Skripsi 2017 Amhar Ulfiana

SKRIPSI
KARAKTERISTIK KEJADIAN HUJAN EKSTREM DI PROVINSI

SULAWESI SELATAN SERTA HUBUNGANNYA
DENGAN ANOMALI SUHU MUKA LAUT
DI SEKITAR SULAWESI SELATAN
CHARACTERISTIC OF EXTREME RAINFALL EVENT OVER

SOUTH SULAWESI PROVINCE AND ITS CORRELATION
WITH ANOMALY OF SEA SURFACE TEMPERATURES
AROUND SOUTH SULAWESI
AMHAR ULFIANA
13.12.2718
PROGRAM SARJANA TERAPAN KLIMATOLOGI

SEKOLAH TINGGI METEOROLOGI KLIMATOLOGI DAN GEOFISIKA
TANGERANG SELATAN
2017
SKRIPSI

SULAWESI SELATAN SERTA HUBUNGANNYA
DENGAN ANOMALI SUHU MUKA LAUT
DI SEKITAR SULAWESI SELATAN
CHARACTERISTIC OF EXTREME RAINFALL EVENT OVER

SOUTH SULAWESI PROVINCE AND ITS CORRELATION
WITH ANOMALY OF SEA SURFACE TEMPERATURES
AROUND SOUTH SULAWESI
Diajukan untuk memenuhi salah satu syarat memperoleh derajat

Sarjana Terapan Klimatologi
AMHAR ULFIANA
13.12.2718
PROGRAM SARJANA TERAPAN KLIMATOLOGI

SEKOLAH TINGGI METEOROLOGI KLIMATOLOGI DAN GEOFISIKA
TANGERANG SELATAN
2017
i
HALAMAN PENGESAHAN
SKRIPSI

SULAWESI SELATAN SERTA HUBUNGANNYA DENGAN ANOMALI
SUHU MUKA LAUT DI SEKITAR SULAWESI SELATAN
Telah dipersiapkan dan disusun oleh

AMHAR ULFIANA
13.12.2718
Telah dipertahankan di depan Tim Penguji dan dinyatakan lulus

pada tanggal 30 Agustus 2017
Susunan Tim Penguji

Pembimbing Utama Ketua Tim Penguji
Dr. Agus Safril, M.MT. Dr. Suwandi, M.Si.

NIP. 19710418 199503 1001 NIP. 19560524 197703 1001
Anggota Tim Penguji
Dr. Andri Ramdhani, M.Si.

NIP. 19780805 199903 1001
Tangerang Selatan, 30 Agustus 2017

Ketua Program Sarjana Terapan Ketua Sekolah Tinggi Meteorologi
Klimatologi Klimatologi dan Geofisika
Dr. Agus Safril, M.MT. Dr. Suko Prayitno Adi, M.Si.

NIP. 19710418 199503 1001 NIP. 19630315 198503 1001
ii
PERNYATAAN ORISINALITAS
Saya, Amhar Ulfiana, NPT.13.12.2718, menyatakan bahwa skripsi dengan

judul “Karakteristik Kejadian Hujan Ekstrem di Provinsi Sulawesi Selatan serta
Hubungannya dengan Anomali Suhu Muka Laut di Sekitar Sulawesi Selatan”
merupakan karya asli. Seluruh ide yang ada dalam skripsi ini merupakan hasil
penelitian yang saya susun sendiri dan sepanjang pengetahuan saya juga tidak
terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain,
kecuali yang secara tertulis diacu dalam naskah ini serta disebutkan dalam daftar
pustaka. Selain itu, tidak ada bagian dari skripsi ini yang telah digunakan sebelumnya
untuk memperoleh gelar Ahli Madya atau kesarjanaan maupun sertifikat Akademik di
suatu Perguruan Tinggi.
Jika pernyataan di atas terbukti sebaliknya, maka saya bersedia menerima
sanksi yang ditetapkan oleh Sekolah Tinggi Meteorologi Klimatologi dan Geofisika.

Penulis,
Amhar Ulfiana
NPT. 13.12.2718
iii
MOTTO DAN PERSEMBAHAN
“Sebaik-baik manusia adalah yang bermanfaat bagi manusia lain”
Tulisan ini saya persembahkan untuk Indonesia tercinta.
iv
KATA PENGANTAR
Dengan menyebut nama Allah yang Maha Pengasih dan Maha Penyayang.
Puji syukur penulis panjatkan ke hadirat Allah SWT, atas berkat rahmat dan
pertolongan-Nya, penulis dapat menyelesaikan skripsi dengan judul “Karakteristik
Kejadian Hujan Ekstrem di Provinsi Sulawesi Selatan serta Hubungannya dengan
Anomali Suhu Muka Laut di Sekitar Sulawesi Selatan” ini dengan tepat waktu.
Skripsi ini diajukan untuk memenuhi syarat kelulusan dalam jenjang perkuliahan
Sarjana Terapan Program Studi Klimatologi di Sekolah Tinggi Meteorologi
Klimatologi dan Geofisika.
Penulis menyadari bahwa terselesaikannya skripsi ini tidak lepas dari campur
tangan berbagai pihak. Untuk itu penulis dengan tulus mengucapkan terima kasih
sebanyak-banyaknya kepada:
1. Bapak Dr. Andi Eka Sakya, M.Eng. selaku Kepala Badan Meteorologi
Klimatologi dan Geofisika,
2. Bapak Dr. Suko Prayitno Adi, M.Si. selaku Ketua Sekolah Tinggi
Meteorologi Klimatologi dan Geofisika, beserta seluruh dosen, staf, dan
pegawai STMKG atas segala pelajaran dan pelatihan yang diberikan.
3. Bapak Dr. Agus Safril M.MT. selaku Pembimbing yang selalu menularkan
ilmu dan motivasinya.
4. Bapak Dr. Suwandi M.Si. dan Bapak Dr. Andri Ramdhani selaku Tim
Penguji yang banyak memberi arahan dan masukan yang membangun.
5. Kepala Balai Besar Meteorologi Klimatologi dan Geofisika Wilayah IV
Makassar beserta seluruh staf dan pegawai yang telah banyak memberi
dukungan dan bantuan.
6. Ibu Lutfi Tri Mulyani selaku Bintal Klimatologi semester VII dan VIII
yang selalu mengingatkan, menyemangati, dan membantu penulis.
7. Bapak, Mama, Uya, dan Ufar, serta keluarga besar lainnya yang
mendoakan dan selalu menyemangati penulis.
v
8. Ester, Kiki, dan Kak Alpin, teman seperjuangan dalam bimbingan yang
selalu mengingatkan jika penulis sedang khilaf.
9. Rekan-rekan CT-Gen, angkatan 2012, keluarga besar Rohis STMKG, dan
Sukidjo’s Angels atas kekompakannya.
10. Semua pihak yang telah memberikan bantuan kepada penulis yang tidak
dapat penulis sebutkan satu persatu.
Penulis menyadari bahwa skripsi ini masih memiliki banyak kekurangan,
sehingga kritik dan saran yang membangun sangat diharapkan demi perbaikan skripsi
ini. Semoga skripsi ini dapat bermanfaat bagi semua pihak.

Penulis
vi
DAFTAR ISI
HALAMAN JUDUL.................................................................................................. i
HALAMAN PENGESAHAN .................................................................................... ii
HALAMAN PERNYATAAN ORISINALITAS ....................................................... iii
HALAMAN MOTTO DAN PERSEMBAHAN ........................................................ iv
KATA PENGANTAR ............................................................................................... v
DAFTAR ISI .............................................................................................................. vii
DAFTAR TABEL ...................................................................................................... ix
DAFTAR GAMBAR ................................................................................................. x
DAFTAR LAMPIRAN .............................................................................................. xii
INTISARI................................................................................................................... xiii
ABSTRACT ............................................................................................................... xiv
BAB I PENDAHULUAN ...................................................................................... 1

I.1 Latar Belakang ..................................................................................... 1
I.2 Rumusan Masalah ................................................................................ 3
I.3 Batasan Masalah................................................................................... 3
I.4 Tujuan Penelitian.................................................................................. 4
I.5 Manfaat Penelitian................................................................................ 4
BAB II DASAR TEORI.......................................................................................... 6

II.1 Tinjauan Pustaka ................................................................................. 6
II.2 Landasan Teori.................................................................................... 10
II.2.1 Iklim di Indonesia ..................................................................... 10
II.2.2 Analisis nilai ekstrem................................................................ 11
II.2.3 Kejadian curah hujan ekstrem................................................... 11
BAB III METODE PENELITIAN............................................................................ 15

III.1 Jenis Penelitian .................................................................................. 15
III.2 Prosedur Penelitian ............................................................................ 15
III.2.1 Lokasi penelitian .................................................................... 15
III.2.2 Data dan metode pengumpulan .............................................. 18
III.2.3 Metode pengawasan kualitas (quality control)....................... 19
III.2.4 Metode identifikasi indeks ekstrem ........................................ 19
III.2.5 Metode analisis spasial ........................................................... 21
III.2.6 Metode analisis kecenderungan temporal .............................. 22
III.2.7 Metode analisis korelasi SML dan kejadian hujan ekstrem ... 24
III.3 Diagram Alir Penelitian ..................................................................... 24
29
34
vii
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ......................................... 26
IV.1 Hasil................................................................................................... 26
IV.1.1 Identifikasi nilai ambang batas ............................................... 27
IV.1.2 Rata-rata klimatologi indeks tahunan ..................................... 29
IV.1.3 Kecenderungan (trend) temporal kejadian hujan
ekstrem ................................................................................... 37
IV.1.4 Distribusi spasial trend indeks ekstrem .................................. 43
IV.1.5 Hubungan antara anomali suhu muka laut (SML)
dan karakteristik hujan di Sulawesi Selatan ........................ 51
IV.2 Pembahasan ....................................................................................... 52
BAB IV PENUTUP ................................................................................................. 56

V.1 Kesimpulan ......................................................................................... 56
V.2 Saran ................................................................................................... 57
DAFTAR PUSTAKA ................................................................................................ 58

LAMPIRAN ............................................................................................................... 62
viii
DAFTAR TABEL
Tabel II.1 Tingkat keeratan hubungan .................................................................... 14
Tabel III.1 Indeks curah hujan ekstrem yang digunakan dalam penelitian ini ........ 21
Tabel IV.1 Rangkuman uji trend untuk indikator frekuensi disajikan sebagai
jumlah pos hujan (dalam %) .................................................................. 40
Tabel IV.2 Rangkuman uji trend untuk indikator intensitas disajikan sebagai
jumlah pos hujan (dalam %) .................................................................. 43
Tabel IV.3 Daftar pos hujan dengan trend meningkat signifikan dan konsisten ..... 53
Tabel IV.4 Daftar pos hujan dengan trend menurun signifikan dan konsisten........ 53
ix
DAFTAR GAMBAR
Gambar III.1 Tiga wilayah dengan pola hujan dominan dan pola curah hujan
tahunan pada wilayah A. Garis tebal menunjukkan rata-rata
curah hujan, garis putus-putus menunjukkan standar deviasi atas
dan bawah ........................................................................................ 16
Gambar III.2 Peta lokasi penelitian di Sulawesi Selatan ....................................... 17
Gambar III.3 Pembagian grid data SML di perairan Sulawesi Selatan ................. 19
Gambar III.4 Diagram alir penelitian ..................................................................... 25
Gambar IV.1 Peta pos hujan lokasi penelitian setelah pengecekan data kosong ... 26
Gambar IV.2 Peta distribusi spasial ambang batas berdasarkan persentil ke-90 ... 27
Gambar IV.3 Peta distribusi spasial ambang batas untuk periode ulang 1 tahun .. 28
Gambar IV.4 Peta sebaran spasial rata-rata klimatologi R20mm di Sulawesi
Selatan .............................................................................................. 30
Gambar IV.5 Peta sebaran spasial rata-rata klimatologi R50mm di Sulawesi
Selatan .............................................................................................. 31
Gambar IV.6 Peta sebaran spasial rata-rata klimatologi R90p di Sulawesi
Selatan .............................................................................................. 32
Gambar IV.7 Peta sebaran spasial rata-rata klimatologi CWD di Sulawesi
Selatan .............................................................................................. 33
Gambar IV.8 Peta sebaran spasial rata-rata klimatologi RX1d di Sulawesi
Selatan .............................................................................................. 34
Gambar IV.9 Peta sebaran spasial rata-rata klimatologi RX5d di Sulawesi
Selatan .............................................................................................. 35
Gambar IV.10 Peta sebaran spasial rata-rata klimatologi RTOT di Sulawesi
Selatan .............................................................................................. 36
Gambar IV.11 Peta sebaran spasial rata-rata klimatologi SDII di Sulawesi
Selatan .............................................................................................. 37
Gambar IV.12 Scatter plot indeks R20mm di pos hujan Bontouse dan Peneki ....... 38
Gambar IV.13 Scatter plot indeks R50mm di pos hujan Bungoro dan Peneki ........ 38
Gambar IV.14 Scatter plot indeks R90p di pos hujan Baraka dan Malakaji ........... 39
Gambar IV.15 Scatter plot indeks CWD di pos hujan Sumpang Binangae dan
Menge ............................................................................................... 39
Gambar IV.16 Scatter plot indeks RX1d di pos hujan Bantimurung dan Peneki .... 41
Gambar IV.17 Scatter plot indeks RX5d di pos hujan Bengo dan Canru ................ 41
Gambar IV.18 Scatter plot indeks RTOT di pos hujan Peneki ................................ 42
Gambar IV.19 Scatter plot indeks SDII di pos hujan Bungoro dan Peneki ............. 42
Gambar IV.20 Peta distribusi spasial trend indeks R20mm di Sulawesi Selatan..... 44
Gambar IV.21 Peta distribusi spasial trend indeks R50mm di Sulawesi Selatan..... 45
Gambar IV.22 Peta distribusi spasial trend indeks R90p di Sulawesi Selatan ........ 46
Gambar IV.23 Peta distribusi spasial trend indeks CWD di Sulawesi Selatan ........ 47
Gambar IV.24 Peta distribusi spasial trend indeks RX1d di Sulawesi Selatan ........ 48
x
Gambar IV.25 Peta distribusi spasial trend indeks RX5d di Sulawesi Selatan ........ 49
Gambar IV.26 Peta distribusi spasial trend indeks RTOT di Sulawesi Selatan ....... 50
Gambar IV.27 Peta distribusi spasial trend indeks SDII di Sulawesi Selatan ......... 51
Gambar IV.28 Peta distribusi spasial pos hujan dengan trend signifikan dan
konsisten di Sulawesi Selatan .......................................................... 54
xi
DAFTAR LAMPIRAN
Lampiran 1 Tabel Cakupan Wilayah ZOM dan Non ZOM di Sulawesi Selatan..... 62
Lampiran 2 Tabel Lokasi Penelitian di Sulawesi Selatan ........................................ 64
Lampiran 3 Hasil Pengecekan Data Kosong ............................................................ 67
Lampiran 4 Tabel koefisien korelasi anomali SML pada lag time 0, -1, dan -2
terhadap curah hujan bulanan di Sulawesi Selatan .............................. 70
xii
INTISARI
Karakteristik Kejadian Hujan Ekstrem di Provinsi Sulawesi Selatan serta
Hubungannya dengan Anomali Suhu Muka Laut di Sekitar Sulawesi Selatan
Oleh
AMHAR ULFIANA
13.12.2718
Hujan ekstrem merupakan kejadian yang memiliki dampak terhadap berbagai sektor
kehidupan. Kejadian ini merupakan peristiwa alami, namun saat ini menjadi masalah
yang lebih serius karena diduga menjadi lebih sering terjadi, lebih luas dan/atau lebih
intens. Oleh sebab itu, penting untuk mengetahui apakah kejadian hujan ekstrem pada
suatu wilayah berubah atau tidak. Penelitian ini bertujuan untuk mengetahui
karakteristik spasial dan temporal kejadian hujan ekstrem di Provinsi Sulawesi
Selatan, serta bagaimana pengaruh suhu muka laut di sekitar wilayah Sulawesi Selatan
terhadap hujan di wilayah ini. Data yang digunakan adalah data curah hujan harian
dan bulanan di 86 titik pos hujan, serta data anomali suhu muka laut bulanan di
perairan sekitar Provinsi Sulawesi Selatan periode 1981-2010. Analisis hujan ekstrem
dilakukan dengan menggunakan 8 indeks ekstrem, yaitu R20mm, R50mm, R90p,
CWD, RX1d, RX5d, RTOT, dan SDII. Karakteristik spasial diidentifikasi dengan
memetakan rata-rata klimatologi dari indeks tersebut menggunakan analisis titik,
sedangkan karakteristik temporal diidentifikasi dengan regresi linier dan diuji dengan
uji trend Mann-Kendall. Analisis korelasi Pearson digunakan untuk mengetahui
hubungan antara anomali suhu muka laut dan hujan di Sulawesi Selatan. Sebelum itu,
pengawasan kualitas dilakukan terhadap data kosong yang terdapat pada pos hujan.
Dari 86 pos hujan, terpilih 37 pos hujan yang memiliki data yang baik. Hasil
penelitian menunjukkan bahwa secara spasial, nilai terendah dari indeks ekstrem
umumnya ditemukan di wilayah bagian tengah Sulawesi Selatan dan beberapa titik
pos hujan di utara, sedangkan nilai tertinggi mendominasi di wilayah sepanjang
pantai barat. Sementara itu, wilayah timur cenderung memiliki nilai sedang.
Berdasarkan uji kecenderungan temporal, ditemukan bahwa trend yang tidak
signifikan mendominasi di daerah ini. Trend yang signifikan dan konsisten hanya
ditemukan di beberapa titik, yaitu di Bungoro, Stageof Gowa, Baraka, Bontouse, dan
Bengo dengan trend positif, serta di Batukaropa dan Peneki dengan trend negatif.
Kejadian hujan di Sulawesi Selatan kemudian dihubungkan dengan anomali suhu
muka laut di sekitar Sulawesi Selatan pada lag time 0, -1, dan -2, dan hasilnya
menunjukkan bahwa terdapat korelasi yang sangat lemah.
Kata kunci: karakteristik spasial dan temporal, hujan ekstrem, Sulawesi Selatan
xiii
ABSTRACT
Characteristic of Extreme Rainfall Event over South Sulawesi Province and Its
Correlation with Anomaly of Sea Surface Temperatures around South Sulawesi
By
AMHAR ULFIANA
13.12.2718
Extreme rainfall is an event that has impacts on various sectors of life. This is a
natural event, but it is now a more serious problem because it is expected to be more
frequent, wider, and/or more intense. Therefore, it is important to know whether
extreme rainfall events in a region change or not. This study aims to determine the
spatial and temporal characteristics of extreme rainfall events in South Sulawesi
Province, and how the effect of sea surface temperature around South Sulawesi on
rainfall in this region. The data used are daily and monthly rainfall data at 86 rain
gauge stations, and the monthly sea surface temperature anomaly data in the sea
around South Sulawesi Province period 1981-2010. Extreme rainfall events are
analysed using 8 extreme indices, i.e. R20mm, R50mm, R90p, CWD, RX1d, RX5d,
RTOT, and SDII. Spatial characteristics are identified by mapping the climatological
mean of the indices using point analysis, whereas the temporal characteristics are
identified by linear regression and tested by the Mann-Kendall trend test. Pearson
correlation analysis is used to determine the relationship between sea surface
temperature anomaly and rainfall in South Sulawesi. Prior to that, quality control is
performed on empty data contained in the rain gauge stations. Of the 86 rain gauge
stations, 37 were selected with good data. The results show that spatially, the lowest
values of the extreme indices are commonly found in the central part of South
Sulawesi and some of the points in the north, while the highest values predominate in
the region along the west coast. Meanwhile, the eastern region tends to have a
moderate value. Based on the temporal trend test, it is found that non-significant
trends dominate in this area. Significant and consistent trends are found only at some
points, namely in Bungoro, Stageof Gowa, Baraka, Bontouse, and Bengo with
positive trends, as well as in Batukaropa and Peneki with negative trends. Then, the
rainfall in South Sulawesi is linked with sea surface temperature anomalies around
South Sulawesi at lag time 0, -1, and -2, and the results show that there are a very
weak correlation.
Keywords: spatial and temporal characteristics, extreme rainfall, South Sulawesi
xiv
BAB I
PENDAHULUAN
I.1 Latar Belakang

