.
Amplification effects from earthquake
and ambient noise in the Dead Sea Rift
(Israel).
Soil
Dynamics
and
EarthquakeEngineering, 20 (2000) 187207.
Standar Nasional Indonesia. 2002. Tata Cara
Perencanaan Ketahanan Gempa untuk
Bangunan Gedung (SNI 03-1726-2002),
Badan Standardisasi Nasional.
DISKUSI
1. Rahmat Triyono:
Apakah penampang melintang sudah dikorelasikan dengan penampang batuan dari data geologi?
Apakah ada korelasi pada daerah bahaya dari data geologi (jenis batuan) dengan data-data yang
lain?
Penampang melintang (hasil akhir) sudah menggunakan analisis dari data geologi, terutama
dalam penentuan initial model dalam inversi model VS terhadap kedalaman. Misalnya data
geologi yang mengatakan ditemukannya formasi halang yaitu salah satu formasi yang
128
terbentuk pada jaman tertier di bagian utara penelitian, hal tersebut juga ditemukan dari hasil
penelitian dimana bagian utara ditemukan batuan keras dengan kedalaman yang cukup
dangkal yang diinterpretasikan sebagai formasi halang seperti pada data geologi.
2. Bambang SP:
Bagaimana korelasi dari hasil beberapa metode yang digunakan?
Korelasi dari beberapa metode yang digunakan cukup baik dan saling mendukung. Misalnya
dari data fo terlihat di bagian selatan daerah penelitian lebih tebal sedimennya (tanah lunak
sedang) yang mengindikasikan daerah tersebut lebih berbahaya bila terjadi gempabumi,
demikian juga dari data Kg yang memperlihatkan nilai yang lebih tinggi di daerah tersebut,
dan dari data geolistrik ditemukan adanya lapisan aquifer yang merupakan zona lemah bila
terjadi gempabumi.
3. Hendri Subekti:
Sebaiknya peta-peta tematik tersebut dioverlay sehingga kesimpulannya menjadi jelas.
Untuk teknik overlay dari peta-peta tematik, sudah pernah dilakukan pada tahun 2009 dan
2010 dengan teknik SAW (simple adaptive weight) dari beberapa kriteria faktor bahaya
gempabumi. Penelitian tersebut dilakukan di daerah Sukabumi dan Bantul.
4. Taufik Gunawan:
Bagaimana hasil penelitian secara kuantitatif? Daerah mana saja yang mempunyai bahaya lebih
tinggi?
Daerah dengan tingkat bahaya masing-masing sudah dijabarkan dalam laporan lengkapnya
berdasarkan analisis kualitatif.Tingkat kerawanan ini secara kuantitatif berdasarkan pada
kriteria nilai Kg (indeks kerentanan seismik) dari hasil penelitian Nakamura di California,
dimana daerah dengan tingkat kerentanan rendah (tanpa kerusakan) adalah Kg10, kerentanan
sedang (kerusakan sedang) adalah 10<Kg40, dan kerentanan tinggi (kerusakan besar) adalah
Kg>40.
129
PERUBAHAN PARAMETER FISIS SEBAGAI PREKURSOR

GEMPABUMI
PHYSICAL PARAMETER CHANGES AS EARTHQUAKE PRECURSORS
Boko Nurdiyanto1*, Drajat Ngadmanto1, Sulastri1, Suliyanti Pakpahan1, Arafah2,
Muhaimin3
1.
2.
Pusat Penelitian dan Pengembangan BMKG, Jakarta,

Observatory Geofisika Pelabuhan Ratu BMKG, Sukabumi,
3.
Pusat Gempabumi dan Tsunami BMKG, Jakarta.
* Email: boko.nurdiyanto@gmail.com
ABSTRAK
Pengamatan parameter fisis secara terpadu sebagai prekursor gempabumi dilakukan secara bertahap dan
berkesinambungan pada parameter geofisika (seismik, elektromagnetik), geo-atmosfer (suhu permukaan) dan
geokimia (Radon, suhu dan kelembaban udara dalam tanah). Penelitian difokuskan di daerah Pelabuhan Ratu,
Jawa Barat sepanjang tahun 2012. Data Seismik menggunakan phase report sheet, katalog gempabumi BMKG
dan NEIC. Parameter elektromagnetik yang digunakan adalah data magnetotellurik yang diamati di observatori
geofisika Pelabuhan Ratu yang merupakan kerjasama dengan Universitas Chiba (Jepang). Data pengamatan
suhu permukaan adalah suhu maksimum dan minimum yang tercatat menggunakan termometer air raksa.
Radon, suhu dan kelembaban udara di dalam tanah didapatkan dari RAD7 yang diinstal menggunakan sensor
soil gas probe pada kedalaman 1.2 meter. Analisa nilai-b menunjukkan pada tahun 2012 daerah Jawa Barat
cukup stabil dan belum terakumulasi stress pada skala luas yang dapat menimbulkan gempabumi besar (M >
6.0).Berdasarkan analisa vp/vs, akumulasi stress pada batuan yang sifatnya lebih lokal mulai terdeteksi 13
bulan sebelum gempabumi. Hasil analisa polarisasi magnetik dan impedansi didapatkananomali1456 hari
sebelum gempabumi, sehingga parameter ini termasuk dalam prekursor jangka pendek yang kemungkinan
diakibatkan proses elektrokinetis dan microcrack sebelum penumpukan energi terlepas sebagai
gempabumi.Hasil analisa parameter suhu dan kelembaban serta gas Radon menunjukkan adanya pola
prekursor yang terdeteksi 3-30 hari sebelum gempabumi sehingga parameter ini termasuk dalam prekursor
jangka pendek yangberhubungan dengan proses deformasi di wilayah pengamatan sebelum gempabumi.
Keywords: Pelabuhan Ratu, prekursor, elektromagnetik, Radon, suhu, kelembaban
ABSTRACT
Integrated monitoring of physical parameter as earthquake precursors carried out in stages and sustainable on
parameter of geophysical (vp/vs ratio, electromagnetic), geo-atmospheric (surface temperature) and
geochemical (Radon, air temperature and humidity in soil). Research focused in Pelabuhan Ratu, West Java
along 2012. Seismic data using phase report sheet, BMKG and NEIC earthquake catalog. Electromagnetic
parameter were used are magnetotelluric data that observed at geophysical observatories of Pelabuhan Ratu
which was collaboration with Chiba University (Japan). Observation data of surface temperature are maximum
and minimum temperature were recorded using a mercury thermometer. Radon, air temperature and humidity in
the soil obtained from RAD7 that installed with soil gas probe sensor in 1.2 meters depth. Analysis of b-value
shows the region of West Java in 2012 is quite stable and has not accumulated stress on the large scale that may
cause a large earthquake (M> 6.0). Based on the analysis of vp/vs, more local stress accumulation detected 1-3
months before main shock. Results of magnetic polarization and impedance of EM wave obtained anomaly 1456 days before main shock, these parameters are included in short-term precursors are likely due to the
electrokinetic and microcrack before the accumulation of energy released as earthquakes. Temperature and
humidity as well as Radon show precursor patterns were detected 3-30 days before main shock, these
parameters are included in short-term precursors that associated with deformation in the region before the
earthquake.
Keywords: Pelabuhan Ratu, precursor, magnetotelluric, Radon, temperature, humidity
130
PENDAHULUAN
Penelitian mengenai prediktabilitas gempabumi
sudah dilakukan oleh Puslitbang BMKG sejak
tahun 2006, yaitu dengan kajian tentang
struktur 3D bumi, pola rambat gelombang
gempabumi, pengembangan teknik penentuan
hiposenter gempabumi dengan menggunakan
model kecepatan 3D, mengkaji dan menerapkan
teknik wavelet untuk usaha prediksi periodisitas
pelepasan
energi
gempabumi,
dan
pengembangan teknik pemetaan TEC di
ionosfer sebagai prekursor gempabumi.
Penelitian-penelitian tersebut masih berdiri
sendiri-sendiri namun mulai tahun 2010,
Puslitbang BMKG melakukan studi prekursor
gempabumi secara terpadu. Penelitian studi
prekursor gempabumi secara terpadu tentunya
membutuhkan berbagai data pengamatan
dengan beberapa metode, sehingga perlu suatu
tahapan penelitian secara berkesinambungan
(Gambar 1).
Hasil studi prekursor gempabumi dari
Puslitbang pada tahun 2010 dan 2011
menunjukkan adanya penurunan nilai-b sebesar
0,2 0,4 yang mengindikasikan adanya
kenaikan stress di dalam batuan yang kemudian
terlepaskan. Metode kesenyapan seismik
menunjukkan penurunan tingkat seismisitas
hanya pada gempabumi besar (Magnitudo
diatas 6,0 SR) yang muncul 1 5 tahun
sebelum gempabumi, sedangkan untuk
magnitudo dibawah 6,0 SR masih terdapat
keraguan adanya anomali. Metode analisis
perubahan rasio Vp/Vs cukup konsisten
menunjukkan adanya anomali penurunan
sebesar 1 12 % yang terjadi 1 11 bulan
sebelum gempabumi. Anomali kenaikan variasi
medan magnetik ditemukan 3 30 hari sebelum
gempabumi sedangkan metode analisis
perubahan suhu permukaan dan kelembaban
belum mampu dijadikan analisis tanda-tanda
awal gempabumi secara mutlak dan konsisten
karena harus mempertimbangkan faktor
parameter gempabumi yang berada di laut dan
faktor yang mempengaruhi suhu permukaan
lebih komplek, namun perubahan variasi suhu
permukaan dan kelembaban rata-rata harian
yang
merupakan
prediktor
prekursor
gempabumi ditemukan 0 26 hari sebelum
gempabumi. Selain hasil-hasil tersebut, pada
tahun 2011 telah berhasil melakukansimulasi
prediksi posisi episenter menggunakan teknik
grid-search dan teknik lingkaran memanfaatkan
sinyal Atropatena dengan hasil yang mirip dan
cukup akurat. Salah satu kelemahan dari

metode ini adalah sulitnya mengidentifikasi
sinyal-sinyal
Atropatena
yang
saling
bersesuaian antara stasiun satu dengan stasiun
lainnya.
Dari hasil rekapitulasi didapatkan 31 %
gempabumi yang terjadi di Jawa dan Sumatera
bisa diprediksikan oleh Atropatena dengan
rentang waktu 0 20 hari.Dari hasil penelitian
tahun 2011 didapatkan bahwa 87% gempabumi
yang menjadi obyek penelitian terjadi pada saat
gaya pasang surutnya maksimum. Hal ini
memperkuat indikasi bahwa gaya pasang surut
dapat memicu terjadinya gempabumi pada
daerah yang mempunyai tingkat stress pada
titik kritis maksimum. Sehingga dengan
memprediksikan gaya pasang surut pada daerah
yang mempunyai tingkat stress pada titik kritis
maksimum bisa dijadikan indikasi prekursor
gempabumi [1, 2].
Mengacu pada hasil dan saran studi prekursor
tahun 2010 dan 2011 maka pada studi prekursor
tahun 2012 ini dilakukan pengembangan
software dan karakterisasi sinyal prekursor
gempabumi. Untuk tahun ketiga ini lebih
difokuskan di satu lokasi pengamatan
menggunakan analisa parameter geofisika
(Anomali seismik, polarisasi magnetik dan
impedansi gelombang EM), analisa parameter
geo-atmosferik (Anomali suhu permukaan) dan
analisa parameter geokimia (Perubahan
konsentrasi gas Radon, suhu dan kelembaban
udara dalam tanah).
Tujuan yang hendak dicapai dalam penelitian
ini adalah meningkatkan kualitas informasi
BMKG di bidang mitigasi gempabumi dan
tsunami. Untuk mencapai tujuan tersebut, maka
sasaran pada kegiatan tahun ini adalah
melakukan studi parameter seismik (nilai-b dan
vp/vs), elektromagnetik, suhu, kelembaban dan
Radon
yang
mengandung
informasi
prekursorgempabumi secara terpadu di daerah
Pelabuhan Ratu.
131
Gambar 1. Tahapan studi prekursor gempabumi secara terpadu
METODE PENELITIAN
Data yang digunakan dalam analisis nilai-b
adalah katalog gempabumi BMKG dan NEIC
USGS tahun 1973 2012 dengan batasan jarak
episenter 4 dari stasiun SKJI (Sukabumi, Jawa
Barat). Sementara itu, data yang digunakan
untuk analisis perubahan rasio vp/vs adalah
data list gempabumi hasil pembacaan dari
software seiscomp3 dan data hasil pembacaan
phase report sheets. Gempabumi yang
digunakan untuk analisa perubahan rasio vp/vs
adalah gempabumi dengan episenter berjarak
maksimal 4 dari stasiun pencatat. Untuk
stasiun-stasiun
yang
digunakan
dalam
monitoring perubahan rasio vp/vs sebagai
prekursor gempabumi di wilayah Jawa Barat
dan sekitarnya disebutkan pada tabel 1 dan
posisi stasiun terlihat pada gambar 2.
Gambar 2.
Posisi stasiun-stasiun di Jawa
Barat yang digunakan untuk monitoring perubahan
nilai Vp/Vs sebagai prekursor gempabumi (simbol
segitiga hijau). Lingkaran hijau menunjukkan
batasan jarak episenter gempabumi dari stasiun
LWLI, merah dari stasiun SKJI, Kuning dari stasiun
LEM dan biru dari stasiun CISI.
132
Tabel 2. Stasiun yang digunakan untuk analisis

perubahan rasio vp/vs di wilayah Jawa
Barat.
No
Lintang
Bujur
LWLI (Liwa, Lampung)
Stasiun
5.02LS
104.06BT
SKJI (Sukabumi, Jabar)
7.01LS
106.56BT
LEM (Lembang, Jabar)
6.83LS
107.62BT
CISI (Cisomped, Jabar)
7.56LS
107.82BT
Parameter elektromagnetik yang digunakan

adalah data pengamatan magnetotellurik di
observatori geofisika Pelabuhan Ratu yang
merupakan kerjasama dengan Chiba University
(Jepang). Data yang diperoleh adalah
komponen magnetik HX, HY dan HZ, serta
komponen listrik EX dan EY. Dari data tersebut
akan diperoleh nilai impedansi gelombang EM
(Ex/Hy) yang dinyatakan sebagai perbandingan
antara medan listrik (E) dan medan magnet (H)
bergantung pada tahanan-jenis medium atau
batuan. Dengan demikian, impedansi sebagai
fungsi dari perioda memberikan informasi
mengenai tahanan-jenis medium sebagai fungsi
dari kedalaman. Sementara data indeks DST
dari bulan Januari Oktober 2012 didapatkan
dari model WDC Geomagnetic, Kyoto
University.
Data suhu yang dipakai berasal dari dua sumber
pencatatan, yaitu suhu udara permukaan dan
suhu udara di dalam tanah. Data suhu udara
permukaan yang didapatkan adalah suhu
maksimum (Tmak) dan suhu minimum (Tmin)
yang tercatat menggunakan termometer air
raksa. Data pengamatan suhu udara dalam
tanah, kelembaban udara dalam tanah dan
konsentrasi gas Radon didapatkan dari
peralatan Radon yang dipasang di observatori
geofisika Pelabuhan Ratu. Peralatan Radon
yang digunakan adalah RAD7 dengan sensor
soil gas probe (Gambar 8) yang ditanam di
dalam tanah sedalam 1,2 meter. Instalasi
peralatan seperti pada skema di gambar 9.
Pengambilan data dilakukan secara kontinu
dengan pencuplikan data selama satu jam.
Gambar 3. Skema instalasi monitoring gas Radon.
Data gempabumi yang dijadikan sebagai kasus

dalam analisa adanya prekursor gempabumi
adalah data gempabumi dari BMKG dengan
magnitudo M 5.5 dan jarak episenter dari
observatori geofisika Pelabuhan Ratu maksimal
300 km. Perhitungan batasan jarak tersebut
berdasarkan penelitian Dobrovolsky [3] bahwa
radius zona manisfestasi prekursor yang efektif
bergantung pada magnitudo gempabumi dan
bisa dihitung menggunakan persamaan (1).
(1)
Dengan RD adalah radius strain dalam Km dan
ML adalah magnitudo gempabumi.Berdasarkan
kriteria tersebut, dalam rentang waktu Januari Nopember 2012 terdapat tiga kejadian
gempabumi yang terjadi pada tanggal 15 April
2012 (M5.8), 4 Juni 2012 (M5.7) dan 1
November 2012 (M5.7). Pada tahun 2012 ada
satu kejadian gempabumi yang merupakan
suatu kejadian khusus yaitu kejadian yang
terjadi pada tanggal 9 September 2012 (lihat
tabel 3), walaupun magnitudonya 4.6 SR tetapi
terjadi di dekat stasiun pengamatan (jarak 25
km) dan di kedalaman 10 km sehingga
gempabumi ini juga masuk dalam kejadian
gempabumi
yang
dianalisa.
Sebaran
gempabumi yang dijadikan analisa bisa dilihat
pada gambar 10.
Gambar 4. Sebaran gempabumi yang dijadikan

studi kasus dalam analisa prekursor
gempabumi secara terpadu.
133
Tabel 3. Data gempabumi yang dijadikan studi kasus sebagai analisa prekursor gempabumi
No
Tanggal
Waktu
Lintang
Bujur
Kedalaman
Magnitudo
TipeMag
jarak
15/04/2012
02:26:41
-7.09
105.17
70
5.8
Mw(mB)
153.67
2
3
04/06/2012
01/11/2012
18:18:15
21:12:00
-7.81
-6.89
106.29
107.45
70
140
5.7
5.7
Mw(mB)
Mw(mB)
96.54
100.40
09/09/2012
01:27:16
-6.75
106.58
10
4.6
25.75
METODE PENELITIAN
Metode analisis seismik untuk menghitung
nilai-b menggunakan persamaan GutenbergRichther, log n( M ) a bM , dimana n(M)
adalah jumlah kumulatif gempabumi dengan
magnitudo lebih besar atau sama dengan M,
sedangkan a dan b adalah konstanta yang
disebut
sebagai
parameter-parameter
kegempaan. Nilai-b dihitung dari N kejadian
pada daerah penelitian, kemudian window
digeser sejauh N/10, langkah ini dilakukan
sampai pada kejadian gempabumi terakhir [4].
Analisis perubahan rasio vp/vs dilakukan
dengan pengelompokan data list gempabumi
hasil keluaran software seiscomp3 dan juga
data PRS (phase report sheet) berdasarkan jarak
dan posisi dari stasiun. Hasil perhitungan
dan
dari setiap gempabumi
yang tercatat dalam periode 3 bulanan di plot
dalam diagram Wadati untuk mendapatkan nilai
rasio vp/vs tiap bulan.
Metode pengolahan data magnetik dilakukan
menggunakan metode polarisasi rasio (spectral
density analysis) untuk komponen vertikal dan
horisontal (HZ/HH) seperti yang diperkenalkan
oleh Hayakawa [5]. Analisis polarisasi rasio
mengunakan analisis spektral pada spektrum
ULF (0.01 Hz), untuk mengubah sinyal dari
domain
waktu
ke
domain
frekuensi
mengunakan transformasi wavelet db5. Setelah
mendapatkan nilai analisis spektral pada setiap
komponen H dan Z kemudian dilakukan
polarisasi rasio HZ/HH dan rasio HH/HH
rataan tahunannya serta dihitung impedansi
gelombang EM (EX/HY).
waktu sepanjang rentang waktu. Selanjutnya

dilakukan identifikasi kemunculan anomali
yang diduga sebagai indikator prekursor untuk
masing-masing parameter, kemudian dengan
informasi data gempabumi dihitung rentang
waktu kemunculan anomali. Analisa berikutnya
dilakukan secara terpadu untuk gempabumi
yang sama dengan ketiga parameter
yangdiamati sebagai analisa prekursor secara
terpadu.

