1. Pendahuluan
Dalam menganalisa indeks kekeringan secara hidrologi, komponen utama yang diperlukan adalah data hujan yang cukup panjang yaitu 30 tahun atau lebih. Sayangnya, tidak semua wilayah di Indonesia memiliki ketersediaan data hujan yang cukup panjang khususnya
wilayah diluar pulau Jawa. Selain itu, terdapat kekosongan data atau data tidak tercatat dalam beberapa waktu yang dikarenakan alat pengukur hujan rusak/masalah teknis lainnya.
Maksud dari kajian ini untuk mendapatkan nilai koefisien koreksi indeks kekeringan berdasarkan data
hujan satelit TRMM (Tropical Rainfall Measuring Mission) terhadap indeks kekeringan data hujan lapangan periode panjang. Sedangkan, tujuan dari kajian ini yaitu agar data TRMM dapat digunakan sebagai alternatif untuk menganalisa indeks kekeringan/ tingkat keparahan kekeringan pada wilayah yang memiliki keterbatasan data hujan.
2. Landasan Teori
2.1 Kekeringan
Pengertian kekeringan diantaranya merupakan salah satu kejadian alam yang biasa terjadi di Indonesia dan menggambarkan iklim yang berulang. Secara umum kekeringan merupakan kondisi kurangnya hujan dan bisanya terjadi satu musim atau lebih (Adidarma, 2006).
Kekeringan diklasifikasikan menjadi kekeringan meteorologi, hidrologi, pertanian, dan sosial ekonomi. Beberapa metode untuk menghitung indeks kekeringan diantaranya persentase terhadap rata-rata, desil, Palmer Drougth Severity Index (PDSI), dan Standardized Precipitation Index (SPI).
2.2 Standardized Precipitation Index (SPI)
Standardized Precipitation Index (SPI) merupakan salah satu metode untuk menentukan tingkat keparahan kekeringan yang memiliki kelebihan yaitu dapat dihitung untuk berbagai skala waktu. Skala waktu tersebut mencerminkan dampak kekeringan pada ketersediaan air diberbagai sumber. Kondisi kelengasan tanah merespon anomali hujan pada jangka waktu pendek, sedangkan air tanah, debit di sungai dan tampungan waduk menanggapi anomali hujan lebih lama. Oleh karena itu SPI dihitung untuk 3-, 6-, 12-, 24 dan 48 bulan (Adidarma, 2006).
Menurut Edwards dan McKee (1997) dalam Adidarma (2006), perhitungan SPI untuk lokasi apapun berdasarkan catatan curah hujan jangka panjang untuk jangka waktu yang diinginkan. Catatan jangka panjang ini dilengkapi dengan distribusi probabilitas, yang kemudian berubah menjadi distribusi normal sehingga SPI rata untuk lokasi dan periode yang diinginkan adalah nol.
"The SPI calculation for any location is based on the long-term precipitation record for a desired period. This long-term record is fitted to a probability distribution, which is then transformed into a normal distribution so that the mean SPI for the location and desired period is zero" (Edwards and McKee, 1997).
Dalam menghitung nilai SPI diperlukan data hujan bulanan dengan panjang data 30 tahun (Hayes, 1999). Tahap awal dalam mengitung nilai SPI yaitu menghitung selisih hujan sebenarnya dengan hujan rata-rata dengan menggunakan skala waktu tertentu, kemudian dibagi dengan simpangan baku (standar deviasi).
Tahap kedua yaitu mentransformasikan data hujan bulanan tersebut yang bertujuan untuk menghilangkan faktor musim dengan membentuk suatu deret yang sama dengan distribusi probabilitas yang sama. Pada proses transformasi ini yaitu mengubah data hujan bulanan menjadi bentuk fungsi peluang kumulatif (CDF. Cumulative Distribution Function) melalui distribusi gamma.
