27981-Article Text-82527-90370-10-20230531
27981-Article Text-82527-90370-10-20230531
dibandingkan dengan uji parametrik yang dan regional (Reshmidevi dkk., 2018). Model
memerlukan asumsi data berdistribusi iklim yang digunakan dalam penelitian ini
normal. Hal ini disebabkan karena kejadian di adalah CanESM5 (The Canadian Earth
alam ini tidak terdistribusi normal secara System Model version 5), yang merupakan
sempurna. Pada uji hipotesis digunakan salah satu model iklim pada Assesmen Report
tingkat signifikansi = 5% dengan nilai Zcr (AR6) yang dikeluarkan IPCC tahun 2022.
adalah 1,65. Model CanESM5 merupakan model global
yang dikembangkan untuk mensimulasikan
Uji statistik kecenderungan (S) Mann-
historis perubahan dan variabilitas iklim,
Kendall didefinisikan sebagai berikut:
membuat proyeksi iklim masa depan skala
S=P–M (1)
seratus tahun, serta untuk menghasilkan
dengan P adalah banyaknya kejadian dimana prediksi musiman dan dekade. Menurut
yi > yj dan M adalah banyakya kejadian yi < Hausfather (2019), CanESM5 memiliki
yj; dimana i urutan data ke 1 hingga n-1dan j sensitivitas iklim keseimbangan yang lebih
urutan data i +1 hingga n. tinggi (5.6 K) dibandingkan dari beberapa
model iklim lainnya yang tergabung dalam
Parameter statistik yang digunakan dalam
Couple Model Intercomparasion Project,
metode Mann-Kendall adalah parameter Z.
Phase 6 (CMIP6).
Parameter uji statistik Z dihitung dengan:
𝑆>0 Skenario yang digunakan dalam CMIP6
⎧ ( ) (2016-2021) dan IPCC Sixth Assessment
𝑍= 0 𝑆= 0 (2) Report (AR6) 2021 adalah Shared Socio-
⎨
𝑆<0 economic Pathways (SSPs). SSPs merupakan
⎩ ( )
skenario proyeksi perubahan sosial ekonomi
( )( ) ∑ ( )( )
global hingga tahun 2100 yang digunakan
Var(S) = (3) untuk menurunkan skenario emisi gas rumah
kaca dan skenario penggunaan lahan dengan
Dengan n panjang tahun data hujan; m jumlah kebijakan iklim yang berbeda (ONAD, 2022).
pasangan data yang bernilai sama; 𝑡i jumlah Skenario iklim SSP yang digunakan dalam
data dalam kumpulan data runtun ke-I; dan kajian adalah SSP 3-7,0 atau disebut juga
Var(S) varian dari S; sebagai skenario Regional Rivalry. Skenario
Dasar dari pengambilan keputusan trend SSP 3-7,0 menunjukkan peningkatan emisi
untuk metode uji Mann-Kendall (Pratiwi, CO2 dan suhu sekitar dua kali lipat pada tahun
2012) ditunjukkan pada Tabel 2. 2100. Pada kondisi skenario iklim ini, suhu
rata-rata akhir abad telah meningkat sebesar
Tabel 2. Dasar pengambilan keputusan trend
3,6°C.
dengan Metode Uji Mann-Kendall
Downscaling
Nilai S Nilai Zuji dan Zkritik Keimpulan
Positif Zuji > Zkritik Trend meningkat Downscaling adalah sebuah teknik peramalan
Positif Zuji ≤ Zkritik Tanpa trend iklim yang mampu memperhitungkan dari
perubahan dan perkembangan suatu daerah
Negatif Zuji > Zkritik Trend menurun
berdasarkan data iklim global. Statistical
Zuji ≤ Zkritik
Negatif
CV < 1
Trend tetap downscaling dikembangkan dengan asumsi
Zuji ≤ Zkritik bahwa kondisi iklim regional dipengaruhi
Negatif Tanpa trend
CV 1 oleh iklim lokal sebagaimana pengaruhnya
dari iklim atmosfer secara luas/global.
