PROSIDING FGD Pemutakhiran Zona Musim di Indonesia 2018
EVALUASI TEORETIS KLASTERISASI ZONA MUSIM BMKG
DAN ALTERNATIFNYA (Studi Kasus Sulawesi)

Andang Kurniawan1*, Sudirman1, Wan Dayantolis2, dan Nuryadi1
1Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
2Stasiun Klimatologi Mempawah
*Email : This email address is being protected from spambots. You need JavaScript enabled to view it.


ABSTRAK
Zona Musim (ZOM) digunakan BMKG sebagai pendekatan curah hujan wilayah terkait dengan musim. Pada penyusunan ZOM 1981-2010, pendekatan klastering dilakukan. Sebelum membahas apa yang dapat dapat dirubah, tulisan ini akan mendokumentasikan ulang bagaimana klastering digunakan pada saat itu. Sejalan dengan rencana penyusunan ZOM 1991-2020, studi ini bertujuan mencari alternatif modifikasi penggunaan klastering dalam penyusunan ZOM. Secara garis besar, klastering ZOM 1981-2010 menggunakan jarak euklid dari rata-rata bulanan curah hujan yang disusun berdasar aglomerasi antara tautan tunggal atau tautan lengkap. Alternatif modifikasi yang dapat dilakukan secara teoretis adalah: 1.) data yang dipakai adalah data dasarian deret waktu tanpa perata-rataan; 2.) penggunaan jarak manhattan; 3.) transformasi data dalam bentuk biner; 4.) data grid digunakan untuk mengisi data kosong; dan 5.) ditekankannya penggunaan tautan lengkap. Sebuah studi kasus dilakukan untuk mendemonstrasikan alternatif tersebut. Data yang dipakai adalah data grid CHIRPS UCSB wilayah Sulawesi (127,10 BT – 117,05 BT; 7,80 LS-5,60 LU) 1981-2010 dengan 149 titik pengamatan hujan sebagai koreksi. Pengolahan dilakukan dengan menggunakan skrip VBA, R statistics, dan SAGA. Hasil menunjukkan bahwa data kosong dapat diatasi dengan penggunaan data grid terkoreksi sehingga klastering yang sebelumnya menggunakan 12 data bulanan tiap titik dapat dilakukan menggunakan 1080 data dasarian dari 6066 titik. Menggunakan plot jumlah klaster tautan lengkap terhadap jarak manhattan data biner (Plot JK-JMB), dapat dijelaskan seberapa perbedaan maksimum yang mungkin terjadi dalam satu klaster sehingga justifikasi terhadap kesalahan dalam satu klaster lebih terukur. Hasil klaster tautan lengkap jauh berbeda dengan tautan tunggal. Metode yang lebih mungkin dipakai adalah tautan lengkap. Studi ini relatif murah untuk diduplikasi karena dilakukan hanya dengan menggunakan komputer i7 RAM 8GB dan beberapa piranti sumber terbuka. Secara umum, studi ini mampu menunjukkan bahwa terdapat beberapa alternatif modifikasi yang dapat mempermudah interpretasi suatu hasil klastering calon ZOM..

Kata Kunci : jarak manhattan, data biner, plot JK-JMB, tautan lengkap

ABSTRACT

Zone of Musim (ZOM) used by BMKG as the approach of spatial rainfall information associated with season. In constructing ZOM 1981-2010, clustering approach was conducted. Before discussing any alternative, this paper will re-document how clustering was used at the time. In line with the reconstructing ZOM using 1991-2020 data, the aim of this study is looking for alternative modifications on clustering method in constructing ZOM. In general, clustering in ZOM of 1981-2010 used euclidean distance from rainfall monthly averages that are arranged based on agglomerative clustering using single linkage or complete linkage. Alternative modifications that can be carried out theoretically are: 1.) data used are decade (~ten days) data time series without averaging; 2.) use of manhattan distance; 3.) transforming data into binary form; 4.) data grid used to fill empty data; and 5.) emphasized the use of complete linkage. A case study was conducted to demonstrate the alternative. CHIRPS UCSB is used as grid data of Sulawesi region (127.10 E – 117.05 E; 7.80 S – 5.60 N) 1981-2010 with 149 rainfall observation points as correction. Processing is done using VBA, R statistics, and SAGA scripts. The results show that the blank data can be filled using corrected grid data so that clustering previously using 12 monthly data per point can be done using 1080 decades data from 6066 points. Using plot which connect number of cluster and binary manhattan distance (NC-BMD plot), it can be better explained how maximum difference may occur in a cluster so that justification of error in one cluster is more measurable. Complete linkage cluster result is much different from single linkage. A more recommended method is complete linkage. This study is relatively inexpensive to be duplicated because it is done only by using i7 8GB RAM computer and open source softwares. In general, this study is able to show that there are several alternative modifications that can simplify interpretation of clustering-based ZOM result.

Keywords : manhattan distance, binary data, NC-BMD plot, complete linkage

PENDAHULUAN
Badan Meteorologi Klimatologi dan Geofisika (BMKG) sesuai UU nomor 31 tahun 2009 merupakan badan resmi penyelenggara pelayanan informasi prakiraan musim. Musim merupakan periode dengan unsur iklim yang mencolok, misal musim hujan ditandai dengan jumlah curah hujan yang berlimpah (Tjasyono, 2006). Dengan wilayah yang begitu luas dan pengamatan terbatas, Zona Musim (ZOM) digunakan BMKG sebagai pendekatan curah hujan wilayah terkait dengan musim. BMKG (2012) mendefinisikan ZOM sebagai daerah yang pola hujan rata-ratanya memiliki perbedaan yang jelas antara periode musim kemarau dan musim hujan. Rata-rata yang kurang menggambarkan kondisi umum variabilitas titik di dalamnya belakangan ini menjadi masalah (Dayantolis dkk., 2016).
ZOM BMKG yang ada sekarang merupakan hasil pengembangan dari Daerah Prakiraan Musim (DPM) sejak 1976. Pada waktu itu, jumlah DPM hanya 21. Seiring bertambahnya jaringan pengamatan curah hujan, sekarang terdapat 342 ZOM hasil penyusunan dengan basis data 1981-2010. Pada penyusunan ZOM tersebut metode klastering digunakan. Beberapa studi sudah menggunakan klastering dalam pengelompokkan curah hujan (Badr dkk., 2016; Andika, 2015). Namun, sebelum membahas apa yang dapat dapat dikembangkan, tulisan ini akan mendokumentasikan ulang bagaimana klastering digunakan sebagai dasar penyusunan ZOM pada saat itu. Beberapa hal yang sulit diinterpretasikan secara klimatologis kemudian akan menjadi target modifikasi.
Sejak ZOM 1981-2010 dibuat, perkembangan data grid maupun kemampuan komputer sudah berkembang relatif pesat. Data grid seperti TRMM, CMORPH, dan CHIRPS mulai bermunculan serta dapat diakses oleh publik. Peluang penggunaan data grid dengan titik yang lebih banyak menjadi lebih terjangkau. Sejalan dengan rencana penyusunan ZOM 1991-2020, studi ini bertujuan mencari alternatif modifikasi penggunaan klastering dalam penyusunan ZOM.

Penggunaan klastering dalam penyusunan ZOM mengakibatkan dampak tertentu. Klastering merupakan klasifikasi yang tidak memiliki supervisi atau syarat yang pasti di awal penentuan sehingga tujuannya adalah mencari pola yang secara alamiah terbentuk atau tersembunyi dalam kumpulan data (Xu dan Wunsch, 2009). Batasan dari klastering ditentukan setelah melihat pola pengelompokkan yang ada. Subjektivitas dalam klastering, termasuk di dalamnya kasus ZOM, adalah konsekuensi logis yang harus diterima.
ZOM 1981-2010 BMKG dibuat menggunakan data curah hujan (CH) kumulatif dengan periode bulanan yang dirata-ratakan dari tahun 1981 – 2010. Sehingga tiap titik diwakili oleh 12 data. Dari 12 data antar titik tersebut kemudian dihitung jaraknya menggunakan pendekatan jarak euklid yang rumusnya adalah sebagai berikut (Wilks, 2006).

‖x-y‖= √(∑_(k=1)^K▒〖(x_k-y_k)〗) ...(1)

Variabel x dan y merupakan nilai curah hujan pada dimensi waktu yang sama. k dalam kasus ZOM 1981-2010 bernilai 12 karena terbentuk dari 12 bulan hasil rata-rata (Januari-Desember). Dari sumber yang sama (Wilks, 2006) dikatakan bahwa jarak ini dalam dimensi lebih dari tiga, sulit untuk dibayangkan. Hal ini menunjukkan bahwa penggunaan jarak euklid untuk 12 dimensi (waktu) curah hujan bulanan sebenarnya kurang tepat secara teori.
Hasil yang berupa matriks jarak kemudian digunakan sebagai dasar pembentukan klastering dengan menggunakan pendekatan aglomeratif. Pendekatan aglomerarif yang dipakai dalam ZOM 1981-2010 adalah antara tautan tunggal (single linkage) atau tautan lengkap (complete linkage). Hal yang dilakukan selanjutnya adalah mencari titik pemotongan optimum dengan menggunakan dua grafik berikut.

Gambar 1. Dendogram
Dendogram digunakan untuk melihat titik temu antar titik pada jarak tertentu. Grafik ke dua (Gambar 2) adalah plot jarak terhadap langkah dalam penggabungan.

Gambar 2. Plot jarak-langkah
Meski dapat menunjukkan letak di mana lonjakan jarak terjadi dalam pembentukan klaster, namun interpretasi klimatologis dari plot di atas hampir tidak mungkin didapatkan. Jarak yang ada pada garis vertikal kurang menunjukkan makna klimatologis.
Dari dua plot di atas, jumlah klaster ditentukan. Setelah itu, plot dilakukan dan dengan menyandingkan kontur ketinggian, digitasi dilakukan secara manual. Ketinggian digunakan karena diasumsikan mempengaruhi pola hujan. Dalam hal ini penggunaan model curah hujan terhadap ketinggian sebenarnya lebih baik dilakukan, baru setelah itu data grid yang sudah mempertimbangkan ketinggian diklaster.
Faktor letak juga diperhatikan sehingga titik yang memiliki hasil pengelompokkan sama namun berada di tempat yang relatif jauh dijadikan ZOM yang berbeda. Hal ini merupakan salah satu penyebab bertambah banyaknya jumlah ZOM. Dengan menggunakan data grid, analisis ini dapat dipermudah melalui transformasi raster ke vektor.
Tidak semua alternatif akan dibahas dalam studi ini. Dari pengetahuan dasar yang sudah dibahas di atas dapat dilakukan beberapa kemungkinan modifikasi sebagai berikut.
Pertama, data CH yang dipakai dapat menggunakan periode dasarian. ZOM merupakan sebuah wilayah yang diharapkan memiliki musim yang identik. BMKG (2012) menyebutkan bahwa salah satu hal yang diprediksi dari musim di Indonesia adalah awalnya yang dinyatakan dalam dasarian, bukan bulanan. Maka dalam klastering ZOM ada baiknya yang digunakan adalah periode dasarian.
Seperti yang ditunjukkan dalam studi Villarini dkk. (2007), variabilitas CH juga berbanding terbalik dengan waktu perata-rataan. Artinya, variabilitas yang ada dapat hilang karena penggunaan rata-rata. Dalam studi Aldrian dan Susanto (2003) juga menunjukkan adanya variabilitas CH yang cukup tinggi di indonesia. Mungkin terjadi, rata-rata curah hujan yang digunakan sebagai bahan klaster tidak menunjukkan kondisi riil sehingga yang perlu digunakan adalah data dalam wujud deret waktu (time series) dasarian juga, bukan rata-rata bulanan.
Ke dua, pendekatan jarak menggunakan jarak manhattan. Secara intuitif jarak euklid relatif lebih sulit dipahami dibandingkan jarak manhattan. Studi Aggarwal dkk. (2001) menunjukkan bahwa jarak manhattan lebih unggul dari jarak euklid dalam dimensi yang tinggi. Jika melihat alternatif pertama, dalam 1981-2010 akan didapatkan 1080 dasarian. Jarak manhattan akan lebih mudah dipahami karena tidak melibatkan fungsi akar. Perbedaan dua metode pendekatan jarak ini identik dengan perbedaan Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasilnya relatif sama namun penggunaan RMSE lebih sulit dijelaskan dari pada MAE (Willmott dan Matsuura, 2005). Dilihat dari motif penggunaaan kuadrat adalah hanya sebagai penghilang tanda minus suatu perbedaan, maka sebenarnya hal tersebut sudah dapat dilakukan oleh fungsi absolut. Adapun formulasi dari jarak Manhattan adalah sebagai berikut (Xu dan Wunsch, 2009).
D(x_i,x_j )=∑_(l=1)^d▒|x_il-x_jl | ... (2)
Ke tiga, menghindari pencilan dalam satu dasarian menggunakan data biner. Dalam sebuah dasarian, dapat dimungkin ada CH yang sangat ekstrem. Tanpa menggunakan data biner, nilai pencilan akan merusak konsistensi matriks jarak apapun metode pendekatan jarak yang dipakai. Cara yang diusulkan dalam tulisan ini adalah dengan mengubah data kurang dari 50 mm menjadi 0 dan lebih dari 50 mm menjadi 1. Hal ini dilakukan karna batas yg membedahkan kondisi kering (kemarau dan hujan) dalam 1 dasarian adalah 50 mm (Ulfa, 2014).
Ke empat, untuk mengatasi data kosong, data grid digunakan. Data grid yang tersedia belakangan ini sudah relatif baik. Studi seperti Badr dkk. (2016) menggunakan data grid CHIRPS sebagai bahan klaster. Data observasi tetap menjadi penting untuk memastikan bahwa nilai yang ada sesuai dengan kenyataan namun untuk titik yang tidak memiliki observsi, hasil estimasi tentu lebih baik dari data kosong.


Gambar 3. Dendogram tautan lengkap (atas) dan tautan tunggal (bawah)
Ke lima, meski terdapat beberapa pilihan metode tautan, metode tautan lengkap lebih diutamakan. Hal ini ditunjukkan dari dua gambar berikut. Data acak yang digunakan sebahai bahan klaster tersebut adalah sama. Namun terlihat bahwa secara teori (menggunakan data acak), tautan lengkap lebih unggul.

DATA DAN METODE
Untuk membuktikan hal-hal di atas dapat dilakukan, klastering untuk curah hujan Sulawesi dilakukan dengan batas astronomis yang dipakai adalah 127,10 BT – 117,05 BT dan 7,80 LS - 5,60 LU. Data grid yang digunakan adalah University of California, Santa Barbara, Climate Hazards Group InfraRed Precipitation with Stations (UCSB CHIRPS, untuk selanjutnya hanya disebut CHIRPS saja) v2p0 dalam periode dasarian yang diperoleh dari tautan berikut https://iridl.ldeo.columbia.edu/SOURCES/.UCSB/.CHIRPS/.v2p0/.dekad/.prcp/. Data tersebut merupakan data asimilasi (gabungan) dari model iklim yang di dalamnya ada faktor ketinggian, citra satelit, dan jaringan hujan global. Penjelasan lebih lanjut dapat dilihat pada tulisan Funk dkk. (2014).
Data grid kemudian dikoreksi dengan pengamatan dari 149 titik pengamatan curah hujan yang tersebar kurang merata (lihat Gambar 4). Metode koreksi yang dipakai adalah metode koreksi perkalian yang identik dengan yang dilakukan dalam studi Ngai dkk. (2017) sebagai berikut.
F_koreksi= 〖CH〗_obs/〖CH〗_CHIRPS ... (3)
Piranti lunak yang dipakai adalah R statistics (dengan tambahan paket-paket raster, maptools, serta ncdf4), piranti lunak olah data, dan System for Automated Geoscientific Analyses (SAGA). R dan SAGA merupakan piranti lunak sumber terbuka gratis (free open source) yang sudah banyak dipakai (Hengl, 2009).
Proses pengolahan dimulai dari memecah berkas data. Data yang didapatkan masih berbentuk berkas dalam ekstensi excel workbook (*.XLSX) dengan rincian 149 titik data tersimpan dalam 6 berkas. Tiap titik berada dalam satu sheet, sehingga kendala yang perlu diatasi adalah bagaimana menyusun 149 sheet menjadi satu berkas. Untuk mengatasinya, digunakan sebuah skrip berbasis VBA (terlampir skrip VBA-1) untuk memecah sheet yang ada menjadi 149 berkas Comma Separated Value (*.CSV). Berkas tersebut kemudian digabungkan dengan menggunakan piranti lunak R statistic menggunakan skrip R-1 (terlampir) sehingga pengolahan data tidak lagi secara manual satu per satu. Hal ini dirasa penting untuk dituliskan, untuk menunjukkan bahwa dengan penguasaan teknologi berbasis skrip komando (script command-based), pekerjaan yang ada dapat diselesaikan secara lebih efisien. Kendali mutu sederhana hanya dilakukan untuk mengetahui kelengkapan data dan keseragaman format.

Gambar 4. 149 titik observasi.

Setelah semua data dari 149 titik menjadi 1 berkas CSV, berkas digunakan untuk mengekstrak nilai CH dari data CHIRPS yang masih dalam ekstensi net-CDF (*.NC) menggunakan skrip R-2 (terlampir). Dari dua berkas (CH observasi dan CH CHIRPS), dicari koreksi dengan menggunakan skrip R-3 (terlampir).
Adapun faktor koreksi yang diinterpolasi adalah sebagai berikut.
F_koreksi=[〖CH〗_obs/〖CH〗_CHIRPS ]-1 ... (4)
Alasan penggunaan faktor koreksi di atas adalah menjadikan tempat yang jauh dari titik koreksi memiliki faktor koreksi bernilai satu.

Di sisi lain, dalam percobaan yang dilakukan dalam studi ini, metode Regresi Kriging (RK) menghasilkan nilai curah hujan negatif. Hal ini disebabkan karena tidak meratanya titik koreksi dan adanya residu negatif yang cukup besar. Oleh karna itu, metode RK tidak digunakan.
Sebagai catatan dalam studi ini piranti komputer tidak dapat membaca berkas SHP dengan kolom variabel yang terlalu banyak. Oleh karna itu, dilakukan teknik pemisahan menjadi dua berkas (masing-masing 540 dasarian).
Faktor koreksi kemudian diinterpolasi menggunakan metode Inverse Distance Weighting (IDW) seperti yang dilakukan dalam studi So’langi (2015). Parameter IDW yang digunakan adalah pangkat = 2 dan titik digunakan = 149. Sebagai catatan, skrip IDW SAGA (terlampir SAGA-1) dibuat menggunakan piranti lunak olah data dengan memanfaatkan fitur CONCATENATE. Hasil dari proses ini adalah 1080 raster faktor koreksi yang kemudian dipakai sebagai koreksi data CHIRPS. Untuk mendapatkan hasil koreksi digunakan formula sebagai berikut.
〖CH〗_terkoreksi=[F_koreksi+1]*〖CH〗_CHIRPS ... (5)
Dalam studi ini dilakukan klastering sekaligus terhadap 6066 titik. Hal ini menunjukkan bahwa dengan menggunakan komputer yang relatif biasa ( i7_2.7 GHz, RAM 8 GB) dapat dilakukan klastering dengan titik banyak. Dalam studi ini, proses ini memakan waktu sekitar 2 jam saja. Selanjutnya perhitungan matriks jarak dilakukan menggunakan skrip R-4 (terlampir) dan klastering dilakukan menggunakan skrip R-5 (terlampir).

HASIL DAN PEMBAHASAN
Kelengkapan 149 titik observasi yang digunakan sebagai koreksi dalam studi ini juga tidak terlalu lengkap. Namun hal ini justru menguatkan pentingnya data grid dalam klastering. Gambar 5 menunjukkan bahwa kondisi data observasi jauh dari ideal. Kelangkapan data di atas 80% baru tercapai pada 2008-2010.

Gambar 5. Ketersediaan data
Menggunakan skrip R-4, data CHIRPS yang juga meliputi sebagian Kalimantan dan Maluku secara otomatis menjadi hanya ada di wilayah Sulawesi (Gambar 6). 6066 titik yang akan diklaster tersebar di wilayah tersebut.

Gambar 6. Sebelum (kiri) dan sesudah (kanan) dikalikan faktor koreksi
Adapun contoh raster koreksi yang dihasilkan dari interpolasi faktor koreksi adalah sebagai berikut.
.
Gambar 7. Raster faktor koreksi
Dapat terlihat jelas bahwa untuk daerah yang jauh dari titik koreksi, faktor koreksi akan mendekati nol sehingga data grid relatif tidak akan berubah. Hasil menunjukkan bahwa data kosong dapat diatasi dengan penggunaan data grid terkoreksi sehingga klastering yang sebelumnya menggunakan 12 data bulanan tiap titik, dapat dilakukan menggunakan 1080 data dasarian dari 6066 titik.
Sebuah plot yang dapat menunjukkan hubungan antara jumlah klaster dengan jarak dikembangkan dalam skrip R-5. Hal sederhana yang dilakukan sebenarnya adalah membalik sumbu horizontal dari Gambar 2. Hasilnya adalah seperti berikut.


Gambar 8. Plot jumlah klaster – jarak manhattan
Bagian kiri Gambar 8 (a c) merupakan hasil klaster tautan tunggal sedangkan bagian kanan adalah hasil tautan lengkap. Dapat terlihat bahwa penurunan tajam lebih cepat terjadi pada tautan tunggal. Artinya, tautan tunggal kurang baik untuk mencari klaster dengan jumlah yang relatif banyak (ZOM yang akan terbentuk relatif lebih sedikit. Adapun Gambar 8a (tautan tunggal) dan 8b (tautan lengkap) menunjukkan plot jarak manhattan yang belum dijadikan data biner.
Dapat terlihat begitu tingginya jarak yang terbentuk (komponen vertikal) sampai mencapai ratusan ribu milimeter. Meski masih sangat tinggi, setidaknya dengan menggunakan jarak manhattan, interpretasi klimatologis dapat lebih mudah dilakukan. Misal
gambar 8b, dengan memilih jumlah klaster seratus (k=100), maka jarak maksimum yang dapat terjadi antar titik anggota satu klaster adalah maksimum 60.000 milimeter dalam 1080 dasarian.
Hal yang lebih mudah dipahami dapat disajikan dengan menggunakan data biner. Menggunakan plot jumlah klaster tautan lengkap terhadap jarak manhattan data biner (Plot JK-JMB, Gambar 8d), dapat dijelaskan seberapa perbedaan maksimum yang mungkin terjadi dalam satu klaster. Pada gambar 8d, jika memilih jumlah klaster 90 (k=90), maka perbedaan maksimal antar anggota dalam tiap klaster adalah 300 dasarian dari 1080 dasarian.
Penjelasan tentang "perbedaan" dan "persen kemiripan" diacu dari 2 premis berikut.
Premis 1 : jika CH dasarian > 50 mm, maka basah, selain itu kering.
Premis 2 : jika sama-sama basah atau sama-sama kering, dianggap "sama", selain itu "berbeda".
Interpretasi klimatologisnya adalah dapat dilakukannya penyusunan calon ZOM menggunakan batas curah hujan 50 mm yang dapat membedakan awal musim. Dengan menggunakan plot seperti di atas, dampak pemilihan jumlah klaster terhadap perbedaan curah hujan dapat diinterpretasikan secara lebih mudah.
Percobaan klaster berlanjut pada pemilihan terhadap jumlah klaster yang akan dibentuk. Plot di atas kemudian disimpan dalam format CSV menggunakan fungsi “write.csv” R statistics dan diplot ulang sebagai berikut.

Gambar 9. Plot JK-JMB
Menggunakan format plot di atas, persentase kemiripan juga dapat diketahui secara lebih mudah. Dalam studi ini, digunakan 90 klaster sehingga kejadian dasarian berbeda sifat dalam satu klaster tidak akan lebih dari 300 kali atau dalam 1080 dasarian (=30 tahun). Dalam bentuk perbandingan, jika k=90, seluruh titik dalam satu klaster akan memiliki CH dasarian identik setidaknya 72% dalam 30 tahun. Justifikasi terhadap kesalahan dalam satu klaster dapat lebih terukur.
Menggunakan warna acak, plot dari 90 klaster adalah sebagai berikut.

Gambar 10. 90 klaster tautan lengkap
Pola lokal pada daerah kering seperti Palu dapat terlihat pada Gambar 10. Berdasar pengalaman empiris penulis, pola yang terbentuk di bagian Utara juga mengikuti panjang pendek musim kemarau.