Perubahan Nilai-b dan Nilai Vp/Vs Sebagai
Prekursor Gempabumi di Daerah Jawa
Barat dan Sekitarnya
Hasil perhitungan nilai-b secara temporal
ditunjukkan pada gambar 5. Pada grafik nilai-b
terlihat bahwa untuk tahun 2012 terlihat cukup
stabil dan menunjukkan kenaikan yang cukup
landai.
Gambar 5.Grafik nilai-b sebagai fungsi waktu di

daerah Jawa Barat, garis tegak merah menandai
kejadian gempabumi besar di Jawa Barat dan
sekitarnya
Metode pengolahan data gas Radon, suhu dan

kelembaban menggunakan teknik Statistik
(running average) pada data rataan hariannya.
Untuk data suhu udara permukaan, data yang
dianalisa adalah selisih antara suhu maksimum
(Tmak) dan suhu minimum (Tmin).
Analisa hasil dilakukan secara terpisah untuk
mengetahui karakteristik data dalam domain
134
DST bisa diketahui ada dua kali penurunan

variasi nilai dst yang relatif besar yaitu pada
tanggal 7 16 Maret 2012 dan tanggal 1 13
Oktober 2012, sehingga pada periode ini harus
hati-hati dalam menentukan adanya anomali
pada data magnetiknya.
Gambar 6.Grafik rasio vp/vs di daerah Jawa Barat
tahun 2012.Grafik menggambarkan nilai Vp/Vs dari
stasiun SKJI kelompok data bagian barat (biru),
SKJI bagian timur (merah), LWLI bagian timur
(hijau), CISI bagian barat (biru muda) dan LEM
bagian barat (ungu). Garis tegak oranye
memperlihatkan kejadian gempabumi (M>5.5) yang
terjadi di daerah Jawa Barat dan sekitarnya
Berdasarkan hasil penelitian sebelumnya bahwa

nilai-b yang rendah biasanya bekorelasi dengan
tingkat stress yang tinggi, sedangkan nilai-b
tinggi sebaliknya [6, 7] . Penurunan nilai-b
berkorelasi dengan kenaikan stress di dalam
batuan [8]. Dari data gempabumi yang tercatat
di Jawa Barat dan sekitarnya juga membuktikan
bahwa tidak adanya gempabumi besar (M >
6.0) yang terjadi pada tahun 2012.
Hasil monitoring perubahan rasio vp/vs di
daerah Jawa Barat dan sekitarnya ditampilkan
dalam gambar 6.Grafik rasio vp/vs tidak
memperlihatkan anomali yang cukup signifikan
sebelum terjadi gempabumi, kecuali untuk
stasiun LEM bagian barat. Hal ini kemungkinan
disebabkan karena stasiun-stasiun tersebut
menggunakan data tiga bulanan dari list detail
gempabumi, sementara itu kejadian gempabumi
dengan magnitudo di bawah 5.5 SR di Jawa
Barat cukup sering terjadi sehingga gempabumi
dengan magnitudo yang tidak besar tidak dapat
terdeteksi.
Sedangkan
stasiun
LEM
menggunakan data PRS (phase report sheet)
perbulan. Grafik rasio vp/vs untuk stasiun LEM
memperlihatkan adanya anomali yang cukup
signifikan untuk gempabumi dengan magnitudo
di atas 5,5 SR (Tabel 4).
Analisa rasio polarisasi magnetik
Sebelum menganalisa parameter magnetik,
perlu dilihat pada indek DST-nya untuk
mengetahui adanya peningkatan/penurunan
intensitas variasi medan magnetik yang
diakibatkan oleh aktivitas matahari atau yang
bersifat global (Gambar 7). Dari grafik indek
Gambar 8 menunjukkan grafik rasio polarisasi

(HZ/HH) pada frekuensi 0.01 Hz bulan Januari
- Oktober 2012. Pada periode tanggal 7 16
Maret 2012 dan tanggal 1 13 Oktober 2012
terlihat adanya penurunan nilai yang signifikan
(blok warna hijau) hal ini diduga disebabkan
oleh adanya aktifitas matahari seperti yang
terlihat pada indek DST-nya.
Penelitian sebelumnya [5, 9, 10] menunjukkan
bahwa anomali polarisasi yang diduga sebagai
prekursor gempabumi adalah adanya kenaikan
nilai. Pada gempabumi 15 April 2012 (M5.8),
ditemukan peningkatan emisi ULF yaitu pada
tanggal 1 23 April 2012 atau 14 hari sebelum
kejadian kemudian terjadi penurunan emisi
ULF ke posisi normal 8 hari setelah
gempabumi terjadi. Pada gempabumi 4 Juni
2012 (M5.7), ditemukan peningkatan mulai
tanggal 29 April 1 Juli 2012 atau 36 hari
sebelum kejadian kemudian terjadi penurunan
ke posisi normal 27 hari setelah gempabumi
terjadi. Pada gempabumi 9 September 2012
(M4.6), ditemukan peningkatan yang sangat
signifikan mulai tanggal 31 Juli 2012 atau 40
hari sebelum kejadian tetapi pada rentang
waktu 17-31
Agustus
2012 terdapat
kekosongan data. Setelah kejadian gempabumi
ini, nilai polarisasinya meningkat sangat drastis
yang
kemungkinan
diakibatkan karena
gempabumi yang terjadi berada di dekat stasiun
pengamatan dan dangkal sehingga memberikan
efek yang besar. Pada gempabumi 1 Nopember
2012 (M5.7) pada jarak 100 km, ditemukan
peningkatan yang sangat signifikan mulai
tanggal 10 Oktober 2012 atau 22 hari sebelum
kejadian tetapi pada rentang waktu hanya
sampai pada 27 Oktober 2012 sehingga belum
bisa
menentukan
sampai
kapan
peningkatannya. Peningkatan nilai polarisasi
pada gempabumi ini juga besar kemungkinan
disebabkan karena kejadian gempabumi terjadi
berada di bawah daratan sehingga memberikan
efek yang juga besar.
135
Tabel 5. Rekap hasil perhitungan waktu kemunculan dan prosentase nilai anomali Vp/Vs di daerah Jawa Barat
No
Kejadian Gempa
Kemunculan anomali
Besar anomali
15 April 2012 (M5.8)
2 bulan
4%
04 Juni 2012 (M5.7)
1 bulan
8%
01 November 2012 (M5.7)
3 bulan
5%
Gambar 7.
Grafik variasi harian nilai indek DST
Gambar 8. Grafik warna biru muda adalah rasio

polarisasi magnetik komponen vertikal (HZ)
terhadap komponen horisontal (HH), (HZ/HH). Grafik
warna biru dan hitam adalah rataan (running
average). Blok warna hijau anomali yang diduga
akibat aktivitas global dan blok warna kuning
anomali yang diduga sebagai prekursor gempabumi
Gambar 9. Grafik warna biru muda adalah rasio

polarisai variasi magnetik komponen H (HH)
terhadap rataan tahunan (Annual Mean)/ (one year
average) (HHT), (HH/HHT). Grafik warna biru dan
hitam adalah rataan (running average). Blok warna
hijau anomali yang diduga akibat aktivitas global
dan blok warna kuning anomali yang diduga sebagai
prekursor gempabumi
Gambar 9menunjukkangrafik rasio polarisai

variasi magnetik komponen horisontal terhadap
rataan tahunan (HH/HHT) pada frekuensi 0.01
Hzbulan Januari - Oktober2012.Pada periode
tanggal 7 16 Maret 2012 dan tanggal 1 13
Oktober 2012 terlihat adanya kenaikan nilai
yang signifikan (warna hijau) yang diduga
disebabkan oleh adanya aktifitas matahari
seperti yang terlihat pada indek DST-nya.
Penelitian Yumoto [10] menunjukkan bahwa
pada metode ini anomali yang diduga sebagai
nilai.Pada gempabumi 15 April 2012 (M5.8),
ditemukan peningkatan nilai yaitu pada tanggal
9 Maret 17 April 2012 atau 32 hari sebelum

kejadian kemudian terjadi penurunan ke posisi
normal 2 hari setelah gempabumi terjadi. Pada
gempabumi 4 Juni 2012 (M5.7), ditemukan
peningkatan mulai tanggal 22 April 11 Juni
2012 atau 43 hari sebelum kejadian kemudian
terjadi penurunan ke posisi normal 7 hari
setelah gempabumi terjadi. Pada gempabumi 9
September
2012
(M4.6),
ditemukan
peningkatan yang sangat signifikan mulai
tanggal 15 Juli 17 September 2012 atau 56
hari sebelum kejadian tetapi pada rentang
waktu 17-31
Agustus
2012 terdapat
kekosongan data kemudian terjadi penurunan
ke posisi normal 8 hari setelah gempabumi
terjadi. Peningkatan nilai polarisasinya sangat
drastis yang kemungkinan diakibatkan karena
gempabumi yang terjadi berada di dekat stasiun
pengamatan dan dangkal sehingga memberikan
efek yang besar. Pada gempabumi 1 Nopember
2012 (M5.7), ditemukan peningkatan yang
sangat signifikan mulai tanggal 29 September
2012 atau 33 hari sebelum kejadian tetapi pada
rentang waktu hanya sampai pada 27 Oktober
2012 sehingga belum bisa menentukan sampai
kapan peningkatannya. Peningkatan nilai
polarisasi pada gempabumi ini juga besar
kemungkinan disebabkan karena kejadian
gempabumi terjadi berada di bawah daratan
sehingga memberikan efek yang juga besar.
Analisa impedansi gelombang EM

Gambar
10menunjukkangrafik
variasi
impedansi gelombang EM pada frekuensi 0.01
Hzbulan Januari Oktober2012.
Gambar 10. Grafik warna biru muda adalah variasi

impedansi gelombang EM (EX/HY). Grafik warna
biru dan hitam adalah rataan (running average).
Blok warna kuning adalah anomali yang diduga
sebagai prekursor gempabumi
136
Penelitian sebelumnya [11]menunjukkan bahwa

anomali resistivitas yang diduga sebagai
prekursor gempabumi adalah adanya penurunan
nilai. Pada gempabumi 15 April 2012 (M5.8),
ditemukan penurunannilaipada tanggal 29
Februari 2012 atau 46 hari sebelum gempabumi
terjadi. Pada gempabumi 4 Juni 2012 (M5.7),
ditemukan penurunanpada tanggal 29 April
2012 atau 36 hari sebelum kejadian
gempabumi. Pada gempabumi 9 September
2012 (M4.6), ditemukan penurunanmulai
tanggal 29 Juli 2012 atau 40 hari sebelum
kejadian gempabumi tetapi pada rentang waktu
17-31 Agustus 2012 terdapat kekosongan data.
Pada gempabumi 1 Nopember 2012 (M5.7),
ditemukan
penurunanpada
tanggal
15
September 2012 atau 27 hari sebelum kejadian
gempabumi.
Analisa suhu udara permukaan

Dalam menganalisa data yang berkaitan dengan
geo-atmosferik dan geokimia sangat penting
untuk memperhatikan kondisi meteorologi
didaerah pengamatan yang sangat berhubungan
dengan parameter yang diamati, dan salah satu
parameter meteorologi yang penting adalah
data curah hujan seperti yang ditunjukkan pada
gambar 11.
Gambar 11. Grafik warna biru adalah curah hujan

yang terjadi di Pelabuhan Ratu
Gambar 12. Grafik warna biru muda adalah nilai

Tmak-Tmin suhu udara permukaan. Grafik warna
hijau dan merah adalah rataan (running average).
Tanda anak panah menunjukkan indikator prekursor
gempabumi
Data tersebut digunakan sebagai konfirmasi

apakah anomali suhu, kelembaban dan Radon
terkait dengan peningkatan curah hujan.
Berdasarkan grafik pada gambar 11, hujan
terjadi masih dalam batasan normal, hujan
terjadi sepanjang Januari Mei 2012 sedangkan
pada bulan Juni September 2012 tidak ada

hujan dan curah hujan meningkat lagi mulai
bulan Oktober 2012.
Gambar 12menunjukkan grafik Tmak-Tmin
hasil pengamatan suhu udara permukaan pada
bulan Januari - Nopember2012. Berdasarkan
penelitian Dunajeckadan Pulinets [12], anomali
suhu dan kelembaban ditunjukkan oleh
perubahan yang tajam sekitar satu minggu
sebelum gempabumi utama. Perubahan ini
diikuti oleh kenaikan jangkauan suhu dan
penurunan variasi kelembaban kemudian naik
sebelum gempabumi terjadi.Pulinets [13] juga
menunjukkan adanya beberapa tipe indikator
prekursor gempabumi berdasarkan data TmakTmin yang pada umumnya ada penurunan
kemudian diikuti dengan kenaikan sebelum
gempabumi terjadi. Dari grafik pada gambar 12
bisa diketahui adanya beberapa karakter sesuai
dengan indikator tersebut.
Pada gempabumi 15 April 2012 (M5.8),
ditemukan indikator prekursor mulai tanggal 16
Maret 2012 atau 30 hari sebelum gempabumi
terjadi. Pada gempabumi 4 Juni 2012 (M5.7),
tidak ditemukan indikator prekursor sebelum
kejadian gempabumi. Pada gempabumi 9
September 2012 (M4.6), juga tidak ditemukan
adanya indikator prekursor sebelum kejadian
gempabumi. Pada gempabumi 1 Nopember
2012 (M5.7), ditemukan indikator prekursor
mulai tanggal 15 Oktober 2012 atau 16 hari
sebelum kejadian gempabumi.
Analisa suhu dan kelembaban udara di
dalam tanah
Gambar13menunjukkan grafik suhu dan
kelembaban udara di dalam tanah hasil
pengamatan menggunakan RAD7. Pada
gempabumi 15 April 2012 (M5.8), dari data
suhu dan jangkauan suhu ditemukan indikator
prekursor mulai tanggal 20 Maret 2012 dan 5
April 2012 atau 26 hari sebelum gempabumi
serta nilai kelembaban terus meningkat dari
tanggal 26 Maret 2012 sampai 5 Mei 2012.
Pada gempabumi 4 Juni 2012 (M5.7), data suhu
dan jangkauan suhu menunjukkan indikator
prekursor mulai tanggal 14 Mei 2012 atau 23
hari sebelum gempabumi sedangkan pada data
kelembaban tidak ditemukan adanya prekursor.
Pada gempabumi 9 September 2012 (M4.6),
dari data suhu dan jangkauan suhu ditemukan
indikator prekursor mulai tanggal 25 Agustus
dan 1 September 2012 atau 14 hari sebelum
gempabumi serta nilai kelembaban terjadi
137
penurunan yang kemudian diikuti oleh

kenaikan yang sangat drastis pada tanggal 13
Agustus 6 September 2012.
Gambar 13. (a) Grafik warna biru muda adalah

nilai suhu udara di dalam tanah, (b) Grafik warna
biru muda adalah nilai jangkauan suhu udara di
dalam tanah dan (c) Grafik warna hijau adalah nilai
kelembaban udara di dalam tanah. Grafik warna biru
adalah rataan (running average) suhu dan jangkauan
suhu serta warna merah adalah rataan (running
average) kelembaban
Penelitian sebelumnya [12, 14] menunjukkan

bahwa anomali Radon yang diduga sebagai
konsentrasi.Pada awal pengukuran, gas Radon
tampak turun sampai pada kejadian gempabumi
tanggal 15 April 2012 (M 5.8), namun untuk
kasus ini belum bisa ditentukan kapan mulai
kenaikan gas Radon tersebut. Kemunculan
anomali gas Radon muncul pada tanggal 27
Mei 9 Juni 2012, pola anomali ini seperti
pada karakteristik anomali dari Murat [14].
Pada rentang waktu tersebut terjadi gempabumi
4 Juni 2012 (M5.7), sehingga kemunculan
anomali terdeteksi 8 hari sebelum kejadian
sampaiturun ke posisi normal 5 hari setelah
gempabumi terjadi. Kemudian kenaikan yang
sangat signifikan terjadi mulai tanggal 15
Agustus 11 September 2012, Pada rentang
waktu tersebut terjadi gempabumi pada tanggal
9 September 2012(M4.6), konsentrasi gas
Radon meningkat sangat drastis 25 hari
sebelum kejadian gempabumi sampai 2 hari
setelah kejadian yang kemungkinan diakibatkan
karena gempabumi yang terjadi berada di dekat
stasiun pengamatan dan dangkal sehingga
memberikan efek yang besar. Pada tanggal 26
28 Oktober 2012 konsentrasi gas Radon terlihat
mulai meningkat tetapi mulai tanggal 29
Oktober 25 Noperber 2012 terdapat
kekosongan data dan pada tanggal 1 Nopember
2012 terjadi gempabumi (M5.7) sehingga
anomali tersebut muncul 3 hari sebelum
gempabumi terjadi.
Pada gempabumi 1 Nopember 2012 (M5.7),

dari data suhu dan jangkauan suhu ditemukan
indikator prekursor mulai tanggal 10 dan 20
Oktober 2012 atau 21 hari sebelum gempabumi
dan nilai kelembaban turun drastis pada tanggal
21 September 2012 kemudian pada tanggal 7
Oktober 2012 sampai 23 Oktober 2012
kelembaban naik sampai saat terjadinya
gempabumi.
Hasil AnalisaRadon
Gempabumi
sebagai
Prekursor
Gambar 14menunjukkan grafik konsentrasi