Model iklim
Berdasarkan asumsi ini maka dapat dikatakan
Beberapa penelitian mengenai dampak bahwa iklim lokal memiliki variabel-variabel
perubahan iklim menyatakan bahwa Global statistik yang sama dengan iklim global.
Climate Model (GCM) menjadi sarana utama Persamaan variabel tersebut kemudian
yang digunakan dalam simulasi iklim global digunakan untuk mencari hubungan
Jannah, dkk. – Kajian perubahan iklim di DKI Jakarta berdasarkan data curah hujan 45
E-ISSN: 2746-0185
parameter iklim skala global (predictor) mengembangkan sebuah model regresi linier
dengan variabel iklim lokal (predictand) berganda antara beberapa variabel predictor
sehingga didapatkan nilai proyeksi simulasi yang dipilih dengan predictant seperti suhu
perubahan atau proses downscaling GCM dan curah hujan (Khan dkk., 2006). SDSM
pada iklim historis maupun masa depan yang merupakan kombinasi dari model fungsi
berskala lokal. transfer dan pendekatan stochastic weather
generator dengan menggunakan dua jenis
Statistical downscaling model (SDSM)
data yaitu data prediktan lokal (hujan
SDSM adalah perangkat lunak yang observasi) dan data prediktor skala besar
dikembangkan untuk menghasilkan skenario (NCEP reanalysis) dari area studi (Hashmi
perubahan iklim beresolusi tinggi (Wilby dkk., 2011). Berikut adalah kumpulan 26
dkk., 2004). SDSM digunakan untuk variabel prediktor NCEP untuk periode 1979-
membantu proses downscaling dengan 2014 yang dapat dilihat pada Tabel 3.
Apabila pengambilan keputusan uji Mann tingkat signifikansinya diabaikan, dimana Zuji
kendall hanya mengacu pada nilai Zuji dengan bernilai positif berarti peningkatan dan Zuji
Jannah, dkk. – Kajian perubahan iklim di DKI Jakarta berdasarkan data curah hujan 47
E-ISSN: 2746-0185
bernilai negatif berarti penurunan, maka hasil meskipun hasil uji Mann kendall pada
penelitian menunjukkan bahwa kejadian umumnya tidak menujukkan trend yang
hujan cenderung mengalami peningkatan signifikan.
seperti yang ditunjukkan pada Gambar 1
(a)
(b)
(c)
Gambar 1. (a) Hujan tahunan rerata kondisi historis; (b) Curah hujan maksimum kondisi; (c) Jumlah hari
hujan kondisi
Berdasarkan hasil yang diperoleh, korelasi dan simulasi tahap validasi berkisar antara
terbesar antara anomali curah hujan dengan 0,06-0,40 mm/hari dengan nilai hasil RMSE
data predictor dominan dipengaruhi oleh yang dihasilkan yaitu 9,91-16,31. Nilai RMSE
pergerakan angin. Super predictor (SP) untuk pada tahap validasi menunjukan nilai yang
masing-masing stasiun yaitu ketinggian cenderung lebih besar dibandingkan dengan
geopotensial pada 500 hPa (ncpes500gl) tahap kalibrasi. Hal ini dikarenakan periode
untuk stasiun Halim, angin meridional 500 data yang digunakan dalam tahap kalibrasi
hPa (ncepp5_vgl) untuk stasiun Tangerang lebih panjang dari data periode validasi.