Gambar 11. 90 klaster tautan tunggal
Meski secara teoretis dapat dikatakan tautan tunggal sudah jelas tidak lebih baik dari tautan lengkap, dalam studi ini menggunakan k=90, plot hasil klaster tautan tunggal juga dilakukan. Gambar 11 menunjukkan pola yang terlihat sama di hampir seluruh pulau utama. Hal ini menunjukkan bahwa tautan tunggal tidak cocok digunakan untuk klaster data grid.
Sebagai catatan, studi ini relatif murah untuk diduplikasi karena dilakukan hanya dengan menggunakan komputer i7 RAM 8GB dan beberapa piranti sumber terbuka. Dalam ranah operasional, dengan sumber daya yang ada sekarang, bukan tidak mungkin, klastering dengan bahan resolusi spasial yang lebih tinggi dapat dilakukan sehingga digitasi dapat dipermudah.

KESIMPULAN
Secara umum, studi ini mampu menunjukkan bahwa ada beberapa alternatif modifikasi yang dapat mempermudah interpretasi suatu hasil klastering calon ZOM. Dengan dibuktikannya bahwa alternatif modifikasi dapat dilakukan, maka dalam penelitian ini penggunaan jarak manhattan, tautan lengkap, dan data grid deret waktu dalam bentuk biner direkomendasikan untuk digunakan dalam penyusunan ZOM 1991-2020.

DAFTAR PUSTAKA

_______, 2012, Verifikasi Prakiraan Iklim Indonesia, Badan Meteorologi Klimatologi dan Geofisika, Jakarta.
Aggarwal C.C., Hinneburg A., dan Keim D.A., 2001, On the Surprising Behavior of Distance Metrics in High Dimensional Space. In: Van den Bussche J., Vianu V. (eds) Database Theory — ICDT 2001. ICDT 2001. Lecture Notes in Computer Science, vol 1973. Springer, Berlin, Heidelberg.
Aldrian E. dan Susanto R. D., 2003, Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature. Int. J. Climatol., 23: 1435-1452. DOI:10.1002/joc.950.
Andika S. C., 2015, Penentuan Zona Musim (Zom) Menggunakan Data Tropical Rainfall Measuring Mission (TRMM) di Pulau Seram dan Sekitarnya, Skripsi, Sekolah Tinggi Meteorologi dan Klimatologi, Tangerang Selatan.
Badr H.S., Dezfuli A.K., Zaitchik B.F., dan Peters-Lidard C.D., 2016, Regionalizing Africa: Patterns of Precipitation Variability in Observations and Global Climate Models, J. Climate, 29, 9027–9043, DOI:10.1175/JCLI-D-16-0182.1.
Dayantolis W., Ripaldi A., dan Supeni A., 2016, Penentuan Normal Musim Hujan di Indonesia Berdasarkan Frekuensi Curah Hujan Dasarian, Megasains, Vol. 7 No. 1, 25-32.
Funk C. C, Peterson P. J., Landsfeld M. F., Pedreros D. H., Verdin J. P., Rowland J. D., Romero B. E., Husak G. J., Michaelsen J. C., dan Verdin A. P., 2014, A quasi-global precipitation time series for drought monitoring: U. S. Geological Survey Data Series 832, 4 p., DOI:110.3133/ds832.
Hengl T., 2009, A Practical Guide to Geostatistical Mapping, Office for Official Publication of European Communities, Luxembourg.
Ngai S. T., Tangang F., dan Juneng L, 2017, Bias correction of global and regional simulated daily precipitation and surface mean temperature over Southeast Asia using quantile mapping method. Global and Planetary Change, 149, 79-90, DOI: 10.1016/j.gloplacha.2016.12.009
So’langi L. N., 2015, Analisis Distribusi Pola Curah Hujan dan Hari Hujan Periode 2002-2012 di Provinsi Papua dan Papua Barat, Skripsi, Sekolah Tinggi Meteorologi dan Klimatologi, Tangerang Selatan.
Tjasyono B, 2006, Meteorologi Indonesia 1”Karakteristik dan Sirkulasi Atmosfer”, BMKG, Jakarta.
Ulfah A., 2014, Penentuan Kriteria Musim Alternatif di Wilayah Jawa Timur, Skripsi, Sekolah Tinggi Meteorologi dan Klimatologi, Tangerang Selatan
Xu R. dan Wunsch D., 2009, Clustering, Wiley-IEEE Press, New York.
Villarini G., Mandapaka P. V., Krajewski W. F., dan Moore R. J., 2008, Rainfall and Sampling Uncertainties : A Rain gaude perspective, Journal of Geophysical Research, 113, D11102, DOI: 10.1029/2007JD009214.
Wilks, D. S., 2006, Statistical Methods in the Atmospheric Sciences, Academic Press, London.
Willmott C. dan Matsuura K, 2005, Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in assessing average model performance, Clim. Res., 30, 79–82.

LAMPIRAN
###VBA-1
Sub ExportSheetsToCSV()
Dim xWs As Worksheet
Dim xcsvFile As String
For Each xWs In Application.ActiveWorkbook.Worksheets
xWs.Copy
xcsvFile = CurDir & "\" & xWs.Name & ".csv"
Application.ActiveWorkbook.SaveAs Filename: = xcsvFile, _
FileFormat: = xlCSV, CreateBackup: = False
Application.ActiveWorkbook.Saved = True
Application.ActiveWorkbook.Close
Next
End Sub
###R-1
dd1=“Direktori"
setwd(dd1)
d=1
teks=paste(dd1,"/",(d+1),".csv",sep="")
xxx=read.csv(teks,header =F)
xxx=as.numeric(t(as.matrix(xxx[1:30,2:37])))
xxxt=matrix(xxx,1,)
while(d<length(list.files())){
d=d+1
teks=paste(dd1,"/",(d+1),".csv",sep="")
xxx=read.csv(teks,header =F)
xxx=as.numeric(t(as.matrix(xxx[1:30,2:37])))
xxxt=rbind(xxxt,xxx)
}
write.csv(xxxt,”Direktori/KOORDINAT_1.csv”)

###R-2
setwd(“Direktori")
library(raster)
library(maptools)
poin=read.csv(“Direktori\\KOORDINAT_1.csv")
poin=poin[,3:4]
#list.files()
dd=1
v=raster("Sulawesi.nc",band=dd)
ee=extract(v,poin)
eet=matrix(ee,,1)
while(dd<1080){
dd=dd+1
v=raster("Sulawesi.nc",band=dd)
ee=extract(v,poin)
eet=cbind(eet,ee)
}
Write.csv(“Direktori/DATA_CHIRPS_per_titik.csv")

###R-3
setwd(“Direktori")
Koor=read.csv(“Direktori/KOORDINAT_1.csv")
CHR=read.csv(“Direktori/DATA_CHIRPS_per_titik.csv")
x=as.matrix(Koor[,9:1088])
y=as.matrix(CHR[,4:1083])
x=x+0.1
z=x/y-1
k=cbind(CHR[2:3],z)
write.csv(k,"bahan.csv")
writeSpatialShape(SpatialPointsDataFrame(k[,c(1,2)], data.frame(k[,3:1082])), "SHP_2_koreksi")

###SAGA-1
saga_cmd grid_gridding "Inverse Distance Weighted" -SHAPES=“Direktori/SHP_p1.shp" -FIELD=0 -TARGET=0 -SEARCH_RANGE=1 -SEARCH_RADIUS=1000 -SEARCH_POINTS_ ALL=0 -SEARCH_POINTS_MAX=149 -SEARCH_DIRECTION=0 -WEIGHT_POWER =2 -USER_XMIN=117.075 -USER_XMAX=127.075 -USER_YMIN=-7.8 -USER_YMAX=5.6 -USER_SIZE=0.05 -USER_FIT=1 -USER_GRID=“Direktori/10001.sgrd"

###R-4
setwd(“Direktori")
dd=1
v=raster("Sulawesi.nc",band=dd)
p=readShapePoly("Direktori\\SULAWESI.shp")
xx=mask(v,p)
xx[xx]=1
alamat=paste(“Direktori/",10000+dd,".sdat",sep="")
aa=raster(alamat)
aa=resample(aa,xx,method="bilinear")
aat=(aa+1)*v*xx
mat=as.matrix(as.numeric(na.omit(as.numeric(as.matrix(aat)))),,1)
matt=mat
while(dd<1080){
dd=dd+1
v=raster("Sulawesi.nc",band=dd)
alamat=paste("Direktori/KOREKSI_DARI_OBS/",10000+dd,".sdat",sep="")
aa=raster(alamat)
aa=resample(aa,xx,method="bilinear")
aat=(aa+1)*v*xx
mat=as.matrix(as.numeric(na.omit(as.numeric(as.matrix(aat)))),,1)
matt=cbind(matt,mat)
}
NR=nrow(matt)
NC=ncol(matt)
matt2=matt
matt2[matt2<=50]=0
matt2[matt2>50]=1
xd=dist(matt2,method="manhattan")
xdb=dist(matt2,method="manhattan")

###R-5
y=xdb
maxd=max(y)
mind=min(y)
#x=hclust(y,method = "single")
x=hclust(y,method = "complete")
x_acuan=seq(mind,maxd,length.out=1000)
dd=1
vvt=cutree(x,h=x_acuan[dd])
vvt=max(vvt)
vvtt=rbind(vvt)
while(dd<1000){
dd=dd+1
vvt=cutree(x,h=x_acuan[dd])
vvt=max(vvt)
vvtt=rbind(vvtt,vvt)
}
xxx=cbind(vvtt,x_acuan)
plot(xxx,type='l')
#KLASTERING, "k = (jumlah klaster)"
vvt=cutree(x,k=90)
LONLAT=as.matrix(read.csv("Direktori\\KLS.csv"))
KLAS=cbind(LONLAT[,2],LONLAT[,3],vvt)
colnames(KLAS)=c("LON","LAT","KLS")
KLAS=SpatialPointsDataFrame(KLAS[,c(1,2)], data.frame(KLAS[,3]))
VV=rasterize(KLAS,xx,"KLAS...3.")
plot(VV)
writeRaster(VV,"Coba.nc",overwrite=T)

 

 

 

 

 

 

 

 

 




PEMANFAATAN DATA SATELIT GSMaP DALAM PEWILAYAHAN ZONA MUSIM DI NTB

Ni Made Adi Purwaningsih*, Suci Agustiarini, Dewo Sulistio Adi Wibowo
Badan Meteorologi Klimatologi dan Geofisika, Stasiun Klimatologi Lombok Barat
*Email : This email address is being protected from spambots. You need JavaScript enabled to view it.


ABSTRAK

Perbedaan karakteristik curah hujan setiap wilayah, menyebabkan waktu pergantian musim setiap wilayah di Indonesia berbeda-beda. Nusa Tenggara Barat merupakan salah satu wilayah yang memiliki perbedaan curah hujan yang jelas antara musim kemarau dan musim penghujan. Dalam hal ini, BMKG secara operasional membagi wilayah-wilayah berdasarkan pola curah hujan yang sama yang disebut dengan ZOM (Zona Musim) yang pengelompokannya sangat bergantung dari banyaknya pos hujan di wilayah tersebut. Adanya penambahan pos hujan serta perubahan iklim dapat mengakibatkan berubahnya wilayah ZOM dari yang sudah ditetapkan. Sehingga, perlu dilakukan evaluasi terhadap ZOM yang sudah digunakan saat ini. Sejak pemutakhiran pewilayahan ZOM terakhir di tahun 2010, di Provinsi NTB telah ditambahkan lebih dari 50 pos hujan namun sebarannya masih belum merata. Pada penelitian ini akan dikelompokkan wilayah zona musim yang baru berdasarkan 120 data pos hujan di NTB dan satelit GSMaP periode 2008-2017 menggunakan metode clustering obeservasi. Selain itu dikaji juga perbedaan hasil pewilayahan ZOM yang sudah ada dengan ZOM baru tersebut. Dalam penelitian ini dihasilkan 21 ZOM di wilayah NTB, dua diantaranya belum memiliki pos hujan. Pengelompokan ZOM tersebut cenderung menunjukkan adanya peran topografi dalam menentukan karakteristik curah hujan di suatu wilayah. Performa ZOM dalam penelitian ini lebih baik dibandingkan dengan ZOM yang sudah ada dalam hal penentuan Awal Musim Hujan (AMH) disetiap ZOMnya, namun untuk penentuan Awal Musim Kemarau (AMK) cendenrung sama. Hal tersebut dapat dilihat dari nilai Skill ZOM baru sebesar 0.09 dengan selisih awal musim ZOM terhadap pos hujannya berkisar ±2 dasarian di musim hujan dan ±1 dasarian di musim kemarau.

Kata kunci : ZOM, awal musim, clustering

ABSTRACT

Differences in rainfall characteristics of each region, causing the onset of seasons in each region in Indonesia is vary. West Nusa Tenggara is one region that has a distinct difference in rainfall between the dry season and the rainy season. In this case, BMKG divides the regions based on the same rainfall pattern called ZOM, which groupings are highly dependent on the number of rain posts in the area. The addition of rain posts and climate change may result in a change of ZOM. Thus, it is necessary to evaluate the existing ZOM. Since the last zoning in 2010, in NTB province has added more than 50 rain posts but the distribution is still uneven. In this study will be grouped new ZOM based on 120 rain posts data in NTB and GSMaP satellite data in 2008-2017 using observation clustering method. In addition, there are also differences in exist ZOM with the new ZOM. In this research, there are 21 ZOM in NTB region, two of them have not rain post yet. The ZOM groupings tend to indicate a topographic role in determining the characteristics of rainfall in a region. ZOM performance in this study is better than the ZOM that already exist for determination of the oset of rainy season in each ZOM, but for determination of the onset of dry season is same enough. This can be seen from the value of new ZOM Skills about 0.09 with difference of onset season between ZOM and rain post abot ± 2 decad for rainy season and ± 1 decad for dry season.

Keywords : ZOM, onset season, clustering



PENDAHULUAN
Istilah musim dalam KBBI merujuk pada waktu atau masa ketika sesuatu banyak terjadi atau sering berlangsung. Kaitannya dengan iklim yaitu musim merupakan periode waktu tertentu dengan kondisi iklim yang dominan. Letak Indonesia pada wilayah tropis disekitar equator mengakibatkan Indonesia memiliki dua musim yaitu musim kemarau dan musim hujan. Musim di Indonesia sangat bergantung dari gerak semu matahari. Akibatnya, terjadi perubahan sirkulasi angin regional yang secara periodik berbalik arah setiap enam bulan sekali yang biasa disebut dengan istilah monsun. Aldrian dan Susanto (2003) membagi wilayah Indonesia ke dalam 3 region (wilayah) dengan pola hujan yang berbeda diantaranya pola monsunal yaitu pola hujan yang memiliki puncak musim kemarau pada periode NDJ (Novemver, Desember, Januari) dan puncak musim kemarau pada JAS (Juli Agustus September), pola equatorial yaitu pola hujan dengan puncak hujan terjadi dua periode pada ND (November-Desember) dan MAM (Maret, April, Mei), serta pola hujan lokal yang merupakan kebalikan pola hujan monsunal dengan puncak hujan terjadi pada MJJ (Mei, Juni, Juli). Wilayah bagian selatan Indonesia termasuk Jawa, Bali, Nusa Tenggara Barat (NTB) dan Nusa Tanggara Timur (NTT) merupakan wilayah pola hujan monsual (Nuryanto, 2012).
Karakter curah hujan disetiap wilayah tentunya berbeda-beda. Perbedaan tersebut mengakibatkan awal musim hujan maupun kemarau di setiap wilayah tidaklah bersamaan. Informasi awal musim merupakan informasi yang sangat penting, khususnya untuk beberapa sektor seperti pertanian guna menentukan waktu serta pola menanam. Penentuan wilayah zona musim dibuat guna mengefisiensikan dalam membuat prediksi awal musim hujan dan musim kemarau pada beberapa wilayah di Indonesia dengan tanpa memandang batas administrasi suatu daerah.
Salah satu metode dalam pengelompokan wilayah zona musim yaiu clustering. Metode pengelompokan pola hujan menggunakan teknik clustering pernah diteliti oleh Ramos (2001) untuk membuat distribusi pola hujan di wilayah Mediterania menggunakan kombinasi dari algoritma K-means dan hierarki (metode average dan ward) menunjukkan kombinasi metode tersebut sangat baik dalam pengelompokan pola hujan wilayah tahunan dengan interpretasi perubahan curah hujan pada setiap musim yang tepat dari waktu ke waktu dan konsisten pada setiap tahun. Pada penelitian sebelumnya oleh Jackson dan Weinand (1995) yang membandingkan beberapa metode dalam teknik clustering dalam mengklasifikasikan pos hujan menunjukkan tidak adanya perbedaan yang cukup signifikan pada setiap hasil cluster di masing-masing metode hal tersebut menujukkan bahwa hasil pengolompokan tersebut memiliki interpretasi yang sangat baik dan dapat diaplikasikan dalam penelitian berikutnya. Pemetaan wilayah hujan di Indonesia juga telah dilakukan oleh BMKG. Haryoko (2004) menyebutkan penerapan teknik clustering dengan metode Complete Lingkage dan Euclidean dapat membagi suatu kawasan lebih kecil dari pewilayahan hujan yang telah ada dan masing-masing kelompok mempunyai karakter yang berbeda satu sama lain.
Dalam penentuan wilayah ZOM, BMKG bergantung dari data jaringan Pos Hujan kerjasama. Semakin rapat posisi pos hujan maka pemetaan ZOM yang dihasilkan akan semakin baik dan mendekati dengan keadaan di lapangan. Namun, terdapat kekurangan dalam pemetaan wilayah ZOM hanya dengan mengandalkan titik-titik Pos Hujan. Hal tersebut dikemukakan dalam penelitian Alam (2010) yang menyebutkan bahwa berdasarkan hasil evaluasi terhadap kinerja pemodelan iklim (curah hujan) menunjukkan bahwa terdapat beberapa lokasi ZOM yang kurang baik serta keadaan dilapangan yang sudah tidak sesuai lagi. Sifat iklim yang dinamis, variabilitas dan perubahan iklim sangat berkontribusi dalam perubahan produksi pertanian. Hal ini terjadi karena tanaman dipandang sebagai sesuatu yang kompleks dan peka terhadap pengaruh iklim (Tjasyono, 2004).
Sebagai daerah pendukung sentra produksi pangan nasional, NTB sangat bergantung dari hasil pertanian. Terbukti dalam satu berita online nasional menyatakan bahwa NTB memproduksi 155 ribu ton beras pada tahun 2013. Dalam memaksimalkan hasil panen, diperlukan Informasi iklim khususnya AMH oleh para petani untuk penyusunan pola dan strategi tanam. (Boer dan Subbiah, 2005 dalam Syahputri, 2017).
Untuk menghasilkan hasil prakiraan yang lebih baik, diperlukan adanya penambahan titik pos hujan. NTB sendiri telah menambahkan lebih dari 50 pos hujan baru sejak pemutakhiran ZOM terakhir di tahun 2010. Namun ketika dipetakan beberapa wilayah sebaran dari titik pos hujan yang baru masih berdekatan, sehingga tidak mengcover keadaan pada wilayah yang masih belum terdapat pos hujan. Untuk mengatasi masalah ini diperlukan adanya gambaran data pada wilayah yang tidak tercover pos hujan sehingga digunakan data satelit sebagai pendukung. Pada penelitian ini akan dikelompokkan wilayah zona musim yang baru berdasarkan data pos hujan dan satelit serta akan dikaji perbedaan hasil pewilayahan zona musim yang sudah ada di NTB dengan zona musim baru tersebut. Perbedaan tersebut dikaji dengan melihat ketepatannya dalam menentukan awal musim hujan dan awal musim kemarau. Metode yang digunakan yaitu metode Clustering Obeservasi. Penelitian ini diharapakan dapat mengelompokkan wilayah zona musim NTB yang lebih represetatif sehingga analisis dan prediksi penentuan awal musim pada setiap wilayanya menjadi lebih tepat.

DATA DAN METODE
Data yang digunakan dalam penelitian ini adalah data Pos Hujan dan data satelit. Data Pos Hujan yang digunakan berasal dari 120 titik Pos Hujan di Provinsi NTB sepuluh tahun terakhir (2008 – 2017). Sedangkan data satelit yang digunakan adalah data GSMaP yang diperoleh dari ftp://hokusai.eorc.jaxa.jp. Data satelit yang digunakan berupa data curah hujan harian di wilayah Provinsi NTB dengan resolusi 0.01o x 0.01o periode tahun 2008 – 2017. Pengolahan data dalam penelitian ini menggunakan aplikasi statistik dan aplikasi untuk pemetaan. Langkah-langkah dalam pengerjaan penelitian ini dapat dilihat pada Gambar 1.
Metode yang digunakan dalam penelitian ini adalah metode Analisis Komponen Utama (AKU) serta metode Clustering. Analisis Komponen Utama digunakan agar data di titik satu dan titik lainnya tidak saling berkaitan (multikoniearitas) sehingga diperoleh pola pola baru.
Misalkan peubah data hujan adalah X_1, X_2, X_3,…, X_p yang saling berkorelasi satu sama lain kemudian dapat dihasilkan komponen utama 〖PC〗_1,〖PC〗_2, ..., 〖PC〗_m yang tidak saling

Gambar 1. Diagram Alir Penelitian.

berhubungan satu sama lain. Setelah mendapatkan beberapa komponen utama dari peubah asal, dipilih beberapa komponen utama yang memberikan keragaman lebih besar dari 80% (Haryoko, 2004), sebagai berikut :
〖PC〗_1=a_11 X_1+a_21 X_2+⋯+a_p1 X_p ...(1)
〖PC〗_2=a_12 X_1+a_22 X_2+⋯+a_p2 X_p ...(2)
〖PC〗_m=a_1p X_1+a_2p X_2+⋯+a_pp X_p ... (3)
Selanjutnya, beberapa komponen utama yang terpilih dikelompokkan dengan metode Cluster. Metode cluster merupakan suatu metode yang bertujuan untuk menyortir suatu data yang memiliki kemiripan sebagai objek penelitian menjadi kelompok yang berbeda. Sehingga, data dalam kelompok yang sama cenderung homogen dibandingkan dengan kelompok data lainnya (Yim dan Ramdeen, 2015). Kemiripan suatu objek diukur berdasarkan ukuran kedekatan jarak Euclidean. Jarak Euclidean ini biasanya menggunakan hubungan satu garis lurus yang menghubungkan antar objek yang diteliti (Laraswati, 2014). Besarnya jarak Euclidean diperoleh dari selisih dua vektor dari setiap titik yang bersangkutan, dapat dinyatakan sebagai berikut :
d_(xy=) [∑_(x=1)^n▒(a_xz-a_yz )^2 ]^(1/2) ... (4)
dimana :
d_xy : jarak Euclidean antara stasiun ke x dengan stasiun ke y
a_x : sifat dari stasiun ke x
a_y : sifat dari stasiun ke z
z : sifat yang menjadi perhatian
n : banyaknya data
Kemudian, dilakukan pemilihan suatu prosesdur analisis Cluster yaitu dengan memilih metode Complete Linkage untuk menghitung jarak antara sub-sub kelompok. Metode ini dipilih karena menggunakan jarak terjauh dari sepasang objek dalam penentuan jarak antar Cluster. Sehingga metode ini dianggap efektif untuk menemukan kelompok yang lebih kecil dan homogen (Messina, 2014), dengan notasi :
d_G1G2=〖max⁡[d〗_xy]
; x_∈ G_1,y_∈ G_2 ...(5)
Hasil pengelompokan dari Cluster tersebut bisa dilihat dari diagram yang disebut dendogram. Hasil pengelompokan optimum dapat diperoleh dengan memotong dendrogram secara subjektif pada tingkat yang berbeda. Subjektifitas pemilihan kelompok didasarkan pada jarak Euclidean. Jika jarak Euclidean tiba-tiba melonjak tajam, maka proses pengelompokan dihentikan sehingga diperoleh kelompok optimum dari hasil Cluster.
Kelompok optimum yang telah didapat kemudian diplot secara spasial. Diberikan batas poligon secara subjektif pada setiap titik-titik pos yang mempunyai pola hujan serupa, sehingga diperoleh pewilayahan ZOM baru dari penelitian ini. Untuk mengetahui peforma hasil Clustering dalam penelitian ini, perlu dilakuan adanya validasi. Validasi yang dilakukan yaitu membandingkan hasil prakiraan AMH dan AMK antara ZOM yang baru (created) dengan ZOM yang saat ini digunakan (existing). Teknik validasi yang diterapkan yaitu RMSE (Root Mean Square Error) untuk menghitung akurasi yang dalam hal ini dapat menggambarkan selisih awal musim hujan dan kemarau suatu ZOM dengan setiap anggota pos hujannya. Selain itu juga validasi silakukan dengan menghitung nilai skill guna mengetahui peforma ZOM yang baru dibentuk terhadap ZOM existing dalam penentuan awal musim hujan dan musim kemarau (Gordon dan Shaykewich, 2000). Perhitungan nilai RMSE dan Skill sebagai berikut.
RMSE= √MSE=√((∑_(i=1)^N▒〖(Zi-Oi)〗^2 )/N) ... (6)
Dimana N adalah jumlah data, Zi adalah Zom , Oi adalah Pos Hujan (i : 1,2,3,..N).
Skill=(〖CSI〗_zc-〖CSI〗_ze)/(100%- 〖CSI〗_ze ) ... (7)
CSI= (Jumlah hasil yang sama benar)/(Jumlah seluruh data) ... (8)
Dimana CSI (Critical Success Index) merupakan peritungan akurasi untuk data katagori dengan menghiung rasio hasil yang sama-sama benar antara nilai yang ditentukan (ZOM) dengan nilai yang ada (pos hujan). Ze adalah ZOM exsisting, dan Zc adalah ZOM created.