Isu mengenai perubahan iklim global saat ini sedang ramai dibicarakan. Hasil
penelitian yang dilakukan oleh Intergovernmental Panel on Climate Change (IPCC)
mengenai perubahan iklim global menunjukkan bahwa pengaruh manusia pada iklim
menyebabkan perubahan dalam frekuensi dan intensitas kejadian cuaca ekstrem
(Trenberth dkk., 2007). lklim ekstrem sebenarnya merupakan bentuk dari variabilitas
alam (Trenberth dkk., 2007). Namun, peristiwa ini menjadi masalah yang serius
karena saat ini beberapa kejadian ekstrem diduga menjadi lebih sering terjadi, lebih
luas dan/atau lebih intens.
Hasil studi di beberapa negara menunjukkan bukti perubahan kejadian curah
hujan ekstrem. Misalnya di Semenanjung Malaysia, Suhaila dkk. (2010) menemukan
bahwa hampir semua stasiun di wilayah timur menunjukkan kecenderungan (trend)
penurunan frekuensi curah hujan ekstrem selama periode monsun barat daya. Namun,
wilayah barat menunjukkan hasil sebaliknya, yaitu trend meningkat. Atsamon dkk.
(2009) juga menemukan trend yang berbeda antara dua wilayah di Thailand. Di Laut
Andaman, terjadi penurunan secara keseluruhan, sementara di Teluk Thailand
cenderung meningkat dalam hal intensitas dan frekuensi curah hujan.
Curah hujan ekstrem merupakan salah satu fenomena cuaca yang dapat
menyebabkan kerusakan, karena sering diikuti oleh banjir bandang dan kadang-
kadang disertai dengan cuaca buruk, seperti petir dan angin permukaan yang kuat. Di
daerah pedesaan, peristiwa curah hujan ekstrem dapat merusak tanaman dan ternak.
Sementara di daerah perkotaan, peristiwa ini sering menimbulkan masalah banjir
karena sistem drainase yang tidak memadai untuk menampung curah hujan tinggi
secara tiba-tiba (Carvalho dkk., 2002). Dampak yang serius dapat ditimbulkan oleh
kejadian ekstrem ini, baik dalam sektor lingkungan, ekonomi, sosial, dan sebagainya.
1
2
Hal inilah yang menyebabkan permintaan akan informasi cuaca ekstrem meningkat
(World Meteorological Organization-WMO, 2009).
Berdasarkan pernyataan WMO (2009) bahwa kesinambungan pembangunan
dan kondisi kehidupan ekonomi tergantung pada kemampuan untuk mengelola risiko
yang terkait dengan kejadian hujan ekstrem, maka studi mengenai kejadian ini di
Indonesia menjadi sangat penting dan mendesak. Namun, sejauh ini studi mengenai
curah hujan ekstrem di Indonesia pada skala regional masih sangat kurang.
Sulawesi Selatan dipilih sebagai daerah dalam penelitian ini berkaitan dengan
bencana yang dipicu oleh kejadian curah hujan ekstrem (maksimum harian). Kejadian
bencana hidrometeorologi terkait dengan cuaca ekstrem seperti banjir dan tanah
longsor sering menimbulkan kerugian besar di daerah ini. Badan Nasional
Penanggulangan Bencana (2016) mencatat bahwa terdapat 392 kejadian bencana
banjir dan tanah longsor dengan berbagai intensitas di provinsi ini dalam periode
1998 - 2016.
Pemahaman tentang curah hujan ekstrem sangat dibutuhkan, mengingat
Provinsi Sulawesi Selatan merupakan provinsi dengan penduduk terpadat ke-7 di
Indonesia, dengan lebih dari 8 juta orang yang tinggal di wilayah ini (Badan Pusat
Statistik, 2012). Dalam perspektif nasional, Sulawesi Selatan merupakan salah satu
lumbung padi nasional, di mana produk pertanian menjadi pemasukan utama terbesar
bagi ekonomi wilayah ini (30%) di samping produk perikanan, industri, tambang, dan
lain-lain. Oleh sebab itu, perlu dilakukan kajian apakah kejadian curah hujan ekstrem
pada skala regional di Provinsi Sulawesi Selatan berubah atau tidak. Perubahan
peristiwa ini baik dalam frekuensi atau intensitas akan berpengaruh pada perumusan
kebijakan di berbagai sektor, seperti pertanian (manajemen produk pertanian) dan
infrastruktur (manajemen konstruksi). Tanpa mempelajari subjek ini, tidak akan
diketahui apakah kondisi iklim ekstrem saat ini masih mendukung strategi di sektor-
sektor tersebut.
Seiring dengan penelitian mengenai kejadian hujan ekstrem, penyebab dari
kejadian ini pun diteliti. Di Indonesia, kejadian hujan ekstrem dapat disebabkan oleh
3
faktor global, regional, maupun lokal, salah satunya yaitu adanya perubahan suhu
muka laut yang signifikan (Sucahyono dan Ribudiyanto, 2013). Oleh sebab itu, pada
penelitian ini akan diteliti mengenai hubungan antara kejadian hujan ekstrem di
Sulawesi Selatan dengan anomali suhu muka laut di sekitar wilayah Sulawesi Selatan.
I.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, maka dirumuskan masalah sebagai
berikut:
1. Bagaimana nilai ambang (threshold) curah hujan ekstrem di Provinsi Sulawesi
Selatan?
2. Bagaimana karakteristik spasial kejadian hujan ekstrem di Provinsi Sulawesi
Selatan?
3. Bagaimana kecenderungan temporal kejadian hujan ekstrem di Provinsi Sulawesi
Selatan?
4. Bagaimana hubungan antara kejadian hujFan ekstrem di Sulawesi Selatan dengan
anomali suhu muka laut (SML) di sekitar wilayah Sulawesi Selatan?
I.3 Batasan Masalah

Penelitian ini dibatasi untuk menganalisis kejadian curah hujan ekstrem basah
tanpa memperhitungkan dampak bencana yang dihasilkan oleh kejadian tersebut.
Data yang digunakan adalah data pengamatan curah hujan harian tahun 1981-2010
yang mewakili setiap wilayah Zona Musim (ZOM) dan bukan Zona Musim (non
ZOM) di Sulawesi Selatan yang diperoleh dari Balai Besar Meteorologi Klimatologi
dan Geofisika (BBMKG) Wilayah IV Makassar. Kecenderungan pada kejadian curah
hujan ekstrem diidentifikasi dengan menggunakan indeks ekstrem untuk mengetahui
perubahan kejadian curah hujan ekstrem pada 30 dekade terakhir, baik dalam
frekuensi maupun intensitas.
Selanjutnya, analisis hubungan antara anomali suhu muka laut dan kejadian
hujan ekstrem di Sulawesi Selatan dilakukan menggunakan data anomali suhu muka
4
laut bulanan pada perairan di sekitar Sulawesi Selatan, yaitu di antara 1,6o – 6,9o
Lintang Selatan dan 116,7o – 122o Bujur Timur. Hasil yang diharapkan pada
penelitian ini berupa informasi kecenderungan dan peta indeks ekstrem di titik-titik
stasiun/pos hujan di Sulawesi Selatan, serta korelasi antara kejadian hujan ekstrem
tersebut dengan anomali SML di sekitar Sulawesi Selatan.
I.4 Tujuan Penelitian

Tujuan utama dari penelitian ini adalah untuk menganalisis pola curah hujan
ekstrem di Provinsi Sulawesi Selatan dalam kurun waktu tiga dekade terakhir (1981 -
2010) baik secara spasial maupun temporal.
Tujuan khusus adalah sebagai berikut:
1. Menentukan nilai ambang batas (threshold) curah hujan ekstrem di Provinsi
Sulawesi Selatan.
2. Mengetahui karakteristik spasial kejadian hujan ekstrem di Provinsi Sulawesi
Selatan dengan memetakan indeks untuk berbagai frekuensi dan intensitas.
3. Mendeteksi kecenderungan temporal kemungkinan curah hujan ekstrem di
Provinsi Sulawesi Selatan.
4. Mengetahui hubungan antara kejadian hujan ekstrem di Sulawesi Selatan dengan
anomali suhu muka laut (SML) di sekitar wilayah Sulawesi Selatan.
I.5 Manfaat Penelitian

Hasil penelitian ini diharapkan akan bermanfaat bagi berbagai bidang
keilmuan dan pembangunan/kebijakan, seperti:
1. Pertanian: menggunakan hasil penelitian untuk menentukan produk pertanian
terbaik berdasarkan karakteristik curah hujan ekstrem di daerah tertentu.
2. Manajemen bencana: memanfaatkan hasil penelitian untuk mengidentifikasi
daerah mana yang harus diprioritaskan terkait dengan risiko kejadian curah hujan
ekstrem.
5
3. Pekerjaan umum: menggunakan hasil penelitian untuk mengevaluasi apakah

infrastruktur yang ada masih tepat atau tidak, sehubungan dengan kondisi iklim
ekstrem saat ini.
4. Bagi masyarakat umum: hasil penelitian akan memberikan pemahaman yang
lebih baik tentang kejadian curah hujan ekstrem, sehingga masyarakat mampu
mengatasi dampak yang mungkin terjadi.
BAB II
DASAR TEORI
II.1 Tinjauan Pustaka

