Laporan Pratikum

Agroklimatologi

KLASIFIKASI IKLIM

NAMA : SAKINAH SALAM ADNAN

NIM : G011181351
KELAS : AGROKLIMATOLOGI E
KELOMPOK :2
ASISTEN : 1. KHAIRUNNISA A
2. RISKA YANTI

PROGRAM STUDI AGROTERNOLOGI

DEPARTEMEN BUDIDAYA TANAMAN
FAKULTAS PERTANIAN
UNIVERSITAS HASANUDDIN
MAKASSAR
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Iklim mempunyai peranan yang sangat penting dalam perencanaan dan sistem
produksi pertanian karena seluruh unsur iklim berpengaruh terhadap berbagai
proses fisiologis, pertumbuhan dan produktivitas tanaman. Iklim mengandung
pengertian kebiasaan cuaca yang terjadi di suatu tempat atau daerah. Pengertian
lain dari iklim adalah ciri kecuacaan suatu tempat atau daerah (Mahubessy, 2014).
Iklim di bumi tidak selalu konstan dimana temperatur dan curah hujan
berbeda-beda dari tahun ke tahun dan berfluktuasi dalam jangka waktu yang lebih
lama. Pertumbuhan tanaman dan urutannya yang terjadi dalam suatu tahun
ditentukan oleh interaksi antara iklim, tanah, tanaman, dan pengelolaan. Suatu
jenis tanaman akan tumbuh jika kebutuhan minimum akan air, energi, dan nutrien
tersedia, serta ada tempat untuk tumbuh tegak (Dewi, 2005).
Perubahan iklim dari waktu ke waktu menjadi masalah bagi semua manusia di
bumi ini. Perubahan iklim global akan terus terjadi sejalan dengan peningkatan
aktivitas manusia. Perbedaan jenis iklim antara daerah satu dengan daerah lain
juga akan mengakibatkan perbedaan pada aktivitas manusianya misalnya saja
dalam pertanian, perkebunan hingga aktivitas transportasi. Dalam skala waktu
perubahan iklim akan membentuk pola atau siklus tertentu, baik harian, musiman,
tahunan, maupun siklus beberapa tahunan. Selain perubahan yang berpola dan
bersiklus, aktifitas manusia juga menyebabkan pola iklim berubah secara
berkelanjutan baik dalam skala global maupun skala lokal (Sasminto, 2014).
Berdasarkan uraian diatas, maka perlu dilakukan praktikum klasifikasi tipe
iklim dan prediksi curah hujan guna mengetahui tipe iklim di suatu wilayah
tertentu juga memprediksi curah hujan yang akan membantu dalam proses
penentuan penanaman jenis tanaman dan juga jadwal tanam yang baik dan tepat.
1.2 Tujuan dan Kegunaan
Tujuan praktikum adalah untuk mengetahui pengklasifikasian tipe iklim
berdasarkan beberapa metode dan cara memprediksi curah hujan diwilayah
tertentu.
 Kegunaan dari praktikum yaitu sebagai bahan referensi atau acuan bagi
mahasiswa serta untuk menambah wawasan mengenai pengklasifikasian iklim
dan cara memprediksi curah hujan di suatu wilayah
 BAB II
TINJAUAN PUSTAKA
2.1 Hujan
Hujan merupakan salah satu jenis presipitasi yang jatuh vertikal di atas
permukaan bumi dan diukur oleh penakar hujan. Hujan jatuh dalam bentuk tetesan
yang dikondensasikan oleh uap air di atmosfer. Hujan didefinisikan sebagai
bentuk air yang jatuh ke permukaan bumi. Hujan berbeda dengan gerimis, hujan
memiliki diameter tetes lebih dari 0,5 mm dengan intensitasnya lebih dari 1,25
mm/jam, sedangkan gerimis memiliki diameter tetes kurang dari 0,5 mm dan
memiliki intensitas kurang dari 1 mm/jam (Lashari et al, 2017).
Menurut Octari (2015), titik-titik air di udara atau awan yang terlalu banyak
kandungan airnya akan kembali jatuh ke permukaan bumi sebagai hujan.
Berdasarkan proses terjadinya hujan dibagi menjadi 3 jenis yaitu:
a. Hujan Orografis yaitu hujan yang terjadi karena adanya pergerakan udara
yang mengandung uap air yang terhalang oleh gunung sehingga udara tersebut
dipaksa naik ke lereng gunung dan terjadi kondensasi pada ketinggian tertentu
dan terbentuk awan sehingga terjadilah hujan.
b. Hujan Konvensi adalah hujan yang terjadi karena adanya udara yang
mengandung uap air bergerak secara vertical akibat pemanasan (konvensi)
c. Hujan Frontal yaitu hujan yang terjadi karena adanya pertemuan massa (udara
yang mengandung uap air) udara panas dan udara dingin.
Hujan merupakan faktor terpenting dalam analisis hidrologi. Kejadian hujan
dapat dipisahkan menjadi dua, yaitu hujan aktual dan hujan rancangan. Hujan
aktual adalah rangkaian data pengukuran di stasiun hujan selama periode tertentu.
Hujan rancangan adalah hyetograf hujan yang mempunyai karakteristik terpilih.
Hujan rancangan mempunyai karakteristik yang secara umum sama dengan
karakteristik hujan yang terjadi pada masa lalu, sehingga dapat memberikan
gambaran karakteristik umum kejadian hujan yang diharapkan terjadi pada masa
yang akan datang (Susilowati, 2015).
2.2 Curah Hujan
Curah hujan didefinisikan sebagai tinggi air hujan yang diterima di permukaan
sebelum mengalami aliran permukaan, evaporasi dan peresapan ke dalam tanah.
Jumlah hari hujan dibatasi oleh jumlah hari dengan tinggi curah hujan 0,5 mm
atau lebih. Jumlah hari hujan dapat dinyatakan per minggu, dekade, bulan, tahun
atau satu periode tanam. Sedangkan jumlah curah hujan dicatat dalam inci atau
milimeter (1 inci = 25,4 mm). Jumlah curah hujan 1mm, menunjukkan tinggi air
hujan yang menutupi permukaan bumi 1 mm, jika air tersebut tidak meresap ke
dalam tanah atau menguap ke atmosfer (Hermawan, 2009).
Curah hujan adalah endapan atau deposit air dalam bentuk cair maupun padat,
yang berasal dari atmosfer. Karakteristik hujan pada suatu daerah untuk
menentukan ketersediaan air pada daerah tersebut serta kemungkinan terjadinya
permasalahan dan bencana yang berkaitan dengan sumber daya air Curah hujan di
Indonesia memiliki tingkat keragaman yang sangat tinggi secara ruang dan waktu.
Keberadaan cuaca dan iklim memberikan pengaruh besar terhadap kehidupan
masyarakat Indonesia khususnya masyarakat (Hartina dan Usman, 2017).
Curah hujan harian adalah hujan yang terjadi dan tercatat pada stasiun
pengamatan curah hujan setiap hari atau selama 24 jam. Data curah hujan harian
biasanya dipakai untuk simulasi kebutuhan air tanaman, simulasi operasi waduk.
Curah hujan harian maksimum adalah curah hujan harian tertinggi dalam tahun
pengamatan pada suatu stasiun tertentu. Data ini biasanya dipergunakan untuk
perancangan bangunan hidrolik sungai seperti bendung, bendungan, tanggul,
pengaman sungai dan drainase. Curah hujan bulanan adalah: jumlah curah hujan
harian dalam satu bulan pengamatan pada suatu stasiun curah hujan tertentu. Data
ini biasanya dipergunakan untuk simulasi kebutuhan air dan dalam menentukan
pola tanam. Curah hujan tahunan adalah jumlah curah hujan bulanan dalam satu
tahun pengamatan pada suatu stasiun curah hujan tertentu (Susilowati, 2015).
Indonesia yang berada di wilayah tropis memiliki curah hujan tahunan yang
tinggi, Curah hujan yang tinggi di wilayah tropik pada umumnya dihasilkan dari
proses konveksi dan pembentukan awan hujan panas. Pada dasarnya curah hujan
dihasilkan dari gerakan massa udara lembab ke atas. Agar terjadi gerakan ke atas,
atmosfer harus dalam kondisi tidak stabil. 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 (Sari, 2017).
2.3 Tipe Iklim
Iklim merupakan faktor yang sulit untuk dimodifikasi karena iklim merupakan
komponen ekosistem yang sangat dinamik dan sulit dikendalikan. Beberapa ahli
klimatologi seperti Koppen, Thornwaite, Oldeman, Mohr, serta Schmidt dan
Ferguson mengklasifikasikan iklim dengan berbagai metode guna menunjang
kegiatan - kegiatan pertanian yang pada umumnya menggunakan data suhu udara
dan curah hujan (Mahubessy, 2014).
2.3.1 Schmid Ferguson
Sistem klasifikasi iklim Schmidt dan Ferguson merupakan perbaikan Sistem
Mohr yang telah membuat klasifikasi iklim khususnya untuk daerah tropika.
Dasar untuk membuat penggolongan iklim oleh Schmidt dan Ferguson adalah
dengan cara menghitung dan menentukan quitient (Q rerata) jumlah bulan kering
dan rerata bulan basah. Langkah pertama ditentukan terlebih dahulu tentang status
bulan. Untuk ini mereka menggunakan kriteria yang dibuat oleh Mohr. Bulan
kering adalah suatu bulan yang jumlah hujannya kurang dari 60 mm. Ini berarti
curah hujan lebih kecil daripada evaporasi. Atau jika dilihat status lengas
tanahnya akan mengalami pengeringan. Adapun bulan basah adalah bulan yang
curah hujannya lebih besar dari 100 mm. Kalau dilihat status tanahnya akan
bertambah basah karena curah hujan lebih besar daripada evaporasi. Bulan dengan
curah hujan antara 60±100 mm, dianggap bulan lembab yaitu bulan yang curah
hujannya seimbang dengan evaporasi. Langkah selanjutnya dari data curah hujan
yang ada (untuk ini dipakai yang sedikit-dikitnya 10 th) masing-masing tahun
dihitung berapa bulan basah dan berapa bulan kering. Bulan lembab selanjutnya
tidak dipakai untuk menghitung Q (Dewi, 2005)
Klasifikasi atau tipe iklim Schmidt– Ferguson memiliki beberapa klasifikasi
iklim antara lain sangat basah, basah, agak basah, sedang, agak kering, kering,
sangat kering, dan luar biasa kering. Klasifikasi iklim Schmidt-Ferguson
menggunakan nilai perbandingan (Q) antara rata-rata banyaknya bulan kering dan
rata-rata banyaknya bulan basah dalam tahun penelitian. Adapun kategori untuk
bulan kering (jika dalam satu bulan mempunyai jumlah curah hujan < 60 mm),
kategori bulan lembab (jika dalam satu bulan mempunyai jumlah curah hujan 60
sampai 100 mm), dan bulan basah (jika dalam satu bulan mempunyai jumlah
curah hujan > 100 mm) (Sasminto, 2014).
Menurut Bunganeun et al (2013), klasifikasi iklim Schmidt-Ferguson sangat
terkenal di Indonesia dan banyak digunakan pada jenis tanaman tahunan.
Klasifikasi iklim Schmidt-Ferguson sebagai berikut:
Tipe Iklim Keterangan Kriteria (%)