Penggunaan distribusi Gamma digunakan dalam mentransformasi data hujan karena distribusi Gamma paling ideal untuk menggambarkan data historis dari data hujan. Persamaan distribusi probabilitas cdf
\[G(x) = \int_{0}^{x} g(x)dx = \frac{1}{\hat{\beta}^{\hat{\alpha}} \Gamma(\hat{\alpha})} \int_{0}^{x} x^{\hat{\alpha}-1} e^{-x/\hat{\beta}} dx\] (1)
Dimana, \[\alpha_i = \mu_i^2 / \sigma_i^2 \tag{2}\]
\[\beta_{i} = \sigma_{i}^{2} / X_{i} \tag{3}\]
\(\mu_i = \text{rata-rata } X_{k,i} \text{ pada bulan ke i}\)
\(\sigma_i = simpangan baku pada bulan ke i\)
Tahap selanjutnya yaitu mengubah menjadi bentuk distribusi Normal baku (standard), dan nilai yang dihasilkan merupakan indeks kekeringan SPI. Seri probabilitas diubah menjadi nilai Z yang mempunyai cdf (cumulative distribution function) dari Distribusi Normal Standard seperti terlihat pada Persamaan 4.
\[F_x(X) = P_r(X_{\nu,\tau} \leq x) = P_r \; (Z \leq (X_{\nu,\tau} \text{ - } \mu_\tau)/\sigma_\tau) = P_r(Z \leq z)\]
\[F_x(X) = \int_{-\infty}^{z} \frac{1}{\sqrt{2\pi}} \exp(-\frac{z^2}{2}) dt.\] (4)
Penggunaan distribusi gamma dianggap paling ideal dalam mentransformasi data hujan menjadi suatu indeks SPI menurut Thom (1966) dalam paper Spinoni, et al (2013)
Z disebut Standardized Precipitation Index atau disingkat SPI. SPI yang diklasifikasikan (Tabel 1) digunakan dalam mengidentifikasi kekeringan (Mc. Kee, 1993).
Nilai SPI positif menunjukkan lebih besar dari curah hujan rata-rata dan nilai-nilai negatif menunjukkan kurang dari curah hujan rata-rata. Karena SPI adalah normal, basah dan kering iklim dapat direpresentasikan dengan cara yang sama; dengan demikian, periode basah juga dapat dimonitor menggunakan SPI (WMO, 2012).
Tabel 1. Klasifikasi SPI mengikuti skala
| Nilai SPI | Klasifikasi | ||||
|---|---|---|---|---|---|
| 2.00 | Amat sangat basah | ||||
| 1.50 - 1.99 | Sangat basah | ||||
| 1.00 - 1.49 | Cukup basah | ||||
| 0.99 - (-0.99) | Mendekati normal | ||||
| -1.00 - (-1.49) | Cukup kering | ||||
| -1.50 – (-1.99) | Sangat kering | ||||
| -2.00 atau < (-2.00) | Amat sangat kering | ||||
Sumber: Mc.Kee, 1993
2.3 Pendekatan statistik
RMSE (Root Mean Square Error) adalah indikator dari rata-rata kesalahan (average error) pada analisa yang dinyatakan dalam unit pengukuran yang asli dan dihitung dengan persamaan:
\[RMSE = \sqrt{\frac{\sum_{i=1}^{n} (X_{obs,i} - X_{model,i})^{2}}{n}}\] (5)
Dalam kajian ini, nilai RMSE digunakan sebagai indikator dalam menentukan koefisien koreksi antara SPI dengan data lapangan periode panjang-periode pendek dan SPI dengan data lapangan periode panjang-data satelit TRMM. Jika nilai RMSE setelah dilakukan koreksi lebih kecil daripada sebelum dikoreksi, maka nilai koefisien koreksi dapat digunakan/benar.
2.4 Tropical Rainfall Measuring Mission (TRMM)
TRMM (Tropical Rainfall Measuring Missions) merupakan misi satelit hasil kerjasama antara NASA (Amerika) dengan JAXA (Jepang) untuk memantau hujan tropis dan sub-tropis serta untuk memperkirakan pemanasan laten.
