PERFORMA DATA TMPA SEBAGAI PENGGANTI DATA CURAH HUJAN OBSERVASI

PERFORMA DATA TMPA SEBAGAI PENGGANTI DATA CURAH HUJAN OBSERVASI

Oleh: Yazid Berlianul ‘Abid (Taruna Jurusan Klimatologi STMKG)

Pengantar tentang Hujan

Curah hujan merupakan salah satu parameter cuaca yang sulit diprediksi. Kesulitan itu diakibatkan oleh karena curah hujan sendiri memiliki tingkat kergaman yang tinggi dari segi ruang maupun waktu, serta dinamika atmosfer sangat berpengaruh terhadap peristiwa ini. Selain itu, terdapat banyak faktor yang memengaruhi kejadian hujan di suatu daerah, seperti suhu udara, suhu permukaan laut, kelembaban udara, angin, serta kondisi geografis wilayah terkait.

Indonesia berada di antara Samudera Pasifik dan Samudera Hindia, serta berada di antara Benua Asia dan Australia sehingga Indonesia disebut sebagai negara maritim, dimana wilayah ini memiliki banyak persediaan uap air yang cukup untuk membentuk awan-awan konvektif. Uap air yang didapat berasal dari kedua samudera tersebut. Selain itu, Indonesia juga berada di ekuator sehingga pemanasan yang terjadi di wilayah ini mampu mendukung proses penguapan lautan yang berada di sekitar wilayah Indonesia. Oleh karena letak Indonesia yang diapit oleh dua samudera dan dua benua, serta berada di wilayah ekuator, menjadikan Indonesia hanya memiliki dua musim saja yakni musim hujan dan musim kemarau.

Gambar 1. Peta wilayah Indonesia dan pergantian Monsun Asia dan Australia (www.gurugeografi.id)

Secara umum, sebagian besar musim di wilayah Indonesia didominasi oleh akibat dari monsun, baik Monsun Asia maupun Monsun Australia. Monsun Asia yaitu ketika wilayah Asia memiliki suhu lebih dingin dibandingkan Australia, sehingga memicu adanya perbedaan tekanan di kedua wilayah tersebut. Akibatnya angin akan bertiup dari Asia ke Australia melewati Indonesia lalu dibelokkan dari sekitar wilayah Sumatera menuju Jawa dan Australia dan angin ini biasa disebut angin Muson Barat. Angin ini membawa massa udara yang basah dan kaya akan uap air sehingga pada saat angin Muson Barat bertiup, sebagian besar wilayah Indonesia terjadi musim hujan.

Sedangkan Monsun Australia terjadi ketika wilayah Australia lebih dingin dibandingkan wilayah Asia, sehingga memicu adanya perbedaan tekanan di kedua wilayah tersebut. Akibatnya angin akan bertiup dari Australia ke Asia melewati Indonesia. Angin ini biasa disebut angin Muson Timur. Angin ini membawa massa udara yang kering dan sedikit akan uap air sehingga pada saat angin Muson Timur bertiup, sebagian besar wilayah Indonesia terjadi musim kemarau.

Kondisi curah hujan sangat berpengaruh besar di beberapa sektor di Indonesia. Pada sektor pertanian, curah hujan sangat berpengaruh terhadap jadwal tanam serta pola tanam. Selain itu, pendugaan hujan musiman. Sedangkan pada sector sumber daya air, curah hujan berpengaruh terhadap ketersediaan sumber air bersih dimana curah hujan merupakan masukan utama untuk mengisi sebuah cadangan air di alam seperti waduk, danau, sungai, serta air tanah.

Pengenalan Data

Data observasi merupakan data yang paling utama dibandingkan dari yang diperoleh dari alat, baik itu alat pengamatan otomatis maupun dari satelit. Akan tetapi, data dari satelit maupun data dari alat otomatis tetap dapat ditingkatkan kualitasnya dengan cara membandingkannya dengan data observasi. Dalam membandingkan kedua data ini terdapat beberapa cara, bisa berupa regresi, autoregresi, analisis korelasi, dan lain sebagainya. Sehingga data hasil olahan ini akan menghasilkan nilai error yang terjadi dari data observasi. Semakin kecil nilai error yang keluar, maka data menjadi semakin berkualitas.