A Sangat basah 0 < Q < 14,3

B Basah 14.3 < Q < 33,3

C Agak basah 33,3 < Q < 60,0

D Sedang 60,0 < Q < 100,0

E Agak Kering 100,0 < Q < 167,0

F Kering 167,0 < Q < 300,0
G Sangat Kering 300,0 < Q < 700,0

H Luat Biasa Kering 700,0 < Q

2.3.2 Oldeman
Pada dasarnya Oldeman bersama-sama dengan beberapa kawannya
melakukan klasifikasi terutama atas dasar curah hujan hubungannya dengan
kebutuhan air tanaman khususnya tanaman pangan semusim yaitu padi dan
palawija. Oldeman seperti halnya Schmidt dan Ferguson maupun Mohr juga
menggunakan istilah bulan basah dan bulan kering untuk melaksanakan
penggolongannya. Bulan basah adalah suatu bulan yang curah hujan rerata lebih
besar dari pada 200 mm dan bulan kering adalah bulan yang curah hujannya sama
atau lebih kecil dari pada 100 mm . Angka 200 mm dipergunakan dengan alasan
kebutuhan air tanaman padi sawah termasuk perkolasinya mendekati angka 200
mm. Sedangkan angka 100 mm dipergunakan dengan alasan karena untuk
tanaman palawija akan kekurangan air jika curah hujan lebih kecil dari pada 100
mm. Setelah menentukan kriteria bulan basah dan bulan kering langkah
selanjutnya adalah mencari harga rerata curah hujan masing-masing bulan.
Berdasarkan hal tersebut maka ditentukan berapa bulan basah dan berapa bulan
kering yang berturutan (Dewi, 2005).
Menutut Dewi (2005),klasifikasi iklim pada sistem Oldemen adalah sebagai
berikut:
Tipe utama Bulan Basah (BB) berturut-turut
A >9
B 7-9
C 5-6
D 3-4
E <3