HASIL DAN PEMBAHASAN
3.1 Analisis Komponen Utama
Blending curah hujan pada pos hujan dengan satelit GSMap menghasilkan 250 titik dengan resolusi yang lebih kecil dari resolusi satelit yaitu 0.1 x 0.1. Resolusi yang lebih kecil diperoleh dengan merata-ratakan hasil blending curah hujan yang eresolosi 0.01 x 0.01 pada setiap luasan grid 0.1 x 0.1, Sebaran titik-titik hasil blending tersebut dapat dilihat pada Gambar 2.
Karakteristik hujan pada setiap daerah dapat berbeda-berda yag diakibatkan oleh pengaruh lokal seperti topografi serta angin darat dan angin laut. Hampir selurh pos hujan di NTB menunjukkan tipe hujan monsunal. Kemiripan pola dari setiap pos hujan mengindikasikan adanya hubungan atau korelasi nilai curah hujan di setiap pos hujannya.


Gambar 2. Peta sebaran pos hujan hasil blending dangan GSMaP

Untuk mendapatkan hasil cluster pos hujan yang optimum maka
perlu dilakukan pencegahan terhadap adanya multikoloniaritas nilai curah hujan pada setip pos hujan dengan menggunakan analisis komponen utama. Hasil analisis komponen utama dapat dilihat pada Tabel 1. Hasil analisis komponen utama menunjukkan dengan 5 komponen utama saja sudah dapat menunjukkan 90% keragaman dari seluruh data. Keberagaman yang besar juga dapat dilihat berdasarkan perbedaan nilai Eigenvalue antar komponen. Gambar 3 menunjukkan nilai eigenvalue pada setiap komponen utama.


Tabel 1. Eigenvalue, Proportion, dan Cumulative analisis komponen utama.



Gambar 3. Scree plot analisis komponen utama.


3.2 Pewilayahan Zona Musim
Diagram dendogram pada Gambar 4. menunjukkan hasil clustering 250 pos hujan. Terdapat 1 kelompok zona musim di NTB yang ditentukan berdasarkan jarak euclidean terjauh. Gambar 5 menunjukkan jarak dari setiap titik pos hujan. Lonjakan besar pertama berada pada nilai 3.8.

Anggota-anggota pos hujan serta pola curah hujan dasarian hasil pewilayahan zona musim dapat dilihat pada Gambar 6. adanya peran topografi wilayah dalam penentuan cluster. Sebaran 21 zona musim hasil clustering menunjukkan wilayah dataran tinggi seperti pegunungan secara umum tergabung dalam cluster yang sama, begitu juga dengan wilayah pada jenis topografi lainnya. Selain itu, pengaruh topografi tersebut juga menyebabkan pengclusteran tidak hanya merujuk pada satu pulau saja, namun cluster yang sama tersebut juga dapat muncul pada pulau yang lain. Sebaran ZOM hasil cluster dapat dilihat pada Gambar 8.


Gambar 4. Dendogram hasil cluster 250 pos hujan


Gambar 5. Jarak Euclidean 250 pos hujan

Grafik curah hujan dasarian pada Gambar 7 menunjukkan pola hujan tahunan masing-masing wilayah ZOM baru. Terlihat bahwa secara umum wilayah NTB merupakan wilayah dengan tipe hujan monsunal. Pola dari hujan tahunan masing-masing kelompok ZOM terlihat memiliki pola yang sama. Dari 21 titik ZOM yang diperoleh, terdapat dua wilayah ZOM yang tidak ada pos hujannya yaitu pada ZOM 8 dan ZOM 18. Hal ini terjadi karena pada saat pengclusteran, seberan data yang digunakan tidak hanya terpaku pada titik pos hujan saja, melainkan gabungan antara data pos hujan dengan data satelit.


Gambar 6. Hasil Clustering 250 Titik

3.3 Perbandingan ZOM

Pemutakhiran ZOM terakhir pada tahun 2010 menghasilkan 27 wilayah ZOM di Provinsi NTB. Sebaran 27 pewilayahan ZOM tersebut dapat dilihat pada Gambar 8 (b). Sementara itu, hasil pengelompokan ZOM dalam penelitian ini dapat dilihat pada Gambar 8 (a). Terdapat perbedaan yang jelas pada kedua pengelompokan ZOM tersebut. ZOM existing menunjukkan pengelompokan wilayah yang cenderung mengelompok pada satu pulau saja atau tidak ditemukan ZOM yang sama antara Pulau Lombok dan Sumbawa. Pada ZOM created terdapat beberapa ZOM yang sama antara Pulau Lombok dan Pulau Sumbawa.
Pada ZOM created terdapat beberapa ZOM yang sama antara Pulau Lombok dan Pulau Sumbawa. Hasil pengelompokan tersebut cenderung sesuai dengan kondisi topografi NTB. Hal tersebut, menunjukkan adanya peran yang besar dalam penentuan karakteristik pola curah hujan di setiap wilayah.
Hasil validasi terhadap penentuan AMH dan AMK dari ZOM created dan ZOM existing menunjukkan bahwa performa ZOM created lebih baik dibandingkan dengan ZOM existing ketika menentukan AMH. Namun, ketika menentukan AMK performa dari ZOM existing sedikit lebih baik tetapi cenderung mirip.
Akurasi ZOM dalam merepresentasikan awal musim di setiap titik pos hujan pada ZOM created juga lebih baik dibandingkan ZOM existing. Pada ZOM created permulaan masuknya awal musim hujan pada setiap pos hujan terjadi berkisar ±2 dasarian dari awal musim setiap ZOMnya. Sedangkan pada musim kemarau, permulaannya hanya terjadi berkisar antara ±1 hingga ±2 dasarian. Hasil validasi dapat dilihat pada Tabel 2.

 

 

 

Gambar 7. Grafik Rata-rata Curah Hujan Bulanan di Setiap Wilayah Hasil Cluster


Gambar 8. Peta Wilayah Zona Musim (a) Created (b) Existing

Tabel 2. Hasil Perbandingan AMH dan AMK ZOM Existing dan Created

 

KESIMPULAN
Berdasarkan hasil dan pembahasan diatas dapat ditarik beberapa kesimpulan, yaitu:

Terdapat 21 ZOM di NTB hasil pengelompokan dari data blending antara pos hujan dengan data satelit GSMap, namun dua diantaranya tidak memiliki anggota pos hujan
Performa ZOM created cenderung lebih baik dibandingkan dengan ZOM existing dalam hal penentuan AMH di seluruh wilayah NTB.

DAFTAR PUSTAKA

______2013. Modul Perubahan iklim (Pelatihan Bagi Pelatih (TOT) Penyuluh Pertanian). Jakarta.
Alam, D.P.A. 2010. Pengelompokkan Zona Musim (ZOM) dengan Agglomerative Hierarchical Clustering. Skripsi, Fakultas MIPA. Institut Teknologi Sepuluh November. Surabaya
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 Climatolgy. Vol. 23, hal 1435 - 1452.
Gordon, N., Shaykewich, J., 2000, Guidelines on Performance Assessment of Public Weather Services, World Meteorological Organization, TD No.1023.
Haryoko, U. 2004. Pewilayahan Hujan untuk Menentukan Pola Hujan (Studi Kasus di Indramayu).
Jackson, I. J., dan Weinand, H. 1995. Classification of tropical rainfall stations: a comparison of clustering techniques. International Journal of Climatology, 15(9), 985-994.
Laraswati, T.F. 2014. Perbandingan Kinerja Metode Complete Linkage, Metode Average Linkage, Dan Metode K-Means Dalam Menentukan Hasil Analisis Cluster. Skripsi. Universitas Negeri Yogyakarta. Yogyakarta.
Messina, E. 2014. Modul Cluster Analysis
Nuryanto, D. E. 2012. Keterkaitan Antara Monsun Indo-Australia Dengan Variabilitas Musiman Curah Hujan di Benua Maritim Indonesia Secara Spasial Berbasis Hasil Analsis Data Satelit TRMM. Jurnal Metorologi Dan Geofisika, 13(2), 91–102.
Ramos, M. C. 2001. Divisive and hierarchical clustering techniques to analyse variability of rainfall distribution patterns in a Mediterranean region. Atmospheric Research, 57(2), 123-138.
Saputro, D.R.S., 2011. Pewilayahan Curah Hujan Di Kabupaten Indramayu Dengan Metode Gerombol (Berdasarkan Data Median Tahun 1980-2000). Prosiding Seminar Nasional Penelitian. Universitas Negeri Yogyakarta. Yogyakarta.
Syahputri, A.W. 2017. Studi Komparasi Prakiraan Awal Musim Hujan Zona Musim (Zom) Dan Pos Hujan Di Provinsi Bali, Skripsi. Sekolah Tinggi Meteorologi, Klimatologi dan Geofisika. Jakarta
Tjasyono, B.H K. 2004. Klimatologi. Institut Teknologi Bandung. Bandung.
Yim, O., dan Ramdeen, K. T. 2015. Hierarchical Cluster Analysis: Comparison of Three Linkage Measures and Application to Psychological Data. The Quantitative Methods for Psychology, 11 (1), 8-21.
PENGELOMPOKAN HIERARKI DALAM PENENTUAN ZONA MUSIM (ZOM) MENGGUNAKAN DATA BLENDED TRMM BERESOLUSI TINGGI DI PULAU SERAM

Steven Cahya Andika, Nastiti Andini
Stasiun Klimatologi Seram Bagian Barat
*E-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.


ABSTRAK

Koefisien silhouette digunakan untuk menentukan jumlah optimal kelompok dari metode pengelompokan single, complete, average, dan Ward dengan menggunakan data blended yang beresolusi spasial tinggi (0.02°x0.02°). Penelitian ini bertujuan untuk mendapatkan hasil Zona Musim (ZOM) yang dapat menekan sisi subyektifitas penulis dan mengikuti keadaan topografi dengan data blended yang didapat melalui hasil blending antara hujan observasi dengan data TRMM. Hasil penelitian menunjukan bahwa meski metode complete dan average linkage mempunyai nilai silhouette dan rasio SW-SB yang tinggi, ZOM yang dihasilkan metode average linkage lebih baik untuk diterapkan secara operasional karena lebih mengikuti keadaan topografi dan lebih mengikuti kaidah klimatologi.

Kata kunci : pengelompokan hierarki, zona musim, silhouette, blended TRMM

ABSTRACT

This research propose the usage of silhouette coefficient to determine an optimum number of clusters of single, complete, average, and Ward’s Method along with high spatial resolution 0.020x0.020 blended data. Using the blended data, obtained from blending the in-situ rainfall observation data with TRMM data, we seek to obtain rainfall zonation that both better meets the local topography of Seram Island while minimizing the subjective aspect. The result shows that although both complete and average linkage scores high in silhouette coefficient and SW-SB ratio, the average linkage is more applicable on field since it can understand the topographical and climate aspect better than the complete linkage.

Keywords: hierarchical clustering, rainfall zonation, silhouette, blended TRMM



PENDAHULUAN
Indonesia merupakan negara beriklim tropis yang terdiri atas 2 musim, yakni musim hujan dan kemarau. Badan Meteorologi Klimatologi dan Geofisika (BMKG) mengeluarkan informasi musim berbasis Zona Musim (ZOM) yang didasarkan pada analisis kelompok (cluster analysis) hujan masing-masing daerah.
Analisis kelompok dilakukan untuk mengelompokan data ke dalam beberapa kelompok. Data dalam satu kelompok akan memiliki kesamaan yang besar, sedangkan data yang berbeda kelompok memiliki kesamaan yang kecil. Menurut Halkidi dkk. (2001) dan B. Mirkin (2005), tujuan utama analisis kelompok adalah untuk mengetahui bagaimana keadaan struktur dalam data. Penggunaan metode pengelompokan yang berbeda akan menghasilkan kelompok dan jumlah anggota yang berbeda. Kalkstein dkk. (1987) yang mengevaluasi 3 jenis metode pengelompokan dalam klasifikasi secara sinoptik menunjukan bahwa metode centroid linkage cenderung menghasilkan hasil yang kurang memuaskan karena cenderung membentuk satu kelompok dengan jumlah anggota yang besar, sementara metode average linkage menghasilkan kelompok yang secara meteorologis memuaskan.
Analisis kelompok yang menggunakan data observasi kuantitatif umumnya menggunakan ukuran korelasi dan jarak sebagai ukuran. Zona Musim (ZOM) yang merupakan salah satu hasil analisis kelompok yang digunakan di Indonesia menggunakan ukuran jarak sebagai ukuran pembeda antar titik observasi.
Menentukan banyaknya jumlah kelompok pada suatu data merupakan salah satu masalah yang sering dijumpai oleh peneliti dalam melakukan analisis kelompok. Wilks (2006) menyatakan bahwa salah satu langkah terpenting dalam analisis kelompok adalah memilih saat yang paling tepat untuk menghentikan langkah penggabungan data observasi dengan memaksimalkan tingkat kesamaan dalam kelompok yang sama dan meminimalkan tingkat kesamaan antar kelompok. Langkah ini bersifat subyektif untuk masing-masing orang, karena aturan baku untuk menentukan jumlah kelompok untuk tiap kasus tidaklah jelas. Kualitas kelompok yang terbentuk terlihat dari tingkat kesamaan yang besar masing-masing anggota kelompok disertai dengan tingkat ketidaksamaan yang besar antar kelompok.
Analisis kelompok sangat bergantung pada jumlah data sebagai input. Semakin banyak jumlah data valid yang digunakan, representatif hasil kelompok yang dibentuk. Andika [5] telah melakukan studi konstruksi regionalisasi iklim di Pulau Seram guna membentuk ZOM baru dengan masukan data TRMM yang telah dikoreksi sebagai masukan analisis pengelompokan. Penentuan jumlah optimum pada studi yang dilakukan Andika (2005) masih menggunakan pertimbangan plot jarak terhadap step sehingga subyektifitas penulis masih terlihat. Hasil metode single linkage menunjukan performa yang lebih baik dibandingkan metode complete dan average.
Kriegel, dkk. (2009) menyatakan bahwa analisis kelompok yang menggunakan data berdimensi tinggi akan sulit dilakukan karena menimbulkan beberapa masalah seperti sulitnya visualisasi, ukuran jarak menjadi kurang berarti, dan variabel yang mungkin saling berkorelasi. Jollife (2002) menyatakan bahwa reduksi data asli dapat dilakukan dengan Analisis Komponen Utama (AKU), yang turut menghilangkan adanya korelasi yang muncul antar variabel. Zha, dkk. (2001) menggunakan analisis komponen utama dalam tahap persiapan data yang akan digunakan sebagai input analisis kelompok.
Rousseeuw (1987) memperkenalkan silhouette sebagai salah satu metode yang dapat digunakan untuk mengevaluasi hasil analisis kelompok. Jumlah kelompok yang direkomendasikan oleh indeks ini memberikan hasil yang lebih baik bila dibandingkan dengan indeks lain sebagaimana ditunjukan oleh Arbelaitz dkk. (2013) dan Struyf, dkk. (1997) menyatakan bahwa nilai silhouette ≤ 0.25 berarti bahwa hasil kelompok yang terbentuk kurang baik karena tidak dapat menjelaskan keadaan strukturnya secara substantif. Hasil kelompok dianggap semakin baik bila nilai silhouette mendekati nilai 1.0.
Kualitas ZOM yang bagus turut menentukan kualitas informasi musim yang BMKG keluarkan. Penelitian ini bertujuan untuk mendapatkan ZOM yang lebih baik dengan menggunakan data dengan resolusi yang lebih baik dibandingkan penelitian sebelumnya Andika (2015). Penambahan metode pengelompokan dan metode silhouette diharapkan dapat membantu para prakirawan dalam memutuskan metode apa yang paling sesuai dan berapa jumlah ZOM optimal yang nantinya terbentuk.

DATA DAN METODE
Data yang digunakan dalam penelitian ini yaitu data hasil blending (penggabungan) hujan dasarian observasi dengan data TRMM (3B42RT). Data blending yang digunakan sebagai input, dengan total hingga 3645 titik observasi, merupakan data grid dengan resolusi 0.020 x 0.020 yang terletak di Pulau Seram dan sekitarnya.
Haryoko (2006) menyatakan bahwa hasil analisis pengelompokan yang dilakukan pada data hujan dasarian asli kurang maksimal karena adanya korelasi pada data hujan dasarian yang satu dengan yang lain. Peubah baru yang dapat menerangkan keragaman data asli dapat ditentukan dengan menggunakan analisis komponen utama. Tidak ada panduan pasti dalam memilih berapa jumlah komponen utama yang harus digunakan, namun seberapa besar komponen-komponen utama dapat menerangkan tingkat keragaman variabel asli dapat diketahui dengan menghitung nilai kumulatif proporsi komponen utama yang dipilih nantinya.
Analisis kelompok menggunakan ukuran korelasi dan jarak sebagai ukuran ketidaksamaan. Pengukuran jarak yang akan digunakan dalam penelitian ini yaitu menurut Putra (2010) dan Cantrell (2000) :
Jarak Minkowski, dihitung dengan formula
D(X,Y)=〖 (∑_(i-1)^n▒|x_i-y_i |^p )〗^(1⁄p) ... (1)


Gambar 1. Lokasi Penelitian


Jarak Manhattan, dihitung dengan formula
d_ij= ∑_(k=1)^n▒|x_ik-x_jk | ... (2)
Jarak Chebyshev (Maksimum), dihitung dengan formula
d_ij=max⁡|x_ik-x_jk | ... (3)

Analisis kelompok dilakukan untuk menggabungkan anggota ke dalam kelompok. Metode analisis kelompok yang digunakan antara lain Wilks (2006) :
Single Linkage
Jarak kelompok dihitung dengan formula:
d_(G1,G2)= min┬(i∈G1,j∈G2)⁡[d_(i,j) ] ...(4)
kelompok G1 dan G2 merupakan kelompok yang berbeda, di,j merupakan jarak dari anggota ke-i kelompok G1dan ke-j kelompok G2.
Complete Linkage
Jarak kelompok dihitung dengan formula:
d_(G1,G2)= max┬(i∈G1,j∈G2)⁡[d_(i,j) ] ...(5)
kelompok G1 dan G2 merupakan kelompok yang berbeda, di,j merupakan jarak dari anggota ke-i kelompok G1dan ke-j kelompok G2.
Average Linkage
Jarak kelompok dihitung dengan formula:
d_(G1,G2)= 1/(n_1 n_2 ) ∑_(i=1)^(n_1)▒∑_(j=1)^(n_2)▒d_(i,j) ...(6)
G1 dan G2 merupakan kelompok yang berbeda, n1 merupakan jumlah anggota dari kelompok G1, n2 merupakan jumlah anggota dari kelompok G2, dan di,j merupakan jarak dari anggota ke-i kelompok G1 dan ke-j kelompok G2.
Metode Ward’s
Jarak kelompok dihitung dengan formula:
W= ∑_(g=1)^G▒∑_(i=1)^(n_g)▒〖∥x_1- x ̅_g∥〗^2
= ∑_(g=1)^G▒∑_(i=1)^(n_g)▒∑_(k=1)^K▒(x_(i,k)-x ̅_(g,k) )^2 ..(7)
Hasil analisis kelompok umumnya digambarkan dalam bentuk plot dendogram yang menggambarkan penggabungan anggota ke dalam kelompok terdekat sebagaimana dinyatakan oleh Tan, dkk. (2018).
Pemilihan jumlah kelompok (ZOM) optimum didasarkan dengan pendekatan nilai silhouette. Menurut Rousseeuw (1987), silhouette dapat dihitung dengan formula:
s(i)= (b(i)- a(i))/max⁡{a(i),b(i)} ...(8)
Hasil plot nilai silhouette berdasarkan hasil kelompok tertentu dapat digunakan sebagai bahan evaluasi untuk melihat bagaimana performa metode pengelompokan yang telah didapat. Makin banyak nilai silhouette yang negatif, semakin banyak titik blended TRMM yang “salah” masuk dalam kelompok.
Jumlah ZOM yang ada di Pulau Seram saat ini adalah 3. Karena diduga jumlah ini mestinya dapat bertambah seiring bertambahnya data input, maka jumlah minimum ZOM yang akan dicari adalah 4 ZOM. Jumlah maksimum ZOM yang akan dicari adalah 20. Perhitungan dilakukan dengan bantuan perangkat lunak R. Jumlah optimum kelompok akan terlihat dari hasil perhitungan nilai silhouette rata-rata.
Selain menggunakan hasil plot silhouette, simpangan baku dalam kelompok (Sw) dan simpangan baku antar kelompok (SB ) juga akan dihitung sebagai bahan evaluasi hasil ZOM yang dihitung dengan formula sebagaimana dikemukakan oleh Bunkers dan Miller (1996) :
S_(w )= K^(-1) ∑_(k=1)^K▒S_k ...(9)
S_(B )=[(K-1)^(-1) ∑_(k=1)^K▒(¯(X_k ) - ¯X)^2 ]^(1/2) ...(10)

Untuk mempermudah evaluasi nilai Sw dan SB, nilai perbandingan (rasio) antara Sw dan SB akan turut dihitung. Nilai rasio yang ideal adalah nilai rasio yang kecil. Nilai rasio dihitung dengan formula :
r= S_w/S_B ..(11)

HASIL DAN PEMBAHASAN
Analisis komponen utama menunjukan bahwa 5 komponen utama pertama telah berhasil menerangkan tingkat keragaman variabel asli sebesar 90.7%. untuk mengurangi jumlah variabel asli dan dengan mempertimbangkan total proporsi, pada penelitian ini akan digunakan 5 komponen utama sebagai input analisis pengelompokan. Hasil analisis komponen utama terhadap variabel hujan dapat dilihat pada tabel 1.
Jumlah optimal analisis pengelompokan dengan ukuran jarak Chebyshev (Maksimum), Manhattan, dan Minkowski pada metode Single, Complete, Average, dan Ward dapat dilihat pada tabel 2.
Sesuai dengan tujuan awal penelitian ini, jumlah kelompok yang akan dipilih untuk masing-masing metode adalah yang menghasilkan paling banyak kelompok. Hal ini berarti kelompok dengan metode Complete pada jarak Minkowski, average pada jarak Manhattan, dan Ward pada jarak Manhattan yang akan dipilih sebagai bahan analisis selanjutnya.
Pada metode Single linkage, jarak yang dipilih adalah jarak Chebyshev (maksimum) karena nilai silhouette rata-ratanya paling memenuhi kriteria.
Evaluasi Hasil Kelompok
Pengelompokan optimum masing-masing metode pada masing-masing ukuran jarak telah dilakukan. Hasil plot dendogram analisis kelompok akan dipotong sesuai dengan jumlah optimum kelompok yang telah disarankan oleh hasil perhitungan silhouette. Plot dendogram masing – masing metode dan plot silhouette dapat dilihat pada gambar 2.
Plot dendogram hasil single linkage (gambar 2a) tidak mencerminkan pembagian yang baik kelompok yang baik bila dibandingkan dengan dendogram metode lain. Hal ini terlihat dari mekanisme penggabungan kelompok pada single linkage yang sangat rapat dan terlalu dekat jarak masing-masing anggota. Penggabungan yang terjadi kurang jelas terlihat polanya. Hasil penggabungan yang dihasilkan oleh single linkage membentuk 1 kelompok yang berisikan anggota yang sangat banyak jumlahnya dan 3 kelompok yang sangat sedikit anggotanya.