Radon hasil pengamatan menggunakan RAD7
pada tanggal 1 April 3 Desember 2012.
Grafik dibagi menjadi tiga rentang waktu yaitu
pada tanggal1 April 31 Juli 2012 (Gambar
24a), tanggal 1 Agustus 30 September 2012
(Gambar 24b) dan tanggal 1 Oktober 3
Desember 2012 (Gambar 24c).
Gambar 14. Plot garis warna biru muda adalah nilai

konsentrasi gas Radon. Plot garis warna hijau dan
merah adalah rataan (running average). Blok warna
kuning adalah anomali yang diduga sebagai
prekursor gempabumi
Pembahasan studi prekursor secara terpadu

Berdasarkan hasil pengamatan parameter
geofisika, geo-atmosferik dan geokimia di
Pelabuhan Ratu, menunjukkan adanya anomali
138
sebelum terjadinya gempabumi dengan

magnitudo di atas 5.5 SR dan jarak kurang dari
300 km dari stasiun pengamatan (Tabel 6).
Hasil analisa parameter seismik berdasarkan
analisa nilai-b tidak terdapat adanya anomali
sepanjang bulan Januari Oktober 2012. Hal
ini menunjukkan bahwa pada tahun 2012
daerah Jawa Barat cukup stabil dan belum
terakumulasi stress yang tinggi yang dapat
menimbulkan gempabumi besar (M >
6.0).Berdasarkan analisa Vp/Vs, akumulasi
stress pada batuan yang sifatnya lebih lokal
mulai terdeteksi sekitar 1 3 bulan sebelum
gempabumi terjadi.
Hasil
analisa
parameter
elektromagnetikmenggunakan data magnetik
(HZ/HH
dan HH/HHT)
dan impedansi
(EX/HY)didapatkananomali prekursor sekitar 14

56 hari sebelum gempabumi terjadi, sehingga
parameter ini termasuk dalam prekursor jangka
pendek yang kemungkinan diakibatkan proses
elektrokinetis
dan microcrack sebelum
penumpukan
energi
terlepas
sebagai
gempabumi.
Semakin
dekat
episenter
gempabumi menyebabkan rentang waktu
kemunculan anomali elektromagnetik terdeteksi
semakin lama.
Hasil analisa parameter suhu dan kelembaban
serta gas Radon menunjukkan adanya pola
prekursor yang terdeteksi sekitar 3 - 30 hari
sebelum gempabumi terjadi sehingga parameter
ini termasuk dalam prekursor jangka pendek.
Anomali suhu dan gas Radon berhubungan
dengan proses deformasi di wilayah
pengamatan sebelum gempabumi terjadi.
Tabel 6. Rekapitulasirentang waktu kemunculan anomali yang diduga sebagai prekursor gempabumi
Parameter
Seismik
Nilai-b
Vp/Vs
Magnetik
HZ/HH
HH/HHT
Impedansi Gel. EM
Ex/Hy
Suhu dan Kelembaban
Suhu permukaan
Suhu di dlm tanah
Kelembaban
Radon
Rentang Kemunculan Anomali Sebelum Gempabumi

15 April 2012
4 Juni 2012
9 Sept 2012
1 Nov 2012
M5.8; 153km
M5.7; 96km
M4.6; 25km
M5.7; 100km
2 bulan
1 bulan
3 bulan
14 hari
32 hari
36 hari
43 hari
40 hari
56 hari
22 hari
33 hari
46 hari
36 hari
40 hari
27 hari
30 hari
26 hari
20 hari
Data kurang
23 hari
8 hari
14 hari
27 hari
25 hari
16 hari
21 hari
40 hari
3 hari
KESIMPULAN
Dalam studi kasus gempabumi Mentawai 25
oktober 2010, pola anomali Vp/Vs yaitu
penurunan nilai sebesar 5.5 8.8 % yang
kemudian naik kembali ke arah normal
terdeteksi dengan baik pada kelompok data
yang searah dengan episenter gempabumi
tersebut
dari
masing-masing
stasiun
pengamatan. Untuk monitoring perubahan
nilai-b di daerah Jawa Barat tidak menunjukkan
adanya anomali yang signifikan yang
mengindikasikan akan terjadinya gempabumi
besar (M > 6.0) sepanjang tahun 2012.
Penurunan Vp/Vs sebesar 4 8 % muncul 1 3
bulan sebelum gempabumi. Anomali magnetik
terdeteksi 22 56 hari sebelum kejadian
gempabumi. Anomali impedansi gelombang

EM muncul 46 hari sebelum gempabumi.
Kemunculan pola anomali suhu dan
kelembaban terdeteksi 30 hari sebelum
gempabumi terjadi. Kemunculan pola anomali
konsentrasi gas Radon terdeteksi 25 hari
sebelum gempabumi terjadi.
Untuk lebih meyakinkan kemunculan anomali
masing-masing
parameter,
maka
perlu
dibandingkan dengan hasil pengamatan dari
sensor ditempat lain yang masih dalam
jangkauan radius zona manisfestasi prekursor
yang
efektif
berdasarkan
penelitian
Dobrovolsky (1979).
139
UCAPAN TERIMAKASIH
Terimaksih kami ucapkan kepada Beni
Hendrawanto dan Noor Efendi yang telah
membantu dalam proses pengambilan data serta
Hastuadi Harsa dalam pembuatan software
pengolahan data.
DAFTAR PUSTAKA
[1] Nurdiyanto, B., Sunardi, B., Ngadmanto,
D., Susilanto, P., Harsa, H., Noviati, S.,
et.
al.
(2011).Integration
of
Geophysical Parameter Observation in
the
Earthquake
Predictability,
Proceedings of the 36th HAGI and 40th
IAGI Anual Convention and Exhibition
JCM2011-031, Makasar: HAGI.
[2] Nurdiyanto, B., Ngadmanto, D., Muhaimin,
Harsa, H., Pakpahan, S., Noviati, S., et
al. (2012).Analysis of The Physical
Parameters
Variationof
The
Lithosphere and Ionosphere as
Earthquake Precursors. Proceedings
PIT HAGI 201237th HAGI Annual
Convention & Exhibition. Palembang:
HAGI.
[3] Dobrovolsky, I.P., Zubkov, S.I., &
Miachkin, V.I. (1979). Estimation of
the size of earthquake preparation
zones. Pure and Applied Geophysics,
117 (5), 10251044.
[4] Nuannin P., Kulhanek, O. & Persson, L.
(2006). Spatial and temporal b value
anomalies preceding the devastating off
coast of NW Sumatra earthquake of
December 26, 2004. Geophys. Res.
Let., 32, L11307.
[5] Hayakawa, M., Kawate R., Molchanov
O.A., & Yumoto K.(1996). Result of
Ultra-Low Frequency Magnetic Field
Measurements during the Guam
Earthquake of 8 augustus 1993,
Geophysical Research Lett., 23.(3),
241-244.
[6] Rohadi S., Grandis H., & Mezak A. R.
(2007).
Studi
Variasi
Spatial
Seismisitas Zona Subduksi Jawa,
Jurnal Meteorologi dan Geofisika, 8,
(1).
[7] Kulhanek Ota.(2005).Seminar on b-value,

Dept.
of
Geophysics,
Charles
University, Prague.
[8] Scholz, C.H. (1968). The frequencymagnitude relation of microfracturing
in rock and its relation to earthquakes,
Bull. Seismol. Soc. Am., 58, 399-415.
[9] Hattori, K.(2007). ULF Electromagnetic
Changes Possibly Associated with
Crustal
Activity.
Proceeding
Electromagnetics in Seismic and
Volcanic Areas. Bilateral Seminar
Italy-Japan,(41 56) Chiba Japan.
Edited by Katsumi Hattori and Luciano
Telesca.
[10] Yumoto, K., Ikemoto S., Cardinal, M.G,
Hayakawa, H., Hattori, K., Liu J.Y., et.
al. (2009). A new ULF wave analysis
for Seismo-Electromagnetics using
CPMN/MAGDAS data Physics dan
Chemistry of the Earth, Parts A/B/C
Electromagnetic
Phenomena
Associated with Earthquakes and
Volcanoes34 (6-7), 360-366.
[11]
Xuemin,
Z.
and
Xuhui,
S.
(2011).Electromagnetic
Anomalies
around TheWenchuan Earthquake and
Their Relationship with Earthquake
Preparation. International Journal of
Geophysics, Volume 2011, Article ID
904132, 8 pages. Hindawi Publishing
Corporation.
[12] Pulinets, S.A. and Dunajecka, M.A.
(2007). Specific variations of air
temperature and relative humidity
around the time of Michoacan
earthquake M8.1 Sept. 19, 1985 as a
possible indicator of interaction
between tectonic plates, Tectonophysics
431 (2007) 221230.
[13] Dunajecka, M.A. and Pulinets, S.A.
(2005).Atmospheric
and
thermal
anomalies observed around the time of
strong
earthquakes
in
Mexico,Atmosfera 18(4), 235-247
(2005).
[14] Murat M. SAC, Coskun Harmansah,
Berkay Camgoz, Hasan Sozbilir
(2011). Radon Monitoring as the
Earthquake Precursor in Fault Line in
Western Turkey. Ekoloji 20, No. 79,
93-98 (2011).
140
DISKUSI
1. Rahmat Triyono:
Dapat ditambah metode dan data lain, misalnya ada data GPS di operasional yang dari
bakosurtanal, bisa digunakan sebagai salah satu metode prekursor.
Penggunaaan metode diprioritaskan pada data yang sudah dipunyai BMKG. Untuk data GPS
belum jelas ketersediaan datanya.Untuk penelitian prekursor gempabumi selanjutnya akan
ditargetkan menuju ke real time monitoring dengan display langsung pada data-data yang bisa
langsung dianalisis misalnya radon, suhu dan kelembaban. Untuk selanjutnya analisis
prekursor akan dilakukan analisis pada sinyal-sinyal prekursornya kemudian menuju prediksi
kejadian gempabumi yang akan terjadi.
Penggunaan metode dan data-data yang lain terkendala pada sdm puslitbang yang ada dan
ketersediaan data, sehingga perlu kerjasama dengan semua pihak.
2. Daryono:
Mohon penjelasan lebih lanjut tentang metode suhu dan kelembaban.
Untuk data suhu dan kelembaban memang masih kesulitan dalam karakterisasi anomalinya,
masih banyak ambigu dalam interpretasinya, sehingga metode ini tidak cocok untuk berdiri
sendiri, tetapi akan mendukung dari metode-metode yang lain karena prekursor ini sangat
dekat hanya dalam beberapa hari (short term). Secara teori, suhu, kelembaban dan radon
berasal dari rekahan-rekahan di dalam tanah sebelum gempa terjadi.
3. Taufik Gunawan:
Apa dasarnya menggunakan data bulanan dan 3 bulanan untuk menghitung rasio Vp/Vs?
Rasio Vp/Vs bulanan sudah pernah dilakukan dengan data PRS yang kemudian di-smoothing
3 bulanan dengan asumsi pada bulan dimana rasio Vp/Vs dihitung pasti dipengaruhi oleh datadata pada bulan sebelum dan sesudahnya. Sedangkan untuk data list detail gempabumi dari
PGN menggunakan data 3 bulanan karena keterbatasan jumlah data yang ada pada tiap
bulannya.
Apakah gempa dengan M=5 bisa digunakan sebagai studi kasus, karena biasanya yang digunakan
adalah kasus-kasus dengan M besar.
Untuk manitude 5, ada beberapa data yang memang menunjukkan adanya anomali yang
diduga sebagai prekursor sebelum kejadian gempabumi tersebut, dan untuk karakteristik
anomali tersebut masih terus dalam penelitian.
Bagaimana kalau digunakan konsep long term prediction terus menuju ke short term?
Analisa prekursor memang dimulai dengan analisa long termprediction (tahunan) misalnya
dengan analisa statistik dari nilai b-value, a-value dan seismicity rate change, kemudian
menuju ke mid term (bulanan) misalnya rasio Vp/Vs, dan terakhir dengan analisis short term
dari data magnet, radon, suhu, kelembaban yang anomalinya muncul dalam beberapa hari.
Untuk data radon memberikan keyakinan yang cukup besar, tetapi disarankan perlu sensor
radon yang lain sebagai pembanding sekaligus koreksi. Tujuan akhir penelitian ini adalah
monitoring prekursor gempabumi dengan harapan bisa memberi warning akan terjadinya
gempabumi sehingga dapat digunakan sebagi usaha mitigasi
.
141
INTERPRETASI KUANTITATIF STRUKTUR SESAR CIMANDIRI

DENGAN METODE GRAVITASI
QUANTITATIVE INTERPRETATION OF CIMANDIRI FAULT STRUCTURE USING GRAVITY
METHODE
Wiko Setyonegoro, Jimmi Nugraha, Sulastri, Agustya Adi Martha, Suliyanti Pakpahan,
Mahmud Yusuf
Email: wikosetyonegoro@yahoo.com
ABSTRAK
Berdasarkan data historis gempabumi di daerah Jawa Barat, sesar Cimandiri merupakan daerah
seismik aktif yang telah menimbulkan beberapa kejadian gempabumi. Puslitbang BMKG melakukan
penelitian sesar Cimandiri dengan menggunakan metode gravitasi. Pada pengukuran ini tim survey
telah melakukan pengukuran microgravity menggunakan alat ukur gravimeter CG-5 sebanyak 25 titik
yang tersebar di sekitar Sukabumi dan Bandung. Pada peta residual SVD (Second Vertical Derifative)
untuk mengetahui pola sesar dengan jelas juga diperoleh informasi bahwa telah terjadi gempabumi
pada daerah dengan nilai SVD positif (0 s/d 35), SVD pada daerah penelitian dapat dijadikan sebagai
acuan untuk pemetaan daerah sesar yang rawan bencana gempabumi. Berdasarkan hasil interpretasi
SVD, terjadi pemisahan antara sesar Cimandiri dan sesar Lembang di daerah Cipatat. Interpretasi
kuantitatif dalam penelitian ini menggunakan pemodelan inversi 3D anomali residual pada topografi
Hasil inversi 3D berupa model distribusi densitas bawah permukaan yang menunjukkan identifikasi
sesar pada kedalaman sekira
7000 m mengalami pola cekungan dengan distribusi densitas () =
0.0533 - 1.51 gr/cm3.
Kata Kunci : gravitasi, Cimandiri, sesar, SVD
ABSTRACT
Based on historical data of earthquakes in the area of West Java, fault Cimandiri an active seismic
area that has caused several earthquake occurrence. BMKG Research Center conducts research fault
Cimandiri using the gravity method. At this measurement survey team has conducted microgravity
measurements using a CG-5 gravimeter measuring as much as 25 points spread around Sukabumi and
Bandung. SVD on the residual map (Second Vertical Derifative) to find fault with a clearly pattern
was also obtained information that the earthquake occurred in an area with the SVD positive values (0
s / d 35), SVD in the study area can be used as a reference for the mapping of faultvulnerable areas of
disaster earthquake. Based on the results of SVD interpretation, known that fault Cimandiri and fault
lembang was separated on Cipatat area. Quantitative interpretation in this study using a 3D inversion
modeling of anomalies residual topography results in a 3D inversion model of the subsurface density
distribution. Rates distribution density 3D subsurface models is indicated fault which depth 7000 m
has basin form pattern which density distribution
0.0533 up to 1.51 gr/cm3.
Keywords: gravity, Cimandiri, fault, SVD
PENDAHULUAN
Sesar Cimandiri adalah sesar yang memanjang
dari timur laut barat daya ini belum
sepenuhnya diketahui karakternya seperti
halnya sesar Sumatera. Data regional geologi
menunjukkan bahwa sesar Cimandiri berarah
barat daya. Ke arah timur laut melalui
Rajamandala berhubungan dengan Sesar