Selatan, serta angin zonal 850 hPa Keterbatasan data predictand dimana data
(ncepp8_ugl) untuk stasiun Tanjung Priok, hujan yang digunakan untuk kalibrasi terbatas
stasiun Soekarno Hatta, dan stasiun dengan panjang kurang dari 30 tahun,
Kemayoran. Hal ini juga sesuai dengan kajian menjadikan nilai RMSE hasil downscalling
yang dilakukan oleh Safril (2012) yang pada semua stasiun hujan cenderung tinggi.
menyatakan bahwa variabel prediktor paling Menuru Karlina (2013), idealnya agar proses
dominan dalam mempengaruhi curah hujan downscaling dapat maksimal, panjang data
pada Pulau Jawa yang berada di wilayah yang dibutuhkan minimal yaitu 30 tahun.
benua maritim adalah angin zonal paras 850
milibar (U850) serta suhu pada paras 2 m Analisis data hujan masa depan
(T2M). Hujan masa depan pada setiap stasiun
Kalibrasi model dengan menggunakan data diproyeksi untuk future period (FP) yaitu FP-
re-analysis II NCEP/NCAR dan GCM 1 (2025-2049), FP-2 (2050-2074) dan FP-3
CanESM5 pada periode histroris tahun 1998- (2075-2100) dengan skenario SSP 3.70.
2015. Sebanyak 100 ensemble diperoleh Proyeksi hujan tersebut dibandingkan dengan
dalam proses ini dan nilai rerata tiap ensemble periode historis dari masing-masing stasiun.
akan digunakan untuk mengevaluasi kinerja Curah hujan tahunan rerata pada umumnya
dari model tersebut. Berdasarkan nilai Root terjadi peningkatan di setiap periode masa
Mean Square Error (RMSE) dari kalibrasi depan bila dibandingkan dengan curah hujan
model, perbedaan curah hujan harian data rerata tahunan historis. Peningkatan terbesar
terukur dan data yang dimodelkan dengan pada FP-1 dan FP-3 terjadi pada stasiun Halim
NCEP/NCAR periode historis berkisar antara yaitu masing-masing sebesar 23,38% dan
0,01-0,36 mm/hari. Nilai RMSE berkisar 33,14%. Sedangkan pada FP-2, peningkatan
antara 7,10-15,37. terbesar terjadi pada stasiun Kemayoran yaitu
Validasi model dilakukan pada periode sebesar 21,69%.
historis tahun 2015-2022 menggunakan data Hasil analisis curah hujan maksimum
NCEP/NCAR. Perbedaan nilai hujan terukur proyeksi masa depan, cenderung
Jannah, dkk. – Kajian perubahan iklim di DKI Jakarta berdasarkan data curah hujan 49
E-ISSN: 2746-0185
musim berupa memanjangnya musim skenario SSP 3-7,0 untuk setiap periode dan
penghujan dan memendeknya musim Gambar 2 merupakan penjelasan secara
kemarau di masa mendatang. visualnya. Sedangkan untuk hasil analisi
kecenderungan dengan uji Man-Kendall pada
Tabel 8, 9, dan 10 menunjukkan presentase
proyeksi karakteristik hujan skenario SSP 3-
perubahan proyeksi karakteristik hujan
7,0 dapat dilihat pada Tabel 11, 12 dan13.