Pemanfaatan data yang diperoleh dari satelit sangat berguna dalam hal penelitian dan pengembangan untuk mempelajari peristiwa-peristiwa di atmosfer. Salah satunya yaitu mengestimasi nilai curah hujan yang tujun di suatu wilayah. Salah satu satelit yang mengukur curah hujan yaitu satelit TRMM (The Tropical Rainfall Measuring Mission). Data dari satelit ini sudah banyak digunakan untuk penelitian-penelitian di bidang meteorologi maupun klimatologi karena ketersediaan datanya yang cukup lengkap dan gratis. Akan tetapi, data yang diperoleh dari citra satelit tidak akan mampu menggantikan kualitas data dari observasi yang dilakukan oleh observer. Walau demikian, data ini tetap bisa digunakan sebagai pendekatan awal untuk mempelajari kondisi atmosfer yang sebenarnya.

(Huffman & Bolvin, 2007) mengatakan bahwa produk hujan TMPA (TRMM Multisatellite Precipitation Analysis) didasarkan pada penggunaan radar presipitasi TRMM (PR) dan TRMM Microwave Imager (TMI) yang dikombinasikan dengan laju curah hujan untuk mengkalibrasi perkiraan hujan dari pengukuran gelombang mikro dan inframerah (IR) lainnya. Serta berdasarkan keterangan (Metha & Yang, 2008) data set TMPA terdiri dari 45% presipitasi dari radiometer gelombang mikro pasif (TRMM-TMI, Aqua-Advanced Microwave Scanning Radiometer (Aqua- AMSR) dan Defense Meteorological Satellite Program – Special Sensor Microwave Imagers (DMSP-SSMIs)), 40% dari operasional frekuensi suara gelombang mikro (NOAA-AMSUs) dan pengukuran inframerah 15% dari satelit geostasioner (Geostationary Operational Environmental Satellite (GOES)) Meteosat/Meteosat Generasi Kedua (Meteosat/MSG).

Kendala Ketersediaan Data

Terdapat beberapa kendala dan permasalahan yang dihadapai oleh para peneliti dalam melakukan penelitian terkait hujan. Kendala dan permasalahan yang dihadapi tidak jauh dari ketersediaan data serta kelengkapan data, baik itu secara temporal maupun spasial. Selain itu, persebaran stasiun observasi maupun pos hujan masih belum merata dan walaupun stasiun maupun pos hujan sudah tersedia, terkadang stasiun dan pos hujan tersebut masih baru sehingga ketersediaan data time series tidak terlalu lengkap dan panjang. Oleh karena itu, para peneliti memanfaatkan satelit sebagai salah satu alat untuk mengestimasi keadaan di atmosfer, baik itu suhu, kelembaban, maupun presipitasi/hujan.

Ulasan Penelitian

Terdapat beberapa penelitian yang mencoba untuk menganalisa bagaiman performa dari data TRMM jika dibandingkan dengan data observasi di Indonesia. Penelitian pertama yaitu dilakukan oleh (As-Syakur et al., 2011) yang meneliti tentang perbandingan data TRMM dengan data rain gauge milik BMKG dengan skala temporal harian hingga bulanan dari tahun 1998 sampai tahun 2002 atau lima tahun. Sedangkan data TRMM menggunakan data TRMM TMPA (TRMM Multisaltelite Precipitation Analysis) TMPA 3B42 untuk data harian dan TMPA 3B43 untuk data bulanan. Pada penelitian yang dilakukan oleh As-Syakur dkk. menggunakan metode statistika dengan menghitung koefisien korelasi linear, Mean Absolute Error (MBE), Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE). Wilayah penelitian yang dilakukan hanya terbatas di daerah Bali yang mana termasuk ke dalam iklim monsunal dimana angin monsun bertiup dan berganti arah berdasarkan musimnya.

