Analisis Curah Hujan Tahun Menggunakan Earth Engine Dengan

Memanfaatkan Citra Satelit GSMAP (Global Satellite Mapping Of

Precipitation) Pada Kecamatan-Kacamatn Di Calon Daerah
Otonomi Baru Tasik Selatan
Lingkungan Hidup dan Perubahan Iklim
M Ferdinan Nurwahid
Badan Koordinasi Lembata Teknologi Mahasiswa Islam PB HMI

Direktur Penelitian LTMI PB HMI

Email: mferdinannurwahid@gmail.com
WA: 085718154337
Abstrak
Penelitian ini menggunakan data curah hujan dari GSMaP Operational untuk rentang waktu
Januari-Desember 2022 di enam lokasi di Kabupaten Tasik Selatan. Menggunakan script Earth
Engine, dibuat grafik temporal curah hujan berdasarkan tanggal dan lokasi yang ditentukan. Hasil
analisis menunjukkan variasi curah hujan di setiap lokasi selama tahun 2022. Beberapa lokasi
memiliki pola curah hujan yang stabil, seperti Cibalong dan Culamega dengan curah hujan rata-
rata yang konstan sepanjang tahun. Terdapat variasi yang signifikan dalam curah hujan antara
lokasi yang berdekatan. Pada bulan September 2022, Karangnunggal memiliki curah hujan yang
lebih tinggi dibandingkan dengan lokasi lainnya. Selain itu, bulan November 2022 menunjukkan
curah hujan tinggi di sebagian besar lokasi, dengan curah hujan tertinggi terjadi di Cikalong dan
Cipatujah. Dengan demikian, penelitian ini mengungkapkan variasi dan perbedaan pola curah
hujan antar lokasi yang dapat menjadi informasi penting untuk pengelolaan sumber daya air dan
penanganan dampak cuaca di wilayah tersebut.

Kata kunci : Curah hujan, GSMaP Operational, Pola curah hujan, Variasi curah hujan
Pendahuluan
Indonesia merupakan peringkat pertama
negara kepulauan terbesar di dunia. Dengan
total luas wilayah Indonesia 1.904.570 km.
Dengan luas wilayah perairan sekitar 70%
dan daratan 30% Indonesi Indonesia diakui
sebagai negara maritim. Sistem cuaca dan
iklim wilayah Indonesia sangat terpengaruhi
oleh fenomena cuaca global seperti MJO
(Madden-Julian-Oscilation), SOI (Southern
Oscilation Index), anomali suhu permukaan
laut, IOD (Indian-Ocean-Dipole), fenomena
cuaca regional seperti pola tekanan udara,
pola angin dan cuaca lokal (Kharisma, S., &
Widomurti, L. 2018).
Curah hujan merupakan parameter
meteorologi penting dalam siklus global dan
energi. Untuk aplikasi ilmiah dan
operasional, peta curah hujan global
beresolusi tinggi menjadi sangat dibutuhkan.
Radiometer gelombang mikro telah terbukti
sebagai sensor terbaik untuk memperkirakan
curah hujan dengan akurasi dan detail yang
dibutuhkan. Beberapa satelit yang membawa
radiometer gelombang mikro, seperti
TRMM, Aqua, DMSP-F13, 14, 15, saat ini
beroperasi. Data dari satelit radiometer ini
memungkinkan perkiraan distribusi curah
hujan global setiap hari yang sangat akurat.
Namun, pengambilan sampel dari satelit di
orbit rendah bumi memiliki kelemahan untuk
membuat peta presipitasi global beresolusi
tinggi dalam skala waktu per jam. Oleh
karena itu, perlu mengintegrasikan data infra
merah dari satelit geostasioner yang tidak
memiliki masalah pengambilan sampel.
Proyek penelitian yang disebut "Pemetaan
Presipitasi Satelit Global (GSMaP)" dimulai
pada tahun 2002 dan disponsori oleh Badan
Sains dan Teknologi Jepang (JST). Tujuan
utama proyek ini adalah mengembangkan
algoritme pengambilan curah hujan yang
dapat diandalkan berdasarkan model fisik
curah hujan, serta menghasilkan peta curah
hujan global dengan presisi dan resolusi
tinggi menggunakan data satelit. Hal ini
bertujuan untuk memberikan informasi dasar
bagi penelitian variasi curah hujan global dan
pengelolaan sumber daya air jangka panjang.
Dalam presentasi ini, akan diperkenalkan
proyek GSMaP dan metode integrasi yang
digunakan untuk menggabungkan data dari
beberapa radiometer gelombang mikro dan
inframerah (Ushio, T, et al., 2003).
Metode
Penelitian ini menggunakan metode analisis
curah hujan dengan menggunakan citra hasil
dari GSMaP Operational pada rentang waktu
Januari 2022 hingga Desember 2022. Analisis
dilakukan di enam lokasi Kecamatan yang
termasuk dalam Calon Daerah Otonomi Baru
(CDOB) Kabupaten Tasik Selatan. Alat yang
digunakan dalam penelitian ini adalah situs
aplikasi Earth Engine yang dapat diakses
melalui browser.
Hasil dan Pembahasan
Hasil dari penelitian ini menyajikan kondisi
curah hujan di 6 titik lokasi pengamatan antara
lain:
a. Cikalong : 108.17125239440666,-
7.7690478056398415]
b. Cipatujah : 108.01726682465033,-
7.72817563389998
c. Cibalong : 108.16051106546972,-
7.515562249616113
d. Cikatomas : 108.2635078916416,-
7.617662210888257
e. Culamega : 108.0316863803144,-
7.5648461501317374
f. Karangnunggal : 108.13742978851752,-
7.6376715972246325
Pada rentan waktu periode pengamatan dapat
diamati pada gamabar :
 hujan Maret 2022