Sub Divisi Bulan Kering (BK) berturut-turut

1 <2
2 2-3
3 4-6
4 >6

2.3.3 Koppen
Menurut Arifin (2019), Wladimir Koppen adalah seorang ahli Klimatologi
Berkebangsaan Jerman membuat klasifikasi iklim seluruh dunia berdasarkan suhu
dan curah hujan rata-rata bulan maupun tahunan yang berhubungan dengan
keadaan vegetasi alami. Kedua unsur iklim tersebut sangat besar pengaruhnya
terhadap permukaan bumi. Di samping itu vegetasi dipandang sebagai gambaran
atau petunjuk yang baik dari iklim suatu tempat, sehingga beberapa batas iklim
suatu tempat, sehingga beberapa batas iklim dipilih dengan memperhatikan
vegetasinya. Apabila situasi suhu pada suatu wilayah berada di luar dari kisaran
suhu maksimum maupun minimum maka tanaman akan gagal untuk tumbuh.
Berdasarkan situasi tersebut maka Koppen mengelompokkan iklim dengan lebih
memperhatikan kedua unsur-unsur iklim tersebut. Secara garis besar Koppen
mengelompokkan iklim dalam lima daerah iklim pokok yaitu sebagai berikut
Tipe
Kriteria Suhu Identitas iklim
Iklim
A Suhu bulan tertinggi <18oC Hujan tropis
B R<r Kering
Hujan terjadi pada awal
C Suhu bulan terdingin -3oC - 18oC
musim dingin
Suhu bulan terdingin -3oC , suhu bulan Hujan terjadi pada musim
D
terpanas maksimum 18oC dingin
E suhu bulan terpanas 10oC Salju atau kutub