Studi mengenai iklim ekstrem berfokus pada kemungkinan perubahan
kejadian ekstrem seperti yang ditunjukkan oleh beberapa model. Ada beberapa
penelitian yang menguji perubahan curah hujan ekstrem. Di benua Amerika, Kunkel
dkk. (1999) meneliti kecenderungan curah hujan ekstrem khususnya di Amerika
Serikat dan Kanada. Data yang digunakan dari 1.295 stasiun pengamatan curah hujan,
dengan data observasi selama 66 tahun (1931-1996) untuk Amerika Serikat, dan 63
stasiun pengamatan dengan data observasi 43 tahun (1951-1993) untuk Kanada. Pada
penelitian tersebut, dibuat prosedur untuk menentukan curah hujan ekstrem. Durasi
kejadian 1, 3, dan 7 hari diperiksa. Dua ambang batas jumlah curah hujan yang
digunakan untuk menyaring kejadian digunakan dalam analisis ini, ditentukan dengan
periode ulang 1 dan 5 tahun. Untuk setiap stasiun, jumlah kejadian tahunan untuk
setiap durasi dan periode ulang diidentifikasi. Analisis kecenderungan linier
menunjukkan bahwa telah terjadi peningkatan yang signifikan pada nilai 7 hari,
kejadian 1 tahun selama periode 1931-1996 di Amerika Serikat, sementara di Kanada,
kecenderungan tidak signifikan.
Selanjutnya, penelitian lain dilakukan di Afrika Selatan oleh Mason dkk.
(1999) untuk mendeteksi perubahan curah hujan ekstrem. Data yang digunakan
adalah data pengamatan selama 60 tahun (1931-1990) dari 314 stasiun curah hujan.
Untuk setiap stasiun, dilakukan perhitungan intensitas dari periode ulang curah hujan
ekstrem 5, 10, 20, 30, dan 50 tahun. Metode yang diterapkan berbeda. Data 60 tahun
tersebut dibagi menjadi dua periode, yaitu 1931-1960 dan 1961-1990. Hipotesis nol
adalah tidak ada perbedaan dalam intensitas curah hujan ekstrem antara periode
pertama dan kedua. Hasil penelitian menunjukkan bahwa sebagian besar wilayah di
6
7
negara tersebut menunjukkan peningkatan intensitas curah hujan yang tinggi antara
1931 - 1960 dan 1961 - 1990.
Penelitian kejadian curah hujan ekstrem juga dilakukan di Asia khususnya
Asia Tenggara oleh Manton dkk. (2001) di bawah Asia Pacific Network (APN) untuk
Global Change Research dengan menggunakan data periode 1961 - 1998 pada 91
stasiun curah hujan di Asia Tenggara dan Pasifik Selatan. Kriteria yang digunakan
untuk menghitung indeks ekstrem adalah:
1. Frekuensi curah hujan harian melebihi persentil ke-99 rata-rata 1961-1990
(frekuensi ekstrem).
2. Rata-rata intensitas kejadian yang lebih besar dari atau sama dengan persentil ke-
99 setiap tahun, yaitu pada empat kejadian paling basah (intensitas ekstrem).
3. Persentase total curah hujan tahunan dari kejadian lebih besar dari atau sama
dengan persentil ke-99, yaitu dalam empat kejadian paling basah (proporsi
ekstrem).
4. Frekuensi hari dengan curah hujan minimal 2 mm (hari hujan).
Hasil penelitian menunjukkan bahwa jumlah hari hujan, jumlah curah hujan,
dan frekuensi curah hujan ekstrem tahunan telah menurun dalam periode penelitian di
sebagian besar stasiun. Kecenderungan penurunan jumlah hari hujan adalah
signifikan sedangkan frekuensi dan intensitas tidak signifikan.
Selanjutnya, Klein Tank dan Konnen (2003) melakukan studi untuk mencari
kecenderungan curah hujan ekstrem harian di Eropa dengan menggunakan tujuh
indeks iklim ekstrem untuk curah hujan yang disepakati secara internasional, yaitu
curah hujan tertinggi dalam 1 hari (RX1d), tertinggi dalam 5 hari (berturut-turut,
RX5d), hari dengan curah hujan lebat (R10mm), hari dengan curah hujan sangat lebat
(R20mm), hari basah kategori sedang (R75%), hari sangat basah (R95%), dan curah
hujan pada hari sangat basah (R95% tot, lihat www.knmi.nl/samenw/eca). Data diuji
dari 151 stasiun curah hujan di Eropa. Hasil penelitian menunjukkan bahwa di
sebagian besar wilayah Eropa, enam dari tujuh indeks secara signifikan meningkat
antara 1946 – 1999, namun pola spasial tidak begitu koheren.
8
Di Australia, studi curah hujan ekstrem dilakukan oleh Fu dkk. (2010) yang
menggunakan 97 tahun data pengamatan dari 191 stasiun curah hujan untuk
menyelidiki perubahan temporal dalam jumlah curah hujan ekstrem dengan
mengikuti metode Kunkel dkk. (1999). Dari rangkaian (series) data, durasi kejadian
1, 5, 10, dan 30 hari diteliti. Rangkaian baru yang diidentifikasi dari langkah pertama
kemudian disaring menggunakan waktu perulangan 1, 5, dan 20 tahun. Hasil
penelitian ini menyimpulkan bahwa lebih dari setengah jumlah stasiun menunjukkan
kecenderungan negatif, tetapi sebagian besar tidak signifikan.
Studi mengenai curah hujan ekstrem di Indonesia pernah dilakukan oleh
Manton dkk. (2001), tapi untuk wilayah yang besar yaitu Asia Pasifik. Hasil
penelitian menunjukkan kecenderungan yang berbeda. Ada kecenderungan
peningkatan curah hujan ekstrem di Fiji dan Polinesia Perancis. Namun, Pulau
Solomon, Filipina, Selandia Baru, Malaysia, dan Jepang menunjukkan
kecenderungan yang menurun, sedangkan negara lain tidak menunjukkan
kecenderungan yang signifikan, termasuk Indonesia. Peneliti hanya menggunakan
enam stasiun curah hujan, yaitu Pangkalpinang, Jakarta, Balikpapan, Manado,
Ambon, dan Palu, yang mewakili wilayah barat, tengah, dan timur Indonesia. Enam
stasiun ini tentu tidak memadai untuk menampilkan kondisi iklim seluruh Indonesia.
Penelitian lain pernah dilakukan oleh Supari (2012) di Jawa Timur. Hasil
penelitian menunjukkan bahwa secara umum kecenderungan curah hujan ekstrem di
provinsi ini didominasi oleh kecenderungan tidak signifikan. Namun, ditemukan
beberapa daerah dengan kecenderungan yang konsisten signifikan. Di bagian barat
provinsi, kecenderungan negatif secara konsisten signifikan ditemukan di Kabupaten
Ponorogo, Ngawi, Bojonegoro dan Gresik, serta di Kabupaten Sumenep, di Pulau
Madura, bagian timur provinsi. Di sisi lain, kecenderungan positif secara konsisten
signifikan, terlihat di Surabaya dan Pasuruan. Di Kabupaten Tuban, Malang, dan
Jember, kecenderungan positif secara konsisten signifikan diidentifikasi bersama-
sama dengan kecenderungan negatif secara konsisten signifikan, sedangkan untuk
9
kabupaten lain kecenderungan yang konsisten tidak ditemukan. Jadi, untuk tingkat
provinsi, kecenderungan tidak begitu jelas.
Selanjutnya, penelitian mengenai penyebab kejadian hujan ekstrem pun
dilakukan. Penelitian yang cukup banyak dilakukan adalah mengenai kejadian hujan
ekstrem dikaitkan dengan suhu muka laut. Liebmann dkk. (2001) melakukan
penelitian mengenai hubungan antara SML dan variabilitas kejadian hujan ekstrem di
Sao Paulo, Brazil. Hasil penelitian menunjukkan bahwa terdapat korelasi positif
antara jumlah kejadian ekstrem di seluruh wilayah dan anomali SML di Pasifik
tengah dan timur, namun korelasi yang kuat tidak tampak pada SML dan jumlah
curah hujan pada musim panas. Diketahui bahwa hubungan antara SML dan kejadian
hujan ekstrem sebagian besar teridentifikasi di stasiun-stasiun bagian timur wilayah.
Penelitian lain juga dilakukan oleh Haylock dkk. (2006) mengenai
kecenderungan pada jumlah curah hujan dan kejadian hujan ekstrem di Amerika
Selatan, serta hubungannya dengan suhu muka laut. Hubungan antara indeks curah
hujan dan SML dihitung menggunakan analisis korelasi kanonik (CCA). Hasil
penelitian menunjukkan bahwa anomali SML telah memberikan kontribusi pada
perubahan curah hujan, yaitu pada saat terjadinya El-Nino.
Di Indonesia, Budiartawan (2017) melakukan penelitian mengenai hubungan
time-lag antara suhu permukaan laut dengan curah hujan di atas kawasan Jawa-Bali
menggunakan metode korelasi silang. Hasil dari penelitian menunjukkan bahwa SML
Samudera Hindia dan Laut Jawa memiliki jeda dalam memberikan pengaruh terhadap
curah hujan di kawasan Jawa Bali. Analisa time-lag antara SML dan curah hujan
secara harian dari tahun 1998-2014 menunjukkan di Samudera Hindia memiliki lag
sebesar 5 hari, Laut Jawa memiliki lag 7 hari, dan dari kedua lautan tersebut adalah 5
hari.
Berdasarkan penelitian-penelitian sebelumnya, maka dilakukan analisis pola
kejadian curah hujan ekstrem di Sulawesi Selatan secara spasial dan temporal untuk
periode 1981-2010. Analisis temporal dan spasial terhadap delapan indeks ekstrem
digunakan dalam penelitian ini untuk melihat kecenderungan pada kejadian curah
10
hujan ekstrem pada 30 dekade terakhir. Selain itu, hubungan antara SML di sekitar
wilayah Sulawesi Selatan dan kejadian hujan ekstrem di Sulawesi Selatan juga akan
diteliti.
II.2 Landasan Teori

Berdasarkan tinjauan pustaka, maka dibuat landasan teori yang memuat
informasi iklim di Indonesia, analisis nilai ekstrem, serta kejadian curah hujan
ekstrem yang meliputi curah hujan ekstrem dan penyebabnya, indeks kejadian curah
hujan ekstrem, analisis spasial data curah hujan, dan analisis kecenderungan
temporal, dan analisis korelasi.
II.2.1 Iklim di Indonesia

Secara umum, iklim menunjukkan kondisi cuaca rata-rata suatu wilayah.
Sumber energi utama bagi dinamika iklim adalah energi matahari. Iklim di dunia
bervariasi baik secara spasial maupun temporal sebagai akibat dari perbedaan respon
permukaan bumi dalam menerima energi matahari.
Indonesia terletak di antara Benua Asia dan Benua Australia dan membentang
di sepanjang garis khatulistiwa. Setiap wilayah di Indonesia menerima energi
matahari dalam jumlah yang hampir sama, menyebabkan variasi spasial suhu dan
tekanan sangat terbatas. Variasi dari kedua variabel ini hanya secara vertikal karena
variasi ketinggian.
Sebagai negara tropis, Indonesia menerima radiasi matahari yang melimpah
sepanjang tahun. Indonesia juga memiliki sumber uap air yang melimpah karena
terletak di antara dua samudera, serta dua benua besar (Asia dan Australia) mengapit
Indonesia dan mempengaruhi pola iklim di negara ini. Sebuah gambaran yang jelas
tentang iklim di Indonesia adalah kondisi cuaca yang berbeda antara musim kering
dan basah. Pada musim kemarau, cuaca akan cerah, lembap, dan curah hujan kurang,
sementara di musim hujan akan berawan, lembap, dan banyak hujan. Curah hujan
bervariasi terutama sehubungan dengan frekuensi, durasi, intensitas dan pola spasial,
11
karakteristik umum curah hujan (Barrett dan Martin, 1981 dalam Supari, 2012),
namun di Indonesia variasinya lebih kompleks. Oleh karena itu, klasifikasi iklim di
Indonesia utamanya didasarkan pada variasi curah hujan.
II.2.2 Analisis nilai ekstrem

Analisis nilai ekstrem adalah analisis statistik berdasarkan apa yang dikenal
sebagai Teori Nilai Ekstrem, merupakan cabang dari statistik yang menggambarkan
perilaku pengamatan data ekstrem (Gilli, 2003; Naveau dkk., 2005). Tujuan dari
analisis nilai ekstrem adalah untuk memperkirakan tingkat ekstrem masa depan dari
suatu proses yang mungkin tejadi (Coles SG dan RSJ Sparks, 2001).
Secara umum, ada dua cara untuk mengidentifikasi ekstrem pada data riil.
Pendekatan pertama mempertimbangkan nilai maksimum (atau minimum) dari
variabel dalam periode berturut-turut, misalnya bulanan atau tahunan. Pengamatan
yang dipilih merupakan kejadian ekstrem, disebut juga block maxima (atau maxima
per periode). Pendekatan kedua berfokus pada nilai-nilai yang melebihi ambang batas
tertentu (threshold). Metode block maxima adalah metode tradisional yang digunakan
untuk menganalisis data musiman, seperti data hidrologi. Namun, metode threshold
dinilai lebih efisien, sehingga saat ini lebih banyak digunakan dalam berbagai aplikasi
(Gilli, 2003).
II.2.3 Kejadian curah hujan ekstrem

Secara umum, curah hujan ekstrem dapat dibedakan menjadi curah hujan
ekstrem basah yang dapat menyebabkan banjir dan curah hujan ekstrem kering yang
dapat menyebabkan kekeringan (Yolanda, 2014). Curah hujan ekstrem didefinisikan
sebagai curah hujan akumulatif selama 24 jam yang melebihi batas tertentu. Dalam
penelitian mengenai kejadian curah hujan ekstrem, identifikasi curah hujan harian
maksimum tahunan adalah contoh dari metode block maxima, sementara menghitung
frekuensi hari hujan dengan curah hujan lebih dari 20 milimeter (mm) adalah contoh
kasus metode threshold. Ada beberapa cara berbeda yang digunakan oleh ahli
12
meteorologi dalam menentukan ambang batas. Goswami dan Ramesh (2007)

menggunakan curah hujan harian 250 mm sebagai ambang batas pada analisis
kerentanan daerah India untuk curah hujan ekstrem. Bodini dan Cossu (2010)
menggunakan curah hujan harian di atas persentil ke-95 selama periode tertentu pada
penilaian kerentanan di Sardinia Timur-Tengah untuk curah hujan ekstrem.
Hernandez dkk. (2009) menyatakan bahwa setidaknya ada 23 cara berbeda
yang digunakan dalam literatur profesional untuk menentukan ambang batas atau
indeks yang menjelaskan curah hujan ekstrem. WMO telah menerbitkan indeks
standar untuk menyatakan kejadian curah hujan ekstrem (WMO, 2009) dan prosedur
standar untuk menelitinya.
II.2.3.a Curah hujan ekstrem dan penyebabnya

Kejadian curah hujan ekstrem dapat disebabkan oleh berbagai faktor, seperti
faktor global, regional, maupun lokal. Faktor global seperti munculnya aktivitas El
Nino/La Nina yang ditandai dengan perubahan pada Southern Oscillation Index
(SOI), perubahan suhu muka laut secara signifikan, Dipole Mode, aktifnya Madden
Jullian Oscillation (MJO) dan adanya kenaikan atau penurunan secara drastis dari
indeks cold surge. Faktor regional misalnya aktivitas monsun yang mengalami
anomali dalam bentuk arah maupun kecepatan, munculnya gangguan tropis (siklon
tropis, low pressure area, eddy, atau adanya osilasi Inter Tropical Convergence Zone-
ITCZ). Sedangkan, beberapa faktor lokal seperti topografi setempat, elevasi, labilitas
atmosfer, dan konvektif lokal (Sucahyono dan Ribudiyanto, 2013).
Seperti yang diketahui, SML di perairan Indonesia berpengaruh terhadap
pembentukan awan di atmosfer, di mana jika SML dingin, suplai uap air di atmosfer
umumnya akan berkurang, dan sebaliknya. Semakin hangat atau panasnya suhu muka
laut, maka ketersediaan uap air semakin besar dan kondisi atmosfer akan menjadi
semakin lembap. Awan-awan yang terbentuk dengan kandungan uap air yang
melimpah di wilayah ini, mampu tumbuh secara vertikal secara optimal. Semakin
13
optimal pertumbuhan awan hujan, maka potensi terjadi hujan dari awan-awan
tersebut semakin besar (Sucahyono dan Ribudiyanto, 2013).
II.2.3.b Indeks kejadian curah hujan ekstrem

WMO (2009) melalui pedoman analisis ekstrem dalam perubahan iklim
menentukan 11 indeks curah hujan ekstrem, yaitu Rx1day, Rx5day, SDII, R10mm,
R20mm, Rnnmm, CDD, CWD, R95pTOT, R99pTOT, dan PRCPTOT. Cara lain untuk
menentukan indeks dapat ditemukan dalam studi Hernandez dkk. (2009) dan Bodini
dan Cossu (2010). Semua indeks dihitung untuk jumlah atau nilai tahunan. Nilai
curah hujan 1 mm digunakan untuk menentukan hari hujan.
II.2.3.c Analisis spasial data curah hujan

Hujan merupakan fenomena alam yang bervariasi dalam skala ruang dan
waktu. Kondisi atmosfer lokal dan faktor topografi mempengaruhi distribusi spasial
curah hujan (Subyani, 2004). Curah hujan diukur dalam basis titik (point)
menggunakan jaringan alat pengukur hujan.
Di sisi lain, nilai curah hujan area lebih banyak digunakan daripada nilai titik,
misalnya dalam model hidrologi dan prediksi cuaca, sehingga teknik interpolasi
diterapkan untuk mendapatkan nilai area. Ada banyak pilihan teknik interpolasi data
curah hujan mulai dari pendekatan sederhana, seperti poligon Thiessen dan inverse
distance weighted, hingga pendekatan yang lebih kompleks, seperti krigging dan
algoritma genetik (Subyani, 2004).
II.2.3.d Analisis kecenderungan temporal

Ada banyak metode untuk mengidentifikasi kecenderungan temporal data
deret waktu, namun yang paling sering digunakan oleh ahli meteorologi adalah uji
Mann-Kendall. Penggunaan tes ini dalam mendeteksi kecenderungan misalnya dalam
Zang dkk. (2001) dan Fu dkk. (2010). Pada prinsipnya, uji Mann-Kendall meneliti
pengamatan dengan menghitung kesenjangan antara satu data observasi dengan satu
14
observasi sebelumnya. Data harus diatur dalam urutan waktu. Data selanjutnya
dihitung masing-masing. Hipotesis nol menyatakan total kesenjangan akan 0 (nol)
yang berarti bahwa tidak ada perubahan dalam deret.
II.2.3.e Analisis korelasi

Analisis korelasi merupakan analisis statistik yang menjelaskan hubungan
antara dua variabel atau lebih. Analisis korelasi dapat dilakukan dengan berbagai
metode, tergantung data yang dimiliki. Umumnya jika data berupa data numerik
(rasio dan interval), maka analisis korelasi yang cocok adalah korelasi Pearson,
sedangkan jika data yang digunakan berupa data kategorik (nominal dan ordinal),
maka analisis korelasi yang cocok adalah korelasi Spearman (Gani dan Amalia,
2015). Selanjutnya, hubungan antara dua variabel atau lebih dapat dinyatakan dalam
berbagai ukuran, seperti sangat kuat, kuat, dan lemah. Indikatornya tergantung dari
besaran koefisien korelasinya. Tingkat keeratan hubungan berdasarkan nilai koefisien
korelasi ini ditunjukkan pada Tabel II.1.
Tabel II.1 Tingkat keeratan hubungan

Rentang nilai koefisien Tingkat keeratan hubungan
0,00 – 0,24 Sangat lemah
0,25 – 0,49 Lemah
0,50 – 0,74 Kuat
0,75 – 1,00 Sangat kuat
Sumber: Evans (1996)
BAB III
METODE PENELITIAN
III.1 Jenis Penelitian

Jenis penelitian yang dilakukan adalah penelitian kuantitatif, yaitu penelitian
yang memperoleh data dalam bentuk angka atau data kualitatif yang diangkakan
(Sugiyono, 2003 dalam Prameuthia, 2015). Data yang digunakan dalam penelitian ini
adalah data dalam bentuk angka, yaitu data curah hujan dan data anomali suhu muka
laut. Penelitian ini menggunakan metode eksperimen, yang bertujuan untuk
menjelaskan kecenderungan perubahan pada suatu variabel secara temporal dan
spasial.
III.2 Prosedur Penelitian

Prosedur penelitian meliputi lokasi penelitian, data, dan metode pengumpulan,
pengolahan, serta analisis data.
III.2.1 Lokasi penelitian

