LAPORAN PRAKTIKUM

AGROKLIMATOLOGI
TPT 1017
ACARA V
ANALISA CURAH HUJAN WILAYAH

Disusun Oleh :

Nama : Azhura Salsabila

NIM : 19/444085/TP/12462
Gol : Kamis
PJ Acara : 1. Ilham Nawan Rasyid
2. Haryo Seno

LABORATORIUM TEKNIK SUMBERDAYA LAHAN DAN AIR

DEPARTEMEN TEKNIK PERTANIAN DAN BIOSISTEM
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2020
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Iklim merupakan gambaran kondisi rata-rata cuaca dalam jangka waktu
yang lama.Iklim dapat mengalami perubahan sewaktu-waktu sehingga
polanya menjadi berubah.Hal ini dapat disebabkan oleh proses alami internal
dan aktivitas manusia yang dapat mengubah baik kondisi maupun komposisi
atmosfer.Perubahan pada kondisi atmosfer dapat berdampak pada terjadinya
fenomena alam La Nina dan El Nino.
Untuk mengetahui terjadinya perubahan iklim dapat digunakan beberapa
indikator.Salah satu indikator tersebut adalah tingkat curah hujan,yang mana
jika diteliti dengan baik akan didapat hubungan antara curah hujan dengan
indeks iklim global.Maka dari itu,dilakukan praktikum agroklimatologi untuk
mengetahui hubungan indeks iklim dengan curah hujan dan untuk mengenal
indeks iklim global sebagai salah satu indikator perubahan iklim.
1.2 Tujuan
Praktikum agroklimatologi acara V ini bertujuan untuk mengenal indeks
iklim global sebagai salah satu indikator penyimpangan iklim dan
mempelajari hubungan indeks iklim global dengan curah hujan.
1.3 Manfaat
Praktikum agroklimatologi acara V ini bermanfaat bagi praktikan agar
dapat memahami tentang indeks iklim global termasuk hubungannya dengan
curah hujan.
 BAB II
DASAR TEORI

Iklim menurut Kodoatie dan Syarief (2010) adalah rata-rata kondisi cuaca
yang diukur dalam periode waktu yang panjang.Kondisi iklim di dunia sewaktu-
waktu dapat berubah.Perubahan iklim terjadi karena adanya perubahan pada
unsur-unsur iklim.Pada dasarnya,perubahan iklim secara global disebabkan oleh
meningkatnya konsentrasi gas di atmosfer sehingga terjadi kenaikan suhu
bumi.Salah satu penyebab terjadinya perubahan iklim adalah karena aktivitas
manusia.Aktivitas-aktivitas manusia seperti membuang limbah pabrik industri
sembarangan,menggunakan AC (Air Conditioner) dengan boros,dan lain lain
menyebabkan semakin menipisnya lapisan ozon serta munculnya efek rumah
kaca.Perubahan iklim secara global mengakibatkan berbagai dampak yang buruk
bagi kehidupan manusia.Salah satunya adalah terjadinya peristiwa alam El Nino
dan La Nina.
El Nino dan La Nina merupakan gejala yang menunjukkan perubahan
iklim.El Nino ditandai dengan memanasnya suhu permukaan laut di bagian timur
Samudra Pasifik hingga bagian tengah (Babkina,2013).El Nino dapat
menyebabkan kekeringan di beberapa benua,seperti Afrika.Namun,hal ini tidak
terjadi di negara-negara Amerika bagian selatan,sehingga menyebabkan banjir
besar.Disisi lain,La Nina merupakan proses kembali normalnya cuaca dan suhu
permukaan laut (dingin) di laut Samudra Pasifik bagian timur.La Nina terjadi saat
El Nino sudah mulai mereda.Peristiwa La Nina dapat menyebabkan naiknya
permukaan air laut.Hal ini disebabkan karena angin yang membawa banyak uap
air bergerak dari Pasifik Timur (pantai Peru) menuju Indonesia (Supriatin dan
Martono,2016).Angin yang membawa banyak uap air tersebut akan
mengakibatkan sering terjadinya hujan lebat sehingga air laut naik dan sewaktu-
waktu mungkin saja bisa terjadi banjir.
Untuk mengetahui gambaran keadaan iklim dan perubahan sistem iklim,maka
digunakan indeks iklim global.Terdapat beberapa macam indeks iklim
global,diantaranya adalah ONI (Oceanin Nino Index),SOI (Southern Oscillation
Index),DMI (Dipole Mass Index),SST (Sea Surface Temperature),dan lain
sebagainya. ONI (Oceanin Nino Index) merupakan salah satu parameter yang
sering digunakan untuk meratakan fenomena El Nino dan La Nina (Nabilah
dkk.,2017). SOI (Southern Oscillation Index) merupakan ukuran fluktuasi
berskala besar antara tekanan udara di barat Pasifik dengan timur Pasifik wilayah
tropis selama berlangsungnya El Nino dan La Nina. DMI (Dipole Mass Index)
merupakan indeks yang dihitung dengan cara mencari selisih anomali suhu
permukaan laut perairan di pantai Timur Afrika dengan di sebelah barat Sumatera.
SST (Sea Surface Temperature) merupakan indeks banyaknya uap air pembentuk
awan di atmosfer (Syaifullah,2010).
 BAB III
METODOLOGI