Tabel 1. Analisis Komponen Utama
Eigenvalue 3536.1 1726.1 973.4 375.8 280 139.5 122 97.6 67.2
Proportion 0.465 0.227 0.128 0.049 0.037 0.018 0.016 0.013 0.009
Cumulative 0.465 0.692 0.821 0.87 0.907 0.925 0.941 0.954 0.963


Tabel 2. Hasil Pengelompokan
Metode Ukuran Jarak
Chebyshev/Maks Manhattan Minkowski
Single 4 4 4
Complete 7 8 17
Average 5 17 4
Ward 4 7 4

Hal yang berbeda ditunjukan oleh dendogram complete, average, dan Ward (gambar 2b-d) yang penggabungan anggotanya tidak terlalu mengelompok dan lebih jelas terlihat.
Plot silhouette (gambar e-h) menunjukan masing-masing metode belum secara sempurna mengelompokan anggota. Hal ini ditunjukan dari masih ada beberapa anggota yang silhouette-nya bernilai negatif. Namun secara umum, plot single linkage (gambar e) menggambarkan lemahnya hasil pengelompokan metode ini, lebih buruk kinerjanya dibandingkan metode average, complete, dan Ward (gambar f-h).
Lemahnya hasil pengelompokan single linkage ditunjukan dengan banyaknya anggota kelompok 2 yang meskipun jumlah anggotanya sangat besar (berjumlah 3611 anggota) silhouette kelompok 2 bernilai negatif (-0.22). Nilai rata-rata silhouette single linkage juga tidak mencerminkan hasil pengelompokan yang baik bila dibandingkan dengan metode complete, average, dan Ward. Hasil pengelompokan complete, average, dan Ward menurut Kaufmann and Rousseuw [9] menunjukan bahwa tiga metode ini dapat memperlihatkan struktur hasil kelompok yang telah terbentuk.
Sebagai bahan tambahan evaluasi hasil pengelompokan, nilai Sb dan Sw, turut dihitung. Metode complete linkage memiliki nilai SB terbesar, sedangkan nilai SW terkecil dimiliki oleh metode single linkage. Nilai rasio terkecil antara SW dan SB dimiliki oleh metode complete, dengan selisih yang kecil terhadap metode average. Dari empat metode yang diuji, single linkage memiliki nilai rasio terbesar. Hal ini berarti metode complete dan average memiliki hasil yang baik karena memiliki perbandingan simpangan dalam dan antar kelompok yang paling baik, sedangkan metode single linkage memiliki hasil yang paling buruk. Hasil perhitungan SW dan SB dapat dilihat pada tabel 3 dibawah.

 


Gambar 2. Dendogram (a-d) Masing-Masing Linkage

Gambar 3. Plot Silhouette (e-h) Masing-Masing Linkage

Tabel 3. Evaluasi Nilai SB, Sw, dan Rasio
Metode SB Sw Rasio
Complete 23.42758 145.7461 6.221132
Average 21.91893 143.7986 6.560475
Single 10.51183 132.3674 12.59223
Ward 19.72521 141.6701 7.182186


Hasil pengelompokan hujan dengan metode single, complete, average, dan Ward bila dispasialkan akan menunjukan hasil yang cukup berbeda satu dengan yang lain. Metode single linkage (gambar 3a) dengan total 4 ZOM kurang relevan dalam menggambarkan keadaan musim di Pulau Seram. Metode single tidak mampu memisahkan ZOM yang berada di Pulau Seram sehingga semua wilayah di Pulau Seram dikelompokan dalam satu ZOM. Hal ini tentu tidak menggambarkan keadaan asli iklim di Pulau Seram dan tidak lebih baik dibandingkan dengan ZOM yang sekarang masih dipergunakan.
Meski metode complete, average dan Ward cenderung lebih mampu memperlihatkan keragaman wilayah hujan di Pulau Seram, masing-masing metode ini memiliki kelemahan secara spasial. ZOM 10 pada complete linkage mempunyai dua wilayah yang terpisah, sesuatu yang kurang dapat dijelaskan secara klimatologis karena terdapat dua daerah yang mempunyai wilayah musim yang sama persis meski terpisah secara wilayah. ZOM yang dihasilkan oleh metode Ward memiliki luasan wilayah yang cukup luas mengingat hasil pengelompokan dengan metode ini hanya menghasilkan 7 ZOM. Ketiga metode ini juga masih memotong wilayah gunung, khususnya Gunung Binaya yang terletak di Maluku Tengah. Wilayah ZOM yang memotong antara lain adalah ZOM nomor 10 dan 12 pada metode complete, ZOM 11 dan 14 pada metode average, dan ZOM nomor 3 dan 6 pada metode Ward.


Gambar 4. Hasil Konstruksi ZOM dengan Metode Single (a), Complete(b), Average(c), dan Ward (d)


KESIMPULAN
Metode single linkage menunjukan performa yang lebih buruk dibandingkan metode lain karena memiliki silhouette dan rasio SW dan SB terendah. Hasil penentuan ZOM metode complete dan average linkage memiliki hasil perhitungan rata-rata silhouette dan rasio SW dan SB yang paling mencerminkan hasil pengelompokan yang ideal. Namun analisis spasial dan jumlah anggota dalam kelompok yang masih bernilai silhouette negatif menunjukan bahwa hasil pengelompokan dengan metode average linkage lebih direkomendasikan untuk diterapkan karena menunjukan hasil yang lebih baik dibandingkan metode complete linkage.
Hasil rekomendasi penentuan ZOM yang didapat berbeda dengan hasil penelitian Andika (2015) yang menyarankan penggunaan metode single linkage di Pulau Seram. Hal ini turut mendukung asumsi yang digunakan pada penelitian sebelumnya bahwa jumlah observasi hujan turut menentukan hasil pewilayahan ZOM.

SARAN
Hasil rekomendasi pengelompokan ZOM dengan metode average linkage masih memiliki 352 anggota yang bernilai silhouette negatif. Hal ini dapat diatasi dengan mengubah anggota-anggota tersebut kepada kelompok terdekatnya dengan turut mempertimbangkan kondisi spasial. Daerah ZOM yang masih memotong wilayah Gunung Binaya pada ZOM average linkage juga sebaiknya sedikit dimodifikasi agar tidak lagi memotong wilayah pegunungan. Hal ini penting dilakukan agar kualitas ZOM yang akan digunakan secara operasional dapat meningkat.
Penambahan metode pengelompokan dan evaluasi hasil pengelompokan dapat ditambahkan pada penelitian selanjutnya. Penggunaan jenis data yang berbeda juga dapat dilakukan sebagai pembanding dengan hasil yang penulis dapat.

DAFTAR PUSTAKA

Halkidi, M., Batistakis, Y., dan Vazirgiannis, M. 2001. On Clustering Validation Techniques, Journal of Intelligent Information Systems 17, hal 107–145, Kluwer Academic Publishers, Belanda.
Mirkin, B. 2005. Clustering for Data Mining: A Data Recovery Approach, Chapman dan Hall/CRC, Boca Raton, Florida.
Kalkstein, L.S., Tan, G., dan Skindlov, J.A. 1987. An evaluation of three clustering procedures for use in synoptic climatological classification, Journal of Climate and Applied Meteorology, vol. 26, hal. 717–730, American Meteorological Society.
Wilks, D. S. 2006. Statistical Methods in the Atmospheric Sciences Second Edition, Academic Press, Amerika Serikat.
Andika, S.C. 2015. Penentuan Zona Musim (ZOM) Menggunakan Data Tropical Rainfall Measuring Mission (TRMM) di Pulau Seram dan Sekitarnya, Skripsi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, Jakarta.
Kriegel, H. P., Kröger, P., Zimek, A. 2009. Clustering high-dimensional data, Journal ACM Transactions on Knowledge Discovery from Data, New York.
Jolliffe, I.T. 2002. Principal Component Analysis, Second Edition, Springer, Inggris.
Zha, H., Ding, C., Gu, M., He, X., dan Simon, H.D. 2001. Spectral Relaxation for K-means Clustering, Neural Information Processing Systems vol.14, Vancouver, Kanada.
Rousseeuw, P.J., 1987. Silhouettes: a Graphical Aid to the Interpretation and Validation of Cluster Analysis, Journal of Computational and Applied Mathematics vol. 20, hal. 53-65, Elsevier Science Publisher, Belanda.
Arbelaitz O., Gurrutxaga, I., Muguerza,J., Pérez,J.M, dan Perona, I. 2013. An extensive comparative study of cluster validity indices, Pattern Recognition Vol. 46 Issue 1, hal. 243-256, Elsevier Science Inc. New York, Amerika Serikat.
Struyf, A., Hubert,M., dan Rousseeuw, P.J.. 1997. Clustering in an Object-Oriented Environment, Journal of Statistical Softwares Vol. 1, DOI: 10.18637/jss.v001.i04
Haryoko, U. 2006. Pewilayahan Hujan Untuk Menentukan Pola Hujan (Contoh Kasus Kabupaten Indramayu), Jurnal BMKG, Indonesia.
Putra, D. 2010. Pengolahan Citra Digital, Penerbit Andi, Indonesia.
Cantrell, C. D. 2000. Modern Mathematical Methods for Physicists and Engineers, Cambridge University Press ,Cambridge.
Tan, Pang-Ning., Steinbach, M., Karpatne, A., Kumar, V. 2018. Introduction to Data Mining (Second Edition), Errata, Amerika Serikat.
Bunkers, M. J. dan Miller Jr, J. 1996. Definition of Climate Regions In The Northern Plains Using an Objective Cluster Modification Technique, Journal of Climate volume 9.
https://malukutengahkab.bps.go.id/ . (Diakses pada 25 April 2018)
https://sbbkab.bps.go.id/ . (Diakses pada 25 April 2018)
https://sbbkab.bps.go.id/ . (Diakses pada 25 April 2018)

 



EVALUASI ZOM DAN PEWILAYAHAN CURAH HUJAN
DALAM PENENTUAN ZONA MUSIM KEMARAU
DI WILAYAH SUMATERA BARAT

Sugeng Nugroho*, Fitri Adi Suryanto, Rizky Armei Saputra, Rodi Yunus dan Sita Darma Adil

Badan Meteorologi Klimatologi dan Geofisika, Stasiun Klimatologi Padang Pariama, Jln. Padang-Bukittinggi Km.51, Sicincin, Padang Pariaman, Sumatera Barat, 25584.
*Email: This email address is being protected from spambots. You need JavaScript enabled to view it.


ABSTRAK

Pewilayahan curah hujan penting untuk dilakukan kaitanya dengan informasi ketersediaan air bagi sektor pertanian.Pewilayah curah hujan sangat tergantung pada karakteristik dan pola distribusi hujan, secara spasial maupun temporal yang variabilitasnya ditentukan faktor pengendali hujan, baik sekala, global, regional maupun lokal.Tujuan dari penelitian ini adalah untuk melakukan evaluasi terhadap ZOM Sumatera Barat dan pewilayahan curah hujan yang baru sebagai alternative daerah prakiraan musim.Penelitian dilakukan dengan menggunkan data curah hujan dasarian periode 1985-2015 di wilayah Sumatera Barat.Pengelompokan hujan dilakukan dengan menggunkan pendekatan kemiripan pola data.Pewilayahan dilakukan dengan deliniasi dan interpolasi data hasil pengelompokan curah hujan. Hasil pewilayahan dibandingkan dengan pola pewilayahan hasil penelitian sebelumnya dan data survey lapangan. Penelitian menghasilkan Zona Musim Kemarau (ZMK) sebagai bentuk dari daerah prakiraan musim yang baru wilayah Sumatera Barat. ZMK secara umum mempunyai pola wilayah yang sama jika dibandingkan dengan hasil penelitian sebelumnya dan kesamaan kondisi dengan data hasil survey lapangan. Hasil evaluasi dengan membandingkan ZOM dengan ZMK menghasilkan perbedaan-perbedaan daerah-daerah prakiraan musim di wilayah Sumatera Barat.

Kata kunci: pewilayahan curah hujan, ZOM, musim kemarau Sumatera Barat

ABSTRACT

Rainfall region is important to do with the information of water availability for agriculture sector. The rainfall region is very dependent on the characteristics and patterns of rain distribution, spatially and temporally, whose variability is determined by rain control factor, global, regional and local scale The purpose of this research is to conduct an evaluation of the ZOM of West Sumatra and the new rainfall area as an alternative to the forecast area of the season. The research was conducted by using dekade rainfall data for the period of 1985-2015 in West Sumatera. The rain clustering is done by using the similarity approach of the data pattern. with delineation and interpolation of data from the clustering of rainfall. The regional outcomes are compared with the pattern of zoning of previous research results and field survey data. The study produced the Dry Season Zone (ZMK) as a form of new seasonal forecast area of West Sumatra region. ZMK in general has the same regional pattern when compared with previous research results and the similarity of conditions with field survey results data. Evaluation results by comparing ZOM with ZMK resulted in differences in forecast areas of the season in West Sumatra.

Keywords: rainfall area, ZOM, dry season of West Sumatra

 


1. PENDAHULUAN
Curah hujan merupakan salah satu unsur iklim yang sangat penting, karena keberadaannya secara lansung akan mempengaruhi ketersediaan air di suatu wilayah (Bates, 2008). Informasi musim yang didasarkan pada pewilayahan curah hujan sangat diperlukan khususnya untuk petani dalam penjadwalan musim tanam berkaitan dengan kecukupan ketersediaan air untuk suatu jenis tanaman. Pewilayahan curah hujan sangat tergantung pada karakteristik dan pola distribusi hujan yang terjadi di suatu wilayah, baik secara spasial maupun temporal.Karakteristik dan pola hujan di suatu wilayah ditentukan oleh variabilitasnya yang dipengaruhi oleh faktor global, regional dan lokal. Variabilitas curah hujan di wilayah Indonesia dikendalikan oleh ENSO dan IOD, sebagai fakor global, SST, monsoon dan pola tekanan udara, sebagai faktor regional, posisi geografi dan topografi sebagai faktor lokal. Semakin banyak faktor pengendali variabilitas hujan semakin tinggi sehingga semakin bervariasi dalam pengelompokannya.
Beberapa pewilayahan curah hujan di Indonesia sebagai akibat adanya pengaruh fator-faktor pengendali tersebut diantaranya telah dilakukan diantaranya oleh Edvin dan Sutanto (2003) yang mengelompokan tipe curah hujan di wilayah Indonesia menjadi tipe monsoonal, equatorial dan lokal berdasarkan pada hubungan tipe curah hujan dengan suhu muka laut. Menurut Sandy (1987), Sumatera Barat dibagi kedalam tiga wilayah iklim, yaitu wilayah pesisir barat, dengan jumlah curah hujan rata–rata tahunan besar, wilayah lembah pedalaman, dengan jumlah curah hujan rata–rata tahunan kecil dan wilayah dataran timur, dengan jumlah curah hujan rata–rata tahunan tidak sebesar wilayah pesisir barat dan tidak sekecil wilayah lembah pedalaman. Sumatera Barat merupakan daerah yang berada di daerah khatulistiwa memiliki pola curah hujan equatorial ditandai dengan adanya dua puncak musim hujan dalam satu tahun (bimodal) yaitu puncak pertama pada bulan Maret dan puncak kedua pada bulan November (Nuryadi dkk., 2010). Hamada, dkk. (2008) mengelompokan curah hujan di Sumatera Barat menjadi wilayah coastal dan inland berdasarkan pengaruh topografi terhadap respon terhadap faktor angin pada lapisan 850 hPa.
Seperti wilayah Indonesia pada umumnya, wilayah Provinsi Sumatera Barat juga mempunyai dua musim, yaitu: musim hujan dan musim kemarau. Difinisi musim ini didasarkan pada jumlah curah hujan perdasarian (sepuluh harian) dengan kriteria yang telah ditentukan. Nugroho (2002) menunjukan secara umum wilayah peisisir barat Sumatera Barat sepenjang tahun mengalami musim hujan dan wilayah Sumatera Barat di sebelah barat Bukit Barisan mengalami musim kemarau. Pada saat ini, BMKG membagi wilayah Sumatera Barat menjadi tujuh wilayah ZOM dan non-ZOM.Wilayah ZOM adalah wilayah yang secara jelas terlihat perbedaan antara musim hujan dan musim kemarau. Sementara wilayah non-ZOM adalah wilayah yang sepanjang tahun mengalami musim hujan. Terdapat perbedaan wilayah musim hujan/kemarau hasil deliniasi wilayah yang dilakukan oleh Nugroho (2002) dan deliniasi wilayah ZOM (BMKG, 2017).
Tujuan tulisan adalah untuk melakukan evaluasi wilayah ZOM Sumatera Barat dan pewilayahan curah hujan dengan menggunakan data curah hujan dasarian periode 1985-2015 sebagai alternatif daerah prakiraan musim di Provinsi Sumatera Barat.

2. DATA DAN METODE
Penelitian dilakukan di wilayah Provinsi Sumatera Barat dengan menggunakan data curah yang tercatat di 51 pos penakar hujan pada periode 1985-2015 bersumber dari Stasiun Klimatologi Padang Pariaman, BMKG Sumatera Barat, seperti yang terlihat pada peta Gambar 1.


Gambar 1. Peta sebaran pos penakar hujan wilayah Provinsi Sumatera Barat yang digunakan dalam penelitian (sumber: Staklim Padang Pariaman, 2018).

Data rata-rata curah hujan dasarian digunakan untuk menentukan apakah suatu pos hujan termasuk dalam kriterian musim hujan/kemarau berdasarkan kriteria yang secara umum dipakai oleh BMKG yaitu musim kemarau ditandai dengan curah hujan yang kurang dari 50 mm/dasarian dan diikuti paling sedikit dua dasarian berikutnya. Hasil pengelompokan kemudian dideliniasi dengan menggunakan program pemetaan. Pembuatan wilayah daerah prakiraan musim alternatif dilakukan dengan menggunakan metode cluster berdasarkan pada kemiripan (similiarity level) pola pada pos-pos hujan yang ada di wilayah Sumatera Barat. Selanjutnya dilakukan evaluasi dengan menggunakan pola pewilyahan curah hujan hasil-hasil penelitian yang telaha dilakukan di wilayah Sumatera Barat. Evaluasi juga dilengkapi dengan hasil survei lapangan pada bulan Oktober sampai dengan November 2017.
3. HASIL DAN PEMBAHASAN
3.1 Wilayah musim hujan/kemarau Sumatera Barat
Hasil deliniasi wilayah musim hujan/kemarau berdasarkan pada tiga pola pewilayahan yang telah dibuat: reproduksi peta wilayah musim hujan/kemarau periode data 1985-2000 hasil penelitian Nugroho (2002), peta wilayah musim hujan/kemarau berdasarkan ZOM-BMKG dan peta baru berdasarkan periode data 1985-2015.
Peta tiga pola pewilayahan musim hujan/kemarau seperti terlihat pada Gambar 2-4. Hasil overlay pos-pos hujan wilayah Sumatera Barat tahun 2016-2017 terhadap ketiga pola wilayah musim tersebut menghasilkan beberapa perbedaan pengelompokan pos hujan seperti yang terlihat pada Tabel 1. Perbedaan dikategorikan menjadi dua kelompok, yaitu perbedaan signifikan (nyata) dan tidak signifikan (tidak nyata). Kelompok dengan perbedaan signifikan diasumsikan terjadi pada wilayah yang luas, pola hujan yang jelas antara musim hujan dan musim kemarau. Perbedaan yang tidak signifikan diasumsikan dapat terjadi sebagai akibat dari deliniasi dan interpolasi dari metode pemetaan yang dilakukan pada penelitian ini.
Analisis data pada Tabel 1 dan peta pada Gambar 2-4 didapatkan hasil yang berbeda antara pewilayahan zona musim yang dilakukan oleh Nugroho (2002), ZOM-BMKG (2017) dan hasil pengolahan data zona musim pada penelitian yang dilakukan.
Tabel 1.Perbandingan Pewilayahan Musim Hujan/Kemarau Pada Pos-Pos Penakar Hujan di Wilayah Sumatera Barat Berdasarkan Nugroho (2000), ZOM-BMKG (2017) dan Pengolahan Data Zona Musim Kemarau (2018)
Pos Hujan Kabupaten / Kota Nugroho (2002) ZOM-BMKG (2017) Pengolahan Data Zona Musim Kemarau (2018)
Koto Tabang Agam ZMK non-ZMK Non-ZMK
Pasadama* Agam ZMK non-ZMK ZMK
Koto Tuo* Agam non-ZMK non-ZMK ZMK
Gobah Agam ZMK non-ZMK ZMK
Talao Bukittinggi ZMK non-ZMK ZMK
Suliki 50 Kota ZMK non-ZMK ZMK
Muara Paiti 50 Kota ZMK non-ZMK ZMK
Koto Tinggi 50 Kota ZMK non-ZMK ZMK
Petok (Tapus) Pasaman ZMK non-ZMK ZMK
Rao Pasaman non-ZMK ZMK non-ZMK
Sutera* Pesisir Selatan non-ZMK non-ZMK ZMK
Gunung Talang Solok ZMK non-ZMK ZMK
Kubung Solok ZMK non-ZMK ZMK
Malalo Tanah Datar ZMK non-ZMK ZMK
Batipuh Tanah Datar non-ZMK non-ZMK ZMK
Koto Parik Gadang Solok Seatan non-ZMK ZMK non-ZMK
Lubuk Gadang Solok Selatan non-ZMK ZMK non-ZMK
Muara Labuh Solok Selatan non-ZMK ZMK non-ZMK
Pekonina Solok Selatan non-ZMK ZMK non-ZMK
Sangir Jujuan Solok Selatan non-ZMK ZMK non-ZMK
*) terjadi perbedaan yang tidak signifikan (tidak nyata), ZMK: zona musim kemarau, daerah yang jelas perbedaan antara musim hujan dan kemarau, non-ZMK: non-zona musim kemarau.


Gambar 2. Peta Zonasi Musim wilayah Provinsi Sumatera Barat berdasarkan data periode 1985-2000 (sumber: dicetak ulang dari Nugroho, 2002).

Gambar 3. Peta Zonasi Musim wilayah Provinsi Sumatera Barat berdasarkan data periode 1981-2010 (sumber: BMKG, 2017)

Gambar 4. Peta Zonasi Musim wilayah Provinsi Sumatera Barat berdasarkan data periode 1985-2015 (sumber: pengolahan data, 2018).
Perbedaan secara signifikan (nyata) terjadi di Kabupaten Solok Selatan, yang meliputi pos hujan: Koto Parik Gadang Diateh, Lubuk Gadang Selatan, Muara Labuh, Pekonina, Sangir Jujuhan dan Sei Kunyit, dimana menurut wilayah ZOM-BMKG pada daerah tersebut termasuk daerah yang mengalami musim kemarau. Sedangkan menurut dua pewilayahan lainnya, daerah tersebut mengalami musim hujan sepanjang tahun. Perbedaan signifikan juga terlihat di pos hujan Rao dan Tapus (Kab. Pasaman), pos hujan Suliki, Muara Paiti dan Koto Tinggi (Kab. 50 Kota), pos hujan Gunung Talang dan Kubung (Kab. Solok), pos hujan Malalo dan Batipuh (Kab.Tanah Datar), pos hujan Talao (Kota Bukittinggi) dan pos hujan Kototabang dan Gobah (Kab.Agam).
Pewilayahan Zona Musim Kemarau
Hasil pengelompokan (cluster) curah hujan dasarian dengan menggunkan kriteria tingkat kemiripan/kesamaan (similarity level) pola hujan dan subyektivitas analisis pola hujan di wilayah Sumatera Barat didapatkan pewilayahan zona musim kemarau (ZMK) yang baru untuk wilayah Sumatera Barat. ZMK ini diharapkan dapat menjadi alternatif wilayah/zona/daerah prakiraan musim di wilayah Sumatera Barat. Peta ZMK Sumatera Barat seperti terlihat pada Gambar 6.

Gambar 5. Peta Zonasi Musim wilayah Provinsi Sumatera Barat berdasarkan periode data tahun 1985-2015 (sumber: buletin PMK/PMH, Staklim Padang Pariaman, 2017)

Gambar 6. Peta Zona Musim Kemarau (ZMK) wilayah Provinsi Sumatera Barat berdasarkan periode data tahun 1985-2015 (sumber: pengolahan data, 2018)
ZMK wilayah Sumatera Barat terdiri dari sembilan zona, seperti yang terlihat pada Tabel 2. Terdapat perbedaan jika dibandingkan dengan daerah prakiraan musim berdasarkan pada ZOM-BMKG (Gambar 5). Perbedaan paling mencolok terlihat pada ZOM-28, dimana hampir sebagian dari ZOM tersebut tidak masuk daerah prakiraan musim menurut kriteria ZMK, yaitu daerah prakiraan yang berada di wilayah Kab.Solok Selatan dan menjadi Zona-3 dan Zona-4 yang berada di wilayah Kab.Solok dan Kota Solok. Perbedaan juga terlihat pada ZOM-20, dimana pada kriteria ZMK, ZOM ini terbagi menjadi dua kelompok, yaitu Zona-1, yang meliputi wilayah Kab.Tanah Datar dan Zona-5 yang berada di wilayah Kab.Sawahlunto-Sijunjung. Perbedaan juga terlihat pada ZOM-15 dan ZOM-16, yang tidak lagi menjadi daerah prakiraan musim menurut kriteria ZMK, Pada ZMK muncul daerah Tapus sebagai daerah prakiraan musim sebagai Zona-9 yang pada kriteria ZOM merupakan bagian dari daerah non-ZOM-13. Secara umum daerah prakiraan musim dengan kriteria ZMK ini terlihat lebih detil jika dibandingkan dengan kriteria ZOM.