Lokasi yang dijadikan objek dalam penelitian ini adalah Provinsi Sulawesi
Selatan yang terletak di antara 0o12’ – 8’ Lintang Selatan dan 116o48’ – 122o36’
Bujur Timur. Provinsi yang memiliki luas wilayah 46.717,48 kilometer persegi (km2)
ini dibatasi oleh Sulawesi Barat di sebelah Utara, Teluk Bone dan Sulawesi Tenggara
di sebelah Timur, Selat Makassar di sebelah Barat, serta Laut Flores di sebelah
Selatan. Secara topografi, provinsi ini memiliki wilayah pantai dan pegunungan yang
mencapai ketinggian 2.125 meter di atas permukaan laut (mdpl). Provinsi Sulawesi
Selatan merupakan provinsi dengan penduduk terpadat ke-7 di Indonesia, dengan
jumlah penduduk 8.214.779 jiwa (Badan Pusat Statistik, 2010) yang tersebar di 24
kabupaten/kota.
15
16
Berdasarkan iklimnya, wilayah Indonesia dibagi ke dalam tiga wilayah, yaitu

wilayah A, B, dan C. Wilayah A umumnya dipengaruhi oleh sistem monsun dengan
satu musim hujan dan satu musim kemarau, termasuk Provinsi Sulawesi Selatan.
Wilayah B ditandai dengan dua musim hujan dan wilayah C diklasifikasikan sebagai
iklim lokal. Pembagian wilayah ini seperti ditunjukkan dalam Gambar III.2.
Gambar III.1 Tiga wilayah dengan pola hujan dominan (kiri) dan pola curah
hujan tahunan pada wilayah A. Garis tebal menunjukkan rata-
rata curah hujan, garis putus-putus menunjukkan standar
deviasi atas dan bawah (sumber: Aldrian dan Susanto, 2003)
Secara klimatologis, Sulawesi Selatan umumnya dipengaruhi oleh sistem

monsun. Dua sistem monsun yang berpengaruh adalah monsun Barat Laut yang
umumnya terjadi pada November hingga Maret dan monsun Tenggara yang terjadi
pada Mei hingga September (Aldrian dan Susanto, 2003). Karakteristik dari kedua
monsun ini sangat berbeda. Monsun Barat Laut bersifat basah dan secara tidak
langsung memberikan curah hujan yang banyak, sedangkan monsun Tenggara
bersifat kering dan memberikan curah hujan yang lebih sedikit di Sulawesi Selatan,
sehingga ada perbedaan yang signifikan pada jumlah curah hujan pada musim
kemarau dan musim hujan di provinsi ini. Wilayah yang memiliki perbedaan musim
hujan dan musim kemarau yang jelas, oleh BMKG disebut sebagai wilayah Zona
Musim (ZOM). Selain wilayah ZOM, ada beberapa wilayah di Sulawesi Selatan yang
17
tidak memiliki perbedaan yang jelas antara musim hujan dan musim kemaraunya,
disebut sebagai wilayah Non-ZOM. Sulawesi Selatan memiliki 25 wilayah ZOM dan
4 wilayah non ZOM. Cakupan wilayah masing-masing ZOM dan non ZOM dapat
dilihat dalam Lampiran 1.
Pada penelitian ini, digunakan 86 stasiun/pos hujan yang memiliki data curah
hujan periode 1981-2010. Peta lokasi penelitian ditunjukkan seperti dalam Gambar
III.1.
Gambar III.2 Peta lokasi penelitian di Sulawesi Selatan

18
III.2.2 Data dan metode pengumpulan

Data yang digunakan dalam penelitian ini adalah data pengamatan curah
hujan harian. Untuk analisis ekstrem secara statistik, sesuai dengan pedoman WMO,
maka dibutuhkan series data yang panjang untuk memperoleh taksiran intensitas dan
frekuensi dari kejadian yang yang jarang terjadi, serta dibutuhkan pula data dengan
resolusi yang tinggi, minimal data harian untuk menghitung sifat ekstrem bulanan
(WMO, 2009). Pada penelitian ini, digunakan data 30 tahun (1981-2010) untuk
menunjukkan kondisi iklim pada tiga dekade terakhir berdasarkan ketersediaan data.
a. Data curah hujan

Data curah hujan yang digunakan adalah data harian periode 1981-2010 pada
86 stasiun/pos hujan yang diperoleh dari BBMKG wilayah IV Makassar yang
merupakan bagian dari Badan Meteorologi Klimatologi dan Geofisika (BMKG).
Lokasi data pengamatan disajikan dalam Lampiran 2.
b. Digital Elevation Model (DEM) pada wilayah penelitian yang diperoleh dari The
Shuttle Radar Topography Mission (SRTM) pada https://earthexplorer.usgs.gov/,
digunakan sebagai data pendukung dalam penelitian ini untuk analisis pola spasial
dari indeks ekstrem.
c. Data anomali suhu muka laut (SML)

Data anomali suhu muka laut yang digunakan adalah data bulanan periode
Januari 1981 – Desember 2010 dalam satuan derajat celcius dengan resolusi 0,25o x
0,25o yang diperoleh dari NOAA High-resolution Blended Analysis of Daily SST and
Ice pada https://iridl.ldeo.columbia.edu/ pada wilayah perairan di sekitar Provinsi
Sulawesi Selatan, yaitu antara 1,6o – 6,9o Lintang Selatan (LS) dan 116,7o – 122o
Bujur Timur (BT). Lokasi untuk data SML dibagi ke dalam titik-titik yang digunakan
pada penelitian ini ditunjukkan pada Gambar III.3.
19
Gambar III.3 Peta pembagian titik data SML di perairan Sulawesi Selatan
III.2.3 Metode pengawasan kualitas (quality control)

Menguji kualitas data merupakan hal yang penting ketika menganalisis data
deret waktu. Untuk menjamin data yang siap untuk dianalisis, data pengamatan
kosong yang diperbolehkan untuk analisis adalah 10% (Ngongondo dkk., 2011).
Kriteria ini diterapkan untuk setiap kurun waktu tertentu. Nilai-nilai yang kosong
tidak diisi, namun digunakan dalam series untuk menghindari bias pada penilaian
kecenderungan.
III.2.4 Metode identifikasi indeks ekstrem

Supari (2012) melakukan analisis curah hujan ekstrem yang dinyatakan oleh
beberapa indeks, yang secara umum digunakan untuk menggambarkan kejadian
20
cuaca ekstrem. Indeks dihitung sebagai nilai tahunan untuk setiap stasiun. Batas 1
mm digunakan untuk menentukan hari hujan (WMO, 2009). Indeks umumnya
dikelompokkan dalam tiga kategori, yaitu indikator frekuensi, intensitas, dan
proporsi. Hanya indikator dari dua kategori pertama yang digunakan dalam penelitian
ini. Dalam karakteristik threshold, digunakan nilai threshold yang ditentukan (fix
threshold) oleh BMKG dan nilai threshold tertentu (site specific threshold).
BMKG mendefinisikan curah hujan lebat apabila mencapai 50 mm dalam 1
hari. Nilai ini digunakan sebagai ambang batas. Selanjutnya, ambang batas tertentu
(site specific threshold) ditentukan untuk setiap stasiun, yaitu dengan menghitung
persentil ke-90 dari series data harian selama periode 1981-2010 pada hari hujan saja
(curah hujan ≥ 1 mm). Selain itu, dengan menggunakan data observasi curah hujan
harian selama 30 tahun (1981-2010), penentuan ambang batas untuk periode ulang 1
tahun dilakukan dengan menyortir curah hujan harian dari pengamatan terbesar ke
terkecil. Tiga puluh data curah hujan harian terbesar dalam periode 1981-2010
tersebut diekstraksi dan yang terkecil dari 30 data ini dipilih sebagai ambang batas
(Supari, 2012).
Beberapa indeks ekstrem yang disarankan oleh WMO juga dihitung yaitu
R20mm, R50mm, R90p, CWD, RX1d, RX5d, SDII, dan RTOT. Penjelasan mengenai
indeks ekstrem yang digunakan dalam penelitian ini disajikan pada Tabel III.1. Setiap
indeks dihitung untuk setiap stasiun dan dinyatakan sebagai series tahunan.
21
Tabel III.1 Indeks curah hujan ekstrem yang digunakan dalam penelitian ini
NO INDEKS DESKRIPSI
Indikator Frekuensi
Jumlah hari hujan dengan curah hujan lebih besar dari
1 R20mm
atau sama dengan 20 mm (hari hujan sedang)
2 R50mm
atau sama dengan 50 mm (hari hujan lebat)
3 R90p
atau sama dengan persentil ke-90
4 CWD Hari basah berturut-turut; panjang maksimum hari basah
Indikator Intensitas
5 RX1d Curah hujan maksimum harian
Curah hujan maksimum kumulatif 5 hari hujan berturut-
6 RX5d
turut
7 RTOT Jumlah curah hujan tahunan
8 SDII Jumlah curah hujan tahunan dibagi jumlah hari hujan
Sumber: dos Santos, dkk (2010)
III.2.5 Metode analisis spasial

Analisis pola titik dipilih sebagai metode untuk menjelaskan karakteristik
spasial curah hujan ekstrem, karena alat pengukur hujan dengan data berkualitas
tinggi tidak terdistribusi secara proporsional.
Tujuan dari analisis pola titik adalah untuk menganalisis struktur geometri
dari pola yang dibentuk oleh benda-benda yang didistribusikan secara acak dalam
ruang satu, dua, atau tiga dimensi. Variabel yang ditampilkan dalam peta tematik
dengan titik dan tanda. Titik menggambarkan lokasi objek, sedangkan tanda
memberikan informasi tambahan, yaitu karakteristik objek lebih lanjut, misalnya
melalui jenis, ukuran, atau bentuknya.
22
Dalam penelitian ini, besarnya threshold dan kecenderungan indeks ekstrem

dipetakan pada titik di mana alat pengukur hujan berada. Penerapan analisis pola titik
dalam mempelajari curah hujan ekstrem dapat ditemukan di Kunkel dkk. (1999) dan
Fu dkk. (2010).
III.2.6 Metode analisis kecenderungan temporal

Nilai kecenderungan (trend) dari indeks diketahui dari hasil perhitungan
kemiringan (slope) menggunakan metode Least Square, di mana nilai tersebut
dianggap sebagai rata-rata pertambahan atau pengurangan yang terjadi pada variabel
y (indeks iklim ekstrem) dalam periode 1981-2010. Secara matematis, metode Least
Square menghasilkan regresi melalui serangkaian titik data. Metode Least Square
bertujuan untuk mendapatkan koefisien regresi a dan b, yang menjadikan jumlah
kuadrat error sekecil mungkin (Ariantono, 2015). Persamaan regresi linier adalah
sebagai berikut.
(III.2)
Di mana:
= variabel bebas
= variabel terikat
= nilai rata-rata pada variabel y apabila variabel x bernilai 0
= koefisien regresi (slope) variabel x
Perhitungan ini dilakukan menggunakan aplikasi R-Climdex (dapat diunduh

pada www.r-project.org). Selanjutnya, kecenderungan (trend) diuji tingkat
kepercayaannya menggunakan uji Mann-Kendall. Metode ini umumnya digunakan
untuk mendeteksi kecenderungan untuk series data yang sering tidak terdistribusi
normal. WMO juga merekomendasikan metode ini untuk pengujian kecenderungan
pada data klimatologi (WMO, 2000). Prosedur untuk analisis Mann-Kendall dikutip
HydroGeoLogic, Inc (2005), yaitu sebagai berikut.
23
1. Menghitung statistik Mann-Kendall

Nilai awal (initial value) statistik Mann-Kendall (S) diasumsikan 0 (misalnya
tidak ada kecenderungan). Jika nilai data dari periode waktu setelahnya lebih tinggi
dari nilai data periode waktu sebelumnya, S ditambah 1. Sebaliknya, jika nilai data
dari periode waktu setelahnya lebih rendah dari nilai data periode sebelumnya, S
dikurangi dengan 1. Hasil dari semua tahap menghasilkan nilai akhir dari S.
Rumus untuk menghitung S yaitu:
(III.3)
Di mana:
(III.4)
2. Menghitung uji statistik Z normalisasi sebagai berikut:
(III.5)
3. Menghitung probabilitas yang terkait dengan uji statistik normalisasi ini,

dinyatakan dalam nilai-p (p-value).
Fungsi densitas probabilitas untuk distribusi normal dengan rata-rata 0 dan
deviasi standar 1 diberikan oleh persamaan berikut.
(III.6)
(III.7)
4. Menentukan tingkat signifikansi (alpha = 5%).

24
Kesimpulan mengenai kecenderungan ditentukan menggunakan kriteria, yaitu

kecenderungan dikatakan menurun jika Z bernilai negatif dan dikatakan meningkat
jika Z bernilai positif. Kecenderungan signifikan secara statistik jika p-value kurang
dari alpha, sebaliknya berarti kecenderungan tidak signifikan atau tidak ada
kecenderungan.
III.2.7 Metode analisis korelasi SML dan kejadian hujan ekstrem

Analisis korelasi antara SML dan kejadian hujan ekstrem dilakukan dengan
menghitung koefisien korelasi menggunakan korelasi Pearson dua variabel, di mana
koefisien korelasi didapatkan dengan persamaan berikut (Pearson, 1896):
(III.8)
Di mana:
r = koefisien korelasi
Xi = variabel X ke-i
Xj = variabel X ke-j
n = jumlah sampel
Dalam penelitian ini, variabel Xi merupakan curah hujan ekstrem pada suatu
stasiun/pos hujan dan Xj merupakan anomali SML pada wilayah penelitian. Analisis
korelasi ini dilakukan pada setiap titik stasiun/pos hujan penelitian pada periode
September 1981-Desember 2010.
III.3 Diagram Alir Penelitian

Penelitian ini dilakukan melalui tiga tahap, yaitu persiapan, pengolahan data,
dan analisis data. Rincian umum untuk setiap tahap ditampilkan dalam diagram alir
penelitian seperti yang ditunjukkan pada Gambar III.4.
25
Mulai
Anomali SML PetaTopografi

Curah hujan Peta ZOM
bulanan (SRTM)
bulanan harian
Quality control
Indeks ekstrim
Analisis trend Analisis spasial:

Analisis korelasi temporal: Analisis pola
Uji Mann-Kendall dengan titik
Trend tahunan
Peta pola spasial
indeks
Karakteristik spasial-
temporal
Selesai
Gambar III.4 Diagram alir penelitian

BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
IV.1 Hasil
Dari 86 pos hujan yang diamati, 49 pos hujan tidak memenuhi syarat
karena memiliki nilai kosong lebih dari 10%, sehingga tidak dapat digunakan
untuk analisis selanjutnya. Persentase nilai kosong untuk masing-masing pos
hujan disajikan dalam Lampiran 3. Pos hujan yang akan digunakan dalam analisis
selanjutnya adalah sebanyak 37 pos hujan, ditunjukkan oleh Gambar IV.1.
Gambar IV.1 Peta pos hujan lokasi penelitian setelah pengecekan data
kosong
26
27
IV.1.1 Identifikasi nilai ambang batas

Perhitungan ambang batas ekstrem berdasarkan persentil ke-90 di
Sulawesi Selatan bervariasi dari 29 mm hingga 67 mm. Nilai minimum terdapat
di Pattojo (ID:42), sedangkan nilai maksimum terdapat di Bantimurung (ID:57).
Ambang batas nilai untuk periode ulang 1 tahun menunjukkan nilai yang
bervariasi dengan rentang 71 mm hingga 180 mm, di mana nilai minimum
ditemukan di Pattojo (ID:42) dan nilai maksimum ditemukan di Baraka (ID:16).
Pos hujan Pattojo menunjukkan menunjukkan nilai terendah untuk semua ambang
batas.
Gambar IV.2 Peta distribusi spasial ambang batas berdasarkan persentil

ke-90
Distribusi spasial ambang batas berdasarkan persentil ke-90 ditunjukkan

oleh Gambar IV.2. Pada wilayah pantai barat Sulawesi Selatan, ambang batas
didominasi oleh nilai dengan rentang 56-70 mm. Sementara itu, ambang batas
28
dengan nilai 26-40 mm ditemukan mendominasi di wilayah tengah Sulawesi