3.1 Alat dan Bahan

Alat yang digunakan dalam praktikum kali ini adalah alat tulis,laptop
untuk mengetik laporan dan membantu proses pelaksanaan praktikum,serta
perangkat lunak Microsoft Excel untuk menginput data
praktikum.Sedangkan,bahan yang digunakan dalam praktikum ini adalah
data curah hujan dan tabel indeks iklim SST yang telah disediakan.
3.2 Cara Kerja
Untuk melaksanakan praktikum acara V ini,pertama,data curah hujan
(CH) dan indeks iklim global (IG) di input ke dalam excel.Setelah semua data
di input,dibuat grafik CH dan IG vs waktu.Grafik tersebut dibuat dengan cara
semua data yang akan dimasukkan ke grafik diblok.Kemudian,pada toolbar
diklik insert,dipilih charts dan dipilih 2D Column.Setelah grafik keluar,data
IG diklik kanan,dipilih format data series dan dipilih secondary
index.Lalu,tampilan grafik diubah dengan cara data kedua diklik
kanan,dipilih insert,dipilih charts dan dipilih 2D Line.Kemudian,sumbu y
nilai IG diatur dengan cara diklik kanan pada sumbu,pilih format axis dan
nilai bounds minimum diubah menjadi 20.Terakhir,grafik dilengkapi
keterangan pada tiap sumbunya dengan dikliknya tanda tambah di sebelah
kanan atas grafik (chart element),bagian axis titles dan legend dicentang,lalu
diberi keterangan pada setiap chart titles.
Setelah pembuatan grafik,dihitung nilai korelasi pada data dengan
dibuatnya tabel rerata nilai CH dan IG per tahun.Kemudian,nilai rerata CH
dan IG diplot dengan cara diklik insert pada toolbar dan dipilih scatter,dimana
nilai rerata CH sebagai sumbu y dan nilai rerata IG sebagai sumbu
x.Lalu,diklik kanan pada bidang grafik,dipilih select data dan dipilih menu
add.Pada bagian series X value diisi dengan data rerata IG diblok,sedangkan
bagian series Y value diisi dengan data rerata CH diblok,kemudian diklik
OK.Setelah itu,diklik kanan pada data yang sudah terplot,dipilih add trendline
 dan dicentang menu display equation on chart dan display R-squared value on
chart.
3.3 Cara Analisis Data
Untuk menganalisis data praktikum ini dilakukan dengan cara dibuat
tabel curah hujan dan indeks iklim global per bulan serta tabel rerata curah
hujan dan indeks iklim global pertahunnya.Kemudian,semua data pada kedua
tabel masing-masing diplot ke dalam grafik dan dicari nilai
regresinya.Sehingga,nilai korelasi antara indeks iklim global dan curah hujan
akan terlihat.
 BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Pengamatan dan Analisis Data
Hasil Pengamatan
Tabel 4.1 Data Curah Hujan
Pos Bulan Tahun
Hujan 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Januari 236 236 170 288 75 238 359 454 433 506 336 329
Februari 518 518 327 259 373 321 299 300 352 383 313 487
Pos Hujan
Maret 332 332 158 317 294 312 167 372 210 318 128 191
Kebonagung April 45 45 123 309 335 229 174 114 210 125 249 238
Mei 199 199 0 297 118 44 34 425 238 105 312 181
Desa
Juni 8 8 72 0 24 0 12 425 0 5 188 110
Sendangagun Juli 0 0 17 0 0 0 6 52 0 0 158 113
Agustus 0 0 9 0 0 0 0 122 0 0 0 6
g
September 0 0 24 0 0 0 0 221 0 0 0 0
Kecamatan Oktober 56 56 121 0 50 203 28 164 44 210 75 0
November 198 198 125 3 146 431 286 193 512 769 294 402
Minggir
Desember 362 362 344 583 551 263 70 267 280 543 470 583,5
-Sleman
7,61219LS –
110,43375BT