Data TRMM adalah data presipitasi (hujan) yang didapat dari satelit meteorologi TRMM dengan tiga sensornya vaitu PR (Precipitation Radar), TMI (TRMM Microwave Imager), dan VIRS (Visible and Infrared Scanner).
Satelit TRMM diluncurkan pada November 1997 dan data yang dihasilkan mulai tahun 1998 dan telah mengalami beberapa kali proses ulang untuk memperbaiki algoritma dan proses (Suryantoro dkk, 2008).
Versi TRMM yang sekarang adalah versi 6 sehingga produk 3B42 yang dihasilkan disebut 3B42v6 adalah 3B42RT yang diskalakan sehingga sesuai dengan analisa pengukuran hujan bulanan yang digunakan oleh 3B43. Keluaran dari 3B43 berupa hujan 3 jam-an dalam grid kotak berukuran 0,25°x0,25° atau 28 x 28 km dengan keterlambatan 1 bulan (NASDA, 2001).
3. Metodologi
3.1 Data hujan lapangan
Berdasarkan studi terdahulu yang dilakukan Puslitbang Sumber Daya Air - Kementerian PU mengenai kekeringan, dihasilkan 15 pos hujan terpilih dari 147 pos hujan yang ada di WS Pemali Comal. Ke-15 pos hujan tersebut dinyatakan mewakili tingkat keparahan kekeringan di WS Pemali Comal berdasarkan sebaran wilayah pos hujan dan ZPI (Zona Prakiraan Iklim)/ ZOM (Zona Musim) dari BMKG (Puslitbang SDA, Sehingga kajian ini dilakukan hanya 2010) menggunakan ke 15 pos hujan terpilih tersebut (Tabel
Tabel 2. Produk Data TRMM
| Sensor | Processing Level | Product | Scene Unit *1 | Estimateddata Volume*2 (Compressed) | |||
|---|---|---|---|---|---|---|---|
| PR | 1B21 | Calibrated Received Powe | 1 orbit (16/day) | 149 MB | |||
| (60~70 MB) | |||||||
| 1C21 | Radar Reflectivity | 1 orbit (16/day) | 149 MB | ||||
| (40~50 MB) | |||||||
| 2A21 | Normalized Radar Surface | 1 orbit (16/day) | 10 MB | ||||
| Cross Section \((s^{o})\) | (6~7 MB) | ||||||
| 2A23 | PR Qualitative | 1 orbit (16/day) | 13MB (6~7 MB) | ||||
| 2A25 | Rain Profile | 1 orbit (16/day) | 241 MB (13~17 MB) | ||||
| 3A25 | Monthly Statistics of Rain | Global Map (Monthly) | 40 MB | ||||
| Parameter | \((Grid: 5^{\circ} \times 5^{\circ}, 0.5^{\circ} \times 0.5^{\circ})\) | (26~27 MB) | |||||
| 3A26 | Monthly Rain Rate using a | Global Map (Monthly) | 9.3 MB | ||||
| statistical Method | \((Grid: 5^{\circ} \times 5^{\circ})\) | (5~6 MB) | |||||
| TMI | 1B11 | Brightness Temperature | 1 orbit (16/day) | 14 MB (14 MB) | |||
| 2A12 | Rain Profile | 1 orbit (16/day) | 97 MB (6.7~9 MB) | ||||
| 3A11 | Monthly Oceanic Rainfall | Global Map (Monthly) | 53 KB | ||||
| \((Grid: 5^{\circ} \times 5^{\circ})\) | (44 KB) | ||||||
| VIRS | 1B01 | Radiance | 1 orbit (16/day) | 92 MB (90 MB) | |||
| COMB | 2B31 | Rain Profile | 1 orbit (16/day) | 151 MB (8 MB) | |||
| 3B31 | Monthly Rainfall | Global Map (Monthly) | 442 KB | ||||
| \((Grid: 5^{\circ} \times 5^{\circ})\) | (380~410 KB) | ||||||
| 3B42 | TRMM & IR Daily Rainfall | Global Map (Daily) | 242 KB | ||||
| - | (Grid: \(I^o x I^o\)) | (110~115 KB) | |||||
| 3B43 | TRMM& Other Sources | Global Map (Monthly) | 242 KB | ||||
| Monthly Rainfall | (Grid: \(I^o x I^o\)) | (242 KB) | |||||
Sumber: TRMM Data Users Handbook, NASDA, February 2001
Tabel 3. Pos hujan lapangan terpilih
| ZOM BMKG | No. Pos Hujan | ||||
|---|---|---|---|---|---|
| 55 | 35b (Pesayangan) | ||||
| 58 | 33c (Penjalin) | ||||
| 5a (Luwung Bata) | |||||
| 59 | 22 (Songgom) | ||||
| 25 (Notog) | |||||
| 60 (Bojong) | |||||
| 60 | 73 (Moga) | ||||
| 61 | 109 (Bongas) | ||||
| 57 (Sirampok) | |||||
| 88 (Bantar Bolang) | |||||
| 62 | 97 (Ponolawen) | ||||
| 137 (Reban) | |||||
| 63a (Dukuh Kasur) | |||||
| 63 | 116 (Surabayan) | ||||
| 134 (Subah) | |||||
Sumber: Puslitbang SDA, 2011.