2.3.4 Mohr
Menurut Arifin (2019), metode klasifikasi iklim Mohr dikenal di Indonesia
pada tahun 1933, Mohr mengklasifikasikan iklim di Indonesia juga didasarkan
curah hujan bulanan dan tingkat kelembapan, namun dia mencoba melihat hujan
tidak hanya dari jumlahnya tapi juga distribusi perbulannya. Metode klasifikasi
iklim yang di ajukan didasarkan pada jumlah Bulan Kering (BK). Langkah awal
yang dilakukan Mohr dalam mengelompokkan iklim adalah menentukan Bulan
Kering dan Bulan Basah. Kriteria bulang kering ialah bulang dengan curah hujan
kurang dari 60 mm/bulan. Bulan basah ialah bulang dengan jumlah curah hujan
lebih dari 100 mm/bulan, sedangkan bulan dengan curah hujan antara 60-100
mm/bulan dikategotikan sebagai bulan lembab. Mohr mengklasifikasikan iklim
menjadi 5 tipe iklim sebagai berikut:
Tipe Iklim Jumlah Bulan Kering Identitas Iklim
A 0 Basah
B 1-2 Agak basah
C 3-4 Agak kering
D 5-6 Kering
E >6 Sangat kering
 BAB III
METODOLOGI
3.1 Tempat dan Waktu
Praktikum pengenalan alat stasiun klimatologi dilaksanakn pada hari Kamis, 7
dan 21 Maret 2019 serta 4 dan 11 April 2019 pukul 08.00 WITA sampai selesai di
Laboratorium Agroklimatologi dan Statistika, Fakultas Pertanian, Universitas
Hasanuddin, Makassar.
3.2 Alat dan Bahan
Alat yang digunakan pada saat praktikum ini yaitu pulpen, laptop, dan LCD/
proyektor. Adapun bahan yang digunakan pada saat praktikum yaitu kertas.
3.3 Metode Praktikum
Metode praktikum pengenalan alat-alat stasiun klimatologi yaitu sebagai
berikut.
3.3.1 Cara Penentuan Tipe Iklim Menurut Oldeman
Prosedur penentuan tipe iklim menurut Oldeman adalah sebagai berikut:
1. Menyiapkan data mentah 24 tahun terakhir pada kecamatan tertentu yang
ingin diolah datanya.
2. Menentukan jumlah curah hujan dan rata-ratanya yang terjadi dalam waktu
per hari, kemudian per bulan, lalu per tahun.
3. Menggabungkan data dengan teman satu kelompok yang mengerjakan pada
tahun yang lain
4. Menghitung jumlah bobot curah hujan bulan dengan rumus “ =30/31*CH ”
dengan “30” merupakan angka rata-rata hari dalam satu bulan, “31”
merupakan jumlah hari dalam bulan yang diamati dan “CH” merupakan cells
curah hujan yang terjadi pada bulan tersebut (dalam tahun tertentu).
5. Menghitung dan memilah jumlah bobot hujan yang ada dengan ketetapan
Oldeman, yaitu jika ia termasuk :
Bulan Basah (BB) > 200mm/bulan
Bulan Lembab (BL) 100-200 mm/bulan
Bulan kering (BK) < 100 mm/bulan
6. Memasukkan ke dalam tipe utama (Huruf) dan sub tipe (angka), sehingga
akan diperoleh tipe iklim.
3.3.2 Cara Penentuan Tipe Iklim Menurut Scmidt dan Fergusson
1. Pengolahan datanya sama dengan klasifikasi Oldemen akan tetapi jumlah
bobotnya yang berbeda.
2. Menghitung dan memilah jumlah bobot hujan yang ada dengan ketetapan
Schmidt - Fergusson, yaitu jika ia termasuk :
Bulan Basah (BB) > 100mm/bulan
Bulan Lembab (BL) 60 – 100 mm/bulan
Bulan kering (BK) < 60 mm/bulan
3. Menghitung jumlah Bulan Basah (BB) dan Bulan Kering (BK) yang terjadi
dalam bobot curah hujan yang ada, sehingga dapat menentukan pada bulan
berapa sebaiknya dilakukan pola penanaman yang sesuai.
4. Menghitung nilai Q, yaitu banyak bulan kering/banyak bulan basah x 100%.
5. Memasukkan nilai Q yang ada ke dalam 8 pembagian tipe Iklim menurut
sifatnya.
3.3.3 Cara Penentuan Klasifikasi Curah Hujan
1. Mengambil data curah hujan selama 24 tahun pada tempat yang telah
ditentukan.
2. Mengetik ulang data curah hujan.
3. Mengetik data curah hujan per dekade serta jumlahnya.
4. Mencari bobot dari data curah hujan pada dekade ketiga serta jumlahnya
dengan formula pada Microsoft Excel sebagai berikut:
a. Untuk dekade ketiga digunakan formula sebagai berikut:
=10/jumlah hari dekade ketiga*(nilai dekade ketiga)
b. Untuk jumlah digunakan formula sebagai berikut:
=30/jumlah hari dalam satu bulan*( jumlah curah hujan dalam satu bulan)
5. Membuat rangking data curah hujan serta jumlahnya dari yang paling besar
sampai yang paling kecil nilainya.
6. Membuat grafik dari rangking data curah hujan per bulan selama 24 tahun.
7. Membuat peluang 40%, 50%, dan 60% data curah hujan per dekade serta
jumlahnya dengan formula pada Microsoft Excel.
a. Untuk peluang 40% digunakan formula =(jumlah tahun+1)*40%;
 b. Untuk peluang 50% digunakan formula =(jumlah tahun+1)*50%;
c. Untuk peluang 60% digunakan formula =(jumlah tahun+1)*60%;
8. Membuat rataan data curah hujan per dekade