Secara umum, hasil dari penelitian yang dilakukan oleh As-Syakur dkk. menunjukkan bahwa rata-rata curah hujan bulanan yang dihasilkan dari data TMPA lebih rendah dibandingkan dengan data rain gauge. Rata-rata curah hujan dari rain gauge bernilai 203 mm/bulan sedangkan rata-rata curah hujan dari 3B42 bernilai 135.4 mm/bulan dan 3B43 bernilai 141.3 mm/bulan. Pada umumnya, koefisien korelasi yang dihasilkan dari data bulanan keduanya memiliki nilai yang tinggi, yakni 0.81 (3B42) dan 0.82 (3B43) akan tetapi banyak juga distribusi yang underestimate. MBE kedua data tersebut bernilai -33.50% untuk data 3B42 dan -30.60 untuk data 3B43%.

Sedangkan untuk nilai error statistic yang dihasilkan cukup mirip, yakni untuk MAE bernilai 28% sedangkan RMSE berniali 34.12% untuk 3B42 dan 32.61% untuk 3B43.

Gambar 2. Timeseries Curah Hujan Bulanan (As-Syakur et al., 2011)

Akurasi curah hujan yang dihasikkan dari kedua data 3B42 dan 3B43 dengan data rain gauge cukup mirip sebagaimana yang ditunjukkan dari nilai koefisien korelasi. Secara error, data 3B43 memiliki kualitas lebih baik dibandingkan data 3B42 walaupun hanya memiliki perbedaan yang kecil. As-Syakur menutup penelitiannya dengan menyatakan bahwa data TMPA memiliki potensi untuk dijadikan sebagai pengganti data rain gauge terutama pada data bulanan jika inkonsistensi dan nilai error diperhitungkan.

Penelitian lain terkait evaluai data TRMM juga dilakukan oleh (Vernimmen et al., 2012) yang mengevaluasi dan memberikan koreksi data tersebut untuk melihat apakah dengan memberikan perlakuan berupa koreksi bias dapat memperbagus kualitas data yang dihasilkan. Penelitian tersebut mengambil sampel di enam daerah yaitu Jakarta, Bogor, Bandung, Jawa Timur, Banjar Baru, dan Lampung. Data yang digunakan pada penelitian Vernimmen dkk menggunakan data satelit salah satunya yaitu TMPA 3B42RT atau data real time dengan time step 3 jam dan sebagai verivikasi menggunakan data observasi di keenam daerah tersebut dengan menggunakan skala temporal dari tahun 2003 – 2008.

Pada penelitian Vernimmen dkk. ketika belum dilakukan koreksi, data dari 3B42RT underestimate pada bulan-bulan kering dan overestimate pada bulan-bulan basah. Secara periode tahunan, ketika tanpa koreksi, rata-rata relative bias berada pada nilai 0.3. RMSE menunjukkan nilai 77.3% dan R2 berada di nilai 0.87. Sedangkan ketika telah dilakukan koreksi rata-rata relative bias menjadi 1.0, RMSE turun menjadi 66.44, dan R2 naik menjadi 0.88. Adapun secara keseluruhan, curah hujan bulanan tanpa koreksi memiliki nilai korelasi sebesar 0.78 sedangkan ketika telah dilakukan koreksi menjadi 0.93.

Gambar 3. Perbandingan Curah Hujan Bulanan Data Observasi dengan TMPA 3B42RT Sebelum dan Sesudah dikoreksi (Vernimmen et al., 2012)

Koreksi yang dilakukan pada data TMPA memberikan peningkatan akurasi berdasarkan koreksi bias. Vernimmen dkk. juga menuliskan bahwa data ini cukup akurat untuk digunakan sebagai penamtauan curah hujan secara real time serta perkembangan kondisi kekeringan di Indonesia sebagai upaya dukungan terhadap pengelolaan sumber daya air, pertanian, dan pencegahan kebakaran.