 

 

Tabel 2. Perbandingan Pewilayahan Zona Prakiraan Musim: Kriteria ZOM-BMKG (2017) dan Pengolahan Data Zona Musim Kemarau/ZMK (2018) di Wilayah Provinsi Sumatera Barat.
ZOM-BMKG (2017) Zona Musim Kemarau/ZMK (2018)
ZOM Pos Hujan Kab./Kota Zona Pos Hujan Kab./Kota
ZOM 15 Rao Kab. Pasaman Zona 1 Sungayang
Padang Ganting
Galo Gandang
Rambatan
Cubadak
Batipuh Tanah Datar
ZOM 16 Tidak ada pos hujan di Sumatera Barat --- Zona 2 Sei Dareh
Sitiung Kab. Dharmasraya
ZOM 18 Suliki
Koto Tinggi
Harau
Payakumbuh Muaro Paiti
Pangkalan Kab. 50 Kota dan Kota Payakumbuh Zona 3 Sukarami
Muara Panas
Lubuk Sikarah
Sumani Kab. Solok dan Kota Solok
ZOM 20 Sungayang
Padang Ganting
Galo Gandang
Rambatan
Cubadak
Batipuh
Kumanis
Sumpur Kudus
Sawah Lunto
Sijunjung
Bukittinggi
Koto Tuo Kab. Tanah Datar, Kab. Sawahlunto/
Sijunjung, dan Kota Bukittinggi Zona 4 Alahan Panjang
Surian Kab. Solok
ZOM 21 Sei Dareh
Sitiung Kab. Sawahlunto/
Sijunjung Zona 5 Kumanis
Sumpur Kudus
Sawah Lunto
Sijunjung Kab. Sawahlunto/
Sijunjung
ZOM 28 Sukarami
Muara Panas
Lubuk Sikarah
Sumani
Alahan Panjang
Surian
Lubuk Gadang
Muara Labuh Kab. Solok dan Kab. Solok Selatan Zona 6 Suliki
Koto Tinggi
Harau
Payakumbuh Kab. 50 Kota dan Kota Payakumbuh
ZOM 29 Tidak ada pos hujan di Sumatera Barat --- Zona 7 Muaro Paiti
Pangkalan Kab. 50 Kota
Zona 8 Bukittinggi
Koto Tuo Kab. Agam dan Kota Bukittinggi
Zona 9 Tapus Kab. Pasaman
Jumlah = 7 ZOM Jumlah = 9 Zona Musim Kemarau (ZMK)

 


Tabel. 3. Perbandingan Hasil Pengelompokan Pos Hujan Berdasarkan Kriteria Hamada, dkk. (2008) dan Pengolahan Data Zona Musim Sumatera Barat (2018)
Pos Hujan Kriteria Pengelompokan
Hamada dkk..
(2008) Pengolahan data
Zona Musim (2018)
Sukarami Inland ZMK
Lubuk Gadang Inland ZMK
Sijunjung Inland ZMK
Sitiung Inland ZMK
Alahan Panjang Inland ZMK
Tabing Coastal non-ZMK
Indarung Coastal non-ZMK
Bandar Buat Coastal non-ZMK
Solok (Lubuk Sikarah) Inland ZMK
Muara Panas Inland ZMK
Kumanis Inland ZMK
Batusangkar (Cubadak) Inland ZMK
Rambatan Inland ZMK
Galo Gandang Inland ZMK
Kayutanam (Kandang Ampek) Coastal non-ZMK
Sicincin Coastal non-ZMK
Padang Panjang Inland non-ZMK
Gumarang (Lubuk Basung) Inland non-ZMK
Muara Paiti Inland ZMK
Tanjung Pati (Harau) Inland ZMK
Bonjol Coastal non-ZMK
Lubuk Sikaping Coastal non-ZMK
Sasak Coastal non-ZMK
Sukamenanti Coastal non-ZMK
Rao Inland non-ZMK

Hubungan iklim khususnya curah hujan, ketersediaan air dan vegetasi terutama pada daerah-daerah tadah hujan (rainfed) dapat menjadi tanda seberapa banyak hujan yang terdistribusi di daerah tersebut (Miller, 1977). Menggunakan hasil penelitian survei lapangan untuk mengkonfirmasi data curah dasarian dalam menentukan zona musim di beberapa wilayah Sumatera Barat. Pada Gambar 7 dan 8 terlihat beberapa gambar foto hasil survei lapangan dilakukan pada bulan Oktober 2017 (Saputra, 2018).
Gambar 7 menunjukan foto-foto survei lapangan di Lima Kaum (Kab.Tanah datar), Luhak (Kab. 50 Kota), Gunung Talang (Kab.Solok) dan Sijunjung (Kab.Sijunjung) yang berdasarkan data curah hujan dasariannya termasuk dalam daerah yang secara jelas mengalami musim kemarau. Foto-foto tersebut secara visual dapat dijadikan validasinya.
Gambar 8 menunjukan photo-photo survei lapangan di Rao dan Tapus (Kab.Pasaman), Padang Laban (Kab.Pesisir Selatan) dan Muara Labuh (Kab. Solok Selatan). Daerah Rao, menurut kriteria ZOM dan non-ZOM merupakan daerah yang secara jelas mengalami musim kemarau (ZOM). Sedangkan menurut Nugroho (2002) dan hasil pengolahan menunjukan daerah tersebut tidak secara jelas mengalami musim kemarau atau daerah non-ZOM. Hasil survei lapangan secara visual juga menggambarkan bahwa daerah tersebut juga merupakan daerah yang tidak masuk dalam kriteria zona musim kemarau. Tapus secara jarak tidak terlampau jauh dari Rao namun mempunyai karakteristik hujan yang sedikit berbeda. Daerah Tapus merupakan daerah non-ZOM, artinya daerah tersebut mengalami musim hujan sepanjang tahun. Menurut Nugroho (2002) dan hasil pengolahan data pada penelitian ini menunjukan bahwa daerah Tapus/ Panti termasuk dalam kriteria zona musim kemarau. Seperti halnya kondisi yang terlihat pada gambar yang menunjukan kondisi kering di lahan sawah. Pada Sawah tadah hujan menurut (Saputra, 2018) di Panti, padi mengalami gagal panen karena kekeringan tetapi jagung masih dapat tumbuh dan menghasilkan dengan baik.
Daerah Padang Laban terletak di Kab. Pesisir Selatan, berada di pesisir barat Sumatera Barat, yang dalam beberapa referensi mempunyai tipe iklim basah dengan curah hujan rata-rata tahunan yang tinggi. Hasil pewilayahan zona musim menunjukan hal yang sama kecuali hasil pewilayah yang dilakukan pada penelitian ini, kemungkinan karena adanya pengaruh dari metode deliniasi ataupun interpolasi yang dipakai dalam penelitian ini. Namun hasil survei lapangan menunjukan daerah tersebut seperti daerah yang mengalami musim kemarau singkat.


Gambar 7. Hubungan curah hujan-air-vegetasi di zona musim kemarau wilayah Sumatera Barat (sumber: survei lapangan penelitian Saputra, 2018).


Gambar 8. Hubungan curah hujan-air-vegetasi di zona musim hujan-kemarau wilayah Sumatera Barat (sumber: survei lapangan penelitian, Saputra, 2018).

Daerah Muara Labuh berada di Kabupaten Solok Selatan, pewilayahan ZOM-BMKG memasukan daerah ini sebagai daerah sebagai daerah ZOM, artinya daerah tersebut mengalami musim kemarau. Namun menurut pewilayahan yang telah dilakukan oleh Nugroho (2002) dan hasil pengolahan data yang dilakukan pada penelitian ini menunjukan bahwa daerah Muara Labuh merupakan daerah yang tidak termasuk dalam zona musim kemarau (non-ZMK), seperti juga tampak jelas pada Gambar 8.
Perubahan suatu daerah dari kering menjadi basah atau sebaliknya bisa terjadi karena adanya perubahan iklim di daerah tersebut. Terjadinya peningkatan variasi curah hujan daerah basah menjadi lebih basah dan daerah kering dan menjadi lebih kering atau sebaliknya sesuai dengan hasil penelitian Dore (2005) peningkatan variasi curah hujan di daerah khatulistiwa.

5. KESIMPULAN
Berdasarkan pada pengolahan data, analisis dan diskusi yang telah dipaparkan maka didapatkan kesimpulan dari hasil penelitian ini:
Evaluasi terhadap ZOM 1981-2010 terlihat secara nyata terdapat daerah-daerah yang mengalami musim kemarau tapi tidak termasuk dalam ZOM ataupun sebaliknya. Penelitian ini berhasil melakukan beberapa evaluasi dan koreksi terhadap hal tersebut.
Zona Musim Kemarau (ZMK) yang baru di wilayah Sumatera Barat sebagai hasil dari pengolahan, analisis dan pewilayahan data curah hujan dasarian periode 1985-2015 dan telah dibandingkan dengan pewilayah dan pengelompokan curah hujan hasil penelitian sebelumnya (Nugroho, 2002 dan Hamada, dkk. 2008) secara umum mempunyai kemiripan wilayah. Evaluasi ZMK juga dilakukan dengan menggunakan data-data hasil survei lapangan sebagai bentuk validasi didapatkan 9 zona ZMK yang lebih detil dari ZOM.

DAFTAR PUSTAKA
Aldrian, E. dan R.D. Susanto. 2003. Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature. International Journal Climatology, 23: 1435–1452.
Bates, B.C., Z.W. Kundzewicz, S. Wu dan J.P. Palutikof, Eds. 2008.Climate Change and Water.Technical Paper of the Intergovernmental Panel on Climate Change, IPCC Secretariat, Geneva, 210 pp.
Dore, M.H.I .2005. Climate change and changes in global precipitation patterns:What do we know? Environment International 31:1167– 1181 https://doi.org/10.1016/j.envint.2005.03.004
Hamada, J.I., M.D. Yamanaka, S. Mori, Y.I. Tauhid dan T. Sribimawati. 2008. Differences of Rainfall Characteristics between Coastal and Interior Areas of Central Western Sumatera, Indonesia. Journal of the Meteorological Society of Japan, Vol. 86, No. 5, pp. 593-611.
Miller, D.H. 1977. Water at the Surface of the Earth.An Introduction to Ecosystem hydrodynamics. Academic Press. Student Edition.
Nuryadi, D. Harmanto, D Gunawan. 2010. Hubungan Indeks Penguapan di Samudera Hindia dengan sebaran curah hujan di Sumatera Barat. Depok: FMIPA-UI
Nugroho, S. 2002. Pengaruh El Nino Terhadap Curah Hujan di Sumatera Barat Tahun 1960-2000.Skripsi. Jurusan Geografi, FMIPA-Universitas Indonesia, Depok.
Saputra, R.A. 2018. Efek Perubahan Zona Agroklimat Klasifikasi Oldeman 1910-1941 sampai dengan 1985-2015 Terhadap Pola Tanam Padi Sumatera Barat. Tesis. Program Pascasarjana, Universitas Andalas, Padang.
Sandy, I.M. 1987. Iklim Regional Indonesia. Jurusan Geografi, FMIPA-Universitas Indonesia, Jakarta.
______2017, Stasiun Klimatologi Padang Pariaman.2017. Buletin Prakiraan Musim Kemarau di Wilayah Provinsi Sumatera Barat.

KAJIAN POTENSI BERUBAHNYA STATUS PULAU BELITUNG MENJADI WILAYAH ZOM BERDASARKAN DATA CHIRPS


Akhmad Fadholi1,2 dan Rizki Adzani2
1MPPDAS, Fakultas Geografi, Universitas Gadjah Mada, Yogyakarta
2Stasiun Meteorologi Depati Amir, Pangkalpinang
*Email: This email address is being protected from spambots. You need JavaScript enabled to view it.


ABSTRAK

Pulau Belitung merupakan pulau kedua terbesar setelah Pulau Bangka dalam formasi Provinsi Kepulauan Bangka Belitung. Hasil penelitian terdahulu menyimpulkan bahwa Pulau Belitung adalah wilayah dengan pola curah hujan ekuatorial dengan curah hujan bulanan tiap bulannya selalu mencapai atau lebih dari 150 mm yang kemudian ditetapkan oleh BMKG sebagai wilayah Non ZOM. Namun, penentuan status Non ZOM yang digunakan di Pulau Belitung yang hanya berdasarkan titik pengamatan yang tidak merata memberikan peluang untuk mengkaji ulang status Non ZOM Pulau Belitung. Penelitian ini bertujuan untuk menghitung kembali normal curah hujan dasarian dengan data estimasi curah hujan CHIRPS selama 37 tahun serta mengidentifikasi awal musim kemarau (AMK) dan awal musim hujan (AMH) yang dihasilkan. Metode validasi awal musim dengan kriteria hari hujan dan persentasi curah hujan di atas 50 mm digunakan untuk meyakinkan awal musim yang teridentifikasi dari perhitungan normal curah hujan dasarian seluruh grid yang ada. Hasil perhitungan normal curah hujan dasarian menunjukkan AMK yang jatuh di bulan Juli dasarian III dan AMH di September dasarian III. Hasil validasi hari hujan menunjukkan AMK dan AMH dapat diterima seluruh wilayah Pulau Beitung dengan kriteria hari hujan 3. Hasil validasi persentase curah hujan lebih dari 50 mm menunjukkan AMK diterima, sedangkan AMH harus mundur dua dasarian untuk mencaapai aklamasi seluruh wilayah.

Kata kunci: Belitung, ZOM, Curah Hujan Dasarian, CHIRPS

ABSTRACT

Belitung Island is the second largest island after Bangka Island in formation of Bangka Belitung Islands Province. The previous research concluded that Belitung Island has equatorial rainfall pattern with monthly rainfall every month always reaches or more than 150 mm which is determined by BMKG as Non ZOM region. However, the determination of Non ZOM status used in Belitung Island based on few observation points and makes a chance to review the status of this island. This study aims to recalculate the normal of dasarian scale rainfall with CHIRPS data for 37 years and identify the dry season and rainy season onset from the normal of dasarian scale rainfall. Validation methods for the onset of season with wed days criteria and rainfall percentages above 50 mm are used to convince the beginning of the season identified from the normal calculation of dasarian scale rainfall throughout the existing grid. The results of normal calculations of dasarian scale rainfall shows the onset of dry season is on July dasarian III and wet season on September dasarian III. Wet days validation results dry season and wet season onset are acceptable to all areas of Beitung Island by 3 wet days criteria. The result of validation of rainfall percentage more than 50 mm indicates dry season onset is accepted, while wet season onset must withdraw two dasarian to achieve acclamation of whole area.

Keywords: Belitung, ZOM, Dasarian Scale Rainfall, CHIRPS



PENDAHULUAN
Secara umum, Aldrian dan Susanto (2003) membagi wilayah distribusi curah hujan bulanan di Indonesia menjadi 3 (tiga) pola hujan yaitu Pola Monsun, Pola Ekuatorial, dan Pola Lokal. Pola hujan monsun yang memiliki perbedaan yang jelas antara periode musim hujan dan periode musim kemarau kemudian dikelompokan dalam Zona Musim (ZOM), tipe curah hujan yang bersifat unimodial (satu puncak musim hujan, Desember hingga Februari untuk musim hujan dan Juni hingga Agustus untuk musim kemarau). Pola hujan ekuatorial yang memiliki distribusi hujan bulanan bimodial dengan dua puncak musim hujan maksimum dan hampir sepanjang tahun masuk dalam kreteria musim hujan. Pola ekuatorial dicirikan oleh tipe curah hujan dengan bentuk bimodial (dua puncak hujan) yang biasanya terjadi sekitar bulan Maret dan Oktober atau pada saat terjadi ekinoks. Pola hujan lokal yang memiliki distribusi hujan bulanan kebalikan dengan pola monsun. Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu puncak hujan), tetapi bentuknya berlawanan dengan tipe hujan monsun.
Wilayah dengan pola curah hujan monsunal ini yang kemudian dikenal wilayah yang memiliki musim atau ZOM, sedangkan wilayah dengan dua pola curah hujan lainnya disebut Non ZOM. Definisi musim menurut Tjasyono (2006) adalah periode dengan unsur iklim mencolok, misal musim panas ditandai dengan temperatur yang tinggi , musim hujan ditandai dengan jumlah curah hujan yang berlimpah., sedangkan Kamus Besar Bahasa Indonesia versi daring (KBBI-online) memberikan definisi musim yang salah satunya adalah waktu tertentu yang bertalian dengan keadaan iklim. Dua definisi tersebut, Dayantolis dkk (2016) kemudian memberikan definisi musim hujan sebagai keadaan iklim dalam periode tertentu yang banyak terjadi atau sering berlangsung hujan dan musim kemarau sebagai keadaan iklim dalam periode tertentu banyak terjadi atau sering berlangsung keadaan tanpa hujan. Dalam definisi tersebut, patokan seberapa banyak atau seberapa sering hujan atau tidak hujan mengacu kepada konsep BMKG yang ditentukan oleh curah hujan dalam 10 harian (dasarian).
BMKG (2015) menyebutkan pertanda dimulainya musim hujan berdasar jumlah curah hujan dalam satu dasarian sama atau lebih besar dari 50 mm dan diikuti oleh dua dasarian berikutnya. Adapun pertanda dimulainya musim kemarau berdasar jumlah curah dalam satu dasarian kurang dari 50 mm dan diikuti oleh dua dasarian berikutnya. Dengan demikian berdasarkan curah hujan dasarian, periode yang disebut musim hujan jika curah hujannya lebih dari sama dengan 50 mm dan periode yang disebut musim jika curah hujannya kurang dari 50 mm. Penetapan periode tersebut dengan merataratakan curah hujan pada masing-masing dasarian selama 30 tahun. Hasil rata-rata curah hujan masing-masing dasarian tersebut kemudian dinyatakan sebagai nilai normal yang dalam konteks penentuan awal musim disebut sebagai normal musim karena menjadi treshold antara musim hujan dan musim kemarau. Penetapan normal curah hujan yang merupakan bagian dari normal iklim dengan dengan menggunakan data selama 30 tahun merupakan suatu aturan baku yang telah di atur oleh World Meteorological Organization (WMO). Menurut WMO (2007) normal iklim dinyatakan sebagai rata-rata periode yang dihitung untuk jangka waktu yang seragam dan relatif panjang terdiri setidaknya tiga periode sepuluh tahun berturut-turut.
Pulau Belitung adalah bagian dari Propinsi Kepulauan Bangka Belitung dan merupakan Pulau tervesar kedua setelah Pulau Bangka. Pulau Belitung terletak antara Pulau Bangka dengan Pulau Kalimantan dengan batas sekelilingnya adalah lautan seperti Selat Gelasa di sebelah barat, Laut Jawa di sebelah Selatan dan Selat Karimata di sebelah timur dan utara. Dalam susunan zonasi wilayah musim atau yang dikenal dengan ZOM, Pulau Belitung berbeda dengan Pulau Bangka. Pulau Bangka dikategorikan sebagai wilayah ZOM yang terdiri dari ZOM 52, 53, dan 54, sedangkan Pulau Belitung termasuk dalam wilayah Non ZOM 23 seperti yang terlihat pada Gambar 1 (BMKG, 2015).

Gambar 1. Pulau Belitung tercatat sebagai wilayah Non ZOM N23 (Sumber: BMKG, 2015).
Menurut Aldrian dan Susanto (2003), Pulau Belitung memiliki karakteristik pola curah hujan ekuatorial (Gambar 2) yang berbeda dengan Pulau Bangka yang berpola monsunal. Karakteristik curah hujan ekuatorial yang dicirikan dengan dua puncak pada kajian tersebut didasarkan pada hasil dari perhitungan data curah hujan yang diambil pada Stasun Meteorologi Tanjungpandan Belitung. Rata-rata curah hujan tiap bulannya yang selalu melebihi 149 mm membuat tidak jelasnya perbedaan antara musim kemarau dan musim hujan di Pulau Belitung. Hal tersebut mendasari status Non ZOM pada wilayah Pulau Belitung. Namun, pola curah hujan ekuatorial di Pulau Belitung pada penelitian Aldrian dan Susanto (2003) merupakan hasil perhitungan data hujan yang berasal dari satu titik pengamatan yaitu Stasiun Meteorologi Tanjungpandan Belitung yang dianggap mewakili karakteristik satu pulau, sehingga masih memungkinkan kajian Zona Musim di Pulau Belitung dengan menggunakan data curah hujan yang memiliki kerapatan tinggi dan dapat merepresentasikan kondisi seluruh Pulau.

Gambar 2. Pulau Belitung salah satu wilayah tipe curah hujan ekuatorial (Sumber: Aldrian dan Susanto, 2003).
Penentuan status zona musim pada prinsipnya sangat tergantung dari sebaran data curah hujan serta panjang data yang ada. Panjang data merupakan syarat analisis iklim seperti yang telah ditentukan oleh WMO (2007), sedangkan sebarn data merupakan konsekuensi dalam pengelompokan wilayah yang akan dilakukan melalui proses clustering (Dambul dan Jones, 2008). Oleh sebab itu, semakin rapat dan panjang data hujan yang ada maka akan menghasilkan penentuan status zona musim yang lebih presisi. Ketersediaan data curah hujan dan dengan titik pengamatan yang ada di Pulau Belitung belum optimal. Ada sekitar 24 titik pengamatan curah hujan di Pulau Belitung, namun hanya 1 titik yang memiliki umur data sesuai dengan persyaratan pembuatan normal curah hujan khususnya dasarian. Kondisi ini mendorong adanya data curah hujan alternatif yang dapat digunakan sebagai pengganti data curah hujan observasi lapangan yang belum memenuhi syarat dalam kajian status ZOM di Pulau Belitung.
Salah satu solusi untuk mengisi kekosongan data di wilayah yang memiliki sedikit data curah hujan adalah dengan menggunakan data estimasi curah hujan dari satelit. Supari dan Setiawan (2013) melakukan penelitian tentang variabilitas curah hujan di Kepulauan Bangka Belitung dengan menggunakan data estimasi curah hujan dari satelit TRMM. Salah satu hasil penelitian tersebut adalah ditemukannya persamaan polinomial orde 4 untuk mengkoreksi data curah hujan dasarian yang didapat dari TRMM sebelum digunakan dalam perhitungan dan analisis. Namun, data satelit TRMM hingga sekarang belum memenuhi syarat panjang data dalam kajian status ZOM yang akan membutuhkan data normal curah hujan membuat sehingga perlu adanya data alternatif lain yang memiliki panjang data minimal 30 tahun.
Data estimasi curah hujan dari Climate Hazard Grup Infra Red Precipitation with Station (CHIRPS) diperkenalkan oleh Funk dkkl (2015) sebagai data reanalysis dengan reolusi spasial 0.05ox0.05o sejak tahu 1981. Data CHIRPS yang hingga saat ini memiliki panjang data lebih dari 37 tahun dapat menjadi solusi dalam kajian status ZOM di Pulau Belitung ini dengan tujuan untuk menghitung normal curah hujan dasarian di Pulau Belitung dan mengidentifikasi Awal Musim Kemarau (AMK) dan Awal Musim Hujan (AMH).
DATA DAN METODE
Penelitian ini menggunakan data estimasi curah hujan dari Climate Hazard Group Infra Red Precipitation with Stations (CHIRPS) dalam format *.netCDF selama 37 tahun dari 1981 hingga 2017. Adapun langkah-langkah pengolahan data CHIRPS sebagai data untuk kajian identifikasi awal musim di Pulau Belitung adalah sebagai berikut:
Unduh data CHIRPS di alamat ftp.chg.ucsb.edu/pub/org/chg/products/CHIRPS-2.0/global_daily dengan jenis data netcdf dengan resolusi spasial 0.05o
Potong area kajian dengan aplikasi GrADS hingga menghasilkan grid-grid yang ada di Pulau Belitung
Ekstrak nilai curah hujan harian setiap tahun untuk tiap-tiap grid yang ada di Pulau Belitung dengan aplikasi GrADS
Jumlahkan curah hujan harian hingga menghasilkan curah hujan dasarian selama 37 tahun
Seperti metode pemanfaatan data curah hujan satelit lainnya, kajian ini juga menerapkan metode validasi data curah hujan CHIRPS yaitu dengan menggunakan persamaan polinomial yang pernah dihasilkan oleh Supari dan Setiawan (2013) dalam kajian validasi data curah hujan dasarian yang dihasilkan dari satelit TRMM di Kepulauan Bangka Belitung. Persamaan polinomial yang dihasilkan dalam kajian tersebut adalah:
P* = 1.67E-08(P4) + 1.32E-05(P3) – 0.00845(P2) + 1.67(P) + 0 ... (1)
Dimana:
P = Curah Hujan Dasarian CHIRPS
P* = Curah Hujan Dasarian CHIRPS tervalidasi
Data curah hujan dasarian CHIRPS yang telah divalidasi dengan menggunakan persamaan 1, kemudian dicari rata-ratanya sehingga didapatkan normal curah hujan dasarian 37 tahun tiap grid. Setelah normal curah hujan hasil validasi persamaan didapatkan, dilanjutkan dengan penentuan awal musim dengan kriteria:
Curah hujan dasarian < 50 mm yang diikuti oleh 2 atau lebih dasarian selanjutnya untuk Awal Musim Kemarau (AMK).
Curah hujan dasarian ≥ 50 mm yang diikuti oleh 2 atau lebih dasarian selanjutnya untuk Awal Musim Hujan (AMH).
Dasarian yang telah teridentifikasi sebagai AMK dan AMH dari besaran normal curah hujan dasarian kemudian dilakukan pemetaan dengan aplikasi ArcGIS, namun tidak langsung ditetapkan sebagai awal musim. Sebagai langkah untuk meyakinkan hasil tersebut, tiap dasarian dari tiap-tiap grid yang telah teridentifikasi sebagai awal musim dikenakan proses validasi dengan penerapan beberapa kriteria awal musim yang telah diterapkan pada kajian-kajian sebelumnya yaitu:
CH per dasarian ≥50 mm dengan HH per dasarian ≥ x hari untuk AMH dan
CH per dasarian <50 mm dengan HH per dasarian < x hari untuk AMK dimana x= {3,4,5,6,7}.
Dasarian yang memiliki frekuensi curah hujan > 50 mm sebesar > 50,0 % untuk MH dan Dasarian yang memiliki frekuensi curah hujan > 50 mm sebesar < 50,0 % untuk MK.
Secara umum, proses pelaksanaan penelitian ini dapat dilihat pada bagan alur pada Gambar 3 berikut.