9. Menentukan peluang data curah hujan per dekade serta jumlahnya untuk
peluang 40%, 50%, dan 60% dengan formula pada Microsoft Excel sebagai
berikut:
=(Nilai rataan/jumlah tahun+1)*100
10. Membuat grafik dari masing-masing peluang data curah hujan 40%, 50%, dan
60% dan grafik dari gabungan peluang data curah hujan 40%, 50%, dan 60%.
 BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
Berdasarkan praktikum yang telah dilaksanakan, didapatkan hasil sebagai
berikut:
4.1.1 Tabel Data Perdekade
tahun
Bulan Dekade
1994 1995 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
1 372 91 266 146 629 0 116 0 51 0 0 235 93 245 262 101 40 136 520 462 0 17 49 71
2 97 245 250 85 298 0 102 0 125 0 128 22 209 70 278 293 248 109 181 210 0 10 36 497
Januari
3 249 653 207 219 443 0 51.7 0 59 0 146 89 190 116 107 89 133 85 247 110 0 0 182 43
Jumlah 718 989 723 450 1370 0 269.7 0 235 0 274 346 492 431 647 483 421 330 948 782 0 27 267 611
1 0 172 208 292 331 0 56 0 138 0 67 32 117 205 212 49 211 99 49 48 0 27 128 212
2 0 193 142 336 324 0 457 0 53 0 12 27 34 60 111 117 35 44 107 115 0 9 40 125
Februari
3 23 301 116 95 47 0 30.4 0 0 0 20 196 135 105 164 73 85 171 32 54 0 0 62 87
Jumlah 23 666 466 723 702 0 543.4 0 191 0 99 255 286 370 487 239 331 314 188 217 0 36 230 424
1 510 106 157 172 16 244 139 0 26 0 15 133 9 373 115 13 156 103 91 97 0 0 376 67
2 229 274 243 332 23 249 140 0 113 0 94 39 35 190 136 51 88 100 99 88 0 5 98 74
3 275 154 107 275 41 380 40.7 0 21 0 160 279 34 179 27 222 309 174 17 57 0 28 86 152
Maret Jumlah 1014 534 507 779 80 873 319.7 0 160 0 269 451 78 742 278 286 553 377 207 242 0 33 560 293
1 88 122 26 191 419 208 14 0 32 0 122 72 88 64 99 213 118 0 140 202 0 0 208 132
2 217 379 174 139 41 95 372 0 60 0 32 141 7 51 85 43 74 73 111 35 0 0 36 78
3 0 184 333 81 32 58 302 0 33 0 0 155 34 26 25 67 37 38 86 10 0 0 18 93
April Jumlah 305 685 533 411 492 361 688 0 125 0 154 368 129 141 209 323 229 111 337 247 0 0 262 303
1 0 134 0 224 419 118 0 0 70 0 0 30 68 33 30 65 62 46 6 42 0 0 71 10
2 0 206 0 0 41 73 0 0 35 0 84 141 14 4 27 14 73 51 40 115 0 0 28 8
3 101 0 0 69 32 155 56.1 0 0 0 15 42 38 18 29 111 14 5 242 15 0 0 31 36
Mei Jumlah 101 340 0 293 492 346 56.1 0 105 0 99 213 120 55 86 190 149 102 288 172 0 0 130 54
1 4 8 0 210 0 82 19 0 3 0 0 50 28 51 26 94 8 0 124 34 0 7 61 0
2 25 124 0 206 6 27 3 0 0 0 5 60 27 158 0 43 0 69 92 7 0 0 46 0
Juni
3 0 39 74 237 0 56 7 0 52 0 14 9 48 0 0 68 15 0 33 75 0 0 17 0
Jumlah 29 171 74 653 6 165 29 0 55 0 19 119 103 209 26 205 23 69 249 116 0 7 124 0
1 0 0 0 96 11 0 5 0 0 0 9 0 5 23 17 59 0 14 10 0 0 0 62 62
2 0 0 0 63 0 0 4 0 4 0 10 0 2 28 18 23 0 16 156 71 0 0 17 17
Juli
3 0 0 0 42 0 0 7.7 0 5 0 0 12 0 12 33 43 0 0 265 13 0 0 0 0
Jumlah 0 0 0 201 11 0 16.7 0 9 0 19 12 7 63 68 125 0 30 431 84 0 0 79 79
1 0 0 0 56 43 0 6 0 0 0 4 0 0 9 0 93 0 6 7 38 0 0 0 0
2 0 0 0 146 36 9 4 0 4 0 0 0 8 0 0 37 0 0 26 0 0 0 32 3
Agustus
3 0 0 0 27 96 16 8.8 0 0 0 0 0 12 3 0 90 0 0 20 0 0 0 0 0
Jumlah 0 0 0 229 175 25 18.8 0 4 0 4 0 20 12 0 220 0 6 53 38 0 0 32 3
1 0 0 0 40 0 16 10 0 0 0 4 0 6 2 0 123 31 0 1 0 0 0 0 0
2 0 0 0 61 39 0 23 0 0 0 0 0 0 0 0 80 0 7 0 0 0 0 0 0
September
3 0 0 0 138 0 59 72 0 0 0 0 0 0 14 0 32 0 44 20 0 0 0 94 98
Jumlah 0 0 0 239 39 75 105 0 0 0 4 0 6 16 0 235 31 51 21 0 0 0 94 98
1 0 114 6 9 93 152 33 0 0 0 0 0 12 115 42 177 7 7 0 0 0 0 93 0
2 0 77 0 62 335 221 124 0 0 0 202 0 73 52 0 9 13 60 39 30 0 0 209 3
Oktober
3 21 74 0 235 605 262 176 0 0 0 60 0 104 101 14 135 118 40 86 0 0 0 30 89
Jumlah 21 265 6 306 1033 635 333 0 0 0 262 0 189 268 56 321 138 107 125 30 0 0 332 92
1 0 101 0 104 465 216 161 0 0 0 109 0 66 132 0 267 175 148 50 35 0 0 20 71
2 0 146 0 342 502 418 122 0 0 0 103 10 60 80 92 66 52 60 49 25 0 17 15 26
november
3 0 221 0 75 306 309 176 0 0 0 120 76 112 264 62 0 394 113 41 101 0 0 119 16
Jumlah 0 468 0 521 1273 943 459 0 0 0 332 86 238 476 154 333 621 321 140 161 0 17 154 113
1 0 125 0 250 439 372 319 0 0 0 61 50 107 105 124 123 372 83 126 214 0 0 67 257
2 0 283 0 99 269 204 56 0 0 0 108 27 257 269 70 24 121 158 189 51 0 29 357 235
Desember
3 0 376 0 260 194 19 236.5 0 0 0 151 255 137 210 119 94 375 74 354 278 0 0 353 454
Jumlah 0 784 0 609 902 595 611.5 0 0 0 320 332 501 584 313 241 868 315 669 543 0 29 777 946
Sumber: Data Primer yang telah diolah 2019
4.1.2 Tabel Pembobotan