Lembang yang mempunyai (slip rate 2
mm/tahun (Haresh & Boen,1996). Sesar
Cimandiri lebih mengarah sebagai sesar
normal dengan komponen sesar geser
(Kertapati & Koesoemadinata, 1983).
142
Sesar berarah timur laut barat daya ini

sebagai
penyebab
terhadap
beberapa
gempabumi merusak di sepanjang lembah
Cimandiri dan sekitarnya, seperti gempabumi
Gunung Gede 5 Januari 1699, Oktober 1997
dan 12 Juli 2000, gempabumi Sukabumi 28
November 1879 dan 14 Januari 1900,
gempabumi Cianjur 15 Februari 1844 dan
Rajamandala 15 Des 1910 (Wichmann,1918).
Terakhir kali sesar ini aktif kembali dan
menimbulkan gempabumi Sukabumi 12 Juli
2000 serta menimbulkan kerusakan yang
cukup parah di beberapa lokasi di kabupaten
Sukabumi antara lain di kecamatan Sukaraja
(Engkon Kertapati, 2006). Pada Gambar 1
tampak sesar Cimandiri membentang dengan
arah barat daya timur laut. Penelitian sesar
Cimandiri telah banyak dilakukan oleh para
peneliti dari dalam dan luar negeri. Sesar
Cimandiri pertama kali diperkenalkan oleh
Van Bemmelen (1949) yang mengatakan
bahwa dari sekian banyak struktur sesar yang
berkembang di Jawa Barat ada tiga struktur
sesar yang memiliki peranan penting yaitu
sesar Cimandiri, Baribis dan Lembang yang
dihipotesa sebagai sesar yang masih aktif
hingga sekarang. Sesar Cimandiri merupakan
sesar paling tua umurnya berupa kapur yang
membentang mulai dari teluk Pelabuhan Ratu
menerus ke Timur melalui lembah Cimadiri,
Cipatat - Rajamandala, Gunung Tangkuban
Perahu, dan diduga menerus ke Timur Laut
menuju Subang (Ibrahim, dkk. 2010). Secara
keseluruhan jalur sesar ini berarah timur laut
barat daya dengan jenis sesar mendatar hingga
miring dan dikelompokan sebagai pola
Meratus (Martodjojo, S. dan Djuhaeni, 1996)
[1,2,3,4].
Pada akhir tahun 2006, Kelompok Keahlian
(KK) Geodesi ITB bekerjasama dengan
Kementrian Lingkungan Hidup mulai meneliti
kembali aktivitas sesar Cimandiri dengan
memanfaatkan Teknologi GPS. Teknologi
GPS dapat melihat karakteristik dinamika
geometrik di sekitar sesar, kemudian
selanjutnya dapat dijadikan parameter dalam
penentuan model aktivitas sesar. Prinsip
penentuan
aktivitas
sesar
dengan
menggunakan metode survei GPS adalah
dengan cara menempatkan beberapa titik di
beberapa lokasi yang dipilih, yang secara
periodik diukur koordinatnya secara teliti
dengan menggunakan metode survei GPS
(Gambar 1) [5].
Mengingat banyaknya gempabumi yang terjadi

disekitar sesar Cimandiri tersebut maka perlu
dilakukan penelitian dengan metode gayaberat
untuk mengetahui karakteristik anomali
gayaberat yang nampak akibat struktur di
daerah Sesar Cimandiri - Jawa Barat. Teknik
SVD (second vertical derivative) dapat
digunakan untuk membantu interpretasi jenis
struktur terhadap data anomali Bouguer yang
diakibatkan oleh adanya struktur sesar turun
atau sesar naik
Tujuan dari penelitian ini adalah untuk
mengetahui karakteristik repson anomali
gayaberat struktur sesar Cimandiri, pemodelan
matematik akibat proses sesar dan untuk
mengetahui karakter kontras densitas pada
sesar Cimandiri yang membentang dari
Pelabuhan Ratu sampai Bandung dengan
menggunakan metode inversi gravitasi 3D .
im
i
dir
an
rC
sa
Se
Gambar 1. Peta Insar dan keberadaan sesar

Cimandiri.
METODE PENELITIAN
Pengambilan data gaya berat dilakukan pada
jaringan titik pemantauan GPS yang tersebar di
sepanjang sesar Cimandiri dari Pelabuhan Ratu
sampai ke Lembang ditunjukan oleh Gambar
3. Sebagai titik kontrol dari pengukuran
digunakan titik Bakosurtanal Pusat, Pelabuhan
Ratu dan DG-0 Bandung. Adapun distribusi
titik pemantauan GPS yang sudah ada dan
akan digunakan sebagai titik pemantauan
gravitasi, seperti ditunjukkan pada gambar 2.
Disamping titik-titik diatas dilakukan juga
penambahan titik-titik diantara titik GPS yang
sudah ada sekarang sehingga akan diperoleh
data yang relatif terdistribusi dengan baik
(Gambar 2).
143
ketinggian alat pada data gaya berat di

lapangan. Gambar 3 mengilustrasikan konsep
finite-difference untuk menentukan gradient microgravity.
Gambar 2. Distribusi titik pengukuran

gravitasi gayaberat daerah penelitian
Pada penelitian peralatan yang digunakan
dalam penelitian ini terdiri dari :
1. Gravimeter scintrex autograv CG-5 dan
pengukuran gardient vertical. Peralatan ini
digunakan untuk pengukuran medan gaya
berat di tiap-tiap titik pantau gaya berat
yang ada di daerah penelitian. Alat ini
mempunyai ketelitian 1 microGal atau 108
m/s-2. Pengukuran gradientt vertical
mengunakan Tripod dengan ketinggian
tertentu.
2. GPS Garmin 60 CSX, Peralatan ini ini
digunakan untuk mencari titik-titik yang
akan diukur nilai gravimeter.
Adapun alur pengolahan data gravitasi yang
diperoleh dari hasil pengukuran adalah sebagai
berikut :
1. Data gravitasi dari alat CG-5 telah
terkoreksi tide secara otomatis, namun
masih perlu dilakukan koreksi drift untuk
menghilangkan efek apungan karena
sistem pegas pada alat.
2. Kemudian dilakukan koreksi Free Air
Anomaly dengan faktor ketinggian, yang
diperoleh dari alat GPS.
3. Anomali Bouguer dilakukan dengan
memasukan nilai densitas rata-rata 2.65
gr/cc
4. Untuk pemisahan anomali regional dan
residual dilakukan dengan metode second
vertical
derivative
(SVD)
dengan
menggunakan operator Elkins (1951) [9].
5. Pemodelan dan inversi 3D anomali
Bouguer untuk memperoleh struktur
bawah permukaan.
Gradient Vertical Microgravity
Teknik gradient microgravity dikembangkan
dari besaran gradient diferensial, dimana
gradient ditentukan dari suatu interval
Skema struktur untuk pengukuran gradient microgravityvertical dibuat dari dua buah
kotak dengan ketinggian kotak masing-masing
1 meter, sehingga variasi finite-difference atau
interval besaran dari gardient vertical dapat
ditentukan. Untuk pengukuran gaya berat
dengan tiga beda tinggi yaitu h(i-1), h(i), dan
h(i+1), maka turunan tegak pertama pengukuran
dapat dihitung dengan persamaan berikut :
(12)
Gambar 4. Gardient vertical dari gravitasi normal
Gradientt vertikal hasil pengukuran langsung

ini berbeda dengan gradient vertikal
microgravity yang diturunkan dari gravitasi
normal dengan tidak memperhitungkan adanya
massa di sekitar titik amat(Gambar 3)[6].
Gradient vertical gaya berat yang dihitung dari
persamaan gaya berat normal bumi dengan
bentuk ellipsoid sering disebut dengan koreksi
udara bebas, seperti pada persamaan dibawah
ini:
(13)
Perubahan densitas yang ditimbulkan oleh

rekahan relatif kecil sehingga diperlukan
teknik aquisisi yang dapat mereduksi
pengaruh-pengaruh lain. Salah satu teknik
aquisisi dalam metode gaya berat adalah
gradientvertical (Efendi dkk, 2011). Teknik
aquisisi ini memiliki akurasi dan resolusi yang
tinggi dalam memetakan anomali-anomali
dangkal. Teknik ini lebih sensitif dibandingkan
gaya beratnya sendiri kususnya dalam
144
menentukan
batas-batas
struktur-struktur
geologi yang dangkal (Marson dan Klingele,
1993; Kadir. 1996).
Respon gravitasi pada model sesar
Metode second vertical derivative(SVD) dapat
digunakan untuk membantu interpretasi jenis
struktur terhadap data anomali Bouguer yang
diakibatkan oleh adanya struktur sesar turun
atau sesar naik. Formula dasar diturunkan dari
persamaan Laplace untuk anomali gaya berat
di permukaan, yaitu :
(14)
Selanjutnya, untuk suatu penampang (1-D),
anomali second vertical derivative (SVD) diberikan
oleh :
(15)
Gambar 4. Respon first horizontal derivative

(FHD) dan second vertical derivative (SVD)
yang diturunkan dari anomaly Bouguer untuk
model sesar dengan = 20

Berdasarkan persamaan di atas, tampak bahwa
untuk suatu penampang (1-D), anomali second
vertical derivative
dapat dihitung dari
turunan satu kali terhadap data first horizontal
derivative (FHD)
. Sedangkan
kriteria untuk menentukan jenis struktur sesar

adalah sebagai berikut :
untuk sesar turun(16)
untuk sesar naik (17)
untuk sesar naik (18)
Contoh perbandingan respon anomali SVD

untuk berbagai model sesar dengan
berbagai kemiringan bidang sesar 200
ditunjukan pada gambag 4 dibawah ini,
model sintetik kurva penampang anomali
Bouguer dari suatu bidang sesar dengan
kemiringan
tertentu
beserta
kurva
penampang hasil turunan pertama (first
horizontal derivative atau FHD) dan
turunan keduanya (second vertical
derivative atau SVD).
Pemetaan Sesar Cimadiri

Untuk mengetahui lokasi sesar Cimandiri
dengan menggunakan metode gravitasi,
dilakukan pengukuran pada bulan Maret 2012.
Dan data ketinggian dapat diunduh dari Extract
X Y Z Grid Topography or Gravity secara
online untuk data topografi dengan interval 1
(satu) menit grid kontur topografi daerah
penelitian [9].
Topografi daerah penelitian berikisar antara 0
sampai dengan 2600 meter. Berdasarkan peta
Topografi seperti ditunjukan pada gambar 5,
dari kontur topografi daerah penelitian kita
dapat memperkirakan lokasi sesar Cimandiri.
Gambar 5. Peta topografi 3D area garis merah

lokasi perkiraan sesar berdasarkan topografi.
145
Lokasi sesar tepatnya berada di area lembah

dari 2 (dua) struktur topografi yang relatif jauh
lebih tinggi. Lokasi sesar Cimandiri dimulai
dari
Pelabuhanratu,
Jampang
tengah,
Sukabumi, Padalarang sampai Lembang
(Gambar 5).
Anomali Bouguer
Setelah dilakukan pengolahan terhadap data
gravitasi kemudian dilakukan interpretasi pada
peta Anomali Bouguer daerah penelitian
berkisar antara -40 sampai dengan 300

miliGal. Anomali Bouguer relative lebih tinggi
(180 s/d 300 miliGal) berasosiasi dengan
batuan berdensitas lebih tinggi, tepatnya
berada di Barat Daya daerah penelitian.
Anomali Bouguer relatif lebih rendah (-40 s/d
80 miliGal) bersosiasi dengan batuan
berdensitas lebih rendah, tepatnya berada di
Timur Laut daerah penelitian. Anomali
Bouguer (80 s/d 180 miliGal) berada di antara
anomali tinggi dan rendah (Gambar 6)
(a)
(b)
Gambar 6. Peta Anomali Bouguer (a) Daerah Sukabumi dan sekitarnya (b) Lembang dan
sekitarnya
(b)
(a)
Gambar 7. (a) Anomali gradient vertical sesar Cimandiri dan (b) Gradient vertical sesar
Lembang
Berdasarkan gradient microgravity Pengukuran
periode I kita dapat mengetahui area sesar pada
daerah pelabuhan ratu berasosiasi dengan nilai
gradien microgravity tinggi yang diapit dua
area dengan nilai gradient microgravity
rendah. Gambar 7a adalah anomali gradient
vertical daerah sesar Cimandiri dan 7b daerah
sesar Lembang.
Second Vertical Derifative
Pemantauan 3D Gravitasi
(SVD)
dan
Untuk memetakan sesar Cimandiri secara

detail di daerah penelitian dilakukan
pemfilteran
anomali
Bouguer
dengan
menggunakan
metode
second
vertical
derivative (SVD) dengan menggunakan
operator Elkins (1951). Anomali SVD dapat
memperjelas daerah sesar pada daerah
penelitian. Sesar Cimandiri dapat dicirikan
dengan anomali tinggi (+) yang berhimpit
dengan anomali rendah (-). Pada peta residual
SVD juga diperoleh informasi bahwa gempa
terjadi pada daerah dengan nilai svd positif (0
s/d 35), SVD pada daerah penelitian dapat
146
dijadikan sebagai acuan untuk pemetaan

daerah sesar yang rawan bencana gempabumi.
Berdasarkan hasil SVD sesar cimandiri dan
sesar lembang terpisah pada daerah Cipatat
(Gambar 8).
m
Gambar 8. Peta anomali SVD 3D, Area pada

bidang garis biru putus-putus merupakan
lokasi perkiraan sesar berdasarkan topografi.
Interpretasi kuantitatif dalam penelitian ini
menggunakan pemodelan inversi 3D anomali
residual pada topografi. Penelitian ini
menggunakan software Grav3D. Pemodelan
3D merupakan proses pembuatan model
distribusi densitas bawah permukaan. Hasil
inversi 3D berupa model distribusi densitas
bawah permukaan. Harga distribusi densitas
model 3D bawah permukaan
yang
menunjukkan
identifikasi
sesar
pada
kedalaman sekira
7000 m mengalami pola
cekungan dengan distribusi densitas () =
0.0533 - 1.51 gr/cm3. Harga densitas antara
rendah-tinggi ditunjukkan dengan spektrum
warna ungu - merah. Harga densitas dapat
diketahui dengan melakukan penjumlahan
antara angka kontras densitas dengan nilai
densitas Bouguer (2.6 gr/cm3 ) (Gambar 9).
Gr/cm
Gambar 9. Inversi 3D anomali residual dari

harga densitas pada topografi untuk Model 3D.
KESIMPULAN
Diperoleh kesimpulan bahwa daerah dengan
nilai svd positif (0 s/d 35) pada daerah
penelitian dapat dijadikan sebagai acuan untuk
pemetaan daerah sesar yang rawan bencana
gempabumi. Berdasarkan hasil SVD sesar
cimandiri dan sesar lembang terpisah pada
daerah Cipatat. Interpretasi kuantitatif dalam
penelitian ini menggunakan pemodelan inversi
3D anomali residual pada topografi hasil
inversi 3D berupa model distribusi densitas
bawah permukaan
yang menunjukkan
identifikasi sesar pada kedalaman sekira
7000 m mengalami pola cekungan dengan
distribusi densitas () =
0.0533 - 1.51
gr/cm3.
DAFTAR PUSTAKA
[1]. Shah, H.C. dan Boen, T,. (1996). Seismic
Hazard Modelfor Indonesia.
[2].Kertapati,E.K.
and
Koesoemadinata,
R.M.S,. (1983). Aftershock studies
of the February 10, 1982 Sukabumi
earthquake, West Java, Indonesia
(Special Number), Bull. IISEE, 20,
91-101.
[3] Wichmann. A,. (1918). Die Erdbeben Des
Indischen Archipels Bis Zum Jahre
1857,Verhandelingen
der
Koninklijke
Akademie
van
Wetenschappen
le
Amsterdam
TweedeSectie Deel XX, N0 4.
Amsterdam Johannes Muller.
[4] Kertapati, E.K., Setiawan, J. H.,
Marjiyono,. (2006).Revisi Potensi
Sumbersumber Gempa diIndonesia,
Seminar Konstruksi Indonesia di
Millenium ke-3, 22-23 Agustus
2006,Jakarta.
[5] Meilano, I., Kimata, F., Fujii, N., Nakao,
S., Watanabe, H., Sakai, S., Ukawa,
M., Fujita, E., dan Kawai, K,.
(2003). Rapid ground deformation of
the Miyakejima volcano on 2627
June 2000 detected by kinematic
GPS analysis. Earth Planet Space,
55, h.13-16.
[6] Elkins, T.A. 1951. The second derivative
method of gravity interpretation,
Geophysics, XVI, 29-50.
147
[7] Klingele, E. E., Marson, I., Kahke, H. G,.

(1991). Automatic Interpretation of
Gravity Gradiometric data in two
dimention
vertical
gradientt,
Geophysical Prospecting, 39, 4007434,
[8] Kadir, W.G.A,. (1996). Dekonvolusi
Anomali Gaya berat Bouguer dan
Derivatif Vertikal Orde Dua dengan
Menggunakan Persamaan
Dasar
Potensial Studi Kasus : Pulau
sumatera,
Disertasi,
Institut
Teknologi Bandung.
[16] Extract X Y Z Grid Topography or
Gravity, http://topex.ucsd.edu/cgibin/get_data.cgi, (diakses tanggal 12
Juni 2010).
DISKUSI
1. Taufik Gunawan:
Apakah di sepanjang sesar cimandiri ada daerah yang sudah matang (sudah saatnya terjadi
gempabumi). Apakah bisa dilihat potensi gempa yang akan terjadi?
Pada penelitian ini belum kearah prediksi gempabuminya, tetapi masih melokalisir daerah
mana yang mengalami compresi dan daerah mana yang mengalami dilatasi berdasarkan data
mapping microgravity. Kemudian juga dihitung berapa besar perubahan antar waktu dari nilai
microgravity di daerah penelitian. Rencana penelitian selanjutnya adalah terus mengamati
perubahan antar waktu dari nilai gravity. Apabila ada kasus gempabumi di daerah ini akan
dilihat treshold anomali nilai microgravitynya sebelum gempabumi terjadi, sehingga bisa
digunakan sebagai acuan dalam penentuan nilai anomali sebagai prekursor gempabumi.
148
PENGEMBANGAN PERANGKAT LUNAK RELOKASI HIPOSENTER