Tabel 4.2 Data Indeks Iklim Global

Tahu Januar Februar Mare Apri Mei Juni Juli Agustu Septembe Oktobe Novembe Desember
n i i t l s r r r
2003 27,94 28,1 28,69 29,13 28,9 28,0 27,3 26,97 27,18 27,59 27,89 28,03
5 6 5
2004 28,02 28,18 28,75 29,22 28,9 28,1 27,4 27,02 27,23 27,62 27,91 28,02
8 2
2005 28,03 28,17 28,73 29,22 28,9 28,0 27,3 27 27,2 27,6 27,88 28,02
4 8 6
2006 28,02 28,18 28,77 29,22 28,9 28,1 27,3 27 27,19 27,57 27,84 27,96
7 5
2007 27,96 28,15 28,72 29,19 28,9 28,1 27,3 27,02 27,19 27,58 27,87 27,99
7 2 6
2008 27,97 28,16 28,72 29,2 28,9 28,1 27,3 27,06 27,22 27,59 27,88 27,98
9 7 9
2009 27,99 28,13 28,65 29,14 28,9 28,1 27,3 27,04 27,24 27,62 27,89 27,97
2 4 6
2010 28,01 28,15 28,69 29,15 28,9 28,1 27,3 27,07 27,26 27,66 27,93 28,04
4 9 8
2011 28,06 28,23 28,77 29,24 29,0 28,2 27,4 27,1 27,27 27,68 27,94 28,02
2 3 1
2012 28,02 28,19 28,75 29,2 29,0 28,2 27,4 27,13 27,28 27,73 27,99 28,05
1 3 2
2013 28,03 28,19 28,71 29,21 29,0 28,2 27,4 27,18 27,31 27,78 27,04 28,11
3 4 3
2014 28,06 28,24 28,76 29,23 29,0 28,2 27,4 27,19 27,34 27,8 28,07 28,11
3 4 4
Analisis Data
Tabel 4.3 Data CH dan IG Per Bulan
Bulan CH IG
Januari 2003 236 27,94
Februari 2003 518 28,1
Maret 2003 332 28,69
April 2003 45 29,13
Mei 2003 199 28,95
Juni 2003 8 28,06
Juli 2003 0 27,35
Agustus 2003 0 26,97
September 2003 0 27,18
Oktober 2003 56 27,59
November 2003 198 27,89
Desember 2003 362 28,03
Januari 2004 236 28,02
Februari 2004 518 28,18
Maret 2004 332 28,75
April 2004 45 29,22
Mei 2004 199 29,98
Juni 2004 8 28,12
Juli 2004 0 27,4
Agustus 2004 0 27,02
September 2004 0 27,23
Oktober 2004 56 27,62
November 2004 198 27,91
Desember 2004 362 28,02
Januari 2005 170 28,03
Februari 2005 327 28,17
Maret 2005 158 28,73
April 2005 123 29,22
Mei 2005 0 28,94
Juni 2005 72 28,08
Juli 2005 17 27,36
Agustus 2005 9 27
September 2005 24 27,2
Oktober 2005 121 27,6
November 2005 125 27,88
Desember 2005 344 28,02
Januari 2006 288 28,02
Februari 2006 259 28,18
Maret 2006 317 28,75
April 2006 309 29,22
Mei 2006 297 28,97
Juni 2006 0 28,1
 Juli 2006 0 27,35
Agustus 2006 0 27
September 2006 0 27,19
Oktober 2006 0 27,57
November 2006 3 27,84
Desember 2006 583 27,96
Januari 2007 75 27,96
Februari 2007 373 28,15
Maret 2007 294 28,72
April 2007 335 29,19
Mei 2007 118 28,97
Juni 2007 24 28,12
Juli 2007 0 27,36
Agustus 2007 0 27,02
September 2007 0 27,19
Oktober 2007 50 27,58
November 2007 146 27,87
Desember 2007 551 27,99
Januari 2008 238 27,97