Gambar.1 Hasil script earth engine data curah

hujan Januari 2022 Gambar.4 Hasil script earth engine data curah
hujan April 2022

Gambar.2 Hasil script earth engine data curah

hujan Februari 202 Gambar.5 Hasil script earth engine data curah huja
Mei 2022

Gambar.3 Hasil script earth engine data curah

Gambar.6 Hasil script earth engine data curah
hujan Juni 2022

Gambar.9 Hasil script earth engine data curah

hujan Sepetember 2022

Gambar.7 Hasil script earth engine data curah

hujan Juli 2022

Gambar.10 Hasil script earth engine data curah

hujan Oktober 2022

Gambar.8 Hasil script earth engine data curah

hujan Agustus 2022

Gambar.11 Hasil script earth engine data curah

hujan November 2022
 7.72817563389998);
var point3 =
ee.Geometry.Point(108.16051106546972, -
7.515562249616113);
var point4 =
ee.Geometry.Point(108.2635078916416, -
7.617662210888257);
var point5 =
ee.Geometry.Point(108.0316863803144, -
7.5648461501317374);
var point6 =
ee.Geometry.Point(108.13742978851752, -
Gambar.12 Hasil script earth engine data curah 7.6376715972246325);
hujan Desember 2022
Dalam penelitian ini, Earth Engine
var chart = ui.Chart.image.seriesByRegion({
digunakan untuk pengelolaan data. Earth
Engine menggunakan Bahasa Pemrograman imageCollection: precipitation,
JavaScript sebagai bahasa pengkodean
regions: [point1, point2, point3, point4, point5,
disajikan sebagai berikut:
point6],
var dataset =
reducer: ee.Reducer.mean(),
ee.ImageCollection('JAXA/GPM_L3/GSMa
P/v6/operational') scale: 1000,
.filter(ee.Filter.date('2022-01-01', xProperty: 'system:time_start',
'2022-01-31'));
})
var precipitation =
dataset.select('hourlyPrecipRate'); .setOptions({
title: 'Grafik Temporal Curah Hujan',
var precipitationVis = {
min: 0.0, vAxis: { title: 'Curah Hujan (mm/jam)' },

max: 30.0, hAxis: { title: 'Tanggal' },

palette: series: {

['1621a2', 'ffffff', '03ffff', '13ff03', 0: { label: 'Cikalong' },

'efff00', 'ffb103', 'ff2300'], 1: { label: 'Cipatujah' },
}; 2: { label: 'Cibalong' },