GEMPABUMI DENGAN METODE GRID SEARCH
DEVELOPMENT OF HYPOCENTER RELOCATION SOFTWARE USING GRID SEARCH
METHOD
Thomas Hardy, Pupung Susilanto, Jimmi Nugraha, Boko Nurdiyanto, Bayu Imbang Laksono,
Suliyanti Pakpahan
Pusat Penelitian dan Pengembangan BMKG Jl. Angkasa I/No.2 Kemayoran, Jakarta 10720 INDONESIA
ABSTRAK
Keberhasilan penelitian seismologi bergantung pada penentuan lokasi atau hiposenter gempabumi. Saat
ini BMKG belum memiliki perangkat lunak yang mampu merelokasi hiposenter gempa, oleh karena itu
tujuan penelitian ini adalah mengembangkan sebuah perangkat lunak untuk relokasi hiposenter
gempabumi dengan menggunakan metode grid search. Perangkat lunak ini diberi nama ONTOREDJO
Seismology Toolbox, dibuat menggunakan bahasa pemrograman Matlab dan berjalan pada sistem
operasi berbasis linux. Pengembangan perangkat lunak yang berbasis linux diharapkan akan
mempermudah proses pengintegrasian ke dalam SeisComp3 yang juga berjalan di sistem operasi
berbasis linux. Perangkat lunak ONTOREDJO diuji dengan dengan memasukkan gempabumi yang
terjadi di sekitar daerah Jawa Barat pada tahun 2011 dengan magnitude lebih dari 5 SR, menggunakan
stasiun seismik yang dimiliki BMKG dan luar negeri. Relokasi gempabumi di sekitar Jawa Barat
menghasilkan E rms sekitar 1. Gempabumi yang telah direlokasi mengalami perubahan sekitar 100 m dari
posisi sebelum direlokasi, dengan waktu komputasi cukup lama pada perhitungan menggunakan stasiun
yang banyak. Untuk mempercepat waktu perhitungan maka dalam penelitian selanjutnya perlu dicoba
diterapkan metoda guided grid search.
Kata kunci: ONTOREDJO seismology toolbox, grid search, relokasi hiposenter
ABSTRACT
The succesfullnes of seismological research is depending on hypocenter determination. Nowaday, BMKG
is not yet have earthquake relocation software, therefore the objective of this research is to develop
earthquake relocation software using Grid Search method. The software is namely ONTOREDJO
Seismology Toolbox, developed using Matlab, and run in linux operating system. Development software
base on linux is expected to integrate more easily with Seiscomp3 that run in linux too. ONTOREDJO was
tested with inserting earthquake data occurred around West Java in 2011, with magnitude above 5, using
BMKG and other countries seismic stations. Earthquake hypocenter was relocated about 100 m from the
initial position, E rms around 1andwith long time computation if using a lot seismic stations. For the next
research, guided grid search method should be use to speed up the computation time.
Keywords: ONTOREDJO seismology toolbox, grid search, hypocenter relocation
PENDAHULUAN
Keberhasilan penelitian seismologi bergantung
pada penentuan lokasi atau hiposenter
gempabumi. Keakuratan hiposenter gempabumi
sangat dipengaruhi oleh beberapa faktor,
diantaranya adalah geometri jaringan seismik,
fase-fase gelombang yang teridentifikasi,
keakuratan pembacaan waktu tiba gelombang
dan pengetahuan mengenai struktur bawah
permukaan bumi. Penentuan hiposenter yang

kurang tepat akan berpengaruh kepada
perhitungan waktu tempuh, jarak episenter,
azimuth episenter dan sebagainya, sedangkan
penentuan hiposenter yang tepat akan
menentukan kualitas hasil berbagai studi
lanjutan.
Salah satu yang menyebabkan sulitnya
penentuan hiposenter adalah dimensi dari sesar
149
gempa yang sangat terbatas khususnya untuk

gempa-gempa besar dimana dimensi sesar
gempa lebih besar daripada panjang gelombang
dari fasa gelombang P dan S yang terekam.
Sebagai
contoh,
penentuan
hiposenter
berdasarkan short period seismogram, biasanya
berkorespondensi
dengan
initial
phase
(faseawal) dari rupture gempa tersebut, dimana
salah satu dari waveform panjang gelombang
tersebut berkaitan dengan lokasi terlepasnya
momen seismik. Untuk gempa-gempa kecil dan
moderat, dimensi dari rupture gempa sangatlah
terbatas dengan orde kilometer atau kurang dari
itu, sedangkan pada gempa-gempa besar, rupture
dapat mencapai puluhan kilometer (Laksono,
2012).
(BMKG) merupakan institusi pemerintah yang
bertugas dalam menginformasikan lokasi
gempabumi yang terjadi khususnya di wilayah
Indonesia. BMKG telah mengoperasikan 160
stasiun seismik yang tersebar di seluruh wilayah
Indonesia dan juga mengambil data seismik dari
stasiun luar negeri. BMKG juga telah
mengoperasikan software yang bernama
SeisComp3. SeisComp3 merupakan software
seismologi yang telah berkembang dalam jangka
waktu sekitar 10 tahun terakhir yang pada
awalnya hanya memiliki modul akuisisi dan
sekarang telah menjadi sebuah perangkat lunak
real-time monitoring gempabumi dengan fitur
yang lengkap. SeisComp3 merupakan generasi
ketiga dari pengembangan SeisComp. Pada
awalnya SeisComp3 dikembangkan oleh GFZ
Jerman pada tahun 2006.
SeisComp3 yang digunakan BMKG terdiri dari
beberapa modul, salah satu modulnya adalah
melakukan perhitungan hiposenter gempabumi.
SeisComp3 secara otomatis mendeteksi event
gempa dan melakukan perhitungan lokasi
gempa. Otomatisasi perhitungan lokasi gempa
ini dibutuhkan agar masyarakat memperoleh
informasi gempa secara cepat. Kebutuhan
terhadap kecepatan informasi gempa tentunya
menyebabkan perhitungan lokasi gempa kurang
akurat. Namun demikian, BMKG juga telah
melakukan quality control terhadap event gempa
yang kemudian disimpan ke dalam katalog
gempabumi, namun quality control ini hanya
sebatas melakukan re-picking terhadap sinyal
agar mendapatkan hasil root mean square error
(Erms) yang cukup kecil. Saat ini BMKG belum

melakukan quality controlevent gempa dengan
cara merelokasi hiposenter gempa.
Relokasi hiposenter gempa merupakan suatu
metode yang bertujuan untuk memperoleh
hiposenter yang lebih baik dan akurat. Relokasi
sangat penting dilakukan karena diharapkan
akan
terlihat
liniasi
hiposenter
yang
merepresentasikan adanya struktur pensesaran.
Saat ini BMKG belum memiliki perangkat lunak
yang mampu merelokasi hiposenter gempa, oleh
karena itu tujuan penelitian ini adalah
mengembangkan sebuah perangkat lunak untuk
relokasi
hiposenter
gempabumi
dengan
menggunakan metode grid search untuk
mendapatkan posisi hiposentergempabumiyang
lebihakurat.
METODE PENELITIAN
Metode relokasi hiposenter yang digunakan pada
penelitian ini adalah metodegridsearch. H a l
p er t a ma yang dilakukan adalahpengaturan grid
padadaerah penelitian, kemudian mengevaluasi
nilai-nilai fungsi objektif adasetiap titik grid.
Titik yang sesuai dengan nilai terbaik darifungsi
objektifdianggap
menjadi
solusioptimal.
Kendala dalam metode ini adalah banyaknyatitik
gridyangdievaluasimembuatmetodekomputasime
njadilebihlama.
Parameter
model
yang
digunakan adalah lintang, bujur dan kedalaman.
Lokasi episenter yang didapat darikatalog
BMKG menjadi solusi apriori dari metoda grid
search. Daerah penelitian merupakan daerah 3
dimensi dengan ukuran volume ruang model 1
x 1 x 20 km. Daerah penelitian tersebut
kemudian didiskretisasi menjadi berukuran
setiap grid 0.05 x 0.05 x 1 km. Setiap grid
merepresentasikan satu model yang dihitung
harga fungsi obyektifnya. Semua grid dalam
ruang model digunakan untuk mendapatkan
solusi yaitu model dengan harga fungsi obyektif
minimum (Laksono, 2012). Fungsi obyektif
didefinisikan sebagai jumlah kesalahan kuadrat:
Agar fungsi obyektif memiliki signifikasi maka

dihitung root mean square error (Erms) dalam
satuan detik:
150
asi(forward
modeling)digunakanmetodepseudobendingyang
menggunakansistemkoordinat bola. (Koketsu
dan Sekine,1998)
Dimana
adalah waktu tempuh data observasi
dari stasiun ke-i,
adalah waktu tempuh
kalkulasi dari stasiun ke-i dan N adalah jumlah
stasiun penerima.
Pengolahan Data
Dari katalog gempa didapatkan informasi waktu
kejadian gempa di sumber gempa (Origin
Time/To). Data waveform yang digunakan
merupakan waveform yang direkam oleh
stasiun stasiunBMKG yang merupakan bagian
dari beberapa jaringan seismik yaitu JISNET,
CEA, Libra, GFZ. Jaringan seismik JISNET,
CEA dan GFZ merekam data dengan sampling
rate 20 Hz sedangkan jaringan seismik Libra
menggunakan sampling rate 25 Hz. Seismometer
yang digunakan adalah seismometer jenis
broadband yang dapat menangkap sinyal seismik
dengan frekuensi antara 0.01 Hz sampai 50 Hz.
Sinyal seismik tersebut kemudian disimpan
dalam format file miniseed per hari.
Dengan memasukkan file konfigurasi yang
berisi parameter gempa dan stasiun- stasiun
perekam, kemudian mengisi waktu awal
pemotongan dan durasinya maka akan diperoleh
sinyal seismik kejadian gempa. Setelah
melakukan pemotongan dan disimpan dalam
file, kemudian melakukan proses high pass
filtering dengan frekuensi cut-off 2 Hz yang
dilanjutkan melakukan picking gelombang P
sinyal seismik. Selisih dari waktu tiba
gelombang P dengan origintime didapatkan
waktu tempuh dari gempa tersebut dari sumber
ke stasiun pengamatan. Waktu tempuh ini
kemudian disebut sebagai waktu tempuh hasil
pengamatan (TObservasi) dari sumber gempa
menuju stasiun pengamatan.
Selanjutnya data waktu tempuh observasi dan
posisi stasiun perekam digunakan sebagai
parameter masukan dalam perhitungan inversi.
Relokasi hiposenter merupakan permasalahan
inversinonlinierdanpadapenelitianinimenggunak
an
pendekatan
pencarianglobal
menggunakanteknikgridsearch,
sedangkanuntukmenghitungwaktutempuhkalkul

Pada penelitian telah berhasil dikembangkan
perangkat lunak yang mampu merelokasi
hiposenter gempa. Perangkat lunak ini diberi
nama ONTOREDJO Seismology Toolbox,
dibuat menggunakan bahasa pemrograman
Matlab dan berjalan pada sistem operasi berbasis
linux. Pengembangan perangkat lunak ini yang
berbasis linux diharapkan akan mempermudah
proses pengintegrasian ke dalam SeisComp3
yang juga berjalan di sistem operasi berbasis
linux.
Gambar 1 memperlihatkan tampilan muka
ONTOREDJO. ONTOREDJO menggunakan
dua tipe file masukan yaitu file katalog gempa
dan file waveform. ONTOREDJO membaca
format file katalog gempa yang disimpan dalam
database SeisComp3 dan file waveform yang
memiliki format miniseed. File katalog gempa
ini berisi parameter gempa seperti nama event
gempa, waktu terjadinya gempa atau origin time,
lintang, bujur, kedalaman gempa. File ini juga
berisi kumpulan stasiun seismik pencatat gempa
beserta parameter tambahan seperti jarak antara
event dan stasiun, jenis fase yang teridentifikasi,
waktu tiba gelombang. Sedangkan file waveform
dibutuhkan
oleh
ONTOREDJO
untuk
ditampilkan pada window waveform guna
melakukan re-picking waktu tiba gelombang P.
File waveform ini bersifat tidak harus ada namun
jika tidak ada maka pengguna tidak bisa
melakukan re-picking waktu tiba gelombang.
File katalog gempa dan file waveform harus
ditempatkan pada direktori yang sama.
Setelah file katalog gempa dimuat (gambar 2.a)
maka secara otomatis ONTOREDJO akan
membaca semua parameter yang diperlukan
untuk melakukan relokasi gempa. ONTOREDJO
melakukan relokasi gempa membutuhkan
parameter masukan yaitu waktu terjadinya
gempa, posisi gempa berupa lintang, bujur dan
kedalaman gempa, posisi stasiun seismik
pencatat gempa, waktu tiba fase gelombang P.
Gambar 2.b memperlihatkan isi file katalog
gempa yang digunakan sebagai file masukan.
151
Gambar 1. Tampilan muka software ONTOREDJO
Gambar 3. Tabel stasiun seismik pencatat gempa
(a)
Gambar 4. Tampilan waveform stasiun pencatat

gempa
(b)
Gambar 2. (a) memuat file katalog gempa, (b)
screenshot file katalog gempa
Gambar 3 memperlihatkan tabel stasiun pencatat

yang dapat dilihat setelah file katalog gempa
dimuat. Tabel ini terdiri dari 7 kolom yaitu nama
stasiun, nama jaringan seismik, lintang dan bujur
stasiun, jarak stasiun terhadap lokasi gempa,
waktu tempuh gelombang P awal dan waktu
tempuh gelombang P hasil re-picking.
ONTOREDJO memberikan fleksibilitas kepada
pengguna untuk menentukan stasiun mana saja
yang akan digunakan. Dengan menekan tombol
Delete maka stasiun terpilih akan terhapus dari
tabel.
Gambar 4memperlihatkan window yang berisi

plotting data waveform setiap stasiun pencatat
gempa. Stasiun stasiun ini telah diurutkan
sesuai dengan jarak stasiun menuju lokasi gempa
dari yang terdekat sampai yang terjauh. Melalui
window ini pengguna dapat melakukan repicking waktu tiba gelombang P. Pada window
ini pengguna dapat menggunakan beragam tool
yang mempermudah dalam proses analisis
waveform. Tool tool yang tersedia pada
window ini antara lain band pass filter, high pass
filter, low pass filter, picking P onset, zooming
x-axis dan zooming y-axis. Tool filtering
memberikan kemudahan bagi pengguna dalam
melakukan penapisan terhadap waveform agar
diperoleh signal to noise ratio (SNR) yang baik
sehingga membantu dalam mengidentifikasikan
waktu tiba gelombang P. Pada window ini juga
dilengkapi dengan toolzooming baik secara arah
vertikal maupun horisontal sehingga dapat
memberikan kemudahan bagi pengguna ketika
melakukan re-picking waktu tiba gelombang P.
152
Software ONTOREDJO diuji dengan dengan

memasukkan data gempabumi yang terjadi di
sekitar daerah Jawa Barat pada tahun 2011
dengan magnitude lebih dari 5 SR. Relokasi
hiposenter menggunakan stasiun seismik yang
dimiliki BMKG dan luar negeri. Pada data
katalog gempabumi ini, stasiun stasiun seismik
yang merekam sinyal gempabumi berjarak ada
yang sampai lebih dari 400 km. Gambar 5
memperlihatkan posisi hiposenter sebelum dan
sesudah relokasi dengan menggunakan software
ONTOREDJO. Tabel 1 memperlihatkan hasil
perhitungan parameter gempa setelah dikoreksi
dengan software ONTOREDJO.
Gambar 5. Posisi hiposenter

sesudah relokasi
sebelum
dan
Tabel 1. Hasil perhitungan parameter gempabumi

setelah direlokasi
banyak stasiun yang dipakai maka maka waktu

penghitungan semakin lama. Gempabumi yang
telah direlokasi rata-rata mengalami perubahan
posisi sekitar 100 meter dari posisi sebelum
direlokasi
KESIMPULAN
Kesimpulan dari penelitian ini adalah:
1. Telah berhasil dikembangkan software
relokasi gempa ONTOREDJO
menggunakan metoda grid search
2. Relokasi gempa di sekitar Jawa Barat
menghasilkan rootmeansquareerror(E rms)
sekitar 1.
3. Gempa yang telah direlokasi mengalami
perubahan sekitar 100 m dari posisi sebelum
direlokasi
4. Waktu komputasi cukup lama pada
perhitungan menggunakan stasiun yang
banyak
Saran yang bisa dikembangkan untuk penelitian
selanjutnya adalah:
1. Perlunya mempercepat waktu perhitungan
dengan menggunakan metoda seperti guided
grid search
2. Perlunya menambahkan fungsi-fungsi
pengolahan sinyal
3. Perlunya penambahan fitur mapping
4. Perlunya pengujian menggunakan data
gempabumi dengan range time yang lebih
banyak dan wilayah yang lebih luas
DAFTAR PUSTAKA
Laksono, B.I. (2012). Relokasi Hiposenter
Gempabumi Tasikmalaya 2 September 2009
Beserta Aftershocknya Dengan Menggunakan
Metoda Grid Search Dan Simulated
Annealing. Tesis. Program Studi Sains
Kebumian: Institut Teknologi Bandung.
Dari hasil uji relokasi software ONTOREDJO

terhadap 10 event gempabumi yang terjadi di
sekitar daerah Jawa Barat tahun 2011 dengan
magnitude lebih dari 5 SR, maka didapatkan
nilai rootmeansquareerror(E rms) sekitar 1.
Waktu penghitungan bervariasi tergantung
jumlah stasiun yang dipakai, dimana semakin
Bahan presentasi, disampaikan dalam Rapat

Koordinasi Tim dan Presentasi Hasil
Penelitian Pasca Gempabumi dan
Tsunami(2012), Jakarta, 20 Desember
2012
Koketsu, K. dan Sekine, S. (1998) : Pseudobending Method for Three-dimensional
Seismic Ray Tracing in a Spherical Earth
with Discontinuities, Geophys. J. Int., 132,
339-346.
153
DISKUSI
1. Taufik Gunawan:
Apa justifikasi bahwa data hasil relokasi benar (lebih baik dari data sebelumnya)?
Justifikasi data hasil relokasi lebih baik dari data sebelumnya adalah nilai rms yang lebih
kecil. Kedepannya akan dibuat cross section untuk melihat secara geologi dan tektoniknya.
2. Rahmat Triyono:
Dalam software ontoredjo yang digunakan untuk relokasi posisi gempabumi ada fasilitas picking
pada data wave formnya, apakah otomatis atau manual?
Picking pada wave form gempabumi yang akan direlokasi bisa dilakukan baik secara otomatis
maupun manual.
154
DESAIN SISTEM PENENTUAN POTENSI TSUNAMI