Februari 2008 321 28,16
Maret 2008 312 28,72
April 2008 229 29,2
Mei 2008 44 28,99
Juni 2008 0 28,17
Juli 2008 0 27,39
Agustus 2008 0 27,06
September 2008 0 27,22
Oktober 2008 203 27,59
November 2008 431 27,88
Desember 2008 263 27,98
Januari 2009 359 27,99
Februari 2009 299 28,13
Maret 2009 167 28,65
April 2009 174 29,14
Mei 2009 34 28,92
Juni 2009 12 28,14
Juli 2009 6 27,36
Agustus 2009 0 27,04
September 2009 0 27,24
Oktober 2009 28 27,62
November 2009 286 27,89
Desember 2009 70 27,97
Januari 2010 454 28,01
Februari 2010 300 28,15
Maret 2010 372 28,69
April 2010 114 29,15
 Mei 2010 425 28,94
Juni 2010 425 28,19
Juli 2010 52 27,38
Agustus 2010 122 27,07
September 2010 221 27,26
Oktober 2010 164 27,66
November 2010 193 27,93
Desember 2010 267 28,04
Januari 2011 433 28,06
Februari 2011 352 28,23
Maret 2011 210 28,77
April 2011 210 29,24
Mei 2011 238 29,02
Juni 2011 0 28,23
Juli 2011 0 27,41
Agustus 2011 0 27,1
September 2011 0 27,7
Oktober 2011 44 27,68
November 2011 512 27,94
Desember 2011 280 28,02
Januari 2012 506 28,02
Februari 2012 383 28,19
Maret 2012 318 28,75
April 2012 125 29,2
Mei 2012 105 29,01
Juni 2012 5 28,23
Juli 2012 0 27,42
Agustus 2012 0 27,13
September 2012 0 27,28
Oktober 2012 210 27,73
November 2012 769 27,99
Desember 2012 543 28,05
Januari 2013 336 28,03
Februari 2013 313 28,19
Maret 2013 128 28,71
April 2013 249 29,21
Mei 2013 312 29,03
Juni 2013 188 28,24
Juli 2013 158 27,43
Agustus 2013 0 27,18
September 2013 0 27,31
Oktober 2013 75 27,78
November 2013 294 27,04
Desember 2013 470 28,11
Januari 2014 329 28,06
Februari 2014 487 28,24
 Maret 2014 191 28,76
April 2014 238 29,23
Mei 2014 181 29,03
Juni 2014 110 28,24
Juli 2014 113 27,44
Agustus 2014 6 27,19
September 2014 0 27,34
Oktober 2014 0 27,8
November 2014 402 28,07
Desember 2014 583,5 28,11
900 30
800 29
700 28
600 27
26
500

Indeks Global
Curah Hujan

25
400
24
300 23
200 22
100 21
0 20
03 03 04 04 05 05 06 07 07 08 08 09 10 10 11 11 12 12 13 14 14
n- g- r- t- y- c- l- b- p- r- v- n- n- g- r- t- y- c- l- b- p-
Ja Au Ma Oc Ma De Ju Fe Se Ap No Ju Ja Au Ma Oc Ma De Ju Fe Se

Waktu

CH IG

Gambar 4.1 Grafik CH dan IG vs Waktu

Tabel 4.4 Data Rerata CH dan Rerata IG

Tahun Rerata CH Rerata IG
2003 162,8333 27,99
2004 162,8333 28,0392
2005 124,1667 28,0192
2006 171,3333 28,0142
2007 163,8333 28,01
2008 170,0833 28,0275
2009 119,5833 28,0075
2010 259,0833 28,0392
2011 189,9167 28,0808
2012 247 28,0833
2013 210,25 28,0217
2014 220,0417 28,1258
 300