Selatan dan beberapa pos di wilayah lain, yaitu di ZOM 289, 292, 298, 299, 300,
310, dan satu pos di ZOM 304. Nilai ambang batas yang lain, yaitu pada rentang
41-55 mm cenderung ditemukan tersebar secara acak di wilayah Sulawesi Selatan,
yaitu di 2 titik di ZOM 287, di ZOM 288, 293, 296, 301, dan satu titik di ZOM
304.
Gambar IV.3 Peta distribusi spasial ambang batas untuk periode ulang
1 tahun
Gambar IV.3 menunjukkan distribusi spasial ambang batas untuk periode

ulang 1 tahun. Nilai ambang batas dengan rentang 71-100 mm mendominasi di
wilayah tengah dan tersebar di sedikit wilayah di bagian selatan dan utara.
Wilayah tersebut antara lain ZOM 289, 299, 300, 310, dan satu pos masing-
29
masing di ZOM 298, 301, dan 304. Untuk nilai ambang batas 101-130 mm,
tersebar secara acak di seluruh wilayah, paling banyak di wilayah timur Sulawesi
Selatan. Wilayah tersebut antara lain ZOM 292, 293, 301, dan masing-masing 1
titik di ZOM 286, 288, 296, dan 298. Sementara itu, nilai ambang batas pada
rentang 131-160 mm mendominasi wilayah pantai barat dan 1 titik di wilayah
timur. Nilai ambang batas yang lain, yaitu antara 161-190 mm hanya ditemukan di
1 titik, yaitu di pos hujan Baraka (ID:16) yang terletak di ZOM 304.
Kedua nilai ambang batas yang merepresentasikan intensitas harian ini,
menunjukkan pola spasial secara umum di Sulawesi Selatan. Pada wilayah tengah
yang membentang dari utara hingga selatan Sulawesi Selatan, intensitas harian
umumnya rendah, kecuali di pos hujan Baraka yang memiliki intensitas harian
yang sedang hingga sangat tinggi. Sementara itu, intesitas harian yang cenderung
tinggi dapat ditemukan di sepanjang wilayah pantai barat Sulawesi Selatan,
sedangkan intensitas harian yang menengah cenderung tersebar acak, namun
paling banyak ditemukan di wilayah timur Sulawesi Selatan.
IV.1.2 Rata-rata klimatologi indeks tahunan

Indeks tahunan dihitung secara tahunan, artinya hanya ada satu nilai
indeks per tahun. Pada penelitian ini dilakukan perhitungan 8 indeks dalam
periode tahun 1981-2010, meliputi indikator frekuensi, yaitu R20mm, R50mm,
R90p, dan CWD, serta indikator intensitas, yaitu RX1d, RX5d, RTOT, dan SDII.
Nilai setiap indeks selama 30 tahun dirata-ratakan sehingga didapatkan nilai rata-
rata untuk setiap indeks untuk satu stasiun. Nilai ini kemudian dikategorikan dan
dipetakan. Gambar IV.3 hingga Gambar IV.10 menunjukkan distribusi spasial
rata-rata klimatologi untuk semua indeks.
IV.1.2.a Indikator frekuensi

Frekuensi hari hujan dengan curah hujan lebih dari atau sama dengan 20
mm (R20mm) bervariasi pada rentang 23-60 hari per tahun. Stasiun/pos hujan
dengan frekuensi 21-30 hari per tahun secara umum ditemukan di wilayah tengah
Sulawesi Selatan, yaitu di ZOM 299 dan 300. Selain itu ditemukan juga di
30
wilayah Belajen (ID:13) yang terletak di bagian utara dan di antara dua dataran
tinggi, serta di wilayah Peneki (ID:35) yang berada di pantai timur, dan di wilayah
Benteng (ID:86) yang terletak di pulau di selatan Sulawesi Selatan. Untuk wilayah
lain di sebelah timur dan utara provinsi ini, frekuensi menengah dengan rentang
31-40 kejadian per tahun dominan terjadi. Frekuensi dengan rentang 41-50
kejadian per tahun, umumnya terdistribusi di sepanjang wilayah pantai barat,
kecuali wilayah Galesong (ID:70) yang memiliki frekuensi antar 31-40 hari per
tahun, serta wilayah Bantimurung (ID:57) dan Stamet Hasanuddin (ID 61) yang
memiliki frekuensi tinggi dengan kejadian antara 51-60 hari per tahun. Sebaran
distribusi pola ini ditunjukkan oleh Gambar IV.4.
Gambar IV.4 Peta sebaran spasial rata-rata klimatologi R20mm

di Sulawesi Selatan
31
Gambar IV.5 Peta sebaran spasial rata-rata klimatologi R50mm

di Sulawesi Selatan
Gambar IV.5 menunjukkan distribusi spasial rata-rata frekuensi hari hujan

dengan curah hujan mencapai 50 mm atau lebih (R50mm). Rata-rata R50mm
dengan rentang 3-7 hari per tahun mendominasi di wilayah tengah serta utara
Sulawesi Selatan, sedangkan frekuensi lebih dari 13 kejadian per tahun umumnya
terjdi di sepanjang pantai barat Sulawesi Selatan. Pola ini mirip dengan pola pada
indeks R20 mm.
Distribusi spasial yang agak berbeda ditunjukkan oleh rata-rata frekuensi
hari hujan dengan curah hujan lebih dari atau sama dengan persentil ke-90,
ditunjukkan oleh Gambar IV.6. Pada umumnya, hampir semua titik menunjukkan
frekuensi menengah, yaitu rentang 10-13 kejadian per tahun, kecuali dua pos di
bagian tengah pada ZOM 300 dan satu pos di selatan pada ZOM 293 yang
32
menunjukkan frekuensi lebih rendah, yaitu antara 6-9 hari per tahun. Pengecualian
juga terjadi pada pos di ZOM 310, 294, 292, satu pos di ZOM 301, dan beberapa
pos di pantai barat bagian selatan yang menunjukkan rata-rata frekuensi yang
lebih tinggi, yaitu antara 14-17 kejadian per tahun.
Gambar IV.6 Peta sebaran spasial rata-rata klimatologi R90p

di Sulawesi Selatan
Untuk indeks hari hujan berturut-turut (CWD), dapat dilihat pada Gambar
IV.7, bahwa wilayah yang memiliki rata-rata CWD maksimum tahunan paling
rendah, yaitu antara 3-7 hari per tahun, adalah ZOM 293 dan dua pos di ZOM
300. Wilayah yang lain umumnya memiliki rata-rata CWD lebih dari 8 hari per
tahun. CWD yang cukup lama, yaitu antara 13-17 hari per tahun mendominasi di
wilayah pantai barat Sulawesi Selatan, serta di beberapa titik pos, seperti pos
hujan Malakaji (ID:76) di selatan, Bontouse (ID:30) di bagian tengah, dan Toao
33
(ID:9) di utara. Lama CWD yang lebih tinggi, yaitu antara 18-22 hari per tahun
bahkan ditemukan di tiga titik di pantai barat bagian selatan Sulawesi Selatan,
yaitu Galesong (ID:70), Biring Romang (ID:65), dan Stageof Gowa (ID:63).
Gambar IV.7 Peta sebaran spasial rata-rata klimatologi CWD

di Sulawesi Selatan
IV.1.2.b Indikator intensitas

Rata-rata klimatologi curah hujan maksimum dalam satu hari (RX1d) di
wilayah penelitian berada di rentang nilai antara 71-190 mm, seperti yang
ditunjukkan oleh Gambar IV.8. Nilai terendah dengan rata-rata antara 71-100 mm
ditemukan di wilayah tengah, yaitu pada ZOM 300, dan di wilayah utara, yaitu
pada pos Toao (ID:9) dan Belajen (ID:13). Sementara itu, nilai rata-rata antara
101-160 mm ditunjukkan di wilayah timur bagian tengah hingga selatan, serta
34
beberapa titik di bagian barat Sulawesi Selatan. Nilai tertinggi dengan rata-rata
nilai 161-190 mm ditemukan mendominasi di sepanjang wilayah pantai barat
Sulawesi Selatan.
Gambar IV.8 Peta sebaran spasial rata-rata klimatologi RX1d

di Sulawesi Selatan
Distribusi spasial untuk rata-rata curah hujan maksimum akumulasi lima

hari hujan berturut-turut (RX5d) menunjukan pola yang mirip dengan indeks
sebelumnya (RX1d), seperti yang ditunjukkan oleh Gambar IV.9, di mana pada
umumnya nilai terendah ditemukan di wilayah tengah dan utara, nilai menengah
di wilayah timur bagian tengah hingga selatan, dan nilai tertinggi umumnya
mendominasi di wilayah sepanjang pantai barat Sulawesi Selatan.
35
Gambar IV.9 Peta sebaran spasial rata-rata klimatologi RX5d

di Sulawesi Selatan
Rata-rata jumlah curah hujan tahunan (RTOT) menunjukkan rentang nilai

antara 1000 mm sampai dengan 3500 mm per tahun. Gambar IV.10 menunjukkan
distribusi spasial rata-rata curah hujan tahunan di lokasi penelitian. Wilayah
paling basah dengan rata-rata curah hujan tahunan lebih dari 2500 mm per tahun
diamati di sepanjang wilayah pesisir barat Sulawesi Selatan dan satu titik di
bagian utara, tepatnya di pos hujan Baraka (ID:16). Daerah terkering dengan
jumlah curah hujan tidak lebih dari 1500 mm per tahun diamati di wilayah bagian
tengah Sulawesi Selatan. Wilayah lain, umumnya memiliki jumlah curah hujan
dengan rentang antara 1500-2500 mm per tahun.
36
Gambar IV.10 Peta sebaran spasial rata-rata klimatologi RTOT

di Sulawesi Selatan
Rata-rata intensitas hujan harian (SDII) di Sulawesi Selatan, seperti yang

ditunjukkan oleh Gambar IV.11, memiliki rentang nilai antara 11 hingga 30
mm/hari. Indeks ini menunjukkan pola yang mirip dengan indeks-indeks
sebelumnya, di mana nilai maksimum mendominasi di pesisir barat dan nilai
minimum di wilayah bagian tengah Sulawesi Selatan.
Secara umum, pola rata-rata klimatologi dari semua indeks, baik indikator
frekuensi maupun indikator intensitas, menunjukkan pola yang mirip yang
mengacu pada faktor geografi di wilayah tersebut. Nilai terendah umumnya
ditemukan di wilayah bagian tengah Sulawesi Selatan dan beberapa titik pos hujan
di utara, sedangkan nilai tertinggi mendominasi di wilayah sepanjang pantai barat
Sulawesi Selatan.
37
Gambar IV.11 Peta sebaran spasial rata-rata klimatologi SDII

di Sulawesi Selatan
IV.1.3 Kecenderungan (trend) temporal kejadian hujan ekstrem

Frekuensi hari hujan dengan curah hujan lebih atau sama dengan 20 mm di
Sulawesi Selatan umumnya menunjukkan kecenderungan temporal yang tidak
signifikan. Dari 34 pos hujan yang diuji, 24 stasiun menunjukkan kecenderungan
positif (trend meningkat) dan 5 di antaranya signifikan. Sementara itu, 13 stasiun
menunjukkan kecenderungan negatif (trend menurun) dan hanya 1 pos di
antaranya yang signifikan. Gambar IV.12 menunjukkan contoh hasil uji
kecenderungan temporal dari indeks R20mm di dua pos hujan yang memiliki
kecenderungan signifikan, yaitu pos hujan Bontouse (ID:30) yang menunjukkan
kecenderungan meningkat dan pos hujan Peneki (ID:35) yang menunjukkan
38
kecenderungan menurun. Besarnya trend ditunjukkan dalam persamaan regresi

liniernya.
80 Indeks: R20mm 80 Indeks: R20mm

70 Pos: Bontouse (ID:30) 70 Pos: Peneki (ID:35)
60 y = 0.7387x - 1442.4 60 y = -0.582x + 1189.3
Jumlah kejadian
Jumlah kejadian
50 50
40 40
30 30
20 20
10 10
0 0
1981 1986 1991 1996 2001 2006 1981 1986 1991 1996 2001 2006
Gambar IV.12 Scatter plot indeks R20mm di pos hujan Bontouse (kiri) dan
Peneki (kanan)
Selanjutnya, uji trend untuk indeks R50mm menunjukkan hasil bahwa 20

pos hujan menunjukkan kecenderungan positif, di mana di antaranya 1 pos secara
statistik signifikan dan 19 lainnya tidak signifikan. Di lain sisi, 17 pos hujan
menunjukkan kecenderungan negatif, di mana 1 di antaranya signifikan dan 16
lainnya tidak signifikan. Secara umum, kecenderungan positif tidak signifikan
mendominasi, sama dengan indeks R20mm. Gambar VI.13 menunjukkan contoh
trend yang terdeteksi di pos hujan Bungoro (ID:52) dan Peneki (ID:35).
30 Indeks: R50mm 30 Indeks: R50mm

Pos: Bungoro (ID:52) Pos: Peneki (ID:35)
25 25
y = -0.1868x + 380.89
Jumlah kejadian
Jumlah kejadian
20 20
15 15
10 10
5 5
y = 0.4355x - 851.86
0 0
1981 1986 1991 1996 2001 2006 1981 1986 1991 1996 2001 2006
Gambar IV.13 Scatter plot indeks R50mm di pos hujan Bungoro (kiri) dan
Peneki (kanan)
Uji trend untuk indeks R90p menunjukkan hasil yang tidak begitu berbeda.
Dari 37 pos hujan, 16 pos hujan diidentifikasi memiliki trend positif dan 21
39
lainnya memiliki trend negatif. Dua pos dari 16 pos dengan trend positif, dinilai
signifikan secara statistik, sementara 3 pos dari 21 pos yang memiliki trend
negatif dinilai signifikan. Contoh trend positif dan negatif signifikan untuk indeks
R90p dari pos hujan Baraka (ID:16) dan Malakaji (ID:76) ditunjukkan oleh
Gambar IV.14.
50 Indeks: R90p 50 Indeks: R90p

Pos: Baraka (ID:16) Pos: Malakaji (ID:76)
40 40
y = 0.4645x - 916.14 y = -0.2945x + 601.31
Jumlah kejadian
Jumlah kejadian
30 30
20 20
10 10
0 0
1981 1986 1991 1996 2001 2006 1981 1986 1991 1996 2001 2006
Gambar IV.14 Scatter plot indeks R90p di pos hujan Baraka (kiri) dan
Malakaji (kanan)
Uji trend selanjutnya dilakukan pada indeks CWD menunjukkan hasil

trend yang dominan tidak signifikan. Pos hujan yang memiliki trend positif
sebanyak 18 pos, di mana 5 pos bernilai signifikan dan sisanya tidak signifikan.
Di lain sisi, 19 pos hujan terdeteksi memiliki trend negatif, dengan trend negatif
signifikan ditemukan di 3 pos hujan dan 16 lainnya tidak signifikan. Gambar
IV.15 menunjukkan contoh hasil uji kecenderungan temporal dari indeks CWD di
pos hujan Sumpang Binangae (ID:43) dan Menge (ID:28) yang memiliki
kecenderungan signifikan.
30 Indeks: CWD 30 Indeks: CWD

Pos: Sumpang Binangae(ID:43) Pos: Menge (ID:28)
25 25
Jumlah kejadian
Jumlah kejadian
20 20
y = -0.1488x + 305.06
15 15
10 10
5 y = 0.259x - 504.27 5
0 0
1981 1986 1991 1996 2001 2006 1981 1986 1991 1996 2001 2006
Gambar IV.15 Scatter plot indeks CWD di pos hujan Sumpang Binangae
(kiri) dan Menge (kanan)
40
Rangkuman jumlah pos hujan (dalam persentase) untuk trend pada semua
indikator frekuensi disajikan dalam Tabel IV.1. Secara umum, hasil uji
kecenderungan temporal didominasi oleh trend tidak signifikan, baik untuk trend
positif dan negatif.
Tabel IV.1 Rangkuman uji trend untuk indikator frekuensi disajikan sebagai
jumlah pos hujan (dalam %)
Positif Negatif
Indeks
Sig Tidak sig Total (%) Sig Tidak sig Total (%)
R20mm 14 51 65 3 32 35
R50mm 3 51 54 3 43 46
R90p 5 38 43 8 49 57
CWD 14 35 49 8 43 51

Curah hujan maksimum harian (RX1d), curah hujan maksimum akumulasi
5 hari hujan berturut-turut (RX5d), jumlah curah hujan tahunan (RTOT), dan
indeks intensitas curah hujan harian sederhana (SDII) digunakan untuk indikasi
intensitas kejadian hujan ekstrem. Uji trend digunakan pada keempat indeks ini
untuk menilai adanya kemungkinan perubahan temporal dari intensitas kejadian
hujan ekstrem.
Uji trend dari indeks RX1d menunjukkan hasil bahwa 17 pos hujan
memiliki trend meningkat, di mana semuanya tidak signifikan. Sementara itu, 20
pos hujan memiliki trend menurun, di mana 3 pos di antaranya signifikan dan
yang terbanyak ditemukan adalah trend menurun tidak signifikan sebanyak 17 pos
hujan. Gambar IV.16 menunjukkan contoh trend signifikan pada pos hujan
Bantimurung (ID:57) dan Peneki (ID:35). Persamaan regresi linier diberikan pada
setiap gambar untuk menunjukkan besarnya nilai trend.
41
400 Indeks: RX1d 400 Indeks: RX1d