MENGGUNAKAN : RUPTURE DURATION (Tdur), TIME DOMINAN
(Td) DAN T50EX
SYSTEM DESIGN OF TSUNAMI POTENCY DETERMINATION USING CALCULATIONS
OF RUPTURE DURATION (TDUR), DOMINANT PERIOD (TD), AND t50EX
Masturyono, Thomas Hardy, Pupung Susilanto, Wiko Setyonegoro,
Drajat Ngadmanto, Madlazim
ABSTRAK
Sistem Peringatan Dini Tsunami Indonesia, adalah suatu sistem yang sangat vital dalam
rangka mitigasi bencana alam tsunami. Sistem ini dikembangkan setelah kejadian tsunami
Aceh 2004, yang terdiri dari Sistem monitoring gempabumi secara real time dan sistem
monitoring perubahan permukaan laut. Monitoring gempa bumi bertujuan untuk mengetahui
datangnya potensi ancaman tsunami akibat gempa bumi, sedangkan monitoring perubahan
permukaan air laut digunakan untuk konfirmasi apakah tsunami benar-benar terjadi. Salah
satu kriteria untuk menentukan potensi tsunami adalah magnitudo gempa bumi. Namun
magnitudo gempa bumi bukan merupakan indikator timbulnya tsunami secara umum. Hanya
gempa tertentu saja yang indikator timbulnya tsunami dapat dilihat dari besarnya magnitude.
Lomax dan Michelini (2009), telah mengusulkan bahwa indikator potensi tsunami dapat
dilihat dari rupture duration (Td), Time dominan (Tdom) dan T50EX. Metode ini
dikembangkan pula oleh Madlazim untuk studi kasus gempa bumi di Indonesia. Hasil
pengembangannya sudah digunakan untuk ujicoba secara offline. Hasil uji coba disimpulkan
bahwa system tersebut akurat dan dapat dikembangkan untuk memperkuat InaTEWS dalam
penentuan Potensi Tsunami. Dalam penelitian ini disusun rancang bangun sistem yang
implementasinya untuk uji coba secara real time menggunakan data jaringan InaTEWS
secaralangsung. Dalam pengembangan tersebut perlu membuat tampilan GUI untuk dapat
disandingkan dengan tampilan InaTEWS yang telah ada.
Kata Kunci : peringatan tsunami, rupture duration, time dominan, T50EX, ujicoba
ABSTRACT
Tsunami Early Warning System is the most important.system in tsunami hazard mitigation. This
system develop after Aceh tsunami 2004 occurred. Its consist of real time earthquake monitoring
system and water level monitoring. Earthquake monitoring detectingpotential tsunami hazard,
meanwhile water level monitoring used to confirm if tsunami is occurring. Earthquake magnitude is
one of criteria to determine tsunami potency, but it is not tsunami indicator generaly. Only certain
earthquakes which the onset of tsunami can be seen from the magnitude as indicators. Lomax and
Michelini (2009), proposed that potential tsunami indicators can be seen from the rupture duration
(Td), Time predominant (Tdom) and T50EX. This method was also developed by Madlazim to study
earthquakes in Indonesia. Offline test has been done and the results concluded that the system is
accurate and can be developed to strengthen the Potential Tsunami determination on InaTEWS. This
research is built system design that be able to test in real time using InaTEWS data network directly.
GUI are needed on system develoment to get along with InaTEWS.
Keywords: tsunami early warning, rupture duration, dominant period, T50EX,
155
PENDAHULUAN
Sistem peringatan dini tsunami indonesia
(InaTEWS) mulai dibangun sejak tahun 2005,
saat ini telah dapat berfungsi memberikan
informasi Potensi Tsunami dalam waktu 5 menit
setelah gempa bumi terjadi. Penentuan potensi
tsunami, ditentukan bersarkan pada paramater
gempa bumi
yaitu kedalaman < 70 km,
magnitude > 7, sumber gempa dilautan (P.J.Prih
Harjadi, 2008). Pembangunan dilakukan secara
bertahap dan kriterian potensi tsunami juga
diperbaruhi sesuai dengan hasil evaluasi
terhadap warning yang telah dikeluarkan.
InaTEWS secara resmi beroperasi setelah
dilakukan peresmian oleh Presiden SBY pada
tanggal 11 Nopember 2008. Hasil analisa
potensi tsunami ini diteruskan ke sistim DSS
(Decision Support System), yang akan
memberikan rincian warning, sesuai hasil
perhitungan parameter gempa bumi tersebut.
Dalam penerapannya menunjukan bahwa
akurasinya kriteria ini masih perlu sempurnakan.
Matlazim (2011a, 2011b ,2011c, 2012b,
2012b)telah mengembangkan program komputer
yang berfungsi untuk menghitung estimasi
parameter sumber gempa bumi : durasi rupture
(Tdur), periode dominan (Td), durasi lebih dari
50 detik (T50Ex) dari gelombang P yang
terekam oleh stasiun seismik lokal. Parameter ini
merupakan parameter sumber gempa bumi yang
dapat digunakan memberikan deskripsi tentang
luas rupture dari suatu gempa bumi. Software ini
juga dapat menghitung perkalian antara Tdur
dengan Td dan perkalian antara Td dengan
T50Ex, dimana hasil perkalian ini menjadi
indikator kuat untuk potensi timbulnya tsunami.
Jika terdapat perbedaan yang signifikan antara
kedua hasil perkalian tersebut, maka perkalian
antara T50Ex dengan Td yang bisa digunakan
untuk mengambil keputusan untuk menentukan
Potensi tsunami.
Software ini telah di ujicoba secara off line
dengan menggunakan data wave form secara
langsung format miniseed, sehingga software ini
lebih cepat membaca seismogram secara real
time, tanpa perlu mengkonversi lebih dahulu ke
dalam format SAC atau lainnya. Kecepatan
komputasi terhadap parameter-parameter gempa
bumi tersebut bergantung pada jumlah data yang
diproses. Sebagai contoh jika jumlah data
seismogram yang diproses ada 20 stasiun, maka
waktu yang diperlukan oleh oleh software

tersebut hanya sekitar 18 detik, sehingga
software ini dapat dikembangkan untuk
menyempurnakan indikator potensi tsunami di
InaTEWS.
Untuk menuju ke implementasi software
tersebut dapat digunakan dalam InaTEWS, maka
perlu dilakukan uji coba, dengan data real time
dari jaringan gempa bumi InaTEWS. Ujicoba
akan dilakukan di Lab Komputasi Litbang
Geofisika BMKG secara rutin, untuk
mendapatkan hasil validasi baik dari segi waktu
proses maupun akurasi dari prediksi Potensi
Tsunami. Dalam paper ini dipresentasikan
Desain Sistem Penentuan Potensi Tsunami
Menggunakan : Rupture Duration (Tdur), Time
Dominan (Td ) dan
T50EX, yang akan
diimplementasikan tahun 2013.
METODE PENGEMBANGAN
Untuk pengembangan Desain (Rancang Bangun)
Sistem
Penentuan
Potensi
Tsunami
menggunakan : Rupture Duration (Tdur), Time
Dominan (Td ) dan T50EX, dilakukan langkahlangkah sebagai berikut :
a. Kajian pustaka untuk konsep dan implentasi
dari InaTEWS.
b. Kajian pustaka untuk pengembangan metode
Rupture Duration (Tdur), Time Dominan
(Td ) dan T50EX
c. Penyusunan diagram blok Sistem Penentuan
Potensi Tsunami Menggunakan : Rupture
Duration (Tdur), Time Dominan (Td ) dan
T50EX
d. Kebutuhan dan Spesifikasi Perangkat Keras
HASIL KAJIAN DAN PEMBAHASAN
a. Kajian pustaka untuk grand design dan
implentasi dari InaTEWS (Harjadi, 2008).
Sistem Peringatan Dini Tsunami Indonesia, yang
dikenal dengan InaTEWS (indonesia Tsunami
Early Warning System), adalah suatu sistem
yang produknya berupa peringatan dini akan
adanya potensi tsunami. Sistem ini tidak dapat
memastikan apakah tsunami benar-benar terjadi
dalam waktu 5 menit setelah gempa bumi
terjadi, tetapi hanya dapat memberikan informasi
adanya potensi kejadian tsunami akibat
terjadinya gempa bumi tektonik. Tetapi secara
156
konseptual, sistem ini dapat memberikan

informasi yang lebih lengkap seiring berjalannya
waktu, karena selain berdasarkan parameter
gempa bumi, InaTEWS juga dilengkapi dengan
sistem monitoring perubahan permukaan laut,
yaitu dengan menggunakan tsunami buoy, dan
tide gauge.
Tsunami buoy dirancang untuk dapat
memberikan informasi perubahan ketinggian
permukaan laut di tengah lautan, idealnya di
dekat sumber tsunami. Sehingga konfirmasi
terjadinya tsunami dapat diperoleh setelah atau
bahkan bisa lebih dulu dari potensi tsunami yang
dihasilkan dari analisa gempa bumi. Sistem ini
dikembangkan dan dioperasikan oleh BPPT
(Badan Pengkajian dan Penerapan Teknologi).
Sedangkan tide gauge, adalah sistem monitoring
pasang sursut, yang umumnya dipasang di tepi
pantai. Selain fungsi utamanya untuk monitor
pasang surut, sistem ini dapat digunakan untuk
memonitor
kejadian
tsunami
setelah
gelombangnya sampai di pantai. Secara
konseptual, informasi ini memang terlambat
untuk wilayah dimana alat itu di pasang, tetapi
informasi dari alat ini sangat berguna untuk
wilayah lain yang lebih jauh dari lokasi tide
gauge. Untuk wilayah yang lebih jauh itu,
informasi dari tide gauge merupakan peringatan
tsunami yang paling dapat dipercaya untuk
memperkirakan tingkat ancamannya. Sesuai
dengan
kesepakatan
Nasional
dalam
pembangunan InaTEWS, sistem monitoring
pasang surut merupakan tupoksi dari BIG (badan
Informasi Geospasial).
Untuk menyampaikan peringatan dini tsunami,
dibangun juga sistem desiminasi, sehingga
peringatan dini dapat sampai kepada aparatur
yang berwenang dan masyarakat tepat waktu.
Sistem diseminasi peringatan dini ini dibantu
dengan DSS (Desicion Support System). DSS
dirancang untuk dapat memberikan informasi
lengkap tingkat ancaman tsunami di wilayah
yang terancam oleh suatu kejadian tsunami
tertentu. Paling tidak informasi waktu tiba dan
perkiraan tinggi gelombang tsunami yang akan
terjadi di sepanjang pantai dapat disajikan dari
sistem ini.
InaTEWS juga dilengkapi dengan alat bantu
yang langsung sampai di lokasi pantai, yaitu
sirine. Sirine ini dapat diaktifkan pada saat

terjadi ancaman tsunami untuk wilayah tertentu.
Penyebaran peringatan dini tsunami juga
menggunakan alat komunikasi lain, misalnya
SMS, Media massa : TV, radio, media elektronik
(email), dan lain sebagainya. Semua peralatan
tersebut
digunakan
untuk
membantu
penyampaian peringatan dini tsunami kepada
masyarakat, baik langsung maupun tidak
langsung.
b. Kajian pustaka untuk pengembangan
metode Rupture Duration (Tdur), Time
Dominan (Td ) dan T50EX
Peringatan dini tsunami yang efektif untuk
gempabumi yang terjadi di dekat garis pantai
membutuhkan waktu sekitar 3 5 menit setelah
origin time (OT) gempabumi untuk memastikan
apakah gempabumi tersebut berpotensi terjadi
tsunami atau tidak. Beberapa lembaga
seismologi dunia seperti Japan Meteorology
Agency (JMA), the Indonesian tsunami early
warning system(Ina-TEWS) dan West Coast and
Alaska (WCATWC),Pasific Tsunami Warning
Centres(PTWC) pertama kali mengidentifikasi
gempabumi-gempabumi
yang
berpotensi
menimbulkan tsunami berdasarkan parameterparameter gempabumi seperti lokasi, kedalaman
dan magnitudo yang ditentukan secara cepat.
Ina-TEWS menentukan kriteria gempabumi
yang menimbulkan tsunami adalah magnitudo
7, episenter di laut, dan kedalaman < 100 km.
Fakta telah menunjukkan bahwa walaupun
kriteria tersebut sudah terpenuhi, tetapi tidak
semua gempabumi tersebut dapat menimbulkan
tsunami yang signifikan, contohnya gempa bumi
Padang 30 September 2009 Mw= 7.6. Sementara
itu gempabumi dengan magnitudo kurang dari 7
bisa menimbulkan tsunami, contohnya gempa
bumi Flores 14 Mei 1995 dengan Mw= 6.9. Oleh
karena itu kinerja peringatan dini tsunami perlu
terus diperbaiki (Kumar et al., 2010).
Besar dan dampak tsunami sangat terpengaruh
oleh pergeseran lantai dasar laut yang
berhubungan dengan panjang (L), lebar (W),
mean slip (D), dan kedalaman (z), dari rupture
gempabumi. Lomax dan Michelini (2009b;
2011) telah menemukan bahwa parameter
panjang rupture dari suatu gempa bumi
merupakan parameter yang paling dominan
157
sebagai penyebab tsunami. Untuk mengukur

panjang rupture diperlukan metode yang
komplek dan membutuhkan waktu komputasi
yang lebih lama, sehingga tidak layak digunakan
untuk peringatan dini tsunami. Lomax and
Michelini (2009b; 2011) juga telah menemukan
hubungan antara L dan durasi rupture yang bisa
dinyatakan bahwa durasi rupture sebanding
dengan panjang rupture. Untuk mengestimasi
durasi rupture (To atau Tdur) bisa dilakukan
dengan
cara
menganalisis
seismogramseismogram grup gelombang P yang dominan
dari seismogram frekuensi tinggi dari gempa
bumi, sehingga durasi rupture gempa bumi bisa
digunakan untuk peringatan dini dari tsunami
(Geist dan Yoshioka, 1996; Geist and Parsons,
2005; Olson and Allen, 2005).
Parameter lain yang bisa dijadikan parameter
peringatan dini tsunami adalah periode dominan
dari gelombang P, yang merupakan nilai puncak
dari Time Domain (c).
(2)
T50 Exceedance (T50EX) adalah nilai
perbandingan RMS ampiltudo saat durasi
rupture (Tdur) mencapai 50-60s dengan rms
amplitude saat durasi rupture 025 s.
Software perhitungan Td, Tdur dan T50Ex
ditulis menggunakan bahasa pemrograman
BASH yang bisa running pada sistem operasi
LINUX (UNIX). Software ini bisa di compile
dan dijalankan dalam satu perintah (commandline) shell pada semua system LINUX (UNIX).
Kompilasi
ini
membutuhkan
software
SeisGram2K60_20111209.jar
yang
bisa
didownload di website:
http://alomax.free.fr/seisgram/ver60/SeisGram2
K_install.html.
Software perhitungan Td, Tdur dan T50Ex
merupakan program komputer yang berfungsi
untuk mengestimasi parameter sumber gempa
bumi; durasi rupture (Tdur), periode dominan
(Td), durasi lebih dari 50 detik (T50Ex) dari
gelombang P yang terekam oleh stasiun seismik
lokal dengan menggunakan metode prosedur
langsung. Software ini juga mengkomputasi
perkalian antara Tdur dengan Td (Tdur * Td)
dan perkalian antara Td dengan T50Ex (Td *
T50Ex). Kedua hasil perkalian ini memberikan

deskripsi tentang luas rupture. Oleh karena itu,
hasil perkalian ini menjadi indikator kuat
terjadi/tidaknya tsunami. Jika terdapat perbedaan
yang signifikan antara kedua hasil perkalian
tersebut, maka perkalian antara T50Ex dengan
Td yang diprioritaskan untuk digunakan sebagai
bahan pengambilan keputusan apakah gempa
bumi tersebut menimbulkan tsunami atau tidak.
Indikator potensi tsunami dari masing-masing
parameter adalah jika: Tdur > 65, Td > 10,
T50Ex > 1, Tdur * Td > 650, Td * T50Ex > 10.
Gelombang P adalah bagian dari gelombang
seismik gempa bumi yang merambat dengan
kecepatan paling besar dibandingkan gelombang
S dan gelombang L maupun R, sehingga dalam
waktu kurang dari 2 menit data gelombang P
sudah terekam di stasiun seismik lokal dan
selanjutnya diproses untuk menentukan Tdur,
Td, T50Ex, perkalian Tdur dengan Td (Tdur *
Td) dan perkalian T50Ex dengan Td (Td *
T50Ex).
Matlazim
(2012),
telah
mengembangkan software perhitungan Td, Tdur
dan T50Ex bisa secara langsung membaca data
seismogram dalam format miniseed, sehingga
software ini lebih cepat membaca seismogram
secara real time, tanpa perlu mengkonversi lebih
dahulu ke dalam format SAC atau lainnya.
Kecepatan komputasi terhadap parameterparameter gempa bumi tersebut bergantung pada
jumlah data yang diproses. Sebagai contoh jika
jumlah data seismogram komponen vertikal
yang diproses ada 20 yang direkam oleh 20
stasiun, maka waktu yang diperlukan oleh
software ini untuk komputasi parameterparameter tersebut sekitar 18 detik. Hasil uji
coba offline dari software ini seperti terlihat
pada tabel 1.
c. Penyusunan
Diagram Alir
Sistem
Penentuan
Potensi
Tsunami
Menggunakan : Rupture Duration
(Tdur), Time Dominan (Td ) dan T50EX
Untuk memudahkan penyusunan Rancang
bangun Sistem Penentuan Potensi Tsunami
menggunakan Tdur, Td, dan T50EX, terlebih
dahulu dibuat diagram alirnya, seperti terlihat
pada gambar 1.
158
Tabel 1. Hasil Uji coba offline program aplikasi penentuan potensi tsunami menggunakan perhitungan Tdur, Td dan T50Ex
terhadap beberapa gempabumi yang berpotensi tsunami
Origin time
Kota/Tsunami?
Lintang
()
-10,48
-1,26
Bujur
()
112,84
127,98
d
(km)
6
20
Sesar
Mw
Td
T50Ex
TdT50Ex
Tr
Tr
7,7
6,8
21,9
4,4
1,6
0,5
35,0
2,2
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
N
N
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
7,1
7,9
8,2
7,0
7,5
7,5
7,6
7,5
7,5
9,0
8,6
7,6
6,7
7,7
8,4
5,3
25,7
14,9
10,8
5,2
10,7
13,5
10,1
8,7
18,8
13,7
2,1
4,6
9,1
13,2
0,7
0,7
1,5
0,9
0,9
1,1
0,7
1,2
0,8
2,0
3,4
0,3
0,5
1,6
2,9
3,7
17,9
22,4
9,7
4,9
11,8
9,5
12,1
6,9
37,6
46,9
0,63
2,3
14,6
38,3
7,9
7,0
6,8
7,4
6,9
7,3
7,6
7,4
7,1
7,0
7,5
6,6
7,8
7,2
7,8
8,6
7,9
13,9
6,4
7,9
6,4
7,2
8,7
10,3
12,7
8,1
6,0
7,9
6,9
13,4
7,1
8,7
4,9
13,9
1,4
0,6
0,7
0,9
0,7
0,8
0,7
0,5
0,4
0,6
0,7
0,7
1,5
0,6
1,5
2,7
1,4
19,5
3,8
5,5
5,8
5,0
7,0
7,2
6,4
3,2
3,6
5,5
4,8
20,1
4,3
13,1
13,2
19,5
1994/06/02-18:17
1994/10/08-21:44
Banyuwangi/T
Halmahera/tT
1994/11/14-19:15
1996/01/01-08:05
1996/02/17-05:59
1998/07/17-08:49
2000/05/04-04:21
2002/03/05-21:16
2002/09/08-18:44
2002/10/10-10:50
2004/11/11-21:26
2004/12/26-00:58
2005/03/28-16:09
2006/01/27-16:58
2006/03/14-06:57
2006/07/17-08:19
2007/09/12-11:10
Filipina/tT
Sulawesi/T
Papua/T
PN_Guinnea/T
Sulawesi/tT
Filipina/T
PNGuinea/T
Papua/T
Timor/tT
Sumatra-Andaman/T
Nias/T
Laut Banda/tT
Laut Seram/tT
Pangandaran/T
Sumatra Selatan/T
13,52
0,73
-0,89
-2,96
-1,105
6,03
-3,23
-1,71
-8,17
3,30
2,09
-5,48
-3,59
-9,25
-4,52
121,07
119,93
136,95
141,93
123,57
124,24
142,87
134,17
124,86
95,98
97,11
128,09
127,21
107,41
101,38
14
14
11
7
6
31
33
10
10
39
21
397
31
34
30
2007/09/12-23:49
2007/09/13-03:25
2007/10/24-21:02
2008/02/20-08:08
2008/02/25-08:36
2008/11/16-17:02
2009/01/03-19:43
2009/01/03-22:33
2009/02/11-17:34
2009/09/02-07:55
2009/09/30-10:16
2009/11/08-19:41
2010/04/06-22:15
2010/05/09-05:59
2010/10/25-14:42
2012/04/11-08:38
2007/09/12-23:49
Sumatra Selatan/T
Sumatra Selatan/nT
Sumatra Selatan/nT
Sumatra Utara/nT
Sumatra Selatan/nT
Sulawesi/nT
Papua/nT
Papua/nT
Talaud/nT
Tasikmalaya/nT
Padang/nT
Sumbawa/nT
Sumatra Utara/T
Sumatra Utara/nT
Mentawai/T
Sumatra Utara/T
Sumatra Selatan/T
-2,53
-2,22
-3,84
2,75
-2,35
1,29
-0,51
-0,70
3,90
-7,77
-0,79
-8,27
2,38
3,75
-3,48
2,31
-2,53
100,96
99,56
100,91
95,97
100,02
122,10
132,78
133,28
126,40
107,32
99,96
118,63
97,05
96,02
100,11
93,06
100,96
10
10
30
34
35
26
35
35
20
50
80
33
31
38
21
23
10
159
Gambar 1: Diagram alir Sistem Penentuan Potensi Tsunami