Gambar 3. Alur pelaksanaan penelitian

HASIL DAN PEMBAHASAN
Plotting data CHIRPS ke peta Pulau Belitung di ArcGIS menghasilkan 149 grid yang berada baik di daratan Pulau Belitung maupun pulau-pulau kecil di sekitarnya seperti yang terlihat pada Gambar 4. 149 grid data CHIRPS yang x`didapat divalidasi dengan persamaan polinomial orde 4 (Supari dan Setiawan, 2013).

Gambar 4. Grid data CHIRPS di Pulau Belitung (Sumber: Pengolahan Data).
Perhitungan normal curah hujan dasarian selama 37 tahun untuk seluruh grid yang ada di Pulau Belitung dan sekitarnya menghasilkan curah hujan dasarian baik dengan curah hujan di bawah 50 mm maupun di atas 50 mm. Namun, hasil secara umum yang didapatkan dari klasifikasi curah hujan dasarian yang diindikasikan sebagai awal musim antara lain:
Secara serempak, 149 grid CHIRPS di Pulau Belitung menunjukkan normal curah hujan di bawah 50 mm sebagai indikasi awal musim kemarau dimulai pada dasarian III bulan Juli.
Agustus dasarian III hingga Oktober dasaraian I terjadi peningkatan jumlah grid dengan curah hujan yang mencapai 50 mm.
Seluruh grid menunjukkan curah hujan dasarian lebih dari atau sama dengan 50 mm pada Oktober dasarian II.
Perhitungan rata-rata seluruh grid di Pulau Belitung dan sekitarnya, normal curah hujan dasarian untuk kesluruhan dapat dilihat pada grafik Gambar 5 berikut.


Gambar 5. Rata-rata normal curah hujan dasarian Pulau Belitung dan sekitarnya (Sumber: Pengolahan Data).
Grafik normal curah hujan dasarian di Pulau Belitung pada Gambar 5 membuktikan bahwa data estimasi curah hujan dari data CHIRPS dapat merepresentasikan pola curah hujan ekuatorial di Pulau Belitung. Karakteristik dua puncak pada pola curah hujan ekuatorial pada Gambar 5 terletak antara dasarian Maret dasarian II hingga Mei dasarian I untuk puncak pertama, sedangkan puncak kedua antara November dasarian II dan Januari dasarian I. Pada penelitian sebelumnya, Edvin dan Susanto (2013) menyimpulkan bahwa Pulau Belitung merupakan daerah semi monsunal yang memiliki pola curah hujan dua puncak namun puncak kedua terjadi antara bulan Oktober hingga November, sedangkan Supari dan Setiawan (2013) dengan menggunakan data TRMM menemukan puncak kedua dari pola curah hujan di Pulau Belitung terjadi pada Desember seperti wilayah monsun di Pulau Bangka sehingga pengaruh monsun Asia lebih relevan dibanding ITCZ pada puncak kedua. Pola dua puncak mempunyai dua lembah yang akan terbentuk pada grafik curah hujan dasarian pola ekuatorial. Lembah yang pertama sekitar bulan Februari dan yang kedua antara Juli hingga Agustus. Penurunan curah hujan di wilayah Kepulauan Bangka Belitung terjadi secara merata pada bulan Februari baik di Pulau Bangka maupun Belitung. Hal ini merupakan pola yang telah dijelaskan oleh Boerema (1933, 1941) untuk pola curah hujan wilayah Indonesia khususnya Sumatera bagian Utara dan Tengah khususnya, serta Supari dan Setiawan (2013) untuk wilayah Kepulauan Bangka Belitung sendiri. Lembah kedua dari pola curah hujan di wilayah Pulau Belitung menandakan adanya penurunan curah hujan yang signifikan merupakan indikasi dari dampak dominasi pengaruh aktivitas monsun Australia. Berdasarkan grafik pada Gambar 5 dan penjelasan di atas, Pulau Belitung memiliki pengaruh aktivitas monsun yang memberikan peluang terbentuknya daerah ZOM dengan syarat-syarat dalam penentuan wilayah ZOM yang berlaku. Hal ini dikarenakan pada Juli dasarian III dimulai curah hujan kurang dari 50 mm dan September dasarian III dimulai curah hujan lebih dari atau sama dengan 50 mm. Potensi terbentuknya ZOM seperti yang dijelaskan pada Gambar 5 juga dapat dilihat melalui hasil pemetaan pada Gambar 6.

 





Gambar 6. Normal dasarian Juli II hingga Oktober I untuk Pulau Belitung dan sekitarnya


Gambar 6 di atas menjelaskan secara spasial dari grafik pada Gambar 6. Namun, hasil pemetaan menunjukkan secara detil distribusi curah hujan dasarian dalam identifikasi awal musim. Meskipun grafik pada Gambar 5 menunjukkan rata-rata curah hujan kurang dari 50 mm untuk keseluruhan Pulau Belitung dimulai dari Juli dasrian III hingga September dasarian II, hasil pemetaan menunjukkan terdapat wilayah yang sudah memulai curah hujan 50 mm pada Agustus dasarian III yang kemudian meluas hingga Oktober I. Hasil pemetaan tersebut mengindikasikan bahwa potensi untuk awal musim kemarau secara serempak jatuh pada Juli dasarian III dan awal musim hujan yang tidak merata.
Hasil pemetaan dasarian yang terindikasi sebagai awal musim pada Gambar 6 di atas kemudian dilakukan validasi. Validasi dasrian AMK tetap pada Juli dasarian III karena hasil yang sama baik grafik pada Gambar maupun hasil pemetaan. Namun, validasi AMH hanya dilakukan mengacu pada grafik Gambar 5 karena banyaknya dasrian yang berpotensi menjadi AMH dari hasil pemetaan.
Hasil validasi yang pertama yaitu menggunakan metode hari hujan dari Ulfah dan Sulistya (2015) dengan rentang hari hujan antara 3 hingga 7. Hasil validasi AMK yaitu pada Juli dasarian III menunjukan bahwa hasil pemetaan normal hari hujan dasarian tersebut memiliki nilai di bawah 3 yaitu 2 hari hujan secara aklamasi (Gambar 7). Hasil ini sesuai dengan skenario AMK dengan hari hujan kurang dari 3.



Gambar 7. Normal hari hujan Juli dasarian III dan September dasarian III


Hasil validasi metode hari hujan untuk AMH juga mendapatkan kondisi yang serupa dengan AMK. Hari hujan sama dengan atau lebih dari 3 sesuai dengan hasil grafik pada Gambar 5. Hasil pemetaan normal hari hujan pada untuk validasi AMH menunjukkan seluruh daratan Pulau Belitung memiliki 3 hari hujan dan beberapa pulau di sebelah barat memiliki 4 hari hujan. Hal ini menandakan identifikasi awal musim pada grafik pada Gambar 7 diterima dengan metode hari hujan yang merujuk pada penelitian Ulfah dan Sulistya (2015).
Validasi yang kedua yaitu dengan menghitung persentase curah hujan dasarian yang diindikasikan sebagai awal musim menunjukkan bahwa AMK yang jatuh pada Juli dasarian III sesuai grafik pada Gambar 5, memiliki persentase curah hujan lebih dari 50 mm di bawah 50% dari rentang 37 tahun. Hasil pemetaannya juga menunjukan secara keseluruhan Pulau Belitung dan sekitarnya memiliki persentase curah hujan lebih dari 50 mm kurang dari 50% (Gambar 8).

 

 

 



Gambar 8. Prosentase curah hujan lebih dari atau sama dengan 50% Juli dasarian III, September darian III, Oktober dasarian I dan II.


Hasil validasi AMH dengan metode persentase curah hujan lebih dari 50 mm tidak memberikan hasil seperti pada validasi AMK. AMH yang menurut grafik pada Gambar 5 jatuh pada September dasarian III tidak menunjukkan hasil aklamasi pada pemetaannya. Masih ada beberapa wilayah terutama di bagian timur yang memiliki persentase curah hujan lebih dari 50 mm kurang dari 50%. Namun, seluruh wilayah Pulau Belitung dan sekitarnya memiliki persentase curah hujan di atas 50 mm terjadi pada Oktober dasarian III. Kondisi tersebut memberikan potensi untuk memilih dasrian yang akan ditetapkan sebagai awal AMK.
KESIMPULAN
Kesimpulan dari kajian potensi perubahan status ZOM di Pulau Belitung dengan menggunakan data estimasi curah hujan dari CHIRPS antara lain:
Plot grid data CHIRPS pada peta Pulau Belitung menghasilkan 149 titik yang tepat berada di daratan Pulau Belitung dan sekitarnya.
Normal curah hujan dasarian selama 37 tahun menunjukkan curah hujan di bawah 50 mm pada Juli dasarian III secara serentak di seluruh grid yang diidentifikasi sebagai awal musim kemarau (AMK).
Identifikasi awal musim hujan (AMH) dengan normal curah hujan dasarian menunjukkan adanya wilayah yang memulai pada September dasrian III, Oktober dasarian II, maupun Oktober dasarian III.
Pulau Belitung berpotensi menjadi wilayah ZOM baru berdasarkan data CHIRPS yang divalidasi.
Metode validasi awal musim dengan kriterian hari hujan dan persentase curah hujan dasrian di atas 50 mm dapat diterapkan dalam identifikasi awal musim dengan data CHIRPS di Pulau Belitung.
DAFTAR PUSTAKA
Aldrian, A., dan Susanto, R.D., 2003, Identification of Three Dominant Rainfall Regions within Indonesia and Their Relationship to Sea Surface Temperature, International Journal of Climatology, Vol 23, Pp 1435-1452.
_______, 2015, Buletin Prakiraan Musim Hujan 2015 – 2016, Badan Meteorologi Klimatologi dan Geofisika: Jakarta.
Boerema, J., 1933, Maps of Mean Monthly Rainfall In Celebes and In Sumatra. Koninklijk Magnetisch en Meteorologisch Observatorium te Batavia, Verh. 24 III, IV. (13 maps each).
Boerema, J., 1941, Rainfall Types of Indonesia, Koninklyk Magnetisch en 1941 Meteorologisch Observatorium, Verhandelingen, No 34, 105 p.
Dambul, R., Jones, P.D, 2008, Regional and Temporal Climatic Classification for Borneo. Geografia. Vol. 5. No. 1. Pp. 1-25. ISSN 0126-7000.
Dayantolis, W., Ripaldi, A., Supeni, A., 2016,. Penentuan Normal Musim Di Indonesia Berdasarkan Frekuensi Curah Hujan Dasarian. Megasains. Vol. 7. No. 1. Hal. 25 – 32.
Funk C.C., Peterson P., Landsfeld M., 2015, The Climate Hazards Infrared Precipitation with Stations—A New Environmental Record for Monitoring Extremes. Sci Data 2:149066. doi:10.1038/sdata.2015.66
Supari dan Setiawan, N, 2013, Variabilitas Curah Hujan Di Kepulauan Bangka Belitung Berdasarkan Data TRMM Tervalidasi. Jurnal Meteorologi dan Geofisika. Vol. 14 No. 1. Hal. 11 – 20.
Tjasyono, B., 2006, Meteorologi Indonesia Volume II. Badan Meteorologi dan Geofisika. Jakarta.
Ulfah, A., Sulistya, W., 2015, Penentuan Kriteria Awal Musim Alternatif di Wilayah Jawa Timur. Jurnal Meteorologi dan Geofisika. Vol. 16. No. 3. Hal. 145-153.
WMO, 2007, The Role Of Climatological Normals In A Changing Climate, World Climate Data and Monitoring Program World Meteorology Organization. Geneva.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



PENENTUAN NORMAL MUSIM DENGAN METODE FREKUENSI CURAH HUJAN DASARIAN PROVINSI KALIMANTAN BARAT

Fanni Aditya*, Firsta Zukhrufiana S, Ida Sartika N, Muhammad Elifant Y
Badan Meteorologi Klimatologi dan Geofisika, Stasiun Klimatologi Mempawah Kalimantan Barat
*Email : This email address is being protected from spambots. You need JavaScript enabled to view it.


ABSTRAK

Penentuan normal musim di wilayah Kalimantan Barat saat ini mengikuti konsep perhitungan rerata curah hujan yang diterapkan oleh BMKG. Telah dilakukan kajian untuk menentukan normal musim di wilayah kalimantan barat dengan metode frekuensi curah hujan dasarian. Dalam kajian ini diambil sampel 6 (enam) titik dengan panjang data selama 30 tahun. Data yang digunakan merupakan data curah hujan dasarian yang diambil dari penakar hujan pos kerjasama BMKG di wilayah Kalimantan Barat. Kajian ini membahas tentang penentuan normal musim dengan menghitung frekuensi terjadinya curah hujan total 50 mm dalam masing-masing dasarian. Secara umum dapat disimpulkan bahwa wilayah Kalimantan Barat memiliki normal musim selain di ZOM 265, terdapat beberapa wilayah yang memiliki perbedaan periodesasi musim yang jelas dengan menggunakan distribusi frekuensi. Penentuan normal musim dengan menghitung frekuensi menghasilkan periode musim kemarau yang lebih panjang dibandingkan normal musim dengan menggunakan metode rata-rata. Dalam penelitian ini juga menjelaskan bahwa distribusi frekuensi lebih menggambarkan periode basah dan kering secara jelas. Terdapat perubahan wilayah yang sebelumnya tidak memiliki normal musim menjadi daerah yang memiliki musim ketika menggunakan distribusi frekuensi.

Kata kunci : normal musim, distribusi frekuensi

ABSTRACT

The climatological normal determination of seasons in West Kalimantan currently follows the concept of calculating the average of rainfall applied by BMKG. Studies have been conducted to determine the climatological normal of season in West Kalimantan region with the frequency method of decadal (10 days) rainfall. In this study, a sample of 7 (seven) stations with a data length of 30 years was obtained. The data used is decadal (10 days) rainfall data taken from rain gauge BMKG’s stations in West Kalimantan region. In this study, the normal season is determined by calculating the frequency of 50 mm total rainfall in each decadal (10 days). In general it can be concluded that West Kalimantan region has a normal season other than ZOM 265, there are some areas that have distinct seasonal seasons by using frequency distribution. The normal determination of the season by calculating the frequency produces a longer dry season period than the normal season using the average method. In this study also explained that the frequency distribution more describes wet and dry periods clearly. There is a change of area that previously did not have a normal season to be an area that has a season when using frequency distribution.

Keywords : climatological normal, frequency distribution.

 

 



PENDAHULUAN

Zona Musim (ZOM) merupakan daerah yang memiliki batas yang jelas secara klimatologis antara periode musim kemarau dan musim hujan. Sedangkan daerah yang tidak ada batas jelas antara kedua musim, daerah yang pola hujan rata-ratanya memiliki perbedaan yang jelas antara periode musim kemarau dan musim hujan disebut Non ZOM (Prakiraan Musim BMKG, 2018).
Definisi musim sendiri juga mendasari pewilayahan curah hujan, berdasarkan Kamus Besar Bahasa Indonesia versi daring (online) musim adalah waktu tertentu yang bertalian dengan keadaan iklim1, bilangan waktu tertentu (tiga bulan, empat bulan, dsb ketika pohon buah-buahan, palawija, dan sebagainya, banyak menghasilkan)2. Dalam buku Meteorologi Indonesia Volume I, Tjasyono (2006) juga menyebutkan definisi musim adalah periode dengan unsur iklim mencolok, misal musim panas ditandai dengan temperatur yang tinggi, musim hujan ditandai dengan jumlah curah hujan yang berlimpah.
Berdasarkan definisi terkait ZOM, Non ZOM, dan musim untuk wilayah Kalimantan Barat memiliki karakter wilayah musim yang lengkap. Provinsi Kalimantan Barat memiliki 1 (satu) ZOM yaitu ZOM 265 yang terdapat di wilayah Ketapang bagian selatan, serta memiliki 6 (enam) wilayah Non ZOM yaitu Sambas (N28); Singkawang, Mempawah, Pontianak (N29); Bengkayang bagian tengah, Landak (N30), Bengkayang bagian timur (N31); Sanggau, Sekadau bagian utara, Sintang bagian utara (N32); Kubu Raya, Paloh, Ketapang bagian barat (N33); Ketapang bagian utara, Melawi, Sekadau bagian selatan (N34); Sintang, Nangapinoh (N35); dan Kapuas Hulu, Kota Putussibau (N36).
Terkait karakter wilayah ZOM yang terdapat batas yang jelas antara periode musim hujan dan kemarau, pada kondisi sebenarnya yang terjadi di provinsi Kalimantan Barat tidak hanya Ketapang bagian selatan (ZOM 265) saja tetapi juga terdapat beberapa wilayah lain seperti sebagian atau seluruh kabupaten/ kota Sambas, Melawi, Sanggau, Sekadau, Landak, Bengkayang, Mempawah, Singkawang. Kondisi ini dialami secara nyata dilaporkan oleh stakeholder dari instansi dalam bidang pertanian (Dinas Pertanian dan Tanaman Pangan Provinsi Kalimantan Barat, Unit Proteksi Tanaman Pangan dan Hortikultura Provinsi Kalimantan Barat, Balai Pengkajian Teknologi Pertanian Provinsi Kalimantan Barat) bahwa kejadian curah hujan yang diamati untuk pengamatan perkembangan OPT mirip dengan pola curah hujan monsunal. Pola curah hujan monsunal yang dimaksud bercirikan oleh tipe puncak hujan yang bersifat unimodial (satu puncak musim hujan) dimana pada bulan Juli, Juli, dan Agustus terjadi periode kering, sedangkan untuk bulan Desember, Januari, dan Februari merupakan bulan basah. Sedangkan enam bulan sisanya merupakan periode peralihan atau pancaroba (tiga bulan peralihan musim kemarau ke musim hujan dan sebaliknya) (Tjasyono, 2006).
Berdasarkan kondisi nyata tersebut, maka tim penulis bermaksud mengevaluasi pewilayahan curah hujan di provinsi Kalimantan Barat dengan tujuan mengevaluasi pewilayahan curah hujan di provinsi Kalimantan Barat secara sederhana menggunakan 6 sampel lokasi, sehingga penerapan informasi iklim yang digunakan oleh banyak stakeholder dapat akurat, menggunakan metode frekuensi curah hujan dasarian. Selaras dengan penelitian terkait penentuan normal musim berdasarkan frekuensi curah hujan dasarian (Dayantolis, dkk. 2016) disampaikan bahwa dengan menggunakan distribusi frekuensi (central tendency) atau pusat kejadian dari penentuan normal musim terlihat lebih jelas periodesasinya, normal musim yang dihitung dengan cara frekuensi memberikan deviasi yang lebih kecil terhadap awal musim actual dan panjang musim kemarau menghasilkan periode yang lebih panjang setiap tahunnya dibandingkan dengan cara rata-rata.
Dayantolis, dkk (2016) menyebutkan bahwa kelemahan metode merata-ratakan (rata-rata aritmetika) data curah hujan dasarian dapat diilustrasikan sebagaimana terlihat pada Tabel 1 berikut:
Tabel 1. Ilustrasi Rata-rata Curah hujan pada Dasarian A dan B selama 10 tahun


Tabel 1 meyajikan curah hujan pada dasarian ke-A dan B selama 1 tahun dengan uraian sebagai berikut:
Curah hujan rata-rata pada dasarian ke-A jika dirata-ratakan hasilnya 53.6 mm. Maka nilai tersebut digolongkan sebagai dasarian dnegan kategori musim hujan (nilai rata-ratanya lebih dari atau sama dengan 50 mm). Jika diamati dalam 10 tahun, hanya terjadi 2 kali kejadian curah hujan lebih dari dalam kategori musim kemarau.
Curah hujan rata-rata pada dasarian ke-B adalah 43.7 mm. Maka nilai tersebut digolongkan sebagai dasarian dengan kategori musim kemarau (nilai rata-ratanya kurang dari 50 mm). Jika diamati dalam 10 tahun, hanya terjadi 4 kali kejadian curah hujan lebih dari dalam kategori musim hujan.

Terkait dengan adanya kelemahan ini maka dalam karya tulis ini penulis bermaksud menyajikan penentuan normal musim dengan tujuan untuk mengevaluasi normal musim yang sudah ada.

 

DATA DAN METODE
BMKG (2018) menjelaskan ciri musim hujan berdasarkan jumlah curah hujan dalam satu dasarian sama atau lebih besar dari 50 milimeter (mm) dan diikuti oleh dua dasarian berikutnya. Sedangkan, ciri musim kemarau berdasarkan jumlah curah hujan dalam satu dasarian kurang dari 50 mm dan diikuti oleh dua dasarian berikutnya. Penentuan periode tersebut didasarkan pada rerata curah hujan dasarian selama 30 tahun, yang mana selanjutnya disebut normal musim.
World Meteorological Organization (WMO) juga mengatur tentang penentuan normal iklim dengan menggunakan data 30 tahun. Berdasarkan WMO (2007) normal iklim dinyatakan sebagai rata-rata periode yang dihitung untuk jangka waktu yang seragam dan relatif panjang terdiri minimal tiga periode sepuluh tahun berturut-turut.
Pada perkembangan ilmu sains dan teknologi, terdapat metode yang diklaim lebih modern seperti yang disampaikan oleh Arguez dan Russel (2011) bahwa ciri utama normal iklim tradisional adalah dengan berdasarkan pada rata-rata yang mana peneraparan cuaca dan iklim hanya sebagai indikasi tendensi sentral. Guttman (1998) juga menyampaikan tujuan penyusunan normal iklim untuk memungkinkan perbandingan vaeriabel iklim dengan nilai referensinya sendiri dan juga memungkinkan perbandingan secara spasial.
Kondisi ini dijelaskan oleh Guttman (1989) bahwa umumnya klimatologis menganggap normal iklim merupakan rata-rata aritmetika dari elemen iklim, bukan merupakan nilai dengan frekuensi terbanyak (modus) ataupun bukan median data.
WMO (2007) juga menjelaskan bahwa normal iklim juga perlu menambahkan hal lain seperti distribusi frekuensi. Literatur-literatur tersebut mengarahkan pewilayahan curah hujan di provinsi Kalimantan Barat dilakukan dengan mengguanakan metode penghitungan frekuensi relatif curah hujan dasarian periode normal 1981-2010. Data yang digunakan adalah data curah hujan pada 6 (enam) lokasi pos hujan di provinsi Kalimantan Barat, yaitu :
Pos hujan Ketapang
Pos hujan Mempawah
Pos hujan Paloh
Pos hujan Pemangkat
Pos hujan Bengkayang
Pos hujan Sosok


Adapun sebaran lokasi penelitian, seperti pada gambar 1.1 berikut :

 

 

 

 

 



Gambar 2.1 Lokasi penelitian (Staklim Mempawah, Stamet Paloh Sambas, Stamet Sintang, Stamet Rahadi Oesman Ketapang, Pos hujan Pemangkat, Pos hujan Sosok).


