AMHAR ULFIANA
13.12.2718
2017
SKRIPSI
AMHAR ULFIANA
13.12.2718
2017
i
HALAMAN PENGESAHAN
SKRIPSI
ii
PERNYATAAN ORISINALITAS
Amhar Ulfiana
NPT. 13.12.2718
iii
MOTTO DAN PERSEMBAHAN
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.
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
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
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.
xiv
BAB I
PENDAHULUAN
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.
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.
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.
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.
optimal pertumbuhan awan hujan, maka potensi terjadi hujan dari awan-awan
tersebut semakin besar (Sucahyono dan Ribudiyanto, 2013).
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.
15
16
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)
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.
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.
Gambar III.3 Peta pembagian titik data SML di perairan Sulawesi Selatan
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)
Jumlah hari hujan dengan curah hujan lebih besar dari
2 R50mm
atau sama dengan 50 mm (hari hujan lebat)
Jumlah hari hujan dengan curah hujan lebih besar dari
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)
Di mana:
= variabel bebas
= variabel terikat
= nilai rata-rata pada variabel y apabila variabel x bernilai 0
= koefisien regresi (slope) variabel x
(III.4)
(III.5)
(III.6)
(III.7)
(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.
Mulai
bulanan harian
Quality control
Indeks ekstrim
Trend tahunan
Peta pola spasial
indeks
Karakteristik spasial-
temporal
Selesai
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
Gambar IV.3 Peta distribusi spasial ambang batas untuk periode ulang
1 tahun
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.
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.
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.
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).
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.
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)
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.
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)
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
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)
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)
Jumlah kejadian
3000
2000
1000
0
1981 1986 1991 1996 2001 2006
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.
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
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
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 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
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 - - - - -
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.
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
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
Lanjutan Lampiran 2
Lanjutan Lampiran 2
Lanjutan Lampiran 3
Lanjutan Lampiran 3
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