250
f(x) = 652.17 x − 18102.21
R² = 0.34
200

150
CH

100

50

0
27.98 28 28.02 28.04 28.06 28.08 28.1 28.12 28.14
IG

Gambar 4.2 Grafik CH vs IG

4.2 Pembahasan
El Nino adalah gejala perubahan iklim secara global yang ditandai
dengan memanasnya suhu permukaan air laut di Samudera Pasifik bagian
timur dan tengah.Sedangkan La Nina adalah suatu kondisi yang ditandai
dengan menurunnya suhu permukaan air laut di wilayah timur ekuador
dan di lautan Pasifik.Biasanya,La Nina akan terjadi setelah El Nino.El
Nino terjadi secara beberapa tahap,dimulai dari meningkatnya suhu
permukaan air laut di perairan Samudera Pasifik bagian timur dan tengah
yang mengakibatkan meningkatnya suhu kelembaban pada atmosfer di
atas wilayah perairan tersebut.Kemudian,terjadi pembentukan awan
sehingga curah hujan yang berada di sekitar wilayah perairan tersebut
meningkat.Sementara itu,bagian barat Samudera Pasifik akan mengalami
peningkatan tekanan udara sehingga menyebabkan pertumbuhan awan di
bagian timur perairan Indonesia menjadi terhambat.Oleh karena
itu,terjadi penurunan curah hujan yang tidak biasa di beberapa wilayah di
Indonesia.
Berbeda dengan El Nino,La Nina terjadi ketika suhu permukaan air
laut di perairan Samudera Pasifik bagian timur mengalami penurunan.Di
saat yang bersamaan,muncul angin pasat timur yang kuat dan bertiup di
sepanjang Samudera Pasifik.Angin ini akan menyebabkan lebih banyak
massa air hangat yang ikut terbawa ke arah Pasifik
barat.Kemudian,massa air dingin di Pasifik timur akan bergerak ke atas
menggantikan massa air hangat yang berpindah ke Pasifik barat
tersebut.Pergantian massa inilah yang menyebabkan penurunan suhu di
permukaan air laut dari suhu normalnya.Proses ini disebut dengan
upwelling.
Terdapat beberapa indeks iklim global,diantaranya yang akan
dibahas disini adalah SST (Sea Surface Temperature),ONI (Oceanin
Nino Index), DMI (Dipole Mass Index),dan SOI (Southern Oscillation
Index).SST atau suhu permukaan laut merupakan salah satu variabel
yang digunakan untuk mempelajari interaksi antara laut dengan
atmosfer.Dalam jurnal geodesi UNDIP (Nabilah dkk.,2017),Hafiz
menyatakan bahwa ONI merupakan salah satu indeks El Nino yang
menampilkan pembagian wilayah di laut Pasifik dan mengukur nilai SST
di wilayah tersebut.DMI merupakan salah satu variabel yang digunakan
untuk mempelajari interaksi antara laut dengan atmosfer di Samudera
Hindia,dimana dicara selisih anomali suhu permukaan air laut di perairan
pantai timur Afrika dan perairan di sebelah barat Sumatera.SOI
merupakan ukuran fluktuasi berskala besar antara tekanan udara di barat
Pasifik dengan timur Pasifik wilayah tropis selama berlangsungnya El
Nino dan La Nina.
Pada praktikum acara V ini digunakan dua data,yaitu data curah
hujan perbulan (Januari 2003 sampai Desember 2014) dari pos hujan
Kebonagung,Desa Sendangagung,Kecamatan Minggir – Sleman dan data
indeks iklim global SST dengan periode waktu yang sama seperti data
curah hujan.Indeks SST yang digunakan adalah SST Index Nino
3.4,yaitu indeks suhu permukaan air laut di sekitar wilayah
Indonesia.Selain itu,pada praktikum acara V ini,dicari nilai korelasi
antara data indeks iklim global dengan data curah hujan agar dapat
diketahui hubungan keeratan diantara kedua data tersebut.Berdasarkan
hasil yang diperoleh,nilai korelasi (r) antara indeks iklim global dengan
curah hujan di Desa Sendangagung adalah 0,585,yang didapat dari hasil
pengakaran R2 = 0,3423.
Jika dilihat pada tabel dibawah ini,kita dapat meninterpretasikan
kekuatan hubungan antarvariabel (indeks iklim global dan curah hujan).
Tabel 4.5 Interpretasi Kekuatan Hubungan Antarvariabel
Interval Koefisien Tingkat Hubungan
0,00-0,199 Sangat Rendah
0,20-0,399 Rendah
0,40-0,599 Sedang / Cukup Kuat
0,60-0,799 Kuat
0,80-1,000 Sangat Kuat
Sumber : Ismail (2018) dan Sugiyono (2012)
Nilai koefisien korelasi (r) yang diperoleh berada pada interval 0,40-
0,599, yang berarti dapat dinyatakan bahwa korelasi antara indeks iklim
global dan curah hujan merupakan korelasi yang cukup kuat.Dengan kata
lain,hubungan antara indeks iklim global dengan curah hujan di stasiun
hujan Kebonagung memiliki keeratan hubungan yang cukup kuat.
Cara menganalisis data seperti yang dilakukan di praktikum acara
V ini bermanfaat terhadap bidang Teknik Pertanian dan
Biosistem.Contohnya,dapat digunakan untuk melakukan analisis data
korelasi antara suatu variabel dengan variabel lainnya — variabel yang
berkaitan dengan lingkup bidang Teknik Pertanian dan Biosistem —
sehingga akan sangat membantu baik dalam penelitian,proses produksi
suatu bahan maupun dalam pekerjaan yang sedang dijalani oleh seorang
mahasiswa/lulusan Teknik Pertanian dan Biosistem.
 BAB V
PENUTUP