Dengan metode penghitungan frekuensi relatif curah hujan dasarian masing-masing lokasi penelitian dengan periode normal 1981-2010 sebagai batasan kriteria musim. Kemudian, berdasarkan Statistika Terapan oleh Shayib, 2015 menjabarkan bahwa frekuensi relatif dalam persentase dengan batas kriteria musim 50 mm per dasarian, berikut :
Dasarian dengan frekuensi curah hujan ≥ 50 mm sebesar ≥ 50% digolongkan sebagai musim hujan.
Dasarian dengan frekuensi curah hujan ≥ 50 mm sebesar < 50% digolongkan sebagai musim kemarau.

Adapun alur penelitian dalam penelitian ini adalah sebagai berikut :

Gambar 2.2 Alur penelitian

HASIL DAN PEMBAHASAN
Pos Hujan Ketapang
Berdasarkan rata-rata curah hujan dasarian periode 1981-2010 Normal Musim di pos hujan Ketapang, AMK dimulai pada Juli III dan AMH dimulai pada September I.

Gambar 3.1 Grafik Rata-rata Curah Hujan Dasarian Ketapang

Gambar 3.2 Grafik Frekuensi Curah Hujan Dasarian ≥ 50mm Ketapang

Jika dibandingkan dengan hasil perhitungan berdasarkan frekuensi kejadian curah hujan sebagaimana terlihat pada Gambar 3.2, Maka AMK di Ketapang dimulai pada Juni II dan AMH dimulai pada September III. Artinya dengan perbedaan awal musim pada metode rata-rata dengan metode frekuensi maka panjang musim pada masing-masing metode menjadi berbeda.

Berdasarkan rata-rata curah hujan dasarian AMK jatuh pada Juli III sementara itu jika dihitung kejadiannya, pada Juni II - Juli II frekuensi terjadinya curah hujan > 50 mm kurang dari 50%, artinya pada periode tersebut lebih sering berada dalam periode musim kemarau di banding pada periode musim hujan, jadi menurut metode frekuensi AMK di Ketapang jatuhnya di Juni II (lebih awal). Demikian halnya dengan AMH, jika dihitung dengan rata-rata jatuh pada Spetember I sedangkan dengan frekuensi September I-II frekuensi terjadinya curah hujan > 50 mm kurang dari 50% sehingga AMH masuk pada September III.
Pos Hujan Mempawah
Berdasarkan rata-rata curah hujan dasarian periode 1981-2010 pos hujan mempawah tidak masuk dalam kriteria musim dan masuk dalam wilayah Non ZOM.

Gambar 3.3 Grafik Rata-rata Curah Hujan Dasarian Mempawah


Gambar 3.4 Grafik Frekuensi Curah Hujan Dasarian ≥ 50mm Mempawah
Jika dibandingkan dengan hasil perhitungan berdasarkan frekuensi kejadian curah hujan sebagaimana terlihat pada Gambar 3.4, Maka terlihat pada Februari I – Maret II frekuensi curah hujan > 50 mm kurang dari 50% yang artinya daerah tersebut lebih sering mengalami kering daripada basah sehingga dengan perhitungan frekuensi AMK di Mempawah dimulai pada Februari I dan AMH dimulai pada Maret III.

Pos Hujan Paloh
Berdasarkan rata-rata curah hujan dasarian periode 1981-2010 Normal Musim di pos hujan Paloh, AMK dimulai pada Maret III dan AMH dimulai pada April III.

Gambar 3.5 Grafik Rata-rata Curah Hujan Dasarian Paloh

 

Gambar 3.6 Grafik Frekuensi Curah Hujan Dasarian ≥ 50mm Mempawah

Hasil perhitungan berdasarkan frekuensi kejadian curah hujan sebagaimana terlihat pada Gambar 3.6, Maka di Paloh terjadi 2 kali musim kemarau yang pertama dimulai pada Maret III dan yang kedua dimulai pada Juni I, kemudian AMH dimulai pada Agustus III. Artinya metode rata-rata dan metode frekuensi panjang musim pada masing-masing metode menjadi berbeda, berdasarkan rata-rata curah hujan dasarian AMK jatuh pada Maret III sementara itu jika dihitung kejadiannya, pada April III - Agustus II frekuensi terjadinya curah hujan > 50 mm kurang dari 50%, artinya pada periode tersebut lebih sering berada dalam periode musim kemarau di banding pada periode musim hujan, jadi menurut metode frekuensi Musim Kemarau di Paloh jatuhnya di Maret III – Agustus II. kemudian AMH, jika dihitung dengan rata-rata jatuh pada April III sedangkan dengan frekuensi AMH jatuh pada Agustus III.

Pos Hujan Pemangkat
Berdasarkan rata-rata curah hujan dasarian periode 1981-2010 pos hujan Pemangkat tidak masuk dalam kriteria musim. Dan masuk dalam wilayah Non Zom.

Gambar 3.7 Grafik Rata-rata Curah Hujan Dasarian Pemangkat


Gambar 3.8 Grafik Frekuensi Curah Hujan Dasarian ≥ 50mm Pemangkat
Jika dibandingkan dengan hasil perhitungan berdasarkan frekuensi kejadian curah hujan sebagaimana terlihat pada Gambar 3.8, Maka terlihat pada Februari II - Maret III, kemudian April II – Mei II, dan Agustus I – September I masuk pada musim kemarau frekuensi curah hujan > 50 mm kurang dari 50% yang artinya daerah tersebut lebih sering mengalami kering daripada basah sehingga pemangkat mengalami 3 kali musim kemarau. Pada Mei III – Juli III Pemangkat masuk pada musim hujan yang pertama dan pada Agustus II masuk pada Musim hujan yang kedua.

Pos Hujan Bengkayang
Berdasarkan rata-rata curah hujan dasarian periode 1981-2010 pos hujan Bengkayang tidak masuk dalam kriteria musim. Dan masuk dalam wilayah Non Zom.

Gambar 3.9 Grafik Rata-rata Curah Hujan Dasarian Bengkayang

Gambar 3.10 Grafik Frekuensi Curah Hujan Dasarian ≥ 50mm Bengkayang
Hasil perhitungan berdasarkan frekuensi kejadian curah hujan sebagaimana terlihat pada Gambar 3.10, Maka di Bengkayang terjadi 2 kali musim kemarau yang pertama dimulai pada Juni I dan yang kedua dimulai pada Agustus I, kemudian AMH pertama jatuh pada Juli I dan AMH kedua jatuh pada September I.

Pos Hujan Sosok
Berdasarkan rata-rata curah hujan dasarian periode 1981-2010 pos hujan Sosok tidak masuk dalam kriteria musim. Dan masuk dalam wilayah Non Zom.


Gambar 3.11 Grafik Rata-rata Curah Hujan Dasarian Sosok

Gambar 3.12 Grafik Frekuensi Curah Hujan Dasarian ≥ 50mm Sosok
Hasil perhitungan berdasarkan frekuensi kejadian curah hujan sebagaimana terlihat pada Gambar 3.12, Maka terlihat pada Juni III – Agustus III frekuensi curah hujan > 50 mm kurang dari 50% yang artinya daerah tersebut lebih sering mengalami kering daripada basah sehingga dengan perhitungan frekuensi AMK di Mempawah dimulai pada Juni III dan AMH dimulai pada September I.

Pembahasan
Berdasarkan analisis hasil poin 3.1 sampai dengan 3.6 untuk masing-masing pos hujan, ditemukan perbedaan hasil penentuan normal musim dengan menggunakan metode rata-rata dan frekuensi curah hujan dasarian.
Jika kembali pada teori yang mendasari kriteria penentuan normal musim, yaitu musim kemarau dan musim hujan yang diikuti oleh setidaknya 2 (dua) dasarian berturut-turut dengan kriteria batas curah hujan dasarian 50 mm, maka penentuan normal musim terkesan lebih kontinyu dan tidak dinamis, bahkan terdapat juga pos hujan yang tidak memiliki normal musim. Kondisi ini dijelaskan pada gambar 3.1, 3.3, 3.5, 3.7, 3.9, 3.11.
Pada penentuan normal musim dengan menggunakan frekuensi curah hujan dasarian, terjadi perbedaan signifikan. Perbedaan signifikan tersebut adalah sebagai berikut :
Pos hujan Ketapang (gambar 3.2): terjadi panjang normal musim kemarau yang lebih panjang 6 dasarian
Pos hujan Mempawah (gambar 3.4): terjadi normal musim kemarau sepanjang 5 dasarian
Pos hujan Paloh (gambar 3.6): terjadi normal musim kemarau lebih panjang dan terjadi 2 kali musim kemarau. Kondisi lain yang dijelaskan dari hasil metode frekuensi curah hujan dasarian ini adalah penentuan awal musim yang tidak diikuti satu atau beberapa dasarian berikutnya, sehingga mengakibatkan terjadinya lebih dari 1 kali musim kemarau atau musim hujan dengan jeda yang sangat singkat (1 atau 2 dasarian saja).
Pos hujan Pemangkat (gambar 3.8): terjadi perubahan normal musim yang semula tidak terjadi musim di pos hujan Pemangkat, setelah menggunakan metode frekuensi distribusi terjadi 3 kali musim kemarau dan 2 kali musim hujan bahkan dengan jeda yang singkat (1 dasarian) antaran musim kemarau pertama dan kedua
Pos hujan Bengkayang (gambar 3.10): terjadi perubahan normal musim yang semula tidak terjadi musim dengan menggunakan metode rata-rata, setelah menggunakan metode frekuensi curah hujan dasarian terjadi 2 kali musim kemarau
Pos hujan Sosok (gambar 3.12): terjadi perubahan normal musim yang semula tidak terjadi musim dengan menggunakan metode rata-rata, setelah menggunakan metode frekuensi curah hujan dasarian terjadi 1 kali musim kemarau.

KESIMPULAN DAN SARAN
Berdasarkan hasil analisis di atas dapat diperoleh beberapa kesimpulan diantaranya:
Periodesasi musim terlihat lebih jelas saat menggunakan ditribusi frekuensi
Penentuan normal musim dengan menghitung frekuensi, menghasilkan periode musim kemarau yang lebih panjang dibandingkan normal musim dengan menggunakan rata-rata curah hujan dasarian.
Distribusi frekuensi lebih menggambarkan kejadian sebenarnya pada suatu daerah baik periode basah maupun periode kering.
Adanya perubahan wilayah yang sebelumnya tidak memiliki normal musim menjadi daerah yang memiliki musim ketika menggunakan ditribusi frekuensi.

DAFTAR PUSTAKA
______, 2018. Prakiraan Musim Kemarau 2018 di Indonesia. Badan Meteorologi Klimatologi dan Geofisika. Jakarta
_______, 2018. Stasiun Klimatologi Mempawah. 2018. Prakiraan Musim Kemarau 2018. Stasiun Klimatologi Mempawah. Kalimantan Barat
Arguez, A dan Russel S, Vose. 2011. The Definition of the Standard WMO Climate Normal. The key to Deriving Alternative Climate Normal (http://journals.ametsoc.org/doi/pdf/10.1175/2010BAMS2955, diakses tanggal 20 April 2018)
Dayantolis, W., A Ripaldi dan A. Supeni. 2016. Penentuan Normal Musim di Indonesia Berdasarkan Frekuensi Curah Hujan Dasarian (http://researchgate.net/publication/303971302, diakses tanggal 19 April 2018)
Guttman, N. B. 1998. Homogeinity, Data Adjustments and Climatic Normals (http://www.stat.washington.edu/peter/7IMSC/Normal.pdf, diakses 21 April 2018)
Guttman, N. B. 1989. Statistical Descriptor of Climate (http://www.journal.ametsoc.org/doi/pdf/10.1175/1520477(1989)070<0602:SDOC>2.0CO%3B3, diakses 21 April 2018)
KBBI – online (http://kbbi.web.id/)
Shayib, Mohammed A. 2015. Applied Statistics
(http://www2.aku.edu.tr/~icaga/kitaplar/applied-statistics.pdf, diakses 21 April 2018)
Tjasyono, B. 2006. Meteorologi Indonesia Volume I: Karakteristik dan Sirkulasi Atmosfer. BMKG. Jakarta

WMO. 2017 The Role of Climatological Normal in a Changing Climate, World Climate Data and Monitoring Program. World Meteorological Organization. Geneva.

PENGELOMPOKAN ZOM DENGAN AGGLOMERATIVE HIERARCHICAL CLUSTERING BERDASARKAN DATA GLOBAL PRECIPITATION CLIMATOLOGY CENTRE (GPCC)
(Studi Kasus: Maluku Utara)

Nizar Manarul Hidayat*), Novi Fitrianti, Sri Pancariniwati, Nuryadi
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
*)E-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.


ABSTRAK

Pengelompokan Zona Musim (ZOM) di suatu wilayah memperlihatkan karakteristik suatu iklim. Penelitian ini bertujuan untuk mengevaluasi pengelompokkan ZOM yang dinilai sudah tidak sesuai. Data curah hujan reanalisis Global Precipitation Climatology Centre (GPCC) periode 1981-2010 yang telah dikoreksi digunakan mengingat kurangnya data observasi. Clustering dari data GPCC terkoreksi dilakukan dengan metode Average Linkage dan Ward’s untuk melihat metode mana yang terbaik lalu kemudian dibandingkan dengan metode pengelompokkan ZOM yang dilakukan BMKG. Hasil penelitian menunjukkan clustering menggunakan metode average linkage dan Ward’s memiliki jumlah cluster yang sama yaitu sebanyak 6 cluster. Namun metode terbaik ditunjukkan oleh metode Ward’s dengan rasio (SW/SB) sebesar 0.12 lebih kecil dibandingkan dengan nilai rasio (SW/SB) metode average linkage yaitu 0.195. Perbandingan metode Ward’s dengan metode pengelompokan ZOM yang dilakukan BMKG menunjukkan metode Ward’s memiliki rasio (SW/SB) lebih kecil dari metode BMKG dengan nilai rasio (SW/SB) sebesar 1.523. Hal ini menjelaskan bahwa metode Ward’s merupakan metode yang baik digunakan dalam clustering di wilayah Maluku Utara dengan jumlah cluster yang dihasilkan sebanyak 6 cluster, dengan 4 wilayah ZOM dan 2 wilayah Non ZOM.

Kata Kunci : Zona Musim (ZOM), Clustering, Maluku Utara

ABSTRACT

Seasonal Zone Grouping (ZOM) between the observed regions of the climate. This study aims to evaluate the grouping of opposite ZOMs is not appropriate. Rainfall reanalysis data such as the Global Rainfall Climatology Center (GPCC) period 1981-2010 that has been corrected with sufficient amount of data. Grouping of GPCC corrected data is done by Average Linkage and Ward's method to see which method is most preferred by ZOM grouping method by BMKG. The results showed that the grouping using the average linkage method and Ward had the same number of clusters as many as 6 clusters. The method used by Ward method with ratio (SW / SB) of 0.12 is smaller than the ratio value (SW/SB) the average method relationship is 0.195. Ward comparison method by means of grouping ZOM performed BMKG shows Ward's ratio (SW/SB) method is smaller than BMKG method with ratio value (SW/SB) of 1,523. This explains that Ward method is a method used in the grouping in North Maluku area with the number of clusters produced as many as 6 clusters, with 4 ZOM and 2 Non ZOM regions.

Keyword : Zona Musim (ZOM), Clustering, North Maluku



PENDAHULUAN
Pengelompokan Zona Musim (ZOM) lebih menekankan pada karakteristik iklim suatu wilayah. Parameter yang digunakan yaitu curah hujan. Pengelompokan ZOM menjadi penting karena merupakan langkah untuk mengetahui variabilitas iklim di wilayah tersebut. Pengelompokan ZOM memungkinkan untuk menganalisis fenomena yang terjadi secara spasial. Penggunaan data pos hujan yang tersebar di beberapa wilayah membuat data menjadi lebih homogen. Badan Meteorologi Klimatologi dan Geofisika (BMKG) mengelompokkan ZOM dengan melihat pola curah hujan di seluruh wilayah Indonesia.
Informasi prakiraan iklim khususnya curah hujan yang dikeluarkan BMKG merupakan salah satu unsur penting yang digunakan sebagai indikator dalam kaitannya dengan Awal Musim. BMKG selama ini menentukan Awal Musim menggunakan basis ZOM. Hal ini ternyata masih memiliki kekurangan. Alam (2010) menyebutkan berdasarkan hasil evaluasi terhadap kinerja pemodelan iklim (curah hujan) menunjukkan bahwa terdapat beberapa lokasi ZOM yang mempunyai kinerja yang kurang baik.
Sampai saat ini, perlu adanya evaluasi ZOM yang dikaitkan dengan metode dan perhitungan statistik yang lebih baik. Tingkat akurasi lapangan rendah disebabkan oleh penentuan ZOM yang sudah tidak sesuai lagi. Kondisi ini menjadi kajian untuk melihat variabilitas pos-pos hujan dalam wilayah ZOM yang terdapat dalam provinsi Maluku Utara. Dari hasil penelitian ini diharapkan mampu meningkatkan informasi prakiraan musim yang lebih akurat dan sebagai bentuk informasi yang bermanfaat bagi perencanaan pertanian di suatu wilayah.
DATA DAN METODE
Wilayah yang menjadi objek penelitian adalah Provinsi Maluku Utara. Provinsi Maluku Utara terletak pada 3°LU-3°LS dan 124°BT-129° BT. Provinsi ini terdapat banyak pulau besar dan sebagian pulau kecil. Adapun data yang digunakan dalam penelitian ini antara lain:
Data curah hujan bulanan yang diamati oleh empat Stasiun Meteorologi BMKG (Sanana, Ternate, Labuha, dan Galela) periode 1981-2010.
Data koordinat stasiun meteorologi.
Data curah hujan bulanan Global Precipitation Climatology Centre (GPCC) periode 1981-2010. Tipe kedua data di atas berbeda, yaitu tipe data titik untuk data observasi dan data grid untuk GPCC. Data titik diwakili oleh 4 stasiun meteorologi yang tersebar di seluruh daerah penelitian, sedangkan data grid diwakili oleh data GPCC yang beresolusi spasial 0.5°x 0.5°.
Pada data GPCC di downloadmelalui www.esrl.noaa.gov/psd/. Data tersebut didownload dalam ekstensi .nc dan dan diekstrak nilai numeriknya melalui aplikasi GrADS. Kemudian diolah menggunakan Excel dan dibuat dalam bentuk time series.

Penelitian ini mengambil daerah studi di wilayah Provinsi Maluku Utara dan sekitarnya dengan mengambil koordinat 3°LU-3°LS dan 124°BT-129° BT. (Gambar 1)


Gambar 1. Lokasi penelitian.

Dalam mengolah data GPCC yang begitu banyak, digunakan analisis faktor. Analisis faktor berfungsi untuk mengidentifikasi dimensi sekelompok variabel kemudian membangun struktur pengelompokkan baru yang lebih sederhana berdasarkan sifat dasar tersebut. Dimensi ini tidak dapat terlihat kuantitasnya yang disebut sebagai faktor. Dengan kata lain, proses analisis faktor mencoba menemukan hubungan (interrelationship) antar sejumlah variabel-variabel yang saling independen satu dengan yang lain, sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dibandingkan dengan jumlah variabel awal tanpa kehilangan sebagian besar informasi penting yang terkandung didalamnya. Johnson dan Wichern (2002) mengatakan bahwa tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor. Sebagai contoh, jika ada 16 variabel yang independen satu dengan yang lain, dengan analisis faktor mungkin bisa diringkas hanya menjadi 3 kumpulan variabel baru yang disebut faktor, di mana faktor tersebut tetap mencerminkan variabel-variabel aslinya.
Analisis faktor merupakan pengelompokkan dengan mengukur korelasi sekumpulan variabel dan selanjutnya menempatkan variabel-variabel yang berkorelasi tinggi dalam satu faktor, dan variabel-variabel tersebut ditempatkan pada faktor yang lain. Hasil yang diharapkan adalah faktor-faktor yang nantinya terbentuk tidak saling berkorelasi lagi.
Pada dasarnya tujuan analisis faktor adalah :
Data Summarization, adalah bertujuan untuk mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi.
Data Reduction, yakni setelah melakukan korelasi, dilakukan proses membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.
Metode yang seringkali digunakan dalam pembuatan ZOM adalah analisis kelompok (cluster analysis). Analisis Kelompok adalah proses pengelompokan objek-objek berdasarkan ukuran kesamaan atau ketidaksamaan. Proses analisis kelompok dibedakan menjadi dua metode yaitu metode non-hierarki dan metode hierarki. Pada metode non hierarki, telah ditentukan jumlah kelompok terlebih dahulu kemudian dibagi berdasarkan banyaknya centroid yang ada. Penentuan ZOM BMKG pada tahun 2009 menggunakan metode non-hierarki karena menggunakan metode K-means. Sedangkan pada metode hierarki jumlah kelompok ditentukan setelah hasil analisis. Metode hierarki merupakan metode pengelompokan yang terstruktur dan bertahap berdasarkan pada kemiripan sifat antar objek. Kemiripan sifat tersebut dapat ditentukan dari kedekatan jarak. Secara umum terdapat dua cara pengelompokan menggunakan metode hierarki yaitu penggabungan (agglomerative) dan pemisahan (divisive). Dalam hal ini akan dilakukan analisis pengelompokan zona musim menggunakan metode hierarki.
Adapun tahapan yang dilakukan dalam clustering yaitu sebagai berikut:
2.1 Pengolahan data awal
Kedua data tersebut (curah hujan observasi dan curah hujan GPCC) disusun secara time series dengan urutan bulan dan dilanjutkan dengan tahun. Penyusunan secara time series agar mempermudahdan menyeragamkan data. Wilayah Maluku utara hanya memiliki 4 data stasiun yaitu stasiun meteorologi Sanana, Ternate, Labuha dan Galela.Penggunaan data model GPCC bertujuan untuk mengisi data-data pada wilayah yang tidak terdapat pengamatan curah hujan pada wilayah Maluku Utara. Oleh karena itu data model GPCC perlu dibuat suatu koreksi bias statistik agar datamode tersebut dapat mewakili kondisi sebenarnya dari wilayah penelitian.
2.2 Pendekatan koreksi bias statistik
Koreksi bias Salah satu teknik koreksi tersebut adalah koreksi bias statistik (Piani et al. 2010; Leander and Buishand 2007). Koreksi bias dilakukan dengan cara mengidentifikasi jenis distribusi peluang dan probabilitas dari kedua data hujan. Berdasarkan bentuk dan sebaran datanya, kedua data itu mengikuti model distribusi peluang Gamma, dan nilai kepekatan peluangnya (probability density function) mengikuti persamaan berikut:
pdf(x)= 1/(b^a Γ(a) ) x^((a-1) ) e^((-x/b) ), x>0 ...(1)
=0 ,x≤0
dimana:
x : curah hujan harian rata-rata, huruf a danb berturut-turut adalah parameterbentukdan skala.
Γ(a) : fungsi Gamma; dan, ini dapat diselesaikan dengan fungsi faktorial (Γ(a) = (a-1)! ).
Penelitian ini ilustrasi pemanfaatan fungsi kepekatan peluang (PDF) diterapkan untuk dua data dan masing-masing menggambarkan data hujan bulanan observasi dan GPCC, dengan asumsi kedua data tersebut memiliki model distribusi peluang Gamma. Jika fungsi kepekatan peluang pada persamaan (1) diintegralkan dari nol hingga x maka akan diperoleh nilai distribusi kumulatif untuk tiap hujan bulanan sebagaimana tertera pada persamaan (2).
cdf(x)= ∫_0^x▒1/(b^a Γ(a)) x^((a-1)) e^((-x/b)) dx+cdf(0) ...(2)
2.3 Koreksi bias statistik
Koreksi bias statistik dikembangkan dengan membangun hubungan antara data hujan observasi dan GPCC untuk membentuk suatu fungsi transfer tertentu [y=f(x)]. Fungsi ini menghubungkan nilai fungsi distribusi kumulatif (cdf) hujan observasi dan cdf hujan GPCC; dan, bentuk hubungannya adalah: 〖cdf〗_obs(y) = 〖cdf〗_GPCC (x) (Ines and Hansen 2006; Piani dkk., 2010; Vidal dkk., 2010).