Pos: Bantimurung (ID:57) Pos: Peneki (ID:35)
300 300
Jumlah kejadian
Jumlah kejadian
y = -2.3006x + 4763.3 y = -1.89x + 3885.7
200 200
100 100
0 0
1981 1986 1991 1996 2001 2006 1981 1986 1991 1996 2001 2006
Gambar IV.16 Scatter plot indeks RX1d di pos hujan Bantimurung (kiri) dan
Peneki (kanan)
Berbeda dengan indeks RX1d, indeks RX5d dominan menunjukkan trend

meningkat yang tidak signifikan, yaitu sebanyak 19 pos hujan. Dua pos hujan
menunjukkan trend meningkat signifikan dan selebihnya, yaitu 16 pos hujan,
menunjukkan trend menurun tidak signifikan. Gambar IV.17 menunjukkan trend
signifikan untuk indeks RX5d pada pos hujan Bengo (ID:50) dan Canru (ID:37).
700 Indeks: RX5d 700 Indeks: RX5d

600 Pos: Bengo (ID:50) 600 Pos: Canru (ID:37)
500 y = 5.2879x - 10345 500 y = 4.0932x - 8009.1
Jumlah kejadian
Jumlah kejadian
400 400
300 300
200 200
100 100
0 0
1981 1986 1991 1996 2001 2006 1981 1986 1991 1996 2001 2006
Gambar IV.17 Scatter plot indeks RX5d di pos hujan Bengo (kiri) dan Canru
(kanan)
Indeks selanjutnya adalah RTOT. Uji kecenderungan pada indeks ini

menunjukkan bahwa 20 dari 37 pos hujan menunjukkan kecenderungan positif
dan 17 pos hujan menunjukkan kecenderungan negatif. Dari hasil tersebut, hanya
satu pos hujan yang menunjukkan signifikan, yaitu pos hujan Peneki (ID:35)
dengan trend positif signifikan. Scatter plot untuk indeks RTOT dari pos hujan
Peneki ditunjukkan oleh Gambar IV.18.
42
5000 Indeks: RTOT

Pos: Peneki (ID:35)
4000
y = -34.046x + 69712
Jumlah kejadian
3000
2000
1000
0
1981 1986 1991 1996 2001 2006
Gambar IV.18 Scatter plot indeks RTOT di pos hujan Peneki
Uji trend untuk indeks SDII menunjukkan hasil bahwa 23 pos hujan
menunjukkan trend meningkat, di mana 4 pos di antaranya signifikan dan 19
lainnya tidak signifikan. Di lain sisi, ditemukan 14 pos hujan yang memiliki trend
menurun, di mana 2 di antaranya signifikan dan sisanya tidak signifikan. Trend
temporal ini disajikan dalam Gambar IV.19 untuk dua pos hujan yang memiliki
trend signifikan.
50 Indeks: SDII 50 Indeks: SDII

Pos: Bungoro (ID:52) Pos: Peneki (ID:35)
40 40
Jumlah kejadian
Jumlah kejadian
y = -0.1926x + 400.78
30 30
20 20
10 10
y = 0.3564x - 686.83
0 0
1981 1986 1991 1996 2001 2006 1981 1986 1991 1996 2001 2006
Gambar IV.19 Scatter plot indeks SDII di pos hujan Bungoro (kiri) dan
Peneki (kanan)
Rangkuman jumlah pos hujan (dalam persentase) untuk trend pada semua
indikator intensitas disajikan dalam Tabel IV.2. Sama dengan indikator frekuensi,
secara umum, hasil uji kecenderungan temporal pada indikator frekuensi
didominasi oleh trend tidak signifikan, baik untuk trend positif dan negatif.
43
Tabel IV.2 Rangkuman uji trend untuk indikator intensitas disajikan sebagai
jumlah pos hujan (dalam %)
Positif Negatif
Indeks
Sig Tidak sig Total (%) Sig Tidak sig Total (%)
RX1d 0 46 46 8 46 54
RX5d 5 51 57 0 43 43
RTOT 3 51 54 0 46 46
SDII 11 51 62 5 32 38
IV.1.4 Distribusi spasial trend indeks ekstrem

Pola spasial untuk nilai trend indeks R20mm ditunjukkan oleh Gambar
IV.20. Kecenderungan meningkat terlihat dominan di wilayah selatan-barat
Sulawesi Selatan (ZOM 286, 287, dan 288), serta di bagian tengah hingga utara
(ZOM 300 dan 304), dan sebagian kecil wilayah di timur (ZOM 299 dan 301).
Pada ZOM 299 dan 301 bahkan ditemukan kecenderungan meningkat secara
signifikan pada masing-masing satu pos hujan, sedangkan pos hujan lainnya
memiliki kecenderungan yang tidak signifikan. Sementara itu, di sebagian besar
wilayah di timur dan utara, dan sebagian kecil wilayah di barat Sulawesi Selatan
ditemukan kecenderungan penurunan nilai R20mm. Kecenderungan menurun
secara signifkan ditemukan di satu titik pos hujan di ZOM 309.
44
Gambar IV.20 Peta distribusi spasial trend indeks R20mm

di Sulawesi Selatan
Gambar IV.21 menunjukkan distribusi spasial trend untuk indeks R50mm.

Indeks ini memiliki pola spasial yang hampir sama dengan indeks R20mm yang
dijelaskan sebelumnya. Trend meningkat yang signifikan terlihat di satu titik pos
hujan di barat Sulawesi Selatan, yaitu di ZOM 288, sedangkan trend menurun
yang signifikan ditemukan di satu titik pos hujan di timur Sulawesi Selatan,
tepatnya di ZOM 301.
45
Gambar IV.21 Peta distribusi spasial trend indeks R50mm

di Sulawesi Selatan
Distribusi spasial untuk trend indeks R90p menunjukkan trend positif di

wilayah tengah dan utara, serta sebagian wilayah di selatan bagian barat. Trend
positif signifikan ditunjukkan oleh pos hujan Baraka (ID:16) dan Stageof Gowa
(ID:65). Sementara itu, trend negatif terlihat mendominasi di wilayah timur, serta
sebagian wilayah di tengah dan barat bagian tengah. Trend negatif signifikan
ditemukan di beberapa titik di timur dan selatan, yaitu pos hujan Palakka (ID:48)
Malakaji (ID:76), dan Batukaropa (ID:77). Distribusi spasial untuk trend indeks
R90p ditunjukkan oleh Gambar IV.22.
46
Gambar IV.22 Peta distribusi spasial trend indeks R90p di Sulawesi Selatan
Di sisi lain, indeks CWD menunjukkan pola spasial yang berbeda, seperti
yang ditunjukkan oleh Gambar IV.23. Wilayah di utara (ZOM 304 dan 310
hingga utara ZOM 300), serta wilayah di selatan-barat dan timur-tengah Sulawesi
Selatan menunjukkan kecenderungan positif, sementara kecenderungan negatif
terlihat pada sebagian besar wilayah di timur Sulawesi Selatan dan selatan ZOM
300.
47
Gambar IV.23 Peta distribusi spasial trend indeks CWD di Sulawesi Selatan
Seperti yang ditunjukkan oleh Gambar IV.20, Gambar IV.21, Gambar

IV.22, dan Gambar IV.23, trend positif dan negatif terdistribusi secara acak, namun
beberapa wilayah dapat diidentifikasi trend dominannya. Sebagian kecil titik
menunjukkan trend temporal yang konsisten untuk beberapa indeks, namun
sebagian besar titik menunjukkan tidak konsisten.

Distribusi spasial dari nilai trend untuk indeks RX1d ditunjukkan pada
Gambar IV.24. Trend positif umumnya ditemukan di wilayah tengah, serta
sebagian wilayah di barat dan timur hingga selatan, dan 2 titik di utara.
Sementara itu, trend negatif umumnya ditemukan di wilayah bagian selatan-barat
48
dan bagian timur. Pada indeks ini, tidak ada pos yang menunjukkan trend positif
signifikan. Sebaliknya, trend negatif signifikan ditemukan di 3 titik pos hujan,
yaitu pos hujan Belajen di utara, pos hujan Peneki di timur, dan pos hujan
Bantimurung di barat.
Gambar IV.24 Peta distribusi spasial trend indeks RX1d di Sulawesi Selatan
Mirip dengan pola spasial pada trend indeks RX1d, indeks RX5d
menunjukkan trend positif mendominasi wilayah tengah hingga timur bagian
selatan Sulawesi Selatan, serta sebagian wilayah di barat dan utara. Trend positif
signifikan bahkan ditemukan di dua titik pos hujan, yaitu pos hujan Bengo (ID:50)
dan Canru (ID:37). Sementara itu, trend negatif umumnya ditemukan di sebagian
wilayah pantai barat dan pantai timur, dengan trend yang seluruhnya tidak
49
signifikan. Distribusi spasial untuk trend indeks RX5d ini ditunjukkan oleh
Gambar IV.25.
Gambar IV.25 Peta distribusi spasial trend indeks RX5d di Sulawesi Selatan
Gambar IV.26 menunjukkan distribusi spasial untuk trend dari indeks

RTOT. Trend positif dan negatif terdistribusi secara acak pada beberapa wilayah.
Dapat dilihat bahwa wilayah barat-selatan dan wilayah tengah didominasi oleh
trend positif, sedangkan wilayah timur didominasi oleh trend negatif. Umumnya
trend tidak signifikan, baik untuk nilai positif maupun negatif. Trend yang
signifikan hanya ditemukan di satu pos hujan, yaitu pos hujan Peneki (ID:35)
yang memiliki trend negatif signifikan.
50
Gambar IV.26 Peta distribusi spasial trend indeks RTOT di Sulawesi Selatan
Selanjutnya, trend dari indeks SDII dipetakan secara spasial. Pada Gambar
IV.27 dapat dilihat bahwa pola spasial dari indeks ini mirip dengan indeks RTOT.
Perbedaannya hanya bahwa pada indeks ini ditemukan 4 pos hujan dengan trend
positif signifikan dan 2 pos hujan dengan trend negatif signifikan. Pos hujan
dengan trend positif signifikan ditemukan di wilayah barat dan tengah, sedangkan
trend negatif signifikan ditemukan di wilayah pantai timur dan selatan.
51
Gambar IV.27 Peta distribusi spasial trend indeks SDII di Sulawesi Selatan
IV.1.5 Hubungan antara anomali suhu muka laut (SML) dan karakteristik
hujan di Sulawesi Selatan
Kejadian hujan ekstrem dapat disebabkan oleh berbagai faktor, salah
satunya yaitu faktor awan hujan yang terbentuk di wilayah tersebut. Diketahui
bahwa SML mempengaruhi proses pembentukan awan di atmosfer.Untuk hujan di
Sulawesi Selatan, perhitungan dengan metode korelasi Pearson digunakan untuk
mengetahui hubungan curah hujan di wilayah tersebut terhadap anomali SML di
perairan sekitarnya.
Pada lintang yang sama (1,6o – 6,9oLS), laut di sekitar Sulawesi Selatan
dibagi menjadi dua bagian, yaitu perairan barat (116,7o BT – 120o BT) dan
perairan timur (120o BT - 122o BT). Perhitungan korelasi anomali SML terhadap
52
curah hujan bulanan di 37 pos hujan dilakukan dengan lag time 0, -1, dan -2 untuk
SML. Hasil perhitungan korelasi menunjukkan bahwa anomali SML di perairan
barat dan timur pada lag time 0, -1, dan -2 memiliki korelasi yang sangat lemah
terhadap curah hujan bulanan di ke-37 pos hujan di Sulawesi Selatan. Koefisien
korelasi pada masing-masing pos hujan disajikan dalam Lampiran 4.
IV.2 Pembahasan
Berdasarkan hasil perhitungan ambang batas, dapat dilihat hubungan

antara ambang batas yang ditentukan oleh BMKG (fix threshold) dan ambang
batas yang dihitung untuk tiap titik pos hujan berdasarkan persentil ke-90 dan
periode ulang 1 tahun. Membandingkan kedua jenis ambang batas tersebut, hasil
perhitungan menunjukkan bahwa ambang batas curah hujan 100 mm per hari yang
ditentukan oleh BMKG sebagai kategori hujan ekstrem, sesuai dengan ambang
batas untuk periode ulang 1 tahun di Sulawesi Selatan, terlihat dari nilai rata-rata
curah hujan ambang batas ini berada di kisaran angka 160 mm per hari.
Rata-rata klimatologi dari indeks ekstrem di Sulawesi Selatan
mengindikasikan bahwa ada wilayah yang selalu menunjukkan nilai yang tinggi,
baik pada indikator frekuensi maupun intensitas, yaitu wilayah di sepanjang pantai
barat, sedangkan wilayah yang selalu memiliki nilai yang rendah pada kedua
indikator yaitu wilayah tengah (ZOM 300). Sementara itu, wilayah yang
cenderung memiliki nilai menengah dari indikator frekuensi dan intensitasnya
ditemukan di wilayah bagian timur. Sebaliknya, wilayah di bagian utara
cenderung memiliki nilai yang berbeda untuk tiap indeks. Pada indikator
frekuensi, wilayah tersebut umumnya memiliki nilai rendah hingga menengah,
kecuali pos hujan Toao (ID:9) yang memiliki nilai tinggi pada indeks R90p dan
CWD, sedangkan pada indikator intensitas, pos hujan Toao (ID:9) dan Belajen
(ID:13) umumnya menunjukkan nilai rendah hingga menengah dan pos hujan
Baraka (ID:16) menunjukkan nilai menengah hingga tinggi.
Kondisi ini menunjukkan bahwa sifat monsun barat laut yang basah yang
terjadi pada periode November hingga Maret, serta adanya faktor topografi, di
mana ada dataran tinggi dengan ketinggian 1000 m hingga lebih dari 2000 m yang
53
membentang dari tengah bagian timur hingga selatan Sulawesi Selatan menjadi
penyebab utama dari tingginya nilai indeks ekstrem di bagian barat Sulawesi
Selatan. Sebaliknya, sifat monsun tenggara yang kering yang terjadi pada periode
April hingga Oktober serta faktor topografi, menyebabkan wilayah di timur
cenderung memiliki rata-rata nilai frekuensi dan intensitas yang sedang, bahkan di
wilayah tengah cenderung lebih rendah dibanding wilayah lainnya.
Uji trend dari kejadian hujan ekstrem menggunakan indikator frekuensi
dan intensitas berhasil mengidentifikasi pos hujan yang memiliki trend yang
signifikan dan konsisten pada paling sedikit dua indeks. Trend yang konsisten ini
diidentifikasi untuk trend positif signifikan dan trend negatif signifikan. Pos hujan
Baraka (ID:16), Bontouse (ID:30), Bengo (ID:50), Bungoro (ID:52), dan Stageof
Gowa (ID:65) menunjukkan kecenderungan meningkat dan konsisten. Rincian
indeks ekstrem yang menunjukkan trend meningkat signifikan disajikan dalam
Tabel IV.3.
Tabel IV.3 Daftar pos hujan dengan trend meningkat signifikan dan
konsisten. Sig=signifikan
ID Pos hujan R20mm R50mm R90p CWD RX1d RX5d RTOT SDII
16 Baraka Sig - Sig - - - - -
30 Bontouse Sig - - - - - - Sig
50 Bengo Sig - - - - Sig - Sig
52 Bungoro - Sig - - - - - Sig
65 Stageof Gowa Sig - Sig - - - - -
Sementara itu, untuk trend menurun signifikan dan konsisten,

diidentifikasi dua pos hujan, yaitu pos hujan Peneki (ID:35) dan Batukaropa
(ID:77). Tabel IV.4 menunjukkan indeks ekstrem yang memiliki trend negatif
signifikan dan konsisten pada kedua pos hujan tersebut.
Tabel IV.4 Daftar pos hujan dengan trend menurun signifikan dan konsisten.
Sig=signifikan
ID Pos hujan R20mm R50mm R90p CWD RX1d RX5d RTOT SDII
35 Peneki Sig Sig - Sig - Sig Sig
77 Batukaropa - - Sig - - - - Sig
54
Distribusi spasial dari pos hujan yang menunjukkan trend yang signifikan
dan konsisten ditunjukkan oleh Gambar IV.28. Trend positif dan konsisten
ditemukan di wilayah pantai barat (Bungoro dan Stageof Gowa), wilayah utara
(Baraka), dan tengah Sulawesi Selatan (Bontouse dan Bengo), sedangkan trend
negatif signifikan dan konsisten ditemukan di wilayah selatan (Batukaropa) dan
wilayah timur (Peneki). Untuk pos hujan Peneki, yang memiliki 5 indeks yang
negatif signifikan, kondisi ini dapat menyebabkan masalah di masa yang akan
datang sehubungan dengan kemungkinan terjadinya kekeringan.
Secara umum, baik pada indikator frekuensi maupun indikator intensitas
menunjukkan trend temporal yang dominan tidak signifikan. Indeks hujan
ekstrem yang menunjukkan kecenderungan signifikan hanya ditemukan di
beberapa titik pos hujan, dan yang konsisten hanya ditemukan di tujuh titik pos
hujan di Sulawesi Selatan.
Gambar IV.28 Peta distribusi spasial pos hujan dengan trend