3.2 Data hujan TRMM
Dalam kajian tesis ini data TRMM yang telah dikoreksi diperoleh dari Puslitbang SDA bekerja sama dengan DELTARES (lembaga riset dari Belanda), sehingga untuk saat ini data TRMM yang sudah dikoreksi belum dapat diakses/diperoleh langsung secara bebas. Validasi dilakukan pada beberapa lokasi pos hujan lapangan (groundstations) dan grid TRMM yang dipilih diantaranya berdasarkan kriteria grid yang memiliki kerapatan pos hujan lapangan yang tinggi. Indikator validasi dilakukan berdasarkan nilai RMSE terkecil. Dari hasil analisa (Tabel 5, pada halaman berikutnya) menunjukkan bahwa setelah dikoreksi maka nilai RMSE lebih kecil dibandingkan dengan sebelum dikoreksi.
Data TRMM koreksi tersebut diperoleh melalui software FEWS/DEWS (Flood/Drought Early Warning System) yang dapat digunakan sebagai alat/tool untuk memperoleh data TRMM. Pembagian Grid TRMM untuk WS Pemali Comal dapat dilihat pada Gambar 1 (pada halaman berikutnya), sedangkan untuk pembagian Grid TRMM beserta 15 pos hujan terpilih dapat dilihat pada Tabel 4.
Tabel 4. Grid TRMM dan 15 pos hujan terpilih di WS Pemali Comal, Jawa Tengah
| Pos Hujan | Kode Grid TRMM |
|---|---|
| 5a (Luwung Bata) | 13888 |
| 22 (Songgom) | 14135 |
| 25 (Notog) | 14135 |
| 33c (Penjalin) | 14383 |
| 35b (Pesayangan) | 13889 |
| 57 (Sirampok) | 14136 |
| 60 (Bojong) | 14136 |
| 63a (Dukuh Kasur) | 13890 |
| 73 (Moga) | 14136 |
| 88 (Bantar Bolang) | 14137 |
| 97 (Ponolawen) | 14138 |
| 109 (Bongas) | 14137 |
| 116 (Surabayan) | 13891 |
| 134 (Subah) | 13892 |
| 137 (Reban) | 14139 |
Sumber: Puslitbang SDA, 2011.
3.3 Tahapan analisa
Secara garis besar, tahapan kegiatan yang dilakukan dalam kajian ini guna memenuhi maksud dan tujuan diantaranya:
- 1. Membuat skenario data hujan lapangan periode panjang (1951 s/d 2013) dan data hujan satelit TRMM (2002 s/d 2013)
- 2. Kemudian dilakukan analisa kekeringan SPI dengan menggunakan metode SPI skala waktu 1, 3, 6, 9, 12, 24, 36, dan 48
- 3. Kemudian dilakukan analisa RMSE untuk melihat seberapa kuat hubungan antara SPI data hujan Satelit TRMM terhadap data hujan lapangan periode panjang.