5.1 Kesimpulan
Berdasarkan praktikum yang telah dilakukan,dapat diambil kesimpulan
bahwa indeks iklim global digunakan sebagai indikator fenomena alam El
Nino dan La Nina serta didapat pula hubungan indeks iklim global (IG)
dengan curah hujan (CH) di stasiun hujan Kebonagung,Desa
Sendangagung,Kecamatan Minggir – Sleman adalah cukup kuat,yaitu dengan
nilai korelasi sebesar 0,585.

5.2 Saran
Materi praktikum yang diberikan sudah sangat baik dan mudah
dipahami.Untuk video tutorial nya juga sudah sangat jelas dan rinci,jadi saya
rasa tidak ada saran yang dapat diutarakan lagi.Terimakasih kepada para
asisten praktikum yang selama ini sudah bekerja keras dan sudah memberikan
penjelasan terkait acara-acara praktikum agroklimatologi ini.
 DAFTAR PUSTAKA

Babkina,A.M. (Ed.).2003.El Nino : Overview And Bibliography.New York : Nova

Science Publishers,Inc.
Hidayat,Anistia M. dkk.2018.Korelasi Indeks Nino 3.4 Dan Southern Oscillation
Index (SOI) Dengan Variasi Curah Hujan Di Semarang. Jurnal Sains &
Teknologi Modifikasi Cuaca 19 (2) : 75-81.
Ismail,Fajri dan Mardiah Astuti (Ed.).2018.Statistika Untuk Penelitian
Pendidikan dan Ilmu-Ilmu Sosial.(ed.1). Jakarta : PRENADAMEDIA
GROUP.
Kodoatie,Robert J. dan Roestam Syarief.2010.Tata Ruang Air.Yogyakarta : ANDI
OFFSET.
Nabilah,F. dkk.2017.Analisis Pengaruh Fenomena El Nino Dan La Nina
Terhadap Curah Hujan Tahun 1998-2016 Menggunakan Indikator ONI
(Oceanic Nino Index) (Studi Kasus : Provinsi Jawa Barat).Jurnal
Geodesi UNDIP 6 (4) : 402-412.
Redaksi Ilmugeografi.Tidak Diketahui. Proses Terjadinya El Nino Dan La Nina –
Pengertian Dan Dampak. Dalam https://ilmugeografi.com/fenomena-
alam/proses-terjadinya-el-nino-dan-la-nina. Diakses pada hari Selasa,23
Juni 2020 pukul 10.28 WIB.
Sugiyono.2012. “Statistika Untuk Penelitian”, dalam Junal Sains & Teknologi
Modifikasi Cuaca 19 (2) : 77. Bandung : CV Alfabeta.
Supriatin,Lilik S. dan Martono.2016. Impacts of Climate Change (El Nino,La
Nina,and Sea Level) On The Coastal Area of Cilacap Regency.Jurnal
Forum Geografi 30 (2) : 106-111.
Syaifullah,Djazim.2010.Kajian Sea Surface Temperature (SST),Southern
Oscillation Index (SOI) Dan Dipole Mode Pada Kegiatan Penerapan
Teknologi Modifikasi Cuaca Di Propinsi Riau Dan Sumatera Barat Juli-
Agustus 2009.Jurnal Sains & Teknologi Modifikasi Cuaca 11 (1) : 1-7.
 LAMPIRAN
CARA KERJA
- Input data CH dan IG ke dalam excel
- Membuat grafik CH dan IG vs Waktu