3: { label: 'Cikatomas' },
var point1 = 4: { label: 'Culamega' },
ee.Geometry.Point(108.17125239440666, -
7.7690478056398415); 5: { label: 'Karangnunggal' },

var point2 = },
ee.Geometry.Point(108.01726682465033, - });
 horizontal (hAxis), serta label untuk masing-
masing rangkaian data (lokasi) menggunakan
print(chart);
parameter `series`.
Script tersebut digunakan untuk
Hasilnya, grafik yang dihasilkan akan
menghasilkan grafik curah hujan temporal
menampilkan variasi temporal curah hujan
berdasarkan rentang tanggal dan lokasi yang
untuk lokasi-lokasi yang telah ditentukan
ditentukan. Pada awal script, dilakukan
(Cikalong, Cipatujah, Cibalong, Cikatomas,
penentuan rentang tanggal dengan
Culamega, dan Karangnunggal) selama rentang
menggunakan fungsi `ee.Filter.date` untuk
tanggal yang telah ditentukan (Desember 2022).
menetapkan bulan Desember 2022.
Pada grafik tersebut, sumbu vertikal akan
Selanjutnya, menggunakan fungsi menunjukkan tingkat curah hujan dalam satuan
`ee.ImageCollection`, dilakukan milimeter per jam, sementara sumbu horizontal
pengambilan data curah hujan operasional akan menunjukkan tanggal. Setiap lokasi akan
GSMaP dari satelit JAXA. Data tersebut direpresentasikan dengan warna garis yang
difilter berdasarkan rentang tanggal yang berbeda dan dilengkapi dengan label yang
telah ditentukan menggunakan metode sesuai pada legenda grafik.
`filter`.
Data curah hujan yang dihasilkan, yang
merepresentasikan nilai curah hujan pada
rentang tanggal yang ditetapkan, disimpan
dalam variabel `precipitation`.
Untuk visualisasi data curah hujan, variabel
`precipitationVis` mendefinisikan parameter
seperti nilai minimum dan maksimum serta
palet warna yang digunakan dalam tampilan
grafik.
Selanjutnya, ditentukan enam titik lokasi Gambar.13 regresi linier dari rata-rata curah hujan
yang berbeda dengan menggunakan fungsi menggunakan matlab
`ee.Geometry.Point`. Setiap titik
Dalam program tersebut, data curah hujan untuk
merepresentasikan lokasi tertentu dengan
koordinat lintang dan bujur yang telah setiap lokasi disimpan dalam bentuk array.
ditentukan sebelumnya. Rata-rata curah hujan dihitung berdasarkan data