Tahun
Bln Dkd 1994 1995 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
1 372 91 266 146 629 0 116 0 51 0 0 235 93 245 262 101 40 136 520 462 0 17 49 71
2 97 245 250 85 298 0 102 0 125 0 128 22 209 70 278 293 248 109 181 210 0 10 36 497
Jan
3 274 718 228 241 487 0 57 0 65 0 161 98 209 128 118 98 146 94 272 121 0 0 200 47
Jum 742 1022 747 465 1416 0 279 0 243 0 283 358 508 445 669 499 435 341 980 808 0 28 276 631
1 0 172 208 292 331 0 56 0 138 0 67 32 117 205 212 49 211 99 49 48 0 27 128 212
2 0 193 142 336 324 0 457 0 53 0 12 27 34 60 111 117 35 44 107 115 0 9 40 125
Feb
3 25 331 128 105 52 0 33 0 0 0 22 216 149 116 180 80 94 188 35 59 0 0 68 96
Jum 21 622 435 675 655 0 507 0 178 0 92 238 267 358 455 223 309 304 175 203 0 35 215 396
1 510 106 157 172 16 244 139 0 26 0 15 133 9 373 115 13 156 103 91 97 0 0 376 67
2 229 274 243 332 23 249 140 0 113 0 94 39 35 190 136 51 88 100 99 88 0 5 98 74
Mar
3 303 169 118 303 45 418 45 0 23 0 176 307 37 197 30 244 340 191 19 63 0 31 95 167
Jum 1048 552 524 805 83 902 330 0 165 0 278 466 81 767 287 296 571 390 214 250 0 34 579 303
1 88 122 26 191 419 208 14 0 32 0 122 72 88 64 99 213 118 0 140 202 0 0 208 132
2 217 379 174 139 41 95 372 0 60 0 32 141 7 51 85 43 74 73 111 35 0 0 36 78
Apr
3 0 184 333 81 32 58 302 0 33 0 0 155 34 26 25 67 37 38 86 10 0 0 18 93
Jum 305 685 533 411 492 361 688 0 125 0 154 368 129 141 209 323 229 111 337 247 0 0 262 303
1 0 134 0 224 419 118 0 0 70 0 0 30 68 33 30 65 62 46 6 42 0 0 71 10
2 0 206 0 0 41 73 0 0 35 0 84 141 14 4 27 14 73 51 40 115 0 0 28 8
Mei
3 111 0 0 76 35 171 62 0 0 0 17 46 42 20 32 122 15 6 266 17 0 0 34 40
Jum 104 351 0 303 508 358 58 0 109 0 102 220 124 57 89 196 154 105 298 178 0 0 134 56
1 4 8 0 210 0 82 19 0 3 0 0 50 28 51 26 94 8 0 124 34 0 7 61 0
2 25 124 0 206 6 27 3 0 0 0 5 60 27 158 0 43 0 69 92 7 0 0 46 0
Jun
3 0 39 74 237 0 56 7 0 52 0 14 9 48 0 0 68 15 0 33 75 0 0 17 0
Jum 29 171 74 653 6 165 29 0 55 0 19 119 103 209 26 205 23 69 249 116 0 7 124 0
1 0 0 0 96 11 0 5 0 0 0 9 0 5 23 17 59 0 14 10 0 0 0 62 62
2 0 0 0 63 0 0 4 0 4 0 10 0 2 28 18 23 0 16 156 71 0 0 17 17
Jul
3 0 0 0 46 0 0 8 0 6 0 0 13 0 13 36 47 0 0 292 14 0 0 0 0
Jum 0 0 0 208 11 0 17 0 9 0 20 12 7 65 70 129 0 31 445 87 0 0 82 82
1 0 0 0 56 43 0 6 0 0 0 4 0 0 9 0 93 0 6 7 38 0 0 0 0
2 0 0 0 146 36 9 4 0 4 0 0 0 8 0 0 37 0 0 26 0 0 0 32 3
Ags
3 0 0 0 30 106 18 10 0 0 0 0 0 13 3 0 99 0 0 22 0 0 0 0 0
Jum 0 0 0 237 181 26 19 0 4 0 4 0 21 12 0 227 0 6 55 39 0 0 33 3
1 0 0 0 40 0 16 10 0 0 0 4 0 6 2 0 123 31 0 1 0 0 0 0 0
2 0 0 0 61 39 0 23 0 0 0 0 0 0 0 0 80 0 7 0 0 0 0 0 0
Sep
3 0 0 0 138 0 59 72 0 0 0 0 0 0 14 0 32 0 44 20 0 0 0 94 98
Jum 0 0 0 239 39 75 105 0 0 0 4 0 6 16 0 235 31 51 21 0 0 0 94 98
1 0 114 6 9 93 152 33 0 0 0 0 0 12 115 42 177 7 7 0 0 0 0 93 0
2 0 77 0 62 335 221 124 0 0 0 202 0 73 52 0 9 13 60 39 30 0 0 209 3
Okt
3 23 81 0 259 666 288 194 0 0 0 66 0 114 111 15 149 130 44 95 0 0 0 33 98
Jum 22 274 6 316 1067 656 344 0 0 0 271 0 195 277 58 332 143 111 129 31 0 0 343 95
1 0 101 0 104 465 216 161 0 0 0 109 0 66 132 0 267 175 148 50 35 0 0 20 71
2 0 146 0 342 502 418 122 0 0 0 103 10 60 80 92 66 52 60 49 25 0 17 15 26
Nop
3 0 221 0 75 306 309 176 0 0 0 120 76 112 264 62 0 394 113 41 101 0 0 119 16
Jum 0 468 0 521 1273 943 459 0 0 0 332 86 238 476 154 333 621 321 140 161 0 17 154 113
1 0 125 0 250 439 372 319 0 0 0 61 50 107 105 124 123 372 83 126 214 0 0 67 257
2 0 283 0 99 269 204 56 0 0 0 108 27 257 269 70 24 121 158 189 51 0 29 357 235
Des
3 0 414 0 286 213 21 260 0 0 0 166 281 151 231 131 103 413 81 389 306 0 0 388 499
Jum 0 810 0 629 932 615 632 0 0 0 331 343 518 603 323 249 897 326 691 561 0 30 803 978
Sumber: Data Primer yang telah diolah 2019
4.1.3 Tabel Rangking
Rangking
Bln Dkd 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 629 520 462 372 266 262 245 235 146 136 116 101 93 91 71 51 49 40 17 0 0 0 0 0
2 497 298 293 278 250 248 245 210 209 181 128 125 109 102 97 85 70 36 22 10 0 0 0 0
Jan
3 718 274 272 241 241 228 209 200 161 146 128 121 118 98 98 94 65 57 47 28 0 0 0 0
Jum 1416 1022 980 808 747 742 669 631 508 499 466 445 436 358 341 283 279 276 243 27 0 0 0 0
1 331 292 212 212 211 208 205 172 138 128 117 99 67 56 49 49 48 32 27 0 0 0 0 0
2 457 336 324 193 142 125 117 115 111 107 60 53 44 40 35 34 27 12 9 0 0 0 0 0
Feb
3 331 216 188 180 149 128 116 105 96 94 80 68 59 52 35 33 25 22 0 0 0 0 0 0
Jum 675 655 622 507 455 435 396 358 309 304 267 238 223 215 203 178 175 92 35 21 0 0 0 0
1 510 376 373 244 172 157 156 139 133 115 106 103 97 91 67 26 16 15 13 9 0 0 0 0
2 332 274 249 243 229 190 140 136 113 100 99 98 94 88 88 74 51 39 35 23 5 0 0 0
Mar
3 418 340 307 303 303 244 197 191 176 169 167 118 95 63 45 45 37 31 30 23 19 0 0 0
Jum 1048 902 805 767 579 571 552 524 466 390 330 303 296 287 278 250 214 165 83 81 34 0 0 0
1 419 213 208 208 202 191 140 132 122 122 118 99 88 88 72 64 32 26 14 0 0 0 0 0
2 379 372 217 174 141 139 111 95 85 78 74 73 60 51 43 41 36 35 32 7 0 0 0 0
Apr
3 333 302 184 155 93 86 81 67 58 38 37 34 33 32 26 25 18 10 0 0 0 0 0 0
Jum 688 685 533 492 411 368 361 337 322 305 303 262 247 229 209 154 141 129 125 111 0 0 0 0
1 419 224 134 118 71 70 68 65 62 46 42 33 30 30 10 6 0 0 0 0 0 0 0 0
2 206 141 115 84 73 73 51 41 40 35 28 27 14 14 8 4 0 0 0 0 0 0 0 0
Mei
3 266 171 122 111 76 62 46 42 40 35 34 32 20 17 17 15 6 0 0 0 0 0 0 0
Jum 508 361 358 303 298 220 196 178 154 134 124 109 105 104 102 89 58 57 56 0 0 0 0 0
1 210 124 94 82 61 51 50 34 28 26 19 8 8 7 4 3 0 0 0 0 0 0 0 0
2 206 158 124 92 69 60 46 43 27 27 25 7 6 5 3 0 0 0 0 0 0 0 0 0
Jun
3 237 75 74 68 56 52 48 39 33 17 15 14 9 7 0 0 0 0 0 0 0 0 0 0
Jum 653 249 209 205 171 165 127 119 116 134 74 69 55 29 29 26 23 19 7 6 0 0 0 0
1 96 62 62 59 23 17 14 11 10 9 5 5 0 0 0 0 0 0 0 0 0 0 0 0
2 156 71 63 28 23 18 17 17 16 10 4 4 2 0 0 0 0 0 0 0 0 0 0 0
Jul
3 292 47 46 36 14 13 13 8 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jum 445 208 129 87 82 82 70 65 31 20 17 12 11 9 29 0 0 0 0 0 0 0 0 0
1 93 56 43 38 9 7 6 6 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 146 37 36 32 26 9 8 4 4 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Ags
3 106 99 30 22 18 13 10 6 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jum 237 227 181 55 39 33 31 26 21 19 12 4 4 3 0 0 0 0 0 0 0 0 0 0
1 123 40 31 16 10 6 4 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 80 61 39 23 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Sep
3 138 98 94 72 59 44 32 20 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jum 239 235 105 98 94 75 51 39 31 21 16 6 4 0 0 0 0 0 0 0 0 0 0 0
1 177 152 115 114 93 93 42 33 12 9 7 7 6 0 0 0 0 0 0 0 0 0 0 0
2 335 221 209 202 124 77 73 62 60 52 39 30 13 9 3 0 0 0 0 0 0 0 0 0
Okt
3 666 288 259 194 149 130 114 111 98 95 81 66 44 33 23 15 0 0 0 0 0 0 0 0
Jum 1067 656 344 343 332 316 277 274 271 195 143 129 111 95 58 31 22 6 0 0 0 0 0 0
1 465 267 216 175 161 148 132 109 104 101 71 66 50 35 20 0 0 0 0 0 0 0 0 0
2 502 418 342 146 122 103 92 80 66 60 60 52 49 26 25 17 15 10 0 0 0 0 0 0
Nop
3 394 309 306 264 221 176 120 119 113 112 101 76 75 62 41 16 0 0 0 0 0 0 0 0
Jum 1273 953 621 521 476 468 459 333 332 321 238 161 154 154 140 113 86 17 0 0 0 0 0 0
1 439 372 372 319 257 250 214 126 125 124 123 107 105 83 67 61 50 0 0 0 0 0 0 0
2 357 283 269 269 257 235 204 189 158 121 108 99 70 56 51 29 27 24 0 0 0 0 0 0
Des
3 499 414 413 389 388 306 286 281 260 231 213 166 151 131 103 81 21 0 0 0 0 0 0 0
Jum 978 932 897 810 803 691 632 629 615 603 561 518 343 331 326 323 249 30 0 0 0 0 0 0
Sumber: Data Primer yang telah diolah 2019
4.1.4 Tabel Peluang
PELUANG MEDIAN
NO BULAN
40% 50% 60% 10
1 Januari 499 440.5 341 12.5
2 Februari 304 230.5 203 15
3 Maret 390 299.5 278
4 April 305 254.5 209
5 Mei 134 107 102
6 Juni 134 62 29
7 Juli 20 11.5 29
8 Agustus 19 4 0
9 September 21 5 0
10 Oktober 195 120 58
11 November 321 157.5 140
12 Desember 603 430.5 326
Sumber: Data Primer yang telah diolah 2019
4.1.5 Grafik Peluang 40%