Tabel 8. Presentase perubahan curah hujan tahunan skenario SSP 3-7,0
Periode
No Stasiun Hujan
FP-1 FP-2 FP-3
1 Halim Meningkat 23,38% Meningkat 20,68% Meningkat 33,14%
2 Tanjung Priok Meningkat 13,61% Meningkat 17,13% Meningkat 11,35%
3 Soekarno Hatta Meningkat 15,48% Meningkat 21,94% Meningkat 21,51%
4 Tangerang Selatan Meningkat 11,46% Meningkat 5,80% Meningkat 9,57%
5 Kemayoran Meningkat 20,55% Meningkat 21,69% Meningkat 28,37%
Tabel 10. Presentase perubahan jumlah hari hujan skenario SSP 3-7,0
Periode
No Stasiun Hujan
FP-1 FP-2 FP-3
1 Halim Meningkat 9,99% Meningkat 3,59% Meningkat 15,80%
2 Tanjung Priok Meningkat 2,46% Meningkat 8,64% Meningkat 4,51%
3 Soekarno Hatta Meningkat 2,45% Meningkat 5,87% Meningkat 6,07%
4 Tangerang Selatan Meningkat 8,72% Meningkat 8,56% Meningkat 9,12%
5 Kemayoran Meningkat 7,04% Meningkat 10,14% Meningkat 12,84%
Tabel 11. Hasil Uji Mann-Kendall curah hujan tahunan masa depan
Nama stasiun S zuji Cv Kesimpulan
Halim 512 2,292 0,222 Trend Meningkat
Tanjung Priok 38 0,175 0,134 Tidak Ada Trend
Soekarno Hatta 532 2,381 0,131 Trend Meningkat
Tangerang Selatan -222 -1,000 0,123 Trend Tetap
Kemayoran 514 2,301 0,142 Trend Meningkat
Tabel 12. Hasil Uji Mann-Kendall curah hujan maximum masa depan
Nama stasiun S zuji Cv Kesimpulan
Halim 668 2,991 0,289 Trend Meningkat
Tanjung Priok 264 1,188 0,248 Tidak Ada Trend
Soekarno Hatta 288 1,287 0,281 Tidak Ada Trend
Tangerang Selatan 78 0,345 0,266 Tidak Ada Trend
Kemayoran 312 1,395 0,277 Tidak Ada Trend
Jannah, dkk. – Kajian perubahan iklim di DKI Jakarta berdasarkan data curah hujan 51
E-ISSN: 2746-0185
Tabel 13. Hasil Uji Mann-Kendall jumlah hari hujan masa depan
Nama stasiun S zuji Cv Kesimpulan
Halim 388 1,737 0,167 Trend Meningkat
Tanjung Priok 159 0,709 0,098 Tidak Ada Trend
Soekarno Hatta 422 1,890 0,079 Tidak Ada Trend
Tangerang Selatan -252 -1,136 0,074 Trend Tetap
Kemayoran 694 3,111 0,067 Trend Meningkat
Skenario SSP 3-7,0 menunjukan adanya SSP 3-7,0 dengan dibandingkan periode
kenaikan trend curah hujan tahunan pada historis, menujukkan curah hujan tahunan
masa depan di tiga stasiun yaitu stasiun Halim, rata-rata meningkat berkisar antara 5,80-
Soekarno Hatta, dan Kemayoran. Bila ditinjau 33,14%, curah hujan maksimum rata-rata
pada hasil analisis trend curah hujan meningkat berkisar antara 2,51-16,89% dan
maksimum masa depan, hanya stasiun Halim jumlah hari hujan meningkat berkisar antara
yang menunjukkan peningkatan seperti 2,45-15,80%. Bila ditinjau dengan analisis
halnya uji trend pada periode historis. trend periode masa depan, beberapa stasiun
Beberapa stasiun hujan lainnya cenderung hujan menunjukkan peningkatan yang
tidak menunjukan adanya trend yang signifikan pada parameter curah hujan
signifikan pada periode masa depan. tahunan. Sedangkan pada parameter curah
Sedangkan pada hasil analisis trend jumlah hujan maksimum dan jumlah hari hujan
hari hujan menunjukkan bahwa trend cenderung tidak ada trend.
meningkat hanya terjadi pada stasiun Halim
Secara umum, perubahan iklim menujukkan
dan stasiun Kemayoran.
peningkatan pada intensitas hujan tetapi tidak
Kesimpulan mengakibatkan perubahan pola curah hujan
monsun. Namun, pemanasan global
Hasil uji kecenderungan (trend) periode
berpotensi meningkatkan curah hujan di masa
historis dengan data hujan di Stasiun Halim
depan dan mempercepat dimulainya musim
Perdana Kusuma Jakarta, Stasiun Klimatologi
hujan
Tangerang Selatan, Stasiun Meteorologi
Maritim Tanjung Priok, Stasiun Meteorologi Daftar Pustaka
Kemayoran, dan Stasiun Meteorologi
Darmalantu, Kumara. (2014). Kajian Dampak
Soekarno Hatta dengan metode Man-Kendall
Perubahan Iklim Global Terhadap
menunjukkan bahwa sebagian besar kejadian
Karakteristik Hujan Di Wilayah
hujan yang terjadi tidak mengalami trend atau
Jabodetabek. Skripsi S1. Program Studi
perubahan yang signifikan. Trend positif atau
Teknik Sipil, Departemen Teknik Sipil
peningkatan curah hujan yang signifikan
dan Lingkungan, Fakultas Teknik,
hanya tampak pada satu stasiun hujan yaitu
Universitas Gadjah Mada.
