Bab Ii
Bab Ii
TINJAUAN PUSTAKA
Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan
yang terdapat di atmosfer. Presipitasi adalah sebuah proses jatuhnya butiran air atau
kristal es ke permukaan bumi. Jumlah curah hujan dicatat dalam inci atau milimeter
(1 inci = 25,4 mm). Curah hujan sebesar 1 mm artinya adalah tinggi air hujan yang
sama disekitar tempat penakaran, luasan yang tercakup oleh sebuah penakaran
curah hujan tergantung pada homogenitas daerahnya maupun kondisi cuaca lainnya.
(Susuilowati,2010)
Ringan 5.0 – 20 mm
Sedang/Normal 20 – 50 mm
Lebat 50 – 100 mm
Klasifikasi Hujan
4. Hujan deras yaitu curahan air yang turun dari awan yang temperaturnya
1. Hujan Frontal
Hujan frontal adalah hujan yang terjadi di daerah front, yang disebabkan
oleh pertemuan dua massa udara yang berbeda temperaturnya. Massa udara
2. Hujan Zenithal
Jenis hujan ini terjadi karena arus konversi menyebabkan uap air di
daerah khatulistiwa naik secara vertikal sebagai akibat pemanasan air laut
terus menerus sehingga mengalami kondensasi dan turun sebagai hujan. Itulah
sebabnya jenis hujan ini juga dinamakan hujan ekuatorial atau hujan konveksi.
Hujan zenithal turun di daerah tropis dua kali dalam satu tahun.
Terjadi karena udara yang mengandung uap air dipaksa oleh angin
mendaki lereng pegunungan yang makin ke atas makin dingin sehingga terjadi
kondensasi, terbentuklah awan dan jatuh sebagai hujan. Hujan yang jatuh
sebelahnya bertiup angin jatuh yang kering dan disebut daerah bayangan
hujan.
Siklon tropis hanya dapat timbul didaerah tropis antara lintang 0°-10°
lintang utara dan selatan dan tidak berkaitan dengan front, karena siklon ini
berkaitan dengan sistem tekanan rendah. Siklon tropis dapat timbul dilautan
yang panas, karena energi utamanya diambil dari panas laten yang
terkandung dari uap air. Siklon tropis akan mengakibatkan cuaca yang buruk
Lebih lanjut, selain dari dikategorikan berdasarkan ukuran butiran dan proses
yang mempengaruhi suatu wilayah. Untuk itu Indonesia dapat dibagi menjadi 3
Region atau daerah A, pola curah hujannya berbentuk huruf U ( paling kiri)
dicirikan bersifat unimodal (satu puncak hujan) yakni terdapat perbedaan yang jelas
antara periode musim hujan dan periode musim kemarau, sedang pola Region B,
pola curah hujannya berbentuk huruf M ( tengah) yang wilayahnya memiliki distribusi
hujan bulanan bimodal (dua puncak musim hujan) yang biasanya terjadi di bulan
Maret dan Oktober yaitu pada saat matahari berada dekat ekuator, sedangkan pola
Garis merah merupakan curah hujan dalam milimeter sedangkan garis hitam
merupakan deviasinya.
kategori region A yaitu wilayah yang curah hujannya dipengaruhi oleh monsoon
tenggara. Hujan muson, yaitu hujan yang terjadi karena Angin Musim (monsoon).
Penyebab terjadinya Angin Muson adalah karena adanya pergerakan semu tahunan
Matahari antara Garis Balik Utara dan Garis Balik Selatan. Di Indonesia, secara
B. Penelitian Terkait
Pendataan dan ramalan cuaca dan iklim secara nasional dilakukan oleh
Fuzzy Inference System (ANFIS). Akan tetapi metode ARIMA paling sering
Sesuai dengan tujuan penelitian yaitu untuk menemukan model terbaik yang
dapat diterapkan di Kota Makassar maka studi literatur pertama yang akan dibahas
adalah uji sistem HyBMG di Indonesia (Sistem prediksi yang digunakan BMKG).