- Gambar 1 Grafik CH dan IG vs Waktu

1. Cara Menggabungkan Dua Grafik
- Blok semua data yang akan dimasukkan
- Pilih Insert → pilih Charts → pilih 2D Column
→
- Setelah keluar grafik, klik kanan pada data kedua (IG) pilih Format
Data Series → pilih Secondary Index
- Klik kanan pada data kedua → pilih Insert → pilih Charts → pilih 2D Line

2. Cara Mencari Nilai Korelasi

- Dibuat tabel rerata nilai CH, dan IG per tahun
Tabel 1. Data CH dan IG per Tahun

Tahun CH IG
2003 100 250
2004 110 251
2005 120 252
2006 130 253
2007 140 254
 2008 150 255

- Diplotkan grafik dengan CH sebagai ordinat (sumbu-y) dan IG sebagai

absis (sumbu-x)
- Ditampilkan persamaannya (trendline)

Gambar 2. Grafik CH Vs IG

3. Cara Analisis Data

Tabel 2. Data CH dan IG per Bulan

BULAN CH IG
Januari 2003 30 20
Februari 2003 35 25
-
-
-
November 2008 50 40
Desember 2008 55 45

TUGAS POST TEST MERINGKAS JURNAL

Judul Jurnal : Jurnal Sains & Teknologi Modifikasi Cuaca

Judul : Korelasi Indeks Nino 3.4 Dan Southern Oscillation Index (SOI)
Dengan Variasi Curah Hujan Di Semarang

Volume : 19

Tahun : 2018

Penulis : Anistia Malinda Hidayat,Usman Efendi,Lisa Agustina,Paulus

Agus Winarso.

PENDAHULUAN

Indonesia merupakan negara maritim yang dilewati oleh garis khatulistiwa.