signifikan dan konsisten di Sulawesi Selatan
55
Anomali suhu muka laut di sekitar Sulawesi Selatan pada lag time 0, -1,
dan -2 memiliki korelasi yang sangat lemah terhadap curah hujan bulanan 37 pos
hujan di Sulawesi Selatan. Hal ini mengindikasikan bahwa kemungkinan ada
faktor lain yang lebih besar yang mempengaruhi hujan di Sulawesi Selatan. Faktor
ini bisa termasuk suhu muka laut, namun di daerah perairan lain atau faktor
lainnya.
BAB V
PENUTUP
V.1 Kesimpulan
Berdasarkan hasil dan pembahasan, maka kesimpulan yang didapatkan
adalah sebagai berikut:
1. Nilai ambang batas yang menggambarkan kejadian hujan ekstrem di Provinsi
Sulawesi Selatan, yaitu sebesar 45 mm per hari berdasarkan persentil ke-90
dan 116 mm per hari berdasarkan periode ulang 1 tahun.
2. Rata-rata klimatologi dari semua indeks, baik indikator frekuensi maupun
indikator intensitas, secara umum menunjukkan pola spasial yang
menggambarkan karakteristik hujan di Sulawesi Selatan. Nilai terendah
umumnya ditemukan di wilayah bagian tengah Sulawesi Selatan dan
beberapa titik pos hujan di utara, sedangkan nilai tertinggi mendominasi di
wilayah sepanjang pantai barat Sulawesi Selatan. Kondisi ini menunjukkan
bahwa sifat monsun barat laut yang basah dan monsun tenggara yang kering
didukung oleh faktor topografi, di mana ada dataran tinggi dengan ketinggian
1000 m hingga lebih dari 2000 m yang membentang dari tengah bagian timur
hingga selatan Sulawesi Selatan, menjadi penyebab dari tingginya nilai
indeks ekstrem di bagian barat Sulawesi Selatan dan lebih rendah di bagian
timur, bahkan di wilayah tengah cenderung lebih rendah dibanding wilayah
lainnya.
3. Secara umum, trend temporal kejadian hujan ekstrem yang ditemukan dalam
penelitian ini didominasi trend yang tidak signifikan. Trend yang signifikan
hanya ditemukan di beberapa titik. Trend positif dan konsisten ditemukan di
wilayah pantai barat (Bungoro dan Stageof Gowa), wilayah utara (Baraka),
dan tengah Sulawesi Selatan (Bontouse dan Bengo). Sementara itu, trend
negatif signifikan dan konsisten ditemukan di wilayah selatan (Batukaropa)
dan wilayah timur (Peneki).
56
57
4. Hubungan antara anomali suhu muka laut di sekitar Sulawesi Selatan pada
lag time 0, -1, dan -2 terhadap curah hujan bulanan 37 pos hujan di Sulawesi
Selatan menunjukkan korelasi yang sangat lemah. Hal ini mengindikasikan
bahwa kemungkinan ada faktor lain yang lebih besar yang mempengaruhi
hujan dan kejadian hujan ekstrem di Sulawesi Selatan.
V.1 Saran
Berdasarkan pada keterbatasan dalam penelitian ini, maka saran berikut ini
diberikan untuk penelitian yang lebih baik di masa yang akan datang.
1. Kualitas data menjadi faktor yang penting dalam penelitian mengenai
kejadian hujan ekstrem, sehingga data curah hujan yang lebih panjang akan
lebih merepresentasikan trend yang sebenarnya.
2. Penelitian lebih lanjut mengenai penyebab trend signifikan pada indeks hujan
ekstrem secara fisis perlu dilakukan untuk mengetahui penyebab perubahan
frekuensi dan intensitas kejadian hujan ekstrem tersebut.
3. Pemerintah daerah Bungoro, Gowa, dan Baraka sebaiknya waspada terhadap
kemungkinan bencana hidrometeorologi di masa depan, sehubungan dengan
trend positif signifikan yang ditemukan di daerah tersebut, sedangkan
pemerintah daerah Bontouse dan Bengo sebaiknya waspada terhadap
kemungkinan bencana kekeringan di masa yang akan datang, terkait
ditemukannya trend negatif signifikan di wilayah tersebut.
DAFTAR PUSTAKA
Aldrian, E. dan Susanto R.D., 2003, Identification of Three Dominant Rainfall
Regions within Indonesia and Their Relationship to Sea Surface
Temperature. International Journal of Climatology, 23, hal: 1435 – 1452,
DOI: 10.1002/joc.950.
Aldrian, E. dan Djamil Y.S, 2007, Spatio-temporal Climatic Change of rainfall in
East Java Indonesia. International Journal of Climatology, DOI:
10.1002/joc.1543.
Ariantono, J.Y., 2015, Pemetaan Indeks Iklim Ekstrim di Provinsi Aceh
Menggunakan Data TRMM dan Aphrodite, Tesis, Program Studi Magister
Ilmu Kebencanaan, Universitas Syiah Kuala Darussalam, Banda Aceh.
Atsamon L. L. S. dan Sriburi T., 2009, Assessment of Extreme Weather Events
along The Coastal Areas of Thailand, Proceeding of 21th conference on
climate variability and change, Washington.
Bodini, A. dan Cossu, Q.A., 2010, Vulnerability Assessment of Central-East
Sardinia (Italy) To Extreme Rainfall Events, Journal of Natural Hazards
and Earth System Sciences, 10, hal. 61 – 72, DOI: 10.5194/nhess-10-61-
2010.
Budiartawan, I. K., 2017, Time-lag Relationship Between The Local Sea Surface
Temperature with The Rainfall Over of Java-Bali Region, Tesis, Master
Degree Program Graduate Study of Environmental Science, Udayana
University, Denpasar.
Carvalho, L.M.V., Jones, C. dan Liebmann, B., 2002, Extreme Precipitation
Events in Southeastern South America and Large-Scale Convective
Patterns in the South Atlantic Convergence Zone, Journal of Climate, 15,
hal.2377–2394.
Dos Santos, C.A.C., Neale, C.M.U., Raoa, T.V. R. dan da Silvaa, B.B., 2010,
Trends in Indices for Extremes in Daily Temperature and Precipitation
over Utah, USA, International Journal of Climatology, 31, hal. 1813–
1822, DOI: 10.1002/joc.2205.
Durre, I., Menne, M.J., Gleason, B.E., Houston, T.G. dan Vose, R.S., 2010,
Comprehensive Automated Quality Assurance of Daily Surface
Observations, Journal of Applied Meteorology and Climatology, 49, hal.
1615 – 1633, DOI: 10.1175/2010JAMC2375.1.
Evans, J. D., 1996, Straightforward Statistics for the Behavioral Sciences,
Brooks/Cole Publishing, Pacific Grove, California.
Fu, G., Viney, N.R., Charles, S.P. dan Liu, J., 2010, Long-Term Temporal
Variation of Extreme Rainfall Events in Australia: 1910-2006, Journal of
Hydrometeorology, 11, hal. 950 – 965, DOI: 10.1175/2010JHM1204.1.
58
59
Gani, I., dan Amalia, S., 2015, Alat Analisis Data: Aplikasi Statistik untuk
Penelitian Bidang Ekonomi dan Sosial, Penerbit ANDI, Yogyakarta.
Gonzalez-Rouco, J.F., Jimenez, J.L., Quesada, V. dan Valero, F., 2001, Quality
Control and Homogeneity of Precipitation Data in the Southwest of
Europe, Journal of Climate, 14, hal. 967 – 978, DOI: 10.1175/1520-
0442(2001)014<0964:QCAHOP>2.0.CO;2.
Goswami, P. dan Ramesh, K.V., 2007, Extreme Rainfall Events: Vulnerability
Analysis for Disaster Management and Observation System Design, CSIR
Centre for Mathematical Modelling and Computer Simulation, India.
Haylock, M. R., Peterson, T. C., Alves, L. M., Ambrizzi, T., Anunciação, Y. M.
T., Baez, J., Barros, V. R., Berlato, M. A., Bidegain, M., Coronel, G.,
Corradi, V., Garcia, V. J., Grimm, A. M., Karoly, D., Marengo, J. A.,
Marino, M. B., Moncunill, D. F., Nechet, D., Quintana, J., Rebello, E.,
Rusticucci, M., Santos, J. L., Trebejo, I., dan Vincent, L. A., 2006, Trends
in Total and Extreme South American Rainfall in 1960–2000 and Links
with Sea Surface Temperature, Journal of Climate, 19, hal. 1490-1512.
Hernandez, A.R.P., Balling Jr, R.C. dan Barbar-Matinez, L.R., 2009, Comparative
Analysis of Indices of Extreme Rainfall Events: Variation and Trend from
Southern Mexico, Journal de Atmosfera, 2, hal. 219 – 228.
HydroGeoLogic, Inc, 2005, Appendix D: Mann Kendall Analysis, Annual
Groundwater Monitoring Report, California.
Klein Tank, A.M.G dan Konnen, G.P., 2003, Trends in Indices of Daily
Temperature and Precipitation Extremes in Europe, 1946 – 1999, Journal
of Climate, 16, hal. 3665 – 3680.
Kunkel, K.E., Andsager, K. dan Easterling, D.R., 1999, Long-term trends in
extreme precipitation events over the conterminous United States and
Canada, Journal of Climate, 12, hal. 2515 – 2527.
Kunkel, K.E., Easterling, D.R., Redmond, K. dan Hubbard, K., 2003, Temporal
Variations of Extreme Precipitation Events in the United States: 1895–
2000, Geophysical Research Letters, Vol. 30, No. 17, 1900, DOI:
10.1029/2003GL018052.
Liebmann, B., Jones, C., dan Carvalho, L.M.V.D., 2001, Interannual Variability
of Daily Extreme Precipitation Events in the State of Sao Paulo, Brazil,
Journal of Climate, 14, hal. 208-218.
Manton, M.J., Della-Marta, P.M., Haylock, M.R., Hennessy, K.J., Nicholls, N.,
Chambers, L.E., Collins, D.A., Daw, D., Finet, A., Gunawan, D., Inape,
K., Isobe, H., Kestin, T.S., Lefale, P., Leyu, C.H., Lwin, T., Maitrepierre,
L., Ouprasitwong, N., Page, C.M. Pahalad, J., Plummer, N., Salinger, M.J.,
Suppiah, R., Tran, V.L., Trewin, B., Tibig, I. dan Yee, D., 2001, Trends in
Extreme Daily Rainfall and Temperature in Southeast Asia and the South
Pacific: 1961 – 1999, International Journal of Climatology, DOI:
10.1002/joc.610.
60
Mason, S.J., Waylen, P.R., Mimmack, G.M., Rajaratnam, B. dan Harrison, M.,
1999, Changes in Extreme Rainfall Events in South Africa, Journal of
Climate Change, 41, hal. 249 – 257.
Naveau, P., Nogaj, M., Ammann, C., Yiou, P., Cooley, D. dan Jomelli, V, 2005,
Statistical Methods for the Analysis of Climate Extremes, Journal of
Comptes Rendus Geoscience, 337, hal. 1013 – 1022, DOI:
10.1016/j.crte.2005.04.015
Ngongondo, C., Xu, C., Gottschalk, L. dan Alemaw, B., 2011, Evaluation of
Spatial and Temporal Characteristics of Rainfall in Malawi: a Case of Data
Scarce Region, Journal of Theory and Applied Climatology, DOI:
10.1007/s00704-011-0413-0.
Pearson, K., 1896, Mathematical Contributions to the Theory of Evolution. III.
Regression, Heredity and Panmixia, Philosophical Transactions of the
Royal Society of London, 187, 253–318. DOI:10.1098/rsta.1896.0007
Prameuthia, E., 2015, Prediksi Curah Hujan dan Hari Hujan Bulanan dengan
Prediktor Suhu Muka Laut di Wilayah Pesisir Barat Daya Sulawesi,
Skripsi, Program Sarjana Terapan Klimatologi, Sekolah Tinggi
Meteorologi Klimatologi dan Geofisika, Jakarta.
Subyani, A.M., 2004, Geostatistical Study of Annual and Seasonal Mean Rainfall
Pattern in Southwest Saudi Arabia, Journal of Hydrological Science, 49,
hal. 803 – 817.
Sucahyono, D. dan Ribudiyanto, K., 2013, Cuaca dan Iklim Ekstrim di Indonesia,
Puslitbang BMKG, Jakarta.
Supari, 2012, Spatiotemporal Characteristics of Extreme Rainfall Events Over
Java Island, Indonesia, Case: East Java Province, Tesis, The Graduate
School, Gadjah Mada University and Faculty of Geog-Information and
Earth Observation, University of Twente, Indonesia dan Belanda.
Suppiah, R. dan Hennessy, K.J., 1998, Trends in Total Rainfall, Heavy Rain
Events and Number of Dry Days in Australia, 1910 – 1990, International
Journal of Climatology, 10, hal. 1141 – 1164.
Suhaila J., Deni, S.M., Wan Zin, W.Z. dan Jemain, A.A., 2010, Spatial Patterns
and Trends of Daily Rainfall Regime in Peninsular Malaysia during the
Southwest and Northeast Monsoons: 1975 – 2004, Journal of
Meteorological and Atmospheric Physic, 110, hal. 1 – 18.
Trenberth, K.E., Jones, P.D., Ambenje, P., Bojariu, R., Easterling, D., Klein Tank,
A., Parker, D., Rahimzadeh, F., Renwick, J.A., Rusticucci, M., Soden, B.
dan Zhai, P., 2007, Observations: Surface and Atmospheric Climate
Change. In: Climate Change 2007: The Physical Science Basis.
Contribution of Working Group I to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change [Solomon, S., Qin D.,
Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M. dan Miller,
61
H.L. (eds.)], Cambridge University Press, Cambridge, United Kingdom

dan New York, New York, USA, hal. 299.
World Meteorological Organization - WMO, 2000, Detecting Trend and Other
Changes in Hydrological Data, World Climate Programme – Water,
WMO/TD-No. 1013.
World Meteorological Organization - WMO, 2009, Guidelines on Analysis of
Extremes in a Changing Climate in Support of Informed Decisions for
Adaptation, WCDMP - No. 72. WMO – TD No. 1500.
Yolanda, S., 2014, Analisa Curah Hujan Ekstrem Persentil Ke-98 serta Kaitannya
dengan Angin Meridional di Wilayah DKI Jakarta, Skripsi, Program
Sarjana Terapan Klimatologi, Sekolah Tinggi Meteorologi Klimatologi
dan Geofisika, Jakarta.
Zang, X., Hogg, W.D. dan Mekis, E., 2001, Spatial and Temporal Characteristics
of Heavy Precipitation Events over Canada, Journal of Climate, 14, hal.
1923 – 1936.
PUSTAKA DARI INTERNET

Badan Meteorologi Klimatologi dan Geofisika - BMKG, 2010, Kondisi Cuaca
Ekstrem dan Iklim tahun 2010 – 2011, Press Release, Jakarta,
http://data.bmkg.go.id/share/Dokumen/press%20release%20kondisi%20c
uaca%20ekstrim%20dan%20iklim%20tahun%202010-2011.pdf,diakses
tanggal 1 Januari 2017.
Badan Nasional Penanggulangan Bencana - BNPB, 2016, Data dan Informasi
Bencana Indonesia, http://dibi.bnpb.go.id, diakses tanggal 26 November
2016.
Badan Pusat Statistik - BPS, 2012, Penduduk Indonesia menurut Provinsi 1971,
1980, 1990, 1995, 2000 dan 2010,
https://www.bps.go.id/linkTabelStatis/view/id/1267, diakses tanggal 26
November 2016.
Coles, S.G. dan Sparks, R.S.J., 2001, Chapter 5: Extreme Value Methods for
Modeling Historical Series of Large Volcanic Magnitudes,
http://www.cas.usf.edu/~cconnor/geolsoc/html/chapter5.pdf, diakses
tanggal 1 Januari 2017
Gilli, M. dan Kellezi, E., 2003, An Application of Extreme Value Theory for
Measuring Risk, Preprint submitted to Elsevier Science,
http://www.globalriskguard.com/resources/market/evt.pdf, diakses pada 15
Desember 2016.
Pemerintah Provinsi Sulawesi Selatan, 2016, Profil Provinsi,
www.sulselprov.go.id, diakses tanggal 26 November 2016.
62
Lampiran 1 Tabel Cakupan Wilayah ZOM dan Non ZOM di Sulawesi

