ANALISIS VARIABILITAS CURAH HUJAN WILAYAH INDONESIA BERDASARKAN PENGAMATAN TAHUN 1975-2004 Ina Juaeni Bidang Pemodelan

Iklim, Pusat Pemanfaatan Sains Atmosfer dan Iklim-LAPAN, Jl.Dr.Junjunan 133, Telp. (022)6037445, 6012602; Fax. (022)6037443 Bandung, 40173 EXTENDED ABSTRACT LAPAN sebagai Lembaga Nasional dengan salah satu tugas dan fungsinya melakukan Penelitian dan Pengembangan di bidang Pengetahuan Atmosfer, sangat berkepentingan dengan ilmu-ilmu Matematika , terutama Matematika Terapan, Statistika dan Komputer. Berbagai data parameter atmosfer seperti temperatur, curah hujan, tekanan, kelembaban, ozon, polusi udara dan lain-lain memerlukan suatu alat bantu agar dapat dianalisis lebih lanjut. Ilmu Matematika, Statistika dan Komputer adalah alat bantu yang sangat penting agar dari data-data tersebut di peroleh informasi yang menyangkut perilaku (rata-rata, variabilitas, kejadian ekstrim) masing-masing data, kaitan suatu parameter dengan parameter lainnya, untuk selanjutnya informasi-informasi tersebut dapat dijadikan dasar dalam memperkirakan nilai parameter-pameter tersebut pada waktu yang akan datang. Prakiraan parameter atmosfer terutama hujan sudah menjadi kebutuhan Nasional. Betapa tidak, bencana banjir akibat hujan yang turun dengan jumlah di atas normal atau bencana kekeringan akibat jumlah curah hujan yang berada di bawah normal, sering melanda wilayah Indonesia, bahkan disertai kerugian materi dan jiwa. Semua itu dapat diantisipasi dengan informasi yang akurat tentang berapa curah hujan yang akan turun di suatu tempat pada suatu saat. Memang sampai saat ini belum ada suatu metoda, baik Matematika, Statistika maupun Komputer yang mampu dengan tepat memberikan informasi prakiraan hujan. Hal ini disebabkan sangat kompleksnya sistem atmosfer terutama di wilayah Indonesia sebagai bagian dari wilayah tropis. Banyak parameter dan proses yang terlibat dan saling berkaitan satu sama lain. Kepulauan maritim Indonesia yang berada di wilayah tropik memiliki curah hujan tahunan yang tinggi, curah hujan semakin tinggi di daerah pegunungan. Curah hujan yang tinggi di wilayah tropik pada umumnya dihasilkan dari proses konveksi dan pembentukan awan hujan panas. Curah

Sebagai perbandingan nilai tertinggi di Bavaria. frekuensi dan distribusinya terhadap ruang dan waktu sangat bervariasi. Skala ruang yang berbeda ini tergantung pada sel konveksinya. Tabing. Gabungan ilmu fisis atmosfer dan ilmu Statistika memberikan informasi keadaan atmosfer dengan lebih lengkap. Jakarta. Data Curah Hujan Bulanan Per Wilayah 3. Jakarta Wilayah Indonesia dengan grid 2. 2. Agar terjadi gerakan ke atas. durasi. Metoda Statistika seperti harga rata-rata. Data yang digunakan dalam penelitian ini diperlihatkan pada berikut ini: No.hujan konveksi adalah curah hujan yang dihasilkan proses konveksi akibat pemanasan. Lampung. 2000-2004 1975 – 1996 . deviasi standar dan koefisien variasi sudah umum digunakan dan bukan metoda Statistika baru. seperti yang dilakukan dalam penelitian ini. Dengan mengabaikan jenisnya. Bandung. intensitas. Sumatera: Aceh. Di Bogor. pada dasarnya curah hujan dihasilkan dari gerakan massa udara lembab ke atas. atau dihasilkan dari proses dinamika seperti konvergensi atau juga dihasilkan akibat terjadi dorongan massa udara secara fisik di lokasi pegunungan. Karena proses konveksi. Karena itu jumlah hujan tahunan. lebih dari 80 % curah hujan yang diterima terjadi dengan curah paling sedikit 20 mm. 2000-2004 2. Jambi. Curah hujan konveksi umumnya terjadi di atas daerah dengan luas terbatas antara 10 – 20 km2 atau 200-300 km2. tunggal atau membentuk jalur. Jawa: Bandung. 2. presentase curah hujan yang diterima bervariasi antara 8 % sampai 37 % dengan rata-rata 22 %. Palembang. atmosfer harus dalam kondisi tidak stabil. Semarang. Namun demikian metoda ini sangat berguna untuk mempelajari perilaku curah hujan.75o 1.7 %. Jenis Data 1.5o x 3. Perioda 1. Data Curah Hujan Bulanan Per Stasiun Lokasi 1. Sementara itu di Indonesia. intensitas curah hujan di wilayah tropik pada umumnya tinggi. Kondisi tidak stabil terjadi jika udara yang naik lembab dan lapse rate udara lingkungannya berada antara lapse rate adiabatik kering dan lapse rate adiabatik jenuh. Jerman adalah 3. Data Curah Hujan Harian 2. Jadi kestabilan udara ditentukan oleh kondisi kelembaban.