pada stasiun hujan Halim Perdana Kusuma
Dasanto, B. D., R. Boer, B. Pramudya, and Y.
Jakarta.
Suharnoto. (2014). Evaluasi Curah
Prediksi hujan masa depan dilakukan dengan Hujan TRMM Menggunakan
cara downscaling menggunakan data ilkim Pendekatan Koreksi Bias Statistik. J.
global (GCM dan NCEP) sebagai predictors, Tanah dan Iklim, Vol. 38(1), 15– 24.
dan data hujan wilayah Jakarta sebagai Ekstrom, M., Grose, M.R. and Whetton, P.H.
predictands. Periode hujan masa depan pada (2015). An appraisal of downscaling
setiap stasiun diproyeksikan dalam tiga future methods used in climate change
period (FP) yaitu FP-1 (2025-2049), FP-2 research. Climatic Change, Vol. 6, 301–
(2050-2074) dan FP-3 (2075-2100) dengan 319. doi: 10.1002/wcc.339
skenario iklim SSP 3.70. Hasil analisis Hashmi, M.Z., A.Y. Shamseldin, and B.W.
proyeksi hujan masa depan dengan skenario Melville. (2011). Comparison of SDSM
and LARS-WG for Simulation and Pakistan and India. Theoretical and
Downscaling of Extreme Precipitation Applied Climatology, 113(1–2), 27–44.
Events in a Watershed. Stochastic Mishra, B.K., Rafiei Emam, A., Massago, Y.,
Environmental Research and Risk Kumar, P., Regmi, R.K., and Fukushi,
Assessment. 25(4), 475–84. K. (2018). Assesment of future flood
Hausfather, Zeke. (2019). CMIP6: the next inundations under climate and land use
generation of climate models explained. change scenario in the Ciliwung River
Carbon Brief. Basin, Jakarta. Journal of Flood Risk
https://www.carbonbrief.org/cmip6-the- Management Vol. 11, S555-S1136.
next-generation-of-climate-models- DOI: 10.1111/jfr3.12311
explained/ diakses pada tanggal 14 Juli M. Arnani dan I. Wedhaswary, Penjelasan
2022. Lengkap Penyebab Banjir Jakarta, 03
IPCC. (2022). Climate Change 2022: Impacts, Januari (2020) [Online].
Adaptation, and Vulnerability. https://www.kompas.com/tren/read/202
Contribution of Working Group II to the 0/01/03/092500065/penjelasan-
Sixth Assessment Report of the lengkap-penyebab-banjir-jakarta-curah-
Intergovernmental Panel on Climate hujan-terekstrem-hingga?page=all.
Change. H.-O. Pörtner, D.C. Roberts, diakses pada tanggal 24 Oktober 2022.
M. Tignor, E.S. Poloczanska, K. O’Gorman, P.A., (2015). Precipitation
Mintenbeck, A. Alegría, M. Craig, S. Extremes Under Climate Change.
Langsdorf, S. Löschke, V. Möller, A. Current Climate Change Reports Vol.1,
Okem, B. Rama (eds.). Cambridge 49-59. https://doi.org/10.1007/s40641-
University Press. In Press. 015-0009-3
IPCC. (2022). Summary for Policymakers, In: ONAD, Bhenjamin Jordan, Srivatsan V
Climate Change 2022: Impacts, Raghavan, Senfeng Liu, and Ngoc Son
Adaptation, and Vulnerability. Nguyen. (2022). Evaluation of future
Contribution of Working Group II to the rainfall over Southeast Asia using the
Sixth Assessment Report of the CMIP6 multi-model ensemble.