Berkaitan dengan posisinya, wilayah Indonesia dipengaruhi oleh sirkulasi monsun
yang berbalik arah dua kali dalam setahun. Sirkulasi monsun ini menyebabkan
adanya musim hujan yang terjadi pada periode monsun Asia (Oktober - April) dan
musim kemarau pada periode monsun Australia (Mei – September). Karena
Indonesia terletak di ekuator, hal ini menyebabkan banyak faktor yang
mempengaruhi sistem musim di Indonesia. Meskipun monsun terjadi secara
periodik, tetapi awal musim hujan dan musim kemarau tidak selalu sama
sepanjang tahun (Tjasyono, 2008). Menurut Yamagata et al. (2002), hal ini
disebabkan musim di Indonesia dipengaruhi oleh fenomena global seperti El
Nino/La Nina, Osilasi Selatan, dan Dipole Mode Event (DME) atau Indian Ocean
Dipole (IOD). Perubahan iklim yang terjadi membuat beberapa fenomena tersebut
lebih sering terjadi. Salah satunya adalah El Nino Southern Oscillation (ENSO).
ENSO adalah sebuah fenomena penyimpangan dari suhu muka laut di Samudra
Pasifik dekat ekuator bagian tengah dan timur. ENSO merupakan Global Climate
System yang terjadi nonperiodik. El Nino diidentifikasi melalui terjadinya
kenaikan suhu muka laut di wilayah perairan Pasifik Ekuator, sedangkan La Nina
adalah kondisi sebalikannya pada wilayah yang sama. El Nino dapat
menyebabkan turunnya suhu muka laut di wilayah perairan Indonesia dan La Nina
cenderung meningkatkan suhu permukaan laut di perairan Indonesia (Philander,
1989; Kovats, 2000; Xiao & Mechoso, 2009; Luo et al., 2010; Aldrian et al.,
2011; Wang et al., 2017; Fitria & Pratama, 2013).
Untuk mengetahui fenomena ENSO digunakan beberapa indeks, yaitu ONI
(Oceanic Nino Index) dan SOI (Southern Oscillation Index). Oceanic Nino Index
(ONI) didasarkan pada Suhu Permukaan Laut (SPL) dari rata-rata di wilayah Nino
3.4, dan merupakan ukuran utama untuk memantau, menilai dan memprediksi
ENSO. Sedangkan penentuan indeks SOI didasarkan pada perbedaan tekanan
udara permukaan laut antara Tahiti dan Darwin (Zakir et al., 2009). Fenomena
ENSO ini akan berdampak pada intensitas curah hujan yang diamati di Indonesia.
Apabila fenomena El Nino terjadi pada musim kemarau maka cenderung
memperparah dampak kekeringan dan apabila terjadi pada musim hujan akan
mengurangi curah hujan diamati pada musim tersebut. Sedangkan jika fenomena
La Nina terjadi, maka cenderung meningkatkan intensitas curah hujan diamati,
baik di musim kemarau maupun musim hujan (Ilahude & Nontji, 1999; Aldrian,
2002 & 2008; Utami, et al., 2011; Suwandi et al., 2014).
Dalam penelitian ini, data yang digunakan adalah data curah hujan tahun
2001-2015 dari enam pos pengamatan hujan di Semarang, yaitu Stasiun
Klimatologi Semarang, Stasiun Meteorologi Maritim Semarang, Stasiun
Meteorologi Ahmad Yani, Genuk, Mangkang dan Sumur Jurang Gunung Pati.
Sedangkan, data pembanding yang digunakan berupa anomali suhu permukaan
laut Nino 3.4 (SST Index Nino 3.4) yang diambil dari situs NOAA
(www.esrl.noaa.gov/psd/gcos_wgsp/Timeseries/Nino34/) dan data SOI diambil
dari situs Bureau of Meteorology (www.bom.gov.au).Data anomali curah hujan,
indeks suhu muka laut Nino 3.4, serta SOI dicari rata-ratanya setiap tiga bulan
berdasarkan dari sesi monsun, yaitu September-Oktober-November (SON),
Desember-Januari-Februari (DJF), Maret-April-Mei (MAM), dan Juni-Juli-
Agustus (JJA). Analisis korelasi dihitung antara anomali curah hujan diamati
terhadap Indeks Nino 3.4 dan anomali curah hujan terhadap SOI setiap tiga bulan
untuk periode SON, DJF, MAM, dan JJA. Dari analisis korelasi ini menghasilkan
koefisien korelasi yang menunjukan tingginya derajat hubungan antara curah
hujan diamati, SPL, dan SOI. Sementara itu, nilai korelasi antara curah hujan
diamati dan indeks Nino 3.4 dihitung dengan rumus sebagai berikut:
n ∑ XY −∑ X ∑Y
r= ………….(2)
2 2
√ n ∑ X −(∑ X )² √ n ∑Y −( ∑Y )²
dengan:
r = koefisien korelasi antara X dan Y
X= rata-rata bulanan dari SOI maupun indeks Nino 3.4
Y= curah hujan diamati bulanan dari pos pengamatan hujan
Tabel 1. Interpretasi Nilai r (koefisien korelasi)
Nilai r (korelasi) Keterangan
0,00-0,199 Sangat lemah
0,20-0,399 Lemah
0,40-0,599 Cukup kuat
0,60-0,799 Kuat
0,80-1,000 Sangat kuat
Sumber : Sugiyono (2012)