Gambar 2.Koreksi bias statistik untuk penyusunan fungsi transfer [y=f(x)]: (a) Gambar pdf hujan dugaan (garis tebal) dan pdf hujan observasi (garis tipis), (b) Gambar nilai cdf yang diperoleh dari integral pdf pada Gambar a, (c) adalah fungsi transfer yang diperoleh dari hubungan 〖cdf〗_obs(y) = 〖cdf〗_dugaan (x) (garis tebal) dan (d) Gambar pdf hujan dugaan (garis tebal), hujan observasi (garis tipis) dan hujan dugaan terkoreksi (tanda segitiga) (diadaptasi dari Piani dkk., 2010 dan Vidal dkk., 2010).
2.4 Metode Validasi
Validasi dapat diterapkan pada berbagai model prakiraan karena pada dasarnya data yang dipakai dalam proses validasi adalah sama, yaitu observasi (data real) dan hasil prakiraan. Pada penelitian ini proses validasi dilakukan terhadap data observasi dan data reanalysis. Adapun yang dipakai dala penelitian ini adalah validasi dengan korelasi Pearson dan RMSE (Root Mean Square Error). Untuk pengolahan data dan mencari nilai perhitungan digunakan aplikasi Microsoft Excel. Metode validasi digunakan untuk menentukan sejauh mana keakuratan metode dan juga untuk menentukan metode terbaik dari ketiga data reanalisis tersebut. MetodeRMSE (Root Mean Squared Error) yaitu suatu metode untuk mengevaluasi hasil suatu teknik atau metode prakiraan dengan cara selisih data aktual terhadap data prakiraan yang masing–masing dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah data, sehingga didapat nilai rata– rata kesalahan kuadrat atau biasa disebut MSE (Mean Squared Error). Nilai MSE tersebut diakar kuadratkan untukmencari nilai RMSE. Dalam Setyawan, Wilks (1995) RMSEdihitung dengan rumus :
RMSE= √(1/n ∑_(k=1)^n▒〖〖(Y〗_k-O_k)〗^2 ) ... (3)
Keterangan:
Y_k = nilai prakiraan
O_k = nilai observasi
n = jumlah data aktual
Jika nilai prediksi total hujan bulanan sama dengan nilai data observasinya, maka RMSE bernilai 0. Nilai 0 merupakan nilai terbaik yang memiliki implikasi bahwa teknik prediksi yang digunakan sangat sesuai dengan kondisi lapangnya. Dengan kata lain, bahwa semakin besar nilai RMSE maka semakin jelek kualitas nilai prediksi yang dihasilkan dengan menggunakan teknik prediksi yang dipilih. Selanjutnya untuk mengetahui tingkat kesesuaian fase antara nilai prediksi total hujan bulanan dengan nilai data observasinya dapat digunakan nilai koefisien korelasi Pearson. Nilai koefisien Pearson ini bervariasi antara -1 dan +1. Semakin tinggi nilai koefisien korelasi Pearson yang didapat, maka semakin baik performa teknik prediksi yang digunakan. Berarti semakin sama fase nilai prediksi, maka semakin baik performa teknik prediksi yang digunakan. Korelasi menunjukkan hubungan (linear) relatif antara dua variabel. Adapun rumus korelasi Pearson (Wilks, 1995) adalah sebagai berikut :
Metode Pautan Rata-rata (Average Linkage)
Pautan rata-rata memperlakukan jarak antara dua kelompok sebagai jarak rata-rata antara semua pasangan objek-objek di mana satu anggota dari pasangan tersebut kepunyaan tiap kelompok. Mulai dengan mencari matriks jarak D = {d_ik} untuk memperoleh objek-objek paling dekat (paling mirip) misalnya U dan V. Objek objek ini digabungkan untuk membentuk kelompok (UV). Untuk langkah (3) dari algoritma di atas jarak-jarak antara (UV) dan kelompok W yang lain ditentukan oleh:

d_((UV),W)=[∑_(i=1)^n▒∑_(i=1)^n▒d_ik ]/[N_((UV)) N_W ] ...(4)

Dimana d_ik adalah jarak antara objek i dalam kelompok (UV) dan objek k dalam kelompok W, dan N_UV dan N_W berturut-turut adalah banyaknya objek-objek dalam kelompok (UV) dan W (Johnson dan Wichern, 2002).
Metode Ward’s
Jarak antara dua kelompok pada metode ini adalah jumlah kuadrat antara dua kelompok untuk seluruh variabel. Metode ini cenderung digunakan untuk mengkombinasi kelompok-kelompok dengan jumlah kecil (Landgrebe, 2003).

ESS= ∑_(k=1)^K▒∑_(j=1)^J▒∑_(i=1)^(N_k)▒(X_ijk-X_jk )^2 ...(5)

K adalah jumlah kelompok dan J adalah jumlah variabel sedangkan N_k merupakan observasi pada kelompok k.

Simpangan Baku
Dalam Kelompok
S_W=K^(-1) ∑_(k=1)^K▒S_k ... (6)

Dengan K adalah banyaknya kelompok yang terbentuk dan S_k merupakan simpangan baku kelompok ke-k.

Antar Kelompok
S_B=[(K-1)^(-1) ∑_(k=1)^K▒(X ̅_k-X ̅ )^2 ]^(1/2) ...(7)

Dengan X ̅_k adalah rataan kelompok ke-k dan X ̅ rataan keseluruhan kelompok. Semakin kecil nilai S_B dan semakin besar nilai S_B,maka metode tersebut memiliki kinerja yang baik, artinya mempunyai homogenitas yang tinggi.

HASIL DAN PEMBAHASAN
Salah satu cara mengatasi masalah data kosong adalah dengan memanfaatkan data hujan dugaan yang dihasilkan oleh sensor satelit cuaca. Pada penelitian ini, data GPCC digunakan untuk mengisi data hujan observasi pada suatu grid di wilayah penelitian.
3.1 Analisis Fungsi Transfer (Analisis Regresi)
Data hujan bulanan observasi dan GPCC periode 1 Januari 1981–31 Desember 2010. Nilai ini diurutkan secara time series sebagaimana telah disebutkan dalam bagian Metodologi. Fungsi transfer ini menghubungkan antara peubah penjelas (peubah-x) dan peubah respon (peubah-y). Jika kurva distribusi peluang untuk data hujan bulanan observasi dan GPCC ini diintegralkan maka akan diperoleh nilai distribusi peluang kumulatifnya (cdf). Nilai peubah didapat dari nilai curah hujan pada setiap peluang pada grafik cdf, untuk peubah-x didapat dari nilai curah hujan pada setiap peluang fungs cdf model sedangkan nilai y didapat dari nilai curah hujan pada setiap peluang pada grafik cdf observasi. Hal ini dapat dilihat pada gambar 2(a), sehingga berdasarkan nilai peubah x dan peubah y dibentuk suatu grafik scatter plot gambar 3(a) dan melalui proses fitting untuk menentukan fungsi transfer yang akan digunakan. Fungsi transfer yang tertera pada gambar tersebut merupakan suatu persamaan linear.


(a)


(b)

Gambar 3. (a) Kurva fungsi distribusi kumulatif sepasang hujan bulanansebelum koreksi; (b) Kurva fungsi distribusi kumulatif sepasang hujan bulanansetelah koreksi

Berdasarkan hasil Gambar 3(b). Menunjukkan adanya kesesuaian antara data observasi dan GPCC terkoreksi. Pada proses selanjutnya menunjukkan bahwa pola hujan bulanan dari data hujan observasi dan hujan GPCC terkoreksi adalah mirip.


Gambar 4. Hujan bulanan (mm/hari)

Gambar5. Data Grid GPCC Wilayah Maluku
Fungsi transfer tersebut merupakan suatu persamaan linear:
y=0.9635x+6.7727 ...(8)

dengan koefisien determinasi (R2) sekitar 0.9.
Hasil dari persamaan di atas maka menunjukkan bahwa korelasi antara data hujan observasi bulanan dengan data hujan GPCC bulanan signifikan. Bila nilai peluang kumulatif itu ditentukan secara berurutan maka akan diperoleh beberapa pasang data hujan. Pasangan data hujan ini masing-masing merupakan peubah penjelas dan peubah respon, sehingga kedua data akan membentuk fungsi transfer tertentu, secara grafis hal ini dapat dilihat pada Gambar 4(a).
Fungsi transfer yang didapat tersebut digunakan untuk mengkoreksi data pada tiap-tiap grid hasil keluaran GPCC dari tahun 1981-2010, berdasarkan hasil koreksi tersebut dilakukan pengelompokan data curah hujan. Sebelum melakukan pengelompokan stasiun curah hujan dilakukan pendekatan dengan analisis faktor. Pereduksian variabel dilakukan dengan menggunakan input matriks ekstrasi komponen utama (Principal component). Untuk memperjelas dalam menggambarkan karakteristik curah hujan bulanan pada wilayah Maluku dilakukan rotasi Varimax. Hasil loading faktor selengkapnya disajikan pada Tabel 2.

Tabel 2. Nilai Loading dengan Rotasi Varimax

Tabel 2 diatas menunjukan bahwa faktor score 1 lebih menunjukkan musim penghujan yaitu curah hujan yaitu meliputi curah hujan bulan Juli, Agustus, September, Oktober, November, Desember, Januari dan Februari sedangkan faktor 2 menggambarkan musim kemarau yang terjadi pada bulan April, Mei dan Juni. Total keseragaman yang dapat dijelaskan kedua faktor tersebut dengan keseragaman masing-masing faktor secara berurutan adalah 53% dan 28% sehingga total varians menjadi 81%. Pada Tabel diatas mengindikasikan bahwa musim penghujan pada wilayah Maluku jauh lebih panjang jika dibandingkan dengan musim kemarau.
Metode Between-Average Linkage adalah suatu metode pengelompokan berdasarkan nilai factor score hasil dari Analisis faktor. Pada penentuan jumlah cluster yaitu dengan menggunakan lompatan terbesar “sudden jump” dari koefisien jarak yang dapat di jelaskan pada Grafik 1.



Grafik 1. Scree Plot Metode Between Average Linkage

Penentuan banyaknya jumlah cluster didapat berasarkan lompatan terbesar dan didapat bahwa lompatan terbesar berada pada stage/tahapan dari 35 ke 34 sehingga jumlah cluster total cluster stage ditambah satu kemudian dikurangi dengan stage yang memiiki lompatan terbesar berdasarkan tabel diatas didapat bahwa jumlah cluster yang terbentuk berjumlah 6 cluster.


(a)


(b)

Gambar 6. Dendogram Metode (a) Peta Spasial Pengelompokan Metode Between Average Linkage
Hal ini bisa terlihat pada Grafik 1 tahapan proses cluster secara aggromeratif dapat dijelaskan pada dendogram Gambar 6 (a). Pada peta spasial pengelompokan Gambar 5 (b) didapat bahwa untuk cluster 2 yang berada pada wilayah maluku bagian selatan memiliki luas area yang tinggi yang bisa dilihat dari banyak nya grid yang masuk pada cluster 2 sedangkan untuk cluster 6 memilik luasan area yang tidak cukup luas hal ini dapat dijelaskan dari jumlah grid anggota cluster 6 yang berupa hanya 1 grid.

Metode Ward’s merupakan metode yang mempunyai kinerja paling baik diantara metode hierarki lainnya (Gong dan Richman, 1995). Hasil menunjukan bahwa terdapat 6 kelompok atau Zona musim yang terbentuk, penentuan jumlah cluster didapat berdasarkan “sudden jump” dari koefisien Jarak seperti yang dijelaskan pada Grafik2.


Grafik 2. Scree Plot Metode Ward’s

Penentuan banyaknya jumlah cluster didapat berdasarkan lompatan terbesar dan didapat bahwa lompatan terbesar berada pada stage/tahapan dari 35 ke 34 sehingga jumlah cluster total clusterstage ditambah satu kemudian dikurangi dengan stage yang memiiki lompatan terbesar, sama hal nya dengan metode Between Average Linkage pada metode Ward's juga menghasilkan 6 cluster, proses pemilihan jumlah cluster dapat dilihat pada Grafik 2 dimana terdapat lompat terbesar pada stage 35. tahapan proses cluster secara aggromerasi dapat dijelaskan pada dendogram Gambar 6 (a). Pada peta spasial pengelompokan dengan mengunakan metode Ward's didapat bahwa penyebaran anggota cluster cukup merata dimana untuk cluster 2 yang berada pada wilayah maluku bagian selatan memilki jumlah anggota grid terbanyak sedangkan untuk cluster lainnya memilki keanggotaan yang cukup merata antara satu dengan yang lainnya.


(a)


(b)
Gambar 7. Dendogram Metode Ward's (a) Peta Spasial Pengelompokan Metode Ward's

Penentuan banyaknya Zona Musim/Cluster pada masing-masing metode didasarkan pada nilai factor score pada analisis ANOVA dimana berdasarkan nilai loading value, kedua nilai factor tersebut sebesar 81% dari total varians hal ini menunjukan bahwa kedua factor score tersebut sudah menjelaskan 81% dari variasi data. Untuk mengetahui metode mana yang mempunyai kinerja terbaik, dapat digunakan rata-rata simpangan baku dalam cluster (SW) dan simpangan baku antar cluster (SB) (Bunkers, dkk.1996).

Tabel 3. Simpangan Baku Antar Dalam Kelompok SW dan Simpangan Baku Antar ClusterSB

Metode terbaik mempunyai nilai rasio simpangan baku dalam cluster (SW) dan simpangan baku antar cluster (SB) yang paling kecil. Semakin kecil nilai SW dan semakin besar nilai SB maka metode tersebut memiliki kinerja yang baik, artinya mempunyai homogenitas yang tinggi (Bunkers, dkk, 1996). Pada Tabel 3 didapat bahwa dengan menggunakan jumlah cluster yang sama didapat bahwa nilai simpangan baku (SW) pada metode Wards jauh lebih kecil jika dibandingkan dengan metode Between Average Linkage sedangkan simpangan baku antar kelompok untuk metode Ward's jauh lebih besar jika dibandingkan dengan metode Between Average Linkage. Untuk mengetahui kinerja kedua metode peng-cluster-an tersebut digunakan kriteria dua nilai simpangan baku, yaitu rata-rata simpangan baku dalam cluster (SW) dan simpangan baku antar cluster (SB). Metode yang mempunyai rasio terkecil merupakan metode terbaik. Cluster yang baik adalah cluster yang mempunyai homogenitas (kesamaan) yang tinggi antar anggota dalam satu cluster (within cluster) dan heterogenitas yang tinggi antar cluster yang satu dengan cluster yang lain (between cluster) (Santoso, 2007:47). Jika melihat Tabel 6 didapat bahwa nilai rasio metode Ward's lebih kecil jika dibandingkan dengan metode lainnya, hal ini menunjukkan bahwa metode Ward's lebih baik dibandingkan dengan metode BetweenAverage Linkage, hal ini mendukung pernyataan Gong & Richman bahwa metode Ward’s memiliki kinerja paling baik diantara metode hierarki lainnya.
3.2 Perbandingan ZOM Metode Ward's dengan ZOM BMKG
Zona musim yang terbentuk oleh BMKG menggunakan data pos hujan yang terbentuk didapat sebanyak 2 Zona Musim (ZOM) dengan satu wilayah Non ZOM. Adapun ZOM yang terbentuk yaitu ZOM 328, ZOM 329 dan daerah Non ZOM 53. Oleh karena hal itu diasumsikan bahwa jumlah cluster pada pembuatan ZOM BMKG yaitu sebanyak 3 cluster. Kemudian dengan menggunakan grid keluaran GPCC maka ditentukan nilai simpangan baku dalam kelompok dan simpangan baku antar kelompok. Hal ini dapat dilihat pada gambar 7a dan Gambar 7b.

(a)

(b)
Gambar 8. Peta sebaran Zom di wilayah Maluku (a) Sebaran Grid pada wilayah ZOM BMKG(b)
Tabel 4. Anggota Cluster untuk ZOM BMKG
Cluster Anggota
ZOM 328 Grid 20 – Grid 39
ZOM 329 Grid 4 dan Grid 40
NON ZOM Grid 1 – Grid 3,
Grid 5 – Grid 19

Berdasarkan Tabel 5 menunjukkan bahwa nilai SW dan SB menunjukkan metode Ward's memiliki rasio simpangan baku yang lebih kecil jika dibandingkan dengan pengelompokan ZOM BMKG, dengan menggunakan grid keluaran GPCC didapat bahwa simpangan baku dalam kelompok ZOM BMKG cukup tinggi sedangkan simpangan baku antar kelompok lebih kecil sehingga menghasilkan rasio yang cukup besar. Maka ZOM baru yang dibentuk berdasarkan metode Ward's memiliki kinerja yang lebih baik jika dibandingkan dengan ZOM milik BMKG.
Tabel 6. Simpangan Baku Antar Dalam Kelompok SW dan Simpangan Baku Antar ClusterSB

Secara lengkap dapat dijelaskan pada Gambar 8.

Gambar 9. Peta spasial pembagian wilayah Zona Musim Baru berdasarkan Metode Ward’s
Pada Gambar 9 didapat bahwa terdapat 6 wilayah zona musim baru yang terdiri dari Kepulauan Sula, jika pada sebelumnya wilayah kepulauan Sula memiliki dua tipe iklim yang berbeda pada zona musim baru satu kepulauan Sula masuk pada suatu kelompok iklim yang sama, untuk zona musim 2 terdiri dari wilayah Halmerah selatan, Kabupaten Weda, Gorogoro, Poan, Bacan dan palmea, untuk zona musim 3 terdiri dari wilayah dari Kota Toidore dan Halmahera Timur. Untuk Zona musim 4 terdiri dari pulau Gebe, Zona musim 5 terdiri Ternate dan Halmahera bagian Selatan sedangkan Zona musim 6 terdiri dari Halmahera bagian barat.



(a)
(b)

(c)
(d)


(e)
(f)
Gambar 10 : Pola Curah hujan Zona Musim 1(a); Pola Curah hujan Zona Musim 2 (b); Pola Curah hujan Zona Musim 3(c); Pola Curah hujan Zona Musim 4(d); Pola Curah hujan Zona Musim 5 (e); Pola Curah hujan Zona Musim 6(f)

Gambar 9 menjelaskan karakteristik tiap zona musim dengan menggunakan metode Ward’s yaitu melalui pola hujan pada tiap-tiap zona musim didapat bahwa pada zona musim 1 memiliki panjang musim kemarau yang paling panjang yaitu selama 4 bulan dari bulan Agustus hingga November, Zona musim dua memiliki panjang musim kemarau hingga 3 bulan yaitu dari bulan Agustus hinga bulan Oktober, untuk wilayah Zona musim 3 memiliki panjang musim selama 3 bulan dengan awal musim sama dengan zona musim 2. Untuk zona musim 5 memiliki panjang musim kemarau hanya 2 bulan sedangkan untuk zona musim 4 dan zona musim 6 memiliki panjang musim kemarau hanya 1 bulan, untuk zona musim 4 dan 6 karenapanjang musim kamarau hanya 1 bulan maka diasumsikan bahwa pada zona musim tersebut tidak memiliki musim, hal tersebut dikarenakan nilai curah hujan pada zona musim tersebut tidak jauh dari nilai 150 mm/bulan, oleh karena hal tersebut maka dilakukan pemetaan ulang terkait zona musim yang ada di wilayah Maluku Utara seperti yang dapat dilihat pada Gambar 9(b). Terdapat perbedaan antara zona musim yang dibentuk oleh BMKG (Gambar 10(a)) dengan zona musim baru hal ini terlihat jelas pada wilayah yang tidak memiliki musim atau Non ZOM. Jika pada sebelumnya wilayah Non ZOM berada pada wilayah Halmerah selatan, Kabupaten Weda, Gorogoro, Poan, Bacan, palmea dan sebagian wilayah kepulauan Sula bagian timur maka pada zona musim baru wilayah Non ZOM terdapat pada wilayah Pulau Gebe dan Halmahera bagian barat.
Tabel 7. Karakter Curah Hujan Maksimum pada Tiap Musim

Pada Tabel 7 didapat nilai curah hujan maksimum pada saat musim penghujan dan musim kemarau didapat bahwa zona musim 5 memiliki nilai curah hujan tertinggi pada saat musim hujan sedangkan pada saat musim kemarau wilayah pada zona musim 3 memiliki curah hujan maksimum dari yang lainnya. Sedangkan untuk curah hujan pada zona musim 4 dan zona musim 6 tidak diberikan nilai dikarenakan pada zona musim tersebut tidak memiliki musim atau daerah Non ZOM sehingga tidak dapat ditentukan curah hujan pada saat musim kemarau maupun curah hujan maksimum pada saat musim hujan.

(a)

(b)
Gambar11.Peta spasial pembagian wilaya Zona Musim Baru berdasarkanKarakteristik Pola Hujan(a) Peta ZOM BMKG (b)
KESIMPULAN
Adapun kesimpulan dari pembahasan yang telah dijelaskan sebelumnya yaitu:
Analisis fungsi transfer menunjukkan bahwa data GPCC sesudah dilakukan koreksi memiliki kesesuaian dengan data observasi dengan nilai koefisien determinasi sebesar 0.9 sehingga dapat digunakan untuk analisis selanjutnya.
Metode terbaik dalam clustering ditunjukkan oleh metode Ward’s jika dibandingkan dengan metode Average Linkage maupun metode pengelompokan ZOM yang dilakukan BMKG yang ditunjukkan dengan nilai rasio (SW/SB) terkecil yaitu sebesar 0.12.
Hasil pengelompokan ZOM dan dan Non Zom dengan metode Ward’s menunjukkan bahwa terdapat 4 wilayah ZOM dan 2 wilayah Non ZOM di Maluku Utara. Hal ini berbeda dengan pengelompokkan wilayah ZOM yag dilakukan BMKG dengan 2 wilayah ZOM dan 1 wilayah Non ZOM.


DAFTAR PUSTAKA

Alam, D.P.A. 2010. Pengelompokkan Zona Musim (ZOM) dengan Agglomerative Hierarchical Clustering. Fakultas MIPA. Institut Teknologi Sepuluh November. Surabaya
Anandkumar R. K., Sanxiu L., Gregory M. B., dan Christopher N. B. 1996. Kinetic and Mechanistic Studies of Iniferter Photopolymerizations. Journal of American Chemical Society, pp 7310-7315.
Gong, X. dan Richman, M.B., 1995. On the Application of Cluster Analysis to Growing Season Precipitation Data in North America East of the Rockies. Journal of Climate, 8, 897-931.
Ines, A.V.M. dan J.W. Hansen. 2006. Bias correction of daily GCM rainfall for crop simulation studies. J Agric For Meteorol 138:44-53.
Johnson, N. dan Wichern, D. 2002. Applied Multivariate Statistical Analysis, 5th Edition. New Jersey: Prentice Hall, Englewood Cliffs.
Landgrebe, D.A. 2003. Signal Theory Methods in Multispectral Remote Sensing. John Wiley & Sons, Inc. Hoboken, New Jersey.
Leander, R. dan T.A. Buishand. 2007. Re-sampling of regional climate model output for the simulation of extreme river flows. J Hydrol 332(3–4):487–496.
Piani, C., J.O. Haerter, dan E. Coppola. 2010. Statistical bias correction for daily precipitation in regional climate models over Europe. J Theor. Appl. Climatol 99:187–192.
Richards, J.A. dan Jia, X. 2006. Remote Sensing Digital Image Analysis: An Introduction(Fourth Edition), Springer-Verlag. Berlin.
Santoso S, dan Spitzer C., 2007. The alpha2 gene coding sequence T807/A873 of the platelet collagen receptor integrin alpha2beta1 might be a genetic risk factor for the development of stroke in younger patients. Blood 2007;93: 3583-6.
Setyawan, M.B., 2015. Uji Komparasi Prakiraan Curah Hujan Hasil Keluaran Model ARIMA, Model Stepwise, Regression, dan Model Holt-Winter di Lombok, Nusa Tenggara Barat. Skripsi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika :Tangerang Selatan.
Vidal, L., P. Salio, dan C.A. Morales. 2010. Implementation of a methodology to calibrate ground radars using TRMM-PR over Argentina. The Sixth European Conference on Radar in Meteorology and Hydrology.
Wilks, D.S., 1995. Statistical Methods in The Atmospheric Sciences, Academic Presss, USA.