Intergovernmental Panel on Climate Research Square.
Change. H.-O. Pörtner, D.C. Roberts, Pepler, A. S, L. V. Alexander, J. P. Evans, and
M. Tignor, E.S. Poloczanska, K. S. C. Sherwood. (2016). Zonal winds
Mintenbeck, A. Alegría, M. Craig, S. and southeast Australian rainfall in
Langsdorf, S. Löschke, V. Möller, A. global and regional climatemodels,
Okem, B. Rama (eds.). Cambridge Climate Dynamics, Vol. 46 (1-2), 123–
University Press. In Press. 133.
Karlina. (2013). Analisis Kekeringan Pratiwi, E.P.A., Sujono, J., and Jayadi, R.
Meteorologis di Wilayah Kabupaten (2012). Kajian Variabilitas Curah Hujan
Wonogiri. Tesis, Program Pascasarjana di Wilayah Lereng Gunung Merapi
Fakultas Teknik Universitas Gadjah dengan Uji Mann-Kendall. Info Teknik,
Mada 13(1), 1-10.
Khan, M. S., Coulibaly, P., and Dibike, Y. Rahayu, H.P., Haigh, R., Amaratunga, D.,
(2006). Uncertainty analysis of Kombaitan, B., Khoirunnisa, D. and
statistical downscaling methods. Pradana, V. (2020). A micro scale study
Journal of Hydrology, Vol. 319(1-4), of climate change adaptation and
357-382. disaster risk reduction in coastal urban
Mahmood, R., and Babel, M. S. (2013). strategic planning for the Jakarta.
Evaluation of SDSM developed by International Journal of Disaster
annual and monthly sub-models for Resilience in the Built Environment, Vol.
downscaling temperature and 11, 119–133. doi: 10.1108/IJDRBE-10-
precipitation in the Jhelum basin, 2019-0073
Jannah, dkk. – Kajian perubahan iklim di DKI Jakarta berdasarkan data curah hujan 53
E-ISSN: 2746-0185
Reshmidevi, T. V., Kumar, D. N., Mehrotra, Suwarman, Rusmawan, Edi R., Yogi S.M.S,
R., and Sharma, A. (2018). Estimation Dasapta E.I. (2022). Kajian Perubahan
of the climate change impact on a Iklim di Pesisir Jakarta Berdasarkan
catchment water balance using an Data Curah Hujan dan Temperatur.
ensemble of GCMs. Journal of Buletin Oseanografi Marina Februari
Hydrology, Vol. 556, 1192-1204. 2022 Vol 11 (1), 99–110.
Silva, R.M., Celso A. G. Santos, Madalena DOI:10.14710/buloma.v11i1.42749
Moreira, João Corte-Real, Valeriano C. USGCRP (U.S. Global Change Research
L. Silva and Isabella C. Medeiros. Program). (2017). Climate science
(2015). Rainfall and river flow trends special report: Fourth National Climate
using Mann–Kendall and Sen’s slope Assessment, volume I. Wuebbles, D.J.,
estimator statistical tests in the Cobres D.W. Fahey, K.A. Hibbard, D.J.
River basin. Natural Hazards Vol. 77, Dokken, B.C. Stewart, and T.K.
1205–1221. Maycock, eds. doi:10.7930/J0J964J6.
Safril, A., Ulfiana A., (2012). Prediksi Curah Wilby, R. L., Charles, S. P., Zorita, E.,
Hujan Bulanan Menggunakan Metode Timbal, B., Whetton, P., and Mearns, L.
Statistical Downscaling di Pulau Jawa O. (2004). Guidelines for Use of
Dengan Pemilihan Prediktor Climate Scenarios Developed from
Berdasarkan Transpor Uap Air. Jurnal Statistical Downscaling Methods
Geografi Vol 11(1) (19-33). Analysis. 27(August), 1–27.