966599 1. Surabaya 3. Papua: Sentani . 7. Palangkaraya. Bandung 2. Kalimantan: Banjarmasin.720556 1. Kurang jelas apakah mengikuti pola . Sulawesi: Menado. Makassar.029229 Cv 1.Jogjakarta. Jadi sebagai fungsi waktu dan tempat (Negril et al. yang berarti bahwa beda curah hujan antara perioda (3 jam) satu dengan perioda (3 jam) lainnya besar.638337 σ 1. NTT: Kupang.61236 3 jam-an Curah hujan pengamatan dalam perioda bulanan dari 23 stasiun (lihat Gambar 1) di Indonesia menunjukkan variasi yang tinggi baik terhadap waktu maupun terhadap ruang. 5. Waingapu 1975 – 2004 (Kecuali Surabaya: mulai 1982) Biak Tabel 1 di bawah ini menunjukkan bahwa variabilitas curah hujan kumulatif 3 jam-an sangat bervariasi terhadap waktu. Lokasi 1. Biak dan Balikpapan sulit ditentukan.565211 1. Bogor 3. Pola curah hujan Aceh. Ini ditandai dengan koefisien variasi yang cukup tinggi (>1) . 6. 4. Hal ini juga menjadi indikator bahwa prediksi curah hujan dalam perioda waktu yang pendek (3 jam-an) memiliki kesulitan yang tinggi. Ini yang dengan metoda statistika ditunjukkan dengan nilai koefisien variasi yang cukup tinggi. Proses pembentukan awan dan kejadian hujan merupakan proses skala lokal yang sangat tergantung kondisi setempat pada saat itu. Bali: Denpasar.041585 1.256443 0. Manokwari. Jakarta Keterangan: x = curah hujan kumulatif σ = standar deviasi Cv = koefisien variasi x 0.605377 1. Banjarbaru. Banyuwangi. Tabel 1: Koefisien variasi curah hujan kumulatif 3 jam-an selama 5 tahun adalah: No. Tabing. Sentani. Balikpapan. 2005).

Pada enam stasiun tersebut (Aceh. 7. 9.5711 121.25 Bujur (o) 95.45 -1. Semarang.189185 0. 10.90 -4. Makassar. 5. Curah hujan di Jambi.514324 0.503365 .45 -3.767495 0.63 -0.628017 0. 6.735526 0.19 124.70 105. dan Bandung mengikuti pola ekuatorial. 8. 4.40 103.53 -1.53 -5. Balikpapan. 2.04117 158.636567 0.1175 110. Tabel 2: Koefisien variasi curah hujan bulanan per stasiun untuk perioda 19752004 No. Gambar 1. Palembang. Menado.45 104.88 -2. Banyuwangi.3794 126.0962 322.75 114. Sementara pola curah hujan monsunal tampak di Lampung. Banjarbaru. sehingga puncak tidak tetap atau bergeser secara ekstrim.40 1. Surabaya. Biak dan Balikpapan) terjadi pergeseran pola curah hujan tahunan. Sementara puncak curah hujan di lokasi lain relatif tetap atau bergeser sedikit.8414 178. Jakarta. 1.640524 0.92 119. Sentani. Banjarmasin. Kupang.71 116.666266 1.6324 137.809386 0.6589 Cv 0.83 x 117 196 347 199 159 215 271 215 210 220 σ 86. Waingapu dan Manokwari.65 100. 3. Palangkaraya. Jogjakarta.ekuatorial (dua nilai maksimum / puncak curah hujan dalam satu tahun) atau lokal (satu nilai maksimum / puncak curah hujan dalam satu tahun).636 132. Pola Curah Hujan di 23 Lokasi Pengamatan Koefisien variasi yang menyatakan keragaman data curah hujan di perlihatkan pada tabel 2 di bawah ini.50 114.9928 143. Tabing.60 -3. Denpasar. Stasiun Aceh Jambi Tabing Palembang Lampung Menado Makassar Banjarmasin Banjarbaru Balikpapan Lintang (o) -5.