PELUANG 40%
700

600

500

400

300

200

100

Sumber: Data Primer yang telah diolah 2019

4.1.6 Grafik Peluang 50%
PELUANG 50%
500.0
450.0
400.0
350.0
300.0
250.0
200.0
150.0
100.0
50.0
0.0

Sumber: Data Primer yang telah diolah 2019

4.1.7 Grafik Peluang 60%

PELUANG 60%
400

350
300

250
200

150

100

50
0

Sumber: Data Primer yang telah diolah 2019

4.1.7 Grafik Gabungan Peluang 40%, 50% dan 60%
PELUANG 40%, 50% DAN 60%
700

600

500

400

300

200

100

Series1 Series2 Series3

Sumber: Data Primer yang telah diolah 2019

4.1.9 Tabel Klasifikasi Iklim Menurut Schmidt-Ferguson
TAHUN S-F
BULAN
1994 1995 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 BK BB BL
JAN BB BB BB BB BB BK BB BK BB BK BB BB BB BB BB BB BB BB BB BB BK BK BB BB 5 19 0
FEB BK BB BB BB BB BK BB BK BB BK BL BB BB BB BB BB BB BB BB BB BK BK BB BB 6 17 1
MAR BB BB BB BB BL BB BB BK BB BK BB BB BL BB BB BB BB BB BB BB BK BK BB BB 4 18 2
APR BB BB BB BB BB BB BB BK BB BK BB BB BB BB BB BB BB BB BB BB BK BK BB BB 4 20 0
MEI BB BB BK BB BB BB BK BK BB BK BB BB BB BK BL BB BB BB BB BB BK BK BB BK 8 15 1
JUN BK BB BL BB BK BB BK BK BK BK BK BB BB BB BK BB BK BL BB BB BK BK BB BK 12 10 2
JUL BK BK BK BB BK BK BK BK BK BK BK BK BK BL BL BB BK BK BB BL BK BK BL BL 16 3 5
AGS BK BK BK BB BB BK BK BK BK BK BK BK BK BK BK BB BK BK BK BK BK BK BK BK 21 3 0
SEP BK BK BK BB BK BL BB BK BK BK BK BK BK BK BK BB BK BK BK BK BK BK BL BL 18 3 3
OKT BK BB BK BB BB BB BB BK BK BK BB BK BB BB BK BB BB BB BB BK BK BK BB BL 10 13 1
NOV BK BB BK BB BB BB BB BK BK BK BB BL BB BB BB BB BB BB BB BB BK BK BB BB 7 16 1
DES BK BB BK BB BB BB BB BK BK BK BB BB BB BB BB BB BB BB BB BB BK BK BB BB 7 17 0
118 154 16

S-F
BK BB BL
5 19 0
6 17 1
4 18 2
4 20 0
8 15 1
12 10 2
16 3 5
21 3 0
18 3 3
10 13 1
7 16 1
7 17 0
118 154 16

Sumber: Data Primer yang telah diolah 2019

Ju𝑚𝑙𝑎ℎ 𝐵𝐾 118
𝑄= 𝑋 100% = 𝑥 100%
Jumlah BB 154

= 0.776 (Iklim D, sedang)

4.1.10 Tabel Klasifikasi Iklim Menurut Oldeman
TAHUN
BULAN RATA-RATA KET
1994 1995 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
JAN 742 1022 747 465 1416 0 279 0 243 0 283 358 508 445 669 499 435 341 980 808 0 28 276 631 466 BB
FEB 21 622 435 675 655 0 507 0 178 0 92 238 267 358 455 223 309 304 175 203 0 35 215 396 265 BB
MAR 1048 552 524 805 83 902 330 0 165 0 278 466 81 767 287 296 571 390 214 250 0 34 579 303 372 BB
APR 305 685 533 411 492 361 688 0 125 0 154 368 129 141 209 323 229 111 337 247 0 0 262 303 267 BB
MEI 140 351 0 303 508 358 58 0 109 0 102 220 124 57 89 196 154 105 298 178 0 0 134 56 148 BL
JUN 29 171 74 653 6 165 29 0 55 0 19 119 103 209 26 205 23 69 249 116 0 7 124 0 102 BL
JUL 0 0 0 208 11 0 17 0 9 0 20 12 7 65 70 129 0 31 445 87 0 0 82 82 53 BK
AGS 0 0 0 237 181 26 19 0 4 0 4 0 21 12 0 227 0 6 55 39 0 0 33 3 36 BK
SEP 0 0 0 239 39 75 105 0 0 0 4 0 6 6 0 235 31 51 21 0 0 0 94 98 42 BK
OKT 22 274 6 316 1067 656 344 0 0 0 271 0 196 277 58 332 143 111 129 31 0 0 343 95 195 BL
NOV 0 468 0 521 1273 943 459 0 0 0 332 86 236 476 154 333 621 321 140 161 0 17 154 113 284 BB
DES 0 810 0 629 932 615 632 0 0 0 331 343 518 603 323 249 897 326 691 561 0 30 803 978 428 BB