Adapun pada penelitian yang dilakukan oleh (Mamenun et al., 2014) yang mencoba untuk memvalidasi data satelit TRMM pada tiga pola hujan yang ada di Indonesia. Metode yang digunakan oleh Manemun dkk. adalah dengan mencari nilai korelasi terbaik dari beberapa model. Model-model yang digunakan yakni model regresi linear, geometric, logaritmik, dan eksponensial. Koefisien korelasi yang terbaik dari model-model tersebut itulah yang menjadi modal awal untuk melakukan koreksi pada data TRMM. Selain itu ada pula analisis statistika berupa perhitungan nilai RMSE, MAE, serta relative bias.

Lokasi yang digunakan oleh Manemun dkk. yaitu di Lampung, Jawa Timur, dan Kalimantan Selatan sebagai perwakilan pola hujan monsunal, Sumatera Utara dan Kalimantan Barat sebagai perwakilan pola hujan equatorial, dan Maluku sebagai perwakilan pola hujan lokal. Sedangkan data yang digunakan adalah data observasi dari ke enam daerah tersebut dan data TRMM TMPA 3B42RT dengan time step 3 jam dan skala temporal yang sama untuk kedua data tersebut, yakni dari tahun 2003-2009.

Hasil dari penelitian tersebut mengatakan bahwa di wilayah yang memiliki pola hujan monsunal (Lampung dan Kalimantan Selatan), intensitas curah hujan dari data TRMM cenderung lebih tinggi (overestimate) dibandingkan dengan data curah hujan observasi, sedangkan untuk daerah Jawa Timur justru malah lebih rendah (underestimate). Pada wilayah dengan pola hujan equatorial (Sumatera Utara dan Kalimantan Barat), data TRMM menunjukkan pola yang lebih tinggi (overestimate) dan untuk wilayah dengan pola hujan lokal (maluku) justru memiliki curah hujan yang lebih rendah (underestimate).

Gambar 4. Perbandingan Curah Hujan Data Observasi dengan Data TMPA 3B42RT Sebelum dan Sesudah dikoreksi (Mamenun et al., 2014)

Secara statistika, nilai korelasi dari kelima data tersebut cenderung bagus, yakni pola monsunal (Lampung, Jawa Timur, dan Kalimantan Selatan) masing-masing bernilai 0.88, 0.94, 0.83, pola equatorial (Sumatera Utara dan Kalimantan Barat) masing-masing bernilai 0.69 dan 0.78, dan pola lokal (Maluku) bernilai 0.78. sedangkan untuk nilai RMSE pola monsunal masing- masing berniali 84, 58, dan 63, untuk pola equatorial masing-masing bernilai 158 dan 97, dan untuk pola lokal bernilai 173.

Setelah dilakukan koreksi, terjadi perubahan angka statistika. Untuk koefisien korelasi menjadi bertambah untuk pola hujan monsunal masing-masing menjadi 0.90, 0.96, dan 0.84, untuk pola equatorial masing-masing bernilai 0.70 dan 0.79, dan untuk pola lokal berniali 0.78. sedangkan untuk nilai RMSE pada pola monsunal masing-masing bernilai 50, 69, dan 61, untuk pola equatorial masing-masing bernilai 66 dan 87, dan untuk pola lokal bernilai 135.

Sebagai kesimpulan, Manemun dkk. menuliskan bahwa data TRMM pada pola hujan monsunal, pola dan intensitasnya cukup mendekati data hujan observasi. Pada wilayah dengan pola equatorial menunjukkan data overestimate ketika musim hujan. Sedangkan untuk pola lokal menunjukkan data underestimate pada musim hujan dan cukup mendekati dengan data observasi ketika musim kemarau. Koreksi yang telah dilakukan menunjukkan terjadi penurunan nilai error dan peningkatan nilai korelasi antara data TRMM dengan data observasi.