- 4. Selanjutnya dilakukan analisa untuk menentukan koefisien koreksi dengan menggunakan :
- a. parameter α-β distribusi Gamma pada SPI
- b. parameter α-β distribusi Gamma pada SPI berdasarkan sebaran wilayah studi (barat, tengah, dan timur)
Tabel 5. Perbandingan TMPA 3B42 sebelum dan sesudah koreksi menggunakan menggunakan rata-rata perbedaan / error, realtive bias, RMSE dan koefisien korelasi periode 2003-2008
| Validation region | Ground stations | TMPA | TMPA Bias corr. | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| P | P | Avg. Diff. | Rel. bias | RMSE | R2 | P | Avg. Diff. | Rel. bias | RMSE | R2 | |
| Jakarta | 2010 | 1865 | -145 | -7.2 | 83.8 | 0.84 | 1918 | -92 | -4.6 | 78.2 | 0.84 |
| Bogor | 3056 | 2944 | -112 | -3.7 | 94.9 | 0.83 | 2845 | -211 | -6.9 | 79.8 | 0.84 |
| Bandung | 1723 | 1936 | 213 | 12.3 | 85.8 | 0.84 | 1965 | 242 | 14.0 | 71.6 | 0.86 |
| East Java | 2106 | 1835 | -271 | -12.8 | 56.0 | 0.95 | 1819 | -287 | -13.6 | 49.3 | 0.96 |
| Banjar Baru | 2208 | 2217 | 9 | 0.4 | 59.6 | 0.84 | 2303 | 95 | 4.3 | 56.0 | 0.85 |
| Lampung | 1946 | 2190 | 234 | 12.6 | 83.8 | 0.89 | 2200 | 254 | 13.1 | 63.6 | 0.90 |
| Avg. total | 2175 | 2165 | -10 | 0.3 | 77.3 | 0.87 | 2175 | 0 | 1.0 | 66.4 | 0.88 |
Sumber: Vernimmen et.al., 2012.
- 5. Kemudian dilakukan analisa RMSE kembali dan membandingkannya dengan RMSE sebelum koreksi
- 6. Jika RMSE koreksi lebih besar daripada RMSE sebelum koreksi, maka dilakukan koreksi terhadap nilai SPI dan kembali dihitung nilai RMSE koreksinya
- 7. Setelah proses analisa koefisien koreksi memenuhi syarat maka data satelit TRMM dapat digunakan untuk analisa kekeringan
- 8. Sehingga, maksud dan tujuan dari kajian ini dapat tercapai yaitu data TRMM juga dapat digunakan sebagai alternatif sumber data.
4. Hasil Penelitian
4.1 RMSE SPI tanpa koreksi
Untuk perhitungan RMSE, mula-mula dicari nilai error atau selisih antara SPI data panjang dan SPI data pendek, kemudian kuadrat dari nilai-nilai tersebut untuk masing-masing data bulanan. Lalu, jumlahkan seluruh nilai error yang telah dikuadratkan. Untuk menentukan kesalahan atau RMSE tersebut kecil atau besar, maka diperlukan suatu ambang batas. Jika nilai RMSE tersebut berada di atas ambang batas, maka SPI berdasarkan data pendek tanpa koreksi tidak bisa digunakan. Jadi dengan kata lain ambang batas digunakan sebagai batas kesalahan RMSE yang diijinkan.
Penentuan ambang batas RMSE dibuat berdasarkan selisih pada klasifikasi nilai SPI pada klasifikasi kering (-1.00 – (-1.49) ; -1.50 – (-1.99)) dengan range sekitar 0.49 ≈ 0.5. Dengan demikian, untuk ambang batas RMSE yaitu diambil 0.5. Hasil analisa RMSE SPI data panjang -TRMM dapat dilihat pada Gambar 2 dan 3.