Dalam menghasilkan grafik, digunakan
fungsi `ui.Chart.image.seriesByRegion`
untuk memplot rangkaian waktu curah hujan
dari data yang telah disiapkan. Fungsi ini
membutuhkan masukan berupa koleksi
gambar curah hujan (`precipitation`), serta
parameter lainnya seperti daftar lokasi
(`regions`), metode reduksi (`reducer`), skala
(`scale`), dan properti x-axis (`xProperty`).
Melalui metode `.setOptions`, tampilan
grafik dapat disesuaikan, seperti judul grafik,
judul sumbu vertikal (vAxis) dan sumbu
lokasi hasil rata-rata yang ditetapkan sebagai
parameter terjadinya curah hujan. Selanjutnya,
dilakukan perhitungan regresi linier dengan
menggunakan metode kuadrat terkecil. Variabel
"x" digunakan untuk merepresentasikan lokasi,
sementara variabel "rata_curah_hujan" berisi
data rata-rata curah hujan. Regresi linier
dihitung dengan memanfaatkan matriks "X" dan
vektor "rata_curah_hujan". Hasil prediksi
regresi linier disimpan dalam variabel "y_pred".
Grafik hasil regresi linier ditampilkan dengan
menggunakan fungsi "plot". Pada grafik
tersebut, data observasi ditunjukkan dengan
titik merah, sementara garis biru
menggambarkan regresi linier. Label pada
sumbu-sumbu grafik dan judul grafik
ditambahkan untuk memberikan informasi
yang lebih jelas dan komprehensif.
Simpulan dan Saran
Dari informasi tabel yang diberikan, dapat
ditarik kesimpulan sebagai berikut:
1. Curah hujan pada setiap lokasi
bervariasi dari waktu ke waktu.
Terdapat fluktuasi dalam curah hujan
yang terjadi sepanjang tahun.
2. Beberapa lokasi memiliki pola curah
hujan yang relatif stabil, seperti
Cibalong dan Culamega yang memiliki
curah hujan rata-rata yang konstan
selama sebagian besar tahun.
3. Terdapat juga variasi yang signifikan
dalam curah hujan antara lokasi yang
berdekatan. Misalnya, pada bulan
September 2022, Karangnunggal
memiliki curah hujan yang lebih tinggi
dibandingkan dengan lokasi lainnya.
4. Pada bulan November 2022, terdapat
curah hujan yang tinggi di sebagian
besar lokasi, dengan curah hujan
tertinggi terjadi di Cikalong dan
Cipatujah.
Berdasarkan informasi ini, beberapa saran
yang dapat diberikan adalah:
1. Melakukan analisis lebih lanjut untuk
memahami faktor-faktor yang
mempengaruhi perbedaan curah hujan
antara lokasi yang berdekatan. Hal ini
dapat membantu dalam pemahaman
pola curah hujan setiap lokasi secara
lebih rinci.
2. Menggunakan metode pemantauan curah
hujan yang lebih canggih dan terus
menerus untuk memperoleh data yang
lebih akurat dan mendalam tentang pola
curah hujan di wilayah tersebut.
3. Melakukan pemantauan dan analisis
curah hujan secara berkala untuk
memperoleh informasi yang lebih
terperinci tentang perubahan curah hujan
dari waktu ke waktu.
4. Menggunakan informasi ini untuk
pengambilan keputusan yang lebih baik
dalam hal pengelolaan sumber daya air,
pertanian, atau pengendalian banjir di
wilayah tersebut.
Dalam kesimpulan, analisis data curah hujan ini
memberikan wawasan tentang variasi curah
hujan di lokasi yang diteliti, dan saran-saran
tersebut dapat digunakan untuk pemahaman
yang lebih baik tentang pola curah hujan di
wilayah tersebut serta pengelolaan sumber daya
yang efektif.
Daftar Pustaka
Jurnal GPM 1
Hou, A. Y., Kakar, R. K., Neeck, S., Azarbarzin, A.
A., Kummerow, C. D., Kojima, M., Oki, R.,
Nakamura, K., & Iguchi, T. (2014). The Global
Precipitation Measurement Mission, Bulletin of the
American Meteorological Society, 95(5), 701-722.
doi: https://doi.org/10.1175/BAMS-D-13-00164.1
Jurnal 2
Ushio, T., Okamoto, K. I., Iguchi, T., Takahashi, N.,
Iwanami, K., Aonashi, K., ... & Inoue, T. (2003). The
global satellite mapping of precipitation (GSMaP)
project. Aqua (AMSR-E), 2004
KHARISMA, S., & WIDOMURTI, L. (2018). Analisis
Hujan Lebat Dengan Menggunakan Data Citra
Satelit Di Kabupaten Banjarnegara (Studi Kasus 18
Juni 2016). Jurnal Material dan Energi
Indonesia, 8(01), 36-43.