Kesimpulan

Berdasarkan ketiga ulasan jurnal diatas, ketiganya menunjukkan bahwa data TRMM TMPA baik itu 3B42RT (3 jaman), 3B42 (harian), ataupun 3B43 (bulanan) memiliki korelasi yang cukup baik. Bahkan dari kedua jurnal memberikan perlakuan tambahan yaitu memberikan faktor koreksi untuk mendapatkan hasil yang lebih baik dan hasilnya menujukkan peningkatankorelasi antara data TRMM dengan data curah hujan observasi. Ketiganya juga memberikan pernyataan bahwa data TRMM ini cukup mampu untuk digunakan sebagai pengganti data observasi.

Sebagai kesimpulan berdasarkan ulasan di atas, maka dapat dikatan bahwa data TRMM ini mampu menggantikan data observasi dan akan menjadi lebih baik lagi jika dilakukan koreksi terlebih dahulu sebelum digunakan. Karena perlakuan yang sama di lokasi yang berbeda tidak selalu menunjukkan hasil yang sama pula. Oleh karena itu, koreksi perlu dilakukan. Akan tetapi, bukan berarti dengan pernyataan bahwa TRMM mampu menggantikan data observasi, itu adalah pernyataan yang sangat keliru. Jika selama data observasi masih tersedia maka data TRMM ini tidak akan kalah dengan data observasi. Data TRMM dapat digunakan jika memang data observasi tidak tersedia atau kurang lengkap dengan catatan jika data terlebih dahulu dilakukan koreksi.

Data ini juga sering dipakai untuk menganalisa pola hujan yang terjadi, dinama data jika menggunakan data observasi akan sangat menyulitkan. Kesulitan itu dapat berupa data yang tidak semuanya lengkap, stasiun yang tidak merata, kosongnya data, bahkan untuk memetakan peta berdasarkan data observasi akan sedikit lebih rumit dibandingkan data TRMM. Karena data TRMM sudah berupa data grid sehingga untuk pemetaan pola hujan akan lebih mudah.

Referensi

  • As-Syakur, A. R., Tanaka, T., Prasetia, R., Swardika, I. K., & Kasa, I. W. (2011). Comparison of TRMM multisatellite precipitation analysis (TMPA) products and daily-monthly gauge data over Bali. International Journal of Remote Sensing, 32.
  • Huffman, G. J., & Bolvin, D. T. (2007). TRMM and Other Data Precipitation Data Set Documentation.
  • Mamenun, Pawitan, H., & Sophaheluwakan, A. (2014). VALIDASI DAN KOREKSI DATA SATELIT TRMM PADA TIGA POLA HUJAN DI INDONESIA. Jurnal Meteorologi Dan Geofisika, 15.
  • Metha, A. V., & Yang, S. (2008). Precipitation climatology over theMediterranean basin from ten years of TRMM measurements. Advanced Geosciences, 17.
  • Vernimmen, R. R. E., Hooijer, A., Mamenun, Aldrian, E., & Dijk3, A. I. J. M. van. (2012). Evaluation and bias correction of satellite rainfall data for drought monitoring in Indonesia. Hydrology and Earth System Science, 16.
  • www.gurugeografi.id (diakses pada 1 Juli 2021 pukul 21.30 WIB)

veanti

Siapa penulis utama veantiworld.com? Blog ini dibuat, dikelola, dan ditulis oleh Desak Putu Okta Veanti. Penulis adalah dosen jurusan klimatologi dan juga salah satu lulusan terbaik Sekolah Tinggi Meteorologi Klimatologi dan Geofisika. Penulis lulus Master Program of School of Integrated Climate System Science, University of Hamburg, Germany pada tahun 2017. Saat ini penulis aktif menekuni pekerjaan sebagai dosen, menulis blog, belajar Python, meningkatkan kemampuan bahasa asing, serta mencari informasi mengenai pseudo-science seperti astrologi dan tarot.

Tinggalkan Balasan