Sumber: Data Primer yang telah diolah 2019

BB : 6 bulan berturut-turut
BK : 3 bulan berturut-turut
Tipe Utama (BB) : C
Sub Zona (BK) : 2
Tipe Iklim yaitu C2
4.2 Pembahasan
Berdasarkan data yang berasal dari Kabupaten Barru tersebut kita dapat
memperoleh data iklim tiapa tahunnya. Pada hasil pengamatan berupa data curah
hujan selama 24 tahun terakhir di atas maka pada wilayah tersebut dapat
ditentukan klasifikasi iklimnya. Berdasarkan klasifikasi iklim menurut Schmidt-
Ferguson dapat diketahui bahwa bulan keringnya (BK) berjumlah 118 dan bulan
basahnya (BB) berjumlah 154 yang menghasilkan nilai Q sebesar 0,776. Dari
hasil tersebut maka tipe iklim pada Kabupaten Barru termasuk tipe iklim D
menurut Klasifikasi Schmidt-Ferguson. Hasil tersebut menunjukkan bahwa
berdasarkan klasifikasi iklim menurut Schmidt-Ferguson, wilayah tersebut
termasuk pada iklim D atau dalam hal ini tergolong iklim sedang. Hal ini sesuai
dengan pendapat Sasminto (2014) bahwa tipe iklim yang kisaran nilai Q nya
berada pada kisaran 0,600 sampai 1,000 merupakan tipe iklim D. Dimana tipe
iklim ini merupakan daerah yang memiliki tipe iklim yang sedang dengan ciri
vegetasi hutan musim.
 Berdasarkan klasifikasi iklim menurut Oldeman, dari data curah hujan selama
24 tahun terakhir, setelah di tentukan bulan basah (BB) dan bulan keringnya (BK)
maka diperoleh bahwa jumlah bulan kering secara berturut-turut sebanyak 3 dan
bulan basah sebanyak 6 bulan berturut-turut Setelah menghitung jumlah BK dan
BB yang berurut, wilayah ini masuk ke dalam tipe iklim C2. Hal ini sesuai dengan
pendapat Sasminto (2014) yang menyatakan bahwa tipe iklim C2 adalah iklim
yang mempuyai 5-6 bulan basah yang berurutan berurutan dan 2-4 bulan kering
berurutan.
Berdasarkan Klasifikasi Iklim menurut Oldeman di peroleh bahwa Kabupaten
Barru memiliki tipe iklim C2. Dimana daerah yang memili tipe iklim C2 dimana
kita hanya dapat menanam padi satu kali dan tanaman palawija satu kali dalam
setahun. Hal ini sudah sesuai karena pada kabupaten Barru komoditi tanaman
yang paling banyak di kembangkan oleh masyarakat yaitu tanaman padi. Hal ini
sudah sesuai dengan tipe iklim yang berada pada tanaman barru yaitu C2 dimana
tanaman yang hanya bisa ditanam pada daerah tersebut adalah tanaman padi dana
palawija. Hal ini sesuai dengan pendapat Fadholi (2012) yang menyatakan bahwa
menutut Oldeman tipe iklim C2 adalah tipe iklim dengan kriteria jumlah bulan
basah 5-6 bulan dan jumlah bulan kering 2-3 bulan. Daerah dengan tipe iklim ini
merupakan daerah yang memiliki curah hujan yang cukup tinggi. Dalam serahun
daerah dengan tipe iklim C2 dapat ditanami 1 kali padi dan 1 kali palawija dengan
syarat untuk masa tanam keduanya tidak jatuh pada musim kemarau.
 BAB V
PENUTUP

5.1 Kesimpulan
Berdasarkan hasil praktikum yang telah dilakukan, maka dapat disimpulkan
bahwa:
1. Iklim merupakan kondisi rata-rata curah hujan pada waktu yang panjang dan
wilayah yang luas.
2. Iklim pada Kabupaten Barru menutut klasifikasi Schmidt-Ferguson termasuk
dalam tipe iklim D dimana jumlah bulan basahnya 154 dan bulan keringnya
118 dengan nilai Q = 0,776. Tipe iklim D termasuk dalam daerah sedang
dengan vegetasi hutan musim.
3. Menurut klasifikasi iklim Oldeman daerah Kabupaten Barru memiliki tipe
iklim C2, dimana tipe iklim C2 memungkinkan pada daerah tersebut ditanami
1 kali padi dan 1 kali palawija dalam setahun.
5.2 Saran
Dalam melakukan praktikum sebaiknya asisten ikut seta membimbin
praktikan dalam proses menghitung jumlah curah hujan agar praktikan dapat lebih
memahami bagaimana cara menghitung curah hujan dan menentukan tipe iklim.
 DAFTAR PUSTAKA
Ariffin. 2019. Metode Klasifikasi Iklim di Indonesia. UB Press: Malang
Bunganaen, Wihelmur, Risnayanti, Denik.S, dan Klan Yacober A. 2013. Analisis
Hubungan Tabel Hujan dan Durasi Hujan Pada Stasiun Klimatologi
Lasiana Kota Kupang, Jurnal Teknik Sipil. Vol.II, No. 2
Dewi Nur Kusuma. 2005. Kesesuaian Iklim Terhadap Pertumbuhan Tanaman.
Mediaroo. Vol. 1, No.2.
Fadholi Akhmad dan Diana Supriatin. 2012. System Pola Tanam Diwilayah
Priyangan Berdasarkan Klasifikasi Iklim Oldeman. Jurnal Pendidikan
Geografi. Volume. 12, Nomor. 2, halaman 61-70.
Hartina Wahid dan Usman. 2017. Analisis Karakteristik dan Klasifikasi Curah
Hujan di Kabupaten Polewali Mandar. Jurnal Sainsmat, Vol.VI, No. 1.
Halaman 15-27.
Hermawan Eddy. 2009. Analisis Prilaku Curah Hujan Di Atas Kototabang Saat
Bulan Basah dan Bulan Kering. Universitas Negeri YogyakartaLashari,
Rini Kusumawandari, Ferdian Praksara. 2017. Analisis Distribusi Curah
Hujan di Area Merapi Menggunakan Metode Aritmetika dan Poligon.
Jurnal Teknik Sipil dan Perencanaan, 19(1), Hal 39-48.
Muhebessy R.C. 2014. Tingkat Kesesuaian Lhan Bagi Tanaman Padi Berdasarkan
Faktor Iklim dan Tofografi di Kbupaten Marauke. Agrologia, Vol.3, No.2.
Hal. 125-131.
Octari Ganis Rckza, Didi Suhaedi, Noersomadi. 2015. Model Estimasi Curah
Hujan Berdasarkan Suhu Puncak Awan Menggunakan Inversi Nonlinear.
Universitas Islam Bandung.
Sari Widya Novita. 2017. Meteorologi dan Klimatologi: Menghitung Curah
Hujan dengan Menggunakan Metode. Universitas Negeri Medan.
Sasminto Retno Ayu, alexander Unggul, Bambang Rahadi. 2014. Analisis Spesial
Penentuan Iklim Menurut Klasifikasi Schmidt-Ferguson dan Oldeman di
Kabupaten Ponorogo. Jurnal Sumber Daya Alam dan Lingkungan.
Susilowati. 2015. Analisis Karakteristik Curah Hujan di Kota Bandar Lampung.
Jurnal Kontruksia. Volume 7, Nomer. 1.
Syaifullah M. Djazim. 2014. Validasi Data TRRM Terhadap Data Curah Hujan
Aktual di Tiga Das di Indonesia. Jurnal Meteorologi dan Geofisika. Vol.
15, No. 2.
.