22 -8. Semarang. Denpasar) periodisitas di atas 3 tahun ditemukan di Aceh (5 tahun).609536 0.78 -7. 15.93 106.43 112.7616 107.87181 140.248175 1. Jogjakarta. Lampung.2174 148. Surabaya.07 214 152 133 170 131 152 113 149 71 134 220 133 203 132. Variabilitas yang tinggi seperti itu dapat digunakan sebagai indikator bahwa prediksi curah hujan di lokasi-lokasi tersebut memiliki tingkat kesulitan yang tinggi.11.2973 163.78 114. 12. 1996) diperoleh bahwa siklus curah hujan bulanan.67 136.689932 Keterangan: x = curah hujan rata-rata bulanan σ = standar deviasi Cv = koefisien variasi Koefisien variasi pada tabel 2 di atas menunjukkan bahwa curah hujan bulanan sangat bervariasi terhadap ruang dan waktu.0423 105. Palangkaraya (11 tahun). Banjarmasin. 19.33 123. Banyuwangi. namun kesulitan memprediksi curah hujan masih relatif tinggi. 18. 13.0691 108. .18 -2.3901 154. untuk lokasi yang sama yaitu Bandung dan Jakarta.98583 182. Denpasar.2528 130. 14. Di lokasi lain meskipun koefisien variasi tidak setinggi di 6 lokasi tersebut. Jambi (10 tahun).2505 80. 20. Kupang.927845 1.58 110. Dengan metoda WWZ (Foster.18 -1.57 -0. Manokwari. pada umumnya terjadi pada perioda 2-3 tahun (Palembang. Waingapu dan Kupang.3439 133. Sentani.98 -7. Banjarbaru. Ini ditunjukkan pula oleh Todd dan Richard Washington (2005).10 140.1457 0.38 110.17 -6.82 107.52 134. Waingapu.90 -6.874962 1. Bandung. Surabaya. Ini berarti curah hujan bulanan variasinya tidak sebesar curah hujan 3 jam-an.1009 88.65 113.015009 1.17 120. 21. 16.67 -9. Dari tabel 2 juga tampak bahwa semakin bergeser ke selatan koefisien variasi semakin besar atau curah hujan semakin berfluktuasi.860858 0. nampak bahwa koefisien variasi 3 jam-an lebih tinggi dibanding koefisien bulanan. Biak. Variabilitas terhadap waktu tertinggi di temukan di Makassar. 17. Palangkaraya Jakarta Bandung Semarang Jogjakarta Surabaya Banyuwangi Denpasar Waingapu Kupang Biak Sentani Manokwari -2. Makassar.33 115.356868 0. 23.80314 0.38 -8.491845 0.617399 0.01653 0. Jakarta.095004 1. sehingga faktor laut diduga secara dominan mempengaruhi variabilitas curah hujan di Indonesia bagian selatan.22 -6. Distribusi lautan di selatan lebih luas dibanding di utara. 22.67 -10. Jogjakarta. Jika dibandingkan antara tabel 1 dan 2. Tabing. Balikpapan.

Variasi curah hujan bulanan dari data wilayah (1975 – 1996) relatif lebih rendah dibandingkan variasi curah hujan bulanan data stasiun. Namun demikian pola data grid mengikuti pola data insitu. Data dikumpulkan dari 11800 stasiun cuaca di seluruh dunia yang diperoleh dari Global Historical Climatology Network di Arizona State University. namun pola koefisien variasi terhadap ruangnya hampir sama (Gambar 2). Data curah hujan bulanan ini diperoleh dari " A historical monthly preciptation data set for global land areas ". Gambar 2. jadi bukan data insitu. Bandung) dengan Koefisien Variasi Curah Hujan Bulanan Per Stasiun dan Koefisien Variasi Curah Hujan Bulanan Per Wilayah Curah hujan pengamatan kumulatif 3 jam-an untuk Jakarta dan Bandung mempunyai variabilitas yang lebih kompleks dari curah hujan pengamatan bulanan.dan Menado (11 tahun). Pola data curah hujan . USA (1997). Variabilitas curah hujan di Indonesia bagian selatan lebih tinggi dibanding Indonesia bagian utara. Ini sebagai indikator bahwa fenomena alam seperti El Nino dan La Nina ( dengan perioda 2-5 tahun) dan siklus matahari (dengan perioda 10-11 tahun) sangat dominan dalam mempengaruhi pola curah hujan di Indonesia (Lampiran A). dengan resolusi 2.75 derajat . Variasi yang lebih kecil ini dimungkinkan karena data wilayah/grid diperoleh dengan metoda interpolasi dari data stasiun yang ada. Perbandingan Koefisien Variasi Curah Hujan Kumulatif 3 Jam-an (Jakarta. artinya pola curah hujan bulanan stasiun dapat didekati dengan pola data curah hujan wilayah/grid.5 x 3.

9. .bulanan per wilayah dapat digunakan sebagai pendekatan pola curah hujan pengamatan bulanan stasiun. Catatan : Makalah ini dipresentasikan pada Seminar Dies Natalis FMIPA UNDIP dan diterbitkan pada jurnal Matematika UNDIP. 2006. N0. 2.

Sign up to vote on this title
UsefulNot useful