Gambar 2. Nilai RMSE SPI 1, 3, 6, dan 9 pada 15 pos hujan dan grid TRMM
Gambar 3. Nilai RMSE SPI 12, 24, 36, dan 48 pada 15 pos hujan dan grid TRMM
Gambar 1. Peta grid TRMM dan 15 pos hujan lapangan terpilih di WS Pemali Comal
koreksi perlu dilakukan karena semua pos-grid memiliki nilai RMSE lebih besar dari yang diizinkan yaitu 0.5.
4.2 RMSE Koreksi α-β
Indeks kekeringan (SPI) hasil koreksi tersebut kemudian dibandingkan kembali dengan SPI data panjang dan dihitung nilai RMSE nya, sehingga dapat dibandingkan apakah dengan dilakukan koreksi menjadi lebih baik dibandingkan sebelum/tanpa koreksi. Gambar 4 dan 5 menunjukkan nilai RMSE tanpa dan dengan koreksi.
Gambar 4. Nilai RMSE setelah dilakukan koreksi pada SPI skala waktu pendek (1, 3, 6, dan 9)
Gambar 5. Nilai RMSE setelah dilakukan koreksi pada SPI skala waktu panjang (12, 24, 36, dan 48)
Hasil analisa RMSE setelah koreksi α-β ternyata jauh lebih besar jika dibandingkan dengan sebelum dilakukan koreksi.
4.3 RMSE Koreksi α-β Berdasarkan Sebaran Wilayah
Prosedur perhitungan koreksi berdasarkan pembagian wilayah sama dengan prosedur perhitungan yang dilakukan pada koreksi α-β, yaitu dengan mengkoreksi rasio parameter α-β namun dibagi menjadi tiga bagian wilayah (Gambar 6).
Sumber: Levina, 2014
Gambar 6. Sebaran pos hujan-grid TRMM terpilih berdasarkan pembagian wilayah barat, tengah, dan timur (dari kiri ke kanan) di wilayah Sungai Pemali Comal
Setelah diperoleh nilai koreksi α-β berdasarkan sebaran pos kemudian dihitung kembali SPI dan dibandingkan RMSE sebelum dan sesudah koreksi. Hasil RMSE setelah dilakukan koreksi pada 3 wilayah dapat dilihat pada Gambar 7 s/d Gambar 9.
Gambar 7. Nilai RMSE pos hujan terpilih-grid berdasarkan pembagian wilayah barat SPI skala 1, 3, 6, dan 9 (a); SPI skala 12, 24, 36, dan 48 (b)
Sama halnya dengan RMSE setelah dilakukan koreksi α-β, maka pada RMSE koreksi berdasarkan sebaran wilayah hasilnya justru semakin jauh dari ambang yang telah ditentukan
Dengan demikian, dengan menggunakan koreksi pada parameter α-β data TRMM tidak menghasilkan nilai yang lebih baik, sehingga untuk koreksi dilakukan terhadap indeks kekeringannya (SPI) langsung, dengan harapan data TRMM dapat digunakan sesuai dengan tujuan dari kajian ini.
Gambar 8. Nilai RMSE pos hujan terpilih-grid berdasarkan pembagian wilayah tengah SPI skala 1, 3, 6, dan 9 (a); SPI skala 12, 24, 36, dan 48 (b)
4.4 RMSE Koreksi SPI
Metode dalam mencari koefisien koreksi langsung terhadap indeks kekeringan (SPI) dilakukan secara sederhana yaitu dengan membandingkan nilai SPI pada data lapangan periode panjang dan pada data TRMM kemudian dicari nilai koefisien koreksinya dengan menggunakan persamaan linear, yaitu :
Y = ax+b
Dimana Y merupakan rasio SPI, a dan b merupakan faktor koreksi, serta x yang merupakan rasio SPI setelah dikoreksi. Faktor koreksi tersebut dihitung menggunakan solver.
Sebagai indikator keberhasilan koreksi tersebut adalah nilai RMSE sebelum dan RSME sesudah dilakukan koreksi. Jika nilai RMSE sesudah dilakukan koreksi nilainya lebih kecil dari nilai ambang batas yang diizinkan, maka koreksi terhadap indeks kekeringan dikatakan berhasil.