Dalam laporannya (Sanjaya dkk, 2009) memberikan ulasan beberapa teknik yang
Untuk tipe monsunal (monsoon) digunakan data empiris curah hujan dari
stasiun Banjarbaru (tahun 1974-2008). Ada 4 model prediksi yang sudah diterapkan
2. Transformasi wavelet
Dalam menentukan baik tidaknya suatu model prediksi digunakan dua variable
uji yaitu root mean square error (RMSE) dan korelasi r. Semakin kecil nilai RMSE
menunjukkan nilai deviasi kesalahan yang kecil antara data prediksi dan obeservasi
1 N
( y t yˆ t ) 2
N t h
RMSE (1)
y max y min
Dimana :
n = banyaknya observasi
Dari Tabel 1 dapat terlihat bahwa model wavelet dan ARIMA memberikan hasil
prediksi lebih baik. Baik ditinjau dari nilai RMSE yang rata-rata lebih kecil serta nilai
Ada 2 hal yang belum dirumuskan pada penelitian di atas, yaitu tidak
temperature dan sea surface temperature), kelembaban, kecepatan angin dan lain-
lain sebagai variabel masukan untuk prediksi. Padahal data dari variabel-variabel
tersebut tersedia di BMKG. Selain itu model-model prediksi terbaru belum terintegrasi
ke dalam HyBMG seperti particle swormp, algoritma semut, algoritma genetik support
variabel ini bahkan kadang sebagai anomali dimana suatu variabel tertentu yang
dkk, 2004). Variabel Sea surface temperature (SST) berbeda trendnya pada daerah
dengan curah hujan di daratan untuk daerah tropis. Aktifitas Ianthropogenic dan El
Penelitian tersebut sebelumnya telah dilakukan oleh (Aldrian, E., dkk, 2003)
Telah dipaparkan sebelumnya 4 model prediksi yang saat ini digunakan dalam
aplikasi sistem HyBMG. Selain keempat model tersebut beberapa model prediksi
hujan lainnya juga menjadi topik penelitian hangat di dunia saat ini diantaranya,
jaringan syaraf tiruan, genetic algorithm, fuzzy, SVM, rantai markov dan lain-lain.
model terbaik dengan melihat tingkat keakuratannya yang tinggi dan nilai RMSE yang
terkecil. Selain metode ini, dapat pula dilakukan pengembangan metode yaitu dengan
Sejak awal tahun 1990, JST telah menjadi pelopor dalam dunia kecerdasan
buatan. Karena keampuhannya untuk menangani data yang tidak stasioner, JST
selanjutnya berkembang dan dimodifikasi. Model JST yang dibahas dalam proposal
penelitian ini adalah pendekatan klasik, hasil modifikasi maupun kombinasi dengan
teknik lain.
prediksi curah hujan harian. Standar deviasi kesalahan masih cukup tinggi yaitu
30.67 poin. Hal ini dapat disebabkan karena banyaknya variabel lain yang
Penelitian di kota Semarang (Warsito, B., dkk, 2007), menggunakan JST yang
Perbaikan algoritma (Improved Learning Algortihm) diusulkan oleh Nong yang dapat
diterapkan pada JST untuk memprediksi presipitasi dalam skala short range (Nong,
J.,2010). Novelty pada pengembangan JST klasik yang diperuntukkan untuk prediksi
hujan ditemukan oleh matematikawan China (Luo F, dkk, 2010). Kekurangan JST
Teknik JST akan semakin baik jika dikombinasikan dengan metode lainnya.
Dalam sistem peringatan dini banjir di Kota Hainan China digunakan kombinasi JST
dan Fuzzy (Wu, H dkk, 2009). Penelitian serupa dilakukan di kota Sanjiang (Hongxia
L, Chuanwei L, 2008). JST berfungsi sebagai prediktor curah hujan dengan angka
Teknik algoritma genetik juga dapat dikombinasikan dengan JST (Lin K, dkk, 2008).
Model ini biasa disingkat dengan GANN (Genetic Algorithm - Neural Network).
genetik GA. Yang terakhir dan cukup menjanjikan adalah penggabungan JST-
Wavelet pada prediksi pembebanan listrik di Inggris (Chen Y, dkk, 2010). Seperti
diketahui pada pembahasan sebelumnya bahwa wavelet telah diuji dengan HyBMG
dengan JST maka diharapkan hasil yang lebih baik dari sistem yang sudah ada.
dikombinasi satu dan lainnya. Selain dikombinasikan dengan JST, model-model ini
dapat dikombinasikan dengan non-JST. Prediksi hujan untuk skala tahunan diusulkan
menggunakan kombinasi Fuzzy dan Markov (Sheng LL,dkk, 2010). Dalam hal ini
Grey Markov berperan sebagai substitusi dari JST. Hasilnya cukup baik ditinjau dari
keakuratan prediksi terhadap observasi. Akan tetapi model ini belum tentu
Model yang juga cukup terkenal di teknologi pengenalan pola yaitu support
vector machine (SVM) juga telah diuji untuk memprediksi presipitasi/hujan (Nong,