Selatan (Sumber: BBMKG Wilayah IV Makassar)
No.
Daerah
ZOM
286 Gowa/Takalar bagian barat
Barru/Pangkep/Maros bagian barat, Makassar, sebagian Gowa/Takalar bagian tengah, Jeneponto
287
bagian barat
Sebagian Soppeng bagian barat, Barru bagian tengah dan selatan, Pangkep bagian Timur,
288
Maros/Gowa bagian tengah, Bone bagian barat
289 Gowa bagian tengah, Jeneponto bagian utara, sebagian Takalar bagian timur
290 Jeneponto tengah dan timur
291 Bantaeng bagian timur, Bulukumba bagian barat
292 Bulukumba bagian timur
293 Selayar
Bone bagian selatan, Gowa bagian timur, Sinjai bagian barat dan tengah, Bantaeng bagian utara,
294
sebagian Bulukumba bagian utara
295 Bone bagian selatan, Sinjai bagian timur
296 Maros bagian timur, Bone bagian tengah
297 Bone bagian timur
298 Bone bagian timur
299 Soppeng bagian selatan, Bone bagian tengah
300 Sidrap bagian selatan, Soppeng bagian utara, Wajo bagian barat
301 Sidrap bagian tengah, Wajo bagian timur dan tengah, Luwu bagian timur, Bone bagian utara
302 Pinrang bagian selatan, Pare-Pare, Barru bagian utara, Sidrap bagian barat, Soppeng bagian utara
303 Sidrap bagian tengah
304 Pinrang bagian timur, Enrekang bagian barat
305 Pinrang bagian barat
308 Tanatoraja bagian barat, Pinrang bagian utara, Tanatoraja bagian barat, Pinrang bagian utara
309 Enrekang bagian timur, Sidrap bagian utara, Luwu bagian selatan
310 Tanatoraja
No. Non
Daerah
ZOM
40 Palopo, Masamba
41 Sebagian Kab. Tana Toraja, sebagian besar Kab. Luwu Utara
42 Luwu Utara bagian barat
43 Luwu Timur
63
Lanjutan Lampiran 1
64
Lampiran 2 Tabel Lokasi Penelitian di Sulawesi Selatan (Sumber: BBMKG

Wilayah IV Makassar)
ID Nama Pos Hujan Lintang Bujur
1 Maleku -2.35000 120.65000

2 Masamba -2.43000 120.33000
3 Wasuponda -2.44000 121.38000
4 Wotu -2.60000 120.81000
5 Desa Malili -2.64000 121.30667
6 Tokarao -2.89506 119.94706
7 Leang Tanduk -2.97878 119.88536
8 Sangalla -3.07333 119.92044
9 Toao -3.09114 119.85269
10 Leon -3.19306 119.72547
11 Mebali -3.19694 119.88667
12 Salubarani -3.21094 119.89764
13 Belajen -3.32444 119.82250
14 Seppong -3.34831 120.35861
15 Padang Sappa -3.36556 120.31444
16 Baraka -3.41072 119.85714
17 Larompong -3.53397 120.36756
18 Enrekang -3.57564 119.77442
19 Pekabatta -3.64139 119.53444
20 Awang-awang -3.78806 119.64083
21 Tiroang -3.82875 119.74047
22 Mananrang -3.84222 119.64194
23 Kera -3.85000 120.34194
24 Tanrutedong -3.88472 119.99583
25 Anabanua -3.94336 120.06464
26 Sakkoli -3.95722 120.22167
27 Amparita -3.98000 119.81000
28 Menge -3.98194 119.91889
29 Paria -4.03056 120.12611
30 Bontouse -4.04556 120.03028
65
Lanjutan Lampiran 2

31 Biloka -4.06167 119.83667
32 Doping -4.07194 120.30167
33 Palanro -4.17028 119.63861
34 Palaguna -4.17028 120.03778
35 Peneki -4.17861 120.28500
36 Panincong -4.20944 119.88667
37 Canru -4.23447 120.01233
38 Pajalesang -4.33917 119.96306
39 Malanroe -4.34525 119.91647
40 Watan Soppeng -4.35144 119.88694
41 Jampue -4.39472 119.62333
42 Pattojo -4.39694 119.94472
43 Sumpang Binangae -4.40917 119.61861
44 Marioriwawo -4.45333 119.95139
45 Tanete Rilau -4.48056 119.60806
46 Ma'cope -4.49639 120.34694
47 Cellu -4.55230 120.36105
48 Palakka -4.56594 120.26303
49 Lamuru -4.59667 119.97389
50 Bengo -4.62333 120.02000
51 Ma'rang -4.67194 119.57083
52 Bungoro -4.81250 119.54389
53 Balocci -4.92056 119.70222
54 Biru -4.95577 120.07171
55 Kahu -4.96528 120.11306
56 Solojirang -4.99306 119.57333
57 Bantimurung -5.00944 119.63389
58 Batubassi -5.01972 119.66250
59 Bukit Harapan -5.01972 119.66250
60 Tanralili -5.06583 119.61235
66
Lanjutan Lampiran 2

61 Stamet Hasanuddin -5.07044 119.55214
62 Biringere -5.12556 120.25389
63 Biring Romang -5.17575 119.47931
64 Manipi -5.20583 120.01361
65 Stageof Gowa -5.21797 119.46997
66 Bulluballea -5.24889 119.93694
67 Malino -5.25278 119.85361
68 Bikeru -5.25583 120.15111
69 Limbung -5.29056 119.43778
70 Galesong -5.31550 119.38070
71 Pasir putih -5.32417 120.06583
72 Tanajaya -5.34333 120.35194
73 Bulo-bulo -5.35889 120.14361
74 Herlang -5.39861 120.37278
75 Pattalassang -5.42472 119.43167
76 Malakaji -5.43417 119.84806
77 Batukaropa -5.46919 120.22200
78 Bonto Bahari -5.54184 120.36500
79 Lamalaka -5.55222 119.96111
80 Tanah Kongkong -5.56397 120.18150
81 Pakkaterang -5.67139 119.73333
82 Bontomatene -5.91000 120.47000
83 Jampea -6.08000 120.49000
84 Benteng -6.12389 120.45694
85 Mattalalang -6.15019 120.45353
86 Bontosikuyu -6.27000 120.49000
67
Lampiran 3 Hasil Pengecekan Data Kosong
ID Nama Pos Hujan Lintang Bujur Data kosong (%)
1 Maleku -2.35000 120.65000 29

2 Masamba -2.43000 120.33000 20
3 Wasuponda -2.44000 121.38000 23
4 Wotu -2.60000 120.81000 27
5 Desa Malili -2.64000 121.30667 25
6 Tokarao -2.89506 119.94706 36
7 Leang Tanduk -2.97878 119.88536 48
8 Sangalla -3.07333 119.92044 38
9 Toao -3.09114 119.85269 2
10 Leon -3.19306 119.72547 33
11 Mebali -3.19694 119.88667 20
12 Salubarani -3.21094 119.89764 53
13 Belajen -3.32444 119.82250 10
14 Seppong -3.34831 120.35861 34
15 Padang Sappa -3.36556 120.31444 29
16 Baraka -3.41072 119.85714 6
17 Larompong -3.53397 120.36756 20
18 Enrekang -3.57564 119.77442 11
19 Pekabatta -3.64139 119.53444 27
20 Awang-awang -3.78806 119.64083 27
21 Tiroang -3.82875 119.74047 25
22 Mananrang -3.84222 119.64194 18
23 Kera -3.85000 120.34194 14
24 Tanrutedong -3.88472 119.99583 35
25 Anabanua -3.94336 120.06464 2
26 Sakkoli -3.95722 120.22167 23
27 Amparita -3.98000 119.81000 9
28 Menge -3.98194 119.91889 3
29 Paria -4.03056 120.12611 14
30 Bontouse -4.04556 120.03028 1
68
Lanjutan Lampiran 3
31 Biloka -4.06167 119.83667 0

32 Doping -4.07194 120.30167 2
33 Palanro -4.17028 119.63861 5
34 Palaguna -4.17028 120.03778 0
35 Peneki -4.17861 120.28500 0
36 Panincong -4.20944 119.88667 6
37 Canru -4.23447 120.01233 9
38 Pajalesang -4.33917 119.96306 25
39 Malanroe -4.34525 119.91647 1
40 Watan Soppeng -4.35144 119.88694 21
41 Jampue -4.39472 119.62333 38
42 Pattojo -4.39694 119.94472 0
43 Sumpang Binangae -4.40917 119.61861 3
44 Marioriwawo -4.45333 119.95139 23
45 Tanete Rilau -4.48056 119.60806 4
46 Ma'cope -4.49639 120.34694 0
47 Cellu -4.55230 120.36105 15
48 Palakka -4.56594 120.26303 4
49 Lamuru -4.59667 119.97389 10
50 Bengo -4.62333 120.02000 0
51 Ma'rang -4.67194 119.57083 6
52 Bungoro -4.81250 119.54389 10
53 Balocci -4.92056 119.70222 20
54 Biru -4.95577 120.07171 0
55 Kahu -4.96528 120.11306 1
56 Solojirang -4.99306 119.57333 20
57 Bantimurung -5.00944 119.63389 3
58 Batubassi -5.01972 119.66250 2
59 Bukit Harapan -5.01972 119.66250 1
60 Tanralili -5.06583 119.61235 12
69
Lanjutan Lampiran 3
61 Stamet Hasanuddin -5.07044 119.55214 4

62 Biringere -5.12556 120.25389 21
63 Biring Romang -5.17575 119.47931 6
64 Manipi -5.20583 120.01361 30
65 Stageof Gowa -5.21797 119.46997 2
66 Bulluballea -5.24889 119.93694 15
67 Malino -5.25278 119.85361 26
68 Bikeru -5.25583 120.15111 16
69 Limbung -5.29056 119.43778 5
70 Galesong -5.31550 119.38070 2
71 Pasir putih -5.32417 120.06583 37
72 Tanajaya -5.34333 120.35194 14
73 Bulo-bulo -5.35889 120.14361 21
74 Herlang -5.39861 120.37278 29
75 Pattalassang -5.42472 119.43167 0
76 Malakaji -5.43417 119.84806 4
77 Batukaropa -5.46919 120.22200 0
78 Bonto Bahari -5.54184 120.36500 54
79 Lamalaka -5.55222 119.96111 29
80 Tanah Kongkong -5.56397 120.18150 12
81 Pakkaterang -5.67139 119.73333 20
82 Bontomatene -5.91000 120.47000 23
83 Jampea -6.08000 120.49000 57
84 Benteng -6.12389 120.45694 1
85 Mattalalang -6.15019 120.45353 25
86 Bontosikuyu -6.27000 120.49000 38
70
Lampiran 4 Tabel koefisien korelasi anomali SML pada lag time 0, -1, dan -2
terhadap curah hujan bulanan di Sulawesi Selatan
Perairan Barat Perairan Timur
ID Nama Pos Hujan
lag time 0 lag time -1 lag time -2 lag time 0 lag time -1 lag time -2
9 Toao 0.17 0.14 0.04 0.18 0.14 0.04
13 Belajen 0.16 0.10 0.02 0.17 0.10 0.02
16 Baraka 0.18 0.11 0.09 0.20 0.14 0.12
25 Anabanua 0.25 0.18 0.07 0.26 0.19 0.08
27 Amparita 0.11 0.11 0.07 0.13 0.12 0.09
28 Menge 0.22 0.18 0.15 0.24 0.19 0.16
30 Bontouse 0.22 0.17 0.12 0.24 0.19 0.14
31 Biloka 0.19 0.17 0.14 0.21 0.19 0.15
32 Doping 0.17 0.10 0.04 0.18 0.11 0.05
33 Palanro 0.06 0.09 0.11 0.08 0.11 0.12
34 Palaguna 0.24 0.16 0.12 0.25 0.17 0.13
35 Peneki 0.09 0.06 -0.01 0.10 0.07 0.00
36 Panincong 0.22 0.15 0.14 0.23 0.17 0.15
37 Canru 0.21 0.18 0.15 0.22 0.20 0.16
39 Malanroe 0.20 0.16 0.11 0.22 0.17 0.12
42 Pattojo 0.21 0.18 0.11 0.22 0.18 0.11
43 Sumpang Binangae 0.05 0.13 0.10 0.06 0.14 0.11
45 Tanete Rilau 0.08 0.10 0.06 0.10 0.13 0.08
46 Ma'cope 0.17 0.15 0.11 0.17 0.16 0.11
48 Palakka 0.10 0.04 0.08 0.11 0.05 0.08
50 Bengo 0.24 0.24 0.20 0.26 0.25 0.21
51 Ma'rang -0.01 0.09 0.07 0.00 0.11 0.08
52 Bungoro 0.01 0.11 0.10 0.03 0.12 0.11
54 Biru 0.13 0.10 0.04 0.14 0.11 0.06
55 Kahu 0.01 0.04 -0.02 0.01 0.04 -0.01
57 Bantimurung 0.00 0.10 0.08 0.02 0.11 0.09
58 Batubassi 0.01 0.11 0.09 0.03 0.13 0.10
59 Bukit Harapan 0.10 0.10 0.11 0.12 0.11 0.11
61 Stamet Hasanuddin -0.02 0.01 -0.01 -0.01 0.01 -0.01
63 Biring Romang -0.03 0.06 0.05 -0.01 0.08 0.06
65 Stageof Gowa -0.03 0.08 0.08 -0.01 0.09 0.09
69 Limbung -0.06 0.01 0.06 -0.05 0.03 0.07
70 Galesong -0.02 0.05 0.03 0.00 0.07 0.04
75 Pattalassang -0.06 0.08 0.08 -0.04 0.09 0.09
76 Malakaji -0.06 0.01 0.06 -0.05 0.03 0.07
77 Batukaropa 0.13 0.17 0.06 0.13 0.17 0.06
84 Benteng 0.15 0.17 0.10 0.15 0.17 0.10

Skripsi 2017 Amhar Ulfiana

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi 2017 Amhar Ulfiana

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

KARAKTERISTIK KEJADIAN HUJAN EKSTREM DI PROVINSI

CHARACTERISTIC OF EXTREME RAINFALL EVENT OVER

PROGRAM SARJANA TERAPAN KLIMATOLOGI

KARAKTERISTIK KEJADIAN HUJAN EKSTREM DI PROVINSI

CHARACTERISTIC OF EXTREME RAINFALL EVENT OVER

Diajukan untuk memenuhi salah satu syarat memperoleh derajat

PROGRAM SARJANA TERAPAN KLIMATOLOGI

KARAKTERISTIK KEJADIAN HUJAN EKSTREM DI PROVINSI

Telah dipersiapkan dan disusun oleh

Telah dipertahankan di depan Tim Penguji dan dinyatakan lulus

Susunan Tim Penguji

Dr. Agus Safril, M.MT. Dr. Suwandi, M.Si.

Anggota Tim Penguji

Dr. Andri Ramdhani, M.Si.

Tangerang Selatan, 30 Agustus 2017

Dr. Agus Safril, M.MT. Dr. Suko Prayitno Adi, M.Si.

Saya, Amhar Ulfiana, NPT.13.12.2718, menyatakan bahwa skripsi dengan

Tangerang Selatan, 30 Agustus 2017

“Sebaik-baik manusia adalah yang bermanfaat bagi manusia lain”

Tulisan ini saya persembahkan untuk Indonesia tercinta.

Tangerang Selatan, 30 Agustus 2017

BAB I PENDAHULUAN ...................................................................................... 1

BAB II DASAR TEORI.......................................................................................... 6

BAB III METODE PENELITIAN............................................................................ 15

BAB IV PENUTUP ................................................................................................. 56

DAFTAR PUSTAKA ................................................................................................ 58

Keywords: spatial and temporal characteristics, extreme rainfall, South Sulawesi

I.1 Latar Belakang

I.2 Rumusan Masalah

I.3 Batasan Masalah

I.4 Tujuan Penelitian

I.5 Manfaat Penelitian

3. Pekerjaan umum: menggunakan hasil penelitian untuk mengevaluasi apakah

II.1 Tinjauan Pustaka

II.2 Landasan Teori

II.2.1 Iklim di Indonesia

II.2.2 Analisis nilai ekstrem

II.2.3 Kejadian curah hujan ekstrem

meteorologi dalam menentukan ambang batas. Goswami dan Ramesh (2007)

II.2.3.a Curah hujan ekstrem dan penyebabnya

II.2.3.b Indeks kejadian curah hujan ekstrem

II.2.3.c Analisis spasial data curah hujan

II.2.3.d Analisis kecenderungan temporal

II.2.3.e Analisis korelasi

Tabel II.1 Tingkat keeratan hubungan

III.1 Jenis Penelitian

III.2 Prosedur Penelitian

III.2.1 Lokasi penelitian

Berdasarkan iklimnya, wilayah Indonesia dibagi ke dalam tiga wilayah, yaitu

Secara klimatologis, Sulawesi Selatan umumnya dipengaruhi oleh sistem

Gambar III.2 Peta lokasi penelitian di Sulawesi Selatan

III.2.2 Data dan metode pengumpulan

a. Data curah hujan

c. Data anomali suhu muka laut (SML)

III.2.3 Metode pengawasan kualitas (quality control)

III.2.4 Metode identifikasi indeks ekstrem

III.2.5 Metode analisis spasial

Dalam penelitian ini, besarnya threshold dan kecenderungan indeks ekstrem

III.2.6 Metode analisis kecenderungan temporal

Perhitungan ini dilakukan menggunakan aplikasi R-Climdex (dapat diunduh

1. Menghitung statistik Mann-Kendall

2. Menghitung uji statistik Z normalisasi sebagai berikut:

3. Menghitung probabilitas yang terkait dengan uji statistik normalisasi ini,