Gambar 9. Nilai RMSE pos hujan terpilih-grid berdasarkan pembagian wilayah timur SPI skala 1, 3, 6, dan 9 (a); SPI skala 12, 24, 36, dan 48 (b)
Gambar 10. RMSE SPI sebelum dan setelah dikoreksi
Berdasarkan Gambar 10 dapat dilihat bahwa nilai ratarata selisih SPI semakin kecil atau mendekati nol, dengan kata lain nilai SPI TRMM yang telah dikoreksi hasilnya hampir sama dengan SPI periode panjang. Sedangkan untuk nilai RMSE (Gambar 9), setelah dilakukan koreksi maka nilai RMSE menjadi lebih kecil dan jauh dibawah ambang batas. Sebaliknya, koefisien korelasi (Gambar 10) semakin mendekati 1 setelah dilakukan koreksi. Dengan demikian, untuk analisa dengan menggunakan data TRMM dapat dilakukan dengan meng-koreksi nilai SPI nya itu sendiri.
Untuk menentukan kondisi agar data hujan satelit TRMM dapat digunakan dalam analisa kekeringan, maka nilai RMSE dari hasil perhitungan dengan : tanpa koreksi, koreksi α-β, koreksi berdasarkan pembagian wilayah, dan koreksi SPI, nilai tersebut dirata-ratakan dari ke 15 pos hujan lapangan dan grid TRMM, dengan tetap menggunakan ambang batas RMSE 0.5 sebagai acuan. Hasil rata-rata dari RMSE tersebut dapat dilihat pada Gambar 11.
Gambar 11. Rata-Rata RMSE grid TRMM : tanpakoreksi, koreksi α-β, koreksi sebaran wilayah, dan koreksi SPI
Berdasarkan nilai rata-rata RMSE seperti yang ditunjukkan pada Gambar 11, maka dapat disimpulkan bahwa data TRMM hanya dapat digunakan untuk analisa kekeringan jika dilakukan koreksi langsung terhadap SPI nya. Kesimpulan ini didukung oleh nilai standar deviasi pada koreksi SPI, dimana nilainya lebih kecil dibandingkan yang lain, walaupun nilai koefisien variasinya lebih besar. Tanpa dilakukannya koreksi terhadap SPI terhadap data TRMM, maka data TRMM tersebut tidak atau kurang bisa digunakan untuk analisa kekeringan.
5. Kesimpulan
Dari hasil analisa pada kajian ini, dapat diambil kesimpulan bahwa :
- 1. Data TRMM yang telah dikoreksi terhadap SPI nya bisa digunakan untuk analisa kekeringan, karena nilai RMSE nya di bawah ambang batas kesalahan yang diijinkan.
- 2. Data TRMM yang tanpa dikoreksi dan data dengan koreksi α-β, baik untuk kesatuan wilayah maupun untuk sebaran wilayah, tidak bisa digunakan untuk analisa kekeringan, karena nilai RMSE SPI yang didapat lebih besar dari ambang kesalahan yang diijinkan.
- 3. Kajian ini dilakukan dengan studi kasus di daerah yang mempunyai data hujan lapangan dengan periode yang panjang. Sehingga nilai koreksi yang dihasilkan mungkin tidak tepat digunakan untuk daerah lain yang hanya memiliki data hujan lapangan periode pendek.
- 4. Untuk menentukan koefisien koreksi yang dapat digunakan untuk wilayah lain, metoda diatas bisa dipakai dengan terlebih dahulu memperhatikan kondisi iklim dan curah hujan di sekitar wilayah tersebut sebagai pembanding.
Ucapan Terima Kasih
Terimakasih kami sampaikan kepada Program Studi Magister Pengelolaan Sumber Daya Air- FTSL-ITB, kepada Puslitbang Sumber Daya Air -Kementerian PUPR, dan kepada DELTARES, atas bantuan dan dukungan-nya sehingga penelitian tentang koefisien koreksi indeks kekeringan berdasarkan data hujan lapangan dan satelit TRMM di wilayah sungai Pemali Comal (Jawa Tengah) bisa terlaksana.