menggunakan Tdur, Td, dan T50EX
Data wave form dialirkan secara kontinyu (terus
menerus) dan real time dalam sistem ini dari
jaringan InaTEWS. Bila tidak ada indikator
adanya gempa bumi, sistem terus mengalirkan
data waveform sesuai dengan time serinya.
Bila suatu saat mendapatnya indikator adanya
gempabumi, maka akan di evaluasi apakah
informasi dari sistem InaTEWS atau dari atau
dari sumber lain. Bila dari Ina TEWS maka akan
diperoleh flag secara otomatis, tapai bila dari
jaringan lain akan dibuat flag manual.
Selanjutnnya dilakukan parsing data dalam
format sbagai berikut :
Stasiun
Tanggal
Jam
........... ...........
...........
Untuk 12 stasiun
Pengambilan data untuk proses perhitungan Td,

Tdur, dan T50EX, dilakukan dengan logika
sebagai berikut :
Apakah jumlah baris > 0. Bila jawaban ya, maka
akan dilakukan pemotongan data digital
berdasarkan sebagai berikut:
Ambil data waktu tiba gelombang P (tP)
Waktu awal pemotongan : waktu tiba
gelombang P (tP) 30 detik
Waktu akhir pemotongan : waktu tiba
gelombang P (tP) + 180 detik
Ambil data digital ke data bank
Pemotongan data Mseed
Identifikasi jumlah baris
160
Setelah Jumlah baris = 0, berati tidak memenuhi

jumlah baris > 0, dilakukan proses berikutnya
yaitu :
Dimulai proses perhitungan Td, Tdur dan
T50EX, Td*Tdur, dan Td*T50EX,
berdasarkan metode yang dikembangkan
oleh Matlazim (2011).
No
1
Tabel 2. Kriteria Potensi tsunami

Parameter
Kriteria Ya
T Dominan (Td)
> 10
detik
Rupture
Duration
(Tdur)
T50EX
4
5
Td * Tdur
Td * T50EX
KESIMPULAN
> 650
detik
>1
detik
>650
>10
Tidak
V
v
v
POTENSI TSUNAMI
d. Kebutuhan dan Spesifikasi Perangkat

Keras.
Untuk mengembangkan sistem ini diperlukan
beberapa perangkat keras. Kebituhan tersebut
paling tidak terdiri dari :
Satu set computer sekelas work station atau
server dengan memori minimal 8 gb, yang
dilengkapi dengan sistem operasi linux dan
monitor serta speaker aktive
Perangkat software yang mengakomodir
diagram logika diatas.
Untuk operasional sistem ini didesign
berjalan otomatis , dimana input yang
diperlukan berupa sinyal gempa dan trigger
event di intergrasikan atau diperoleh dari
system processing yang ada, yang ada dan
secara fisik di letakan di meja operator
InaTEWS.
KESIMPULAN
Hasil kajian terhadap sistem Penentuan
Potensi Tsunami yang telah dikembangkan
oleh Matlazim (2012) secara offline,
dengan menggunakan data-data gempa
bumi Indonesia disimpulkan bahwa system
tersebut akurat dan dapat dikembangkan
untuk memperkuat InaTEWS dalam
penentuan Potensi Tsunami.
Pembuatan Peta berdasarkan data parameter

gempa dari InaTEWS
Dilakukan tes logika, untuk menentukan
Potensi tsunami.
Kriteria Potensi tsunami diambil berdasarkan
hasil studi Madlazim (2012), dapat dilihat pada
tabel
2.
Untuk itu dibuat rancang bangun
implementasinya untuk dapat melakukan
uji coba secara real-time menggunakan
langsung data jaringan InaTEWS, seperti
yang telah dibahas dalam paper ini.
Dalam pengembangan tersebut perlu

membuat tampilan GUI untuk dapat
disandingkan
dengan
tampilan
InaTEWS yang telah ada.
DAFTAR PUSTAKA
Lomax, A dan Michelini, A, 2009, Tsunami
Early Warning Using Earthquake Rupture
Duration,Geophysical
Research
Letter,Vol. 36.
Early Warning Using Earthquake Rupture
Duration and P-Wave Dominant period:
the important of length and depth of
faulting,
Geophysical
Journal
International.
Early Warning Within 5 minutes, Pure and
Applied Geophysics.
Madlazim (2011), Toward Indonesian Tsunami
Early Warning System by Using Rapid
Rupture Duration Calculation, Science of
Tsunami Hazards, Vol 30, No. 4, Tsunami
Society International, USA.
Madlazim (2011), Menuju Sistem Peringatan
Dini Tsunami Menggunakan Perhitungan
Durasi Rupture Gempabumi secara Cepat
dan Tepat, Edisi 3, 2011, Himpunan Ahli
Geofisika Indonesia (HAGI).
Madlazim, (2011), Estimasi Durasi, Arah dan
Panjang Rupture, serta Lokasi-lokasi
Gempabumi
Susulan
Menggunakan
Perhitungan Cepat, Jurnal Penelitian
Fisika dan Aplikasinya (JPFA), Vol 2, No.
2.
161
Madlazim (2011) Toward tsunami early warning

system in Indonesia 3 minuts, Seminar
Ilmiah Bulanan BMKG "Scientific Journal
Club", Jakarta 28 Nopember 2011.
Madlazim (2012), Toward tsunami early
warning system in Indonesia by using
rapid rupture durations estimation, AIP
Conf. Proc. 1454, pp. 142-145;
doi:http://dx.doi.org/10.1063/1.4730707 (4
pages)
INTERNATIONAL
CONFERENCE ON PHYSICS AND ITS
APPLICATIONS: (ICPAP 2011)
Madlazim (2012),Menuju Peringatan Dini

Tsunami Menggunakan Perhitungan Cepat
Periode Dominan danT50 Exceeds,
Seminar
Ilmiah
Bulanan
BMKG
"Scientific Journal Club" Kerjasama
BMKG-ITS, Surabaya, Kamis, 27
September 2012.
P.J. Prih Harjadi (Editor), 2008, Indonesia
Tsunami
Early
Warning
System
(InaTEWS) : Konsep dan Implementasi,
BMKG.
DISKUSI
1. Rahmat Triyono:
Kriteria di operasional untuk tsunami M7 dengan kedalaman <100 km, bukan <70 km. Sulit untuk
menemukan kriteria yang tepat.
Batas-batas penentuan potensi tsunami dari data gempabumi memang sulit karena digunakan
untuk tujuan praktis (operasional) dan diseminasi yang seharusnya didasari oleh ilmiah. Harus
ada sense ilmiah dari para operator dalam menjalankan SOP di operasional.
Apakah duration rupture sama dengan durasi gempa?
Rupture duration yang digunakan bukan signal duration (durasi gempa), karena kalau signal
duration sudah merupakan gabungan dari banyak fase sehingga menjadi panjang, sedang rupture
duration adalah berapa lama patahan itu bergerak yang mengindikasikan panjang rupture pada
sumbernya.
2. Bambang SP:
Tdom yang digunakan apakah dari ambient noise atau dari mana?
Tdom yang dimaksud disini adalah T dominan atau T terbesar dalam sinyal gempa tersebut yang
menggambarkan lebar rupture sumber gempa. Jadi bukan T dominan yang dihitung dari ambient
noise atau biasa disebut periode dominan yang menggambarkan periode natural dari tanah di
lokasi sensor.
3. Taufik Gunawan:
Berapa waktu yang dibutuhkan oleh sistem tersebut untuk menentukan potensi tsunami?
Waktu yang digunakan untuk menghitung potensi tsunami menggunakan duration rapture masih
sulit dijawab secara pasti karena belum diaplikasikan pada data real time. Selama ini dilakukan
pada data offline, dan untuk proses perhitungannya hanya perlu beberapa detik.
162
DESAIN PENGEMBANGAN SISTEM MONITORING GEMPABUMI

(DESIGN FOR DEVELOPMENT OF EARTHQUAKE MONITORING SYSTEM)
Jimmi Nugraha1, Januar Arifin2, Masturyono1, Kadnan3, Wiko Setyonegoro1, Sulastri1
1
Puslitbang BMKG, Jl. Angkasa 1 No. 2 Kemayoran Jakarta Pusat, 10720

Stasiun Geofisika BMKG, Jl. Raya Bajo, Ds. Kahang-kahang, Karangasem, Bali
3
Pusdiklat BMKG, Jl. Angkasa 1 No. 2 Kemayoran Jakarta Pusat, 10720
E-mail: jimmi.nugraha@gmail.com
ABSTRAK
Telah dilakukan kajian untuk pengembangan Sistem Monitoring Gempabumi (SMG) menggunakan
jaringan Indonesia Tsunami Early Warning System (InaTEWS). Sistem ini, diharapkan dapat digunakan
untuk menentukan parameter gempabumi dan mekanisme sumber gempabumi, baik secara manual
maupun otomatis. Input dari sistem ini adalah data waveform dari jaringan stasiun InaTEWS yang
dialirkan ke dalam sistem menggunakan protokol Seedlink via jaringan publik (internet), yang kemudian
diproses dengan beberapa modul sehingga dapat dilakukan picking otomatis. Hasil picking otomatis akan
menjadi masukan untuk modul Locator. Modul Locator diharapkan menghasilkan Parameter Gempabumi
yang menjadi masukan untuk modul JISView. Pengolahan data dalam modul JISView dapat
menghasilkan mekanisme sumber gempabumi dalam orde beberapa detik, setelah menerima data hasil
picking yang cukup dan parameter gempabumi. Metode yang digunakan dalam memodelkan mekanisme
sumber gempabumi yaitu metode impulse pertama gelombang P. Diharapkan sistem ini dapat
diimplentasikan di stasiun Geofisika menjadi sistem operasional sebagai pelengkap informasi gempabumi
dari InaTEWS.
Kata kunci: sistem, monitoring, gempabumi, otomatis
ABSTRACT
Studies for development of Earthquake Monitoring System (EMS) has been doneuses
theIndonesiaTsunamiEarlyWarningSystem (InaTEWS) network. This systemis expected tobe
usedtodetermine theparameters ofearthquakesandearthquakesourcemechanism, either manually
orautomatically. Inputof this system isthe waveform data fromstation network of InaTEWSsupplied to
thesystem usinga networkprotocolSeedlink, which is thenprocessed bya number of modulesallow
forautomatedpicking. The resultswillbe inputautomaticallypicking for Locatormodule. Locator module
expected
to produce Earthquake
ParameterstheinputofJISView module.
Processingdata
inJISViewmodulecan generatean earthquakesourcemechanismsin theorder of a fewseconds,
afterreceivingsufficientoutcome datapickingandearthquakeparameters. Thissystem is expectedtobe
implementedin
theGeophysicsstationbecameoperational
systemsas
complementaryearthquake
informationfromInaTEWS.
Keywords: system, monitoring, earthquake, automatic
163
PENDAHULUAN
Gempabumi merupakan fenomena alam yang
dapat terjadi kapan saja dan dimana saja. Respon
tanggap bencana gempabumi bermula pada
seberapa cepat sebuah sistem informasi dini
gempabumi bekerja. Badan Meteorologi
Klimatologi dan Geofisika (BMKG) melalui
InaTEWS, mampu menyampaikan informasi
gempabumi dan peringatan tsunami kepada
masyarakat dan stakeholders dalam waktu
kurang dari 5 menit [1].
Sejak
tahun
2011,
Puslitbang
telah
mengembangkan software JISView yang mampu
menentukan mekanisme sumber gempabumi
secara cepat, sekitar 5 sampai 7 menit setelah
kejadian gempabumi.[2]
Perbandingan keluaran dilakukan terhadap hasil
penentuan mekanisme sumber gempabumi
software JISView dengan Badan Meteorologi
Klimatologi dan Geofisika (BMKG), Geo
Forschungs Zentrum (GFZ) dan United State
Geological Survey (USGS) Global CMT.
Berdasarkan
penentuan
dan
pemodelan
mekanisme sumber gempabumi yang dilakukan,
secara umum hasil yang diperoleh sama dengan
model yang dihasilkan oleh institusi-institusi
tersebut. [2]
Walaupun kinerja dari JISView sudah cukup
baik, sistem ini masih dikembangkan untuk
dapat melakukan picking otomatis dari data
stream real-time dari server jaringan monitoring
seismik [3], sehingga kecepatan proses dapat
ditingkatkan lagi. Hasil picking otomatis ini
dapat
dimanfaatkan
untuk
menentukan
parameter gempabumi dengan cara otomatis
pula. Sehingga apabila JISView digabungkan
dengan sistem penentuan lokasi gempabumi
(locater) dapat menjadi sistem monitoring
gempabumi secara otomatis. Sistem ini dapat
digunakan untuk monitoring gempabumi di
stasiun geofisika. Dalam paper ini akan dibahas
Rancang
Bangun
Sistem
Monitoring
Gempabumi
berdasarkan
pengembangan
JISView.
Rancang
Bangun
Gempabumi (SMG)
Sistem
Monitoring
Rancang bangun SMG ini dikembangkan

dengan asumsi bahwa :
1. Data dari stasiun InaTEWS dapat dijadikan
input dari sistem ini di stasiun-stasiun
geofisika.
2. JISView
telah
mampu
berfungsi
menentukan
mekanisme
sumber
gempabumi secara cepat dan tepat sejak
menerima data yang cukup.
3. Infrastruktur perangkat keras dan jaringan
internet yang memadai di stasiun geofisika
baik dari segi kestabilan maupun alokasi
bandwidth-nya.
Dengan asumsi tersebut, SMG dapat dirancang
seperti pada gambar 1, dengan modul-modul
sebagai berikut :
1. Modul Seedlink
Modul ini digunakan untuk mengalirkan data
waveform dari jaringan ke modul Data
Processing.
2. Modul Data Procesing
Modul ini terdiri dari beberapa sub modul
yang berfungsi untuk membaca paket mini
seed, mengekstrak raw data waveform,
mengekstrak metadata waveform, membuka
dan memecah data mini seed, menampilkan
selektor data berbasis GIS, mengarsipkan
data waveform.
3. Modul Picking Automatic
Modul ini berfungsi untuk melakukan
picking otomatis menggunakan STA/LTA,
mengukur amplitudo maksimum dan
periodenya.
4. Modul Locator
Modul ini berfungsi untuk menentukan
parameter
gempabumi,
termasuk
magnitudonya.
5. Modul JISView
Modul ini berfungsi untuk menentukan
mekanisme sumber gempabumi.
6. Modul Visual Display
Modul ini berfungsi untuk menampilkan
parameter
gempabumi
dan
mekanisme
sumbernya, berbasis GIS.
164
JARINGAN
InaTEWS
Data
Processing
Seedlink
Picking
Automatic
Parameter Gempabumi
(Lat, Lon, Depth, OT, Mag)
Locator
Database
Gempabumi
INFORMASI
GEMPABUMI
Mekanisme Sumber
Gempabumi
JISView
Gambar 1. Alur Proses Sistem Informasi Gempabumi

Detail Proses Dan Sub-Sub Modul
Relasional modul proses dan aliran data dalam
sistem yang akan dikembangkan dideskripsikan
dalam bentuk Data Flow Diagram (DFD).
Sistem memiliki batas tepi (boundaries) yang
memisahkan proses internal dengan entitas luar
yang berinteraksi dengannya [3]. Entitas luar
terkait sebagaimana digambarkan dalam diagram
konteks di bawah ini ialah Operator,
Stakeholders, BMKG server, GFZ Jerman
server, IRIS/USGS server, JISView, Atomic
Clock Server.
Entitas operator berperan sebagai pengendali dan
supervisi sistem. Operator memiliki hak untuk
mengatur konfigurasi sistem, menyeleksi
jaringan sensor yang akan dimuat, melakukan
analisa manual event gempabumi dan
mendapatkan informasi dini gempabumi.
Stakeholders merupakan entitas muara atau
output sistem. Stakeholders merupakan target
diseminasi informasi dini gempabumi. Operator
berkewajiban untuk mendaftarkan nomor kontak
stakeholder ke dalam modul diseminasi agar
stakeholder tersebut bisa mendapatkan SMS
informasi dini gempabumi.Entitas BMKG
server, GFZ server dan IRIS/USGS server
berperan menyediakan akses data baik melalui
protokol Seedlink maupun Arclink melalui
jaringan publik (internet).
Sistem monitoring waveform harus memiliki
referensi pewaktuan global. Sistem didesain
untuk dapat melakukan sinkronisasi waktu
secara periodik dengan entitas server jam atom
(Atomic Clock Server) melalui internet. Sistem

menangkap time pulse periode 1 detik yang
dikirim dari server jam atom melalui socket
TCP/IP dengan menggunakan protokol SNTP
(Simple Network Time Protocol).
Sistem informasi dini gempabumi terdiri dari 10
buah modul yang berinteraksi dan memiliki
fungsi proses saling terkait. Relasional modulmodul tersebut digambarkan pada Bagan
Berjenjang SMG dan DFD Level 0 seperti
Gambar 2 dan Gambar 3.
a.
Modul MSeed Translator

Modul ini berperan untuk mentranslasikan
setiap packet MSeed 512 bytes yang
dikirim kepadanya menjadi rangkaian
rawdata dan metadata ASCII (teks).
Sementara ini, Modul MSeed Translator
hanya mendukung tipe kompresi MSeed
dengan algoritma STEIM-2. Hasil translasi
selanjutnya
dikirim
ke
modul
WaveformPlot untuk diproses lebih lanjut
dan ditampilkan dalam bentuk grafis.
b.
Modul Offline Mseed File Loader

Modul ini berperan untuk menyediakan
antar muka (interface) bagi operator untuk
membuka sebuah file single maupun multi
fileMSeed. Modul ini membaca fileMseed
sebagai sebuah kumpulan paket binary dan
memecahnya menjadi paket-paket kecil
berukuran 512 bytes. Setiap paket tersebut
selanjutnya dikirim ke modul MSeed
Translator untuk ditranslasikan.
165
c.
di-request melalui Arclink adalah waveform

yang bersifat lampau (non real-time) [5]
dan telah diarsipkan pada server tersebut.
Modul SeedLink Near Real-Time Stream

Modul ini memiliki fungsi utama untuk
melakukan komunikasi dengan Seedlink
server melalui socket Winsock TCP/IP.
Modul ini memproses sensor atau channel
mana saja yang akan di-request ke server
dengan menyediakan interface bagi
operator yang berupa peta jaringan dan
informasi spasialnya. Operator berinteraksi
dengan
memberikan
input
daftar
sensor/channel yang dikehendaki akan
dimuat waveform-nya. Operator dapat
memilih tampilan jaringan sensor pada peta
sesuai dengan jaringan yang menjadi
otoritas server tertentu. Jaringan (Network)
dan Channel yang telah dipilih selanjutnya
oleh sistem didaftarkan ke dalam sebuah
fileSession.
Prinsip kerja protokol Arclink pada modul

ini mirip dengan protokol Seedlink yaitu
terdiri dari Modifier Command dan Action
Command [5]. Action Command yang
dikirim menandakan bahwa socket telah
siap menerima packet kiriman dari server
Arclink. Perbedaannya, pada Seedlink, tipe
paket yang diterima merupakan paket
MSeed (waveform), sedangkan pada
Arclink dapat berupa paket MSeed
(waveform), XML (inventory) maupun
string ASCII (Response).
Setiap paket yang tiba diproses sesuai tipe
paketnya masing-masing. Paket MSeed
selanjutnya dikirim ke MSeed Translator
untuk ditranslasikan. Paket XML Inventory
diekstrak dengan
XML
Translator
kemudian diarsipkan ke dalam database
Inventory. Paket string ASCII Response
langsung disimpan ke dalam database
Response.
Fitur tambahan pada interface ini, yaitu

operator dapat meminta sistem untuk
mengupdate database inventory jaringan
sensor dan mensinkronisasikannya dengan
server tertentu melalui protokol Arclink.
List Channel dan Network yang telah
dimuat pada fileSession selanjutnya diakses
dan diproses menjadi sebuah Modifier
Command dan selanjutnya dikirim ke
Seedlink server. ActionCommand dikirim
sebagai penutup dari semua Modifier
Command yang menandakan socket
Winsock TCP/IP sistem telah siap
menerima kiriman stream paket data dari
server.
Setiap paket MSeed yang tiba pada socket
berukuran kelipatan 520 bytes (5 bytes
Sequence ID Header + 512 MSeed Data)
[4]. Paket MSeed tersebut selanjutnya
dikirim ke MSeed Translator untuk
ditranslasikan. Disamping itu pula modul
membentuk
buffer
internal
yang
mengarsipkan paket MSeed tersebut sesuai
dengan channel-nya masing-masing.
d.
Modul ArcLink Archive Data Loader

Modul ini memiliki fungsi utama untuk
melakukan
komunikasi
dengan
Arclinkserver melalui socket Winsock
TCP/IP. Modul ini memproses permintaan
data baik waveform, inventory maupun
respon ke Arclinkserver. Waveform yang
e.
Modul Playback Data

Modul ini merupakan fitur yang dimiliki
sistem untuk melakukan playback data atau
pemuatan ulang data dari arsip buffer
internal maupun arsip online melalui
Arclink. Operator dapat melakukan analisa
ulang bagi event yang terekam pada
waveform.
f.
Modul Waveform Plot

Modul ini merupakan modul utama yang
menjadi visual interface bagi operator.
Modul ini mengolah paket MSeed yang
telah ditranslasikan ke dalam bentuk string
ASCII Rawdata dan metadata menjadi
visual grafis waveform. Paket MSeed
tersebut diselaraskan dengan waktu sistem
dan dikelompokkan ke dalam sebuah buffer
temporary sesuai dengan grup channel-nya
masing-masing.
Modul ini sebagai sebuah Graphical User
Interface (GUI) utama bagi operator
menyediakan panel-panel konfigurasi dan
kontrol sistem, diantaranya adalah panel
fungsi disablechannel dan update response.
166
channel dicatat sebagai arrival time

gelombang P dan dideteksi orientasi
polaritasnya.
Panel fungsi disable channel berfungsi

untuk menseleksi ulang channel-channel
yang ditampilkan pada grafis. Sistem akan
membuang channel yang tidak diinginkan
dengan mengubah struktur daftar channel
pada filesession. Modul ini selanjutnya
akan memerintahkan Modul Seedlink Near
Real-Time Stream untuk melakukan reset
atau koneksi ulang.
Arrival time gelombang P selanjutnya

diproses untuk mendapatkan parameter
origin time, koordinat lokasi dan
kedalaman. Jarak episenter dihitung pula
terhadap masing-masing sensor/channel
sebagai penentu tipe magnitudo yang akan
dikenakan pada masing-masing channel
tersebut.
Panel fungsi update response berfungsi

untuk mensinkronisasikan ulang database
response channel ke Arclinkserver.
Sinkronisasi respon channel sangat penting
untuk menjamin validitas respon channel
yang sangat berperan terhadap ketepatan
perhitungan magnitudo.
g.
h.
i.
Amplitudo maksimum diambil sesuai

dengan tipe magnitudo dari channel
tersebut. Amplitudo maksimum yang masih
berupa bilangan ADC (Count) perlu
diselaraskan dengan respons sensor/channel
untuk mendapatkan nilai ground motionnya [7]. Variabel jarak dan amplitudo
maksimum
menjadi
input
dalam
perhitungan magnitudo.
Orientasi polaritas selanjutnya dihitung
parameter
bidang
sesarnya
(focal
mechanism)
dengan metode impulse
pertama gelompang P [3]. Hasil
perhitungan tersebut selanjutnya dikirim ke
entitas luar JISView untuk diproses lebih
lanjut.
Modul Global Timing

Modul ini berfungsi untuk menyediakan
fitur untuk melakukan sinkronisasi waktu
sistem dengan server jam atom melalui
internet
secara
periodik.
Operator
menetapkan rentang periodik waktu
sinkronisasinya. Protokol sinkronisasi yang
digunakan menggunakan protokol SNTP
(Simple Network Time Protokol). SNTP
menghubungkan sistem sebagai client
dengan server melalui socket Winsock
TCP/IP. Time Pulse yang dikirim memiliki
ketepatan dengan orde 1 detik [6].
Modul Signal Processing
Waveform yang memiliki tingkat noise
tinggi berpotensi untuk mengurangi
kemampuan sistem untuk menangkap
sebuah kejadian gempabumi yang termuat
pada waveform tersebut. Modul Signal
Processing
berfungsi
untuk
mengkondisikan
waveform
dengan
membatasi atau memfilter waveform pada
band frekuensi tertentu. Tujuannya untuk
mereduksi noise agar sinyal gempabumi
lebih mudah terdeteksi dan dianalisa.
Modul Auto Locating
Modul ini berfungsi untuk melakukan
scanning pada streamwaveform dan
menangkap setiap setiap event gempabumi
yang termuat pada waveform tersebut
dengan algoritma STA/LTA trigger. Setiap
impulse trigger dari masing-masing
Setiap parameter gempabumi yang baru

terbentuk akan disimpan ke dalam database
parameter gempabumi dan selanjutnya
dijadikan sebagai pemicu alarm peringatan
gempabumi.
j.
Modul Disemination
Modul
ini
berfungsi
untuk
mendiseminasikan
informasi
dini
gempabumi melalui media SMS. Setiap
alarm peringatan gempabumi yang masuk
ke dalam modul ini akan diteruskan oleh
SMS Gateway untuk di-broadcast sebagai
SMS kepada masing-masing penerima
(recipient).
Operator
memiliki
otoritas
untuk
melakukan manipulasi data (rekam, ubah,
hapus) penerima. Dengan kata lain,
operator berwenang menentukan siapa saja
yang bisa menerima SMS informasi
gempabumi.
167
Gambar 2. Bagan Berjenjang Sistem Monitoring Gempabumi
Gambar 2. Bagan Berjenjang Sistem Monitoring Gempabumi
168
Gambar 3. DFD Level 0
Gambar 3. DFD Level 0
169
KESIMPULAN
Telah dikembangkan rancang bangun (desain)
sistem monitoring gempabumi dengan
mengintegrasikan JISView dengan sistem
penentuan lokasi gempabumi secara otomatis.
Sistem monitoring ini dirancang untuk
menerima data stream dari stasiun InaTEWS
dan melakukan picking otomatis. Selanjutnya
hasil picking ini digunakan untuk menentukan
lokasi dan mekanisme sumber gempabumi.
Sistem ini diharapkan dapat digunakan untuk
mendukung kegiatan operasional di stasiun
geofisika.
DAFTAR PUSTAKA
[1] Fauzi. (2009). InaTEWS - Indonesian
Tsunami Early Warning System, Early
Warning System for Risk Reduction
Case Study: West Sumatra. Bukit
Tinggi : International Symposium on
Earthquake and Precursor.
[2] Arifin, J. (2012). Rancang Bangun Sistem
Informasi Geografis Pemodelan Focal
Mechanism Gempabumi di Wilayah
Indonesia. Denpasar : Tugas Akhir.
Universitas Udayana.
[3] GFZ, GEOFON. (2006). SeisComP 2.5 :

Configuration Manual. ftp://ftp.gfzpostdam.de/home/st/GEOFON/softwar
e/SeiscomP. 20 Januari 2013.
[4] Mariotti, M. (2006). A White Paper about
MiniSEED for LISS and data
compression using Steim1 and Steim2.
Perugia : Norwegian National Seismic
Network Technical Report No. 20.
[5] GFZ, GEOFON. (2011). Arclink and its
Application.
Http://seiscomp3.org/Frawattachment/
wiki/FSC3UG2011/programme,
20
Januari 2013.
[6] Mills, D. (2006). Simple Network Time
Protocol (SNTP) version 4 for IPv4,
IPv6 and OSI. Newark : University of
Delaware.
[7] Havskov, J. Alguacil, G. (2002).
Instrumentation
in
Earthquake
Seismology. Institute of Solid Earth
Physics, University of Bergen Norway &
Instituto Andaluz de Geofisica University
of Granada Spain
DISKUSI
1. Bambang SP:
Bagaimana perbandingan hasil software JISview dengan software lain?
Pada tahun 2011 sudah pernah dilakukan kajian untuk membandingkan hasil software JISview
dengan hasil BMKG dan USGS dimana hasilnya secara umum sama. Di tahun 2012 juga
melakukan perbandingan tersebut di beberapa stasiun tempat ujicoba dengan hasil yang cukup
memuaskan.
2. Taufik Gunawan:
Perlu adanya kajian-kajian ilmiah terhadap sistem yang dibangun
Memang perlu kajian ilmiah yang lebih mendalam, bisa dengan membuat forum diskusi untuk
mengkaji lebih dalam lagi. Beberapa kegiatan verifikasi data keluaran software Jisview
dengan data-data hasil software-software lain juga merupakan salah satu kajian ilmiah
terhadap sistem ini. Untuk pembangunan sistem monitoring gempabumi ini masih dalam
proses pengembangan dengan terus melakukan perbaikan dari kekurangan-kekurangan yang
ditemukan. Yang terpenting adalah terus mendukung dan memperbaiki sistem tersebut.
Apa bedanya focal mechanism dengan parameter gempabumi keluaran sistem?
Pada awalnya softwareJISview dirancang untuk menentukan focal mechanism, dalam

perkembangannya sofware ini juga ditambah fungsi untuk menentukan parameter kegempaan
yang berupa origin time, episenter dan magnitud dari gempa yang terjadi, baik secara otomatis
maupun manual.
170

Bahasa

Earthquake and Tsunami Research

Diunggah oleh

Informasi Dokumen

Deskripsi:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Deskripsi:

Hak Cipta:

Format Tersedia

Earthquake and Tsunami Research

Diunggah oleh

Deskripsi:

Hak Cipta:

Format Tersedia

Prosiding Seminar Tahunan Hasil-Hasil Penelitian dan Pengembangan Puslitbang BMKG Tahun 2012

APLIKASI MODEL CONFORMAL CUBIC ATMOSPHERIC MODEL

persamaan regresi. Model Stepwise telah

Sliced Inverse Regression (SIR) merupakan

delapan lokasi pemodelan, hanya digunakan

Langkah pertama penerapan MOS pada data

NWP dan diterapkan pada jam prediksi

Model MOS terbaik adalah model dengan

Gambar 1. Alur proses pengerjaan Stepwise

Gambar 2. Alur proses pengerjaan Stepwise tahun 2012

Pada penggunaan Model Regresi Logistik

dapat dikatakan bahwa model tahun 2012

tabel tersebut warna hijau menunjukkan

Tabel 2.a. Persamaan Stepwise 2012 Lokasi Kemayoran

Tabel 2.b. Persamaan Stepwise 2012 Lokasi Maritim Tanjung Priok

Tabel 2.c. Persamaan Stepwise 2012 Lokasi Cengkareng

Tabel 2.d. Persamaan Stepwise 2012 Lokasi Pondok Betung

Tabel 2.e. Persamaan Stepwise 2012 Lokasi Curug

Tabel 2.f. Persamaan Stepwise 2012 Lokasi Tangerang

Tabel 2.g. Persamaan Stepwise 2012 Lokasi Citeko

Tabel 2.h. Persamaan Stepwise 2012 Lokasi Dramaga

Merujuk pada warna yang terdapat pada sel

simulasi, diambil m=1,2,3,4, dan 5, dengan

TMAX saat m=3 sebesar 1.062, dan untuk RH

Pada hasil model SIR dengan 20 prediktor,

RMSEP yang dihasilkan oleh MOS, maka nilai

kelembapan relatif pada Stasiun Tanjung Priok.

Tabel 3. Hasil perbandingan performa model kegiatan MOS 2012

Maritim Tanjung Priok

Unsur Cuaca Kriteria Keakuratan Model

Tabel 5. Matriks km yang memproyeksikan Xk untuk TMIN, TMAX, dan RH

Tabel 6. Model MOS di Tiap Stasiun

Tabel 7. Nilai RMSEPNWP, RMSEPMOS, dan %IM

Stasiun Tanjung Priok

Tabel 10. Hasil MOS Kejadian Hujan di Tiap Stasiun

= -2.655 0.147 Z_tmaxscr + 0.274 Z_tpan_2 0.19 Z_v level4

= -3.391 + 0.372 Z_zg level1_2

Ketepatan klasifikasi terkecil adalah pada

VERIFIKASI MODEL NUMERIK CUACA WEATHER RESEARCH

untuk operasional prakiraan cuaca [1,2]. Salah

Model cuaca numerik Weather Research and

Parameterisasi konvektif merupakan salah satu

Gambar 2. Proses fisik konvektif yang

Gambar 1. Beberapa variabel yang biasa di

Untuk dapat mensimulasikan konvektif yang

menggunakan informasi dari kolom-kolom grid

antara lain: Pemicu terjadinya konvektif,

Gambar 3. Konsep Skema KF [4]

Skema KF merupakan sebuah skema

Gambar 4. Konsep Skema BMJ[4]

Beberapa kelebihan pada skema ini antara

Memperlakukan elevated-convection lebih

dengan menggunakan input data 0.5-degree

Dengan F = forecast (nilai prediksi) dan O =

Nhit = jumlah hit, Npass = jumlah pass, dan Nfalse

Prosentase Hit adalah Threat Score dikalikan

HASIL DAN PEMBAHASAN

Verifikasi data curah hujan pada bulan Februari

terbesar 8,6, sedangkan pada skema KF dan GD

dimana nilai TS diatas 87% dengan nilai RMSE